获得完全自主意义的移动机器人,即在完全未知的环境下完成各种智能任务,最基本要求是能够逐步创建周围环境的地图并在此地图上实现同步定位。面临无法预知、动态变化的环境,传感器给出的数据通常是不完全、不连续、不可靠的,移动机器人的环境建模问题是机器人研究领域的热点和难点问题。本文在这一方面开展了一些研究工作,如利用神经网络识别障碍物、建立基于声纳数据的移动机器人环境建模仿真平台。本文涉及以下三方面的内容: 一.研究了基于声纳的移动机器人环境建模仿真平台的设计和实现,利用Visual Basic建立了一个移动机器人环境建模的仿真平台,通过仿真声纳的数学模型,采用以概率论和Dempster-Shafer证据理论为基础的基于占有率的栅格地图创建方法,解释和融合仿真的声纳数据,建立环境的栅格地图。该仿真平台提供了环境和移动机器人运动状态在线实时设定功能,其参数可调的声纳模型及根据声纳数据进行环境建模的算法设计相对独立等特点极大地方便移动机器人环境建模的研究工作。 二.介绍了基于声纳数据的环境障碍物识别的BP神经网络的设计。同一般的目标识别法则相比,利用BP神经网络对声纳数据进行处理具有更高的准确度,误差很小。我们利用MATLAB编程来实现声纳数据的获得,并利用MATLAB中的神经网络工具箱对声纳数据进行了处理,得到了很好的误差曲线。 三.提出了一种基于学习矢量量化(LVQ)网络的移动机器人目标识别方法。利用学习矢量量化网络对声纳信号的TOF数据及声波反射信号的振幅特性进行特征分类,移动机器人能够有效地对室内环境中典型的目标进行识别。该方法的突出优点是方法简单、实时性好、高精度并具有较强的鲁棒性,能够较好地处理声纳信息的不确定性,从而使得机器人能够快速可靠地完成室内物体分类任务。在仿真实验中,通过实现声纳目标的多级分类及对神经网络输入的有效转换,明显地改善了LVQ网络的分类性能,取得了理想的仿真效果。