香港中文大学为“蜗牛”模块化机器人开发出高精度相对定位系统

仿生鱼机器人我们已介绍了很多次，但蜗牛机器人你见过吗？

近日，香港中文大学的研究团队为SnailBot 模块化机器人 开发出一套高精度相对定位系统，让这些能分能合、形如蜗牛的机器人单元，第一次真正“看见”彼此的位置与姿态。

▍从独立个体到协作群体：SnailBot的进化需求

SnailBot并非传统意义上的单一机器人，而是一个由多个独立单元构成的模块化系统。每个单元都像一只“机械蜗牛”，拥有摇臂式悬挂底盘，具备出色的地形适应性与机动性。更神奇的是，这些“蜗牛”单元能够像磁铁一样相互对接、组合，根据任务需要“变形”成不同的构型，比如长蛇阵或多足步行器。这种“自重构”特性让SnailBot在探索复杂环境、执行协作任务时潜力巨大。

蜗牛机器人

然而，实现有效协作的首要前提是“知彼”。一个移动中的SnailBot单元，如何才能实时、精确地知道它相对于另一个“伙伴”单元的位置、朝向和距离呢？

这就是“相对定位”要解决的核心问题。没有它，协作无从谈起，对接可能失败，队形也会混乱。传统的卫星定位（如GPS）在室内或复杂结构下失效，且精度不足以满足厘米级的对接需求。为此，研究团队为SnailBot量身打造了一套全新的多传感器融合定位系统。

▍三位一体的感知方案：视觉与惯性的交响乐

人类的感官是协同工作的：眼睛识别物体，耳朵和平衡感帮助我们判断运动与方位。SnailBot的定位系统设计灵感正源于此，它巧妙地融合了三种技术，取长补短，形成了稳定的感知闭环。

1.视觉基准：“ArUco”数字路标

首先，系统为机器人配备了一台高速全局快门相机。同时，在作为参考目标的机器人表面，规律地贴满了许多黑白相间的方形二维码，这就是ArUco标记。每个标记都有独特的ID和已知的精确位置。

ArUco探测

当相机识别这些标记时，系统能迅速解码ID，并利用计算机视觉算法，就像我们通过观察一个已知大小的物体来判断它的远近和角度一样，计算出观察者机器人相对于该标记（进而相对于参考机器人）的绝对位置和三维姿态。

2.运动感知：光流分析捕捉细微位移

不过视觉标记并非永远可见。在快速移动、遮挡或视角偏离时，标记可能“失效”。这时，系统的第二种能力开始发挥作用——光流分析。

研究团队采用了Lucas-Kanade稀疏光流算法，这种算法计算量轻，非常适合实时处理。系统会分析相机拍摄连续两帧图像之间所有特征点的微小移动，形成一个“运动场”。这类似于我们盯着快速掠过的地面时，能感觉到速度。通过计算图像上这些像素点的整体流动方向和速度，系统可以估计出机器人自身在极短时间内相对的平移运动（主要是前后、左右的位移）。这提供了高频的、连续的运动线索。

3.惯性导航：“IMU”感知旋转与平衡

然而，仅靠普通相机难以直接感知自身的旋转（如转身、倾斜）。这时，就需要内部惯性测量单元（IMU）发挥作用。IMU包含陀螺仪和加速度计，能以极高频率感知自身角速度的每一个微小变化和线性加速度。通过一种高效的滤波算法（如Madgwick滤波器），系统能将IMU的原始数据融合，实时解算出机器人当前的三维朝向（滚转、俯仰、偏航角）。这为定位提供了至关重要的旋转信息，并且不依赖任何外部参照物。

底部摄像头位置对比

此外，为支撑这套算法，SnailBot的硬件也经过了精心改造。相机被重新安置在机器人顶部，获得了无遮挡的宽阔视野，能更好地捕捉分布在伙伴机器人球面上的标记。而IMU则被移至机器人的几何中心，并加装了减震外壳，有效隔离了底盘运动带来的振动干扰，确保了测量数据的纯净与稳定。

▍大脑的决策：智能融合策略

拥有了“视觉标尺”（ArUco）、“位移感知”（光流）和“平衡感”（IMU）这三大信息源，如何整合它们得出一个最靠谱的结论，就是融合算法的任务了，研究团队选择的策略清晰而高效。

首选权威：只要摄像头画面中检测到ArUco标记，系统立刻采用其提供的绝对位置和姿态数据。这是最可靠的“真相时刻”，并同时用来校准和重置其他传感器的累积误差。

整体系统架构

无缝衔接：当标记暂时消失（比如被遮挡，或机器人移动到标记视野外），系统立即切换至“推算定位”模式。它结合光流提供的平移运动趋势和IMU提供的实时旋转数据，像“惯性导航”一样，持续推算出自身的位置变化。

回归校准：一旦标记重新进入视野，系统会再次捕捉到绝对位置，并与推算位置进行比对，快速修正推算过程中可能产生的微小漂移，确保长期准确性。

这套基于规则的融合策略，确保了系统在“有标记精准定位”和“无标记稳健推算”之间无缝切换，既保证了精度，又兼顾了鲁棒性与实时性。

▍实验验证：“小蜗牛”的定位有多准？

为了测试这套系统的效果，科研人员做了专门的实验：用两个蜗牛机器人，一个作为静止或运动轨迹已知的参考机器人，另一个作为移动机器人，让移动机器人按预设程序运动，记录它的定位结果，再和真实位置对比。

实验结果很理想：整套系统的定位误差很小，滚转、俯仰、偏航三个方向的平均误差都小于4度，大多数情况下的误差不到3度，相当于我们用肉眼判断远处物体位置的精度。而且系统很稳健，误差超过10度的情况极少，不到0.2%，哪怕快速运动或部分标记被遮挡，也能保持准确。重复多次实验后，结果也很稳定，说明这套系统的可靠性很高，能满足实际协作任务的需求。

实验结果

从实验画面中也能直观看到效果，当相机拍到ArUco标记时，系统能快速识别并定位；没拍到标记时，也能通过光流和IMU数据继续精准追踪，估算出的运动轨迹和真实轨迹几乎重合。

真实世界姿态估计过程

这套相对定位系统的成功，让蜗牛机器人的“组队协作”迈出了关键一步，但它还有提升空间。比如，目前系统还依赖ArUco标记，如果标记被严重遮挡或损坏，定位精度会受影响；现在的融合算法是“按规则工作”，如果用更先进的智能算法，在快速运动的复杂场景中可能会更准确。另外，目前的实验是在受控的室内环境中进行的，未来要让机器人在户外或崎岖路面工作，还需要进一步优化硬件，应对振动、光线变化等干扰。

论文链接：https://arxiv.org/html/2512.21226v1