轮式移动操作机器人研究概览

2020年初突如其来的新冠疫情给全世界人民带来了沉重的伤害，病毒强大的传染性，时刻威胁着人类生命的安全。具有操作功能的可移动平台可有效协助和替代医务人员在传染病房的部分工作，最大限度的降低病毒的传播和保护健康医务人员。根据当前移动操作机器人的研究，其主要由移动底盘和操作机械臂组成，其中移动底盘又分为轮式、腿式、履带式和轮腿复合式，而轮式移动底盘以其结构简单，容易控制，可扩展性强、移动灵活等特点，得到广泛应用。随着定位导航、深度学习的深入研究，使搭载机械臂的移动机器人完成类人的操作成为可能，全球的研究人员对此进行了广泛研究并在室内室外坏境中进行了大量实验验证，下面就近几年的基于轮式移动底盘的移动操作机器人研究概览如下。

Cosero[1]是德国波恩大学的Sven Behnke团队根据家庭环境中的日常操作任务而研制的一款仿人操作机器人(如图1(a)(b))。机器人底部配备了四轮独立转向行走机构，以便在灵活的通过狭窄通道，上部配备了两个7自由度机械臂已完成拟人的操作，并在夹持器末端装有红外测距传感器已达到对抓取目标的距离探测，在顶端安装有Kinect相机，以实现对目标环境的3D感知。Cosero通过底盘的激光雷达进行导航和定位，采用法线估计和场景分割相结合的方法对目标进行3D点云分割，采用无碰撞抓取方法[1]对目标物体进行抓取(如图1(c)(d))。在论文[2]中，作者运用Cosero进行零件分拣搬运实验，通过2D激光雷达导航到作业点，通过RGB-D相机对目标进行识别分割，规划抓取路径和抓取姿态估计(如图1(e))。在论文[3]中，作者采用深度学习方法对目标进行姿态估计，并完成了提壶灌溉，人机交互和使用工具等复杂任务(如图1(f))。Schwarz[4]介绍了Cosero基于深度学习方法的目标姿态估计和RGB-D SLAM等感知测量。

图1 Cosero机器人

Personal Robot 2(PR2)[5]是Willow Garage开发的移动式操作机器人平台(如图2(a))，它配备两个兼容7自由度机械臂和机械手，在头部、胸部、肘部、夹爪上分别安装有高分辨率摄像头、激光测距仪、惯性测量单元、触觉传感器等丰富的传感设备，通过底部的四轮移动平台可无限扩展其作业范围，提供基于Ros系统的仿真环境，可模拟开门、打台球和画画等复杂操作，适用于科研的实验平台。Welschehold[6]在PR2实现了从人的开门操作动作示教中学习移动底盘的运动方式以及夹持器的操作姿态，作者将机器人的学习分为三个部分的轨迹预测包括示教者的手部运动轨迹、示教者的身体移动轨迹以及被操作物体的运动轨迹，最后通过超图优化方式的来预测机器人底盘运动和操作机械臂的运动轨迹(如图2(b)-(d))。

图2 PR2机器人

中科院沈阳自动化所的Wang利用深度强化学习算法和视觉感知相结合的方法来完成移动机器人(如图3(a))在非结构环境下的移动操作[7]。作者将移动操作过程看做一个标准的强化学习问题，首先通过双目相机通过DOPE获取目标物体的6D姿态p以及机器人本体的当前状态st,接着通过基于PPO的强化学习算法预测机器人的本体，机械臂以及机械手的运动并控制机器人本体运动，最后机器人的运动状态st+1和响应rt，其中响应主要包含了整个系统的控制响应rctrl、机械手末端的位置响应rdist以及抓取状态rgrasp(如图3(b))。最后作者在仿真环境和真实环境下测试了不同高度下的抓取成功率，在仿真中，立方体的抓取效果最好达到了90%的成功率，而球类物体较差仅有60%左右，而在实际测试过程中，在姿态估计正确的前提下可实现目标物体的成功抓取(如图3(c)(d))。

图3 基于强化学习的移动操作系统

Rezero[8]是瑞士苏黎世联邦理工学院机器人系统实验室研制的一款扭矩控制机器人移动平台(如图4(a))，主要由动球平衡移动的基座和3自由度臂组成。该平台重约25公斤。它配备了用于状态估计，运动控制和执行器通信的PC。通过串联的弹性执行器[9]来实现运动控制。三个全向轮以三角形布局放置在主体和球之间，从而使机器人可以沿任何方向移动，也可以绕其自身的轴旋转。机器人顶部的操纵器是一个3自由度的手臂，其中第一个关节围绕基本垂直轴旋转，而其他两个则围绕垂直于第一个关节的轴旋转。研究者Farbod在论文[10]中详细介绍了一种基于actor-critic的非策略算法DMPC的控制策略(如图4(b))。

图4 Rezero机器人

Centauro[11]是德国伯恩大学计算机学院研制的遥操作轮腿复合的移动操作机器人(如图5(a)(b))。Centauro整体采用与半人马相似的构型，头部配备一个3维激光雷达，实现对环境的三维建zhon图和感知；头部下端四周配置3个广角相机用于实时监控各部分的运动状态；颈部配备一台kinect相机用于对抓取目标物体的识别和姿态估计；肩部配备两个七自由度的机械臂和9自由度的机械手，可以完全模仿人体手臂的全部运动，机械手腕部配备扭力传感器和手部配备压力传感器，用于操作端的力反馈；行走机构由四个5自由的机械腿构成，可完成人体腿部运动的模仿，每个腿部具有独立驱动的主动轮，可实现平整路面快速移动和复杂路面的步态运动，腿部运动由基座的两个RGB相机实时监控；控制单元由三个PC构成，分别负责基础系统控制，视觉感知处理和高级功能控制(多传感器数据融合)。操作者可通过远程操作平台(如图5(c))实时操作Cantauro完成各种复杂操作任务，通过简单设置，Centauro通过融合自身携带的多传感器信息可实现自主移动和抓取操作。Tobias Klamt[12]测试了Centauro在多种操作任务中的系统稳定性(如图5(d))。

图5 Centauro机器人

Jupiter[13]汕头大学范衠团队研制的移动操作机器人，该移动机器人由四轮独立转向的底盘和UR5机械臂组成(如图6(a))。通过2D激光雷达信息采用Hector SLAM实现机器人对地图的感知和自主导航规划，通过顶部的RGB-D相机采集目标物体深度和RGB图像信息，并通过SSD网络检测目标物体，通过坐标转换2D坐标转换为三维空间坐标，最后通过UR5机械臂进行抓取实验(如图6(b))。通过实验测试，机器人单次完成导航、识别、抓取和放置的全流程需要大约212s，对单目标的抓取成功率可达98%(如图6(c))。

图6 Jupiter移动操作机器人

Robotanist[14][15]是卡内基梅隆大学机器人学院FRC实验室研制一款野外自主农作物探测机器人(如图7(a)(b))，机器人总重140kg，驱动系统由4个200W无刷直流电机构成，通过50:1的空心轴减速机可以最高达2m/s的速度在玉米、高粱等农作物的地里前进。机器人通过顶端的GPS进行全局定位，可实现10mm的定位精度。前后分别安装有单线激光雷达，用于检测行进过程中掉落的茎杆和障碍物(如图7(c))。机器人的姿态是AHRS使用扩展卡尔曼滤波器(EKF)方法融合MTI等传感器信息估计机器人相对与全局坐标系的位姿。末端操作器采用二指加持器(如图7(d))，主要用于加持植物的茎杆并对其进行测量和数据采集。

图7 Robotanist农作物探测机器人

 

作者简介：周怀东，北京航空航天大学机器人研究所在读博士生。

参考文献

[1]   Real-Time 3D Perception and Efficient GraspPlanning for Everyday Manipulation Tasks

[2]  Nieuwenhuisen M, Droeschel D, Holz D, et al.Mobile bin picking with an anthropomorphic service robot[C]. internationalconference on robotics and automation, 2013: 2327-2334.

[3]  Stuckler J, Schwarz M, Behnke S, et al.Mobile Manipulation, Tool Use, and Intuitive Interaction for Cognitive ServiceRobot Cosero[J]. Frontiers in Robotics and AI, 2016.

[4]  Schwarz M , Behnke S . Semantic RGB-DPerception for Cognitive Service Robots[M]. RGB-D Image Analysis andProcessing. 2019.

[5]  Meeussen W, Wise M, Glaser S, et al.Autonomous door opening and plugging in with a personal robot[C]. internationalconference on robotics and automation, 2010: 729-736.

[6]  Welschehold T, Dornhege C, Burgard W, et al.Learning mobile manipulation actions from human demonstrations[C]. intelligentrobots and systems, 2017: 3196-3201.

[7]  Wang C, Zhang Q, Tian Q, et al. LearningMobile Manipulation through Deep Reinforcement Learning[J]. Sensors, 2020,20(3).

[8]  Minniti M V, Farshidian F, Grandia R, et al.Whole-Body MPC for a Dynamically Stable Mobile Manipulator[C]. internationalconference on robotics and automation, 2019, 4(4): 3687-3694.

[9]  K. Bodie, C. D. Bellicoso, and M. Hutter,“Anypulator: Design and control of a safe robotic arm,” in Intelligent Robotsand Systems (IROS), 2016 IEEE/RSJ International Conference on. IEEE, 2016, pp.1119–1125.

[10] Farshidian F, Hoeller D, Hutter M, et al. DeepValue Model Predictive Control[J]. arXiv: Learning, 2019.

[11] Klamt T , Schwarz M , Lenz C , et al. RemoteMobile Manipulation with the Centauro Robot: Full-body Telepresence andAutonomous Operator Assistance[J]. Journal of Field Robotics, 2019.

[12] Klamt T , Rodriguez D , Baccelliere L , et al.Flexible Disaster Response of Tomorrow -- Final Presentation and Evaluation ofthe CENTAURO System[J]. IEEE Robotics & Automation Magazine, 2019.

[13] Yugen Y ; Zhun F, et al. Design andImplementation of Mobile Manipulator System[C]. IEEE CYBER, 2019.

[14] Muellersim T, Jenkins M, Abel J R, et al. TheRobotanist: A ground-based agricultural robot for high-throughput cropphenotyping[C]. international conference on robotics and automation, 2017:3634-3639.

[15] Justin Abel. In-Field Robotic Leaf Grasping andAutomated Crop Spectroscopy. Master's Thesis. 2018