·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 Iagne￾mma 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