改进时间弹性带的动态避障轨迹规划系统研究

在动态障碍物存在的机器人导航场景下,时间弹性带算法(timed elastic bands, TEB)无法区分障碍物类型,易将动态障碍物视为静态类型去处理,致使导航过程出现碰撞而无法完成导航任务。针对机器人运行真实动态环境,采用两个均值滤波器对激光点云进行滤波处理,实现动态障碍物的检测,而后增加动态障碍物代价地图层对检测到的障碍物进行聚类,利用卡尔曼滤波对动态障碍物的运动状态进行轨迹跟踪及状态预测,结合机器人当前运动状态作出动态避障的轨迹规划,采用阿克曼转向结构机器人进行仿真及真实动态环境下的重复实验。研究结果表明:改进TEB算法的动态避障轨迹规划系统能够在复杂动态环境中进行实时轨迹规划,生成安全平滑的局部轨迹,实现动态避障完成导航任务,能够满足移动机器人的动态避障要求。

基于时间弹性带的移动机器人路径优化方法

传统的路径规划并未明确地纳入运动的时间和动力学方面,因此忽略了运动或动态运动模型在有限的速度和加速度下施加的约束。针对这种情况,将时间弹性带算法引入局部路径优化,有效地优化了机器人轨迹的动力学约束,同时明确纳入时间信息以确保在最短时间内到达目标点,确保了移动机器人导航的快速性。将基于噪声的密度聚类算法(DBSCAN)引入地图转换,将局部代价地图层的点障碍物聚类为凸多边形,使得障碍物约束部分计算量大大减少,总体上减少了机器人导航所需时间,提升了导航的快速性。在仿真环境和真实场景下的实验都验证了上述改进的有效性。

融合改进A^(*)和时间弹性带的移动机器人路径规划算法

针对移动机器人在路径规划中使用A^(*)算法规划的路径不平滑及无法实时避障的问题,提出一种分层路径规划方法,将改进的A^(*)算法与时间弹性带(Timed Elastic Band,TEB)算法融合。首先,在A^(*)算法中,引入梯度下降的思想,减少路径中的转折点,使路径更平滑;其次,在TEB算法中,加入路径点与TEB轨迹位姿点的约束,使其规划的路径更好地遵循全局路径;最后,将改进的A^(*)算法与TEB算法相结合,使TEB算法沿着全局最优路径进行动态路径规划,从而实时躲避未知的障碍物。仿真实验的结果表明:改进A^(*)算法可减少93.69%的转折点,同时能缩短0.9%的路径长度,改进后的TEB算法能减少偏离全局路径的程度,两者融合后能够有效躲避未知障碍物。

安全平滑的改进时间弹性带轨迹规划算法

传统TEB(time elastic band)算法在杂乱场景下规划易出现倒退、大转向等异常行为,造成加速度跳变,控制指令不平滑,机器人受到大冲击,不利于移动机器人轨迹跟踪.鉴于此,提出一种改进TEB算法,通过增加危险惩罚因子约束规划更安全的运动轨迹,增加加速度跳变以抑制约束减小运动中的最大冲击,增加末端平滑约束以减小末端冲击,实现目标点平滑、准确到达.构建图优化问题,以机器人的位姿和时间间隔为节点、目标函数和约束函数为边,利用问题的稀疏性快速获得相应时刻点的控制量.最后,通过基于机器人操作系统的大量对比仿真测试以及真实差速机器人上的物理实验对提出的改进TEB算法进行性能验证.结果表明,改进TEB算法在复杂环境中能够规划出更安全、平滑的轨迹,减小机器人所受冲击,实现移动机器人更合理地运动.

TEB算法中机器人平稳避障策略研究

时间弹性带(Time Elastic Band,TEB)算法由于其具有运动学约束、最快路径约束的特点被广泛用于实时局部路径规划和避障,但是在非结构化的动态社会环境进行导航的情况下,强转弯时存在速度输出不稳定的问题,这对于移动机器人的整个前进过程是非常不利的。为了解决这一问题,将轨迹曲率作为一种新的约束引入TEB算法,提出了基于曲率速度控制的时间弹性带(Curve Speed Control TEB,CSC-TEB)算法。在CSC-TEB算法中,移动机器人在实时避障时的最大瞬时速率能够根据其与行进路径的航向变化程度做出一定调整。实验结果表明,应用CSC-TEB算法能够使移动机器人在躲避障碍物时具有更加平稳的速度,同时输出较平滑的轨迹曲线,避免了原始TEB算法中的速度抖动现象。在静态和动态场景中,移动机器人躲避障碍物时具有更加稳定的速度曲线,保证机器人在安全避障的前提下路径总耗时降低了15.02%,从整体上提升了路径规划效率。

基于ROS和激光雷达SLAM的动态避障研究

针对Gmapping算法不适用于构建大场景地图的问题,采用带有回环检测的Cartographer算法进行即时定位与建图(SLAM)。同时,针对全局路径规划A*算法可以得到全局路径但不能有效躲避动态障碍物、局部路径规划时间弹性带(TEB)算法可以躲避障碍物但规划的路径可能只是局部最优而非全局最优的问题,提出了融合A*算法和TEB算法的导航避障方法。通过多层代价地图中静态层、障碍层和膨胀层的有效结合,为路径规划A*算法和TEB算法提供了便捷的规划环境。对导航环境中静态和动态障碍物进行了研究。试验结果表明,两种路径规划算法融合后可准确躲避静态障碍物、新出现的障碍物和动态障碍物,且能快速到达目标点。

基于混合插值样条的智能装卸机械臂视觉避障轨迹控制

为解决在复杂环境中机械臂移动速度不均匀、动态碰撞冲突及轨迹不连续性的问题,该文提出基于混合插值样条的智能装卸机械臂视觉避障轨迹控制方法。基于采集的环境图像获取视差图,并对其展开二值化处理;在此基础上采用轮廓提取算法获得障碍物的轮廓和中心坐标,完成障碍物定位;利用改进后的TEB-VO算法展开智能装卸机械臂的避障轨迹控制,再采用混合插值样条对轨迹控制展开优化处理,在路径最大曲率约束条件下,提高轨迹控制的连续性。实验结果表明,所提方法避障轨迹平滑度高、控制效率高且适应性强。

地下巷道动态受限空间移动装备路径规划研究

传统地下移动装备自主导航主要依靠预先建立的静态地图做出全局路径规划,在遇到突然出现的障碍物时容易产生振荡的轨迹,导致行驶路线无法被执行。为解决上述问题,提出了在全局路径规划的基础上增加改进TEB(Time Elastic Band)局部路径规划,并对TEB算法增加曲率约束、急动度约束、末端平缓约束和能耗约束,以适应地下巷道环境。试验结果表明:改进TEB算法产生了适应度更高的轨迹,有效地缩短了路径长度,降低了速度的跳变;优化后的路径平滑性得到提高,与目标点的偏差减小,并在运行效率方面比传统TEB路径规划有所提高,改进前的平均路径代价值为23.09,改进后的平均路径代价值为10.19,总体代价值降低了55.87%。

基于Eband算法的运动控制平滑性优化

为提高机器人行走的速度与动作的连贯性,减少机器人运动卡顿,使用一种类似时间弹性带(timed elastic band,TEB)的局部路径规划算法——Eband(elastic band)。该局部规划器动态避障效果显著,可以提前规划出避开障碍物的路径,使机器人更早做出动作和反应。但其运动控制随着“气泡”的波动变化,导致路径平滑性有所欠缺,主要针对Eband的运动控制平滑性进行曲率算法优化、速度乘积因子去噪和速度插值,通过对比实验验证了算法的有效性和可行性。

改进egoTEB算法的机器人动态避障规划

对动态环境下自我时间弹性带(ego-timed-elastic-band,egoTEB)算法在避障时耗时较长且轨迹欠佳的问题,提出了改进egoTEB算法。首先对动态环境信息进行自我感知,以机器人自我为中心,由点、线段到圆形障碍物对环境信息进行提取,利用代价矩阵匹配圆形障碍物类型,采用集合卡尔曼滤波(ensemble Kalman filter,EnKF)模型跟踪动态圆形障碍物的运动轨迹。其次基于自我感知障碍物信息,构建由静态间隙和动态间隙组成的间隙规划图,设计加权间隙代价引导机器人局部轨迹安全穿过间隙,避开障碍物。最后利用机器人操作系统(robot operating system,ROS)进行仿真实验,验证了改进egoTEB算法能更快速地规划出安全轨迹,实现机器人适应性更强的避障效果。

改进TEB算法的多机器人动态避障策略研究

针对多机器人环境下时间弹性带(TEB)算法在动态避障时轨迹欠佳且速度输出不稳定的问题,将TEB算法和速度障碍(VO)法进行融合,提出了TEB-VO轨迹规划算法,对机器人临近动态障碍物的避障速度进行约束。之后,设计了一个自适应参数动态调节模块,对规划轨迹的离散间隔以及机器人允许的最大线速度进行动态调整,使得机器人的轨迹趋于平缓且速度输出更加合理。最后,基于机器人操作系统(ROS)与Turtlebot3机器人进行了仿真和实验,验证了该算法具有良好的轨迹规划和动态避障能力。

融合A^(*)与TEB算法的机器人多任务导航调度研究

为提高机器人工作效率,提出一种基于A^(*)与时间弹性带算法(time eletic band,TEB)的多任务导航调度算法.通过提高障碍物邻接栅格点的代价值,增大A^(*)算法所规划路径与障碍物之间的距离,完成路径的平滑处理;将局部规划算法输出的控制指令进行PID (proportional-integral-differential)控制,提出一种融合PID控制的TEB算法,减小了指令的波动范围;通过人机交互操作获得目标点数量和位置,按照由近及远的原则实现机器人的多目标任务调度与导航.实验证明:改进后的A^(*)算法规避了穿越障碍物的现象,将邻接路径点转角控制在45°之内,改进后的TEB算法使机器人的速度和角速度方差分别减小47.1%和18.2%,多任务导航调度算法能够实现自主输入导航目标点数量与位置坐标功能的正常运转,机器人能够停止在距离目标点0.2 m的预设范围之内.

基于混合A星的停车场内巡航分层运动规划方法

自动驾驶汽车作为智能交通系统的重要组成部分,越来越受到研究者的重视。自动代客泊车技术(Auto valet parking)是高级别自动驾驶不可缺少的部分。代客泊车应用于非结构化环境,这使得研究者需要设计有别于结构化场景的规划算法来应对非结构化环境的各种挑战,例如,道路线的缺失、周车预测的不确定性。考虑代客泊车的环境特点,提出基于改进混合A^(*)算法和时间弹性带算法的分层运动规划方法。通过修改碰撞检测过程,使得混合A^(*)算法可以实现交互行为。通过引入地图参考线代价,加快混合A^(*)算法搜索效率。改进后的混合A^(*)算法可以针对非结构化环境生成合理有效的初值轨迹。采用的时间弹性带算法执行效率高,有效解决了车辆运动学和障碍物约束问题,可以快速应对环境变化。在中国苏州的地下停车场开展实车试验。试验结果表明,提出的算法能够有效地解决常规场景下的车辆横向运动规划问题。