双RGB-D传感器在未知环境的自主探测和测绘中的应用

工程5（2019）164研究机器人-文章融合双RGB-D传感器增强未知环境的自主探测和测绘宁波俞a，b，c，王世荣a，ba南开大学机器人与自动信息系统研究所，天津300353b南开大学天津市智能机器人重点实验室，天津300353c中国科学院沈阳自动化研究所机器人国家重点实验室，沈阳110016阿提奇莱因福奥文章历史：收到2018年2018年6月25日修订2018年11月8日接受在线发售2018年关键词：自主探索红/绿/蓝深度传感器融合点云局部地图模拟全球前沿搜索A B S T R A C T对未知环境的自主探测和测绘具有广泛的应用前景和重要意义。现有的方法大多使用距离传感器来生成二维（2D）网格地图。红/绿/蓝深度（RGB-D）传感器提供关于环境的颜色和深度信息，从而使得能够生成对于人类感知而言直观的三维（3D）点云图。在本文中，我们提出了一个系统的方法与双RGB-D传感器，以实现自主探索和映射的一个未知的室内环境。通过同步和处理的RGB-D数据，生成位置点，并逐步构建3D点云地图和2D网格地图。接下来，将探索建模为部分可预测的马尔可夫决策过程。采用局部地图模拟和全局前沿搜索相结合的方法进行自主探索，并利用动态动作约束进行运动控制。这样，可以避免局部最优，并可以确保勘探效率。单连通和多分支区域的实验表明，高鲁棒性，效率和优越性的开发系统和方法。©2019 The Bottoms.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍自主机器人可以获取环境信息，并在各种情况和应用中帮助人类，例如将人类从危险中救出，在城市或家庭环境中提供服务，以及引导或以其他方式帮助有需要的人[1尽管相关技术和算法取得了巨大的发展，但仍然存在重大挑战。未知环境的复杂性和可变性使得人类操作员难以向机器人提供先验信息[7]。因此，使机器人具有自主探索和地图绘制的能力，包括地图构建、定位、路径规划、运动控制和导航等，而不需要人工的直接干预，具有重要的意义。启发式和反应式的探索方法已经在文献中进行了研究。在参考文献[8]中，Yamauchi提出了一种基于前沿的启发式探索算法。在文献[9]中，基于声纳传感器的角度不确定性，*通讯作者。电子邮件地址：nyu@nankai.edu.cn（N. Yu）。提出了一种使用声纳传感器阵列进行感知和映射的策略。见参考文件[10]提出了一种基于局部地图的边界图搜索探索方法，并将环境表示为树结构，使得即使在大环境中也能有效地确定下一个在参考文献[11]中，Keidar和Kaminka描述了一种使用光探测和测距（LIDAR）数据来加速地图边界点检测过程的形态学边界检测方法。在参考文献[12]中，提出了一种反应式勘探策略，该策略使用当前速度和方位进行快速前沿选择。基于仿真的自主探索策略已经吸引了越来越多的研究工作，因为它可以帮助测量信息，并生成基于当前机器人的状态在探索过程中的目标位姿。在参考文献[13]中，Carrillo等人提出了一个具有香农熵和雷尼熵的效用函数，以衡量机器人的探索行为。在文献[14]中，Lauri和Ritala提出了一种前向模拟算法，并将探索公式化为部分可观测马尔可夫决策过程（POMDP）。见参考文件[1]，在部分已知环境信息的情况下，红/绿/蓝深度（RGB-D）传感器用于自主测绘和勘探过程中的环路闭合检测。在参考文献[15]中，Bai等人提出了一个高斯分布的https://doi.org/10.1016/j.eng.2018.11.0142095-8099/©2019 THE COMEORS.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/）。目录可在ScienceDirect工程杂志主页：www.elsevier.com/locate/engN. Yu，S. 王/工程5 （2019年）164165处理基于回归的探索策略，并预测机器人运动样本的互信息。在文献[16]中，自主探测问题被表述为一个偏微分方程;信息被描述为从先验已知区域到未知区域的标量场。在现有的勘探方法中，大多使用距离传感器，并生成二维（2D）网格地图。然而，2D网格地图仅包含平面几何信息，并且通常不足以用于人类感知[17RGB-D传感器直接提供颜色和深度信息，并可以帮助生成三维（3D）点云图。基于RGB-D传感器的同时定位和地图绘制（SLAM）系统首先由Henry独立提出[20]和Engelhard等人[21]。在RGB-D SLAM系统中，图像特征用于在每帧之间找到匹配，并且应用迭代最近点（ICP）算法来估计点云在参考文献[22]中，Klein和Murray提出了并行跟踪和映射（PTAM）框架，并在双并行线程中实现了跟踪和映射。Labbé和Michaud[23]提出了实时基于外观的映射（RTABMAP）算法，其中添加了循环闭合检测线程和内存管理方法。可以实现在线增量映射和环路闭合检测，并且映射效率和精度可以随时间保持一致。现有RGB-D传感器的视场（FoV）有限[24]。为了获得更大范围的环境信息，可以同时使用多个RGB-D传感器。双RGB-D传感器已被用于视觉SLAM中，用于鲁棒的姿态跟踪和映射[25]，并且RGB-D传感器已与惯性测量单元（IMU）融合，用于室内宽范围环境映射[26]。见参考文件[27]，Munaro et al.提出了一种RGB-D传感器网络，其中多个RGB-D传感器部署在室内环境中用于人体跟踪。见参考文件[28]，采用具有非重叠FoV的多个RGB-D传感器进行线检测和跟踪，从而提供关于环境的3D周围视图和在我们以前的工作中，我们开发了基于RGB-D的定位和运动规划和控制方法[24]，并实现了基于RGB-D的探索[17]。然而，由于RGB-D传感器的小FoV，探测过程的鲁棒性和效率受到限制。在这项工作中，我们使用双RGB-D传感器的移动机器人。双RGB-D传感器的部署提供了更大的FoV，但也带来了干扰、数据同步和处理方面的技术挑战。利用来自双RGB-D传感器的同步数据，生成定位点，并逐步构建3D点云地图和2D网格地图。将局部地图模拟与全局前层搜索方法相结合，建立了一种自主搜索策略.这样，可以避免局部最优，并可以确保勘探效率。实验结果表明，所开发的系统和方法的高鲁棒性和效率。本文的组织如下：第二节介绍了双RGB-D传感器的3D和2D映射方法，第三详细描述了自主探索算法第4描述了移动机器人系统，验证所提出的映射和探索方法。第5节介绍了实验和结果。最后，第6节对本文进行了总结。2. 双RGB-D传感器通过双RGB-D传感器提供的信息，可以实时构建3D点云地图。此过程包括位置点创建、映射和环路闭合检测。2.1. 位置点生成图 1介绍了创建定位点的过程。为了构建3D点云地图，必须处理传感器数据;这包括来自双RGB-D传感器的RGB图像和深度图像，以及来自移动底盘的车轮里程计数据然后，数据应该同步。双RGB-D传感器之间的姿态是已知的，因为它可以通过系统组装之后的校准来确定过去的信息不包括在信息队列的当前帧中，包括RGB图像、来自双RGB-D传感器的深度图像图 2描述了用机器人操作系统（ROS）消息过滤器方法实现的同步。处理同步的传感器数据以创建位置点。双RGB-D颜色和深度数据同时组合成包括当前传感器数据的集成数据结构，其可用于位置点创建过程。从RGB图像中获得定向快速旋转简短（ORB）特征点和相应的描述符。机器人框架中的3D特征点与2D特征点以及与来自深度图像的对应深度数据集成，因为双RGB-D相机之间的姿态是已知的。计算基于极线约束的基本矩阵，以便使用来自上一帧和当前帧的匹配的3D特征点来确定内点。在具有足够的内点的情况下，提取来自车轮里程计的数据以提供最后帧与当前帧之间的变换的初始猜测。Fig. 1. 创建定位点的过程166N. Yu，S. 王/工程5 （2019年）164K1/1我我>KK图2. 传感器数据同步。帧之间的变换是通过基于透视n点模型的随机采样一致性（RANSAC）算法使用匹配的3D特征点来估计的帧的词袋（BoW）由相应的ORB描述符创建，并且环境词汇表是使用BoW在线递增地构造的，而不是在目标环境中进行预训练用上述信息和当前时间戳t创建位置点Lt，并且初始化最后位置点和当前位置点之间的边缘，将其权重设置为零。深度误差和特征失配误差可能存在于未知的环境中，特别是在特征较少且光照变化的地方。RGB-D定位的突然变化可能会发生，这可能会对移动机器人的实时运动控制产生不利影响。另外，车轮幅值变化虽然平稳，但存在累积误差.然而，RGB-D定位和车轮里程计可以通过扩展卡尔曼滤波器进行融合，以实现鲁棒定位。2.2. 点云映射和环闭合检测映射和循环闭合检测过程使用图优化和内存管理方法紧密耦合，以确保稳定性和实时性。位置点的相似性和姿态在基于树的网络优化器（TORO）框架[29]中进行了优化，以确保全局一致性图三. 映射和循环闭合检测的过程。包括WM和LTM中的位置点。Lt和WM中的位置点之间的变换由ICP算法计算，具有来自车轮里程计的初始猜测。如果变化小于给定阈值，则建立环路闭合。利用估计的当前变换更新边缘的权值，并校正其他位置点的姿态，以确保来自每个位置点的姿态的全局一致性。WM中具有最低权重和最长停留时间的位置点将被转移到LTM，并且LTM中具有最大权重的位置点将被检索到WM。全局3D点云图用来自图形的校正信息更新图图4示出了使用双RGB-D传感器的3D点云分割和2D网格地图构建过程。点云图使用点云库中的体素过滤器进行体素化和下采样（体素大小设置为0.05 m）。选取一个点集，用k近邻算法估计其法向量将点集大小k设置为10，这使计算效率与精度相协调。法向矢量的估计如方程所示。（2）.C¼1Xk C2R3×3位置点存储在工作记忆（WM）或长期记忆（LTM）中，由相似性决定，如图3所示。WM中的位置点用于实时环路闭合检测，而其他位置点作为候选存储在LTM中。根据候选项在LTM中的相似性和存储时间，候选项将被检索首先，将Lt设置为图的新顶点，并且通过它们的BoW来计算Lt与最近的M个位置点的相似度，如等式（1）所其中，Kmatched表示Lt的BoW与来自最近的N个位置点之一Lc的BoW之间的匹配BoW数。Kt和Kc分别是Lt和Lc的BoW数Lt和Lc的相似性标记为k。当k大于阈值e，Lc被合并到Lt中，并且Lt被加载到WM中。8>K匹配;Kt>KcC·vd¼kd·vd;d2 f1; 2; 3g;vd2R3×1;kd2Rvnormalmaxfk1;k2;k3gð2ÞLt;LcKtK匹配： Kc;t≤cð1Þ给出了Lt和Lt之间环闭合的条件概率，图上的其它位置点用k更新。重量的图的边缘之间的Lt和其他位置点是corr，图4. 三维点云分割和二维栅格地图构建的过程。N. Yu，S. 王/工程5 （2019年）164167N.ΣM●1/4fgXM●S]]g[001 pdf 1st-31files]不¼ ðÞ7K●Z× X × M × U半 ]● RB × X × M ×U！半]xk1XK-xksinhkxksinhkxkDt32VKVK5这里，pi是每个点的坐标，p-是相应点集的中心坐标。C是协方差矩阵，v d和kd分别是C的特征向量和特征值。选择具有最大特征值的特征向量v n作为点集的法向量，vnormal[30]。点集在可以利用上述信息来确定和分割点云。如果点集具有偏离垂直方向超过给定阈值的法向量，则将其设置为障碍物。否则，可以进行下一步。然后用欧几里德聚类提取方法对点集进行处理。如果其中心的高度大于给定的阈值，则该点集将被设置为障碍物。否则，它将被视为自由空间。网格地图是用点云障碍物部分的（x，y机器人可能会经过一个视觉特征很少或与周围环境相似的区域，这会导致环路闭合检测失败[31]。在这种情况下，移动机器人可以在探索过程中执行自主运动;这改变了双RGB-D传感器的FoV，以获得更多的环境信息。3. 自主探测实时更新的二维网格地图和定位被设置为用于自主探索的先验信息。更新的地图和里程信息用于下一个目标姿态图5.基于POMDP模型的勘探过程。在相应的决策时期中执行。在基于POMDP模型的探索过程中，奖励函数被定义为互信息函数，如等式（1）所示。（3）. Rk表示决策时期k中的奖励函数值，其由N个粒子的状态 粒子从置信状态Bk和<$Uk<$N 模 拟 ; 机器 人状 态 <$Xk<$1<$N; 以 及 地图状态M k <$1的观测<$Zk<$1<$N。代，以扩大地图，并进一步探讨1X“.p. Xnk1jBk;Uk;Znk1！环境Rk¼ Nn1日志;;p Xn;k1jBk;Uk3.1. 基于POMDP模型ZHMp. Mn;k1jBk;Uk;Zn;k1;Xn;k1ð3Þ假设环境是部分已知的，并且包含log.p. Mn;k1jBk;Uk;Zn;k1;Xn;k1！#随机信息，移动机器人探索过程可以·可以用POMDP模型hs;S;U;Z;TS;O;Ri来描述。p. Mn;k1jBk;UkS0; 1;. ;k;. .表示目标在探索任务中。X0;M0;X1;M1;. ;X k;M k;.. .表示探索任务的状态空间，包括移动机器人状态Xk xk;yk;hkT和地图状态。两者都是可观察的。(The应用给定不考虑机器人的运动和应用定位数据的运动，因此是完全可观察的和部分可观察的。·U¼fU0;U1;. . ;Uk;. . . gUk½v k;xk]表示可行的Eq的第一项（3）是预期的信息增益，移动机器人状态。考虑到实验环境是平坦的地形，在其上可以正确地执行给定的运动，我们假设移动机器人运动模型Xk 1f Xk;Uk[32]中没有噪声，如等式2所示。（4）.该假设与选择具有最大似然值Xnm;k= 1的粒子状态作为预期结果的决定因此，由机器人状态和观测描述的互信息增益被设置为0。23 23·Z代表观测空间。64yk17564yk756vkcoshk-vkcoshkxkDtð4Þ● TS<$TX×TM表示状态转移模型，由TX和TM组成。TX：X ×U×X！R描述了一个hk1hk4xkXKxkDt从当前移动机器人状态Xk和运动Uk到下一个状态Xk+1的状态转移Tk<$1。TM：M × U×M！1/20;1];1/20;1]表示0cc网格概 率 的 范 围 。TM 独 立 于 U ， 这 意 味 着tTMMk;Ui;Mk11TMMk;Uj;Mk1对于一个Ui;Uj2U。O：0; 1表示观测模型，如图所示。 5. 根据移动机器人当前的位姿和二维栅格地图，通过光线跟踪模型获取当前状态的观测值R表 示由状态、观察和动作构造的奖励函数，如由信念状态值测量的。选择互信息函数作为奖励函数的形式。基于二维栅格地图和机器人位姿，生成一系列移动机器人运动轨迹仿真，从中选择当前目标位姿。运动由奖励函数评估，目标是最大化奖励Eq的第二项。（4）是地图状态的期望信息增益，其由地图状态和观测值的互信息增益表示。积分是通过对模拟过程中所选网格的熵求和来实现的网格的概率范围是0; 1：0表示自由状态，1表示被占用状态。二进制随机变量的熵定义在等式中。（5）.Ep-plogp-1-plog1-plog5基于传感器的光线跟踪观测模型设置熵求和范围该模型描述如下：定义一个扇区，以（xk，yk）为原点，最大观测范围r为半径，观测角h为圆心角。选择网格在光线跟踪光束方向上的概率值扇区并计算相应的熵值。对于概率未知的网格（这意味着网格处于未知环境中），将熵值设置为1。根据机器人运动约束进行运动。168N. Yu，S. 王/工程5 （2019年）1641：1/1我9：圣诞节X.←;0hinn12：llzpriorhin15：l¼lzlISM后WPP我我h← ;g0n1我Nk;jK我二十：端i-1第1页t¼0t;j我输出：XRi¼3.2. 局部地图模拟与全局前沿搜索移动机器人自主探索过程由POMDP模型描述，其中每个时期的目标位姿由局部地图模拟和全局前沿搜索的组合策略生成，如图6所示。利用当前2D栅格地图和机器人位姿通过局部地图仿真过程生成目标位姿Xg及其奖励函数值Rg该过程被列为程序1，包含颗粒取样、重量计算和重新计数。参数包括迭代次数I、粒子数N、采样数f/igI;样本分布核函数fi;射线追踪模型v;simu-意义粒子的权重在仿真阶段已经发生H次之后更新。先验信息和后验信息用观测Z检验 基于光线跟踪模型V和逆传感器模型。在实际应用中，使用先验信息和后验信息计算奖励函数mation。先验概率和后验概率的对数几率被称为-计算，其中随机值lISM作为逆传感器模型的噪声。折扣系数c表示模拟信息和当前信息之间的关系。例如，c>1意味着进一步模拟的信息承担更多权重。如果颗粒的重量过度分散，1=PNhwni2sR，则目标可以将姿态发送到运动控制过程。否则，全球边界搜索策略被触发用于新的目标姿态。当移动机器人在给定的时间内到达目标位姿时，新的探索过程开始;或者，如果时间超过限制，则当前的探索和运动控制过程将暂停。奖励、迭代次数和粒子数的下界主要影响探索过程的效率和鲁棒性。该下界保证了局部映射模拟的效率当使用增加的迭代和粒子时，可以获得更多的信息，但是效率可能会随着所产生的更繁重的计算而降低。4. 系统实现4.1. 采用双RGB-D传感器的构建了一个移动机器人系统，验证了所提出的自主探测和地图绘制方法.该系统由Yujin Kobuki移动机箱、双Kinect RGB-D传感器和HP Envy 15-j105 tx移动计算单元组成。该方法使用Kinect获得的RGB和深度图像的分辨率为640× 480像素，频率为30 Hz。视野为57°水平度乘以43°垂直度，深度范围图7. 移动机器人硬件平台。4.2. 系统工作流图8示出了移动机器人自主探索和地图绘制工作流程。(1) 测绘和定位。根据双Kinect RGB-D传感器获取的环境RGB-D信息和机动车底盘上的车轮里程计，采用RTABMAP算法进行定位信 息 估 计 。 基 于 扩 展 卡 尔 曼 滤 波 器 （ EKF ， 集 成 在 ROSrobot_pose_ekf软件包中）将位姿与RGB-D定位和车轮里程计融合从3D点云生成2D网格地图，用于自主探索和运动控制。(2) 局部地图模拟与全局前沿搜索相结合的策略。基于正演模拟算法，利用二维栅格地图和当前位姿的<$x;y; h ] T ;生成探测过程的目标位姿<$x g ; y g ; hg]T，在室内环境中的平均高度为0.5小吹雪由人移动底盘由两个车轮差动驱动，直径0.46 m，最大线速度70 cm s-1，角速度为180° s-1。车轮里程计的频率最大为50 Hz。移动计算单元配备了CPU i7 4702 M和8 GB RAM。移动计算平台上还安装了ROSIndigo、Kinect通过结构光测量的方式获得深度数据当多个Kinect FoV重叠时会出现干扰问题[34]。为了避免传感器之间的结构光干扰并扩大系统的FoV，安装了双Kinect RGB- D传感器，如图所示。 7、相对于可移动底盘如等式2所示。（6）. x;y;zT和h;f;wT是Kinect框架相对于移动底盘。双Kinect RGB-D传感器和移动底盘之间的转换由等式给出。（6）.策略使用部分信息从网格地图，和搜索战略使用全球边界点从网格地图。(3) 基于运动约束的动态窗口运动控制。根据机器人生成机器人确保映射过程的稳定性，基于动态窗口控制算法[35]，增加了具有运动约束的代价函数。在搜索算法中，目标与当前位置之间的距离为0.5 ~ 10m，机器人的最大速度为0.5m s-1，搜索周期小于1.0s。在朝向下一个目标的探索过程中，更新点云图、栅格图和姿态以提供环境信息。点云和网格地图更新速率为1 Hz，姿态更新速率可增加到20 Hz。因此，这些参数能够满足勘探过程的要求。5. 实验和结果½x1;y1;z1;h1;/1;w1]不00：00：00：00◦不5.1. 实验设置1/2x2;y2;z2;h2;/2;w2]00：00：00ð6Þ自主勘探和绘图环境设置如图所示。 9（a）。移动机器人在起跑线上出发了不不170N. Yu，S. 王/工程5 （2019年）164图第八章自主探索移动机器人的工作流程区域，并执行自主勘探和测绘任务。当机器人到达目标区域时，任务完成。测试了8种室内场景，如图所示。场景（i）是一个矩形区域，三面有障碍物，只有一个出口。场景（1.43和0.85米（（iii），（iv）的入口和出口）。场景（v）和（vii）是具有各种障碍物和过道宽度分别为0.90和0.78 m的场景（vi）和（viii）是开放区域的不同视角。根据移动机器人在实验室中的探索过程，将场景划分为单连通区域和多分支区域两种类型。场景（i-iv）是单连接区域，其中仅一个通道将场景（i）连接到场景（iv）。移动机器人从场景（i）右转90°到场景（ii），然后右转90°到场景（iii）和场景（iv），其中传感器的视野受到挡板和过道宽度的限制。挡板的高度为1.5 m，大于RGB-D传感器的垂直范围场景（探索算法的本质。因此，实验任务从室内环境的开始区域启动，并在进入目标区域后停止。起始区域是过道中的矩形区域，长度为1.18从右侧机柜边缘到后障碍物的距离为1.12 m，宽度为1.12 m。在场景（vi）和（viii）中，目标区域是由门和墙界定的矩形区域，具有2.68 m的长度和2.44m的宽度。在单连接区域，FoV是有限的，无论是否部署单或双RGB-D传感器。在多分支区域，场景更宽，双RGB-D传感器允许检测更多信息并将其输入系统。因此，该实验能够通过比较单连接和多分支区域中的实验性能来证明利用双RGB-D传感器的有效性5.2. 结果将局部地图模拟与全局前沿搜索相结合的方法确保了模拟的目标位姿是最佳的。图第九章自主探索与测绘实验。（a）场景（i）至（viii）的实验环境（b）构建的3D点云图，(c) 从自主测绘和探索过程中生成2D网格地图和移动机器人轨迹N. Yu，S. 王/工程5 （2019年）164171--最优的观察范围内，并可以避免局部最优搜索地图前沿。勘探任务圆满完成。图9（b）描绘了从移动机器人自主测绘和探索实验构建的3D点云图。这个实验室三维点云地图是使用移动机器人里程计和来自双RGB-D传感器的信息构建的所构建的3D点云图与实际室内环境对应良好;良好对应的示例包括场景（i）中的后框、场景（ii）中的墙壁附近的色块、场景（v）和（vii）中的障碍物、场景（vi）中的门以及场景vi和viii中的开放区域在自主探索过程中，3D点云地图被增量地构建图9（c）描绘了从3D点云地图和移动机器人轨迹生成的2D网格地图。在该2D网格地图中，x轴的长度为11.40 m，y轴的长度为9.40m。实验室的实际尺寸为11.04米，七米九三。起始区域的尺寸为1.25 m × 1.25 m。目标区域的尺寸为2.80 m × 1.20 m，2.43 M. 2D地图的大小、障碍物的位置和尺寸都与真实情况非常吻合。采用局部地图模拟和全球边界搜索相结合的方法，使移动机器人在自主测绘和探索过程中不断获取环境信息。此外，在信息不足的情况下，可以通过触发前沿搜索方法来利用足够的信息恢复到目的地的轨迹如果在当前机器人姿态中无法模拟具有足够信息的目标姿态，则触发全局边界搜索策略，以便改变机器人传感器的视图，以进一步探索目标区域;例如，场景可能从（iv）变为（v），对应于图中的（1.7，3.6）。第九章图10示出了自主映射和探测过程的时间-区域曲线，其中比较了单个RGB-D传感器和双RGB-D传感器的使用。通过生成的2D网格图测量该区域。使用双RGB-D传感器在196 s内探测了31.0 m2的总面积用单个RGB-D传感器在297 s内探测了27.6 m2的总面积在单连通区域中，自主移动机器人系统获得的视图受到过道的限制;因此，使用单个RGB-D传感器的探索效率与使用双RGB-D传感器的系统的探索效率相似。在多分支区域中，使用双RGB-D传感器的勘探成本时间显著小于使用单个RGB-D传感器;此外，使用双RGB-D传感器覆盖的勘探区域大于使用单个RGB-D传感器覆盖的区域。配备双RGB-D传感器的移动机器人比配备单RGB-D传感器时获得更多的环境信息。在自主映射和探索过程中，地图区域随时间稳定增加，从而证明了所提出的方法的有效性。5.3. 讨论如果局部地图模拟算法和全局前沿搜索算法都不能生成可用的探测目标，则探测过程将中止。如果不能生成具有足够信息的目标，则部分地图模拟算法可能失败。此外，如果不能发现可行的连通前沿点，则全局前沿搜索算法可能失败。 如图 6、如果两种算法都失败，图10. 单RGB-D传感器和双RGB-D传感器在自主测绘和勘探过程中的时域曲线探索过程停止了。机器人可以留在原地，返回起点，或执行人类操作员的命令。在自主测绘和探测过程中，双RGB-D传感器的使用如果部署更多的RGB-D传感器，则可以进一步提高定位精度，如在其他应用中所观察到的那样[25]。更多的传感器可以集成到系统中，用于特定应用的测量[6]。传感器的数量和类型可以根据应用、计算成本、实时能力和精度要求来确定。多个机器人可以在探索过程中协作，以获得更多的信息，提高探索效率[36]。自主探索与人类操作员的远程操作的融合有望克服机器人自主性中可能存在的缺陷[37]。6. 结论在这项工作中，我们提出了一个系统的方法，自主探索和映射的未知环境，使用双RGB-D传感器。同步和处理的RGB-D数据提供了环境颜色和深度信息。3D云图和2D网格图都是增量生成的。采用局部地图模拟和全局前沿搜索相结合的方法实现机器人的自主探索，并在运动控制中引入动态动作约束以避免陷入局部最优。实验结果表明，高鲁棒性和效率的开发系统和方法。未来的工作将集中在三维点云地图的语义分析，以实现丰富的环境信息的勘探过程中。确认作者要感谢加拿大舍布鲁克大学的Mathieu Labbé和芬兰坦佩雷理工大学的Mikko Lauri，感谢他们提出的有益建议。作者感谢国家自然科学基金（61720106012和61403215）、机器人国家重点实验室基金（2006-003）和中央高校基础研究基金对本课题的资助。172N. Yu，S. 王/工程5 （2019年）164遵守道德操守准则于宁波及王世荣声明彼等并无利益冲突或财务冲突须予披露。引用[1] 放大图片作者：Ström DP，Bogoslavskyi I，Stachniss C.自主机器人的鲁棒探索与寻的。机器人自动化系统2017;90：125-35.[2] ZhangZ，Nejat G，Guo H，Huang P. 一种新型的3D传感系统，用于机器人辅助绘制杂乱的城市搜索和救援环境。 Intell Serv Robot2011;4（2）：119-34.[3] 黄J，李明，吴东，李世.移动式两轮倒立摆之区间二型模糊逻辑建模与控制。IEEE跨模糊系统2017;26（4）：2030-8.[4] Gai S，Jung EJ，Yi BJ.基于混合外部定位算法的服务机器人多群体定位问题及其在商场环境中的应用。Intell Serv Robot2016;9（3）：257-75.[5] PirbhulalS，Zhang H，Alahi M，Ghayvat H，Mukhopadhyay SC，ZhangY，et al. 一种新型的基于物联网的安全智能家居自动化系统，使用无线传感器网络。传感器2016;17（1）：69-87.[6] Huang J，Xu W，Mohammed S，Shu Z.使用可穿戴式感测器与助行机器人之可能性评估与人力支援。机器人自动化系统2015;73：24-43.[7] Krajnik T，Santos JM，Duckett T.动态环境的终身时空探索。In：Proceedingsof the European Conference on MobileRobots; 2015 Sep 2-4. 英 国 林 肯 NewYork：IEEE; 2015. p. 一比八[8] 山内湾基于前沿的自主探索方法。在：1997年IEEE机器人和自动化计算智能国际研讨会论文集; 1997年7月10日至11日。关闭CT，USA. New York：IEEE; 1997. p.146比51[9] Lee K，Doh NL，Chung WK.在走廊环境中使用声纳传感器的探索策略。 IntellServ Robot 2010;3（2）：89-98.[10] 作者：RyuH，Chung WK 移动机器人基于局部地图的探索 Intell ServRobot2013;6（4）：199-209.[11] Keidar M ，Kaminka GA. 用于机器人探索的高效边界检测。RobRes 的I n tJ2014;32（2）：215-36。[12] 放 大 图片 作 者 ： J. 多 旋 翼快 速 探 测 ： 高 速 飞行 的 前 沿 选 择方 法 。 在 ： 2017 年IEEE/RSJ智能机器人和系统国际会议论文集; 2017年9月24日至28日。加拿大温哥华New York：IEEE; 2017.p. 2135- 42[13] Carrillo H，Dames P，Kumar V，Castellanos JA.自主机器人探索使用占用网格地图和图形SLAM基于香农和Renyi熵。在：2015年IEEE机器人与自动化国际会议论文集; 2015年5月26日至30日;美国华盛顿州西雅图。New York：IEEE; 2015. p. 487-94.[14] LauriM，Ritala R. 基于前向仿真的机器人探索规划机器人自动化系统2016;83：15-31.[15] 白S，王军，陈芳，英乐B.信息理论探索贝叶斯优化。在：2016年IEEE/RSJ智能机器人和系统国际会议论文集; 2016年10月9日至14日;韩国大田。 NewYork：IEEE;2016. p.1816-22年。[16] ShadeR，Newman P. 选择要去的地方：用立体声完成3D探索在：2011年IEEE机器人与自动化国际会议论文集; 2011年9月9日至13日;上海，中国。New York：IEEE;2011.p. 2806- 11[17] 余南，王S，徐春.基于RGB-D的移动机器人在未知室内环境中的自主探索映射。机器人2017;39（6）：860-71.[18] Umari H，Mukhopadhyay S.自主机器人探索和多个快速探索随机树。在：2017IEEE/RSJ会议记录智能机器人系统国际会议; 2017年9月24-28日;加拿大温哥华。New York：IEEE;2017.p. 1396-402.[19] Vallvé J，Andrade-Cetto J.移动t勘探的潜在信息场。Robot Auton Syst 2015;69（205）：68-79.[20] [10]张晓刚，张晓刚. RGB-D映射：使用深度相机对室内环境进行密集的3D建模。第12届实验机器人国际研讨会论文集; 2010年12月18日至21日;印度新德里。Berlin：Springer; 2010. p.22比5[21] 杨文忠，杨文忠，杨文忠.使用手持式RGB-D相机进行实时3D视觉SLAM。在：欧洲机器人论坛上的RGB-D机器人3D感知研讨会论文集。瑞典：Vasteras;2011年。p.一比五[22] 放大图片作者：Klein G，Murray D.小型AR机器人的并行跟踪和映射。在：第六届IEEE和ACM国际研讨会混合和增强现实会议录; 2017年11月13日至16日;日本奈良。Berlin：Springer; 2007. p. 225比34[23] Labbé M ，Michaud F.在线全局闭环检测大规模多会话图SLAM 。在：2014年IEEE/RSJ智能机器人和系统国际会议论文集; 2014年9月14日至18日;芝加哥，IL，美国。Berlin：Springer; 2014. p. 2661- 6[24] 于南，李英，徐聪，刘杰。基于RGB-D SLAM的移动机器人定位和运动规划与控制。J Syst Sci Math Sci 2015;35（7）：838-47.[25] 杨S，易X，王Z，王Y，杨X.使用多个RGB-D相机的视觉SLAM。在：2015年IEEE机器人和仿生学国际会议论文集; 2015年12月6日至9日;珠海，中国。Berlin ：Springer;2015. p. 1389-95年。[26] 周JC，Lichti DD，Hol JD，Bellusci G，Luinge H. IMU和多个RGB-D相机融