一种基于效益的多机器人避碰协调策略

多移动机器人系统在完成同时定位和地图构建SLAM任务时,机器人之间常常存在相互碰撞的问题,而这种碰撞的避免又不同于一般的避障,因为避障问题中的障碍物一般是不动的。为了解决机器人之间的避碰问题,提出了一种基于效益的多机器人避碰协调策略。该策略以提高多机器人系统探索效率为主,确定机器人通过交叉路口的顺序。同时考虑了动态协调避碰的情况,给出了确定机器人通过交叉路口顺序的算法。通过机器人在交叉路口实现避碰协调算法的仿真示例,对该方法的避碰协调过程进行了说明,并对仿真结果进行了分析,同时对仿真中机器人和目标位置的空间关系给出了合理的假设。     

基于障碍物运动预测的移动机器人路径规划

针对移动机器人局部动态避障路径规划问题开展优化研究。基于动态障碍物当前历史位置轨迹,提出动态障碍物运动趋势预测算法。在移动机器人的动态避障路径规划过程中,考虑障碍物当前的位置,评估动态障碍物的移动轨迹;提出改进的D*Lite路径规划算法,大幅提升机器人动态避障算法的效率与安全性。搭建仿真验证环境,给出典型的单动态障碍物、多动态障碍物场景,对比验证了避障路径规划算法的有效性。     

装配机器人系统快速碰撞检测算法

提出一种面向操作手段装配系统的快速碰撞检测算法。该算法以机器人运动学和空间解析几何为基础,将判断机械手手臂与障碍物是否发生碰撞问题转化为直线段与有界平面是否存在公共点的简单解析几何问题,并以PUMA560操作手为例对算法加以说明,该算法不仅适用于静态的障碍物已知的环境,而且适用于障碍物运动规律已知的动态环境,减少了碰撞检测占用的时间,提高了路径规划的效率。     

融合动态障碍物运动信息的路径规划算法

传统的路径规划算法只能在障碍物不发生位置变化的环境中计算最优路径。但是随着机器人在商场、医院、银行等动态环境下的普及,传统的路径规划算法容易与动态障碍物发生碰撞等危险。因此,关于随机动态障碍物条件下的机器人路径规划算法需要得到进一步改善。为了解决在动态环境下的机器人路径规划问题,提出了一种融合机器人与障碍物运动信息的改进动态窗口法来解决机器人在动态环境下的局部路径规划问题,并且与优化A*算法相结合来实现全局最优路径规划。主要内容体现为：在全局路径规划上,采用优化A*算法求解最优路径。在局部路径规划上,以动态障碍物的速度作为先验信息,通过对传统动态窗口法的评价函数进行扩展,实现机器人在动态环境下的自主智能避障。实验证明,该算法可以实现基于全局最优路径的实时动态避障,具体表现为可以在不干涉动态障碍物的条件下减少碰撞风险、做出智能避障且路径更加平滑、长度更短、行驶速度更快。     

动态环境中服务机器人的改进型地图学习规划

针对室内服务机器人进行服务工作时需要躲避碰撞和抵达目标点的功能需求,本文提出了一种改进型地图学习路径规划算法.在地图学习规划算法的基础上,该算法首先约定了移动机器人的非完整性,使规划具有更高的可行性.然后改进了障碍物的影响方式,令已探测到的障碍物仅对已知区域产生作用,从而减少未知区域对路径选择的影响.接着,优化了地图学习算法中的随机选点策略,即若目标点出现在探测范围内时则令目标点作为初始选取点,解决了地图学习规划在临近目标点时收敛性不佳问题.并设计自适应速度移动策略以进一步提高算法的收敛性能和机器人的规划效率.最后,仿真及实验结果表明改进型地图学习路径规划算法相比于传统地图学习算法具有更好的规划效率和目标收敛能力.     

足球机器人动态路径规划方法研究

针对机器人足球系统的高度实时性、不确定性,提出了一种基于统计预测的路径规划方法,该方法考虑到障碍物的速度大小和方向的不确定性,用数学统计的方法对障碍物的运动进行建模;机器人在运动过程中,根据得到的环境信息在机器视觉范围内建立预测窗口和避障窗口,在预测窗口内,机器人根据障碍物的信息建立障碍物的预测区域,在避障窗口内,机器人根据自身的位置与障碍物的预测区域,分别调用切线法或滚动窗口法进行路径规划;该方法属于局部路径规划方法,机器人在移动过程中需要不断更新环境信息来进行避障.     

基于遗传算法和B 样条曲线的平滑避障路径规划

传统的避障路径规划中常常存在不连续点,提出一种新的平滑避障路径规划的方法—遗传算法和B样条曲线法。首先,先通过碰撞侦测,能够侦测出前进路径中的障碍物,然后通过遗传算法再结合B样条曲线规划出平滑的避障路径。该算法可以避免运动过程因打滑而造成与目标位置的误差,解决机器人在静态环境中全局、局部路径规划和规划路径中存在不连续点的问题。仿真和实验结果证明了算法的有效性。     

Optimal and suboptimal motion planning for collision avoidance of mobile robots in non-stationary environments

An optimal control formulation of the problem of collision avoidance of mobile robots moving in terrains containingmoving obstacles is presented. A dynamic model of the mobile robot and the dynamic constraints are derived. Collision avoidance is guaranteed if the minimum distance between the robot and the objects is nonzero. A nominal trajectory is assumed to be known from off-line planning. The main idea is to change the velocity along the nominal trajectory so that collisions are avoided. Furthermore, time consistency with the nominal plan is desirable. Two solutions are obtained: (1) A numerical solution of the optimization problem and a perturbation type of control to update the optimal plan and (2) A computationally efficient method giving near optimal solutions. Simulation results verify the value of the proposed strategies and allow for comparisons.     

基于预测窗的轮式移动机器人最优避障避碰算法

针对非线性轮式移动机器人的避障以及多机器人间的相互避碰问题,提出了一种基于预测窗的避障避碰算法.首先为了便于预测碰撞的发生,通过反馈线性化将非线性的机器人运动学模型转化成线性模型;然后根据线性模型预测会导致机器人发生碰撞的所有相对虚拟加速度变化量集合,称之为加速度变化障碍.基于此,为每个机器人构造既能躲避障碍物又能相互避碰的可行加速度变化集合.然后通过优化指标函数求得最优虚拟加速度变化量,最后将其转换成机器人的实际控制量.这种算法与现有的相比,可使机器人在避障或避碰过程中的行驶方向角、线速度的变化幅值更小,角速度和线加速度的变化更为平顺,而且运行所用的平均时间更短.仿真结果演示了所提出算法的有效性和相对于已有方法的优势.     

Planning collision-free trajectories in time-varying environments: a two-level hierarchy

We propose a two-level hierarchy for planning collision-free trajectories in time varying environments. Global geometric algorithms for trajectory planning are used in conjunction with a local avoidance strategy. Simulations have been developed for a mobile robot in the plane among stationary and moving obstacles. Essentially, the robot has a global geometric planner that provides a coarse global trajectory (the path and velocity along it), which may be locally modified by the low-level local avoidance module if local sensors detect any obstacles in the vicinity of the robot. This hierarchy makes effective use of the complementary aspects of the global trajectory planning approaches and the local obstacle avoidance approaches.