先进的 3D LiDAR 定位提高机器人定位精度
西班牙米格尔埃尔南德斯德埃尔切大学
这就是机器人使用 UMH 开发的系统“看到”周围环境的方式。 3D LiDAR 点云表示允许提取全局和局部结构特征来估计机器人的姿态 - 它在空间中的精确位置和方向。 （图片来源：米格尔·埃尔南德斯·德埃尔切大学）移动机器人必须不断估计自己的位置才能自主导航。然而，基于卫星的导航系统并不总是可靠：建筑物附近的信号可能会减弱或在室内无法使用。为了安全高效地运行，机器人必须使用机载传感器和强大的定位算法来解释周围环境。
西班牙埃尔切米格尔·埃尔南德斯大学 (UMH) 的研究人员开发了一种分层定位系统，可显着改善机器人在大型多变环境中的定位。该方法解决了移动机器人技术中最具挑战性的问题之一：所谓的“绑架机器人”问题，即机器人在移动、断电或移位后失去其初始姿态的知识。
该研究发表在《国际智能系统杂志》上 ，介绍了 MCL-DLF（蒙特卡罗定位 - 深度局部特征），这是一种从粗到细的 3D LiDAR 定位框架，专为大型环境中的长期导航而设计。该系统已在 UMH 埃尔切校区的不同环境条件下（包括室内和室外场景）进行了数月的验证。
所提出的方法模仿了人类如何在陌生或不断变化的环境中定位自己。首先，机器人执行粗定位步骤，根据从 3D LiDAR 点云中提取的全局结构特征（例如建筑物或植被）来识别其大致区域。
一旦缩小了该区域的范围，系统就会进行精细定位，分析详细的局部特征来估计机器人的准确位置和方向。
该研究的主要作者、UMH 研究员 Míriam Máximo 解释道：“这类似于人们首先识别一个大体区域，然后依靠微小的区别细节来确定其精确位置。”这项工作由 Mónica Ballesta 和 David Valiente 指导，他们也是 UMH 埃尔切工程研究所 (I3E) 的研究人员。为了避免视觉相似环境中的歧义，该方法集成了深度学习技术，可自动从 3D 点云中提取有区别的局部特征。
机器人不依赖预定义的规则，而是学习哪些环境特征对定位最有帮助。这些学习到的特征与概率蒙特卡罗定位相结合，维护多个姿势假设并在收到新的传感器数据时更新它们。
长期机器人导航的一个主要挑战是环境变化。由于季节变化、植被生长或照明差异，室外空间会随着时间的推移而发生变化，从而显着改变外观。
研究人员报告说，MCL-DLF 比传统方法实现了更高的位置精度，同时在某些轨迹上保持可比较或更好的方向估计。重要的是，该系统随时间的变化表现出较低的变异性，证实了其对季节性和结构变化的鲁棒性。
可靠的本地化是服务机器人、物流自动化、基础设施检查、环境监测和自动驾驶汽车的基础。在所有这些领域中，安全运行取决于现实世界动态条件下稳定且精确的位置估计。
尽管完全自主导航仍然是机器人技术的一个核心挑战，但这项工作使机器人更接近于在大型、不断变化的环境中可靠地运行，而无需外部定位基础设施。
如需了解更多信息，请联系 Angeles Gallar：此电子邮件地址已受到垃圾邮件机器人保护。您需要启用 JavaScript 才能查看它。 +34 965-222-569。
复合材料