TWI385358B - 機器人導航系統 - Google Patents
機器人導航系統 Download PDFInfo
- Publication number
- TWI385358B TWI385358B TW97129920A TW97129920A TWI385358B TW I385358 B TWI385358 B TW I385358B TW 97129920 A TW97129920 A TW 97129920A TW 97129920 A TW97129920 A TW 97129920A TW I385358 B TWI385358 B TW I385358B
- Authority
- TW
- Taiwan
- Prior art keywords
- navigation
- robot
- behavior
- navigation system
- controller
- Prior art date
Links
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Description
本發明係關於一種機器人導航系統,其特別是關於利用位能場模型法〔potential field method〕、航行行為模式〔navigation behavior mode〕及類神經網路〔artificial neural network〕所形成之機器人導航系統。
目前機器人導航路徑規劃方法通常包含位能場模型法、確定值格法〔certainly grids method〕及沿牆前進法〔wall following method〕。傳統位能場模型法具有數學式子簡單、易實現於系統上及能規劃較短路徑等優點。然而,位能場模型法既已存在許多限制,其包含:局部極小值的陷阱;在緊密相鄰的障礙物間無法找到通道;在障礙物前面發生振盪現象;在極小通道間航行時,發生振盪現象;在目標非常靠近障礙物時,發生無法到達目標狀況〔goals nonreachable with obstacles nearby,GNRON〕。
機器人的航行行為模式係將一個完整且複雜的導航任務分解成數個較簡單的行為,並以平行並聯方式同時執行。航行行為模式具有下列優點:在架構上將導航任務分解為數個較簡單行為,由於個別的行為較單純,因此在設計上變得較簡單,且降低運算量,所以機器人可迅速執行動作;由於機器人的輸出行為係由多個單一行為組合,以決定最後輸出動作;基於個別行為係為了達成某一特定目的而設計,當部分的行為模組無法正常運作時,其他的行為仍然可正常運作,所
以在整個架構上具偶較高的穩健度;若機器人的架構以行為為概念時,不需要準確建立環境模型,在設計行為模組上由平行進行計算最後輸出,其並非以環境模型之計算進行導航;再者,對於各個行為之間所需與接收之感測器資訊不需完全相同,因此當部分感測器發生誤差時,僅會影響以該部分感測器作為行為模式的功能輸入項,而不會影響不需採用該部分感測器資訊的其他行為。最後行為的輸出係將所有的行為依其仲裁或融合方式加以決定,所以利用行為為概念的機器人不需要建立精確的環境模型。
航行行為模式的融合控制方式係對於機器人的最後動作輸出包含每個行為之組合,僅在每個行為之間參與程度不一而已。當環境改變時,每個行為皆被表現,僅在時間上前後行為的表現比例不同而已,因此其航行動作較流暢。然而,行為融合易產生各行為之間的衝突,因此其強健度較差。
另外,航行行為模式的仲裁控制方式係每個動作輸出只包含其預設行為中的單一個行為。當控制行為不停的改變時,雖然機器人的動作較不流暢,但其具有較佳的強健度。
類神經網路係一種平行計算系統,利用數學模型模擬生物神經元之運作,以模仿生物神經網路的能力。簡言之,其為一種模仿生物神經網路的資訊處理系統,不論在工業、商業或科學領域皆有廣泛應用。類神經網路具有下列優點:高速平行運算能力、良好的容錯能力及強大的學習能力。然而,類神經網路對於非學習過的環境其控制能力較差。倒傳遞類神經網路係屬一種具有學習能力的多層前授型網路,其運作過程分為兩個部分:學習過程
及回想過程。倒傳遞類神經網路之學習過程係一種監督式學習,其回想過程係一種分類及預測過程。當輸入一個待推算範例後,網路即能輸出最可能的結果。因此倒傳遞類神經網路常應用於分類、預測及過濾雜訊上。
綜觀之,雖然位能場模型法具有數學式子簡單、易於於系統上及能規劃較短路徑等優點,但其仍存在固有限制。至於航行行為模式,其可將機器人的複雜行為簡化成幾個簡單的行為模組優點,且其具有不需要建立精確的環境模型之優點,但其行為仲裁控制方式卻具有流暢性差的缺點。是以,其有必要進一步整合各種技術,以便能相互補強技術缺點。
有鑑於此,本發明為了解決上述需求,其提供一種機器人導航系統,其能利用位能場模型法、航行行為模式及類神經網路解決既有技術問題,其達成提升機器人導航性能之目的。
本發明之主要目的係提供一種機器人導航系統,其具有一導航控制器,該導航控制器利用位能場模型法、航行行為模式及類神經網路,其達成提升機器人導航性能之目的。
為了達成上述目的,本發明之機器人導航系統包含一導航控制器、一感測系統及一串列通訊控制模組。該串列通訊控制模組連接於該導航控制器及感測系統之間。該導航控制器利用位能場模型法、航行行為模式及類神經網路進行導航控制,以建構一智慧型導航系統。
本發明較佳實施例之該導航控制器設置於一電腦。
本發明較佳實施例之該航行行為模式採用仲裁控制方式。
本發明較佳實施例之該航行行為模式包含即時迴避行為、障礙物迴避行為及目標追蹤行為。
本發明較佳實施例之該類神經網路採用倒傳遞類神經網路。
本發明較佳實施例之該感測系統包含一超音波測距模組、一位置推算器、一馬達控制模組及一人機介面。
本發明較佳實施例之該串列通訊控制模組包含一解多工器、一多工控制器及一多工器。
為了充分瞭解本發明,於下文將例舉較佳實施例並配合所附圖式作詳細說明,且其並非用以限定本發明。
本發明較佳實施例之機器人導航系統可應用於各種機器人導航技術,但其並非用以限定本發明之應用範圍。本發明較佳實施例之機器人導航系統亦可應用於其他自動導航技術,於此不予詳細贅述。
第1圖揭示本發明較佳實施例之機器人導航系統之方塊示意圖。請參照第1圖所示,本發明較佳實施例之機器人導航系統包含一導航控制器1、一感測系統2及一串列通訊控制模組3。該串列通訊控制模組3連接於該導航控制器1及感測系統2之間。
請再參照第1圖所示,本發明較佳實施例之該導航控制器設置於一電腦。該導航控制器1利用位能場模型法、航行行為模式及類神經網路進行導航控制,以建構一智慧型導航系統。本發明較佳實施例之該航行行為模式採用仲裁控制方式。本發明較佳實施例之該航行行為模式包含即時迴避行為、障礙物迴避行為及目標追蹤行為。本發明較佳實施例之該類神經網路採用倒傳遞類神
經網路。
本發明較佳實施例之機器人導航系統之該導航控制器1以位能場模型法結合航行行為模式,並輔以類神經網路進行導航控制。該導航控制器1採用該位能場模型法具有數學式子簡單、易實現於系統上及能規劃較短路徑等優點。該航行行為模式將航行行為簡化數個簡單行為,且不需要準確建立環境模型,該航行行為模式可改善該位能場模型法的固有限制。該類神經網路具有學習能力,並配合該航行行為模式,即可達成學習脫離該位能場模型法的固有限制。
請再參照第1圖所示,該感測系統2包含一超音波測距模組21、一位置推算器22、一馬達控制模組23及一人機介面24。另外,該串列通訊控制模組3包含一解多工器、一多工控制器及一多工器。
請再參照第1圖所示,電腦將接收外部的環境資訊,經由該導航控制器1的演算後,將演算後的資訊傳送至該馬達控制模組23,以控制機器人運動。電腦接收環境資訊係由該超音波測距模組21、位置推算器22、馬達控制模組23及人機介面24輸入而獲得。該超音波測距模組23之主要功能為偵測遠距離的障礙物。該位置推算器22的功能係推算機器人即時座標位置,該位置推算器22係利用一電子羅盤及一光編碼器組成。該電子羅盤用以量測機器人的方位,而該光編碼器係用以計算機器人行走的距離。該馬達控制模組23用以控制機器人的運動,其控制命令來源有兩部份:第一控制命令係經該導航控制器1演算的資料,第二控制命令係由該馬達控制模組23輸入,該第二控制命令係由紅外線感測器
的觸發與否所決定。該人機介面24係提供展覽場地的環境資訊給予使用者,若使用者需機器人引導時,只需在該人機介面24之控制面板選擇欲前往的地點。
本發明較佳實施例之機器人導航系統與傳統位能場模型法之兩者模擬實驗結果,於下文作說明。
第2A圖揭示機器人導航系統利用傳統位能場模型法航行至鄰近目標之由障礙物形成狹小通道前產生振盪現象之航行軌跡示意圖。請參照第2A圖所示,利用傳統位能場模型法將機器人自起始點40沿著軌跡42航行,並接近兩個障礙物43a。在該兩個障礙物43a之間形成狹小通道,但機器人在進入該兩個障礙物43a之狹小通道前產生振盪現象,因而無法通過該兩個障礙物43a之間而抵達目標41。
第2B圖揭示機器人導航系統利用傳統位能場模型法航行至凹形障礙物時陷入極小值環境之航行軌跡示意圖。請參照第2B圖所示,利用傳統位能場模型法將機器人自起始點40沿著軌跡42航行,並在接近凹形障礙物43b後,機器人已陷入極小值環境內,因而無法脫離該凹形障礙物43b而抵達目標41。
第2C圖揭示機器人導航系統利用傳統位能場模型法航行至靠近障礙物之目標前面時發生無法到達目標之航行軌跡示意圖。請參照第2C圖所示,利用傳統位能場模型法將機器人自起始點40沿著軌跡42航行,並航行至接近目標41之前面,但機器人同時接近障礙物43c,因此機器人發生GNRON問題,因而無法抵達目標41。
第3A圖揭示本發明較佳實施例之機器人導航系統成功通過
由障礙物形成狹小通道而抵達目標之航行軌跡示意圖;第3B圖揭示本發明較佳實施例之機器人導航系統成功通過凹形障礙物而抵達目標之航行軌跡示意圖;第3C圖揭示本發明較佳實施例之機器人導航系統成功抵達靠近障礙物之目標之航行軌跡示意圖。請參照第3A至3C圖所示,本發明較佳實施例之機器人導航系統將機器人自起始點40沿著軌跡42航行,並成功通過障礙物43a、凹形障礙物43b、障礙物43c而抵達目標41。
第4A圖揭示機器人導航系統利用傳統沿牆法航行通過雙U形環境之航行軌跡示意圖。請參照第4A圖所示,利用傳統位能場模型法將機器人自起始點40沿著軌跡42航行,並通過雙U形環境,最後成功抵達目標41。傳統沿牆法隨著障礙物的複雜度增加,使其航行距離及時間延長。
第4B圖揭示本發明較佳實施例之機器人導航系統航行通過雙U形環境之航行軌跡示意圖。請參照第4B圖所示,本發明較佳實施例之機器人導航系統將機器人自起始點40沿著軌跡42航行,並通過雙U形環境,最後成功抵達目標41。顯然,本發明較佳實施例之機器人導航系統可縮短航行距離及時間。
第5A圖揭示機器人導航系統利用傳統沿牆法航行通過複雜環境之航行軌跡示意圖。請參照第5A圖所示,利用傳統位能場模型法將機器人自起始點40沿著軌跡42航行,並通過障礙物複雜分佈環境,最後成功抵達目標41,其具有延長航行距離及時間的缺點。
第5B圖揭示本發明較佳實施例之機器人導航系統航行通過複雜環境之航行軌跡示意圖。請參照第5B圖所示,本發明較佳實
施例之機器人導航系統將機器人自起始點40沿著軌跡42航行,縱使通過障礙物複雜分佈環境,最後成功抵達目標41,並可縮短航行距離及時間。
前述較佳實施例僅舉例說明本發明及其技術特徵,該實施例之技術仍可適當進行各種實質等效修飾及/或替換方式予以實施;因此,本發明之權利範圍須視後附申請專利範圍所界定之範圍為準。
1‧‧‧導航控制器
2‧‧‧感測系統
21‧‧‧超音波測距模組
22‧‧‧位置推算器
23‧‧‧馬達控制模組
24‧‧‧人機介面
3‧‧‧串列通訊控制模組
40‧‧‧起始點
41‧‧‧目標
42‧‧‧軌跡
43a‧‧‧障礙物
43b‧‧‧障礙物
43c‧‧‧障礙物
第1圖:本發明較佳實施例之機器人導航系統之方塊示意圖。
第2A圖:機器人導航系統利用傳統位能場模型法航行至鄰近目標之由障礙物形成狹小通道前產生振盪現象之航行軌跡示意圖。
第2B圖:機器人導航系統利用傳統位能場模型法航行至凹形障礙物時陷入極小值環境之航行軌跡示意圖。
第2C圖:機器人導航系統利用傳統位能場模型法航行至靠近障礙物之目標前面時發生無法到達目標之航行軌跡示意圖。
第3A圖:本發明較佳實施例之機器人導航系統成功通過由障礙物形成狹小通道而抵達目標之航行軌跡示意圖。
第3B圖:本發明較佳實施例之機器人導航系統成功通過凹形障礙物而抵達目標之航行軌跡示意圖。
第3C圖:本發明較佳實施例之機器人導航系統成功抵達靠近障礙物之目標之航行軌跡示意圖。
第4A圖:機器人導航系統利用傳統沿牆法航行通過雙U形環境之航行軌跡示意圖。
第4B圖:本發明較佳實施例之機器人導航系統航行通過雙U形環境之航行軌跡示意圖。
第5A圖:機器人導航系統利用傳統沿牆法航行通過複雜環境之航行軌跡示意圖。
第5B圖:本發明較佳實施例之機器人導航系統航行通過複雜環境之航行軌跡示意圖。
1‧‧‧導航控制器
2‧‧‧感測系統
21‧‧‧超音波測距模組
22‧‧‧位置推算器
23‧‧‧馬達控制模組
24‧‧‧人機介面
3‧‧‧串列通訊控制模組
Claims (7)
- 一種機器人導航系統,其包含:一導航控制器,其用以導航機器人;一感測系統,其包含一感測器用以接收外部的環境資訊;及一串列通訊控制模組,其連接於該導航控制器及感測系統之間,以便該導航控制器及感測系統之間進行通訊;其中該導航控制器利用位能場模型法、航行行為模式及類神經網路進行導航控制,以建構一智慧型導航系統,將已接收外部的環境資訊經由該導航控制器利用該位能場模型法、航行行為模式及類神經網路進行演算。
- 依申請專利範圍第1項所述之機器人導航系統,其中該導航控制器設置於一電腦。
- 依申請專利範圍第1項所述之機器人導航系統,其中該航行行為模式採用仲裁控制方式。
- 依申請專利範圍第1項所述之機器人導航系統,其中該航行行為模式包含即時迴避行為、障礙物迴避行為及目標追蹤行為。
- 依申請專利範圍第1項所述之機器人導航系統,其中該類神經網路採用倒傳遞類神經網路。
- 依申請專利範圍第1項所述之機器人導航系統,其中該感測系統另包含一超音波測距模組、一位置推算器、一馬達控制模組及一人機介面,且該感測器選自一超音波感測器。
- 依申請專利範圍第1項所述之機器人導航系統,其中該串列通訊控制模組包含一解多工器、一多工控制器及一多工器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW97129920A TWI385358B (zh) | 2008-08-06 | 2008-08-06 | 機器人導航系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW97129920A TWI385358B (zh) | 2008-08-06 | 2008-08-06 | 機器人導航系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201007127A TW201007127A (en) | 2010-02-16 |
TWI385358B true TWI385358B (zh) | 2013-02-11 |
Family
ID=44826933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW97129920A TWI385358B (zh) | 2008-08-06 | 2008-08-06 | 機器人導航系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI385358B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI403748B (zh) * | 2010-06-07 | 2013-08-01 | Nat Univ Chin Yi Technology | Motor Fault Diagnosis Method and Device Based on RBF Information Fusion Technology |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6704619B1 (en) * | 2003-05-24 | 2004-03-09 | American Gnc Corporation | Method and system for universal guidance and control of automated machines |
TW200726122A (en) * | 2005-12-30 | 2007-07-01 | Univ Yuan Ze | Mobile remote monitoring system and method thereof |
TW200801876A (en) * | 2006-06-16 | 2008-01-01 | Innovati Inc | Diverse robot developing system |
-
2008
- 2008-08-06 TW TW97129920A patent/TWI385358B/zh not_active IP Right Cessation
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6704619B1 (en) * | 2003-05-24 | 2004-03-09 | American Gnc Corporation | Method and system for universal guidance and control of automated machines |
TW200726122A (en) * | 2005-12-30 | 2007-07-01 | Univ Yuan Ze | Mobile remote monitoring system and method thereof |
TW200801876A (en) * | 2006-06-16 | 2008-01-01 | Innovati Inc | Diverse robot developing system |
Also Published As
Publication number | Publication date |
---|---|
TW201007127A (en) | 2010-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Loquercio et al. | Deep drone racing: From simulation to reality with domain randomization | |
Wang et al. | Multi-behaviors coordination controller design with enzymatic numerical P systems for robots | |
Tolani et al. | Visual navigation among humans with optimal control as a supervisor | |
Guan et al. | Robot formation control based on internet of things technology platform | |
Kumar et al. | Static and dynamic path planning of humanoids using an advanced regression controller | |
Zhang et al. | Safe and efficient robot manipulation: Task-oriented environment modeling and object pose estimation | |
Liu et al. | Learning to play trajectory games against opponents with unknown objectives | |
Moshiri et al. | Pseudo information measure: A new concept for extension of Bayesian fusion in robotic map building | |
Marsland et al. | Learning to select distinctive landmarks for mobile robot navigation | |
Parhi et al. | Navigational strategies of mobile robots: a review | |
Guo et al. | Optimal navigation for AGVs: A soft actor–critic-based reinforcement learning approach with composite auxiliary rewards | |
TWI385358B (zh) | 機器人導航系統 | |
Zhao et al. | Path planning of arbitrary shaped mobile robots with safety consideration | |
Bechar et al. | A review and framework of laser-based collaboration support | |
Pandey et al. | Real time navigation strategies for webots using fuzzy controller | |
Elsheikh et al. | Dynamic path planning and decentralized FLC path following implementation for WMR based on visual servoing | |
Kashyap et al. | Modified type-2 fuzzy controller for intercollision avoidance of single and multi-humanoid robots in complex terrains | |
Abu-Jassar et al. | Obstacle Avoidance Sensors: A Brief Overview | |
Cheng et al. | Multi-objective deep reinforcement learning for crowd-aware robot navigation with dynamic human preference | |
Zaragoza et al. | Relational reinforcement learning with continuous actions by combining behavioural cloning and locally weighted regression | |
Du et al. | Human‐Manipulator Interface Using Particle Filter | |
Yang et al. | The research on intelligent mobile robot's avoiding obstacle by ultrasound | |
Njah et al. | Fuzzy-ekf controller for intelligent wheelchair navigation | |
bin Kamarulariffin et al. | Improving Deep Reinforcement Learning Training Convergence using Fuzzy Logic for Autonomous Mobile Robot Navigation. | |
Silva et al. | Avoiding obstacles using a connectionist network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | Annulment or lapse of patent due to non-payment of fees |