论文部分内容阅读
动态环境下的自主规划方法是移动机器人研究的重要方向之一。如何将机器人自身的本体(动力学)能力、以及周边动态环境作为优化行为产生的约束，并提高优化过程的实时性，是目前有待深入研究的主要问题。针对这两方面问题，本文提出了三种新的自主规划方法，旨在逐步实现在具有本体动力学和动态环境约束情况下的优化算法实时性与最优性的统一。
首先，针对基于进化计算(EA)方法解决动态路径规划问题中的实时性问题以及人工势场(AP)法的优化和局部极小问题，提出了用AP引导EA的搜索方法(APEA)。该方法把人工势场与EA搜索相结合，在传统EA中加入势场作为引导，使搜索沿着势场方向进行，从而得到一条相对于搜索区域的次优轨迹。APEA方法借鉴了AP的快速性和EA的优化性，改善了单纯EA法盲目搜索的缺陷，提高了收敛率和实时性。通过仿真对APEA和单纯EA两种搜索方法的性能进行了比较，结果表明APEA方法在处理动态多障碍物问题时相对单纯EA方法具有实时、高效、收敛的特点，同时在很大程度上解决了单纯AP方法在解决多障碍物问题时的局部极小问题。
其次，为弥补APEA方法的次最优性以及进一步提高算法的实时性，本文提出了相对速度坐标系下基于混合整数线性规划(MILP)的最优轨迹产生方法。在相对速度坐标系下，把动态环境下机器人路径规划这一非线性问题，描述成满足一组线性约束同时使目标函数极小的线性规划问题，嵌入基于MILP的规划器，从而得到一条满足性能要求的最优路径。仿真结果验证了算法的实用性及有效性，与势场引导进化计算方法相比较表明，该方法的优化程度更高、实时性更好。
第三，基于认知仿生的研究成果，将人基于知识经验的优化决策机制引入到机器人的轨迹规划中来，提出了基于离线训练知识库、在线智能发育以及利用知识引导优化的移动机器人自主智能发育方法。给出了复杂环境下移动机器人路径规划问题的自主智能发育模型。介绍了基于递增分层判别回归(IHDR)知识表达、存储、积累、更新机制，以及用于轨迹规划问题时的离线训练、在线知识更新以及知识检索过程，同时提出了性能评价指标，从而形成一套完整的面向轨迹规划的自主智能发育机制。对于一个新的机器人本体，通过对其路径规划技能的离线训练，使这种知识存储于IHDR内，从而产生一定的自主路径规划能力。当机器人需要完成某种规划任务时，根据外部环境以及自身状态的不同，在其内部知识库中检索到最匹配的状态，与之对应的行为作为被选行为，通过一定的评价指标进行评价：若达到一定的满意度，机器人即采用该行为；若不能达到评价指标的要求，则需要通过重新学习，对知识库进行更新补充，以达到对新情况的很好应对。
最后，利用上述自主智能发育模型从直接规划和间接规划两方面对动态环境中移动机器人的路径规划问题进行研究，并对于不同的规划目的提出了不同的自主规划模型和评价机制。所谓直接规划是指利用知识库检索直接得出机器人的具体行为，作为规划结果指导机器人前进;间接规划则是将检索结果作为一种优化指导，从而减小最优规划算法(如进化算法、线性规划等方法)的搜索空间，降低计算量，从而达到在线计算的目的。仿真结果验证了两种方法的有效性，并说明了这种自主智能发育模型具有很强的自适应、自学习能力。