移动机器人的环境勘测与绘图毕业设计论文.docx

移动机器人的环境勘测与绘图毕业设计论文.docx

《移动机器人的环境勘测与绘图毕业设计论文.docx》由会员分享，可在线阅读，更多相关《移动机器人的环境勘测与绘图毕业设计论文.docx（29页珍藏版）》请在冰豆网上搜索。

移动机器人的环境勘测与绘图毕业设计论文

摘要

移动机器人的环境勘测与绘图

移动机器人环境勘测与绘图是机器人研究领域的一个热点问题。

超声传感器和红外传感器在移动机器人中的应用大大提高了机器人探测环境的能力。

利用传感器采集到的大量数据可以进行环境地图的创建。

本文主要研究在上位机中如何处理观测数据的问题。

本文介绍的环境勘测主要是采用1个超声波传感器和6个红外传感器协同工作，超声波传感器的数据用来进行地图创建，红外传感器主要辅助机器人进行有效的避障。

采用了NI公司的LabWindows/CVI虚拟仪器软件建立环境地图，并进行数据处理。

由于超声传感器本身存在测距误差、散射角度大、镜像点多等问题，因此在数据处理时，通过C语言算法对数据点进行有效控制，去除大量不确定数据。

在直线走廊、L形墙角、U形环境等实验条件下进行了数据采集与数据处理测试。

取得了比较好的效果，对环境仿真程度比较逼真。

【关键词】移动机器人环境勘测地图创建LabWindows/CVI

ENVIRONMENTEXPLORATIONANDMAPBUILDING

BYMOBILEROBOT

Abstract

Environmentexplorationandmapbuildingbymobilerobotisahotissueintherobotresearchfield.Ultrasonicsensorandinfraredsensorareusedbymobilerobotandtheyincreaserobot’sabilityofenvironmentexploration.Usingalotofdatagatheredbysensors,wecanbuildtheenvironmentmap.

ThispaperresearchhowtodealwiththeobservationdatainthePC.Inthispaper,singleultrasonicsensorcooperatedwith6infraredsensorstoexploretheenvironment.Thedatabyultrasonicsensorisusedformapbuilding,andinfraredsensorsishelprobottoavoidobstacleseffectively.UsingNIcompany’svirtualinstrumentsoftwareLabWindows/CVItobuildtheenvironmentmapandtreatwiththedata.

Theultrasonicsensorhassomeproblems,suchasmeasuringerror,bigdispersionangle,mirrorimage.sointhedataprocess,wecontrolthedatapointbyCarithmeticanddeletelotsofuncertaintydata.Intheexperimentsofbeelineaisle,encoignureofLshape,Uform,wecollectenvironmentdataanddothetestofdatatreatment.Formtheseexperiments,weachievethepurpose.

【Keywords】mobilerobotenvironmentexplorationmapbuildingLabwindows/CVI

第一章前言

1.1课题背景与意义

移动机器人的环境勘测与地图创建是机器人领域的热点研究问题。

对于已知环境中的机器人自主定位和已知机器人位置的地图创建已经有了一些实用的解决方法。

然而在很多环境中机器人不能利用全局定位系统进行定位，而且事先获取机器人工作环境的地图很困难，甚至是不可能的。

这时机器人需要在自身位置不确定的条件下，在完全未知环境中创建地图，同时利用地图进行自主定位和导航。

这就是移动机器人的同时定位与地图创建（SLAM）问题。

SLAM也称为CML（ConcurrentMappingandLocalization），最先是由smithself和Cheeseman提出来的。

由于其重要的理论与应用价值，被很多学者认为是实现真正全自主移动机器人的关键。

在SLAM中,机器人利用自身携带的传感器识别未知环境中的特征标志，然后根据机器人与特征标志之间的相对位置和里程计的读数估计机器人和特征标志的全局坐标。

这种在线的定位与地图创建需要保持机器人与特征标志之间的详细信息。

近几年来，SLAM的研究取得了很大的进展，并已应用于各种不同的环境，如:

室内环境、水下、室外环境。

探测环境与构建地图是移动机器人研究领域中发展起来的一个研究方向，受到了研究人员的日益关注。

空间和危险场合是机器人的一个很重要应用领域。

很多情况下，作业空间的信息是未知的，这样在派机器人进入该环境时，就需要它对作业环境能进行有效地探测，构建出作业环境的地图来。

只有在了解了环境的基础上才可能进行导航、路径规划、避障策略和其他操作的设计。

1.2代表性的研究工作

从移动机器人构建地图方面公开发表的文章来看，多数研究工作尚处于模型或设计／模拟阶段。

多是在仿真条件下研究相应的算法。

这里仅列出了比较有代表性的一些研究工作。

美国OhioStateUniversity建立的GPSVan系统，采用了GPS、INS、轮式计数器、CCD与彩色视频摄像机等传感器。

德国U.ArmedForces建立的KISS系统，采用了GPS、INS、测距仪、高度计、CCD与彩色视频摄像机等传感器。

德国Tech.SchoolAachen建立的SurveyingVehicle系统，采用了GPS、轮式传感器、气压计、视频CCD等传感器。

加拿大的GeofitInc.建立的VISA系统，采用了GPS、INS、CCD与彩色摄像机等传感器。

美国CMU建立的Ambler和Navlab系统，分别采用了激光雷达扫描仪、推测定位法和视频CCD、Doppler、声纳传感器。

参与ARPA工程的几家公司和大学建立了UGV系统，采用了红外彩色立体视频摄像机、激光雷达、GPS、倾斜计、流量罗盘等传感器。

上述几种系统主要是用来构建道路图的，因为都使用了GPS。

利用立体视觉可以得到环境特征的相对位置，从而能构建出部分三维地图来。

在以前的研究基础上，美国CMU用一个名为Minerva的交互式导游机器人在一座博物馆中为游人做向导。

他们利用MonteCarlo定位器得出用最大概率值表示的地图来。

在他们的研究中也运用了多种理论进行地图构建，包括贝叶斯理论、马尔可夫方法、卡尔曼滤波算法、概率论算法等。

Cai和Pagac分别用范围传感器进行了单个机器人和多个机器人对简单环境的探测。

Hans用基于特征的方法产生扩展卡尔曼滤波器对机器人的定位与环境图绘制加以合成。

Ducket将模糊ART神经网络结构及预测性轨迹过滤方法引入到机器人的学习中，实现环境信息的更新；Yamauchi利用Frontier_cell理论研究了环境的探测问题，而Shanahan对这一问题的研究则侧重于用逻辑公式描述智能体与环境的关系，他采用的是事件积分法；Moorehead的研究中引用了GreedySearchAlgorithm来搜集环境信息。

由于机器人准确地知道其相对位置，使得问题集中在如何感知环境信息，如何将感知的环境信息合理地融合，以及如何有效地协作和避障，从而较准确地画出环境地图来。

第二章研究的主要内容

早期的许多系统是由操作者手动指挥机器人在环境中运动，要么是依靠预先存储的地图，要么是采用被动机构来构建地图。

而在另外的系统中，构建地图所需要的传感器-计算机数据是由机器人在人工控制下采集到的，然后再采用离线的学习算法来找到与数据匹配的最好的地图来。

尽管这些方法有一定的优点，但是人工干预代价太大，而且易于产生人为误差。

同样的，尽管反应式行为通常具有很好的鲁棒性，但却不能保证在复杂大环境下建造出完整的地图来。

因此最灵活的方法是让机器人通过基于地图的自动搜索来自行构造地图，也就是说机器人能够自动标识出未探测的区域来，根据自己构建的地图导航到这些区域，同时也不断地更新它所构建的地图。

现在该方向的研究主要集中在机器人的自定位、传感器技术和信息融合三方面。

移动机器人环境勘测与绘图领域中存在一些关键问题及难点：

·机器人地图创建中的导航问题。

在完全未知的环境里,机器人没有任何的参照物,只能依靠自己并不十分准确的传感器来获取外界信息,由于计算实时性的限制,如同一个盲人在建筑物里摸索的情况,这种情况下,定位是比较困难的。

实际上目前机器人地图创建的一个主要难点也正是难以解决机器人自身精确定位的问题。

·环境特征不够明显时。

例如比较空旷的室外环境中，很难提取到合适的环境特征。

·传感器信息比较少,难以从一次感知信息中获得环境特征。

例如使用声纳或红外传感器。

·动态干扰。

大多数研究都是假设机器人所在的环境是一个静态环境,当环境中存在动态障碍物（例如走动的人）时,机器人可能会给出错误的结果,即地图中出现不存在的静态障碍物。

为去除动态干扰,可以借助其他传感器（例如视觉）识别出环境中的动态障碍物,也可以通过冗余信息的融合将干扰滤掉。

·绑架问题（kidnappingproblem）,即机器人的位置由于外力的作用发生了突然变化,但机器人自己并不知道发生了变化,而环境的变化使得机器人信息混乱,得到的地图也变得不可靠。

·大规模循环环境,例如环形走廊,这样的环境缺乏局部特征,定位算法则由于失去参照而产生越来越大的积累误差。

对于以上问题,一方面需要提高机器人个体的感知能力,另一方面也需要在现有的机器人感知能力限制下,设计更好的不确定信息处理算法,提高系统的可靠性。

2.1机器人的自定位

关于机器人的自定位研究对于移动机器人来说，为了能高效率地从环境中穿行并到达目的地，或者要构建出环境的地图来，就必须找到一种方法，使它能根据环境中已知的一些特征而判断出它自身的位置来。

这就是机器人的定位问题。

机器人要想能在未知环境中自动行走，定位是最基本的问题。

通常，最基本的定位方法是推测定位法。

这种方法是通过对机器人的速度进行时间积分而确定机器人距离起始位置发生的位置变化。

但是，单纯用推测定位法容易产生随时间无限增大的误差，这就需要在此基础上再采用另外一些附加措施，来周期性地纠正机器人的位置误差。

通常情况下是用扩展的卡尔曼滤波器将附加的定位技术与推测定位法相结合，来更为准确地更新机器人的位置。

有许多方法可以实现基于传感器的定位技术，而这些技术往往是通过确定一些探测到的环境特征与已知的环境地图间的对应附和性而实现定位的。

有了地图中一些特征物的已知位置和被感知到的这些特征物距机器人的位置，就可以确定出机器人的当前位置。

2.2移动机器人探测环境的传感器技术

无论是定位还是行走，机器人都是靠传感器收集环境信息来实现的。

目前，机器人进行环境探测所用的传感器主要有范围传感器（包括声纳、红外、激光等）和视觉传感器。

早期的研究集中在传感器硬件的改进上，现在逐渐转移到算法开发上。

任何传感器都有其固有的局限性，会产生信号噪声。

探测环境信息的信息噪声可以通过补偿算法加以消除，而定位产生的噪声则会对定位产生