论文部分内容阅读
摘要：在移动机器人的相关技术研究中，导航技术可以说是其核心技术，也是其实现真正的智能化和完全自主的关键技术。移动机器人有多种导航方式，这些导航方式各有其特点，适合不同的应用环境。随着移动机器人的应用领域日益广泛，对移动机器人导航研究不断提出新的课题，这将使移动机器人的导航研究不断深入发展。本文总结了智能算法在移动机器人导航技术的现状，归纳了目前研究较多的智能算法，分析了几种智能算法的应用，并指出了存在的不足和有待进一步研究的问题，最后展望了机器人智能导航的发展趋势。
关键词：多移动机器人;未知环境;导航;智能算法
1.引言
移动机器人的研究始于20世纪60年代末期，目的是研究人工智能技术及在复杂环境下机器人系统的自主推理和规划能力。本文从多个方面对移动机器人的导航进行了深入的系统研究，其主要的内容和成果如下：从移动机器人的历史和现状出发，对比了国内外的不同发展状况，对移动机器人导航领域的研究方向进行了综述。着重介绍了移动机器人导航中常用的方法，对其中的人工势能场法、神经网络、遗传算法和模糊控制进行了逐一的分析阐述，最后综述结尾对全文进行了总结并对移动机器人导航研究进行了展望。
2.移动机器人的几种导航方式
移动机器人导航是指移动机器人通过传感器感知环境和自身状态，实现在有障碍物的环境中面向目标的自主运动。我们可以将移动机器人所处的环境分成以下几个研究方向：1）完全已知环境：机器人知道所在工作环境的所有信息，包括目标点的位置，方向，障碍物的位置和方向;2）部分已知环境：机器人知道所在工作环境中的部分信息，比如知道一部分障碍物的位置和方向，有另外一部分环境是不知道的;3）完全未知环境：机器人完全不知道所在工作环境的信息，只知道目标点的方向和位置，其它障碍物的信息是一点都不知道。
目前，机器人导航要解决的关键问题表现为以下三个方面[1]：
1）通过一定的检测手段获取移动机器人在空间中的位置、方向以及所处环境的信息;
2）用一定的算法对所获信息进行处理并建立环境模型;
3）寻找一条最优或近似最优的无碰路径，实现移动机器人安全移动的路径规划。
目前，移动机器人导航有很多方法，常用的方法有：人工势能场法、神经网络、遗传算法和模糊控制等，下面本文将对这几种常用的方法进行分析比较。
2.1 基于人工势能场法（APF）的移动机器人导航
人工势场法[1，2]是Khatib提出的一种虚拟力法。人工势场法是传统算法中较成熟且高产的规划方法，其基本思想是将移动机器人在环境中的运动视为一种虚拟人工受力场中的运动。障碍物对移动机器人产生斥力，目标点产生引力，引力和斥力周围由一定的算法产生相应的势，机器人在势场中受到抽象力作用，抽象力使得机器人绕过障碍物。该法结构简单，便于低层的实时控制，在实时避障和平滑的轨迹控制方面，得到了广泛应用。
高云峰等[3]针对势场原理所固有的几个缺陷进行了改进，使改进后的势场法适用于未知复杂环境下移动机器人的导航，具备一定的学习能力，并通过仿真实验验证了该方法的有效性。王肖青等[4]讨论了传统的人工势能场方法的不足，并提出了一种改进的人工势能场方法。王奇志等[5]提出了一种改进的人工势场法，通过排除一个距机器人最远的障碍物，同时加一个同等大小反方向力来消除零势能点，从而实现消除零势能域，达到多障碍物情况下机器人运动规划的快速、实时、避障的效果，结果表明，该算法对多个障碍物和非静态的障碍物同样适用。
人工势场法突出的优点是系统的路径生成与控制直接与环境实现了闭环，从而大大加强了系统的适应性与避障性能。但是人工势场法也存在几个主要的缺陷：1）陷阱区域;2）在相近的障碍物之间不能发现路径;3）在障碍物前振荡;4）在狭窄通道中摆动;针对这些缺陷，提出了一些改进办法。对于人工势场法存在“机器人在到达目标位置前由于陷入局部极小点而无法到达目标位置”的问题，解决的方法有：重新定义势函数，使之没有或有更少的局部极小点;利用搜索算法跳出局部极小点;还可以利用模拟退火算法使势函数跳出局部极小点，到达机器人的目标位置。
2.2 基于神经网络的移动机器人导航
神经网络具有很强的适应复杂环境和多目标控制要求的自学习能力，并具有以任意精度逼近任意非线性函数的特点，神经网络可与其他控制方法如专家系统、模糊控制等相结合，为其提供非参数化的对象模型、推理模型等。
近年来神经网络在移动机器人导航领域得到越来越广泛的应用。Zhang等[6]利用移动机器人在未知杂乱的环境中基于神经网络和模糊逻辑的反应式导航原理，提出了一种新的方法，即提供一条指导命令使移动机器人避免内部碰撞及与障碍物相撞，说明了如何使用ART神经网络在感知空间分区中控制移动机器人，如何为反应式导航的移动机器人建立一个三维的模糊控制器，并通过实验模拟，证明了这种方法能够很好地适应这种未知杂乱的环境。Zhu等[7]提出了一种基于模糊神经网络将传感器信息与机器人的移动结合起来的导航方法，这种方法可以使移动机器人充分感受周围环境、自主避开静态和动态障碍物，并在不同情况下避开“死循环”产生到达目标的合理的轨迹。通过仿真证明了该方法的实用性和有效性。Yang等[8]提出了一种神经网络结构，这是一个有序的离散拓扑结构，用支路神经网络模型为移动机器人进行路径规划，分流利用。Meng等[9]使用生物激励神经网络的方法，使移动机器人在动态环境中实现动态无碰撞。Millan[10]提出了一种强化学习的结构模型，使移动机器人在经过一定的尝试后获得导航的策略。为了避免简单的模糊反应式方法带来的两大隐患，即从陷阱的情况下逃脱以及if-then规则的推理机制组合爆炸。尽管神经网络在很多复杂度很高的问题上取得了很好的效果，但在使用时有几点需要注意：1）神经网络很难解释，目前还没有能对神经网络做出显而易见解释的方法学;2）神经网络会学习过度，这主要是由于神经网络太灵活、可变参数太多，如果给足够的时间，他几乎可以“记住”任何事情，因此在训练神经网络时一定要恰当的使用一些能严格衡量神经网络的方法;3）训练一个神经网络可能需要相当可观的时间才能完成，除非问题非常简单。当然，一旦神经网络建立好了，在用它做预测时运行时还是很快的;4）建立神经网络需要做的数据准备工作量很大。 2.3 基于遗传算法的移动机器人导航
遗传算法是由美国的J.Holland教授于1975年在他的专著《自然界和人工系统的适应性》中首先提出的，它本质上是对染色体模式所进行的一系列运算，即通过选择算子将当前种群中的优良模式遗传到下一代种群中，利用交叉算子进行模式重组，利用变异算子进行模式突变。通过这些遗传操作，模式逐步向较好的方向进化，最终得到问题的最优解。
张文志等[11]给出了一种用遗传算法学习模糊规则以完成移动机器人导航的方法，采用了变长度编码方法和竞争型小生境遗传算法，减少了染色体的尺寸和复杂度，同时提高了学习速度。Nishida等[12]利基于神经元系统提出了一种预测机器人伙伴感知的控制方法，该预测方法对于减少计算量、提取感知信息是非常重要的。龚涛等[13]分析了未知远程环境下移动机器人导航过程中进化学习的效率和知识更新问题，提出了并行进化模型来解决此问题。Hu等[14]提出了一种基于遗传算法的移动机器人路径规划，即使用具体的遗传算法来解决机器人的路径规划问题。这种遗传算法结合了专门的领域知识及本地搜索技术的知识，是一种独特而简单的路径表示，具有简单而有效的特点。现有多机器人协作构建地图的方法对环境和机器人位置信息有着较高要求，因而在实际应用中存在一定局限性，Kala等[15]在文中提出了遗传算法在移动机器人导航中的应用，使机器人可用于业界派调查，数据采集等，移动机器人可以在动态环境中避免内部碰撞证明了这种算法的有效性。
3.展望
目前，移动机器人导航技术已经取得了很好的研究成果。计算机技术、电子技术、通信技术、传感器技术、控制技术、网络技术地迅猛发展必将推动和促进移动机器人导航技术取得更多的研究成果。移动机器人导航技术的发展有以下几方面的趋势：（1）视觉导航具有信息量大、探测范围广等特点，仍然是移动机器人导航技术的主要发展方向;（2）导航系统结构将朝着分布式、模块化、网络化、多机器人协作的方向发展。分布式和模块化的结构有利于减少机器人的体积和自重。通过互联网实现机器人的远程操作以及基于网络的多机器人协作是导航技术的新的研究热点;（3）路径规划将朝着多层规划和多方法相结合的方向发展。采用基于反应式的行为规划与基于慎思行为规划相结合的方法。全局路径规划和局部路径规划相结合更有利于复杂环境的避障规划;（4）新技术、新方法（如，虚拟现实技术、信息融合新方法、新型传感器等）将促进移动机器人导航技术更快地发展。
参考文献：
[1]王志文，郭戈.移动机器人导航技术现状与展望[J].机器人，2003，25（5）：193-197.
[2]徐秀娜，赖汝.移动机器人路径规划技术的现状与发展.计算机仿真.2006.10
[3]高云峰，黄海.复杂环境下基于势场原理的路径规划方法[J].机器人，2004，26（2）：114-118
[4]王肖青，王奇志.传统人工势场的改进[J].计算机技术与发展，2006，16（4）：96-98.
[5]王奇志，基于改进人工势场法的多障碍机器人运动控制，北京交通大学计算机学院，北京 100044.
[6]M.Zhang，S.Peng，and Q.Meng，Neural network and fuzzy logic techniques based collision avoidance for a mobile robot，Robotica，1997：627–632.
[7]A.Zhu and S.X.Yang，Neurofuzzy-based approach to mobile robot navigation in unknown environments，IEEE Trans.Syst.Man，Cybern.C.2007，37（4）：610-621.
[8]S.X.Yang and Q.-H.M.Meng，Real-time collision-freemotion planning of mobile robots using neural dynamics based approaches，IEEE Trans.Neural Netw.2003，14（6）：1541-1552.
[9]X.Yang and M.Meng，Neural network approaches to dynamic collision-free robot trajectory generation，IEEE Trans.Syst.Man，Cybern.2001，31：302-318.
[10]J.del R.Millan.Rapid，Safe and Incremental Learning of Navigation Strategies[J].IEEE Trans.on SMC-Part B，1996，26（3）：408-420.
[11]张文志，吕恬生.基于改进的遗传算法和模糊逻辑控制的移动机器人导航[J].机器人，2003，25（1）：1-6.
[12]N.Kubota and K.Nishida，Perceptual control based on prediction for natural communication of a partner robot，IEEE Trans.Ind.Electron.2007，54（2）：866–877.
[13]龚涛，蔡自兴.未知远程环境下移动机器人导航的并行进化模型[J].机器人，2003，25（3）：470～474.
[14]Y.Hu，S.X.Yang，A knowledge based genetic algorithm for path planning of a mobile robot，in：Proceedings of the 2004 IEEE International Conference on Robotics and Automation.2004：4350 - 4355.
[15]Kala R et al.Mobile robot navigation control in moving obstacle environment using genetic algorithm，artificial neural networks andA* algorithm.Proceedings of the IEEEworld congress on computer scienceand information engineering.Los Angeles/Anaheim，USA，2009：705-713.
[16]陈华志，谢存禧.移动机器人避障模糊控制[J].机床与液压，2004，11：77 -78.
关键词：多移动机器人;未知环境;导航;智能算法
1.引言
移动机器人的研究始于20世纪60年代末期，目的是研究人工智能技术及在复杂环境下机器人系统的自主推理和规划能力。本文从多个方面对移动机器人的导航进行了深入的系统研究，其主要的内容和成果如下：从移动机器人的历史和现状出发，对比了国内外的不同发展状况，对移动机器人导航领域的研究方向进行了综述。着重介绍了移动机器人导航中常用的方法，对其中的人工势能场法、神经网络、遗传算法和模糊控制进行了逐一的分析阐述，最后综述结尾对全文进行了总结并对移动机器人导航研究进行了展望。
2.移动机器人的几种导航方式
移动机器人导航是指移动机器人通过传感器感知环境和自身状态，实现在有障碍物的环境中面向目标的自主运动。我们可以将移动机器人所处的环境分成以下几个研究方向：1）完全已知环境：机器人知道所在工作环境的所有信息，包括目标点的位置，方向，障碍物的位置和方向;2）部分已知环境：机器人知道所在工作环境中的部分信息，比如知道一部分障碍物的位置和方向，有另外一部分环境是不知道的;3）完全未知环境：机器人完全不知道所在工作环境的信息，只知道目标点的方向和位置，其它障碍物的信息是一点都不知道。
目前，机器人导航要解决的关键问题表现为以下三个方面[1]：
1）通过一定的检测手段获取移动机器人在空间中的位置、方向以及所处环境的信息;
2）用一定的算法对所获信息进行处理并建立环境模型;
3）寻找一条最优或近似最优的无碰路径，实现移动机器人安全移动的路径规划。
目前，移动机器人导航有很多方法，常用的方法有：人工势能场法、神经网络、遗传算法和模糊控制等，下面本文将对这几种常用的方法进行分析比较。
2.1 基于人工势能场法（APF）的移动机器人导航
人工势场法[1，2]是Khatib提出的一种虚拟力法。人工势场法是传统算法中较成熟且高产的规划方法，其基本思想是将移动机器人在环境中的运动视为一种虚拟人工受力场中的运动。障碍物对移动机器人产生斥力，目标点产生引力，引力和斥力周围由一定的算法产生相应的势，机器人在势场中受到抽象力作用，抽象力使得机器人绕过障碍物。该法结构简单，便于低层的实时控制，在实时避障和平滑的轨迹控制方面，得到了广泛应用。
高云峰等[3]针对势场原理所固有的几个缺陷进行了改进，使改进后的势场法适用于未知复杂环境下移动机器人的导航，具备一定的学习能力，并通过仿真实验验证了该方法的有效性。王肖青等[4]讨论了传统的人工势能场方法的不足，并提出了一种改进的人工势能场方法。王奇志等[5]提出了一种改进的人工势场法，通过排除一个距机器人最远的障碍物，同时加一个同等大小反方向力来消除零势能点，从而实现消除零势能域，达到多障碍物情况下机器人运动规划的快速、实时、避障的效果，结果表明，该算法对多个障碍物和非静态的障碍物同样适用。
人工势场法突出的优点是系统的路径生成与控制直接与环境实现了闭环，从而大大加强了系统的适应性与避障性能。但是人工势场法也存在几个主要的缺陷：1）陷阱区域;2）在相近的障碍物之间不能发现路径;3）在障碍物前振荡;4）在狭窄通道中摆动;针对这些缺陷，提出了一些改进办法。对于人工势场法存在“机器人在到达目标位置前由于陷入局部极小点而无法到达目标位置”的问题，解决的方法有：重新定义势函数，使之没有或有更少的局部极小点;利用搜索算法跳出局部极小点;还可以利用模拟退火算法使势函数跳出局部极小点，到达机器人的目标位置。
2.2 基于神经网络的移动机器人导航
神经网络具有很强的适应复杂环境和多目标控制要求的自学习能力，并具有以任意精度逼近任意非线性函数的特点，神经网络可与其他控制方法如专家系统、模糊控制等相结合，为其提供非参数化的对象模型、推理模型等。
近年来神经网络在移动机器人导航领域得到越来越广泛的应用。Zhang等[6]利用移动机器人在未知杂乱的环境中基于神经网络和模糊逻辑的反应式导航原理，提出了一种新的方法，即提供一条指导命令使移动机器人避免内部碰撞及与障碍物相撞，说明了如何使用ART神经网络在感知空间分区中控制移动机器人，如何为反应式导航的移动机器人建立一个三维的模糊控制器，并通过实验模拟，证明了这种方法能够很好地适应这种未知杂乱的环境。Zhu等[7]提出了一种基于模糊神经网络将传感器信息与机器人的移动结合起来的导航方法，这种方法可以使移动机器人充分感受周围环境、自主避开静态和动态障碍物，并在不同情况下避开“死循环”产生到达目标的合理的轨迹。通过仿真证明了该方法的实用性和有效性。Yang等[8]提出了一种神经网络结构，这是一个有序的离散拓扑结构，用支路神经网络模型为移动机器人进行路径规划，分流利用。Meng等[9]使用生物激励神经网络的方法，使移动机器人在动态环境中实现动态无碰撞。Millan[10]提出了一种强化学习的结构模型，使移动机器人在经过一定的尝试后获得导航的策略。为了避免简单的模糊反应式方法带来的两大隐患，即从陷阱的情况下逃脱以及if-then规则的推理机制组合爆炸。尽管神经网络在很多复杂度很高的问题上取得了很好的效果，但在使用时有几点需要注意：1）神经网络很难解释，目前还没有能对神经网络做出显而易见解释的方法学;2）神经网络会学习过度，这主要是由于神经网络太灵活、可变参数太多，如果给足够的时间，他几乎可以“记住”任何事情，因此在训练神经网络时一定要恰当的使用一些能严格衡量神经网络的方法;3）训练一个神经网络可能需要相当可观的时间才能完成，除非问题非常简单。当然，一旦神经网络建立好了，在用它做预测时运行时还是很快的;4）建立神经网络需要做的数据准备工作量很大。 2.3 基于遗传算法的移动机器人导航
遗传算法是由美国的J.Holland教授于1975年在他的专著《自然界和人工系统的适应性》中首先提出的，它本质上是对染色体模式所进行的一系列运算，即通过选择算子将当前种群中的优良模式遗传到下一代种群中，利用交叉算子进行模式重组，利用变异算子进行模式突变。通过这些遗传操作，模式逐步向较好的方向进化，最终得到问题的最优解。
张文志等[11]给出了一种用遗传算法学习模糊规则以完成移动机器人导航的方法，采用了变长度编码方法和竞争型小生境遗传算法，减少了染色体的尺寸和复杂度，同时提高了学习速度。Nishida等[12]利基于神经元系统提出了一种预测机器人伙伴感知的控制方法，该预测方法对于减少计算量、提取感知信息是非常重要的。龚涛等[13]分析了未知远程环境下移动机器人导航过程中进化学习的效率和知识更新问题，提出了并行进化模型来解决此问题。Hu等[14]提出了一种基于遗传算法的移动机器人路径规划，即使用具体的遗传算法来解决机器人的路径规划问题。这种遗传算法结合了专门的领域知识及本地搜索技术的知识，是一种独特而简单的路径表示，具有简单而有效的特点。现有多机器人协作构建地图的方法对环境和机器人位置信息有着较高要求，因而在实际应用中存在一定局限性，Kala等[15]在文中提出了遗传算法在移动机器人导航中的应用，使机器人可用于业界派调查，数据采集等，移动机器人可以在动态环境中避免内部碰撞证明了这种算法的有效性。
3.展望
目前，移动机器人导航技术已经取得了很好的研究成果。计算机技术、电子技术、通信技术、传感器技术、控制技术、网络技术地迅猛发展必将推动和促进移动机器人导航技术取得更多的研究成果。移动机器人导航技术的发展有以下几方面的趋势：（1）视觉导航具有信息量大、探测范围广等特点，仍然是移动机器人导航技术的主要发展方向;（2）导航系统结构将朝着分布式、模块化、网络化、多机器人协作的方向发展。分布式和模块化的结构有利于减少机器人的体积和自重。通过互联网实现机器人的远程操作以及基于网络的多机器人协作是导航技术的新的研究热点;（3）路径规划将朝着多层规划和多方法相结合的方向发展。采用基于反应式的行为规划与基于慎思行为规划相结合的方法。全局路径规划和局部路径规划相结合更有利于复杂环境的避障规划;（4）新技术、新方法（如，虚拟现实技术、信息融合新方法、新型传感器等）将促进移动机器人导航技术更快地发展。
参考文献：
[1]王志文，郭戈.移动机器人导航技术现状与展望[J].机器人，2003，25（5）：193-197.
[2]徐秀娜，赖汝.移动机器人路径规划技术的现状与发展.计算机仿真.2006.10
[3]高云峰，黄海.复杂环境下基于势场原理的路径规划方法[J].机器人，2004，26（2）：114-118
[4]王肖青，王奇志.传统人工势场的改进[J].计算机技术与发展，2006，16（4）：96-98.
[5]王奇志，基于改进人工势场法的多障碍机器人运动控制，北京交通大学计算机学院，北京 100044.
[6]M.Zhang，S.Peng，and Q.Meng，Neural network and fuzzy logic techniques based collision avoidance for a mobile robot，Robotica，1997：627–632.
[7]A.Zhu and S.X.Yang，Neurofuzzy-based approach to mobile robot navigation in unknown environments，IEEE Trans.Syst.Man，Cybern.C.2007，37（4）：610-621.
[8]S.X.Yang and Q.-H.M.Meng，Real-time collision-freemotion planning of mobile robots using neural dynamics based approaches，IEEE Trans.Neural Netw.2003，14（6）：1541-1552.
[9]X.Yang and M.Meng，Neural network approaches to dynamic collision-free robot trajectory generation，IEEE Trans.Syst.Man，Cybern.2001，31：302-318.
[10]J.del R.Millan.Rapid，Safe and Incremental Learning of Navigation Strategies[J].IEEE Trans.on SMC-Part B，1996，26（3）：408-420.
[11]张文志，吕恬生.基于改进的遗传算法和模糊逻辑控制的移动机器人导航[J].机器人，2003，25（1）：1-6.
[12]N.Kubota and K.Nishida，Perceptual control based on prediction for natural communication of a partner robot，IEEE Trans.Ind.Electron.2007，54（2）：866–877.
[13]龚涛，蔡自兴.未知远程环境下移动机器人导航的并行进化模型[J].机器人，2003，25（3）：470～474.
[14]Y.Hu，S.X.Yang，A knowledge based genetic algorithm for path planning of a mobile robot，in：Proceedings of the 2004 IEEE International Conference on Robotics and Automation.2004：4350 - 4355.
[15]Kala R et al.Mobile robot navigation control in moving obstacle environment using genetic algorithm，artificial neural networks andA* algorithm.Proceedings of the IEEEworld congress on computer scienceand information engineering.Los Angeles/Anaheim，USA，2009：705-713.
[16]陈华志，谢存禧.移动机器人避障模糊控制[J].机床与液压，2004，11：77 -78.