跳至內容

避障 (機器人學)

維基百科,自由的百科全書

避障(obstacle avoidance)是機器人學中自動導航以及控制系統的重要概念。是機器人或自主系統可以偵測路徑上不能接觸、不能碰撞的特定位置(障礙英語Obstacle),並且繞過障礙以達到事先定義的目的地。此技術在工業自動化、自駕車、無人飛機其至太空船上都相當的重要。避障讓機器人可以在動態以及複雜的環境下安全及有效率的運作,減少碰撞以及破壞的風險。

機器人及自主系統要成功的在有障礙物的情形下導航,必須要可以偵測這些障礙物,這大部份會用感測器來進行,感測器送出的資料讓機器人可以處理周圍環境資訊,決定要怎麼走才能避開障礙物,並且利用致動器(或是其他機器人和環境互動的工具)執行這些決定[1]

作法

機器人或自主系統要實時進行避障決策的作法有幾種。其中包括有以感測器以基礎的作法、運動規劃演算法,以及機器學習技術。

感測器以基礎

利用感測器進行的避障避障

避障技術最常見的作法是配合許多的感測器,例如超音波光學雷達雷達聲吶以及攝影機。這些感測器讓自主系統可以進行三步驟的流程:感測、思考、行動。系統會取得不同物件的距離輸入,作法是將機器人周遭的資料提供給機器人,讓機器人偵測障礙物並計算距離。接著機器人就可以在維持計算路徑的前題下,小幅調整軌跡以繞過障礙物,大部份的避障應用程式可以實時完成這些步驟,並且以務實並且有效率的方式進行[1][2]

上述方式在大部份的情形下都有很好的效率。不過有些更先進的技術可以使用,適用於需要有效率的到達終點的應用。

A*路徑規劃演算法的例子

路徑規劃演算法

若要在避障的路徑規劃時,要進行最佳化。那麼路徑規劃演算法(Path Planning Algorithm)就很重要。此演算法考慮機機人的位置、目的地,以及環境中障礙的位置。演算法會取得相關資訊,產出附近位置的地圖資訊,以此找到要到特定目的地可能的最快路徑。這類演算法常用在迷宮應用以及自駕車中。流行的演算法有A*英語A*搜尋演算法(A-star)、戴克斯特拉算法以及快速搜索隨機樹英語Rapidly exploring random tree(RRT)。這些演算法可以讓機器人實時找到最快到達目的地,又不會碰到障礙的路徑[3]

機器學習技術

配合機器學習技術,避障可能使用的範圍就更廣了。自主機器利用人工智慧(AI),可以找到到達目地的路徑,也可以同時學習適應快速變化的環境。其作法是透過許多的測試策略來發現障礙以及環境的變更。給予AI任務,在任務正確完成時給予獎勵,久而久之,AI就可以學會以有效率並且有效果的方式完成任務。這讓機器可以瞭解其障礙物是什麼,並且找到一條有效率繞過障礙物的路,也讓機器有能力可以處理一些特殊的情形,像是水、山丘、高牆或是高溫等。這種使用AI的方式,讓自主機器可以依非常多有預期到或是非預期到的狀況來處理應對。這種避障特別適用於自主車輛,因為其避免了一些人為錯誤出現的可能性[4]

相關條目

參考資料

  1. ^ 1.0 1.1 Wang J, Herath D. What Makes Robots? Sensors, Actuators, and Algorithms. Herath D, St-Onge D (編). Foundations of Robotics: A Multidisciplinary Approach with Python and ROS. Singapore: Springer Nature. 2022: 177–203. ISBN 978-981-19-1983-1. doi:10.1007/978-981-19-1983-1_7 (英語). 
  2. ^ Discant A, Rogozan A, Rusu C, Bensrhair A. Sensors for obstacle detection-a survey.. 2007 30th International Spring Seminar on Electronics Technology (ISSE). IEEE: 100–105. May 2007. doi:10.1109/ISSE.2007.4432828. 
  3. ^ Véras LG, Medeiros FL, Guimaráes LN. Systematic literature review of sampling process in rapidly-exploring random trees.. IEEE Access. March 2019, 7: 50933–50953. Bibcode:2019IEEEA...750933V. S2CID 133481997. doi:10.1109/ACCESS.2019.2908100可免費查閱. 
  4. ^ Bachute MR, Subhedar JM. Autonomous Driving Architectures: Insights of Machine Learning and Deep Learning Algorithms. Machine Learning with Applications. December 2021, 6: 100164. S2CID 240502983. doi:10.1016/j.mlwa.2021.100164可免費查閱 (英語). 

外部連結

延伸閱讀

  • BECKER, M. ; DANTAS, Carolina Meirelles ; MACEDO, Weber Perdigão, "Obstacle Avoidance Procedure for Mobile Robots". In: Paulo Eigi Miyagi; Oswaldo Horikawa; Emilia Villani. (Org.). ABCM Symposium Series in Mechatronics, Volume 2. 1 ed. São Paulo - SP: ABCM, 2006, v. 2, p. 250-257. ISBN 978-85-85769-26-0