摘要
随着人工智能技术的发展突破，移动机器人技术也得到了飞速发展，扫地机器人、送餐机器人、导诊机器人等广泛应用于家居、商超、医院等环境中。对于移动机器人而言，构建地图是实现自主导航和执行任务的首要步骤。目前，机器人建图大多依赖于人为操控。对于一些危险场景，无法依赖人为操作，需要机器人独立自主的去探索环境。因而如何让机器人能够自主探索环境并完成地图构建，是机器人智能化的重要挑战之一。 广义维诺图(GeneralizedVoronoiDiagram，GVD)可以简洁地表示环境空间，有助于减少地图处理的复杂度。本文为提高未知环境下移动机器人自主探索效率，利用广义维诺图进行环境分割，提出两种基于广义维诺图的移动机器人自主探索方法，具体的内容和创新点如下： (1)针对基于增量法的广义维诺图构造方法实时性差的问题，本文提出了基于神经网络的广义维诺图快速构造方法。首先，对环境栅格地图进行池化操作，利用扩张障碍物边界线方法来获得自由空间内像素点到障碍物的距离，得到对应的障碍物距离热值图；随后对障碍物距离热值图进行卷积操作，提取图像边缘特征；最后将局部距离极值边缘作为广义维诺图的边，得到环境地图的GVD特征。以320*180像素的环境地图为例，相较于增量法的广义维诺图构造方法，基于神经网络的广义维诺图快速构造方法构造GVD特征的时间成本降低了97.3%。 (2)针对边界点提取缓慢、边界点评估路径成本不准确的问题，本文提出了基于最优探索边界点决策模型的启发式自主探索方法。首先利用GVD节点快速提取去冗余的边界点，并基于决策模型对边界点进行评价；之后融合GVD节点得到特征节点并构造概率路线图，搜索概率路线图得到启发式路径用于计算路径成本；最后，将启发式路径点逐个发布作为导航目标，并引导机器人进行导航。本文提出的方法与RRT_Exploration相比，探索的时间成本平均减少了15%以上，路径成本平均减少了10%以上。本方法有效解决了有效解决了机器人探索停滞的问题，使机器人探索更合理，效率更高。 (3)针对大环境下边界决策信息单一、机器人最优边界决策效率低下的问题，本文提出了基于广义维诺图多决策框架的自主探索方法。首先，对通过GVD节点提取的边界点进行分类并赋予时间戳信息，使边界点表征信息更丰富；之后，针对不同类别和时间戳信息的边界点，设计了三种边界决策方案，利用多决策框架适时调整机器人在不同状态下的边界选择；最后利用GVD路径进行路径成本计算并控制机器人运动规划。在现实场景中，对于大型多结构化环境，本文提出的方法与基于RRT边界点的Multi_RRT、Nearest和Greedy策略相比，探索的时间成本平均减少了20%以上，路径成本平均减少了30%以上。本方法有效解决了边界决策单一导致的机器人探索短视、决策效率低下的问题，减少了机器人探索回溯现象，进一步提高了自主探索效率。 (4)最后，为验证提出方法的高效性，搭建软硬件平台进行机器人自主探索实验验证。根据环境的复杂程度，设计了不同的仿真场景和现实场景。从边界点提取效率、边界点选择、路径规划时间、机器人探索轨迹、地图信息熵下降曲线和探索的时间成本和路径成本与经典的自主探索方法进行多角度对比实验，实验结果表明本文所提出的自主探索方法探索完整个环境的时间成本和路径成本更小，自主探索效率更高。 综上所述，本文针对未知环境下移动机器人自主探索效率低下的问题，提出了两种基于广义维诺图的自主探索方案。通过实验验证，充分证明了本文提出的自主探索方案的高效性。
NETL