江 濤,楊觀賜,李 楊

(貴州大學(xué)現(xiàn)代制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，貴陽 550025)

0 引言

當(dāng)前，移動(dòng)機(jī)器人已經(jīng)在工業(yè)生產(chǎn)、物流搬運(yùn)和家庭服務(wù)等領(lǐng)域中扮演重要角色[1]。服務(wù)機(jī)器人作為移動(dòng)機(jī)器人重要組成部分，通常工作于以人為中心的復(fù)雜環(huán)境中，這為服務(wù)機(jī)器人實(shí)現(xiàn)人機(jī)交互能力的提升帶來了挑戰(zhàn)，因此如何幫助服務(wù)機(jī)器人理解環(huán)境，在人類環(huán)境中達(dá)到良好的工作狀態(tài)是一個(gè)值得研究的問題。

針對(duì)服務(wù)機(jī)器人要求實(shí)時(shí)性以及智能化導(dǎo)航的特點(diǎn)，文獻(xiàn)[2-4]基于語義地圖提出了一種解決方案，其利用SLAM(simultaneous localization and mapping)技術(shù)建模三維點(diǎn)云空間環(huán)境，緩解了實(shí)時(shí)性以及智能化導(dǎo)航的問題。但由于其系統(tǒng)模型對(duì)算力要求高，實(shí)時(shí)性要求難以得到保證，難以實(shí)現(xiàn)機(jī)器人的實(shí)時(shí)導(dǎo)航。針對(duì)現(xiàn)有機(jī)器人語義地圖構(gòu)建方法硬件要求高、可移植性差和不利于人機(jī)交互等問題，SUNDERHAUF等[5]探索了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的場(chǎng)所識(shí)別和語義地圖方法，其能夠識(shí)別廚房、辦公室、走廊等多個(gè)室內(nèi)場(chǎng)所。但該方法對(duì)場(chǎng)景識(shí)別不夠準(zhǔn)確，導(dǎo)致一些錯(cuò)誤的語義映射結(jié)果。胡美玉等[6]提出了一種基于深度學(xué)習(xí)技術(shù)的移動(dòng)機(jī)器人實(shí)時(shí)語義地圖構(gòu)建方法，但這種方法所建立的語義地圖每個(gè)物體之間缺少關(guān)聯(lián)性，無法滿足機(jī)器人以人的習(xí)慣進(jìn)行實(shí)體搜索要求。CRESPO等[7]提出了一種在室內(nèi)環(huán)境中的語義導(dǎo)航，提出本體和包含在關(guān)系數(shù)據(jù)庫(kù)中的環(huán)境信息的設(shè)想，但其沒有明確定義房間和物體之間的關(guān)系。YANG等[8]提出了一種在家庭環(huán)境下能夠迅速重定位且節(jié)約了字典存放機(jī)制的問題，但其只是在SLAM性能上優(yōu)化了算法，并不具備使服務(wù)機(jī)器人完成語義導(dǎo)航與實(shí)體搜索能力。

以上研究在一定程度上能夠增強(qiáng)服務(wù)機(jī)器人的導(dǎo)航能力，但都不足以解決家庭服務(wù)機(jī)器人在導(dǎo)航系統(tǒng)中導(dǎo)航交互與實(shí)體搜索能力不足的問題?；诖?，本文設(shè)計(jì)了一種面向語義導(dǎo)航的實(shí)體語義知識(shí)庫(kù)，提出一種融合視覺信息的語義導(dǎo)航實(shí)體搜索算法，以使服務(wù)機(jī)器人具有高水平的環(huán)境感知和行為推理性能。

1 基于Places205-AlexNet的場(chǎng)景自適應(yīng)語義地圖構(gòu)建

為使機(jī)器人理解其周圍環(huán)境，提高機(jī)器人對(duì)場(chǎng)景標(biāo)注的靈活性，本文通過檢測(cè)室內(nèi)空間物體以達(dá)到室內(nèi)場(chǎng)景識(shí)別目的。首先，基于Places205-AlexNet對(duì)每幅圖像進(jìn)行分類，該網(wǎng)絡(luò)模型專門針對(duì)地點(diǎn)識(shí)別任務(wù)訓(xùn)練[9-10]。將機(jī)器人場(chǎng)景識(shí)別后得到的場(chǎng)景信息映射到激光SLAM構(gòu)建的地圖后形成場(chǎng)景語義地圖，如圖1所示。室內(nèi)家庭環(huán)境場(chǎng)景自適應(yīng)語義地圖構(gòu)建步驟為：

步驟1：加載激光SLAM構(gòu)建的柵格地圖，判斷系統(tǒng)中是否存在該場(chǎng)景的語義地圖，即地圖中是否有場(chǎng)景標(biāo)記，若存在，跳轉(zhuǎn)到步驟5，反之跳轉(zhuǎn)到步驟2；

步驟2：基于Places205-AlexNet對(duì)每幅圖像進(jìn)行場(chǎng)景識(shí)別，得出分類結(jié)果；

步驟3：機(jī)器人利用激光SLAM數(shù)據(jù)獲取在柵格地圖中自身的位置坐標(biāo)，利用遞歸貝葉斯濾波更新地圖單元格中的語義類概率；

步驟4：將場(chǎng)景識(shí)別結(jié)果映射到柵格地圖，得到具有場(chǎng)景語義信息的語義地圖；

步驟5：保存帶有場(chǎng)景信息的語義地圖，得到如圖1的室內(nèi)家居環(huán)境場(chǎng)景語義地圖。

在步驟3中，機(jī)器人獲得場(chǎng)景識(shí)別結(jié)果后，機(jī)器人利用激光SLAM估計(jì)自身的坐標(biāo)，并將激光掃描到的房間區(qū)域內(nèi)的地圖單元格用場(chǎng)景標(biāo)簽標(biāo)記。

圖1 室內(nèi)家居環(huán)境語義地圖

2 實(shí)體在語義地圖上的位置映射方法

2.1 基于YOLO v3的實(shí)體語義信息獲取方法

為使服務(wù)機(jī)器人具備室內(nèi)物體識(shí)別能力，本文基于Yolo v3預(yù)測(cè)室內(nèi)環(huán)境中的物體并計(jì)算每個(gè)邊界框中的tx、ty、ph、pw坐標(biāo)，提取邊界框內(nèi)像素以計(jì)算物體空間位置[11]。

圖2 使用維度先驗(yàn)和位置預(yù)測(cè)的邊界框

如圖2所示是本文所用被檢測(cè)對(duì)象的邊界框，邊框的輸出通過4個(gè)坐標(biāo)表示，[tx,ty]為邊框的左上角坐標(biāo),邊框的寬度和高度分別記為tw和th。記單元格與圖像左上角的偏移量為(cx,cy)，且邊界框先驗(yàn)的寬度和高度為pw和ph，預(yù)測(cè)值為:

bx=σ(tx)+cx

(1)

by=σ(ty)+cx

(2)

bw=pwetw

(3)

bh=pheth

(4)

本文使用均方誤差函數(shù)來計(jì)算目標(biāo)矩陣與預(yù)測(cè)矩陣的損失，從而有效的訓(xùn)練模型。將訓(xùn)練好的模型部署在服務(wù)機(jī)器人平臺(tái)，并對(duì)模型檢測(cè)出的物體進(jìn)行位置計(jì)算，使服務(wù)機(jī)器人平臺(tái)具有目標(biāo)檢測(cè)及目標(biāo)定位的能力。

2.2 實(shí)體空間位姿計(jì)算

提取YOLO v3計(jì)算出的物體檢測(cè)框坐標(biāo)xmin、ymin、xmax、ymax內(nèi)的像素點(diǎn)計(jì)算物體空間位置，其中(xmin,ymin) 為測(cè)框的左下角坐標(biāo)，(xmax,ymax)為測(cè)框的右上角坐標(biāo)。本文選取檢測(cè)框中點(diǎn)進(jìn)行計(jì)算，檢測(cè)框中點(diǎn)的計(jì)算公式如下：

(5)

(6)

通過Kinect相機(jī)獲取圖像的深度值，然后根據(jù)像素來匹配點(diǎn)云，進(jìn)而得到物體相機(jī)坐標(biāo)系下的Xc、Yc、Zc，計(jì)算公式如下：

Xc=(u-cx)·z/fx

(7)

Yc=(v-cy)·z/fy

(8)

Zc=d/cf

(9)

式中，(u,v)表示圖像像素坐標(biāo)；d為某點(diǎn)的深度值；fx、fy分別為相機(jī)在x軸和y軸上的焦距，cf=1000。此時(shí)我們得到的是物體在相機(jī)坐標(biāo)系下的坐標(biāo)，要得到物體在機(jī)器人坐標(biāo)系下的坐標(biāo)需要進(jìn)行如下轉(zhuǎn)換：

(10)

3 融合視覺信息的語義導(dǎo)航實(shí)體搜索算法

3.1 面向語義導(dǎo)航的實(shí)體語義知識(shí)庫(kù)構(gòu)建方法

針對(duì)家庭服務(wù)機(jī)器人在語義導(dǎo)航系統(tǒng)中導(dǎo)航交互與實(shí)體搜索能力不足的問題，提出一種面向語義導(dǎo)航的實(shí)體語義知識(shí)庫(kù)構(gòu)建方法。該知識(shí)庫(kù)允許服務(wù)機(jī)器人在執(zhí)行語義導(dǎo)航的任何環(huán)境中管理并查詢相關(guān)語義信息，以提供一種簡(jiǎn)單概念和語義環(huán)境之間快速切換方法。

為方便后文理解，我們做出如下定義，flag符號(hào)為移動(dòng)標(biāo)記，若物體移動(dòng)，則flag=1，反之為0。在機(jī)器人地圖坐標(biāo)系下，用Pc(x,y,z)表示物體在機(jī)器人坐標(biāo)系下的位置。依據(jù)本文所搭建的家庭環(huán)境，我們將家庭環(huán)境分為以下場(chǎng)景：E1：辦公室；E2：臥室；E3：廚房；E4：客廳；E5：書房。各實(shí)驗(yàn)場(chǎng)景實(shí)驗(yàn)物體見表1。

表1 實(shí)驗(yàn)場(chǎng)景實(shí)體列表

在實(shí)際工作環(huán)境下，物體相對(duì)于場(chǎng)景的位置經(jīng)常會(huì)發(fā)生改變。為解決這一問題，我們依據(jù)物體與場(chǎng)景之間的邏輯與空間關(guān)系，定義了服務(wù)機(jī)器人在尋找相關(guān)物體時(shí)的場(chǎng)景優(yōu)先級(jí)，以便于服務(wù)機(jī)器人能夠高效率的尋找到相關(guān)物體，從而提高服務(wù)機(jī)器人在家居環(huán)境下的快速定位導(dǎo)航能力與目標(biāo)搜索準(zhǔn)確率?；诖?，機(jī)器人語義地圖中物體語義信息的關(guān)系表如表2所示，是服務(wù)機(jī)器人基于場(chǎng)景優(yōu)先級(jí)規(guī)則做出的部分路徑規(guī)劃。

表2 機(jī)器人語義表

如表2序號(hào)1，機(jī)器人所處位置為R1，而物體d1(長(zhǎng)桌)依據(jù)路徑優(yōu)先級(jí)關(guān)系推斷為屬于場(chǎng)景E1(辦公室)，機(jī)器人讀取物體在E1場(chǎng)景中的坐標(biāo)位置P1(x,y,z)，再依據(jù)物體位置規(guī)劃路徑為R1→E1。序號(hào)2與序號(hào)1類似。物體c3(水杯)所處位置為場(chǎng)景E3(廚房)，依據(jù)語義知識(shí)庫(kù)先驗(yàn)知識(shí)，機(jī)器人能夠依據(jù)路徑優(yōu)先級(jí)關(guān)系推斷c3屬于E3場(chǎng)景，由此讀取E3場(chǎng)景中的物體位置P3(x,y,z)，再依據(jù)物體位置規(guī)劃路徑為R3→E3，此時(shí)若水杯被移動(dòng)過(不在E3場(chǎng)景)，機(jī)器人則按照R3→E3→E5→E4→E2→E1的路徑優(yōu)先級(jí)尋找水杯。序號(hào)4與序號(hào)3類似，臺(tái)燈通常不會(huì)出現(xiàn)在廚房，所以機(jī)器人在尋找臺(tái)燈時(shí)不會(huì)前往場(chǎng)景E3的搜索，避免在沒有可能的場(chǎng)景尋找物體。其中Rc為機(jī)器人在接收指令時(shí)所處的地圖坐標(biāo)系下的位置。

3.2 融合語義知識(shí)庫(kù)的語義導(dǎo)航實(shí)體動(dòng)態(tài)搜索算法

面向語義導(dǎo)航的實(shí)體語義知識(shí)庫(kù)為機(jī)器人在語義導(dǎo)航時(shí)提供快速查詢并管理相關(guān)語義信息的功能，在進(jìn)行實(shí)體搜索任務(wù)時(shí)，讀取知識(shí)庫(kù)中的內(nèi)容并分析，提取環(huán)境中實(shí)體的相關(guān)信息，可推斷出物體移動(dòng)情況下可能出現(xiàn)的場(chǎng)景，從而完成實(shí)體動(dòng)態(tài)搜索過程。例如，機(jī)器人接收到 “尋找水杯”命令的實(shí)體動(dòng)態(tài)搜索算法具體步驟為：

輸入：語義地圖Maps、語義知識(shí)庫(kù)Ks；輸出：搜索結(jié)果Research。

步驟1：查看flag值，根據(jù)flag的值決定尋找水杯的路徑，若flag=0，機(jī)器人認(rèn)為在構(gòu)建語義地圖后水杯位置沒有發(fā)生變化，轉(zhuǎn)到步驟2，若flag=1，機(jī)器人認(rèn)為水杯位置在語義地圖構(gòu)建之后改變，轉(zhuǎn)到步驟3；

步驟2：讀取語義知識(shí)庫(kù)中存儲(chǔ)的水杯默認(rèn)位置P3(x,y,z)，導(dǎo)航到場(chǎng)景E3尋找水杯，此時(shí)導(dǎo)航路徑為：R3→E3，若找到水杯，則跳轉(zhuǎn)到步驟4，反之，跳轉(zhuǎn)到步驟3；

步驟3：由語義知識(shí)庫(kù)路徑優(yōu)先級(jí)得到可能出現(xiàn)水杯的場(chǎng)景中，場(chǎng)景E*優(yōu)先級(jí)最高(E*為語義知識(shí)庫(kù)中場(chǎng)景路勁優(yōu)先級(jí)列表)，于是導(dǎo)航路徑為：R3→E*，若找到水杯，則跳轉(zhuǎn)到步驟4，若沒有找到，則重復(fù)步驟3，直到所有區(qū)域都搜索完成；

步驟4：令語義知識(shí)庫(kù)中flag=1，返回搜索結(jié)果Research，結(jié)束尋找。

上述語義導(dǎo)航實(shí)體動(dòng)態(tài)搜索算法在服務(wù)機(jī)器人執(zhí)行語義導(dǎo)航任務(wù)時(shí)，可幫助機(jī)器人根據(jù)語義知識(shí)庫(kù)先驗(yàn)知識(shí)，快速定位導(dǎo)航目標(biāo)。

4 語義導(dǎo)航系統(tǒng)測(cè)試與分析

4.1 家庭服務(wù)機(jī)器人平臺(tái)

為測(cè)試本文系統(tǒng)的魯棒性與準(zhǔn)確性，搭建了家庭服務(wù)機(jī)器人平臺(tái)[13-15]。將上文所提融合視覺信息的語義導(dǎo)航實(shí)體搜索算法集成于服務(wù)機(jī)器人平臺(tái)，形成家庭服務(wù)機(jī)器人語義導(dǎo)航實(shí)體搜索系統(tǒng)。系統(tǒng)以EAI dashgo B1作為機(jī)器人移動(dòng)底盤，搭載Inter NUC微型計(jì)算機(jī)作為機(jī)器人上位機(jī)，處理來自麥克風(fēng)陣列和相機(jī)的數(shù)據(jù)，并進(jìn)行上層調(diào)度規(guī)劃。服務(wù)機(jī)器人平臺(tái)以Kinect v2深度相機(jī)作為室內(nèi)場(chǎng)景識(shí)別和目標(biāo)檢測(cè)的視覺傳感器，麥克風(fēng)陣列獲取人發(fā)出的語音指令并轉(zhuǎn)換為文本信息，并配備了16英寸工業(yè)觸摸屏，用于人機(jī)交互，系統(tǒng)整體框架如圖3所示。

圖3 系統(tǒng)整體框架圖

硬件層由傳感器和執(zhí)行部件組成，為MAT平臺(tái)提供環(huán)境數(shù)據(jù)以及執(zhí)行相應(yīng)操作；控制系統(tǒng)層為MAT平臺(tái)數(shù)據(jù)處理和算法處理中心，為人機(jī)交互層提供軟件支持；交互層提供目標(biāo)識(shí)別、語音識(shí)別、語義地圖構(gòu)建和語義導(dǎo)航功能。

4.2 實(shí)驗(yàn)設(shè)計(jì)與測(cè)試

為測(cè)試系統(tǒng)魯棒性與準(zhǔn)確性，本文模擬一般情況下的家庭環(huán)境。由于實(shí)驗(yàn)環(huán)境限制，本文在場(chǎng)景E3中擺放虛擬冰箱。實(shí)驗(yàn)場(chǎng)景以及場(chǎng)景所包含的實(shí)驗(yàn)實(shí)體如表1所示，實(shí)驗(yàn)?zāi)M家庭環(huán)境圖如圖4所示，并進(jìn)行如下實(shí)驗(yàn)設(shè)計(jì)。

實(shí)驗(yàn)1為驗(yàn)證本文系統(tǒng)場(chǎng)景定位系統(tǒng)收到指令后對(duì)目標(biāo)場(chǎng)景定位結(jié)果的正確性，本文設(shè)計(jì)了場(chǎng)景定位實(shí)驗(yàn)從定位正確率方面驗(yàn)證系統(tǒng)的有效性，如表3所示。

實(shí)驗(yàn)2為驗(yàn)證系統(tǒng)的單個(gè)物體識(shí)別準(zhǔn)確率，本實(shí)驗(yàn)將測(cè)試在E1～E5場(chǎng)景下單個(gè)物體的識(shí)別準(zhǔn)確率，如表4所示。

實(shí)驗(yàn)3為驗(yàn)證系統(tǒng)識(shí)別單個(gè)物體的魯棒性與有效性，實(shí)驗(yàn)測(cè)試在E1場(chǎng)景下多個(gè)物體的識(shí)別準(zhǔn)確率，具體為在E1場(chǎng)景下，(1)桌子與打印機(jī)同時(shí)存在；(2)桌子與電腦同時(shí)存在；(3)桌子、電腦與打印機(jī)同時(shí)存在，如表5所示。

實(shí)驗(yàn)4為檢測(cè)系統(tǒng)在全場(chǎng)景下的識(shí)別準(zhǔn)確率與魯棒性，本實(shí)驗(yàn)設(shè)計(jì)如下，(1)搜索未移動(dòng)情況下的實(shí)體，如表6所示；(2)搜索移動(dòng)情況下的實(shí)體兩種情況，如表7所示。

圖4 實(shí)驗(yàn)?zāi)M家庭環(huán)境圖

4.3 實(shí)驗(yàn)結(jié)果與分析

綜上所述，我們進(jìn)行了相關(guān)實(shí)驗(yàn)以分析本文系統(tǒng)的有效性，為直觀展示本文實(shí)驗(yàn)效果，本文在獲取實(shí)驗(yàn)數(shù)據(jù)的情況下還進(jìn)行了可視化分析以幫助我們動(dòng)態(tài)的調(diào)整本文參數(shù)，目標(biāo)場(chǎng)景定位結(jié)果及可視化效果如圖5所示，實(shí)體未移動(dòng)情況下語義目標(biāo)搜索及實(shí)體移動(dòng)情況下語義目標(biāo)搜索可視化效果圖如圖6、圖7所示。

表3統(tǒng)計(jì)了目標(biāo)場(chǎng)景定位結(jié)果的正確率，整體而言，系統(tǒng)的整體識(shí)別率均在0.80以上，這表明所提出的場(chǎng)景自適應(yīng)語義地圖構(gòu)建方法能夠有效地識(shí)別家庭環(huán)境，見圖5。其次，本文在E1～E5場(chǎng)景的錯(cuò)誤識(shí)別率分別為0.00、0.20、0.15、0.20與0.05，由此可見本文算法在E1場(chǎng)景能夠保持較高的識(shí)別率，但與此同時(shí)本文對(duì)E2和E4場(chǎng)景的識(shí)別準(zhǔn)確率較低，這體現(xiàn)了本文算法對(duì)于E2和E4場(chǎng)景的識(shí)別不夠敏感，在后續(xù)的改進(jìn)版本中應(yīng)加強(qiáng)對(duì)E2和E4場(chǎng)景的數(shù)據(jù)采集，從而提高系統(tǒng)的識(shí)別準(zhǔn)確率。

圖5 目標(biāo)場(chǎng)景定位結(jié)果及可視化效果

表3 目標(biāo)場(chǎng)景定位結(jié)果的正確率

如表4所示，實(shí)驗(yàn)測(cè)試本系統(tǒng)在E1～E5場(chǎng)景下識(shí)別不同物體的準(zhǔn)確率，從中可以得出當(dāng)物體為c1、c2、e和t2這類物體時(shí)，系統(tǒng)表現(xiàn)出了較高的識(shí)別準(zhǔn)確率(均為1.00)，這表明系統(tǒng)在電腦、椅子、電飯鍋及臺(tái)燈這類較小物體時(shí)具有較高的準(zhǔn)確率，而如b1床、s沙發(fā)這類大物體時(shí)準(zhǔn)確率較低。這是因?yàn)橄鄼C(jī)具有一定的視角范圍，并且固定安裝在機(jī)器人一定高度位置，在識(shí)別物體時(shí)受相機(jī)視角的影響，導(dǎo)致識(shí)別較小物體時(shí)能夠觀測(cè)完全，而在面對(duì)較大件物體時(shí)無法得到相對(duì)合適的圖像，從而導(dǎo)致了大件物體準(zhǔn)確率不夠。整體上，系統(tǒng)在多場(chǎng)景單物體情況下系統(tǒng)的物體識(shí)別準(zhǔn)確率在0.75～1.00，這表明系統(tǒng)的物體識(shí)別算法能夠有效的識(shí)別家庭環(huán)境中的物體。

表4 多場(chǎng)景單物體情況下系統(tǒng)的物體識(shí)別準(zhǔn)確率

如表5所示，在對(duì)E1場(chǎng)景下的多個(gè)物體進(jìn)行識(shí)別檢驗(yàn)時(shí)，d1長(zhǎng)桌和p打印機(jī)同時(shí)識(shí)別的準(zhǔn)確率最低，而c1電腦的識(shí)別基本不受周圍物體的影響。物體識(shí)別率整體上保持在0.80以上，這表明系統(tǒng)具有較好的魯棒性與有效性。

表5 單場(chǎng)景(E1)多物體情況下系統(tǒng)的物體識(shí)別準(zhǔn)確率

如表6所示，在搜索未移動(dòng)情況下的實(shí)體時(shí)，語義目標(biāo)的導(dǎo)航準(zhǔn)確率普遍較高，這是因?yàn)橄到y(tǒng)對(duì)于未移動(dòng)的實(shí)體場(chǎng)景信息和空間關(guān)系信息存儲(chǔ)在實(shí)體語義知識(shí)庫(kù)中，執(zhí)行搜索任務(wù)時(shí)可根據(jù)實(shí)體先驗(yàn)信息快速尋找到目標(biāo)實(shí)體，如圖6所示。這表明本文所建立的面向語義導(dǎo)航的實(shí)體語義知識(shí)庫(kù)有助于增加系統(tǒng)對(duì)于實(shí)際家庭環(huán)境下語義目標(biāo)的導(dǎo)航搜索準(zhǔn)確率。

表6 搜索未移動(dòng)實(shí)體情況下語義目標(biāo)的導(dǎo)航準(zhǔn)確率

圖6 未移動(dòng)實(shí)體情況下語義目標(biāo)搜索可視化效果圖

考慮到現(xiàn)實(shí)生活中物體具有被移動(dòng)的性質(zhì)，表7統(tǒng)計(jì)了搜索實(shí)體移動(dòng)情況下語義目標(biāo)的導(dǎo)航準(zhǔn)確率，相對(duì)比于搜索未移動(dòng)物體情況下語義目標(biāo)的導(dǎo)航情況，其準(zhǔn)確率分別下降了0.05、0.10、0.00、0.10、0.15及0.05，這是因?yàn)槲矬w的位置更換導(dǎo)致了實(shí)體語義知識(shí)庫(kù)中相對(duì)應(yīng)的語義信息不再準(zhǔn)確，機(jī)器人執(zhí)行導(dǎo)航搜索任務(wù)時(shí)只能通過場(chǎng)景優(yōu)先搜索路徑去逐一尋找，如圖7所示。

表7 搜索實(shí)體移動(dòng)情況下語義目標(biāo)的導(dǎo)航準(zhǔn)確率

圖7 移動(dòng)實(shí)體情況下語義目標(biāo)搜索可視化效果圖

盡管在這種情況下導(dǎo)航準(zhǔn)確率有所降低，但在20次的實(shí)驗(yàn)中，準(zhǔn)確率基本保持在0.85左右，這表明本文設(shè)計(jì)的語義導(dǎo)航實(shí)體搜索算法能夠使系統(tǒng)具有較好的魯棒性和準(zhǔn)確性。以上實(shí)驗(yàn)表明，本文系統(tǒng)能夠較好的完成家庭環(huán)境下服務(wù)機(jī)器人語義導(dǎo)航實(shí)體搜索任務(wù)。

5 結(jié)論

綜上所述，針對(duì)家庭服務(wù)機(jī)器人導(dǎo)航系統(tǒng)缺乏環(huán)境語義信息的問題，本文提出了一種融合視覺信息的語義導(dǎo)航實(shí)體搜索算法。該算法借助移動(dòng)平臺(tái)的導(dǎo)航和實(shí)時(shí)避障功能，并融合環(huán)境中的視覺語義信息完成語義導(dǎo)航任務(wù)。在實(shí)驗(yàn)測(cè)試中，服務(wù)機(jī)器人系統(tǒng)能夠利用所建立的語義地圖和實(shí)體語義知識(shí)庫(kù)很好執(zhí)行實(shí)體搜索任務(wù)，并且在實(shí)體移動(dòng)情況下，系統(tǒng)搜索模塊依然可以根據(jù)知識(shí)庫(kù)中場(chǎng)景路徑優(yōu)先級(jí)進(jìn)行導(dǎo)航定位，并最終尋找到物體。實(shí)驗(yàn)結(jié)果表明，融合視覺信息的語義導(dǎo)航實(shí)體搜索算法增加了服務(wù)機(jī)器人的自主性，能夠較好的完成家庭環(huán)境下服務(wù)機(jī)器人語義導(dǎo)航實(shí)體搜索任務(wù)，為服務(wù)機(jī)器人自主與智能化導(dǎo)航問題奠定了一定基礎(chǔ)。