室內移動機器人人機交互的語義實現*

王恒升，任 晉

1.中南大學 機電工程學院，長沙 410083

2.中南大學 高性能復雜制造國家重點實驗室，長沙 410083

1 引言

對移動機器人進行遠程控制是很多場合的不二選擇。例如月球或火星探測車，用于災害或危險場合的探測、作業或救援機器人等。對機器人進行遠程操作的研究與實踐很早就出現了，例如在美國三厘島核電站發生核事故后，就使用了一臺遠程操作的機器人，操作人員在無核區，通過鉛化玻璃，操作處于有核區的一臺機器進行核事故處理[1]。

文獻[2]提出一種通過自然語言進行遠程人機交互的方案，即操作人員通過自然語言發出指令，機器人在遠程執行指令要求的動作。這種自然的、類似人與人之間的交互方式不（或者很少）需要對操作人員進行專門訓練。用于救災機器人的交互時，方便領域專家直接對機器人發出緊急作業指令；用于服務機器人的交互時，更容易為普通用戶所接受。

正如人與人之間進行語言交流時，人們對交流中所用的語言術語有著基本的共識，這是相互理解的基礎。與機器人進行自然語言交互時，也需要對語義進行定義。目前語義網的研究對概念的語義定義采用本體（Ontology）的方式[3-8]，即定義概念的類結構及相互關系，實現知識的表達與知識的檢索獲取。本文的研究目標是對機器人基于自然語言進行導航控制，要控制的機器人處于建筑物內部。因此導航用語中有大量的建筑物內部的地名詞，例如“走到601房門口”，“在A座4樓電梯口往左拐”等，這里的“601房”、“A座”、“4樓電梯”等均是與某建筑相關聯的地名詞。本文借用本體的方法建立建筑物內部的地名詞的概念體系，在此基礎上建立建筑物的語義地圖。

本文所說的語義地圖，其實質是基于本體的對建筑物內部地名詞的描述，更進一步說，是對建筑物空間知識的一種表達，或者說是關于建筑物內部空間的數據庫。本文采用Prolog語言[9-11]，將地名詞描述為Horn Clause事實，其中包括名字信息、空間坐標信息等。從這些事實庫中可以得到建筑物內部空間的拓撲連接關系（即拓撲地圖）供機器人進行路徑規劃等，也能畫出建筑內部空間簡要的平面圖供操作者參考。這樣定義的地名詞與人對這些名詞的理解是一致的，也就是具有相同的“語義”；同時能夠方便獲得所需要的“地圖”，本文稱為語義地圖。

語義地圖是一種基于語義表達環境地理信息的一種方法，屬于知識表達的范疇，在機器人人工智能領域有廣泛的研究及應用預期。Zender等人[12]首先提出并實現了層級式的空間表達模型，應用于典型的室內辦公環境，在尺度地圖、導航地圖、拓撲地圖的基礎上，通過激光、相機的傳感信息來識別物體，借助自然語言處理，抽取出概念地圖，以基于描述邏輯的本體語言的形式儲存。Crespo等人[13]提出了一種語義關系模型，機器人通過人機對話系統完成室內環境下的高層導航任務，語義概念的相似性適應于不同環境。Tenorth等人[14]提出了一種處理知識的服務框架KnowRob，使用prolog語言，將模糊的任務描述與任務操作所需詳細信息聯系起來；其合作者Beetz等人[15]在此基礎上，開發出一套功能更為完善的知識處理服務平臺Open-EASE，可實時獲取機器人的操作片段，并可以詢問到機器人所觀察和推理的信息，例如完成任務的方式、原因以及相關行為引發的后果。Drouilly等[16]和Landsiedel等[17]對室外更為復雜的語義地圖進行了探索，描述了街道地圖。本文的關注點在于室內環境的語義地圖構建，主要目的是為移動機器人能夠應用于室內環境、與人通過自然語言的方式進行交互。出發點是將建筑物環境信息作為先驗知識和推理的基礎，服務于人機交互；進一步基于傳感器數據對室內空間和物體進行辨識，補充語義地圖的動態信息，不在本文范圍。

本文后面的內容安排如下：第2章以某實際大樓為例，介紹語義地圖的構建；第3章利用“事實-規則-推理”的邏輯編程方法，在語義地圖事實庫的基礎上，實現機器人自定位的邏輯程序設計；第4章通過邏輯編程實現機器人的自定位算法。

2 構建語義地圖

2.1 建筑物簡介

以中南大學機電工程學院大樓為例構建語義地圖。該大樓是一個集辦公、教學和實驗于一體的綜合建筑，以下簡稱CMEE，圖1為其第四層平面圖。CMEE包含4棟建筑，圖1由左到右分別為A、B、C和D棟。這4棟建筑每層均由橋式走廊連通。A棟為辦公區，共有6層。其他3棟為實驗和教學區，共有5層，圖2示出各樓棟樓層的高度（虛線框代表樓棟，粗實線代表樓棟各層的連接通道）。CMEE相對較為復雜，在樓層、建筑群、連接通道、室內功能空間等方面具有多樣性和代表性，涉及語義豐富，對醫院、商場、寫字樓等類型的建筑均可有相似的語義表達，因此具有一定的代表性和可移植性。

2.2 建立本體

首先考慮描述建筑物空間的最小單元（基元），選擇區域和節點兩類最小單元。

Fig.1 Fourth floor of CMEE圖1 CMEE第四層平面示意圖

Fig.2 Diagram of floors height of CMEE圖2 CMEE高度方向示意圖

區域是指由墻壁分割開的空間，包括房間（使用空間）和交通空間[18]。交通空間分為水平交通空間和垂直交通空間。水平交通空間又分為樓道（樓棟內部通道）、橋式通道（連接樓棟與樓棟的通道）和臺階（連接室內局部高差）。垂直交通空間又分為樓梯間和電梯間。

節點指的是區域之間的連接點，例如房間的門就是房間區域與樓道區域的連接點，再如一個十字路口的交叉點也是一個節點（即兩個或多個樓道的連接點，有時存在一個實際的防火門）。將節點定義為一個實體是方便建立區域之間的連接關系。

CMEE的概念本體如圖3所示，從不同的視角進行分類，最終落實到最小的單元實體，即區域和節點。最小的單元實體可按不同的角度歸屬不同的類。例如一個房間a513，根據用途可歸到辦公室類，根據所處的樓層可歸到5樓，根據所在的樓棟可歸到A棟。

Fig.3 Ontology of CMEE圖3 CMEE的概念本體

對最小單元實體按照日常用語習慣進行命名。例如房間編號“a601”，可以清楚看出該房間是位于A座6樓的01號房間。模仿房間命名格式，可以對具體的每一個樓道和臺階個體進行編號，如“a6c1”代表A座6樓，后面的字母c代表其區域類型為樓道（corridor），最后的數字1是該樓道的具體編號；對節點的命名也一樣，如“a601d1”，代表a601房間的第一個門口（其中d代表門）；再如“a6p02”，代表a座6樓的第二個交叉路口（其中p表示樓道連接的虛擬節點）。需要注意的是，建筑物內還存在若干區域無法用上述規則準確命名，如橋式走廊和樓梯間等，分別連接著相鄰的樓棟與樓層。類似前文用單個字母的表達形式無法充分表明其真實的連接關系，因此引入雙字符以準確命名。如區域“p4cd6”，其中，第一位字母p代表區域類型為橋式走廊（passage），第二位數字4代表位于4層，第三、四位代表連接C棟和D棟，第五位數字是該區域的具體編號。類似地，“s45a1”代表位于A棟、連接4層和5層的1號樓梯間（stairwell）區域；“e5a1”代表位于A棟5層的1號電梯（elevator）。其中，當樓梯間（或電梯）與各層區域連接的節點位于橋式走廊上，即處于樓棟與樓棟之間時，借助不同編號定義的橋式走廊，如圖1所示的①～⑥，采用單個字母p（區別于a、b、c、d），配合對應橋式走廊的唯一編號準確定義。

2.3 語義地圖描述

選用Prolog語言[9-11]進行語義地圖的描述。Prolog是一種基于一階謂詞邏輯的描述型邏輯編程語言,是最早出現的邏輯編程語言之一，1972年在法國馬賽由Colmerauer和Philippe Roussel共同開發，最早用于自然語言處理；迄今Prolog仍是應用最廣的邏輯編程語言，有免費的和商用的多個版本，廣泛應用于機器證明、專家系統等需要知識表達與邏輯推理的場合。隨著新技術和新思想的出現，在Prolog的基礎上擴充了許多功能，如約束邏輯編程（constrained logic programming，CLP）、面向對象邏輯編程（objectoriented logic programming，OOLP）、回答集編程（answer setprogramming，ASP）等，擴展了對語義網支持的Prolog形成了RDF、OWL描述語言。各種版本及擴展的邏輯編程語言，其基本描述方式和語法表達都是基于Prolog的。為閱讀方便，本文的示例均以Prolog的語法給出，并在免費平臺SWI-Prolog上調試通過。

用Prolog對CMEE的每個單元實體進行定義，就構成了語義地圖的事實（facts）數據庫，這樣可以實現定義的完備性并避免重復定義。每一個單元實體事實包含兩項基本內容：名字和坐標。根據Prolog的規范，小寫字母開頭的表示常量，描述事實的語句中所有量均為常量；大寫字母開頭的表示變量，在實現推理的謂詞設計中，所有量均為需要綁定的變量。本文涉及Prolog程序的敘述均沿用這個慣例。本文的所有程序均在SWI-Prolog中調試通過。

例如一個區域實體a603的定義為：

area(a603,[coor(122660,110342,19600),coor(121859,112391,19600),coor(126610,114247,19600),coor(127920,110893,19600),coor(123169,109038,19600),coor(123024,109411,19600)])

其中第一項為區域的名稱，后面的一個列表就是該區域的多邊形頂點坐標序列。

再如節點實體a603d1的定義為：node(a603d1,coor(122842,109876,19600))。

其中定義式中的coor(122842,109876,19600)表示一個點的三維坐標，Prolog可以很方便實現這種自定義數據類型。

3 語義地圖應用

有了基本的語義地圖數據庫，可以在Prolog的框架下設計各種謂詞，實現不同的推理需求。

3.1 生成拓撲地圖

拓撲地圖從高一層次上反映了區域之間的連接關系，是實現最短路徑規劃的基礎。生成拓撲地圖的基礎是建立區域和節點之間的連接關系。通過下面的謂詞connect/4進行推理，可找到直接相連接的兩個區域Area1和Area2。

謂詞中的參數Node是連通兩個區域的節點，Dis為兩個區域之間的距離。這個推理描述的邏輯為：“如果節點Node既在區域Area1內，又在區域Area2內，且Area1和Area2不同，那么這兩個區域通過該節點直接相連”。Prolog是一種描述性語言，其謂詞設計的基本思想是按約束滿足問題(constraint satisfaction problem，CSP)的思路將問題描述出來。例如上面的謂詞connect(Area1,Area2,Node,Dis)就是尋找同時滿足in_area(Node,Area1)（即Node在區域Area1中）、in_area(Node,Area2)（即Node在區域Area2中）和not(Area1==Area2)（即這兩個區域不同）3個條件的變量Area1、Area2和Node；最后一個條件area_distance()不需要搜索，只是完成一個計算過程，即計算通過節點Node相連的兩個區域Area1和Area2之間的距離。問題的求解是由Prolog來完成的。設計者的主要任務只是描述問題而不是像其他程序設計語言那樣給出具體的求解過程。

有了上面的謂詞后，可借助謂詞save_fact/0,由CMEE的基本事實庫生成一個擴展事實庫directly_link.pl。

事實庫directly_link.pl描述了CMEE的所有區域之間的直接相連的關系，實際上就是生成一個拓撲地圖數據庫。

3.2 擴充的概念語義

有了這些定義的基本單元實體后，可以通過基本規則來定義擴充的概念語義，如樓棟（building）、樓層（floor）等。這些語義是日常口語中常用到的。下面給出通過區域名稱和當前位置坐標來判別樓棟和樓層的推理過程。

3.2.1 根據區域名稱推理

若機器人觀察到區域門牌號，或是從人機交互中獲得空間區域的名稱信息，則可以根據這些地名詞和地名詞的命名規則，推理出相應的樓層樓棟信息。

一個名為Name的實體屬于“某棟”（Building）的基本規則可寫為：

第一個字母

一個名為Name的實體屬于“某層”(Floor)的基本規則可寫為：

中的第二個字母

3.2.2 根據當前坐標推理

機器人也可根據自身實時位置坐標，推理出相應的樓層樓棟信息。下面的謂詞building_by_coor/2實現這一功能。

這里還用到了樓棟定義的事實，如A棟區域進行定義如下：

building(a).%區域a是樓棟

area(a,[coor(125300,117600,_),oor(97900,117600,_),coor(97900,45798,_),coor(107365,47528,_),coor(131465,53167,_),coor(148876,57241,_),coor(140363,79037,_),coor(141760,79583,_),coor(135211,96349,_),coor(133814,95804,_)]).%A棟的區域坐標信息

判斷位置點與多邊形關系的謂詞point_ploygon/3是這里的核心，關于這個謂詞的實現在后面第4章有詳述。

通過下面的謂詞floor_by_coor/2可以根據坐標推理出所在的樓層。

該謂詞可判斷當前位置處于A棟的各個樓層，其數據與圖2中樓層高度是統一的。其他樓棟的樓層謂詞也類似，這里省略以免冗長。

3.3 搜索最短路徑

路徑規劃是移動機器人完成室內導航的基本任務之一。下面的謂詞path/8可找出區域Area1到區域Area2的可行路徑序列。

not(member(Area3,Pathlist1)),%保證新找到的區域不在已經過的區域序列中Dis3 isDis1+Dis2,

要找到連接起點Area1到終點Area2的一條路徑，就先找到一個與起點Area1直接相連的區域Area3；將原始路徑問題改為找到“起點是Area3，終點是Area2”的路徑序列，如此用遞歸的方法最終可以解決原始問題。遞歸求解必須給出終止條件，如下。

當path/8中的兩個區域直接相連，不再需要找到一個中間區域時，遞歸結束，得到滿足條件的路徑序列。

path/8中還用到其他約束條件，如not(member(Area3,Pathlist1))表示“中間區域Area3不在已經過的區域序列Pathlist1中”，確保“不走回頭路”。該謂詞同時還列出經過的節點序列和路徑的路程長度。

謂詞find_route/5從所有路徑中找出路程長度最小的路徑序列，由約束條件min(Dislist,Dis)來描述。若未找到答案，則返回空序列。

3.4 舉例

為了方便說明，截取圖1中CMEE第四層的局部區域，如圖4所示。用2.3節的方法建立語義地圖，用3.1節的方法生成形如“connect(c410,c4c3,c405d2,7276).”(表示房間c410和樓道c4c3通過節點c405d2相連，距離權值為7276 mm)的拓撲連接數據庫（即拓撲地圖）。為方便表達，將拓撲關系畫在圖5中。

Fig.4 Partial area of the fourth floor of CMEE圖4 CMEE的第四層局部區域

Fig.5 Topological graph of Fig.4圖5 圖4所示區域的拓撲關系

在與機器人進行交互時，如需要從樓道c4c3到目的地c410，進行路徑規劃，可以發出詢問“find_route(b4c2,c410,Pathlist,Nodelist,Dis).”。 由 3.3 節 的謂詞find_route/5可以得到從樓道b4c2到房間c410的最短路徑：區域序列為Pathlist=[b4c2,p4bc1,c4c3,c410],途徑節點序列為Nodelist=[b4p01,c4p01,c405d2],總的距離和為Dis=66408 mm。最短路徑在圖5中用粗實線表示，可以看出，該最短路徑是正確的。

4 點與多邊形的位置關系

3.2 節中使用了一個謂詞point_ploygon/3，用來判斷點與多邊形的位置關系。這個謂詞在機器人的自定位中很有用。本章詳細說明這一謂詞的實現。

4.1 解決思路

點和多邊形的位置關系是計算機圖形學領域的基本問題[19-21]。常用的3種判斷方法是：夾角和檢驗法、叉積判斷法和射線法。其中，夾角和檢驗法需要進行大量復雜三角運算；叉積判斷法只能判斷凸多邊形，不具備普適性，改進后計算量也不容忽視；射線法是從待判斷點引一條射線，通過其與多邊形交點數的奇偶性進行判斷，是最常用的一種方法。

文獻[22]基于射線法的基本原理，提出一種建立多邊形頂點坐標數據庫，然后利用數據庫的SQL語言進行搜索。設計合適的搜索條件，可以得到點與多邊形位置的判斷結果。方法簡便，運算效率高。本節的方法受這一思路的啟發，將多邊形表示為Prolog數據事實，然后利用Prolog的搜索及推理機制，實現點與多邊形位置關系的判斷。在具體實現上本節將待判斷的點當作坐標原點，計算待判斷多邊形頂點的相對坐標；將點與多邊形的位置關系轉化為直角坐標系的正橫軸與一系列邊線段的相交關系。算法處理邏輯清晰，算法應用適合任何形式的多邊形。

4.2 算法描述

將多邊形平移到待判斷點為原點的坐標系內，考慮任意邊與正x軸的相交關系，遍歷所有邊，計算總的相交次數，可以得到點與多邊形的關系：若交點總數為奇數，則被測點在多邊形內；偶數，則在多邊形外；在多邊形上的情況需單獨判斷。如圖6給出了所有可能的點與線段的相對關系。

Fig.6 Positional relationship between point and lines圖6 點與線段的位置關系

（1）圖（a）表示線段在任一單獨的象限內，與正x軸無交點。圖（b）表示線段跨越1-2、2-3、3-4象限，無交點。圖（c）表示線段跨越1-4象限，有交點。這3種情況比較容易判斷，圖中的ΔQ為線段端點所處象限的差的絕對值，根據這個值就可以對應這3種情況，進而確定交點情況。有一種特殊情況如圖（d），將正y軸歸于第一象限，負y軸歸于第四象限，此時ΔQ=3與圖（c）一樣，但此時被測點處于線段上；為了區分這兩種情況，增加“兩端點橫坐標均為0”的條件。

（2）圖（e）和圖（f）為 ΔQ=2的情況，即線段兩端點位于相對象限。此時可能有一個交點，或者無交點，或者在線段上。具體情況可依據線段與x軸的交點來區分，交點坐標為：

x>0時，線段與x正半軸有一個交點；x<0時，線段與x正半軸無交點；x=0時，被測點處于線段上。

（3）圖（g）到圖（i）涉及到被測線段有端點在x軸的情況。為了處理這種情況，特別將x軸負半軸上的點集定義為第八象限，將x軸正半軸上的點集定義為第十六象限。若ΔQ=8，則兩端點分別位于x軸的正負半軸，如圖（g）所示，點在線段上；若ΔQ=4,5,6,7，則一端點位于x軸負半軸上，如圖（i）所示，線段與x正半軸無交點；若ΔQ=12,13,14,15，則一端點位于x軸正半軸上，如圖（h）所示，線段與x正半軸有交點。參照文獻[16]中給出的方法，根據走向給各交點賦不同的權值，比較兩端點的縱坐標：

若y2>y1，走向向上，交點個數取值+0.5；

若y2

若y2=y1，走向水平，交點個數取值0。

表1總結了圖6的所有情況，分為4類，其中0類和1類正好對應“0個交點”和“1個交點”的情況。其中符號0(1)表示類型0的第一種情況，2(3)表示類型2的第三種情況，以此類推。

Table 1 Classification of positional relationship between point and lines表1 點與線段位置關系分類情況

根據以上分析，判斷待測點與多邊形位置關系的算法描述如下：

（1）將待測點設為原點，對多邊形各頂點相對待判斷點進行坐標平移變換。

（2）若存在一多邊形頂點與原點重合，則待測點位于多邊形上，跳至（9）。

（3）檢測多邊形一邊線段與原點的關系，給出關系類型（如表1）。

（4）若其類型為2，則待測點位于多邊形上，跳至（9）。

（5）若其類型為0、1、3，則原點與線段的交點數分別為0、1、0.5（或-0.5）。

（6）檢查是否遍歷完所有邊。若無，則跳至（3）檢測下一條邊；若已遍歷完成，則繼續下一步。

（7）將點與遍歷過的各邊線段的交點數目求和。

（8）檢測結果：若交點和為奇數，則點在多邊形內；若為偶數，點在多邊形外。

（9）結束。

4.3 算法的Prolog實現

以上算法可以用任何編程語言來實現，下面給出Prolog的程序實現，該程序充分利用Prolog的特點，結構清晰，運行效率高。設計謂詞point_polygon/3，如下：

point_polygon(Coor,Area,InOrOut):-%Coor為待測點,Area為多邊形區域,InOrOut標志判斷結果

area(Area,[Head1|Tail]), %匹配出多邊形區域對應的頂點坐標序列

append([Head1|Tail],[Head1],List),%將坐標序列首項添加至序列尾部

coor_transform(Coor,List,NewList),%以待測點為原點,對坐標序列進行坐標變換

(member(coor(0,0,_),NewList),%判定點是否為多邊形頂點

InOrOut=-1;%若是,給InOrOut賦值-1

intersection_number(NewList,0,N), %逐項判斷原點與各新線段的位置關系及交點數,累加得出交點總數

round_mod(N,InOrOut)).%取整后判斷交點數的奇偶性,輸出InOrOut

上述算法預先將判斷點和多變形頂點重合的情況剝離；原坐標點序列相對于待測點進行相對坐標轉換后，得到新的坐標點序列和原點的相對位置關系，將線段端點的象限差作為分類依據進行判別。

4.4 實例驗證

為便于對比驗證，采用文獻[22]中的范例，并稍加改動，將全部可能產生特殊交點的情況考慮進去，以test命名測試區域，該區域事實為：

area(test,[coor(240,22,_),coor(222,100,_),coor(347,31,_),coor(366,170,_),coor(302,226,_),coor(383,226,_),coor(337,352,_),coor(289,289,_),coor(185,289,_),coor(96,325,_),coor(182,170,_),coor(146,170,_),coor(80,200,_)])

其中，謂詞area的第二個參數即為區域test的有序坐標點序列，其二維平面圖像如圖7所示。坐標點序列亦可參照表2。

Fig.7 Example of polygon area圖7 多邊形實例

Table 2 Vertex coordinates of polygon in Fig.7表2 圖7的多邊形端點坐標

取10個有代表性的點進行驗證（圖7中用圓圈包圍的數字），其中點①～⑤為文獻[22]中的范例點，方便對比驗證，⑥～⑩為隨機抽取的任意點。待測點①～⑩的二維坐標分別為(216，64),(113,100),(200,170),(231,226),(158,289),(337,352),(103,260),(164.8,201),(247,135),(190,43)。程序運行結果：點①、③～⑤、⑨在多邊形內部，點②、⑦、⑩在多外形外部，點⑥、⑧在多邊形邊上，符合實際情況。

針對前面第3章建立的語義地圖，對移動機器人的定位算法和程序進行了真機實驗。CMEE的語義地圖數據庫由各樓棟和樓層中的所有區域事實和節點事實構成，形如2.3節所述。全部的區域事實共665條，節點事實共924條。

在獲取機器人實時的三維坐標后，借助3.2.2節所述謂詞building_by_coor/2可推理出其所在樓層，機器人的自定位問題便由三維轉化為二維平面問題。

例如，區域a420的事實為：

area(a420,[coor(135475,45840,12800),coor(135621,46212,12800),coor(130870,48068,12800),coor(129560,44714,12800),coor(134311,42859,12800),coor(135111,44908,12800)]).

選取機器人所處3個位置：（1）節點a420d1（a420的1號門）；（2）a421d1（a421的1號門）；（3）a420內部任意一點node420n1。這3個位置的坐標：

node(a420d1,coor(135293,45374,12800))

node(a421d1,coor(136603,48727,12800))

node(node420n1,coor(132794,45259,12800))

算法point_polygon/3的運算結果與實際相符，即點a420d1、a421d1和node420n1與區域的位置關系分別為在多邊形邊上（InOrOut=-1）、在多邊形外（InOr-Out=0）和在多邊形內（InOrOut=1）。

4.5 層次漸進的自定位算法

機器人在建筑物內自定位時，需要判斷機器人所在點的區域位置。依據前述建立的語義地圖及擴展的語義數據庫，引入層次漸進的搜索思路，先判斷所在樓棟，再判斷所在樓層，大大縮小了搜索范圍。下面的謂詞self_localization/2實現這一功能。

self_localization(Coor,Area):-%由坐標信息得到所在區域

building_by_coor(Coor,Building),%找到所在樓棟

floor_by_coor(Coor,Floor),%找到所在樓層

building_by_name(Area,Building),%匹配特定樓棟的區域

floor_by_name(Area,Floor),%匹配特定樓層區域

point_polygon(Coor,Area,1).%匹配所在的區域

5 結論

移動機器人的智能在很大程度上取決于機器人對人類環境的理解，實現這一點的基礎是機器人能夠理解人類對其所處環境的名詞概念，其實質就是建立有關環境的知識庫。本文的工作以人用自然語言的方式，以對處于室內的遠程機器人的導航控制為背景，要求機器人能夠理解自然語言指令中的術語。以中南大學機電工程學院大樓為例，基于本體論建立了其室內地名詞概念本體，用Prolog邏輯編程語言將該概念本體表述為其室內環境的知識庫事實。Prolog邏輯推理功能的實現就是設計邏輯謂詞，邏輯謂詞的設計過程就是將其表述為約束滿足問題（CSP）的過程。本文設計的Prolog謂詞成功地用于建立語義地圖、機器人自定位、路徑規劃等機器人導航所需的基本任務。所有的程序均在SWI-Prolog環境下調試通過，程序運行結果符合預期。這里給出的是研究救災機器人人機交互的一部分，其他相關的工作包括自然語言理解、自然語言對話系統、機器人人機交互軟件平臺等，各方面的研究還在繼續。本文作為機器人基于本體概念體系的邏輯推理實例，如自定位，是基于邏輯實現的，即在假設傳感數據準確的條件下實現的，未涉及基于實體機器人的傳感數據采集等內容。在機器人真機的現場實驗方面，文中的程序及算法均運行正常，但由于機器人的里程計等傳感數據及其處理在實際應用中還存在不少問題，作為機器人系統的整體導航效果還不夠理想，這也是學術界正在研究的一個熱點問題。