文摘

一种新的被动运动规划方法提出了在动态环境中自主车辆。新的动态运动规划方法结合了基于虚拟平面的被动运动规划方法和基于传感器融合的障碍检测方法,从而提高健壮性和自主车辆导航在不可预知的动态环境中。关键特性的被动运动规划方法是基于当地的观察者在虚拟平面允许复杂的动态规划问题的有效转换成简单的固定在虚拟平面。此外,基于传感器融合的障碍检测技术提供了移动障碍通过使用Kinect的姿势估计传感器和一个声纳传感器,这有助于提高反应的准确性和鲁棒性运动规划方法在不确定的动态环境。性能的方法是通过不仅模拟研究还证明田间试验使用多个移动障碍甚至在敌对环境中常规方法失败了。

1。介绍

移动机器人自主导航的功能和安全避免障碍,许多成功的实际应用中发挥着关键作用[1]。迄今为止,主要的研究工作已被应用于分析和解决运动规划与主要静态或完全已知的环境中,在某种程度上,运动障碍。运动计划在动态环境中仍然是最困难和移动机器人的重要问题。机器人的自主运动规划方法可以分为三种不同的范式等层次,反应,混合方法2]。这些范例在机器人导航社区指出二分法主要分为两类:基于计划的方法和基于行为的技术。基于层次(或计划)导航方法有串行与机器人控制体系结构已知的世界,计划他们的操作和行为遵循的路径表现在全局坐标基于感知模型。例如,确定性和概率路线图方法广泛应用于(2- - - - - -4];基于势场的方法是建议在5,6]。在[7),无碰撞路径规划方法提出基于贝塞尔曲线。一种新的优化方法考虑机器人的姿态和路径平滑度提出了(8]。由于没有传感和代理之间的直接连接,机器人是有限的操作只有在静态环境。在[9),提出了基于路径规划的机器人导航方法应对意外变化的环境中使用方法和自动对接系统充电家里监视机器人系统提出了(10),但性能是有限的,当障碍可以在工作区中移动。基于计划的方法使机器人的特点难以管理与不断变化的动态环境中以缓慢的速度在执行复杂的任务。

另一方面,与前面的方法,基于行为的方法(11- - - - - -18)或基于称为活性的方法利用局部控制法律相对于地方特色和依靠精确的局部特征检测以被动的方式应对这些意想不到的机会。活性导航不同于计划导航方法,当一个任务被分配或一个目标位置,机器人不会计划的路径导航本身而是对自身周围环境的反应。反应范式的主要思想是将控制系统成小单位的sensor-action双分层模块化的架构导致快速执行的控制算法12]。还有其他类型的局部反应路径规划方法的发展,如向量场力(VFF) [13)和向量场直方图(VFH) [14]。VFF和VFH方法从先生生成直方图数据以生成控制命令车辆但他们不考虑车辆的动态和运动学约束。

然而,有一些被动的工作,利用运动学或动力学环境的信息来计算运动命令避免意想不到的环境的变化。当速度信息从传感器获取可用的对象,利用机器人导航系统可以计算轨迹导致提高运动性能对于其他避障方法(15- - - - - -19]。曲率速度法(CVM) [15)和动态窗口的方法(DWA) (16]搜索一个适当的控制命令在速度空间最大化的目标函数的标准,如速度、距离障碍,剩下的距离到最终目的地。CVM和DWA方法,然而,可能会增加复杂性造成的顺序的优化代价函数。在[17- - - - - -19),一个基于速度信息导航和碰撞检测方法的基础上,介绍了运动学方程利用碰撞锥在速度空间的概念。以类似的方式,速度障碍的概念(20.,21)考虑了移动的速度障碍,导致碰撞锥的一个转变。这种方法仅限于与线性运动障碍,从而介绍了非线性速度障碍的方法扩展到应对障碍沿着任意轨迹(22]。速度障碍的关键概念是将动态问题转化成几个静态问题为了增加的能力避免意想不到的环境中动态障碍变化(23]。与此同时,基于传感器的运动规划技术也广泛应用于机器人导航应用在动态环境中,移动障碍的姿势估计得到通过感官系统(24- - - - - -26]。这些基于传感器的导航方法还需要的知识障碍的速度精确导航解决方案。

在这个工作中,基于一个新的传感器融合的混合反应自主机器人导航方法提出了在动态环境中。新的运动规划方法的贡献在于,它集成了当地一个观察者在虚拟平面运动反应路径规划(23)与基于传感器融合的障碍检测方法可以提供一个相对运动障碍和环境的信息,导致一种改进的鲁棒性和准确性的动态导航功能。被动的运动规划方法的关键特性是基于当地的观察者在虚拟平面的方法使得复杂的动态规划问题的有效转换成简单的固定的碰撞以及锥在虚拟平面的方法(23]。另一方面,基于传感器融合的规划技术提供移动障碍的姿势估计通过感官系统,因此它可以提高准确性、可靠性和鲁棒性的被动运动规划方法在不确定的动态环境。混合无功规划方法允许一个自治车辆反动地改变航向和速度来应对一个障碍在每个规划时间。感觉系统,微软Kinect设备(27)可以获得利用摄像机和目标对象之间的距离。使用Kinect的优势是对其能力的计算两个物体之间的距离在世界坐标系。两个物体的放置,一个声纳传感器安装在机器人可以检测和精确的距离计算结合Kinect传感器数据。集成的混合运动规划与集成虚拟平面的方法和基于传感器的评估方法允许机器人找到合适的窗口移动的速度和方向无碰撞路径在动态环境中,使其使用非常有吸引力,适合实时嵌入式应用程序。为了验证提出方法的性能,实际实验进行的自主导航移动机器人在动态环境中使用多个移动障碍。这两个移动机器人行为运动障碍和避免碰撞与另一个机器人。

其余的工作组织如下。节2我们介绍了运动学方程和动态运动的几何规划问题。节3、混合反应的概念导航使用虚拟平面的方法。Kinect设备的配置和系统架构讨论部分4。仿真和实验测试和讨论部分所示5。

2。动态运动规划的定义

在本节中,基于相对速度障碍的运动规划算法的碰撞检测和控制法律定义(23]。图1显示了一些几何参数移动机器人在动态环境中导航。世界是连接到一个全球固定参考坐标系的坐标,它的起源点是原点。可以连接本地参考帧的每一个移动物体工作空间。建议的方法是一种被动的导航方法的机器人需要改变路径,以避免移动或静态障碍在给定半径,即覆盖范围(CA)。

机器人的视线假想的直线,从原点开始,是为了机器人的参考中心点。视线角角由看到吗。的距离机器人之间和我们的目标通过计算 在哪里最终的目标点的坐标和吗机器人的状态在吗。移动机器人的使用两轮差动驱动机构和轮式移动机器人的运动学方程可以给出的 在哪里是机器人的线性加速度和和线速度和角速度。移动机器人的控制输入。视线角从的角度获得的视线是由以下方程: 现在的运动学方程th障碍表达的是 线速度的障碍在哪里和角速度,是定向角。欧式距离的视线和机器人之间的障碍是计算 和视线角表达的是 范围和转向角的进化机器人和障碍物之间的动态避碰计算通过使用切向和法向分量的相对速度极坐标如下: 从这些方程表明,一个负号表明,机器人正在接近障碍范围,如果速度为零,意味着不断的机器人和障碍物之间的距离。与此同时,零的视线角表示的运动是一条直线。相对极地系统提出了一种简单但非常有效的模型,允许实时表示机器人之间的相对运动和运动障碍23]。

3所示。混合反应运动规划方法

3.1。基于虚拟平面反应运动规划

在本节中,虚拟平面法可以将感兴趣的运动物体转换成一个简要评述了静止物体23]。转换中使用的虚拟平面是通过引入当地观察员,允许机器人找到合适的窗口移动的速度和方向无碰撞路径。通过这一转变,机器人之间的冲突和th障碍减少了虚拟机器人之间的冲突和初始位置一个真正的障碍。组件之间的相对速度和在和是由 在哪里和是虚拟机器人的线速度和方向。线速度和方向角可以写成: 注意,切向和正规方程在(7)动态运动规划是重写的虚拟机器人作为一个观察者,导致一个静止的运动规划问题。更多细节关于虚拟规划方法可以称为(23]。

碰撞检测是虚拟平面上表示,但最终的目的是使机器人导航向目标无碰撞路径在真实飞机。机器人的定位角计算在真实飞机 这是逆映射虚拟平面转变成真正的飞机,给机器人的速度的函数的虚拟机器人的速度和移动物体。真正的机器人的速度和方向可以从虚拟机器人和计算移动物体速度如下:

3.2。导航的法律

为了使机器人导航向最终目标,基于运动学的线性导航法作为(23] 在哪里是机器人最终目标视线角,和变量偏差术语描述机器人的最终期望方向角和指示机器人的初始取向。这个词是一个导航参数,是一个给定的正收益。另一方面,在虚拟平面上发生冲突的特点是 碰撞锥在虚拟平面(CCVP)是由 在哪里之间的角线的上部和下部切极限点。之间的直接碰撞的过程和的特点是 后定向角计算的虚拟机器人在机器人的线速度和给定的运动障碍(10),可以写方向角的表达式和速度真正的机器人控制或在线速度和取向角的运动障碍和虚拟机器人如下: 机器人控制,所需的价值取向角的虚拟飞机可以使用线性表示基于导航法律 在哪里表示的时候机器人避碰偏差开始,和和左右视线角参考偏差点和点之间的碰撞锥在虚拟平面。最后,基于期望的取向在虚拟平面上,相应的理想转速值计算出的机器人 以类似的方式,相应的期望价值取向可以表达的 注意,机器人导航包括避碰技术在动态环境中,表达的线速度控制(19)或定向角控制(20.)可以利用。

3.3。基于传感器融合的范围和姿态估计

低成本范围传感器是一个有吸引力的替代昂贵的激光扫描仪等应用领域的运动规划和映射。微软的Kinect (26)是一个红外传感器,传感器由一个红外摄像头,RGB相机,multiarray麦克风,和一个电机,提供倾斜功能传感器(如图2)。Kinect传感器捕捉不仅深度也同时彩色图像的帧速率30 fps。说明一些关键特性(26- - - - - -29日]。RGB视频使用8位VGA分辨率(像素)和拜耳滤色镜在帧速率30 Hz。单色深度感知视频VGA分辨率(与数深度像素),灵敏度提供了2048年的水平。深度数据是通过红外投影仪和红外摄像机。麦克风阵列特性四个麦克风胶囊和运作每个通道处理16位音频16 kHz的采样率。电动主能够倾斜传感器27°向上或向下。

Kinect设备的特性使其应用程序非常有吸引力的自主机器人导航。在这部作品中,Kinect传感器用于测量范围移动障碍和估计的基于对象的位置动态运动规划。

在进入细节之前,真正的坐标计算的概念进行了探讨。Kinect摄像头有一些好的优点,如深度传感器与最低800毫米,最大射程4000毫米。照相机的焦点是恒定的,因此真正的相机与目标之间的距离很容易计算。总结了在Kinect传感器中使用的参数表1。

两个类似的方程提出了研究人员,一个是基于函数,另一个是使用。一个摄像头和一个目标对象之间的距离表达的是 图3显示了检测范围的深度相机距离世界坐标基于上述两个方程计算通过限制原始深度1024对应于约5米。

图4显示了错误的结果使用Kinect的深度相机距离测量实验。在这个实验中,使用尺子测量距离是指出绿色赋予一个参考距离,和三个重复实验,红色,浅蓝色,蓝色的颜色。从实验中,结果表明,Kinect的深度测量传感器的错误是与距离成正比。

图5显示了一个一般的几何方法找到示意图和坐标使用Kinect的传感器系统,像素和屏幕的高度是相机的视野。上的一个点的坐标平面机器人的形象和目标转变成世界坐标和,它是计算 每个坐标,,两个红色(机器人)和绿色(目标)点作为视觉系统的输入,和是计算 在哪里是相机的焦距。像素坐标除以计算吗和,图像的像素的值和像素坐标和他们得到以下方程: 在这项实验中,识别的最终目标和机器人是一个内置的RGB相机。此外,一个物体的距离测量在毫米精度使用红外摄像头,和目标对象的像素坐标估计通过使用一个基于颜色的检测方法。在这工作,规划领域和Kinect之间的距离测量传感器是2700毫米,成为深度相机的检测范围。一个物体的水平和垂直坐标计算如下:(1)横向协调: (2)垂直坐标: 在哪里是距离从Kinect传感器获得的对象。现在,这些现实世界的坐标在上面获得用于动态路径规划程序。

一般来说,相机的内在动力和外在的颜色和深度相机参数设置为默认值,因此有必要调整准确的测试。深度和RGB颜色的校准相机的Kinect传感器可以通过使用一个应用深度测量的数学模型和创建一个深度注释抵消棋盘的棋盘的身体从它的背景,和校准程序的细节可以称为(30.,31日]。

显示在前面的部分中,提出了基于相对速度障碍的动态运动计划,准确的估计范围和对象的方向发挥重要作用。在本节中,提出了一种有效的新方法来估计机器人的航向信息使用颜色检测的方法。首先,机器人是由绿色和红色部分如图6。

然后,使用一个颜色检测方法(32计算机器人的中心位置,之后发现有特定名称的航向角所示(28),新标题信息在每个四个不同阶段的部分计算通过使用以下方程:

最后,基于相对速度障碍的反应动态导航算法与避碰了算法的能力1。

4所示。实验结果

的评估和验证提出了基于传感器的无功动态导航算法,仿真研究和实验测试都进行一个现实的实验装置。

4.1。实验场景和设置

实验测试,两个机器人分配移动障碍和第三个是用作主机器人,生成控制命令,以避免动态障碍的基础上,提出无功运动规划算法。基于移动障碍,两个NXT Mindstorm车辆可以在一个随机方向移动或遵循指定的开发路径。HBE-RoboCAR配备超声波传感器和编码器作为一个主机器人,如图7。

HBE-RoboCAR [33有8位AVR ATmega128L处理器。机器人配备了multiembedded处理器模块(嵌入式处理器、FPGA、MCU)。它提供了超声波和红外传感器检测障碍,运动控制和加速度传感器和电机编码器。HBE-RoboCAR有能力与其他设备无线或有线通信技术如蓝牙模块和ISP, UART接口,分别。在这工作,HBE-RoboCAR连接到一台电脑上使用蓝牙无线通信地面控制站。图7显示了机器人的硬件规格和传感器系统平台,和图8显示的界面和控制架构的嵌入式组件HBE-RoboCAR [33]。

动态避障,基于相对速度障碍导航法律要求范围和标题信息从传感器。范围的估计,Kinect传感器是利用。如果Kinect传感器检测到最终目标使用一个基于颜色的检测算法(32,34,35),它将信息发送给主机器人。收到目标点后,主机器人启动车载导航算法来达到我们的目标,同时避免动态障碍。当机器人导航在实验领域,每个移动障碍的距离是衡量Kinect传感器和范围信息反馈到主机器人通过蓝牙通信作为输入反应运动规划算法。实验装置的详细情况见图9。

4.2。仿真结果

图10显示了被动运动规划的仿真结果在虚拟平面和真正的飞机。在这个仿真,所描述的两个障碍的轨迹是蓝色和黑色线,主机器人的轨迹是描绘在红线,目标被绿点表示。可以清楚地看到飞机在现实和虚拟平面数据10 (b)和10 (),主机器人避免第一个障碍进入主机器人和成功达到目标后避免碰撞与第二移动障碍只是在达到目标之前。虽然主机器人避开障碍物,它生成一个碰撞锥通过选择偏差点在虚拟平面。在虚拟平面上,碰撞锥的半径是一样的障碍是一个,和之间的距离偏差点和碰撞锥依赖于主机器人的半径。椭圆表示机器人的初始位置和障碍。

在图11,定向角信息给出了用于机器人控制。上部顶图显示的角度从虚拟平面移动机器人目标,第二个图显示,机器人导航控制航向角吩咐,第三个图显示的角度区分目标和机器人航向角。在路径规划的最后阶段,吩咐取向角和目标角目标点成为一样的。与其控制的机器人定位角,主机器人的速度可以用来避免运动障碍。

数据12和13显示每个移动障碍的航向角,线速度和轨迹。可以看到,为了进行动态路径规划实验,速度和航向角的改变在仿真期间,导致不确定的凌乱的环境。

图14显示了移动机器人的轨迹从起始点到目标点,前进的速度也和每个轮子的速度从编码器。可以看到,机器人的轨迹有一个急转弯的位置(1500毫米、1000毫米)为了避免第二移动障碍。看到,左右轮速度沿着时间轴镜像。同时,我们可以看到方差的关系角度和机器人的左、右车轮速度。

4.3。现场测试和结果

进一步验证的性能提出了真正的混合动态路径规划方法进行了实验用同样的场景使用在前面的仿真部分。在实验中,使用两个移动的障碍和主机器人动作没有任何与障碍物碰撞到目标点,如图(15日),障碍和机器人的初始位置如图所示15 (b)。红点是初始主机器人的起始位置(2750毫米,2126毫米),黑点是初始位置的第二个障碍(2050毫米,1900毫米),蓝点是第一个移动障碍的初始位置(1050毫米,2000毫米)。在虚拟平面上,第一个障碍的碰撞锥顶部的情节所示图15 (b),机器人进行运动控制基于碰撞锥在虚拟平面,直到它避免了第一个障碍。

图16显示的避碰性能的拳头移动障碍,可以看到,主机器人避免吩咐定向控制进入左方向没有任何碰撞,这是详细描述在虚拟平面在顶部的图16 (b)。机器人的轨迹和运动障碍是在真正的平面的图中进行了描述16 (b)进行详细的分析。

以类似的方式,图(17日)说明了避碰第二移动障碍,和详细的路径和轨迹图中描述17 (b)。上面的图17 (b)在虚拟平面显示了运动规划,第二移动障碍是公认的初始位置的中心(2050毫米,1900毫米)。基于这个初始的位置,第二个碰撞锥是由一个大绿色椭圆,允许虚拟机器人导航与第二个障碍没有任何碰撞。机器人运动的轨迹规划真正的飞机是在底部的图17 (b)。

现在,在最后阶段避免所有的障碍后,主机器人到达目标运动控制如图(18日)。整个机器人的轨迹从起点到最终目标的目标在虚拟平面是在顶部的图(18日),机器人的轨迹在真实飞机是在底部的图18 (b)。注意,机器人的轨迹位置不同于彼此在虚拟平面和真正的飞机。然而,取向给同一个方向改变机器人的虚拟和真实的飞机。在这个情节,绿点是最终目标点和机器人轨迹描述红色的虚线圆。使用线性平滑轨迹生成导航法律解释道。

从这个实验中,很容易看出该混合反应运动规划方法集成的虚拟平面设计的方法和基于传感器的计划非常有效的动态避碰问题凌乱不确定环境。混合反应运动规划方法的有效性使其使用非常有吸引力的各种动态导航的应用不仅移动机器人还飞车等自动车辆和无人驾驶车辆。

5。结论

在本文中,我们提出了一个混合反应自主移动机器人运动规划方法在不确定的动态环境。混合反应运动规划方法结合反应路径规划方法可以动态移动障碍转化为固定的基于传感器的方法,可以提供相关信息的障碍和环境。该方法的主要特点是双重的;第一个关键特性是复杂的动态运动规划问题简化成固定的使用虚拟平面方法而第二个功能是基于传感器的运动规划的鲁棒性的姿势估计移动障碍是由使用Kinect传感器提供了一个范围和颜色检测。基于传感器的方法提高了准确性和鲁棒性的反应性障碍的运动规划方法通过提供信息和环境。性能的方法是通过不仅模拟研究还证明田间试验使用多个移动障碍。

在进一步研究传感器融合方法可以提高机器人的航向估计和移动物体的速度估计将调查更多的更健壮的运动规划。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究受到了韩国国家研究基金会(NRF)(没有。2014 - 017630,也没有。2014 - 063396年)和人力资源培训项目支持的也通过教育部区域创新和创造力和韩国国家研究基金会(没有。2014 - 066733)。