本文關(guān)鍵詞：受生物啟發(fā)的移動機器人空間認(rèn)知及其導(dǎo)航

  更多相關(guān)文章： 機器人導(dǎo)航 空間知識表示 混合超圖 路徑規(guī)劃 運動規(guī)劃 地圖創(chuàng)建

【摘要】：對于從工廠走向家庭,作為保姆、玩伴等服務(wù)性角色而與人類為伍的智能機器人而言,它們將面對我們所面對的世界,它們也應(yīng)具備類似人類的空間行為能力。目前,雖然機器人研究者作了大量的研究工作,機器人的導(dǎo)航技術(shù)與社交能力也獲得了長足的進(jìn)步,然而與人們的期望相比仍然相去甚遠(yuǎn)。人類及動物能輕易的在復(fù)雜多變的大尺度復(fù)雜空間中以及感知信息不精確的情況下保持相當(dāng)完美的導(dǎo)航能力。這促使機器人研究者從生物的導(dǎo)航行為模式中,尋找能適用于機器人的仿生導(dǎo)航機制,以期提高機器人的導(dǎo)航能力。從生物空間行為的視角,設(shè)計導(dǎo)航系統(tǒng)的難度來源于三個方面：一是隨時變化的導(dǎo)航任務(wù)及目標(biāo)；二是隨主觀經(jīng)驗而變動的空間記憶；三是復(fù)雜無限的活動空間。針對這三個方面的難點,導(dǎo)航系統(tǒng)應(yīng)該具有一個簡單普適的空間知識表示模型和低消耗高效率的在線尋路策略。人類的導(dǎo)航系統(tǒng)成功的處理了這三個難點,不受空間尺度大小及環(huán)境多樣變化等因素的制約。在未來,與人類一起生活的智能機器人也應(yīng)克服這三個難點。為此,本文受人類導(dǎo)航能力的啟發(fā),嘗試將人類的空間內(nèi)在表示模型與導(dǎo)航機制整合在一起,構(gòu)建一個應(yīng)用于機器人的自主導(dǎo)航系統(tǒng),以期讓機器人獲得類似人類導(dǎo)航的能力以及為三個難點的解決提供參考。本文的研究工作可以總結(jié)為以下幾個方面：1)提出一種基于自增長網(wǎng)絡(luò)的可行區(qū)域拓?fù)渚W(wǎng)絡(luò)的提取方法。該提取方法利用Growing Neural Gas(GNG)算法的增長特性,通過不斷增加新的拓?fù)渚W(wǎng)絡(luò)節(jié)點提取環(huán)境的可行區(qū)域,構(gòu)建易于機器人理解的環(huán)境地圖。該方法還適用于動態(tài)障礙物存在的環(huán)境,能夠過濾動態(tài)障礙物的影響,構(gòu)建一致的環(huán)境拓?fù)涞貓D。該方法具有自學(xué)習(xí)、自適應(yīng)等特點。通過仿真與物理實驗驗證了其可行性與有效性。2)在局部運動規(guī)劃方面,提出一種快速有效的規(guī)避障礙物方法。距離與方向是機器人對障礙物的危險度進(jìn)行評判的兩個重要指標(biāo)。設(shè)計實現(xiàn)了一種小計算量的二維泡狀體人工勢場(Bubble artificial potential field, B-APF),將障礙物距離和方向之間的平衡問題數(shù)值化,獲得統(tǒng)一的障礙物危險度值,進(jìn)而優(yōu)化避碰行為,改善了動態(tài)避障路徑的柔順性。該方法具有環(huán)境適應(yīng)能力強、計算復(fù)雜度低和實時性好。通過實驗證明該方法的有效性與適用性。3)人類在其導(dǎo)航過程中運用了區(qū)域化的空間知識。受此啟發(fā),提出一種基于區(qū)域的空間知識表示模型(region-based spatial knowledge model, RSK-Model)。該模型將多個小尺度的區(qū)域?qū)ο蠼M合在一起形成上一層級的區(qū)域?qū)ο?構(gòu)成一種層次化的空間表示結(jié)構(gòu)。現(xiàn)有的一般圖論難以反映這類知識系統(tǒng)的復(fù)雜構(gòu)成和所隱含的組織結(jié)構(gòu)。針對這一問題,引入混合超圖的思想,提出一種基于混合超圖(hybrid hypergraph)的空間知識表示模型,用來組織規(guī)模巨大、連接復(fù)雜多樣、且具有嵌套特性的空間知識網(wǎng)絡(luò)。以超拓?fù)潢P(guān)系為例,通過對一個小型環(huán)境的表述來說明基于混合超圖的空間知識表示模型的應(yīng)用,為復(fù)雜的空間知識的表示、組織和分析提供了一種新的工具和思路。4)在全局性的尋路方面,人類在其導(dǎo)航過程中運用了區(qū)域化的空間知識模型并采取了“由精到粗”的尋路策略。受此啟發(fā)本章在提出的區(qū)域化空間知識模型的基礎(chǔ)上,提出一種在線路徑規(guī)劃算法FTC-A*(fine-to-coarse A*)。FTC-A*能夠根據(jù)環(huán)境信息的遠(yuǎn)近采取不同的規(guī)劃策略。在機器人所在的區(qū)域中,進(jìn)行路徑的精細(xì)規(guī)劃,而對遠(yuǎn)處空間進(jìn)行粗糙規(guī)劃。該策略利用環(huán)境描述的區(qū)域化特性,降低了搜索空間的大小,從而顯著地降低了規(guī)劃時間和內(nèi)存負(fù)載,減少了機器人的運動響應(yīng)延遲。本算法能適應(yīng)環(huán)境規(guī)模巨大以及目標(biāo)點經(jīng)常改變的應(yīng)用場合。通過在MobileSim平臺的仿真實驗以及與A*和HA*算法的對比分析,驗證了該方法的可行性與有效性。5)以定性空間知識表示與人類導(dǎo)航機制為基礎(chǔ),研究了移動機器人仿生導(dǎo)航系統(tǒng)。首先,定性空間知識作為先驗知識存儲在機器人的長時記憶系統(tǒng)中。全局路徑規(guī)劃模塊運用該空間知識規(guī)劃“由精到粗”的路徑,并臨時存儲在機器人的短時記憶系統(tǒng)中。最近目標(biāo)生成器根據(jù)該路徑生成引導(dǎo)機器人運動的下一個目標(biāo)。在機器人的工作記憶系統(tǒng)中,局部運動規(guī)劃模塊生成運動向最近目標(biāo)點的合理有效的運動行為,并執(zhí)行一步步運動。機器人運動過程中的當(dāng)前位置信息以及上下文信息由‘'I AM HERE"模塊管理。通過迭代在線規(guī)劃“由精到粗”的路徑,引導(dǎo)機器人運動向最終目標(biāo)點。最后,通過實驗驗證了該導(dǎo)航系統(tǒng)的可行性與有效性。
【關(guān)鍵詞】：機器人導(dǎo)航 空間知識表示 混合超圖 路徑規(guī)劃 運動規(guī)劃 地圖創(chuàng)建
【學(xué)位授予單位】：華東理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP242
【目錄】：

• 摘要5-7
• Abstract7-14
• 第1章 緒論14-30
• 1.1 引言14
• 1.2 研究背景與研究意義14-17
• 1.3 移動機器人的環(huán)境建模17-19
• 1.3.1 度量地圖17-18
• 1.3.2 拓?fù)涞貓D18
• 1.3.3 混合地圖18-19
• 1.4 認(rèn)知地圖19-22
• 1.4.1 認(rèn)知地圖在人腦中的三個發(fā)展階段20-21
• 1.4.2 認(rèn)知地圖的生物神經(jīng)學(xué)基礎(chǔ)21-22
• 1.5 移動機器人導(dǎo)航22-24
• 1.5.1 導(dǎo)航概念的起源22
• 1.5.2 機器人導(dǎo)航的定義22
• 1.5.3 定位22
• 1.5.4 路徑規(guī)劃22-24
• 1.6 生物導(dǎo)航24-26
• 1.6.1 生物導(dǎo)航的定義24
• 1.6.2 生物導(dǎo)航的兩個組成部分：移動與尋路24-25
• 1.6.3 人類的尋路策略25
• 1.6.4 導(dǎo)航策略的分類25-26
• 1.7 本文研究內(nèi)容和結(jié)構(gòu)安排26-30
• 第2章 基于GNG網(wǎng)絡(luò)的可行區(qū)域知識提取30-48
• 2.1 引言30
• 2.2 Growing Neural Gas網(wǎng)絡(luò)30-34
• 2.2.1 GNG網(wǎng)絡(luò)的概念30-31
• 2.2.2 GNG網(wǎng)絡(luò)的參數(shù)定義31
• 2.2.3 GNG網(wǎng)絡(luò)的生成算法31-32
• 2.2.4 連續(xù)型分布和離散型分布中的GNG網(wǎng)絡(luò)生成32-34
• 2.3 環(huán)境的地圖模型與知識提取34-37
• 2.3.1 環(huán)境地圖模型34-36
• 2.3.2 環(huán)境地圖的整體性知識提取過程36-37
• 2.4 可行區(qū)域拓?fù)渚W(wǎng)絡(luò)的即時創(chuàng)建37-40
• 2.4.1 基于二維高斯點集的可達(dá)區(qū)域知識提取37-38
• 2.4.2 基于GNG網(wǎng)絡(luò)的可行區(qū)域拓?fù)渚W(wǎng)絡(luò)生成算法38-40
• 2.5 實驗分析40-46
• 2.5.1 仿真實驗及分析40-44
• 2.5.2 物理實驗及分析44-46
• 2.6 小結(jié)46-48
• 第3章 基于泡狀體人工勢場的移動機器人快速避障方法48-62
• 3.1 引言48
• 3.2 泡狀體人工勢場(B-APF)48-51
• 3.2.1 B-APF的引入48-49
• 3.2.2 B-APF的數(shù)學(xué)模型49-51
• 3.3 基于B-APF的移動機器人避障策略51-53
• 3.3.1 機器人運動學(xué)模型及參數(shù)定義51-53
• 3.3.2 基于B-APF的避障決策設(shè)計53
• 3.4 仿真實驗與分析53-60
• 3.4.1 靜態(tài)障礙物環(huán)境下的避障53-56
• 3.4.2 靜態(tài)環(huán)境下與常規(guī)APF避障效果的對比分析56-58
• 3.4.3 動態(tài)障礙物環(huán)境下的避障58-60
• 3.5 結(jié)論60-62
• 第4章 混合超圖與區(qū)域化的空間知識表示62-78
• 4.1 引言62
• 4.2 空間知識表示62-63
• 4.3 超圖與混合超圖63-66
• 4.4 區(qū)域化的空間知識模型66-73
• 4.4.1 空間對象的定義66-68
• 4.4.2 基于區(qū)域的空間知識模型表示68-70
• 4.4.3 空間對象間鄰接關(guān)系與判定準(zhǔn)則70
• 4.4.4 具有鄰接與包含關(guān)系的RSK-Model模型的構(gòu)建70-71
• 4.4.5 基于RCC理論的拓?fù)潢P(guān)系71-72
• 4.4.6 RSK-Model模型的優(yōu)勢72-73
• 4.5 超邊與空間對象間的關(guān)系73-75
• 4.5.1 超包含拓?fù)潢P(guān)系73-74
• 4.5.2 超分離拓?fù)潢P(guān)系74
• 4.5.3 超外切拓?fù)潢P(guān)系74
• 4.5.4 超部分重疊拓?fù)潢P(guān)系74-75
• 4.5.5 超相等拓?fù)潢P(guān)系75
• 4.6 空間知識表述的應(yīng)用舉例75-76
• 4.7 小結(jié)76-78
• 第5章 基于區(qū)域空間知識模型的在線快速尋路策略78-98
• 5.1 引言78
• 5.2 問題提出78-79
• 5.3 “由精到粗”的尋路算法及導(dǎo)航機制79-84
• 5.3.1 “由精到粗”路徑的描述79-80
• 5.3.2 FTC-A~*算法80-83
• 5.3.3 基于“由精到粗”尋路算法的導(dǎo)航機制83-84
• 5.4 仿真研究84-95
• 5.4.1 仿真平臺84-85
• 5.4.2 性能指標(biāo)85
• 5.4.3 基于FTC-A~*算法的導(dǎo)航過程仿真85-86
• 5.4.4 參數(shù)d對規(guī)劃性能的影響86-89
• 5.4.5 大規(guī)模環(huán)境下的算法性能比較分析89-91
• 5.4.6 大規(guī)模復(fù)雜環(huán)境下的算法性能比較分析91-93
• 5.4.7 目的地動態(tài)更改時的仿真分析93-95
• 5.5 小結(jié)95-98
• 第6章 受人類導(dǎo)航機制啟發(fā)的移動機器人導(dǎo)航系統(tǒng)98-126
• 6.1 引言98-99
• 6.2 定性空間知識表示99-107
• 6.2.1 基于Mereotopology理論的區(qū)域間拓?fù)潢P(guān)系描述99-101
• 6.2.2 基于EMBR模型的區(qū)域間方位關(guān)系101
• 6.2.3 基于區(qū)域方位關(guān)系與拓?fù)潢P(guān)系的混合關(guān)系101-102
• 6.2.4 從屬約束嵌套圖與定性空間知識模型102-105
• 6.2.5 一個家居環(huán)境的空間知識描述實例105-107
• 6.3 受人類導(dǎo)航機制啟發(fā)的機器人導(dǎo)航系統(tǒng)107-117
• 6.3.1 人類導(dǎo)航機制107-109
• 6.3.2 導(dǎo)航系統(tǒng)設(shè)計109-117
• 6.3.2.1 系統(tǒng)框架109-111
• 6.3.2.2 自我定位111-112
• 6.3.2.3 自體信息位置估計與非我信息位置校準(zhǔn)112-114
• 6.3.2.4 全局路徑規(guī)劃114
• 6.3.2.5 環(huán)境感知與局部運動規(guī)劃114-117
• 6.3.2.6 最近目標(biāo)生成與執(zhí)行117
• 6.4 實驗分析117-124
• 6.4.1 室內(nèi)環(huán)境下仿真分析117-120
• 6.4.2 室外環(huán)境下的實驗分析120-124
• 6.5 小結(jié)124-126
• 第7章 總結(jié)與展望126-130
• 7.1 本文工作總結(jié)126-127
• 7.2 工作展望127-130
• 參考文獻(xiàn)130-144
• 致謝144-145
• 作者在攻讀博士學(xué)位期間完成的論文145
• 專利和軟件著作權(quán)145-146
• 作者在攻讀博士學(xué)位期間參與的科研項目146

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張振喜;焦國太;鄧光明;梁聰聰;;室內(nèi)清潔機器人協(xié)作技術(shù)研究[J];機械;2010年12期

2 陳陽舟;王文星;代桂平;;基于角度優(yōu)先的多機器人圍捕策略[J];北京工業(yè)大學(xué)學(xué)報;2012年05期

3 蔣新松;國外機器人的發(fā)展及我們的對策研究[J];機器人;1987年01期

4 沈慧娟;袖珍機器人別動隊[J];國外科技動態(tài);2004年02期

5 孟慶鑫,魏洪興,王立權(quán),楊青梅,王嵐;基于蠕動原理拱泥機器人方案研究[J];中國造船;2001年01期

6 程遠(yuǎn);機器人軟件編程方法[J];無錫職業(yè)技術(shù)學(xué)院學(xué)報;2002年02期

7 孟慶鑫,王茁,王殿君,王立權(quán),屠治國;“穿地龍”機器人總體方案分析與研究[J];哈爾濱工程大學(xué)學(xué)報;2003年03期

8 丁瀅潁;何衍;蔣靜坪;;基于個性演化的多機器人自組織[J];模式識別與人工智能;2003年02期

9 張汝波,王兢,孫世良;具有環(huán)境自適應(yīng)能力的多機器人編隊系統(tǒng)研究[J];機器人;2004年01期

10 張飛,陳衛(wèi)東,席裕庚;多機器人協(xié)作探索的改進(jìn)市場法[J];控制與決策;2005年05期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 石為人;周偉;王楷;蘇士娟;;家庭清潔機器人自主充電研究[A];2010中國儀器儀表與測控技術(shù)大會論文集[C];2010年

2 李長松;孫國林;韓勝利;;機器人料箱取件形式及控制方法[A];2013中國汽車工程學(xué)會年會論文集[C];2013年

3 孟正大;戴先中;;基于神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)方法的機器人柔順性控制[A];江蘇省自動化學(xué)會七屆四次理事會暨2004學(xué)術(shù)年會青年學(xué)者論壇論文集[C];2004年

4 陳天皓;錢成;談英姿;;類人足球仿真機器人快速起身方法的實現(xiàn)[A];2007年足球機器人大會論文集[C];2007年

5 薛慧婷;羅熊;胡海東;游美玲;邱新濤;;基于顏色特征的漂浮機器人三點定位系統(tǒng)[A];2009年中國智能自動化會議論文集（第五分冊）[東南大學(xué)學(xué)報（增刊）][C];2009年

6 胡海東;趙清杰;;機器人的慣性/視覺組合定位方法[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

7 顧新興;孫燕樸;馮純伯;;一種新的雙機器人協(xié)調(diào)路徑規(guī)劃方法[A];1995中國控制與決策學(xué)術(shù)年會論文集[C];1995年

8 陶軍;高翔;周全;李曉亞;;利用自學(xué)習(xí)算法為機器人選擇最優(yōu)目標(biāo)點的決策設(shè)計[A];馬斯特杯2003年中國機器人大賽及研討會論文集[C];2003年

9 王大川;張輝;季秀才;鄭志強;;救援環(huán)境下基于激光傳感器的機器人環(huán)境建圖以及自定位[A];2007年足球機器人大會論文集[C];2007年

10 王淑慧;吳立成;袁海文;;一種水上行走機器人的模糊控制[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

中國重要報紙全文數(shù)據(jù)庫 前5條

1 克 軍;小小機器人軍團[N];大眾科技報;2003年

2 張勁　戚峰;變電站的“機器人骨干”[N];中國電力報;2009年

3 本報通訊員 張勁　戚峰;電力機器人的“神通”[N];工人日報;2009年

4 吳鴻;微型機器人引領(lǐng)反恐潮流[N];中國商報;2003年

5 盧家興;中科院研制出能應(yīng)付復(fù)雜地形的機器人[N];大眾科技報;2004年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 張玉麗;基于虛擬力的多機器人化學(xué)源定位研究[D];中國礦業(yè)大學(xué);2015年

2 張世隆;拋投機器人翻轉(zhuǎn)越障技術(shù)研究[D];北京理工大學(xué);2015年

3 仲朝亮;受生物啟發(fā)的移動機器人空間認(rèn)知及其導(dǎo)航[D];華東理工大學(xué);2015年

4 王玲;未知環(huán)境中基于相對觀測量的多機器人合作定位研究[D];國防科學(xué)技術(shù)大學(xué);2006年

5 王宏;煤礦機器人激光雷達(dá)與慣性傳感器導(dǎo)航理論及實驗研究[D];中國礦業(yè)大學(xué)（北京）;2011年

6 李飛;湍動氣流主控環(huán)境下多機器人氣味源定位[D];天津大學(xué);2009年

7 仲宇;分布式強化學(xué)習(xí)理論及在多機器人中的應(yīng)用研究[D];哈爾濱工程大學(xué);2003年

8 李吉功;室外時變氣流環(huán)境下機器人氣味源定位[D];天津大學(xué);2010年

9 靳國強;智能服務(wù)機器人分層任務(wù)規(guī)劃的非單調(diào)理論與實現(xiàn)[D];中國科學(xué)技術(shù)大學(xué);2012年

10 張棟;基于空中機器人平臺的運動目標(biāo)檢測和視覺導(dǎo)航[D];浙江大學(xué);2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 張帥;服務(wù)型機器人設(shè)計與前瞻性研究[D];浙江大學(xué);2008年

2 戚樹騰;基于激光測距儀的果園移動機器人避障系統(tǒng)研究[D];西北農(nóng)林科技大學(xué);2015年

3 劉廣保;大型復(fù)雜曲面的機器人研拋技術(shù)研究[D];沈陽理工大學(xué);2015年

4 張賢;基于超聲波測距的多機器人室內(nèi)定位導(dǎo)航研究[D];哈爾濱工業(yè)大學(xué);2015年

5 戴騰清;基于PROFIBUS現(xiàn)場總線在機器人沖壓自動化線的設(shè)計與實現(xiàn)[D];華南理工大學(xué);2015年

6 楊曉曉;室內(nèi)機器人單目視覺同時定位與地圖構(gòu)建技術(shù)研究與實現(xiàn)[D];成都信息工程學(xué)院;2014年

7 張志民;自動扶梯梯級機器人去毛刺系統(tǒng)的開發(fā)應(yīng)用[D];同濟大學(xué);2006年

8 魏小博;基于蟻群算法的機器人主動嗅覺研究[D];天津大學(xué);2007年

9 尹香花;基于強化學(xué)習(xí)的多機器人行為式隊形控制策略研究[D];吉林大學(xué);2009年

10 張莉莉;多機器人合作定位技術(shù)研究[D];中南大學(xué);2009年

，

本文編號：941411