未知动态环境下非完整移动群机器人围捕

针对未知动态障碍物环境下非完整移动群机器人围捕,提出了一种基于简化虚拟受力模型的自组织方法.首先给出了个体机器人的运动方程,然后给出了未知动态环境下目标和动态障碍物的运动模型.通过对复杂环境下围捕行为的分解,抽象出简化虚拟受力模型,基于此受力模型,设计了个体运动控制方法,接着证明了系统的稳定性并给出了参数设置范围.不同情况下的仿真结果表明,本文给出的围捕方法可以使群机器人在未知动态障碍物环境下保持较好的围捕队形,并具有良好的避障性能和灵活性.最后分析了本文与基于松散偏好规则的围捕方法相比的优势.     

双轮移动机器人安全目标追踪与自动避障算法

设计了双轮移动机器人安全目标追踪算法和双回路的追踪与避障控制方案.内层控制回路是目标追踪的控制律,用来指导机器人追踪到指定目标并保持一定的安全距离,而且兼顾了机器人在运行速度上的限制和追踪的时间效率,其控制的渐近稳定性用Lyapunov函数法进行了证明.当遇到障碍物时,外层控制回路根据超声传感器的信息和阻抗控制的概念产生阻抗虚拟力,将期望目标调整到虚拟位置,使机器人能够自动转向以避开障碍物.仿真研究和实验结果证明了追踪算法的有效性和避障方法的可行性.     

基于简化虚拟受力模型的群机器人多目标搜索协调控制

针对未知凸和非凸障碍物以及动态障碍物环境下群机器人多目标搜索问题,提出了一种基于简化虚拟受力分析模型的循障和避碰方法(SRSMT-SVF).对复杂环境下群机器人多目标搜索行为进行了分解并抽象出简化虚拟受力分析模型.基于此受力模型,设计了个体机器人协同搜索和漫游状态下的运动控制策略,使得机器人在搜索目标的同时能够实时避碰.通过对不同群体规模系统的仿真实验表明,本文控制方法能够使个体机器人在整个搜索过程中保持良好的避碰性能,有效地减少系统与环境之间和系统内部个体之间的碰撞冲突.相比于扩展粒子群算法(EPSO),本文方法使得搜索耗时和系统能耗至少减少了13.78%、11.96%,数值仿真结果验证了本文方法的有效性.     

未知环境下基于虚拟角速度跟踪的避障策略EI北大核心CSCD

当智能体自主执行任务时,局部障碍物可测的未知环境增加了局部极值和执行器饱和发生的概率.对此,本文提出了虚拟角速度跟踪的避障策略.首先,基于简易障碍物的几何模型构造虚拟的避障引导角,并利用李雅普诺夫方法设计角速度控制律,通过受限制的虚拟角速度跟踪来实现避障控制.然后,引入方位因子改进距离型权值分配器,强化轨迹附近障碍物的影响以降低局部极值发生的概率.最后,对于不完全可测的复杂障碍物,根据历史探测信息建立以边界点为中心的简易障碍物模型.仿真结果表明,该策略能够避让低速动态障碍物及U型复杂障碍物,并且可实现抗饱和控制.     

未知环境下基于Elman网络力控制的移动机器人避障研究

避障控制一直是移动机器人路径规划的难点.提出了一种未知环境下基于神经网络的机器人动态避障方法,同时把混合力/位置控制结构应用到移动机器人的避障控制中.力控制算法是通过在移动机器人和障碍物之间形成虚拟力场,并对其整定,以使它们两者之间能保持期望距离.由于移动机器人的动力学模型和障碍物的不确定性也会对避障控制的性能造成影响,因此采用Elman神经网络来补偿不确定性,同时整定移动机器人和障碍物之间的精确距离.仿真实验表明该动态避障算法是有效的.     

未知环境下群机器人多目标搜索协同控制

未知环境下,群机器人无法预先获取多目标搜索的环境信息,仅可局部感知与局部通信.本文针对避障效率与搜索效率的缺陷提出边界扫描的避障策略和目标位置估计的粒子群算法,边界扫描的避障策略(BSOA)将障碍物简化成连续障碍物与非连续障碍物两种情况,并根据情况向特定边界运动;目标位置估计的粒子群算法(TPEPSO)则利用获取的目标信号估计目标位置,结合粒子群算法到达目标附近,从而实现目标搜索.提出的方法与基于简化虚拟受力分析模型的循障避碰方法(SVF)及扩展粒子群算法(EPSO)、自适应机器人蝙蝠算法(ARBA)仿真比较,搜索效率提高5.72%～21.58%,总能耗减少4.30%～19.11%.     

基于模糊逻辑的机器人动态避障方法

本文提出了一种动态环境下基于模糊逻辑的机器人动态避障方法。该方法采用包容式结构中基于优先度的行为决策方法,通过模糊规则将机器人工作空间中的动态信息模糊,再转化为对机器人在动态环境中的控制,同时提出接近度的概念,简化了模糊控制输入状态空间,从而减少模糊规则的数量,提高算法的实时性。实验表明,该动态避障方法能够使机器人躲避动态障碍物,并快速准确到达目标位置。     

复杂环境下群机器人自组织协同多目标围捕

针对动态多目标围捕,提出了一种复杂环境下协同自组织多目标围捕方法.首先设计了多目标在复杂环境下的运动模型,然后通过对生物群体围捕行为的研究,构建了多目标简化虚拟受力模型.基于此受力模型和提出的动态多目标自组织任务分配算法,提出了群机器人协同自组织动态多目标围捕算法,这两个算法只需多目标和个体两最近邻位置信息以及个体面向多目标中心方向的两最近邻任务信息,计算简单高效,易于实现.接着获得了系统稳定时参数的设置范围.由仿真可知,所提的方法具有较好的灵活性、可扩展性和鲁棒性.最后给出了所提方法相较于其它方法的优势.     

基于激光雷达的移动机器人避障规划仿真研究

对传统矢量场直方图算法进行改进,使其成为一种适用于将激光雷达作为探测仪的室外避障规划算法。将激光雷达数据作为依据,以自适应阈值为条件,通过对目标航向进行规划,获得机器人行进方向的实时避障算法。当机器人与目标点之间存在障碍物时,以最大阈值获得机器人的目标航向,而当机器人与目标点之间无障碍物时,以最小阈值确保机器人行进过程不会与障碍物发生碰撞。仿真结果表明,在复杂障碍物环境中,当机器人行进速度低于0.8 m/s时,可安全而平滑地通过障碍区,到达目标点;当机器人的行进速度高于0.8 m/s时,虽速度过快,机器人与平台之间会有轻微的剐蹭,但最终亦能到达目标点。     

基于模糊力控制算法的移动机器人避障控制

根据机器人的末端执行器和外界环境表面接触与移动机器人避障控制的相似点,将力/位置控制成功应用到移动机器人的避障控制领域内.对新颖的移动机器人避障控制算法是通过在移动机器人和障碍物之间形成虚拟力场,且对其进行整定以使两者之间能保持期望的距离.因为机器人动力学模型和障碍物的不确定性会对避障控制性能造成影响,为避免碰撞,采用模糊PD的智能混合力/位置控制来整定机器人和障碍物精确距离的力场.通过仿真研究证明了算法的有效性,可为机器人设计提出可靠依据.     

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.     

一种新颖的基于二分法和模糊控制的移动机器人避障系统

针对超声波传感器波束角窄导致移动机器人存在避障盲区的现状,研究了一种新颖的超声波避障系统。该系统采用六个超声波传感器构成特别设计的超声波阵列,实现无盲区检测中大型移动机器人前方及左右两侧障碍物的位置,充分保障运行安全性;同时在避障算法上,采用二分法和模糊控制相结合的控制算法,简化了模糊控制规则使系统具有很好的智能性和实时性,实现了移动机器人选择最佳避障路径并对新增的动态障碍物进行避障。将此避障控制系统应用于移动机器人上,实验结果表明：在未知环境下,实现对移动机器人周边的无盲区检测,并且能够实时根据周围障碍物的动态情况选择最佳避障路径,避免了其它避障控制算法中易出现的误避障和二次避障的情况。     

Decentralized behavior-based formation control of multiple robots considering obstacle avoidance

This paper proposes a decentralized behavior-based formation control algorithm for multiple robots considering obstacle avoidance. Using only the information of the relative position of a robot between neighboring robots and obstacles, the proposed algorithm achieves formation control based on a behavior-based algorithm. In addition, the robust formation is achieved by maintaining the distance and angle of each robot toward the leader robot without using information of the leader robot. To avoid the collisions with obstacles, the heading angles of all robots are determined by introducing the concept of an escape angle, which is related with three boundary layers between an obstacle and the robot. The layer on which the robot is located determines the start time of avoidance and escape angle; this, in turn, generates the escape path along which a robot can move toward the safe layer. In this way, the proposed method can significantly simplify the step of the information process. Finally, simulation results are provided to demonstrate the efficiency of the proposed algorithm.     

Navigation of carlike robots in an extended dynamic environment with swarm avoidance

In this paper, we propose a new solution to the motion planning and control problem for a team of carlike mobile robots traversing in an extended dynamic environment. Motivated by the emerging necessity to avoid or defend against a swarm of autonomous robots, the wide array of obstacles in this dynamic environment for the first time includes a swarm of boids governed separately by a system of ordinary differential equations. The swarm exhibits collective emergent behaviors, whereas the carlike mobile robots safely navigate to designated targets. We present a set of nonlinear continuous controllers for obstacle, collision, and swarm avoidance. The controllers provide a collision‐free trajectory within a constrained workspace cluttered with various fixed and moving obstacles while satisfying the nonholonomic and kinodynamic constraints associated with the vehicular robotic system. An advantage of the proposed method is the ease in deriving the acceleration‐based control laws from the Lyapunov‐based control scheme. The effectiveness of the control laws is demonstrated via computer simulations. The novelty of this paper lies in the simplicity of the controllers and the ease in the treatment of an extended dynamic environment, which includes swarm avoidance.     

A PSO-based algorithm designed for a swarm of mobile robots

This paper presents an algorithm called augmented Lagrangian particle swarm optimization with velocity limits (VL-ALPSO). It uses a particle swarm optimization (PSO) based algorithm to optimize the motion planning for swarm mobile robots. Considering problems with engineering constraints and obstacles in the environment, the algorithm combines the method of augmented Lagrangian multipliers and strategies of velocity limits and virtual detectors so as to ensure enforcement of constraints, obstacle avoidance and mutual avoidance. All the strategies together with basic PSO are corresponding to real situations of swarm mobile robots in coordinated movements. This work also builds a swarm motion model based on Euler forward time integration that involves some mechanical properties such as masses, inertias or external forces to the swarm robotic system. Simulations show that the robots moving in the environment display the desired behavior. Each robot has the ability to do target searching, obstacle avoidance, random wonder, acceleration or deceleration and escape entrapment. So, in summary due to the characteristic features of the VL-ALPSO algorithm, after some engineering adaptation, it can work well for the planning of coordinated movements of swarm robotic systems.     

考虑障碍环境下的多机器人编队控制研究

编队和避障控制是机器人路径规划设计中的典型问题,文中提出了将leader—following法和人工势场法相结合的方法,来更好地完成多机器人在未知环境下的编队和避障控制。之前的研究只将leader—following算法用于多机器人的编队控制,而文中提出此方法也可以用于多机器人系统的避障控制。基于leader—following法,多机器人能自动编队并保持队形;而结合人工势场法,多机器人可以保持队形行进,在遇到障碍物的情况下变换队形避障,在避障后恢复原队形,最终到达目标。通过仿真实验证明,该算法实现了多机器人在未知环境下的自动编队和避障,从而证明了leader—following算法可以用于机器人的避障控制。     

Mobile Robot Navigation for Moving Obstacles with Unpredictable Direction Changes,Including Humans

In many service applications, mobile robots need to share their work areas with obstacles. Avoiding moving obstacles with unpredictable direction changes, such as humans, is more challenging than avoiding moving obstacles whose motion can be predicted. Precise information on the future moving directions of humans is unobtainable for use in navigation algorithms. Furthermore, humans should be able to pursue their activities unhindered and without worrying about the robots around them. An enhanced virtual force field-based mobile robot navigation algorithm (termed EVFF) is presented for avoiding moving obstacles with unpredictable direction changes. This algorithm may be used with both holonomic and nonholonomic robots. It incorporates improved virtual force functions and an improved method for selecting the sense of the detour force to better avoid moving obstacles. For several challenging obstacle configurations, the EVFF algorithm is compared with five state-of-the-art navigation algorithms for moving obstacles. The navigation system with the new algorithm generated collision-free paths consistently. Methods for solving local minima conditions are proposed. Experimental results are also presented to further verify the avoidance performance of this algorithm.