高精度激光測距下的機器人自主避障控制

劉 月，楊偉櫻

(陜西工業職業技術學院 信息工程學院，陜西 咸陽 712000)

0 引言

機器人是一種具有人工智能的機器設備，其主要任務是在不同的場合下自主完成任務并與環境進行交互。機器人可以通過傳感器獲取環境信息，并通過自主感知、學習和決策來實現自主行動[1-2]。自主避障控制是指機器人自主感知周圍環境中的障礙物，并根據障礙物的位置、形狀、大小、運動狀態等信息，自主決策并實現避障運動的過程。機器人自主避障控制的研究目的和意義在于提高機器人在復雜環境中的適應性和智能水平，進而拓展其應用范圍。具體而言，機器人自主避障控制為機器人在未知或變化環境中自主避開障礙物提供了保障，使其能夠自主探索、定位和導航，并順利完成任務。這對于機器人在工業制造、智慧物流、安防巡邏等領域以及日常生活中的應用具有重要意義。此外，機器人自主避障控制的研究還可以促進機器人與人類的互動與合作，開發面向未來的智能機器人，具有深遠的社會和經濟價值。隨著人工智能、互聯網、物聯網等技術的不斷推進，機器人在工業、服務、醫療、軍事等領域的應用越來越廣泛。機器人需要完成各種任務，并且往往需要在復雜的環境中運行，例如在人群中行進、在海洋中探索、在危險區域中執行任務等。在這種情況下，周圍環境和噪聲的干擾會影響傳感器精度，導致機器人無法準確地感知周圍環境，從而與障礙物發生碰撞。因此，機器人必須具備自主避障能力，以便能夠在遇到障礙物和危險物時及時避開，避免出現事故和損失。

目前相關領域學者針對機器人避障控制進行了研究。近年來，隨著機器人技術的不斷發展和應用的不斷擴大，機器人的自主避障控制越來越受到重視。雖然已經有多種方法被提出，但是每種方法都存在一些問題。例如，馬建民等人[3]所提出的方法，通過激光測距掃描獲取機器人數據，然后建立機器人正運動學模型，采用模糊控制算法完成機器人的自主避障控制。但是，該方法存在控制精確度不佳的問題，因為模糊控制算法中的模糊數學理論不夠精確，導致了控制精確度下降的問題。

另一種方法是由許文瑤等人[4]提出的，該方法通過傳感器獲取機器人位置數據信息，然后建立碰撞模型以完成機器人移動位置分析，采用速度控制方法完成機器人自主避障控制。該方法存在機器人控制效果不佳的問題，因為速度控制方法較為簡單，無法適應復雜的環境變化。

還有一種方法是由潘長青等人[5]提出的，該方法通過二維掃描設備完成機器人數據采集，然后采用卡爾曼濾波器優化離散滑膜控制系統，通過離散滑膜控制系統完成機器人的自主避障控制。但是，該方法存在控制穩定性不佳的問題，因為離散滑膜控制系統容易產生震蕩，導致機器人控制不穩定。在未來的研究中，我們需要尋找更加精確、高效、穩定的機器人自主避障控制方法，需要進一步探索機器人自主感知和決策的算法和模型，提高機器人對環境的感知、控制和適應性能。只有這樣，才能真正實現自主避障控制的高效、穩定、準確地控制，為機器人的應用領域提供更為出色的表現。

為了解決上述方法中存在的問題，提出高精度激光測距下的機器人自主避障控制，設計機器人體系結構并建立機器人運動學模型。在此基礎上，采用激光測距技術，構建機器人移動場地地形。通過自適應閾值方法，完成機器人的自主避障控制。

1 機器人體系結構及運動學模型建立

在控制機器人自主避障之前，建立機器人體系結構，和機器人運動學模型。功能需求不同，機器人體系結構也不同。為此，要考慮機器人的功能需求、運動性能和控制要求等因素，建立機器人體系結構。而機器人運動學模型是描述機器人運動規律的數學模型，可以幫助了解機器人的運動特性和運動規律，是機器人自主避障控制的基礎。

機器人體系結構的建立有利于機器人系統的拓展和擴展，可以在保證機器人系統整體穩定性的前提下，靈活加裝、更新硬件設備和升級軟件系統，提高機器人的功能和性能，進一步提升機器人的應用價值。此外，機器人體系結構的建立還可以促進機器人領域的標準化和規范化，降低機器人制造和維護的成本。機器人體系結構的研究和建立是機器人技術發展的重要方向，對未來機器人技術的發展和應用具有深遠的影響和意義。同時，機器人體系結構的建立和優化也需要跨領域的合作和共同努力，如機械、電子、計算機、人工智能等領域的專業知識交叉融合，才能進一步推動機器人技術的創新和發展。

1.1 機器人體系結構

機器人體系結構設計的核心目標是實現機器人系統的高效穩定運行。機器人體系結構設計包括機器人系統整體結構的規劃、機器人各個子系統的組成和交互以及各個子系統的優化設計等。機器人體系結構的設計需要遵循一系列原則，如使機器人系統盡可能地簡單，以減少系統故障率；提高機器人的可擴展性和可維護性，以利于對機器人系統進行升級和維護；優化機器人的運動性能等方面，以滿足機器人任務的要求，同時提升機器人生產效率。

在機器人體系結構的設計中，需要充分考慮機器人的任務和環境因素，如機器人應用場景、工作任務、操作環境、使用需求等等。例如，機器人在智能制造領域的應用中，需要具備自主執行、自適應性、智能感知等能力，才能滿足復雜的生產環境和任務要求。根據任務的不同，機器人體系結構的設計方案也會有所不同，如有些機器人需要具備多軸控制器和多傳感器系統，而另一些機器人需要具有更高的可靠性和安全性。

在機器人體系結構設計中，物理結構和軟件結構的平衡也很重要。機器人的軟件結構包括控制系統、操作系統、通信模塊等，這些模塊之間的協調和交互能夠決定機器人性能、可靠性和生產效率等方面。需要充分考慮軟硬件結構之間的關系，確保機器人系統可靠性和穩定性。

設計機器人體系結構如圖1所示。

圖1 機器人體系結構

由圖1可知，在機器人體系結構中，機器人通過傳感器獲取外部環境信息，并將信息傳輸至傳感信息處理模塊進行處理。根據處理后的傳感信息，利用各類控制器控制機器人的運動和操作。行進方向控制器能夠控制機器人前進方向和速度，使機器人按照指定路徑行進；跟隨邊緣控制器是控制機器人沿著邊緣行進；避障控制器通常使用傳感信息和算法，控制機器人繞過障礙物行進；行為控制器能夠根據機器人的任務需求以及環境變化，調整機器人的行為和動作。由此獲得行為綜合信息，依據自身狀態和知識庫實現行為輸出。

機器人行進目標行為輸出vγ公式表達如下：

(1)

其中：l表示常數，(x，y)表示機器人坐標，(xh，yh)表示機器人目標坐標[6-8]。

行為輸出模塊B公式表達如下：

B=vγg(o，l，d，p)

(2)

其中：g表示輸出系數，o表示傳感器信息輸出，l表示知識庫輸出，d表示機器人自身狀態輸出，p表示子行為輸出。

1.2 機器人運動學模型結構

(3)

其中：i表示機器人線速度。

滿足機器人純滾動條件公式如下：

(4)

滿足機器人無滑動條件公式如下：

(5)

基于此，完成機器人體系結構的構建和運動學模型建立。

2 機器人移動場地地形建模

建立機器人的動力學模型是機器人移動控制的重要基礎，通過對機器人的運動學和動力學特性進行建模，可以為機器人的控制與規劃提供更加精準的數學模型和理論支持。同時，在機器人的移動場地中進行地形建模也是機器人系統不可或缺的一環，地形信息可以為機器人的路徑規劃及決策提供更加準確的基礎，以及支撐機器人的自主避障控制。

針對機器人在移動控制過程中需要依賴高精度的激光測距方法[9-10]獲取場地地形信息的問題，通過對激光傳感器獲取的點云數據進行分析和處理，實現地形建模的目標。通過對點云數據的處理，可以將場地地形分為障礙地形和平坦地形兩種類型的地形，從而為機器人的路徑規劃和決策提供更加精準的基礎。對于障礙地形，建立障礙地形模型，實現機器人在自主移動時能夠識別、分析和避讓障礙物的控制和決策；對于平坦地形，則可以快速地規劃合適的路徑，實現機器人的高效自主移動。

在機器人的自主避障控制中，需要充分考慮機器人的實際運動控制能力和場地地形信息。可以通過采用機器人感知狀況、障礙物位置信息和運動控制策略相結合的方法，實現機器人的自主避障控制。考慮到機器人實際應用場景較為復雜，應能夠適應不同場地地形和避障情況的需求，因此自主避障控制系統應從多個方面進行設計和優化，以實現機器人的高效自主移動和避障能力。建立機體坐標系OB、大地坐標系OD、腿部坐標系OT和傳感器坐標系OC四個坐標軸。以大地坐標系為參照點，腿部坐標系用TP(TPx，TPy，TPz)表示，傳感器坐標系用CP(CPx，CPy，CPz)表示，機體坐標系用BP(BPx，BPy，BPz)表示。

用P表示平均高度值，轉換激光測距傳感器信息至基于機體質心的地形坐標BP公式[11-12]表達如下：

BP=YBDYCDP

(6)

用BT∨P表示障礙物的傳感器坐標位置，獲取大地坐標的高度測量值p公式如下：

(7)

用KC為傳感器測量雅可比矩陣，保持兩坐標系橫縱坐標不發生變化，得到高度測量標準差σ2公式表達如下：

(8)

其中：∑C為協方差矩陣，Kq為經旋轉的傳感器坐標雅可比矩陣，∑P，q為經旋轉的傳感器坐標協方差矩陣。

通過卡爾曼濾波對地形高程圖實行更新，以使數據融合。用Jl表示單位矩陣，卡爾曼濾波更新公式Ll表達如下：

(9)

其中：Pl為協方差矩陣，Tl為狀態變量。

(10)

協方差矩陣Pl公式表達如下：

(11)

其中：O為隨機變量。

(12)

其中：h表示障礙物高度。

基于此，完成地形模型的構建。

3 機器人自主避障控制

根據建立的地形模型，基于自適應閾值方法[15-16]完成機器人的自主避障控制。自適應閾值方法是一種圖像處理技術，用于圖像二值化。在一些情況下，使用固定的閾值二值化方法可能無法很好地分離目標物體和背景，為此，采用自適應閾值方法，根據圖像的局部特征，為每個動態計算一個適當的閾值。

(13)

進一步推導出扇形平分線方向與機器人坐標系的夾角?k公式表達如下：

(14)

判斷該區域是否為可行扇區的準則是四維向量Dk是否滿足弦長條件和矩形條件。若滿足，則是。

弦長條件：當弦長大于預先確定常數ZT時，滿足公式如下：

ZT=?kμZF

(15)

其中：μZ表示放大系數，F表示機器人外接圓直徑。

矩形條件掃描點寬滿足公式如下：

F′=ZTμFF

(16)

其中：μF表示放大系數。用Zo表示點到矩形四條邊的距離，其在某個矩形范圍內的必要條件公式表達如下：

(17)

其中：H表示矩形寬度，W表示矩形長度。

接近可行目標方向的閾值中，可行通道發現情況與閾值成正比，閾值越大，越易發現。用T表示閾值，v表示速度，最小閾值Tmin公式表達如下：

(18)

其中：a表示加速度。

根據式(13)求取其可行方向，設其獲得了N個可行方向，即{(?o，To，Zo)|o=1，2，...，N}。

用?target表示相對于機器人方向的目標點，機器人的參考駕駛方向公式表達如下：

|?o-?target|Tmin≤ε

(19)

其中：ε表示常數。該方法為最大閾值的可行方向。

為了提升機器人自主避障控制效果，需要對機器人的角速度和線速度進行調節和控制。為此，計算角速率控制率和線速度控制率。在機器人運動過程中，角速度控制律可以控制機器人的旋轉速度，從而實現機器人的轉彎和旋轉等動作。角速度控制律ξ公式表達如下：

ξ=lξ?v

(20)

其中：lξ表示控制率系數，?v表示機器人移動角度。

在機器人運動過程中，線速度控制律可以控制機器人的行進速度，實現機器人的直線運動和加速減速等動作。用e表示權重因子，線速度控制律v公式表達如下：

(21)

其中：vmax為最大速度，Tmax為最大閾值，vmin為最小速度，xm為移動距離，Td為常數。

根據角速度控制率，機器人需要不斷地調整速度和方向，以適應周圍環境的變化。機器人應保持最大速率前進，以最小速度躲避障礙物，并根據障礙物位置和大小等信息，計算出一條安全的繞過障礙物的行進路線。同時，當機器人行進方向與參考駕駛方向偏差較大時，機器人同樣需要減速以糾正方向，避免與障礙物發生碰撞。從而提升了機器人自主避障控制效果。

基于此，完成機器人自主避障控制。控制過程的代碼如下：

// 使用激光測距儀逆時針掃描,在180°區間內平均分成72個區間

int num_intervals = 72;

double scan_radius = 10.0; // 掃描半徑

double interval_width = 180.0 / num_intervals;

// 存儲每個區間內距物最小距離值

double min_distances[num_intervals];

for (int i = 0; i

// 獲取當前區間的起始角度和結束角度

double start_angle = i * interval_width;

double end_angle = start_angle + interval_width;

// 掃描當前區間內的距離信息

double min_dist = scan_radius; // 初始化為掃描半徑

for (double angle = start_angle; angle

// 通過激光測距儀獲取當前角度下的距離值

double dist = get_laser_distance_at_angle(angle);

if (dist

min_dist = dist;

}

}

// 將當前區間內的最小距離值存儲到數組中

min_distances[i] = min_dist;

}

// 找出區間內最小距離值大于掃描半徑的準可行扇形區間

double threshold = 1.5; // 給定閾值

int first_candidate = -1; // 第一個準可行扇區候選區間編號

int last_candidate = -1; // 最后一個準可行扇區候選區間編號

for (int i = 0; i

if (min_distances[i] >scan_radius) {

if (first_candidate -1) {

first_candidate = i;

}

last_candidate = i;

}

}

// 計算準可行扇形區間的扇形平分線方向與機器人坐標系的夾角

double angle_between_midline_and_robot = ((double)first_candidate + (double)last_candidate) / 2.0 * interval_width + interval_width / 2.0;

// 用四維向量表示該準可行扇形區間

double theta_min = 17.0;

double theta_max = 18.0;

Eigen::Vector4d feasible_sector(theta_min, theta_max, scan_radius, angle_between_midline_and_robot);

// 判斷是否為可行扇區

double amplification_factor = 1.5;

double robot_diameter = 0.5;

double chord_length = 2.0 * scan_radius * sin((theta_max - theta_min) / 2.0);

double rect_height = robot_diameter * amplification_factor;

bool is_feasible = (chord_length <= rect_height &&chord_length <= robot_diameter * sqrt(2.0));

// 根據四維向量求取可行方向

double speed = 0.2;

double acceleration = 0.1;

double target_point_relative_to_robot = ((theta_min + theta_max) / 2.0 - 18.0) / (18.0 - 17.0);

double reference_driving_direction = speed * feasible_sector(2) * target_point_relative_to_robot / (feasible_sector(1) - feasible_sector(0));

// 最小控制閾值表達式

double min_threshold = speed * speed / (2.0 * acceleration);

4 實驗與分析

為了驗證高精度激光測距下的機器人自主避障控制方法的有效性，對其完成如下測試。

實驗環境：

1)室內場景，例如一個家庭居室或是辦公室等，設定一個起點和終點，并在場景中設置一些障礙物。

2)使用激光雷達、攝像頭、編碼器等傳感器設備，對機器人周圍環境進行實時檢測和定位。

3)控制系統使用ROS(機器人操作系統)進行開發和實現。

實驗參數：

1)機器人速度設置：0.3 m/s。

2)避障距離閾值：0.5 m。

3)障礙物距離感知閾值：1.5 m。

4)轉向角度閾值：25°。

5)距離障礙物時的機器人轉向半徑：1.0 m。

6)隨機生成障礙物的數量：3～5個。

7)隨機生成障礙物的形狀：平面上的任意形狀。

在Intel Corel i7-12700KF CPU、32 GB RAM、2.11 GHz配置的計算機上使用VC++6.0實行實驗研究，建立場地障礙物分布如圖2所示。

圖2 場地障礙物分布

在場地障礙物分布中，場地大小設置為300 m×350 m，在場地內隨機放置10個障礙物，且障礙物之間不相交，采用所提方法、文獻[3-5]方法進行機器人自主避障控制實驗。

4.1 機器人自主避障控制效果

以機器人的運動軌跡作為實驗指標，觀察機器人運動軌跡與障礙物的位置，機器人在運動過程中能夠有效地避開障礙物，說明該方法的機器人自主避障控制效果更好。采用所提方法、文獻[3-5]方法完成高精度激光測距下的機器人自主避障控制，其中白色圓形表示機器人的運動軌跡。障礙場地內的4種方法機器人運動軌跡如圖3所示。

圖3 障礙場地內的4種方法機器人運動軌跡

分析圖3可知，文獻[3-5]方法在不同位置均出現了觸碰障礙物的情況，該3種方法皆無法及時躲避障礙物，而所提方法的機器人運動軌跡能夠精準地避開障礙物。由此可以得出，所提方法的機器人自主避障控制效果更好。主要是因為所提方法通過計算角速度控制率和線速度控制率，控制機器人的轉動速度和行進速度，從而提升了機器人自主避障控制效果。

4.2 機器人自主避障控制精度

以機器人障礙物測試位置與實際位置的誤差作為實驗指標，誤差越小，該方法的機器人自主避障控制精度越高。為此，采用所提方法、文獻[3-5]方法完成高精度激光測距下的機器人自主避障控制，4種方法的障礙物位置測試值與實際障礙物位置值誤差結果如表1所示。

表1 障礙物測試位置與實際位置值對比

觀察表1數據，對比不同方法的障礙物實際位置和測試位置發現，文獻[3]方法的障礙物測試位置與實際位置的最大誤差為1.3 cm，文獻[4]方法的最大誤差為2 cm，文獻[5]方法的最大誤差為4.9 cm，而所提方法的障礙物測試位置與實際位置的最大誤差僅為0.4 cm。說明所提方法的機器人自主避障精度更高。

通過實驗結果可以看出，采用所提方法進行機器人自主避障控制還具有以下優勢：首先，所提方法中采用的激光雷達能夠高精度地獲取障礙物位置信息，保證了機器人在避障過程中能夠準確判斷障礙物位置和形狀，從而更好地規劃和執行避障路徑。其次，所提方法中采用的控制算法具有高效性和實時性，能夠在復雜的環境中快速響應機器人與障礙物之間的變化關系，避免了機器人在避障過程中出現卡頓或誤判等問題。最后，所提方法在控制穩定性方面也具有相對優勢，能夠自動調節控制參數，避免了控制過程中的不穩定性和震蕩現象，從而確保了機器人在自主避障過程中的穩定性和安全性。因此，所提方法在實際機器人自主避障控制應用中具有很高的可靠性和實用性。

此外，由于控制系統采用ROS進行設計和實現，機器人各個模塊之間的通信更加有效，使得機器人能夠更好地適應不同的環境和任務需求。實驗結果表明，所提出的方法能夠在復雜的室內場景中，使機器人完成自主避障和路徑規劃任務，具有廣泛的應用前景。此外，該方法的可擴展性和可重復性也具有非常好的優勢，可以為進一步研究和應用機器人避障技術提供理論基礎和實驗范例。總之，該研究的結果對于人們更好地理解機器人避障過程及其相關技術方面的創新應用具有重要的參考價值。

5 結束語

機器人的自主避障控制一直是人工智能領域研究的一個關鍵問題。自主避障控制需要機器人自主感知周圍環境并作出決策，進而避免障礙物，從而實現高效自主移動。尤其在工業自動化、無人物流、智慧城市等領域，機器人的自主避障控制被廣泛應用。

針對機器人自主避障控制的研究，為了確保機器人自主避障控制的效果，提高避障控制的精確度，研究者們提出了一種基于高精度激光測距的機器人自主避障控制方案。本方案主要依賴機器人動力學模型和地形構建技術，以及自適應閾值方法，實現機器人的自主避障控制。

在這種機器人自主避障控制方案中，首先需要建立機器人動力學模型。通過對機器人的運動學和動力學特性進行建模，能夠提供更加準確的數學模型和理論支持，為機器人的控制與規劃提供基礎。然后，根據高精度激光測距技術，完成機器人移動場地地形的構建，將場地地形分為障礙地形和平坦地形兩種類型的地形，以為機器人的路徑規劃和決策提供更加準確的基礎。

通過自適應閾值方法，完成機器人的自主避障控制。自適應閾值方法是一種實時調整避障閾值的方法，它基于機器人周圍環境的變化，實時調整避障閾值，從而保證機器人始終處于安全狀態并具有高效自主移動。

實驗結果表明，所提出的機器人自主避障控制方案確保了機器人的自主避障控制效果，同時也提高了機器人的避障控制精度，降低了誤差，具有重要的現實應用意義。可以預見，隨著機器人自主避障控制技術的不斷發展，機器人的應用將更加廣泛，將為人們的生產和生活帶來更多便利，產生更多的應用價值。