动态家庭环境中的机器人自主定位技术

人类在持续变化的家庭环境中行动的能力往往被视为理所当然。每天早晨，我们都能从卧室走到厨房，即使家具布局改变、椅子被挪动，或家人在走廊中间留下鞋子和包包。

这是因为人类对环境具有深层的上下文理解能力，这种理解能够适应各种变化。该能力由卓越的传感器（眼睛、耳朵和触觉）、强大的计算机（大脑）和庞大的记忆库实现。然而，对于传感器、计算能力和内存有限的机器人来说，应对具有挑战性的动态环境需要创新的算法和表示方法。

某中心的科学家和工程师一直在研究如何让Astro在客户家中随时知晓自身位置，且对环境几乎不做假设。Astro的智能运动系统依赖视觉同时定位与地图构建（V-SLAM）技术，使机器人能够利用视觉数据同时构建环境地图并确定其在地图中的位置。

V-SLAM系统概述

V-SLAM系统通常包含视觉里程计跟踪器、非线性优化器、回环检测器和地图构建组件。系统前端通过从传感器数据提取视觉特征，建立不同传感器数据流特征之间的对应关系，并逐帧跟踪特征来执行视觉里程计估计传感器运动。

回环检测尝试将当前帧的特征与先前看到的特征进行匹配，以修正视觉里程计中累积的误差。随后处理视觉特征、估计的传感器位姿和回环信息，通过优化获得全局运动轨迹和地图。

当前最先进的V-SLAM研究假设机器人环境主要是静态且很少变化，但这些假设在客户家中难以成立。

家庭环境的变化发生在不同时间尺度：短期变化（如宠物和人的出现）、中期变化（如被移动的箱子、袋子或椅子等物体的出现）和长期变化（如节日装饰、家具重新布置甚至装修期间的墙体结构变化）。

此外，家庭内部照明随着太阳移动和室内灯光开关不断变化，以不同方式对房间和家具进行遮光和照明，使得同一场景在不同时间看起来截然不同。Astro必须能够在所有照明条件下运行，包括全黑环境。

虽然工业机器人可以在受控环境中运行，其变化已作为规则预编码到软件程序中，但适应未脚本化的环境变化是Astro团队必须解决的基本挑战之一。智能运动系统需要对环境具有高级视觉理解，以便能够以编程方式提取和描述不变的视觉线索。

通过使用数百万对实际捕获和合成的图像对训练深度学习算法，这些图像对描绘了一天中不同时间的相似场景。这些图像模拟了Astro在真实客户家中可能面对的各种场景，如不同的场景布局、照明和视角变化、遮挡、物体移动和装饰。

Astro的算法还使其能够适应从未见过的环境（如新客户的家）。这些算法的开发需要高精度、可扩展的真值机制，能够方便地部署到家庭中，并使团队能够测试和提高V-SLAM系统的鲁棒性。

为了提高定位的准确性和鲁棒性，Astro将导航传感器数据与车轮编码器和惯性测量单元（IMU）数据融合，IMU使用陀螺仪和加速度计来测量运动。每个传感器都有其局限性，可能影响Astro的定位能力，因此理解其噪声特性和故障模式对于确定在给定时间可信赖的传感器至关重要。

例如，当Astro越过门槛时，IMU传感器可能饱和并提供错误读数；或者当Astro在车轮打滑的地板表面上行驶时，车轮编码器可能提供不准确的读数。照明和运动模糊等视觉因素也可能影响传感器读数。

Astro团队还必须考虑各种可预测导致传感器错误的使用案例。例如，确保当Astro被抬离地面时，车轮编码器数据得到适当处理；当设备进入低功耗模式时，某些传感器数据不被处理。

Astro具有有限的板载计算能力和内存，需要在多个关键系统之间共享。团队开发了一种非线性优化技术用于“束调整”，同时优化场景的3D坐标、机器人相对运动估计和相机光学特性，该技术计算效率足够高，能够每秒多次生成六自由度位姿信息。

由于Astro的家庭地图不断更新以适应环境变化，其内存占用稳步增长，需要压缩和修剪技术，在保留地图效用的同时保持在设备内存限制内。

为此，Astro团队设计了一个具有多层上下文知识的长期地图系统，从高级理解（如Astro可以访问哪些房间）到低级理解（如区分地板上物体的外观）。这种多层方法帮助Astro有效识别操作环境的任何重大变化，同时足够鲁棒以忽略微小变化。

所有这些更新都在设备上完成，无需任何云处理。客户家庭的不断更新表示使Astro能够在数月内稳健有效地定位自身。

在创建这类新型家用机器人的过程中，Astro团队使用深度学习并基于最先进的计算几何技术，赋予Astro远超简单家用机器人的空间智能。Astro团队将继续创新，确保Astro学习新的适应更多家庭的方式，帮助客户在忙碌的生活中节省时间。