自主移动机器人智能导航研究进展
机器人智能感知与导航技术研究
机器人智能感知与导航技术研究近年来，随着科技的不断进步，机器人的应用领域也越来越广泛。
从工业生产到家庭服务，机器人已经成为人们生活中的重要伙伴和助手。
在机器人能够更加智能地感知和导航方面的研究取得了显著进展。
本文将从机器人的智能感知和导航技术两个方面展开讨论，并探讨其未来的发展趋势。
首先，机器人的智能感知是其核心能力之一。
通过传感器的感知，机器人可以获取周围环境信息并作出相应的反应。
目前，机器人广泛使用的传感器包括摄像头、声音传感器、触摸传感器等。
其中，视觉传感器是机器人智能感知的重要组成部分。
机器人通过视觉传感器可以识别和跟踪物体，判断是否有障碍物等。
例如，工业生产中的机器人可以利用视觉传感器准确地抓取和定位物体，提高生产效率和质量。
此外，声音传感器也是机器人智能感知的重要手段。
通过声音传感器，机器人可以感知到声音的频率、强度和方向等信息。
这对于机器人应用于家庭服务中的智能音箱等产品来说尤为重要。
例如，当用户对智能音箱说出指令时，声音传感器可以捕捉到声音并将其转化为指令，使机器人做出相应的回应。
除了传感器的感知能力外，机器人还可以通过学习与大数据分析来提升智能感知能力。
机器学习是一种使机器能够通过经验来改善性能的方法。
通过对大量数据的分析和学习，机器人可以发现并应用规律，提高其感知的准确性和精度。
例如，在自动驾驶领域，机器学习可以帮助车辆识别并避免危险。
机器人也可以通过与用户的交互学习用户的喜好和习惯，使其能够更好地满足用户的需求。
其次，机器人的导航技术是实现智能感知与行动的关键。
导航技术能够帮助机器人确定自身的位置和移动路径，使其能够在复杂环境中自主导航。
目前，机器人的导航技术主要包括定位和路径规划两个方面。
通过定位，机器人可以确定自己在空间中的位置。
现阶段，机器人常用的定位技术包括全球定位系统（GPS）、激光雷达和视觉定位等。
其中，激光雷达在室内环境中具有较高的定位精度，广泛应用于机器人的导航系统中。
基于SLAM技术的自主机器人导航研究
基于SLAM技术的自主机器人导航研究第一章绪论自主机器人导航是指在没有外部带引下，机器人能够自主完成路径规划、障碍物避障、位置定位等任务的技术。
自主机器人导航的应用领域十分广泛，包括智能家居、工业自动化等领域。
而实现自主机器人导航的关键技术之一便是SLAM技术。
本文将重点介绍基于SLAM技术的自主机器人导航研究。
第二章 SLAM技术的基本原理SLAM技术是指同时实现机器人运动规划和位置定位的技术，其核心思想是通过机器人在环境中移动、感知环境并建立地图，从而实现位置和环境信息的同时估计。
SLAM技术是一种递归完备算法，主要包括传感器数据获取、数据融合、信息估计等步骤。
2.1 传感器数据获取SLAM技术主要通过传感器获取机器人周围的环境信息，包括激光雷达、视觉传感器等。
在传感器获取的数据中，需要精确地掌握机器人的姿态信息，以便对其运动进行精确计算。
2.2 数据融合在传感器获取环境信息的过程中，数据很可能会存在噪声，因此需要进行数据融合，以消除数据噪声对SLAM技术的影响。
数据融合的方法包括滤波和优化方法。
2.3 信息估计信息估计是指通过对传感器数据的处理，得到机器人在环境中的位置信息和地图信息。
在信息估计的过程中，需要对机器人在环境中的运动进行建模，以便精确地估计机器人的位置和环境的地图信息。
第三章基于SLAM技术的机器人导航3.1 机器人建图机器人建图是指机器人在环境中移动，感知环境信息并建立环境地图的过程。
机器人建图主要通过对在环境中的传感器数据进行处理，得到环境地图的信息。
机器人建图包括静态地图建立和动态地图建立两种方式。
3.2 自主路径规划在完成环境地图的建立后，机器人需要根据自身的位置信息，计算出一条避开障碍物、到达目的地的路径。
路径规划的方法包括基于规划和基于搜索的方法。
其中，基于规划的方法包括最近点规划、基于采样的方法等；基于搜索的方法包括A*搜索、D*搜索等。
3.3 障碍物避障障碍物避障是指机器人在到达目的地的过程中，避开其他障碍物的过程。
机器人自主探索与导航技术研究与实现
机器人自主探索与导航技术研究与实现随着人工智能技术的快速发展，机器人的自主探索与导航能力逐渐成为了研究的热点。
机器人自主探索与导航技术的研究目标是让机器人具备自主感知环境、规划路径，并能够在未知环境中自主导航的能力。
这项技术的研究与实现将为机器人在未来的应用中发挥更大的作用，如无人驾驶汽车、智能仓储物流等领域。
一、机器人自主感知技术研究与实现机器人自主感知是指机器人通过感知技术获取周围环境的信息，并对这些信息进行处理和分析，从而使机器人能够了解自身所处的环境。
在机器人自主探索与导航中，自主感知技术是实现机器人自主导航的基础。
常用的自主感知技术包括视觉感知、声音感知、激光雷达等。
视觉感知是指机器人通过摄像头等设备获取周围环境的图像信息，并通过图像处理算法对图像进行分析和识别。
通过视觉感知技术，机器人可以识别出不同的物体、人物以及环境中的障碍物，为后续的路径规划提供基础数据。
声音感知是指机器人通过麦克风等设备获取周围环境的声音信息，并通过声音处理算法对声音进行分析和识别。
通过声音感知技术，机器人可以识别出不同的声音、语音指令等，从而更好地与人进行交互。
激光雷达是一种常用的感知技术，它可以通过发射激光束并接收返回的激光信号来获取周围环境的距离和形状等信息。
激光雷达可以提供高精度的环境地图，为机器人的导航提供准确的数据支持。
二、机器人路径规划技术研究与实现机器人路径规划是指在已知环境中，机器人根据自身位置和目标位置，在合适的时间内选择一条最优路径的过程。
路径规划的目标是使机器人以最快的速度、最短的路径到达目标位置。
常用的路径规划算法包括A*算法、Dijkstra算法、蚁群算法等。
A*算法是一种常用的启发式搜索算法，它通过评估函数来评估每个节点的代价，并通过优先级队列选择下一个扩展节点，直到找到一条最优路径。
A*算法在机器人路径规划中具有较高的效率和准确性。
Dijkstra算法是一种贪心算法，它通过计算起始节点到周围节点的距离，并选择距离最短的节点进行扩展，直到找到目标节点。
《基于视觉的移动机械臂自主导航和抓取控制研究》
《基于视觉的移动机械臂自主导航和抓取控制研究》篇一一、引言随着人工智能和机器人技术的快速发展，移动机械臂在工业、医疗、军事、服务等领域的应用越来越广泛。
为了实现移动机械臂的高效、精准和自主操作，自主导航和抓取控制技术成为了研究热点。
其中，基于视觉的导航和抓取控制技术，由于具有高精度、高效率和良好的适应性，备受关注。
本文将就基于视觉的移动机械臂自主导航和抓取控制进行研究。
二、视觉导航技术研究2.1 视觉导航系统概述视觉导航系统利用摄像头等视觉传感器获取环境信息，通过图像处理和计算机视觉技术实现机械臂的自主导航。
该系统主要包括摄像头、图像处理单元和控制系统等部分。
2.2 图像处理技术图像处理技术是视觉导航系统的核心，主要包括图像预处理、特征提取、目标识别和路径规划等步骤。
其中，图像预处理包括去噪、增强和二值化等操作，以改善图像质量；特征提取和目标识别则通过计算机视觉算法实现；路径规划则根据目标和环境信息，规划出最优的机械臂运动轨迹。
2.3 视觉导航算法视觉导航算法主要包括基于特征匹配的导航算法和基于深度学习的导航算法。
前者通过提取环境中的特征点或特征线等特征信息进行匹配，实现机械臂的导航；后者则利用深度学习技术对图像进行语义分割和目标检测，实现更高级别的自主导航。
三、抓取控制技术研究3.1 抓取控制概述抓取控制技术是实现机械臂精准抓取的关键技术。
该技术主要通过控制机械臂的末端执行器，实现对目标物体的精准抓取和放置。
3.2 抓取规划算法抓取规划算法是抓取控制技术的核心，主要包括预抓取规划和实时抓取规划。
预抓取规划根据目标物体的形状、大小和位置等信息，规划出最优的抓取姿势和位置；实时抓取规划则根据实际情况，对抓取过程进行实时调整和优化。
3.3 抓取控制策略抓取控制策略主要包括基于力控制的策略和基于视觉控制的策略。
前者通过控制机械臂末端执行器的力和力矩，实现对目标物体的精准抓取；后者则通过视觉传感器获取目标物体的位置和姿态信息，实现对抓取过程的实时监控和控制。
移动机器人导航与避障技术研究
移动机器人导航与避障技术研究随着人工智能与机器人技术的飞速发展，移动机器人作为一种具有重要应用潜力的智能装备逐渐走进了人们的日常生活。
其中，移动机器人导航与避障技术是使机器人能够自主移动、感知环境并避免障碍的关键。
一、移动机器人导航技术移动机器人导航技术旨在实现机器人在未知环境中自主导航或按照既定路径进行移动。
这需要机器人能够获取环境信息、定位自身位置并规划合适的行动策略。
目前，常用的导航技术包括建图与定位、路径规划与控制等。
1. 建图与定位机器人建图是指通过感知环境获取地图信息的过程。
常见的建图方法包括激光雷达、视觉传感器等多种传感器融合技术，可以获取环境的二维或三维信息。
而定位技术则是指确定机器人在已知地图上的具体位置，常用的定位方法包括全球定位系统（GPS）、惯性导航系统（INS）以及视觉标志物识别等。
2. 路径规划与控制路径规划与控制是指根据感知到的环境信息，通过算法决策机器人从当前位置到达目标位置的最佳路径。
常见的路径规划算法包括最短路径算法、A*算法、D*算法等。
控制部分则主要涉及机器人运动学和动力学模型，通过控制机器人的轮速实现路径跟踪与避障。
二、移动机器人避障技术移动机器人在导航过程中必须能够感知并避开障碍物，以确保安全行驶。
避障技术可以分为感知和决策两个环节。
1. 感知机器人的感知系统主要通过激光雷达、摄像头等传感器实时获取周围环境信息，如障碍物的位置、形状和大小等。
通过对感知到的环境数据进行处理和分析，机器人可以得出障碍物的相关特征，并进行障碍物的分类与识别。
2. 决策决策环节是将感知到的环境信息转化为行动策略的过程。
机器人可以根据避障算法判断障碍物的威胁程度，并选择避开或绕过障碍的最优路径。
常见的避障算法有基于规则的方法、基于模型的方法以及基于学习的方法。
三、移动机器人导航与避障技术应用移动机器人导航与避障技术具有广泛的应用前景，为工业生产、服务机器人、智能家居等领域提供了全新的解决方案。
利用深度强化学习算法实现自主移动机器人导航
利用深度强化学习算法实现自主移动机器人导航自主移动机器人导航是近年来人工智能领域的一个热门研究方向。
利用深度强化学习算法实现自主移动机器人导航已经成为许多研究者的关注焦点。
本文将介绍深度强化学习算法在自主移动机器人导航中的应用，并探讨其优势和挑战。
自主移动机器人导航是指机器人能够在未知环境中自主地规划路径、感知环境并进行导航的能力。
传统的导航算法通常基于手工设计的规则和模型，但这种方法往往对环境变化和未知情况的适应能力较差。
而深度强化学习算法则能在没有先验知识的情况下通过与环境进行交互来学习策略，具有更好的泛化能力。
深度强化学习算法的核心思想是将机器人的导航问题建模为马尔科夫决策过程（Markov Decision Process，MDP）。
MDP是一种数学模型，描述了一个决策者在状态和动作的组合下获得累积奖励的过程。
深度强化学习算法通过训练一个智能体（机器人）来学习最优的决策策略，使其能够在各种状态下选择最优的动作。
在自主移动机器人导航中，深度强化学习算法的核心是深度神经网络和强化学习算法的结合。
深度神经网络用于建模机器人的感知能力和决策能力，将环境中的状态作为输入，输出相应的动作。
而强化学习算法则用于通过与环境的交互来训练神经网络，使其能够学习到最优的策略。
在训练过程中，机器人通过与环境进行交互来获取经验数据，在每一次交互过程中，机器人根据当前状态选择一个动作，并获得相应的奖励。
深度强化学习算法通过优化神经网络的参数使得机器人能够最大化累积奖励，从而学习到最优的策略。
其中，值函数是衡量每个状态的价值的函数，策略网络则用于选择动作。
深度强化学习算法在自主移动机器人导航中具有许多优势。
首先，深度神经网络能够自动从原始数据中提取有用的特征，无需手工设计特征，减少了特征工程的工作量。
其次，深度强化学习算法能够从大规模的经验中进行学习，提高了模型的泛化能力。
此外，深度强化学习算法还具有一定的鲁棒性，能够在环境不确定和存在噪声的情况下仍能得到较好的效果。
移动机器人中的导航与定位技术研究
移动机器人中的导航与定位技术研究导言：移动机器人是现代智能技术的重要应用领域之一。
导航与定位技术是移动机器人实现自主行动和任务完成的关键。
本文将介绍移动机器人中的导航与定位技术的研究现状、挑战以及未来发展方向。
一、导航技术概述导航技术是移动机器人能够在未知或部分未知环境中自主行动的基础。
传统的导航技术主要依靠地图和路径规划算法实现。
然而，在复杂的室内环境或者无人工智能指导的情况下，这些方法可能显得不够实用。
因此，现代导航技术侧重于感知、学习和适应能力的提升。
二、定位技术概述定位技术是移动机器人获取自身位置信息的关键。
1. GPS定位：GPS定位是目前最常用的定位技术之一。
然而，在室内环境或无人导航系统的情况下，GPS信号可能受到干扰或无法获得，因此需要其他定位技术的支持。
2. 视觉定位：视觉定位是指通过图像处理和计算机视觉技术获取机器人位置信息的方法。
这种方法可以通过摄像头或激光雷达获取机器人周围环境，从而实现定位。
3. 惯性定位：惯性定位是通过惯性传感器（如陀螺仪和加速度计）获取机器人运动信息，并结合数学模型计算机器人位置的方法。
惯性定位技术具有较高的精度和实时性，对于室内环境下的短距离移动尤为适用。
三、移动机器人导航与定位技术研究挑战尽管导航与定位技术在过去几十年里取得了巨大的进展，但在复杂和未知环境下，仍然存在一些困难和挑战。
1. 感知和环境认知：移动机器人需要准确感知周围环境，包括障碍物、地图和其他机器人。
同时，机器人还需要理解这些信息并作出相应的决策。
2. 精确的定位：在未知环境下，定位的精确性是导航和路径规划的基础。
因此，开发高精度的定位技术是一个关键问题。
3. 鲁棒性和适应性：移动机器人需要具备鲁棒性和适应性，以适应不同环境、场景和任务需求。
这对算法和系统设计提出了更高的要求。
四、未来发展方向随着人工智能技术的快速发展，移动机器人导航与定位技术也将得到进一步改进和完善。
1. 强化学习：利用强化学习方法，使机器人能够通过试错和学习提高导航能力。
人工智能机器人的自主导航和路径规划
人工智能机器人的自主导航和路径规划随着人工智能技术的不断进步和创新，人工智能机器人逐渐成为我们日常生活的一部分。
这些机器人可以执行各种任务，从工业生产到家庭助手，从医疗服务到教育辅助。
但是，要让这些机器人能够顺利地完成任务，自主导航和路径规划成为关键技术。
自主导航是指机器人能够根据周围环境自主地移动和定位。
当机器人具备这项能力时，它就能够避免与障碍物碰撞，并找到最佳路径来到达目的地。
自主导航的实现需要依靠传感器、定位系统以及强大的计算能力。
传感器可以获取环境信息，比如激光雷达、摄像头和红外线传感器等。
定位系统则可以准确地确定机器人在空间中的位置，比如全球定位系统（GPS）和惯性导航系统（INS）。
同时，机器人还需要强大的计算能力来将传感器和定位系统的数据整合起来，从而实时地进行环境感知和决策。
路径规划是指机器人从起点到终点的最佳路径选择。
在规划路径时，机器人需要考虑到环境中的各种因素，如障碍物、不同地形、动态障碍物等。
为了避免与障碍物碰撞，机器人可以利用不同的算法进行路径规划，如A\*算法、Dijkstra算法和RRT算法等。
这些算法可以根据环境的不同特点，帮助机器人选择最短路径或最安全路径。
同时，路径规划还需要考虑到机器人的动力学和运动规划，确保机器人能够平稳地到达目的地。
人工智能机器人的自主导航和路径规划面临着一系列挑战。
首先，环境的复杂性使得机器人必须能够快速地感知和识别不同的物体和障碍物。
例如，在一个动态的人群中，机器人需要能够识别并避免与人群发生碰撞。
其次，路径规划中的不确定性也给机器人导航带来了困难。
比如，在不同的地形中，机器人需要能够根据地形变化调整路径规划策略。
第三，自主导航和路径规划还需要考虑到时间和资源的限制。
机器人需要在有限的时间内完成任务，并根据当前的资源状况做出合理的决策。
为了解决这些挑战，研究者们提出了许多创新的方法和技术。
一种常见的方法是将机器学习应用于自主导航和路径规划中。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
自主移动机器人智能导航研究进展冯建农 柳 明 吴 捷(华南理工大学计算机系 广州 510641)摘 要 本文对当前在自主移动机器人智能导航研究中已被采用并取得成果的研究方法进行了综述,并根据已取得的成果预测了移动机器人智能导航研究的发展趋势,指出视觉导航和传感器融合将是移动机器人智能导航的主要发展方向.关键词 移动机器人,智能系统,导航1 引言国际机器人研究在经过了80年代的低潮之后,呈现出复苏和继续发展的形势;我国的机器人研究在国家“七五”、“八五”及“863”计划的推动下也取得了很大进展.与70年代的机器人浪潮相比,现在的机器人研究有两个特点:一是对机器人智能的定位有了更加符合实际的标准,也就是不要求机器人具有象人类一样的高智能,而只是要求机器人在某种程度上具有自主处理问题的能力;另一个特点是许多新技术及控制方法(神经网络、传感器融合、虚拟现实、高速度的并行处理机等)被引入到机器人研究中.研究重点的转变使机器人研究走向了健康而平稳的发展道路,并不断取得新的研究成果.智能自主移动机器人能够按照存储在其内部的地图信息,或根据外部环境所提供的一些引导信号(即通过对环境的实时探测所获得的信息)规划出一条路径,并能够沿着该路径在没有人工干预的情况下,移动到预定目标点.智能自主移动机器人对它的研究正在成为一个重要的研究热点.由于机器人应用从制造业向非制造业的扩展,以及自主移动智能机器人在诸如野外作业、深海探测、以及一些人类本身所不能进入的有毒或高温环境的作业中,有着极其广泛的应用前景,因此近年来机器人研究在多方面都已取得了很大的进展.研究的成果必将成为各行各业提高生产力的强有力工具.2 移动机器人导航分类移动机器人有多种导航方式,根据环境信息的完整程度、导航指示信号类型、导航地域等因素的不同,可以分为基于地图导航、基于陆标导航、基于视觉导航、基于感知器导航等.基于地图的导航是在机器人内部存有关于环境的完整信息,并在预先规划出的一条全局路线的基础上,采用路径跟踪和避障技术,实现机器人导航;当机器人对周围环境并不完全了解时,则可采用基于陆标的导航策略,也就是将环境中具有明显特征的景物存储在机器人内部,机器人通过对陆标的探测来确定自己的位置,并将全局路线分解成陆标与陆标之间的片段,再通过一连串的陆标探测和陆标制导来完成导航任务;在环境信息完全未知的情况下,可1997年11月机器人 R OBOT N ov.,19971996-11-04收稿通过摄像机或传感器对周围环境的探测来实现机器人导航;在相对规整的环境中,还可以在路面或路边画出一条明显的路径标志线,机器人在行走的过程中不断的对标志线进行探测并调整行进路线与标志线的偏差,当遇到障碍时或是停下等待、或是绕开障碍,避障后再根据标志线的指引回到原来的路线上去,最终在标志线的指引下到达指定的目的地.不论采用何种导航方式,智能移动机器人要完成的功能应该包括:路径规划与避障、探测与定位和控制系统稳定性.根据导航方式的不同,各方面所采用的技术和要达到的目标不同.3 视觉导航系统视觉系统在导航研究中主要起到环境探测和辨识的作用.环境的探测包括障碍探测和陆标探测,而辨识主要是陆标的识别.视觉导航的优点在于其探测的范围广,缺点是难以区分将要探测的目标与背景.为了将障碍与背景分开,所需的图像计算量很大,导致系统的实时性较差,可采用一些特殊图像处理方法,其中包括:使用Hough 变换从图像中提取直线形式的道路边界,并通过对比探测到的道路信息与机器人内部存储的地图,修正偏差,实现导航,这种方法可以提高导航的鲁棒性[1];也可以把图像分解成为目标、背景、平地、不平地4类,并根据分解后的结果,将环境信息归类于平原模式和目标模式(陆标形式),然后针对不同的模式采用不同的环境表示方法和导航方式,从而避免无用信息的运算[2];在室内环境中,可采用Houg h 变换从图像中提取墙壁等直线信息,然后通过对多个墙壁的距离来实现自身的定位[3];对机器人内部的目标图形库采用树型存储,可以提高探测到的二维图像与目标的匹配速度[4];由于仅通过单幅图像信息来判断障碍物的距离和速度是很不准确的,因此在实际应用中,可使用多个摄像机[5],或是利用一个摄像机的多幅连续图像序列来计算目标的距离和速度,还可采用SSD 算法,根据一个摄像机的连续画面来计算机器人与目标的相对位移,并用自适应滤波对测量数据进行处理,以减小环境的不稳定性造成的测量误差[6].为了避免大量的图形运算,可用多种传感器来完成测距工作[7].在室外或环境不规整情况下,很难用墙壁或道路边界进行导航,这时就有必要设置专用的陆标[8],或者选用树木之类的变化不大的自然景物作为陆标,结合CCD 摄像头或超声波传感器来探测陆标,以确定机器人当前的准确位置[9].4 传感器与传感器融合传感器在导航中主要起到目标探测的作用,探针式、电容式、电感式、力学传感器、雷达传感器[10]、光电传感器[11]等都在实际中有所应用.但针对测距和障碍探测的特殊要求,目前采用最多的导航传感器仍是红外线和超声波传感器.超声波测距是近年来发展起来的一种测距方法,但由于超声波传感器具有一定的局限性,表现在探测波束角过大,方向性差;往往只能获得目标的距离信息,不能提供目标的边界信息;单一传感器的稳定性不理想等.在实际应用中,往往采用其他传感器来补偿[12],或采用多传感器融合技术[13].红外探测的情况与超声波传感器相仿,但由于其探测视角小,方向性强一些,测量精度也有所提高.对红外探测数据进行EKF 滤波后用于定位是一个可行的方法[14].由于现有传感器普遍存在着有效探测范围小、数据可靠性低等缺点,在实际应用中往往使用多种传感器共同工作,并采用传感器融合技术对检测数据进行分析、综合和平衡,利用数据469第19卷第6期冯建农等: 自主移动机器人智能导航研究进展470 机 器 人1997年11月间的冗余和互补特性进行容错处理,以求得到所需要的环境特性.所谓多传感器融合,是指将多个传感器采集的信息进行合成,形成对环境某一特征的综合描述的一种方法.使用这种方法,可使探测到的环境信息具有冗余性、互补性、实时性和低成本的特点,同时还可以避免摄像机系统中巨大的数据处理量.目前在传感器融合方面使用的方法有加权平均法、卡尔曼滤波法、贝叶斯估计法、统计决策理论方法、Shafer-Dempster证据推理法、产生式规则法、模糊逻辑法和人工神经网络方法等.加权平均法是最简单和最直观的融合方法,它将多个传感器检测的冗余数据进行加权平均,并用平均的结果作为融合的结果;利用卡尔曼滤波可以得到统计意义下的最优检测数据估计值;贝叶斯估计常用于具有可加高斯噪声干扰的多传感器融合;统计决策理论与贝叶斯估计的不同之处在于干扰信号并不要求是高斯噪声,因而具有更宽的适应范围;Shafer-Dempster证据推理是贝叶斯方法的扩展,这种方法把局部成立的前提与全局成立前提分离开来,以便处理前提条件不完整的信息融合;使用产生式规则可以建立自然景象专家系统,根据多传感器的检测数据,使用符号来表示环境特征;模糊逻辑通过指定一个0到1之间的实数来表示真实度,可以将多传感器信息融合过程中的不确定性直接表示在推理过程中;基于人工神经网络的多传感器融合,通过有教师或无师自学习算法进行网络学习,一旦学习完成,该神经网络就能够根据以网络权矩阵和网络拓扑结构形式存储的环境特征信息,对输入神经网络的传感器信息进行融合,这种系统具有很强的容错能力和鲁棒性[15].事实上,采用传感器融合技术,如不作出一定的限制,将会大大增加机器人的计算工作量.为减小数据计算量,在具体问题中,往往不是对所有的传感器信息进行融合,而是采用传感器分组方法,针对不同的行动激活不同的分组[16],或者对不同复杂程度的地形激活不同数量的传感器来探测[17],这样可以减少融合过程中的计算量.5 神经网络近年来,随着人工神经网络研究的深入,人们已将神经网络引入到智能机器人导航研究中.通过实例教学使网络收敛,学习完成后的网络,除了其固有的并行特性外,还具有一定的容错能力,并且对学习中未遇到的情况,也能进行一定的处理.机器人系统是一个实时性要求很高的非线性系统,人工神经网络提供了解决这方面问题的可能性.由于神经网络是一个高度并行的分布式系统,所以可用来完成对视觉系统探测到的图像进行处理,它不仅处理速度高,还可以充分利用其非线性处理能力达到环境及陆标辨识的目的[18],还可以完成机器人内部坐标和全局坐标的快速转换[19].另外,基于环境拓扑结构组织的网络,在给出目标后,可以通过网络能量函数的收敛得到一条最优路径[20].神经网络在导航中的应用还在于对避障和路径规划方面.由于避障和路径规划工作没有明显的规则和难以进行事件分类,可以让神经网络通过大量的实例学习来掌握.由于不需要迭代,采用前向网络学习算法来学习避障行为时,速度很快;Kohonen网络的自组织特性也可以用来融合传感器信息,学习从地图上不同位置到目标的行走路线,一旦学习完成后,机器人就能够实现自主导航[21].在有监督的情况下,学习网络的最大缺点在于环境改变后必须重新学习,这在环境信息不完整或环境经常改变的情况下难以应用.为了解决这个问题,有必要给出智能程度更高的、具有在无监督情况下自学习能力的自适应神经网络.这方面的研究有:基于VAM表示的DIRRECT模型的自学习神经网络,它能够完成跟踪目标的低层控制[22];用模糊规则指导学习的网络,当环境改变之后可以重新启动模糊规则进行教学[23],可减少实例学习的工作量.6 模糊数学在自主导航过程中,对环境的描述往往包含着一些不确定因素,不能将其直接归类到某一环境中,或采用某一明确的规则,所以模糊推理在自主导航研究中也得到较多应用.采用模糊逻辑,能够分离图像中的边界像素,获取物体轮廓;为提高处理速度,还可以采用多维分布式电脑进行并行运算以提高速度[24].模糊推理在导航中的应用,主要在于基于行为的导航.所谓基于行为的导航,就是将机器人的运动过程分解为避障、边界跟踪、调速、目标制导等基本行为,各基本行为的激活由不同的机构分别控制,机器人的最终操作由高层控制机构对基本行为进行平衡后作出综合反应.传感器数据用模糊逻辑进行融合后,可以确定是否激发低层行为,然后再利用模糊推理对存在冲突的低层行为进行优先权判别,从而决定实际操作.由于模糊推理的运算量随着模糊规则的增长而按级数增长,所以对于复杂的系统不宜采用单一的模糊规则集,而应对探测信息进行分组,分别响应不同的低层行为,然后用模糊规则协调低层动作.例如可用3层模糊控制规则完成导航工作,其中底层负责单个障碍的避让,中间层负责多个障碍的避让,高层则负责避障与制导工作的综合[25].为了提高模糊推理速度,还可以用专门的模糊逻辑器件.7 其他方面的导航研究GPS 是美国国防部研制的卫星导航系统,但由于SA 的引入和天气的影响,往往不能精确和稳定地定位和导航.为了解决这个问题,可采用DGPS 来消除SA 的影响,用传感器探测来实现卫星信号间隔时间内的定位[26];也可采用LNS/GPS 相结合的策略[27].在环境已知的情况下,最优路径的搜索也是导航的一个研究课题.可以采用代价搜索的软件方法,也可根据退火法利用硬件来实现路径规划,这种方法虽不能保证所得路径绝对最优,但能以较小的时间代价来换取相对优化的路径[28];基于环境拓扑特征的路径规划可以减少对地图精确性的依赖,从而扩大路径规划的范围[29].机器人绝对坐标的获得可通过对多个已知坐标的灯塔(BEACON )的探测来精确定位,定位的精度可充分接近测量系统的精度;在3D 情况下至少要通过对4个灯塔的探测才能精确定位.探测数据可通过EKF 滤波来增强鲁棒性,也可通过灯塔个数的增加来提高定位精度.当机器人的路径规划完成后,或在标志线指引导航系统中,由于侧滑和避障等原因,机器人将不可避免的偏离原来的路线.怎样将实际行走路线和规划路线的误差作为反馈信号来控制机器人,使其回到规划路线上,是路径跟踪和镇定的主要研究内容.为此,可将机器人镇定问题转化为几何路径跟踪问题,使得机器人在对一条闭合路径的跟踪过程中,到达预定的目的地[30];也可将位移的高阶导数引入到路径跟踪的误差反馈系统中,以提高路径跟踪系统的动态特性;一个基于差分方程的控制器,在不考虑侧滑的情况下,将会给出一个线性时不变的解耦PID 结构.8 机器人导航的发展智能自主移动机器人的研究取得了很大进展,但是对于复杂的应用,仍不能令人满意,因此现存的问题也正是该领域的研究方向.471第19卷第6期冯建农等: 自主移动机器人智能导航研究进展472 机 器 人1997年11月随着系统的日益复杂和运算量的日益增加,对计算设备能力的要求也日益提高,而多数轻便灵活型的机器人难以携带大量的计算设备.因此,将计算机和机器人分开,机器人把观察到的视觉信号和传感器信号,按照制定的标准合成,然后传送到远方计算机上,由功能强大的远方计算机进行分解和处理,并发出控制信号给机器人的传动机构以控制机器人行为,或者由机器人完成一些避障类的低层操作,而高层操作由远方高性能机器、或人工在虚拟环境中遥控完成.将VR技术应用到移动机器人导航研究中将是一种可行的方法.在一个智能系统中,使用单一的智能控制方法,往往不能取得满意的效果.一个好的智能系统,应该包括执行、协调、管理3个层次.在每个层次上,都应综合采用常规控制方法和智能控制方法,才能够取得良好效果.神经网络和模糊推理是自主导航研究中的两个重要工具,但是神经网络样本集的完整性研究尚未取得突破,将事件空间的每一点都作为网络的学习样本显然是不可取的;模糊逻辑推理则侧重于模糊规则的选取,但有些规则很难形式化描述,或者必须用大量的规则描述而增大运算量,这样就背离了模糊逻辑应用的初衷,因此近年来将神经网络与模糊逻辑结合起来,应用到自主导航研究中就成了机器人研究的热门课题.传感器融合技术在近年来被引入到了机器人导航研究中,并已取得令人振奋的成果,采用常规传感器导航的移动机器人将成为机器人产业的主要发展方向.当然,在一些复杂的地理条件下,非视觉传感器的探测范围就不如视觉系统那么完整,目前对于一些高精度的导航还难以胜任,因而开发新型传感器或按照一定融合策略构造传感器阵列以弥补单个传感器的缺陷,以及提出新的融合方法来完善探测的结果,都将是重要的研究方向.视觉导航研究由于受到现有计算设备运算速度和存储容量的限制而发展较慢,但随着计算机图像处理能力和技术的提高,加之视觉导航具有信号探测范围宽、目标信息完整等优势,在图像处理速度得到解决之后,视觉导航仍将是主要导航方式.另一个问题就是导航系统的模块化问题,由于机器人的导航工作可以分解成一些低层工作,因此可以制定机器人模块接口的统一标准,减少低层的重复开发.Yamabico机器人系列就采用了这一思想.智能移动机器人在运动过程中,除完成环境导航任务外,往往还要完成生产作业、故障诊断等工作,因而移动机器人系统实际上是一个多功能、多任务的智能系统.在实际应用中,必须综合考虑各种功能,这是一个涉及机械、电子、计算机、自动化、物理学等多学科的跨学科课题,任何新技术的出现都可能对该领域的研究带来突破性进展,因而在机器人研究的同时,必须密切关注相关学科的发展.参 考 文 献1 Elarbi Boudihir M,Dufaut M,Huss on R.A Vis ion S ystem for M obile Robot Navigation.Robotica,1994,122 Stephane Betge-Brezetz,Raja Chatila,M ichel Devy,Phillippe Fillatreau,Faw zi Nas has hibi.Ad aptive Localization of an Autonomous M obile Robot in Natural Environments.(M FI'94)3 ULF Lar sson,J ohan Forsb erg,Ak e Wernersson.On Robot Navigation Us ing Identical Land mark s:Integr ating M easur e-men ts from a T ime-of-flight Las er.IEE E Intern ational Conference on M ultisen sor Fus ion and Inteligent Sys tem.(M FI'94)1994:2～54 Bayoum i M M,Chen J.A Hierar chical M ultiview-bas ed Hypoth es izing Appr oach for3D Robot Vision.Internaltional Journal of Robotics and Au tom ation,l8(2)5 Yong C Cao,H yu ng S Cho.A Stereo Vis ion-based Obstacle Detecting M ethod for M obile Robot Navigation.Robotica,1994,126 Chr istopher E S mith,Scott A Brandt,Nk olaos P Pap anik olopoulos.Vis ion S ens ing for Intellig ent Veh icle and High w ay Sys tems.(M FI'94)7 Kai -T ai S ong ,Wen -Hui T ang .Environm ent Recognition for a M obile Robot U sing Double Ultrasonic S ens or and a CC D Camera.(M FI'94)8 M in-Hong Han,Sang-Yong Rhee.Navigation Control for a M ob ile Rob ot.Journ al of Robotic System,1994,11(3),169～1799 S hoich i M AEYAM A,Ak ihisa OHYA,Sh in'ichi YUT A.Pos itioning by T ree Detection S ens or an d Dead Reckoning for Outdoor Navigation of a M obile Robot .(M FI'94)10 Grimes C A.A Radar S ens or for Robotic Vision.Inter national Journal of Robotica and Autom ation,8(2)11 Partaatmadija O,Benh ab ib B,Goldenb erg A A.Analysis and Des ign of a Robotic Dis tance Sen sor.J ournal of Robotic Sys tems ,1993,10(4):427～44512 Santai Hw an g,Brain P Kintigh.Implementation of an Intelligent Roving Robot Usin g M ultiple S ens ors.(M FI'94)13 Bertrand Beaufrere ,S aid Zeghloul .A M obile Robot Navigation M eth od Us ing a Fuzzy Logic Approach .Robotica ,1995,1314 Step hen Borthw ick ,Hugh Dur rant-W hyte.Dyn amic L ocalisation of Auton omous Guided Veh icles.(M FI'94)15 袁军等.智能系统多传感器信息融合研究进展.控制理论与应用,1994,11(5)16 Sene Zapata,Lepinay P,T homps on P.Reactive Behavior s of Fast M obile Robots.Journal of Robotic Sys tems ,1994,11(1),13～2017 Cheng -Chih Lin ,Lal T ummala R .Ad aptive Sensor Integr ation for M obile Robot Navigation .(M FI'94)18 Ivan Bach elder A ,Allen M Waxman.M obile Robot Visu al M apping and Localization:A View -bas ed Neurocompu-tational A rchitecture T hat Em ulates Hippocampal Place Learn ing.N eural Netw ork.1994,7(6,7)19 Joris W M Van Dam ,Ben J A Krose,Fran ciscus C A Groen.T ransforming th e E go-cen tered In ternal Representation of an Autonomous Robot w ith the Cascaded Neural Netw ork .(M FI'94)20 Roy Glasius ,An drzej Komoda ,Stan C A M Gielen .Neur al Netw ork Dynamics for Path Planing and Obs tacle Avoid-ance.Neu ral Network ,1995,8(1)21 Jun T ani,Naohir o Fuk umura.Learning Goal-directed Sensory -b as ed Navigation of a M obile Robot.Neural Netw ork.1994,7(3)22 Eduardo Zalama ,Paolo Gaudiano ,Ju an Lopez Coronado .A Real -time Un supervised Neural Netw ork for the Low -level Control of a M ob ile Rob ot in a Nonstationary Environm ent .Neur al Netw ork .1995,8(1)23 Ven ugopal K P,Pandya A S,S udhakar R.A Recurrent Neural Netw ork C on tr oller an d Learning Algorithm for the On-line L earning Control of Autonomous U nderw ater Veh icles.Neu ral Network.1994,7(5)24 Naghdy F,Ken nedy R.L ow Level Fu zzy Image Processin g in U nstructed Environment Proceeding s of '95Inter national M echatronics &Autom ation Conference (Hong Kong ):193～19825 Steven G Goodridge ,Ren C Luo ,M ichael G Kay .M ulti -layered Fuzz y Behavior Fus ion for Real -time Control of S ys-tems w ith M any S ens ors.(M FI'94)26 Kaz uyuki Kobayash i,Fumio M unekata,Kajiro Waranab e.Accu rate Navigation via Differential GPS an d Vehicle Local Sensors.(M FI'94)27 陈文华.野外自主车陆地组合导航系统研究.机器人,1995,17(5):286～29128 Lin C -S ,Wann C -D .A Parallel Process ing M odel for Robot Path Planning on Grid T er rains .In ternation al J ou rnal of Robotica an d Automation,1991,6(1)29 杨向东,徐家球,张伯鹏.基于环境拓扑学特征的二维点机器人路径规划.机器人,1996,18(1):38～4430 马保离等.移动小车的路径跟踪与镇定.机器人,1995,17(6):358～362(下转第478页)473第19卷第6期冯建农等: 自主移动机器人智能导航研究进展478 机 器 人1997年11月标准.第二,过渡过程时间与负载的大小以及对于各轴的矩有关.应该以怎样大小的负载以及负载的形状也没有标准.为简化计,作者认为以重量为1/3～1/2满量程负载的圆柱形质量块作为标准较为合理,因空载没有具体的意义,而满载也不是常用情况.1/3～1/2负载情况较为多见.另一方面动态性能受负载和矩的影响在上述负载情况下比较适中.动态性能问题国内正在研究进行中.有关软件命令和信号处理问题不在本文讨论.PROBLEMES RELATED TO THE DEVELOPMENT OFSIX AXES FORCE/TORQUE SENSORWANG Guotai YI Xiufang WANG Lili(H ef ei Institute o f Intellig ent M achine s 230031) Abstract T his paper co mpr ehensively analyzes and discusses the per for mance of the Six Ax es F or ce/ T o rque Senso r.A nd the criteria fo r t he evaluatio n of pr o tectio n ov erload,dy namic perfo rm ance and elastic structur e of the Six A x es F or ce/F or que Sensor are sugg ested fo r t he f irst t ime. Key words Six A x es Fo rce/T or que Sensor,elastic str uctur e,dynamic specificatio n.作者简介 王国泰:男,59岁,研究员.研究领域:传感技术和工业自动化技术. 易秀芳:女,58岁,高级工程师.研究领域:精密机械制造. 王理丽:女,44岁,高级工程师.研究领域,测试技术. (上接第473页)SURVEY OF INTELLIGENT NAVIGATION OFAUTONOMOUS MOBILE ROBOTFENG Jianno ng LIU M ing WU Jie(South China Univ ersity o f Tech nology,Guang zhou,510641) Abstract T his paper summarizes the cur rent r esearch metho ds in the field of intellig ent navigat ion o f au-tono mous mo bile r obo t,w hich hav e been successfully used in the resear ch and hav e achiev ed a lo t.T he navi-gat ion metho ds by means of v ision and senso r fusio n w ill be the tw o main subject s,and they ar e the trend t o intelligent nav iga tion o f autonom ous mobile ro bot. Key words M obile ro bot,intelligent system,navig ation作者简介 冯建农:男,38岁,计算机系副教授,硕士生导师.研究领域:机器人智能导航. 柳 明:男,27岁,计算机系硕士研究生.研究领域:计算机测控与仿真. 吴 捷:男,60岁,自动控制理论与应用专业教授,博士生导师.研究领域:自适应自组织控制.。