CN105091884A - 基于传感器网络动态环境监测的室内移动机器人路径规划方法 - Google Patents

Abstract

基于传感器网络动态环境监测的室内移动机器人路径规划方法，包括利用无线传感器网络对室内动态环境进行环境建模，然后对移动机器人进行路径规划。具体地，将室内屋顶划分为一定密度的网格，在每个格点内部署节点并构成无线传感器网络（WSN）；WSN节点通过超声波方式探测地面的障碍物信息，将返回的离散数据进行处理，构成全局的连续三维地形图，并将其经过二值化处理构成0-1栅格图来建立动态环境模型；移动机器人机载Cricket节点通过无线方式与屋顶部署的WSN网络建立通信联系，获得最邻近的3个节点与自身的相对距离，并采取最小二乘算法估算自己的位置；结合机器人当前的位置与障碍物的信息，采用D*Lite算法进行动态路径规划。

Description

基于传感器网络动态环境监测的室内移动机器人路径规划方法

技术领域

本发明涉及无线传感器网络、移动机器人、环境建模、路径规划等领域，具体涉及利用无线传感器网络进行室内环境的动态监测，结合环境模型对移动机器人进行路径规划。

背景技术

近年来，基于无线传感器网络（WirelessSensorNetwork,WSN）环境下的机器人导航已成为研究热点。相比于传统的依赖于机器人自身携带的传感器去感知环境的导航方式，无线传感器网络能够为机器人提供更为全面的实时感知能力，对环境进行连续的、大范围的监测，还可作为通讯和计算的媒介，提升机器人路径最优的能力。因此，可将移动机器人与无线传感器网络结合，机器人依靠事先部署的传感器网络连续感知周围环境的变化，对机身感知范围之外的事故做出反应，在WSN环境的引导下避开障碍和危险，到达指定目标。

目前国内外基于无线传感器网络的移动机器人路径规划研究主要包括三个分支，（1）通过WSN构建机器人移动区域的环境栅格地图，采用图搜索算法，在所构建的栅格地图中找到一条从起始点到目标点的最短路径。但是图搜索算法耗时长，大大降低了路径规划的效率。（2）使用无线传感器网络的信号如RSSI(ReceivedSignalStrengthIndicator，接收信号强度指示)直接指引机器人移动到制定的目标点。此方法虽然简单，可是RSSI信号强度对环境依赖性极大，因而在复杂环境中无法保证路径规划的准确度。（3）将无线传感器网络与智能算法结合，例如PSO（粒子群优化算法），模糊算法或者其他基于概率的算法，这让导航***更加高效，鲁棒性更强。但是智能算法思想复杂不易理解，算法代码更是冗长、繁多，实现起来较为困难。

采用无线传感器网络研究移动机器人的路径规划，通过对已有的经典路径规划算法的分析，提出更适合动态环境的路径规划算法。在灾难救援环境中可以高效、准确的对机器人规划路径，取代救援人员在灾难环境中完成辅助搜救和目标寻找，避免不必要的人员伤亡和物质损失，提供更为准确和安全的救援。

发明内容

针对现有技术存在的不足，本发明提供了一种基于传感器网络动态环境监测的室内移动机器人路径规划方法，能够有效地提高移动机器人在动态环境下运动的准确性和高效性。

本发明的技术方案是：针对室内环境，依托无线传感器网络研究机器人路径规划，***包括Cricket节点、移动机器人、Sink节点和远程PC机。具体地，将室内屋顶划分为一定密度的网格，在每个格点内部署Cricket节点并构成无线传感器网络（WSN）；WSN节点通过超声波方式探测地面的障碍物信息，将返回的离散数据进行处理，所有WSN节点的数据构成全局的连续三维地形图，并将其经过二值化处理构成0-1栅格图来建立动态环境模型；移动机器人机载Cricket节点通过无线方式与屋顶部署的WSN网络建立通信联系，获得最邻近的3个节点与自身的相对距离，并采取最小二乘算法估算自己的位置；结合机器人当前的位置与障碍物的信息，采用D*Lite算法进行动态路径规划，由于这是一种增量式启发式搜索算法，当障碍物移动导致机器人周边环境发生改变时，仅需从当前与机器人距离最近的WSN节点开始，依照优先级遍历所需节点，寻求最优路径，因而可以实现更高的效率。

所述的Sink节点，在无线传感器网络指汇聚结点，在本发明中负责传感器网络与远程PC机之间的连接，可看作为网关节点。

基于无线传感器网络的环境建模：环境建模是指利用传感器节点对环境的感知信息，通过合适的数学模型自动地构建环境地图。由于环境的不确定性，机器人和障碍物的运动往往无法用确定函数表达，而无线传感器网络能根据环境变化不断更新环境模型，反应环境的最新情况，因而对移动机器人导航非常有利。一个合适的环境建模有助于对环境的理解，有利于降低路径规划决策搜索空间的计算量，从而减少不必要的消耗。环境建模需要解决三个基本问题：(1)表示环境地图，确定地图的描述方法；(2)获取环境信息，确定所用的传感器和传感方式；(3)将所取的环境信息融入地图。本发明采用栅格图描述环境地图，利用超声波传感器感知环境信息，构成全局的连续三维地形图，并将其经过二值化处理构成0-1栅格图来建立静态和动态环境模型。

D*Lite算法：D*Lite算法是基于LPA*算法上启发式的增量搜索算法，它继承了LPA*算法的所有性能并和其表现了同样的扩展栅格的方式。其中，启发式搜索是指使用启发式的知识来控制搜索的扩展范围以求的最优路径的搜索方法。因为启发式搜索能够将搜索空间区域控制在一个比较小的范围内，即它的搜索面积更小，所以这种方法比盲目搜索要快，同时所需的存储空间也更少。增量搜索是指在相似的环境中进行一系列路径搜索时，通过重用技术来更快地得到最优路径的搜索方法。因为增量搜索能够判断节点信息是否改变，并且只去修改已经改变的节点信息，所以增量搜索比每次“从零开始”的搜索更快。在本发明中，采用D*Lite算法进行动态路径规划，能够实现更高的效率和更优性能。

所述的基于传感器网络动态环境监测的室内移动机器人路径规划方法，主要包括以下步骤：

步骤1、在目标环境中部署Cricket节点，通过ZigBee协议组成无线传感器网络。Cricket节点采用超声波方式进行探测，获取传感器节点距离障碍物或地面的高度数据；

步骤2、如果地面存在障碍物时，由于障碍物的阻挡，测得的距离定小于没有障碍物时测得的到地面的距离。由此判断地面是否存在障碍物，并将之作为每个节点的局部环境信息；

步骤3、通过串行通信使移动机器人与机载Cricket节点建立数据联系，从邻近的3个以上节点获得相对距离信息，并采用最小二乘算法估算自身的位置；

步骤4、所有WSN节点获得的局部环境信息，通过在Sink节点上进行汇集形成全局的环境信息；将测量所获得的离散的障碍物高度数据进行插值处理，进而构建连续的机器人工作区域环境三维图，获得整个活动空间中每个位置处的环境信息；

步骤5、根据重建出的三维环境模型、对象特征和机器人性能对环境信息进行处理，建立网格模型，并根据处理的结果对栅格单元进行赋值，从而得到二值化的栅格地图；

步骤6、在建立环境模型、形成栅格地图后，采用D*Lite算法根据机器人的当前位置和目标位置进行路径规划，并且在行进过程中根据环境的变化进行路径调整和优化。

上述步骤中，结合D*Lite算法对移动机器人进行路径规划的流程如下：

（1）假设目前动态环境全由自由栅格组成，即栅格取值f(x,y)=0，全部处于空置状态；

（2）在此假设上利用典型的动态和未知环境的路径规划算法计算出一条从起点到终点的最优路径；

（3）如果机器人沿着该路径顺利到达终点，那么该路径即为最优路径；

（4）如果机器人发现不可通过的栅格。首先采用启发式搜索将搜索空间区域控制在一个比较小的范围内。然后使用增量搜索只修改已经发生改变的节点信息，最后通过重用技术不断的生产出从当前起点到终点的最优路径。

本发明的优点与积极效果

本发明采用D*Lite算法是在未知动态环境中快速规划从起点到终点最短路径的有效方法。该算法能适应环境变化，不断根据环境改变重新计算从当前节点到目标节点的最短路径，在优先级比较中，仅使用一个打破僵局的准则，依据最高优先级对节点进行扩展，直至绕过障碍到达目标，其性能优良并且结构简单，同时具备良好的完备性。

附图说明：

图1依托WSN实现环境感知与移动动态路径规划的***示意图；

图2基于传感器网络动态环境监测的室内移动机器人路径规划流程图；

图3根据网格划分的Cricket节点部署示意图；

图4Cricket节点在室内屋顶部署的一种情形；

图5离散障碍物高度数据图；

图6连续全局环境三维图；

图7二值化后获得的栅格图；

图8D*Lite静态环境仿真图；

图9D*Lite动态环境仿真图。

具体实施方式

下面结合实例对本发明作进一步具体说明。

针对室内环境，依托无线传感器网络研究机器人路径规划，***包括Cricket节点、移动机器人、Sink节点和远程PC机。具体地，将室内屋顶划分为一定密度的网格，在每个格点内部署Cricket节点并构成无线传感器网络（WSN）；WSN节点通过超声波方式探测地面的障碍物信息，将返回的离散数据进行处理，所有WSN节点的数据构成全局的连续三维地形图，并将其经过二值化处理构成0-1栅格图来建立动态环境模型；移动机器人机载Cricket节点通过无线方式与屋顶部署的WSN网络建立通信联系，获得最邻近的3个节点与自身的相对距离，并采取最小二乘算法估算自己的位置；结合机器人当前的位置与障碍物的信息，采用D*Lite算法进行动态路径规划，由于这是一种增量式启发式搜索算法，当障碍物移动导致机器人周边环境发生改变时，仅需从当前与机器人距离最近的WSN节点开始，依照优先级遍历所需节点，寻求最优路径，因而可以实现更高的效率。

基于无线传感器网络的环境建模：环境建模是指利用传感器节点对环境的感知信息，通过合适的数学模型自动地构建环境地图。由于环境的不确定性，机器人和障碍物的运动往往无法用确定函数表达，而无线传感器网络能根据环境变化不断更新环境模型，反应环境的最新情况，因而对移动机器人导航非常有利。一个合适的环境建模有助于对环境的理解，有利于降低路径规划决策搜索空间的计算量，从而减少不必要的消耗。环境建模需要解决三个基本问题：(1)表示环境地图，确定地图的描述方法；(2)获取环境信息，确定所用的传感器和传感方式；(3)将所取的环境信息融入地图。本发明采用栅格图描述环境地图，利用超声波传感器感知环境信息，构成全局的连续三维地形图，并将其经过二值化处理构成0-1栅格图来建立静态和动态环境模型。

D*Lite算法：D*Lite算法是基于LPA*算法上启发式的增量搜索算法，它继承了LPA*算法的所有性能并和其表现了同样的扩展栅格的方式。其中，启发式搜索是指使用启发式的知识来控制搜索的扩展范围以求的最优路径的搜索方法。因为启发式搜索能够将搜索空间区域控制在一个比较小的范围内，即它的搜索面积更小，所以这种方法比盲目搜索要快，同时所需的存储空间也更少。增量搜索是指在相似的环境中进行一系列路径搜索时，通过重用技术来更快地得到最优路径的搜索方法。因为增量搜索能够判断节点信息是否改变，并且只去修改已经改变的节点信息，所以增量搜索比每次“从零开始”的搜索更快。在本发明中，采用D*Lite算法进行动态路径规划，能够实现更高的效率和更优性能。

所述的基于传感器网络动态环境监测的室内移动机器人路径规划方法，主要包括以下步骤：

步骤1、在目标环境中部署Cricket节点，通过ZigBee协议组成无线传感器网络。Cricket节点采用超声波方式进行探测，获取传感器节点距离障碍物或地面的高度数据。

在这一部分，需要将目标环境区域按相对比例作网格化处理，实现传感器网络节点对目标环境的有效感知。例如，对于9m*3.6m的矩形室内区域，若移动机器人的直径为30cm，则将该矩形区域划分为30*12个尺寸为30cm*30cm的正方形网格单元。以左下角顶点作为原点建立直角坐标系。具体的WSN节点部署示意图参见附图3。

上述组建无线传感器网络，包括如下步骤：

（1）通过编写SAPI_Init()函数。初始化一个zigbee节点为协调器设备并且为自启动模式建立网络。其他的子节点配置成为路由器或是终端节点;

（2）设备自动启动以后，会向任务层发送一个设备状态改变的消息，由任务层SAPI_StartConfirm()函数响应。当设备进行确认状态发生变化的时候，协调器开始来允许设备进行绑定，而其他节点发送绑定请求；

（3）最后进行绑定入网设置，由zb_StartConfirm()函数首先读取设备的类型，如果为协调器，则允许设备进行绑定，注意绑定时间为0xff，意味着在所有时刻都允许设备进行绑定。如果为其他设备类型，则发送设备绑定请求。先启动协调器建立网络随后启动其他节点分别入网，发现设备能自动加入网络并且能进行自动绑定，当协调器与其他节点的等灯同时亮证明自动绑定实现了。随后，数据传输时此灯会不停的闪烁来提示数据正在传输。

获取传感器节点距离障碍物或地面的高度数据采用飞越时间法(TimeOfFlight，TOF)，即检测超声波往返的时间。由于所用的时间与超声波通过距离成正比，当超声波发射极发出一个短暂的脉冲时，计时开始；当超声波接收器接收到第一个返回脉冲后，计时立即停止。这时记录得到的时间值计为则从超声波发射位置到障碍物之间的实际距离为：

其中D为传感器节点与所测障碍物之间的距离；T为超声波发射到返回的时间间隔；C为超声波在介质中的传播速度(m/s，t为绝对温度)。超声波在空气中的传播速度为340m/s，但其传播速度随介质温度的上升而加快，气温增高1℃，速度便加快0.6m/s。

步骤2、如果地面存在障碍物时，由于障碍物的阻挡，测得的距离定小于没有障碍物时测得的到地面的距离。由此判断地面是否存在障碍物，并将之作为每个节点的局部环境信息。

步骤3、通过串行通信使移动机器人与机载Cricket节点建立数据联系，从邻近3个以上节点获得相对距离信息，并采用最小二乘算法估算自身的位置。

通过Cricket节点实现移动机器人定位的过程如下：

如附图4所示，室内环境下的Cricket定位节点部署于建筑物屋顶，作为定位的信标节点，工作于Beacon模式；移动机器人携带的Cricket节点作为移动节点，工作于Listener模式。信标节点定时发射RF射频信号和超声波信号，RF信号中包含该信标节点的位置坐标和ID。移动节点收到信标节点的超声波信号和RF信号后，通过TDOA（到达时间差，TimeofDifferenceofArrival）技术测量其与信标节点之间的距离。当移动节点能够获得3个以上锚节点距离时，采用最小二乘算法进行定位，确定其物理位置，也就是机器人的实时位置。根据实际的实验测试，采用TDOA方式的实际测距误差在3cm以内。

Cricket模块可以通过运行模式命令代码MD来设置为Beacon和Listener两种模式。设置参数1，命令代码为PMD1<return>，表示Cricket工作在Beacon模式下，被设置成锚节点；设置参数2，命令代码为PMD2<return>，表示Cricket工作在Listener模式下，被设置成接收节点。

如附图4所示，将多个Cricket节点固定在室内屋顶上，设置为Becon模式运行，以屋顶平面建立二维平面直角坐标系，选定左下角的顶点作为坐标原点，记录下各个信标节点的坐标值，分别为(X₁,Y₁)，(X₂,Y₂)，(X₃,Y₃)，(X₄,Y₄)，(X₅,Y₅)。移动机器人的机载Cricket节点设置为Listener模式运行，它的位置就代表机器人所在位置，设其坐标为(xr,xr)。当Listener接收到来自Beacon的信号后，将换算为距离信息并通过串行通信发送给移动机器人控制器。由于信标节点（Beacon）的坐标是预先设定的，移动机器人控制器可以通过其与多个信标节点之间的距离信息计算出自身的坐标位置。

定位过程采用最小二乘的TDOA算法，TDOA定位是多站无源定位***的一种常用定位体制，具有精度高、稳定性强、设备要求低、对抗能力强等优点。它不需要知道确切的信号到达时间，通过多条TDOA双曲线的交点来获取目标位置。对于每个TDOA测量值，它决定了一个以两个测量站为焦点的非线性双曲线方程，通过引入中间变量将其转化为线性方程。当已知测量误差的先验信息时，可以采用两步加权最小二乘的方法和约束加权最小二乘法，当测量误差的先验条件未知时，则采用约束总体最小二乘的方法。在求解最小二乘法时，相对传统的拉格朗日法，本发明采用了高斯-牛顿法，这不仅有效地降低了运算量，还提高了求解的精度和稳定性。

步骤4、所有WSN节点获得的局部环境信息，通过在Sink节点上进行汇集形成全局的环境信息；将测量所获得的离散的障碍物高度数据进行插值处理，进而构建连续的机器人工作区域环境三维图，获得整个活动空间中每个位置处的环境信息。

将TOF方法测得的Cricket传感器节点到障碍物或地面的高度信息，由下公式计算出实验环境中障碍物的高度数据：

此处H为传感器节点到地面的距离，i×j表示30×12个网格，s _ij 表示网格对应的传感器返回的测量值，h _ij 则表示网格对应障碍物高度值。

本发明通过三次样条插值的方法，对无线传感器节点周围的环境信息进行插值，进而构建出机器人工作区域环境模型。三次样条插值计算简便，且具有很好连续性，而且计算精度较高，能够获得较好的收敛性。为了保证不产生过大的误差，插值方法必须具有快速衰减的特性，否则将造成图一数据的覆盖范围畸形变化。三次样条插值正好符合这个条件，经过多次实验测试，采用三次样条插值，能够保证障碍物边界之外的数值快速衰减，很好地吻合超声传感器障碍物探测的实际情况。附图6给出了对实测数据进行插值生成的全局环境三维图。可见插值后形成的全局环境三维图比较接近实际情况，为后续的路径规划提供良好的环境基础。

步骤5、根据重建出的三维环境模型、对象特征和机器人性能对环境信息进行处理，建立网格模型，并根据处理的结果对栅格单元进行赋值，从而得到二值化的栅格地图。

为了创建便于移动机器人导航使用的栅格地图，根据重建出的三维环境模型和移动机器人性能参数对环境信息进行处理，建立网格模型，并根据处理的结果对栅格单元进行赋值，从而得到二值化的栅格地图。

具体思路是：根据移动机器人性能和环境对象的具体特征设置恰当的阈值，判断是否构成妨碍机器人运动的障碍。由于根据超声传感器测量值计算得到的是障碍物的高度，故当其高度大于阈值时，则认为该位置处障碍物高度对移动机器人构成障碍作用，机器人不能通过；否则，认为移动机器人可以安全通过。

阈值化和栅格赋值用公式表示如下：

其中，(x,y)为栅格单元坐标，h(x,y)为栅格(x,y)处传感信息经过计算得出的障碍物的高度值；h ₀为所设定的阈值；布尔变量f(x,y)为栅格(x,y)处环境地图的取值，其值为1表示存在障碍，为0表示空置。

地形是否构成障碍，取决于移动机器人的越障能力。假设移动机器人的越障能力为12cm，即：若目标区域内的地形高于12cm，则移动机器人不能通过，则将其视为障碍物。这种情况下，公式（3）中的ho=10，由此可以得到环境高度的栅格地图。

根据高度约束将三维地形图进行二值化后得到的栅格地图如附图7所示。图中，为障碍物所在区域，为移动机器人可以安全通过的区域。

步骤6、在建立环境模型、形成栅格地图后，采用D*Lite算法根据机器人的当前位置和目标位置进行路径规划，并且在行进过程中根据环境的变化进行路径调整和优化。

上述步骤中结合D*Lite算法对移动机器人进行路径规划的流程如下：

（1）假设目前动态环境全由自由栅格组成，即栅格取值f(x,y)=0，全部处于空置状态；

（2）在此假设上利用典型的动态和未知环境的路径规划算法计算出一条从起点到终点的最优路径；

（3）如果机器人沿着该路径顺利到达终点，那么该路径即为最优路径；

（4）如果机器人发现不可通过的栅格。首先采用启发式搜索将搜索空间区域控制在一个比较小的范围内。然后使用增量搜索只修改已经发生改变的节点信息，最后通过重用技术不断的生产出从当前起点到终点的最优路径。

D*Lite算法是基于LPA*算法的启发式的增量搜索算法，算法思想：启发式搜索是指使用启发式的知识来控制搜索的扩展范围以求的最优路径的搜索方法。增量搜索是指在相似的环境中进行一系列路径搜索时，通过重用技术来更快地得到最优路径的搜索方法。算法首先利用启发式搜索将搜索空间区域控制在一个比较小的范围内，即让搜索面积更小。然后使用增量搜索只修改已经发生改变的节点信息（比如障碍物移动等原因，导致一些障碍物栅格变成自由栅格，或者自由栅格变成障碍物栅格），最后通过重用技术不断地生产出从当前起点到终点的最优路径。

如下伪代码为D*Lite算法的具体实现流程：

ProcedureCalcKey(s)

01return[min(g(s),rhs(s))+h(,s);min(g(s),rhs(s))];

ProcedureInitialize()

02U≠φ;

03forallsSrhs(s)=g(s)=∞;

04rhs()=0;

05U.Insert(,CalcKey());

ProcedureUpdateVertex(u)

06if(u≠)rhs(u)=;

07if(uU)U.Remove(u);

08if(g(u)rhs(u))U.Insert(u,CalcKey(u));

ProcedureComputeShortestPath()

09while(U.TopKey()<CalcKey()ORrhs()≠g())

10u=U.Pop();

11if(g(u)>rhs(u))

12g(u)=rhs(u);

13forallsPred(u)UpdateVertex(s);

14else

15g(u)=∞;

16forallsPred(u){u}UpdateVertex(s);

ProcedureMain()

17Initialize();

18ComputeShortestPath();

19while(≠)

20/*if(g()=∞)thenthereisnoknownpath*/

21=;

22Moveto;

23Scangraphforchangededgecosts;

24ifanyedgecostschanged

25foralldirectededges(u,v)withchangededgecosts;

26Updatetheedgecostc(u,v);

27UpdateVertex(u);

28forallsU

29U.Update(s,CalcKey(s));

30ComputeShortestPath();

算法说明：D*Lite算法由计算优先级模块，主程序模块，初始化模块，路径计算模块和节点更新模块等五个模块组成。从主程序开始，调用初始化模块进行初始化，初始化模块首先将所有节点的g(s)值设置为无穷大，并将目标节点的rhs()值设置为0；此时目标节点为唯一的不连续节点并根据设置优先级***空的优先栈队中（注意，在实际实施过程中，初始化模块仅需对路径沿途节点进行初始化而非对所有节点进行初始化）。在搜索过程中，整体环境的节点可能非常繁杂，由于只需要检验优化路径中所需节点，这将大大提升效率。接下来，由路径计算模块将计算机器人从当前节点到目标节点的最短路径。若机器人未到达目标，则沿最短路径修改起始点坐标反映机器人的当前位置。搜寻路径的过程中，机器人不断感应栅格路径代价的变化，若某些栅格之间路径代价已发生变化，则调用节点更新模块去修改在优先栈队中受其影响发生变化变成局部连续或局部不连续的节点，重复该过程，直至重新计算出一条最短路径。

上述叙述及算法伪代码流程中涉及的相关的概念和名词定义如下：

(1)S：路径规划的起始位置；

(2)G：路径规划的目标位置；

(3)g*(s)：表示当前栅格s到终点栅格G的最短路径代价；

(4)g(s)：是g*(s)的估计路径代价，g(s)形成就表明确实有具有该代价的路径存在；

(5)h(s)：表示当前栅格s到起点栅格S的估计路径代价；

(6)rhs(s)：是g*(s)的估计路径代价，是信息更新得比g(s)早一步的值；

(7)c(s,s^)：栅格s到栅格s^的路径代价（s和s^必须是邻居节点）；

(8)Succ(s)：节点s的所有后继节点，它们都是s的邻居节点；

(9)Pred(s)：节点s的所有前驱节点，它们都是s的邻居节点；

(10)产生（generate）：对栅格进行分析，当改变g(s)的值时，这个栅格就被产生；

(11)均衡（consistent）：当栅格节点s的g(s)等于rhs(s)时，就说该栅格是均衡的；

(12)连续性（continuity）：连续性也叫做三角不等式特性。使用启发式函数进行路径规划时候，必须满足连续性和非负性才能得到最优路径。要达到连续性必须满足以下两点：h(G,G)=0；其中G是终止节点；对于节点s的任何一个后继节点s^来说，都要满足h(s,G)<=c(s,s^)+h(s^,G)。

在障碍物处于静止状态是，附图8给出了采用D*Lite算法实现的移动机器人路径规划图。其中G代表目标位置。

在实际的室内环境中，经常会有人员、自动设备等的移动，阻碍了机器人向目标的移动。附图9(a)(b)(c)给出了移动机器人向目标点移动的过程中，随障碍物变化使机器人所重新规划的路径，其中“R”代表机器人的当前位置。可以看出，随环境变化，机器人可以很快得到新的最优路径。

Claims (2)

1.基于传感器网络动态环境监测的室内移动机器人路径规划方法，利用无线传感器网络对室内动态环境进行信息采集构成连续的全局三维地图，并将其经过二值化处理构成0-1栅格图来建立动态环境模型；移动机器人机载Cricket节点通过无线方式与屋顶部署的WSN网络建立通信联系，获得最邻近的3个节点与自身的相对距离，并采取最小二乘算法估算自己的位置；结合机器人当前的位置与障碍物的信息，采用D*Lite算法对移动机器人进行动态路径规划。

2.权利要求1所述的基于传感器网络动态环境监测的室内移动机器人路径规划方法，其特征在于：基于无线传感器网络的环境建模和采用D*Lite算法对移动机器人进行路径规划，包含如下的具体步骤：

步骤1、在目标环境中部署Cricket节点，通过ZigBee协议组成无线传感器网络，Cricket节点采用超声波方式进行探测，获取传感器节点距离障碍物或地面的高度数据；

步骤2、如果地面存在障碍物时，测得的距离将小于没有障碍物时测得的到地面的距离，由此判断地面是否存在障碍物，并将之作为每个节点的局部环境信息；

步骤3、通过串行通信使移动机器人与机载Cricket节点建立数据联系，从邻近的3个以上节点获得相对距离信息，并采用最小二乘算法估算自身的位置；

步骤4、所有WSN节点获得的局部环境信息在Sink节点上进行汇集形成全局的环境信息，将测量所获得的离散的障碍物高度数据进行插值处理，进而构建连续的机器人工作区域环境三维图，获得整个活动空间中每个位置处的环境信息；

步骤5、根据重建出的三维环境模型、对象特征和机器人性能对环境信息进行处理，建立网格模型，并根据处理的结果对栅格单元进行赋值，从而得到二值化的栅格地图；

步骤6、在建立环境模型、形成栅格地图后，采用D*Lite算法根据机器人的当前位置和目标位置进行路径规划，并且在行进过程中根据环境的变化进行路径调整和优化。