塑料機械網(wǎng)
技術(shù)文章
移動機器人是如何實現(xiàn)避障與導航？
閱讀：995 發(fā)布時間：2020-4-26 移動機器人智能的一個重要標志就是自主導航，而實現(xiàn)機器人自主導航有個基本要求——避障。移動機器人的避障是指移動機器人根據(jù)采集的障礙物的狀態(tài)信息，在行走過程中通過傳感器感知到妨礙其通行的靜態(tài)和動態(tài)物體時，按照一定的方法進行有效地避障，后達到目標點。
實現(xiàn)避障與導航的必要條件是環(huán)境感知，在未知或者是部分未知的環(huán)境下避障需要通過傳感器獲取周圍環(huán)境信息，包括障礙物的尺寸、形狀和位置等信息，因此傳感器技術(shù)在移動機器人避障中起著十分重要的作用。避障使用的傳感器主要有超聲傳感器、視覺傳感器、紅外傳感器、激光傳感器等。下面我們著重了解一下視覺傳感器。
視覺傳感器的優(yōu)點是探測范圍廣、獲取信息豐富，實際應(yīng)用中常使用多個視覺傳感器或者與其它傳感器配合使用，通過一定的算法可以得到物體的形狀、距離、速度等諸多信息?；蚴抢靡粋€攝像機的序列圖像來計算目標的距離和速度，還可采用SSD算法，根據(jù)一個鏡頭的運動圖像來計算機器人與目標的相對位移。但在圖像處理中，邊緣銳化、特征提取等圖像處理方法計算量大，實時性差，對處理機要求高。且視覺測距法檢測不能檢測到玻璃等透明障礙物的存在，另外受視場光線強弱、煙霧的影響很大。
機器人避障技術(shù)的分類
目前移動機器人的避障根據(jù)環(huán)境信息的掌握程度可以分為障礙物信息已知、障礙物信息部分未知或*未知兩種。傳統(tǒng)的導航避障方法如可視圖法、柵格法、自由空間法等算法對障礙物信息己知時的避障問題處理尚可，但當障礙信息未知或者障礙是可移動的時候，傳統(tǒng)的導航方法一般不能很好的解決避障問題或者根本不能避障。而實際生活中，絕大多數(shù)的情況下，機器人所處的環(huán)境都是動態(tài)的、可變的、未知的，為了解決上述問題，人們引入了計算機和人工智能等領(lǐng)域的一些算法。同時得益于處理器計算能力的提高及傳感器技術(shù)的發(fā)展，在移動機器人的平臺上進行一些復雜算法的運算也變得輕松，由此產(chǎn)生了一系列智能避障方法，比較熱門的有：遺傳算法、神經(jīng)網(wǎng)絡(luò)算法、模糊算法等，下面分別加以介紹。
1、基于遺傳算法的機器人避障算法：
遺傳算法(genetic algorithm ，簡稱GA )是計算數(shù)學中用于解決較的搜索算法，是進化算法的一種。進化算法是借鑒了進化生物學中的遺傳、突變、自然選擇以及雜交等現(xiàn)象而發(fā)展起來的。遺傳算法采用從自然進化中抽象出來的幾個算子對參數(shù)編碼的字符串進行遺傳操作，包括復制或選擇算子(Reproduction or Select)、交叉算子(Crossover)、變異算子(Mutation)。
遺傳算法的主要優(yōu)點是：采用群體方式對目標函數(shù)空間進行多線索的并行搜索，不會陷入局部極小點；只需要可行解目標函數(shù)的值，而不需要其他信息，對目標函數(shù)的連續(xù)性、可*沒有要求，使用方便；解的選擇和產(chǎn)生用概率方式，因此具有較強的適應(yīng)能力和魯棒性。
遺傳算法的主要優(yōu)點是：采用群體方式對目標函數(shù)空間進行多線索的并行搜索，不會陷入局部極小點；只需要可行解目標函數(shù)的值，而不需要其他信息，對目標函數(shù)的連續(xù)性、可*沒有要求，使用方便；解的選擇和產(chǎn)生用概率方式，因此具有較強的適應(yīng)能力和魯棒性。
2、基于神經(jīng)網(wǎng)絡(luò)算法的機器人避障方法：
神經(jīng)網(wǎng)絡(luò)(neural network，縮寫NN)，是一種模仿生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的數(shù)學模型或計算模型。神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元聯(lián)結(jié)進行計算。大多數(shù)情況下人工神經(jīng)網(wǎng)絡(luò)能在外界信息的基礎(chǔ)上改變內(nèi)部結(jié)構(gòu)，是一種自適應(yīng)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)通常通過一個基于數(shù)學統(tǒng)計學類型的學習方法優(yōu)化，是一種非線性統(tǒng)計性數(shù)據(jù)建模工具，可以對輸入和輸出間復雜的關(guān)系進行建模。
傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)路徑規(guī)劃方法往往是建立一個關(guān)于機器人從初始位置到目標位置行走路徑的神經(jīng)網(wǎng)絡(luò)模型，模型輸入是傳感器信息和機器人前一位置或者前一位置的運動方向，通過對模型訓練輸出機器人下一位置或者下一位置的運動方向。可以建立基于動態(tài)神經(jīng)網(wǎng)絡(luò)的機器人避障算法，動態(tài)神經(jīng)網(wǎng)絡(luò)可以根據(jù)機器人環(huán)境狀態(tài)的復雜程度自動地調(diào)整其結(jié)構(gòu)，實時地實現(xiàn)機器人的狀態(tài)與其避障動作之間的映射關(guān)系，能有效地減輕機器人的運算壓力。還有研究通過使用神經(jīng)網(wǎng)絡(luò)避障的同時與混合智能系統(tǒng)(HIS)相連接，可以使移動機器人的認知決策避障能力和人相近。
3、基于模糊控制的機器人避障算法
模糊控制(fuzzy control)是一類應(yīng)用模糊集合理論的控制方法，它沒有像經(jīng)典控制理論那樣把實際情況加以簡化從而建立起數(shù)學模型，而是通過人的經(jīng)驗和決策進行相應(yīng)的模糊邏輯推理，并且用具有模糊性的語言來描述整個時變的控制過程。對于移動機器人避障用經(jīng)典控制理論建立起的數(shù)學模型將會非常粗糙，而模糊控制則把經(jīng)典控制中被簡化的部分也綜合起來加以考慮。
對于移動機器人避障的模糊控制而言，其關(guān)鍵問題就是要建立合適的模糊控制器，模糊控制器主要完成障礙物距離值的模糊化、避障模糊關(guān)系的運算、模糊決策以及避障決策結(jié)果的非模糊化處理(精確化)等重要過程，以此來智能地控制移動機器人的避障行為。利用模糊控制理論還可將專家知識或操作人員經(jīng)驗形成的語言規(guī)則直接轉(zhuǎn)化為自動控制策略。通常使用模糊規(guī)則查詢表，用語言知識模型來設(shè)計和修正控制算法。
除此之外還有啟發(fā)式搜索算法、基于行為的路徑規(guī)劃算法、基于再激勵學習的路徑規(guī)劃算法等避障算法，也都在移動機器人的避障研究中取得了很好的成果。
未來
隨著計算機技術(shù)、傳感器技術(shù)、人工智能的發(fā)展，移動機器的避障及自主導航技術(shù)已經(jīng)取得了豐碩的研究成果，應(yīng)用領(lǐng)域也在不斷地擴大，應(yīng)用復雜程度也越來越高。移動機器人的自主尋路要求已經(jīng)從之前簡單的功能實現(xiàn)提升到可靠性、通用性、高效率上來，因此對其相關(guān)技術(shù)提出了更高的要求。然而至今沒有任何一種方法能夠在任意環(huán)境使機器人進行有效地避障，如何克服相關(guān)算法的局限性是今后工作的研究方向之一?？梢钥闯霾还苁莻鹘y(tǒng)算法還是新興的智能算法都有其適用與不適用的環(huán)境，通過傳統(tǒng)算法與智能算法及智能算法之間的相互融合，克服單個算法的缺陷，增強整體的適用性，現(xiàn)在已經(jīng)有很多這方面的研究，以后仍將是研究熱點之一。