摘要：移動(dòng)機器人在軍事、工業(yè)、農業(yè)、商業(yè)、交通、物流等領(lǐng)域有著(zhù)廣泛的應用前景。目前，制約移動(dòng)機器人廣泛使用的一個(gè)核心問(wèn)題是移動(dòng)機器人的自主導航能力。本文首先闡述了移動(dòng)機器人自主導航相關(guān)的核心技術(shù)，分析了目前的技術(shù)現狀以及未來(lái)發(fā)展趨勢；之后，本文討論了移動(dòng)機器人幾個(gè)典型領(lǐng)域的應用情況；最后對未來(lái)移動(dòng)機器人自主導航技術(shù)的挑戰進(jìn)行了分析，指出了未來(lái)的一些發(fā)展方向。

關(guān)鍵詞：移動(dòng)機器人；自主導航；環(huán)境感知；自主定位；運動(dòng)規劃

Abstract: Mobile Robots have wide applications in military, industry, agriculture, commercial, transportation and logistics areas. Nowadays, a key problem that prevents mobile robots from being widely used is the ability of fully autonomous navigation. This paper first describes the key technologies that related to autonomous navigation and then analyses the state-of-the-art technologies and their future directions. After that, the typical applications of mobile robots in several areas are described. Finally, some future challenges related to autonomous navigation are analyzed and some possible directions are pointed out.

Key words: Mobile Robots; Autonomous Navigation; Environment Perception; Self-Localization; Motion Planning

1　引言

隨著(zhù)機器人技術(shù)的發(fā)展，越來(lái)越多的機器人被用來(lái)代替人類(lèi)完成簡(jiǎn)單重復、危險的工作。由于機器人自身具有高效率、無(wú)間隙工作的特點(diǎn)，從而能夠極大地促進(jìn)生產(chǎn)力，在人類(lèi)社會(huì )中正發(fā)揮著(zhù)越來(lái)越重要的作用。傳統的工業(yè)機器人大多被固定在生產(chǎn)線(xiàn)上，利用機械手臂來(lái)完成裝配等簡(jiǎn)單任務(wù)。而現實(shí)中仍有大量的任務(wù)需要機器人能夠具備空間移動(dòng)能力，比如服務(wù)業(yè)、自動(dòng)駕駛等領(lǐng)域，因此移動(dòng)機器人由于具有更大的使用靈活性 使其逐漸成為機器人領(lǐng)域的研究焦點(diǎn)。

理想的移動(dòng)機器人應具有以下能力：當處于一個(gè)未知的、復雜的、動(dòng)態(tài)的非結構化環(huán)境中時(shí)，能夠在沒(méi)有人干預下的情況下，通過(guò)自身所帶的傳感器來(lái)感知環(huán)境，到達期望的目的地，同時(shí)保證時(shí)間最少或能量消耗最低等^[1]。因此，移動(dòng)機器人只有具備自主導航能力，才能夠進(jìn)一步完成所設定的任務(wù)。自主導航技術(shù)無(wú)疑是移動(dòng)機器人技術(shù)中最為基礎和核心的技術(shù)。近年來(lái)，自主導航技術(shù)也在實(shí)際應用需求的推動(dòng)下不斷地取得突破和進(jìn)展。本文將聚焦自主導航技術(shù)的發(fā)展及移動(dòng)機器人應用領(lǐng)域，并對其未來(lái)發(fā)展方向進(jìn)行展望。

2　自主導航關(guān)鍵技術(shù)

為了實(shí)現移動(dòng)機器人在未知動(dòng)態(tài)環(huán)境中的自主導航，移動(dòng)機器人需要解決三個(gè)基本問(wèn)題^[2]，即“我在哪里？”、“我的周?chē)际裁礃?？”、“我下一步該怎么做？”。為了解決這三個(gè)核心基本問(wèn)題，就涉及到環(huán)境感知、地圖創(chuàng )建、自主定位、運動(dòng)規劃等一系列核心技術(shù)。

2.1　環(huán)境感知

移動(dòng)機器人的環(huán)境感知技術(shù)，即通過(guò)移動(dòng)機器人自身攜帶的傳感器感知周?chē)h(huán)境，并對獲得的環(huán)境數據進(jìn)行處理以得到周?chē)h(huán)境的具體信息（包括特征信息與位置信息）的過(guò)程。在未知環(huán)境地圖和未知初始位置的前提下，移動(dòng)機器人必須首先依靠自身攜帶的傳感器感知外部環(huán)境的信息，才可以進(jìn)一步完成位置確定、地圖構建與路徑規劃等任務(wù)。因此環(huán)境感知是移動(dòng)機器人自主導航技術(shù)的基礎與關(guān)鍵。

根據所用傳感器的不同，移動(dòng)機器人感知環(huán)境的方法可分為基于聲吶、基于激光雷達、基于視覺(jué)與融合多傳感器的環(huán)境感知等。聲吶通過(guò)聲波的傳播時(shí)間來(lái)判斷物體的距離信息，在水下傳播的速度較快且不會(huì )如相機和激光雷達傳感器那樣受到水介質(zhì)本身的干擾，因此基于聲吶的環(huán)境感知方法被廣泛地應用于水下機器人領(lǐng)域。與聲納傳感器相比，激光傳感器使用的光信號傳播速度更快，抗干擾性更好，因此測得的環(huán)境信息更加準確。與聲納、激光傳感器相比，相機重量輕、價(jià)格低廉、可以獲得更加豐富的環(huán)境信息且無(wú)需主動(dòng)發(fā)出信號，因此被廣泛應用于無(wú)人機、無(wú)人車(chē)等領(lǐng)域。隨著(zhù)深度學(xué)習技術(shù)的快速發(fā)展，部分研究者通過(guò)深度學(xué)習方法提取圖像的語(yǔ)義信息來(lái)完成對環(huán)境的感知。近年來(lái)，基于多傳感器融合的環(huán)境感知方法也受到了許多研究者的關(guān)注和重視。如Qi等^[3]從融合激光雷達點(diǎn)云數據與圖像數據中提取語(yǔ)義信息來(lái)實(shí)現三維空間下環(huán)境感知任務(wù)。隨著(zhù)深度學(xué)習的迅速發(fā)展，基于深度學(xué)習的圖像和點(diǎn)云特征提取方法引起科學(xué)界的廣泛關(guān)注。通過(guò)深度學(xué)習方法提取到的深層次語(yǔ)義特征具有準確度高、提取速度快、穩定性好的特點(diǎn)。因此越來(lái)越多的移動(dòng)機器人通過(guò)基于深度學(xué)習的方法來(lái)從圖像與點(diǎn)云中提取深層次的語(yǔ)義特征以感知周?chē)h(huán)境。而在傳感器類(lèi)型的選擇上，由于機器人往往工作在復雜多變的環(huán)境中而單一傳感器的應用范圍有限，因此基于多傳感器融合的環(huán)境感知與自主導航方法成為了當前研究的熱門(mén)問(wèn)題。

2.2　地圖創(chuàng )建

要想使機器人可以自由安全的進(jìn)行移動(dòng)，地圖信息必不可少的。建圖實(shí)質(zhì)是運動(dòng)過(guò)程對環(huán)境的描述，所構建地圖形式分為度量地圖和拓撲地圖等。度量地圖又可以分為稀疏地圖和稠密地圖。

其中，稀疏地圖對環(huán)境進(jìn)行了一定的抽象表達，不能表達周?chē)h(huán)境所有信息，通常用于快速定位與導航，具有較快的計算能力。拓撲地圖由節點(diǎn)和邊兩種元素組成，主要表達地圖元素之間的連通性。傳統的構建地圖的方法大致可分為濾波方法^[4]和優(yōu)化方法^[5]兩類(lèi)。近幾年基于多傳感器融合，如激光雷達，相機，IMU融合的建圖方法逐漸成為發(fā)展的一個(gè)重心，通過(guò)多種傳感器的信息來(lái)增加機器人建圖的魯棒性，獲得更加精準，信息更加豐富的地圖。未來(lái)基于更多新型傳感器的建圖技術(shù)也將應運而生，例如紅外相機、毫米波雷達等新型傳感器等。

2.3　自主定位

定位問(wèn)題是實(shí)現移動(dòng)機器人自主移動(dòng)能力的基本問(wèn)題^[6]。依據完成任務(wù)要求的不同，可以將移動(dòng)機器人定位問(wèn)題分為位姿跟蹤、全局定位、綁架問(wèn)題^[7]。所謂自主定位就是機器人利用先驗環(huán)境地圖信息、機器人位姿的當前估計以及傳感器的觀(guān)測值等輸入信息，經(jīng)過(guò)一定的運算產(chǎn)生更加準確的對機器人當前位姿的估計^[8]。

定位方法根據所采用傳感器不同可以分為：激光定位、視覺(jué)定位、紅外定位、組合慣導定位、超聲波定位、Wi-Fi定位、藍牙定位、UWB定位等。一般情況下，基于單一傳感器的定位在復雜環(huán)境中，其精度與魯棒性難以保證，而多傳感器融合則克服了單一傳感器的缺陷，能夠在具有挑戰性的環(huán)境中實(shí)現高精度定位和強魯棒性。在移動(dòng)機器人的自主定位中，最為廣泛使用的傳感器就是激光雷達。傳統的激光雷達定位方法主要基于幾何信息，依賴(lài)幾何約束來(lái)估計車(chē)輛的運動(dòng)。最直接的方法是應用點(diǎn)云配準算法來(lái)解決運動(dòng)問(wèn)題。常見(jiàn)配準算法有迭代最近點(diǎn)（ICP）^[9]，G-ICP和正態(tài)分布變換（NDT）^[10]。但是，這些配準方法對初始猜測非常敏感，且它們在沒(méi)有豐富幾何信息的場(chǎng)景中容易定位失敗，例如高速公路或其他開(kāi)放空間。近年來(lái)，也有人提出了一種基于學(xué)習的新型雷達定位系統^[11]，可實(shí)現厘米級的定位精度。傳統的定位方法與學(xué)習的定位方法在場(chǎng)景較為簡(jiǎn)單的城市街道、園區環(huán)境，精度和魯棒性都取得了良好的效果，但在環(huán)境多變的野外下，定位問(wèn)題還存在諸多挑戰。此外，在多變的室外場(chǎng)景下，需要不斷地維護更新地圖才能達到良好的定位效果。

2.4　運動(dòng)規劃

路徑規劃即在現實(shí)環(huán)境中，機器人根據先驗的地圖環(huán)境信息以及自身傳感器實(shí)時(shí)感知的周?chē)鷦?dòng)態(tài)環(huán)境信息，綜合一定的評價(jià)指標搜索出一條能夠連接起始點(diǎn)與目標點(diǎn)，且在一定指標下具有最優(yōu)性的軌跡曲線(xiàn)，并且保證機器人在沿著(zhù)這條曲線(xiàn)運動(dòng)的過(guò)程中能夠實(shí)時(shí)避開(kāi)環(huán)境中的動(dòng)態(tài)障礙物，順利到達目標點(diǎn)。

由于近幾年來(lái)大量學(xué)者與研究機構參與到機器人技術(shù)的研究中來(lái)，路徑規劃技術(shù)同樣也得到了飛速的發(fā)展?，F階段，路徑規劃技術(shù)已不僅僅應用于工業(yè)自動(dòng)化生產(chǎn)和移動(dòng)機器人領(lǐng)域，其在計算機輔助設計、卡通設計、醫療手術(shù)、分子生物學(xué)、貨物倉儲、農林監測、災害現場(chǎng)救援等領(lǐng)域也有了極其廣泛的應用^[12~14]。到目前為止，路徑規劃技術(shù)已經(jīng)有了近60多年的發(fā)展歷程。在此期間，種類(lèi)繁多的路徑規劃算法被相繼提出。近年來(lái)，基于傳統的搜索和采樣的算法依然層出不窮，除此之外基于學(xué)習的規劃方法也吸引了多數研究者研究，包括傳統與學(xué)習混合的方法。其中傳統搜索方法包括基于可視圖搜索算法^[15]和基于柵格地圖的搜索算法；基于采樣的算法包括基于概率路線(xiàn)圖和基于隨機搜索樹(shù)的方法；基于學(xué)習的方法包括基于強化學(xué)習的社會(huì )意識運動(dòng)規劃^[16]等；傳統與學(xué)習混合的方法包括基于采樣的非完整運動(dòng)規劃中自我車(chē)輛姿態(tài)預測的學(xué)習方法^[17]。在未來(lái)，路徑規劃方法可能會(huì )更多的將機器學(xué)習和傳統優(yōu)化、搜索方法相結合來(lái)實(shí)現性能更優(yōu)的路徑尋優(yōu)。

3　移動(dòng)機器人的應用領(lǐng)域

移動(dòng)機器人是一個(gè)集環(huán)境感知、動(dòng)態(tài)決策與規劃、行為控制與執行等多功能于一體的綜合系統。隨著(zhù)機器人性能不斷地完善，移動(dòng)機器人的應用范圍也不斷擴展，不僅在工業(yè)、農業(yè)、醫療、服務(wù)等行業(yè)中得到廣泛的應用，而且在城市安全、國防和空間探測領(lǐng)域等有害與危險場(chǎng)合也得到了很好的應用。

3.1　航空領(lǐng)域

無(wú)人機是一種非常典型的空中移動(dòng)機器人^[19~20]。在航空領(lǐng)域，無(wú)人機技術(shù)的應用正在日趨成熟。無(wú)人機航拍具有高清晰、小面積、大尺度等優(yōu)勢，往往能完成許多其他工具無(wú)法完成的拍攝；在一些極其復雜的環(huán)境之下，引入無(wú)人機將大大降低高空作業(yè)的難度和風(fēng)險；無(wú)人機巡檢在快速處理簡(jiǎn)易交通事故、疏解城市交通、監控視頻盲區、管理鄉村主次干道等工作中能夠發(fā)揮重要作用；無(wú)人機充當中繼站，能夠從地面上的同頻道收集用戶(hù)消息，并將它們轉發(fā)給其他地面用戶(hù)或遠程基站。隨著(zhù)無(wú)人機技術(shù)的不斷發(fā)展，特別是隨著(zhù)自主無(wú)人機技術(shù)的不斷發(fā)展與成熟，無(wú)人機應用領(lǐng)域也在逐漸擴大。未來(lái)無(wú)人機領(lǐng)域將朝著(zhù)規范化、專(zhuān)業(yè)化、系統化的方向發(fā)展，不僅將在民用領(lǐng)域給予人們更多的選擇，而且將在交通、通信、軍事等其他領(lǐng)域扮演更重要的角色。

3.2　農業(yè)領(lǐng)域

農業(yè)正在迅速成為令人振奮的高科技產(chǎn)業(yè)，吸引更多專(zhuān)業(yè)人士、公司和投資者。農業(yè)機器人技術(shù)的迅速發(fā)展不僅能夠提高農民的生產(chǎn)能力，而且能夠提高機器人技術(shù)及其自動(dòng)化技術(shù)。從無(wú)人車(chē)到自動(dòng)拖拉機再到機器人手臂，農業(yè)機器人技術(shù)在機器人技術(shù)的發(fā)展下不斷取得突破。自動(dòng)駕駛車(chē)輛作為精準農業(yè)的應用平臺^[20]，能夠完成農場(chǎng)環(huán)境下的感知、建圖、定位導航；移動(dòng)機器人還可以用來(lái)進(jìn)行紅樹(shù)梅枝干檢測定位、修剪和捆綁^[21]等。此外，還有一些農作物識別與自主跟隨機器人也成功的應用于農業(yè)領(lǐng)域^[22~23]。但是，農業(yè)機器人技術(shù)也面臨著(zhù)許多獨特的挑戰，它是機器人技術(shù)、視覺(jué)技術(shù)、自動(dòng)化操作技術(shù)和農作物科學(xué)的交叉融合研究領(lǐng)域，仍然有很多挑戰性問(wèn)題需要進(jìn)一步解決。

3.3　服務(wù)領(lǐng)域

機器人技術(shù)是多種技術(shù)的集成，它的進(jìn)步取決于其他領(lǐng)域的發(fā)展，特別是計算機、信息處理、傳感器和驅動(dòng)器、通信和網(wǎng)絡(luò )等^[24~26]。服務(wù)機器人的發(fā)展與所處的機器人行業(yè)密切相關(guān)。從其應用場(chǎng)景進(jìn)行劃分，智能服務(wù)機器人可以分為面向家庭的消費類(lèi)服務(wù)機器人以及面向公共商用環(huán)境的商用服務(wù)機器人兩大類(lèi)。在商用領(lǐng)域，機器人被應用在商場(chǎng)、酒店、辦公樓等場(chǎng)合，充當著(zhù)迎賓、送餐、安保安防、醫療輔助等角色，輔助傳統產(chǎn)業(yè)智能升級。但是，目前消費類(lèi)的服務(wù)機器人應用還比較少，現階段最為成功的消費級服務(wù)機器人就是家庭用的掃地機器人。未來(lái)，隨著(zhù)服務(wù)機器人需求的不斷擴大和服務(wù)機器人技術(shù)的發(fā)展，服務(wù)機器人將會(huì )遍及社會(huì )各個(gè)角落，每個(gè)人都能感受到服務(wù)機器人應用帶來(lái)的便捷。

3.4　深空和深海探測

探索太空對人類(lèi)具有重大的科學(xué)價(jià)值和商業(yè)價(jià)值。各國都爭先恐后地制定探索太空的戰略部署，力爭在太空競爭中占據優(yōu)勢。其中行星探測機器人是著(zhù)陸探測和取回樣品到實(shí)驗室分析的有力工具，有利于提高一個(gè)國家的國防實(shí)力和國際地位^[27~28]。目前各國都在積極研制新型行星探測機器人，具備高級移動(dòng)和越障能力，良好操作能力的更智能自主化的機器人將成為研究的熱點(diǎn)。深海自主水下機器人在幫助人類(lèi)探測深海極端環(huán)境中正發(fā)揮著(zhù)越來(lái)越大的作用。深海自主水下機器人通常具有良好的流體外形，如魚(yú)雷形、立扁形等，減少其航行時(shí)阻力，提高其續航力，同時(shí)可搭載聲學(xué)、光學(xué)和海洋環(huán)境測量載荷，執行多種探測任務(wù)^[29]。自20世紀50年代美國華盛頓大學(xué)研制世界上首臺自主水下機器人以來(lái), 自主水下機器人的發(fā)展經(jīng)歷了60多年的歷程。

20世紀90年代后期, 隨著(zhù)計算機技術(shù)發(fā)展和電子技術(shù)的日益成熟，自主水下機器人進(jìn)入快速發(fā)展階段，一批有影響的自主水下機器人相繼研制成功并得到成功應用^[30]。隨著(zhù)海洋經(jīng)濟的發(fā)展和軍事需求的增加以及水下機器人技術(shù)的日漸成熟，水下機器人將向遠程化、智能化發(fā)展，建立機器人相互間及機器人與人之間的通信與磋商機理，完成群體行為控制、監測與管理及故障診斷，實(shí)現群體作業(yè)。

3.5　無(wú)人駕駛

隨著(zhù)人類(lèi)文明程度的不斷進(jìn)步和科學(xué)技術(shù)水平的不斷發(fā)展，人們對物質(zhì)生活的要求逐漸提升，無(wú)人駕駛車(chē)輛正越來(lái)越多地受到人們的關(guān)注與重視。無(wú)人駕駛車(chē)輛是一種具有自主駕駛行為的車(chē)輛^[31-32]。它在傳統車(chē)輛的基礎上加入了精確定位、環(huán)境感知、高精度地圖、運動(dòng)規劃和行為控制等一系列人工智能模塊，通過(guò)這些模塊來(lái)完成與周?chē)h(huán)境的交互并作出相應決策和動(dòng)作。由于無(wú)人駕駛可預見(jiàn)的對傳統汽車(chē)行業(yè)的重大沖擊和變革，各國和各大公司不惜代價(jià)的研制相關(guān)技術(shù)，力爭占據戰略先機，也必將有力推動(dòng)無(wú)人駕駛技術(shù)的不斷發(fā)展。

4　總結與展望

移動(dòng)機器人在人類(lèi)社會(huì )各個(gè)領(lǐng)域中正日益發(fā)揮著(zhù)越來(lái)越大的作用，也必將在未來(lái)發(fā)揮更大的作用。作為移動(dòng)機器人技術(shù)中的基礎和核心，移動(dòng)機器人自主導航技術(shù)也不斷取得發(fā)展和突破，但仍有巨大的發(fā)展空間。以下是一些對未來(lái)移動(dòng)機器人自主導航技術(shù)發(fā)展的展望。

（1）在挑戰性環(huán)境，如高動(dòng)態(tài)，濃霧等環(huán)境下，目前的移動(dòng)機器人自主導航技術(shù)尚不能很好的解決定位等關(guān)鍵技術(shù)問(wèn)題。未來(lái)，移動(dòng)機器人自主導航技術(shù)將會(huì )朝著(zhù)能夠適用于各種環(huán)境，尤其是復雜多變的挑戰環(huán)境的方向發(fā)展。

（2）目前的自主導航方法大多仍基于傳統方法，未來(lái)移動(dòng)機器人自主導航技術(shù)將能夠利用人工智能領(lǐng)域，比如強化學(xué)習，進(jìn)化學(xué)習等方法來(lái)提高其導航性能和對環(huán)境的適應性。

（3）目前的移動(dòng)機器人技術(shù)大多針對單一機器人，未來(lái)基于群機器人的自主導航方法將更注重決策和多機器人協(xié)調技術(shù)，從而能夠更好地完成任務(wù)。

（4）未來(lái)機器人與人類(lèi)之間的交互將變得越來(lái)越重要，人機共融也將成為移動(dòng)機器人領(lǐng)域的研究重

參考文獻：

[1] Salichs M A, Moreno L. Navigation of mobile robots: open questions[J]. Robotica, 2000, 18 : 227 - 234.

[2] Leonard J, Durrant W H. Mobile robot localization by tracking geometric beacons[J]. IEEE Transcations on Robotics and Automation, 1991 : 376 - 382.

[3] Qi C R, Liu W, Wu C, et al. Frustum point nets for 3d object detection from rgb-d data[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 918 - 927.

[4] W. HessM. Montemerlo, S. Thrun, D. Koller, B. Wegbreit, "FastSLAM: A Factored Solution to the Simultaneous Localization and Mapping Problem"[C]. In the Proceedings of the AAAI National Conference of Artificial Intelligence, Canada, 2002.

[5] D. Kohler, H. Rapp, D. Andor, Real-Time Loop Closure in 2D LIDAR SLAM, in Robotics and Automation (ICRA)[C]. 2016 IEEE International Conference on. IEEE, 2016. pp. 1271 - 1278.

[6] COX I J. Blanche: an experiment in guidance and navigation of an autonomous robot vehicle[C]. IEEE Transactions on Robotics and Automat ion, 1991, 7 ( 2 ): 193 - 204

[7] FOXD, BURGARDW , THRUN S. Markov localization for mobile robot in dynamic environments[C]. Journal of Artificial Intelligence Research, 1999, 11( 1 ) : 391 - 427.

[8] 李群明, 熊蓉, 褚健. 室內自主移動(dòng)機器人定位方法研究綜述[J]. 機器人, 2003, 25 ( 6 ).

[9] P. J. Besl and N. D. McKay. A method for registration of 3-D shapes[C]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 14(2):239 - 256, Feb 1992. 1.

[10] P. Biber and W. Stra.er. The normal distributions trans- form: A new approach to laser scan matching[C]. In Proceed- ings 2003 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), volume 3, pages 2743 -2748, 2003.

[11] Weixin Lu, Yao Zhou, Guowei Wan, Shenhua Hou, Shiyu Song. L3-Net: Towards Learning based LiDAR Localization for Autonomous Driving[J]. In CVPR, 2019.

[12] Cortés J, Jaillet L, Siméon T. Molecular Disassembly With RRT-Like Algorithms. Robotics and Automation[C]. 2007 IEEE International Conference on. IEEE, 2007: 3301 - 3306.

[13] Chong-Hao W U, Ban X J. Research on path-planning of virtual characters in computer animation[J]. Journal of Computer Applications, 2008, 28 ( 2 ) : 315 - 310.

[14] Ma Y, Wang H, Xie Y, et al. Path planning for multiple mobile robots under double-warehouse[J]. Information Sciences, 2014, 278 : 357 - 379.

[15] D. Wooden, M. Egerstedt. Oriented visibility graphs: low-complexity planning in real-time environments[C]. Proceedings 2006 IEEE International Conference on Robotics and Automation, 2006. ICRA 2006., Orlando, FL, 2006, pp. 2354 - 2359.

[16] Y. F. Chen, M. Everett, M. Liu and J. P. How. Socially aware motion planning with deep reinforcement learning, [C]. 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Vancouver, BC, 2017, pp. 1343 - 1350.

[17] Banzhaf, Holger & Sanzenbacher, etc. (2019). Learning to Predict Ego-Vehicle Poses for Sampling-Based Nonholonomic Motion Planning[C]. IEEE Robotics and Automation Letters. PP. 1-1. 10.1109/LRA.2019.2893975.

[18] Zheng Fang, Shichao Yang, etc. Robust Autonomous Flight in Constrained and Visually Degraded Shipboard Environment[J]. Journal of Field Robotics, 34 ( 1 ) : 25 -52, 2017.

[19] Bry, A., Richter, C., Bachrach, A., and Roy, N. Aggressive flight of fixed-wing and quadrotor aircraft in dense indoor environments[J]. The International Journal of Robotics Research, 34 ( 7 ) : 969 - 10, 2015.

[20] F. A. Auat Cheein and R. Carelli. Agricultural Robotics: Unmanned Robotic Service Units in Agricultural Tasks[C]. in IEEE Industrial Electronics Magazine, vol. 7, no. 3, pp. 48 - 58, Sept. 2013.

[21] Bhusal, Santosh & Khanal, Kapil & Karkee, Manoj & Zhang, Qin. Cane Detection and Localization for Automated Cane Management in Red Raspberry Plant[C]. IEEE ICRA, 2018.

[22] C. McCool, T. Perez and B. Upcroft. Mixtures of Lightweight Deep Convolutional Neural Networks: Applied to Agricultural Robotics[C]. in IEEE Robotics and Automation Letters, vol. 2, no. 3, pp. 1344 - 1351, July 2017.

[23] Le, Tuan D, Ponnambalam, Vignesh R, Gjevestad, Jon G. O, From, P.l J,“A low-cost and efficient autonomous row-following robot for food production in poly tunnels”[J]. Field Robotics，1556 - 4959，May 2019.

[24] George A. Bekey. Autonomous Robots: From Biological Inspiration to Implementation and Control[M]. MIT Press, February 2017.

[25] 熊光明,趙濤,龔建偉, 等.服務(wù)機器人發(fā)展綜述及若干問(wèn)題探討[J].機床與液壓,2007,35 ( 3 ) : 212 - 215.

[26] 徐國保,尹怡欣,周美娟.智能移動(dòng)機器人技術(shù)現狀及展望[J].機器人技術(shù)與應用,2007 ( 2 ) : 29 - 34.

[27] 胡中為,王爾康.行星科學(xué)導論[M].南京: 南京大學(xué)出版社,1998.

[28] 劉進(jìn)長(cháng),王全福.發(fā)展機器人技術(shù),占領(lǐng)21世紀的經(jīng)濟技術(shù)制高點(diǎn)[J].中南工業(yè)大學(xué)學(xué)報, 2000 : 10 - 14.

[29] 李碩,劉健,徐會(huì )希,等.我國深海自主水下機器人的研究現狀[J].中國科學(xué):信息科學(xué),2018,48(09) :36 - 48.

[30] Zhang H W, Hao L, Wang Y H, et al. The general design of a seafloor surveying AUV system[J]. In: Proceedings of OCEANS, 2014.

[31] Jesse Levinson, Jake Askeland, Jan Becker, etc. Towards fully autonomous driving: Systems and algorithms[C]. 2011 IEEE Intelligent Vehicles Symposium (IV), 2011

[32] Sebastian Thrun and Michael Montemerlo, etc. Stanley: The Robot that Won the DARPA Grand Challenge[J].Journal of Field Robotics, 23 ( 9 ) : 661 - 692.

作者簡(jiǎn)介：

方正（1981-），男，安徽壽縣人，副教授，博士生導師，工學(xué)博士，現任職于東北大學(xué)機器人科學(xué)與工程學(xué)院，研究方向是自主移動(dòng)機器人、環(huán)境感知、自主導航等。

吳成東（1960-），男，遼寧大連人，教授，博士生導師，工學(xué)博士，現任職于東北大學(xué)機器人科學(xué)與工程學(xué)院，研究方向是計算機視覺(jué)、模式識別等。

摘自《自動(dòng)化博覽》2019年8月刊