北斗导航辅助移动机器人同时定位和地图构建研究

针对未知环境下移动机器人实时构图和导航问题,将基于激光的环境特征提取和地图构建技术与北斗卫星导航相结合,设计了一种基于特征地图的移动机器人自主导航系统。利用激光提取环境信息,采用点和直线段进行环境表示,结合里程计进行定位,同时进行地图构建。然后在地图上关联北斗坐标,丰富地图信息,根据路径规划方法实现移动机器人自主导航。在Poineer3-AT机器人上实验表明:该方法能够快速提取直观的表示环境信息,并实现自主导航功能,有效提高了移动机器人导航能力。     

基于强化学习的机器人路径规划算法

提出了一种基于强化学习的机器人路径规划算法,该算法将激光雷达所获取的移动机器人周围障碍物信息与目标点所在方位信息离散成有限个状态,进而合理地设计环境模型与状态空间数目;设计了一种连续的报酬函数,使得机器人采取的每一个动作都能获得相应的报酬,提高了算法训练效率.最后在Gazebo中建立仿真环境,对该智能体进行学习训练,训练结果验证了算法的有效性;同时在实际机器人上进行导航实验,实验结果表明该算法在实际环境中也能够完成导航任务.     

移动机器人的并行免疫计算模型

为了支持未知环境下移动机器人自主导航，提出了移动机器人的并行免疫计算模型，为解决其在线导航优化、病毒／路障识别和计算效率问题提供了基础组织。免疫计算模型分为固有免疫计算层、适应性免疫计算层和并行／分布式计算层，并行免疫计算模型建立在此3个免疫计算模型基础上。探讨了移动机器人并行免疫计算模型的负载极限和负载平衡，分析了此类移动机器人系统的鲁棒性；提出了移动机器人并行免疫计算模型用于路障识别的方法。移动机器人并行免疫计算模型的复杂性分析及仿真结果表明，并行计算能提高其效率；仿真结果表明，移动机器人可消除病毒，并具有较高计算性能。     

基于自适应模糊神经网络的机器人路径规划方法

为了解决传统反应式导航中的复杂陷阱问题,优化导航控制,减少计算复杂度,提出了基于自适应模糊神经网络的机器人导航控制及改进型虚目标路径规划方法.首先根据移动机器人运动学模型,融合神经网络的自主学习功能与模糊控制的模糊推理能力,提出了基于自适应模糊神经网络的机器人导航控制器,将生成的Takagi-Sugeno型模糊推理系统作为机器人局部反应控制的参考模型.该自适应模糊神经网络控制器实时输出扰动角度,在线调整移动机器人的预瞄准方向,使移动机器人能够无碰撞趋向目标.然后,提出了一种改进型虚目标方法,优先选择机器人可能逃脱陷阱状态的路径,简化了设计难度,改变了虚目标切换方式,避免了大量复杂计算.实验结果表明,提出的方法可以帮助机器人在全局信息未知的复杂环境中导航,在趋近目标点的过程中能有效避障,无冗余路径产生,且轨迹平滑.     

基于动力学系统方法的自主移动机器人行为设计

提出了动态障碍物环境下基于动力学系统方法的移动机器人行为设计.在行为动力学模型中考虑障碍物运动速度和运动方向,使得移动机器人具有根据移动障碍物的运动而调整自身线速度和角速度的能力,实现自主避障.用碰撞时间和碰撞角度描述的碰撞区域作为对移动机器人运动的约束,这样可消除无谓的避障运动.仿真结果表明所提出的设计方法能有效地改善动态环境下的移动机器人自主导航能力和工作效率.     

一种基于BoW物体识别模型的视觉导航方法

针对复杂的室内环境,提出一种新的动态环境下的移动机器人视觉导航方法.该方法以室内常见物体作为自然路标,通过单目视觉建立识别模型来认知环境中的各种物体.首先对室内常见物体建立图像库,并对库中的大量图像采集SIFT特征;然后通过BoW模型来描述各幅图像,针对每类物体利用线性支持向量机(SVM)训练出物体识别模型;最后借助交互的手绘地图描述室内环境,移动机器人从中获得辅助路径以及自然路标的大概位置,从而完成导航任务.通过大量实验,从自然路标变化、目的区域变化、手绘地图偏差等多角度验证该方法的鲁棒性.实验结果表明,该导航方法操作简单高效,并具有人机交互性强、动态环境下适应能力高的优点.     

动态环境中移动机器人多状态转换自主导航

针对已有的移动机器人自主导航方案在通过狭小区域及动态障碍物区域时,容易陷入局部极值,导致移动机器人无法通过的问题,提出一种多状态转换的自主导航方案.移动机器人根据当前传感器信息,在初始运动、全局规划、局部规划及终止运动四种状态之间转换,不仅能够应对动态环境,而且能改善移动机器人速度震荡的问题,在复杂环境中表现得更加具有鲁棒性.实验验证表明:在狭小环境及动态的超市环境中,多状态转换自主导航方案的表现优于ROS(机器人操作系统)开源的Navigation导航方案.     

景深约束下的深度强化学习机器人路径规划

为了提高未知环境下移动机器人的探索能力,基于深度强化学习训练提出一种基于最小深度信息有选择的训练模式,通过运动学方程约束,优化了状态空间的搜索与采集,提高了训练速率.在仿真未知环境中通过将RGB-D传感器的深度图像作为机器人的状态输入,学习模型将直接输出机器人的速度与角度并进行运动决策,验证了机器人路径规划控制策略.研究结果表明:在相同的训练时间下,所提出的训练模式对未知环境有更好的探索能力.     

室外区域充满运行机器人导航定位的一种策略

该文根据在室外非结构化环境中实现区域充满运行的一类移动机器人的工作特点，提出了利用组合定位系统和数字地图匹配算法对机器人进行导航定位的一种策略。利用基于环境特征位置探测和数字地图信息匹配相结合对定位误差进行修正的方法来提高机器人导航定位精度。该方法克服了传统导航定位方法存在累积误差和系统复杂、成本高等缺点。经实验验证：该文提出的定位系统和误差修正的方法能满足移动机器人区域充满运行的定位精度要求。     

一种自主移动机器人智能导航控制系统设计

提出一种实用的自主移动机器人智能导航控制方案,以研制的模型样机HN-9为例,阐述了其具体实现技术.机器人采用扫描式超声波实现作业环境的探测,基于码盘和电子罗盘的组合导航子系统实现定位估计,利用模糊决策子系统产生反应式智能导航控制行为.仿真实验及模型样机的实际运行效果验证了该系统构成的可行性.这种模块化的低成本设计方案便于在移动机器人的嵌入式控制系统上实现,便于对已有移动机器人系统进行改造以实现自主导航功能,用以提高操作机动性与可靠性.     

未知环境下基于模糊神经网络的机器人路径规划

为提高移动机器人在未知环境下避障行为的成功率,通过对障碍物信息的输入,从控制输出数据中找出避障行为模式,生成相应的模糊逻辑控制规则,并把模糊控制算法引入到神经网络中,使得模糊控制器规则的在线精度和神经网络的学习速度均有较大的提高,使移动机器人具有较为迅速的反应能力,实现机器人连续、快速地避障并最终到达目标.系统仿真证明了模糊神经网络在移动机器人路径选择中的智能性.     

变电站巡检机器人避障方法研究与应用

为提升变电站巡检机器人的导航避障能力,将深度学习技术应用于变电站场景识别中,提出了一种基于深度卷积神经网络的避障方法.该方法联合图像分类和语义分割两个分支来共同辅助机器人导航避障,分类分支通过获取图像全局信息,保证机器人正确行驶方向;而语义分割支路则根据图像局部信息以及机器人前方目标类别,指导机器人准确避障.实验结果表明,避障方法可以高效地对图像进行分类和分割,同时,在实际变电站环境中,该方法也能为巡检机器人提供有效的避障信息,实现实时自主避障.     

基于捷联惯导的蛇形管道机器人定位算法

为解决蛇形管道探测机器人因处于地下管道，难以定位的问题，本文基于牛顿第二定律为蛇形管道探测机器人设计了一种高精度的捷联式惯性导航定位系统（Strap-down Inertial Navigation System SINS）。本系统搭载九轴惯性测量器件（IMU）对蛇形机器人的加速度及角速率信息进行测量，融合卡尔曼滤波算法对定位系统进行误差补偿，采用四元数法构造捷联式惯性导航系统姿态矩阵进行姿态更新，再积分得到速度和位移。利用MATLAB软件根据上述算法对机器人的速度、位移进行分析计算，并与机器人真实的速度位移做比较，验证算法的可靠性。实验结果表明，该算法的定位误差最大不超过4.7%，能够为管道探测机器人提供准确地速度和位置信息，具有较高的实用价值和意义。     

基于传感器数学模型的数据融合方法及避障研究

文章介绍了超声波传感器测距中存在的问题,提出了基于传感器数学模型的数据融合方法,在此基础上建立基于信息融合的移动机器人导航系统;结合模糊逻辑控制的方法,设计了符合人类驾驶经验的模糊控制器,以实现移动机器人在障碍物环境下的自主导航;最后用MATLAB模糊工具箱对该模糊控制器进行了仿真,结果表明,机器人能够自主避开障碍物,到达目的地。     

自主移动机器人的模糊智能导航

移动机器人在运动过程中所获得的传感器信息是动态且不确定的。移动机器人的控制采用了基于行为的结构，它能够克服环境的不确定性，可靠地完成复杂任务，且效率高，鲁棒性好。为了实现机器人在未知、动态、复杂环境下具有一定智能的自我决策的能力，利用模糊控制器来完成移动机器人的各种自主行为，所有被激活的行为采用分划方法来融合，可以很好地处理不确定的情况。最后通过仿真验证了该方法对移动机器人导航的有效性和可行性。     

基于多传感器的移动机器人对感知环境的识别

提出一和中用于移动机器人对当前感知一半空间进行识别和分类的新方法。     

小波提升方法在移动机器人导航图像去噪中的应用

小波提升算法能够将复杂的滤波过程分解成多个简单步骤,且分解的每一步都可逆.针对光照不均匀、烟雾和灰尘等复杂环境下,移动机器人视觉系统所提取的图像有大幅度噪声,实验利用小波提升算法的快速去噪,并通过仿真实验验证了该方法的有效性.实验结果证明该方法既能够计算快捷精确,又能够节省内存,能够提高移动机器人视觉导航系统的整体反映速度.