无线传感器环境下粒子群优化的多机器人协同定位研究

协同定位是多机器人自主行为的一项重要技术,重点描述了无线传感器网络环境下结合粒子群优化提出多机器人协同定位算法。该算法引入重采样,解决了粒子耗尽问题,扩大了解空间的范围,保证了种群的多样性,并且引入了惯性权重解决了粒子退化的问题。仿真结果表明,利用无线传感器网络进行辅助导航,采用粒子群优化算法,综合无线传感器网络进行辅助导航,融合各个机器人观测信息,可以降低求解问题的空间维数,在高斯噪声下能有效提高移动机器人定位精度。     

移动机器人基于激光测距和单目视觉的室内同时定位和地图构建

该文研究了部分结构化室内环境中自主移动机器人同时定位和地图构建问题.基于激光和视觉传感器模型的不同,加权最小二乘拟合方法和非局部最大抑制算法被分别用于提取二维水平环境特征和垂直物体边缘.为完成移动机器人在缺少先验地图支持的室内环境中的自主导航任务,该文提出了同时进行扩展卡尔曼滤波定位和构建具有不确定性描述的二维几何地图的具体方法.通过对于SmartROB-2移动机器人平台所获得的实验结果和数据的分析讨论,论证了所提出方法的有效性和实用性.     

激光扫描全局定位传感器的研究

1.引言 自主导航定位是自主移动机器人(或自主移动载体)的基本功能之一.这种功能可以使自主移动机器人(Autonomous Mobile Robot)在作业环境中,依据自身的感知系统确定自身的位置,从而根据任务作出正确的行为决策和路径选择.全局定位就是通过采集环境中地理或人工标志的感知信息,在线地计算出载体在环境参考系中的位置,使机器人系统可以实现基于环境信息的自主导航定位.因此研究全局定位传感器实现移动机器人的自主导航定位对机器人学的发展和促进移动机器人的应用都具有十分重要的意义.     

基于ROS与Kinect的移动机器人同时定位与地图构建

同时定位与地图构建(SLAM)技术一直以来都是移动机器人实现自主导航和避障的核心问题,移动机器人需要借助传感器来探测周围的物体同时构建出相应区域的地图。由于传统的1D和2D传感器,如超声波传感器、声呐和激光测距仪等在建图过程中无法检测出Z轴(垂直方向)上的信息,易增加机器人发生碰撞的概率,同时影响建图结果的精确度。本文利用Kinect作为机器人SLAM的传感器,将其采集到的三维信息转化成二维的激光数据进行地图构建,同时借助机器人操作系统(robot operating system,ROS)进行仿真分析和实际测试。结果表明Kinect可以弥补1D和2D传感器采集信息的不足,同时能够较好的保持建图的完整性和可靠性,适用于室内的移动机器人SLAM实现。     

无路标环境下遥操作机器人SLAM系统

为了提高遥操作机器人的实用性和高效性,设计与开发了一种基于无线网络的无路标未知环境下探索移动机器人系统,其包括移动机器人子系统和机器人远程状态监视子系统.根据机器人功能需求,提出一种多控制器协作及多传感器信息融合的移动机器人硬件结构.利用机器人实时定位和激光测距扫描的能力,提出了一种改进的VFH算法,进行机器人自主局部路径规划.机器人远程状态监视子系统通过无线网络设定机器人的目标点,实时监视机器人状态,并绘制机器人所探索的环境地图.实验表明,开发的探索移动机器人系统具备了在未知环境探索的能力.     

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.     

室内移动机器人平台设计与实现

针对目前智能移动机器人只能在单一楼层间工作的现状,对智能移动机器人在不同楼层间切换工作环境的问题进行了研究。基于机器人操作系统(ROS),设计了一套智能移动机器人研究平台IIMR-I,使用自身携带的激光雷达传感器、惯性测量元件(IMU)、超声波和深度相机感知外界环境信息,使用里程计获取自身位移信息,并通过卡尔曼滤波对传感器数据进行滤波处理。使用即时定位与建图(SLAM)技术,构建分辨率为5 cm的高精度栅格地图,并在此基础上进行全局和局部路径规划,实现了机器人的导航和壁障功能。使用蒙特卡洛定位的方法,在机器人导航过程中可以实时确定机器人位姿,其相对定位精度可达10 cm。通过使用深度相机能够识别出电梯按钮的三维坐标,并使用机械臂按下目标楼层按钮,实现了机器人按电梯的功能。     

双目立体视觉栅格地图构建方法

本文基于立体视觉定位技术,提出了基于双目立体视觉的栅格地图构建方法,用以解决目前视觉SLAM技术构建的稀疏特征地图难以直接用于自主导航的问题。本文提出的方法仅以视觉信息作为输入实时完成移动机器人自定位与外界环境栅格地图的构建。首先采用双目立体视觉定位获取机器人运动参数,利用稠密匹配估算空间点云分布,在考虑机器人实际高度的情况下将三维点云投影成二维数据,最后通过二值贝叶斯滤波器在线构建栅格地图。本文所构建的栅格地图包含环境几何信息,可直接应用于机器人路径规划与导航。实验结果验证了本文所以出的定位与地图构建方法的可行性。     

用于室外移动机器人实时自主导航的2.5维角度势场法

本文提出了一种针对装备有激光测距仪的地面移动机器人系统的实时自主导航算法.与现有的专为解决2维导航问题所设计的算法不同,新算法在导航过程中引入了障碍物的高度信息,并且使用2.5维角度势场法来满足在复杂的户外地形条件下的自主导航要求.首先,一幅激光测距仪扫描地图被划分为两种不同的功能扇区:导航扇区和监测扇区.然后,在充分利用障碍物高度信息的条件下,对导航扇区和监测扇区进行重构,从而获得一幅虚拟的2维激光扫描地图.最后,传统的角度势场法被进行了适当的改进,以便能够顺利的作用到虚拟的2维激光扫描地图上,产生恰当的导航指令.新算法在履带型地面移动机器人上进行了测试,实验结果充分的证明了其有效性和可实现性.     

基于行为的实时路径规划

针对室内移动机器人导航要求,开发了以二维激光雷达作为探测环境的传感器,基于4个反应式行为,设计了一种简单的实时路径规划算法.避障行为使机器人穿过狭小通道,或者在某些障碍物环境下绕出狭窄区域;接近行为使机器人顺着障碍物前进直到开阔地带;搜寻行为使机器人不断朝向目标运动;线性行为使机器人到达目标点.机器人表现出很强的路径寻找能力,并且不需要定位信息.仿真实验表明该算法速度快,实时性好,路径平滑无震荡,实现了有效避障.     

基于模糊神经网络的六足机器人自主导航闭环控制系统设计

针对未知环境中六足机器人的自主导航问题,设计了一种基于模糊神经网络的自主导航闭环控制算法,并依据该算法设计了六足机器人的导航控制系统．算法融合了模糊控制的逻辑推理能力与神经网络的学习训练能力,并引入闭环控制方法对算法进行优化．所设计的控制系统由信息输入、模糊神经网络、指令执行以及信息反馈4个模块组成．环境及位置信息的感知由GPS（全球定位系统）传感器、电子罗盘传感器和超声波传感器共同完成．采用C语言重建模糊神经网络控制算法,并应用于该系统．通过仿真实验,从理论上论证了基于模糊神经网络的闭环控制算法性能优于开环控制算法,闭环控制算法能够减小六足机器人在遇到障碍物时所绕行的距离,行进速度提高了6.14%,行进时间缩短了8.74%．在此基础上,开展了实物试验．试验结果表明,该控制系统能够实现六足机器人自主导航避障控制功能,相对于开环控制系统,能有效地缩短行进路径,行进速度提高了5.66%,行进时间缩短了7.25%,验证了闭环控制系统的可行性和实用性．     

Hazardous area navigation with temporary beacons

A new area expansion algorithm for the localization scheme, using temporary beacons, is proposed in this paper. The effective area of the active beacons is limited by the strength of the ultrasonic signals in a noisy environment. When a mobile robot needs to move into a hazardous area or into an unstructured environment where the beacons with pre-specified position information are not available, the localization may solely rely on dead reckoning sensors such as encoders. To overcome the error accumulation by using dead-reckoning, a new scheme is developed, in this paper, in which the mobile robot carries a few temporary beacons which do not have any pre-stored position information. When the mobile robot encounters a dangerous or unstructured environment, it utilizes the temporary beacons to localize itself. An auto-calibration algorithm has been developed to provide the position information to the temporary beacons before they are used for the localization. With these temporary beacons and the auto-calibration algorithm, mobile robots can safely pass unstructured areas. The effectiveness of the temporary beacons and auto-calibration algorithm is verified through real experiments of mobile robot navigation.     

Autonomous robot navigation using optimal control of probabilistic regular languages

This paper addresses autonomous intelligent navigation of mobile robotic platforms based on the recently reported algorithms of language-measure-theoretic optimal control. Real-time sensor data and model-based information on the robot's motion dynamics are fused to construct a probabilistic finite state automaton model that dynamically computes a time-dependent discrete-event supervisory control policy. The paper also addresses detection and avoidance of livelocks that might occur during execution of the robot navigation algorithm. Performance and robustness of autonomous intelligent navigation under the proposed algorithm have been experimentally validated on Segway RMP robotic platforms in a laboratory environment.     

基于遗传算法的机械设备故障检测机器人设计

当前故障检测机器人受到超声波影响故障检测存在精准度低的问题,据此提出了基于遗传算法的机械设备故障检测机器人设计。采用AD500-1A型号传感器采集机械设备内外部数据信息,使用等效转换电路使机器人实时感知周围环境变化信息,并利用灵敏度高电子仪器实现机器人传感工作;使用2路200万数字网络高清摄像头,监视整个机械设备,获取机器人结构通信、管理和运动信息;将proGee0813型号芯片作为导航设备定位芯片,根据实际需求获取信号指令,并选定机器人行驶路径;通过Unity与UE4引擎虚拟现实硬件交互设备进行故障定位追踪;利用关节装置连接车轮前臂和上臂,实现不同磁铁吸附与脱离,依据机器人结构,完成机器人硬件结构设计。采用遗传算法确定导航适应度函数,通过机器人视频采集信息,设计预警功能,并利用机器人即时生成设备故障图像,依据实现流程,在超声避障功能支持下,完成机械设备故障检测。由实验结果可知,该机器人检测精准度最高可达到0.96,提高了机器人检测鲁棒性。     

基于视觉惯性里程计与语义信息的无人机SLAM方法研究

室内环境中存在丰富的语义信息,可以使机器人更好地理解环境,提高机器人位姿估计的准确性。虽然语义信息在机器人同时定位与地图构建(SLAM)领域得到了深入研究和广泛应用,但是在环境准确感知、语义特征提取和语义信息利用等方面还存在着很多困难。针对上述难点,提出了一种基于视觉惯性里程计算法与语义信息相结合的新方法,该方法通过视觉惯性里程计来估计机器人的状态,通过校正估计,构建从语义检测中提取的几何表面的稀疏语义地图;通过将检测到的语义对象的几何信息与先前映射的语义信息相关联来解决视觉惯性里程计和惯性测量单元的累积误差问题。在室内环境中对装备RGB-D深度视觉和激光雷达的无人机进行验证实验,结果表明,该方法比视觉惯性里程计算法取得了更好的结果。应用结合语义信息和视觉惯性里程计的SLAM算法表现出很好的鲁棒性和准确性,该方法能提高无人机导航精度,实现无人机智能自主导航。     

Monocular Vision for Mobile Robot Localization and Autonomous Navigation

This paper presents a new real-time localization system for a mobile robot. We show that autonomous navigation is possible in outdoor situation with the use of a single camera and natural landmarks. To do that, we use a three step approach. In a learning step, the robot is manually guided on a path and a video sequence is recorded with a front looking camera. Then a structure from motion algorithm is used to build a 3D map from this learning sequence. Finally in the navigation step, the robot uses this map to compute its localization in real-time and it follows the learning path or a slightly different path if desired. The vision algorithms used for map building and localization are first detailed. Then a large part of the paper is dedicated to the experimental evaluation of the accuracy and robustness of our algorithms based on experimental data collected during two years in various environments.     

一种动态未知环境中自主机器人的导航方法

提出一种动态未知环境中机器人自主导航方法,利用少量的人类辅助避免了繁琐的地图描述．该方法分两个阶段：用户引导阶段和自主导航阶段．在用户引导阶段,利用多种传感器信息融合生成局部环境的粗略的极坐标地图,利用它可以得到全局地图,还给出了消除传感器数据误差的方法;在自主导航阶段,利用引导阶段得到的地图在动态环境中进行运动,并给出了运动控制的约束条件以及动态避障的方法．机器人利用该方法可以处理突发的障碍物,还能对路径进行优化,实验结果证明了其有效性．     

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.