针对单目移动机器人在目标识别与位置估算中深度信息丢失的问题,为提高采用激光雷达辅助距离测量的定位精确度,提出融合雷达测距信息与方位解算的改进卡尔曼滤波算法。使用YOLO网络进行目标识别,再利用基础计算机视觉标定方法获取目标方向角信息,进而利用雷达进行多次定向测距得到多个观测值;然后在目标位置解算时,根据不同观测值的距离与方位信息加权设置不同置信度,以改变卡尔曼滤波器的观测噪声与系统噪声,进而动态改进卡尔曼增益,实现具有自适应性的目标位置解算。仿真与实验结果表明该方法相较单纯依靠雷达进行测距补充能实现更为精准的定位,具有较好的应用前景。

针对移动机器人路径规划时蚁群算法稳定性不足且易陷入局部极值的问题,提出一种改进多步长蚁群算法,改进了基本蚁群算法中只能单步位移且方向固定的移动模式,从而减少路径的转向次数且缩短路径长度。针对移动机器人实际工作时可能遇到的环境坡度大的情形,在启发函数中加入高度因素,提升算法环境适应能力。采用自适应挥发机制,加快算法收敛速度及效率。结果表明:在具有变化高度的环境中,与基本蚁群算法相比,改进多步长蚁群算法规划出的路径

针对小型四轮移动机器人控制系统进行了系列PID调试实验,掌握了单轮驱动的运动状态和最佳控制方式,提出了合理的控制策略。