AI与战疫(16)——医疗配送机器人

前面我们介绍了人工智能的历史和基础应用，从本章开始，我们将聚焦AI如何帮助抗疫、战疫以及疫后的经济重建。

此次新冠状病毒传染性远高于SARS，而在目前还没有找到特效药和疫苗之前，隔离是最有效的方法。而武汉的经验表明，医院的集体感染往往是社区大爆发的先兆，所以，做好医院的隔离和避免交叉感染，尤为重要。在古代，尽管人们也认识到这一点，但苦于缺乏现代化的工具，所以很多时候未能真正做到有效的隔离。

在人工智能时代，医院可以使用医疗配送机器人，送药、送餐、回收被服和医疗垃圾等工作，减少医护人员与病人之间接触的频次，降低交叉感染病毒的风险。

医疗配送机器人

医疗配送机器人通常可以自主识别读取地图，自主识别读取工作环境，建立信息库，自主规划路径，去到任何它想去的地方，完成物资的点对点配送。这些功能和自动驾驶在原理上是相同的，都需要高清地图、定位、感知、规划、控制等等, 两者有相同的传感器配置，包括激动雷达、超声波、里程计、陀螺仪/加速度计等。而区别在于自动驾驶上车速比较大，场景尺度比较大，所以传感器要能够探索更远的距离，要有更高的精度，灵敏度，但是它们传感器的配置是接近的，在数学角度上看，一定程度上它们是一个东西。

要做一个自动驾驶或者医疗配送机器人，首先建一个高精地图，里面有环境的完整描述，对机器人进行高精度定位，让机器人有一个感知，知道路上有哪些人和车。而医疗配送机器人要感知的是病房、电梯、障碍物等等，感知之后开始做路径规划，设备会控制机器执行规划好的路径。所以从基本的逻辑上来讲，自动驾驶汽车和医疗配送机器人也是高度的近似。

路径规划技术是医疗配送机器人研究的核心内容之一，机器人定位与环境地图构建就是为路径规划服务的。所谓机器人路径规划技术，就是机器人根据自身传感器对环境的感知，自行规划出一条安全的运行路线，同时高效完成作业任务。对路径规划的研究已经持续很多年了，也提出了很多种类的方法。不同的方法有各自的优缺点，适用范围各不相同，没有一种路径规划方法能适用于所有的环境信息。其中的人工势场法、栅格法、模板模型法、人工智能法等是路径规划中很典型的方法，并且受到越来越多的关注。下面将分别介绍上述这些典型的路径规划方法。

1.    人工势场法：机器人导航中提出的一种虚拟力法，其基本方法是将机器人在周围环境中的运动设计成在一种势场中的运动，是对机器人运动环境的一种抽象描述，机器人在场中具有一定的抽象势能，势能源有两种：斥力极和引力极。

2.    栅格法：设定移动机器人实际几何形状可用方形区域表示。规划过程中将机器人缩为一个点，而环境中的障碍物边界做相应的扩展及模糊化处理。采用网格表示工作空间，即把工作空间划分为一个个大小相同的方格，方格大小与机器人几何外形相同。

3.    板模型法：DeCaravalh提出了一种依靠二维清洁环境的地图并且是基于完全遍历路径规划的模板。为了完成完全遍历路径规划，DeCaravalh定义了五种模板，分别是：前进模型(Towards Model)，沿边转向模型(Side Shift)、回逆跟踪(Backtracker)，U转弯模型，U转弯交替模型。模板模型法是基于先验知识和先前的环境地图遍历机器人让得到的环境信息来匹配事先定义的模板。因此，整个路径就是一系列的模板组成的。在这个方法中，为了简化路径规划过程，环境事先扩大，这样这种小巧灵活的机器人就可以考虑成一个质点。基于模板的模型完全遍历路径规划，它要求事先定义环境模型和模板的记忆，因此对于变化着的环境就不好处理了，比如在遍历机器人的工作过程中突然出现一个障碍等。

4.    模糊控制算法：模糊控制方法应用与路径规划，是一种很有特色的方法，是在线规划中通常采用的一种规划方法，包括建模和全局规划。它用若干个传感器探测前方道路和障碍物的状况，依据驾驶员的驾车经验制定模糊控制规则，用于处理传感器信息，并输出速度、加速度、转角等控制量，指导小车的前进。该方法最大的优点是参与人的驾驶经验，计算量不大，能够实现实时规划，可以做到克服势场法易产生的局部极点问题，效果比较理想。模糊控制的路径规划方法特别适用于局部避碰规划，具有设计简单、直观、速度快、效果好等特点。

5.    神经网络路径规划：神经网络已经被应用到很多的工程领域，机器人领域当然也不例外。神经网络在路径规划中的应用也很多。Tse为清扫移动机器人从一个地方到另外一个地方的运输，提出了BP神经网络，这个模型通过自学习能进行自主导航的路径规划。避障的完全遍历路径规划能够通过离线学习达到，并且有运动行为，路线规划和全局路径规划三个步骤。在运动行为阶段机器人通过各种传感器采集三维环境信息，然后把这些信息输入到BP神经网络中，机器人可以清扫周边的区域直到周边没有未清扫区域。在路线规划阶段，清洁机器人要决定一条最短的路径通向工作空间中其他未清扫区域，在全局路径规划中，产生一个全局环境地图，然后机器人从起始点开始，清扫整个工作空间。

6.    遗传算法：遗传算法是由JohnH oland在70年代早期发展起来的一种自然选择和群体遗传机理的搜索算法。它模拟了自然选择和自然遗传过程中发生的繁殖，交配和突变现象。它将每个可能的解看作是群体(所有可能解)中的一个个体，并将每个个体编码成字符串的形式，根据预定的目标函数对每个个体进行评价，给出一个适合值。开始时总是随机地产生一些个体(即候选解)，根据这些个体的适合度利用遗传算法(选择、交叉、变异)对这些个体进行交叉组合，得到一个新的个体。这一群新的个体由于继承了上一代的一些优良性质，因而明显优于上一代，这样逐步朝着更优解的方向进化。遗传算法对于复杂的优化问题无需建模和进行复杂的运算，只要用遗传算法的三种算子就能找到优化解，因而在各种领域中得到了广泛的应用。在机器人相关领域研究中，遗传算法已被应用于机械手的轨迹生成、多机器人的路径规划、冗余机械手的障碍避碰。

随着人工智能技术的日益普及，目前人工智能技术开始融入到医院的各个角落，很多医院的自动化程度都得到了一定的提升，减轻了医护人员的工作量，实现有效的隔离和防止交叉感染。