动态环境下自主移动机器人路径规划研究

《动态环境下自主移动机器人路径规划研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：学校代号：11845学号：2111105048广东工业大学硕士学位论文(工学硕士)动态环境下自主移动机器人路径规划研究杨硕指导教师姓名、职称：韭伯基学科(专业)或领域名称：进篡扭型堂量撞丕学生所属学院：让篡扭堂院论文答辩日期：三Q二四生五旦ADissertationSubmittedtoGuangdongUniversityofTechnologyfortheDegreeofMaster(MasterofEngineeringScience)StudyonAutonomousMobileRobotPathPlanninginDynamicEnvironmentCandidate

2、：YangShuoSupervisor：PrOf．ZhangBoquanMay2014SchoolofComputersGuangdongUniversityofTechnologyGuangzhou，Guangdong，P．R．China，510006摘要摘要随着我国人口红利的逐渐消失，机器人在社会生产生活中的作用越来越大，机器人产业也越来越受到国家的重视。路径规划是移动机器人导航研究的核心问题之一。它是为位于障碍物集合中的移动机器人规划一条无碰撞路径，是机器人执行任务的前提。随着机器人的应用环境越来越复杂，尤其是当机器人自由度增多时，传统的基于确定性空间描述的路径规划算法的性能急剧

3、下降，甚至会导致“维数灾难”。为了解决这个问题，研究人员将随机采样技术应用到路径规划中，提出了PRM、RRT等算法以及后来改进的PRM算法，有效避免了对位形空间的精确建模，但仍存在采样冗余等问题。本文在分析了现有PRM路径规划算法的基础上，对基于采样优化的PRM路径规划进行研究，以提高其规划效率。主要工作包括如下几个方面：1．对路径规划方法进行了分类总结，介绍了PRM规划算法的研究现状，重点研究了基本PRM算法的原理，详细分析了高斯PRM、桥测试PRM、基于障碍物的PRM等算法的优点和不足。2．针对已有方法中存在的采样冗余等不足，提出了渐进采样策略。先使用少量点对位形空间进行初步采样，

4、根据获得信息缩小采样范围，然后通过采样测试方法对区域进行判定，有选择的增加采样点，以提高采样的效率。3．针对二维规划空间设计了四点采样测试方法，通过利用四个点所在位置的相对关系来识别障碍物的凸出部分，有效避免了凹陷区域的冗余采集。将四点法应用到所提出的渐进采样法的区域判定阶段，设计了基于改进渐进采样的PRM路径规划算法。4．为了提高路径的跟踪执行阶段的路径拟合精度和稳定性，以轮式移动机器人为例，建立了机器人运动学模型，提出了一种基于模糊神经网络的行进路线和行驶速度分级控制的路径跟踪方法，第一级的模糊神经网络利用机器人位姿信息确定行进路线即转弯半径；第二级根据前方路径情况和转弯半径调节机

5、器人行驶的角度和线速度，对行驶稳定性进行控制。论文中提出的方法在Matlab和OMPL平台上进行了仿真实验，文章的最后对全文进行了总结，说明了研究的创新点和主要成果，指出了需要进一步研究的问T广东工业大学工学硕士学位论文题。关键词：移动机器人；路径规划；PRM；渐进采样ⅡABSTRACTAsChina，Sdemographicdividendfades，therobotisincreasinglyinaprominentroleiIlthesociallife，andourcountryispayingmoreandmoreattentionontherobot．mdustries．T

6、hestudyonthepathplanningofmobilerobotnavigationisoneoftheCOreissues，andthepathplanningworkisaprerequisiteforrobotstoperformtasks·Asrobotenviro啪entsbecomemorecomplex,especiallywhentherobot‘Sfreedom证creased．traditionalperformanceofpathplanningalgorithmbasedondeterministicspacedescriptionoffallings

7、harply,andevenleadto”dimensionofdisaster”·Inordertosolvethisproblem,researchersappliedrandomsamplingtechniquestopathplanning，proposedalgorithmssuchasProbabilisticRoadmapsMethod(PRM)，Rapidly-ExploringRandomTree(RRT)，andfinall