基于视觉的移动机器人实时避障和导航

阐述了移动机器人通过视觉传感器在不确定的环境中实现自主避障和导航的一种方法，首先讨论了路径规划的分层结构，然后通过简单的图像处理方法获取运动环境中的避碰点，最后给出机器人实现局部路径规划的算法，该方法有效地利用了全局环境地图和视觉信息。减少了计算量，提高实时性，通过仿真研究说明了该算法的有效性和可行性。     

农田作业机器人视觉导航目标曲线检测算法研究

为研究农田作业机器人视觉导航信息的提取方法,以自然环境下采集的曲线特征较为明显的农田图像为研究背景,根据图像RGB颜色特征,利用颜色聚类算法,将导航路径从复杂的背景中提取出来.并对得到的二值图像进行形态学处理以消除噪声,然后对图像逐行扫描检测出导航路径的中心离散点,利用最小二乘法拟合出导航路径,并提出一种新的导航参数的获取方法.试验结果表明:该算法具有速度快、精确度高的优点;在作业环境具有较强的曲线特征等情况下有较好的检测效果.     

基于神经网络的移动机器人路径规划

针对移动机器人在部分环境信息已知情况下的路径规划问题,运用神经网络动态路径最优算法,研究了基于传感器信息的在线路径规划方法.基于扩展卡尔曼滤波的定位方法融合了多个与机器人状态及环境相关的信息,提高了定位精度.首先建立动态的工作空间信息,基于神经网络的路径规划算法完成机器人的路径规划,根据路径点集运动趋向来调节小车移动,完成了导航的任务.对算法的性能和效率进行了分析,实验表明该方法在障碍物的信息未知的情况下,执行速度快.     

动态环境下自主移动机器人的导航复杂性

在自主移动机器人相关技术的研究中，导航技术是其研究核心.动态不确定环境下的路径规划是自主移动机器人导航的关键环节之一，受到了许多学者的关注.多障碍环境下的路径规划，尤其是多障碍动态环境下的路径规划，是一个比较复杂的问题.通过混沌现象对自主移动机器人在动态环境下，利用传感器信息导航的复杂性进行了探讨.通过计算最大Lyapunov指数和描绘功率谱分析图这两种方法，确定了自主移动机器人从传感器上获得的机器人与障碍物间距离信息的时间序列存在混沌现象，揭示了自主移动机器人在动态环境下导航复杂性的原因.     

Xtion深度摄像头在移动机器人导航中的应用

为了提高机器人在室内移动过程中的感知能力,在移动机器人的导航系统中引入Xtion三维深度摄像头作为传感单元,以数据融合单元和路径规划单元为核心,设计了具有机载Xtion摄像头的移动机器人导航系统.系统采用IMU(Inertial measurement unit)和增量式光电编码器作为视觉导航的补偿传感器来弥补Xtion深度摄像头在80cm以内位置感应能力的不足,并采用一种机器人位移、偏移度数据融合算法,对Xtion生成的位移、偏移度数据进行修正.最后利用A*路径规划算法进行机器人的路径规划,在导航系统的作用下,实现机器人从起始位置到设定的目标位置的无碰撞运动.实验结果表明:在机器人导航中,Xtion深度摄像头与补偿传感器融合,比仅使用IMU和光电编码器的方法在导航中能提供更准确的位置感知数据和行进航迹,可以更好地帮助移动机器人完成自主导航.     

搜索双安全边缘点的实时路径规划方法研究

针对未知不确定性环境下机器人路径规划的特点,提出了基于搜索双安全边缘点的实时路径规划新方法.该方法从有限的实时环境信息中搜索躲避障碍物和保证机器人到达目标点的双安全边缘点信息,并结合启发式算法,实现了基于双安全边缘点的实时路径规划.机器人的实际工作环境是十分复杂的,要求路径规划算法有较高的适应能力,特别在u型环境中要求算法能够脱离死区.仿真实验在2种U型环境和复杂环境中进行,仿真结果表明,该方法具有反应灵敏、实时性好的特点,对不确定环境具有良好的适应性,能够实现未知复杂环境下的路径规划.     

基于MAS的高速AGV视觉路径跟踪与控制

基于视觉的自动导向小车（V-AGV）是目前智能移动机器人的研究热点，主要问题是视觉周期过长带来的速度低、导航精度不高以及循线导航时系统对突发事件（障碍物、故障车）的适应能力差，通过将视觉与非视觉传感器集成，采用基于MAS思想的软件系统，视觉系统探测路径区域信息，建立路径复杂度函数，以模糊推理完成速度规划，融合信息实现跟踪控制，使系统对复杂路径具有智能适应能力，实现高速、高精度循线导航；避障规划-避障-路径恢复方法用于突发事件处理，提高了系统的可靠性、稳定性、仿真和实际应用证明了方法的有效性。     

基于外观和深度信息的视觉跟踪算法研究

能够实现视觉导航的自主移动机器人具有很好的应用前景,而场景变化、目标运动、障碍、遮档等是自主机器人视觉导航过程经常遇到的问题,结合外观特征和深度信息的目标检测和跟踪算法是提高自主机器人对目标及环境变化适应能力的重要途径。文章结合人类在跟踪和定位目标时既利用颜色、亮度、形状、纹理等外观特征,又利用物体间距离、深度信息的特点,提出了结合外观特征和深度信息的目标跟踪算法并通过实验验证了该算法对视角、运动、遮挡等因素所引起变化的适应能力,且利用定量的方法对算法的性能进行了评价。     

一种结构化道路环境中的视觉导航系统

根据结构化道路环境的特点提出了一种将边沿检测和道路环境知识相结合的机器视觉算法，并结合基于行为响应的路径规划方法和智能预瞄控制方法，实现了一套基本的机器人视觉导航系统。在自主机器人实验平台ATRV－2上的实验结果表明，该视觉导航系统能够实时理解结构化道路环境，并且能够控制机器人沿着合理路径行驶。     

一种动态不确定环境下的机器人路径规划算法

为了提高机器人在动态不确定环境下的实时性和适应能力,提出了一种机器人实时路径规划新方法.采用环境信息处理算法,通过搜索实时局部环境信息特征信息的方式对环境信息进行分析和处理.该方法能够捕捉动态障碍物并对动态障碍物的运动规律进行预测,将特征信息及时更新给运动动作规划算法部分.运动动作规划算法是通过引入启发式思想选择双安全子目标点,完成规划运动动作并实现优化路径.在不同环境下进行仿真实验,检验了算法的有效性,证明算法在动态不确定环境下具有良好的实时性和适应性。     

基于Matlab和VC++混合编程的障碍检测系统设计

本文主要研究移动机器人在环境未知情况下的障碍物检测问题,提出了一种图像分割和立体视觉相结合的方法进行检测,减小了检测算法的复杂度,并能快速可靠地检测出机器人行进前方障碍物的位置和距离信息;将VC++的可视化图形界面功能和MATLAB的强大图像处理功能有机的结合起来,采用混合编程开发方法实现障碍物检测系统软件。实验结果表明,该方法在障碍物检测系统的开发过程中大大提高了编程效率,缩短了软件的开发周期。     

基于障碍物影响系数的机器人路径规划方法

针对机器人在未知环境中需要进行路径规划,提出了障碍物影响系数的概念,设计了一个结合全局环境信息和机器人局部探测信息的综合评价函数来确定机器人的下一步运动位置,从而使机器人可以无碰撞和较快地到达目标点.障碍物影响系数的添加改善并拓展了全局规划的适用性,使机器人可以在未知环境中进行路径规划,并通过几个仿真实验验证了该规划方法的可行性.     

基于二进制粒子群算法的移动机器人路径规划

由于用PSO进行机器人路径规划的研究尚局限于用连续模型规划连续描述的环境中的路径,使算法受到一定的局限性.为此,研究了一种全新的基于栅格法的机器人路径规划二进制粒子群算法.首先用栅格法描述机器人工作环境,在此基础上,将机器人路径表示为粒子位置的二进制编码,并以路径长度为适应值,产生初始种群后,再对粒子位置和速度进行更新,经过多次迭代,即可获得从起始点到目标点的一条全局最优路径.该方法模型简单,算法复杂度低,收敛速度快,计算机仿真实验证明了该方法的有效性和先进性.     

基于多线激光雷达的障碍检测与环境重建

针对越野环境中自主导航车(ALV)的导航问题，提出了基于卡尔曼滤波理论的障碍检测算法.通过分析多线激光雷达的扫描数据，依次进行候选障碍点提取、非障碍扫描点滤除和聚类分割获取障碍信息，使用卡尔曼滤波算法对目标障碍位置进行跟踪和滤波处理，并结合自主导航车上差分全球定位系统/惯性导航系统(DGPS/INS)的位置和姿态信息进行联合定位，对ALV途经的周围环境进行了三维地图重建.试验结果表明，该算法稳定可靠，跟踪的位置误差可以降低到10 cm以内，有效地解决了越野环境下的障碍检测问题，同时成功地完成了环境场景的重建.     

记忆运动方向的机器人避障算法

在一般的避障环境中,Tangentbug算法表现的非常鲁棒,但当避障环境中有对称障碍物的时候,Tangentbug算法容易产生路径的死循环,从而导致终点不可到达.然而在机器人避障过程中,对称障碍物是非常常见的.针对这个问题,提出了基于记忆机器人运动方向的Tangentbug算法.该算法中,机器人每经过一个位置点,就把当前位置点和选择的运动方向记录下来,为后面的更新运动方向做好准备.首先,机器人扫描到障碍物时计算出机器人与障碍物的相遇方向;其次,根据障碍物的边缘,统计局部地图信息,得到局部切线图,找到离终点和当前点距离和最近的点作为机器人的下一个目标点,得到机器人的运动方向;然后,在机器人绕行障碍物时结合记忆的运动方向和局部切线图产生的最小距离和更新下一步运动方向.在整个避障过程中,不停的更新相遇方向和运动方向,最终实现机器人的直行和绕行,从而到达终点.通过大量实验验证,实验结果表明该算法不仅可以实现机器人在对称障碍物环境中顺利到达终点,也可以在非对称障碍物环境中达到终点,验证了该算法的有效性和鲁棒性.     

移动机器人的避障模糊算法

超声波传感器是移动机器人避障常采用的传感器,但是存在缺点,如三角误差,多次反射.采用多个超声波传感器的模糊避障算法,通过此算法,降低干扰,用VB编写了仿真软件,对算法进行可行性的分析.结果表明,该模糊算法可以实现机器人的安全避障.     

基于光流的非结构化环境中移动机器人避障方法

为了解决在复杂非结构化环境中的避障问题,提出了一种基于光流的适用复杂非结构化环境的移动机器人避障方法.首先,引入梯度守恒假设和局部加权对光流算法进行改进,减少了光照变化不均和噪声对光流算法的影响,提高了算法的计算精度和鲁棒性.然后,使用光流散度来计算相碰撞时间(time-to-contact,TTC),并利用TTC构建障碍地图.设计的航向决策算法能在机器人与障碍物发生碰撞危险时,为机器人选择最优的前进方向.对提出的避障方法进行了仿真及物理实验,实验结果表明:利用该避障方法可以实现移动机器人在复杂非结构化环境中无碰撞地行走.     

一种改进dueling网络的机器人避障方法

针对传统增强学习方法在运动规划领域,尤其是机器人避障问题上存在容易过估计、难以适应复杂环境等不足,提出了一种基于深度增强学习的提升机器人避障性能的新算法模型。该模型将dueling神经网络架构与传统增强学习算法Q学习相结合,并利用两个独立训练的dueling网络处理环境数据来预测动作值,在输出层分别输出状态值和动作优势值,并将两者结合输出最终动作值。该模型能处理较高维度数据以适应复杂多变的环境,并输出优势动作供机器人选择以获得更高的累积奖励。实验结果表明,该新算法模型能有效地提升机器人避障性能。     

基于深度自动编码器与Q学习的移动机器人路径规划方法

针对移动机器人在静态未知环境中的路径规划问题,提出了一种将深度自动编码器( deep auto-encoder)与Q学习算法相结合的路径规划方法,即DAE-Q路径规划方法。利用深度自动编码器处理原始图像数据可得到移动机器人所处环境的特征信息;Q学习算法根据环境信息选择机器人要执行的动作,机器人移动到新的位置,改变其所处环境。机器人通过与环境的交互,实现自主学习。深度自动编码器与Q学习算法相结合,使系统可以处理原始图像数据并自主提取图像特征,提高了系统的自主性;同时,采用改进后的Q学习算法提高了系统收敛速度,缩短了学习时间。仿真实验验证了此方法的有效性。