陈士凯：让机器人完成自主定位导航到底有多难？ | CCF-GAIR 2017

本篇文章4500字，读完约11分钟

雷(公开号:雷)出版社:7月8日，ccf-gair全球人工智能与机器人峰会进入第二天。在机器人特别会议上，兰斯科技公司首席执行官陈世凯发表了题为“自主定位导航技术的现状及未来应用趋势”的主旨演讲。下面是陈世凯讲话的全文，由雷锋同志编写。

雷锋网注:陈世凯，四维科技首席执行官

什么是大满贯？在过去的一两年里，很多人都知道“砰”这个词。

Slam也是我们公司名称(兰斯)的音译，叫做同步定位和地图绘制，可以同时进行自主定位和地图合成。然而，本质上，它不仅仅是完成定位和导航。slam可以保证定位和绘图之间没有误差。

换句话说，slam和机器人的自主定位和导航之间还有很大的差距，这还在于另外两件事——路径规划和运动控制。

路径规划熟悉星型算法，这种算法在许多行业中都有应用，包括实时策略游戏。在目前的实际产品中，机器人将主要使用一颗星。

除了恒星，还有一种随机探测速度的方式，那就是随机路径探索。这种方法的优点是，在一定的概率下，它可以比恒星更有效地探索空。然而，这两种方法只能解决道路巡逻的问题。如果你想自主行走，你也应该控制你的行为，防止机器人绕过或避开障碍物。

如今，机器人避障被称为动态窗口。它更像一个人，每时每刻都会判断机器人下一刻能启动的动作，避开特定的障碍物。此外，导航不像以前看到的从A点到B点那样简单。

另一个应用点是用于清扫机器人的算法，覆盖问题。它是使机器人尽可能地覆盖所有区域，而路径规划或从A点到B点的动作是使机器人尽可能地到达目的地，这代表了不同的行为。

在实际使用中，会有一些技术看起来相对次要，但在应用中非常关键。例如，这里看到的自主充电对接过程与上述路径规划算法具有一定的并行性。

到目前为止，根据国内情况，服务机器人的应用可以分为两类。

第一类包括可以在家里买到的清扫机器人，以及家庭护理和陪伴机器人。这种应用场景，用一句话概括，是零配置的。对于消费者来说，它应该尽可能简单，并且他们可以在购买时使用它。第二类，在业务场景中，关注预配置过程，对于这个方案，关注高可靠性和可伸缩性。

家庭场景中需要解决的问题

个人家庭场景导航定位系统应解决三个问题——功耗、体积和成本。对于消费级产品，更多的关注是如何以更低的成本将相同的功能转化为特定的产品，即价格、开发周期或易用性。

兰斯科技已经做了一些努力。例如，在成本方面，低成本激光雷达已经可以部分解决导航和定位成本的问题。

除了成本问题，还有许多其他的问题急需解决。

在机器人真正实现工业化之前，研究机构中的机器无法摆脱一个共同的特征:它们都在头上安装了笔记本电脑或工业控制主机。这里要解决问题是功耗。

我们知道slam算法和路径规划系统都有很高的复杂性。用主流笔记本电脑运行有点困难。目前，slam中的凸优化算法不能在线运行，必须离线运行。将技术应用于实际产品时会有问题。

例如，我们这里给出的是数百瓦的水平，但是对于一个清扫机器人来说，电池本身的容量可能只有20瓦小时以上。这意味着如果我让清扫机器人安装一个笔记本来运行slam算法，不到一个小时就可能没电，这是完全不能接受的。

兰斯技术的解决方案是通过高度的算法优化和集成来最小化导航和定位系统的体积和计算性能负载。如今，传统的信息机器和开源算法可以用大硬币在slam ware中实现。在功耗下，我们可以在2瓦内完成所有slam规划任务，同时，体积和产热量可以大大提高。

我们做了一些病例。例如，一个新发布的开源参考平台基于激光雷达和导航定位系统。这是目前能实现的最小的激光自主定位导航机器人。其特点是只需干电池供电，可实现两小时以上的待机时间。以前的功耗问题可以大大解决。在实际产品中，用户现在不会使用干电池，但是很多用户会使用可充电的锂离子电池，这样机器人可以实现8小时以上的待机时间。

另一方面，在实际使用场景中，据说机器人应该在家里零配置使用。对于导航和定位问题，机器人在启动后完全不了解家庭环境结构，并且上述路径规划算法都有一个共同的要求，那就是要求提前绘制地图。

这是一个矛盾。我希望这个机器人能在环境中工作，但是一些主流算法在开发一些算法之前需要预先构建或探索地图或环境。在这种情况下，行业需要做一些额外的工作。这是一个由slam ware系统支持的路径规划系统，它可以在地图完全未知或部分未知的情况下启动动作。

这就像玩星际争霸一样，它可以给出一个主要的路径规划。随着机器人的探索，路径可以逐渐细化。这个过程可以在很大程度上帮助机器人。除了这一基本功能外，还需要许多算法的快速配合，如自主环境探索和地图构建，这是目前具有导航和定位功能的清扫机器人的标准。因为对于未知的环境，我们必须首先探索环境，划定清洁区域。

消费机器人还有一个非计算性的问题，这是一个心理问题，即如何呈现地图。目前，使用任何新技术都会带来成本的增加，而成本的增加往往伴随着功能的溢价，因此制造商必须升级新功能以使用户意识到这一点。

如果机器人具有激光导航和地图构建能力，用户将非常希望看到机器人在使用中真正绘制地图。这时，有一个心理问题。地图是一张人们认为是机器人绘制的地图，但事实上，slam系统给出的地图并不坏，但也不是很好。如果我展示这样的地图，会给用户造成很大的心理障碍。他会觉得产品是否物有所值。

在实现导航和定位系统时，我们还会注意另外一件事，这是机器人不会考虑的，但是对于人来说，我们会更加注意构图的精细程度。这是兰斯目前努力的方向。

商业场景需要解决的问题在商业场景或专业场景中，导航和定位的应用与消费者完全不同。在购物中心或商业真正开始运作之前，机器人会有一个预先部署的行为。通常，制造商、代理商和集成商会帮助客户进行部署。这时，地图已经完全构建好了，有很好的机会修改地图。

一般来说，有两种内容，设置兴趣点。到目前为止，我们绘制的地图和业务逻辑还不完整。例如，当我画一个平面图时，机器人可能不知道平面图中的某个位置是指餐桌还是入口，也不知道是否需要有人标记它，这就是所谓的poi标记。

虽然机器人具有定位和导航的能力，但用户在实际使用中仍然会感到心理上的不安全感。此时，在地图上形成附加的注释设置区域。

完成后，是日常操作，相对简单。此时，地图已经为人所知，并且由商家开发的预定定位和导航算法以及业务逻辑被更多地使用。这时，会有后续的日常维护。例如，如果环境变化很大，需要重新装修，就需要重建或标记地图。

对于商业场景，导航系统会有点困难。

首先，商业场景中的地图面积非常大，对于家庭场景来说，一两个平面甚至两三百个平面就足够了。如果一个家庭花费数千美元，那一定是一个土皇帝，所以我们应该出售一个商业版本。

然而，在商业条件下，在这样的环境下，地图在今天的盖尔遗址将超过10，000平方米。此时，导航和定位系统将面临巨大挑战。因为目前，这个slam系统仍然消耗内存和计算。如何让它在超过10万个平面场景中工作是一个巨大的挑战。

解决方案是，首先，配备更强大的硬件，同时，更有力地优化软件和算法。此外，对于激光导航和定位，更大的环境是需要更长距离的激光雷达。我们目前的实践是，rplidar可以测量从工业版本的16米到今年发布的T系列100米的距离，这可以涵盖商业和工业场景中的使用。同时，它将在成本上保持领先优势。

除了大地图的问题之外，全球定位也是一个普遍的问题，我们认为目前应该在商业环境中努力解决。目前，业界有两种解决方案。首先，在传统定位方法的帮助下，例如超宽带，许多商业机器人已经在户外部署了超宽带信标或无线网络甚至全球定位系统来完成这种环境下的定位。然而，这两年的技术只能靠激光导航定位系统本身来完成一定的全球定位能力。

这是一个商业机器人的例子。它不需要在开始时初始化机器人的位置，但是它可以在给它几秒钟后自动恢复地图上的坐标。这项技术在学术界已经使用了很长时间。然而，当部署到实际产品时，会发现如果直接使用算法，就会出现这样的问题。

多传感器融合也是我经常听到的一个问题。工业单线激光雷达只能探测一个平面。在无人驾驶中，为了解决这个问题，将使用3D激光雷达，但相应的问题是成本和大规模生产。

在机器人行业，为了解决激光雷达的问题，我们可以用简单的手段集成更多的传感器。比如超声波和视觉传感器。这是一张机器人在沙龙里送食物的照片。光靠激光雷达是不可能感知到人的接近和停留的，因此需要多传感器融合技术。

目前，一个合格的导航和定位系统，我们认为它应该输入的传感器信号不仅应该是激光雷达，但也有视觉传感器和超声波。导航定位算法也应进行相应的融合。这种整合在学术上或算法上并不是一个非常困难的任务，但是许多产业化问题应该被考虑。例如，超声波传感器通常是非标准产品。深度视觉传感器的安装位置有很大差异，每一个都有不同的规格。如何使用统一和标准化的界面来方便客户的使用有一定的挑战性。

定位导航技术的发展便利性是制约机器人导航定位技术应用的另一个问题。我们的想法是，机器人产业不是简单地通过硬件和机械来解决，而是更多地通过软件来解决。在软件和算法的辅助下，这些机器人可以有更多的功能。

例如，上面提到的poi功能、开发和调试中可能使用的多层地图支持，以及这些开发和调试需求如何在实际应用程序过程中帮助用户和开发人员。有一些具体的方法。例如，对于地图标注，软件支持两种方式，一种称为虚拟墙，另一种称为虚拟轨迹。

多层和poi，在这个过程中，一些经典的算法，如蒙特卡罗算法，将用于软件算法，和工作条件可以观察在远端使用多层。Poi是一种软件设备，可以通过软件标准自动为现有的slam地图添加poi。

V slam还是激光雷达slam？最后，我们将谈谈导航定位系统的未来发展趋势。

v slam和激光雷达slam哪个更重要的问题实际上是一个整合的过程。这两种技术各有优缺点。激光的缺点是毫无疑问的。传统的激光雷达价格昂贵，第二种在很多方面都不灵活。到目前为止，传感器还不成熟。v slam技术不能用于环境中的光影变化或昏暗的室内场景。然而，如果目前将这两种slam技术与低成本传感器结合起来，这种集成slam方法将是未来的一个重要趋势。

提取语义信息也是通过视觉激光完成的。目前，绘制的地图相对平坦。通过收集图像数据和深度学习，我们可以在地图上主动标记，从而避免上述人工标记poi的过程。

以前的行业也有一个趋势——深度学习。在过去的两年里，深度学习已经成为人工智能的代名词。在这个行业中，在过去的几年中，机器人自主定位和导航是以相对传统的概率或控制论的方式进行的。然而，它表明通过深度学习，摄像机数据被直接用作信号输入，然后机器人控制信号通过神经网络被直接产生。其中，像slam和路径规划这样的过程完全可以通过学习来实现。

我认为这项技术可能会成为未来的一种趋势，但它不会在有限的未来体现在实际的产品中，否则将需要时间。但保持不变的是，相互学习优势，弥补行业内的不足，整合不同的新技术，这是不可改变的事实。

雷锋原创文章。严禁擅自转载。详情请参考转载说明。