自主机器人论文自主机器人定位扩展卡尔曼滤波

自主机器人论文自主机器人定位扩展卡尔曼滤波 自主机器人论文:自主机器人 定位 扩展卡尔曼滤波 【中文摘要】在复杂环境下,自主机器人的导航越来越受到人们的青睐。在本论文里,把机器人的导航和其所处的环境考虑为统一的系统,也即,机器人-环境性的机器人系统。这样的系统通常需要考虑设计者的经验和设备的运行性能。在这里从机器人的角度出发,设计了一个复杂的系统,主要是用来估计环境的复杂性,再利用相关信息去设计机器人的控制器,辅助机器人导航。在本篇论文里,考虑到有噪声的环境下,测量的数据可能是不准确的。因此用各种算法演算得出的机器人位置,也是有误差的。为了纠正在定位上出现类似的问,这里用到了扩展卡尔曼滤波去估计机器人的位置。卡尔曼滤波通常使用在非线性系统下,是一种递归滤波,只需用先前状态就可估计出下一个状态。这里就用扩展卡尔曼定位算法来解决定位问题。接着融合了模糊逻辑控制和基于行为优先级的控制,用模糊算法来解决路径问题。提出了四种基本行为:目标寻找、避障、跟踪和解锁;并用模糊控制器来实现。针对’U’型和’V’型障碍物,提出了路径记忆行为,并通过构建虚拟墙来避免机器人再次走入此类区域。Matlab仿真结果表明,所提出的算法可有效地解决复杂和未知环境下自主移动机器人的导航,且具有很好的鲁棒性和对传感器不确定性的适应能力。考虑到已经有很多方法改进了自主机器人的模糊控制器,然而,仍需大量的工作进行遗传算法改进模糊控制分层的研究。在文章中,提出了用遗传算法实现模糊控制器参数的优化问题。在模拟环境下用遗传算法去改进逻辑控制器,用模糊控制器去设计导航策略。实验 的结果展示了,用遗传算法改进模糊控制器的可行性,更好的导航机器人在不同的环境下,平滑地移动。 【英文摘要】Recently, researchers have begun to investigate intelligent environments for robot application. In this work, a robot and its work environment can be considered to an integrated system. Currently, such robot-environment systems are designed through lots of research, with the final performance of the system greatly dependent on the experience and preferences of the designer. This dissertation investigates a way to improve on this situation by looking at the complexity of an environment from perspective of a robot. The objective of this research is to develop a method to evaluate environmental complexity and then use this information to help design a robot-environment system, and help robot’s navigation.However in case of noisy environment, the range measurements have greater inaccuracy. In such cases, localization using any algorithm for the localization can provide some inaccuracy. To rectify such erroneous localization situations, Extended Kalman Filters are used to estimate the position. The Extended Kalman Filter has been used the process for estimation of coordinates is a non-linear process. The EKF is a recursive filter which only needs the information from the previous state to predi ct the next state. The dissertation implements the Extended Kalman Filter Localization algorithm for the preparation of the research.Here develops a Fuzzy logic (FL) algorithm to solve the robot motion path problem by incorporating fuzzy logic control and priority-based behavior control. First, four basic behaviors for mobile robot navigation are proposed, such as goal seeking, obstacle avoidance, tracking, and deadlock disarming, which are implemented through a fuzzy logic controller. In particular for’U’or’V’shaped obstacles, where mobile robot may be trapped, a Path Remembering Behavior is employed to protect robots from re-entering such areas via the Creation of Virtual Wall. The Matlab simulation results show that the proposed algorithm is effective in navigating mobile robots in a complex and unknown circumstance, and it has good robustness and adaptability to the uncertainties involved in sensor.Recently, there has been extensive work on the improvement of the fuzzy controllers for mobile robots. In this dissertation, it provides some means to realize evolutionary optimization as a promising method for developing fuzzy controllers. However, there remains still much investigation on the evolutionary fuzzy controller because most of the previous works have not seriously attempted to analyze this question. This paper develops a fuzzy logic controller for a mobile robot with a Genetic Algorithm (GA) in simulation environments and analyzes the behaviors of the controller. Experimental results show that appropriate control mechanisms of the fuzzy controller are obtained by evolution. The controller has evolved well enough to smoothly drive the robot in different environments. 【关键词】自主机器人 定位 扩展卡尔曼滤波 模糊控制 遗传算法 【英文关键词】Mobile robot Localization Extended Kalman Filter(EKF) Fuzzy Logic(FL) Genetic Algorithm (GA) 【目录】未知环境下机器人即时定位与路径规划 摘要 4-5 Abstract 5-6 目录 7-10 1 绪论 10-17 1.1 目的和背景 10-11 1.1.1 目的 10-11 1.1.2 背景 11 1.2 机器人研究现状 11-12 1.3 机器人路径规划问题 12-13 1.4 方法的研究现状 13-15 1.4.1 基于行为的路径规划 13 1.4.2 基于神经网络的路径规划 13-14 1.4.3 基于模糊逻辑的路径规划 14 1.4.4 基于传统的路径规划 14-15 1.5 论文的主要工作 15-17 2 自主机器人系统 17-31 2.1 机器人运动形式 17-20 2.1.1 腿式移动机器人 17-18 2.1.2 轮 式移动机器人 18-20 2.2 机器人导航 20-22 2.3 机器人感知能力 22-26 2.3.1 轮子/电机传感器 23 2.3.2 导向传感器 23 2.3.3 基于地面的信标 23-24 2.3.4 有源测距 24-25 2.3.5 运动/速度传感器 25 2.3.6 基于视觉的传感器 25-26 2.4 机器人的运动学模型 26-28 2.5 移动机器人的定位与环境构建 28-30 2.5.1 定位 28 2.5.2 地图构建 28-29 2.5.3 SLAM常用方法简介 29-30 2.6 本章小结 30-31 3 基于EKF的SLAM算法研究 31-43 3.1 实际自主机器人模型 31-32 3.1.1 轮式机器人系统 31 3.1.2 编码器读数转换 31 3.1.3 外置的测距/方位传感器 31-32 3.2 线性化 32-36 3.2.1 运动模型线性化 32-34 3.2.2 传感器模型线性化 34 3.2.3 有噪声的控制系统 34 3.2.4 噪声的特征矩阵 34-35 3.2.5 雅可比矩阵 35-36 3.3 把EKF用到标准的自主机器人上 36-41 3.4 本章 41-43 4 模糊算法在路径规划中的应用 43-56 4.1 模糊控制系统 43-49 4.1.1 模糊集合和模糊逻辑 43-44 4.1.2 隶属函数 44 4.1.3 模糊控制系统 44-49 4.2 机器人传感器布置 49 4.3 坐标系统和控制量 49-50 4.4 基于模糊行为的分层控制器设计 50-54 4.4.1 分层行为 50-53 4.4.2 控制策略 53-54 4.5 导航控制仿真 54-55 4.6 本章小结 55-56 5 基于改进模糊算法的路 径规划 56-67 5.1 遗传算法的基本思想 56-58 5.2 改进模糊逻辑控制器设计 58-63 5.2.1 模糊集设计 59-60 5.2.2 模糊规则库设计 60-61 5.2.3 模糊推理 61-62 5.2.4 解模糊策略 62-63 5.3 运用遗传算法优化的研究 63-64 5.4 改进仿真实验 64-66 5.5 本章小结 66-67 6 总结 67-69 6.1 研究工作总结 67 6.2 研究工作展望 67-69 参考文献 69-72 个人简历、在学期间发表的学术论文及研究成果 72-73 致谢 73