近年来,移动机器人的研究受到了人们的高度重视,人们对于机器人的要求不再局限于简单的移动,而是希望机器人能够根据周围环境变化采取对应措施,做到自主移动的能力。因此,路径规划作为移动机器人的一个重要因素就显得尤为重要。

移动机器人路径规划

路径规划是指移动机器人能够规划出一条从起始状态到目标状态的最优或近似最优的路径。大致包括信息获取-感知-通信-决策-控制-执行这几点。

移动机器人路径规划的实现又可分为全局路径规划局部路径规划

全局路径规划是指在已知环境中为机器人规划一条路线,路径规划的精度取决于环境获取的准确度,全局路径规划可以找到最优解,但是需要预先知道环境的准确信息,当环境发生变化,如出现未知障碍物时,该方法就无能为力了。它是一种事前规划,因此对机器人系统的实时计算能力要求不高,虽然规划结果是全局的、较优的,但是对环境模型的错误及噪声鲁棒性差。

而局部路径规划则环境信息完全未知或有部分可知,侧重于考虑机器人当前的局部环境信息,让机器人具有良好的避障能力,通过传感器对机器人的工作环境进行探测,以获取障碍物的位置和几何性质等信息,这种规划需要搜集环境数据,并且对该环境模型的动态更新能够随时进行校正,局部规划方法将对环境的建模与搜索融为一体,要求机器人系统具有高速的信息处理能力和计算能力,对环境误差和噪声有较高的鲁棒性,能对规划结果进行实时反馈和校正,但是由于缺乏全局环境信息,所以规划结果有可能不是最优的,甚至可能找不到正确路径或完整路径。

移动机器人路径规划实现

全局路径规划和局部路径规划并没有本质上的区别,很多适用于全局路径规划的方法经过改进也可以用于局部路径规划,而适用于局部路径规划的方法同样经过改进后也可适用于全局路径规划。两者协同工作,机器人可更好的规划从起始点到终点的行走路径。

在实际情况中,机器人路径规划除了考虑已知环境和未知环境地图,还要考虑到动态和静态环境下的路径规划。

A*(A-Star)算法是一种静态路网中求解最短路径最有效的直接搜索方法,也是解决许多搜索问题的有效算法。算法中的距离估算值与实际值越接近,最终搜索速度越快。但是,A*算法同样也可用于动态路径规划当中,只是当环境发生变化时,需要重新规划路线。

而D*算法则是一种动态启发式路径搜索算法,它事先对环境位置,让机器人在陌生环境中行动自如,在瞬息万变的环境中游刃有余。D*算法的最大优点是不需要预先探明地图,机器人可以和人一样,即使在未知环境中,也可以展开行动,随着机器人不断探索,路径也会时刻调整。

移动机器人路径规划实现

从目前的研究成果来看,移动机器人路径规划已取得了丰硕的成果,但在全局与局部路径规划方法中仍有诸多不足之处,为此,国内已有针对这类算法的改进,例如思岚科技的SLAMWARE模块化自主定位导航,SLAMWARE内采用改良的D*算法进行路径规划,这也是美国火星探测器采用的核心寻路算法。是一种动态启发式路径搜索算法。该算法的最大优点在于不需要预先探明地图,机器人可以和人一样,即使在未知环境中,也可以展开行动,随着机器人不断探索,路径也会时刻调整。