跟隨機器人系統研究現狀概述
隨著機器人技術的不斷發展，智能服務機器人廣泛應用于工廠、家庭和醫院等場景。 跟隨目標人體是智能服務機器人的一個重要功能，此功能在安防監控、家庭陪護等方面有 廣泛的應用前景。
跟隨機器人的分類
跟隨機器人一般分為三類：
1、機器人跟隨在人體目標后面；
2、機器人 與人體目標肩并肩；
3、機器人走在人體目標前面。
跟隨在人體目標后面是跟隨機器人主流的跟隨方式，可通過一個簡單的比例控制器來實現，使人體目標保持在機器人視覺傳感器視野中央以及目標與機器人維持固定的距離。 對于跟隨機器人來講，人體目標檢測是核心關鍵技術。根據跟隨機器人搭載的傳感器的不同，對環境信息和人體目標的檢測方式會不同。
機器人搭載的傳感器一般有雙目立體相機、RGB-D 相機、超聲波傳感器和二維激光雷達等，這些傳感器廣泛用于各種場景中跟隨機器人的人體目標檢測。
在室內，RGB-D 相機被認為是高效的傳感器，因其同時采集彩色圖像和深度圖像，人體目標在相機視野中的位置以及人體目標與機器人的距離都能被測量，非常便于機器人對人體目標的跟隨。
在室外，由于太陽光照的影響，RGB-D 相機的使用結構光測量深度的功能會受到影響，因此雙目立體相機會更多的應用在室外跟隨機器人上。除了視覺傳感器，依靠二維激光雷達追蹤人體目標的跟隨機器人也常見于學術界。由于單一傳感器獲取信息的單一性以及誤差，為了確保魯棒性和效率，跟隨機器人 通常搭載多種傳感器，并通過傳感器融合算法如擴展卡爾曼濾波等來降低傳感器的不確定性，進一步提高追蹤人體目標的穩定性。
目前大部分商用的跟隨機器人偏向于采用多傳感器融合的追蹤方案，跟隨機器人的跟隨策略也是各種各樣的。視覺傳感器基于人體目標特征的追蹤是最常見的追蹤跟隨策略。如 blob 檢測算法使用基于顏色的分割來跟蹤 RGB 圖像空間中的人， 但這類算法過分依賴于特定的顏色特征，在復雜的實際環境中難以應用。使用 RGB-D 相機或立體相機生成的深度數據可以設計穩定魯棒的算法，如人的存在在形狀、結構和 3D 點云中的點數量方面對應于特定的模式，通常根據這些特征參數的期望值設計模板用于檢測人體目標。同時，由于對整個特征空間的搜索耗費極大的計算資源， 因此使用先驗知識或作出有根據的假設來減少搜索空間是非常有用的，例如對人的行走模 型建立假設也可以促進從特征空間中去除不存在目標的區域，降低運算量，提高效率和實時性。
近些年來隨著機器學習的發展，卷積神經網絡開始應用于機器視覺追蹤人體目標。 卷積神經網絡常用于圖像對象檢測和分類，然而在實際環境中人體目標的外觀變化或環境背景中的隨機變化等情況下，它們的表現往往不佳。在線學習方法的提出成功應對了這些問題，其特點在通過動態調整模型權重，不斷更新模型。 除了讓機器人通過視覺傳感器“認住人”，部分學者還引入了預測人體目標的運動軌跡從而使機器人更加穩定地跟隨人體目標，如使用多模態人體目標檢測和考慮障礙的人體目標運動模型來預測用戶未來的路徑、通過深度貝葉斯軌跡預測方法預測用戶路徑等。
作為服務機器人，跟隨機器人與用戶的交互方式是非常重要的。由于跟隨機器人與用戶會相隔一段距離，接觸式交互顯得不自然，因此非接觸式遠程交互是用戶與跟隨機器人交互的首選方式。語音交互是用戶與機器人最為自然的交互，但其受環境噪音影響較大。 手勢交互、肢體動作交互和面部表情識別交互等也在服務機器人中得到應用。
