1.1.2 拓撲層環(huán)境感知技術

拓撲層環(huán)境感知技術指機器人直接或間接獲取某些環(huán)境要素（如布局、結構和物體等）的拓撲信息，并基于此類信息形成對環(huán)境“識別”的技術。

對環(huán)境布局的拓撲層感知主要依賴于拓撲地圖創(chuàng)建技術。拓撲地圖通常具有表達緊湊、所占計算資源少、適用于大范圍環(huán)境建模、適用于人-機器人交互[23]等優(yōu)點，并且其建圖過程需要較少的精確度量級傳感數(shù)據(jù)（Metric Sense Data）[24]，因此，相關研究引起眾多研究人員的持續(xù)關注。目前，常見的拓撲地圖形式有無向圖、有向圖和二部圖（Bipartite Graph）[25]等。拓撲地圖以頂點（Vertex）描述環(huán)境中的地點（Place），以邊（Edge）描述不同地點間的連通性（Connectivity），從而構成環(huán)境布局的圖（Graph）模型。不同類型拓撲地圖的頂點定義各不相同，拓撲地圖中頂點和邊的含義依賴于應用和建圖算法[26]，這造成了拓撲地圖的多樣性及相關研究的復雜性，并且難以對不同建圖方法的性能制定統(tǒng)一的評價標準。

拓撲地圖創(chuàng)建方法可以分為兩類：一是從已有度量地圖間接獲取環(huán)境的拓撲表達；二是直接利用傳感器獲取環(huán)境的拓撲結構。前者主要目的在于為后續(xù)規(guī)劃任務的開展提供便利[27]，可以看作是在度量層感知結果的基礎上，從拓撲角度對環(huán)境布局的再感知，目前大部分拓撲地圖的創(chuàng)建過程采用了后者的建圖模式。無論采用何種方法定義和建立拓撲地圖，都需要充分考慮建圖過程中的感知混淆（Perceptual Aliasing）問題。Ranganathan等人[28]提出一種概率拓撲地圖（Probabilistic Topological Maps，PTMs）框架，提供了一種感知混淆問題的系統(tǒng)解決方案；2011年，Ranganathan等人[29]在實時性約束下對原PTMs進行了改進，提出在線概率拓撲建圖（Online Probabilistic Topological Mapping，OPTM）算法；Werner等人[30]提出使用特定地點的鄰域信息解決感知混淆問題。

除激光傳感器、超聲波傳感器等傳統(tǒng)傳感器外，近年來，基于全景視覺[31]（Omnidirectional Vision）的方法被用于解決拓撲SLAM問題，該方法使用全景攝像機作為傳感器采集環(huán)境拓撲信息。全景視覺傳感器的引入帶來一些新問題，相關學者圍繞這些問題已經開展了很多研究工作，如Liu等人[32]針對全景視覺提出一種輕量級描述子FACT（Fast Adaptive Color Tags），可實時生成拓撲建圖的節(jié)點列表。

盡管有些拓撲建圖方法得到的拓撲頂點對機器人具有重要意義（可用于定位及導航等任務），但是對人而言并無明確含義。然而，有些方法卻能夠獲得對人同樣有意義的拓撲頂點，使得機器人與人的概念空間在某種程度上相契合，含有此類頂點的拓撲地圖不僅能用于機器人導航等基礎任務，還能用于輔助人機交互等高層任務。這類具有語義屬性的拓撲地圖的構建方法受到了相關學者的關注。Mozos等人[33-34]對相關問題進行了深入研究，文獻[33]利用AdaBoost算法對幾何地圖上每個點實現(xiàn)了語義分類，所得拓撲地圖的頂點具有“房間”“門口”和“走廊”等顯式場所語義。

面向局部空間環(huán)境或對象，一系列拓撲層感知技術也應運而生。Aleotti等人[35]受神經心理學領域知識（人基于部件分解實現(xiàn)對物體的感知）的啟發(fā)，提出一種抓取規(guī)劃方法：首先對物體模型進行拓撲分解，然后對物體進行分類并自動標注，這兩步從拓撲層面完成了物體感知，在此之后進一步開展抓取規(guī)劃。該方法不僅能夠提高規(guī)劃速度，而且能夠在先前未知的相似物體上開展抓取規(guī)劃。Rosman和Ramamoorthy[36]提出構造物體的聯(lián)系點網(wǎng)絡（Contact Point Network，CPN），從而在以點云描述的場景中捕捉單個物體和整個場景的拓撲結構，形成場景的分層表達。這種表達有助于機器人在不同層次上實現(xiàn)與物體有關的推理等行為，從而廣泛地執(zhí)行任務。

隸屬于拓撲層環(huán)境感知技術的其他相關研究將不再贅述。總之，拓撲方法獲得的環(huán)境模型通常具有表達緊湊、對變量干擾魯棒性強等優(yōu)點，其表達方式與人的認知行為存在某種相似之處，使模型本身有語義信息包含能力，可為人機交互等高層任務的執(zhí)行提供便利。