移动机器人动态避障算法

山东大学学报(工学版)

移动机器人动态避障算法

李彩虹^1,2，　李贻斌¹，范晨¹

1. 山东大学控制科学与工程学院，山东济南250061；2. 山东理工大学计算机科学与技术学院，山东淄博255049

收稿日期:2007-07-21 修回日期:1900-01-01 出版日期:2007-10-24 发布日期:2007-10-24
通讯作者: 李彩虹

Dynamic obstacle avoidance Algorithm for the mobile robot

LI Cai-hong^1，2;LI Yi-bin¹;FAN Chen¹

1. School of Control Science and Engineering，Shandong University；2. School of Computer Science and Technology，Shandong University of Technoloy，Zibo 255049，China

Received:2007-07-21 Revised:1900-01-01 Online:2007-10-24 Published:2007-10-24
Contact: LI Cai-hong

摘要/Abstract

摘要： 把滚动规划和径向基函数神经网络（RBFNN）预测相结合，提出一种动态不确定环境下移动机器人局部路径规划过程中，针对动态障碍物的新的混合避障算法.利用摄像镜头采集动态障碍物的移动轨迹，提取形心序列，利用RBFNN建立预测模型.在移动机器人实时规划时，根据当前位置在超声波传感器的扫描范围内建立滚动窗口.当检测到动态障碍物进入滚动窗口以后，才开始进行预测计算.根据动态障碍物相邻时刻的三个时间序列值，来预测障碍物下一时刻的运动轨迹，从而把动态障碍物的避障问题转化为瞬时静态障碍物的避障问题，实现实时规划.这种算法能够提高动态避障的安全性和规划的实时性.仿真结果证明了算法是可行、高效的.

关键词: 动态避障, 滚动规划, RBFNN, 预测

Abstract: A new hybrid algorithm of dynamic obstacle avoidance was introduced for local path planning under an uncertainty environment. It is a combination of the rolling planning and RBF neural network (RBFNN) forecast. The moving trajectory of the dynamic obstacle was illustrated by using a camera lens, and a heart-shaped sequence was acquired from the samples. The RBFNN prediction model was built based on these data. A dynamic rolling window within the scope of the scanning ultrasonic sensor was established according to current location when the mobile robot was in real-time planning. Forecast computation was started when a rolling window into the dynamic obstacle was detected. The next moving location of the obstacle was predicted based on the three adjacent values of time sequence. Thus the dynamic obstacle avoidance issue converts into instantaneous static once and the real-time planning was reallized. This method can improve dynamic obstacle avoidance and the safety of real-time planning. Simulation results show that the method is feasible and efficient.

Key words: dynamic obstacle avoidance, dynamic rolling planning, RBFNN, forecast

中图分类号:

TP242.6

李彩虹,李贻斌,范晨 . 移动机器人动态避障算法[J]. 山东大学学报(工学版), 2007, 37(5): 60-64 .

LI Cai-hong,LI Yi-bin,FAN Chen . Dynamic obstacle avoidance Algorithm for the mobile robot[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2007, 37(5): 60-64 .

参考文献

相关文章 15

[1]	刘哲,宋锐,邹涛. 基于模型预测控制的磨削机器人末端力跟踪控制算法[J]. 山东大学学报(工学版), 2018, 48(1): 42-49.
[2]	韩学山,王俊雄,孙东磊,李文博,张心怡,韦志清. 计及空间关联冗余的节点负荷预测方法[J]. 山东大学学报(工学版), 2017, 47(6): 7-12.
[3]	李笋,王超,张桂林,徐志根,程涛,王义元,王瑞琪. 基于支持向量回归的短期负荷预测[J]. 山东大学学报(工学版), 2017, 47(6): 52-56.
[4]	车长明,张华栋,李建祥,袁弘,刘海波. 需求侧规模化电动汽车的充电负荷优化调控策略[J]. 山东大学学报(工学版), 2017, 47(6): 108-114.
[5]	谢国辉,樊昊. 太阳能光热发电技术成熟度预测模型[J]. 山东大学学报(工学版), 2017, 47(6): 83-88.
[6]	周志杰,赵福均,胡昌华,王力,冯志超,刘涛源. 基于证据推理的航天继电器故障预测方法[J]. 山东大学学报(工学版), 2017, 47(5): 22-29.
[7]	周福娜,高育林,王佳瑜,文成林. 基于深度学习的缓变故障早期诊断及寿命预测[J]. 山东大学学报(工学版), 2017, 47(5): 30-37.
[8]	路昌海. 基于Markov链的锅炉热负荷预测方法[J]. 山东大学学报(工学版), 2017, 47(3): 151-158.
[9]	何正义,曾宪华,曲省卫,吴治龙. 基于集成深度学习的时间序列预测模型[J]. 山东大学学报(工学版), 2016, 46(6): 40-47.
[10]	包建业,王静. 基于离散裂隙网络模型的隧道涌水量预测[J]. 山东大学学报(工学版), 2016, 46(6): 127-134.
[11]	王志强,文益民,李芳. 基于多方面评分的景点协同推荐算法[J]. 山东大学学报(工学版), 2016, 46(6): 54-61.
[12]	刘斌,李术才,李建斌,王玉杰,张建清,聂利超,王雪亮. TBM掘进前方不良地质与岩体参数的综合获取方法[J]. 山东大学学报(工学版), 2016, 46(6): 105-112.
[13]	于松青, 侯承昊, 孙英涛. 基于系统动力学的山东省电力需求预测[J]. 山东大学学报(工学版), 2015, 45(6): 91-98.
[14]	熊冰妍, 王国胤, 邓维斌. 分级式代价敏感决策树及其在手机换机预测中的应用[J]. 山东大学学报(工学版), 2015, 45(5): 36-42.
[15]	郭志波, 董健, 庞成. 多技术融合的Mean-Shift目标跟踪算法[J]. 山东大学学报(工学版), 2015, 45(2): 10-16.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed