英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

基于自主导航的移动机器人自动控制算法

引言

自主导航控制是移动机器人的关键技术。 本文研究了移动机器人的导航算法。 设计了一种基于粒子滤波的同时定位与映射算法。 然后，将其与VFH避障算法结合，获得导航算法并对其进行实验。 通过在MATLAB环境下的仿真实验，发现SLAM算法的使用可以减少机器人的位置误差。 平均误差为0.003m，而没有SLAM算法的平均位置误差约为0.009m，证明了SLAM算法的可靠性。 然后，导航算法的仿真实验也证明了该算法能够避开障碍物并准确到达目的地。 本文的研究为移动机器人自主导航控制的进一步发展提供了理论参考。

关键词ensp; 移动机器人·自主导航·自动控制·避障

1 介绍

随着科学技术的发展，机器人已越来越多地应用于生产，生活，娱乐等各个方面[1]。随着传感器和其他技术的发展，移动机器人也得到了广泛的研究。移动机器人可以通过传感器了解环境及其自身的状态，然后在受阻的环境中自动朝目标移动，以完成分配的任务。移动机器人不仅可以给人们的日常生活带来极大的便利，而且可以在人类无法进入的环境中工作，例如核电站，海底和战区。它是一项非常重要的技术，并且正在变得越来越自主和智能。它已广泛用于工业，军事，医疗和勘探等领域[2，3]。自主导航控制是移动机器人的关键技术之一，也是与其他固定机器人的主要区别。自主导航算法对机器人进行导航控制，使机器人能够在一定环境下实现定位获取，并自动绕过障碍物到达目标位置，包括惯性导航[4]，视觉导航，磁导航等方法。机器人的自主导航和控制已经得到了广泛而深入的研究。薛等[5]设计了一种基于改进的量子行为粒子群优化算法的自主导航方法，以实现移动机器人在随机障碍下的自主导航和控制，并通过对基准函数进行测试，发现该方法具有良好的收敛能力和精度。Mohanty和Parhi [6]将自适应神经模糊推理系统应用于机器人导航。不同的传感器和控制器输出不同的障碍物信息。实验结果表明，该方法的均方误差（MSE）为0.031，证明了该方法在不同障碍下的自主导航效果。Hajer等[7]使用模糊控制器进行机器人导航和避障。 九个红外传感器用于获取障碍物信息。通过不同轨迹的仿真实验证明了该方法的可靠性。Zhang和Hong [8]提出了一种基于全球定位系统和航海复飞系统的导航方法。通过真实数据的仿真证明了该方法的有效性。本研究主要分析了移动机器人的自主导航控制，设计了一种新的导航算法，并通过仿真实验证明了该算法的有效性。它为移动机器人自主导航控制的进一步发展做出了一些贡献，有利于移动机器人的进一步推广和使用。本文的结构如下：第1节简要介绍了同时定位和地图绘制（SLAM），然后将SLAM与粒子过滤器结合起来实现机器人的定位和导航。在第2节研究了机器人的避障方法，并分析了VFH算法。然后，将SLAM算法和VFH算法结合起来，得到一种新的导航算法。在第3节对导航算法进行了仿真，包括定位分析和避障分析。第4节总结了工作。

2 基于粒子滤波的SLAM算法

2.1 SLAM问题的描述

同步定位与地图绘制是指根据传感器采集的信息，在未知环境中建立环境地图，然后通过地图实现机器人的自主定位与导航[9]。在k时刻，机器人的方位信息表示为， = [x，y，?，其中x和y表示机器人的坐标，?表示旋转角度的方向。机器人的移动路径表示为= {，，，hellip;，}，其中表示机器人的初始位置。机器人的运动控制表示为， = {，，，hellip;，}。地图中第i个路标的坐标表示为,M = {，，，hellip;，}。在第k时刻路标i的观测量表示为， = {，，，hellip;，}。 SLAM基于和求解M和。当给出机器人在前一时刻的位置和运动控制时，机器人在处的概率可以表示为?（ | ，）。当给出了地图M和机器人方位角信息时，的概率可以表示为?（| ，M）。为了获得机器人的完整路径，SLAM问题可以表示为?（，M | ，。为了获得机器人的当前位置，SLAM问题可以表示为?（，M | ，），SLAM的递归公式可以表示为

2.2基于粒子滤波的SLAM算法

将SLAM问题用粒子滤波器分解，然后就可以得到

它由权重为?（x），?（|，）asymp;（-）的粒子表示，其中?表示狄拉克delta;函数， =指权重，其中表示提议分布，满足条件= 。粒子i的权重可以表示为 == =，即粒子i的非常规重要权重可以表示为 =标准化后的k。

粒子的降解现象表示为，=。通过重新采样可以减少降解：（1）计算归一化重量；（2）计算；（3）如果小于设定的阈值，则对粒子集进行重采样，得到新的粒子集{， 。

基于粒子滤波器的SLAM算法流程如图1所示。

图1 SLAM算法的流程

3 结合VFH的导航算法

3.1 VFH避障算法

避障是指机器人检测到障碍物后调整方向以避开障碍物，这也是移动机器人的一项重要任务[10]。常见的避障算法有可见性图法、人工势场法等[11]。VFH方法是用网格元素表示周围环境，用概率值表示障碍物存在的可信性。概率值越大，障碍物存在概率越高。机器人通过传感器感知最近的物理距离，然后通过概率函数计算确定障碍物可能的位置。

机器人传感器的敏感区域称为活动窗口，它是一个边长为k的正方形。首先，对环境进行光栅矢量化处理。矢量的幅值表示为=，矢量方向表示为，其中a和b是常数，表示网格(的概率值表示网格和机器人中心之间的距离，指机器人中心的绝对位置，而是指网格单元的绝对位置。

然后对活动窗口进行分区。角度分辨率设置为。总数是。表示区间，。障碍物密度用表示，。

确定每个分区的障碍物密度后，设置一个阈值。研究者根据经验和实际情况选择阈值大小。如果一个区域的障碍物密度低于阈值，则称为候选区域。当连续的候选区域出现时，它们被称为宽谷；否则它们被称为窄路。在连续候选区域中，最左边的区域表示为，最右边的区域表示为，机器人的运动方向表示为。

基于VFH的避障算法的流程如图2所示。

图2

3.2基于SLAM和VFH的导航算法

基于粒子滤波的SLAM可以实现机器人的精确定位。基于VFH的避障算法可以实现机器人的精确控制。这两种算法的结合可以得到移动机器人的自动导航控制算法，实现机器人自主地图的生成、定位和避障。

导航算法的实现过程如下。给定初始位置，机器人开始移动。环境信息是通过传感器获取的。采用基于粒子滤波的SLAM算法进行定位。然后，实时位置信息用于计算VFH以避免障碍。如果机器人到达目的地,它将停止或返回；否则，将重复该过程，直到到达目的地为止。

4自主导航实验分析

在这项研究中，优博（德国库卡公司）被选为研究对象（图3）。这个机器人有一个带有四个万向节轮子的移动平台。使用的传感器是HOKUYO 2-d激光测距仪。机器人通过在ROS中设置的导航包实现导航，即在ROS导航包中引入上段的驱动程序和HOKUYO节点，并配置其中的参数。

图3

4.1 SLAM算法的验证

利用MATLAB对SLAM算法进行了仿真。机器人的初始位置设定为A，初始位置的协方差设定为0。它沿着A、B、C、D和A的路径移动。在图4中，黑色表示规划路径，红色表示机器人的实际路径。

图4

实验数据见表1。

表1

从表1可以看出，采用SLAM算法的移动机器人具有良好的自主导航性能。实际路径与规划路径基本吻合。这表明机器人可以准确地停在目标点并在短时间内完成任务。在运动过程中误差很小，表明可靠性高。

为了进一步探讨SLAM算法的性能，在使用SLAM算法和不使用SLAM算法的情况下，对机器人的位置误差进行了比较。结果如图5所示。

图5

使用SLAM算法时，机器人的位置误差始终保持在较小范围内，最大误差为0.006m，平均误差为0.003m; 误差接近目标点时逐渐缩小。当不使用SLAM算法时，机器人的位置误差随时间逐渐增大，最大误差为0.02m，平均误差为0.009m；距离目标点越近，误差越大。比较表明，SLAM算法的应用能有效地保证机器人的精确定位，并使其在较小的误差下达到指定的位置。

4.2验证导航算法

在验证SLAM算法可靠性的基础上，验证了结合VFH避障算法的导航算法。在MATLAB环境下建立了包含2、4、6个障碍物的坐标系。机器人的初始位置是（0，0），目标位置是（9，9）。从起点到目标点的路径使用如图2所示的VFH避障算法完成，如图6、7和8所示。

图6 2个障碍

图7 4个障碍

图8 6个障碍

从图6、图7、图8可以看出，导航算法与避障算法相结合，无论障碍物有多少，都能在检测到障碍物后及时进行方向调整，从而有效地避开障碍物，准确地到达目标位置。此外，遇到障碍物时，绕行距离小，节省了机器人的运行时间，提高了机器人的工作效率。

5结论

本文研究了移动机器人的自主导航算法。利用粒子滤波技术解决了机器人的砰击问题。然后，将其与VFH避障算法相结合，得到机器人的自主导航算法。仿真结果表明，SLAM算法的应用可以大大降低机器人的位置误差，平均位置误差大约是0.003m。此外，导航算法可以避免障碍物，并帮助机器人在较小的绕行距离内准确到达目的地。研究结果证明了该算法的可靠性，这有利于机器人自主导航控制领域的进一步发展。

参考文献

1. Abdelmoula C, Chaari F, Masmoudi M (2014) Real time algorithm implemented in Alterarsquo;s FPGA for a newly designed mobile robot. Multidiscip Model Mater Struct 10(1):75–93

2. Conduraru I, Doroftei I, Conduraru A (2014) Localization methods for mobile robots—a review. Adv Mater Res 837:561–566

3. Sitti M, Ceylan H, Hu W et al (2015) The biomedical applications of untethered mobile milli/microrobots. Proc IEE 103(2):205–224

4. Chen XY, Gao JP, Xu Y et al (2014) Optical flow-based monocular vision/INS integrated navigation for mobile robot indoors. Appl Mech Mater 538:375–378

5. Xue T, Li R, Tokgo M et al (2017) Trajectory planning for autonomous mobile robot using a hybrid improved QPSO algorithm. Soft Comput 21(9):2421–2437

6. Mohanty PK, Parhi DR (2014) Navigation of autonomous mobile robot using adaptive network based fuzzy inference system. J Mech Sci Technol 28(7):2861–2868

7. Hajer O, Slim MM, Mohamed M (2016) Fuzzy logic based control for autonomous mobile robot navigation. Comput Intell Neurosci 2:1–10

8. Zhang Y, Hong DP (2015) Navigation of mobile robot using lowcost GPS. Int J Precis Eng Manuf 16(4):847–850

9. Yin J, Carlone L, Rosa S et al (2014), Graph-based robust localization and mapping for autonomous mobile navigation. Scan matching, pp 1680–1685

10. Pandey A, Kumar S, Pandey KK et al (2016) Mobile robot navigation in unknown static environments using ANFIS controller. Perspect Sci. https ://doi.org/10.1016/j.pisc.2016.04.094

11. Montiel O, Sepulveda R (2015) Optimal path planning generation for mobile robots using parallel evolutionary artificial potential field. J Intell Robot Syst 79(2):237–257

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[236020]，资料为PDF文档或Word文档，PDF文档可免费转换为Word