自主移动机器人局部路径规划综述_鲍庆勇
2009年第28卷第9期 传感器与微系统(T r a n s d u c e r a n dM i c r o s y s t e mT e c h n o l o g i e s)
综述与评论
自主移动机器人局部路径规划综述＊
鲍庆勇,李舜酩,沈 峘,门秀花
(南京航空航天大学,江苏南京210016)
摘 要:自主移动机器人技术是近年来的研究热点,而路径规划技术是自主移动机器人技术研究中的一
个重要内容。讨论了自主移动机器人路径规划技术的分类和研究局部路径规划的重要性;分析了局部路
径规划技术的发展现状;指出了局部路径规划各种方法的优点与不足;对局部路径规划技术今后的发展方
向做出了展望。
关键词:机器人;路径规划;全局;局部;传感器
中图分类号:T P242 文献标识码:A 文章编号:1000—9787(2009)09—0001—04
S u r v e y o f l o c a l p a t hp l a n n i n g o f a u t o n o m o u s m o b i l e r o b o t＊
B A OQ i n g-y o n g,L I S h u n-m i n g,S H E NH u a n,M E NX i u-h u a
(N a n j i n g U n i v e r s i t y o f A e r o n a u t i c s a n dA s t r o n a u t i c s,N a n j i n g210016,C h i n a)
A b s t r a c t:A u t o n o m o u s m o b i l er o b o t i n v e s t i g a t e i s a n a c t i v e r e s e a r c hs o c i e t y r e c e n t l y.H o w e v e r,m o b i l e r o b o t p a t h
p l a n n i n g t e c h n o l o g y i s o n e o f t h e m o s t i m p o r t a n t i s s u e s i na u t o n o m o u s m o b i l e r o b o t r e s e a r c h.T h e c l a s s i f i c a t i o n o f
m o b i l e r o b o t p a t hp l a n n i n g m e t h o d a n dt h e i m p o r t a n c e o f l o c a l p a t h p l a n n i n g a r e s u m m a r i z e d;t h e s t a t e o f t h e a r t
r e l a t i v e m o b i l e r o b o t l o c a l p a t hp l a n n i n ga p p r o a c h e s a r ep r e s e n t e d.T h ea d v a n t a g e sa n dd i s a d v a n t a g e so f t h e s e
a l g o r i t h m s a r ed i s c u s s e d.A c o n c l u s i o n a n d p e r s p e c t i v e so fa u t o n o m o u sm o
b i l er o b o tl o
c a lp a t hp l a n n i n gi s
a d d r e s s e d.
K e yw o r d s:r o b o t;p a t hp l a n n i n g;g l o b a l;l o c a l;s e n s o r
0 引 言
移动机器人的研究始于20世纪60年代末,斯坦福研究院(S R I)研制为S h a k e y的自主移动机器人[1],其目的是研究人工智能技术和在复杂环境下机器人系统的自主推理、规划和控制。与传统的机器人手臂不同,自主移动机器人属智能型机器人范畴,是集环境感知、动态决策与规划、行为控制与执行等多种功能于一体的综合系统。近年来,自主移动机器人技术在工业、农业、医学、航空航天等许多领域发挥了重要作用,显示了其广泛的应用前景。
在移动机器人相关技术研究中,导航技术是其核心,而路径规划是导航技术研究的一个重要环节和组成部分[2～4]。根据对环境信息掌握的程度,将路径规划分为全局路径规划和局部路径规划。全局路径规划通常可以给机器人规划出一条最优路径,但需要环境的先验信息,且计算量大;而局部路径规划侧重于考虑机器人当前的局部环境信息,其信息获取完全依赖于传感器,并随着环境的变化实时地发生变化。与全局路径规划相比,局部路径规划更具有实时性和实用性。局部路径规划是地面、水下、空中自主和半自主系统的一项关键技术,它的品质特性直接关系整个系统的性能,因而,对局部路径规划方法的研究具有重要的意义。本文讨论自主移动机器人路径规划技术的分类和研究局部路径规划的重要性,分析局部路径规划技术的发展现状,并对局部路径规划技术的发展做出了展望。
1 自主移动机器人路径规划概况
路径规划是指移动机器人按照某一性能指标(如,距离、时间等)搜索一条从起始状态到目标状态的最优或次优路径。根据对环境信息掌握的程度将其分为2种[4]:基于环境先验完全信息的全局路径规划,又称静态或离线规划;基于传感器信息的局部路径规划,又称动态或在线路径规划。
全局路径规划是指根据先验环境模型找出从起始点到目标点中符合一定性能的可行或最优路径,它涉及的根本问题是环境模型的表达和路径搜寻策略,其主要方法有可视图法、自由空间法、栅格法、拓扑法等。
收稿日期:2009—04—02
＊基金项目:国家自然科学基金资助项目(50675099);江苏省普通高校研究生科研创新计划资助项目(C X08B—044Z)1
DOI:10.13873/j.1000-97872009.09.026
传感器与微系统 第28卷
局部路径规划是指在未知或部分未知的环境下通过传感器获取周围环境的信息,包括障碍物的尺寸、形状和位置等信息,并使机器人自主获得一条无碰撞最优路径。
2 局部路径规划方法的研究现状
局部路径规划方法主要有:传统方法、智能仿生算法、启发式搜索方法、基于滚动窗口的算法、基于行为的路径规划算法以及基于再励学习的路径规划算法等。
2.1 传统方法
早期的局部路径规划方法主要有:模拟退火算法、人工势场法、模糊逻辑算法。
2.1.1 模拟退火算法
模拟退火算法[5]由K i r k p a t r i c k S于1983年提出,源于物理退火过程。基本思想是利用随机优化问题求解过程与统计力学中热平衡问题的相似性,通过设定初温、初态和降温率控制温度的不断下降,结合概率突跳特性,利用解空间的邻域结构进行随机搜索[6]。
模拟退火算法用于路径规划可避免局部极值,但其理论收敛条件过于苛刻,在实际应用中往往无法满足。在有限计算量条件下的收敛性能依赖于自身参数,这使得参数设定成为算法应用过程中的一个关键环节。文献[6]针对模拟退火算法本身存在的随机性,将算法的参数设定问题描述为随机优化问题,提出一种参数设定的混合优化算法:基于序优化的巢分区算法。结果表明:该方法能够解决复杂的随机组合优化问题。
2.1.2 人工势场法
人工势场法由K h a t i b于1986年提出,属于虚拟力法,基本思想是将机器人在环境中的运动视为一种虚拟的人工受力场中的运动。障碍物对机器人产生斥力,目标点对机器人产生引力,引力和斥力周围由一定的算法产生相应的势,机器人在势场中受到抽象力作用,促使机器人绕过障碍物,朝目标点前进。
该方法的优点是结构简单,计算量较小,便于低层实时控制,在实时避障和平滑轨迹控制方面得到广泛应用。但传统的人工势场法经常存在以下不足[7]:1)在2个相近的障碍物之间不能发现有效路径;2)在障碍物前有振荡;3)目标点附近有障碍物时无法顺利到达目标点;4)存在陷阱区域。
人工势场法容易产生局部最小值。为此,研究人员提出了一些改进算法:重新定义势函数,使之没有或有更少的局部极小点;利用搜索算法跳出极小点;利用模拟退火算法使势函数跳出局部最小点。另外,针对不能顺利到达目标点的问题,文献[8]通过选取适当的增益函数可以使机器人快速到达目标点,实验验证了该方法的有效性。
2.1.3 模糊逻辑算法
模糊逻辑算法[9～11]模拟驾驶员的驾驶经验,将生理上的感知和动作结合起来,根据系统实时的传感器信息,通过查表得到规划信息,从而实现局部路径规划。
模糊逻辑由于符合人类思维习惯,既免去了数学建模,又便于直接将专家知识转换为控制信号。模糊逻辑对传感器信息的精度要求不高,对机器人周围环境和本身位姿信息的不确定性也不敏感,使机器人的行为体现出很好的一致性、稳定性和连续性。但由于模糊隶属度函数的设计、模糊控制规则的制定主要靠人的经验和试凑,总结模糊控制规则时比较困难,而且,控制规则一旦确定,在线调整困难,无法很好地适应情况的变化。因此,如何得到最优的隶属度函数、控制规则以及对控制规则进行在线调整是该方法最大的问题。针对这些问题,多采用模糊逻辑方法与其他方法相结合;对模糊控制器进行改进,使其具有自适应和学习能力等。
2.2 智能仿生算法
近年来,随着仿生算法的广泛应用,机器人局部路径规划技术取得了长足发展,特别是在局部路径优化方面。主要方法有人工神经网络算法、遗传算法、蚁群优化算法,粒子群算法。
2.2.1 人工神经网络算法
神经网络[12]的研究始于20世纪40年代,是在现代生物学研究人脑结构和功能成果的基础上提出来的。它作为一个高度并行的分布式系统,能较好地模拟人的形象思维,具有大规模并行协同处理能力、较强的容错能力、联想能力和较强的学习能力。该方法具有鲁棒性强等优点,在智能自主移动机器人路径规划中的应用已显示出其优越性,但神经网络中的权值设定比较困难[13]。
针对权值设定难的问题,国内外研究人员提出了很多改进算法,使神经网络与其他方法相结合来解决这一难题。如,利用神经网络与遗传算法相结合实现具有学习能力的避障控制;利用神经网络与模糊逻辑相结合实现具有模糊推理功能的局部规划器;同样,利用神经网络与基于行为的算法相结合实现具有学习能力的行为融合和行为仲裁,使得系统的灵活性加强。
2.2.2 遗传算法
遗传算法[14]由美国M i c h i g a n大学的H o l l a n dJ H教授于20世纪60年代末创建,来源于进化论和遗传学理论,是模拟生物在自然环境下的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。
遗传算法能够克服局部最小值问题,计算量适中,能实现边规划边跟踪,适用于时变未知环境的路径规划,实时性较好。但运算速度较低,进化众多的规划要占据较大的存储空间,因此,遗传算法通常与神经网络、模糊逻辑法[15]等
2
第9期 鲍庆勇,等:自主移动机器人局部路径规划综述
相结合,使得路径规划控制器具有自适应学习能力,从而达到全局最优。
2.2.3 蚁群优化算法
蚁群优化算法是由意大利学者D o r i g o等人在20世纪90年代从蚁群觅食行为受到启发,通过模拟自然界蚂蚁寻径的行为,提出的一种全新的模拟进化算法。
蚁群优化算法在并行运行环境(如网格环境)下可以同步寻优,加快了寻优速度。另外,它是一种通用性强的算法,稍加修改便可用于其他优化问题。但计算量较大,搜索时间较长,易于陷入局部最优解。针对此算法的缺陷,文献[16]提出了一种新的滚动规划蚂蚁算法,研究结果表明:即使在复杂的地理环境下,使用该算法也能迅速规划出一条优化路径,而且,能够安全避障。文献[17]提出了基于栅格法的机器人路径规划蚁群算法,该算法用栅格法对场景进行建模,模拟蚂蚁的觅食行为,由多只蚂蚁协作完成最优路径的搜索。
2.2.4 粒子群算法
粒子群算法是由K e n n e d y博士和E b e r h a r t博士于1995年从鸟类的捕食行为中受到启发提出的一种基于群体的智能随机优化算法。
粒子群算法具有收敛速度快、算法简单、容易编程实现和鲁棒性强等特点,但是,粒子群算法也有一些缺陷,一是容易陷入局部极值点,导致得不到全局最优解;二是粒子群算法本身的参数设置,若参数选择不当,会导致寻优过程中粒子的多样性迅速消失,造成算法“早熟收敛”。针对以上缺陷,文献[18,19]提出了改进的粒子群算法,研究结果表明能够得到全局最优路径。
2.3 启发式搜索方法
启发式方法的最初代表是A＊算法[20],而其新发展是D＊[21]和F o c u s s e d D＊[22]这2种由S t e n t z A提出的增量式图搜索算法的产生。D＊算法可以理解为动态的最短路径算法,而F o c u s s e d D＊算法则利用A＊算法的主要优点即使用启发式估价函数,2种方法都能根据机器人在移动中探测到的环境信息快速修正和规划出最优路径,减少了局部规划的时间,对于在线的实时路径规划有很好的效果。此外,还出现了一些基于A＊的改进算法[23],它们一般都是通过修改A＊算法中的估价函数和图搜索方向来实现的,可以较大地提高路径规划的速度,具有一定的复杂环境自适应能力。
2.4 基于滚动窗口的算法
基于滚动窗口的算法[24]是基于预测控制理论的一种次优方法,其基本思想是依靠机器人实时探测到的局部信息,以滚动的方式进行在线规划。在滚动的每一步,根据探测到的局部信息,用启发式方法生成优化子目标,在当前滚动窗口内进行局部路径规划,然后,实施当前策略,随着滚动窗口的推进,不断取得新的环境信息,从而在滚动中实现优化与反馈的结合。
在未知环境下,基于滚动窗口的机器人路径优化算法能够保证安全地避开障碍物,具有计算量小、反应迅速、可操作性强等特点,对动态未知环境有一定的适应性。有学者认为,基于滚动窗口的机器人路径优化规划算法是解决未知环境下路径规划问题的一种有效、实用的工具[25]。
2.5 基于行为的路径规划算法
基于行为的路径规划最具代表性的是1986年B r o o k s 的包容式体系结构,其基本思想是把移动机器人所要完成的任务分解成一些基本的、简单的行为单元,机器人根据行为的优先级,结合本身的任务综合做出反应。
在基于行为的机器人控制系统中,不同的行为要完成不同的目标,多个行为之间往往产生冲突[26],因此,涉及到行为协调问题。T y r r e l l等人将行为协调机制的实现方法分为两类:仲裁机制和命令融合机制。
仲裁机制在同一时间允许一个行为实施控制,下一时间又转向另一个行为。它能够解决在同一时间由于多重行为而使执行器产生冲突的弊端,该方法具有行为模式简单灵活,实时性、鲁棒性强等优点。但当有多种行为模式时,系统做出正确判断的概率会降低[27]。
而命令融合机制允许多个行为都对机器人的最终控制产生作用,这种机制适用于解决典型的多行为问题。该机制[27,28]在环境未知或发生变化的情况下,能够快速、准确地规划机器人路径。但当障碍物数目增加时,该方法的计算量会增大,影响规划结果。
2.6 基于再励学习的路径规划算法
基于再励学习的路径规划算法[29]是一种未知环境下的实时规划方法。它来源于行为心理学,其基本思想是采用了动物学习心理的“试错法”原理,强调在与环境的交互中利用评价性反馈信号进行学习,为实现具有自学习能力的智能系统提供了有效手段。
由于再励学习通过与环境的直接交互进行学习,不需要环境模型和先验知识,也不需要样本训练数据,而且,能够方便地在线实现,因此,比较适用于未知环境模型的不确定系统。文献[30]提出一种基于再励学习的机器人步行控制方法,实验表明:利用学习训练的结果控制柔性驱动器在步行相转换时的动作,机器人可以实现稳定动态步行。
3 结束语
随着移动机器人应用范围的不断扩大,对局部路径规划提出了更高的要求,单个规划方法已不能很好地满足要求,新的发展趋向于将多种方法相结合,以下几方面值得关注:
3
传感器与微系统 第28卷
1)局部路径规划与全局路径规划结合
全局路径规划一般是建立在已知环境信息的基础上,适应范围相对有限;局部路径规划能适应未知环境。但有时反应速度不快,对规划系统品质的要求较高,因此,如果把两者结合即可达到更好的规划效果[17]。
2)传统规划方法与新的智能方法结合
近年来,一些新的智能技术逐渐被引入到路径规划中来,也促使各种方法的融合发展,例如:人工势场与神经网络、模糊控制的结合,以及模糊控制与人工神经网络、遗传算法以及行为控制之间的结合等[15,28,29]。
3)多传感器信息融合用于局部路径规划
移动机器人在动态环境中进行路径规划所需的信息都是从传感器获得,单一传感器难以保证输入信息的准确性与可靠性,多传感器所获得的信息具有冗余性、互补性、实时性和低代价性,且可快速并行分析现场环境。目前的方法有:采用概率方法表示信息的加权平均法、贝叶斯估计法、多贝叶斯法、卡尔曼滤波法、统计决策理论法、仿效生物神经网络的信息处理方法、人工神经网络法等。
4)局部路径规划与动态环境路径规划相结合
类似足球机器人比赛,需要考虑移动目标点情况。这类规划由于要考虑机器人、目标的位置、速度、使得规划问题更加复杂,该方向的研究值得关注[25]。
5)多智能机器人协调作业的路径规划方法
该智能技术正逐渐成为新的研究热点,受到业内人士的广泛关注。由于障碍物与机器人数目的增加,极大地提高了路径规划的难度,这将是一个更加贴近于现实的研究课题,也是自主移动机器人技术急需拓展的领域。
参考文献:
[1] N i l s s o nN.Am o b i l e a u t o m a t i o n:A na p p l i c a t i o no f a r t i f i c i a l i n t e l-
l i g e n c e t e c h n i q u e s[C]∥P r o c I J C A I,1969.
[2] 李 磊,叶 涛.移动机器人技术研究现状与未来[J].机器
人,2002,24(5):475-480.
[3] 蔡自兴,贺汉根,陈 虹.未知环境中移动机器人导航控制研
究的若干问题[J].控制与决策,2002,17(4):385-390. [4] 辛江慧,李舜酩,廖庆斌.基于传感器信息的智能移动机器人
导航评述[J].传感器与微系统,2008,27(4):4-7.
[5] K i r k p a t r i c k S,G e l a t t J r CD,V e c c h i P.O p t i m i z a t i o nb y s i m u l a t e d
a n n e a l i n g[J].S c i e n c e,1983(220):671-680.
[6] 闫利军,李宗斌,卫军胡.模拟退火算法的一种参数设定方法
研究[J].系统仿真学报,2008,20(1):245-247.
[7] K o r e nY,B o r e n s t e i nJ.P o t e n t i a l f i e l dm e t h o d sa n dt h e i r i n h e r e n t
l i m i t a t i o n s f o rm o b i l er o b o t n a v i g a t i o n[C]∥P r o co f t h e1991
I E E EI n t e r n a t i o n a l C o n f e r e n c e o nR o b o t a n dA u t o m a t i o n,S a c r a-
m e n t o,C A,A p r i a l,1991:362-373.
[8] 张建英,刘 暾.基于人工势场法的移动机器人最优路径规
划[J].航空学报,2007,8(28):183-188.
[9] M a a r e f H,B a r r e t C.S e n s o r-b a s e df u z z y n a v i g a t i o no f a na u t o n o-
m o u sm o b i l er o b o t i na ni n d o o r e n v i r o n m e n t[J].C o n t r o l E n g i-
n e e r i n g P r a c t i c e,2000(8):757-768.
[10]W a n g M,L i uJ NK.F u z z y l o g i c b a s e d r o b o t p a t hp l a n n i n g i nu n-
k n o w ne n v i r o n m e n t[C]∥P r o co f I E E EC M L C'05,2005:813-
818.
[11]L e e S,A d a m s T e r e s a M.Af u z z y n a v i g a t i o n s y s t e mf o r m o b i l e c o n-
s t r u c t i o nr o b o t[J].A u t o m a t i o ni nC o n s t r u c t i o n,1997(6):97-
107.
[12]X u W L,T s o K.S e n s o r-b a s e df u z z y r e a c t i v e n a v i g a t i o n o f a m o b i l e
r o b o t t h r o u g h l o c a l t a r g e t s w i t c h i n g[J].I E E ET r a n s l a t i o n s o n S y s-
t e m,a n dC y b e r n e t i c,1999,29(3):451-459.
[13]Y a n gS,M e n gM.R e a l-t i m ec o l l i s i o n-f r e ep a t hp l a n n i n go f r o b o t
m a n i p u l a t o r s u s i n gn e u r a l n e t w o r ka p p r o a c h e s[J].A u t o n o m o u s R o b o t s,2000,9(1):27-39.
[14]H o l l a n dJ H.G e n e t i ca l g o r i t h m sa n dt h eo p t i m a l a l l o c a t i o n so f
t r a i l s S I A M[J].J o u r n a l o f C o m p u t i n g,1973,2(2):88-105. [15]张文志,吕恬生.基于改进的遗传算法和模糊逻辑控制的移
动机器人导航[J].机器人,2003,25(1):1-6.
[16]朱庆保.复杂环境下的机器人路径规划蚂蚁算法[J].自动化
学报,2006,32(4):586-593.
[17]朱庆保,张玉兰.基于栅格法的机器人路径规划蚁群算法[J].机
器人,2005,7(2):132-136.
[18]谭冠政,刘关俊.基于粒子群算法的移动机器人全局最优路
径规划[J].计算机应用研究,2007,24(11):210-212. [19]秦元庆,孙德宝,李 宁,等.基于粒子群算法的移动机器人
路径规划[J].机器人,2004,26(3):222-225.
[20]N i l s s o nNJ.I n t r o d u c t i o nt oa r t i f i c i a l i n t e l l i g e n c e p r i n c i p l e s[J].
R i v i s t aI n f o r m a t i c a,1981,11(1):13-38.
[21]S t e n t z A.O p t i o n a l a n d e f f i c i e n t p a t h p l a n n i n g f o r p a r t l y k n o w n e n-
v i r o n m e n t[C]∥P r o c e e d i n g s o f t h e I E E EI n t e r n a t i o n a l C o n f e r e n c e o nR o b o t i c s a n dA u t o m a t i o n,1994.
[22]S t e n t z A.T h ef o c u s e dD＊a l g o r i t h mf o r r e a l t i m er e p l a n-n i n g[C]∥
P r o c e e d i n g s o f t h eI n t e r n a t i o n a l J o i n t C o n f e r e n c eo nA r t i f i c i a l I n-
t e l l i g e n c e,1995.
[23]P o d s e d k o w s k i L,N o w a k o w s k i J,I d z i k o w s k i M,e t a l.An e ws o l u-
t i o nf o r p a t hp l a n n i n g i np a r t i a l l y k n o w no r u n k n o w ne n v i r o n m e n t
f o r n o n h o l o n o m i cm o b i l er o b o t s[J].R o b o t i c sa n dA u t o n o m o u s
S y s t e m s,2001,34(2):145-152.
[24]张纯刚,席裕庚.全局环境未知时基于滚动窗口的机器人路
径规划[J].中国科学(E辑),2001,31(1):51-58.
[25]张纯刚,席裕庚.动态未知环境中移动机器人的滚动路径规
划[J].机器人,2002,24(1):71-75.
[26]Y e C,Wa n g D.An o v e l n a v i g a t i o nm e t h o d f o r a u t o n o m o u s m o b i l e v e-
h i c l e s[J].J o u r n a l o f I n t e l l i g e n t a n d R o b o t i c s S y s t e m s,2001(32):361
-388.
(下转第11页)
4
第9期 徐 鹏:基于P S O -B P 算法的规范手写体数字离线识别 0.8t a n x 2,设输入为x 1和x 2,随机生成两组x 1和x 2∈[-10,10]的输入输出对,第一组作为P S O -B P 网络的训练样本,第二组作为测试样本,最终的预测效果见图3,可以看出:建立的P S O -B P 网络具有较好的非线性逼近能力。
图3 P S O -B P 非线性函数预测F i g 3 P S O -B Pn o n l i n e a r f u n c t i o np r e d i c t i n g
3.2 手写数字离线识别
为模拟实际手写数字笔划的多变性和复杂性,本文采用W I N D O W S 绘图板书写了50组不同格式的0～9的数字样本,其中,10组作为测试样本验证B P 神经网络模型的识别能力。每个手写数字都单独存贮,像素为20×40,分辨率每英寸59×59点。对所有的图像进行二值化处理,阈值选0.4,最终建立训练样本库,作为神经网络的输入。用P S O 算法训练时,粒子数为30,每一个粒子对应一个39(2×13+13×l )维的权值,初始惯性权值为0.8,并随迭代次数线性递减至0.4。B P 网络选择三层结构,隐含层节点选择13,训练最大步数为3000,训练学习率为0.05,显示网格数为10,训练网络的收敛程度如图4所示,具有较快的收敛速度,达到了收敛误差要求。
图4 P S O -B P 网络分类器训练过程
F i g 4 C l a s s i f i e r t r a i n i n gp r o c e s s o f P S O -B Pn e t w o r k
网络分类模型建立以后,首先导入准备好的10组测试样本和任意10组训练样本分别进行识别研究,训练样本的
识别率为90%,测试样本的识别率为83%。建立好的P S O -B P 网络已经对训练样本进行了自学习,故网络模型对训练样本的识别较高,由于手写体数字的变动性较大,随意性较强,很多字体容易混淆,故造成测试样本的识别率较低。4 结 论
本文针对规范的手写体数字离线识别问题,研究了P S O -B P 神经网络分类器的建立和识别过程。利用P S O 算法的全局优化能力,对网络的B P 梯度下降算法进行了优化,迭代次数少,逼近效果、训练速度也大大提高,保证了训练网络的有效性,将这种优化算法用于离线手写体数字识
别,精度高,预测可靠,具有较好的理论和实应用价值。参考文献:
[1] 孙光民,张 程,王 鹏,等.基于非线性P C A 神经网络的手
写体字符识别[J ].北京工业大学学报,2007,33(9):916-919.
[2] H a TM ,M a t t h i a s Z i m m e r m a n n ,H o r s t B u n k e .O f f -l i n e h a n d w r i t t e n
n u m e r a l s t r i n gr e c o g n i t i o nb yc o m b i n i n gs e g m e n t a t i o n -b a s e da n d s e g m e n t a t i o n -f r e e m e t h o d s [J ].P a t t e r nR e c o g n i t i o n ,1998,31(3):257-272.
[3] Z h a n g B a i l i n g ,F u M i n y u e ,Y a n H o n g .An o n l i n e a r n e u r a l n e t w o r k
m o d e l o f m i x t u r eo f l o c a l p r i n c i p a l c o m p o n e n t a n a l y s i s :A p p l i c a -t i o nt oh a n d w r i t t e nd i g i t sr e c o g n i t i o n [J ].P a t t e r nR e c o g n i t i o n ,2001,34(2):203-214.
[4] S i m o n G t e r ,H o r s t B u n k e .H M M -b a s e dh a n d w r i t t e nw o r dr e c o g n i -t i o n :O nt h eo p t i m i z a t i o no f t h en u m b e ro f s t a t e s ,t r a i n i n gi t e r a -t i o n s a n dG a u s s i a nc o m p o n e n t s [J ].P a t t e r nR e c o g n i t i o n ,2004,37(10):2069-2079.
[5] 尚 磊,刘风进.基于支持向量机的手写体数字识别[J ].网
络与信息技术,2007,26(3):39-41.
[6] L i uJ i n h u i ,P a u l G a d e r .N e u r a l n e t w o r k s w i t he n h a n c e d o u t l i e r r e -j e c t i o na b i l i t y f o r o f f -l i n eh a n d w r i t t e nw o r dr e c o g n i t i o n [J ].P a t -t e r n R e c o g n i t i o n ,2002,35(10):2061-2071.
[7] K e n n e d yJ ,E b e r h a r t RC .P a r t i c l e s w a r m o p t i m i z a t i o n [C ]∥P r o -
c e e
d i n g o f 1995I E E EI n t
e r n a t i o n a l C o n
f e r e n c eo nN e u r a l N e t -w o r k s .N e wY o r k ,U S A :I E E E ,1995:1942-1948.
作者简介:
徐 鹏(1977-),男,山东济南人,硕士研究生,讲师,研究方向为模式识别与智能算法。
(上接第4页)
[27]L e i B ,L i F .Af u z z y b e h a v i o r f u s i o n a l g o r i t h mf o r m o b i l e r o b o t r e -a l -t i m ep a t hp l a n n i n gi nu n k n o w ne n v i r o n m e n t [C ]∥P r o co f I E E EI n t l C o n f o nI n t e g r a t i o n T e c h n o l o g y ,2007:173-178.[28]P e t r uR u s u ,P e t r i uEM ,Wh a l e n TE,e t a l .B e h a v i o r -b a s e dn e u -r o -f u z z y c o n t r o l l e r f o r m o b i l e r o b o t n a v i g a t i o n [J ].I E E ET r a n s a c -t i o no nI n s t r u m e n t a n dM e a s u r m e n t ,2003,52(4):1335-1340.[29]Y u n gN H C ,C a n gY e .A ni n t e l l i g e n t m o b i l ev e h i c l en a v i g a t o r
b a s e do nf u z z yl o g i
c a n dr e i n f o r c e m e n t l e a r n i n g [J ].I E E ET r a n -s a c t i o n s o n S y s t e m s ,M a n ,a n dC y b e r n e t i c s ,1999,29(2),314-321.
[30]毛 勇,李 实,王家廞,等.基于再励学习的被动动态步行机
器人[J ].清华大学学报:自然科学版,2008,48(1):92-96.
作者简介:
鲍庆勇(1984-),男,山东泰安人,硕士研究生,主要从事车辆工程研究。
11
遗传算法与机器人路径规划
遗传算法与机器人路径规划 摘要：机器人的路径规划是机器人学的一个重要研究领域，是人工智能和机器人学的一个结合点。对于移动机器人而言，在其工作时要求按一定的规则，例如时间最优，在工作空间中寻找到一条最优的路径运动。机器人路径规划可以建模成在一定的约束条件下，机器人在工作过程中能够避开障碍物从初始位置行走到目标位置的路径优化过程。遗传算法是一种应用较多的路径规划方法，利用地图中的信息进行路径规划，实际应用中效率比较高。 关键词：路径规划；移动机器人；避障；遗传算法 Genetic Algorithm and Robot Path Planning Abstract: Robot path planning research is a very important area of robotics, it is also a combine point of artificial intelligence and robotics. For the mobile robot, it need to be worked by certain rulers（e.g time optimal），and find a best movement path in work space. Robot path planning can be modeled that in the course of robots able to avoid the obstacles from the initial position to the target location,and it ruquire to work under ertain constraints. Genetic algorithm used in path planning is very common, when planning the path ,it use the information of map ,and have high eficient in actual. Key words: Path planning,mobile robot, avoid the obstacles, genetic algorithm 1路径规划 1.1机器人路径规划分类 （1）根据机器人对环境信息掌握的程度和障碍物的不同，移动机器人的路径规划基本上可分为以下几类： 1，已知环境下的对静态障碍物的路径规划； 2，未知环境下的对静态障碍物的路径规划； 3，已知环境下对动态障碍物的路径规划； 4，未知环境下的对动态障碍物的路径规划。 （2）也可根据对环境信息掌握的程度不同将移动机器人路径规划分为两种类型： 1，基于环境先验完全信息的全局路径规划； 2，基于传感器信息的局部路径规划。 （第二种中的环境是未知或部分未知的，即障碍物的尺寸、形状和位置等信息必须通过传感器获取。） 1.2路径规划步骤 无论机器人路径规划属于哪种类别，采用何种规划算法，基本上都要遵循以下步骤： 1, 建立环境模型，即将现实世界的问题进行抽象后建立相关的模型； 2, 路径搜索方法，即寻找合乎条件的路径的算法。 1.3路径规划方法
机器人路径规划
1绪论 1.1机器人简介 1.1.1什么是机器人 机器人一词不仅会在科幻小说、动画片等上看到和听到，有时也会在电视上看到在工厂进行作业的机器人，在实际中也有机会看到机器人的展示。今天，说不定机器人就在我们的身过，但这里我们要讨论的是什么是机器人学研究的机器人。 机器人（robot）一词来源下1920年捷克作家卡雷尔. 查培克（Kapel Capek）所编写的戏剧中的人造劳动者，在那里机器人被描写成像奴隶那样进行劳动的机器。 后来作为一种虚构的机械出现在许多作品中，代替人们去完成某些工作。20世纪60年代出现了作为可实用机械的机器人。为了反这种机器人同虚构的机器人及玩具机器人加以区别，称其为工业机器人。 工业机器人的兴起促进了大学及研究所开展机器人的研究。随着计算机的普及，又积极地开展了带有智能的机器人的研究。到70年代，机器人作为工程对象已经被确认，机器人一词也受到公认。目前，机器人学的研究对象已不仅仅是工业机器人了。 即便是实际存在的机器人，也很难把它定义为机器人，而且其定义也随着时代在变化。这里简单地反具有下述性质的机械看作是机器人： 1.代替人进行工作：机器人能像人那样使用工具和机械，因此，数控机床和 汽车不是机器人。 2.有通有性：既可简单地变换所进行的作为，又能按照工作状况的变化相应 地进行工作。一般的玩具机器人不能说有通用性。 3.直接对个界作工作：不仅是像计算机那样进行计算，而且能依据计算结果 对外界结果对外界产生作用。 机器人学把这样定义的机器人作为研究对象。
1.1.2机器人的分类 机器人的分类方法很多，这里我们依据三个有代表性的分类方法列举机器人的种类。 首先，由天机器人要代替人进行作业，因此可根据代替人的哪一个器官来分类： 操作机器人（手）：利用相当于手臂的机械手、相当于手指的手爪来使物体协作。 移动机器人（腿）：虽然已开发出了2足步行和4足步行机器人，但实用的却是用车轮进行移动的机器人。（本文以轮式移动机器人作为研究对象）视觉机器人（眼）：通过外观检查来除掉残次品，观看人的面孔认出是谁。虽然还有使用触觉的机器人，但由于它不是为了操作，所以不能说是触觉机器人。 也还有不仅代替单一器官的机器人，例如进行移动操作，或进行视觉和操作的机器人。 其次，按机器人的应用来分类： 工业机器人：可分为搬送、焊接、装配、喷漆、检查等机器人，主要用于工厂内。 极限作业器人：主要用在人们难以进入的核电站、海底、宇宙空间等进行作为的机器人。也包括建筑、农业机器人等。 娱乐机器人：有弹奏乐器的机器人、舞蹈机器人、宠物机器人等，具有某种程度的通用性。也有适应环境面改变行动的宠物机器人。 最后则是按照基于什么样的信息进行动作来分类： 表1基于动作信息的机器人分类
机器人路径运行操作步骤
3.23机器人路径运动操作步骤 任务：选取多个点构成一条路径，通过示教器完成机器人路径运动操作 相关知识：机器人路径示教器操作分为手动和自动两种模式 操作步骤： 一、手动模式 1、新建程序 （1）点击首页下拉菜单中“程序编辑器”选项，进入程序编辑器 （2）点击右上角“例行程序”选项，进如程序列表 （3）点击左下角“文件”，选择“新建例行程序”，新建例行程序 并命名 2、程序编写 （1）选择新建好的例行程序，进入程序编辑页面，点击左下角“添 加指令”，在右侧弹出菜单中选择轴运动指令“MoveJ” （2）根据需要修改显示的“MoveJ * ,v1000 , z50 , tool0”指令， *代表坐标点名称，v1000代表速度，z50代表路径选择幅度， tool0与工具坐标有关 （3）根据需要添加路径包含的点坐标并修改，完成全部路径点的设 置 3、调试 （1）从第一行“MoveJ”指令开始，利用示教器旋钮调节机器人至路 径点位，点击“修改位置”，程序与点位一一对应 （2）点位修改完成后，进行手动调试。点击“调试”选择“PP移动 至例行程序”，进入要调试的例行程序，光标选择调试的程序 行，再次点击“调试”，选择“PP移动至光标” （3）在右下角设置选项中选择机器人运行的速度
（4）左手按下示教器使能键，右手按下示教器上的“开始”按钮， 进行机器人路径运行操控 注意：机器人运行过程中不能松开示教器使能键 二、自动模式 1、完成手动调试模式调试后，点击“例行程序”菜单进入程序选择列表， 选择“Main”函数，进入函数编辑页面 2、光标选择
path planning 移动机器人路径规划方法综述
移动机器人路径规划方法 1.1路径规划方法 路径规划技术是机器人研究领域中的一个重要课题，是机器人导航中最重要的任务之一,国外文献常将其称为Path Planning,Find-PathProblem,Collision-Free,ObstacleAvoidance, MotionPlanning,etc.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。 路径规划主要涉及的问题包括：利用获得的移动机器人环境信息建立较为合理的模型，再用某种算法寻找一条从起始状态到目标状态的最优或近似最优的无碰撞路径；能够处理环境模型中的不确定因素和路径跟踪中出现的误差，使外界物体对机器人的影响降到最小；如何利用已知的所有信息来引导机器人的动作，从而得到相对更优的行为决策。这其中的根本问题是世界模型的表达和搜寻策略。障碍物在环境中的不同分布情况当然直接影响到规划的路径，而目标位置的确定则是由更高一级的任务分解模块提供的[8]。 根据机器人对环境信息掌握的程度和障碍物运动状态的不同，移动机器人的路径规划基本上可分为以下四类:①已知环境下的对静态障碍物的路径规划;②未知环境下的对静态障碍物的路径规划;③已
知环境下对动态障碍物的路径规划;④未知环境下对动态障碍物的路径规划。因此根据机器人对环境信息掌握的程度不同，可将机器人的路径规划问题可分为二大类即：基于环境先验信息的全局路径规划问题和基于不确定环境的局部路径规划问题。目前，路径规划研究方法大概可分为两大类即：传统方法和智能方法。 1.2传统路径规划方法 传统的路径规划方法主要包括：可视图法(V-Graph)、自由空间法(Free Space Approach)、人工势场法（Artificial Potential Field）和栅格法(Grids)等。 ⑴可视图法（V-Graph） 可视图法是Nilsson1968年在文献[9]中首次提出。可视图法将移动机器人视为一点，将机器人起始点、目标点和多边形障碍物的各定点组合连接，保证这些直线不与障碍物相交，这就构成了一张无向图称为可视图。由于任意两条直线的定点都是可见的，从起点沿着这些直线到达目标点的路线都是无碰撞的。于是，搜索最优路径的问题就转化为从起始点到目标点经过这些可视直线的最短距离问题。 这种方法的优点是可以得到最优路径，但缺陷是环境特征的提取比较困难，缺乏灵活性，一般需要机器人停止在障碍物前搜集传感器数据，并且传感器的精度对其影响也较大，尤其在复杂的非规整环境下更加难以实现安全无碰撞的路径规划。 ⑵自由空间法（Free Space Approach）
移动机器人路径规划技术综述
第25卷第7期V ol.25No.7 控制与决策 Control and Decision 2010年7月 Jul.2010移动机器人路径规划技术综述 文章编号:1001-0920(2010)07-0961-07 朱大奇,颜明重 (上海海事大学水下机器人与智能系统实验室，上海201306) 摘要:智能移动机器人路径规划问题一直是机器人研究的核心内容之一.将移动机器人路径规划方法概括为:基于模版匹配路径规划技术、基于人工势场路径规划技术、基于地图构建路径规划技术和基于人工智能的路径规划技术.分别对这几种方法进行总结与评价,最后展望了移动机器人路径规划的未来研究方向. 关键词:移动机器人；路径规划；人工势场；模板匹配；地图构建；神经网络；智能计算 中图分类号:TP18；TP273文献标识码:A Survey on technology of mobile robot path planning ZHU Da-qi,YAN Ming-zhong (Laboratory of Underwater Vehicles and Intelligent Systems，Shanghai Maritime University，Shanghai201306, China．Correspondent：ZHU Da-qi，E-mail：zdq367@https://www.wendangku.net/doc/4910469354.html,) Abstract:The technology of intelligent mobile robot path planning is one of the most important robot research areas.In this paper the methods of path planning are classi?ed into four classes:Template based,arti?cial potential?eld based,map building based and arti?cial intelligent based approaches.First,the basic theories of the path planning methods are introduced brie?y.Then,the advantages and limitations of the methods are pointed out.Finally,the technology development trends of intelligent mobile robot path planning are given. Key words:Mobile robot；Path planning；Arti?cial potential?eld；Template approach；Map building；Neural network; Intelligent computation 1引言 所谓移动机器人路径规划技术,就是机器人根据自身传感器对环境的感知,自行规划出一条安全的运行路线,同时高效完成作业任务.移动机器人路径规划主要解决3个问题:1)使机器人能从初始点运动到目标点;2)用一定的算法使机器人能绕开障碍物,并且经过某些必须经过的点完成相应的作业任务;3)在完成以上任务的前提下,尽量优化机器人运行轨迹.机器人路径规划技术是智能移动机器人研究的核心内容之一,它起始于20世纪70年代,迄今为止,己有大量的研究成果报道.部分学者从机器人对环境感知的角度,将移动机器人路径规划方法分为3种类型[1]:基于环境模型的规划方法、基于事例学习的规划方法和基于行为的路径规划方法;从机器人路径规划的目标范围看,又可分为全局路径规划和局部路径规划;从规划环境是否随时间变化方面看,还可分为静态路径规划和动态路径规划. 本文从移动机器人路径规划的具体算法与策略上,将移动机器人路径规划技术概括为以下4类:模版匹配路径规划技术、人工势场路径规划技术、地图构建路径规划技术和人工智能路径规划技术.分别对这几种方法进行总结与评价,展望了移动机器人路径规划的未来发展方向. 2模版匹配路径规划技术 模版匹配方法是将机器人当前状态与过去经历相比较,找到最接近的状态,修改这一状态下的路径,便可得到一条新的路径[2,3].即首先利用路径规划所用到的或已产生的信息建立一个模版库,库中的任一模版包含每一次规划的环境信息和路径信息,这些模版可通过特定的索引取得;随后将当前规划任务和环境信息与模版库中的模版进行匹配,以寻找出一 收稿日期:2009-08-30；修回日期:2009-11-18. 基金项目:国家自然科学基金项目(50775136)；高校博士点基金项目(20093121110001)；上海市教委科研创新项目(10ZZ97). 作者简介:朱大奇(1964?),男,安徽安庆人,教授,博士生导师,从事水下机器人可靠性与路径规划等研究；颜明重(1977?),男,福建泉州人,博士生,从事水下机器人路径规划的研究.
机器人路径动态规划
研究背景 近年来,机器人技术飞速发展,机器人的应用领域也在不断扩展。机器人的工作环境存在高度的多变性和复杂性,因此自主导航是实现真正智能化和完全自主移动的关键技术。机器人的导航问题可以归结为对“我在哪”、“我要去哪”以及“我如何到达那里”三个问题的回答。第三个问题就是路径规划,要求机器人在当前位置与目标位置之间寻找一条安全、合理、高效的路径,保证机器人能够安全地到达目标地点。机器人路径规划是机器人领域的一个研究热点。 一、课题应用 机器人的路径规划是机器人学的一个重要研究领域，是人工智能和机器人学的一个结合点。对于移动机器人而言，在其工作时要求按一定的规则，例如时间最优，在工作空间中寻找到一条最优的路径运动。机器人路径规划可以建模成在一定的约束条件下，机器人在工作过程中能够避开障碍物从初始位置行走到目标位置的路径优化过程。遗传算法是一种应用较多的路径规划方法，利用地图中的信息进行路径规划，实际应用中效率比较高。 智能移动机器人[1]，是一个集环境感知、动态决策与规划、行为控制与执行等多功能于一体的综合系统。它集中了传感器技术、信息处理、电子工程、计算机工程、自动化控制工程以及人工智能等多学科的研究成果，代表机电一体化的最高成就，是目前科学技术发展最活跃的领域之一。随着机器人性能不断地完善，移动机器人的应用范围大为扩展，不仅在工业、农业、医疗、服务等行业中得到广泛的应用，而且在城市安全、国防和空间探测领域等有害与危险场合得到很好的应用。因此，移动机器人技术已经得到世界各国的普遍关注。 移动机器人的研究始于60 年代末期。斯坦福研究院(SRI)的Nils Nilssen 和Charles Rosen 等人，在1966年至1972 年中研发出了取名Shakey的自主移动机器人[1]。目的是研究应用人工智能技术，在复杂环境下机器人系统的自主推理、规划和控制。 根据移动方式来分，可分为：轮式移动机器人、步行移动机器人(单腿式、双腿式和多腿式)、履带式移动机器人、爬行机器人、蠕动式机器人和游动式机器人等类型；按工作环境来分，可分为：室内移动机器人和室外移动机器人；按控制体系结构来分，可分为:功能式(水平式)结构机器人、行为式(垂直式)结构机器人和混合式机器人；按功能和用途来分，可分为:医疗机器人、军用机器人、助残机器人、清洁机器人等； 一种由传感器、遥控操作器和自动控制的移动载体组成的机器人系统。移动机器人具有移动功能，在代替人从事危险、恶劣（如辐射、有毒等）环境下作业和人所不 及的（如宇宙空间、水下等）环境作业方面，比一般机器人有更大的机动性、灵活性。 移动机器人是一种在复杂环境下工作的，具有自行组织、自主运行、自主规划的智能机器人，融合了计算机技术、信息技术、通信技术、微电子技术和机器人技术等。 三、研究意义 路径规划技术是机器人研究领域中的一个重要分支,是机器人智能化的重要标志,是对
机器人路径规划
机器人路径规划 摘要：机器人路径规划是机器人技术的重要分支之一，路径规划技术的研究是研究机器人技术不可或缺的技术之一。本文首先介绍了当前研究人员热衷的ROS 系统是如何进行路径规划的，接着论述了作为群智能算法的蚁群算法应用于机器人的路径规划中。研究表明，可以将蚁群算法和ROS系统结合，进一步的进行机器人的路径规划。 关键词：路径规划，ROS系统，蚁群算法，机器人 1.引言 智能移动机器人技术是机器人技术的重要组成部分，应用前景十分广阔：工业，农业，国防，医疗，以及服务业等[1]。文献提出，未来数年内，中国服务机器人发展将超过传统的工业机器人[2]，机器人路径规划技术是服务机器人研究的核心内容之一[3]。可见，研究机器人的路径规划问题十分必要。 随着机器人领域的快速发展和复杂化，代码的复用性和模块化的需求原来越强烈，而已有的开源机器人系统又不能很好的适应需求。2010年Willow Garage 公司发布了开源机器人操作系统ROS（robot operating system），很快在机器人研究领域展开了学习和使用ROS的热潮。ROS系统是起源于2007年斯坦福大学人工智能实验室的项目与机器人技术公司Willow Garage的个人机器人项目（Personal Robots Program）之间的合作，2008年之后就由Willow Garage来进行推动。ROS的运行架构是一种使用ROS通信模块实现模块间P2P的松耦合的网络连接的处理架构，它执行若干种类型的通讯，包括基于服务的同步RPC（远程过程调用）通讯、基于Topic的异步数据流通讯，还有参数服务器上的数据存储。ROS系统以其独特优点引起了研究人员的兴趣。 近年来，各国学者致力于机器人路径规划的研究且取得了相当丰硕的研究成果。目前已有多种算法用于规划机器人的路径，文献【4】将其主要分为经典方
多机器人路径规划研究方法(一)
多机器人路径规划研究方法（一） 张亚鸣雷小宇杨胜跃樊晓平瞿志华贾占朝摘要：在查阅大量文献的基础上对多机器人路径规划的主要研究内容和研究现状进行了分析和总结，讨论了多机器人路径规划方法的评判标准，并阐述了研究遇到的瓶颈问题，展望了多机器人路径规划方法的发展趋势。 关键词：多机器人；路径规划；强化学习；评判准则 e,itexpoundedthebottleneckofthepathplanningresearchfor ， ； 近年来，分布式人工智能（DAI）成为人工智能研究的一个重要分支。DAI 研究大致可以分为DPS （distributedproblemsolving ）和MAS （）两个方面。一些从事机器人学的研究人员受多智能体系统研究的启发，将智能体概念应用于多机器人系统的研究中，将单个机器人视做一个能独立执行特定任务的智能体，并把这种多机器人系统称为多智能体机器人系统（MARS）。因此，本文中多机器人系统等同于多智能体机器人系统。目前，多机器人系统已经成为学术界研究的热点,而路径规划研究又是其核心部分。
机器人路径规划问题可以建模为一个带约束的优化问题，其包括地理环境信息建模、路径规划、定位和避障等任务，它是移动机器人导航与控制的基础。单个移动机器人路径规划研究一直是机器人研究的重点，且已经有许多成果 1~3］，例如在静态环境中常见的有连接图法、可视图法、切线图法、Voronoi 图法、自由空间法、栅格法、拓扑法、链接图法、证据理论建图等；动态环境中常见的有粒子群算法、免疫算法、遗传算法、神经网络、蚁群算法、模拟退火算法、人工势场法等。然而，多机器人路径规划研究比单个机器人路径规划要复杂得多，必须考虑多机器人系统中机器人之间的避碰机制、机器人之间的相互协作机制、通信机制等问题。 1 多机器人路径规划方法单个机器人的路径规划是找出从起始点至终点的一条最短无碰路径。多个机器人的路径规划侧重考虑整个系统的最优路径，如系统的总耗时间最少路径或是系统总路径最短等。从目前国内外的研究来看，在规划多机器人路径时，更多考虑的是多机器人之间的协调和合作式的路径规划。 目前国内外多机器人路径规划研究方法分为传统方法、智能优化方法和其他方法三大类。其中传统方法主要有基于图论的方法（如可视图法、自由空间法、栅格法、Voronoi 图法以及人工势场方法等）；智能优化方法主要有遗传算法、蚁群算法、免疫算法、神经网络、强化学 习等；其他方法主要有动态规划、最优控制算法、模糊控制等。它们中的大部分都是从单个机器人路径规划方法扩展而来的。 1）传统方法多机器人路径规划传统方法的特点主要体现在基于图论的基础
基于路径规划的智能机器人控制实验
I SSN C N 1 0 - 0 2 - 3 4 9 / 5 6 实验技术与管理 第27卷第12期201年1 2月 1 1 2 0 4 T E x p e r i m e n t a l T e c h n o l o g ya n d Ma n a g e m e n t Vo l .27N o .12D e c .201 基于路径规划的智能机器人控制实验 张佳,陈杰,窦丽华 ( 北京理工大学自动化学院,北京1081) 摘 验教学平台。在此平台上设计并开发了分别适用于本科生及硕士研究生的系列实验 规划、全区域覆盖路径规划以及多机器人队形控制等项实验内容。该实验能够让学生接触到先进的智能机 器人增强学生对自动化专业的学习兴趣提高了学生的动手能力和创新能力。 关键词智能机器人路径规划全区域覆盖队形控制 文献标志码文章编号 要 : 针对自动化专业学生 , 以 P i o n e e r 3 A T 系列的机器人为对象 , 搭建了基于路径规划的智能机器人实 , , 包括基于模型的路径 3 , , : ; ; ; 中图分类号 : T P 2 4 2 3 3 : A : 1 0 0 2 4 9 5 6 ( 2 0 1 0 ) 1 2 0 0 4 4 0 4 I n t e l l i g e n t r o b o t c o n t r o l e x p e r i m e n t s b as e d o n p a t h p l a n n i n g Zha n g J i a , Ch e n J i e , D o uL i hua ( S c h o o l o f A u t o m r a t i za t i o n , B e i e j i n g I n s t i t u t e o f T e c h n o l o g y , B e i j i r n g 1 0 0 0 8 1 r , Ch i n a ) A b s t r a c t : A i e m t i n g a t s t r ud e n n n i T t m o t t t s o f au t o e m a t i za m t e i o n m a j o r i , t h p i s p a p e m r t ak e s r o b n o o t s o r o f P i o n e e n 3 A T S e r i n e e sas o b p j e c t t a n d m c o n s t r u c sa n i x n t e l l i m g e o b o t x p o e r o e i n n t t o e a c h n e g l a t f o r , b as e d o p a t h p l a n t n i g .Bas ud e d e o n t h i s l a f o r b , as e r n i s e o x f p e p t e i e swh i c ha p p i n t d t u n d r p g r adua t i e t s c t ud e n t sa n d g adua e s t e n t s r g s p c t i v e l l ya r o n e d e s t i g n e da d l o e i r e m d. I t t n c l ud e s m d e l b as e d r p a t h p l p a o n n i n g o m p l t e t e c n v e a g e p a t h p t l a n n i n a e d m u l t c i r e b o f t o r m a t i e o n e x n p i e n . h e e x p e r i m t o f f e sa n o r t u n y f o r s ud e t s t w o r kw i hadva n c d i n t t e l i g t r b K o o s . I t n ha c e ss t t ud e n i s i n t e r e s t s t o l e a r n au t o m a t i za t i o n m a j o r . A l s o , s t ud e n t s i n n o va t i o n a b i l i y o u l d e i m p r o v e d b y e t h e e x p e o r e n t p . e y w o r d s : i n t l l i g e n r b t ; a t h p l a n n i n g ; c o m p l e t e c o v e r a g e ; f o r m a t i o n 自动化技术是一门涉及学科较多、应用广泛的综 1 实验平台的搭（智械科技） 合性科学技术。实验教学是自动化专业教学过程中 [1] 非常重要的一环。随着目前机器人技术的不断发展, 本课程选用的机器人是美国先锋(P i o n e r 3A T ) 系列机器人[。该系列机器人是目前世界上最成熟的 4] 机器人控制实验已逐步进入各个高校。机器人教学对 于培养和提高学生的创新精神和动手能力具有极其重 轮式移动机器人研究平台之一。通常科研人员对此系 要的作用[。在自动化专业开设机器人控制实验课 2 ] 列机器人的开发与研究都在控制台程序上运行,但需 要对v M a 机器人技术应用接口a 有较 深的了解因此需要花费大量时间阅读繁多的程序代 熟悉研究环境。由于实验学时有限为了能让学生 在最短的时间内最大程度地掌握机器人的有关知识 首先搭建了一个简单实用的实验平台。该平台的建立 能使学生在最短时间内熟悉各种底层动作在实验课 程中掌握基础理论和系统深入的专门知识。 整个平台系统包括个功能模块用户操作管理 模块、通信模块、控制模块、数据分析处理模块和显示 程, 不仅可以让学生接触到国际先进的机器人们的眼界还可以让学生学习先进的控制方法 些方法运用于机器人的实际控制上 提高学生的创新能力和动手能力 域的继续发展奠定坚实的基础。为此 重点实验室项目中购买了数台机器人 , , 开阔他 并将这 A c t i e d i A r i , , ,扩展他们的思维 , 码, , [ 3 ] , 为将来在控制领 , , 本校在北京市 , 针对自动化专 , 业的教学内容及要求,开设了机器人控制实验,取得了 良好的教学效果。 5 : 收稿日期 : 2 0 0 9 1 2 2 1 修改日期 : 2 0 1 0 0 3 1 5 管理模块。各模块所组成的功能结构如图 们之间通过数据信号和控制信号联系在一起 个统一的整体。在控制模块中为学生的实验操作 1 所示,它 基金项目 : 北京市教育委员会共建重点实验室资助项目 (CSYS ,构成一 1 0 0 0 (7 0417) 作者简介 : 张佳 1 9 8 0 ) , 女 ,北京市人 , 硕士 ,实验师 , 研究方向为机器 [ 5 ] , 人控制、智能控制和图像处理.
移动机器人路径规划技术综述
龙源期刊网 https://www.wendangku.net/doc/4910469354.html, 移动机器人路径规划技术综述 作者：孙梅 来源：《山东工业技术》2016年第21期 摘要：移动机器人的设计与实现能够促进智能化应用的良好发展。路径规划技术是机器 人实现移动功能的主要技术之一。路径规划技术主要包含局部规划技术以及全局规划技术等。本文从路径规划技术的作用入手，对移动机器人路径规划技术进行研究和分析。 关键词：移动机器人；路径规划技术；综述 DOI：10.16640/https://www.wendangku.net/doc/4910469354.html,ki.37-1222/t.2016.21.135 0 前言 移动机器人的实现涉及自动控制、智能、机械等多种学科。它通常被应用在医疗领域、工业领域等方面。从整体角度来讲，移动机器人的应用促进了生产效率的显著提升。路径规划技术是移动机器人的关键技术之一，研究该技术具有一定的现实意义。 1 路径规划技术的作用 将路径规划技术应用在移动机器人中，能够产生的作用主要包含以下几种： （1）运动方面。路径规划技术的主要作用是其能够保证移动机器人完成从起点到终点的运动。（2）障碍物方面。设计移动机器人的最终目的是将其应用在实际环境中，在实际环境下，移动机器人的运行路线中可能存在一定数量的障碍物，为了保证最终目的地的顺利达到，需要利用路径规划技术实现对障碍物的有效避开[1]。（3）运行轨迹方面。对于移动机器人而言，除了实现障碍物躲避、达到最终目的地这两种作用之外，应用路径规划技术还可以产生一定的优化运行轨迹作用。在移动机器人的使用过程中，在路径规划技术的作用下，机器人可以完成对最佳运行路线的判断，进而更好地完成相应任务。 2 移动机器人路径规划技术综述 移动机器人的路径规划技术主要包含以下几种： 2.1 局部路径规划方面 在局部路径规划方面，能够被应用在移动机器人中的技术主要包含以下几种： （1）神经网络路径规划技术。从本质上讲，可以将移动机器人的路径规划看成是空间到行为空间感知过程的一种映射，因此，可以利用神经网络的方式将其表现出来。就神经网络路
多机器人路径规划研究方法(一)
多机器人路径规划研究方法(一) 张亚鸣雷小宇杨胜跃樊晓平瞿志华贾占朝 摘要：在查阅大量文献的基础上对多机器人路径规划的主要研究内容和研究现状进行了分析和总结，讨论了多机器人路径规划方法的评判标准，并阐述了研究遇到的瓶颈问题，展望了多机器人路径规划方法的发展趋势。 关键词：多机器人；路径规划；强化学习；评判准则 e,itexpoundedthebottleneckofthepathplanningresearchfor， ； 近年来，分布式人工智能(DAI)成为人工智能研究的一个重要分支。DAI 研究大致可以分为DPS（distributedproblemsolving）和MAS （）两个方面。一些从事机器人学的研究人员受多智能体系统研究的启发，将智能体概念应用于多机器人系统的研究中，将单个机器人视做一个能独立执行特定任务的智能体，并把这种多机器人系统称为多智能体机器人系统（MARS）。因此，本文中多机器人系统等同于多智能体机器人系统。目前，多机器人系统已经成为学术
界研究的热点,而路径规划研究又是其核心部分。 机器人路径规划问题可以建模为一个带约束的优化问题，其包括地理环境信息建模、路径规划、定位和避障等任务，它是移动机器人导航与控制的基础。单个移动机器人路径规划研究一直是机器人研究的重点，且已经有许多成果1~3]，例如在静态环境中常见的有连接图法、可视图法、切线图法、Voronoi图法、自由空间法、栅格法、拓扑法、链接图法、证据理论建图等；动态环境中常见的有粒子群算法、免疫算法、遗传算法、神经网络、蚁群算法、模拟退火算法、人工势场法等。然而，多机器人路径规划研究比单个机器人路径规划要复杂得多，必须考虑多机器人系统中机器人之间的避碰机制、机器人之间的相互协作机制、通信机制等问题。 1多机器人路径规划方法 单个机器人的路径规划是找出从起始点至终点的一条最短无碰路径。多个机器人的路径规划侧重考虑整个系统的最优路径，如系统的总耗时间最少路径或是系统总路径最短等。从目前国内外的研究来看，在规划多机器人路径时，更多考虑的是多机器人之间的协调和合作式的路径规划。 目前国内外多机器人路径规划研究方法分为传统方法、智能优化方法和其他方法三大类。其中传统方法主要有基于图论的方法（如可视图法、自由空间法、栅格法、Voronoi图法以及人工势场方法等）；智能优化方法主要有遗传算法、蚁群算法、免疫算法、神经网络、强化学
多机器人路径规划研究方法
多机器人路径规划研究方法 张亚鸣雷小宇杨胜跃樊晓平瞿志华贾占朝 摘要：在查阅大量文献的基础上对多机器人路径规划的主要研究内容和研究现状进行了分析和总结，讨论了多机器人路径规划方法的评判标准，并阐述了研究遇到的瓶颈问题，展望了多机器人路径规划方法的发展趋势。 关键词：多机器人；路径规划；强化学习；评判准则 Abstract:This paper analyzed and concluded the main method and current research of the path planning research for multi robot.Then discussed the criterion of path planning research for multi robot based large of literature.Meanwhile,it expounded the bottleneck of the path planning research for multi robot，forecasted the future development of multi robot path planning. Key words:multi robot；path planning;reinforcement learning;evaluating criteria 近年来，分布式人工智能(DAI)成为人工智能研究的一个重要分支。DAI研究大致可以分为DPS（distributed problem solving）和MAS（multi agent system）两个方面。一些从事机器人学的研究人员受多智能体系统研究的启发，将智能体概念应用于多机器人系统的研究中，将单个机器人视做一个能独立执行特定任务的智能体，并把这种多机器人系统称为多智能体机器人系统（MARS）。因此，本文中多机器人系统等同于多智能体机器人系统。目前，多机器人系统已经成为学术界研究的热点,而路径规划研究又是其核心部分。 机器人路径规划问题可以建模为一个带约束的优化问题，其包括地理环境信息建模、路径规划、定位和避障等任务，它是移动机器人导航与控制的基础。单个移动机器人路径规划研究一直是机器人研究的重点，且已经有许多成果[1~3]，例如在静态环境中常见的有连接图法、可视图法、切线图法、Voronoi图法、自由空间法、栅格法、拓扑法、链接图法、Dempster Shafer 证据理论建图等；动态环境中常见的有粒子群算法、免疫算法、遗传算法、神经网络、蚁群算法、模拟退火算法、人工势场法等。然而，多机器人路径规划
机器人路径规划算法总结
1.自主机器人近距离操作运动规划体系 在研究自主运动规划问题之前，首先需建立相对较为完整的自主运动规划体系，再由该体系作为指导，对自主运动规划的各项具体问题进行深入研究。本节将根据自主机器人的思维方式、运动形式、任务行为等特点，建立与之相适应的自主运动规划体系。并按照机器人的数量与规模，将自主运动规划分为单个机器人的运动规划与多机器人协同运动规划两类规划体系。 1.1单个自主机器人的规划体系 运动规划系统是自主控制系统中主控单元的核心部分，因此有必要先研究自主控制系统和其主控单元的体系结构问题。 自主控制技术研究至今，先后出现了多种体系结构形式，目前被广泛应用于实践的是分布式体系结构，其各个功能模块作为相对独立的单元参与整个体系。随着人工智能技术的不断发展，基于多Agent的分布式体系结构逐渐成为了主流，各功能模块作为独立的智能体参与整个自主控制过程，该体系结构应用的基本形式如图1所示。一方面，主控单元与测控介入处理、姿态控制系统、轨道控制系统、热控系统、能源系统、数传、有效载荷控制等功能子系统相互独立为智能体，由总线相连；另一方面，主控单元为整个系统提供整体规划，以及协调、管理各子系统Agent的行为。测控介入处理Agent保证地面系统对整个系统任意层面的控制介入能力，可接受上行的使命级任务、具体的飞行规划和底层的控制指令；各子系统Agent存储本分系统的各种知识和控制算法，自主完成主控单元发送的任务规划，并将执行和本身的健康等信息传回主控单元，作为主控单元Agent运行管理和调整计划的依据。 图1 基于多Agent的分布式自主控制系统体系结构基本形式示意图 主控单元Agent采用主流的分层递阶式结构，这种结构层次鲜明，并且十分利于实现，其基本结构如图2所示。主控单元由任务生成与调度、运动行为规划和控制指令生成三层基本结构组成，由任务生成与调度层获得基本的飞行任务，经过运动行为规划层获得具体的行为规划，再由控制指令生成层得到最终的模块控制指令，发送给其它功能Agent。各功能Agent发送状态信息给主控单元的状态检测系统，状态检测系统将任务执行情况和子系统状态反馈回任务生成与调度层，以便根据具体情况对任务进行规划调整。当遇到突发情况时，还可启用重规划模块，它可根据当时情况迅速做出反应快速生成行为规划，用以指导控制指令生成层得到紧急情况的控制指令。此外，地面控制系统在三个层次上都分别具有介入能
路径规划概述
1．3．2路径规划方法的概述 路径规划是智能机器人领域中的一个重要分支，根据不同实验要求 规划出各自的最 优路径是路径规划研究的意义所在。在本实验系统中，路经规划主 要考虑一下两个方面 的问题：对于主臂，运动目标是在起始位置和目标位置间做直线运动，直线已是两点间 的最短距离，因此它的路经规划相对简单：对于从臂，在运动过程 中始终视主臂为其要 避碰的障碍物，它路径规划的目的则是要规划出一条与主臂无碰撞 的最短路径。 机器人的路径规划基本方法大体可分为3种类型112l： (1)基于环境模型的路径规划，它能够处理完全已知环境下机器人的 路径规划，但 当环境发生变化时，该方法无能为力。具体方法为：栅格法、可视 图法和自由空间法等。 (2)基于传感器信息的路径规划法，其实现了机器人在动态未知环境 中运动的重要 技术。具体方法为：人工势场法、栅格法、模糊逻辑法等。(3)基于 行为的路径规划法，它把导航问题分解为许多相对对立的导航单元，且这 些单元都有传感器和执行器，它们协调工作，共同完成运动任务。 栅格法将移动机器人工作环境分解成一系列具有二值信息的网格单元，用尺寸相同 的栅格对机器人运行环境进行划分，若某个栅格范围内不含任何障 碍物，则称此栅格为 自由栅格，反之称为障碍栅格。 人工势场法借鉴了物理势场的原理，把机器人所在的环境表示为一 种抽象的力场。
势场中包含斥力级和引力级，不希望机器人进入的区域和障碍物区域属于斥力级，目标 区和希望机器人进入的区域为引力级。引力级和斥力级的周围由一定的算法产生相应的 势场。机器人在势场中具有一定的抽象能力，它的负梯度方向表示机器人系统所受的抽 象力的方向，正是这个抽象力的作用，促使机器人绕过障碍物，朝目标前进。 模糊逻辑控制是以模糊集合论、模糊逻辑、模糊语言变量以及模糊推理为基础的一 种非线性的计算机数字控制技术。其特点为：可以将获得的不确定的数据经过处理得到 精确的数据结果。基于实时传感信息的模糊逻辑算法参考人的驾驶经验，通过查规则表 得到规划信息，实现局部路径的规划【B15l。该方法克服了势场法易产生局部极小问题， 适用于时变未知环境下的路径规划，实时性较好。 随着智能控制方法理论的逐渐成熟，当机器人面对比较复杂的工作环境时，将智能 控制方法应用到机器人的路径规划中可以大大提高机器人对环境的适应性。主要应用的 智能控制方法有人工神经网络法、遗传算法和蚁群算法等等。 人工神经网络是由大量简单的神经元相互连接而形成的自适应非线性动态系统，其 不依赖于被控模型，比较适合不确定和高度非线性的控制对象，并具有较强的学习和适应能力。采用神经网络的路径规划算法需要先将环境地图映射称神经元网络，并设置神 经元的值来表征不同的地图状况，在通过对神经网络的训练来获取最优的神经元集合以 组成最优路径。
机器人路径规划
机器人路径规划 冯赟:机器人路径规划方法研究 1绪论 1.1机器人简介 1.1.1什么是机器人 机器人一词不仅会在科幻小说、动画片等上看到和听到，有时也会在电视上看到在工厂进行作业的机器人，在实际中也有机会看到机器人的展示。今天，说不定机器人就在我们的身过，但这里我们要讨论的是什么是机器人学研究的机器人。 robot)一词来源下1920年捷克作家卡雷尔 . 查培克(Kapel Capek)机器人( 所编写的戏剧中的人造劳动者，在那里机器人被描写成像奴隶那样进行劳动的机器。 后来作为一种虚构的机械出现在许多作品中，代替人们去完成某些工作。20世纪60年代出现了作为可实用机械的机器人。为了反这种机器人同虚构的机器人及玩具机器人加以区别，称其为工业机器人。 工业机器人的兴起促进了大学及研究所开展机器人的研究。随着计算机的普及，又积极地开展了带有智能的机器人的研究。到70年代，机器人作为工程对象已经被确认，机器人一词也受到公认。目前，机器人学的研究对象已不仅仅是工业机器人了。 即便是实际存在的机器人，也很难把它定义为机器人，而且其定义也随着时代在变化。这里简单地反具有下述性质的机械看作是机器人: 1. 代替人进行工作:机器人能像人那样使用工具和机械，因此，数控机床和 汽车不是机器人。 2. 有通有性:既可简单地变换所进行的作为，又能按照工作状况的变化相应
地进行工作。一般的玩具机器人不能说有通用性。 3. 直接对个界作工作:不仅是像计算机那样进行计算，而且能依据计算结果 对外界结果对外界产生作用。 机器人学把这样定义的机器人作为研究对象。 - 1 - 郑州大学电气工程学院毕业设计(论文) 1.1.2机器人的分类 机器人的分类方法很多，这里我们依据三个有代表性的分类方法列举机器人的 种类。 首先，由天机器人要代替人进行作业，因此可根据代替人的哪一个器官来分类: 操作机器人(手):利用相当于手臂的机械手、相当于手指的手爪来使物体协 作。 移动机器人(腿):虽然已开发出了2足步行和4足步行机器人，但实用的却是 用车轮进行移动的机器人。(本文以轮式移动机器人作为研究对象) 视觉机器人(眼):通过外观检查来除掉残次品，观看人的面孔认出是谁。虽然 还有使用触觉的机器人，但由于它不是为了操作，所以不能说是触觉机器人。 也还有不仅代替单一器官的机器人，例如进行移动操作，或进行视觉和操作的 机器人。 其次，按机器人的应用来分类: 工业机器人:可分为搬送、焊接、装配、喷漆、检查等机器人，主要用于工厂 内。 极限作业器人:主要用在人们难以进入的核电站、海底、宇宙空间等进行作为 的机器人。也包括建筑、农业机器人等。