《智能机器人技术：安保、巡逻、处置类警用机器人研究实践》赵杰，李剑，臧希喆编著|(epub+azw3+mobi+pdf)电子书下载

图书名称：《智能机器人技术：安保、巡逻、处置类警用机器人研究实践》

【作　者】赵杰，李剑，臧希喆编著

【页 数】 348

【出版社】 北京：机械工业出版社 , 2021.01

【ISBN号】978-7-111-66873-2

【分 类】智能机器人-研究

【参考文献】 赵杰，李剑，臧希喆编著. 智能机器人技术：安保、巡逻、处置类警用机器人研究实践. 北京：机械工业出版社, 2021.01.

图书封面：

图书目录：

《智能机器人技术：安保、巡逻、处置类警用机器人研究实践》内容提要：

警用机器人及其系统是大数据、云计算、人工智能、物联网等新技术的融合应用，是“云-网-端”架构理念在公安领域落地的装备形态。本书围绕智能机器人关键技术，讲述了警用机器人实战应用技术，如安保机器人关键技术、巡逻机器人关键技术、处置机器人关键技术以及警用机器人指挥控制技术。本书可供从事机器人教学和科研的人员阅读参考。

《智能机器人技术：安保、巡逻、处置类警用机器人研究实践》内容试读

第1章

智能机器人关键技术

1.1机器人环境建模技术

对于智能移动机器人来说，其在完全未知的环境下获得自主能力的基础，是对环境模型进行创建一建立环境地图，并在环境模型的基础上同步实现定位，即同步定位与建图技术(Simultaneous Localization and Mapping,SLAM)。SLAM也是机器人在环境中完成各种智能任务的前提。

L.L.1基于SLAM的环境建模

SLAM作为机器人领域的技术难题，涉及地图表示、不确定性信息处理、数据关联、自

定位、探索规划等一系列高度相关的环节，根据地图描述环境的范围可分为局部地图和全局地图两种。大部分移动机器人采用激光测距传感器或可见光视觉传感器来创建局部地图，用于机器人的局部、自主避障。全局导航的目标点由用户进行人工选择、设置。全局地图的创建将为高自主性的全局自定位和导航提供可能，如基于递增极大似然法的全局混合地图的创建方法、采用用户人工引导方式快速创建大规模环境的拓扑和概率栅格混合地图等。

对于移动机器人来说，其SLAM过程中遇到的最大问题是未知环境所带来的挑战，比如

室内环境的拥挤、动态变化，室外环境的大范围、特征稀疏等。区别于一般的智能汽车，警

用机器人的应用场合包括机场、高铁站、商场以及室外广场等。在SLAM领域，前人已经做

出了大量卓有成效的工作，其中具有代表性的有扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法、扩展信息滤波(Extended Information Filter,EIF)算法以及粒子滤波(Rao-

Blackwellized Particle Filters,RBPF)算法等。这些算法的核心思想是采用递归贝叶斯原理对

系统状态（机器人位姿及环境特征）的后验概率进行估计，将SLAM问题本质等效为后验

概率估计问题，即

P(x1t,ma1t,40-1）

式中，m是环境地图；x,是机器人在时刻t的位姿；，是激光测距传感器的观测；山，是机器人控制量；x1={x1,…,x,}是机器人从起始时刻到时刻t的行驶轨迹；山1={山1，…，山，}是

智能机器人技术安保、巡逻、处置类警用机器人研究实践

从起始时刻到时刻t的机器人控制序列。

在SLAM问题中，一般通过式(1-1)对环境地图m和机器人位姿x进行估计

P(x14,ma14,40t-1）

=P(ma1,x1:t,40t-1)P(x1ta1t,40t-1）

(1-1)

=P(ma1:t,x1)P(x1ta1t,404-1）

由式(1-1)可以看出，地图m主要依赖移动机器人的行驶轨迹以及传感器的观测，只要确定机器人在各时刻的位姿x,就可以从(x,4)的信息组中解算出环境地图m。因此，

SLAM问题就转变为一个轨迹估计问题

P(11,4o-i)=P(o)ΠP(x1,u-1)ΠP(x

(1-2)

地图创健过程并不需要求取地图的完整分布P(m),只需求取地图的极大似然估计m·即可，即不需直接求取P(x1,ma1,0-1）的完整分布，只需求取P(1,ma,40-1)的极大似然估计，则可得到

xi:t=argmaxP（x1t,mz1,ot-1）

x1:

argmax

x1:

(1-3〉

m*={(x*,2）,…,(x1,2)}

(1-4)

在SLAM研究中，为了计算与分析的方便性，假设移动机器人运动学模型及传感器观测

模型的噪声均满足高斯分布，即

x~N(x:①T,)

(1-5)

这样便可得到如下的关系

P(xx-1,4-1）~N(-1①Tg,2-1）

(1-6)

P(马x,)~N(x%田T,2,）

(1-7)》

式中，①是坐标系的变换符号；T,和分别是位姿x:与x间对应的坐标变换关系和协方差。

对T,和Σ，进行分解，便可得出机器人的位姿以及环境地图。

考虑复杂环境下一般场景规模大，且特征稀疏、动态因素较多等特点，为保证机器人在该环境下导航时的定位精度、降低算法的计算复杂度，本章节主要针对二维、三维激光雷达

在移动机器人SLAM中的应用提出了基于分层匹配的增量式SLAM算法，将SLAM问题简化

为数据关联和最小二乘优化两个部分，然后通过以下步骤加以解决：首先，通过分层迭代最

近点(ICP)匹配算法解决数据关联问题，并且对传感器观测与局部地图以及局部地图之间

进行匹配，匹配结果的不确定性采用ishr信息矩阵描述；其次，采用增量式正交三角

(QR)分解对机器人位姿进行优化；最后，将SLAM问题简化为最小二乘问题，并通过增量

优化算法求解，可提高计算效率。提出的建图算法可保证在大规模室内外场景下的建图精度，同时能够满足实时应用的需求

在进行环境建模时，由于二维、三维激光雷达在数据量规模、地图表示、应用场景等方面存在差异，下面将分别进行阐述。

第1章智能机器人关键技水

1.1.2基于二维激光雷达的环境建模

不论在室内环境还是室外环境，当范围较大时，由于观测噪声以及匹配误差的存在，通过传感器观测信息配准得到的环境地图经常会出现不一致的描述。当机器人回到之前已经探

索过的区域时，算法需要进行针对性处理，从而消除不一致性描述。在SLAM过程中，这个

做法也被称为环形闭合(Loop Closure)。环形闭合对于移动机器人的地图创建非常重要。正确的环形闭合能够修正建图过程中产生的累积误差，从而提高地图精度；而错误的环形闭合将会在后续不确定性处理过程中引入累积误差，甚至破坏已建立的环境地图。

移动机器人环境建模需要机器人在定位、导航阶段具有较高的精度（厘米级），这样才能满足用户对巡检、安保等任务执行，以及拥挤环境下安全性导航的要求。针对这些要求，提出基于分层匹配的增量式SLAM(Multilayer Matching based Incremental SLAM,M2 ISLAM)算法（图1-1）。该算法不提取环境特征，而采用基于图优化融合的方法对所有已知信息（传感器观测和机器人运动轨迹等)进行估计，并在图优化融合的方法中采用图论的，思想将环境特征和机器人位姿作为顶点，将传感器观测信息作为边；作为边的观测信息描述了位姿间的空间约束关系，对特征点和位姿点的位置进行优化后，便可满足边所表示的约束关系

传感器

多层匹配

信息

层0：观测：与局部地图1，间的匹配

T,(Kj水0

90

层q局部地图与L间的匹配

T(r-q-n

局部地图与，是否

q++

存在凸包重合？

否

不确定性估计

增量式优化

线性化

增量式QR分解

位姿图

地图创建

机器人位姿

地图

图1-1基于分层匹配的增量式SLAM算法结构图

3

智能机器人技术安保、巡逻、处置类警用机器人研究实践

从图1-1可以看出，在M2 ISLAM算法中，SLAM问题被简化为数据关联和最小二乘图

优化两个部分。

首先对数据关联进行求解。数据关联的求解是该算法的关键部分，决定了算法的精度，因此采用SLAM中常见的迭代最近点(Iterative Closet Point,.ICP)匹配算法。根据观测a,及1-1,估计x,与：1-1间的约束关系T及其协方差，从而确定T。同时，由于将a,与

1-均进行ICP匹配在计算上是不可行的，所以采用分层匹配的方法进行，与局部地图以

及局部地图与局部地图间的匹配，从而在保证匹配精度的同时降低算法复杂度。不同于常见的匹配策略一仅将：，与，-1进行匹配或将：，与所有邻域的观测进行匹配，这种匹配策略既

有效减小了累积误差，也避免了算法在特征稀疏的环境中陷入局部极小。另外，由于CP算

法无法直接处理不确定性，所以Fisher信息矩阵被用来对匹配结果的不确定性进行定量估计，从而得到x,与x1-间最终的协方差Σ。

在得到x,与x1-1间的约束关系T及其协方差Σ之后，再采用增量式QR分解对机器人位姿进行优化，从而得到一致的地图描述及机器人位姿信息。每个模块的算法描述具体如下。

1.1.2.1数据关联

在移动机器人SLAM问题求解过程中，数据关联是至关重要的部分。在将传感器观测信

息与已知地图信息融合建立新的地图描述后，数据关联将成形并不能再被修改。也就是说，数据关联是不能动态调整的，稳定、精确且可靠的数据关联将保证地图描述的一致性与准确性，但是错误、松散的数据关联就将带来较大的误差和不一致的地图描述，甚至会导致地图

创建的失败。因此，SLAM算法中关键的一部分就是解决提高数据关联的稳定性与精度问

题，尤其在遇到Loop Closure问题时，数据关联将显得更为重要。

以几何地图为例，假设机器人通过传感器检测并获得环境中的特征为D={d,…,d,},那么数据关联算法的作用就是建立一个集合

H=i,…j,},使得每一环境特征d:均能与环境地图中的实际路标m:相对应（如果传感器对环境的观测与环境中的特征无关，则：=0)。图1-2所示为一种树状的数据关联结构，它表现的是传感器对环境的观测、环境特征山以及地图中的实际路标m:,之间的关系。

对于图1-2中的任意一层，所有节点均表示环境路标d:可能与实际路标存在数据关联：“*”表示环境中不存在任何实际路标与环境特征d相关联；M={m1,…,mg}为地图实际存

图1-2树状数据关联示意图

在的路标。每个节点均会有P+1个分枝，由此

便可形成(P+1)?种可能的数据关联。而数据关联解算算法就是通过某种搜索算法，从全

部可能的关联中找出需要的关联组合。由于计算量巨大，不可能将所有的观测信息均进行匹配，通常需要进行简化：

1)只考虑时间上相近的观测：由于只考虑了与当前时刻相近的观测信息，将不可避免

第1章智能机器人关键技水

地产生累积误差。因此，当环境范围逐渐增大时，地图描述的不一致性也将增大。

2)只考虑在空间上相近的观测：与上一简化方法相近，也忽略了部分观测信息，但这种方法可减小累积误差，策略更为合理。不过，当环境复杂或特征稀少时，空间上相近的观测信息间的差异度不大，使得匹配算法陷入局部极小。

3)将匹配对离散化，只将观测与地图信息进行匹配：此方法本质上与第二种简化方法类似，空间上不相近的观测对于匹配结果不会产影响，但该方法不需要限定邻域范围，较第

二种方法具有一定的优势。然而，该方法并没有解决地图不一致描述的问题。

针对上述所分析的数据关联问题，采用分层匹配的方法，在观测信息与局部地图、局部

地图与局部地图间分别进行匹配；匹配算法均采用迭代最近点匹配算法。由于IC算法并不

能直接处理信息的不确定性，故采用isher信息量来估计匹配协方差。下文将分别对基于

ICP的迭代最近点匹配、分层匹配方法以及不确定性估计等部分进行详细的描述。

1.1.2.2基于ICP的最近邻域匹配

最近邻域(Nearest Neighbor,NN)匹配方法，是通过将传感器对环境特征的观测与根据历史信息得到的环境特征预测进行比较，判断二者所得到的位置信息是否足够接近（一般由量化指标来表示)，从而判定该特征是否与已知地图路标存在关联。

给定特征参考点集M=m1,…,m,}与观测点集D={d1,…,d。}间的相对坐标变换关系为T=(R,t),其中，R是旋转矩阵，t是平移向量。基于ICP的迭代最近点匹配算法步骤如下：

Step1:通过最近邻域原则建立M与D之间的对应关系如下

mi argmin llm;-(Rd:+t)

(1-8)

m∈S:

S:=m Imj -(Rd:Dinline thread ,mj eM

(1-9)

式中，Dinline thread是常数，需要根据传感器的噪声进行设定。

Step2:计算M与D的匹配误差，即

E(R,t)=∑Im:-(Rd,+t)

(1-10)

Step3:寻找最优的(R,t)使得上述的配准误差最小，即

(R*,t·）=argminE(R,t)

(1-11)

(R,t)

Step4:重复进行上述步骤，直至R*、t*不再变化或达到最大迭代次数时，终止迭代过程。

根据已有的算法推导，上述过程中的Stp3可采用奇异值分解(SVD)方法有效求解。

同时，该迭代过程的算法耗时主要在于匹配误差的计算，因此采用K-D树对参考点集M进

行再组织从而降低算法复杂度。另外，由于噪声以及未知障碍物等原因的影响，需要将无法匹配的观测值舍弃，即m,-(Rd,+t)‖>D时，在Step2及Step3中将该组观测值舍弃。

1.1.2.3分层匹配方法

假设在时刻t,机器人采集的观测信息为a,则，所包含的环境信息与1-1存在关联，此关联根据时间特性分为两类（连续与不连续）。考虑图1-3所示的位姿约束情景，机器人从x出发，在t=9的时刻，机器人回到之前已经探索过的区域(o),此时(xg,g)同时

5

智能机器人技水安保、巡逻、处置类警用机器人研究实践

与(x8,8）及(x0,0)存在约束关联。对于时间上连续的位姿约束，可将：与邻域间观测构成的局部地图！进行匹配，如图1-4所示。其中，匹配的初始坐标变换可采用里程计信息或x-1,局部地图（为

-m-1信息的合集

1={(x-1,24-1）,…,（x-m-m）月

(1-12)

图1-3位姿约束情景

a)局部地图l,与，

b)与之间的匹配

c)局部地图，y

d),与，g之间的匹配

图1-4分层匹配示例

下面考虑机器人回到τ时刻已探索的区域时的情形：在机器人行驶较长距离时，误差的累积将导致匹配算法迭代初值与真实值相差较大。因此，仅依靠单帧观测进行匹配易陷入局部极小。为此，将，-m构成的1，与，-g-,-g的信息合集1，-g进行匹配，当1，与L,-g描述的环境范围出现重合时，即机器人回到已探索区域，建立x,与x,-:,之间的约束。

局部地图的大小决定了匹配算法的复杂度，这里根据机器人行驶路径的长度离散化，即re7:,其中T:满足

T0=0

(1-13)》

当l,与l,-g(re{r:})出现重叠，即两者所描述边界的凸包(Convex Hu)的交集大于

一定面积时，进行(，与l,间的ICP匹配

图1-4形象地描述了分层ICP匹配算法过程，该算法可表述为如下几个步骤：

Stepl:初始化，d=0,t=0,L,=Φ，l=Φ，g'=0。

Step2:l=lU{(x,a)},并采用K-D树进行描述，t=t+1o

Step3:a,匹配，将a,与l匹配，匹配结果即Tg(t-n

···试读结束···