移动机器人技术

：#移动机器人技术

主要包括以下几点：

地图表示和建模

自定位

导航规划

1 地图表示和建模

地图是环境知识的一种表达方式，是移动机器人定位导航的基础：

通过环境感知信息和地图信息的匹配，可以定位移动机器人在环境中的位置

根据地图中所记录的障碍物位置，可以规划机器人从当前点到目标点的可行路径

地图表示方法

点云地图

栅格地图

陆标/特征地图

拓扑地图

1.1 点云地图

基本思想：直接用空间中的点集合表示地图

优点

完全表示环境三维信息

所构建地图无尺寸约束

缺点

存储要求高

无法直接表示空间占用/空闲/未知情况

1.2 栅格地图

基本思想：将环境分解成一系列离散栅格，每个栅格有一个值，表示该栅格被障碍物占用的情况

优点

可以详细地描述环境的信息

易于机器人进行定位和路径规划

缺点

随着栅格数量的增加和环境的扩大，地图所需内存和维护时间也迅速增长

1.3 特征地图

基本思想：以抽象的特征描述环境，例如柱状物、陆标，以及拟合障碍物边缘的线段、曲线或者多边形等几何特征。

优点

简洁、紧凑、内存占用量小

表示方式更接近人对环境的感知

支持定位

缺点

无法精确表征复杂的真实环境

不利于导航规划

1.4 拓扑地图

基本思想：把环境表示为带节点和相关连接线的拓扑结构图，其中结点表示环境中的重要位置点，边表示结点间的连接关系，如地铁、公交路线图就是典型的拓扑地图表示结构。

优点

易于扩展，可以实现快速路径规划

缺点

由于信息的抽象性，使得机器人难以实现精确可靠的自定位

2 自定位

自定位是指确定机器人在世界坐标系中的位置/位姿，定位方式取决于所采用的传感器，可简单分为相对定位和绝对定位两类。

根据所利用的信息，主要可分为以下三种：

基于控制信息定位

航位推算

基于观测信息定位

全球定位系统GPS

基于视觉的位置识别/航位推算

基于观测控制信息定位

2.1 基于控制信息定位

也称为航位推算

利用已知位置，结合移动速度指令，来推算现有位置

一般以基于轮子码盘反馈的轮子速度为依据来计算质心移动速度，进而推算机器人位置和角度的变化，称为里程计

航位推算问题：

里程计存在各种误差

航位推算使得里程计误差被积累，并随着时间而增长

2.2 基于观测信息定位

2.2.1 全球定位系统

GPS定位系统有空间卫星部分、地面控制部分和用户接收机三部分构成

差分全球定位系统（DGPS）：消除了GPS系统中处于利益考虑被人为引入的误差，所以是目前GPS定位中精度最高的一种定位方法。

2.2.2 基于视觉的位置识别

视觉里程计

特征检测

特征匹
4000
配

错误特征匹配的剔除

2.3 基于观测控制信息定位

基于观测控制信息定位问题一般即为平常所指的自定位问题。

定义： 在给定环境地图（对环境的已有知识）的条件下，根据传感器感知数据和机器人的运动控制（当前认识）估计机器人相对于环境地图的坐标。

主要挑战：

传感器数据存在噪声

环境地图存在局部相似性

自定位问题分类：

按初始和运行时的可用信息

位置跟踪

全局定位

绑架问题

按环境的动静态特性

静态环境定位

动态环境定位

按方法的主动性和被动性

按机器人个数

单机器人定位

多机器人协作定位

2.4 基于概率方法的定位

2.4.1 马尔科夫定位

2.4.2 卡尔曼滤波定位（KF）

卡尔曼滤波（KF）

扩展卡尔曼滤波（EKF）

无损卡尔曼滤波（UKF）

2.4.3 蒙特卡洛定位（MCL/PF）

2.5 同时定位和地图创建（SLAM）

SLAM问题包括：

如何进行环境描述，即环境地图的表示方法

怎样获得环境信息，机器人在环境中漫游并记录传感器的感知数据，这涉及到机器人的定位与环境特征提取问题

如何表示获得的环境信息，并根据环境信息更新地图，这需要解决对不确定信息的描述和处理方法

SLAM问题解决方法：

基于概率模型的SLAM

基于非概率模型的SLAM

3 导航规划

定义：在给定环境的全局或局部知识以及一个或者一系列目标位置的条件下，使机器人能够根据知识和传感器感知信息高效可靠地到达目标位置

分类：

无地图的导航

基于地图的导航

主要问题：

路径规划

避障规划

轨迹规划

工作空间和姿态空间的关系：工作空间通过膨胀之后形成姿态空间

3.1 路径规划

定义：根据给定的地图和目标位置，规划一条使机器人到达目标位置的路径（只考虑工作空间的几何约束，不考虑机器人的运动学模型和约束）

方法：

行车图路径规划：基于障碍物几何形状分解姿态空间

可视图法

Voronoi diagram法

单元分解法：区分空闲单元和被占单元

精确单元分解

近似单元分解

栅格表示法

四叉树表示法

人工势场法：根据障碍物和目标对空间各点施加虚拟力

最优搜索法

精确算法

深度优先算法

广度优先算法

近似算法

启发式搜索算法：A*算法

准启发式搜索算法 ：进化算法（遗传算法、粒子群算法等）

3.1.1 行车图法

基本思想：基于障碍物几何形状分解姿态空间，将自由空间的连通性用一维曲线的网络表示，在加入起始点和目标点后，在该一维无相连通图中寻找一条无碰路径

典型方法：

可视图法

优点：1、非常简单，特别是当环境表示用多边形描述物体时；2、基于可视图的路径规划可得到在路径长度上最优的解

缺点：1、所得路径过于靠近障碍物，不够安全；2、常用解决方法：以远远大于机器人半径的尺寸扩大障碍物，或者在路径规划后修改所得路径，使其与障碍物保持一定的距离

Voronio diagram法

优点：安全性高

缺点：计算复杂，路径长度较可视图法长。、不应用于短距离定位传感器

3.1.2 单元分解法

基本思想：基于障碍物几何形状分解姿态空间，将自由空间的连通性用一维曲线的网络表示，在加入起始点和目标点后，在该一维无相连通图中寻找一条无碰路径

主要方法：

精确单元分解法

优点：1、机器人不需要考虑它在每个空闲单元中的具体位置，只需要考虑如何从一个单元移动到相邻的空闲单元；2、单元数与环境大小无关

缺点：计算效率极大地依赖于环境中物体的复杂度

近似单元分解法

方法：

栅格表示法

四叉树表示法

优点：非常简单，与环境的疏密和物体形状的复杂度无关

缺点：对存储空间有要求

3.1.3 人工势场法

基本思想：1、目标点对机器人产生吸引力，障碍物对机器人产生排斥力；2、所有力的合成构成机器人的控制律

优点：不仅是一种路径规划方法，所构建的势场也构成了机器人的控制律，能够较好地适应目标的变化和环境中的动态障碍物

缺点：存在局部最小，容易产生振荡和死锁

3.1.4 最优搜索法

典型方法：

精确算法：深度优先法；广度优先法

近似算法：

启发式搜索算法：A*算法

准启发式搜索算法：进化算法（遗传算法、粒子群算法等）

3.1.5 路径成本计算方法：

欧式距离

曼哈顿距离

切比雪夫距离

明可夫斯基距离

3.2 避障规划

定义：根据所得到的实时传感器测量信息，调整路径/轨迹以避免发生碰撞

主要方法：

Bug算法

向量势直方图

曲率速度法

动态窗口法

3.3 轨迹规划

定义：根据机器人的运动学模型和约束，寻找适当的控制命令，将可行路径转化为可行轨迹

基本思想：用一定函数形式表示控制量的控制律，根据约束或/和最优目标，求取控制律参数

分类

一维轨迹

点到点

多点

插值法

近似法

方法 ：多项式求解法

多维轨迹

点到点

多点

插值法

近似法

方法

图形搜索法：保证位置的连续平滑，不能保证速度的连续性

参数优化法 ：将多维轨迹规划分解为一维轨迹规划，将多个一维轨迹规划进行合成，主要面向速度轨迹规划