第16卷第1期 智能系统学报 Vol.16 No.1 2021年1月 CAAI Transactions on Intelligent Systems Jan.2021 D0:10.11992/tis.202007025 室外未知环境下的AGV地貌主动探索感知 张威'，葛泉波2，刘华平3，孙富春3 (1.上海海事大学物流工程学院，上海201306,2.同济大学电子与信息工程学院，上海201804,3.清华大学计算 机科学与技术系，北京100084) 摘要：智能机器人对复杂地貌环境的识别一直是机器人应用领域研究的前沿问题，移动机器人在不同的地貌 上采取的运动方式并非一成不变，所以选择的运动方式对于迅速准确识别所处地貌的类型至关重要。针对该 问题本文提出了一种基于贝叶斯框架的主动感知探索方法，使移动机器人能够主动探索有兴趣的运动方式并 且感知识别和运动之间的匹配关系，可以优化在地貌识别之中的模糊不确定性；为了进一步验证实验的可靠 性，还使用了被动感知策略来比较和分析不同策略之间的差异。实验结果表明：主动感知方法能够规划出有效 的地貌识别动作序列，能够引导移动机器人主动感知目标地貌，该框架对于室外未知环境下主动感知后的地貌 识别效果优于被动感知。 关键词：移动机器人；运动方式；贝叶斯框架：主动感知；被动感知；地貌识别：振动数据；室外地貌 中图分类号：TP391文献标志码：A文章编号：1673-4785(2021)01-0152-10 中文引用格式：张威，葛泉波，刘华平，等.室外未知环境下的AGV地貌主动探索感知.智能系统学报，2021,16(1)： 152-161. 英文引用格式：ZHANG Wei,,GE Quanbo,LIU Huaping,.etal.AGV active landform exploration and perception in an unknown outdoor environmentJ].CAAI transactions on intelligent systems,2021,16(1):152-161. AGV active landform exploration and perception in an unknown outdoor environment ZHANG Wei,GE Quanbo',LIU Huaping',SUN Fuchun' (1.Logistics Engineering College,Shanghai Maritime University,Shanghai 201306,China;2.School of Electronics and Information Engineering,Tongji University,Shanghai 201804,China;3.Department of Computer Science and Technology,Tsinghua University, Beijing 100084,China) Abstract:The recognition of a complex landform environment by an intelligent robot has been the frontier problem of research in the field of robotics applications.The motion modes adopted by mobile robots differ between landforms,so the selected motion mode is crucial for quickly and accurately identifying the type of landform.To solve this problem, an active perception exploration method is proposed in this paper based on a Bayesian framework.It enables mobile ro- bots to actively explore interesting motion modes and recognize the matching relationship between landform and move- ment.It can optimize the fuzzy uncertainty in landform recognition.To further verify the reliability of the experiment, we also use a passive recognition strategy to compare and analyze the differences between different strategies.The ex- perimental results show that the active perception method can plan effective landform recognition action sequences and guide mobile robots to actively perceive the target landform.The landform recognition effect of active perception is bet- ter than that of passive perception in an unknown outdoor environment. Keywords:mobile robot;movement methods;bayesian framework;active perception;passive perception;geomorphic recognition;vibration data;outdoor geomorphology 收稿日期：2020-07-12. 移动机器人行驶在复杂的环境中，如：火星和 基金项目：国家自然科学基金项目(61773147，U1509203:浙江 省自然科学基金项目(LR17F030005). 月球表面、火灾和战争现场等，在这些危险地带 通信作者：刘华平.E-mail:hpliu(@tsinghua.edu.cn 或者是遥远的不适合远程控制的时候，机器人
DOI: 10.11992/tis.202007025 室外未知环境下的 AGV 地貌主动探索感知 张威1 ，葛泉波2 ，刘华平3 ，孙富春3 （1. 上海海事大学 物流工程学院，上海 201306; 2. 同济大学 电子与信息工程学院，上海 201804; 3. 清华大学 计算 机科学与技术系 ，北京 100084） 摘 要：智能机器人对复杂地貌环境的识别一直是机器人应用领域研究的前沿问题，移动机器人在不同的地貌 上采取的运动方式并非一成不变，所以选择的运动方式对于迅速准确识别所处地貌的类型至关重要。针对该 问题本文提出了一种基于贝叶斯框架的主动感知探索方法，使移动机器人能够主动探索有兴趣的运动方式并 且感知识别和运动之间的匹配关系，可以优化在地貌识别之中的模糊不确定性；为了进一步验证实验的可靠 性，还使用了被动感知策略来比较和分析不同策略之间的差异。实验结果表明：主动感知方法能够规划出有效 的地貌识别动作序列，能够引导移动机器人主动感知目标地貌，该框架对于室外未知环境下主动感知后的地貌 识别效果优于被动感知。 关键词：移动机器人；运动方式；贝叶斯框架；主动感知；被动感知；地貌识别；振动数据；室外地貌 中图分类号：TP391 文献标志码：A 文章编号：1673−4785(2021)01−0152−10 中文引用格式：张威, 葛泉波, 刘华平, 等. 室外未知环境下的 AGV 地貌主动探索感知 [J]. 智能系统学报, 2021, 16(1): 152–161. 英文引用格式：ZHANG Wei, GE Quanbo, LIU Huaping, et al. AGV active landform exploration and perception in an unknown outdoor environment[J]. CAAI transactions on intelligent systems, 2021, 16(1): 152–161. AGV active landform exploration and perception in an unknown outdoor environment ZHANG Wei1 ，GE Quanbo2 ，LIU Huaping3 ，SUN Fuchun3 (1. Logistics Engineering College, Shanghai Maritime University, Shanghai 201306, China; 2. School of Electronics and Information Engineering, Tongji University, Shanghai 201804, China; 3. Department of Computer Science and Technology, Tsinghua University, Beijing 100084, China) Abstract: The recognition of a complex landform environment by an intelligent robot has been the frontier problem of research in the field of robotics applications. The motion modes adopted by mobile robots differ between landforms, so the selected motion mode is crucial for quickly and accurately identifying the type of landform. To solve this problem, an active perception exploration method is proposed in this paper based on a Bayesian framework. It enables mobile robots to actively explore interesting motion modes and recognize the matching relationship between landform and movement. It can optimize the fuzzy uncertainty in landform recognition. To further verify the reliability of the experiment, we also use a passive recognition strategy to compare and analyze the differences between different strategies. The experimental results show that the active perception method can plan effective landform recognition action sequences and guide mobile robots to actively perceive the target landform. The landform recognition effect of active perception is better than that of passive perception in an unknown outdoor environment. Keywords: mobile robot; movement methods; bayesian framework; active perception; passive perception; geomorphic recognition; vibration data; outdoor geomorphology 移动机器人行驶在复杂的环境中，如：火星和 月球表面、火灾和战争现场等，在这些危险地带 或者是遥远的不适合远程控制的时候[1-2] ，机器人 收稿日期：2020−07−12. 基金项目：国家自然科学基金项目 (61773147，U1509203)；浙江 省自然科学基金项目 (LR17F030005). 通信作者：刘华平. E-mail：hpliu@tsinghua.edu.cn. 第 16 卷第 1 期 智 能 系 统 学 报 Vol.16 No.1 2021 年 1 月 CAAI Transactions on Intelligent Systems Jan. 2021
·153· 张威，等：室外未知环境下的AGV地貌主动探索感知 第1期 若能够拥有像人类一样不仅和地面进行振动式的 确的地形环境特征，但是大量的数据处理起来很 接触，而且能够感知到并且有目的选择运动的方 繁重，需要的训练样本集庞大，此外，移动机器人 式，通过探索性的过程，自主增强感知正在行驶 以不同速度或者不同的运动方式行驶时，对所得 或者即将行驶在正发生着变化的地面类型上，可 到的分类影响也不小22，但是这也反应出移动 靠、高效的地貌感知系统能够准确地让移动机器 机器人对于某种地貌下的低水平和高水平识别的 人探索出地面的几何特性和非几何特性)，这很 运动方式：随着人工智能的不断发展，传统的机 大程度上决定着移动机器人的自主移动性，甚至 器学习分类方法28，、卷积神经网络(convolutional 是后期的任务是否圆满完成。 neural networks,CNN)和无监督学习s0的智能算 当前，许多专家学者已经对多种传感器的地 法更多地被用于地貌识别，这些用于地貌的硬分 形分类做了研究，研究最多的是基于视觉41、雷 类机器学习算法是对单个特征样本进行所属地面 达0、触觉山以及多传感器融合2的地貌分类 类型的识别，对于连续观测样本之间的时间相关 方法，视觉最容易受到外部光线的干扰，雷达也 性是不考虑的。 会因为天气的影响而失效，小型移动机器人会受 所以在本文中，提出了一种新颖的地貌探测 到自身体积和空间的限制，搭载太多的设备会存 识别方法，它允许移动机器人自主地探索在某种 在困难；最早在2002年麻省理工学院的lagne- 地貌上感兴趣的运动方式，从而可以获得更好的 mma等61提出利用振动信号的特征对地面进行 信息改善感知，本文的方法是由一种振动感知的 分类，这相比于传统的基于激光雷达或者是视觉 贝叶斯公式和主动的运动探索策略组成，贝叶斯 技术镜像的感官方法能够有效地避免几何危害四， 公式和动作顺序分析方法允许机器人自主地积累 但是很大程度上易受到光照和地面遮盖物的干 证据并做出正在探索地貌类别的运动动作决定， 扰，严重影响到对非几何危害的识别能力20-22。 这种主动的运动策略有目的的使移动机器人选择 尽管基于振动的方法能够感知地面承载层的信 低水平或者高水平识别所处地貌的运动方式。 息，但一直以来机器人仅仅被动地收集振动传感 1移动机器人主动地貌识别问题描述 器反馈得到的信号作为地形识别的依据，再对获 取的大量信号采取适当的方法进行特征表达，常 本文以Autolabor Pro1移动机器人基础平台 用到的是时域分析法和频域分析法32刈提取对应 设计了主动地貌感知方法，整个主动地貌识别系 地貌特征信息，尽管其中的一些方法可以获得准 统如图1所示。 =1动作1 主动地貌识别 0.2m/s 前进 我身处何处？ =2动作6 1.0 0.4m/s 后退 0.5 23456 动 =9动作9 择 三轴振动 向 0. 传感器 转弯 34567 ◆信号采集 仁10动作10 ◆地貌识别 ◆运动状态 喜 识别目标的信念 56 图1主动地貌探索感知 Fig.1 Active landscape exploration perception 其中，移动机器人身处未知地形之中，只有一 感器负责感知与未知地面交互产生的振动信息， 种位于车底盘附近，靠近地面位置的三轴振动传 在此情况下，并不能可视周围地貌状况，所以也不
若能够拥有像人类一样不仅和地面进行振动式的 接触，而且能够感知到并且有目的选择运动的方 式，通过探索性的过程，自主增强感知正在行驶 或者即将行驶在正发生着变化的地面类型上，可 靠、高效的地貌感知系统能够准确地让移动机器 人探索出地面的几何特性和非几何特性[3] ，这很 大程度上决定着移动机器人的自主移动性，甚至 是后期的任务是否圆满完成。 当前，许多专家学者已经对多种传感器的地 形分类做了研究，研究最多的是基于视觉[4-8] 、雷 达 [9-10] 、触觉[11] 以及多传感器融合[12-15] 的地貌分类 方法，视觉最容易受到外部光线的干扰，雷达也 会因为天气的影响而失效，小型移动机器人会受 到自身体积和空间的限制，搭载太多的设备会存 在困难；最早在 2002 年麻省理工学院的 Iagnemma 等 [16-18] 提出利用振动信号的特征对地面进行 分类，这相比于传统的基于激光雷达或者是视觉 技术镜像的感官方法能够有效地避免几何危害[19] ， 但是很大程度上易受到光照和地面遮盖物的干 扰，严重影响到对非几何危害的识别能力[20-22]。 尽管基于振动的方法能够感知地面承载层的信 息，但一直以来机器人仅仅被动地收集振动传感 器反馈得到的信号作为地形识别的依据，再对获 取的大量信号采取适当的方法进行特征表达，常 用到的是时域分析法和频域分析法[23-24] 提取对应 地貌特征信息，尽管其中的一些方法可以获得准 确的地形环境特征，但是大量的数据处理起来很 繁重，需要的训练样本集庞大，此外，移动机器人 以不同速度或者不同的运动方式行驶时，对所得 到的分类影响也不小[25-26] ，但是这也反应出移动 机器人对于某种地貌下的低水平和高水平识别的 运动方式；随着人工智能的不断发展，传统的机 器学习分类方法[28] 、卷积神经网络 (convolutional neural networks, CNN) 和无监督学习[29-30] 的智能算 法更多地被用于地貌识别，这些用于地貌的硬分 类机器学习算法是对单个特征样本进行所属地面 类型的识别，对于连续观测样本之间的时间相关 性是不考虑的。 所以在本文中，提出了一种新颖的地貌探测 识别方法，它允许移动机器人自主地探索在某种 地貌上感兴趣的运动方式，从而可以获得更好的 信息改善感知，本文的方法是由一种振动感知的 贝叶斯公式和主动的运动探索策略组成，贝叶斯 公式和动作顺序分析方法允许机器人自主地积累 证据并做出正在探索地貌类别的运动动作决定， 这种主动的运动策略有目的的使移动机器人选择 低水平或者高水平识别所处地貌的运动方式。 1 移动机器人主动地貌识别问题描述 本文以 Autolabor Pro 1 移动机器人基础平台 设计了主动地貌感知方法，整个主动地貌识别系 统如图 1 所示。 主动地貌识别 0.2 m/s 前进 0.4 m/s 后退 向左 转弯 向右 转弯 我身处何处？ 三轴振动 传感器 信号采集 地貌识别 运动状态 识别目标的信念 1.2 0 10 t=1 动作 1 t=2 动作 6 t=9 动作 9 t=10 动作 10 20 30 40 50 60 0 10 20 30 40 50 60 0 10 20 30 40 50 60 0 10 20 30 40 50 60 1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5 6 7 1.1 1.0 0.9 0.8 1.2 1.1 1.0 0.9 0.8 1.2 1.1 1.0 0.9 0.8 1.2 1.1 1.0 0.9 0.8 1.0 0.5 0 1.0 0.5 0 1.0 0.5 0 1.0 0.5 0 主 动 选 择 加速度值 加速度值 加速度值 加速度值 样本序列 样本序列 样本序列 样本序列 图 1 主动地貌探索感知 Fig. 1 Active landscape exploration perception 其中，移动机器人身处未知地形之中，只有一 种位于车底盘附近，靠近地面位置的三轴振动传 感器负责感知与未知地面交互产生的振动信息， 在此情况下，并不能可视周围地貌状况，所以也不 ·153· 张威，等：室外未知环境下的 AGV 地貌主动探索感知 第 1 期
第16卷 智能系统学报 ·154· 会有太大的动作范围感知所处的地形，这样只能 2,…,N(W=14)定义；探索时间1是移动机器人与 通过选择自身的不同运动状态，在一个较小的运 每种地貌交互时所进行动作的顺序；二，代表着观 动范围快速感知所处的地貌。然而，常规的地貌 测值，而对于每一个地貌类别，，分别是由相应探 识别在观测噪声较大、有遮挡、光线条件不足等复 索时间1收集的交互振动信号组成；P(sl)是后 杂场景下对于目标跟踪预测表现得并不是很优秀。 验概率；P(snk-)和P(zsn)分别是探索时间t时 本文研究的地面识别方法是在对外界环境不 的先验概率和似然概率密度，只有>0，才有在探 明确的状况下，移动机器人系统选择一套高效的 索时间仁1时的后验概率对先验概率进行更新：边 运动状态快速感知所处地貌，将主动感知的方法 缘概率P(z-)需要在0,1]做适当的归一化处理。 运用于基于振动信号的移动机器人地貌分类实验 采集10种运动状态 中，使得移动机器人可获得更多有利信息，减少 下的14种地貌数据 地貌识别中的不确定性；贝叶斯方法和主动探索 行为相结合应用于14种地貌分类实验中，不需要 训练模型，计算量少。 数据预处理 主动挑选下一动作 2主动感知算法描述 贝叶斯概率方法 低感知和高感知 概率模型在开发机器人的应用中提供了一种 计算后验概率 探索动作 有效的方法，例如移动机器人通过与环境的交互 N 来感知和学习。在本文的研究中使用贝叶斯公式 是否大于置信 N 执行动作数是 并结合序列分析方法，利用移动机器人的运动方 网值 否大于10 式和振动信息，为地貌类别的感知和探索提供了 一个精确的框架。贝叶斯主动感知系统如图2 Y 所示，主要由3个部分组成：物理层面、感知层面 地貌感知最好的 选择最大的后验概 和决策层面。在物理层面包含机-地交互振动数 决策动作 率采取的运动状态 据采集和数据预处理；接下来的感知层是利用贝 图2贝叶斯主动感知系统 叶斯公式处理分析，这个过程迭代地积累证据直 Fig.2 Bayesian active perception system 到超过信念阈值：最终，决策层评估每个探索动 2.1.2先验概率 作的后验概率，以评估是否需要更多的传感器测 假设所有被探索的实验对象初始都符合均匀 量或有足够的信息来作出决定，其中总的探索动 分布的先验概率密度。目标探索过程的初始先验 作设定为10种，具体运动方式命名如下：左转弯 概率定义为 (LT)、右转弯(RT)、0.2m/s前进(LSF)、0.4m/s前 1 P(s.)=P(sako)=N (2) 进(MSF)、0.6m/s前进(MHSF)、0.8m/s前进 (HSF)、0.2m/s后退(LSB)、0.4m/s后退(MSB)、 式中：Sn代表着地貌类别；则代表着在=0初始 0.6m/s后退(MHSB)、0.8m/s后退(HSB)。 状态感知的交互振动；W代表着用于探索的测试 2.1贝叶斯振动感知 对象的数量。 2.1.3测量模型和似然概率评估 概率模型为开发机器人领域的鲁棒应用提供 了一种灵活的方法，以贝叶斯方法为基础，构建地 交互振动信号由安装在移动机器人底盘靠近 貌知识库相对于观测特征集的后验概率，并据此 车轮附近的三轴振动传感器感知得到，利用这些 建立观测特征集与已编目地貌相似程度的度量。 信号建立了基于直方图的非参数测量模型，Mar- 2.1.1构建贝叶斯振动感知概率模型 tinez-Hernandez等Bu也做过类似的工作，直方图 贝叶斯概率公式从先验概率和似然的乘积递 可以清楚地显示在探索时间1处评估每个观察 归地估计后验概率，采用信念阈值交叉分析的序 ,的分布情况，并估算感知地貌类别s.的似然概 列分析方法，控制地貌识别过程的自动停止，贝 率，测量模型为 叶斯方法为 hen (b) P.(blsn)= (3) P(sm,)P(zls)P(sal-1) p(sb）-p(ak-） (1) ∑h6 P(zl3-1) 式中：要被评估的对象地貌类别用sm∈n=1, 式中：b表示直方图间隔数；hn(b)表示对应地貌
会有太大的动作范围感知所处的地形，这样只能 通过选择自身的不同运动状态，在一个较小的运 动范围快速感知所处的地貌。然而，常规的地貌 识别在观测噪声较大、有遮挡、光线条件不足等复 杂场景下对于目标跟踪预测表现得并不是很优秀。 本文研究的地面识别方法是在对外界环境不 明确的状况下，移动机器人系统选择一套高效的 运动状态快速感知所处地貌，将主动感知的方法 运用于基于振动信号的移动机器人地貌分类实验 中，使得移动机器人可获得更多有利信息，减少 地貌识别中的不确定性；贝叶斯方法和主动探索 行为相结合应用于 14 种地貌分类实验中，不需要 训练模型，计算量少。 2 主动感知算法描述 概率模型在开发机器人的应用中提供了一种 有效的方法，例如移动机器人通过与环境的交互 来感知和学习。在本文的研究中使用贝叶斯公式 并结合序列分析方法，利用移动机器人的运动方 式和振动信息，为地貌类别的感知和探索提供了 一个精确的框架。贝叶斯主动感知系统如图 2 所示，主要由 3 个部分组成：物理层面、感知层面 和决策层面。在物理层面包含机−地交互振动数 据采集和数据预处理；接下来的感知层是利用贝 叶斯公式处理分析，这个过程迭代地积累证据直 到超过信念阈值；最终，决策层评估每个探索动 作的后验概率，以评估是否需要更多的传感器测 量或有足够的信息来作出决定，其中总的探索动 作设定为 10 种，具体运动方式命名如下：左转弯 (LT)、右转弯 (RT)、0.2 m/s 前进 (LSF)、0.4 m/s 前 进 (MSF)、0.6 m/s 前进 (MHSF)、0.8 m/s前进 (HSF)、0.2 m/s 后退 (LSB)、0.4 m/s 后退 (MSB)、 0.6 m/s 后 退 (MHSB)、 0.8 m/s 后 退 (HSB)。 2.1 贝叶斯振动感知 概率模型为开发机器人领域的鲁棒应用提供 了一种灵活的方法，以贝叶斯方法为基础，构建地 貌知识库相对于观测特征集的后验概率，并据此 建立观测特征集与已编目地貌相似程度的度量。 2.1.1 构建贝叶斯振动感知概率模型 贝叶斯概率公式从先验概率和似然的乘积递 归地估计后验概率，采用信念阈值交叉分析的序 列分析方法，控制地貌识别过程的自动停止，贝 叶斯方法为 P(sn |zt)= P(sn,zt) P(zt |zt−1) = P(zt |sn)P(sn|zt−1) P(zt |zt−1) (1) 式中：要被评估的对象地貌类别 用 s n∈n =1, P(sn|zt) P(sn|zt−1) P(zt |sn) t P(zt |zt−1) 2,…, N(N=14) 定义；探索时间 t 是移动机器人与 每种地貌交互时所进行动作的顺序；zt 代表着观 测值，而对于每一个地貌类别，zt 分别是由相应探 索时间 t 收集的交互振动信号组成； 是后 验概率； 和 分别是探索时间 时 的先验概率和似然概率密度，只有 t>0，才有在探 索时间 t−1 时的后验概率对先验概率进行更新；边 缘概率 需要在 [0,1] 做适当的归一化处理。 采集10种运动状态 下的14种地貌数据 Y Y N N 数据预处理 贝叶斯概率方法 计算后验概率 是否大于置信 阈值 地貌感知最好的 决策动作 主动挑选下一动作 低感知和高感知 探索动作 执行动作数是 否大于10 选择最大的后验概 率采取的运动状态 图 2 贝叶斯主动感知系统 Fig. 2 Bayesian active perception system 2.1.2 先验概率 假设所有被探索的实验对象初始都符合均匀 分布的先验概率密度。目标探索过程的初始先验 概率定义为 P(sn) = P(sn|z0) = 1 N (2) 式中：sn 代表着地貌类别；z0 则代表着在 t=0 初始 状态感知的交互振动；N 代表着用于探索的测试 对象的数量。 2.1.3 测量模型和似然概率评估 交互振动信号由安装在移动机器人底盘靠近 车轮附近的三轴振动传感器感知得到，利用这些 信号建立了基于直方图的非参数测量模型，Martinez-Hernandez 等 [31] 也做过类似的工作，直方图 可以清楚地显示在探索时间 t 处评估每个观察 zt 的分布情况，并估算感知地貌类别 sn 的似然概 率，测量模型为 Pv (b|sn) = hv,n (b) ∑Nbins b=1 h(b) (3) 式中：b 表示直方图间隔数； hv,n (b) 表示对应地貌 第 16 卷 智 能 系 统 学 报 ·154·
·155· 张威，等：室外未知环境下的AGV地貌主动探索感知 第1期 类别sn的训练样本数据分布在直方图b中的样 想，由式(6)、（⑦）可以定义主动控制移动机器人 本计数。将采集的数据最大值和最小值之间划分 的探测动作，为 成Ns个间隔，均匀地构造直方图，P(blsn)最终 Mhigh arg max I (PM(t)) 被方4归一化为总和是1的概率。 PM Miow arg max I(PM(t)) (8) PM =1 通过上述评估方程对所有训练样本进行评 3实验 估，探索1时刻交互振动观测值：，的可能性为 log P.(d,(j)Is) 3.1实验平台 log P(zls)= (4) 人 Nsamples 本实验采用型号为Autolabor Prol(APl)的移 式中：d()表示传感器采集的样本；P(zs)是给 动机器人，平台如图3所示，其在室内外均可实现 定感知地貌类别sn的观测值z,的可能性。使用基 稳定作业，且适用于全地形，车身尺寸726mm× 于先前探索仁1观测结果的边际概率，确保正确 617mm×273mm,负载能力约50kg。AP1共具有 的归一化值为 4种速度档位，分别是0.2m/s、0.4m/s、0.6m/s和 0.8m/s。在移动机器人车身一侧，平行且靠近地 P(l-1)= P(zs)P(sk1) (5) 面的位置配备一个AKF392B三轴向加速度计，它 n=l 提供的输出速率范围为5~1000Hz,共有8种选 2.1.4主动地貌识别停止决策 择，偏差典型值小于01%，具有输出稳定，环境性 当贝叶斯更新过程的证据积累到超过了设定 能好等优点。加速度计采样频率选择200Hz采 的置信阈值，主动探索过程就会停止，地貌感知 集不同地形的三维振动信号。 类别是由最大后验估计得到的，表达为当任何 P(snl)>Breshold时，5=arg max P(sa,),其中5表示 在探索时刻1感知出的地貌类别，其中置信阈值 为Behd 2.2主动探索行为 当移动机器人被有目的地引导去探索对地貌 识别度高的运动方式以提高感知能力时，这种主 动探索行为受启发于人类对于周围环境的探索、 互动和操作，能够影响感知精度和反应时间，本 文的主动探索行为有别于传统的地貌识别中单一 图3实验采集平台 的动作模式下固定的阈值设置区别已知类地貌和 Fig.3 Experimental acquisition platform 未知地貌，考虑了移动机器人每一步的动作都会 3.2数据集 对下一步识别产生影响的特点，采用下列方式控 3.2.1地貌种类选择 制机器人的探索动作。 根据路面材质选取自然界中常见的若干类室 2.2.1预测误差 外地形，本实验中共涉及14类室外地形，如图4 预测误差即为贝叶斯更新的后验概率和用来 所示，分别是新修沥青路面(new asphalt)、粗糙混 作为决策标准的置信阈值之间的差距，贝叶斯更 凝土(rough concrete)、马赛克砖块路(mosaic 新的后验概率包含在每种地貌类别中探索时间 road)、废旧水泥砖块路(old cement brick road)、大 1处计算得到的概率为 理石块(marble cubes)、压实碎石子路面(com- pacted crushed stone road)、木板(wood)、覆盖落叶 e1(t)=P(Salz)-Bthreshold (6) 的土壤(deciduous soil)、茂盛草丛(lush grass)、枯 2.2.2低水平感知和高水平感知的预测模型 草地(dry grass)、粗石子(coarse stone)、鹅卵石 I(PM(t))=e,(t-1)e,(t) (7) (cobble)、松散沙土(loose sand)以及新修混凝土 式中：IPM()是在探索时间1的感知水平；e()、 (new concrete)。其中，松散砂土是起伏不平的路 e,(t-1)是当前探索时间1和前一探索时间1~1的 面，马赛克路是岩石材质组成的方格路面，新旧 预测误差，使用最低和最高的预测误差来模拟低 混凝土路面是使用年限不同而造成的路面损伤程 感知行为和高感知行为。结合内在动机模型的思 度不一，具体地貌类别如图4所示，采集地点均在
sn Nbins Pv (b|sn) ∑Nbins b=1 h(b) 类别 的训练样本数据分布在直方图 b 中的样 本计数。将采集的数据最大值和最小值之间划分 成 个间隔，均匀地构造直方图， 最终 被 归一化为总和是 1 的概率。 通过上述评估方程对所有训练样本进行评 估，探索 t 时刻交互振动观测值 zt 的可能性为 logP(zt |sn) = N∑samples j=1 logPv (dv (j)|sn) Nsamples (4) dv (j) P(zt 式中： 表示传感器采集的样本； |sn) 是给 定感知地貌类别 sn 的观测值 zt 的可能性。使用基 于先前探索 t=1 观测结果的边际概率，确保正确 的归一化值为 P(zt |zt−1) = ∑N n=1 P(zt |sn)P(sn|zt−1) (5) 2.1.4 主动地貌识别停止决策 P(sn|zt) > βthreshold s¯ = arg max S P(sn,zt) s¯ βthreshold 当贝叶斯更新过程的证据积累到超过了设定 的置信阈值，主动探索过程就会停止，地貌感知 类别是由最大后验估计得到的，表达为当任何 时， ，其中 表示 在探索时刻 t 感知出的地貌类别，其中置信阈值 为 。 2.2 主动探索行为 当移动机器人被有目的地引导去探索对地貌 识别度高的运动方式以提高感知能力时，这种主 动探索行为受启发于人类对于周围环境的探索、 互动和操作，能够影响感知精度和反应时间，本 文的主动探索行为有别于传统的地貌识别中单一 的动作模式下固定的阈值设置区别已知类地貌和 未知地貌，考虑了移动机器人每一步的动作都会 对下一步识别产生影响的特点，采用下列方式控 制机器人的探索动作。 2.2.1 预测误差 预测误差即为贝叶斯更新的后验概率和用来 作为决策标准的置信阈值之间的差距，贝叶斯更 新的后验概率包含在每种地貌类别中探索时间 t 处计算得到的概率为 eI (t) = P(sn|zt)−βthreshold (6) 2.2.2 低水平感知和高水平感知的预测模型 I(PM(t)) = eI (t−1) eI (t) (7) I(PM(t)) eI (t) eI (t−1) 式中： 是在探索时间 t 的感知水平； 、 是当前探索时间 t 和前一探索时间 t−1 的 预测误差，使用最低和最高的预测误差来模拟低 感知行为和高感知行为。结合内在动机模型的思 想 [32] ，由式 (6)、(7) 可以定义主动控制移动机器人 的探测动作，为 Mhigh = arg max PM I(PM(t)) Mlow = arg max PM I(PM(t)) (8) 3 实验 3.1 实验平台 本实验采用型号为 Autolabor Pro1(AP1) 的移 动机器人，平台如图 3 所示，其在室内外均可实现 稳定作业，且适用于全地形，车身尺寸 726 mm× 617 mm×273 mm，负载能力约 50 kg。AP1 共具有 4 种速度档位，分别是 0.2 m/s、0.4 m/s、0.6 m/s 和 0.8 m/s。在移动机器人车身一侧，平行且靠近地 面的位置配备一个 AKF392B 三轴向加速度计，它 提供的输出速率范围为 5~1 000 Hz，共有 8 种选 择，偏差典型值小于 0.1%，具有输出稳定，环境性 能好等优点。加速度计采样频率选择 200 Hz 采 集不同地形的三维振动信号。 图 3 实验采集平台 Fig. 3 Experimental acquisition platform 3.2 数据集 3.2.1 地貌种类选择 根据路面材质选取自然界中常见的若干类室 外地形，本实验中共涉及 14 类室外地形，如图 4 所示，分别是新修沥青路面 (new asphalt)、粗糙混 凝土 (rough concrete)、马赛克砖块路 (mosaic road)、废旧水泥砖块路 (old cement brick road)、大 理石块 (marble cubes)、压实碎石子路面 (compacted crushed stone road)、木板 (wood)、覆盖落叶 的土壤 (deciduous soil)、茂盛草丛 (lush grass)、枯 草地 (dry grass)、粗石子 (coarse stone)、鹅卵石 (cobble)、松散沙土 (loose sand) 以及新修混凝土 (new concrete)。其中，松散砂土是起伏不平的路 面，马赛克路是岩石材质组成的方格路面，新旧 混凝土路面是使用年限不同而造成的路面损伤程 度不一，具体地貌类别如图 4 所示，采集地点均在 ·155· 张威，等：室外未知环境下的 AGV 地貌主动探索感知 第 1 期
第16卷 智能系统学报 ·156· 清华大学校园内，采集时间多集中在夏末秋初时 间段。 (a)粗糙混凝土 (b)粗石子(c)大理石块(d)鹅卵石 (e)废I旧水泥()覆盖落叶的土壤(g)枯草地 砖块路 h)马赛克砖块路 (①木板路 )茂盛草丛 (k)松散沙土（新修混凝土(）新修沥青路面 (n)压实碎 石子路面 图414种地貌类别 Fig.4 14 geomorphic categories 3.2.2运动状态和交互振动数据采集 (RT)、0.2m/s前进(LSF)、0.4m/s前进(MSF) 根据移动机器人自身可控的4种速度模式和 0.6m/s前进(MHSF)、0.8m/s前进(HSF)、0.2m/s 2种前后运动状态排列组合为8种运动方式，以 后退(LSB)、0.4m/s后退(MSB)、0.6m/s后退 及左右2种转弯运动状态，由于移动机器人平台 (MHSB)、0.8m/s后退(HSB),总共设定10种移动 自身的重量不同也会对地貌变化产生的敏感度不 机器人的可控运动模式；控制移动机器人以上述 同]，在本文的实验中移动机器人质量分布是不 10种运动模式在3.2.1选取的各类地貌上行驶， 均匀的，重心和几何中心是不重合的，所以会选 通过移动机器人上搭载的三轴加速度计采集各种 择机器人在前进和倒车2种运动状态下的振动数 场景下的三维振动信号中的Z轴振动信号作为交 据，具体运动方式命名如下：左转弯(LT)、右转弯 互振动数据样本，移动机器人采集情景如图5所示。 20.8m/s前进 左转弯 (a)0.8m/s前进状态 (b)左转弯状态 2.0 2.0 1.5 wyA人 1.0 0.5 0.5 50 100150200250300350400 50 100150200250300350400 样本序列 样本序列 (c)0.8m/s前进振动数据 (d左转弯振动数据 图5新修沥青路面下的两种运动方式获取的振动信号 Fig.5 Vibration signals obtained by two kinds of motion modes under the new asphalt pavement 本文中控制AP1机器人在14种地貌上进行 10种运动模式和200Hz采样频率下采集了近 10种运动方式，移动机器人在每种地形上分别行 200万个数据点，其中在落叶覆盖的土壤路面分 驶了l0min,每种运动模式运动近似1min,在 别采集左转弯、右转弯、0.2m/s前进、0.4m/s前
清华大学校园内，采集时间多集中在夏末秋初时 间段。 (f) 覆盖落叶的土壤 (g) 枯草地 (h) 马赛克砖块路 (i) 木板路 (j) 茂盛草丛 (k) 松散沙土 (l) 新修混凝土 (m) 新修沥青路面 (n) 压实碎 石子路面 (a) 粗糙混凝土 (b) 粗石子 (c) 大理石块 (d) 鹅卵石 (e) 废旧水泥 砖块路 图 4 14 种地貌类别 Fig. 4 14 geomorphic categories 3.2.2 运动状态和交互振动数据采集 根据移动机器人自身可控的 4 种速度模式和 2 种前后运动状态排列组合为 8 种运动方式，以 及左右 2 种转弯运动状态，由于移动机器人平台 自身的重量不同也会对地貌变化产生的敏感度不 同 [25] ，在本文的实验中移动机器人质量分布是不 均匀的，重心和几何中心是不重合的，所以会选 择机器人在前进和倒车 2 种运动状态下的振动数 据，具体运动方式命名如下：左转弯 (LT)、右转弯 (RT)、0.2 m/s 前进 (LSF)、0.4 m/s 前进 (MSF)、 0.6 m/s 前进 (MHSF)、0.8 m/s 前进 (HSF)、0.2 m/s 后退 (LSB)、0.4 m/s 后退 (MSB)、0.6 m/s 后退 (MHSB)、0.8 m/s 后退 (HSB)，总共设定 10 种移动 机器人的可控运动模式；控制移动机器人以上述 10 种运动模式在 3.2.1 选取的各类地貌上行驶， 通过移动机器人上搭载的三轴加速度计采集各种 场景下的三维振动信号中的 Z 轴振动信号作为交 互振动数据样本，移动机器人采集情景如图 5 所示。 0.8 m/s 前进 左转弯 2.0 1.5 1.0 0.5 0 50 100 150 200 250 300 350 400 加速度值/(m·s−2 ) 样本序列 (c) 0.8 m/s 前进振动数据 50 100 150 200 250 300 350 400 2.0 1.5 1.0 0.5 0 加速度值/(m·s−2 ) (d) 左转弯振动数据 (a) 0.8 m/s 前进状态 (b) 左转弯状态 样本序列 图 5 新修沥青路面下的两种运动方式获取的振动信号 Fig. 5 Vibration signals obtained by two kinds of motion modes under the new asphalt pavement 本文中控制 AP1 机器人在 14 种地貌上进行 10 种运动方式，移动机器人在每种地形上分别行 驶了 10 min，每种运动模式运动近似 1 min，在 10 种运动模式和 200 Hz 采样频率下采集了近 200 万个数据点，其中在落叶覆盖的土壤路面分 别采集左转弯、右转弯、0.2 m/s 前进、0.4 m/s 前 第 16 卷 智 能 系 统 学 报 ·156·
·157· 张威，等：室外未知环境下的AGV地貌主动探索感知 第1期 进、0.6ms前进、0.8ms前进、0.2m/s后退、0.4m/s 下的振动数据，如图6、7所示为10种运动模式下 后退、0.6m/s后退和0.8m/s后退10种运动模式 的信号反馈，其他13种地形也分别依次采集。 2.0 2.0 2.0 2.0 2.0 1.5 1.5 1.5 1.5 1.5 1.0 1 1.0 1.0 05 0.5 0.5 0.5 0.5 0 500 0 500 500 500 0 500 样本序列 样本序列 样本序列 样本序列 样本序列 (a)左转弯LT (b)右转弯(RT) (c)0.2m/s前进(LSF) (d0.4ms前进(MSF)(e)0.6m/s前进(MHSF) 2.0 2.0 2.0 2.0 2.0 1.5 1.5 1.5 1.5 1.5 1.0 1.0 1.0 1.0 0.5 0.5 0.5 0.5 0.5 500 500 500 0 500 0 500 样本序列 样本序列 样本序列 样本序列 样本序列 (①0.8m/s前进HSF) (g)0.2m/s后退LSB) (h)0.4m/s后退(MSB)(①)0.6m/s后退(MHSB))0.8m/s后退HSB) 图6落叶覆盖的土壤中10种运动方式振动信号对比 Fig.6 Comparison of vibration signals of 10 motion modes in two deciduous soil 2.0 2.0 2.0 2.0 2.0 15 1.5 1 1.5 1.0 1.0 .0 1.0 0.5 0.5 0.5 0.5 500 500 0 500 500 0 500 样本序列 样本序列 样本序列 样本序列 样本序列 (a)左转弯(LT) (b)右转弯(RT) (c)0.2m/s前进(LSF) (d)0.4m/s前进(MSF)(e)0.6m/s前进(MHSF) 2.0 2.0 2.0 2.0 2.0 1.5 1.5 1.5 1.5 1.5 1.0 1.0 1.0 1.0 0.5 0.5 0.5 0.5 0.5 0 500 0 500 0 500 0 500 0 500 样本序列 样本序列 样本序列 样本序列 样本序列 (①0.8m/s前进(HSF)(g)0.2ms后退(LSB) h)0.4m/s后退(MSB)(i)）0.6m/s后退(MHSB)G0.8m/s后退HSB) 图7粗石子中10种运动方式振动信号对比 Fig.7 Comparison of vibration signals of 10 motion modes in two coarse stones 3.2.3对采集的交互振动数据进行预处理 4实验结果 对实验中采集的各种场景下的三维振动信号 4.1识别结果 只选取Z轴振动信号进行分段和滤波处理；实验 本文将所有的地貌类别采集的数据输入模型 中为了确保数据的可靠稳定，在分类前将移动机 中计算得到所有执行动作的表现。在经过每一次 器人初始启动以及停止等时间段采集的振动信号 实验之后，都替换新的识别目标和初始化动作以 去掉，保留了168万个数据点，再将其数据信号分 进行新目标的实验测试。根据在模型中的每一种 割成段，然后通过截止频率为10Hz的高通滤波 类别识别得到的平均表现精度作为最终结果。同 器去除采集的Z轴振动信号中因重力和加速度计 时，也使用了顺序策略和随机策略实验与主动探 漂移导致的干扰噪声，得到14种地貌的样本数据 索方法相比较，其中随机策略是在每个识别类别 集，如图6、7所示为落叶土壤和粗石子对应的10 中都使用均匀概率的方式挑选下一个动作得到的 种运动状况下的振动信号；将上述预处理后的所 振动数据序列，而顺序策略是在每一个类别的实 有运动状态数据和交互振动数据共同构成地貌数 验中均利用相同的顺序规则挑选下一个动作得到 据库，每一运动状态分别与一交互振动数据相对应。 的振动数据序列；和被动方法的实验结果相比
进、0.6 m/s 前进、0.8 m/s 前进、0.2 m/s 后退、0.4 m/s 后退、0.6 m/s 后退和 0.8 m/s 后退 10 种运动模式 下的振动数据，如图 6、7 所示为 10 种运动模式下 的信号反馈，其他 13 种地形也分别依次采集。 500 样本序列 500 样本序列 0 0.5 1.0 1.5 2.0 加速度/(m·s−2 ) 0 0.5 1.0 1.5 2.0 加速度/(m·s−2 ) (a) 左转弯 (LT) (f) 0.8 m/s 前进 (HSF) 样本序列 500 500 样本序列 0 0.5 1.0 1.5 2.0 加速度/(m·s−2 ) 0 0.5 1.0 1.5 2.0 加速度/(m·s−2 ) (b) 右转弯 (RT) (g) 0.2 m/s 后退 (LSB) 500 样本序列 500 样本序列 0 0.5 1.0 1.5 2.0 加速度/(m·s−2 ) 0 0.5 1.0 1.5 2.0 加速度/(m·s−2 ) (c) 0.2 m/s 前进 (LSF) (h) 0.4 m/s 后退 (MSB) 500 样本序列 500 样本序列 0 0.5 1.0 1.5 2.0 加速度/(m·s−2 ) 0 0.5 1.0 1.5 2.0 加速度/(m·s−2 ) (d) 0.4 m/s 前进 (MSF) (i) 0.6 m/s 后退 (MHSB) 500 样本序列 500 样本序列 0 0.5 1.0 1.5 2.0 加速度/(m·s−2 ) 0 0.5 1.0 1.5 2.0 加速度/(m·s−2 ) (e) 0.6 m/s 前进 (MHSF) (j) 0.8 m/s 后退 (HSB) 图 6 落叶覆盖的土壤中 10 种运动方式振动信号对比 Fig. 6 Comparison of vibration signals of 10 motion modes in two deciduous soil 500 样本序列 500 样本序列 0 0.5 1.0 1.5 2.0 0 0.5 1.0 1.5 2.0 0 0.5 1.0 1.5 2.0 0 0.5 1.0 1.5 2.0 0 0.5 1.0 1.5 2.0 加速度/(m·s−2 ) 0 0.5 1.0 1.5 2.0 0 0.5 1.0 1.5 2.0 0 0.5 1.0 1.5 2.0 0 0.5 1.0 1.5 2.0 0 0.5 1.0 1.5 2.0 加速度/(m·s−2 ) (a) 左转弯 (LT) (f) 0.8 m/s 前进 (HSF) 500 样本序列 500 样本序列 加速度/(m·s−2 ) 加速度/(m·s−2 ) (b) 右转弯 (RT) (g) 0.2 m/s 后退 (LSB) 500 样本序列 500 样本序列 加速度/(m·s−2 ) 加速度/(m·s−2 ) (c) 0.2 m/s 前进 (LSF) (h) 0.4 m/s 后退 (MSB) 500 样本序列 500 样本序列 加速度/(m·s−2 ) 加速度/(m·s−2 ) (d) 0.4 m/s 前进 (MSF) (i) 0.6 m/s 后退 (MHSB) 500 样本序列 500 样本序列 加速度/(m·s−2 ) 加速度/(m·s−2 ) (e) 0.6 m/s 前进 (MHSF) (j) 0.8 m/s 后退 (HSB) 图 7 粗石子中 10 种运动方式振动信号对比 Fig. 7 Comparison of vibration signals of 10 motion modes in two coarse stones 3.2.3 对采集的交互振动数据进行预处理 对实验中采集的各种场景下的三维振动信号 只选取 Z 轴振动信号进行分段和滤波处理；实验 中为了确保数据的可靠稳定，在分类前将移动机 器人初始启动以及停止等时间段采集的振动信号 去掉，保留了 168 万个数据点，再将其数据信号分 割成段，然后通过截止频率为 10 Hz 的高通滤波 器去除采集的 Z 轴振动信号中因重力和加速度计 漂移导致的干扰噪声，得到 14 种地貌的样本数据 集，如图 6、7 所示为落叶土壤和粗石子对应的 10 种运动状况下的振动信号；将上述预处理后的所 有运动状态数据和交互振动数据共同构成地貌数 据库，每一运动状态分别与一交互振动数据相对应。 4 实验结果 4.1 识别结果 本文将所有的地貌类别采集的数据输入模型 中计算得到所有执行动作的表现。在经过每一次 实验之后，都替换新的识别目标和初始化动作以 进行新目标的实验测试。根据在模型中的每一种 类别识别得到的平均表现精度作为最终结果。同 时，也使用了顺序策略和随机策略实验与主动探 索方法相比较，其中随机策略是在每个识别类别 中都使用均匀概率的方式挑选下一个动作得到的 振动数据序列，而顺序策略是在每一个类别的实 验中均利用相同的顺序规则挑选下一个动作得到 的振动数据序列；和被动方法的实验结果相比， ·157· 张威，等：室外未知环境下的 AGV 地貌主动探索感知 第 1 期
第16卷 智能系统学报 ·158· 本文的主动探索模型能够产生一系列有趣的动作 图8为粗石子识别实验中3种不同策略的动 顺序和有效地识别地貌类型。 作顺序挑选。 MSF MSF MSF MSF MSF MSF MSF MSF MSF MHSF MHSF MHSF MHSE MHSF MHSF MHSF MHSF MHSF HSF HSF HSF HSF HSF HSF HSF HSF HSF LT LT LT LT LT LT LT LT LT LSF LSB LSB LSB LSB LSB LSB LSB LSB LSB MSB MSB MSB MSB MSB MSB MSB MSB MSB MHSB MHSB MHSB MHSB MHSB MHSB MHSB MHSB MHSB HSB HSB HSB HSB HSB HSB HSB HSB HSB RT RT RT RT RT RT RT RT 地貌识别 主动感知 随机感知 × × 顺序感知 + + 图8粗石子识别实验中3种不同策略的动作顺序挑选 Fig.8 Active sequence selection of three different strategies in coarse stone recognition experiment 4.2动作顺序选择 成本 本节描述了主动振感探索方法和被动方法对 4.3动作作用比较 应的动作选择序列，如图9所示。 在本文的实验中，计算出了所有地貌类别在 经过每步运动之后的识别性能。上述3种顺序策 100 ◆一主动探索策略 顺序探索策略 略的精度比较如图9所示。在所测试的实验集 一随机探索策略 中，主动振感探索方法的三步平均精度可以接近 60%,而随机策略的平均精度不到50%，序列策略 的性能表现则更差一点。另外，本文的方法可以 0 在5个步骤中快速获得更高的精度，而其他方法 则非常不稳定。我们还发现，本文的主动振觉探 20 12345678910 测方法比被动方法表现出显著的优势，能够以更 运动次数 少的步骤来达到相同的精度，这证明本文的方法 图93种策略在测试振动数据中的分类性能比较 提高了识别效率。 Fig.9 Comparison of classification performance among three strategies 4.4地貌识别精度比较 对这些动作序列的表现做了分析，实验结果 为了进一步分析本文的模型性能，了解每种 表明，模型系统往往选择大角度转弯或高速行进 地貌类别得到的平均识别精度是很必要的。本文 动作，这是容易产生更明显振动特征的。在各种 特别计算了如图10所示的混淆矩阵，结果表明粗 地貌类别之中机器人的高速度运动会导致更强 石子是最具特征性的地貌类型，在所有测试中最 的振动特征，从而得到更清晰的振动信号，但机 高达到90%正确率，这种松散的大颗粒碎石振动 器人的伺服电机在运行过程中会产生较大的噪声 特征更为明显。压实碎石子路面(72%正确)和粗 冲击识别效果。实验结果表明本文的方法对克服 糙旧混凝土(69%正确)是易混淆的，旧混凝土路 这个问题有很好的效果。例如，高速前进在序列 面表面裸露出一些碎石子，使得2种地貌的粗糙 的第9个动作中，那么这个相同的操作将不被再 度和平整度间接的在振动信号中表现得较相似， 次选中，大量的运动确保了训练模型的高泛化 具体来说，本文的方法对较明显振动特性的地貌 性能。此外，用户可以根据一定的精度范围选择 类别具有高灵敏度的辨识度，并且对于容易混淆 适当的步骤停止采集样本，以降低数据收集的 的地貌有较高的识别精度
本文的主动探索模型能够产生一系列有趣的动作 顺序和有效地识别地貌类型。 图 8 为粗石子识别实验中 3 种不同策略的动 作顺序挑选。 MSF MSF MSF MSF MSF MSF MSF MSF MSF LSF 地貌识别 主动感知 随机感知 顺序感知 MHSF MHSF MHSF MHSF MHSF MHSF MHSF MHSF MHSF MHSB MHSB MHSB MHSB MHSB MHSB MHSB MHSB MHSB HSB HSB HSB HSB HSB HSB HSB HSB HSB RT RT RT RT RT RT RT RT RT HSF HSF HSF HSF HSF HSF HSF HSF HSF LT LT LT LT LT LT LT LT LT LSB LSB LSB LSB LSB LSB LSB LSB LSB MSB MSB MSB MSB MSB MSB MSB MSB MSB 图 8 粗石子识别实验中 3 种不同策略的动作顺序挑选 Fig. 8 Active sequence selection of three different strategies in coarse stone recognition experiment 4.2 动作顺序选择 本节描述了主动振感探索方法和被动方法对 应的动作选择序列，如图 9 所示。 1 2 3 4 5 6 7 8 9 10 运动次数 20 40 60 80 100 识别精度/% 主动探索策略 顺序探索策略 随机探索策略 图 9 3 种策略在测试振动数据中的分类性能比较 Fig. 9 Comparison of classification performance among three strategies 对这些动作序列的表现做了分析，实验结果 表明，模型系统往往选择大角度转弯或高速行进 动作，这是容易产生更明显振动特征的。在各种 地貌类别之中机器人的高速度运动会导致更强 的振动特征，从而得到更清晰的振动信号，但机 器人的伺服电机在运行过程中会产生较大的噪声 冲击识别效果。实验结果表明本文的方法对克服 这个问题有很好的效果。例如，高速前进在序列 的第 9 个动作中，那么这个相同的操作将不被再 次选中，大量的运动确保了训练模型的高泛化 性能。此外，用户可以根据一定的精度范围选择 适当的步骤停止采集样本，以降低数据收集的 成本。 4.3 动作作用比较 在本文的实验中，计算出了所有地貌类别在 经过每步运动之后的识别性能。上述 3 种顺序策 略的精度比较如图 9 所示。在所测试的实验集 中，主动振感探索方法的三步平均精度可以接近 60%，而随机策略的平均精度不到 50%，序列策略 的性能表现则更差一点。另外，本文的方法可以 在 5 个步骤中快速获得更高的精度，而其他方法 则非常不稳定。我们还发现，本文的主动振觉探 测方法比被动方法表现出显著的优势，能够以更 少的步骤来达到相同的精度，这证明本文的方法 提高了识别效率。 4.4 地貌识别精度比较 为了进一步分析本文的模型性能，了解每种 地貌类别得到的平均识别精度是很必要的。本文 特别计算了如图 10 所示的混淆矩阵，结果表明粗 石子是最具特征性的地貌类型，在所有测试中最 高达到 90% 正确率，这种松散的大颗粒碎石振动 特征更为明显。压实碎石子路面 (72% 正确) 和粗 糙旧混凝土 (69% 正确) 是易混淆的，旧混凝土路 面表面裸露出一些碎石子，使得 2 种地貌的粗糙 度和平整度间接的在振动信号中表现得较相似， 具体来说，本文的方法对较明显振动特性的地貌 类别具有高灵敏度的辨识度，并且对于容易混淆 的地貌有较高的识别精度。 第 16 卷 智 能 系 统 学 报 ·158·
·159· 张威，等：室外未知环境下的AGV地貌主动探索感知 第1期 混淆矩阵 新修沥青路面 50.01.00.013.00.00.00.00.00.01.00.00.00.0 粗糙日沥青路面 0.069.00.02.00.024.00.01.00.00.03.00.01.00.0 80 马赛克砖块路 学30,0.013.01.01.00.00.00.00.00.0 3.01.01.0s0.01.04.01.02.02.00.00.00.00.0 70 大理石块 压实醉子路0400.00.01.01.00.02.00.0400.0301.0 60 1.023.00.01.00.02.00.00.01.00.00.02.00.00.0 木板路 0.00.00.00.013.01.00.00.00.00.00.00.00.0 覆盖落叶的 3.00.03.00.00.01.06.078.02.02.00.00.05.00.0 茂盛草丛 1.04.00.00.03.05.03.00.060.00.05.01.02.0 枯草地 30 粗石子 .06.00.00.00.02040102.00.000600.0 60.01.03.0400.01.0100.00.00.0■0.00.00.0 20 0.01.04.00.00.06.00.03.02.0400.08.00.02.0 松散沙土 2.00.03.00.03.03.04.00.00.00.05.00.0000.0 10 新修混凝土 5.00.00.04.00.02.00.00.03.00.00.02.00.0 4 粗糙用浙青路 新修浙青路面 新修混凝士 预测值 图10使用主动感知策略对实验数据集中的所有类别计算混淆矩阵 Fig.10 Using active perception strategy to calculate confusion matrix for all categories in experimental data set 5结束语 Conference on Intelligent Robotics in Field.Houston,TX. USA.1994:675-684. 在本文中，提出了在贝叶斯概率感知方法和 [4]OTTE S.LAIBLE S.HANTEN R.et al.Robust visual 主动探索行为下，利用移动机器人和地面的交互 terrain classification with recurrent neural networks[Cl// 振动信息探索和识别所处地貌，这一过程是通过 Proceedings of 2015 European Symposium on Artificial 主动控制探索运动向识别度高的运动状态转换， Neural Networks,Computational Intelligence and Ma- 以改善对被探索地貌的感知来实现的。结果表 chine Learning.Bruges,Belgium,2015:22-24. 明，本文的方法使移动机器人能够通过振感感知 [5]ZELTE F.Autonomous terrain classification through un- supervised learning[D].University of Wurzburg,2016. 和自主决定下一步的动作，以便在勘探和识别任 [6]ROTHROCK B,PAPON J,KENNEDY R,et al.SPOC: 务中快速提取更好的信息；相比较下，本文的系 deep learning-based terrain classification for mars rover 统可经过5次左右的短时动作尝试就能识别出移 missions[C]//Proceedings of 2016 AIAA Space 动机器人所处地面类型，且利用主动感知很好地 Forum.Long Beach,CA,USA,2016. 解决了多种未知地貌类别的识别问题，未来还需 [7]HE Chu,LIU Xinlong,FENG Di,et al.Hierarchical ter- 要开发出更好的方法提升地貌相似度高的识别 rain classification based on multilayer Bayesian network 精度。 and conditional random field[J].Remote sensing,2017, 9(1)96. 参考文献： [8]WU Hang.LIU Baozhen,SU Weihua,et al.Optimum pipeline for visual terrain classification using improved [1]MISHKIN A,LAUBACH S.From prime to extended bag of visual words and fusion methods[J].Journal of mission:evolution of the MER tactical uplink process[C/ sensors..2017:8513949. Proceedings of SpaceOps 2006 Conference.Rome,Italy, [9]LALONDE J F.VANDAPEL N.HUBER D F.et al.Nat- 2006. ural terrain classification using three-dimensional ladar [2]BROOKS C A.Learning to visually predict terrain prop- data for ground robot mobility[J].Journal of field robot- erties for planetary rovers[D].Cambridge:Massachusetts ics,2006,23(10:839-861. Institute of Technology,2009:15-16. [10]SUGER B.STEDER B.BURGARD W.Traversability [3]WILCOX B H.Non-geometric hazard detection for a analysis for mobile robots in outdoor environments:a Mars microrover[C]//Proceedings of 1994 NASA/AIAA semi-supervised learning approach based on 3D-lidar
新修沥青路面 新修沥青路面 粗糙旧沥青路面 粗糙旧沥青路面 马赛克砖块路 马赛克砖块路 废旧水泥砖块路 废旧水泥砖块路 大理石块 大理石块 压实碎子路面 压实碎子路面 木板路 木板路 覆盖落叶的土地 覆盖落叶的土地 混淆矩阵 真实值 预测值 90 80 70 60 50 40 30 20 10 0 茂盛草丛 茂盛草丛 枯草地 枯草地 粗石子 粗石子 鹅卵石 鹅卵石 松散沙土 松散沙土 新修混凝土 新修混凝土 85.0 0.0 69.0 2.0 24.0 0.0 0.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 13.0 13.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 5.0 4.0 5.0 5.0 6.0 6.0 6.0 6.0 5.0 5.0 80.0 85.0 83.0 72.0 86.0 78.0 76.0 79.0 90.0 78.0 80.0 2.0 84.0 2.0 2.0 2.0 2.0 2.0 2.0 2.0 2.0 2.0 2.0 2.0 2.0 2.0 1.0 1.0 1.0 1.0 3.0 1.0 1.0 1.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 3.0 1.0 1.0 1.0 23.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 13.0 1.0 1.0 1.0 图 10 使用主动感知策略对实验数据集中的所有类别计算混淆矩阵 Fig. 10 Using active perception strategy to calculate confusion matrix for all categories in experimental data set 5 结束语 在本文中，提出了在贝叶斯概率感知方法和 主动探索行为下，利用移动机器人和地面的交互 振动信息探索和识别所处地貌，这一过程是通过 主动控制探索运动向识别度高的运动状态转换， 以改善对被探索地貌的感知来实现的。结果表 明，本文的方法使移动机器人能够通过振感感知 和自主决定下一步的动作，以便在勘探和识别任 务中快速提取更好的信息；相比较下，本文的系 统可经过 5 次左右的短时动作尝试就能识别出移 动机器人所处地面类型，且利用主动感知很好地 解决了多种未知地貌类别的识别问题，未来还需 要开发出更好的方法提升地貌相似度高的识别 精度。 参考文献： MISHKIN A, LAUBACH S. From prime to extended mission: evolution of the MER tactical uplink process[C]// Proceedings of SpaceOps 2006 Conference. Rome, Italy, 2006. [1] BROOKS C A. Learning to visually predict terrain properties for planetary rovers[D]. Cambridge: Massachusetts Institute of Technology, 2009: 15–16. [2] WILCOX B H. Non-geometric hazard detection for a Mars microrover[C]//Proceedings of 1994 NASA/AIAA [3] Conference on Intelligent Robotics in Field. Houston, TX, USA, 1994: 675–684. OTTE S, LAIBLE S, HANTEN R, et al. Robust visual terrain classification with recurrent neural networks[C]// Proceedings of 2015 European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning. Bruges, Belgium, 2015: 22–24. [4] ZELTE F. Autonomous terrain classification through unsupervised learning[D]. University of Wurzburg, 2016. [5] ROTHROCK B, PAPON J, KENNEDY R, et al. SPOC: deep learning-based terrain classification for mars rover missions[C]//Proceedings of 2016 AIAA Space Forum. Long Beach, CA, USA, 2016. [6] HE Chu, LIU Xinlong, FENG Di, et al. Hierarchical terrain classification based on multilayer Bayesian network and conditional random field[J]. Remote sensing, 2017, 9(1): 96. [7] WU Hang, LIU Baozhen, SU Weihua, et al. Optimum pipeline for visual terrain classification using improved bag of visual words and fusion methods[J]. Journal of sensors, 2017: 8513949. [8] LALONDE J F, VANDAPEL N, HUBER D F, et al. Natural terrain classification using three-dimensional ladar data for ground robot mobility[J]. Journal of field robotics, 2006, 23(10): 839–861. [9] SUGER B, STEDER B, BURGARD W. Traversability analysis for mobile robots in outdoor environments: a semi-supervised learning approach based on 3D-lidar [10] ·159· 张威，等：室外未知环境下的 AGV 地貌主动探索感知 第 1 期
第16卷 智能系统学报 ·160· data[Cl//Proceedings of 2015 IEEE International Confer- [23]WEISS C,FROHLICH H,ZELL A.Vibration-based ter- ence on Robotics and Automation (ICRA).Seattle,WA. rain classification using support vector machines[C//In USA.2015 Proceedings of the IEEE/RSJ International Conference [11]KOLVENBACH H,BARTSCHI C.WELLHAUSEN L on Intelligent Robots and Systems (IROS).Beijing, et al.Haptic inspection of planetary soils with legged ro- China.2006:4429-4434. bots[J].IEEE robotics and automation letters,2019, [24]WEISS C.FROHLICH H.ZELL A.Vibration-based ter- 4(2:1626-1632. rain classification using support vector machines[C]// [12]MANDUCHI R,CASTANO A,TALUKDER A,et al. Proceedings of 2006 IEEE/RSJ International Confer- Obstacle detection and terrain classification for ence on Intelligent Robots and Systems.Beijing,China, autonomous off-road navigation.Auton[J].Autonomous 2006:4429-4434 robots,2005,18(1:81-102 [25]VICENTE A,LIU Jindong,YANG Guangzhong.Sur- [13]SANTAMARIA-NAVARRO A,TENIENTE E H. face classification based on vibration on omni-wheel MORTA M,et al.Terrain classification in complex mobile base[Cl//Proceedings of 2015 IEEE/RSJ Interna- three-dimensional outdoor environments[J].Journal of tional Conference on Intelligent Robots and Systems field robotics,2015,32(1):42-60. (IROS).Hamburg,Germany,2015:916-921. [14]ZHAO Kai,DONG Mingming,GU Liang.A new ter- [26]BAI Chengchao,GUO Jifeng,GUO Linli,et al.Deep rain classification framework using proprioceptive multi-layer perception based terrain classification for sensors for mobile robots[].Mathematical problems in planetary exploration rovers[J].Sensors,2019,19(4): engineering,2017:3938502. 3102. [15]PARK J,MIN K,KIM H.et al.Road surface classifica- [27]LUO Shan,BIMBO J.DAHIYA R,et al.Robotic tactile tion using a deep ensemble network with sensor feature perception of object properties:a review[J].Mechatron- selection[J].Sensors.2018.18(12):4342. ics.2017.48:54-67. [16]ROSENFELD R D,RESTREPO MG,GERARD W H, [28]KOZLOWSKI P,WALAS K.Deep neural networks for et al.Unsupervised surface classification to enhance the Terrain recognition task[C]//Proceedings of 2018 Baltic control performance of a UGV[C]//Proceedings of 2018 URSI Symposium.Poznan,Poland,2018:283-286. IEEE Systems and Information Engineering Design [29]Lomio F,Skenderi E,Mohamadi D,et al.Surface type Symposium.Charlottesville,VA,USA,2018. classification for autonomous robot indoor navigation[J]. [17]IAGNEMMA K D.DUBOWSKY S.Terrain estimation arXiv2019,arXiv:1905.00252v1. for high-speed rough-terrain autonomous vehicle naviga- [30]MARTINEZ-HERNANDEZ U,DODD T J, tion[C]//Proceedings of SPIE 4715,Unmanned Ground Vehicle Technology IV.Orlando,FL,United PRESCOTTTJ.Feeling the shape:active exploration States,2002. behaviors for object recognition with a robotic hand[J]. [18]BROOKS C A,IAGNEMMA K.Vibration-based ter- IEEE transactions on systems,man,and cybernetics: rain classification for planetary exploration rovers[J] systems,2017,48(12):2339-2348. IEEE transactions on robotic,2005,21(6):1185-1191. [31]OUDEYER P Y,KAPLAN F,HAFNER VV.Intrinsic [19]BROOKS C A,IAGNEMMA K.Self-supervised terrain motivation systems for autonomous mental develop- classification for planetary surface exploration rovers[J]. ment[J].IEEE transactions on evolutionary computation, Journal of field robotics,2012.29(3):445-468. 2007,11(2:265-286 [20]OJEDA L,BORENSTEIN J,WITUS G,et al.Terrain [32]GOTTLIEB J,OUDEYER P Y,LOPES M,et al.In characterization and classification with a mobile formation-seeking,curiosity,and attention:computation- robot[J].Journal of field robot,2006,2:103-122. al and neural mechanisms[J].Information-seeking,curi- [21]WONG C,YANG Erfu,YAN Xiutian,et al.Adaptive osity,and attention:computational and neural mechan- and intelligent navigation of autonomous planetary isms.2013,17(11)585-593. rovers-a survey[C]//Proceedings of 2017 NASA/ESA 作者简介： Conference on Adaptive Hardware and Systems (AHS) 张威，硕士研究生，主要研究方向 Pasadena,CA.USA,2017:237-244. 为移动机器人控制、感知与学习。 [22]ZHANG Shuo,LIU Shaochuang,MA Youqing,et al. Self calibration of the stereo vision system of the Chang e-3 lunar rover based on the bundle block adjustment[J]. ISPRS journal of photogrammetry and remote sensing, 2017.128:287-297
data[C]//Proceedings of 2015 IEEE International Conference on Robotics and Automation (ICRA). Seattle, WA, USA, 2015. KOLVENBACH H, BÄRTSCHI C, WELLHAUSEN L, et al. Haptic inspection of planetary soils with legged robots[J]. IEEE robotics and automation letters, 2019, 4(2): 1626–1632. [11] MANDUCHI R, CASTANO A, TALUKDER A, et al. Obstacle detection and terrain classification for autonomous off-road navigation. Auton[J]. Autonomous robots, 2005, 18(1): 81–102. [12] SANTAMARIA-NAVARRO À, TENIENTE E H, MORTA M, et al. Terrain classification in complex three-dimensional outdoor environments[J]. Journal of field robotics, 2015, 32(1): 42–60. [13] ZHAO Kai, DONG Mingming, GU Liang. A new terrain classification framework using proprioceptive sensors for mobile robots[J]. Mathematical problems in engineering, 2017: 3938502. [14] PARK J, MIN K, KIM H, et al. Road surface classification using a deep ensemble network with sensor feature selection[J]. Sensors, 2018, 18(12):4342. [15] ROSENFELD R D, RESTREPO M G, GERARD W H, et al. Unsupervised surface classification to enhance the control performance of a UGV[C]//Proceedings of 2018 IEEE Systems and Information Engineering Design Symposium. Charlottesville, VA, USA, 2018. [16] IAGNEMMA K D, DUBOWSKY S. Terrain estimation for high-speed rough-terrain autonomous vehicle navigation[C]//Proceedings of SPIE 4715, Unmanned Ground Vehicle Technology IV. Orlando, FL, United States, 2002. [17] BROOKS C A, IAGNEMMA K. Vibration-based terrain classification for planetary exploration rovers[J]. IEEE transactions on robotic, 2005, 21(6): 1185–1191. [18] BROOKS C A, IAGNEMMA K. Self-supervised terrain classification for planetary surface exploration rovers[J]. Journal of field robotics, 2012, 29(3): 445–468. [19] OJEDA L, BORENSTEIN J, WITUS G, et al. Terrain characterization and classification with a mobile robot[J]. Journal of field robot, 2006, 2: 103–122. [20] WONG C, YANG Erfu, YAN Xiutian, et al. Adaptive and intelligent navigation of autonomous planetary rovers—a survey[C]//Proceedings of 2017 NASA/ESA Conference on Adaptive Hardware and Systems (AHS). Pasadena, CA, USA, 2017: 237–244. [21] ZHANG Shuo, LIU Shaochuang, MA Youqing, et al. Self calibration of the stereo vision system of the Chang’ e-3 lunar rover based on the bundle block adjustment[J]. ISPRS journal of photogrammetry and remote sensing, 2017, 128: 287–297. [22] WEISS C, FROHLICH H, ZELL A. Vibration-based terrain classification using support vector machines[C]// In Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Beijing, China, 2006:4429–4434. [23] WEISS C, FROHLICH H, ZELL A. Vibration-based terrain classification using support vector machines[C]// Proceedings of 2006 IEEE/RSJ International Conference on Intelligent Robots and Systems. Beijing, China, 2006: 4429–4434 [24] VICENTE A, LIU Jindong, YANG Guangzhong. Surface classification based on vibration on omni-wheel mobile base[C]//Proceedings of 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Hamburg, Germany, 2015: 916–921. [25] BAI Chengchao, GUO Jifeng, GUO Linli, et al. Deep multi-layer perception based terrain classification for planetary exploration rovers[J]. Sensors, 2019,19(4): 3102. [26] LUO Shan, BIMBO J, DAHIYA R, et al. Robotic tactile perception of object properties: a review[J]. Mechatronics, 2017, 48: 54–67. [27] KOZLOWSKI P, WALAS K. Deep neural networks for Terrain recognition task[C]//Proceedings of 2018 Baltic URSI Symposium. Poznan, Poland, 2018: 283–286. [28] Lomio F, Skenderi E, Mohamadi D, et al. Surface type classification for autonomous robot indoor navigation[J]. arXiv 2019, arXiv: 1905.00252v1. [29] MARTINEZ-HERNANDEZ U, DODD T J, PRESCOTT T J. Feeling the shape: active exploration behaviors for object recognition with a robotic hand[J]. IEEE transactions on systems, man, and cybernetics: systems, 2017, 48(12): 2339–2348. [30] OUDEYER P Y, KAPLAN F, HAFNER V V. Intrinsic motivation systems for autonomous mental development[J]. IEEE transactions on evolutionary computation, 2007, 11(2): 265–286. [31] GOTTLIEB J, OUDEYER P Y, LOPES M, et al. Information-seeking, curiosity, and attention: computational and neural mechanisms[J]. Information-seeking, curiosity, and attention: computational and neural mechanisms, 2013, 17(11): 585–593. [32] 作者简介： 张威，硕士研究生，主要研究方向 为移动机器人控制、感知与学习。 第 16 卷 智 能 系 统 学 报 ·160·
·161· 张威，等：室外未知环境下的AGV地貌主动探索感知 第1期 刘华平，副教授，博士生导师，中 孙富春，教授，博士生导师，中国 国人工智能学会理事、中国人工智能 人工智能学会副理事长，主要研究方 学会认知系统与信息处理专业委员会 向为智能控制与机器人、多模态数据 秘书长，主要研究方向为机器人感知 感知、模式识别。IEEE Fellow,国家 学习与控制、多模态信息融合。主持 863计划专家组成员，荣获吴文俊科学 国家自然科学基金重点项目2项。发 技术奖创新奖一等奖、吴文俊科学技 表学术论文340余篇。 术奖进步奖一等奖。发表学术论文 200余篇，出版专著3部、译书1部出版专著3部，译书 1部。 全国第17届可拓学年会 “全国第17届可拓学年会”“人工智能前沿论坛”暨“可拓创新方法培训班”定于2021年8月11-15日在 江苏南京召开。会议由中国人工智能学会主办，中国人工智能学会可拓学专业委员会、南京审计大学、《智 能系统学报》编辑部、中国科学院大学经济与管理学院、广东工业大学可拓学与创新方法研究所联合承 办。本次会议将交流近年来可拓学理论、方法与应用研究的最新成果，进一步促进可拓学及其在各领域应 用的发展，尤其是可拓学与人工智能前沿方向的深度融合，并通过培训班，吸纳和培养更多可拓学研究与应 用推广人才，壮大可拓学科学共同体队伍。为此，诚挚欢迎国内外相关领域的专家学者、研究生、企事业单 位管理人员与工程技术人员以及有志从事可拓学研究与应用推广工作的社会各界人士参加此次会议。 本次“全国第17届可拓学年会”征文范围为可拓学理论、方法与应用方面的最新研究成果，包括但不 限于： 1)可拓论：基元理论，可拓集与关联函数理论，可拓逻辑：2)可拓创新方法：可拓模型建立方法，拓展分 析方法，可拓变换方法，优度评价方法，矛盾问题求解方法等：3)可拓工程：可拓智能、可拓设计、可拓控制、 可拓检测、可拓决策、可拓管理，以及可拓学与其他学科（如计算机、数学、自动化、审计、经济、教育、教学 等)的交叉研究成果。 征文要求： 1)文笔精练、资料可靠，字数不超过7000字，并附中英文摘要和关键词：2)论文应是新的研究成果，严 格按照科技论文规范撰写，且未在国内外学术会议或刊物上发表过。会议征文中被大会录用的论文，需要 作者参加会议交流，再由可拓学专业委员会组织专家审稿，评审出优秀论文，推荐到《智能系统学报》、 《数学的实践与认识》等核心期刊和《广东工业大学学报》（中国科技核心期刊）“可拓学与创新方法”专栏 正式发表。欢迎相关领域的研究人员、高校师生、企业家、工程技术人员以及一切爱好和有志于从事可拓学 研究的朋友踊跃投稿。本届大会的征文采用电子邮箱投稿的方式，E-mail:extenics(@vip.l63.com。 重要日期： 征文截止日期：2021年6月30日 录用通知日期：2021年7月20日 会议召开时间：2021年8月11-13日（可拓创新方法培训班）、13-15日（全国第17届可拓学年会暨人工 智能前沿论坛) 联系方式： 联系人：李剑明老师、汤龙副教授 电话：020-39322973传真：020-39322019 E-mail:extenics@vip.163.com 网址：http://extenics.gdut.edu.cn 微信公众号：可拓学，extenics.2015
刘华平，副教授，博士生导师，中 国人工智能学会理事、中国人工智能 学会认知系统与信息处理专业委员会 秘书长，主要研究方向为机器人感知、 学习与控制、多模态信息融合。主持 国家自然科学基金重点项目 2 项。发 表学术论文 340 余篇。 孙富春，教授，博士生导师，中国 人工智能学会副理事长，主要研究方 向为智能控制与机器人、多模态数据 感知、模式识别。IEEE Fellow，国家 863 计划专家组成员，荣获吴文俊科学 技术奖创新奖一等奖、吴文俊科学技 术奖进步奖一等奖。发表学术论文 200 余篇，出版专著 3 部、译书 1 部出版专著 3 部，译书 1 部。 全国第 17 届可拓学年会 “全国第 17 届可拓学年会”“人工智能前沿论坛”暨“可拓创新方法培训班”定于 2021 年 8 月 11−15 日在 江苏南京召开。会议由中国人工智能学会主办，中国人工智能学会可拓学专业委员会、南京审计大学、《智 能系统学报》编辑部、中国科学院大学经济与管理学院、广东工业大学可拓学与创新方法研究所联合承 办。本次会议将交流近年来可拓学理论、方法与应用研究的最新成果，进一步促进可拓学及其在各领域应 用的发展，尤其是可拓学与人工智能前沿方向的深度融合，并通过培训班，吸纳和培养更多可拓学研究与应 用推广人才，壮大可拓学科学共同体队伍。为此，诚挚欢迎国内外相关领域的专家学者、研究生、企事业单 位管理人员与工程技术人员以及有志从事可拓学研究与应用推广工作的社会各界人士参加此次会议。 本次“全国第 17 届可拓学年会”征文范围为可拓学理论、方法与应用方面的最新研究成果，包括但不 限于： 1）可拓论：基元理论，可拓集与关联函数理论，可拓逻辑；2）可拓创新方法：可拓模型建立方法，拓展分 析方法，可拓变换方法，优度评价方法，矛盾问题求解方法等；3）可拓工程：可拓智能、可拓设计、可拓控制、 可拓检测、可拓决策、可拓管理，以及可拓学与其他学科（如计算机、数学、自动化、审计、经济、教育、教学 等）的交叉研究成果。 征文要求： 1）文笔精练、资料可靠，字数不超过 7000 字，并附中英文摘要和关键词；2）论文应是新的研究成果，严 格按照科技论文规范撰写，且未在国内外学术会议或刊物上发表过。 会议征文中被大会录用的论文，需要 作者参加会议交流，再由可拓学专业委员会组织专家审稿，评审出优秀论文，推荐到《智能系统学报》、 《数学的实践与认识》等核心期刊和《广东工业大学学报》（中国科技核心期刊）“可拓学与创新方法”专栏 正式发表。欢迎相关领域的研究人员、高校师生、企业家、工程技术人员以及一切爱好和有志于从事可拓学 研究的朋友踊跃投稿。本届大会的征文采用电子邮箱投稿的方式，E-mail：extenics@vip.163.com。 重要日期： 征文截止日期：2021 年 6 月 30 日 录用通知日期：2021 年 7 月 20 日 会议召开时间：2021 年 8 月 11−13 日（可拓创新方法培训班）、13−15 日（全国第 17 届可拓学年会暨人工 智能前沿论坛） 联系方式： 联系人：李剑明老师、汤龙副教授 电话：020-39322973 传真：020-39322019 E-mail：extenics@vip.163.com 网址：http://extenics.gdut.edu.cn 微信公众号：可拓学，extenics2015 ·161· 张威，等：室外未知环境下的 AGV 地貌主动探索感知 第 1 期