统计多个方面数据显示，正在工作的导盲犬数量为861只，但日本的需求缺口却高达3000人，怎么样才能解决这个问题显得十分重要。然而，现有的导盲机器人只注重导引功能的开发，并没有最大限度地考虑物体潜在的位置空间和用户的状态。

　　例如，机器人可能会移动到正在看电视的人面前。虽然机器人并没有与障碍物发生碰撞，但它可能会与电视机发生碰撞。导盲机器人的社会接受度仍有待提升。为了更好的提高导盲移动机器人的社会接受度，我们亟需一个体贴的机器人，它不仅能避开障碍物，还能了解物体可能占据的空间和用户的状态，从而在不打扰他人的情况下移动。

　　本研究设计了一种体贴的导引移动机器人，并提出了一种基于风险地图的运动操控方法，该方法在运动控制过程中考虑了物体可能占据的空间。所开发的机器人能在移动过程中自然移动而不影响其他人，并能自适应地调整移动速度以适应用户的动作。风险地图被定义为环境二维栅格地图，它不仅反映了物体和自由空间的占用状态，还显示了物体周围风险的大小。机器人周围区域的危险程度依据物体的属性分阶段表示。

　　具体来说，墙壁和人类等机器人无法通过的区域被设定为高风险区域，人类个人空间和潜在占用空间等能够最终靠但最好避免的区域被设定为中等风险区域。适合通过的无障碍区域和可能被占用的区域则设置为无风险。这样就生成了一条风险最低的路径，通常能够尽可能的防止进入物体的潜在占用空间。请注意，如果没有无风险路径，也可以再一次进行选择可能被占用的空间通过，机器人会选择相对较好的路径，通过与扰者保持一定距离，并提供有效的互动（如发出嗡嗡声或声音），尽量让扰者感觉没那么不舒服。机器人的控制采用势场方法。在这种方法中，目标或子目标被设定为具有吸引势能，以吸引机器人，而物体被设定为具有排斥势能，以阻止机器人靠近。有风险的区域设置为排斥势场，因为这些区域有熟悉的障碍物。移动速度和方向由综合势场控制。此外，通过检验测试用户与机器人之间的距离，并在用户前方一定距离的地方设置吸引势，机器人的移动状态就会在与用户保持固定距离的情况下得到调整，从而使机器人能适应用户的动作。

　　2、提出了一种基于综合势场方法的运动操控方法，以周到地控制导盲移动机器人移动。

　　导盲犬一直是视障人士生活的重要组成部分。然而，导盲犬的训练和维护成本巨大。此外，并非所有视障人士都能或愿意拥有导盲犬。因此，开发导盲犬机器人等替代解决方案可能是协助视障人士日常生活也许是个不错的选择。为满足多种视障人群的需求，目前市场上已开发出多种类型的导盲犬移动机器人。第一种是轮式机器人 ，而另一种导引移动机器人是四足机器人。

　　目前的导引移动机器人通常会进入物体的潜在占用空间，如人类的个人空间和门周围区域，潜在占用空间是指物体和人可能使用的区域，尽管该区域内没有实际物体。即使有足够的空间通过，通常也需要避免机器人进入，例如正在看电视的人面前的区域或正在交谈的人之间的区域。人类的个人空间就是潜在占用空间的典型例子，当有人进入这一特殊区域时，人们可能会感到不舒服，懂规矩的人通常会不自觉地避免进入这类空间。可以说，与人类共存的导盲机器人也应该避免进入潜在的占用空间，这样才可以被社会所接受。此外，在有些情况下，机器人会试图从桌子或椅子下面进入，以更短的距离抵达目的地 。机器人可能会误认为，既然障碍物下有足够的空间，它就可以通过。因此，当机器人进行路径规划时，它可能会选择这样的路径，使用户与障碍物发生碰撞。即使用户有足够的空间，通过这类区域也是不自然的。

　　此外，用户在使用导盲机器人时会受到很多限制。目前开发的大多数导盲机器人都要求用户通过调整速度来跟随机器人，或自行控制机器人的移动速度。在不了解周围情况的情况下，视障人士很难控制机器人的速度或调整自己的速度，并且视障人士与机器人一起进入物体或周围人群可能占据的空间，会给视障人士带来非常大的压力。

　　本研究开发的导引移动机器人，该机器人由移动平台、带手柄的主体框架和显示器组成。该平台采用Vstone Co. Ltd公司设计的Mecanum Rover Ver2.1。它配备四个麦克纳姆轮，具有全向移动功能，可承重40kg。

　　机器人主体由轻质坚固的聚碳酸酯和铝框架等材料制造成。该机器人的总重量为 27.6kg，最大速度为 130 CM/s，为了控制机器人，机器人的底座上安装了两台笔记本电脑。此外，底座前方还安装了一个二维测距传感器 URG-04LX-UG01（LRF）。两台 RGB-D 摄像机 RealsenseD435 安装在机器人底座上方650 毫米的显示器支撑杆上。手柄的设计便于握持。手柄底部用螺钉和合成橡胶固定在底座上。此外该机器人还使用了一根伸缩导线°，将其固定在底座上。此外，考虑到使用者的身高，手柄的高度可在 60 厘米至 80 厘米之间调节。

　　为了让导引移动机器人引导用户抵达目的地，首先一定要了解环境。因此，利用 LRF 获取的距离信息，通过基于制图师的同步定位和绘图（SLAM）技术生成周围环境的二维占用栅格地图。在本研究中，通过SLAM 生成的地图是二维占用栅格地图，二维占用栅格地图将周围环境划分为若干网格，并以占用概率随机描述物体是否占用每个网格。开始时，所有网格都显示为灰色，因为初始状态是检测前的未知状态。之后，LRF 对环境进行仔细的检测，如果检测到物体，则网格上存在物体的概率很高，因此这些区域显示为黑色。此外，当占用概率较低时，意味着网格上为空白区域的概率较高，因此这些区域显示为白色。如果尚未检测到这一些地方的信息，则未知区域保持灰色。

　　对于上图所示的室内环境（左a），生成的地图（右b）。一个房间的门是开着的，机器人由人工控制在房间和通道中四处走动，直到检测到所有工作区域。这个提前生成的地图将作为全局地图，用于实验中的引导任务。红色三角形表示 (a) 所示视图中机器人的位置。有一个房间的门一直开着，其他房间的门都关着。在实验过程中，通道的末端是不允许进入的。地图正确反映了房间和通道的形状。地图中的白域表示机器人能通过的地方，黑域表示机器人在移动过程中必须避开的障碍物。灰域表示未知地点。

　　空间风险地图是根据物体可能占据的空间生成的。对于没有障碍物但可能被物体占用的区域，也会按照不同的风险等级做评估，以便机器人在正常的情况下避免进入这一些地方。潜在占用空间的概念是通过斥力势场来评估的，斥力势场会对机器人产生斥力，因此除非来自其他方向的斥力较小，否则机器人无法靠近这些区域。在这种情况下，机器人别无选择，只能穿过潜在的被占空间抵达目的地。这仍然是一个不错的选择，因为人类也会这样做。

　　例如，人们通常会避免进入正在看电视的人前面的区域，因为这会打扰到他，但在无另外的路径的情况下，他们还是会穿过这些区域。不过，人类能向被打扰的人说对不起，这在日常生活中通常是允许的。机器人也能这样控制。通常情况下，控制机器人是为了尽最大可能避免打扰他人，但它也会使用有效的互动方式，比如说 对不起，让被打扰的人感觉好一些，同时完成自己的任务。

　　可以看出，障碍物周围的区域都经过了风险评估，这样机器人就能找到一条没有风险的路径到达目标。离障碍物越近，风险等级越高。当没有无风险路径时，将生成风险最低的路径。这在某种程度上预示着，当没有更好的路径时，潜在的被占空间仍旧能通过。

　　提出了一种基于空间风险地图的运动操控方法。利用事先生成的全局地图，机器人利用编码器和激光雷达的信息进行自我定位。OpenPose利用RealSense D435的RGB-D信息检测环境中的人类。人体的方向能够最终靠人体肩部的三维坐标计算出来。在这里，三维坐标是通过将OpenPose检测到的RGB图像中的肩部位置与点云进行匹配来计算的。视障用户由OpenCV ObjDetect 模块人脸识别（SFace）识别，用户的状态由用户身体的姿势检测。

　　大部分障碍物及其区域由 Yolact 识别，一些容易与人产生互动的特殊障碍物（如墙上的海报）会被提前标记在地图上。障碍物、行人和用户的影响都会反映到机器人身上，机器人通过综合势场办法来进行控制，其中还考虑了潜在的占用空间。

　　机器人通过声音指令向用户更好的提供候选目的地，用户可通过回答候选目的地的编号从候选目的地中做出合理的选择。用户的声音通过语音识别API 进行识别。在地图上设置好引导移动机器人的目的地后，使用迪杰斯特拉算法计算地图上的最短路径。该算法基于图论，能有效计算出两个节点之间的最短路径，这些节点均匀地设置在地图上白色的自由空间区域。考虑到潜在的被占空间，机器人基本上按照最短路径抵达目的地，但局部路径会根据空间风险地图进行实时调整。

　　势场法是一种实时机器人运动控制方法，根据可能会影响机器人运动的场所或物体的特性产生势场。机器人应朝向的目标或子目标被设定为具有引力势场，它们将产生引力使机器人靠近。机器人应避免碰撞的障碍物则被设置为排斥势场，它们会产生排斥力，使机器人离开。对于视障用户，引力势场被设置在用户前方的一定距离内，这样机器人就会尽量与用户保持一定的距离。这个距离通常设定为人类的社交距离，用户都能够自行调整。保持一定的距离可以让机器人更体贴，因为当用户速度变快时，它能移动得更快，而当用户速度变慢时，它可以慢下来或停下来等待用户。

　　此外，当用户按照自己的意愿移动时，机器人还可以跟随用户移动。所有这些动作都是自动生成的，而不是通过逐个设置规则来设计的。特别是，潜在的占用空间被设置为具有排斥势场，这一些地方的风险等级是根据物体的属性生成的。潜在占用空间产生的排斥势场与障碍物产生的排斥势场相似，但更小。它能保证机器人在正常的情况下尽量避开这一些地方，但在没有更好的路径时仍能通过这一些地方。机器人将朝着集成势场的梯度方向挪动。当目标设定并生成最短路径后，机器人开始根据生成的引力势场向目标移动。

　　然而，最终目标可能离机器人很远，这会导致机器人停在集成势场的某些局部极值上。相反，子目标是通过从最短路径采样生成的，机器人将始终向最近的子目标移动。公式 (1) 显示了来自子目标和用户前方位置的引力势场的值，公式 (2) 显示了来自障碍物和潜在占用空间的排斥势场的值。

　　这里，Pa指产生的引力势场，Pr指产生的排斥势场。ka和kr指系数，根据实验测试确定。da和dr指机器人与目标之间的距离。d0指机器人能够接近障碍物的最小距离。

　　为了证明所提方法的有效性，我们分别在室内环境下对10位蒙眼用户进行引导测试，当机器人引导一名用户时，其他用户显示为随机行走或相互交谈的行人。障碍物被允许的距离设定位10厘米，与传统方法（不考虑空间风险图的势场法）相同，特殊物体的允许距离设定不一样（椅子为20厘米）。至于人，人的个人空间区域设定为圆形，宽 80 厘米，长 100 厘米。在环境中，计算并比较机器人到不同物体的最短距离。实验结束后，对导盲机器人的社会接受度进行问卷调查。通过对用户和行人做出详细的调查，比较传统方法和建议方法，对机器人的有效性、接受率、对机器人的信任度或受机器人干扰的程度进行5级评估。

　　机器人基于传统势场法将行人视为障碍物，从而避免与行人发生碰撞。但是，机器人可能会选择一条非常靠近行人的路径，或走到行人前面干扰他们。

　　如图所示，行人被检测到并作为视为障碍物（如粉色圆圈所示）。此外导盲机器人还为行人设置了预留区域（粉色圆圈周围的蓝色圆形区域），并生成了最短路径（绿线），该路径非常靠近预留区域。然后，机器人（紫色矩形）沿着设计好的路径向目标移动。

　　一个人在机器人的引导下蒙眼行走（测试人员）。如图 7 所示，机器人成功地避免了与该人相撞，但离他很近（最短距离为 40 厘米），以至于被引导者与该人发生了轻微碰撞（如图 7 中的（c）和（d）所示）。机器人干扰了行人，使用户和行人都对碰撞对方感到抱歉。

　　另一方面，机器人根据所提出的考虑空间风险图的势场法，将行人视为人类，这样它不仅避免了与行人相撞，还避开了行人周围可能被占据的区域（根据自己空间的概念，显示为圆形状），显示为在进入行人的个人空间之前调整路径。这样，机器人和引导用户都避开了行人，并与行人保持了一定的距离，提前避免了行人感到不舒服。

　　如图所示，行人被检测到，并被视为一个人（如图中椭圆个人空间的圆圈所示）。根据距离设定个人空间的风险等级，生成风险最低的路径（绿线），该路径与行人的距离相对较远。然后，机器人（紫色矩形）按照设计好的路径向目标移动。同一个人在机器人的引导下蒙眼行走（测试人员）。上图所示，机器人成功避开了与人的碰撞（最短距离为 40 厘米），并提前保持了避让动作（上图中的（b）和（e）所示）。行人没有受到机器人或用户的干扰。

　　根据传统的势场方法，机器人将对话中的行人视为独立的障碍物，从而避免与两个行人相撞。但是，机器人可能会选择一条穿过这两个行人并与他们非常接近的路径。

　　如上图所示，行人被检测到并作为独立障碍物处理（如粉色圆圈所示）。此外，还为行人设置了预留区域（粉色圆圈周围的蓝色圆形区域），并生成了最短路径（绿线），该路径非常靠近一名行人的预留区域。然后，机器人（紫色矩形）沿着设计好的路径向目标移动。

　　一个人在机器人的引导下蒙眼行走（测试人员）。如上图所示，机器人成功地避免了与行人相撞，但穿过了行人之间的区域，并非常接近其中一位行人（c至f所示，最短距离为 10 厘米）。机器人干扰了行人的交谈，让行人感到不适。

　　另一方面，机器人根据所提出的考虑空间风险图的势场方法，将行人视为人类，这样它不仅避免了与行人相撞，还避开了行人周围潜在的被占区域（如两个圆形的个人空间的连接区域），表现为调整路径，从两个行人的另一侧移动，而不是从他们中间穿过。这样，机器人和引导用户都避开了行人，并与他们保持了一定的距离，避免了行人提前感到不适。

　　通过考虑空间风险图的势场法引导用户避免与谈话中的两个人发生碰撞时的路径规划结果

　　如上图所示，检测到行人后，将其视为具有相连个人空间（如相连的圆形）的两个人。根据与两位行人的距离，为相连的个人空间设定风险等级，并生成风险最低的路径（绿线），该路径位于两位行人的另一侧，与他们的距离相对较远。然后，机器人（紫色矩形）沿着设计好的路径向目标移动。同一个人在机器人的引导下蒙眼行走（测试人员）。

　　如上图所示，机器人通过向行人的另一侧移动，成功避免了与行人相撞（如图 13 中（a）至（f）所示，最短距离为40厘米）。正在交谈的行人既没有受到机器人的干扰，也没有受到用户的干扰。

　　机器人根据空间风险图提出的势场方法，将椅子视为障碍物，并留有特殊余量，这样不仅避免了与椅子相撞，还避开了椅子周围可能被占据的区域（如粉红域所示，圆形风险区域较宽），起到了提前调整路径以避免与椅子相撞的作用。这样，机器人和被引导的用户都避开了椅子，并与椅子保持了一定的距离，避免了环境中其他行人对视障用户的担心。

　　如上图所示，椅子被检测到并作为障碍物处理，其特殊风险区域显示为浅蓝色的圆形区域，该区域是根据物体的属性生成的。这里是一个圆形，与人的圆形区域不同。根据与椅子的距离，将风险等级设置为可能被占据的区域，并生成风险最低的路径（绿线），该路径远离椅子。然后，机器人（紫色矩形）按照设计的路径向目标移动。如图 15 所示，机器人通过提前避开椅子，成功避免了与椅子的碰撞（如图 15 中（a）至（f）所示，最短距离为 20 厘米）。这也避免了周围观看用户的行人感到担忧。

　　视障人士（由 10 个蒙眼行走的人假扮）最终在导盲移动机器人的引导下，完成通过一个有多个物体的通道的任务。

　　如图上图所示，通道中有多把椅子作为障碍物，还有单人站立或相互交谈的人。生成的路径风险最低（紫色线条所示）。

　　机器人成功地引导用户到达目标，避开了所有行人与障碍物，既没有打扰他们，也没有让他们担心。

　　如图显示，机器人避免进入单人站立者的个人空间，最短距离为 40 厘米。它通过在两张椅子的相对中线上移动，与两张椅子保持一定距离（最短距离为 20 厘米），从而避开了两张椅子，防止用户与两张椅子相撞。机器人还引导用户避开正在交谈的两位行人，方法是移动到他们的右侧（空间较宽），最短距离为 40 厘米。

　　根据问卷调查的最终结果，使用建议方法后，导盲机器人的有效性与接受率都有所提高，但在应用前仍有差距（5 分中有 3.5 分）。尤其是视障用户，尽管机器人的性能比传统方法有了很大提高，但他们对机器人的信任度（5 分中的 3 分）仍处于中等水平。令人鼓舞的是，使用建议的方法后，行人不适感程度大大降低。

　　本研究设计了一种智能导盲机器人。通过在路径规划和运动控制过程中考虑风险地图的概念，可以使导盲机器人在考虑周围人员状况的情况下向目标移动。风险地图是根据物体可能占据的区域生成的，能够准确的通过物体的属性做调整。机器人在避开障碍物的同时，能够尽可能的防止打扰或影响周围的人，并调整速度与用户保持一定的距离。通过在不同环境下引导 10 名测试人员参与实验，证实了所提出方法的有效性。此外还需要对真正的视障人士进行进一步的测试实验。与此同时该实验还需要改进语音识别功能，使机器人能够理解用户的意图，并以语音指令的概念选择目的地。同时增加语音场景指示功能，这样当用户尝试与环境互动时，机器人就能解释用户周围的场景。

　　注：本文研究内容源自神奈川大学机械工程系 张斌 2023年6月 21日发布于IEEE Access期刊