智能移动机器人控制与感知系统.docx
《智能移动机器人控制与感知系统.docx》由会员分享,可在线阅读,更多相关《智能移动机器人控制与感知系统.docx(32页珍藏版)》请在冰豆网上搜索。
![智能移动机器人控制与感知系统.docx](https://file1.bdocx.com/fileroot1/2022-11/27/9c2edf05-b6de-4175-85b5-c1d469b3c84d/9c2edf05-b6de-4175-85b5-c1d469b3c84d1.gif)
智能移动机器人控制与感知系统
摘要
随着机器人的应用范围的不断拓宽,机器人所面临的工作环境也越来越复杂,往往是未知的、动态的、非结构化的,所以,要在这种环境下实时地完成各种任务,就对机器人的控制提出了新的挑战。
本文的主要工作和创新点包括:
对移动机器人的硬件模块进行了分析。
详细研究了移动机器人的感知系统,包括超声波传感器和视觉传感器两大模块。
移动机器人采用了两款超声波传感器组合使用,用于探测更为全面的障碍物特征信息。
通过对基于行为控制技术的论述,设计了一种用于移动机器人完成多目标任务的基于行为控制系统。
另外机器人采用了SonyEVI-D31PTZ摄像头,成功地实现了计算机串口控制,大大的扩展了机器人的视觉功能,可以更多的获取外界信息。
关键词:
移动机器人、硬件模块、行为控制。
Abstract
Withthedevelopmentofappliedrange,theworkconditionfacedbyrobotismorecomplex,whichalwaysisunknown,dynamicandunstructured.Sothecontrolofrobottofulfillamissioninrealtimeunderthisenvironmenthasanewchallenge.Themainworkandinnovativeideasinclude.
ThestructureofRIRA-Mobilerobotisintroduced.Furthermore,thedrivingmodelandpowermodelareanalyzed.TheperceptionsystemofRIRA-Mobilerobotisdemonstratedparticularly,whichincludestwomodelsofvisionandultrasonicsensor.RIRA-Mobilerobotusestwotypesultrasonicsensorssoastodetectthegeneralobstacles’information.Inaddition,SonyEVI-D31PTZcameraisalsoused,whichcandecontrolledbycomputerserialsthatthevisionfunctionofrobotisextendedgreatlytogetmoreenvironmentinformation.Throughexploringthebehavior-basedcontroltechnology,abehavior-basedcontrolsystemhasbeendesignedformobilerobotfulfillingmultipleobjectivemissions.
KEYWORDS:
mobilerobot;hardwaremodules;behaviorcontrol.
第一章绪论
(一)移动机器人研究现状
移动机器人的研究始于20世纪60年代末期,目的是研究人工智能技术及在复杂环境下机器人系统的自主推理和规划能力。
70年代末,随着计算机技术和传感技术的发展,世界上一批著名公司开始研究移动机器人平台,这些移动机器人平台主要作为大学实验室及研究机构的移动机器人实验平台。
近年来,自主式移动机器人(AutonomousMobileRobot)技术在工业、农业、医学及社会服务业等领域显示了越来越广泛的应用前景,因而成为国际机器人学术界研究的热点问题。
国外移动机器人的发展比较迅速,80年代,美国国防高级研究计划局(DARPA),制定了地面天人作战平台的战略计划。
从此,在全世界掀开了全面研究室外移动机器人的序幕,如DARPA的“战略计算机”计划中的自主地面车辆(ALV)计划(1983-1990),能源部制订的为期10年的机器人和智能系统计划(RIPS1986-1995),以及后来的空间机器人计划,日本通产省组织的极限环境下作业的机器人计划,欧洲尤里卡中的机器人计划,还有由美国NASA资助研制的“丹蒂Ⅱ”八足行走机器人,美国NASA研制的火星探测机器人索杰那等。
国内在移动机器人的研究起步较晚,大多数研究尚处于某个单项研究阶段,主要的研究工作有:
清华大学智能移动机器人于1994年通过鉴定;香港城市大学智能设计、自动化及制造研究中心的自动导。
1、移动机器人的控制系统
对于移动机器人的智能控制来讲有两种不同的观点:
一是基于“环境建模-规划-控制”的纵向体系观点,即基于模型的智能控制模拟了人的深思熟虑的行为;二是基于“感知-行动”的横向体系观点,模拟了一种反射行为以及对复杂环境的迅速反应和适应能力。
移动机器人的控制结构通常有下面几种:
1.分级递阶结构:
图1.1所示的分级递阶结构是由Albus提出的[1-4],把各种模块分成若干层,位于高层的模块负责复杂的推理、判决,较低的层次用于与外界的交互。
这种体系结构遵循“感知—思维—行动”的基本规律,层次向上智能增加,精度降低,层次向下,智能降低,精度增加,较好地解决了智能和控制精度的问题。
其缺点是反应性差,虽然低层有一定的实时处理能力,但仅限于局部的非智能反应,失去了高度智能性的实时反应能力,另外,由于各模块串行连接,其中任何一个模块的故障直接影响整个系统的功能。
图1.1分级递阶结构
2.包容结构:
包容式体系结构是美国MIT的R.Brooks提出的[5],采用“感知—动作”结构(图1.2),也称基于行为的结构。
包容式体系结构在处理动态环境中不确定和模仿动物的低级反射行为方面具有很多优点,适合快速的反射性行为,如移动机器人的目标识别与路径规划,漫游与避障等。
但是它强调单元的独立、并行工作,缺少全局的指导和协调。
图1.2包容结构
3.组织-协调-执行结构:
这种结构是由Saridis等人提出来的(图1.3)
图1.3组织-协调-执行结构
4.反应式结构:
即根据移动机器人的行为功能构造控制体系结构(图1.4)。
图1.4反应式机器人控制结构
它将机器人行为的感知、规划、任务执行等过程封装成一个行为模块,例如将机器人的行为分为停车、跟踪、漫游、避障等行为功能模块,每一行为实现传感器信息与机器人动作间的一种映射。
某一时刻,只有一种行为控制车体。
反应式从下向上的方法改变了机器人的控制策略,它是在小状态下搜索一系列的可编程的条件——动作对。
纯粹的反应式系统不使用任何的环境信息内部描述,不执行任何的规划,机器人只是对传感器的信息直接进行反应,从而产生动作。
这种控制方法是基于“刺激-反应”(stimulus-response)的原理。
这样就使机器人能够快速地对时变的、非人为构造的环境进行反应。
5.混合式结构可分为:
漫游层、趋向总目标层、规划层或趋向子目标层、应急避障层和解死锁层,从下到上的各层中,越是高层,优先级越高,各层具体功能如下:
漫游层:
低优先级层,在无任务情况下,机器人根据传感器选择无障碍物方向随机动作。
目的是在多机器人环境下,暂时无任务的机器人同样需要保持清醒的意识和一定的机动性,避免冲突。
趋向总目标层:
机器人通过通讯方式得到任务,比如一个最终目的地,机器人在本层内不断比较当前位置和目标位置,产生并输出一个指向目标位置的下一步动作。
如果本层有输出,则表明机器人有新的任务,停止漫游活动,开始趋向目标运动。
规划层:
本层又叫子目标层,主要任务是机器人利用超声波传感器、已有地图及通讯方式得到较远处的环境信息,使机器人有足够的时间对环境做出推理判断,对路径做出阶段性规划。
规划结果以子目标的形式输出。
应急避障层:
机器人在运动过程中,如果红外线传感器测得避障区有障碍物存在,则机器人暂时停止趋向子目标运动,实施应急避障行为,之后重新规划子目标。
解死锁层:
没有一种算法既具有良好的避障行为,又可以排除所有的死锁行为,本算法也不例外。
因此,本层的作用是判断机器人是否进入死锁状态,如果是,采用Follow-wall行为,逃离死锁状态。
系统死锁判断方法:
一是系统在Time时间段内速度为0,二是机器人运动方向与机器人当前目标(总目标或子目标)方向夹角大于90°[6]。
图1.5混合型控制结构
除此五种之外,还有Albus提出的三脊梯结构,席裕庚、田华等提出的环递阶结构,美国国家标准局(NBS)制造工程中心自动制造研究实验室提出的NBS分级感觉与控制结构和融合控制结构。
随着机器人控制技术的发展,开发“具有开放式结构的模块化、标准化机器人控制结构”是当前机器人控制结构的一个发展方向。
近几年,日本、美国和欧洲一些国家都在开发具有开放式结构的机器人控制器,如日本安川公司基于PC开发的具有开放式结构、网络功能的机器人控制结构。
我国863计划智能机器人主题也已对这方面的研究立项。
新型的机器人控制器应有以下特色:
(1)开放式系统结构,采用开放式软件、硬件结构,可以根据需要方便的扩充功能,使其适用于不同类型机器人或机器人化自动生产线。
(2)合理的模块化设计对硬件来说,根据系统要求和电气特性,按模块化设计,这不仅方便安装和维护,而且提高了系统的可靠性,系统结构也更为紧凑。
(3)有效的任务划分,不同的子任务由不同的功能模块实现,以利于修改、添加、配置功能。
(4)实时性、多任务,要求机器人控制器必须能在确定的时间内完成对外部中断的处理,并且可以使多个任务同时进行。
(5)网络通讯功能,利用网络通讯的功能,以便于实现资源共享或多台机器人协同工作。
(6)形象直观的人机接口。
2、导航方式
移动机器人的导航方式可分为:
基于环境信息的地图模型匹配导航、基于各种导航信号-5-的陆标导航、视觉导航和味觉导航等。
环境地图模型匹配导航[7]是机器人通过自身的各种传感器,探测周围环境,利用感知到的局部环境信息进行局部地图构造,并与其内部事先存储的完整地图进行匹配。
如两模型相互匹配,机器人可确定自身的位置,并根据预先规划的一条全局路线,采用路径跟踪和避障技术,实现导航。
它涉及环境地图模型建造和模型匹配两大问题。
陆标导航是事先将环境中的一些特殊景物作为陆标,机器人在知道这些陆标在环境中的坐标、形状等特征的前提下,通过对陆标的探测来确定自身的位置。
同时将全局路线分解成为陆标与陆标间的片段,不断地对陆标探测来完成导航。
根据陆标的不同,可分为人工陆标导航和自然陆标导航。
人工陆标导航是机器人通过对人为放置的特殊标志的识别实现导航,虽然比较容易实现,但它人为地改变了机器人工作的环境。
自然陆标导航不改变工作环境,是机器人通过对工作环境中的自然特征的识别完成导航,但陆标探测的稳定性和鲁棒性是研究的主要问题[8]。
视觉导航主要完成障碍物和陆标的探测及识别。
Trahanias[9]利用视觉探测陆标来完成机器人导航。
其中陆标不是事先定义的人工陆标,而是在学习阶段自动抽取的自然陆标。
视觉导航中边缘锐化、特征
提取等图像处理方法计算量大,实时性差始终是一个瓶颈问题。
解决该问题的关键在于设计一种快速的图像处理方法。
Stanley[10]提出了基于神经网络的机器人视觉导航技术。
该技术中估算逆雅可比矩阵是基于视觉导航的一个关键问题。
它将图像特征的变化与机器人的位置变化对应起来,通过神经网络训练来近似特征雅可比矩阵的逆阵。
该技术,通过提取几何特征、平均压缩、向量量化和主成分提取来简化图像处理,实现实时视觉导航。
味觉导航[11,12]。
是通过机器人配备的化学传感器感知气味的浓度,根据气味的浓度和气流的方向来控制机器人的运动。
由于气味传感器具有灵敏度高、机器视觉技术的优越性响应速度快以及鲁棒性好等优点,近年来许多研究人员在气味导航技术上做了许多研究工作。
但该项技术能够真正应用到实际环境中的却很少,仍处于试验研究阶段。
FigaroEngineeringlnc.公司研制的氧化锡气味传感器,被广泛用于气味导航试验。
石英晶体微平衡气味传感器、导电聚合物气味传感器和一种模仿哺乳动物鼻子功能的电子鼻等用于移动机器人味觉导航的传感器都处于试验阶段。
目前的味觉导航试验多采用将机器人起始点和目标点之间用特殊的化学药品,如酒精和樟脑九等,引导出一条无碰气味路径,机器人根据不同的道路跟踪算法,用气味传感器感知气味的浓谈和气味源的方向进行机器人导航试验。
味觉导航的研究具有很好的研究价值,该种移动机器人可用来寻找化学药品泄露源。
3、传感器及多传感器融合技术
传感技术自80年代以来获得了迅猛的发展,它已经越来越多的被应用于各种监测系统。
移动机器人的传感技术用于对车体自身及外部环境信息的检测和处理。
移动机器人所用传感器主要分为两类——内传感器和外传感器。
(1)内传感器:
用于测定机器人自身的参数位置和方向。
常用的有计程仪、差分计程仪、磁罗盘和陀螺罗盘等。
(2)外传感器:
用于检测和处理外部环境信息。
其中,用于移动机器人测距的外传感器通常为非接触型传感器,包括声学、光学和电磁波三类。
目前常采用超声、激光、视觉等传感器。
超声传感器的优点是硬件结构简单,价格低廉,容易操作;缺点是速度慢,存在较大的波束角,且对光滑表面存在镜面反射。
激光传感器的优点是发散小或没有发散,并对大多数物体无镜面反射现象,缺点是存在潜在的安全问题(首先是人眼安全问题),且不适用于透明物质。
视觉传感器通常采用CCD敏感元件,优点是获取信息量大,缺点是计算复杂,对环境光线有一定要求。
另外,移动机器人上还有触觉、压觉、滑觉等接触型传感器。
移动机器人所用传感器主要分为两类——内传感器和外传感器。
(1)内传感器:
用于测定机器人自身的参数——位置和方向。
常用的有计程仪、差分计程仪、磁罗盘和陀螺罗盘等。
(2)外传感器:
用于检测和处理外部环境信息。
其中,用于移动机器人测距的外传感器通常为非接触型传感器,包括声学、光学和电磁波三类。
目前常采用超声、激光、视觉等传感器。
超声传感器的优点是硬件结构简单,价格低廉,容易操作;缺点是速度慢,存在较大的波束角,且对光滑表面存在镜面反射。
激光传感器的优点是发散小或没有发散,并对大多数物体无镜面反射现象,缺点是存在潜在的安全问题(首先是人眼安全问题),且不适用于透明物质。
视觉传感器通常采用CCD敏感元件,优点是获取信息量大,缺点是计算复杂,对环境光线有一定要求。
另外,移动机器人上还有触觉、压觉、滑觉等接触型传感器。
多传感器信息融合技术是指将经过集成处理的多传感器信息进行合成,形成对外部环境某一特征的一种表达方式。
在未知环境中,信息的表现形式是多种多样的,信息容量以及对处理速度的要求已大大超出人脑的信息综合处理能力,信息融合这一崭新的数据处理技术便应运而生。
经过融合的信息具有冗余性、互补性、实时性和低成本性。
多传感器信息融合基本原理和出发点就是充分利用多个传感器的资源,通过对这些传感器及其观测信息的合理支配和使用,把多个传感器在空间和时间上的冗余或互补信息,依据某种准则进行组合,以获得被测对象的一致性解释或描述,使该系统由此获得比它的各组成部分更优异的性能和更可靠的决策。
可以证明:
应用优理论融合来自多个传感器的信息总能得到比单个传感器信息更好的对象状态估计。
用于移动机器人的多传感器信息融合方法的研究从本世纪80年代中期开始起步,至今已有10余年的历史。
由于移动机器人应用领域很广,因此确定多传感器信息融合的通用方法很难。
融合的常用方法有:
加权平均法、贝叶斯估计、卡尔曼滤波、统计决策理论、D—S证据推理、神经网络和模糊推理法以及带置信因子的产生式规则。
其中加权平均法是最简单也最直观的方法,一般用于对动态低水平的数据进行处理,但结果不是统计上的最优估计;贝叶斯估计是融合静态环境中多传感器低层数据的常用方法,适用于具有高斯白噪声的不确定性传感信息融合;对于系统噪声和观测噪声为高斯白噪声的线性系统模型用卡尔曼滤波(KF)来融合动态低层次冗余传感信息,对于非线性系统模型采用扩展卡尔曼滤波(EKF)或者分散卡尔曼滤波(DKF);统计决策理论用于融合多个传感器的同一种数据,常用于图像观测数据;D—S证据推理是贝叶斯估计法的扩展,它将局部成立的前提与全局成立的前提分离开来,以处理前提条件不完整的信息融合;基于神经网络法根据系统要求和融合形式,选择网络拓扑结构,通过网络学习确定网络连接权值,对各传感器的输入信息进行融合。
系统具有很强的容错性和鲁棒性;模糊推理法首先对多传感器输出进行模糊化,将所测得的距离等信息分级,表示成相应的模糊子集,并确定模糊子集的隶属度函数,通过融合算法对隶属度函数综合处理,再将模糊融合结果清晰化,求出融合值;带置信因子的产生式规则主要用于符号水平层表达传感器信息,结合专家系统对多传感信息进行融合。
迄今为止,许多研究人员对信息融合技术的研究做出了很大的贡献。
邬永革[13]等对多传感器信息融合的概念、方法及实现等问题作了探讨。
SHouzelle和GGiraudon[14]提出了要从多传感器融合信息中获取更多潜在的优势,必须对增长的数据流、知识模型和推理决策进行控制,同时通过使用香农(Shannon)信息理论提出了各种传感器之间的冗余性及互补性的定量测量。
JKHackett和MShah[15]将多传感器信息融合的应用分为六大类,即场景分割、表达、3-D形状、传感器建模、自主机器人和目标识别。
袁军等也对多传感器信息融合的方法进行了归纳,同时也回顾了融合中的控制结构、传感器选择及环境建模等问题。
多传感器融合技术在自主车导航中的作用越来越受到重视。
如Hilare移动机器人将触觉、听觉、两维视觉、激光测距等传感器结合起来,使之能在未知环境中操作。
Stanford移动机器人将触觉、立体视觉和超声波传感器用于非结构化人为环境中的机器人导航。
Carnegie-Mellon机器人中心研制的CMU自主陆地车具有彩色TV摄像机、激光测距仪和声纳传感器。
(二)移动机器人的关键技术
1、基于行为的控制技术
基于行为控制方法是反应式系统的扩展,它介于纯粹的反应式和极端的慎思型之间。
在文献中基于行为方法和反应式方法常常被混淆,尽管两者在内部状态上没有本质的不同,但是基于行为策略要比纯粹的反应式方法优越的多.
“基于行为机器人(BBR)建立了人工智能、工程和认知科学之间的桥梁。
基于行为的方法是设计自主智能体和机器人的方法论,是智能体结构的一种形式。
正是这种结构提供了框架并且施加了某些约束,从而使机器人的控制问题得以解决。
基于行为的方法论利用了一种普遍的、生物学上的灵感,从下而上的哲学体系,并且允许了在解释、描述上的一定的自由。
基于行为的方法论的目标就是发展控制智能系统(通常是指机器人系统,也包括一些仿真机器人和其他的自主的软件智能体)的方法,使用机器人来构造模型从而更好的理解生物系统(通常是指动物,从昆虫到人类)。
”
现有的移动机器人存在的主要问题是缺乏灵活性和自主性,大多数机器人只能在预先定义的地图中或者是高度结构化的环境中执行预先规定的动作。
在陌生的环境下,机器人不能很好的完成任务,主要原因在于对环境情况的预先知识的了解是不全面的、不确定的和近似的;由于传感器自身的限制,感知信息存在不同程度的不确定性,直接使用感知信息很难得到准确的环境模型;控制作用并非完全可靠,如出现打滑等,基于行为的控制结构解决了这些问题,使机器人能够克服环境的不确定性,可靠的完成复杂任务,且效率高、鲁棒性好。
对于移动机器人的自主导航来说,所具备的行为包括紧急行为、避障行为、任务行为(包括障碍物识别及环境探索),每种行为有不同的优先级,其中紧急行为优先级最高,避障行为次之,任务行为优先级最低,整个体系结构如图1.6所示
图1.6基于行为的控制结构
2、移动机器人的主动视觉技
1.主动视觉的定义:
主动视觉(ActiveVision)是当今计算机视觉和机器视觉研究领域中的一个热门课题。
主动视觉强调的是视觉系统与其所处环境之间的交互作用能力。
具体地说,主动视觉系统应具有根据自己在当前环境中所处的状态,如几何位置、姿态,摄像机的成像光学条件等,调整自身各部分的状态参数,使其能够达到一个佳成像状态,从而使系统能够方便地完成特定的视觉任务,如动态地跟踪物体的运动。
由此可见,主动视觉系统就是能够支持主动视觉功能的实验演示系统,又称为图像采集平台(multi-DOFimagegrabplatform)。
通过视觉信息进行导航控制是随着计算设备运算速度和存储容量的快速发展、图像技术的进步而提出来的。
视觉系统在导航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,而辨识主要是路标和目标物体的识别。
其目的是为移动机器人提供相关的环境信息如障碍物相对机器人的位置信息,机器人在全局坐标下的位置信息,甚至运动物体的速度、方向、距离信息,以及目标的分类等。
视觉导航的优点在于其探测的范围广,取得的信息丰富,其难点在于机器人导航使用的视频图像信号数据量很大,要求较高的实时数据处理能力,同时从图像中提取对导航有价值的信息也是一个富有挑战性的工作。
2.视觉系统的组成
机器人视觉系统从功能上看可分成图1.7所示三部分。
其中摄像头的作用是摄取环境中的情况,产生连续帧(或场)的视频图像。
这些视频图像通过A/D转换,生成相应的数字图像,然后再由图像识别算法对这些数字图像进行辨识,得到所需数据。
机器人视觉系统就其实现方案而言,可分为三类[27]:
第一类是所谓的软件法,该法是指图中的A/D功能由专门的图像采集卡实现,而图像识别算法则由装入主计算机的程序完成。
因为单纯实现A/D功能的图像采集卡结构简单,通用性强,在市场上较普遍,而在PC机上开发软件算法也较方便,因此软件法是比较容易实现的方法。
但是由于主机要完成大量的数字图像信息的处理,工作量很大,所以实时处理的速度是此类方法的开发重点和难点;第二类是硬件法,它将图中A/D和图像识别算法固化在一块数据采集处理板上,图像采集板完成图像的数字化转换、图像压缩、分析和处理的功能,向主机传送图像处理后的结果。
由于大量的图像处理、分析动作都由图像采集板完成,减轻了主机的负担,是提高系统的实时处理速度的有利手段。
由于问题的具体性,采用此法需独立开发出一块数据采集板,所以通用性不强,设计周期长,成本高;第三类是软、硬件结合法,在这种方法中,数据采集处理板可实现A/D功能和部分简单但量大的图像辨识任务,然后将中间辨识结果传给计算机,在计算机上完成剩余的量小但复杂的辨识计算任务。
这种方式下,图像的通用性强,开发周期短。
显然采用软硬件结合法,要比采用硬件法开发数据采集处理板的难度小,但是该方法所需的采集卡价格贵,费用也较高。
3.视觉系统的工作原理:
无论采用哪种方式,机器人视觉子系统一般都具有如下的功能模块:
图像采集、图像分割、目标识别和目标跟踪。
(a)图像采集、
通过摄像头将环境中的现实情况采集到计算机内存,供视觉处理软件分析。
主要用摄像头、图像采集卡等硬件设备来完成。
(b)图像分割
也就是图像的二值化,是将彩色图像中各像素区分成不同对象的子类。
经过像素分类处理后,彩色图像变为二值图像(感兴趣的目标点为1或255,背景点为0,也可以根据算法实现的需要设置其它值)。
在二值图中,分离出各个独立的目标区域。
图像分割是在颜色分割的基础上进行的,对图像进行颜色分割后,就可以获得多个二值化图像结果,这