基于激光雷达的自主移动机器人实验教学平台设计

为培养高素质复合型的“新工科”人才,满足相关课程的实验教学需求,设计了基于激光雷达的自主移动机器人实验教学平台。平台涉及机械设计、机器人操作系统开发、同时定位与地图构建(SLAM)、路径规划等相关理论知识。利用平台开发了Rviz可视化界面、SLAM仿真、室外建图、路径规划等实验项目。实验结果表明,自主移动机器人软硬件系统的基本性能良好,相关SLAM算法、路径规划方法具有可行性。通过该平台开展实验教学,可以显著提升学生解决工程实际问题能力和创新实践能力。

基于BRS-RRT^(*)算法的移动机器人路径规划

针对Informed-RRT^(*)算法在路径规划中收敛速度低、目标性差且所得轨迹不平滑的局限性,提出一种面向目标的区域采样双向RRT^(*)算法。首先,引入双向贪婪搜索策略获得采样点,加快算法搜索速度的同时改变随机树的扩展规则,增强其目标导向性;其次,得到初始解后,于轨迹节点附近展开形成启发式采样区域,在该区域内通过节点重构策略不断迭代,优化路径长度;最后,采用中间点插值和三次样条曲线相结合的方法,完成对路径的平滑处理。仿真实验表明,改进算法能够在不同环境地图中以更短的运行时间生成节点数更少、代价更小、更为平滑的路径。

基于深度学习的森林移动机器人树干检测

基于视觉导航的森林移动机器人具有机器人作为边缘设备算力有限、导航效果受光照影响较大的问题。为此,提出一种轻量化的树干检测方法,该方法基于YOLOv7-tiny模型,采用可见光图像与热成像图像作为输入,导航效果受光照影响较小;同时采用基于部分通道卷积(Partial Convolution,PConv)的特征提取模块-部分通道卷积高效层聚合网络(Partial Efficient Layer Aggregation Networks,P-ELAN),对基准模型进行轻量化改进;在训练阶段用alpha-CIoU损失函数替换原始的CIoU损失函数,提高边界框回归的准确性。结果表明,所提出的森林移动机器人树干检测方法相较于原始YOLOv7-tiny模型参数量减少31.7%,计算量减少33.3%,在图形处理器(Graphics Processing Unit,GPU)和中央处理器(Central Processing Unit,CPU)上的推理速度分别提升了33.3%和7.8%。修改后的模型在保持对树干检测精度基本不变的基础上更加轻量化,成为部署在机器人等边缘设备上的理想选择。

基于卷积神经网络的移动机器人声源定位方法综述

听觉系统是机器人感知周围环境信息的重要途径之一,精准有效地进行声源定位,可极大提高移动机器人的感知与决策能力。将声源定位应用于危险环境救援与巡检具有重要工程意义。随着深度学习的广泛应用,引入卷积神经网络(convolutional neural networks, CNNs)的声源定位效果显著改善。将移动机器人声源定位研究从网络架构与改进、声音特征类型、数据仿真与增强,以及多模态信息融合四个角度进行综合对比及分析,并对技术的应用提出思考与展望。

基于混沌求偶萤火虫算法的移动机器人路径规划

针对传统萤火虫算法应用于移动机器人路径规划中存在陷入局部最优和搜索精度低的问题,提出一种基于混沌求偶萤火虫算法的移动机器人路径规划方法。设计一种混沌求偶荧火虫算法,该算法采用混沌映射策略初始化种群,优化种群分布不均和搜索范围不足问题;利用求偶学习策略指导雄性萤火虫向雌性萤火虫学习,提高算法的收敛速度和求解精度。建立移动机器人路径规划的环境仿真模型,应用混沌求偶萤火虫算法进行移动机器人路径规划仿真。仿真结果表明:混沌求偶萤火虫算法比传统萤火虫算法和粒子群算法在路径长度上分别减少了3.075%和2.428%,拥有更高的搜索精度和跳出局部最优的能力。

受海龟爬行与山羊行走启发的四足仿生移动机器人多步态规划及动力学分析

为解决救援机器人运动速度慢、环境适应性差和步态单一等问题,参照海龟与山羊的生理结构,设计了一种四足仿生移动机器人。首先,根据海龟能在松软地面上爬行以及山羊运动能力强的特点,为机器人规划了仿海龟爬行和仿山羊行走两种步态以适应不同环境,提高了机器人的运动性能。然后,对机器人支腿进行了动力学分析,通过建立动力学模型来获取机器人关节扭矩与运动性能参数之间的定量关系。最后,通过仿真和样机实验来验证机器人步态的可行性以及机器人的环境适应能力。结果表明,所设计的机器人结构稳定,步态规划合理,可适应不同的复杂地形。研究结果可为仿生机器人的设计与开发提供重要参考。

基于ESP32的智能履带式移动机器人的设计

随着计算机和机器人技术的不断发展,移动机器人呈现出广泛的应用前景.作为移动机器人的一种,履带式移动机器人可以在危险恶劣的环境中开展工作.研究了一种基于ESP32开发板的智能避障系统,该系统集成了多个传感器和执行器,能够实现自主避障、智能显示障碍物位置信息以及播放音乐等功能.通过详细的硬件设计、软件开发和控制系统分析,对履带式移动机器人进行了系统性的研究.实验结果表明,该机器人具有较高的稳定性和可靠性,能够实现履带式移动机器人的设定功能.研究结果对履带式移动机器人的系统设计提供了新的思路和方法,为进一步拓展移动机器人在救援及其他相关领域的应用奠定了基础.

基于深度强化学习的移动机器人三维路径规划方法

针对三维未知环境中存在的高复杂度和不确定性的问题,提出一种在有限观测空间优化策略下基于深度强化学习的移动机器人三维路径规划方法。首先,在有限观测空间下采用深度图信息作为智能体的输入,模拟移动受限且未知的复杂三维空间环境;其次,设计了两阶段离散动作空间下的动作选择策略,包括方向动作和位移动作,以减少搜索步数和时间;最后,在近端策略优化(PPO)算法基础上,添加门控循环单元(GRU)结合历史状态信息,以提升未知环境中搜索策略的稳定性,进而提高规划路径准确度和平滑度。实验结果表明,相较于A2C(Advantage ActorCritic),所提方法的平均搜索时间缩短了49.07%,平均规划路径长度缩短了1.04%,同时能够完成线性时序逻辑约束下的多目标路径规划任务。

基于改进粒子群算法的移动机器人定位构图研究

为深入探究粒子滤波算法,针对粒子群优化算法易陷入局部最优解问题,利用Levy步长对PSO算法的权重和学习因子进行改进,从而改善了对移动机器人位置的最优估计。基于Levy-PSO算法改进粒子群优化的FastSLAM算法,应用matlab软件平台建立地图,构建仿真环境,阐明具体的仿真流程。改进FastSLAM算法和原算法相比,平均相对误差降低了13.5%,证明了改进FastSLAM算法的有效性。通过ROS平台在室内复杂环境开展了建图实验,在建图效果、建图精度以及算法实时性上都有较好的性能指标。通过仿真实验探讨了路标数量与系统性能的关系,以及机器人运动路径与误差消除效果的关系。

基于改进蚁群算法的移动机器人路径规划

针对传统蚁群算法在移动机器人路径规划中存在搜索盲目性、收敛速度慢及路径转折点多等问题,提出了一种基于改进蚁群算法的移动机器人路径规划算法。首先,利用跳点搜索(Jump Point Search,JPS)算法不均匀分配初始信息素,降低蚁群前期盲目搜索的概率;然后,引入切比雪夫距离加权因子和转弯代价改进启发函数,提高算法的收敛速度、全局路径寻优能力和搜索路径的平滑程度;最后,提出一种新的信息素更新策略,引入自适应奖惩因子,自适应调整迭代前、后期的信息素奖惩因子,保证了算法全局最优收敛。实验仿真结果表明,在不同地图环境下,与现有文献结果对比,该算法可以有效地缩短路径搜索的迭代次数和最优路径长度,并提高路径的平滑程度。

基于轨迹引导的移动机器人导航策略优化算法

针对在杂乱、障碍物密集的复杂环境下移动机器人使用深度强化学习进行自主导航所面临的探索困难,进而导致学习效率低下的问题,提出了一种基于轨迹引导的导航策略优化(TGNPO)算法。首先,使用模仿学习的方法为移动机器人训练一个能够同时提供专家示范行为与导航轨迹预测功能的专家策略,旨在全面指导深度强化学习训练;其次,将专家策略预测的导航轨迹与当前时刻移动机器人所感知的实时图像进行融合,并结合坐标注意力机制提取对移动机器人未来导航起引导作用的特征区域,提高导航模型的学习性能;最后,使用专家策略预测的导航轨迹对移动机器人的策略轨迹进行约束,降低导航过程中的无效探索和错误决策。通过在仿真和物理平台上部署所提算法,实验结果表明,相较于现有的先进方法,所提算法在导航的学习效率和轨迹平滑方面取得了显著的优势。这充分证明了该算法能够高效、安全地执行机器人导航任务。

移动机器人导航路径的自主学习粒子群规划方法

为了减小移动机器人行驶路径长度,提出了基于自主学习粒子群算法的导航路径规划方法。以减小路径长度为目标建立了路径规划模型;为了防止机器人发生碰撞,给出了障碍物膨化处理方法。在粒子群算法中引入了由多种粒子学习策略组成的学习策略池,并给出了粒子对学习策略进行选择的自主学习策略,从而提出了具有较强进化能力的自主学习粒子群算法。经算法性能测试,自主学习粒子群算法的优化能力强于传统粒子群算法和文献[11]改进粒子群算法;将自主学习粒子群算法应用于简单场景和复杂场景的路径规划,该算法规划的路径均值和标准差均小于传统粒子群算法,验证了自主学习粒子群算法在机器人路径规划中的优越性。

融合改进A^(*)算法与动态窗口法的移动机器人路径规划

为解决移动机器人在随机障碍物环境的导航过程中,使用A星(简称A^(*))算法出现碰撞导致路径规划失败的问题,设计了一种融合改进A_(*)算法和动态窗口法(dynamic window approach,DWA)的全局动态路径规划方法。首先,从以下两方面改进传统A^(*)算法:混合使用4邻域和8邻域A^(*)搜索算法,与通过删除冗余路径点和转折点来提高路径的平滑性;接着将改进A^(*)算法与DWA融合,利用融合算法使移动机器人进行全局实时动态路径规划。Matlab仿真试验结果表明,改进后的A^(*)算法较传统A^(*)算法不会使机器人穿越障碍物及其顶点,这有效减少了碰撞,从而提高了安全性;融合DWA后,在获得全局最优路径的基础上,能避开静态随机障碍物和动态障碍物,这证明了融合算法有良好的路径规划能力。

基于移动机器人的V2X室内仿真平台

针对V2X场景测试存在费用高、危险系数大和场景难搭建等问题,提出了一种基于移动机器人的V2X室内仿真平台。该仿真平台由室内移动机器人、V2X设备和显示终端组成,移动机器人实时获取自身的坐标、速度、偏航角等数据,通过滤波和校准处理后转换为GNSS数据,并通过网络通信将GNSS数据发送给V2X设备。为了验证该仿真平台的有效性,设计了V2X前向碰撞场景,并进行了实验测试。测试结果表明,该仿真平台能有效地进行V2X场景的测试。

移动机器人全覆盖路径的BINN-元胞自动机规划

为了实现机器人对工作区域的全覆盖,提出了基于生物激励神经网络-元胞自动机系统的全覆盖路径规划方法。介绍了生物激励神经网络算法的基本原理,分析了该算法在机器人陷入死区时无法逃逸的问题。基于元胞自动机系统设计了机器人逃逸机制,包括逃逸点的确定和逃逸路径的规划方法。在仿真环境下,将元胞系统逃逸机制与基本RRT、文献[10]的BINN-RRT逃逸机制进行对比,结果表明元胞系统逃逸机制的规划时间比基本RRT小2个数量级,比BINN-RRT小1个数量级,且逃逸路径短于另外两种方法,验证了元胞系统逃逸机制的有效性和优越性。基于BINN和元胞系统的全覆盖路径比BINN-RRT规划路径更加平滑,验证了全覆盖方法的优越性和有效性。

移动机器人路径规划算法研究综述

为了提高移动机器人导航技术有效性、实时性、安全性和实用性,介绍了移动机器人路径规划的多种主流算法,阐述了算法的核心原理,并针对其核心原理,将算法分为传统全局算法、智能仿生算法和局部规划算法。总结概括了主流算法在不同条件下的发展现状,介绍了当前算法的改进方法,剖析了现阶段优化算法的优势与缺陷。最后,对移动机器人路径规划技术未来的发展方向做出展望。

移动机器人2D激光SLAM算法仿真与实现

随着无人驾驶技术的迅速发展,同步定位与建图技术因其精度高、稳定性好的优点备受人们关注。基于激光雷达传感器,选择主流的Gmapping和Cartographer算法,搭建实验环境,对两种算法进行对比仿真与实验建图,并对两种算法的建图效果进行深度的分析。基于滤波器的Gmapping算法计算量小,依赖于里程计信息,适用于小尺度、低特征环境中;基于图优化的Cartographer算法累计误差低,精度高,适用于精度和稳定性要求较高的场合。

柔性多关节移动机器人非线性控制轨迹的二次模糊逼近

针对柔性多关节移动机器人在非线性控制轨迹下控制精准度不高的问题,提出一种非线性控制下的模糊逼近方法。建立机器人动力学模型,根据动力学特性设置矢量参数,对误差扰动动态修正。将矢量参数作为初始输入值,采用加权平均和乘积推理法,使得矢量符合自适应规律,通过模糊逼近函数对控制器的输出值实行状态逼近,直至符合初始设定值;凭借李亚普诺夫函数对控制输出值二次实施稳定模糊逼近,完成非线性轨迹控制。以B样条曲线轨迹为例做控制实验,实验数据证明:该二次逼近控制方法在非线性轨迹下的控制精准度较高,控制器输出力矩稳定,实用性能较强。

改进遗传算法的移动机器人避障路径规划

为解决复杂多变环境下,常规路径规划算法生成路径长、不连贯、存在多余转折点和大转折角度、容易碰撞障碍物等问题,提出一种改进遗传算法的动态避障算法.结合行间随机选择策略和A*算法插入中间点策略改进初始化算法;在传统遗传算法中设置障碍物安全距离,引入删除和优化算子,优化适应度函数;采用动态窗口法结合改进遗传算法得到路径最优解.结果表明:改进后算法生成的路径平滑,与A*算法、某改进遗传算法相比,路径更短、碰撞次数更少,在复杂动态环境下具有良好的避障性能,为移动机器人在现实场景中的安全、高效导航提供了可行的解决方案.

基于双环自适应滑模的移动机器人轨迹跟踪控制

为了提升移动机器人轨迹跟踪精度,针对传统双环控制内外环协调性差、抗扰性弱的问题,文章提出双环自适应滑模的控制方法。为消除传统滑模控制(sliding mode control, SMC)方法中的趋近阶段,设计新型时变积分终端滑模控制器以保证系统状态始终位于滑模面,并通过控制器参数调节实现内环姿态误差和外环位置误差的快速收敛;构建基于势垒函数的增益调控方法,保证在扰动上界未知的情况下有效地抑制状态抖振,提高轨迹跟踪系统的抗干扰能力。对所提方法进行的验证分析结果表明,相较于现有的双环控制方法,该文轨迹跟踪控制方法精度更高、鲁棒性更强。