基于自适应VFH算法的移动机器人避障规划.pdf

doi:10.3772/j.issn.1002-0470.2023.06.009基于自适应 VFH 算法的移动机器人避障规划徐天余 孙晓冬 谢建良 孟祥冬 何启江 (电子科技大学电子科学与工程学院 成都 611731)(中国电子科技集团公司第五十八研究所 无锡 214063)(东南大学微电子学院 南京 210096)摘 要 向量场直方图(VFH)方法具有对传感器误差不敏感以及响应速率快等特点而广泛应用于移动机器人的运动避障问题。该方法将各方向的障碍物信息量化为强度值,并以设定的阈值判断可行性。而不同的阈值会造成机器人避障效果的差异,对不同任务环境的适应性较差。本文针对传统 VFH 方法的阈值敏感性问题进行改进,提出一种自适应阈值调整策略,通过构建阈值评价函数,结合环境信息对候选方向范围内每组阈值进行代价分析,实时地选取适于当前运动的阈值,使机器人能够自主完成避障。为验证算法的有效性和可靠性,设计模拟障碍物的场景并进行对比实验。结果表明,采用改进自适应阈值策略的 VFH 算法,能够改善传统算法对阈值敏感的问题,能保证机器人可以在狭窄通道中以较短的无碰撞路径到达目标位置。关键词 路径规划;自主避障;向量场直方图(VFH);自适应阈值0 引 言人工智能和控制技术等领域的飞速发展,使得具备自主规划能力的移动机器人广泛应用于众多领域。移动机器人的自主导航主要包括定位、路径规划和避障等任务。机器人路径规划可以根据对环境信息的掌握程度划分为环境信息完全已知的全局路径规划和环境信息部分未知(或完全未知)的局部路径规划1。全局路径规划可以求得全局最优路径,但存在计算量较大和实时性能不佳等问题,且环境中的未知信息会对全局路径产生极大影响,甚至会导致机器人与障碍物发生碰撞或无法到达目标点等情况;局部路径规划通过传感器实时感知障碍物信息,可以实现机器人动态避障,但由于缺少全局信息,易于陷入局部极值点,最终偏离目标方向2。为提高机器人自主避障能力,国内外研究者做了大量研究,提出了一些经典的机器人避障方法,如栅格法3、可视图法、虚拟势场法(virtual force field,VFF)3等。其中向量场直方图法(vector field histo-gram,VFH)是一种广泛应用的局部避障规划算法。VFH 算法由文献4于 1991 年提出,算法针对虚拟势场法的力场急剧变化引起稳定性不佳和数据震荡等问题进行改进。VFH 算法不仅保留了 VFF算法计算速率快的优点,并且应用两级数据减少技术在平衡计算量的同时保留了许多细节信息,使得机器人能够在狭窄空间内平滑转弯且不发生震荡。然而该算法最初并未考虑移动机器人自身的尺寸和运动学特性,机器人会出现无法执行已规划路径的情况。针对这个问题,1998 年文献5提出了 VFH+算法,该算法通过隐性的构造空间将机器人的尺寸和运动学特性纳入考虑,将直方图二值化并应用代价函数更细致地评估候选方向。为进一步突破346 高技术通讯 2023 年 第33 卷 第6 期:643-651 中国博士后科学基金面上项目(2022M712976),国家自然科学青年基金(62103388)和江苏省双创博士项目(JSSCBS20211448)资助。男,1997 年生,硕士生;研究方向:嵌入式系统设计;E-mail:。通信作者,E-mail:。(收稿日期:2022-06-08)VFH 算法自身局限,文献6于 2000 年结合启发式搜索 A算法提出了 VFH算法,该算法能够预测机器人选择某个方向后可能产生的后果,使机器人在运动过程中更趋于目标方向。目前 VFH 算法系列仍有以下几点局限:(1)VFH 算法对阈值等参数敏感性较大;(2)VFH 算法作为局部避障规划算法,容易陷入局部极值点;(3)VFH 算法较为依赖距离传感器,易受环境因素的制约7。针对上述问题,国内外许多研究者对 VFH 系列算法的阈值敏感性、直方图构建、转弯策略等问题进一步提出了改进算法。国外方面,文献8提出了一种共享控制方法,将来自 VFH+避障导航模块的命令与操作员通过操纵台提供的遥操作命令相结合,易于集成自治系统和加强应对动态环境的能力。文献9提出了结合 TDT(time dependent tree)方法的改进 VFH算法,通过创建前瞻树的方法提高动态环境下的避障能力。国内方面,文献10提出了结合离线规划双向 A算法和在线避障 VFH 算法的规划方法,不影响全局路径最优性的同时能有效避开突发威胁。文献11 充分考量了机器人运动学模型和转弯策略,保证移动状态点的可执行性。在 VFH 原算法中,阈值设定和谷底宽度等参数并没有量化定义。因此,本文针对 VFH 算法的阈值等参数敏感性问题,提出一种改进型避障算法,采用自适应阈值策略12和新的谷底计算方式,运用阈值代价函数,对候选方向进一步评估,选取最适用于机器人当前环境的阈值并获得目标航向。之后对改进算法在仿真障碍物环境中进行验证并分析对比规划结果。实验表明,采用该方法能够有效改善阈值等参数对 VFH 算法避障效果的差异化影响,使机器人能以较短的平滑路径避开障碍物并到达目标,同时兼顾实时性,提高对动态环境的适应性。1 避障算法设计1.1 VFH 算法原理VFH 算法的基本原理是建立以移动机器人为中心的极坐标系,将所有栅格的障碍物对机器人运动方向的影响通过直方图量化为各个角度上的极线障碍物强度值(polar obstacle density,POD),在障碍物强度值低于某个确定阈值的角度范围内确定机器人移动的候选方向13,VFH 算法流程如图 1 所示。图 1 VFH 算法流程图算法的核心机理是 2 个阶段的数据缩减作用14,具体实现步骤如下。(1)以机器人的中心位置为坐标原点,将地图转换为各单元格,保留激光雷达前方一定角度范围扫描区域(记为 Block)的数据,按每 1 一个区间(可根据雷达分辨率调整)将区域划分为扇区,按逆时针方向进行编号,第 k 个扇区用 Zk表示。(2)计算各扇区中单元格(i,j)的障碍物强度值 mi,j及其总和 Hk,并以此构建向量场直方图,障碍物强度值的计算公式为mi,j=c2i,j(a-bdi,j)(1)Hk=i,jmi,j(2)式中,ci,j称为单元格(i,j)的信度值(certainty val-ue,CV),表示该单元格内存在障碍物的概率;di,j表示该单元格(i,j)到机器人中心点的距离;a、b为常数,且满足如下关系 a-bdmax=0;dmax表示单元格距离机器人中心点的最远距离,该关系式令机器人的运动空间内各顶点的 m 值为 0,即机器人在即将离开运动空间时不受该区域障碍物的影响15。446高技术通讯 2023 年 6 月 第 33 卷 第 6 期在实际环境中运用时,工作空间的范围需比实际边界更远,以免机器人与实际边界发生碰撞。(3)设定阈值对应的障碍物强度值为 Mth,将每个扇区的 Hk与阈值进行对比,合并满足 Hk 2+3。1.2 VFH 算法的缺陷从 1.1 小节中可以看出,对于 VFH 算法,可通行扇区直方图是引导机器人选择最优规划方向的基准,其根据阈值 Mth的大小差异生成的直方图形状也大不相同,因此合适的阈值策略对 VFH 算法至关重要。以算法某一时刻构建的扇区直方图为例,设置不同阈值 Mth对应直方图中的扇区宽度和数量会不一致。假设机器人的目标方向为第 90 号扇区对应角度,如图 4 所示。图 4 算法构建的向量场直方图当距离阈值 dth=3 时对应的 Mth为 3700;而当dth=1 时 Mth则为1800。将图5 对比可得,当 Mth=3700 时的可通行扇区数量和宽度明显多于 Mth=1800 时。当 Mth=3700 时,直方图中的宽谷扇区包括24 172 号扇区、239 261 号扇区和265 300 号扇区,90 号扇区周围均为可通行候选方向,机器人在下一时刻将选择 100 号扇区对应角度向前移动。而实际上 77 91 号扇区的障碍物强度值已开始增大,表示此方向上较远处存在障碍物,若此时机器人继续沿前一时刻方向运动,机器人会有与障碍物发546徐天余等:基于自适应 VFH 算法的移动机器人避障规划生碰撞的风险;反之当 Mth=1800 时,直方图中的宽谷扇区则比较狭窄且稀少,虽然 90 号扇区的障碍物强度值小于阈值,但存在稍远障碍物的 77 91 号扇区已经被确定为不可通行扇区,90 号扇区周围并没有形成宽谷,机器人在下一时刻将转变方向,选择42 号扇区作为避开障碍物的运动方向。以图 5 为例,VFH 算法设置不同大小的阈值会使生成的直方图中可通行扇区数量和分布情况存在较大差异,对机器人的避障规划功能产生下面 2 种不同的影响。(a)Mth=3700 对应可通行扇区直方图(b)Mth=1800 对应可通行扇区直方图图 5 不同阈值对应可通行扇区直方图(1)设置较大阈值 Mth较大阈值会使可通行扇区增多,机器人前进有更多候选方向,虽然有利于机器人迅速找到更接近目标的方向,但会使其对障碍物不敏感,若运动速度较快则极有可能发生碰撞。以原算法仿真18为例,地图模型为 50 50 维的二值地图,起点为(1,1),终点为(50,50)。算法的各参数设置如下:阈值 Mth设为 200;障碍物强度值 Hk记录为 density;代价函数式(3)的各项权重设为 1=6,2=2,3=2。图6 为选取某一时刻机器人的仿真避障结果路径图,中间带框路径为避障路径,分散栅格则为障碍物。图 6 原算法避障路径仿真图在路径仿真图中,选取某一时刻机器人的离散位置坐标为(35,36),最优目标方向角度约为 43。由于选取的阈值过大,生成的直方图中会有大段宽而连续的宽谷区间,机器人的前进方向会更偏向于维持不变,从而容易忽略前方较远处的障碍物。而在下一时刻位置坐标(36,37)处,机器人虽已发现前方障碍物(前进扇区内参数 density 急剧增大),但在较高速情况下难以及时做出避障动作,最终发生碰撞。(2)设置较小阈值 Mth较小阈值使可通行扇区更少,使机器人对障碍物更敏感,能提前发现前方的障碍物,及时调整运动轨迹。然而,这种情况下狭窄且分散的可通行扇区会使机器人易将一些实际可行通道当作不可行通道排除,导致其丧失通过相对狭窄的通道的能力。综上所述,VFH 算法中阈值设定值的不同会对机器人的避障规划产生不同的影响。在实际应用中,阈值通常根据经验人为设置,对于障碍物少的较空旷环境可以设置一个较大的阈值,而在障碍物密集环境中则需要一个较小的阈值,但这种方式面对机器人所处环境或运动状态的变化则不再适用。1.3 候选谷宽度及可通行方向分析VFH 的原始算法没有将机器人尺寸参数和运动特性计入考虑,对谷区宽度也没有精确量化定义。因此本文针对这 2 点问题进行研究,对机器人物理参数、谷区宽度提出一种新的量化处理方式,以分析646高技术通讯 2023 年 6 月 第 33 卷 第 6 期其可通行性。由 1.1 节中图 3 可以得出可通行扇区内障碍物到机器人中心的最小距离和扇区跨越角度,公式如下:dmin=min(dz1,dz2)(4)=180(dz1-dz2)(5)式中,为角度分辨率(本文中取值为 1),dz1、dz2分别是障碍物与扇区 Z1,Z2 的 2 个交点到机器人中心点的最小距离。由式(4)、(5)可以得出机器人在扇区 Z1,Z2 中的可通行距离 d dmin,将这个距离与机器人底盘的宽度 Wb(需略大于实际值)比较即可判断机器人是否在该扇区内可通行。若 Wb d 2Wb,则机器人在 Z1,Z2 中的可通行方向 t可通过式(6)求解。t=180(Z1+Z2)rad2(6)若 d 2Wb,则机器人在 Z1,Z2 中可以求得2 个可通行方向,计算公式为t1=180 Z1(rad)-arcsinWbdz1()(7)t2=180 Z2(rad)+arcsinWbdz2()(8)在通过上述方式求解可通行方向的步骤中,会面临一类极端情况,如图 7 所示。图 7 可通行方向局限情况从图中可看出,可通行距离 d Wb。在这种情况下,算法会认为前方窄道不可通行,无法找到可通行方向,可能会使机器人进入下方障碍物夹角的死区中。实际上机器人所在位置只需向上移动即可找到一条可以通过该窄谷的路径。1.4 阈值选取策略分析针对 1.2 节提出的 VFH 算法阈值敏感性问题,本文考虑机器人的物理参数、运动特性和目标环境,提出了自适应阈值调整策略。为使机器人在运动过程中能合理选用阈值,需要确定阈值的调整范围,其受机器人的物理参数、运动特性影响。1.4.1 物理参数1.3 节说明了机器人底盘宽度对算法的影响,此外还要考虑传感器的性能。机器人搭载的激光雷达具有一定的扫描范围,可设为(Lmin,Lmax),则阈值必须在这个对应区间内调整。1.4.2 运动特性实际运动过程中,机器人从发现障碍物到减速避障需要一定制动距离。设机器人运动线速度为v,减速时最大加速度为 a,则其从减速到停止的制动距离 Sb为Sb=v22a(9)通常 Sb Lmin,由此可以得到H(Sb+Rs)Mth Mthmax2.Mth=Mthmin3.end if4.if Mthmin Ht Mthmax5.Mth=Ht6.end if7.if Ht04.then kd appropriatedirection(directionnum)5.cost h(Mth,kd)6.(Mth,kd,cost)Set7.end if8.Mth=Mth+delta(Mth)9.until Mth Mthmax10.if Set.Step 111.iminimum cost number in Set12.kt Seti,kd13.end if14.return kt15.send ktto controller(1)设置阈值的初始值:根据式(10)的对应关系确定符合条件的阈值最大值和最小值,分别设置为 Mthmax和 Mthmin。设移动机器人当前坐标为(xc,yc),目标点坐标为(xt,yt),此时则有:Ht=c2t(a-bdt)(11)式中,Ht表示当前点到目标点之间的总障碍物强度值,ct表示目标点栅格的信度值;dt表示目标点与机器人当前点间的距离。(2)对(Mthmin,Mth)区间内的阈值按一确定步长 Mth进行遍历,若某个阈值下存在可行的候选方向,则使用代价函数式(3)求解代价最小的方向,记为 kd,之后将此方向向量及对应的 Mth代入式(12)计算代价值,新的代价函数如下:h(Mth,kd)=H(Mth-Mthmin)+(kd-kt)(12)式中,(Mth-Mthmin)为阈值代价项,为阈值权重系数。根据 1.2 节的分析,阈值过大的情况下机器人会对障碍物不敏感,容易与障碍物发生碰撞,所以在代价增大的情况下机器人会选择更小阈值得出更小代价的运动方向前进。取值与机器人当前的运动状态相关,运动速度越快则 的值越大,阈值代价项也会随之增大,此时机器人的运动方向选择相比于向目标点前进,会更侧重于避开障碍物的安全性。(kd-kt)为方向代价项,取决于机器人当前可行方向 kd与目标方向 kt的向量差,该代价项越小表示可行方向越接近目标方向。(3)将各计算所得的代价值及对应的阈值 Mth和方向 kd参数统计并存入集合中,选取集合内代价值最小一组的运动方向为最优前进方向;若第(2)步中满足条件候选方向的阈值数为 0,则表示此时机器人周围不存在可通行方向,应当立即停止前进。综上所述,这个自适应阈值调整策略的核心原理即对阈值区间进行遍历,使用附加的代价函数对每个阈值对应的候选方向集合更加细致地评估其可行性,提高规划方向与路径的可靠性。2 实验结果及分析为了验证本文算法的有效性和可靠性,在模拟的障碍物环境中进行实验。移动机器人的物理参数与 VFH 算法的各项关键参数设置如表 1。表 1 物理参数和算法参数设置参数符号数值表征说明N360 雷达扫描角度a1 角分辨率L0.04 6 m雷达扫描范围Wa/Wb0.4 m/0.3 m机器人长/宽Rs0.28 m机器人安全半径Sb0.06 125 m机器人制动距离n300扇区数量cv(0,16)信度值范围,2 增减a,b,dmax30,2,15算法常数项R(Mth)(1400,3600)阈值范围Mth100阈值遍历步长(5e-4,1e-2)阈值权重系数在模拟的 12 m 9 m 障碍物环境中,机器人运动起点设置为(0,0),目标点为(12,4),起点与目标点之间存在多个障碍物,且被一段跨度较长的隔墙阻挡。采用自适应阈值策略时,为使移动机器人规划路径尽可能平滑,平衡了障碍物及目标点对机器人的作用。图 8、10、11 分别是采用自适应阈值调整策略、设置阈值为最小值、较大值情况下的机器人846高技术通讯 2023 年 6 月 第 33 卷 第 6 期避障路径结果仿真。对比分析避障路径结果,图 9 为采用自适应阈值策略时,运动过程中的阈值和前进方向随时间变化曲线。从图 8 可以看出,机器人整体路径比较平滑,机器人移动的目标方向角度为 18.44,在开始移动时机器人即处于目标方向上,此时阈值最大;第8 s 左右障碍物 h 和 f 进入感知范围后,阈值略微减小,而阈值代价项增大,使前进方向小幅向避开障碍物方向上偏移;第17 s 阈值迅速减小至1600 后缓慢增加,以迅速绕过阻挡目标点的隔墙;在通过存在障碍物 b 与隔墙后,此时机器人前进方向偏离目标航向较远,且附近障碍物较少,阈值迅速提升,使机器人迅速找到目标方向,从上方绕过障碍物 d、e 后成功到达目标点。图 8 自适应阈值仿真路径图 9 阈值与前进方向角变化曲线图 10 是算法阈值设为最小值 1400 的避障结果,此时对应的阈值距离为0.78 m。从图中可以明显看出,机器人在阈值最小的情况下并未成功到达目标点,而是最终在障碍物 b、f 和隔墙包围形成的狭窄通道中停止前进。该通道最窄通行距离约为 0.94 m,大于机器人的尺寸,实际机器人是可以通过的,但由于通行距离小于两倍阈值距离,故机器人运动至此位置时算法判断机器人周围不存在可行通道,最终停止运动。图11是算法阈值分别设为中间值2500和最大图 10 最小阈值(1400)下仿真路径(a)中间阈值(2500)下仿真路径(b)最大阈值(3600)下仿真路径图 11 阈值较大时仿真路径946徐天余等:基于自适应 VFH 算法的移动机器人避障规划值 3600 的避障结果,对应阈值距离分别为 0.60 m和 0.28 m。由于算法阈值较大且为固定值,机器人在转角处转向非常突然,致使规划的路径很不平滑,尤其是在通过隔墙与障碍物 d、e 时,机器人与障碍物距离过近存在碰撞风险,且选择从下方绕行通过更增加了路径长度和偏离目标点的可能性。采用不同阈值策略下仿真避障结果的路径点和规划时间如表 2 所示,其中,路径点的数量即与路径长度成正比关系。表 2 各阈值策略规划指标对比表指标自适应最小阈值中间阈值最大阈值路径点839995路径长度/m16.117.6416.98规划时间/s47.7127.0850.4848.30注:“”表示未抵达目标点上述对比结果表明,采用本文提出的自适应阈值调整策略可使算法根据周边环境的不同调整至适合当前情况的阈值。在此策略下机器人能够较为灵活且安全地避开障碍物,同时兼顾其对目标点的导向性以及通过狭窄通道的能力,在一定程度上避免了机器人时常作偏离目标点运动或进入死区徘徊的情况,能够以短且平滑的路径最终抵达目标点。而对比规划时间,采用自适应阈值策略与固定阈值的差距并不大,以单个路径点的平均时间考虑甚至自适应阈值的时间略长,这是由于算法加了一层对代价的计算遍历过程而难以避免的。3 结 论针对 VFH 算法存在的阈值敏感性问题,本文对传统算法进行改进,分析了算法阈值和移动机器人自身参数、目标环境对机器人避障能力的影响,提出了一种自适应阈值调整策略。在距离前方障碍物较远时,较大阈值可以使机器人更早地发现远处的可行通道或障碍物,侧重于目标方向的可通行性,尽可能缩短路径长度;当遇到近距离障碍物时,较小阈值使机器人能够感知近处的障碍物信息,提高其对周围障碍物的敏感性,避免与障碍物发生碰撞。自适应阈值调整策略根据不同因素调节阈值大小,使机器人能够较为灵活地避开障碍物,同时兼顾其对目标方向的导向性以及通过窄道的能力。通过在多障碍物的负载模拟地图环境下的对比实验,对自适应阈值调整策略与设置 3 种固定阈值的避障路径结果进行分析比较。结果表明,在不同环境中使用自适应阈值选取策略,机器人能够有效解决改善 VFH 算法的阈值敏感性问题,最终能以较短的无碰撞平滑路径顺利到达目标点。在进一步研究中,由于本文自适应阈值调整策略的机理是对合适区间内的阈值按一定步长逐个遍历,多一层代价评估会增加算法的响应和决策时间,在机器人运动速率极快或激光雷达更新数据较慢的情况下不利于算法的实时性能,因此在实际情况中可以适当增大遍历步长以改善算法的实时性。另外,在 VFH 算法中机器人可选择的前进方向可以是四周 360 范围内的任一方向,这会增加机器人路径的不确定性,最终形成的轨迹可能极不平滑。因此可以设定一个模糊区域,若当前求得的前进方向与上一时刻的前进方向差距较小则不更新方向,或通过全局规划方式进一步限制机器人可选的运动方向。参考文献 1 CHEN W Q,WANG N,LIU X F,et al.VFH based lo-cal path planning for mobile robotC2019 2nd ChinaSymposium on Cognitive Computing and Hybrid Intelli-gence(CCHI).Xian:IEEE,2019:18-23.2 ZHANG Y F,WANG G.An improved RGB-D VFH+obstacle avoidance algorithm with sensor blindness as-sumptionsC 2017 2nd International Conference onRobotics and Automation Engineering(ICRAE).Shang-hai:IEEE,2017:408-414.3 DONG X X,WANG M S,KANG C,et al.Improved au-to-regulation VFH algorithm for obstacle avoidance of un-manned vehiclesC2021 China Automation Congress(CAC).Beijing:IEEE,2021:6467-6472.4 BORENSTEIN J,KOREN Y.The vector field histogramfast obstacle avoidance for mobile robots J.IEEETransactions on Robotics and Automation,1991,7(3):278-288.5 UIRICH I,BORENSTEIN J.VFH+:reliable obstacleavoidance for fast mobile robotsC1998 IEEE Interna-tional Conference on Robotics and Automation.Leuven:IEEE,1998:1572-1577.6UIRICH I,BORENSTEIN J.VFH:local obstacle056高技术通讯 2023 年 6 月 第 33 卷 第 6 期avoidance with look-ahead verificationC 2000 IEEEInternational Conference on Robotics and Automation.San Francisco:IEEE,2000,3:2505-2511.7 SAHIN G,BALCILAR M,USLU E,et al.Obstacleavoidance with vector field histogram algorithm for searchand rescue robotsC2014 22nd Signal Processing andCommunications Applications Conference(SIU).Trab-zon:IEEE,2014:766-769.8 PAPPAS P,CHIOU M,EPSIMOS G T,et al.VFH+based shared control for remotely operated mobile robotsC2020 IEEE International Symposium on Safety,Se-curity,and Rescue Robotics(SSRR).Abu Dhabi:IEEE,2020:366-373.9 BABINEC A,DUCHON F,DEKAN M,et al.VFHTDT(VFH with time dependent tree):a new laserrange finder based obstacle avoidance method designed forenvironment with non-static obstaclesJ.Robotics andAutonomous Systems,2014,62(8):1098-1115.10 张亚兰,赵成萍,严华.基于改进双向 A和向量场直方图算法的无人机航路规划J.科学技术与工程,2019,19(4):179-184.11 屈盼让,薛建儒,朱耀国,等.面向无人车运动规划问题的 VFH 算法J.计算机仿真,2018,35(12):245-251.12 WU C F,WANG Y L,MA L,et al.VFH+based localpath planning for unmanned surface vehiclesC2021IEEE International Conference on Recent Advances inSystems Science and Engineering(RASSE).Shanghai:IEEE,2021:1-6.13 徐玉华,张崇巍,徐海琴.基于激光测距仪的移动机器人避障新方法J.机器人,2010,32(2):179-183.14 BOUJELBEN M,AYEDI D,REKIK C,et al.Fuzzy log-ic controller for mobile robot navigation to avoid dynamicand static obstaclesC2017 14th International Multi-Conference on Systems,Signals and Devices.Marrakech:IEEE,2017:293-298.15 QU P,XUE J,MA L,et al.A constrained VFH algo-rithm for motion planning of autonomous vehiclesC2015 IEEE Intelligent Vehicles Symposium(IV).Seoul:IEEE,2015:700-705.16 刘杰,闫清东,唐正华.基于激光雷达的移动机器人避障规划仿真研究J.计算机工程,2015,41(4):306-310.17 SARY I P,NUGRAHA Y P,MEGAYANTI M,et al.Design of obstacle avoidance system on hexacopter usingvector field histogram-plusC2018 IEEE 8th Interna-tional Conference on System Engineering and Technology(ICSET).Bandung:IEEE,2018:18-23.18 ZHANG Z,ZHANG Y P,GUO C B,et al.Path planningfor fixed-wing UAVs based on expert knowledge and im-proved VFH in cluttered environmentsC2022 IEEE17th International Conference on Control and Automation(ICCA).Naples:IEEE,2022:255-260.Obstacle avoidance planning for mobile robotsbased on adaptive VFH algorithmXV Tianyu,SUN Xiaodong,XIE Jianliang,MENG Xiangdong,HE Qijiang (School of Electronic Science and Engineering,University of Electronic Scienceand Technology of China,Chengdu 611731)(The 58th Research Institute of China Electronics Technology Group Corporation,Wuxi 214063)(School of Microelectronics,Southeast University,Nanjing 210096)AbstractVector field histogram(VFH)is widely used in obstacle avoidance for mobile robots due to its insensitivity tosensor errors and fast response features.This method quantifies the obstacle information(of each direction)into in-tensity values and judges the feasibility by the threshold.However,different thresholds will bring robots about dif-ferent obstacle avoidance effects and poor adaptability to various task environments.To address VFHs thresholdsensitivity issue,an adaptive threshold adjustment strategy is proposed.The threshold function comprehensivelyevaluates the pass-ability of each group of thresholds within the range of candidate directions combined with envi-ronmental information.It contributes to selecting the suitable threshold and completing autonomous obstacle avoid-ance for robot motion.To evaluate the algorithms effectiveness and reliability,a simulated obstacle environment isdesigned,and comparative experiments are conducted.Experimental results show that the VFH algorithm improvesthe threshold sensitivity of the traditional algorithm with the proposed adaptive threshold strategy,and meanwhilethe robot could acquire a short collision free path in a narrow channel to reach the target position.Key words:path planning,autonomous obstacle avoidance,vector field histogram(VFH),adaptive thresh-old156徐天余等:基于自适应 VFH 算法的移动机器人避障规划