（控制理论与控制工程专业论文）基于多传感器行为融合基础上的agv导航研究.pdf

基于多传感器行为融合基础上的a g v 导航研究 摘要 移动机器人是机器人学中的一个重要分支，其主要目标是研究在复杂环境 下机器人系统的实时控制问题，涉及到任务规划、运动规划与导航、目标识别 与定位、机器视觉、多种传感器信息处理与融合以及系统集成等关键技术。本 文主要研究的是移动机器人导航技术，介绍了导航中多传感器信息融合技术的 理论、方法和应用。并提出了基于行为的混合体系结构，在此基础上利用模糊 神经网络控制器实现a g v 的导航。 本文拟采用多个超声波传感器来获取未知环境中障碍物的特征信息，通过 信息融合，消除单一数据的不确定性，从而获得准确的环境数据，提高了a g v 容错能力；同时，我们选择基于行为的混合式体系结构解决了基于功能分解体 系结构的反应滞后问题和基于行为的反应式体系结构的智能级不高问题；详细 分析了a g v 导航系统的基本行为，并建立了避障行为、目标跟踪行为、沿墙壁行 驶行为和紧急停止行为的模糊规则；在此基础上，构建基于多传感器的行为融 合的导航系统，并用模糊神经网络对上述规则进行学习，仿真结果表明：多层的 模糊神经网络结构和行为融合的策略能很好地实现在不确定环境下a g v 的导航 行为，说明机器人能合理地躲避路障到达目标。 关键字：a g v ；避障；行为融合；导航；模糊神经网络；超声波传感器 n a v i g a t i o nr e s e a r c ho fa g v b a s e d o n m u l t i - s e n s o r sb e h a v i o r sf u s i o n a b s t r a c t m o b i l er o b o ti so n eo ft h ei m p o r t a n tb r a n c h e si nt h er e a l mo fr o b o t i c s ，i t sm a i n a i mi st h er e s e a r c ho nt h er e a l t i m ec o n t r o lp r o b l e mo fr o b o ts y s t e mi f lt h e c o m p l i c a t e de n v i r o n m e n t ，c o n c e r n i n gt h ek e yt e c h n i q u e sa b o u tt a s kp l a n n i n g ， m o v e m e n tp l a n n i n ga n dn a v i g a t i o n ，g o a li d e n t i f y i n ga n do r i e n t a t i o n ，r o b o tv i s i o n ， m u l t i - s e n s o r si n f o r m a t i o nm a n a g e m e n ta n df u s i o na sw e l la ss y s t e mi n t e g r a t i o n t h ep a p e rm o s t l ys t u d i e sm o b i l er o b o tn a v i g a t i o nt e c h n i q u e ，i n t r o d u c e st h et h e o r y ， m e t h o da n da p p l i c a t i o no fm u l t i s e n s o r si n f u r m a t i o nf u s i o ni nn a v i g a t i o ns y s t e m a l s ot h em i x e ds y s t e ms t r u c t u r ei sp r e s e n t e db a s e d o nb e h a v i o r sa n do nt h eb a s i so f i tn e u r o f u z z yn e t w o r ki sa p p l i e dt or e a l i z ea g v n a v i g a t i o n t h et h e s i sa d o p t ss e v e r a lu l t r a s o n i cs e n s o r st oa c q u i r eo b s t a c l ec h a r a c t e r i s t i c i n f o r m a t i o ni nu n k n o w ne n v i r o n m e n t t h r o u g hi n f o r m a t i o nf u s i o ni tc a ne l i m i n a t e s i n g l e d a t a u n c e r t a i n t y s oa st o g e te x a c te n v i r o n m e n td a t a e n h a n c ea g v f a u l t - t o l e r a n ta b i l i t y s i m u l t a n e o u s l y ，w es e l e c tt h es t r u c t u r eb a s e d o i lb e h a v i o r m i x s y s t e mt os o l v et h ef e e d b a c kd e l a yp r o b l e mb a s e d o nf u n c t i o n a ld e c o m p o s i t i o n s t r u c t u r e ，i tc a nr e s o l v et h el o w e ri n t e l l i g e n tp r o b l e mb a s e do nt h eb e h a v i o r r e a c t i o ns y s t e ms t r u c t u r e ，a l s ow ea n a l y z et h ee l e m e n t a r yb e h a v i o r so ft h ea g v n a v i g a t i o ni nd e t a i l a n de s t a b l i s ht h ef u z z yr u l e so fo b s t a c l ea v o i d a n c e g o a l t r a c k i n g w a l lf o l l o w i n ga n de m e r g e n c yb r a k e 0 nt h i sb a s i s ，t h en a v i g a t i o ns y s t e m w i t hb e h a v i o r sf u s i o ni sd e s i g n e db a s e d o nm u l t i s e n s o r s a l s ot h en e u r o f u z z y n e t w o r ki su s e dt o s t u d yt h er u l e s t h es i m u l a t i o nr e s u l t sd e m o n s t r a t e 协a t n e u r o - f u z z yn e t w o r ka n db e h a v i o rf u s i o nt a c t i c sb e s tr e a l i z et h ea g vn a y i g a t i o n b e h a v i o ri nu n k n o w nc i r c u m s t a n c e ，i nr e s u l tr o b o tc a nr a t i o n a l l ye v a d eo b s t a c l e s a n da r r i v ea tt h et a r g e t k e yw o r d s ：a g v ；o b s t a c l ea v o i d a n c e ；b e h a v i o r sf u s i o n ；n a v i g a t i o n ；n e u r o f u z z ) ， n e t w o r k ；u l t r a s o n i cs e n s o r 插图清单 图2 - 1 多传感器信息融合方法分类一1 4 一 图2 2 多传感器信息融合的一般结构1 7 一 图2 - 3 集中型多传感器信息融合1 8 一 图2 4 分散型多传感器信息融合，1 8 一 圈2 - 5 混合犁传感器信息融合一1 9 图2 6 反馈型传感器信息融合1 9 图2 7 超声波测距原理图一2 2 图3 1 移动机器人控制系统的传统功能分解2 5 - 图3 2 基于行为的反应式体系结构2 5 一 图3 3a g v 结构与a g v 运行范围定义2 7 图3 4 输入输出隶属度函数定义2 8 一 图3 - 5 避障行为和目标跟踪行为示意图3 0 图3 6 沿墙壁行驶行为示意图3 0 一 图3 7 行为融合示意图3 1 - 图4 一1 人工神经元模型3 3 一 图4 2 比例函数- 3 4 一 图4 3 符号函数。3 4 一 图4 4 饱和函数一3 4 一 图4 5 双曲线- 3 5 一 图4 - 6 阶跃函数一3 5 图4 7s 型函数一3 5 一 图4 8 前馈型网络- 3 6 一 图4 9 反馈型网络- 3 6 图4 1 0 监督学习框图3 7 一 图4 1 1 非监督学习框图3 7 一 图4 一1 2 再励学习框图3 8 一 图4 一1 3 基于神经网络的融合过程- 4 1 - 图4 一1 4 基于标准模型的模糊系统原理结构图4 3 一 图4 一1 5 模糊神经网络结构图- 4 5 一 图4 一1 6 模糊神经网络结构- 4 7 一 图5 1 输入距离d 隶属度函数- 5 2 一 图5 2 近距离d 的隶属度函数学习曲线- 5 2 一 图5 - 3 代价函数e 的优化曲线- 5 3 一 图5 4 无障碍物a g v 导航- 5 3 一 图5 5 近距离d 隶属函数学习曲线一5 4 一 图5 - 6 代价函数e 的优化曲线- 5 4 一 图5 - 7 单个障碍物的导航一5 4 一 图5 - 8 近距离d 隶属函数学习盐线一5 5 一 图5 - 9 代价函数e 的优化曲线5 5 一 图5 1 0 沿墙壁行驶导航图一5 6 一 图5 1 1 近距离d 的隶属度函数学习曲线一5 6 一 图5 12 代价函数e 的优化过程一5 7 r 多障碍物导航行为的融合图l 多障碍物导航行为的融合图2 多障碍物导航行为的融合图3 多障碍物导航行为的融合图4 一 _ 一 卯骝鼹鼹 _ _ 3 4 5 6；l 一 一 一 一 5 5 5 5 图图图图 独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 据我所知，除文中特别加以标志和致谢的地方外，本论文不包含任何其他个人或集体已经发 表或撰写过的研究成果。也不包含为获得盒坦些盔堂或其他教育机构的学位或证书而使 用过的材料。与我一同工作的同志对本研究所作的任何贡献均已在论文中作了明确的说明并 表示谢意。 学位论文作者签名：司毒复 签字日期：耐年铲月扣 学位论文版权使用授权书 本学位论文作者完全了解盒魍王些太堂有关保留、使用学位论文的规定，有权保留 并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阗。本人授权金 壁王、业杰堂可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、 缩印或扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：多j 静霞 导师签名：饼憧 签字日期：加g 4 ? 7签字日期：，雪6 中一 学位论文作者毕业后去向 工作单位： 通讯地址： 电话： 邮编： 致谢 在硕士生活即将结束、硕士毕业论文即将完成之际，我将我的感激和谢意 诉诸笔端，希望籍此表达我对于那些曾经给予过我无私帮助和关怀的人们的最 诚挚的感谢和祝福。 在此，我首先衷心感谢我的导师一肖本贤教授对我的指导与帮助。在课题 的研究期间，导师从选题、论文的撰写、审稿以及生活等各方面都给予了极大 的关心和支持。在学习与科研上经常和我们进行交流、指导。导师严谨的治学 态度、务实的工作作风、渊博的知识、高深的学术造诣和锐意进取的科学探索 精神令人敬仰。从导师那里所学的知识和所受的熏陶将使我终身受益，将是我 未来学习的榜样。值此论文完成之际，谨向导师肖本贤教授致以衷心的感谢和 崇高的敬意里 在论文撰写完成之即，感谢实验室的齐东流、赵明阳、师兄张松灿、彭超、 师弟王晓伟、朱志国、李善寿，和这些同学的讨论和交流让我受益非浅，也感 受到了友谊的可贵。 感谢百忙之中抽出大量时间和精力对本文进行评阅、审查，并提出宝贵意 见的各位老师i 感谢所有给予我理解、关心、支持和帮助的老师、朋友! 最后，特别感谢我的父母与家人。谢谢他们多年来为我的无私付出，自始 至终给我的信任和鼓励，正是来自这些亲人中爱与关怀，才能让我克服一切困 难，达到自己的目标，并将不辜负大家的期望而继续努力。 作者：刘海霞 2 0 0 6 年4 月 1 1 引言 第一章绪论 机器人是指计算机控制的能模拟人的感觉、手工操纵，具有自动行走能力 而又足以完成有效工作的装置。自动化技术的发展，特别是计算机的诞生，推 动了现代机器人的发展，机器人学作为一门新兴的学科出现并得到快速发展。 而作为机器入核心的机器入控制，是一项跨越多个学科的综合性科学技术，它 涉及到自动控制、计算机、传感技术、人工智能、电子技术和机械工程等多个 学科领域的内容，是先进制造技术的典型代表。近年来，随着这些学科领域技 术的发展，机器人控制技术也得到了长足的进步。机器人的应用也越来越广泛， 几乎渗透到所有领域。 移动机器人是机器人学中的一个重要分支。它的研究始于六十年代，以斯 坦福研究所的自主移动式机器人s h a k e y 为标志，其主要目标是研究在复杂环境 下机器人系统的实时控制问题，涉及到任务规划、运动舰划与导航、目标识别 与定位、机器视觉、多种传感器信息处理与融合以及系统集成等关键技术。不 同于传统的机器人手臂，移动机器人具有其特殊的机构模型和应用性，是一个 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。 移动机器人的研究提出了许多新的、挑战性的理论与工程技术课题，引起了越 来越多的专家学者和技术人员的兴趣。 1 2 机器人定义及分类 目前，对机器人尚未有统一的定义，美国机器人协会1 9 7 9 年给机器人的定 义为：可重复编程的多功能操纵器，设计成通过不同的编程控制执行多种任务 如移动物料、部件、工具或专门的设备。自5 0 年代末世界上第一台机器人问世， 经过了4 0 多年的发展，机器人技术已发生了翻天覆地的变化，有近百万台机器 入正工作在各条战线上，而且正以惊人的速度向服务、军事、娱乐、农业、教 育等领域扩展。智能移动机器人( 下面简称移动机器人) 是机器人领域中的一个 重要分支，它集中了机械工程、电子技术、计算机技术、自动控制理论以及入 工智能等多学科的最新研究成果，代表了机电体化的最高成就，是当代科学 技术发展最活跃的领域之一。 机器人种类繁杂，可以从不同的角度对其分类。 按照机器人所完成的主要功能，可以分为四类： 操作机器人：这是目前工业应用最为广泛的机器人，绝大多数工业机器人 属于这一类。其特点是模仿人手和手臂的动作，完成搬运、焊接、喷漆、打磨、 抛光、检测、装配等工艺操作。 移动机器人：在工业生产中轮式机器人、履带式机器人及步行机器人常用 来完成运输及上、下料等任务。比如管道机器人、水下机器人、采掘机器人等 等。这种机器人多半都装有操作手和摄像系统，以完成操作并对现场进行远距 离监视。 信息机器人：这是指以计算机系统为基础的智能行为模拟装鼍。广义地说， 这类机器人包括专家系统、翻译机、作曲机、图像识别系统、指纹识别机以及 信息决策系统等。 人机机器人：这类机器人和人之间存在双向闭环联系，包括联肢机械手， 装在人腿上的助行机械足，生物电控或声控假肢等。 按照机器人开发内容和目的区分，可以分为工业机器人、操纵型机器人、 智能机器人和特种机器人四类。通常习惯上将后三种机器人统称为先进机器人。 工业机器人的本体主要是一只机械手臂，它直接操作的对象是末端执行器， 它随操作对象的形状和材料不同而制成各种各样。 操纵型机器人：这类机器人是一类由人操纵进行工作的机器人，由操纵人 员在工作中不停地向机器人发送操作指令，在智能和适应能力方面辅助机器人 完成复杂的作业，机器人把操作对象和作业环境的状态直接地或间接地( 通过监 视装置) 反馈给操纵人员，操纵人员据此控制机器人行为。 智能机器人：这类机器人是指本身能认识工作环境、工作对象及其状态， 能根据人给予的指令和“自身”认识外界的结果来独立地决定工作方法，利用 操作机构和移动机构实现任务目标，并能适应工作环境的变化。这种机器人也 就是第三代机器人，它的控制方式是一种“认知一一适应”的方式。 特种机器人：这类机器人是专门为完成某一项或几项任务而制造的，大多 数不具有通用性。开发这种机器人，可着眼于基础研究的立场和面向实用化的 立场。 其中移动机器人按其控制方式或自主程度可分为遥控式、半自主式、自主 式三种。其中自主式移动机器人( a u t o n o m o u sm o b i l er o b o t ，简称a m r ) 的目标 是，在没有人的干预、无需对环境作任何规定和改变的条件下，有目的地移动 和完成相应的任务。 此外，移动机器人按工作的环境，还可分为户外移动机器人( o u t d o o rm o b i l e r o b o t ) 和室内机器人( i n d o o r m o b i l e r o b o t ) 。户外移动机器人又可称自主陆地车 辆( a u t o n o m o u sl a n dv e h i c l e ) 或无人驾驶车辆与智能机器人( u n m a n n e dv e h i c l e a n di n t e l l i g e n tr o b o t ) 。 户外智能移动机器人，根据应用领域及道路环境的不同，可大致分为： 1 ) 在结构化道路环境( 高速公路、规则区域) 上的车辆自主或辅助驾驶，其 应用领域为民用运输部门或公路安全部门。 2 ) 移动机器人在非结构化道路环境( 一般道路、土路或不规则的区域) 上的 机动性、灵活性与在自然地理环境下的越野性，其应用领域主要是军事。另外 户外移动机器人现在也正被应用于服务业，即服务机器人。 户外移动机器人是一个组成结构非常复杂的系统，它不仅具有加速、减速、 前进、后退以及转弯等常规的车辆功能，而且还具有任务分析、路径规划、导 航、信息感知融合、自主决策等类似人类智能行为的人工智能。因此，按其功 能划分，户外移动机器人可以看作由机械装置、控制器及传感器组成的相互作 用、相互联系的复杂动态系统。 移动机器人研究的一个重点就是设计一个良好的控制体系结构，能克服环 境的不确定性，可靠地完成复杂任务，且成本低，鲁棒性好。机器人控制体系 结构主要指控制机器人的硬件和软件结构，又称为机器人控制器体系结构。规 划与导航是移动机器人的核心技术，也是其智能性的体现。移动机器人需要进 行两方面的规划：全局路径规划和局部路径规划。导航需要完成以下三个任务： 目标跟踪、避障避碰和车体定位。移动机器人自主导航技术的关键是对机器人 进行定位，准确定位是保证其正确完成导航、控制任务及实施规划的关键。车 体控制是户外移动机器人的根本目的。户外移动机器人的行为控制系统必须根 据给定的任务和变化的环境实施对车体的控制。 服务机器人是机器人家族中的一个年轻成员，服务机器人是一种半自主或 全自主运行的提供和完成服务的机器人，它能完成有益于人类健康的服务工作， 但不包括从事生产的设备。这里，我们把其他一些贴近人们生活的机器人也列 入其中。 用于服务的移动机器人的主要职能就是提供和完成服务。目前，它主要涉 及清洁、运送、监视、检查和探测等类型的工作。这里我们知道，服务机器人 所涉及的任务应该是机器人与环境之间最小的物理处理。这就使得服务机器人 的开发变得相对容易一些，服务移动机器人的开发也必须同传统的移动机器人 那样考虑诸如运动机构、能量存储、规划与导航、信息融合等问题。当服务移 动机器人对环境做某些事情时，它就必须配备相应的工具和驱动器、控制系统。 1 3 移动机器人关键技术 随着科学技术的发展，人类的研究和活动领域已由陆地扩展到海底和空间。 利用移动机器人进行探测、开发和导航时，将面临复杂的未知环境。未知环境 中的移动机器人自主导航控制技术己成为一项关键技术。在移动机器人导航控 制理论和方法的研究中，确定性环境的导航控制方法已取得了大量的研究和应 用成果。对未知环境中的导航控制也开展了一些研究，并提出了若干方法，但 尚未形成统一和完善的体系结构，还有许多关键理论和技术问题有待解决和完 善。未知环境中的移动机器人只具有较少的先验知识，其导航控制方法涉及环 境认知、优化决策、知识表示与获取等多项关键问题。 智能移动机器人要想走向实用，必需拥有能胜任的运动系统、可靠的导航 系统、精确的感知能力和具有既安全而又友好地与人一起工作的能力。移动机 器人的智能指标为自主性、适应性和交互性。自主性是指机器人能根据工作任 务和周围环境情况，自己确定工作步骤和工作方式；适应性是指机器人具有适 应复杂工作环境的能力( 主要通过学习) ，不但能识别和测量周围的物体，还有 理解周围环境和所要执行任务的能力，并做出正确的判断及操作和移动等能力； 交互是智能产生的基础，交互包括机器人与环境、机器人与人及机器人之间三 种，主要涉及信息的获取、处理和理解。 1 3 1 导航与定位 导航与定位是移动机器人研究的两个重要问题。根据环境信息的完整程度、 导航指示信号类型、导航地域等因素的不同，移动机器人的导航方式可分为： 基于环境信息的地图模型匹配导航；基于各种导航信号的陆标导航；基于视觉 导航；基于感知器导航等。 环境地图模型匹配导航是在机器人内部存有关于环境的完整信息，并在预 先规划出的条全局路线的基础上，采用路径跟踪和避障技术，实现机器人导 航：当机器人对周围环境并不完全了解时，则可采用基于陆标的导航策略，也 就是将环境中具有明显特征的景物存储在机器人内部，机器人通过对陆标的探 测来确定自己的位置，并将全局路线分解成陆标与陆标之间的片断，再通过一 连串的陆标探测和陆标制导来完成导航任务；在环境信息完全未知的情况下， 可通过传感器对周围环境的探测来实现机器人导航；在相对归整的环境中，还 可以在路面或路边画出一条明显的路径标志线，机器人在行走的过程中不断地 对标志线进行探测并调整行进路线与标志线的偏差，当遇到障碍时或是停下等 待、或是绕开障碍，避障后再根据标志线的指引回到原来的路线上去，最终在 标志线的指引下到达指定的目的地。 作为移动机器人导航的最基本环节，定位是确定机器人在二维工作环境中 相对于全局坐标的位姿。定位方法根据机器人工作环境复杂性、配备传感器的 种类和数量等不同有多种方法。 从广义上来说，可以把位置测量的方法分为两大类：内部方法和外部方法。 顾名思义，前者基于机器人自身的运动和推动力，与外部环境无关，具体传感 器有编码器、线性加速度计、惯性导航、磁罗盘、全球定位系统( g p s ) 等。内部 传感器是实现闭环控制、伺服动作必不可少的装置。而后者基于外部信号检测 机器人与对象物体之间关系，典型的有视觉传感器、超声波传感器、红外传感 器、接触和接近传感器、路标导航等测量方法。外部传感器使机器人及时了解 工作环境和对象，视情况来调整自己的决策，从而提高了机器人的适应性和智 能化水平。下面对常用的传感器作一个简要介绍： 里程计：具有较好的短期精度、便宜、较高的采样速率等优点，故广泛使 用。使用里程计的基本思想是积分增量运动信息，因此不可避免地引来误差的 无限积累。尤其是方位误差将引起较大的横向误差。一般将其与其它绝对位置 测量相结合以获得更可靠的位置估计。 惯性导航：惯性导航是使用陀螺和加速度计分别测量旋转速率和加速度。 惯性导航系统具有自包含优点，即无需外部参考量。然而，随时涮推移有漂移、 积分滞后，任何小的常数误差也会无限增长。因此，惯性传感器对于长时间的 精确定位是不适合的。陀螺对于移动机器人尤其重要，因为可以用来补偿里程 计的最大缺点；小的瞬时方位误差将带来一个定常增长的横向位置误差 磁罗盘：就车体航向对航迹推算误差积累的影响而言，它对导航参数是非 常重要的。正是这个原因，在解决自主平台的导航需求上，提供一个测量绝对 航向的传感器是异常重要的，磁罗盘就是这样一个传感器。然而，在接近电力 线或钢结构的地方，地磁场发生变形，这是磁罗盘的一个致命弱点。这就使得 地磁传感器很难用于室外。在各类磁罗盘中，磁通量闸门罗盘最适用于移动机 器人。 全球定位系统：对于室外导航，这是一个革命性技术。但用于移动机器人 导航时，存在以下问题：( 1 ) 由于植物和山地，存在周期性的信号阻碍；( 2 ) 多 径干扰：( 3 ) 对于初级( 单独一个) 导航系统，定位精度不够。 路标导航：路标是指机器人能从其传感输入识别出的不同特性。路标可以 是几何形状( 如线段、圆或矩形) ，也可包括附加信息。一般情况下，路标有固 定的和己知的位置。路标要认真仔细地选择，以利于识别，例如，相对于环境， 要有充分的对比。为了利用路标进行导航，必须知道路标的特征并将其事先存 入机器人的内存中。然后，机器入的主要任务就是可靠地识别路标以便定位， 即计算机器人的位置。为了简化路标获取问题，常常假设当前机器人的位置和 方位近似已知，这样就可使机器人在一个有限的区域内寻找路标。路标分自然 路标和人工路标。自然路标是早己在环境中存在。除了用于机器人导航之夕 还 有一定功能的目标或特征。人工路标是安装在环境中单独用于机器人导航的专 门设计的目标或标记。基于路标导航的特点简述如下： 自然路标灵活，且无需改变环境。人工路标能提供额外信息，如模式或 形状。 定位精度依赖于机器人和路标之间的距离和角度。 需要更多的处理时间，在大多数情况下，机器人自带的计算机不能为实 时运动提供足够快的处理自然路标的算法。 周围条件，如照明，可能带来识别错误；在边缘的可视范围之内，路标 可能一点儿也认不出，或者被误认。这是一个很严重的问题，因为这将导致完 全错误的机器人定位。 为了使机器人知道向何方寻找路标，基于路标导航的方法要求一个近似 的起始位置。如果机器人不知道起始位置，就需要执行一个消耗时间的搜索过 程。这个搜索过程要么使机器人误入歧途，要么得到一个错误解释。 必须要有一个保存路标及其在环境中的位置的数据库。 对于基于路标的技术，只有有限的商业支持。 上面每一种方法均各有优点及局限性，因而移动机器人实际采用几种方法 结合使用，以充分发挥各自优点而避免各自的缺陷，从而提高定位系统的精度 和可靠性。现有移动机器人的定位方法主要包括：航迹推算、组合定位和感知 定位。航迹推算方法即利用f i i 两种传感器进行相对位置测量，这种方法存在累 积误差问题，通常与基于感知的定位方法相结合，利用环境特征和路标识别来 消除或减少累积定位误差。组合式定位系统主要包括全球定位系统( g p s ) 、激光 定位系统等。上述定位方法已成功地应用于确定性结构化环境中的移动机器人 定位，但仍难以有效地解决在未知环境中的移动机器人定位问题。召前，基于 概率模型和多传感器融合的移动机器人定位与环境建模研究已取得了一些研究 成果，但大多局限于室内结构化环境。在复杂未知环境中，由于先验知识的匮 乏和环境的不确定性，使得并发的环境建模和定位方法成为待研究的课题，其 中包括环境的不确定性表示，三维环境特征的提取，基于多传感器融合的增量 式建模方法等。此外，研究可创造主动坏境、提高信息获取效率的行为机制， 将有助于实现可靠的复合定位与建模系统。 1 3 2 路径规划和运动控制 路径规划是移动机器人的一个重要问题。它的目标是在一个存在障碍物的 环境中，为移动机器人寻找一条无碰撞路径。对于自由运动的机器人，即机器 人的运动不受限制，路径规划问题可以通过在自由位形空间内规划出一条路径 加以解决，这样的一条路径与工作空间内的一条可行的自由路径相对应。 路径规划耗时很多，一个重要的解狭办法就是并行化。d h e n r i c h 对使用并 行处理方法进行快速运动规划的研究情况做了个综述，并指出了一些有待解 决的问题。一旦在线、实时路径规划能够实现，路径规划就可融入运动控制算 法的闭环之中。 路径规划是自主式移动机器人导航的基本环节之一。它是按照某一性能指 标搜索一条从起始状态到目标状态的最优或近似最优的无碰路径。根据机器人 对环境信息知道的程度不同，可分为两种类型：一个是基于环境先验信息己知 的全局路径规划，另一个是基于传感器信息的局部路径规划，后者环境是未知 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。 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的符合一定性 能的可行或最优路径，它涉及的基本问题是世界模型的表达和搜寻策略。全局 路径规划按世界模型表达方法的不同存在薅种比较典型的方法，即构型空间法 和自由空间法。构型空间法的基本思想是将机器人缩小为一个点，同时根据机 器人的形状和尺寸将障碍物进行拓展，其中研究较成熟的为可视图法( v i s i b i l i t y g r a p h ) 。可视图法视机器人为一点，将机器人目标点和多边形障碍物的各顶点 进行组合连接，要求机器人和障碍物各顶点之间、目标点和障碍物各顶点之间 以及各障碍物顶点与顶点之间的连线，均不能穿越障碍物，即直线是可视的。 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。运用优化算法，可删除一些不必要的连线以简化可视图，缩短搜索时间。 该法能够求得最短路径，但假设机器人的尺寸大小忽略不计，使得通过障碍物 顶点时离障碍物太远甚至接触就会出现判断错误，并且搜索最优路径需要花大 量时间。自由空间法的基本思想是采用预先定义的基本形状( 如广义锥形，凸多 边形等) 构造自由空间，并将自由空间表示为连通图，然后通过对图的搜索来规 划路径，其算法的复杂度往往与障碍物的个数成正比。自由空间法的优点是比 较灵活，机器人的起始点和目标点的改变不会造成连通图的重新构造，缺点为 不是任何时候都可以获得最短路径。对世界模型的表达还有其他一些方法，如 栅格法针对室外不平地面的等高线表示法，多面模型表示法等。除了根据世界 模型表达方法的不同区分全局路径规划外，还有其它些比较典型的方法，如 潜势场法、广义v o r o n o i 图法，潜势场法的缺点是存在局部最小点，广义v o r o n o i 图法缺点是存在较多的突变点。全局的路径搜索策略主要有：采用代价搜索的 软件方法、退火法、拓扑法等。 局部路径规划的主要方法有：人工势场法、栅格法、遗传算法和模糊逻辑 算法等。 势场法( p o t e n t i a lf i e l dm e t h o d ) 其基本思想是将机器人在环境中的运动视为 一种虚拟的人工势场中的运动。势的负梯度视作一种抽象力。障碍物对机器人 产生斥力，目标点产生引力，引力和斥力的合力作为机器人的加速力，来控制 机器人的运动方向和机器人的位置。 势场法结构简单，便于低层的实时控制，在实时避障和平滑的轨迹控制方 面，很快得到了广泛的应用。t h o r p e 较早地应用势场法进行离线局部路径规划， k r o g h 用扩展势场法进行局部和全局路径规划，而b r o o k s 和a r k i n 最先成功把势 场法用于移动机器人导航。随着应用的增多，势场法的一些缺陷也暴露出来， 其中最突出的问题是对存在局部最优解的情况，容易产生死锁( d e a dl o c k ) 现 象，因而可能使机器人在到达目标点之前就停留在局部最优点。y k o r e n 和j b o r e n s t e i n 通过严格的数学分析，指出了势场法用于移动机器人运动控制是研究 自主移动机器入技术较为活跃的课题之一，自主移动机器入按照存储在其内部 的地图信息，或根据外部环境所提供的引导信号( 即通过列环境的实时探测所获 得的信息) 规划出一条路径后，它还必须能够沿着该路径在没有人工干预的情况 下，采用跟踪控制和避障技术移动到预定目标点，实现机器人导航。跟踪控制 是移动机器人运动控制的一个重要问题，分为轨迹跟踪控制和路径跟踪控制两 种。在轨迹跟踪控制中，移动机器人要求跟踪的期望轨迹是以时间关系曲线图 给出的，而在路径跟踪控制中，期望轨迹是由几何参数( 如：路径的弧长) 来描 述的。当要求机器人必须在一个特定的时间内到达一个特定的点时，轨迹跟踪 控制是必需的；当要求机器人以个期望的速度跟踪一条由几何参数给出的路 径时，路径跟踪控制是合适的。己有的轨迹跟踪方法在数学上很精致，并且得 到许多有意义的结果，但对于设计跟踪控制器来说，并不是最好的方法。在传 统的自动化应用中，常常采用基于几何路径跟踪概念的方法，控制器的设计更 与人的直觉接近，并且简单、易于实现。 势场法的四个缺陷： ( 1 ) 由于局部极小，存在陷阱情况； ( 2 ) 在相近障碍物之间不能发现路径： ( 3 ) 在障碍物面前振荡； ( 4 ) 在狭窄通道中摆动。 针对势场法的缺陷，很多学者提出了改进方法。v 0 1 p e 和k h o s l a 提出了建立 势场所必需遵循的一些原则，并根据这些原则建立了超几次势场。该法可以消 除局部极点并能使环境中的势场及势场梯度保持连续性。h w a n g 提出将障碍物分 解为线性边界围成的区域，建立了势场函数。不过，这些方法克服了远处障碍 物的极点，但近处的极点依然存在。目前，有关势场法的各种改进措施，仍在 研究之中。不管改进的结果如何，在某些情况下，比如环境中障碍物不多且形 状比较规则，采用势场法仍不失为一个好的选择。 用栅格法( g r i dm e t h o d ) 表示格子环境模型中存在障碍物的可能性的方法起 源于美国c m u 大学，栅格法将机器人工作环境分解成一系列具有二值信息的网 格单元，多采用四叉树或八叉树表示工作环境，并通过优化算法完成路径搜索。 该法以栅格为单位记录环境信息，环境被量化成具有一定分辨率的栅格。每个 栅格内用一个确定值c v ( i ，j ) 来表示存在障碍物的信度。c v ( i ，) 越高，表示该 栅格存在障碍物的信度越大。栅格的大小真接影响着环境信息存储量的大小和 规划时间的长短。栅格划分大了，环境信息存储量小，规划时间短，但分辨率 下降，在密集环境下发现路径的能力减弱；栅格划分小了，环境分辨率高，在 密集环境下发现路径的能力强，但环境信息存储量大，规划时间长。 j h o l l a n d 在6 0 年代初提出了遗传算法，以自然遗传机制和自然选择等生物 进化理论为基础，构造了一类随机化搜索算法。它利用选择、交叉和变异来培 养控制机构的计算程序，在某种程度上对生物进化过程做数学方式的模拟。它 不要求适应度函数是可导或连续的，而只要求适应度函数为正，同时作为并行 算法，它的隐并行性适用于全局搜索。多数优化算法都是单点搜索算法，很容 易陷入局部最优，而遗传算法却是种多点搜索算法，因而更有可能搜索到全 局最优解。由于遗传算法的整体搜索策略和优化计算不依赖于梯度信息，所以 解决了一些其它优化算法无法解决的问题。但遗传算法运算速度不快，进化众 多的规划要占据较大的存储空间和运算时间：基于实时传感信息的模糊逻辑算 法参考人的驾驶经验，通过查表得到规划信息，实现局部路径规划。该方法克 服了势场法易产生的局部极小问题，适用于时变未知环境下的路径规划，实时 性较好。 移动杌器人的运动控制包括基于路径规划的移动机器人路径跟踪控制和基 于传感器一执行器直接映射的运动控制，即反应式导航控制。大量研究表明， 反应式导航方法是提高移动机器人在未知环境下的实时性和灵活性的重要手 段。目前已提出多种移动机器人反应式导航方法，如模糊逻辑方法、神经网络 方法等。但已有方法往往要求较多的先验知识，如何构造和优化移动机器人的 反应式导航控制器以及提高导航系统对未知环境的适应性，是有待解决的关键 问题。近年来，利用基于动态规划的增强学习方法解决上述问题，已成为人工 智能和机器人学领域的研究热点，进一步的工作需要对增强学习梯度算法的局 部极值以及算法的学习效率和泛化性能进行深入研究。 1 3 3 移动机器人跟踪控制技术 移动机器人跟踪控制分为位置跟踪和位姿跟踪。位置跟踪较为简单，可以 通过一些经典非线性控制方法进行控制，如l y a p u n o v 方法、静态反馈线性化等。 位姿跟踪根据参考路径是否依赖于时间变量可分为路径跟踪和轨迹跟踪，前者 参考点独立于时间变量，而后者参考点依赖于时间变量。 如果只要求移动机器人能够精确跟踪规划出的路径，而对于何时到达何地 并没有要求。就是路径跟踪问题。路径跟踪中的关键是确定期望参考点。 b a u m g a r t n e r 矛0 用正交分解法实现路径跟踪，切向误差用于确定当前时刻的期望 位置，法向误差用于确定控制量。s a m s o n 贝l j 将模型参数化，以移动机器人上的 参考点在期望路径上的投影作为期望参考点。这些期望参考点的选择都带有人 为因素，将对控制性能产生影响。为此，人们又寻求不需要人为选择期望参考 点的输出反馈线性化控制。 轨迹跟踪问题一般通过控制移动机器人跟踪虚拟参考移动机器人来实现。 基于l y a p u n o v 方法可以设计稳定的控制律，并可根据移动机器人的线性化 ( p s e u d o l i n e a r i z e d ) 系统确定控制参数。静态反馈线性化方法能实现机器人位置 跟踪，但却不能满足位姿跟踪的要求。在实际应用中，移动机器人还要受到路 径约束，且驱动电机的力矩也是受限的。以上方法都是根据线性化的思路设计 控制律，系统只具有局部稳定特性。 1 4 研究内容简介 本文对移动机器人的行为进行分类，详细分析了a g v 导航系统的基本行 为，并建立了避障行为、目标跟踪行为、沿墙壁行驶行为和紧急停止行为的模 糊规则。在此基础上，构建基于多传感器的行为融合的导航系统，并用模糊神 经网络对上述规则进行学习。研究的主要内容如下： l 、讨论了机器人的传感器技术，多传感器类型的选择，并分析了文中所用 传感器的工作原理、使用方法以及注意事项； 2 、以a g v 作为研究对象，介绍a g v 模型结构及传感器分布情况；以这些传 感器为基础，对多传感器获得的环境信息进行融合； 3 、本文把模糊系统和神经网络技术相结合应用于a g v 的避障导航系统。介 绍了模糊神经网络技术，其中包括模糊神经网络的概念、模糊推理控制器的设 计、a g v 导航行为的分解及子行为的模糊神经网络推理器的设计； 4 、对a g v 导航过程中的每个子行为规则进行网络学习，实现以模糊神经网 络为基础的行为融合，最终实现了移动机器人的智能导航。 5 、在m a t l a b 环境下，对避障、目标跟踪、沿墙壁行驶、紧急停车子行为 的模糊神经网络控制器，利用仿真软件编程实现a g v 导航，通过对仿真结果的 分析得出仿真结论，从而验证控制方法的有效性和可行性。 由于移动机器人是一个多功能、多任务的智能系统，在实际应用中，必须 综合考虑各种功能，这是一个涉及机械、电子、计算机、自动化、物理学等多 学科的跨学科的课题，任何新技术的出现都可能对该领域的研究带来突破性进 展，因而在机器人研究的同时，必须密切关注相关学科的发展。 第二章多传感器信息融合 2 1 机器人传感器技术及分类 机器人传感器是2 0 世纪7 0 年代开始发展起来的一类专门用于机器人技术 方面的新型传感器。机器人传感器和普通传感器工作原理基本相同，但又有其 特殊性。 机器人的感觉传感器种类较多，这里简要介绍几种传感器。 视觉2 0 世纪5 0 年代后期出现，发展十分迅速，是机器人中最重要的传 感器之一。机器人视觉的作用是从三维环境图像中获得所需的信息并构造出观 察对象明确而有意义的描述。机器视觉包括三个过程：图像获取、图像处理和 图像理解。图像获取通过视觉传感器将三维环境图像转化为电信号；图像理解 则在处理的基础上给出环境描述。目前常用的视觉传感器是c c d 摄像头，并在 智能机器人的导航中起着重要的作用。总的来说，对于机器人视觉的各种技术 而言，图像处理技术己相对发达，而基于图像的理解技术还比较落后，另外要 实现机器人的实时控制，需要对视觉传感器所获取的信息能够进行快速处理， 从而对处理器也提出了较高的要求。 力觉