62、机器人能源优化与语义地图构建：前沿技术探索

机器人能源优化与语义地图构建：前沿技术探索

在机器人技术的发展进程中，能源优化和语义地图构建是两个关键的研究领域。能源优化关乎机器人的续航能力和运行效率，而语义地图构建则有助于机器人更好地理解和适应环境。下面将详细介绍这两方面的相关研究。

可变关节刚度控制优化能源使用

在机器人的运行过程中，能源的有效利用至关重要。通过可变关节刚度控制来优化能源使用是一种创新的方法。

首先，我们来看一些关键的公式：
- 扭矩公式：$\tau = V\frac{k_t}{R}-(\nu+\frac{k_bk_t}{R})\dot{\theta}$
- 失速扭矩公式：$\tau_s = V\frac{k_t}{R}$
- 失速电流公式：$I_s=\frac{\tau_s}{k_t}=\frac{V}{R}$
- “无负载”最大速度公式：$\dot{\theta} n = \tau_s(\nu+\frac{k_bk_t}{R})^{-1}$
- 稳态下电机角速度、扭矩和电流公式：
- $\dot{\theta}=\dot{\theta}_n - (\nu+\frac{k_bk_t}{R})^{-1}\tau$
- $\tau=\tau_s - (\nu+\frac{k_bk_t}{R})\dot{\theta}$
- $I = I_s - (\frac{\nu}{k_t}+\frac{k_b}{R})\dot{\theta}$
- 机械功率公式：$P = \tau\dot{\theta}=\tau_s\dot{\theta}-(\nu+\frac{k_bk_t}{R})\dot{\theta}^2$
- 总功率消耗公式：$P {total}=V\sum_{i = 1}^{n}I_i=\sum_{i = 1}^{n}P_i$
- 能源使用公式：$E=\int P_{total}dt$

为了分析NAO V4人形机器人的功耗和能源使用情况，进行了一个简单的行走实验。实验中，机器人逆时针绕着直径为1米的小圆圈行走约1.5分钟，在最大行走速度下大约走4 - 5圈。在不同速度行走时，读取各个关节的电流和电压数据。每次实验针对左右关节（包括Hip Yaw Pitch、Hip Roll、Hip Pitch、Knee Pitch、Ankle Pitch、Ankle Roll），在不同的刚度、行走步长和行走步频下，每个关节大约收集2000组数据。需要注意的是，NAO机器人的左右Hip Yaw Pitch关节由单个电机控制。每个实验重复三次，并计算各个关节的平均值。由于NAO电机关节读数较慢，在不同的实验运行中改变刚度和行走参数来读取单个关节的数据。使用NAO SDK平台版本12.3和Python版本2.7进行数据读取，将电流和电压数据收集并保存到文本文件中进行离线分析。以下是用于收集数据的代码部分：

ALMEMORY_KEY_NAMES = [ "Device/SubDeviceList/LAnklePitch/ElectricCurrent/Sensor/Value", 
"Device/SubDeviceList/Battery/Charge/Sensor/CellVoltageMin",] 

for key in ALMEMORY_KEY_NAMES: 
    value = memory.getData(key) 

实验中使用的参数范围如下表所示：
| 名称 | 最小值 | 最大值 | 默认值 |
| ---- | ---- | ---- | ---- |
| 关节刚度 | 0 | 1 | 1 |
| 行走步频 | 0 (1.667 Hz) | 1 (2.382 Hz) | 1 |
| 行走步长 | 0.001 (m) | 0.08 (m) | 0.04 (m) |

实验结果展示了不同关节在不同刚度下的电流、电压和功率情况。以左Hip Pitch关节为例，在最大速度行走时，展示了刚度为1、0.8和0.6时的电流、电压和功率图。同时，还给出了不同关节在不同刚度下的最大电流和功率值，如下表所示：
| 关节 | 刚度 | 1 | 0.9 | 0.8 | 0.7 | 0.6 |
| ---- | ---- | ---- | ---- | ---- | ---- | ---- |
| 左Hip Pitch | 电流 (A) | 2.72 | 2.75 | 2.68 | 3.34 | 3.31 |
| | 功率 (W) | 63.77 | 64.24 | 62.52 | 78.99 | 78.67 |
| 左Knee Pitch | 电流 (A) | 2.19 | 1.87 | 1.87 | 1.71 | 2.44 |
| | 功率 (W) | 51.28 | 43.38 | 43.1 | 39.81 | 56.75 |
| 左Ankle Pitch | 电流 (A) | 3.31 | 3.77 | 3.00 | 2.78 | 2.84 |
| | 功率 (W) | 78.71 | 88.51 | 70.47 | 65.44 | 67.94 |

不同刚度下各个关节和总关节的总能量使用情况如下表所示：
| 刚度 | 1 | 0.9 | 0.8 | 0.7 | 0.6 |
| ---- | ---- | ---- | ---- | ---- | ---- |
| 左Hip Yaw Pitch (J) | 5770 | 5668 | 5421 | 5540 | 5365 |
| 左Hip Pitch (J) | 15447 | 14751 | 14622 | 14188 | 14482 |
| 左Hip Roll (J) | 13358 | 13472 | 14197 | 14625 | 14486 |
| 左Knee Pitch (J) | 18236 | 18546 | 18675 | 18507 | 19105 |
| 左Ankle Pitch (J) | 22590 | 22017 | 21872 | 21166 | 21163 |
| 左Ankle Roll (J) | 4669 | 4906 | 4810 | 4956 | 5367 |
| 总左关节 (J) | 80070 | 79360 | 79597 | 78982 | 79968 |
| 右 (左) Hip Yaw Pitch (J) | 5770 | 5668 | 5421 | 5540 | 5365 |
| 右Hip Pitch (J) | 12004 | 11380 | 11325 | 10956 | 11351 |
| 右Hip Roll (J) | 11557 | 11543 | 11306 | 11446 | 11394 |
| 右Knee Pitch (J) | 14954 | 14379 | 13315 | 12766 | 11619 |
| 右Ankle Pitch (J) | 14703 | 14964 | 14906 | 14882 | 15398 |
| 右Ankle Roll (J) | 5097 | 5043 | 5178 | 5112 | 4996 |
| 总右关节 (J) | 64085 | 62977 | 61451 | 60702 | 60123 |
| 总关节 (J) | 144155 | 142337 | 141048 | 139684 | 140091 |

通过应用最佳刚度值，可以进一步降低总能量使用。例如，将总能量使用从139684焦耳（刚度0.7时）降低到138073焦耳，虽然在1.5分钟的行走中总能量使用降低幅度仅为1%，但这展示了可变刚度控制在根据特定任务减少单个和总关节能量使用方面的应用。

利用建筑类型学构建室内环境语义地图

语义地图构建是让机器人更好地理解室内环境的重要手段。传统的语义地图构建方法通常不考虑被映射建筑的具体类型，而实际上，每栋建筑都有其特定的类型学。建筑类型学表示具有相同功能（如学校建筑、办公楼建筑）和相同结构特征（如教室不直接与体育馆相连）的一组建筑。

提出的语义地图构建系统利用激光测距扫描仪的数据，为每种建筑类型创建特定的分类器。该系统使用五个语义标签（小房间、中等房间、大房间、走廊、大厅）对室内环境的房间进行标记。分类器的输入数据是从以线段集表示的度量地图中提取的一系列表征房间的特征，这种度量地图可以由移动机器人使用激光测距扫描仪轻松构建。

相关工作中，根据传感器模态，对场所分类的方法可以分为基于激光测距扫描仪和基于相机两类。基于激光测距扫描仪的方法有：
- 提取环境的拓扑地图，将环境划分为由狭窄通道连接的开放空间集合，通过模糊网格地图和模糊数学形态学技术提取房间。
- 使用具有语义值（走廊、房间、门）的拓扑地图，但地图构建细节未详细说明。
- 基于AdaBoost对单个激光测距扫描进行分类，考虑从原始传感器数据提取的特征和近似多边形后的特征，能正确分类不同环境中的扫描数据。
- 通过激光测距扫描仪数据构建语义地图，利用区域和位置概念，根据房间的面积、主轴和偏心率等特征为房间贴上语义标签。
- 使用Voronoi随机字段提取环境的拓扑地图，通过条件随机场估计每个节点的标签。
- 从2D和3D地图中提取语义信息，使用隐马尔可夫模型和支持向量机分类器对地形和城市环境部分进行标记。

基于相机的方法通常结合相机和激光测距扫描仪来提高场所分类性能，如使用支持向量机结合多个视觉线索和激光测距数据，或者将基于线段的度量地图与包含场所和对象信息的高级地图集成。

提出的系统不使用任何视觉信息，而是利用关于被映射室内环境建筑类型的先验知识。实验结果表明，这种特定于建筑类型的分类器比不参考任何建筑类型的通用分类器具有更好的分类精度，并且与需要更丰富输入数据（如来自相机）且使用较少语义标签的最先进分类器性能相当。

综上所述，可变关节刚度控制在机器人能源优化方面具有一定的潜力，而利用建筑类型学构建语义地图为机器人更好地理解室内环境提供了新的思路。未来的研究可以进一步拓展这两个领域，如在能源优化方面考虑更多影响能源使用的因素，在语义地图构建方面探索更复杂的建筑类型和更高效的分类方法。

机器人能源优化与语义地图构建：前沿技术探索

能源优化实验的深入分析

在可变关节刚度控制优化能源使用的实验中，我们可以进一步分析不同参数对能源消耗的影响。从实验数据来看，关节刚度、行走步频和行走步长这三个参数相互作用，共同影响着机器人的能源使用。

• 关节刚度的影响 ：不同关节在不同刚度下的电流、电压和功率表现不同。以左Hip Pitch关节为例，刚度为0.8时电流相对较低，功率也相对较小。这表明在一定范围内，适当降低关节刚度可以减少能源消耗。然而，当刚度低于0.6时，机器人行走变得不稳定甚至会摔倒，这说明关节刚度存在一个合理的取值范围。
• 行走步频的影响 ：实验中还给出了不同行走步频下的总能量使用情况。当行走步频为0.1（即最大速度的10%）时，能量使用约为最大速度时的80%。这意味着在低速行走时，能源消耗并没有成比例地降低，可能存在一些固定的能源损耗。
• 行走步长的影响 ：行走步长的变化也会对能源使用产生影响。较长的步长可能需要更大的扭矩来驱动关节，从而增加能源消耗；而较短的步长可能会导致行走频率增加，同样也会增加能源消耗。因此，需要找到一个合适的行走步长来优化能源使用。

为了更直观地展示这些参数之间的关系，我们可以绘制一个mermaid流程图：

graph LR
    A[关节刚度] --> B[电流、电压、功率]
    C[行走步频] --> B
    D[行走步长] --> B
    B --> E[能源使用]

语义地图构建系统的优势与挑战

利用建筑类型学构建室内环境语义地图的系统具有一定的优势，但也面临着一些挑战。

优势

• 提高分类精度 ：实验结果表明，特定于建筑类型的分类器比通用分类器具有更好的分类精度。这是因为建筑类型学提供了关于建筑结构和功能的先验知识，能够帮助分类器更准确地识别不同的场所。
• 减少对视觉信息的依赖 ：该系统仅使用激光测距扫描仪的数据，不依赖于相机的视觉信息。这使得系统在一些视觉条件较差的环境中也能正常工作，提高了系统的鲁棒性。
• 易于实现 ：以线段集表示的度量地图可以由移动机器人使用激光测距扫描仪轻松构建，不需要复杂的传感器设备和算法。

挑战

• 建筑类型的确定 ：在实际应用中，准确确定建筑的类型可能是一个挑战。不同的建筑可能具有相似的结构和功能，难以明确区分其所属的类型。
• 先验知识的获取 ：系统依赖于关于建筑类型的先验知识，这些知识的获取可能需要人工干预或大量的训练数据。
• 泛化能力 ：虽然系统在实验中表现出了较好的分类精度，但在不同的建筑环境中，其泛化能力还需要进一步验证。

未来发展方向

机器人能源优化和语义地图构建这两个领域都有很大的发展潜力，未来可以从以下几个方面进行深入研究：

能源优化方面

• 考虑更多影响因素 ：除了关节刚度、行走步频和行走步长外，还可以考虑电池排水、关节负载、摩擦和温度等因素对能源使用的影响。通过综合考虑这些因素，可以进一步优化机器人的能源使用。
• 动态调整参数 ：可以开发一种动态调整关节刚度、行走步频和行走步长的算法，根据机器人的实时状态和任务需求自动调整这些参数，以实现最佳的能源效率。
• 多机器人协作 ：在多机器人系统中，可以通过协作的方式优化能源使用。例如，机器人之间可以共享能源信息，根据各自的任务和能源状态进行合理的分工和协作。

语义地图构建方面

• 拓展建筑类型 ：可以进一步研究更多类型的建筑，如医院、商场、工厂等，开发适用于不同建筑类型的语义地图构建系统。
• 融合多种传感器信息 ：虽然系统目前仅使用激光测距扫描仪的数据，但可以考虑融合其他传感器的信息，如相机、惯性测量单元等，以提高语义地图的准确性和完整性。
• 实时更新语义地图 ：在机器人的运行过程中，环境可能会发生变化。因此，需要开发一种实时更新语义地图的算法，以保证地图的实时性和准确性。

综上所述，机器人能源优化和语义地图构建是两个具有重要研究价值的领域。通过不断地探索和创新，我们可以提高机器人的能源效率和对环境的理解能力，为机器人的广泛应用提供有力的支持。