在机器人操作系统框架 (快速探索随机树和动态窗口方法) 中改进了障碍物检测和避免的混合模型
Ndidiamaka Adiuku1, Nicolas P Avdelidis1, Gilbert Tang2
1Integrated Vehicle Health Management Centre (IVHM), School of Aerospace, Transport and Manufacturing, Cranfield University, Bedfordshire MK43 0AL, UK.
Sensors (Basel, Switzerland)
|April 13, 2024
概括
这项研究通过机器学习和机器人技术增强了移动机器人导航. NAV-YOLO系统集成了YOLOv7用于障碍物检测和RRT用于路径规划,提高动态环境中的安全性和效率.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 现实世界的机器人导航在动态和不可预测的环境中面临着挑战.
- 现有的混合方法与ROS导航堆在不断变化的条件下与实时性能作斗争.
- 精确的障碍物检测和避开控制对于安全高效的机器人操作至关重要.
研究的目的:
- 提出一种新的解决方案,用于在复杂,动态的环境中增强移动机器人导航.
- 为了提高机器人导航系统的实时性能和安全性.
- 为了利用先进的物体检测和路径规划算法,实现卓越的导航能力.
主要方法:
- 集成预先训练的YOLOv7物体检测模型,以准确识别障碍物.
- 与快速探索随机树 (RRT) 集成的机器人操作系统 (ROS) 导航堆相结合.
- 使用动态窗口方法 (DWA) 进行有效的路径规划和避开障碍物.
主要成果:
- 在模拟和现实世界的实验中,NAV-YOLO系统展示了高水平的避障能力.
- 在复杂和动态变化的设置中提高导航性能.
- 提高移动机器人操作的安全性和效率,特别是在航空环境中.
结论:
- 拟议的方法有效地解决了在动态环境中移动机器人导航的挑战.
- 整合YOLOv7和基于RRT的ROS导航显著提高了机器人的安全性和效率.
- 这种解决方案为工业移动机器人应用提供了有前途的进步.
