一種面向目標的環境模型及其構建方法

吳云良　李鵬飛　毛秉智

環境地圖是機器人環境認知并提供服務的基礎。以服務機器人為實際應用背景，綜合應用多傳感器數據，將環境中的具體目標信息映射到利用SLAM技術創建的地圖中，生成面向目標的環境模型。本文詳細介紹了該環境模型的表示、構建和更新方法，并通過實驗證明該模型可有效地提高機器人的環境理解能力和工作效率。

The environment map is the basis for robot understanding surround and providing services. Take service robots for example， multi-sensor data are integrated and specific objects are rejected into the environment map called as object-oriented map using SLAM technology， the paper describes the representation， construction and update methods of the environment model. The experiments show that with the model， robot can effectively improve environment- understanding ability and working efficiency.

作為機器人的重要分支，服務機器人工作于家庭、醫院、辦公室等環境中，代替人完成一定的服務性作業或對身體不便者提供幫助。這樣的服務機器人往往工作于結構化的室內環境，對環境的理解比較容易。對于這種結構化或半結構化的環境描述方法研究較為廣泛，文[1]給出了基于幾何特征的同時機器人定位與環境建圖（simultaneous localization and mapping， SLAM）算法，文[2]給出了一種基于幾何特征的室內服務機器人環境地圖表示方法，此外，一些表象地圖，如Bag-of-words[3]、FAB-Map[4]和Appearance-Map[5]被構建出來，其實質仍然是基于視覺特征的地圖描述；文[6]設計了Gamma-SLAM算法用于構建環境的柵格地圖；文[7]提出了一種適于機器人在大規模室內環境下自主導航的拓撲地圖；綜合考慮幾何和拓撲兩種表示方法的優缺點，研究者們創建了幾何-拓撲混合環境地圖[8-10]。然而，上述地圖模型都是面向機器人路徑規劃的，僅僅約束了機器人的可活動空間，而沒有融入操作物品和服務對象等必要信息，這種地圖難以滿足機器人家庭服務任務的需要。文[11]和[12]提出了用于實現環境分類和識別的語義地圖表示方法；文[13]提出了針對機器人環境及其中物品認知的概念表達；文[14]提出了一種基于機器人服務任務導向的環境地圖；文[15]針對服務機器人任務需要設計了融合物品信息的環境地圖構建方法。近年來，移動機器人同時定位與地圖創建方法（SLAM）越來越受到人們的重視，當環境是動態或者未知情況時，SLAM可以很好地解決移動機器人的定位與導航要求。然而在服務機器人實際研發與應用中，仍然面臨如下幾個問題：

（1）環境建模。服務機器人工作在復雜的環境中，只對環境進行二維建模不能滿足任務的需要，提取環境的三維特征是提高服務機器人環境理解和智能程度的重要途徑。

（2）工作效率問題。由于服務機器人需要完成如取藥等緊急任務，在接收到指令后能否得到目標在環境中的位置并及時找到目標，是衡量服務機器人工作效率的重要指標。

本文針對上述兩個問題，設計了一種面向目標的環境模型表示方法，在進行同時定位與地圖創建的同時，加入并行的視覺處理，提取三維環境和目標的信息，并將視覺提供的目標信息映射到環境地圖中，從而提高了服務機器人的環境理解能力和工作效率。

一、新型的面向目標環境建模方法

1.1設計思想

如何充分地理解所處環境并確定自身和目標在環境中的位置，是服務機器人提供各種服務的前提和基礎。一般的距離傳感器所獲取的知識都是對特定水平面的二維描述，難以描述環境中的立體物體，而且只通過距離傳感器提供的信息無法辨認出環境中的物體具體是什么，而視覺傳感器提供的環境信息則相對更加豐富，特別是通過圖像處理算法得到的小物品如手機等是對特定平面環境特征的必要補充。通過視覺辨識并確定目標物體在環境中的具體位置，使得機器人對環境中具體目標及其相互位置關系更加明了，減少了機器人執行任務時目標搜索的環節，提高了機器人的工作效率。基于上述思想，為服務機器人設計了面向目標的環境模型。本文所說的目標指的是環境中服務機器人執行任務時的操作對象。

1.2面向目標的環境模型表示

面向目標的環境模型由目標特征庫、地圖信息庫和目標映射表來表示，具體描述如下：

1.2.1目標特征庫

目標特征庫中保存了服務機器人的主要操作目標的特征模板，這些特征主要是為服務機器人進行目標發現時提供依據，由于服務機器人主要依靠視覺傳感器發現目標，所以目標特征庫中存放的是目標的圖像特征主要包括目標的顏色特征、紋理特征、形狀特征等。按照集合論的觀點，目標實際上可以看作由眾多的特征詞條構成的多維信息空間。

向量空間模型（VSM）是應用較多且效果較好的特征表示方法之一，借助于向量空間模型，目標特征庫可被看作是由一組正交詞條向量所組成的向量空間，每個目標表示其中的一個范化特征向量集。假設目標特征庫為由m個目標特征向量集構成的向量空間S：

（1）

其中 表示第i個目標的特征向量集合。假設 由 個特征向量子集構成，即：

（2）

其中 表示第i個目標的第j個特征向量子集。由（1）（2）可表示出所有目標的特征。

目標特征庫由機器人離線創建，并可以通過自學習不斷進行更新，對目標特征庫的更新主要包括增加、刪除和修改目標特征向量集。

1.2.2地圖信息庫

地圖信息庫保存由服務機器人同時地位與地圖創建（SLAM）所生成的環境地圖，是機器人對其所在工作環境的抽象表述方式。目前研究的地圖表示方法主要有：柵格表示法、特征表示法和拓撲表示法。基于柵格的地圖表示方法將地圖劃分成一些大小相等的柵格，便于表示環境中的障礙物，有益于機器人的自主導航，但是隨著柵格的增多需要大量的存儲空間和計算時間。基于特征的表示方法利用稀疏的幾何特征來描述環境，表示更為緊湊。拓撲圖法采用一些關鍵的節點以及它們之間的相互關系來描述環境，但是環境中的特征很相似時，拓撲圖表示法很難將它們區分開，而且定位精度較低。

服務機器人往往工作在結構化的室內環境，基于線段的幾何環境特征能對結構化室內環境進行有效的描述，因此可采用特征表示法來構建地圖信息庫。

1.2.3目標映射表

目標映射表主要存放機器人操作目標與環境地圖的映射關系表。在機器人進行同時定位與地圖創建的同時，利用視覺對環境中物體進行特征提取，并根據事先創建的目標特征庫對視覺提取的特征進行匹配，從而發現目標，實現環境中的目標定位，并將目標信息與地圖信息進行特征映射，從而在機器人內部構造操作目標與環境地圖的映射關系，便于機器人快速直接的從環境中定位操作目標。

1.3面向目標環境模型的構建

面向目標模型的構建依賴于多傳感器的并行工作，使用距離傳感器和位置傳感器來進行傳統的機器人同時定位與地圖創建工作，實時地生成環境地圖信息庫，與此同時，并行工作的視覺傳感器進行實時的圖像信息處理，提取出環境中物體的特征信息，與機器人離線創建的物體特征庫進行特征匹配，一旦匹配到特征庫中的物體特征，則機器人認為發現了該物體，并將此物體的相關信息與其所在的地圖信息進行關聯影射，從而生成物體在地圖中的位置關系表，即目標映射表。圖1為面向目標的環境模型的構建流程圖。

二、面向目標環境建模的關鍵技術

技術層面上，與傳統的環境建模方法相比，面向目標環境建模的關鍵技術主要包括同時定位與地圖創建、特征提取與匹配、目標映射表與地圖信息庫的映射以及環境模型的維護與更新等。

2.1同時定位與地圖創建（SLAM）

同時定位與地圖創建問題可以描述為：移動機器人在未知環境中運動時逐步構建周圍環境的地圖，同時運用此地圖對機器人位置和姿態進行估計。研究SLAM問題是為了解決當前在缺乏精確全局定位傳感器的情況下，依賴于機載傳感器（如里程計、聲納、激光及超聲等）來對機器人定位的問題。

2.2攝像機圖像特征提取與匹配

把視覺傳感器提供的原始數據從高維空間經過某種映射或變換，用低維空間來表示其特征，這個低維空間的數據集合便稱為特征向量，獲取特征向量的過程稱作視覺特征提取。當機器人執行任務時，通過將特征庫中的目標特征與實時提取的圖像特征進行特征匹配，若匹配成功，則機器人認為目標定位成功。

圖像特征提取方式很多，可以只通過當前圖像提取，也可以通過最近采集的幾針圖像提取。無論哪種方式，都需要從龐雜的原始數據集合中抽取出觀測對象的特征信息，常用的特征提取方法有：距離度量法、概率度量法、散度準則法和最小熵特征提取法。

圖像特征匹配是將目標特征向量與從實際圖像提取的特征向量進行比較，當滿足一定的近似關系時，則認為匹配成功。但實際中由于特征匹配的結果受許多因素影響，比如物體遮擋、光照變化和噪聲干擾等，尤其是一個圖像的每個特征在另一個圖像中不一定都有對應的匹配，因此找一個健壯的特征匹配算法是很重要的，下式為一種描述特征庫中第i個目標特征向量與實際圖像特征向量相似程度的多尺度特征匹配相似度函數：

（3）

其中， 為式（2）中第i個目標的第j個特征向量子集； 表示提取圖像特征的第j個特征向量子集； 為第i個目標的特征向量所含特征子集的數目。 為第j個特征向量子集在整個特征集中的權重系數。需要注意的是：由于各個目標本身的屬性不同，其在特征庫中保存的特征向量子集的數目 和權重系數 也可能不同。

2.3目標映射表與地圖信息庫的映射

目標映射表與地圖信息庫的映射是創建面向目標環境模型的關鍵，成功的關聯映射涉及到正確的觀測與相應的狀態變量匹配、探測和排除虛假觀測以及時空對準等問題。本文采用拓撲樹結構來描述機器人工作環境中目標和目標、目標和環境之間的位置關系。拓撲樹結構由節點和連接構成，節點表示環境中的目標，連接表示目標之間的位置關系。一個家庭環境中水杯、手機、桌子和房間地圖的位置關系的拓撲樹表示如圖2所示。

2.4面向目標環境模型的維護與更新

面向目標環境模型主要由目標特征庫、地圖信息庫和目標映射表三部分構成，對環境模型的維護與更新也主要針對這三部分進行。目標特征庫的更新與維護主要是服務機器人通過訓練和學習，不斷修改自身的知識庫，屬于機器學習的范疇，已有較成熟的理論和算法支持。而在已有地圖信息庫中對已知環境地圖的機器人定位和對先驗地圖的修改也已有很多成功的應用實例，下面主要說明目標映射表的更新與維護。

面向目標環境建模方法更加注重所建立的環境模型的實用性，在面向目標環境模型下，服務機器人可快速的完成指定任務，但是由于實際環境是動態變化的，如前所述，目標映射表主要存儲操作目標與環境地圖之間的位置映射關系，對其進行及時地維護與更新是保證服務機器人對環境進行準確理解的必要環節。對目標映射表的更新與維護主要是更新一些映射關聯，當機器人發現環境中的目標位置發生改變時，取消原有目標與環境地圖的關聯，并將該目標連接到新的環境地圖中。

三、實驗

實際應用中，服務機器人由中央控制單元控制里程計、激光測距儀和云臺攝像機三種傳感器并行工作，構建面向目標環境模型。通過里程計計算機器人的位置坐標，結合激光傳感器獲取的水平方向環境信息，進行同時定位與地圖創建。與此同時，云臺攝像機并行地辨識環境中的目標物體，并將目標信息映射到創建的地圖中。當環境地圖創建完成時，環境中的目標物體在的地圖中的位置信息庫也就構建完成。

面向目標環境模型建好之后，在服務機器人內部形成完整的環境及目標物體信息表示。當機器人收到取物等命令時，只需從目標映射表中找到該物體在環境中的位置，然后直接駛向目標位置，克服了機器人在環境中四處搜索目標的時間長、效率低的缺點。

實驗結果表明：

（1）通過構建面向目標的環境模型，服務機器人對環境空間的理解能力增強了，對目標在環境中的位置關系更加明確。

（2）在進行目標搜索時，通過目標映射表直接定位到環境模型中的相應位置，避免了漫無目的的搜索，大大地縮短了任務執行的時間，提高了效率。

四、結論

本文提出了一種新型的面向目標的環境建模方法，該方法利用多傳感器信息，在同時定位與地圖創建的同時，使用視覺特征提取并與離線設計的目標特征庫進行匹配，獲取環境中的目標信息，通過目標映射表將目標信息與地圖信息關聯起來。極大地提高服務機器人的環境理解能力和工作效率。

下一步的工作：

（1）將多傳感器提供的數據進行更深入的數據融合，補償各自傳感器自身的不足，提高面向目標環境模型的精度。

（2）探索更加有效的目標表示形式，進一步提高環境中目標特征匹配的成功率。

參考文獻

[1]Piotr S. Simultaneous localization and mapping： A feature-based probabilistic approach. International Journal of Applied Mathematics and Computer Science， 2009， 19（4）：575-588.

[2]Rodriguez L D， Matia F， Galan R. Building geometric feature based maps for indoor service robots[J]. Robotics and Autonomous Systems， 2006， 54（7）：546- 558.

[3]Tom B， Steven M， Richard G. Bag-of-words-driven， single-camera simultaneous localization and mapping. Journal of Field Robotics， 2011， 28（2）：204-226.

[4]Mark C， Paul N. FAB-MAP： Probabilistic localization and mapping in the space of appearance. International Journal of Robotics Research. 2008， 27（6）：647-665.

[5]Paul E R， Stergios R， Maria G， et al. Appearance-based mapping using minimalistic sensor models. Autonomous Robots， 2008， 24（3）：229-246.

[6]Tim K M， Andrew H， Max B， et al. Gamma-SLAM： Visual SLAM in unstructured environments using variance grid maps. Journal of Field Robotics， 2009， 26（1）：26-51.

[7]石朝俠， 洪炳镕， 周彤， 等. 大規模環境下的拓撲地圖創建與導航[J]，機器人，2007，29（5）：433-438.

[8]Tomatis N， Nourbakhsh I， Siegwart R. Hybrid simultaneous localization and map building： A natural integration of topological and metric[J]. Robotics and Autonomous System， 2003， 44（1）：3-14.

[9]王珂， 王偉， 莊嚴， 等. 基于幾何-拓撲廣域三維地圖和全向視覺的移動機器人自定位[J]. 自動化學報， 2008， 34（11）：1369-1378.

[10]Blanco J L， Gonzalez J， Fernandez-Madrigal J A. Subjective local maps for hybrid metric-topological SLAM. Robotics and Autonomous Systems， 2009， 57（1）： 64-74.

[11]Vasudevan S， Gachter S， Nguyen V， et al. Cognitive maps for mobile robots—an object based approach， Robotics and Autonomous Systems， 2007， 55（5）：359–371.

[12]Vasudevan S， Siegwart R. Bayesian space conceptualization and place classification for semantic maps in mobile robotics. Robotics and Autonomous Systems， 2008， 56（6）： 522-537.

[13]Zender H， Martínez M O， Jensfelt P， et al. Conceptual spatial representations for indoor mobile robots. Robotics and Autonomous Systems， 2008， 56（6）： 493-502.

[14]吳皓， 田國會， 陳西博， 等. 基于機器人服務任務導向的室內未知環境地圖構建. 機器人， 2010， 32（2）：196- 203.

[15]Staffan E， Danica K， Patric J. Object detection and mapping for service robot tasks. Robotica， 2007， 25（2）： 175-187.

（作者單位：1. 瑞和安惠項目管理集團有限公司 ；2. 秦皇島職業技術學院；3. 中信戴卡股份有限公司）