基于机器学习的室外未知环境中移动机器人定位研究

Navigation is an important ability of mobile robots. Localization in an environment is the very first step to achieve it. In this project, based on the extensive research already conducted for known indoor enviroments, we are going to design a natural landmark-based localization strategy for mobile robot working in an outdoor unknown environment. Particularly, we are going to design a real-time scene recognization scheme so as to use objects segmented in it as the natural landmarks and to explore the suitability of configural representation for automatic scene recognition in robot navigation by conducting experiments designed to infer semantic prediction of a scene from different configurations of its stimuli using a machine learning paradigm named reinforcement learning.

导航能力的高低是移动机器人智能化水平的重要体现，而定位问题则是移动机器人自主导航最重要的内容。在本项目中，我们将深入学习确定性环境条件下关于定位问题已取得的大量成果，在此基础上，研究如何使用单目视觉传感器，在应用环境中自然路标的坐标、形状等特征未知的前提下，通过对工作环境中的自然景物进行识别以完成定位。针对视觉导航中图像处理计算量大、实时性差这一瓶颈问题，及室外等非结构化环境的复杂性和多变性，研究出一种兼顾精度与速度的物体识别实时算法；针对单一路标抗干扰性和鲁棒性差的特点，提出一种基于自然景物组合作为特征路标的绝对自定位方法，以满足复杂非结构化应用环境下的自主式移动机器人应用的需要。

项目的背景：.机器人在未知环境中移动时，不知道它相对于环境的确切位置，也不知道障碍物或目标的确切位置，而是通过有限图像来决策。有研究表明对于高等动物来说，一个响应的发生取决于其预测的结果和在未来可能性的基础上的计划行为，而不是单独的突发事件。移动机器人如何又快又准确的到达目的地，并没有最佳路径，无法使用最后的反馈来指导机器人之前的移动。因此，在这种无法使用监督学习情况下，我们使用增强学习中的TD-learning的算法，对机器人的行为进行奖励或惩罚，随着时间推移，力求提高奖励避免处罚，并通过奖励的累积来驱动机器人学习，提高其性能，最终实现在复杂多变的室外环境中无需建图的移动机器人自主定位。..主要研究内容：.研究内容主要包括两个方面，一是基于单目视觉的计算机视觉系统的建立（具体由四个小部分组成：视觉特征的提取、基于物体识别的环境建模即认知的形成、基于小众模式挖掘的路标的提取、随机量化树的构建），另一个是机器人对目标场景的学习与设定，即基于增强学习的定位方法的实现。主要目标是针对室外环境中移动机器人，通过建立计算机视觉系统对环境进行建模，识别出环境中的以小众模式出现的路标，然后基于前沿的强化学习和TD-learning思想，采用WMtk工具包，在无需建图的条件下，通过训练，以力求提高奖励避免处罚驱动机器人学习，提高它的认知能力，从而使机器人学会目标位置与规律正确的关联，最终实现无地图、高效、准确的基于机器学习的移动机器人定位功能。..重要结果：.提出无需建图的条件下，移动机器人可以通过机器学习方法精准快速地识别出路标从而进行定位。..关键数据：.围绕西安交通大学图书馆用摄像头拍摄的一组图像序列数据，从中选取18幅图像并提取出其基于颜色直方图的图像颜色特征向量，在其上聚类得到环境模型。..科学意义：.与SLAM不同，本研究是在无需建图的情况下，通过增量式的环境建模，实现在复杂多变的室外环境中基于机器学习的移动机器人的自定位。