介绍了自主移动机器人的环境表示,随着时间的推移不断适应。提出的方法是受人类记忆信息处理和存储当前和过去的知识环境。摘要内存模型应用于时变信息障碍和引擎在自主机器人的工作空间和用于解决机器人的导航循环。这包括定位和路径规划以及车辆控制。提出的方法是评估在实际实验中改变室内环境。结果表明,环境表现稳定,改善其质量随着时间的推移,和适应变化。
为了解决导航任务,之前关于环境的知识是必需的。这知识包括地标特性可以用于定位、几何和语义信息路线可能应用于路径规划,和障碍配置必须绕过安全。在机器人的社区,环境知识通常是事先给定的(
在这种情况下,它应该是,世界可以被假定为静态或机器人操作只在有限的一段时间。然而,未来服务机器人必须自主运行从几个星期到几年。在这长期的操作,这些机器人将与人分享他们的工作空间和与人类以及手动和自动操作车辆。通常,这些环境随时间变化的,不能假定为静态了。
环境的变化可能出现逐渐或突然发生时机器人的感知范围之外。一般来说,我们区分三种类型的对象:<我talic> 动态我talic>,<我talic> semistatic,我talic>和<我talic> 静态我talic>对象。对象喜欢车或人以一定速度运动方向被称为动态定义。机器人的感知范围内,速度和运动方向可以通过考虑后续估计感觉测量。对象,改变他们的姿势或物理维度没有直接的运动被称为semistatic,植树和停车等汽车以及机器人的感知范围外发生的变化。另一方面,对象是不变的变化表示为静态的。此外,改变可能不是永久:一扇门被打开,一个包在走廊里可能已经离开一段时间,等等。一般来说,它是未知的自主机器人的时候,在哪儿,这些变化会发生多久。一个安全的和安全的长期运行在这些环境中,移动机器人将不得不适应这些变化。此外,在让机器人有能力存储当前状态和记住过去环境的表象,他们将有能力从过去中学习。这些要求需要移动的环境表示系统的新概念。
在本文中,自适应环境模型为长期的自主移动机器人导航。人类记忆的概念后,这种表示方法包括三个基本的商店:感觉记忆,短时记忆和长时记忆。感官记忆包含原始数据从传感器在短期记忆用于存储环境数据,为机器人是至关重要的。在短期记忆中,相关数据标识,然后转移到长期记忆。通过使用时间并行存储,提出了内存方法允许时变环境数据的时空造型。摘要内存模型应用于环境中的障碍和路线和用于对象跟踪、定位、路径规划和避障。因此,自适应记忆模型形式的基础解决自主机器人的导航任务在长期操作。
剩下的论文结构如下。部分
大多数现有的导航方法假设世界是静态的。应对不断变化的环境中,一些方法假设一个特定的感官的一部分数据是静态的,不变的,会随着时间而改变。例如Soika et al。
其他方法试图明确区分从静态测量和动态检测和过滤移动对象。例如,福克斯等。
近年来,一些作者开始在长期定位研究和显式模型的变化的环境。Biber,从此之后
然而,所有现有的方法长期操作的移动机器人关注本地化的部分。到目前为止,自主导航的完整生命周期,包括定位、路径规划、车辆控制是不考虑。
在本文中所有关于环境的知识应该是时间的函数。假设一个平面的世界,环境的配置空间在空间和时间域往往在长期操作对无穷。代表现在以及过去知识的环境中自主移动机器人与有限的记忆能力,介绍了一种自适应内存模型(见图
提出了内存模型。
根据阿特金森和Shiffrin,感官记忆包含所有的原始数据通过感官得到的。虽然在SM编码数据,基本识别流程执行。巨大的数据量,存储数据衰减SM经过一段时间的约2秒。短期内或工作记忆形式心理信息处理的基础。选择性注意机制确定哪些数据从STM的感官记忆。短时记忆的容量是有限的,进一步抽象存储数据时执行。STM中的数据可以回忆一段被遗忘前几秒到一分钟。通过排练的过程中,数据在STM可以转移到长期记忆保留的时间更长。在中心在存储过程中,进一步抽象和解释以及结合编码的数据。作为回报,知识存储在中心思想影响感知和影响环境中的数据了。 In general, when new data moves from SM via STM to LTM, the amount of data is condensed with previous data and the level of abstraction arises.
在本文中我们将这个人类记忆的概念应用于自主移动机器人。为此,我们让两个假设。首先,每个存储的内存(SM、STM和LTM)分为substores<我nl我ne-formula>
在下面几节中,我们将介绍如何集成障碍以及路线知识在这个内存概念和使用记忆信息来提高机器人导航在变化的环境中(见图
数据流的长期导航方法。纯白色矩形表示槽底沟的内存模型中,为数据处理和虚线矩形表示算法。
环境感知传感器应该是2 d和3 d范围。只使用2 d导航方法,相关的3 d传感器数据降低到2 d平面通过应用技术<我talic>
虚拟的二维扫描我talic>(
由于极角<我nl我ne-formula>
最后,一个完整的二维扫描代表机器人周围的当地环境定义如下:
假设地面车辆、机器人的姿态被定义在每一个时间步<我nl我ne-formula>
假设一个正常的分布位置以及姿态误差,相关的协方差矩阵被定义在每一个时间步<我nl我ne-formula>
在短期记忆中,创建一个抽象对象表示的二维扫描<我nl我ne-formula>
边界框表示用于估计物体的运动环境。因此,所有对象属于的姿势<我nl我ne-formula>
如果速度<我nl我ne-formula>
接下来,使用跟踪对象分类的动态扫描点短期记忆。为此,每一个扫描点<我nl我ne-formula>
在短期记忆,结果存储在一个二维扫描<我nl我ne-formula>
障碍表示<我nl我ne-formula>
更新一步的长期记忆<我nl我ne-formula>
选择所有<我nl我ne-formula>
选择<我nl我ne-formula>
添加<我nl我ne-formula>
对于每个新的2 d扫描在STM,集<我nl我ne-formula>
中定义的部分
扫描点<我nl我ne-formula>
这个概率分布是用于更新障碍表示如精灵所述
更新步骤后的长期障碍表示,<我nl我ne-formula>
可以用于自主导航的路线是由一组<我nl我ne-formula>
每一个路由<我nl我ne-formula>
路由更新过程的表示是基于我们以前的工作。有关详细信息,请参考[
在短期记忆中,路线段机器人目前的估计。因此,构成<我nl我ne-formula>
相对构成用于更新路线表示<我nl我ne-formula>
本文中提供的内存模型用于解决机器人的导航任务。因此,时空表示集成到定位、路径规划、车辆控制的自治系统。
定位,使用蒙特卡罗定位提出了(
最优路径规划的路径从当前机器人位姿<我nl我ne-formula>
路径规划算法的结果是一组<我nl我ne-formula>
这些路标点定义的基本轨迹合成路径以及走廊宽度沿路径。
预先计划的路径后<我nl我ne-formula>
展示了内存模型的适用性为长期自主移动机器人导航,一个真实的室内实验。为此,一个<我talic>
iRobot Roomba SE我talic>吸尘器(见图
Roomba吸尘器用于实验结果。
实验是在公寓风格进行环境的维度8 m×10 m。工作区包括典型公寓家具橱柜、桌子、沙发、浴缸和花。机器人的初始知识环境提前给出(见图
初始环境知识的机器人。黑线显示本地化的地标,蓝色代表路径规划的路线,和红色方块表示反射器的位置标记为地面真理。箭头表示运动的方向。
障碍环境中事先是未知的,必须由自适应自动学习记忆模型。
在这种环境下,机器人操作4周(28天)每天与一个完全自动运行。在第一周,环境是完全静态的而在第二周插入各种变化。这包括新的障碍以及配置变化的障碍。第三周,两个人正在进入环境,影响和遍历的路径机器人。上周的实验中,环境是静态的,但是在22天的部分道路完全被一个障碍。
在这个实验中,内存模型参数化如下:<我nl我ne-formula>
评估定位结果随着时间的推移,地面机器人位姿的真实数据是必需的。我们正在考虑一个自治机器人的完整的导航周期,地面实况数据必须在运动期间可用时机器人的路径可能不同。
为此,15平方大小的人工反射器标记25毫米的25毫米。标记位于中心行上每隔一定距离理想的路径和调查了手动的位置。在运动过程中,检测到一个额外的反射镜<我talic>
生病的S300我talic>二维激光扫描仪扫描前向地面机器人(见图
在这个实验中,机器人旅行总距离为1225米完全自主,收购了37800 2 d扫描。从最初的表征图
在第七天环境表示。最初的知识是浓缩的感知障碍。
在短期记忆中,不属于动态对象的扫描点和不包括长期被归类为semistatic地图。凝结的障碍知识随着时间的推移,semistatic扫描点的平均数量包括在2 d扫描在第一天从23%下降到3%在7天(见图
使用自适应动态分类的2 d扫描内存模型。
累积的知识环境的中心,位置的平均误差对地面实况在第一天从0.14减少到0.09天7(见图
位置误差的变化随着时间的推移,使用自适应定位和静态定位相比。
为了证明我们提出的方法的好处,比较常见的静态位置错误蒙特卡罗定位方法。这是通过使用记录的感官数据后处理和最初的知识从图
使用静态的恢复期,位置误差时注意到高于使用我们的自适应方法。此外,在天8,9,10,11,静态定位无法计算一个姿势估计由于障碍阻挡大部分的墙壁的配置环境。
白天22日路线(见图被一个障碍
又一天22环境表示。路线表示是适应避免障碍阻止初始路径。
在本文中,自适应内存模型为长期的自主移动机器人导航变化的环境。拟议的内存模型包含三个基本存储:感觉记忆,短时记忆和长时记忆。通过使用时间并行存储,记忆方法允许的空间和时间表示时变环境数据。摘要障碍以及路线数据集成在内存中。通过分析存储的信息随着时间的推移,关于环境的知识浓缩并用于解决自主移动机器人的导航任务。
未来的工作将集中在加强实验关于长期操作和扩展我们的活动,户外环境。此外,更多的环境信息,例如,对象表示,应该存储在内存模型。