基于VFH+算法的機(jī)器人實(shí)時(shí)地圖創(chuàng)建與避障

王 韜，劉 金，馬永起

(中國工程物理研究院計(jì)算機(jī)應(yīng)用研究所，四川 綿陽 621900)

0 引言

智能移動(dòng)機(jī)器人是一類能夠通過傳感器感知環(huán)境和自身狀況，實(shí)現(xiàn)在有障礙物的環(huán)境中面向目標(biāo)的自主運(yùn)動(dòng)，從而完成一定作業(yè)功能的機(jī)器人系統(tǒng)。避障算法的實(shí)時(shí)有效性極大地影響著移動(dòng)機(jī)器人任務(wù)完成的效率。近年來，國內(nèi)外學(xué)者在避障領(lǐng)域進(jìn)行了深入研究，常用的方法包括:人工勢場法［1-4］、VFH類算法(VFH［4-5］、VFH+［4，6］、VFH*［4，7-8］)、神經(jīng)網(wǎng)絡(luò)法［2，9-10］、遺傳算法［9-10］和模糊邏輯法［2，11］等。

1989年，Borenstein和Koren在勢場法和確定柵格的基礎(chǔ)上，提出了虛擬力場法(VFF)，其路徑安全，簡單高效，但容易陷入局部極小值點(diǎn)，狹窄通道存在震蕩。隨后，Borenstein提出了VFH算法［5］來解決此問題，VFH算法通過2輪的環(huán)境數(shù)據(jù)壓縮，選擇活動(dòng)窗口內(nèi)局部極坐標(biāo)直方圖的波谷來完成機(jī)器人避障和控制，在閾值選取得當(dāng)時(shí)不會(huì)陷入局部極小值，并允許機(jī)器人快速通過障礙物而不會(huì)出現(xiàn)不穩(wěn)定現(xiàn)象，因而至今仍得到廣泛應(yīng)用。隨后VFH+算法［6］將機(jī)器人尺寸以及運(yùn)動(dòng)特性對避障的影響考慮了進(jìn)來。VFH*［8］將 VFH+與A* 算法結(jié)合，用 VFH+算法對運(yùn)動(dòng)軌跡進(jìn)行未來幾個(gè)階段的提前計(jì)算形成路徑節(jié)點(diǎn)樹，并用A*算法對路徑節(jié)點(diǎn)樹進(jìn)行搜索以找出代價(jià)最小的路徑，選擇該路徑第一個(gè)節(jié)點(diǎn)方向作為目標(biāo)方向。

但無論是原始VFH算法還是其改進(jìn)算法，都存在以下問題:首先，上述方法的環(huán)境地圖創(chuàng)建階段，都直接將超聲波傳感器返回的距離信息映射到地圖上，而忽略了由于機(jī)械震蕩、傳感器誤差等所導(dǎo)致的錯(cuò)誤距離信息等情況。其次，在可行區(qū)域的通行代價(jià)判定過程中，忽視了候選方向附近障礙物密度這一指標(biāo)，容易導(dǎo)致在通用代價(jià)相近情況下選擇次優(yōu)方向的情況。最后，在陷入循環(huán)震蕩后，缺乏一個(gè)循環(huán)跳出機(jī)制。

針對以上問題，本文在VFH+算法的基礎(chǔ)上，對其進(jìn)行了改進(jìn)。在算法的實(shí)時(shí)地圖創(chuàng)建階段，將超聲波傳感器返回的距離信息進(jìn)行軟件濾波以增強(qiáng)實(shí)時(shí)環(huán)境地圖的準(zhǔn)確度。在算法目標(biāo)方向決策階段，改進(jìn)了代價(jià)判定函數(shù)以便對通行代價(jià)進(jìn)行更準(zhǔn)確的標(biāo)識，并設(shè)計(jì)了一個(gè)基于動(dòng)態(tài)閾值的死循環(huán)跳出機(jī)制。

1 機(jī)器人避障原理

機(jī)器人在避障過程中狀態(tài)如圖1所示。

圖1 避障過程機(jī)器人狀態(tài)示意圖

從原理上講，避障的過程一般可分為環(huán)境地圖創(chuàng)建、目標(biāo)方向決策、運(yùn)動(dòng)執(zhí)行3個(gè)步驟。其中，目標(biāo)方向決策是整個(gè)系統(tǒng)的難點(diǎn)與核心，而環(huán)境地圖創(chuàng)建又是目標(biāo)方向決策的先決條件。

(1)環(huán)境地圖創(chuàng)建。

機(jī)器人接收安裝在其一周的距離傳感器采集到的障礙物距離信息，并將障礙點(diǎn)映射到環(huán)境地圖上，實(shí)時(shí)更新環(huán)境地圖。

(2)目標(biāo)方向決策。

在此階段，參考更新后的環(huán)境地圖，分析視野范圍內(nèi)(活動(dòng)窗內(nèi))的障礙物情況并最終做出下一步目標(biāo)運(yùn)行方向的決策，并發(fā)送給運(yùn)動(dòng)執(zhí)行單元。

(3)運(yùn)動(dòng)執(zhí)行。

在完成目標(biāo)方向決策后，機(jī)器人運(yùn)動(dòng)執(zhí)行單元依據(jù)決策結(jié)果控制機(jī)器人的運(yùn)動(dòng)。

重復(fù)上述3個(gè)步驟直到機(jī)器人到達(dá)目標(biāo)點(diǎn)為止。

2 避障算法環(huán)境地圖創(chuàng)建階段

避障算法決策的前提是對周圍環(huán)境信息的掌握，實(shí)時(shí)準(zhǔn)確的環(huán)境地圖信息有助于提升算法效率、改善算法效果。本文和VFH等多類算法一樣，采用超聲波傳感器和柵格地圖結(jié)合的方式來創(chuàng)建和更新環(huán)境地圖。其中，為避免錯(cuò)誤數(shù)據(jù)影響環(huán)境地圖的準(zhǔn)確性，在超聲檢測階段采用分組分段的工作方式，并引入軟件濾波器來排除錯(cuò)誤數(shù)據(jù)。

2.1 超聲波分組檢測

超聲波傳感器廣泛地應(yīng)用于機(jī)器人產(chǎn)品中，其耐污性高、環(huán)境適用性較強(qiáng)，而且隨著超聲波技術(shù)的發(fā)展，其精度和穩(wěn)定度也越來越高。多個(gè)超聲波傳感器在安裝距離較近并且同時(shí)工作的時(shí)候，因?yàn)槟K頻率接近的緣故，不可避免地會(huì)有錯(cuò)誤接收的現(xiàn)象［12-13］。為了解決這一問題，本文將超聲波傳感器分為3組，分段進(jìn)行工作，分組情況如圖2所示。

圖2 超聲波分組示意圖

超聲波傳感器分組分段工作，避免了臨近傳感器間的相互干擾，使得錯(cuò)誤數(shù)據(jù)更少。雖然分組工作使得一輪檢測時(shí)間延長為原來的3倍，但由于機(jī)器人決策和運(yùn)動(dòng)周期時(shí)間為檢測周期時(shí)間的數(shù)十倍，因而不會(huì)對避障效率產(chǎn)生明顯影響。

2.2 軟件濾波

在移動(dòng)機(jī)器人實(shí)際運(yùn)行過程中，因?yàn)闄C(jī)械震蕩、傳感器誤差等情況的存在，不可避免會(huì)存在錯(cuò)誤數(shù)據(jù)。為了避免錯(cuò)誤數(shù)據(jù)對機(jī)器人實(shí)時(shí)地圖的更新產(chǎn)生影響，一般會(huì)對超聲波數(shù)據(jù)進(jìn)行軟件濾波［13-14］，本文加入了基于查考機(jī)器人上周期障礙和當(dāng)前運(yùn)動(dòng)情況的軟件濾波器。基本思路如下:

(1)得到預(yù)測距離。

本周期障礙點(diǎn)距離預(yù)測方法如式(1)所示:

(2)得到測量距離。

(3)判斷是否偏差。

判斷偏差值△是否小于閾值T，若小于閾值T，則接受本周期測量信息，進(jìn)入下一周期。否則，本周期數(shù)據(jù)“掛起”，進(jìn)入步驟(4)。

(4)處理“掛起”數(shù)據(jù)。

因數(shù)據(jù)待確認(rèn)，所以該周期數(shù)據(jù)將延遲映射到地圖上。此時(shí)本周期預(yù)測值和測量值同時(shí)參與下周期的數(shù)據(jù)預(yù)測階段，如式(3)和式(4)所示:

添加障礙物或者轉(zhuǎn)向過程中檢測到的障礙，此時(shí)接受“掛起”數(shù)據(jù);若預(yù)測值接近于，表示是錯(cuò)誤值，放棄“掛起”數(shù)據(jù)。

若連續(xù)多次“掛起”，則應(yīng)當(dāng)考察是否傳感器出現(xiàn)問題?？赏Ｖ箼C(jī)器人運(yùn)動(dòng)，靜止?fàn)顟B(tài)下多次測量檢測數(shù)據(jù)是否一致。待調(diào)整完畢后繼續(xù)測量。

2.3 數(shù)據(jù)映射

將經(jīng)過軟件濾波后得到的距離數(shù)據(jù)映射到環(huán)境地圖上去，以便實(shí)時(shí)地更新環(huán)境地圖。本文與VFH類等算法一致，忽略了超聲波散出角的影響，只考慮傳感器軸線方向，映射公式如式(5)所示:

其中，(xr，yr，θ)為機(jī)器人當(dāng)前坐標(biāo)和朝向角度，α 為傳感器相對于機(jī)器人正向的角度，L為障礙點(diǎn)和機(jī)器人中心的距離，(xm，ym)為映射后的坐標(biāo)點(diǎn)。map［xm］［ym］為地圖上(xm，ym)坐標(biāo)點(diǎn)的障礙物置信度。

3 避障算法目標(biāo)方向決策階段

目標(biāo)方向決策是整個(gè)避障算法的難點(diǎn)與核心，直接影響避障的效率與效果。本文對VFH+算法進(jìn)行改進(jìn):通過修改代價(jià)判定函數(shù)使得對通行代價(jià)進(jìn)行更準(zhǔn)確的標(biāo)識;通過增加循環(huán)跳出機(jī)制使得當(dāng)陷入局部死循環(huán)后，能增加走出死循環(huán)的可能性。

3.1 VFH+算法目標(biāo)方向決策階段流程

VFH+算法該階段輸入是環(huán)境柵格地圖，經(jīng)過4輪的數(shù)據(jù)壓縮后輸出本輪選擇的目標(biāo)前進(jìn)方向。

(1)直方圖創(chuàng)建:VFH+算法將活動(dòng)窗(避障視野)分為72個(gè)扇區(qū)，統(tǒng)計(jì)各扇區(qū)內(nèi)的障礙物復(fù)雜度。按照橫軸為扇區(qū)編號，縱軸為復(fù)雜度的形式構(gòu)建直方圖。

(2)二值化直方圖:使用高低2個(gè)閾值將直方圖二值化。其中，高于高閾值部分置1，表示障礙，低于低閾值部分置0，表示通行。介于高低閾值之間部分設(shè)置為與上周期相同狀態(tài)。

(3)掩膜直方圖:根據(jù)機(jī)器人運(yùn)動(dòng)特性，將當(dāng)前不可達(dá)到的區(qū)域在直方圖中置1。

(4)代價(jià)計(jì)算:獲取直方圖中可通行扇區(qū)，并對其進(jìn)行代價(jià)排序，選取通行代價(jià)最低的方向作為本輪選擇的目標(biāo)方向。

3.2 改進(jìn)的代價(jià)函數(shù)

VFH+等一類算法的傳統(tǒng)通用代價(jià)函數(shù)如式(6)所示，本文代價(jià)函數(shù)如式(7)所示。本文加入了“候選方向附近扇區(qū)環(huán)境復(fù)雜度”指標(biāo)，其可以彌補(bǔ)在扇區(qū)通行性判定時(shí)二值化處理導(dǎo)致各扇區(qū)具體密度信息丟失這一不足，以便在出現(xiàn)前3項(xiàng)代價(jià)指標(biāo)和相近的情況下對候選方向代價(jià)進(jìn)行更準(zhǔn)確的標(biāo)識。

其中，θ為候選方向角度，θr為機(jī)器人當(dāng)前朝向角度，θt為機(jī)器人與目標(biāo)點(diǎn)的角度，θn-1為上輪目標(biāo)行駛方向角度。Ss、Sl、Sr分別為θ所在扇區(qū)及其左右側(cè)扇區(qū)。式(7)中4項(xiàng)系數(shù)的大小關(guān)系依次代表傾向于“接近目標(biāo)方向”、“保持當(dāng)前朝向”、“參考上輪決策”、“選擇附近扇區(qū)復(fù)雜度低的候選方向”等策略的程度，本文分別取值為5、2、2.5、1。平均密度被乘以(c(θ，θt)+c(θ，θr)+c(θ，θn-1))的目的是將平均密度調(diào)整為與前3項(xiàng)同一量級。

3.3 局部死循環(huán)跳出機(jī)制

盡管VFH+等一類算法對閾值的敏感程度不高，但由于工作環(huán)境的不確定性，固定閾值仍舊會(huì)引起一些問題:比如在復(fù)雜環(huán)境中，較低的閾值會(huì)拋棄許多本可通行的候選方向?qū)е聶C(jī)器人陷入局部死循環(huán)。本文提出一種基于考察機(jī)器人歷史軌跡，線性改變閾值的方法來解決此問題。在多數(shù)情況下，采用原始閾值抉擇;當(dāng)陷入局部循環(huán)后，動(dòng)態(tài)改變閾值以便走出困境，基本思路如下:

(1)保存機(jī)器人運(yùn)動(dòng)軌跡，在本輪二值化直方圖之前，考察是否陷入局部循環(huán)(本文根據(jù)15個(gè)運(yùn)行周期是否出現(xiàn)小范圍內(nèi)震蕩作為判斷依據(jù))。

(2)若陷入局部循環(huán)，則將高低閾值各增加1個(gè)單位。但高低閾值均不能超過限定值。

(3)若未陷入局部循環(huán)，則將高低閾值均調(diào)整為初始值。

(4)在閾值增加過程中，如果達(dá)到限定值，意味著機(jī)器人處于較危險(xiǎn)狀態(tài)。此時(shí)應(yīng)當(dāng)降低速度并依靠其他方式走出困境(如結(jié)合全局規(guī)劃算法、借助碰撞傳感器等)。

4 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)平臺由MFC開發(fā)，平臺的系統(tǒng)結(jié)構(gòu)如圖3所示。

圖3 實(shí)驗(yàn)平臺系統(tǒng)結(jié)構(gòu)示意圖

按照模塊的功能和任務(wù)，將系統(tǒng)分為3層。最底層是實(shí)時(shí)地圖層，可進(jìn)行避障地圖的繪制、動(dòng)態(tài)更改和實(shí)時(shí)更新，其中，障礙物位置、大小可任意設(shè)置。中間層為部件模擬層，模擬超聲波檢測和機(jī)器人運(yùn)動(dòng)執(zhí)行2個(gè)模塊。最上層是算法執(zhí)行層，包括軟件濾波器和目標(biāo)方向決策，以動(dòng)態(tài)鏈接庫形式供實(shí)驗(yàn)平臺調(diào)用。

在部件模擬中，超聲波檢測模塊的模擬方法是:在環(huán)境地圖上，從傳感器當(dāng)前位置按安裝方向發(fā)出射線，沿著射線方向以5cm為單位向前逼近。檢測當(dāng)前到達(dá)的柵格地圖是否被障礙占有，如果是，則返回傳感器與該柵格的距離，否則，繼續(xù)逼近直到傳感器最大量程為止。運(yùn)動(dòng)執(zhí)行模塊的模擬方法是:根據(jù)算法的目標(biāo)方向決策模塊給出的結(jié)果數(shù)據(jù)，結(jié)合當(dāng)前運(yùn)動(dòng)速度計(jì)算出機(jī)器人下個(gè)周期的位姿(位置和朝向)，并將位姿和運(yùn)行軌跡繪制在地圖上。

本文對改進(jìn)點(diǎn)進(jìn)行了單獨(dú)實(shí)驗(yàn)和綜合實(shí)驗(yàn)，以驗(yàn)證算法改進(jìn)的有效性。

4.1 軟件濾波器實(shí)驗(yàn)

為進(jìn)行軟件濾波器實(shí)驗(yàn)，在仿真平臺上模擬超聲波檢測時(shí)，設(shè)置了干擾模型。干擾模型由隨機(jī)數(shù)向量(r1，r2，r3，r4)表示，其中，r1決定是否產(chǎn)生嚴(yán)重錯(cuò)誤干擾，實(shí)驗(yàn)中，嚴(yán)重錯(cuò)誤發(fā)生概率設(shè)置為2%;r2表示是否產(chǎn)生普通干擾，概率為50%;r3表示干擾的方向，表示距離是增加還是減少;r4表示干擾的數(shù)值即距離。在測試過程中，出現(xiàn)連續(xù)錯(cuò)誤概率、錯(cuò)誤數(shù)據(jù)比例等2個(gè)因素會(huì)對錯(cuò)誤排除率產(chǎn)生影響，它們各自獨(dú)立。圖4展示的是在固定一個(gè)因素時(shí)，另外一個(gè)影響因素對錯(cuò)誤排除率的影響結(jié)果。

圖4 排錯(cuò)率影響因素示意圖

觀察圖4可知，當(dāng)錯(cuò)誤數(shù)據(jù)比例固定時(shí)，隨著連續(xù)錯(cuò)誤出現(xiàn)概率增大，錯(cuò)誤排除率快速下降，因?yàn)樵谲浖V波器的第4步中，連續(xù)錯(cuò)誤數(shù)據(jù)會(huì)引起多次“掛起”，在放棄掛起數(shù)據(jù)的同時(shí)因?yàn)槿笔д_的預(yù)測數(shù)據(jù)會(huì)導(dǎo)致放棄部分正確數(shù)據(jù);當(dāng)出現(xiàn)連續(xù)錯(cuò)誤概率固定時(shí)，隨著錯(cuò)誤數(shù)據(jù)所占比例的增加，糾錯(cuò)能力逐漸減弱，因?yàn)殄e(cuò)誤數(shù)據(jù)過多會(huì)使得正確數(shù)據(jù)也被當(dāng)做錯(cuò)誤處理。在實(shí)際機(jī)器人系統(tǒng)中，連續(xù)錯(cuò)誤出現(xiàn)概率較低，只有當(dāng)傳感器故障或機(jī)械震動(dòng)嚴(yán)重時(shí)才會(huì)出現(xiàn)較高情況。本文在濾波器測試時(shí)，設(shè)置連續(xù)錯(cuò)誤出現(xiàn)概率為5%，測試數(shù)據(jù)總量設(shè)置為1000，在此設(shè)定下的濾波器測試結(jié)果如表1所示。

表1 軟件濾波器測試數(shù)據(jù)

測試結(jié)果表明，當(dāng)錯(cuò)誤數(shù)據(jù)總量在測試數(shù)據(jù)總量中所占比低于10%時(shí)，排除錯(cuò)誤效果良好;隨著錯(cuò)誤比例的增加，糾錯(cuò)能力逐漸減弱，并容易出現(xiàn)過多錯(cuò)誤認(rèn)定的情況。但由于單個(gè)障礙柵格對算法決策的影響較小且超聲波置信度相對較高，故當(dāng)錯(cuò)誤比例低于16%時(shí)的誤差在工程所允許范圍之內(nèi)。

4.2 改進(jìn)代價(jià)函數(shù)實(shí)驗(yàn)

為測試改進(jìn)代價(jià)函數(shù)的效果，在仿真時(shí)構(gòu)造了一個(gè)最優(yōu)和次優(yōu)候選方向前3項(xiàng)代價(jià)值相當(dāng)?shù)那闆r，對比結(jié)果如圖5所示。

圖5 改進(jìn)代價(jià)函數(shù)實(shí)驗(yàn)對比圖

圖5中，中間矩形和圓點(diǎn)表示障礙物，上方矩形代表機(jī)器人起始位置，下方三角代表機(jī)器人目標(biāo)點(diǎn)，曲線表示是機(jī)器人的行駛軌跡。

圖5(a)是試驗(yàn)中構(gòu)造的測試環(huán)境，小圓點(diǎn)所代表的障礙物在當(dāng)前時(shí)刻不足以使得該扇區(qū)被認(rèn)定為“阻塞(1)”，該扇區(qū)被認(rèn)定為“暢通(0)”，二值化后，扇區(qū)障礙物密度信息丟失。按照原始代價(jià)函數(shù)，此時(shí)會(huì)選擇向左的方向前進(jìn)，因?yàn)樵摲较蚵詢?yōu)于向右的方向，如圖5(b)，但隨著機(jī)器人的行進(jìn)，該方向小圓點(diǎn)障礙物影響逐漸增大，會(huì)使得機(jī)器人朝該方向的前進(jìn)受到阻礙。圖5(c)使用了本文改進(jìn)代價(jià)函數(shù)的方法，算法決策階段會(huì)將二值化丟掉的扇區(qū)障礙物密度信息重新考慮，可以更加準(zhǔn)確地標(biāo)識通行代價(jià)，做出更優(yōu)選擇。

4.3 局部循環(huán)跳出機(jī)制實(shí)驗(yàn)

循環(huán)跳出機(jī)制的效果如圖6所示。

圖6 局部循環(huán)跳出實(shí)驗(yàn)對比圖

由對比圖可見，循環(huán)跳出機(jī)制是有效的。機(jī)器人進(jìn)入“困境”后，由于閾值較低，將原本可通行區(qū)域認(rèn)為“阻塞”，因而在一段時(shí)間內(nèi)處于“震蕩”狀態(tài)。但圖6(a)因不含局部循環(huán)跳出機(jī)制，陷入了死循環(huán)，而圖6(b)則激活了局部循環(huán)跳出機(jī)制，通過動(dòng)態(tài)閾值的增加，從而發(fā)現(xiàn)了可通行的區(qū)域并成功走出了“困境”。

4.4 綜合實(shí)驗(yàn)

為驗(yàn)證算法改進(jìn)的整體效果，將改進(jìn)方法與原始VFH+算法進(jìn)行了綜合對比實(shí)驗(yàn)，實(shí)驗(yàn)效果對比圖如圖7所示，其中，使得機(jī)器人陷入局部循環(huán)的障礙物群是在其他障礙物避障完成后動(dòng)態(tài)添加的，其余障礙物是固定設(shè)定的。

圖7 與VFH+方法的對比

從實(shí)驗(yàn)對比圖可以看出，在通常情況下，本文方法與原始VFH+算法效果基本一致，如對比圖左上方的稀疏障礙群;當(dāng)靠近地圖中間較大的圓形障礙時(shí)，2個(gè)候選方向代價(jià)相近，本文改進(jìn)方法選擇附近障礙密度更低的右側(cè)方向前進(jìn)，軌跡平滑，而原始VFH+算法沒有考慮附近扇區(qū)障礙物密度，選擇了左側(cè)方向行進(jìn)，盡管也成功繞過障礙物，但其在小矩形障礙與圓形障礙間狹窄通道中軌跡不平滑，存在震蕩。最后，在機(jī)器人繞開預(yù)設(shè)障礙物后，動(dòng)態(tài)添加的障礙物群使得機(jī)器人陷入了局部循環(huán)，原始VFH+方法陷入了死循環(huán)，本文改進(jìn)方法依靠局部循環(huán)跳出機(jī)制成功走出了障礙群，可見改進(jìn)是有效的。

5 結(jié)束語

本文為提高機(jī)器人避障的效率，增強(qiáng)避障地圖的準(zhǔn)確性，對VFH+算法進(jìn)行了改進(jìn)。通過將超聲波傳感器分為3組，分段進(jìn)行工作避免了相互之間的干擾。采用軟件濾波器對超聲波傳感器返回的數(shù)據(jù)進(jìn)行濾波，盡可能排除錯(cuò)誤數(shù)據(jù)，從而增強(qiáng)了實(shí)時(shí)避障地圖的準(zhǔn)確性。同時(shí)，在原始通行代價(jià)判定函數(shù)中增加了“候選方向障礙物密度”一項(xiàng)指標(biāo)，通過將二值化過程中丟失的障礙物密度信息重新考慮，增強(qiáng)了代價(jià)標(biāo)識的準(zhǔn)確度，能有助于發(fā)現(xiàn)更優(yōu)方向。設(shè)計(jì)了基于考察歷史軌跡的局部循環(huán)跳出機(jī)制，在確認(rèn)陷入局部死循環(huán)后，在一定范圍內(nèi)動(dòng)態(tài)地增加閾值，可以使得機(jī)器人發(fā)現(xiàn)一些原本可通行的通道，以便走出“困境”。在后續(xù)的研究中，計(jì)劃嘗試將本文等局部避障方法與一些全局路徑規(guī)劃方法結(jié)合，以便能在未知復(fù)雜環(huán)境中更好地完成任務(wù)。

［1］Khatib O.Real-time obstacle avoidance for manipulators and mobile robots［C］//Proc.of IEEE International Conference on Robotics and Automation.1985:500-505.

［2］朱大奇，顏明重.移動(dòng)機(jī)器人路徑規(guī)劃技術(shù)綜述［J］.控制與決策，2010，25(7):961-963.

［3］石為人，黃興華，周偉.基于改進(jìn)人工勢場法的移動(dòng)機(jī)器人路徑規(guī)劃［J］.計(jì)算機(jī)應(yīng)用，2010，30(8):2021-2023.

［4］何武.室內(nèi)服務(wù)器機(jī)器人的導(dǎo)航研究［D］.合肥:中國科學(xué)技術(shù)大學(xué)，2011.

［5］Borenstein J，Koren Y.The vector field histogram-Fast obstacle avoidance for mobile robots［J］.IEEE Journal of Robotics and Automation，1991，7(3):278-288.

［6］Ulrich I，Broenstein J.VFH+:Reliable obstacle avoidance for fast mobile robots［C］//Proc.of IEEE International Conference on Robotics＆ Automaiton.1998:1572-1577.

［7］許心德，關(guān)勝曉.未知環(huán)境下基于VFH*的機(jī)器人避障［J］.計(jì)算機(jī)仿真，2010，27(3):156-160.

［8］Ulrich I，Broenstein J.VFH*:Local obstacle avoidance for fast mobile robots［C］//Proc.of IEEE International Conference on Robotics ＆ Automaiton.2000:2505-2511.

［9］徐秀娜，賴汝.移動(dòng)機(jī)器人路徑規(guī)劃技術(shù)的現(xiàn)狀與發(fā)展［J］.計(jì)算機(jī)仿真，2006，23(10):1-4.

［10］劉玲，王耀南，況菲，等.基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的移動(dòng)機(jī)器人路徑規(guī)劃［J］.計(jì)算機(jī)應(yīng)用研究，2007，24(2):264-266.

［11］Malhotra R，Sarkar A.Development of a fuzzy logic based mobile robot for dynamic obstacle avoidance and goal acquisition in an unstructured environment［C］//Proc.of IEEE International Conference on Advanced Intelligent Mechatronics.2005:1198-1203.

［12］陳春林，陳宗海，卓睿.基于多超聲波傳感器的自主移動(dòng)機(jī)器人探測系統(tǒng)［J］.測控技術(shù)，2004，23(6):11-13.

［13］黃慶成，洪炳镕，Javaid Khurshid，等.全自主足球機(jī)器人的超聲波定位避障系統(tǒng)［J］.哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2003，35(9):1077-1079.

［14］王軍政，陳超，汪正軍，等.基于Kalman濾波的量程自適應(yīng)超聲波測距［J］.北京理工大學(xué)學(xué)報(bào)，2011，31(3):283-288.