移动机器人导航技术现状与展望(1)

2.1 路径规划

路径规划是研究自主移动机器人技术的一个活跃课题，所谓路径规划是指移动机器人按照某一性能指标搜索一条从起始状态到目标状态的最优或次最优的无碰路径。根据掌握环境信息的完整程度可分为环境信息完全已知的离线全局路径规划和环境信息完全未知或部分未知的在线局部[5]。

路径规划，分别称为静态路径规划和动态路径规划，确定环境下的全局路径规划研究已取得了丰硕的成果。近年来，学术界的研究重点集中在环境部分已知和完全未知的局部路径规划领域[6]。

全局路径规划的主要方法有: 可视图法(V2Graph)、栅格法(Grids)等。所谓图就是用弧连接节点的数据结构，节点意味着机器人的位置，弧意味着两个位置间的移动，在图上给出距离、工作量或时间。可视图法将机器人、目标点和多边形障碍物的各顶点视为节点，把机器人、目标点和多边形障碍物的各顶点进行组合连接，连接的直线视为弧，要求机器人和障碍物各顶点之间、目标点和障碍物各顶点之间以及各障碍物顶点与顶点之间的连线均不能穿越障碍物，即直线是可视的。从而最优路径搜索问题就转化为在这些直线中搜索从起始点到目标点的最短距离问题。可视图法能求得最短路径，但缺乏灵活性，若障碍物过多，搜索时间会很长。采用优化算法删除一些不必要的连线，可以简化可视图，缩短搜索时间。可视图法适用于多边形障碍物，对于圆形障碍物该法失效。切线图(Tangent Graph)法和Voronoi图法对可视图法进行了改造[7]。切线图(如图1)用障碍物的切线表示弧，因此是从起始点到目标点的最短路径的图，即移动机器人必须几乎接近障碍物行走。其缺点是如果控制过程中产生位置误差，机器人碰撞障碍物的可能性会很高。图2用尽可能远离障碍物和墙壁的路径表示弧。由此，从起始节点到目标节点的路径将会增长，但采用这种控制方式时，即使产生位置误差，移动机器人也不会碰到障碍物。栅格法将机器人的工作环境分解成一系列具有二值信息的网格单元，每个矩形栅格有一个累积值，表示在此方位中存在障碍物的可信度，高的累积值表示存在障碍物的可能性高。传感器不断快速采样环境，存在障碍物的栅格将会不断被检测到，从而导致高的累积值。栅格大小的选择直接影响着控制算法的性能，栅格选得小，环境分辨率小，但抗干扰能力弱，环境信息存储量大，决策速度慢；栅格选得大，抗干扰能力强，环境信息存储量小，决策速度快，但分辨率下降，在密集障碍物环境中发现路径的能力减弱[8]。

图1切线 图2 voronoi图

Fig.1 tangent graph Fig.2 voronoi graph

局部路径规划的主要方法有:人工势场法、模糊逻辑算法、遗传算法等。人工势场法是由Khatib提出的一种虚拟力法，其基本思想是建立一种虚拟力，将机器人在未知环境

中的运动视为在人工虚拟力场中的运动，即目标对被规划对象存在吸引力，而障碍物对其有排斥力，引力与斥力的合力作为机器人运动的加速力，从而计算机器人的位置和控制机器人的运动方向。势场法结构简单，便于低层的实时控制。其缺陷主要有四个方面: (一)存在陷阱区域；(二)在相近的障碍物群中不能识别路径；(三)在障碍物前震荡；(四)在狭窄通道中摆动。因而可能会使机器人在到达目标前就停车。模糊逻辑算法是通过对驾驶员的工作过程观察研究得出的。驾驶员的避碰动作并不是对环境信息的精确计算来完成的，而是根据比较模糊的环境信息，靠经验来决策采取什么样的操作。模糊逻辑算法基于实时传感器的信息，参考人的驾驶经验，通过查表得到规划出的信息，完成局部路径规划。该法克服了势场法易产生局部极小的问题，计算量不大，易做到边规划边跟踪，适用于时变未知环境下的路径规划，实时性较好[9]。遗传算法(GA)是Holland教授与1962年首先提出的。遗传算法是一种基于自然选择和基因遗传学原理的搜索算法。遗传算法借鉴物种进化的思想，将欲求解的问题进行编码，每一个可能解均被表示成字符串的形式，初始化随机产生一个种群的侯选群，种群规模固定为N，用合理的适应度函数对种群进行性能评估，并在此基础上进行繁殖、交叉和变异遗传操作。

适应度函数类似于自然选择的某种力量，繁殖、交叉和变异这三个遗传算子则分别模拟了然界生物的繁衍、交配和基因突变。多数优化算法都是单点搜索算法，很容易陷入局部最优，而遗传算法却是一种多点搜索算法，因而更有可能搜索到全局最优解。遗传算法用于复杂环境下路径规划存在以下缺陷: (一)路径个体编码设计若不合理，会导致进化缓慢、进化过程中产生非法个体；(二)若遗传算子选择不合理，进化效果不明显；(三)若规划过程中没有利用背景知识，进化效率不高。 3.3 多传感器信息融合

传感器作为移动机器人获取环境信息的接口，在机器人导航系统中起着举足轻重的作用。由于单一传感器信号难以保证输入信息的准确性和可靠性，不足以反映外界环境信息，致使机器人无法做出正确的决策，而采用多个传感器则有很多优点，如多个传感器可提供同一环境的冗余信息和互补信息；多信息可以并行快速地分析现场环境；在某一传感器发生故障时，可迅速重组，重新投入工作[10]。多传感器信息融合便是针对一个系统中使用多个或多类传感器这一特定问题而展开的一种信息处理的新的研究方向，其目的是通过一定的技术手段，充分利用多数据源的互补性和计算机的高速运算来提高信息处理结果的质量，保证机器人系统的快速性和准确性。

移动机器人的多传感器信息融合技术的研究始于20世纪80年代，也形成了很多方法。 常用的方法有：加权平均法、贝叶斯估计、多贝叶斯方法、卡尔曼滤波、D2S证据推理、模糊逻辑、产生式规则、人工神经网络等[11]。

加权平均法是将多个传感器的信息数据进行加权平均，是一种最简单、最直观的多传感器低层数据融合方法，一般用于对动态低层数据进行处理，缺点是难以取得最佳权值，权值的获取往往需要大量的实验，其结果不是统计上的最优估计。

用一致传感器的贝叶斯估计方法是融合静态环境中的多传感器低层数据的一种常用

方法，其原理是根据已发生的事实对未发生的事件进行概率的判断，首先去除可能有错的传感信息，然后对剩下的“一致传感器”提供的冗余信息进行融合处理，适用于具有高斯白噪声的不确定性传感信息融合，一般只能对相同特征的信息进行合理的数据融合。

在多贝叶斯方法中，将所有传感器视为一个由多个决策者组成的小组，这些传感器必须确定该小组一致的结果，适用于静态环境。

卡尔曼滤波用于实时融合动态低层传感器数据，该方法用测量模型的统计特性递推决定统计意义下最优融合数据估计。如果系统具有线性动力学模型，且系统噪声和传感器噪声是高斯分布的白噪声模型，卡尔曼滤波为融合数据提供唯一的统计意义下的最优估计。卡尔曼滤波具有计算速度较快，所需存储空间不大的优点，因而在多传感器数据融合领域中应用得非常成功[12]。 4 移动机器人导航技术展望

随着计算机技术、传感技术、控制技术、材料技术的发展，特别是网络技术和图像信息处理技术的迅猛发展，自主式移动机器人智能导航的研究已取得了丰硕的研究成果，其应用领域不断扩大，应用的复杂程度也越来越高，因此对移动机器人导航及其相关技术提出了许多新的要求。

(1)视觉导航具有探测范围广、目标信息完整等优点，仍是今后导航技术的主要发展方向。视觉导航技术已取得了很多研究成果，但由于现有计算设备的运算速度和存储容量的限制，其中的图像处理速度慢始终没有得到很好解决，相信随着计算机技术的发展以及对静态和动态图像信息的处理方法研究的深入，这一问题最终将得到解决。

(2)移动机器人执行任务时，系统的实时性是不容忽视的问题。上述的图像处理技术以及模式识别的研究将有助于这一问题的解决[13]。

(3)在很多应用场合，要求移动机器人体积小、自重轻、负载能力强，因而需要开展导航系统的分布式结构研究。所谓分布式结构是指通过网络把机器人的决策级操作分解到机器人自身的计算机和远端的主计算机。机器人把采集到的视觉信号和传感信号按照一定的标准合成，再传送到远端的计算机上进行分析处理,然后发出控制信号以控制机器人执行相应操作。这样既可以提高系统的鲁棒性,也减小了机器人的体积和自重。

(4)常规传感器和多传感器信息融合技术在移动机器人导航中的应用已取得了许多重大成果，但在一些特殊的环境中，非视觉传感器的探测范围和精度与视觉导航系统相比不是很理想，对于一些高精度的导航任务还不能胜任，因而需要开发出新型传感器及提出新的信息融合方法来弥补不足。

(5)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若干低层工作，因此研究机器人导航的通用接口模块是今后研究的一个重要课题。

(6)目前，多机器人系统是机器人技术发展的主要方向。多机器人系统的导航，则是研究的重点，已经提出了由利用空间通信手段的控制中心发送指令的控制方案来实现多机器人系统的导航[14]。

(7)网络技现在已渗透到人类社会的各个领域，网络机器人也就随之产生。基于网络

的机器人控制就是利用互联网实现远程的机器人控制，其导航问题也是智能机器人导航技术一个研究方向。

参考文献：

[1]白井良明著.王棣棠译[M].机器人工程.科学出版社,2001年2月.

[2]李磊,叶涛,谭民,陈细军.移动机器人技术研究现状与未来[J] .机器人,2002,24 (5) : 475 - 480. [3]马兆青,袁曾任.基于栅格方法的移动机器人实时导航与避障[J] .机器人,1996,18 (6) : 344 - 348 .

[4]崔茂源,田彦涛,赵中祺.基于模糊逻辑的自主移动机器人实时滚动路径规划及控制[J ] .吉林工业大学自然科学学报,1999,(1) : 58 - 63 .

[5]马明山,朱绍文,何克忠,李相伟. 室外移动机器人定位技术研究[J].电工技术学报,1998年 4月,43 - 46 . [6]李开生,张慧慧,费仁元,宗光华.定位传感器及其融合技术综述[J].计算机自动测量与控制,2001年9月,1 - 3 .

[7]王宏,张钹.基于地图的室外移动机器人路径规划和导航系统[J] .机器人,1994,16 (1) : 24 - 29. [8]欧阳正柱,何克忠.GPS在智能移动机器人中的应用[J].微计算机信息,2001年11月.

[9]赵翊捷,陈卫东.基于地图的移动机器人定位技术新进展[J].上海交通大学学报,2002年10月,1435 - 1438.

[10]姜若愚,范丰仙.智能机器人传感器的研究评述[J].湖南大学学报,1994年10月,96 - 100 .

[11]肖海荣,富文军,张晓军,周风余,李贻斌等.基于多传感器数据融合的移动机器人导航[J].系统工程与电子技术,2001,(7) : 66 - 69 .

[12]王军,苏剑波,席裕庚.多传感器集成与融合概述[J].机器人,2001,23(2) : 182-92 .

[13]Li Wei.Behavior based control of a mobile robot in unknown envi2 ronments using fuzzy logic [J] .Control Theory and Applications,1996年4月,153 - 161 .

[14].AM ES F.GIL DE LAMADRID &MARIA L .GIN I.Pat h tracking t hrough uncharted moving obstacles [A]IEEE Transactions on System,Man,and Cybernetics[C].1990年11月,1998- 1422 .

[15]Khatib.Real2time Obstacle for manipulators and mobile robot [J].The International Journal of Robotic Research.2013年5月,90 - 98 .