论文网
机器人类有关论文范文文献,与申请工学硕士学位文相关论文摘要
本论文是一篇机器人类有关论文摘要,关于申请工学硕士学位文相关大学毕业论文范文。免费优秀的关于机器人及算法及特征方面论文范文资料,适合机器人论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。
;SLAM算法相比,计算负担减小,实时性提高.4.4SLAM算法仿真
4.4.1仿真环境的创建
为了检验本算法的鲁棒性,作者在Matlab环境下编制了用户界面来创建不同的仿真环境,界面如下:
图4-6用于算法检验的用户界面
图4-6所示为用户界面.表示为米的仿真环境.通过点击左侧"Type"下的两个按扭,用户可以随意添加特征(Landmark)以及控制信息(Waypoints).
如:点击"Landmark"按扭后,用户可以在栅格处创建环境中的线段特征,如图4-7,点击"Waypoints"按钮后,鼠标输入的点将为机器人提供控制量信息,如图4-8,表示机器人将按图中点划线提供的方向信息运行一周,回到原点.在这个过程中,若需要对已有的特征等进行移动或删除处理,则需要先点击"Operation"下的"Move"或"Delete"按扭,然后做相应的处理.当Landmark和Waypoints全部输入完毕之后,点击左下角的"Save"来保存.若想调用已存的仿真环境,点击左下角"Load"按钮即可.
图4-7在用户界面上创建环境特征
图4-8在用户界面上创建机器人运动控制信息
4.4.2SLAM算法示例
下文将通过一具体的仿真示例对基于线特征的SLAM算法结果进行说明与分析.
图4-9仿真环境
图4-11特征端点位置误差
图4-10机器人制图
图4-12机器人位姿误差协方差图4-13机器人位置误差
图4-14机器人位置误差图4-15机器人位姿误差协方差
如图4-9为仿真环境.线段代表的是机器人从环境中已经提取出来的线段特征,点划线代表的是机器人的控制向量,这里主要是为机器人提供转角信息.图4-10为机器人通过SLAM算法所制的地图,也就是所提取的特征的位置.特征位置的误差重要由线段特征的端点位置误差来体现,如图4-11所示.可以看出除第一个特征的端点位置误差较大外,其余误差均较小.机器人位置误差协方差如图4-12所示,由于它的值很小,所以在处理过程中对其进行了开方处理,可见其最大值不超过0.04,而且是收敛的.图4-13中的虚线表示的是在整个运行过程中,机器人的位置估计在X轴方向的误差,实线表示的是其位置估计在Y轴方向的误差.由图可以看出,位置估计误差在8mm以内.
为了更直观的表现出SLAM算法的优越性,我们做了如下比较实验:在机器人运行的过程中不采用SLAM算法,实验结果如图4-14,4-15所示.可见,机器人位置误差明显增大,误差协方差不仅增大而且趋于发散.毫无疑问,在这种情况下机器人所制地图可信度更差.
4.5本章小结
本研究提出一种基于线特征的SLAM算法,该算法较基于点特征的SLAM算法而言,计算量减少,而且地图的表示更为丰富.对于算法所涉及的关于机器人运动模型,观测模型的建立,传感器的选择,数据匹配,状态更新以及地图维护等方面的相关内容进行了阐述,并通过仿真实验证实了该算法的正确性与鲁棒性.
第5章机器人避障算法
避障算法的研究也是机器人学中一个热门话题,避障对于导航而言具有非常重要的意义.对于任意一个成功的机器人应用来说,都有其特有的避障算法.以往的算法比较简单,需要机器人在发现障碍物之后停下来,调整方向后再行动.而现在,算法发展很快,使得机器人在发现障碍之后无需停止即可绕行避障.
5.1常见的避障算法介绍
实时避障是反映智能移动机器人自动能力的关键问题之一,国内外学者曾做过大量的研究工作,常见的避障算法有如下几种:
(1)可视图法[52]
可视图法将机器人,目标点和多边形障碍物的各顶点进行组合连接,连接的直线视为弧,要求机器人和障碍物各顶点之间,目标点和障碍物各顶点之间以及障碍物顶点与顶点之间的连线均不能穿越障碍物,即直线是可视的.机器人延这些可视线行进直至离开该障碍.使用这种方法时,缺乏灵活性,一般需要机器人停止在障碍前搜集传感器数据,并且它受传感器精度影响较大.
(2)人工势场法[53]
人工势场法是由Khatib提出的一种虚拟力法,其基本思想是建立一种虚拟力,将机器人在未知环境中的运动视为在人工虚拟力场中的运动,即假设目标对机器人存在着吸引力,而障碍物对机器人有排斥力,那么引力和斥力的合力作为机器人运动的加速力,从而计算出机器人的位置和控制机器人的运动方向(如图4-1).势场法结构简单,便于底层的实时控制,但是也存在若干缺陷,比如:在相近障碍物间不能发现路径,在狭隘的通道中会来回摆动等.
(3)VFH(VectorFieldHistogram)J.Borenstein完全放弃了势场法,而设计了一种称为VFH的方法,它将机器人的工作环境分解为一系列具有二值信息的栅格单元,每个矩形栅格中有一个积累值,表示在此处存在障碍物的可信度,高的累计值表示存在障碍物的可信度高.这是因为传感器不断快速的采样环境,存在障碍物的栅格不断被检测的结果.栅格大小的选择直接影响着控制算法的性能.栅格选得小,环境分辨率就高,但是抗干扰性就比较弱,环境信息存储量大,使得决策速度慢,栅格选的大,抗干扰性就比较强,但环境分辨率下降,在密集障碍物环境中发现路径的能力减弱.另外,栅格大小的选取也与传感器的性能有关,若传感器的精度高而且反应速度快,栅格可以选的小些.
由VFH控制的移动机器人表现出了良好的性能.本研究中就是采用该方法作为机器人的避障策略.其算法思想在下文中具体介绍.
图5-1势场法思想简图
5.2VFH避障算法介绍
5.2.1(CertaintyValue)值的确定
在VFH算法中用二维的栅格来表征环境.将机器人的工作空间划分为若干连续的二维栅格系列.每个栅格中都包含一个概率值.这个概率值体现了在该栅格中存在障碍物的可信度,CV值越高,表示此处存在障碍物的可能性就越大.
它通过一个与所用传感器特性有关的概率方程进行更新.如图5-2,对于声纳传感器而言,它具有椎形视角,返回的是传感器到该锥形区域内最近一物体的距离值.在运行过程中,当机器人接收到传感器读数后,利用该读数值,通过使用概率函数更新锥形区域内每个栅格的概率值,从而获得对障碍的最新认识.实验表明,离该锥形轴线越近的栅格更新的越快.我们可以这样认为:被检测到的障碍物最可能的位置就是在锥形轴线附近.
由上述可知,机器人每接收到一个传感数据,就要调用一次概率函数.显然这样会使计算复杂度提高,导致反应延时而不利于数据的实时处理.这在机器人运动速度较快时表现更为明显.因此,可以将算法进行如下改动:
由于被检测到的障碍物最可能的位置就是在锥形轴线附近,所以我们每次仅仅需要更新位于锥形的轴线上且到传感器距离等于传感器读数的那个栅格即可.在机器人不断的运行,传感器连续采样的过程中,这种方法同样可以获得对障碍物的概率分布.同时注意到声纳传感器有其固有的一些缺点:比如方向性较差,抗干扰能力较低,错误读数多等.在这里我们着重考虑的是因其抗干扰能力低而产生较大噪音的问题.
图5-2声纳数据概率
为解决这个问题,可以从硬件和软件两方面进行处理.比如可以使用由24个声纳均匀分布而组成的声纳环.每次只触发四个声纳,且必须保证声纳之间均为90度.这样可以减少声纳之间声波的相互干扰.此外,在算法中也对噪音进行处理,削弱其影响.思想如下:
不在每个栅格中分配具体的概率值,而是在其中记录其被声纳"发现"的次数.每检测到一次,赋一个权值.实验中取3(
机器人类有关论文范文文献,与申请工学硕士学位文相关论文摘要参考文献资料：