智能自主无人系统研究及趋势初探 - 2022工程评论

工程12（2022）20意见和评论自主式无人系统的研究趋势本·M 陈香港中文大学机械及自动化工程系，香港999077近几十年来，学术界和工业界对自主无人系统的研究和开发投入了自主无人驾驶车辆是一种配备有必要的数据处理单元、复杂的传感器、环境感知、自动控制、运动规划、任务规划、任务管理和通信系统的机器。它是包括人工智能（AI）在内的许多领域的先进技术的集成，可以在没有人类操作员的情况下自主执行和完成某些特定任务 。 自 主 系 统 ， 如 无 人 地 面 车 辆 （ UGV ） [1] ， 无 人 飞 行 器（UAV）[2]，无人水面车辆（USV）[3]和无人水下车辆（UUV）[4]（图）。 1），预计将在工业应用中发挥重要作用，如搜索和救援侦察，安全监视，环境和交通监控，电力线和管道检查，建筑物检查，地理测绘，隧道检查，电影制作，物流运输和仓库管理。因此，自主无人驾驶汽车已成为一个新的经济焦点，发展迅速。近年来，无人驾驶系统（如工业应用的无人机和UGV）的市场急剧扩大主要为军事目的开发的技术现在正被应用于商业用途。预计民用自主无人系统的市场将扩大和发展，以覆盖人们先进的自主系统由于其低成本、灵活性和最小化的操作风险而获得了巨大的成功在可预见的未来，无人驾驶系统包括陆地、水面和空中交通工具将越来越受欢迎。这种车辆可以用来处理迄今为止一直在人类操作员的权限范围内的各种任务。无人系统必须能够在复杂和密集的集群条件下运行，以执行各种任务。此外，大多数现有的无人系统已经被设计用于特定的任务和环境，这不能容易地扩展到不同的任务或动态环境。因此，智能自主无人系统的研究和开发仍处于起步阶段。图2描绘了形成智能自主无人系统所涉及的关键技术组件。的讨论下文简要介绍了每个模块的功能，并概述了一些正在进行和可能进行的研究内容。(1) 硬件平台和传感器。这些包括一个机械硬件平台和一组传感器，用于感测周围环境并收集测量数据和应用数据。除了传统的硬件平台，如飞机、地面、水面和水下航行器中使用的硬件平台外，通过开发多模式无人驾驶系统，如陆-水和陆-空混合动力以及空-水无人驾驶飞行器，扩展无人驾驶系统的功能性的兴趣越来越大，这些无人驾驶飞行器可以在更复杂的车辆(2) 感知和定位。定位是确定无人驾驶飞行器相对于其环境的位置的过程，并且是飞行器控制和高层决策所需的最基本和必要的组成部分之一。在典型的定位场景中，无人驾驶车辆配备有观察环境并监控车辆自身运动的传感器 定位问题是通过传感器组收集的信息来估计车辆的位置和方向。感知在许多应用中也是必要的，其中无人驾驶车辆必须在复杂的环境中操作，同时执行诸如物体检测、环境表示、场景理解、活动识别和语义位置分类等任务[7]。(3) 动态控制系统。动力学控制系统对于无人驾驶车辆在很少或没有人类操作员干扰的情况下操作是必不可少的。虽然许多研究人员试图设计没有动态模型的控制系统，但作者认为，一个好的控制系统设计需要对硬件平台动态特性有清楚的了解，以及相当准确的数学模型。无人系统的动态控制系统可能涉及多个层次，例如内环控制系统和外环控制器。通常，内环控制用于稳定无人驾驶飞行器的姿态，而外环系统控制飞行器的位置和速度[8]。在一些https://doi.org/10.1016/j.eng.2021.10.0142095-8099/©2021 THE CONDITOR.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可从ScienceDirect获取目录列表工程杂志首页：www.elsevier.com/locate/engB.M. 陈工程12（2022）2021Fig. 1. 无人驾驶系统框架的图示。通讯：通信图二.智能自主无人系统的技术结构。HCI：非常规无人平台，可能需要更先进的控制系统来产生良好的性能。一般来说，任何配备有搜索器所提到的三种功能的物理系统都可以被称为“无人系统”。 预计将进行更多的研究工作，UUV系统，其中包括先进的水下航行器[9]，水下图像处理[10]和水下同步定位和测绘（SLAM）的发展。(4) 动作规划。运动规划需要将期望的运动任务（从任务规划模块生成）分解成满足运动约束的离散段，例如在杂乱环境中的避障、空间约束以及与速度和加速度相关联的约束。车辆的作用。它通常优化运动的特定方面，例如旅行时间或能源消耗。运动规划算法产生包含用于较低级别动态控制系统的位置、速度、加速度和/或加加速度参考信号的适当轨迹。无碰撞规范和动态可行性是运动规划中的两个主要约束;这些约束包括环境中障碍物引起的几何约束（路径规划）和车辆的动态约束（轨迹生成）[11]。(5) 任务规划。许多现实生活中的应用需要的不仅仅是无人驾驶车辆从一个地方移动另一个，同时避开障碍物。引导无人驾驶车辆B.M. 陈工程12（2022）2022为了完成复杂的任务，通常需要在任务级进行额外的规划。任务规划涉及将任务转换为可以允许成功执行任务的离散操作;这些操作可以包括具有碰撞避免的总体运动规划、感觉操作规划和具有特定任务的精细运动规划。相对于其规划对应物--运动规划，运动规划侧重于车辆的动力学约束和几何约束连续域中的环境-任务规划在离散域中使用高度抽象的模型，例如规划域定义语言（PDDL），并专注于生成粗略的任务规划。任务系统动力学通常被建模为离散过渡系统，并通过离散规划技术解决[11]。一般来说，当无人系统集成了额外的任务和运动规划能力时，它们可以被称为“自主无人系统”（或简称“自主系统”），因为它们可以自主地执行某些相对简单的目前运动规划的研究主要集中在提高导航过程的速度上。还尝试将任务规划和运动规划过程集成以提高整个系统的效率。为了使其成为“智能机器”，无人驾驶系统应该进一步配备先进的人工智能能力，例如具有特定领域知识的专家系统，可以用来自动决定和分配任务。在许多应用中，为了使系统做出快速和明智的决策，允许回路中的人类操作员与无人驾驶车辆交互的为了将自主无人系统智能有效地集成到现实世界中，对其周围环境的清晰理解和环境数学模型的使用将是非常可取的，以提供有效决策的跨学科分析。环境建模的主题是描述物理世界中发生的空间和时间过程。空间交互行动和拓扑规则通常由地理信息系统（GIS）表征[13]。随着时间的推移改变环境的过程由微分方程组描述，类似于物理系统的动力学建模。具有先进人工智能能力的自主无人系统是所谓的如前所述，这方面的研究还很不成熟。除了实际利用多智能体无人系统外，还有大量工作要 图 3描述了我们对多智能体自主无人系统合作的实用框架的理解，这些系统可以在动态控制或运动规划级别相互协调-例如通过编队和共识控制（这些在过去十年左右已经进行了大量研究;例如，见参考文献[14]以及其中的参考文献）-或者在任务和任务级别，这将以更合乎逻辑的方式调整不同类型的无人系统的协调[15]。总之，作者认为，自主无人系统的研究是一个永无止境的课题。鉴于人工智能和深度学习数据处理技术的发展，智能自主无人系统的主题将是未来几年的主要技术和经济故事之一，因为它涉及的范围很广。这一潜在技术的应用和增值。最后，值得注意的是，对于某些应用，入侵无人系统的检测和捕获是需要研究的关键问题[16]。使用生物启发和基于事件的神经形态视觉传感器的先进传感和感知技术[17]是未来研究的另一个有趣和有前途的领域。确认这项工作得到了香港特别行政区研究资助局（14209020）的部分支持图三. 多智能体自主无人系统的协作。B.M. 陈工程12（2022）2023引用[1] Hebert MH，Thorpe CE，Stentz A，editors.智能无人驾驶地面车辆。Boston：Springer;1997.[2] Valavanis KP，Vachtsevanos GJ，editors.无人驾驶飞行器手册。Dordrecht：Springer;2015.[3] 刘志，张毅，于翔，袁超.无人驾驶水面车辆：发展和挑战概览。 Annu Rev Control2016;41：71-93.[4] 埃勒斯F、editor.自治水下车辆：设计和实践London：Scitech Publishing;2020.[5] Liggins ME，Hall DL，Llinas J，editors.多传感器数据融合手册：理论与实践。Boca Raton：CRC Press; 2009.[6] 袁松，王宏，谢良.无人系统定位系统与算法综述。无人系统2021;9（2）：129-63。[7] Bi X.无人系统的环境感知技术。新加坡：Springer; 2021.[8] 蔡戈，陈宝明，李泰辉。无人旋翼机系统。London：Springer;2011.[9] 谭永华，陈宝明。空-水混合动力汽车发展综述。无人系统2021;9（3）：263-82。[10] 刘翔，高志，陈宝明. MLFcGAN：基于多层特征融合的条件GAN水下图像颜色校正。IEEE Geosci Remote S 2020;17（9）：1488-92.[11] Lan M，Lai S，Lee TH，Chen BM.无人驾驶多旋翼系统的运动和任务规划技术综述。无人系统2021;9（2）：165-98。[12] Kun AL.车辆的人机交互：审查和Outlook.波士顿：现在的基础和趋势;2018年。[13] 张KT。地理信息系统导论。第9版。纽约：McGraw-Hill; 2021年。[14] 作者：Chen F，Ren W.多智能体系统的控制：综述。波士顿：现在的基础和趋势;2019。[15] 丁勇，辛波，陈军。无人机与地面车辆协同研究进展综述。 无人系统2021;9（2）：97-117。[16] KnightJ. Countering无人飞机系统[dissertation]. 蒙特雷：海军研究生院;2019年。[17] 陈G，曹H，康拉特J，唐H，Rohrbein F，诺尔A.自动驾驶的基于事件的神经形态视觉：生物启发的视觉感知和感知的范式转变。IEEE Signal Process Mag 2020;37（4）：34-49.