论文部分内容阅读
路径规划是移动机器人研究中的重要问题之一,本文主要研究在不确定环境下移动机器人的局部路径规划。 人工势场法模仿物理学中势场的概念,假想环境对机器人有一定的作用力,力的方向就是机器人前进的方向。这种方法计算简单,但是存在局部最小、相邻障碍之间找不到通道、走廊环境下存在振荡等问题。对于局部最小,可以增加一个指向自由区域的力作为机器人的前进方向。 Q学习提供智能系统在马尔可夫环境中利用经历的动作序列选择最优动作的一种学习能力。采用模拟退火算法进行随机动作选择,根据动作之间的相似性调整每个动作的Q值,提高了机器人对环境的适应能力。但是这种方法计算复杂,规划周期是人工势场法的1.5倍,所占用的存储空间是人工势场法的4倍。 本文提出了一种综合局部路径规划方法,可以实现二者的优势互补。引入BP网络对环境进行划分,把环境分成四类:相邻障碍、走廊环境、U型区域和其它环境。其它环境采用人工势场法规划,以发挥其方便灵活的特点;相邻障碍和走廊环境等人工势场法不能正常工作的情况下采用Q学习方法;对于U型区,局部路径规划方法不能保证越过障碍,因此可以使机器人沿着较近的U型边界走出障碍。 激光测距范围广、精度高、传输速度快,适合机器人的实时避障,本文采用激光雷达实时采集环境信息,作为分类BP网络、人工势场和Q学习网络的输入。 试验和仿真结果证明这种方法可以实现人工势场法和Q学习之间的优势互补。通过这两种方法的综合应用,机器人在不确定环境下可以找到接近最优的路径,避免与静态障碍或者动态物体的碰撞,安全到达目的地。