移动机器人未知环境避障研究

针对移动机器人的避障问题,以AS-R移动机器人为实验平台,提出了一种改进人工势场和模糊逻辑相结合的路径规划方法.对于未知障碍物环境采用人工势场法进行实时路径规划,对于动态近距离动态障碍物采用模糊逻辑方法引导机器人做出避障行为.为了有效将2种方法结合,根据传感器信息对于人工势场方法引入转角的信任度,机器人运行方向由上述2...     

未知环境下基于VFH＊的机器人避障

机器人避障问题一直是机器人应用中的热点和难点问题。为此采用了路径跟踪和VFH*相结合的方法实现机器人沿着预定路径前进中的避障问题。路径跟踪算法follow the carrot用来选取局部目标点。对于VFH*算法中存在的由于超声传感器的方向误差及对障碍物的扩展导致某些可行路径被忽略的情况进行了改进,在障碍物进行扩展时根据障碍物与机器人中心点的距离大小进行不同程度的扩展。另外,在障碍物比较稀的区域,VFH*算法对每个valley最多只选取三个候选方向,导致一些更好的方向丢失,根据valley的大小及机器人当前选定方向来增加一个新的候选方向。并用仿真验证了所做的改进是有效的。     

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.     

多AUV协同导航问题的研究现状与进展

自主水下航行器(Autonomous underwater vehicle, AUV)协同导航是未来50年解决水下中间层区域AUV导航定位的重要方法. 本文针对多AUV协同导航, 对该领域相关问题的研究进展进行了综述, 包括: 1)论述多AUV协同导航领域的研究现状, 包括协同导航问题界定、特点综述与讨论; 2)分析多AUV协同导航系统模型及相关算法的研究进展, 包括基于优化的、 基于参数估计的和基于贝叶斯估计的滤波算法; 3)对协同导航网络下的误差建模与补偿方法的研究进展进行了综述, 包括未知洋流的影响、水声通信延迟补偿等; 4)从影响协同导航定位精度的角度出发, 对AUV协同导航的可观测性与编队最优构型设计的研究进展进行了一系列的分析; 5)陈述目前多AUV协同导航中存在的关键问题, 并讨论其发展趋势.     

基于蚁群算法的多移动机器人避障路径规划方法

为提高多移动机器人避障路径的规划能力,提出基于蚁群算法的多移动机器人避障路径规划方法。结合小扰动解析方法构建多移动机器人运动学模型,根据运动学特征建立避障路径分布约束参数;通过自适应蒙特卡洛定位法进行故障定位;根据定位信息,结合蚁群算法进行多移动机器人避障路径规划寻优控制。仿真结果表明,采用该方法进行多移动机器人避障路径规划的自适应寻优能力较好,机器人定位精度较高,提高了多移动机器人避障能力。     

基于多AUV间任务协作的水下多目标探测机制

利用自主式水下航行器（Autonomous Underwater Vehicle, AUV）对水下多目标进行协同探测是目前海洋技术领域的研究热点。本文主要研究在水下三维区间内的多AUV任务分配与协作探测机制,建立了以每个AUV能量耗费与能耗均衡为约束条件的水下三维空间中的多旅行商（Multiple Traveling Salesman Problem, MTSP）问题模型,利用遗传算法（Genetic Algorithm, GA）对该NP-Complete问题进行启发式求解,同时设计了考虑巡航总路径及访问目标数的适应度函数以提高多AUV间的能耗均衡性,实现多个AUV对多个水下目标的优化协同探测。最后本文利用Matlab R2014a软件对多AUV任务协作与多目标探测机制进行了仿真,仿真结果验证了该方法能够均衡多AUV多目标探测问题的能量消耗,进而提高巡航速度和生命周期。     

多障碍物环境下挖掘机的连续避障轨迹规划

针对多障碍物环境下,挖掘机在挖掘过程中,铲斗碰到障碍物无法进行适应性调整的问题,利用三次多项式和积分法规划挖掘轨迹,采用盲人摸路算法对挖掘过程中挖掘机与障碍物发生碰撞后进行及时有效的调整,运用原像规划算法判断避障方向。为了方便进行避障算法验证,利用Matlab图形用户界面（GUI）设计了一个能够实现参数设置、结果展示等功能的可视化界面。仿真实验表明,该避障算法能够在复杂环境中,多次平滑绕开障碍物来完成连续避障任务。     

基于多AUV间任务协作的水下多目标探测路径规划

利用自主式水下航行器(Autonomous Underwater Vehicle,AUV)对水下多目标进行协同探测是目前海洋技术领域的研究热点.主要研究在水下三维区间内的多AUV任务分配与协作探测路径规划机制,建立了以每个AUV能量耗费与能耗均衡为约束条件的水下三维空间中的多旅行商MTSP(Multiple Traveling Salesman Problem)问题模型,利用遗传算法GA(Genetic Algorithm)对该NP-Complete问题进行启发式求解,同时设计了考虑巡航总路径及访问目标数的适应度函数以提高多AUV间的能耗均衡性,实现多个AUV对多个水下目标的优化协同探测.最后本文利用MATLAB R2014a软件对多AUV任务协作与多目标探测路径规划机制进行了仿真,仿真结果验证了本文方法能均衡多AUV多目标探测问题的能量消耗,进而提高巡航速度和生命周期.     

多移动机器人的领航-跟随编队避障控制

针对多移动机器人的编队控制问题,提出了一种结合Polar Histogram避障法的领航-跟随协调编队控制算法。该算法在领航-跟随l-φ编队控制结构的基础上引入虚拟跟随机器人,将编队控制转化为跟随机器人对虚拟跟随机器人的轨迹跟踪控制。结合移动机器人自身传感器技术,在简单甚至复杂的环境下为机器人提供相应的路径运动策略,实现实时导航的目的。以两轮差动Qbot移动机器人为研究对象,搭建半实物仿真平台,进行仿真实验。仿真结果表明:该方法可以有效地实现多移动机器人协调编队和避障控制。     

动态环境下分布式异构多机器人避障方法研究

多机器人系统在联合搜救、智慧车间、智能交通等领域得到了日益广泛的应用。目前,多个机器人之间、机器人与动态环境之间的路径规划和导航避障仍需依赖精确的环境地图,给多机器人系统在非结构环境下的协调与协作带来了挑战。针对上述问题,本文提出了不依赖精确地图的分布式异构多机器人导航避障方法,建立了基于深度强化学习的多特征策略梯度优化算法,并考虑了人机协同环境下的社会范式,使分布式机器人能够通过与环境的试错交互,学习最优的导航避障策略;并在Gazebo仿真环境下进行了最优策略的训练学习,同时将模型移植到多个异构实体机器人上,将机器人控制信号解码,进行真实环境测试。实验结果表明:本文提出的多特征策略梯度优化算法能够通过自学习获得最优的导航避障策略,为分布式异构多机器人在动态环境下的应用提供了一种技术参考。     

Variable-dimensional Flower Pollination obstacle avoidance algorithm on autonomous walking of NAO robot in dynamic environment

This paper proposes a novel dynamic obstacle avoidance method based on the Variable-dimensional Flower Pollination (VFP) algorithm, which can avoid dynamic obstacles under an unknown environment. The grid map is used to describe the environment and the shearing map refreshment strategy is used to improve refreshment efficiency. The fitness function is designed by combining Chebyshev distance with Euclidean distance, which can reasonably evaluate the planned path. Simulation results with traditional Flower Pollination algorithm and VFP algorithm are compared. The simulation results show that the VFP algorithm has a faster learning speed than the traditional Flower Pollination algorithm. To verify the simulation result, the VFP algorithm is implemented on the NAO robot, and the experiment result demonstrates that the Variable-dimensional Flower Pollination algorithm is feasible and effective.     

未知环境下基于可拓策略的路径规划

摘要：将可拓策略应用于移动机器人路径规划,提出了一种新的路径规划算法。该方法在绕障时引入临时目标,模拟了人在未知环境中的路径选择,使得环境信息得到有效压缩,避免了在实时计算过程中对复杂环境的建模。基于安全距离的关联函数得到的评价函数,使得所选路径更加平滑,并且降低了对机器人自身控制及传感器测量精度的要求。由于拟人策略的鲁棒性,极大地缓解了其他传统方法的振荡及局部最小现象。实验及仿真均表明该方法实时性好,规划所得路径优于已有方法。     

月球表面巡视探测自主局部避障规划

路径规划是月球表面巡视探测自主导航的重要功能,是提高地外天体表面探测效率和安全性的关键.国外已实现的地外天体表面自主路径规划方法以局部避障为主要目标,不考虑全局目标可达性和完备性,本文针对该问题,提出一种基于地形通过性定量评价和目标可达的综合自主局部避障规划方法,通过对稠密地形数据进行可通过性能的综合评价,并考虑与目标的方位和距离,规划出能够到达目标的避障安全路径.该方法已经成功应用于我国"玉兔号"和"玉兔二号"月球车的自主导航中.     

基于滚动速度障碍法的无人机山地航测避障路径规划研究

无人机在进行山地航测时,经常遭遇鸟类等动态障碍,若不能及时规避掉障碍,极容易发生坠机事故。为此,研究一种基于滚动速度障碍法的无人机山地航测避障路径规划方法。基于山地环境模型,结合飞行路径长度、路径平滑度建立一个综合目标函数并利用改进布谷鸟搜索算法求解,得到无人机山地航测的初始路径。对图像进行预处理后,识别无人机初始路径飞行过程中遇到的障碍物,并通过超声波测量无人机与障碍物之间的距离,以此建立速度障碍模型,实现速度障碍碰撞分析,通过滚动窗口的方式确定无人机与障碍物是否存在飞行冲突。基于滚动速度障碍避障方法实现滚动角度避障和速度避障,获取最终的优化路径,完成基于滚动速度障碍法的无人机山地航测避障路径规划。测试结果表明:航测避障路径长度为571.45m,平滑度为165.52,规划的方案更具合理性。     

Optimal consensus algorithm integrated with obstacle avoidance

This article proposes a new consensus algorithm for the networked single-integrator systems in an obstacle-laden environment. A novel optimal control approach is utilised to achieve not only multi-agent consensus but also obstacle avoidance capability with minimised control efforts. Three cost functional components are defined to fulfil the respective tasks. In particular, an innovative nonquadratic obstacle avoidance cost function is constructed from an inverse optimal control perspective. The other two components are designed to ensure consensus and constrain the control effort. The asymptotic stability and optimality are proven. In addition, the distributed and analytical optimal control law only requires local information based on the communication topology to guarantee the proposed behaviours, rather than all agents’ information. The consensus and obstacle avoidance are validated through simulations.     

基于声纳环传感器的机器人避障研究

任何一种移动机器人要实现未知环境自主导航都必须有效而可靠地感知环境信息,而超声波传感器在检测障碍物距离信息方面应用十分广泛。介绍了旅行家II号声纳环传感系统的设计与实现原理,并对声纳的精度进行了测试。在此基础上,提出了移动机器人一种简单避障策略,并运用2种基本避障实验:静态避障和动态避障,验证了该避障策略的正确性和有效性。     

动态环境中的多机器人协同搬运

在多机器人协同搬运过程中,针对传统的强化学习算法仅使用数值分析却忽略了推理环节的问题,将多机器人的独立强化学习与“信念-愿望-意向”（BDI）模型相结合,使得多机器人系统拥有了逻辑推理能力,并且,采用距离最近原则将离障碍物最近的机器人作为主机器人,并指挥从机器人运动,提出随多机器人系统位置及最近障碍物位置变化的评价函数,同时将其与基于强化学习的行为权重结合运用,在多机器人通过与环境不断交互中,使行为权重逐渐趋向最佳。仿真实验表明,该方法可行,能够成功实现协同搬运过程。     

新的动态环境中目标跟踪和避障的控制方法

针对传感器范围有限的质点移动机器人,提出了一种新的被动式目标跟踪控制方法,使其能在动态变化的环境中有效地避开静止和运动的障碍物。建立了多目标控制问题模型,为环境中的每一个目标生成人工势场,在此基础上设计生成综合控制量。与标准的势场法不同的是：提出的综合势场法是时变的,而且有效地考虑了非静止障碍物和机器人的运动。其基本条件和主要特性均由严格的李亚普洛夫方法导出和证明。仿真实例介绍了该方法的设计过程,通过实验证明了其有效性。