3.4　机器人生态应用研究

机器人是近年来发展起来的综合学科，它是综合了控制论、人工智能、生物科学、机械学、仿生学、传感技术、信息处理和计算机等多种学科而形成的高新科技，由于机器人技术的不断发展和成熟，使它的应用领域不断扩大。在国家计划的支持下，我国机器人技术在各个应用领域已取得了令人瞩目的发展和进步。

3.4.1　机器人生态应用发展概述

按照国际标准化组织（International Organization for Standardization，ISO）的定义，机器人是一种可在两个或多个轴中编程、具有一定程度自主性的驱动机械装置，可在其环境中移动，以执行预期的任务。根据功能用途，机器人分为工业机器人和服务机器人。工业机器人是面向工业领域的多关节机械手或多自由度的机器人，可自动执行工作，靠自身动力和控制能力来实现各种功能的一种机器装置。服务机器人是一种半自主或全自主工作的机器人，它能完成有益于人类的服务工作，但不包括从事生产的设备。服务机器人又分为个人/家庭服务机器人和特种服务机器人（专业服务机器人）（ISO 8373，2018）。个人/家庭用服务机器人可分为家政服务机器人、教育娱乐机器人、助老助残机器人、住宅安全机器人等，专业服务机器人可分为军事机器人、农业机器人、医疗机器人、水下作业机器人、抢险救援机器人以及其他特殊用途机器人。机器人分类结构图如图3-15所示。

随着机器人相关技术的不断进步，机器人在生态方面的应用也日趋广泛。由于在生态应用领域作业环境恶劣，工人劳动强度大，机器人的使用可以提高劳动生产率，解决劳动力不足等问题。在野外环境实时监测方面，农林业环境监测机器人系统可在野外复杂的环境下，实时掌握农林业环境的各种参数（胡刚毅等，2013）。在生态灾害防治领域，多足森林消防机器人不仅能有效避免消防员发生危险，还可以及时获取林火现场相关数据，为制定灭火措施和方案提供可靠依据（张楠等，2015）。在植物培育方面，智能辅助植物培育履带式移动机器人能够自动检测土壤电导率、土壤湿度及光照等关键参数并实时显示，自动喷洒浇灌用水和营养液，以达到智能辅助植物生长的功能（张程等，2018）。在沙漠治理方面，沙漠机器人可以代替人类深入沙漠，获取沙漠中沙粒的振动频率、风烛、风向、风力大小及气压等数据，对环境变化规律进行研究，但由于沙漠的环境复杂，这种机器人的研究仍不成熟（周栋，2014）。陆怀民等以内蒙古浑善达克沙漠为样地从理论上计算出自行研制的防风固沙草方格铺设机器人行驶时的切线牵引力和行驶阻力，从而可预测机器人能否在沙漠中行走（陆怀民等，2006）。

针对林业机器人各国开展了大量研究工作，林业机器人有如下特点：①边作业边移动；②林业领域的行走不是连接出发点和终点的最短距离，而是具有狭窄的范围、较长的距离及遍及整个林间表面的特点；③应用环境复杂多变，如风力的影响、道路不平坦或在倾斜地面上作业都须考虑摇摆的问题（王慧等，2010）。林业机器人按工作方式可分为移动机器人（轮式、履带式、混合式和步行式）和林业加工机器人；按应用大致可分为采种机器人、植栽机器人、抚育机器人、采运机器人、林产品精深加工机器人（姜树海，2009）。我国在育苗造林、森林抚育、病虫害防治、森林采伐与运输等领域的机器人技术也取得了飞速发展，已研制成功的机器人包括如下几类：一是林木球果采集机器人（图3-16）。该机器人开创了我国林业机器人研究的先河，解决了人工上树采摘林木球果劳动强度大、作业安全性差、生产率低的问题，可以在较短的林木球果成熟期进行大量采摘工作（陆怀民等，1997）。二是智能伐根清理机器人（图3-17）。在我国原始林区和人工林中很少对伐根进行清理，一般留在采伐地任其腐朽，使用智能伐根清理机器人可清理周围半径8m范围内的伐根，工作效率是人工挖根的50多倍，且地表坑径小，利于造林，减少了采伐迹地水土流失（刘晋浩等，2001）。三是旋切智能定心上木机器人（图3-18）。汤晓华首次尝试在木材加工领域应用机器人技术的开拓性工作，成功地开发了旋切智能定心上木机器人试验台（汤晓华，2002）。四是立木整枝机器人无线电遥控系统（图3-19）。李文彬等在立木整枝技术与设备方面的引进、开发和研究方面做了大量的工作。整枝是林木抚育的重要内容，通过对立木进行整枝，可以促进林木生长、减少节子、改善树干形态、减少病虫害和风雪害（李文彬等，2009）。

3.4.2　机器人相关前沿技术

机器人技术是一门具有高科技技术含量的科学技术，它由仿生理论、机械设计、电子电气、控制等多门学科相互融合而成，相互作用，缺一不可，相关前沿技术包括ROS （Robot Operating System）操作平台技术、驱动技术、控制技术、感知技术、导航技术等（图3-20）。

（1）ROS操作平台技术。ROS是一个面向机器人的开源操作系统，能在不同机器人上复用代码，不仅为机器人开发者提供包括机器人硬件抽象、底层驱动与控制、模块间消息传递等功能，也包含用于获取、编译、编写和跨平台运行程序所需的工具和API接口。ROS本身的优良设计使其兼具了精简与集成、多语言多平台支持、点对点设计以及开源免费等特点，因此可在不同机器人上复用已实现的功能，避免重复劳动。扫地机器人、四轴飞行器、机器小车等，虽然各自的配件、外形或功能等各不相同，但是它们有一个共同点就是均运行在ROS系统框架之上（张鹏等，2018）。

（2）驱动技术。驱动系统是机器人在地面自由行走、轻松跨越障碍物、在水下工作的内驱力，按动力源分为液压、气压和电气三大类。液压驱动系统具有动力大、快速响应高、易于实现直接驱动等特点，适用于大型机器人和大负载，但可能会发生液体泄漏，需要维护。气压驱动系统速度快，系统结构简单，维修方便，价格低，适于在中、小负荷的机器人中采用，但系统噪声较大，在负载作用下会发生变形。电气驱动系统控制性能好，维护简单，适合高精度机器人，但由于电机速度高，通常须采用减速机构。

（3）控制技术。机器人控制系统是机器人的关键技术之一，其功能是接收来自传感器的检测信号，根据操作任务的要求驱动机械臂的各台电动机以完成相关动作。机器人的内部传感器信号被用来反映机械臂关节的实际运动状态，外部传感器信号被用来检测工作环境的变化。早期对机器人的控制采取的是顺序控制形式，随着控制技术与信息技术的发展，目前对机器人的控制则结合了多传感器信息融合、任务级语言、智能行为控制和离线编程等技术。

（4）感知技术。机器人的智能化程度很大程度上依赖于其对外部世界的感知能力及理解能力。从动物的感知机制和运动行为规律中凝练仿生原理，指导智能机器人的设计，是生命科学服务与国家战略目标的重要结合点，该研究将促进智能机器人的设计创新，目标是使机器人具有和动物运动可比拟的环境感知、自主决策和节能高效的运动能力（戴振东，2016）。智能机器人感知的主要信息，分为内部状态和外部环境两个部分。内感知是指感知智能机器人内部的静、动力，运动和位姿等状态信息，例如关节力矩、角度、速度、加速度的测量。外感知，又称机器人感觉，是指机器人系统对所处的外部环境信息的感知，包括视觉、听觉、触觉、嗅觉、滑觉、力觉、热觉等。感知技术主要包括机器视觉、声源定位、语音识别和嗅觉感知技术。

（5）导航技术。机器人导航的目的是让机器人具备从当前位置移动到环境中某一目标位置的能力，并且在此过程中能够保证机器人自身和周围环境的安全性。机器人导航的基本任务主要有：一是地图构建功能。感知、收集、处理环境信息，获取外部世界环境在机器人内部的模型表示。二是定位功能。通过对周围的环境进行感知，识别环境特征，并根据已有的环境模型确定其在环境中的位置。三是规划控制功能。根据环境信息规划出可行的路径，并根据规划结果驱动执行机构来执行控制指令直至到达目标位置。机器人导航首先需要建立其环境模型，环境模型的表示和输出依赖于地图构建模块，而地图构建问题又依赖于机器人定位。目前机器人的定位技术根据获取的环境信息种类对位置计算方法的不同，可以将机器人定位分为绝对定位和相对定位两大类。其中相对定位主要通过机器人的内部传感器获取数据，常用的有里程计和惯性传感器等，通过感知机器人本体的速度、加速度和方位角等自身运动状态信息推算出机器人的相对位置信息。绝对定位主要通过机器人的外部传感器获取机器人周围的环境信息，如距离等，从而计算机器人的绝对位置信息。

3.4.3　机器人生态应用关键技术

经过多年的研制、生产和应用，中国机器人产业从无到有，跨出了一大步。特别是经过“八五”“九五”科技攻关，我国基本掌握了机器人的设计制造技术、控制系统硬件和软件设计技术等，并进入实用化阶段。

（1）智能控制技术。智能控制是由人工智能和控制论相结合而诞生的一种控制方法。智能控制系统具有学习、记忆和大范围的自适应和自组织能力，能及时适应不断变化的环境，并能有效处理各种信息，以安全可靠的方式进行规划、生产和执行控制动作而达到预定目标和良好的性能指标（辛斌等，2013）。按智能控制的类型分类，智能控制包括模糊控制、神经网络控制、专家控制、分层递阶控制、学习控制、仿人智能控制等。在实际应用中通常融合几种智能控制方法，或将智能控制和传统控制相结合，比较常见的主要有模糊智能控制法以及专家智能控制法。其中，模糊智能控制法主要是指将知识库与模糊模式推理机和输出量模块进行组合的一种方法，专家智能控制法是指将智能控制系统与传统的控制理论进行融合的一种方法（李航等，2005）。在机器人行动控制领域，陈杰提出了基于模糊神经网络的移动机器人自适应控制方法，通过整合应用模糊小脑神经网络和鲁棒自适应控制方法，实现对移动机器人系统的准确跟踪控制（陈杰，2015）。徐连伟等设计了消防机器人的行走控制方案，通过设计电机驱动系统的硬件电路与针对行走控制系统进行MATLAB模拟仿真，实现并优化了消防机器人的越障及转弯功能（徐连伟等，2017）。在仿人智能控制领域，任天麟设计了一款基于武术飞脚动作的腿部可伸缩机器人，采用电机驱动和舵机控制的方式，通过调整舵机的角度变化，成功实现了采摘机器人的腿部的伸缩功能，该机器人满足了不同高度采摘作业的需求，为新型类人仿生采摘机器人的设计提供了技术支持（任天麟，2018）。

随着未来人工智能研究不断取得新的进展，智能控制的方法会不断增多，应用范围也会不断扩大。目前脑科学与类脑智能已成为世界各国研究和角逐的热点，类脑智能能够智能化获取信息、智能信息处理与通信、智能人机交互，通过模仿及与环境的交互进行动作和规划，具有自主学习能力，提高控制系统的智能化。由于智能控制在机器人应用中存在的局限，如何通过优化与协调控制系统各环节以实现复杂系统的优化控制，以及如何利用不同智能方法的优点建立混合智能优化控制将会成为机器人智能控制的研究方向。

（2）基于视觉的同时定位与地图构建。生态应用机器人面临着更为复杂的工作环境和处理对象等问题，需要更为有效的视觉系统和信息处理方式与之匹配。例如，消防机器人的一个核心问题是运动过程的导航控制，主要涉及3个问题：现在在何处、要往哪里去、如何到该处。对于消防机器人来说，需要在作业过程中通过传感器识别周围的环境信息，自主规划移动路径，准确探寻火源位置，并实现与控制中心的实时通信（张楠等，2015）。

为了实现智能化，研发人员提出了机器人视觉系统，即将计算机视觉、机器人控制系统和机械系统相结合。目前基于视觉的自主导航与路径规划成为自主移动机器人的关键技术和研究热点。利用立体视觉获得周围环境的深度距离信息，并完成同时定位与地图构建，这种导航方式具有信息量大、灵活性高、成本低等优点。相比于传统的激光测距仪、高精度的惯性导航系统和全球定位系统，相机的成本低廉、功耗低，并且能够提供鲁棒精准的位置识别信息。无论是在嘈杂的室内、高楼林立的街区，还是在植被茂密的森林、地形复杂的河流峡谷，基于视觉的同时定位与地图构建（Visual Simultaneous Localization And Mapping，VSLAM）都能使机器人进行定位和地图构建。VSLAM系统一般包含前端视觉里程计、后端优化、回环检测和建图4个主要部分。前端的视觉里程计根据获取的图像信息，估计出相机运动，给后端优化提供较好的初始值；后端则解决地图的优化问题，根据前端提供的数值，得到全局的最优估计，后端优化的时机和范围以及如何兼顾实时性是当前研究的热点问题（陈常等，2018）；回环检测可以判断机器人是否曾经到达过当前位置，保证地图的闭合与连贯性；最后根据估计的轨迹，建立与任务要求相对应的地图。随着算法的不断改进和处理器性能的不断提升，VSLAM系统的精度也不断提升，获得的图像信息会在更多智能化功能上发挥作用。然而，VSLAM最大的局限在于过于依赖场景特征，缓解特征依赖、稠密三维重建、多传感器融合等实际问题尚待进一步研究解决。

（3）目标跟踪技术。目标跟踪技术是机器人视觉领域的一个重要研究分支，它融合了图像处理、模式识别、人工智能及自动控制等多学科最新研究成果，主要利用视频分析方法对视频输入图像序列进行连续分析，来实现运动目标的自动检测、定位和跟踪，为高层视频对目标的行为理解和决策提供底层对象和分析依据。在生态保护领域，胡江龙将视频检测跟踪技术与生物水质监测技术相结合，设计实现了一种基于视频的活鱼水质监测系统，实现生物式水质的综合监测和水污染的早期预警（胡江龙，2011）。目标跟踪技术还应用在野生动物检测及跟踪领域，近年来研究学者开始尝试利用视频记录的方式来对动物行为进行调查研究，通过使用能够对视频记录进行自动检测和跟踪的分析方法，将动物学家或研究人员所需要的定量指标精确地从动物活动视频序列中提取出来，可以节省研究人员或者动物学家的时间、精力，提高调查研究效率，野生动物的追踪研究对保护野生动物具有极其重要的作用（陈海燕，2016）。

近年来，随着深度学习在多个领域取得巨大突破，许多学者开始将深度学习模型引入到目标跟踪中，并在一系列数据评测集上获得了优于传统方法的性能。刘帆等采用TensorFlow软件平台设计的深度学习模型框架结构，对VOT2015数据集中的数据进行目标跟踪实验，该模型具有较高的计算效率和识别精度，并可便捷地调整网络结构，很好地完成视频目标识别跟踪任务（刘帆等，2017）。李克靖等提出一种基于深度学习的目标跟踪算法，该算法利用深度学习中深度置信网络的方法，根据输入图像标记信息，得到图像的分布式特征，训练得到一个分类器对各帧图像中的像素进行分类，进而得到一个二值图像作为目标分布图，然后计算出目标质心位置，算法可以很好地应对光照变化、目标旋转、遮挡等多种复杂环境，实现对目标的稳定跟踪（李克靖等，2018）。在机器人目标跟踪领域，杜学丹等提出了一种基于深度神经网络的机械臂最优抓取位置检测方法，相比传统手工设定的特征，基于深度神经网络的方法学习得到的特征具有较强的鲁棒性和稳定性，能够适应训练集中未曾出现的新物体（杜学丹等，2017）。

我国地形条件和作业环境十分复杂，机器人在自然环境下作业应具有良好的跃障性、通过性和自主性，因此生态建设机器人的未来研究方向需要从保护环境和适应环境出发，研究开发高性能的轻型机器人；采用人工智能技术，研究开发自主作业机器人。随着中国逐渐失去廉价劳动力的优势，以及从事体力劳动的生产人员持续减少等问题的出现，智能机器人在生态中的应用将极大缓解上述问题。今后对智能机器人的研究将不局限于其可移动性和可操作性，而是更注重其自主性，即自动化、智能化。智能机器人的生态应用价值已日益显现，必将成为未来生态领域中的重要研究课题，且具有广阔的应用前景。