服务机器人路径规划与路径跟踪.doc

服务机器人路径规划与路径跟踪.doc

《服务机器人路径规划与路径跟踪.doc》由会员分享，可在线阅读，更多相关《服务机器人路径规划与路径跟踪.doc（13页珍藏版）》请在冰豆网上搜索。

服务机器人路径规划与路径跟踪

摘要：

服务机器人由于所处的环境不可能是完全确定的，使得机器人导航问题在服务型机器人应用中越发关键。

本文讨论了环境部分未知的情况下的导航问题中的全局路径规划，根据环境中的静态已知障碍物利用蚁群算法找出全局最优路径，采用了链接图来建立环境全局地图，将工作空间转换为带权图的形式，然后使用蚁群算法对带权图进行搜索，得到从起始点到目标的一条全局最优路径。

关键词：

蚁群算法；路径跟踪；避障

ServiceRobot'spathplanningandpathfollowing

Abstract:

Becausetheworkingenvironmentoftheservicerobotcan’tbecompletelydetermined,thenavigationismoreimportanttoresarchforservicerobotthanotherrobots.Thethesisproposesasolutiontotherobotnavigationinpartunknowenenvironment.Thesolutionistheglobalpath-planning.ThemainpurposeistolayoutaglobalpathinthestaticglobalenvironmentusingAntColonyAlgorithm.MAKLINKGraphisusedtobuildtheglobalworkingevrionment,whichconvertstheworkspacetoweightedgraph,thenAntColonyAlgorithmisusedtosearchtheweightedgraphandgettheglobaloptimalpathfromthebeginpositiontothegoalposition.

Keywords:

AntColonyAlgorithm;Pathfollowing;obstacleavoidance

家庭服务机器人是为了倡导机器人技术步入人们的生活以及机器人技术的实用化普及化，最终实现自主机器人与人类真正意义上的人机协作和自然交互（如语音交互、姿态交互）。

机器人在家庭环境中快速、准确地导航是机器人进入家庭、提供各类服务的前提。

区别于工业机器人所处的准备好的确定性环境，家庭环境变动性大，由不规则形状的家具、相对狭窄的门和频繁活动于其间的人类构成，且不能因为机器人的进入，大规模改动家庭环境，从而给生活主体人类带来不便。

因此寻找实用且效率高的环境获取方法，同时在不大量增加传感器数量的前提下，实现精确定位，从而支持家庭服务机器人快速、准确导航成为一个极富挑战性的课题。

在移动机器人路径规划理论和方法的研究中，确定性环境的路径规划问题即离线的全局路径规划方已取得了大量的研究和应用成果。

使用链接图将全局确定性环境转换成带权值的图，而对于带权图求两固定点之间的最短距离可以用已经成熟的遗传算法以及蚁群算法求解[1]。

但是，对于存在未知障碍物的环境下的路径规划虽然也取得了一定的研究成果，但是还没有完善的体系结构，仍然有不少关键理论和技术问题急需解决。

要想让机器人进入服务领域，必须解决环境部分未知情况下的路径规划，因为服务机器人的服务对象是人，而有人存在的环境必然是变化的，比如人的行走，人往环境中移入或移除物体。

1机器人路径规划

1.1路径规划的基本概念

路径规划是移动机器人导航中最重要的任务之一，对移动机器人路径规划系统的主要要求是[2]：

（1）在环境地图中寻找一条路径，保证机器人沿该路径移动时不与外界发生碰撞；

（2）能够处理用传感器感知的环境模型中的不确定因素和路径执行中出现的误差；

（3）通过使机器人避开外界物体而使其对机器人传感器感知范围的影响降到最小；

（4）能够按照需要找到最优路径。

不论采用何种导航方式，智能移动机器人主要完成路径规划，定位和避障等任务。

根据机器人对环境信息的了解程度，机器人路径规划可以划分为：

环境信息完全已知的全局路径规划和环境信息完全未知或部分未知，需要通过传感器对障碍物位置、形状或尺寸进行探测的局部路径规划。

全局路径规划的任务是根据先验地理环境信息找出从起始点到目标点的符合一定性能的可行或最优路径。

局部路径规划使得机器人在沿全局路径的行进过程中，根据传感器不断感知的周围环境信息和自身的状态信息，规划出一条无障碍、可通行的局部路径。

在实际的工作中，环境是由已知的静态障碍物和每天可能变化位置的静态障碍物（比如桌椅摆放的位置）以及动态障碍物（比如在房间中行走的人）所组成。

1.2路径规划的分类及现状

从到目前为止的研究来看,移动机器人路径规划方法主要可以分为以下三种类型[3]：

（1）基于事例的学习规划方法

基于事例的学习规划方法依靠过去的经验进行学习及问题求解，一个新的事例可以通过修改事例库中与当前情况相似的旧的事例来获得。

将其应用于移动机器人的路径规划中可以描述为：

首先，利用路径规划所用到的或已产生的信息建立一个事例库,库中的任一事例包含每一次规划时的环境信息和路径信息，这些事例可以通过特定的索引取得：

随后，将由当前规划任务和环境信息产生的事例与事例库中的事例进行匹配，以寻找出一个最优匹配事例，然后对该事例进行修正，并以此作为最后的结果。

移动机器人导航需要良好的自适应性和稳定性，而基于事例的方法能满足这个需求。

RamA将基于事例的在线匹配和增强式学习相结合，提高了机器人的自适应性能，较好地适应了环境的变化。

利用基于事例的方法时要注意保持事例库中的事例数量，以防止增加机器人在线规划时间或产生信息爆炸问题。

MarefatM把基于事例的方法作为一个特征辅助规划与全局规划结合从而提高了全局规划的效率。

KruusmaaM[4]通过创建种群事例库在理论上覆盖了关于路径搜寻问题所有可能的路径解空间，克服了启发式搜索方法在此方面的缺陷。

（2）基于环境模型的规划方法

该方法首先需要建立一个关于机器人运动环境的环境模型。

在很多时候由于移动机器人的工作环境具有不确定性（包括非结构性、动态性等），使得移动机器人无法建立全局环境模型，而只能根据传感器信息实时地建立局部环境模型，因此局部模型的实时性、可靠性成为影响移动机器人是否可以安全、连续、平稳运动的关键。

环境建模的方法基本上可以分为两类：

网络/图建模方法、基于网格的建模方法。

前者主要包括自由空间法、顶点图像法、广义锥法等，利用它们在进行路径规划时可得到比较精确的解，但所耗费的计算量相当大，不适合于实际的应用。

而后者在实现上要简单许多，所以应用比较广泛，其典型代表就是四叉树建模法及其扩展算法（如基于位置码四叉树建模法、Framed-quadtrees建模法等[5]）。

基于环境模型的规划方法根据掌握环境信息的完整程度可以细分为环境信息完全已知的全局路径规划和环境信息完全未知或部分未知的局部路径规划。

由于环境模型是已知的，全局路径规划的设计标准是尽量使规划的效果达到最优。

在此领域已经有了许多成熟的方法，包括可视图法、切线图法、Voronoi图法、拓扑法、惩罚函数法、栅格法等。

前4种方法都是采用基于图论的思想，将目标、机器人及其工作空间用一个连接图表示，如此一来,路径规划问题就转化为在图上寻找一条从起始节点到目标节点的路线。

惩罚函数法将路径规划这个有约束的问题（受到障碍物的限制）转化为一个无约束最优化问题，再求解就可得出解答。

栅格法用网格描述机器人的工作环境，根据栅格的可信度值可确定出障碍物的分布，此时通过避障规划就可得到无碰路径。

（3）基于行为的路径规划方法

基于行为的方法由Brooks[8]在他著名的包容式结构中建立，它是一门从生物系统收到启发而产生的用来设计自主机器人的技术，它采用类似动物进化的自底向上的原理体系，尝试从简单的智能体来建立一个复杂的系统。

将其用于解决移动机器人路径规划问题是一种新的发展趋势，它把导航问题分解为许多相对独立的行为单元，比如跟踪、避碰、目标制导等。

这些行为单元是一些由传感器和执行器组成的完整的运动控制单元，具有相应的导航功能，各行为单元所采用的行为方式各不相同，这些单元通过相互协调工作来完成导航任务。

基于行为的方法大体可以分为反射式行为、反应式行为、慎思行为3种类型。

反射式行为类似于青蛙的膝跳反射，是一种瞬间的应激性本能反应，它可以对突发性情况作出迅速反应，如移动机器人在运动中紧急停止等，但该方法不具备智能性，一般是与其他方法结合使用。

基于反应式行为的方法是由Brooks最先提出，它直接读取传感器数据来规划下一步的动作，可以稳定及时地对不可预知的障碍和环境变化作出反应，但由于缺乏全局环境知识，因此所产生的动作序列可能不是全局最优的，不适合于复杂环境下移动机器人的路径规划，机器人的沿墙走行为策略是其典型的代表。

慎思行为利用已知的全局环境模型为智能体系统到达某个特定目标提供最优动作序列，适合于复杂静态环境下的规划，移动机器人在运动中的实时重规划就是一种慎思行为，机器人可能出现倒退的动作以走出危险区域，但由于慎思规划需要一定的时间去执行，所以它对于环境中不可预知的改变反应较慢。

反应式行为、慎思行为可以通过传感器数据、全局知识、反应速度、推理论证能力和计算的复杂性这几方面来加以区分。

近来，在慎思行为的发展中出现了一种类似于人的大脑记忆的陈述性认知行为，基于此的规划不仅仅依靠传感器和已有的先验信息，还取决于所要到达的目标。

比如对于距离较远且暂时不可见的目标，有可能存在一个行为分叉点，即有几种行为可供采用，机器人要择优选择，这种决策性行为就是陈述性认知行为。

将它用于路径规划中能使移动机器人具有更高的智能，但由于决策的复杂性，该方法难以用于实际之中，这方面工作还有待进一步研究。

2全局路径规划

关于路径规划的一种流传甚广但是不准确的说法是，路径规划本质上是由一些碰撞检测或避障组成的。

实际上，路径规划不仅如此。

它包含如下方面[7]：

在移动障碍物之间计算出无碰路径；协调几个机器人之间的运动；获取物体之间的精确关系；分析基于传感信息所做的运动策略的不稳定性；处理物理模型的特性以及机器人对物体的抓取。

基本的运动规划问题描述如下：

令A是在欧式空间W中运动的一个机器人，W就是机器人A的工作空间，可以描述为，N=2或3；令是空间W中分布的静态障碍物。

假设的几何特性以及的位置已知的话，再进一步假设A的运动没有运动学限制。

那么运动规划问题就是，给定A在W中起始位置和方向以及目标点位置和方向，计算出从起始点到目标点并且不碰到的一系列连续的线段。

2.1全局地图的创建

全局规划的第一步就是要建立全局地图，获得在机器人工作空间W中的精确描述。

机器人根据在W中的描述，规划出一条无碰路径。

全局地图的构建方法分为自由空间法和构造空间法[8]。

2.1.1自由空间法

自由空间法（FreeSpaceApproach）[9]：

采用预先定义的如广义锥形和凸多边形等基本形状构造自由空间，并将自由空间表示为连通图，然后通过搜索连通图来进行路径规划。

此方法比较灵活，即使起始点和目标点改变，也不必重构连通图。

但是算法的复杂程度与障碍物的多少成正比，且不能保证任何情况下都能获得最短路径。

因而该方法仅适用于路径精度要求不高，机器人速度不快的场合。

2.1.2构造空间法

构造空间是指在一个适当的空间（机器人的构造空间）中将机器人看成一个点，然后将障碍物映射进该空间中。

也就是说将障碍物根据机器人的几何尺寸进行相应的扩展，扩展后，机器人就可以看成一个质点了。

如图1所示：

其中左边的为实际工作空间，右边的为构造空间。

图1构造空