菜单总览
新闻

IROS 2020 | 基于半正定松弛优化的机器人相对位姿估计

  • 2020.10.27
  • 新闻
太平洋时间10月25日,2020 IROS 正式举办,AIRS 共发表9篇文章,两篇获最佳奖提名。

        AIRS 智能机器人研究中心林天麟教授、钱辉环教授、计算机视觉研究中心黄锐教授和国际合作项目的 Sethu Vijayakumar 教授分别作为通讯作者的共九篇论文被本届 IROS 接收,其中更有两篇获最佳奖提名。

        IROS 2020 举办期间,AIRS 也带着大家一起来学习观摩这几篇论文。以下介绍的是Robot-to-Robot Relative Pose Estimation based on Semidefinite Relaxation Optimization (基于半正定松弛优化的机器人相对位姿估计)一文。

研究背景

        多机器人协同可以广泛应用于编组控制、合作运输、周边监视和态势感知等多个领域,完成单个机器人无法实现的任务。其中,多机器人之间能够相互准确定位,即多机器人系统中任意一部机器人实时确定出其它机器人的相对于自身的位姿(包括位置和方位),是上述系统正常工作的前提。

        现有多机器人相互定位方式主要包括依赖外部设备(如运动捕获系统)辅助定位、利用全球定位设备全局定位以及根据无线传感器协同定位几种。然而,上述系统分别存在无法大规模应用于工业生产场景、可扩展性低和价格高昂等缺陷。

        有学者提出了一种基于几何关系的多机器人相互定位方法,该方法要求机器人进行多步随机移动,利用机器人运动的航位推测信息和测距量测构建的几何关系建立非线性方程,从而通过求解非线性方程确定机器人的初始位姿。但是,该方法仅适用于噪声干扰小的理想环境,当航位推测信息和测距量测受到严重的噪声干扰时,定位算法失效,系统抗干扰能力弱。

        一些学者提出了一种基于最大似然的全局最优位姿估计方法,该方法通过建立和求解以几何关系构建的带约束加权最小二乘优化问题,可以获得最大似然意义下最优的位姿估计结果。然而,由于求解的目标函数是强非线性的函数,因此需要使用特殊的优化求解工具,且容易获得不一致的估计结果,存在可移植性差和鲁棒性低的问题。

研究概要

        本文提出了一种基于半正定规划的多机器人初始位姿相对定位算法。首先设定采样周期采集并存储机器人航位推测系统以及测距传感器获得的量测数据,并计算出相对定位所需的关键参数;随后根据最小平方距离误差准则建立基于半正定松弛的带约束优化问题,利用半正定松弛理论对问题进行松弛;之后再通过CVX、SeDuMi或SDPT3等优化工具对优化方程进行求解,并利用奇异值分解和特征值分解恢复出目标变量;最后将恢复出的目标变量作为优化初始值,在加权最小二乘框架下求取最大似然估计结果。

        本文能有效解决在噪声干扰环境下,现有初始位姿相对定位算法抗干扰能力弱、可移植性差和鲁棒性低的问题。

图1 机器人 R ᵢ 和 R ⱼ 在二维平面上随机移动示意图

图2 实验环境下:基于几何关系、基于最大似然和半正定松弛算法在弱噪声干扰下,偏向角和方位角估计精度对比图

        本文第一作者黎明为香港中文大学(深圳)一年级博士生,主要研究方向包括机器人定位、多机器人信息融合以及目标优化等,其导师为林天麟教授。林天麟教授现为香港中文大学(深圳)助理教授,AIRS 智能机器人研究中心主任,以及 IEEE 高级会员。

Robot-to-Robot Relative Pose Estimation based on Semidefinite Relaxation Optimization