基于支持向量机的自恢复自适应蒙特卡洛定位算法

机器人定位技术对智能机器人的高效、精确和安全运行至关重要,然而在实际的定位过程中,机器人常面临“绑架”问题。为了应对这一难题,提出一种基于支持向量机(SVM)的自恢复自适应蒙特卡洛定位(SVM-SRAMCL)算法。首先,构建用于识别机器人“绑架”状态的检测模型——基于SVM的绑架检测模型(SVM-KDM);其次,通过自适应蒙特卡洛定位(AMCL)算法所得的粒子集计算粒子特性值,并作为SVM-KDM的输入,一旦检测到“绑架”事件,使用扩展卡尔曼滤波器(EKF)融合惯性测量单元(IMU)和里程计(Odom)的数据估计机器人的新位姿;最后,使用AMCL算法进行粒子预测、更新和重采样,最终实现机器人的重新定位。相较于自恢复蒙特卡洛定位(SR-MCL)算法,绑架后恢复定位所需的更新减少了4.1次,重定位的成功率提高了3个百分点。实验结果验证了所提算法在解决移动机器人的定位“绑架”问题方面具有更高的效率和成功率。

基于动态窗口法的移动机器人自动避障导航研究

在移动机器人控制系统中,机器人周围的环境会随机器人的运动不断地变化,从而影响机器人下一步的运动控制问题针对这一问题,设计并实现了基于动态窗口法的移动机器人自动避障导航系统该系统采用树莓派作为核心控制器,运动电机采用STM32作为控制器进行电机驱动控制,利用激光雷达采集机器人周围不断变化的环境,采用超声波、陀螺仪等传感器获取自身定位信息,结合开源机器人操作系统(ROS)快速实现基于动态窗口法的移动机器人局部路径导航控制「仿真验证以及现场试验调试结果表明,该移动机器人控制系统能够有效、精确地定位,并能够实现局部路径及时避障导航功能与现有机器人控制系统相比,该系统具有易开发、低成本、反应迅速、控制精度高等优点。