自主移动机器人定位技术研究综述_张弦

第23卷第2期2010年3月

文章编号：1002－6673（2010）02－003－03

Development ＆Innovation of M achinery ＆E lectrical P roducts

机电产品开发与创新

·开发与创新Mar ．,2010·

自主移动机器人定位技术研究综述

张弦，苏志远

（北京邮电大学自动化学院，北京100876）

摘要：定位技术是自主移动机器人最基本也是最重要的技术之一。本文介绍了几种自主移动机器人的定

位技术，着重分析了基于路标定位和概率定位的技术，及其各自的优点和局限性，并提出了今后研究的方向。

关键词：自主移动机器人；定位；路标定位；概率定位中图分类号：TP242

文献标识码：A

doi:10.3969/j.issn.1002-6673.2010.02.002

Overview of the Localization Technology of Autonomous Mobile Robots

ZHANG Xian ，SU Zhi-Yuan

（School of Automation ，Beijing Unversity of Post and Telecommunications ，Beijing 100876，China ）

Abstract:Localization technology is one of the most basic and important function in autonomous mobile robot. This paper presents some technologies in the autonomous mobile robot localization, Focused on analyzing the technology based on landmark and probabilistic localization, analyses their advantages and limitations and indicates future research directions.

Key words:autonomous mobile robot ；localizaiton ；landmark localization ；probabilistic localization

0引言

自主导航移动机器人采用非固定路径移动的智能小车，由于具有更大的使用灵活性目前已成为目前机器人技术研究的一个热点。定位[1]技术是自主导航移动机器人应具备的基本功能，是移动机器人能否实现自由导航的基础。理想的移动机器人应具有以下能力：当处于一个未知的、复杂的、动态的非结构环境中，并且在没有人干预的情况下，通过感知环境，能够到达期望的目的地，同时应尽量减少时间或能量的消耗等。

分为基于路标、基于地图和基于概率方法三种技术来分别研究。

路标[4]是指具有明显特征的，能够被移动机器人传感器识别的特殊物体。路标本身在全局二维空间中具有固定和已知的位置。移动机器人定位的主要任务就是可靠地辨识路标，并且计算出移动机器人的位置。定位精度的高低取决于对路标的识别以及位置信息提取的准确程度。

Craig Becker 等[5]采用基于天花板和墙壁的几何图形

路标对移动机器人进行导航和定位。俞竹青等[6]提出了超声波网络导航系统，该导航系统采用主动超声波收发装置，它的检测范围在理论上可以无限扩张，但检测精度却不变。可以有效解决检

测范围和检测精度的矛盾。中科院的董再励[7]等提出了自主移动机器人的激光全局定位系统，该系统采用主动激光扫描定位方法，利用已知合作路标和定位系统扫描这些路标得到的方位角来计算机器人在参考系下的位置和走向。G. Jang 等[8]提出一种三维多色结构的路标模型，结

合基于EKF 的几何定位算法，获得了较好的定位精度

1基于路标的定位技术

在二维环境中，移动机器人的位姿通常使用三元组（x 0，y 0，θ）表示[2]，如图1所示，其中（x 0，y 0）为移动机器人相对世界坐标的位置（平移分量），θ表示其方位（旋转分量）。移动机器人的定位方法一般可以分为相对定位和绝对定位两种

[3]

。绝对定位和相对定位各有优缺

点，具有互补性，如果将两者结合能形成更加准确可靠的定位系统。具体来说，可以把自主移动机器人定位

收稿日期：2010－01－18

作者简介：张弦（1982-），男，硕士研究生。研究方向：机电一体化。

3

·开发与创新·

和鲁棒性。中科院的侯杰贤[9]等设计了一种新型的人工路标。路标由三部分组成：红色矩形方框、内部背景以及待识别的目标图案。提出一种基于对数极坐标系投影直方图的路标识别方法。实验表明精度较高，平均误差率在8%以内。

人工路标定位存在的问题：一是由于系统加工精度造成路标测量的偏差；二是路标本身位置不精确；三是路标摆放位置的影响。通过精确测量路标位置及在定位计算中合理选取路标，可大大提高定位精度[10]。

机器人可以在动态环境中可靠地进行自定位以及避障等。该方法与后来的蒙特卡罗方法在两台博物馆导游机器人上得到应用。该方法的缺陷是计算负担过重，并且状态空间的分辨率和大小需要预先设定，要求提供机器人位置概率栅格的存储空间，每当新观测数据读入时，都需要不断更新，计算复杂度随状态空间维数指数级增长，因此，很难应用到高维状态空间。

（3）多假设定位。多假设跟踪方法可以克服卡尔曼滤波器只能表征单峰概率分布的缺点。Patric Jensfelt [14]等提出的MHT （Multi Hypothesis Tracking ）方法就是利用混和高斯分布表示概率分布的，即：

2基于概率方法的移动机器人定位技术

在定位过程中，存在很多不确定性因素。首先机器人本身具有不确定性：如里程计误差累积和传感器噪声数据。其次机器人所处环境很多也是不可预知的。由于这些不确定性因素，使定位变得更加困难，因此近年来，越来越多的研究者把概率理论应用到移动机器人定位中。这些研究理论的基础是贝叶斯滤波BF (Bayesian

Bel （X l ）=Σt w i t N(xi ；u i t ，Σt i ）

（1）

MHT 方法中的每个高斯假设都是一个独立的置信

度(Sub-belief)，它利用卡尔曼滤波器(EKF或UKF) 进行跟踪。这种方法根据每个假设预测观测值的准确度来决定每个假设的权重值w i t 。因为多假设跟踪方法可以表示多峰值的概率分布。因此，它可以处理多峰值概率分布，能够实现全局定位。

（4）基于粒子滤波的定位方法。粒子PF （Particle

Filter ）是概率定位方法的理论基础，BF 用传感器测量数

据去估计一个动态系统的未知状态，其核心思想就是：以当前为止所收集的数据为条件，递归估计状态空间后验概率密度。

为了实现BF ，还需要详细定义感知模型p (ot ｜x t ) 和运动模型p (xt ｜x t-1，z t-1），以及合理表示置信度Bel （x t ）。由于对置信度Bel （x t ）的表示方式不同，产生了许多不同的概率定位方法，下面对它们进行简要的总结和比较。

Filter ）滤波，也称序列蒙特卡罗，是从上世纪90年代

中后期发展起来的一种新的滤波算法，其基本思想是用随机样本来描述概率分布。Dallert 等[15]将粒子滤波和移动机器人运动和感知的概率模型相结合，提出了移动机器人蒙特卡罗定位MCL （Monte Carlo Localization ）的思想。其基本思想是用一组滤波器来估计机器人的可能位置（处于该位置的概率），每个滤波器对应一个位置，利用观测对每个滤波器进行加权处理，从而使最有可能的位置的概率越来越高。Fox 等[16]具体描述了MCL 并与其它算法进行比较。同时针对MCL 的不足提出了各种各样的改进方法，厉茂海，洪炳铭等[17]提出基于混合高斯模型的蒙特卡罗定位方法，对采样进行优化，减少所需采样数。于金霞等[18]采用改进的粒子滤波算法对移动机器人定位进行研究，将模糊地图匹配和粒子滤波重采样相结合，以减少粒子滤波采样中的不确定性影响，通过采用高斯混合分布近似建议分布对获得有效样本大小的样本权重计算方法进行改进，保证能够有合适的重采样次数。

2.1概率定位方法概述

（1）EKF 定位方法。卡尔曼滤波器是应用最为广泛的贝叶斯滤波器。从本质上讲，卡尔曼滤波器是一种有噪声线性动态系统状态预估的递归算法，它是一个不断地预测与校正的过程。然而，许多动态系统和传感器模型是非线性的，KF 是不能处理的。对于非线性估计问题，必须将卡尔曼滤波器进行扩展，将其输入方程和输出方程进行线性化，而后进行估计，即扩展卡尔曼滤波（EKF ）。Roumeliotis 等

[11]

利用卡尔曼滤波器，采用激

光传感器探测路标，可以很好地实现机器人在工厂环境中的自定位与导航。Simon J.Julier 等[12]提出了无迹卡尔曼滤波器UKF （Unscented Kalman Filter ），与EKF 不同的是，UKF 没有直接逼近非线性系统的状态过程以及观测模型，利用了真实的非线性模型。UKF 方法在精度以及鲁棒性方面都好于EKF ，同时其计算量增加不大。

（2）Markov 定位方法。基于马尔可夫的定位方法的实现形式可分为两类，一类是基于拓扑地图的。另一类是基于栅格几何地图的马尔可夫定位方法，Fox 等[13]利用基于网格的方法成功地实现了马尔可夫定位算法，使得

2.2相互关系及性能比较

卡尔曼滤波方法是一种高效、高精度的局部定位方法。非常适合位姿跟踪系统。但是约束条件太多，只能表示单值的概率分布，无法解决全局定位和机器人诱拐问题。马尔可夫方法非常适合全局定位，主要缺点是有很多的概率值要去处理，同时定位精度不高。多假设跟踪MHL 能有效解决全局地位的多峰值概率密度估计问

4

·开发与创新·

题。由于依赖于卡尔曼滤波的线性假设，实现性较差。粒子滤波（蒙特卡洛）可以处理多峰分布问题，精度比马尔可夫算法高，可以很好的解决全局定位问题和机器人诱拐问题。表1对各种基于概率的定位方法作了比较。

表1各种基于概率定位方法的比较

概率定位方法定位效率实现性定位精度定位准确性局部定位能力全局定位能力

波算法。参考文献：

[1]李群明，等. 室内自主移动机器人定位方法研究综述[J].机器人,2003,11. [2]徐则中，庄燕滨. 移动机器人定位方法对比研究[J].系统仿真学报，2009，7.

EKF 优良较好较高一般较好较差

Markov 较差较差较低一般一般优良

多假设定位

较好较差一般一般较差较好

粒子滤波一般较好较高较好一般优良

[3]李磊，叶涛，谭民，等. 移动机器人技术研究现状与未来[J].机器人，2009,5.

[4]王冰，张惠侨，叶庆泰. 移动式机器人信标定位系统的误差分析及其应用[J].机械设计与研究,2000,2.

[5]Becker C. Reliable navigation using landmarks.Proceed-ings of the IEEE International Conference on Robotics and Automation. Nagoya, Japan,1995,1.

[6]俞竹青，那须康雄. 室内移动机器人超声传感器导航网络分布研究[J].传感器技术，2003，11.

3基于地图的定位技术

基于地图的移动机器人定位问题着重分析地图上机器人可能位置的搜索和判别，其核心在于机器人感知获取的局部环境信息与已知地图中的环境信息的匹配。基于地图的定位常常需要与其它定位方法结合来进行定位。使用基于栅格描述的环境几何地图与基于扩展卡尔曼滤波的扫描匹配定位方法和马可夫定位方法是与概率推理方法相结合的典型代表，且有成功的应用。美国

[7]董再励，王光辉，田彦涛，等. 自主移动机器人激光全局定位系统研究[J].机器人,2000，3.

[8]G.Jang, S.Kim, W.Lee, I.Kweon:Color landmark based self -local -ization for indoor mobile robots,Proceedings -IEEE International Conference on Robotics and Automation,2002.

[9]侯杰贤, 徐方, 张令涛. 用于移动机器人自定位的视觉路标设计[J].微计算机信息,2009，5.

[10]张祥德, 牛纪祥, 董再励. 自主移动机器人三角定位的路标优化[J].东北大学学报(自然科学版), 2004，1.

[11]Roumeliotis S, Bekey G. Bayesian estimation and kalman filtering:a unified framework for mobile robot localization [A].Proc2000IEEE Int Conf on Robotics and Automation [C].San Francisco, 2000. [12]JulierS J. The scaled unscented transformation [C].In:Proceedingsof American Control Conference .Jefferson City, MO, USA.2002,6. [13]Fox D, Burgard W, Thrun S. Markov localization for mobile robots in dynamic environments[J].Journal of Artificial Intelligence Research, 1999.

[14]Thrun S, Fox D, Burgard W. Probabilistic algorithms and the in -teractive museum tour-guide robot Minerva[J].TheInternational Jour -nal of Robotics Research, 2000,11.

[15]F Dellaert,W Burgard,D Fox. Monte Carlo localisation for mobile robots in Proceedings of the IEEE International Conference on Robotics and Automation, 1999,5.

[16]Fox D. KLD-sampling:adaptive particle filters and mobile robot local -ization[J].Advancesin Neural Information Processing Systems,2001,1. [17]厉茂海, 洪炳熔, 蔡则苏. 一种新的移动机器人全局定位算法[[J].电子学报，2006,34.

CMU 用一个名为Minerva 的交互式导游机器人在一座博

物馆中为游人做向导。他们利用Monte Carlo 定位器得出用最大概率值表示的地图

[19]

来。在他们的研究中也

运用了多种理论进行地图构建。

4结论以及展望

移动机器人的定位问题，是当前移动机器人研究领域的基础。而今后的研究工作，提高定位精度和定位的自主性仍将是首要的内容，并进一步提高定位算法的有效性，鲁棒性和安全性。

（1）研究多传感器的融合在路标定位中的应用，如将视觉传感器与激光雷达、声纳等传感器信息融合简化算法，提高算法的抗干扰和运算精度，使移动机器人可以在更为复杂的环境下定位。

（2）在未知或部分未知环境中，研究移动机器人同时定位与制图技术，使移动机器人能够实时在线对工作环境进行探测，实现完全自主自定位。

（3）研究多移动机器人定位的问题。在实现单移动机器人定位的基础上，如何实现多机器人定位，包括控制算法的设计、优先级设置问题、通讯方式的选择以及避障算法的选择等问题的解决。

（4）进一步提高概率定位算法的有效性、鲁棒性和精确性，开发更为有效的自适应采样和重采样的粒子滤

[18]于金霞, 汤永利, 蔡自兴, 段琢华, 基于改进粒子滤波的移动机器人蒙特卡罗定位[C].Proceedingsof the 7th World Congress June 25on

Intelligent Control and Automation,2008.

[19]S Thrun.M Beetz, et al.Probabilistic Algorithms and the Interactive Museum Tour -Guide Robot Minerva.The International Journal of Robotics Research,2000,11.

5