随着科学技术的快速发展,移动机器人从最初的工厂物流搬运,渐渐应用到家庭服务、农业、军事、医疗等各个领域,提升了生产效率并改变了人类的生活方式[1-6]。同步定位和地图构建(SLAM)技术是自主移动机器人的核心技术之一[7-9],该技术可以根据运动过程中传感器的实时数据实现机器人自身的位姿估计,同时增量式地构建整个环境的地图[10],进而根据构建好的地图实现自主规划与导航。可见,构建机器人应用场景地图是使机器人具有自主运动能力的关键环节。但目前移动机器人还是需要技术人员手动控制机器人在陌生场景中的运动来实现地图构建。这种人工控制机器人建图的方式不仅对人员要求高且预先部署需要花费大量时间,效率低下,而且也会影响机器人在人类无法进入的场景中使用[11-12]。因此,使机器人具备自主探索的能力,从而在陌生的环境中能够自动构建地图,是目前移动机器人需要解决的难题之一,这不仅要求机器人具备基本的SLAM能力,还要具备对当前接收到的环境信息进行分析和决策的能力,机器人需要自主地决策运动方向并规划移动路径[13-15]。
在机器人自主探索领域的研究中,Yamauchi[16]提出了一种基于前沿点的自主探索算法,该算法的核心思想是不断地从当前地图边界选取最佳目标点,在驱动机器人前往该目标点移动的同时,逐渐扩展地图边界,重复这个过程可构建出整个环境的地图。该算法最大的亮点在于机器人在探索过程中会更加有目的性地自主选取探索区域,相对随机式的探索而言,建图的效率得到了很大的提升。文[17-18]均是基于这一思路提出的自主探索方法,在基于前沿点的自主探索方法中,探测地图的边界是选取最佳目标点的前提;Keidar[18]和Senarathne[19]等改进了原有的边界提取模块,避免对整个地图数据进行处理,降低了算法的运算时间和内存消耗;刘瑞雪等[20]提出了一种基于曲线拟合和目标探索点邻域规划的自主建图方法,同样也取得了一定的效果;李秀智等[21]在前沿点探索理论的基础上,提出了一种基于几何规则的候选目标点生成方法,实现了目标点的快速提取。
快速扩展随机树(RRT)是一种用于解决点到点路径规划问题的算法,尽管所选取的路径并非是全局最优路径,但是RRT算法在执行时具有概率完备性。机器人在自主探索任务中,需要自主构建一个覆盖完整度较高的地图,而RRT算法的良好特性刚好可以保证较高的地图覆盖程度。文[22-25]均是通过动态建立的随机探索树来完成整个环境的探测。国内的高环宇等[24]改善了探索树的回溯策略,减少了多次覆盖和陷入回路的情况。杨傥月等[26]提出了一种改进的RRT算法,利用变生长率的全局RRT来提高探索的效率。杜明博等[27]提出了一种连续曲率RRT算法,结合环境约束以及车辆自身的约束大大提高了规划的速度和质量。
在自主探索过程中,移动机器人的建图与定位还要依赖于视觉或激光传感器。基于粒子滤波的SLAM算法有Hector-SLAM、Gmapping等,这类算法在对机器人进行位姿估计时只需对当前帧的位姿进行优化,并不需要处理当前帧之前的位姿。在这种情况下,自主探索算法可以分成2个独立的模块,分别是未知环境路径规划模块和SLAM算法。Sun等[28]采用了一种基于图优化的SLAM算法,由于图优化算法进行位姿估计时会对所有的历史位姿进行优化,因此将基于图优化的算法用于自主探索任务中时,地图建立的准确性会更高。文[29-30]同样也是把自主探索任务中的SLAM模块改为基于图优化的算法。然而基于图优化的SLAM算法在自主探索任务中计算量增长较快,将降低机器人自主探索的效率。
综上可知,目前机器人自主探索可以从以下2个方面进行改进:一个是在算法循环执行过程中,如何更加快速地提取前沿区域;另一个是在机器人移动探索过程中,如何减少其陷入回路的次数,进而提升整个自主探索算法的执行效率。因此本文提出了TMRRT自主探索算法,以RRT探索算法为基础,加入拓扑地图模块,拓扑地图模块会记录机器人过往探索的目标点,用于辅助筛选下一刻的最佳探索点,在一定程度上减少机器人陷入回路的次数。通过Mean Shift算法对前沿点进行聚类处理,在RRT模块中设置自适应的增长速度,加快初始阶段对前沿区域的检测速度,提高移动机器人自主探索的实时性。
2 TMRRT自主探索算法(TMRRT autono-mous exploration algorithm)本文提出的自主探索算法的执行流程如图 1所示。整个算法总体可分为3个模块,分别是基于改进RRT算法的前沿点探测模块、前沿点筛选模块以及执行器模块。前沿点探测模块利用改进的RRT路径规划算法探测当前地图的已知区域与未知区域的边界,并提取边界上周围所有可能有一定的未知区域点的前沿目标点。前沿点筛选模块接收探测模块探测到的所有前沿点,并对前沿点进行聚类处理,通过设定效用函数筛选出最佳前沿点。执行器模块将筛选出的最佳前沿点发送给执行器进行后续的路径规划,并利用SLAM技术同步扩展更新地图。同时,执行器会将最佳前沿点添加到拓扑地图中,从而更新拓扑地图。
在拓扑地图的表示模型中,整个环境地图根据一定的分辨率进行栅格化处理,每个栅格有占用、空闲和未知3种状态。用
RRT算法具有概率完备性,因而可以根据是否生成新的前沿点来判断地图是否还有未探索的区域。若没有新的前沿点生成,且聚类后的前沿点皆被探索到,则认为已经完成对未知区域的探索。
2.2 TMRRT前沿点探测模块在前沿点探测模块中,分别采用全局RRT和局部RRT算法探测地图上的边界。初始阶段,RRT的状态为
算法1 自适应生长速率的全局RRT
1: V = Xinit; E = Ø
2: while True do
3: Xsample ← SampleFree()
4: Xnearest ← Nearest (G(V; E); Xsample)
5: η ← ηgain(Xnearest; Xinit)
6: Xnew ← Steer (Xnearest; Xsample; η)
7: if Check (Xnew) = −1 then
8: 发送Xnew到筛选模块
9: else if Check (Xnew) = 0 then
10: V ← V ∪ {Xnew}, E ← E ∪ {(Xnearest; Xnew)}
11: end if
12: end while
局部RRT探测器的执行过程和全局RRT探测器的执行流程基本一致。考虑到探索后期,全局RRT的步长会越来越短,导致无法及时有效地探测到部分角落处的点,因此需要用局部RRT来弥补这一缺陷,且局部RRT的生长速率较全局RRT更低。为了提高执行速度,利用局部RRT每探测到一个前沿点,便清空局部RRT的所有节点,并重新建立新的RRT。
2.3 前沿点筛选模块算法在执行过程中,前沿点探测模块的探测速度会比较快,因此筛选模块会收到大量的前沿点,并且一部分前沿点会聚集分布在地图中。故本文采用MeanShift聚类算法在筛选最佳前沿点之前对所有前沿点的2维坐标进行均值聚类,从而降低前沿点的数据规模,最后得到若干个聚类中心坐标。
设共有
$ \begin{align} {\mathit{\boldsymbol{M}}}_{{{h}}} (x)=\frac{1}{k}\sum _{\mathit{\boldsymbol{x}}_{i} \in {S}_{h}} (\mathit{\boldsymbol{x}}_{i} -\mathit{\boldsymbol{x}}) \end{align} $ | (1) |
其中,
$ \begin{align} {S}_{{{h}}} (\mathit{\boldsymbol{x}})=\{\mathit{\boldsymbol{y}}\big|(\mathit{\boldsymbol{y}}-\mathit{\boldsymbol{x}})(\mathit{\boldsymbol{y}}-\mathit{\boldsymbol{x}})^{\rm T}\leqslant h^{2}\} \end{align} $ | (2) |
式(1) 为算法迭代一次的过程,可见每次迭代就是把样本点
$ \begin{align} K(\mathit{\boldsymbol{x}})=k(\|\mathit{\boldsymbol{x}}\|^{2}) \end{align} $ | (3) |
则称
$ \begin{align} N({\mathit{\boldsymbol{x}}})=\frac{1}{h\sqrt{2\pi }}{\rm e}^{-\frac{{\|\mathit{\boldsymbol{x}}\|}^{2}}{2 h^{2}}} \end{align} $ | (4) |
其中,
为了将样本点
$ \begin{align} {\mathit{\boldsymbol{M}}}_{\mathit{\boldsymbol{x}}} (\mathit{\boldsymbol{x}})=\frac{ \sum _{i=1}^{n} G \left(\frac{\mathit{\boldsymbol{x}}_{i} -\mathit{\boldsymbol{x}}}{h_{i}}\right)(\mathit{\boldsymbol{x}}_{i} -\mathit{\boldsymbol{x}})} { \sum _{i=1}^{n} G \left(\frac{\mathit{\boldsymbol{x}}_{i} -\mathit{\boldsymbol{x}}}{h_{i}}\right)} \end{align} $ | (5) |
其中,
由上式可知,邻域
$ \begin{align} {\mathit{\boldsymbol{M}}}_{\mathit{\boldsymbol{x}}} (\mathit{\boldsymbol{x}})=\frac{ \sum _{i=1}^{n} G \left(\frac{\mathit{\boldsymbol{x}}_{i} -\mathit{\boldsymbol{x}}}{h_{i}}\right)w(\mathit{\boldsymbol{x}}_{i})(\mathit{\boldsymbol{x}}_{i} -\mathit{\boldsymbol{x}})} { \sum _{i=1}^{n} G \left(\frac{\mathit{\boldsymbol{x}}_{i} -\mathit{\boldsymbol{x}}}{h_{i}}\right)w(\mathit{\boldsymbol{x}}_{i})} \end{align} $ | (6) |
最终将探测器模块中采集到的所有前沿点的坐标
拓扑地图相对于普通的栅格地图或者其他形式的地图,地图数据量更少。因为拓扑地图仅仅提取了环境中一些关键信息,以节点或者带权边的形式进行存储。文中提出的拓扑地图通过带权的无向图数据结构的形式进行存储,其中拓扑节点由每轮循环选出的最佳前沿点构成,节点之间的权值代表 2个节点之间的拓扑距离。在探索过程中不断动态更新拓扑地图,同时在前沿点的评估函数中将机器人与当下前沿点的拓扑距离作为一个损失项,从而引导机器人选取距离其当前位置最近的一个前沿点,这在一定程度上能够提高探索效率。
本文建立的拓扑地图表示为
$ \begin{align} V_{i} =\langle i, p_{i}, \mathit{\boldsymbol{c}}_{i}, E_{i}\rangle \end{align} $ | (7) |
其中,
$ \begin{align} e=\langle k, d\rangle \end{align} $ | (8) |
其中,
在执行器模块中,得到具有最大探索增益
对于每个新得到的拓扑节点
算法2 动态更新拓扑地图
1: V = {Xinit}; E = Ø
2: while True do
3: Xf* ← filter
4: if Xf* is NULL then
5: break
6: else
7: d = Nearest(GTOP(V; E); Xf*)
8: if d > N0 then
9: V ← V ∪ {Xf*}
10: E ← BFS{GTOP(V; E); Xf*}
11: end if
12: end if
13: end while
机器人探索中的地图如图 3所示,其中红色为生成的拓扑地图,深黑色为环境中的障碍物。
在2维环境下的自主探索任务中,通常用占据栅格地图作为地图的表现形式,地图也是机器人实现后续路径规划和导航的基础。在栅格地图中通常以固定分辨率将实际环境划分成若干个正方形栅格,从而得到环境的栅格地图。复杂的室内环境通常存在诸多分层障碍物,如桌子、椅子等。受单线激光雷达安装高度的影响,机器人难以识别高于激光安装高度的障碍物,进而导致机器人与障碍物相撞,故本文在开源的SLAM算法Gmapping上融合了激光与3维视觉传感器,将分层障碍物构建在栅格地图中,避免机器人与分层障碍物相撞。
经过深度相机和激光联合标定之后,需要将深度图像进行转换。具体来说,首先需要提取每个像素列上具有最小深度值的像素点
1) 设定高度值。对深度图像中每列所有的像素点,只选用其中的一部分数据。通过设定高度阈值
2) 伪激光数据转换。假设经过高度筛选之后,每列的像素个数为
如图 5所示,以第
$ \begin{align} r_{j}^{i} & =\sqrt{x_{\rm c}^{2} +z_{\rm c}^{2}} \end{align} $ | (9) |
$ \begin{align} \theta_{j}^{i} & =\arctan \dfrac{z_{\rm c} }{x_{\rm c}} \end{align} $ | (10) |
经上述步骤之后,由一张
算法3 激光测距数据融合相机测距数据
输入: Dc; DL
输出: DF
1: DF = Ø
2: for (r; θ) in DL do
3: if θ > βmin and θ < βmax then
4: j = findNearestIdxFromAngle(βmin; βmax; θ)
5: (l; γ) = getDistanceFromIndex(Dc; j)
6: if l < r then
7: Append(DF; l; γ)
8: else
9: Append(DF; r; θ)
10: end if
11: else
12: Append(DF; r; θ)
13: end if
14: end for
算法3中,findNearestIdxFromAngle函数输入角度值
为了验证所提算法的有效性,在机器人操作系统(ROS)环境中利用仿真器Gazebo搭建室内仿真环境1和2,整个环境的覆盖面积约为20 m
实验分别对比了RRT自主探索算法[9]和FA自主探索算法。在实验条件相同的条件下对RRT自主探索算法、FA自主探索算法与TMRRT自主探索算法进行10次对比实验。实验过程中以环境的中心点为起点,3种自主探索算法在室内环境1中所行驶的路线如图 7所示,图 8为3种自主探索算法在环境2中所行驶的路线。从图 7、8中可以看出TMRRT自主探索算法的路径长度较FA与RRT算法明显减小,机器人不会多次经过已到达的区域,进而重复路径的情况有所改善,轨迹曲线变得更加平滑。这表明拓扑结构的引入可以降低自主探索对计算机内存的依赖。
为了进一步验证本文算法的有效性,从机器人探索时间与路径长度2个方面评估算法的优劣。在2种地图下运行算法10次所得到的运行距离与运行时间如图 9所示。图 10分别是3种自主探索算法在2个仿真环境中测试运行距离与运行时间的平均值。实验数据表明:在仿真环境1中,TMRRT算法相对RRT算法,其平均用时减小了7.5%,平均移动距离减小了20.8%;相对FA算法,其在运行时长和移动距离上分别减小了15.7% 和38.6%。在仿真环境2中,TMRRT算法相对RRT算法,其探索时长减小了11.8%,平均移动距离减小了19.8%;相对FA算法,其平均运行时间和移动距离分别减小了22.7% 和34.3%。
综上所述,本文所提出的TMRRT自主探索算法在RRT自主探索算法的基础上引入拓扑地图结构可以避免机器人在探索过程中反复到达已探索的路径,使机器人在运行时间与运行路径总长度上均有所改善,提高了机器人自主探索的效率。
4.2 实际场景实验在实物实验中所用机器人如图 11所示,搭载的传感器包括思岚RPLidar-A2的单线激光雷达、RealSense D435i深度相机以及MPU9250惯性传感单元。底盘的控制主机型号为ThinkPad-T480,CPU型号为Intel Core i5-8250U 8核1.6 GHz,内存为16 GB。搭载的传感器中单线激光雷达的视角范围为
图 12分别表示了实验环境与机器人所构建的环境地图,记录的数据如表 1所示,其中机器人进行自主探索所消耗的时间为
从图 12可知本文提出的自主探索算法在实际环境中同样能够通过机器人构建完整的环境地图,且能够将不同高度的障碍物建立到地图中。从表 1最终测试的数据来看,在面积约40 m
提出了一种基于拓扑地图的高效自主探索算法TMRRT,将具有最大增益的前沿点作为拓扑结构的顶点,2个前沿点之间的边为二者之间的距离,进而形成拓扑地图,在机器人运动过程中保持更新,用于机器人回溯。且RRT的生成速率可以随着点之间的距离自动改变,以便更好地探测到环境中的细微角落。相较于RRT与FA自主探索算法可以避免机器人反复到达已知区域,进而提高探索效率,且轨迹更加平滑。并且在单线激光雷达的基础上融入了相机的信息,使其可以将分层障碍物建立到地图中。
本文算法的实验环境为静态环境,未来将迁移到动态环境下测试算法的鲁棒性,并且建立高精度地图,供机器人进行搬运、擦拭等室内环境的作业。
[1] |
Hajjaj S S H, Sahari K S M. Review of research in the area of agriculture mobile robots[M]//Lecture Notes in Electrical Engineering, Vol. 291. Singapore: Springer, 2014: 107-117.
|
[2] |
Hassan M U, Ullah M, Iqbal J. Towards autonomy in agriculture: Design and prototyping of a robotic vehicle with seed selector[C]//IEEE International Conference on Robotics and Artificial Intelligence. Piscataway, USA: IEEE, 2017: 201-211.
|
[3] |
Haddadin S. Towards the robotic co-worker[M]//Robotics Research. Berlin, Germany: Springer, 2011: 261-282.
|
[4] |
Barnes M J, Chen J Y C, Jentsch F, et al. An overview of humans and autonomy for military environments: Safety, types of autonomy, agents, and user interfaces[C]//International Conference on Engineering Psychology and Cognitive Ergonomics: Applications and Services. Berlin, Germany: Springer, 2013: 243-252.
|
[5] |
Hannaford B, Rosen J, Friedman D W, et al. Raven-II: An open platform for surgical robotics research[J]. IEEE Transactions on Biomedical Engineering, 2013, 60(4): 954-959. DOI:10.1109/TBME.2012.2228858 |
[6] |
Gai S, Jung E J, Yi B J. Mobile shopping cart application using Kinect[C]//10th International Conference on Ubiquitous Robots and Ambient Intelligence. Piscataway, USA: IEEE, 2013: 289-291.
|
[7] |
施俊屹, 查富生, 孙立宁, 等. 移动机器人视觉惯性SLAM研究进展[J]. 机器人, 2020, 42(6): 738-748. Shi J Y, Zha F S, Sun L N, et al. Research progress of visual inertial SLAM for mobile robots[J]. Robot, 2020, 42(6): 738-748. |
[8] |
王柯赛, 姚锡凡, 黄宇, 等. 动态环境下的视觉SLAM研究评述[J]. 机器人, 2021, 43(6): 715-732. Wang K S, Yao X F, Huang Y, et al. Review of visual SLAM research in dynamic environments[J]. Robot, 2021, 43(6): 715-732. |
[9] |
高兴波, 史旭华, 葛群峰, 等. 面向动态物体场景的视觉SLAM综述[J]. 机器人, 2021, 43(6): 733-750. Gao X B, Shi X H, Ge Q F, et al. A review of visual SLAM for dynamic object scenes[J]. Robot, 2021, 43(6): 733-750. |
[10] |
Mur-Artal R, Tardós J D. ORB-SLAM2:An open-source SLAM system for monocular, stereo, and RGB-D cameras[J]. IEEE Transactions on Robotics, 2017, 33(5): 1255-1262. DOI:10.1109/TRO.2017.2705103 |
[11] |
王栎斐. 移动机器人动态室内场景中的自主环境探索[D]. 大连: 大连理工大学, 2018. Wang L F. Mobile robot autonomous environment exploration in dynamic indoor environments[D]. Dalian: Dalian University of Technology, 2018. |
[12] |
冯里千. 移动机器人自主探索环境定位导航技术的研究与实现[D]. 广州: 华南理工大学, 2018. Feng L Q. The research and implementation of mobile robot autonomous environment exploration localization and navigation[D]. Guangzhou: South China University of Technology, 2018. |
[13] |
Strom D P, Nenci F, Stachniss C. Predictive exploration considering previously mapped environments[C]//IEEE International Conference on Robotics and Automation. Piscataway, USA: IEEE, 2015: 2761-2766.
|
[14] |
Fang B F, Ding J F, Wang Z J. Autonomous robotic exploration based on frontier point optimization and multistep path planning[J]. IEEE Access, 2019, 7: 46104-46113. DOI:10.1109/ACCESS.2019.2909307 |
[15] |
Song S, Jo S. Surface-based exploration for autonomous 3D modeling[C]//IEEE International Conference on Robotics and Automation. Piscataway, USA: IEEE, 2018: 4319-4326.
|
[16] |
Yamauchi B. A frontier-based approach for autonomous exploration[C]//IEEE International Symposium on Computational Intelligence in Robotics and Automation. Piscataway, USA: IEEE, 1997: 146-151.
|
[17] |
Cieslewski T, Kaufmann E, Scaramuzza D. Rapid exploration with multi-rotors: A frontier selection method for high speed flight[C]//IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway, USA: IEEE, 2017: 2135-2142.
|
[18] |
Keidar M, Kaminka G A. Robot exploration with fast frontier detection: Theory and experiments[C]//11th International Conference on Autonomous Agents and Multiagent Systems. New York, USA: ACM, 2012: 113-120.
|
[19] |
Senarathne P, Wang D W, Wang Z P, et al. Efficient frontier detection and management for robot exploration[C]//IEEE International Conference on Cyber Technology in Automation, Control and Intelligent Systems. Piscataway, USA: IEEE, 2013: 114-119.
|
[20] |
刘瑞雪, 曾碧, 汪明慧, 等. 一种基于高效边界探索的机器人自主建图方法[J]. 广东工业大学学报, 2020, 37(5): 38-45. Liu R X, Zeng B, Wang M H, et al. An autonomous mapping method for robot based on efficient frontier exploration[J]. Journal of Guangdong University of Technology, 2020, 37(5): 38-45. DOI:10.12052/gdutxb.200030 |
[21] |
李秀智, 龚月, 张祥银, 等. 一种室内移动机器人自主探索方法[J]. 控制与决策, 2019, 34(6): 1227-1233. Li X Z, Gong Y, Zhang X Y, et al. An autonomous exploration method for an indoor mobile robot[J]. Control and Decision, 2019, 34(6): 1227-1233. |
[22] |
El-Hussieny H, Assal S F M, Abdellatif M. Improved backtracking algorithm for efficient sensor-based random tree exploration[C]//International Conference on Computational Intelligence, Communication Systems and Networks. Piscataway, USA: IEEE, 2013: 19-24.
|
[23] |
Umari H, Mukhopadhyay S. Autonomous robotic exploration based on multiple rapidly-exploring randomized trees[C]//IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway, USA: IEEE, 2017: 1396-1402.
|
[24] |
高环宇, 邓国庆, 张龙, 等. 基于Frontier-Based边界探索和探索树的未知区域探索方法[J]. 计算机应用, 2017, 37(2): 120-126, 149. Gao H Y, Deng G Q, Zhang L, et al. Unknown region exploration method based on frontier-based boundary exploration and searching-tree[J]. Journal of Computer Applications, 2017, 37(2): 120-126, 149. |
[25] |
徐娜, 陈雄, 孔庆生. 非完整约束下的机器人运动规划算法[J]. 机器人, 2011, 33(6): 666-672. Xu N, Chen X, Kong Q S. Robot motion planning algorithm under nonholonomic constraints[J]. Robot, 2011, 33(6): 666-672. |
[26] |
杨傥月, 汪秀忠, 陈自豪, 等. 基于改进RRT算法的机器人自主环境探测[J]. 信息技术, 2019, 43(12): 20-23, 28. Yang T Y, Wang X Z, Chen Z H, et al. Autonomous robotic exploration based on improved rapidly-exploring random tree[J]. Journal of Information Technology, 2019, 43(12): 20-23, 28. |
[27] |
杜明博, 梅涛, 陈佳佳, 等. 复杂环境下基于RRT的智能车辆运动规划算法[J]. 机器人, 2015, 37(4): 443-450. Du M B, Mei T, Chen J J, et al. RRT-based motion planning algorithm for intelligent vehicles in complex environments[J]. Robot, 2015, 37(4): 443-450. |
[28] |
Sun Z Z, Wu B H, Xu C Z, et al. Frontier detection and reachability analysis for efficient 2D graph-SLAM based active exploration[C]//IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway, USA: IEEE, 2020: 2051-2058.
|
[29] |
Soragna A, Baldini M, Joho D, et al. Active SLAM using connectivity graphs as priors[C]//IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway, USA: IEEE, 2019: 340-346.
|
[30] |
王贺彬, 葛泉波, 刘华平, 等. 面向观测融合和吸引因子的多机器人主动SLAM[J]. 智能系统学报, 2021, 16(2): 371-377. Wang H B, Ge Q B, Liu H P, et al. Multi-robot active SLAM for observation fusion and attractor[J]. CAAI Transactions on Intelligent Systems, 2021, 16(2): 371-377. |