当前位置：首页> （完整版）河海大学毕业设计（论文）

（完整版）河海大学毕业设计（论文）

时间：2017-08-28 19:46:43 下载该word文档

编号：

审定成绩：

毕业设计（论文）

课题移动机器人的环境勘测与绘图

二○一四年五月

摘要

移动机器人的环境勘测与绘图

移动机器人环境勘测与绘图是机器人研究领域的一个热点问题。超声传感器和红外传感器在移动机器人中的应用大大提高了机器人探测环境的能力。利用传感器采集到的大量数据可以进行环境地图的创建。

本文主要研究在上位机中如何处理观测数据的问题。本文介绍的环境勘测主要是采用1个超声波传感器和6个红外传感器协同工作，超声波传感器的数据用来进行地图创建，红外传感器主要辅助机器人进行有效的避障。采用了NI公司的Lab WindowsCVI虚拟仪器软件建立环境地图，并进行数据处理。

由于超声传感器本身存在测距误差、散射角度大、镜像点多等问题，因此在数据处理时，通过C语言算法对数据点进行有效控制，去除大量不确定数据。在直线走廊、L形墙角、U形环境等实验条件下进行了数据采集与数据处理测试。取得了比较好的效果，对环境仿真程度比较逼真。

【关键词】移动机器人环境勘测地图创建 Lab WindowsCVI

ENVIRONMENT EXPLORATION AND MAP BUILDING

BY MOBILE ROBOT

Abstract

Environment exploration and map building by mobile robot is a the robot research field. Ultrasonic sensor and infrared sensor are used by mobile robot and they increase robot’s ability of environment exploration. Using a lot of data gathered by sensors, we can build the environment map.

This paper research data in the PC. In this paper , single ultrasonic sensor cooperated with 6 infrared sensors to explore the environment. The data by ultrasonic sensor is used for map building, and infrared sensors is angle, mirror image. so in the data process, we control the data point by C arithmetic and delete lots of uncertainty data. In the experiments of beeline aisle, encoignure of L shape, U form, we collect environment data and do the test of data treatment. Form these experiments, we achieve the purpose.

【Key words】 mobile robot environment exploration map building LabwindowsCVI

第一章前言 1

1.1 课题背景与意义 1

1.2 代表性的研究工作 2

第二章研究的主要内容 3

2.1 机器人的自定位 4

2.2 移动机器人探测环境的传感器技术 5

2.3 多传感器信息的融合 7

第三章传感器的介绍 8

3.1 超声波传感器 8

3.2 红外传感器 12

3.3 多传感器的数据融合与控制决策 13

第四章环境地图的表示方法 15

4.1 拓扑图 16

4.2 特征图 16

4.3 网格图 17

4.4　直接表征法 17

第五章环境地图创建设计方案 18

5.1 障碍点位置的推算 19

5.2 软件设计 23

5.3 不确定信息处理 26

第六章实验仿真 29

6.1 直线走廊环境 29

6.2 L型环境 30

6.3 U形环境 31

第七章结论与研究展望 32

7.1　多智能机器人协调探测 32

7.2　实时在线探测 33

7.3　多传感器信息融合 33

7.4　三维环境地图构建 33

致谢 34

参考文献 35

第一章前言

1.1 课题背景与意义

移动机器人的环境勘测与地图创建是机器人领域的热点研究问题。对于已知环境中的机器人自主定位和已知机器人位置的地图创建已经有了一些实用的解决方法。然而在很多环境中机器人不能利用全局定位系统进行定位，而且事先获取机器人工作环境的地图很困难，甚至是不可能的。这时机器人需要在自身位置不确定的条件下，在完全未知环境中创建地图，同时利用地图进行自主定位和导航。这就是移动机器人的同时定位与地图创建(SLAM)问题。SLAM也称为CML(Concurrent Mapping and Localization)，最先是由smithself和Cheeseman提出来的。由于其重要的理论与应用价值，被很多学者认为是实现真正全自主移动机器人的关键。在SLAM中,机器人利用自身携带的传感器识别未知环境中的特征标志，然后根据机器人与特征标志之间的相对位置和里程计的读数估计机器人和特征标志的全局坐标。这种在线的定位与地图创建需要保持机器人与特征标志之间的详细信息。近几年来，SLAM的研究取得了很大的进展，并已应用于各种不同的环境，如:室内环境、水下、室外环境。

探测环境与构建地图是移动机器人研究领域中发展起来的一个研究方向，受到了研究人员的日益关注。空间和危险场合是机器人的一个很重要应用领域。很多情况下，作业空间的信息是未知的，这样在派机器人进入该环境时，就需要它对作业环境能进行有效地探测，构建出作业环境的地图来。只有在了解了环境的基础上才可能进行导航、路径规划、避障策略和其他操作的设计。

1.2 代表性的研究工作

从移动机器人构建地图方面公开发表的文章来看，多数研究工作尚处于模型或设计模拟阶段。多是在仿真条件下研究相应的算法。这里仅列出了比较有代表性的一些研究工作。

美国Ohio State University建立的GPSVan系统，采用了GPS、INS、轮式计数器、CCD与彩色视频摄像机等传感器。

德国U.Armed Forces建立的KISS系统，采用了GPS、INS、测距仪、高度计、CCD与彩色视频摄像机等传感器。

德国Tech.School Aachen建立的Surveying Vehicle系统，采用了GPS、轮式传感器、气压计、视频CCD等传感器。

加拿大的Geofit Inc.建立的VISA系统，采用了GPS、INS、CCD与彩色摄像机等传感器。

美国CMU建立的Ambler和Navlab系统，分别采用了激光雷达扫描仪、推测定位法和视频CCD、Doppler、声纳传感器。

参与ARPA工程的几家公司和大学建立了UGV系统，采用了红外彩色立体视频摄像机、激光雷达、GPS、倾斜计、流量罗盘等传感器。

上述几种系统主要是用来构建道路图的，因为都使用了GPS。利用立体视觉可以得到环境特征的相对位置，从而能构建出部分三维地图来。

在以前的研究基础上，美国CMU用一个名为Minerva的交互式导游机器人在一座博物馆中为游人做向导。他们利用Monte Carlo定位器得出用最大概率值表示的地图来。在他们的研究中也运用了多种理论进行地图构建，包括贝叶斯理论、马尔可夫方法、卡尔曼滤波算法、概率论算法等。

Cai和Pagac分别用范围传感器进行了单个机器人和多个机器人对简单环境的探测。Hans用基于特征的方法产生扩展卡尔曼滤波器对机器人的定位与环境图绘制加以合成。Ducket将模糊ART神经网络结构及预测性轨迹过滤方法引入到机器人的学习中，实现环境信息的更新；Yamauchi利用Frontier_cell理论研究了环境的探测问题，而Shanahan对这一问题的研究则侧重于用逻辑公式描述智能体与环境的关系，他采用的是事件积分法；Moorehead的研究中引用了Greedy Search Algorithm来搜集环境信息。由于机器人准确地知道其相对位置，使得问题集中在如何感知环境信息，如何将感知的环境信息合理地融合，以及如何有效地协作和避障，从而较准确地画出环境地图来。

第二章研究的主要内容

早期的许多系统是由操作者手动指挥机器人在环境中运动，要么是依靠预先存储的地图，要么是采用被动机构来构建地图。而在另外的系统中，构建地图所需要的传感器-计算机数据是由机器人在人工控制下采集到的，然后再采用离线的学习算法来找到与数据匹配的最好的地图来。尽管这些方法有一定的优点，但是人工干预代价太大，而且易于产生人为误差。同样的，尽管反应式行为通常具有很好的鲁棒性，但却不能保证在复杂大环境下建造出完整的地图来。因此最灵活的方法是让机器人通过基于地图的自动搜索来自行构造地图，也就是说机器人能够自动标识出未探测的区域来，根据自己构建的地图导航到这些区域，同时也不断地更新它所构建的地图。现在该方向的研究主要集中在机器人的自定位、传感器技术和信息融合三方面。

移动机器人环境勘测与绘图领域中存在一些关键问题及难点：

·机器人地图创建中的导航问题。在完全未知的环境里,机器人没有任何的参照物,只能依靠自己并不十分准确的传感器来获取外界信息,由于计算实时性的限制,如同一个盲人在建筑物里摸索的情况,这种情况下,定位是比较困难的。实际上目前机器人地图创建的一个主要难点也正是难以解决机器人自身精确定位的问题。

·环境特征不够明显时。例如比较空旷的室外环境中，很难提取到合适的环境特征。

·传感器信息比较少,难以从一次感知信息中获得环境特征。例如使用声纳或红外传感器。

·动态干扰。大多数研究都是假设机器人所在的环境是一个静态环境,当环境中存在动态障碍物(例如走动的人)时,机器人可能会给出错误的结果,即地图中出现不存在的静态障碍物。为去除动态干扰,可以借助其他传感器(例如视觉)识别出环境中的动态障碍物,也可以通过冗余信息的融合将干扰滤掉。

·绑架问题(kidnapping problem),即机器人的位置由于外力的作用发生了突然变化,但机器人自己并不知道发生了变化,而环境的变化使得机器人信息混乱,得到的地图也变得不可靠。

·大规模循环环境,例如环形走廊,这样的环境缺乏局部特征,定位算法则由于失去参照而产生越来越大的积累误差。对于以上问题,一方面需要提高机器人个体的感知能力,另一方面也需要在现有的机器人感知能力限制下,设计更好的不确定信息处理算法,提高系统的可靠性。

2.1 机器人的自定位

关于机器人的自定位研究对于移动机器人来说，为了能高效率地从环境中穿行并到达目的地，或者要构建出环境的地图来，就必须找到一种方法，使它能根据环境中已知的一些特征而判断出它自身的位置来。这就是机器人的定位问题。机器人要想能在未知环境中自动行走，定位是最基本的问题。

通常，最基本的定位方法是推测定位法。这种方法是通过对机器人的速度进行时间积分而确定机器人距离起始位置发生的位置变化。但是，单纯用推测定位法容易产生随时间无限增大的误差，这就需要在此基础上再采用另外一些附加措施，来周期性地纠正机器人的位置误差。通常情况下是用扩展的卡尔曼滤波器将附加的定位技术与推测定位法相结合，来更为准确地更新机器人的位置。有许多方法可以实现基于传感器的定位技术，而这些技术往往是通过确定一些探测到的环境特征与已知的环境地图间的对应附和性而实现定位的。有了地图中一些特征物的已知位置和被感知到的这些特征物距机器人的位置，就可以确定出机器人的当前位置。

2.2 移动机器人探测环境的传感器技术

无论是定位还是行走，机器人都是靠传感器收集环境信息来实现的。目前，机器人进行环境探测所用的传感器主要有范围传感器（包括声纳、红外、激光等）和视觉传感器。早期的研究集中在传感器硬件的改进上，现在逐渐转移到算法开发上。任何传感器都有其固有的局限性，会产生信号噪声。探测环境信息的信息噪声可以通过补偿算法加以消除，而定位产生的噪声则会对定位产生直接的误差。而且传感器的范围和分辨率限制使得一些很重要的环境性质无法被检测到。而机器人与环境的模型本身就具有模糊性的，也会对传感系统探测带来额外的不确定性。下面是对探测环境所采用的传感器技术进行的总结：

2.2.1 测距法

测距法在短时间内的探测结果有很高的准确度，但传感器需要极高的采样率。而且误差随时间的积累会使最终的位置误差很大。实际误差分为两类：系统误差和非系统误差。系统误差是由机器人运动学上的不完善引起的；非系统误差是机器人与环境地面之间因打滑、撞击等引起的。

2.2.2 惯性导航

惯性导航用陀螺仪和加速仪的测量结果积分合成得到机器人位置。这种方式不需要外在的参考系。但是惯性传感数据会随时间产生偏差，每次积分后原先的微小误差都会无限制地增大。光纤陀螺仪（又称为激光陀螺仪）用来检测和修正系统产生的位置误差，其检测非常准确。

2.2.3 磁性罗盘

从对推测定位累积误差的影响来说，机器人的运动朝向在导航参数（坐标与运动朝向）中是最重要的。磁性罗盘就能够检测出机器人的绝对运动朝向来。其不足是在电源线或轮子的结构附近地球磁场往往会被扭曲。根据与地球磁场有关的物理影响不同，可以分为机械式磁罗盘、流量控制磁罗盘、大厅效应罗盘、磁致阻抗罗盘和磁致弹性罗盘。对于移动机器人而言，流量控制罗盘较为适用。

2.2.4 主动灯塔

主动灯塔可以很可靠地被检测到，并且只需要最少的处理就可以提供精确的定位信息。它可以容忍很高的采样率，从而产生很高的可靠性，其不足是会导致很高的安装和维护费用。探测方法有三边法和三角法。

2.2.5 全球定位系统

全球定位系统由若干卫星和地面接收器组成，主要适用于室外环境的地图建造。用一种很先进的三边算法地面接收器可以计算出卫星的位置来，已知地面接收器与三个卫星间的距离，从理论上就可以计算出接受器的纬度、经度和高度。由于树木和山地的影响带来的周期性信号阻滞、多路径干扰、初步导航系统定位精度不够等是这类系统的不足之处。

2.2.6 路标导航

在路标导航中，一般来说，路标都有固定的已知位置，机器人参照路标可以进行相对定位。为了使问题简化，经常假设机器人的当前位置和朝向已经划定，机器人只需在有限的区域内寻找路标。为了成功检测出路标来，需要很高的测距精度。

2.3 多传感器信息的融合

由于越来越多的研究采用了多种或多个传感器，就出现了多传感器信息的融合问题。多传感器信息融合系统把从多个传感器得到的信息结合起来，可以更好地描述探测对象。多传

感器比单种或单个传感器能提供冗余和互补性的信息。冗余信息可以用来降低某类传感器信息的不确定性，使系统在某一传感器失效时仍保持稳定性，或者说具有鲁棒性。互补性信息可以更为完整地提供被探测对象的状态。尽管遇到的具体问题困难各异，但最终目标是一样的，就是利用所有能得到的数据来更好地理解被研究的现象。

2.3.1 融合结构

关于融合结构可分为3类：集中式结构、分层式结构和分布式结构。

传统的融合结构是集中式的，来自不同传感器的数据被送到一个中央元件，即融合节点，在这里完成数据的融合。集中式融合结构有如下缺点：计算和通信的负载过重，融合节点可能失效，对系统和传感器的变化不具有适应性。

在分层式结构中，有若干个融合节点可以完成间接的数据融合，还有一个中央融合节点，作最后的融合。由于各融合节点可以在不同的处理器中，这样计算负荷就减小了。但是它存在通信瓶颈和中央融合节点的问题。

而分布式融合结构是由多个融合节点组成，各融合节点处理与其相应的传感器提供的数据，并将所得的信息发送给其他的节点，使其可以在相应的融合处理过程中使用该信息。根据融合节点的连接方式，可以给分布式结构定义出不同的拓扑结构来。在完全连接的拓扑结构中，所有的融合节点都与其他的融合节点相连接，并接收信息，从而可以在融合过程中使用所有能得到的数据。而在不完全连接的拓扑结构中，融合节点只能使用不同传感器的部分信息。分布式融合结构的优点在于其具有模块化、适应性和可扩展性，以及对一些节点的失效具有鲁棒性。

2.3.2 融合算法

关于融合算法基本上有2种理论：决策或检测理论与估计理论。前者主要用来做决定，对目标进行探测或分类。其基础理论为人工智能技术，如：神经网络，模糊逻辑，贝叶斯方法，基于规则的方法，Dempster-Shafer方法。后者是要找到与所观察到的数据较吻合的状态。估计理论问题可以分为以下3类：过滤、预测和消除不确定性，分别指：上一次感知的时间、将来的某一时间和过去的某一时间，在当前所能得到的数据基础上，估计系统的状态。三者的结合则可以用全部的信息来估计系统在任何时间的状态，并且能处理异步数据的融合。但是由于其计算量太大，因此在实时系统中并非十分适用。

第三章传感器的介绍

3.1 超声波传感器

超声波是一种只有少数生物(如蝙蝠、海豚)才能感觉到的机械波，其频率在20kHZ以上，波长短，绕射小，能定向传播。它具有纵波(在气、液、固体中传播)、横波(在固体中传播)和表面波(沿固体表面传播)三种波型，而且遇到杂质或传播介质分界面会产生明显的反射，这种反射不是严格定向的，具有散射性。

以超声波作为检测手段，必须产生超声波和接收超声波。完成这种功能的装置就是超声波传感器，习惯上称为超声换能器，或者超声探头。

　　超声波探头主要由压电晶片组成，既可以发射超声波，也可以接收超声波。小功率超声探头多作探测作用。它有许多不同的结构，可分直探头（纵波）、斜探头（横波）、表面波探头（表面波）、兰姆波探头（兰姆波）、双探头（一个探头反射、一个探头接收）等。

在移动机器人中应用的超声波传感器，是利用超声波在空气中的定向传播和固体反射特性(纵波)，通过接收自身发射的超声波反射信号，根据超声波发出及回波接收时间差及传播速度，计算出传播距离，从而得到障碍物到机器人的距离。从发射波束特性知，由于扩散角的原因，使超声测距的角度分辨率较低，但距离分辨率较高(lcm左右)，目前最大探测距离为15米，最小盲区0.3--0.4米。超声波传感器具有反映灵敏、探测速度快(一个测量周期仅需几十毫秒)的优点，而且结构简单，体积小，成本低，因而在目前己知的实验型和应用型移动机器人中，多数都安装了它，用于室内和室外近距离避(停)障。通常，以多个传感器组成阵列形式，根据单个传感器扩散角及反射特性，确定合理的密度，己覆盖要求的探测区。总的来说，超声波传感器的造价低廉、速度快、距离分辨率较高，但其方向性茶、镜面反射严重、测距范围小，因此，比较适合于室内环境的距离测量，在室外场合下无法满足应用的要求。

3.1.1 超声波传感器的性能指标

　　超声探头的核心是其塑料外套或者金属外套中的一块压电晶片。构成晶片的材料可以有许多种。晶片的大小，如直径和厚度也各不相同，因此每个探头的性能是不同的，我们使用前必须预先了解它的性能。超声波传感器的主要性能指标包括：

　　（1）工作频率

工作频率就是压电晶片的共振频率。当加到它两端的交流电压的频率和晶片的共振频率相等时，输出的能量最大，灵敏度也最高。

　　（2）工作温度

由于压电材料的居里点一般比较高，特别时诊断用超声波探头使用功率较小，所以工作温度比较低，可以长时间地工作而不失效。医疗用的超声探头的温度比较高，需要单独的制冷设备。

　　（3）灵敏度

主要取决于制造晶片本身。机电耦合系数大，灵敏度高；反之，灵敏度低。

3.1.2 超声波测距原理

由物理学知，声波属于弹性机械波，按振动频率的不同，分为次声波（小于20），声波（20～20）及超声波（以上）。由于超声波反射能力很强，而且波长也远比一般的平面反射物表面粗糙度大，所以通常对坚硬物质表面都能反射，利用这一特性，可以将超声波用于物体定位。

人们设计了各种各样的超声波定位装置。这里使用的测量方法是“回波法”，其基本原理如图3.1所示。

超声波传感器将固定频率的超声波发射出去。声波在传播过程中，遇到障碍物后被反射回来。由于发射出去的超声波及反射回来的超声波频率相同。因此超声波传感器可将反射回来的超声波与环境中其他频率的声波信号区别开来，从而捕获回波信号。

令超声波发射时刻为，返回时刻为。则超声波传感器与障碍物距离d为：

式中表示声速

声波在传输及反射过程中会有损耗，幅值变化程度与探测距离成反比。障碍物越远，反射回来的超声波能量越低。当距离大到一定程度，反射回的超声波信号非常微弱，不被检测到，超声波测距模块达到测量阈值上限。目前基于“回波法”的超声波测距模块测量阈值上限一般为3～10米。对于给定的超声波传感器探头，阈值上限主要是由发射功率决定的。超声波发射能量越大，幅值越高，其探测的距离就越远。

3.1.3 超声波频率的选取

前文已经提到超声波是大于的声波。不同频率的声波在大气中的传播速度是相等的。但声波频率越高，衰减地就越厉害，传播距离就越短。因此频率较低的超声波传播距离较长；但由于其波长较长，因此测量精度较低。例如当频率为时，波长为0.85厘米，当频率为时波长为1.7厘米。所以虽然的声波传播距离较远，但是精度却降低了一倍。因此在设计超声测距模块时应该综合考虑，在既不影响接收时强度，又具备所需精度情况下，对测距仪选用频率。在本实验中，要求超声波测量距离为3米，因此选用的超声波探头较为合适。

3.1.4 超声波测距的优、缺点

超声波测距的优点：

1.超声波对色彩、光照度不敏感，可适用于识别透明、半透明及漫反射性差的物体（如玻璃，抛光体）。

2.超声波对外界光线和电磁场不敏感，可用于黑暗、有灰尘或烟雾、电磁干扰强、有毒等恶劣环境中。

3.超声波传感器结构简单，体积小，费用低，信息处理简单可靠，易于实现。

超声波测距的缺点：

1.由超声波原理可知，它是以声波速度不变为基础的，然而在实际环境中，声波速度会受环境中各种因素例如气体密度、温度、湿度、分子成分等的影响，从而给测量带来误差。

2.此外由于超声波能量较强，即使在给定空间中只有一个超声波发射源，仍然可能因为超声波在空间中反复弹射而带来干扰误差。

3.超声波测距模块在近距离有盲区，且方向性较差。

3.1.5 超声传感器的构架方案

目前国内外类似的环境探测移动机器人，采用的多是利用多超声传感器按不同角度组成

阵列的方式对周围环境进行探测。而我们研制的移动机器人独创性的采用了一个超声传感器

加转向机构的方式来实现同样的功能。缺点是实时性不高，行驶速度有限。但由于我们采取了根据环境信息自动调节行驶速度的控制策略，很好的解决了这个问题。在保证精度的前提下，最高速度达到了1ms，在目前移动机器人中属于速度较高的类型。

图3.2 超声传感器转动角度位置图

优点是由于使用较少的高精度超声波传感器，一方面成本显著降低，另一方面大大缩小了我们的移动机器人的结构尺寸，体形轻巧。

3.2 红外传感器

红外线也是一种只有少数生物(如响尾蛇)才能感觉到的光波，其波长为lam- 1000nm，具有定向传播和反射能力。尽管自然环境中各种物体均能不同程度的释放出红外能量，但由于其波长及大小很难准确分辨，故移动机器人上的红外传感器，工作原理与超声波传感器类似，同样采用发射固定波长的红外线并接收同一回波的主动方式，其探测特性与超声波传感器恰好相反，即角度分辨率高，而距离分辨率低。当然，它同样具有灵敏度高，结构简单，成本低等优点，因此在移动机器人中，常用作接近觉传感器，探测临近或突发运动障碍，便于机器人紧急停障。

目前市场上提供的红外线传感器多只提供一个量程，且体积较大，不适合作为我们移动机器人的测距传感器。因而我们自行研制了红外线测距模块。为了能有效判断障碍物与移动机器人的距离范围，我们的红外线测距模块可以将测量结果分成4段，最大测量范围为80cm。适合作为我们移动机器人的测距传感器，同时此模块还具有体积小巧的优点，测量头只有1.5×1.5×1cm。

红外分布式接近传感器测量结果分成4段，最大测量范围为80cm，如表3.1 所示。这样，移动机器人便可以感知其周围障碍物的接近程度，并采取相应的避障控制算法，很大程度上提高了移动机器人在复杂环境中执行任务的能力和效率。

表3.1 红外传感器的探测距离分布

3.3 多传感器的数据融合与控制决策

移动机器人配备了多种传感器，包括1个超声波传感器、6个分段式红外线传感器、加速度计、里程计和角速度陀螺仪。这些传感器采集的信息有些是冗余的，有些是互补的。将多传感器的数据进行融合，以充分利用传感器资源，从而使系统做出更优的控制决策,如图3.3。

图3.3 多传感器数据融合与控制决策

其中，超声波传感器和一个红外线传感器可旋转，对环境信息进行探测。超声波传感器每隔读取一次值，用黑色的长线表示；红外线传感器每隔读取一次数值，用红色的短线表示，为超声波传感器的波束角，如图3.4所示。

图3.4 超声波与红外线扫描示意图

如图3.5所示“探索者”环境感知系统由6个分段式红外线传感器（圆圈），

1个超声波传感器（三角形）和一个转向机构组成。车辆前进时，超声波传感器以及1、2、3号红外线传感器提供环境信息。车辆后退时4、5、6号红外线传感器提供环境信息。

第四章环境地图的表示方法

创建地图必须解决三个基本的问题

1)如何表示环境地图,即地图的表示方法。

2)怎样获得环境信息,机器人在环境中漫游并记录传感器的感知数据,这就涉及到机器人的导航问题。

3)怎样表示获得的环境信息并根据环境信息更新地图,这里需要解决对不确定信息的描述和处理方法。

可以提出很多用于表示环境地图的方法,但这种方法应满足下面三个要求:

·便于计算机的处理

·容易加入新的信息更新地图

·机器人可以依靠该地图信息完成特定的任务,如导航、搜索等等。

构造地图的目的是用于绝对坐标系下的位姿估计并指导机器人进行路径规划。环境预存地图可以是CAD模型图、手工绘制的结构图或者由传感器数据构造的模型图。地图的表示方法有四种：拓扑图、特征图、网格图及直接表征法。拓扑图把室内环境表示为带结点和相关连接线的拓扑结构图，其中结点表示环境中的重要位置点(拐角、门、电梯、楼梯等)，边表示结点间的连接关系，如走廊等。特征图用有关的几何特征(如点、直线、面)表示环境。网格图则是把环境划分成一系列网格，其中每一网格给定一个可能值，表示该网格被占据的几率。直接表征法省去了网格或特征表示这一中间环节，直接用传感器读取的数据来构造机器人的位置空间。几种方法各有自己的特点和适用范围，其中特征图和网格图应用最普遍。

4.1 拓扑图

拓扑图通常是根据环境结构定义的，由位置结点和连接线组成。环境的拓扑模型就是一张连接线图，其中的位置是节点，连接器是边。拓扑图可组织为层次结构。例如在最底层，一个位置可能就是一个房间，但在更上一层时则可能是一栋建筑物或一座城市。地铁、公交

路线图均是典型的图形结构实例，其中停靠站为节点，节点间的通道为边。拓扑单元的例子有走廊和房间等，而打印机、桌椅等则是功能单元。连接器用于连接对应的位置，如门、楼梯、电梯等。拓扑图把环境建模为一张线图表示，忽略了具体的几何特征信息，不必精确表示不同节点间的地理位置关系，图形抽象，表示方便。当机器人离开一个节点时，机器人只需知道它正在哪一条边上行走也就够了。在一般的办公环境中，走廊的岔道处成90°角，因而只有四个方向需要识别。这通常应用里程计就可实现机器人的定位。为了应用拓扑图进行定位，机器人必须能识别节点。因此节点要求具有明显可区分和识别的标识、信标或特征，并应用相关传感器进行识别。拓扑图易于扩展，但难于可靠、精确地识别具体位置。

4.2 特征图

利用环境特征构造地图是最常用的方法之一，大多数城市交通图就是采用这种方法绘制的。指示房间位置的门牌号是最易接受的特征实例。在室内结构化环境中，最常见的特征是直线段、角、边。这些特征可用它们的颜色、长度、宽度、位置等参数表示。基于特征的地图一般用如下的特征集合表示：，其中是一个特征(边、线、角等)，ｎ是地图中的特征总数。Chatila最早应用多边形地图来表示环境结构，并根据激光测距传感器的读入值预测机器人所在位置。Drumhellor用线段构造全局地图，并用超声波传感器进行定位。Arras和Tomatis用激光雷达提取水平直线特征，用视觉系统提取垂直线段特征，使地图结构更加丰富。应用人工标识的定位方法是比较常用的特征定位方法。该方法需要事先在作业环境中设置易于辨别的标识物。当应用自然标识定位时，自然信标的几何特征(如点、线、角等)得事先给定。特征法定位准确，模型易于由计算机描述和表示，参数化特征也适用于路径规划和轨迹控制，但特征法需要特征提取等预处理过程，对传感器噪声比较敏感，只适于高度结构化环境。

4.3 网格图

特征参数法的一个缺点是对所应用的特征信息必须有精确的模型进行描述。另一种替代的方法是应用网格图。网格图把机器人的工作空间划分成网状结构，网格中的每一单元代表环境的一部分，每一个单元都分配了一个概率值，表示该单元被障碍物占据的可能性大小。网格法最早由Moravec和Elfes提出，在机器人的路径规划、导航、避障控制、位姿估计中均

得到了广泛应用，并已成为一种通用的移动机器人定位方法。网格法是一种近似描述，易于创建和维护，对某个网格的感知信息可直接与环境中某个区域对应，机器人对所测得的障碍物具体形状不太敏感，特别适于处理超声测量数据。但当在大型环境中或网格单元划分比较细时，网格法计算量迅速增长，需要大量内存单元，使计算机的实时处理变得很困难。

4.4　直接表征法

直接表征法是直接应用传感器读入的数据来描述环境。由于传感器数据本身比特征或网格这一中间表示环节包含了更丰富的环境描述信息，因此直接应用原始传感器数据的环境表示法并不是一种离奇的想法。通过记录来自不同位置及方向的环境外观感知数据，这些图像中包括了某些坐标、几何特征或符号信息，利用这些数据作为在这些位置处的环境特征描述。这与识别拓扑位置所采用的方法原理上是一样的，差别仅在于该法试图从所获取的传感器数据中创建一个函数关系以便更精确地确定机器人的位置。由于在不同的方位所获得的外观图像不同，如果在局部地图中传感器数据到机器人位置间具有一一对应关系，那么将当前位置获取的图像与原来的参考图像进行比较，则可以跟踪机器人的位置。对该函数经过一定的转换，可进行全局定位。

直接表征法数据存贮量大，环境噪声干扰严重，特征数据的提取与匹配困难，其应用受到一定限制。

第五章环境地图创建设计方案

毕业设计中所用的移动机器人是基于指导老师改装的智能小车。该智能小车具有较高的自主导航定位精度，利用超声传感器和红外传感器进行环境探测与识别，能够实现自主避障和多点动态路径规划功能。

图5.1 移动机器人实物图

图5.2 移动机器人的控制结构

图5.3 移动机器人数据采集流程

5.1 障碍点位置的推算

系统具有了较高精度的导航定位和较强的环境探测能力之后，就可以进行环境绘制，画出环境的二维地图。如图5.4所示，移动机器人位置为，障碍物相对移动机器人的距离为，相对移动机器人正前方夹角为（障碍位于移动机器人正前方的左边时为正，位于移动机器人正前方的右边时为负）。障碍物相对于移动机器人所在方向逆时针为正,顺时针为负。

图5.4 小车位姿及障碍示意图

根据移动机器人的位姿和障碍物相对于移动机器人的位置，便可推算出障碍物的坐标，实时地进行地图绘制。障碍点坐标可由式5.1 得出：

（5.1）

假设超声传感器的最大有效值为MAX,当超声的读数大于最大有效值时,认为超声没有返回读数.最大有效值越大,机器人就“看”得越远,但是传感器的读数也就越不精确.为了保证较好的精确度,将MAX设定为2. 5ｍ.如果超声的读数小于最大有效值,那么就认为超声读数有效,也就是检测到了障碍物.图为没有设定MAX值，超声传感器认为超过3米远的地方就返回一个距离为3米障碍点，那么整个图形显示就非常的杂乱，很难辨别出环境的轮廓。

局部特征地图是根据连续几次超声扫描获取的机器人当前位置的几何特征地图.在机器人运动过程中,首先根据当前的超声数据预测可能的特征,然后通过特征匹配,最后获得局部特征地图。

图5.5 超声波传感器设定MAX值前、后得到的环境地图对比

在实验中，常常会在墙角后方比较远处标出一个障碍点，这个点实际上是个镜像点，是一个虚假的障碍点，在实验中，我们必须要把此类障碍点排除掉，使描绘出来的地图更加逼真，且不显得累赘。

进入墙角后小车速度会降低，在障碍物前徘徊，此时超声传感器继续扫描周围环境，采集到的数据点会不断增加，如果把这种情况下的障碍点描绘出来，在地图中会增加大量的重复点，而且有些点属于镜像点。

图5.6 幻影产生示意图

结合我们实验用的移动机器人现有数据和装备，我们可以利用速度来判断小车是否陷入了类似墙角的障碍中，也就是说当小车速度非常低的时候我们就认为小车前方遇到了墙角，那么此时小车采集到的障碍物数据我们就不在图上表现出来，那么许多镜像点就消除了。墙角的图形实际上在小车还没陷入的时候已经基本绘制出来了，因此我们把小车陷入墙角时采集到的障碍点剔除掉，这对整个环境的图形绘制没有太大影响。

计算移动机器人的即时速度需要知道机器人在相邻两个数据采集点的自身坐标位置改变和采集两个相邻数据所用的时间，是机器人超声传感器的探头一从左至右扫描一次所用的时间，中间一共有8个间隔，那么相邻两个采集点之间的时间间隔，根据测量，,

机器人自身坐标变换的距离计算公式为

因此机器人即时速度为

那么移动机器人每采集一次数据，我们可以直接得到6个信息，包括小车横坐标、小车纵坐标、小车方位（旋转分量）、超声传感器角度代码、障碍物距离、红外传感器的信息,见表5.1。

表5.1 移动机器人采集数据变量

为了便于数据处理，我们采用结构体来保存传感器采集到的数据变量，如下所示：

struct Envir_Inf

{

short x_car; 小车x坐标，坐标1cm为单位

short y_car; 小车y坐标，坐标1cm为单位

short angle_car; 小车当前指向角度，0.1度为单位 + -1800

unsigned char us_id; 超声发送角度代码（0-8）

unsigned char us_dis; 超声测距信息，0.002743m为单位

unsigned char infar_data[4]; 当前红外信息

}

5.2 软件设计

我们需要设计一个二维直角坐标图作为环境地图的示意图，把移动机器人采集到的数据在地图上描绘出来，包括移动机器人自身的运行轨迹与环境障碍图。数据是通过移动机器人和上位机之间的通信模块发送到上位机（笔记本）的。在上位机上我们采用虚拟仪器软件Lab WindowsCVI设计一个可视化的界面。

Lab WindowsCVI是National Instruments 公司（美国国家仪器公司，简称NI公司）推出的32位面向计算机测控领域的软件开发平台。以ANSI C为核心，将功能强大、使用灵活的C语言平台与数据采集、分析和表达等测控专业工具有机的结合起来。

虚拟仪器面板设计如图5.7所示：

图5.7 采用LabwindowsCVI设计的程序面板

在仪器面板中，我们设置了两块地图面板，一块用于显示数据处理前的地图，另一块用于显示数据处理后的地图和整合后的地图。下面简要介绍一下面板中各控件的功能。

图5.8 地图处理软件操作面板设计框图

地图面板：X轴向、Y轴向分别代表地图中的X、Y坐标，初始设定其范围为X轴向（-1000～1000cm）,Y轴向（－1000～1000cm），在实际看图时，可根据需要对地图进行缩放。

视场：用于调整地图面板可视范围，通过设定其中参数值来调整地图X、Y轴向的范围，从而达到地图的放大、缩小，便于观察。

清空地图：当地图面板上已有图形时，如果需要重新画图，则可以通过此按钮清空地图面板上的图形。

环境读取：由于移动机器人采集到的数据传到上位机后是按照数据文件（*.DAT）保存的。通过环境读取，我们可以把存档的数据文件调入程序中进行各种处理。

原始地图：通过算法分析*.DAT文件中的原始数据，然后把原始障碍图信息和小车自身移动轨迹在处理前的地图面板上描绘出来。

处理地图：通过算法分析，从原始数据中提取对建立精确的环境地图有价值的信息，并把提取后的地图描绘出来。

整合地图：在处理后的地图上再次进行分析，把环境特征更逼真的描绘出来，便于将来指导移动机器人的路径规划。

退出程序：结束所有操作，退出整个程序。

时间控件（TIMER）：设定每隔0.005秒触发一次数据处理程序，每次处理一组数据。通过时间触发可以看到移动机器人整个环境勘测的过程。

图5.9 地图绘制程序框图

5.3 不确定信息处理

从实验初步结果来看，整个环境的大致地形是能够在在图上反映出来的，但还存在不少干扰因素，致使地图不够逼真。主要问题是超声传感器的信息具有高度的不确定性.其中包括：

1、超声传感器存在测距误差；

2、不能确定障碍物位置的问题；

3、检测不到障碍物；

4、出现虚假障碍物

5.3.1 超声波波束角过大

图5.10 超声波的波束角

图5.10中，为超声波传感器的波束角，为障碍点相对移动机器人的的距离。由图可知，当超声波传感器由左向右扫描时，波束右边缘首先探测到真实障碍点。系统将会认为在波束圆锥轴上存在一个障碍点。显而易见，为虚障碍点，应该剔除。具体方法为：当探测过程中发生从无障碍到有障碍这一变化时，则剔除第一个障碍点。当超声波传感器由右向左扫描时，算法类似。

5.3.2 超声波镜面反射

图5.11 超声波的镜面反射

如图5.11所示，超声波在两个物体表面反射，又被超声波传感器接收，从而产生了镜像点。一般来说，镜像点的距离比较大，可以根据超声波传感器具体的测距范围，设置一个阈值，滤除镜像点。

我们已经由公式5.1计算出障碍点的坐标位置，那么计算相邻障碍点的距离相当容易，直接用公式：

如果超出了设定值，那么舍去点。这个设定值是根据小车的行驶速度与传感器探测频率来确定的，移动机器人正常行使速度在20cms～70cms。那么我们确定当相邻两个障碍点距离超过100cm或者小于15cm时，舍去。处理后的数据点我们可以做简单的线性处理，使环境特征更加明显。

5.3.3 超声波无法接受回波

图5.13 超声波无法接收到回波

当障碍物表面比较平坦光滑时（如粉刷过的墙壁），而且超声波入射角小到一定值，超声波传感器将接收不到回波，如图5.13所示。在这种情况下，系统会误认为没有障碍物存在。我们将超声波传感器安装在移动机器人前方的转向机构上。转向机构旋转并带动传感器对周围进行扫描，并且我们将超声传感器的扫描角度从到扩大到到，扫描位置从5个增加到9个，从而获得较多的环境信息。同时，较好地解决了超声波传感器接收不到回波这一问题。

经过上述方法对超声波传感器探测到的障碍点进行过滤处理，可以有效剔除干扰点，提高绘制环境地图的质量。

第六章实验仿真

为了验证采集的数据与实际环境特征是否符合，我们做了大量的实验进行检验。

6.1 直线走廊环境

我们在中心楼二楼实验室外的走廊上做了走廊环境的实验。真实的环境见图所示：

图6.1 走廊环境真实图片

走廊比较平直，两侧为比较光滑的涂料粉刷墙面。我们让移动机器人沿着走廊走了一段直线距离。传感器采集了一系列的数据。我们把原始数据稍作处理得到的地图反映在下面。其中黑点代表机器人扫描到的障碍点，红线代表机器人的行走轨迹。

图6.2 走廊地图绘制

6.2 L型环境

图6.3 L形环境真实图片

L形实际上是由两条直线连接而成的，我在中心楼一楼大厅找了两面互相垂直的墙，构成了一个L形的实验环境，如图6.3所示。

图6.4为软件处理后的地图，左边为经过第一次处理后的地图，右边为经过第二次处理后的地图，效果比较明显。

图6.4 L形地图绘制

6.3 U形环境

U形对于移动机器人来说是一个比较复杂的环境，因为U形中包含两个墙角一样的环境，机器人在U形里自身的路径规划会出现问题，容易陷入“U形陷阱”。导致机器人不能全面的扫描到整个环境障碍情况。在中心楼二楼的大厅中我们自己用木板搭建了一个U形实验环境，采集实验数据，如图：

图6.5 U形环境真实图片

下图是U形环境的地图绘制，左边的是初步处理的地图，其中有大量的重复点，右图中是处理后的点，图象明显简洁很多，轮廓比较分明。

图6.6 U形环境地图绘制

第七章结论与研究展望

移动机器人的环境勘测与地图创建为机器人导航奠定基础.本文比较全面详细地论述了该领域的主要理论方法及我们自己所做的一点探索.国外学者在这方面做了大量的研究工作.近年来,随着计算机技术、传感器技术的发展,移动机器人的定位技术取得了较大的进展,针对的环境也从静态的结构化室内环境向非结构化室内环境和自然环境延伸.综合近年来的相关文献,以下几个方面将是今后研究的热点。

7.1　多智能机器人协调探测

目前许多工作是采用单个机器人进行环境信息的探测，其不足是：探测速度慢，感知环境信息欠完整。而用多机器人协作进行地形探测则提高了效率与准确度。如何使用多个机器人互相协调对环境进行探测，协调方案的制定对探测效率也有很重要的影响。包括控制结构的选择、通信方式的选择、避碰策略的设计。多移动机器人协调探测环境的结构简图如图7.1所示。

图7.1 多机器人探测环境的结构简图

7.2　实时在线探测

有些任务是需要机器人到事先完全未知的环境下去完成的。这就需要机器人能够实时在线地对作业环境进行探测。现在已经有人在做实时的探测算法，但是多数的试验还是要经过一再地离线学习才能让机器人在环境中行走。尤其是对于有循环通道的大范围环境，累积误差会无限增加。而且由于要消除传感信息的不确定性需要的计算量很大时，也会影响实时性，以及在多机器人协作用多种传感器探测时，存在的通讯和数据融合都会对实时探测带来负面影响。所以，选择适当的传感器和更好的融合结构与算法，对机器人的实时在线探测至关重要。

7.3　多传感器信息融合

单纯某一类传感器都有其自身固有的缺点。如范围传感器，虽然它可以较准确地返回障碍物到机器人的距离，但其传感范围有限，而且具有信息的不确定性。而视觉传感器采集的是平面图像，无法确定障碍物与机器人以及障碍物之间的距离，还需要有辅助的定位装置，如激光传感器。为克服单镜头的平面图像产生的信息不完整，往往用两个摄像头，这样，不仅可以造成两组信息的误差，而且由于摄像头安装时采用一定的仰角，使得较近的前方视角外的信息不能被采集到。此外，视觉传感器的数据量特别大，后续处理较困难，数据融合难以实现，需要较复杂的数据处理软件。所以如何有效的结合多种传感器，更为准确地探测出环境特征来，就需要有合适的不同来源的数据融合方法。因此，信息的融合还是一个有待进一步研究的方向。

7.4　三维环境地图构建

到目前为止，大多数研究都是针对二维环境的探测和地图构建，只有很少关于构建三维地图的研究工作和发表的文章。从目前来看，三维环境探测可以用于虚拟现实中，这对要在危险场合作业的人员是很有用的，可以模拟真实的三维建筑与场地。三维环境探测比二维环境探测需要更加大量的数据和更为复杂的数据处理算法。

致谢

毕业设计完成了，在这个过程中我学到了很多东西。首先我要感谢我的指导老师郭老师，他在我完成论文的过程中，给予了我很大的帮助。在论文开始的初期，我对于论文的结构以及文献选取等方面都有很多问题，在整个毕业设计过程中，郭老师给了我大量的帮助和无微不至的关怀。郭老师严谨的治学态度、渊博的学识、敢于创新的科研作风及严于律己、宽以待人的为人处事方法，给我以极大的教育与启迪，使我受益匪浅。在此谨对导师表示衷心地感谢！

我还要感谢我的父母这么多年来对我的辛勤培育和无私关爱，他们在物质上为我提供了一切保障，在精神上又给予了我无穷的信心与力量！