面向复杂环境的服务机器人自主规划方法研究

资源类型: 资源大小: 文档分类:

文档信息

【关键词】 机器人  经验学习  任务规划  路径规划 

【出版日期】2019-06-01

【摘要】服务机器人已经成为世界各国争相研究的热点。服务机器人面临的真实人居环境是一个动态变化和非结构化的复杂环境,即环境存在行人干扰的同时,其布局也会发生变化且仅部分可观察。机器人所要完成的任务也日益复杂、多样、模糊、多变且有时限要求。一方面,机器人任务规划层面临先验任务领域知识难以覆盖所有应用情况、环境动态变化引起任务执行失败、复杂任务执行效率低下等难题。路径规划和导航决策层则面临多行人环境中规划出的轨迹容易冲撞行人、机器人躲避行人大幅调整运动导致的导航效率低下等难题。人们希望机器人能够学习、存储人类处理这些任务的经验,利用这些经验自主地适应不同的环境,并处理异常情况,最终高效安全地完成任务。目前制约机器人适应性、安全性和效率进一步提升的共性问题主要有:同类任务不同情形的规划活动经验无法融合,基于经验的任务再规划修复和最优规划求解尚未实现,多行人环境下机器人难以决策并找到最优可行轨迹。针对上述共性问题,本论文主要研究面向复杂环境的机器人自主规划方法,具体内容和结果如下:为能用一个活动图式对同类任务多种情形的规划活动经验进行描述,提出抽象方法及含有抽象方法层的整合活动图式的概念。同时,将其引入到基于经验的任务规划模型中,形成支持整合活动图式的任务规划模型描述。根据模型需求和任务需求,搭建基于经验学习的机器人认知与规划系统,在黑板(语义记忆与感知记忆)、本体知识库、活动知识库等传统模块的基础上,增加活动图式学习器和活动图式库,并改进任务规划器,将机器人的任务示教、经验学习与整合、任务规划与任务执行集成在同一个框架中。为测试系统的可行性,构建机器人为顾客上咖啡任务的学习与规划场景,测试结果表明,该系统的各基础模块可以满足模型需求和任务需求。为解决同类任务不同情形的规划活动经验融合问题,提出抽象方法及整合活动图式的学习算法。首先收集和提取人类示范的任务活动经验,通过对经验中示例参数的演绎泛化以及抽象操作符和抽象方法的层次映射获取当前活动经验的整合活动图式结构,结合相关分析和约束检测技术确定抽象方法的前提条件,最后设计与已学到的整合活动图式进行融合的算法,从而实现同类任务多种情形的任务规划经验的融合,使得学习到任务活动经验适用于同类任务的多情形自动规划问题。同时基于本体知识对活动经验进行概念化。以PR2机器人学习上咖啡任务的3种情形的活动经验为实验场景进行测试,验证了整合活动图式成功融合了不同情形的活动经验。为实现基于经验的任务再规划修复和最优规划求解,提出了基于整合活动图式的任务规划及再规划方法。该方法第一步通过深度优先和活动特征匹配度优先的搜索遍历算法,获得与经验活动图式的相似规划解;第二步,分析初始解中的活动之间的关系,通过最大加权活动团模型进行统筹优化,寻求时间最优规划解。通过抽象方法层建立从任务树到整合活动图式的映射关系,引入局部回溯再规划算法,实现机器人对经验执行异常失败情况的恢复。在仿真实验和物理实验场景中对规划方法进行测试,验证了提出的任务规划方法具有更优良的适应性和效率。为进一步提高机器人在多行人环境下导航的安全性和效率,本文提出了基于行人轨迹预测与多通行模式的机器人路径规划与导航方法。首先基于循环神经网络建立行人运动的改进社会意识模型,该模型考虑了邻近行人的运动方向和相对距离、自身的历史轨迹等关键影响因素。然后通过在现行的局部路径规划器TEB中引入行人轨迹预测,并考虑候选轨迹的筛选准则,形成了基于行人预测位置的机器人路径规划算法。最后,针对机器人在人群区域的5种通行状态,设计了相应的通行模式,即自由模式、高速跟随模式、穿行模式、低速跟随模式和探测模式。在公开行人数据集、实际和模拟的多行人场景中进行了测试,验证了提出的行人轨迹预测模型和机器人导航方法的优良性能。

参考文献

引证文献

问答

我要提问