【智能巡逻车避障算法研究的国内外文献综述5100字】

-1-智能巡逻车避障算法研究的国内外文献综述1多传感器信息融合研究现状国外对多传感器信息融合技术的研究较早，在1979年法国一实验室研制了第一个应用了多传感器信息融合技术的移动机器人HILARE。它不仅拥有各种传感器并且能够通过加权平均法来融合传感器的信息[10]。自此人们开始对多传感器信息融合技术产生浓厚的兴趣[11]。1997年，人类首次把机器人送，上火星这是多传感器信息融合技术在移动智能机器人上最好的应用[12]。经过长时间的发展，现有的多传感器融合模式通常划分为旧有传统类型的几率模式与人工智能模式[13]。在这其中，根据几率的模式通常包括：加权平均、卡尔曼自动滤波、贝叶斯估测等。人工智能模式通常都是主要包含：模糊逻辑思维[14]、D-S证据推导思考与神经分布网络系统等。最简单的加权平均法是直接将一组传感器的信息进行加权平均，每个传感器的权值由经验确定,并将此加权结果作为最终融合的信息。这种方法的缺点显然是权值的取值会影响加权的结果，且不具备提取有效的信息的能力[15]。卡尔曼提出了一-种统计意义上的对一个系统的最优估计，即卡尔曼滤波算法。该算法基于系统具有线性的模型，且系统的噪声是高斯分布的，系统的状态也是高斯分布的。然而实际上线性的系统很少，因此就有扩展卡尔曼、无迹卡尔曼等改进的算法出现。卡尔曼滤波算法在众多领域里都有应用且在局部范围内达到了很好的效果。贝叶斯估计是根据传感器的先验概率根据贝叶斯公式计算出每个输出假设的概率，它要求系统具有正太分布或噪声也是高斯分布的[16]。贝叶斯估计还能将传感器采集的可信度低的信息剔除，提高了信息采集的准确性。模糊逻辑是一种不需要建立精确数学模型的将已有的经验和知识直接通过模糊集合论构建模型的方法。由于其不依赖数学模型，所以该方法可以应用在各种复杂难以建模或动态特性常变的系统中[17]。模糊逻辑还可以与其他信息融合.技术相结合，衍生出多种算法，如基于模糊神经网络的，基于扩展卡尔曼滤波的模糊逻辑算法。神经网络算法是一种新出现的算法，其融合方法能对非线性系统进行很好地处理和模型的泛化，实现了知识的自动获取及并行处理信息的能力。基于神经分布网络系统的多感应设备数据信息融合运算方法把感应设备数据信息直接自动输入，通过学习及推导思考，可以从很多数据信息中提取出有用的信号。多传感器目标信息融合就是对不同传感器目标跟踪的结果进行匹配关联、状态估计加权融合的过程，以得到融合目标更准确的状态和更可靠的信息。通过将不同信息源在时空上的互补数据信息和冗杂数据信息更有甚者是矛盾冲突数据信息经过某一种基本准则排列组合起来之后，形成对测试发展目标的一致性描述表达。文献[18]提出一种基于一致性的轨迹轨迹关联算法，用高斯混合模型的中心来表示某个传感器的跟踪，其他传感器的局部跟踪通过最大似然与第一个传感器匹配，用一种期望最大化的算法来寻找局部轨迹之间的关联矩阵。文献[19]提出一种应对不确定性的模糊融合算法，利用基于熵的模糊C-均值聚类技术对数据进行相似性聚类，用聚类数据进行预测。基于相似度的模糊聚类对数据集进行深入搜索，保证了算法的有效性，然后利用所得到的聚类信息进行模糊推理，获得了较好的性能。文献[20]指出了一类根据随机分布矩阵原理的数学线性融合运算方法，在高斯-马尔可夫实验模型假定下，根据最高似然估测的数据融合是最小方差无偏估计，然而基于随机矩阵理论的线性融合算法产生一个有偏估计。当信号维数大于传感器个数时，该算法的均方误差比最大似然估计融合方法的均方误差小。该方法直接求解融合系数，无需迭代，可作为线性最小均方误差估计的近似实现。多感应设备融合专业技术可以综合使用很多种不同感应设备测量确定数据信息与很多种不同准确定位运算方法，进而有效克服单感应设备准确度有限的主要问题和矛盾，供应更准确的具体位置估测。在美国MIT实验研究办公室[21]第一次指出了一类根据最低平均方有效误差基本准则的相互融合专业技术并且展开了论证。在他之后参考文献[22]指出了多方式融合准确定位的数学线性实验模型，在融合时期应用最优化数学线性无偏估测作为融合基本准则并且列出了权重数值在线联网锻炼的模式。参考文献[23]指出一类集中学习模式应用在融合准确定位，其经过数个弱分类控制器设备建设的强分类控制器设备，对地区内部的数据信号作用强度展开学习锻炼，能够实现非常好的准确定位作用效果。全国中科院、上海市道路交通大学、浙江省大学等著名高等院校分析研究组织机构同时也在感应设备融合准确定位方面获得技术成果。参考文献[24]等在人体指纹融合准确定位专业技术使用里的指出了根据众包数据信息的准确定位实验模型自动更新调整模式，很大减少数据信息全面处理载荷。参考文献[25]则应用地磁数据信息与惯性感应数据信息展开序贯融合的模式完成准确定位。参考文献[26]等分析研究了视觉感官准确定位和无线准确定位专业技术相融合的E-V数据信息融合准确定位专业技术，实现了非常好的准确定位作用效果。2路径规划算法的研究现状无人驾驶汽车路线规划算法诞生于机器人技术领域。如今，大多数无人驾驶车辆路线算法已从机器人路线算法中吸取了教训，并在满足车辆驾驶特定要求的基础上进行了改进。路径规划算法可以分为两类：全局路径规划和局部路径规划。无人驾驶汽车的全局路径规划会根据已知的环境地图信息来规划车辆的最佳路径。无人机在无法预测且高度动态的城市道路环境中运行。基于全局路径规划，无人驾驶车辆也应执行局部路径规划，以避免机械移动阻碍物。作为无人驾驶的核心所在专业技术之一，日本与国外的很多分析研究组织机构和公司对路线规划算法进行了大量研究。当前，路由算法大致可分为人工势场法，基于图搜索的路由算法，根据采样收集的路由运算方法，人工智能仿生运算方法与根据离散优化提高的路由算法[27-30]。人工势场法（APF）是Khatib指出的虚拟构造力法，运算方法理论是在运动物品所位于的真实作业环境里假定存在一个虚拟构造的人力力场，在力场里，阻碍物对运动物品形成斥力，以使运动物品远离阻碍物，而发展目标点就会对运动物品形成关注度，在引力与斥力的影响下，运动物品把向发展目标点机械移动。参考文献[31]指出了一类全新的阻碍点建设模式，处理和解决了局部最低数值矛盾问题；参考文献[32]经过设立发展目标运算函数来思考车辆的束缚，提升了策划途径的平滑性；参考文献[33]使用椭圆化有效实际距离替代旧有传统类型的斥力势场里的真实有效实际距离，结合实验模型预计操作控制的模式，使策划途径符合多既定限制。然而及其以上模式只思考了阻碍物静止的运行工况，因此在实时动态作业环境的经济性偏低，即使此模式运算方法简易，实时在线性良好的，但这类应用模式简单落入局部最低点并且未思考车辆原始推动力学等束缚，系数设立针对运算方法的作用效果影响比较多，当系数设立不科学时很难保障运算方法的鲁棒性更有甚者策划失败[34]。Dijkstra运算方法由荷兰电脑计算机科学研究学者EdsgerWybeDijkstra在1956年指出，这个运算方法以发起点为核心向外拓展，一直到拓展到终点为终点。BenFrankin车队[35]与VictorTango车队[36]把其应用在2007年美国国防军事部主办的DARPA挑战赛。但其运算的控制节点许多，运算中占用资源较大，效率较低。为了降低运算成本，研究者提出了启发式算法，典型的激发式途径策划运算方法有A*与D*运算方法。在这其中，A*运算方法是在Dijkstra运算方法的基础之上逐渐改善的图搜查运算方法，这个运算方法综合了广度偏向搜查与Dijkstra运算方法的优势，应用激发式的模式在栅格部件地图里展开搜查最短途径。参考文献[37]对栅格部件展开数学线性插数值，增长了A*运算方法的可搜查临近分布域与搜查的分布方向，完善了旧有传统类型的A*运算方法平滑性比较差的主要问题和矛盾；参考文献[38]根据A*运算方法指出了FU-A*运算方法，这个运算方法参考依据车辆的速率调节控制栅格部件的实际大小，提升了策划途径的光滑作用程度。参考文献[39]指出了全新式的激发式运算函数并且结合了车辆非系统性束缚展开三维立体策划，提升了途径的安全稳定性与舒适度。城市公共交通作业环境里的最为合理途径受多个影响因素影响[40]，在城市交通道路网的最短途径策划里，在旧有传统类型的A*运算方法的估价运算函数里依次思考了数据信号交叉十字路口的等候作用时间[41]与能源损耗[42]，高效减少了等候作用时间与能源消耗。A*运算方法在静态作业环境里存在优良的作用效果，但其具备根据图搜查的途径策划运算方法都具备的缺点不足：策划途径没有办法符合车辆的非系统性束缚，并且A*运算方法不适合应用在实时动态作业环境。D*(DynamicA*)运算方法由卡内基梅隆智能机器人核心的Stentz在1994年指出，这个运算方法主要应用在不明确的实时动态作业环境的途径策划。D*运算方法截至目前在智能机器人行业领域的使用早已非常完善，参考文献[34]在旧有传统类型的D*运算方法的基础之上，应用元胞自动智能机(CA)实验模型，引进Moore型邻居组成结构，减少降低了智能机器人不重要的机械转动，提升了运算方法的实时在线性；参考文献[35]则将D*运算方法应用在无人操控机的途径策划里。D*运算方法是A*运算方法的基础之上改善的运算方法，因此存在A*运算方法的缺点不足：策划途径没有办法符合车辆的非系统性束缚。传统的路径规划算法存在着各自的问题，算法的实用性还比较差。目前出现了许多新型的智能算法，能够克服这些缺陷，使机器人的避障能力得到了有效提高。最开始出现的是基于神经网络的避障算法[36]。该算法将机器人的当前时间状态作为输入，输出位置矢量，通过不断训练多层感知器，就可以得到在移动空间的无碰撞轨迹。该算法在包含静态和动态障碍物的环境下表现得很好。后来出现了滚动时域的方法。该策略预先对所有可能的障碍物分布场景计算精确可控的椭圆近似序列，通过在线采集障碍物信息，确定适当的序列并控制机器人行走。遗传算法是另外一种搜索算法[37]，本质是发展进化运算方法的一类。其借鉴参考了生物学里发展进化的遗传、自然选用以及杂交等发展壮大起来[38]。遗传运算方法的优点是能够进行并行搜索，具有较强的适应性和鲁棒性。而基于神经网络的避障算法是一种模拟生物神经系统的模型，其由人工神经元构成，是一种非线性学习方法，具有很好的泛化能力，使得机器人的避障能力与人相近。基于模糊控制的算法是避障常用的一种算法[39]。模糊控制是一种应用模糊集合理论的控制算法,它通过把人的经验和决策进行模糊化，并利用逻辑推理做出决策。建立合适的模糊控制器是主要的问题所在。无论是单一的传统算法和新兴的智能算法，都有其适应的范围和不适用的环境[40]。传统算法与智能算法的融合将能克服彼此的缺陷，使算法更具普适性，这种方法已经有很多研究，也将一直是避障技术的研究热点之一参考文献[1]刘洋.基于多传感器信息融合的机器人避障系统的研究与实现[D].武汉理工大学,2019.[2]孙贝贝.基于异质传感器信息融合的移动机器人避障研究[D].中北大学,2018.[3]苏衍保.基于多传感器信息融合的迎宾机器人避障问题研究[D].山东科技大学,2017.[4]尹云鹏.基于传感器信息融合的移动机器人动态避障方法研究[D].重庆邮电大学,2017.[5]杨小菊.基于多传感器信息融合的移动机器人避障研究[D].沈阳理工大学,2017.[6]张天,杨晨曦,朱颖,宋明辉,张地.多传感器信息融合在四足机器人避障中的应用[J].传感器与微系统,2015,34(05):150-153.[7]高慧英.基于多传感器信息融合的移动机器人避障系统研究[D].哈尔滨工业大学,2010.[8]吕漫丽.基于多传感器信息融合的移动机器人避障研究[D].东北电力大学,2008.[9]陈奕君.基于多传感器信息融合的机器人避障研究[D].东北石油大学,2014.[10]PayaL,GilA,ReinosoO.Astate-of-the-artreviewonmappingandlocalizationofmobilerobotsusingomnidirectionalvisionsensors[J].JounalofSensors,2017,2017.[11]SilvaJ,LauN,RodriguesJ,etal.SensorandInformationFusionAppliedtoaRoboticSoccerTeam[J].2009.[12]尹云鹏.基于传感器信息融合的移动机器人动态避障方法研究[D].重庆邮电大学,2017.[13]AlvesRMF,LopesCR.Obstacleavoidanceformobilerobots:AHybridInteligentSystembasedonFuzzyLogicandArtificialNeuralNetwork[C]IEEEInternationalConferenceonFuzzySystems.IEEE,2016:1038-1043.[14]NacerH,BoubekeurM.Towardsafetynavigationincluttereddynamicenvironment:Arobotneural-basedhybridautonomousnavigationandobstacleavoidancewithmovingtargettracking[C]The3rdIntermationalConferenceonControl,EngineeringandInformationTechnology(CEIT)，2015.[15]邹波.基于激光雷达的移动机器人避障研究[D].沈阳理工大学,2017.[16]尹新城,胡勇，牛会敏.未知环境中机器人避障路径规划研究[J].科学技术与工程,2016,16(33):221-226..[17]AmanMS,MahmudMA,JiangH,etal.Asensorfusionmethodologyforobstacleavoidancerobot[C]IEEEIntermationalConferenceonElectroInformationTechnology.IEEE,2016:0458-0463[18]ZhuH,WangM,YuenKV,etal.Track-to-trackAssociationbyCoherentPointDrift[J].IEEESignalProcessingLetters,2017,PP(99):1-1.[19]S.Majumder,D.Pratihar.A.Multi-sensorsdatafusionthroughfuzzyclusteringandpredictivetools[J].ExpertSystemwithApplication,2018,vol107:165-172.[20]ChenH,ZhangX,WangQ,etal.EfficientDataFusionUsingRandomMatrixTheory[J].IEEESignalProcessi