论文部分内容阅读
为了使机器人能够更好的在复杂的室内环境中工作,需要机器人能够具有自主导航、避障和构建地图的能力。传统的SLAM(Simultaneous Localization and Mapping,SLAM)算法需要人为设置规划机器人的移动轨迹,增加了人工成本,导致了构建地图更复杂,而主动SLAM(Active SLAM)算法基于对周围环境的理解,机器人可以实现自主建图,而不是传统的需要人为操纵机器人构建地图,提高了机器人的能动性和自主性。本文针对以上问题,研究了移动机器人的深度图像对障碍物的识别方法、基于深度强化学习算法的避障以及将避障与FastSLAM的地图构建相结合的主动SLAM。首先,采用深度学习网络FCRN(Fully Convolutional Residual Networks)算法识别障碍物得到深度图像并构建实验环境的二维地图。搭建Turtlebot2的Gazebo仿真模型,基于Kinect对RGB图像进行FCRN深度预测,使机器人获得障碍物和环境信息。由训练和测试的损失函数可以看出,随着步数的增加,FCRN深度图像预测效果较好,并且采用FastSLAM方法构建了环境地图。其次,将避障算法融合到SLAM框架中,提出了基于深度强化学习避障的主动SLAM方法。基于FCRN算法识别障碍物训练得到的深度图像,采用Dueling DQN算法规划避障的路径,并融合到FastSLAM中完成在线避障和地图构建。实验表明,在不同数目的静态和动态障碍物的环境中,所提方法有效地完成了在地图构建过程中避开不同状态的障碍物,实现了机器人在复杂环境中的自主航行。最后,为了提高深度图像预测速度和优化机器人的行走路径,提出了基于Monodepth深度图像识别的改进的主动SLAM方法。采用Monodepth算法提高深度图像识别障碍物的预测速度,获得的双目立体影像代替了FCRN算法训练中使用的显式深度数据;采用基于概率选择的Dueling DQN深度强化学习优化行走路径,最后与FastSLAM融合完成了不同数目下的静态、动态障碍物环境下的自主航行并构建了环境地图。