針對人口老齡化日趨嚴重的背景，助老服務機器人應運而生，利用助老服務機器人 能夠輔助照料老年人的生活起居，從而幫助青年人減輕照顧老人的壓力，是在人口老齡 化背景下的探索與創新。

近年來，發達國家相繼推出機器人產業的重要戰略與政策，如德國的工業 4.0，日本的機器人戰略，美國的先進制造伙伴計劃等等。中國也制定了把機器人作為十個重點發展領域之一的《中國制造 2025》戰略。機器人產業的快速興起并獲得顯著進步，為服務機器人產業提供了穩定的發展基礎平臺。

服務機器人的穩步發展，提供了養老服務機器人與老年人交流、互動、陪伴等基本功能的關鍵技術基礎，日本是較早研發養老服務機器人的國家之一，根據日本貿易工業部等組織預測，到 2035年，日本護理機器人的預期市場將超過 4000 億日元（約 207 億人民幣），可以預見，未來生活陪伴型服務機器人、醫療護理型機器人將成為養老服務市場的生力軍。

中國養老服務機器人產業方興未艾，市場前景廣闊。各國著名養老服務機器人企業紛紛看好中國養老服務機器人市場。日本大型產業用生產商安川電機已經盯上了中國養老服務機器人市場，確定與中國家電生產商美的集團合作與銷售醫療護理機器人，研發具有高品質、高性能優勢的適應中國老人特點的護理機器人。美國直觀外科（Intuitive Surgical ）器械公司的達芬奇手機機器人正在加速搶灘中國。中國內地和香港配置的 69 臺達芬奇機器人，占 其在全球銷售量比例的 2%；2016 年 11 月，中國大陸地區完成達芬奇收受 2017 例，手 術數量遙遙領先其他國家。2016-2030 年，中國失能老人將以年均 7.73%的速度從 2375 萬增加到 6741 萬人，隨著養老服務機器人的亮相及其極具示范性的功能展示，失能老 人群體對醫療服務的需求將十分龐大。

2.1項目描述

本項目將設計一款用于家用和養老機構的助老服務機器人。該服務機器人能實現在 養老機構內自主導航、語音識別、信息儲存、人員搭載、物品運輸、生命體征監測以及每日定時供藥等日常看護工作。該系統核心輔以相應的軟硬件設計而成的，內置強大的數據庫存儲查詢系統，方便醫護人員實時查詢每位老人的基本信息和健康狀況。除此之外，機器人體內設計有自動供藥裝置，可實現自動為老人提供準確配藥、按時出藥、提醒出藥的三大服務。這一功能在降低醫護人員工作強度的同時有效減少人員間的接觸， 還能極大程度降低傳染性疾病的傳染風險。同時，此機器人還有心理咨詢和心理健康檢測的功能。團隊在搜集開源數據庫并建立子的數據庫后，把心理咨詢、老年生活照料作為對話服務的主題內容，建立一個面向將抗服務的“對話機器人助理”。

先看照片和視頻：

2.2機器人機械結構設計

助老服務機器人主要應用于家庭環境中，要能實現正常的基本功能，能夠實現自主 移動、靈活地轉向等。機器人能完成這些任務不僅需要很好的技術支持，更重要的是良好的機械結構，不僅如此，機械結構的設計也決定了一個產品能否實現或超預期實現預 設功能，因為一切的上層軟硬件都是基于機械結構本體這一前提來完成的。本篇論文總體機械結構設計所使用的 3D 建模軟件是 SolidWorks 2020，具有強大的作圖功能，有很多的組件。該軟件操作比較簡單，功能能夠滿足絕大多數的機械結構設計需要，操作頁面也符合大部分人的習慣，下圖便是助老服務機器人的總體機械結構設計。

總體機械結構主要包含了兩個主動輪和一個從動輪 (萬向輪) 、激光雷達、六自由 度機械臂、RGBD 深度相機和機器人底盤驅動板等，通過底盤固定連接各個部分，從而使其配合工作，達到助老服務機器人的設計要求。

2.3系統架構圖設計

助老服務機器人最主要的兩大核心是底盤和路徑規劃。其中，底盤的設計，我們選擇了 一體化伺服輪轂，它取代了傳統的電機+減速機+編碼器+輪胎+車輪的多部件方案，單獨 的輪轂既是行走車輪又是伺服電機，應用在家庭助老服務機器人上可以促使機器人更 好、更快的完成所下達的任務。伺服輪轂的優點在于沒有減速機，減小了輪轂占用空間， 而且安裝起來較為方便，最重要的是可以直接消除減速機帶來的噪聲。

首先，建立出機器人運動時的底盤車輪運動模型，該模型用X-Y 坐標系建立，如下圖所示：

在描述圖中定義之前，要清楚航向角的概念，坐標系中的航向角的表示方式是輪子的質心速度與 X 軸的夾角。現在將上圖中的描述定義如下：

• L：兩輪之間的距離

• r：車輪轉彎的半徑

• θ1：車輪軸心連線與 X 軸的夾角

• θ3：相鄰時刻兩輪子航向角的增量

• θ1 = θ2 = θ3

假如我們假設初始狀態下的離零點近的車輪為左輪，另一個車輪為右輪，并做如下定義：

• A Xl, Yl ：左輪的坐標

• B Xr, Yr ：右輪的坐標

• M x, y ：兩輪軸線的中點

• ω：車輪的角速度，ω1 為左輪角速度，ω2 為右輪角速度，順時針為正

• V：車輪的線速度，VA為左輪線速度，VB為右輪線速度

• R：兩個車輪的半徑

• θ：X 軸單位向量旋轉的角度，逆時針旋轉為正方向

那么根據幾何三角關系可以得出：

定義 B 點的線速度為VB，β為 X 軸單位向量旋轉β角度后跟向量BC平行所得。那么再次 根據幾何關系可以得出：

定義 A 點的線速度為VA，η為 X 軸單位向量旋轉η角度后跟向量AD平行所得，同理可得 出：

并且也可以得出 M（x，y）點的速度值為：

假設移動機器人移動到 t 時刻時，左輪的角速度為ωt1, 右輪的角速度為ωt2,那么有 t 時刻 M 的線速度為：

4.1 路徑規劃算法研究與分析

路徑規劃技術是移動機器人的核心問題，也是移動機器人自己實現自主行走的必要條件和前提，主要研究如何使移動機器人在不發生碰撞的情況下從起始位置移動到指定 的目標位置。為了安全高效地到達目標位置，移動機器人需要一種高效的路徑規劃算法， 因為所生成的路徑質量對于機器人的應用和移動影響很大。基于移動機器人對環境理解 情況可以將路徑規劃算法劃分為三個類型：基于環境的路徑規劃算法、基于地圖知識的 路徑規劃算法和基于完備性的路徑規劃算法，如下圖所示：

移動機器人要想移動到一個指定的目標點，主要依靠的是路徑規劃技術。一般而言， 機器人的自動規劃路徑的導航規劃層一共可以分為行為執行層、全局路徑規劃層和本地 路徑規劃層三層。其中全局規劃路徑相對于其他兩種來說效果較好，結果較為準確，當機器人環境信 息完全已知的情況下，常用該方法規劃路徑。全局路徑規劃有明顯的不足之處：只有在 確認了機器人所在環境的信息的前提下，它才能找到最理想的路線，如果所處環境發生 了變動，全局路徑規劃是無法做到準確規劃路徑的，得到的結果雖然全局性強，但是有 較差的噪聲魯棒性和較高的環境模型的誤差。有一點值得說明，由于機器人在全局路徑 規劃下的路徑是預先確定好的，機器人是不需要具備很優秀的實時計算能力的。

相比于全局路徑規劃來講，局部路徑規劃對于外部環境條件并不依賴，即使機器人 完全不知道所處的外部環境，局部路徑規劃也能很好地工作。因此，對于它來說更重要 的是考慮的是機器人當前的環境數據信息，通過高實時運算能力來提高機器人的對障礙 物的躲避能力。這種規劃在工作時要收集所處外界環境的信息數據，同時更新環境模型 的動態信息，所以機器人系統必須要具備高速的信息運算能力以及處理數據信息的能力。盡管如此，相比于全局路徑規劃的完全已知環境的條件，局部路徑規劃在該方面還

是處于劣勢，無法使規劃結果達到最佳，甚至有可能無法規劃出完整的路徑，但優點是 對環境模型的誤差和噪聲魯棒性較高。

一般來講，適用于全局路徑規劃的方法是同時也適用于局部路徑規劃，但如果想將 局部路徑規劃的方法應用到全局路徑規劃上，還需要進一步的改進，兩者的區別如表 4 所示。兩者也可以一起工作，這會使路徑規劃更加準確，更加有效。

4.2Dijkstra 算法

在全局路徑規劃算法中，Dijkstra 算法和 A*算法比較成熟和高效，從而被用戶廣 泛使用。下面首先介紹 Dijkstra 算法。

Dijkstra 算法是由荷蘭計算機科學家 E.W.Dijkstra 于 1956 年提出，因此也叫迪 杰斯特拉算法，在尋找機器人移動到所有其他節點的路徑中尋找一個節點的最短路徑時 常用到這個算法。Dijkstra 算法不僅在最短路徑算法中非常有代表性，還是貪心算法 中的一種。它可以得到移動機器人從一個節點到所有其他點的最短路徑。該算法主要是 從起點處開始向外擴延，一直擴延到最終目標點為止，并通過權重邊與節點的關系構成 完整的一個路徑網絡圖。該算法有很多變體，最原始的 Dijkstra 算法用于尋找兩個頂 點之間的最短路徑，但是現在主要用于生成最短路徑樹，通過將起始頂點固定住，找到 一個節點到圖中所有其他節點的最短路徑的方法。除了移動機器人路徑規劃外，該算法 還常用作路由算法或其他圖形搜索算法的子模塊之一。在該算法中，G 是一個帶權重的有向圖，s 是源點（起點），v 代表 G 中所有頂點的 集合，（u，v）代表頂點 u 到 V 點的路徑連接，w（u，v）代表頂點 u 和 v 點之間的非負 權重，其中，邊權重表示復雜網絡中的邊權重用于表示邊兩端節點之間相互關系的強度，在無權網絡中，每條邊代表的節點之間的關系是一樣的。算法是通過為每個頂點 u 保留 當前為止找到的從點 s 到點 v 的最短的路徑來工作。起始時，起點 s 的路徑權重值被賦 值為零，即 d[s] = 0。假如存在著一個邊為（s，u），能夠直接到達頂點 u，則要將 w （s，u）賦給 d[v],同時其他所有 s 不能徑直到達的頂點的線路路徑長度被表示為無窮 大，這表示了當前到達這些頂點的路徑是無法獲得的。當 Dijkstra 算法結束后，用 d[v] 存儲從 s 到 u 的最短路徑，若是路徑不存在，則 d[v]=∞[28]。

4.3A*算法

另外一種算法是由 Dijkstra 算法發展而來，被稱為 A算法，也叫 A-Star 算法， 是在靜態路網中求解最短路徑最有效的一種直接搜索方法。在尋找最佳路徑算法中通常 要考慮選擇路徑的成本，而這種算法與尋找最優樹的算法類似，即從可以通過的路徑中 找到那條路徑成本最便宜的那一條。一般而言在尋路時每條路徑的路徑成本已經是固定 了的，但是當使用 A算法時，沿著不同路徑的路徑成本是啟發式尋路的本質。值得一 提的是，同一個節點的路徑成本不一定相同。通過這種尋路方式，首先將實際問題中的 元素抽象的表示為矩陣等規則圖形，這種實際的元素不僅可以是在路徑規劃時出現的障 礙物，也可以是起點或者目標點所處的位置。通過這種方式模擬尋路過程的基本思想是 將起點位置作為中點，周圍相鄰的八個點用指針指向它，與此同時在周圍點內選擇最佳 的路徑點，并將其他沒有指針關系的周圍點通過指針指向它，然后以此點作為中心向外 尋路，如果在尋路的過程發現周圍點中有目標點，則用指針連接起來，通過指針的一一 連接，最后通輸出這些點就是要尋找的路徑。

最初研究時，為了提高算法的運行效率對該算法做了一些改進，這個改進了的算法 核心思想是將尋找路徑問題分為了兩種情況進行搜索，即在最初搜索路徑的時候，A* 算法將默認使用起點和終點直線的方向來擴展子目標點。當遇到障礙物時，會立即啟動 A算法，開始路徑的規劃。與此同時，A算法會搜索并查找從目標點到起點的路徑。與 其他算法不同的是，從目標點和起點尋找路徑時，放棄了鄰居擴展規則，直接進行搜索， 結果會變得較為理想化，提高了該算法的效率。該算法適用于障礙物數量少而且地圖總 體尺度大的情況，一旦用在障礙物數量很多并且地圖復雜程度高時，該算法的表現便不 盡人意。隨著時間推移，為了能使 A算法適用于一個城市面積大小的地圖，提出了分 層機制的想法。顧名思義，該方法的思想是：將一個城市大小的面積用分層機制分成若 干層，其次通過 A算法分別對劃分完的每一層地圖進行單獨的路徑規劃，然后用遞歸的思想進行排列，從而找到兩點之間最合適的路徑。這種方法不僅降低了計算的規模， 還有效地提高了算法的運行效率，但是也存在一些缺陷，由于擴展的規則路徑有很大的 限制，無法對相鄰的路徑點進行優化，這就導致了最后結果的路徑質量變差。

4.4Dijkstra 算法與 A*算法的比較

Dijkstra 算法與 A*算法都是解決最短路徑問題的常用算法，下面列出了兩種算法不同特點：

• Dijkstra 算法是貪心算法中的一種，計算的是從源點到所有其他點最短路徑的長度，而 A*算法則是關注點到點的最短路徑（包括具體的路徑）。

• Dijkstra 算法建立在更抽象的圖論層次上，A*算法可以更容易地用于游戲地圖尋徑等應用。

• Dijkstra 算法是一種發散搜索，它本質是廣度優先搜索，因此時間復雜度和空間復雜度相對較高。A*算法是一種深度優先算法，對于路徑上的點，不僅記錄點到原點的路徑成本，還計算從當前點到目標點的預期路徑成本。

• 如果只是比較路徑的長度而不需要特定的路徑時， Dijkstra 算法是更好的選擇，有著較高的準確度。而且 A*算法在目標點較多時會帶來繁瑣的函數和大量重復的數據。

5.1 SLAM 技術探討

現如今比較成熟的 SLAM （編者注：Simultaneous localization and mapping 同步定位與地圖構建的英文縮寫）技術主要分為兩種：激光 SLAM（Lidar SLAM）和視覺 SLAM（VisualSLAM）。激光 SLAM 與視覺 SLAM 的區別在于采用的傳感器，前者使用的是激光 雷達，而后者使用的是深度相機或深度攝像頭。

一直以來，激光 SLAM 與視覺 SLAM 的性能優劣都有很大的爭議，有些人喜歡視覺定 位與建圖，有些人喜歡激光雷達定位與建圖，下面如表 5列出了兩者的特點以及優缺點：

根據上表也能看出，在路徑規劃方面采用較多的是激光 SLAM 技術。相比于視覺 SLAM 來講，它產生的誤差少，而且發展較快、比較成熟，能夠很好地應用到大部分的真實環 境下，也是由于激光 SLAM 是目前性能最穩定的定位導航方法，這就促使了它理所應當 的成為了當代的主流。激光雷達分為室內使用與室外使用，當激光雷達用于室內的時候， 構建地圖一般是基于二維平面；當激光雷達用于室外的時候，構建地圖一般是基于三維空間。

激光雷達建圖是一個反復的過程，在移動機器人運動過程中，首先會通過IMU（編者注：Inertial measurement unit慣性測量單元的英文縮寫）結合所對應的編碼器獲得里程計的信息，從而估計機器人的運動模型，然 后通過激光雷達中獲得的傳感器數據產生觀測模型，經過觀測模型對運動模型的比對和 矯正，從而得到移動機器人的真實環境中的精確定位，最后結合數據構建出柵格地圖， 以此反復若干次，最終將會構建出整個真實地圖。

5.2激光 SLAM 流程介紹

• 里程計標定

  • 機械標稱值不代表實際值，實際誤差可能較大；

  • 里程計的精度對于機器人定位和建圖至關重要；

• 激光雷達運動畸變去除

  • 激光雷達采集一幀的數據需要時間，機器人在這段時間內的運動會導致畸變；

  • 運動畸變會影響匹配精度；

• 幀間匹配–核心部分

  • ICP: 迭代最近鄰、PI-ICP 點到線迭代最近鄰、NICP 法向量迭代最近鄰；

  • CSM（編者注：Canonical Scan Matcher 標準掃描匹配的英文縮寫）: 暴力迭代；

  • NDT: Normal Distance Transform；

  • Optimization-Based；

  • Feature-Based；從視覺得到啟發，LOAM 系列。

• 回環檢測

• 后端優化

  • 高斯牛頓

  • Levenberg-Marquardt （LM）

• 輸入輸出

• 輸入：（1）IMU數據；（2）里程計數據；（3）2D激光雷達數據；

• 輸出：（1）占用柵格地圖 2D SLAM；（2）點云地圖 3D SLAM；（3）機器人的軌跡或者位置圖

5.3激光雷達的選擇

家庭助老服務機器人用到的激光雷達是 LIDAR RPLIDAR-A1，一款思嵐科技的產品， 性能可以滿足室內機器人的 SLAM 技術要求且性價比高，如下圖所示：

該激光雷達采用的是激光三角測距技術，其原理是激光信號以一定的入射角照射到 被測物體表面后產生反射，反射光斑經過光學透鏡在 CCD 傳感器上成像。當被測物體沿 激光方向發生移動時，CCD 上的光斑產生移動，可由光斑移動距離計算出被測物體與基 線的距離值。由入射光、反射光構成一個三角形，基于三角關系，可計算出目標物體與 雷達的相對方位角度值和距離值，如下圖所示。

我國總人口數不斷增長，但 16-59 歲勞動年齡人口數量卻呈現下滑態勢，2019 年 我國勞動年齡人口數量減少至 8.96 萬億人。持續下跌的勞動人口總數，使得我國勞動 成本開始攀升。因此，增加服務機器人在多領域中的應用以替代人工正成為當前我國較 新的發展趨勢。

本文介紹的助老服務機器人已具有定位與地圖構建（SLAM）、路徑規劃與自主導航 等功能，但在語音識別、人機交互等方面還有較大的進步空間。當前很多的助老服務機 器人產品還處于比較“被動”的階段，只能簡單地作為一款輔助工具來運用。未來，隨 著醫療機器人與人工智能、腦機交互、5G 網絡、AR/VR、大數據等前沿技術深入融合， 有望提升機器人與老年人之間的交互水平，并對數據、物體和環境等有更精準的感知， 甚至進一步拓展為“醫療+助老”機器人。目前，相關領域的助老服務機器人產品基本都比較“龐大”和“笨重”，主要應用 于一些比較宏觀的場景。而我們此次設計的機器人體積較小，運行噪音幾乎沒有，且設 計成本較低，更容易被普通家庭所接受，進一步實現了服務機器人的小型化、柔性化和 大眾化。同時，我也希望未來能夠進一步完善其功能，早日投入商業使用，真正為老年人生活提供幫助。

本文完