CN107677285B - 机器人的路径规划***及方法 - Google Patents

机器人的路径规划***及方法 Download PDF

Info

Publication number
CN107677285B
CN107677285B CN201710232929.0A CN201710232929A CN107677285B CN 107677285 B CN107677285 B CN 107677285B CN 201710232929 A CN201710232929 A CN 201710232929A CN 107677285 B CN107677285 B CN 107677285B
Authority
CN
China
Prior art keywords
path
point
reference location
origin reference
planning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710232929.0A
Other languages
English (en)
Other versions
CN107677285A (zh
Inventor
周宸
周宝
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority to CN201710232929.0A priority Critical patent/CN107677285B/zh
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to PCT/CN2017/091370 priority patent/WO2018188200A1/zh
Priority to AU2017409109A priority patent/AU2017409109B9/en
Priority to JP2018541387A priority patent/JP6800989B2/ja
Priority to KR1020187023692A priority patent/KR102152192B1/ko
Priority to SG11201900262RA priority patent/SG11201900262RA/en
Priority to US16/084,245 priority patent/US11035684B2/en
Priority to EP17899233.5A priority patent/EP3438611B1/en
Priority to TW106135249A priority patent/TWI639813B/zh
Publication of CN107677285A publication Critical patent/CN107677285A/zh
Application granted granted Critical
Publication of CN107677285B publication Critical patent/CN107677285B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • B60W2530/18—Distance travelled

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Manipulator (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种机器人的路径规划***及方法，该方法包括：机器人的路径规划***在预先确定的区域地图中可供机器人移动的路径上预先选择一个或多个位置点作为基准定位点；若接收到将所述机器人从第一位置点移动到第二位置点的指令，则根据设置的基准定位点并按照预先确定的路径分析规则，分析出从所述第一位置点到所述第二位置点的路径，并基于分析出的路径控制所述机器人运动到所述第二位置点。本发明无需机器人在路径规划时实时计算移动路径，而是从事先规划好的路径中进行对应选择，即将路径规划的过程从“计算”转变为“选择”，有效减少了实时计算量，提高了路径规划的效率。

Description

机器人的路径规划***及方法
技术领域
本发明涉及计算机技术领域，尤其涉及一种机器人的路径规划***及方法。
背景技术
目前，自主移动机器人能够广泛应用于许多场景，比如担任展览馆的导览工作，带领参观者从一个展区介绍到另一个展区；餐厅的服务工作，主动欢迎客人，并带领客人到空位上点餐；公共场所的引导、巡逻工作，沿着程序设定的路线移动，有人需要帮助停下回答提问等等。
在这些场景下，需要自主移动机器人移动到一个或多个指定的位置，实现某些特定功能，这里涉及到了自主移动机器人的路径规划问题。现有技术中，在路径计算问题上，自主移动机器人一般都是在接受到移动指令时开始实时计算如何移动到目标点的路径，这个实时计算过程需要考虑诸多因素，比较耗时。
发明内容
本发明的主要目的在于提供一种机器人的路径规划***及方法，旨在提高自主移动机器人路径规划的效率。
为实现上述目的，本发明提供的一种机器人的路径规划***，所述路径规划***包括：
选择模块，用于在预先确定的区域地图中可供机器人移动的路径上预先选择一个或多个位置点作为基准定位点；
路径规划模块，用于若接收到将所述机器人从第一位置点移动到第二位置点的指令，则根据设置的基准定位点并按照预先确定的路径分析规则，分析出从所述第一位置点到所述第二位置点的路径，并基于分析出的路径控制所述机器人运动到所述第二位置点。
优选地，所述预先确定的路径分析规则包括：
确定距离所述第一位置点最近的第一基准定位点，及距离所述第二位置点最近的第二基准定位点；
为所述第一位置点至所述第一基准定位点，以及所述第二位置点至所述第二基准定位点的路径按照预设的第一规划方式进行规划；
为所述第一基准定位点至所述第二基准定位点的路径按照预设的第二规划方式进行规划，得到第二规划路径。
优选地，所述第一规划方式为：
若所述第一位置点与所述第一基准定位点之间无障碍物，则取所述第一位置点与所述第一基准定位点之间的直线路径；若所述第二位置点与所述第二基准定位点之间无障碍物，则取所述第二位置点与所述第二基准定位点之间的直线路径；
若所述第一位置点与所述第一基准定位点之间有障碍物，则取所述第一位置点与所述第一基准定位点之间的绕过障碍物的最短路径；若所述第二位置点与所述第二基准定位点之间有障碍物，则取所述第一位置点与所述第一基准定位点之间的绕过障碍物的最短路径。
优选地，所述第二规划方式包括如下步骤：
h1、根据预先确定的第一基准定位点、第二基准定位点及可选规划路径的映射关系，确定第一基准定位点和第二基准定位点对应的可选规划路径；
h2、按照预先确定的评分规则计算出各个可选规划路径对应的分值；
h3、若最高分值的可选规划路径只有一个，则将该可选规划路径作为第一基准定位点至第二基准定位点的第二规划路径；
h4、若最高分值的可选规划路径有多个，则从多个最高分值的可选规划路径中随机选择一个可选规划路径作为第一基准定位点至第二基准定位点的第二规划路径。
优选地，所述步骤h1和h2之间，还包括如下步骤：
从各个可选规划路径中，筛选出包含预先确定的特定基准定位点的可选规划路径，并将筛选出的可选规划路径作为待计算分值的可选规划路径；及/或，
根据预先确定的计算公式分别计算出各个可选规划路径对应的总长度，并分别计算出各个可选规划路径的总长度与第一基准定位点至第二基准定位点的最短路径的总长度的差值，将差值小于预设阈值的可选规划路径筛选出来作为待计算分值的可选规划路径。
优选地，所述步骤h2包括：
根据各个可选规划路径对应的行走距离影响因素、行走时间影响因素和/或障碍物影响因素进行评分；其中，每一可选规划路径对应的分值为该可选规划路径中每两个相邻节点之间的路径在行走距离影响因素、行走时间影响因素或障碍物影响因素下的评分和。
优选地，可选规划路径的评分公式如下：
Score(path)＝a·o(t)+b·o(d)
其中，o(t)为可选规划路径的时间评分，o(d)为可选规划路径的距离评分，a、b为预先确定的权值；定义第i个可选规划路径的时间评分oi(t)为：
其中，T(path1)、T(path2)……T(pathn)是不同可选规划路径下机器人移动到目标点所使用的时间，T(pathi)是第i个可选规划路径下机器人移动到目标点所使用的时间，kti代表第i个可选规划路径的时间惩罚系数，该时间惩罚系数为机器人在第i个可选规划路径内绕过障碍物需要多花费的时间，di代表第i个可选规划路径的路径长度，vi代表第i个可选规划路径内的机器人速度，Pi代表第i个可选规划路径内出现障碍物的概率；
定义第i个可选规划路径的距离评分oi(d)为：
d(pathi)＝∑(kdi·di·Pi+di·(1-Pi))
其中，d(path1)、d(path2)……d(pathn)是不同可选规划路径下机器人移动到目标点所行走的距离，kdi代表第i个可选规划路径的距离惩罚系数，该距离惩罚系数为机器人在第i个可选规划路径内绕过障碍物需要多移动的距离。
优选地，所述路径规划模块还用于：
实时或者定时分析当前待移动的路径中是否存在障碍物需要进行移动规避；若分析存在障碍物需要进行移动规避，则将当前位置作为新的第一位置点，根据设置的基准定位点并按照预先确定的路径分析规则，分析出从新的第一位置点到所述第二位置点的路径，并基于分析出的路径控制机器人运动到所述第二位置点。
优选地，所述选择模块还用于：
在预先确定的区域地图中各个基准定位点对应的位置处设置对应的位置点标识；
所述路径规划模块还用于：
实时或者定时进行位置定位；根据预先确定的基准定位点与触发坐标区域的映射关系，分析当前位置是否处于一个基准定位点的触发坐标区域中；若当前位置处于一个基准定位点的触发坐标区域中，则开启位置点标识识别设备开始检测位置点标识；当检测到位置点标识时，通过机器人的传感器计算出机器人与检测的位置点标识的距离和方向，以得到机器人当前的位置和姿态，并根据机器人当前的位置和姿态对前进方向进行校准。
此外，为实现上述目的，本发明还提供一种机器人的路径规划方法，所述方法包括以下步骤：
机器人的路径规划***在预先确定的区域地图中可供机器人移动的路径上预先选择一个或多个位置点作为基准定位点；
若接收到将所述机器人从第一位置点移动到第二位置点的指令，则根据设置的基准定位点并按照预先确定的路径分析规则，分析出从所述第一位置点到所述第二位置点的路径，并基于分析出的路径控制所述机器人运动到所述第二位置点。
本发明提出的机器人的路径规划***及方法，通过在预先确定的区域地图中可供机器人移动的路径上预先选择一个或多个位置点作为基准定位点；在接收到将所述机器人从第一位置点移动到第二位置点的指令后，根据设置的基准定位点并按照预先确定的路径分析规则，分析出从所述第一位置点到所述第二位置点的路径，并基于分析出的路径控制所述机器人运动到所述第二位置点。无需机器人在路径规划时实时计算移动路径，而是从事先规划好的路径中进行对应选择，即将路径规划的过程从“计算”转变为“选择”，有效减少了实时计算量，提高了路径规划的效率。
附图说明
图1为本发明机器人的路径规划方法一实施例的流程示意图；
图2为本发明机器人的路径规划方法一实施例中在公共图书馆区域地图中选择的各个基准定位点的示意图；
图3为本发明机器人的路径规划方法一实施例中在公共图书馆区域地图中P点到Q点的路径规划示意图；
图4为本发明机器人的路径规划方法一实施例中A点到B点的路径规划示意图；
图5为本发明机器人的路径规划方法一实施例中障碍物影响因素在实际指标中的量化计算示意图；
图6为本发明机器人的路径规划方法一实施例中机器人避障示意图；
图7为本发明机器人的路径规划方法一实施例中基准定位点区域划分与触发半径示意图；
图8为本发明路径规划***10较佳实施例的运行环境示意图；
图9为本发明路径规划***一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种机器人的路径规划方法。
参照图1，图1为本发明机器人的路径规划方法一实施例的流程示意图。
在一实施例中，该机器人的路径规划方法包括：
步骤S10，机器人的路径规划***在预先确定的区域地图中可供机器人移动的路径上预先选择一个或多个位置点作为基准定位点。
本实施例中，在预先确定的区域地图上预先选择一个或多个位置点作为基准定位点。例如，针对公共图书馆区域地图而言，可在各个相互连通且可供机器人移动的路径上选择一个或多个位置点作为基准定位点，如图2所示，图2中若干较小的黑色圆点即为在公共图书馆区域地图中选择的各个基准定位点，各个基准定位点均位于公共图书馆区域地图中可供机器人移动的路径上，图2中较大的黑色圆点为公共图书馆区域地图中机器人无法通过的障碍物。
步骤S20，若接收到将所述机器人从第一位置点移动到第二位置点的指令，则根据设置的基准定位点并按照预先确定的路径分析规则，分析出从所述第一位置点到所述第二位置点的路径，并基于分析出的路径控制所述机器人运动到所述第二位置点。
若接收到将所述机器人从第一位置点移动到第二位置点的指令，即机器人需要从第一位置点(例如，图2和图3中所示的P点)移动到第二位置点(例如，图2和图3中所示的Q点)，则机器人的路径规划***根据设置的基准定位点并按照预先确定的路径分析规则，分析出从第一位置点到第二位置的路径，并基于分析出的路径控制机器人运动到所述第二位置点。例如，针对区域地图中选定的各个基准定位点，可预先确定不同基准定位点之间的多条可移动的路径y1、y2、y3，如图3所示，基准定位点A与基准定位点B之间可预先确定出多条可移动的路径，确定出的多条可移动的路径均能绕开较大的黑色圆点，也即绕开机器人无法通过的障碍物，以便机器人能正常移动。若第一位置点如P点可顺利移动至其附近的基准定位点A，第二位置点Q点可顺利移动至其附近的基准定位点B，则机器人的路径规划***可根据需要选择基准定位点A与基准定位点B之间预先确定好的多条可移动的路径中的一条，即可作为分析出的机器人的移动路径，以完成将机器人从第一位置点运动到第二位置点的移动。例如，若需要机器人移动的路径最短，则可选择基准定位点A与基准定位点B之间预先确定好的可移动的路径y1或y3，等等。
本实施例通过在预先确定的区域地图中可供机器人移动的路径上预先选择一个或多个位置点作为基准定位点；在接收到将所述机器人从第一位置点移动到第二位置点的指令后，根据设置的基准定位点并按照预先确定的路径分析规则，分析出从所述第一位置点到所述第二位置点的路径，并基于分析出的路径控制所述机器人运动到所述第二位置点。无需机器人在路径规划时实时计算移动路径，而是从事先规划好的路径中进行对应选择，即将路径规划的过程从“计算”转变为“选择”，有效减少了实时计算量，提高了路径规划的效率。
进一步地，所述预先确定的路径分析规则包括：
确定距离第一位置点最近的第一基准定位点(例如，图3所示的A点)，及距离第二位置点最近的第二基准定位点(例如，图3所示的B点)；
为所述第一位置点至所述第一基准定位点，以及所述第二位置点至所述第二基准定位点的路径按照预设的第一规划方式进行规划；
为所述第一基准定位点至所述第二基准定位点的路径按照预设的第二规划方式进行规划，得到第二规划路径。
其中，所述第一规划方式为：
若两个位置点之间无障碍物，则取两个位置点之间的直线路径；若两个位置点之间有障碍物，则取两个位置点之间的绕过障碍物的最短路径。具体地，若所述第一位置点与所述第一基准定位点之间无障碍物，则取所述第一位置点与所述第一基准定位点之间的直线路径，如取P点至A点的直线路径。若所述第二位置点与所述第二基准定位点之间无障碍物，则取所述第二位置点与所述第二基准定位点之间的直线路径，如取Q点至B点的直线路径。若所述第一位置点与所述第一基准定位点之间有障碍物，则取所述第一位置点与所述第一基准定位点之间的绕过障碍物的最短路径；若所述第二位置点与所述第二基准定位点之间有障碍物，则取所述第一位置点与所述第一基准定位点之间的绕过障碍物的最短路径。
进一步地，所述第二规划方式包括如下步骤：
h1、根据预先确定的第一基准定位点、第二基准定位点及可选规划路径的映射关系，确定第一基准定位点和第二基准定位点对应的可选规划路径；
h2、按照预先确定的评分规则计算出各个可选规划路径对应的分值；
h3、若最高分值的可选规划路径只有一个，则将该可选规划路径作为第一基准定位点至第二基准定位点的第二规划路径；
h4、若最高分值的可选规划路径有多个，则从多个最高分值的可选规划路径中随机选择一个可选规划路径作为第一基准定位点至第二基准定位点的第二规划路径。
进一步地，所述步骤h1和h2之间，还包括如下步骤：
采用预先确定的筛选方式对可选规划路径进行过滤，以筛选出待进行分值计算的可选规划路径。所述预先确定的筛选方式包括如下步骤：
从各个可选规划路径中，筛选出包含预先确定的特定基准定位点的可选规划路径，并将筛选出的可选规划路径作为待进行分值计算的可选规划路径。例如，若机器人需要在从A点移动到B点的过程中播放一段广告，而广告需要在人群较多的路径M-N上进行播放。则机器人在路径规划过程中必须经过特定基准定位点M和N，从A到B可以选择的路径必须包含该特定基准定位点M和N，则只对包含该特定基准定位点M和N的可选规划路径进行分值计算，以简化路径的选择过程。
在另一种筛选方式中，还可根据预先确定的计算公式分别计算出各个可选规划路径对应的总长度，并分别计算出各个可选规划路径的总长度与第一基准定位点至第二基准定位点的最短路径的总长度的差值，第一基准定位点至第二基准定位点的最短路径可以是第一基准定位点与第二基准定位点之间的直线距离，也可以是第一基准定位点至第二基准定位点的各个可选规划路径中的最短路径。将对应的差值小于预设阈值的可选规划路径筛选出来作为待进行分值计算的可选规划路径。即筛选出路径长度较短的可选规划路径来进行选择，以提高选出最优规划路径的效率。
进一步地，在根据预先确定的计算公式来分别计算出各个可选规划路径对应的总长度时，所述预先确定的计算公式为：
其中，d(path)代表路径的总长度，还包括：
以限定各个可选规划路径中每个基准定位点只能经过一次，最差的情况是每个基准定位点都要经过。定义xij∈{0,1},i,j＝1,2,...,n,i≠j，约束条件决策变量xij＝1表示机器人选择了这段路径，xij＝0表示机器人没有选择这段路径。
进一步地，在按照预先确定的评分规则计算各个可选规划路径对应的分值时，所述预先确定的评分规则为：
根据各个可选规划路径对应的行走距离影响因素、行走时间影响因素和/或障碍物影响因素进行评分；其中，每一可选规划路径对应的分值为该可选规划路径中每两个相邻节点之间的路径在行走距离影响因素、行走时间影响因素或障碍物影响因素下的评分和。
具体地，可定义最后选取的路径为：
min[Score(path1),Score(path2),...,Score(pathi),...,Score(pathn)|n∈N+]
其中，Score(pathi)指的是编号为i的路径的综合评分，路径的综合评分公式如下：
Score(path)＝g[o(1),o(2),...,o(i),...,o(n)]
其中o(i)代表的是影响因素，所述影响因素包括行走距离影响因素、行走时间影响因素、障碍物(例如，避障难度)影响因素等，针对某一个影响因素，整条路径的该影响因素的评分值为每一段路径的评分和，即：
其中Lk,k+1代表着A到B这段路径中每两个相邻节点之间的路径的该影响因素的评分。例如，如图4所示，假设机器人从A点到B点有三条路径，path1＝A-L1-L2-L3-B，path2＝A-M1-M2-M3-B，path3＝A-N1-N2-N3-B，其中Li，Ni，Mi(i＝1,2,3)为基准定位点，则path1路径的长度为d(path1)，path2路径的长度为d(path2)，path3路径的长度为d(path3)。每一可选规划路径对应的分值为该可选规划路径中每两个相邻节点之间的路径在行走距离影响因素、行走时间影响因素或障碍物影响因素下的评分和，如path1路径对应的分值为该可选规划路径中每两个相邻节点之间的路径A-L1、L1-L2、L2-L3、L3-B在行走距离影响因素、行走时间影响因素或障碍物影响因素下的评分和。
进一步地，可选规划路径的评分公式如下：
Score(path)＝a·o(t)+b·o(d)
其中，o(t)为可选规划路径的时间评分，o(d)为可选规划路径的距离评分，a、b为预先确定的权值；定义第i个可选规划路径的时间评分oi(t)为：
其中，T(path1)、T(path2)……T(pathn)是不同可选规划路径下机器人移动到目标点所使用的时间，T(pathi)是第i个可选规划路径下机器人移动到目标点所使用的时间，kti代表第i个可选规划路径的时间惩罚系数，该时间惩罚系数为机器人在第i个可选规划路径内绕过障碍物需要多花费的时间，di代表第i个可选规划路径的路径长度，vi代表第i个可选规划路径内的机器人速度，Pi代表第i个可选规划路径内出现障碍物的概率。
定义第i个可选规划路径的距离评分oi(d)为：
d(pathi)＝∑(kdi·di·Pi+di·(1-Pi))
其中，d(path1)、d(path2)……d(pathn)是不同可选规划路径下机器人移动到目标点所行走的距离，kdi代表第i个可选规划路径的距离惩罚系数，该距离惩罚系数为机器人在第i个可选规划路径内绕过障碍物需要多移动的距离。
本实施例中，所述障碍物影响因素包括避障难度系数和出现障碍物的概率，在一种实施方式中，可以将机器人接入物联网***，通过这个***可以得到更多有用的信息，比如：(1)机器人能够得到物联网***服务器处理室内摄像头的信息。由于监控摄像头一般对应着某一固定场景。通过图像处理方法对摄像头的数据进行处理能够得到在某一个区域动态障碍物的数量及大致分布。(2)物联网***服务器能够对人员流动的数据进行统计整理。通过统计数据，可以预测出在哪些时间段，哪些区域内，人员分布较集中的概率。(3)更进一步，机器人***能够通过室内摄像头得到室内动态障碍物的分布(比如人员分布)，并实时对各个区段的路径的障碍物概率进行刷新。因此，机器人能够根据现有情况动态的选取最优路径。
如图5所示，图5为障碍物影响因素在实际指标中的量化计算示意图，将机器人的行走路径分割成若干个区域。假设已知：
(1)每两个“基准定位点”之间的距离d；
(2)每两个“基准定位点”之间的设定移动速度v；
(3)根据室内摄像头得到的实时图片信息以及服务器设定数据等等，可以得到一个当前室内各个区域的避障难度系数k以及障碍物可能出现的概率P，再映射到机器人的路径规划图上。不妨假设在区域III与区域IV中，人员分布比较集中，导致机器人在该区域内躲避障碍物的难度较大，即k(III)＝k(IV)>k(I)＝k(II)＝k(V)＝k(VI)。区域I、II与区域V、VI人员分布相近，但是从历史数据来看，区域I与区域II在这个时间段更容易出现障碍物即P(I)＝P(II)>P(V)＝P(VI)。相应的距离惩罚系数为kd，时间惩罚系数为kt
为计算方便，忽略路径A-L1,A-M1,A-N1之间与路径B-L3,B-M3,B-N3之间的区别，即只对路径L1-L2-L3(路径L)，M1-M2-M3(路径M)，N1-N2-N3路径(N)进行评分。给定已知条件如下表一所示：
路径 距离d 速度v 时间t k<sub>d</sub> k<sub>t</sub> P
L1-L2 55.0 3.0 18.3 1.5 5.0 0.8
L2-L3 55.0 3.0 18.3 1.5 5.0 0.8
M1-M2 50.0 3.0 16.7 2.0 8.0 0.6
M2-M3 50.0 3.0 16.7 2.0 8.0 0.6
N1-N2 70.0 3.0 23.3 1.5 5.0 0.3
N2-N3 70.0 3.0 23.3 1.5 5.0 0.3
表一
根据上述时间评分公式及距离评分公式可计算得到每一条路径经过障碍物因素修正后的时间与距离评分，根据上述对可选规划路径的综合评分公式可计算得到每条路径的综合评分，如下表二所示：
表二
根据计算结果，即可分析选取评分最低的路径，即第三条路径作为机器人的最优移动规划路径。
进一步地，所述基于分析出的路径控制机器人运动到所述第二位置点的步骤包括：
机器人的路径规划***实时或者定时分析当前待移动的路径中是否存在障碍物需要进行移动规避。在一种实施方式中，机器人的路径规划***实时或者定时从预先确定的区域监控服务器(例如，物联网***服务器)获取当前待移动的路径中的障碍物信息，并根据获取的障碍物信息分析是否存在障碍物需要进行移动规避。例如，若有静态障碍物处于待移动的路径上，则确定需要进行移动规避，或者，若有动态障碍物的移动路径与机器人的移动路径存在交汇点，则确定需要进行移动规避，现有技术中存在根据获取的障碍物信息分析是否存在障碍物需要进行移动规避的算法，在此不做赘述。在另一种实施方式中，机器人的路径规划***实时或者定时通过机器人配置的障碍物检测单元(例如，雷达单元)检测当前待移动的路径中的障碍物信息，并分析是否存在障碍物需要进行移动规避。
若分析存在障碍物需要进行移动规避，则机器人的路径规划***将当前位置作为新的第一位置点，根据设置的基准定位点并按照预先确定的路径分析规则，分析出从新的第一位置点到所述第二位置点的路径，并基于分析出的路径控制机器人运动到所述第二位置点。(例如图3所示的P点到Q点的规划路径)。
如图6所示，图6为机器人避障示意图，假设机器人要从A点移动到B点，在运动中在C点附近突然出现一个动态障碍物。现有技术中，机器人会根据某种算法动态地绕过障碍物并根据当前位置重新计算新的规划路径y4。这种方法存在一些不利的地方，比如：
(1)在绕开障碍物的过程中，机器人需要不断地计算躲避路径，并不断计算从当前位置到达目标点的路径。这一过程将耗费大量计算资源与时间。
(2)机器人无法得知眼前的这个障碍物的大小、绕过所需要花费的时间、绕过之后是不是还有其他障碍物。例如，出现在机器人面前的是一堵很长的人墙，采用常规方法将会花费大量的时间才能绕过这堵人墙。
与其相对的，在本实施例基于基准定位点来规划路径的方式中，机器人通过直接选择其他基准定位点来重新选择另外一条路径。假设L1、L2是基准定位点。当机器人遇到障碍物的时候，机器人能够重新选择另外一条路线C-L1-L2-B来到达B点，即机器人可以不去选择绕过障碍物，而是去选择另外一条路径，而且选择路线相对实时计算路线更有效率，不会占用机器人的大量计算资源，响应更加及时。
进一步地，机器人的路径规划***在预先确定的区域地图上预先选择一个或多个位置点作为基准定位点的同时，还在预先确定的区域地图中各个基准定位点对应的位置处设置对应的位置点标识。所述位置点标识可以为人工位置路标，e.g.，例如，第二层A3区域的第二个基准定位点对应的位置处的人工路标可以为“L1A3P2”，或者，“L1A3②”；也可以是自然位置路标，e.g.，例如，第二层A3区域的第二个基准定位点对应的位置处的自然路标可以为“→A3”。
所述基于分析出的路径控制机器人运动到所述第二位置点的步骤还包括：
机器人的路径规划***实时或者定时进行位置定位；
根据预先确定的基准定位点与触发坐标区域的映射关系，分析当前位置是否处于一个基准定位点的触发坐标区域中；所述触发坐标区域可以是以基准定位点为圆心、预设长度为半径的圆形区域或正方形区域，等等。
若当前位置处于一个基准定位点的触发坐标区域中，则开启位置点标识识别设备(如摄像头)开始检测位置点标识；
当检测到位置点标识时，通过机器人的传感器计算出机器人与检测的位置点标识的距离和方向，以得到机器人当前的位置和姿态，并根据机器人当前的位置和姿态对前进方向进行校准。
进一步地，为了大大减小每次查询的计算量，所述根据预先确定的基准定位点与触发坐标区域的映射关系，分析当前位置是否处于一个基准定位点的触发坐标区域中的步骤包括：
根据预先确定的区域与坐标范围的映射关系，确定当前位置所处的区域；
根据预先确定的区域与基准定位点的映射关系，确定当前位置对应的目标基准定位点；
分析当前位置是否处于一个目标基准定位点的触发坐标区域中；
若当前位置处于一个目标基准定位点的触发坐标区域中，则确定当前位置处于一个基准定位点的触发坐标区域中，或者，若当前位置不处于一个目标基准定位点的触发坐标区域中，则确定当前位置不处于一个基准定位点的触发坐标区域中。
在机器人按照规划路径移动过程中，机器人需要通过定位方式确定当前位置与目标点的位置，以及在移动过程中也需要确认自身的位置。现在广泛采用相对定位与绝对定位结合的方式。因为相对定位存在不可避免的误差累计问题，需要采用绝对定位的方法进行校准。在机器人的相对定位中，机器人是在上次定位结果的基础上，通过惯性等传感器测得的相对位移，来计算本次定位的结果。由于每次定位都会有一定误差，误差会不断地累积、越来越大，最终导致一段时间后定位误差大到不可接受。因此，机器人需要在适当的时刻采用某种方法对定位信息进行校准。
本实施例中是在基准定位点模式下采用位置点标识来校准，机器人可以根据自身的位置粗略确定路标的位置，当机器人识别到位置点标识后，通过传感器计算出机器人与路标的距离和方向，得到机器人当前的位置和姿态。
现有的校准方法中，机器人需要时时刻刻打开检测设备去搜寻附近是否有位置点标识，并进行校准。因此，需要在大范围内布置大量的位置点标识，也浪费了机器人大量的计算资源。而本实施例中在基准定位点模式下，将位置点标识的布置范围缩小到了基准定位点附近，无需全局性地布置大量路标，只需选择性地在基准定位点附近布置路标，从而有效减少路标布置的数量，防止因大量路标的布设引起其他类型标识的混淆。
在以图像识别作为校准方案的实施例中，假设每个基准定位点的位置点标识为一张图片，该图片对应地图中唯一的坐标(a，b)。在机器人头顶安装有一个摄像头，用于识别位置点标识图片。当机器人捕捉到位置点标识图片时，能够获得机器人相对于目标图片的相对坐标(m，n)，则机器人可以得到自身的当前坐标为(a+m，b+n)，并将该坐标作为当前准确的坐标，实现坐标校准。在一种实施方式中，机器人在移动过程中为了不错过位置点标识，将实时打开顶部摄像头，不断对视频进行处理。而在另一种实施方式的基准定位点模式下，当且仅当机器人进入基准定位点的触发坐标区域即触发半径时，摄像头才打开捕捉位置点标识进行校准。因此，本实施例通过设置基准定位点的触发坐标区域给了机器人校准的时机，并便于机器人的控制，从而减少计算量和资源消耗。
在基准定位点模式下分析机器人当前位置是否处于一个基准定位点的触发坐标区域中时，一种实施方式是机器人实时利用当前坐标和数据库中每一个基准定位点的坐标进行计算，判断当前坐标与某个基准定位点的坐标是否小于触发半径。而为了加速搜索过程，在另一种实施方式中，将地图和基准定位点进行分割分类，查询时不对所有基准定位点进行查询，而是通过判断自身所在区域，只对构成区域的基准定位点进行查询，从而大大减小每次查询的计算量。如图7所示，图7为基准定位点区域划分与触发半径示意图，该校准方案包括如下步骤：
第一，利用基准定位点r将地图分割成多个多边形区域1、2……9，每个基准定位点都有相应半径的触发半径R。
第二，机器人判断当前坐标位于哪个区域内。例如图7中机器人当前位于编号为5的区域内。
第三，当机器人在某个多边形区域中时，机器人将以时间t的间隔查询确认自己当前坐标是否在这个区域角点的基准定位点的触发半径中。例如图7中，机器人当前坐标位于编号为5的方形区域内，机器人将仅会查询确认当前坐标是否在构成该区域的四个角点的基准定位点”的区域(即编号为A,B,C,D四个基准定位点构成的区域)内。
第四，若分析当前坐标已经进入某个基准定位点的触发半径区域，机器人将会打开位置点标识识别设备(如摄像头)开始检测位置点标识。
第五，当检测到位置点标识时，机器人将通过计算出的坐标信息来对当前坐标进行校准。
本发明进一步提供一种机器人的路径规划***。
请参阅图8，是本发明路径规划***10较佳实施例的运行环境示意图。
在本实施例中，所述的路径规划***10安装并运行于机器人1中。该机器人1可包括，但不仅限于，存储器11、处理器12及显示器13。图1仅示出了具有组件11-13的机器人1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器11在一些实施例中可以是所述机器人1的内部存储单元，例如该机器人1的硬盘或内存。所述存储器11在另一些实施例中也可以是所述机器人1的外部存储设备，例如所述机器人1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括所述机器人1的内部存储单元也包括外部存储设备。所述存储器11用于存储安装于所述机器人1的应用软件及各类数据，例如所述路径规划***10的程序代码等。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器11中存储的程序代码或处理数据，例如执行所述路径规划***10等。
所述显示器13在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器13用于显示在所述机器人1中处理的信息以及用于显示可视化的用户界面，例如应用菜单界面、应用图标界面等。所述机器人1的部件11-13通过***总线相互通信。
请参阅图9，是本发明路径规划***10较佳实施例的功能模块图。在本实施例中，所述的路径规划***10可以被分割成一个或多个模块，所述一个或者多个模块被存储于所述存储器11中，并由一个或多个处理器(本实施例为所述处理器12)所执行，以完成本发明。例如，在图9中，所述的路径规划***10可以被分割成选择模块01、路径规划模块02。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述路径规划***10在所述机器人1中的执行过程。以下描述将具体介绍所述选择模块01、路径规划模块02的功能。
选择模块01，用于在预先确定的区域地图中可供机器人移动的路径上预先选择一个或多个位置点作为基准定位点。
本实施例中，在预先确定的区域地图上预先选择一个或多个位置点作为基准定位点。例如，针对公共图书馆区域地图而言，可在各个相互连通且可供机器人移动的路径上选择一个或多个位置点作为基准定位点，如图2所示，图2中若干较小的黑色圆点即为在公共图书馆区域地图中选择的各个基准定位点，各个基准定位点均位于公共图书馆区域地图中可供机器人移动的路径上，图2中较大的黑色圆点为公共图书馆区域地图中机器人无法通过的障碍物。
路径规划模块02，用于若接收到将所述机器人从第一位置点移动到第二位置点的指令，则根据设置的基准定位点并按照预先确定的路径分析规则，分析出从所述第一位置点到所述第二位置点的路径，并基于分析出的路径控制所述机器人运动到所述第二位置点。
若接收到将所述机器人从第一位置点移动到第二位置点的指令，即机器人需要从第一位置点(例如，图2和图3中所示的P点)移动到第二位置点(例如，图2和图3中所示的Q点)，则机器人的路径规划***根据设置的基准定位点并按照预先确定的路径分析规则，分析出从第一位置点到第二位置的路径，并基于分析出的路径控制机器人运动到所述第二位置点。例如，针对区域地图中选定的各个基准定位点，可预先确定不同基准定位点之间的多条可移动的路径y1、y2、y3，如图3所示，基准定位点A与基准定位点B之间可预先确定出多条可移动的路径，确定出的多条可移动的路径均能绕开较大的黑色圆点，也即绕开机器人无法通过的障碍物，以便机器人能正常移动。若第一位置点如P点可顺利移动至其附近的基准定位点A，第二位置点Q点可顺利移动至其附近的基准定位点B，则机器人的路径规划***可根据需要选择基准定位点A与基准定位点B之间预先确定好的多条可移动的路径中的一条，即可作为分析出的机器人的移动路径，以完成将机器人从第一位置点运动到第二位置点的移动。例如，若需要机器人移动的路径最短，则可选择基准定位点A与基准定位点B之间预先确定好的可移动的路径y1或y3，等等。
本实施例通过在预先确定的区域地图中可供机器人移动的路径上预先选择一个或多个位置点作为基准定位点；在接收到将所述机器人从第一位置点移动到第二位置点的指令后，根据设置的基准定位点并按照预先确定的路径分析规则，分析出从所述第一位置点到所述第二位置点的路径，并基于分析出的路径控制所述机器人运动到所述第二位置点。无需机器人在路径规划时实时计算移动路径，而是从事先规划好的路径中进行对应选择，即将路径规划的过程从“计算”转变为“选择”，有效减少了实时计算量，提高了路径规划的效率。
进一步地，所述预先确定的路径分析规则包括：
确定距离第一位置点最近的第一基准定位点(例如，图3所示的A点)，及距离第二位置点最近的第二基准定位点(例如，图3所示的B点)；
为所述第一位置点至所述第一基准定位点，以及所述第二位置点至所述第二基准定位点的路径按照预设的第一规划方式进行规划；
为所述第一基准定位点至所述第二基准定位点的路径按照预设的第二规划方式进行规划，得到第二规划路径。
其中，所述第一规划方式为：
若两个位置点之间无障碍物，则取两个位置点之间的直线路径；若两个位置点之间有障碍物，则取两个位置点之间的绕过障碍物的最短路径。具体地，若所述第一位置点与所述第一基准定位点之间无障碍物，则取所述第一位置点与所述第一基准定位点之间的直线路径，如取P点至A点的直线路径。若所述第二位置点与所述第二基准定位点之间无障碍物，则取所述第二位置点与所述第二基准定位点之间的直线路径，如取Q点至B点的直线路径。若所述第一位置点与所述第一基准定位点之间有障碍物，则取所述第一位置点与所述第一基准定位点之间的绕过障碍物的最短路径；若所述第二位置点与所述第二基准定位点之间有障碍物，则取所述第一位置点与所述第一基准定位点之间的绕过障碍物的最短路径。
进一步地，所述第二规划方式包括如下步骤：
h1、根据预先确定的第一基准定位点、第二基准定位点及可选规划路径的映射关系，确定第一基准定位点和第二基准定位点对应的可选规划路径；
h2、按照预先确定的评分规则计算出各个可选规划路径对应的分值；
h3、若最高分值的可选规划路径只有一个，则将该可选规划路径作为第一基准定位点至第二基准定位点的第二规划路径；
h4、若最高分值的可选规划路径有多个，则从多个最高分值的可选规划路径中随机选择一个可选规划路径作为第一基准定位点至第二基准定位点的第二规划路径。
进一步地，所述步骤h1和h2之间，还包括如下步骤：
采用预先确定的筛选方式对可选规划路径进行过滤，以筛选出待进行分值计算的可选规划路径。所述预先确定的筛选方式包括如下步骤：
从各个可选规划路径中，筛选出包含预先确定的特定基准定位点的可选规划路径，并将筛选出的可选规划路径作为待进行分值计算的可选规划路径。例如，若机器人需要在从A点移动到B点的过程中播放一段广告，而广告需要在人群较多的路径M-N上进行播放。则机器人在路径规划过程中必须经过特定基准定位点M和N，从A到B可以选择的路径必须包含该特定基准定位点M和N，则只对包含该特定基准定位点M和N的可选规划路径进行分值计算，以简化路径的选择过程。
在另一种筛选方式中，还可根据预先确定的计算公式分别计算出各个可选规划路径对应的总长度，并分别计算出各个可选规划路径的总长度与第一基准定位点至第二基准定位点的最短路径的总长度的差值，第一基准定位点至第二基准定位点的最短路径可以是第一基准定位点与第二基准定位点之间的直线距离，也可以是第一基准定位点至第二基准定位点的各个可选规划路径中的最短路径。将对应的差值小于预设阈值的可选规划路径筛选出来作为待进行分值计算的可选规划路径。即筛选出路径长度较短的可选规划路径来进行选择，以提高选出最优规划路径的效率。
进一步地，在根据预先确定的计算公式来分别计算出各个可选规划路径对应的总长度时，所述预先确定的计算公式为：
其中，d(path)代表路径的总长度，还包括：
以限定各个可选规划路径中每个基准定位点只能经过一次，最差的情况是每个基准定位点都要经过。定义xij∈{0,1},i,j＝1,2,...,n,i≠j，约束条件决策变量xij＝1表示机器人选择了这段路径，xij＝0表示机器人没有选择这段路径。
进一步地，在按照预先确定的评分规则计算各个可选规划路径对应的分值时，所述预先确定的评分规则为：
根据各个可选规划路径对应的行走距离影响因素、行走时间影响因素和/或障碍物影响因素进行评分；其中，每一可选规划路径对应的分值为该可选规划路径中每两个相邻节点之间的路径在行走距离影响因素、行走时间影响因素或障碍物影响因素下的评分和。
具体地，可定义最后选取的路径为：
min[Score(path1),Score(path2),...,Score(pathi),...,Score(pathn)|n∈N+]
其中，Score(pathi)指的是编号为i的路径的综合评分，路径的综合评分公式如下：
Score(path)＝g[o(1),o(2),...,o(i),...,o(n)]
其中o(i)代表的是影响因素，所述影响因素包括行走距离影响因素、行走时间影响因素、障碍物(例如，避障难度)影响因素等，针对某一个影响因素，整条路径的该影响因素的评分值为每一段路径的评分和，即：
其中Lk,k+1代表着A到B这段路径中每两个相邻节点之间的路径的该影响因素的评分。例如，如图4所示，假设机器人从A点到B点有三条路径，path1＝A-L1-L2-L3-B，path2＝A-M1-M2-M3-B，path3＝A-N1-N2-N3-B，其中Li，Ni，Mi(i＝1,2,3)为基准定位点，则path1路径的长度为d(path1)，path2路径的长度为d(path2)，path3路径的长度为d(path3)。每一可选规划路径对应的分值为该可选规划路径中每两个相邻节点之间的路径在行走距离影响因素、行走时间影响因素或障碍物影响因素下的评分和，如path1路径对应的分值为该可选规划路径中每两个相邻节点之间的路径A-L1、L1-L2、L2-L3、L3-B在行走距离影响因素、行走时间影响因素或障碍物影响因素下的评分和。
进一步地，可选规划路径的评分公式如下：
Score(path)＝a·o(t)+b·o(d)
其中，o(t)为可选规划路径的时间评分，o(d)为可选规划路径的距离评分，a、b为预先确定的权值；定义第i个可选规划路径的时间评分oi(t)为：
其中，T(path1)、T(path2)……T(pathn)是不同可选规划路径下机器人移动到目标点所使用的时间，T(pathi)是第i个可选规划路径下机器人移动到目标点所使用的时间，kti代表第i个可选规划路径的时间惩罚系数，该时间惩罚系数为机器人在第i个可选规划路径内绕过障碍物需要多花费的时间，di代表第i个可选规划路径的路径长度，vi代表第i个可选规划路径内的机器人速度，Pi代表第i个可选规划路径内出现障碍物的概率。
定义第i个可选规划路径的距离评分oi(d)为：
d(pathi)＝∑(kdi·di·Pi+di·(1-Pi))
其中，d(path1)、d(path2)……d(pathn)是不同可选规划路径下机器人移动到目标点所行走的距离，kdi代表第i个可选规划路径的距离惩罚系数，该距离惩罚系数为机器人在第i个可选规划路径内绕过障碍物需要多移动的距离。
本实施例中，所述障碍物影响因素包括避障难度系数和出现障碍物的概率，在一种实施方式中，可以将机器人接入物联网***，通过这个***可以得到更多有用的信息，比如：(1)机器人能够得到物联网***服务器处理室内摄像头的信息。由于监控摄像头一般对应着某一固定场景。通过图像处理方法对摄像头的数据进行处理能够得到在某一个区域动态障碍物的数量及大致分布。(2)物联网***服务器能够对人员流动的数据进行统计整理。通过统计数据，可以预测出在哪些时间段，哪些区域内，人员分布较集中的概率。(3)更进一步，机器人***能够通过室内摄像头得到室内动态障碍物的分布(比如人员分布)，并实时对各个区段的路径的障碍物概率进行刷新。因此，机器人能够根据现有情况动态的选取最优路径。
如图5所示，图5为障碍物影响因素在实际指标中的量化计算示意图，将机器人的行走路径分割成若干个区域。假设已知：
(1)每两个“基准定位点”之间的距离d；
(2)每两个“基准定位点”之间的设定移动速度v；
(3)根据室内摄像头得到的实时图片信息以及服务器设定数据等等，可以得到一个当前室内各个区域的避障难度系数k以及障碍物可能出现的概率P，再映射到机器人的路径规划图上。不妨假设在区域III与区域IV中，人员分布比较集中，导致机器人在该区域内躲避障碍物的难度较大，即k(III)＝k(IV)>k(I)＝k(II)＝k(V)＝k(VI)。区域I、II与区域V、VI人员分布相近，但是从历史数据来看，区域I与区域II在这个时间段更容易出现障碍物即P(I)＝P(II)>P(V)＝P(VI)。相应的距离惩罚系数为kd，时间惩罚系数为kt
为计算方便，忽略路径A-L1,A-M1,A-N1之间与路径B-L3,B-M3,B-N3之间的区别，即只对路径L1-L2-L3(路径L)，M1-M2-M3(路径M)，N1-N2-N3路径(N)进行评分。给定已知条件如下表一所示：
路径 距离d 速度v 时间t k<sub>d</sub> k<sub>t</sub> P
L1-L2 55.0 3.0 18.3 1.5 5.0 0.8
L2-L3 55.0 3.0 18.3 1.5 5.0 0.8
M1-M2 50.0 3.0 16.7 2.0 8.0 0.6
M2-M3 50.0 3.0 16.7 2.0 8.0 0.6
N1-N2 70.0 3.0 23.3 1.5 5.0 0.3
N2-N3 70.0 3.0 23.3 1.5 5.0 0.3
表一
根据上述时间评分公式及距离评分公式可计算得到每一条路径经过障碍物因素修正后的时间与距离评分，根据上述对可选规划路径的综合评分公式可计算得到每条路径的综合评分，如下表二所示：
表二
根据计算结果，即可分析选取评分最低的路径，即第三条路径作为机器人的最优移动规划路径。
进一步地，上述路径规划模块02还用于：
实时或者定时分析当前待移动的路径中是否存在障碍物需要进行移动规避。在一种实施方式中，机器人的路径规划***实时或者定时从预先确定的区域监控服务器(例如，物联网***服务器)获取当前待移动的路径中的障碍物信息，并根据获取的障碍物信息分析是否存在障碍物需要进行移动规避。例如，若有静态障碍物处于待移动的路径上，则确定需要进行移动规避，或者，若有动态障碍物的移动路径与机器人的移动路径存在交汇点，则确定需要进行移动规避，现有技术中存在根据获取的障碍物信息分析是否存在障碍物需要进行移动规避的算法，在此不做赘述。在另一种实施方式中，机器人的路径规划***实时或者定时通过机器人配置的障碍物检测单元(例如，雷达单元)检测当前待移动的路径中的障碍物信息，并分析是否存在障碍物需要进行移动规避。
若分析存在障碍物需要进行移动规避，则机器人的路径规划***将当前位置作为新的第一位置点，根据设置的基准定位点并按照预先确定的路径分析规则，分析出从新的第一位置点到所述第二位置点的路径，并基于分析出的路径控制机器人运动到所述第二位置点。(例如图3所示的P点到Q点的规划路径)。
如图6所示，图6为机器人避障示意图，假设机器人要从A点移动到B点，在运动中在C点附近突然出现一个动态障碍物。现有技术中，机器人会根据某种算法动态地绕过障碍物并根据当前位置重新计算新的规划路径y4。这种方法存在一些不利的地方，比如：
(1)在绕开障碍物的过程中，机器人需要不断地计算躲避路径，并不断计算从当前位置到达目标点的路径。这一过程将耗费大量计算资源与时间。
(2)机器人无法得知眼前的这个障碍物的大小、绕过所需要花费的时间、绕过之后是不是还有其他障碍物。例如，出现在机器人面前的是一堵很长的人墙，采用常规方法将会花费大量的时间才能绕过这堵人墙。
与其相对的，在本实施例基于基准定位点来规划路径的方式中，机器人通过直接选择其他基准定位点来重新选择另外一条路径。假设L1、L2是基准定位点。当机器人遇到障碍物的时候，机器人能够重新选择另外一条路线C-L1-L2-B来到达B点，即机器人可以不去选择绕过障碍物，而是去选择另外一条路径，而且选择路线相对实时计算路线更有效率，不会占用机器人的大量计算资源，响应更加及时。
进一步地，上述选择模块01在预先确定的区域地图上预先选择一个或多个位置点作为基准定位点的同时，还在预先确定的区域地图中各个基准定位点对应的位置处设置对应的位置点标识。所述位置点标识可以为人工位置路标，e.g.，例如，第二层A3区域的第二个基准定位点对应的位置处的人工路标可以为“L1A3P2”，或者，“L1A3②”；也可以是自然位置路标，e.g.，例如，第二层A3区域的第二个基准定位点对应的位置处的自然路标可以为“→A3”。
上述路径规划模块02还用于：
实时或者定时进行位置定位；根据预先确定的基准定位点与触发坐标区域的映射关系，分析当前位置是否处于一个基准定位点的触发坐标区域中；所述触发坐标区域可以是以基准定位点为圆心、预设长度为半径的圆形区域或正方形区域，等等。
若当前位置处于一个基准定位点的触发坐标区域中，则开启位置点标识识别设备(如摄像头)开始检测位置点标识；
当检测到位置点标识时，通过机器人的传感器计算出机器人与检测的位置点标识的距离和方向，以得到机器人当前的位置和姿态，并根据机器人当前的位置和姿态对前进方向进行校准。
进一步地，为了大大减小每次查询的计算量，上述路径规划模块02还用于：
根据预先确定的区域与坐标范围的映射关系，确定当前位置所处的区域；
根据预先确定的区域与基准定位点的映射关系，确定当前位置对应的目标基准定位点；
分析当前位置是否处于一个目标基准定位点的触发坐标区域中；
若当前位置处于一个目标基准定位点的触发坐标区域中，则确定当前位置处于一个基准定位点的触发坐标区域中，或者，若当前位置不处于一个目标基准定位点的触发坐标区域中，则确定当前位置不处于一个基准定位点的触发坐标区域中。
在机器人按照规划路径移动过程中，机器人需要通过定位方式确定当前位置与目标点的位置，以及在移动过程中也需要确认自身的位置。现在广泛采用相对定位与绝对定位结合的方式。因为相对定位存在不可避免的误差累计问题，需要采用绝对定位的方法进行校准。在机器人的相对定位中，机器人是在上次定位结果的基础上，通过惯性等传感器测得的相对位移，来计算本次定位的结果。由于每次定位都会有一定误差，误差会不断地累积、越来越大，最终导致一段时间后定位误差大到不可接受。因此，机器人需要在适当的时刻采用某种方法对定位信息进行校准。
本实施例中是在基准定位点模式下采用位置点标识来校准，机器人可以根据自身的位置粗略确定路标的位置，当机器人识别到位置点标识后，通过传感器计算出机器人与路标的距离和方向，得到机器人当前的位置和姿态。
现有的校准方法中，机器人需要时时刻刻打开检测设备去搜寻附近是否有位置点标识，并进行校准。因此，需要在大范围内布置大量的位置点标识，也浪费了机器人大量的计算资源。而本实施例中在基准定位点模式下，将位置点标识的布置范围缩小到了基准定位点附近，无需全局性地布置大量路标，只需选择性地在基准定位点附近布置路标，从而有效减少路标布置的数量，防止因大量路标的布设引起其他类型标识的混淆。
在以图像识别作为校准方案的实施例中，假设每个基准定位点的位置点标识为一张图片，该图片对应地图中唯一的坐标(a，b)。在机器人头顶安装有一个摄像头，用于识别位置点标识图片。当机器人捕捉到位置点标识图片时，能够获得机器人相对于目标图片的相对坐标(m，n)，则机器人可以得到自身的当前坐标为(a+m，b+n)，并将该坐标作为当前准确的坐标，实现坐标校准。在一种实施方式中，机器人在移动过程中为了不错过位置点标识，将实时打开顶部摄像头，不断对视频进行处理。而在另一种实施方式的基准定位点模式下，当且仅当机器人进入基准定位点的触发坐标区域即触发半径时，摄像头才打开捕捉位置点标识进行校准。因此，本实施例通过设置基准定位点的触发坐标区域给了机器人校准的时机，并便于机器人的控制，从而减少计算量和资源消耗。
在基准定位点模式下分析机器人当前位置是否处于一个基准定位点的触发坐标区域中时，一种实施方式是机器人实时利用当前坐标和数据库中每一个基准定位点的坐标进行计算，判断当前坐标与某个基准定位点的坐标是否小于触发半径。而为了加速搜索过程，在另一种实施方式中，将地图和基准定位点进行分割分类，查询时不对所有基准定位点进行查询，而是通过判断自身所在区域，只对构成区域的基准定位点进行查询，从而大大减小每次查询的计算量。如图7所示，图7为基准定位点区域划分与触发半径示意图，该校准方案包括如下步骤：
第一，利用基准定位点r将地图分割成多个多边形区域1、2……9，每个基准定位点都有相应半径的触发半径R。
第二，机器人判断当前坐标位于哪个区域内。例如图7中机器人当前位于编号为5的区域内。
第三，当机器人在某个多边形区域中时，机器人将以时间t的间隔查询确认自己当前坐标是否在这个区域角点的基准定位点的触发半径中。例如图7中，机器人当前坐标位于编号为5的方形区域内，机器人将仅会查询确认当前坐标是否在构成该区域的四个角点的基准定位点”的区域(即编号为A,B,C,D四个基准定位点构成的区域)内。
第四，若分析当前坐标已经进入某个基准定位点的触发半径区域，机器人将会打开位置点标识识别设备(如摄像头)开始检测位置点标识。
第五，当检测到位置点标识时，机器人将通过计算出的坐标信息来对当前坐标进行校准。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。

Claims (7)

1.一种机器人的路径规划***，其特征在于，所述路径规划***包括：
选择模块，用于在预先确定的区域地图中可供机器人移动的路径上预先选择多个位置点作为基准定位点；
路径规划模块，用于若接收到将所述机器人从第一位置点移动到第二位置点的指令，则根据设置的基准定位点并按照预先确定的路径分析规则，分析出从所述第一位置点到所述第二位置点的路径，并基于分析出的路径控制所述机器人运动到所述第二位置点；
所述预先确定的路径分析规则包括：
确定距离所述第一位置点最近的第一基准定位点，及距离所述第二位置点最近的第二基准定位点；
为所述第一位置点至所述第一基准定位点，以及所述第二位置点至所述第二基准定位点的路径按照预设的第一规划方式进行规划；
为所述第一基准定位点至所述第二基准定位点的路径按照预设的第二规划方式进行规划，得到第二规划路径；
所述第一规划方式为：
若所述第一位置点与所述第一基准定位点之间无障碍物，则取所述第一位置点与所述第一基准定位点之间的直线路径；若所述第二位置点与所述第二基准定位点之间无障碍物，则取所述第二位置点与所述第二基准定位点之间的直线路径；
若所述第一位置点与所述第一基准定位点之间有障碍物，则取所述第一位置点与所述第一基准定位点之间的绕过障碍物的最短路径；若所述第二位置点与所述第二基准定位点之间有障碍物，则取所述第一位置点与所述第一基准定位点之间的绕过障碍物的最短路径；
所述第二规划方式包括如下步骤：
h1、根据预先确定的第一基准定位点、第二基准定位点及可选规划路径的映射关系，确定第一基准定位点和第二基准定位点对应的可选规划路径；
h2、按照预先确定的评分规则计算出各个可选规划路径对应的分值；
h3、若最高分值的可选规划路径只有一个，则将该可选规划路径作为第一基准定位点至第二基准定位点的第二规划路径；
h4、若最高分值的可选规划路径有多个，则从多个最高分值的可选规划路径中随机选择一个可选规划路径作为第一基准定位点至第二基准定位点的第二规划路径。
2.如权利要求1所述的路径规划***，其特征在于，所述步骤h1和h2之间，还包括如下步骤：
从各个可选规划路径中，筛选出包含预先确定的特定基准定位点的可选规划路径，并将筛选出的可选规划路径作为待计算分值的可选规划路径；及/或，
根据预先确定的计算公式分别计算出各个可选规划路径对应的总长度，并分别计算出各个可选规划路径的总长度与第一基准定位点至第二基准定位点的最短路径的总长度的差值，将差值小于预设阈值的可选规划路径筛选出来作为待计算分值的可选规划路径。
3.如权利要求1所述的路径规划***，其特征在于，所述步骤h2包括：
根据各个可选规划路径对应的行走距离影响因素、行走时间影响因素和/或障碍物影响因素进行评分；其中，每一可选规划路径对应的分值为该可选规划路径中每两个相邻节点之间的路径在行走距离影响因素、行走时间影响因素或障碍物影响因素下的评分和。
4.如权利要求3所述的路径规划***，其特征在于，可选规划路径的评分公式如下：
Score(path)＝a·o(t)+b·o(d)
其中，o(t)为可选规划路径的时间评分，o(d)为可选规划路径的距离评分，a、b为预先确定的权值；定义第i个可选规划路径的时间评分oi(t)为：
其中，T(path1)、T(path2)……T(pathn)是不同可选规划路径下机器人移动到目标点所使用的时间，T(pathi)是第i个可选规划路径下机器人移动到目标点所使用的时间，kti代表第i个可选规划路径的时间惩罚系数，该时间惩罚系数为机器人在第i个可选规划路径内绕过障碍物需要多花费的时间，di代表第i个可选规划路径的路径长度，vi代表第i个可选规划路径内的机器人速度，Pi代表第i个可选规划路径内出现障碍物的概率；
定义第i个可选规划路径的距离评分oi(d)为：
d(pathi)＝∑(kdi·di·Pi+di·(1-Pi))
其中，d(path1)、d(path2)……d(pathn)是不同可选规划路径下机器人移动到目标点所行走的距离，kdi代表第i个可选规划路径的距离惩罚系数，该距离惩罚系数为机器人在第i个可选规划路径内绕过障碍物需要多移动的距离。
5.如权利要求1-4任一项所述的路径规划***，其特征在于，所述路径规划模块还用于：
实时或者定时分析当前待移动的路径中是否存在障碍物需要进行移动规避；若分析存在障碍物需要进行移动规避，则将当前位置作为新的第一位置点，根据设置的基准定位点并按照预先确定的路径分析规则，分析出从新的第一位置点到所述第二位置点的路径，并基于分析出的路径控制机器人运动到所述第二位置点。
6.如权利要求1-4任一项所述的路径规划***，其特征在于，所述选择模块还用于：
在预先确定的区域地图中各个基准定位点对应的位置处设置对应的位置点标识；
所述路径规划模块还用于：
实时或者定时进行位置定位；根据预先确定的基准定位点与触发坐标区域的映射关系，分析当前位置是否处于一个基准定位点的触发坐标区域中；若当前位置处于一个基准定位点的触发坐标区域中，则开启位置点标识识别设备开始检测位置点标识；当检测到位置点标识时，通过机器人的传感器计算出机器人与检测的位置点标识的距离和方向，以得到机器人当前的位置和姿态，并根据机器人当前的位置和姿态对前进方向进行校准。
7.一种机器人的路径规划方法，其特征在于，所述方法包括以下步骤：
机器人的路径规划***在预先确定的区域地图中可供机器人移动的路径上预先选择多个位置点作为基准定位点；
若接收到将所述机器人从第一位置点移动到第二位置点的指令，则根据设置的基准定位点并按照预先确定的路径分析规则，分析出从所述第一位置点到所述第二位置点的路径，并基于分析出的路径控制所述机器人运动到所述第二位置点；
所述预先确定的路径分析规则包括：
确定距离所述第一位置点最近的第一基准定位点，及距离所述第二位置点最近的第二基准定位点；
为所述第一位置点至所述第一基准定位点，以及所述第二位置点至所述第二基准定位点的路径按照预设的第一规划方式进行规划；
为所述第一基准定位点至所述第二基准定位点的路径按照预设的第二规划方式进行规划，得到第二规划路径；
所述第一规划方式为：
若所述第一位置点与所述第一基准定位点之间无障碍物，则取所述第一位置点与所述第一基准定位点之间的直线路径；若所述第二位置点与所述第二基准定位点之间无障碍物，则取所述第二位置点与所述第二基准定位点之间的直线路径；
若所述第一位置点与所述第一基准定位点之间有障碍物，则取所述第一位置点与所述第一基准定位点之间的绕过障碍物的最短路径；若所述第二位置点与所述第二基准定位点之间有障碍物，则取所述第一位置点与所述第一基准定位点之间的绕过障碍物的最短路径；
所述第二规划方式包括如下步骤：
h1、根据预先确定的第一基准定位点、第二基准定位点及可选规划路径的映射关系，确定第一基准定位点和第二基准定位点对应的可选规划路径；
h2、按照预先确定的评分规则计算出各个可选规划路径对应的分值；
h3、若最高分值的可选规划路径只有一个，则将该可选规划路径作为第一基准定位点至第二基准定位点的第二规划路径；
h4、若最高分值的可选规划路径有多个，则从多个最高分值的可选规划路径中随机选择一个可选规划路径作为第一基准定位点至第二基准定位点的第二规划路径。
CN201710232929.0A 2017-04-11 2017-04-11 机器人的路径规划***及方法 Active CN107677285B (zh)

Priority Applications (9)

Application Number Priority Date Filing Date Title
CN201710232929.0A CN107677285B (zh) 2017-04-11 2017-04-11 机器人的路径规划***及方法
AU2017409109A AU2017409109B9 (en) 2017-04-11 2017-06-30 Path planning system and method for robot, robot and storage medium
JP2018541387A JP6800989B2 (ja) 2017-04-11 2017-06-30 ロボットの経路計画システム、方法、ロボット及び媒体
KR1020187023692A KR102152192B1 (ko) 2017-04-11 2017-06-30 로봇의 경로　계획　시스템, 방법, 로봇 및 매체
PCT/CN2017/091370 WO2018188200A1 (zh) 2017-04-11 2017-06-30 机器人的路径规划***、方法、机器人及存储介质
SG11201900262RA SG11201900262RA (en) 2017-04-11 2017-06-30 Path planning system and method for robot, robot and medium
US16/084,245 US11035684B2 (en) 2017-04-11 2017-06-30 Path planning system and method for robot, robot and medium
EP17899233.5A EP3438611B1 (en) 2017-04-11 2017-06-30 Path planning system and method for robot, robot and storage medium
TW106135249A TWI639813B (zh) 2017-04-11 2017-10-13 機器人的路徑規劃系統及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710232929.0A CN107677285B (zh) 2017-04-11 2017-04-11 机器人的路径规划***及方法

Publications (2)

Publication Number Publication Date
CN107677285A CN107677285A (zh) 2018-02-09
CN107677285B true CN107677285B (zh) 2019-05-28

Family

ID=61133560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710232929.0A Active CN107677285B (zh) 2017-04-11 2017-04-11 机器人的路径规划***及方法

Country Status (9)

Country Link
US (1) US11035684B2 (zh)
EP (1) EP3438611B1 (zh)
JP (1) JP6800989B2 (zh)
KR (1) KR102152192B1 (zh)
CN (1) CN107677285B (zh)
AU (1) AU2017409109B9 (zh)
SG (1) SG11201900262RA (zh)
TW (1) TWI639813B (zh)
WO (1) WO2018188200A1 (zh)

Families Citing this family (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108415436A (zh) * 2018-04-09 2018-08-17 重庆鲁班机器人技术研究院有限公司 机器人引导方法、装置及机器人
CN108717302B (zh) * 2018-05-14 2021-06-25 平安科技（深圳）有限公司 机器人跟随人物方法、装置及存储介质、机器人
CN108780320A (zh) * 2018-06-15 2018-11-09 深圳前海达闼云端智能科技有限公司 机器人运动控制方法、装置、存储介质及机器人
CN109077667B (zh) * 2018-07-16 2020-12-01 广州俊德信息科技有限公司 清洁电器的调整方法、***、可存储介质和清洁电器
CN109101017A (zh) * 2018-07-27 2018-12-28 江苏盛海智能科技有限公司 一种无人车寻迹路线规划方法及终端
CN109163613A (zh) * 2018-08-28 2019-01-08 联誉信息股份有限公司 一种智能打靶机器人
CN109068278B (zh) * 2018-08-31 2023-02-28 平安科技（深圳）有限公司 室内避障方法、装置、计算机设备及存储介质
CN113196325A (zh) * 2018-12-26 2021-07-30 深圳市柔宇科技股份有限公司 广告路径规划方法、穿戴装置、服务器及相关装置
US11338438B2 (en) * 2019-01-25 2022-05-24 Bear Robotics, Inc. Method, system and non-transitory computer-readable recording medium for determining a movement path of a robot
CN109933857B (zh) * 2019-02-19 2023-07-04 飞腾信息技术有限公司 感知集成电路布局信息的时钟树主干拓扑生成方法及***
US11249492B2 (en) * 2019-03-26 2022-02-15 Intel Corporation Methods and apparatus to facilitate autonomous navigation of robotic devices
CN109822597B (zh) * 2019-04-14 2021-01-19 北京中大科慧科技发展有限公司 一种数据中心的全自动智能巡检机器人
CN110221608B (zh) * 2019-05-23 2021-10-01 ***股份有限公司 一种巡检设备的方法及装置
JP7124797B2 (ja) * 2019-06-28 2022-08-24 トヨタ自動車株式会社 機械学習方法および移動ロボット
CN112346444B (zh) * 2019-07-21 2023-06-13 长沙智能驾驶研究院有限公司 智慧工地的锥桶控制方法、装置、***和计算机设备
CN110599089B (zh) * 2019-08-30 2020-11-03 北京三快在线科技有限公司 隔离带位置确定方法、装置、存储介质和电子设备
CN112631209A (zh) * 2019-10-08 2021-04-09 北京京东乾石科技有限公司 用于控制无人搬运车的方法和装置
CN112817269A (zh) * 2019-11-15 2021-05-18 深圳拓邦股份有限公司 一种遍历作业方法、***及机器人设备
US11224972B2 (en) 2019-11-22 2022-01-18 Fanuc Corporation State machine for dynamic path planning
CN111177291B (zh) * 2019-12-23 2021-12-14 腾讯科技（深圳）有限公司 一种对象移动方法、装置、设备及介质
JP7487478B2 (ja) * 2020-01-23 2024-05-21 セイコーエプソン株式会社 移動ロボットの制御方法及び制御装置、並びに、ロボットシステム
US11438886B2 (en) * 2020-02-27 2022-09-06 Psj International Ltd. System for establishing positioning map data and method for the same
CN111694353A (zh) * 2020-05-14 2020-09-22 特斯联科技集团有限公司 一种导引控制方法、装置、存储介质及服务机器人
CN111930113A (zh) * 2020-06-30 2020-11-13 创新工场(北京)企业管理股份有限公司 一种为自主导航机器人设置行驶路径的方法与装置
CN111906779B (zh) * 2020-06-30 2022-05-10 珠海一微半导体股份有限公司 一种越障结束判断方法、越障控制方法、芯片及机器人
CN111813123A (zh) * 2020-07-17 2020-10-23 徐州泰丰泵业有限公司 一种喷灌机行走控制***和控制方法
CN111906765B (zh) * 2020-07-31 2022-07-12 平安科技（深圳）有限公司 应用于路径规划的空间采样方法、装置、设备及介质
CN112201072A (zh) * 2020-09-30 2021-01-08 姜锡忠 城市交通路径规划方法及***
CN112256039B (zh) * 2020-11-05 2023-05-26 深圳市锐曼智能装备有限公司 清洁机器人操控***及清扫路线的生成方法
CN112370158B (zh) * 2020-11-13 2022-03-11 毕建平 一种机器人骨折复位路径规划方法、规划***及机器人
CN112748733B (zh) * 2020-12-16 2024-05-07 广东电网有限责任公司 电缆放线车路径规划方法、装置、设备及存储介质
CN113156933B (zh) * 2020-12-30 2022-05-03 徐宁 一种机器人行进控制***和方法
CN112947411B (zh) * 2021-01-26 2023-09-12 清华大学深圳国际研究生院 基于RFID与ROS-Slam的博物馆藏品智能巡检***与方法
JP2022188993A (ja) * 2021-06-10 2022-12-22 株式会社日立製作所 経路探索情報処理システム、経路探索情報処理方法
CN113807790A (zh) * 2021-09-26 2021-12-17 上海擎朗智能科技有限公司 一种机器人的路径规划方法、装置、电子设备和存储介质
CN113842086B (zh) * 2021-09-28 2022-12-06 深圳市云鼠科技开发有限公司 一种清洁方法、拖地机器人及清洁***
CN113892863B (zh) * 2021-10-08 2022-11-01 珠海格力电器股份有限公司 路径规划方法、装置、电子设备和存储介质
CN113970321A (zh) * 2021-10-21 2022-01-25 北京房江湖科技有限公司 一种户型动线的计算方法及装置
CN114115239B (zh) * 2021-11-03 2024-04-12 中国科学院重庆绿色智能技术研究院 一种机器人路径规划方法、***、设备及介质
TWI806237B (zh) * 2021-11-11 2023-06-21 國立虎尾科技大學 機器人系統及機器人控制方法
CN114260891B (zh) * 2021-12-16 2024-06-11 珠海格力电器股份有限公司 一种机器人控制方法、装置、电子设备及存储介质
CN116774686A (zh) * 2022-03-10 2023-09-19 苏州科瓴精密机械科技有限公司 机器人寻路方法、寻路装置、设备和计算机可读存储介质
CN116388691B (zh) * 2023-04-07 2023-10-20 宁夏百川电力股份有限公司 一种光伏发电场智能巡检方法及***
CN116540709B (zh) * 2023-05-11 2023-11-14 江苏博发机器人智能装备有限公司 一种基于机器人编队的避障路径规划方法
CN117093011B (zh) * 2023-10-20 2024-01-05 苏州德斯米尔智能科技有限公司 一种智能机器人无人清洗控制方法
CN117250965B (zh) * 2023-11-20 2024-02-23 广东电网有限责任公司佛山供电局 一种机器人避障快速路径重构方法和***

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1350244A (zh) * 2000-10-25 2002-05-22 日本电气株式会社 最低成本路径搜索装置及其使用的最低成本路径搜索方法
WO2007037348A1 (ja) * 2005-09-28 2007-04-05 Zmp Inc. 自律移動型ロボットとそのシステム
CN101755247A (zh) * 2007-07-18 2010-06-23 丰田自动车株式会社 路径计划装置及方法、成本评估装置、以及移动体
JP2011175393A (ja) * 2010-02-24 2011-09-08 Toyota Motor Corp 経路計画装置、自律移動ロボット、及び移動経路の計画方法
CN103294054A (zh) * 2012-02-24 2013-09-11 联想(北京)有限公司 一种机器人导航方法及***
CN103838240A (zh) * 2012-11-27 2014-06-04 联想(北京)有限公司 控制方法和电子设备
CN105549585A (zh) * 2015-12-07 2016-05-04 江苏木盟智能科技有限公司 机器人导航方法及***
CN105974928A (zh) * 2016-07-29 2016-09-28 哈尔滨工大服务机器人有限公司 一种机器人导航路径规划方法
CN106168803A (zh) * 2016-04-18 2016-11-30 深圳众为兴技术股份有限公司 一种用于移动机器人的位置感知方法
CN106323299A (zh) * 2016-08-09 2017-01-11 Tcl集团股份有限公司 一种导航方法、装置和***
CN106382944A (zh) * 2016-10-08 2017-02-08 浙江国自机器人技术有限公司 一种移动机器人的路线规划方法
CN106547272A (zh) * 2016-10-26 2017-03-29 北京京东尚科信息技术有限公司 确定设备移动路径的方法和装置

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5978730A (en) * 1997-02-20 1999-11-02 Sony Corporation Caching for pathfinding computation
JP3359008B2 (ja) 1999-08-20 2002-12-24 三菱重工業株式会社 無人搬送車の走行制御システム
US6615133B2 (en) 2001-02-27 2003-09-02 International Business Machines Corporation Apparatus, system, method and computer program product for determining an optimum route based on historical information
EP1587650B1 (en) * 2003-01-31 2018-08-29 Thermo CRS Ltd. Syntactic inferential motion planning method for robotic systems
US7447593B2 (en) * 2004-03-26 2008-11-04 Raytheon Company System and method for adaptive path planning
KR100745975B1 (ko) * 2004-12-30 2007-08-06 삼성전자주식회사 그리드 맵을 사용하여 최소 이동 경로로 이동하는 방법 및장치
JP4143103B2 (ja) * 2006-12-20 2008-09-03 本田技研工業株式会社 移動装置、ならびにその制御システム、制御プログラムおよび監督システム
US8417446B2 (en) * 2008-07-25 2013-04-09 Navteq B.V. Link-node maps based on open area maps
US8825387B2 (en) * 2008-07-25 2014-09-02 Navteq B.V. Positioning open area maps
JP4745378B2 (ja) 2008-12-08 2011-08-10 株式会社東芝 移動台車
TWI388956B (zh) * 2009-05-20 2013-03-11 Univ Nat Taiwan Science Tech 行動機器人與其目標物處理路徑的規劃方法
KR100988833B1 (ko) 2009-07-06 2010-10-20 유티정보 주식회사 신호연동정보를 이용한 네비게이션 시스템
KR101667030B1 (ko) * 2009-08-10 2016-10-17 삼성전자 주식회사 로봇의 경로 계획 장치 및 그 방법
KR101667029B1 (ko) * 2009-08-10 2016-10-17 삼성전자 주식회사 로봇의 경로 계획방법 및 장치
US8626443B2 (en) * 2009-09-18 2014-01-07 Deutsches Zentrum für Luft—und Raumfahrt e.V. Method for creating a map relating to location-related data on the probability of future movement of a person
US9323250B2 (en) * 2011-01-28 2016-04-26 Intouch Technologies, Inc. Time-dependent navigation of telepresence robots
JP5776440B2 (ja) * 2011-08-24 2015-09-09 株式会社豊田中央研究所 自律移動体
CA2877763A1 (en) 2012-06-26 2014-01-03 The Governing Council Of The University Of Toronto System, method and computer program for dynamic generation of a radio map
GB2505464B (en) 2012-08-31 2019-12-18 Bae Systems Plc Route planning
KR102009482B1 (ko) * 2012-10-30 2019-08-14 한화디펜스 주식회사 로봇의 경로계획 장치와 방법 및 상기 방법을 구현하는 프로그램이 기록된 기록 매체
WO2014172320A1 (en) * 2013-04-15 2014-10-23 Flextronics Ap, Llc Vehicle location-based home automation triggers
CN104416569A (zh) * 2013-08-28 2015-03-18 鸿富锦精密工业（深圳）有限公司 机器人控制***、机器人及机器人控制方法
CN103605368A (zh) * 2013-12-04 2014-02-26 苏州大学张家港工业技术研究院 一种动态未知环境中路径规划方法及装置
KR101743072B1 (ko) * 2015-06-12 2017-06-15 국방과학연구소 경로 계획 장치 및 그의 제어방법
CN105955267A (zh) * 2016-05-11 2016-09-21 上海慧流云计算科技有限公司 一种移动控制方法及***
US10394244B2 (en) * 2016-05-26 2019-08-27 Korea University Research And Business Foundation Method for controlling mobile robot based on Bayesian network learning
CN106444769B (zh) * 2016-10-31 2019-05-21 湖南大学 一种室内移动机器人增量式环境信息采样的最优路径规划方法
JP6640777B2 (ja) * 2017-03-17 2020-02-05 株式会社東芝 移動制御システム、移動制御装置及びプログラム

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1350244A (zh) * 2000-10-25 2002-05-22 日本电气株式会社 最低成本路径搜索装置及其使用的最低成本路径搜索方法
WO2007037348A1 (ja) * 2005-09-28 2007-04-05 Zmp Inc. 自律移動型ロボットとそのシステム
CN101755247A (zh) * 2007-07-18 2010-06-23 丰田自动车株式会社 路径计划装置及方法、成本评估装置、以及移动体
JP2011175393A (ja) * 2010-02-24 2011-09-08 Toyota Motor Corp 経路計画装置、自律移動ロボット、及び移動経路の計画方法
CN103294054A (zh) * 2012-02-24 2013-09-11 联想(北京)有限公司 一种机器人导航方法及***
CN103838240A (zh) * 2012-11-27 2014-06-04 联想(北京)有限公司 控制方法和电子设备
CN105549585A (zh) * 2015-12-07 2016-05-04 江苏木盟智能科技有限公司 机器人导航方法及***
CN106168803A (zh) * 2016-04-18 2016-11-30 深圳众为兴技术股份有限公司 一种用于移动机器人的位置感知方法
CN105974928A (zh) * 2016-07-29 2016-09-28 哈尔滨工大服务机器人有限公司 一种机器人导航路径规划方法
CN106323299A (zh) * 2016-08-09 2017-01-11 Tcl集团股份有限公司 一种导航方法、装置和***
CN106382944A (zh) * 2016-10-08 2017-02-08 浙江国自机器人技术有限公司 一种移动机器人的路线规划方法
CN106547272A (zh) * 2016-10-26 2017-03-29 北京京东尚科信息技术有限公司 确定设备移动路径的方法和装置

Also Published As

Publication number Publication date
JP6800989B2 (ja) 2020-12-16
AU2017409109A1 (en) 2018-11-08
TWI639813B (zh) 2018-11-01
EP3438611B1 (en) 2020-12-02
US20210080272A1 (en) 2021-03-18
TW201837428A (zh) 2018-10-16
KR20190019897A (ko) 2019-02-27
KR102152192B1 (ko) 2020-09-07
CN107677285A (zh) 2018-02-09
JP2019521401A (ja) 2019-07-25
EP3438611A4 (en) 2019-09-11
SG11201900262RA (en) 2019-02-27
AU2017409109B2 (en) 2019-12-05
WO2018188200A1 (zh) 2018-10-18
AU2017409109B9 (en) 2020-04-09
EP3438611A1 (en) 2019-02-06
US11035684B2 (en) 2021-06-15

Similar Documents

Publication Publication Date Title
CN107677285B (zh) 机器人的路径规划***及方法
US11443555B2 (en) Scenario recreation through object detection and 3D visualization in a multi-sensor environment
CN102638675B (zh) 一种利用多视点视频进行目标跟踪的方法和***
Alzantot et al. Crowdinside: Automatic construction of indoor floorplans
CN107390721A (zh) 机器人随行控制方法、装置及机器人
CN109144065A (zh) 机器人避让方法及装置
CN108830171A (zh) 一种基于深度学习的智能物流仓库引导线视觉检测方法
Liu et al. RGB-D inertial odometry for a resource-restricted robot in dynamic environments
WO2018118576A1 (en) Method and apparatus for generating a search pattern for an incident scene
CN109961458A (zh) 目标对象的追踪方法、装置及计算机可读存储介质
CN115699098A (zh) 使用比例图和三维模型的基于机器学习的对象标识
EP2775260A1 (en) Structure access characteristics determined from mobile unit data
CN116366806A (zh) 一种基于物联网的智能监控***
CN114594772A (zh) 机器人、路径规划方法、装置和存储介质
CN109344685A (zh) 一种智慧托盘及其智能定位追踪方法
CN113358118B (zh) 非结构环境中端到端的室内移动机器人自主导航方法
WO2020155075A1 (zh) 一种导航装置、方法及相关设备
Biswas Vector Map-Based, Non-Markov Localization for Long-Term Deployment of Autonomous Mobile Robots.
CN116075818B (zh) 走查视频中的图像搜索
US20240233387A1 (en) Scenario recreation through object detection and 3d visualization in a multi-sensor environment
He et al. TagMe: GPS-Assisted Automatic Object Annotation in Videos
Pletinckx The Integration of Location Based Services in Tourism and Cultural Heritage
Stüde Environment and task modeling of long-term-autonomous service robots
Jian et al. 3D Path prediction of moving objects in a video-augmented indoor virtual environment
CN116075818A (zh) 走查视频中的图像搜索

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant