✨ 要点🔬 技术摘要
想象一下，建筑工地就像一个混乱、泥泞的舞池，沉重的材料需要从卡车搬运到特定的位置。通常情况下，人类驾驶员坐在叉车里，在尘土和雨水中眯着眼睛，试图猜测要把货叉插到哪里。这既累人、缓慢，又危险。
这篇论文介绍了一个名为 ADAPT 的“机器人叉车”，旨在自主完成这项工作，即使在地面不平整或天气恶劣的情况下也能胜任。不要把 ADAPT 仅仅看作是一个僵硬的仓库机器人，而要把它想象成一辆智能全地形卡车 ，它能够思考、观察并穿梭于混乱的建筑区域中。
以下是 ADAPT 的工作原理，分为几个简单的部分：
1. 车身：拥有大脑的强力卡车
ADAPT 并不是从零开始制造的新机器；它是一台标准的、重型卡车安装式叉车（Palfinger BM154），只是被赋予了“大脑”和“神经”。
神经（传感器）： 它没有眼睛，而是拥有一套传感器。它使用 LiDAR （类似于蝙蝠的声呐，但使用的是激光）来感知世界的 3D 形状，使用立体摄像头 （像人类的眼睛一样）来识别托盘，并使用 GPS 来确定自己在地图上的位置。大脑（计算机）： 它配备了一台坚固的计算机，可以瞬间处理所有这些数据。这就像拥有一个永不疲倦、永不眨眼，并且能在毫秒内计算出最安全路径的副驾驶。
2. “眼睛”：看透混乱
建筑工地是非常凌乱的。托盘排列得并不整齐；它们散落在各处，有时还盖着泥土，且地面凹凸不平。
寻找托盘： ADAPT 使用一种特殊的“AI 侦探”，该侦探经过数百万张计算机生成的图像训练。它通过摄像头观察世界，并判断：“那是一个木制托盘！”它能精准判断托盘的位置以及它的倾斜程度，即使托盘被部分遮挡也无妨。“神奇”地图： 为了知道自己能否从一堆碎石或水洼上驶过，ADAPT 构建了一张 2.5D 地图 。想象一张地形图，它不仅知道物体“在哪里”，还知道哪些地方可以安全行驶，哪些是“禁行区”。它在行驶过程中不断更新这张地图，记住障碍物曾经出现的位置以及它们移动后的位置。
3. “记忆”：了解一切的位置
在建筑区域驾驶最难的部分之一是 GPS 信号可能会变得不稳定，且地面会发生位移。
因子图（Factor Graph）： 论文描述了一种巧妙的数学技巧，称为“因子图”。想象一个巨大的网络，将叉车的位置、GPS 以及它看到的托盘连接在一起。如果 GPS 信号波动，这个网络就会通过它所看到的托盘来收紧，从而让叉车保持精准。这就像在地面晃动时抓紧扶手一样；叉车利用托盘作为“锚点”来保持精准。结果： 即使 GPS 信号短暂丢失，机器人也清楚自己相对于要抓取的托盘的具体位置。
4. “双手”：拿起货物
一旦 AD快找到托盘，它就必须将其抓取起来。这是最棘手的部分。
“触感”： 叉车在货叉上装有特殊的压力传感器。这就像拥有敏感的指尖。当货叉接触到托盘时，机器人知道何时应该停止推进。它不是靠猜测，而是能“感觉到”接触。接近方式： 它使用一种“视觉伺服”（visual servoing）技术。想象你在玩一款电子游戏，需要用光标完美对准目标。ADAPT 根据摄像头观察到的画面不断调整位置，直到货叉完美地滑入托盘的孔洞中。
5. “安全卫士”：在碰撞前停下
建筑工地充满了意外：其他的卡车、工人以及狗。
“哨兵”： ADAPT 拥有一个专门的安全系统来扫描前方的路径。如果它看到有移动物体（如人员或挖掘机）可能横穿其路径，它不会像人类那样尝试绕行，而是直接踩下刹车并等待。人类备份： 该系统目前并非完美。如果机器人被困住或感到困惑，人类工人可以介入解决问题，随后机器人又能无缝衔接重新接管。这就像一辆自动驾驶汽车，当迷路时会请求乘客帮助，一旦乘客指明方向，它便能继续行驶。
大考：机器人 vs 人类
研究人员不仅制造了机器人，还对其进行了测试。他们将 ADAPT 与一名拥有 20 年经验 的人类叉车驾驶员进行了对比。
结论： 在各种天气条件下（包括雨天），ADAPT 的表现几乎与人类专家一样出色 。它可靠、安全且高效。启示： 论文总结道，我们正接近这样一个未来：机器人可以处理建筑工地中那些肮脏、危险且枯燥的材料搬运工作，从而让这项工作对人类来说更安全，也让整个流程更高效。
简而言之： ADAPT 是一辆强力的自动驾驶叉车，它利用激光、摄像头和智能数学算法来穿越混乱的建筑工地，寻找散落的托盘，安全地抓取并运送——同时时刻关注周围环境以避免碰撞。它是一个可以在雨中和泥泞中工作的机器人，就像人类一样，但它永远不会感到疲劳。
技术摘要：ADAPT —— 用于建筑工地作业的自主式叉车
问题陈述
高效的材料物流对于控制建筑业的成本和进度至关重要，然而人工搬运仍容易出现效率低下、延迟和安全风险等问题。虽然自主系统在结构化环境（如仓库）和特定户外领域（如露天采矿、农业）已趋于成熟，但在建筑工地部署自主叉车面临着独特的挑战。与受控环境不同，建筑工地是无结构的，具有动态障碍物、不平整地形和多变的天气条件。此外，该行业面临着技术熟练工人短缺和高安全风险的问题，与材料搬运相关的事故在致死人数和成本中占有显著比例。现有的自主建筑机械研究通常缺乏对完整装载周期的全面现实评估，也缺乏在没有预定义引导系统的情况下在非结构化户外环境中稳健运行的能力。
方法论
本文介绍了 ADAPT （自主动态全地形托盘运输车），这是一种旨在无需预定义基础设施即可在非结构化建筑环境中运行的自主式越野叉车。该系统集成了 AI 驱动的感知技术与传统的决策、规划和控制方法。
系统架构
硬件平台： 基于 Palfinger BM154 卡车安装式叉车，这是一种中心铰接式、全轮驱动车辆。系统采用了分布式处理架构进行了改装，包含一个用于底层安全和执行控制的 B&R X90 PLC，以及一个用于高层感知和规划的加固型工业计算机 (IPC)。传感套件： 系统利用了多传感器设置，包括：
RTK-GNSS (Septentrio mosaic-H)： 用于厘米级全局定位。LiDAR（激光雷达）： 一个用于建图和障碍物检测的宽视野 Ouster OS1-64；一个用于货叉方向物体检测和卡车边缘检测的窄视野 Livox Mid-70；以及一个用于近距离精确检测的 Sick picoScan150 2D LiDAR。立体相机 (ZED 2i)： 对托盘检测和位姿估计至关重要。本体感受： 轮式编码器、用于中心关节的线性电位计以及用于液压反馈的压力传感器。
感知与定位
关节定位与托盘建图： 系统采用基于因子图优化框架 （使用 iSAM2）的方法，对叉车的位姿和托盘的位姿进行联合估计。该方法融合了里程计、GNSS 和托盘检测。与依赖自然特征的标准 SLAM 不同，该方法在更高层级上运行，将物体位姿（托盘位置）作为地标，从而在 GNSS 信号受损的情况下实现稳健运行。可通行性地图： 通过三阶段过程（单次扫描分析、3D 体素聚合和高程图生成）从 LiDAR 数据生成 2.5D 高程图 。该地图区分了可通行地面、障碍物和坡度，对于防止在不平整地形上发生倾覆至关重要。托盘检测与位姿估计： 系统使用一种基于几何结构的合成训练神经网络 来检测欧标托盘并从立体深度数据中估计其 6D 位姿。训练流水线生成了超过 150,000 对合成立体图像对，以最小化“仿真到现实”的差距。位姿估计利用部件星座模型（part-constellation model）以及基于托盘原点处立体深度测量的精细化步骤。障碍物检测： 一个快速反应的基于传感器帧的系统使用 DBSCAN 聚类对 LiDAR 点云进行处理，以检测静态和动态障碍物。它采用基于检测的跟踪范式，结合卡尔曼滤波来预测轨迹并评估碰撞风险，若碰撞迫在眉睫则触发紧急停止。
规划与控制
任务规划： 一个行为树 框架（BehaviorTree.CPP）管理高层任务执行，包括搜索托盘、选择目标、接近、装载、导航至指定位置以及卸载。这提供了对动态条件的模块化和反应性。运动规划与控制： 系统使用带有 Reeds-Shepp 配置的 Hybrid A 规划器对接： 精确的托盘接入通过视觉伺服 实现，整合了深度相机和 LiDAR 测量数据，在最终接近阶段动态调整货叉。
核心贡献
开发了自主式越野叉车： 一个能够在非结构化户外环境中执行装载和卸载作业的完整系统，在各种天气条件下（包括在低至中度降雨下的稳健运行）展示了接近人类水平的表现。创新的基于因子图的优化： 一种用于精确车辆定位和托盘建图的联合优化框架，专门通过将托盘视为高层地图特征，来增强物体操作的精度。创新的货叉接触测量： 一种利用压力反馈的系统，在保持成本效益的同时，增强了操作的稳健性和安全性。全面的性能评估： 在现实世界户外环境中，通过与具有 20 多年经验的专家级人类操作员进行详细的定量分析对比，评估了自主系统的运营效率、稳健性和人工干预频率。
结果
系统通过在建筑现场进行的广泛实地测试得到了验证。
定位精度： 在 GNSS 受限场景下（通过在初始化后禁用 GNSS 来模拟），通过里程计与在线托盘检测的融合，使叉车与托盘之间的平均位置均方根误差 (RMSE) 相比仅依靠里程计降低了 65% （从 0.182 m 降至 0.064 m）。位姿估计： 托盘位姿估计系统达到了足以实现成功插叉的精度，且误差随传感器距离的减小而降低。运营表现： 与人类操作员的对比分析表明，该自主叉车可以实现接近人类水平的表现 。系统能够在各种天气条件下成功完成装载和卸载循环。人工干预： 虽然尚未实现 100% 的灵活使用可靠性，但系统设计采用了无缝的人机交互概念。人类工人可以出于安全或操作原因进行干预，之后自主运行能够平稳恢复。
意义与主张
本文声称，ADAPT 通过解决非结构化户外环境带来的特定挑战，为更安全、更高效的建筑物流提供了一条可行路径。作者强调，他们的工作弥合了成熟的室内自动化与要求严苛的建筑现场之间的鸿沟。通过证明自主式户外叉车可以达到与经验丰富的人类操作员相当的性能，该研究表明自动化是解决建筑业劳动力短缺和安全风险的可行方案。论文得出结论，虽然在所有条件下实现完全自主尚非现实，但将 AI 驱动的感知与经典控制方法相结合，并辅以稳健的人机协同安全概念，能够实现复杂、动态环境下的可靠运行。
每周获取最佳 electrical engineering 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。