智能机器人三大关键技术详解

工业机器人属于智能机器人的一种，智能机器人发展迅速，下面跟随小编一起，了解一下智能机器人中用到的三大关键技术吧。

一、多传感器信息融合

多传感器信息融合技术是近年来十分热门的研究课题，它与控制理论、信号处理、人工智能、概率和统计相结合，为机器人在各种复杂、动态、不确定和未知的环境中执行任务提供了一种技术解决途径。

数据融合的关键问题是模型设计和融合算法，数据融合模型主要包括功能模型、结构模型和数学模型。功能模型从融合过程出发，描述数据融合包括哪些主要功能和数据库，以及进行数据融合时系统各组成部分之间的相互作用过程;结构模型从数据融合的组成出发，说明数据融合系统的软、硬件组成，相关数据流、系统与外部环境的人机界面;数学模型是数据融合的算法和综合逻辑，算法主要包括分布检测、空间融合、属性融合、态势评估和威胁估计算法等，下面从3个方面分别进行介绍。

1.信息融合的功能模型

目前已有很多学者从不同角度提出了信息融合系统的一般功能模型，最有权威性的是DFS(美国三军政府组织-实验室理事联席会(JDL)下面的C3I技术委员会(TPC3)数据融合专家组)提出的功能模型。

该模型把数据融合分为3级。第1级是单源或多源处理，主要是数字处理、跟踪相关和关联;第2级是评估目标估计的集合，及它们彼此和背景的关系来评估整个情况;第3级用一个系统的先验目标集合来检验评估的情况。

2.信息融合的结构模型

数据融合的结构模有多种不同的分类方法，其中一种分类标准是根据传感器数据在送人融合处理中心之前已经处理的程度来进行分类。在这种分类标准下，融合结构被分为传感器级数据融合，中央级数据融合及混合式融合，还可以根据数据处理过程的分辨率来对融合结构进行分类。在这种情况下，融合结构为像素级、特征级和决策级融合。

3.多传感器信息融合实现的数学模型

信息融合的方法涉及到多方面的理论和技术，如信号处理、估计理论、不确定性理论、模式识别、最优化技术、模糊数学和神经网络等这方面国外已经做了大量的研究。

目前，这些方法大致分为两类：随机类方法和人工智能方法。

二、导航与定位

在机器人系统中，自主导航是一项核心技术，是机器人研究领域的重点和难点问题。自主移动机器人常用的导航定位方法有以下四种。

1、视觉导航定位

在视觉导航定位系统中，目前国内外应用较多的是基于局部视觉的在机器人中安装车载摄像机的导航方式。在这种导航方式中，控制设备和传感装置装载在机器人车体上，图像识别、路径规划等高层决策都由车载控制计算机完成。视觉导航定位系统主要包括：摄像机(或CCD图像传感器)、视频信号数字化设备、基于 DSP的快速信号处理器、计算机及其外设等。现在有很多机器人系统采用CCD图像传感器，其基本元件是一行硅成像元素，在一个衬底上配置光敏元件和电荷转移器件，通过电荷的依次转移，将多个象素的视频信号分时、顺序地取出来，如面阵CCD传感器采集的图像的分辨率可以从32&TImes;32到1024&TImes;1024像素等。视觉导航定位系统的工作原理简单说来就是对机器人周边的环境进行光学处理，先用摄像头进行图像信息采集，将采集的信息进行压缩，然后将它反馈到一个由神经网络和统计学方法构成的学习子系统，再由学习子系统将采集到的图像信息和机器人的实际位置联系起来，完成机器人的自主导航定位功能。

2、光反射导航定位

典型的光反射导航定位方法主要是利用激光或红外传感器来测距。激光和红外都是利用光反射技术来进行导航定位的。

激光全局定位系统一般由激光器旋转机构、反射镜、光电接收装置和数据采集与传输装置等部分组成。工作时，激光经过旋转镜面机构向外发射，当扫描到由后向反射器构成的合作路标时，反射光经光电接收器件处理作为检测信号，启动数据采集程序读取旋转机构的码盘数据(目标的测量角度值)，然后通过通讯传递到上位机进行数据处理，根据已知路标的位置和检测到的信息，就可以计算出传感器当前在路标坐标系下的位置和方向，从而达到进一步导航定位的目的。

如图是一个LDSR激光传感器系统原理框图。激光测距具有光束窄、平行性好、散射小、测距方向分辨率高等优点，但同时它也受环境因素干扰比较大，因此采用激光测距时怎样对采集的信号进行去噪等也是一个比较大的难题，另外激光测距也存在盲区，所以光靠激光进行导航定位实现起来比较困难，在工业应用中，一般还是在特定范围内的工业现场检测，如检测管道裂缝等场合应用较多。

红外传感技术经常被用在多关节机器人避障系统中，用来构成大面积机器人“敏感皮肤”，覆盖在机器人手臂表面，可以检测机器人手臂运行过程中遇到的各种物体。典型的红外传感器工作原理如图所示。该传感器包括一个可以发射红外光的固态发光二极管和一个用作接收器的固态光敏二极管。由红外发光管发射经过调制的信号，红外光敏管接收目标物反射的红外调制信号，环境红外光干扰的消除由信号调制和专用红外滤光片保证。设输出信号Vo代表反射光强度的电压输出，则Vo是探头至工件间距离的函数：

Vo=f(x，p)

式中，p—工件反射系数。p与目标物表面颜色、粗糙度有关。x—探头至工件间距离。

当工件为p值一致的同类目标物时，x和Vo一一对应。x可通过对各种目标物的接近测量实验数据进行插值得到。这样通过红外传感器就可以测出机器人距离目标物体的位置，进而通过其他的信息处理方法也就可以对移动机器人进行导航定位。

虽然红外传感定位同样具有灵敏度高、结构简单、成本低等优点，但因为它们角度分辨率高，而距离分辨率低，因此在移动机器人中，常用作接近觉传感器，探测临近或突发运动障碍，便于机器人紧急停障。

3、GPS全球定位系统

如今，在智能机器人的导航定位技术应用中，一般采用伪距差分动态定位法，用基准接收机和动态接收机共同观测4颗GPS卫星，按照一定的算法即可求出某时某刻机器人的三维位置坐标。差分动态定位消除了星钟误差，对于在距离基准站1000km的用户，可以消除星钟误差和对流层引起的误差，因而可以显著提高动态定位精度。但是因为在移动导航中，移动GPS接收机定位精度受到卫星信号状况和道路环境的影响，同时还受到时钟误差、传播误差、接收机噪声等诸多因素的影响，因此，单纯利用 GPS导航存在定位精度比较低、可靠性不高的问题，所以在机器人的导航应用中通常还辅以磁罗盘、光码盘和GPS的数据进行导航。另外，GPS导航系统也不适应用在室内或者水下机器人的导航中以及对于位置精度要求较高的机器人系统。

4、超声波导航定位

超声波导航定位的工作原理也与激光和红外类似，通常是由超声波传感器的发射探头发射出超声波，超声波在介质中遇到障碍物而返回到接收装置。通过接收自身发射的超声波反射信号，根据超声波发出及回波接收时间差及传播速度，计算出传播距离S，就能得到障碍物到机器人的距离，即有公式：S=Tv/2式中，T— 超声波发射和接收的时间差;v—超声波在介质中传播的波速。

当然，也有不少移动机器人导航定位中用到的是分开的发射和接收装置，在环境地图中布置多个接收装置，而在移动机器人上安装发射探头。

在移动机器人的导航定位中，因为超声波传感器自身的缺陷，如：镜面反射、有限的波束角等，给充分获得周边环境信息造成了困难，因此，通常采用多传感器组成的超声波传感系统，建立相应的环境模型，通过串行通信把传感器采集到的信息传递给移动机器人的控制系统，控制系统再根据采集的信号和建立的数学模型采取一定的算法进行对应数据处理便可以得到机器人的位置环境信息。

由于超声波传感器具有成本低廉、采集信息速率快、距离分辨率高等优点，长期以来被广泛地应用到移动机器人的导航定位中。而且它采集环境信息时不需要复杂的图像配备技术，因此测距速度快、实时性好。同时，超声波传感器也不易受到如天气条件、环境光照及障碍物阴影、表面粗糙度等外界环境条件的影响。超声波进行导航定位已经被广泛应用到各种移动机器人的感知系统中。

三、路径规划

路径规划技术是机器人研究领域的一个重要分支。最优路径规划就是依据某个或某些优化准则(如工作代价最小、行走路线最短、行走时间最短等)，在机器人工作空间中找到一条从起始状态到目标状态、可以避开障碍物的最优路径。

移动机器人路径规划技术大概分为以下4类：模版匹配路径规划技术、人工势场路径规划技术、地图构建路径规划技术和人工智能路径规划技术。

1.模版匹配路径规划技术

模版匹配方法是将机器人当前状态与过去经历相比较，找到最接近的状态，修改这一状态下的路径，便可得到一条新的路径，即首先利用路径规划所用到的或已产生的信息建立一个模版库，库中的任一模版包含每一次规划的环境信息和路径信息，这些模版可通过特定的索引取得;随后将当前规划任务和环境信息与模版库中的模版进行匹配，以寻找出一个最优匹配模版;然后对该模版进行修正，并以此作为最后的结果，模版匹配技术在环境确定情况下，有较好的应用效果，如 Vasudevan等提出的基于案例的自治水下机器人(AUV) 路径规划方法，Liu等提出的清洁机器人的模版匹配路径规划方法，为了提高模版匹配路径规划技术对环境变化的适应性，部分学者提出了将模版匹配与神经网络学习相结合的方法，如Ram等将基于事例的在线匹配和增强式学习相结合，提高了模版匹配规划方法中机器人的自适应性能，使机器人能部分地适应环境的变化，以及Arleo等将环境模版与神经网络学习相结合的路径规划方法等。

2.人工势场路径规划技术

人工势场路径规划技术的基本思想是将机器人在环境中的运动视为一种机器人在虚拟的人工受力场中的运动。障碍物对机器人产生斥力，目标点对机器人产生引力，引力和斥力的合力作为机器人的控制力，从而控制机器人避开障碍物而到达目标位置。

早期人工势场路径规划研究是一种静态环境的人工势场，即将障碍物和目标物均看成是静态不变的，机器人仅根据静态环境中障碍物和目标物的具体位置规划运动路径，不考虑它们的移动速度。然而，现实世界中的环境往往是动态的，障碍物和目标物都可能是移动的，为了解决动态环境中机器人的路径规划问题，Fujimura等提出一种相对动态的人工势场方法，将时间看成规划模型的一维参量，而移动的障碍物在扩展的模型中仍被看成是静态的，这样动态路径规划仍可运用静态路径规划方法加以实现。该方法存在的主要问题是假设机器人的轨迹总是已知的，但这一点在现实世界中难以实现，对此，Ko等将障碍物的速度参量引入到斥力势函数的构造中，提出动态环境中的路径规划策略，并给出了仿真结果，但是，该方法的两个假设使其与实际的动态环境存在距离：(1)仅考虑环境中障碍物的运动速度，未考虑机器人的运动速度;(2)认为障碍物与机器人之间的相对速度是固定不变的，这不是完整的动态环境。对于动态路径规划问题来说，与机器人避障相关的主要是机器人与障碍物之间的相对位置和相对速度，而非绝对位置和速度，对此，Ge等将机器人与目标物的相对位置与相对速度引入吸引势函数，将机器人与障碍物的相对位置与相对速度引入排斥势函数，提出动态环境下的机器人路径规划算法，并将该算法应用于全方位足球移动机器人的路径规划中，取得了比较满意的仿真与实验结果。

3.地图构建路径规划技术

地图构建路径规划技术，是按照机器人自身传感器搜索的障碍物信息，将机器人周围区域划分为不同的网格空间(如自由空间和限制空间等)，计算网格空间的障碍物占有情况，再依据一定规则确定最优路径，地图构建又分为路标法和栅格法，也称单元分解法。前者是构造一幅由标志点和连接边线组成的机器人可行路径图，如可视线方法、切线图方法、Voronoi图方法和概率图展开法等。

可视图法将机器人看成一个点，机器人、目标点和多边形障碍物的各顶点进行组合连接，并保证这些直线均不与障碍物相交，便形成一张图，称为可视图，由于任意两直线的顶点都是可见的，从起点沿着这些直线到达目标点的所有路径均是运动物体的无碰路径，路径规划就是搜索从起点到目标点经过这些可视直线的最短距离问题;切线图法和Voronoi图法对可视图法进行了改造，切线图法以多边形障碍物模型为基础，任意形状障碍物用近似多边形替代，在自由空间中构造切线图，因此从起始点到目标点机器人是沿着切线行走，即机器人必须几乎接近障碍物行走，路径较短，但如果控制过程中产生位置误差，移动机器人碰撞的可能性会很高，Voronoi图由一系列的直线段和抛物线段构成，直线由两个障碍物的顶点或两个障碍物的边定义生成，直线段上所有点必须距离障碍物的顶点或障碍物的边相等，抛物线段由一个障碍物的顶点和一个障碍物的边定义生成，抛物线段同样要求与障碍物顶点和障碍物的边有相同距离，与切线法相比，Voronoi图法从起始节点到目标节点的路径将会增长，但采用这种控制方式时，即使产生位置误差，移动机器人也不会碰到障碍物，安全性较高，下图为切线图法与Voronoi图法示意图。

切线图法与Voronoi图法

栅格法是将机器人周围空间分解为相互连接且不重叠的空间单元;栅格(cell)，由这些栅格构成一个连通图，依据障碍物占有情况，在此图上搜索一条从起始栅格到目标栅格无碰撞的最优路径.这其中根据栅格处理方法的不同，又分为精确栅格法和近似栅格法，后者也称概率栅格法。精确栅格法是将自由空间分解成多个不重叠的单元，这些单元的组合与原自由空间精确相等，如下图就是常用的一种精确栅格分解法一一梯形栅格分解。

与精确栅格法不同，近似栅格法的所有栅格都是预定的形状，通常为矩形，整个环境被分割成多个较大的矩形，每个矩形之间都是连续的，典型的方法是“四叉树”法，如果大矩形内部包含障碍物或者边界，则将其分割成4个小矩形，对所有稍大的栅格都进行这种划分，然后在划分的最后界限内形成的小栅格间重复执行该程序，直到达到解的界限为止。

地图构建法直观明了，它常与其他路径规划方法集成使用，如Araujo提出的ART神经网络的地图构建路径规划算法，Najjaran提出的卡尔曼滤波器的地图构建路径规划，Yang等提出的基于生物启发神经网络与地图构建集成的清洁机器人完全覆盖路径规划技术(CCPP)等。

目前，地图构建技术已引起机器人研究领域的广泛关注，成为移动机器人路径规划的研究热点之一，但机器人传感器信息资源有限，使得网格地图障碍物信息很难计算与处理，同时由于机器人要动态快速地更新地图数据，在网格数较多、分辨率较高时难以保证路径规划的实时性，因此，地图构建方法必须在地图网格分辨率与路径规划实时性上寻求平衡。

4.人工智能路径规划技术

人工智能路径规划技术是将现代人工智能技术应用于移动机器人的路径规划中，如人工神经网络、进化计算、模糊逻辑与信息融合等。遗传算法是最早应用于组合优化问题的智能优化算法，该算法及其派生算法在机器人路径规划研究领域已得到应用，在蚁群算法较好解决旅行商问题(TSP)的基础上，许多学者进一步将蚁群优化算法引入到水下机器人(UV)的路径规划研究中。

神经网络作为人工智能的重要内容，在移动机器人路径规划研究中得到了广泛关注，如Ghatee等将Hopfield神经网络应用到路径距离的优化中;Zhu等将自组织SOM神经网络应用到多任务多机器人的任务分配与路径规划中，近年来加拿大学者Simon提出一种新的生物启发动态神经网络模型，将神经网络的神经元与二维规划空间的离散坐标对应起来，通过规定障碍物和非障碍物对神经元输入激励和抑制的不同，直接计算相关神经元的输出，由此判定机器人的运行方向，由于该神经网络不需要学习训练过程，路径规划实时性好，同时利用神经网络本身的快速衰减特性，较好地解决了机器人路径规划的死区问题。如图为用于局部路径规划的生物启发神经网络结构图，图中所示为机器人(处于神经元处)传感器的感受半径，每个神经元与环境位置坐标对应，动态计算机器人邻近神经元输出，机器人根据神经元输出大小决定下一步运行目标，从而实现安全的路径规划。

人工智能技术应用于移动机器人路径规划，增强了机器人的“智能”特性，克服了许多传统规划方法的不足，但该方法也有不足之处，有关遗传优化与蚁群算法路径规划技术主要针对路径规划中的部分问题，利用进化计算进行优化处理，并与其他路径规划方法结合在一起使用，单独完成路径规划任务的情况较少。信息融合技术主要应用于机器人传感器信号处理方面，而非直接的路径规划策略，对神经网络路径规划而言，大多数神经网络路径规划均存在规划知识的学习过程，不仅存在学习样本难以获取，而且存在学习滞后问题，从而影响神经网络路径规划的实时性，生物启发神经网络路径规划虽然实时性较好，但其输入激励与抑制的设定也存在人为不确定因素。

基于生物启发神经网络路径规划

此外，智能机器人还用到机器人视觉、智能控制、人机接口技术等多种技术，小编就不一一赘述了，大家可以搜寻相关资料，一起分享哦。