用于受限传感清洁机器人在未知环境的基于扇区的最大在线覆盖范围【中文17000字】
收藏
资源目录
压缩包内文档预览：(预览前20页/共26页)
编号：10061608
类型：共享资源
大小：4.24MB
格式：ZIP
上传时间：2018-04-30
上传人：闰***
认证信息
个人认证
冯**（实名认证）
河南
IP属地：河南
15
积分
- 关 键 词：
-
用于
受限
传感
清洁
机器人
未知
环境
基于
扇区
最大
在线
覆盖
笼盖
范围
规模
中文
- 资源描述：
-
用于受限传感清洁机器人在未知环境的基于扇区的最大在线覆盖范围【中文17000字】,用于,受限,传感,清洁,机器人,未知,环境,基于,扇区,最大,在线,覆盖,笼盖,范围,规模,中文
- 内容简介：
-
用于受限传感清洁机器人在未知环境的基于扇区的最大在线覆盖范围TAEKYEONGLEE，SANGHOONBAEK，SEYOUNGOH韩国GYUNGBUK790784浦项浦项科技大学电气工程系摘要尽管清洁机器人在家庭环境中越来越受欢迎，但它们的覆盖率和性能对用户而言并不是很令人印象深刻，因此往往会妨碍用户的接受度。迄今为止开发的许多完整的覆盖算法通常要求机器人具有用于精确定位的精密导航系统。这需要使用高成本的传感器以及高计算能力,因此不适用于家庭环境。本文提出了一种低成本清洁机器人的新型综合覆盖策略，但在大多数未知环境中展现出令人尊敬的覆盖性能。所提出的算法可以有效地应对硬件限制，从低计算能力到由于有限范围，稀疏数据和检测不确定性而产生的许多传感问题。为了促进可以解决这些限制的可行解决方案，我们首先对家庭环境做出两个假设直线式和封闭式，这似乎在我们大多数家庭环境中都能满足。接下来，为了有效地规避差的定位（低精度定位），我们将空间分解为扇区，每个扇区足够小以在其内具有合理的定位精度。总体而言，最终结果是一种新颖的在线覆盖策略，执行同步探索，增量扇区创建，扇区清理和本地化，旨在最大限度地提高性能和最小的传感。模拟和现实世界的实验都验证了我们方法的有效性。关键词清洁机器人基于扇区的覆盖范围细胞分解1简介清洁机器人可能是家庭中使用的最流行的服务机器人1,2，其中机器人自然没有关于环境的先前信息。因此它面临着网络覆盖面临的巨大挑战机器人必须在覆盖过程中收集自己的位置和周围障碍物的信息3，由于严格的成本限制，机器人往往以最小的感应度收集信息。此外，清洁机器人系统需要整合许多技术探索目标环境，本地化和地图构建，覆盖路径规划，所有这些任务在清洁时进行在其导航系统中，以最大限度地提高其清洁性能4。最重要的性能目标之一是尽可能快速地覆盖目标区域。这就需要知道机器人在目标环境的精确地图中的精确位置。然而，由于使用低成本传感器实现本地化，地图构建和路径规划以及低计算能力的技术困难，大多数便宜的清洁机器人依靠启发式5或随机方法。其中使用的方法很简单，但不能保证完全覆盖。为了达到一定的覆盖水平，许多覆盖路径规划者或者隐式地或者明确地使用自由空间的细胞分解6。他们把整个区域分成小区，每个小区都被一个接一个地覆盖，这比整个区域的整体效率更高7。细胞分解可以分为三类6。第一种精确的细胞分解将配置空间分解成各种形状和大小的凸多边形812。众所周知的莫尔斯分解13属于这一类。近似的细胞分解使用细网格来表示可用空间。在这里，细胞的大小和形状都是相同的（例如，正方形或三角形14），因此它们的联合只能近似于空间。生成树覆盖（STC）方法15和回溯螺旋算法（BSA）3基于这种分解实现在线覆盖。最后，半近似细胞分解使用空间的部分离散化，其中细胞的宽度固定，但在顶部或底部可以具有任何形状。为了覆盖给定的空间，机器人沿着一系列平行的直线划分空间。每个区域然后用来回运动覆盖16,17。虽然这些算法保证了完整的覆盖范围，但它们依赖于一个基本假设机器人位置的精确估计始终可用。换句话说，机器人必须具有非常精确的定位方式，如扩展卡尔曼滤波器（EKF）1820或粒子滤波器19,21,22。这通常导致高计算能力和精确/昂贵的感测。尽管23,24部分阐述了局部化感应有限的问题，但他们的方法仍不能提供连续的位置估计，这对于规划覆盖路径是必不可少的。在某些情况下，视觉系统被用于清洁25,26，但与常见的基于距离传感器的清洁机器人系统相比，它易受周围照明和高成本的影响。在本白皮书中，我们旨在开发一种实时轻量化算法，以最大限度地提高覆盖范围，这种算法可应用于大多数具有低成本微控制器和传感器（包括超声波，红外线和触摸传感器）的清洁机器人。这些硬件限制对我们的方法施加了几个限制。为了减少计算负担，我们需要通过简单的环境假设直线（正交）和闭合来简化导航，地图构建和位置校正的策略。第一种似乎是合理的，因为考虑到室内环境的主要结构可以用多组相互平行或垂直的线表示27。实际上，大多数室内设置符合或可以近似于这个模型28。这些正交线路特征大大减少了计算负荷并提高了定位精度。第二个表明机器人可以完全探索目标环境的墙壁跟随，这导致了我们算法的最大覆盖范围。请注意，本文中的术语“墙壁”表示环境的外部轮廓，包括实际墙壁和靠近墙壁的障碍物。我们的算法基于这些假设，需要两个阶段来实现。首先，随着机器人系统地探索未知环境，主要通过墙后继续创建一系列名为“扇区”的区域。扇区是从目标区域派生的概念区域，其被定义和创建以提高机器人的清洁效率。机器人通过沿着墙壁逐步建立扇区来同时探索和清洁目标区域。在沿着墙壁移动的同时，机器人从中提取线条特征。每个扇区基本上是围绕相邻墙壁创建的，其类型和大小根据墙壁配置和机器人轨迹在算法上确定。提取的线要素随后用于相应地校正扇区位置和方向以及机器人姿态。在发现并创建一个新扇区后，机器人通过采用近似细胞分解来清理它，使用它自己的大小作为基本细胞宽度。该扇区的边界信息为机器人提供本地地图以规划覆盖范围，同时还允许它检查地图内覆盖和未覆盖的区域。它利用提供的本地地图来回运动16,17来清洁扇区内部。我们最终验证了我们的算法，使用了真实的仿真和具有短程传感器和低功耗微控制器的移动机器人平台。实验结果证明了我们方法的实用性和清洁效果。本文的其余部分安排如下。在第2节中，介绍了提出的覆盖算法的总体过程。然后第3节，第4节和第5节描述算法的相关组件。第6节展示了我们在模拟和真实环境中的方法的实验验证，我们在第7节得出结论。2基于扇区的在线覆盖算法在我们的方法中，我们不会将工作空间分解成单元，而是分解成部分，这是我们在本研究中开发的一个新概念，旨在提高清洁效率。该扇区是一个适应目标环境的灵活区域，因此扇区联盟覆盖整个目标环境。对于我们的扇区，重叠区域和未覆盖区域可能比基于精确定位的细胞分解更频繁。然而，在清洁机器人的真实世界中，违反了精确的定位假设，我们的扇区方法可能提供更可行的解决方案。然而，在该行业中，我们采用通常的近似细胞分解方法来完全覆盖该行业。在该算法中，扇区被定义为矩形区域，满足（1）该区域比L小L，其中L是默认长度（2）矩形平行于墙的正交部分。在我们的方法中，探测扇区时的机器人姿态纯粹是通过航位推测（ODOMETRY）系统来估计的。但是，由于系统误差或外部事件（如车轮打滑和不平整的地面条件），里程计误差通常会在运动过程中累积。因此，应仔细选择参数L，以便在覆盖期间积累的测距误差限制在某个允许的水平对于有效覆盖而言，较大的L值是理想的。所以，L是根据内测系统的精确度经验地设定的，其中精确的允许更大的L值。由于测距误差积累，扇区条件（2）通常不被满足。因此，我们根据线特征和利用正交性假设来应用扇区校正（对于旋转和平移）。当扇区被修正后，机器人的姿势也会相应调整。我们的算法生成并覆盖沿着墙的扇区，直到检测到闭环。在本文中，我们通过“右手定则”确定探索的方向，以便当机器人通过后续运动移动到下一个扇区时，将墙放置在机器人的右侧。需求可能会逆转方向。所提出的基于扇区的在线覆盖算法的流程图如图1所示。为了在墙附近生成一个扇区，我们确定了在追随墙的运动期间的扇区边界。但是，在覆盖范围开始时，机器人可能不会放置在墙壁附近。因此，机器人首先需要通过向前移动直到检测到障碍物来访问墙，但是机器人可能需要更多信息来确保检测到的障碍物实际上是墙的一部分。尽管存在一些启发式的解决方案，但这个问题在本文中没有涉及，我们只是假设机器人在墙壁访问期间除了墙壁之外没有遇到任何障碍物。在墙壁访问之后，机器人确定新的扇区边界，并且该扇区被添加到全球扇区地图。该扇区确定步骤还涉及扇区纠正。如果新扇区太小或已经被覆盖，则覆盖程序被绕过。否则，它将覆盖全面的覆盖算法。然后机器人移动到下一个扇区的起始位置并进入墙壁。此时，机器人检查闭环状况，如果它返回否定响应，则机器人重复覆盖下一个扇区。否则，机器人将进一步搜索不在墙附近的未探索扇区，机器人会依次覆盖这些扇区。如果没有未探测的细胞存在，则机器人移动到充电站，称为归位运动。在这里，我们假设充电站位于（或不在）环境中的任何位置，并在机器人可检测的有限范围内发射信号。当机器人移动到未探测的扇区或充电站时，它将使用简单的线特征匹配相对于到目前为止产生的全球扇区地图进行本地化，然后反向追踪墙。图2显示了一个扇区生成的例子，图2仅显示了整个序列的一部分。默认情况下，扇区的大小为L乘L，但它可以根据扇区周围的本地环境配置而改变，如图2所示。一些以前覆盖的扇区也参与确定扇区规模，通过减少重叠区域来提高覆盖效率。请注意，在整个过程之后，包括第一个扇区之上的未完成区域最终将被覆盖。图1提出的覆盖算法流程图。图2基于右手规则的在线生成扇区。每一个扇区都在其诞生后就被覆盖。未完成的地区最终将在整个过程之后进行覆盖。在以下三节中，给出了算法的相关组件。第3节介绍了扇区确定和纠正方案，以及全球扇区映射管理方案，包括闭环检测算法。然后，在第4节中，我们解释每个扇区是如何被覆盖的。第5部分介绍了未开发扇区的覆盖范围，归位和相关本地化情况。3扇区判定和全球扇区地图管理在本节中，我们将介绍如何生成灵活大小的扇区以适应当地环境并减少重叠。此外，我们解释了我们如何使用线特征和正交性假设来校正扇区信息和机器人姿态。在最后一小节中，我们描述了全球扇区地图管理以及闭环检测方法。31确定扇区边界和类型扇区生成涉及五个步骤（1）确定当前扇区的参考框架（2）确定该扇区的初始边界（3）决定扇区类型（4）对阻塞的扇区采用向后扩张（5）确定实际的界限和（6）估计下一个扇区的参考帧。在本小节中，我们假设世界坐标最初与环境的正交方向对齐，并且不存在测距误差，因为在下一小节中将讨论误差修正。下面详细介绍每个扇区确定步骤。311设置当前扇区的参考框架每个扇区由它自己的局部坐标系表示，如图3所示，它说明了世界和扇区参考帧之间的关系。考虑到右手定则，扇形参考框架应该满足原点位于靠近墙壁并且X轴的方向平行于相邻墙壁，而墙壁位于轴的右侧。因为我们假设一个直线环境，所以方向以四个角度量化（90，0，90，180）。通过将世界坐标系中的第I个扇区的位置和方向表示为TI，世界和扇区坐标通过以下等式相关联其中XW和X分别表示相同的姿势，但分别由世界和扇形框引用和分别是复合和反转操作29。按照图1中的算法序列，在扇区确定步骤中，机器人已经放置在靠近墙壁的位置，并且该位置指示新扇区参考系的原点。然而，确定方向更为重要，因为它需要关于扇区原点周围环境的知识。当涉及到第一个领域时，没有这样的知识可用，所以机器人移动一段时间来确定附近墙的方向。然而，其他扇区的方向是用前一扇区的信息明智地选择的。该方案在第316节中介绍。图3指示其在世界参考系中的位置的扇区坐标框架的示例。扇区的边界可以简单地由局部X和Y坐标的最小值和最大值来定义。312设定扇区的初始边界在建立了扇区框架之后，可以使用图3所示的X和Y扇区坐标（XMIN，XMAX，YMIN，YMAX）的最小和最大值来指定和表示它的边界。在该步骤中，设置XMIN和YMIN为0，而XMAX和YMAX分别设置为扇区的宽度和高度。简单地将XMAX和YMAX设置为默认值L可能会导致扇区之间的重叠过多，特别是在图4所示的走廊环境中。为了尽量减少覆盖范围内可能出现的重叠，我们会施加一些限制。首先，扇区大小不应该超过默认大小L其次，扇区不应该与先前覆盖的扇区重叠超过预定的最大重叠距离（MO），如图4所示。这里引入了最大重叠距离以补偿由于测距造成的相邻扇区之间的相对位置误差。如果我们假设ODOMETRY的X和Y分量具有相同的误差量，则扇区的不确定性区域可以通过均匀地增加原始扇区边界来表示。这里，厚度的一半被定义为MO，其被设置为测距误差的标准偏差。因为即使在最坏的情况下我们也需要最大化覆盖范围，所以我们保持相邻扇区之间的这种重叠。为了简单起见，我们凭经验将MO设定为一个常数值。第三，由于定位误差累积，我们限制用于尺寸确定的先前扇区的数量，标记为N，因为当前扇区和先前扇区之间的相对位置误差可能在一定程度上超过预定义的MO。在这里，我们使用一个线性误差累积模型，其与扇区大小成比例地增加。然后N被确定为误差累积小于MO的先前扇区的数量。图4确定扇区的最大边界，其中N3。确定宽度和高度，使扇区不与前N个扇区重叠的距离超过最大重叠距离（MO）。313扇区类型初定确定初始边界后，机器人会沿着墙壁移动，直至移出预定义的边界。根据边界交叉的方向确定扇区的类型，然后相应地调整边界，如图5所示。这样，我们可以根据邻近环境自适应地确定在线扇区的大小。决定扇区类型的一种便捷方式是检查扇区框架（不是世界框架）中的条件，因为可以应用常规条件而不管扇区方向如何。因此，我们首先使用（2）表示扇区框架中的机器人姿态，然后使用这个局部姿态来检查表1中的条件。表格1扇区类型确定和扇区大小调整的条件。（X，Y，）是当前机器人姿态参考的扇区坐标框架与（180，180）。从概念上讲，四种主要扇区类型（开放，正常，区块I和区块II）由表1中所示的过境方向确定。然而，真实环境可能不是完全直线的（直线假设可能是部分的违反），机器人可能有位置错误。因此，我们在开放扇区条件中向Y添加边际值TO。当环境是局部对角线时，不管是正常还是开放，扇区类型应该是什么。在这种情况下，假设墙壁的跟随过程中机器人方向可以逼近墙的方向，如果方向更接近局部水平方向（局部X轴），则它变为正常否则，打开。在随后的墙体中，我们通过对本地框架中的机器人姿态进行采样来维护局部轨迹缓冲区。扇区类型确定后，轨迹缓冲区用于调整扇区边界，如表1所示，其中XMIN，XMAX，YMIN和YMAX分别表示轨迹点的X和Y值的最小值和最大值。在表格中，WO代表了添加到开放扇区的额外宽度，以便有效地控制机器人。我们还定义了一些特定类型的案例。当生成扇区的宽度或高度小于预设阈值TS时，将其确定为SMALL类型，其被定义为太小而不具有任何未覆盖区域。因此，小扇区绕过清洁行为。当机器人在之前覆盖的N个扇区内移动时，会创建一个内部扇区，该扇区不需要清洁。岛屿区域被定义为不与墙相邻的区域，因此只有在覆盖墙附近的整个区域之后，即在封闭环之后才被搜索。岛扇区的位置根据邻域扇区确定，其大小由L简单地设置。314在阻塞的扇区应用向后扩张（第二次调整）为了有效覆盖，我们需要尽量减少扇区之间的重叠，同时最大化扇区大小。在图5中被阻塞的扇区I和II中，扇区宽度必须由于前向阻挡壁而减小。在这种情况下，我们沿着局部X轴的负方向向后扩展扇区，以保持尽可能大的尺寸，如图6所示。我们首先完全向后扩展扇区，使其宽度变成默认宽度L，然后计算与前N个扇区的重叠量。如果垂直重叠VO（意味着局部Y方向上的重叠量）大于当前扇区的高度（H）的50，则重新计算扇区边界，以使当前扇区不与前一个扇区相交超过MO。在一些完全扩展的情况下，垂直重叠VO可能超过预定的最大重叠距离MO，如图6（A）所示。实际上重叠最小化和扇区大小最大化之间存在权衡。如果我们减小扇区尺寸以尽量减少扇区之间的重叠，有时会导致环境分散到许多小型扇区中，从而不合理地降低覆盖效率。出现这种困境是因为我们对前面的环境没有先验知识，而且这些扇区只能有矩形形状。尽管存在重叠，但是向后扩展可以减少环境的碎片化，并且事实证明覆盖效率（包括覆盖时间和覆盖率）得到增强。图5扇区类型确定和大小调整。扇形框架的原点和X轴方向由一个红色圆圈和一个黑色圆柱表示。图6向后扩展的情况。首先，我们完全向后扩展扇区，使扇区宽度变为默认宽度L，然后检查与前N个扇区的交集，以确定是否需要修改（B）中的扇区边界。315最终扇区边界的确定（最终调整）到目前为止，我们描述了一个可以适应墙体局部形状的扇区边界生成方案。现在，机器人执行边界跟随运动，如图7所示，以获得关于边界的更多信息。当机器人重新访问扇区原点时，动作结束。然后调整扇区边界的参数（XMIN，XMAX，YMIN，YMAX），使得最终调整后的边界适合扇形探测期间的整个轨迹，包括墙壁跟随和边界跟随。之后，内部区域被覆盖了一个完整的覆盖算法，这在第4节中介绍。图7边界跟随后，获得最终扇区边界（红色）。（为了解释这个图例中的颜色引用，读者可以参考这篇文章的WEB版本。）316估算下一个扇区的参考框架根据313中描述的跟随运动获得的轨迹缓冲区，机器人选择一个点作为下一个扇区的估计原点。为此目的简单地选择轨迹的终点，如图8中的蓝色圆圈所示。使用关于当前扇区类型和方向的信息以直接方式确定下一扇区帧的方向，如下所示其中和W分别表示下一个当前扇区帧的方向，T表示当前扇区类型。当当前扇区为内部扇区时，我们通过选择四个量化方向（90，0，90，180）之间的角度来获得下一个扇区方向，新的扇区一代。图8使用随墙轨迹轨迹估算下一扇区的参考框架以及有关当前扇区类型和方向的信息32使用线要素修正部分在所提出的算法中，扇区需要与环境的正交方向对齐。但是，由于测距误差积累，这种情况通常不会在实际情况下得到满足。在本小节中，我们将介绍如何从测量数据中提取线要素，然后校正扇区信息，以便满足前面提到的条件。321线特征提取在范围测量中可以提取的许多特征类型中，该线可能是最简单的一种。许多算法已经被提出用于使用从感测数据提取的线特征的移动机器人学30。HOUGH变换3133和分割合并31算法可能是最流行的线特征提取方法，我们必须选择一种最适合我们机器人的算法。与普通清洁机器人一样，用于验证算法的机器人平台具有非常稀疏的传感器系统，其范围非常有限，测量误差较大。我们的机器人平台配备两个红外线和两个超声波传感器，两种类型的最大检测距离均为30厘米，这对于良好的定位而言太短了。尽管这些传感器不适合特征提取，但它们可以进行贴壁控制。因此，我们建议使用沿着机器人轨迹在线追踪期间在线获取的机器人位置。在短途旅行中，测距误差小于传感器。此外，它还允许在分散的环境中提取线条，例如窗帘。缺点可能是感测数据非常稀少。该算法必须能够从该少量点中提取线，并且每当机器人实时获取新的位置数据时也更新线。因此，我们使用增量算法（算法1）31和线性拟合的最小均方算法。322世界坐标系的校准初始世界框架在算法开始时被设置为初始机器人姿态，可能通常不与环境的正交方向对齐，所以我们需要一个校准过程，如图9所示。在访问机器人会跟随它并从其自己的轨迹中提取一条线。在获得与墙平行的可靠线之后，将未校准的世界框旋转AC，以便校准后的世界框的X轴变为与该线平行。通过将所有的几何量（包括机器人轨迹，提取的线和扇区框架的原点）旋转一个量AC可以简单地实现这种旋转。校准后，世界坐标系变得固定，并且扇形参考系的方向被设置为零度。323扇区参照系的修正即使前一个扇区与环境保持一致，由于测距误差的累积，当前扇区也可能不对齐，如图10（A）所示。由于扇区类型确定步骤要求扇区与环境保持一致，因此我们应在313节所述的后续阶段应用扇区校正。扇区参考系的校正涉及两个步骤，即旋转和平移。首先，我们在墙后采用局部轨迹提取线特征因此，该行在扇区帧中表示。为了检查旋转条件，我们计算直线与世界坐标轴之间的角度差A，其中A通过加或减90调节到间隔（45，45），直到A在该间隔内。如果A的幅度小于ODOMETRY系统的预期旋转误差累积，我们通过利用正交性假设确定该线对应于环境的正交部分，并且该特征被添加到局部正交特征集。然后扇区旋转A度，以便它与环境对齐。因为我们将扇区方向固定为与世界框架平行的四个量化值之一，所以不应该改变扇区方向，而应该纠正局部信息本身，如图10（B）所示。如第31节所述，扇区确定所需的信息，包括局部机器人姿态和局部轨迹以及局部特征集在扇区框架中表示。因此，我们可以简单地旋转关于原点的这些本地度量值。轮换后，我们寻找一条线LN1（在前一个扇区内）靠近新线LN，如图10（B）所示。为了比较，两者线应该表示在相同的参考框架中，并且阈值由估计的测距误差确定。如果存在这样的一对，我们计算两条线之间的视差AD，并且扇区原点被转换为LN1，如图10（C）所示。请注意，翻译不需要调整的本地度量信息，因为扇区帧本身被调整。作为最后的处理，通过（1）将局部机器人姿态变换为世界坐标系获得更正后的机器人姿态，其中本地机器人姿态和扇形框架已被校正。然后，机器人姿势（在世界坐标中）被更正的姿势取代。图10墙后的扇区修正程序。（A）线特征提取（B）局部度量信息的旋转（C）扇区参考帧的翻译。33全球扇区地图管理和环路关闭检测在确定一个扇区后，将该扇区的本地信息（包括边界和一组线特征）转换为世界参考框架并添加到全球扇区图中。在这里，我们不保留小型或内部扇区来节省内存。全球扇区地图稍后用于扇区确定，闭环检测和本地化。这里介绍闭环检测算法。我们首先定义一个“边节点”来评估清洁任务的完成情况，如图11所示。边节点放置在扇区的四个边界上，可以有三种类型循环，未探索和障碍节点，每个节点代表覆盖，未覆盖和障碍情况。在创建扇区后检查每个边节点。如果放置在扇区边界处的节点接触诸如墙的物体，则它成为障碍物节点，而当它连接到相邻扇区时，它将变成循环节点。未探索的节点表示机器人可能能够在该节点周围创建新的扇区。机器人通过检查所有环路节点是否连接在环路中来检测环路闭合。闭环后，如果存在一些未开发的节点，机器人会进一步尝试覆盖这些区域。否则，机器人完成清洁任务并执行归位动作。第5节介绍了闭环后的程序。图11分为OBSTACLE节点，LOOP节点和UNEXPORED节点的边节点的位置。创建新扇区后，机器人必须覆盖该扇区的内部。在覆盖期间，机器人的位置误差会累积，因为其估算仅基于测距。为了克服这种情况，我们限制了行业的规模，使误差积累有限。在本节中，我们介绍一个覆盖扇区的完整覆盖算法。我们的覆盖算法利用近似细胞分解6（对于每个扇区），其将感兴趣区域提取为与覆盖率工具具有相同大小和形状的一组细网格单元。首先，每个单元格被初始化为一个未探索的类型，但是当机器人访问一个单元格时，它的属性变为一个包含类型。传感器观察到的被占用的单元被标记为障碍类型。如图12（A）所示，栅格地图在扇区类型确定后立即初始化。在墙体后面产生的局部轨迹（第313节）用于初始化。轨迹点标记为覆盖类型，而邻近轨迹右侧的单元格映射为障碍类型。然后，在边界跟踪期间（第315节），地图会相应更新，如图12（B）所示。图12应用于扇区内部的覆盖路径规划。在地图初始化之后，新建扇区的覆盖范围如图13所示。首先，我们应用反距离变换（IDT）34以找到最近的可到达的未探测小区。IDT只是一种距离当前位置而不是目标的距离变换，目标不在前面。如果找到最近未探测的细胞，我们展开一个从细胞开始的正方形区域，直到获得满足以下条件的最大尺寸（1）正方形区域不包含障碍细胞（2）正方形区域的每条边界线包含至少一个未探测的细胞。我们称这个广场地区为一个分扇区。图13建议扇区覆盖算法的流程图。使用从IDT生成的距离图，我们从子扇区的四个角中选择最小距离单元作为机器人移动到的目标位置。然后，通过梯度下降搜索找到从目标到当前位置的最短路径，反转机器人可能传递到目标的路点的顺序。通过找到最短路径，机器人就会移动到刚刚创建的子扇区的起始点。然后，这个子扇区被一个简单的前后运动所覆盖，纵向线被选定为较长的一侧。当在这个运动中遇到一个未知的障碍物时，机器人以适当的方向部分跟随障碍物边界，直到它到达下一条纵向线。在完全覆盖该子行业之后，从IDT开始，通过迄今解释的相同方法找到下一个子行业。通过这种方式，机器人完全覆盖感兴趣区域内的可到达未开发单元。如果IDT未发现未探测的细胞，则清洁已完成，并且机器人移动到下一个扇区的估计原点。如316节所述，估计的位置是如图12（A）所示的沿墙轨迹的终点。然后，机器人通过使用距离变换来规划最短路径来接近该点。然而，测距误差的累积实际上可能使机器人难以达到该点或接触墙壁。在这种情况下，机器人需要预先终止点接近或计划附加路径以接近确定接近方向的墙作为朝向网格地图上最近的障碍物单元的方向。5未开发扇区的覆盖面和归属在关闭全球扇区图之后，我们搜索并覆盖每个剩余的未开发扇区，并且如果覆盖了所有扇区，则机器人移动到充电站。在这些过程中，机器人通过使用线条特征将其自身相对于全球扇区地图进行本地化。51未开发扇区的覆盖面通过查找未探索的边节点从全球扇区地图搜索未开发的扇区。为了到达一个未开发的领域，机器人首先沿着与用于制造扇区的方向相反的方向跟随墙壁，直到它到达包含未探测节点的扇区。然后机器人按照扇区的预定义边界（存储在全局扇区映射中）到达未探索节点。在未探索的节点周围，生成一个岛区域，机器人使用第4节中描述的扇区覆盖算法覆盖扇区。然后机器人再次移动到墙上，移动到另一个未探索的扇区。为了提高效率，未开发的扇区将沿着相对的沿墙道路顺序访问。如果没有未找到的节点，机器人就会进入归位程序。52回到充电站在归巢中，目标变成包含充电站的区域，机器人通过墙壁跟随移动到此目标，如51节所述。当机器人最终到达家庭区域时，它仅仅响应从充电站发出的信号作为到达充电站的指导。充电站可以放置在环境中的任何地方。在覆盖期间，机器人检测来自充电站的信号，并将检测到信号的那些扇区标记为寻回的候选者。如果在覆盖期间未找到充电站，覆盖任务将立即结束。53本地化策略为了使机器人成功达到先前产生的期望扇区位置，它需要相对于全球扇区图有效地进行本地化。在对面的墙后，机器人提取线要素并从全局扇区图中的线要素集中找到最佳匹配。如果找到匹配，机器人会自行纠正自己的姿势，以便提取的线与另一个线对齐。6模拟和实验结果所提出的算法的验证通过仿真尝试，然后在真正的清洁机器人上进行。覆盖率和清洁时间已被广泛用于清洁性能评估35。此外，我们还测量了一个新数量，一个成功的完成率，这个数量被定义为完成和归位的成功次数除以总次数。为了进行实验，我们使用了差速驱动移动机器人平台，其最大速度为40CM/S，并配备了用于航位推算的轮编码器。我们的机器人还配备了两个朝前的超声波传感器，一个位于前方的触摸传感器和两个朝向右侧和左侧的红外传感器，其中所有距离传感器最多可检测30厘米。这些传感器用于障碍物检测和墙壁跟随控制。所提出的算法被嵌入到低计算能力的低成本微控制器中，并且由于其效率仍然运行良好。对于模拟，我们开发了一个移动机器人模拟器，其中虚拟环境，虚拟充电站和虚拟机器人都是建模的。虚拟机器人具有与真实机器人相同的尺寸和传感器配置。为了逼真的模拟，我们还模拟了传感器和测距误差以及机器人的运动学约束。考虑到我们的算法首先在模拟器中实现并测试，然后直接嵌入到机器人中，我们的仿真器似乎具有良好的设计，并且真实测试显示出与仿真相似的方面。61模拟在模拟环境中，我们进行了两种模拟。首先，给定一个虚拟的家庭环境，我们为机器人和充电站模拟了10次随机初始位置。图14描绘了10次模拟中的一次。目标环境如图14（A）所示，这是一个由四个房间，一个客厅和一个厨房组成的公寓自由空间显示为80平方米的白色区域。在覆盖期间，被覆盖的区域被标记为如图14（B）所示的颜色，其中该区域在第一次访问时变为蓝色，并且在更多次访问后变为红色。图14（B）表示直到检测到闭环结束时的覆盖范围，但有一些未覆盖区域用绿色虚线矩形表示。闭环后，机器人搜索未发现的节点并生成岛区，最后成功覆盖未覆盖区域，如图14（C）所示。覆盖率与时间的关系如图14（D）所示，机器人在90分钟后覆盖整个工作区的92。大部分未覆盖区域存在于墙壁附近，因为机器人与墙壁保持一定距离以避免碰撞。实际上，真正的机器人通常具有可以覆盖靠近墙壁的区域的侧刷。因此，我们可以放心地假设这个实验的实际覆盖率会高于上面提到的值。对于每次模拟，当机器人确定覆盖完成并最终到达充电站时，清洁任务被认为是成功的。经过10次模拟，我们获得了两个性能指标的平均值和标准差，覆盖率和覆盖时间，如表2所示。成功完成率也在表中列出。平均而言，机器人覆盖了906的目标环境，在一个小标准偏差范围内。覆盖范围的变化通常是由定位误差引起的，这可能会导致机器人在移动到下一个扇区的原点时出现错误的起始位置。平均覆盖时间为100分钟，相对较大的标准偏差为10分钟。然而，不管最初的机器人姿势如何，岛区都是在类似的地方生成的因此，最初的机器人姿势可能会影响到达这些扇区的时间。成功完成率为10，这意味着在所有的模拟中，机器人成功地检查了覆盖范围的完成情况，并转移到了充电站。该结果显示了我们的扇区校正和定位方法的鲁棒性，以及闭环检测算法。在每次模拟中的整个清洁过程之后，由于正交性假设，测距姿态的航向角最初与地面真实大约90不同，但校正姿态的航向角在误差范围的10以内。通过我们提出的简单校正方案，扇区和机器人的位置误差保持足够小以检测闭环。表2统计在不同初始配置的相同环境下从10次模拟获得的覆盖性能。图14具有80平方米自由空间的家庭环境中的模拟。在（A）中，初始机器人姿势和充电站的位置分别用红色和蓝色圆圈表示。（为了解释这个图例中的颜色引用，读者可以参考这篇文章的WEB版本。）其次，我们在各种环境中测试了该算法，以解决针对不同类型环境的算法的鲁棒性。对于测试，我们选择了三种不同形状和尺寸的环境，如图15所示，其中初始机器人姿势以黄色圆圈表示，并且还显示了覆盖率结果。从图中可以看出，一些地区仍未被发现，这主要是由两个原因造成的。首先，例如当通道小于机器人尺寸时，机器人可能被禁止进入区域。这些区域在图中用黄色虚线矩形表示。但是，这个问题只能用路径规划策略才能解决。其次，算法中可能检测不到某些区域，如图15（B）中的绿色虚线矩形所示。在我们的算法中，开放扇区旁边的区域可能不会被下一个扇区覆盖，如图8（A）所示。如果目标环境足够小，这个区域可以由隔墙另一侧产生的扇区覆盖。否则，应该生成岛扇区来覆盖这个区域，该区域是基于未探索节点检测到的。但是，我们只保留一个扇区的每一个节点，所以关于一个扇区旁的区域的完整信息很难获得。在图15（B）中，绿色虚线矩形中未覆盖区域周围的所有节点都被认为是覆盖的，即使它们仅被部分覆盖。准确确定这种区域可能需要全球一致的扇区地图信息。然而，我们的目标系统在传感能力方面有太多限制，无法获得这样精确的全球地图。尽管有这种限制，但机器人几乎可以覆盖机器人可以实际到达的目标环境中的任何地方。而且，在所有模拟中，机器人都能够确定覆盖的完成并成功归位。图15具有不同面积大小和形状的各种环境下的仿真结果。最初的机器人姿势显示为黄色圆圈。由于物理和算法限制，黄色和绿色虚线矩形分别代表未覆盖区域。（为了解释这个图例中的颜色引用，读者可以参考这篇文章的WEB版本。）62实验为了证明所提出的算法在真实环境中的鲁棒性，我们将该算法加载到移动机器人平台的微控制器中并进行了多次实验。为了提取机器人轨迹的地面实况，我们利用了基于天花板地标识别的鲁棒本地定位系统。首先，我们设计了一些尺寸为43米5米的结构化环境，如图1和图2所示。16和17，以验证算法的真实世界的工作。环境主要由正交线组成，以符合我们的正交性假设，但我们故意放置障碍物和非正交线段来扰乱假设。在第一环境中，机器人在除充电站以外的任意位置开始覆盖处理，如图16（A）所示。在这个实验中，机器人在16分钟内覆盖了整个目标空间的约995，并成功归位。图16（B）显示了整个机器人轨迹和创建的扇区，其中数字表示扇区生成序列。请注意，此图中未显示SMALL和INTERNAL扇区的可见性。如图所示，扇区有效地创造出适应当地不同环境的不同规模，但他们不覆盖同一地区两次，而他们的联盟仍然覆盖整个空间。在第二种环境中，机器人从充电站开始，如图17（A）所示。机器人在15分钟内覆盖了大约999，并且成功地进行了归位。在两个结构化环境中，真实机器人表现出与模拟相似的性能，因为该算法的假设得到很好的满足环境包含许多正交线，每个扇区覆盖范围内的测距误差积累处于可预测范围内。图16从充电站（蓝色圆圈）以外的位置（红色圆圈）开始，在第一个结构化环境中进行真实实验。（A）初始配置（A）机器人轨迹和扇区。（C）清洁完成后的覆盖区域。（D）覆盖图。（为了解释这个图例中的颜色引用，读者可以参考这篇文章的WEB版本。）图17从充电站开始的第二个结构化环境的实验。（A）初始配置。（B）机器人追踪和扇区。（C）清洁后的覆盖区域。（D）覆盖图。然而，我们实际上可能使用商用清洁机器人的真实环境可能无法可靠地允许这些假设。为了研究在这样的环境中工作，我们在我们的实验室（10米10米）进行了实验，这是非常有挑战性的，因为有几个因素会破坏我们算法的假设。环境的某些部分如图18所示。椅子和桌腿（A）和（B）有很多薄的障碍物，这些障碍物几乎不能被距离传感器检测到，但可通过触摸传感器检测到。但是，即使是触摸传感器也可能无法检测到某些障碍物，例如导线（C）。这些障碍物可能导致严重的车轮打滑，并且一个扇区内的测距误差积累可能会显着超过预测界限。图19（A）显示了整个环境地图A，大致由手工绘制。尽管环境的外部框架由多条正交线组成，但机器人所面临的环境的实际轮廓包含许多非正交部分，因为位于框架附近的多个项目。为了评估所提出的算法的效率，我们将性能与商业清洁机器人进行了比较。大多数配备像我们的机器人平台这样的低级传感器的清洁机器人都是基于随机或启发式覆盖算法。因此，我们选择了一种基于随机行为的组合，包括螺旋，墙壁跟随和随机游走。两个机器人都起始于同一位置，在图19（A）中标记为蓝色圆圈。尽管所有困难都破坏了我们的假设，但我们的算法在60分钟内覆盖了几乎95的自由空间。但是，由于诸如椅子之类的动态障碍，某些区域（由黄色虚线矩形表示）无法覆盖。尽管我们的算法成功地覆盖了整个区域，但由于大量的测距误差累积，未能检测到闭环。虽然基于线特征的姿态校正方案尽管环境的非正交部分相对较好地估计了机器人的方位，但它无法处理由于严重车轮打滑而出现的过多错误。在机器人未能检测到障碍物时，通常在跟随或边界跟随阶段发生车轮滑动，但仍然覆盖内部区域的表现良好，因为机器人在扇区覆盖期间遇到障碍的可能性较小。商业清洁机器人在早期的几分钟内表现出更快的覆盖性能，如图19（E）所示，因为随机运动比壁面跟随或锯齿形运动更快。但是，机器人有时会卡在当地，覆盖率一段时间内保持不变。60分钟后，机器人只覆盖了79的环境，最终未能探测到一些区域，如图19（D）中的绿色虚线矩形所示。不幸的是，这种随机方法难以系统地应用于寻找并转移到未开发区域。因此，它表现出快速的覆盖饱和度，产生了一个对数图，如图19（E）所示。另一方面，我们的算法通过墙体追踪运动连续探索新的区域并覆盖墙附近的区域，所以覆盖率随着时间的增加几乎呈线性增加，直到闭环。随机化方法的另一个缺点是很难确定何时终止覆盖过程。虽然我们的算法也未能确定实际实验室实验的完成情况，但是传感器系统检测车轮打滑的一些改进可能会使成功完成。图18我们实验室的视图。（A）是休息区（B）和（C）是个人研究领域。图19我们实验室的实验结果（10米10米），其中初始和最终机器人位置分别以蓝色和红色圆圈显示。（A）和（B）是从拟议方法获得的轨迹和覆盖面积（C）和（D）来自商业清洁机器人（E）是两种方法的覆盖图。（为了解释这个图例中的颜色引用，读者可以参考这篇文章的WEB版本。）7结论和未来的展望尽管其严格的感应限制，我们的目标是最大限度地提高廉价清洁机器人的覆盖性能。一般来说，完全覆盖只能通过精确的定位和映射来实现，这是不可行的，不需要昂贵的检测和计算。因此，我们面临的挑战是我们是否可以通过智能软件克服硬件限制来提高清洁性能。作为一种可能的解决方案，我们提出了一种新颖的覆盖算法，可以证明在大多数便宜的清洁机器人中非常高效和有效。该方法是为直线室内环境设计的，如普通家庭或办公室。这个算法做出了两个重要贡献。通过假设一个直线环境来减少计算负载和传感器精度要求。这使我们的在线覆盖算法能够在小型微控制器上运行。另一个贡献是证明了向感应能力较差的低成本清洁机器人提供智能的可行性，以便他们能够在掌握多少目标空间的情况下完成任务。因此，该算法有助于扩大低成本，高性能清洁机器人的商业潜力，同时指出一种方法，以低成本机器人平台中传感极差的算法来解决困难的定位问题。通过引入涵盖基于行业的分解和基于行特征的本地化的新概念，在一定程度上实现了这些目标。在我们的研究中，仍然存在一些需要解决的问题。第一个涉及循环闭合的扇区。如果机器人的位置误差恰好大于扇区尺寸，则在关闭循环时无法将最后一个扇区与第一个扇区关联起来。即使发生这种情况，它也不会识别环路关闭，这意味着机器人不知道清洁任务的结束并继续运行，直到电池耗尽。当电池低于阈值水平时，我们的机器人将其模式更改为归位。当我们对直线配置的假设被严重违反时，第二个问题就出现了。机器人仍然可以清洁包含圆形或椭圆边界物体的环境，但不能使用我们的定位算法，覆盖性能会下降。我们必须在不诉诸昂贵的硬件的情况下解决这些问题，因为我们的问题是针对低成本的清洁机器人。这项研究的最终目标是创建一个简单而强大的方法来执行廉价的清洁机器人的实时完整覆盖算法。致谢这项工作得到了LG电子公司未来IT融合实验室的支持。参考1BTRIBELHORN，ZDODDS，评估ROOMBA一个低成本，无处不在的机器人研究和教育平台。在INT。CONF。关于机器人和自动化。2007年。13939。2RMANNADIAR，IREKLEITIS，已知任意环境的最佳覆盖范围。在INT。CONF。关于机器人和自动化。2010年。552530。3EGONZALEZ，OALVARES，YDIAZ，CPARRA，CBUSTACARA，BSA完整的覆盖算法。在IEEEINT。CONF。关于机器人和自动化。2005年。20404。4NELKMANN，JHORTIG，MFRITZSCHE，CLEANINGAUTOMATION，SPRINGERHANDBOOKOFAUTOMATION（2009）12531264。5YMAO，LDOU，JCHEN，HFANG，HZHANG，HCAO，结合室内环境下自主移动机器人的全覆盖路径规划。在亚洲控制CONF。2009P。1468年至1473年。6HCHOSET，机器人的覆盖最近的结果调查，ANNALSOFMATHEMATICSANDARTIFICIALINTELLIGENCE31（14）（2001）113126。7HMYUNG，HJEON，WYJEONG，SWBANG，基于虚拟门的移动机器人覆盖路径规划，见计算机科学讲义，5744，2009年，第197207页。8HCHOSET，已知空间的覆盖范围BOUSTROPHEDON细胞分解，AUTONOMOUSROBOTS9（3）（2000）247253。9HCHOSET，KMLYNCH，SHUTCHINSON，GKANTOR，WBURGARD，LEKAVRAKI，STHRUN，“机器人运动原理”，麻省理工学院出版社，2005年。10EACAR，HCHOSET，在未知环境中的临界点感应。在IEEEINT。CONF。关于机器人和自动化。2000P。380310。11EUACAR，HCHOSET，YZHANG，MSCHERVISH，机器人排雷的路径规划非结构化环境的鲁棒传感器覆盖和概率方法，国际机器人研究杂志22（78）（2003）441466。12EGARCIA，P冈萨雷斯德桑托斯，移动机器人导航与非结构化环境的完整覆盖，机器人和自治系统46（4）（2004）195204。13EUACAR，HCHOSET，基于传感器的未知环境覆盖莫尔斯分解的增量构建，国际机器人研究杂志21（4）（2002）345366。14JS哦，YHCHOI，JBPARK，YFZHENG，使用基于三角形单元的地图的清洁机器人的完整覆盖导航，IEEE工业电子学报51（3）（2004）718726。15YGABRIELY，ERIMON，SPRALSTC一种移动机器人网格环境的在线覆盖算法。在INT。CONF。关于机器人和自动化。2002P。95460。16SHERT，STIWARI，VLUMELSKY，AUVTERRAINCOVERINGALGORITHMFORAAUV，AUTONOMOUSROBOTS3（23）（1996）91119。17VLUMELSKY，SMUKHOPADHYAY，KSUN，DYNAMICPATHPLANNINGINSENSORBASEDTERRAINACQUISITION，IEEETRANSACTIONSONROBOTICSANDAUTOMATION6（4）（1990）462472。18HDURRANTWHYTE，TBAILEY，同时定位和映射第一部分，IEEE机器人与自动化学会13（2）（2006）99110。19STHRUN，WBURGARD，DFOX，概率机器人，麻省理工学院出版社，2005年。20GDISANAYAKE，PNEWMAN，SCLARK
- 温馨提示:
1: 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
人人文库网所有资源均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
川公网安备: 51019002004831号