避障 (机器人学)

避障（obstacle avoidance）是机器人学中自动导航以及控制系统的重要概念。是机器人或自主系统可以侦测路径上不能接触、不能碰撞的特定位置（障碍（英语：Obstacle）），并且绕过障碍以达到事先定义的目的地。此技术在工业自动化、自驾车、无人飞机其至太空船上都相当的重要。避障让机器人可以在动态以及复杂的环境下安全及有效率的运作，减少碰撞以及破坏的风险。

机器人及自主系统要成功的在有障碍物的情形下导航，必须要可以侦测这些障碍物，这大部分会用感测器来进行，感测器送出的资料让机器人可以处理周围环境资讯，决定要怎么走才能避开障碍物，并且利用致动器（或是其他机器人和环境互动的工具）执行这些决定^[1]。

作法

机器人或自主系统要实时进行避障决策的作法有几种。其中包括有以感测器以基础的作法、运动规划算法，以及机器学习技术。

感测器以基础

利用感测器进行的避障避障

避障技术最常见的作法是配合许多的感测器，例如超声波、光学雷达、雷达、声呐以及摄影机。这些感测器让自主系统可以进行三步骤的流程：感测、思考、行动。系统会取得不同物件的距离输入，作法是将机器人周遭的资料提供给机器人，让机器人侦测障碍物并计算距离。接着机器人就可以在维持计算路径的前题下，小幅调整轨迹以绕过障碍物，大部分的避障应用程序可以实时完成这些步骤，并且以务实并且有效率的方式进行^[1]^[2]。

上述方式在大部分的情形下都有很好的效率。不过有些更先进的技术可以使用，适用于需要有效率的到达终点的应用。

A*路径规划算法的例子

路径规划算法

若要在避障的路径规划时，要进行最佳化。那么路径规划算法（Path Planning Algorithm）就很重要。此算法考虑机机人的位置、目的地，以及环境中障碍的位置。算法会取得相关资讯，产出附近位置的地图资讯，以此找到要到特定目的地可能的最快路径。这类算法常用在迷宫应用以及自驾车中。流行的算法有A*（英语：A*搜尋演算法）（A-star）、戴克斯特拉算法以及快速搜索随机树（英语：Rapidly exploring random tree）（RRT）。这些算法可以让机器人实时找到最快到达目的地，又不会碰到障碍的路径^[3]

机器学习技术

配合机器学习技术，避障可能使用的范围就更广了。自主机器利用人工智能（AI），可以找到到达目地的路径，也可以同时学习适应快速变化的环境。其作法是透过许多的测试策略来发现障碍以及环境的变更。给予AI任务，在任务正确完成时给予奖励，久而久之，AI就可以学会以有效率并且有效果的方式完成任务。这让机器可以了解其障碍物是什么，并且找到一条有效率绕过障碍物的路，也让机器有能力可以处理一些特殊的情形，像是水、山丘、高墙或是高温等。这种使用AI的方式，让自主机器可以依非常多有预期到或是非预期到的状况来处理应对。这种避障特别适用于自主车辆，因为其避免了一些人为错误出现的可能性^[4]。

参考资料

^ ^1.0 ^1.1 Wang J, Herath D. What Makes Robots? Sensors, Actuators, and Algorithms. Herath D, St-Onge D (编). Foundations of Robotics: A Multidisciplinary Approach with Python and ROS. Singapore: Springer Nature. 2022: 177–203. ISBN 978-981-19-1983-1. doi:10.1007/978-981-19-1983-1_7 （英语）.
^ Discant A, Rogozan A, Rusu C, Bensrhair A. Sensors for obstacle detection-a survey.. 2007 30th International Spring Seminar on Electronics Technology (ISSE). IEEE: 100–105. May 2007. doi:10.1109/ISSE.2007.4432828.
^ Véras LG, Medeiros FL, Guimaráes LN. Systematic literature review of sampling process in rapidly-exploring random trees.. IEEE Access. March 2019, 7: 50933–50953. Bibcode:2019IEEEA...750933V. S2CID 133481997. doi:10.1109/ACCESS.2019.2908100  .
^ Bachute MR, Subhedar JM. Autonomous Driving Architectures: Insights of Machine Learning and Deep Learning Algorithms. Machine Learning with Applications. December 2021, 6: 100164. S2CID 240502983. doi:10.1016/j.mlwa.2021.100164  （英语）.

外部链接

Forecast 3D Laser System （页面存档备份，存于互联网档案馆）: a LIDAR based obstacle detection and avoidance sensor. Forecast generates a 3D point cloud or cost map output that can be used for robotic command and control software, terrain mapping, and other applications.

延伸阅读

BECKER, M. ; DANTAS, Carolina Meirelles ; MACEDO, Weber Perdigão, "Obstacle Avoidance Procedure for Mobile Robots". In: Paulo Eigi Miyagi; Oswaldo Horikawa; Emilia Villani. (Org.). ABCM Symposium Series in Mechatronics, Volume 2. 1 ed. São Paulo - SP: ABCM, 2006, v. 2, p. 250-257. ISBN 978-85-85769-26-0

[:0-1] 1.0 ^1.1 Wang J, Herath D. What Makes Robots? Sensors, Actuators, and Algorithms. Herath D, St-Onge D (编). Foundations of Robotics: A Multidisciplinary Approach with Python and ROS. Singapore: Springer Nature. 2022: 177–203. ISBN 978-981-19-1983-1. doi:10.1007/978-981-19-1983-1_7 （英语）.

[2] Discant A, Rogozan A, Rusu C, Bensrhair A. Sensors for obstacle detection-a survey.. 2007 30th International Spring Seminar on Electronics Technology (ISSE). IEEE: 100–105. May 2007. doi:10.1109/ISSE.2007.4432828.

[3] Véras LG, Medeiros FL, Guimaráes LN. Systematic literature review of sampling process in rapidly-exploring random trees.. IEEE Access. March 2019, 7: 50933–50953. Bibcode:2019IEEEA...750933V. S2CID 133481997. doi:10.1109/ACCESS.2019.2908100  .

[4] Bachute MR, Subhedar JM. Autonomous Driving Architectures: Insights of Machine Learning and Deep Learning Algorithms. Machine Learning with Applications. December 2021, 6: 100164. S2CID 240502983. doi:10.1016/j.mlwa.2021.100164  （英语）.

[1]

[2]

[3]

[4]