人机交互环境下的社会感知导航方法：基于社会力模型的移动服务机器人社会导航框架

工程科学与技术，国际期刊24（2021）284人类居住未知环境Hasan Kivraka，b， Sirma Yavuz c，Furkan Cakmakc，Hatice Koseb，a土耳其卡拉布克卡拉布克大学计算机工程系b土耳其伊斯坦布尔伊斯坦布尔技术大学计算机工程系c土耳其伊斯坦布尔耶尔德兹技术大学计算机工程系阿提奇莱因福奥文章历史记录：收到2020年2020年7月27日修订2020年8月12日接受2020年9月3日网上发售保留字：社会导航人机交互社会机器人技术移 动 机 器 人ROSA B S T R A C T在人类居住的环境中，机器人导航需要的不仅仅是安全和舒适的人机交互的避障社会感知导航方法对于在人机交互环境中部署移动服务机器人变得至关重要，其中机器人与人类隐式或显式地进行交互。这些方法的目标是在考虑社会线索和人类行为模式的人机交互环境中生成人类友好的路径。本文提出了一种移动服务机器人的社会导航框架，在人机交互环境中，在向目标位置导航的同时，保持人类我们的主要贡献是，提出的社会导航框架被设计用于人类交互的未知环境。为了实现这一目标，我们使用了一个行人模型的变体，称为基于碰撞预测的社会力模型（CP-SFM）。该模型特别针对低密度或平均密度环境开发，并在导航期间考虑了环境中跟踪的人的运动。该模型作为一个本地规划器生成人类友好的合理路线，我们的服务机器人在走廊一样的室内环境场景。在实施阶段，对传统的社会力模型进行了各种不同的扩展和改进。提出了一种新的改进方法，在产生多级映射、识别障碍排斥点和采用CP-SFM作为局部任务求解器应用于运动规划中。整个框架已实现为ROS节点，并在真实世界和仿真环境中进行了测试，并成功地验证了所获得的结果。©2020 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍随着近年来机器人技术的发展，移动服务机器人开始出现在我们的生活中，陪伴我们出现在与人互动的环境中，如机场、医院、学校和办公室。为了更安全的交互，并且为了被接受为社会存在，移动服务机器人必须意识到人类的存在、社会规则和线索，例如，区分人类（人类意识）和环境中的其他普通物体，尊重其他人的个人空间，感知社会关系，并且通过尽可能多地预测其他人的反应来导航。因此，社会意识的导航成为一个至关重要的问题，部署在人机交互的社会环境中的服务机器人。社会感知导航是一个结合感知、人机交互和运动的*通讯作者。电子邮件地址：kivrakh@karabuk.edu.tr（H. Kivrak）。以一个共同的目标规划移动服务机器人和辅助机器人在人类居住的环境中操作和导航这些机器人中的一些可能在动态环境中操作，而不是在受控的静态环境中执行特定任务。大多数最先进的路径规划算法变得低效或不足以处理人类居住的动态环境中的导航问题，因为它们忽视了环境中智能代理（例如人类）的存在。具有社会意识的移动机器人需要对其周围环境的态势感知它感知环境，并以增加人类安全和舒适为目的采取行动也就是说，机器人不仅将我们的目标是让机器人遵守上述定义和其他类似的文化和社会规范，以实现人类的接受和信任。为了实现这一目标，我们正在进行一个项目，我们的最终目标是为医院中的听力残疾儿童设计和开发一个社交辅助机器人。我们开发https://doi.org/10.1016/j.jestch.2020.08.0082215-0986/©2020 Karabuk University.出版社：Elsevier B.V.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科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchH. Kivrak等人/工程科学与技术，国际期刊24（2021）284285在我们之前的研究中，没有导航的交互式机器人系统[1在本文中，我们设计和开发了一个社会导航框架，机器人导航在走廊一样的室内环境。作为未来的工作，我们将把这个模块集成到我们的项目中，用于医院。由于本文的主要目的是开发一个社会导航框架，配备了感知和社会智能，有效地在未知的人类环境中导航，我们提出了一种新的改进，在生产多级映射，识别障碍物排斥点，并采用已知的行人模型称为社会力模型（SFM）的运动规划应用程序作为本地任务求解器。然后，该社会导航框架被应用于在未知的社会环境中生成人类友好的无碰撞移动服务机器人的运动。在[4]中，开发了SFM的扩展版本，并通过在购物中心的真实世界实验进行了演示。在我们的工作中，我们进一步发展了这种方法，用于未知的社会环境，其有效性是通过模拟和现实世界中的各种情况下的实验证明。我们的框架与扩展版本的SFM的初步结果，在模拟和无人驾驶的现实世界的情况下验证，发表在[5]。在人类居住的环境中的真实世界的测试，这项研究的扩展，目前的文件。在我们最近的研究[6]中，我们还表明，基于对问卷和参与者2. 相关作品研究已经进行规划机器人部署在人类环境中的机器人需要清晰的机器人行为，使得人类能够理解或预测机器人行为以相应地调整它们的运动。Dijkstra、A* 和RRT* 算法是解决静态环境中的运动规划问题的最广泛使用的路径规划器。由于动态环境的性质，不太可能期望初始计划始终保持不变。 在某些情况下，机器人重新规划可能是不可行的，整个路径的每一个不可预见的障碍或变化面临的道路上，在成本，时间，不可读和不自然的机器人行为方面。另一方面，机器人必须通过考虑其运动学和动力学约束对移动障碍物做出快速反应。研究工作已经取得了适应现有的路径规划算法，在动态环境中运行。D*（动态A*）[7]，D*Lite[8]（更简单和更有效的D* 版本），RRTx[9]修复机器人位置周围的局部路径变化，并找到（通常是少量）路点以避免在机器人在线导航时从头开始重新规划。上述方法的机器人导航问题的研究在文献中的静态和动态环境。它们都没有直接满足社交机器人导航任务的要求。虽然它们生成无碰撞轨迹，但它们不一定提供考虑到社会约束（例如，物理学、人类舒适度、自然性）的人类感知的碰撞避免行为为此，[10]介绍了动态窗口方法（DWA）的一个变体，它扩展了社交机器人导航任务的优化功能的工作[11]将预测步骤应用于DWA算法，然后使用另一种方法是参考基于数学理论的成本图。ROS costmap库1提供分层costmap插件表示，并允许与静态地图、障碍物、膨胀和其他用户指定层（例如，社会感知costmap）的单独层（二维网格）一起工作。例如，我们可以生成一个动态的人类感知的成本地图层（到人的适当距离）。它订阅人在哪里，并通过在检测到的动态或静态人周围添加高斯成本来改变成本图，以便机器人通过尊重他们的个人或社会区域（性别问题）以无碰撞的方式在人类之间导航[12，13]。使用这种表示，还可以轻松地将预测的人体运动轨迹合并为相应地填充成本图的一系列层[14]或基于情感的运动约束[15]。然而，当环境中的人数或地图大小由于大的存储要求而增加此外，在机器人周围的一个或多个动态/静态人的成本地图阻挡机器人的可能路径的另一种方法遵循通过观察人类来学习导航行为方法的不同想法由于机器人基于观察来学习模型，因此它具有适应特殊环境并随着时间的推移提高效率的优势。它还在线计算低计算预测，只要学习发生离线。该想法旨在通过使用机器学习算法从机器人的感测功能收集的人类观察来对人类或人群运动进行建模，从而将人类行为模型转移到本地规划器反向强化学习（IRL）用于[16]中的引导机器人，通过观察人的行走来学习机器人和人之间的成对相对运动[17]提供了扩展的贝叶斯IRL，不仅用于简单的情况，而且可以使用基于图的任务结构表示扩展到大型领域此外，还介绍了利用人体运动和预测人类未来行为的研究工作.[18]通过提出一种合作导航规划器来扩展定时弹性带方法，该规划器预测附近人类的可能未来轨迹，并相应地使用基于优化的框架为机器人生成社会可接受的RRT算法导航策略由[19]扩展，以获得尊重化学和社会惯例（特别是人类之间的o空间的会话交互）的能力除此之外，基于模糊逻辑/控制的方法也用于识别人机器人试图通过相对速度和航向角识别人类意图，在[20]中提出了适当的模糊控制规则。SFM是描述行人运动的一种常用方法。该模型的许多扩展被提出来模拟不同的社会互动。[21]将人体姿势，面部取向和社交信号整合到SFM中。SFM的扩展不仅用于预测人类未来的行为，而且还被用作机器人的本地规划器，以在其策略期间表现得像人类[22，4]。一般的SFM没有考虑人的随机运动，机器人可能会引起人体不适的潜在碰撞因此，SFM不能主动规划其轨迹以避开动态人类。通过结合基于碰撞预测的方法来解决这个[23]或基于速度的方法进入可持续森林管理[24]。基于速度的方法通过获取其他移动障碍物的运动（姿态和速度）来选择无碰撞速度。如果其他代理也有同样的行为，它们就能正常工作但很难自适应神经模糊推理系统调整DWA优化，mization函数1http://wiki.ros.org/costmap_2d。286H. Kivrak等人/工程科学与技术，国际期刊24（2021）284¼·X-ftA·e·d 2oijJ我1我将社会约束整合到这些模型中。[24]将扩展的SFM与混合型往复速度障碍物[25]相结合，混合型往复速度障碍物是一种往复速度障碍物[26]，并增加了减少运动振荡的功能。因此，他们实现了高效、社会和主动的人机碰撞避免。关于速度障碍物，在[27]中，基于速度势模型的流体流线与模糊建模一起使用。围绕障碍物创建可能的流线（轨迹）集合，并且选择保证从/到规划轨迹的平滑过渡的流线。上述基于SFM的方法使用环境的先验地图然而，我们建议在未知的环境中使用SFM方法，并为此目的引入必要的扩展。据我们所知，这是SFM方法在未知环境中的首次此外，我们包括障碍物表示模型，这是至关重要的实时平滑运动的机器人。本研究通过使用CP-SFM在未知环境中的社会导航框架来解决这些问题与[24]的差异在于SFM方法的排斥力的定义我们在未知的环境中操作，并且不使用先验地图，与[24]相反，[24]引入了几个需要克服的缺点：首先，SLAM生成的地图可能具有噪声，需要清除这些噪声以避免机器人运动中的不准确性其次，在地图上寻找排斥单元并对其进行建模，对于机器人的实时平滑运动具有重要意义一方面，地图分辨率不应太低，以保证地图定位算法的另一方面，如果障碍物被表示，排斥点的力的计算可能不是实时的高分辨率地图中的多个网格，表示为当前速度、所需速度和所需方向的组合，使用牛顿运动定律。当运动时，我们的期望速度v0是期望速度的乘积，方向^e和期望速度v0（v 0v 0 ^e）. 期望的方向是最短路径的单位向量，即从当前位置开始的直线路径。机器人将以理想的速度移动。然而，当其当前期望速度由于环境因素而减慢时，其倾向于适应其实际速度为了在一定的时间间隔内达到其期望的速度，称为弛豫时间S。引力的定义是当量1.一、fatttm·s·v0t-vt 1其中m是机器人的质量。3.2. 排斥力偏离最短路径的力，即把人或障碍物推开以保持安全距离的力，称为排斥力。排斥力的不同规格是根据距离和速度制定的[23]。3.2.1. 基于排斥力的被假定为圆形的排斥力，制定为机器人和障碍物之间的相对距离的函数它以指数衰减，欧几里得距离向量dij^p-p从i;p的位置指向位置地图在导航过程中逐渐增加。请注意，障碍物产生的排斥力的总和与人产生的排斥力的总和相比有很大的差异。换句话说，除了在运行时生成地图、检测和跟踪一个或多个人之外，计算来自每个单元的障碍力将导致不适当的解决方案（在硬件控制结构上带来大量开销），因为机器人必须接收至少10 Hz的速度命令以进行平滑运动。在这项工作中，提出了一种多级映射方法来解决这种冲突（第4.3节）。通过所提出的方法的应用程序，它表明，机器人可以做实时平滑的社会导航，以最低10 Hz的速度命令，其有限的硬件，在未知的人类居住的环境。同时，本文提出的方法也限制了我们使用其他文献中的力参数.因此，我们建议采用本工作专用的校准技术（第5.2节），以生成本工作中使用的参数集。3. 社会力模型社会力模型（SFM）最初被引入来模拟行人的运动[28]。然后将其应用于移动服务机器人的导航，作为在线运动规划器，以生成人性化的路径。该方法的思想类似于势场法，即在机器人运动过程中，机器人被吸引向目标，同时被静态或动态障碍物排斥最后，SFM输出加速度矢量，以基于每个时间t的吸引力和排斥力的输入矢量来确定机器人将执行的下一个所需动作。3.1. 个人动机（Personal Motivation）激励或驱动机器人到达导航目标的力称为吸引力。它是一种速度依赖力j;pj，如等式中所示二、当它接近于障碍物，并不偏离机器人Q欧repdij = B o --IJj2Qo其中Ao是相互作用力的强度，而Bo对应于相互作用的范围。范围参数确定力相对于距离减小的速度。如果参数值较大，则力减小缓慢，反之亦然。Q是实体的类型（障碍物（Q o）或人（Q h））。 是实体之间的归一化距离向量。总排斥力是由每个实体施加的相互作用力的累积和这种类型的规格用于计算来自静态障碍物的排斥力。圆形规范只考虑了距离，并证明它在拥挤的环境中工作良好。然而，人与人之间的交互比上述提出的想法更复杂，特别是在低密度和平均密度环境中。因此，引入了取决于距离和速度的圆形规范的几种不同变体，并表明它们比圆形规范具有更好的碰撞避免，特别是在低密度设置中，例如椭圆规范[29]。3.2.2. 基于排斥力的人们倾向于预测可能的碰撞，并立即计算出碰撞时间ti（根据他们当前的位置和速度，在达到人与人之间的最小距离之前剩余的时间），并试图远离该物体。当相对速度矢量和相对位移之间的夹角h---假设直线运动，距离矢量小于p=4弧度以恒定速度[23]或时间导数（差H. Kivrak等人/工程科学与技术，国际期刊24（2021）284287Qhð¼· ÞIJ我图1.一、（a）机器人和人类的符号。 V h;V r;V hjr;di j;d0ij分别描述了人的速度、机器人的速度、相对速度矢量、相对距离矢量和相对未来位置（b）机器人在导航期间被吸引向目标（绿色箭头），同时被静态障碍物（白色箭头）和人（蓝色箭头）排斥。社会力量和目标位置在Pedsim模拟器环境中可视化（有关本图例中颜色的解释，请参阅本文的网络版本在连续的时间序列中的方位角）的方位角接近于零[30]。为了将这种想法应用到机器人导航中，我们需要一对方位角和碰撞时间（h;ti）信息，以便检测潜在的碰撞并相应地以主动方式规划无碰撞路径的研究[23]介绍了一种碰撞预测力，它对机器人和人以一定角度相向机器人计算每个感知到的人j的方位角h，如图所示。 1（a））。接下来，检查这些时间中的最小值ti¼mintij。在时间ti的相对未来位置d0是对所有感知到的人类增加一个额外的v i=ti项来调节相互作用强度为v i=ti。该术语用于调节机器人速度在一个正面碰撞设置。基于碰撞预测的相互作用力如方程所示3 .第三章。freptXAhvi·e-d0ij=Bh·d^0ij3j2Qh注意，排斥力的影响在不同方向上可能不是各向同性的，例如，对它们后面的物体或人显示出较少的响应。它可以通过基于角相关因子缩放相互作用力来反映。3.3.主动社会运动模型（CP-SFM）来自其他人的吸引力Fatt和排斥力Frep（基于碰撞预测的规范）Fh和影响机器人运动的障碍物（圆形规范）Fo的总合力Ftotal作为所有力的总和获得加速-用牛顿法F m a求出了tCP-SFM作为唯一的局部规划器有陷入局部最小值的风险（例如，吸引力和排斥力的和等于零），并且由于力的大小的突然变化而可能发生振荡，并且在某些点处振荡为了防止加速度矢量上的振荡和瞬时变化，当机器人在任何方向上移动时，如果力的大小大于某个阈值，则以某个步长增加或减小力总合力不能直接用物理力来计算。社会力量处理的是根据人类对环境的感知来估计人类行为，而物理力量处理的是实际互动中的触摸将CP-SFM输出矢量转换为极坐标系下的速度指令，将模型转化为机器人运动，是一项具有挑战性的任务。为此，不是将向量的范数作为线速度和向量的角度作为角速度直接传输到控制器，如在经典SFM中提出的，CP-SFM的输出被认为是机器人在下一个时间帧中应该遵循的特定方向的指示管理加速度矢量与一组固定的运动原语，代表所有可能的方向移动，我们拿出了一个具体的机器人运动模型。我们定义了13个高级动作，每个动作在CP-SFM输出向量和机器人角度之间具有15度的角度差。在每个循环中，执行图2提供至少10 Hz的速度命令，以实现平滑移动。4. 系统设计实验中使用了Mantarobot Teleme2移动临场感机器人。机器人的底座有3个轮子，带有差动驱动机器人平台，该平台具有两个用于障碍物检测的红外光学收发器。对于研究人员来说，它提供了一个受限的软件API，并且没有ROS兼容性支持。在导航过程中，机器人需要网络连接以执行电机命令。WiFi适配器通常无法成功连接到所选网络。控制器期望电机命令每250 ms（4 Hz）到达以驱动车轮，并且如果在特定时间间隔（7-8 s）内没有发送任何命令，则机器人停止驱动并取消连接本身。驾驶动态也不稳健，特别是当长距离覆盖时。由于这些限制，我们停用了机器人的机载控制软件，并采用了我们自己的机器人控制器。为此，定制的传感器设置和硬件架构图中所示。 三是在这项工作中配备。4.1. 建议的硬件架构Udoo x86 Ultra可用于低级和高级控制任务，如感知和运动控制。这是一台卡片大小的单板计算机。它由英特尔2.56 GHz处理器，8 GBRAM等组件组成。Arduino板上的DualVNH5019电机屏蔽用于控制直流电机的任务的机器人。Udoo x86 Ultra与Arduino之间的通信288H. Kivrak等人/工程科学与技术，国际期刊24（2021）284图二. 用一组固定的运动基元管理加速度矢量。图三. (a)Mantarobot Teleme2移动机器人平台提供了建议的硬件架构。(b)机器人配备了我们自己的硬件架构，与ROS一起工作。可视化被卸载到外部笔记本电脑进行性能分析。（c）提出的控制组成部分层次结构。这种结构的设计允许在人类居住的环境中安全和平稳地驱动机器人Uno使用Rosserial协议进行仅使用机器人的机载传感器（两个红外传感器）来检测和跟踪机器人附近的人的位置并不因此，我们为移动底座配备了Hokuyo UTM-30 LX激光测距仪和RGB-D传感器（华硕Xtion），用于导航，人体&障碍物检测和跟踪。RGB-D和激光传感器分别水平安装在离地约1.2 m和0.4 m控制系统由以下四个不同的部分组成：安全控制器监视红外接收器传感器，以获得中心的接近距离数据，并采取相应的机器人将停止并且不移动的最大障碍物距离被设置为25 cm。为了避免抖动行为，velocity_smoother读取velocity命令消息并发布相同类型的“smoothed”velocity命令的消息速度命令多路复用器（cmd_vel_- mux）根据配置的优先级切换输入的速度命令。我们的多路复用器具有从最高到最低优先级的配置，如 下 safety_controller ， 操 纵 杆 ， cp_sfm 输 出 速 度 。Teleme2_driver节点（移动基站）接收来自cmd_vel_mux的命令，并作为我们建议的控制器板的接口，控制所有机器人电机组件。曼兹图3（c）中的框图显示了所有主要组件、它们之间的层次结构以及它们发布的主题4.2. 人体检测和跟踪在人机交互环境中，准确地跟踪人的时间二维位置和速度对于提高导航技能至关重要。因此，人类感知和解释他们的行为是社会运动模型的重要部分，以了解人在哪里以及人类相对于机器人传感器的基于2-D激光的方法相对容易实现，通常由于数据稀疏而计算量小，并且提供高频率的数据;但是覆盖有限的视场，并且仅提供人的距离信息这可能无法为社交意识机器人运动提供足够准确的位置估计。另一方面，基于视觉的方法对于长距离和计算昂贵不起作用。尽管如此，RGB-D相机仍然是首选，因为与其他立体相机相比，它在低光照条件下的室内环境中产生更鲁棒的H. Kivrak等人/工程科学与技术，国际期刊24（2021）284289见图4。 不同分辨率的地图。为了使人的跟踪更鲁棒和扩大机器人的视野，多模型检测和融合策略使用两个不同的在任何传感器失效的情况下，使用另一传感源来补偿失效的我们采用了[31]中人体检测和跟踪实现的一些组件，并将其集成到我们的系统中。leg_detector2用于获得2D范围数据中的腿和人的位置估计2D激光观察被馈送到一个用激光扫描仪读数的腿状图案训练的分类器中。 它首先尝试分别检测腿，然后尝试估计人的中心。除了腿部检测器之外，我们还使用基于深度的上身检测器[32]，它对深度图像进行操作，仅使用激光距离测量传感器数据作为输入，并在使用测距数据确定最佳起始位置之后进入映射步骤。本研究使用ROS环境3机器人平台的位置和方向的即时计算使用SLAM算法。机器人平台的目标点的位置相对于地图的原点是已知的。因此，可以在未知环境中执行社交机器人导航而不使用任何其他静态地图和定位算法。另一方面，由于传感器噪声影响机器人的动作，映射数据可能是有噪声的。一些形态学操作用于过滤噪声（图1）。 5（b））。提取最有可能检测到上半身的感兴趣区域人类的一部分两个传感器的检测融合使用最近邻（NN）数据关联算法。 处理误报检测;检测到的人体帧应该与人的时间杠杆速度或轨迹轮廓相关联，这是由于人跟踪的需要而产生的。扩展NN跟踪器[33]用于此任务。它采用了一种神经网络跟踪器的数据关联方法，如果存在，则将检测分配给阈值内最近的跟踪器。否则，在一定时间内存储检测，并且根据基于速度的轨迹发起和删除来创建新的轨迹。本研究中使用的人体检测和跟踪模块的完整概述如图所示。第七章4.3. 多级映射和识别障碍点gMapping是机器人研究中常用的同步定位和地图绘制（SLAM）算法。gMapping算法1：多级映射算法1：获取高分辨率网格地图（用于本地化）2：更改地图的分辨率以应用形态滤波器3：获得较低分辨率的地图4：改变地图的分辨率，获得最低分辨率的地图5：检测以线段形式出现的障碍物（检测边缘）6：将每条线分成相等的大小7：用GridCell数据结构表示行的每个部分（GridCell map）在静态地图上寻找排斥细胞是一个具有挑战性的问题。地图分辨率不应太低，为perfor-2http://wiki.ros.org/legdetector。3http://wiki.ros.org/gmapping290H. Kivrak等人/工程科学与技术，国际期刊24（2021）284图五. 不同分辨率的地图。图第六章分辨率和单元格数量之间的关系，对于不同的设计决策，对障碍物的表示与这样的参数：（高度= 15米;宽度= 5米; r = 2米;最低分辨率地图的网格单元格长度= 60厘米）。在映射算法中定位的重要性但是，如果障碍物在高分辨率地图中由多个网格表示，则排斥点的力的计算换句话说，从每个单元计算障碍力将导致不适当的解决方案，因为机器人必须接收至少10 Hz的速度命令以实现平滑运动。为了确保这个频率，一种常见的方法是考虑在一个小区域内的障碍物的局部位置集中在机器人，命名为感兴趣的区域（ROI）。圆的半径通常取决于传感器的测量范围。提出了一种改进的系统，通过使用多级映射的方法，旨在克服从障碍物的排斥力的检测和计算的计算成本的障碍物表示的设计。在图6中描绘了取决于参数的障碍物的不同表示的分辨率和单元数量之间的关系。如表1所示计算细胞数。从图6中可以看出，地图的分辨率越高，其包含的单元数量越少。此外，ROI方法与GridCell表示的使用提供了超过一半的改善，在细胞的数量可比的唯一的ROI方法。这一发展使得SFM适合于不确定和动态环境中的实时场景，因为它需要更少的计算时间来频繁地重新规划。4.4. 整个系统导航、人类感知管道和机器人控制模块都配置为ROS节点，并在Udoo x86 Ultra单板计算机（Ubuntu 16.04上的ROS Kinetic）上执行。在机器人平台上进行实验期间使用的ROS上开发的整个系统设置如图7所示。使用激光距离测量来匹配连续激光扫描的激光然后将里程信息传递通过robot_pose_ekf节点以获得组合的里程结果。然后将激光传感器值和产生的里程计数据馈送到gmapping包中以创建2-D占用网格地图。MapMorph节点订阅地图消息以清除噪声并发布较低分辨率的地图消息。Map2Grid节点发布用GridCell数据结构表示的地图。通过RVIZ给出2D导航目标位置，并向move_base节点请求给定机器人位姿的全局规划。CP-SFM节点通过使用来自Map 2Grid节点和被跟踪人员的信息来执行该计划。通过Rosserial协议向控制系统提供速度命令以驱动电机。tf软件包4也被广泛地使用在整个工作中。为了能够分析和执行力的矢量运算，需要具有作为全局方向的固定方向和以机器人的姿态为中心的可移动原点的框架。此问题通过发布单独的力框架变换来处理我们将ROS网络配置为在多台计算机上运行，以便在机器人与人一起导航时对感知的环境进行分析。一旦你知道了ROS主机的IP地址，网络中的所有节点之间就会交换消息。社会力量的可视化标记，检测和跟踪的人，地图的环境与机器人的姿态和机器人的trajec- tory是可视化的RVIZ。22p ωrnumber的细胞是评价在这approach.尽管这种简化，该方法带来了巨大的开销，特别是对于更高分辨率的地图。我们试图通过产生多级映射来加速障碍物检测过程，同时不忽略定位的性能。我们已经设计了算法1，运行在gridmap上。首先生成一个最高分辨率的地图用于定位，然后使用第一个地图通过形态学操作产生一个较低分辨率的地图以清除噪声，并使用第二个级别的地图产生具有最低分辨率的地图用于计算排斥力。图5给出了不同分辨率的地图。由于我们周围的障碍物往往是描述在一个直角或正方形的形状（墙壁，表），障碍物的最低分辨率地图表示与GridCell数据结构。每个GridCell排斥机器人，与机器人和该GridCell之间的距离成反比。5. 仿真如图8所示，我们基于行人ROS Rviz模拟器5模拟了迎面相遇场景中的走廊状环境。在模拟场景中，机器人被赋予一个目标点，显示为走廊中心的绿色圆柱体，人类从机器人的对面开始向机器人行走。基于碰撞预测的社会力模型被实现为ROS节点cp_sfm，使用ROS基础结构。系统中使用的ROS节点以及它们之间的关系如图所示。第 九章4http://wiki.ros.org/tf。5https://github.com/srl-freiburg/pedsim_ros。H. Kivrak等人/工程科学与技术，国际期刊24（2021）284291半]¼ þ¼表1不同表示的单元格数。方法细胞数整个地图高度ω宽度=resc2GridCellRepr.1/2高度ω宽度h=1/2网格面积感兴趣区域（ROI）pωr2=res2GridCell代表其中ROI½pωr2=res2]=gridarea5.1. 人体舒适安全指标[24]中提出了人类舒适安全指数，以衡量移动机器人的社会可接受行为。我们使用两个指标：社会个体指数（SII）和相对运动指数（RMI）。SII根据霍尔的个人空间区域测量人体的物理舒适度人类周围的空间分为四个区域。我们的目标是让机器人在环境中运动时尽可能侵犯最小的人类社会空间。SII和RMI阈值直接与[24]中指定的值一起使用。对于SII度量，定义了生理和心理两个阈值当机器人危险地接近人类或撞向人类时，即当人与机器人之间的相对距离等于或小于人与机器人的半径之和d0： 24 0： 26 0： 50 m时，人类的亲密空间也被侵犯，这也涉及到人类的身体安全人与机器人之间的距离和相应的SII值如图所示。 10.因此，采用SII物理阈值Tphy为0： 54。SII心理阈值Tpsy也是根据霍尔[34]的个人（0：45 cm）和社会空间（1.2 m）区域选择的 ， 并 定 义 为 它 们 的 平 均 值 0 ： 9 m0 ： 45 ; 1 ： 2 m ， 并 设 置 为 0 ： 14 作 为 相 应 的 值 ， 如 图 所示。 10. 因此，如果SII是大于Tpsy，我们认为一个人的心理安全感较低。另一方面，RMI测量机器人和人之间的相对运动。当机器人和人以高速相互接近时，RMI达到其最高值，并且机器人侵犯了人类的个人空间或发生碰撞。运动阈值基于此定义并设置为2： 2。5.2. CP-SFM参数的仿真标定CP-SFM算法的性能取决于其参数Ao;Bo;Ah;Bh;s;v 0。需要校准以根据操作环境调整模型参数。在前人研究的参数范围内进行了1191次模拟试验，找出了最佳参数组。我们分析每一个轨迹和以下指标收集：达到目标的总时间、总路径长度、总方向变化、SII和RMI的均值和标准差。此外，还记录了SII和RMI指数低于阈值指数的样本百分比。SII和RMI值的组合被用作所获得的机器人轨迹的评价标准。我们使用的值在表2中给出。5.3. 仿真结果为了证明所实现的方法的性能，我们使用两个基于化学的人体舒适安全指数，SII和RMI指标。我们使用这些指标来衡量机器人导航过程中人类的身体和心理安全性和舒适度。在图11中，SII和RMI值与机器人在1200个点的导航期间的确定阈值图第七章真实机器人整体软件系统架构及数据流程图。该设置在Teleme2机器人平台上的实验期间使用ROS节点由椭圆形绘制，ROS消息由矩形表示。292H. Kivrak等人/工程科学与技术，国际期刊24（2021）284图八、一个类似走廊的社交环境，由5个人和一个移动机器人组成机器人从起始位置导航到一个给定的目标点，用绿色圆柱体表示，同时避开迎面而来的人。（有关本图例中颜色的解释，请参阅本文的网络版本见图9。ROS计算图。pedsim节点发布关于障碍物和人的位置和速度的准确信息，cp_sfm节点订阅这些主题并发布cmd_vel主题以驱动机器人（pedbot）以及社会力可视化标记和机器人路径。见图10。社会个体指数值给定的物理和心理阈值相对于人类的距离。(50 s）。图11示出了SII和RMI值分别低于机器人遇到的所有行人的确定阈值。与此同时，机器人到达目标时不会碰撞环境中的其他固定障碍物（墙壁）（图8）。因此，保证人的身体安全和心理舒适的社会导航由机器人执行。同时，观察RMI值表2CP-SFM参数用于仿真实验。描述符号值参数人机交互强度人机交互范围弛豫时间障碍物斥力AhBhSAO一比五四点九分一比零五比零障碍物排斥范围Bo0： 3机器人的期望速度v00： 6低于阈值表明，除了机器人可以安全和社会导航，它也能够主动规划其轨迹，以避免动态人类。6. 真实世界实验6.1. 实验装置我们在如图12所示的可视化走廊环境中进行了四个真实世界实验：无障碍物情况、避开固定障碍物情况、避开一个动态人情况和避开两个动态人情况。我们使用第3.3节中介绍的主动社会运动模型来装备机器人行为。模型参数在真实机器人环境中比在第5.2节中提出的校准方法选择的参数进一步校准。参与者都是男性，以避免由于空间问题解决中已知的性别差异而产生的混淆效应[35]。6.2. 实验结果在本节中，我们介绍了从我们的实验结果中获得的结果为了验证所提方法的有效性，给出了采用多级映射和不采用多级映射的对比实验。首先分析了SLAM时有/无噪声滤波的效果。如图4（d）所示，红点所示的噪声部分将影响机器人运动，并经常导致机器人停止或发生振荡，以避免不真实/人为的碰撞。在H. Kivrak等人/工程科学与技术，国际期刊24（2021）284293见图11。人体舒适安全指数（SII和RMI）的模拟。图12个。4真实世界的实验场景。（a）在无障碍环境中给出几个导航目标，以检查机器人是否能够到达目标;（b）在环境中添加几个静态对象，以验证在导航通过期望目标时避开障碍物;（c）和（d）具有一个和两个迎面而来的人类参与者的人-机器人共享环境。294H. Kivrak等人/工程科学与技术，国际期刊24（2021）284图13岁使用（a-e）和不使用（f-j）多级标测的导航图示这些连续的数字显示了机器人如何在这种情况下试图避免迎面而来的人类（红色方块代表人类）。机器人采用不同的导航方法，遵循不同的策略，以避免人类图（然而，在没有多级映射的方法中，机器人执行另一种行为，其中它与人类保持较小的距离。由于缺乏噪声过滤，它还将地图中的伪影点视为障碍物（有关本图例中颜色的解释，请参阅本文的网络版本图14个。11× 5走廊环境下算法的运行时间图13，我们示出了在迎面而来的人类场景中具有/不具有多级映射的导航的图片序列，以分析多级映射对社会接受的影响。我们可以观察到，机器人遵循不同的行为，以避免人类根据导航方法。在图13（e）表示具有多级映射的导航方法，其中机器人以主动行为移动，愿意避免人类从远处考虑他。然而，在没有多级映射的方法中（图13（f）-（j）），它还将地图中的伪影点视为障碍物，我们克服了这个限制，通过过滤出的噪声/文物作为多级映射方法的一部分。其次，我们比较了这两种方法的计算复杂度，因为提出了多级映射，以克服计算的复杂性与低计算能力的机器人。为了比较计算复杂度，我们通过使用ROS Clock Server 6回放包/日志文件来测量算法的执行/运行时间，如图所示。 14个。轴的底部和左侧表示“没有多级映射”的情况，而顶部和右侧表示“具有多级映射”的网格单元大小和相应的缺乏噪音过滤。因此，如果没有多级映射在这种方法中，机器人不能成功地进行社交导航。6http://wiki.ros.org/Clock。H. Kivrak等人/工程科学与技术，国际期刊24（2021）284295×图15个。实验1-2的实验结果表3显示了11 5 m走廊环境中有/无多级的网格单元大小和相应的平均执行时间。如表3所示，由于排斥势函数计算的必要性较低，因此多级映射的执行时间大约快/优越10倍（网格单元尺寸小73倍）因此，多级映射在加速障碍物检测过程中的机器人的实时平滑运动另一方面，对导航的多级映射改进将被更好地注意到，特别是在具有更多行人的更具挑战性的场景中，诸如具有大尺寸地图（大量单元）的机场、医院另外四个实验分为两个部分。在第一部分中，我们描述了无障碍和静态障碍实验的结果，而在第二部分中，我们提出了动态人体实验的结果。实验1-2：导航到目标和避免静态障碍物在第一次和第二次实验中，我们的目的是调查机器人是否能够在不碰撞环境中的静态障碍物的情况下到达目标。场景、机器人位置、墙壁和障碍物的图纸可以在图1A和1B中看到。14和12（b）。实验结果的视频也可以在超链接中找到。图15显示了无障碍物（图15）和静态障碍物（图15（b））情况下CP-SFM的实验结果结果表明，机器人导航周围的走廊朝着预期的目标，以及成功地避免障碍物。实验3-4：避免一个/两个步行的人的方法的实验结果没有多级映射导航组成的人，机器人位置以及SII和RMI值随时间的轨迹在图中。 16（a）、（d）、（g）。在图16（d）中，在心理阈值和物理阈值之间的SII值指示机器人安全地移动但非常接近人类。因此，在满足身体安全的同时，没有考虑心理舒适，侵犯了社会空间。此外，高于运动阈值的图16（g）指示机器人不主动地和社交地避开人类在实验结果的方法与多级映射导航，机器人主动避免人类，同时向其目标导航。我们的实验结果的视频可以在超链接中找到。图16（b）和（c）显示了跟踪人类和机器人位置随时间变化的实验结果。在图16（b）和（c）以及图12（d）中也可以看到场景的附图。在