圖片來源：Pixabay/CC0公共領(lǐng)域

如果你曾經(jīng)在亞馬遜上訂購過產(chǎn)品，那么很有可能是機器人從貨架上選擇了你購買的產(chǎn)品，讀取條形碼并將其送到柜臺進行包裝。希望它在途中沒有與人類工人相撞，沒有迷失方向。

現(xiàn)在這種情況發(fā)生的幾率已經(jīng)縮短，南澳大利亞大學(xué)的研究人員開發(fā)了一種算法，幫助機器人避免撞上人類和其他移動障礙物。

南澳大學(xué)機電一體化工程講師Habib Habibullah博士及其同事建立了一個計算機模型，確保移動機器人能夠識別并避開意外的障礙物，找到通往目的地的最快速和最安全的路徑。

在發(fā)表于《現(xiàn)場機器人學(xué)雜志》的一篇新論文中，Habibullah博士描述了他的團隊如何結(jié)合現(xiàn)有算法的最佳元素，實現(xiàn)能夠調(diào)整其速度和轉(zhuǎn)向角度的無碰撞TurtleBot。

Habibullah博士說："移動機器人有兩種路徑規(guī)劃策略，取決于它們是在固定環(huán)境中使用，還是在遇到移動障礙物（如人類或機器）時使用。第一種相當容易編程，但第二種更具挑戰(zhàn)性。"

市場上有幾種算法試圖解決機器人與移動物體碰撞的問題，但沒有一種算法是萬無一失的。

南方大學(xué)的研究人員將他們的模型與兩種常見的在線防撞算法--動態(tài)窗口法（DWA）和人工勢場（APF）--進行了測試，發(fā)現(xiàn)他們的模型取得了勝利。

在九個不同場景的一系列模擬中，他們比較了碰撞率、到達目的地的平均時間和機器人的平均速度。

在每個場景中，UniSA設(shè)計的算法都幫助機器人成功地瀏覽了一條沒有任何碰撞的路徑。相比之下，DWA模型的效率只有66%，在9次模擬中，有3次與物體發(fā)生碰撞。APF模型也沒有發(fā)生碰撞，但需要更多的時間才能到達目的地。

Habibullah博士說："我們提出的方法有時需要更長的路徑，但它更快、更安全，避免了所有碰撞。"他們的算法可以應(yīng)用于許多環(huán)境，包括通常使用機器人的工業(yè)倉庫，用于機器人采摘水果、包裝和造粒，還可以用于將食物從廚房送到餐桌的餐廳機器人。

UniSA設(shè)計的算法可以指導(dǎo)TurtleBot停止，轉(zhuǎn)彎，甚至在其路徑上遇到任何東西時扭轉(zhuǎn)方向。

Habibullah博士說："這也可能是農(nóng)業(yè)機器人的一個潛在解決方案，例如自主割草機、用于作物監(jiān)控的地面機器人和自主除草機器人，在這些地方經(jīng)常有兒童、寵物和其他動物出現(xiàn)。"

通過整合改進的動態(tài)窗口方法和改進的跟隨間隙方法進行自主移動機器人的局部路徑規(guī)劃 發(fā)表在《野外機器人學(xué)雜志》上。