移动机器人（精选十篇）
移动机器人 篇1
巡线控制在自主移动机器人研究领域占有很重要的地位, 具有较强的实用价值, 例如工业领域的跟踪控制、无人驾驶车等。但原有自主移动机器人巡线控制方法, 存在单一传感器采集信息不全;传统PID控制过程响应时间长、平稳性差等缺陷。
本文探究的自主移动机器人巡线控制策略, 不仅利用灰度传感器采集路面的轨迹信息, 同时引入角度传感器采集机器人行进过程中偏离航向的角度信息, 单片机对轨迹信息和角度信息进行信息融合后设定理想的电机转速, 通过光电编码器测得实际电机转速与理想电机转速差值得到偏差信号, 小偏差信号仍然采用传统PID控制器运算处理, 但大偏差信号引入模糊控制器运算处理, 最终控制电机的运行速度, 使机器人按照预定轨迹行走。
2 机器人巡线控制分析
传统巡线控制中机器人主要利用多个灰度传感器来采集地面轨迹信息, 传感器越多, 采集到的信息越全面。实验场地为白色线条和绿色背景, 线条为十字方格, 线宽为30mm, 场地边缘为白线方格。用圆点代表灰度传感器在机器人本体上的安装位置, 则灰度传感器、机器人与地面轨迹相对状态如图1所示。
由于机器人履带打滑等不确定性因素的影响, 机器人本体与地面轨迹之间会出现多种相对状态。图1中a状态, 机器人本体上中间的传感器在白线上, 是理想移动状态;b状态时, 机器人中间的传感器在白线的右侧, 为右偏出状态, 此时加大右电机转速或者减小左电机转速, 就可以达到控制目的, 是正常的偏出状态。c状态时, 机器人中间的传感器也在白线的右侧, 是右偏出而且向左倾斜的状态, 此时机器人应该继续前行或者左轮速度稍微加大。但是机器人认为和b状态一样, 仍然会加速右电机转速或者减小左电机转速, 那么机器人的前进方向会更加倾斜, 不能达到控制目的, 是一种病态;d状态时, 机器人根据实际情况选择左转弯或者右转弯, 是正常状态;e状态时, 机器人只能右转弯, 是正常状态;f状态时, 机器人认为和e状态一样, 发生误判, 是一种严重的病态;这种病态严重影响了机器人行进的控制和系统的性能;甚至出现机器人传感器脱离地面轨迹的状态, 进入了控制盲区。除此之外, PID控制器响应时间长、平稳性差, 不能对系统提供有效、可靠的控制。
3 控制策略
经过以上分析, 不难发现原有的控制方法, 不仅存在着单一传感器采集信息不全, 导致控制系统出现误判的现象;而且传统PID控制过程响应时间长、平稳性差, 同时由于机械误差、车轮侧偏误差等不确定因素的影响[1], 导致PID控制器参数的全局整定极为困难。因此, 提出以下控制策略。
3.1 引入角度传感器
单一传感器控制简单, 但是检测信息不全。为了解决这一问题, 引入角度传感器, 进行信息融合[2], 达到精确的控制目的。角度传感器的主要工作原理:传感器上电时, 传感器摆放的方向即为标准方向, 此时传感器输出信号为0, 如果旋转传感器, 就会输出旋转角度信息。实验场地上, 机器人起始位置的行进方向为正北, 则上电后角度传感器的方向也为正北, 在行进过程中, 机器人的行进方向偏离了正北, 那么偏离的角度就是角度传感器输出的信息。选取图1中的c状态为研究对象, 选择坐标系的Y轴为正北方向, 用矩形代表角度传感器在机器人本体上的安装位置, 则机器人加入角度传感器后与地面轨迹的相对状态如图2所示。
图2中各参数定义如下:
θ——机器人行进方向偏离Y轴的角度;
l——机器人履带到重心的距离;
r——履带等同于轮式时的平均半径;
图2中, 自主移动机器人为右偏出, 而且行进方向偏离Y轴的角度为θ, 利用角度传感器可测出。机器人需要向左移动, 而且减小角度θ。假设机器人本体重心的初始位置为P0= (x0, y0, θ0) , 目标位置为P= (x, y, θ) 。机器人的运动学轨迹如图3所示。
图3中, 机器人从0P移动到P, 行走轨迹为P0P, 机器人本体重心行走距离为s;弧线P0P的圆心为O, 半径为r′;过P作0P O的垂线, 高为h;0P和P之间距离为s′。
根据几何公式:
则机器人本体重心行走的距离:
左履带行走的距离:
左电机的转数:
左电机的理想转速:
右履带行走的距离:
右电机的转数:
右电机的理想转速:
因此, 不难看出角度传感器的引入, 有效地避免了机器人在行进过程中由于误判导致行进方向偏离航向的现象。
3.2 模糊PID复合控制器的设计
自主移动机器人使用的是普通直流电机, 传统P I D控制方法达到精确控制十分困难。本文采用的是模糊PID复合控制器[3], 由PID控制部分和模糊控制部分组成。主要是通过光电编码器采集直流电机的转速信号, 将转速信号与单片机给定电机的标准转速做差, 求出的偏差信号作为模糊PID复合控制器的输入信号;将偏差信号与选择开关设定的门限值进行比较, 来确定采用哪种控制器。复合控制器如图4所示。
在大偏差的情况下, 采用模糊控制算法, 将机器人当时的实际电机速度和标准速度进行比较, 求出偏离标准速度的偏差信号。并与偏差信号变化率进行匹配, 将这两次的偏差作为模糊控制器的输入。通过查询偏差的不同隶属度的大小, 来确定控制器的输出。在小偏差的情况下, 采用PID控制算法, 也就是传统的PID控制算法。
模糊控制规则, 是一种根据电机转速的误差和电机转速误差的变化率, 推断输出控制变量的推理规则[4]。这些规则是由误差和误差变化率的状态不同而形成的一系列条件语句, 即规则集合。在模糊控制规则中, 语言变量值取“负大”、“负中”、“负小”、“零”、“正小”、“正中”和“正大”共7个值, 分别用NB、NM、NS、O、PS、PM和PB表示。
根据公式:
并经过大量实验得出模糊集合的隶属函数:
根据上述的理论控制过程, 并经过大量的实物实验, 可以总结出控制规律, 模糊控制规则表, 如表1所示。
模糊控制规则可以写成条件语句形式, 对于表中参数的控制调整规则举例如下:
4 系统总体设计
自主移动机器人巡线控制系统采用的是双闭环控制。灰度传感器和角度传感器不断采集地面轨迹信息和角度信息, 信息传送给单片机进行信息融合, 然后单片机设定电机的理想转速。光电编码器采集直流电机的实际转速信号, 信号反馈给单片机, 并与单片机给定的理想转速差值出偏差信号, 偏差信号经过模糊PID复合控制器处理, 最终较为精确的控制直流电机的转速[5]。机器人的系统框图如图6所示。
5 实验与分析
仿真实验在MATLAB7/Simulink图形仿真下进行, 并使用了Fuzzy Logic Toolbox提供的模糊控制器[6]。灰度传感器和角度传感器信息融合后, 单片机确定理想的电机转速, 并与实际的电机转速进行差值计算给出偏差信号, 偏差信号作为仿真的输入信号。在仿真过程中, 选阶跃信号作为输入, 用以模拟实际场地的直角转弯。模糊PID复合控制器的MATLAB仿真图如图7所示。
从图8和图9可以看出, 模糊PID复合控制器与传统PID控制器相比的优点是:响应时间短、系统稳定, 跟踪轨迹与期望轨迹之间的误差小。
6 结束语
本文对自主移动机器人传统巡线控制进行了研究, 提出以多种传感器完成信息的采集, PID控制加模糊控制的复合控制策略, 并对其进行了重点分析与探讨。最后通过对系统的仿真得出以下结论:
(1) 灰度传感器和角度传感器的信息融合, 克服了单一灰度传感器信息采集不全、易受环境影响等弊端, 更为有效检测机器人本体的实际位置提供了先决条件。
(2) 模糊PID复合控制方法与传统PID控制方法相比, 对于大偏差输入信号, 响应时间短、系统稳定性好, 跟踪轨迹与期望轨迹之间误差小, 进而控制机器人更加准确地按照预定轨迹行进。
摘要：针对自主移动机器人传统巡线控制中存在的不足, 在使用灰度传感器采集地面轨迹信息的同时, 引入角度传感器对行进方向的角度信息进行采集, 由此克服了传统巡线控制中单一传感器采集信息不全的缺点;设计了PID控制加模糊控制的复合控制器, 并给出复合控制器算法。在此基础上建立实验系统, 通过对其进行仿真, 结果证明该控制策略不仅适于自主移动机器人巡线控制系统, 而且此控制策略有效解决了机器人在遇到大信号时传统PID控制响应时间长、系统不稳定的问题。
关键词：自主移动机器人,巡线,PID控制器,模糊控制器
参考文献
[1]于金霞.移动机器人定位的不确定性研究[D].长沙:中南大学图书馆, 2007.
[2]WOLF D F, SUKHATME G S.Mobile robot si-multaneous localization and mapping in dynamicenvironments[J].Autonomous Robots, 2005, 19 (1) :53-65.
[3]王雪丹, 任继伟, 张晓曦.复合控制算法在逆变器中的应用[J].哈尔滨:哈尔滨理工大学学报, 2009, 14 (4) :101-102.
[4]李士勇.模糊控制.神经控制和智能控制论[M].哈尔滨:哈尔滨工业大学出版社, 2006:29-30, 265-270.
[5]王雪丹.矿井提升机用串联谐振有源电力滤波器PWM控制策略研究[J].煤炭学报, 2010, 35 (2) :23-26.
基于环境模型的移动机器人路径规划 篇2
介绍了一种新的移动机器人路径规划方法.采用链接图法,对工作空间建模.用Dijkstra算法决策出全局最短路径,然后用遗传算法对此路径进行优化,得到全局最优路径.最后提出了一种对路径几何改进的方法.仿真结果表明,该方法方便简单,对所规划的路径质量有所提高.
作 者：宋彩云 王明磊 刘肖琳 SONG Cai-yun WANG Ming-lei LIU Xiao-lin 作者单位：国防科技大学机电工程与自动化学院,长沙,410073 刊 名：电光与控制 ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL 年，卷(期)： 13(3) 分类号：V249 TP24 关键词：链接图法 Dijkstra算法 遗传算法 路径规划 移动机器人
关于移动机器人控制系统探索 篇3
关键词：控制系统；模块；功耗
中图分类号：TP242 文献标识码：A 文章编号：1674-7712 (2012) 06-0096-01
控制系统是移动机器人的核心部分，它的优劣决定了系统控制性能的优劣。移动机器人采用MSP430F149单片机作为主控芯片，主要包括红外遥控模块、传感器模块、电机速度控制模块、液晶显示模块、电源模块和JTAG接口共六大模块。其中传感器模块包括黑线检测、障碍物检测和金属探测。
遥控器端的发射模块PT2262通过异步串行方式发射信号，移动机器人上的接收模块PT2272接收信号，并送往单片机MSP430F149进行处理。程序通过查询方式判断相应端口的高低电平信号，以调用相应模块的程序，并通过锁相环CD4046和电机驱动芯片KA3082驱动直流电机，实现设定的运动。光电码盘以脉冲形式把移动机器人的实际运行速度反馈到锁相环比较信号的输入端和定时器A的捕获寄存器，以达到对速度的精确控制。总电源通过低压差线性稳压器MAX603和低漏电调整器TPS77133进行电平转换，以给不同模块提供电压。
目前，移动机器人普遍采用TI公司的DSP作为主控芯片，但其芯片本身及其仿真器价格偏高，不适合小规模开发。本文选用同是TI公司推出的另一种单片机MSP430F149作为控制核心。采用了JTAG技术、FLASH在线编程技术，省去了仿真器，使用自制的仿真接口即可实现在线仿真调试，具有很高的性价比。
红外遥控模块主要由PT2262发射模块和PT2272接收模块组成。PT2262和PT2272是一对带地址数据编码功能的红外遥控发射和接收集成芯片。编码器PT2262使不同的按键及按键方式唯一的对应一个码字（一个完整的码字由地址码、数据码和同步码组成）。当按下某个按键，PT2262对其进行编码并将码字由17脚传送到发射模块中，再由发射模块发射出去；接受模块接受到码字后，通过PT2272的14脚输入，PT2272把自己的地址码与码字的地址码（即PT2262的地址码）经过两次比较核对后，VT脚才输出高电平，与此同时相应的数据脚也输出高电平。
其中，按下D键后，通过按A键可以增加设定速度，按B键可以减小设定速度，速度设定完成后，按C键确认返回。设置移动机器人停止功能键的目的：当周围环境发生大的变化或移动机器人避障功能失败时，避免移动机器人与障碍物发生碰撞，对机械本体造成损坏。
遥控器的发射模块主要由4个按键、编码芯片PT2262和发射电路组成。其中TE端为编码启动端，低电平有效，使其接地（即编码一直有效）。Dout为编码输出端，输出数据信号到红外发射管。
解码芯片PT2272根据其后缀不同，输出有“暂存”和“锁存”两种状态。在此，选取“暂存”状态。对于PT2272红外接收芯片，为了调制红外载波信号，PT2272之前由一红外接收头对信号进行处理，然后经放大器放大后输入PT2272芯片，其输出端与单片机端口相连，单片机中程序通过查询的方式去检测这几个端口的高低电平情况，并根据电平信号去执行相应的功能。
PT2272的编码地址必须和PT2262的编码地址保持一致。从原理图知PT2262和PT2272的编码地址相同，其A0和A1均接地，其它六个脚悬空。
本文由16位定时器TIMER_B来产生PWM，并经CD4046锁相环芯片和KA3082驱动芯片来控制电机速度。
TIMER_B支持同时进行的多种时序控制、多个捕获/比较功能、多种波形输出，也可以是上述功能的组合。并具有中断功能，其中断可由计数器溢出引起，也可来自具有捕获或比较功能的捕获/比较寄存器。有4种定时器模式（停止模式、增计数模式、连续模式和增减计数模式）。7个相同的捕获/比较寄存器CCRX，为实时处理提供了灵活的控制手段。输出单元用于发出输出信号，每个输出单元有8种工作模式（输出模式、置位模式、PWM翻转/复位模式、PWM置位/复位模式、翻转模式、复位模式、PWM翻转/置位模式和PWM复位/置位模式）。
本文使用TIMER_B的增减计数模式，输出模式为PWM翻转/置位。PWM波形的周期是CCR0寄存器数值的2倍，其占空比大小的改变可通过调节CCR1或CCR2寄存器的数值来实现，最终可实现对电机速度的调节。
电机驱动芯片选用KA3082，可以方便的完成对电机的控制。通过调节VCTL的外部电压就可完成对速度的控制，设置VIN1和VIN2就可以控制电机正反转和制動。
锁相环选用CD4046，它是通用的CMOS锁相环集成电路，其特点是电源电压范围宽（为3V~18V），输入阻抗高，动态功耗小，在中心频率为10KHz下功耗仅为600?w，属微功耗器件。
选用CD4046锁相环芯片的主要目的是为了提高速度控制的精度。CD4046锁相环的信号输入端输入的是TIMER_B产生的PWM波，比较信号的输入端输入的是光电码盘的反馈信号，其中光电码盘以脉冲形式反馈的是移动机器人的实际速度，通过CD4046可求出两个波形的相位差，将其接到KA3082的电机速度控制端，最终可使移动机器人的实际速度和PWM波输出的速度相同，实现对速度的精确控制。
锁相环芯片CD4046输出端PH CMPR2接KA3082的电压控制端VCTL。由VIN1和VIN2来控制电机的正反转和制动。这两端与单片机引脚相连，即正反控制由单片机来完成。同时光电码盘测出左右轮转速以脉冲形式反馈到MSP430F149的TIMER_A的捕获模块，通过模糊控制算法，以使实际速度快速的达到设定速度。
室内移动机器人路径规划算法 篇4
路径规划是指在具有障碍物的环境中,按照一定的评价标准,寻找一条从起始位姿到目标位姿的最优路径[1]。根据对环境信息的掌握程度,路径规划技术包括环境已知的全局路径规划和环境未知的局部路径规划[2]。本文采用最优化方法对路径规划问题进行建模,采用带有惩罚函数的改进粒子群算法对路径规划问题的最优化模型进行求解,并在MATLAB中通过仿真试验验证算法的有效性。
1路径规划建模
1.1机器人与障碍物的数学表示
将机器人Ar视为二维环境下的自由移动刚体,其最小外接圆定义为机器人圆Cr,半径为Rr,圆心为Or(xr,yr)。以Or为原点,机器人前进方向为X轴正方向,建立机器人坐标系XrYrOr,如图1所示。
将二维环境中障碍物集合视为一个不规则多边形集合Obtacle={Obtacle1,Obtacle2,…,Obtaclem}(m为障碍物的个数)。机器人Ar通过声纳传感器单元获取周围环境障碍物信息。设机器人声纳的个数为n,其读数集合为S={s1,s2,…,sn}。如图2所示,声纳声轴所在直线与机器人前进方向障碍物的交点集合为Ob={Ob1,Ob2,…,Obn}。这些交点在机器人坐标系XrYrOr 中的坐标为OiR(xoRi,yoRi),可以根据声纳的安装位置和声纳的读数求得,即:
其中:g(s)和h(s)均为由机器人声纳安装位置决定的函数;N为非负整数集。
对ΦR的点,将其变换到世界坐标系XgYgOg 中得到点集Φg。本算法 中,用点集Φg替代障碍 物集Obtacle作为障碍物的数学表示。
路径示意图如图3所示。曲线PsPg 表示机器人的真实路径。机器人的起始位姿为Ps(xs,ys,θs),目标位姿为Pg(xg,yg,θg),其中θs与θg为在起点处与终点处世界坐标系与机器人坐标系间的夹角。取Ps和Pg 间的(s-2)个中间位姿Pj(xj,yj,θj),则P={Ps,P1,…,Pg}即作为一条候选路径的数学表示。
1.2路径规划的评价函数
对于路径规划,考虑3个评价指标:路径长度、路径平滑度以及路径安全度。
第1条指标是路径的长度。路径越短则路径越优[3],其评价公式为:
第2条指标是路径平滑度。机器人的转动与机器人的运动时间有直接的关系,如果路径中存在角度较大的转动,机器人必须减慢速度甚至停止,这样走完路径所耗费的时间就会增加很多,因此将路径平滑度作为另外一个优化指标。路径平滑度定义如下:
其中:Ij(0≤Ij≤π)为向量Pj-1Pj 与PjPj+1间的夹角;k1和k2为调节两部分影响强度的因子。
第3条指标为路径安全度。路径上各位姿与障碍物的距离越远,则该路径越安全。如前所述,本文中用点集Φg来表示障 碍物。对于 路径中的 每个位姿Pj(xj,yj,θj),将位姿与障碍物间的距离定义为机器人中心与所有影响障碍物点垂直于SG连线方向的距离的最小值(如图4所示),对位姿影响的障碍物点定义为沿SG连线方向上与位姿中心的距离小于某个固定值Sf的那些障碍物点。则路径安全度的评价公式如下:
其中:k为位姿Pj的影响障碍物点的个数;dsj为位姿Pj 中心与影响障碍物点沿垂直于SG连线方向的距离。
设声纳所能测量的最大距离为Lm,将以机器人坐标系原点为圆心、Lm为半径的圆定义为机器人感知圆Cs,将路径中位于感知圆Cs内的各位姿与障碍物的距离表示的和作为路径安全度的评价函数:
其中:q为位于感知圆Cs内部的位姿Pj个数。
综上所述,路径规划的最终评价函数为:
其中:ω1,ω2,ω3为调节3个评价指标影响大小的参数。
1.3路径规划的约束条件
在路径规划过程中,还需要满足各种约束:运动学约束、始末位姿约束和避障约束。
(1)运动学约束:机器人在有限时间内只能移动有限距离和角度,因此其速度应该在有限区间内,即:
其中:Xd,Yd,θd均为与机器人硬件相关的参数。
(2)始末位姿约束:机器人的初始位姿和目标位姿均已知,故有以下等式约束:
(3)避障约束:路径规划时,应保证每个障碍物点都位于机器人位姿外接圆之外,即:
综上所述,路径规划问题建模如下:
2基于粒子群算法的求解
2.1基本粒子群优化算法
粒子群算法(PSO)的数学表示如下[4]:设搜索空间为r维,粒子总数为u,第l个粒子的 位置向量 为xl(t)=(xl1,xl2,…,xlr),瞬时速度 向量为vl(t)=(vl1,vl2,…,vlr),第l个粒子搜索到的最优位置为pl=(pl1,pl2,…,plr),整个粒子 群搜索到 的最优位 置为g=(g1,g2,...,gr)。则每个粒子的速度和位置更新公式为:
其中:c1,c2分别为自身认识因子和社会认识因子,用来调整pl和g的影响强度,c1,c2为正数;r1l,r2l为区间[0,1]内的随机数;ω为速度惯性因子,表示前一时刻速度的影响强度。
2.2约束处理机制
基本的粒子群算法用于求解无约束最优化问题,因此,对于上述约束优化问题,需要相应的约束处理机制。本文采用文 献 [5]提出的方 法,将罚函数 法与PSO算法相结合,在迭代过程中用惩罚方法构造增广目标函数,将约束问题转化为无约束优化问题。加入惩罚项的增广目标函数如下:
其中:f(x)为初始目标函数;γ(t)=槡t为惩罚函 数的因子,t为粒子群算法的迭代次数;P(x)为惩罚项。
3仿真结果与分析
在MATLAB中使用含有一个多边形障碍物的模拟环境来检验算法的有效性。机器人的起始位姿和目标位姿如图5所示,规划的结果如图6所示。
仿真结果验证了本文中所提算法的有效性。采用这种算法的移动机器人具有良好的避障能力。
4结论及展望
机器移动搬迁合同 篇5
乙方：_____________________
1．乙方委托甲方进行_______机器拆卸，搬迁，再安装和重新调试工作。并与多幅相机相连达到机器搬运前的运转水平和技术参数。
2．乙方具体搬迁时间为：_______年_______月_______日至_______年_______月_______日。
3．搬迁具体要求如下
1）甲方在搬运机器前首先对机器进行检测，记录机器原运转水平和技术参数。
2）乙方负责组织搬运，甲方指导搬运等方面的工作。乙方应加强对搬运过程的管理，搬运过程机器损坏由乙方负责。
3）甲方在拆卸机器时，应认真做好电线，电缆的打包，捆绑工作。对重点器件要拆下，单独包装。认真指导乙方的搬运工作。
4）甲方对新机房要提前检查电源，地线等的准备情况。
5）到达新场地后甲方要认真安装，调试。达到机器搬运前的运转水平和技术参数。半年内运行如有调试和技术指导(维修费根据情况双方协商，配件费由乙方承担。
6）机器由于长期使用而造成的故障甲方将对其重新调试，达到最佳状态。
4．此次机器搬迁安装调试费共计人民币 万元，安装调试完毕后机器正常工作一日，第二日乙方将搬迁费及配件费用一次性支付给甲方。
5．如双方有任何一方违约，按照中华人民共和国经济合同法，双方均有权在法院提请诉讼。
6．本合同双方应认真遵守执行，未尽事宜双方友好协商。本合同一式两份，双方签字盖章后生效。
甲方：_____________________
乙方：_____________________
移动机器人仿人智能控制的研究 篇6
摘 要：机器人的研究涉及很多方面，例如传感器技术、人工智能技术、控制理论和计算机技术等，并且制造出的机器人需要具备高准确性和高灵活性的移动能力，才能更好地为人们服务。现代的机器人的设计中普遍会运用到仿人智能控制算法，其通过开闭环控制和定量与定性结合的控制方式来实现机器人移动更快、更准确的特性。虽然我国近年来在移动机器人的研究方面已经取得了一定的成果，但是还不够完善，仍然存在着许多需要解决的问题。
关键词：移动机器人；仿人技术；智能控制；思考研究
研究移动机器人，就需要解决其在移动过程中的定位、导航、控制和路径规划这一系列的问题。在这之中传感器的功能就被体现了出来，通过传感器可以让机器人实时把握环境信息，并在之后通过信息的整合，找到一条最合理的路径规划。所以移动机器人不仅可以被看作是一种自主式智能系统，也是一种高度智能化的自动化机器。移动机器人的仿人智能控制研究目前已成为了一项热门研究。
一、研究的目的和意义
实现移动机器人的全智能化可以说是现在我们每个人所期待的事情。而就而目前的技术和科技发展水平来看，距实现移动机器人的全智能化仍需要一段时间。但是随着现今科技发展水平的不断提高，移动机器人的研究已经逐渐进入到了一个新阶段。移动机器人的智能化、信息处理技术和适应性已经越来越强，而且我们已经开始追求更高层次的机器人的研究。当然，机器人的研究过程中仍旧有着一系列的问题，其会很容易受到环境因素的影响，也存在例如参数误差和未建模动态等问题。所以我们目前亟待解决机器人系统的不确定问题和自主的决策路径问题，使它们变成高度智能化的智能机器人。
然而，虽然我们目前在机器人的研究过程中取得了一系列的成就，但是也越来越受到来自符号处理的压力，符号处理工作做不好，机器人就会遇到在知识表示和信息处理方面的问题，这就要求我们研究出一套智能的算法使得机器人能够有组织的进行自主学习。算法在早期主要体现为符号主义、进化算法和模拟退火算法等，随着研究的发展，目前已经发展成为了结合多门学科、信息和技术的智能算法，并已经被普遍的应用。
智能算法目前被分为三大趋势：首先是改进经典算法并对其进行进一步的理论和实验研究；其次是通过开发新型的智能工具，在扩宽其应用领域的同时寻找到其理论基础，使得新型的智能工具能够在这个瞬息万变的社会中立稳脚跟。最后就是一种混合智能算法，是通过传统算法和智能算法的结合得到的。面对当今不断涌现新算法的现象，我们需要尽快的进行理论研究并开发新型的智能工具。
二、移动机器人的系统架构
（一）移动机器人硬件系统架构
移动机器人的硬件系统主要由路径识别系统模块、电源模块、直流电机驱动模块、无线通讯模块和测速模块这六大模块所组成。其中路径识别系统模块是移动机器人路径跟踪控制中至关重要的一部分，它可以控制移动机器人行走的速度，就像我们人类离不开眼睛一样，移动机器人也离不开路径识别系统模块。其主要是通过红外检测的方法来帮助机器人进行道路规划，红外接收管会通过区分不同程度的红外光来区分白天与黑夜，移动机器人的路径姿态和稳定性可以通过双排红外传感器来进一步确定。电源模块中每个模块需要的电压是不同的，例如单片机系统和传感器电路5V就够用，而舵机需要6V，针对这一特点，就需要利用开关电源调节器，它可以控制开关的导通和截止时间，从而不仅可以使工作中的热损失降低、提高了电源的利用率，还可以抗干扰、增强设备的稳定性。绝大多数的直流电机驱动都采用控制半导体功率器件工作在开关状态的开关驱动方式，再通过桥式驱动器可以实现多种输出控制、通讯功能和电平控制这些功能。无线通讯模块则主要负责的是移动机器人的行动状况的了解和反馈，及时的采集其在移动过程中的各种信息。而测速模块就是计算机器人的行驶速度，主要是通过检测红外收发对管在一定时间内输出高电平或者低电平的脉冲数来计算。
（二）移动机器人软件系统架构
移动机器人的软件系统主要经历初始化过程、数据采集和处理以及控制器设计这三种阶段。其中在初始化过程中，主要包括时钟初始化、PWM初始化、SCI串行口通信初始化、AD模块初始化和定时器模块这五部分。而采集的数据主要是两组AD转换之后的数据，但是这些数据很可能在传输的过程中受到外界环境的干扰而造成每个传感器的电压值显示不同，所以就需要我们对这些数据进行处理来排除偏离的数据使得数据能够一致。最后就可以进行控制器设计这一部分了，控制器在设计的时候要考虑到整理过后的数据，并且找到最适合移动机器人的速度和转角控制策略进而正确的控制机器人的自主移动。
三、 移动机器人在机械生产中的应用
（一）移动机器人在机械生产过程中的智能监控
在进行机械生产过程中，需要对各个环节的生产进行智能监督，例如炼油、轧钢、材料加工、核反应等，在其机械生产过程中经常会出现一系列的问题，影响了生产的正常运行，加强对机械生产过程的监控以确保机械性能的可靠性。为了提高机械性能的精度，以提高产品的稳定性和质量，以保证机械生产流程的顺利进行。例如轧钢机的神经控制、旋转水泥窑的模糊控制、分级智能材料处理、分布式材料加工系统、工业锅炉的递阶智能控制、智能pH值过程控制以及基于知识的核反器控制等，这样一来可以保证机械生产的整体效率。
（二）移动机器人在飞行器中的智能控制
移动机器人的智能控制在飞行过程得到了广泛的应用。大部分商用飞机都配备了可供选择的自动降落系统。基于神经网络的飞行器可以对紊流和其他非线性流进行有效的控制。此外，神经网络还可以对未识别线性或非线性关系进行有效的处理，而这些关系均是驾驶员能够运用的。在原则上移动机器人智能控制能够从一个大的变量集合转化为另一个变量集合，如从传感器参量转化到控制动作或操作模式的映射。上世纪80年代以来， 移动机器人智能控制在飞行器中得到了广泛的应用，大大提高了飞行器的安全性和运行效率。
参考文献：
[1] 陈情，薛方正.工业机器人的仿人智能控制[J].重庆理工大学学报：自然科学，2012，26（7）：42-49.
[2]李楠，陈韶飞，薛方正，等.用 IGA 优化的直流电机的仿人智能控制[J].计算机工程与应用，2011，47（14）：226-229.
移动机器人检测识别技术的研究 篇7
关键词：机器视觉,SIFT算法,局部特征配准,服务机器人,级联分类器
0 引言
时代在进步,科学在发展,在工业领域以及家庭中很多时候机器人可以代替人类进行各项操作,通过图像处理技术可以获取大量的信息进行计算分析,从而使得机器人拥有人类所具有的分类、分割、识别、跟踪、判别决策等功能。其中目标的检测识别是图像处理技术中的重要任务之一［1］。目前,SIFT算法是识别技术的主流技术之一,该算法是基于尺度空间下的特征点检测,对光照变化、尺度缩放、仿射变化以及角度变化等具有一定的不变性［2］。同时也存在特征提取较多、配准点冗余、匹配耗时等问题。
针对以上出现的情况,本文采用分割级联分类器的检测目标作为原图与目标图进行SIFT配准的方法,其中级联分类器分割出目标作为原图的做法有效地缩小了配准的区域范围,直接减少了特征点提取的数目,大大提高了SIFT配准的效率。因此使用级联分类器提取目标物体的手段具有很大的优势,尤其是与SIFT算法相结合时体现出了其优越性。
1 SIFT算法
1. 1 尺度空间的建立
为了使从图像中提取出来的特征点具有不变性,特征点的检测通常是在不同的尺度下完成的,以获取图像的特征点在不同尺度下的信息［3］。尺度空间是采用高斯卷积核与原图像卷积而成的。一幅在不同尺度下的图像定义为I( x,y) ,高斯卷积核为G( x,y,σ) ,则其公式表达形式如下:
其中L为图像的尺度空间,x和y为图像点的像素坐标,σ 为尺度因子,它也是高斯正态分布的方差,其反映了图像被平滑的程度,该尺度因子越大图像越模糊,反之则分辨率越高。
1. 2 构建金字塔
所谓金字塔就是采用不同的高斯卷积核对原图像进行降采样得到的图像进行卷积［4］。为了让图像在不同尺度下保持一定的连续性,则在采样的过程中加入Gaussian滤波,该处理方式可以让原图像产生几组( Octave) 不同模糊程度的图像,每一组图像又分为几层( interval) 图像。
为了进一步在图像中找到高精度的配准特征点,基于图像金字塔的基础之上建立高斯差分金字塔( DOG尺度空间) ,DOG尺度空间中金字塔每一个相邻层的差值与高斯差分卷积核进行卷积而形成高斯差分金字塔［5］,通过层与层图像相减获得的局部坐标极值点,在很大程度上减少了计算量( 如图1 所示) ,高斯差分尺度空间用DOG算子表示如公式( 2) 所示:
1. 3 检测极值点
高斯差分金字塔建立之后,需要在其每一层寻找极值点,并将这些极值点作为候选点,再对这些候选点进行一系列的判断选择。为了可以在尺度空间下找到极值点,就是要将高斯差分金字塔任意一层中的采样点与周边的点进行比较,若大于或者小于周边点,则为极值点［6］。如图2 所示,任意一层的采样点与处在同一层中周边的8 个点以及上下两层18 个点进行比较,也就是和26 个点进行对比,若该点在DOG尺度空间下为最大值或者最小值时,则该点就判断该点为该尺度下的极值点。
1. 4确定主方向并生产特征描述符
根据梯度直方图,分配关键点方向的具体过程如下:
(1)通过运算获取SIFT特征点的直方图参数;
( 2) 直方图是由36 个柱所组成,其范围为0 度到360 度,其中每一个柱为10 度;
( 3) 采用高斯函数对方向直方图进行平滑处理;
(4)求得直方图的梯度方向;
( 5) 对该特征点的直方图进行三维二次拟合处理,进一步明确关键点的方向;
当SIFT关键检测完成之后,则这些检测出来的关键点都具备尺度、方向、位置三个数据信息; 因此而具备旋转、缩放和平移不变性。
将特征点周围16 × 16 的窗口分解成为16 个4 × 4 的窗口,其中,在这些4 × 4 的窗口中来计算梯度的大小和方向,图中每一个窗口则代表一个像素,每一个像素都含有8 个梯度方向,并且直方图中加入的值是该像素用高斯加权之后的梯度大小,然而特征点周围16 × 16 的窗口中含有16 个4 × 4 的子窗口,共有16 × 8= 128 个［7］,最后将这128 个数组成的向量进行单位化,单位化之后的向量也就是SIFT的特征描述子。
1. 5 SIFT特征匹配结果
如图3 所示,原图和待配准图的特征点数目分别为2 319 个和2 033 个共有1 679 个特征点匹配。两张图片在位置角度上有所偏差,但影响效果不大。特征点的检测分别耗时1. 87 s、1. 35s,匹配用时12. 034 s。
2 局部目标特征提取
针对目标物体的特征形式来训练弱分类器,通过某种迭代的方式将这些弱分类器融合成一个强分类器,采用Adaboost算法将我们所训练的强分类器串联起来形成级联分类器( Cascade Clas-sifier) 其训练检测过程如图4 所示。
2. 1 训练级联分类器
采集N个大小为20 × 20 的训练样本,其中正样本m个( 只包含检测物体的样本) ,负样本n个( 不包含检测物体的样本) 。选取分类错误率最小的值为原则,其分类错误率最小为如下公式( 3) 所示:
此时该阈值所对应的弱分类器即为最佳的弱分类器。
强分类器的检测精度才能满足我们的检测要求,其是由若干个弱分类器T轮迭代组成,具体步骤如下:
( 1) 给定一些列的训练样本( x1,y1) . ( x2,y2) ……( xn,yn) ,其中yi= 0 表示其为负样本,yi= 1 表示其为正样本。n为一共的训练样本数量。
( 2) 初始化权重w1j= D( i) ;
(3)对t=1…T;
1 归一化权重:
2 对每一个特征f,训练一共弱分类器h( x,f,p,θ) ; 计算其对应所有特征的弱分类器的加权( qt) 错误率 εf。
( 4) 提高上一轮中被误判的样本的权重。
( 5) 将新的样本和上次本分错的样本放在一起进行新一轮的训练。
( 6) 循环执行4 - 5 步骤,T轮后得到T个最优弱分类器。
( 7) 组合T个最优弱分类器得到强分类器,其组合形式如公式( 4) :
最终采用Adaboost算法将这些强分类器级联起来形成本文所需要的XML文件,即级联分类器。
2. 2 基于级联分类器结构的改进
级联分类器的训练属于一种离线训练方式,需要大量的前期准备工作,为了提高检测提取的精度,降低训练的时间,提出了改变分类器结构的方法,即在级联结构中引入辅助的判断函数,当样本被某分类器判别为假时,使用该级的判断函数对其进行二次判断。该判断函数不仅得到了当前分类器的判断结果,同时也利用了之前的历史信息,如果输入样本被该判断函数拒绝,则该被拒绝的样本直接排除,在整个Adaboost算法当中每一级的级联分类器当中都加入该函数,其中第N级的判断函数如公式( 5)所示:
其中xi代表第i级的样本,comfN( xi) 代表第N级分类器对样本判断的加权值; 即为当前的分类器的加权值; hN代表第N层分类器对该层分类器判断的结果; m表示该样本被之前m - 1级分类器判断为假的次数。由以上公式可以看出m越大,(1/2)m就越小,说明之前的样本被分类器判断为假的次数比较多,此时应该多考虑当前的判断。相反,若m越小则应该多考虑前几层的历史信息。试验表明,该辅助判断函数的加入,使得它在速度和精度上都有所改善。
2. 3 图像局部特征检测结果
针对可口可乐瓶和矿泉水瓶分别训练两种级联分类器,其检测效果如图5 所示。
采用该改进之后的方法进行训练,其在第一层强分类器的生成过程中所花费的时间为1 332. 70 s,相比改进之前的1 897. 11s,在训练效率上有了较大的提高。
3 基于局部特征提取的SIFT匹配的实现
实验通过MFC设计了一个实现该方法的上位机界面,采用该系统界面只需要将正负样本采集好,描述文件做好,点击按钮即可完成级联分类器的训练,接着根据其圆心的图像坐标来提取目标物体作为原图与目标图进行SIFT配准,这样有效地减少了原图特征点的检测,从而加快了其配准的速度。该系统界面如图6 所示。
图6实现本文方法的界面
在完成了局部特征的匹配之后,采用K-means算法根据目标图中的SIFT特征点,找出稳定散落在目标物体上的一点,也就是图6 中红色那一点,最后根据该红点转换成机器人所需要的三维坐标点传送给机器人的手臂模块有底盘模块完成物体的识别及抓取。
4 结束语
全方位移动机器人研究综述 篇8
关键词：全方位移动机器人,导航,路径规划,路径跟踪,多传感器信息融合
0引言
随着社会生活的进步和机器人技术的发展,移动机器人正代替人类在不同领域发挥越来越重要的作用。作为人类运动功能的延伸和扩展,移动机器人能够前往人们无法到达的区域如太空、火山、雷区,完成高危险性的勘探、排雷等任务。为了减轻工作强度,将人们从单调枯燥的工作中解放出来,移动机器人在工业、农业、 医疗等领域从事搬运、采摘、护理等工作。移动机器人已经越来越多的融入到人们的生产生活之中。
根据移动特性的不同,分为非全方位和全方位移动机器人两种。其中全方位移动机器人能够实现平面内前后、左右和自转,具有机动灵活的运动特性,非常适合工作在空间狭窄有限,对机器人机动性要求高的场合。 本文回顾了国内外全方位移动机器人研究的历史及取得的成果, 分析探讨了全方位移动机器人的关键技术,并对全方位机器人的发展趋势进行了展望。
1全方位移动机器人研究进展及现状
全方位移动机器人是一种满足完整约束条件,并具有平面内三个自由度的机器人。与普通轮式移动机器人相比,全方位移动机器人可以在保持车体姿态不变的情况下,从当前位置向工作平面上的任意位置和方向运动。它能够通过狭窄的通道、直角弯道,能够在需要精确定位和高精度轨迹跟踪的场合进行自身位姿的细微调整。此外,全方位移动机器人摆脱了转弯半径的限制, 能够实现零曲率半径运动。卓越的运动性能使得全方位移动机器人受到国内外众多高校及研究机构的关注,并进行了全面而深入的研究。
Mecanum轮式机器人是研究较早、技术较成熟的一种全方位移动机器人,最早由瑞典Mecanum公司的工程师Ilon于1973年提出。1980年美国海军购买了该专利并进行军事应用开发。1986年卡耐基梅隆大学(CMU) 机器人研究所与美国海军合作开发了一款全方位移动机器人Uranus(如图1所示),并进行了初步的运动学建模、控制系统设计以及车轮打滑检测等方面的研究[1]。 1996年专利失效后,美国及世界众多大学、研究机构和公司对Mecanum轮式机器人进行了全方位、深层次的研究。新西兰梅西大学Olaf Diegel对Mecanum轮式机器人沿不同方向的运动效率进行了分析和比较,并提出了一种通过改变辊子方向降低能量损耗,提高运动效率的新型车轮结构[2]。Jorge[3]比较了传统车轮与Mecanum轮的区别,用旋量方法给出了四轮结构机器人的运动学方程和三轮结构的动力学方程。Kang[4]设计了一种配备了机械手臂和叉车式升降机的Mecanum轮式全向轮椅,可以帮助残疾人在工厂中从事货物搬运的工作。
由万向轮系构成的机器人是另外一种研究、应用较广泛的全方位移动机器人。斯坦福大学机器人实验室在2000年,设计开发了Nomadic XR4000机器人,该机器人的移动机构由四个万向轮构成,可作为移动平台搭载PUMA560机械手臂[5]。由于采用普通充气轮胎,这种机器人运行平稳,不会在纵向方向产生振动,同时明显减少了打滑现象的发生。
针对绝大多数全方位机器人只能在光滑、平整的路面上运动的局限,麻省理工学院研发了一款采用分离式偏心轮系的机器人,如图2所示。该机器人的移动机构采用呈90°分布的四组分离式偏心轮模块,每个模块由一对车轮、车轮连接轴及偏置链节构成。每个车轮由一个电机独立驱动,通过控制器协调八个电机的转速和转向。独特的分离式偏心车轮及旋转轴设计减轻了机器人对路面的压力,可以用于不平整的、非结构空间和地形的全方位运动[6]。
国内全方位移动机器人的研究虽然起步较晚,但近年来发展迅速并取得了一些重要的研究成果。哈尔滨工业大学机器人研究所将Mecanum轮式全方位移动机构应用于爬壁机器人,使其能够沿竖直交错的焊缝行走并对焊缝缺陷进行检查[7]。中科院自动化研究所设计研制了一种全方位移动机械手系统,并针对系统动力学特性完全未知且存在外部干扰的情况,设计了鲁棒轨迹跟踪控制器[8]。中科院沈阳自动化研究所研制了利用电磁导航的全方位自动引导车(AGV),用于汽车总装生产线的装配、自动立体仓库的运输等场合[9]。东南大学设计开发的Mecanum轮式全方位移动机器人采用视觉导航,能够实现路标识别、复杂路径选择和跟踪控制等功能,应用于飞机大型零件在车间的周转运输[10]。
2全方位移动机器人关键技术
全方位移动机器人除了能够进行全向运动,同时还具有任务分析、路径规划、路径跟踪、信息感知等类似人类行为的人工智能。此类机器人的研究涉及机械、电子、控制、传感器等技术,但主要集中在全方位移动技术、运动控制、路径规划等若干关键技术的研究与突破。
2.1全方位移动技术
全方位移动机器人灵活运动的关键在其轮系及移动机构。最早的全方位轮由J.Graibowiecki于1919年提出, 随后发展出有转向机构和无转向机构两类全方位系统。 具有转向机构的全方位系统是在普通轮系的基础上增加一套转向装置,控制车轮轮毂平面的趋向和运动方向, 如万向轮系等。没有转向机构的全方位系统通过车轮结构的特殊设计以及轮系的速度配合,实现平面内三自由度的运动,典型的全方位轮包括:Mecanum轮、球轮和正交轮等,如图3所示。
Mecanum轮是目前应用最广泛,技术最成熟的一种全方位轮,由轮毂和安装在轮毂外缘上的一组鼓形辊子组成。辊子与车轮轴线成一定角度,它绕车轮轴线旋转的同时也能绕自身轴线转动。为了保证运动的平滑性, 辊子的形状要保证车轮的侧视图为圆形。三个或三个以上的Mecanum轮通过转速和转向的配合可以实现全方位运动。然而,由于辊子之间存在间隙,使得车轮转动过程中与地面的接触点不断变化,会造成车体的振动和打滑,影响机器人的运动精度。
球轮[11]由滚动球体、支撑辊子和驱动辊子组成。球轮的驱动力来自驱动辊子和球体的摩擦力,而摩擦力又与载荷以及路面情况有关,因此球轮的驱动力和速度都受到较大限制而且容易发生打滑现象。
正交轮[12]由两个半径相等且切去球冠的球形轮子组成。每个球形轮子通过一个垂直于切面且通过球心的支撑轴固定在一个框架上,两个支撑轴相互垂直因此称为正交轮。在轮子的交替运动过程中,由于两个轮子同时接触地面的时间很短,每个轮子承受的压力变化很大, 因此会影响与地面的摩擦力,进而影响轮子的速度和整体的运动精度。
综上所述,具有转向机构的全方位系统的车轮结构简单但转向机构结构复杂,运行平稳、负载能力强,但曲线轨迹行走能力较差。没有换向机构的全方位系统运动灵活,控制相对简单,但车轮结构复杂且设计加工要求较高,行走效率较低。
2.2运动控制
全方位移动机器人尤其是采用全方位轮的机器人, 其车轮结构、运动机理及受力情况复杂,如何实现精确而有效的运动控制一直是研究的热点和难点问题。
2.2.1运动学和动力学建模
运动学和动力学模型是全方位移动机器人运动控制的基础,也是机器人控制器设计的前提和保障。机器人动力学建模常用的分析方法包括:拉格朗日、牛顿-欧拉法、虚功原理法、凯恩法以及旋量法等。其中,前两种方法应用较广泛,而旋量法是近几年研究较多的一种方法,尤其在机器人领域取得了重要的研究成果。
当前,全方位移动机器人的运动控制方法多从运动学模型出发,较少考虑其动力学特性,因此这类方法控制简单,能实现基本的全方位运动,但控制精度往往不高。 相反的,基于动力学模型的控制方法更能真实地反映机器人的运动规律,但由于摩擦力、质量和转动惯量等不确定性因素的存在,为系统的控制带来了很大困难。
2.2.2导航与路径规划
导航是实现机器人智能化的重要核心技术。所谓导航是指移动机器人通过传感器感知环境信息和自身状态,实现面向目标的自主运动。移动机器人主要的导航方式包括电磁导航、光反射导航、GPS导航、惯性导航、视觉导航等。其中,视觉导航通过安装在机器人上的摄像机拍摄周围环境的图像,利用图像处理技术提取有效信息并对机器人运动进行引导。视觉导航具有信号探测范围宽,获取信息完整等特点,是未来移动机器人导航的一个主要发展方向。其中全向视觉具有360°的水平视角,能够获取机器人周围的全景信息,尤其适合全方位移动机器人的导航。
路径规划是机器人导航研究的一个重要环节和课题,是指移动机器人按照某一性能指标搜索一条从起始状态到达目标状态的最优或次优路径[13]。根据环境信息的掌握程度,路径规划分为环境信息完全已知的全局路径规划和环境信息完全未知或部分未知的局部路径规划。全局路径规划包括环境建模和路径搜索两个子问题。其中环境建模的主要方法有:可视图法、栅格法、拓扑法等。路径搜索算法包括Dijkstra算法、A*算法等。局部路径规划是近年来研究的重点,常见的方法有:遗传算法、模糊逻辑法、神经网络法、蚁群算法、 人工势场法等。根据划分依据的不同,路径规划方法还可以分为动态路径规划和静态路径规划;精确式和启发式路径规划;基于模型的路径规划和基于传感器的路径规划等多种。
2.2.3路径跟踪控制
路径跟踪是移动机器人运动控制的核心问题之一, 是指在得到全局或局部路径规划的轨迹后,如何使机器人按照规划好的路径运动的问题。路径跟踪常用的方法包括:经典PID控制、自适应控制、滑模控制、回退法、神经网络法、模糊控制等。其中PID算法控制简单,稳定性好,但需要建立控制对象的精确模型。神经网络法可以克服系统的不确定性和未建模的未知扰动, 但若采用多层前向神经网络,其控制算法较复杂,在线学习时间较长[14]。模糊控制算法不需要精确的数学模型,能较好的实现从输入到输出的非线性映射,但模糊规则难以面面俱到,且缺乏泛化能力。
全方位移动机器人是典型的多输入多输出的非线性系统,而且比普通轮式移动机器人多一个自由度,因此控制难度较大。此外,无转向机构的全方位移动机器人由于车轮结构的原因,运动过程存在打滑现象,必然影响机器人的跟踪精度。因此,如何消除或补偿车轮打滑的影响,提高路径跟踪精度,是全方位移动机器人运动控制研究的重要内容之一。
2.3多传感器信息融合
多传感器信息融合是指对多个传感器所获得的信息进行综合处理,消除信息之间可能存在的冗余和矛盾,降低不确定性,以形成对系统环境相对完整一致的理解[15]。 移动机器人多传感器信息融合技术的研究始于20世纪8年代,目前常用的方法有:贝叶斯估计、卡尔曼滤波、 加权平均法、D-S证据理论推理、模糊推理法和神经网络法等。移动机器人研究中,多传感器信息融合技术常用于目标识别、环境地图创建以及机器人定位等问题。
3结束语
目前,全方位移动机器人的研究主要集中于全方位移动机构设计、机器人运动控制以及信息处理方面。随着机器人智能化水平的提高和研究的不断深入,未来全方位移动机器人发展趋势主要表现为以下三个方向。
1)发展环境适应能力更强的全方位移动机构。
人类的生活环境复杂多变,机器人应用的场合也是多种多样。当前的全方位移动机器人由于车轮结构的特殊性,大多数只能在平坦、光滑的路面上运动。为了拓展机器人的应用领域,未来的全方位移动机构需要适应更加复杂的路况和地形,如山地、沙滩、草地、楼梯等,具有更好的越障能力和通过性能。
2)发展具有可操作能力的全方位移动机械手。
全方位移动机器人具有灵活的运动能力,但没有操作功能。机械手能够实现抓取、搬运、装配等动作,但工作空间有限。以全方位移动机器人作为移动平台,搭载机械手构成全方位移动机械手,可以扩大机械手的工作空间,使机械手以更适合的姿态完成工作。
3)发展协调控制的多机器人系统。
移动机器人跟踪控制策略分析及仿真 篇9
关键词：移动机器人,Backstepping积分法,神经元网络
1 引言
移动机器人具有机构简单、灵活性好、能够自主运动、适用性强等特点, 近年来得到广泛应用。移动机器人是一种典型的非完整约束系统, 不满足Brockett反馈镇定条件, 大量成熟的结果无法直接用于非完整系统的研究。在实际应用中, 快速精确的跟踪控制是机器人的主要核心之一。本文在移动机器人运动学和动力学模型的基础上, 采用积分Backstepping方法和神经网络控制设计了移动机器人的控制算法, 实现了良好的跟踪效果。
2 非完整约束移动机器人的运动学和动力学模型
假定移动机器人的位姿为q=[X Yθ]T, 机器人质心C在世界坐标系O-XgYgZg中的坐标为 (X, Y) , θ为xC和X的夹角, 即移动平台的航向角。
移动机器人的运动学方程为:
具有非完整约束的移动机器人系统的动力学模型可用Lagrange动力学方法表示,
对非完整约束的描述为:
3 移动机器人控制算法分析
假设机器人的初始位姿为pC=[xAyAθA]T, 跟踪目标点的位姿为pr=[xryrθr]T, 参考速度为qr=[υrωr]T, 如图2所示, 当前起始点与目标点的位姿误差为:
轨迹跟踪采用积分Backstepping方法, 取
其中k1、k2、k3、k4是非负的常数。
对于给定速度υ=[υcωcυ1], 定义速度跟踪误差eC, 如果令
υs为机器人实际的运动速度。
对式 (5) 求导并结合式 (2) 、式 (3) , 得到速度跟踪误差下的移动机器人动力学方程:
移动机器人动力学跟踪控制采用单层神经元网络控制算法, 如图3所示。
4 仿真结果及分析
为了验证算法的有效性, 基于MATLAB对算法进行了仿真研究, 仿真试验选用机器人控制器参数为:k1=0.6879, k2=0.7432, k3=0.8767, k4=0.4, k5=20I2, Γ=I3, Ik为k×k的单位阵, 正定对角阵kd取[4 4], υr=0.24m/min。
假设跟踪直线的初始跟踪位姿为 (1, 2, 45°) , 机器人的初始位姿为[xAxAθA]=[0 0 0], 跟踪直线轨迹的仿真结果如图4、图5所示。
根据仿真结果可以得出, 带神经元时的控制算法, 跟踪快, 速度平稳, 说明该控制算法的有效性。
5 结论
本文首先建立了移动机器人的统一运动学和动力学模型, 在此基础上对移动机器人控制算法进行了设计。采用backstepping积分法实现轨迹跟踪, 神经元网络控制算法实行速度跟踪。仿真实验验证了建立数学模型的正确性及控制算法的有效性。
参考文献
[1]张庭, 李慨, 等.基于动力学系统移动焊接机器人焊缝跟踪控制[J].系统仿真学报, 2009, 11 (21) :1404-1408.
[2]肖本贤, 张灿松, 等.基于动力学系统的非完整移动机器人的跟踪控制[J].系统仿真学报, 2006, 5 (18) :1263-1266.
[3]李慨, 岳宏, 赵海文, 等.基于虚拟仪器的管道环焊机器人测控系统[J].仪器仪表学报, 2006 (S1) :416-420.
[4]高延峰, 等.轮式移动焊接机器人弯曲焊缝跟踪控制[J].机器人, 2007, 5 (29) :439-451.
基于可视图的移动机器人路径规划 篇10
关键词：机器人,路径规划,最短路径,遗传算法
0 引 言
路径规划技术是机器人研究领域中的一个重要分支。所谓机器人的最优路径规划问题,就是依据某个或某些优化准则(如工作代价最小、行走路线最短、行走时间最短等),在其工作空间中找到一条从起始状态到目标状态的能避开障碍物的最优路径。
机器人路径规划是机器人应用中的一项重要技术,例如,在执行装配、焊接及抢险救灾等任务时,采用良好的机器人路径规划技术可以节省大量机器人作业时间、减少机器人磨损,同时也可以节约人力资源,减小资金投入,为机器人在多种行业中的应用奠定良好的基础。将遗传算法、模糊逻辑以及神经网络等方法相结合,可以组成新的智能型路径规划方法,从而提高机器人路径规划的避障精度,加快规划速度,满足实际应用的需要。同时,多机器人协调作业环境下的路径规划技术也将是研究的热点及难点问题,越来越受到人们的重视,因此,这将是一个有意义的研究课题[1]。
本文提出一种基于可视图的移动机器人路径规划的方法,该种方法在对自由空间进行可视图建模的基础上,先使用目标导向启发函数找出有效路径,然后再使用遗传算法来优化,得到较优的行走路径。其染色体编码方法保证不会产生无效路径,从而大大地简化了问题,使得仅使用简单遗传算法就可解决路径规划问题。
连续空间模型假设:
(1) 假设机器人工作空间可用二维平面图形表示。
(2) 工作空间中障碍物的位置和大小已知,且在机器人运动过程中,障碍物的位置和大小不发生变化。
(3) 移动机器人在二维平面环境中运动,不考虑高度的信息。
(4) 机器人用点来表示,即所谓“点机器人”,障碍物的形状都为凸多边形,机器人可以沿着障碍物的边缘行走。
(5) 当机器人处于某个障碍物的顶点时,假设机器人所能看到的所有障碍物的顶点信息(即顶点的坐标)是已知的。
1 环境模型建立
1.1 自由空间的可视图法建模
可视图法对自由空间建模过程是:
首先,在自由空间中,放入若干个位置和大小都已知的障碍物。
其次,点P的可视点a定义为连接P与障碍顶点a的线段不与所有障碍物相交。由起点P开始求其所有可视顶点。
再次,由这些顶点求其对应的可视顶点,一直求到终点,得到一个由可视边(由相邻两可视顶点构成的边为可视边)构成的网络。
例如,如图1所示含有障碍物的规划空间,经过上述建模过程处理后,可得到图2所示的可视图网络。图中,阴影所示为障碍物,S为起点,E为终点。
1.2 连续空间的路径规划方法
经过上述自由空间建模之后,机器人路径规划问题转化为网络图的最短路径问题,利用现有的数学定理:在平面障碍为多边形的情况下,最短路程一定是一条由起点经过各可视障碍顶点到达终点的一条折线。根据这个数学定理,可以有如下求解最短路程思路:
第一步,n个机器人同时从始点出发,利用目标导向启发函数搜索下一个将要到达的障碍物顶点,一直搜索到目标点为止。
第二步,利用遗传算法对生成的n条路径进行优化。从而得出最优或较优路径。
2 遗传算法的描述与实现
2.1 遗传算法的基本原理与问题定义
遗传算法受Darwin 的进化论和Mendel的遗传学说理论的启发,是模拟生物进化过程与机制求解问题的自适应人工智能技术。它的核心思想源于这样的基本认识从简单到复杂、从低级到高级的生物进化过程。本身是一个自然的、并行发生的、稳健的优化过程,这一优化过程的目标是达到对环境的自适应性,而生物种群通过“优胜劣汰”及遗传变异来达到进化的目的。
为了叙述方便,作出如下约定和定义。
定义1Setrobot={1,2,…,k,…,m}表示机器人的集合,k∈Setrobot表示机器人k,其中,m为机器人的总数量。
定义2 机器人k在任意时刻所处的顶点位置为p,∀p在图2的链接图上都有确定的坐标(x,y),机器人k在ti时刻处于某顶点的位置为p(xi(ti),yi(ti)),记为p(ti)。
定义3 任意两顶点间的距离指两顶点间的连线长度,记作d(vi,vj),i,j∈V,在可视图中的连线则称一个边Edge,边长记作dl。
定义4 连接顶点vi与障碍物顶点vj的线段不与所有障碍物相遇,则称vj是vi的可视顶点;vi的可视顶点集合称为机器人k在vi处的可视域,记作VRi(vi(xi,yj))。
定义5 设ti时刻,机器人k处于顶点vi,FRi(vi)={v|v∈VRi(vi(xi,yi)),且v∉tabuk}称ti时刻机器人k在VRi的可行域;令,tabuk={p(t0),p(t1),…,p(ti)},t0<t1<…<ti,为机器人k从t0到ti时刻已走的顶点位置的集合;对于ti+1时刻,若∀p(ti+1)∈VRi(p(ti))且∀p(ti+1)∉tabuk,则称∀p(ti+1)为ti+1时刻的可行点。
tabuk中各位置点的连线称为vs到ve的通道,记作pathk(vs,ve),通道的长度记作路程L,由 公式(2)计算。很显然,tabuk是机器人k已走顶点的集合,它随机器人k的行走而动态调整。按该定义,这些位置不允许再走,因此,称tabuk为禁忌表[2,3]。
其中,p(tn+1)是p(tn)的可视点。
定义6 目标导向启发函数的数学描述就是给出目标导向启发概率,具体定义为:设顶点vi的可视顶点有n个,这n个顶点与顶点vi连线的斜率,分别记为:k1,k2,…,kn,设顶点vi与终点E连线的斜率为k,为位于顶点i的机器人选择顶点vj为下一顶点的目标导向启发概率:
根据以上的原理和定义,机器人路径规划的遗传算法描述如下:先由起点开始求其所有可视顶点,再由这些顶点求其对应的可视顶点,一直求到终点,得到一个由可视边(由相邻两可视顶点构成的边为可视边)构成的网络,再按照目标导向启发函数生成一系列通路径,然后,再对这一系列通路径用遗传算法进行优化。
2.2 个体编码方法
由于本文的顶点编号都为整数,所以,本文采用整数编码方法。在本文中,起点编号和终点编号是固定的,中间路径的生成方法如下:
(1) 初始化 将m个机器人放置在出发点v0,并将出发点设置到禁忌表tabuk(k=1,2,…,m)中。
(2) ∀k,以当前所处顶点为始发点,按目标导向启发函数选择并走到下一顶点vj,vj∈FRi(vi),vj∉tabuk顶点选择如下:
设顶点vi的可视顶点有n个,这n个顶点与顶点vi连线的斜率,分别记为:k1,k2,…,kn,设顶点vi与终点E连线的斜率为k。首先,分别计算出顶点vi与n个可视点间的目标导向启发概率ηij;其次,对于这n顶点所对应的n个目标导向启发概率中选择概率数值最小的所对应的顶点作为机器人所选择的下一个顶点。
按照这种方法,m个机器人可找到m条通路径,对这若m条通路路径用遗传算法进行优化,从而得到机器人在工作空间中的最优或近似最优的行走路径。
每个个体是由若干顶点号所组成的路径序列。例如机器人k找到的一条可通路径为:
pathk(v0,v19)={v0,v2,v5,v9,v16,v19}
2.3 适应度函数
个体适应度评价函数直接影响到遗传算法的计算效率。
假设个体表示为:p0,p1,p2,…,pn-1,其中,p0=S为路径起点,pn-1=E为路径终点。
选取如下所示的个体适应度评价函数:
分别计算每个个体的相邻两个顶点之间的距离,并且累加起来。数值越小表示路径越短,即个体被遗传的概率越大。
2.4 遗传算子设计
2.4.1 选择算子
本文采用比例选择算子,使个体按照与适应度成正比的概率向下一代群体繁殖。选择运算(又称复制运算)把当前群体中适应度较高的个体传到下一代群体中。其具体操作过程是:
第一步,计算出群体中所有个体的适应度的总和∑Fi;
第二步,计算出每个个体被遗传到下一代群体的被选择概率:1-Fi/∑Fi,即每个个体被选择的概率区域为[0,1-Fi/∑Fi];
第三步,随机产生一个[0,1]之间的小数,并且随机选择一个个体。判断所生成的随机小数是否落在该个体的概率数值区域内,若落在该个体的概率数值区域内,则该个体被选中;若没有落在该个体的概率数值区域内,则继续顺序向下寻找符合条件的个体。
根据上述操作过程,可以保证个体路径的长度值Fi越小,个体被选择的概率1-Fi/∑Fi就越大[4]。
2.4.2 交叉算子
交叉运算(又称重组运算),是按较大的概率从群体中选择两个个体,交换两个个体的某个或某些部位。在遗传算法中,交叉运算是产生新个体的主要操作过程。在本文中,个体是由始点到终点所组成的通路路径顶点序列所组成,通过对个体的顶点基因进行替换重组即可生成新的个体,因此,交叉算子不仅可以产生优良的新个体,而且能增加个体空间分布的离散性,提高算法的全局搜索能力[5,7]。
本文采用单点交叉算子。具体运算过程为:
① 对群体进行随机配对,种群规模大小为30,因此,可配为15对;
② 依次判断每对个体是否符合交叉运算条件,判断方法:生成一个[0,1]之间的随机小数,并判断该小数是否属于 [0,0.5]数值区域,若属于该数值区域,则这对个体符合交叉运算条件。否则,不符合交叉运算条件,不进行交叉运算;
③ 比较符合交叉运算的个体对,并找出个体对中所有相同的基因,记录下相应的位置;
④ 对于符合交叉运算的个体对,从候选的相同的基因集合中,任意选择一个基因,作为交叉运算的交叉点。
2.4.3 变异算子
变异运算是基因遗传算法的基本操作之一,按一定的概率随机改变某个个体的基因值,体现了生物变异产生新个体的原则。其目的是增强群体中的多样性,防止进化过程陷入局部优化。
本文采用均匀变异算子。具体操作过程是:
确定个体是否将发生变异,从第一个个体开始顺序往后确定,确定方法如下:随机生成一个[0,1]之间的小数,并判断该小数是否属于以下数值区域:[0,0.1],若属于该数值区域,则个体参与变异。否则,不参与变异。
若个体参与变异,则随机选择个体上的某个基因,将该基因删除,并且重新按照目标导向启发函数生成一个局部的路径序列用来连接被删除变异点的前一个顶点和后一个顶点,所生成的通路所含有的顶点必须不属于已经走过的顶点集合。若不存在这样的一个局部路径,则对该个体的变异失败,个体保持不变。
3 仿真实验
本文采用的环境模型如图2所示,起始位置为(2,22),目标点位置为(26,2) 。仿真时遗传算法的四个控制参数如表1所示。约迭代7代后,得最优路径编码为:0,5,16,19,即图4中的粗线所示。结果数据及与混合遗传算法[6]的比较如表2,图5分别所示。
在仿真过程中,当初始种群数M值取的越大,求得最短路径所需迭代代数越小,因为在随机选取初始种群时,种群数越大,取得最短路径的可能性亦越大。交叉与变异率取值不宜过大,因为在进行生成初始种群时,已经利用了目标导向启发函数生成了较有效的路径,当交叉率、变异率大时,产生无效路径的可能性也大,获得最短路径所需迭代代数也会增多。
最优路径收敛曲线 最优路径收敛曲线
4 结 语
本文在对自由空间进行可视图法建模的基础之上,用遗传算法进行优化,加入了能改善算法性能的目标导向启发函数,不但有效地缩短了搜索有效路径的时间,而且,还提高了算法的全局收敛性和收敛速度。
遗传算法是一种群体智能算法,在某些方面还缺乏有效的理论指导(如交叉率和变异率参数的选取),需要今后不断的完善,从而进一步提高算法的可靠性。
本文在路径规划中没有考虑机器人形状和机器人的运动学约束条件对路径选择的影响,可以将机器人运动学约束条件等加以研究,提出合适的目标函数用遗传算法进行路径规划,这能更进一步的提高系统的实用性。
参考文献
[1]宋彩云,王明磊.基于环境模型的移动机器人路径规划[J].电光与控制,2006,13(3):102-104.
[2]朱庆保.动态复杂环境下的机器人路径规划蚂蚁预测算法[J].计算机学报,2005,28(11):1899-1906.
[3]岳富占,崔平远.基于改进蚁群算法的星球探测机器人路径规划技术[J].控制与决策,2006,21(12):1438-1440.
[4]蔡菲,崔健,丁宁,等.基于GIS和改进遗传算法的最优路径规划[J].工程勘察,2009(10):62-65.
[5]崔建军,魏娟,刘坤.基于遗传算法移动机器人的路径规划研究[J],煤矿机械,2009,30(9):58-59.
[6]刘彩虹,胡吉全,齐晓宁.基于混合遗传算法的连续空间下机器人的路径规划[J].武汉理工大学学报,2003,27(6):820-821.