移动机器人避障与路径规划研究_1绪论_8_16.txt

已知环境下基于蚂蚁算法移动机器人路径规划

1 绪论 


1.1 引言 
1.1.1 移动机器人的历史与现状
机器人的应用越来越广泛，几乎渗透到所有领域。移动机器人是机器人学中的
一个重要分支。早在 60年代，就已经开始了关于移动机器人的研究。关于移动机器
人的研究涉及许多方面，首先，要考虑移动方式，可以是轮式的、履带式、腿式的，
对于水下机器人，则是推进式 [1]。斯坦福研究院 (SRI)的 Nils Nilssen和 Charles Rosen
等人，在 1966年至 1972年中研造出了取名 Shakey的自主移动机器人。目的是研究
应用人工智能技术，在复杂环境下机器人系统的自主推理、规划和控制 [2]。与此同时，
最早的步行机器人也研制成功，从而开始了机器人步行机构方面的研究，以解决机
器人在不平整地域内的运动问题，设计并研制出了多足步行机器人。其中最著名是
名为 General Electric Quadruped的步行机器人[3]。70年代末，随着计算机的应用和传
感技术的发展，移动机器人研究又出现了新的高潮。特别是在 80年代中期，设计和
制造机器人的浪潮席卷全世界。一大批世界著名的公司开始研制移动机器人平台，
这些移动机器人主要作为大学实验室及研究机构的移动机器人实验平台，从而促进
了移动机器人学多种研究方向的出现。90年代以来，以研制高水平的环境信息传感
器和信息处理技术，高适应性的移动机器人控制技术，真实环境下的规划技术为标
志，开展了移动机器人更高层次的研究 [4]。移动机器人研究发展状况以国内和国外来
分：

① 国外移动机器人的发展概况
美国国家科学委员会曾预言：“20世纪的核心武器是坦克，21世纪的核心武器
是无人作战系统，其中 2000年以后遥控地面无人作战系统将连续装备部队，并走向
战场”。为此，从 80年代开始，美国国防高级研究计划局（DARPA）专门立项，制
定了地面无人作战平台的战略计划。从此，在全世界掀开了全面研究室外移动机器

1 



人的序幕，如 DARPA的“战略计算机”计划中的自主地面车辆（ ALV）计划（ 1983 
—1990），能源部制订的为期 10年的机器人和智能系统计划（ RIPS）（1986—1995）,
以及后来的空间机器人计划；日本通产省组织的极限环境下作业的机器人计划等[1]。

美国航空暨太空总署(NASA)研制的火星探测机器人索杰那于 1997年登上火星，
这一事件向全世界进行了报道。德国研制了一种轮椅机器人，并在乌尔姆市中心车
站的客流高峰期的环境和1998年汉诺威工业商品博览会的展览大厅环境中进行了实
地现场表演。该轮椅机器人在公共场所拥挤的、有大量乘客的环境中，进行了超过 
36个小时的考验，所表现出的性能是其它现存的轮椅机器人或移动机器人所不可比
的[5]。不久以前美国的另外两个火星探测机器人：精神号 (Spirit)与机会号 
(Opportunity)，已经分别在 2004年 1月 3日及 24日登陆火星，引起了全世界的广泛
关注。

② 国内移动机器人研究概况
国内在移动机器人的研究起步较晚，大多数研究尚处于某个单项研究阶段，主
要的研究工作有：清华大学智能移动机器人于 1994年通过鉴定。涉及到五个方面的
关键技术[6]：基于地图的全局路径规划技术研究（准结构道路网环境下的全局路径规
划、具有障碍物越野环境下的全局路径规划、自然地形环境下的全局路径规划）；基
于传感器信息的局部路径规划技术研究（基于多种传感器信息的“感知——动作”
行为、基于环境势场法的“感知——动作”行为、基于模糊控制的局部路径规划与
导航控制）；路径规划的仿真技术研究（基于地图的全局路径规划系统的仿真模拟、
室外移动机器人规划系统的仿真模拟、室内移动机器人局部路径规划系统的仿真模
拟）；传感技术、信息融合技术研究（差分全球卫星定位系统、磁罗盘和光码盘定位
系统、超声测距系统、视觉处理技术、信息融合技术）；智能移动机器人的设计和实
现。香港城市大学智能设计、自动化及制造研究中心的自动导航车和服务机器人。
中国科学院沈阳自动化研究所的 AGV和防爆机器人。中国科学院自动化所自行设
计、制造的全方位移动式机器人视觉导航系统。清华大学于 2003年 7月研制成功的 
THMR—V智能车等[7]。

2



1.1.2 移动机器人主要研究的方向
①导航和定位
导航和定位是移动机器人研究的两个重要问题。移动机器人的导航方式可分为 
[1]：基于环境信息的地图模型匹配导航；基于各种导航信号的陆标导航、基于视觉导
航和味觉导航等。环境地图模型匹配导航是机器人通过自身的各种传感器，探测周
围环境，利用感知到的局部环境信息进行局部地图构造，并与其内部事先存储的完
整地图进行匹配。如两模型相互匹配，机器人可确定自身的位置，并根据预先规划
的一条全局路线，采用路径跟踪和避障技术，实现导航。它涉及环境地图模型建造
和模型匹配两大问题。

②路径规划
路径规划技术是机器人研究领域中的一个重要分支。所谓机器人的最优路径规
划问题，就是依据某个或某些优化准则(如工作代价最小、行走路线最短、行走时间
最短、行走能量消耗最低等)，在其工作空间中找到一条从起始状态到目标状态的能
避开障碍物的最优路径。机器人路径规划方法大致可以分为两类 
[8]：传统方法和智能
方法。另外，根据机器人对环境信息知道的程度不同，可分为两种类型 
[4]：环境信息
完全知道的全局路径规划和环境信息完全未知或部分未知，通过传感器和摄像头等
设备在线地对机器人的工作环境进行探测，以获取障碍物的位置、形状和尺寸等信
息的局部路径规划。

③机器人视觉
机器人视觉是随着 
60 年代末计算机与电子技术的快速发展而出现的。把视觉信
息用于机械手定位的研究可以追溯到 
70 年代。当时出现了一些实用性的视觉系统, 
如应用于集成电路生产、精密电子产品装配、饮料罐装场合的检测等。 
80 年代后期, 
出现了专门的图像处理硬件, 人们开始系统地研究机器人视觉控制系统。到了 
90 年
代, 随着计算机能力的增强和价格下降, 以及图像处理硬件和 
CCD 摄像机的快速发
展, 机器视觉系统吸引了众多研究人员的注意。在过去的几年里 
, 机器人视觉控制无
论是在理论上还是在应用方面都有很大进步[9]。目前，机器人视觉系统正在广泛地应
用于视觉检测、机器人的视觉引导和自动化装配领域中。

3 



④ 多传感器信息融合
移动机器人的多传感器信息融合方面的研究始于 80年代。多传感器融合的常用
方法有：加权平均法、贝叶斯估计、卡尔曼滤波、统计决策理论等规则 [10]。其中加
权平均法是最简单也最直观的方法，一般用于对动态低水平的数据进行处理，但结
果不是统计上的最优估计；贝叶斯估计是融合静态环境中多传感器低层数据的常用
方法，适用于具有高斯白噪声的不确定性传感信息融合；对于系统噪声和观测噪声
为高斯白噪声的线性系统模型用卡尔曼滤波 (KF)来融合动态低层次冗余传感信息，
对于非线性系统模型采用扩展卡尔曼滤波(EKF)或者分散卡尔曼滤波(DKF)；统计决
策理论用于融合多个传感器的同一种数据，常用于图像观测数据。

多传感器及先进的感知算法，将是在现实环境中实现具有高度灵活性及高鲁棒
性行为的机器人的关键。采用多个传感器的优点是很明显的[11]：(1)多个传感器可提
供同一环境特征的冗余信息；(2)可提供出现在环境中有关特征的互补信息；(3)多个
信息可以并行快速地分析当前的场景；(4)多个传感器虽然成本较高，但具有高鲁捧
性，可改善完成特定工作的指标； (5)在某传感器发生故障的情形下，很快可以重组，
重新投入工作。

单一传感器只能获得环境特征的部分信息段，为了完整、准确地反映环境特征，
在智能移动机器人导航系统中往往装有多种传感器，它们提供的信息有些是互补的，
有些是冗余的，必须以一定的方法融合这些互补或冗余的传感器信息，以充分利用
多传感器提供的信息，才能获得最佳的、可靠的信息，从而更准确，更全面地反映
外界环境的特征，为导航决策提供正确的依据。多传感器信息融合是协调使用多个
传感器，把分布在不同位置的多个同质或异质传感器所提供的局部不完整测量及相
关联数据库中的相关信息加以综合，消除多传感器之间可能存在的冗余和矛盾，并
加以互补，降低其不确定性，获得对物体或环境的一致性描述的过程。信息融合技
术可以增加各类传感器信息的互补性，对环境变化的适应性，使智能机器人具有完
成某一任务所需的完备信息，实现各种复杂、动态、不确定环境下的自主性，提高
决策的正确性和导航控制的鲁棒性[12]。

⑤多移动机器人协调
4



多机器人系统的研究始于 
20世纪 
70年代，随着机器人应用领域的不断拓展、
机器人工作环境复杂度、任务的加重，对机器人的要求不再局限于单个机器人，多
机器人的研究已经成为机器人学研究的一个热点。多机器人系统的研究分为多机器
人合作(Multi-robot Coordination)和多机器人协调(Multi-robot Cooperation)两大类，主
要研究给定一个多机器人系统任务后，如何组织多个机器人去完成任务。

一个相互协调的多机器人系统有着单个机器人系统所无法比拟的优势[13]:(1) 相
互协调的 
n个机器人系统的能力可以远大于一个单机器人系统的 
n倍, 多机器人系统
还可以实现单机器人系统所无法实现的复杂任务；(2) 当环境或任务极其复杂, 需要
机器人具有多种能力, 而设计这种集所有能力于一体的单机器人成为不可能时, 多
机器人系统是最佳解决方案；(3) 设计和制造多个简单机器人比单个复杂机器人更容
易、成本更低；(4) 使用多机器人系统可以大大节约时间, 提高效率；(5) 多机器人
系统的平行性和冗余性可以提高系统的柔性、鲁棒性和容错性等。然而 
, 多机器人系
统也存在单机器人系统所不存在的问题[14]：(1) 复杂协调任务的描述；(2) 同一工作
空间中多机器人协调和集中；(3) 多机器人协调系统的自适应控制；(4) 智能体之间
如何识别和解决冲突；(5) 多机器人协调系统的负载分配等。 


1.2 多传感器信息融合结构模型
目前，随着高新技术的发展，传感器的种类不断的得到完善，同时其精度也不
断的得到提高。移动机器人是高新科技的融合体，在某种方面上代表了当今传感技
术的发展水平。

多传感器信息融合系统的结构模型应根据应用问题特性来灵活确定；但一般可
分为集中式、分散式、混合式等。它们在信息损失、数据通信带宽要求、数据关联、
处理精度等方面备有优劣。设计一个多传感器信息融合系统的关键问题之一就是决
定在数据流的哪一段进行组合或融合。 


1.2.1 融合的层次
融合的层次性指的是，多传感器提供的信息在什么阶段进行融合。多传感器信

5