机器人信息增益RRT环境探索算法

由于传统RRT(rapidly-exploring random trees)路径规划算法固有的盲目探索的问题,机器人到达目标点时除起始点扩展到目标点的路径之外还会生成其他与结果无关的分支路径与节点,为使这些分支路径得到利用井且减少探索的盲目性,提出基于信息增益与RRT思想相结合的机器人环境探索策略.该方法对未知环境中...     

室内测绘机器人自主定位与三维建图研究

室内空间由于低照明、缺少GPS定位辅助和场景特征较少等原因难以利用有限传感器进行高精度三维建图。针对此问题,对FAST-LIO算法进行改进,引入了Lider-IMU参数初始化系统和后端回环检测优化算法,以增加大场景下的建图鲁棒性。采用公开数据集进行实验研究。结果表明,和现有算法相比,该算法轨迹误差精度均有提升。还设计了机器人在东南大学的建筑内部环境进行测试。实验结果表明,机器人能够实现自主移动建图并安全返回,效果良好。     

基于拓扑地图的移动机器人室内环境高效自主探索算法

为了减少移动机器人在自主探索过程中反复到达已知区域的次数,从而提高自主探索效率,提出一种高效率自主探索算法TMRRT(topological map based rapidly exploring random tree)。首先,将变生长率的局部与全局快速扩展随机树（RRT）作为探测器来发现地图的边界,并对前沿点进行聚类;同时,将最佳探测点存储下来作为拓扑地图,避免机器人反复到达已探索区域。最后,在不同环境下进行仿真并在实际环境中进行验证。实验结果显示,本文的探索算法相对于RRT算法平均探索时长减小了7.5%以上、平均路径长度减小了19.8%以上,相对于FA(frontier-based approach)自主探索算法平均探索时长减小了15.7%以上、平均路径长度减小了34.3%以上。结果表明,该算法可以有效提高机器人自主探索的效率,在实际环境中具有可行性。     

内部动机驱动的机器人未知环境在线自主学习

针对目前智能移动机器人在未知环境中学习遇到的如学习主动性、实时性差,无法在线积累学习的知识和经验等问题,受心理学中内部动机的启发,提出一种内部动机驱动的移动机器人未知环境在线自主学习方法,在一定程度上弥补目前该领域存在的一些问题。该方法通过在移动机器人Q学习的框架下,将奖励机制用基于心理学启发的内部动机取代,提高其对于未知环境的学习主动性,同时,采用增量自组织神经网络代替经典Q学习中的查找表,实现输入输出空间的映射,使得机器人能够在线增量地学习未知环境。实验结果表明,通过内部动机驱动的方法,移动机器人对于未知环境的学习主动性得到了提高,智能程度有了明显改进。     

未知环境下自主机器人的行为学习研究

机器人为实现在未知环境下的探索任务,必须具有自主学习其行为策略的能力.本文提出了一种自主机器人行为学习机制.机器人通过与环境的交互,基于Q学习进行行为的自主学习.为降低学习时的计算复杂度,状态空间通过分段映射为不同的类别,从而减少状态-动作对的数量.自主机器人在未知环境中的行为学习是增量式的过程,本文将基于案例的学习与Q学习结合,使机器人在试错时获得的经验以案例的形式保存,并实现案例库的动态更新相关案例同时可以降低机器人行为学习时的计算复杂度和试错时的风险.在文中的最后给出了仿真结果.     

动态环境中服务机器人的改进型地图学习规划

针对室内服务机器人进行服务工作时需要躲避碰撞和抵达目标点的功能需求,本文提出了一种改进型地图学习路径规划算法.在地图学习规划算法的基础上,该算法首先约定了移动机器人的非完整性,使规划具有更高的可行性.然后改进了障碍物的影响方式,令已探测到的障碍物仅对已知区域产生作用,从而减少未知区域对路径选择的影响.接着,优化了地图学习算法中的随机选点策略,即若目标点出现在探测范围内时则令目标点作为初始选取点,解决了地图学习规划在临近目标点时收敛性不佳问题.并设计自适应速度移动策略以进一步提高算法的收敛性能和机器人的规划效率.最后,仿真及实验结果表明改进型地图学习路径规划算法相比于传统地图学习算法具有更好的规划效率和目标收敛能力.     

未知环境中小型机器人路径规划策略的研究

针对微小型机器人在进行路径规划时存在系统硬件资源有限,数据处理能力盖及系统感知能力有限,只能获取局部信息,且信息不完备的问题,分析了人在未知环境中路径规划策略,提出了一种微小型机器人的路径规划策略。实验结果表明,该策略可以满足微小型机器人在复杂未知环境中路径规划的要求,为微小型自主机器人的设计提供了新的方法。     

面向未知环境探索的分层架构路径规划算法

为实现无人平台在未知环境下的高效路径探索,该文提出了一种以“感知-规划-控制”分层架构为基础的路径规划算法。在感知层通过Cartographer建图算法实时构建未知环境的二维栅格地图。在规划层,通过Canny边缘检测、基于密度的聚类算法、效能函数评估选择最佳探索目标点,并在规划的效能函数中引入探索方向延续性概念,克服了传统路径规划反复探索已知环境的难题。在控制层,通过概率路线图算法规划从当前位姿到目标点的最短路径,并通过纯跟踪算法和向量直方图算法实现了路径无碰撞跟踪。3种典型环境下的仿真实验表明,所提出的算法在不同环境下均具有较高的探索效率和完成度。     

旋翼无人机环境覆盖与探索规划方法综述

随着微型空中机器人技术的迅速发展,利用小型旋翼无人机对目标环境进行自主覆盖与探索成为当前机器人领域的研究热点.鉴于此,首先对机器人环境覆盖规划与探索规划的研究内容进行简要介绍;然后按照覆盖规划、探索规划以及同时覆盖与探索规划3个方面展开综述,详细分析不同方法的基本工作原理、优势以及局限性;最后根据研究现状总结目前研究中...     

面向机器人室内建图的RGB-D图像对齐算法

面向服务机器人使用廉价的RGB-D摄像头自主构建室内3维地图的需求,提出一种鲁棒的图像对齐方法.基于特征点的匹配集计算帧间变换,使用随机抽样一致算法(RANSAC)消除误配,并改变其内点计数策略以适应特征点空间分布不均;同时检测地面信息,利用共面约束来增强点集对齐.在机器人从真实室内环境中采集的RGB-D图像序列上进行了实验,帧间对齐错误率为0,全局地面误差不超过2 cm;3维建图过程准确且能够连续进行.结果表明使用地面信息能有效提高地图的全局精度,方法兼备鲁棒性和准确性.     

未知环境下基于椭圆约束的机器人路径规划

针对未知环境下机器人路径规划问题,提出一种基于椭圆约束的路径规划方法。借助椭圆约束规划路径,将路径规划问题转化为椭圆参数优化问题。通过建立椭圆约束优化模型,引入障碍物和目标位置的约束,考虑机器人运动步长及运动方向的影响,实现复杂未知环境下机器人路径规划。基于不同算法的仿真实验结果表明,该方法有效解决了未知环境下机器人路径规划问题,在大量障碍物存在的未知环境,也能快速有效地进行无碰撞路径规划。     

基于子目标搜索的机器人目标导向RRT路径规划算法

为解决移动机器人未知环境下的路径规划问题,提出基于子目标搜索的机器人目标导向RRT (rapidly-exploring random trees)路径规划算法.一方面,针对传统RRT算法固有的盲目搜索问题,引入目标导向函数,形成目标导向RRT路径规划算法,这一改进可减少冗余搜索,提高路径规划效率;另一方面,为了使机器人在首次探索未知环境时也能顺利抵达目标点,提出3种不同情况下的子目标搜索策略,包括无障碍环境下的直达策略、扫到边界点时的最短距离策略和扫不到边界点时的后退策略,这3种策略使机器人能够完成对未知环境的探索,而且可以克服易出现的局部极小点问题,使机器人具有逃离局部极小环境的能力.仿真实验结果验证了所提出算法的可行性和有效性.     

自主机器人软件工程的研究综述

自主机器人是一类运行在开放环境下具有自主行为的复杂信息物理系统,软件是其核心和关键,提供计算、控制、决策等多样化功能,负责驱动机器人安全、灵活和高效地运行.自主机器人软件的开发面临着来自系统自身、外部环境和现实约束等复杂性带来的诸多挑战.自主机器人软件工程是一个多学科交叉的新兴研究领域,旨在为自主机器人软件的开发、运行...     

复杂环境下的机器人路径规划蚂蚁算法

研究了全局静态环境未知时机器人的路径规划问题,提出了一种新颖的滚动规划蚂蚁算法.该方法将目标点映射到机器人视野域附近,再由两组蚂蚁采用最近邻居搜索策略相互协作完成机器人局部最优路径的搜索,机器人每前进一步,都由蚂蚁对局部路径重新搜索,因此,机器人前进路径不断动态修改,从而能使机器人沿一条全局优化的路径到达终点.仿真实验结果表明,即使在障碍物非常复杂的地理环境,用本算法也能迅速规划出一条优化路径,且能安全避碰,效果十分令人满意.     

未知环境下基于有先验知识的滚动Q学习机器人路径规划

提出一种未知环境下基于有先验知识的滚动Q学习机器人路径规划算法.该算法在对Q值初始化时加入对环境的先验知识作为搜索启发信息,以避免学习初期的盲目性,可以提高收敛速度.同时,以滚动学习的方法解决大规模环境下机器人视野域范围有限以及因Q学习的状态空间增大而产生的维数灾难等问题.仿真实验结果表明,应用该算法,机器人可在复杂的未知环境中快速地规划出一条从起点到终点的优化避障路径,效果令人满意.     

自主吸尘机器人的研究现状

详细评述了自主吸尘机器人的研究特点和国内外的研究现状,分析了多传感器融合、环境建模、定位和路径规划等关键技术,指出了其中的难点和面临的问题．同时,探讨了自主吸尘机器人的发展趋势和未来的研究重点．     

采用改进D*Lite算法的自主移动机器人路径规划

针对动态环境下自主移动机器人的路径规划问题提出了改进D*Lite算法;该算法在D*Lite算法的基础上,引入Bresenham画线算法对扩展节点进行可视检测,得到方向任意且避免不必要转折的预规划路径,并建立分辨率高于全局障碍图的局部障碍图,动态存储传感器实时获取的局部环境信息,充分利用局部环境信息实时重规划机器人当前位置到目标点的最优路径,提高算法的规划精度及对动态环境的适应性;仿真实验结果证明,该算法大大缩短了路径长度,并且具有可行性和实时性.     

基于置信度上界的移动机器人信息路径规划方法

路径规划是移动机器人未知环境探索的关键问题,路径点的合理规划对提高环境探索的效率和环境场预测的准确性至关重要.基于强化学习范式,提出一种适用于静态环境场探索的移动机器人在线信息路径规划方法.针对基于模型训练算法计算成本高的问题,通过机器人与环境的交互作用,采用动作价值评估的方法来学习所获取的环境场历史信息,提高机器人实时规划能力.为了提高环境预测准确性,引入基于置信度上界的动作选择方法来平衡探索未知区域与利用已有信息,鼓励机器人向更多未知区域进行全场特征探索,同时避免因探索区域有限而陷入局部极值.仿真实验中,环境场分别采用高斯分布和Ackley函数模型.结果表明,所提算法能够实现机器人环境探索路径点的在线决策,准确有效地捕捉全场和局部环境特征.     

基于改进BIT*算法的机器人路径规划研究

针对BIT^*存在小样本下路径规划成功率低、冗余大样本下路径规划效率有待提高的问题,提出基于样本增量生成和概率随机几何图的BIT^*-SP算法,设计了生成样本和选择样本的启发式函数。实验结果表明,BIT^*-SP算法在小样本下路径规划成功率大幅度提高,且能更快找到初始解;在大样本下能用更短的时间找到一条优秀的路径,规划速度显著提升。该算法鲁棒性高,在简单及复杂环境中都能适用,性能高效。