UWB机器人定位 - 简介

摘要

本文简要介绍UWB无线定位技术应用于自主移动机器人领域和人机协作领域的技术挑战和方案优势，通过对比现有主流移动机器人定位导航方案和现有主流UWB定位方案的优缺点，得出将UWB技术应用到自主移动机器人、大规模人员导航、以及人员机器人混合定位任务协作等领域所必须的UWB方案技术指标。

背景简介

智能移动机器人定位导航

工业化进程不断加快，智能化的机器人取代人工进行简单和重复性的劳动也成为降低成本，增加效率，保证产品质量等重要途径，自主可移动机器人(AMR)作为众多机器人类别中的一类，赋予机器人自主移动的能力，极大地扩展了机器人的应用场合，如：

1. 搬运物流机器人：用于智能仓储，智能工厂等，例如，用于亚马逊仓库的Kiva机器人，淘宝菜鸟仓库机器人等
2. 扫地机器人：国外的如iRobot，Dayson等，国内的如科沃斯扫地机，小米扫地机等
3. 引导机器人：用于园区，餐厅，展厅，会展厅，博物馆等行人导引服务
4. 智能汽车：通过车身装载的多种传感器（如激光雷达，摄像头，GPS，UWB等）实现自主行驶，自动泊车，反向寻车，主动召唤等功能

为使机器人具有自主移动的能力，其至少必须具备感知自身位置和规划行进路线的能力，这类似于我们通过GPS进行定位并通过Google地图等决定行驶路线。对于移动机器人来说，定位、路径
规划、避障这3个功能模块相辅相成，共同促进机器人的自主性和智能性，而较好的定位能力是其他两个模块能高效运行的前提和基础。

人机空间感知与任务协作

另一方面，为更好地为访客提供服务或优化工业生产流程等，服务器及人或部分工业机器人对柔性化提出了更多要求，需要人和机器人具有相互感知和交互的能力，从而最终能够实现快速高效的任务协作。移动型服务机器人能够实时感知客户的位置为客户提供导引、行李搬运等服务，工厂搬运机器人实时感知员工位置信息能够实现精细化的订单配给追踪和货物分拣等能力。

移动机器人主流定位技术

目前主流商业方案中对移动机器人的定位导航主要有3个类别：

1. 激光雷达(Lidar)定位导航方案

   采用激光雷达作为主要的数据感知源，通过其对周边环境实时测量所得的2D/3D环境点云数据，利用临近点云配准算法，全局点云注册算法等实现对机器人自身的位置计算和对运行环境的地图构建。激光雷达测距精度极高(~5mm)，在强光直射以外的环境中运行稳定，同时点云本身也包含附近空间占用信息，可直接进一步用于机器人的路径规划和导航避障等。激光雷达方案依据对周围环境的检测、感知、建模方式不同，又主要分为2类：

   • 自然环境激光导航方案

     激光雷达直接对周围环境测量以获得点云信息，对相邻时刻的点云信息利用点云匹配算法来估计相对位移，并利用当前位置把该位置相对应的点云在全局环境点云中进行注册。

   • 反光柱激光导航方案

     在大型空旷的厂房或狭长简单的走廊等场合，由于缺乏足够的关于周边环境的几何特征信息，自然导航的激光雷达方案精度降低很多甚或可能失效，为解决这个问题，会人为的在运行环境中随机地布置一些涂有高反射性材料的反光板或反光柱，激光雷达在运行过程中不断地检测和追踪这些标识物体，并同时利用这些标识物体增量式地构建关于环境的稀疏特征地图。

2. 视觉(Visual)定位导航方案

   采用摄像头作为主要的定位数据来源，通过获取关于周围环境的实时图像数据，利用计算机视觉技术，如特征点检测与匹配，光流追踪等，增量式地构建关于环境的视觉特征地图，并利用构建的稀疏地图信息进行实时定位，回环检测以消除累积误差，以及位置重定位等。视觉方案对比激光雷达方案成本较低，对环境的语义信息感知较为丰富，然而视觉方案对环境的光照信息和视觉纹理特征等要求很高，在弱光、强光、弱纹理等场景下无法工作，视觉传感器对安装位置或携带方式也有很大要求，不容易扩展到对人员的定位导航，此外，视觉方案所生成的稀疏环境地图也无法直接用于机器人的路径规划和导航避障等。激光雷达方案依据对周围环境的检测、感知、建模方式不同，又主要分为2类：

   • 自然环境视觉导航方案

     摄像头直接对周围环境成像以获得图像数据，并进而从中提取具有丰富自然环境特征的特征点，利用这些特征点重建环境的稀疏特征地图并通过追踪这些特征点来实现对机器人自身的的定位。

   • 二维码标签视觉导航方案

     在一些无纹理或弱纹理的场合，或视觉传感器受限于安装位置无法有效记录周围环境的情形(如仓库搬运AMR由于需要运载大型物品等，摄像头只能位于机器人底部ÿ