避障是指移动机器人在行走过程中，通过传感器感知到在其规划路线上存在静态或动态障碍物时，按照 一定的算法实时更新路径，绕过障碍物，最后达到目标点。
避障常用哪些传感器巡迹机器人讲解？
不管是要进行导航规划还是避障，感知周边环境信息是第一步。就避障来说，移动机器人需要通过传感器 实时获取自身周围障碍物信息，包括尺寸、形状和位置等信息。避障使用的传感器多种多样，各有不同的原理和特点，目前常见的主要有视觉传感器、激光传感器、红外传感器、超声波传感器等。下面我简单介绍一下这几种传感器的基本工作原理。
超声波
超声波传感器的基本原理是测量超声波的飞行时间，通过d=vt/2测量距离，其中d是距离，v是声速，t是 飞行时间。由于超声波在空气中的速度与温湿度有关，在比较精确的测量中，需把温湿度的变化和其它因素考虑进去。
上面这个图就是超声波传感器信号的一个示意。通过压电或静电变送器产生一个频率在几十kHz的超声波脉冲组成波包，系统检测高于某阈值的反向声波，检测到后使用测量到的飞行时间计算距离。超声波传感器一般作用距离较短，普通的有效探测距离都在几米，但是会有一个几十毫米左右的最小探测盲区。由于超声传感器的成本低、实现方法简单、技术成熟，是移动机器人中常用的传感器。超声波传感器也有一些缺点，首先看下面这个图。
因为声音是锥形传播的，所以我们实际测到的距离并不是 一个点，而是某个锥形角度范围内最近物体的距离。
另外，超声波的测量周期较长，比如3米左右的物体，声波传输这么远的距离需要约20ms的时间。再者，不同材料对声波的反射或者吸引是不相同的，还有多个超声传感器之间有可能会互相干扰，这都是实际应用的过程中需要考虑的。
红外
一般的红外测距都是采用三角测距的原理。红外发射器按照一定角度发射红外光束，遇到物体之后，光会反向回来，检测到反射光之后，通过结构上的几何三角关系，就可以计算出物体距离D。
当D的距离足够近的时候，上图中L值会相当大，如果超过CCD的探测范围，这时，虽然物体很近，但是传感器反而看不到了。当物体距离D很大时，L值就会很小，测量量精度会变差。因此，常见的红外传感器 测量距离都比较近，小于超声波，同时远距离测量也有最小距离的限制。另外，对于透明的或者近似黑体的物体，红外传感器是无法检测距离的。但相对于超声来说，红外传感器具有更高的带宽。
激光
常见的激光雷达是基于飞行时间的（ToF，time of flight），通过测量激光的飞行时间来进行测距d=ct/2，类似于前面提到的超声测距公式，其中d是距离，c是光速，t是从发射到接收的时间间隔。激光雷达包括发射器和接收器 ，发射器用激光照射目标，接收器接收反向回的光波。机械式的激光雷达包括一个带有镜子的机械机构，镜子的旋转使得光束可以覆盖 一个平面，这样我们就可以测量到一个平面上的距离信息。
对飞行时间的测量也有不同的方法，比如使用脉冲激光，然后类似前面讲的超声方案，直接测量占用的时间，但因为光速远高于声速，需要非常高精度的时间测量元件，所以非常昂贵；另一种发射调频后的连续激光波，通过测量接收到的反射波之间的差频来测量时间。
图一
图二
比较简单的方案是测量反射光的相移，传感器以已知的频率发射一定幅度的调制光，并测量发射和反向信号之间的相移，如上图一。调制信号的波长为lamda=c/f，其中c是光速，f是调制频率，测量到发射和反射光束之间的相移差theta之后，距离可由lamda*theta/4pi计算得到，如上图二。
激光雷达的测量距离可以达到几十米甚至上百米，角度分辨率高，通常可以达到零点几度，测距的精度也高。但测量距离的置信度会反比于接收信号幅度的平方，因此，黑体或者远距离的物体距离测量不会像光亮的、近距离的物体那么好的估计。并且，对于透明材料，比如玻璃，激光雷达就无能为力了。还有，由于结构的复杂、器件成本高，激光雷达的成本也很高。
一些低端的激光雷达会采用三角测距的方案进行测距。但这时它们的量程会受到限制，一般几米以内，并且精度相对低一些，但用于室内低速环境的SLAM或者在室外环境只用于避障的话，效果还是不错的。
视觉
常用的计算机视觉方案也有很多种， 比如双目视觉，基于TOF的深度相机，基于结构光的深度相机等。深度相机可以同时获得RGB图和深度图，不管是基于TOF还是结构光，在室外强光环境下效果都并不太理想，因为它们都是需要主动发光的。
像基于结构光的深度相机，发射出的光会生成相对随机但又固定的斑点图样，这些光斑打在物体上后，因为与摄像头距离不同，被摄像头捕捉到的位置也不相同，之后先计算拍到的图的斑点与标定的标准图案在不同位置的偏移，利用摄像头位置、传感器大小等参数就可以计算出物体与摄像头的距离。而我们目前的E巡机器人主要是工作在室外环境，主动光源会受到太阳光等条件的很大影响，所以双目视觉这种被动视觉方案更适合，因此我们采用的视觉方案是基于双目视觉的。
双目视觉的测距本质上也是三角测距法，由于两个摄像头的位置不同，就像我们人的两只眼睛一样，看到的物体不一样。两个摄像头看到的同一个点P，在成像的时候会有不同的像素位置，此时通过三角测距就可以测出这个点的距离。与结构光方法不同的是，结构光计算的点是主动发出的、已知确定的，而双目算法计算的点一般是利用算法抓取到的图像特征，如SIFT或SURF特征等，这样通过特征计算出来的是稀疏图。
要做良好的避障，稀疏图还是不太够的，我们需要获得的是稠密的点云图，整个场景的深度信息。稠密匹配的算法大致可以分为两类，局部算法和全局算法。局部算法使用像素局部的信息来计算其深度，而全局算法采用图像中的所有信息进行计算。一般来说，局部算法的速度更快，但全局算法的精度更高。
这两类各有很多种不同方式的具体算法实现。能过它们的输出我们可以估算出整个场景中的深度信息，这个深度信息可以帮助我们寻找地图场景中的可行走区域以及障碍物。整个的输出类似于激光雷达输出的3D点云图，但是相比来讲得到信息会更丰富，视觉同激光相比优点是价格低很多，缺点也比较明显，测量精度要差 一些，对计算能力的要求也高很多。当然，这个精度差是相对的，在实用的过程中是完全足够的，并且我们目前的算法在我们的平台NVIDIA TK1和TX1上是可以做到实时运行。
KITTI采集的图
实际输出的深度图，不同的颜色代表不同的距离
在实际应用的过程中，我们从摄像头读取到的是连续的视频帧流，我们还可以通过这些帧来估计场景中 目标物体的运动，给它们建立运动模型，估计和预测它们的运动方向、运动速度，这对我们实际行走、避障规划是很有用的。
以上几种是最常见的几种传感器 ，各有其优点和缺点，在真正实际应用的过程中，一般是综合配置使用多种不同的传感器 ，以最大化保证在各种不同的应用和环境条件下，机器人都能正确感知到障碍物信息。我们公司的E巡机器人的避障方案就是以双目视觉为主，再辅助以多种其巡迹机器人讲解他传感器，保证机器人周边360度空间立体范围内的障碍物都能被有效侦测到，保证机器人行走的安全性。
避障常用算法原理
在讲避障算法之前，我们假定机器人已经有了一个导航规划算法对自己的运动进行规划，并按照规划的路径行走。避障算法的任务就是在机器人执行正常行走任务的时候，由于传感器的输入感知到了障碍物的存在，实时地更新目标轨迹，绕过障碍物。
Bug算法知乎用户无方表示
Bug算法应该是最简单的一种避障算法了，它的基本思想是在发现障碍后，围着检测到的障碍物轮廓行走，从而绕开它。Bug算法目前有很多变种， 比如Bug1算法，机器人首先完全地围绕物体，然后从距目标最短距离的点离开。Bug1算法的效率很低，但可以保证机器人达到目标。
Bug1算法示例
改进后的Bug2算法中，机器人开始时会跟踪物体的轮廓，但不会完全围绕物体一圈，当机器人可以直接移动至目标时，就可以直接从障碍分离，这样可以达到比较短的机器人行走总路径。
Bug2算法示例
除此之外，Bug算法还有很多其巡迹机器人讲解他的变种， 比如正切Bug算法等等。在许多简单的场景中，Bug算法是实现起来比较容易和方便的，但是它们并没有考虑到机器人的动力学等限制，因此在更复杂的实际环境中就不是那么可靠好用了。
势场法（PFM）
实际上，势场法不仅仅可以用来避障，还可以用来进行路径的规划。势场法把机器人处理在势场下的 一个点，随着势场而移动，目标表现为低谷值，即对机器人的吸引力，而障碍物扮演的势场中的一个高峰，即斥力，所有这些力迭加于机器人身上，平滑地引导机器人走向目标，同时避免碰撞已知的障碍物。当机器人移动过程中检测新的障碍物，则需要更新势场并重新规划。
上面这个图是势场比较典型的示例图，最上的图a左上角是出发点，右下角是目标点，中间三个方块是障碍物。中间的图b就是等势位图，图中的每条连续的线就代表了一个等势位的一条线，然后虚线表示的在整个势场里面所规划出来的一条路径，我们的机器人是沿着势场所指向的那个方向一直行走，可以看见它会绕过这个比较高的障碍物。
最下面的图，即我们整个目标的吸引力还有我们所有障碍物产生的斥力最终形成的一个势场效果图，可以看到机器人从左上角的出发点出发，一路沿着势场下降的方向达到最终的目标点，而每个障碍物势场表现出在很高的平台，所以，它规划出来的路径是不会从这个障碍物上面走的。
一种扩展的方法在基本的势场上附加了了另外两个势场巡迹机器人讲解：转运势场和任务势场。它们额外考虑了由于机器人本身运动方向、运动速度等状态和障碍物之间的相互影响。
转动势场考虑了障碍与机器人的相对方位，当机器人朝着障碍物行走时，增加斥力， 而当平行于物体行走时，因为很明显并不会撞到障碍物，则减小斥力。任务势场则排除了那些根据当前机器人速度不会对近期势能造成影响的障碍，因此允许规划出 一条更为平滑的轨迹。
另外还有谐波势场法等其他改进方法。势场法在理论上有诸多局限性， 比如局部最小点问题，或者震荡性的问题，但实际应用过程中效果还是不错的，实现起来也比较容易。
向量场直方图（VFH）
它执行过程中针对移动机器人当前周边环境创建了一个基于极坐标表示的局部地图，这个局部使用栅格图的表示方法，会被最近的一些传感器数据所更新。VFH算法产生的极坐标直方图如图所示：
图中x轴是以机器人为中心感知到的障碍物的角度，y轴表示在该方向存在障碍物的概率大小p。实际应用的过程中会根据这个直方图首先辨识出允许机器人通过的足够大的所有空隙，然后对所有这些空隙计算其代价函数，最终选择具有最低代价函数的通路通过。
代价函数受三个因素影响：目标方向、机器人当前方向、之前选择的方向，最终生成的代价是这三个因素的加权值，通过调节不同的权重可以调整机器人的选择偏好。VFH算法也有其他的扩展和改进，比如在VFH+算法中，就考虑了机器人运动学的限制。由于实际底层运动结构的不同，机器的实际运动能力是受限的，比如汽车结构，就不能随心所欲地原地转向等。VFH+算法会考虑障碍物对机器人实际运动能力下轨迹的阻挡效应，屏蔽掉那些虽然没有被障碍物占据但由于其阻挡实际无法达到的运动轨迹。我们的E巡机器人采用的是两轮差动驱动的运动形式，运动非常灵活，实际应用较少受到这些因素的影响。
具体可以看 一下这个图示：
类似这样传统的避障方法还有很多，除此之外，还有许多其他的智能避障技术，比如神经网络、模糊逻辑等。
神经网络方法对机器人从初始位置到目标位置的整个行走路径进行训练建模，应用的时候，神经网络的输 入为之前机器人的位姿和速度以及传感器的输 入，输出期望的下一目标或运动方向。
模糊逻辑方法核心是模糊控制器，需要将专家的知识或操作人员的经验写成多条模糊逻辑语句，以此控制机器人的避障过程。比如这样的模糊逻辑：第一条，若右前方较远处检测到障碍物，则稍向左转；第 二条，若右前方较近处检测到障碍物，则减速并向左转更多角度等等。
人脸识别可以快速判断来访人员巡迹机器人讲解，进行精准的人脸检测巡迹机器人讲解；智能安防探测器24小时检测环境安全巡迹机器人讲解，发出险情时机器人将第一时间将预警信息发布巡迹机器人讲解，及时处理，例如商店里的燃气泄漏、烟雾探测器检测发生险情时，一键报警
一、前言；在机器人竞赛中，“巡线”特指让机器人沿着场地中一；二、光感中心与小车转向中心；以常见的双光感巡线为例，光感的感应中心是两个光感；所以在实际操作中，一般通过程序与结构的配合，在程；三、车辆结构；巡线任务的核心是让机器人小车按照场地中画出的路线；1、前轮驱动；前轮驱动的小车一般由两个动力轮和一个万向轮构成，；2、后轮驱动；后轮驱动的小车结构和转向中心与
一、前言
在机器人竞赛中，“巡线”特指让机器人沿着场地中一条固定线路（通常是黑线）行进的任务。作为一项搭建和编程的基本功，巡线既可以是独立的常规赛比赛项目，也能成为其他比赛项目的重要技术支撑，在机器人比赛中具有重要地位。
二、光感中心与小车转向中心
以常见的双光感巡线为例，光感的感应中心是两个光感连线的中点，也就是黑线的中间位置。而小车的转向，是以其车轮连线的中心为圆心进行的。很明显，除非将光感放置于小车转向中心，否则机器人在巡线转弯的过程中，探测线路与做出反应之间将存在一定差距。而若将光感的探测中心与转向中心重合，将大幅提升搭建难度并降低车辆灵活性。因此，两个中心的不统一是实际存在的，车辆的转向带动光感的转动，同时又相互影响，造成机器人在巡线时对黑线的反应过快或者过慢，很多巡线失误由此产生。
所以在实际操作中，一般通过程序与结构的配合，在程序中加入一定的微调动作来弥补其中的误差。而精准的微调，需要根据比赛场地的实际情况进行反复调试。
三、车辆结构
巡线任务的核心是让机器人小车按照场地中画出的路线行进，因此，根据任务需要选择合适搭建方式是完成巡线任务的第一步。
1、前轮驱动
前轮驱动的小车一般由两个动力轮和一个万向轮构成，动力轮位于车头，通过左右轮胎反转或其中一个轮胎停转来实现转向，前者的转向中心位于两轮胎连线中点，后者转向中心位于停止不动的轮胎上。由于转向中心距离光感探测中心较近，可以实现快速转向，但由于机器人反应时间的限制，转向精度有限。
2、后轮驱动
后轮驱动的小车结构和转向中心与前轮驱动小车类似，由于转向中心靠后，相对于前轮驱动的小车而言，位于车尾的动力轮需要转动较大的幅度，才能使车头的光感转动同样角度。因此，后轮驱动的小车虽转向速度较慢，但精度高于前轮驱动小车。对于速度要求不高的比赛而言，一般采用后轮驱动的搭建方式。
3、菱形轮胎分布
菱形轮胎分布是指小车的两个动力轮位于小车中部，前后各有一个万向轮作为支撑。这样的结构在一定程度上可以视为前轮驱动和后轮驱动的结合产物，转向速度和精度都介于两者之间。这种结构的优势在于转向中心位于车身中部，转弯半径很小，甚至能以自身几何中心为圆心进行原地转向，适合适用于转90°弯或数格子行进等一些比较特殊的巡线线路。
这种结构最初应用于RCX机器人足球上，居中的动力源可以让参赛选手为机器人安装更多的固定和防护装置，以适应比赛中激烈的撞击，具有很好的稳定性。而对于NXT机器人而言，由于伺服电机的形状狭长不规律，将动力轮位于车身中部的做法将大幅提升搭建难度，并使车身重心偏高，降低转弯灵活性。
4、四轮驱动
四轮驱动的小车四个轮胎都有动力，能较好地满足一些比赛中爬坡任务的需要。小车的转向中心靠近小车的几何中心，因此能进行原地转弯运动，具有较好的灵活性，特别适用于转90°弯或数格子行进等任务一些比较特殊的巡线线路。虽然与后轮驱动小车相比，转向中心比较靠前，转向精度较小，但四轮驱动小车没有万向轮，转弯需要靠四个轮胎同时与地面摩擦，加大转弯的阻力，因而转弯精度应介于菱形轮胎分布的小车和后轮驱动小车之间。
四轮驱动的小车最大优势在于具有普遍适应性，熟练掌握此结构的参赛选手能在参加FLL工程挑战赛、WRO世界机器人奥林匹克等一些比较复杂的比赛中占据一定优势。
四、编程方案
1、单光感巡线
单光感巡线是巡线任务中最基础的方式，在行进过程中，光感在黑线与白色背景间来回晃动，因此，这种巡线只能用两侧电机交替运动的方式前进，行进路线呈“之”字形。这种巡线方式结构简单易于掌握，但由于只有一个光感，对无法在完成较为复杂的巡线任务（如遇黑线停车、识别线路交叉口等），且速度较慢。
基本思路：光感放置于黑线的左侧，判黑则左轮不动右轮前进，判白则右轮不动左轮前进，如此交替循环。参考程序如下图：
2、单光感巡线+独立光感数线
在很多比赛中，机器人需要做的不仅仅是沿着黑线行进，还需要完成一些其他任务，如在循迹路线上增加垂直黑线要求停车、放置障碍物要求躲避等内容。此时，单光感巡线已不能满足要求。下面以要求定点停车为例，简要介绍单光感巡线+独立光感数线的编程模式。
基本思路：在此任务中要求在垂直黑线处停车，则需要跳出单光感巡线的循环程序体系，可以通过设置循环程序的条件实现这一功能。由于程序的设定，负责巡线的3号光感在行进时始终位于黑线的左侧，不会移动到黑线右侧的白色区域，因此在黑线右侧设置一个光感（4号）专门负责监视行进过程中黑
线右侧的区域，当此光感判黑时，即可判断出小车行进到垂直黑线处，于是终止单光感巡线的循环程序，执行规定的停车任务，然后向前行进一小段距离驶过垂直黑线，继续单光感巡线任务。参考程序如下图：
上述程序只适用于停车一次的需要，在实际比赛中需以定点停车、蔽障任务为基点，将巡线赛道划分为若干个小段依次设定程序，或采用两重循环的程序，重复执行巡线→→定点停车任务：
3、双光感巡线
双光感巡线是机器人竞赛中最常见的巡线模式，两个光感分别位于黑线两侧，以夹住黑线的方式行进。根据两个光感读取的数值不同，可以将光感的探测结果分为左白右黑、左黑右白、双白和双黑四种情况，根据这四种探测结果，分别执行右转、左转、直行和停车四种动作的程序命令。由于这种方法能让两个电机同时工作，机器人运动的速度较快，同时采取两个光敏监测黑线，精度也有所提高。
基本思路：使用两重光感分支程序叠加，为四种探测结果设定与之对应的程序反应，形成循环程序结构，参考程序如下图：
