没有合适的资源?快使用搜索试试~ 我知道了~
工程4(2018)446主题洞察机器人:从自动化到智能系统爱德华多·内博特澳大利亚野外机器人中心主任;澳大利亚技术与工程学院院士,澳大利亚本文简要介绍了自主机器人在过去几年中取得的进展。它提出了已经解决的基本问题,使机器人自动化在工业环境中的成功部署。它还描述了未来自主应用在更复杂的场景中面临的一些挑战,城市车辆自动化。机器人机械手的最初应用始于20世纪50年代末,应用于汽车制造业。液压系统随后被电动机取代,使机器人更加灵活和可控。机器人最初用于非常有限和重复的任务,如焊接。它们基于内部运动学进行控制,没有关于环境当前状态的感测信息。这一领域的第一次创新始于20世纪80年代初,引入了相机提供的视觉反馈。还添加了几种不同的传感器模式来监测环境并与环境交互,例如激光和力传感器。然而,大多数使用机械手的工作都是在固定的操作区域内进行的。在这种情况下,机器人的位置几乎没有不确定性,外部环境也被很好地建模和理解。当机器人需要在其环境中移动时,会发生非常不同的情况。 要解决这个问题,两种新的能力变得至关重要:定位和捕获。在工作区域内移动的机器人需要定位,也就是说,要知道它相对于导航框架的位置和方向。此外,它需要有一个非常好的代表性的区域在附近,以安全地移动,而不会与其他物体碰撞。第一次成功的测绘和定位演示是在室内环境中实现的,并且主要使用超声波传感器信息来获得高清地图[1,2]。该过程包括通过在手动操作下在环境中移动机器人来构建导航地图,然后使用该地图在自主工作时定位机器人。下一个突破表明,这两个过程可以同时完成,从而启动了一个非常活跃的研究领域,称为同步定位和映射(SLAM)[3,4]。这些新算法能够在探索新区域时同时构建地图和定位,并促进大型室内自主应用的部署。户外环境中自主技术的第一个主要影响是现场机器人,涉及装卸等领域的大型机器的自动化(图1)。 1)、采矿和国防[5]。这项技术在现场机器人中的成功部署需要确保机器始终处于控制之下,即使其某些组件出现故障。这就需要开发基于雷达和激光等多种传感器形式的新传感技术。这些概念对于高完整性导航系统的发展至关重要[6,7]。 如参考文献[5]中所讨论的,这样的系统包括基于不同物理原理的传感器,以确保没有两个传感器模态可以同时失效。类似的原则在其他领域也得到了实施,例如采矿,利用“自动化岛”的概念-也就是说,只有自治系统才允许运行的领域。这一基本限制对于在许多工业操作中成功开发和部署自主系统至关重要。机器学习技术已经开始在现场机器人自动化中发挥重要作用。在过去的五年中,我们已经看到了大量非常成功的演示,使用各种监督和无监督的机器学习算法。一些更令人印象深刻的应用是在农业中(图2)。现在很常见的是训练一个基于视觉的系统来分类和区分作物和杂草,监控作物的健康状况并以自动和远程方式监测土壤状况。Fig. 1. 在澳大利亚布里斯班港运营的全自动跨运车。https://doi.org/10.1016/j.eng.2018.07.0182095-8099/©2018 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。这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表工程杂志主页:www.elsevier.com/locate/engE. Nebot /工程4(2018)446-448447图二. 智能机器人在农业中的应用。自主机器人与人和其他手动操作机器的交互是一个复杂得多的问题。研发中最热门的领域之一是自动驾驶汽车(AV)在城市环境中的运行(图3)。AV必须能够以非常可预测和安全的方式与动态变化的世界进行交互。它的感知系统负责提供完整的态势感知,车辆在所有可能的环境条件下,包括车辆附近所有固定和移动物体的位置。此外,安全的AV操作需要估计其他驾驶员和行人的意图,以便能够协商未来的机动和相应的计划[8,9]。大多数车辆制造商和研究机构目前正在投入大量资源,在未来几年内引入该技术。这加速了与自主相关的所有领域的进展,包括新算法的开发以及低成本传感能力和计算能力的设计。通过利用各种传感器,如激光、雷达、摄像机和超声波装置,在感知方面取得了重大进展。每种传感器模式都有优点和缺点,任何强大的部署都必须使用传感器类型的组合,以实现完整性。所有传感器模态都将具有故障模式,这可能是由于各种情况,例如天气或其他环境条件。众所周知,虽然相机可以获得非常好的纹理信息用于分类目的,但它们并不总是在大雨,大雪,或重尘。激光可以提供非常好的距离信息,并且对雨水更加鲁棒。然而,在蒸汽、重尘或烟雾的作用下,它们可能会出现催化故障。众所周知,雷达对所有与天气相关的环境条件都是鲁棒的;然而,它缺乏其他感知模式的分辨率和辨别基础和应用研究工作目前针对融合不同的传感器模态,以保证在所有可能的工作条件下的完整性另一个取得巨大进步的领域是深度学习。大量计算和内存资源的可用性使得能够用大量数据训练高维模型。深度学习的根本优势在于,不需要设计特征来训练模型。这项技术的一个非常令人印象深刻的应用是视觉传感中的自动标记,这通常被称为语义标记(图1)。4)。这些方法使用大量数据来训练卷积神经网络,以自动对图像中的每个像素进行分类,以对应于可能集合中的类别。这些网络的优点之一是,它们可以被重新训练以用于具有相对低的计算工作量的其他场景。这通常被称为这些技术现在是最复杂的高级驾驶员辅助系统(ADAS)和自动驾驶道路车辆实施的一部分。车辆自动化仍然存在根本性的挑战,例如定位、感知完整性、与手动驾驶车辆和行人的交互以及AV技术的安全验证。图三. 在悉尼大学校园内运行的自动连接电动汽车。448E. Nebot /工程 4 (2018)446见图4。 原始图像(左),对象的语义标记(右上)和车辆推断路径(右下)。(1) 定位:自动驾驶汽车需要一定的定位精度,这只能通过使用预先制作的高清地图来实现构建和维护这些地图的过程非常复杂,因为地图必须是健壮的,并且必须能够扩展到全国或全世界。(2) 高完整性感知:目前的实施只能在相当好的天气和环境条件下运行。用于感知的典型传感器,如视觉和激光传感器,在浓雾、积雪或灰尘下工作时可能会出现灾难性故障。(3) 学习如何驾驶:驾驶是一个多智能体游戏,所有参与者互动和合作,以实现他们的个人目标。这种能力对于机器人来说仍然是非常困难的,因为它需要推断所有交互参与者的意图,并拥有必要的协商技能,以便以安全有效的方式做出决策(4) AV的验证:AV技术的当前状态已经证明,在城市道路环境中部署AV是可能的。要证明自动驾驶汽车在所有可能的交通情况下都能安全运行要困难得多。参考文献[12]中介绍了该领域的全面工作,其中作者承认总会有涉及AV的事故;然而,这些作者提出了识别一套正常的车辆行为,以确保自动驾驶汽车永远不会成为事故的原因。这项工作简要概述了机器人自动化的发展在过去的几年里,我们已经看到了非常大的计算和内存资源,新的传感能力的出现,以及机器学习的重大进展很明显,这些技术正在实现一系列全新的自主应用,这些应用将在不久的将来成为我们生活的一部分本期杂志介绍了机器人自动化在道路车辆和未来生物融合机器人中的应用。它还包括解决执行器和智能制造的论文。引用[1] 埃尔夫斯A占领网格:机器人感知和导航的概率框架[论文]。匹兹堡:卡内基梅隆大学; 1989年。[2] Moravec H,Elfes A.广角声纳的高分辨率地图。在:1985年IEEE机器人与自动化国际会议论文集; 1985年3月25日关闭KY,USA.New York:IEEE; 1985.[3] 放大图片创作者:Durrant-Whyte H.同时定位和地图绘制:第一部分。IEEE RobotAutom Mag 2006;13(2):99[4] Guivant J , Nebot E. 同 时 定 位 和 地 图 构 建 算 法 的 实 时 实 现 优 化 。 IEEETransRobot Autom2001;17(3):242-57.[5] [10]杨文,李文.从研究到操作的自动化系统的现场和服务应用-运输集装箱的自动跨运车。IEEE RobotAutom Mag 2007;14(3):14-23.[6] Sukkarieh S,Nebot EM,Durrant-Whyte HF.用于自主陆地车辆应用的高完整性IMU/GPS导航环路。IEEE TransRobotAutom 1999;15(3):572-8.[7] Nebot EM,Bozorg M,Durrant-Whyte HF.异步传感器的分散式架构。自主机器人1999;6(2):147-64.[8] Bender A,Agamennoni G,Ward JR,Worrall S,Nebot EM.从自然驾驶数据推断驾驶员行为的无监督方法。IEEETrans Intell Transp Syst 2015;16(6):3325-36.[9] Zyner A,Worrall S,Nebot E.无信号交叉口驾驶员意图预测的递归神经网络方法。IEEE Robot Autom Lett 2018;3(3):1759-64.[10] Schneider L,Cordts M,Schneider T,Pfeiffer D,Enzweiler M,Franke U等,Semantic stixels:depth is not enough. In:Proceedings of the IEEE IntelligentVehicles Symposium(IV); 2016 Jun 19[11] Zhou W,Arroyo R,Zyner A,Ward J,Worrall S,Nebot E,et al.在智能车辆中传递视觉知识以实现鲁棒的道路环境感知。在:2017年IEEE第20届智能交通系统国际会议(ITSC)的论文集; 2017年10月16日至19日;日本横滨; 2017年。[12] Shwartz S,Shammah S,Shashua A.安全可扩展的自动驾驶汽车的正式模型。2017. arXiv:1708.06374。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功