摘 要： 智能机器人是一个国家高科技发展水平的重要标志之一，具有广阔的应用前景。本文介绍了机器人的定义和发展阶段，阐述了智能机器人研究领域的关键技术，总结了国内外各类机器人的发展现状并给出相应实例，最后分析并展望了智能机器人今后的发展和研究趋势
机器人技术的发展是一个国家高科技水平和工业自动化程度的重要标志和体现。机器人在当前生产生活中的应用越来越广泛，正在替代人发挥着日益重要的作用。机器人技术是综合了计算机、控制论、机构学、信息和传感技术、人工智能、仿生学等多学科而形成的高新技术，集成了多学科的发展成果，代表高技术的发展前沿，是当前科技研究的热点方向。
随着计算机、微电子、信息技术的快速进步，机器人技术的开发速度越来越快，智能度越来越高，应用范围也得到了极大的扩展。在海洋开发、宇宙探测、工农业生产、军事、社会服务、娱乐等各个领域，机器人都有着广阔的发展空间与应用前景。机器人正朝着智能化和多样化等方向发展。同时，机器人涉及到的技术也不断扩展，如多传感器信息融合、路径规划、机器人
视觉、智能人机接口等，产生了一系列研究课题。
目前，国内外对机器人的研究不断深入，已经开发出各式各样的具有感知、决策、行动和交互能力的特种机器人和各种智能机器人，推出了各种样机，如移动机器人、微型机器人、水下机器人、军用机器人、服务娱乐机器人、仿人机器人等。对不同任务和特殊环境的适应性，是智能机器人与一般自动化装备的重要区别。智能机器人从外观上已远远脱离了最初的工业机器人所具有的形状和局限，更加符合各种不同应用环境的特殊要求，其功能和智能程度大大增强，从而为机器人技术开辟出更加广阔的发展空间。本文对智能机器人的关键技术及分类进行了综述和研究。
1 机器人的定义与发展简介
自机器人问世以来，人们就很难对机器人下一个准确的定义，欧美国家认为机器人应该是“由计算机控制的通过编程具有可以变更的多功能的自动机械”；日本学者认为“机器人就是任何高级的自动机械”，我国科学家对机器人的定义是：“机器人是一种自动化的机器，所不同的是这种机器具备一些与人或生物相似的智能能力，如感知能力、规划能力、动作能力和协同能
力，是一种具有高度灵活性的自动化机器。”目前国际上对机器人的概念已经渐趋一致，联合国标准化组织采纳了美国机器人协会于1979年给机器人下的定义：“一种可编程和多功能的，用来搬运材料、零件、工具的操作机；或是为了执行不同的任务而具有可改变和可编程动作的专门系统。”概括说来，机器人是靠自身动力和控制能力来实现各种功能的一种机器。
到目前为止，机器人技术的发展过程大致可以分为以下三个阶段：
第一代为可编程示教再现型机器人，其特征是机器人能够按照事先教给它们的程序进行重复工作。1959年美国人英格伯格和德沃尔制造的世界上第一台工业机器人就属于示教再现型，即人手把着机械手，把应当完成的任务做一遍，或者人用示教控制盒发出指令，让机器人的机械手臂运动，一步步完成它应当完成的各个动作；
第二代机器人（20世纪70年代）是具有一定的感觉功能和自适应能力的离线编程机器人，其特征是可以根据作业对象的状况改变作业内容，即所谓的“知觉判断机器人”；
第三代机器人（20世纪80年代中期以后）是智能机器人，这种机器人带有多种传感器，能够将多种传感器得到的信息进行融合，能够有效的适应变化的环境，具有很强的自适应能力、学习能力和自治功能。
智能机器人的研究在计算机技术、机器人技术和人工智能理论的推动下发展迅速，逐渐成为机器人技术的研究热点和主导方向。本文以下主要针对智能机器人进行论述。
2 机器人关键技术
随着社会发展的需要和机器人应用领域的扩大，人们对智能机器人的要求也越来越高。智能机器人所处的环境往往是未知的、难以预测的，在研究这类机器人的过程中，主要涉及到以下关键技术：
2.1 多传感器信息融合
多传感器信息融合技术是近年来十分热门的研究课题，它与控制理论、信号处理、人工智能、概率和统计相结合，为机器人在各种复杂、动态、不确定和未知的环境中执行任务提供了一种技术解决途径。机器人所用的传感器有很多种，根据不同用途分为内部测量传感器和外部测量传感器两大类。内部测量传感器用来检测机器人组成部件的内部状态，包括：特定位置、角度传感器；任意位置、角度传感器；速度、角度传感器；加速度传感器；倾斜角传感器；方位角传感器等。外部传感器包括：视觉（测量、认识传感器）、触觉（接触、压觉
、滑动觉传感器）、力觉（力、力矩传感器）、接近觉（接近觉、距离传感器）以及角度传感器（倾斜、方向、姿式传感器）。
多传感器信息融合就是指综合来自多个传感器的感知数据，以产生更可靠、更准确或更全面的信息。经过融合的多传感器系统能够更加完善、精确地反映检测对象的特性，消除信息的不确定性，提高信息的可靠性。融合后的多传感器信息具有以下特性：冗余性、互补性、实时性和低成本性。目前多传感器信息融合方法主要有贝叶斯估计、Dempster-Shafer理论、卡尔曼滤波、神经网络、小波变换等。
多传感器信息融合技术是一个十分活跃的研究领域，主要研究方向有：
2.1.1 多层次传感器融合
由于单个传感器具有不确定性、观测失误和不完整性的弱点，因此单层数据融合限制了系统的能力和鲁棒性。对于要求高鲁棒性和灵活性的先进系统，可以采用多层次传感器融合的方法。低层次融合方法可以融合多传感器数据；中间层次融合方法可以融合数据和特征，得到融合的特征或决策；高层次融合方法可以融合特征和决策，得到最终的决策。
2.1.2 微传感器和智能传感器
传感器的性能、价格和可靠性是衡量传感器优劣与否的重要标志，然而许多性能优良的传感器由于体积大而限制了应用市场。微电子技术的迅速发展使小型和微型传感器的制造成为可能。智能传感器将主处理、硬件和软件集成在一起。如Par Scientific 公司研制的1000系列数字式石英智能传感器，日本日立研究所研制的可以识别7种气体的嗅觉传感器，美国Honeywell公司研制的DSTJ23000智能压差压力传感器等，都具备了一定的智能。
2.1.3 自适应多传感器融合
在实际世界中，很难得到环境的精确信息，也无法确保传感器始终能够正常工作。因此，对于各种不确定情况，鲁棒融合算法十分必要。现已研究出一些自适应多传感器融合算法来处理由于传感器的不完善带来的不确定性。如Hong通过革新技术提出一种扩展的联合方法，能够估计单个测量序列滤波的最优卡尔曼增益Pacini和Kosko也研究出一种可以在轻微环境噪声下应用的自适应目标跟踪模糊系统，它在处理过程中结合了卡尔曼滤波算法。
2.2 导航与定位
在机器人系统中，自主导航是一项核心技术，是机器人研究领域的重点和难点问题。导航的基本任务有三点：
（1）基于环境理解的全局定位：通过环境中景物的理解，识别人为路标或具体的实物，以完成对机器人的定位，为路径规划提供素材；
（2）目标识别和障碍物检测：实时对障碍物或特定目标进行检测和识别，提高控制系统的稳定性；
（3）安全保护：能对机器人工作环境中出现的障碍和移动物体作出分析并避免对机器人造成的损伤。
机器人有多种导航方式，根据环境信息的完整程度、导航指示信号类型等因素的不同，可以分为基于地图的导航、基于创建地图的导航和无地图的导航三类。根据导航采用的硬件的不同，可将导航系统分为视觉导航和非视觉传感器组合导航。视觉导航是利用摄像头进行环境探测和辨识，以获取场景中绝大部分信息。目前视觉导航信息处理的内容主要包括：视觉信息的压缩和滤波、路面检测和障碍物检测、环境特定标志的识别、三维信息感知与处理。非
视觉传感器导航是指采用多种传感器共同工作，如探针式、电容式、电感式、力学传感器、雷达传感器、光电传感器等，用来探测环境，对机器人的位置、姿态、速度和系统内部状态等进行监控，感知机器人所处工作环境的静态和动态信息，使得机器人相应的工作顺序和操作内容能自然地适应工作环境的变化，有效地获取内外部信息。
在自主移动机器人导航中，无论是局部实时避障还是全局规划，都需要精确知道机器人或障碍物的当前状态及位置，以完成导航、避障及路径规划等任务，这就是机器人的定位问题。比较成熟的定位系统可分为被动式传感器系统和主动式传感器系统。被动式传感器系统通过码盘、加速度传感器、陀螺仪、多普勒速度传感器等感知机器人自身运动状态，经过累积计算得到定位信息。主动式传感器系统通过包括超声传感器、红外传感器、激光测距仪以及视频摄像机等主动式传感器感知机器人外部环境或人为设置的路标，与系统预先设定的模型进行匹配，从而得到当前机器人与环境或路标的相对位置，获得定位信息。
2.3 cs怎么加机器人路径规划
路径规划技术是机器人研究领域的一个重要分支。最优路径规划就是依据某个或某些优化准则（如工作代价最小、行走路线最短、行走时间最短等），在机器人工作空间中到一条从
起始状态到目标状态、可以避开障碍物的最优路径。
路径规划方法大致可以分为传统方法和智能方法两种。传统路径规划方法主要有以下几种：自由空间法、图搜索法、栅格解耦法、人工势场法。大部分机器人路径规划中的全局规划都是基于上述几种方法进行的，但这些方法在路径搜索效率及路径优化方面有待于进一步改善。人工势场法是传统算法中较成熟且高效的规划方法，它通过环境势场模型进行路径规划，但是没有考察路径是否最优。
智能路径规划方法是将遗传算法、模糊逻辑以及神经网络等人工智能方法应用到路径规划中，来提高机器人路径规划的避障精度，加快规划速度，满足实际应用的需要。其中应用较多的算法主要有模糊方法、神经网络、遗传算法、Q学习及混合算法等，这些方法在障碍物环境已知或未知情况下均已取得一定的研究成果。
2.4 机器人视觉
视觉系统是自主机器人的重要组成部分，一般由摄像机、图像采集卡和计算机组成。机器人视觉系统的工作包括图像的获取、图像的处理和分析、输出和显示，核心任务是特征提取、
图像分割和图像辨识。而如何精确高效的处理视觉信息是视觉系统的关键问题。目前视觉信息处理逐步细化，包括视觉信息的压缩和滤波、环境和障碍物检测、特定环境标志的识别、三维信息感知与处理等。其中环境和障碍物检测是视觉信息处理中最重要、也是最困难的过程。
边沿抽取是视觉信息处理中常用的一种方法。对于一般的图像边沿抽取，如采用局部数据的梯度法和二阶微分法等，对于需要在运动中处理图像的移动机器人而言，难以满足实时性的要求。为此人们提出一种基于计算智能的图像边沿抽取方法，如基于神经网络的方法、利用模糊推理规则的方法，特别是罗斯教授近期全面的论述了利用模糊逻辑推理进行图像边沿抽取的意义。这种方法具体到视觉导航，就是将机器人在室外运动时所需要的道路知识，如公路白线和道路边沿信息等，集成到模糊规则库中来提高道路识别效率和鲁棒性。还有人提出将遗传算法与模糊逻辑相结合。
发布评论