论文部分内容阅读
随着科技迅猛发展和人们生活水平的提高,移动机器人成为生活中常见的新科技产物。路径规划在智能机器人学科是非常重要的一门技术,对机器人的自主移动等具有深远的研究意义。嵌入式平台由于其专用性强、功耗低、体积小等特点被广泛地用于移动机器人的开发平台;但同时由于嵌入式平台处理能力、存储空间及计算资源相对有限,这也使得提高路径规划的性能在嵌入式环境中尤为重要。A-star算法是一种具有启发式特征的搜索算法,经常被用于解决全局路径规划的问题。A-star算法具有简便高效、准确性和可操作性的特点,但是,由于Astar算法的节点搜索策略局限于相邻节点,这导致寻路算法的运动方向受限,在一定程度上使得规划路径不是理论上的最优路径且路径拐点过多。在环境信息过于复杂的时候,A-star算法存在搜索效率降低的情况。针对A-star算法的不足之处,本文提出了一种基于扩展搜索邻域的A-star算法的路径规划算法,并将其应用到实际路径规划解决方案中去。在改进的算法中,通过对距离和角度信息进行加权改进了A-star算法的启发式函数,使A-star算法更具导向性;利用最小二进制堆的数据结构改进了A-star算法的列表OPEN的数据存储结构,提高搜索最小代价节点的速度;通过将A-star算法的传统八个邻域扩展到多层邻域来添加多个搜索方向,并研究不同扩展层数对寻路结果和性能的影响,确定最终的路径规划优化策略。最后,将优化后的A-star算法应用于全局路径规划和局部路径规划。为验证算法设计了多组仿真实验。实验结果表明,与A-star算法相比,改进后的A-star算法在路径长度、路径平滑度和寻路时间上都具有更好的性能,并且可以适用于多障碍的情况。最后,针对改进的A-star算法,本文提出了基于该算法的路径规划解决方案,并且将该解决方案应用于Jetson Nano嵌入式实验平台中。在路径规划解决方案中,首先通过机器人搭载的视觉传感器实现视觉SLAM,获取环境的深度信息,而后通过坐标转换将采集的深度信息转换为点云模型,对点云模型进行滤波、投影等变换得到二维平面模型,接着采用栅格法建立二维环境模型。最终在路径规划中,通过机器人当前坐标作为起点和预设的终点进行全局路径规划,得到机器人的移动路径;并在机器人实时的运动过程中,获取视觉传感器当前的环境信息,结合二维环境模型实现地图的动态更新,以机器人当前的坐标和终点坐标进行局部路径规划,并更新机器人的移动路径。