让机器人完成自主定位导航到底有多难？

CCF-GAIR全球人工智能与机器人峰会的第二天，迎来了思岚科技CEO陈士凯的主题演讲，他聚焦于探讨自主定位导航技术的现状和未来应用趋势。这场引人入胜的演讲被雷锋网精心整理并呈现出来。

陈士凯首先探讨了什么是SLAM。最近一两年里，“SLAM”这个词已被越来越多的人所熟知。SLAM不仅是思岚公司的音译，更代表着同步定位与建图的技术，能同时进行自主定位和地图构图。陈士凯强调，SLAM的本质并非简单的定位和导航，它在模型上确保了机器人在完成定位和建图时没有任何误差。他还指出，要想实现机器人的自主定位导航，还需要解决路径规划和运动控制的问题。路径规划中最常用的算法是A STAR，广泛应用于多个行业，包括即时战略游戏。随机探测速的方式也在实际应用中展现出高效性。至于运动控制，重点在于避障和动态窗口化技术。机器人在运行时还会受到一些看似次要但实际至关重要的技术影响，如自主充电对接过程等。

接下来，陈士凯介绍了服务机器人的应用情况。家庭场景下的应用主要关注零配置解决方案，要求机器人产品能够轻松上手。而在商业场景中，则强调预先配置过程的高可靠性和可扩展性。他还指出了家庭场景导航定位系统所面临的挑战，包括功耗、体积和成本问题。思岚科技在解决这些问题方面取得了一些进展，如通过算法优化和集成来降低功耗和提高效率。他们成功开发了一种基于激光雷达和导航定位系统的开源参考平台，实现了低功耗的自主定位导航功能。他们还推出了一款具有长时间待机功能的机器人产品，解决了商业场景中机器人使用时长的问题。

陈士凯的演讲不仅展现了自主定位导航技术的最新进展和应用前景，还通过实际案例说明了如何解决机器人领域的实际问题。这场演讲为观众带来了一场技术盛宴，也激发了人们对于人工智能和机器人领域的兴趣和期待。在实际场景中，家用机器人的使用一直强调零配置体验。对于机器人的导航定位问题，刚开机时它对家庭环境一无所知。之前提及的路径规划算法都需要预先绘制地图。

这时，存在一个矛盾点：我们希望机器人在未知环境中自主工作，但大多数主流算法仍需要预先构建或探索环境。为解决这一问题，SLAMWARE系统支持一种路径规划系统，使机器人在地图完全或部分未知的情况下也能行动。这就像在玩《星际争霸》，机器人可以从基本的路径规划开始，随着探索逐步细化路径。自主环境探索和地图构建是导航定位扫地机器人的标配功能，因为必须先探索并框定清扫区域。

除了技术难题，消费级机器人还面临心理学问题——地图如何呈现。新技术的使用往往会导致成本上升，而用户对于地图的呈现效果有很高的心理期待。如果机器人具备激光导航和地图构建能力，用户往往希望看到机器人实际绘制的地图。SLAM系统生成的地图可能并不完美，这会在用户心中产生疑虑，怀疑产品是否物有所值。

商用场景下的导航定位应用与消费者场景完全不同。机器人在商场或商家正式工作前会有预部署环节，通常由厂家、代理商或集成商协助完成地图构建，并有充足的机会对地图进行修改。例如设置POI（兴趣点标注），帮助机器人理解地图中的具体物体如餐桌、入口等。为了增强用户的安全感，还可以在地图上进行额外标注或设置区域。

完成预部署后，日常运营相对简单，使用已知道的地图和预定的定位导航算法以及商家开发的业务逻辑。但当环境发生大的变化如重新装修时，需要重新构建或标注地图。商用场景下的导航系统面临一些挑战，如大地图问题和全局定位问题。针对这些问题，除了配备强大的硬件和优化软件和算法外，还可以考虑使用多传感器融合等技术手段。为了解决激光雷达的问题，可以融入更多传感器。随着技术的发展，我们期待机器人能在各种复杂环境下都能展现出强大的导航定位能力。沙龙中的机器人送餐场景背后，展现的是机器人技术的前沿探索。在纯粹的激光雷达主导下，机器人无法感知人类的接近并做出相应反应，这正是多传感器融合技术的魅力所在。想象一下，一个完美的导航定位系统，不仅仅依赖于单一的激光雷达信号，而是结合了视觉传感器和超声波等多维度感知手段。这样的系统，在学术和算法层面虽然并非难事，但在工业应用中却面临诸多挑战。例如，由于超声波传感器的非标性质，不同深度视觉传感器的安装位置差异以及规格不统一等问题，如何将这些传感器以统一标准化的接口整合在一起，让机器人更好地感知周围环境是一个不小的难题。这使得实际应用变得相当复杂和具有挑战性。

定位导航技术的开发便利性

除了成本形态外，开发便利性也是制约机器人导航定位技术应用的一大瓶颈。我们深知，机器人产业不仅仅依赖于硬件和机械的发展，软件的辅助和算法优化同样至关重要。想象一下，通过软件的额外辅助和优化算法，这些机器人能够拥有更多功能。例如，我们之前提到的POI能力、多图层地图支持等开发调试需求，如何在日常使用中真正帮助开发者？这其中涉及到一些具体的方法，如地图标注可以通过虚拟墙和虚拟轨道等软件的辅助手段实现。在这个过程中，软件算法内部会采用蒙特·卡罗算法等经典算法，使得多图层可以在远端进行观测。POI则是通过软件方式自动将现有的SLAM地图转化为POI设备。这些技术在实际应用中为开发者提供了极大的便利。

当我们探讨V SLAM和LIDAR SLAM谁更重要时，实际上是在探讨二者的融合潜力。这两种技术各有优缺点。传统激光雷达的昂贵和在某些环境下的不灵活性限制了其应用。而V SLAM技术在昏暗环境下则无法正常工作。当我们将这两种SLAM技术结合，配合目前低成本的传感器时，这种融合式的SLAM方式将成为未来的重要趋势。通过提取语义信息并配合视觉激光技术，我们可以在地图上主动进行标记，从而避免繁琐的人工POI标注过程。随着深度学习的兴起，这一技术将使得机器人通过摄像头数据直接接收信号输入，并通过神经网络产生控制信号。这意味着SLAM过程和路径规划都可以通过深度学习来实现。尽管这一技术在短期内可能无法广泛应用于实际产品，但其未来的发展趋势无疑是巨大的。与此我们需要继续吸取不同技术的长处并进行融合，这是一个不会改变的事实。在机器人为我们服务的沙龙中、在机器人灵活送餐的背后，我们看到的是技术的融合与创新的无尽可能性的完美结合。