10月25日，机器人与智能系统领域最著名、影响力最大的顶级学术会议——IEEE智能机器人与系统国际会议（IEEE/RSJ International Conference on Intelligent Robots and Systems, IROS）正式召开。

机器人与人工智能实验室林天麟教授、钱辉环教授、黄锐教授分别作为通讯作者的共六篇论文被本届 IROS 接收，其中更有两篇获最佳奖提名。

受疫情影响，本该在拉斯维加斯举行的 IROS 2020 改在线上举办，并且史无前例的通过线上免费向公众开放。

让我们一起来学习观摩这几篇论文吧。这次为大家介绍的是Robot-to-Robot Relative Pose Estimation based on Semidefinite Relaxation Optimization （基于半正定松弛优化的机器人相对位姿估计）一文。

研究背景

多机器人协同可以广泛应用于编组控制、合作运输、周边监视和态势感知等多个领域，完成单个机器人无法实现的任务。其中，多机器人之间能够相互准确定位，即多机器人系统中任意一部机器人实时确定出其它机器人的相对于自身的位姿(包括位置和方位)，是上述系统正常工作的前提。

现有多机器人相互定位方式主要包括依赖外部设备(如运动捕获系统)辅助定位、利用全球定位设备全局定位以及根据无线传感器协同定位几种。然而，上述系统分别存在无法大规模应用于工业生产场景、可扩展性低和价格高昂等缺陷。

有学者提出了一种基于几何关系的多机器人相互定位方法，该方法要求机器人进行多步随机移动，利用机器人运动的航位推测信息和测距量测构建的几何关系建立非线性方程，从而通过求解非线性方程确定机器人的初始位姿。但是，该方法仅适用于噪声干扰小的理想环境，当航位推测信息和测距量测受到严重的噪声干扰时，定位算法失效，系统抗干扰能力弱。

一些学者提出了一种基于最大似然的全局最优位姿估计方法，该方法通过建立和求解以几何关系构建的带约束加权最小二乘优化问题，可以获得最大似然意义下最优的位姿估计结果。然而，由于求解的目标函数是强非线性的函数，因此需要使用特殊的优化求解工具，且容易获得不一致的估计结果，存在可移植性差和鲁棒性低的问题。

研究概要