周暐程 / 工研院產科國際所
自主移動機器人的由來
自主移動機器人(Autonomous Mobile Robot；AMR)是一種可將機械手臂搭配的移動平台，結合自主導航的無軌道、無人移動載具。過去多以傳統無人搬運車(Automated Guided Vehicle；AGV)方式應用，事先建置好軌道，車體依據規劃的路徑行走，但有缺乏彈性、定位精度不足且無法對應突發狀況發生的缺點。而隨著科技進步、少子化、缺工影響，許多工廠紛紛加速廠房自動化層級，AGV乃逐漸演化成具彈性、靈活、能獨立自主移動的AMR，更能以對應工廠產線實際情況做應對，大幅提高其應用性與彈性化。發展可多領域應用、高續航力、大負重的自主移動機器人，是目前產學研界相當積極的熱門研發之課題。根據Global Info Research市調公司推估，2019年AMR工業機器人市場規模為3.04億美元，預測至2025年將達到7.36億美元，最大應用市場將以物流及倉儲為主，預估約占整體市場規模的42.8%。
自主移動機器人路徑規劃方法技術
自主移動機器人技術是近年來機器人發展的重要課題之一。若希望機器人能夠根據周遭環境變化採取對應措施，做到自主移動能力，那麼，路徑規劃方法為移動機器人技術中重要的環節。在運動空間中規劃出從起始狀態到終點狀態能夠避開障礙物的最佳或近似最佳路徑，依據適用範圍不同，可大致分為全局路徑規劃與局部路徑規劃，進一步列出幾個相關演算法，如圖一所示。
圖一、路徑規劃架構示意圖
1. 全局路徑規劃
全局路徑規劃是指在已知環境中機器人規劃無障礙之最佳路線，路徑規劃的精度取決於環境掌握的準確程度。因此，全局路徑規劃能夠找尋到全域最佳解，前提是需預先得知整體環境資訊，當環境發生變化或是出現未知障礙物時，該方法則無法應對處理，屬於一種事前的路徑規劃方法，對於機器人系統即時處理能力較有限，雖然規劃結果較為全面性、最佳化，但環境地圖模型的誤差與突發狀況處理上則較難以對應與克服。
2. 局部路徑規劃
局部路徑規劃則是在未知環境中或是部分環境下，根據機器人當前感測器感知資訊進行自主避障。現階段大多應用的導航系統多採用局部路徑規劃方法，此規劃需透過感測器取得當前環境資訊，蒐集環境數據並將這些環境資訊即時更新與校正。此方法將對環境建模與搜索整合，考驗機器人系統的高速處理與運算能力，對於環境地圖模型誤差與突發狀況處理上較好，可依據規劃結果進行即時反饋與修正，不過因缺乏全局環境訊息，其規劃出結果屬於局部最佳解，有可能找不到正確路徑亦或是不完整路徑。
無論全局路徑規劃或是局部路徑規劃皆有其優缺點，因此衍生出混合型演算方法。此方法先將全局路徑規劃作為局部路徑規劃的先決條件，可避免局部路徑因缺乏全局資訊而產生局部最佳解之問題，安全導引機器人到路徑機器人抵達目標點。實際應用上，機器人路徑規劃除了需掌握已知整體環境資訊與當前環境外，進一步還需考慮動態和靜態環境下的路徑規劃，相關的路徑規劃方法發展至今，已衍生出眾多演算法，較常見的演算法有以下幾種：人工勢場法、A*(A-Star)演算法、神經網絡演算法、模糊控制演算法、遺傳演算法(GA)等。
3. 人工勢場法
人工勢場法是由Khatib在1986年提出的一種虛擬空間吸斥力場方法。首先是將移動機器人假設成一個點，在虛擬受力場環境中行進，其中，虛擬力場是由吸引力場和排斥力場組成，目標位置對移動機器人產生吸引力場，此力場會隨著移動機器人與目標位置的距離增大而減小；而排斥力場是由測量環境中存在的所有障礙物產生之合力所組成，這種力隨移動機器人與障礙物距離的減小而增大；而移動機器人的運動方向則取決於引力與斥力之間的向量合，即勢場函數下降的方向，如圖二所示。該方法在數學描述上結構較為簡單，適用 ---以上為部分節錄內容，完整資料請見下方附檔。
圖二、人工勢場法示意圖