避障 (機器人學)

避障（obstacle avoidance）是機器人學中自動導航以及控制系統的重要概念。是機器人或自主系統可以偵測路徑上不能接觸、不能碰撞的特定位置（障礙（英語：Obstacle）），並且繞過障礙以達到事先定義的目的地。此技術在工業自動化、自駕車、無人飛機其至太空船上都相當的重要。避障讓機器人可以在動態以及複雜的環境下安全及有效率的運作，減少碰撞以及破壞的風險。

機器人及自主系統要成功的在有障礙物的情形下導航，必須要可以偵測這些障礙物，這大部份會用感測器來進行，感測器送出的資料讓機器人可以處理周圍環境資訊，決定要怎麼走才能避開障礙物，並且利用致動器（或是其他機器人和環境互動的工具）執行這些決定^[1]。

作法

機器人或自主系統要實時進行避障決策的作法有幾種。其中包括有以感測器以基礎的作法、運動規劃演算法，以及機器學習技術。

感測器以基礎

避障技術最常見的作法是配合許多的感測器，例如超音波、光學雷達、雷達、聲吶以及攝影機。這些感測器讓自主系統可以進行三步驟的流程：感測、思考、行動。系統會取得不同物件的距離輸入，作法是將機器人周遭的資料提供給機器人，讓機器人偵測障礙物並計算距離。接著機器人就可以在維持計算路徑的前題下，小幅調整軌跡以繞過障礙物，大部份的避障應用程式可以實時完成這些步驟，並且以務實並且有效率的方式進行^[1]^[2]。

上述方式在大部份的情形下都有很好的效率。不過有些更先進的技術可以使用，適用於需要有效率的到達終點的應用。

路徑規劃演算法

若要在避障的路徑規劃時，要進行最佳化。那麼路徑規劃演算法（Path Planning Algorithm）就很重要。此演算法考慮機機人的位置、目的地，以及環境中障礙的位置。演算法會取得相關資訊，產出附近位置的地圖資訊，以此找到要到特定目的地可能的最快路徑。這類演算法常用在迷宮應用以及自駕車中。流行的演算法有A*（英語：A*搜尋演算法）（A-star）、戴克斯特拉算法以及快速搜索隨機樹（英語：Rapidly exploring random tree）（RRT）。這些演算法可以讓機器人實時找到最快到達目的地，又不會碰到障礙的路徑^[3]

機器學習技術

配合機器學習技術，避障可能使用的範圍就更廣了。自主機器利用人工智慧（AI），可以找到到達目地的路徑，也可以同時學習適應快速變化的環境。其作法是透過許多的測試策略來發現障礙以及環境的變更。給予AI任務，在任務正確完成時給予獎勵，久而久之，AI就可以學會以有效率並且有效果的方式完成任務。這讓機器可以瞭解其障礙物是什麼，並且找到一條有效率繞過障礙物的路，也讓機器有能力可以處理一些特殊的情形，像是水、山丘、高牆或是高溫等。這種使用AI的方式，讓自主機器可以依非常多有預期到或是非預期到的狀況來處理應對。這種避障特別適用於自主車輛，因為其避免了一些人為錯誤出現的可能性^[4]。

參考資料

^ ^1.0 ^1.1 Wang J, Herath D. What Makes Robots? Sensors, Actuators, and Algorithms. Herath D, St-Onge D (編). 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 （英語）.
^ 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  （英語）.

外部連結

Forecast 3D Laser System （頁面存檔備份，存於網際網路檔案館）: 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.

延伸閱讀

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 (編). 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 （英語）.

[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  （英語）.

[1]

[2]

[3]

[4]

作法