基于激光扫描仪的NAO人形机器人控制系统

法国Aldebaran Robotics公司设计了一款名为NAO的仿人机器人，它能够利用定制操作系统的开发环境完成编程。人与机器人之间可通过多种方式进行互动，如使用触摸传感器或识别声音和图像。机器人在移动过程中还装有多个传感器，如脚前部的限位开关、两个可互换的、覆盖范围部分重叠的摄像头、可使用预定义集成单元处理的图像处理算法，以及两个超声波传感器，使其能够估算环境中障碍物的距离（图1）。

 

要获取机器人周围的数据，可以使用运动传感器，如超声波传感器、保险杠、视觉系统或陀螺仪传感器的数据。本研究作者建议使用激光雷达（光探测与测距）扫描设备，该设备能够将机器人所处环境的空间边界可视化。此外，研究团队还提出了一种算法，用于处理来自激光雷达的读数，并将所获得的知识与正在执行的机器人传感器合并，以建立一个联合决策，并将其传递给机器人的控制系统。

服务器端的使用，解决了安卓平台层面计算资源有限的问题。内置传感器提供的反馈精度可能不足以支持在既定非空空间内实现独立安全的导航，尤其当主要目标是抵达特定位置时。因此，本研究提出的算法依托简单可行手段，显著提升了NAO机器人或其他移动类人机器人的导航能力。

 

避障算法中的自由区域识别

本文提出的算法总体设计旨在实现以下目标：识别无障碍自由区域与受墙壁、行人等障碍物限制的区域，实时追踪机器人运动轨迹，并确定其在环境中的实际位置——即使机器人不在激光雷达视场范围内。

 

图2：NAO人形机器人激光头部单元（Gomez型号）

对于移动机器人而言，准确掌握环境布局及障碍物分布至关重要，这能确保其运动更快速、性能更动态流畅。反之，若机器人进入存在障碍物的特定区域，则需调整运动算法与策略，以谨慎移动保障安全性。NAO机器人虽配备多种可采集环境信息的传感器，但这些传感器存在显著局限性。

超声波传感器可检测障碍物，但无法提供物体尺寸或形状信息。相比之下，视觉系统虽能识别简单物体，却受限于以下缺陷：对光照条件敏感、响应延迟长、识别效率有限，且会消耗大量时间与CPU算力。这些局限性源于内置视觉子系统的硬件性能与处理能力。为突破这些限制，可采用外部计算资源来运行高级场景分析与特征提取算法，从而显著提升识别效果。

尽管NAO机器人足部装有防撞缓冲装置，但这些装置仅应作为避免碰撞的最后手段。遗憾的是，其触发机制存在严重延迟——仅在碰撞实际发生后才会激活，因而无法有效预防碰撞后果。虽然该系统最终能检测到碰撞事件，但由于响应时间不足，仍难以实现实时规避。

Pepper Gardiki机器人是软银机器人公司继NAO之后推出的新一代产品，其标准配置包含激光扫描装置，能够精准探测并识别周围环境。由于目前无法获取该机型，研究人员未将其纳入研究。为此，他们在NAO机器人上加装了外置旋转激光单元——鉴于NAO的原厂设备不可改装——这种方案也能便捷地实现实验区域内物体位置的动态校准与感知。

 

自由区域识别算法

基于激光雷达数据，研究人员提出如下自由区域识别算法：在初始阶段，存储激光雷达采集的初始场景状态，识别静态或动态的永久性障碍物，机器人根据激光雷达数据进行初始移动以确定自身位姿；在实时循环阶段，重新加载并存储激光雷达场景数据，验证障碍物识别结果并划定安全移动区域。二次校验规划路径是否位于安全移动区域内。向系统通报位置变更信息，启动移动流程并执行动作。

图3：RPLIDAR开发套件组件清单

在对预处理后的激光雷达数据实施图像处理算法时，系统将执行场景分析。图3所示RPLIDAR开发套件组件清单。图4展示了永久性障碍物的识别流程，该流程仅在设置新工作区或首次运行机器人时执行一次。其目的在于：验证从激光雷达获取的障碍物边界信息，并确定永久性边界。这一步骤有助于划定主要安全区域和次要不确定移动区域。

下一关键阶段在于整合初始分离的知识领域——这些领域包含来自激光扫描仪的测量数据与机器人内置测距方法的数据。虽然基于激光雷达的方案通常会被其他方法替代，但由于研究项目中的激光扫描仪属于外置设备（安装在室内而非移动平台上），因此仍将激光雷达数据作为补充信息源。尽管激光雷达方案精确且先进，但在同一工作区内实现多机器人协同作业的特殊需求，使得采用这一方案成为必要。通过连接外部系统，机器人可随时获取区域地图。

 

图4：激光雷达数据预览应用界面截图（显示原始数据的球面预览视图）

机器人还可共享其位置信息（或在系统中更新信息），从而实现激光雷达地图的同步。经过协商阶段后，当机器人确认自身在地图中的位置时，可划定两类区域。安全区域：激光雷达设备清晰可见的区域。当机器人位于或接近该区域时，区域内所有障碍物（包括墙壁、家具等）均需预留安全距离，动态障碍物则需保持更大的安全余量；受限移动安全区：激光雷达无法直接观测，但根据环境布局推断可供机器人导航使用的区域。

基于激光雷达数据确定机器人位姿，可显著提升定位质量与精度。该精度同时取决于测量信息的准确性，例如激光扫描设备与场景中其他元素（包括机器人自身）的相对距离。正因如此，通过激光雷达数据确定机器人位姿，对于掌握其在雷达生成的人工地图中的精确位置至关重要。

同步算法通常仅在初始化/设置阶段执行一次。当机器人连接外部系统并加载激光雷达数据边界后，其内置算法会比对边界信息以检测是否存在移动物体。若此时超声波传感器检测到前方存在可用空间，机器人将执行短距离移动。移动过程中持续分析激光雷达数据变化，停止后立即向系统上报新位置并广播自身存在状态。机器人会同时在运行内存与非易失性存储器中存储并更新位置信息。理论上，该算法还可用于充电单元的位置定位。

 

图5：激光雷达数据与预设房间边界及障碍物信息叠加显示，辅助机器人定位与方向识别

图6：基于NAO机器人尺寸与位置信息的定位及区域划分系统

完成同步阶段后，机器人实际移动会导致激光雷达数据显著变化，当然同步算法已识别的其他移动物体数据也会显现。在地图预览界面中，机器人位置以直径24像素的圆形标记标示（对应A区域直径0.19米，B区域直径0.5米），该圆形标记包含机器人物理结构的最大外廓圆周及额外的0.155米安全区——用于修正机器人定位误差（见图6）。这0.155米的余量在人形机器人旋转时尤为重要。

 

表1：基于激光雷达数据的机器人定位精度优化（绝对误差分析）

本文提出的机器人定位算法主要基于激光雷达数据，该方案至少能实现机器人位置的初步识别。在该算法中，雷达读数通常形成一个圆形区域，使能够快速、最大限度地确定机器人位姿。当场景中存在多台机器人时，它们的位置和安全区域还会进一步影响安全移动区与受限移动区的形状分布。如表1所示，汇总了基于该算法的定位结果，并与机器人实际位置进行对比。考虑到激光雷达定位本身存在的模糊性，这些初始误差在可接受范围内。

 

图7：NAO机器人在激光雷达定位精度测试中的位姿数据

 

避障算法说明

当机器人能够在安全移动区域内从起点A导航至目标点B时，系统将以常规或加速模式完成移动。机器人可调用区域地图计算最优路径——该路径可能满足以下任一优化标准：能耗最低、时间最短、距离最优，或符合其他预设的最优条件。
若机器人需在安全移动区域外执行导航，系统将启动谨慎移动模式：降低行进速度，同时将超声波传感器的优先级和刷新率提升至最高等级。当传感器检测到障碍物导致原定导航任务受阻时，系统将根据新约束条件重新规划路径。所有移动物体（无论是人员或其他移动机器人）均采用双倍安全区域进行处理（见图8）。

 

图8：避障算法运行机制

图9：机器人、障碍物及其运动轨迹的可视化系统

 

该方案的实际应用

激光雷达数据处理涉及对系列测量值进行处理，并将其转换为球面二维坐标系。此过程可能具有挑战性，但通过图4和图5所示可视化工具的开发实践所积累的代码与经验，可直接应用于最终系统——该系统实现了外部激光雷达与区域内导航机器人的集成对接。

系统就绪后，可执行以下功能：接收机器人连接请求、传输当前数据帧、获取机器人实时位姿信息。虽然支持多种数据传输格式，但JSON因其便捷性成为优选方案。具体实施案例中，NAO机器人通过静态IP地址与服务器建立连接，随后调用Python脚本从服务器获取最新帧的JSON数据。

机器人会执行短距移动（若条件允许），通过观察激光雷达数据变化实现地图位姿校准——该位置协商算法前文已详述。机器人将自身位置上传至服务器并写入JSON数据结构，以便其他接入服务器的机器人在同一区域内协同导航时调用。

 

表2：机器人起始点与目标点位姿差异分析（运动轨迹对比，见图9）

在预览界面中，机器人位置以直径24像素的圆形标识呈现。服务器代理模块将该位置记录为圆心坐标，并同步更新安全移动区与受限移动区的形状变化。该预览圆形的尺寸及区域数据中受限移动区的扣除部分，约等同于机器人站立姿态时的物理外廓边界（见图4和图6）。

机器人从服务器获取的信息可采用以下任一种数据形式/结构：原始激光雷达数据、激光雷达数据+永久性墙壁与障碍物信息、激光雷达数据和永久性墙壁与障碍物信息和机器人位置坐标、主区域（安全移动区）数据、次区域（受限移动区）数据。

在本方案的实际应用中，外部系统尚未集成路径规划功能。但引入该功能将显著提升系统优势，可实现多机器人路径同步，有效预防碰撞风险。若直接在机器人端实施路径规划，则需特别处理途中可能遭遇的其他机器人。

服务器的使用解决了安卓平台计算资源有限的问题。内置传感器提供的反馈可能不够准确，无法在确定的非空旷空间内实现独立、安全的导航，尤其是在主要目标到达特定位置的情况下。因此，建议的算法采用最简单的方法，大幅提高NAO机器人或其他移动仿人机器人的导航能力。

然而，尽管机器人路径与激光雷达地图数据或系统区域数据的同步，因部分区域未被激光雷达完全覆盖及某些区域需加强警戒而无法提供终极导航解决方案，但必须将机器人的里程计系统纳入决策与安全算法的考量范畴。

 

运动控制系统

本节旨在阐述针对特定运动与任务执行的机器人控制算法，该算法以特定执行形式设计而成。其目的是展示如何修改各单元数据，并解释机器人工作区域地图算法的确定机制，包括房间尺寸、激光雷达探测范围、激光雷达安装高度、机器人横截面尺寸等参数。

 

图10：机器人、障碍物及其运动轨迹在激光雷达预览界面上的可视化呈现

此外，采用特定执行形式编程的优势在于，能够选择不同的替代方法来完成某些任务，例如碰撞检测方法、新运动轨迹的确定策略等。为评估所提算法的效率，研究人员进行了如下测试，其目的在于验证该系统是否能显著提高机器人移动至目标位置的精度（见图10）。

NAO机器人的路径跟踪精度较差。即使仅移动1米距离，其到达目标位置的误差仍可能十分显著。这一现象由多重因素共同导致：地面摩擦系数变化及表面不平整、机器人行走时左右腿运动不对称、转向时的角度精度误差、机械结构松动等。这些问题的影响程度可单独分析评估，但总体上亦可视为随机误差。

单纯依靠内置里程计导航时，所示的4-8次尝试均未成功。在转向过程中，NAO机器人会产生显著误差，若未对该误差进行补偿，会导致机器人在碰撞障碍物时卡滞。而采用我们提出的算法后，虽然机器人每次都能通过测试路径（图9），但其返回起始位置时的定位误差始终未超过3.9厘米。如表2所示的数据——五次从起点A出发并沿指定路径返回同一点的导航测试结果，充分验证了这一精度表现。

 

未来工作

本研究提出的算法与系统概念，可结合其他信息源（如类似分布式计算机视觉系统的外部视频系统）来获取机器人位置及障碍物信息，从而以更便捷、准确的方式提供数据与地图，尤其在运动自由度受限的区域提升移动障碍物的检测能力。

此外，可在算法中集成卡尔曼滤波器等滤波技术，这将为算法提供令人满意的性能补充。进一步地，可通过增加激光传感器数量来扩展系统功能，从而获取更丰富的环境信息。在此配置下，运动受限区域的覆盖范围将显著缩小。

结论

尽管存在一定局限性，但研究提出的算法可显著提升机器人安全运动区域的判定可靠性。相较于内置标准算法，该方案在目标点到达任务中展现出更高的效率。此外，通过增加激光传感器或融合视频视觉系统，该算法可扩展应用于其他移动机器人平台。将部分计算任务从机器人本体迁移至外部系统执行，不仅能实现在线计算流程，还可有效降低成本。这一技术路径目前已获得广泛认可，在移动机器人领域尤为如此。

 

来源：荣格-《国际工业激光商情》

原创声明：
本站所有原创内容未经允许，禁止任何网站、微信公众号等平台等机构转载、摘抄，否则荣格工业传媒保留追责权利。任何此前未经允许，已经转载本站原创文章的平台，请立即删除相关文章。