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.     

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.     

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。     

基于深度学习的巡检机器人避障轨迹自动控制系统设计

为了提高巡检机器人在复杂环境下的避障能力,使机器人能够安全地完成巡检任务,设计基于深度学习的巡检机器人避障轨迹自动控制系统。设计由CCD传感器、信号处理芯片等设备组成的工业智能视觉CCD相机,基于FPGA和USB2.0的视频采集卡传输采集数据,完成硬件部分的设计。在软件设计中,对采集的图像实施目标分割、双目目标匹配等预处理,通过对摄像头实施双目视觉标定获取障碍物空间位置三维信息,基于深度学习中的CRNN设计机器人自主避障规划网络模型,并设计模糊轨迹控制器,实现避障中的轨迹自动控制。系统测试结果表明,设计系统最终成功避开了三个动态障碍物,最大轨迹控制误差的最大值为1.45°,最小轨迹控制误差的最大值为0.62°,动态避障巡检速度始终在3.5m/s左右,表现出了精准而稳定的轨迹控制效果。     

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.     

高精度激光测距下的机器人自主避障控制

在机器人自主避障过程中,由于传感器数据的误差会降低机器人感知和决策的准确性,从而影响机器人自主避障能力。为此,提出高精度激光测距下的机器人自主避障控制方法。通过设计机器人体系结构,建立机器人运动学模型,为机器人避障控制提供依据。采用高精度激光测距技术,构建机器人移动场地地形。通过自适应阈值方法,完成机器人的自主避障控制。实验结果表明,所提方法的机器人自主避障控制效果好,且障碍物位置测试值与实际位置值的误差保持在0.5m以内,具有较高的避障控制精确度。     

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.     

动态环境下可扩展移动机器人群体的围捕控制

针对协作追逃问题的环境受限以及围捕者与目标的速度比率受限问题,提出了一种规模可扩展的机器 人群体围捕移动目标的切换式策略,该策略可有效完成动态环境中目标机器人速度无约束的围捕任务,即围捕机器 人通过数目优势进行协作围捕来克服其速度上的劣势以完成对目标机器人的围捕．围捕过程中,考虑了面向目标机 器人的虚拟势点子行为以及与邻居个体的位姿匹配行为（编队子行为）,在距离目标较远时位姿匹配子行为权值大 于虚拟势点子行为权值,而距离目标较近时则以虚拟势点子行为为主．仿真实验证明了所提解决方案的可行性和有 效性．     

基于虚拟力的群机器人围捕算法

启迪于物理学中的范例,探讨了基于虚拟力的群机器人围捕算法的原理和方法。制定了详细的系统性能评价指标（稳定时间、层数、层间距离、层中机器人个数、机器人密度等参数）。分析了围捕性能与机器人数量、虚拟力的关系;提出了目标对机器人作用力的分层结构思想,实验显示不仅加快了围捕速度,而且提高了围捕分层的质量;提出了机器人绕目标转动的围捕方法,解决了势场法中常见的局部极点问题,并且大大提高了围捕的速度和质量。设计了一个简单的实体机器人实验证实了围捕算法的可行性,指出了今后的研究方向。     

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.     

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。     

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.     

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.