移动机器人漫游避障的研究

移动机器人在做漫游运动时,它的运动是随机的,因而避障是漫游过程中必须要解决的问题.本文应用多超声波传感器设计了移动机器人漫游避障的控制算法,在Pioneer 3-Dx型移动机器人自带的仿真平台SRIsim上进行了仿真实验,仿真结果表明了所设计算法的有效性和可行性.     

基于改进BP神经网络的移动机器人寻线控制

神经网络系统具有自学习和自适应的能力,同时有很强的容错性和鲁棒性,适用于处理难于语言化的模式信息。为使移动机器人沿地面标志线自主运动,采用CCD图像传感器与PC／104总线相结合的硬件系统,运用神经网络的模式识别功能,实现了机器人的寻线控制,实验结果表明该方法是可行的,能有效地提高移动机器人对环境的适应性和其智能化水平。     

两级传感器信息融合的移动机器人避障研究

针对移动机器人的避障问题,以AS-R移动机器人为研究平台,提出了一种将神经网络和模糊神经网络相结合的两级融合方法。采用BP神经网络对多超声波传感器信息进行融合,以减少传感器信息的不确定,提高对障碍物识别的准确率;采用模糊神经网络实现移动机器人的避障决策控制,使之更适合系统的避障要求。该方法使移动机器人在避障中具有较好的灵活性和鲁棒性。机器人避障实验验证了所提方法的有效性。     

基于场景匹配的移动机器人避障

研究环境未知情况下移动机器人的避障问题，提出一种基于模糊场景匹配的移动机器人避障方法．该方法对多种传感器的信息进行融合，生成当前环境的场景并与场景库中的场景进行匹配，利用匹配结果并通过模糊控制器得到机器人的运动参数，对机器人的避障进行控制,实验结果表明了该方法的正确性和有效性。     

基于行为融合的移动机器人自主避障算法

当移动机器人面临环境未知或不确定时,各个行为融合的权重随环境的变化而变化,从而导致权重无法在线调整而不能顺利到达目标点.为此,提出一种权重可在线调整的自主避障行为融合算法.用Mamdani型模糊控制器设计移动机器人自主避障过程中的基本行为;同时,提出一种基于两级BP神经网络信息融合的权重调整方法来实现各个基本行为的融合.该算法能够根据环境的变化实现各个基本行为权重的在线调整,增强自主避障控制的实时性和鲁棒性.仿真实验结果表明了该算法的有效性和可行性.     

基于Arduino单片机的智能避障小车设计

本文介绍了采用超声波传感器的自主避障小车的设计与实现。通过发送脉冲检测与障碍物的距离,从而控制舵机进行转向,实现小车的避障功能。智能小车采用前桥转向,后轮驱动的布置方式,两轮各用一个直流电机配合齿轮减速机构实现,选用Arduino单片机芯片作为控制核心。进行了软硬件系统的设计,搭建了智能小车平台,取得了良好的实验效果。     

基于神经网络进化学习的两轮小车避障控制

本文提出了基于神经网络的两轮小车的避障控制，通过进化学习实现了小车在非结构化环境中的避障行为。这种神经网络控制结构同时完成传感器数据融合功能，具有一定的传感器容错能力。     

基于模糊控制的移动机器人避障研究

针对移动机器人在未知环境中的不确定性,利用Matlab构建了多传感器仿真试验移动平台,在Simulink中搭建移动机器人运动学模型,利用多传感器采集环境中的障碍物信息与目标物的方位角,设计了具有避障功能的模糊控制算法.通过模糊控制器控制移动机器人的左右轮速度实现机器人的转弯以及直走,根据机器人实时的角度反馈信息不断修正机器人的位姿以精确避障.仿真实验验证了该方法的可行性及有效性.     

基于多超声波传感器避障机器人小车的设计

本文介绍了采用多超声波传感器的避障小车的设计与实现.通过多个超声波发送脉冲检测与障碍物间的距离,控制方向舵机进行转向,实现小车的避障功能.小车采用前轮舵机转向,后轮H桥驱动电路和齿轮减速驱动的方式,以Arduino Mega ADK控制板作为控制核心,进行了软硬件系统的设计,搭建出自动避障小车平台,取得了良好的实验效果.     

基于人工神经网络实现智能机器人的避障轨迹控制

利用人工神经网络中的二级BP网，模拟智能机器人的两控制参数(左、右轮速）间的 函数关系，实现避障轨迹为圆弧或椭圆弧的轨迹控制，并且通过调整椭圆长、短轴大小，能 实现多个及多层障碍物的避障控制．该方法的突出特点是方法简单、算法容易实现，使机器 人完成多个及多层避障动作时，不滞后于动态环境里其它机器人（障碍物）位置的变化．在 仿真实验中，取得了理想的效果．     

基于双目视觉的移动机器人避障算法仿真研究

针对当前超声波定位的机器人避障技术中,只能感知外围的单一信息,在多机器人通信或者外围存在信号串扰的前提下,信息转化测距结果存在较大误差,存在避障盲区的问题,提出一种视觉多图像信息融合的机器人避障算法,通过双目立体视觉采集机器人的实际图像信息,运用像素自适应融合方法最大程度的采集视觉信息,归一化后的视觉信息带入A*算法进行最优路径的选择,克服单一信息选择中路径计算的弊端,建立多信息约束的路径搜索模型,最大化的解决视觉避障中的干扰问题.后期的计算机仿真结果表明,与传统的测距避障算法相比,有效提高了算法的抗噪性能和避障准确性,为移动机器人避障优化提供了依据.     

基于多传感器的移动机器人避障①

提出了一种视觉传感器和红外线测距传感器相结合来实现移动机器人在不确定环境中自主避障的方法。首先对视觉传感器采集的图像使用光流法提取障碍物信息,再结合红外线测距传感器反馈的距离信息,然后通过避障策略实现移动机器人的避障。实验结果验证了该避障方法的良好性能。     

基于分级速度障碍的移动机器人避障算法

针对广义速度障碍(Generalized Velocity Obstacles,GVO)算法解决动态环境避障问题时计算量过大、动作过于保守等问题,提出了速度障碍法(Velocity Obstacles,VO)与GVO组成的分级避障控制生成策略,使用VO判断所选控制生成的速度矢量是否存在碰撞危险,如果存在碰撞危险则进一步...     

基于神经网络前馈补偿的欠驱动机器人越障控制

针对欠驱动巡检机器人相对于传统机器人控制量少于控制对象的特点,依靠Lagrange定理建立机器人系统动力学模型和电缆弯曲数学模型.根据障碍物外形特点给出障碍物特征量的提取方法;根据障碍物较大,常规的运动控制输出量不宜变化过大的特点,以及机器人越障过程中要保持机体平衡,依据动力学模型提出了基于神经网络补偿的前馈-反馈控制器,以实现对系统姿态控制和越障控制.控制器具有自学习、自动补偿的能力,对非线性对象有较好的控制作用.仿真结果表明,该方法相对于常规PID控制、普通模糊控制具有超前调节、超调量小、抗扰动能力强的特点.通过实验,验证了基于神经网络补偿的前馈-反馈控制器的合理性.     

基于贝叶斯分类器的移动机器人避障

贝叶斯分类是一种基于贝叶斯定理的统计学分类方法,它是结合先验信息与样本信息计算出后验概率。介绍了一种基于贝叶斯分类的移动机器人避障方法。对摄像头所获得的图像进行图像分割以抽取图像的障碍物边缘信息,根据所得到的障碍物轮廓对其左右边界进行标定。叙述了朴素贝叶斯分类器在先验概率未知情况下的工作过程。基于朴素贝叶斯分类器对未知类标号的样本进行分类,从而得到机器人移动的控制指令。实验结果表明了该方法的有效性和可行性。     

基于激光雷达的移动机器人避障规划仿真研究

对传统矢量场直方图算法进行改进,使其成为一种适用于将激光雷达作为探测仪的室外避障规划算法。将激光雷达数据作为依据,以自适应阈值为条件,通过对目标航向进行规划,获得机器人行进方向的实时避障算法。当机器人与目标点之间存在障碍物时,以最大阈值获得机器人的目标航向,而当机器人与目标点之间无障碍物时,以最小阈值确保机器人行进过程不会与障碍物发生碰撞。仿真结果表明,在复杂障碍物环境中,当机器人行进速度低于0.8 m/s时,可安全而平滑地通过障碍区,到达目标点;当机器人的行进速度高于0.8 m/s时,虽速度过快,机器人与平台之间会有轻微的剐蹭,但最终亦能到达目标点。     

一种新颖的基于二分法和模糊控制的移动机器人避障系统

针对超声波传感器波束角窄导致移动机器人存在避障盲区的现状,研究了一种新颖的超声波避障系统。该系统采用六个超声波传感器构成特别设计的超声波阵列,实现无盲区检测中大型移动机器人前方及左右两侧障碍物的位置,充分保障运行安全性;同时在避障算法上,采用二分法和模糊控制相结合的控制算法,简化了模糊控制规则使系统具有很好的智能性和实时性,实现了移动机器人选择最佳避障路径并对新增的动态障碍物进行避障。将此避障控制系统应用于移动机器人上,实验结果表明：在未知环境下,实现对移动机器人周边的无盲区检测,并且能够实时根据周围障碍物的动态情况选择最佳避障路径,避免了其它避障控制算法中易出现的误避障和二次避障的情况。     

移动机器人超声波避碰传感器系统设计

为了避免移动机器人在行进过程中与障碍物发生碰撞,设计了一种基于LPC2119微控制器的超声波避碰传感器系统。文章首先介绍了超声波发射电路、回波电压放大电路和检测电路的设计方法;巧妙地应用74HC154的简单电路实现了多路超声波信号的循环发射;利用LM567实现了锁相环回波检测电路,针对超声波传感器之间的回波干扰,提出了一种有效的解决方案;最后根据实验测量结果,应用最小二乘法得到了距离补偿公式,在移动机器人运行的过程中,该系统实时地循环检测机器人周围的障碍物信息,有效地避免了碰撞现象的发生。     

未知环境下基于Elman网络力控制的移动机器人避障研究

避障控制一直是移动机器人路径规划的难点.提出了一种未知环境下基于神经网络的机器人动态避障方法,同时把混合力/位置控制结构应用到移动机器人的避障控制中.力控制算法是通过在移动机器人和障碍物之间形成虚拟力场,并对其整定,以使它们两者之间能保持期望距离.由于移动机器人的动力学模型和障碍物的不确定性也会对避障控制的性能造成影响,因此采用Elman神经网络来补偿不确定性,同时整定移动机器人和障碍物之间的精确距离.仿真实验表明该动态避障算法是有效的.