基于障碍物代价势场的移动机器人避障算法

移动机器人所处的环境通常是动态的,机器人需要及时做出响应,同时保证路径的平滑度及与障碍物间的安全距离。针对此问题,提出了一种基于障碍物代价势场的移动机器人动态避障算法。通过建立静态栅格地图及障碍物的代价势场,获得动态场景下的等势线及经过起点、终点的切线,求解最小生成树获得初始候选路径,针对路径的长度、障碍物距离及平滑度对候选路径锚点进行调整。通过引入障碍物速度对代价势场的影响,使得机器人能对移动中的障碍物做出及时的响应。为验证所提算法的有效性,在分辨率为1 200×1 000 m的栅格场景下分别对静态场景和动态场景进行仿真,结果表明：所提算法能够在保证路径具有较高的平滑度且与障碍物间保持安全距离的条件下使路径尽可能得短;同时在动态障碍物场景下依然能保持路径的平滑和避障的安全性,满足动态场景下移动机器人路径规划的要求。     

基于字典学习的混合采样数据分类方法

混合采样数据不仅仅具有不同采样频率数据之间特征集合不同,还有样本数量不一致等特点,传统的分类方法不能直接使用。因此,本文提出一种基于Fisher判别准则字典学习的混合采样数据分类方法以处理采样数据的分类任务。该模型巧妙借助处理多视图数据的分类思想,利用基于Fisher判别准则的字典学习方法,生成的结构化字典的每个原子与数据的类标签相关,同时采用Fisher判别准则使类内散度更小,类间散度更大来约束编码系数矩阵,从而大大提升分类性能。此外,本文针对混合采样数据的样本数量不一致特点,设计了混合采样数据判别分析模型的分类方案。最后实验结果验证了本文方法的有效性。