基于灰色定性理论的无陷阱人工势场

针对传统人工势场中存在局部陷阱问题,提出一种基于灰色定性理论的人工势场算法.首先将环境中自由空间分解为一组凸多边形,以凸多边形的顶点和邻接关系作为关键信息,并分别构成灰色定性基本元和灰色定性关系,由灰色定性关系推理从起始点到目标点需经过的凸多边形序列,再用广义白化函数计算凸多边形序列中的势场.理论分析和实验均表明该算法能够确保机器人在有限的时间内安全到达目标点.     

智能空间中的服务机器人路径规划

为了加深服务机器人对环境的理解,实现安全高效的智能空间导航,建立了一种信息更为丰富的环境模型——危险度地图;并针对智能空间环境部分未知的特点,设计了分层的路径规划方法.静态规划层根据已知环境信息,采用改进的粒子群优化算法规划初始最优路径,动态规划层利用基于动态危险度地图的改进A＊算法进行避障.该方法克服了常规算法只追求路径最短的缺点,增加了对路径危险度的评价,规划出的路径既安全又较短;且该方法实现简单,实时性好.仿真结果验证了该方案的可行性.     

基于机器人服务任务导向的室内未知环境地图构建

针对室内移动机器人的服务任务,提出一种包括全局语义层、区域规划层、局部空间层的3 级室内环 境地图,使机器人不仅掌握面向导航的环境平面结构,而且还了解局部复杂空间的3 维栅格地图及描述房间和物品 功能及关联、归属关系的语义信息．首先,机器人依据视觉获得的深度信息及QR 码标签提供的物品操作功能信息 进行3 维栅格地图和物品功能图的构建,形成局域层空间描述．其次,基于贝叶斯估计算法构建区域层的2 维栅格 地图,同时形成无向加权图,构成区域规划层．最后,基于谱聚类算法构建具有房间分割功能的拓扑地图,结合物 品功能图,获得房间功能及房间之间关联关系、物品与房间归属关系等的语义信息,形成全局语义拓扑地图．仿真 试验表明,环境地图的3 级结构适用于室内机器人的服务任务,可以理解人的语义命令,生成合理的服务路径,并 确保机器人在复杂环境中安全运行．     

面向对象的家庭全息地图表示与构建

针对现代复杂而多样化的家庭环境,人对家庭服务机器人的服务需求,以及其自身基于家庭全息地图的路径规划的任务要求,借鉴人对空间环境的认知和地图的组建过程,提出了一种改进的面向对象的家庭服务机器人全息地图表示方法,设计出家庭-房间-物品三层表示模型.依据面向对象的思想,分别给出了改进的物品层、房间层和家庭层的面向对象表示方法.基于机器人自身携带的传感器对各层对象的空间数据进行采集.将该表示方法转化成可存储在数据库中的数据类型,将采集的数据存储到数据库中并对地图进行实时的更新.在家庭环境下,机器人基于该全息地图分别对各层进行对象识别和路径规划,实物实验说明基于家庭-房间-物品表示模型的家庭全息地图能满足服务机器人任务的需要.     

一种基于概率地图的移动机器人最优期望时间目标搜索

在基于概率地图的移动机器人目标搜索规划中,目标在工作环境中的存在概率通常被设置为服从离散均匀分布,进而采用路径长度指标优化搜索任务的全局路径.然而,真实工作空间中的概率分布绝大多数并不服从均匀分布,这将导致所获搜索策略并非预期的最短时间.对此,根据实际工作环境构建概率测算模型,并基于该模型构建概率地图,进而提出一种以预期最短时间为优化指标的机器人目标搜索路径规划方法.该方法采用分层规划模式,在上层拓扑地图中进行拓扑点序列规划,而在下层特征地图中进行拓扑点间局部路径规划.实验结果表明,该方法可以显著缩短移动机器人目标搜索的期望时间,更适用于目标不服从均匀分布的工作环境.     

移动机器人地图创建中的不确定传感信息处理

该文研究移动机器人自主创建地图中的不确定传感信息处理问题,基于灰色系统理论 提出了一种新的对传感信息进行解释和融合的方法用于声纳信息的处理,并以此建立环境的栅 格地图.声纳的传感信息存在较大的不确定性,这里引入灰数的概念来表示和处理这种不确定 性,对于机器人在不同位置的测量结果,根据灰色系统理论对信息的理解方式设计融合方法,得 到一个对环境的整体表示.通过仿真环境和真实机器人平台上进行的创建地图实验,表明这种 方法具有良好的鲁棒性和准确度.     

基于蜂窝地图的步进式机器人路径规划

针对在智能空间中步进式机器人的移动问题,本论文对基于蜂窝地图的步进式机器人路径规划问题进行了较为深入的研究。在硬件系统设计与实现的基础上,重点研究了1.蜂窝栅格地图创建,给出由步进式机器人运动量推算出其所在栅格编码值计算方法,极大方便了系统中机器人蜂窝地图构建。2.基于蜂窝栅格地图的局部路径规划,分析并解决了由于蜂窝地图高度对称性带来的"死角"和"死圈"问题,总结了局部路径规划具有减小所需存储空间、提高系统实时性的优势,和规结果往往只是局部最优这一不足。3.基于蜂窝栅格地图的全局路径规划,根据整个步进式机器人系统定位精度要求,利用遗传算法规划出全局最优路径,并在仿真平台上得以实现。最后还分析了不同空间复杂度的栅格地图对于全局路径规划结果的影响。     

基于生物启发模型的AUV三维自主路径规划与安全避障算法

针对自治水下机器人(AUV)的路径规划问题,在三维栅格地图的基础上,给出一种基于生物启发模型的三维路径规划和安全避障算法. 首先建立三维生物启发神经网络模型,利用此模型表示AUV的三维工作环境,神经网络中的每一个神经元与栅格地图中的位置单元一一对应;然后,根据神经网络中神经元的活性输出值分布情况自主规划AUV的运动路径.静态环境与动态环境下仿真实验结果表明了生物启发模型在AUV三维水下环境中路径规划和安全避障上的有效性.     

基于细化算法的移动机器人拓扑地图创建

在大规模未知环境中,移动机器人要自主完成导航和路径规划等智能任务,关键问题是创建周围环境地图.拓扑地图.以图(Graph)的结构形式表现-个环境的连通性,是一种紧凑的环境表示方法.文中借鉴图像处理中的细化算法来创建室内环境的拓扑地图,首先以栅格地图建模机器人环境,然后将环境的栅格地图进行细化,提取出环境的有效拓扑信息.而且,此方法创建的拓扑地图,未直接使用传感器原始数据,对环境的变化具有较强的鲁棒性.仿真实验结果表明,基于细化算法创建的环境拓扑地图,清晰、简洁,不会产生多余的节点和路径信息.相比于栅格地图,信息存储量明显减少,从而提高了移动机器人自主运行、导航和路径规划的能力,大大提高了系统的工作效率.     

视觉传感系统的自主移动机器人路径规划方法

在未知环境下,机器人很难快速获取周边环境信息并建立实时环境地图,实现自主运行.为此提出基于视觉导航的方法,利用全景摄像机作为机器人的视觉传感器系统采集环境信息,将彩色地图进行HSI空间下模糊聚类图像分割,得到环境二值图像;将图像进行栅格化处理来构建环境地图,运用8方向连接的Dijkstra进行全局路径规划,计算出最优路径,从而实现移动机器人的快速、自主运动.经过仿真实验证明,该方法有效且可行.     

非平坦地形下移动机器人安全路径规划

提出一种基于双分辨率2.5D分层栅格地图的Secure A*(SA*)路径规划方法,以解决移动机器人在非平坦地形下的安全路径规划问题.首先,设计一种双分辨率2.5D分层栅格地图,利用双分辨率栅格对环境中的障碍物信息与高程信息进行存储,以节约地图的存储空间;然后,结合移动机器人运动能力,将环境中的高程信息转化为约束因子,...     

激光—相机系统语义栅格建图和路径规划

目的 SLAM（simultaneous localization and mapping）是移动机器人在未知环境进行探索、感知和导航的关键技术。激光SLAM测量精确，便于机器人导航和路径规划，但缺乏语义信息。而视觉SLAM的图像能提供丰富的语义信息，特征区分度更高，但其构建的地图不能直接用于路径规划和导航。为了实现移动机器人构建语义地图并在地图上进行路径规划，本文提出一种语义栅格建图方法。方法 建立可同步获取激光和语义数据的激光-相机系统，将采集的激光分割数据与目标检测算法获得的物体包围盒进行匹配，得到各物体对应的语义激光分割数据。将连续多帧语义激光分割数据同步融入占据栅格地图。对具有不同语义类别的栅格进行聚类，得到标注物体类别和轮廓的语义栅格地图。此外，针对语义栅格地图发布导航任务，利用路径搜索算法进行路径规划，并对其进行改进。结果 在实验室走廊和办公室分别进行了语义栅格建图的实验，并与原始栅格地图进行了比较。在语义栅格地图的基础上进行了路径规划，并采用了语义赋权算法对易移动物体的路径进行对比。结论 多种环境下的实验表明本文方法能获得与真实环境一致性较高、标注环境中物体类别和轮廓的语义栅格地图，且实验硬件结构简单、成本低、性能良好，适用于智能化机器人的导航和路径规划。     

一种服务机器人家庭全息地图构建方法研究*

提出了一种满足家庭服务机器人环境认知和智能服务需要的融合环境和目标信息的家庭全息地图。设计了局部几何—全局拓扑的全息地图分层表示模型。分析了机器人坐标系、局部环境坐标系和目标的相对关系,给出了机器人局部环境自定位算法和基于坐标变换的服务机器人全息地图构建方法。家庭环境下机器人实物实验表明,基于局部几何—全局拓扑表示的全息地图,服务机器人路径规划和任务执行效率得到有效提升。     

基于灰色定性理论的移动机器人地图创建

针对移动机器人自主导航地图创建中超声波信息存在不确定性的问题,提出一种新的基于灰色定性理论的超声波信息解释和融合的方法,并用于处理超声波传感器信息和移动机器人创建环境地图．首先,引入概率灰数对超声波信息的不确定性进行描述,以获得栅格单元和传感器的概率灰数模型;然后,设计超声波传感器新旧信息的融合方法,从而得到环境地图的整体表示;最后通过地图创建仿真实验结果表明了这种方法具有良好的鲁棒性和准确度．     

密集障碍物环境下基于凸包和微粒群优化的机器人路径规划

密集障碍物环境下, 考虑机器人移动过程中的控制偏差进行路径规划, 尚缺乏有效的方法. 本文的方法是: 首先根据障碍物之间的最小距离和机器人尺寸的大小关系, 确定凸包形成的条件; 然后, 通过选择满足条件的顶点, 形成密集障碍物的凸包; 最后, 基于凸包的关键点和稀疏障碍物的位置, 采用微粒群优化规划机器人路径. 仿真和实验结果验证了所提方法的可行性.     

High-Speed Environment Representation Scheme for Dynamic Path Planning

This paper presents an efficient approach to represent the environment, which can be used to facilitate dynamic path planning in robot navigation systems. The environment is modelled by first defining a 'virtual rectangle' to represent an environment that avoids unwanted obstacles. The obstacles within the environment are then represented as convex polygons to generate the required visibility graph. The devised techniques lend well for hardware porting and thus highly suited to high-speed generation of the visibility graph. It has been demonstrated that efficient dynamic path planning can be realised by generating the 'virtual rectangle' on the fly such that only the environment needed to facilitate onward traversal can be identified. Finally, the proposed algorithms lend well for high-speed computations as they facilitate a high-degree of parallelism at the architecture level.     

基于语义建图的室内机器人实时场景分类

针对室内环境下的机器人场景识别问题,重点研究了场景分类策略的自主性、实时性和准确性,提出了一种语义建图方法.映射深度信息构建二维栅格地图,自主规划场景识别路径;基于卷积网络建立场景分类模型,实时识别脱离特定训练;利用贝叶斯框架融合先验知识,修正了错误分类并完成语义建图.实验结果表明:机器人能够进行全局自主探索,实时判断场景类别,并创建满足要求的语义地图.同时,实际路径规划中,机器人可以根据语义信息改善导航行为,验证了方法的可行性.     

基于深度Q网络和人工势场的移动机器人路径规划研究

随着移动机器人在各个领域的研究与发展,人们对移动机器人路径规划的能力提出了更高的要求;为了解决传统的深度Q网络算法在未知环境下,应用于自主移动机器人路径规划时存在的收敛速度慢、训练前期产生较大迭代空间、迭代的次数多等问题,在传统DQN算法初始化Q值时,加入人工势场法的引力势场来协助初始化环境先验信息,进而可以引导移动机器人向目标点运动,来减少算法在最初几轮探索中形成的大批无效迭代,进而减少迭代次数,加快收敛速度;在栅格地图环境中应用pytorch框架验证加入初始引力势场的改进DQN算法路径规划效果;仿真实验结果表明,改进算法能在产生较小的迭代空间且较少的迭代次数后,快速有效地规划出一条从起点到目标点的最优路径。     

A two level real-time path planning method inspired by cognitive map and predictive optimization in human brain

A biologically inspired two level method is proposed for real-time path planning in a complex and dynamic environment, employable in ground vehicles. This method takes the advantage of both global and local path finding procedures. In the first level, i.e., global level, the planner utilizes a neural network architecture as a sensory-motor map, similar to the cognitive map used by humans, and an optimization algorithm to produce a coarse path. In the second level, i.e., local level, the global path is improved by employing a model-based prediction method with a finite prediction horizon in a way that future information about the environment is involved in the planner's decision making. In the suggested method, the prediction horizon is variable and is adjusted in each step of the planning in agreement with the kinematic features of the closest obstacle in the visual field of the planner. We considered four different path planning tasks in a virtual dynamic environment to evaluate the performance of the proposed method against the human path planning strategy. The results demonstrate the ability of the method to plan a strategy comparable to the driving scenarios chosen by most subjects and to generate a real-time collision-free path in a dynamic environment with obstacles.