针对传统局部路径规划存在非全局最优、易陷入困境、导航效率低等问题,这里提出了一种将改进RRT(RapidlyExploring Random Trees)算法和动态窗口法融合的算法。首先优化基本RRT算法的采样策略,使用三次贝塞尔曲线平滑所生成的全局路径。然后改进DWA(Dynamic Window Approach)算法的轨迹评价函数,构造路径最优的目标函数,以保证路径规划最优,从而提高移动机器人的避障性能。最后使用ROS(Robot Operating System)平台进行仿真验证,实验结果表明,与A*-DWA和Dijkstra-DWA相比,所提出算法在复杂环境下路径长度更短、路径质量更优,行进时间明显减少,移动机器人的平均速度较A*-DWA算法提高了约16.8%,证明了算法的有效性和实用性。

针对蚁群算法收敛速度慢并且容易陷入局部最优解的不足,这里提出一种新的改进算法,首先将蚂蚁目前所在节点与下一时刻要选择的节点之间的关系引入到启发函数当中,然后改变信息素更新规则。利用两种不同的栅格地图在Matlab中对传统蚁群算法和改进的算法进行仿真实验。仿真结果表明,复杂地图环境下基本蚁群算法迭代次数为15次,最短路径为31.21,而这里改进的算法收敛速度更快,迭代次数为9次,最短路径为28.63。改进后的算法不仅在收敛速度上有所提升,并且避免了传统蚁群算法容易陷入局部最优解。

为了提升移动机器人视觉图像对比度、信息量以及整体质量,提出一种新的基于空洞U-Net神经网络的移动机器人视觉图像增强方法。在由编码器、解码器与跳层连接构成的U-Net网络中,引入残差网络与空洞卷积部分,构建空洞U-Net神经网络,以融合不同层次的像素特征块,并根据灰度等级与频数直方图,增强图像对比度。针对图像中待处理的像素点灰度值,利用其邻域像素点灰度值的中间值滤除图像噪声。根据像素向量场,利用梯度下降法锐化图像边缘,实现视觉图像增强。在实验阶段,选取部分样本训练空洞U-Net神经网络,获取最优网络参数,经测试验证所提方法的图像对比度、信息量以及整体质量上都有大幅提升,具有优越的视觉图像增强效果。

机器人在导航过程中存在两个共性问题(1)在任意位置启动时如何迅速确定初始位置;(2)由于误匹配导致全局定位结果出现较大偏差。针对这两个问题,提出了一种基于深度相机和2D激光雷达的机器人快速定位系统。由于信息量太少,基于激光雷达的方法易出现误匹配而重定位效果不佳,为此引入信息量更丰富的视觉传感器,将视觉特征点地图和二维占据栅格地图结合在一起,根据定位状态进行模式切换。正常导航时为激光定位,当机器人在任意位置启动或导航位置丢失时切换到视觉重定位。另将视觉算法中的6-DoF简化为3-DoF,有效减少了计算时间。设计实验平台验证了所提出的定位系统能够提高定位效果,定位精度提高了10%,重定位速度提高了57.8%,且具有更好地环境适应能力和实用性。

约束违约是创建多体系统动力学方程的常见问题。Baumgarte稳定方法是处理约束违约问题的经典方法,但选择合适的Baumgarte参数并不容易。这里基于经典的四阶Runge-Kutta法,通过系统的稳定性分析方法探讨了稳定参数的选择问题,缩小了参数的选择范围。对基于Udwadia-Kalaba方程创建的移动机器人解析动力学模型的仿真结果表明基于稳定区域参数的修正动力学方程的约束误差明显优于未做修正和基于非稳定区域参数的修正动力学方程的约束误差。因此,证明了所提方法的有效性。

针对移动机器人路径规划问题,提出了一种包含改进蚁群算法和非必要转折点去除算法两部分的新方法。利用改进蚁群算法得到初始路径,随后去除路径中非必要转折点以达到二次优化的效果。在基本蚁群算法的基础上,为了提高算法的全局搜索能力,提出了加入动态随机机制的转移概率更新策略,旨在向每只蚂蚁选择下一点的过程中增加一定随机性,以便于算法跳出局部最优点。另一方面,提出了一种非必要转折点优化算法,该算法可以去除路径中的非必要转折点以减少路径长度。仿真结果显示,改进蚁群算法在解平均值、最大值、标准差和收敛速度四个方面均优于基本蚁群算法。同时,非必要转折点去除算法可以进一步减少路径长度。

移动机器人导航路径规划是机器人的关键技术,其目标是高效、高质量寻找导航和运动规划路径。论文介绍了移动机器人通用控制平台的架构,提出了一种新的全局路径规划器,即采用Voronoi图提取环境中最安全的区域,并将快速行进法应用于由Voronoi图所提取的最安全区域中,从而获得最短的路径。另外,提出了通用机器人导航架构,在对导航架构描述的基础上将机器人导航和环境快速全局规划器相结合,并采用样条规划曲线对机器人的全局路径进行细化插补。该方法将地图尺寸缩小为一维地图,且是移动机器人环境中最安全的区域,这使得移动机器人具有速度快、可靠性强的特点。将提出的方法应用于实际的移动机器人导航路径规划中,结果表明该方法能够成功地完成移动机器人导航路径规划任务。

在移动机器人的视觉环境探索研发中,在视觉定位不精确的条件下,如何保证移动机器人可靠地运动,是目前移动机器人视觉环境探索与视觉导航中有待解决的问题。提出一种基于单帧图像语义分割的运动控制算法,利用深度卷积神经网络高鲁棒性的语义分割结果,在图像像素空间进行运动目标点规划。仅以当前观测图像为基础,以最大化探索可能运动方向为规划代价函数,在脱离全局视觉定位结果的情况下,实现移动机器人在视觉环境探索中的可靠运动控制以及避障。实验和仿真结果表明:所提出方法可满足环境探索问题中对环境覆盖以及避障的运动控制需要。

针对移动机器人在路径规划过程中路径曲率不连续,避障能力差等问题,提出了一种将改进A^*和动态窗口法(DWA)相结合的路径规划方法。首先,在传统的A^*算法基础上,将传统的8个搜索方向改为5个,提高搜索效率;其次,将Floyd算法思想引入A^*算法中,设计了一种新的启发式搜索函数,实现了无斜穿障碍物顶点,增加了路径的平滑度;最后,融合改进算法以及动态窗口法,构造了新的评价函数,在保证规划路径全局最优性的基础上达到避障效果。仿真结果表明:该研究对于移动机器人自主导航的应用具有一定的参考价值。

针对移动机器人的轨迹规划和轨迹跟踪控制问题,提出一种加速度和速度约束情况下,通过贝塞尔曲线拟合参考轨迹,再利用跟踪微分器规划平滑速度的轨迹规划新方法;基于Backstepping方法,建立机器人位姿误差方程并进行控制器的设计,同时分析了控制参数对轨迹跟踪性能的影响;将轨迹规划方法和控制算法结合,并在仿真平台和移动机器人实物平台上进行实验验证。实验结果验证了轨迹规划算法和控制器的可靠性及有效性,相比于未进行速度规划、速度不连续和滑模控制等方法,提出的方法控制平稳且有效减少了位姿误差。