移动机器人论文参考文献

摘要(Abstract)本文综述了移动机器人导航技术的发展情况，尤其注重智能方法在导航技术中的应用，同时对导航技术的发展方向作了进一步的阐述。Thispapergivesasurveyofthepresentstatusofmobilerobotnavigationresearches,.关键词(Keywords)移动机器人导航智能方法MobilerobotNavigationIntelligenttechniques1引言移动机器人是一种在复杂的环境下工作的具有自规划、自组织、自适应能力的机器人。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的自主移动的关键技术[7,8]。导航研究的目标就是没有人的干预下使机器人有目的地移动并完成特定任务，进行特定操作。机器人通过装配的信息获取手段，获得外部环境信息，实现自我定位，判定自身状态，规划并执行下一步的动作。2移动机器人导航研究现状机器人导航方式移动机器人的导航方式很多，有惯性导航[36,37]、视觉导航[15,17,21,31]、基于传感器数据导航[18,32,33,34]，卫星导航[14,39,40]等。它们都不同程度地适用于各种不同的环境，包括室内和室外环境，结构化环境与非结构化环境。(1)惯性导航惯性导航是一种最基本的导航方式。它利用机器人装配的光电编码器和陀螺仪，计算机器人航程，从而推知机器人当前的位置和下一步的目的地[37]。显而易见，随着机器人航程的增长，定位的精度就会下降，而定位误差将会无限制地增加。为减少这种误差，以及降低光电编码器等数据的噪声，Kalman滤波器在此可有用武之地[38]。(2)视觉导航由于计算机视觉理论及算法的发展，视觉导航成为导航技术中的一个重要发展方向。DeSouza等[22]总结了近20年机器人导航中视觉导航技术的发展状况，包桂秋等[17]也描述了图像技术在机器人导航中的应用，特别是在飞行器包括导弹、飞机等导航中的应用。通常，机器人利用装配的摄像机拍摄周围环境的局部图像，然后通过图像处理技术，如特征识别、距离估计等，进行机器人定位及规划下一步的动作。Menegatti等[32]利用Fourier变换处理机器人全方位图像，并将关键位置的图像经Fourier变换所得的数据存储起来作为机器人定位的参考点。以后机器人所拍摄的图像经变换后与之相对照，从而得知机器人当前位置。席志红等[15]利用视觉技术解决计算机器人运动过程中的避碰点，从而实现机器人局部路径规划。(3)基于传感器数据导航一般机器人都安装了一些非视觉传感器，如超声传感器、红外传感器、接触传感器等。利用这些传感器亦可以实现机器人导航。童峰等[18]介绍了一种用于移动机器人的超声波导航系统，而且此系统精度比较高。Song等[33]将超声数据与图像数据结合，通过事先训练好的神经网络预测障碍物的可能位置，从而使得机器人能够在动态非结构化环境中实现自主导航。而Maaref等[34]将传感器数据作为模糊推理系统的输入，模糊系统将产生较优(针对某事先设定的代价函数而言)的机器人行为动作。Ratner等[35]利用超声数据，识别和跟踪道路边缘，从而实现机器人在一个公园中的自主导航。(4)卫星导航GPS全球定位系统是以距离作为基本的观测量，通过对四颗GPS卫星同时进行伪距离测量计算出用户(接收机)的位置。机器人通过安装卫星信号接收装置，可以实现自身定位，无论其在室内还是在室外。宋爱国等[14]利用GPS结合数字地形图，对机器人在野外环境中的导航问题作了研究。Lim等[39]先利用GPS信号对野外环境中的机器人进行粗定位，然后利用全景图像数据精确定位机器人。Panzieri等[41]用Kalman滤波器融合GPS定位数据和其他定位数据，发展了一个室外环境下的机器人导航系统。有趣的是，仿照GPS的工作原理，Hada等[39]利用分布在室内各处的摄像机，研制了一个室内GPS系统(iGPS)。机器人导航相关技术机器人导航相关技术包括机器人定位与地图构建[8,12,20]、机器人路径规划[1,2,10,27]、机器人体系结构[41]、传感器数据融合[42,43]等。这些方面的研究内容及近些年所取得的进展，可以参考这里指出的文献，本文不再赘述。智能方法的应用随着智能控制理论与方法的迅速发展，智能方法在移动机器人导航中得到了广泛应用。目前主要存在的智能导航算法主要有模糊算法、神经网络算法、模糊神经网络、遗传算法和进化神经网络等。(1)模糊逻辑的导航方法Wong等[3]提出了一种基于模糊逻辑的导航方法，其思想就是定义3个矢量(机器人前进方向矢量、机器人到目标的方向矢量和机器人到障碍物的方向矢量)，根据3个矢量的位置关系来决定构造模糊规则库。(2)遗传算法张文志等[13]给出了一种用遗传算法学习模糊规则以完成移动机器人导航的方法．通过采用变长度编码方法和竞争型小生境遗传算法，减少了染色体的尺寸和复杂度，同时提高了学习速度。Hashimoto等[6]等提出了基于遗传编程(GeneticProgramming，GP)的导航方法，GP是一种采用结构编码方法的扩展的遗传算法，可以产生计算程序和函数。整个方案的原理就是利用GP对数据进行预处理，把定量的数据信息转化成关于周围环境的定性信息，感知结束后，采用基于delta规则的模糊规则进行推理，从而实现自主式移动机器人导航。邹细勇等[16]提出了一种解析形式的机器人矢量场导航模型。考虑到机器人对路径长度、平滑度及安全性的要求，一种混合遗传模拟退火优化算法被用来对导航模型的参数进行搜索，以寻找最优路径。龚涛等[19]分析了未知远程环境下移动机器人导航过程中进化学习的效率和知识更新问题，提出了并行进化模型来解决此问题。(3)神经网络技术Banta等[30]讨论了神经网络技术在机器人导航中的应用。Morasso[22]构建了一个基于自组织神经网络的混杂系统来实现机器人导航，通过传感器数据训练自组织神经网络，机器人关于环境的知识便逐步积累。Chee等[24]构造了一个两层的模糊推理系统来进行机器人导航，此系统接收传感器数据作为输入，而直接输出机器人控制信号。Doitsidisetal[25]设计了一个两层的模糊推理系统来实现自动小车的导航;其中第一层实现数据融合和运动控制功能，第二层实现实时避障功能。Tsourveloudis等[27]使用一个两层模糊推理系统，结合势场方法，实现机器人导航。这里的模糊推理系统与[26]大致相同。(4)基于行为的导航方式有一类机器人导航方法是基于行为的导航方式。所谓基于行为的导航是把复杂的导航功能分解成很多简单的功能模块单元。每个单元有自己的感知器和执行器，具有特定的感知动作行为。机器人在不同的情景下，激发并执行某个或某些功能模块单元。Parasuraman等[4]利用模糊专家系统来进行功能模块的调度。整个导航系统分成三个子系统功能模块(wallfollowing，obstacleavoidance，goalseeking)，每个功能模块都用模糊逻辑来设计。这个系统的优点是模块动作转换平滑，并且易于增加新的功能模块。Nefti等[5]利用自适应模糊神经网络(ANFIS)来调度这三个功能模块。杨争等[11]也实现了一种此类导航系统，其中各个功能模块单元由一个模糊控制器调度。Lim等[35]用混杂系统来进行动作模块分配，从而实现高速的机器人行为动作;这个混杂系统包括离散的抽象动作任务和连续的具体控制信号。Ryu等[29]通过扩展拓扑地图能实现机器人定位和路径规划;同时，这个导航系统具有基于行为的导航功能。这样，机器人既具有快速反应能力，又具有全局规划能力。(5)机器学习近十几年来，机器学习亦在机器人导航中得到广泛应用。Millan[24]提出了一种联结主义的强化学习方法。机器人通过几次试探，就能得到有效的导航策略。研究表明，引入强化学习方法后，机器人甚至能对尚未被传感器探测到的障碍物做出反应，而且对传感器数据的噪声及外来干扰具有鲁棒性。Arleo等[30]深入讨论了空间学习方法及其在机器人导航中的应用。3发展展望移动机器人技术是传感技术、控制技术、信息处理技术、机械加工技术、电子技术、计算机技术等多门技术的结合。因此对于移动机器人的发展也必然建立在这些技术的高速发展之上的。对于移动机器人导航的研究应该从以下几个方面着手:(1)先进的传感技术传感器相当于移动机器人的感觉器官，只有先进的传感器技术才能有效的采集环境信息，从而提高导航的效率和准确性。(2)高效的信息处理技术信息处理主要是指对于传感器采集进来的信息进行处理，包括语音识别与理解技术，图像处理与模式识别技术等。由于目前移动机器人的导航大都采用基于视觉或有视觉参与的导航技术，因此计算机视觉和图像处理技术的水平对于移动机器人导航的发展将起到至关重要的作用。(3)多传感器的信息融合技术多传感器的导航方式是移动机器人导航发展的必然趋势。这种多传感器的信息融合技术充分利用了多个传感器的资源，通过对这些传感器及其观测信息的合理支配和利用，把多个传感器在空间或时间上的冗余或互补信息根据一定的准则进行组合，从而获得对被测对象的一致性解释或描述，因此它不但能够提高导航精度，同时也使整个导航系统具有了较高的鲁棒性。(4)智能方法的发展与完善目前在移动机器人导航中，智能方法的应用是一个重要的发展方向。但目前智能算法在机器人导航中的应用范围却受到了很大局限，如神经网络应用往往局限在环境的建模和认知上，例如机器人地图构建。同时由于目前在导航过程中主要采用前馈网络，需要教师信号进行训练，因此难于实现在线应用;模糊逻辑应用于复杂未知动态环境中，模糊规则很难提取，导航的效果也不理想。因此在移动机器人导航中，智能方法还有极大的发展空间。参考文献[1][J].Boston,1991.[2][J].CombridgeUniversityPres,2000.[3][A].ICRA[C].2001:3778～3782.[4][A].IECON'03[C].2003:2410～2416.[5][J].2001,(30):311～359.[6][A].AFSS[C].2000:674～679.[7]卢韶芳,刘大维.自主式移动机器人导航研究现状及其相关技术[J].农业机械学报,2002,(3):112～116.[8]郑向阳,熊蓉,顾大强.移动机器人导航和定位技术[J].机电工程,2003,20(5):35～37.[9]王志文,郭戈.移动机器人导航技术现状与展望[J].机器人,2003,25(5):193～197.[10]吕永刚,谢存禧.移动机器人的导航与路径规划的研究[J]机电工程技术,2004,33(1):19～21.[11]杨争,胡旭东.自主移动机器人基于行为的导航策略及其实现[J].机器人技术与应用,2002(5):21～23.[12]李群明,熊蓉,褚健.室内自主移动机器人定位方法研究综述[J].机器人,2003,25(6):560～567.[13]张文志,吕恬生.基于改进的遗传算法和模糊逻辑控制的移动机器人导航[J].机器人,2003,25(1):1～6.[14]宋爱国,王庆,黄惟—.基于数字地形图移动机器人的GPS自主导航[J].导航,1995(4):63～67.[15]席志红,原新,许辉.基于视觉的移动机器人实时避障和导航[J].哈尔滨工程大学学报,2002,23(5):107～109.[16]邹细勇,诸静.基于混合遗传模拟退火算法的矢量场机器人导航[J].控制理论与应用,2003,20(5):657～663.[17]包桂秋,周兆英,熊沈蜀,叶维英.图像导航技术的发展和应用[J].航空计测技术,2003,23(6):1～4.[18]童峰,许天增.一种移动机器人超声波导航系统[J].机器人,2002,24(1):55～57.[19]龚涛,蔡自兴.未知远程环境下移动机器人导航的并行进化模型[J].机器人,2003,25(3):470～474.[20]迟健男,徐心和.移动机器人即时定位与地图创建问题研究[J].机器人,2004,26(1):92～96.[21][J].(2):237～266.[22][J].IJCNN,1993:1875～1878.[23][J].Fuzzy-IEEE,1996:7～12.[24][J].(3):408～420.[25][A].ICRA2002[C].2002:2171～2177.[26][J].(4):490～497.[27](eds),RobotMotionPlanningandControl,LecturesNotesinControlandInformationSciences229[J].Springer,1998.[28][J].(5):474~485.[29][J].(3):639～652.[30][J].IEEEIndustryApplicationsSocietyAnnualMeeting,1993:2459～2462.[31][J].RoboticsandAutonomousSystems,2004,47(4):251～267.[32][J].IEEETranssonSMC-PartA,1999,29(6):870～880.[33][J].RoboticsandAutonomousSystems,2002,38(1):1～18.[34][J].RoboticsandAutonomousSystems,2003,45(2):73～82.[35][A].[C].2001:143～148.[36][A].ICMFIIS1996[C].1996:132～138.[37][A].ProceedingsoftheICRA1997[C].1997:441～446.[38](iGPS)[A].IROS2001[C].2001:1005～1010.[39][A].IROS1998[C].1998:570～575.[40][J].IEEE/(2):134～142.[41]李佳宁,易建强,赵冬斌,西广成.移动机器人体系结构研究进展[J].机器人,2003,25(7):756～760.[42]王耀南,李树涛.多传感器信息融合及其应用综述[J].控制与决策,2001,16(5):518～522.[43]王军,苏剑波,席裕庚.多传感器集成与融合概述[J].机器人,2001,23(2):183～186.作者简介邓旭玥(1979-)博士研究生研究领域:机器人规划与控制。王伟(1978-)博士研究生研究领域:欠驱动控制。易建强(1963-)博士/研究员/博士生导师研究领域:机器人、智能控制。赵冬斌(1972-)博士/副研究员研究领域:机器人、智能控制。