D-S证据理论在移动机器人信息融合中的应用

移动机器人的自动能力中实时避障和导航是一个很关键的技术,研究中主要的问题是：机器人在运动时需要充分的环境信息,而且处理这些信息的速度要快,同时也要满足实时性的要求。详细介绍了将D-S证据理论应用于移动机器人对未知环境的探索、感知过程,并通过仿真结果对D-S证据融合方法的性能进行研究与改进,确定了D-S证据融合方案的具体实现步骤,并完成了一个简化的仿真算例,得出了相关结论。     

模糊理论在机器人超声传感器中的应用及改进

移动机器人的自动能力中实时避障和导航是一个很关键的技术,研究中主要的问题是：机器人在运动时需要充分的环境信息,而且处理这些信息的速度要快,要满足实时性的要求。文章详细介绍了将模糊理论应用于移动机器人超声传感器阵列对未知环境的探索、感知过程,从而提高了传感阵列的融合的有效性及实时性,并通过仿真结果对模糊融合方法的性能进行研究与改进,确定了模糊融合方案的具体实现步骤,完成了一个简化的仿真算例,得出了相关结论。     

基于遗传算法模式匹配的机器人实时视觉伺服

对于机器人手臂来讲 ,对工作环境的识别是完成一个智能任务的最重要的问题之一 .因为这种智能可以使它工作在一个变化的环境中 .本文提出了一种新的机器人手臂的控制策略 ,可以利用视觉信息来指导机器人的手臂在它的工作空间中捡起一个已知形状但任意位置和方向的物体 .在对物体的搜索过程中 ,利用基于视觉闭环的视觉伺服来完成对机器人手臂的运动控制 .本系统利用遗传算法 (Genetic Algorithm ,GA)和模式匹配技术完成对搜索空间的搜索并获得了良好的结果 .本文完成了对带有两连杆手臂的视觉伺服系统的仿真 ,仿真结果证明了算法的有效性     

未知环境下移动机器人地图构建仿真研究

未知环境的地图构建是移动机器人研究领域的一个研究热点.为了研究在未知环境下移动机器人地图构建,基于微软机器人开发工作室(MRDS),对虚拟环境中移动机器人进行了仿真建模,通过激光测距仪获取未知环境信息,应用迭代最近点(ICP)算法处理未知环境信息实现了移动机器人对未知环境地图构建.对移动机器人地图构建仿真实验结果表明,文中的方法能够有效地实现未知环境地图构建,可为移动机器人运动提供导向作用,具有一定的理论和现实意义.     

一种用于导航的2.5维地图的构建

为了使仿人机器人能够在真实世界中自由行走,包括上下楼梯、跨过障碍物,本文提出了一种构建机器人环境的2.5维网格地图的方法。首先利用传感器数据建立并更新一个3D占有率网格和一个平地网格,3D占有率网格为最终的地图提供概率支持,以保证环境模型对传感器噪声的鲁棒性,平地网格用来存储平面高度值。然后结合两个网格建立导航地图,该地图上每一个单元格被标记为平地或障碍物类型以及它的高度值,平地的高度信息是精确的而障碍物的高度信息是粗略的。最后在仿真平台上验证了所提出的方法,仿真结果证实此方法能够有效地产生用于机器人避障和路径规划的地图。     

基于神经网络和遗传算法的机器人动态避障路径规划

文中提出了基于神经网络和遗传算法的动态环境下机器人动态避障路径规划方法,机器人工作空间动态环境信息的神经网络模型,并利用该模型建立机器人动态避障与神经网络输出的关系,然后将需规划路径的二维编码简化成一维编码,并把动态避障要求和最短路径要求融合成一个适应度函数.通过对算法进行实验仿真,结果表明提出的动态路径规划方法是正确和有效的.     

基于宏观概率模型的群机器人系统自适应建模研究

提出一种基于宏观概率模型的群机器人觅食系统的自适应建模方法.在此异构群机器人中,每个机器人可根据内部信息、社会信息和环境信息自适应调节搜索时间阈值和休息时间阈值.为区别个体机器人,引入个体休息时间阈值和公共休息时间阈值.基于概率有限状态机法将机器人状态分为休息状态和搜索状态两大类,状态之间的转移由相应的个体休息时间阈值决定.详细分析和推导了三种信息对时间阈值的影响.最后在Stage仿真平台上进行了不同环境条件下的仿真实验.结果表明该模型适用于群机器人系统.     

基于K_SVD算法的机器人路径规划

机器人在陌生环境和动态障碍物下路径规划一直是人工智能及机器人领域研究重点。为了完备训练机器人陌生环境路径规划,根据环境中的特征信息,建立了一种基于K_SVD算法的机器人路径规划模型。经过K_SVD算法训练后的字典可以较好保存环境信息,利用该字典规划机器人路径可达到较好效果。实验仿真表明,该模型下机器人可以完成动态障碍物下自主良好路径规划,具有很强实用性。     

基于栅格法的移动机器人运动规划研究

研究移动机器人运动规划问题.为实现机器人独立自主地完成任务行为,提出了一种利用栅格法对移动机器人运动进行规划,算法将运动规划分解为路径规划和运动控制两部分.在路径规划时,对栅格环境设定机器人的假想窗口栅格,并根据假想窗口和环境信息的可信度,设定实现环境信息优化的路径规划策略.根据机器人的运动学模型推导出机器人的运动控制律,以实现问题的求解.最后对运动规划方法进行了仿真验证,仿真结果证明了控制律的有效性.     

基于神经网络的机器人路径规划算法

机器人路径规划技术是机器人研究的一个重要领域.针对未知的全局环境,使机器路径最优化,利用机器人传感器网络建立可视区域,将整体任务分解为环境信息已知的一系列子任务,利用神经网络高速并行计算的优点,建立神经网络罚函数,提出一种实时性较高的变参数方法离散化求取罚函数的负梯度方向,控制机器人快速高效地完成子任务,从而驱使机器人到达目标点并进行仿真.仿真结果证明了复杂环境静态和动态目标指引下方法的有效性和实用性,特别适用于实时性要求高的场合.     

一种基于声纳信息的移动机器人实时导航方法

提出了一种基于声纳信息的移动机器人实时导航方法。首先建立声纳感知数据向地图映射的概率模型,将声纳感知到的环境信息以基于栅格的概率值进行表示,并利用D-S证据理论对其进行数据融合,得到机器人的局部环境。在此基础上,采用基于滚动窗口的方法进行移动机器人路径规划,最终实现实时导航。试验结果表明该方法是可行和有效的。     

基于多传感器信息融合的移动机器人导航系统

介绍了多传感器信息融合的基本原理,给出了基于多传感器信息融合的移动机器人导航系统结构。建立了移动机器人数学模型,运用基于扩展卡尔曼滤波的信息融合方法实现了移动机器人导航算法。通过实验验证了基于多传感器信息融合的移动机器人导航系统和导航算法的有效性。     

基于多传感器信息融合的移动机器人导航系统的设计与实现

概述多传感器信息融合技术的原理与方法，通过实例描述了多传感器信息融合在移动机器人导航中的应用。在能力风暴机器人平台建立了基于多传感器信息融合的导航体系结构，并通过具体的实验和结果表明了多传感器信息融合方法在导航中的有效性。     

Sensor planning for mobile robot localization using Bayesian network inference

We propose a new method of sensor planning for mobile robot localization using Bayesian network inference. Since we can model causal relations between situations of the robot's behavior and sensing events as nodes of a Bayesian network, we can use the inference of the network for dealing with uncertainty in sensor planning and thus derive appropriate sensing actions. In this system we employ a multi-layered-behavior architecture for navigation and localization. This architecture effectively combines mapping of local sensor information and the inference via a Bayesian network for sensor planning. The mobile robot recognizes the local sensor patterns for localization and navigation using a learned regression function. Since the environment may change during the navigation and the sensor capability has limitations in the real world, the mobile robot actively gathers sensor information to construct and reconstruct a Bayesian network, and then derives an appropriate sensing action which maximizes a utility function based on inference of the reconstructed network. The utility function takes into account belief of the localization and the sensing cost. We have conducted some simulation and real robot experiments to validate the sensor planning system.     

A 3-level autonomous mobile robot navigation system designed by using reasoning/search approaches

This paper describes how soft computing methodologies such as fuzzy logic, genetic algorithms and the Dempster–Shafer theory of evidence can be applied in a mobile robot navigation system. The navigation system that is considered has three navigation subsystems. The lower-level subsystem deals with the control of linear and angular volocities using a multivariable PI controller described with a full matrix. The position control of the mobile robot is at a medium level and is nonlinear. The nonlinear control design is implemented by a backstepping algorithm whose parameters are adjusted by a genetic algorithm. We propose a new extension of the controller mentioned, in order to rapidly decrease the control torques needed to achieve the desired position and orientation of the mobile robot. The high-level subsystem uses fuzzy logic and the Dempster–Shafer evidence theory to design a fusion of sensor data, map building, and path planning tasks. The fuzzy/evidence navigation based on the building of a local map, represented as an occupancy grid, with the time update is proven to be suitable for real-time applications. The path planning algorithm is based on a modified potential field method. In this algorithm, the fuzzy rules for selecting the relevant obstacles for robot motion are introduced. Also, suitable steps are taken to pull the robot out of the local minima. Particular attention is paid to detection of the robot’s trapped state and its avoidance. One of the main issues in this paper is to reduce the complexity of planning algorithms and minimize the cost of the search. The performance of the proposed system is investigated using a dynamic model of a mobile robot. Simulation results show a good quality of position tracking capabilities and obstacle avoidance behavior of the mobile robot.     

基于模糊控制信息融合方法的机器人导航系统

本文提出了一种基于模糊控制和信息融合的自主式移动机器人导航系统的实现方法。采用表格查询的模糊控制方法,对导航系统中的多传感器信息进行融合,实现了机器人的路径跟踪和自动纠偏的功能。该系统具有实现简单、响应快、鲁棒性好等特点,仿真实验和实际运行结果表明了该系统在具有引导线的环境中能有效实现自主式移动机器人的导航。     

环境特征提取在移动机器人导航中的应用

针对移动机器人在未知结构化环境中导航的需要,采用2D激光雷达作为主要传感器,对诸如墙壁、拐角、出口等这些典型的环境特征分别设计了一套有效的特征提取算法,并在该算法的基础上提出了基于特征点的移动机器人导航策略.该策略不需要里程计等其他一些内部传感器的信息,并且也不依赖具体的环境表述模型,从激光雷达扫描一次所得的数据中即可提取出环境特征,从而来指引机器人导航,实现起来快速可靠.应用到移动机器人MORCS-1上进行实验,取得了满意的结果,算法的实时性与鲁棒性得到了验证.     

全局环境未知时机器人导航和避障的一种新方法

研究了全局环境未知情况下的移动机器人实时导航问题．将栅格法描述环境与基于滚动窗口的路径规划相结合，提出了一种新的移动机器人导航方法．将超声传感阵列探测到的环境信息以基于栅格的概率值进行表示，利用不确定性证据推理对其进行数据融合，得到机器人的局部环境信息；在此基础上，采用基于滚动窗口的方法进行机器人路径规划，实现机器人的实时导航．仿真与实验结果表明了该方法的有效性．