关注 | SGS助力机器人国家重点研发项目系列-苏州大学

移动机器人构建场景全局地图，在动态复杂场景中作业，通过激光传感器实时感知周围环境信息，并实时基于当前时刻的激光数据和已经构建的全局地图，应用蒙特卡罗定位算法确定相对于给定场景地图的移动机器人的时间帧全局最佳位姿估计，从而实现准确的全局定位。基于当前全局定位所获得的全局最佳位姿估计，对当前时间帧所获得的激光数据点与地图中的路标点进行逐一匹配并统计匹配点的数量，并同时考虑全局地图中的固定路标点的权重系数等信息，计算获得当前时间帧的全局定位置信度。当移动机器人出现周围受动态障碍物的遮挡、场景变化与已经构建的地图严重不符、以及人为的搬动造成的“绑架”等情况，会致使当前时间帧的全局定位置信度低于一定阈值，从而可判定移动机器人发生“迷路”现象。通过充电桩内部安装的UWB模块和移动机器人内部安装的UWB模块进行相互通讯测距，移动机器人不断地获得相对于充电桩的距离信息。移动机器人通过内部的惯性测量单元IMU也不断地获得相对于充电桩的角度信息。最终综合考虑到由于UWB信息遮挡和系统本身等测距误差因素，和IMU温漂和零漂误差，确定已经构建的全局地图计算移动机器人可能的位置范围，则最终确定位置范围。在全局栅格地图中的上述所确定的机器人可能的位置范围，再次应用蒙特卡罗定位算法实现移动机器人的快速重定位，最终获得移动机器人“迷路”之后的再次进行重定位的最佳位姿估计。

机器人在环境中利用传感器获取周围环境数据，即时定位与地图构建（SLAM）模块接收传感器数据，构建环境地图，同时反修正机器人位姿。在地图的可行区域内，生长两棵快速搜索随机树，进行边界点提取。通过mean-shift聚类算法对边界点进行聚类处理，并根据边界点的栅格状态剔除无效的边界点，引导机器人进行运动决策。在本项目中，基于边界点的收益函数模型以及测距仪的波束模型，提出一种融合路径信息丰富度的自主探索算法，预估机器人移动到边界点的过程中感知到的环境信息；同时利用环境语义信息进行启发式偏置采样，建立语义-几何信息关联模型引导机器人探索决策，优先提取分配连续区域内的边界点，保障连续区域探索的完整性，解决了感知不确定下机器人探索过程中徘徊现象严重等问题，进一步提高了机器人的探索效率。

机器人目标检测算法的网络主要涉及卷积层、逆残差模块、残差模块、池化层以及改进的金字塔池化层。在本项目中，采用轻量化网络设计方法，基于随机模型融合的数据增强，结合了图像尺度变化和颜色变化的特点，有效增加了数据集的随机性和丰富性。基于逆残差改进的主干网络，通过隔层使用逆残差模块替换原有卷积模块，并有效结合网络中的大小残差融合提取的特征，并采用深度可分离卷积降低计算量。骨干网络末端引入改进的空间金字塔池化层，从空间角度将深度语义信息进行多尺度池化，增加感受野范围，进而提高多尺度、尤其是小物体的检测性能。

基于扫地机器人、商超机器人和室外机器人拍摄的数据集图片共超过7600多张，包含床、沙发、柜子、凳子、桌子、马桶、垃圾桶、拖鞋、袜子、地毯、书、粪便、窗帘、扶梯、电梯、玻璃门、行人、货架、购物车、树枝、扫把、塑料袋、水瓶、簸箕、信封等多种典型物体。图像数据集包含晴天、阴天、白天、黑夜等环境场景，并对数据集进行颜色改变、尺度变换、 随机裁剪等数据增强操作，提高模型的泛化能力。