基于TGHM算法的移动机器人自主探索与地图构建
摘要
1.简介
提出了一种基于几何规则的方法来选择活动区域中的候选目标点。 几何规则基于传感器信息。 与基于前向仿真(FS)的方法相比,该方法可以生成更多的候选目标点,并且只考虑活动区域中的边界,以提高计算效率。 该算法采用TGHM为勘探策略提供全局规划。 拓扑图记录所有过去的目标点和尚未访问的候选目标点。 当移动机器人到达目标位置并开始下一轮探索时,根据拓扑图提供的运动代价评估每个候选目标点的准则值。 此外,网格图提供的每个候选目标点周围的信息增益用于评估每个点的值。 最后,选择具有最佳值的候选目标点作为下一个目标点。 通过仿真和实验验证了所提出的自主探索方法。 结果表明,该方法可以有效地优化勘探效率。 此外,拓扑图有助于防止移动机器人重复探索先前探索的区域,从而大大降低探索成本。 在网格地图的帮助下,在最佳路径上执行导航。
2.相关工作
2.1. 相关技术
占用的单元格标记了障碍物或结构障碍物无法到达的区域。 自由单元标记了机器人可以自由移动的探索区域。 未知细胞标记机器人未知的区域,并包含用于探索的信息增益。
2.2. 以前的勘探工作
移动机器人:它提供建立运动模型所需的里程表数据和机器人特性。 计算单元:它为运行算法提供资源。 CPU、RAM、时钟频率和其他单元应考虑与算法的计算要求相匹配,以获得更好的性能。 传感器:它们提供来自环境的传感数据。 LIDAT、SONAR、RGB-D和STEREO广泛应用于机器人研究。 传感器的精度、频率、范围和其他特性会影响勘探和制图质量。
3.算法框架
底层是机器人收集传感器数据的地方,包括激光雷达扫描数据和机器人里程计信息,用于栅格地图的建立和信息增益计算。 一旦底层从上层获得了输出的目标点位置,它就会执行运动以到达勘探算法生成的目标点。 上层包含四个执行自动勘探的过程,包括环境边界扫描、新候选目标点生成、拓扑-网格混合地图更新和下一个目标点选择。
在活动勘探区内检测环境边界,并根据环境几何规则生成候选目标点。 这些新生成的候选目标点被添加到拓扑图中作为候选拓扑节点。 不满足要求的候选拓扑节点将被删除。 基于信息增益和运动成本对每个候选拓扑节点进行评估和排序。 将选择值最高的候选拓扑节点作为下一个目标点,该节点将变为拓扑节点。
候选目标点:根据环境几何图形规则生成的点。 候选拓扑节点:从合格的候选目标点转换的节点。 拓扑节点:从访问的候选拓扑节点转换而来的节点。 下一个目标点:在下一个机器人动作中进行探索的目标点。
4.候选目标点生成的几何规则
5.拓扑-网格混合图(TGHM)
开放网格:无障碍物。 已占用网格:此网格中的障碍。 未知网格:此网格中没有机器人的信息。
新生成的候选目标点将作为候选拓扑节点添加到拓扑图中。 更新拓扑图时,每个候选节点在一定范围内进行网格遍历,以计算其周围的信息增益。该信息增益用于评估候选拓扑节点的探索值。 拓扑图记录每个已访问和未访问的节点。 可以在拓扑图的基础上快速计算任意两个拓扑节点之间的拓扑距离。
5.1. 评估网格图上的候选拓扑节点
5.2. 建立和更新拓扑图
6.基于TGHM算法的探索
6.1. 提取候选目标点
6.2. 构建和更新拓扑图
7.模拟和实验
7.1. 仿真
候选目标点的生成基于环境几何规则。 可以快速获得有价值的候选目标点,避免了迭代计算。 因此,每一轮勘探的时间消耗大大减少。 增量缓存TGHM用于为整个勘探任务提供全局规划。 每一轮都会更新拓扑图,并且只保留环境地图覆盖所需的有价值的节点。 与其他两种算法相比,TGHM算法的目标点数最少。 因此,减少了所有目标点所携带的时间消耗,大大提高了勘探效率。 对于所提出的TGHM算法,行走路径长度相对较低,因为目标点数量较少,在地图覆盖率略有差异的情况下,机器人的运动规划更好,平均速度更高,冗余运动更少。
7.2. 实验
7.3。 讨论
8.结论
作者贡献
基金
利益冲突
参考文献
Keidar,M。; Sadeh-Or,E。; Kaminka,G.A.,机器人探索快速前沿探测。 2011年5月2日至6日在台湾台北举行的自治代理和多代理系统国际会议记录; 第281-294页。 [ 谷歌学者 ] [ 交叉参考 ] 杜兰·怀特,H。; Bailey,T.同步定位和绘图:第一部分。 IEEE机器人。 自动。 美格。 2006 , 13 , 99–110. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Bailey,T。; Durrant-Whyte,H.J.I.同步定位和制图(SLAM):第二部分。 IEEE机器人。 自动。 美格。 2006 , 13 , 108–117. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 罗德里格斯-洛萨达,D。; 马蒂亚,F。; Jimenez,A。; Galán,R.室内环境SLAM-EKF的一致性改进。 2006年5月15日至19日,美国佛罗里达州奥兰多,《2006年IEEE国际机器人与自动化会议论文集》(ICRA 2006); 第418-423页。 [ 谷歌学者 ] [ 交叉参考 ] 文森特,R。; 林克凯,B。; Eriksen,M.在没有GPS的情况下室内机器人定位技术的比较。 在 地雷、爆炸物和隐身目标的探测和传感十五 ; 国际光学和光子学学会:美国佛罗里达州奥兰多,2010年; 第76641Z页。 [ 谷歌学者 ] [ 交叉参考 ] 斯塔奇尼斯,C。; 格里塞蒂,G。; Burgard,W.在使用rao-blackwellized粒子过滤器进行基于信息增益的探索中。 《机器人科学与系统学报》,美国马萨诸塞州剑桥,2005年6月8-11日; 第65-72页。 [ 谷歌学者 ] 格里塞蒂,G。; 斯塔奇尼斯,C。; Burgard,W.J.I.使用rao-blackwellized粒子过滤器改进栅格映射技术。 IEEE传输。 机器人。 2007 , 23 , 34. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 布兰科,J.-L。; Fernandez-Madrigal,J.-A。; González,J.J.T.使用rao-blackwellized粒子过滤器测量移动机器人撞击的不确定性。 国际J机器人。 物件。 2008 , 27 , 73–89. [ 谷歌学者 ] [ 交叉参考 ] Carlone,L。; 杜,J。; Ng,M.K。; 博纳,B。; Indri,M.《Kullback-Leibler散度在主动SLAM中的应用及粒子滤波器的探索》。 2010年IEEE/RSJ智能机器人与系统国际会议论文集,台湾台北,2010年10月8日至22日; 第287-293页。 [ 谷歌学者 ] [ 交叉参考 ] Gustafsson,F。; Gunnarsson,F。; 北卡罗来纳州伯格曼。; 美国福赛尔。; Jansson,J。; 卡尔森,R。; Nordlund,P.-J.定位、导航和跟踪的粒子过滤器。 IEEE传输。 信号处理。 2002 , 50 , 425–437. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Elfes,A.J.C.使用占用网格进行移动机器人感知和导航。 电脑类 1989 , 22 , 46–57. [ 谷歌学者 ] [ 交叉参考 ] 特龙,S。; 伯加德,W。; 福克斯,D。 概率机器人 ; 麻省理工学院出版社:美国马萨诸塞州剑桥,2005年8月19日。 [ 谷歌学者 ] [ 交叉参考 ] 卢,D.V。; Hershberger,D。; 用于上下文敏感导航的智能W.D.分层成本图。 2014年IEEE/RSJ智能机器人和系统国际会议论文集,美国伊利诺伊州芝加哥,2014年9月14日至18日。 [ 谷歌学者 ] [ 交叉参考 ] Wang,H。; 袁,Y。; 袁,Q。Dijkstra算法在机器人路径规划中的应用。 《2011年第二届机械自动化与控制工程国际会议论文集》,中国呼和浩特,2011年7月15日至17日。 [ 谷歌学者 ] [ 交叉参考 ] 西特,B.-C。; 刘,G。; Lee,B.-S。; Foh,C.-H。; Wong,K.-J。; Lee,K.-K.A-STAR:大都市车辆通信的移动Ad Hoc路由策略。 2004年5月9日至14日,希腊雅典,网络研究国际会议记录。 [ 谷歌学者 ] Stentz,A.用于实时重新规划的聚焦D*算法。 国际人工智能联合会议(IJCAI)会议记录,匹兹堡,宾夕法尼亚州,美国,1995年8月20日至25日; 第1652-1659页。 [ 谷歌学者 ] A.R.索尔塔尼。; 陶菲克,H。; 古勒马斯,J.Y。; 信息学,T.F.J.A.E.建筑工地的路径规划:Dijkstra,A和GA搜索算法的性能评估。 高级工程信息。 2002 , 16 , 291–303. [ 谷歌学者 ] [ 交叉参考 ] 严,Z。; 法布雷斯,L。; 拉瓦尔,J。; Bouraqadi,N.多机器人探索性能基准的度量。 2015年9月28日至10月2日在德国汉堡举行的2015 IEEE/RSJ智能机器人和系统国际会议记录。 [ 谷歌学者 ] [ 交叉参考 ] Yamauchi,B.一种基于前沿的自主探索方法,cira。 1997年IEEE机器人与自动化计算智能国际研讨会(CIRA’97)会议记录,1997年7月10日至11日,美国加利福尼亚州蒙特雷; 第146页。 [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 维瑟,A。; Van Ittersum,M。; L.A.G.詹姆。; Stancu,L.A.Beyond Frontier Exploration公司。 在 机器人足球世界杯 ; 施普林格:德国柏林/海德堡,2007年; 第113–123页。 [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Senarathene,P。; Wang,D.J.R。; Systems,A.机器人探测安全和可到达边界的增量算法。 机器人。 自动。 系统。 2015 , 72 , 189–206. [ 谷歌学者 ] [ 交叉参考 ] Keidar,M。; Kaminka,G.A.机器人探索的高效前沿探测。 国际J机器人。 物件。 2014 , 33 , 215–236. [ 谷歌学者 ] [ 交叉参考 ] 弗雷达·L。; Oriolo,G.传感器探测的基于前沿的概率策略。 2005年4月18日至22日在西班牙巴塞罗那举行的2005 IEEE机器人与自动化国际会议记录; 第3881–3887页。 [ 谷歌学者 ] [ 交叉参考 ] 奥里奥洛,G。; 文迪特里,M。; 弗雷达·L。; Troso,G.SRT方法:随机探索策略。 2004年4月26日至5月1日,美国洛杉矶新奥尔良,IEEE机器人与自动化国际会议(ICRA'04)会议记录; 第4688–4694页。 [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Kwon,T.-B。; Song,J.-B.使用拓扑节点的位置可能性进行基于Thining的拓扑探索。 高级机器人。 2008 , 22 , 339–359. [ 谷歌学者 ] [ 交叉参考 ] Lauri,M。; Ritala,R.J.R。; Systems,A.基于正向模拟的机器人探索规划。 机器人。 自动。 系统。 2016 , 83 , 15–31. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Ge,S.S。; 张,Q。; A.T.亚伯拉罕。; Rebsamen,B.J.R。; 系统,A.用于环境探索和面向目标导航的同步路径规划和拓扑映射(SP2ATM)。 机器人。 自动。 系统。 2011 , 59 , 228–242. [ 谷歌学者 ] [ 交叉参考 ] Cheng,H。; 陈,H。; Liu,Y.J.I.T.自主移动机器人的拓扑室内定位和导航。 IEEE传输。 自动。 科学。 工程师。 2014 , 12 , 729–738. [ 谷歌学者 ] [ 交叉参考 ] 高,H。; 张,X。; Wen,J。; 袁杰。; Fang,Y.J.I.T.工程,通过多边形地图构建和使用方向端点特征的基于图形的SLAM进行自主室内探索。 IEEE传输。 自动。 科学。 工程师。 2018 , 16 , 1531–1542. [ 谷歌学者 ] [ 交叉参考 ] 王,C。; Chi,W。; 孙,Y。; Meng,M.Q.-H.通过增量路线图构建的自主机器人探索。 IEEE传输。 自动。 科学。 工程师。 2019 , 16 , 1720–1731. [ 谷歌学者 ] [ 交叉参考 ] 桑托斯,J.M。; 葡萄牙,D。; Rui,P.R.机器人操作系统中可用的2D SLAM技术评估。 2013年10月21日至26日,瑞典林科平,第11届IEEE安全、安保和救援机器人国际研讨会(SSRR 2013)会议记录。 [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 斯塔奇尼斯,C。 机器人测绘与探索 ; 施普林格:德国柏林/海德堡,2009年。 [ 谷歌学者 ] [ 交叉参考 ] SLAM-G映射。 在线可用: http://wiki.ros.org/gmapping网站 (2019年10月15日访问)。 Montemarlo,M.FastSLAM:同时定位和映射问题的分解解决方案。 2002年7月28日至8月1日,加拿大爱德蒙顿,AAAI人工智能全国会议记录。 [ 谷歌学者 ] [ 交叉参考 ] 玫瑰色。 在线可用: https://www.ros.org/ (2019年10月15日访问)。 移动基准。 在线可用: http://wiki.ros.org/move_base/ (2019年10月15日访问)。 乌龟II。 在线可用: https://www.turlbot.com/turlbot2/ (2019年10月15日访问)。 URG-04LX-UG01。 在线可用: https://www.robotshop.com/media/files/pdf/hokuyo-urg-04lx-ug01-specifications.pdf (2019年10月15日访问)。