CN114460939A - 复杂环境下智能行走机器人自主导航改进方法 - Google Patents
复杂环境下智能行走机器人自主导航改进方法 Download PDFInfo
- Publication number
- CN114460939A CN114460939A CN202210075765.6A CN202210075765A CN114460939A CN 114460939 A CN114460939 A CN 114460939A CN 202210075765 A CN202210075765 A CN 202210075765A CN 114460939 A CN114460939 A CN 114460939A
- Authority
- CN
- China
- Prior art keywords
- robot
- navigation
- route
- walking robot
- environment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000006872 improvement Effects 0.000 title claims description 43
- 230000033001 locomotion Effects 0.000 claims abstract description 75
- 238000011161 development Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 56
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 31
- 238000002474 experimental method Methods 0.000 claims description 27
- 230000004888 barrier function Effects 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000018109 developmental process Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000035939 shock Effects 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000002567 autonomic effect Effects 0.000 claims description 3
- 238000011065 in-situ storage Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 229910001220 stainless steel Inorganic materials 0.000 claims description 3
- 239000010935 stainless steel Substances 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000000087 stabilizing effect Effects 0.000 abstract description 3
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 241000282414 Homo sapiens Species 0.000 description 8
- 206010044565 Tremor Diseases 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 230000004807 localization Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000019771 cognition Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000016285 Movement disease Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请对智能行走机器人在复杂环境下的自主导航方法进行优化,提出的解决方案不仅能实现稳定高效的机器人自主导航，对于移动平台在复杂环境的精确作业也大有帮助，同时有助力机器人向强人工智能的方向发展，主要包括：搭建基于ROS的智能行走机器人平台，改进智能行走机器人狭小空间白主导航方法，改进智能行走机器人在高动态障碍环境下的导航避障方法。通过加入优势方向调度协调并在机器人进行局部路线规划前独立运动，寻找更宽裕的操作空间来优化机器人的自主导航，优化操作有利于提高机器人自主移动能力和鲁棒性，实现复杂环境下的高效导航与避障，具备更高效稳定的自主导航能力，其运动智能型得以大幅提高。
Description
技术领域
本申请涉及一种复杂环境下智能机器人自主导航方法，特别涉及一种复杂环境下智能行走机器人自主导航改进方法，属于行走机器人自主导航技术领域。
背景技术
从工业化时代开始，采用机器代替人力就是一个长期被提及、论证、实践的主题，如今信息化时代，机器和人力已不再是二个独立的客体，机器人不再是只有少数人才了解的高端科技结晶，它已成为大众在生活中经常可以触及的应用产品，不管是陆地，还是水下，甚至是太空，机器人正以其高效稳定的性能逐步取代人类的生产生活活动。具体至服务等行业，人类所能设想的很多应用场景已经有机器人的身影，扫地机器人和爬壁机器人可以打扫卫生，手术机器人可以长时间精准进行外科手术，家庭陪伴机器人可以照顾空巢老人和留守儿童，由于这些服务型机器人能够满足人类的生活需求，相对于工业机器人等定向于服务专门领域的机器人，它们更受普通大众的欢迎，这也使得类似的服务机器人占据了目前机器人市场的较大份额，准确把握这样的市场趋势，有利于推动智能行走机器人行业的发展。
智能行走机器人需具备自主移动及作业的能力，这也被视为判别一个机器人是否智能的重要标准。而智能行走机器人的自主移动及作业有赖于其稳定高效的自主导航能力的实现。在智能行走机器人的自主导航功能实现中，需要完成三项任务，分别制图、自定位、路线规划及避障。制图解决的是如何更好的描述和表达本体所在的环境的问题，自定位解决本体在哪里的问题，而路线规划及避障解决怎么更好的到达指定点的问题。但目前智能行走机器人在实际场景的自主导航任务中，依然面临着一些难题。首先，其自主移动作业环境较之工业流水线上的生产机器人的作业环境而言，具备不可预见性、动态时变性及复杂性等特点，这大幅提升了***的作业难度；其次，智能行走机器人通过传感器数据融合进行环境建模和决策的过程只能有限的逼近人类的感觉和认知，而无法取代；另外传感器本身的硬件缺陷以及不同传感器的应用特征也为通过数据采集进行环境描述及建构的设想带来了实际应用的困难。
在智能行走机器人的实际应用中,环境条件是影响其实际表现的一个重要因素。高低起伏的地面会导致机器人频繁出现打滑难以平稳高效的运动，同时影响智能行走机器人的自定位；室外的作业环境由于场景开阔，特征较难捕捉，数据传输受限等问题也影响机器人的作业；狭小空间内机器人的移动常由于本体自由空间比较小，而障碍物占比较大影响机器人的路线规划；高动态障碍环境中由于障碍物运动的高频无序导致智能行走机器人容易出现避让不及等问题。总体而言，智能行走机器人所面对的复杂作业环境是多种多样的，而机器人自主导航也无法对所有可能存在的情况进行逐一分析处理。
智能行走机器人的自主导航任务主要包括本体全局定位、路线规划、障碍物监测及目标识别等几个方面。鉴于智能行走机器人的工作环境中，同时存在着已知的静态物体和未知的不确定因素，并且在某些情况下,需要进行目标跟踪等工作,这些都需要智能行走机器人通过传感器进行环境探测，明确自身所处的工作环境的信息。目前在智能行走机器人的研究领域中常采用的传感器包括超声波传感器、姿态传感器、激光传感器、视觉传感器、惯性测量单元、编码器、GPS传感器等。
智能行走机器人的定位，是指确定其自身在所处的世界坐标系中的位姿(位置和方向)。在智能行走机器人的自主导航中，本体的自定位是后续的规避障碍操作并到达目标点位的前提。根据参考系选取的不同，可以将智能行走机器人的定位分为相对定位和绝对定位。
相对定位是指基于智能行走机器人自身内部的传感器进行的定位，它不依赖于任何的外界环境信息，是一种相对于机器人初始位姿的定位方法。目前用于智能行走机器人相对定位的方法有两种：航位推算法和惯性定位。事实上，无论是航位推算法还是惯性定位，其误差都会随着本体的运动而积累。因此,单单采用相对定位对于智能行走机器人的长时间运行要求来说并不合适，需要考虑引入绝对定位。绝对定位采用机器人搭载的环境探测器件进行定位。机器人无须知道其初始状态，只要采集环境探测器件的相关数据进行处理,就能确定当前时刻自身的位姿。
对于室内应用的行走机器人，概率定位法是最为常用的定位方法，最具代表性的概率定位有蒙特卡罗定位，但蒙特卡罗定位算法存在着粒子退化的问题。鉴于相对定位和绝对定位各自存在的优缺点,目前在智能行走机器人研究领域的发展趋势主要是结合两种定位技术的特点,综合应用以实现智能行走机器人更好的自定位。机器人路线规划是根据特定的要求在起点和终点之间寻找一条最优路线，在环境地图已知的情况下进行路线规划称为全局路线规划，环境地图未知的情况下进行的路线规划成为局部路线规划。
全局路线规划问题可以描述为在已知地图中，寻出一条从特定点位到另一个指定点位的无碰撞最优或次最优路线，采用A*算法进行全局路线规划。
局部路线规划技术主要针对环境地图未知的的应用场景，机器人通过本体搭载的传感器进行环境探测，获悉探测区域的具体信息，然后通过相应算法计算出在限定条件下表现最为出色的路线，采用DWA算法进行局部路线规划。
综合来看，现有技术的智能机器人自主导航存在明显不足，其主要缺陷和设计难点包括：
第一，机器人是否智能，很大程度上取决于该机器人平台是否具备高效稳定的自主导航能力，现有技术智能行走机器人在实际应用中依然存在一些问题：首先，机器人自主移动作业环境较之工业流水线上的生产机器人的作业环境而言，具备不可预见性、动态时变性及复杂性等特点，这大幅提升了机器人的作业难度；其次，智能机器人通过传感器数据融合进行环境建模和决策的过程只能有限的逼近人类的感觉和认知，而无法取代；另外，传感器本身的硬件缺陷以及不同传感器的应用特征也为通过数据采集进行环境描述及建构的设想带来了实际应用的难题。当前智能行走机器人在复杂环境下的自主导航存在明显问题,不利于智能移动平台在复杂环境的精确作业，制约了机器人向强人工智能的方向发展；
第二，在实际应用中，采用ROS导航功能包集进行自主导航时平台的导航效率并不十分理想。当智能行走机器人处在一个狭小空间时，所规划出来的路线常表现为舍近求远，过度绕行，有时甚至出现滞呆的情况，导致自主导航任务不能很好的完成，出现这样的问题的原因主要有两点：一是在狭小空间中，障碍物的尺寸占运动空间比例较大，平台没有办法得到全面准确的障碍物特征，这种情况下本体与障碍物的距离通常比较小，局部规划时构建出来的运动序列常常被发现是不适宜或不直接的，这样如果本体施行该运动指令,会导致机器人频繁进行路线修正甚至出现绕圈滞呆，无法逃离该区域；二是智能行走机器人在实际应用场景中为避免碰撞到本体后方的实物，常规定平台的自主运动不能有后退动作，导致局部规划器的速度采样空间缩小,所选路线不一定为全局最优，需要对智能服务机器人狭窄空间自主导航进行优化；
第三，智能行走机器人常需要工作在具有高动态障碍的环境中，例如机场、医院、酒店等人流密集环境中。在这样的环境中，动态的障碍经常突然出现在机器人前端较近区域，ROS 当前的避障策略体现在局部路线规划的代价机制中。在局部路线规划的过程中，以当前机器人本体的状态为基础，以机器人的速度及加速度容许区间作为限制条件，随机生成多条路线，并根据适当的评价标准来选择路线。通过将生成的路线是否与障碍物产生交会作为路线优劣的评判标准之一可以规避机器人本体与障碍物的碰撞。而采用此种策略进行避障的智能行走机器人在复杂环境中容易出现由于动态障碍突然出现在机器人本体较近区域而导致无法生成局部路线，最终放弃目标的问题，规避障碍的效果不佳，因此，需要进行改进，提高避障效果；
第四，在智能行走机器人的实际应用中,环境条件是影响其实际表现的一个重要因素，高低起伏的地面会导致现有技术机器人频繁出现打滑难以平稳高效的运动，同时影响智能行走机器人的自定位；室外的作业环境由于场景开阔，特征较难捕捉，数据传输受限等问题也影响机器人的作业；狭小空间内机器人的移动常由于本体自由空间比较小，而障碍物占比较大影响机器人的路线规划；高动态障碍环境中由于障碍物运动的高频无序导致智能行走机器人容易出现避让不及等问题，智能行走机器人所面对的复杂作业环境是多种多样的，而现有技术机器人自主导航也无法对所有可能存在的情况进行逐一分析处理，缺少可靠的智能行走机器人平台，机器人狭小空间白主导航和在高动态障碍环境下的导航避障存在明显缺陷，降低了智能行走机器人自主移动能力的效率和鲁棒性，无法在复杂环境下的高效导航与避障。
发明内容
针对现有技术的不足，本申请基于已有的智能行走机器人的自主导航,针对如何在复杂环境下提高智能行走机器人的自主导航效率这一问题提出两个改进方案，涵盖模型分析，平台组建，原理方法及实际测试等各个方面。针对智能行走机器人在狭小空间中的导航提出改进方案，有效解决智能行走机器人在狭小空间进行导航时所出现的舍近求远的现象,有利于提高平台的自主导航效率；针对智能行走机器人在高动态障碍环境下的导航避障提出改进，降低智能行走机器人在高动态的应用场景中经常出现的平台滞呆频率，同时提高平台的避障效率，增强平台的导航稳定性，对增强机器人的使用体验，提高机器人的工作效率有重要作用和巨大应用价值。。
为实现以上技术效果，本申请所采用的技术方案如下：
复杂环境下智能行走机器人自主导航改进方法，基于已有的智能机器人的自主导航在复杂环境下提高自主导航效率提出两个改进方案，涵盖平台组建、模型分析、改进原理方法、实测优化；
第一，搭建基于ROS的智能行走机器人平台，包括：一是智能行走机器人平台，二是机器人自主导航，三是ROS自主导航功能包集设计，包括智能行走机器人调试、创建先验地图、导航功能包集配置、智能机器人ROS自主导航；
第二，智能行走机器人狭小空间自主导航改进：局部路线规划之前引入优势方向调度协调策略，在平台接收到导航目标指令之后，首先进行方向判定，根据导航日标及平台的位置关系先将智能行走机器人置于优势方向，然后再进行局部路线规划，解决智能行走机器人在狭小空间进行导航时所出现的舍近求远问题；
第三，智能机器人高动态障碍环境导航避障改进：在动态环境中，当出现局部路线无法规划出速度控制指令时，根据激光测距传感器所采集周围的障碍物占比情况信息，驱动平台向障碍物占比较小的一侧进行自适应旋转，重新激活局部路线规划器，降低智能行走机器人在高动态的应用场景中的滞呆频率，同时提高平台的避障效率；
复杂环境下智能行走机器人自主导航改进方法，进一步的，智能行走机器人平台：平台构成中与导航相关的三个主要部分包括：结构平台、传感器、软件平台，智能行走机器人采用的驱动结构为双轮差分式，同时配备四个万向轮增加运动过程中平台的稳定性，结构设计中引入避震***，结构平台的材料采用不锈钢材，传感器部分包括二维激光测距传感器、姿态传感器、编码器，用于在运动过程中实时解算平台的位姿同时进行环境探测；软件平台采用基于Linux的ROS操作***。
复杂环境下智能行走机器人自主导航改进方法，进一步的，机器人自主导航：行走机器人通过自身搭载的传感器，进行环境探测并感知本体状态，当周围存在障碍时，本体遵循约束，寻出一条合适的运动轨迹，并根据这条轨迹移动，到达指定点位，行走机器人的自主导航：一是机器人对本体相对于所在探测环境的实时位姿估算；二是获取周围环境信息，并进行建模制图；三是规划安全的运动路线；
ROS导航功能包集包括地图创建、定位和路线规划整合，订阅里程计和传感器数据流结点发布的消息,将运动指令发送给平台的基础控制器，导航功能包集不要求有一个先验的静态地图,初始化时选择是否要地图，当没有先验地图时，机器人通过传感器进行环境探测，对于未知区域，机器人生成一个可能会撞到障碍物的最优全局路线，当机器人通过传感器得到更多关于未知区域的信息时会重新规划路线。如果初始化时就有一个精确的静态地图，将其作为环境中障碍物的先验知识，机器人生成更优路线。
地图创建采用ROS的Gmapping包，map_server包保存地图，定位部分采用amcl功能包，路线规划部分由move_base包完成，整个规划分为全局和局部路线规划，全局路线规划器找到一条通往目标的最短路线，局部路线规划器结合当前的传感器数据给机器人发送实际的控制指令，使机器人根据动态环境的实际情况，尽量贴近全局路线同时避开障碍，达到目标点位。
复杂环境下智能行走机器人自主导航改进方法，进一步的，基于ROS的行走机器人激光导航***的实现主要包括四步：
第一步：智能行走机器人的调试；
第二步：采用SLAM功能包工具，创建机器人工作环境的先验地图，未进行更全面的说明，后续的导航实验都设定为基于有先验地图的导航，此步为可选项；
第三步：在ROS上配置导航功能包集，并设定参数；
第四步，智能行走机器人导航。
复杂环境下智能行走机器人自主导航改进方法，进一步的，创建先验地图：在导航之前采用基于Gmapping算法的slam_gmapping功能包创建环境地图，根据里程计信息及激光数据创建增量式的二维地图，根据需要编写launch文件配置slam_gmapping功能包的坐标框架，激光数据阈值，采样粒子数，地图更新频率相关参数，让该工具适应不同环境地地图构建。
生成二维栅格地图，根据机器人本体的外形轮廓进行进一步的区域划分，形成应用过程中的代价地图，将地图上面的不同位置赋一个代表在这个区域运动所耗费的代价，以此来区分不同的点位发生碰撞的几率大小,其中代价较大的区域，机器人发生碰撞的可能性大，代价小的区域机器人发生碰撞的可能性小。
复杂环境下智能行走机器人自主导航改进方法，进一步的，智能机器人ROS自主导航：
在开始行走之前，先启动一个配置好相应参数及启动结点的启动文件，通过Rviz任务栏的2DPoseEstimate对机器人本体进行位姿的初始化，初始化之后本体的模型移动到了点击的图上位置，查看图上的激光点位与实际障碍物的轮廓是否吻合，如果方向相差太多，旋转机器人本体进行方向矫正，直至机器人位姿基本正确，把初始位置选好之后，通过图形界面给机器人指定一个目标位置，完成导航点的设置后，***通过global_planner功能包找出一条由起点到目标点的合法路线，之后机器人会顺着这条路开始运动，如果在这期间环境无变动的话，机器人一直保持直接状态到达指定位置，如果在这期间环境发生变化，进行局部规划的local_planner根据这中间出现的物体重新确定路线，避开这些原先并不存在的运动物体。
复杂环境下智能行走机器人自主导航改进方法，进一步的，智能行走机器人狭小空间自主导航改进技术路线：根据ROS导航功能包集的基本框架,在局部路线规划之前引入优势方向调度协调策略；
当ROS导航功能包生成的全局路线方向与行走机器人本体的朝向夹角在预设的临界角内，则认为当前机器人本体的朝向是优势方向，这时只需直接做局部路线规划即可；如果发现当前行走机器人本体的朝向不是优势方向，则发送旋转指令将行走机器人本体置于优势方向，然后再做局部路线规划，这样操作可避免行走机器人在狭小角落绕行较大路线，提高自主导航效率。
复杂环境下智能行走机器人自主导航改进方法，进一步的，基于ROS的狭小空间自主导航改进：ROS导航功能包集的全局路线规划器将规划出的全局路线以路线散点的形式发布到 nav_msgs/Route主题中，选取适当的路线散点(xroute,yroute)，然后通过订阅curr主题，获取机器人本体的当前位置(xcurr，ycurr)以及机器人本体的偏航角YawAn，通过下式计算选定散点的路线朝向：
如果满足|Ori-YawAn|≤R，R为临界角，则执行局部路线规划器发布给基础控制器的运动指令，如果不满足上述条件，则原地旋转并实时更新Ori和YawAn的数值,直至满足条件，再执行局部路线规划；
编写vel_convert结点进行导航功能包集的优化，vcl_convert结点直接订阅局部路线规划期的运动控制指令，然后采用优势方向调度协调的策略重新计算出运动控制指令cmd_vel_convert发布出去，基础控制器base_controller通过ROS的主题重映射remap机制订阅cmd_vel_convert驱动机器人平台进行自主导航。
复杂环境下智能行走机器人自主导航改进方法，进一步的，高动态障碍环境导航避障改进技术路线：当障碍物突然出现在机器人本体较近的区域时，通过包括激光传感器的环境探测设备探测本体两侧的障碍物占比，然后发送旋转指令使本体向障碍物占比小的方向旋转，直至监测到局部路线规划器输出前进速度，即可执行局部路线规划指令绕过障碍，避免障碍物突然出现在智能行走机器人较近区域时，局部路线规划器的速度及加速度限制而导致机器人本体无法生成局部路线，进而放弃目标的情况，在高动态的应用场景中，来往行人视为动态障碍，行人的运动复杂随机，避免出现行人导致智能行走机器人无法产生局部路线的情况，提高智能行走机器人的导航避障效果。
复杂环境下智能行走机器人自主导航改进方法，进一步的，基于ROS的高动态障碍环境导航避障改进：机器人本体进行导航任务过程中，当无法规划出特定的局部路线时，局部路线规划期发布一个局部路线规划失败的消息，通过检测该消息实时获取当前局部路线规划器的状态，本体通过运动重新进行运动规划，但当障碍物较多或突然出现在本体较近区域时, 局部路线规划器就会持续地发布规划失败消息，这时根据当前机器人本体所在位置的障碍物占比情况进行自适应旋转,直至重新激活局部路线规划器接着进行自主导航，障碍物占比信息的获得采用机器人搭载的激光传感器，通过订阅激光传感器发布的scan主题的消息,实时计算机器人本体前端障碍物的占比，即可确定自适应旋转的方向；
机器人通过激光传感器探测本体前方的障碍物信息，发现在探测避障距离内，一侧的激光数据明显较多，则认为此刻机器人该侧的障碍物占比较大，机器人向右侧做自适应旋转；
自适应旋转的过程中实时监测局部路线规划期的状态，一旦局部路劲该规划期被激活，机器人即执行局部路线规划器的运动控制指令。
与现有技术相比，本申请的创新点和优势在于：
第一，本申请对智能行走机器人在复杂环境下的自主导航方法进行优化,提出合理的解决方案不仅能够实现稳定高效的智能行走机器人自主导航，对于智能移动平台在复杂环境的精确作业也大有帮助，同时有助力服务机器人向强人工智能的方向发展，主要包括以下三个方面：一是，搭建基于ROS的智能行走机器人平台；二是，改进智能行走机器人狭小空间白主导航方法；三是，改进智能行走机器人在高动态障碍环境下的导航避障方法。本申请通过加入优势方向调度协调并在智能行走机器人进行局部路线规划前进行独立运动，寻找更宽裕的操作空间来优化智能行走机器人的自主导航。实验证明，优化操作有利于提高智能行走机器人自主移动能力的效率和鲁棒性，实现在复杂环境下的高效导航与避障，机器人平台是否具备更高效稳定的自主导航能力，其运动智能型得以大幅提高；
第二，本申请提出在狭小静态空间采用优势方向调度协调对ROS的导航功能包集进行改进的方案，局部路线规划之前引入优势方向调度协调策略，在平台接收到导航目标指令之后，首先进行方向判定，根据导航日标及平台的位置关系先将智能行走机器人置于优势方向，然后再进行局部路线规划，解决智能行走机器人在狭小空间进行导航时所出现的舍近求远，过度绕行的问题。通过对比实验证明，优化后的方案在进行自主导航任务的时，路线长度和导航耗时都优于原始算法，同时根据最终位置与参考点位的对比得出的位置和方向偏移的均值以及其波动程度上看，改进方案可以在保持导航精度的情况下，提高智能行走机器人的自主导航稳定性；
第三，本申请提出在高动态障碍环境采用障碍物占比实时监测指导平台自适应旋转的改进方案对ROS的导航功能包集进行改进，根据激光测距传感器所采集周围的障碍物占比情况信息，驱动平台向障碍物占比较小的一侧进行自适应旋转，重新激活局部路线规划器，降低智能行走机器人在高动态的应用场景中的滞呆频率，解决机器人在高动态障碍环境中进行自主导航时存在的导航避障效率不高且经常导航失败的问题。通过对比实验发现，改进后的方案进行自主导航任务时，绕行障碍耗时相对较短,平台震颤次数也相对较少，明显优于原始算法。而平台绕行障碍耗时的波动程度与原始算法一致，导航精度也没有明显差别。实验证明了所提出的改进方案可以在保持导航精度的情况下，提高智能行走机器人的导航避障效率，同时减少导航任务失败的可能性；
第四，本申请基于已有的智能行走机器人的自主导航,针对如何在复杂环境下提高智能行走机器人的自主导航效率这一问题提出两个改进方案，涵盖模型分析，平台组建，原理方法及实际测试等各个方面。针对智能行走机器人在狭小空间中的导航提出改进方案，有效解决智能行走机器人在狭小空间进行导航时所出现的舍近求远的现象,有利于提高平台的自主导航效率；针对智能行走机器人在高动态障碍环境下的导航避障提出改进，降低智能行走机器人在高动态的应用场景中经常出现的平台滞呆频率，同时提高平台的避障效率，增强平台的导航稳定性，对增强机器人的使用体验，提高机器人的工作效率有重要作用和巨大应用价值。
附图说明
图1是智能机器人Rviz自主导航过程示意图。
图2是智能机器人现实情境导航过程示意图。
图3是狭小空间自主导航改进技术路线图。
图4是狭小空间自主导航优势方向调度协调策略架构图。
图5是采用原始算法进行自主导航实验的部分路线还原图。
图6是采用狭小空间自主导航改进方案进行实验的部分路线还原图。
图7是狭小空间自主导航改进前后导航位姿序列叠加图。
图8是狭小空间自主导航改进前后导航实验数据记录图。
图9是高动态障碍环境导航避障改进技术路线图。
图10是高动态障碍环境局部路径激活策略示意图。
图11是实时障碍物占比监测与自主旋转示意图。
图12是原始算法高动态障碍环境导航避障路径还原图。
图13是高动态障碍环境导航避障改进后导航路径还原图。
图14是高动态障碍环境导航避障改进前后导航实验数据记录图。
具体实施方法
下面结合附图，对本申请设置的复杂环境下智能行走机器人自主导航改进方法的技术方案进行进一步的描述，使本领域的技术人员能更好的理解本申请并能予以实施。
机器人是否智能，很大程度上取决于该机器人平台是否具备高效稳定的自主导航能力。目前，智能行走机器人在实际应用中依然存在一些问题。首先，机器人自主移动作业环境较之工业流水线上的生产机器人的作业环境而言，具备不可预见性、动态时变性及复杂性等特点，这大幅提升了机器人的作业难度；其次，智能机器人通过传感器数据融合进行环境建模和决策的过程只能有限的逼近人类的感觉和认知，而无法取代；另外，传感器本身的硬件缺陷以及不同传感器的应用特征也为通过数据采集进行环境描述及建构的设想带来了实际应用的难题。
本申请对智能行走机器人在复杂环境下的自主导航方法进行优化,提出合理的解决方案不仅能够实现稳定高效的智能行走机器人自主导航，对于智能移动平台在复杂环境的精确作业也大有帮助，同时有助力服务机器人向强人工智能的方向发展，主要包括以下三个方面：第一，搭建基于ROS的智能行走机器人平台；第二，改进智能行走机器人狭小空间白主导航方法；第三，改进智能行走机器人在高动态障碍环境下的导航避障方法。
本申请通过加入优势方向调度协调并在智能行走机器人进行局部路线规划前进行独立运动，寻找更宽裕的操作空间来优化智能行走机器人的自主导航。实验证明，优化操作有利于提高智能行走机器人自主移动能力的效率和鲁棒性，实现在复杂环境下的高效导航与避障。
一、搭建基于ROS的智能行走机器人平台
(一)智能行走机器人平台
平台构成中与导航相关的三个主要部分包括：结构平台、传感器、软件平台，为适应智能行走机器人在室内环境的低功耗的运动，智能行走机器人采用的驱动结构为双轮差分式，同时配备四个万向轮增加运动过程中平台的稳定性，结构设计中引入避震***，确保平台在不平坦的地面也能正常运作，同时提高平台位姿解算的准确性及抗冲击抗震动的能力，结构平台的材料采用不锈钢材，降低平台整体重量，提高其携带负载的能力；传感器部分包括二维激光测距传感器、姿态传感器、编码器，用于在运动过程中实时解算平台的位姿同时进行环境探测；软件平台采用基于Linux的ROS操作***。
(二)机器人自主导航
行走机器人是否智能的一个重要评判标准即平台是否具备自主导航的能力，行走机器人通过自身搭载的传感器，进行环境探测并感知本体状态，当周围存在障碍时，本体能遵循约束，寻出一条合适的运动轨迹，并根据这条轨迹移动，到达指定点位，行走机器人的自主导航要解决三个问题：一是机器人对本体相对于所在探测环境的实时位姿估算；二是获取周围环境信息，并进行建模制图；三是规划安全的运动路线。
1.ROS导航功能包集
导航功能包集地图创建、定位和路线规划整合在一起，订阅里程计和传感器数据流结点发布的消息,将运动指令发送给平台的基础控制器。根据ROS导航功能包的结构图，其中结点ROS导航功能包集已经开发完成，结点根据实际应用需要添加，结点要求应用此功能包集的机器人根据平台的运动特征自己构建，五个模块是导航功能包中的组件，global_planner和 global_costmap用于全局路线规划，地图是可选的(map_server)，local_planner和 local_costmap用于局部路线规划，它是导航功能包中直接给移动平台(base_controller)发送移动指令的模块，recovery_behaviors模块将机器人从滞呆状态中恢复回来。
导航功能包集不要求有一个先验的静态地图,初始化时选择是否要地图，当没有先验地图时，机器人通过传感器进行环境探测，这样机器人就能够合理有效避障，对于未知区域，机器人生成一个可能会撞到障碍物的最优全局路线，当机器人通过传感器得到更多关于未知区域的信息时会重新规划路线。如果初始化时就有一个精确的静态地图，将其作为环境中障碍物的先验知识，机器人生成更优路线。
地图创建采用ROS的Gmapping包，该包采用一个基于粒子滤波的地图创建算法，map_server包保存地图，定位部分采用amcl功能包，该包采用自适应蒙特卡罗定算法。
路线规划部分由move_base包完成，整个规划分为全局和局部路线规划，全局路线规划器找到一条通往目标的最短路线，局部路线规划器结合当前的传感器数据给机器人发送实际的控制指令，使机器人根据动态环境的实际情况，尽量贴近全局路线同时避开障碍，达到目标点位。
(三)ROS自主导航功能包集设计
基于ROS的行走机器人激光导航***的实现主要包括四步：
第一步：智能行走机器人的调试；
第二步：采用SLAM功能包工具，创建机器人工作环境的先验地图，未进行更全面的说明，后续的导航实验都设定为基于有先验地图的导航，此步为可选项；
第三步：在ROS上配置导航功能包集，并设定参数；
第四步，智能行走机器人导航。
1.智能行走机器人调试
硬件平台搭建好之后，查看传感器数据是否正常发布到ROS网络中，通过ROS内部命令 rostopic list查看该网络中的主题列表，在确认主题列表没有缺失的情况下，通过rostopic echo特定主题查看数据发布情况，在机器人的导航应用中主要查看激光测距仪以及里程计的数据是否正常。
2.创建先验地图
在导航之前采用基于Gmapping算法的slam_gmapping功能包创建环境地图，根据里程计信息及激光数据创建增量式的二维地图，根据需要编写launch文件配置slam_gmapping功能包的坐标框架，激光数据阈值，采样粒子数，地图更新频率相关参数，让该工具适应不同环境地地图构建。
生成二维栅格地图，根据机器人本体的外形轮廓进行进一步的区域划分，形成应用过程中的代价地图，将地图上面的不同位置赋一个代表在这个区域运动所耗费的代价，以此来区分不同的点位发生碰撞的几率大小,其中代价较大的区域，机器人发生碰撞的可能性大，代价小的区域机器人发生碰撞的可能性小。
3.导航功能包集配置
导航功能包集包含的主要功能包包括：
map_server：用于保存通过特定SLAM功能包所创建的环境地图，同时为自主导航提供地图信息；
amel：采用自适应蒙特卡罗定位算法，通过在已知地图的基础上采用粒子滤波算法跟踪机器人的运动，估算机器人本体在地图上的实时位姿；
move_base：路线规划。分别采用A*和DWA算法计算出合法的路线，同时避开路线上的一些静态或动态的物体，确保机器人不与其他物体发生不必要的磕碰，同时能到达一个原先确定的应该达到的位置；
recovery：行为恢复工具，当机器人本体在导航任务时，由于环境变化或其他原因影响，导致机器人出现滞呆状态，无法逃离所在的位置完成导航任务，此时本体通过自主行为恢复，同时擦除代价地图上此前观测到的障碍物，然后再进行此前的导航操作。
在导航参数配置中，通过编写launch文件来启动导航功能包集中的主要结点，此外，还需要配置导航中所必须的参数，包括代价地图的配置参数和规划器配置参数。
4.智能机器人ROS自主导航
机器人完成建图之后，就能在该地图上自由移动，在开始行走之前，先启动一个配置好相应参数及启动结点的启动文件，为了能够更好执行导航任务，通过Rviz任务栏的2DPoseEstimate对机器人本体进行位姿的初始化，初始化之后本体的模型移动到了点击的图上位置，查看图上的激光点位与实际障碍物的轮廓是否吻合，如果方向相差太多，旋转机器人本体进行方向矫正，直至机器人位姿基本正确，把初始位置选好之后，通过图形界面给机器人指定一个目标位置，完成导航点的设置后，***通过global_planner功能包找出一条由起点到目标点的合法路线，之后机器人会顺着这条路开始运动，如果在这期间环境无变动的话，机器人一直保持直接状态到达指定位置，如果在这期间环境发生变化，例如中途出现动态物体挡住了机器人原先规划好的路线，进行局部规划的local_planner根据这中间出现的物体重新确定路线，避开这些原先并不存在的运动物体，具体的导航过程如图1和图2所示。
从图1和图2可以看出，机器人本体采用ROS的导航功能包集成功地完成了自主导航任务。这证明行走机器人的搭建不存在致命问题，可作为后期自主导航实验测试平台。但在实际测试过程中，当机器人在狭小空间出发需要导航至指定的周围环境较空旷的目标点位，或者从空旷位置出发需要导航至狭小空间时，经常会出现机器人在小区域内的连续震颤，或者滞呆在某一个狭小空间无法逃离，无法到达目标点的情况；同时，当机器人在运动过程中，碰到高运动状态的障碍时，容易出现本体震颤，导航低效或者滞呆的情况。针对上述的两种情况，本申请将在第二部分、第三部分进一步提出优化方法。
二、智能行走机器人狭小空间自主导航改进
在实际应用中，采用ROS导航功能包集进行自主导航时平台的导航效率并不十分理想。当智能行走机器人处在一个狭小空间时，所规划出来的路线常表现为舍近求远，过度绕行，有时甚至出现滞呆的情况，导致自主导航任务不能很好的完成。出现这样的问题的原因主要有两点：一是在狭小空间中，障碍物的尺寸占运动空间比例较大，平台没有办法得到全面准确的障碍物特征，这种情况下本体与障碍物的距离通常比较小，局部规划时构建出来的运动序列常常被发现是不适宜或不直接的，这样如果本体施行该运动指令,会导致机器人频繁进行路线修正甚至出现绕圈滞呆，无法逃离该区域；二是智能行走机器人在实际应用场景中为避免碰撞到本体后方的实物，常规定平台的自主运动不能有后退动作，导致局部规划器的速度采样空间缩小,所选路线不一定为全局最优。
根据ROS导航功能包集的基本框架,考虑当智能行走机器人平台在狭小空间自主导航时，在局部路线规划之前引入优势方向调度协调策略。
(一)狭小空间自主导航改进技术路线
根据智能行走机器人的运动模型及外部环境的相互作用，提出如图3的狭小空间自主导航改进技术路线用以解决智能行走机器人自主导航过程中所出现的上述两个问题。
如图3所示，当ROS导航功能包生成的全局路线方向与行走机器人本体的朝向夹角在预设的临界角内(设置临界角为锐角)，则认为当前机器人本体的朝向是优势方向，这时只需直接做局部路线规划即可；如果发现当前行走机器人本体的朝向不是优势方向，则发送旋转指令将行走机器人本体置于优势方向，然后再做局部路线规划，这样操作可避免行走机器人在狭小角落绕行较大路线，提高自主导航效率。
(二)基于ROS的狭小空间自主导航改进
ROS导航功能包集的全局路线规划器将规划出的全局路线以路线散点的形式发布到 nav_msgs/Route主题中，选取适当的路线散点(xroute,yroute)，然后通过订阅curr主题，获取机器人本体的当前位置(xcurr，ycurr)以及机器人本体的偏航角YawAn，通过下式计算选定散点的路线朝向：
如果满足|Ori-YawAn|≤R，R为临界角，则执行局部路线规划器发布给基础控制器的运动指令，如果不满足上述条件，则原地旋转并实时更新Ori和YawAn的数值,直至满足条件，再执行局部路线规划。
编写vel_convert结点进行导航功能包集的优化，优化后的结点架构图如图4所示。从图中看出vcl_convert结点直接订阅局部路线规划期的运动控制指令，然后采用优势方向调度协调的策略重新计算出运动控制指令cmd_vel_convert发布出去，基础控制器base_controller通过ROS的主题重映射remap机制订阅cmd_vel_convert驱动机器人平台进行自主导航。
(三)狭小空间自主导航实验
测试环境为实验室三楼大堂北面走廊，采用第一部分所构建的栅格地图作为静态地图，栅格分辨率为0.06m，地图大小为20m×12m，设置机器人线速度选择区间为0.1m/s至0.4m/s，角速度选择区间为0.4rad/s至0.6rad/s，智能行走机器人分别采用原始导航功能包集和改进后的导航功能包集在狭小的静态环境下进行40次自主导航任务，通过记录平台的应用数据进行相关分析。
实验中以将智能行走机器人先移动到一个较小的角落，然后记录点位坐标，接着再将智能行走机器人移动到另外一个目标点位，记录该点坐标。两点坐标分别记为Qstart和Qend，根据 ROS中点位数据的数据定义，各自坐标为：
Qstart＝(3.847,-0.907,0.000,0.000,0.000,0.996,-0.090)
Qend＝(7.062,2.196,0.000,0.000,0.000,0.580,0.814)
坐标前三位为ROS定义点位数据的position，即点位的三维空间坐标，后四位为ROS定义点位数据的orientation，即表征机器人本体朝向的四元数。
在执行导航任务测试时，实际发送这两个固定点位，减少手动点击引入的人为误差，实际测试分别进行36次实验，其中原始算法出现本体滞呆无法完成导航任务7次，成功率为 81％，改进方案出现无法完成导航任务1次，成功率为97％，明显高于原始算法。
1.测试评价标准
狭小空间静态导航的性能评价标准包括：实际运动路线长度，到达目标点位的耗时，位置偏移量和角度偏移量。因此实验过程中要记录本体的实时位姿，自接收到目标点位直至完成导航任务的时间间隔。
2.狭小空间静态导航优化测试结果
实验记录了本体的实时位置，根据点位序列采用绘图工具表示如下。其中图5为采用原始算法进行自主导航实验的部分路线还原图，图6为采用改进方案进行自主导航实验的部分路线还原图。
图5中，路线还原图的左下端点为起点，右上端点为终点。从图5的(a)-(d)中可以看出，智能行走机器人从起点出发，由于距离障碍物比较近，再加上运动速度采样空间的限制，常出现过度绕行的情况，使得其运行路线明显较长。
图6中，路线还原图的左下端点为起点，右上端点为终点。从图6的(a)至(d)中可以看出，智能行走机器人采用改进方案进行导航时，在进行局部路线规划之前采用优势方向调度协调，使得后期的自主运动从目视效果上来看比较直接，运动路线也较短。通过在ROS自带的Rviz工具添加位姿组件，查看机器人本体的实时位姿序列。位姿序列的叠加即可反映出本体的实际运动路线，如图7所示。其中，图7中(a)为采用原始算法进行导航30次的位姿序列叠加图，(b)为采用改进方案进行导航30次的位姿序列叠加图。
在位姿序列叠加图中，箭头序列反映的是机器人本体的运动序列。从图7(a)中可以看出本体在从狭小空间的起始点位出发时明显存在绕行障碍,走较远路线的情况，而图7(b)中则不存在现象。
将实测数据进行处理，可以得到如图8所示的结果。原有算法和优化算法的平均位置偏移量在10cm以上，角度偏移量也在10度以上，造成这样现象的原因在于，平台硬件进行量测时存在一定的误差，实验测试的环境也并不是完全平坦的地面。同时考虑到当导航偏差临界角设置过小时，平台容易出现目标点附近震颤无法完成实验任务的情况,因此实验中有意调大偏差临界角。除此之外，采用改进方案的导航耗时及实际路线长度明显优于原有算法。改进方案的平均路线长度比原有算法短3m左右，导航的耗时比原有算法少14s左右。同时，从位置及方向偏移的指标来看，改进方案的实测效果也比原有算法好。
图8为机器人采用不同方案的精度对比结果。可以得出机器人采用不同方案的位置偏移量波动程度相当，而采用改进方案进行导航的方向偏移量波动程度要比采用原有算法的波动程度小。由此证明，本申请提出的优化导航方案具有较高的导航精度,稳定性也较好。
三、智能机器人高动态障碍环境导航避障改进
智能行走机器人常需要工作在具有高动态障碍的环境中，例如机场、医院、酒店等人流密集环境中。在这样的环境中，动态的障碍经常突然出现在机器人前端较近区域，这个时候由于局部路线规划器无法及时规划出合适的路线,导致机器人出现滞呆的情况，导航运动也因此失败，有时虽然机器人本体没有滞呆,但会出现局部路线规划器规划出的路线效率较低的情况，达不到高动态障碍环境导航避障要求。
根据第一部分的ROS导航功能包集的基本框架，考虑当智能行走机器人平台在高动态障碍环境中进行导航时，在局部路线规划之前加入自适应旋转策略。
(一)高动态障碍环境导航避障改进技术路线
如图9所示，当障碍物突然出现在机器人本体较近的区域时，通过包括激光传感器的环境探测设备探测本体两侧的障碍物占比，然后发送旋转指令使本体向障碍物占比小的方向旋转，直至监测到局部路线规划器输出前进速度，即可执行局部路线规划指令绕过障碍。这样的操作可以避免障碍物突然出现在智能行走机器人较近区域时，由于局部路线规划器的速度及加速度限制而导致机器人本体无法生成局部路线，进而放弃目标的情况，在高动态的应用场景中，来往行人可视为动态障碍。由于行人的运动复杂随机，经常出现上述导致智能行走机器人无法产生局部路线的情况，经过优化可提高智能行走机器人的导航避障效果。
(二)基于ROS的高动态障碍环境导航避障改进
机器人本体进行导航任务过程中，当无法规划出特定的局部路线时，局部路线规划期发布一个局部路线规划失败的消息，通过检测该消息实时获取当前局部路线规划器的状态，本体通过运动重新进行运动规划，但当障碍物较多或突然出现在本体较近区域时,局部路线规划器就会持续地发布规划失败消息，这时根据当前机器人本体所在位置的障碍物占比情况进行自适应旋转,直至重新激活局部路线规划器接着进行自主导航,如图10所示，障碍物占比信息的获得采用机器人搭载的激光传感器，通过订阅激光传感器发布的scan主题的消息,实时计算机器人本体前端障碍物的占比，即可确定自适应旋转的方向。
如图11所示，机器人通过激光传感器探测本体前方的障碍物信息，发现在探测避障距离内，左侧的激光数据明显较多，则认为此刻机器人左侧的障碍物占比较大(图11的(a))，因此机器人应该向右侧做自适应旋转(图11的(b))。
自适应旋转的过程中实时监测局部路线规划期的状态，一旦局部路劲该规划期被激活，机器人即执行局部路线规划器的运动控制指令(图11的(c)).
(三)高动态障碍环境导航避障实验
测试环境为实验室三楼大堂北面走廊，采用第一部分所构建的栅格地图作为静态地图，榻格的分辨率为0.06m，地图大小为20m×12m，设置机器人线速度选择区间为0.1m/s至0.4m/s，角速度选择区间为0.4rad/s至0.6rad/s，实验中，智能行走机器人分别采用原始的导航功能包集和改进后的导航功能包集在高动态障碍环境进行28次自主导航任务，通过记录平台的应用数据进行相关分析。
实验选择两个点位让机器人从起点导航到终点，在机器人的行进道路中间随机选取合适位置突然出现在机器人前端，记录机器人的运动状态。选择随机点位出现在机器人前端，是因为人为选择的站立地点不可能太精准，无法要求前后两次的站立地点是同个位置；同时，为模仿高动态障碍环境中动态障碍的运动无序性，点位选择也应该遵照随机性的要求。
1.测试评价标准
高动态障碍环境导航避障的性能评价标准包括：本体绕行障碍物的时间，本体在障碍物面前震颤次数，到达目标点位的位置偏移量和角度偏移量。实验中不将实际路线长度和导航耗时列入评价标准的原因在于，动态障碍选取的模拟点位是随机的，这会为本体的路线规划引入额外的影响因素，使这两个变量不能很好的反应机器人的自主导航性能。因此实验过程中需要记录本体绕行障碍物的时间、震颤次数以及本体的实时位姿。
2.高动态障碍环境导航优化测试结果
实际测试分别进行28次，其中原始算法出现本体导航失败10次，包括本体在动态障碍突然出现之后滞呆8次，没能及时停下与人发生碰撞2次，成功率为64％，改进方案出现无法完成导航任务1次，1次失败的原因为未能及时停下与人发生碰撞，成功率为96％，明显高于原始算法。选取改进前后导航成功的15次实验进行分析，可得图12和图13所示的采用不同的导航方案进行测试所得的路线还原图。
在图12和图13的(a)-(d)子图中，起始点为左下角的端点，目标点为右上角的端点。两图中都明显存在障碍物出现之后的运动方向调度协调，在机器人执行自主导航时，假如有动态障碍突然出现在机器人前端，机器人会及时改变原有的行进方向或者直接停下，并规划出新的路线，避免与动态障碍发生碰撞。但由于机器人白主导航的速度和加速度限制，依然存在避让不及的情况。但从图12和图13的整体对比可以看出，原始算法在高动态障碍环境中进行自主导航时,机器人经过的路线明显相较于改进算法的路线长，原因在于改进算法引入障碍物探测以及自适应旋转，使得机器人的避障总体表现更加合理高效。
选取实验过程中导航成功的15次成功实验的数据进行处理可以得到图14的相关结果。
可以看出采用原有算法进行自主导航时，在障碍物面前的平均震颤次数为5次，而采用改进方案进行导航明显要比较稳定，平均震颤2次。从绕行障碍物耗费的时间来看，改进方案也明显优于原有算法。改进方案最终到达目标点位的位置及方向偏移要比原有算法小。
采用原始算法进行自主导航时，机器人绕行障碍物时间明显要长于采用改进方案的绕行时间，而绕行时间的波动程度大小相当。
总体上说，引入障碍物占比判断之后进行自适应旋转的改进方案相对于原始算法的导航成功率要高，同时原有算法和改进方案在障碍物绕行时间及震颤次数的导航效率及稳定性指标上差别明显，而在导航精度上不存在明显差别。证明所提出的改进方案可以改进智能行走机器人的自主导航效率及稳定性。
Claims (10)
1.复杂环境下智能行走机器人自主导航改进方法，其特征在于，基于已有的智能机器人的自主导航在复杂环境下提高自主导航效率提出两个改进方案，涵盖平台组建、模型分析、改进原理方法、实测优化；
第一，搭建基于ROS的智能行走机器人平台，包括：一是智能行走机器人平台，二是机器人自主导航，三是ROS自主导航功能包集设计，包括智能行走机器人调试、创建先验地图、导航功能包集配置、智能机器人ROS自主导航；
第二，智能行走机器人狭小空间自主导航改进：局部路线规划之前引入优势方向调度协调策略，在平台接收到导航目标指令之后，首先进行方向判定，根据导航日标及平台的位置关系先将智能行走机器人置于优势方向，然后再进行局部路线规划，解决智能行走机器人在狭小空间进行导航时所出现的舍近求远问题；
第三，智能机器人高动态障碍环境导航避障改进：在动态环境中，当出现局部路线无法规划出速度控制指令时，根据激光测距传感器所采集周围的障碍物占比情况信息，驱动平台向障碍物占比较小的一侧进行自适应旋转，重新激活局部路线规划器，降低智能行走机器人在高动态的应用场景中的滞呆频率，同时提高平台的避障效率。
2.根据权利要求1所述复杂环境下智能行走机器人自主导航改进方法，其特征在于，智能行走机器人平台：平台构成中与导航相关的三个主要部分包括：结构平台、传感器、软件平台，智能行走机器人采用的驱动结构为双轮差分式，同时配备四个万向轮增加运动过程中平台的稳定性，结构设计中引入避震***，结构平台的材料采用不锈钢材，传感器部分包括二维激光测距传感器、姿态传感器、编码器，用于在运动过程中实时解算平台的位姿同时进行环境探测；软件平台采用基于Linux的ROS操作***。
3.根据权利要求1所述复杂环境下智能行走机器人自主导航改进方法，其特征在于，机器人自主导航：行走机器人通过自身搭载的传感器，进行环境探测并感知本体状态，当周围存在障碍时，本体遵循约束，寻出一条合适的运动轨迹，并根据这条轨迹移动，到达指定点位，行走机器人的自主导航：一是机器人对本体相对于所在探测环境的实时位姿估算；二是获取周围环境信息，并进行建模制图；三是规划安全的运动路线；
ROS导航功能包集包括地图创建、定位和路线规划整合，订阅里程计和传感器数据流结点发布的消息,将运动指令发送给平台的基础控制器，导航功能包集不要求有一个先验的静态地图,初始化时选择是否要地图，当没有先验地图时，机器人通过传感器进行环境探测，对于未知区域，机器人生成一个可能会撞到障碍物的最优全局路线，当机器人通过传感器得到更多关于未知区域的信息时会重新规划路线，如果初始化时就有一个精确的静态地图，将其作为环境中障碍物的先验知识，机器人生成更优路线；
地图创建采用ROS的Gmapping包，map_server包保存地图，定位部分采用amcl功能包，路线规划部分由move_base包完成，整个规划分为全局和局部路线规划，全局路线规划器找到一条通往目标的最短路线，局部路线规划器结合当前的传感器数据给机器人发送实际的控制指令，使机器人根据动态环境的实际情况，尽量贴近全局路线同时避开障碍，达到目标点位。
4.根据权利要求1所述复杂环境下智能行走机器人自主导航改进方法，其特征在于，基于ROS的行走机器人激光导航***的实现主要包括四步：
第一步：智能行走机器人的调试；
第二步：采用SLAM功能包工具，创建机器人工作环境的先验地图，未进行更全面的说明，后续的导航实验都设定为基于有先验地图的导航，此步为可选项；
第三步：在ROS上配置导航功能包集，并设定参数；
第四步，智能行走机器人导航。
5.根据权利要求1所述复杂环境下智能行走机器人自主导航改进方法，其特征在于，创建先验地图：在导航之前采用基于Gmapping算法的slam_gmapping功能包创建环境地图，根据里程计信息及激光数据创建增量式的二维地图，根据需要编写launch文件配置slam_gmapping功能包的坐标框架，激光数据阈值，采样粒子数，地图更新频率相关参数，让该工具适应不同环境地地图构建；
生成二维栅格地图，根据机器人本体的外形轮廓进行进一步的区域划分，形成应用过程中的代价地图，将地图上面的不同位置赋一个代表在这个区域运动所耗费的代价，以此来区分不同的点位发生碰撞的几率大小,其中代价较大的区域，机器人发生碰撞的可能性大，代价小的区域机器人发生碰撞的可能性小。
6.根据权利要求1所述复杂环境下智能行走机器人自主导航改进方法，其特征在于，智能机器人ROS自主导航：
在开始行走之前，先启动一个配置好相应参数及启动结点的启动文件，通过Rviz任务栏的2DPoseEstimate对机器人本体进行位姿的初始化，初始化之后本体的模型移动到了点击的图上位置，查看图上的激光点位与实际障碍物的轮廓是否吻合，如果方向相差太多，旋转机器人本体进行方向矫正，直至机器人位姿基本正确，把初始位置选好之后，通过图形界面给机器人指定一个目标位置，完成导航点的设置后，***通过global_planner功能包找出一条由起点到目标点的合法路线，之后机器人会顺着这条路开始运动，如果在这期间环境无变动的话，机器人一直保持直接状态到达指定位置，如果在这期间环境发生变化，进行局部规划的local_planner根据这中间出现的物体重新确定路线，避开这些原先并不存在的运动物体。
7.根据权利要求1所述复杂环境下智能行走机器人自主导航改进方法，其特征在于，智能行走机器人狭小空间自主导航改进技术路线：根据ROS导航功能包集的基本框架,在局部路线规划之前引入优势方向调度协调策略；
当ROS导航功能包生成的全局路线方向与行走机器人本体的朝向夹角在预设的临界角内，则认为当前机器人本体的朝向是优势方向，这时只需直接做局部路线规划即可；如果发现当前行走机器人本体的朝向不是优势方向，则发送旋转指令将行走机器人本体置于优势方向，然后再做局部路线规划，这样操作可避免行走机器人在狭小角落绕行较大路线，提高自主导航效率。
8.根据权利要求1所述复杂环境下智能行走机器人自主导航改进方法，其特征在于，基于ROS的狭小空间自主导航改进：ROS导航功能包集的全局路线规划器将规划出的全局路线以路线散点的形式发布到nav_msgs/Route主题中，选取适当的路线散点(xroute,yroute)，然后通过订阅curr主题，获取机器人本体的当前位置(xcurr，ycurr)以及机器人本体的偏航角YawAn，通过下式计算选定散点的路线朝向：
如果满足|Ori-YawAn|≤R，R为临界角，则执行局部路线规划器发布给基础控制器的运动指令，如果不满足上述条件，则原地旋转并实时更新Ori和YawAn的数值,直至满足条件，再执行局部路线规划；
编写vel_convert结点进行导航功能包集的优化，vcl_convert结点直接订阅局部路线规划期的运动控制指令，然后采用优势方向调度协调的策略重新计算出运动控制指令cmd_vel_convert发布出去，基础控制器base_controller通过ROS的主题重映射remap机制订阅cmd_vel_convert驱动机器人平台进行自主导航。
9.根据权利要求1所述复杂环境下智能行走机器人自主导航改进方法，其特征在于，高动态障碍环境导航避障改进技术路线：当障碍物突然出现在机器人本体较近的区域时，通过包括激光传感器的环境探测设备探测本体两侧的障碍物占比，然后发送旋转指令使本体向障碍物占比小的方向旋转，直至监测到局部路线规划器输出前进速度，即可执行局部路线规划指令绕过障碍，避免障碍物突然出现在智能行走机器人较近区域时，局部路线规划器的速度及加速度限制而导致机器人本体无法生成局部路线，进而放弃目标的情况，在高动态的应用场景中，来往行人视为动态障碍，行人的运动复杂随机，避免出现行人导致智能行走机器人无法产生局部路线的情况，提高智能行走机器人的导航避障效果。
10.根据权利要求1所述复杂环境下智能行走机器人自主导航改进方法，其特征在于，基于ROS的高动态障碍环境导航避障改进：机器人本体进行导航任务过程中，当无法规划出特定的局部路线时，局部路线规划期发布一个局部路线规划失败的消息，通过检测该消息实时获取当前局部路线规划器的状态，本体通过运动重新进行运动规划，但当障碍物较多或突然出现在本体较近区域时,局部路线规划器就会持续地发布规划失败消息，这时根据当前机器人本体所在位置的障碍物占比情况进行自适应旋转,直至重新激活局部路线规划器接着进行自主导航，障碍物占比信息的获得采用机器人搭载的激光传感器，通过订阅激光传感器发布的scan主题的消息,实时计算机器人本体前端障碍物的占比，即可确定自适应旋转的方向；
机器人通过激光传感器探测本体前方的障碍物信息，发现在探测避障距离内，一侧的激光数据明显较多，则认为此刻机器人该侧的障碍物占比较大，机器人向右侧做自适应旋转；
自适应旋转的过程中实时监测局部路线规划期的状态，一旦局部路劲该规划期被激活，机器人即执行局部路线规划器的运动控制指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210075765.6A CN114460939A (zh) | 2022-01-22 | 2022-01-22 | 复杂环境下智能行走机器人自主导航改进方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210075765.6A CN114460939A (zh) | 2022-01-22 | 2022-01-22 | 复杂环境下智能行走机器人自主导航改进方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114460939A true CN114460939A (zh) | 2022-05-10 |
Family
ID=81410571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210075765.6A Pending CN114460939A (zh) | 2022-01-22 | 2022-01-22 | 复杂环境下智能行走机器人自主导航改进方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114460939A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115237125A (zh) * | 2022-06-28 | 2022-10-25 | 杭州电子科技大学信息工程学院 | 一种无人配送消毒小车的智能线路规划方法 |
| CN115297302A (zh) * | 2022-08-08 | 2022-11-04 | 北京中润惠通科技发展有限公司 | 一种铁路变电所无人化*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106406338A (zh) * | 2016-04-14 | 2017-02-15 | 中山大学 | 一种基于激光测距仪的全向移动机器人的自主导航装置及其方法 |
| CN107544501A (zh) * | 2017-09-22 | 2018-01-05 | 广东科学技术职业学院 | 一种智能机器人智慧行走控制***及其方法 |
| CN108646761A (zh) * | 2018-07-12 | 2018-10-12 | 郑州大学 | 基于ros的机器人室内环境探索、避障和目标跟踪方法 |
| CN109557928A (zh) * | 2019-01-17 | 2019-04-02 | 湖北亿咖通科技有限公司 | 基于矢量地图和栅格地图的自动驾驶车辆路径规划方法 |
| CN112828853A (zh) * | 2021-02-25 | 2021-05-25 | 武汉科技大学 | 一种室内自主移动机器人 |
-
2022
- 2022-01-22 CN CN202210075765.6A patent/CN114460939A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106406338A (zh) * | 2016-04-14 | 2017-02-15 | 中山大学 | 一种基于激光测距仪的全向移动机器人的自主导航装置及其方法 |
| CN107544501A (zh) * | 2017-09-22 | 2018-01-05 | 广东科学技术职业学院 | 一种智能机器人智慧行走控制***及其方法 |
| CN108646761A (zh) * | 2018-07-12 | 2018-10-12 | 郑州大学 | 基于ros的机器人室内环境探索、避障和目标跟踪方法 |
| CN109557928A (zh) * | 2019-01-17 | 2019-04-02 | 湖北亿咖通科技有限公司 | 基于矢量地图和栅格地图的自动驾驶车辆路径规划方法 |
| CN112828853A (zh) * | 2021-02-25 | 2021-05-25 | 武汉科技大学 | 一种室内自主移动机器人 |
Non-Patent Citations (1)
| Title |
|---|
| 陈卓 等: "移动机器人SLAM与路径规划在ROS框架下的实现", 医疗卫生装备, no. 02, pages 116 - 120 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115237125A (zh) * | 2022-06-28 | 2022-10-25 | 杭州电子科技大学信息工程学院 | 一种无人配送消毒小车的智能线路规划方法 |
| CN115297302A (zh) * | 2022-08-08 | 2022-11-04 | 北京中润惠通科技发展有限公司 | 一种铁路变电所无人化*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN1188762C (zh) | 自主多平台机器人*** | |
| KR101372482B1 (ko) | 이동 로봇의 경로 계획 방법 및 장치 | |
| Bogdan Rusu et al. | Leaving Flatland: Efficient real‐time three‐dimensional perception and motion planning | |
| Koch et al. | Multi-robot localization and mapping based on signed distance functions | |
| CN104536445A (zh) | 移动导航方法和*** | |
| CN114460939A (zh) | 复杂环境下智能行走机器人自主导航改进方法 | |
| CN111182174B (zh) | 一种扫地机器人补光的方法及装置 | |
| Ravankar et al. | A hybrid topological mapping and navigation method for large area robot mapping | |
| CN112652001B (zh) | 基于扩展卡尔曼滤波的水下机器人多传感器融合定位*** | |
| CN113566808A (zh) | 一种导航路径规划方法、装置、设备以及可读存储介质 | |
| CN111679664A (zh) | 基于深度相机的三维地图构建方法及扫地机器人 | |
| Wahrmann et al. | Vision-based 3d modeling of unknown dynamic environments for real-time humanoid navigation | |
| CN115639823A (zh) | 崎岖起伏地形下机器人地形感知与移动控制方法及*** | |
| CN118020038A (zh) | 两轮自平衡机器人 | |
| Yamauchi et al. | Magellan: An integrated adaptive architecture for mobile robotics | |
| CN113741550A (zh) | 移动机器人跟随方法和*** | |
| Rekleitis et al. | Over-the-horizon, autonomous navigation for planetary exploration | |
| Khan et al. | Sonar-based SLAM using occupancy grid mapping and dead reckoning | |
| Ceccarelli et al. | A set theoretic approach to path planning for mobile robots | |
| Galtarossa | Obstacle avoidance algorithms for autonomous navigation system in unstructured indoor areas | |
| Hsu et al. | A graph-based exploration strategy of indoor environments by an autonomous mobile robot | |
| Burguera et al. | A solution for integrating map building and self localization strategies in mobile robotics | |
| US20240027224A1 (en) | Method for recognizing an erroneous map of an environment | |
| Sun et al. | Personal Care Robot Navigation System Based on Multi-sensor Fusion | |
| MILLER | Autonomous rough terrain navigation-Lessons learned |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |