教育教学

计算机教育

0 引 言

自主机器人是机器人领域的重要分支,也是一门新兴学科[1],它是一个集环境感知、动态决策与规划、行为控制与执行等多功能于一体的综合系统。集中了传感器技术、信息处理、电子工程、计算机工程、自动化控制工程等多学科的研究成果,是机电一体化的人工智能综合研究平台,也是目前科学技术发展最活跃的领域之一。随着机器人性能不断地完善,自主移动机器人的应用范围逐步扩展,不仅应用于工业、农业、医疗、服务等普通领域,而且在城市安全、国防和空间探测等特殊领域得到很好的应用。因此,移动机器人已经成为我国人工智能、智能制造技术研究的重要平台,是未来科技发展的重要载体。

1 自主机器人技术概括

自主机器人区别于普通机器人在于它的自主性和移动性,因此,笔者针对自主机器人这两个特性深入研究,并设立移动机器人运动学原理和传感器技术两部分教学内容,其中运动学特性是机器人学没有的,具有自身的特殊性,由于智能科学与技术专业选课学生均为高年级本科生,许多同学已经选修过机器人学课程,因此,选择移动机器人运动学单独研究。自主性是最能反映机器人的智能特性的一个方面,而机器人只有通过各种传感器采集多模态信息才能表现出自主性,因此传感器技术内容也是本课程研究的重点内容。此外,本课程还针对自主机器人的普遍问题“我在哪?我要去哪?如何去”三个方面展开研究,涉及包括自主定位[1]、目标识别、SLAM[2]、路径规划等核心技术设立教程内容。近年来深度学习[3]技术应用于目标识别过程,给早期特征工程研究带来新的生机。而自主定位、SLAM技术也是当前自动驾驶核心技术,可以充分体现出机器人的人机交互、自主导航能力,因此,这三部分内容也将作为本课程重点研究内容。

综上所述,笔者针对自主机器人5个核心内容设立教程案例展开研究,采用联想记忆法对每个核心内容,与当前最新人工智能技术内容结合,进行同步讲授分析,将基础理论知识与上机实验结合,让学生们全面掌握最新人工智能相关的自主机器人核心技术。图1为智能机器人导航过程。

1.1自主移动机器人运动学原理课程设计

自主机器人运动学是轮式移动机器人的特有属性,需要研究轮式机器人里程计(码盘)运动规律,建立基于世界坐标系中的位移量与机器人码盘输入量(速度、角速度等)函数关系,进而研究码盘累积误差与其机器人过程输入量间的映射关系,获得移动机器人里程计误差模型,见图2。该模型对于移动机器人自主导航非常重要,直接影响自主导航的定位精度和实时性,甚至影响自主导航定位成败。因此,这部分课程重要程度要提前让给学生了解。我国自主研发移动机器人数量较多,但精度、工艺比国际先进国家(欧美、日本等)差,其原因主要在于移动机器人里程计误差模型构建缺乏实时性和鲁棒性,在长距离导航过程中容易产生较大的累计误差,长时间导航会产生误差漂移现象,甚至导致定位失败。

里程计误差包括系统误差和非系统误差,系统误差是由于轮径差异或电机工艺导致内在误差,这部分误差可以通过反向运动检测和建模。非系统误差是由于轮子打滑或者机器人绑架导致,具有非线性和累加性,不容易在线获得,需要建立数学模型描述非系统误差。非系统误差建模多数采用高斯模型,因为该模型仅需确定里程计过程输入量和误差协方差,运算量较小,容易上机编程实现。里程计过程输入量包括速度、加速度等,因此,只要建立里程计误差协方差与非系统误差间的近似函数关系,就可以实时在线获得里程计非系统误差,进而在反馈输入端通过调整过程输入量,实时减少累计误差,形成里程计闭环误差反馈过程。

自主机器人运动学模型需要建立在每个驱动轮垂直方向和运动方向上,机器人坐标系与世界坐标系转换关系。建立驱动轮运动方向的滚动约束和垂直方向的滑动约束速度平衡方程。对于非完整机器人,理想状态下滑动约束分量应为零。运动学模型是建立机器人坐标系与世界坐标系间的运动转换,相当于整体与局部关系,有利于问题的转换研究。

通过联想记忆法帮助学生们构建自主机器人运动学模型,有利于学生掌握里程计过程量在机器人坐标系与世界坐标系间转换。通过构建里程计误差模型,学生可以了解如何减少累积误差,如何实现误差反馈过程。这些知识均为轮式移动机器人的核心知识点。

1.2传感器技术案例设计

移动机器人自主性往往表现在采用多种传感器进行多模态信息融合,能否有效减少内部传感器(里程计)累积误差,提高定位和地图创建精度。因此,传感器技术也是移动机器人智能化程度的缩影。当前智能机器人均配有多种高精度传感器,如深度视觉、激光、雷达、陀螺仪等,可以采集周围环境特征,与地图库里三维路标匹配,获得当前机器人位姿更新,进而更新环境地图。机器人多传感器信息具有多维度、多测度空间、多源特性,需要对多信息进行融合处理。机载传感器(视觉或激光)采集的周围环境信息常常具有冗余特性,需要采用合理的多传感器融合技术去除冗余,提高融合后信息的可信度。多传感器融合方法大致包括数据级、特征级、决策级融合。数据级融合是直接对原始数据进行融合,融合信息是同质的;特征级融合是对原始数据中提取的特征进行融合,合成单一特征向量,然后运用模式识别算法进行处理,融合特征可以是不同质的;决策级融合是根据每个传感器数据进行判断,将最终结果进行融合,融合特征是同质的。通过联想记忆法可以串联各种机载传感器功能特性、基本原理等知识点,通过图像或视频,让学生真实了解机器人各种传感器工作过程,增强实际动手和分析能力,如图3所示。

1.3自主定位课程案例设计

智能机器人自主定位包括全局定位和局部定位,全局定位需要首先建立全局地图,在全局地图基础上实现自主定位。自主定位多数指全局定位,比如在使用百度地图步行导航时,首先通过手机中GPS全球定位系统确定自身在环境中的实际位置,然后输入目的位置,百度导航就可以自主规划一条从当前位置到目的位置的最佳路径。再比如使用百度地图开车到目的地,也是一种典型的全局定位过程。通过GPS系统在百度地图中确定车辆位置后,输入导航的目的位置,百度地图就可以自主规划一条最佳导航行驶路径,并且这条路径可以根据当前位置、路径变化进行动态更新。

局部定位不需要全局地图信息,机器人仅根据外部传感器信息进行分析判断,确定机器人相对环境中某参照物的相对位置。比如民航机场飞机起飞降落阶段,采用变换的地面照明灯光,指引飞机起飞和降落过程就是一个典型的相对定位过程。飞机不需知道机场的全局环境地图,仅根据当前地面照明灯光指示线路,对齐机身与起降跑道位置即可实现安全起飞和降落过程。通过联想记忆法,将定位理论与实际应用结合,增强学生的理解和分析能力。

全局定位一般采用机器人内部传感器里程计(码盘)使用航位推算法获得机器人从起点到当前位置的位置变化,但机器人导航过程中由于系统误差和非系统误差影响会产生较大的里程计累积误差,影响全局定位精度,因此,常常根据机器人外部传感器(视觉、激光等)与环境中的全局路标(Landmarks)匹配获取机器人当前时刻全局位姿偏差,进而实现全局地图更新。该过程是实现机器人位姿更新的关键环节,借助于外部传感器信息纠正机器人里程计累计误差,一种有效的全局定位算法可以较好地实现机器人位姿更新,提高全局定位和环境地图精度。该过程中外部传感器特征提取与三维环境路标匹配也是目标识别的关键环节,直接影响全局定位精度和实时性。目前工程中采用的特征提取方法包括点、线、纹理、颜色、形状等,或者是抽象特征如SIFT、SURF、角点(Corner)、ORB等,这些特征均为人为指定特征,具有一定主观局限性。当前流行的深度学习技术,可以让机器自动学习特征,训练特征分类器,更加客观地、准确地实现特征提取与匹配过程。这里可以增加深度学习内容的讲解和实验过程。

1.4SLAM技术课程案例设计

同时定位和地图创建技术是全局定位和地图创建综合应用技术,也是自主导航技术的核心内容。它是根据全局定位后的机器人位姿更新与全局地图更新实时相互交替、相互作用的过程。包括全局定位和地图创建两个环节。一般情况下,首先创建全局地图,再进行全局定位。机器人自主导航过程中这两个过程互为条件、互为依存。SLAM技术是在全局定位基础上,进行地图更新过程。经过特征匹配过程以后,环境中有些静态、动态障碍物或环境发生一些变化,这时机器人位姿更新后需要重新更新地图和机器人当前时刻位姿。SLAM技术广泛应用于汽车自动驾驶。其核心技术就是SLAM技术。当下流行的人工智能的自动驾驶技术中行驶车辆可看成一台自主机器人。通过各种机载传感器(云台视觉、高精密激光、毫米波雷达等)实现多模态传感器信息与机器人运动输入量(速度、油门、刹车、转向等)自动映射关系。因此,自主机器人SLAM能力反映了移动机器人自主性、可靠性、鲁棒性、实时性等综合能力。通过联想记忆自动驾驶过程,让学生们针对SLAM技术的每个环节,学习理论和实际结合能力,如图4、图5所示。

1.5路径规划课程案例设计

路径规划技术是在SLAM之上,设定起止点位置,机器人自主地选择导航路径过程,路径规划包括全局路径规划和局部路径规划,全局路径规划是指在全局地图基础上,实现起止点间路径选择过程。该过程可以有多种选择方式,可采用最短路径、最短时间或者多因素融合路径,包括启发式搜索算法如A*、D*,或者多目标优化算法。首要条件是已知机器人的全局位姿、全局环境地图,以及导航起止点位置。课堂上可以通过联想记忆日常生活中的百度地图导航、高德地图导航APP的应用。这两种方法均为典型的全局路径规划过程。局部路径规划是指机器人仅根据当前机载传感器信息判断前方障碍物位置后,采用的一种避障导航方法,该方法虽然可以解决实时避障过程,但是缺乏全局地图,无法获得最佳路径规划,比如机器人走迷宫、无人机自主飞行。在机器人自主导航中,经常采用全局、局部路径规划相结合的方法,既能兼顾全局最优性又能保证局部避障的实时性。较为典型方法为最短路径法、栅格地图法。因此,通过联想百度地图、高德地图、机器人走迷宫、无人机自主飞行等案例,使学生增强学习兴趣和对知识点的深入理解,如图6所示。

2 调查问卷

根据2016级智能科学与技术专业25名选课同学,授课效果调查问卷统计显示(见表1),无论是教学效果,还是应用能力培养,满意度均达到90%以上,可见本课程采用结合当前人工智能热点内容的联想记忆教学方法,有效地提高了同学们听课效果、学习兴趣,同时也有效地增强了实际动手能力。通过联想记忆人工智能热点深度学习技术,学生不仅掌握了课内机器视觉内容,而且还能采用深度学习技术完成图像分类、分割过程。真正地调动起全体学生自主机器人的学习热情,也提高了核心知识学习掌握能力。

3 结 语

智能机器人是人工智能研究的最佳平台,本课程的研究包括目标识别、自主定位、地图创建、路径规划等过程,涵盖了所有机器人认知全部过程技术。因此,需要建立在计算机视觉、概率论等基础知识之上,深入研究各知识环节间关系,并通过实验环节串联智能机器人关键技术间的联系。以后将结合最新人工智能技术发展,更新最新实验课程内容,提升学生对人工智能应用技术的掌握和学习。


基金项目:2019年度上海理工大学院级教师教学发展研究项目资助(GD201903);2019年度上海理工大学院级课程思政建设项目资助。

第一作者简介:杨晶东,男,副教授,研究方向为人工智能、智能机器人、机器学习等, eerfriend@163.com。


参考文献:

[1]杨晶东, 孙磊明, 邵雨婕, 等. 一种有效的自主机器人迭代最近点定位算法[J].机械工程学报, 2018,54(15):15-30.

[2]Zikos N, Pteridis V. 6-DOF low dimensionlity SLAM(-SLAM)[J]. Journal of Intelligent & Robotic Systems, 2015, 79(1): 55-72.

[3]Ma C, Chen L, Yong J H.AU R-CNN: Encoding expert prior knowledge into R-CNN for action unit detection [J]. Neurocomputing, 2019, 355(25): 35-47.