自主无人系统的研究趋势

Ben M. Chen

工程（英文） ›› 2022, Vol. 12 ›› Issue (5) : 20 -23.

PDF (1783KB)
工程（英文） ›› 2022, Vol. 12 ›› Issue (5) : 20 -23. DOI: 10.1016/j.eng.2021.10.014

自主无人系统的研究趋势

作者信息 +

On the Trends of Autonomous Unmanned Systems Research

Author information +
文章历史 +
PDF (1824K)

引用本文

引用格式 ▾
Ben M. Chen. 自主无人系统的研究趋势[J]. 工程（英文）, 2022, 12(5): 20-23 DOI:10.1016/j.eng.2021.10.014

登录浏览全文

4963

注册一个新账户 忘记密码

近二三十年来，学术界和工业界对自主无人系统的研发投入了越来越多的人力和物力。简单地说，自主无人载具系统是一种配备了必要的数据处理单元、精密的传感器、环境感知系统、自动控制系统、运动规划系统、任务规划和管理以及通信系统等的机器，是包含诸多领域，如人工智能（AI）等在内的先进技术之集大成。自主无人载具系统可以在没有人为操控的情况下自主执行和完成某些特定的任务。自主系统，如无人车（UGV）[1]、无人机（UAV）[2]、无人船（USV）[3]和无人潜航器（UUV）[4]（图1），将在实际工业应用中，如搜巡与救援、安全与交通监测、电力线和管道巡检、建筑物和环境检测、地理测绘、隧道检测、电影制作、物流递送和仓库管理等，发挥重要的作用，自主无人系统已迅速发展成为新的经济焦点。
图1 无人系统框架示意图。Comm.：通信。
近年来，自主无人系统的市场，原本主要包括一些为军事目的而开发的技术，现在这些技术被广泛地应用于解决工业和商业中的实际问题。先进的自主无人载体系统由于其低成本和低风险且灵活性强而获得了可喜的成功，乐观预计民用自主无人系统的市场定将更加广阔，它将涉及人们日常生活中的方方面面。
在可预见的未来，无人系统，包括地面、水面和空中无人系统，将越来越受青睐。这些无人系统可以被用来处理迄今为止属于人类操作者范围内的各种工作，无人系统还必须能够在杂乱无章的环境条件下执行各种任务。此外，现有的大多数无人系统都是为特定的任务和环境设计的，不容易扩展到不同的任务或动态环境。因此，智能自主无人系统的研究和开发目前仍然处于起步阶段。
图2描述了构建一个智能自主无人系统所涉及的关键技术模块。接下来，我们简要地叙述每个模块的功能，并介绍一些正在进行的和潜在的研究要素。
图2 智能自主无人系统的技术架构。HCI：人机交互（human-computer interaction）；HMI：人机交互（human-machine interaction）。
（1）硬件平台和传感器。其中包括一个机械硬件平台和一组传感器，用于感知周围环境并收集测量和应用数据。除了传统的硬件平台，如用于飞行器、地面车辆、水面船只和水下潜航器等，人们对通过开发多模式多功能无人系统越来越感兴趣，如水陆和陆空两用混合载体，以及水空多用途等无人系统，这些无人系统可以在更复杂的环境中工作。无人系统的感知和数据收集传感器组可能包括激光雷达（LiDAR）、视觉、声纳、普通雷达和其他传感器的组合，以及精良的传感器融合技术[5]。
（2）感知和定位。定位系统是确定无人系统相对于其所处环境中的具体位置，是无人系统自动控制和自主决策所需的最基本和最重要的组成部分之一。在一个典型的定位方案[6]中，无人系统须配备观察环境和测量自身运动的传感器，定位技术是通过从传感器组合收集到的信息来估计系统本身的位置和姿态。另外，在许多应用中，如在复杂环境中运行的无人载具，同时又得执行目标检测、环境表征、场景理解、活动识别和语义分类等任务，一个精良的感知单元是不可或缺的[7]。
（3）动态控制系统。不管是有人为干预还是无人操作，动态控制系统对于一个先进的无人系统都是必不可少的。尽管许多人尝试在没有动态模型的情况下设计自动控制系统，但笔者以为，要设计一个好的自动控制系统，设计者需要对硬件平台的动态物理特性有一个清晰的认识，建立一个相对准确的数学模型。无人载具系统的动态控制系统可能涉及多个层次，如内环控制系统和外环控制器。一般来说，内环是用来镇定硬件的姿态，而外环则是控制载具的位置和速度[8]。在一些非常规的无人平台上，可能需要使用更先进的控制算法来获取良好的性能。
一般来说，任何具备上述三种功能的物理系统都可以被称为“无人系统”。预计水下潜航无人系统将会衍生更多的研究工作和课题，其中包括开发先进的水下潜航载具[9]、水下图像处理[10]及水下同步定位和地图构建技术（SLAM）。
（4）运动规划。运动规划系统将所需的无人系统运动任务（由任务规划模块生成）分解成满足运动约束的离散片段，如在杂乱环境中避障、环境空间的约束以及与无人载具自身速度和加速度相关的约束等，同时也可以考虑优化运动过程的时间或能耗。运动规划算法产生一个适合于无人载具执行的参考轨迹，如位置、速度、加速度甚至加加速度等参考信号。避障和动态可行性是运动规划中的两个要素；其中涉及环境中障碍物诱发的几何约束（路径规划）和无人载具系统的自身动态约束（轨迹生成）[11]。
（5）任务规划。许多实际应用需要的不仅仅是将无人系统从一个地方挪到另一个地方，任务规划是为了让无人系统执行更复杂的任务。任务规划模块将具体任务转化为无人载具系统可执行的离散运作；这些运作可能包含避障的粗略运动规划、传感器工作规划以及具体任务的精细运动规划。运动规划侧重于连续时域中无人系统的动态约束和环境的几何约束，与运动规划不同，任务规划则在离散时域中使用高度抽象的模型，如规划区域定义语言（PDDL），并侧重于生成一个粗略的任务计划。任务系统的动态通常为离散转换系统，可以通过离散规划技术来求解[11]。
一般来说，当无人系统集成了额外的任务和运动规划模块时，便可自主地执行某些相对简单的任务，我们可以称其为“自主无人系统”（或简称为“自主系统”）。目前在运动规划方面的研究重点是提高其导航过程的速度。人们还试图整合任务规划和运动规划过程，以提高整个系统的功效。
为了使其成为一个名副其实的“智能机器”，无人系统应进一步配备先进的人工智能能力，如具有特定领域知识的专家系统，以便自主决定和分配任务。在许多应用中，为了让无人系统做出快速的决定和明智的判断，允许人类操作员在回路中与无人系统互动的人机交互（HMI）系统[12]将成为必要。
为了将自主无人系统更智能地和更有效地融入现实世界，我们需对其周围的环境有更清楚的了解，如使用环境的数学模型，以便为有效决策提供跨学科的分析。环境建模的主题涉及对物理世界在空间和时间上发生的过程的描述。空间相互作用和拓扑规则通常由地理信息系统（GIS）来描述[13]。随着时间的推移，改变环境的过程由微分方程组来描述，类似于物理系统的动态建模。
拥有先进人工智能能力的自主无人系统就是所谓的“智能自主无人系统”（或简称“智能自主系统”）。如前所述，这个方向的研究还很不成熟。还有大量的工作要做，同时还要更充分地利用多智能体无人系统来解决实际问题。图3描述了我们对多智能体自主无人系统合作的实用框架的理解，这些系统可以在动态控制或运动规划层面相互协调，例如，通过编队和协同控制（这些在过去10年左右被大量研究，如参考文献[14]及其所引的文献），或以更合理的方式在具体任务层面来协调异构无人系统[15]。
图3 多智能体自主无人系统的合作。
总之，笔者认为，自主无人系统的研究是一个永无止境的话题。鉴于人工智能和深度学习中用于数据处理的强大技术的发展，以及智能自主无人系统潜在的广泛应用范围和附加值，这一课题将是未来几年的主要技术和经济报道之一。另外，对于某些应用，探测和捕捉恶意入侵的无人系统也是需要研究的关键课题[16]。最后，值得一提的是，使用生物启发和基于事件的神经形态视觉传感器的感知技术[17]也是未来研究的另一个有趣和有前途的研究领域。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Hebert MH, Thorpe CE, Stentz A, editors. Intelligent unmanned ground vehicles. Boston: Springer; 1997.
[2]

Valavanis KP, Vachtsevanos GJ, editors. Handbook of unmanned aerial vehicles. Dordrecht: Springer; 2015.
[3]

Liu Z, Zhang Y, Yu X, Yuan C. Unmanned surface vehicles: an overview of developments and challenges. Annu Rev Control 2016;41:71‒93.
[4]

Ehlers F, editor. Autonomous underwater vehicles: design and practice. London: Scitech Publishing; 2020.
[5]

Liggins ME, Hall DL, Llinas J, editors. Handbook of multisensor data fusion: theory and practice. Boca Raton: CRC Press; 2009.
[6]

Yuan S, Wang H, Xie L. Survey on localization systems and algorithms for unmanned systems. Unmanned Systems 2021;9(2):129‒63.
[7]

Bi X. Environmental perception technology for unmanned systems. Singapore: Springer; 2021.
[8]

Cai G, Chen BM, Lee TH. Unmanned rotorcraft systems. London: Springer; 2011.
[9]

Tan YH, Chen BM. Survey on the development of aerial‒aquatic hybrid vehicles. Unmanned Systems 2021;9(3):263‒82.
[10]

Liu X, Gao Z, Chen BM. MLFcGAN: multi-level feature fusion based conditional GAN for underwater image color correction. IEEE Geosci Remote S 2020;17(9): 1488‒92.
[11]

Lan M, Lai S, Lee TH, Chen BM. A survey of motion and task planning techniques for unmanned multicopter systems. Unmanned Systems 2021;9(2): 165‒98.
[12]

Kun AL. Human‒machine interaction for vehicles: review and outlook. Boston: Now Foundations and Trends; 2018.
[13]

Chang KT. Introduction to geographic information systems. 9th ed. New York: McGraw-Hill; 2021.
[14]

Chen F, Ren W. On the control of multi-agent systems: a survey. Boston: Now Foundations and Trends; 2019.
[15]

Ding Y, Xin B, Chen J. A review of recent advances in coordination between unmanned aerial and ground vehicles. Unmanned Systems 2021;9(2): 97‒117.
[16]

Knight J. Countering unmanned aircraft systems [dissertation]. Monterey: Naval Postgraduate School; 2019.
[17]

Chen G, Cao H, Conradt J, Tang H, Rohrbein F, Knoll A. Event-based neuromorphic vision for autonomous driving: a paradigm shift for bio-inspired visual sensing and perception. IEEE Signal Process Mag 2020;37(4):34‒49.

基金资助

()

AI Summary AI Mindmap
PDF (1783KB)

6050

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉