当前，物流智能搬运机器人、扫地机器人等已在一些城市和家庭中实际应用，无人机、无人车等也在迅速推广中，这些机器人之所以能快速进入应用阶段，与自主定位导航技术的发展密不可分。

日前，艾瑞咨询旗下艾瑞网公布了他们总结的“2018年全球AI突破性技术TOP10”，基于多传感器跨界融合的机器人自主导航技术位列其中。机器人自主定位导航技术是什么？目前有几种可实现机器人自主定位导航的技术手段？实现这些技术及应用的难点与挑战是什么？

基础：视觉和雷达是最主要的传感器

可以说，自主定位导航技术已经成为机器人产品的核心和焦点之一。中国自动化学会专家委员、清华大学互联网产业研究院杜明芳博士告诉科技日报记者，自主导航，从大的方面来讲包括局域导航和全局导航两部分。局域导航是指通过视觉、雷达、超声波等传感器实时获取当前环境信息，提取数据融合后的特征，经智能算法处理后实现当前可通行区域的判断和多目标跟踪；全局导航主要指利用GPS提供的全局导航数据进行全局路径规划，并实现全电子地图范围内的路径导航。

“目前，视觉和雷达是局部自主导航时采用的两种最主要的传感器。”杜明芳解释，作为被动式传感器，视觉传感器的优点显著，比如获取信息丰富、隐蔽性好、体积小，不会因干扰带来“环境污染”，相对雷达来说成本低。而为了实现自主导航，多种传感器相互协作来识别多种环境信息较为普遍，如识别道路边界、地形特征、障碍、引导者等。如此一来，机器人才能通过环境感知来确定前进方向中的可达区域或不可达区域，确认自己在环境中的相对位置，以及对动态障碍物运动进行预判，为局部路径规划等提供依据。

杜明芳告诉记者，从当前发展情况看，多传感器信息融合技术已经被应用到自主导航系统中，所起的作用也关系着机器人的智能化水平。“该导航技术的核心在于可以对多传感器收集到的信息进行有效处理和融合，提高机器人对不确定信息的‘抵抗’能力，确保有更多可靠的信息被利用，有助于更为直观地判断出周围的环境。”他说。

视觉导航已成功应用于低空飞行器导航、无人机导航及火星探测器着陆过程的导航中。不过，杜明芳也表示，视觉传感器还存在提供的信息不直接，计算和存储需求量大，网络传播负担大等问题。利用多传感器信息融合可以消除机器人定位导航中的不确定性，提高精度，但是过度融合也会带来计算量的成倍增加。

如何解决这些问题？杜明芳认为，选择恰当的融合算法是关键。当前，“将智能计算理论、概率论等基础理论应用到机器人多传感器融合领域的做法越来越多。”他说。

方式：多种技术组合实现优势互补

实现机器人自主定位导航有哪些方式？其实，汽车自动驾驶和机器人用的部分自主定位导航技术是一致的。千寻位置CEO陈金培告诉记者，千寻使用激光雷达定位导航和传感器组合技术，使定位精度达到1米左右，并可在3秒完成初始定位。

所谓激光雷达导航，是在行驶路径的周围安装位置精确的激光反射板，机器人通过激光扫描器发射激光束，同时采集由反射板反射的激光束，来确定其当前的位置和航向，并通过连续的三角几何运算来实现导引。激光雷达除了具有测距和定位功能外，还有识别和避障等作用。

杜明芳说，激光雷达属于主动式传感器，其提供的感知数据相对视觉信息要简单直接得多，处理时计算量小；但缺点是造价高、隐蔽性差，对环境有“污染”，信息不够丰富等。

据了解，苏宁的机器人和无人车自主导航采用的是另一种“多线激光雷达+GPS+惯导等多传感器融合定位方式”。具体来说，首先是激光雷达进行环境建图，获得先验点云地图，通过GPS和惯性导航初步确定机器所在的全球位置，再通过激光雷达扫描数据与先验点云地图匹配，获得更为精准的全球位置，实现精准定位和自主导航。在感知层面，激光雷达融合视觉，实时识别周围的行人、车辆和障碍物，为规划出最优绕行路径提供依据等。

此外还有惯性导航，这是指在机器人或无人车上安装陀螺仪，在行驶区域的地面上安装定位块，通过对陀螺仪偏差信号（角速率）的计算及地面定位块信号的采集来确定自身的位置和航向，从而实现导引。苏宁有关负责人在接受科技日报记者采访时表示，惯性导航技术定位精准、地面处理工作量小、路径灵活性强。但制造成本较高，导引的精度和可靠性与陀螺仪的制造精度及其后续信号处理密切相关。总之，一种技术手段不能解决所有问题，当前机器人自主导航普遍采用了多种技术组合的模式，以实现优势互补。

挑战：功耗、成本和工业化问题待解决

目前，自主定位导航机器人的应用主要分为两类，一是家庭使用的扫地机器人以及家庭看护、陪伴型机器人。思岚科技CEO陈士凯说，这类应用场景可概括为“零配置”，从消费者使用来说，要做到尽可能的极简，买回来就能用。另一类则是在商业场景下，需要一个预先配置过程，对于这种配置要有高可靠性和可扩展性。

陈士凯说，个人家庭场景导航定位系统要解决的是功耗、体积、成本的挑战。目前无论即时定位与地图构建（SLAM）算法还是路径规划系统，复杂度都比较高。“一个扫地机器人，电池本身容量可能只有20多瓦时规模。如果让它装上一个笔记本电脑来跑SLAM算法，可能一个小时不到就没电了，这是完全不被接受的。”

此外，新机器人第一次开机时，对家里环境构造是完全不知道的，需要把地图预先绘制出来。“这就有个矛盾点”，陈士凯说，人们希望机器人在环境位置时马上开展工作，但主流算法还需要对环境有一个预先构建或探索，在这方面，“就需要业界做一些工作了”。陈士凯举例道，比如可以给一个初级路径规划，随着机器人使用和探索，路径再逐步细化完善等。

在商用或专业场景下，自主导航系统的困难在于，商用场景下地图面积都很大，甚至会超过上万平方米。“目前，SLAM系统还是比较消耗内存和运算量的。怎么让它在如此大的场景下都可以工作，对导航定位系统来说，是个很大的挑战。”陈士凯说，解决之道是配备强大的硬件，同时对软件和算法进行更好优化。“目前一个合格的导航定位系统，不应仅仅有激光雷达，还应有视觉传感器和超声波等，并在导航定位算法上也要进行相应的融合。这个融合，在学术上或算法上也许并不是很难，但考虑到工业化的问题，比如很多超声波传感器是非标准产品，深度视觉传感器每家规格不一样安装位置也不同，怎么以统一标准化接口方便客户使用，存在挑战。”