怎么解决ros360扫地机器人对比小米转弯卡顿

来源：蜘蛛抓取(WebSpider) 时间：2018-09-27 02:43 标签： 360扫地机器人对比小米

扫地机器人智能化升级，感知模块重要性突出。扫地机器人最早在欧美市场销售，近年来随着深度学习、机器视觉等AI技术的发展，扫地机器人产品的迭代不断加快，向智能化方向升级。目前，市场主流机型可分为随机式清扫（第一代）、规划式清扫（第二代）和导航建图式清扫（第三代），后两代都具备路径规划技术，这使得环境感知模块的重要性愈发突出。智能扫地机器人以自动清扫的方式解放年轻人打扫压力，同时其智能化特性引发年轻人的“猎奇”心理，使得市场规模高速增长。


扫地机器人产品迭代进程

图表来源：公开资料整理

         随机式扫地机器人清扫效果靠时间和不断的重复来堆砌，经常会出现反复清扫或大面积漏扫的情况，算法的优劣直接决定了清扫质量和效率高低（实际上，随机式产品也包含了简单算法，例如撞墙时的转向角度等）。

        路径规划式产品增加了定位导航，清扫过程有迹可循，清扫面积和效率相比随机式要高很多，但规划式产品必须要有定位的能力，需要进行地图构建和规划清扫。当前的定位与地图构建的主流技术主要是SLAM。

路径规划式与随机碰撞式扫地机器人对比

图表来源：公开资料整理

Mapping）的含义是即时定位与地图构建，指的是机器人在自身位置不确定的条件下，在完全未知环境中创建地图，同时利用地图进行自主定位和导航。SLAM问题可以描述为：机器人在未知环境中从一个未知位置开始移动，在移动过程中根据位置估计和传感器数据进行自身定位，同时建造增量式地图。

实时定位（Localization）。目前GPS的精度只能达到半米，而且实时定位的更新频率很快，需要达到10次/秒，GPS定位技术无法满足。定位包括相对定位和绝对定位：相对定位主要依靠内部本体感受传感器如里程计、陀螺仪等，通过给定初始位姿，来测量相对于机器人初始位姿的距离和方向来确定当前机器人的位姿，也叫做航迹推测（Dead Reckoning，DR）；绝对定位主要采用主动或被动标识、地图匹配、GPS、或导航信标进行定位。位置的计算方法包括有三角测量法、三边测量法和模型匹配算法等。

         （3） 路径规划。机器人绘制的地图可以向任意方向行驶，因此其路径规划还包括避障和直接控制行为，导航仪是由人来决定，机器人是用算法决定的，因此算法是路径规划的。

由于传感器种类和安装方式的不同，SLAM的实现方式和难度会有一定的差异。按传感器来分，SLAM技术主要分为两类，一类是基于LDS激光测距传感器的SLAM技术，另一类是基于机器视觉的SLAM。其中，激光SLAM比VSLAM起步早，框架已经初步确定，因此产品落地相对成熟，主要分为单线式和多线式。基于视觉的SLAM又称为 VSLAM（Visual SLAM），目前的主流算法是基于RGBD的深度摄像机，分为单目、多目、结构光（进一步分为单目结构光和多目结构光）、ToF等。随着机器视觉的迅速发展，VSLAM技术因为信息量大、适用范围广等优点受到关注，目前尚处于应用场景拓展、产品逐渐落地阶段。

图表来源：公开资料整理

图表来源：公开资料整理

        激光雷达SLAM是LDS激光测距传感器与SLAM技术的结合。激光雷达测距LDS的原理是：从半导体激光器以一定的入射角度发射一束或n束激光照射被测物体，激光在物体表面发生散射或折射，通过透镜对反射激光汇聚成像，光斑成像在CCD传感器上（Charge-coupled Device，感光耦合组件）。当物体发生位移时，光斑也将随之产生移动，其位移大小通过信号处理器的计算而获得，由光斑位移距离计算出被测物体与基线的距离值。由于入射光和反射光构成一个三角形，位移计算运用了几何三角定理，故又被称为激光三角测距法。这种方法能够获得精度较高的距离信息。        LDS的硬件工作流程分为几步：1.发射激光，同时感光芯片曝光；2.读取像素数据；3.计算出像素的质心位置；4.将步骤3中的计算结果（像素位置）换算成距离信息。        阻碍LDS大规模推广的主要还是价格因素。目前，LDS技术比较成熟的是美国 Velodyne公司，随着技术的发展与革新，LDS成本持续降低，为其应用领域扩展提供有力支持。        影响LDS价格的主要有两大要素：线束数量和采购量。通常线束越高，价格越高；采购量越大，价格越低。Quanergy公司通过降低线束维度，逐步使用固态激光雷达，让成本降低到了250美元左右，国内企业思岚科技，可以在采购量超过1万台左右时，单线束的价格可以降低到1000元以内。随着终端用户的产品放量，激光雷达的产业化将会带动价格打破瓶颈区域。

图表来源：公开资料整理

激光雷达的价格发展趋势

图表来源：公开资料整理

激光雷达按照激光束的数量可以分为1线（2D）、4线、8线、16线、32线、64线激光雷达，不同线型、厂商的激光雷达售价差别也相对较大。根据精度和功能需求的不同，智能装备所用的型号不同，具备高度自主移动功能的移动式机器人（如无人驾驶汽车、无人机），需要配备长距离8线以上的激光雷达，成本较高。        相比之下，对空间测距范围需求有限的扫地机器人大多采用1线短距离LDS，相对较低的成本也有利于LDS在该领域的推广。目前来看，新一代扫地机器人已经开始利用LDS技术替换传统随机碰撞式产品，例如小米和Neato的扫地机器人主要走LDS方向，而科沃斯产品则覆盖了LDS与VSLAM技术。以小米为例，2016年公布的米家扫地机器人，搭载了小米自主研发的LDS传感器，可以实现360°扫描，测距达到了1800 次/秒。该产品会根据LDS获取的精确距离信息，通过SLAM算法实时绘制房间地图，提高清扫效率和质量。

激光雷达在服务机器人上面的全面应用

图表来源：公开资料整理

SLAM）是一种机器视觉导航定位系统，相比能够直接获取方向和距离数据的激光SLAM技术，VSLAM获取的是灰度或彩色图案，对于障碍点只能获取方向而无法直接测量距离。要想计算该点的距离，需要相机挪动一个位置再观察一次，按照三角原理进行推算。

图表来源：公开资料整理

       VSLAM过程可以分为前端和后端，前端相当于VO（视觉里程计），研究帧与帧之间变换关系，提取每帧图像特征点，进行相邻帧图像的特征点匹配；后端主要是利用 TORO、G2O算法的全局优化。因此，VSLAM的技术难点在于两方面：1.特征点提取与匹配；2.匹配点图像坐标与空间坐标是非线性关系。例如2D-2D像素点的对应满足对极几何、2D-3D点的对应满足PnP约束，这些匹配会引入众多约束关系，使得待估计变量的关系错综复杂。这两个难点，前者导致了前端的特征跟踪不易，后者导致了后端的优化不易。 

       因此VSLAM的稳健性是一个有挑战的问题。为此需要引入回环检测，就是如何有效判断相机经过同一场景的能力。如果回环成功，通过把对比信息输送给后端优化，提供更加有效的姿态约束，从而显著减小累积误差，逼近全局一致。       对于VSLAM而言，视觉传感器的重要性不言而喻。视觉传感器主要分为单目、双目、单目结构光、双目结构光、ToF几大类。传统面阵相机/多目被动式相机采用面阵 CMOS作为核心元件，随着手机行业对于镜头的强劲需求，使得整个CMOS、镜头制造行业迅猛发展，带动其成本的降低，这也是VSLAM发展起来的重要原因。       按照传感器的不同，实现vLSAM有两条路径，一是基于单目、鱼眼相机，利用多帧图像来估计自身的位姿变化；二是基于深度相机的方案，与LDS类似，通过收集到的点云数据，直接计算障碍物距离。

图表来源：公开资料整理

map（深度信息）。相比传统单目和双目相机，RGB-D更易于获得障碍物的三维信息，深度信息通过红外结构光或飞行时间原理测得。       结构光（Structured Light）原理：通俗来说就是光源具备特殊结构，例如离散光斑、条纹光等。通过将图像投影至被测物上，根据图像的畸变程度来判断被测物体的深度信息。以Light Coding方案为例，其光源成为“激光散斑”，激光束通过光学衍生元件DOE（Diffractive Optical Elements，如扩散片和光斑）进行衍射，得到散斑图。散斑具备高度随机性，空间中任意两个散斑图案均不同，因此可以给整个空间做出标记。在形成基准坐标后，IR传感器可以捕捉经过物体畸变后的散斑，通过进一步计算可以得到在基准坐标中的偏移量，从而求解出深度信息。

图表来源：公开资料整理

Flight）飞行时间测距法：根据调制方法的不同，一般可以分为脉冲调制和连续波调制两种。ToF是一种很有前景的深度信息获取方法，通过传感器发出调制波，碰到物体后反射，计算发射与反射的时间差或相位差，以产生深度信息。目前搭载消费级ToF的产品主要有微软的Kinect

图表来源：公开资料整理

        双目、ToF和结构光，这三种方法在检测距离、检测速度上相差不大，主要区别在于： 1.结构光方案优势在于技术成熟，深度图像分辨率可以做得比较高。由于结构光会主动投射编码光，因此适合用于光照不足、缺乏纹理的场景。其缺点在于室外环境基本不能使用，因为容易受到强自然光影响，导致投射的编码光被淹没。       2.ToF方案抗干扰性能好，与基于特征匹配原理的深度相机不同，其测量精度不会随着测量距离的增大而降低，测量误差基本上是固定的，因此在远距离场景具有明显优势，视角更宽。ToF的主要不足在于深度图像分辨率较低，近距离测量精度相比其他深度相机有较大差距。同时，ToF传感器芯片成本很高，阻碍了其量产。       3.双目方法的成本相对是最低的，但是最大的问题在于深度信息依赖软件算法，导致需要较高计算性能的芯片。另外，双目法也有普通RGB的通病：依赖于光照强度和物理纹理，在物理特征不明显的区域性能出现下降。

图表来源：公开资料整理

0.01-0.1米，适用于静态且简单的场景；而VSLAM的精度相对较低，但地图的信息量更完整。从应用场景来看，LDS由于强光直射的影响，其设备档次被明确划分为室内应用和室外应用；VSLAM的优势在于纹理信息的丰富性，相同外形的障碍物 VSLAM可以识别出内容上的不同，这带来了场景分类上的优势。然而在光照较弱或纹理不清晰的环境，VSLAM的表现相对较差。   从成本上来说，LDS有很多价格档次，例如Velodyne的室外远距离多线雷达价格在几万至几十万不等，室内的中低端近距离平面激光雷达价格也在千元级，但目前国内也有低成本LDS的解决方案；VSLAM主要通过摄像头采集数据信息，成本上要更低。在计算需求和算法难度方面，LDS由于其研究成熟以及误差模型相对简单，在算法上门槛更低，甚至部分开算代码已经纳入了ROS系统成为标配。而VSLAM由于特征点提取与匹配、坐标转换等图像处理问题，其算法门槛要远高于LDS，因此 VSLAM基本需要强劲的准桌面级CPU或者GPU支持，而LDS可以在普通ARM CPU 上实时运行。       整体来看，LDS与VSLAM各有优劣，并不存在明显的替代关系，未来在应用场景上可能各有区分。

图表来源：公开资料整理

       清洁效率、便利性是衡量扫地机器人性能的重要指标，因此能够自主导航避障、高效清洁，是扫地机器人发展的必然趋势。目前几乎所有扫地机器人厂商都在开发自主导航式的扫地机器人，所采用的自主避障和规划路线就集中于VSLAM和LDS技术。       激光雷达扫地机器人采用一线低成本LDS技术获得周围物体的距离信息，优势在于厘米级的精度和较大的覆盖范围（半径为5米的激光雷达能够覆盖80平方米的空间）；缺点在于无法探测到落地玻璃、花瓶等高反射率物体（激光照射这类物体无法接收散射光）。基于VSLAM的扫地机器人，优势在于应用场景较宽，对室内居室没有要求，缺点在于精度较低，会出现累积误差。       其中，由于扫地机器人面向消费市场，相同品牌下的LDS与VSLAM导航的扫地机器人与随机碰撞式扫地机器人相比，价格一般贵出80%-150%，其普及过程与成本降低的进程高度相关，从清洁效率或清洁质量上都比随机碰撞式扫地机器人高出很多。

不同技术方案扫地机器人的特点

图表来源：公开资料整理

       国内扫地机器人企业竞争格局及技术路线。根据中怡康时代的数据，科沃斯在国内市场凭借先发优势形成第一梯队，目前其占率大约在50%左右。科沃斯产品系列较为齐全，涵盖了低端的随机碰撞式以及中高端导航机器人，技术路线也覆盖了LDS 以及VSLAM。

 第二梯队主要是国际巨头iRobot和新贵品牌小米，二者合计占国内市场份额约23%-25%。根据年报的披露，iRobot在全球市占率高达60%，在美国拥有80%的市场份额。其技术路线一直采用VSLAM，主要定位于高端市场，产品价格也相对较高。小米的扫地机器人产品主要采用LDS技术，旗下的石头科技已经推出3个系列、4款单品。三大系列分别是：（1）高端的“石头”品牌，定位扫拖一体智能导航扫地机器人，首发价2499元；（2）中端的“米家”品牌，背靠小米面向中端客户，首发价1699元；（3）面向年轻消费群体的“小瓦”品牌，设计语言与另外两个品牌保持一致，核心功能针对中小户型特点进行定制，两款价格分别为1099和1799元。目前在LDS算法里面，技术领先的企业已经能够做到分区扫、设置虚拟墙、断点续扫等。       第三梯队主要是一些国内外的领先品牌。其中，国外品牌技术优势明显，然而渠道较弱以及售后能力不足，以浦桑尼克、福玛特、飞利浦和三星为主；国内企业主要是传统家电厂商海尔、美的等，这类企业拥有渠道优势，后续发展空间不容忽视；剩余还有一些中小品牌，众多没有核心技术和产业链整合能力的公司将会被行业整合。

家用扫地机器人性能测试

图表来源：公开资料整理

国内扫地机器人市场竞争状况

图表来源：公开资料整理

资料来源：公开资料，观研天下整理，转载请注明出处（ZQ）

2018年年初，360推出了扫地机器人。这款机器人应用了SLAM技术。SLAM技术可以对未知环境自动建立地图，并为智能设备导航。这一技术广泛地应用于各种可移动的智能设备。不论是自动驾驶汽车、机器人、VR/AR设备都离不开SLAM技术。本次360人工智能研究院副院长谭平教授将结合扫地机器人这一应用，简要介绍扫地机器人在规划导航（SLAM）方面的技术原理。

PS：丰富的一线技术、多元化的表现形式，尽在“HULK一线技术杂谈”，点关注哦！

18年初，360正式推出了智能业务线最新产品——360扫地机器人

360扫地机器人搭载了人工智能黑科技，采用激光SLAM的规划式，高效率、无漏扫；扫拖一体设计；独家指定禁区功能——扫地机中的战斗机，欧耶！

哪些人在研究SLAM?

这些应用离我们互联网公司有点遥远，那么我们近一点的，就是这两年比较火的AR/VR

为什么用AR要解决SLAM 的问题？

图片为微软的HoloLens眼镜。

假想我现在带的是一副AR眼镜，那么带了AR眼镜以后，我的面前就应该能出现一个虚拟的人物站在这，从不同的角度可以看到他不同的样子。

比如，我现在正对着笔记本，那我就要看到笔记本的正面的屏幕，朝下要看到键盘，走到背面就要看到笔记本的背面。

这些要怎么实现呢？如果有一个SLAM系统的话，这一切就就都可以做到。

我站在笔记本前面时，SLAM系统就定位出我的位置，从而相应地在眼镜片上投射电脑屏幕的图像。所以要做好AR眼镜，SLAM是里面最关键的一个问题。

另一个和今天的话题直接相关的就是机器人。研究机器人的人都很关注SLAM。

下面为大家介绍一下SLAM的概念。

– 地图中只有少量的环境点
– 如：火箭/潜艇导航、地图绘制

上图是一个用相机做Sparse SLAM的例子。如图有一些绿色的点，在做Sparse SLAM时，只能把这些绿色的点的三维坐标恢复出来，最终的地图里面只有这些绿色的点，其他绝大多数的像素都被丢掉了。

– 地图中有完整的环境信息

对比来说，Dense SLAM就会得到一张比较Dense的图，比如上图是一个房间，右上角那里，床铺的细节都可以看得到。

扫地机方案一：醉鬼走路

第一代扫地机器人的基本技术思想很简单，机器人沿任意方向直行，碰撞后按随机方向折返。理论上讲，给足够长的时间，机器人可以清扫房间的每一个角落。但这只是理论上。实际情况是，机器人往往会被卡在狭小的区域，反复碰撞，怎么也不能摆脱困境。

如图，这个机器人就被卡在床和墙壁之间的缝里，红色部分就是无法扫到的区域。

这让我想起大学时学《随机过程》的情景。为了说明随机游走的这种困境，老师用交大人工湖在图书馆前的一个狭长部分为例。每当湖面的落叶飘到那个狭窄的“盲肠”就很难再漂出来，于是“盲肠”成了天然的垃圾收集器，清洁工只需要打扫那个“盲肠”就能保持整个湖面干净。据说高明的建筑师都会这样设计人工湖。只是在扫地这事上，机器人成了漂浮的落叶，家里的每个拐角都是危险的“盲肠”。

扫地机方案二：盲人摸象（ESLAM）

机器人通过轮速记和IMU来记录自己的运行轨迹。

●轮速记可以记录轮子转了多少圈。

最常见的轮速记就是用在出租车上，出租车打表就是用轮速记，根据轮子转了多少圈计算行驶路程来计费。所以据说有司机把车轮换成小一点的轮子，这样就可以多挣大家的钱。

扫地机器人通过轮速记记录自己转了几圈，乘以周长，就可以计算自己走了多远。

●IMU记录转弯的方向。

行走距离+转弯方向就可以知道自己的行走轨迹。

这个方案就像一个生活经验丰富的盲人，光靠记转弯、数步数也能弄清楚自己的行走轨迹一般。有了这样的“航迹推算”，机器就可以按预设的、覆盖全平面的轨迹行走，撞到障碍物就标出并折返。这个方案是规划式的最初级形态——建图基本靠走，避障基本靠撞。

这个方案的问题是机器只能获得对环境的粗糙感知。家庭场景常有狭窄通道，比如床和墙之间的走道。机器很可能在通道入口发生碰撞（设想一位不熟悉环境的盲人试图进入该通道的情形），然后就会折返，留下一整条通道没有打扫。

如图，墙的边界线和床的外围用虚线表示，代表这些机器人是看不到的。红色部分就是机器人扫不到的区域。

另一个典型困境是密集障碍物，比如环绕餐桌放置的椅子，机器人很难在那里顺利通行。具体的原因是，每次碰撞轮子都会有不同程度的打滑，导致轮速记不准，而频繁的旋转又会导致陀螺仪累积误差剧增。机器人就像是一位误入树林的盲人，被打滑、碰撞弄得晕头转向，很难脱身。

扫地机方案三：眯缝眼（LSLAM）

这一代产品是近几年出现的，在智能化程度、用户体验上提升很大，激活了用户的购买欲，并迅速抢走第二代产品的市场。第三代扫地机器人开始配备能直接观测环境的传感器，并根据这个传感器不同，细分为激光雷达方案、摄像头方案。激光雷达安装在机器人顶部（突起部分），描绘一副离地面约9厘米高的平面地图。但单线激光雷达就像一个“眯缝眼”，这个平面外的东西一概看不见。

如图，墙角线用实线表示，因为这些是机器人能看到的。而鞋的边框用虚线表示，代表机器人看不到，因为鞋子太低了，机器人能识别的是一副离地面约9厘米高的平面地图，这个平面外的东西一概看不见，导致机器人会推着鞋子跑。这其实是这种方案目前面临的最大挑战。

扫地机方案四：视觉方案（VSLAM）

摄像头拍摄照片，并用这些照片来建立环境地图。但受限于算法和计算能力，摄像头只能在所谓“特征点”上解算出三维信息用于建立地图。而这些特征点是稀疏地分布在图像中，其数目并不多。

摄像头的好处是视野更大，有机会识别地板上一些需要规避的东西，如宠物粪便、鞋子。单线激光看不到低矮的东西，并可能导致灾难性的后果——扫地机均匀地把宠物粪便涂满屋子。但摄像头的缺点是无法精准定位障碍物。如我前面所说，由于是Sparse 地图，摄像头建立的地图只包含“特征点”。而很多障碍物上很可能一个特征点都没有。于是在障碍物密集区域或是狭窄通道处，摄像头方案都会明显弱于激光雷达。特别是在弱光下摄像头方案几乎会退化到第二代的“盲人摸象”式。

我们实测了Dyson和iRobot几款明星级摄像头方案产品，验证了这个技术判断。最终我们选定用激光方案来做360扫地机器人，因为有密集餐桌椅的家庭远多于有随地大小便宠物的家庭。

方案一vs方案二VS方案三

– ESLAM易漏扫、扫得慢
– LSLAM 在窄缝、障碍物密集场景最优
– VSLAM 的潜力还没有被充分开发

? 测试区域： 9平米会议室
? 三个场景，分别为简单、中等、较复杂
? 自制设备记录各家扫地机的清扫轨迹

? 简单场景下VSLAM和激光SLAM效果接近
? ESLAM没有建图功能，路径规划较差

? 场景中有障碍物时，激光的优势开始体现
– 激光能直接探测到障碍物，视觉不能

? 场景中有较多障碍时，激光的优势明显

– 2017年国内扫地机器人零售总额约50亿
– 2017年科沃斯销售28亿


– 目前美国市场渗透率16%
– 中国沿海大城市渗透率4%， 内地0.5%
– 国内扫地机销售总额年增幅30+% (预计2022年总额200亿)
– 科沃斯扫地机单品毛利率45% (小米手机为5%)

? 现有主流产品有明显劣势
– 激光方案极大提升用户体验

? 市场颠覆正在发生– 科沃斯品牌优势不明显


– 小米发展迅速，两年后占约10%市场份额


? 2016年9月刚发布第一代产品， 9个月后，京东1.7万评论，好评率100%
我们于2017年1月发布第一代产品， 2.5个月后，天猫0.7万评论，好评率99.5%

? 都采用激光SLAM的规划式，高效率、无漏扫
? 360 S6采用扫拖一体设计提升新用户购买意愿
– 首次购买扫地机的用户中，选扫拖一体的多10%
– 小米二代扫地机采用同样的扫拖一体设计
? 360 S6可以软件指定禁区
– 独家功能，用户集中好评
? 性价比显著优于小米
– 功能与小米二代扫地机相同，价格1699 vs 2499

本文总结了扫地机的几种方案，综合以上分析来看，目前单线激光方案LSLAM占优势，360的扫地机器人就是采用此种方案，在清扫效果与用户体验上都有很好的成绩。

由360云平台团队打造的技术分享公众号，内容涉及云计算、数据库、大数据、监控、泛前端、自动化测试等众多技术领域，通过夯实的技术积累和丰富的一线实战经验，为你带来最有料的技术分享

我要回帖

更多关于 360扫地机器人对比小米 的文章

 

随机推荐