控制与决策  2019, Vol. 34 Issue (6): 1227-1233  
0

引用本文 [复制中英文]

李秀智, 龚月, 张祥银, 贾松敏, 梁兴楠. 一种室内移动机器人自主探索方法[J]. 控制与决策, 2019, 34(6): 1227-1233.
[复制中文]
LI Xiu-zhi, GONG Yue, ZHANG Xiang-yin, JIA Song-min, LIANG Xing-nan. An autonomous exploration method for an indoor mobile robot[J]. Control and Decision, 2019, 34(6): 1227-1233. DOI: 10.13195/j.kzyjc.2017.1358.
[复制英文]

基金项目

北京市教育委员会科技计划面上项目(KM201510005005);北京工业大学智能制造领域大科研推进计划项目(040000546317552);北京工业大学日新人才计划支持项目(2015-RX-L03)

作者简介

李秀智(1979-), 男, 副教授, 博士, 从事计算机视觉与机器人导航定位等研究, E-mail: xiuzhi.lee@163.com;
龚月(1990-), 男, 硕士, 从事室内移动机器人自主导航的研究, E-mail: 305555309@qq.com;
张祥银(1986-), 男, 讲师, 博士, 从事智能控制的研究, E-mail: xy_zhang@bjut.edu.cn;
贾松敏(1964-), 女, 教授, 博士, 从事智能服务机器人的研究, E-mail: jsm@bjut.edu.cn;
梁兴楠(1990-), 男, 硕士生, 从事视觉伺服控制的研究, E-mail: 2464735421@qq.com

通讯作者

李秀智, E-mail: xiuzhi.lee@163.com

文章历史

收稿日期:2017-10-14
修回日期:2018-01-16
一种室内移动机器人自主探索方法
李秀智 , 龚月 , 张祥银 , 贾松敏 , 梁兴楠     
1. 北京工业大学 信息学部,北京 100124;
2. 北京工业大学 数字社区教育部工程研究中心,北京 100124
摘要:研究室内未知环境下的移动机器人自主探索问题, 并提出改进策略.首先, 提出一种基于可通行区域的探索目标点快速提取方法, 以补充原有方法在特殊环境结构下出现的提取探索目标点失败的缺陷; 然后, 提出一种基于激光数据和栅格地图信息的实时拓扑地图构建与优化方法, 使得探索地图更加精简, 探索过程更加高效; 最后, 通过改进的避障模块实现机器人的运动控制, 以到达机器人安全探索的目标.同时, 该系统采取机器人操作系统(Robot operating system, ROS)下的分布式结构, 将整体算法合理分配到客户端和服务器, 降低系统实现的硬件要求.现场实验表明, 所提出方法具有良好的自主导航性能, 在较复杂的室内未知环境下, 仍能保持良好的地图构建能力和避障能力.
关键词自主探索    拓扑地图优化    目标点提取    避障    机器人操作系统分布式结构    移动机器人    
An autonomous exploration method for an indoor mobile robot
LI Xiu-zhi , GONG Yue , ZHANG Xiang-yin , JIA Song-min , LIANG Xing-nan     
1. Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China;
2. Engineering Research Center of Digital Community, Ministry of Education, Beijing 100124, China
Abstract: This paper mainly studies the problem of autonomous exploration of mobile robots under indoor unknown environment, and proposes an improved strategy. Firstly, a method is proposed to extract the target point based on the accessible area to supplement the defects of the original method in the special environment structure. Then, a real-time topology map construction and optimization method based on laser data and grid map information is proposed, which makes the exploration map more streamlined and the exploration process is more efficient. Finally, the improved obstacle avoidance module is used to achieve the robot's motion control and reach the goal safetly. At the same time, the system adopts the distributed structure under robot operating system (ROS), allocates the whole algorithm to the client and the server reasonably, and reduces the hardware requirement of the system. Field experiments show that the proposed method has good performance, and offers advantages with respect to map building and obstacle avoidance in complex and unknown indoor environment.
Keywords: autonomous exploration    topologic map optimization    extraction of targets    obstacle avoidance    ROS distributed structure    mobile robot    
0 引言

随着科学技术的深入发展, 自主移动机器人的研究越来越受到社会的关注和认可.自主移动机器人已被广泛地应用于农业[1-2]、工业[3]、军事[4]、医疗[5]以及日常生活[6]中.室内未知环境下的自主探索是室内机器人的关键功能之一, 在自主探索的过程中, 机器人需通过感知环境来获取一系列的局部目标点, 进而指导机器人遍历环境.几乎所有的机器人探索策略均可被简化为一个生成最佳探索目标点和运动到该目标点的过程[7].文献[8]利用混合整数线性规划模型(MILP)对自主探索的目标点进行最优求取; 文献[9]利用随机增长树(RRT)的方式进行了未知环境下的自主探索; 文献[10]从能耗损失的角度提出了一种探索目标的提取和评价策略; 文献[11]采用基于局部子目标和禁忌搜索的方法实现了机器人的自主导航.

另外一种较为常见的探索策略是在前沿处生成候选探索目标点[12-13], 然后通过效用函数评价当前候选目标点, 进而实现最优选择[14].现有的研究中, 通常借用数字图像处理技术在栅格地图上识别前沿区域.然而, 随着环境规模的增大, 在栅格地图上进行前沿检测和路径规划的计算量会剧增, 继而导致机器人探索效率显著降低.

作者所在研究团队的前期工作[15]中, 利用基于激光雷达数据的探索目标点提取算法和基于栅格地图的探索目标评价算法, 完成了机器人在未知环境下的室内混合地图[16]创建和自主探索任务.然而, 该方法在创建室内环境的拓扑地图时遇到了以下3个问题: 1)由于激光雷达的边缘效应[17]及特殊环境造成的前沿处“断点”提取失败, 降低了系统的适应性; 2)拓扑地图作为自主探索过程中的目标引导部分, 需要实时进行更新, 并且保证自主探索的高效性; 3)探索过程中可能会遇到各类障碍物, 避障模块的开发和集成将大大提升自主探索中的安全性.

本文针对以上3个问题, 提出一种具有较强适应性、高效性和安全性的自主探索策略.首先, 提出一种基于可通行区域的探索目标点提取和评价策略, 作为原有方法的一种补充, 可以解决由于激光数据前沿特征不明显而导致的无法提取探索目标点的情况.对于无法检测出前沿的周期, 寻找可通行区域并由远及近提取若干候选探索目标点并进行评价, 筛选出合格的探索目标点.然后, 对于已经生成的拓扑地图进行闭环检测和冗余节点剔除, 添加拓扑闭环, 精简拓扑结构, 提高探索效率.最后, 为保证机器人拥有应对各类障碍物的能力, 本文采用基于激光数据的人工势场法(VFF)[18]与分布直方图法(VFH)[19]相结合的避障策略[20], 通过现场实验表明, 该方法对于静态和动态的障碍物都表现出良好的规避效果.此外, 本文采用ROS机器人系统下的分布式结构, 使得系统的主体程序在个人电脑上运行时, 机器人本体上只运行数据采集和底层控制程序, 这样可大大减少机器人对于自身运算能力的要求, 分摊系统的运算开销, 进一步提高本文方法在室内未知环境下的可行性.

1 算法框图

本文中的地图为栅格-拓扑混合地图, 栅格地图层与拓扑地图层同步增量式更新, 算法框架如图 1所示.本文引入Google开源的Cartographer算法来解决定位和栅格地图(SLAM)构建问题.该算法利用采集到的激光数据来优化机器人位姿和创建栅格地图层, 并采用分支定界算法对栅格地图进行后端优化处理.在这里, 对该算法不作详细介绍, 详情可参见文献[21].

图 1 算法框架

图 1所示: SLAM功能模块通过订阅激光消息的话题获得实时的激光扫描数据, 在SLAM模块内部进行机器人位姿估计和栅格地图的创建; 探索模块根据机器人当前位姿、已知栅格地图和当前激光数据提取并评价当前位置下的探索目标点, 并对整体拓扑地图进行优化和更新; 避障模块根据当前目标点、机器人当前位置、当前障碍物分布规划出一条到达探索目标点的局部最优路径, 最后输出运动控制指令, 至此完成一个探索周期.

2 探索目标点的提取 2.1 基于前沿断点的探索目标点提取策略

对于探索目标点的提取问题, 作者所在团队的前期工作[22]采用了基于前沿断点检测的探索目标点提取策略(下文简称断点法).具体是将当前视野下的前沿分成A、B两类: A类前沿在传感器最大量程处, 且弧长大于移动机器人的宽度; B类前沿是由于障碍物遮挡而产生的断点, 该处相邻两激光数据的距离信息差值的绝对值大于一个安全阈值.

图 2简单示意了前沿断点法提取两类探索目标点的原理.其中:点LN分别表示“断点”处远端和近端的激光数据对应的两点坐标; 点M表示LN的中点坐标; Bd为点L与点N的距离一半; arc为以机器人为中心、M与机器人的距离为半径的一段圆弧.

图 2 前沿断点法原理示意

该方法可以快速提取出探索目标点, 但是在实际的室内未知环境下, 由于激光雷达的边缘效应与特殊环境因素(物体表面反光较为严重的情况), 依赖于相邻两个激光数据的距离信息的B类前沿很容易提取失败, 如图 3所示. 图 3(a)为理想状态下的断点法示意, 相邻的第n个和第n+1个激光数据由于拐角的墙壁遮挡产生了明显的数据“差异”, 形成“断点”, 依据前沿断点法, 探索目标点将被提取.在实际实验过程中(如图 3(b)), 机器人运行在一个长直走廊之中, 因正前方有墙壁, 激光数据未超过传感器最大量程, 故不存在A类前沿, 也不会生成A类探索目标点.走廊两侧有两处可探索的区域:开着的门和走廊尽头的拐角, 且均具有B类前沿特征.但是, 激光数据在两个“断点”处产生了异常点, 如图 3(c)中椭圆框出的部分(图 3(c)中每一个离散的点代表一个激光数据).前沿断点法在这种情况下无法正常提取探索目标点, 自主探索过程会因此而终断或进入错误的探索模式.

图 3 前沿检测异常及可通行区域探索目标提取法示意
2.2 基于可通行区域的探索目标点提取策略

针对上节提到的问题, 本文提出一种基于可通行区域的探索目标提取方法, 以补偿断点法的缺陷.该方法不再依赖单帧的激光数据进行“断点”检测继而提取目标点, 而是通过计算可通行区域并在该区域内提取多个候选探索目标点.同时, 由于概率栅格地图对于偶然性的激光数据异常具有较强的鲁棒性, 利用概率栅格地图对候选探索目标点进行评价与择优具有更高的可靠性.方法的具体实现如下.

1) 依据当前的激光数据提取安全的可通行区域(图 3(d)虚线围绕的部分).

2) 以该可通行区域的中心线方向的最远端为第1个候选目标点位置, 沿第1个候选目标点与机器人的连线, 间隔距离d生成另外一个候选目标点, 直至机器人当前位置.

3) 计算该中心线上所有候选探索目标点的信息增益A(p).本文在Gonzalez-Banos等[23]所提出的计算信息增益方法的基础上, 提出一种改进的方法来计算A(p)以减小计算量.方法描述如下:

3.1)如图 4所示, 将模拟的传感器感知区域分成若干个面积相等的扇形, 其对应的圆心角为β.

图 4 探索目标点信息增益计算示意

3.2)沿扇形中心线投射一条射线, 分别记录第1次进入未知区域时的线段长度r1和第1次遇见障碍物时的线段长度r2.其中r1r2的初始值相等, 且等于模拟传感器感知最大距离.

3.3)若r1小于r2, 则该扇形中未知区域的面积为0.5×(r22-r12β; 否则, 该扇形中未知区域的面积为0.所有扇形中未知区域的面积之和即为A(p).

此方法计算的A(p)为近似值, 通过减少投射感知射线数量的方式来减小计算量.在第3.1)步中, 若划分的扇形越多, 则A(p)越接近真实值.

4) 评价所有候选探索目标点, 剔除评价结果小于阈值的候选点.评价函数的具体形式如下:

(1)

其中: A(p)表示该目标点处的信息收益, Lp表示当前候选探索目标点与已有目标点之间的欧氏距离的最小值, dmin表示最小距离的阈值, θ表示当前目标点和当前位置的连线与机器人正方向夹角的绝对值, L1表示当前候选探索目标点与机器人当前位置之间的距离, k1k2是通过实验确定的参数. F(p)越大, 表示该目标点被探索的价值越大. F(p)小于阈值thre的候选探索目标点直接被剔除, 其余探索目标点将被保留.将两种提点方法结合之后, 整体提取探索目标点的算法流程如下.两种方法的实验对比将在5.2节给出.

算法1  探索目标点提取伪代码.

Start;

if current section exists then

  Exit;

T← Extract goals by frontier broken method.

if number of T < 0 then

  Exit;

Calculate entropy(T).

3 拓扑地图的建立与维护

拓扑地图是对环境结构信息的提取, 其表达方式更接近于人脑对环境信息的认知.因此, 较之栅格地图、几何地图等传统地图, 拓扑地图对于环境信息进一步地压缩和提取, 可有效降低在进行导航任务时的存储和计算消耗, 同时拓扑地图拥有更好的拓展性, 可以通过对“节点”增加属性(例如语义等)来拓展拓扑地图的应用范围.作者团队原有方法采用了“树”的方式描述拓扑地图, 从数据结构的层面导致了对于环形场景不能有效地描述环境的闭环特性, 特别在较大的、带环状结构的环境下会极大地影响探索效率.本文针对该缺陷作出了相应改进.

3.1 拓扑地图

本文中拓扑地图由拓扑节点及边组成, 以加权无向图[24]的数据结构进行存储, 邻接矩阵作为图的描述方法, 其中邻接矩阵的行和列分别代表拓扑节点的动态序号, 矩阵中的权值代表两节点之间的距离, 不可直接相连的两个拓扑节点之间的权值为无穷大.以邻接矩阵的方式存储拓扑地图, 便于在回溯过程中快速规划最佳全局路径.

3.2 拓扑节点的建立

如果机器人在某个位置成功提取出探索目标点, 则当前的机器人位置将被确定为一个候选拓扑节点.在一个拓扑节点中, 需包含机器人的位姿、探索目标点和动态节点序号, 局部拓扑节点V可定义为

(2)

其中: poser为优化后的机器人位姿; nid表示节点的动态序号, 对应邻接矩阵上的行或者列; Pc表示当前节点的候选目标点集合, 即

(3)

Pc中的每个元素pi可扩展为

(4)

其中: position是该目标点的全局位置, F是该目标点的评价值.

当生产一个候选节点后, 将该候选节点添加到拓扑地图中, 下一时刻机器人将要前往的目标点则为该拓扑节点下评价值F最高的探索目标点.

3.3 拓扑地图的动态维护

在拓扑地图的更新过程中, 为保证机器人顺利且高效地完成环境遍历、获取完整的拓扑地图, 需要对拓扑地图进行冗余节点的剔除和拓扑结构闭环检测.针对这两个问题, 本文将分别提出具体的优化方法.

3.3.1 拓扑地图冗余节点剔除

拓扑地图的拓扑节点包含了机器人在探索过程中的环境信息, 一个有价值的拓扑节点应有效地指导机器人导航, 高度提炼地图信息.本文对于冗余节点的剔除策略主要分为以下两个规则:

规则1:将拓扑地图原点设定为起始节点a, 检测与a直接相连的所有节点B={b1, b2, ...}, 对于B中的每一个元素bi, 计算与之直接相连的除a点外的所有节点, 记为Cbi={c1, c2, ...}.在栅格地图上, 检测Cbi的每个元素ci与起始节点a的连通性, 检测方法为Ray-traversal.若ci与a不可直线连通, 则bi节点将被保存.当B中所有元素检测完毕之后, 将起始节点设置为下一个节点, 继续迭代.

规则2:如果某节点下存在未到达的探索目标点, 则保存该节点.

对于以上两条规则均不满足的节点, 定义为冗余节点, 将该节点从拓扑地图中删除.

算法2将给出规则1和规则2的程序化描述.

算法2  拓扑地图简化伪代码.

Start;

for each vertices i in topology map do

  a=i; B= adjacency vertices of a;

  for each bi in B do

    C= adjacency vertices of bi but a;

    for each ci in C do

      if obstacle detected between ci and a on

        grid then

        Save vertices bi; break;

    If bi have unexplored goals then

      Save vertices bi; Break;

    Insert edge between a and ci with weight;

    Remove vertex bi;

  i++.

3.3.2 拓扑地图闭环检测

对于存在闭环的场景, 需要对拓扑地图进行闭环检测, 以便建立更加合理的拓扑地图, 为后续导航工作获取最佳导航路径.本文拓扑地图的闭环检测根据以下3条规则确定:

规则1:节点A与节点B的id序号之差大于阈值Δid.

规则2:节点A与节点B可以直线到达, 距离记为D(A, B).

规则3:节点A与节点B根据已有的拓扑地图计算出一条可达且最短的拓扑路径, 长度为T(A, B), 且满足D(A, B) < k× T(A, B), k为比例系数, 本文取k=1.5.

以上3个条件满足之后, 便可在节点A与节点B之间添加一条边, 拓扑地图完成一次闭环.

3.3.3 拓扑地图整体流程

本文引入两种探索策略, 分别为探索模式(Exploration mode)和回溯模式(Backtrack mode), 这两种模式在移动机器人自主探索的过程中自动切换.自主探索算法流程如图 5所示.

图 5 自主探索整体流程

当前节点存在探索目标点时, 机器人工作在探索模式以探索未知环境.选择评价函数值最大的探索目标点作为当前目标点, 探索算法流程如图 5左侧点划线框所示.在探索过程中, 每行进一定步长或者到达目标点处, 采集新的激光数据, 然后开始下一次探索.

若当前节点没有探索目标点且已到达上一时刻选出的目标点, 则系统将切换到回溯模式以遍历未知环境, 具体流程如图 5右侧虚线框所示:若全局拓扑地图中存在未探索的目标点, 则将距离机器人最近且含有未探索目标点的节点设为目标节点; 否则, 将初始节点设置为目标节点, 并利用Dijkstra's算法选择一条到达该节点处的最短路径(第5.3节将有实际对比实验).

4 自主避障算法

依据激光传感器的特性, 自主避障部分采取联合的基于激光雷达的矢量场直方图法(VFH)和人工势场法(VFF).具体方法详见文献[20].

主体控制流程分为以下3个步骤(见图 1): 1)避障策略选择器.根据当前障碍物的分布选取避障策略:当障碍物距离机器人较近时, 采取VFF方法进行紧急避障; 当障碍物较远或者没有障碍物时, 采用VFH的方法进行局部路径规划. 2)根据上一步中所选的避障策略, 利用对应的方法计算下一时刻机器人行进方向. 3)通过速度平滑器, 结合当前时刻机器人的状态和下一时刻机器人的行进方向, 计算出下一时刻的机器人速度.

5 实验结果 5.1 基于ROS分布式的实验平台

实验硬件为实验室自主搭建的移动机器人平台和笔记本电脑.机器人实物如图 6所示, 其核心处理器为一块单板电脑, CPU型号为Intel赛扬J1900, 主频为2 GHz, 四核, RAM为2 GB, 同时配备有URG-10LX激光测距仪, 其扫描范围为270^º, 水平安装在移动机器人顶部.笔记本电脑CPU型号为Intel酷睿i5-4258U, 主频为2.4 GHz, 四核, RAM为4 GB.

图 6 基于ROS的分布式系统结构

ROS设计的灵魂就在于其分布式计算.一个优秀的节点不需要考虑在哪台机器上运行, 它允许实时分配计算量以最大化地利用系统资源.在本文系统中, 运算开销较大的模块为SLAM、自主导航、避障及人机交互模块.在机器人端运算资源有限的情况下, 将以上几个模块运行在以笔记本电脑为核心的服务器端优势明显, 而机器人作为客户端则主要进行传感器数据采集、电机控制等基础功能. 表 1是两种结构下各运算平台的CPU平均占有率, 采取分布式结构有利于在不提高机器人硬件配置的情况下, 运行更多更复杂的算法, 提高机器人的实用性.

表 1 不同结构下硬件占有CPU占有率对比
5.2 探索目标点提取实验

为了验证第2节中的探索目标点提取策略的有效性, 在走廊环境中进行两组探索目标点提取实验.

图 7(a)左侧为实景图, 此时“断点法”失效, 利用本文的可通行区域法进行提取; 图 7(a)中间图为利用本文方法提取到的所有候选探索目标点; 图 7(a)右侧图片为经过筛选后得到的最终探索目标点. 图 7(b)左图为机器人从图 7(a)位置继续前进后的位置, 此时利用“断点法”成功检测出了探索目标点, 如图 7(b)右图所示.

图 7 探索目标点提取实验
5.3 实际场景下的自主探索实验

为了验证本文方法的整体可行性, 采用第5.1节中的实验硬件平台, 实验场景为作者所在办公室的楼层走廊, 同时在走廊中设置3个锥形路标作为静态障碍物.为了进行实验比对, 先后利用本文方法和本研究团队原有方法在同一场景下进行未知环境下的自主探索实验, 图 8为利用本文方法进行自主探索的实时探索情况截图, 图 9(a)为本文方法的最终拓扑地图结果, 图 9(b)为原有方法的拓扑地图创建结果.

图 8 室内未知环境下的自主探索实验
图 9 拓扑地图对比

对比图 9(a)图 9(b)中两个虚线方框位置, 原有方法未考虑拓扑地图的闭环问题, 因此, 在方框位置分别出现了拓扑路径的“断裂”和“冗余”情况, 这样的情况会降低探索效率, 同时影响拓扑地图对于环境信息完整表达.将图 9(b)中两个虚线椭圆位置与图 9(a)中进行对比可知, 本文方法对于拓扑地图的简化较原有方法也有了提高, 拓扑地图中仅保留了“有效”节点, 冗余节点在最终的拓扑地图中得到了剔除.

6 结论

本文系统地研究了室内未知环境下的移动机器人自主探索的问题, 借助于ROS的分布式架构保证了算法的实时性和高效性.完成了Explore和Avoid两个“节点”的编写, 同时将SLAM功能包Cartographer融入整体系统中, 实现了最终的自主探索算法.本文提出的基于可通行区域的探索目标点提取方法弥补了前沿断点法的短板.在拓扑地图更新方面, 结合栅格地图信息和激光雷达数据, 对拓扑地图进行了简化和闭环检测, 同时, 在局部路径规划方面运用基于激光数据的VFF与VFH相结合的策略, 实现了快速避障.在移动机器人自主探索的过程中, 移动机器人无需停顿, 可连贯探索直至遍历完实验环境.实验结果验证了本文方法的可行性与有效性.

参考文献
[1]
Hajjaj S S H, Sahari K S M. Review of research in the area of agriculture mobile robots[M]. Singapore: Springer, 2014: 107-117.
[2]
Hassan M U, Ullah M, Iqbal J. Towards autonomy in agriculture: Design and prototyping of a robotic vehicle with seed selector[C]. IEEE Int Conf on Robotics and Artificial Intelligence. Shanghai, 2017: 201-211. https://www.researchgate.net/publication/311912288_Towards_Autonomy_in_Agriculture_Design_and_Prototyping_of_a_Robotic_Vehicle_with_Seed_Selector
[3]
Haddadin S. Towards the robotic co-worker[M]. Berlin Heidelberg: Springer, 2014: 261-282.
[4]
Barnes M J, Chen J Y C, Jentsch F, et al. An overview of humans and autonomy for military environments: Safety, types of autonomy, agents, and user interfaces[C]. Int Conf on Engineering Psychology and Cognitive Ergonomics. Las Vegas, 2013: 243-252. https://link.springer.com/chapter/10.1007%2F978-3-642-39354-9_27
[5]
Hannaford B, Rosen J, Friedman D W, et al. Raven-Ⅱ: An open platform for surgical robotics research[J]. IEEE Trans on Biomedical Engineering, 2013, 60(4): 954-959. DOI:10.1109/TBME.2012.2228858
[6]
Gai S, Jung E J, Yi B J. Mobile shopping cart application using kinect[C]. Int Conf on Ubiquitous Robots and Ambient Intelligence. Jeju, 2013: 289-291.
[7]
武二永, 项志宇, 沈敏一, 等. 大规模环境下基于激光雷达的机器人SLAM算法[J]. 浙江大学学报:工学版, 2007, 41(12): 1982-1986.
(Wu E Y, Xiang Z Y, Shen M Y, et al. Robot SLAM algorithm based on laser range finder for large scale environment[J]. J of Zhejiang University: Engineering Science, 2007, 41(12): 1982-1986.)
[8]
Carlone L, Lyons D. Uncertainty-constrained robot exploration: A mixed-integer linear programming approach[C]. IEEE Int Conf on Robotics and Automation. Hong Kong: 2014: 1140-1147. http://borg.cc.gatech.edu/papers/375.html
[9]
Kakahaji E M H. NRR: A nonholonomic random replanner for navigation of car-like robots in unknown environments[J]. Robotica, 2014, 32(7): 1101-1123. DOI:10.1017/S0263574713001276
[10]
Mei Y, Lu Y H, Lee C S G, et al. Energy-efficient mobile robot exploration[C]. IEEE Int Conf on Robotics and Automation. Orlando: IEEE, 2006: 505-511. https://www.researchgate.net/publication/4246485_Energy-efficient_mobile_robot_exploration
[11]
雷小康, 刘明雍, 闫茂德, 等. 一种移动机器人的禁忌搜索自主导航算法[J]. 控制与决策, 2011, 26(9): 1310-1314.
(Lei X K, Liu M Y, Yan M D, et al. Tabu search based autonomous navigation algorithm for mobile robot[J]. Control and Decision, 2011, 26(9): 1310-1314.)
[12]
Dornhege C, Kleiner A. A frontier-void-based approach for autonomous exploration in 3d[C]. IEEE Int Symposium on Safety, Security, and Rescue Robotics. Linköping: IEEE, 2013: 351-356. http://www2.informatik.uni-freiburg.de/~ki/papers/dornhege_etal_ssrr11.pdf
[13]
Yamauchi B.A frontier-based approach for autonomous exploration[C]. Proc of the IEEE Int Symposium on Computational Intelligence in Robotics and Automation.Monterey, 1997: 146-151. http://robotfrontier.com/papers/cira97.pdf
[14]
Senarathne P G C N, Wang D, Wang Z, et al. Efficient frontier detection and management for robot exploration[C]. IEEE Int Conf on Cyber Technology in Automation, Control and Intelligent Systems. Nanjing, 2013: 114-119. https://core.ac.uk/display/23678658
[15]
Ge S S, Zhang Q, Abraham A T, et al. Simultaneous path planning and topological mapping (SP2ATM) for environment exploration and goal oriented navigation[J]. Robotics and Autonomous Systems, 2011, 59(3/4): 228-242.
[16]
贾松敏, 李雨晨, 王可, 等. RTM框架下基于分层拓扑结构的多机器人系统地图拼接[J]. 机器人, 2013, 35(3): 292-298.
(Jia S M, Li Y C, Wang K, et al. Map merging for multirobot systems based on hierarchical topology structure under RTM framework[J]. Robot, 2013, 35(3): 292-298.)
[17]
Przemysław Klapa, Bartosz Mitka. Edge effect and its impact upon the accuracy of 2d and 3d modelling using laser scanning[J]. Geomatics, Landmanagement and Landscape, 2017, 1(1): 25-33.
[18]
Borenstein J, Koren Y. Real-time obstacle avoidance for fast mobile robots[M]. Berlin Heidelberg: Springer, 1989: 1179-1187.
[19]
Borenstein J, Koren Y. The vector field histogram-fast obstacle avoidance for mobile robots[J]. IEEE Trans on Robotics & Automation, 1991, 7(3): 278-288.
[20]
Li X, Gong Y, Jia S, et al. VFHF: A combining obstacle avoidance method based on laser rangefinder[Z]. 2016.
[21]
Hess W, Kohler D, Rapp H, et al. Real-time loop closure in 2D LIDAR SLAM[C]. IEEE Int Conf on Robotics and Automation. Stockholm, 2016: 1271-1278.
[22]
李秀智, 邱欢, 贾松敏, 等. 基于动态精简式混合地图的移动机器人自主探索[J]. 控制与决策, 2017, 32(5): 817-822.
(Li X Z, Qiu H, Jia S M, et al. Mobile robot autonomous exploration based on dynamically simplified hybrid map[J]. Control and Decision, 2017, 32(5): 817-822.)
[23]
González-Baños H H, Latombe J C. Navigation strategies for exploring indoor environments[J]. Int J of Robotics Research, 2001, 21(10): 829-848.
[24]
萨尼. 数据结构、算法与应用[M]. 北京: 机械工业出版社, 2000: 253-298.
(Sartajsahni. Data structure, algorithm and implement[M]. Beijing: Machinery Industry Press, 2000: 253-298.)