导游服务移动机器人（共8篇）
导游服务移动机器人 篇1
0 引言
人脸特征是人的重要特征之一,所以本文主要采用基于人脸特征的目标人确认算法来寻找到指定的服务目标人。基于人脸生物特征的身份识别是人机交互的关键任务之一,能够确认跟踪的初始化目标,并保证机器人在跟踪丢失情况下重新搜索服务对象并继续对其跟踪。由于服务机器人的移动性及对象身体姿态的可变化性,基于人脸特征的身份确认方法必须包括候选人脸搜索检测与人脸特征模式识别两部分。前者从机器人实时采集图像中检测人脸具体位置、大小等,获得候选人脸信息;后者利用人脸稳健特征在事先建立的人脸特征库中进行比对,实现人脸识别,确认是否是指定的服务目标人。
在实际应用中,由于背景的复杂多变性,光照的不均匀性等各种外界环境条件,还有目标人的非刚性、人脸的表情多变性等,这些条件的限制使得人脸检测与识别成为一项极具有挑战性的课题。目前人脸检测技术的方法较多,对于室内服务目标人脸检测的方法在前面的研究工作中已有较详细的叙述,并提出人脸肤色的标准混合高斯模型法与人眼区域Gabor变换相关性方法检测人脸[1],可以有效地提高检测率与检测速度。本文主要研究在人脸已检测到的基础上对指定服务目标人的识别。人脸识别技术是近年来计算机视觉、图像处理与模式识别以及人工智能等领域研究的热点之一。虽然人脸识别技术已有较成功的应用,但还是受到光照和姿态的限制。过去十几年人脸识别方法主要有基于整体(holistic)识别方法和基于特征(feature)脸识别方法。与整体人脸识别方法比较,特征脸方法对光线变化不敏感,基于特征的识别方法首先提取人脸的一些局部器官的特征,例如眼、鼻、嘴等;然后将这些特征及其位置关系信息、局部统计属性等作为人脸模式分类器的输入,这一类方法主要应用于静止图片的人脸识别。Samaria[2]最早建议了关于人脸的隐马尔可夫模型,他将人脸图像分成相互有一定重叠区域的小块,将小块内的二维图像转换为一个一维的灰度值向量然后将这个向量作为隐马尔可夫模型(Hidden Markov Model,HMM)的观测向量,用以训练模型参数。在此基础上,Nefian[3]发展了HMM人脸识别方法,提出39个二维离散余弦变换特征系数作为观测序列,不仅减少了计算量而且保持Samaria的识别效果。目前,对于基于视频的人脸识别研究较多,由于视频序列中获得的人脸图片较小,所以给人脸识别带来较大的困难。梁国远等人[4]通过图像序列构建三维模型,采用小波技术识别人脸。由于Gabor小波的固有特性[5],基于Gabor小波人脸识别方法[6]取得较好的效果。
鉴于机器人在线处理的实时性要求,本文并不采用局部特征脸方法以及人脸三维视图重建法[4],又由于正常人机交互时人脸姿态的变化,整体人脸法也不适用。本文根据人脸五官结构关系不变的原理,提出采用Samaria模型法分割人脸,将每一分块进行Gabor变换,建立HMM模型识别目标人脸,从而完成服务目标的在线确认。
1 服务目标人确认的基本原理
本文在人脸位置已检测到的基础上进行目标人的确认。人脸检测采用人脸肤色的标准混合高斯模型与人眼Gabor特征相结合的方法[1],主要针对室内移动机器人实时而稳定地检测目标人脸提出的。在肤色候选区域中进一步利用人眼特征进行验证,以克服类似肤色干扰。首先在每个肤色模块区域根据人眼颜色与人脸肤色明显不同的特性快速找到人眼候选区域。然后基于Gabor变换的时频特性,对每个候选人眼区域求取其Gabor矩。接着对每个肤色区域的候选人眼区域与人眼模板的Gabor矩进行相关性计算,根据一定阈值与人眼特征确定肤色区域是否有人眼。最后根据检测的人眼数,综合利用投影法和人眼与人脸位置关系法检测出人脸区域。对于移动机器人视觉在线检测到人脸的基础上,提出采用Samaria模型法在线分割每个人脸区域,并将每一人脸区域的每一分块进行Gabor变换,对每个人脸区域建立HMM模型识别目标,从而完成服务目标的确认,其原理框图如图1所示。
2 服务目标人确认算法
2.1 基于标准混合高斯模型的人脸检测法
本文采用基于标准混合高斯模型法检测人脸区域,前面工作已有详细分析[1]。在彩色空间中,皮肤的颜色比较集中,与其他景物颜色有较好的区分性。图像中皮肤颜色之间的差异,主要是由光照引起的。在检测过程中,只考虑色度信息,就可以减少光照的影响,使皮肤的分布更趋集中。常用颜色空间、标准rgb颜色空间及YCbCr颜色空间[1]。由于YCbCr变换简单且符合人脸肤色分布,所以本文使用YCbCr颜色模型,使用色差分量Cb和Cr进行肤色检测,取[Cb,Cr]T作为颜色特征向量。由于YCbCr颜色模型是从RGB颜色模型线性变化而得,所以直接将Cb、Cr应用于物体的颜色聚类会影响聚类结果。Anil K.Jain[168]提出将YCbCr进行分段非线性色彩变换,即将YCbCr颜色空间变化成Ycb'Cr'颜色空间,并证明变换后的色彩空间对人脸肤色具有更好的聚类性。因此,本文采用经过Anil K.Jain提出的分段非线性变换的色彩空间对人脸区域进行聚类。人脸肤色的标准混合高斯模型法与人眼区域Gabor变换相关性方法进行人脸检测分析[1],可以有效地提高检测率与检测速度。根据肤色模型,采用相似度提取图片中肤色模型块。如果背景与目标人体存在与人脸肤色相近的区域,求出的肤色模型块并不一定全是所要检测的人脸区域,因此需要再根据人脸特征进一步确定肤色模块是否具有人脸特征。为快速找到人脸特征,在每个肤色模块区域,根据人眼颜色与人脸肤色明显不同的特征,确定候选人眼区域。基于Gabor变换的时频特性,对每个候选人眼区域求取其Gabor变换特征,并求其Gabor矩。然后对每个肤色区域的候选人眼区域与人眼模板的Gabor矩进行相关性计算,根据一定阈值与人眼特征确定肤色区域是否有人眼。根据检测的人眼数,提出综合利用投影法和人眼与人脸位置关系法检测出人脸区域。
2.2 基于HMM的人脸识别方法
2.2.1 HMM基本模型
Markov链是Markov随机过程的特殊情况,即Markov链是状态和时间参数都离散的Markov过程,其数学意义上定义为[3]:
假设随机序列,在任一时刻,它可以处于状态,且它在时刻所处的状态为的概率,只与它在时刻的状态有关,而与时刻以前它所处状态无关,即有:
其中,q1,q2,…,qm+k∈(S1,S2,...SN)则称Xn为Markov链,并且称
(1≤i,j≤N,m,k为正整数)为k步转移概率,当pij(m,m+k)与m无关时,称这个Markov链为齐次Markov链,此时。pij(m,m+k)=pij(k)
当k=1时,称pij(1)为一步转移概率,简称为转移概率,记为aij,所有转移概率aij,1≤i,j≤N可以构成一个转移矩阵A,且有0≤aij≤1,。由于k步转移概率pij(k)可以由转移概率aij得到,因此描述Markov链最重要的参数就是转移概率矩阵A。但转移概率矩阵A决定不了初始分布,即由A求不出q1=Si的概率,这样,完全描述Markov链,除矩阵A外,还需要初始概率矢量π(π1,π2,…,πn),其中πi=p(q1=S1),0≤i≤N显然有0≤πi≤1,。
HMM是在Markov链的基础上发展起来的。由于实际问题比Markov链模型所描述的更为复杂,观察到的事件并不是与状态一一对应,而是通过一组概率分布相互关系,这样的模型就称为HMM。它是一个双重随机过程,其中之一是Markov链,这是基本的随机过程,它描述状态的转移。另一个随机过程描述状态和观察值之间的统计对应关系。这样,站在观察者的角度,只能看到观察值,不像Markov链模型观察值和状态一一对应,因此不能直接看到状态,而是通过一个随机过程去感知状态的存在及其特性。因此称为隐Markov模型,即HMM。
一个HMM可以由下列参数描述:
N:模型中Markov链状态数。记N个状态为SiSi,.....,Sn,记t时刻Markov链所处的状态为qt,qt∈(Si,Si,.....,Sn)。
M:每个状态对应的可能的观察值的数目。记M个观察值为V1,V2,......,VM,记t时刻观察到的观察值为Ot,其中Ot∈(V1,V2,.....,VM)。
π:初始状态概率矢量,π=(π1,π2,.....,πn),其中πi=p(q1=S1),0≤i≤N。
A:状态转移概率矩阵。
B:观察值矩阵,B=(bij)N×M,其中bjk=p(q1=S1),0≤i≤N。
这样,就可以记一个HMM为
λ=(N,M,π,A,B)有时简记λ=(π,A,B)。
将HMM模型应用于实际之中必须解决以下三个基本问题:
1)给定模型产生观察序列的概率p(O|λ);
2)如何选择一个最佳状态序列
,以最好地解释观察序列O;
3)如何调整参数λ,以使p(O|λ)达到最大。
给定观测序列值{Ot}和选取的初始模型λ=(π,A,B),通常采用Baum-Welch重估方法[3],确定新的,亦得,即是通过最大似然估计获得新的参数。在给定模型参数和观测序列后,通过向前向后算法(forward-backward procedure)计算p(O|λ)[3]。
2.2.2 HMM基本模型
利用隐Markov模型对人脸进行描述和识别,不是孤立地利用各个器官的特征,而是把这些特征和一个状态转移模型联系起来。Samaria最早建议了关于人脸的隐马尔可夫模型,他用一个矩形窗从上到下采样人脸图像,将窗内的像素点排成列向量,用灰度值作为观察值。Samaria最初提出人脸的HMM模型:人脸图像包含头发、额头、眼睛、鼻子和嘴巴5个显著的特征区域,即使头部有一些偏转或者倾斜,它们的次序从上到下保持不变,可以认为这五个显著区域隐含着5个状态,如图2所示。在其基础上建立用于人脸描述和识别的HMM模型。这种模型既考虑了人脸各个器官特征的不同,又考虑了它们之间的相互关系,比孤立用各个器官更有效。
Nefian[3]在Samaria的基础上提出了基于二维DCT特征的提取方法,他用39个二维DCT系数作为观察序列,代替Samaria的灰度值序列,这在一定程度上解决了Samaria的大量数据的缺陷,不仅减少了计算量,并且保持了Samaria的识别率。本文在他们的基础上提出采用Gabor人脸特征法的HMM人脸识别方法。
据Samaria[2]人脸结构模型,将人脸图像从上到下分块,一幅宽为W高为H人脸图像被分成相互重叠的宽W长为L的小块,重叠区域的大小为宽W长为P,如图2所示。
对每个分块求Gabor变换[5],选取Gabor参数作为状态向量,则将如图3所示的人脸分成五块,则HMM模型如图3所示。
采用经典的HMM模型法训练参数[3],获得最优参数估计,对每个人建立好一个模型。对待识别的人脸图像进行图像分块、Gabor特征参数提取,与数据库中保存的人脸进行比较,采用相似度函数法,求出相似概率最大者,为对应的待判别人脸。
3 实验分析
本实验人脸库主要采集实验室多名成员在不同季节及不同时刻下采用各种姿势的上半身图像。对同一个人采集40张人脸(包含眼、鼻、嘴)图像,其中20张作为训练样本,20张作为识别样本,共采集10个人的人脸图像作为实验室人脸库FaceBase。由于每张人脸的大小、对比度、人脸的位置以及视距等差异,为提高识别的准确率,人脸图像需要进一步的处理。采用R.Beveridge[7]对每一张人脸样本进行几何变换,通过旋转缩放及尺寸变换,将其变换为48×48像素(pixels)。由于光照等不均衡,也会影响识别效果,因此将标准化后的人脸经直方图均衡化处理。如图4是实验室人脸库中部分成员各种姿势的人脸标准化图像。
据Samaria[2]人脸结构模型,将人脸图像从上到下分块,一幅宽为W高为H人脸图像被分成相互重叠的宽W、长为L的小块,重叠区域的大小为宽W、长为P。在本实验中设置50%的覆盖率,其L=16,P=8。将训练样本180张图像经过结构化变化,对每块提取Gabor系数;然后进行参数初始化,进入参数估计流程[3],直至似然函数收敛为止。建立好训练样本的λ模型后,对待识别的人脸图像进行分块,计算Gabor变换系数,与数据库中保存的人脸λ相比较,求出其相似度最大的值,则为待识别人脸所属类别。本实验室人脸库分类识别结果见表1,与Nefian提出的离散余弦变换(DCT)的HMM变换法结果进行了比较。识别结果可知,变换时间差不多,但是Gabor特征识别效果较好。而用CVL标准人脸库识别率的识别结果为:DCT变换识别率为94%;Gabor变换识别率为97%,均比本实验人脸库识别率高。可能因为CVL标准人脸库光照均匀,且标准库中的人脸采集时背景简单,离摄像机的距离相差不多,所以对于同一库中的识别率较高。
为更好地验证该算法的有效性,对在线识别进行了大量的实验。人脸搜索过程控制机器人的PTZ摄像头反复调整俯仰角并逐帧检测人脸。将找到的每张人脸通过人脸的标准化变换,采用Baum-Welch法训练HMM参数,然后与人脸库中的各个模型进行比对,取最大者为识别结果。在不同季节不同时间段做了大量的实验,每次实验的人脸检测结果与识别结果均采用文本格式保存,据大量的统计实验结果表明,该算法在线确认目标人准确率能达到80%。大量实验证明了该方法的有效性,而识别错误的主要原因可能由于人脸库建立在相对标准的人脸姿态上。特别地,当图像仅包含部分人脸时,面部特征的缺失亦给识别工作带来难度,可考虑采用人脸三维建模方法以在有限的观测上建立更精确的特征模型。
4 结论
本文针对室内可移动视觉系统在光照与背景均发生变化,提出一种基于移动机器人视觉的在线服务目标人确认算法,首先采用人脸肤色的标准混合高斯模型及人眼Gabor特征相结合的方法检测到人脸;然后对已检测到的人脸采用基于Gabor特征的HMM方法确认目标。在人脸检测的基础上,建立了一个易于扩展和维护的人脸库。提出基于Gabor变换特征的HMM识别人脸的方法来确认目标人,将检测到的人脸上下分块处理并建立HMM模型,能较好地减少目标人姿态变化给识别带来的困难。经大量的实验证明,对于可移动视觉及光照的不断变化,此人脸检测方法能有效快速地检测出人脸的位置与大小并保证较高的在线识别率。
参考文献
[1]胡春华,马旭东,戴先中.钱堃一种基于标准混合高斯模型的快速人脸检测方法[J].东南大学学报,2007,37(3):389- 394.
[2]Samaria F S and Yong S.HMM Based Architecture for Face Recognition[J].Image and Computer Vision,1994,12(10):537- 543.
[3]Nefian A V and HayesⅢM H.Hidden Markov Models for Face Recognition[C].Proceedings of IEEE International Conference on Image Processing,Michigan Avenue Chicago, Illinnois,USA,1998.141-145.
[4]梁国远.基于三维模型的单目图像序列人脸姿态跟踪[D].北京:北京大学,2005.
[5]Huang L-L,Shimizu A,and Kobatake H.Classification-based face detection using gabor filter features[A].The 6th IEEE International Conference on Automatic Face and Gesture Recognition(FG2004)[C].2004:397-402.
[6]Kuchi P,Gabbur P,Bhat PS,et al.Human face detection and tracking using skin color modeling and connected component operators,IETE Journal of Research,2002,48(3-4):289-293.
[7]Beveridge R,Bolme D,Teixeira M,et al.The CSU Face Identification Evaluation System[R].Users'Guide Version 5.0, technical report,Computer Science Dept.,Colorado State Univ.,May 2003.
智能移动水果采摘机器人的设计 篇2
关键词 采摘机器人 机器视觉 移动平台 水果
中图分类号：TP242 文献标识码：A
0前言
历年来，水果生产中，水果采摘一直是最费力最耗时的环节之一，它所需全部生产过程的大约40%左右的劳动力。为了使更多的果农从复杂的采摘作业中得到充分的解放以及提高果实采摘的效率，一直都有很多国内外的专家以及学者专心投入对采摘机器人的实验和研究。
1工作原理与总体结构
1.1工作原理
该机器人在果园作业时是这样实现自主导航的：首先是主体控制器对由双目摄像机采集的果树行间的路面图像进行处理，通过分析得出导航路径，然后再由串口1收集DGPS位姿信号，将其与视觉导航信息进行融合，进而实现该机器人移动平台的自主导航。当机器人行进至目标果树位置时，主控制器将会发出使移动平台电机停止转动的指令，然后再通过RS232向采摘机械臂发出控制指令，使机械臂移动到各个图像采集位姿。当对果树的图像采集完成后，主控制器还会对成熟果实进行识别和定位，然后通过RS232向末端执行机构发出指令，末端执行器便抓取果实。采摘完成后，各级机械臂回到导航初始位置，重复执行以上采摘作业。
1.2总体结构
此次设计的机器人是履带式的，主要由控制系统及其机械执行系统组成。机械执行系统如图1所示，主要包括横向滑移机构，末端执行器，采摘机械臂，移动平台等。控制系统主要包括双目摄像机，数据采集卡，机械臂控制器，末端采集控制器，运动控制卡，GPS，1394转换卡，电机驱动器以及各传感器和各个控制电路等。移动平台包括固定平台，机架，履带式行走装置等。
2工作主要部件
2.1横向的滑移机构
在前期的实验过程中，发现果实的采摘有两种漏摘现象：（1）当果实与摄像机的距离低于0.85m时，摄像机不能准确的对果实进行立体匹配；（2）当机械臂基坐标系原点与果实距离超过1.75m时，果实将超出机械臂采摘范围。为此，我們设计了如图2所示的横向滑移机构，将机械臂底座固定安装在滑移机构的滑台上，使机械臂与果树之间的距离以及摄像机与果树间的距离均能方便调节，很好地解决了漏摘的问题。
2.2末端执行器与采摘机械臂
末端执行器采用的是由德国SCHUNK公司生产的型号为EVG55HUB100的产品，其结构如图3所示。该执行器的抓取动作是由滑觉传感器和力传感器的信号决定的。
采摘机械臂采用的是由日本安川公司生产的MOTOMAN-SSF2000型的工业机器人。其额度负载为6kg，采摘半径为1378mm，度2403mm，机械臂底座距离地面的高度为1200mm。
2.3履带式的移动平台
为了可以准确获取障碍物的距离和行驶路径等信息，此次设计采用了减振性能较好的橡胶履带。为了避免钢制驱动轮与橡胶履带配合造成橡胶履带磨损过快的缺陷，驱动轮采用了超高分子聚乙烯材料。移动平台的行走装置采用了安川电动机来驱动，这种电动机只需改变驱动器设置，便可实现交流与直流间的供电切换，这样便减少了有些果园没有三相交流电的使用限制。
3机器的视觉系统
3.1果实的定位与识别
定位系统和果实识别的硬件主要由1394转换卡，双目摄像机和主控制器组成。先由摄像机采集果树图像，然后通过1394转换卡将采集到的果树图像传输到主控制器，在主控制器中采用各种图像处理算法对果树图像进行处理，从而识别出成熟的果实，解算出果实在机械臂基坐标系下的三维坐标。
3.2果实的图形采集
由于摄像机的视野有限，只采集一幅图片是不能对整棵果树进行覆盖的，所以采集图像时机械臂需要在多个不同的位姿进行采集。通过实验表明，大部分果树需要采集6幅图片方可覆盖。系统每采集一幅图，就会对果实进行识别和定位处理，并且对该图片中成熟果实的位姿信息进行保存，然后由上位机根据成熟果实的位姿信息对机械臂采摘路径作出规划。当一幅图像中的成熟果实采集完毕后，机械臂自行运动到下一个图像采集位姿，并重复以上图片的采集过程，直至6幅图片中所有被识别的成熟果实采集完毕。
4控制系统的设计
4.1硬件系统的设计
这个采摘机器人的控制系统主要由上、下位机控制器和传感系统等部分组成，该硬件的结构框图如图4所示。
4.2下位机和上位机的控制器
该控制系统采用的是上、下位机两层结构，下位机控制器包括：末端执行器控制器，机械臂控制器及移动平台控制器。上位机控制器采用研华IPC610-H型工控机，其主频为2.66GHZ，CPU为Core2双核。机械臂控制器由RS232与上位机控制器连接进行通信。末端执行控制器也是如此通信，该控制器用来控制末端执行器手指闭合和张开的位置与速度。移动平台控制器采用研华PCI1240U，该控制器通过PCI总线与上位机控制器，进行通信，该控制器能控制4个自由度，移动平台只要其中两轴即可，其他两轴可用来作为功能拓展。
4.3传感器的系统
传感器系统主要由滑觉传感器、力传感器、GPS和双目摄像机组成。摄像机采用的是Point Grey Research公司的bumblebee2型摄像机，其基线长120mm，焦距为3.8mm。
摄像机通过1394转接卡与计算机进行数据传输。GPS采用JAVAD公司所生产的机器，其接收机天线型号为GPS702-GG。该系统可实现精确测向和定位。滑觉传感器与力传感器的型号分别为FSR-406和FSR-402。
4.4软件的系统
整个控制系统软件是在VC++6.0中开发完成的，其程序设计流程如图5所示。
采摘机器人控制系统软件設计简述如下：（1）系统设备初始化。（2）主控制器首先通过1394转接卡采集双目摄像机所拍摄的路面图像，通过RS232采集GPS航向信息及位置坐标。然后主控制器对导航图像进行处理，并提取视觉导航参数。最后主控制器再根据GPS采集位置和航向信息以及坐标导航图像信息进行决策分析，进而实现移动平台的自主导航。（3）主控制器通过1394转接卡采集双目摄像机拍摄的果树图像，对成熟果实进行识别与定位。并将摄像机坐标系下目标果实的三维坐标转换到采摘机械臂的基坐标系下。再由主控制器根据果实位置坐标对机械臂采摘路径进行规划。（4）当机械臂运动到目标姿位后，主控制器通过RS232向末端执行控制器发出指令，是末端执行器抓取果实。（5）重复以上四个步骤直到机械臂采摘范围内的果实采摘完毕。（6）机械臂回到导航的初始位姿，并重复以上自主导航和自主采摘过程。
5采摘机械臂的路径规划
机械臂的路径规划是果实采摘的关键问题之一。这个智能采摘机器人针对果树生长状况及果枝分布的特点，采用了多段路径规划来完成了机械臂的运动控制。
如图6所示，XYZ为机械臂的基坐标系，O为坐标原点，F为果实中心，F？ 为果实中心在XOY面内的投影。A、B、C、D分别为采摘机械臂处于不同位姿时其末端执行器的对称中心点。因为图像采集位姿在采摘之前就已经给定了，所以B点的坐标是已知的，D点的坐标可由双目视觉系统求得，故要完成整个路径规划，必须求出C点的坐标，设C点与D点之间的距离为L，试验中确定L的长度为0.5m，由以上已知条件可求得C点的坐标。
双目摄像机完成图像采集后，机械臂腰关节旋转至与Y轴夹角€%a 处。。水果采摘时，机械臂在由点FOF？构成的平面内运动，考虑到机械运动的平顺性，A到B及B到C之间路径采用的是PTP圆弧插补方式的运动。C到D之间轨迹采用的是PTP直线插补方式的运动，末端执行器只在FOF？平面上作直线平移，这样对应果实采摘所需空间变小，末端执行器碰到的树枝等障碍的几率变小，从而保证了果实采摘的成功率。果实采摘成功后，先由D回到C，再有C回到果实收集箱的上方，然后末端执行器夹持手指松开，果实下落到收集箱内。
6结论
（1）根据果树智能化的采摘要求，设计了智能移动水果采摘机器人，该机器人具有结构简单，动作灵活等优点。（2）在VC++6.0中编写了智能移动水果采摘机器人系统控制程序，开发了人机交互界面。（3）整个系统将末端执行器，传感器系统，采摘机械臂，图像处理算法和移动平台等部分关键技术融合在了一起，实现了末端执行器摘取，机械臂运动，移动平台导航及水果装箱等关键动作的智能协调控制，从而真正实现了水果采摘的无人化与智能化。
参考文献
[1] 刘长林，张铁中，杨丽.果蔬采摘机器人研究进展[J].安徽农业科学，2008，36（13）：5394-5397.
[2] 杨文亮.苹果采摘机器人机械手结构设计与分析[D].江苏大学，2009.
[3] 刘锐.水果采摘机器人视觉控制及其轨迹规划研究[D].南京农业大学，2010.
[4] 周俊，张高阳，刘锐，等.基于粒子滤波的苹果采摘机器人目标姿态估算[J].农业机械报，2011，42（3）：161-165.
[5] 安秋.农业机器人视觉导航系统及其光照问题的研究[D].南京农业大学，2008.
[6] 李建平，林妙玲.自动导航技术在农业工程中的应用研究进展[J].农机工程学报，2006，22（9）：232-236.
[7] 王友权.自主导航的农用移动平台的设计与路径跟踪设计[D].南京农业大学，2008.
移动机器人控制系统设计 篇3
随着机器人技术的高速发展,对机器人的需求急剧增大。根据机器人工作环境的不同分为工业机器人和特种机器人。工业机器人是面向工业领域的多自由度机器人,而特种机器人是服务型机器人。其中移动机器人是特种机器人的一种,具有体积小、可靠性高、适应能力强的特点。移动机器人行走有轮式、履带式、腿式三种形式。轮式机器人移动速度快、控制比较灵活,但是越障能力有限,在冰雪、泥地性能不足;履带式移动机器人抓地性能好,但是无法保障高通过能力;腿式机器人控制复杂,不适于对灵活性、快速性高的场合。
1 自主移动机器人规划路径
自主移动机器人能根据指令及环境进行自主路径规划,不断采集局部环境信息,做出决策实现安全到达目标地点。移动机器人采用上下位机控制方式,通过调整左右驱动轮实现运动,机器人载体通过无线通讯发送数据给上位机,机器人通过摄像头测距避障系统完成侦察观测。光靠图像识别摄像头,角度和转动是有限制的,辅以超声红外动态测距避障系统,可以对摄像头侦察范围外的障碍物进行测距和定位。由于摄像头在微弱的光线下无法观察,借助红外动态测距可以弥补不足。通过对障碍物进行测距,无线传输到动机器人可以在光线差的环境中自主寻找光源完成相应任务。系统软件启动后进行系统自检和初始化,然后进行路径的规划。若发现光源,机器人停止运动,等待命令;没有发现光源,发现光源机器人停止运动,发出出错信息。当超声波系统发现前方有障碍物时,将产生外部中断,终止程序运行,重新规划路径,实现机器人的自主移动。
机器人的轨迹包括位移、速度和加速度。轨迹的生成是先给定轨迹上若干点,将其景运动学映射到关节空间,建立相应点运动方程,对关节进行插值,实现空间的运动要求。机器人的规划指机器人根据自身任务,解决方案的过程。
机器人运动规划是对手部位姿的描述,控制轨迹是按时控制手部或工具中心的空间路径。机器人的运动描述为工具坐标系和工件坐标系的相对运动。这种运动需把机器人、手爪、工具分离开,抽象出模型的描述方法。通常用点来表示机器人的状态或表示工具坐标系的位姿。不仅要规定机器人的起点和终点,还要规定中间点。运动轨迹除了位姿约束外,还存在各路径点之间的时间分配。机器人运动应当平稳,否则会造成机械部件的磨损。
机器人的轨迹规划一般是三步:第一步对机器人的任务进行运动路径的设计。第二步根据轨迹参数,模拟路径。第三步是对轨迹进行计算,算出位置、速度和加速度,生成运动轨迹。轨迹规划可以在关节空间进行,也可以在直角坐标空间进行。在关节空间进行的轨迹规划是将所有关节变量表示为时间的函数,用一阶、二阶导数描述机器人预期运动。在直角坐标空间规划轨迹是将手爪位姿、速度、加速度表示为时间函数,相应的关节位置、速度、加速度由手爪信息导出。
2 移动机器人进化控制系统
基于功能集成的移动机器人系统是由进化规划模块和基于行为的控制模块组成的。这种综合体系的优点是具有实时性,保持了目标可控性,具有自学习功能,不断调行为,以达到适应环境、完成任务的目的。机器人的避障、平衡、前进和后退是基于行为的模块来提供。进化规划模块负责高智能任务,包括路径规划及任务生成、协调工作。为了完成特定任务,进化规划模块需将目标驱动状态激活,设置协调参数。移动机器人进化控制系统储存了经验库指导进化规划。为了缓和系统各种行为模块的竞争,需要进化规划模块统筹安排。这种柔性协调策略根据机器人所处环境和执行任务不同而调整,在原有的基础上加以完善。
移动机器人进行控制系统的实现需要进行逻辑设计和物理实现。逻辑设计以进化规划模块与反射行为的实现为中心。离线进化算法模块根据经验知识对机器人运动路线做出离线规划,机器人的运动由运动规划模块控制。当遇到障碍时,启动反射行为,机器人有效避开障碍物。机器人启动在线进化规划,计算新路径,保持路径跟踪的有效。
3 机器人控制系统组态
机器人控制系统软件分为上位机软件和下位机软件。上位机有系统编程软件,下位机提供伺服软件。系统软件提供系统定义、命令、语言、编译。系统软件针对运动形式,进行轨迹的规划、坐标变化。
下位机是直接控制设备的计算机,一般是PLC或单片机。上位机发出的命令首先发给下位机,下位机根据命令解释成时序信号直接控制外部设备。下位机不时读取设备状态数据,转化成数字信号反馈给上位机。下位机控制系统是检测机器人系统的核心,其性能的优劣直接影响机器人的执行能力。
下位机主要由CPU214模块、3个数字量输出模块EM232、1个模拟量扩展模块EM231,3个变频器、传感器、采样控制模块、电源组成。控制系统使用的电源取决于控制系统的需求。由于机器人不断移动,系统采用充电电池供电。机器人硬件平台由两台IPC、一个伺服器、三个PWM放大器组成。传感器是机器人的五官,是机器人具有自主能力的重要前提。机器人系统共有超声、激光、增量编码器。超声传感器用来探测周围2米内的障碍物信息。激光传感器结合路标用来提供机器人在工作环境中的位置。超声和激光传感器的信号通过计算机实时处理形成位置和障碍物的信息,通过并行口将信息发给控制器。每个电机装有增量式编码器,实现轴空间的位置闭环控制。CPU214作为下位机的控制核心,存储和运行控制程序,与上位机及扩展模块之间的通讯和控制驱动轮的速度。将变频器的参数设定为高速、中速、低速,并且具有正反转、启动和停车功能,防止在鞋面上失控和频繁紧急启动和停车对系统的损坏。
依据下位机主程序的流程,下位机控制分为四部分:初始化模块、解析模块、控制模块、通信模块。各部分负责各自的任务,当主程序运行到某一部分时,只要将相应的子程序调用即可。
(1)初始化模块
系统初始化是指系统启动后调用的首个程序模块,在PLC上电后清空存在的机器人信息。为了防止各个模块在刚执行程序或首次调用模块参数时由于前一次参数未清除引起电机转动错误等问题,应该上电后就将每个程序模块参数清零。还要将定时器的计数寄存器清零,定义串口的波特率。
(2)解析模块
系统解析模块是对上位机发送到下位机的命令进行解析,得到上位机发送的控制指令。程序初始化完成后,定时器开始工作,等待上位机的控制命令字数据帧,程序函数进行控制命令字解析,用于系统的控制。
(3)控制模块
控制模块是下位机控制系统的核心。机器人的运动依赖于电机控制,机器人各种动作时利用控制器的电机控制程序实现。操作人员通过上位机监控机器人,无线接收模块将控制命令字发送给CPU,CPU按照指定的命令确定电机的转速,将电机控制命令转换为PWM信号传送给电机驱动芯片,电机驱动芯片驱动电机进行转动。
机器人控制器的设计是基于模块化体系出发的。将机器人的控制器、传感器、驱动器进行分解,形成标准的模块化功能构建。每个功能构件具有各自的功能,具有统一的总线接口,各功能构件之间按照机器人标准通信协议,通过总线通信;利用机器人对各个构件进行封装,形成一个抽象实体,向上层应用程序提供统一的访问接口。最后将构件组态成一个完整的机器人。机器人的软件和硬件被中间件隔离,形成相对独立的硬件和软件系统。硬件系统是传感器、执行器等组成。软件是控制算法和程序。
典型的机器人构件是由硬件、控制驱动接口、网络与总线通信接口、操作系统、软件中间件组成。软件中间件屏蔽了底层硬件和应用软件信息,实现不同功能构件的软件连接支持。系统的整个软件系统都是运行在机器人控制器上的,包括操作系统、中间件、应用程序等。机器人控制器不一定是一个独立的功能构件,有的机器人控制器可以连接许多外设。
(4)通信模块
通信模块负责下位机数据信息收发。设计移动机器人通信系统考虑几个因素:可靠性、实时性、能量效率、带宽。移动机器人的软件操作平台是基于Linux。面向机器人的控制编程软件是用.C++语言编写,源代码是开放的。机器人本体是服务器端,客户端与服务器端的连接实现使用的是基于TCP的socket编程。机器人本体不断将客户所需要的数据发送到客户端,客户根据编写的算法分析接收的数据,将移动机器人的运动控制指令送到机器人本体。移动机器人根据定义好的命令协议解析控制指令,让移动机器人按照控制指令运动。在实际的数据传输中,数据量较大,除了机器人的速度、角度、位置以外,还需要传送声呐传感器数据,为了保证数据传送的实时性,服务器端使用多线程编程。主线程实现服务器端的打开、监听、建立连接,以及命令帧的接收、解析、数据包的发送。设计的windows通信控制平台通过网卡接收移动机器人的速度、角度、位置、声呐信息等。机器人本体是一个两层结构:底层是嵌入式控制器,上层是Linux操作平台。移动机器人的数据由底层的嵌入式操作系统通过串行口每100毫秒向机器人的Linux平台传送一次。
5 结语
移动机器人关键技术的研究有两条技术路线:一条是按需牵引,技术驱动,结合工业发展的需求,开发柔性机器人。一条是从技术上模仿动物的功能,研究智能机器人。移动机器人走向实用和大众,必须解决运动系统、导航系统、精确感知能力。移动机器人的智能目标是自主性、适应性、交互性。自主性指机器人根据工作任务和环境变化,自己制定工作规划。适应性指机器人能适应复杂工作环境,不断识别和测量周围物体,理解索要执行的任务,做出正确判断及动作的能力。交互性是指机器人和环境、机器人和人、机器人和机器人之间信息的获取、处理和理解。
移动机器人涉及机械、自动控制原理、计算机、通信领域,是一个综合性研究课题。移动机器人一起独特的特点,在军事、工业、农业中获得广泛应用。随着科技进步,对移动机器人的运动轨迹的快速、精确、抗干扰能力要求越来越高。根据移动机器人能否在空间实现自由度,分为全方位和非全方位移动机器人。全方位移动机器人适合在工作空间有限的,对机器人机动性要求高的场合。
摘要：以智能控制系统核心,实现对障碍物测距及自主避障行走控制,不断采集环境信息作出决策的自主移动机器人的控制系统设计。
关键词：移动机器人,定位,自主运行
参考文献
[1]李荣华,褚金奎,王洪青,李庆瀛.机器人分层分布式控制系统设计与实现[J].微计算机信息,2008年,第32期:229-230.
[2]高智,朱丽,王舒扬,陈立岩.小型地面移动机器人控制系统设计[J].科技信息,2012年,第35期:37-41.
[3]杨福广,周风余,侯宏光.全方位轮式移动机器人控制器设计与实现[J].系统工程与电子技术.2003年,第2期:201-212,222.
[4]劳立辉.移动机器人控制系统[J].轻工机械.201 2年,第3期:50-53.57.
多移动机器人关键技术研究 篇4
随着机器人技术的发展和社会需求的进一步提高, 单机器人在某些应用领域已不能满足人们的需要, 而越来越多的事例表明, 对于一些复杂多变的任务, 开发单机器人比开发多机器人系统复杂和昂贵, 多机器人通过合作及协调可以完成较复杂的任务, 从而提高整体性能。多机器人系统经过了十多年的研究, 无论在理论还是在应用上都取得了一定的成果, 但是他们几乎都是针对特殊应用领域设计的, 涉及的机器人数量也很少。随着多机器人作业越来越多的面对非结构化环境, 以及任务的复杂多变和机器人数量的增多, 对多机器人系统的研究比单机器人系统增加了许多新问题[1～3]:体系结构、任务分配、协调与合作、系统自适应控制、多传感器数据检测及障碍描述、通信、路径规划等。多机器人系统不是单机器人的简单叠加, 要求多机器人之间必须能够有效合作, 这涉及多方面的问题, 本文就多移动机器人主要关键技术研究情况展开分析。
2、体系结构
机器人体系结构主要描述个体机器人的组成模块、模块之间的关系以及模块之间的交互, 体系结构是系统行为的基础, 决定了系统的能力。多机器人体系结构的研究包括两个方面:单机器人内部体系结构和多机器人所形成的组结构。
2.1 单机器人内部体系结构
对于单机器人而言, 主要有推理式、反应式和混合式[4]。推理式体系结构是出现最早的, 由感知系统、规划系统和执行系统三个模块组成, 通过对环境的建模, 再对抽象的模型进行抽象的推理, 实现系统的功能。其主要的缺点是:建模困难、对不确定环境的处理能力较差。反应式体系结构是基于行为的, 该体系结构采用自下而上的构造方式, 系统的功能由一些简单的行为模块或行为层次完成, 每个基本行为以简单的在线反馈方式工作, 提高了机器人对环境变化的响应速度。但只是简单的模仿, 机器人无法实现更为智能化的行为和长期规划能力。混合结构合成了推理式和反应式的优点。
2.2 多机器人组结构
为了有效地完成预定的任务, 需把机器人联系到一起构成多机器人组, 多机器人组结构大致经历了集中式、分布式和混合式等进化阶段[5]。
集中式的组结构, 由一个总控机器人控制系统内所有的机器人。由于所有机器人的运动都由控制中心来控制, 其协调效率比较高, 减少了用于协商的开销, 最突出的优点是可以获得最优规划。但鲁棒性差, 总控机器人负担过重, 系统内其它机器人的自主性和智能性不能很好体现。分布式的组结构, 所有机器人相对于控制是平等的, 每个机器人都具有地图创建、规划和决策能力。每个机器人根据局部信息规划自己的行为, 借助通信手段合作完成任务。这种结构降低了系统复杂性, 增强了柔性、容错性。由于各个机器人的行为主要从自身出发, 缺乏全局观, 且优化能力差、缺乏预见性。另外, 有的学者将分布式结构和集中式结构相结合称为混合式, 任务的分配最终由"主控机器人"完成, 有一定的资源平衡、系统稳定、优化系统及防止死锁的能力。而机器人之间的关系是松散的、动态的, 系统适应变化的动态性和重构能力较强。混合式组结构是迄今为止最理想的控制结构, 但复杂性高于其它结构, 实现起来较难, 实际应用中还有许多问题有待进一步的研究。
2.3 多机器人体系结构研究现状
很多研究者提出了一些有效的多机器人体系结构, 并进行了仿真和实验研究[4], 著名的有: (1) Caloud等人提出的"GO-PHER"体系结构, 分为任务分解、任务分配、运动规划和执行控制四层。 (2) L.E.Paker开发的ALLIAVCE分布式结构, 是一种基于行为, 具有容错和自适应能力的多机器人协调系统。采用基于行为的控制器, 帮助机器人自适应选择动作和行为。 (3) Lueth和Laengle提出一个KAMARA队的分布式控制结构, 用于多机器人协调、容错及误差纠正等问题。 (4) Tambe提出著名的基于层次反应规划的结构STEAM, 建立在联合意图和共享规划理论基础上, 机器人团队反应中加入联合意图。该模型不依赖特定领域的知识, 具有很好的重用性。 (5) Noveils提出了一个包括规划层、控制层和功能层的三层控制结构。规划层将任务分解成小的任务单元, 并将这些子任务单元分配给一个机器人网络。控制层组织机器人执行任务, 而功能层也提供实际的控制。 (6) Asama等描述了一个叫AC-TRESS的控制结构, 它的协商式控制结构允许机器人在需要时召集其他机器人帮助。
目前开发的多机器人系统的机器人体系结构, 大多是分层次递阶式控制结构, 有一定的针对性。是否需要设计出通用型的结构以适应多种机器人系统的需要是一个值得思考的问题, 而评价多机器人系统结构性能的方法及术语的标准化也值得深入探讨。
3、合作与协调
合作与协调是多机器人系统研究的两个不同而又有联系的问题, 合作是指如何组织多个机器人去完成任务, 合作是通过机器人之间的组织方式及系统的运行机制实现的。当合作关系确定后, 要求各个机器人在合作过程中协调相互之间的运动。
3.1 合作
多机器人面对共同目标合作的完整过程:合作产生、合作形成、规划形成、合作执行[6]。
机器人合作形成是通过不同能力的机器人承担任务组中不同的角色完成的。合作形成的常见方法有基于对策论的联盟方法、合同网方法、基于价格调控的市场机制方法和基于依赖关系的团队推理方法等。目前的研究热点主要强调机器人在选择参加任务组中的自主决策性。
规划形成是在任务组构成后, 将多个任务分配给多个具有执行能力的机器人且满足有效性和可靠性。任务分配属于多机器人系统的高层, 传统的任务分配思想大多将任务进行分解, 大的任务分解为若干个可由单个或少量机器人完成的子任务, 然后根据机器人的角色或能力将分解后的子任务进行分配。目前的任务分配方法有[4]: (1) 基于能力矩阵的任务分配方法, 考虑一个机器人是否有能力完成多个子任务, 给出一个机器人能力与子任务间的能力矩阵。本方法只考虑一个任务只能由一个机器人完成, 并且一个机器人仅能完成一个任务。 (2) 考虑机器人技能的基础上, 综合考虑机器人的价值、自信度、意识强度及耦合度, 提出了基于综合矩阵的任务分配方法。一个机器人有能力处理多个子任务, 同时, 一个子任务又有多个机器人可以完成。机器人选择任务时, 除考虑能力外, 主要考虑距离任务的远近, 很少考虑环境以及任务的变化对机器人选择任务的影响。而动态环境中的多机器人系统, 环境是动态变化的、任务是分布、异构且变化的, 要求机器人有较强的自主决策能力。实现多机器人任务分配自主化是未来多机器人研究的重点。我国已有学者从任务、环境及机器人自身多个方面, 研究了机器人行为决策算法。
3.2 协调
为了实现机器人的整体合作, 就要进行不同程序、不同粒度的协调。不同的任务需要的协调程度不同, 如:分布式搜索, 协调是松散的和异步的;而合作操纵任务, 协调是紧密的和同步的;多机器人的行为协调则主要完成动作的协调;执行协调则负责监视任务的执行、从任务异常中恢复、完成任务的同步控制;规划协调负责完成任务的分配。
4、路径规划
路径规划的实质是为多机器人找一条从起点到终点的最优的无碰撞路径, 依据的准则如工作代价最小、行走路线最短、行走时间最短等。解决该问题的常规方法由两部分组成[7]: (1) 建立一个数据结构来代表工作空间的几何结构; (2) 搜索该数据结构以找到一条无碰路径。如集中规划等, 对多个机器人按自由度进行路径规划, 一定能找到存在的路径, 但环境一旦变化, 进行重新规划需要大量的通信以建立数据结构, 因此不适应环境动态变化的情况。Mobri研究了多个机器人和周期性运动障碍物的路径规划问题;Fujumura提出来一个当工作空间中障碍物运动轨迹已知时的无碰路径算法;Hiroshi提出了速度障碍的观点, 根据机器人之间的相对速度进行在线运动规划, 实现避碰。我国学者解决了运动障碍物和其它移动机器人共存的环境中的路径规划问题。机器人无需知道其它机器人的轨迹和各机器人的运动优先权而可以调整自身的运动规划实现避碰。
5、通信
机器人之间的通信是多机器人合作完成任务的一个很重要的因素, 通过信息交流进行机器人之间的同步、合作及协调, 如及时获取各机器人成员的坐标位置避免碰撞、协调组成员完成任务、监视任务的执行及从任务异常中恢复等。机器人之间的通信分为隐式通信和显式通信[8]。隐式通信不需要任何通信设施, 没有任何的信息传输, 它通过红外线、超声波、声纳环等传感器从所有机器人共同操纵的环境中得到反馈实现的。由于机器人的传感器系统越来越多, 因此传感器信息的融合和有效利用是一个值得研究的问题。显式通信类似于网络通信, 机器人之间通过IP地址、一定的通信协议, 以广播、组播和点对点方式进行通信。显示通信的质量较高, 但机器人如果过分依赖显示通信获取信息, 会增大系统的负担而使运行效率下降。另外, 通信的可靠性和安全性也是一个需要考虑的问题, 如在对抗环境下, 为了防止对方窃听, 通信的安全性显得非常重要。因此, 现有学者致力于设计多机器人系统使用的通信协议。
6、结束语
本文围绕多机器人系统的合作与协调问题, 分析了多机器人系统的关键技术。虽然多机器人系统在许多领域取得了很大的进展, 但也存在很多问题值得研究, 例如:是否需要设计出通用型的结构以适应多种机器人系统、评价多机器人系统结构性能的方法及术语的标准化、机器人自适应控制、传感器信息的融合、多机器人系统使用的通信协议等。在今后的工作中, 作者将致力于研究"多机器人合作与协调自适应控制问题"及"传感器信息的融合"等问题。
摘要：本文介绍了多机器人领域研究的关键问题, 并对多机器人体系结构、合作协调、路径规划及通信技术进行了详细分析, 提出了未来值得研究的关键技术。
关键词：多机器人,体系结构,协调与合作,路径规划,通信
参考文献
[1].Yamauchi B.Decentralized coordination for multirobot exploration[J].Robotics and Autonomous Systems, 199, 29 (1) :111-118.
[2].Koivo A J, Bekey G A.Report of workshop on coordinated multiple robot manipulators:planning, control, and application[J].Robotics and Au-tomation, 1998, 14 (1) :91-93.
[3].Kazerooni H.Compliance control and unstructured modeling of coopera-tion robots[A].Proceedings of 1998, vol.1.510-515.
[4].李淑琴.面向任务的多机器人系统的组织设计研究[D], 2005.
[5].王艳红.基于多agent的敏捷化生产高度系统[D], 2003.
[6].M.wooldrid ge, N.R.Jennings.The Cooperative Problrm Solving Process.Journal of logic&computation, 1999, 9 (4) :563-592.
[7].薄喜柱.动态环境下多移动机器人路径规划的一种方法[J].机器人, 2004.9:407.
教育移动机器人路径规划技术研究 篇5
关键词：局部路径规划,模糊控制,栅格地图
机器人课程已进入高中教育阶段, 移动机器人作为机器人的一个重要分支具有典型的代表意义, 它集合了机械、电子及人工智能等先进技术, 是学生学习机器人技术、教学实验和锻炼动手能力理想平台[1,2]。目前, 教育机器人比较普及, 其教学对象大多针对大学学生, 但高中学生基础知识比较缺乏, 对目前的机器人学理论无法理解[3,4,5,6], 因此本文针对这一现状, 研究一种基于模糊控制的移动机器人路径规划技术, 便于学生理解与实践。
1 障碍物环境模型的建立
1.1 环境地图的建立
机器人采用占栅格地图[7], 环境模型的建立方法如下:建立x-y坐标系 (如图1所示) , 机器人的起始点设为S, 全局目标点设为G, 都处于第一象限。S的坐标为 (x′, y′) , G的坐标为 (x, y) (x>x′>0, y>y′>0) 。根据x, y的值在第一象限内建立一个大小为x×y的二维矩阵D。矩阵中, 值为0的元素代表障碍物单元, 值大于0的代表自由单元, 列向量对应x轴的正方向, 行向量对应y轴的正方向。障碍物信息就包含在环境信息当中。
在此元素坐标系中, 矩阵D元素的下标 (b, c) 等于元素在坐标系中的坐标 (x, y) , 矩阵元素值z在坐标系中表示成函数
f (x, y) =z (b, c) (b=x, c=y) (1)
这样就可以根据函数判断点 (x, y) 是自由元素还是障碍物元素。
坐标系中, 机器人的实时位置设为P (x, y) 。机器人的路径规划在这个环境模型中, 就是计算出一条代表自由单元矩阵元素的曲线, 即一维向量x和y。
1.2 障碍物模型的描述
在路径规划仿真时, 假设障碍物已事先根据机器人的实际尺寸和安全性要求进行了“膨化”, 使得处理后的障碍物边界以外为安全区域。机器人将简化为一个质点。机器人无全局信息, 它只能根据超声传感器感知的环境信息推算当前视线内的临时目标T。
1.2.1 障碍物识别
超声波传感器的配置方案和安装角度如图2, 把3个超声传感器分为S1、S2和S3。对于单个的传感器来说, 只能获得障碍物的距离信息, 并不能得到障碍物的准确方位信息, 导航误差增大。为此, 提出一种简单明了的分区算法, 对每个方向组的传感器测得的数据进行融合, 从而得到3个方向上障碍物距离和方位信息。, 超声传感器最大测距范围为5 m, 当障碍物在5 m之外时传感器距离值为5 m。
假定:3个传感器距离信息值用di (i=1～3) 表示, 融合后取值 (d, θ) , d表示距离值, d的取值范围为 (55 cm, 500 cm) , 三个方向上分别为dr、df和dl, θ表示障碍物方位角度, 当有多个障碍物时, 取使
另外, 当障碍物在左方与前方共有区域, 认为障碍物是在左方, 当障碍物在右方与前方共有区域, 认为障碍物是在右方。至此, 得到了探测机器人前方3个方向上障碍物距离信息的三维向量D1{dr, df, dl}, 传感器信息分区可以顺利地完成传感器信息初步融合, 从而可以建立移动机器人障碍物环境模型。
根据向量D1{dr, df, dl}取值来设定探测机器人车体周围环境的类别, 每个方向上有障碍物时该方向分量取值为1, 无障碍物取值为0, 则三位二进制代码即可对环境进行分类, 共有8种类。具体定义如下:
000:无障碍物, 为了简化神经网络输出, 定义为第0类, 记为EN0;
001:左方有障碍物, 定义其为第1类, 记为EN1;
010:前方有障碍物, 定义其为第2类, 记为EN2;
011:前方和左方有障碍物, 定义其为第3类, 记为EN3;
100:右方有障碍物, 定义其为第4类, 记为EN4;
101:左方和右方有障碍物, 定义其为第5类, 记为EN5;
110:前方和右方有障碍物, 定义其为第6类, 记为EN6;
111:三个方向都有障碍物, 定义其为第7类, 记为EN7。
2 路径规划的模糊算法
得到环境分类信息后, 我们采用模糊控制器来实现局部路径规划信息融合的最后一步。为满足系统要求, 选用三维控制器进行控制。实现模糊控制步骤如下。
2.1 确定结构
该控制器共有3个输入:环境类别、当前机器人速度V和当前障碍物方位角度信息θ;经过模糊逻辑处理后输出两个变量:机器人的速度V和转角φ。
2.2 确定语言变量值及其隶属函数
环境类别为0～7共8个离散值;当前机器人速度V模糊化取值语言变量为{快, 中, 慢}, 隶属函数取梯形函数, 见图3;输出速度Vo模糊化与输入速度值相同;输出转角取值为3个离散值:φ, 0, -φ, (φ=5°) 。
2.3 模糊规则的建立
由以上变量取值得知可以制定共72条模糊规则。参考Mamdani控制规则制定的方法取舍之后, 制定了如下24条IF-THEN形式的模糊规则。
(1) 当环境类别EN为0时, 不考虑θ:
1) 若V为快和中, 输出Vo保持不变, φ为0;
2) 若V为慢, 输出Vo为快, 为0。
(2) 当EN为1时:
3) 若V为慢, 则输出Vo为中, φ为0;
4) 若V为快, 则输出Vo为快, φ为0;
(3) 当EN为2时:
5) 若V为慢, 则输出Vo为慢, φ为-φ;
6) 若V为快, 则输出Vo为中, φ为-φ;
7) 若V为中, 则输出Vo为中, φ为-φ;
(4) 当EN为3时:
8) 若V为快, 则输出Vo为中, 为;
9) 若V为慢, 则输出Vo为慢, 为;
10) 若V为中, 则输出Vo为中, 为;
(5) 当EN为4时:
11) 若为左方, V为慢, 则输出Vo为快, φ为0;
12) 若为左方, V为快, 则输出Vo为快, φ为0;
(6) 当EN为5时:
13) 若V为快, 则输出Vo为中, φ为0;
14) 若V为慢, 则输出Vo为中, φ为0;
15) 若V为中, 则输出Vo为中, φ为0;
16) 若V为退, 则输出Vo为慢, φ为-φ;
(7) 当EN为6时:
17) 若V为快, 则输出Vo为中, φ为-φ;
18) 若V为慢, 则输出Vo为慢, φ为-φ;
19) 若V为中, 则输出Vo为中, φ为-φ;
(8) 当EN为7时:
20) 若V为快, 则输出Vo为退, φ为0;
21) 若V为中, 则输出Vo为退, φ为0;
22) 若V为慢, 则输出Vo为退, φ为-φ;
23) 若V为退, 则输出Vo为退, φ为-φ;
(9) 若当前情况不属于上述8种情况, 则保持当前状态不变。
2.4 控制输出的非模糊化
模糊推理结果都是模糊值, 不能直接用于控制被控对象, 需转换为执行机构可以执行的精确量。将模糊量转换为精确量的过程就叫非模糊化, 方法有:最大隶属度法、中位数法、加权平均法等。其中应用最多的是加权平均法, 可用式 (2) 计算。
其中, Wj为推理结果, 即经模糊规则判断后的输出, μ (Wj) 为各种推理结果的权函数, 为方便起见, 可以取隶属函数为全函数。在这里Wj为输出速度Vo, 而输出转角φ本身即为精确值。
由此可以得到简单有效的移动机器人路径规划算法。
3 仿真与试验
基于以上方法在Matlab7.0上进行仿真试验。机器人在复杂的环境中能够快速顺利地规划出一条无碰撞的较优路径。
在一幅RGB格式的图片中建立黑白的环境信息, 黑色区域表示障碍物, 白色的表示机器人可以通过的区域。RGB图像由一个表示色素值的三维矩阵构成[8], 建立的环境信息是黑白的, 故三维矩阵的3个二维矩阵是完全相等的, 取出其中的一个二维矩阵。在这个矩阵的基础上按上述方法建立坐标系, 同时显示出原图片, 在这个图片上画出规划出来的路径[9], 如图4所示。
图4 (a) 是在复杂环境中机器人对环境做出的局部路径规划结果;图4 (b) 是在仿真实验室环境中, 对给定环境和目标, 机器人做出的全局路径规划结果
对移动机器人实验平台在实验室环境中做了五次实际路径规划测试, 并与仿真规划路径理论结果比较, 可以得到机器人控制系统的综合性能水平, 其定位误差比较如下:可以看出, 机器人的控制性能是比较令人满意的, 最大控制误差是80 mm。但也存在随运行路径的延续, 积累误差增大的问题, 这主要是由以下原因引起的:
(1) 机器人定位算法存在定位误差。
(2) 机器人电机控制系统存在控制误差。
(3) 机器人机械结构存在机械性误差。
要解决这一问题, 应在已知关键位置对机器人定位误差进行修正, 使之不再积累。
5 结束语
本文针对高中机器人教育现状, 研究设计了一套实用移动的机器人局部路径规划方法, 实验证明, 该方法切实有效, 切对于高中学生比较容易理解, 会促进学生的实践能力, 激发学生学习机器人的兴趣。
参考文献
[1]王吉岱, 李维赞, 孙爱芹等.教育机器人的研制与发展综述[J].现代制造技术与装备, 2007, 2 (177) :10-12.
[2]张传才, 贺利乐, 匡伟春.轮式移动教育机器人避障方法的研究[J].现代电子技术, 2007, 13 (252) :116-117.
[3]江桦.基于嵌入式移动机器人的模糊控制算法设计[J].自动化与仪表, 2010 (3) :33-36.
[4]Borenstein J, Koren Y.The Vector Field Histogram-fastObstacle Avoidance for Mobile Robots[C].IEEE Trans.Robotics and Automation., 1991, 7 (3) :278-288.
[5]Jing X, ZbigniewM, Lixin Z, et al.Adaptive EvolutionaryPlanner/navigator for Mobile Robots[C].IEEE Trans.Ev-olutionary Computation, 1997, 1 (1) :18-28.
[6]张纯钢, 席裕庚.全局环境未知时基于滚动窗口的机器人路径规划[J].中国科学:E辑, 2001, 1 (31) :51-58.
[7]魏宁, 刘一松.基于栅格模型的移动机器人全局路径规划研究[J].机器人技术, 2008, 4 (24) :229-231.
[8]董霖.Matlab使用详解[M].北京:科学出版社, 2008.
清扫机器人移动驱动机构的研究 篇6
随着生活节奏的不断加快, 经济收入和生活品质的不断提高, 人们越来越希望能从烦琐的家务劳动中解放出来, 同时在高技术产业的带动下, 家用清扫机器人应运而生。
本文所研究的清扫机器人主要工作在一般家庭的地板和地毯上, 如果把固定式机器人视为对人类手臂动作和功能的模拟和扩展的话, 那么具有移动功能的机器人就可对应于人类行走功能的模拟和扩展。清扫机器人移动机构设计的优劣, 直接关系到清扫吸尘任务最终执行的好坏。清扫机器人的工作环境较为复杂, 既有宽阔的区域又有狭窄的角落;即有静止固定的障碍, 又有动态变化的障碍。因此要求在选择移动方式和设计移动机构时, 不仅要保证清扫服务的高效, 还要保证机器人运动的稳定性和运动控制的便捷性。
通过对几种典型移动机构的对比, 提出适合一般家庭工作的行走方案, 同时对机器人电机的选择进行了分析。
1 移动机构的对比选择
能够在平面环境中移动的机构形式主要有履带式移动机构、腿足式移动机构和车轮式移动机构。此外, 还有适用与特定场合的步进式移动机构、蠕动式移动机构和蛇行式移动机构等。
a) 履带式移动机构:着地面积比较大, 着地压强小, 与路面的黏着力也较强, 所以能够在凹凸和松软路面上移动。因此, 履带式移动机构比较适用与路面状况比较复杂的场合。
b) 腿足式移动机构:适应地面的能力很强, 以两足步行机器人为例, 它需要获取姿态信息时, 通过踝关节力矩反溃控制使其处于柔顺状态, 使脚底适应地面情况, 测量此时踝关节的角度就可得到姿态信息。但其结构复杂, 运动控制的难度较大, 且运动的速度比较慢。
c) 车轮式移动机构:能高速稳定地移动, 能量利用率高, 机构简单, 控制方便和能借鉴至今很成熟的汽车技术等。
通过对比分析几种移动结构发现, 履带式和腿足式都不适合用于家用吸尘机器人的行走机构, 前者适合路面情况复杂的情况, 而家用机器人的路面情况简单, 不需要那么复杂的结构;后者结构极其复杂, 各种关节的设计要求都很高, 对于简单的吸尘机器人来说显然会增加机器人的成本和加工难度, 而且吸尘功能难以实现, 因此选用轮式移动机构做为机器人的本体行走机构。它设计简单, 控制容易, 安全性高。
2 机器人轮式结构研究设计及方案的选择
2.1 轮式机器人的几种转向
轮式移动机构又分为二轮机构、三轮机构、四轮机构和全方位移动机构, 依据机器人结构的不同和所处环境来选择。
a) 二轮移动机构的研究:二轮式移动机构的结构非常简单, 它和三轮式移动机构一样通过两个驱动轮差动转向, 一般驱动轮与电机直接相连, 通过对电机的控制改变两个轮子的速度来达到转向的功能, 左右车轮处于同一平面内, 以此来达到平衡[1] (图1) 。安装时要确保两驱动轮的轴线处于同一前后位置上, 操作起来很容易, 只要在向驱动轮安装架钻孔时事先做好标记就可以了 (图2) 。当电机与驱动轮直接连接时, 还要注意驱动轮彼此同轴, 也就是说, 驱动轮都对准正前方, 否则机器人肯定不会沿着既定的路线行驶。
b) 四轮和全方位移动机构研究:四轮机构和全方位机构的转向比较复杂, 四轮式移动机构是典型的汽车运动的主要构成部分, 一般分为三种转向方式:它们分别是两前轮驱动转向、两后轮驱动转向和四轮互相配合转向, 车轮的连接比较复杂, 不适合一般的家用机器人移动, 而且造成机器人结构繁琐;全方位移动机构可以进行任意的定位和定向, 虽然它可以使机器人更加灵活地运动, 有着显著的优越性, 但它同四轮机构一样甚至比四轮机构更具复杂性和难度。
c) 三轮式移动机构研究:三轮式移动机构一般在两轮式的基础上增加一个万向轮或驱动轮, 有两种驱动方式, 它们分别是两后轮驱动, 前轮导向和前轮作为驱动轮, 而两后轮为转向轮, 用一根轴连在一起。当两后轮驱动时, 主动力轮分开置于机体左右两侧, 支撑点处应用万向轮, 但考虑到万向轮自身存在转弯半径, 为了保持在转弯过程中机器人整体的几何中心不会偏移太大, 而造成转弯后丢线, 所以两个支撑轮的自身摩擦阻尼应该足够小, 采用这种转向结构后, 机器人可以做到0半径 (几何中心不变) 的360°自由转向。
根据机器人完成指定任务要求, 机器人必须具备转向灵活, 转弯半径尽可能小, 即转向过程中机器人本身几何中心偏移量尽可能小, 因此选择三轮式作为机器人的行走机构, 在转弯的时候, 由左、右轮进行差动转弯。进行两轮反向差动转向可以使机器人几何中心保持不动, 不会影响转弯后的运动轨迹, 完全能达到设计要求。
2.2 三轮式移动机构的研究
a) 三轮式移动机构的机械部分:三轮式移动机构是一般移动机器人都选择的移动方式, 它的特点是机构组成容易, 旋转中心是在连接两驱动轮的直线上, 可以实现零回转半径, 清扫吸尘机器人的运动情况, 典型的三轮式由两个同一回转中心的固定式轮和一个偏心可定向轮组成。如图3所示为三轮机器人小车框架结构。
机器人小车的驱动系统由两个步进电机通过齿轮传动分别驱动两固定轮来实现, 因此其驱动方式为差动方式, 即通过左右轮的不同转速来实现小车的不同运动方式。轮7是偏心定向轮, 也称为万向轮, 作为小车的随动轮。C点为小车的质心, F点为万向轮相对于小车本体的不动点, 光电编码器用于小车定位时输出反馈控制信号, 不影响小车的运动模型。在三轮形式下小车可以实现直线运动、圆弧运动和本体质心条件不变下的运动。
b) 三轮式移动机构的控制:因为驱动轮是直接和步进电机相连的, 所以通过控制步进电机来控制轮子, 步进电机通过驱动。
c) 移动行走机构几何尺寸设计计算:将移动行走机构归为底箱部分, 底箱是整个机器人的基础, 其中包括电机、驱动器、电池、光电编码器和刷子等, 设两个主动轮安装在底箱前部, 差动驱动, 主动轮的厚度为50mm, 直径为256mm, 从动轮的厚度为20mm, 直径为50mm, 两驱动轮的间距为500mm, 主动轮轴中心线距前端为150mm, 从动轮到主动轮的最大距离为300mm。通过这些数据我们来分析下如何选择行走机构的驱动电机。
d) 电机的选择安装分析:选择机器人的质量为20kg, 最大行走速度为0.3m/s, 则车轮的角速度为
undefined
分3种情况讨论负载及轴所受到的扭矩:
1) 启动后达到最大速度0.3m/s匀速前进, 此时主动轮摩擦力和从动轮的摩擦力的关系如图4所示。
F主=F从 (2)
而
F从=μFN (3)
取μ=0.05得
F从=0.05×20×9.8=9.8N
则平均每个轮受力为1/2×F=4.9N
TL=4.9×0.128=0.6272N·m
2) 起始加速时:设从启动到达到0.3m/s时所需要的时间为100ms, 则小车的加速度为
undefined
小车在启动时间内的角加速度为
undefined
小车的转动惯量为
undefined
代入数据得 J≈0.164kg·m2
则轴所受的转矩为
TL=0.164×3=0.49N·m
3) 机器人小车转弯时 (图5) :
undefined得
F=7.644N 则
TL=7.644×0.128=0.978N·m
综上可得 Tmax≤1N·m
选用南京华兴电机制造有限公司的两相混合式步进电机, 型号为57BYG4502, 其参数如表1所示。
电机尺寸分别为B=57, d (H7) =6.35, L1=21, D1 (h7) =38.1, h=1.6, h1=5.5, L=55, D2=66.6, d1=5。通过电机的安装尺寸做一个支架将电机用螺钉固定在机器人底板上。
3 结论
通过对移动机构的对比分析, 选择了适合家用机器人的行走方案, 同时对移动机构的驱动电机的选择做了分析, 归纳不同的环境下机器人驱动的选择。
摘要：从20世纪90年代开始, 清扫机器人的研究工作越来越受到关注, 将机器人用于清扫服务, 具有广阔的应用前景。通过对比国内外机器人的发展现状, 研究了清扫机器人的行走驱动机构, 提出了适宜家用的机器人移动方案。
关键词：清扫机器人,移动驱动机构,步进电机
参考文献
[1]杨春杰.轮式机器人车轮的安装与选择[J].现代机械, 2005, 2 (6) :89-90.
[2]许松清, 吴海彬, 杨兴裕, 等.两轮驱动移动机器人的运动学研究[J].电子机械工程, 2005, 21 (6) :31-34.
移动机器人路径规划方法研究 篇7
移动机器人是一个集环境感知、动态决策与规划、行为控制与执行等多种功能于一体的综合系统。路径规划技术是移动机器人研究领域的关键技术之一,它要求机器人根据给予的指令及环境信息自主地决定路径,避开障碍物,实现任务目标。路径规划是移动机器人完成任务的安全保障,是移动机器人智能化程度的标志之一,同时也是人工智能与机器人学的一个令人感兴趣的结合点。自上世纪70年代起路径规划问题就受到了国内外众多机构和学者的广泛关注。尤其是80年代以来,在人工智能、计算机科学、数学和机械工程等领域内的学者们的共同努力下,路经规划的研究在理论和实践方面都有了很大的提高。而随着机器人应用的日益广泛,结合路径规划问题所具有的复杂性、随机性、多约束性、多目标性特点,如何在各种具体环境中具体问题具体分析,合理有效地选择路径规划方法或策略将仍是机器人研究中非常有实际意义的课题。
2. 全局路径规划方法
全局路径规划(global Path Planning)是基于环境先验信息的,即在环境信息是全局完全已知的的情况下,通过离线的方式进行规划,并优化路径的长度、安全性及平滑度等性能指标以求出最优路径。全局路径规划包括环境建模和路径搜索策略两个子问题。其中环境建模的主要方法有可视图法(Visibility Graph)、自由空间法(Free Space Graph)和栅格法(Grids)。
2.1 可视图法
T.Lozano-Perez和M.A.Wesley等人在1979年提出了一种无碰路径规划算法—位姿空间法,并基于位姿空间法提出了可视图法。该方法在C-空间中,视移动机器人为一个质点,将所有障碍物的顶点和机器人起始点及目标点用直线组合连接,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”,然后搜索从起始点到目标点的最短距离的可视直线,寻求最优路径。由于可视图法假设机器人的尺寸大小忽略不计,会使机器人通过障碍物顶点时离障碍物太近甚至接触,并且搜索时间长。因此该方法可以求得最短路径,但一旦机器人的起点和目标点发生改变,就要重新构造可视图,比较麻烦,缺乏灵活性,同时存在组合爆炸问题。
2.2 自由空间法
自由空间法[1]应用于机器人路径规划,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拓扑意义上的连通图,通过搜索连通图来进行路径规划。该方法比较灵活,起始点和目标点的改变不会造成连通图的重构,但算法的复杂程度与障碍物的多少成正比,且不是任何情况下都能获得最短路径。
2.3 栅格法
栅格法[3,4,5,6]是目前应用最广泛的环境建模方法,它将机器人工作环境分解为一系列具有二值信息的网格单元,采用均匀的栅格覆盖整个工作空间,从而将其分成被障碍物占据的栅格和自由的栅格,障碍物栅格和非障碍物栅格具有不同的识别值,然后用启发式算法在栅格中搜索一条无碰撞路径,即要求路经的栅格都必须是自由的。该方法以栅格为单位记录环境信息,环境被量化成具有一定分辨率的栅格,栅格的大小直接影响着环境信息存储量的大小和规划时间的长短。栅格划分大,环境信息存储量小,规划时间短,但分辨率下降,在密集环境下发现路径的能力减弱;栅格划分小,环境分辨率高,在密集环境下发现路径的能力强,但环境信息存储量大,规划时间长。由于这种方法存在栅格精度(分辨率)与搜索空间的矛盾,所以它常采用层次形的栅格来构成一个多分辨率的金字塔,即上层采用较小的分辨率,下层的分辨率依次按二的倍数提高,规划首先在上层的栅格上进行,当失败时再考虑分辨率较高的路径。其中层次形的栅格多采用四叉树或八叉树的数据结构来表示。
从上述三种方法中可以看出,不管是可视图的顶点,还是自由空间的连通域,或是栅格图中的二值单元,它们虽然对工作空间的表示方法不同,但规划最后都需要通过某种搜索算法寻找到一条能避开障碍物的顶点、域或者单元的序列,这个序列即为规划出的路径。在己有的方法中,路径搜索策略主要有A*搜索算法、Dijkstra最优算法等。最近,还出现了很多运用遗传算法、进化算法等搜索策略来进行路径规划的研究。
3. 局部路径规划方法
局部路径规划(Local Path Planning)是指在未知或者部分未知的环境中进行的路径规划。它首先根据传感器信息确定机器人在地图中的当前位置及周围局部范围内的障碍物分布情况,然后规划出一条从起点或某一子目标点到下一子目标点的优选路径。与全局规划方法相比,局部规划更具有实时性和实用性,对动态环境具有较强适应能力,但由于仅依靠局部信息,有时会产生局部极值点或振荡,无法保证机器人顺利地到达目标点。
3.1 人工势场法(Artificial Potential Field)
人工势场法[11]最初是由Khatib提出的一种虚拟力法,其基本思想是将机器人在环境中的运动视为一种虚拟的人工受力场中的运动,障碍物对机器人产生斥力,目标点对机器人产生引力,引力和斥力合力作为机器人的加速力,来控制机器人的运动方向。该方法简单,便于低层的实时控制,在实时避障和平滑的轨迹控制方面得到了广泛的应用,但是在很多环境下势场中存在大量势能为零的点,机器人一旦进入这种点周围的“谷”区域,将被陷住(Btrapped),因而可能使机器人在到达目标点之前就停留在局部最优点。因而存在局部最优解的问题,容易产生死锁现象。为此,提出了许多新势场函数和局部极小逃逸等方法,但当环境变得更复杂时这个问题还是难以得到解决。文献[8]采用预测与势场法相结合的算法解决移动机器人的导航问题,取得了良好效果。文献[9]通过引入虚拟障碍物使搜索过程跳出局部最优的陷阱,但引入虚拟障碍物可能会产生新的局部极小点,同时也增加了算法的复杂度。出于对人行走智能的启发,文献[10]提出了一种按启发式规则设定虚拟局部目标从而避免陷入局部极小的方法,由于引入了智能规则,它能解决更复杂环境下的局部极小问题。文献[11]提出在传统人工势场法基础上辅以斥力环法,改变了人工势场法中斥力的作用方式和机器人的避障策略,在完成动态未知环境下的目标跟踪和避障任务中更灵活合理,时间减少。
3.2 模糊逻辑算法(Fuzzy Logic Algorithm)
基于实时传感信息的模糊逻辑算法参考人的驾驶经验,通过查表得到规划信息,实现局部路径规划。文献[12]提出一种基于模糊概念的动态环境模型,参照物体的位置和运动信息构造二维隶属度函数;然后通过模糊综合评价对各个方向进行综合考察,得到搜索结果。该方法在移动障碍物和移动目标的环境中能有效地实现机器人避碰和导航。文献[13]提出了一种在未知环境下移动机器人的模糊控制算法,并对此算法进行了推导与仿真,证明该算法鲁棒性强,可消除传统算法中存在的对移动机器人的定位精度敏感、对环境信息依赖性强等缺点,使移动机器人的行为表现出很好的一致性、连续性和稳定性。文献[14]提出一种未知环境下的高级机器人模糊导航方法,由8个不同的超声传感器来提供环境信息,然后利用基于模糊控制的导航器来计算这些信息,规划机器人路径。该方法在环境未知或发生变化的情况下,能够快速而准确地规划机器人路径,对于要求有较少路径规划时间的机器人是一种很好导航方法。但是,当障碍物数目增加时,该方法的计算量会很大,影响规划结果。
3.3 神经网络算法(Artificial Neural Network)
神经网络作为一个高度并行的分布式系统,为解决机器人系统实时性要求很高的问题提供了可能,并应用于机器人路径规划。路径规划是感知空间到行为空间的一种映射。映射关系可用不同方法实现,很难用精确数学方程表示,但采用神经网络易于表示。将传感器数据作为网络输入,以由人给定相应场合下期望运动方向角增量作为网络输出,由多个选定位姿下的一组数据构成原始样本集,经过剔除重复或冲突样本等加工处理,得到最终样本集。文献[15]提出了一种基于神经网络的机器人路径规划算法,研究了障碍物形状和位置已知情况下的机器人路径规划算法,其能量函数的定义利用了神经网络结构,根据路径点位于障碍物内外的不同位置选取不同的动态运动方程,规划出的路径达到了折线形的最短无碰路径,计算简单,收敛速度快。文献[16]也提出了基于神经网络的机器人路径规划算法并进行了一定的研究。
3.4 遗传算法(Genetic Algorithms)
在20世纪60年代初J.Holland提出了遗传算法,以自然遗传机制和自然选择等生物进化理论为基础,构造了一类随机化搜索算法。它利用选择、交叉和变异等遗传操作来优化控制算法,不要求适应度函数是可导或连续的,只要求适应度函数为正,同时作为并行算法适用于全局搜索。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,因此更有可能搜索到全局最优点。遗传算法的整体搜索策略和优化计算不依赖于梯度信息,解决了一些其它优化算法无法解决的问题。但遗传算法的运行速度不快,进化众多的规划要占据较大的存储空间和运算时间。
4. 混合方法
路径规划的问题尚处在不断的发展和完善之中。该问题的本质是在工作环境中为机器人规划一条优化的运动路径,关键在于如何利用环境信息。全局规划的方法需要环境中的全部先验信息,而机器人的工作环境大部分是动态时变的,很难准确预知;而局部规划的方法强调避碰行为,虽实时性好,但是由于缺乏规划而丧失优化的优点。最佳的方案就是在全局规划的基础上,进行局部微调,提高规划速度及精度,同时具有一定的灵活性,可以互相结合,取长补短。此外还有优化问题,现有的静态环境中的路径规划法都追求全局最优,对于较大规模的环境,计算量大,且难于适应比较复杂或规模较大的动态时变环境,更不便于实时实现。如何优化才能使问题求解规模大大减小,便于解决比较复杂的问题和便于实时实现也是值得探讨的问题。
目前,国内外很多专家学者在这方面作了大量研究,并取得了很多成果。文献[2]提出利用遗传算法和模拟退火算法相结合的方法来解决机器人路径规划问题。这种混合方法也可以看作是遗传算法的改进,它抑制了遗传算法的早熟现象,克服了其局部寻优能力较差的缺点,有效地提高了路径规划的质量。文献[2]针对未知、静态环境下路径规划问题,提出了基于量子遗传算法的移动机器人路径规划方法。采用随机搜索形式的矩阵编码方式,并引入奖励函数来优化适应度函数,该方法较好地规划出已知静态环境下移动人的无碰撞可行路径,经仿真可知该算法的有效性和快速的收敛速度,其收敛性优于标准遗传算法和量子计算。同时文献还基于免疫克隆选择算法,采用路径最短和有效避障作为亲和力函数,提出基于避障的全局路径规划和基于避碰的局部路径规划的双重规划方法,能避开动态障碍物,达到实时路径规划的目的。文献[7]提出了一种基于粗糙集和遗传算法混合方法的机器人路径规划方法。引入粗糙集软计算方法,对遗传算法的种群初始化过程进行了改进,提高了机器人路径规划的速度和能力。文献[13]提出一种用于半自主移动机器人路径规划的模糊神经网络方法。这种方法采用模糊描述来完成机器人行为编码,同时重复使用神经网络自适应技术,通过机器人的传感器提供局部环境输入,内部模糊神经网络进行环境预测,从而可以实现未知环境下机器人路径规划。
对机器人路径规划的研究不仅仅局限于上述几种方法。一些新的算法和方法也逐渐应用于这一领域。如蚁群优化算法、粒子群算法、启发式搜索算法、混沌控制算法等等。
5. 结束语
随着电子技术的飞速发展,计算机运算速度显著提高和机器人应用领域的进一步扩大,移动机器人技术将逐渐地得到完善和发展。机器人路径规划作为机器人学的一个重要研究领域,与20世纪80年代研究初期相比,无论是在研究的深度还是广度上都有了巨大的发展,初步形成了理论、算法和应用的多方位研究。但还有不少工作值得进一步开展,在复杂环境下的移动机器人路径规划方面还存在着不足,还没有任何一种方法能广泛地适用于各种环境。此外,在多机器人协调作业环境下,由于障碍物和机器人数目增加,加大了路径规划的难度,以及如何使机器人在运动过程中根据不同的环境特点,高效地选择恰当的规划算法都是很有意义并且十分重要的研究课题。
参考文献
[1]蔡自兴.机器人学[M].清华大学出版社,2000.
[2]王海英.智能优化算法研究及其在移动机器人相关技术中的应用[D].哈尔滨理工大学,2007.
[3]于红斌,李孝安.基于栅格法的机器人快速路径规划[J].微电子学与计算机,2005,22(6):98-100.
[4]H.Weber.A Motion Planning and Execution System for Mobile Robots Driven by Stepping Motors.Robotics and Autonomous Systems,2000,33(4):207-221.
[5]陈立彬.动态未知环境下移动机器人路径规划方法研究[D].哈尔滨理工大学,2007.
[6]唐平,张祺,杨宜民.可碰机器人动态避障的路径规划研究[A].Proceedings of the3rd World Congress on Intelligent Control and Au-tomation[C].Hefei,P.R.China:中国科技大学,2000.
[7]吴成东,张颖,刘航.粗糙集遗传算法在机器人路径规划中的应用[J].沈阳建筑工程学院学报,2003,19(4):326-329.
[8]董立志,孙茂相.基于实时障碍物预测的机器人运动规划[J].机器人,2000,22(1):12-16.
[9]樊长虹,卢有章,刘宏等.基于神经网络的移动机器人路径规划[J].计算机工程与应用,2004(8):86-89.
轮式移动机器人的主控制器设计 篇8
关键词：机器人,控制界面,传感器,自动避障
0 引言
移动机器人技术涉及到机器人的导航与定位、路径规划、运动控制等,它集中了传感器技术、信息处理、电子工程、计算机技术、自动化控制工程以及人工智能等多学科的研究成果,代表机电一体化的最高成就,是目前科学技术发展最活跃的领域之一。对移动机器人控制系统的研究更是国内外对移动机器人研究的重中之重,本文针对移动机器人控制系统的搭建主要完成完成主控制器界面设计,主控制器软件目的是更好地监测机器人的运动状态,使机器人能够自动避障及目标定位。
1 轮式移动机器人的主控制器设计
1.1 移动机器人总体结构
本设计选用的机器人为双轮差速驱动移动机器人,控制器采用笔记本电脑,由串口通信向机器人其他硬件发送接收信息,执行器为机器人的双轮,传感器有摄像头传感器,超声波传感器,霍尔测速传感器,电机的运动通过电机驱动板控制,传感器通过串口与控制器通信。系统框图如图1所示。
1.2 控制器软件功能设计
移动机器人的驱动机构为车轮,传感器包括超声波传感器等,控制器部分的硬件包括两层:下层是传感器及电机控制板、上层是主控制器。
软件功能设计:核心控制器软件主要负责控制机器人进行运动及进行运动信息和超声波数据的显示,其核心控制器还包括对超声波数据的处理,使其能够进行自动避障;软件界面获取用户信息进行相应处理通过串口向下层传感器及电机控制板发送信息指令,当下层传感器及电机控制板返回信息时,控制器软件同时进行相应的处理,把相应的有用信息提取出来显示在控制器界面上,并利用其进行避障运算。
2 移动机器人避障算法
运动学是对机械系统如何运行的最基本的研究。在移动机器人学中,我们必须了解机器人的机械行为以正确的设计特定任务的移动机器人,并针对一个机器人的硬件实例,学会如何创建控制软件。
2.1 机器人运动学模型
移动机器人的运动学模型是最直观的模型,它直接描述了系统位置和机器人速度之间的关系,运用物理学运动分析方法,容易得到移动机器人的运动学模型 [1]。
其中(x ,y ,φ )是移动机器人在全局的位置和角度,u1和u2是移动机器人在全局坐标下移动的线速度和角速度。x为移动机器人在全局坐标系下沿X轴方向的线速度,当移动机器人沿着X轴正方向运动时其值为正,沿着X轴负方向运动时其值为负。y为移动机器人在全局坐标系下沿Y轴方向的线速度,当移动机器人沿着Y的正方向运动时其值为正,沿着Y负运动方向时为负。φ为移动机器人在全局坐标系下的角速度,当移动机器人逆时针转动时其值为正,顺时针转动时为负。通过这个运动学模型,我们可以很容易得出机器人的轨迹。...
2.2 移动机器人的动力学模型
移动机器人的动力学模型(见图2)是最本质的模型,描述了系统速度、位置和加速度之间的数学关系,反映了力对机器人的位置和速度的作用。相对于运动学模型来说,动力学模型更加复杂,进而实时性比较差。并且,由于质量、转动惯量、摩擦力等不确定项的影响,为系统的描述带来了很大困难,使得动力学模型在控制效果上的模型优势降低。而且动力学模型由于质量等不确定项的影响,不具有通用性[2]。在这里直接写出移动机器人的动力学模型[3]。
移动机器人的动力学模型是:
其中
b是移动机器人的宽度的一半,r是移动机器人轮子的半径,d是移动机器人的重心pe和左右两个轮子的中间点p0之间的距离,me为移动机器人的质量,mw为电机轮的质量,Ie是机身的惯性对过pc的垂直轴的力矩,Iw是电机轮对轮轴的力矩,Im为电机轮对车轮直径的力矩。正数dii,i=1,2是阻尼系数,(x,y)是移动机器人在全局坐标系下的位置以及角度,v1,v2是移动机器人左右两个轮子的角速度,v1,v2是给轮子的控制力矩。
2.3 基于虚拟力的机器人避障算法
基于阻抗控制概念的避障策略:当机器人探测到前进道路上有障碍物时,利用阻抗控制的概念[3],将追踪的目标调整到一个虚拟的位置[4],从而使机器人能够避开障碍物。阻抗控制需要实时地反馈机器人和环境之间的作用力。移动机器人与障碍物之间的相互作用通过虚拟力f(t)表示,f(t)的大小是机器人和障碍物距离d的函数,方向指向机器人。因为阻抗控制考虑的是移动机器人运动方向上的作用力,所以 f(t)在机器人运动方向上的径向分量ft(t)被用来确定目标调整角度ψ的大小,与机器人运动方向垂直的切向分量fr(t)则被用来确定目标调整的方向(顺时针或逆时针) ,即
式中:为一个和ft(t)相关的辅助变量,当f(t)趋于零时, 也相应地趋于零;为当前期望的目标位置,调整后的目标位置xr=[xryr]通过将xd旋转角度而得到。
阻抗控制算法:虚拟力 的定义采用文献[6]的线性函数的形式,即
式中,a和b为正的常数且满足a-b(dmax-dmin)=0 , dmax和 dmin分别为超声传感器能够探测到的最大和最小距离; 为t时刻超声传感器探测到的障碍物距离,显然dmin≤d(t)≤dmax。期望的阻抗关系定义为线性的动力学关系[5]
式中,B和K为正的常数,分别表示移动机器人与障碍物相互作用的阻尼系数和弹性系数。那么,辅助变量的定义就是
将r(t)带入式(2),计算得到目标点相对于机器人中心的旋转角度ψ。新的目标点的位置xr通过旋转xd得到
障碍物距离机器人越近,虚拟力也就越大,目标调整的角度也越大,以使机器人能够避开障碍物。当机器人远离障碍物时,虚拟力逐渐变为零,同时f(t)=0,Υ=0 ,ψ=0,使得xr=xd,移动机器人继续向指定目标前进。
3 结束语