关键字 |
| 机器人、机械、执行机构、导航、运动等。 |
介绍 |
| 环境映射被认为是移动机器人实现自主的基本技能[1]。机器人映射可以定义为通过感官信息获取环境空间模型的过程。环境地图允许移动机器人与该环境中的物体和人进行连贯的交互。该机器人可以安全导航，识别周围物体，并灵活应对意外情况。如果没有地图，一些重要的操作可能会很复杂，比如确定机器人周围物体的位置和定义要遵循的运动。这些问题涉及到正确执行映射任务的重要性，因为获取不准确的地图会导致机器人正确定位的推断错误，从而导致这些操作的不完善实现。因此，推断机器人的准确定位与构建精确的地图[2]之间是相互依赖的。在机器人映射方面，已有一些研究提出了映射环境的表示方法，这些研究都涉及处理高维映射环境。度量表示法存储环境的几何属性，而拓扑表示法描述不同地方之间的连通性。在度量表示中，占用网格通过提供映射环境的相对准确的再现而脱颖而出。 |
研究目标 |
| 研究的重要目标是提供基于不同传感器、软件程序和硬件的控制机器人的计算机基础解决方案。我们将通过执行器和传感器提前检查机器人的控制，帮助移动机器人在不同方向的墙壁上导航，同时避免因建筑物结构而产生的不同障碍。这是通过开发机器人控制模型来实现的。 |
文献调查 |
| 机器人由可移动的物理结构、动力系统(液压、电气或气动)、传感器系统、电机和告诉其各部分该做什么的“大脑”组成。它们可能有一个“手臂”，称为末端效应，或者可以使用工具或抓手。它们通常会有一个传感器，使它们能够接收周围发生的事情的信息。本文从机器人的特点出发，在控制系统的基础上，提出了蜂群移动机器人指挥管理的开发体系结构和层次表示方法。该模型包含拓扑和几何表示，并借助控制系统的各种控制路径规划，电子传感器，数字元件力学，协调，驱动，学习和适应。机器人预先知道待测空间的拓扑结构，能够沿着墙体的不同方向导航，同时避开因建筑结构而产生的不同障碍物。 |
| 随着机器人研究的不断深入，在过去的十年中，智能导航系统的需求已经实现。世界各地的许多学生和研究人员投入了大量的时间来开发人工智能体在本地和全球范围内导航的新方法。对于智能体来说，能够自主地在未知环境中导航已经变得至关重要。因此，当我们谈论导航时，我们暗示了三件事， |
| •映射(新环境) |
| •寻径 |
| •驱动 |
| 动态碰撞自由路径规划问题是移动机器人和国内应用机器人的关键问题。尝试使用自适应分布式传感器网络[3]来创建更通用的信息系统。数百个小型传感器，配备有限的内存和多种传感功能，自动组织和重新组织自己作为ad hoc网络，以响应任务要求和来自环境的触发器。主动传感器网络的集合可以跟踪要跟踪的源的运动，例如，移动的车辆。它可以指导地面上物体的运动，例如监视机器人。或者，它可以将注意力集中在一个特定的区域，例如，火灾，以定位其来源并跟踪其蔓延。寻径技术可以分为局部方法和全局方法[4]。 |
| 对机器人及其环境做以下假设: |
| 1.机器人被一个由已知路径和路径交叉点组成的环境所包围。 |
| 2.机器人只能沿着一组确定的路径移动。 |
| 3.机器人的起点和终点都是多条路径的交叉点。 |
| 4.机器人的运动是随机的，因为环境变量，如交通和地板表面，可以改变机器人的实际位置。 |
| 5.机器人保持关于其位置的信念状态，但由于传感器阵列有限，无法确保该信念状态的有效性。 |
| 6.环境的各个方面都可以被感知和识别为特定位置的独特地标 |
| 为了将机器人所处的已知环境表示为图，每条路径用图边表示，每个路径交集用图顶点表示。机器人的原点和终点都必须是图顶点集合中的元素。寻径算法必须返回到达目的地时访问的顶点序列。寻径算法的设计不包括实时导航，比如绕过意外障碍物的导航。如上所述，假设机器人的运动是随机的。这是环境因素的结果，比如机器人车轮和多个地板表面之间的摩擦变化，会导致机器人的信念状态与实际位置之间的差异。此外，路径的交通等因素会影响机器人运动的效率和准确性，因为具有更高交通流量的路径会引入额外的环境力，进一步调整机器人的位置，同时可能会减缓机器人的运动。 |
| 机器人是一个极具活力的领域，与其他新兴技术，如信息技术、生物技术和纳米技术一起，机器人将有助于增加经济增长的机会，并极大地影响未来一代，产生重大的社会和经济影响[5]。机器人由可移动的物理结构、动力系统(液压、电气或气动)、传感器系统、电机和告诉其各部分该做什么的“大脑”组成。它们可能有一个“手臂”，称为末端效应，或者可以使用工具或抓手。它们通常会有一个传感器，使它们能够接收周围发生的事情的信息。本论文结合机器人的特点，在控制系统的基础上进行了研究。研究了如何利用自主控制对蜂群移动机器人进行指挥和管理的开发体系结构和层次表示。自主控制机器人是一种执行行为或任务具有高度自主性的机器人，在太空探索、清洁地板、修剪草坪、废水处理[6]等领域尤其需要这种机器人。自主机器人是能够自行执行任务的智能机器，不需要人类的明确控制。该模型包含了控制系统的拓扑和几何表示，该控制系统基于各种控制运动规划、电子传感器、数字元件力学、协调、驱动、学习和适应。机器人预先知道待测空间的拓扑结构，能够沿着墙体的不同方向导航，同时避开因建筑结构而产生的不同障碍物。 Making systems of various kinds perform well is what automatic control is all about. The interplay between robotics and control theory has a rich history extending back over half a century. |
| 本节报告的开始，我们简要回顾了这种相互作用的历史，重点是基本原理，控制理论如何使解决机器人技术的基本问题成为可能，以及机器人技术中的问题如何推动新控制理论的发展。 |
相关工作 |
| 机器人控制体系结构机器人首先通过推理其行动的结果来为任务计划解决方案，然后执行它。控制过程经过一系列的感知、模型更新和规划步骤。运动规划，有时称为“运动规划”，是寻找从位置a到B的运动的行为。全局运动规划器通常生成从a到B的低分辨率高水平运动，避免大的障碍物，并处理周围区域的导航。局部运动规划通常只给出从全局运动a到B的一段高分辨率低水平运动，避免小障碍，并处理运动规划:转角，适当的速度等。计划模块还负责将正在解决的问题的目标发送给监控，以便监督所提议的解决方案的执行。在重新种植的情况下，计划模块(已经知道域)将从执行模块接收高级状态。然后整个过程将再次开始，以这个状态作为新的初始状态，电子传感器设备提供关于物理世界的信息。数字计算，提供计算任何类型的计算，这是机器人的运动检测模拟或数字方法。力学是使机器人在位置上向前或向后移动的部分。在这里，我们描述了机器人的性质，机器人如何在执行器的帮助下与障碍物协调。协调层接受来自控制管理器的命令，执行预定的特定控制任务。 It provides the appropriate sequence control and identification .The actuator which used in robotic to move the muscles of the robots with the help of Beep, Motors or LED Lights which given in below fig 1. |
| 大多数关于刚性机器人控制的论文都是从众所周知的大模型开始，并试图将标准技术应用到这个模型中，无论是自适应控制，反馈线性化等。到目前为止，这一领域已经饱和，相比之下，剩下的工作已经不多了。设计一个易于控制的机器人的问题得到了相对较少的关注，在机器人的最近的趋势之一是直接驱动电机的使用。“直接驱动”是指机器人的连杆直接耦合到各自的电机轴上，而不经过任何传动装置。这种方案的优点是立即消除了反弹、关节灵活性等的影响。这是由齿轮的使用引起的，因此可以从机器人那里获得更精确和可重复的性能? |
导航与运动规划问题的性质 |
| 在本节中，我们定义了移动机器人导航和运动规划中使用的各种术语。我们可以将机器人定义为可编程的多功能机械手，设计用于分配任务，例如通过可变程序运动移动工具或特定设备来执行不同的任务。机器人必须存在于物理世界中。第二点是环境。环境是机器人周围的物理世界。因此，机器人必须有效应器，它可以与环境互动。智力可以有多种解释。它可以被认为是学习、理解或应对新情况的能力，以及有效使用推理的能力。它还涉及应用知识来改变环境。它还包括把握、学习、理解、推理和思考。 Intelligence also deals with rationality. |
b.运动规划体系结构 |
| 运动规划是自主移动机器人的重要基础，它能使机器人在两点之间找到最短运动或最优运动。最佳运动可以是使转弯量最小化的运动。寻找最短运动的算法不仅在机器人技术中很重要，在网络路由中也很重要。 |
| 机器人模型首先建立在运动规划的基础上，由于机器人的结构不同，我们需要规划机器人的运动，使其在不同方向的墙壁上导航，同时避免不同的障碍物。运动规划需要一个环境地图，机器人需要知道它相对于地图的位置。我们现在假设机器人能够定位自己，配备了地图，并能够避开途中的临时障碍。控制过程经过一系列的感知、模型更新和规划步骤。运动规划，有时称为“运动规划”，是寻找从位置a到B的运动的行为。全局运动规划器通常生成从a到B的低分辨率高水平运动，避免大的障碍物，并处理周围区域的导航。局部运动规划通常只给出从全局运动a到B的一段高分辨率低水平运动，避免小障碍，并处理运动规划:转角，适当的速度等。计划模块还负责将正在解决的问题的目标发送给监控，以便监督所提议的解决方案的执行。在重新种植计划模块(已经知道域)的情况下，将从执行模块接收高级状态。分层表示法使移动机器人能够通过避开路线上未定义的障碍，从用户定义的起点a移动到目的地B。一个基本的运动规划问题是在避免与已知障碍物碰撞的同时，产生一个连接起始构型S和目标构型G的连续运动。 The robot and obstacle geometry is described in a 2D or 3D workspace, while the motion is represented as a motion in (possibly higherdimensional) configuration space. Accurate maps of the environment are essential for many mobile robot navigation tasks such as motion planning, surveillance, or coverage. Although real-world environments generally are dynamic, most existing mapping approaches assume the environment to be static. |
算法 |
| Moravec和Elfes(1985)提出的占用网格是基于将空间划分为若干矩形单元的规则镶嵌。它们在该网格的每个单元格c中存储环境中相应区域被障碍物占据的概率T(c)。占用网格上下文中的一个特殊假设是环境是静态的。因此，在这种方法中没有关于占用率如何随时间变化的明确模型。本文描述的方法克服了这一限制。它应用hmm(参见Rabiner(1989))来显式表示每个网格单元的占用状态和状态转换概率的信念。虽然占用网格将单元格的状态视为静态的，但我们的表示显式地对状态变化建模，这使得它特别适合于变化的环境。我们的方法应用细胞特定的隐马尔可夫模型(HMM)来表示每个网格细胞的占用状态和状态转换概率的信念。占用映射算法的目标是在给定数据的情况下估计映射的后验概率: |
| 占用网格单元Cij |
| 命题occ (i,j)表示:—单元格Cij已被占用。 |
| •概率:T (occ (i, j))的范围为[0,1]。 |
| •几率:O (occ (i, j))的范围为[0，+∞)。o(A) = P(A) / P(? |
| 日志赔率:Log o (occ (i, j))取值范围为(−∞，+∞) |
| •每个单元格Cij保存值log o (occ (i, j)) - Cij = 0对应T (occ (i, j)) = 0.5 |
| 由于运动是随机采样的，它们很可能是不稳定的，不是最优的。通过运行一个额外的算法来平滑运动，结果可以大大改善。 |
| a.概率占用网格 |
| 在这些情况下，机器人系统可以将这些变化视为在给定时间采取的不一致的测量。考虑这样一种情况，在给定的时刻，一个机器人映射了您环境中的一个表。然后，由于某种原因，这个表在稍后被移动到另一个位置，而这种位置的变化，也应该在机器人地图上发生变化，并没有发生。这样，当机器人经过之前桌子所在的地方时，机器人似乎处于一个尚未映射的新位置，因为应该检测到的对象并没有被检测到。 |
| 我们将应用贝叶斯定律 |
 |
| 其中A是occ(i,j) |
| B是观测值r=D |
| 我们可以用对数概率表示来简化它。 |
使用贝叶斯定律轻松更新 |
| 这项工作的贡献是为变化的环境提供了一种映射方法，它代表了空间的占用率，并明确地描述了这种占用率是如何随时间变化的。我们描述了我们的模型，如何在新的观测数据可用时更新表示，以及如何预测未来的占用状态。此外，我们提出了两种技术，一种是离线的，一种是在线的，从观测数据估计模型的状态转移概率。我们在模拟和使用真实数据中评估我们的方法。结果表明，我们的模型为变化的环境产生了高度准确的地图。此外，我们描述了如何使用环境动力学的显式表示来提高机器人的运动规划性能。单元占用状态的更新遵循贝叶斯方法。 |
| •贝叶斯定律可以写成:o (A |B) =?(A) *o(A) |
| •取对数概率，将乘法化为加法。Log o (A |B) = Log ?(B | A) + Log o (A) |
| •易于更新单元格内容。 |
伪代码 |
占用网格单元更新 |
| •单元格Cij保存log o (occ (i, j))。 |
| •Evidence r=D表示传感器r返回D。 |
| •对于每个细胞Cij从每个传感器读数积累证据。 |
| Step1:Log o(A | B) = Log ?(B |A) + Log o(A) |
| Step2:Log o (occ (i, j)) + Log ?(r = D | occ (i, j))= log o (occ (i, j) | r = D) |
| 一旦发现了一个可能的运动，这个空间就可以简化为限制最大运动长度的椭球。这个椭球可以通过在起点和目标之间安装一根最大运动长度的电线，并用钢笔向外推。由导线约束的笔所能到达的所有区域都可以包含一个点，这个点可能导致更短的运动。 |
仿真结果 |
| 为了计划一个运动，我们需要在计算机中以某种方式表示环境。我们区分两种互补的方法离散近似和连续近似。在离散近似中，地图被细分为大小相等(如网格或六边形地图)或大小不同(如建筑物中的房间)的块。离散映射是机器人技术的主要表示形式。连续近似需要定义内部(障碍)和外部边界，通常以多边形的形式，而运动可以编码为实数序列。 |
| 目前最常见的地图是占用网格地图。在网格地图中，环境被分解成任意分辨率的正方形，例如1cm x 1cm，在这些正方形上标记障碍物。在概率占用网格中，网格单元也可以用它们包含障碍物的概率来标记。当机器人感知到障碍物的位置不确定时，这一点尤其重要。这项工作的贡献是为变化的环境提供了一种映射方法，它代表了空间的占用率，并明确地描述了这种占用率是如何随时间变化的。 |
| 基于占用网格的模型是目前应用最广泛的度量方法之一。环境被表示为一个规则的单元格网格，其中每个单元格的值编码其状态，可以是空闲、已占用或未映射(未定义)。一个单元的占用值是使用一种概率方法来确定的，该方法将从传感器给出的数据计算出的物体的估计距离作为输入。通过贝叶斯方法，可以在每次执行测量时更新单元格值。注意，每次都会更新整个网格的一个子集。所得到的模型可以直接用作导航任务中的环境地图，如路径规划、障碍物躲避和姿态估计。图中说明了深度传感器测量在二维占用网格中的表示。灰色单元格占用值未知，白色单元格空闲，黑色单元格被占用。该方法的主要优点是:构造简单，精度高。 |
| 网格的所有单元格都初始化为灰色，这意味着在开始时不知道占用值。从声纳视场内的读数，可以确定白色细胞(空闲)和黑色细胞(占用)。 |
结论 |
| 在这篇论文中，我们提出了占用网格(Moravec和Elfes 1985)的一个概括，这是移动机器人中最流行的映射方法之一。本文提出了运动规划机器人控制和可重构自主控制机器人系统的体系结构，提出了移动机器人沿墙体不同方向导航，同时避免因建筑结构不同而引起的障碍物。各种各样的技术发展了机器人和机器人的科学，机器人是“自主的”，不需要人来操作，更重要的是，它还必须有人类的能力，从它的经验和错误中“学习”。这是许多设计师的重要目标。运动规划是一个持续研究的问题。寻找具有高自由度的机构的无碰撞运动，例如在公共空间中操作的多臂、多机器人系统或涉及动力学的系统(因此将状态变量的导数添加到规划问题中)可能需要长时间才能解决。我们目前正在进行自主控制模块的研究，改进控制过程，使移动机器人的方向导航，避障也是我们未来工作的一部分。我们的中期目标包括改进控制架构，沿着墙壁的不同方向导航，同时避免由于建筑物结构而造成的不同障碍。 |
数字一览 |
|
|
参考文献 |
- S. Thrun(2002)。机器人测绘:一项调查。在Lakemeyer, G.和Nebel, B.编辑的《探索新千年的人工智能》一书中。摩根考夫曼
- G. Grisetti, C. Stachniss, W. Burgard(2007)改进的Rao-Blackwellized粒子滤波器网格映射技术，IEEE机器人技术，第23卷。
- ACM传感器网络学报(TOSN)第1卷，第1期(2005年8月)目录页数:3 - 35出版年份:2005 ISSN:1550- 4859
- 机器人:技术现状与未来挑战。
- En.wikipedia．org/wiki/Autonomous机器人
- Mark W. Spong和Masayuki Fujita的机器人控制。
|
菜单
