文章快速检索  
  高级检索
引用本文
王蛟龙, 周洁, 高慧, 秦娜, 马磊. 基于局部环境形状特征识别的移动机器人避障方法[J]. 信息与控制, 2015, 44(1): 91-98
WANG Jiaolong, ZHOU Jie, GAO Hui, QIN Na, MA Lei. Obstacle Avoidance Method for Mobile Robots Based on the Identification of Local Environment Shape Features[J]. INFORMATION AND CONTROL, 2015, 44(1): 91-98.
基于局部环境形状特征识别的移动机器人避障方法
王蛟龙, 周洁, 高慧, 秦娜, 马磊    
西南交通大学电气工程学院, 四川 成都 610031
收稿日期: 2014-02-17; 录用日期: 2014-05-19; 修回日期: 2014-10-09
基金项目：国家自然科学基金资助项目（61075104）.
作者简介: 王蛟龙（1988-），男，硕士. 研究领域为机器人控制与智能系统.
周 洁（1990-），女，硕士. 研究领域为控制工程与智能系统.
马 磊（1972-），男，博士，教授，博士生导师. 研究领域为控制理论及其在机器人、新能源和轨道交通系统中的应用.
通讯作者：马磊，malei@home.swjtu.edu.cn
摘要：针对传感器数据分析中代数模型方法存在的简化、丢失环境细节信息的问题，提出了一种用于移动机器人避障多次膨胀分析的激光雷达数据分析方法．该方法通过对激光测距数据进行多次不同程度的障碍边界膨胀，分析各膨胀图特征参数并提取局部环境形状特征，强化机器人局部环境认知及避障控制能力；膨胀系数组合在线选取和切换的灵活性特点使机器人可适应不同形状、尺寸的环境；机器人运动控制中引入环境形状特征参与机器人运动决策，增加了避碰控制以确保机器人在狭小环境下的安全．仿真对比验证了该方法在不同形状环境下的运动规划能力；实物实验验证了该方法可克服电机控制信号精度低、响应延时及胶轮打滑等不利因素影响，具有实际可行性．
关键词： 多次膨胀分析     环境形状特征     避障运动     移动机器人    
Obstacle Avoidance Method for Mobile Robots Based on the Identification of Local Environment Shape Features
WANG Jiaolong, ZHOU Jie, GAO Hui, QIN Na, MA Lei     
School of Electrical Engineering, Southwest Jiaotong University, Chengdu 610031, China
Abstract:Aiming at the problem that algebraic models used in sensor information analysis are prone to simplify or even ignore environmental details,we propose a novel laser data processing method based on multiple expansions for mobile robot obstacle avoidance. By expanding obstacle edges with several ratios and analyzing the characteristics of expansion maps,the proposed method extracts shape features of the local environment to enhance robots' ability inlocal environmental recognition and obstacle avoidance. The flexibility of online selection and the switch of the expansion ratios facilitates robots that are adaptableto environments of various shapes and sizes. In robot motion control,environmental shape features are also introduced for motion decision-making,while collision avoidance is added to ensure the security of robots in narrow environments. Simulations verify that the proposed method is competent for robots' motion planning in different environments,and a real platform experiment validates the method's feasibility for practical applications with low-precision control signals,response delay,and tire slippage.
multiple expansion analysis     environmental shape feature     obstalce avoidance     mobile robot    

1 引言

自主避障运动指机器人利用传感器在线探测、 规划、 决策，完成特定运动任务的能力. 对于环境信息过少或粗略等情况，机器人仅能依靠传感器获取的即时环境信息，完成环境认知和局部运动规划.

人工势场法(APM)[1, 2]构造障碍物、 目标和机器人间的力场以引导机器人实时避障趋向目标. 通过矢量场叠加将环境信息归结为单一合力，过多地丢失环境细节信息[3]，相关研究对其存在的局部极小[4, 5]、 目标不可达[6, 7]及抖动[8]等问题分别做了针对性改进，文[9, 10]研究了用于动态环境下运动规划的势场方法. 向量场直方图法(VFH)[11, 12]通过量化机器人各个角度上的障碍强度值来选取机器人候选航向，该方法存在阈值敏感问题，不能有效地表征狭窄通道或低强度值障碍等环境. 角度势场法[13]综合评估各角域受到邻近障碍及目标的作用力，选取通行可能性最大的视角为候选运动航向，文[14]指出其关注候选航向角度区域方法存在安全盲区，不能确保机器人避障安全. 文[15]提出了一种自适应调节阈值、 求取矩形安全可行方向的避障算法，从激光雷达测距数据中自适应选取满足矩形通行条件的最大阈值角度为候选航向. 文[16]提出一种基于局部感知环境分区评价的运动控制方法.

图 1(a)为机器人避障的基本原理，有效挖掘传感器数据中的必要环境细节，并计算机器人候选运动航向，是避障运动的关键. 前述研究在传感器数据的处理上，多采用矢量叠加、 求最值等代数模型将传感器测距数据转化为机器人运动的航向及速度指令； 数值化的代数模型会简化掉高性能激光测距数据中的丰富环境信息，甚至忽略重要环境细节.

图 1 避障导航原理图Fig. 1 Diagram of obstacle avoidance navigation
图选项

针对上述问题，本文在自主避障原理中增加环境形状特征分析模块(如图 1(b)所示)，提出一种多次膨胀分析的方法. 与代数模型方法不同，本文方法通过分析组合膨胀图的特征参数，可识别激光雷达视野的局部环境形状类型，并将膨胀图特征参数引入于机器人运动控制决策，强化机器人避障规划能力.

2 多次膨胀分析法

障碍边界膨胀算法[17]，原是路径规划问题中因机器人外形尺寸不可忽略，对环境中的障碍按照机器人半径进行障碍边界膨胀，在膨胀环境图中将机器人等效为点的方法. 图 2为基于激光雷达的膨胀算法[18, 19]效果图，定义膨胀系数ρ表征膨胀程度，其中激光雷达中心与圆形机器人(R=0.20 m)圆心重合.

图 2 实验场景及多次膨胀效果图Fig. 2 Experimental environment and multi-expansion maps
图选项

本文方法通过对激光雷达测距数据进行不同程度的多次障碍边界膨胀，分析各膨胀图的最大值、 面积等特征参数，识别局部环境形状特征并选取合适膨胀图及候选航向，作为机器人运动控制参考.

2.1 膨胀系数动态选取

图 2中，较小系数的膨胀图(如红色膨胀图)面积大，机器人安全空间大，但边缘碰撞的可能性大； 采用较大膨胀系数，机器人活动更加安全，但会忽略狭窄通道或出口等(如绿色和青色膨胀图). 若仅依据单一固定系数膨胀图引导机器人避障，则规划效果必会囿于固定系数膨胀图的不足.

针对上述问题，本文采用动态选取多个系数的方法，机器人根据测距最小值l0min和机器人半径R，动态确定膨胀系数的个数N及大小ρi，i=1，2，…，N，见表 1. l0min表征激光在线探测到最近障碍点的距离，反映机器人运动环境大小及障碍分布情况. 固定最小膨胀系数为R，最大膨胀系数为动态值l0min-0.05R，中等膨胀系数在R和l0min-0.05R等间隔选取. 大量实验发现，相邻系数膨胀图间形状变化与膨胀系数间隔大小相关，若膨胀系数间隔过小，则两膨胀图形状差异越小. 为避免膨胀图间的重复，确保各膨胀图可反映环境的不同形状特征，在较宽阔环境(l0min≥2.1R)中采用5个等间隔膨胀系数(如图 2所示)； 随着l0min减小对应调整膨胀系数个数N，在较狭小情况下(l0min＜1.1R)仅采用R和l0min-0.05R两个系数. 该动态选取膨胀系数组合的方法可实时适应环境尺寸的大小和形状变化，且多系数膨胀图间优势互补可克服单一系数膨胀图的不足.

表 1 膨胀系数在线选取 Tab. 1 Online selection of the expansion ratios
l0minNρi
[2.1R，+∞)5
［1.6R，2.1R)4
［1.1R，1.6R)3
［1.05R，1.1R)*2
注：*舍去了机器人无法通过的极狭小情况(l0min＜1.05R).
表选项
2.2 膨胀图特征参数

(1) 最大值特征： 单帧激光测距数据中最大的一点或连续多点，称为该帧激光数据的最大值lmax，对应的激光束角度值或连续多点激光束角度均值为机器人的候选航向hmax(以正前方为零点，向左侧为正，向右为负)； 若极坐标膨胀图中存在不同角度上的多个最大值，选取其中与最终目标点相对机器人方向最接近者，为对应系数膨胀图的

候选航向.

(2) 面积占比率： 极坐标膨胀图中，激光束覆盖面积S为当前膨胀系数下的机器人安全活动空间. 本文中采用累加N个激光光束小扇形面积的方法近似等效计算整个激光雷达覆盖面积S：

其中，θ、 N为激光雷达的角度分辨率、 测距光束数量，li为第i束激光测距数值.

定义面积占比率，描述前方场景中的矩形范围(lwidth-2ρ为宽、 lmax为长)内机器人安全活动空间所占比率. Sp计算公式：

其中，lminL、 θminL、 lminR、 θminR分别为原始激光测距数据中左右两侧的最小测距值及对应角度.

面积占比率接近1.0，表明前方场景形状可能接近矩形； 明显小于1.0，表明前方环境有逐渐狭窄迹象； 而大于1.0时则预示前方环境相对开阔.

(3) 最大值变化特征： 对于相邻的两个不同系数的膨胀数据，定义其最大值实际变化量与膨胀系数差之比减1为最大值变化率ηlmax：

其中，l′max、 lmax分别是以ρ′、 ρ为膨胀系数两个膨胀图的测距最大值，ρ′＜ρ.

定义不同系数膨胀后的最大值分布角度差值为最值角度分布变化量ηhmax. 对于变化特征，若其数值大于5则称为突出特征.

最大值变化率ηlmax较大时，较小系数的膨胀图比较大系数膨胀图在形状上多出了明显的凸出或尖峰现象(如图 2(b)中的红、 绿两色膨胀图和品红、 青两色膨胀图)，表明与较小系数相比，较大系数膨胀图忽略了狭窄的通道或出口； 最值角度变化量ηhmax较大是各膨胀图形状变化较大或者局部环境出现多个出口或岔道的参数特征.

2.3 特征参数与环境形状的对应效果验证

以图 2(a)场景为例，1.2 m宽的通道环境中有P、 Q两个矩形障碍物，调整其相对摆放位置参数ζ，其中：

xP、 xQ分别是P、 Q两个障碍物中心横坐标，ζ可为负，图 2(a)为ζ=0.6 m的实验场景，图 2(b)为对应场景的不同系数膨胀效果图.

计算不同系数膨胀图各特征参数随环境参数ζ膨胀系数膨胀后的数据. 分析数据规律可知：

(1) 同一系数膨胀图、 不同特征参数，可表征环境形状变化的不同方面. 如图 3中膨胀系数为0.39 m(品红色)的数据，在图 3(a)中则有偶对称特点，在图 3(b)中呈近似奇对称、 上升趋势，而在图 3(c)中相对平缓，各特征参数变化规律不同.

图 3 不同系数膨胀图特征参数与环境形状参数ζ的变化关系Fig. 3 Relationship between characteristics of several expansion maps and environmental shape factor ζ
图选项

(2) 不同系数膨胀图、 同一特征参数，表征环境形状变化的不同方面. 如图 3(b)的最值角度分布变化量数据，不同膨胀系数的数值曲线不重合，且走势规律不同，如膨胀系数为0.29 m的数据(绿色)呈逐渐上升趋势，而膨胀系数为0.58 m的数据(黑色)为近似下降走势.

(3) 特征参数数据的连续量变，表征环境形状类型的细节量变. 图 3中各特征参数曲线均连续且无突出的数据断点，即特征参数的微小变化与环境参数ζ的连续量变相对应.

(4) 特征参数的突出特征，预示局部环境形状的较大改变，甚至形状类型变化等“质变”. 如图 3(c)中ζ=0.6时，系数为0.29(绿)和0.49(青)的最值变化率数值均大于5，表明该膨胀图和相邻的较小膨胀图相比，有较大的最值收缩现象，存在狭窄入口特征(场景及膨胀图如图 2所示).

总之，不同系数膨胀图、 特征参数均与环境参数变化相关，且表征内容不同，互不重复，可提取局部环境的形状特征信息.

2.4 典型环境形状识别与参考膨胀图选取

图 4～7为4种典型场景的示意图及特征参数数据. 同一组图中，相同颜色的膨胀系数数据、 膨胀效果图及候选航向向量相对应.

图 4 矩形环境识别Fig. 4 Identification of rectangle environment
图选项

(1) 矩形通道环境(如图 4所示，l0min=0.440)： 图 4(c)特征参数中的各膨胀图面积占比率接近1，环境形状接近矩形； 最大值角度和数值无突出变化，无岔道特征； 各系数膨胀最大数值为满量程值，预期航向内无障碍. 类似环境，参考最大系数膨胀图数据(黑色)来计算机器人航向.

(2) 折形通道环境(如图 5所示，l0min=0.290)： 图 5(c)中最小系数膨胀图面积占比率小于0.7，其它面积占比率大于1； 中间系数的测距最值变化率突出及最大值衰减明显，表明存在狭窄出口特征. 有弯或折现象的环境下会出现类似特征，选取最值变化率突变但角度分布无明显变化的膨胀图数据(绿色)计算候选航向.

图 5 折形环境识别Fig. 5 Identification of zig-shaped environment
图选项

(3) 岔道环境特征(如图 6所示，l0min=0.320)： 图 6(c)各膨胀图面积占比率均大于1.3，最大值均为满量程，环境开阔； 不同膨胀系数下最值分布角度分化明显是岔道环境的数值特征. 选取较为安全的最大系数膨胀图数据(青色)为参考计算候选航向.

图 6 岔道环境识别Fig. 6 Identification of branch-shaped environment
图选项

(4) 弧形通道特征(如图 7所示，l0min=0.460)： 图 7(c)各膨胀图面积占比率处于0.7和0.9之间，环境开阔度中等； 最值数值变化率普遍较大且最值角度分布呈渐变趋势. 在最值变化明显的膨胀系数中，选取变化率最大但角度无突变的系数膨胀图数据(青色)为参考计算机器人候选航向.

图 7 弧形环境识别Fig. 7 Identification of arc-shaped environment
图选项

由上例可知，组合分析特征参数中的多个典型特征，可识别局部环境的形状类型，进而选取适于该类型环境的系数膨胀数据为参考，计算候选航向.

2.5 运动控制

(1) 角速度控制. 以切换选取的膨胀图最大值角度方向为机器人期望运动航向； 角速度采用比例控制且考虑实际机器人系统角速度ω的转速上限：

其中，θe为机器人期望运动航向与当前航向的差值，ω0为机器人角速度绝对值上限，kω为正比例系数.

(2) 线速度控制. 参考膨胀图的膨胀系数ρ、 最大测距值lmax、 面积占比率Sp及航向差值θe，计算机器人基准速度. 当膨胀系数ρ及相应的lmax较大时，基准速度相应较大； 面积占比率Sp小于1.0，即环境开阔程度变小，基准速度相应变小； 机器人当前航向与期望航向差的θe较大，即角速度ω较大时，机器人相应减速. 计算公式如下：

速度衰减系数ηθ采用余弦函数模型，ω较小时ηθ略小于1.0且衰减较小，ω较大时ηθ将大幅衰减：

其中，l0为激光雷达的测距量程，v0为参考速度vref的增益系数，ηθ为与航向偏差相关的速度衰减系数.

(3) 避碰控制. 为避免实际系统中响应延时造成的碰撞，使用基准线速度和避碰系数ηc的乘积作为机器人的最终线速度：

避碰系数ηc与最近障碍物和正前方障碍物的距离相关，衰减系数ηc1确保当前速度在一个控制周期T0内机器人不会与正前方障碍物碰撞，衰减系数ηc2确保一个周期T0内不会碰撞测距最小方向的障碍物，选取ηc1、 ηc2和1中最小的值为避碰衰减系数ηc：

其中，T0为机器人的速度控制周期，l0min和θmin分别为最近障碍物的距离和相对方向角度，lcurrent为机器人正前方障碍点距离，v为机器人的最终线速度.

3 实验分析

本节通过仿真和实物实验验证多次膨胀分析法的局部运动规划性能和实时运动控制效果. 由于实验主要目的是分析机器人在不同形状场景下的避障规划效果，所有实验均以实验场景中的出口端中心为虚拟的最终目标点.

3.1 仿真实验

仿真实验采用Player/Stage［20]仿真平台，仿真差分驱动移动机器人、 激光雷达及典型环境场景. 圆形移动机器人R=0.2 m，激光雷达光源中心与机器人圆心重合，量程4 m，视角为-90°～90°的角度分辨率为0.25°，控制器工作频率为5 Hz. 选取单个固定膨胀系数1.1R及同样的速度模型作为对比实验，分析初始坐标和姿态完全相同情况下，机器人在各种场景下的运动轨迹效果. 重复性实验结果间仅存在由计算机实时性造成的微小轨迹差异，本节选取典型的折形、 岔道和弧形三种场景下机器人规划效果对比，如图 8所示. 红色为运动过程中圆形机器人外形曾覆盖过的轨迹区域，左侧为固定系数方法的轨迹，右侧为组合系数膨胀分析法轨迹.

由仿真结果可知： (1) 该避障规划方法可提高机器人在狭窄通道环境的适应能力，如图 8(a)中使用本文方法的机器人，可通过单个膨胀系数法不能通过的狭窄“之”字形场景； (2) 本文方法具有局部路径优选特点，如图 8(b)中当同时存在多个可行路径时，机器人可优选相对宽阔、 安全的通道； (3) 如图 8(c)所示，多次膨胀分析法动态选取膨胀系数的特点，确保机器人在不同宽度尺寸弧形通道场景的中心线附近运动； 而单一固定膨胀系数的方法运行效果受弧形通道宽度尺寸影响较大，会有切墙壁，甚至擦碰现象，平均运行速度慢且不稳定.

图 8 不同场景下固定膨胀系数法(左)和多次膨胀分析法(右)机器人运动轨迹对比Fig. 8 Path comparison of the constant expansion method (left) and the multi-expansion and analysis method (right) in different situations
图选项
3.2 实物实验

实物实验采用Hanback四轮差分驱动机器人为运动平台，安装UTM-30LX激光雷达，PC104工控机作为主控CPU，如图 9所示. 激光雷达安装于机器人中心点，与工控机采用单独锂电池供电； 采用USB线传输激光雷达数据给工控机，工控机使用串口下发控制命令于机器人. 实验中UTM-30LX参数设置与仿真实验相同，主控程序频率为5 Hz，膨胀系数下限设为0.13 m，速度下限为0.05 m/s，上限为0.39 m/s.

图 9 实验平台硬件Fig. 9 Experimental hardware
图选项

图 10为狭窄实验场景图、 激光数据生成的环境地图以及机器人的运行轨迹(红色). 实验场景为障碍分布的狭窄通道，最宽处为80 cm，最狭窄处为28 cm，本实验中机器人本体为24 cm×24 cm的正方形，在场景最窄处运动方向的调整空间极小，是本文方法有效性测试实验中难度最大之处. 图 11为实验过程中的机器人速度及切换后的参考膨胀系数数据. 0～10 s①过程中，参考膨胀系数逐渐变小，表明机器人逐渐接近狭窄入口，因而缓慢减速至最低并进行姿态精确调整. 10 s～13 s时参考膨胀系数为最小值，机器人从图 10中的最狭窄②处通过. 环境地图的③、 ④和⑤处通道宽度变窄，对应参考膨胀系数为减小趋势，机器人减速以精确调整姿态. 整个实验过程中，使用本文方法的机器人随着局部环境变化，能相应地动态调整参考膨胀系数和速度，适应狭窄环境. 图 12为弯道和岔道两实物实验场景图，环境还原图以及本文方法导航下的机器人运行轨迹，与图 8对比可知仿真与实物实验结果一致.

图 10 狭窄实验场景图(上)及激光数据生成环境图Fig. 10 Narrow environment (upper) and the map by laser radar data
图选项
图 11 实验过程中参考膨胀系数和速度数据Fig. 11 The reference expansion ratio and speed data during the experiment
图选项
图 12 弯道和岔道实验激光数据生成环境图Fig. 12 Arc-shaped and branch-shaped environment map by laser radar
图选项

实验过程中发现，与仿真的理想条件不同，实物平台电机控制信号精度低、 响应延时、 胶轮与地面打滑等问题使得机器人航向和速度精确控制的难度加大，数据上表现为膨胀系数和速度的过渡不平滑，且实物机器人平均速度(0.135 m/s)低于仿真中的平均速度(0.247 m/s). 本文方法速度控制中引入多个特征参数及避碰控制模块，因而实物机器人仍能适应上述不利因素，安全通过狭窄的实验环境，本文方法具有实际可行性.

4 总结

本文提出了一种对激光雷达数据进行不同系数组合、多次障碍边界膨胀并分析膨胀图特征参数的方法，提取局部环境形状特征，用于机器人局部环境认知和避障规划. 与其它方法相比，多次膨胀分析法： (1) 既能体现局部环境形状的细节量变，又可识别不同场景环境的形状类型； (2) 多个膨胀系数在线动态选取、 根据环境形状动态切换参考系数等方法使得机器人可适应不同形状、 宽度尺寸的环境； (3) 运动控制中的速度模型中引入了多个特征参数为参考并增加避碰控制模块，确保机器人安全通过狭小场景环境.

仿真实验表明本文的多次膨胀分析法，可适应狭小及不同形状、 尺寸大小环境下的机器人避障规划. 实物实验表明，该方法提出的运动控制规律在控制信号精度低、 响应延时及胶轮打滑等不利因素存在的机器人平台上，仍具可行性.

本文中实验场景均为静态环境，进一步工作将研究存在不同速度运动障碍物、 更多复杂形状的机器人活动场景.

参考文献
[1] Khatib O. Real-time obstacle avoidance for manipulators and mobile robots[C] //IEEE International Conference on Robotics and Automation. Piscataway,USA: IEEE,1985: 500-505.
[2] Borenstein J,Koren Y. Real-time obstacle avoidance for fast mobile robots[J]. IEEE Transactions on Systems,Man,and Cybernetics,1989,19(5): 1179-1187.
[3] Koren Y,Borenstein J. Potential field methods and their inherent limitations for mobile robot navigation[C] //IEEE International Conference on Robotics and Automation. Piscataway,USA: IEEE,1991: 1398-1404.
[4] Mabrouk M H,Mclnnes C R. Solving the potential field local minimum problem using internal agent[J]. Robotics and Autonompous Systems,2008,56(12): 1050-1060.
[5] Park M G,Lee M C. Artificial field based path planing for mobile robots using a virtual obstacle concept[C] //IEEE/ASME International Conference on Advanced Intelligent Mechatronics. Piscataway,USA: IEEE,2003: 735-740.
[6] Barraquand J,Latombe J C. A Monte-Carlo algorithm for path planning with many degrees of freedom[C] //IEEE International Conference on Robotics and Automation. Piscataway,USA: IEEE,1990: 1712-1717.
[7] Ge S S,Cui Y J. New potential functions for mobile robot path planning[J]. IEEE Transactions on Robotics and Automation,2000,16(5): 615-620.
[8] Masoud A A. Solving the narrow corridor problem in potential field-guided autonomous robots[C] //IEEE International Conference on Robotics and Automation. Piscataway,USA: IEEE,2005: 2909-2914.
[9] Yin L,Yin Y,Lin C J. A new potential field method for mobile robot path planning in the dynamic environments[J]. Asian Journal of Control,2009,11(2): 214-225.
[10] Ge S S,Cui Y J. Dynamic motion planning for mobile robots using potential field method[J]. Autonomous Robots,2002,13(3): 207-222.
[11] Borenstein J,Koren Y. The vector field histogram-fast obstacle avoidance for mobile robots[J]. IEEE Transactions on Robotics and Automation,1991,7(3): 278-288.
[12] Ulrich I,Borenstein J. VFH+: Reliable obstacle avoidance for fast mobile robots[C] //IEEE International Conference on Robotics and Automation. Piscataway,USA: IEEE,1998: 1572-1577.
[13] 李云翀,何克忠. 基于激光雷达的室外移动机器人避障与导航新方法[J]. 机器人,2006,28(3): 275-278. Li Y C,He K Z. A novel obstacle avoidance and navigation method for outdoor mobile robot based on laser radar[J]. Robot,2006,28(3): 275-278.
[14] 邱权,韩建达. 用于室外移动机器人实时自主导航的2.5维角度势场法[J]. 中国科学: 信息科学,2011,41(7): 875-891. Qiu Q,Han J D. 2.5-Dimensional angle potential field algorithm for the real autonomous navigation of outdoor mobile robots[J]. Scientia: Sinica Informationis,2011,41(7): 875-891.
[15] 徐玉华,张崇巍,徐海琴. 基于激光测距仪的移动机器人避障新方法[J]. 机器人,2010,32(2): 179-183. Xu Y H,Zhang C W,Xu H Q. A new obstacle avoidance method for mobile robot based on laser range finder[J]. Robot,2010,32(2): 179-183.
[16] 袁文博,曹志强,刘希龙,等. 基于局部感知环境分区评价的机器人运动控制[J]. 华中科技大学学报: 自然科学版,2013,41(S1): 38-41. Yuan W B,Cao Z Q,Liu X L,et al. A motion control for mobile robot based on subregions evaluation in local sensing environment[J]. Journal of Huazhong University of Science & Technology: Natural Science Edition,2013,41(S1): 38-41.
[17] Kim M S,Moon S R,Lee K H. Motion planning with planar geometric models[C] //IEEE International Conference on Robotics and Automation. Piscataway,USA: IEEE,1991: 1015-1020.
[18] Vaughan R T,Gerkey B,Howard A. On device abstractions for portable,resuable robot code[C] //IEEE International Conference on Intelligent Robots and Systems. Piscataway,USA: IEEE,2003: 2121-2427.
[19] Howard A. The player robot device server: Laserspace[DB/OL]. (2011-05-24)[2013-07-10]. http: //playerstage.sourceforge.net/doc/Player-cvs/player/group_driver_lasercspace.html.
[20] Gerkey B P,Vaughan R T,Howard A. The player/stage project: Tools for multi-robot and distributed sensor systems[C] //IEEE International Conference on Advanced Robotics. Piscataway,USA: IEEE,2003: 317-323.
http://dx.doi.org/10.13976/j.cnki.xk.2015.0091
中国科学院主管，中国科学院沈阳自动化研究所、中国自动化学会共同主办。
0

文章信息

王蛟龙, 周洁, 高慧, 秦娜, 马磊
WANG Jiaolong, ZHOU Jie, GAO Hui, QIN Na, MA Lei
基于局部环境形状特征识别的移动机器人避障方法
Obstacle Avoidance Method for Mobile Robots Based on the Identification of Local Environment Shape Features
信息与控制, 2015, 44(1): 91-98.
INFORMATION AND CONTROL, 2015, 44(1): 91-98.
http://dx.doi.org/10.13976/j.cnki.xk.2015.0091

文章历史

收稿日期：2014-02-17
录用日期：2014-05-19
修回日期：2014-10-09

工作空间