《Systems》：A Compute-Efficient Human-Following Robotic Mobility System Integrating Multimodal Recognition and Hierarchical Local Planning
编辑推荐：
本文提出了一种计算高效的跟随人机器人移动系统，该系统将多模态目标识别、基于LiDAR（激光雷达）的障碍物感知、分层局部规划以及低层运动控制集成到一个统一的感知-规划-控制架构中。该系统能够在资源受限的嵌入式硬件上实现实时目标跟踪和避障。研究人员使用RGB-D视
本文提出了一种计算高效的跟随人机器人移动系统，该系统将多模态目标识别、基于LiDAR（激光雷达）的障碍物感知、分层局部规划以及低层运动控制集成到一个统一的感知-规划-控制架构中。该系统能够在资源受限的嵌入式硬件上实现实时目标跟踪和避障。研究人员使用RGB-D视觉和Tether Follow Sensors（TFS）进行目标识别，同时LiDAR提供局部障碍物信息。为了减轻局部规划的计算负担，研究人员提出了一种分层动态窗口法（Hierarchical Dynamic Window Approach，HDWA）。与传统的DWA（动态窗口法）均匀评估采样运动候选方案不同，HDWA根据障碍物条件和目标方向，应用运动、方向和细节动态窗口。这种分层结构通过仅在需要避障时才激活额外的计算，减少了冗余的轨迹评估。在低成本嵌入式平台上的实验验证表明，HDWA将候选方案评估工作量减少了30.8%–92.3%，同时保持了稳定的目标跟踪和安全的避障。在左侧和右侧避障场景中，HDWA还使路径长度减少了6.5%–7.8%，平均行驶速度提高了22.0%–30.8%，运动耗时减少了24.4%–28.5%。这些结果证明了所提出的计算高效系统在嵌入式硬件约束下运行的跟随人机器人的可行性。
**论文解读：一种集成多模态识别与分层局部规划的计算高效跟随人机器人移动系统**
**1. 研究背景与问题**
随着服务、物流、医疗及辅助移动等领域的发展，具备跟随人类目标能力的自主移动机器人（AMR）应用日益广泛。这类机器人需在动态环境中实时识别并跟踪移动目标，同时感知周围障碍物并生成安全路径。然而，现有系统面临核心挑战：在计算资源受限的低成本嵌入式硬件上，同时运行目标识别、障碍物感知、局部路径规划与运动控制等多个模块，传统的规划方法（如动态窗口法，DWA）在每个规划周期均匀评估大量候选轨迹，导致计算负担过重，影响系统实时响应性。因此，设计一种计算高效的、集成感知、规划与控制的机器人移动系统是实现实际部署的关键问题。
**2. 研究内容与结论**
为应对上述挑战，研究人员提出了一种计算高效的跟随人机器人移动系统，并重点提出了一种名为层次化动态窗口法（HDWA）的局部规划算法。该系统将多模态目标识别、LiDAR障碍物感知、HDWA局部规划与低层运动控制集成于统一架构。不同于传统DWA，HDWA根据直接路径是否被阻塞，条件性地激活不同层次的规划状态，从而避免在无障碍简单场景下进行不必要的候选轨迹评估。实验结果表明，在低成本嵌入式微移动机器人平台上，HDWA与传统DWA相比，在保持稳定跟踪和避障性能的同时，可将候选轨迹评估工作量减少30.8%–92.3%，路径长度缩短6.5%–7.8%，平均行驶速度提高22.0%–30.8%，运动耗时减少24.4%–28.5%。该研究证明了在嵌入式硬件约束下实现计算高效跟随人机器人系统的可行性。该论文发表在《Systems》期刊。
**3. 主要关键技术方法**
研究人员为开展本研究主要采用了以下关键技术方法：首先，构建了一个集成感知-规划-控制的三层系统架构。感知层融合了RGB-D相机（Intel RealSense D435）和Tether Follow Sensor（TFS，一种基于绳索的跟随传感器）进行目标识别，并使用2D LiDAR（RPLiDAR）进行障碍物感知，生成二维占用栅格地图。规划层采用了本文提出的层次化动态窗口法（HDWA）算法。控制层则结合了基于纯追踪（Pure Pursuit）的横向控制与基于比例-积分-微分（PID）控制器的纵向控制。实验平台为自行搭建的六轮差速转向微移动机器人，搭载两块Raspberry Pi 4板分别处理不同任务以模拟嵌入式计算约束。实验在室内办公环境中进行，包含无障碍、左侧避障、右侧避障及无可行路径等多种场景。
**4. 研究结果**
* **候选评估工作量分析：** 通过理论计算和比较，HDWA在无障碍物时仅激活运动动态窗口状态，无需进行方向评估，其评估工作量仅为传统DWA的7.7%。即使在最复杂情况下激活所有三个状态，其最大评估工作量也仅为传统DWA的69.2%。总体而言，HDWA将候选点评估工作量减少了30.8%至92.3%。
* **通过目标跟踪验证碰撞避免：** 通过定性实验，研究人员展示了HDWA在不同障碍物配置下的避障行为。当无可行路径时，HDWA生成停止命令；当存在可行旁路时，HDWA首先选择粗略的避障方向，然后在该方向周围细化候选轨迹，而传统DWA则均匀评估所有候选。实验结果表明，HDWA的局部目标能够被成功转化为机器人平台实际可执行的停止和避障运动。
* **轨迹与效率定量比较：** 通过记录并比较机器人的实际行驶轨迹，研究人员对HDWA和传统DWA进行了定量分析。结果显示，在无可行路径、左侧避障和右侧避障三种场景下，HDWA均使路径长度减少了6.5%–7.8%。在左侧和右侧避障场景中，与传统DWA相比，HDWA分别使平均行驶速度提高了22.0%和30.8%，并将运动耗时分别减少了24.4%和28.5%。这表明HDWA不仅生成了更短的路径，而且在避障过程中能够维持更高的行驶速度，从而提高了整体运动效率。
**5. 讨论与结论**
讨论部分指出，HDWA能够实现更短运动时间的原因在于其生成了更短的轨迹并维持了更高的行驶速度。由于两种规划器使用了相同的控制器设置，行驶速度的差异源于生成轨迹的曲率不同。HDWA更早地启动避障并生成更平缓的转向，避免了如传统DWA那样在接近障碍物时进行急剧转向，从而允许机器人在转弯时保持更高的前进速度。
结论部分（论文第6节）总结：本文提出了一种计算高效的跟随人机器人移动系统，用于在资源受限的嵌入式硬件上进行实时目标跟踪和避障。该系统将多模态目标识别、基于LiDAR的障碍物感知、基于HDWA的局部规划以及低层运动控制集成到一个统一的感知-规划-控制架构中。所提出的HDWA通过三个层次状态生成无碰撞的局部目标。运动动态窗口状态首先检查期望跟踪点是否可直接到达。如果路径被阻塞，方向动态窗口状态选择一个粗略的避障方向，然后由细节动态窗口状态进行细化。通过仅在需要避障时激活方向和细节状态，HDWA减少了不必要的候选评估，同时保持了目标跟踪和避障性能。在低成本微移动机器人平台上的实验评估表明，与传统DWA相比，HDWA将候选评估工作量减少了30.8%–92.3%。轨迹分析进一步显示路径长度减少了6.5%–7.8%。在左侧和右侧避障场景中，HDWA分别将平均行驶速度提高了22.0%和30.8%，并将运动耗时分别减少了24.4%和28.5%。这些结果表明，HDWA在资源受限的嵌入式平台上提高了轨迹和运动效率，同时保持了安全的目标跟踪和避障行为。未来研究将侧重于重复试验的统计验证、端到端规划延迟和能耗的直接测量、室外行人环境验证，以及涉及动态人与障碍物交互的更多样化服务机器人场景。
