毕业论文外文翻译-智能小车设计.docx

中原工学院信息商务学院外文翻译摘 要本文提出了一种计算有效的轨迹全方位移动机器人的生成算法建议。该算法的计划基于一个参考路径b'ezier曲线，符合避障标准。然后该算法解决了运动规划问题机器人跟踪路径。在很短的旅行时间，同时满足动态约束和对噪声的鲁棒性。加速度机器人的计算等，他们满足的时间最优对每一个样品的时间间隔的条件。数值模拟演示改善轨迹生成在旅行时间，满意度和动态约束条款以前的研究比较平稳的运动控制。1、导言许多研究人员一直对汽车运动规划。该车辆的形式，包括汽车，差驱动器，全方位，和其他车型。 balkcom 3发展为有限的时间最优轨迹差分驱动机器人的速度模型。荣格4摩尔5处理全方位的车辆;控制这些文件采用的战略包括建设几何路径和使用反馈跟踪路径控制。黄6提出一种视觉导引方法根据模型的非完整机器人的本地导航人类导航。该方法使用相对标题的目标和障碍，到目标的距离，角宽度的障碍，计算一个潜在的领域。 “势场控制机器人的角加速度，转向朝着目标和距离的障碍。哈姆纳7机动学习，以避免室外移动机器人通过观察一个人的驱动程序的冲突，运行车辆配有传感器，不断产生的地图当地的环境。介绍实施转向控制人类行为模式，试图避免的障碍，而试图按照所需路径。黄禹锡8发展的轨迹跟踪和障碍避免在一个智能轿车般的移动机器人通过混合分散控制的空间。两个CCD相机是用来实现机器人的位置和障碍物的位置。为参考命令计划的基础上，提出了机器人控制器从这些相机的信息。J. Choi是一个博士候选人计算机工程系在美国加州大学，圣克鲁斯，95064，美国。jwchoisoe.ucsc.edu。R.库里是一个在计算机工程系客座教授在美国加州大学，圣克鲁斯，95064，美国。rcurryucsc.edu。G.埃凯姆是在计算机工程系助理教授在美国加州大学，圣克鲁斯，95064，USA圣克鲁斯，加利福尼亚州，95064，USA。elkaimsoe.ucsc.edu。本文对两个文件的重点：卡尔马 - 纳吉2sahraei1。卡尔马 - 纳吉2提出了最短时间全方位车辆轨迹的生成算法，符合动态的限制，但被认为是没有任何障碍。一个附近的最优控制策略被证明是分段恒定的文件（嘭嘭型）。 sahraei1提出了一个全方位的运动规划算法车辆，根据2的结果。本文声称该算法满足避障以及时间离散时间系统在给定的最优。该文件表明，Sahraei的算法是有问题的。要解决的问题，一种新的运动规划算法全方位的车辆被提出，这也符合在离散动态避障和约束时间系统。在此提供的数值模拟纸证明以更好的解决问题的议案规划是比Sahraei的算法。 本文组织如下。第二节介绍动态约束的结果为基础的机器人2。在第三节，Sahraei的算法1。第四节提出了新的算法。最后，用数值模拟第五节二。2、全方位的动态约束车辆图图1（a）显示了全方位的底部由三个轮子的车。这种类型的车辆能够在任何方向的移动和旋转移动。卡尔马-纳吉形容一个模型，它涉及的扭矩量加速三个速度轮式全方位汽车1。本节是以2的结果为基础。（a）底视图2 （b）几何2 图1.全方位车辆结果表明，驱动器速度定义为线性功能的速度和角速度机器人：其中L为中心的距离驱动单元机器人的质量，是个别车轮的速度，是逆时针旋转的角度（见图1（b）。引进了新的时间和长度尺度来正常化无量纲变量X，Y和T常数。 （3）常数和由电机字符确定。是适用于电压的最大值电机，m是机器人的质量。然后约束机器人（后丢弃酒吧）成为 （4）（2为完整的推导），其中的两个组成部分控制和是 当：当以被证明的时间最优控制策略便取得成功。其中是最后时间。卡尔马 - 纳吉2解决了确保时间最优运动轨迹的问题被认为是平等的，但没有任何障碍。三、SAHRAEI'S算法sahraei1提出了一种轨迹生成算法是以2的结果为基础。该算法是有区别的从卡尔马纳吉的两个属性：实时算法轨迹生成和避障。第一步是构建Voronoi图找到一个路径，以避免障碍。 Voronoi图是平面分割成n细胞的n个点。分区出这样每个细胞包含一个点，每一个点在一个特定的细胞是接近捕获点。后兴建的Voronoi图，起点和目标点，s和t添加到它连接这两点的对应边他们的顶点。然后是Dijkstra最短路径算法运行。所产生的路径是最短路径，其边缘在Voronoi图。两个B'ezier曲线用来寻找附近的一个方面造成路径的顺利初始路径最终条件。 一条B'ezier度曲线，n是代表n+1个控制点这条曲线通过和，然后相切于和。此外，它在于内部控制的凸壳点。让表示顶点的最短路径，分别表示s和t，。第一B'ezier曲线，P为，构建由，q，r，和，引入控制点q和r满足初始速度约束和连续性的斜坡在斜率为的曲线。第二B'ezier曲线构建。下面的公式描述边界条件： （10）图2显示了一个例子路径。 图2 导致两个Bezier曲线的平滑路径。第一个Bézier绿色曲线所示， 第二个是在1中用蓝色曲线显示。最后Sahraei分配一个速度的大小，每个点上产生的曲线。至实现这一点，试图找到一个函数：使得和满足以下动态约束： （11）其中，是采样时间间隔。请注意（11）变中量X，Y和t是由（2）得标准化值。对于最优的缘故计算不等式约束的左侧（11）接近1。找到，用于所有的n Sahraei衍生定义函数f： （12）通过以下方程求解得到。 （13）根据牛顿法得到和。（12）中的确保结果使得牛顿的方法不平等的左侧（11）低于但接近1。自第一步和，并依赖于以前的值可以计算。这是简单的。至计算，假设近似机器人的初始时间前的位置，定义 （14）这种方法同样适合Y.这种方法的主要缺点之一事实是没有存在的保证所有的n，以满足（13）在只有小错误前提下，。这主要是因为和受制于多项式。这个缺点会导致侵犯动态（4）约束。4、提出的算法本节提出了一种新算法避障全方位车辆实时轨迹生成。为了描述这个方法，让表示加速度，速度，对车辆的位置，分别在采样时nh。所有在本节中使用的变量是无量纲（2）扩展的变量。新算法使用一种基于Voronoi图和B'ezier的曲线生成的参考轨迹，作为Sahraei。Sahraei的算法的一个问题是，它没有这样做任何计算，以确保该B'ezier曲线错过障碍。本文要解决这个问题，确保凸壳构造的B'ezier控制点曲线不包含任何障碍。该算法还处理速度和加速度在采样离散时间系统的机器人.然而，计算加速度满足最佳条件（7）反对，Sahraei的计算定位。集所有这些加速度表示为（15）如果已经给出，（15）也可以写为（16）它保证满意（7），而Sahraei算法只有左侧方程接近1。它也简化了的价值一个变量加速度。几何图中是一个以中心，半径为1的圆圈。在这个算法中，假设按照机器人恒定加速度的运动方程与时间间隔。一旦确定，速度在下次采样时间的位置计算运用恒定加速度的方程：在我们考虑的问题中，是最初定。因此是完全由（16）中确定。一旦被确定，等等，都在（17）（18）中得到应用。因此，我们只需要找到所有n中 以完成运动规划机器人，由一组表示。我们也可以概括，给当我们计算在。（18）式可以改写为两个向量的总和 （19）其中在中给出，已知，由知，所有和对应，由以下给出 （22） 几何图形中，可以被解释为以图3（a）中以为中心，半径为的圆。和预计生成B'ezier的交点曲线满足最优条件（7）。我们将选择从当前位置交集，因为这进一步提供了一个较短的运行时间（见图3（a）条）（a） 参考轨迹上的 （b）扩大的 图3. 从的参考轨迹得到的几何图形.p是被定义最接近的参考轨迹,在现实中，加速不能保持恒定在样本间隔，因为在所有的动态约束（4）经营倍。也就是说，即使保证满意在，速度变化的最佳条件（7）由于在采样间隔和将违反的动态约束。为了解决这个问题，我们提供的封闭形式的解析解，服从在任何时候都动态约束如下。在条件下的约束经营 是其中 （25）假设是固定在采样间隔，速度和位移可由以下封闭方程得出速度和位置一个二阶泰勒级数用于小的时间间隔，h，在年底产生表达的立场采样间隔（28）这是确切的表达和（22）的相同的方程。也就是说，确切的封闭形式的解决方案是相同的，二阶，为常数的假设加速。假设参考路径计划相交的路径，对于所有的n，我们只需要找到的对应到车辆的运动规划。然而，一个真正的系统和大型parh曲率的噪音可能会导致错过的路径。在这种情况下，另路径下面的启发式是必需的。该算法分为分为两种模式，取决于是否相交参考路径或不相交参考轨迹（IR）和出的参考轨迹（OR）。A、IR模式在IR模式，对应到计算计算效率的方法。首先，我们定义点在Bezier曲线，p这是最接近为所示图. 3（a）。计算p，我们引入函数f： （29） 表示参数，最大限度地减少： （30）的计算方法是最陡下降或牛顿算法使用回溯线搜索。则p是由： （31）图3（a）中的Bezier曲线内圆可以被认为是线段，其中斜坡是在P的切线的斜率，时间间隔h是足够小。因此，我们可以近似的交点点之间的圆和直线段。设表示切线的斜率： （32） 看几何图形3（b）中的p，和，由以下给出： （33） 其中可以运用法律的正弦计算 （34）是向量的方向角。B、OR 模式目前在实际系统中的噪音，高效的交代路径下面的启发式。来形容这方法，我们介绍两个方面：和。 被定义和P之间的距离。由定义从目前的机器人，标题的角度差在P的切线斜率（见图3（a）项）。反馈控制是这样设计的机器人同时使小，接近参考轨迹。因此，我们使用PID转向控制 （35）其中是机器人的标准偏离： （36）加速度的角度产生在符合成本效益的方式，可以计算出所需的。图4和加速框架的关系。从（16），是一个以中心半径为1。重写（17），加速表示两个向量的总和： （37）已知的向量方向是。其他矢量取决于。如果我们选择了圆上一些点作为，然后从尖.到将是的角度是。由于所需的确定，向量之间的交点圆确定在加速。何时交叉口的数量是两个，更长的选择，使运行时间较小。是界内当载体的一角是外圈。由被定义的当数的交点就是其中之一。所以： （38） 图4.的几个图形图4中表示为： （39）其中，可以通过使用正弦规律： （40）请注意，是一个有符号的角度，所以确定。方程（35）可写为（41）（38），（39），（40）。 (41) (42)为了满足避障，最大应该比障碍物的最短距离预的生成B'ezier曲线。对于计算效率，测量的最小距离为最小距离从障碍控制的B'ezier曲线点。五、数值模拟本节提供的仿真结果表明改进轨迹生成和控制的建议算法在旅行时间方面，满意度的动态相比Sahraei的约束，流畅的运动控制算法。此外，他们表明了该算法的鲁棒性。图5显示了用于模拟课程。红色圆圈表示的障碍。最初和最后的条件：给出的采样时间间隔h: (46)特征变量是由:(47)图5。在参考不同的算法产生的轨迹轨迹（大胆的黑色曲线）。参考轨迹由B'ezier曲线构造为控制点大胆的黑色曲线图和说明。 (48)模拟Sahraei的算法已经做了相同的参数上面和。两个种的轨迹生成根据除了噪音。没有开环轨迹产生噪声采用两种不同的算法：提出算法和Sahraei算法。闭环由该算法产生噪声的轨迹。参考轨迹产生足够光滑，包含了部分对于所有的n的轨迹。因此，在模拟的算法，只有红外逻辑用于开环轨迹，同时结合红外和用于闭环轨迹。由此产生的闭环轨迹显示在图5的噪声鲁棒性。为蓝本的噪声为白噪声幅度0.05 m和实际位置。仿真结果表一列出了导致最后的时间，由提出的算法大大缩短相比Sahraei的算法。表中，交叉跟踪误差线正常路径的距离被定义为通过车辆的位置。 sahraei的算法导致违反了动态约束（4）。我们可以看到，该超过图6（f）边界条件1。 上另一方面，算法1每一个样品的时间间隔，如图 6（d）和6（E）。在此外，该算法生成平滑的控制和和速度和比Sahraei的算法如图 6（a）项，第6（b），6（G）和6（H）。六、结论本文提出了一种无碰撞的实时运动全方位移动机器人的规划算法。它已被证明是机器人计划的议案1计算有效的方式，以满足避障以及作为鲁棒性，算法导致旅行时间短。数值模拟表明相比Sahraei的运动规划改善算法。 （一）通过红外和。 （二）通过红外光谱和OR（噪声）和。 （三）和的Sahraei。 （四）通过红外光谱。 （五）通过红外光谱和OR（噪声）。（六）由Sahraei。 （七）和通过红外光谱。（八）和通过红外光谱和OR（噪声）。（十）由Sahraei 和。图6。由该算法和Sahraei算法得到的结果。表1模拟结果方式（4）的反抗%红外无噪音3.666700红外光谱与噪音3.466700.0018Sahraei无噪音13.266731.910参考文献1A. Sahraei，MT Manzuri，议员勒兹万，M. Tajfard和学Khoshbakht的的，“移动机器人实时轨迹生成，”第十届为人工智能（AIIA2007）的2007年9月10-13日，意大利协会代表大会。2卡尔马纳吉吨，安德烈德河，甘古利平，“近最优动态轨迹生成和全方位的车辆，控制“机器人和自主系统，第46卷，第1号，1月31日2004年，第47-64页（18），爱思唯尔。3 Balkcom和梅森，M.的时间最优，“轨迹为界差速驱动机器人，“IEEE国际会议上机器人与自动化（所有权00），P。 2499 - 2504，2000。4荣格，垫片，H。，金，H.金，研究，“微型全向移动机器人OmniKity我（确定我），“国际会议机器人与自动化，。 2686年至2691年，1999年。5摩尔，吉隆坡和FLANN，生理盐水，“的多层次的任务分解一个全方位，方法，路径规划与控制自主移动机器人，智能“国际研讨会控制/智能系统和符号学，。 302-307，1999年。6黄文红，Fajen，商业登记，芬克，JR，沃伦，WH，“视觉使用转向潜在功能的导航和避障“机器人和自主系统，第一卷。 54，第4页。 288-299，282006年4月。7哈姆纳，B，辛格，学，舍雷尔，硒，“学习避障参数从操作行为，“特刊上的机器学习基于机器人在非结构化环境中，场机器人，第一卷。 23，11/12，P。 1037年至一零五八年，2006年12月。8黄禹锡，C，张，L“轨迹跟踪和避障轿车般的移动机器人智能空间，使用混合H2= H¥分散控制，“机电一体化，IEEE/ ASME标准的交易，卷。 12日，第3期，P。 345-352，2007年6月 2009 American Control Conference Hyatt Regency Riverfront, St. Louis, MO, USA June 10-12, 2009 13Obstacle Avoiding Real-Time Trajectory Generation and Control of Omnidirectional VehiclesJi-wung Choi, Renwick E. Curry and Gabriel Hugh ElkaimAbstractIn this paper, a computationally effective,trajectorygeneration algorithm of omnidirectional mobile robots is proposed. The algorithm plans a reference path based on Bezier curves, which meet obstacle avoidance criteria. Then the algorithm solves the problem of motion planning for the robot to track the path in a short travel time while satisfying dynamic constraints and robustness to noise. Accelerations of the robot are computed such that they satisfy the time optimal condition for each sample time interval. The numerical simulation demonstrates the improvement of trajectory generation in terms of travel time, satisfaction of dynamic constraints and smooth motion control compared to previous research.I. INTRODUCTIONMany researchers have worked on vehicle motion planning. The form of the vehicle includes car-like, differential drive, omni-directional, and other models. Balkcom 3 developed the time optimal trajectories for the bounded velocity model of differential drive robots. Jung 4 and Moore 5 dealt with omnidirectional vehicles; the control strategy employed by these papers consists of building a geometric path and tracking the path by using feedback control. Huang 6 proposed an approach to vision-guided local navigation for nonh lonomic robot based upon a model of human navigation. The approach uses the relative headings to the goal and to obstacles, the distance to the goal, and the angular width of obstacles, to compute a potential field. The potential field controls the angular acceleration of the robot, steering it toward the goal and away from obstacles. Hamner 7 maneuvered an outdoor mobile robot that learns to avoid collisions by observing a human driver operate a vehicle equipped with sensors that continuously produce a map of the local environment. The paper describes implementation of steering control that models human behavior in trying to avoid obstacles while trying to follow a desired path. Hwang 8 developed the trajectory tracking and obstacle avoidance of a car-like mobile robot within an intelligent space via mixed H2=H￥ decentralized control. Two CCD cameras are used to realize the position of the robot and the position of the obstacle. A reference command for the proposed controller of the robot is planned based on the information from these cameras.J. Choi is a Ph.D. candidate in Computer Engineering Department at the University of California, Santa Cruz, 95064, USA.jwchoisoe.ucsc.eduR. Curry is an Adjunct Professor in Computer Engineering Department at the University of California, Santa Cruz, 95064, USA.rcurryucsc.eduG. Elkaim is an assistant professor in Computer Engineering Department at the University of California, Santa Cruz Santa Cruz, 95064, USA. elkaimsoe.ucsc.edu This paper focuses on two papers: Kalmar-Nagy 2 and Sahraei 1. Kalmar-Nagy 2 has proposed a minimum time trajectory generation algorithm for omnidirectional vehicles, that meets dynamic constraints, but no obstacles are considered. A near-optimal control strategy is shown to be piecewise constant (bang-bang type) in the paper. Sahraei 1 has presented a motion planning algorithm for omnidirectional vehicles, based on the result of 2. The paper has claimed that the algorithm satisfies obstacle avoidance as well as time optimality given in discrete time system.The paper shows that Sahraeis algorithm is problematic. To resolve the problems, a new motion planning algorithm for omnidirectional vehicles is proposed, which also satisfies obstacle avoidance and dynamic constraints in a discrete time system. The numerical simulations provided in this paper demonstrate a better solution to the problem of motion planning by the proposed algorithm than Sahraeis. The paper is organized as follows. Section II describes dynamic constraints of the robots based on the result of 2. In section III, Sahraeis algorithm 1 is introduced. Section IV proposes the new algorithm. Finally, a numerical simulation is presented in Section V.II. DYNAMIC CONSTRAINTS OF THE OMNIDIRECTIONAL VEHICLEFig. 1(a) shows the bottom view of an omnidirectional vehicle that consists of three wheels. This type of vehicle is able to move in any direction and spin as it moves. Kalmar-Nagy described a model that relates the amount of torque available for acceleration to the speed of the three wheeled omnidirectional vehicle 1. This section is based on the results of 2.(a) Bottom view 2 (b) Geometry 2Fig. 1. The omnidirectional vehicleIt is shown that the drive velocities are defined as linear functions of the velocity and the angular velocity of the robot:where L is the distance of the drive units from the center of mass of the robot, vi are the individual wheel velocities, q is the angle of counterclockwise rotation (See Fig. 1(b). New time and length scales are introduced:to normalize x, y, and t to the nondimensional variables （3）The constants a and b are determined by the motor character. Umax is the maximum value of the voltage applied to the motor, and m is the mass of the robot. Then the constraint of the robot (after dropping the bars) becomes （4）(see 2 for the full derivation), where the two components of control qx(t) and qy(t) are It has been shown that the time-optimal control strategy is achieved whenwhere t f is the final time. Kalmar-Nagy 2 solves the problem of time-optimal motion trajectory by ensuring the equality, but no obstacles are considered.III. SAHRAEIS ALGORITHMSahraei 1 proposed a trajectory generation algorithm based on the results of 2. The algorithm is differentiated from Kalmar-Nagys algorithm by two properties: real-time trajectory generation and obstacle avoidance. The first step is to construct the Voronoi diagram to find a path that avoids obstacles. Voronoi diagram is the partitioning of a plane with n points into n cells. The partitioning is made such that each cell includes one point and every point in a given cell is closer to the captured point. After constructing the Voronoi diagram, the start and target points, s and t are added to it with corresponding edges which connect these two points to their cell vertices. Then Dijkstras shortest path algorithm is run. The resulting path is the shortest path whose edges are in the Voronoi diagram. Two Bezier curves are used to find a smooth path near the resulting path with regards to initial and final conditions. A Bezier Curve of degree n is represented by n+1 controlThe curve passes through P0 and Pn and is tangent to P0P1 and Pn􀀀1Pn. Also, it lies within the convex hull of control points. Let p0; p1; : : : ; pn denote the vertices of the shortest path and p0, and pn denote s and t, respectively. The first B´ezier curve, Pa(l) for l 2 0;1, is constructed by p0, q, r, and p1, where control points q and r are introduced to satisfy slope of initial velocity constraint and continuity ofcurve and its slope in p1. The second B´ezier curve Pb(l) is constructed by Following equations describe boundary conditions: (10)Fig. 2 shows an example of the paths.Fig. 2. A smooth path resulted from two Bezier curves. The first Bezier curve is illustrated in green and the second one is shown in blue 1.Finally Sahraei assigned a velocity magnitude to each point on the generated curve .to implement this, the paper tried to find a function 0;1 such that X(a(t) and Y(a(t) satisfy the following dynamic constraint （11） where h 2 R+ is the sample time interval. Note that the variables X, Y, and t for (11) are normalized values by (2). For the sake of optimality a(t) was calculated such that the left side of the inequality constraint (11) approaches 1. To find ln , a(nh) for all ns Sahraei used derivative approximations to