移动机器人如何实现自主导航？

      移动机器人智能的一个重要标志是智能导航，而实现机器人智能导航有个基本要求——避障。

目前，避障使用的传感技术主要有激光传感技术、视觉传感技术、超声传感技术、红外传感技术等。

下面让我们来了解下这几大类传感技术：

1、激光传感技术

激光测距传感技术利用激光来测量到被测物体的距离或者被测物体的位移等参数。比较常用的测距方法是TOF激光雷达测距和三角法激光雷达测距。

（1） TOF测距激光雷达的工作原理：通过电机带动旋转，将激光脉冲不断投射到障碍物同时接收反射回的激光脉冲，将光速与飞行时间差相乘，求得雷达到相应障碍物的距离。

图1 TOF测距激光雷达的工作原理

（2）三角法测距激光雷达的工作原理：主要针对室内的中近距离测距。

图2 三角法测距激光雷达的工作原理

2、视觉传感技术

图3 视觉传感技术测距的工作原理

视觉传感技术，使用多个视觉传感器或与其它传感器配合使用，通过一定算法可得到物体的形状、距离、速度等诸多信息。或是利用一个摄像机的序列图像来计算目标的距离和速度。

但在图像处理中，边缘锐化、特征提取等图像处理方法计算量大，实时性差，对处理机要求高。

另外，视觉测距法检测不到玻璃等透明障碍物的存在，另外受视场光线强弱、烟雾的影响大。

3、超声波传感技术

图4 超声波传感技术测距的工作原理

超生波传感技术检测距离原理是测出发出超声波至再检测到发出的超声波的时间差，同时根据声速计算出物体的距离。

由于超声波在空气中的速度与温湿度有关，在比较精确的测量中，需把温湿度的变化和其它因素考虑进去。

超声波传感器一般作用距离较短，普通的有效探测距离都在5-10m之间。

4、红外传感技术

图5 红外传感技术测距的工作原理

大多数红外传感技术测距都是基于三角测量原理。红外发射器按照一定的角度发射红外光束，当遇到物体以后，光束会反射回来。

但测量时受环境影响很大，物体的颜色、方向、周围的光线都能导致测量误差，测量不够精确。

在上一篇文章中，我们简单介绍了移动机器人自主导航的几大类传感器技术，但在实际场景中，机器人所处的环境都是动态的、可变的、未知的，此时移动机器人想要“穿梭自如”，还需强大的算法支持。

目前比较热门的算法有：遗传算法、启发式搜索算法、神经网络算法等，下面分别加以介绍：

1. 遗传算法

遗传算法（genetic algorithm ，简称GA ）是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。

进化算法是借鉴了进化生物学中的遗传、突变、自然选择以及杂交等现象而发展起来的。遗传算法采用从自然进化中抽象出来的几个算子对参数编码的字符串进行遗传操作，包括复制或选择算子（Reproduction or Select）、交叉算子（Crossover）、变异算子（Mutation）。

图1 遗传算法要找的是多维曲面中的全局最优解（最高海拔的“山峰”）

主要特点：

直接对结构对象进行操作，不存在求导和函数连续性的限定；

具有内在的隐并行性和更好的全局寻优能力；

采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。

因此被广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。

2. 启发式搜索算法

启发式搜索算法，是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标，我们称这个过程为最优（best-first）或启发式搜索。

优点是可省略大量无谓的搜索路径，提高效率。

图2 启发式搜索到最优路径

机器人的导航规划一般分为构建地图、自定位、路径规划和轨迹规划四个部分。

仙知机器人使用的3D SLAM激光导航路径规划方法与传统的全局路径规划算法相比，考虑了机器人的几何约束，即最小转弯半径，并用优化的方法优化了规划出来的路径，使最后的规划路径更加平滑合理。

3. 神经网络算法

神经网络（neural network，缩写NN），是一种模仿生物神经网络的结构和功能的数学模型或计算模型。

图3 神经网络的原理算法公式

基于动态神经网络的机器人避障算法，动态神经网络可根据机器人环境状态的复杂程度自动地调整其结构，实时地实现机器人的状态与其避障动作之间的映射关系，能有效地减轻机器人的运算压力。还有研究通过使用神经网络避障的同时与混合智能系统（HIS）相连接，使移动机器人的认知决策避障能力和人相近。

因此被广泛地应用于计算机视觉、语音识别、自然语言处理、无人驾驶等领域。