电子商务和智能制造在21世纪飞速发展，对供应链和仓储的诸多环节提出了更高要求，移动机器人（AMR）在提供高柔性、高精度、高可靠性搬运服务的同时，更能提升原材料、成品搬运的效率，解决劳动力成本急剧增长带来的挑战，被企业主广泛接受。本文基于仓储行业的智能搬运场景中环境高频变化等难点，就移动机器人复杂环境下的感知与定位技术进行讨论，并设计了一整套高效、可灵活配置的软、硬件系统，智能的视觉激光融合感知与定位、规划与控制系统，保障了AMR在业务场景中运行的稳定性。
仓储行业的智能搬运场景中人机交互复杂，环境持续高频变化，对场内移动机器人（Autonomous Mobile Robot，AMR）的定位影响极大，尤其是在对接的场景，环境变化严重影响机器人感知能力，造成无法精确对齐等问题。使用单一导航定位技术的地面移动机器人，如磁条导航、..导航等，无法应对这些复杂的场景。仓储行业需要有强大混合导航技术的移动机器人，提升感知和定位能力，从而保证在复杂多变的场景中稳定运行。
移动机器人上配置有包括激光雷达，视觉相机等多种传感器，但在面临以下几种场景或者条件时，机器人定位、建图及运动控制等存在诸多难点：
在仓库、工厂等场景下，只有墙壁和顶梁柱等少数的固定目标，大部分为空旷空间。在远距离探测时，激光雷达扫描点云会过于稀疏，或激光帧扫到地面，形成干扰数据。深度相机的有效探测距离一般在5米内（远距离噪声较大，难以使用），如果机器人在大部分行驶路径的5米半径范围内都缺少固定物体，也将不会有深度信息反馈。相机虽然能获取到足够远的图像信息，然而从远处的图像中提取角点、线等视觉特征的难度会增加。不能仅依靠图像中的像素得到深度信息，如果计算该点的距离，需要将相机移动再进行一次观察，并根据三角测量原理进行计算。而该点的距离越远，三角测量的误差就越大，导致定位误差也会增加。
在仓储和制造业场景中，物体的动态性较高。图1可以看出左侧都是纸箱，随着任务不同，这些摆放的料箱都会发生巨大的位置变化。动态物体上的特征点会随物体移动，无法给机器人定位提供有效的约束。同时也很难从背景中区分出所有动态的物体，将动态物体上的特征点全部剔除。如果建图时将动态物体上的特征点加入地图，定位时就会因为匹配不上这些已经消失的特征点而失败。
人员的移动存在较大的不确定性，极可能会突然出现在机器人的行驶路径上。一旦出现漏检，将给人带来危险。为了能够保障人员安全，需要实时检测多个方向是否有人存在，甚至需要对人的运动轨迹进行精准预测，才能在人机混行的场景中，实现机器人安全可靠的导航。
特征重复性高的场景，对于激光定位而言，局部特征会在行驶过程中多次重复。而且有效范围内的物体大部分只有墙、柱子这种形状相似的特征，缺少独特的特征会导致定位困难，如图2所示。对于视觉建图，有多次重复的纹理也无法作为全局约束。且该场景中，足够鲁棒的角点特征少，而线特征只能提供一个方向的约束，白墙上更是无法得到丰富的特征点容易匹配错误，造成定位误差。
对于纯视觉方案，光照变化也是一个难以解决的问题。通常仓储物流环境中，不仅受到灯光的影响，还易受到窗户天窗等自然光照射的影响。昏暗的环境中，视觉传感器无法提取到足够的信息，同时会受噪点的干扰，影响定位结果。与此同时，视觉建图和定位时，光照条件相差比较大也会影响定位结果；甚至窗户的自然光直射镜头将会导致相机过曝，无法提取特征导致定位失败，如图3所示。
在仓储、制造业行业场景中，机器人需要精确的对准传送带。为了提高存储密度，货物的存放过于密集，导致机器人行驶的路径狭窄，容差可能是几厘米，如图4所示。这些都对机器人定位提出了较高的精度要求。
叉车与机器人激光雷达安装高度差异较大，探测高度不一致。但运行过程中需要叉车和机器人使用的地图具有相同的坐标系，以保证调度系统使用相同的点位控制机器人，如图5所示。因此，需要叉车和机器人建图具有很高的一致性与绝对精度，以保证不同种类机器人取放相同货位时，位置相同。
机器人为了完成自动化搬运，需要设计一整套的关于数据采集模块，数据处理模块，以及控制规划模块。针对包括拣选、搬运、分拣等不同产品线、不同任务形式，以及不同的传感器配置，需要合理设计系统硬件结构以及模块化的软件架构，从而达到提高开发效率，增强系统运行稳定性，并最终灵活应用到不同产品的机器人上。
图6 机器人硬件结构图
机器人硬件组成，主要包括车载控制器、电池模块、声光报警模块、通讯模块、电机驱动模块、充电模块等。同时针对不同产品的机器人以及实际运行环境，还包括定位感知相关的激光雷达、鱼眼相机、深度相机等模块等，如图6所示。通过硬件架构设计，完成不同模块的数据采集和通信。并将对应的数据送到相应的处理器，由处理器处理完成后，再将处理结果发送给相应的控制驱动模块，从而完成对应的任务。
机器人软件架构设计则通过从底层操作系统到ROS2的算法..，再到相应模块化设计的定位模块、导航模块、避障模块、传感器紧融合模块、控制模块，完成整个软件系统高效且灵活可配置的设计，最终在不同产品线机器人上得到应用。定位建图融合模块获取各子模块的定位建图结果，通过优化各模块的重投影误差达到最小，从而完成机器人的定位与建图。其中各子模块通过对数据的输入与输出接口的抽象，设置成灵活的“可插拔”的配置，针对不同产品机器人的传感器，完成对应模块的删减。感知模块接收各子模块（激光感知模块、视觉感知模块、超声感知模块）的语义及障碍物的检测信息。路径规划模块通过结构定位建图模块的定位，以及地图信息以及感知模块的障碍物以及语义信息，根据特定的任务完成机器人的规划控制。机器人通过硬件架构采集数据，并通过ROS2完成数据在各模块之间的通信。其中ROS2相对于ROS1采用数据分发服务（DDS）通信协议，它可以以零拷贝的方式传递消息，节省了CPU和内存资源，且不存在ROS1中的单点故障，从而更好保证了各模块之间数据通信的高效性与实时性。在系统整体设计方面，极智嘉的SLAM（Simultaneous Localization And Mapping）系统采用紧耦合、多源异构的方式，去使用各种传感器和定位元素的信息，如图7所示。其中，前视的相机用来识别特征点、语义线、..和各种物体（Object），算法在GPU上进行加速后，会将结果传到从CPU处理。下视的相机可以识别地面的..，来计算机器人的绝对位置，这部分的算法会在FPGA上进行优化和加速。而底层里程计和IMU的信息，从MCU上进行读取，并进行融合和算法优化。最终各个传感器的信息经过各自算法在不同的..上处理后，会统一将结果发送到主CPU处理器上，进行结果的融合和最终决策。图7 SLAM系统总体设计
激光与视觉融合的SLAM导航技术使用领先的紧耦合多传感器融合框架，从处理器芯片到激光雷达、相机、IMU和编码器等都实现了高精度的时间同步，确保所获取传感器数据的时间精确性。该技术的关键点包括:
极智嘉机器人出厂前使用自主研发的标定设备对传感器的内参、外参进行严格检校，加上在线标定算法，现已可实现数月以上的运动轨迹重复一致，如图8所示。无论环境如何变化，都能顺利精准完成产线对接，保障产线可持续性。目前机器人多采用机械旋转式激光雷达，每个扫描帧获取的时间从几十到上百毫秒不等，在机器人高速运动时激光扫描帧易变形。极智嘉SLAM算法中使用IMU和轮速数据，对激光雷达扫描帧进行运动补偿，从而解决了机器人高速运动时轨迹偏离的问题，如图9所示。
图9 激光畸变校正前(左)畸变校正后(右)对比
目前行业内主要依靠人工对变化的地图进行修正，无法实现动态更新地图功能。极智嘉SLAM通过滑窗优化（Sliding Window BA）和边缘化（Marginalization）技术，在保障地图和定位精度前提下，裁剪掉“过时”的节点和地图观测数据，有效控制图（Graph）的规模，如图10所示。通过这一业界领先的在线地图动态更新技术创新，极智嘉的搬运方案保障了地图新鲜度，真正实现了动态环境感知和高可靠的定位效果，保证机器人长期稳定运行。
不同于传统的V-SLAM系统，极智嘉的VX-SLAM系统使用的是多种层次的视觉特征。在建图的过程中，除了使用传统方法检测点（Point）、线 （Line）和区域 （Region），还会使用实例分割（Instance Segmentation）方法对视野的对象进行分割和分类，并根据实例分割的结果进行动态物体的滤除，将静态物体作为一个约束加入位姿和地图的优化，最终的地图则是点特征地图、线特征地图、对象地图、特殊区域地图等地图的叠加态。另一方面，VX-SLAM系统融合了机器人上多个传感器，惯性测量单元（IMU）和 Odom 坐标系提供了短时间内精确的相对位姿估计，而激光雷达和摄像头的闭环检测（Loop Closure）和重定位（Relocalization）则用以消除累计的误差，同时融合激光雷达和摄像头可同时利用环境的结构特征和外观特征，使得VX-SLAM系统具有极高的鲁棒性。VX-SLAM系统会输出高精度的视觉地图和激光地图，并会自动将这两个地图进行配准，对齐和融合。在进行定位的时候，视觉输出的重定位结果会和里程计，IMU的位姿递推结果融合，在复杂、多变的环境下实现高可靠性与高精度定位，如图11所示。
图11 基于视觉的重定位
为实现叉车与机器人统一调度，需要融合叉车与机器人构建的SLAM地图。创建地图时，使用识别到的墙壁、立柱等特征，拉齐两个地图的坐标系，可以解决可观测区域不同的问题，如图12所示。此外，使用多传感器融合的定位方案和自动化的标定方案，保证各种类型机器人具有相同的绝对精度。
标签：
