文 献 综 述
实现移动机器人自主定位和避障的最初目的是避免造成机器人本体以及周围设备的损坏和精确地完成指定任务。由于电子信息技术快速发展，使得自主式移动机器人的应用范围得到了不断扩展，包括生产制造、军事、农业、医疗、交通、家庭服务、探险等，同时机器人的自主定位技术也愈发成熟。目前机器人己经存在于各行各业中了，并且正在逐步成为一个高新技术产业[1]。虽然国内对于机器人的研究起步较晚，与发达国家之间存在差距。但是国内对此十分重视，在国家的支持下也取得了一定成果，例如大疆公司研制的视觉传感导航系统Guidance，配备了五组视觉和超声波的组合传感器，辅以先进的视觉算法，使无人机可感知附近的障碍物，让其自主躲避，实现了无人机的自主定位和避障。本课题旨在实现移动机器人的自主定位和在有缓慢移动障碍物的环境中实现机器人的避障避障[2]。接下来我将会从定位和避障两个方面进行阐述：
在移动机器人的定位中，根据定位特性，移动机器人的位置确定方法可以分为相对定位和绝对定位两种方法。相对定位又称为“局部定位”，是机器人在初始位置确定的情况下，根据内部传感器获得机器人在移动时的位移姿态变量，通过推算得出目前的位置信息。绝对定位方法又被称为“全局定位”，该定位方式下无论机器人怎么自主移动或被挪动，最终都能确定自己的位置。当移动机器人的位置信息未知时，绝对定位方法也可以确定自己的坐标位置[3]。
根据定位系统采用的信号方式的不同，移动机器人的位置确定方法有基于视觉定位、基于激光雷达的定位、基于电磁波和声波的定位等方法[4]-[6]，下面根据我所查到的文献对几种有代表性的定位方法进行介绍：
航位推算定位法是目前最普遍也是最简单的一种相对定位方法，硬件实施容易，理论简单可靠，通过利用超声波传感器采集障碍物的距离信息，通过三点定位原理实现机器人自主定位。利用航位推算法短时间内定位精度高的优点解决了超声波定位系统实时性不好的问题，较好地实现了机器人的定位[7]。但是由于航位推算法的推算误差会因为时间的增长而成倍数地增加，所以其不适合长时间的定位[8]。
基于激光雷达的定位方法。激光雷达具有原理结构简单、扫描频率高、测量距离信息精确度高、数据信息丰富和受光线影响小等优点，故被广泛应用于机器人的研究领域[9]。目前普遍采用的是一种名叫SLAM的定位系统，移动机器人结合输入控制量以及上一个时刻的位姿进行当前位姿估计，接着利用激光雷达的观测数据确定机器人当前在环境地图中的位姿，继而矫正上述估计位姿，同时依靠定位信息和观测信息迭代地构建环境地图，以此实现机器人的定位[10]。这种激光雷达从测量维度上可分为单线和多线两类，其中单线的激光雷达由于结构简单，价格合适，精度较高，与SLAM定位系统有很高的适配性，这种定位方法在未来技术成熟时一定能够广泛应用。
基于视觉的定位应用更加广泛，目前国内外通常采用两种视觉定位的方法，第一种是基于图像特征库匹配的视觉定位方法，传统的视觉定位分为三个步骤，首先进行全局匹配，从离线的数据库中检索出相似图像，然后再根据特征点，线匹配算法找到最接近的两张图像，最后通过对极几何原理，完成机器人的定位。徐通过改进全局匹配，减少一次检索比较图像的数量，由原来的10减少到6，大大提高了图像匹配的准确性和鲁棒性，并且增加了一次检索图像时的维数，由72维增加到144维，使图像匹配的实时性也有了一定提高，视觉定位实验取得了较好的结果；另一种种是基于2D-3D特征点匹配的视觉定位系统，相比较于之前的图像匹配的定位方法，该方法的实时性和准确性都要优于图像匹配法[11]。
以上所讲的几种定位方法是目前应用较为广泛的，超声波定位方法硬件构造简单，易于实现，但是实时性较差，而且只能得到和障碍物之间的距离，不能感知周围障碍物的具体形状，所以基于声波的方法只能应用于定位，而不适合避障；激光雷达定位方法精度高，实时性较好，但是价格昂贵，安装精度要求较高，同样和基于声波的方法一样不适合用于避障[12]。
所以基于视觉传感定位的方法拥有独特的优势，其定位方法是基于图像特征点的匹配，不仅能够通过识别图像在数据库中进行图像匹配，得到机器人的位置信息，而且视觉传感器还可以将周围障碍物的形状大小等信息进行处理传输给电脑，通过一些避障算法控制机器人躲避障碍，所以基于视觉传感的定位方法还可以应用于避障，例如文献中的实验，以轮式移动机器人为平台，设计了一个基于双目视觉的移动机器人定位和避障系统，将传感器安装在了小车的尾部，避免了安装在头部时存在盲区的问题，利用图像二值化的思想，将障碍物与背景分离，从而得到障碍物的信息完成避障操作，实验结果证明该方法的可行性[13]。
但是面对日益复杂的问题，有些学者提出了将视觉传感与其他传感器进行融合，相互补充，以提高机器人的定位和避障能力。近年来，针对室内SLAM中里程计和单一激光雷达的问题，提出了一系列基于多传感器融合的新方法。例如有一个实验，从场景分类策略的自主性、实时性和准确性出发，提出一种语义建图方法，结合自主空间探索和深度学习策略，并辅以贝叶斯概率模型和GPU加速[14]。实验结果表明，机器人能够进行全局自主探索，实时判断场景类别，创建满足要求的三维语义地图，并及时通过贝叶斯估计更新误分类。通过语义地图下的机器人路径规划实验，表明机器人可以根据语义信息完成导航任务。
以上是毕业论文开题文献，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
