自主移动机器人智能导航研究进展

自主移动机器人智能导航研究进展

冯建农　柳　明　吴　捷

(华南理工大学计算机系　广州　510641)摘　要　本文对当前在自主移动机器人智能导航研究中已被采用并取得成果的研究方法进行了

综述,并根据已取得的成果预测了移动机器人智能导航研究的发展趋势,指出视觉导航和传感器融合将是移动机器人智能导航的主要发展方向.

关键词　移动机器人,智能系统,导航

1　引言

国际机器人研究在经过了80年代的低潮之后,呈现出复苏和继续发展的形势;我国的机器人研究在国家“七五”、“八五”及“863”计划的推动下也取得了很大进展.与70年代的机器人浪潮相比,现在的机器人研究有两个特点:一是对机器人智能的定位有了更加符合实际的标准,也就是不要求机器人具有象人类一样的高智能,而只是要求机器人在某种程度上具有自主处理问题的能力;另一个特点是许多新技术及控制方法(神经网络、传感器融合、虚拟现实、高速度的并行处理机等)被引入到机器人研究中.研究重点的转变使机器人研究走向了健康而平稳的发展道路,并不断取得新的研究成果.

智能自主移动机器人能够按照存储在其内部的地图信息,或根据外部环境所提供的一些引导信号(即通过对环境的实时探测所获得的信息)规划出一条路径,并能够沿着该路径在没有人工干预的情况下,移动到预定目标点.智能自主移动机器人对它的研究正在成为一个重要的研究热点.

由于机器人应用从制造业向非制造业的扩展,以及自主移动智能机器人在诸如野外作业、深海探测、以及一些人类本身所不能进入的有毒或高温环境的作业中,有着极其广泛的应用前景,因此近年来机器人研究在多方面都已取得了很大的进展.研究的成果必将成为各行各业提高生产力的强有力工具.

2　移动机器人导航分类

移动机器人有多种导航方式,根据环境信息的完整程度、导航指示信号类型、导航地域等因素的不同,可以分为基于地图导航、基于陆标导航、基于视觉导航、基于感知器导航等.

基于地图的导航是在机器人内部存有关于环境的完整信息,并在预先规划出的一条全局路线的基础上,采用路径跟踪和避障技术,实现机器人导航;当机器人对周围环境并不完全了解时,则可采用基于陆标的导航策略,也就是将环境中具有明显特征的景物存储在机器人内部,机器人通过对陆标的探测来确定自己的位置,并将全局路线分解成陆标与陆标之间的片段,再通过一连串的陆标探测和陆标制导来完成导航任务;在环境信息完全未知的情况下,可1997年11月机器人　R OBOT N ov.,1997

1996-11-04收稿

通过摄像机或传感器对周围环境的探测来实现机器人导航;在相对规整的环境中,还可以在路面或路边画出一条明显的路径标志线,机器人在行走的过程中不断的对标志线进行探测并调整行进路线与标志线的偏差,当遇到障碍时或是停下等待、或是绕开障碍,避障后再根据标志线的指引回到原来的路线上去,最终在标志线的指引下到达指定的目的地.

不论采用何种导航方式,智能移动机器人要完成的功能应该包括:路径规划与避障、探测与定位和控制系统稳定性.根据导航方式的不同,各方面所采用的技术和要达到的目标不同.3　视觉导航系统

视觉系统在导航研究中主要起到环境探测和辨识的作用.环境的探测包括障碍探测和陆标探测,而辨识主要是陆标的识别.

视觉导航的优点在于其探测的范围广,缺点是难以区分将要探测的目标与背景.为了将障碍与背景分开,所需的图像计算量很大,导致系统的实时性较差,可采用一些特殊图像处理方法,其中包括:使用Hough 变换从图像中提取直线形式的道路边界,并通过对比探测到的道路信息与机器人内部存储的地图,修正偏差,实现导航,这种方法可以提高导航的鲁棒性[1];也可以把图像分解成为目标、背景、平地、不平地4类,并根据分解后的结果,将环境信息归类于平原模式和目标模式(陆标形式),然后针对不同的模式采用不同的环境表示方法和导航方式,从而避免无用信息的运算[2]

;在室内环境中,可采用Houg h 变换从图像中提取墙壁等直线信息,然后通过对多个墙壁的距离来实现自身的定位[3];对机器人内部的目标图形库采用树型存储,可以提高探测到的二维图像与目标的匹配速度[4];由于仅通过单幅图像信息来判断障碍物的距离和速度是很不准确的,因此在实际应用中,可使用多个摄像机[5],或是利用一个摄像机的多幅连续图像序列来计算目标的距离和速度,还可采用SSD 算法,根据一个摄像机的连续画面来计算机器人与目标的相对位移,并用自适应滤波对测量数据进行处理,以减小环境的不稳定性造成的测量误差[6].为了避免大量的图形运算,可用多种传感器来完成测距工作[7].

在室外或环境不规整情况下,很难用墙壁或道路边界进行导航,这时就有必要设置专用的陆标[8],或者选用树木之类的变化不大的自然景物作为陆标,结合CCD 摄像头或超声波传感器来探测陆标,以确定机器人当前的准确位置[9].4　传感器与传感器融合

传感器在导航中主要起到目标探测的作用,探针式、电容式、电感式、力学传感器、雷达传感器[10]、光电传感器[11]等都在实际中有所应用.但针对测距和障碍探测的特殊要求,目前采用最多的导航传感器仍是红外线和超声波传感器.超声波测距是近年来发展起来的一种测距方法,但由于超声波传感器具有一定的局限性,表现在探测波束角过大,方向性差;往往只能获得目标的距离信息,不能提供目标的边界信息;单一传感器的稳定性不理想等.在实际应用中,往往采用其他传感器来补偿[12],或采用多传感器融合技术[13].红外探测的情况与超声波传感器相仿,但由于其探测视角小,方向性强一些,测量精度也有所提高.对红外探测数据进行EKF 滤波后用于定位是一个可行的方法[14].

由于现有传感器普遍存在着有效探测范围小、数据可靠性低等缺点,在实际应用中往往使用多种传感器共同工作,并采用传感器融合技术对检测数据进行分析、综合和平衡,利用数据469第19卷第6期冯建农等:　自主移动机器人智能导航研究进展

470 机　器　人1997年11月

间的冗余和互补特性进行容错处理,以求得到所需要的环境特性.所谓多传感器融合,是指将多个传感器采集的信息进行合成,形成对环境某一特征的综合描述的一种方法.使用这种方法,可使探测到的环境信息具有冗余性、互补性、实时性和低成本的特点,同时还可以避免摄像机系统中巨大的数据处理量.目前在传感器融合方面使用的方法有加权平均法、卡尔曼滤波法、贝叶斯估计法、统计决策理论方法、Shafer-Dempster证据推理法、产生式规则法、模糊逻辑法和人工神经网络方法等.加权平均法是最简单和最直观的融合方法,它将多个传感器检测的冗余数据进行加权平均,并用平均的结果作为融合的结果;利用卡尔曼滤波可以得到统计意义下的最优检测数据估计值;贝叶斯估计常用于具有可加高斯噪声干扰的多传感器融合;统计决策理论与贝叶斯估计的不同之处在于干扰信号并不要求是高斯噪声,因而具有更宽的适应范围;Shafer-Dempster证据推理是贝叶斯方法的扩展,这种方法把局部成立的前提与全局成立前提分离开来,以便处理前提条件不完整的信息融合;使用产生式规则可以建立自然景象专家系统,根据多传感器的检测数据,使用符号来表示环境特征;模糊逻辑通过指定一个0到1之间的实数来表示真实度,可以将多传感器信息融合过程中的不确定性直接表示在推理过程中;基于人工神经网络的多传感器融合,通过有教师或无师自学习算法进行网络学习,一旦学习完成,该神经网络就能够根据以网络权矩阵和网络拓扑结构形式存储的环境特征信息,对输入神经网络的传感器信息进行融合,这种系统具有很强的容错能力和鲁棒性[15].

事实上,采用传感器融合技术,如不作出一定的限制,将会大大增加机器人的计算工作量.为减小数据计算量,在具体问题中,往往不是对所有的传感器信息进行融合,而是采用传感器分组方法,针对不同的行动激活不同的分组[16],或者对不同复杂程度的地形激活不同数量的传感器来探测[17],这样可以减少融合过程中的计算量.

5　神经网络

近年来,随着人工神经网络研究的深入,人们已将神经网络引入到智能机器人导航研究中.通过实例教学使网络收敛,学习完成后的网络,除了其固有的并行特性外,还具有一定的容错能力,并且对学习中未遇到的情况,也能进行一定的处理.机器人系统是一个实时性要求很高的非线性系统,人工神经网络提供了解决这方面问题的可能性.

由于神经网络是一个高度并行的分布式系统,所以可用来完成对视觉系统探测到的图像进行处理,它不仅处理速度高,还可以充分利用其非线性处理能力达到环境及陆标辨识的目的[18],还可以完成机器人内部坐标和全局坐标的快速转换[19].另外,基于环境拓扑结构组织的网络,在给出目标后,可以通过网络能量函数的收敛得到一条最优路径[20].

神经网络在导航中的应用还在于对避障和路径规划方面.由于避障和路径规划工作没有明显的规则和难以进行事件分类,可以让神经网络通过大量的实例学习来掌握.由于不需要迭代,采用前向网络学习算法来学习避障行为时,速度很快;Kohonen网络的自组织特性也可以用来融合传感器信息,学习从地图上不同位置到目标的行走路线,一旦学习完成后,机器人就能够实现自主导航[21].

在有监督的情况下,学习网络的最大缺点在于环境改变后必须重新学习,这在环境信息不完整或环境经常改变的情况下难以应用.为了解决这个问题,有必要给出智能程度更高的、具有在无监督情况下自学习能力的自适应神经网络.这方面的研究有:基于VAM表示的DIRRECT模型的自学习神经网络,它能够完成跟踪目标的低层控制[22];用模糊规则指导学习