信息与控制

作者：武彤, 张志慧, 唐凤珍, 许茗

关键词：自主探索, RatSLAM, 机器人操作系统, 移动机器人

RatSLAM是一种模拟啮齿动物大脑中导航神经处理机制而提出的类脑导航模型。然而，目前的RatSLAM方法主要依赖于被动的数据集进行实验和建图，这种被动SLAM (Simultaneous Localization and Mapping)方式通常由预先设定的路径或手动控制机器人来采集环境数据，因此在面对新的环境时，其性能往往受到限制。为了克服这一局限性，提出一种改进的基于RRT (Rapidly-exploring Random Tree)算法的自主探索策略用于主动的环境探索。当前主流的自主探索算法在环境内部区域的覆盖往往不足，并且在动态环境中可能需要频繁调整路径，这不利于RatSLAM系统的定位和地图更新。相比之下，基于RRT算法的自主探索策略在高维和复杂环境中能够高效探索，实时适应动态变化，并提供全面的环境数据。然而，传统的基于RRT算法的探索方法生成的路径通常不够平滑，不符合动物环境探索活动规律，难以模拟动物真实的运动轨迹，因此不能满足类脑导航的数据采集要求。为此，提出了一种改进的基于RRT算法的自主探索策略，并将其与RatSLAM系统相结合。这一策略使得机器人能够在未知环境中自主移动并采集环境信息，同时RatSLAM系统对这些信息进行处理，生成环境的认知地图。仿真和实际环境中的实验结果表明，该方法在主动建图方面取得了良好的效果，类似于生物探索环境的方式，验证了算法的可行性。

来源：2025年第4期

《信息与控制》期刊编辑部

查看信息与控制杂志2025年第4期