自由空间中的机器人自主避障方法研究.pdf

传感器与微系统（）年第卷第期：（）自由空间中的机器人自主避障方法研究王正家，吴顺尧，何涛，王若（湖北工业大学机械工程学院，湖北武汉）摘要：移动机器人在运动过程中，针对路面凹坑和突起的大小与位置存在难以检测的问题，影响障碍定位与避障运动的规划，提出了一种路面障碍检测与规避方法。通过在移动机器人上安装激光测距雷达和超声波测距传感器，能够有效获取路面凹陷和突起的特征信息；通过改进的多传感器信息融合算法，实现路面凹陷的大小与位置的分析计算；在避障控制中引入反向传播（）神经网络，通过改变神经网络的学习速率，提高移动机器人的避障精度。根据该方法，建立了移动机器人避障模型，并进行了仿真验证。结果表明：所提方法可在检测到路面凹陷和突起的同时实现有效避障，为移动机器人应用提供参考。关键词：移动机器人；多传感器信息融合；反向传播神经网络算法；避障中图分类号：文献标识码：文章编号：（），（，）：，（），：；（）；引言自主避障技术是移动机器人关键技术之一，复杂环境中移动机器人的自主避障是当前研究的热点，在自动驾驶等多个领域广泛应用。目前最常用的自主避障技术为视觉定位避障和测距传感器定位避障。视觉避障虽然可以识别多种路面障碍和路面凹陷，但成本高且算法复杂，并且容易被环境影响干扰图像，；利用测距传感器检测并定位障碍物是当前的常规方法。文献实现了基于超声测距的机器人避障，但存在精度不足的问题，且仅能够检测较大障碍物；文献 提高了测距传感器避障的精度，但只能检测路面上较大障碍物，难以准确检测出路面凹陷和突起；文献，实现了利用多传感器准确定位目标，但所采用的原理无法确定不规则目标的中心位置，故无法检测路面凹陷和突起。上述方法进行自主避障时，能够满足避障所需要求，但难以准确检测地面凹陷和突起的位置和大小。针对上述不足，本文提出了一种自由空间中的机器人自主避障方法，该方法在移动机器人上安装两组传感器，每组包含个激光测距雷达和个超声波测距传感器，将个收稿日期：基金项目：国家自然科学基金资助项目（）第期王正家，等：自由空间中的机器人自主避障方法研究激光测距雷达安装于机器人两侧，以双激光测距雷达扫描范围的交叉区域作为路面检测区域，超声波测距传感器与激光测距雷达同时检测，弥补单一传感器受环境光强或噪音影响的缺陷；利用自适应多传感器信息融合算法分析处理传感器数据，得出路面凹陷或突起的样本点特征数据后，利用三角定位法计算出路面凹陷样本点坐标；由于路面凹陷通常形状复杂，难以分析避障路径，为了降低避障难度，通过多组样本点坐标计算出多个可覆盖路面凹陷或突起的圆形区域；为了得出可用于避障的圆形区域，本文将每个圆形区域的特征参数归一化处理，计算出每个圆形区域对应的权重因子后，对所有圆形区域的特征参数进行加权融合，得出最适用于避障的圆形区域特征参数。在避障控制过程中，引入了反向传播（）神经网络和算法，利用神经网络调整控制参数，由于神经网络学习速率较为固定，会导致收敛速度慢，所以，本文针对神经网络学习速率做出了改进，设计了一种自适应调整学习速率的方法，能够根据网络误差曲面来调整神经网络学习速率，提高了网络收敛速度，使避障过程中的运动控制更为灵敏。障碍定位模型设计为使移动机器人能够在复杂的环境中实现自主定位和避障功能，准确地获取自身姿态并感知外部环境，采用了激光测距雷达、超声波测距传感器、陀螺仪、测速传感器，设计了障碍检测系统，如图所示。超声波传感器光电测速传感器控制系统陀螺仪超声波传感器超声波&激光测距雷达2超声波&激光测距雷达2图传感器分布 机器人前进时，位于前后的组激光测距雷达对环境周围进行交叉扫描，以个激光测距雷达为组。以每组激光雷达所在水平面的中点作为坐标原点建立空间坐标系，如图所示。激光测距雷达激光测距雷达前进方向ZXYO图路面检测系统坐标系 扫描得到的路面信息为扫描区域每个点到激光测距雷达的距离，并在个激光测距雷达下方各安装只超声波测距传感器，计算出环境中障碍物上样本点的空间坐标，根据样本点信息分析出障碍大小与位置信息。样本点检测原理如图所示。障碍物样本点激光测距雷达&超声波测距传感器激光测距雷达&超声波测距传感器图障碍物样本点检测 路面障碍的样本点定位原理如图所示。机器人上的对称信号节点，在平面的坐标分别为（，），（，），（，），假设目标中心节点坐标为（，），测得信号源到和的距离为，俯仰角为，在移动目标与，两点构成的平面内，由几何关系可得出（）（）（）（）（）（）空间坐标中，根据几何关系可知，样本点坐标关系满足 槡（）槡（）ZXYO茁琢l4l3l2l1图样本点空间三角定位模型路面障碍避障检测算法自适应加权融合算法障碍物特征点的采集值为。检测过程中，障碍物特征点采集值依次为，各只传感器采集数据方差依次为，传感器检测数据的方差依次是，可知，（）计算总方差（）（）（）假如，之间是相互独立的，都是的无偏估计，那么（）（），；，；（）根据式（）可知，障碍特征点检测数据方差和激光测距雷达与超声波测距传感器的检测原理具有相关性，检测传 感 器 与 微 系 统第卷一次所得的融合方差和权值具有二次函数关系，特征点信息融合的方差达到最小后，信息融合结果将达到最高精度。可将上述模型转变为式（），（）（）当以上方差问题转变为与极值相关问题后，且系统中各传感器数据权值之和为，能够求出（）最小值。根据上式得出式（）（），（）（）（）（）并代入式（），求出传感器数据权值的偏导值，再让求导后的函数组等于，能够求出传感器数据的最小总方差对应权值（）（）将每一次传感器检测得到的数据的方差均与前面所有数据方差做平均处理，计算出第次采集数据的方差。根据上述计算方法，能够求出第次传感器检测数据的方差与第 次检测时的方差平均值，由于此时传感器数据精度不足会极大影响算法的融合结果，所以将各传感器采集数据的方差平均值计算出之后，再作各传感器在每次采集数据后的最终方差（）（）（）第次检测障碍物时，第只传感器检测数据的方差为式（）中的（）。求出此时第只传感器检测数据对应的融合权值后代入式（），可求出系统中第次检测时第只传感器的数据融合结果。路面障碍特征参数计算为了在空间中计算出准确的圆形区域的中心位置坐标与横向两个极限位置坐标，避免俯仰角影响主控模块分析计算圆形区域中心位置坐标和圆形区域横向两点极限位置距离机器人空间坐标系原点的距离，基于上述模型设计了圆形区域定位算法，该方法结合障碍物平面形状的上横向与纵向的个极限位置点相对于机器人空间坐标系原点来计算分析圆形区域中心位置和横向两极限位置的空间坐标。通过测量后分析计算出个障碍物极限位置的空间坐标，将个空间坐标排列组合后得到组坐标数据，通过任意三个极限位置坐标，的空间坐标（，），（，），（，）可求出障碍物的中心位置和横向极限位置和的空间坐标。通过计算可得出 （）式（）求得的结果为圆形区域的空间坐标（，），通过分析计算共能计算出个圆形区域中心位置的空间坐标和个半径，以此求得组圆形区域最大圆的横向极限位置坐标，将这组横向极限位置坐标与圆形区域本身横向极限位置做对比，将所求得结果中个能够完全覆盖圆形区域的坐标组。在确认的多个结果中，可能存在非圆形区域的位置偏差过大或半径相差过大，无法任取一个作为避障目标，故需要对个坐标组进行融合，找到最佳的圆形区域，每个圆形区域大小位置不同，对应的权重也不同，根据圆形区域的半径和圆心位置来寻找个圆形区域坐标的加权因子。以圆形区域纵向个极限样本点连线与横向个极限位置样本点连线的交点作为圆形区域中心位置，则个圆形区域圆心与圆形区域中心位置的距离为，所有圆形区域与个圆形区域中半径最小的圆形区域半径之差为，圆形区域偏离实际障碍中心位置越远、半径越大，则精度越低，将，归一化处理，则每个圆形区域对应的权重因子为（）（），（）在得到的个圆形区域中，设和为圆形区域圆心到机器人坐标系原点的距离和水平角度，为圆形区域，则圆形区域特征信息融合为 ，珋 （）式中信息融合后圆形区域的距离，水平偏角和珋的值能够确认最佳圆形区域，并通过极坐标值计算出最佳圆形区域的空间坐标。避障运动控制本文采用超声波和激光测距雷达获取机器人前、左、右的障碍物距离和方位信息。图为移动机器人避障示意。移动机器人障碍物运动轨迹未发生碰撞障碍物图移动机器人避障示意避障控制模型为使移动机器人自主避障，首先对多只传感器的数据进行分析处理，将处理后得出的特征参数送入神经网络控制器。随后控制器发出指令，控制机器人完成避障任务。移动机器人避障控制模型结构如图所示。神经网络输入层输入参数为：电机实际转速、角度传感器检测的避障转角和电机给定转速，由电机给定转速与电机实际转速计算出速度偏差作为输入层参数之一，再第期王正家，等：自由空间中的机器人自主避障方法研究ne电机PID 控制器KpKiKdBP 神经网络BP 神经网络PID 控制器学习算法n+-图移动机器人避障控制模型结构根据机器人姿态确定障碍物位置，并计算出当前避障角度作为输入层参数，最后将电机实际转速与给定转速均作为网络输入层参数。神经网络学习速率优化神经网络训练时间较长，学习速率固定导致神经网络的收敛速度较慢，为解决该问题，可根据神经网络输出误差大小自适应调整学习速率，将神经网络输出加权归一化处理后设为，取值范围在 之间，即 ，；，（）；，（）；，（）；，（）（）式中 作为神经网络开始训练时的学习效率。神经网络学习效率适应调整过程：）初始化神经网络每层的权值，将学习次数值设为，初始化学习效率；）检测得到期望电机转速（），实际电机转速（），转速偏差（）（）（）和避障角（）；）将（），（），（），（）归一化后作为输入层参数输入；）求出输出（）；）通过隐含层，优化神经网络的权值；）学习效率根据误差变化值调节；）每执行一遍就将 ，转至步骤（）继续计算，误差达到可行范围则输出结果。仿真结果与分析通过对本文设计的避障方法进行仿真编码，以验证本文所设计算法的有效性。采用自适应双重加权融合算法后，传感器数据的最小总方差对应权值误差更小，使得传感器数据融合结果更精确，能够准确有效地检测出障碍物，图为机器人避障仿真实验结果，从图中的仿真结果能够看出：采用自适应双重加权融合算法后，移动机器人的避障路线贴近障碍物且能够正常避障，对于障碍物的检测较为精准，证明了本文避障算法的有效性。250200150100500020406080图机器人避障仿真实验结果 通过以上论述与仿真，本文设计的机器人导航定位方法能够在具有多障碍物的复杂环境中进行避障，在实际应用中具有一定的价值。结论多数自主避障方法不适用于路面凹陷和突起的检测，检测对象多为路面车辆，柱体和较大障碍物。本文通过研究现有避障方法提出了一种针对路面凹陷和突起的自由空间中机器人自主避障方法，可准确检测出路面凹陷与突起的大小和位置，能够精准避障，具有一定的工程应用价值。参考文献：汤义勤，高彦波，邹宏亮，等基于机器视觉的室内无轨巡检机器人导航系统自动化与仪表，（）：，李艳，唐达明，周莹亮，等基于计算机视觉的轮椅跟随系统设计计算机工程与应用：，（）：逯云杰超声波定位跟随小车的系统硬设计研究电子制作，（）：孙涛工业机器人超声波传感器避障算法设计与优化研究电脑知识与技术，（）：袁茂鸿，王姝，林心如基于超声波传感器的扫地机器人避障技术研究南方农机，（）：王正家，夏正乔，孙楚杰，等基于多传感器信息融合的自主跟随定位及避障方法传感技术学报，（）：，王正家，李明，夏正乔，等复杂环境下的自由空间中自主跟随移动目标的多信息融合方法与应用传感器与微系统，（）：，（）：李鑫磊，秦建军，武伯有，等超声波零转弯半径自主跟随机器人定位控制科学技术与工程，（）：毕卫红，孙迎坤，谈木，等一种基于多线激光雷达的无人艇避障系统设计中国造船，（）：徐乐，韦玉科基于三点定位与加权坐标的三角定位算法计算机工程与应用，（）：杜金香，许恒博，祝鹏一种角度加权的最小二乘目标定位算法水下无人系统学报，（）：徐济仁，薛磊最小二乘方法用于多站测向定位的算法电波科学学报，（）：李博基于神经网络的参数智能整定电子技术与软件工程，（）：郝建胜，谢振宇，陈李成，等基于神经网络的磁轴承控制算法研究机械制造与自动化，（）：作者简介：王正家（），男，博士，讲师，主要从事电机智能控制研究工作。吴顺尧（），男，硕士，研究方向为嵌入式应用。