融合视觉与测距传感器的走廊环境下基于矩形标志物的AMCL定位方法

这篇综述创新性地提出将视觉矩形特征检测与激光测距融合到自适应蒙特卡洛定位（AMCL）框架中，解决了走廊等几何特征稀疏环境下的机器人定位难题。通过开发RIDGE（基于图论与线段延伸的矩形检测算法）和人工标志物识别系统，实现了在自然/人工矩形标记场景下的混合定位，实验证明该方法能显著降低长直走廊中的累计误差（X轴误差减少50%以上），为结构化室内环境定位提供了新思路。

　　

走廊环境下的定位挑战

传统基于激光的AMCL在长直走廊中面临严峻挑战，由于缺乏几何特征导致X轴方向误差持续累积。这种环境在办公场所、医院等场景普遍存在，而现有方法在超过25米激光测距范围时定位精度急剧下降。

混合传感器融合方案

研究团队提出双模解决方案：

1. 1.

   人工标志物系统：采用5×5编码的A3尺寸标记，通过定制算法识别地图ID、区域ID和标记ID三重信息，坐标系统一设在矩形中心。实验显示在3米间隔布设时，定位误差可控制在0.3米内。

2. 2.

   自然特征识别：创新性开发RIDGE算法，包含四个关键步骤：

   • •

     基于FLD（快速线段检测）的线段提取与延伸

   • •

     线段交点计算与NMS（非极大值抑制）处理

   • •

     构建邻接矩阵进行四边形闭环检测

   • •

     通过长度一致性、面积比例、角度偏差（π/2±a）和凸性四重过滤

RIDGE的创新突破

相比传统Hough变换方法，RIDGE通过线段延伸策略有效解决部分遮挡问题。在Robot@Home数据集测试中，对墙面画框、门框的检测成功率超过80%。但算法在纹理复杂场景（如砖墙）会产生过多误检，此时采用Airline学习型线段检测器可提升稳定性。

混合AMCL的观测模型

创新性地将视觉矩形特征整合到粒子滤波框架：

1. 1.

   坐标转换：通过TF树计算标记从世界坐标系到相机坐标系（T_M^C）的变换

2. 2.

   投影匹配：采用CMei模型（全向相机）或针孔模型（RGB相机）将地图标记角点投影到图像平面

3. 3.

   误差计算：定义归一化欧氏距离度量（公式1），采用指数衰减概率模型（公式2）更新粒子权重

实验验证结果

在40米模拟长廊测试中：

• •

  纯AMCL的X轴误差随距离线性增长至2.1米

• •

  混合AMCL通过连续矩形检测将误差稳定在0.5米内

  真实场景测试（Tiago机器人）显示：

• •

  仅用视觉矩形时初始误差较大（依赖首次检测）

• •

  激光+视觉融合方案的ATE（绝对轨迹误差）比纯激光降低42%

应用前景与改进方向

该方法在医疗机器人走廊导航、仓储物流等场景具有实用价值。未来将通过SuperPoint特征提取器替代FLD提升RIDGE鲁棒性，并开发端到端的四边形检测网络。动态调整视觉标记权重、结合语义信息将是重要优化方向。

技术局限性

当前系统在以下情况仍需改进：

1. 1.

   人工标记易受光照影响（如图14c的误识别）

2. 2.

   自然标记地图需毫米级精度手工测量

3. 3.

   纹理密集环境计算负荷较高

这项研究为结构化环境定位提供了可扩展的框架，其模块化设计支持多种传感器组合，标志着机器人感知能力向多模态融合迈出重要一步。