在自动导航之前，移动机器人的避障方法是什么？

今年8月，雷锋将在深圳举办一场具有前所未有的全球影响力的人工智能和机器人创新会议. Leifeng.com（公共帐户: Leifeng.com）将发布“人工智能与机器人25强创新公司”列表. 目前，我们正在访问人工智能和机器人技术领域的相关公司，以选择最终被选中的公司. 如果您想加入我们的名单，请联系: 2020@leiphone.com.

雷风王出版社: 本文的作者，张玉坤/刘炜，来自北邮人机与认知实验室（公共名称: 人机与认知实验室）. 雷锋王已被授权.

移动机器人是机器人的重要研究领域. 人们很早就开始研究移动机器人.

世界上第一个真正的移动机器人是由斯坦福研究院（SRI）人工智能中心于1966年至1972年开发的. 它被称为Shakey. 它配备了电视摄像机，三角测距仪，碰撞传感器，驱动电机和编码器由两台计算机通过无线通信系统控制，从而可以实现简单的自主导航. 在Shakey的开发过程中，诞生了两种经典的导航算法: A *搜索算法和可见性图方法.

尽管Shakey只能解决简单的感知，运动计划和控制问题，但它是当时将AI应用于机器人的最成功的研究平台. 它确认了其中许多通常属于人工智能（AI）领域. 严肃的科学结论. 自1970年代后期以来，随着计算机应用程序和传感器技术的发展以及新的机器人导航算法的不断引入，移动机器人的研究已开始进入快速通道.

移动机器人智能的一个重要标志是自主导航，而实现机器人自动导航的基本要求是避免障碍. 让我们来看看移动机器人的避障功能. 避障是指一种方法，其中移动机器人根据收集到的障碍物状态信息，感知在行走过程中会阻碍其通过传感器的静态和动态物体. 有效地避开障碍物，最后到达目标点.

避开障碍物和导航的必要条件是环境意识. 在未知或部分未知的环境中避开障碍物需要传感器获取有关周围环境的信息，包括障碍物的大小，形状和位置. 因此，传感器技术是移动机器人在避障中起着非常重要的作用. 避障传感器包括超声传感器，视觉传感器，红外传感器和激光传感器.

1. 激光传感器

激光测距传感器使用激光来测量参数，例如到被测物体的距离或被测物体的位移.

最常用的距离测量方法是脉冲激光，该脉冲激光发射持续时间非常短的脉冲激光. 在将要测量的距离射向目标后，回波返回并被光电探测器接收. 根据主波信号与回波信号之间的间隔，即激光器发出的激光脉冲与被测目标之间的往返时间，可以计算出被测目标的距离.

由于光速非常快，因此在测量小距离时光束的往返时间非常短. 因此，该方法不适用于高精度（亚毫米级）的距离测量. 通常，如果精度很高，则可以使用三角剖分，相位法和其他方法.

2，视觉传感器

视觉传感器的优点是检测范围广，信息获取丰富.

在实际应用中，经常使用多个视觉传感器或将其与其他传感器结合使用. 通过某些算法，可以获得许多信息，例如物体的形状，距离和速度. 或使用相机的序列图像来计算目标的距离和速度，并使用SSD算法根据镜头的运动图像来计算机器人与目标的相对位移.

但是在图像处理中，诸如边缘锐化和特征提取之类的图像处理方法计算量大，实时性能差，并且对处理器有很高的要求. 此外，视觉测距方法无法检测到玻璃等透明障碍物的存在，并且还受到视场的光强度和烟雾的极大影响.

3. 红外传感器

大多数红外传感器的测距是基于三角测量原理的.

红外发射器以一定角度发射红外光束. 如图所示，当遇到物体时，光束将被反射回去. 在CCD检测器检测到反射的红外光之后，将获得偏移值L. 利用三角关系，在知道了滤光片的出射角α，偏移距离L，中心矩X和焦距f之后，就可以根据几何关系计算出到物体的距离D.

红的光线会导致测量错误，并且测量不够准确.

4. 超声波传感器

超声波传感器的检测距离原理是测量发射的超声波与再次检测的超声波之间的时间差，并根据声速计算物体的距离. 由于空气中超声波的速度与温度和湿度有关，因此在更精确的测量中，需要考虑温度和湿度的变化以及其他因素. 超声波传感器通常具有较短的操作距离，通常的有效检测距离在5-10m之间，但是会有一个最小的检测盲区，通常为几十毫米. 由于超声波传感器成本低廉，实现方法简单，技术成熟. 它是移动机器人中常用的传感器.

目前，根据环境信息的掌握情况，移动机器人的避障可分为两种: 已知的障碍信息，未知的障碍信息或完全未知的信息.

视觉方法，网格方法和自由空间方法等传统导航避障方法可以在已知障碍信息的情况下解决避障问题，但是当障碍信息未知或障碍物可移动时，传统导航方法通常可以不能很好地解决避障问题，或者根本不避开障碍.

在现实生活中，大多数情况下，机器人所处的环境是动态的，可变的且未知的. 为了解决上述问题，人们在计算机和人工智能领域引入了一些算法. 同时，由于处理器计算能力的提高和传感器技术的发展移动机器人导航，在移动机器人平台上执行一些复杂的算法操作也变得很容易. 结果，产生了一系列智能避障方法. 最受欢迎的是: 算法，神经网络算法，模糊算法等在下面分别介绍.

1. 基于遗传算法的机器人避障算法

遗传算法（GA）是一种搜索算法，用于解决计算数学中的优化问题. 它是一种进化算法. 进化算法是通过借鉴进化生物学中的遗传，变异，自然选择和现象而开发的. 遗传算法使用从自然进化中抽象出来的多个运算符对参数编码的字符串执行遗传运算，包括复制或选择运算符（ReproductionorSelect），交叉运算符（Crossover）和变异运算符（Mutation）.

遗传算法的主要优点是: 使用分组方法对目标函数空间进行多线程并行搜索，而不会陷入局部最小值；只需要可行解目标函数的值，而不需要其他信息. 不需要连续性和差异性，并且易于使用；该解决方案的选择和生成具有概率性，因此具有很强的适应性和鲁棒性.

2. 基于神经网络算法的机器人避障方法

神经网络（NN）是模仿生物神经网络的结构和功能的数学或计算模型. 神经网络由大量的人工神经元计算. 在大多数情况下，人工神经网络可以根据外部信息来更改内部结构，是一种自适应系统. 人工神经网络通常通过基于数学统计的学习方法进行优化. 它是一种非线性统计数据建模工具，可以对输入和输出之间的复杂关系进行建模.

传统的神经网络路径规划方法通常是建立关于机器人从初始位置到目标位置的步行路径的神经网络模型. 模型输入是传感器信息和机器人的先前位置或先前位置的方向. 训练将输出机器人的下一个位置或下一个位置的运动方向.

可以建立基于动态神经网络的机器人避障算法. 动态神经网络可以根据机器人环境状态的复杂程度自动调整其结构，实时实现机器人状态与其避障动作之间的映射关系，有效地降低了机器人的计算压力. 机器人. 也有研究使用神经网络避开障碍物，并与混合智能系统（HIS）连接以使移动机器人的认知决策避障能力与人类相似.

3. 基于模糊控制的机器人避障算法

模糊控制是一种使用模糊集理论的控制方法. 建立像经典控制理论这样的数学模型并不能简化实际情况. 相反，它通过人类的经验和决策来实现相应的模糊逻辑. 推理，并使用模糊语言描述整个时变控制过程.

通过经典控制理论建立的用于避免移动机器人避障的数学模型将非常粗糙，并且模糊控制还将考虑经典控制的简化部分.

对于移动机器人避障的模糊控制，关键问题是建立合适的模糊控制器. 模糊控制器主要完成障碍物距离值的模糊化移动机器人导航，避障模糊关系的计算，模糊决策和避让. 障碍物判定结果的非模糊处理（精度）和其他重要过程用于智能控制移动机器人的避障行为. 使用模糊控制理论还可以将专家知识或操作员经验形成的语言规则直接转换为自动控制策略. 通常，使用模糊规则查找表，并使用语言知识模型来设计和修改控制算法.

此外，还有避障算法，例如启发式搜索算法，基于行为的路径规划算法和基于重新激励学习的路径规划算法. 他们在移动机器人的避障研究中也取得了不错的成绩.

随着计算机技术，传感器技术和人工智能技术的发展，移动机器的避障和自主导航技术取得了丰硕的研究成果，应用领域也在不断扩大，应用的复杂性越来越高. . 移动机器人的自主寻路要求已经从以前的简单功能实现提高到可靠性，性和高效率，因此对其相关技术提出了更高的要求.

但是，没有一种方法可以有效地防止任何环境下机器人的障碍. 如何克服相关算法的局限性是今后工作的研究方向之一. 可以看出，传统算法和新兴智能算法都有其适用和不合适的环境. 通过将传统算法与智能算法和智能算法相集成，克服了单个算法的缺点，增强了整体适用性. 该领域已经有很多研究，并且仍将是未来的研究热点之一.

雷锋网注: 本文来自北邮HMI和认知实验室. 请与授权人联系以进行转载，并保留上述完整信息，并且您不得修改或删除该文章.

禁止雷锋网的原创文章转载. 有关详细信息，请参阅转载通知.

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-152440-1.html