21、服务机器人场景分析：从概率建模到目标识别

服务机器人场景分析：从概率建模到目标识别

1. 引言

在日常生活场景中，实现高识别率以及合适的姿态确定精度，并保证可接受的速度和成本，是服务机器人场景分析的重要目标。为了达成这一目标，我们的方法遵循两个指导原则：
- 对目标类别和姿态的不确定性进行有效处理，以此作为多源测量数据关联、融合和决策的基础。
- 采用主动感知机制，即利用机器人的运动能力，根据系统当前的信息状态以及基于模型和几何的预测，提供最佳的相机视角。

同时，我们也非常注重广泛且系统的测试与评估，使用了配备头部立体相机的 DESIRE 双臂移动平台。

2. 概率场景建模

2.1 相关工作

3D 中刚性变换（尤其是方向）的表示是众多领域的核心问题，不同领域有不同的表示方法，以下是一些常见的 3D 旋转表示方法及其优缺点：
| 表示方法 | 优点 | 缺点 |
| ---- | ---- | ---- |
| 旋转矩阵 | - | 重归一化困难 |
| 欧拉角 | - | 变换下不具有不变性，存在奇点 |
| 罗德里格斯向量 | - | 没有简单的组合算法 |
| 单位四元数 | 用较少参数表示 3D 旋转 | 未提供概率分布 |

此外，还有一些其他的方法，如 Choe 通过切空间上的投影高斯表示旋转的概率分布，但只处理集中分布且未考虑平移；Goddard 和 Abidi 使用双四元数进行运动跟踪，捕捉了旋转和平移的相关性，但要求初始估计足够确定且融合信息足够聚焦；Antone 建议使用宾汉分布表示弱信息，但未给出信息融合或不确定信息传播的实用算法，且重归一化计算成本高，也不