活動機器人常用感測器及相關技術

知識 07-12

OFweek感測器網訊：移動機器人是機器人的重要研究領域，人們很早就開始移動機器人的研究。從20世紀70年代末開始，隨著計算機的應用和感測技術的發展，以及新的機器人導航演算法的不斷推出，移動機器人研究開始進入快車道。

活動機器人常用感測器及相關技術

感測器應用於移動機器的避障及自主導航技術

移動機器人智能的一個重要標誌就是自主導航，而實現機器人自主導航有個基本要求——避障。下面讓我們來了解一下移動機器人的避障，避障是指移動機器人根據採集的障礙物的狀態信息，在行走過程中通過感測器感知到妨礙其通行的靜態和動態物體時，按照一定的方法進行有效地避障，最後達到目標點。

實現避障與導航的必要條件是環境感知，在未知或者是部分未知的環境下避障需要通過感測器獲取周圍環境信息，包括障礙物的尺寸、形狀和位置等信息，因此感測器技術在移動機器人避障中起著十分重要的作用。避障使用的感測器主要有超聲感測器、視覺感測器、紅外感測器、激光感測器等。

激光測距感測器利用激光來測量到被測物體的距離或者被測物體的位移等參數。比較常用的測距方法是由脈衝激光器發出持續時間極短的脈衝激光，經過待測距離後射到被測目標，回波返回，由光電探測器接收。根據主波信號和回波信號之間的間隔，即激光脈衝從激光器到被測目標之間的往返時間，就可以算出待測目標的距離。由於光速很快，使得在測小距離時光束往返時間極短，因此這種方法不適合測量精度要求很高的（亞毫米級別）距離，一般若要求精度非常高，常用三角法、相位法等方法測量。

視覺感測器的優點是探測範圍廣、獲取信息豐富，實際應用中常使用多個視覺感測器或者與其它感測器配合使用，通過一定的演算法可以得到物體的形狀、距離、速度等諸多信息。或是利用一個攝像機的序列圖像來計算目標的距離和速度，還可採用SSD演算法，根據一個鏡頭的運動圖像來計算機器人與目標的相對位移。但在圖像處理中，邊緣銳化、特徵提取等圖像處理方法計算量大，實時性差，對處理機要求高。且視覺測距法檢測不能檢測到玻璃等透明障礙物的存在，另外受視場光線強弱、煙霧的影響很大。

大多數紅外感測器測距都是基於三角測量原理。紅外發射器按照一定的角度發射紅外光束，當遇到物體以後，光束會反射回來，如圖所示。反射回來的紅外光線被CCD檢測器檢測到以後，會獲得一個偏移值L，利用三角關係，在知道了發射角度α，偏移距L，中心矩X，以及濾鏡的焦距f以後，感測器到物體的距離D就可以通過幾何關係計算出來了。紅外感測器的優點是不受可見光影響，白天黑夜均可測量，角度靈敏度高、結構簡單、價格較便宜，可以快速感知物體的存在，但測量時受環境影響很大，物體的顏色、方向、周圍的光線都能導致測量誤差，測量不夠精確。

超生波感測器檢測距離原理是測出發出超聲波至再檢測到發出的超聲波的時間差，同時根據聲速計算出物體的距離。由於超聲波在空氣中的速度與溫濕度有關，在比較精確的測量中，需把溫濕度的變化和其它因素考慮進去。超聲波感測器一般作用距離較短，普通的有效探測距離都在5-10m之間，但是會有一個最小探測盲區，一般在幾十毫米。由於超聲感測器的成本低，實現方法簡單，技術成熟，是移動機器人中常用的感測器。

機器人避障技術的分類

目前移動機器人的避障根據環境信息的掌握程度可以分為障礙物信息已知、障礙物信息部分未知或完全未知兩種。傳統的導航避障方法如可視圖法、柵格法、自由空間法等演算法對障礙物信息己知時的避障問題處理尚可，但當障礙信息未知或者障礙是可移動的時候，傳統的導航方法一般不能很好的解決避障問題或者根本不能避障。而實際生活中，絕大多數的情況下，機器人所處的環境都是動態的、可變的、未知的，為了解決上述問題，人們引入了計算機和人工智慧等領域的一些演算法。同時得益於處理器計算能力的提高及感測器技術的發展，在移動機器人的平台上進行一些複雜演算法的運算也變得輕鬆，由此產生了一系列智能避障方法，比較熱門的有：遺傳演算法、神經網路演算法、模糊演算法等，下面分別加以介紹。

遺傳演算法（genetic algorithm ，簡稱GA ）是計算數學中用於解決最佳化的搜索演算法，是進化演算法的一種。進化演算法是借鑒了進化生物學中的遺傳、突變、自然選擇以及雜交等現象而發展起來的。遺傳演算法採用從自然進化中抽象出來的幾個運算元對參數編碼的字元串進行遺傳操作，包括複製或選擇運算元（Reproduction or Select）、交叉運算元（Crossover）、變異運算元（Mutation）。

遺傳演算法的主要優點是：採用群體方式對目標函數空間進行多線索的並行搜索，不會陷入局部極小點；只需要可行解目標函數的值，而不需要其他信息，對目標函數的連續性、可微性沒有要求，使用方便；解的選擇和產生用概率方式，因此具有較強的適應能力和魯棒性。

神經網路（neural network，縮寫NN），是一種模仿生物神經網路的結構和功能的數學模型或計算模型。神經網路由大量的人工神經元聯結進行計算。大多數情況下人工神經網路能在外界信息的基礎上改變內部結構，是一種自適應系統。人工神經網路通常通過一個基於數學統計學類型的學習方法優化，是一種非線性統計性數據建模工具，可以對輸入和輸出間複雜的關係進行建模。

傳統的神經網路路徑規劃方法往往是建立一個關於機器人從初始位置到目標位置行走路徑的神經網路模型，模型輸入是感測器信息和機器人前一位置或者前一位置的運動方向，通過對模型訓練輸出機器人下一位置或者下一位置的運動方向。可以建立基於動態神經網路的機器人避障演算法，動態神經網路可以根據機器人環境狀態的複雜程度自動地調整其結構，實時地實現機器人的狀態與其避障動作之間的映射關係，能有效地減輕機器人的運算壓力。還有研究通過使用神經網路避障的同時與混合智能系統（HIS）相連接，可以使移動機器人的認知決策避障能力和人相近。

模糊控制（fuzzy control）是一類應用模糊集合理論的控制方法，它沒有像經典控制理論那樣把實際情況加以簡化從而建立起數學模型，而是通過人的經驗和決策進行相應的模糊邏輯推理，並且用具有模糊性的語言來描述整個時變的控制過程。對於移動機器人避障用經典控制理論建立起的數學模型將會非常粗糙，而模糊控制則把經典控制中被簡化的部分也綜合起來加以考慮。

對於移動機器人避障的模糊控制而言，其關鍵問題就是要建立合適的模糊控制器，模糊控制器主要完成障礙物距離值的模糊化、避障模糊關係的運算、模糊決策以及避障決策結果的非模糊化處理（精確化）等重要過程，以此來智能地控制移動機器人的避障行為。利用模糊控制理論還可將專家知識或操作人員經驗形成的語言規則直接轉化為自動控制策略。通常使用模糊規則查詢表，用語言知識模型來設計和修正控制演算法。

除此之外還有啟發式搜索演算法、基於行為的路徑規劃演算法、基於再激勵學習的路徑規劃演算法等避障演算法，也都在移動機器人的避障研究中取得了很好的成果。

隨著計算機技術、感測器技術、人工智慧的發展，移動機器的避障及自主導航技術已經取得了豐碩的研究成果，應用領域也在不斷地擴大，應用複雜程度也越來越高。移動機器人的自主尋路要求已經從之前簡單的功能實現提升到可靠性、通用性、高效率上來，因此對其相關技術提出了更高的要求。然而至今沒有任何一種方法能夠在任意環境使機器人進行有效地避障，如何克服相關演算法的局限性是今後工作的研究方向之一。可以看出不管是傳統演算法還是新興的智能演算法都有其適用與不適用的環境，通過傳統演算法與智能演算法及智能演算法之間的相互融合，克服單個演算法的缺陷，增強整體的適用性，現在已經有很多這方面的研究，以後仍將是研究熱點之一。

請您繼續閱讀更多來自 OFweek光電新聞網 的精彩文章:

人工智慧興起「終結者」真會出現嗎

聯想之星Comet Labs薩曼：人工智慧技術是下一個浪潮

馬來西亞光學領域代表團訪問上海光機所

2016年生物3D列印八大重要成果

我們為什麼那麼執著於人形機器人

TAG:OFweek光電新聞網 |

您可能感興趣