课程：
哪位大神能提供一个室内机器人精确定位的方案
室内机器人精确定位方案，这个需要看一下具体的定位精度，米级定位精度的话可以优先考虑蓝牙室内定位方案，如果对定位精度有要求，需要厘米级定位精度的话，就可以考虑UWB室内定位方案。
蓝牙定位：蓝牙定位基于RSSI(Received Signal Strength Indication，信号场强指示)定位原理。蓝牙室内技术是利用在室内安装的若干个蓝牙局域网接入点，把网络维持成基于多用户的基础网络连接模式，并保证蓝牙局域网接入点始终是这个微微网的主设备，然后通过测量信号强度获得用户的位置信息。根据定位端的不同，蓝牙定位方式分为网络侧定位和终端侧定位。
UWB定位：超宽带（UWB)定位技术是一种全新的、与传统通信定位技术有极大差异的新技术。它利用事先布置好的已知位置的锚节点和桥节点，与新加入的盲节点进行通讯，并利用TDOA定位算法，通过测量出不同基站与移动终端的传输时延差来进行定位。
蓝牙定位与UWB定位对比：
首先是工程师最为关注的定位精度问题：目前蓝牙室内定位方案能够实现米级的定位精度；UWB定位已经能够实现厘米级高精度定位。
定位硬件：顾名思义，蓝牙室内定位方案的实现必然是建立在蓝牙室内定位产品的基础上，主要定位硬件包括蓝牙网关、蓝牙Beacon、手环、手表等蓝牙标签以及智能手机、无线局域网及后端数据服务器等。UWB定位硬件产品主要包括定位引擎服务器、智能终端、POE交换机、UWB基站、UWB标签、UWB模块、软件接口等。
应用领域：蓝牙定位主要应用于对人、物定位精度要求一般的室内定位，用于在一定空间范围内获取人或物的大致位置信息；UWB定位则主要应用于室内高精度定位，用于在一定空间范围内获取人或物的精确位置信息。
定位环境搭建：蓝牙定位布局相对简单，只要注意间隔范围就可以了，UWB定位布局相比蓝牙定位要复杂一些，因为涉及到UWB基站的安装。
最后，小编将SKYLAB室内定位工程师总结的各个领域室内定位解决方案选择要点告诉大家：室内定位从用途方向可以划分消费类和工业类。消费类主要实现室内人员引导、消费推送、安全监控、智能家居等商业应用。工业类主要实现消防安全、人员监控、设备引导、财产安全、智能工厂等应用。有些是侧重于单纯的室内定位，而有些则更侧重于导航功能、历史轨迹、电子围栏等功能，因此需要有针对性选择方案。单纯的室内定位、导航，对定位精度要求不高，可以优先选择蓝牙定位方案，侧重历史轨迹、电子围栏这些功能则可以优先考虑UWB定位方案；希望能够帮助到各位有室内定位方案需求的客户们。
室内机器人怎么定位
机器人的室内定位技术
我们经常会在路上听到或看到有关导航和定位的信息，但什么是“室内定位”
呢?在一些GPS无法工作的环境(如建筑物内部)中，你将用什么工具来寻找路线呢?如果遭受灾难袭击或者被困在某处时，救援人员如何发现你呢?家用机器人室内如何导航呢？
新的技术为室内定位提供可能
5年或者10年以前，业界就已经意识到GPS存在缺陷，例如它无法在室内正常工作(在这种环境中，GPS定位很慢甚至不可能，而且不够准确)。E911政策要求移动运营商定位用户手机必须达到一定的精度。这些运营商是第一个遇到这些问题的人。
GPS逐渐演化为辅助全球定位系统(A-GPS)，它使用设备的GPS芯片和移动电话网络(cellular network)来实现定位。然而，由于运营商的网络费用问题，A-GPS还没有被商业LBS服务所使用。因此，Wi-Fi地理定位就成了一项替代技术。在存在Wi-Fi 接入点的地方，Wi-Fi的定位精度可达20米。正如我们在“签到(check-in)”中看到的一样，Wi-Fi还无法准确地显示用户签到地点的准确位置。蓝牙则是一种微观层次上的技术，许多建筑物内都正在使用这项技术，因此具有蓝牙功能的手机可以利用这一服务。“全球定位系统 —— Wi-Fi ——蓝牙——射频识别技术”串起了定位技术发展的主线，设备需要尽量接近于Wi-Fi接入点或者蓝牙节点，设备中的传感器、陀螺仪、罗盘、加速计等都可以为导航和追踪提供“辅助”数据。
国际室内定位技术的发展
Skyhook 和Navizon都是Wi-Fi定位的领军企业。接下来，他们正在准备融入更为广阔的定位技术和服务，即不断地与GPS芯片制造商或者原始设备制造商(OEM)进行合作，例如苹果公司(Skyhook已嵌入到iPhone中)。移动运营商也已经意识到Wi-Fi定位将极大地缩短首次定位时间(TTFF)，仅使用GPS的话，首次定位时间可能会大于1分钟;使用A-GPS，首次定位时间可缩短到12秒;如果使用Wi-Fi，这一时间仅为2秒。因此，对于iPhone手机用户而言，70%的定位服务都是通过Wi-Fi定位来实现的，而并非GPS。
Rosum公司是由一些GPS架构师创办的，他们深知GPS无法在室内正常工作，因此希望找到一种替代方案。该方案利用数字式电视基站技术实现定位，通过为电视信号嵌入时间码，从而获取用户的位置信息。在过去的几年里，Rosum公司一直在致力于生产一种小到可以嵌入设备的芯片。该芯片对于手机而言还是显得有些大，不过将其电视芯片嵌入笔记本电脑中已经不成问题。
测量机器人位置的两种方法是什么？
工业机器人的精确定位大多采用激光跟踪仪进行测量。激光跟踪仪在进行工业机器人重复定位精度测量过程中，必须限制机器人的速度在一定范围内，否则就会出现丢光现象，需重新进行测量，在慢速测量下得到的重复定位精度并不准确，且此装置对操作人员有一定的要求，且操作繁琐、成本极高，如只用在工业机器人定位精度测量上，会形成资源浪费，并且在工业机器人的成品出厂检测过程中，不可能每个工位配一台激光跟踪仪对工业机器人进行检测，所以发明一种成本低、操作方便的工业机器人定位测量装置就非常必要。
针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现要素：
针对相关技术中的问题，本发明提出一种工业机器人定位测量装置，以克服现有相关技术所存在的上述技术问题。
本发明的技术方案是这样实现的：
一种工业机器人定位测量装置，包括固定板一，所述固定板一的上端一侧设置有固定板二，所述固定板一的上端另一侧设置有固定板三，并且，所述固定板一、所述固定板二与所述固定板三之间相互垂直，所述固定板一靠近所述固定板二的一侧上端设置有固定座一，所述固定座一的上端一侧设置有电机一，所述固定座一的上端另一侧设置有两组限位块一，所述固定板一的上端且位于所述固定座一的一侧设置有固定座二，所述固定座二靠近所述固定座一的一侧设置有两组限位块二，所述固定座二的另一侧设置有连接装置一，所述限位块一与所述限位块二之间穿插设置有两组滑杆一，两组所述滑杆一上设置有滑板一，所述滑板一的下端且位于所述电机一与所述连接装置一之间设置有传送带一，所述滑板一的上端设置有连接块一，所述连接块一的上端设置有连接杆一，所述连接杆一远离所述连接块一的一端与连接杆二的一端活动连接，所述连接杆二远离所述连接杆一的一端与活动板的一侧活动连接，所述固定板二的一侧上端设置有固定座三，所述固定座三上设置有电机二，所述固定座三的一侧下端设置有两组限位块三，所述固定板二的一侧下端设置有固定座四，所述固定座四靠近所述固定座三的一侧设置有两组限位块四，所述固定座四的另一侧设置有连接装置二，所述限位块三与所述限位块四之间穿插设置有两组滑杆二，两组所述滑杆二上设置有滑板二，所述滑板二的下端且位于所述电机二与所述连接装置二之间设置有传送带二，所述滑板二的上端设置有连接块二，所述连接块二的上端设置有连接杆三，所述连接杆三远离所述连接块二的一端与连接杆四的一端活动连接，并且，所述连接杆四远离所述连接杆三的一端与所述活动板的另一侧活动连接，所述固定座三的另一侧设置有两组限位块五，所述限位块五的靠近所述电机二的一侧且位于所述固定座三上设置有连接装置三，所述固定板二的上端且位于所述固定座三的一侧设置有固定座五，所述固定座五的上端一侧设置有电机三，所述固定座五的上端另一侧设置有限位块六，所述限位块五与所述限位块六之间穿插设置有两组滑杆三，两组所述滑杆三上设置有滑板三，所述滑板三的下端且位于所述电机三与所述连接装置三之间设置有传送带三，所述滑板三的上端设置有连接块三，所述连接块三的上端设置有连接杆五，所述连接杆五远离所述连接块三的一端与连接杆六的一端活动连接，所述连接杆六远离所述连接杆五的一端与所述活动板的一端活动连接，所述活动板的下端设置有测量装置。
机器人抓取时怎么定位的？用什么传感器来检测
机器人家上了解到，机器人领域的视觉（Machine Vision）跟计算机领域（Computer Vision）的视觉有一些不同：机器视觉的目的是给机器人提供操作物体的信息。所以，机器视觉的研究大概有这几块：
物体识别（Object Recognition）：在图像中检测到物体类型等，这跟 CV 的研究有很大一部分交叉；
位姿估计（Pose Estimation）：计算出物体在摄像机坐标系下的位置和姿态，对于机器人而言，需要抓取东西，不仅要知道这是什么，也需要知道它具体在哪里；
相机标定（Camera Calibration）：因为上面做的只是计算了物体在相机坐标系下的坐标，我们还需要确定相机跟机器人的相对位置和姿态，这样才可以将物体位姿转换到机器人位姿。
当然，我这里主要是在物体抓取领域的机器视觉；SLAM 等其他领域的就先不讲了。
由于视觉是机器人感知的一块很重要内容，所以研究也非常多了，我就我了解的一些，按照由简入繁的顺序介绍吧：
0. 相机标定
这其实属于比较成熟的领域。由于我们所有物体识别都只是计算物体在相机坐标系下的位姿，但是，机器人操作物体需要知道物体在机器人坐标系下的位姿。所以，我们先需要对相机的位姿进行标定。 内参标定就不说了，参照张正友的论文，或者各种标定工具箱； 外参标定的话，根据相机安装位置，有两种方式：
Eye to Hand：相机与机器人极坐标系固连，不随机械臂运动而运动
Eye in Hand：相机固连在机械臂上，随机械臂运动而运动 两种方式的求解思路都类似，首先是眼在手外（Eye to Hand）
只需在机械臂末端固定一个棋盘格，在相机视野内运动几个姿态。由于相机可以计算出棋盘格相对于相机坐标系的位姿 、机器人运动学正解可以计算出机器人底座到末端抓手之间的位姿变化 、而末端爪手与棋盘格的位姿相对固定不变。 这样，我们就可以得到一个坐标系环
而对于眼在手上（Eye in Hand）的情况，也类似，在地上随便放一个棋盘格（与机器人基座固连），然后让机械臂带着相机走几个位姿，然后也可以形成一个 的坐标环。
1. 平面物体检测
这是目前工业流水线上最常见的场景。目前来看，这一领域对视觉的要求是：快速、精确、稳定。所以，一般是采用最简单的边缘提取+边缘匹配/形状匹配的方法；而且，为了提高稳定性、一般会通过主要打光源、采用反差大的背景等手段，减少系统变量。
目前，很多智能相机（如 cognex）都直接内嵌了这些功能；而且，物体一般都是放置在一个平面上，相机只需计算物体的 三自由度位姿即可。 另外，这种应用场景一般都是用于处理一种特定工件，相当于只有位姿估计，而没有物体识别。 当然，工业上追求稳定性无可厚非，但是随着生产自动化的要求越来越高，以及服务类机器人的兴起。对更复杂物体的完整位姿 估计也就成了机器视觉的研究热点。
2. 有纹理的物体
机器人视觉领域是最早开始研究有纹理的物体的，如饮料瓶、零食盒等表面带有丰富纹理的都属于这一类。 当然，这些物体也还是可以用类似边缘提取+模板匹配的方法。但是，实际机器人操作过程中，环境会更加复杂：光照条件不确定（光照）、物体距离相机距离不确定（尺度）、相机看物体的角度不确定（旋转、仿射）、甚至是被其他物体遮挡（遮挡）。
幸好有一位叫做 Lowe 的大神，提出了一个叫做 SIFT （Scale-invariant feature transform）的超强局部特征点： Lowe, David G. "Distinctive image features from scale-invariant keypoints."International journal of computer vision 60.2 (2004): 91-110. 具体原理可以看上面这篇被引用 4万+ 的论文或各种博客，简单地说，这个方法提取的特征点只跟物体表面的某部分纹理有关，与光照变化、尺度变化、仿射变换、整个物体无关。 因此，利用 SIFT 特征点，可以直接在相机图像中寻找到与数据库中相同的特征点，这样，就可以确定相机中的物体是什么东西（物体识别）。
对于不会变形的物体，特征点在物体坐标系下的位置是固定的。所以，我们在获取若干点对之后，就可以直接求解出相机中物体与数据库中物体之间的单应性矩阵。 如果我们用深度相机（如Kinect）或者双目视觉方法，确定出每个特征点的 3D 位置。那么，直接求解这个 PnP 问题，就可以计算出物体在当前相机坐标系下的位姿。
↑ 这里就放一个实验室之前毕业师兄的成果 当然，实际操作过程中还是有很多细节工作才可以让它真正可用的，如：先利用点云分割和欧氏距离去除背景的影响、选用特征比较稳定的物体（有时候 SIFT 也会变化）、利用贝叶斯方法加速匹配等。 而且，除了 SIFT 之外，后来又出了一大堆类似的特征点，如 SURF、ORB 等。
3. 无纹理的物体
好了，有问题的物体容易解决，那么生活中或者工业里还有很多物体是没有纹理的：
我们最容易想到的就是：是否有一种特征点，可以描述物体形状，同时具有跟 SIFT 相似的不变性？ 不幸的是，据我了解，目前没有这种特征点。 所以，之前一大类方法还是采用基于模板匹配的办法，但是，对匹配的特征进行了专门选择（不只是边缘等简单特征）。
简单而言，这篇论文同时利用了彩色图像的图像梯度和深度图像的表面法向作为特征，与数据库中的模板进行匹配。 由于数据库中的模板是从一个物体的多个视角拍摄后生成的，所以这样匹配得到的物体位姿只能算是初步估计，并不精确。 但是，只要有了这个初步估计的物体位姿，我们就可以直接采用 ICP 算法（Iterative closest point）匹配物体模型与 3D 点云，从而得到物体在相机坐标系下的精确位姿。
当然，这个算法在具体实施过程中还是有很多细节的：如何建立模板、颜色梯度的表示等。另外，这种方法无法应对物体被遮挡的情况。（当然，通过降低匹配阈值，可以应对部分遮挡，但是会造成误识别）。 针对部分遮挡的情况，我们实验室的张博士去年对 LineMod 进行了改进，但由于论文尚未发表，所以就先不过多涉及了。
4. 深度学习
由于深度学习在计算机视觉领域得到了非常好的效果，我们做机器人的自然也会尝试把 DL 用到机器人的物体识别中。
首先，对于物体识别，这个就可以照搬 DL 的研究成果了，各种 CNN 拿过来用就好了。有没有将深度学习融入机器人领域的尝试？有哪些难点？ - 知乎 这个回答中，我提到 2016 年的『亚马逊抓取大赛』中，很多队伍都采用了 DL 作为物体识别算法。 然而， 在这个比赛中，虽然很多人采用 DL 进行物体识别，但在物体位姿估计方面都还是使用比较简单、或者传统的算法。似乎并未广泛采用 DL。 如 @周博磊 所说，一般是采用 semantic segmentation network 在彩色图像上进行物体分割，之后，将分割出的部分点云与物体 3D 模型进行 ICP 匹配。
当然，直接用神经网络做位姿估计的工作也是有的
它的方法大概是这样：对于一个物体，取很多小块 RGB-D 数据（只关心一个patch，用局部特征可以应对遮挡）；每小块有一个坐标（相对于物体坐标系）；然后，首先用一个自编码器对数据进行降维；之后，用将降维后的特征用于训练Hough Forest。
5. 与任务/运动规划结合
这部分也是比较有意思的研究内容，由于机器视觉的目的是给机器人操作物体提供信息，所以，并不限于相机中的物体识别与定位，往往需要跟机器人的其他模块相结合。
我们让机器人从冰箱中拿一瓶『雪碧』，但是这个 『雪碧』 被『美年达』挡住了。 我们人类的做法是这样的：先把 『美年达』 移开，再去取 『雪碧』 。 所以，对于机器人来说，它需要先通过视觉确定雪碧在『美年达』后面，同时，还需要确定『美年达』这个东西是可以移开的，而不是冰箱门之类固定不可拿开的物体。 当然，将视觉跟机器人结合后，会引出其他很多好玩的新东西。由于不是我自己的研究方向，所以也就不再班门弄斧了。
扫地机器人是如何做室内定位的？
扫地机器人的定位都是室内定位，其要求定位精度高（最少在亚米级），实时性好，GPS、基站定位等方法无法满足。扫地机器人定位总体上可以分为相对定位和绝对定位，下面我们分别来看。
相对定位法
航位推算法（Dead-Reckoning Method）是一种经典的相对定位法，也是扫地机器人目前最为广泛使用的一种定位方法。它利用机器人装备的各种传感器获取机器人的运动动态信息，通过递推累计公式获得机器人相对初试状态的估计位置。航位推算较常使用的传感器一般有：码盘，惯性传感器（如陀螺仪、加速度计）等。
码盘法一般使用安装在车轮上的光电码盘记录车轮的转数，进而获得机器人相对于上一采样时刻位置和姿态的改变量，通过这些位移量的累积就可以估计机器人的位置。码盘法优点是方法简单、价格低廉，但其容易受标定误差、车轮打滑、颠簸等因素影响，误差较大。但是由于码盘价格便宜，简单易用，可用于机器人较短时间距离内的位置估计。
惯性传感器使用陀螺仪和加速度计得到机器人的角加速度和线加速度信息，通过积分获得机器人的位置信息。一般情况下，使用惯性传感器的定位精度高于码盘，但是其精度也要受陀螺仪漂移、标定误差、敏感度等问题影响。无论是使用码盘还是惯性传感器，它们都存在一个共同的缺点：有累积误差，随着行驶时间、距离的不断增加，误差也不断增大。因此相对定位法不适合于长时间、长距离的精确定位。
绝对定位法
绝对定位法是指机器人通过获得外界一些位置等己知的参照信息，通过计算自己与参照信息之间的相互关系，进而解算出自己的位置。。绝对定位主要采用基于信标的定位、环境地图模型匹配定位、视觉定位等方法。
基于信标的定位
信标定位原指在航海或航空中利用无线电基站发出的无线电波实现定位与导航的技术。对机器人室内定位而言是指，机器人通过各种传感器接收或观测环境中已知位置的信标，经过计算得出机器人与信标的相对位置，再代入已知的信标位置坐标，解出机器人的绝对坐标来实现定位。用于定位的信标需满足3个条件：
（1）信标的位置固定且信标的绝对坐标已知；
（2）信标具有主被动特征，易于辨识；
（3）信标位置便于从各方向观测。
信标定位方式主要有三边测量和三角测量 。三边测量是根据测量得到的机器人与信标的距离来确定移动机器人位置的方法。三边测量定位系统至少需要3个已知位置的发射器（或接收器），而接收器（或发射器）安装在移动机器人上。三角测量和三边测量的思路大体一致，通过测量移动机器人与信标之间的角度来进行定位。
基于信标的定位系统依赖于一系列环境中已知特征的信标，并需要在移动机器人上安装传感器对信标进行观测。用于信标观测的传感器有很多种，比如超声波传感器、激光雷达、视觉传感器等。可以实时测量，没有累进误差，精度相对较高、稳定性好，提供快速、稳定、精确的绝对位置信息，但安装和维护信标花费很高。市场上已经出现较为成熟的基于信标定位的信标定位扫地机器人，如Proscenic的模拟GPS卫星三点定位技术，iRobot的Northstar导航定位技术，但由于其价格较为昂贵，它们都用于相对高端的产品中。
环境地图模型匹配定位
是机器人通过自身的各种传感器探测周围环境，利用感知到的局部环境信息进行局部的地图构造，并与其内部事先存储的完整地图进行匹配。通过匹配关系获得自己在全局环境中的位置，从而确定自身的位置。该方法由于有严格的条件限制，只适于一些结构相对简单的环境。
基于视觉的定位
科学研究统计表明，人类从外界获得信息量约有75%来自视觉，视觉系统是机器人与人类感知环境最接近的探测方式。受益于模式识别、机器视觉的发展，基于视觉的机器人定位近年来成为研究热点。
基于视觉的定位主要分为单目视觉、双目视觉。
单目视觉无法直接得到目标的三维信息，只能通过移动获得环境中特征点的深度信息，适用于工作任务比较简单且深度信息要求不高的情况，如果利用目标物体的几何形状模型，在目标上取3个以上的特征点也能够获取目标的位置等信息，但定位精度不高。
双目立体视觉三维测量是基于视差原理的，即左相机像面上的任意一点只要能在右相机像面，上找到对应的匹配点，就可以确定出该点的三维信息，从而获取其对应点的三维坐标。目前，基于视觉定位的扫地机器人也已有产品推出，iRobot和Dyson分别于2015年及2014年推出了基于视觉定位的高端扫地机器人 RoomBa980和360Eye。
QQ客服
新浪微博