基于反應式的移動機器人避障研究與實現(xiàn)

李奕銘， 王 浩

（合肥工業(yè)大學 計 算機與信息學院，安徽 合 肥 230009）

0 引 言

移動機器人在移動過程中是否能快速、準確地對周圍環(huán)境做出反應，實時避開前進中的障礙物，并且不間斷地移動到目的地是非常重要的，也是目前移動機器人研究的重點。移動機器人的避障控制方法有很多，根據(jù)對環(huán)境信息獲取方式的不同情形，可以將機器人避障和路徑規(guī)劃分為如下2種類型：① 基于環(huán)境信息完全已知的全局路徑規(guī)劃，即靜態(tài)規(guī)劃；② 基于從傳感器實時獲取信息的局部路徑規(guī)劃，即動態(tài)規(guī)劃。全局路徑規(guī)劃目前比較成熟，它首先對環(huán)境建模，然后進行路徑搜索。

環(huán)境建模的主要方法有可視圖法及柵格法［1］等；局部路徑規(guī)劃的主要方法有人工勢場法［2］、遺傳算法［3］和模糊邏輯算法等。目前使用的主要方法是人工勢場法和柵格法，這些方法各有優(yōu)缺點，沒有一種方法能夠完全適用于任何場合。靜態(tài)規(guī)劃以環(huán)境模型為基礎進行全局無碰撞路徑規(guī)劃，可方便地搜索到全局目標，但無法適應變化的環(huán)境和回避動態(tài)障礙物；動態(tài)規(guī)劃不需事先進行規(guī)劃，而是讓機器人直接響應環(huán)境變化，應用傳感器獲取的環(huán)境信息實現(xiàn)實時回避障礙物，因而具有快速、實時、高效的特點，但是容易喪失目標甚至掉入局部陷阱區(qū)域。

通過以上討論，可以看出不同的避障算法都有著不同的優(yōu)點和缺點。人工勢場法在全局路徑規(guī)劃中的避障非常有效，但是很容易出現(xiàn)振蕩、擺動現(xiàn)象；柵格法不能解決環(huán)境分辨率和環(huán)境信息存儲量大的問題，且柵格粒度大小的確定也是一個很難解決的問題；人工神經(jīng)網(wǎng)絡［4］和遺傳算法能找到最優(yōu)的路徑，但是算法相對復雜且開銷很大，不一定適合快速動態(tài)的環(huán)境，尤其是在狹小復雜的動態(tài)空間。

為了更好地使機器人能在復雜多變的環(huán)境中安全穩(wěn)定地移動，本文提出了一種基于反應式的移動機器人避障方法。該方法基于從傳感器實時獲取信息進行局部路徑規(guī)劃，并且只針對靜態(tài)障礙物的存在。

該方法通過對ND（Nearness diagram，簡稱ND）算法［5］進行改進，并結(jié)合一種基于行為融合的機器人自主避障方法［6］，得到一種新的基于反應式的移動機器人避障算法。

通過使用劃分扇區(qū)［7］的方法分解機器人的環(huán)境信息；然后通過設定情景－動作規(guī)則將機器人所處環(huán)境分類成不同的情景；最后根據(jù)不同的情景動態(tài)調(diào)整機器人前進路線，使機器人能安全、快速、平滑地向目標點前進。

1 情景－動作設計

為了能更好地使機器人適應各種不同的環(huán)境，在本方法中使用了動態(tài)規(guī)劃，即一種反應式導航方法，它使用一種基于位置的“分而治之”的策略，將機器人所處的環(huán)境分解成不同的情景，從而簡化導航的難度。

首先通過傳感器獲得周圍信息，然后根據(jù)所獲得的信息辨別當前機器人所處情景，接著根據(jù)所處情景選擇相應的動作執(zhí)行，而動作的選擇則需要通過定義的位置－動作規(guī)則來決定。

1.1 情景設計

根據(jù)不同的情景，選擇相對應的動作移動機器人，所以，情景設計需要考慮到機器人的各種處境。在設計情景過程中，將機器人、障礙物和目標點等綜合起來考慮，通過它們之間的聯(lián)系逐一設計各種情景。

在描述機器人與障礙物（OBS）之間的關系時，引入了一個安全區(qū)域（Safety－area）的概念，此安全區(qū)域即為以移動機器人質(zhì)心為圓心、以ds＋R為半徑的圓形區(qū)域，其中R為移動機器人半徑，ds為0.4m。另外，引入一個目標區(qū)域（Goal－area）的概念，目標區(qū)域為移動機器人根據(jù)規(guī)則最終選擇移動的區(qū)域。

Goal－area的計算方法如下：尋找分布在掃描范圍內(nèi)每個障礙物的邊緣gaps；將2個鄰近的非同一個障礙物的gap之間的區(qū)域作為Goal－area的備選區(qū)域集；從Goal－area的備選區(qū)域集中選擇最靠近目標點。

假設目標點左側(cè)的可行區(qū)域為R1，目標點右側(cè)的可行區(qū)域為R2，區(qū)域R1中靠近目標點的gap為g1，區(qū)域R2中靠近目標點的gap為g2；如果目標點到g1的垂直距離小于目標點到g2的垂直距離，那么R1即為最靠近目標點的區(qū)域；反之，R2則為最靠近目標點的區(qū)域?？砂踩旭偟膮^(qū)域作為最終的Goal－area，如圖1所示。

圖1 安全行駛區(qū)域

1.2 情景－動作規(guī)則

在建立機器人、障礙物、目標點之間相互聯(lián)系的基礎上，可以通過機器人的傳感器獲得場上的具體信息，從而按照規(guī)則來確定情景集，將這一系列規(guī)則定義為情景－動作規(guī)則。

（1）安全規(guī)則，稱為規(guī)則1。定義2種安全系數(shù)，即高安全系數(shù)（high－safety）和低安全系數(shù)（low－safety）。如果移動機器人的 Safety－area中沒有障礙物，就定義機器人處于高安全系數(shù)；反之，如果移動機器人的Safety－area中存在障礙物，就定義機器人處于低安全系數(shù)。

（2）危險障礙物分布規(guī)則，稱為規(guī)則2。將存在于Safety－area中的障礙物稱為危險障礙物，而在Safety－area中危險障礙物的分布又可以分成2種不同的情況，即機器人一側(cè)有危險障礙物和機器人兩側(cè)都有危險障礙物。

（3）目標點是否能直接到達規(guī)則，稱為規(guī)則3。根據(jù)目標點是否在Goal－area中來判斷目標點能否直接到達，即能直接到達和不能直接到達。

（4）Goal－area寬度規(guī)則，稱為規(guī)則4。當Goal－area的角度大于給定的某個角度（本文定義為120°）時，稱之為寬角度 wide－angel；反之，稱之為窄角度narrow－angel。

1.3 情景集

通過規(guī)則定義機器人所處環(huán)境情景集。

（1）LSNG1（low－safety no goal 1）。根據(jù)規(guī)則1、規(guī)則2，可以定義情景LSNG1，即目標點不在 Goal－area中，同時，移動機器人的Safety－area中有危險障礙物，且只有一側(cè)有危險障礙物，如圖2a所示。

（2）LSNG2（low－safety no goal 2）。根據(jù)規(guī)則1、規(guī)則2，可以定義情景LSNG2，即目標點不在 Goal－area中，同時，移動機器人的 Safety－area中有危險障礙物，且兩側(cè)都有危險障礙物，如圖2b所示。

（3）GR（goal in goal－area）。根據(jù)規(guī)則1和規(guī)則3，如果機器人能直接到達目標點，定義此情景為GR，如圖3所示。

（4）HSWA（high－safety wide angel）。根據(jù)規(guī)則1、規(guī)則3和規(guī)則4，可以定義情景HSWA，即機器人不能直接到達目標點，同時，機器人處于高安全系數(shù)high－safety，且 Goal－area為寬角度，如圖4a所示。

圖2 LSNG情景示例

圖3 GR情景示例

（5）HSNA（low－safety narrow angel）。根據(jù)規(guī)則1、規(guī)則3和規(guī)則4，可以定義情景HSWA，即機器人不能直接到達目標點，同時，機器人處于高安全系數(shù)high－safety，且 Goal－area為窄角度，如圖4b所示。

圖4 HSNA情景示例

1.4 動作設計

在本文中，由于通過情景－動作規(guī)則確定機器人最終移動方式，所以需要根據(jù)情景集建立相對應的動作集。而所建立的動作集必須能解決上述所有避障情景，使得機器人能安全、平滑地向目標點行駛。避障決策樹如圖5所示。

圖5 避障決策樹

（1）駛向目標點行為。該行為適用于GR情景，機器人可以直接向目標點行駛，而無需考慮障礙物的避免。

（2）避障行為。該行為適用于LSNG1和LSNG2情景，因為在這2種情景中，機器人的Safety－area中都存在危險障礙物，所以，機器人首先考慮的是避免撞上障礙物，同時，緩慢向目標點前進。

（3）搜索行為。該行為適用于 HSWA和HSNA情景，在這2種情景環(huán)境下，目標點不在Goal－area中，且機器人的Safety－area中沒有障礙物，所以，機器人不需要考慮避障問題，只需考慮搜尋目標點即可。

在完成情景和動作設計后，可以根據(jù)情景－動作規(guī)則建立避障決策圖（見圖5），直觀地了解整個基于反應式的移動機器人的避障工作原理。

2 基于反應式的移動機器人避障方法

本文中定義移動機器人為圓形，其半徑為R，且移動機器人行駛的路面是光滑平整的。因此，機器人的動作命令定義為 Action：（θ，vm，w）。其中，vm表示機器人行駛速度；θ表示機器人轉(zhuǎn)動角度；w表示機器人轉(zhuǎn)動速度。

（1）以移動機器人為中心的360°圓形區(qū)域均等地劃分為n（n＝144）個扇區(qū)，每個扇區(qū)大小為μ＝2.5°，定義機器人當前正對方向為第0個扇區(qū)，然后以順時針的方向逐漸增加，直到最后一個扇區(qū)（第143個扇區(qū)）。如果某個扇區(qū)s被選中，則機器人轉(zhuǎn)動角度為：

當θ為正時，即機器人順時針轉(zhuǎn)動θ角度；當θ為負時，即機器人逆時針轉(zhuǎn)動｜θ｜角度。

（2）定義L為某個障礙物的一系列邊緣點集合，λi（L）為從機器人到當前障礙物的最短距離。當λi（L）＝0時，表示在扇區(qū)i中沒有障礙物，且λi（L）最大值max（λi（L））＝dm，dm為傳感器掃描的最大范圍，本文中dm＝3m。

（3）引入一個判定值PRO，即從機器人圓心到障礙物的接近度，PRO計算方法如下：

2.1 機器人情景確定

在引入了判定值PRO后，可以根據(jù)其情況確定情景集。

（1）gaps。gaps是指在有效范圍內(nèi)所掃描到的障礙物的邊緣，它是PRO值中的間斷點，在相鄰的2個扇區(qū) （i，j），如果滿足｜PROi－PROj｜＞2R，則稱此處存在一個gap。

（2）Regions。在選擇目標區(qū)域Goal－area之前，先找到所有可行的目標區(qū)域集，然后才能在其中選擇最終的Goal－area。1個Region是由2個連續(xù)的gap組成的，同時，它必須滿足幾個條件。定義S＝ ｛0，1，2，…，n－1｝為144個扇區(qū)集，每個Region都是S中的連續(xù)非空子集，定義Region為V，即V ＝ ｛l，…，r｝。

當V中不存在間斷點，則V是連續(xù)的；當V中存在2個間斷點（l，r），有

（3）Goal－area。在計算出目標區(qū)域集之后，可以從中選擇最終的目標區(qū)域Goal－area。在目標區(qū)域集中選擇的Goal－area應滿足以下條件：目標區(qū)域最靠近目標點所在扇區(qū)Sgoal；目標區(qū)域機器人是可行駛的。

在得到Goal－area后，根據(jù)上述4條規(guī)則可以得到當前機器人所處的情景，從而根據(jù)情景選擇相對應的動作。

同時，采用以下標記來描述機器人周圍環(huán)境信息。

Sgoal：目標點所在扇區(qū)。

Sn1和Sn2：Sn1為 Goal－area區(qū)域中最靠近目標點的gap；Sn2為Goal－area區(qū)域中另一個gap。

Sml和Smr：假設OBS為在Safety－area中靠近目標點一側(cè)的危險障礙物，那么Sml為OBS中最靠近機器人的扇區(qū)；同樣，Smr為另一側(cè)最靠近機器人的扇區(qū)。

2.2 機器人動作執(zhí)行

獲得機器人所處情景后，可以選擇相對應的動作，是趨向目標點行為、避障行為還是搜索行為。在每種情景下，具體的動作命令Action：（θ，vm，w ）概述如下：

（1）LSNG1。當機器人處于LSNG1情景時，由于在安全區(qū)域Safety－area中存在障礙物，所以機器人應該選擇避障行為，而且機器人應該向偏離危險障礙物的方向行駛，從而避開危險障礙物并緩慢安全地向目標點行駛。LSNG1的動作命令如圖6a所示。

（2）LSNG2。在此情景下，由于在安全區(qū)域Safety－area中，機器人兩側(cè)都存在危險障礙物，所以機器人應該選擇避障行為，且機器人應該從2個危險障礙物之間行駛，以防撞上障礙物。同時，在這種情況下機器人很容易撞上障礙物，所以機器人的轉(zhuǎn)動速度和移動速度都應該大幅度地降低。

LSNG2的動作命令如圖6b所示。

（3）GR。在此情景下，機器人能直接到達目標點，所以機器人應該選擇駛向目標點行為，機器人直接向目標點方向行駛。GR動作命令如圖7所示。

圖6 LSNG動作命令

圖7 GR動作命令

（4）HSWA。在 HSWA情景下，機器人的Goal－area為寬角度，所以，在此情景下，機器人選擇搜索行為，且機器人應沿著障礙物的邊緣朝著目標點向前行駛追蹤目標。HSWA的動作命令如圖8a所示。

（5）HSNA。在 HSWA情景下，機器人的Goal－area為窄角度，所以，在此情景下，機器人選擇搜索行為，且機器人應沿著Goal－area的角平分線行駛追蹤目標。HSNA的動作命令如圖8b所示。

圖8 HSWA和HSNA動作命令

3 實驗與結(jié)果分析

對于大多數(shù)避障算法，往往存在著同樣難以解決的困難，即如何能有效地防止在狹小空間里的振蕩和避開U型陷阱，所以這些因素往往成為評判一個避障方法好壞的標準。

3.1 機器人避免駛?cè)險型障礙

當機器人在行駛過程中即將遇到障礙物時，機器人如何避免駛?cè)險型障礙，如圖9a所示。根據(jù)本文基于反應式的避障算法，通過情景－動作規(guī)則，可以計算出機器人向目標點移動的動作命令；通過繪制路線，可以得到機器人的模擬行駛路線，如圖9b所示。

圖9 機器人避免U型障礙行駛路線

通過實驗可以看出，機器人能很好地避免U型障礙，因為在算法中引入了Goal－area的概念。當機器人掃描到U型障礙時，機器人只會當作一個障礙物，而只尋找其邊緣gaps，這樣在U型障礙中就不存在備選目標區(qū)域region，更不可能有目標區(qū)域Goal－area，從而降低了駛?cè)險型障礙中的可能性。

3.2 機器人在狹小環(huán)境下避免振蕩

當機器人在行駛過程中遇到狹小空間時，機器人如何安全平滑地避開障礙物，且避免不停地振蕩，如圖10a所示。根據(jù)避障算法，通過情景－動作規(guī)則，可以計算出機器人向目標點移動的動作命令。通過繪制路線，可以得到機器人的模擬行駛路線，如圖10b所示。

通過實驗可以看出，對于狹小空間下的避障，機器人能夠穩(wěn)定平滑地避開，因為在算法中引入了Safety－area的概念，當機器人處于狹小空間時，根據(jù)Safety－area判斷機器人周圍是否有障礙物，并判斷其分布情況。當機器人的Safety－area中一側(cè)有障礙物時，機器人會稍微向遠離障礙物的方向移動；當機器人的Safety－area中兩側(cè)都有障礙物時，機器人大致會從2個障礙物的中間通過。由于最終選擇的目標區(qū)域Goal－area永遠是靠近目標點的，所以機器人的移動始終是向目標點前進，故極大地降低了局部振蕩行為。

圖10 狹小環(huán)境下機器人行駛路線

4 結(jié)束語

本文提出一種基于環(huán)境信息分類的移動機器人避障方法，將復雜的環(huán)境信息分成不同的情景，從而降低機器人避障的復雜度。

本文中考慮的障礙物都是靜態(tài)障礙物，沒有考慮動態(tài)障礙物的存在，所以，在該方法中加入動態(tài)障礙物是以后的另一個研究方向。同時，根據(jù)一種基于傳感器數(shù)學模型的數(shù)據(jù)融合避障方法［8］，也可以將本文中的行為融合改進成行為融合與數(shù)據(jù)融合相結(jié)合的方式，從而增加避障的成功率和避障路徑最優(yōu)性。

［1］ 周郭許，唐西林.基于柵格模型的機器人路徑規(guī)劃快速算法［J］.計算機工程與應用，2006，42（21）：196－199.

［2］ Khatib O.Real－time obstacle avoidance for manipulator and mobile robots［J］.The International Journal of Robotics Research，1986，5（1）：90－98.

［3］ Wu Chengdong，Zhang Ying，Li Mengxin，et al.A rough set GA－based hybrid method for robot path planning［J］.International Jounrnal of Automation and Computing，2006，3（1）：29－34.

［4］ Xiao Hairong，Li Liao，Zhou Fengyu.Mobile robot path planning based on Q－ANN［C］／／Automation and Logistics IEEE International Conference on，Jinan，China，2007：2650－2654.

［5］ Minguez J，Montano L.Nearness diagram（ND）navigation：collision avoidance in troublesome scenarios［J］.IEEE Transactions on Robotics and Automation，2004，20（1）：45－59.

［6］ 鮑慶勇，李舜酩，沈 垣，等.基于行為融合的移動機器人自主避障算法［J］.傳感器與微系統(tǒng)，2010，29（5）：70－73.

［7］ 顧 民，葛良全.基于扇形掃描的機器人避障算法［J］.微計算機信息，2007，23（20，）：212－213.

［8］ 肖本賢，李善壽，趙明陽，等.基于傳感器數(shù)學模型的數(shù)據(jù)融合方法及避障研究［J］.合肥工業(yè)大學學報：自然科學版，2007，30（2）：178－181.