熊 蓉，傅 博，王 越，吳 俊

(浙江大學(xué) 工業(yè)控制技術(shù)國家重點實驗室，浙江 杭州 310027)

0 引言

星面探測機器人是實現(xiàn)深空探測的重要手段，國內(nèi)外均開展了深入研究，并已利用遠(yuǎn)程地面遙控方式對火星和月球表面進(jìn)行了探測。為進(jìn)一步擴大探測范圍，提高探測效率，并為后續(xù)星面基地建設(shè)等任務(wù)服務(wù)，星面探測機器人需從遠(yuǎn)程地面遙控方式向自主移動方式發(fā)展，為此，需要解決地圖構(gòu)建、魯棒定位、探測導(dǎo)航等系列問題。

星面探測機器人研究開始于20世紀(jì)50年代。1969年，美國宇航員乘阿波羅號飛船首次登陸月球，采用航天員與月球車聯(lián)合的方式進(jìn)行探測。1996年、2003年和2011年，美國3次發(fā)射機器人登陸火星，在火星表面漫游探測。我國探月工程始于20世紀(jì)90年代，2013年嫦娥三號月球探測器在月球虹灣地區(qū)成功著陸，2018年嫦娥四號月球探測器實施世界上第一次星面軟著陸和巡視探測。這一階段的研究著重于人機聯(lián)合技術(shù)在遙操作控制領(lǐng)域中的應(yīng)用，通過地面操作員與星面機器人之間的配合，克服延時影響，完成星面測探任務(wù)。目前，各國都在圍繞增強星面探測機器人自主移動能力開展研究，并在視覺里程估計方面取得了一定進(jìn)展。美國公開的火星探測機器人(MER)[1]攜帶兩種相機：一種是用于星面觀測的全景相機；另一種是導(dǎo)航用的立體視相機，在導(dǎo)航中通過匹配當(dāng)前時刻與前一時刻的立體視圖像實現(xiàn)對自身前后兩個時刻位姿變換的估計。在后續(xù)研究中，又提出利用慣性測量單元對翻滾角和俯仰角的能觀特性提升視覺里程計性能[2]。雙目相機利用兩個相機之間的基線，比單目相機更加穩(wěn)定、精確，但與多目相機相比沒有明顯的性能劣勢，是一種成本和性能之間相對平衡的方案。行駛于粗糙地面時，視覺里程估計方式與輪式里程計相比有非常明顯的優(yōu)勢，因為輪式里程計無法在不平整、打滑等地面條件行駛時給出比較精確的估計。但視覺里程估計方式并不能解決里程誤差累積問題，長距離運行會產(chǎn)生較大漂移，且相機視野較小，難以形成全位置、豐富視角的回訪定位。加拿大目前正在研發(fā)的探測機器人主要通過示教—重現(xiàn)方式實現(xiàn)定位[3]，克服了美國火星探測機器人僅采用視覺里程計估計導(dǎo)致的長期漂移進(jìn)而無法返航、只能單方向漫游的問題。文獻(xiàn)[4]所提方法利用特征點而不是角點像素跟蹤的方法進(jìn)行圖片匹配，并在視覺里程估計的基礎(chǔ)上，增加了定位功能，在運動中更迭變換定位的坐標(biāo)系，以此引入局部定位方式，以克服全局定位中的漂移問題。這種方法對于要進(jìn)行探測并回到著落器執(zhí)行返艙任務(wù)的機器人來說具有非常重要的價值。但由于采用視覺傳感器，定位性能會受光照影響。這種影響主要體現(xiàn)在當(dāng)機器人進(jìn)行回訪定位時，前次運行的視覺數(shù)據(jù)和當(dāng)前運行的視覺數(shù)據(jù)之間因為光照不同而出現(xiàn)明顯的外觀區(qū)別，從而導(dǎo)致定位算法無法將當(dāng)前圖像和之前圖像進(jìn)行關(guān)聯(lián)，最終使定位無法實現(xiàn)。

我國在星面探測機器人自主移動方面也開展了深入研究。嫦娥三號月球車采用視覺回望著陸器的定位方式，通過著陸器上目標(biāo)點的檢測以及與目標(biāo)點模型的匹配來估計著陸器坐標(biāo)系下的機器人位姿。但是這種方式受限于視覺傳感器的視野，在距離較遠(yuǎn)的情況下，難以實現(xiàn)準(zhǔn)確的著陸器目標(biāo)點檢測。

綜上所述，現(xiàn)有星面探測機器人主要采用的視覺定位技術(shù)還存在多方面問題，容易受到視野和光照的影響而導(dǎo)致定位失敗。自主移動技術(shù)已經(jīng)取得了多方面進(jìn)展，其有效性已在部分地面應(yīng)用場景中得到驗證，但面向各種復(fù)雜大范圍環(huán)境如何實現(xiàn)長期穩(wěn)定自主運行，仍在進(jìn)一步研究中。星面探測是一種特殊場景下的應(yīng)用，星面環(huán)境與地面環(huán)境相比存在很多的特殊性，這為自主移動技術(shù)帶來了新的挑戰(zhàn)。本文首次提出借鑒目前快速發(fā)展的無人駕駛技術(shù)和地面自主移動技術(shù)來推動星面探測機器人自主移動能力的發(fā)展，并歸納總結(jié)了目前國內(nèi)外星面探測移動技術(shù)的研究現(xiàn)狀和存在的問題，以及地面自主移動研究在地圖構(gòu)建、魯棒定位、探測導(dǎo)航等方面取得的進(jìn)展。

1 自主移動技術(shù)研究現(xiàn)狀

近20年來地面自主移動技術(shù)的飛速發(fā)展，有效推動了工業(yè)移動機器人、移動服務(wù)機器人和無人駕駛等領(lǐng)域的發(fā)展。自主移動涉及的關(guān)鍵技術(shù)主要包括環(huán)境地圖構(gòu)建、自主感知定位、導(dǎo)航規(guī)劃三方面。思維導(dǎo)圖如圖1所示。

圖1 地面自主移動技術(shù)思維導(dǎo)圖Fig.1 Mind map of techniques of autonomous movement on ground

1.1 環(huán)境地圖構(gòu)建

地圖是移動機器人進(jìn)行自主定位和導(dǎo)航的基礎(chǔ)，是對環(huán)境知識的一種描述方式。通常情況下，機器人在環(huán)境中進(jìn)行自主移動作業(yè)時首先是獲得或自主構(gòu)建環(huán)境地圖，由此涉及兩方面的問題：地圖的表示方法和構(gòu)建方法。

1.1.1 地圖表示方法

地圖表示方法如圖2所示，現(xiàn)有地圖表示方法主要有點云地圖、柵格地圖、特征地圖、拓?fù)涞貓D等，近年來又提出了語義地圖。不同的地圖表示形式具有不同的特點與優(yōu)勢，實際運用時需根據(jù)工作環(huán)境與應(yīng)用需求構(gòu)建合適的地圖。

圖2 地圖表示方法Fig.2 Map representations

如圖2(a)所示，點云地圖由空間點組成，可以通過激光點云拼接[5]直接構(gòu)建稠密點云地圖，也可以基于視覺傳感器獲得的圖像進(jìn)行關(guān)聯(lián)匹配，構(gòu)建稀疏的特征點云地圖[6]或稠密、半稠密點云地圖[7]。點云地圖可使人較為直觀地獲得觀測結(jié)果，并實現(xiàn)激光、視覺等多種定位方式，但傳統(tǒng)點云地圖只是一種對障礙物表面的直接描述，地圖構(gòu)建和定位中容易因初值誤差或者環(huán)境變化而導(dǎo)致錯誤數(shù)據(jù)關(guān)聯(lián)，且缺少是否可行等高層次語義信息，用于導(dǎo)航時需要進(jìn)行數(shù)據(jù)的再處理。

柵格地圖將環(huán)境劃分為大小均勻的二維或三維柵格，每個柵格內(nèi)存儲其對應(yīng)空間的狀態(tài)信息。經(jīng)典的柵格地圖中，柵格內(nèi)存儲該區(qū)域被障礙物占有狀態(tài)的概率，這類地圖既適用于定位，也適用于快速導(dǎo)航規(guī)劃，因此在很多應(yīng)用中被廣泛采用。針對火星探測，HERBERT等[8]設(shè)計了2.5維柵格地圖，也稱為高度地圖，在二維柵格地圖內(nèi)的每一個柵格內(nèi)存儲其障礙物的高度信息，如圖2(b)所示。為了足夠詳細(xì)地表示環(huán)境特征，往往需要設(shè)置較小的柵格分辨率。因此，與其他表示法相比，柵格地圖往往需要較大的存儲空間，特別是在大環(huán)境中。為了克服這一缺陷，WHELAN等[9]利用voxel hashing方法動態(tài)分配存儲空間，并通過滑動窗口的形式使內(nèi)存中地圖的最大容量維持在固定范圍內(nèi)。

特征地圖指由點元[10]、直線[11]、面[12]或基礎(chǔ)物體[13]等結(jié)構(gòu)性形狀單元組成的地圖，這些基礎(chǔ)形狀單元可以通過一組參數(shù)進(jìn)行建模，如圖2(c)所示。相較于點云地圖，特征地圖對環(huán)境有更高層次的描述性，使定位與建圖的魯棒性更強。目前一些地圖構(gòu)建算法嘗試?yán)眠@種緊湊的表達(dá)方式來提高算法性能，例如SALAS-MORENO等[13]在同時定位和地圖構(gòu)建算法中引入了基礎(chǔ)物體信息以實現(xiàn)魯棒性更好的數(shù)據(jù)關(guān)聯(lián)推理。這種基于基礎(chǔ)物體特征地圖的研究思路正逐漸向語義地圖發(fā)展。

拓?fù)涞貓D采用圖形表示，如圖2(d)所示。圖中節(jié)點代表環(huán)境中顯著的場景或標(biāo)志，如果節(jié)點之間可以通行，則在節(jié)點間加上邊[14]。拓?fù)涞貓D表示形式簡潔緊湊，其分辨率與環(huán)境的復(fù)雜程度相關(guān)。與柵格地圖相比，在拓?fù)涞貓D上可以進(jìn)行更快速的路徑規(guī)劃，且與人交互的可解釋性更強，可以被賦予更高層次的語義信息。但拓?fù)涞貓D在環(huán)境范圍較大時難以實現(xiàn)全局一致的地圖構(gòu)建，也難以實現(xiàn)機器人的準(zhǔn)確定位。

上述地圖表示形式可以解決環(huán)境中物體“在哪里”的問題，但不能給出物體“是什么”的信息，一定程度上限制了機器人與復(fù)雜環(huán)境的交互能力。近年來，研究者提出將環(huán)境語義信息融入地圖中，形成語義地圖[15]，如圖2(e)所示。語義地圖的載體可以是上文中各種傳統(tǒng)地圖表示形式，除地圖的基本屬性外，地圖的每個組成單元還包含了該單元對應(yīng)的語義信息。這種地圖表示方式使傳統(tǒng)的路徑規(guī)劃等方法可以上升到語義導(dǎo)航。對于自主移動來講，語義地圖的作用不僅是為了進(jìn)行語義導(dǎo)航，也應(yīng)該有助于復(fù)雜環(huán)境下的地圖構(gòu)建和定位中的數(shù)據(jù)關(guān)聯(lián)，因此，如何表征語義[16]，用怎樣的粒度表達(dá)[17]，以及如何應(yīng)用語義地圖來提升地圖構(gòu)建和定位的準(zhǔn)確性[18]，已成為近年來的研究熱點。

1.1.2 地圖構(gòu)建方法

地圖構(gòu)建在自主移動中被定義為同時定位與地圖構(gòu)建(SLAM)問題，即根據(jù)傳感器信息同時估計機器人自身位姿及環(huán)境地圖。這主要是因為地圖拼接依賴于定位的準(zhǔn)確性，而定位的準(zhǔn)確性依賴于現(xiàn)有感知和地圖匹配的正確性，是一個雞與蛋的問題。

早期SLAM算法主要基于濾波方法，包括擴展卡爾曼濾波和粒子濾波算法，但難以得到大范圍環(huán)境的一致性地圖。1997年，LU等[5]提出基于圖優(yōu)化理論的SLAM問題求解方法，但由于計算量過大，該方法難以實時運行。2015年，KUMMERLE等[6]基于稀疏線性理論和最優(yōu)化技術(shù)提出圖優(yōu)化的通用求解框架g2o后，基于圖優(yōu)化的SLAM求解方法得到了迅速推廣與應(yīng)用。

地圖構(gòu)建中的一個關(guān)鍵問題是正確的數(shù)據(jù)關(guān)聯(lián)，采用不同的傳感器直接影響數(shù)據(jù)關(guān)聯(lián)方法。激光地圖構(gòu)建多采用迭代最近點(ICP)算法[19]，通過優(yōu)化點云到點云之間的歐氏距離實現(xiàn)點云匹配。ICP算法可以實現(xiàn)精度較高的點云位姿估計，但需要一個較好的初值，否則算法可能陷入局部極值點，且優(yōu)化時間也受算法初值影響。視覺地圖構(gòu)建方法則可以分為基于單目相機的地圖構(gòu)建、基于雙目相機的地圖構(gòu)建和基于RGB-D相機的地圖構(gòu)建。單目相機系統(tǒng)的成本低，但是無法獲得場景的深度信息，需要通過多視圖幾何等方法計算得到環(huán)境中目標(biāo)點的坐標(biāo)。雙目相機系統(tǒng)可以獲得場景中目標(biāo)點的深度信息，但對相機參數(shù)標(biāo)定的要求較高。不論單目相機還是雙目相機，都只能恢復(fù)圖像匹配點的深度信息。RGB-D相機可以直接獲取圖像中每個像素點對應(yīng)的深度信息和圖像紋理信息，但是檢測范圍小，容易出現(xiàn)數(shù)據(jù)空洞。

視覺SLAM算法的一個重要分支是研究魯棒視覺特征表示，以提高數(shù)據(jù)關(guān)聯(lián)的準(zhǔn)確性，早期有SIFT、Harris等特征，近年來ORB特征被廣泛采用。另一條分支是利用關(guān)鍵幀進(jìn)行局部或全局優(yōu)化。這種算法只利用選取的關(guān)鍵幀計算地圖，大大減少了計算量，避免了基于濾波的SLAM算法在處理新信息很少的連續(xù)幀時浪費時間的問題。如圖3所示，研究人員提出了PTAM(parallel tracking and mapping)[20]、LSD-SLAM(large scale direct SLAM)[21]、ORB-SLAM[6]等算法，在室內(nèi)外多種場景下驗證了方法的有效性，但當(dāng)環(huán)境中光線、外觀等變化較明顯，或機器人視角變化較大時，由于視覺特征敏感性，這些方法易因前端的誤匹配而影響建圖與定位。

圖3 地圖構(gòu)建方法Fig.3 Map construction methods

1.2 定位

定位是求取當(dāng)前機器人在已有地圖中的位姿。從傳感器種類來看，可以分為視覺定位、激光定位等。按時間跨度分類，可以分為短期定位和長期定位。其中，長期定位著重考察算法在較長一段時間內(nèi)的定位效果，算法需要適應(yīng)光照、季節(jié)、環(huán)境變遷等變化。按先驗知識分類，可以分為有先驗和無先驗兩類，其中有先驗定位常稱為位姿跟蹤，無先驗定位則稱為全局定位。

目前，有先驗的短期定位最為成熟。激光定位經(jīng)歷了從幀間匹配到幀與地圖匹配的變化。幀間匹配丟棄了歷史數(shù)據(jù)信息，定位效果一般。在建立好的激光地圖上，通過ICP算法實現(xiàn)了二維位姿估計[22]。隨著三維激光雷達(dá)的普及，研究開始集中在三維激光定位。文獻(xiàn)[23]對比了若干ICP變種方法的定位精度，并提供了成熟的開源實現(xiàn)方法；文獻(xiàn)[24]借助正態(tài)分布變換(NDT)，將地圖柵格化并計算每個柵格的點云分布情況，通過極大化地圖分布與實時激光數(shù)據(jù)，與已知地圖進(jìn)行匹配，最后通過圖優(yōu)化的方法得到定位信息；文獻(xiàn)[25]提出了采用高斯混合模型的稀疏三維點云匹配方法，用局部連續(xù)表面不確定性表征數(shù)據(jù)點，用多層分段高斯混合模型表達(dá)隱表面并靈活匹配，提高了匹配定位對初值誤差的魯棒性和收斂速度。另一類方法從稠密匹配出發(fā)，通過最小化光度誤差求取當(dāng)前數(shù)據(jù)與稠密地圖之間的位姿[26]，如圖4所示。

圖4 有先驗的短期定位Fig.4 Short-term localization with priori

無先驗的短期定位要求算法在已知地圖中尋找與當(dāng)前數(shù)據(jù)最匹配的位姿。由于搜索空間變大，算法面臨著效率和精度兩個問題。該類方法中，對地圖的表現(xiàn)形式可分為兩類：基于地圖和基于關(guān)鍵幀?；诘貓D的方法利用全局地圖信息，如通過對三維激光進(jìn)行分割、描述，建立實時激光數(shù)據(jù)與地圖之間的關(guān)聯(lián)，從而得到激光位姿。視覺類算法偏向于利用關(guān)鍵幀，即在相機運動軌跡上采用距離等策略選擇若干圖像數(shù)據(jù)作為搜索的數(shù)據(jù)庫[27]，如圖5所示。利用詞袋模型，對圖像的視覺特征描述子進(jìn)行詞頻分析，對每張圖片進(jìn)行編碼，從關(guān)鍵幀數(shù)據(jù)庫中快速搜索最相似的圖像，從而實現(xiàn)全局定位[28]。某些場合下，全局定位不要求給出具體位姿，只需給出最接近的歷史數(shù)據(jù)，學(xué)習(xí)類方法效果較好，尤其是將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于視覺全局定位方面[25]。

圖5 無先驗的短期定位Fig.5 Short-term localization without priori

長期定位中，最大的挑戰(zhàn)來源于環(huán)境變化。如果用短期類問題的匹配方法，大量錯誤匹配會淹沒稀少的正確匹配。由于結(jié)構(gòu)特征通常不會發(fā)生劇變，激光傳感器不失為一個更好的選擇。實驗發(fā)現(xiàn)，當(dāng)環(huán)境的結(jié)構(gòu)沒有發(fā)生較大改變時，傳統(tǒng)激光定位具有較高的魯棒性。由于視覺傳感器受光照影響很大，日夜變化、季節(jié)變遷等非結(jié)構(gòu)變化會對長期視覺定位帶來極大挑戰(zhàn)。如圖6所示，有研究者利用結(jié)構(gòu)特征穩(wěn)定的特點，從視覺觀測中恢復(fù)結(jié)構(gòu)特征，從而實現(xiàn)長期定位。利用特征點恢復(fù)結(jié)構(gòu)信息，在激光地圖上尋找最匹配的激光點，通過特征圖優(yōu)化實現(xiàn)六自由度定位[29]。利用雙目相機恢復(fù)深度圖，與激光投影得到的深度圖進(jìn)行稠密匹配，實現(xiàn)定位[30]。通過對環(huán)境的多次觀測學(xué)習(xí)激光地圖中與視覺點云具有一致性的穩(wěn)定子集，并設(shè)計相應(yīng)的觀測模型，以將地圖信息緊耦合于視覺里程的圖模型中，實現(xiàn)視覺定位[31]。

圖6 基于異構(gòu)定位的長期定位Fig.6 Long-term localization based on heterogeneous localization

1.3 導(dǎo)航

導(dǎo)航是規(guī)劃機器人在空間中從起始狀態(tài)到目標(biāo)狀態(tài)的運動過程，運動過程需要滿足機器人運動學(xué)約束、無碰安全、高效可靠等條件。經(jīng)過幾十年的研究，導(dǎo)航規(guī)劃已經(jīng)成為移動機器人較為重要和成熟的一個模塊。

根據(jù)規(guī)劃層面和任務(wù)屬性的不同，導(dǎo)航規(guī)劃可以分為路徑規(guī)劃、避障規(guī)劃和軌跡規(guī)劃。這三個部分的規(guī)劃是從全局到局部，從地圖空間到機器人本體，從空間路徑到控制指令，但各部分并沒有明確的界限，存在融合多種功能的規(guī)劃算法，比如Dijkstra算法[32]可以實現(xiàn)全局路徑規(guī)劃和局部避障，HART等[33]融合了機器人運動學(xué)約束和路徑規(guī)劃，TEB算法則融合了全局路徑規(guī)劃、局部動態(tài)避障和軌跡規(guī)劃，用多目標(biāo)優(yōu)化的思路將起點狀態(tài)到終點狀態(tài)用一根橡皮筋抽象連接，各種目標(biāo)和約束函數(shù)(時間、平滑、運動學(xué)等)讓這條線發(fā)生形變，最終得到滿足目標(biāo)和約束的運動規(guī)劃。

近年來面向人機共融發(fā)展需求，具有社會性的行為規(guī)劃也成為移動機器人領(lǐng)域一個新的研究熱點。其中一種方式是采用有限狀態(tài)機推導(dǎo)機器人的行為規(guī)劃。例如，在DARPA Urban Challenge比賽中采用該方法解決路口復(fù)雜環(huán)境中機器人的行為決策問題[34]，或者采用馬爾可夫決策(MDP)[35]和有限馬爾可夫決策(POMDP)[36]描述狀態(tài)轉(zhuǎn)移過程。另一種方式是采用學(xué)習(xí)的方法，利用機器人移動經(jīng)驗或人為遙控操作，通過支持向量機[37]、逆強化學(xué)習(xí)[38]等方法學(xué)習(xí)一些社會規(guī)則，并利用這種社會性質(zhì)的行為規(guī)劃解決高動態(tài)環(huán)境下移動機器人的僵持問題[39]。

2 星面探測機器人自主移動面臨的挑戰(zhàn)

自主移動技術(shù)已經(jīng)取得了多方面進(jìn)展，其有效性已在部分地面應(yīng)用場景中得到驗證，但面向各種復(fù)雜大范圍環(huán)境如何實現(xiàn)長期穩(wěn)定自主運行仍在進(jìn)一步研究中。星面探測是一種特殊場景下的應(yīng)用，星面環(huán)境與地面環(huán)境相比存在很多的特殊性，這為自主移動技術(shù)帶來了新的挑戰(zhàn)。

首先，星面探測機器人自主移動需要考慮兩方面需求。一方面是對未知環(huán)境的探索需求，需要機器人具有對未知環(huán)境的探測規(guī)劃能力、自主地圖構(gòu)建能力以及回訪定位導(dǎo)航能力，既能實現(xiàn)對未知環(huán)境的大范圍高效探測，能夠?qū)μ綔y環(huán)境進(jìn)行建模或數(shù)據(jù)回傳下的建模，又能夠確?；氐綑C器人基地，為后續(xù)探測和其他作業(yè)做準(zhǔn)備。另一方面是在已探測環(huán)境下的作業(yè)需求，需要機器人能夠適應(yīng)環(huán)境光照等變化，實現(xiàn)當(dāng)前感知與已建環(huán)境模型之間的準(zhǔn)確匹配定位，并根據(jù)定位與目標(biāo)進(jìn)行導(dǎo)航規(guī)劃。因此，與地面自主移動機器人研究類似，星面自主移動探測機器人同樣需要解決環(huán)境地圖構(gòu)建、準(zhǔn)確里程估計、自主魯棒定位、導(dǎo)航規(guī)劃等問題，

其次，星面環(huán)境廣闊且以未知為主，缺少地面自主移動應(yīng)用環(huán)境常見的通用標(biāo)識和設(shè)施，而星面機器人需要在環(huán)境中進(jìn)行長期魯棒自主運行。目前地面無人駕駛在高速公路上的實現(xiàn)得益于全球定位系統(tǒng)(GPS)定位和公路上明顯的車道線，工廠內(nèi)搬運機器人自主移動的實現(xiàn)是依賴于環(huán)境中磁釘、磁條、二維碼、激光反射板等人工部署的標(biāo)識。近幾年實現(xiàn)的自然導(dǎo)航AGV可不依賴于人工部署標(biāo)識，但需要利用環(huán)境中的結(jié)構(gòu)信息。因此，在缺少通用標(biāo)識和設(shè)施的條件下進(jìn)行長期魯棒自主移動是需要解決的重要問題，而星面應(yīng)用主要依靠視覺傳感器進(jìn)行地圖構(gòu)建和定位導(dǎo)航，對算法適應(yīng)環(huán)境光照變化的性能提出了很高的要求。

第三，星面探測機器人機載資源有限，限制了算法的復(fù)雜性和信息的存儲。對于定位來講，地圖信息越豐富，定位的魯棒性和精確性越高，但對存儲的要求和定位計算資源的要求也越高。在有限資源條件下，應(yīng)該考慮在確保定位魯棒性和準(zhǔn)確性條件下的地圖壓縮。

第四，星面地形多樣，有高原、山脈、平原、低地和環(huán)形山等，對移動機器人的通行能力提出了要求，自主移動定位導(dǎo)航單元需要與所用移動機構(gòu)相結(jié)合。例如腿足運動能很好地適應(yīng)地面的不平整和不連續(xù)，但會造成感知單元上下晃動較明顯，并由于落腳點規(guī)劃需求而對近距離范圍內(nèi)的環(huán)境感知精細(xì)度提出了更高的要求。

3 可探索的研究方向

針對星面自主移動探測同時解決探測規(guī)劃的需求，早期自主移動領(lǐng)域曾對該問題進(jìn)行了探討，提出采用熵進(jìn)行信息量評估，例如通過最大化信息熵的方法貪婪搜索下一個最佳探測點[40]。但這些研究并未考慮星面環(huán)境和星面機器人的特點，其有效性有待進(jìn)一步研究驗證。

針對缺少通用標(biāo)識和設(shè)施條件下進(jìn)行長期魯棒自主移動的需求，有兩個解決路徑可以考慮。一是提升地圖構(gòu)建和定位算法前端數(shù)據(jù)關(guān)聯(lián)對環(huán)境變化的魯棒性，特別是回訪或再次探測時由視角和光照帶來的影響。目前研究人員在該方向進(jìn)行了探索。唐立等[41]提出了基于拓?fù)渚植砍叨鹊貓D的定位導(dǎo)航算法，在沒有全局坐標(biāo)的假設(shè)下，以參考節(jié)點為中心進(jìn)行定位，并引導(dǎo)機器人自主導(dǎo)航；在此基礎(chǔ)上提出記憶機制，不斷豐富地圖中的信息，從而提高定位成功率。焦艷梅等[42]提出基于點線特征的機器人魯棒視覺慣性定位方法，一方面同時利用視覺點特征和線特征增加候選特征的絕對數(shù)量實現(xiàn)正確匹配數(shù)量的提升，對環(huán)境光照等變化的魯棒性更高；另一方面利用慣性測量單元的重力測量實現(xiàn)自由度降維并推導(dǎo)出最小參數(shù)位姿估計解析解，減少RANSAC過程中每次采樣需要的樣本個數(shù)，增強定位魯棒性。MERRILL等[43]提出利用自動編碼器學(xué)習(xí)不變特征，他們通過重構(gòu)梯度直方圖(HOG)特征，使中間特征層能適應(yīng)較大的光照變化，并通過拉伸輸入圖像，提高特征對視角的魯棒性。從本質(zhì)上講，星面移動機器人進(jìn)行一般導(dǎo)航時對定位精度要求不高，因此，另一個可以考慮的策略是在粗糙地圖和粗糙定位或定位缺失下的智能導(dǎo)航，例如利用地面人工標(biāo)注路徑的衛(wèi)星地圖，基于當(dāng)前感知與衛(wèi)星地圖的匹配實現(xiàn)探測、導(dǎo)航和回航。

針對有限資源條件下，在確保定位魯棒性和準(zhǔn)確性前提下的地圖壓縮需求，王越等[44]根據(jù)Kullbach-Leibler復(fù)雜度衡量，提出了基于特征信息量的地圖修剪方法。該方法能夠控制地圖的復(fù)雜程度，并在公共數(shù)據(jù)集上充分驗證其有效性。SOO等[45]將地圖數(shù)量壓縮問題轉(zhuǎn)化為整數(shù)規(guī)劃問題，并有效地解決了視覺點數(shù)量過多的問題。基于規(guī)劃的方法能夠在減少地圖點數(shù)之后，同樣保持機器人的定位魯棒性，這使其在后續(xù)的地圖壓縮研究中成為主流[46]。上述方法是從本機算法和存儲輕量化角度出發(fā)，另一種思路是實現(xiàn)星面探測機器人與星面基站的協(xié)同計算，但需要考慮機器人與基站之間的通信條件有限，存在時滯丟包等現(xiàn)象，因此需要研究通信有限條件下的云-端協(xié)同定位問題。為此，丁夏清等[47]提出了端云協(xié)作的視覺定位框架，在機器人本體端運行計算資源需求量較少的視覺-慣性里程計，將處理后的局部地圖信息發(fā)送至云端；云端存儲有整體環(huán)境地圖，在接收到機器人端的數(shù)據(jù)后，將進(jìn)行資源需求量較大的定位計算，并將全局定位結(jié)果發(fā)送回機器人。本地機器人通過擴展卡爾曼濾波算法融合機器人實時位姿與云端傳回的延遲定位結(jié)果，從而實現(xiàn)本體端的實時全局定位。

針對探索環(huán)節(jié)中構(gòu)建稠密地圖的需求，一個研究方向是構(gòu)建可變形的稠密地圖。在機器人長期的探索任務(wù)操作過程中，由于累積性的相機跟蹤誤差與回環(huán)檢測的延遲使稠密地圖的建立變得不一致等問題，建立可變形的稠密環(huán)境地圖能夠有效控制累積誤差，實現(xiàn)全局一致的稠密可行域地圖構(gòu)建。

針對星表環(huán)節(jié)傳統(tǒng)點特征重復(fù)性差等問題，一個研究方向是借助其他設(shè)備的俯視視野，比如無人機或近表面的衛(wèi)星圖，并通過尋找大面積特征，來實現(xiàn)匹配。這對跨視野的特征匹配以及多設(shè)備的協(xié)同定位提出了要求。借助俯視視野的大視角特性，星表移動機器人的累積誤差可進(jìn)一步減小。

4 結(jié)束語

為推動星面探測機器人自主移動能力的發(fā)展，借鑒目前快速發(fā)展的無人駕駛技術(shù)和地面自主移動技術(shù)，歸納總結(jié)了目前星面探測移動技術(shù)的研究現(xiàn)狀和存在的問題，以及目前地面自主移動研究取得的進(jìn)展。星面探測是一種特殊場景下的應(yīng)用，星面環(huán)境與地面環(huán)境相比存在很多的特殊性。在結(jié)合星面探測應(yīng)用特殊性的基礎(chǔ)上，提出了未來在長期定位和可變形重建領(lǐng)域開展更深入研究的建議。后續(xù)將著眼于長期定位的魯棒性和準(zhǔn)確性，以及可變形重建的實現(xiàn)。