基于遗传算法的多机器人协作建图方法*

现有多机器人协作构建地图的方法对环境和机器人位置信息有着较高要求,因而在实际应用中存在一定局限性。针对这一问题,提出了一种基于遗传算法的改进方法。该方法采用独立探索、集中建图的探索策略,对环境建立局部栅格地图并予以融合。在地图融合过程中,无须考虑机器人位置信息,而是以栅格地图相似度为度量标准,利用改进的遗传算法快速、高效地搜索各局部地图之间的最大重叠部分,进而予以融合。实验结果验证了该方法的可行性和有效性。     

基于免疫自适应遗传算法的机器人栅格地图融合

融合各机器人独自创建的环境地图,实现信息共享,是提高分布式多移动机器人系统环境探索效率的关键.研究了在没有公共参考坐标系及机器人相对位置信息未知情况下的栅格地图融合问题,提出了一种基十免疫自适应遗传算法的栅格地图融合方法,该算法把反映两个栅格地图重叠区域相异程度的优化函数作为抗原,每个可能的平移、旋转平面转换对应一个抗体.仿真结果表明了该算法可以较快的收敛速度和较强的全局搜索能力,搜索到两个栅格地图的最佳重叠区域,实现地图融合.     

多机器人协同的SLAM算法研究

针对传统的室内多机器人SLAM算法存在探索任务分配灵活低,重叠度高,导致地图融合和建图精度不高的问题。设计一个基于PSO算法的多机器人协同建图与路径规划系统。首先,采用SLAM系统中的Gmapping算法作为基础算法,加入PSO算法将地图融合问题转化为最优求解问题,即找到两个地图重叠度最高的转换矩阵,实现地图融合和多机器人协同建图。结果表明,相同室内环境下,单机器人的平均探索时间为216 s,探索覆盖率为73..38%;而双机器人的平均探索时间仅为47 s,比单机器人的探索时间低了169 s;且双机器人的探索覆盖率为99.69%,比单机器人高出了26.31%。由此说明,双机器人的探索效率和探索覆盖率更高。对比于现有的EKF-CSLAM算法和基于因子图地图融合算法,本算法的建图精度高达99.75%。地图融合和建图精度明显更佳,进一步说明提出的融合算法可提升多机器人室内环境协同建图的效率和鲁棒性。     

基于生物启发神经网络和DMPC的多机器人协同搜索算法

针对多机器人在未知区域的覆盖搜索问题,提出一种基于生物启发神经网络和分布式模型预测控制(DMPC)的多机器人协同搜索算法.利用栅格地图表示未知区域,基于栅格地图建立生物启发神经网络来表示动态搜索环境,生物启发神经网络中未搜索栅格的神经元活性值大于已搜索栅格和障碍物栅格.在此基础上,为了平衡机器人覆盖搜索过程中的短期收益和长期收益,避免后期陷入局部最优,引入DMPC作为决策方法.选择预测周期内机器人所覆盖栅格的神经元活性值增量作为主要激励函数,引导机器人向未覆盖区域搜索,并采用差分进化算法(DE)进行优化求解,得到最优解.最后通过设计仿真实验验证了所提出方法的有效性和优越性.     

基于随机行走的群机器人二维地图构建

机器人在未知环境自主探索时,需要快速准确地获取环境地图信息。针对高效探索和未知环境的地图构建问题,将随机行走算法应用于群机器人的探索中,机器人模拟布朗运动,对搜索区域建图。然后,改进了布朗运动算法,通过设置机器人随机行走时的最大旋转角度,来避免机器人重复性地搜索一个区域,使机器人在相同时间内探索更多的区域,提高机器人的搜索效率。最后,通过搭载激光雷达的多个移动机器人进行了仿真实验,实验分析了最大转角增量、机器人数量以及机器人运动步数对搜索区域的影响。     

一个室内清洁机器人的区域遍历与地图绘制

本文针对室内清洁机器人的区域遍历问题，提出了一种地图绘制的方法：该方法基于栅格地图表示环境，对环境地图进行分区，通过自由区域联结图广度优先搜索及深度优先遍历（WSDC）形成方形区域遍历顺序，对机器人探测环境的路线进行导航。实验研究表明栅格地图表示环境对于区域划分与区域遍历更有效：采用WSDC算法产生的区域遍历顺序导航机器人运动，可以减少机器人的运动距离，提高工作效率。     

基于语义建图的室内机器人实时场景分类

针对室内环境下的机器人场景识别问题,重点研究了场景分类策略的自主性、实时性和准确性,提出了一种语义建图方法.映射深度信息构建二维栅格地图,自主规划场景识别路径;基于卷积网络建立场景分类模型,实时识别脱离特定训练;利用贝叶斯框架融合先验知识,修正了错误分类并完成语义建图.实验结果表明:机器人能够进行全局自主探索,实时判断场景类别,并创建满足要求的语义地图.同时,实际路径规划中,机器人可以根据语义信息改善导航行为,验证了方法的可行性.     

改进蚁群与动态Q学习融合的机器人路径规划

基本Q学习算法应用于路径规划时,动作选择的随机性导致算法前期搜索效率较低,规划耗时长,甚至不能找到完整的可行路径,故提出一种改进蚁群与动态Q学习融合的机器人路径规划算法.利用精英蚂蚁模型和排序蚂蚁模型的信息素增量机制,设计了一种新的信息素增量更新方法,以提高机器人的探索效率;利用改进蚁群算法的信息素矩阵为Q表赋值,以减少机器人初期的无效探索;设计了一种动态选择策略,同时提高收敛速度和算法稳定性.在不同障碍物等级的二维静态栅格地图下进行的仿真结果表明,所提方法能够有效减少寻优过程中的迭代次数与寻优耗时.     

多机器人同步定位与地图构建的地图融合算法的改进

本文主要研究了多机器人同步定位与地图构建(SLAM)的地图实时融合问题.在本文中提出一种混合的SLAM算法(HybridSLAM)算法,可以同时观测和更新多个路标,并根据FastSLAM2.0思想利用选取的最准确的路标观测值来修正机器人位姿.然后,在改进HybridSLAM算法基础上,进一步提出一种改进的多机器人HybridSLAM算法(MR–IHybridSLAM).每个机器人在不同初始位置运行IHybridSLAM算法构建子地图,并将子地图信息实时发送到同一工作站中.根据卡尔曼滤波(KF)原理将每个机器人构建的子地图融合成全局地图.最后,通过仿真实验构建多机器人融合的特征地图并与单一机器人快速的SLAM算法(FastSLAM)和HybridSLAM算法构建的地图进行误差对比,进一步来验证该算法的准确性、快速性和可行性.     

基于声纳传感器的移动机器人地图创建方法研究*

提出了一种改进的基于声纳传感器信息进行栅格地图创建的方法。将Bayes法则用于移动机器人地图创建,对多个声纳传感器信息进行融合,解决信息间的冲突问题,并根据声纳模型将测量数据集成到局部地图中,改变栅格被障碍物占有的概率。经过坐标变换后,利用Bayes法则更新全局地图中的栅格信息,实现从局部地图到全局地图的更新。实验验证了该算法的可行性与有效性。