多机器人协作建图

REF：服务机器人多机协作 SLAM 与路径规划方法研究

1. 机器人应用场景

典型服务机器人及建筑机器人的产品分类：

cea3704bfd2ac138d1935198d58fc7fb.png

a75ea1188281aaba2aee8c87db67b0a7.png

• 国外服务机器人：
  • (a) 第一台扫地机器人Roomba：2002 年美国 iRobot 公司研制，实现自动清扫和刷洗地面
  • (b) 医疗机器人 Ri-Man：2006 年，日本名古屋物理与化学研究所研制，利用视、听、嗅、触等类感官传感器，可以进行搬移患者和基于嗅觉的健康诊断
  • (c) 老年陪伴机器人 Care-O-bot：2015年德国 Fraunhofer研究所，采用多模块化研制，实现了语音互动、家务服务、行为辅助和健康管理等功能

  

  81b0a303f0cb83ec11729736bdb7f40f.png

• 国内服务机器人：
  • (a) 类人机器人 Sophia ：2017 年，香港汉森机器人公司研发 ，具备 62种面部表情，成为了第一个获得国家公民身份的机器人，能够理解和记忆谈话内容进而与人类进行交流
  • (b) 机器人小蛮驴：2020年，阿里巴巴公司发布，集成了达摩院的人工智能和自动驾驶技术，具有类人认知智能，解决快递的最后一公里问题
  • (c) 智能四足机器人 Unitree Go2：2023 年宇树科技推出，配备了 4D 超广角激光雷达和 GPT 模型，采用了先进的运动控制技术，能够更加智能的与人类互动

  

  796790cb204f88df0642eb3d51b75b87.png

• 国外商业建筑机器人：瑞士 In situ Fabricator 钢筋网装配机器人、德国BauBot建筑锚固机器人、日本TOMORO‐BO 钢筋绑扎机器人及美国 Site Print建筑划线机器人

ee9fd110775b3a9f31d5eaf085bb89c8.png

• 国内商业建筑机器人：
  • (a) 博智林机器人：研发了不同工种的建筑机器人，如地坪研磨、墙面打孔、地面整平和室内喷涂等
  • (b)智能钢筋绑扎机器人：中建八局研发
  • (c)平面钢筋网绑扎智能：中铁九局研发，能够快速适用于桥梁、城轨、市政及房建等大面积平面钢筋绑扎施工
  • (d)砌砖机器人：上海建工四建集团研发，包含越障移动底盘、上砖装置、抹灰装置和六轴机械臂等结构

  

  cd3cfe3c663bd8589da8642d1ee1725e.png

• 国外救援机器人：
  • (a) 领导者机器人：2016 年，在俄罗斯的一场煤矿矿难中使用，搭载了摄像机及多种检测设备
  • (b) Groundhog 机器人：卡内基梅隆大学研制，配备了气体、粉尘、温度、湿度、图像及超声波等多种传感器，能探测灾害环境、找幸存者并提供实时数据，可绘制废弃煤矿地图并地理参照测量结果（含温度、湿度等参数），它还能在复杂矿井环境自主规划路径、避障、保持平衡和行走，有效执行救援任务。

  

  87557d96ac42680ab6868b1199c3a848.png

• 国内救援机器人：
  • (a)CUMT-Ⅰ型煤矿救援机器人：中国矿业大学研发，能够实时监测矿井灾害现场的关键环境参数，如瓦斯浓度、一氧化碳浓度、粉尘浓度及温度等
  • (b/c)CUMT-Ⅴ(A\B)系列救援机器人：集成了视频传输、危险气体检测及物品搬运功能，在塔山煤矿成功完成了井下救援试验，采用本安兼隔爆的防爆设计技术，采用梯形弹簧履带式机器人行走机构，有线和无线相结合的多机器人协同通信技术，具有一定的自主能力，能够减少对人工干预的需求。

1962d8b4529dc72e87cfda488d9dbc35.png

2. SLAM 建图

• ORB-SLAM3：一款基于 ORB 特征的开源实时视觉 SLAM 系统，具有广泛相机和传感器支持、多模式运行、高准确度和鲁棒性等优势

b452eeefa4ea1563b7f6826ff7a2fb16.png

• 激光雷达融合相机：在机器人运动过程中，可能相机或雷达中的某一传感器位姿估计失效，例如，在环境光线不足时，仅依赖雷达点云信息；而光线充足则同时利用两种传感器：相机提供地图点的视觉观测数据，激光雷达提供关于地图点的距离和角度信息。通过这样不断的观测和预测，系统能够对其状态进行有效的估计和更新。

c93b2513df2bc6ffbff1e90020c92883.png

• 机器人位姿求解原理：识别并跟踪那些包含丰富信息的特定图像或帧作为关键帧，计算一个旋转矩阵 R 和平移向量 t，通过确保在基准坐标系下，两个相邻关键帧之间的点经旋转和平移处理后的总距离达到最小

a4cf0fcebdbbf93ccae80e473fdb15db.png

• 多机器人点云数据融合：首先建立一个公共的世界坐标系（数据库），各个机器人基于各自环境，从公共世界坐标系中获取关键帧，各机器人基于 ORB-SLAM3 算法对公共世界坐标系进行整体稠密点云地图的创建：
  1. 系统通过访问 ORB-SLAM3 系统中的 DBoW2 数据库，读取存储的雷达点云和相机图像关键帧
  2. 当相机图像关键帧达到一致性时，启动 ROS 的数据通讯主题，依据关键帧跟踪模型和 ICP 算法，计算出它们之间的坐标转换关系，并基于这些转换关系，建立机器人的世界坐标系；
  3. 应用扩展卡尔曼滤波算法，融合雷达和相机的位姿数据确定机器人位姿，并整合深度信息，生成局部的稠密点云地图；
  4. 基于第二步建立的世界坐标系，系统使用位姿转换关系对所有机器人的局部地图进行映射转换（将局部地图转换到全局坐标系中，并将其合并到已有的全局稠密点云地图中，形成全面的全局稠密点云地图）

  

  93aa6bafea419141918bb14c5fdf0ca4.png

3. 多机器人任务分配策略

• 集中式控制系统：中央控制系统通过收集机器人的信息，制定任务分配和行动策略，将指令发送给各个机器人，使他们协同工作完成任务

d69cb8e9de57a97d65e302d7369affb1.png

• 分布式控制系统：机器人之间都具备通信、决策等自主自治能力，在进行多机器人协作时，一个大方面的任务直接交由一个机器人完成，即使机器人完成该方面的任务后有多余的空闲时间也无法加入并帮助其他机器人，无法实现全局最优

da91d302ab95b6fb73d427e438635a85.png

• 混合式控制系统：部分决策和控制任务通过中央节点来协调，其他任务则由各个机器人自主执行，既可以利用中央控制实现高效的任务分配和协同，又能通过分布式执行提高系统的灵活性和可靠性

a04e1de37fc9a42d7b99a2683a7a9b19.png

• 分布式控制系统的任务分配模式：针对具体任务需求，实时捕捉各机器人的当前状态信息，基于不同权重（b）为每个机器人计算得到一个相应的状态记录值，基于最优值进行机器人选择（a）

c2e33eb4a3acea82712817ae1cb84faf.png