河海大学毕业设计论文Word下载.docx
《河海大学毕业设计论文Word下载.docx》由会员分享,可在线阅读,更多相关《河海大学毕业设计论文Word下载.docx(38页珍藏版)》请在冰点文库上搜索。
BYMOBILEROBOT
Abstract
Environmentexplorationandmapbuildingbymobilerobotisahotissueintherobotresearchfield.Ultrasonicsensorandinfraredsensorareusedbymobilerobotandtheyincreaserobot’sabilityofenvironmentexploration.Usingalotofdatagatheredbysensors,wecanbuildtheenvironmentmap.
ThispaperresearchhowtodealwiththeobservationdatainthePC.Inthispaper,singleultrasonicsensorcooperatedwith6infraredsensorstoexploretheenvironment.Thedatabyultrasonicsensorisusedformapbuilding,andinfraredsensorsishelprobottoavoidobstacleseffectively.UsingNIcompany’svirtualinstrumentsoftwareLabWindows/CVItobuildtheenvironmentmapandtreatwiththedata.
Theultrasonicsensorhassomeproblems,suchasmeasuringerror,bigdispersionangle,mirrorimage.sointhedataprocess,wecontrolthedatapointbyCarithmeticanddeletelotsofuncertaintydata.Intheexperimentsofbeelineaisle,encoignureofLshape,Uform,wecollectenvironmentdataanddothetestofdatatreatment.Formtheseexperiments,weachievethepurpose.
【Keywords】mobilerobotenvironmentexplorationmapbuildingLabwindows/CVI
第一章前言
1.1课题背景与意义
移动机器人的环境勘测与地图创建是机器人领域的热点研究问题。
对于已知环境中的机器人自主定位和已知机器人位置的地图创建已经有了一些实用的解决方法。
然而在很多环境中机器人不能利用全局定位系统进行定位,而且事先获取机器人工作环境的地图很困难,甚至是不可能的。
这时机器人需要在自身位置不确定的条件下,在完全未知环境中创建地图,同时利用地图进行自主定位和导航。
这就是移动机器人的同时定位与地图创建(SLAM)问题。
SLAM也称为CML(ConcurrentMappingandLocalization),最先是由smithself和Cheeseman提出来的。
由于其重要的理论与应用价值,被很多学者认为是实现真正全自主移动机器人的关键。
在SLAM中,机器人利用自身携带的传感器识别未知环境中的特征标志,然后根据机器人与特征标志之间的相对位置和里程计的读数估计机器人和特征标志的全局坐标。
这种在线的定位与地图创建需要保持机器人与特征标志之间的详细信息。
近几年来,SLAM的研究取得了很大的进展,并已应用于各种不同的环境,如:
室内环境、水下、室外环境。
探测环境与构建地图是移动机器人研究领域中发展起来的一个研究方向,受到了研究人员的日益关注。
空间和危险场合是机器人的一个很重要应用领域。
很多情况下,作业空间的信息是未知的,这样在派机器人进入该环境时,就需要它对作业环境能进行有效地探测,构建出作业环境的地图来。
只有在了解了环境的基础上才可能进行导航、路径规划、避障策略和其他操作的设计。
1.2代表性的研究工作
从移动机器人构建地图方面公开发表的文章来看,多数研究工作尚处于模型或设计/模拟阶段。
多是在仿真条件下研究相应的算法。
这里仅列出了比较有代表性的一些研究工作。
美国OhioStateUniversity建立的GPSVan系统,采用了GPS、INS、轮式计数器、CCD与彩色视频摄像机等传感器。
德国U.ArmedForces建立的KISS系统,采用了GPS、INS、测距仪、高度计、CCD与彩色视频摄像机等传感器。
德国Tech.SchoolAachen建立的SurveyingVehicle系统,采用了GPS、轮式传感器、气压计、视频CCD等传感器。
加拿大的GeofitInc.建立的VISA系统,采用了GPS、INS、CCD与彩色摄像机等传感器。
美国CMU建立的Ambler和Navlab系统,分别采用了激光雷达扫描仪、推测定位法和视频CCD、Doppler、声纳传感器。
参与ARPA工程的几家公司和大学建立了UGV系统,采用了红外彩色立体视频摄像机、激光雷达、GPS、倾斜计、流量罗盘等传感器。
上述几种系统主要是用来构建道路图的,因为都使用了GPS。
利用立体视觉可以得到环境特征的相对位置,从而能构建出部分三维地图来。
在以前的研究基础上,美国CMU用一个名为Minerva的交互式导游机器人在一座博物馆中为游人做向导。
他们利用MonteCarlo定位器得出用最大概率值表示的地图来。
在他们的研究中也运用了多种理论进行地图构建,包括贝叶斯理论、马尔可夫方法、卡尔曼滤波算法、概率论算法等。
Cai和Pagac分别用范围传感器进行了单个机器人和多个机器人对简单环境的探测。
Hans用基于特征的方法产生扩展卡尔曼滤波器对机器人的定位与环境图绘制加以合成。
Ducket将模糊ART神经网络结构及预测性轨迹过滤方法引入到机器人的学习中,实现环境信息的更新;
Yamauchi利用Frontier_cell理论研究了环境的探测问题,而Shanahan对这一问题的研究则侧重于用逻辑公式描述智能体与环境的关系,他采用的是事件积分法;
Moorehead的研究中引用了GreedySearchAlgorithm来搜集环境信息。
由于机器人准确地知道其相对位置,使得问题集中在如何感知环境信息,如何将感知的环境信息合理地融合,以及如何有效地协作和避障,从而较准确地画出环境地图来。
第二章研究的主要内容
早期的许多系统是由操作者手动指挥机器人在环境中运动,要么是依靠预先存储的地图,要么是采用被动机构来构建地图。
而在另外的系统中,构建地图所需要的传感器-计算机数据是由机器人在人工控制下采集到的,然后再采用离线的学习算法来找到与数据匹配的最好的地图来。
尽管这些方法有一定的优点,但是人工干预代价太大,而且易于产生人为误差。
同样的,尽管反应式行为通常具有很好的鲁棒性,但却不能保证在复杂大环境下建造出完整的地图来。
因此最灵活的方法是让机器人通过基于地图的自动搜索来自行构造地图,也就是说机器人能够自动标识出未探测的区域来,根据自己构建的地图导航到这些区域,同时也不断地更新它所构建的地图。
现在该方向的研究主要集中在机器人的自定位、传感器技术和信息融合三方面。
移动机器人环境勘测与绘图领域中存在一些关键问题及难点:
·
机器人地图创建中的导航问题。
在完全未知的环境里,机器人没有任何的参照物,只能依靠自己并不十分准确的传感器来获取外界信息,由于计算实时性的限制,如同一个盲人在建筑物里摸索的情况,这种情况下,定位是比较困难的。
实际上目前机器人地图创建的一个主要难点也正是难以解决机器人自身精确定位的问题。
环境特征不够明显时。
例如比较空旷的室外环境中,很难提取到合适的环境特征。
传感器信息比较少,难以从一次感知信息中获得环境特征。
例如使用声纳或红外传感器。
动态干扰。
大多数研究都是假设机器人所在的环境是一个静态环境,当环境中存在动态障碍物(例如走动的人)时,机器人可能会给出错误的结果,即地图中出现不存在的静态障碍物。
为去除动态干扰,可以借助其他传感器(例如视觉)识别出环境中的动态障碍物,也可以通过冗余信息的融合将干扰滤掉。
绑架问题(kidnappingproblem),即机器人的位置由于外力的作用发生了突然变化,但机器人自己并不知道发生了变化,而环境的变化使得机器人信息混乱,得到的地图也变得不可靠。
大规模循环环境,例如环形走廊,这样的环境缺乏局部特征,定位算法则由于失去参照而产生越来越大的积累误差。
对于以上问题,一方面需要提高机器人个体的感知能力,另一方面也需要在现有的机器人感知能力限制下,设计更好的不确定信息处理算法,提高系统的可靠性。
2.1机器人的自定位
关于机器人的自定位研究对于移动机器人来说,为了能高效率地从环境中穿行并到达目的地,或者要构建出环境的地图来,就必须找到一种方法,使它能根据环境中已知的一些特征而判断出它自身的位置来。
这就是机器人的定位问题。
机器人要想能在未知环境中自动行走,定位是最基本的问题。
通常,最基本的定位方法是推测定位法。
这种方法是通过对机器人的速度进行时间积分而确定机器人距离起始位置发生的位置变化。
但是,单纯用推测定位法容易产生随时间无限增大的误差,这就需要在此基础上再采用另外一些附加措施,来周期性地纠正机器人的位置误差。
通常情况下是用扩展的卡尔曼滤波器将附加的定位技术与推测定位法相结合,来更为准确地更新机器人的位置。
有许多方法可以实现基于传感器的定位技术,而这些技术往往是通过确定一些探测到的环境特征与已知的环境地图间的对应附和性而实现定位的。
有了地图中一些特征物的已知位置和被感知到的这些特征物距机器人的位置,就可以确定出机器人的当前位置。
2.2移动机器人探测环境的传感器技术
无论是定位还是行走,机器人都是靠传感器收集环境信息来实现的。
目前,机器人进行环境探测所用的传感器主要有范围传感器(包括声纳、红外、激光等)和视觉传感器。
早期的研究集中在传感器硬件的改进上,现在逐渐转移到算法开发上。
任何传感器都有其固有的局限性,会产生信号噪声。
探测环境信息的信息噪声可以通过补偿算法加以消除,而定位产生的噪声则会对定位产生直接的误差。
而且传感器的范围和分辨率限制使得一些很重要的环境性质无法被检测到。
而机器人与环境的模型本身就具有模糊性的,也会对传感系统探测带来额外的不确定性。
下面是对探测环境所采用的传感器技术进行的总结:
2.2.1测距法
测距法在短时间内的探测结果有很高的准确度,但传感器需要极高的采样率。
而且误差随时间的积累会使最终的位置误差很大。
实际误差分为两类:
系统误差和非系统误差。
系统误差是由机器人运动学上的不完善引起的;
非系统误差是机器人与环境地面之间因打滑、撞击等引起的。
2.2.2惯性导航
惯性导航用陀螺仪和加速仪的测量结果积分合成得到机器人位置。
这种方式不需要外在的参考系。
但是惯性传感数据会随时间产生偏差,每次积分后原先的微小误差都会无限制地增大。
光纤陀螺仪(又称为激光陀螺仪)用来检测和修正系统产生的位置误差,其检测非常准确。
2.2.3磁性罗盘
从对推测定位累积误差的影响来说,机器人的运动朝向在导航参数(坐标与运动朝向)中是最重要的。
磁性罗盘就能够检测出机器人的绝对运动朝向来。
其不足是在电源线或轮子的结构附近地球磁场往往会被扭曲。
根据与地球磁场有关的物理影响不同,可以分为机械式磁罗盘、流量控制磁罗盘、大厅效应罗盘、磁致阻抗罗盘和磁致弹性罗盘。
对于移动机器人而言,流量控制罗盘较为适用。
2.2.4主动灯塔
主动灯塔可以很可靠地被检测到,并且只需要最少的处理就可以提供精确的定位信息。
它可以容忍很高的采样率,从而产生很高的可靠性,其不足是会导致很高的安装和维护费用。
探测方法有三边法和三角法。
2.2.5全球定位系统
全球定位系统由若干卫星和地面接收器组成,主要适用于室外环境的地图建造。
用一种很先进的三边算法地面接收器可以计算出卫星的位置来,已知地面接收器与三个卫星间的距离,从理论上就可以计算出接受器的纬度、经度和高度。
由于树木和山地的影响带来的周期性信号阻滞、多路径干扰、初步导航系统定位精度不够等是这类系统的不足之处。
2.2.6路标导航
在路标导航中,一般来说,路标都有固定的已知位置,机器人参照路标可以进行相对定位。
为了使问题简化,经常假设机器人的当前位置和朝向已经划定,机器人只需在有限的区域内寻找路标。
为了成功检测出路标来,需要很高的测距精度。
2.3多传感器信息的融合
由于越来越多的研究采用了多种或多个传感器,就出现了多传感器信息的融合问题。
多传感器信息融合系统把从多个传感器得到的信息结合起来,可以更好地描述探测对象。
多传
感器比单种或单个传感器能提供冗余和互补性的信息。
冗余信息可以用来降低某类传感器信息的不确定性,使系统在某一传感器失效时仍保持稳定性,或者说具有鲁棒性。
互补性信息可以更为完整地提供被探测对象的状态。
尽管遇到的具体问题困难各异,但最终目标是一样的,就是利用所有能得到的数据来更好地理解被研究的现象。
2.3.1融合结构
关于融合结构可分为3类:
集中式结构、分层式结构和分布式结构。
传统的融合结构是集中式的,来自不同传感器的数据被送到一个中央元件,即融合节点,在这里完成数据的融合。
集中式融合结构有如下缺点:
计算和通信的负载过重,融合节点可能失效,对系统和传感器的变化不具有适应性。
在分层式结构中,有若干个融合节点可以完成间接的数据融合,还有一个中央融合节点,作最后的融合。
由于各融合节点可以在不同的处理器中,这样计算负荷就减小了。
但是它存在通信瓶颈和中央融合节点的问题。
而分布式融合结构是由多个融合节点组成,各融合节点处理与其相应的传感器提供的数据,并将所得的信息发送给其他的节点,使其可以在相应的融合处理过程中使用该信息。
根据融合节点的连接方式,可以给分布式结构定义出不同的拓扑结构来。
在完全连接的拓扑结构中,所有的融合节点都与其他的融合节点相连接,并接收信息,从而可以在融合过程中使用所有能得到的数据。
而在不完全连接的拓扑结构中,融合节点只能使用不同传感器的部分信息。
分布式融合结构的优点在于其具有模块化、适应性和可扩展性,以及对一些节点的失效具有鲁棒性。
2.3.2融合算法
关于融合算法基本上有2种理论:
决策或检测理论与估计理论。
前者主要用来做决定,对目标进行探测或分类。
其基础理论为人工智能技术,如:
神经网络,模糊逻辑,贝叶斯方法,基于规则的方法,Dempster-Shafer方法。
后者是要找到与所观察到的数据较吻合的状态。
估计理论问题可以分为以下3类:
过滤、预测和消除不确定性,分别指:
上一次感知的时间、将来的某一时间和过去的某一时间,在当前所能得到的数据基础上,估计系统的状态。
三者的结合则可以用全部的信息来估计系统在任何时间的状态,并且能处理异步数据的融合。
但是由于其计算量太大,因此在实时系统中并非十分适用。
第三章传感器的介绍
3.1超声波传感器
超声波是一种只有少数生物(如蝙蝠、海豚)才能感觉到的机械波,其频率在20kHZ以上,波长短,绕射小,能定向传播。
它具有纵波(在气、液、固体中传播)、横波(在固体中传播)和表面波(沿固体表面传播)三种波型,而且遇到杂质或传播介质分界面会产生明显的反射,这种反射不是严格定向的,具有散射性。
以超声波作为检测手段,必须产生超声波和接收超声波。
完成这种功能的装置就是超声波传感器,习惯上称为超声换能器,或者超声探头。
超声波探头主要由压电晶片组成,既可以发射超声波,也可以接收超声波。
小功率超声探头多作探测作用。
它有许多不同的结构,可分直探头(纵波)、斜探头(横波)、表面波探头(表面波)、兰姆波探头(兰姆波)、双探头(一个探头反射、一个探头接收)等。
在移动机器人中应用的超声波传感器,是利用超声波在空气中的定向传播和固体反射特性(纵波),通过接收自身发射的超声波反射信号,根据超声波发出及回波接收时间差及传播速度,计算出传播距离,从而得到障碍物到机器人的距离。
从发射波束特性知,由于扩散角的原因,使超声测距的角度分辨率较低,但距离分辨率较高(lcm左右),目前最大探测距离为15米,最小盲区0.3--0.4米。
超声波传感器具有反映灵敏、探测速度快(一个测量周期仅需几十毫秒)的优点,而且结构简单,体积小,成本低,因而在目前己知的实验型和应用型移动机器人中,多数都安装了它,用于室内和室外近距离避(停)障。
通常,以多个传感器组成阵列形式,根据单个传感器扩散角及反射特性,确定合理的密度,己覆盖要求的探测区。
总的来说,超声波传感器的造价低廉、速度快、距离分辨率较高,但其方向性茶、镜面反射严重、测距范围小,因此,比较适合于室内环境的距离测量,在室外场合下无法满足应用的要求。
3.1.1超声波传感器的性能指标
超声探头的核心是其塑料外套或者金属外套中的一块压电晶片。
构成晶片的材料可以有许多种。
晶片的大小,如直径和厚度也各不相同,因此每个探头的性能是不同的,我们使用前必须预先了解它的性能。
超声波传感器的主要性能指标包括:
(1)工作频率
工作频率就是压电晶片的共振频率。
当加到它两端的交流电压的频率和晶片的共振频率相等时,输出的能量最大,灵敏度也最高。
(2)工作温度
由于压电材料的居里点一般比较高,特别时诊断用超声波探头使用功率较小,所以工作温度比较低,可以长时间地工作而不失效。
医疗用的超声探头的温度比较高,需要单独的制冷设备。
(3)灵敏度
主要取决于制造晶片本身。
机电耦合系数大,灵敏度高;
反之,灵敏度低。
3.1.2超声波测距原理
由物理学知,声波属于弹性机械波,按振动频率的不同,分为次声波(小于20
),声波(20
~20
)及超声波(
以上)。
由于超声波反射能力很强,而且波长也远比一般的平面反射物表面粗糙度大,所以通常对坚硬物质表面都能反射,利用这一特性,可以将超声波用于物体定位。
人们设计了各种各样的超声波定位装置。
这里使用的测量方法是“回波法”,其基本原理如图3.1所示。
超声波传感器将固定频率的超声波发射出去。
声波在传播过程中,遇到障碍物后被反射回来。
由于发射出去的超声波及反射回来的超声波频率相同。
因此超声波传感器可将反射回来的超声波与环境中其他频率的声波信号区别开来,从而捕获回波信号。
令超声波发射时刻为
,返回时刻为
。
则超声波传感器与障碍物距离d为:
式中
表示声速
声波在传输及反射过程中会有损耗,幅值变化程度与探测距离成反比。
障碍物越远,反射回来的超声波能量越低。
当距离大到一定程度,反射回的超声波信号非常微弱,不被检测到,超声波测距模块达到测量阈值上限。
目前基于“回波法”的超声波测距模块测量阈值上限一般为3~10米。
对于给定的超声波传感器探头,阈值上限主要是由发射功率决定的。
超声波发射能量越大,幅值越高,其探测的距离就越远。
3.1.3超声波频率的选取
前文已经提到超声波是大于
的声波。
不同频率的声波在大气中的传播速度是相等的。
但声波频率越高,衰减地就越厉害,传播距离就越短。
因此频率较低的超声波传播距离较长;
但由于其波长较长,因此测量精度较低。
例如当频率为
时,波长为0.85厘米,当频率为
时波长为1.7厘米。
所以虽然
的声波传播距离较远,但是精度却降低了一倍。
因此在设计超声测距模块时应该综合考虑,在既不影响接收时强度,又具备所需精度情况下,对测距仪选用频率。
在本实验中,要求超声波测量距离为3米,因此选用
的超声波探头较为合适。
3.1.4超声波测距的优、缺点
超声波测距的优点:
1.超声波对色彩、光照度不敏感,可适用于识别透明、半透明及漫反射性差的物体(如玻璃,抛光体)。
2.超声波对外界光线和电磁场不敏感,可用于黑暗、有灰尘或烟雾、电磁干扰强、有毒等恶劣环境中。
3.超声波传感器结构简单,体积小,费用低,信息处理简单可靠,易于实现。
超声波测距的缺点:
1.由超声波原理可知,它是以声波速度不变为基础的,然而在实际环境中,声波速度会受环境中各种因素例如气体密度、温度、湿度、分子成分等的影响,从而给测量带来误差。
2.此外由于超声波能量较强,即使在给定空间中只有一个超声波发射源,仍然可能因为超声波在空间中反复弹射而带来干扰误差。
3.超声波测距模块在近距离有盲区,且方向性较差。
3.1.5超声传感器的构架方案
目前国内外类似的环境探测移动机器人,采用的多是利用多超声传感器按不同角度组成
阵列的方式对周围环境进行探测。
而我们研制的移动机器人独创性的采用了一个超声传感器
加转向机构的方式来实现同样的功能。
缺点是实时性不高,行驶速度有限。
但由于我们采取了根据环境信息自动调节行驶速度的控制策略,很好的解决了这个问题。
在保证精度的前提下,最高速度达到了1m/s,在目前移动机器人中属于速度较高的类型。
图3.2超声传感器转动角度位置图
优点是由于使用较少的高精度超声波传感器,一方面成本显著降低,另一方面大大缩小了我们的移动机器人的结构尺寸,体形轻巧。
3.2红外传感器
红外线也是一种只有少数生物(如响尾蛇)才能感觉到的光波,其波长为lam-1000nm,具有定向传播和反射能力。
尽管自然环境中各种物体均能不同程度的释放出红外能量,但由于其波长及大小很难准确分辨,故移动机器人上的红外传感器,工作原理与超声波传感器类似,同样采用发射固定波长的红外线并接收同一回波的主动方式,其探测特性与超声波传感器恰好相反,即角度分辨率高,而距离分辨率低。
当然,它同样具有灵敏度高,结构简单,成本低等优点,因此在移动机器人中,常用作接近觉传感器,探测临近或突发运动障碍,便于机器人紧急停障。
目前市场上提供的红外线传感器多只提供一个量程,且体积较大,不适合作为我们移动