【干货】揭秘-仓储搬运机器人究竟是如何导航的？
导语
大家好，我是智能仓储物流技术研习社的社长，老K。随着类Kiva机器人在电商行业的大规模应用，越来越多的仓储机器人被发明并投入到仓储物流的应用场景中，这些机器人底层最重要的技术是导航，今天一起来起底一下移动机器人的导航技术的秘密。
过去几十年间，随着经济的发展，社会对生产力的提高有越来越高的要求，因此机器人逐渐出现，开始代替部分人工参与到工作中。尤其是仓储移动机器人，凭借着它的高效率在物流领域发挥着巨大作用。
仓储移动机器人在有限空间内进行移动，这种情况使它的导航技术变得极为重要，尤其是自主导航作为一项核心技术，是赋予机器人感知和行动能力的关键。因此，如何实现仓储移动机器人在不确定环境中自主定位导航一直都是机器人研究的一大核心课题。
01
仓储移动机器人导航技术背景
什么是导航
从广义来说，导航是指引一定的设备（载具），如车、船、卫星与火箭等，从一点出发到达另一点技术的总称，其技术栈主要是分为定位、轨迹规划和运动控制三部分。
规划与运动控制虽是导航技术栈的组成部分，但往往作为技术手段，而非核心问题。因此从狭义来说，大部分情况下导航的核心是确定位置与方向，即定位。这主要是和导航早期应用于航海有关，如罗盘、六分仪等航海仪器。
仓储物流环境中的导航
仓储物流环境下导航的特点可从有利条件和挑战两个方面进行阐述：
有利条件
1、有限大小、有限视野，意味着导航地图是有限大小的，在进行搜索时是非常有利的。
2、场景相对结构化，即仓储物流环境下主要是货架以及通道等，不需要特别多的智能。
挑战
1、慢变环境，即介于静态环境和动态环境两者之间，例如：货架上的货物，当前时刻是在货架上，但是过了一段时间，货物可能被人取走。
2、人机混合，指人和机器在同时工作的时候，怎么处理人机交互问题。
3、高精度要求，因为机器人需要操纵货架上的货物，所以对精度要求较高，达到厘米级或毫米级。
02
常用传感器特性简述
在进行阐述传感器之前，需要说明两个从生理学上引入的概念——自觉和外觉。
自觉，也可称“自运动觉”，是指我们通过自身的器官感知自身状态，如：位置、方向、速度、加速度等自身状态量。
外觉是指感知环境状态，通过外部改变刺激人体，人体通过声、光、触、味、嗅产生相应反应。
基于此，可以把传感器分为自运动觉传感器和外觉传感器，从定义上不难看出，自运动觉传感器能够感知机器人自身的状态，如：加速度计感知机器人自身的加速度、陀螺仪感知机器人的角速度，编码器感知移动机器人的相对运动等。
外觉传感器主要是感知外部环境，如用视觉传感器感知环境的光，激光传感器感知障碍物等。
两类传感器的特点：
| |
自运动觉传感器 |
外觉传感器 |
优点 |
局部精度高 |
感知环境状态 |
不受环境干扰 |
矫正累积误差 |
|
不足 |
累计误差大 |
受环境干扰 |
对外部环境无感 |
基于上述特点，接下来将逐一介绍常用的传感器：
自运动觉传感器
1、光电编码器
光电编码器是利用光栅衍射原理实现位移——数字变换，通过光电转换，将输出轴上的机械几何位移量转换成脉冲数字量的传感器。
常见的光电编码器由光栅盘、发光元件和光敏元件组成。光栅实际上是一个刻有规则透光和不透光线条的圆盘，光敏元件接收的光通量随透光线条同步变化，光敏元件输出脉冲信号，每转一圈，输出一个脉冲。根据脉冲的变化，可以精确测量和控制设备位移量，单个波形计算转动角度，双波相位差确定转动方向。
它的优缺点是短时测距精度高，但是需要特别安装、角度估计精度较低、累积误差大以及容易受打滑影响！
2、惯性传感器
惯性传感器是一种传感器，主要是检测和测量加速度、倾斜、冲击、振动、旋转和多自由度(DoF)运动，是解决导航、定向和运动载体控制的重要部件。
惯性传感器分为两类，一类是角速率陀螺仪，另外一类是线加速度计。
角速率陀螺分为机械式干式﹑液浮﹑半液浮﹑气浮角速率陀螺，挠性角速率陀螺，MEMS硅﹑石英角速率陀螺（含半球谐振角速率陀螺等），光纤角速率陀螺，激光角速率陀螺等。
线加速度计又分为机械式线加速度计、挠性线加速度计、MEMS硅、石英线加速度计（含压阻﹑压电线加速度计）、石英挠性线加速度计等。
这类传感器的优缺点是短时角度估计精度较高并且易安装、不拘载体形式，但是位移估计精度较低，主要是因为相对于角度，加速度需要做两次积分导致误差变大，此外惯性传感器的误差会随着时间的增加而累积。
外觉传感器
1、 GPS
GPS定位，主要是与至少4个已知位置的卫星通信，计算空间座标来确定接收器的位置。目前GPS定位主要是分为单点定位与差分定位两种方式：
单点定位（绝对定位）就是通过唯一的一个GPS接收器来确定位置；差分定位（相对定位）就是通过增加一个参考GPS接收器来提高定位精度。
GPS的优点主要是几乎全球可用、工作范围大，使用差分定位GPS精度非常高等，缺点是在室内基本不可用以及复杂室外环境信号差等。
（图片来自zhihu.com）
2、超声波传感器
超声波传感器主要是通过发送声波，计算接收时间以测距。
优点是成本低、近处精度尚可，缺点为抗干扰能力差、温度等空气条件影响大。因此超声波传感器一般用来进行避障，很难在定位上应用。
(左侧图片来自research.sinica.edu.tw)
3、磁导航传感器
磁感应传感器通过检测地面铺设的磁性引导带，获取与磁性引导带的相对坐标信号。
优点是精度较高、稳定可靠，但是因为铺设磁性引导带导致机器人只能行走固定路径，另外也增加了施工改造成本。
4、激光雷达
激光雷达传感器的工作原理是发射激光，遇物体后反射，传感器接收回波后计算调制红外光的发射、反射后产生的相位差,来换算与被测目标物体之间的距离。
激光雷达按线数分为单线（2D）和多线（3D）两类：
目前单线激光雷达主要用于规避障碍物，其扫描速度快、分辨率强、可靠性高，但是单线雷达只能平面式扫描，不能测量物体高度，有一定局限性，主要应用于服务机器人身上，如我们常见的扫地机器人等。
多线激光雷达数据量大，信息丰富，可以识别物体的高度信息，主要应用于汽车的雷达成像。
按照工作方式分为机械式和固态两类：机械式成熟稳定，扫描角度大，能达到360度，但是成本高；固态式结构简单，扫描快，成本较低，但是角度有限，加工难，信噪比差。
5、视觉传感器
视觉传感器的工作原理为可见光经特定投影模型在传感器上成相，下面按照镜头、工艺、传感器数量以及快门种类（曝光方式）来进行区分。
按镜头分为普通、鱼眼、全景三种类别：
（图片来自google images）
按工艺分为CMOS、CCD两种：
按数量分为单目、双目、多目三种：
按快门种类（曝光方式）分为卷帘、全局两种：
（图片来自google images）
优点是具有仿生学优势，90%以上动物使用的导航传感器；信息量大，获取丰富的颜色信息及纹理信息，可以用于定位、控制和感知；成本低，价格相对同级别激光传感器小一个数量级。
缺点主要是损失一个维度信息，即三维信息转换成为二维图片；算法复杂。
03
导航技术中的估计理论
状态估计问题
基于传感器的数据，定位问题就转换为当前约束下机器人的状态估计问题，即给定一些约束数据，求机器人状态信息和环境特征的概率分布。
主流的状态估计方法是分为滤波和优化两种方法：
滤波方法，即迭代式，每一时刻用运动模型预测状态，用测量模型校正状态。
优化方法，即批量式，把状态为待优化量，运动模型和传感器观测为优化约束，进行状态估计。
（左侧图片来自ness.com；右侧图片来自g2o）
滤波方法—卡尔曼滤波
卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。下图中x代表状态量，P是指状态量的协方差，用来表征不确定度。
（图片来自gfycat.com）
滤波方式—粒子滤波
通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数，用样本均值代替积分运算，进而获得系统状态的最小方差估计的过程，这些样本被形象的称为“粒子”，故而叫粒子滤波。
粒子滤波的主要过程是首先进行采样，即生成粒子，之后去移动粒子建立预测运动模型，利用观测更新粒子权重，最后进行重采样，粒子越重采样越多，越轻采样越少，得到新的粒子分布，得知机器人所在位置。
（图片来自wikimedia.org）
相对于优化方法，滤波方法的不足之处是：过往状态不会被继续优化、不会重线性化以及扩展性差（多传感器、多约束）。
（图片来自Hauke Strasdat et al: Real-time Monocular SLAM: Why Filter?）
优化方法—图优化
图优化本质上是一个优化问题，那么优化问题是什么？
优化问题有三个最重要的因素：目标函数、优化变量、优化约束。在图优化方法中节点表示待优化量，边表示（先验、传感器等）约束。下图中x为待优化状态量，e为一个约束对应的误差，Ω是约束信息矩阵，表征可信度。
(图片来自 g2o)
图优化示例—GPS约束
节点：k时刻三维坐标 ???????? = (????, ????, ????)。
约束：k时刻经过处理的GPS测量坐标 ，约束误差
,信息矩阵
，如下图，最后代入F(x)进行计算。
图优化示例—图像投影点约束
节点：k时刻三维位姿（????, ????），路标点三维座标 ????。
约束：k时刻路标点在图像平面内的特征点座标 ????，约束误差 ???? = ???? − ????(????, ????,????)， P为投影方程，信息矩阵 Ω 如下图，最后代入F(x)进行计算。
图优化求解—求解过程
线性化误差
线性化总代价
最小二乘，解
常用求解器：
1、G2O
优点是建模较方便，预定义类型多，缺点是没有不等关系约束。
2、GTSAM
优点是集成因子图增量平滑功能，缺点是没有不等关系约束；使用者较少。
3、Ceres Solver
优点是Google出品，质量稳定，支持不等关系约束，缺点是非线性模型局部参数化的建模较繁琐。
04
视觉导航在仓储机器人上的应用
仓储移动机器人位姿特殊模型
几种位姿模
（见论文：Fan Zheng et al. "Visual Odometric Localization and Mapping for Ground Vehicles Using SE(2)—XYZ Constraints"）。
一种图优化实现：
仓储移动机器人视觉SLAM
一种里程计辅助的视觉SLAM框架：
其他仓储移动机器人应用
扩展阅读：
智能仓储物流技术研习社
长按识别别关注
围绕厂内物流Intralogisitics，分享仓储物流自动化技术、设备、系统等知识，畅谈智能仓储物流的未来和去向。专栏包括智能仓储物流自动化规划设计，自动化立体库、智能机器人，自动化拣选系统，仓储管理软件WMS，AGV应用等等一系列热点内容。
原创技术干货文章可点击下列：
原创|052|月台自动化：自动卸载收货系统
原创|051|物流自动化的底层技术——下（信息流）
原创|050|物流自动化的底层技术—上（物料流）
原创|048|仓储物流自动化的上下游
原创|047|仓储物流自动化系统中的物料单元
原创|046|为什么要采用自动化仓储物流系统？
原创|045|前沿|工业4.0下的智能物流系统中的人机交互
原创|044|前沿|解密一项“工业4.0德国物流黑科技”
原创|043|前沿|“不要不相信”之即插即用物流技术的实例
原创|041|前沿|未来工业4.0下的物流系统的设计思路
您也可以扫描如下与社长老King取得联系。
技术类原创不容易，如果大家觉得研习社的文章和内容对您有一点帮助的话，请帮忙多转发、分享。
您的“点赞”、“在看”，是我后续持续分享的唯一动力！