异构多目标差分-动态窗口算法 及其在移动机器人中的应用

为了实现在多移动机器人和多窄通道的复杂动态环境中机器人的节能运动规划,提出异构多目标差分-动态窗口法(heterogeneous multi-objective differential evolution-dynamic window algorithm,HMODE-DWA).首先,建立行驶时间、执行器作用力和平滑度的3目标优化模型,设计具有碰撞约束的异构多目标差分进化算法来获得3个目标函数的最优解,进而在已知的静态环境中获得帕累托前沿,利用平均隶属度函数获得起点与终点间最优的全局路径;其次,定义基于环境缓冲区域的模糊动态窗口法使机器人完成动态复杂环境中避障,利用所提出的HMODE-DWA算法动态避障的同时实现节能规划.仿真和实验结果表明,所提出的混合路径规划控制策略能够有效降低移动机器人动态避障过程中的能耗.     

基于BIM的建筑机器人自主路径规划及避障研究

针对建筑机器人进入施工位置全局路径规划最优且可实时避障的要求,提出了一种新型的导航地图建立方法,通过建筑物BIM（Building Information Modeling）模型建立导航地图,通过优化A*算法搜索点选取策略,以及删除了路径上的冗余转折点,缩短算法运行时间,且规划出的全局路径不会紧贴着建筑物墙壁,有效降低了机器人与墙体发生碰撞的可能性。结合动态窗口算法进行局部路径规划,在全局路径关键点之间使用动态窗口法,且加入了新的刹车判定条件,使得机器人的运动连续化。实验结果表明改进后的A*算法运行时间相较于原始算法减少50%以上,每去除一个冗余转折点路径长度减少0.4?m,路径与障碍物之间的距离比原始算法增加了2倍,结合了动态窗口法之后能够较好地避开障碍且输出的控制参数连续化。     

基于场景理解与改进型BUG算法的移动机器人避障

针对现有移动机器人在视觉避障上存在的局限,将深度学习算法和路径规划技术相结合,提出了一种基于深层卷积神经网络和改进Bug算法的机器人避障方法;该方法采用多任务深度卷积神经网络提取道路图像特征,实现图像分类和语义分割任务;其次,基于语义分割结果构建栅格地图,并将图像分类结果与改进的Bug算法相结合,搜索出最优避障路径;同时,为降低冗余计算,设计了特征对比结构来对避免对重复计算的特征信息,保障机器人在实际应用中实时性;通过实验结果表明,所提方法有效的平衡了多视觉任务的精度与效率,并能准确规划出安全的避障路径,辅助机器人完成导航避障。     

基于深度强化学习的室内视觉局部路径规划

传统的机器人局部路径规划方法多为已有先验地图的情况设计,导致其在与视觉(simultaneous localization and mapping, SLAM)结合的导航中效果不佳。为此传统的机器人局部路径规划方法多为已有先验地图的情况设计,导致其在与视觉SLAM结合的导航中效果不佳。为此,本文提出一种基于深度强化学习的视觉局部路径规划策略。首先,基于视觉同时定位与建图(SLAM)技术建立周围环境的栅格地图,并使用A*算法规划全局路径;其次,综合考虑避障、机器人行走效率、位姿跟踪等问题,构建基于深度强化学习的局部路径规划策略,设计以前进、左转、右转为基本元素的离散动作空间,以及基于彩色图、深度图、特征点图等视觉观测的状态空间,利用近端策略优化(proximal policy optimization, PPO)算法学习和探索最佳状态动作映射网络。Habitat仿真平台运行结果表明,所提出的局部路径规划策略能够在实时创建的地图上规划出一条最优或次优路径。相比于传统的局部路径规划算法,平均成功率提高了53.9%,位姿跟踪丢失率减小了66.5%,碰撞率减小了30.1%。     

基于行为的机器人部队队形控制方案

提出了一种适用于实时动态环境下机器人力队的基于行为的分布式实时队形控制算法。研究了这种基于行为的方案在遇到大体积障碍物时行为,仿真过程表明该法既能使机器人动态分组、各自规划,又能机器人部队作为一个整体维持队形。该算法可使机器人形成和保持任意队形,同时集成了避障和导航的能力。最后指出了算法在控制机器人团队转向或避障运动时的问题出现的原因以及改进方法。     

基于无线传感器网络的移动机器人智能导航算法

结合了无线传感器技术和群集智能技术两者的优势,提出一种新的基于无线传感器网络的移动机器人智能导航控制算法,并考虑了能量消耗的问题。算法利用基于多传感器信息融合的全局概率地图构建技术、使用群集仿生智能的基于微粒群算法的实时在线路径规划以及避障策略,提高了智能导航的整体性能,满足了在复杂环境和未知障碍物下导航的实时要求。最后设计并构造出了实际的无线传感器网络和实际的机器人系统,验证了算法成功实现机器人导航的有效性和准确性。     

一种室内移动机器人自主探索方法

研究室内未知环境下的移动机器人自主探索问题,并提出改进策略.首先,提出一种基于可通行区域的探索目标点快速提取方法,以补充原有方法在特殊环境结构下出现的提取探索目标点失败的缺陷;然后,提出一种基于激光数据和栅格地图信息的实时拓扑地图构建与优化方法,使得探索地图更加精简,探索过程更加高效;最后,通过改进的避障模块实现机器人的运动控制,以到达机器人安全探索的目标.同时,该系统采取机器人操作系统(Robot operating system, ROS)下的分布式结构,将整体算法合理分配到客户端和服务器,降低系统实现的硬件要求.现场实验表明,所提出方法具有良好的自主导航性能,在较复杂的室内未知环境下,仍能保持良好的地图构建能力和避障能力.     

基于深度强化学习的无地图移动机器人导航

针对传统导航方法对地图精度依赖和动态复杂场景适应差问题,提出一种基于课程学习的深度强化学习无地图自主导航算法.为了克服智能体稀疏奖励情况下学习困难的问题,借鉴课程学习思想,提出一种基于能力圈课程引导的深度强化学习训练方法.此外,为了更好地利用机器人当前的碰撞信息辅助机器人做动作决策,引入碰撞概率的概念,将机器人当前感知到的障碍物信息以一种高层语义的形式进行表示,并将其作为导航策略输入的一部分编码至机器人当前观测中,以简化观测到动作的映射,进一步降低学习的难度.实验结果表明,所提出的课程引导训练和碰撞概率可令导航策略收敛速度明显加快,习得的导航策略在空间更大的场景成功率到达90%以上,行驶耗时减少53.5%sim73.1%,可为非结构化未知环境下的无人化作业提供可靠导航.     

基于学习机制的移动机器人动态场景自适应导航方法

针对在单一学习机制中,移动机器人自主导航一般只适用于静态场景,适应性差的问题,提出一种动态场景自适应导航方法．该方法通过激光测距仪（LRF）获取周围环境的距离信息,在基于增量判别回归（IHDR）算法的单一学习机制导航的基础上,提出了最远距离优先机制的局部避障环节．该导航方法克服了传统导航方法对环境模型的过度依赖,并且本文提出的基于最远距离优先机制的局部避障算法,解决了基于单一学习机制的导航方法对动态场景适应能力不足的问题．本文将动态场景自适应导航方法应用到了MT-R机器人中,与基于单一学习机制的导航方法进行了对比实验,并且运用提出的局部避障算法,对实验中的激光数据进行了算法性能分析．实验结果证实了该方法的可行性,并显示了该方法在动态场景下的良好表现．     

多智能体专家型策略梯度的目标跟踪与清障

为适应复杂环境下目标跟踪机器人高效运动规划需求,本文提出一种基于多智能体强化学习的专家型策略梯度(ML-DDPG) 方法。为此首先构建了基于最小化任务单元的分布式多Actor-Critic网络架构;随后针对机器人主动障碍清除和目标跟踪任务建立了强化学习运动学模型和视觉样本预处理机制,由此提出一种专家型策略引导的最优目标价值估计方法;进一步通过并行化训练与集中式经验共享,提升了算法的训练效率;最后在不同任务环境下测试了ML-DDPG 算法的目标跟踪与清障性能表现,和其它算法对比验证了其在陌生环境中良好的迁移与泛化能力。     

基于MCPDDPG的智能车辆路径规划方法及应用

针对智能车路径规划过程中常存在动态环境感知预估不足的问题,使用基于蒙特卡罗深度策略梯度学习(Monte Carlo prediction deep deterministic policy gradient, MCPDDPG)的智能车辆路径规划方法,设计一种基于环境感知预测、行为决策和控制序列生成的框架,实现实时的决策...     

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。     

Multi robot collision avoidance in a shared workspace

This paper presents a decentralised human-aware navigation algorithm for shared human–robot work-spaces based on the velocity obstacles paradigm. By extending our previous work on collision avoidance, we are able to include and avoid static and dynamic obstacles, no matter whether they are induced by other robots and humans passing through. Using various cost maps and Monte Carlo sampling with different cost factors accounting for humans and robots, the approach allows human workers to use the same navigation space as robots. It does not rely on any external positioning sensors and shows its feasibility even in densely packed environments.     

Path planning strategy for autonomous mobile robot navigation using Petri-GA optimisation

In this paper, a novel knowledge based genetic algorithm (GA) for path planning of multiple robots for multiple targets seeking behaviour in presence of obstacles is proposed. GA technique has been incorporated in Petri-Net model to make an integrated navigational controller. The proposed algorithm is based upon an iterative non-linear search, which utilises matches between observed geometry of the environment and a priori map of position locations, to estimate a suitable heading angle, there by correcting the position and orientation of the robots to find targets. This knowledge based GA is capable of finding an optimal or near optimal robot path in complex environments. The Petri-GA model can handle inter robot collision avoidance more effectively than the stand alone GA. The resulting navigation algorithm has been implemented on real mobile robots and tested in various environments to validate the developed control scheme.     

Dynamic Frontier-Led Swarming: Multi-Robot Repeated Coverage in Dynamic Environments

A common assumption of coverage path planning research is a static environment.Such environments require only a single visit to each area to achieve coverage.However,some real-world environments are characterised by the presence of unexpected,dynamic obstacles.They require areas to be revisited periodically to maintain an accurate coverage map,as well as reactive obstacle avoidance.This paper proposes a novel swarmbased control algorithm for multi-robot exploration and repeated coverage in envir...     

基于分层深度强化学习的移动机器人导航方法

针对现有基于深度强化学习(deep reinforcement learning, DRL)的分层导航方法在包含长廊、死角等结构的复杂环境下导航效果不佳的问题,提出一种基于option-based分层深度强化学习(hierarchical deep reinforcement learning, HDRL)的移动机器人导航方法.该方法的模型框架分为高层和低层两部分,其中低层的避障和目标驱动控制模型分别实现避障和目标接近两种行为策略,高层的行为选择模型可自动学习稳定、可靠的行为选择策略,从而有效避免对人为设计调控规则的依赖.此外,所提出方法通过对避障控制模型进行优化训练,使学习到的避障策略更加适用于复杂环境下的导航任务.在与现有DRL方法的对比实验中,所提出方法在全部仿真测试环境中均取得最高的导航成功率,同时在其他指标上也具有整体优势,表明所提出方法可有效解决复杂环境下导航效果不佳的问题,且具有较强的泛化能力.此外,真实环境下的测试进一步验证了所提出方法的潜在应用价值.     

Reinforcement learning-based dynamic obstacle avoidance and integration of path planning

Deep reinforcement learning has the advantage of being able to encode fairly complex behaviors by collecting and learning empirical information. In the current study, we have proposed a framework for reinforcement learning in decentralized collision avoidance where each agent independently makes its decision without communication with others. In an environment exposed to various kinds of dynamic obstacles with irregular movements, mobile robot agents could learn how to avoid obstacles and reach a target point efficiently. Moreover, a path planner was integrated with the reinforcement learning-based obstacle avoidance to solve the problem of not finding a path in a specific situation, thereby imposing path efficiency. The robots were trained about the policy of obstacle avoidance in environments where dynamic characteristics were considered with soft actor critic algorithm. The trained policy was implemented in the robot operating system (ROS), tested in virtual and real environments for the differential drive wheel robot to prove the effectiveness of the proposed method. Videos are available at https://youtu.be/xxzoh1XbAl0.

     

动态环境下基于速度空间寻优的局部避障方法

在动态环境下的局部避障是移动机器人的一项基本功能.在各种速度空间方法,如曲率-速率法(CVM)、巷道-曲率法(LCM)和扇区-曲率法(BCM)的基础上,提出了一种适用于未知或部分未知动态环境的局部避障方法.该方法将碰撞预测模型与改进后的BCM有效结合,不仅兼备了CVM的平滑性、LCM的安全性和BCM快速性的优点,而且弥补了各种速度空间寻优方法的不足,使其能够适用于移动机器人在动态环境下的避障与导航.实际机器人的导航实验表明该算法是可行而有效的.