机器人路径规划

《机器人路径规划》由会员分享，可在线阅读，更多相关《机器人路径规划（9页珍藏版）》请在金锄头文库上搜索。

1、机器人路径规划摘要：机器人路径规划是机器人技术的重要分支之一，路径规划技术的研究是研 究机器人技术不可或缺的技术之一。本文首先介绍了当前研究人员热衷的 ROS 系统是如何进行路径规划的，接着论述了作为群智能算法的蚁群算法应用于机器 人的路径规划中。研究表明，可以将蚁群算法和 ROS 系统结合，进一步的进行 机器人的路径规划。关键词：路径规划，ROS系统，蚁群算法，机器人1. 引言智能移动机器人技术是机器人技术的重要组成部分，应用前景十分广阔：工 业，农业，国防，医疗，以及服务业等1。文献提出，未来数年内，中国服务机 器人发展将超过传统的工业机器人2，机器人路径规划技术是服务机器人研究的 核心内

2、容之一3。可见，研究机器人的路径规划问题十分必要。随着机器人领域的快速发展和复杂化，代码的复用性和模块化的需求原来越 强烈，而已有的开源机器人系统又不能很好的适应需求。2010年Willow Garage 公司发布了开源机器人操作系统ROS(robot operating system)，很快在机器人研 究领域展开了学习和使用ROS的热潮。ROS系统是起源于2007年斯坦福大学 人工智能实验室的项目与机器人技术公司 Willow Garage 的个人机器人项目 (Personal Robots Program)之间的合作，2008 年之后就由 Willow Garage 来进行 推动。ROS的

3、运行架构是一种使用ROS通信模块实现模块间P2P的松耦合的网 络连接的处理架构，它执行若干种类型的通讯，包括基于服务的同步RPC (远 程过程调用)通讯、基于Topic的异步数据流通讯，还有参数服务器上的数据存 储。 ROS 系统以其独特优点引起了研究人员的兴趣。近年来，各国学者致力于机器人路径规划的研究且取得了相当丰硕的研究成 果。目前已有多种算法用于规划机器人的路径，文献【4】将其主要分为经典方法和进化算法等。人工智能技术是近些年来新兴的技术，有着传统方法不具有的 优点，它使得移动机器人在理论上拥有了一定的“智能”。蚁群算法是人工智能技术的重要分支，最早由意大利学者 Dorigo 于上世纪

4、 90年代提出(AS, ant system),首先成功应用于解决TSP问题5。蚁群算法是 一种拥有自组织和正反馈优点的并行优化算法，经过学者们的大量研究，成功运 用于许多领域。但也存在着一些不足，从AS算法开始，针对这些不足，学者们 进行了一系列的改进研究并且进行了相应的试验。2. ROS 系统与机器人的路径规划本节主要介绍 ROS 系统环境下如何进行机器人的路径规划的。主要内容包 括机器人环境的地图和障碍，及机器人的位姿在 ROS 系统中的表示，最后说明 了机器人的全局路径规划和局部路径规划。2.1 地图与障碍PoliganPo&eROS 系统中地图分为动态地图和静态地图。动态地图是指机器

5、人的地图是 根据机器人的传感器实时得到的，在机器人行走的过程中不断依靠传感器进行识 别并进行更新地图，或者是根据已有的静态地图不断的更新。而静态地图是指在 机器人路径规划之前输入一个地图，或者是机器人自己识别的地图但是在过程中 不会持续更新。这里重点介绍的是机器人的静态地图。RQbfltMigdrl TFT irwkz pluqhn tutonakDisplays the poses from a ge3rnetrymsgs：2Px3S4?Array ms&age as aarrows on khe grourKiiN-atneParticle cLoudplane. IMone InfwFn

6、atjonCancel图 1 机器人的静态地图和点云如图 1，静态地图由点云构成。点云点云是在和目标表面特性的海量点集合。根据激光测量原理得到的点云，包括三维坐标（XYZ ）和激光反射强度（Intensity）。根据摄影测量原理得到的点云，包括三维坐标XYZ）和颜色信息（RGB）。结合激光测量和摄影测量原理得到点云，包括三维坐标（XYZ）、激 光反射强度（I ntensity）和颜色信息（RGB）这里的点云是二维坐标点的集合。2.2 位姿机器人在ROS系统中表现成一个点，但是实际中，机器人是有一定体积的。因而，在 ROS 系统中也应当有所体现，这种体现主要表现在两个方面。CameraSalad

7、t 2DEpi砂伽闊I Wl即刖 BMkgraun. Fboed Frame /map Tirswt Frame BwallTinw 1370395350.40 Will Eliimadi US 1.76Tima： 34.1JKOS Ebpf Ad 34.2图 2 机器人的位姿估计图 3 障碍的膨胀首先是机器人的位姿估计，系统中是提供机器人的位姿设置的。有自动设置 和手动设置的，如图 2，就是手动设置界面，可以设置机器人的长宽高。如果不 进行手动设置，则会按照默认的进行估计，相应的宽度等都是0.4 米。其次，机 器人在识别地图的过程中，会根据机器人的位姿进行一定的障碍膨胀处理。如图3. 其中红

8、线是障碍物，而蓝色部分则是相应的膨胀部分。这样可以防止机器人与 障碍物碰撞。2.3 全局路径规划和局部路径规划机器人有了地图，及其相应位姿之后，机器人可以根据控制，进行相应的路径规划。路径规划主要分为两种，一种是全局路径规划，主要是基于静态地图。另一种是局部规划，则必须依靠相应的传感器进行实时的感知周围的环境信息。机器人的路径规划是按照某一性能指标搜索一条从起始状态到目标状态的 最优或近似最优的无碰路径6。按照机器人对环境信息的已知程度的不同，路径 规划问题分为环境已知的全局路径规划和环境信息完全不知或者部分不知的局 部路径规划问题7。前者在已知或者直接给出的静态环境中进行相关的工作，本 文进

9、行的是机器人全局路径规划研究，即障碍地图已知的机器人路径规划研究。AddRVlz吩LiMnwt 二啓丹吓 MRwFMEjrf* FDhLwgl E= Mmuir?PirjhPnN- 0 CfclMl MHr5 # Chbal StMu黑 M * Qrld Ki !&Le-FEiit SqudrHyie 冋0-04Alphia1Dcc-aii Tirre 上图 4 全局路径规划图4就是ROS机器人进行的全局路径规划。其中，绿色的线就是全局路径 规划的线路图。3. 蚁群算法和机器人的路径规划从自然界中蚂蚁寻求蚁穴到食物之间的最短路径得到启示，上世纪 90年代 Dorigo.M 最早提出蚂蚁算法(

10、ant system, AS )5, 8，主要基于搜索过程中信息素 的正反馈机制和启发式的贪婪机制，并且首先成功运用于NP难中的TSP问题。 凭借着其自身的优点，蚁群优化算法成功运用于很多问题，如网络路由问题 9， 图像处理10，文本聚类分析11等，与此同时，蚁群算法也开始应用于机器人路 径规划。从AS开始，ACO得到了不断的发展和完善，针对AS的不足，很多 人开始致力于基本蚁群算法的改进研究及其应用。蚁群算法可以应用于路径规划研究。3.1 蚁群算法简介蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中 寻找优化路径的机率型算法。它由Marco

11、 Dorigo于1992年在他的博士论文中提 出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟 进化算法，初步的研究表明该算法具有许多优良的性质。针对 PID 控制器参数 优化设计问题，将蚁群算法设计的结果与遗传算法设计的结果进行了比较，数值 仿真结果表明，蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。 各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。当一只找 到食物以后，它会向环境释放一种挥发性分泌物 pheromone (称为信息素,该物质 随着时间的推移会逐渐挥发消失，信息素浓度的大小表征路径的远近)来实现的， 吸引其他的蚂蚁过来，这样越来越

12、多的蚂蚁会找到食物。有些蚂蚁并没有像其它 蚂蚁一样总重复同样的路，他们会另辟蹊径，如果另开辟的道路比原来的其他道 路更短，那么，渐渐地，更多的蚂蚁被吸引到这条较短的路上来。最后，经过一 段时间运行，可能会出现一条最短的路径被大多数蚂蚁重复着。3.2 环境建模对于机器人的环境建模有多种方法，如可视图法，maklink,人工势场法等。 其中栅格法是一类经典的环境建模方法，本文采用此种方法对环境进行建模。将 环境划分为单位大小的正方格，如果方格内有障碍物，则标记为 1，在图形中表 示为黑色；而没有障碍物的方格标记为0，在图形中表示为白色。在计算中用方 格的中心表示方格的整体位置。在四周没有障碍的环境

13、中，也不是边缘方格的前 提下，每个方格有8 个方向可以移动，即右，右上，右下，左，左上，左下，和 上，下八个方向可以移动。图 5 栅格法下的路径规划还有 maklink 图论法：1选择一个障碍物（凸多边形），选取其上一个顶点，连接该点与其它障碍 物的顶点，包括该点所属障碍物的其它顶点，做该点到环境空间边界的垂线段。2将步骤 1 得到的所有线段按照长度从短到长的顺序加入到线段存储表。 3选择线段存储表中的表头线段。4检查该线段是否穿越环境空间中任意障碍物边界。如果发生相交，那么 这条线段就不是一条自由链接线。因此，放弃当前线段并选择线段存储表中下一 条线段。重复检查过程，直至找到一条线段与所有障

14、碍物边界不相交，继续至步 骤 5 。5检查该线段在当前顶点处形成的两个夹角。每个障碍物顶点都设有一个自由链接表，当该表为空时，夹角为线段与形成该障碍物顶点的两条边界的夹角3.3 路径规划在两种不同地图环境下，分别运用蚁群算法都可以求得相应的路径规划。如图5和图6,图5是栅格法下的路径规划，图6则是maklink下的路径规 划。图 6 maklink 下的路径规划111 11f1 1虫-111f-4.参考文献1. 徐国保, 尹怡欣, 周美娟. 智能移动机器人技术现状及展望 J. 机器人技术与应用 .2007(2):29-34.2. 蔡自兴.中国机器人学40年J.科技导报.2015;33(21):23-31.3. 朱大奇, 颜明重. 移动机器人路径规划技术综述 JJ. 控制与决策. 2010;25(7):961-7.4. Raja P, Pugazhenthi S. Optimal path planning of mo