移动机器人避障方法 你明白多少？

移动机器人智能的一个重要标志就是自主导航，而实现机器人自主导航有个基本要求——`避障`。

移动机器人是机器人的重要研究领域，人们很早就开始移动机器人的研究。

世界上第一台真正意义上的移动机器人是斯坦福研究院（SRI）的人工智能中心于1966年到1972年研制的移动机器人避障，名叫Shakey，它装备了电视摄像机、三角测距仪、碰撞传感器、驱动马达或者编码器，并借助无线通讯系统由二台计算机控制，可以进行简单的自主导航。Shakey的研发过程中还诞生了两种经典的导航算法：A*算法（the Asearch algorithm）和可视图法（the visibility graphmethod）。

虽然Shakey只能缓解简单的认知、运动规划和控制问题，但它却是当时将AI应用于机器人的最为成功的研究系统，它表明了许多一般属于人工智能 （AriTIficial Intelligence，AI）领域的认真的科学论断。从20世纪70年代末开始，随着计算机的应用和互连技术的演进，以及新的机器人导航算法的不断推出，移动机器人研究起初处于快车道。

移动机器人智能的一个重要标志就是自主导航，而推动机器人自主导航有个基本要求——避障。下面让我们来认识一下移动机器人的避障，避障是指移动机器人根据收集的障碍物的状况信息，在行走过程中借助传感器感知到影响其通行的静态和动态物体时，按照一定的方式进行有效地避障，最后超过目标点。

实现避障与导航的必要条件是环境感知，在未知或者是个别未知的环境下避障需要借助传感器获得周围环境信息，包括障碍物的宽度、形状跟位置等信息，因此传感器技术在移动机器人避障中起着非常重要的作用。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。

激光测距传感器利用激光来检测到被测物体的距离以及被测物体的位移等参数。

比较常见的测距方式是由脉冲激光器发出持续时间极短的纳秒激光，经过待测距离后射至被测目标，回波返回，由光学探测器接收。根据主波信号和回波讯号之间的间隔，即光子脉冲从激光器到被测目标之间的往返时间，就可以算出待测目标的距离。

由于光速很快，使得在测小距离时光束往返时间极短，因此这些方式不适宜测量误差要求很大的（亚毫米级别）距离，一般若规定误差相当高，常用三角法、相位法等方式校准。

视觉传感器的特点是侦测范围广、获取信息丰富。

实际应用中常使用多个视觉传感器以及与其他传感器配合使用，通过一定的算法可以受到物体的颜色、距离、速度等各种信息。或是运用一个摄像机的序列图像来计算目标的距离跟速度，还能运用SSD算法，根据一个镜头的运动图像来推导机器人与目标的相对位移。

但在图像处理中，边缘锐化、特征提取等图像处理方式推导量大，实时性差，对处理机要求高。且视觉测距法测量不能检测到玻璃等透明障碍物的存在，另外受视场光线强弱、烟雾的妨碍很大。

大多数红外传感器测距都是基于三角测量原理。

红外发射器按照一定的视角发射红外光束，当遇到物体之后，光束会反射出来，如图所示。反射出来的红外光线被CCD检测器检测到现在，会获取一个偏移值 L，利用三角关系，在了解了发射角度α，偏移距L，中心矩X，以及滤镜的焦段f以后，传感器到物体的距离D就可以借助几何关系计算起来了。

红的光线都可避免测量误差，测量不够精确。

超生波传感器监测距离原理是测出发出超声波至再检查到发出的超声波的时间差，同时按照声速计算出物体的距离。由于超声波在空气中的速率与温湿度有关，在非常准确的检测中，需把温湿度的差异跟其他原因考量进去。超声波传感器一般作用距离较短，普通的有效探测距离都在5-10m之间，但是会有一个最小探测盲区，一般在几十毫米。由于超声传感器的成本低，实现方式简单，技术成熟，是移动机器人中常见的传感器。

目前移动机器人的避障根据环境信息的把握程度可以分为障碍物信息已知、障碍物信息部分未知或完全未知两种。

传统的导航避障方法如可视图法、栅格法、自由空间法等算法对障碍物信息己知时的避障问题处理尚可，但当障碍信息未知或者障碍是能移动的之后，传统的导航技巧通常不能很好的缓解避障问题以及根本不能避障。

而实际生活中，绝大多数的状况下，机器人所处的环境都是动态的、可变的、未知的，为了缓解上述难题，人们采用了计算机和人工智能等领域的一些算法。同时得益于处理器计算能力的提升及传感器技术的演进，在移动机器人的系统上进行一些复杂算法的运算也更加轻松，由此形成了一系列智能避障方法，比较热门的有：遗传算法、神经网络算法、模糊算法等，下面分别加以介绍。

遗传算法（geneTIcalgorithm，简称GA）是推导数学中用于解决最佳化的搜索算法，是演化算法的一种。进化算法是借鉴了演化生物学中的基因、突变、自然选取以及等现象而演进出来的。遗传算法采用从自然演化中写实出来的几个算子对参数编码的字符串进行基因操作，包括复制或选取算子（ReproducTIonorSelect）、交叉算子（Crossover）、变异算子（MutaTIon）。

遗传算法的主要特点是：采用群体形式对目标函数空间进行多线索的并行搜索，不会陷入局部极小点；只应该可行解目标函数的值，而不需要其他信息，对目标函数的连续性、可微性没有要求，使用方便；解的选用跟产生用概率方法移动机器人避障，因此具备较强的适应能力跟鲁棒性。

神经网络（neuralnetwork，缩写NN），是一种模仿生物神经网络的构架和用途的物理建模或推导模型。神经网络由长期的人工神经元联结进行推导。大多数情况下人工神经网络能在外界信息的基础上颠覆内部构架，是一种自适应系统。人工神经网络通常借助一个基于物理统计学类型的学习方法优化，是一种非线性统计性数据模型软件，可以对输入跟输出间复杂的关系进行模型。

传统的神经网络模式规划方式通常是成立一个关于机器人从初始位置至目标位置行走模式的神经网络建模，模型输入是传感器信息和机器人前一位置以及前一位置的运动方向，通过对模型练习输出机器人下一位置以及下一位置的运动方向。

可以构建基于动态神经网络的机器人避障算法，动态神经网络可以按照机器人环境状况的复杂程度自动地微调其构架，实时地推动机器人的状况与其避障动作之间的映射关系，能有效地减少机器人的运算压力。还有研究通过使用神经网络避障的同时与混合智能平台（HIS）相联接，可以让移动机器人的感知决策避障能力跟人相近。

模糊控制（fuzzycontrol）是一类应用模糊集合理论的控制方式，它没有像经典控制理论那样把实际状况加以简化使得构建起物理建模，而是借助人的经验跟决策进行相应的模糊逻辑推理，并且用带有模糊性的语言来表述整个时变的控制过程。

对于移动机器人避障用经典控制理论构建起的物理建模将会更加粗糙，而模糊控制则把经典控制中被简化的个别也综合起来加以考虑。

对于移动机器人避障的模糊控制而言，其关键问题就是要建立适合的模糊控制器，模糊控制器主要完成障碍物距离值的模糊化、避障模糊关系的运算、模糊决策或者避障决策结果的非模糊化处理（精确化）等重要过程，以此来智能地控制移动机器人的避障行为。利用模糊控制理论还能将教授知识或操作人员经验产生的语言规则直接转换为自动控制策略。通常使用模糊规则查询表，用语言知识建模来设计跟修正控制算法。

除此之外还有启发式搜索算法、基于行为的模式规划算法、基于再鼓励学习的模式规划算法等避障算法，也都在移动机器人的避障研究中获得了很高的成果。

随着计算机科技、传感器技术、人工智能的演进，移动机器的避障及自主导航科技尚未获得了丰硕的研究成果，应用领域也在不断地扩大，应用复杂程度也越来越高。移动机器人的自主寻路要求尚未从之前简单的功能实现提高到可靠性、通用性、高效率上来，因此对其相关技术强调了更高的要求。

然而目前没有任何一种方法无法在任意环境让机器人进行有效地避障，如何摆脱相关算法的局限性是未来工作的研究方向之一。可以看出不管是特色算法还是新兴的智能算法都有其适用与不适用的环境，通过特色算法与智能算法及智能算法之间的互相整合，克服单个算法的弊端，增强整体的适用性，现在尚未有很多这方面的研究，以后却将是研究热点之一。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/tongxinshuyu/article-141904-1.html