您当前的位置：&>&&>&
基于SLH89F5162的智能清洁机器人
机器人系统要稳定工作必须有强健的电源供给作为保障，强大的电源可以使系统在各种环境下长时间稳定的工作，因此电源管理是整个系统可靠运行的基础。本系统中电源分为功率和信号两部分输出，即单片机最小系统、超声波传感器接口、蓝牙接口的电源由信号电源供应;电机驱动、微型吸尘器的电源由功率电源供应。
电机驱动模块为清洁机器人的行驶提供动力，机器人启动、行驶和刹车时电机都会需要较大的驱动电流，该模块必须能够提供足够的电流并保证发热量不会太大。本系统选用了驱动芯片L298N。
L298N是ST公司生产的一种高电压、大电流电机驱动芯片。该芯片采用15脚封装。主要特点是：工作电压高，最高工作电压可达46V;输出电流大，瞬间峰值电流可达3A，持续工作电流为2A;额定功率25W。内含两个H桥的高电压大电流全桥式驱动器，可以用来驱动直流电动机和步进电动机、继电器线圈等感性负载;采用标准逻辑电平信号控制;具有两个使能控制端，在不受输入信号影响的情况下允许或禁止器件工作有一个逻辑电源输入端，使内部逻辑电路部分在低电压下工作;可以外接检测电阻，将变化量反馈给控制电路。使用L298N芯片驱动电机，该芯片可以驱动一台两相步进电机或四相步进电机，也可以驱动两台直流电机。
引脚J1可用于输入PWM脉宽调制信号对电机进行调速控制。(如果无须调速可将两引脚接5V，使电机工作在最高速状态。)实现电机正反转也很容易，输入信号端IN1接高电平输入端IN2接低电平，电机M1正转。(如果信号端IN1接低电平，
IN2接高电平，电机M1反转)控制另一台电机是同样的方式，输入信号端IN3接高电平，输入端IN4接低电平，电机M2正转。(反之则反转)，PWM信号端A控制M1调速，PWM信号端B控制M2调速。可参考表2-2：
表2-2驱动模块控制表
清洁机器人必须知道自身位置，在特定位置或区域进行特定的动作，完成对房间的吸尘任务。它需要通过传感器进行障碍检测，并将障碍物信息传送给MCU，进行决策，最终完成全区域路径覆。障碍探测是指由各种传感器组成的传感器阵列对周围未知环境进行探测。整个传感器阵列就像是清洁机器人的&眼睛&，收集周围未知环境的某些信息。清洁机器人中的传感器数量比较多，相关的有用于环境感知的传感器、自身定位传感器，种类繁多，将这些传感器的信息有效融合是一个重要问题。
方案l：避障用激光传感器，激光传感器是一种利用激光技术进行测量的新型传感器。它由激光器、激光检测器和测量电路组成，具有能实现无接触远距离测量、速度快、精度高、量程大、抗光、电干扰能力强等优点。缺点是激光传感器价格昂贵，外接电路设计十分复杂，不适合小车的需要，因此放弃该方案。
方案2：避障用超声波传感器，超声波传感器是一种利用超声波的特性研究的测量传感器。它主要由压电晶片组成，用来发射和接收超声波。超声波在空气里传播时，会因不同介质的声阻抗不同而产生反射，因此测量发射接收信号间的时间差，可以得到障碍物的距离，该信号经过运算放大器，传送给控制芯片LPC2132，LPC2132发出控制信号改变小车的转向，作出对障碍物的正确判断。超声波传感器的优点是反应速度灵敏，可测距离远，收到外界的干扰小，缺点是超声波在小空间不同方向里会进行多次反射，当和障碍物形成一定角度时，会发生镜面反射，产生幻影，从而动作混乱。
方案3：避障用红外光电开关。红外发射器发出红外线，遇到障碍物后，光线反射回来，接受的光感三极管导通，单片机接受到相应的电平信号。其优点是对近距离的障碍物反应速度灵敏，信号之间抗干扰能力强，缺点是距离要求近，容易受自然光的影响。经过传感器性价比和课题实际要求的综合分析，超声避障实现方便，技术成熟，是移动机器人常用的避障方法，因此我们选择超声波传感器作为机器人的眼睛[5]。
本系统中采用了US-100 超声波测距模块，可实现 2cm~4.5m 的非接触测距功能，拥有 2.4~5.5V 的宽电压输入范围，静态功耗低于
2mA，自带温度传感器对测距结果进行校正，同时具有 GPIO，串口等多种通信方式，内带看门狗，工作稳定可靠。
遥控可以使机器人的操作更加方便，本系统中要通过智能手机遥控机器人，而智能手机的信号正是通过蓝牙发出，因此只需在机器人上安装蓝牙模块。由于机器人只接受数据，不发送数据，所以只需蓝牙的从机模块即可。
本系统中采用了型号为HC-06的蓝牙模块，其中编号06就表示其为从机模块，在蓝牙模块的命名规则中偶数命名的型号出厂时就确定了从机，并无法更改。用户不可以自己切换主机或者从机，用户可以空过AT指令集对蓝牙模块进行配置，AT
指令集较少，包括修改蓝牙名(限于从机)，修改密码，修改波特率，询问版本号等几个基本功能。
2.3、软件设计原理
本章主要进行了系统软件设计，完成了底层软件的编写;同时，研究了清洁机器人路径规划算法，实现了三种清扫模式的选择;进一步，研究了智能手机遥控在清洁机器人中的应用。
清洁机器人在实现自动清洁任务时，需要完成如下几个任务：(1)接收手机发出的控制命令;(2)手机控制行走;(3)自动避障;(4)控制驱动轮行走;(5)自动清洁区域。其中接收手机发出的控制命令，对实时性要求比较高，需要中断程序处理，其他传感器信息采用查询方式进行处理。
本系统将软件分成以下几个模块进行实现：手机遥控模块，用户可以通过手机遥控的方式使机器人进行清扫，方便使用，采用中断服务子程序进行处理;自动避障模块，机器人在运行过程中能自动避障，同时完场清扫任务：自动区域清扫模块，机器人可以完成对某一区域的自动清扫;电机控制模块，对电机进行控制实现机器人的行走;这些模块各自封装好，将封装好函数接口留给主函数进行调用。
程序初始化模块主要包括：初始化串口、初始化定时器、开串口中断、开定时器中断、配置独立波特率发生器等。工作过程可以分成两个主要部分：检测控制命令和实现清扫。
对于检测控制命令，要求单片机能够实时响应手机发出的命令，由于是通过蓝牙通讯，则需响应蓝牙通过串口接收到的数据，只需打开串口中断即可。
第九届中国国际国防电子展览会，将于日――10日在北京中国国际展览中心…
() () () () () () () () ()您所在的位置： >
关键字：&&
智能移动机器人路径规划问题一直是机器人研究的核心内容之一，将移动机器人路径规划方法概括为：基于模版匹配路径规划技术、基于人工势场路径规划技术、基于地图构建路径规划技术和基于人工智能的路径规划技术，分别对这几种方法进行总结与评价，最后展望了移动机器人路径规划的未来研究方向。
&&& 所谓移动机器人路径规划技术，就是机器人根据自身传感器对环境的感知，自行规划出一条安全的运行路线，同时高效完成作业任务．移动机器人路径规划主要解决3个问题：1）使机器人能从初始点运动到目标点；2）用一定的算法使机器人能绕开障碍物，并且经过某些必须经过的点完成相应的作业任务；3）在完成以上任务的前提下，尽量优化机器人运行轨迹，机器人路径规划技术是智能移动机器人研究的核心内容之一，它起始于20世纪70年代，迄今为止，己有大量的研究成果报道，部分学者从机器人对环境感知的角度，将移动机器人路径规划方法分为3种类型。基于环境模型的规划方法、基于事例学习的规划方法和基于行为的路径规划方法；从机器人路径规划的目标范围看，又可分为全局路径规划和局部路径规划；从规划环境是否随时间变化方面看，还可分为静态路径规划和动态路径规划。
&&& 本文从移动机器人路径规划的具体算法与策略上，将移动机器人路径规划技术概括为以下4类：模版匹配路径规划技术、人工势场路径规划技术、地图构建路径规划技术和人工智能路径规划技术，分别对这几种方法进行总结与评价，展望了移动机器人路径规划的未来发展方向。
2 模版匹配路径规划技术
&&& 模版匹配方法是将机器人当前状态与过去经历相比较，找到最接近的状态，修改这一状态下的路径，便可得到一条新的路径，即首先利用路径规划所用到的或已产生的信息建立一个模版库，库中的任一模版包含每一次规划的环境信息和路径信息，这些模版可通过特定的索引取得；随后将当前规划任务和环境信息与模版库中的模版进行匹配，以寻找出一个最优匹配模版；然后对该模版进行修正，并以此作为最后的结果，模版匹配技术在环境确定情况下，有较好的应用效果，如Vasudevan等提出的基于案例的自治水下机器人(AUV)路径规划方法，Liu等提出的清洁机器人的模版匹配路径规划方法，为了提高模版匹配路径规划技术对环境变化的适应性，部分学者提出了将模版匹配与神经网络学习相结合的方法，如Ram等将基于事例的在线匹配和增强式学习相结合，提高了模版匹配规划方法中机器人的自适应性能，使机器人能部分地适应环境的变化，以及Arleo等将环境模版与神经网络学习相结合的路径规划方法等。
&&& 模版匹配路径规划方法原理简单，在匹配成功时效果较好，但该方法的致命缺陷是依赖机器人的过去经验，如果案例库中没有足够的路径模版，就可能找不到与当前状态相匹配的路径；同时该方法主要针对静态环境的路径规划，一旦环境动态变化，则较难找到匹配的路径模版，这些不足严重限制了模版匹配路径规划技术的深入研究与推广应用，因此模版匹配要具有足够匹配的案例（路径）及对环境变化的适应性。
3 人工势场路径规划技术
&&& 人工势场路径规划技术的基本思想是将机器人在环境中的运动视为一种机器人在虚拟的人工受力场中的运动。障碍物对机器人产生斥力，目标点对机器人产生引力，引力和斥力的合力作为机器人的控制力，从而控制机器人避开障碍物而到达目标位置。
&&& 早期人工势场路径规划研究是一种静态环境的人工势场，即将障碍物和目标物均看成是静态不变的，机器人仅根据静态环境中障碍物和目标物的具体位置规划运动路径，不考虑它们的移动速度。然而，现实世界中的环境往往是动态的，障碍物和目标物都可能是移动的，为了解决动态环境中机器人的路径规划问题，Fujimura等提出一种相对动态的人工势场方法，将时间看成规划模型的一维参量，而移动的障碍物在扩展的模型中仍被看成是静态的，这样动态路径规划仍可运用静态路径规划方法加以实现。该方法存在的主要问题是假设机器人的轨迹总是已知的，但这一点在现实世界中难以实现，对此，Ko等将障碍物的速度参量引入到斥力势函数的构造中，提出动态环境中的路径规划策略，并给出了仿真结果，但是，该方法的两个假设使其与实际的动态环境存在距离：1）仅考虑环境中障碍物的运动速度，未考虑机器人的运动速度；2）认为障碍物与机器人之间的相对速度是固定不变的，这不是完整的动态环境，对于动态路径规划问题来说，与机器人避障相关的主要是机器人与障碍物之间的相对位置和相对速度，而非绝对位置和速度，对此，Ge等将机器人与目标物的相对位置与相对速度引入吸引势函数，将机器人与障碍物的相对位置与相对速度引入排斥势函数，提出动态环境下的机器人路径规划算法，并将该算法应用于全方位足球移动机器人的路径规划中，取得了比较满意的仿真与实验结果．Dennis等在此基础上，进一步考虑到多障碍物的路径规划和人工势场路径规划的局部极小问题，提出移动机器人&能见度势场&的概念，给出一种障碍物削减策略，以解决多障碍物路径规划产生的计算量激增问题，最近，Jaradat等将模糊理论与人工势场技术相结合，提出模糊人工势场算法，并与机器人动力学模型相结合，给出了相对完整的移动机器人路径规划与驱动控制方法。
&&& 人工势场路径规划技术原理简单，便于底层的实时控制，在机器人的实时避障和平滑轨迹控制等方面得到了广泛研究。但人工势场路径规划方法通常存在局部极小点，尽管也有不少针对局部极小的改进方法，但到目前为止，仍未找到完全满意的答案。另外，在引力和斥力场设计时存在人为不确定因素，在障碍物较多时还存在计算量过大等问题，这些因素的存在限制了人工势场路径规划方法的广泛应用。应用中的难点是动态环境中引力场与斥力场的设计、局部极小问题的解决。
4 地图构建路径规划技术
&&& 地图构建路径规划技术，是按照机器人自身传感器搜索的障碍物信息，将机器人周围区域划分为不同的网格空间（如自由空间和限制空间等），计算网格空间的障碍物占有情况，再依据一定规则确定最优路径，地图构建又分为路标法和栅格法，也称单元分解法。前者是构造一幅由标志点和连接边线组成的机器人可行路径图，如可视线方法、切线图方法、Voronoi图方法和概率图展开法等。
&&& 可视图法将机器人看成一个点，机器人、目标点和多边形障碍物的各顶点进行组合连接，并保证这些直线均不与障碍物相交，便形成一张图，称为可视图，由于任意两直线的顶点都是可见的，从起点沿着这些直线到达目标点的所有路径均是运动物体的无碰路径，路径规划就是搜索从起点到目标点经过这些可视直线的最短距离问题；切线图法和Voronoi图法对可视图法进行了改造，切线图法以多边形障碍物模型为基础，任意形状障碍物用近似多边形替代，在自由空间中构造切线图，因此从起始点到目标点机器人是沿着切线行走，即机器人必须几乎接近障碍物行走，路径较短，但如果控制过程中产生位置误差，移动机器人碰撞的可能性会很高，Voronoi图由一系列的直线段和抛物线段构成，直线由两个障碍物的顶点或两个障碍物的边定义生成，直线段上所有点必须距离障碍物的顶点或障碍物的边相等，抛物线段由一个障碍物的顶点和一个障碍物的边定义生成，抛物线段同样要求与障碍物顶点和障碍物的边有相同距离，与切线法相比，Voronoi图法从起始节点到目标节点的路径将会增长，但采用这种控制方式时，即使产生位置误差，移动机器人也不会碰到障碍物，安全性较高，图1为切线图法与Voronoi图法示意图。
图1 切线图法与Voronoi图法
&&& 栅格法是将机器人周围空间分解为相互连接且不重叠的空间单元；栅格(cell)，由这些栅格构成一个连通图，依据障碍物占有情况，在此图上搜索一条从起始栅格到目标栅格无碰撞的最优路径．这其中根据栅格处理方法的不同，又分为精确栅格法和近似栅格法，后者也称概率栅格法。精确栅格法是将自由空间分解成多个不重叠的单元，这些单元的组合与原自由空间精确相等，如图2就是常用的一种精确栅格分解法一一梯形栅格分解。
图2 梯形栅格分解示意图
&&& 与精确栅格法不同，近似栅格法的所有栅格都是预定的形状，通常为矩形，整个环境被分割成多个较大的矩形，每个矩形之间都是连续的，典型的方法是&四叉树&法，如果大矩形内部包含障碍物或者边界，则将其分割成4个小矩形，对所有稍大的栅格都进行这种划分，然后在划分的最后界限内形成的小栅格间重复执行该程序，直到达到解的界限为止。
&&& 地图构建法直观明了，它常与其他路径规划方法集成使用，如Araujo提出的ART神经网络的地图构建路径规划算法，Najjaran提出的卡尔曼滤波器的地图构建路径规划，Yang等提出的基于生物启发神经网络与地图构建集成的清洁机器人完全覆盖路径规划技术(CCPP)等。
&&& 目前，地图构建技术已引起机器人研究领域的广泛关注，成为移动机器人路径规划的研究热点之一，但机器人传感器信息资源有限，使得网格地图障碍物信息很难计算与处理，同时由于机器人要动态快速地更新地图数据，在网格数较多、分辨率较高时难以保证路径规划的实时性，因此，地图构建方法必须在地图网格分辨率与路径规划实时性上寻求平衡。
5 人工智能路径规划技术
&&& 人工智能路径规划技术是将现代人工智能技术应用于移动机器人的路径规划中，如人工神经网络、进化计算、模糊逻辑与信息融合等。遗传算法是最早应用于组合优化问题的智能优化算法，该算法及其派生算法在机器人路径规划研究领域已得到应用，在蚁群算法较好解决旅行商问题(TSP)的基础上，许多学者进一步将蚁群优化算法引入到水下机器人(UV)的路径规划研究中。最近，徐玉如等考虑了海流因素的影响，提出了一种基于遗传算法和粒子群优化(PSO)算法的AUV全局路径规划思想，由于模糊逻辑和信息融合技术在不确定性信息处理方面有极好的表现，且移动机器人传感器采集的环境信息存在不确定性和不完整性，使得模糊逻辑和信息融合技术在移动机器人路径规划中有较好的应用，如Lang等针对全覆盖路径规划提出的移动机器人模糊路径规划方法，Perez等提出的基于速度场的模糊路径规划方法等，Zun等提出基于信息融合技术的移动机器人和无人机的路径规划与避碰方法。神经网络作为人工智能的重要内容，在移动机器人路径规划研究中得到了广泛关注，如Ghatee等将Hopfield神经网络应用到路径距离的优化中；Zhu等将自组织SOM神经网络应用到多任务多机器人的任务分配与路径规划中，近年来加拿大学者Simon提出一种新的生物启发动态神经网络模型，将神经网络的神经元与二维规划空间的离散坐标对应起来，通过规定障碍物和非障碍物对神经元输入激励和抑制的不同，直接计算相关神经元的输出，由此判定机器人的运行方向，由于该神经网络不需要学习训练过程，路径规划实时性好，同时利用神经网络本身的快速衰减特性，较好地解决了机器人路径规划的死区问题。图3为用于局部路径规划的生物启发神经网络结构图，图中所示为机器人（处于神经元处）传感器的感受半径，每个神经元与环境位置坐标对应，动态计算机器人邻近神经元输出，机器人根据神经元输出大小决定下一步运行目标，从而实现安全的路径规划。
&&& 人工智能技术应用于移动机器人路径规划，增强了机器人的&智能&特性，克服了许多传统规划方法的不足，但该方法也有不足之处，有关遗传优化与蚁群算法路径规划技术主要针对路径规划中的部分问题，利用进化计算进行优化处理，并与其他路径规划方法结合在一起使用，单独完成路径规划任务的情况较少。信息融合技术主要应用于机器人传感器信号处理方面，而非直接的路径规划策略，对神经网络路径规划而言，大多数神经网络路径规划均存在规划知识的学习过程，不仅存在学习样本难以获取，而且存在学习滞后问题，从而影响神经网络路径规划的实时性，生物启发神经网络路径规划虽然实时性较好，但其输入激励与抑制的设定也存在人为不确定因素。
图3 基于生物启发神经网络路径规划
6 移动机器人路径规划技术展望
&&& 毫无疑问，移动机器人路径规划研究已取得了重要进展，但在具体规划算法设计中，均有它们的局限性。如模版匹配方法过于依赖机器人过去的经验；人工势场路径规划方法通常存在局部极小点和计算量过大的问题；地图构建与人工神经网络技术均存在路径规划的实时性问题，从过去的研究状况和机器人未来的发展需求来看，目前移动机器人路径规划技术研究主要集中在以下几个方面。
&&& 6.1 新的路径规划方法的研究
&&& 新的路径规划方法研究，永远是移动机器人路径规划的重要内容，主要是其结合了现代科技的发展（如新的人工智能方法、新的数理方法等），寻找易于实现，同时能避开现有方法缺点的新技术。另外，现代集成路径规划算法研究也是一个重要内容，即利用已有的各种规划方法的优点，克服他们的不足。如神经网络与地图构建技术结合、信息融合与地图构建技术集成、进化计算与人工势场技术的结合等。
&&& 6.2 机器人底层控制与路径规划算法的结合研究
&&& 以上是从路径规划策略上看移动机器人路径规划的发展．从应用角度看，路径规划的研究极大多数集中在规划算法的设计与仿真研究上，而将路径规划算法应用于实际的报道还很少，即使是一些实物仿真实验，研究也较少，但理论研究最终要应用于实际，因此有关机器人底层控制与路径规划算法的结合研究将是它的发展方向之一，不仅要研究路径规划算法，而且要研究机器人的动力学控制与轨迹跟踪，使机器人路径规划研究实用化、系统化。
&&& 6.3 多机器人任务分配、通信协作及路径规划的研究
&&& 以往有关单机器人的路径规划研究报道较多，而多机器人路径规划及相关技术研究较少，实际上，多机器人协作作业与路径规划在现实世界还非常常见，如足球机器人比赛、空中无人机编队飞行、自治水下机器人的合作搜救与观察等，它将涉及多方面研究，包括多机器人多任务分配问题、机器人之间的协作与通信问题、机器人的全局与局部路径规划问题、机器人传感与控制问题等。
&&& 6.4 高维环境中移动机器人路径规划的研究
&&& 从路径规划的环境描述来看，针对二维平面环境的路径规划研究较多，而三维环境下的路径规划研究较少，但是，大多数机器人作业与运行是在三维空间中进行的，如飞行机器人、水下机器人等。因此，加强三维环境中移动机器人路径规划技术的研究是机器人技术实际应用的需要，也是移动机器人路径规划技术的发展方向之一。
&&& 6.5 空中机器人与水下机器人的研究
&&& 从具体的研究对象来看，移动机器人路径规划大多是针对陆地工作的智能机器人展开路径规划研究，如足球机器人、清扫机器人、收割机器人等；而针对空中飞行机器人和自治水下机器人的研究较少。陆地机器人一般是处于温和的现实世界，而空中机器人与水下机器人面临的外部环境非常恶劣，传感器资源更加有限，甚至会面临一种敌对的不确定的危险环境，因此，他们的路径规划与避险研究更加困难和迫切。
&&& 智能移动机器人路径规划问题一直是机器人研究的核心内容之一，本文从模版匹配路径规划、人工势场路径规划、地图构建路径规划和人工智能路径规划4个方面，对移动机器人路径规划技术研究现状及其未来发展进行系统的总结与评价，对移动机器人技术目前的研究与未来的发展将有一定的参考价值。&
上一篇文章：下一篇文章：
武汉制信科技有限公司
版权所有ICP经营许可证：鄂B2-（于2003年首获许可证:鄂B2－）智能制造网微信公众号您的位置： &
清洁机器人基于遗传算法的全区域路径规划
优质期刊推荐后使用快捷导航没有帐号？
查看: 83|回复: 0
清洁机器人路径规划算法研究综述
针对目前清洁机器人的清洁效率低,同时路径规划技术在实际应用中方法简单、适应性弱,特别是在障碍物环境下存在明显的不足等问题,提出了路径规划的基本方法及关键过程,保证机器人完成清洁任务,达到自主路径规划和全区域覆盖的要求。着重分析了环境建模的不同技术,同时讨论了在环境地图中不同的路径搜索算法,通过对算法的覆盖率、重复率等重要性能指标进行了比较,分析了不同算法的优、缺点及适用范围,为算法的合理应用提供了技术参考,最后提出了清洁机器人进一步研究的方向。研究结果表明,根据环境的复杂程度,需要采取不同的路径规划算法来制定控制方案,而对多种算法进行融合技术处理则能有效地提高对不同环境的适用度以及控制系统的鲁棒性
(494.71 KB, 下载次数: 0 )
19:41 上传
点击文件名下载附件..
论坛资料为网友自由上传，与本论坛无关。
Powered by
关注一牛微信　　摘 要：本文研究了基于已知环境地图栅格化描述的清洁机器人全覆盖路径规划算法，对未清扫区域和障碍区域分别进行标记，记录区" />
免费阅读期刊
论文发表、论文指导
周一至周五
9：00&22：00
改进的清洁机器人全覆盖路径规划算法
2013年23期目录
&&&&&&本期共收录文章20篇
　　摘 要：本文研究了基于已知环境地图栅格化描述的清洁机器人全覆盖路径规划算法，对未清扫区域和障碍区域分别进行标记，记录区域清扫次数，利用不同的优先准则，即顺时针优先准则、逆时针优先准则和最优区域随机选择准则，搜索清扫区域，从而得到清洁机器人的全覆盖路径规划的改进随机算法。利用MATLAB语言编程进行仿真实验，实验结果表明，改进的搜索算法能保证清洁机器人完成清扫区域全覆盖的前提下，使得平均重复覆盖率比一般随机算法低。 中国论文网 /1/view-5038612.htm　　【关键词】清洁机器人 路径规划 全覆盖 优先准则 最优区域随机优先搜索 　　1 引言 　　源于将吸尘器和移动机器人相结合，从而实现自动清扫的想法，有人提出了清洁机器人的概念。具体来说，一个扫地机器人的实现需要对传感器、控制系统、路径规划、吸尘技术和电源等系统进行很好的设计和组合，在这其中，传感器和吸尘技术对于清扫质量固然重要，但对机器人自主移动路径的设计和控制才更是真正体现机器人智能水平高低的重要关键技术。 　　一般的移动机器人路径规划是指根据机器人所感知的环境，按照某种优化指标，从起始点到目标点规划出一条与场景中障碍物不发生碰撞的最短路径。与上述路径规划不同，清洁机器人的路径规划是在尽量短的时间内完成对全部清扫区域的遍历。所以这里所述的路径规划并非指从起始点到终点的路径进行规划，而是需要实现清洁机器人对清扫区域的全覆盖路径规划，同时在满足全覆盖的前提下使得重复覆盖率尽量低。在全覆盖路径规划方面，无障碍物区域内的覆盖问题已经得到了令人比较满意的解决，已知环境的区域分割和未知环境的地图生成两个方面也分别开展了一些研究并取得了一定成果。 　　而目前市面上的清洁机器人多采用随机的路径规划算法，利用传感器信息让机器人在碰到障碍物或走到区域边界时，随机旋转一定角度以选择下一步移动方向。这种方法在时间足够长的情况下，理论上可以达到全覆盖。但由于电池提供的动力有限和问题的实际性，随机路径规划算法具有不可忽略的局限性，同时这种算法所体现的机器智能性也很低，常常出现已清扫区域不断地重复清扫，未清扫区域一直不清扫。考虑到让机器人尽量选择未清扫区域先进行清扫，本文将随机算法进行改进，考虑了顺时针优先、逆时针优先和最优区域随机选择三种不同的优先准则，并利用MATLAB进行了仿真实验。 　　2 基于栅格地图的已知环境描述 　　首先，我们对一般室内环境进行观察，可以看出，无论房间边界形状还是室内物体形状，大部分都为矩形，或近似矩形。因此本文采用矩阵以存储整个已知的环境地图，并把有障碍物区域用100标记，其他未清扫区域用0标记，已清扫过 遍的区域用 标记。这样，室内环境地图就用一个矩阵map来表示了。 　　具体来说，第一步是将已知的区域环境地图进行栅格化描述，如图1所示。 　　然后给每个栅格进行标记，对未遍历的栅格标记为0，遍历过1遍的栅格标记为1，遍历过2遍的栅格标记为2，……，遍历过 遍的栅格标记为 ，障碍物所在栅格标记为100（一般情况下总有 <100）。这样一张地图就可以用一个矩阵进行存储。为了直观显示地图上的障碍物，我们用 进行标记，清洁机器人所在的起始位置位于左上角，如图2所示。 　　3 改进的全覆盖算法 　　一般的随机算法随机选择机器人下一步清扫区域容易造成已清扫区域过渡清扫，未清扫区域迟迟不能得到清扫。本文考虑了三种不同优先准则以改进完全随机的算法。第一种，考虑机器人按照顺时针方向检查下一步可行区域，并按照顺时针优先的方向选择清扫次数最少的区域进行清扫；第二种刚好与第一种相反，考虑机器人按照逆时针方向检查下一步可行区域，并按照逆时针优先的方向选择清扫次数最少的区域进行清扫；第三种，将已清扫区域的次数进行统计，让机器人在下一步可清扫区域中识别已清扫次数最少的区域，再从中随机选择一个区域进行清扫。按照三种优先准则可以设计不同的程序算法。 　　3.1 最优区域随机选择的随机搜索算法 　　设定map为清扫区域地图，障碍物位置标记为100，未清扫区域标记为0。机器人每清扫一个位置，就将该位置map值加1.机器人获取下一步可行方向的清扫次数，在清扫次数最少的可行方向随机选择一个方向作为下一步行进方向，称这种算法为最优区域随机选择搜索算法，其流程图如图3所示。 　　3.2 顺（逆）时针优先的搜索算法 　　考虑到让机器人尽量沿着上一次行进方向前行，将最优区域随机选择算法改进为顺时针和逆时针方向优先的搜索算法，在每一次选择时按固定方向优先选择下具有最少清扫次数的可行方向，算法流程图如图4所示。 　　面对不同的环境区域，可能清扫效率不同，在没有障碍物的区域中，这两种准则都能很好的遍历整个区域，但在有障碍物的情况下，就可能造成重复，并且障碍物越多，可能造成重复覆盖越严重。 　　4 仿真实验 　　利用MATLAB软件，本文进行了仿真实验。假设环境为图2所示，栅格化后得到140个方形栅格，并有3个障碍物占据20个栅格。清洁机器人初始位置是左上角位置，清洁机器人当前位置为黄色光标位置，清洁机器人已清扫位置标记为蓝色。 　　分别按照具有顺时针优先准则和逆时针优先准则以及最优区域随机选择算法执行程序，遍历过程分别如图5、图6和图7所示。统计在不同优先准则下清洁机器人重复清扫的次数，统计结果如表1. 　　从表1可以看出，在顺时针和逆时针优先准则下，最大重复次数达到5次，而最优区域随机选择算法最大重复次数为4次，优于前两种准则；三种准则下，采用最优区域随机选择算法只清扫1次的比例最大，但顺时针优先选择算法重复覆盖1次即清扫2次的比例最大。 　　将重复次数加权平均计算重复度 ，其中 表示权重，分别取为0、0.1、0.21、0.29、0.4， 表示重复次数，分别取为1、2、3、4、5.这样计算可得重复度分别为0...158173。 　　实验结果表明，顺时针优先准则的改进算法重复度最低，其次是最优区域随机选择算法，最差是逆时针优先准则。分析原因，这应该和清扫区域的障碍物所在位置和机器人初始位置有一定关系，综合来说，最优区域随机选择算法具有平均清扫重复度最低的优势，而对于个别特别区域，可能采用其他两种固定优先方向的准则会更好。 　　5 结论 　　本文主要研究清洁机器人在已获取环境地图的情况下如何规划其全覆盖的清扫路径问题。首先将环境地图栅格化表示，将障碍物区域标记为100，未清扫区域标记为0，为了达到在尽量短的时间内将整个房间清扫干净，也就是在尽量短时间内清洁机器人走遍房间的每一个位置的目的，本文算法的终止条件设置为栅格化环境地图的每个栅格标记都不为0，从而保证了清扫覆盖率为100%，然后统计重复覆盖率，以评价算法的好坏。顺时针优先和逆时针优先这两种准则针对具体障碍物所在不同区域，清扫效率会有不同，如何根据区域特征采用不同准则或联合应用不同准则还需要进一步研究。 　　作者简介 　　王新武（1990-），男，西南石油大学理学院信息与计算科学专业学生，研究方向：人工智能与机器人学。 　　作者单位 　　西南石油大学 理学院 四川省成都市 610500
转载请注明来源。原文地址：
【xzbu】郑重声明：本网站资源、信息来源于网络，完全免费共享，仅供学习和研究使用，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除已转载的信息。
xzbu发布此信息目的在于传播更多信息，与本网站立场无关。xzbu不保证该信息（包括但不限于文字、数据及图表）准确性、真实性、完整性等。