跳转到内容

避障 (机器人学)

维基百科,自由的百科全书

避障(obstacle avoidance)是机器人学中自动导航以及控制系统的重要概念。是机器人或自主系统可以侦测路径上不能接触、不能碰撞的特定位置(障碍英语Obstacle),并且绕过障碍以达到事先定义的目的地。此技术在工业自动化、自驾车、无人飞机其至太空船上都相当的重要。避障让机器人可以在动态以及复杂的环境下安全及有效率的运作,减少碰撞以及破坏的风险。

机器人及自主系统要成功的在有障碍物的情形下导航,必须要可以侦测这些障碍物,这大部份会用感测器来进行,感测器送出的资料让机器人可以处理周围环境资讯,决定要怎么走才能避开障碍物,并且利用致动器(或是其他机器人和环境互动的工具)执行这些决定[1]

作法

[编辑]

机器人或自主系统要实时进行避障决策的作法有几种。其中包括有以感测器以基础的作法、运动规划演算法,以及机器学习技术。

感测器以基础

[编辑]
利用感测器进行的避障避障

避障技术最常见的作法是配合许多的感测器,例如超音波光学雷达雷达声呐以及摄影机。这些感测器让自主系统可以进行三步骤的流程:感测、思考、行动。系统会取得不同物件的距离输入,作法是将机器人周遭的资料提供给机器人,让机器人侦测障碍物并计算距离。接著机器人就可以在维持计算路径的前题下,小幅调整轨迹以绕过障碍物,大部份的避障应用程式可以实时完成这些步骤,并且以务实并且有效率的方式进行[1][2]

上述方式在大部份的情形下都有很好的效率。不过有些更先进的技术可以使用,适用于需要有效率的到达终点的应用。

A*路径规划演算法的例子

路径规划演算法

[编辑]

若要在避障的路径规划时,要进行最佳化。那么路径规划演算法(Path Planning Algorithm)就很重要。此演算法考虑机机人的位置、目的地,以及环境中障碍的位置。演算法会取得相关资讯,产出附近位置的地图资讯,以此找到要到特定目的地可能的最快路径。这类演算法常用在迷宫应用以及自驾车中。流行的演算法有A*英语A*搜尋演算法(A-star)、戴克斯特拉算法以及快速搜索随机树英语Rapidly exploring random tree(RRT)。这些演算法可以让机器人实时找到最快到达目的地,又不会碰到障碍的路径[3]

机器学习技术

[编辑]

配合机器学习技术,避障可能使用的范围就更广了。自主机器利用人工智慧(AI),可以找到到达目地的路径,也可以同时学习适应快速变化的环境。其作法是透过许多的测试策略来发现障碍以及环境的变更。给予AI任务,在任务正确完成时给予奖励,久而久之,AI就可以学会以有效率并且有效果的方式完成任务。这让机器可以了解其障碍物是什么,并且找到一条有效率绕过障碍物的路,也让机器有能力可以处理一些特殊的情形,像是水、山丘、高墙或是高温等。这种使用AI的方式,让自主机器可以依非常多有预期到或是非预期到的状况来处理应对。这种避障特别适用于自主车辆,因为其避免了一些人为错误出现的可能性[4]

相关条目

[编辑]

参考资料

[编辑]
  1. ^ 1.0 1.1 Wang J, Herath D. What Makes Robots? Sensors, Actuators, and Algorithms. Herath D, St-Onge D (编). Foundations of Robotics: A Multidisciplinary Approach with Python and ROS. Singapore: Springer Nature. 2022: 177–203. ISBN 978-981-19-1983-1. doi:10.1007/978-981-19-1983-1_7 (英语). 
  2. ^ Discant A, Rogozan A, Rusu C, Bensrhair A. Sensors for obstacle detection-a survey.. 2007 30th International Spring Seminar on Electronics Technology (ISSE). IEEE: 100–105. May 2007. doi:10.1109/ISSE.2007.4432828. 
  3. ^ Véras LG, Medeiros FL, Guimaráes LN. Systematic literature review of sampling process in rapidly-exploring random trees.. IEEE Access. March 2019, 7: 50933–50953. Bibcode:2019IEEEA...750933V. S2CID 133481997. doi:10.1109/ACCESS.2019.2908100可免费查阅. 
  4. ^ Bachute MR, Subhedar JM. Autonomous Driving Architectures: Insights of Machine Learning and Deep Learning Algorithms. Machine Learning with Applications. December 2021, 6: 100164. S2CID 240502983. doi:10.1016/j.mlwa.2021.100164可免费查阅 (英语). 

外部链接

[编辑]

延伸阅读

[编辑]
  • BECKER, M. ; DANTAS, Carolina Meirelles ; MACEDO, Weber Perdigão, "Obstacle Avoidance Procedure for Mobile Robots". In: Paulo Eigi Miyagi; Oswaldo Horikawa; Emilia Villani. (Org.). ABCM Symposium Series in Mechatronics, Volume 2. 1 ed. São Paulo - SP: ABCM, 2006, v. 2, p. 250-257. ISBN 978-85-85769-26-0