[机器人学塈自动控制系统2.docVIP

机器人学塈自动控制系统 ——基于传感器导航的室内手动机器人 摘要： 本篇论文集中研究处理在未知室内坏境或已知部分坏境条件情况下机器人导航问题。 在未知环境中基本组合动作的导航方法近年来得到很快的的发展。这些基本动作中，大部分是通过模糊推理系统实现的。本文提到的导航包括对两种类型障碍物（凸出障碍物和凹陷障碍物）安全避让的动作的导航。使用Takagi-Sugeno模糊逻辑系统得出的动作比如抵达空旷空间的中间以及沿墙运动动作等等是非常简单的。但是，人们经常担心通过简单的推到导出的结果多多少少是欠优化的。这真是我们努力为自动得出最优结果的原因。通过最小值函数，基于back-propagation-like运算法则的技术已经被使用，使用该技术可以在线优化模糊推理系统参数。为了从一系列实验数据中提取规律而不是单靠经验，最后一点显得尤为重要。 在已知部分环境条件下，会使用结合的方法为了利用整体与局部导航战略的优点。通过现实场景与预定值不断的比较，这些不同的方法会基于模糊推理系统进行进行协调调整。通过视图和A*algorithm绘制出下一步将要走的路线。Fuzzy controller被启用，一方面用于理论环境中虚拟机器人接下来将要走的路径，另一方面在真实环境和机器人记忆环境相近时对机器人的导航。 这两种方法已经被用于装配传感器的小规模移动机器人中。实验得到的不错的结果说明考虑到传感器不完全性时使用模糊逻辑的鲁棒性。 简介 各种控制机器人系统方法近来得到发展，他们大体分为两类：全局规划和局部路径控制。很多建立在对机器人和环境的认识和了解的工作使用全局规划的方法例如：人工场地，连接图，单元分解等等。这些方法构造了一些没有障碍的路径。它们的主要的优点是证明允许机器人到达目的地和生成无碰撞路线的方法的存在。因此，在这个路线中，使用一个成本函数可以得到整体最优化解决方案。后者（局部路径控制）涉及到基于A*algorithm算法，时间过程以及完成任务的稳定性的从机器人开始位置到目标位置的全局路径。但是它们有一些明显的缺点。例如：这就需要一个非经常精确的模型，但现实生活中很难找到这样的模型。并且，应为一些不确定的变化因素，很难正确修正环境变化的参数。 局部路径控制方法主要用在未知环境因素的情况下。通常被称为被动反应战略，并且完全依赖传感器传来的信息。所以，并没有必要对机器人进行完全绝对的定位，只是需要对机器人与环境之间相互作用进行评估。在这种情况下，就不需要一个构造的环境模型，但是机器人必须通过传感器传入一系列障碍物的信息。这种导航机制适用于完成一些简单的任务。已有很多种控制方法，但多因为死锁问题不能保证有完成任务的解决方案。造成死锁问题的原因是机器人没有高级读图的能力。为了更高效安全，要安装摄像机等等之类的各种传感器来提高机器人的感知环境能力以获得更多环境参数信息。但是，在现实时间因素的约束下，很难即时快速处理得到的数据。这些约束条件经常导致精确度降低后果。 一些方法本身存在内在的约束条件： 精度不够或者缺乏对所有现象的了解导致在相应环境或系统中的不稳定行为。 由于传感器传来的数据错在误差，很难在所在环境表现完美精确定位。 一系列方法理论（称为定性分析，模糊推理）正在发展为了在难免有误差的环境系统中建立解决问题的方法。这些理论试图捕获并模仿人的行为（在控制系统中）。目的是避开捕获信息过程中存在的误差而不是通过复杂的数据运算来把他们终止。 一些定性推理理论近十年来得到很快的发展，当前在控制系统中应用最多的是模糊推理。基于此理论的控制得到较好的效果（甚至经典控制理论都不能解决的问题）。模糊控制建立在一些专家的知识上，一个复杂的模糊的系统可以不用精确的数学表达式来描述。所以，模糊控制理论不论是对无法精密操作还是能够使机器人在复杂的环境里自动导航都是很好的选择。实际上，我们从我们人类自身的动作行为上可以了解到，根本就没有必要完全知道我们自身的精确定位以及对我们所处环境的综合了解。我们已经能很充分了解到是否有足够自由空间绕过障碍物并能识别路径是否能到达目的地的标志。模糊逻辑理论在机器人方面的很多应用已经给出了令人满意的结果。 我们工作的最后部分包括开发户内环境低成本导航机制，旨在帮助那些残疾人。这样，我们主要开发更加安全可靠的高效的导航技术。图表一给出了被采用的策略的整体情况。那是基本上基于一个事实：我们会处理一座建筑物构架，像墙壁，门，大的重的固定的家具等等环境中主要的固定的物体会被先定位。但是一些物体的位置是不能固定的，这些物体被加入到初始化的map中。在这种情况下，两种极端的情况会发生：如果被机器人检测到的环境与机器人储存的设计好的相符合，机器人会使用全局路线在计划的路线上以很高的速度运行；另一种情况正好相反，如果环境不被机器人识别，通过传感器局部调整