不管是要進行導(dǎo)航規(guī)劃還是避障，感知周邊環(huán)境信息是第一步。就避障來說，移動機器人需要通過傳感器 實時獲取自身周圍障礙物信息，包括尺寸、形狀和位置等信息。避障使用的傳感器多種多樣，各有不同的原理和特點，目前常見的主要有視覺傳感器、激光傳感器、紅外傳感器、超聲波傳感器等。下面我簡單介紹一下這幾種傳感器的基本工作原理。

 

 

超聲波傳感器的基本原理是測量超聲波的飛行時間，通過d=vt/2測量距離，其中d是距離，v是聲速，t是 飛行時間。由于超聲波在空氣中的速度與溫濕度有關(guān)，在比較精確的測量中，需把溫濕度的變化和其它因素考慮進去。

 

 

上面這個圖就是超聲波傳感器信號的一個示意。通過壓電或靜電變送器產(chǎn)生一個頻率在幾十kHz的超聲波脈沖組成波包，系統(tǒng)檢測高于某閾值的反向聲波，檢測到后使用測量到的飛行時間計算距離。超聲波傳感器一般作用距離較短，普通的有效探測距離都在幾米，但是會有一個幾十毫米左右的最小探測盲區(qū)。由于超聲傳感器的成本低、實現(xiàn)方法簡單、技術(shù)成熟，是移動機器人中常用的傳感器。超聲波傳感器也有一些缺點，首先看下面這個圖。

 

 

因為聲音是錐形傳播的，所以我們實際測到的距離并不是 一個點，而是某個錐形角度范圍內(nèi)最近物體的距離。

 

另外，超聲波的測量周期較長，比如3米左右的物體，聲波傳輸這么遠的距離需要約20ms的時間。再者，不同材料對聲波的反射或者吸引是不相同的，還有多個超聲傳感器之間有可能會互相干擾，這都是實際應(yīng)用的過程中需要考慮的。

 

 

一般的紅外測距都是采用三角測距的原理。紅外發(fā)射器按照一定角度發(fā)射紅外光束，遇到物體之后，光會反向回來，檢測到反射光之后，通過結(jié)構(gòu)上的幾何三角關(guān)系，就可以計算出物體距離D。

 

 

當(dāng)D的距離足夠近的時候，上圖中L值會相當(dāng)大，如果超過CCD的探測范圍，這時，雖然物體很近，但是傳感器反而看不到了。當(dāng)物體距離D很大時，L值就會很小，測量量精度會變差。因此，常見的紅外傳感器 測量距離都比較近，小于超聲波，同時遠距離測量也有最小距離的限制。另外，對于透明的或者近似黑體的物體，紅外傳感器是無法檢測距離的。但相對于超聲來說，紅外傳感器具有更高的帶寬。

 

 

常見的激光雷達是基于飛行時間的（ToF，time of flight），通過測量激光的飛行時間來進行測距d=ct/2，類似于前面提到的超聲測距公式，其中d是距離，c是光速，t是從發(fā)射到接收的時間間隔。激光雷達包括發(fā)射器和接收器 ，發(fā)射器用激光照射目標(biāo)，接收器接收反向回的光波。機械式的激光雷達包括一個帶有鏡子的機械機構(gòu)，鏡子的旋轉(zhuǎn)使得光束可以覆蓋 一個平面，這樣我們就可以測量到一個平面上的距離信息。

 

對飛行時間的測量也有不同的方法，比如使用脈沖激光，然后類似前面講的超聲方案，直接測量占用的時間，但因為光速遠高于聲速，需要非常高精度的時間測量元件，所以非常昂貴；另一種發(fā)射調(diào)頻后的連續(xù)激光波，通過測量接收到的反射波之間的差頻來測量時間。

 

圖一

 

圖二

 

比較簡單的方案是測量反射光的相移，傳感器以已知的頻率發(fā)射一定幅度的調(diào)制光，并測量發(fā)射和反向信號之間的相移，如上圖一。調(diào)制信號的波長為lamda=c/f，其中c是光速，f是調(diào)制頻率，測量到發(fā)射和反射光束之間的相移差theta之后，距離可由lamda*theta/4pi計算得到，如上圖二。

 

激光雷達的測量距離可以達到幾十米甚至上百米，角度分辨率高，通?？梢赃_到零點幾度，測距的精度也高。但測量距離的置信度會反比于接收信號幅度的平方，因此，黑體或者遠距離的物體距離測量不會像光亮的、近距離的物體那么好的估計。并且，對于透明材料，比如玻璃，激光雷達就無能為力了。還有，由于結(jié)構(gòu)的復(fù)雜、器件成本高，激光雷達的成本也很高。

 

一些低端的激光雷達會采用三角測距的方案進行測距。但這時它們的量程會受到限制，一般幾米以內(nèi)，并且精度相對低一些，但用于室內(nèi)低速環(huán)境的SLAM或者在室外環(huán)境只用于避障的話，效果還是不錯的。

 

 

常用的計算機視覺方案也有很多種， 比如雙目視覺，基于TOF的深度相機，基于結(jié)構(gòu)光的深度相機等。深度相機可以同時獲得RGB圖和深度圖，不管是基于TOF還是結(jié)構(gòu)光，在室外強光環(huán)境下效果都并不太理想，因為它們都是需要主動發(fā)光的。像基于結(jié)構(gòu)光的深度相機，發(fā)射出的光會生成相對隨機但又固定的斑點圖樣，這些光斑打在物體上后，因為與攝像頭距離不同，被攝像頭捕捉到的位置也不相同，之后先計算拍到的圖的斑點與標(biāo)定的標(biāo)準(zhǔn)圖案在不同位置的偏移，利用攝像頭位置、傳感器大小等參數(shù)就可以計算出物體與攝像頭的距離。而我們目前的E巡機器人主要是工作在室外環(huán)境，主動光源會受到太陽光等條件的很大影響，所以雙目視覺這種被動視覺方案更適合，因此我們采用的視覺方案是基于雙目視覺的。

 

 

雙目視覺的測距本質(zhì)上也是三角測距法，由于兩個攝像頭的位置不同，就像我們?nèi)说膬芍谎劬σ粯樱吹降奈矬w不一樣。兩個攝像頭看到的同一個點P，在成像的時候會有不同的像素位置，此時通過三角測距就可以測出這個點的距離。與結(jié)構(gòu)光方法不同的是，結(jié)構(gòu)光計算的點是主動發(fā)出的、已知確定的，而雙目算法計算的點一般是利用算法抓取到的圖像特征，如SIFT或SURF特征等，這樣通過特征計算出來的是稀疏圖。

 

要做良好的避障，稀疏圖還是不太夠的，我們需要獲得的是稠密的點云圖，整個場景的深度信息。稠密匹配的算法大致可以分為兩類，局部算法和全局算法。局部算法使用像素局部的信息來計算其深度，而全局算法采用圖像中的所有信息進行計算。一般來說，局部算法的速度更快，但全局算法的精度更高。

 

這兩類各有很多種不同方式的具體算法實現(xiàn)。能過它們的輸出我們可以估算出整個場景中的深度信息，這個深度信息可以幫助我們尋找地圖場景中的可行走區(qū)域以及障礙物。整個的輸出類似于激光雷達輸出的3D點云圖，但是相比來講得到信息會更豐富，視覺同激光相比優(yōu)點是價格低很多，缺點也比較明顯，測量精度要差 一些，對計算能力的要求也高很多。當(dāng)然，這個精度差是相對的，在實用的過程中是完全足夠的，并且我們目前的算法在我們的平臺NVIDIA TK1和TX1上是可以做到實時運行。

 

 

 

 

實際輸出的深度圖，不同的顏色代表不同的距離

 

在實際應(yīng)用的過程中，我們從攝像頭讀取到的是連續(xù)的視頻幀流，我們還可以通過這些幀來估計場景中 目標(biāo)物體的運動，給它們建立運動模型，估計和預(yù)測它們的運動方向、運動速度，這對我們實際行走、避障規(guī)劃是很有用的。

 

以上幾種是最常見的幾種傳感器 ，各有其優(yōu)點和缺點，在真正實際應(yīng)用的過程中，一般是綜合配置使用多種不同的傳感器 ，以最大化保證在各種不同的應(yīng)用和環(huán)境條件下，機器人都能正確感知到障礙物信息。我們公司的E巡機器人的避障方案就是以雙目視覺為主，再輔助以多種其他傳感器，保證機器人周邊360度空間立體范圍內(nèi)的障礙物都能被有效偵測到，保證機器人行走的安全性。

 

 

在講避障算法之前，我們假定機器人已經(jīng)有了一個導(dǎo)航規(guī)劃算法對自己的運動進行規(guī)劃，并按照規(guī)劃的路徑行走。避障算法的任務(wù)就是在機器人執(zhí)行正常行走任務(wù)的時候，由于傳感器的輸入感知到了障礙物的存在，實時地更新目標(biāo)軌跡，繞過障礙物。

 

 

Bug算法應(yīng)該是最簡單的一種避障算法了，它的基本思想是在發(fā)現(xiàn)障礙后，圍著檢測到的障礙物輪廓行走，從而繞開它。Bug算法目前有很多變種， 比如Bug1算法，機器人首先完全地圍繞物體，然后從距目標(biāo)最短距離的點離開。Bug1算法的效率很低，但可以保證機器人達到目標(biāo)。

 

 

 

改進后的Bug2算法中，機器人開始時會跟蹤物體的輪廓，但不會完全圍繞物體一圈，當(dāng)機器人可以直接移動至目標(biāo)時，就可以直接從障礙分離，這樣可以達到比較短的機器人行走總路徑。

 

 

 

除此之外，Bug算法還有很多其他的變種， 比如正切Bug算法等等。在許多簡單的場景中，Bug算法是實現(xiàn)起來比較容易和方便的，但是它們并沒有考慮到機器人的動力學(xué)等限制，因此在更復(fù)雜的實際環(huán)境中就不是那么可靠好用了。

 

 

實際上，勢場法不僅僅可以用來避障，還可以用來進行路徑的規(guī)劃。勢場法把機器人處理在勢場下的 一個點，隨著勢場而移動，目標(biāo)表現(xiàn)為低谷值，即對機器人的吸引力，而障礙物扮演的勢場中的一個高峰，即斥力，所有這些力迭加于機器人身上，平滑地引導(dǎo)機器人走向目標(biāo)，同時避免碰撞已知的障礙物。當(dāng)機器人移動過程中檢測新的障礙物，則需要更新勢場并重新規(guī)劃。

 

 

上面這個圖是勢場比較典型的示例圖，最上的圖a左上角是出發(fā)點，右下角是目標(biāo)點，中間三個方塊是障礙物。中間的圖b就是等勢位圖，圖中的每條連續(xù)的線就代表了一個等勢位的一條線，然后虛線表示的在整個勢場里面所規(guī)劃出來的一條路徑，我們的機器人是沿著勢場所指向的那個方向一直行走，可以看見它會繞過這個比較高的障礙物。最下面的圖，即我們整個目標(biāo)的吸引力還有我們所有障礙物產(chǎn)生的斥力最終形成的一個勢場效果圖，可以看到機器人從左上角的出發(fā)點出發(fā)，一路沿著勢場下降的方向達到最終的目標(biāo)點，而每個障礙物勢場表現(xiàn)出在很高的平臺，所以，它規(guī)劃出來的路徑是不會從這個障礙物上面走的。

 

一種擴展的方法在基本的勢場上附加了了另外兩個勢場：轉(zhuǎn)運勢場和任務(wù)勢場。它們額外考慮了由于機器人本身運動方向、運動速度等狀態(tài)和障礙物之間的相互影響。

 

轉(zhuǎn)動勢場考慮了障礙與機器人的相對方位，當(dāng)機器人朝著障礙物行走時，增加斥力， 而當(dāng)平行于物體行走時，因為很明顯并不會撞到障礙物，則減小斥力。任務(wù)勢場則排除了那些根據(jù)當(dāng)前機器人速度不會對近期勢能造成影響的障礙，因此允許規(guī)劃出 一條更為平滑的軌跡。

 

另外還有諧波勢場法等其他改進方法。勢場法在理論上有諸多局限性， 比如局部最小點問題，或者震蕩性的問題，但實際應(yīng)用過程中效果還是不錯的，實現(xiàn)起來也比較容易。

 

 

它執(zhí)行過程中針對移動機器人當(dāng)前周邊環(huán)境創(chuàng)建了一個基于極坐標(biāo)表示的局部地圖，這個局部使用柵格圖的表示方法，會被最近的一些傳感器數(shù)據(jù)所更新。VFH算法產(chǎn)生的極坐標(biāo)直方圖如圖所示：

 

 

圖中x軸是以機器人為中心感知到的障礙物的角度，y軸表示在該方向存在障礙物的概率大小p。實際應(yīng)用的過程中會根據(jù)這個直方圖首先辨識出允許機器人通過的足夠大的所有空隙，然后對所有這些空隙計算其代價函數(shù)，最終選擇具有最低代價函數(shù)的通路通過。

 

代價函數(shù)受三個因素影響： 目標(biāo)方向、機器人當(dāng)前方向、之前選擇的方向，最終生成的代價是這三個因素的加權(quán)值，通過調(diào)節(jié)不同的權(quán)重可以調(diào)整機器人的選擇偏好。VFH算法也有其他的擴展和改進，比如在VFH+算法中，就考慮了機器人運動學(xué)的限制。由于實際底層運動結(jié)構(gòu)的不同，機器的實際運動能力是受限的，比如汽車結(jié)構(gòu)，就不能隨心所欲地原地轉(zhuǎn)向等。VFH+算法會考慮障礙物對機器人實際運動能力下軌跡的阻擋效應(yīng)，屏蔽掉那些雖然沒有被障礙物占據(jù)但由于其阻擋實際無法達到的運動軌跡。我們的E巡機器人采用的是兩輪差動驅(qū)動的運動形式，運動非常靈活，實際應(yīng)用較少受到這些因素的影響。

 

具體可以看 一下這個圖示：

 

 

類似這樣傳統(tǒng)的避障方法還有很多，除此之外，還有許多其他的智能避障技術(shù)，比如神經(jīng)網(wǎng)絡(luò)、模糊邏輯等。

 

神經(jīng)網(wǎng)絡(luò)方法對機器人從初始位置到目標(biāo)位置的整個行走路徑進行訓(xùn)練建模，應(yīng)用的時候，神經(jīng)網(wǎng)絡(luò)的輸 入為之前機器人的位姿和速度以及傳感器的輸 入，輸出期望的下一目標(biāo)或運動方向。

 

模糊邏輯方法核心是模糊控制器，需要將專家的知識或操作人員的經(jīng)驗寫成多條模糊邏輯語句，以此控制機器人的避障過程。 比如這樣的模糊邏輯：第一條，若右前方較遠處檢測到障礙物，則稍向左轉(zhuǎn)；第 二條，若右前方較近處檢測到障礙物，則減速并向左轉(zhuǎn)更多角度；等等。

 

 

從原理上來講，沒有哪個傳感器是完美的，比方說機器人面前是一塊完全透明的玻璃，那么采用紅外、激光雷達或視覺的方案，就可能因為這個光線直接穿過玻璃導(dǎo)致檢測失敗，這時候就需要超聲波這樣的傳感器來進行障礙物的偵測。所以我們在真正應(yīng)用的過程中，肯定都需要采取多種傳感器的結(jié)合，對不同傳感器采集到的數(shù)據(jù)進行一個交叉驗證，以及信息的融合，保證機器人能夠穩(wěn)定可靠的工作。

 

除此之外也有其他模式可能導(dǎo)致傳感器失效，比如超聲波測距，一般需要超聲陣列，而陣列之間的傳感器如果同時工作的話，會容易互相產(chǎn)生干擾，傳感器A發(fā)射的光波反射回來被傳感器B接收，導(dǎo)致測量結(jié)果出現(xiàn)錯誤，但是如果按照順序一個個工作，由于超聲波傳感器采樣的周期相對比較長，會減慢整個采集的速度，對實時避障造成影響，這就要求從硬件的結(jié)構(gòu)到算法都必須設(shè)計好，盡可能提高采樣速度，減少傳感器之間的串?dāng)_。

 

還有比如說，機器人如果需要運動的話，一般都需要電機和驅(qū)動器，它們在工作過程中都會產(chǎn)生電容兼容性的問題，有可能會導(dǎo)致傳感器采集出現(xiàn)錯誤，尤其是模擬的傳感器，所以在實現(xiàn)過程中要把電機驅(qū)動器等設(shè)備、傳感器的采集部分，以及電源通信部分保持隔離，保證整個系統(tǒng)是能夠正常工作的。

 

 

在剛剛提到的幾個算法，很多在設(shè)計的時候都并沒有完善考慮到整個移動機器人本身運動學(xué)模型和動力學(xué)模型，這樣的算法規(guī)劃出來的軌跡有可能在運動學(xué)上是實現(xiàn)不了的，有可能在運動學(xué)上可以實現(xiàn)，但是控制起來非常困難，比如剛剛提到的如果一臺機器人的底盤是汽車的結(jié)構(gòu)，就不能隨心所欲地原地轉(zhuǎn)向，或者哪怕這個機器人是可以原地轉(zhuǎn)向，但是如果一下子做一個很大的機動的話，我們的整個電機是執(zhí)行不出來的。所以在設(shè)計的時候，就要優(yōu)化好機器人本身的結(jié)構(gòu)和控制，設(shè)計避障方案的時候，也要考慮到可行性的問題。

 

然后在整個算法的架構(gòu)設(shè)計的時候，我們要考慮到為了避讓或者是避免傷人或者傷了機器人本身，在執(zhí)行工作的時候，避障是優(yōu)先級比較高的任務(wù)，甚至是最高的任務(wù)，并且自身運行的優(yōu)先級最高，對機器人的控制優(yōu)先級也要最高，同時這個算法實現(xiàn)起來速度要足夠快，這樣才能滿足我們實時性的要求。

 

總之，在我看來，避障在某種程度上可以看做機器人在自主導(dǎo)航規(guī)劃的一種特殊情況，相比整體全局的導(dǎo)航，它對實時性和可靠性的要求更高一些，然后，局部性和動態(tài)性是它的一個特點，這是我們在設(shè)計整個機器人硬件軟件架構(gòu)時一定要注意的。

 

 

多機協(xié)同避障策略在整個SLAM方向上都還是一個在鉆研的熱點領(lǐng)域，單純就避障來說，目前的方案是，當(dāng)有兩個或多個機器人協(xié)同工作的時候，每個機器人會在一個局部各自維護一個相對的動態(tài)地圖，所有機器人共享一個相對靜態(tài)的地圖，而對于單個機器人來說，它們會各自維護一個更加動態(tài)的地圖，這樣當(dāng)兩個機器人接近一個位置時，它們會將它們維護的動態(tài)地圖合并起來。

 

這樣子有什么好處呢，比如視覺只能看到前方一個方向，這時候跟后面機器人的動態(tài)地圖合并之后，就能看到前后整個局部的動態(tài)信息，然后完成避障。

 

多機協(xié)同的關(guān)鍵在于，兩個局部地圖之間的分享，就是它們分別在整個相對靜態(tài)的全局地圖上是有一小塊一個窗口的位置，到這兩個窗口可能融合的話，會把它們?nèi)诤显谝黄?，同時去指導(dǎo)兩個機器人的避障。在具體實現(xiàn)過程中，也要考慮整個信息傳輸?shù)膯栴}，如果是自己本身的局部地圖，由于都是本機的運算，速度一般都比較快，如果是兩個機器人協(xié)作的話，就要考慮到傳輸?shù)难訒r，以及帶寬的問題。

 

 

目前就我所了解業(yè)界并沒有什么統(tǒng)一的測試標(biāo)準(zhǔn)和指標(biāo)，我們目前測試的時候會考慮這些指標(biāo)，比如在單個障礙物或是多個障礙物，障礙物是靜態(tài)的或動態(tài)的情況下避障效果如何，以及實際規(guī)劃出的路徑完美度如何，還有這個軌跡是否平滑，符合我們觀感的效果。

 

當(dāng)然，這個最重要的指標(biāo)我覺得應(yīng)該避障是否失敗就是成功率的問題，要保證這個避障不管是碰到靜態(tài)的或者是動態(tài)的物體，然后那個物體不管是什么材質(zhì)，比如說如果是動態(tài)的人，我們穿什么樣的衣服會不會對整個避障功能造成影響，另外就是不同的環(huán)境又會有什么樣的影響，比如光線充足或暗淡。對于避障來說，成功率才是最為關(guān)鍵的。

 

【本文內(nèi)容由大道智創(chuàng)CTO邢志偉在硬創(chuàng)公開課分享，新智造整理】