机器人自主定位导航中那些不得不跨的坑

机器人自主定位导航听起来简单，地图数据+算法的结合，实则挑战巨大。在落地实践的过程中，需要解决各种各样的问题，越过各式各样的坑，才能最终完美应用。

 

首先从地图的呈现方式开始说起。

 

挑战一：用户心理预期地图的问题

 

激光雷达充当着机器人的“眼睛”，能为机器人提供高精度的地图及轮廓位置信息，但其实，所扫描出来的平面地图跟用户心理预期地图存在较大差距。

 

 

很显然，上面是两种完全不同的地图呈现。思岚在面对用户这一心理落差的时候，利用精细化建图技术，缩小实际建图与用户心理落差之间的距离。

 

先展示一下利用SharpEdge精细化建图技术的建图效果。

 

 

这是一个实际案例中300㎡的家庭地图，没有做任何PS处理，直接从机器人中生成。边缘非常规整，没有任何噪点，可以直接用于展示，不需要二次的修正。

 

同样是SLAM的建图，思岚绘制的地图缩小了与用户心理的差距，也提高了定位导航的效率。同时，思岚还支持超大场景下的地图构建，形成完美闭环。

 

100000+ ㎡ 超大场景建图

 

解决了地图呈现方式问题之后，我们再回归到老本行上——机器人可靠的障碍物规避。

 

挑战二：障碍物的有效规避

 

很多人在看到机器人的时候，一是出于好奇，二是内心的“小恶魔”，总想逗一逗他，看看是不是真的智能，于是便会故意挡在他前面，不让他走。这时候，我们不仅需要激光雷达，还需要多传感器数据的融合，实现有效避障和自主导航。

 

传感器类型	作用
激光雷达	绘制地图信息，规避障碍物
超声波	精准探测玻璃、镜子等高透材质障碍物
防跌落	规避边界、坡度等存在高度落差的环境
深度摄像头	探测其他传感器的盲区，及时发送信号

 

除了利用传感器避障之外，还可以利用RoboStudio开发软件来帮助机器人更好的理解环境中的逻辑。比如，有些地方是不希望机器人进入的，如：机场场景下的行人扶梯在维护，不希望机器人进去，这时候，我们就可以画一道虚拟墙，“阻拦”机器人进入，无需任何实物铺设，简单易操作。

解决完地图呈现和避障这两件事之后，就需要更多考虑机器人在实际场景中的应用问题。

 

挑战三：环境完全变化后的可靠定位

 

环境完全变化后的可靠定位说简单点就是重定位。重定位有两个问题，第一个是人启动的时候重定位，还有一种重定位是环境变化非常多的时候可靠定位。

 

其实这些情况在应用中还是非常常见的，如：商场中的人流量巨大、环境不停变化。这就要求机器人知道自己在哪里，该去哪里，该怎么走，即使被一群人围着，也不能发生“晕头转向”，“歇菜”、“定位偏”这种问题。

 

 

这个时候，看我们思岚如何“治他”。首先，靠单一的传感器肯定不能解决所有的问题，比如别人把激光雷达挡住了，激光雷达的数据就起不了作用了。但是，我们不怕，我们还有其他的传感器，所以就用传感器和建立概率模型来解决问题。这样的话，也解决了一个实际问题，这个对于服务机器人厂商来说是非常好的。

 

挑战四：全局重定位

 

全局重定位一般在行业中有几个解决方案，第一个是使用UWB，但是这个技术有一个缺点，必须对环境进行布置，比如把它放在一个场景，需要预先在场景里很多地方预埋信标，这在成本和部署上有一定的挑战。还有一种是完全自主重定位，无需额外传感器辅助。思岚所做的就是后者，当机器人被推离或者出现位姿偏差时，可使用Robo Studio中的重新定位功能，纠正位姿错误。

 

 

最后，就要说到一个不得不提到的问题，那就是多场景适配的问题。

 

挑战五：多场景适配

 

未来，机器人想要深入到各行各业，应用于各种场景中时，肯定会面临多场景适配的问题。人来人往的商场、多楼层的酒店配送……，这些都需要机器人具备场景的自由切换能力。

 

就拿如何让机器人感知到是在某一个具体楼层开展工作来说，这些都是目前导航定位系统中需要解决的问题，需要越过的坑。

 

这个就需要行业的整合，不单是把导航定位系统做好，还要针对电梯的通讯协议，不同楼层之间感应到楼层的切换。这从细节上来说，还要考虑用户心理的问题，因为有时候电梯人很多，机器人该怎么进去？这些都是需要考虑的现实问题。

 

 

 

……

 

在越过这些坑之后，机器人自主定位导航解决方案才能真正inside到各种产品中去，实现落地，实现商业化的运作。而思岚，绝对是你一个不错的选择。