跟随机器人系统研究现状概述
随着机器人技术的不断发展，智能服务机器人广泛应用于工厂、家庭和医院等场景。 跟随目标人体是智能服务机器人的一个重要功能，此功能在安防监控、家庭陪护等方面有 广泛的应用前景。
跟随机器人的分类
跟随机器人一般分为三类：
1、机器人跟随在人体目标后面；
2、机器人 与人体目标肩并肩；
3、机器人走在人体目标前面。
跟随在人体目标后面是跟随机器人主流的跟随方式，可通过一个简单的比例控制器来实现，使人体目标保持在机器人视觉传感器视野中央以及目标与机器人维持固定的距离。 对于跟随机器人来讲，人体目标检测是核心关键技术。根据跟随机器人搭载的传感器的不同，对环境信息和人体目标的检测方式会不同。
机器人搭载的传感器一般有双目立体相机、RGB-D 相机、超声波传感器和二维激光雷达等，这些传感器广泛用于各种场景中跟随机器人的人体目标检测。
在室内，RGB-D 相机被认为是高效的传感器，因其同时采集彩色图像和深度图像，人体目标在相机视野中的位置以及人体目标与机器人的距离都能被测量，非常便于机器人对人体目标的跟随。
在室外，由于太阳光照的影响，RGB-D 相机的使用结构光测量深度的功能会受到影响，因此双目立体相机会更多的应用在室外跟随机器人上。除了视觉传感器，依靠二维激光雷达追踪人体目标的跟随机器人也常见于学术界。由于单一传感器获取信息的单一性以及误差，为了确保鲁棒性和效率，跟随机器人 通常搭载多种传感器，并通过传感器融合算法如扩展卡尔曼滤波等来降低传感器的不确定性，进一步提高追踪人体目标的稳定性。
目前大部分商用的跟随机器人偏向于采用多传感器融合的追踪方案，跟随机器人的跟随策略也是各种各样的。视觉传感器基于人体目标特征的追踪是最常见的追踪跟随策略。如 blob 检测算法使用基于颜色的分割来跟踪 RGB 图像空间中的人， 但这类算法过分依赖于特定的颜色特征，在复杂的实际环境中难以应用。使用 RGB-D 相机或立体相机生成的深度数据可以设计稳定鲁棒的算法，如人的存在在形状、结构和 3D 点云中的点数量方面对应于特定的模式，通常根据这些特征参数的期望值设计模板用于检测人体目标。同时，由于对整个特征空间的搜索耗费极大的计算资源， 因此使用先验知识或作出有根据的假设来减少搜索空间是非常有用的，例如对人的行走模 型建立假设也可以促进从特征空间中去除不存在目标的区域，降低运算量，提高效率和实时性。
近些年来随着机器学习的发展，卷积神经网络开始应用于机器视觉追踪人体目标。 卷积神经网络常用于图像对象检测和分类，然而在实际环境中人体目标的外观变化或环境背景中的随机变化等情况下，它们的表现往往不佳。在线学习方法的提出成功应对了这些问题，其特点在通过动态调整模型权重，不断更新模型。 除了让机器人通过视觉传感器“认住人”，部分学者还引入了预测人体目标的运动轨迹从而使机器人更加稳定地跟随人体目标，如使用多模态人体目标检测和考虑障碍的人体目标运动模型来预测用户未来的路径、通过深度贝叶斯轨迹预测方法预测用户路径等。
作为服务机器人，跟随机器人与用户的交互方式是非常重要的。由于跟随机器人与用户会相隔一段距离，接触式交互显得不自然，因此非接触式远程交互是用户与跟随机器人交互的首选方式。语音交互是用户与机器人最为自然的交互，但其受环境噪音影响较大。 手势交互、肢体动作交互和面部表情识别交互等也在服务机器人中得到应用。
