（光学工程专业论文）自动引导车的智能导航与控制研究.pdf

自动引导车的智能导航与控制研究摘要近年来，国内外对自动引导车的研究越来越广泛。( 但是，比较成熟的研究是在自动引导车的路径跟踪方面；在导航方面，虽然已有很多文献提出各种方法，但是还存在很多应用条件上的限制，如：在复杂动态环境中如何避碰、如何提高自动引导车的灵活性与安剑生如何运用信息融合技术来提高自动引导车的跟踪精度等。鉴于以上原因：j 本文以前轮转向后轮驱动的四轮自动引导车为研究对象，建立了自动引导车的运动学和动力学模型，提出了基于安全度评判的智能导航方法和基于模糊神经网络的智能控制方法，并将该导航与控制方法分别应用运动学和动力学模型进行了仿真研究。f 在跟踪方面，本文提出了将被跟踪路径分成若干微小线段，应用以微小直线段代替曲线的方法，然后分段跟踪，并给出了这种方法的稳定性证明，仿真结果证明了其有很好的跟踪效果。最后，本文还应用数据融合方法对自动引导车的状态进行估计，比较了对自动引导车的状应用融合技合技术的自仿真结果显示了内，与不使用融结果的正确性，本文还对所研究的内容进行了实验，实验结果与仿真结果基本一致，从而进一步证明了本文所提出的导航、控制、数据融合等方法的正确性。关键词：型号车曼堕燮。照裹t h er e s e a r c ho f1 n t e l l i g e n tn a v i g a t l 0 na n dc o n t r o lo fa na u t o n 【a t i cg u i d e dv e h i c l ea b s t r a c ti nr e c e n ty e a r s ，m a n yp e o p l eh a v er e s e a r c h e do na g v( a u t o m a t i cg u i d e dv e h i c l e ) i nm a n ya s p e c t s b u tt h ee m p h a s i so ft h e i rr e s e a r c hi st r a j e c t o r yt r a c k i n go rp a t hf o l l o w i n g o nn a v i g a t i o n ，t h o u g hs o m ep a p e r sh a v ep r o p o s e daf e wm e t h o d s ，t h e s em e t h o d sh a v em a n yr e s t r i c t i o n si na p p l i c a t i o n s u c ha sh o wt oa v o i dc o l l i s i o ni nad y n a m i ce n v i r o n m e n t ，h o wt oi m p r o v et h es a f e t ya n da g i l i t y , h o wt oi m p r o v et h ep r e c i s i o no fn a v i g a t i o nu s i n gd a t af u s i o nt e c h n o l o g y ，e t c f o rt h es a k eo fa f o r e m e n t i o n e dr e a s o n s i nt h i sp a p e rit a k et h ec a r l i k ea g va sm yr e s e a r c ho b j e c t ，a n dp r o p o s ean e wn a v i g a t i o nm e t h o db a s e do ns a f e t y m e a s u r ea n dan e wi n t e l l i g e n tc o n t r 0 1m e t h o db a s e do nf n n ( f u z z yn e u r a ln e t ) f u r t h e r m o r et h e s en a v i g a t i o na n dc o n t r o lm e t h o d sa r ea p p l i e dt ok i n e m a t i cm o d e la n dd y n a m i cm o d e li ns i m u l a t i o nt ov e r i f yt h e s em e t h o d sh a v em a n yf i n ep e r f o f i n a n c e s a n dia l s op r o p o s ead e wm e t h o do f t r a c k i n gc o n t r 0 1 t h i sm e t h o dd i v i d e sd e s i r e dt r a j e c t o r yi n t om a n yp i e c e sa n df o l l o w st h ep i e c e so n eb yo n e w i t ht h em e t h o d ，t h ec a l c u l a t i o no fc u r v a t u r eo ft r a c k i n gt r a j e c t o r ya n dc o m p l e xc a l c u l a t i n gp r o c e s sc a nb ea v o i d e d ，a n dt h ep e r f o r m a n c eo fr e a l t i m ea n dp r e c i s i o nc a nb ei m p r o v e d a tl a s t ，t h ep a p e rp r o p o s e sam e t h o do ff u s i n gt h ei n f o r m a t i o no fr e l a t i v el o c a t i o na n da b s o l u t el o c a t i o nf o ra na gv ，w h i c hh a sg o o dp e r f o r m a n c eo fh i g hm e a s u r i n gp r e c i s i o n s i m u l a t i o nr e s u l t sd e m o n s t r a t et h a tt h ea g vt h a tu s et h ed a t af u s i o nm e t h o dh a sl e s se r r o ro fp a t hf o l l o w i n gt h a nt h eo n et h a td o e sn o tu s et h ed a t af u s i o nm e t h o d i no r d e rt ov e r i f yt h ec o r r e c t n e s so ft h ei d e a sp r o p o s e di nt h i sp a p e r ，w em a d e s o m ee x p e r i m e n t s ，a n dt h er e s u l t sa r ec o n s i s t e n tw i t ht h o s eo fs i m u l a t i o n ，s ot h ec o r r e c t n e s so fo u i ri d e a sj sv e r j f i e d ，k e yw o r d s ：a u t o m a t i cg u i d e dv e h i c l en a v i g a t i o nc o n t r o ls i m u l a t i o ns t u d y插图清单图1 1 功能性控制结构6图卜2 行为性控制结构6图2 一l 自动引导车模型1 0图2 2 自动引导车相对障碍物的距离、速度和方向1 2图2 3 模糊神经网络结构1 3图2 - 4 小车运动时期望的车身转角口1 5图2 5 自动引导车的导航与控制系统结构1 6图2 6 初始时目标点在小车后方时的运动轨迹i 7图2 7 小车检测到个障碍物时的运动轨迹1 7图2 8 小车在前进遇障碍物而倒车时的运动轨迹1 7图29 小车在穿越狭缝寻找目标点的运动轨迹1 8图2 一1 0 小车在同时检测到静态与动态障碍物时运动轨迹1 8图2 1 1 小车在检测到前方动态障碍物时运动轨迹1 8图2 1 2 小车在检测到后方动态障碍物时运动轨迹1 9图2 1 3 小车在一包围圈中，目标点在包围圈外面与出口相反方向时运动轨迹1 9图3 一l 自动引导车的运动状态2 2图3 2 控制系统的框图2 2图3 3 小车驶向一目标点时的几何关系2 4图3 4 稳定区域分析2 5图3 5l p f 大于詈时小车的运动状况2 6图3 6 a 参考路径为r = 1 0 s i n 伍力圳+ c o s 阮倒时的跟踪轨迹2 7图3 6 b 跟踪轨迹的误差2 8图3 7 a 参考路径为直线时的跟踪轨迹2 8图3 7 b 参考路径为直线时的跟踪误差图3 8 a 参考路径为圆时的跟踪轨迹图3 8 b 参考路径为圆时的跟踪误差一图3 9 a 参考路径为方波形时的跟踪轨迹图3 9 b 参考路径为方波形时的跟踪误差图4 l 小车所处的坐标系图4 2 融合方法图4 3 跟踪直线时的结果( k 。，= 0 5 m s ，e 。= 4 ) 图4 - 4 跟踪直线时误差曲线( k ，= o 5 m s ，e 。= 4 ) 图4 5 跟踪直线时的结果( k = l m s ，e 。= 4 ) 图4 - 6 跟踪直线时误差曲线( k = l m s ，e 。= 4 ) 图4 7 跟踪曲线时的结果( k = o 5 m s ，e 。= 4 ) 图4 8 跟踪曲线时误差曲线( k 卅。，= 0 5 m s ，e 。= 4 ) 图4 - 9 跟踪曲线时的结果( k = l m s ，e 。= 4 ) 图4 1 0 跟踪曲线时误差曲线( k 。= l m s ，e 。= 4 ) 图4 - 1 l 跟踪直线时的结果( k = o 5 m s ，e 。= 8 ) 图4 1 2 跟踪直线时误差曲线( k = o 5 m s ，e 。= 8 )图4 1 3 跟踪直线时的结果( k ，= l m s ，e 。28 ) 图4 1 4 跟踪直线时误差曲线( k = l m s ，e 。28 ) 图4 1 5 跟踪曲线时的结果( k = 0 5 m s ，e 。28 ) 图4 1 6 跟踪曲线时误差曲线( k = o 5 m s ，e 。28 )图4 一1 7 跟踪曲线时的结果( k = l m s ，e 。28 ) 图4 1 8 跟踪曲线时误差曲线( k = l m s ，e 。= 8 ) 图5 一l 自动引导车模型图5 2 小车的运动状态2 82 9鳕弛m【昌踮弘卯盯盯弛嬲曲姆铊“_| =_-_-_图5 - 3 模糊神经网络结构图5 - 4 控制系统结构框图图5 5 自动引导车绕过一静态障碍物安全驶向目标点图5 6 前轮侧向力随时间的变化曲线图5 7 后轮侧向力随时间的变化曲线图5 8 前轮切向力随时间的变化曲线图5 - 9 后轮切向力随时间的变化曲线图5 1 0 转角随时间的变化曲线图5 1 l 自动引导车避开一动态障碍物安全驶向目标点图5 1 2 前轮侧向力随时间的变化曲线图5 13 后轮侧向力随时间的变化曲线图5 1 4 前轮切向力随时间的变化曲线-图5 一1 5 后轮切向力随时间的变化曲线图5 一1 6 转角随时间的变化曲线图6 1 程序主界面图6 2 仿真模型选择界面图6 3 运动学仿真内容选择界面图6 4 路径跟踪的参考路径选择界面图6 5 研究信息融合时参考路径选择界面图6 6 运动学仿真主要参数界面图6 7 动力学仿真主要参数界面一图6 - 8 自动引导车行驶环境仿真界面( 一) 一图6 - 9 自动引导车行驶环境仿真界面( 二) 图6 1 0 自动引导车行驶环境仿真界面( 三) 图71控制自动引导车驶向预定目标点实验程序流程图图7 2 a 自动引导车遇到一圆形障碍图7 2 b 自动引导车正在避开圆形障碍物图7 3自动引导车跟踪控制实验程序流程图诣钉哟罨；芎；唧吲吲蜘也也号；螂弱弱弱号；哪雩；鼍弓嘲蜘哪州蜘也螂_-_-_一_一_一一一_一_一一一一一一一一一一一一一一一一一一一一一一一一一一一一一一图7 4 a图7 4 b图7 5 a图7 5 b图7 - 6 a图7 6 b图7 - 7 a图7 7 b自动引导车跟踪方波形曲线( 遇到拐角)自动引导车跟踪方波形曲线( 越过拐角)自动引导车跟踪圆形曲线( 刚接近参考路径自动引导车跟踪圆形曲线( 沿着参考路径平稳行驶) 对方波形参考路径仿真与实验的跟踪轨迹对方波形参考路径仿真与实验的跟踪误差对圆形参考路径仿真与实验的跟踪轨迹对圆形参考路径仿真与实验的跟踪误差刚州科螂哂髑_表格清单表3 一l 跟踪不同参考路径的1 0 0 米平均距离误差表5 一l 输出速度调节系数的模糊状态表表5 2 输出转角调节系数的模糊状态表表7 1 自动引导车导航实验记录表7 2 自动引导车的路径跟踪试验记录啪钉观致谢在这里，我首先要感谢我的导师陈无畏教授，王启瑞和范迪彬副教授对我的课题所做的指导。如果没有他们严谨的指导，我的论文和课题就不可能顺利地完成。在完成论文期间，我的导师们毫无保留地将他们的知识教授给我，使我收益匪浅。可以说，导师们对科学研究兢兢业业、一丝不苟的敬业精神是我学习的榜样。是他们谆谆教诲我如何去做科学研究，是他们让我体会到了做科学研究的真正意义和价值。他们不仅是传授我科学技术知识的导师，同时还是教授我人生观、价值观的良师益友。是他们帮助我去认识社会，适应新生活。对此，我再次向他们表示诚挚的感谢。我还要感谢我的父母和姐姐，他们给我精神上的鼓励和物质上的支持，没有他们对我的无私奉献，我不可能顺利完成课题的研究和论文的写作。亲人们的这种关怀和帮助是我学习和工作的动力源泉。最后要感谢我的同学朱婉玲、钱德猛、关柯、朱钟奎、姚成、王悦、许化东、李岩、杜吉祥、钱叶剑、徐涛、张乐、何传波、陈曾胜在我的课题研究和论文写作期间给我的帮助。同时还要对我的师兄李伟及师弟蒋浩丰、黄森仁表示感谢。向所有关心爱护我的人们表示我中心的谢意!第一章绪论自动引导车( a g v ) 也叫移动机器人( m o b i l er o b o t ) 1 1 1 。它能够根据给定的起点和终点，在无人干预的条件下，实现自动避开障碍物，自动寻找可行路径，安全驶向指定的目标，从而完成各种各样给定的任务1 2 1 。1 1 自动引导车的用途自动引导车可以作为其它设备的安装平台或直接用于工厂运输以提高生产效率，降低成本，如自动仓库、柔性加工生产线、柔性装配线等；在恶劣环境下，更能发挥其特有的优势，如在化学毒物或放射性环境下运输。此外可以应用于野外探险，救火、救灾现场等1 3 1 。1 2 自动引导车研究的意义目前在工业上应用的9 0 以上的机器人，都不能称为具有智能。随着工业数量的快速增长和工业生产的发展，对机器人的工作能力也提出了更高的要求，特别是需要各种具有不同程度智能的机器人和特种机器人。这些智能机器人，可在凹凸不平的地面上行走移动；具有视觉和触觉功能，能够进行独立操作、自动装配和产品检验；具有自主控制和决策能力，这些智能机器人还应用许多最新的智能技术，如临场感技术、虚拟现实技术、多智能体技术、人工神经网络技术、遗传算法和遗传编程、仿生技术、多传感器集成技术和融合技术以及纳米技术等。自动引导车作为特种机器人的一种，它可以集成如视觉和触觉技术、自主控制和决策技术、临场感技术、多智能体技术、人工神经网络技术、遗传算法和遗传编程、仿生技术、多传感器集成技术和融合技术等许多最新的智能技术，可以完成很多高智能工作，使用范围很广。我国也已经把自动引导车列入国家高技术计划，足以证明政府有关部门对发展自动引导车的高度重视。经过近1 5年的努力，我国的自动引导车的研究与开发已取得丰硕成果i ”。现在国内已经有了些自动引导车的系列产品：s i a a g v 系列自动引导车，有运货型和装配型两大品牌，其引导方式是由贴放在车行驶地面上的磁导引线引导的。车体下面的电磁传感器感应出车体偏离导线的差值，对车体的左右运动进行校f 。对装配型a g v ，可在装配主体上安装光信号，a g v 上的光电传感器接收到这一信号，可对活动目标的位置和速度进行跟踪，以实现a g v 与装配线装配主体的同步运动。控制站通过双向信号联络可对多台a g v 进行统一调度控制。a g v 在结构上采用4 轮双驱动分别驱动，可实现车的前进、后退和转弯及调整左右偏摆的运动。车上有升降机构，其上是人工操作的滚动平台，可实现平面和回转运动。车体前后都设有保险杠和行程终点保护等装置。p x j 一2 型排险机器人。此排险机器人是有线遥控型，遥控距离为l o o m ，最高运动速度为3 0 m m i n ，可前进、后退、原地转弯和上下4 0 0 左右的楼梯或斜坡，跨越2 5 4 0 c m 高的障碍、5 0 c m 宽的壕沟。行走机构可携带1 2 只操作能力为8 2 0 k g 的机械手。其上的两台c c d 摄象机在一个两自由度云台上可进行现场观测。1 3 自动引导车的特点、结构与分类1 3 1 自动引导车的特点通用性和适应性是自动引导车的两个主要特征。1 3 1 1 通用性自动引导车的通用性( v e r s a t i l i t y ) 不象传统工业机器人取决于其几何特性和机械能力，而主要是取决于它的高度智能性。自动引导车的通用性指的是某种执行不同的功能和完成多样的复杂任务的实际能力。通用性也意味着，自动引导车具有可变的结构，即根据生产任务需要进行变更的几何结构；或者说，在结构上允许机器人执行不同的任务或以不同的方式完成同一工作。自动引导车的通用性与其具备的智能性直接相关。自动引导车安装的传感器种类越多，它对周围环境感知的信息越多，其所能做出的判断越多，智能性越强，通用性越好”i 。i 3 1 2 适应性自动引导车的适应性( a d a p t i v i t y ) 是指其对环境的自适应能力，即所设计的自动引导车能够自我执行未经完全指定的任务，而不管任务执行过程中所发生而没有预计到的环境变化。这一能力要求自动引导车认识其环境，即具有人工知觉。在这方面，自动引导车使用它的下述能力：( 1 ) 运用传感器检测环境的能力；( 2 ) 分析任务空间和执行操作规划的能力；( 3 ) 自动指令模式能力。迄今为止所开发的自动引导车知觉与人类对环境的解释能力相比，仍然是十分有限的。这个领域内的某些重要研究工作正在进行之中。1 3 2 自动引导车的结构自动引导车主要有轮式和履带式两种【“。1 3 2 1 轮式自动引导车轮式自动引导车有：( 1 ) 三轮式两轮为驱动轮，一轮为万向轮，行驶中靠两驱动轮的转速差实现转向。( 2 1 四轮式此机构也称c a r 1 i k e 结构 4 i 。此自动引导车前两轮为转向轮，驱动方式可以是前轮驱动或后轮驱动也可以是四轮驱动。( 3 ) 多轮式多轮式自动引导车，主要应用其变结构功能，根据环境的变化实时地控制各轮的转速和转向，从而使其能够翻越障碍物。1 3 2 2 履带式自动引导车主要有变结构和不变结构【“。变结构履带式自动引导车可以利用其结构的变化，从而在行驶中能够象蛇一样穿过不平路面或翻越障碍物。不变结构履带式自动引导车主要用于附着条件比较差的场合，如农场、沙漠等。1 3 3 自动引导车的分类按行驶方式，自动引导车可分为：( 1 ) 轮式自动引导车此种自动引导车以车轮方式行驶。( 2 ) 履带式自动引导车此种自动引导车以履带方式行驶。按引导方式，自动引导车可分为：( 1 ) 有参考路径的自动引导车此种自动引导车根据外面的路标( 如磁性路标、色带路标等) 或计算机程序中设定的路径进行导航，于是自动引导车的行驶就变成对给定路径的跟踪1 5j 。( 2 ) 无参考路径的自动引导车此种自动引导车能够对环境的变化作出智能反应，在行驶中实时地产生新的路径以适应环境的变化，最终达到设定的目标位置i 扪。1 4 自动引导车的研究概况近年来，国内外对自动引导车的研究越来越广泛。如美国加利福尼亚大学的s u k h a nl e e 和g e o r g ek a r d a r s 等人用神经网络进行全局避碰路径规划：美国m i d d l e b u r y 大学的a m yj b r i g g s 和d a n i e ls c h a r s t e i n 等人用自相似路标( s e l f - s i m i l a rl a n d m a r k s ) 对移动机器人导航i ”；加拿大b r i t i s hc o l u m b i a 大学的p s a e e d i 、p l a w r e n c e 和d l o w e 设计出一种基于视觉传感器的路径跟踪方法，此方法可以在自然环境中进行三维目标跟踪1 9 】；韩 雪a j o u 大学的k y u nj u n g等人在t u r e n n o u t l 2 4r 和y o s h i n d b u l 2 5 等人在提出的几种依墙算法( w a l l f o l i o w i n ga l g o r i t h m ) 基础上，设计出一种能有效选择行驶方向的依墙算法1 1 0 l ；韩国p o s t e c h大学的s u n g o nl e e 提出一种适用于轿车模型的机器人( c a r 1 i k er o b o t ) 停靠方法j ；法国p o i t i e r s 大学的g a b r i e lr a m i r e z 和s a i dz e g h l o u i 设计出适用于不完全约束移动机器人在障碍环境中的路径规划与控制方法i “l ；新加坡南洋工业大学的b i nq i n 等人提出一种轿车模型移动机器人跟踪路径的产生方法1 1 3 1 ：日本t s u k u b a 大学智能机器人实验室的t e r u k oy a t a 、a k i h i s ao h y a 和s h i n i c h iy u t a 提出用全方位声纳与全方位的视觉信息融合进行环境识别的方法i “i ：加拿大的s t e r g i o si r o u m e l i o t i s l t a n d 和g e o r g ea b e k e y 提出用分散式卡尔曼滤波器对多移动机器人进行集成定位| l ”；德国j r e u t e r 、t u 。b e r l i n 等人提出用p d a b ( p r o b a b i l i s t i cd a t aa s s o c i a t i o nu s i n gb a y a i a nf o r m a l i s m ) 法让移动机器人自定位( s e l f _ l o c a l i z a t i o n l 1 6 1 ；摩洛哥的h m e d r o m i 和法国的e z a a f r a n i 、a e i h a s s a n i 、m c t h o m a s 等人设计出基于数据融合方法的智能控制结构1 1 7 1 ；德国b r a u n s c h w e i g 工业大学的a n d r e a ss i m o n 和j a nc b e c k e r 设计了一种车辆导航系统，此系统包括路径产生、运动规划和传感器的信息融合等| 1 8 i 。国外自动引导车现已广泛地应用于柔性生产线，农业耕作，矿藏寻找，有毒车间的物品运输等。国内，清华大学的袁曾任、马兆青提出用栅格法解决运动障碍物环境中的导航与避碰问题i6 j ：中南工业大学的蔡自兴、周翔设计了基于功能行为集成的移动机器人进化控制体系结构悼i ：国防科技大学的沈林成等人研究了面向自动引导车辆导航的地理信息系统的建立问题【1 9 1 ：上海交通大学的林良明、颜国正对移动机器人的导航控制等问题进行了比较深入的研究1 2 0 l ；长春光学精密机械学院的谷东兵、宋正勋等人介绍了基于多传感器结构的移动机器人局部路径规划与控制系统口l i ；沈阳工业大学的周明、孙茂相、王艳红和中国科学院沈阳自动化研究所的尹朝万等人描述了多移动机器人分布式智能避撞规划系统| 2 2 l ；中国科学院沈阳自动化研究所已经研究开发出工业智能机器人，并将这种具有动态跟踪、自动对位提升功能的机器人用于一汽轿车的“红旗世纪星”和柳州微型汽车厂总装生产线上，提高了企业柔性自动化水平；清华大学、中国科学技术大学、东j e 大学、哈尔滨工业大学、国防科技大学、广东大学等多所高校都参加过移动机器人的实物或仿真的足球比赛。由此可以看出国内在此领域的研究正方兴未艾。虽然国内外的研究已经是硕果累累，但移动机器人所能达到的智能化和自主化水平还比较低，还远未达到实用化程度，不少方面还需要改进和完善。如怎样提高自动引导车全局位置的测定精度，虽然在自动引导车路径上做标志( 1 a n d m a r k ) 是一种比较可行的方法，但这样会限制车辆的适用范围和灵活性。在复杂动态环境中如何避碰，文献 1 0 】提出的依墙算法( w a l f o l l o w i n g ) 只能解决静态的避碰问题；袁曾任等人提出的栅格法，虽然能解决动态避障问题，但其只给出了障碍物的位置预测，没有给出运动障碍物运动方向和速度信息，而且此方法是根据扇区对车体进行控制的，若出现机器人在只有一个出口的胡同里，而目标确在出口反方向，机器人将找不到候选扇区而停下来。如果自动引导车用于复杂的陌生环境中，需要使用多个传感器，如何对大量的信息进行融合和实时处理等，都是需要解决的问题。1 5 移动机器人研究中的关键技术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汽车功能，而且还具有任务分析、路径规划、路径跟踪、信息感知、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，室外移动机器人可以看作是由机械装置、行为控制器、知识库及传感器系统组成的相互联系、相互作用的复杂动态系统。室外移动机器人的研究涉及机械、控制、传感器、人工智能等技术，但主要集中在若干关键技术的研究与突破，这些关键技术主要包括机器人控制体系结构、路径规划与车体控制技术、车体的定位系统、机器人视觉信息的实时处理技术以及多传感器信息的集成与融合等i ”i 。1 5 1 移动机器人控制体系结构的研究移动机器人控制体系结构是实施控制的策略与方法。目前采用的体系结构主要有功能式( 水平式) 结构和行为式( 垂直式) 结构以及混合式结构、功能式结构如图l l 和行为式结构如图1 2 所示。功能式结构以c m u 的n a v l a b 系统和r o v e r 系统为典型代表i ”，它根据信息的流向及行为功能，将机器人的控制过程分解成不同的功能模块，这些功能模块组成了十条闭环链，信息流由环境经传感器进入，经规划决策处理后再经由执行机构返回环境，从而实施控制行为。功能式结构的优点是系统构造层次清晰、模块功能易执行，并且较易实现高层次的智能行为，缺点是在系统的每一控制行为都必须经过感知建模一规划一执行等各模块，延时长，实时性差；另外，由于各模块串行连接，其中任一模块的故障直接影响整个系统的功能。图卜1 功能性控制结构图1 2 行为性控制结构根据移动机器人的行为功能构造控制体系结构，称为行为式结构。它将机器人行为的感知、规划、任务执行等过程封装成一个行为模块，例如将机器人的行为分为停车、跟踪、漫游、避障等行为功能模块，每一行为实现传感器信息与机器人动作间的一种映射，某一时刻，只有一种行为控制车体，机器人的最终行为由各行为模块之间的竞争实现，这种控制结构的优点是易于实现实时控制，系统可靠性比较高；但由于各行为模块之间是松散连接，难于实现高层次的智能控制，这种控制方法的典型代表是b r o o k s 的包容式结构，清华大学t h e i rn i 的控制即采用此结构。针对上述两种体系结构的特点，研究人员提出了不少改进措施，较典型的是o x f o r d 的h s h u 提出的混合结构，它主要由低层反馈控制级和高层智能级构成。高层的命令可以传往下层，车体信息也可由下层传往上层，这种方法既保证了系统的实时性又具有较高的智能级。1 5 2 机器人视觉信息的实时处理技术机器人视觉系统正如人的眼睛一样，是机器人感知局部环境的重要“器官”，同时依此感知的环境信息实现对机器人的导航。机器人视觉信息主要指二维彩色c c d 摄像机信息，在有些系统中还包括三维激光雷达采集的信息。视觉信息能否正确、实时地处理直接关系到车体行驶速度、路径跟踪以及对障碍物的避碰，对车体的实时性和鲁棒性具有决定性的作用，视觉信息的处理技术是室外移动机器人研究中最关键的技术之一。目前视觉信息处理的内容主要包括：视觉信息的压缩和滤波、道路检测和障碍物检测、特定交通道路标志的识别、三维信息感知与处理，其中道路检测和障碍物检测是视觉信息处理中最重要的过程，也是最困难的过程。视觉信息的获取是局部路径规划和导航的基础，道路检测的成功与否决定了机器人能否正确识别当前的道路环境，能否正确作出局部路径规划并执行路径跟踪，为了简化视觉信息处理，降低开发难度，通常把室外移动机器人的工作环境分为结构化道路环境和非结构化道路环境，结构化道路的检测相对来说较易实现，其检测技术一般都以边缘检测为基础，辅以h o u g h 变换、模式匹配等，并利用最小二乘法处理对应于道路边界的线条，得出道路的几何描述，由于非结构化道路的环境复杂、特征描述困难，使得非结构化道路的检测及信息处理复杂化。目前对非结构化道路的检测主要采用三种方法：边缘抽取法、阈值法和分类法，障碍物检测原理与道路检测原理差不多，但其重点是对障碍物位黄和大小的描述。1 5 3 车体的定位系统移动机器人的准确定位是保证其_ i 】三确完成导航、控制任务的关键之一。目前室外移动机器人常用的定位方法有g p s 、光码盘、惯性陀螺、磁罗盘、路标匹配、广义路标匹配等。上述每一种方法均各有优点及局限性，因而移动机器人实际常将几种方法结合使用，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。如c m u 的r a n g e r 系统中使用了光码盘、惯性陀螺和g p s 等定位技术。清华机器人t h m r v 采用了g p s 、光码盘和磁罗盘等定位技术，在进行局部路径规划和导航时，以光码盘和磁罗盘定位为主，在全局路径规划和导航时，利用g p s 定位对光码盘磁罗盘定位所产生的累积误差进行修正，从而保证了t h m r v 的定位系统精度和可靠性。1 5 4 基于多传感器的信息融合技术室外移动机器人在行驶时，必须持续不断地感知周围环境信息及自身状态信息，由于室外移动机器人工作环境的复杂性、机器人自身状态的不确定性和单一传感器的局限性，只靠一种传感器难以完成对外部环境的感知。为完成在复杂、动态及不确定性环境下的自主性，机器人通常装有多种传感器，如c m u的n a v l a b 和7 b 8 机器人上都装有彩色摄像机、超声、激光雷达定位等多种传感器，在t h m r v 上集成了彩色摄像机、超声定位传感器。多传感器信息融合是指将多个或多种传感器所提供的环境信息进行集成处理，形成对外部环境特征的统一表示，经过集成处理的多传感器信息融合了信息的互补性、信息的冗余性、信息的实时性和信息的低成本性，因而能比较完整地、精确地反映环境特征，多传感器信息融合的常用方法有：加权平均、贝叶斯估计、卡尔曼滤波、d e m p s t e r - - s h a r e r 证据推理、模糊推理以及人工神经网络等等。1 5 5 路径规划技术与车体控制技术车体控制是室外移动机器人的根本目的与核心技术，而路径规划是移动机器人导航与控制的基础，室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。首先，它要理解给定的任务，作出全局路径规划，并在机器人行驶过程中，通过传感器系统不断感知周围环境信息和自身状态信息，对这些进行融合处理，作出局部路径规划，为移动机器人规划出一条无障碍物、可通行的路径，然后生成驾驶命令控制车体沿着该路径行驶。全局路径规划的任务是根据全局地图数据库信息规划出自起始点至目标点的一条无碰撞、可通过的路径。目前正在研究的有准结构化道路环境多种约束条件下的路径规划技术，自然地形环境下的路径规划技术，以及机器人在行驶过程中遇到突发事件时的重规划技术等。由于全局路径规划所生成的路径只能是从起始点到目标点的粗略路径，并没有考虑路径的方向、宽度、曲率、道路交叉以及路障等细节信息，加之移动机器人在行驶过程受局部环境和自身状态的不确定性的影u 向，会遇到各种各样不可预测的情况。因此，在移动机器人的行驶过程中，必须以局部环境信息和机器人自身状态信息为基础，规划出短程内一段无碰撞的理想局部路径。这就是局部路径规划，通常的方法有空间搜索法、基于融合数据的直接规划法、层次性感知一动作行为法、势场域法、占据栅格图法、模糊逻辑法和神经网络法等。车体控制的任务是根据局部规划的结果和当前的车体位置、姿态、车速等信息等作出自主决策，并向机械装置发出驾驶命令，目前研究的内容主要集中在车体模型和车体控制算法，常用的控制算法有最优控制算法、p i d 路径跟踪算法、预瞄控制算法、预测控制算法、模糊控制算法和神经网络控制算法等等，实际控制时，通常是采用多种算法综合，以达到最佳控制效果。1 6 本文所研究的主要内容及意义针对现有自动引导车研究成果和所存在不足以及自动引导车研究中所要解决的关键技术的分析，本文主要的研究内容如下：( 1 ) 提出了一种可适应复杂环境，实时性强，鲁棒性好的自动引导车导航和控制系统，此系统集成了自动引导车的多个功能并采用在弧线上找点的方法进行导航。采用此系统的自动引导车不仅能快速处理环境信息，而且能有效避开动态和静态障碍物，安全、可靠地驶向指定的目标。( 2 ) 提出了一种基于动力学模型的智能导航与控制方法。该方法采用基于模糊神经网络的自动引导车导航与控制系统。模糊神经网络不但具有神经网络的并行计算、分布式信息存贮、容错能力强以及自学习功能，还具有模糊方法善于表达模糊或定性知识的能力，以及类似于人的思维模式的推理方式等优点。此方法将导航系统得到的信息输入智能控制器，智能控制器输出动力学模型所需要的控制量。因为此控制器记忆了自动引导车的动力学特性，所以使用此智能控制器的自动引导车能够较平稳地避开动态和静态障碍物。采用此法，能获得较为理想的导航和控制效果。( 3 ) 提出了一种鲁棒性好，实时性强，易于实现的自动引导车跟踪控制方法，并给出了此方法的稳定性证明。此方法将要跟踪的轨迹划分成若干段，然后分段跟踪。采用此方法，可以避免使用路径曲率进行跟踪时曲率的计算，及计算量大和计算复杂的问题，使得自动引导车跟踪的实时性，精确度得到提高。( 4 ) 提出一种对自动引导车不同传感器测得的位置信息进行融合的方法。该方法克服了只用相对位置估计在短时间内精度高而长时间精度低的缺点，和只用绝对位置估计时误差不随时间而积累但误差值偏大的不足一。应用融合技术后，自动引导车的跟踪误差可限制在较小的范围之内，与不使用融合技术的自动引导车相比，其跟踪效果较好。综上所述，本课题所研究的自动引导车的导航与智能跟踪控制方法，提供了解决复杂环境下的静态和动态导航、保证行驶平稳性、减少计算量、提高跟踪精度和可靠性等新方法，为提高自动引导车的性能，拓宽自动引导车的使用范围做了理论和实际的探索。第二章基于运动学模型的自动引导车智能导航控制自动引导车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。自动引导车的导航问题是由( 1 ) “我现在何处? ”( 2 ) “我要往何处去? ”( 3 ) “我如何到该处去? ”三个子问题组成1 2 “。导航系统应同时包括局部和全局两部分规划，同时处理全局和局部两部分信息，将全局目标分成局部目标去实现。自动引导车的实际应用环境常常是非常复杂、非结构化和时变的，而且存在着通讯和反应时滞、信息不全等问题。现有自动引导车存在的关键问题是缺乏灵活性和自主性，在新环境下或遇意外情况时，往往不能很好地完成任务| 2 i 。此外，在具有静态和动态物体的动态环境中实时导航和避碰是难度很大而又急待解决的问题。栅格法是一种能较好解决上述问题的方法，但同时也存在着很多弊病，如其采用“面搜索”的方法来确定候选区域，这使得要处理的信息量很大1 2 7 。因此，自动引导车的研究重点之一是设计一种能够克服环境不确定性，可靠地完成复杂任务，且实现容易，鲁棒性好的控制系统。针对上述鲁棒性和计算量的要求，本章提出了一种易于实现，适应性好的自动引导车的导航与控制系统。此系统能很好地集成自动引导车应该具备的各种自主功能，包括前进、后退、漫游、自动寻找路径、依墙行走( w a l l f o l l o w i n g ) 、识别并避开静态和动态障碍物、记忆走过的路径、有高度灵活性和推理能力等。2 1 自动引导车数学模型本章采用的是前轮转向后轮驱动的4 轮自动引导车，如图2 1 所示。其运动学模型为图2 1 自动引导车模型i = v ， c o s 岫s p 一争s 加s 加刎p = v r 一蜘枷+ 等s 加c 刎( 丸。庐瓢) ( 2 - 1 )0 ：y f s i n q b，式中转向轮的转向角v ，前轴中心点的速度口一一车身相对于全局坐标的转角卜自动引导车的轴距，：参考点0 到车身后轴中心0 的距离图2 - 1 中x 。，y 。r 分别表示参考点0 。的横坐标与纵坐标，x ，y 分别表示后轴中心点0 的横坐标与纵坐标，当f ，= 0 时，参考点n 与后轴中心点0 重合，此时x q 2x ，y 呵2 ye设后轴中心点的速度为v ，若选后轴中心点d 为参考点，即将，= 0 ，v = v ，c o sg b 代入上式，则可得下面简化式：i = v c o s 0岁= v s i n o( 一声。妒。)9 _ - v ，t a n o2 2 导航与控制系统的设计( 2 2 )本章的导航与控制系统的设计首先通过安全度评价，计算出小车车身的安全度s ，和寻找候选点的安全度s ，通过分析，确定小车前进、后退等不同方式，然后在此基础上用在弧线上找点的方法对小车进行导航，即确定小车要去的位置，最后通过跟踪控制器计算出小车转向轮要转的角度庐和小车参考点要达到的线速度v ，从而实麓对小车的直接控制。2 2 1 安全度评价自动引导车可用于多种环境中，完成多种任务。这里，满足一定的安全度是非常重要的，而在同时具有动态和静态障碍物的环境中，安全度的评价方法也更加复杂。本章所研究的安全度包括自动引导车车身的安全度s 和寻找候选点的安全度j ，两方面。自动引导车车身的安全度j 。用于表明自动引导车现在的安全状态，候选点的安全度s ，用来寻找具备最大安全度的候选点。自动引导车根据全方位的距离传感器，将获得的障碍物环境转换成全局坐标下的障碍物环境后，再由相邻两次采样间隔的障碍物位置的变化信息，判断障碍物是运动的还是静止的。若是运动的，则连续记录并保留最后几次障碍物的位置信息。对障碍物的位置信息与速度信息，用最小二乘法进行曲线拟合可求得该采样时刻的位置和速度。考虑到距离、速度和方向是影响车身安全度的主要因素，车身的安全度s 可用这三个因素影响的线性组合来表示，即用下式来评价：s l = f ( a l ，口2 ，a 3 )( 0 s l 1 )( 2 - 3 )式中，( ) 非线性函数d 自动引导车与障碍物的相对距离，q = g x o ) 2 + ( y y 。) 2其中，( x ，y ) 为车身参考点坐标，( l , y o ) 为障碍物与小车最近点的坐标“自动引导车与障碍物的相对速度，a ，= v v 。其中，v 为自动引导车的速度矢量，v ，为障碍物的速度矢量。，自动引导车与障碍物相对速度方向和其到障碍物连线的夹角图2 - 2 自动引导车相对障碍物的距离、速度和方向对s 产生影响的参数0 ，a ：，日，具有模糊不确定性特征，可采用基于t a k a g i s u g e n o 模型的模糊神经网络1 3 2 1 对安全度s 进行评判。由于模糊神经网络不但具有神经网络的并行计算、分布式信息储存、容错能力强及自学习等功能，还具有模糊逻辑善于表达模糊或定性知识的能力，以及类似于人思维模式的推理方式等优点，采用此法，能获得理想效果。以d ，o ，o 、作为3 个模糊量输入，输出为安全度s ，使用多种环境模式的操作数据对 o ，a ：，a 。s ， 作为样本训练网络，可以产生适应多种环境的s 值，从而使s 能客观地反映自动引导车的安全度。训练时给定的样本对选取是基于两个方面的考虑：( 1 ) 在自动引导车距离障碍物比较远时以生为车身安全度的主要参考指d 2c o s ( 2 3标。因为公式_ 竺l 的意义为自动引导车与障碍物相碰所需的时间，有一定的( 2 2c o s a 3参考价值，但当c 。s a ，- 0 时，即使n 很小，而l 的值也会很大，此时马的0 2c o s ( 2 3值很小，故该公式只有在自动引导车距离障碍物较远，即a 较大时适用。( 2 ) 在自动引导车距离障碍物比较近时，以n ，为车身安全度的主要参考指标，即在近距离时s ，可随。同时增大或减小。用候选点的坐标来代替式( 2 - 3 ) 中的车身参考点d 的坐标，即可求出候选点的安全度s ，。一垫：生) 2隶属函数采用高斯函数表示的铃形函数，即j = e6 ；式中c 。占。隶属度函数的中心和宽度每条规则的适用度为口，= h ? 肿，其中，i e 1 ，2 ，” ，i ： 1 ，2 ，m ： ，i 。0 ，2 ，m 。 ，= 1 ，2 ，m ，m = 兀鸭。，为输入忙l量的维数，m 为x ，的模糊分割数。占，表示对口，进行归一化，y ，表示每一条规则的后件。；第一层第二屠椎三层第强层!：图2 - 3 模糊神经网络结构欲求候选点的安全度s ：，需用候选点的坐标来代替式( 2 - 3 ) 中的车身参考点0 的坐标。另外，若当车身参考点0 与目标点距离变小时，需将以记忆路径为中心线，宽度为r o ( r o 为可调值) 的区域内候选点的安全度设为零( 即 = 0 ) ，以保证自动引导车不寻找重复的路径；若当车身与目标点距离变大时，便不用考虑记忆路径的影响，以保证能寻找到存在的可行路径。2 2 2 自动引导车的导航策略前已述及用栅格法，虽取得较好的效果，但存在计算量大的弊病。在保证安全