基于云计算机器人SLAl架构实现与优化.docVIP

基于云计算机器人SLAl架构实现与优化 　　摘要：同步地图构建与定位（SLAM）是机器人领域经典问题，也是典型的计算密集型任务，传统实现方法完全依靠机器人本地的计算资源进行实时求解，具有精度低、执行速度慢、计算开销很大缺点。本文针对这一现状，基于云机器人架构和“软件即服务”（SaaS）的思想，提出了基于云计算的SLAM服务框架。该框架能够以黑盒形式为机器人提供SLAM问题求解服务，从而有效降低机器人在同步地图构建与定位过程中的计算开销。本文进一步提出了了这一框架下云端和机器人端之间的数据传输优化解决方案。原型实现和实验表明，通过引入后端云计算基础设施，该框架能够有效提升机器人SLAM问题的求解速度，降低机器人端的能耗，并且将数据传输量控制在合理范围之内。 　　关键词：云机器人；SLAM；云计算；通信优化 　　中图分类号：TP3 11.5 文献标识码：A DOI： 10.3969/j.issn.1003-6970.2015.10.005 　　引言 　　云机器人（Cloud Robotics）近年来正在逐渐成为机器人领域的热点问题。该技术充分利用网络的泛在性，采用开源、开放和众包的开发策略，提升了机器人的能力，扩展了机器人的应用领域，加速和简化了机器人系统的开发过程，降低了机器人的构造和使用成本。具体而言，通过引入“后台云+前端机器人”架构，机器人可以访问后台云计算基础设施，将判断和决策的一部份过程放到“云”端，从而使得其可以以较小代价执行各种计算密集型的复杂任务，减少本地资源开销的同时提升机器人能力。 　　同步定位与地图构建（SLAM，Simultaneouslocalization and mapping）是机器人领域经典的计算密集型任务，其核心在于通过“定位”与“构图”的多次增量式迭代，同时实现定位和构图，从而使得机器人可以完全没有先验知识的陌生环境中自主导航和规划。这一问题和其解决方案的提出被认为是机器人学的一个重大进展，具有重大的理论意义和应用价值，“为机器人实现真正自主提供了必要手段”。但SLAM本身所具有的高计算复杂性和机器人资源有限性之间却产生了矛盾，而上述的云机器人技术成为了一个良好的突破口。文献指出，云计算的引入对于机器人而言有如下一些潜在的优势：（1）提供海量的存储空间，有可能利用基于大数据的智能；（2）提供强大的计算能力，足以应对各种数据分析、学习以及行动规划；（3）实现机器人知识共享：通过云机器人之间可以分享策略、控制方法以及输入输出；（4）支持人类参与协助：利用大量人类的分析经验，帮助机器人更好地处理各类数据和任务。 　　目前已经存在一系列基于云机器人架构的SLAM求解方案，例如DaVincj、Rapyuta、c2TAM等架构。这些T作已经验证了“云+机器人”协同SLAM的可行性和有效性。但真正要实现按需获取和使用的机器人SLAM云服务，一系列挑战还有待解决，其中突出的两个问题是：（1） SLAM服务化的架构问题，即设计何种架构、接口和基础设施，将云端的SLAM能力以“软件即服务”的形式暴露给前端机器人，使得（多个）机器人能够按需获取、定制和使用云端的SLAM服务；（2）云机器人SLAM过程的效率保证问题。基于云机器人的SLAM过程引入了许多新的、可能影响实时性的因素，其中最突出的问题是如何降低机器人和云之间持续进行SLAM数据通信的延迟。 　　本文围绕上述两个方面的挑战展开研究，提出并实现了一个的“云+机器人”提供SLAM服务的基础模型，并基于此模型开展了实验测试验证，在此基础上提出了一种通信改良方法以提升了了SLAM数据通信效率，并对此进行了实验验证。本文后续内容安排如下：第1节简述背景和相关工作，第2节基于云机器人提出了一个SLAM服务架构进行了实现，对其数据通信进行了优化，第3节基于上述架构进行了原型实现，第4节针对具体实现进行了实验测试验证了本文架构的有效性，第5节结束语。 　　1 背景与相关工作 　　SLAM可以被一般描述为：在建立新地图模型或者改进已知地图的同时，在该地图模型上定位机器人。由此可以看出，SLAM可以被看做是一个鸡生蛋蛋生鸡的问题：精确有效的自我定位需要一个无偏差的地图，而这样一个地图的绘制又必须得到准确的位置信息。这是一个明显的迭代问题，其运算复杂度较高，加之是对于图像信息这类数据量较大的信息单元进行处理和运算，因此EKF-SLAM、FastSLAM以及PTAM等具有代表性的算法，都具有计算复杂度高的特点。而在实际应用中，机器人个体受限于硬件水平、电池容量、成本等设计约束，其计算资源往往是受限的。在这种客观状态下，如何解决SLAM计算复杂性和单个机器人资源有限性之间的矛盾，就成了解决SLAM问题的重大挑战之一。 　　在这种思路下，SLAM问题出现了一