机器人运动路径规划方法

机器人运动路径规划的性能指标包括：实时性、安全性和可达性等。在动态环境中，由于环境信息是时刻变化的，如果移动机器人实时性差，滞后于动态环境，就可能会导致避障失败。安全性和可达性也很重要。一个性能指标不好的方法，即使它能使移动机器人走出完美的轨迹，也将被淘汰。而有些方法没有高深的理论，但计算简单，实时性、安全性好，则有存在的空间。如何使性能指标更好是各种算法研究的一个重要方向。

智能化移动机器人路径规划主要包括模糊控制、神经网络、遗传算法以及它们的相互结合等方法。智能化方法能模拟人的经验，逼近非线性，具有自组织、自学习功能并且具有一定的容错能力。这些方法应用于路径规划会使移动机器人在动态环境中更灵活，更具智能化。

移动机器人的多传感器信息融合也是当今一个比较活跃的研究领域。移动机器人在动态环境中进行路径规划所需信息都是从传感器得来。单传感器难以保证输入信息准确与可靠。多传感器所获得信息具有冗余性，互补性，实时性和低代价性，且可以快速并行分析现场环境。具体方法有采用概率方法表示信息的加权平均法，贝叶斯估计法，多贝叶斯法，卡尔曼滤波法，统计决策理论法。有采用命题方法表示信息的D-S证据推理，模糊逻辑，产生式规则，还有仿效生物神经网络的信息处理方法，人工神经网络法等。

基于行为的路径规划方法是一种自底向上的构建系统方法，即把路径规划分解成一系列相对独立的小系统，在运行状态下通过竞争机制取得控制机器人的主导权，并在与环境交互作用中最终达到目标。基于功能/行为的机器人控制结构融合了两者优点，既有基于功能控制结构的必要理性，又有基于行为控制结构的快速响应。

1 移动机器人路径规划技术的分类
按照机器人对周围环境信息的识别与对信息的掌握程度以及对不同种类障碍物的识别进行分类，可将机器人路径规划分成四类：第一类，在已知的比较熟悉的环境中，根据静态障碍物的位置对移动机器人的路径进行规划；第二类，在未知的比较陌生的环境中根据静态障碍物的位置对移动机器人的路径进行规划；第三类，在已知的比较熟悉的环境中，根据动态障碍物的运行状态对移动机器人的路径进行规划；第四类，在未知的比较陌生的环境中，根据动态障碍物的运行状态对移动机器人的路径进行规划。根据机器人对周围环境的掌握能力不同，可以对路径规划技术进行划分，第一类是在对周围环境信息已经验证的基础上对移动机器人的的路径进行规划，所规划的路径为全局路径；第二类是基于传感器信息的基础上对机器人的路径进行规划，规划的路径为局部路径[1]。移动机器人的路径规划方法一般可以划分成两大类型，即传统方法与智能方法。
2 全局路径规划方法
2.1 拓扑法
该路径规划的方法主要就是把所规划的空间进行分割，并形成具有拓扑特点的子空间，同时构建拓扑网络，并在其中探索出起点至终点的详细拓扑路径，然后根据拓扑路径的路径规划得到最终需要的几何路径。拓扑路径的规划方法是以降维法为主要依据，也就是，将高维的比较复杂的空间几何路径求法转化为低维的比较简单的拓扑空间的辨别连通方法。这种方法的最明显优势就是对拓扑特点进行充分利用，进而有效地减小实际搜索的空间范围[2]。而其算法的复杂程度则只是同障碍物数目有较大关系，所以，最主要的问题就是在障碍物数量增加的情况下，采取合理措施对已有拓扑网络进行修正，并实现图形速度提升的目的。
2.2 可视图法
这种路径规划的方法就是将机器人看做是一个点，然后进行合理组合，并将机器人与目标点、多边形障碍物的各顶点相连。在连接点的过程中，需要保证直线可视，也就是目标点与多边形障碍物的各顶点以及各个障碍物顶点间的连线不能穿越障碍物。通过这种方式能够有效的将搜索最优路径转化为由起点到目标点间的可视直线的最短距离。使用优化算法，既可以简化视图，又可以减少搜索需要的时间。这种方法最大的好处就是可以有效的缩短路径，但是在计算上忽略了机器人自身的尺寸，这在实际操作中，当机器人经过障碍物时极容易与障碍物的距离过近或者发生碰触，会延长搜索的时间。这种情况并不是不可控制的，适当的应用切线图和Voronoi图能够对可视图的方法进行完善[3]。切线图是将障碍物切线使用弧来表示，通过弧来表示就可以使机器人在起点到目标点最短路径行走时，只是接近障碍物不会碰触到障碍物。但是，这个方法也存在一定的不足，就是如果在控制的过程中位置设置出现偏差，就会使机器人与障碍物发生碰撞。Voronoi图的应用原理是用远离障碍物的路径表示弧，这种表示方式会使路径的距离增加，位置的误差也会加大，但是这种方式会减少机器人与障碍物发生碰撞的几率。
2.3 栅格法
栅格法是将机器人运行的环境进行划分，将整个环境划分成网格单元，而且在机器人运行的空间内，障碍物的位置和尺寸保持不变，在机器人实际工作中，障碍物也不会发生变化。栅格的尺寸大小都相同，通过栅格来对机器人的二维工作空间进行划分，如果一个栅格内没有障碍物，那么就可以将这个栅格当做自由栅格；如果一个栅格内存在障碍物，那么这个栅格就是障碍栅格。在栅格中，自由空间与障碍物都是由栅格块的集成来表示，对障碍物栅格和自由栅格有两种标记方式：直角坐标法和序号法。一般情况下，机器人工作的环境是用四叉树与八叉树来表示，然后使用优化算法搜索出最优路径。这种方法是将栅格作为计算单位对环境信息进行记录，栅格的粒度越小就可以更精确地表示障碍物，但是，这样会占据较大存储空间，同样会增加算法范围搜索的指数。然而，栅格粒度过大，其路径的规划就不会精确。由此看来，栅格粒度的大小确定是该方法重要的考虑内容。
3 局部路径规划方法
3.1 人工势场法
该方法是一种虚拟力法，是将移动机器人在环境中的运动模拟成人工受力场的运动。在这个运动过程中，障碍物和移动机器人之间产生力视为斥力，将障碍物与目标点间产生的力视为引力。当利用算法来使这两种力周围产生势以后，移动机器人就会受抽象力作用，实现绕过障碍物行走的目的。人工势场的方法，其内部结构简单，而且能够更好地控制低层，因此被广泛应用在避障与平滑轨迹控制中。由于局部最优解始终存在，使得死锁现象频繁出现，进而导致移动机器人还未到达局部最优点就会停止行走。为了有效地解决上述问题，就需要对算法进行完善。对势场方程的定义进行合理的优化，这样能够有效的消除势场中局部极值[4]。
3.2 遗传算法
遗传算法需要保证适应度的函数必须为正，不要求函数可导或者连续。此外，这种方法属于并行算法，这就使得在全局搜索中能够应用其自身的隐并行性。应用遗传算法大部分的优化算法都能够进行单点搜索，这就能够使计算很容易进入到局部最优中。但是遗传算法属于多点搜索算法，这样很容易算出全局的最优解。
3.3 神经网络法
神经网络方法是通过感知空间进而执行行为空间。但是，要想使用数学方程来将此映射关系表示出来具有一定的难度，然而，使用神经网络方法就可以表示出来。把传感器数据当作网络输入，可以将人对其期望运动的方向确定当作网络输出。这样原始样本集就可以用一组数据来表示，对重复和宏图的样本进行处理，就可以得到最终的样本集[5]。
4 机器人路径规划技术的未来展望
移动机器人的路径规划技术主要是通过计算机、传感器以及控制技术来完成，随着科技的不断进步，新型的算法也会越来越多，所以机器人的路径规划技术也会不断的得到完善。但是，在未来的研究过程中，还需要不断提高其路径规划的性能指标，并实现多移动机器人系统的路径规划。还应该在路径规划中适当地融入多传感器的信息，将更多的精力放在对移动机器人的路径规划上，开发出更多的计算方法，从而促进移动机器人路径规划技术的发展和完善。
5 结束语

综上所述，移动机器人路径规划技术已经取得了可观的成绩，但是，在其全局路径与局部路径规划方法中仍然存在诸多不足之处，并且还未研究出能够适用于所有场合的方法。所以，需要在其路径规划技术方面深入研究，进而推动该技术的进一步发展。

查看更多相似文章