基于多信息融合的移动机器人动态避障
发布时间：2022-01-05 13:48
随着智能化时代的到来,移动机器人已经在各个领域得到了广泛应用。在移动机器人智能化发展中,避障效果的优劣严重影响定位与导航的实现效果。经过长期的研究,在静态环境中的避障研究已取得良好的成效,但在动态环境下避障效果仍不理想。因此,本文针对动态环境下的移动机器人避障问题展开研究具有非常重要的理论意义和实际应用价值。本文首先对动态避障系统进行分析研究,完成总体系统方案的设计。根据所设计方案对各个硬件模块以及涉及软件平台进行阐述。通过对本文的主要研究内容进行分析,确定了研究重点为对外部检测传感器信息的融合与动态避障算法的改进。本文在检测动态环境中的障碍物时,针对障碍物多样性以及单一传感器检测时的自身缺陷,造成环境检测结果不准确而出现避障失败的问题,提出了将激光传感器与超声波传感器检测数据采用区域融合规则与贝叶斯估计相结合的融合方式,从而获得更加准确的环境信息。实验结果表明该方法能够互补两种传感器缺点使检测结果更准确有效。同时将内部传感器IMU、霍尔编码器与外部激光传感器使用扩展卡尔曼滤波融合,完成了移动机器人运动状态的实时检测。针对Q学习动态避障算法在更新Q值的过程计算时间过长且易发散的缺陷,本...
【文章来源】：重庆邮电大学重庆市
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
微型计算机
电大学硕士学位论文 第 2 章 动态避障系统总体方硬件平台据系统平台设计的需要，本系统中所涉及到的移动机器人硬件平台：移动机器人载体、微型计算机、底层控制板、超声波传感器、激尔编码器、IMU、电机与驱动和电源。动机器人载体：移动机器人载体采用的是一款两轮差速驱动结构的。为了便于安放各个硬件模块使用多层安装的方法：在平台底层安装以及轮子，由下往上第二层安装超声波传感器与底层控制板，由下安装微型计算机、激光传感器以及电源变换器，最顶层用来放置电池
2.4 KS109 超声波传感器 图 2.5 URG-04LX 激光传感波传感器：本系统采用的超声波传感器是收发一体式设计的 K感器，实物如图 2.4 所示，该传感器具有实时温度补偿和低功如表 2.1 所示。表 2.1 KS109 超声波测距传感器主要参数标 电源 测量距离 测量精度 扫描角度 扫描周数 DC 3.0-5.5V 30-10000mm ±5mm 10-20° 20m传感器：本系统采用的是 HOKUYO 公司的 URG-04LX 型激光如图 2.5 所示。该传感器具有体积小、功率低和扫描速度快等优 2.2 所示。表 2.2 URG-04LX 激光扫描测距仪主要参数
【参考文献】：
期刊论文
[1]智能机器人的现状与发展[J]. 董文清. 机械制造. 2019(01)
[2]多传感器数据的处理及融合[J]. 陈英,胡艳霞,刘元宁,朱晓冬. 吉林大学学报(理学版). 2018(05)
[3]Current Researches and Future Development Trend of Intelligent Robot: A Review[J]. Tian-Miao Wang,Yong Tao,Hui Liu. International Journal of Automation and Computing. 2018(05)
[4]自主移动机器人避障技术研究现状[J]. 晋晓飞,王浩,宗卫佳,王鹏程,王策. 传感器与微系统. 2018(05)
[5]遥感数据融合技术文献综述[J]. 闫晗晗,邢波涛,任璐,张琳,姚麟倩,段子阳,李晨曦,李锵. 电子测量技术. 2018(09)
[6]基于认知发育的移动机器人自主导航[J]. 蔡建羡,阮晓钢,于乃功,柴洁,朱晓庆. 计算机工程. 2018(01)
[7]移动机器人动态路径规划方法的研究与实现[J]. 史进,董瑶,白振东,崔泽晨,董永峰. 计算机应用. 2017(11)
[8]基于扩展卡尔曼滤波算法的无人机定位[J]. 杨润丰,骆春波,张智聪,李铭钊. 电讯技术. 2016(01)
[9]海洋数据同化与数据融合技术应用综述[J]. 吴新荣,王喜冬,李威,韩桂军,张学峰,付红丽,李冬. 海洋技术学报. 2015(03)
[10]Cubature卡尔曼滤波-卡尔曼滤波算法[J]. 孙枫,唐李军. 控制与决策. 2012(10)
博士论文
[1]基于多传感器信息融合的移动机器人位姿计算方法研究[D]. 冯肖维.上海大学 2011
[2]多传感器数据融合中几个关键技术的研究[D]. 刘严岩.中国科学技术大学 2006
硕士论文
[1]基于SLAM算法的移动机器人定位导航技术研究[D]. 王盼盼.安徽工程大学 2018
[2]基于传感器信息融合的移动机器人动态避障方法研究[D]. 尹云鹏.重庆邮电大学 2017
[3]基于多传感器信息融合的移动机器人避障研究[D]. 杨小菊.沈阳理工大学 2017
[4]基于多传感器的机器人自主运动规划研究[D]. 谢国超.哈尔滨工业大学 2017
[5]基于Kinect传感器的移动机器人环境检测和地图构建[D]. 盛栋梁.沈阳工业大学 2016
[6]基于扩展卡尔曼滤波的自主移动机器人设计与实现[D]. 王治斌.内蒙古大学 2015
[7]矿井中无线传感器网络数据融合技术研究[D]. 闵杰.河南理工大学 2014
[8]基于回归预测算法的无线传感器数据融合节能算法研究与实现[D]. 潘昊.沈阳师范大学 2014
[9]未知环境下自主移动机器人避障研究[D]. 胡远航.哈尔滨工程大学 2013
[10]基于网络的Multi-MEMS数据融合算法的研究[D]. 冯文萃.江苏科技大学 2012
本文编号：3570462
【文章来源】：重庆邮电大学重庆市
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
微型计算机
电大学硕士学位论文 第 2 章 动态避障系统总体方硬件平台据系统平台设计的需要，本系统中所涉及到的移动机器人硬件平台：移动机器人载体、微型计算机、底层控制板、超声波传感器、激尔编码器、IMU、电机与驱动和电源。动机器人载体：移动机器人载体采用的是一款两轮差速驱动结构的。为了便于安放各个硬件模块使用多层安装的方法：在平台底层安装以及轮子，由下往上第二层安装超声波传感器与底层控制板，由下安装微型计算机、激光传感器以及电源变换器，最顶层用来放置电池
2.4 KS109 超声波传感器 图 2.5 URG-04LX 激光传感波传感器：本系统采用的超声波传感器是收发一体式设计的 K感器，实物如图 2.4 所示，该传感器具有实时温度补偿和低功如表 2.1 所示。表 2.1 KS109 超声波测距传感器主要参数标 电源 测量距离 测量精度 扫描角度 扫描周数 DC 3.0-5.5V 30-10000mm ±5mm 10-20° 20m传感器：本系统采用的是 HOKUYO 公司的 URG-04LX 型激光如图 2.5 所示。该传感器具有体积小、功率低和扫描速度快等优 2.2 所示。表 2.2 URG-04LX 激光扫描测距仪主要参数
【参考文献】：
期刊论文
[1]智能机器人的现状与发展[J]. 董文清. 机械制造. 2019(01)
[2]多传感器数据的处理及融合[J]. 陈英,胡艳霞,刘元宁,朱晓冬. 吉林大学学报(理学版). 2018(05)
[3]Current Researches and Future Development Trend of Intelligent Robot: A Review[J]. Tian-Miao Wang,Yong Tao,Hui Liu. International Journal of Automation and Computing. 2018(05)
[4]自主移动机器人避障技术研究现状[J]. 晋晓飞,王浩,宗卫佳,王鹏程,王策. 传感器与微系统. 2018(05)
[5]遥感数据融合技术文献综述[J]. 闫晗晗,邢波涛,任璐,张琳,姚麟倩,段子阳,李晨曦,李锵. 电子测量技术. 2018(09)
[6]基于认知发育的移动机器人自主导航[J]. 蔡建羡,阮晓钢,于乃功,柴洁,朱晓庆. 计算机工程. 2018(01)
[7]移动机器人动态路径规划方法的研究与实现[J]. 史进,董瑶,白振东,崔泽晨,董永峰. 计算机应用. 2017(11)
[8]基于扩展卡尔曼滤波算法的无人机定位[J]. 杨润丰,骆春波,张智聪,李铭钊. 电讯技术. 2016(01)
[9]海洋数据同化与数据融合技术应用综述[J]. 吴新荣,王喜冬,李威,韩桂军,张学峰,付红丽,李冬. 海洋技术学报. 2015(03)
[10]Cubature卡尔曼滤波-卡尔曼滤波算法[J]. 孙枫,唐李军. 控制与决策. 2012(10)
博士论文
[1]基于多传感器信息融合的移动机器人位姿计算方法研究[D]. 冯肖维.上海大学 2011
[2]多传感器数据融合中几个关键技术的研究[D]. 刘严岩.中国科学技术大学 2006
硕士论文
[1]基于SLAM算法的移动机器人定位导航技术研究[D]. 王盼盼.安徽工程大学 2018
[2]基于传感器信息融合的移动机器人动态避障方法研究[D]. 尹云鹏.重庆邮电大学 2017
[3]基于多传感器信息融合的移动机器人避障研究[D]. 杨小菊.沈阳理工大学 2017
[4]基于多传感器的机器人自主运动规划研究[D]. 谢国超.哈尔滨工业大学 2017
[5]基于Kinect传感器的移动机器人环境检测和地图构建[D]. 盛栋梁.沈阳工业大学 2016
[6]基于扩展卡尔曼滤波的自主移动机器人设计与实现[D]. 王治斌.内蒙古大学 2015
[7]矿井中无线传感器网络数据融合技术研究[D]. 闵杰.河南理工大学 2014
[8]基于回归预测算法的无线传感器数据融合节能算法研究与实现[D]. 潘昊.沈阳师范大学 2014
[9]未知环境下自主移动机器人避障研究[D]. 胡远航.哈尔滨工程大学 2013
[10]基于网络的Multi-MEMS数据融合算法的研究[D]. 冯文萃.江苏科技大学 2012
本文编号：3570462
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3570462.html
