面向復雜環境的機器人避障與路徑規劃研究①

侯遠韶

(河南工業貿易職業學院機電工程系 河南鄭州 451191)

1 機器人路徑規劃策略

1.1 路徑規劃定義和特點

機器人路徑規劃需要依據一定的優化準則如距離最短、時間最少、能量消耗最低等，也就是說路徑規劃不得不考慮三個方面的因素即安全性、時間性和準確性[1]。局部路徑規劃具有實時性和可規劃性是基于動態環境的，全局路徑規劃可以對全局信息進行綜合處理，但無法對動態的外部環境進行自身約束和可行性分析，因此需要將局部路徑規劃的動態性融合到全局規劃的全面性中，進而實現機器人路徑規劃的合理有效[2]。路徑規劃需要進行導航定位，環境地圖可以準確定位機器人的位置信息，進而給路徑規劃作出合理依據，進行地圖創建的方法主要有可視圖法、柵格分解法等。

1.2 路徑規劃步驟

（1）好的環境模型可以使機器人明白自己所處的位置，感知周圍環境繼而進行安全合理有效的路徑規劃，其作用是對智能設備和物理模型構建連接橋梁，實現之間的轉換通過數學模型的形式進行抽象化表示[3]；（2）而如何依據已知信息和未知信息得到安全有效的起點和終點間的路徑，同時最大程度地提升規劃效率，是路徑搜索的主要任務。（3）由于環境因素的動態變化性以及各種不可確定因素的影響，通過環境建模和搜索路徑得到的最終規劃策略并不一定滿足需要， 有可能存在多個彎曲節點，因此需要通過路徑平滑對得到的路徑進行優化處理，進而實現機器人避障與路徑規劃[4]。

表1 不同算法實驗數據對比

2 多傳感器信息融合

2.1 多傳感器信息融合方法

單一傳感器采集的圖像信息難以全面有效地描述物體的本質特征，如何將最優估計理論應用到多傳感器信息融合是控制理論與控制工程研究的著重點。多傳感器信息融合即為將多個傳感器采集的外界環境信息進行一定程度的融合在最大程度上保留信息的有效數據，同時將冗余信息及重復信息進行刪除降低計算復雜度，數據融合根據級別不同可以分為數據層次、特征層面以及決策應用層的融合[5]。（1）將傳感器提取的原始圖像數據進行融合，即為數據層信息融合，特點是原始信息可以最大程度地保持數據特征，但是數據量龐大，對設備的硬件有較高的要求；（2）將傳感器提取的原始圖像數據進行特征提取，提取出最具有代表性的特征，繼而對提取到的特征進行融合即為特征層的融合，特征層融合可以屏除冗余信息，降低計算復雜度減少對硬件設備的依賴，但仍具有一定的局限性；（3）將傳感器提取的原始圖像數據處理完善之后，利用得到的完整信息，得到不同傳感器優勢的同時，彌補單一傳感器的局限性，進行融合決策即為決策應用層信息融合[6]。

2.2 信息融合方案

由于復雜環境的多變性和單一傳感器測量性質片面性之間的矛盾，需要將多個傳感器采集到的信息進行融合進而彌補信息特征的缺失，從而為機器人路徑規劃提供合理的依據。數據融合依據特性不同，可以分為識別算法、智能算法等，同時由于不同傳感器特征不同，因此使得數據融合算法沒有一個具體的標準即不具有普遍適用性，需要根據具體的問題選擇相應的傳感器融合算法。卡爾曼濾波算法可以根據局部動態信息，去掉噪聲對信息的影響，進而實現路徑規劃。其卡爾曼濾波數學表示為：

式（1）為狀態方程A，B為過程矩陣，wk為過程噪聲式，式（2）為測量方程H為觀測矩陣，vk為觀測噪聲。

2.3 系統方案設計

為了在保證時效性和精確到的前提下，提高機器人避障與路徑規劃的合理性，本方案將系統大致劃分為四個模塊，即傳感器信息采集與融合模塊、地圖構建模塊、基于全局信息的全局規劃模塊和將全局信息與局部動態信息相結合的路徑規劃模塊。（1）在數據融合模塊中為了提高機器人的定位精度，減少運動累加差錯，需要對機器人的姿態以及運動軌跡進行估計，主要通過機器人本身的內部或外部傳感器、編碼器以及慣性測量單元進行；（2）地圖構建與定位模塊，則是通過機器人傳感器與已知全局路徑信息進行地圖構建，同時與慣性測量單元數據信息進行融合，從而提升路徑規劃精度；（3）由于全局路徑規劃可以對全局信息進行綜合處理，但無法對動態的外部環境進行自身約束和可行性分析，而局部動態路徑規劃雖然能夠實現信息的精度但不能很好地掌控全局信息，因此采用動態窗口算法，實現全局最優化。

3 基于全局與局部相結合的路徑規劃

3.1 改進蟻群算法的路徑規劃

蟻群算法是通過模擬螞蟻尋找食物，總會實現最優路徑的原理得到的一種智能優化算法，在對路徑規劃和尋找最優化中具有較強的適應性和魯棒性。蟻群算法將全局規劃分為若干個部分單獨處理，最后將所有的處理結果集中起來進行綜合分析，單一個體的結果對全局影響不大。蟻群算法雖然能夠實現全局最優化，但容易出現死鎖現象導致局部最優，因此針對傳統的蟻群算法容易出現死鎖現象、收斂速度慢的情況需要對其進行改進，進而實現路徑規劃的合理性，同時降低搜索時間和能耗。具體做法為：（1）初始信息素如果均勻分配會導致前期搜索時間和長度大幅增加，因此為了提高蟻群算法的收斂速度減少無目的的盲目搜索，依據傳感器搜集的數據信息，對搜索路徑的初始信息素濃度進行不對等分配；（2）在路徑搜索的初期不可避免地會出現大量重復，為了避免出現局部最優死鎖現象的發生，在系統模型中添加適當的避障策略，增加避障因子，減少對已走過的路和障礙物的重復搜索；（3）為了實現全局最優解，需要將慣性測量單元IMU與信息素揮發因子結合起來，使其能夠自適應調節信息素的多少。

3.2 實驗仿真

為了驗證系統的普遍適用性，因此需要構建簡單、中等和復雜三種模型，同時構建實驗所需軟硬件環境。本文采用20*20的環境模型，種群大小為m=50，迭代次數為k=100，信息激勵因素α=1期望激勵因素β=5，信息素衰減系數為0.5，每個環境用相同的參數進行20次實驗，具體實驗結果如表1所示。

通過實驗數據分析可知，最優路徑距離明顯優于傳統算法，同時搜索最優路徑所消耗的時間也少于傳統算法；另一方面在面對不同外部環境時改進的蟻群算法性能也優于傳統算法，說明算法具有一定的普遍適用性。