閆 利，陳 宇，謝 洪,戴集成，趙英豪，胡 嘯，李 瑤，趙玏洋，王月琴

1. 武漢大學(xué)測繪學(xué)院，湖北 武漢 430079； 2. 武漢市自然資源和規(guī)劃信息中心，湖北 武漢 430014

智能化測繪一直是測繪領(lǐng)域追求的技術(shù)目標(biāo)，測繪數(shù)據(jù)獲取與處理技術(shù)的自主化、實時化水平總體上決定了測繪技術(shù)解決問題的智能化水平和能力。前瞻智能時代孕育的科技巨變，智能技術(shù)將改變目前信息化測繪/數(shù)字化測繪“以人為中心”的方式，建立以自主化、實時化、泛在化、主流化為技術(shù)特征的“數(shù)據(jù)-信息-知識-智慧”的主動感知、實時認(rèn)知和泛在智能決策技術(shù)體系，然而現(xiàn)在測繪數(shù)據(jù)獲取和處理模式基本上是“人-機”協(xié)同、事后處理，無法滿足智能化測繪階段時空信息獲取與應(yīng)用需求。

近20年，移動測量技術(shù)走向成熟，特別是無人機測量、車載移動測量及背包移動測量，更是在泛在測量和位置服務(wù)的強勢需求背景下，其技術(shù)和產(chǎn)品得到持續(xù)發(fā)展，在一定程度上解決了動態(tài)測量技術(shù)問題。從控制方式方面分析，目前移動測量依賴于人的控制或者預(yù)先編制程序控制，因此，屬于程序控制的動態(tài)測量系統(tǒng)，缺乏滿足未知測量環(huán)境和未知測量對象的自主適應(yīng)能力，也就是說缺乏“智能”。

當(dāng)今，智能科技正在深刻影響著人類生產(chǎn)和生活方式的變革，掀起了一場工程科技及智能設(shè)備制造的革命，期望為機器賦予人類感覺和思考能力，那么智能科技為移動測量帶來的發(fā)展機遇是什么？“Gartner Top 10 Strategic Technology Trends 2019”報告將“自主設(shè)備”作為影響未來發(fā)展的第一項技術(shù)趨勢預(yù)測，無人自主系統(tǒng)也將是移動測量的發(fā)展方向，將“類人智能”賦予移動測量技術(shù)體系，利用機器代替人并完成測量行為，無疑是智能化測繪的一個愿景目標(biāo)，鑒于此認(rèn)識，本文探究“測量機器人”的關(guān)鍵技術(shù)與發(fā)展方向。

1 測量機器人的內(nèi)涵與組成

1.1 內(nèi) 涵

測量機器人是指利用移動載體實現(xiàn)實時、自主目標(biāo)測量的智能裝備。具體講，就是采用移動載體搭載多種傳感器，按照任務(wù)定義，依賴自主導(dǎo)航，自主探測，自主獲取并重建目標(biāo)場景，自主實時完成場景分析，以及在線獲取目標(biāo)的位置信息。

按照載體或用途，可將測量機器人分為多種類型。從需求角度分析，飛行測量機器人、地面測量機器人、地下測量機器人、水下測量機器人則更具有現(xiàn)實需求。

1.2 組 成

測量機器人系統(tǒng)一般由硬件層、感知層、決策層、服務(wù)層與運動控制系統(tǒng)5部分組成，其系統(tǒng)結(jié)構(gòu)如圖1所示。硬件層包括移動平臺、傳感器模塊、通信模塊與計算模塊，主要負(fù)責(zé)實現(xiàn)測量機器人的移動、數(shù)據(jù)采集與通信功能。感知層負(fù)責(zé)對傳感器模塊采集的各類數(shù)據(jù)進行分析，實現(xiàn)機器人的自主定位并建立對周圍環(huán)境的認(rèn)知，繼而輔助決策層進行任務(wù)制定與相應(yīng)的路徑規(guī)劃。決策層依據(jù)感知層的輸出信息，結(jié)合實際測量任務(wù)需求進行作業(yè)規(guī)劃，同時向運動控制系統(tǒng)傳輸指令。運動控制層在獲取決策層提供的指令后，計算機器人的運動控制量，實現(xiàn)機器人精確穩(wěn)定的運動。服務(wù)層根據(jù)既定測量任務(wù)的需求，通過綜合處理硬件層、感知層和決策層提供的數(shù)據(jù)及分析結(jié)果，提供目標(biāo)跟蹤、場景制圖和變化檢測等測量服務(wù)。

圖1 測量機器人組成Fig.1 The composition of surveying robot

(1) 硬件層。移動平臺是測量機器人的硬件基礎(chǔ)，主要負(fù)責(zé)搭載傳感器、計算平臺及通信模塊等設(shè)備進行移動。根據(jù)運動方式的不同，可以將其主要分為飛行平臺、地面移動平臺及水下移動平臺3大類。其中，飛行平臺按照飛行方式的不同，延伸出了單旋翼、多旋翼、撲翼和固定翼等類型；地面移動平臺按照行進方式的不同也出現(xiàn)了輪式、足式及履帶式等類型；水下移動平臺按照驅(qū)動方式的不同，可以分為推進式與滑翔式。不同平臺運動類型的擴展和延伸，為測量機器人在多樣化任務(wù)需求和復(fù)雜工作環(huán)境下的順利作業(yè)提供了堅實的硬件支撐。

測量機器人通過移動平臺搭載的傳感器采集周圍環(huán)境信息。測量平臺的體積、載重和功率規(guī)格是有限制的，考慮到工作場景和精度、分辨率等預(yù)定義的測量任務(wù)需求，需要找到最適合的傳感器和載體平臺組合。測量機器人可以使用的傳感器包括視覺相機、深度相機、激光雷達、GNSS、IMU、雷達和超聲探測儀等，各類傳感器的優(yōu)劣勢見表1。

表1 各傳感器優(yōu)缺點比較Tab.1 The comparison of advantages and disadvantages of various sensors

通信系統(tǒng)負(fù)責(zé)測量機器人與地面站、遙控器及其他測量機器人之間的通信，包括傳輸控制指令、傳感器數(shù)據(jù)及地圖信息等。測量機器人的通信功能可以通過Wi-Fi、5G、藍(lán)牙、微波等技術(shù)手段實現(xiàn)。

(2) 感知層。感知層是測量機器人理解外部環(huán)境信息，掌握局部目標(biāo)運動態(tài)勢的功能模塊，在獲取多源傳感器數(shù)據(jù)的基礎(chǔ)上，通過對數(shù)據(jù)的分析、認(rèn)知與表達，輔助決策層進行任務(wù)制定與相應(yīng)的路徑規(guī)劃。根據(jù)職能的不同，感知層主要分為定位、識別與預(yù)測3個模塊，其中定位模塊的主要任務(wù)是借助傳感器獲取的信息，計算得出測量機器人在當(dāng)前環(huán)境中的精確位置與運動狀態(tài)。定位模塊中通常使用多傳感器融合技術(shù)保證定位結(jié)果的穩(wěn)定、準(zhǔn)確和實時性；場景識別模塊根據(jù)多傳感器獲取的場景信息，進行場景分類、目標(biāo)檢測與語義分割，使測量機器人建立對周圍環(huán)境的認(rèn)知與理解。預(yù)測模塊在定位與識別模塊的基礎(chǔ)上，通過分析場景中的動態(tài)目標(biāo)，預(yù)測其未來多種可能的運動狀態(tài)，為后續(xù)的決策規(guī)劃提供可靠依據(jù)。

(3) 決策層。決策層的主要任務(wù)是根據(jù)感知層獲取的場景信息，結(jié)合實際的測量任務(wù)，對任務(wù)進行可行性及風(fēng)險性評估，決定下一步的作業(yè)模式并規(guī)劃出最優(yōu)的作業(yè)路線。按照職能不同，該層可以分為風(fēng)險評估、路徑規(guī)劃、多機協(xié)同及外部協(xié)助4個模塊。風(fēng)險評估模塊的主要任務(wù)是在顧及測量平臺續(xù)航能力及軟硬件運行情況等狀態(tài)指標(biāo)的前提下，依據(jù)周圍場景信息，對任務(wù)的可行性及風(fēng)險性進行評估，判斷是否繼續(xù)執(zhí)行任務(wù)或是否申請外部協(xié)助。路徑規(guī)劃模塊是在感知層獲取的場景信息的基礎(chǔ)上，結(jié)合測量任務(wù)的目標(biāo)，根據(jù)移動平臺的動力學(xué)模型規(guī)劃出一條安全、光滑及符合動力學(xué)約束的最優(yōu)作業(yè)路徑并交由運動控制系統(tǒng)執(zhí)行。多機協(xié)同模塊的主要任務(wù)則是在集群聯(lián)合作業(yè)的情況下，按照效率最大化的原則，對任務(wù)進行劃分，并交由多個集群成員同時執(zhí)行。而外部協(xié)助模塊則是在復(fù)雜或極端情況威脅到測量任務(wù)與機器人安全性，決策層難以做出合理安全的決策時，申請外部人為協(xié)助，以避免任務(wù)失敗或出現(xiàn)嚴(yán)重的作業(yè)事故。

(4) 服務(wù)層。服務(wù)層是測量機器人的測量功能最終實現(xiàn)與執(zhí)行的部分，針對特定應(yīng)用場景需求而形成對應(yīng)的解決方案。其負(fù)責(zé)接收前3層的信息輸入，基于測量任務(wù)的不同執(zhí)行對應(yīng)的數(shù)據(jù)處理算法，并根據(jù)任務(wù)的需求在必要時對決策層發(fā)出指令，保證測量任務(wù)的順利執(zhí)行。本文根據(jù)測量機器人應(yīng)用場景與測量任務(wù)的需求將應(yīng)用層的組成分為3大模塊：場景制圖、變化檢測和目標(biāo)監(jiān)測。

其中，場景制圖模塊基于傳感器采集的信息，通過相應(yīng)算法對目標(biāo)場景進行重建，并能夠根據(jù)任務(wù)的需求對場景的關(guān)鍵目標(biāo)進行重點識別與測量；變化檢測模塊能夠?qū)⒛繕?biāo)對象的當(dāng)前觀測結(jié)果與歷史數(shù)據(jù)進行對比，發(fā)現(xiàn)其中變化的部分，并測量與估計變化的程度；目標(biāo)監(jiān)測模塊可以根據(jù)任務(wù)需求對場景中的特定目標(biāo)進行搜索，指揮測量機器人跟隨目標(biāo)對象并進行持續(xù)觀測。

(5) 控制系統(tǒng)。機器人運動控制系統(tǒng)根據(jù)決策層提供的行動指令，通過姿態(tài)控制器和控制律設(shè)計模塊解算出合適的舵機和電機控制量，轉(zhuǎn)換成具體的PWM信號輸出給硬件層。

在機器人運動控制系統(tǒng)中，姿態(tài)控制器用于增加機器人運動體軸方向的阻尼。機器人運動控制系統(tǒng)根據(jù)加速度計、陀螺儀、磁強計解算出的姿態(tài)角作為反饋，用預(yù)先設(shè)計好的控制律進行運算，計算出各個舵面和電機控制量后發(fā)送到舵機和電機，由舵機和電機驅(qū)動機器人運動。其中，舵機包括控制機器人運動姿態(tài)的舵機和任務(wù)舵機(拍照、開關(guān)等操作)，電機驅(qū)動動力系統(tǒng)提供推力和拉力。機器人運動控制系統(tǒng)的具體流程如圖2所示。

圖2 機器人運動控制系統(tǒng)Fig.2 Robot motion control system

2 難題與關(guān)鍵技術(shù)

2.1 難 題

測量機器人屬于光機電一體化智能復(fù)雜無人自主系統(tǒng)，是一個涉及測繪、導(dǎo)航與控制、電子、機械、高性能計算及人工智能的多學(xué)科交叉前沿研究領(lǐng)域。主要技術(shù)難題包括：

(1) 自主路徑規(guī)劃難題。主要面臨如下問題：①算法適應(yīng)性不強。當(dāng)前很多路徑規(guī)劃算法只能在某些場景內(nèi)取得很好的效果，當(dāng)場景發(fā)生較大變化時，不能保證規(guī)劃質(zhì)量。②動態(tài)避障能力有限。目前的避障算法大多針對的是靜態(tài)或低動態(tài)障礙物，對于擁有高動態(tài)障礙物或者多動態(tài)障礙物的工作場景并不能滿足實時避障需求。③規(guī)劃效率有待進一步提升。當(dāng)前的路徑規(guī)劃算法大多是用于簡單的移動任務(wù)，當(dāng)面向復(fù)雜測量任務(wù)時，難以確保規(guī)劃的有效性、實時性以及最優(yōu)性。

(2) 智能場景感知理論難題。主要面臨如下問題：①檢測能力有限。場景理解算法對受到遮擋的物體或小物體的檢測能力較弱，機器人的識別范圍因此受限。②樣本依賴程度高?；谏疃葘W(xué)習(xí)的場景感知通常需要標(biāo)注大量的樣本，人工成本高，并且有時會遇到樣本不平衡問題，而弱監(jiān)督及無監(jiān)督算法發(fā)展較為滯后。③動態(tài)學(xué)習(xí)能力不足。大多數(shù)感知算法都依賴于初始訓(xùn)練階段生成的模型，缺少根據(jù)測量過程中獲取的數(shù)據(jù)持續(xù)學(xué)習(xí)調(diào)整模型的能力。

(3) 實時自適應(yīng)多機協(xié)同難題。目前主要面臨以下兩個問題：未知環(huán)境下的任務(wù)動態(tài)分配問題和面向測量任務(wù)的多機路徑規(guī)劃問題。這個問題涉及多個機器人自由度迭加所產(chǎn)生的高維組合空間優(yōu)化、機器人靜態(tài)和動態(tài)約束等技術(shù)難點，導(dǎo)致難以進行實時、合理的多機協(xié)同規(guī)劃。

(4) 復(fù)雜智能處理的實時計算難題。無人測量系統(tǒng)往往存在載荷能力小，計算資源極其有限，而涉及的多源傳感器數(shù)據(jù)的智能處理，均是當(dāng)前發(fā)展階段正在努力攻克的技術(shù)難題，那么在有限計算資源情況下，實現(xiàn)高可靠性的智能數(shù)據(jù)處理與信息提取，必須突破實時計算困難。

2.2 關(guān)鍵技術(shù)

測量機器人的關(guān)鍵技術(shù)主要有定位與建圖、場景識別、路徑規(guī)劃和多機協(xié)同等。其中，定位與建圖技術(shù)用于確定機器人自身位姿，并建立周圍環(huán)境的三維地圖；場景識別技術(shù)負(fù)責(zé)為機器人提供場景感知與理解能力；路徑規(guī)劃技術(shù)旨在為機器人規(guī)劃安全高效的移動測量路線；多機協(xié)同技術(shù)能夠協(xié)調(diào)多臺機器人共同作業(yè)，完成測量任務(wù)。

2.2.1 定位與建圖

GNSS技術(shù)通過無線電信號進行定位，能夠確定全局坐標(biāo)系下移動平臺的位置和速度，在理想情況下定位精度可以達到厘米級，被廣泛地應(yīng)用于機器人領(lǐng)域[1]。但是由于測量機器人工作范圍存在大量GNSS拒止環(huán)境，因此為了實現(xiàn)測量機器人在這些環(huán)境下的穩(wěn)定定位，需要使用同步定位與建圖(simultaneous localization and mapping，SLAM)技術(shù)。SLAM技術(shù)在構(gòu)建環(huán)境地圖的同時完成對機器人的定位，統(tǒng)一了定位與建圖問題。

經(jīng)典的SLAM技術(shù)框架如圖3所示，其系統(tǒng)主要由前端與后端組成，前端的任務(wù)是通過對傳感器數(shù)據(jù)處理，建立數(shù)據(jù)關(guān)聯(lián)，估計數(shù)據(jù)幀間的相對位姿變化，完成機器人的運動及局部地圖的重建。而后端通過接收前端輸送的關(guān)聯(lián)數(shù)據(jù)，對其進行優(yōu)化，估計整個系統(tǒng)的狀態(tài)，并向前端提供反饋，以進行回環(huán)檢測和驗證，最終得到全局一致的軌跡和地圖。根據(jù)使用的主要傳感器不同，SLAM系統(tǒng)可以分為以下3種：基于激光雷達的SLAM、基于視覺的SLAM和多傳感器融合SLAM。見表2。

圖3 SLAM算法框架Fig.3 The framework of SLAM algorithm

表2 常見SLAM算法總結(jié)Tab.2 The summary of popular SLAM algorithms

基于激光的SLAM技術(shù)通過對不同時刻的點云進行匹配與優(yōu)化，計算激光雷達相對運動的距離和姿態(tài)，實現(xiàn)對機器人的定位和建圖[2]。激光SLAM研究在理論和工程上都比較成熟，具有制圖精度高、穩(wěn)定性強、不受外界光照影響等優(yōu)點?；谝曈X的SLAM技術(shù)主要是通過對連續(xù)的圖像數(shù)據(jù)進行位姿估計和后端優(yōu)化，完成定位并建立滿足任務(wù)要求的地圖。相較于激光雷達，攝像頭的成本低、探測距離遠(yuǎn)，此外視覺傳感器采集的圖像信息比激光雷達掃描的信息豐富，可以提取目標(biāo)紋理信息，有利于后期處理。但是，無論從適用場景、累計誤差還是定位和建圖精度等問題，激光和視覺傳感器的單獨使用都存在其局限性?；诙鄠鞲衅魅诤系腟LAM算法，利用卡爾曼濾波或圖優(yōu)化等技術(shù)對不同傳感器的數(shù)據(jù)進行結(jié)合，實現(xiàn)多傳感器之間的優(yōu)勢互補。常見的融合算法可以分為松耦合和緊耦合兩大類。松耦合是指各傳感器分別進行自身估計，然后對其位姿估計結(jié)果融合。相較于松耦合算法，緊耦合將各傳感器的狀態(tài)合并，共同構(gòu)建觀測和運動模型，消除了直接在位姿層面融合造成的信息損失，可以實現(xiàn)更高的定位和建圖精度。因此，基于緊耦合的融合算法是目前多傳感器SLAM研究的主流方向。

此外，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，其在特征提取、動態(tài)物體識別、觀測值相似度計算等方面展現(xiàn)出的優(yōu)勢開始在SLAM研究領(lǐng)域受到重視。將深度學(xué)習(xí)技術(shù)應(yīng)用于SLAM里程計、閉環(huán)檢測或語義建圖中的一個或多個環(huán)節(jié)，提高系統(tǒng)的準(zhǔn)確率、計算效率及穩(wěn)健性，已成為定位與制圖技術(shù)的一大發(fā)展方向。

2.2.2 場景理解

場景理解是對場景進行認(rèn)知和推斷的過程，是測量機器人可以自主完成測量任務(wù)的必要基礎(chǔ)。如圖4所示，在所有場景理解任務(wù)中最常見的3類任務(wù)是場景分類、目標(biāo)檢測與語義分割。其中，場景分類負(fù)責(zé)判斷機器人所在場景的類別，例如室內(nèi)或室外環(huán)境，人工或自然環(huán)境，繼而輔助定位模塊切換不同的模式。目標(biāo)檢測負(fù)責(zé)識別場景中的關(guān)鍵對象，例如在電力巡線時識別電力設(shè)施，在隧道測量中識別裂隙等。語義分割負(fù)責(zé)依照不同目標(biāo)區(qū)域類別對整個場景進行劃分和標(biāo)注，例如在土地調(diào)查中進行不同土地利用類型的劃分。

圖4 場景理解分類Fig.4 The architecture of scenario understanding

在場景分類領(lǐng)域，依據(jù)分類過程使用的不同特征，分類方法主要分為以下3類：基于底層特征的方法、基于中層特征的方法、基于高層特征的方法?；诘讓犹卣鞯姆椒ㄍǔ２捎玫讓右曈X屬性特征形成的向量來描述圖像，包括SIFT算法、梯度直方圖、Census變換直方圖等；基于中層特征的方法采用的是統(tǒng)計特征，介于底層特征與高級語義特征之間，通過對底層特征進行統(tǒng)計與分析得到，常用的中層特征有詞袋模型、概率潛在語義分析和三層貝葉斯概率模型等；基于高層特征的方法通?；谏疃葘W(xué)習(xí)框架，通過卷積神經(jīng)網(wǎng)絡(luò)進行場景分類，比較常見的深度學(xué)習(xí)框架有ResNet、CaffeNet和GoogLeNet等，這些經(jīng)典的框架通常需要大量的樣本訓(xùn)練網(wǎng)絡(luò)參數(shù)，建立場景分類模型，達到分類的目的。

在目標(biāo)檢測領(lǐng)域，傳統(tǒng)的檢測方法主要分為以下4類：基于模板匹配的方法、基于知識的方法、基于對象的方法和基于傳統(tǒng)機器學(xué)習(xí)的方法?；谀０迤ヅ涞姆椒ㄍㄟ^人工標(biāo)注或者樣本學(xué)習(xí)的方式生成用于檢測目標(biāo)的模板，然后利用相似性測度判斷目標(biāo)與模板的相似性程度進行目標(biāo)檢測。根據(jù)采用的模板類型不同，該類方法又可以細(xì)分為嚴(yán)格模板匹配方法與變形模板匹配方法?；谥R的方法將目標(biāo)的幾何信息和上下文信息轉(zhuǎn)換為形狀、幾何、空間關(guān)系及其他類型的規(guī)則用于檢測目標(biāo)?；趯ο蟮姆椒ㄖ饕指詈头诸悆蓚€過程，首先根據(jù)人工設(shè)計準(zhǔn)則將數(shù)據(jù)分割成多個同質(zhì)區(qū)域，然后通過分類方法，根據(jù)每個區(qū)域的特征確定包含目標(biāo)的所屬類別。基于傳統(tǒng)機器學(xué)習(xí)的方法主要包括特征提取，特征融合與降維，分類器分類等過程，通過訓(xùn)練樣本數(shù)據(jù)自動建立目標(biāo)檢測模型。基于深度神經(jīng)網(wǎng)絡(luò)的算法主要分為兩大類：二階檢測器與一階檢測器。二階檢測器首先生成一系列可能包含物體的候選框，然后再對每個候選框進行分類；一階檢測器在沒有中間級的情況下同時生成目標(biāo)的所在區(qū)域和類別信息。通常由于二階檢測器結(jié)構(gòu)相比于一階檢測器更加復(fù)雜，其檢測精度更高但是計算速度較慢。

在語義分割領(lǐng)域，傳統(tǒng)的語義分割方法主要依賴于人工特征工程，常見的流程為首先將圖像分割為圖塊或超像素，然后計算分割結(jié)果的特征，輸入如隨機森林、支持向量機等分類器中，預(yù)測中心像素的分類概率或每個像素的分類概率?；谏疃葘W(xué)習(xí)的語義分割方法主要可以分為基于區(qū)域的語義分割方法和基于上采樣的語義分割方法?；趨^(qū)域的方法首先從圖像中提取自由形態(tài)區(qū)域并描述它們，然后對這些提取的區(qū)域進行分類。在測試時，每個像素的預(yù)測值由包含該像素得分最高區(qū)域的預(yù)測值確定。基于上采樣的方法通過設(shè)計一個上采樣層把CNN網(wǎng)絡(luò)經(jīng)過卷積層和池化層的輸出上采樣到原圖的大小，從而得到像素級的分類結(jié)果。常見的上采樣算法有雙線性插值法、反卷積法和反池化法等。此外，針對單個像素的預(yù)測噪聲，研究者們通常使用條件隨機場等方式進行平滑以提高精度。

2.2.3 路徑規(guī)劃

路徑規(guī)劃是測量機器人自主作業(yè)過程中非常重要的一環(huán)，其主要任務(wù)是根據(jù)測量任務(wù)需求，在靜態(tài)或動態(tài)的測量區(qū)域內(nèi)基于距離、能耗及安全性等指標(biāo)尋找到一條符合動力學(xué)約束且無碰撞的最優(yōu)或次優(yōu)路線，以確保機器人能夠安全的從起始位置到達目標(biāo)位置[3]。根據(jù)對環(huán)境先驗知識獲取程度的不同，路徑規(guī)劃主要分為全局路徑規(guī)劃以及局部路徑規(guī)劃[4]兩類。全局路徑規(guī)劃是指在測量區(qū)域環(huán)境信息保持不變且完全已知的情況下，預(yù)先規(guī)劃出一條滿足測量任務(wù)需求的最優(yōu)路徑。由于其對先驗知識的依賴，難以在未知環(huán)境以及動態(tài)環(huán)境中工作。而局部路徑規(guī)劃不依賴于場景的先驗信息，面向的是環(huán)境信息完全未知或者部分已知的測量場景，其主要借助傳感器獲取的局部環(huán)境信息并結(jié)合一定的探索策略進行路徑規(guī)劃，因此其適用范圍更廣。通常情況下，為了能夠適應(yīng)各種測量環(huán)境，測量機器人會采用全局規(guī)劃和局部規(guī)劃相結(jié)合的方式進行作業(yè)，通過全局規(guī)劃算法確定大致的測量路線，同時采用局部路徑規(guī)劃算法對路徑進行風(fēng)險規(guī)避和優(yōu)化提升。

圖5 測量機器人路徑規(guī)劃分類Fig.5 The classification of surveying robot path planning algorithms

近幾十年來，很多研究人員和學(xué)者對路徑規(guī)劃算法進行了深入研究，并提出了一系列優(yōu)秀的路徑規(guī)劃算法，按照原理的不同可以將各種算法大致分為傳統(tǒng)算法及啟發(fā)式算法兩大類，如圖6所示。下面簡要闡述幾種典型算法。

(1) 傳統(tǒng)算法。在人工智能技術(shù)發(fā)展以前，傳統(tǒng)算法一直主導(dǎo)著機器人路徑規(guī)劃領(lǐng)域，其中典型的算法主要有以下幾類：①細(xì)胞分割法。細(xì)胞分割法將機器人的搜索空間劃分為不重疊的網(wǎng)格，通過不斷遍歷相鄰網(wǎng)格并對包含障礙物的網(wǎng)格進行分割，最終搜索到一條從起始點到目標(biāo)點的無碰撞路徑。②人工勢場法。其基本思想是利用目標(biāo)和障礙物信息構(gòu)建一個人工勢場，通過勢差產(chǎn)生的力引導(dǎo)機器人安全的向目標(biāo)點運動。③基于圖搜索方法。其主要思想是將機器人的工作空間分解為規(guī)則的網(wǎng)格單元并采用特定的擴展策略對不包含障礙物的網(wǎng)格進行擴展，最終搜索得到一條無碰撞的路徑。④基于采樣的算法。該方法通過隨機采樣技術(shù)對狀態(tài)空間進行采樣，通過對采樣點的搜索擴展實現(xiàn)路徑規(guī)劃。目前主要分為PRM和RRT兩大類。

(2) 啟發(fā)式算法。雖然傳統(tǒng)方法得到深入的發(fā)展并進行了廣泛的應(yīng)用，但是始終存在如路徑最優(yōu)性無法保證、容易陷入局部最小值和時間成本高等問題。為了解決這些問題，研究人員基于人工智能技術(shù)提出了啟發(fā)式路徑規(guī)劃算法。

根據(jù)啟發(fā)式規(guī)劃算法的原理，可以將其分為以下幾類：①神經(jīng)網(wǎng)絡(luò)類算法。該類算法利用深度學(xué)習(xí)技術(shù)，通過大量數(shù)據(jù)樣本訓(xùn)練得到的規(guī)劃模型，根據(jù)獲取的環(huán)境信息生成行進路線。②模糊邏輯類算法。模糊邏輯通過模擬人腦根據(jù)經(jīng)驗總結(jié)實行模糊綜合判斷的能力，解決機器人在移動過程中遇到的不確定性干擾。③自然啟發(fā)類算法。該類算法主要是受生物行為啟發(fā)而提出的仿生類算法，主要有遺傳算法、粒子群優(yōu)化算法、蟻群算法等。④混合類算法。該類算法通過算法融合，彌補了單一算法的局限性，提高了路徑規(guī)劃算法的穩(wěn)健性。

2.2.4 多機協(xié)同

機器人多機協(xié)同是通過集群控制系統(tǒng)和集群智能系統(tǒng)協(xié)調(diào)控制多機器人運動，完成多機器人協(xié)同感知決策的技術(shù)。相較于單一機器人，多機器人協(xié)同技術(shù)可以提升機器人系統(tǒng)的作業(yè)效率和任務(wù)執(zhí)行能力，以及拓展機器人系統(tǒng)的應(yīng)用范圍。集群機器人可攜帶多種類的傳感器，傳感器之間能夠?qū)δ繕?biāo)進行全方位、多角度檢測，相互配合彌補探測盲區(qū)，提高感知范圍和精度；同時，在大地測量、氣象觀測以及搶險救災(zāi)、森林滅火等領(lǐng)域，多機器人攜帶分布式載荷可以完成單機器人無法完成的大規(guī)模任務(wù)。

通常，機器人多機協(xié)同系統(tǒng)的技術(shù)框架由3個部分組成：數(shù)據(jù)獲取層、控制層與決策層。數(shù)據(jù)獲取層通過機載傳感器和集群的協(xié)作對任務(wù)區(qū)域進行探測。傳感器獲取與所需任務(wù)有關(guān)的原始數(shù)據(jù)，并將數(shù)據(jù)傳輸?shù)接嬎隳K?？刂茖永眉簠f(xié)同編隊控制技術(shù)對機器人運動路線進行規(guī)劃控制；利用通信及組網(wǎng)技術(shù)保障機器人機組之間的信息交互，從而實現(xiàn)機器人集群的協(xié)同導(dǎo)航。多機器人控制層包括兩個子階段：感知階段和規(guī)劃階段。感知階段融合多傳感器數(shù)據(jù)，通常使用數(shù)據(jù)挖掘或數(shù)據(jù)處理算法來實現(xiàn)對環(huán)境的理解；規(guī)劃階段利用感知信息來制定相應(yīng)的執(zhí)行任務(wù)。決策層通過既定算法按照效率最大化原則對任務(wù)進行劃分，由多機器人同時執(zhí)行，利用協(xié)同智能決策技術(shù)引導(dǎo)多機器人協(xié)作完成測量任務(wù)。

3 研究動向

3.1 研究現(xiàn)狀

“機器人”一詞提出近百年，歷次技術(shù)革命推動了機器人概念的延伸，自1954年世界上第一臺機器人誕生以來，協(xié)助或取代人類工作則是不變的目標(biāo)追求。

測量機器人相關(guān)技術(shù)的研究，可追溯至1949年，W·Grey Walter設(shè)計了能夠感知光源并朝其運動，同時進行避障的機器人。在1966年至1972年間斯坦福研究院研制出了世界上第一臺自主移動機器人Shakey。雖然Shakey只能解決機器人簡單的感知、運動規(guī)劃和控制問題，卻是當(dāng)時將人工智能(aritificial intelligence,AI)應(yīng)用于機器人領(lǐng)域最為成功的研究平臺。1979年，斯坦福大學(xué)人工智能實驗室研制成功了Stanford Cart機器人，它通過立體視覺實現(xiàn)目標(biāo)定位、避障和路徑規(guī)劃等功能，能夠跟蹤地面的白線進行運動。1986年，卡內(nèi)基梅隆大學(xué)成功研發(fā)了具有里程碑意義的自動駕駛汽車NavLab-1，其通過激光測距雷達和可見光相機提供測距信息和圖像信息。1996年，Omead Amidi等研發(fā)了第一架基于視覺里程計的自主無人直升機。該直升機利用影像信息進行定位、自穩(wěn)和導(dǎo)航，并對地面目標(biāo)進行跟蹤。

步入21世紀(jì)后，針對測量機器人的研究和應(yīng)用越來越普遍。2011年，美國太空總署(NASA)發(fā)射的Curiosity火星探測器，其導(dǎo)航與控制分系統(tǒng)利用導(dǎo)航相機拍攝的影像數(shù)據(jù)重建三維場景并同步計算火星車的位置和姿態(tài)信息，從而完成路徑規(guī)劃任務(wù)[5]，代表了星表機器人導(dǎo)航與控制的最高水平。2012年，Kumar實驗室研究了一種適用于多層建筑室內(nèi)空間探索建圖的飛行機器人。該機器人使用鵜鶘無人機作為飛行平臺，上面搭載了二維激光掃描儀和RGBD相機作為傳感器，并將采集到的點云和RGBD數(shù)據(jù)用機載處理器在線計算，從而實現(xiàn)無人機在室內(nèi)空間的自主探索任務(wù)。該無人機不僅能完成單個房間的探索，還能自主穿越樓層，進而完成整個多層建筑的探索并獲取其點云數(shù)據(jù)[6]。澳大利亞DATA61實驗室研制了Hovermap無人機平臺，可以通過自主飛行和旋轉(zhuǎn)激光雷達獲取GPS拒止環(huán)境中的高質(zhì)量點云數(shù)據(jù)[7]。馬德里理工大學(xué)開發(fā)了基于ARM的輕型低成本立體視覺預(yù)處理系統(tǒng)，用于無人機在室內(nèi)空間的導(dǎo)航和測圖[8]。俄勒岡州立大學(xué)將攜帶深度相機和光流相機的無人機用于室內(nèi)場景建圖，并提出一種有限電量和通信條件下多無人機協(xié)同探索算法[9]。瑞士蘇黎世聯(lián)邦理工大學(xué)提出了一種通用的自監(jiān)督激光雷達測程估計方法，可以有效利用激光雷達數(shù)據(jù)，同時保持實時性能，并成功應(yīng)用于足式、履帶式和輪式機器人[10]。2020年，波士頓動力公司發(fā)布的spot2.0具備自主導(dǎo)航的能力，可以根據(jù)環(huán)境變化自動調(diào)整姿態(tài)，并能夠?qū)崿F(xiàn)多機協(xié)同。2015年10月，特斯拉推出了半自動駕駛系統(tǒng)Autopilot，是第一個投入商用的自動駕駛技術(shù)[11]。谷歌Waymo、通用汽車、Nuro等公司也在無人車領(lǐng)域進行了深入研究。

雖然國內(nèi)對測量機器人技術(shù)的研究相較國外起步較晚，但同樣也取得了一系列成果。2013年，我國首輛月球車玉兔號駛抵月球表面，承擔(dān)月面自動巡視勘察和科學(xué)探測等任務(wù)[13]。玉兔號月球車配置了全景相機、測月雷達、紅外成像光譜儀等傳感器設(shè)備，具備場景感知和路徑規(guī)劃的能力。大疆M300RTK無人機將雙目視覺和紅外傳感器同時引入到機身的6個面上，帶來全六向環(huán)境感知及定位、避障能力，并可實現(xiàn)對動態(tài)目標(biāo)的自主識別、定位和跟蹤功能。浙江大學(xué)FAST實驗室研制出了能夠?qū)崿F(xiàn)完全自主層次化決策的飛行機器人，并獲得了國際空中機器人大賽第七代任務(wù)世界冠軍[14]。香港科技大學(xué)機器人研究所在無人機自主導(dǎo)航和場景重建方面的應(yīng)用也有較深的技術(shù)積累，其研制的猛禽無人機能快速自主地穿越樹林和室內(nèi)復(fù)雜環(huán)境[15]。武漢大學(xué)測繪學(xué)院重點研究了飛行測量機器人的自主導(dǎo)航和自主感知技術(shù)[16-17]。中國科學(xué)院沈陽自動化研究所研制的“云雀”自主飛行機器人具備自主起降、仿地飛行、動態(tài)避障等自主功能，首次實現(xiàn)了我國機器人化高海拔環(huán)境科考[18]。2017年，宇樹科技研制了Laikago四足機器人，能夠?qū)崿F(xiàn)高精度的定位導(dǎo)航和高速高動態(tài)步態(tài)規(guī)劃與平衡控制，代表了國內(nèi)四足機器人的先進水平[19]。百度于2015年推出無人駕駛汽車，并在2018年第一次面向我國公眾開放運營L4級的自動駕駛車輛[20]。

國內(nèi)外研發(fā)的代表性的測量機器人如圖6所示。

圖6 測量機器人研究進展Fig.6 Advanced research results of surveying robots

3.2 研究方向

圍繞測量機器人發(fā)展需求，面向測繪遙感與導(dǎo)航等重點應(yīng)用領(lǐng)域，需要集中突破自主導(dǎo)航與感知測量關(guān)鍵技術(shù)，形成測量機器人系統(tǒng)自主導(dǎo)航與感知測量共性技術(shù)，奠定產(chǎn)業(yè)化發(fā)展基礎(chǔ)。主要研究方向包括：

(1) 自主導(dǎo)航與智能規(guī)劃。利用慣性、衛(wèi)星、視覺、激光雷達、聲吶等綜合導(dǎo)航技術(shù)，建立多場景適配、高度兼容性、智能切換的多傳感器融合導(dǎo)航架構(gòu)，解決有限計算資源下的實時快速處理、多源異質(zhì)信息的自適應(yīng)融合、多維故障的自主診斷與重構(gòu)等瓶頸，適應(yīng)多場景、大尺度、動態(tài)變化、非結(jié)構(gòu)化復(fù)雜環(huán)境下的在線實時路徑規(guī)劃。

(2) 協(xié)同控制。測量機器人是一個多輸入多輸出的非線性系統(tǒng)，具有時變、強耦合和非線性的特點。運動控制技術(shù)是機器人的底層控制技術(shù)，滿足不同的應(yīng)用環(huán)境下自抗擾控制、自適應(yīng)控制和模型預(yù)測控制等多種控制，對機器人機械運動部件的位置、速度等進行實時的控制管理，使其按照預(yù)期的運動軌跡和規(guī)定的運動參數(shù)進行運動，實現(xiàn)測量機器人精確運動控制。

(3) 自主環(huán)境感知和重建。利用多種傳感器自主獲取環(huán)境圖像、點云、溫度等信息，通過多源信息的自組織并實時重建測量環(huán)境。

(4) 場景理解與自主測量。以測量任務(wù)為驅(qū)動，融合二維影像、三維場景信息等多維度、多角度觀測數(shù)據(jù)，通過訓(xùn)練獲取知識，以認(rèn)識和理解其自身、外界環(huán)境以及測量對象的問題，并按照測量對象的預(yù)先定義在線實時獲取測量目標(biāo)信息。

4 發(fā)展展望

從目前的無人機、移動測量等自動化測量裝備到類人智能測量機器人，需要攻克的關(guān)鍵技術(shù)還具有相當(dāng)?shù)碾y度，從技術(shù)的可行性分析，還需要經(jīng)歷共融測量機器人發(fā)展階段，然后才能發(fā)展到類人測量機器人。共融機器人是指能與作業(yè)環(huán)境、自主適應(yīng)復(fù)雜動態(tài)環(huán)境并協(xié)同作業(yè)的機器人，具有多模態(tài)感知及其自主協(xié)同作業(yè)的能力。共融測量機器人是指在衛(wèi)星導(dǎo)航拒止環(huán)境、復(fù)雜測量環(huán)境及測量人員難以到達的環(huán)境下人機自主協(xié)同測量的機器人，核心在于測量環(huán)境自適應(yīng)及人機自主協(xié)同能力。

縱觀全球，美國工業(yè)互聯(lián)網(wǎng)戰(zhàn)略、歐盟火花計劃、日本機器人新戰(zhàn)略、中國制造2025戰(zhàn)略等均將機器人產(chǎn)業(yè)視為科技強國戰(zhàn)略的必爭之地。隨著智能化測繪時代的到來，現(xiàn)有測繪硬件裝備集成度不夠、自動化水平不足、作業(yè)能力有限的問題愈加突顯，以測量機器人為代表的下一代測繪裝備將成為測繪領(lǐng)域的卡脖子技術(shù)，嚴(yán)重制約著測繪地理信息產(chǎn)業(yè)的轉(zhuǎn)型升級。美國測繪行業(yè)巨頭天寶與波士頓動力建立戰(zhàn)略聯(lián)盟，開發(fā)出能在危險復(fù)雜環(huán)境下全自主作業(yè)的四足測量機器人，我國應(yīng)提前布局，以先發(fā)優(yōu)勢占據(jù)測量機器人發(fā)展的制高點。

自主技術(shù)是推動地理信息產(chǎn)業(yè)裝備及其應(yīng)用走向智能化的基礎(chǔ)和核心。自主無人機、自主駕駛、測量機器人等自主設(shè)備是先進國家地理信息產(chǎn)業(yè)領(lǐng)域競相發(fā)展的技術(shù)制高點，決定這類自主設(shè)備智能化程度的核心是自主導(dǎo)航技術(shù)。按照智能化程度，導(dǎo)航可分為人機協(xié)同、自動、自主3類，目前總體上處于人機協(xié)同向自動導(dǎo)航的技術(shù)攻關(guān)和部分產(chǎn)業(yè)化的發(fā)展階段，距離高度智能化自主設(shè)備要求的自主導(dǎo)航，還存在相當(dāng)?shù)牟罹?，因此，從我國?yōu)先發(fā)展產(chǎn)業(yè)的角度以及決定未來地理信息產(chǎn)業(yè)核心競爭力技術(shù)角度考慮，重點發(fā)展自主導(dǎo)航關(guān)鍵技術(shù)及其產(chǎn)業(yè)化應(yīng)用，特別是結(jié)合“北斗+5G”技術(shù)背景，發(fā)展SLAM及慣性導(dǎo)航等多模融合導(dǎo)航、在線實時自主路徑規(guī)劃、地理/位置智能與人工智能深度融合的在線感知分析決策、高精度三維導(dǎo)航電子地圖實時群智更新等技術(shù)，形成一批自主導(dǎo)航核心技術(shù)。

測繪數(shù)據(jù)的獲取能力及實時化智能處理水平?jīng)Q定了測繪科學(xué)的發(fā)展水平，人工智能與測繪裝備研發(fā)相結(jié)合，無疑為我國研發(fā)智能化的測繪裝備提供了的發(fā)展機遇，測量機器人是我國趕超世界高端測量裝備水平的契機。

5 結(jié) 語

測繪數(shù)據(jù)獲取以及從“數(shù)據(jù)-信息-知識”轉(zhuǎn)化實現(xiàn)自主化、實時化，這是從數(shù)字化/信息化測繪到智能化測繪必須解決的理論和技術(shù)問題。測量機器人是解決智能化測繪中數(shù)據(jù)實時自主獲取以及在線決策問題的新技術(shù)途徑，是目前測量裝備的一次質(zhì)的提升。例如，從無人機測量系統(tǒng)發(fā)展到飛行測量機器人，這也將是未來高端測量裝備競爭的一個熱點。本文重點探討了測量機器人的內(nèi)涵與組成，剖析了其技術(shù)難點與關(guān)鍵技術(shù)，分析了測量機器人的研究方向，旨在引起測繪領(lǐng)域的共同關(guān)注，共同推進智能測繪技術(shù)的創(chuàng)新發(fā)展。