1.1.1 度量層環境感知技術

度量層環境感知技術指機器人利用底層傳感器的度量屬性，獲取某些環境要素（如布局、結構和物體等）的度量信息，并直接基于此類信息形成對環境“識別”的技術。度量層感知結果由顯式度量模型（Metric Model）給出，該模型描述的環境信息通常具有最細粒度，因此對模型精度要求較高。環境要素的精確度量模型有助于機器人準確地完成環境交互任務，而機器人如何能自主建立這類模型，是幾十年來眾多研究人員一直探索的問題。在度量層環境感知技術中，用于獲取環境精確布局信息的度量地圖（Metric Map）構建技術，一直是研究熱點，至今仍存在許多未解決的問題，引起了眾多專家、學者的關注；面向其他環境要素的度量層感知技術（如對象精確度量信息[3]）也得到廣泛關注，這些技術在機器視覺、立體測量等相關研究的影響下快速發展。

度量地圖構建技術通常用于建立面向導航的環境地圖，該技術通過對底層傳感器數據的分析，直接或間接地捕捉環境的幾何屬性。其環境模型構建過程通常摒棄了除度量信息以外的其他信息，所建地圖僅具有環境布局的度量屬性。度量地圖盡管所含信息類型單一，但它能提供足夠的導航信息，因此得以廣泛應用。目前有關研究主要集中于以下幾個方面：

（1）視覺SLAM（Simultaneous Localization and Mapping，同時定位和建圖）技術

由于視覺傳感器具有成本低、重量輕、易于小型化、所提供信息量大等特點，基于它的SLAM技術成為新的研究熱點。Holmes等人[4]提出解決單目SLAM問題的SCISM（SLAM with Conditionally Independent Split Mapping，帶條件獨立分割映射的SLAM）算法，使得SLAM技術能夠同時滿足計算復雜性和一致性約束。Diaz等人[5]實現了一種能夠在結構化環境下實時運行的6自由度單目SLAM系統。Zhu[6]在其論文中改進了SIFT（Scale Invariant Feature Transform，尺度不變特征變換）算法的特征匹配過程，給出了在室內環境中能保證高定位精度和計算實時性的雙目SLAM方法。Lin等人[7]在“recall-1-precision”圖標準下比較PLOT（Polynomial Local Orientation Tensor，多項式局部方向張量）和SIFT特征，認為PLOT特征更適用于視覺路標，進而基于PLOT特征實現雙目SLAM。

（2）未知環境探索和建圖

當機器人面對未知環境時，已有許多算法嘗試將環境探索的路徑規劃過程同SLAM整合，以便規劃出利于創建高質量地圖的軌跡[8]，從而獲得高質量環境地圖。

（3）面向動態環境的地圖構建技術

此類技術通常分為兩類[9]：一是將動態物體作為噪聲濾除；二是識別和跟蹤移動物體，將動態物體作為狀態估計的一部分。Huang等人[10]認為將多運動目標跟蹤與SLAM整合在同一框架下，可以使兩者相互受益，他們的初步實驗證實了面對動態環境時基于該觀點的算法的可行性和魯棒性。

（4）多機器人同時建圖

多機器人系統在處理效率、適應能力和作業精度等方面均優于單機器人系統，通過多機器人協調（Coordination）感知來提升對環境的感知能力已成為當下研究熱點[11]。目前，這方面研究主要集中于基于多機器人協作的同時定位與地圖創建（Cooperative Simultaneous Localization and Mapping，CSLAM），可分為集中式CSLAM、分布式CSLAM和混合式CSLAM[12]。

（5）3D環境建圖

3D環境地圖能夠提供豐富的導航、環境操作、結構等信息，因此如何使機器人利用自身傳感器自主地建立3D環境地圖，引起了眾多研究人員的關注。值得一提的是，用于建立3D環境地圖的傳感器，除傳統3D激光雷達、立體視覺等傳感器之外，近幾年作為新環境感知傳感器的RGB-D攝像機（商用產品如Microsoft Kinect和ASUS Xtion PRO等）引起了研究人員廣泛關注，利用它構建3D環境地圖的相關研究成為新的熱點。Henry等人[13]在他們的論文中提出一種使用RGB-D攝像機生成室內環境的稠密3D模型的建圖框架。Zou等人[14]提出的一種室內SLAM方法中使用了Kinect作為環境感知傳感器，并發現在考慮速度和建圖精度的情況下，ORB（Oriented FAST and Rotated BRIEF[15]）檢測子和描述子更適于室內SLAM。我們可以發現，利用RGB-D攝像機獲得的3D環境地圖不僅含有傳統度量信息，而且能夠包含紅、綠、藍三個通道上豐富的視覺灰度信息，此類地圖可以看作是擴展了視覺信息維的度量地圖，也可以看作是一種廣義度量地圖（包含了對環境表觀的視覺灰度的度量），因其所含環境信息豐富，相應建圖和應用技術受到了廣泛且深入的研究。

（6）非結構化環境建圖

傳統室內環境可以看作結構化環境，它們通常具有穩定的點、線或拐角等結構特征。隨著人們生活理念（崇尚自由、追求個性、擺脫拘束等）、家電技術、家具/家居設計理念等的變化和發展，室內布局逐步呈現出非結構化態勢；除此之外，在一些災難性事件發生后，室內環境將出現顯著非結構化特性，使得一些傳統環境建圖技術不再適用[16]。因此，非結構化環境下的機器人建圖方法的研究成為社會發展的迫切需求，但其在技術上面臨著許多新挑戰。Pellenz等人[17]針對非結構化環境，利用一臺帶有伺服電機的2D激光測距儀同時完成精確2D SLAM和3D障礙物檢測，所得到的占有柵格地圖和障礙物地圖融合為一幅導航地圖，用于路徑規劃。Bachrach等人[18]開發出一種完全自主的帶有激光測距儀的四旋翼飛行器，實現對非結構化、未知室內環境的自主探索和地圖創建。

（7）其他環境要素的度量層感知技術

在度量層環境感知技術研究中，盡管度量地圖構建技術已形成一個龐大的研究領域且具有極為重要的地位，然而相關技術并不僅局限于此，面向其他環境要素的度量層感知技術也在迅速發展。與度量地圖構建技術主要面向較大空間環境不同，其他度量層感知技術研究通常面向相對小的局部空間環境或對象，進而獲取感興趣的度量信息。在符合美國殘疾人法案（American Disability Act，ADA）的環境約束下，Rusu等人[19]提出一種從激光傳感器獲得的點云數據中檢測門及門把手位姿的算法。Yamazaki等人[20]利用移動機器人上的單目攝像機捕捉目標物體的圖像序列，以此重建未知目標物體的稠密3D形狀模型。Krainin等[21]利用機器人手臂、抓手和RGB-D攝像機組成的系統，實現了對被抓持物體的3D建模。Alenyà等人[22]使用TOF相機和SL（Structured Light，結構光）相機實現了對可變形物體的感知，并應用于織物抓取和植物監視領域。

機器人與環境進行交互時，特別是發生物理交互時，有關行為信息必須在一定精度范圍內才能捕獲，位于最底層的度量層感知技術為此提供了基本保障。在一個完整的機器人系統中，該類技術為其他高層任務提供了基本的環境數據信息，不可或缺。