《移动机器人原理与技术》_第五章.pptVIP

****************************************************5.3.3移动机器人路径规划的发展趋势1.局部路径规划与全局路径规划相结合全局路径规划一般是建立在已知环境信息的基础上，适应范围相对有限。局部路径规划能适应未知环境，但有时反应速度不快，对局部路径规划系统品质要求较高，因此，如果把两者结合即可达到更好的规划效果。2.传统路径规划方法与新的智能方法相结合近年来，一些新的智能技术逐渐被引入到自主路径规划中来，也促使了各种方法的融合发展，例如：人工势场法与神经网络、模糊控制的结合，以及模糊控制与人工5.3.3移动机器人路径规划的发展趋势神经网络、遗传算法及行为控制之间的结合等。3.多传感器信息融合用于局部路径规划移动机器人在动态环境中进行路径规划所需的信息都是从传感器获得，单一传感器难以保证输入信息的准确性与可靠性，多传感器所获得的信息具有冗余性、互补性、实时性，且可快速并行分析现场环境。目前的方法有：采用概率方法表示信息的加权平均法、贝叶斯估计法、卡尔曼滤波法、统计决策理论法、仿效生物神经网络的信息处理方法、人工神经网络法等。5.3.3移动机器人路径规划的发展趋势4.局部路径规划与动态环境路径规划相结合类似足球机器人比赛，需考虑目标点情况。这类规划由于要考虑机器人及目标点状态，使得规划问题更为复杂，同时也赋予移动机器人更高的自主性以及智能水平。5.多智能移动机器人协调规划该智能技术正在逐渐成为新的研究热点，受到广泛关注。由于障碍物与移动机器人数目的增加，极大地提高了自主路径规划的难度，这是移动机器人技术研究亟需拓展的领域。5.4移动机器人常规避障方法避障是指移动机器人根据采集的障碍物的状态信息，在行走过程中通过传感器感知到妨碍其通行的静态和动态物体时，按照一定的方法进行有效地避障，最后达到目标点。实现避障与导航的必要条件是环境感知，在未知或者是部分未知的环境下避障需要通过传感器获取周围环境信息，包括障碍物的尺寸、形状和位置等信息。避障使用的传感器主要有超声传感器、视觉传感器、红外传感器、激光传感器等。常用的避障方法有BUG算法、动态窗口法等。5.4.1BUG算法BUG算法（BugAlgorithms）是一种最简单的避障算法。其算法原理类似昆虫爬行的运动决策策略。在未遇到障碍物时，沿直线向目标运动；在遇到障碍物后，沿着障碍物边界绕行，并利用一定的判断准则离开障碍物继续直行。这种应激式的算法计算简便，不需要获知全局地图和障碍物形状，具备完备性。但是其生成的路径平滑性不够好，对机器人的各种微分约束适应性比较差。BUG算法又分为BUG1算法和BUG2算法。5.4.1BUG算法1.BUG1算法BUG1算法的基本思想是在没有障碍物时，移动机器人沿着直线向目标运动可以得到最短的路线。当传感器检测到障碍物时，移动机器人绕行障碍物直到能够继续沿直线向目标运动。BUG1算法只有两个行为：向目标直行和绕着障碍物的边界走。假设移动机器人能够计算两点之间的距离，并且不考虑移动机器人的定位误差。起始点和目标点分别为qstart和qgoal表示。初始时刻i=0，令qL0=qstart，并称连接qLi和qgoal5.4.1BUG算法1.BUG1算法的线段为m-line。在没有遇到障碍时，移动机器人沿着m-line朝目标qgoal直线移动。如果遇到障碍，则称qH1点为第一次遇到障碍时的撞击点（hitpoint）。接着，移动机器人环绕障碍物移动直至返回qH1点。然后判断出障碍物周边上离目标最近的点，并移到这个点上，该点称为离开点（leavepoint），由qL1表示。从qL1开始移动机器人再次沿直线驶向目标，如果这条线与当前障碍物相交，则不存在到达目标的路径。5.4.1BUG算法1.BUG1算法BUG1算法成功找到路径示意图BUG1算法无法成功找到路径示意图5.4.1BUG算法2.BUG2算法BUG2算法有朝向目标的直行和沿边界绕行两种运动。BUG2算法中的直线m-line是连接初始点和目标点的直线，计算过程中保持不变。遇到障碍物时移动机器人绕行障碍物，绕行过程中，在距离目标更近的点再次遇到直线m-line就停止绕行而沿着直线m-line向目标直行。如此循环，直到移动机器人到达目标点qgoal。在绕行过程中，若未遇到直线m-line上与目标更近的点qLi，则回到qHi点，那么移动机器人不能到达目标。5.4.1BUG算法2.BUG2算法BUG2算法