WRC 专题论坛演讲实录丨陈卫东:自主移动机器人技术与应用

中国人工智能学会2018-10-10 16:16:19

中国人工智能学会、中国电子学会联合主办的“中国智能机器人产业发展专题论坛”于8月23日上午在北京亦创国际会展中心的二层会议室C成功举行。

本论坛邀请了中外产、学、研、用等领域的知名专家学者参与,围绕国内外机器人和智能科学的发展热点和转型支点,聚焦智能机器人的智能装备和核心技术,共同探讨中国智能机器人发展的创新与变革。


来自上海交通大学自动化系主任、机器人与智能信息处理研究所所长陈卫东教授,发表了主题为《自主移动机器人技术与应用》的演讲,介绍了自主移动智能机器人在智能制造、助老助残、智能交通等方面将有很好的应用发展前景,并通过变电站巡检机器人、智能轮椅与陪护机器人等应用实例来展示成果。


以下是陈卫东教授的演讲实录:


 陈卫东  上海交通大学自动化系主任,教授,机器人与智能信息处理研究所所长


陈卫东:我今天报告主要介绍一下自主移动机器人的技术,其实今天我发现前面的几个报告很多都是关注这个方向的。我这个报告可能更多的是从一些应用的实例,应用的案例,包括这些案例带给我们的一些挑战出发,看看跟大家共同探讨一下怎么解决这些实际应用中面临的一些问题。


我来自于上海交通大学电子信息与电气工程学院自动化系,报告的题目是自主移动机器人技术与应用。我从几个方面介绍一下我们自己的工作,一个是机器人技术面临的新机遇,并讨论其中有哪些技术挑战,核心技术又是什么,然后介绍一些应用实例,在这些实例里头探讨一下目前的技术还有哪些不足,我们用什么办法尝试改进,以及未来自主移动机器人能够在我们的生活和工作中带来哪些影响。


其实从前面报告我们也都看到了,自主移动机器人可以应用到非常多的领域,我今天列出就是我们研究团队感兴趣的领域,一个是智能制造领域对于自主移动机器人还是有非常多的机会,刚才陈老师更多的是说的操作方面的,对于移动也有很多的需求,包括仓储方面的应用,另外就是一些重要的设施的巡检等等。另外一个方面就是我们这些年一直关注的怎么样用移动机器人技术帮助老年人残疾人,我国2015年老龄人口2.2亿,这个人口还在增加,残障人口8.5千万,其中很大部分是肢体残疾和视力残疾,移动机器人正好可以在移动性上帮助这些老年人和残疾人。当然机器人还有一些操作、认知方面的技术,我们更关注的是在移动能力上提高人的移动性。另外第三个方面就是智能交通,刚才薛教授也讲到智能车,我们有一个课题组也在研究智能车,今天我的报告主要是集中在前两个方面的应用,一个是智能制造,还有一个是助老助残,就是探讨怎么用移动机器人的技术提高我们人类生活的质量。


谈到技术挑战有非常多,虽然自主移动机器人研究非常多的时间,也有非常广泛的应用,但是在我们日常生活里我们看到这样的机器人还非常少。现在我们看得比较多的是家用吸尘器,为什么它不能够在更广阔领域获得应用,其实背后存在多方面的技术挑战,包括一个是环境方面的挑战,因为这些自主移动机器人要应用到我们日常生活,甚至包括我刚才说复杂的制造业里,环境带来的挑战非常大。我们说跟传统工业机器人有很大的不同,这里头有些环境是未知的,有些是高度变化的,甚至是非常拥挤的,杂乱的环境,所以对机器人自主性要求更高。另一方面就是人机交互的需求,这种机器人如果应用到日常生活服务机器人的话,需要跟人的关系更加密切,在工业领域工业机器人跟人没有耦合,到服务机器人跟我们人更紧密,松耦合到更紧密的耦合,跟人的物理性的接触也更加多了,所以就要求这样的机器人更加安全,安全性是非常迫切的问题。另外是它跟人的协调性的问题,怎么理解人的意图,怎么满足人的需要,跟人的沟通变得很重要。另外也包括机器人之间的沟通配合也变得非常重要。所以我们说自主性、安全性、协同性这三个方面都跟传统机器人有不同的更高的要求,这也是我们团队一直研究的重要的领域。


我们针对这些问题有一些解决的思路,我们知道在服务机器人针对未知的环境,包括室内室外的环境,主要是刚才张教授报告也提到了的SLAM方法,我们偏重于采用基于概率的方法解决不确定性问题。另外这些环境还是动态的,人的走动、车的走动,一些家具甚至环境结构的变化等等,针对这些问题机器人如果在这里做决策的话必须是一种滚动的规划和控制的方式,我们基于的是一种预测控制的方法,其实是不断地建模,然后不断地在基于这种模型做规划和控制。这里头不论是传感器还是控制系统都存在着很大的不确定性,噪声等等,包括控制上的不准确,这样都需要我们不断地通过概率、滚动优化的技术来去处理这些问题。在这一类应用里头它的任务也是多种多样,不像工业机器人可能6自由度的机械臂,都是相对单一固定的任务,而自主移动机器人的任务更加多样化,你怎么满足这样一种多任务系统,所以它不是一个独立的技术环节,需要把感知、规划、导航、控制等等全部集成在一起,是一个完整的体系,才能应付这样多变的任务。我们这一类技术方法应用在不止是室内各种机器人还有室外的各种机器人,然后到多移动机器人系统。


简单谈一下这里头的关键技术,这些技术我前面的报告已经都讲到了,其实就跟我们人一样进到一个陌生的环境。这个PPT上右侧的图就是我们之前建立的环境地图,这是一种混合的地图结构,为什么说混合?底下的地图是格栅式的,顶层的是拓扑地图,为什么要用拓扑地图?因为如果只采用栅格地图,计算量会越来越大,如果我们用拓扑地图把它分成区域的话,在某些区域导航只需单独应用这些区域的栅格地图,这样可以降低计算的复杂性。另外基于已知的地图就可以实现在这些地图上的定位,位置正确性是一切工作的基础,要知道自己当前的位置,然后才能进行导航控制。下面这个图就给出了我们整个定位和导航系统的一个闭环的方框图,可以看到我们通过各种传感器采集环境信息,包括里程器,包括雷达,基于这个实现定位,基于当前的定位结果进行运动规划。当然这里注意我们加入了Local Map,就是局部的环境跟我们原来建立地图的环境不同的时候我们可以进行改变。后面就是控制的问题,怎么跟踪这个轨迹,驱动这个移动系统按照规划精确的实现这个轨迹,有这么一个闭环的过程。


这个是一个智能轮椅的例子,这个用户可以通过语音输入目的地的位置,比如说我要去右上角那个房间里,这个绿的点就是当前激光雷达扫描出来的数据,可以看到它是跟已经建立的地图进行匹配定位的,问题是在于如果出现一些临时障碍物,它可以做快速的在线的重规划,绕开这个障碍物。我们也可以看到在这个工作场景它可以呈现精确的过门等等这些动作,包括这也是个临时的障碍物,可以从新规划路径来绕开它,实现安全和高效的导航。


我们把上述这些核心的技术应用到各个场景,但是不同的场景有些新的不同的问题。第一个场景就是仓储的搬运机器人,就是把传统的叉车改造成无人叉车。我们国家仓储领域非常大的市场,大家可能比较了解的是亚马逊的仓储机器人,他是把货架整个抬起来运送,于此不同,无人叉车是可以搬运不同重量的托盘。举个例子,这是在仓库的环境下多个叉车在协调作业,我们现在在做更大规模的叉车调度、优化等等,所以这里不止有单叉车的定位导航这些问题,还有多叉车的协调。这个跟传统的叉车或者是AGV不同的是它不采用原来传统大量使用的磁线跟踪方式,现在它可以自己定位导航,不需要任何的地面磁线等等,这样可以更加灵活更加高效,它遇到障碍物可以主动的避开等等。这是另一种工作模式,这个叉车还可以跟运输车相互配合,这个叉车是一个无轨的,用激光雷达进行导航定位,运载车是有轨的,这里两种导航方式进行了结合。这里不同的技术就是两个车之间的精确的对接、控制等等这些问题,而且这是一种所谓异构多机器人的配合。这还有一个例子是更进一步的,刚才说亚马逊是整个把货架抬起来走,最拟人的终极模式就是移动机器人带着手臂自己把货品抓起来送到下一个环节去,这个录像体现的就是说一个移动机器人带着手臂就可以把这个物品抓起来,这个抓当然有很多技术问题,就是怎么识别物体,怎么定位,怎么控制它抓取等等,这里我们就用了视觉技术来识别和抓取,然后包括两个车的精确定位,放置等等这些技术环节。


第二个例子就是变电站巡检机器人,变电站检测是电力系统安全运行的重要的环节。现在大部分还是用人力去开车长途跋涉到变电站现场检测各种仪器设备的情况,但是实际这样很不方便,因为变电站往往地处偏远山区,跑一趟可能路上就一两个小时,但是到现场看了几分钟就得走。其实事故往往出现在巡检员不在的时候,我们的目的就是要实现机器人长期驻留在变电站巡检设备,同时把现场的画面还有数据传到远程的监控室里进行集中的管理。我们与国家电网的吉林电力有限公司还有山东电力研究院合作开发了两类面向变电站巡检的机器人,一类是面向温带地区应用的轮式机器人,另一类是针对寒带地区积雪地面开发的轨道式机器人。


这是轮式巡检机器人,第一当然首先还是建立地图,人推着机器人在变电站走几圈这个地图就建立起来了。变电站地图跟常规地图有些不同就是说你看这个环境非常类似,在这里定位很容易造成混淆的问题,它有大量重复的结构特点,建立地图以后我们就做定位精度的测试,可以让这个机器人从各个位置到达同一个作业点,看它导航的定位精度、控制定位精度怎么样,整个测下来可以达到厘米级的定位精度,足够满足检测的要求。在针对东北的高寒地区冬天雪地的问题,我们了设计单轨的巡检机器人,这个机器人就在轨道上运行。这样的话冬天就不怕地面的积雪,这是整个机器人的结构,有双目的检测系统,一个是红外视觉,一个是可见光视觉,这样把红外检测设备的温度问题反馈到监控室,监控室其实有一套图像处理软件在识别图像特征看到设备是不是有隐患。可以看到单轨可以落到地面的双轨,这样不影响地面交通问题等等一系列的技术。在单轨上其实也有定位的问题,怎么样实现准确的停留在某一个位置,我们为单轨定位开发了类似直线编码器的一种传感器,能够使它精确地停靠在指定的位置,然后能够把相机对准一些特殊的设备和仪表,观测仪表的数据。了实现包括传统模拟仪表的识别、读取、读数、后方数据库存储等技术。这是我们在一次检测中发现了一次事故的隐患,当时人工巡检员刚离开这个现场,并没有检测到这个问题,机器人及时报警,避免了一次重大事故。国家电网吉林分公司还专门报道了这次我们机器人检测事故隐患避免了重大损失的事件。


第三件应用就是助老助残的方面,这里头对移动机器人带来更大的挑战,因为智能轮椅作业的环境就是在日常生活,实际上在有些环境里非常有挑战,比如说我们像在公共场合,在食堂里周围全是人,在这种情况下激光的数据大量被遮挡,怎么在这种情况下实现高精度稳定的定位导航。在地铁站非常宽广嘈杂的环境,怎么样应付这些问题。


我们测试一些传统的定位方法在这里往往非常容易失效,这是我们在上海的一个地铁站做测试,这是非常大的一个地铁站,这里可以看它一个是人流非常密集,还有要求非常高的导航精度,通过这个载道。这么大的人流,从传感器的定位来讲是非常大的噪声。然后还有一个问题就是说它在有些环境下,在比如说这个环境下其实周围的这些特征在它传感器范围之外,它看不到有效的特征。在这个情况下怎么样融合激光雷达的数据和里程计的数据有效的实现信息的互补,这都是在一些特殊的应用下带来很多新的问题。所以我们提出一种新的数据融合的方法能够应付这些变化。还有一个就是包括停车场这种环境,可以看到我们建立地图的时候没有这些车辆,实际在使用的时候这些车辆的停靠包括它们的开走等等使地图产生非常大的变化,传统的粒子滤波定位方法在这里很容易失效,可以看到因为环境地图的变化逐渐的这些粒子就开始发散了。对此我们提出一种定位能力的评价方法,基于这种定位能力可以分析哪个传感器当前更加可信,然后能够有机的融合这两种传感器信息。再进一步把移动辅助跟操作辅助结合起来,我们看到轮椅机械手能够完成更加复杂的综合的陪护任务,就是在日常生活中又能够移动又能够操作。可以看到这个例子是我们模拟的用户用脑机接口发出指令,告诉机器人我现在要出门,出门的话第一个任务就是开门,当然开门这个过程中又涉及到如何识别门把手,如何把门打开等等一系列操作问题。可以看到这个机械臂手上有一个摄像机,能够识别门的把手。开门的过程中又非常复杂,如果不知道门的运动模型的话这里涉及到力控的问题。包括出门以后又是定位和导航的问题,然后走到某一个餐厅,走到餐厅涉及到怎么抓取物品的问题,这些物品也是随机放的,这些轮椅的精度再高也是会有误差的,所以还是要进一步通过立体视觉识别物体的位置,然后控制机械臂把物品抓起来,这是一系列的移动和操作的配合的工作。


最后就是我们跟一个企业合作开发一系列面向商务和教育的机器人系统,这些机器人系统形式上是千差万别的,这是超市机器人,这是教育用上的机器人,这是迎宾的、导购的、送餐的,但是它背后的技术还是我们前面提到的关键技术,就是导航、定位,然后再加上一些人机交互的技术。这个录像就是给了一些场景的DEMO,这是超市里面作业的智能货栏,演示了包括怎么样跟踪人,怎么样完成自动结算。在餐厅里头怎么进行迎宾,当然这里你可以把语音交互,图像人脸识别的技术都集成在这里,它会引导到位,然后包括送餐,包括用过的餐具的回收和送客。在教育方面小熊是模拟一个小老师,跟孩子们进行互动,可以讲授各种知识,同时它身上带着一个投影仪,可以把教学内容投影在墙上等等,另外可以跟家长进行远程的互动,把通讯、人机交互等等技术跟机器人技术结合在一起。


总结一下,我们通过四种应用实例介绍了机器人感知、控制和规划技术,包括物流机器人减少人力、提高效率,巡检机器人保障公共安全,助老助残机器人提高独立生活能力,商务与教育机器人提高生活便利性。我们可以想像未来机器人和人以及机器人之间基于网络更多的协作的场景,这有很多的题目值得我们探究,非常感谢。

    

主持人 陈小平:我先问一个问题,刚才看陈卫东教授做的工作做得非常好,而且是在很多实际场景里面都去有应用,在这个实际场景里其实是有挑战的。我这里一个问题就是刚才那个巡检的,我看到电站巡检在室外其实挑战挺大,其中有一个我看机器人的位置和仪表还是有一定距离,每次要找仪表而且要去读的时候,这个好像是不是对分辨率还有要求,这个问题怎么解决的?

    

陈卫东:因为这个确实是个问题,停靠以后因为我们这个摄像机要距离很远对准仪表盘等等设备,所以这个基础还是定位,像我们因为在轨道上设置了我们自己设计的直线位置传感器,可以实现毫米级的高精度定位。在轮式移动机器人上更加困难,我们可以实现厘米级的定位精度,并采用示教技术预置摄像机的工作姿态,保证检测目标在误差范围内都能出现在视野中。。

    

听众:你们做得很好,很多不同的应用。你们主要的传感是激光雷达,激光雷达有一个难题就是初始化的问题,你们有没有好的办法来解决这个事情?

    

陈卫东:我们实际应用倒没有特别明显。您说的我明白了,就是找初始位置的问题,其实在实际应用中我们机器人都有一个自己的家,例如我们在变电站巡检机器人,它其实工作完了以后就回到充电房,这样的话它一直是维持那个初始位置在那,所以它不会丢失。如果断电了,彻底这个位置没了的话,我们也有做这方面的工作,就是重新启动的话其实要在全局的位置找当前位置,需要机器人进行移动,就像人一样,你醒来以后如果找不到自己当前位置在哪,那你就多走走多看看,也能找到这个位置,所以这个也是可以解决。

    

听众:谢谢陈教授精彩的报告,我这个问题就是你们有没有做过复杂的路况环境下,也就是机器人或者无人车,他驾驶跟野外驾驶路况有关系,就是水泥路或者是泥巴路,甚至表面覆盖了一些水或者一层树叶,这个对机器人的运动影响很大,因为搞得不好可能就搞翻掉了,就是这个路况识别。


陈卫东:你可以看到我们目前的应用都是在比较理想的平面地形,当然您说的路况我理解有两种情况,一种可能虽然是平面但是可能有非常多的一些地面打滑等等一些问题,另一种凹凸不平地形的问题,那就涉及到3DSLAM技术,我现在更多讲的是2D的,你就要更多依赖于3D的技术,其实可以在2D这个技术上进行扩展,我们现在实验室也有同学在研究基于3D激光的定位导航技术,可以通过现有方法对维数再进一步扩展,但是就带来了计算复杂性等等新的问题,是可以的。我的建议就是说可以先找一些可以应用的场合,例如我们可以现在选择一些难度相对低的环境先应用起来再推进技术发展。

    

主持人 陈小平:时间关系我们提问就到这里,我们再次感谢陈卫东教授的精彩演讲。



CAAI原创 丨 作者薛陈卫东

未经授权严禁转载及翻译

如需转载合作请向学会或本人申请

转发请注明转自中国人工智能学会