3、智能机器人室内定位与拓扑度量优化

智能机器人室内定位与拓扑度量优化

1. 智能机器人定位技术现状

随着人工智能、传感器和计算硬件的发展，智能移动机器人有潜力协助或替代人类完成日常任务，带来商业和社会效益。在环境理解和自主定位方面，主流技术包括 GPS、超宽带（UWB）和同步定位与地图构建（SLAM）。然而，GPS 信号在室内易受阻，UWB 需要环境改造和额外成本。因此，为提升机器人的灵活性和自主性，常使用安装在机器人上的环境传感器（如立体相机或 LiDAR）结合 SLAM 技术。

过去二十年，SLAM 的评估严重依赖模拟数据或昂贵设备，这极大阻碍了其发展。因为相对位姿估计（RPE）和绝对位姿估计（APE）需要计算估计坐标与真实位移的差异，且要求数据的时空同步。即便使用昂贵设备，为大规模、非视距覆盖环境构建相应的 SLAM 数据集仍具挑战性。

2. 室内环境特点与 SLAM 拓扑分析

与复杂自然环境不同，人工室内环境通常具有相对稳定和规则的拓扑结构。一些研究利用这些特点开发 SLAM 算法，并尝试通过拓扑分析间接评估 SLAM 构建的特征地图的位姿估计准确性。同时，随着 LiDAR 成本降低，机器人能高效扫描环境，获取丰富的局部地图特征。若 SLAM 位姿估计存在误差，基于此叠加的局部特征地图会出现扭曲和偏移，通过拓扑测量分析地图特征的一致性，可推断位姿估计误差。

现有的基于拓扑分析的优化方法可分为两类：
- 基于闭环检测的图优化 ：要求机器人在连续位姿估计过程中发现重访地点，基于重访地点的特征构建闭环，然后进行图优化。闭环检测可基于启发式方法、人工辅助或神经网络模型。但如果机器人轨迹无法形成闭环，就无法进行图优化校正。 <