针对蚁群算法在移动机器人路径规划中存在的历史路径不能被充分利用的问题,提出一种具有通信机制的增强型蚁群算法。根据自然界中蚂蚁触手的接触特性,对历史路径进行整合,以获得更优的复合路径。为了进一步改进算法,提出一种放大的轮盘赌方法来加速收敛。设计自适应的Sigmoid衰减函数来优化不同阶段的启发式信息。针对死锁问题的各种类型,制定了具体的优化策略并减少了死锁蚂蚁的数量。最后进行了参数确定和对比实验,在简单环境和复杂环境下,所提算法的整体性能明显提高,实验结果证明了所提方法的有效性。

工厂自动化要求超可靠低时延通信,使控制中心能够可靠实时地向移动机器人传输控制指令。为此,面向移动机器人作业的工厂环境,提出基于深度增强学习的资源调度算法(DRL-RS)。DRL-RS算法由两个阶段构成在第一阶段,一起作业的移动机器人形成簇群,将簇群内多个移动机器人的指令包融合成一个包,再将此包传输至簇群的领导者;在第二阶段,领导者向它簇群成员广播指令包。DRL-RS算法引用深度增强学习算法优化资源调度。领导者扮演Agent,通过向环境学习,择优选择接入点以及子信道和传输功率,进而最大化向所有机器人传输指令包的成功率。性能分析结果表明,DRL-RS算法传输指令包成功率逼近于穷搜索法。

根据移动机器人的定位和建图需求,设计并构建了基于ROS操作系统和激光雷达的移动机器人系统。移动机器人系统采用小型工控机作为上位机,stm32单片机作为下位机,利用RPLIADR A2激光雷达获取环境信息,在ROS机器人系统分布式框架下进行开发,实现基于cartographer算法的同步定位与建图功能。仿真实验及实际环境测试结果表明,该移动机器人具有良好的建图精度和系统性能,具有拓展方便、模块化等优点。

高精度的定位结果是移动机器人路径规划等各项任务的前提,全球卫星定位系统(GPS)能够在空旷区域得到移动机器人的全局定位坐标,但在无卫星信号环境下存在定位精度低或难以定位的问题。提出一种GPS与地图匹配的组合定位方法解决部分无卫星信号复杂环境中的定位问题。首先建立一种修正航迹推算误差的新运动模型,降低航迹推算的累计误差。其次,相对航迹推算定位方法,基于无损卡尔曼滤波算法将GPS与航迹推算融合的定位方法使移动机器人的定位精度提高了79.7%。最后引入地图匹配定位,并组合GPS与航迹推算融合的结果实现复杂环境中的准确定位。实验证明:基于GPS与地图匹配的组合定位方法能够解决移动机器人在复杂环境中的定位问题,同时相对传统GPS定位方法移动机器人的定位精度提高了43%。

针对移动机器人室内定位过程中,单目视觉难适应光照变化、里程计累计误差导致定位误差较大问题,提出边缘侧多传感器融合的定位方法。以稀疏直接法(半直接法)作为单目视觉的前端,实时单目相机估计位姿,通过惯性传感器恢复尺度输出位置信息,并且获取IMU的加速度以及偏航角、里程计当前速度,通过扩展卡尔曼滤波算法融合3种传感器信息,实现更加精确的定位。在移动机器人侧处理传感器读取的信息,从而减小机器人体积。边缘侧混合式多传感器信息融合使移动机器人在单个传感器失效以及无法人为干预时,也能够精确实时地在多种复杂环境中完成自主定位。

闭环检测是移动机器人自主导航以及各种视觉定位的重要组成。近年来随着深度卷积神经网络展,基于卷积描述符的闭环检测与基于手工设计描述符的闭环检测,均在各个系统得到了应用。通过利用深度卷积神经网络实现图像匹配,并将其用于移动机器人的全局定位算法中,对其工程实际表现进行了定量评估以及对比。从所设计的试验方法量化对比出目前主流的描述符在各种场景应用中的优劣性,可知基于AlexNet模型的卷积描述符在各实验中均表现最佳,为图像匹配及其全局定位提供定量参考选择标准。

针对移动机器人运动轨迹容易受到不确定外界因素干扰的问题,采用逆神经网络模型设计移动机器人控制系统。分别采用逆神经网络控制器和传统PI控制器模型对两轮差动移动机器人运动速度和角速度进行跟踪控制。传统PI控制器模型使用了近似于线性的等效负载驱动器,而逆神经网络控制器使用前馈多层感知神经网络模型,该模型结合了其运动学和动力学的数学模型,在特定工作区域内,对逆神经网络模型进行离散训练。在平面内,对移动机器人的速度跟踪控制进行仿真。结果表明:采用PI控制器模型,移动机器人车轮运动速度和角速度与理论值存在较大误差,而采用逆神经网络模型时误差较小。采用逆神经网络模型设计移动机器人速度控制回路,可以提高移动机器人运动性能,更好地适应外界环境的变化。

为解决传统人工势场法在路径规划中存在的缺陷,对目标不可达和局部极小点的情况进行了分析。将引力函数分段,避免引力过大而碰到障碍物的情况;通过引入机器人与目标点之间的距离因子,对斥力势场的生成和计算机制进行改进,以解决障碍物在目标点附近时的不可达问题。在已改进人工势场函数的基础上,提出一种用偏转角度来构建附加牵引力的方法以解决局部极小点问题。在MATLAB中对改进的算法进行了对比仿真实验,实验结果表明了该方法的有效性和可行性。

移动机器人运动规划旨在考虑机器人运动学、动力学和时间约束的同时,在复杂环境中找到最佳且无碰撞的路径。近年来运动规划算法逐渐向高效、实时生成高质量的可执行路径发展。综述了基于运动学约束的一系列运动规划算法,分析并比较了其理论上的优势和不足;对算法的实时性能、优化性能以及对环境模型的依赖性进行分析;将运动规划拆分成前端路径搜索和后端轨迹优化;总结了运动规划算法的研究状况。

针对移动机器人路径规划过程中存在易陷入局部最优、规划质量差和规划效率低等问题，提出一种结合入侵杂草算法和NURBS算法的混合路径规划方法。首先，根据路径规划要求建立目标函数，并将规划问题转化为函数最小值求解问题。然后，利用目标函数来指导入侵杂草算法寻找安全可行的路径点，接着将NURBS算法作为局部路径优化算子光滑处理路径，缩短路径长度。最后，在仿真环境下进行对比分析。结果表明，该方法相比于传统的入侵杂草算法在路径质量和效率上均有所提高，对实际移动机器人路径规划研究具有较高指导作用。