本論文針對小型人形機器人，提出一個基於機器人作業系統(Robot Operating System, ROS)上，對於不平坦之複雜地形的路徑規劃方法，並實現於Gazebo模擬器之上。在影像處理方面，使用Gazebo提供之攝影機模組作為影像輸入，在經過色彩校正、過濾雜訊與物件分割得出感興趣之物件後，作為虛擬地圖資訊。在定位方面，使用自製機器人3D模組的位置作為地圖原點，判斷機器人在整個不平坦地形上的位置所在，同時以機器人的視覺影像來校正與不平坦地形的角度誤差。在導航方面，本論文提出一種對不平坦的複雜地形做出困難行走區域的判斷方法，使用A*演算法做路徑規劃，使機器人盡可能地避開困難區域。在實驗結果中可見，本論文所提出之方法能夠在已知環境中，避免機器人走在容易跌倒的高風險區域且順利抵達目的地。

In this thesis, a path planning method for uneven terrain is proposed to be implemented on the Robot Operating System (ROS) and Gazebo simulator for a samll-size humanoid robot. In image processing system part, the Gazebo camera module is used as the image source. Color correction, filtering noise, and object segmentation method are used to mark interested objects as visual map information. In localization system part, the homemade robot 3D module is the map origin. Then these distances between the robot and features are determined. And the angular error of the uneven terrain with the vision of the robot are corrected. In navigation system part, this paper proposes a method to determine difficult walking area in the uneven terrain. Then A* algorithm is used to plan a path to make the robot avoid difficult walking area as much as possible. From the experimental results, the proposed method can avoid the robot walking into a high-risk area that is easy to fall, and arrive at the destination smoothly.

目錄
目錄	I
圖目錄	IV
表目錄	VII
第一章	緒論	1
1.1	研究背景	1
1.2	研究動機	2
1.3	論文架構	3
第二章	實驗平台與系統介紹	4
2.1	前言	4
2.2	人形機器人機構介紹	4
2.3	硬體規格介紹	6
2.4	機器人作業系統(Robot Operating System, ROS)	7
2.5	Gazebo模擬器(Gazebo Simulator)	7
第三章	人形機器人系統介紹	9
3.1	前言	9
3.2	影像處理模組	11
3.2.1	RGB色彩模型	11
3.2.2	HSV色彩模型	12
3.2.3	影像二值化	13
3.2.4	侵蝕膨脹	15
3.2.5	物件分割	17
3.2.6	透視變換法	19
3.3	運動控制	21
3.3.1	步態軌跡設計	21
3.3.2	步態軌跡規劃	23
3.3.3	逆運動學	26
第四章	崎嶇地形導航系統	29
4.1	前言	29
4.2	困難區域判斷介紹	29
4.2.1	困難區域評價規則	30
4.2.2	困難區域計算	31
4.2.3	使用區域地圖做困難區域計算	32
4.3	路徑規劃	33
4.3.1	A*演算法	33
4.4動作規劃	38
4.4.1	修正機器人的誤差角度	39
第五章	實驗結果	40
第六章	結論與未來展望	45
參考文獻	46
圖目錄
圖2.1、人形機器人機構設計與尺寸圖	5
圖2.2、自由度設計圖	6
圖2.3、人形機器人模組	8
圖3.1、機器人系統架構圖	10
圖3.2、ROS系統節點圖	10
圖3.3、RGB色彩模型	11
圖3.4、HSV色彩模型	12
圖3.5、影像建模	15
圖3.6、影像侵蝕示意圖	16
圖3.7、影像膨脹示意圖	16
圖3.8、影像分割結果	17
圖3.9、影像遮罩	18
圖3.10、連通物件標記法示意圖	19
圖3.11、透視變換示意圖	20
圖3.12、腰部與踝關節軌跡示意圖	21
圖3.13、機器人行走步態示意圖	22
圖3.14、人形機器人示意圖	23
圖3.15、機器人連桿長度示意圖	23
圖3.16、步態軌跡模擬圖	26
圖3.17、機器人的座標軸示意圖	27
圖4.1、困難區域檢測遮罩	30
圖4.2、坡度過於陡峭示意圖	30
圖4.3、立足點太小示意圖	31
圖4.4、困難區域計算範例	31
圖4.5、困難區域計算流程	32
圖4.6、地圖上的行走困難區域	32
圖4.7、區域地圖的困難區域	33
圖4.8、A*演算法流程圖	34
圖4.9、A*演算法實例	35
圖4.10、A*演算法搜尋相鄰節點並評估代價	35
圖4.11、目前節點已無法進行擴張	36
圖4.12、重新選擇次低成本節點作為目前節點	36
圖4.13、A*演算法模擬流程	37
圖4.14、A*演算法計算實驗場地之結果	38
圖4.15、精簡化路徑之結果	38
圖4.16、計算與目標間的斜率	39
圖5.1、避障實際場景與全域地圖建置	41
圖5.2、人形機器人行走過程	42
圖5.3、機器人實際行走路徑與路徑軌跡對照圖	43
圖5.4、機器人實際行走間與規劃路徑誤差	44
表目錄
表2.1、電腦(PC)軟硬體規格	6
表3.1、顏色模型之色彩代碼表	14
表5.1、機器人實際行走位置與規劃路徑誤差表	43

[1]	“Robot.wiki.” URL: https://en.wikipedia.org/wiki/Robot.
[2]	A.D. Kuo, “The relative roles of feedforward and feedback in the control of rhythmic movements,” Motor Control, Vol. 6, No. 2, pp. 129-145, 2002.
[3]	N. Ayache and O. Faugeras, “Building, registrating, and fusing noisy visual maps,” International Journal of Robotics Research, Vol. 7, No. 6, pp. 45-65, 1988.
[4]	J. L. Crowley, “World modeling and position estimation for a mobile robot using ultrasonic ranging,” IEEE International Conference on Robotics and Automation, Vol. 2, pp. 674-680, 1989.
[5]	R. Chatila and J. Laumond, “Position referencing and consistent world modeling for mobile robots,” IEEE International Conference on Robotics and Automation, Vol. 2, pp. 138-145, 1985.
[6]	H. Kang, B. Lee, and K. Kim, “Path Planning Algorithm Using the Particle Swarm Optimization and the Improved Dijkstra Algorithm,” IEEE Pacific-Asia Workshop on Computational Intelligence and Industrial Application, Vol. 2, pp. 1002-1004, 2008.
[7]	P.E. Hart, N.J. Nilsson, and B. Raphael, “A formal basis for the heuristic determination of minimum cost paths in graphs,” IEEE Transaction of Systems Science and Cybernetics, Vol. SSC-4, No.2, pp.100-107, 1968.
[8]	G.E. Jan, K.Y. Chang, and I. Parberry, “Optimal path planning for mobile robot navigation,” IEEE/ASME Transaction on Mechatronics, Vol. 13, No. 4, pp. 451-459, 2008.
[9]	I. Chabini, and L. Shan, “Adaptations of the A* algorithm for the computation of fastest paths in deterministic discrete-time dynamic networks,” IEEE Transactions on Intelligent Transportation Systems, Vol.3, No.1, pp.60-74, 2002.
[10]	C.J. Yu, Y.H. Chen, and C.C. Wong, “Path planning method design for mobile robots,” SICE Annual Conference, pp.1681-1686, 2011.
[11]	“ROS.org | Powering the world’s robots.” URL: http://www.ros.org/.
[12]	S. Cousins, “ROS on the PR2,” IEEE Robotics and Automation Magazine, Vol. 17, pp. 23-25, 2010
[13]	L.L. Forero, J.M. Yáñez, and J. Ruiz-del-Solar, “Integration of the ROS Framework in Soccer Robotics: The NAO Case,” RoboCup 2013: Robot World Cup XVII, pp. 664-671, 2013.
[14]	“FIRA.org.” URL:http://www.firaworldcup.org/VisitorPages/.
[15]	蕭聖儒，基於ROS與SOPC之人形機器人的行走速度規劃，淡江大學電機工程學系碩士論文（指導教授：翁慶昌），2016。
[16]	簡瑜萱，基於ROS之人形機器人的影像定位與導航，淡江大學電機工程學系機器人工程碩士班論文(指導教授:翁慶昌)，2017。
[17]	溫泯毅，視覺自主人形機器人之定位與導航，淡江大學電機工程學系碩士論文（指導教授：翁慶昌、鄭吉泰），2016。
[18]	K. Takaya, T. Asai, V. Kroumov, and F. Smarandache, “Simulation environment for mobile robots testing using ROS and Gazebo,” International Conference on System Theory, Control and Computing (ICSTCC), pp. 96-101, 2016.
[19]	D. Jia, M. Wermelinger, R. Diethelm, P. Krüsi, and M. Hutter, “Coverage path planning for legged robots in unknown environments,” IEEE International Symposium on Safety, Security, and Rescue Robotics (SSRR), pp. 68-73, 2016.