本文对应的 Gitbook 页为：https://daomingchen.gitbook.io/autonomous-mobile-robots/

1. 历史上的移动机器人

1966年到1972年间，在斯坦福研究所诞生了世界上第一个自主的移动机器人，Shakey。它与现代的大多数机器人很像，具备感知，规划，和控制能力。它通过摄像头完成感知；步进电机负责控制轮子的运动；航向仪来确定机器人的位姿；CPU位于远端，通过远程通信完成所有计算过程。

1997年，NASA 的移动机器人探险者号和旅行者号登录火星。在宇航中心的操控下，为人类传回了珍贵的火星科考数据。

2. 分类

移动机器人有着多种不同的分类方式，如按照工作环境，工作空间，应用领域和移动方法。本文主要研究的分类是根据机器人的移动方式进行的分类，即机器人驱动方法的机械结构分类。其可以分为：轮式机器人，足式机器人，履带式机器人，以及躯干式机器人。

其中轮式机器人和履带式机器人较为常见，运动学和动力学相对简单。从家庭用的扫地机器人，到自动驾驶的车辆，再到火星探测机器人，都可以见到这种轮式的设计。

履带式机器人由于其连续性接触面，使得车辆可以在更复杂的路面行驶，进而此类机器人多用于军事，以及工程场景。

足式机器人由于其工程的复杂度很高，因此目前没有太多的应用场景。但足式机器人由于其离散的运动接触方式，使其具有更高的灵活性，可以在更加复杂的环境中使用，比如需要上下楼梯的工厂，或者满是碎石的矿洞。关于足式机器人的研发是近几年国内外的热门话题，以机器人狗为例，头部玩家有：MIT 出身的波士顿动力，ETH 出身的 AnyMal，以及国内的宇树科技。

除了四足机器人外，两足机器人或者说类人型机器人也是足式机器人中的热门领域，比如早期的 Asimo 机器人，近期的 Atlas 以及 Digit 机器人，还有特斯拉，小米研发的人形机器人。

最后是躯干式机器人，此类机器人的发展较为缓慢，还处于机械结构的仿生阶段，比较有名一些机器人有：类蛇形/蜥蜴的爬行机器人，类鱼型的水下机器人。

最后还有一些混合式的移动机器人，比如双/四轮足机器人。

3. 何为自主移动

自主移动意味着机器人在只有抽象的外部命令，如带我去 BRL 实验室，的情况下，完成从当前位置到终点的移动。此过程中，机器人面临着三个关键性的问题：

• 我要去哪里？
• 我在哪里？
• 我该怎么去？

对于这些问题的解答是：

• 机器人必须内置周围环境的静态或动态模型。
• 机器人必须具有感知和解析环境的能力。
• 机器人必须知道自己当前的位置。
• 机器人必须具有规划路线以及运动控制的功能。

总结起来，移动机器人的系统逻辑可以表示为下图所示的 see-think-act cycle：

首先，机器人通过感知系统来观测自身所处的环境，通过一系列感知算法，将传感器的信号映射为机器人对自身位置以及所处环境的理解，进而在系统中创建出一张观测地图。路线规划系统则会根据外部输入的命令，结合当前的所处的环境，进行路径规划。运动控制系统则会驱动机器人将运动路径与规划路径相拟合。

即自主移动机器人的技术栈可以分为：

• 感知 (Perception)
• 定位与建图(SLAM)
• 路径规划 (Path Plan)
  • 全局
  • 局部
• 运动控制 (Motion Control)

4. 运动控制

目前来说，对于一般轮式机器人（非麦克纳姆轮）的运动控制的研究已经非常完善了。常见的车辆底盘模型有汽车模型，差速轮模型等，常用的控制器有 pid 控制器和 MPC 控制器。此外还会使用到卡尔曼滤波器加以辅助。

4.1 经典车辆控制

在运动控制中，我们关心的是车辆的当前速度，以车辆的中心为质点 $(x,y)$，车辆模型可以表示为：

$\left[\begin{array}{c}\dot{x}\\ \dot{y}\\ \dot{\theta }\end{array}\right]=f({\psi }_1,{\psi }_2,\dots ,{\psi }_n,\theta )$

其中，${\psi }_i$ 为第 i 个轮子的转速。$\theta$ 为车辆的航向角。

而车辆的控制，则是上式的反向求解：

$\left[\begin{array}{c}{\psi }_1\\ {\psi }_2\\ ⋮\\ {\psi }_n\end{array}\right]=f(\dot{x},\dot{y},\dot{\theta })$

4.2 运动控制的前沿科技

在人工智能爆火的今天，运动控制自然也拥抱了AI。对于一些复杂的机构来说，机器人的运动学以及动力学模型的构建是非常困难的，因此 ETH 的一些研究员采用了强化学习的方式，在 Nvidia 提供的 Isaac 仿真平台上进行了约等于真实世界中上百年时间的训练，从而得到了如下的轮足式机器人控制效果：

https://www.zhihu.com/zvideo/1553982025958432768

此外，ETH 的研究员还在设计更加鲁棒的（Robust）的控制器，如非线性 MPC 控制器，用于控制足式机器人在更加复杂的地面上行走：

https://www.zhihu.com/zvideo/1553992702135603200

5. 感知

之前说到运动控制是相对成熟的技术了，但感知则是近二十年来，随着计算机视觉的飞速发展而逐渐成熟的技术。且目前仍是机器人领域亟待攻克的难关。

5.1 传感器

对于移动机器人来说，常用的传感器有：

• 相机，激光雷达(Lidar) 用于获取周围环境的信息
• GPS, IMU, Wheel encoders 用于定位机器人自身的位置。

5.2 环境理解

移动机器人中常用同步定位与建图技术 (SLAM) 来进行环境理解，即将世界分解为可行走区域和障碍物，同时将机器人的位置在地图上标注出来。效果如下图所示：

此外，在计算机视觉领域大火的人工智能技术，在自动驾驶汽车领域被用于环境理解。通常使用深度学习可以达成的环境理解能力远高于 SLAM，深度学习的识别能力，可以让机器人理解周围的每个物体是什么，车道线的位置，以及信号灯的情况等等。

5.3 导航示教

导航示教是 ETH 2017年的一个项目，目的是让人类利用便携式 SLAM 设备完成对机器人全局路径规划的设定。具体过程请看以下视频：

https://www.zhihu.com/zvideo/1553993283759681536

6. 路径规划

路径规划解决的是机器人应该去哪？和怎么去的问题。该部分由可以被分为两个分支，全局路径规划和局部路径规划。

6.1 全局路径规划

全局路径规划就是在已知地图和自身位置的情况下，完成的点到点之间的最优路径规划。这类似于我们日常使用的地图导航app。

6.2 局部路径规划

局部路径规划则是机器人根据自身传感器信息，在全局路径规划的引导下对机器人进行实时的轨迹预测，以处理动态发生的事件。如下图所示，红色与绿色分别代表全局路径与局部路径。

6.3 人机交互

现代的机器人在迈向智能机器人的过程中，除了需要完成其本职的功能之外，还需要考虑到与周围生物的交互。但此类交互本质上是社科问题，因此在本书上只简单提及该问题。

7. 前沿科技

目前移动机器人的前沿主力在于自动驾驶技术研究，其代表是特斯拉的自动驾驶。目前特斯拉完全自动驾驶 FSD 已经进入 Beta 阶段，其效果如下面的视频所示：

https://www.zhihu.com/zvideo/1554002901030346752

另外一个前沿在于虫群机器人，即一群机器人在无主脑的情况下，自主的完成合作任务。其代表是浙大 Fast Lab，其虫群飞行器在 Science Robitics 杂志上的视频如下：

https://www.bilibili.com/video/BV1qv4y1K7Y6?spm_id_from=333.337.search-card.all.click&vd_source=c21b1fbe5a532229ace96b0090f25485

本文使用 Zhihu On VSCode 创作并发布