移动机器人导航技术的种类及发展趋势分析

一、引言

智能移动机器人是一类能够通过传感器感知环境和自身状态,实现在有障碍物的环境中面向目标的自主运动,从而完成一定的作业功能的机器人系统。移动机器人导航技术的研究内容主要包括同步定位与地图创建、路径规划等若干方面的内容。

导航技术主要解决以下几个方面的问题:通过传感器等技术手段来获得机器人在工作空间中的位置、方向以及环境信息;用信息融合算法对所获得信息进行处理,并建立环境模型;寻找一条最优或次最优的无碰路径。

近年来,移动机器人技术在工业、航空航天,特别是空间探测等许多领域发挥着重要作用,因此,越来越成为学术界关注的热点。本文对移动机器人导航技术进行了分类,并进行了较为详细的分析介绍,最后,对其发展趋势做了进一步的阐述。

二、移动机器人导航技术研究现状

1.同步定位与地图创建

2.路径规划

移动机器人路径规划技术按其规划方式不同可分为基于地图的规划方法、基于环境建模的规划方法、基于行为的规划方法3种类型。

(1)基于地图的规划方法

地图更新法是机器人根据当前的地图信息规划路径,沿路径前进一段时间后,利用这段时间收集到的环境信息更新地图,然后,利用更新过的全局地图重新规划和调整路径。这种过程循环下去,直到到达目标为止。路径匹配法是利用现有信息建立一个路径库。根据当前的规划任务产生的路径信息和环境信息与路径库中的路径进行匹配,以寻找出一条近似最优路径。然后,通过一定的算法对该路径进行修正,最后,得到最优路径。

(2)基于环境建模的方法

在环境已知的情况下,全局路径规划的设计标准是尽量使规划的效果达到最优。在此领域已经有了许多成熟的方法,基于图论的建模方法包括可视图法、切线图法、Voronoi图法、拓扑法等。基于网格的建模方法有栅格法、四叉树法及扩展算法等。

在环境部分已知或未知环境下的基于传感器的局部路径规划中,人工势场法、模糊逻辑算法、遗传算法、人工神经网络应用比较广泛。模拟退火算法、蚁群算法、粒子群算法、混沌算法、人工免疫算法和启发式搜索方法等在最近几年比较流行。

遗传算法模拟了自然界中的优胜劣汰的个体进化原则,对路径进行编码并作为操作对象,不要求目标函数连续、可导。具有全局收敛性、隐并型搜索、很好的鲁棒性和适应性等特点。李枚毅等人将进化免疫算法应用于移动机器人的路径规划取得了很好的效果。首先,用节点、链接图进行环境建模,以最短路径条件设计适应度函数,采用免疫算子、克隆算子、粒群行为算子等对初始种群进行操作。然后,通过免疫选择、评价群体适应度、输出最优个体等步骤得到最优路径。免疫算子有提高收敛速度的作用,因此,算法能有效而快速地形成性能优良、安全程度较高的全局(次)最优可行路径。

机器人在没有任何先验信息的情况下,机器人以避障功能为主,侧重于发现一条通往目标的可行路径。Koeing等人提出了增量式D3L ite算法,该方法利用启发式搜索策略搜索一条从目标点指向机器人当前位置的路径,并在机器人运动过程中根据局部环境的更新信息进行实时重规划路径,来得出一条最优路径。

(3)基于行为的路径规划

基于行为的方法模仿了动物进化的自下而上的原理,尝试用一个简单的智能体来建立一个复杂的系统。它把导航问题分解为许多相对独立的行为单元,如,跟踪、避障、回退、目标制导等。

基于行为的方法大体可分为反射式、反应式、慎思式行为3种。反射式行为是一种定时的应激式本能行为;基于反应式的行为规划方法是通过传感器来规划动作行为;慎思行为是利用全局环境模型进行路径规划的,它通过信息融合和逻辑运算来进行路径规划,因此,对环境中不可预知的变化反应较慢。孟江华等人采用了两层算法,底层采用改进的Bug算法,上层为监督模块,用来发现和纠正绕行方向的错误。机器人通过信心函数和路径回溯来进行路径规划。该算法结合了Bug算法、全局地图技术和类人的路径选择策略,比传统的基于行为的方法更具智能性和灵活性。

三、多传感器信息融合技术

应用于移动机器人的传感器可以分为内部传感器和外部传感器两大类。内部传感器用于检测机器人系统内部参数,主要有里程计、陀螺仪、磁罗盘及光电编码器等;外部传感器用于感知外部环境信息,主要有视觉传感器、激光测距传感器、超声波传感器、红外传感器等,由于单一传感器难以保证信息的准确性和可靠性,不足以充分反应外界环境信息,因此,采用多个传感器可实现环境信息的充分理解,便于机器人做出正确的决策。

多传感器信息融合技术常用的方法有:加权平均法、贝叶斯估计、多贝叶斯方法、卡尔曼滤波、D2S证据推理、模糊逻辑、产生式规则、人工神经网络等。

加权平均法是将多个传感器的冗余数据进行加权平均,是一种底层数据融合方法,其结果不是统计上的最优估计。贝叶斯方法是根据已知的事实对未发生的事件进行概率判断,通过已知的先验概率对未知的概率进行推断。D2S证据推理是贝叶斯方法的扩展,它使用了一个不稳定区间,可通过未知前提的先验概率来弥补贝叶斯方法的不足。它特别适应于处理多传感器集成系统的信息融合问题。

Kalman滤波是用测量模型的统计特性递推决定在统计意义下的最优融合数据估计。人工神经网通过一定的学习算法可将传感器的信息进行融合,获得网络参数。选择有代表性的样本集是个关键难题,通过运用粗糙集理论的知识数据表格约简方法可以很好地解决这个问题。

四、移动机器人导航技术的展望

目前,移动机器人导航技术已经取得了很好的研究成果。计算机技术、电子技术、通信技术、传感器技术、控制技术、网络技术地迅猛发展必将推动和促进移动机器人导航技术取得更多的研究成果。移动机器人导航技术的发展有以下几方面的趋势:(1)视觉导航具有信息量大、探测范围广等特点,仍然是移动机器人导航技术的主要发展方向;(2)导航系统结构将朝着分布式、模块化、网络化、多机器人协作的方向发展。分布式和模块化的结构有利于减少机器人的体积和自重。通过互联网实现机器人的远程操作以及基于网络的多机器人协作是导航技术的新的研究热点;(3)路径规划将朝着多层规划和多方法相结合的方向发展。采用基于反应式的行为规划与基于慎思行为规划相结合的方法。全局路径规划和局部路径规划相结合更有利于复杂环境的避障规划;(4)新技术、新方法(如,虚拟现实技术、信息融合新方法、新型传感器等)将促进移动机器人导航技术更快地发展。

五、结束语

综上所述,移动机器人导航技术虽然取得了一些成果,但还没有达到实用化的水平,仍有许多问题有待解决。如何提高系统的鲁棒性、柔性、容错性,增强系统的学习能力,信息融合的有效理论和方法,用仿生技术来提高系统的决策智能性等有待进一步研究,但这些问题并不是孤立的,各部分相互作用、相互影响,必须把各部分有机地结合为一个整体系统,研究开发面向全局性能优化的导航理论与方法。

责任编辑：gt