·656 智能系统学报 第10卷 由于具有数据处理简单、实时性高和鲁棒性好等优 定位：此外，根据机器人所在环境的特点，提取具有 点，得到了广泛的应用；基于测距式传感器的机器人 独特信息的特征作为路标信息，文献[10-12]提取环 定位和地图构建的基本思想是通过融合传感器信 境中圆作为定位路标信息，文献[6]提取环境中矩 息，把自身与参照点（如障碍物、环境特征等）及其 形特征作为定位路标信息。随着环境的复杂性越来 相互关系的距离信息和方位信息在线抽象描述为全 越高，对环境二维建模不能满足需要，文献[13-14] 局地图信息。 等提取环境三维特征作为定位路标信息。栅格地图 基于测距式传感器机器人SLAM主要从3方面 模型是根据测距传感器的原始数据获得障碍物占据 考虑：环境特征的提取方法、地图的表示方式和解决 栅格情况，从而构建环境地图】。 SLAM问题的核心算法[]。本文总结目前流行的基 测距式传感器采集真实环境的数据是点的集 于测距式传感器的SLAM方法，从以上3方面进行 合，如何对这些离散的点处理获得环境的抽象描述， 了归类和比较，指出需要解决的关键问题，并根据已 即局部地图，很多文献采用了Hough变换的方法进 有的研究成果提出未来的研究方向。 行局部地图的构建，但其计算量非常大，很难保证局 部地图构建实时性的要求，文献[15]比较详细地分 1典型传感器类型及其作用 析比较了11种数据点提取特征直线的算法，其中以 根据机器人所携带传感器在SLAM系统中的主 数据分割拟合(split--and-merge)算法较优，因此该算 要作用，传感器大致可分为两大类，一类是本体传感 法得到了广泛应用：此后，研究者在分析总结上述算 器（也称内部传感器），如里程计、陀螺仪、指南针、 法的基础上，对这些算法做了改进，也提出了很多不 同的特征提取算法，如文献[16]通过建立角点函数 速度或加速度计等：另一类是外部传感器，如激光雷 达、超声波、红外线、微波雷达、kinect'),机器人通过 来衡量扫描点是角点特征的程度，利用非极大值抑 外部传感器可以获得真实环境特征的抽象描述及距 制方法去除干扰信息来提取环境的角点特征，文献 [l7]根据split-and-merge算法思想，采用模糊聚类 离信息或图像深度信息。基于测距式的SLAM主要 算法分割数据，利用最小二乘法拟合。 框架是采用本体传感器和外部传感器相融合的定位 直线参数使线段分割的鲁棒性和线段提取的精 方法，利用本体传感器来实现机器人航迹推算，通过 度得到了很大提高，也显著提高了算法效率。此外， 外部传感器（一种或多种）抽象获得的外部环境特 有研究者将比较成熟的优化算法应用到环境特征的 征及其距离信息与已构建环境地图的特征匹配，消 提取，如文献[18]将自组织竞争学习神经网络(slf 除航迹推算的累积误差，获得当前机器人的位姿偏 organizing feature mapping,SOM)方法用于激光雷达 差，并不断修正机器人自身位姿，构建增量式的环境 数据的处理，提取更加精确的环境线段、角点等特 地图。 征，提高了算法的计算效率以及分类性能得到进一 2环境模型及测距式传感器特征提取 步的提高。也有研究者采用卡尔曼滤波对环境的线 段等特征进行提取，不仅对线段特征的误差标准等 真实环境的抽象描述也称为地图构建，即用点 概率特性进行较好地描述和更新，而且受传感器的 和线或栅格的集合近似表达真实环境，是将真实环 非线性影响也较小。 境中连续场景表示成2-D区段，是移动机器人 SLAM的一个重要环节6)。地图中环境特征表征 3基于测距式传感器SLAM常用方法 的准确与否直接影响机器人定位和构建地图的精确 目前，未知环境中机器人利用测距式传感器的 性，因此环境特征的表示要注重特征的鲁棒性和稳 距离信息完成SLAM任务，其基本思想是通过寻找 定性。测距式传感器SALM的环境模型主要有2 当前局部环境地图与已获得的增量式全局环境地图 类，基于特征的地图和密集型地图（栅格地图），前 间的对应关系，减少航迹推算误差造成的移动机器 者主要应用于稀疏障碍物或结构化环境，将环境特 人定位的不确定性9)，获得尽可能精确的机器人当 征作为路标信息，后者主要应用于非结构化环境。 前位姿信息，完备全局环境地图。目前主要方法可 在平面坐标系中机器人根据2条相交的直线就可以 分为基于贝叶斯理论的概率推理定位算法和基于矩 完成自定位，由于环境中存在诸如角、线的特征较 阵分解的定位算法两大类。前者把概率理论应用到 多，而从测距式传感器检测到的原始数据中提取这 移动机器人定位过程中，即在机器人每个可能的位 些特征相对容易，其存储与匹配也简洁方便，因此采 置设置一种概率值，根据机器人运动过程中测距式 用角、线描述环境成为机器人SLAM问题中最常用 传感器感知到的新环境距离信息更新机器人可能位 的特征描述方式。针对缺少角、线特征的环境，文献 置的概率值，从而减少机器人位置不确定性。其实 [6,8-9]通过提取天花板的角、线特征来完成机器人 质是把移动机器人SLAM问题认为是贝叶斯评估过由于具有数据处理简单、实时性高和鲁棒性好等优 点，得到了广泛的应用；基于测距式传感器的机器人 定位和地图构建的基本思想是通过融合传感器信 息，把自身与参照点（如障碍物、环境特征等） 及其 相互关系的距离信息和方位信息在线抽象描述为全 局地图信息。 基于测距式传感器机器人 ＳＬＡＭ 主要从 ３ 方面 考虑：环境特征的提取方法、地图的表示方式和解决 ＳＬＡＭ 问题的核心算法［２］ 。 本文总结目前流行的基 于测距式传感器的 ＳＬＡＭ 方法，从以上 ３ 方面进行 了归类和比较，指出需要解决的关键问题，并根据已 有的研究成果提出未来的研究方向。 １ 典型传感器类型及其作用 根据机器人所携带传感器在 ＳＬＡＭ 系统中的主 要作用，传感器大致可分为两大类，一类是本体传感 器（也称内部传感器），如里程计、陀螺仪、指南针、 速度或加速度计等；另一类是外部传感器，如激光雷 达、超声波、红外线、微波雷达、ｋｉｎｅｃｔ ［５］ ，机器人通过 外部传感器可以获得真实环境特征的抽象描述及距 离信息或图像深度信息。 基于测距式的 ＳＬＡＭ 主要 框架是采用本体传感器和外部传感器相融合的定位 方法，利用本体传感器来实现机器人航迹推算，通过 外部传感器（一种或多种）抽象获得的外部环境特 征及其距离信息与已构建环境地图的特征匹配，消 除航迹推算的累积误差，获得当前机器人的位姿偏 差，并不断修正机器人自身位姿，构建增量式的环境 地图。 ２ 环境模型及测距式传感器特征提取 真实环境的抽象描述也称为地图构建，即用点 和线或栅格的集合近似表达真实环境，是将真实环 境中连 续 场 景 表 示 成 ２⁃Ｄ 区 段， 是 移 动 机 器 人 ＳＬＡＭ 的一个重要环节［６⁃７］ 。 地图中环境特征表征 的准确与否直接影响机器人定位和构建地图的精确 性，因此环境特征的表示要注重特征的鲁棒性和稳 定性。 测距式传感器 ＳＡＬＭ 的环境模型主要有 ２ 类，基于特征的地图和密集型地图（栅格地图），前 者主要应用于稀疏障碍物或结构化环境，将环境特 征作为路标信息，后者主要应用于非结构化环境。 在平面坐标系中机器人根据 ２ 条相交的直线就可以 完成自定位，由于环境中存在诸如角、线的特征较 多，而从测距式传感器检测到的原始数据中提取这 些特征相对容易，其存储与匹配也简洁方便，因此采 用角、线描述环境成为机器人 ＳＬＡＭ 问题中最常用 的特征描述方式。 针对缺少角、线特征的环境，文献 ［６，８⁃９］通过提取天花板的角、线特征来完成机器人 定位；此外，根据机器人所在环境的特点，提取具有 独特信息的特征作为路标信息，文献［１０⁃１２］提取环 境中圆作为定位路标信息，文献［６］提取环境中矩 形特征作为定位路标信息。 随着环境的复杂性越来 越高，对环境二维建模不能满足需要，文献［１３⁃１４］ 等提取环境三维特征作为定位路标信息。 栅格地图 模型是根据测距传感器的原始数据获得障碍物占据 栅格情况，从而构建环境地图［２］ 。 测距式传感器采集真实环境的数据是点的集 合，如何对这些离散的点处理获得环境的抽象描述， 即局部地图，很多文献采用了 Ｈｏｕｇｈ 变换的方法进 行局部地图的构建，但其计算量非常大，很难保证局 部地图构建实时性的要求，文献［１５］比较详细地分 析比较了 １１ 种数据点提取特征直线的算法，其中以 数据分割拟合（ｓｐｌｉｔ⁃ａｎｄ⁃ｍｅｒｇｅ）算法较优，因此该算 法得到了广泛应用；此后，研究者在分析总结上述算 法的基础上，对这些算法做了改进，也提出了很多不 同的特征提取算法，如文献［１６］通过建立角点函数 来衡量扫描点是角点特征的程度，利用非极大值抑 制方法去除干扰信息来提取环境的角点特征，文献 ［１７］根据 ｓｐｌｉｔ⁃ａｎｄ⁃ｍｅｒｇｅ 算法思想，采用模糊聚类 算法分割数据，利用最小二乘法拟合。 直线参数使线段分割的鲁棒性和线段提取的精 度得到了很大提高，也显著提高了算法效率。 此外， 有研究者将比较成熟的优化算法应用到环境特征的 提取，如文献［１８］将自组织竞争学习神经网络（ｓｅｌｆ⁃ ｏｒｇａｎｉｚｉｎｇ ｆｅａｔｕｒｅ ｍａｐｐｉｎｇ，ＳＯＭ）方法用于激光雷达 数据的处理，提取更加精确的环境线段、角点等特 征，提高了算法的计算效率以及分类性能得到进一 步的提高。 也有研究者采用卡尔曼滤波对环境的线 段等特征进行提取，不仅对线段特征的误差标准等 概率特性进行较好地描述和更新，而且受传感器的 非线性影响也较小。 ３ 基于测距式传感器 ＳＬＡＭ 常用方法 目前，未知环境中机器人利用测距式传感器的 距离信息完成 ＳＬＡＭ 任务，其基本思想是通过寻找 当前局部环境地图与已获得的增量式全局环境地图 间的对应关系，减少航迹推算误差造成的移动机器 人定位的不确定性［１９］ ，获得尽可能精确的机器人当 前位姿信息，完备全局环境地图。 目前主要方法可 分为基于贝叶斯理论的概率推理定位算法和基于矩 阵分解的定位算法两大类。 前者把概率理论应用到 移动机器人定位过程中，即在机器人每个可能的位 置设置一种概率值，根据机器人运动过程中测距式 传感器感知到的新环境距离信息更新机器人可能位 置的概率值，从而减少机器人位置不确定性。 其实 质是把移动机器人 ＳＬＡＭ 问题认为是贝叶斯评估过 ·６５６· 智 能 系 统 学 报 第 １０ 卷