移动机器人的发展状况与趋势

移动机器人的发展状况及趋势

摘要

移动机器人就具有广泛的应用前景，也是近年来研究的热门课题之一。本文对移动机器人的发展与现状以及移动机器人导航技术的发展状况做了总结与阐述。

1.引言

导航技术在移动机器人的相关技术研究中，是其核心技术，也是其实现其智能化的技术。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。机器人及其技术在未来将起到重要作用。展望生产自动化的未来，从使用角度看，生产系统如何才能在与人协调的作业环境中快速高效地生产出高质量、高性能的商品。

2.移动机器人的分类

移动机器人按工作环境来分：室外移动机器人和室内移动机器人。按移动方式分：轮式移动机器人，步行移动机器人，蛇形移动机器人，履带移动机器人，爬行移动机器人。按结构体系结构分：功能式结构机器人，行为式结构机器人，混合式结构机器人。按功能和用途分：医疗机器人，军用机器人，助残机器人，清洁机器人。按作业空间分：陆地移动机器人，水下移动机器人，无人和空军移动机器人

3.移动机器人导航及定位现状

导航和定位是移动机器人发展的两重要问题，移动机器人的导航方式可以分为：基于环境信息的地图模型匹配导航，视觉导航，传感器数据导航。

3.1导航

3.1.1陆标导航

陆标导航是将陆地上的一些特殊景物作为陆标，移动机器人在知道这些陆标坐标形状的前提下通过对陆标的探测确定自己的位置。同时将全场的目标分解为陆标和陆标之间的片段。不断对陆标探测完成导航，根据不同环境可以分为人工路标导航和自然路标导航。人为路标导航是通过对人放置的一些陆标进行识别完成导航，但它容易改变工作环境。自然路标导航不会改变自然环境，是机器人对工作环境中的自然标志进行识别完成那个导航。

3.1.2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。

3.1.3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。

3.2定位

作为机器人导航的最基本环节，定位是确定机器人在二维工作环境中相当于全局坐标的位姿定位方法根据机器人工作环境工作的复杂性。根据机器人定位方法的不同可以分为惯性定位，陆标定位，声音定位等。惯性定位是在移动机器人的车轮上装有光电编码器。陆标定位常用的方法是三角测量法。声音定位用于光线超出视野之外或者光线很暗时。

4.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、机器人路径规划、机器人体系结构、传感器数据融合等。

5.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。

5.1模糊逻辑的导航方法

Wong等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。

5.2遗传算法

X文志等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。

5.3神经网络技术

5.4基于行为的导航方式Banta等讨论了神经网络技术在机器人导航中的应用。Morasso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。Doitsidis etal 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大致相同。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(wall following，obstacle avoidance，goalseeking)，每