移动机器人避障算法的研究
来源:用户上传
作者:
[摘 要] 对于移动机器人来说,在移动过程中是否能快速、准确地对周围环境作出反应,比如避开前进中的障碍物并且不间断地移动到目的地,是非常重要的。移动机器人的避障策略方法有很多。从文献的数量上看,主要还是人工势场法和栅格法较多。值得注意的是在同时具有静态和运动物体的动态环境中,避障的实时性往往很差,主要是处理速度往往跟不上。其他算法还有回归预测法、神经网络法、遗传算法等。本文总结了现在常用的几种移动机器人避障算法和策略,并比较了各方法的优缺点及适用场合。
[关键词]移动机器人 避障 模糊控制 路径规划 神经网络
1、引言
路径规划与导航是移动机器人的核心技术,也是其智能性的体现。其中是否能实时、灵活地躲避障碍物是衡量移动机器人性能的一条关键指标,也是导航需要完成的重要任务之一。移动机器人是当今研究热点,而机器人避障技术是移动机器人研究的一个重要方向,自主移动机器人(AMR)导航是智能机器人研究的重要分支之一,在动态未知环境中,环境感知的局部性和动态障碍物加大了机器人与障碍物碰撞的概率,如何根据局部信息做出合理的避障决策是实现机器人自主性的关键。动态避障时,路径优化性、安全性和实时性是衡量决策质量的主要因素【2】。由于受诸多因素(时间、速度、加速度等)限制,如何合理设计简单有效的实时避障算法尤为重要。根据对环境信息掌握的程度不同,可以将机器人避碰和路径规划分为两种类型,一个是基于环境先验完全信息的全局路径规划,又称静态规划;另一个是基于传感器信息的局部路径规划,又称动态规划。全局路径规划目前比较成熟,它首先对环境建模,然后进行路径搜索。环境建模的主要方法有:可视图法,自由空间法和栅格法;局部路径规划的主要方法有:人工势场法、遗传算法和模糊逻辑算法等【1】。这些方法各有优缺点,没有一种方法能够适用于任何场合。由于机器人足球比赛的高度动态性和高度实时性,一些计算量巨大的复杂算法不适用,而许多基于实际比赛经验的方法则被广泛使用。
2、机器人避障的研究现状
能够在具有静态和动态障碍物的复杂环境中完成局部在线避碰是移动机器人自主性的重要体现。许多学者就此类避碰问题作了深入的研究,并提出了一些方法。顾民等[1]提出了一种基于扇形扫描的机器人避障算法;张捍东[2]提出一种新的改进协调势场法(CPF method),乔俊飞[3]利用神经网络来实现Q函数以便解决强化学习在连续状态中的应用问题;何文广[4]针对以往机器人避障行为控制过程中存在的问题,提出基于模糊神经控制的机器人避障算法来实现机器人的实时、准确避障;杨大地[5]将分子技术与遗传算法结合起来,提出了基于DNA遗传算法求解路径规划问题的新方法;张幼明[6]采用非线性函数作为模糊控制系统隶属度函数不仅符合模糊逻辑的特点,也符合机器人避障的要求;董立志等[7]运用最小方差预测算法估计障碍物下一时刻的位置,从而把障碍物的运动信息也包含进传统人工势场法中;袁曾任等[8]改进了栅格法和回归预测法,并把两者结合起来;庄晓东等[9]提出了一种基于模糊概念的动态环境模型;Paolo[10]和赵忆文[11]分别提出了速度障碍物和速度势场的概念和方法。本文对上述方法进行了分析和总结。
3、移动机器人避障的算法
全局路径规划目前比较成熟,它首先对环境建模,然后进行路径搜索。环境建模的主要方法有:可视图法,自由空间法和栅格法;局部路径规划的主要方法有:人工势场法、遗传算法和模糊逻辑算法等【1】。
3.1人工势场法
人工势场法是由Khatib提出的一种虚拟力法。其基本思想是将机器人在环境中的运动视为一种虚拟的人工受力场中的运动。障碍物对机器人产生斥力,目标点产生引力,引力和斥力的合力作为机器人的加速力,来控制机器人的运动方向和计算机器人的位置。该法结构简单,便于低层的实时控制,在实时避障和平滑的轨迹控制方面,得到了广泛的应用,但对存在局部最优解的问题,容易产生死锁现象(Dead Lock),因而可能使机器人在到达目标点之前就停留在局部最优点。文[2]提出一种新的改进协调势场法(CPF method),基于滚动窗口,以相对运动为模型统一了静态避障和动态避障,采用局部子目标点构建局部势场,在保持势场法应急性的同时,兼顾全局特征。针对动态避障时的时间和速度约束设计了协调向量,结合碰撞风险,自适应地调节机器人速度在对改进势函数和协调向量的参数利用遗传算法进行优化后,实现了机器人路径的多目标优化。
3.2基于模糊神经控制的机器人避障算法
为了使机器人在避障过程中具有迅速的反应能力,必须在传感器输入数据与控制输出之间建立良好的映射关系。文[4]利用人工神经网络所具有的惊人的处理非线性关系能力的这种优点来完成映射关系的建立。根据所使用的超声波传感器的测距范围(5~150 cm)和机器人的结构尺寸,得出反映机器人当前感知环境期望类别的期望特征向量,输入该期望特征向量,组成用于训练神经网络的训练样本数据库。并通过仿真实验验证文中提出的模糊神经控制算法的有效性和可行性,从仿真图可以看出机器人从起点出发,在多障碍物的仿真环境中安全、无碰撞地到达终点,满足了安全性的要求,实现了安全避障。
3.3基于扇形扫描的机器人智能避障方法
文[1]针对机器人足球比赛的特点,提出了一种基于扇形扫描的局部路径规划方法,经仿真和实践证明,该方法是有效的避障规划方法。首先根据机器人周围的环境建立扇形避障范围,然后在避障范围内扫描,确定障碍物位置,最后进行动态路径规划。足球机器人从CCD摄像头捕获场上信息进行处理后反馈给策略决策系统,给出了足球和机器人的位置信息;根据位置信息,机器人确定扇形避障区域,然后进行扇形扫描判断在机器人的避障范围内是否有障碍物,并根据避障区不同情况分别进行路径规划。基于扇形扫描的机器人避障规划不仅适用于足球机器人比赛的场合,同时对于其他移动机器人,尤其在对全局环境未知的机器人的运动规划也有一定的借鉴作用。根据人类避障的特点,提出了扇形扫描的避障算法,首先规划出前进方向的一个扇形区域作为避障扫描区,然后根据障碍物与机器人的距离和扇形区中心线的夹角来判断扫描区是否有障碍物,最后采用逆着障碍物运动方向的的方法避过障碍物,实时性较强。
3.4基于分子优化算法的机器人避障规划
随着生命科学的发展,遗传学的研究从细胞水平深入到分子水平, DNA计算技术逐渐发展起来。文[5]将分子技术与遗传算法结合起来,提出了基于DNA遗传算法求解路径规划问题的新方法。路径规划系统包含2个阶段,首先采用DNA遗传算法规划出初始全局最优路径,有效地求解静态环境下的最优解。而动态规划方法采用在静态规划结果基础之上,运用遥控技术,机器人通过传感器或通信信息自主分辨局部环境,修正初始全局优化路径,这种基于机器人自主行为的方法是一种简单的、实时性强的控制机器人运动的方法。将路径个体表达为路径中的一系列中途点,使用DNA编码;初始化路径群体,然后进行DNA遗传操作,如选择、交叉、变异、倒位等;经过若干次迭代的循环进化后,停止进化,输出当前最优体。在传统遗传算法的基础上,将DNA-GA成功地应用于机器人无碰撞路径的规划问题。在进行各类避障路径规划时可正确有效地产生机器人运动的最优路径规划,将其推广到其它相关实际问题中也可以得到积极的、深远的影响。对于简单的问题DNA-GA的优越性已经比较明显,但其最大的优势在于处理无法在多项式时间内解决的复杂性问题,特别适合于时间复杂度随着问题的规模成指数级增长的问题求解。
转载注明来源:https://www.xzbu.com/8/view-9014853.htm
