为了提升物流业务运转效率、降低人力及资源成本，以人工智能(AI)、计算机视觉、自动控制等创新技术作为支撑的自主移动机器人(Autonomous Mobile Robot, AMR) 因其提供的高效、柔性、可靠的特点，正在物流行业得到日益广泛的应用，进而推动物流行业开展智慧化升级，驱动从劳动密集型向技术密集型的产业变革。

自主定位是移动机器人运行的基础。为实现业务的柔性，自主移动机器人采用即时定位与地图构建 (Simultaneous Localization And Mapping, SLAM) 技术，即通过摄像头、激光雷达等多种传感器，采集场景中的相关数据，在运动过程中通过重复观测到的特征 (比如，墙角，柱子等) 估算自身位置和姿态，再根据自身位姿量式的构建地图，从而达到同时定位和地图构建的目的。基于SLAM定位技术的AMR实施方案，无需对外部环境进行改造，部署便捷，操作灵活，最大程度上满足了业务的柔性需求。

普通消费者所接触到的物流主要是快递物流、商业物流，但实际上除了这两类之外还包括工厂物流和仓储物流等，整个物流产业巨大且在我国GDP占比中超过10%。但近些年，物流业面临着很大的挑战。

首先是“用人难”，即综合人力成本和管理难度加剧。据德勤人才报告：过去的十年中，中国的劳动力成本上升了五倍；其次是“变化快”，即大批量且标准化的产品减少而小批量个性化的产品逐渐增多，市场变化倒逼着供应链必须具备很高的柔性。因此在物流面临的诸多发展挑战面前，物流机器人以其准确、灵活、高效和快速的特点成为一个良好的解决方案。

物流机器人主要运用在智能拣选、智能搬运、智能分拣、智能叉车、智能仓和智慧工厂等场景。

智能拣选

在智能拣选的应用中介绍两种模式，一个是订单到人的拣选，即机器人收到指令后会辅助人进行拣选，在货架上找到货物后会停止，由附近的人员将货物取下放置在机器人上，此为人机协同的方式。另外一种是货架到人的拣选，即机器人受到指令后会将拣选到的货架驮运至拣选区再由人取下货物，此种方式节省了人的劳动强度。

智能分拣

智能分拣主要应用于邮政、快递系统中，其中物流机器人在接到指令后将不同的商品运送至不同的分拣入口。

智能搬运

智能搬运主要运用在产线上，因制造业的产线作业的环节较多，为此物流机器人也具有了多种形态，如无人叉车、带机械臂的复合机器人等。

作为移动机器人首先就要回答三个问题：“我在哪里？”“我要去哪儿？”和“我怎样到达那里？”。在此要求的背后主要指移动机器人的感知、定位、规划和控制问题，其中最核心的就是定位问题，机器人的定位就是确定机器人在工作环境中相对于全局坐标的位置及姿态。

常见的定位方案

卫星定位：主要利用北斗/GPS/GALILEO/ GLONASS等导航系统实现定位，此类方式只适用室外。

无线定位：主要利用UWB/WiFi/蓝牙/红外线/RFID/ ZigBee/超声波等传感器实现，但此类方式易受到环境的干扰导致定位精度的降低。

惯性定位：主要利用内部的陀螺仪/加速计进行自身位姿的计算，但不可避免的是此种方式的累计误差，因此此类方式更多用在辅助手段中。

AGV中的定位方案

电磁/磁带/磁钉导引：其中电磁主要通过在地下预埋电线，通过加以电流使其产生磁场，在利用机器人上的磁感应器进行引导，磁带和磁钉与之类似，只是使用的是磁性材料。

二维码定位：此种方式是将二维码铺设于地面，通过机器人下部的相机扫描二维码实现自身位姿的估计。

色带导引：与二维码定位类似，也是通过机器人自带的相机对铺设在地面上的颜色标识进行识别，进而实现导引。

反光板导航：在环境中布置由反光材料制成的反光板，通过机器人的雷达扫描，依据三角定理实现位姿求解。从上述的几种方案中可以看出，此类的定位方式需要对环境进行改造。

SLAM定位

SLAM是一种自定位的方式，其无需对环境进行改造。机器人利用自身携带的传感器识别未知环境中的特征标志，然后根据机器人与特征标志之间的相对位置和里程计数据估计机器人和特征标志的全局坐标，因此利用SLAM进行定位的机器人也被称作自主移动机器人（AMR）。

SLAM定义

移动机器人SLAM (Simultaneous Localization And Mapping，SLAM) 是指移动机器人从一个未知环境的某一起始点出发，在不断运动过程中根据传感器对环境的感知和自身估计的位姿增量式构建地图，同时依据该地图更新自身的位姿。

从公式来说，SLAM问题可简单描述为：已知机器人的位姿（里程计数据等）和每个位姿下的观测到的路标，求解环境地图和机器人自身轨迹。SLAM算法类型又可分为：full-slam和online-slam，前者是检测到一定的环境信息才进行计算与更新，后者则每检测到环境信息就进行计算与更新。

SLAM分类

SLAM根据传感器的不同可分为激光SLAM和视觉SLAM，激光SLAM又根据雷达不同分为2D雷达和3D激光雷达，其对应构建的地图分为2D栅格地图和3D点云地图；视觉SLAM常用的传感器为单目相机、双目相机和深度相机，在建图类型上有稀疏特征点地图和半稠密地图，考虑到特征点的穿透性，稀疏特征点地图只能用来做定位不可用作导航。

常见的SLAM方案

当前SLAM仍面临着诸多挑战，如高动态场景下定位的鲁棒性、大面积空旷区域中定位的精度和光照变化对视觉特征提取影响等问题。接下来从激光和视觉两个方面简要介绍SLAM方案以及在解决上述挑战中所采取的措施。

1、激光SLAM

激光SLAM有着较为成熟的应用，常见的方法有基于扩展卡尔曼滤波、基于粒子滤波和基于图优化等，图优化方法能更好的利用局部和全局的信息，普遍精度会好一些，因此接下来会以图优化的方法进行阐述。

图优化的基本思想是将相机的位姿及环境中的路标转化成节点，而位姿与位姿、位姿与路标之间的关系视为节点之间的约束，通过调整节点的位姿使其更加符合约束关系，反映在图中即x表示位姿，m表示路标。

● 在线标定

标定是SLAM中最基础的部分，机器人主传感器的标定结果直接影响SLAM的精度。由于传感器等精密测量设备的精度会随时间、温度、振动等发生变化，所以除了做好出厂标定，在机器人的运行过程中进行在线标定有助于保持机器人长期的定位精度。在线标定包括时间同步、静止检测、零偏补偿和误差估计等，通过对偏移的测量值进行补偿使传感器估计出的轨迹更接近于实际轨迹。

● 运动补偿

目前AMR较多采用机械旋转式激光雷达，每个扫描帧获取的时间从几十到上百毫秒不等，在AMR高速运动时激光扫描帧易变形。极智嘉SLAM算法中使用IMU和轮速数据，对激光雷达扫描帧进行运动补偿，从而解决了AMR高速运动时轨迹偏离的问题。

● 地图更新

为了应对环境的动态变化，激光SLAM采用了端边协同的地图更新方案，即在环境中布署多台机器人，每个机器人将自己当前的扫描帧与本地地图进行匹配分析，然后将潜在的变化区域的扫描帧信息上传至边缘服务器，服务器会对多台机器人上传的信息进行综合的判断分析，再进一步更新优化地图。最后再将更新后的地图下发给各个机器人。

2、视觉SLAM

视觉SLAM所利用的特征是常见的环境表观特征。以传统的特征法为例，视觉SLAM主要由前端和后端组成，前端完成特征提取、特征匹配和位姿估计等任务；后端则用以实现局部优化，通过减小重投影误差，使位姿的精度不断提高，最终得到较好的运动轨迹和地图构建，常见的视觉SLAM有ORB-SLAM、RTAB-MAP、LSD-SLAM和VINS-Fusion等方案。

● HF-Net

HF-Net分为离线建图和在线定位两部分。离线建图首先提取数据中的局部特征，然后利用SFM进行特征点三角化进而构建3D地图，同时根据提取的全局图像信息构建图像检索库；在在线定位阶段，首先提取数据集中的全局特征，然后基于先前构建的图像检索库筛选出相似的候选帧，提取局部特征，通过与候选帧进行匹配进而恢复相机的位姿。

● VX-SLAM架构

Vision-XSALM中的X包括两方面：一是包含点、边、面，结构和语义等多维度的视觉特征；二是包含相机、IMU、里程计和激光雷达等异构的传感器。通过综合利用多种传感器及多种特征旨在提高系统的鲁棒性。

● Hetero-Structure Map

在综合考虑激光栅格地图和视觉特征地图的优缺点后，采用非线性优化的方式将激光、视觉地图融合在一起联合优化，就形成了一个复合的地图以提升在复杂多样的场景下定位的鲁棒性。

● Multi-layer Fusion

多层地图的融合，针对光照的变换，一方面学习对光照不敏感的特征，另一方面构建不同时间段的地图，然后将其进行融合。

基于以上的导航技术，极智嘉打造了融合激光SLAM、视觉SLAM和视觉二维码的搬运机器人M600C。

算法优化部署

在算法的部署上采用的是inter的芯片，基于轻量高效的网络模型与OpenVINO神经网络部署工具包进行优化加速，通过独具特色的模型量化，使得算法性能提升30%以上。

项目落地和价值落地

下图中展示的是在制造业产线中的应用，针对此类动态性很高的场景，基于激光和视觉融合的地图，机器人做到了长时间的平稳运行。基于高智能与高可靠性的定位技术，机器人集群可以做到1-3个月快速部署，总体上的搬运效率提升2-3倍，1-3年内产生回报。

总结来说，就是以AI技术为核心，实现高可靠性的AMR感知与定位打造高效、稳定的智慧物流机器人解决方案，赋能全球企业实现物流智能化升级。