未知环境下移动机器人导航综述.docVIP

未知环境下移动机器人导航综述 　　摘要：在移动机器人的相关技术研究中，导航技术可以说是其核心技术，也是其实现真正的智能化和完全自主的关键技术。移动机器人有多种导航方式，这些导航方式各有其特点，适合不同的应用环境。随着移动机器人的应用领域日益广泛，对移动机器人导航研究不断提出新的课题，这将使移动机器人的导航研究不断深入发展。本文总结了智能算法在移动机器人导航技术的现状，归纳了目前研究较多的智能算法，分析了几种智能算法的应用，并指出了存在的不足和有待进一步研究的问题，最后展望了机器人智能导航的发展趋势。 　　关键词：多移动机器人;未知环境;导航;智能算法 　　 　　1.引言 　　移动机器人的研究始于20世纪60年代末期，目的是研究人工智能技术及在复杂环境下机器人系统的自主推理和规划能力。本文从多个方面对移动机器人的导航进行了深入的系统研究，其主要的内容和成果如下：从移动机器人的历史和现状出发，对比了国内外的不同发展状况，对移动机器人导航领域的研究方向进行了综述。着重介绍了移动机器人导航中常用的方法，对其中的人工势能场法、神经网络、遗传算法和模糊控制进行了逐一的分析阐述，最后综述结尾对全文进行了总结并对移动机器人导航研究进行了展望。 　　2.移动机器人的几种导航方式 　　移动机器人导航是指移动机器人通过传感器感知环境和自身状态，实现在有障碍物的环境中面向目标的自主运动。我们可以将移动机器人所处的环境分成以下几个研究方向：1）完全已知环境：机器人知道所在工作环境的所有信息，包括目标点的位置，方向，障碍物的位置和方向;2）部分已知环境：机器人知道所在工作环境中的部分信息，比如知道一部分障碍物的位置和方向，有另外一部分环境是不知道的;3）完全未知环境：机器人完全不知道所在工作环境的信息，只知道目标点的方向和位置，其它障碍物的信息是一点都不知道。 　　目前，机器人导航要解决的关键问题表现为以下三个方面[1]： 　　1）通过一定的检测手段获取移动机器人在空间中的位置、方向以及所处环境的信息; 　　2）用一定的算法对所获信息进行处理并建立环境模型; 　　3）寻找一条最优或近似最优的无碰路径，实现移动机器人安全移动的路径规划。 　　目前，移动机器人导航有很多方法，常用的方法有：人工势能场法、神经网络、遗传算法和模糊控制等，下面本文将对这几种常用的方法进行分析比较。 　　2.1 基于人工势能场法（APF）的移动机器人导航 　　人工势场法[1，2]是Khatib提出的一种虚拟力法。人工势场法是传统算法中较成熟且高产的规划方法，其基本思想是将移动机器人在环境中的运动视为一种虚拟人工受力场中的运动。障碍物对移动机器人产生斥力，目标点产生引力，引力和斥力周围由一定的算法产生相应的势，机器人在势场中受到抽象力作用，抽象力使得机器人绕过障碍物。该法结构简单，便于低层的实时控制，在实时避障和平滑的轨迹控制方面，得到了广泛应用。 　　高云峰等[3]针对势场原理所固有的几个缺陷进行了改进，使改进后的势场法适用于未知复杂环境下移动机器人的导航，具备一定的学习能力，并通过仿真实验验证了该方法的有效性。王肖青等[4]讨论了传统的人工势能场方法的不足，并提出了一种改进的人工势能场方法。王奇志等[5]提出了一种改进的人工势场法，通过排除一个距机器人最远的障碍物，同时加一个同等大小反方向力来消除零势能点，从而实现消除零势能域，达到多障碍物情况下机器人运动规划的快速、实时、避障的效果，结果表明，该算法对多个障碍物和非静态的障碍物同样适用。 　　人工势场法突出的优点是系统的路径生成与控制直接与环境实现了闭环，从而大大加强了系统的适应性与避障性能。但是人工势场法也存在几个主要的缺陷：1）陷阱区域;2）在相近的障碍物之间不能发现路径;3）在障碍物前振荡;4）在狭窄通道中摆动;针对这些缺陷，提出了一些改进办法。对于人工势场法存在“机器人在到达目标位置前由于陷入局部极小点而无法到达目标位置”的问题，解决的方法有：重新定义势函数，使之没有或有更少的局部极小点;利用搜索算法跳出局部极小点;还可以利用模拟退火算法使势函数跳出局部极小点，到达机器人的目标位置。 　　2.2 基于神经网络的移动机器人导航 　　神经网络具有很强的适应复杂环境和多目标控制要求的自学习能力，并具有以任意精度逼近任意非线性函数的特点，神经网络可与其他控制方法如专家系统、模糊控制等相结合，为其提供非参数化的对象模型、推理模型等。 　　近年来神经网络在移动机器人导航领域得到越来越广泛的应用。Zhang等[6]利用移动机器人在未知杂乱的环境中基于神经网络和模糊逻辑的反应式导航原理，提出了一种新的方法，即提供一条指导命令使移动机器人避免内部碰撞及与障碍物相撞，说明了如何使用ART神经网络