利用寻找失踪人员的策略实现移动机器人的高效再定位外文翻译资料

利用寻找失踪人员的策略实现移动机器人的高效再定位

摘要：蒙特卡罗定位（MCL）在极端干扰下可能无法定位任意移动的移动机器人。受寻找失踪人员策略（Strategy of Find a Missing Person，SFMP）的启发，本文提出了一种高效的再定位解决方案，以提高恢复速度和成功率。通过优化随机粒子生成的分布和数量，所提出的基于SFMP的再定位保证了粒子在机器人再次出现的位置存在，提高了MCL的鲁棒性。首先，设计了一个关键的搜索空间选择来寻找机器人可能出现的位置。然后，构造一种新的移动距离图来表示从绑架点到其他点的位移，从而根据机器人可能的移动距离缩小搜索空间。此外，提出了一种时变的长短期策略来调整随机粒子的比例，并自适应地调整粒子数目。通过真实场景实验，验证了该方法的有效性。

关键词：蒙特卡罗定位，移动机器人，再定位，移动距离图，寻人策略

正文：

1. 介绍

高效和鲁棒的定位是移动机器人实现自主导航的基础。在现有方法中，蒙特卡洛定位（MonteCarlo Localization，MCL）由于其较好的鲁棒性和效率，已被广泛应用于各种场景中的机器人姿势定位。不幸的是，仍然有一些公开的挑战限制了MCL的性能，而对极端干扰的鲁棒定位被认为是最棘手的挑战之一。现有的定位算法在遇到高动态环境、传感器故障或人为干扰等恶劣情况时可能会失效。这降低了在恶劣环境中自主导航的安全性和鲁棒性。例如，一旦由于严重的干扰而无法定位机器人，则机器人可能失控。这可能导致潜在的碰撞甚至损坏。因此，在实际应用中，一旦恶劣的环境被移除，高效而准确的再定位对于恢复机器人的位姿是至关重要的。其他设备（如GPS、RFID、传感器网络和反射器）通常用于为本地化恢复提供补充信息。然而，在大规模场景中，设备的布置麻烦且昂贵。此外，全球本地化适用于本地化恢复，但难以满足的实时性要求。由于全局定位和位姿跟踪通常需要两个完全不同的系统，因此增加了定位系统的复杂性。

由于MCL的特性，它具有同时进行位姿跟踪和全局定位的潜力。只要机器人恢复位置附近存在粒子，就可以恢复基于MCL的定位。通常，可以提高观测和运动模型的鲁棒性，从而使粒子生成更准确且不易受外部干扰。通过考虑定位的不确定性、可靠的路标或多传感器信息， 实现了一些前沿方法。这可以增加定位鲁棒性，允许机器人在短暂波动后快速恢复其姿态。然而，由于动态干扰（例如，长期传感器信号中断或大范围遮挡），仍有较高的定位失败概率，且机器人姿势恢复困难。此外，在可能的区域中散布粒子提高了生成适当粒子以恢复定位的可能性。然而，由于场景较大和机器人的任意移动，MCL定位失败后很难确定随机粒子数量和分布，导致重新定位耗时且恢复率低、成功率。例如，许多方法将所有粒子转换为随机粒子，并将其均匀地分布在整个姿态空间中，这意味着高成功率但低效率。此外，增强的MCL（A-MCL）可以根据观测可靠性调整随机粒子的比例。然而，粒子的总数是固定的，因此不能同时保证效率和成功率。到目前为止，增强再定位的鲁棒性仍然具有重要意义。请注意，重新定位类似于人类丢失问题，其目的相同，即重新定位丢失的对象人类已经总结出了许多有效的寻人策略，如检查关键区域（如公交/火车站）、随着时间的推移不断从绑架点向外搜索、调动政府或社会组织的额外力量等。上述策略为解决本地化恢复问题提供了有益的启示。因此，本文提出了一种高效的基于SFMP的移动机器人的再定位方法，该方法提高了MCL的鲁棒性，具有较高的恢复速度和成功率。受SFMP的启发，所提出的再定位方法集中于优化随机粒子的分布和数量，使得在机器人恢复传感器测量的位置存在粒子，从而成功恢复机器人定位。本文的主要贡献如下：

• 采用一种关键的搜索空间选择方法来寻找机器人出现概率较高的关键区域。绑架事件发生后，警方会在车站、路口等被绑架者可能出现的地方进行重点监控。类似地，关键搜索空间位于场景的子区域（如房间、走廊和大厅）的中心，机器人经常在此执行操作。处于这些位置的粒子更有可能收敛到附近可能的真实机器人姿势。在此基础上，通过多次定位迭代，使关键搜索空间中的粒子能够收敛到子区域中的机器人回收位置，显著提高了机器人回收的成功率。
• 构建了一种新的移动距离图（MDM）来描述机器人从绑架点到场景中其他位置的位移。不同于传统的在整个机器人位姿空间内均匀分布。提出了一种基于MDM的高斯分布，利用MDM和潜在的机器人移动距离，使粒子能够有效地分布在相对较窄的搜索空间内。
• 提出了一种时变的长短期策略来调整粒子集中随机粒子的比例，并自适应地调整粒子数目。与A-MCL相比我们的策略保持了合理的粒子数以平衡恢复成功率和效率，并增强了在存在暂时极端扰动时的定位鲁棒性。
• 将随机粒子扩展到基于约束Pivotal/MDM的搜索空间中进行定位恢复， 并通过真实场景实验验证了该方法的有效性。

本文的结构如下。第2节对相关工作进行了概述。第3节 介绍了初步的基本原理。第4节中介绍了随机粒子的分布和数目选择。实验结果显示在第5节，而结论是在第6节。

1. 相关作品

在过去的几十年里，人们一直在努力解决本地化恢复问题。利用外部设备提供的信息，机器人可以有效地恢复位姿。全球定位系统（GPS）是一种流行的再定位技术，但很难在室内场景中使用。此外，传感器网络（如WiFi、超宽带或激光测距传感器）也被广泛应用于确定整个场景中机器人的位姿。一旦获得了网络中机器人的足够信息，就可以通过三角剖分、MCL和噪声滤波等方法对机器人姿势进行跟踪。在杂波和噪声环境中，Pak等人设计了一种新的混合粒子/有限脉冲响应滤波器，用于基于WiFi的定位，以避免粒子耗尽。Cao等人提出了一种基于超宽带测距传感器的开放式二维平面分布式多机器人定位系统， 该系统采用递推扩展卡尔曼滤波来获得精确的位姿估计。该方法在大型开放场景中具有一定的实用性，且其准确性易受墙壁遮挡的影响。Oguz-Ekim等人对激光测距的野值进行建模，并对高斯噪声和拉普拉斯噪声进行处理，消除其不利影响。[33]结合传感器网络定位的可靠性，基于LiDAR的MCL可以在定位失败后获得粗略的位置范围，从而实现定位恢复。类似地，RFID技术被广泛用于鲁棒性机器人定位。只要机器人感应到附近的RFID标签，就可以实现毫秒级的重新定位。此外，通过布置反射器或QR码，利用一些独特的环境特征来实现鲁棒定位。例如，当相机间歇地观察QR码时，Penin等人考虑不确定性定位状态和碰撞概率，以实现四轴飞行器导航的鲁棒性。一旦找到二维码，将立即更新本地化状态。尽管外部设备确实有效地提高了定位的鲁棒性，并为恢复提供了有用的全局信息，但上述方法仍然需要外部传感器和装置，这意味着实现起来很麻烦且成本很高。

近年来，全局定位是一种常用的再定位方法。布兰科等人采用基于地图到地图匹配的全局定位算法，在两个占用网格中搜索稀疏特征集之间的对应关系。然而，在使用激光雷达测量的真实场景中，可靠且快速的特征检测是一项艰巨的任务。Garg等人提出了一种基于混合图像描述子的语义-几何视觉位置识别方法，该方法增加了一条由粗到精的识别流水线，通过关键点对应来加快匹配速度。基于视觉的地点识别在特定场景中表现良好，但其性能与神经网络训练效果密切相关，且易受光照变化等环境波动影响。特别地，其实时性能依赖于昂贵的硬件（例如，GPU）。此外，Li等人提出了一种基于多分辨率地图的分支定界（BNB）算法，该算法能够执行全局最优搜索以获得初始位姿。该方法具有较强的鲁棒性，能够有效地加快搜索过程。但是随着场景变大，搜索效率受到限制。一般来说，全局定位不使用机器人姿势丢失前获得的任何有价值的位姿信息，而且往往需要耗时的全局最优搜索以获得可靠的位姿。同时，由于全球本地化和位姿跟踪，增加了定位系统的复杂性。

许多工作利用MCL的固有特性来提高其鲁棒性。基于MCL的重新定位失败的原因是在机器人重新出现的位置附近缺少粒子。在这点上， 如果机器人在恢复位置附近精确地产生随机粒子，则可以有效地实现重 定位。例如，传统的MCL通过全局随机扩散粒子来寻找机器人的初始位 姿，但这种策略非常耗时。类似于基于视觉的位置识别，该算法利 用视觉信息初始化搜索空间，以提高再定位的成功率。它们遇到与基于视觉的地点识别相同的问题，即低鲁棒性和高硬件配置。Song等人提出了一种基于RGBD相机和激光雷达的运动目标跟踪方法，利用激光雷达测量数据改善了视觉和深度跟踪器的跟踪效果。特别地，即使其中一个传感器发生故障，该方法也可以获得鲁棒的定位结果。至少一个在该方法中，需要可靠且连续的传感器信息作为输入。否则，一旦失败， 本地化将无法恢复。瓦伦西亚等人提出一种双时间尺度正态分布变换MCL，利用已知的静态地图和短期地图来跟踪机器人姿势。即使在动态 环境中，也可以通过使用实时传感器数据连续更新短期地图来保持稳健的定位结果。Akai 等人设计一种鲁棒的MCL三维点云和道路标记图，其中结合无损检测估计和道路标线匹配信息的不确定性，提高了MCL的鲁棒性和准确性。上述方法提高了传感器存在较大噪声时的定位鲁棒性，但对传感器数据中断或大范围遮挡等强干扰导致的定位失败和恢复问题讨论不多。尤其是当当随机移动的机器人距离上次成功定位的位置较远时，有效的定位恢复非常困难。

为了提高MCL的鲁棒性，随机生成一些额外的粒子还可以通过减少真实机器人姿势中缺少粒子的可能性来帮助恢复定位。Li等人使用模糊映射设计入口运动模型，以提高MCL在混乱环境中的鲁棒性，该环境将粒子洒在附近的非混淆区域，一旦机器人通过这些区域，定位可以快速恢复。此方法只能重新定位机器人再非混淆区。Zhang等人提出了一种改进的自适应MCL，它通过在地图上类似的能量区域（观测环境）分布额外的粒子来提高定位恢复能力。在实际工厂中，机器人一般具有特定的工作区域和近似的运动路径。例如，机器人几乎不可能贴着墙壁行走。机器人不能出现在所有具有相似能量的空间中，这导致一些随机粒子无效。根据观测的可靠性，提出了一种自适应最大似然算法（A-MCL），在每次迭代中产生自适应数量的均匀分布的随机粒子。该方法可以提高生成接近真实机器人姿势的粒子的可能性。粒子的数量依赖于短期和长期平均观测可能性之间的比率。随着定位失败时间的增加，固定数量的粒子在大场景中的分布会越来越分散。在这方面，很难确保粒子出现在真实位置附近。同时，一旦机器人遇到暂时的极端干扰，经过几次迭代后，A-MCL的所有粒子很可能分散在整个位姿空间中。即使立即恢复传感器，仍然难以恢复机器人姿态，导致A-MCL缺乏鲁棒性。值得注意的是，上述基于扩散随机粒子的局域化恢复方法没有考虑局域化失效后经过的时间对随机粒子产生的影响。例如，机器人在失去姿势后10秒内可以移动的范围是有限的，在有限的区域喷洒粒子可能更有效。因此，如果能够开发出一种有效的随机粒子生成方法，就可以依托MCL的特性实现高效、鲁棒的再定位，这也是本文的研究重点。

1. 初步的基本原理

3.1 Bayes滤波器和MCL

MCL可以被认为是根据传感器测量来估计机器人姿势的概率密度函数的递归贝叶斯滤波器。概率密度函数也称为信念，表示为：

剩余内容已隐藏，支付完成后下载完整资料

英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[595927]，资料为PDF文档或Word文档，PDF文档可免费转换为Word