CN108247630A - 基于贝叶斯网络模型的移动机器人避障方法 - Google Patents
基于贝叶斯网络模型的移动机器人避障方法 Download PDFInfo
- Publication number
- CN108247630A CN108247630A CN201711246586.XA CN201711246586A CN108247630A CN 108247630 A CN108247630 A CN 108247630A CN 201711246586 A CN201711246586 A CN 201711246586A CN 108247630 A CN108247630 A CN 108247630A
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- angle
- node
- obstacle
- value
- 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.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
- B25J9/1676—Avoiding collision or forbidden zones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提出了一种基于贝叶斯网络模型的移动机器人避障方法,解决了现有技术对移动机器人避障中障碍物距离和角度考虑不充分的问题,实现步骤为:建立移动机器人避障判别规则;建立避障行为处理的贝叶斯网络模型;建立移动机器人周围的障碍物目标的距离和角度的模糊隶属函数,对目标的数据进行模糊化处理;将模糊化后的障碍物目标距离和角度数据作为证据输入到避障的贝叶斯网络模型中;选择后验概率值最大的偏离角度为移动机器人的旋转角度以避开障碍物。本发明将贝叶斯网络模型用到移动机器人避障行为处理中,得到需要旋转的角度,使得移动机器人在所处的未知环境中能够避开障碍物,且避障行为更加准确,用于移动机器人路径选择。
Description
技术领域
本发明属于计算机技术领域,涉及机器人避障,具体是一种基于贝叶斯网络模型的移动机器人避障方法,可用于实际应用中移动机器人在未知环境局部路径规划过程中的避障行为处理。
背景技术
移动机器人避障是局部路径规划中的关键问题。目前,在这方面,主要是通过提取传感器获得的障碍物目标信息,与避障的规则进行匹配或给出代价函数,计算获得移动机器人避开障碍物的最佳方向。现实世界的场景中,几乎很难准确给出与避障行为对应的所有预定义规则,且对障碍物目标的不确定信息很难在规则中描述完全。依据代价函数计算最优值,如果代价函数复杂,其求解过程复杂且可能只得到局部最优解。而贝叶斯网络模型作为人工智能中主要的不确定性推理模型,对不确定性信息具有较好的处理能力,且它可以紧密结合规则知识,提高机器人避障的智能性。
北方自动化控制设备研究所申请的专利“一种移动机器人的低成本自主避障方法”(专利申请号CN201410538970.7,公开号CN105487536A)中公开了一种移动机器人的低成本自主避障方法。该方法主要依据在机器人周围的不同方位上,传感器探测障碍物距离机器人的距离,判断该距离是否在安全的阈值之内,且安全阈值被分为远、较近、很近三个层次,在不同的层次上采用不同的规避策略。该专利申请公开的方法存在的不足是:仅仅依据障碍物的距离所处于不同的安全阈值层次上进行避障,在障碍物距离机器人较远,但与机器人行进方向的夹角较小时,可能使避障的处理并不是很精确,会造成机器人不能有效地避开障碍物。
沈阳新松机器人自动化股份有限公司申请的专利“一种基于激光测距仪的移动机器人避障方法”(专利申请号CN201010611255.3,公开号CN102541057A)中公开了一种基于激光测距仪的移动机器人避障方法。该方法对激光测距信息进行分组,将每组中的障碍点映射到机器人坐标系中;将机器人膨化为半径为R的圆,通过障碍点做圆的两条切线,利用该切线与机器人坐标系X轴的夹角得到机器人可通行的可行方向范围,定义代价函数进一步选择最佳方向。该专利申请公开的方法的不足在于:在对机器人的可行方向范围进行计算,没有充分考虑障碍物距离机器人的距离因素,该可行方向范围有局限性,影响了最佳方向的选择。
张琦在其发表的论文“移动机器人的路径规划与定位技术研究”(哈尔滨工业大学,博士学位论文,2014.6)中提出了基于模糊知识规则匹配的方法实现移动机器人的避障。该方法建立了移动机器人避障行为处理的模糊规则知识库,依据移动机器人传感器获得的障碍物目标信息与模糊规则进行匹配判断,在判断符合某个规则的条件下,将采用该规则的具体避障处理方式。该方法存在的不足之处是:移动机器人的每次避障都将匹配所有模糊规则,智能化水平较低,很难实现移动机器人在未知的复杂环境中具有智能选择的功能。
发明内容
本发明的目的在于克服上述已有技术的不足,提出了一种智能性和准确性更高的基于贝叶斯网络模型的移动机器人避障方法。
本发明是一种基于贝叶斯网络模型的移动机器人避障方法,其特征在于,包括有以下步骤:
(1)建立移动机器人避障情况的判别规则:
以移动机器人坐标系为参照,将移动机器人的避障问题分解为7种情况:
(1a)如果移动机器人的正前方有障碍物,偏左方和偏右方没有障碍物,则移动机器人向右或向左偏离一定角度避开障碍物;
(1b)如果移动机器人的偏左有障碍物,正前方和偏右方没有障碍物,则移动机器人仅向右偏离一定角度避开障碍物;
(1c)如果移动机器人的偏右方有障碍物,偏左方和正前方没有障碍物,则移动机器人仅向左偏离一定角度避开障碍物;
(1d)如果移动机器人的正前方和偏左方有障碍物,偏右方没有障碍物,则移动机器人仅向右偏离一定角度避开障碍物;
(1e)如果移动机器人的正前方和偏右方有障碍物,偏左方没有障碍物,则移动机器人仅向左偏离一定角度避开障碍物;
(1f)如果移动机器人的偏左方和偏右方有障碍物,正前方没有障碍物,则移动机器人向右或向左偏离一定角度避开障碍物;
(1g)如果移动机器人的正前方、偏左方和偏右方均有障碍物,则移动机器人向右或向左偏离一定角度避开障碍物;
(2)建立移动机器人避障的贝叶斯网络模型:
(2a)依据移动机器人避障的7种情况的判别规则,采用诊断式贝叶斯网络建模方式建立移动机器人避障的贝叶斯网络结构;
(2b)设置所建立的移动机器人避障的贝叶斯网络结构中的各个节点参数,节点参数依据以下规则设置:将征兆节点在三种状态下的参数值均设置为:1/3(0.33);将结果节点在满足判别准则条件下的参数值设置为1,不满足判别准则条件下的参数值设置为0;
(3)分别建立移动机器人周围的障碍物目标的距离和角度的模糊隶属函数,对目标的距离和角度数据进行模糊化处理:
提取传感器获得的障碍物目标信息,依据障碍物目标距离移动机器人的距离大小,单位为厘米,设定其模糊集为:(near,Gnear),采用降半梯形隶属函数给出该模糊集的表示;依据障碍物目标与移动机器人坐标系X轴正向的夹角大小,单位为度,设定其模糊集为:(small,Gsmall),采用降半梯形隶属函数给出该模糊集的表示;
根据所建立的障碍物目标的距离和角度的模糊隶属函数,计算距离值在其模糊集(near,Gnear)上的模糊隶属度,角度值在其模糊集(small,Gsmall)上的模糊隶属度。
(4)将模糊化后的障碍物目标距离和角度数据作为证据输入到避障行为处理的贝叶斯网络模型中,进行贝叶斯网络推理:
(4a)将障碍目标的距离和角度的模糊处理结果,输入到贝叶斯网络模型中:将征兆节点作为证据节点,将障碍物目标的距离和角度的模糊处理结果:在其模糊集上的隶属度,作为对应证据节点在不同状态下的证据值,分别输入到贝叶斯网络模型中;
(4b)进行贝叶斯网络推理:采用贝叶斯网络精确推理算法,对输入证据值后的贝叶斯网络模型进行推理,计算各结果节点的后验概率值,得到贝叶斯网络推理结果;
(5)选择贝叶斯网络推理结果中后验概率值最大的结果节点,该结果节点的状态取值作为移动机器人的旋转角度以避开障碍物。
本发明综合考虑了障碍物目标的距离和角度信息,贝叶斯网络模型对不确定信息具有较强的处理能力,具有较好的智能性。
本发明与现有技术相比,具有如下优点:
第一,本发明通过贝叶斯网络模型对机器人的避障行为进行建模和处理,该模型结构的建立和参数的设置紧密结合移动机器人避障处理的规则知识,并通过贝叶斯推理算法对不确定信息进行处理,克服了现有技术中智能化水平较低的不足,使得本发明在未知的复杂环境中,提高了移动机器人避障行为处理的智能性。
第二,本发明在通过贝叶斯网络模型进行避障处理时,同时综合性地考虑了障碍物目标的距离信息和角度信息,更加适当客观地确定了坐标系,规定了行进的方位规则,能够精确地将距离信息和角度信息运用到机器人避障的路线规划中,使得本发明的移动机器人避障的准确性得到了提高。
附图说明
图1为本发明的实现流程图;
图2为本发明具体实施使用的贝叶斯网络结构图。
具体实施方式
以下结合附图和具体实施例,对本发明详细说明
实施例1
移动机器人也是一个很前端的研究领域,各国在这方面竞争激烈,投入很大的人力物力,但是现在的移动机器人避障的研究发展技术并不是十分完善,存在着智能化水平较低和准确率较低的不足,很难实现移动机器人在未知的复杂环境中具有准确智能的避障的功能。为此,本发明展开了研究,提出了采用贝叶斯网络模型对移动机器人避障方法进行建模,克服了以上不足。
本发明是一种基于贝叶斯网络模型的移动机器人避障方法,参见图1,包括有以下步骤:
(1)建立移动机器人避障情况的判别规则:
以移动机器人坐标系为参照,将移动机器人的避障问题分解为7种情况:
(1a)如果移动机器人的正前方有障碍物,偏左方和偏右方没有障碍物,则移动机器人向右或向左偏离一定角度避开障碍物。
(1b)如果移动机器人的偏左有障碍物,正前方和偏右方没有障碍物,则移动机器人仅向右偏离一定角度避开障碍物。
(1c)如果移动机器人的偏右方有障碍物,偏左方和正前方没有障碍物,则移动机器人仅向左偏离一定角度避开障碍物。
(1d)如果移动机器人的正前方和偏左方有障碍物,偏右方没有障碍物,则移动机器人仅向右偏离一定角度避开障碍物。
(1e)如果移动机器人的正前方和偏右方有障碍物,偏左方没有障碍物,则移动机器人仅向左偏离一定角度避开障碍物。
(1f)如果移动机器人的偏左方和偏右方有障碍物,正前方没有障碍物,则移动机器人向右或向左偏离一定角度避开障碍物。
(1g)如果移动机器人的正前方、偏左方和偏右方均有障碍物,则移动机器人向右或向左偏离一定角度避开障碍物。
本发明基本涵盖了移动机器人行进过程中遇到障碍物的所有可能情况,对所有可能情况进行了划分。
(2)建立移动机器人避障的贝叶斯网络模型,参见图2,图2为本发明具体实施使用的贝叶斯网络结构图,本发明将移动机器人的旋转方向分为三种,一种为仅左转,一种为仅右转,另一种为右转或左转;仅右转角度节点的父节点为偏左障碍物距离和偏左障碍物角度,仅左转角度节点的父节点为偏右障碍物距离和偏右障碍物角度,右转或左转角度节点的父节点为正前方障碍物距离,仅左转角度节点、仅右转角度节点和右转或左转角度节点,均为旋转角度节点的父节点,从而确定了移动机器人的精确转向。具体说明如下:
(2a)依据移动机器人避障的7种情况的判别规则,采用诊断式贝叶斯网络建模方式建立移动机器人避障的贝叶斯网络结构,建立了征兆节点、结果节点,并将征兆节点作为结果节点的父节点。
(2b)设置所建立的移动机器人避障的贝叶斯网络结构中的各个节点参数,节点参数依据以下规则设置:将征兆节点在三种状态下的参数值均设置为:1/3(0.33);将结果节点在满足判别准则条件下的参数值设置为1,不满足判别准则条件下的参数值设置为0。
(3)分别建立移动机器人周围的障碍物目标的距离和角度的模糊隶属函数,对目标的距离和角度数据进行模糊化处理:
提取传感器获得的障碍物目标信息,依据障碍物目标距离移动机器人的距离大小,单位为厘米,设定其模糊集为:(near,Gnear),采用降半梯形隶属函数给出该模糊集的表示;依据障碍物目标与移动机器人坐标系X轴正向的夹角大小,单位为度,设定其模糊集为:(small,Gsmall),采用降半梯形隶属函数给出该模糊集的表示。
根据所建立的障碍物目标的距离和角度的模糊隶属函数,计算距离值在其模糊集(near,Gnear)上的模糊隶属度,角度值在其模糊集(small,Gsmall)上的模糊隶属度。
(4)将模糊化后的障碍物目标距离和角度数据作为证据输入到避障行为处理的贝叶斯网络模型中,进行贝叶斯网络推理:
(4a)将障碍目标的距离和角度的模糊处理结果,输入到贝叶斯网络模型中:将征兆节点作为证据节点,将障碍物目标的距离和角度的模糊处理结果:在其模糊集上的隶属度,作为对应证据节点在不同状态下的证据值,分别输入到贝叶斯网络模型中。本发明仅对征兆节点和证据节点进行模糊处理,在没有陷入繁杂的数据处理的情况下,抓住了主要脉络,得到了移动机器人准确的路径中的角度信息。
(4b)进行贝叶斯网络推理:采用贝叶斯网络精确推理算法,对输入证据值后的贝叶斯网络模型进行推理,计算各结果节点的后验概率值,得到贝叶斯网络推理结果。
(5)选择贝叶斯网络推理结果中后验概率值最大的结果节点,该结果节点的状态取值作为移动机器人的旋转角度以避开障碍物。
本发明通过建立贝叶斯网络模型,解决机器人避障问题,对机器人行进过程中遇到的障碍物的不确定信息,通过贝叶斯推理算法进行处理,与现有技术中智能性不足相比,大大提高了移动机器人避障行为处理的智能性。
实施例2
基于贝叶斯网络模型的移动机器人避障方法同实施例1,步骤(1)所述的移动机器人坐标系,是指以移动机器人中心为坐标原点,建立XYZ三维坐标系,其中,X轴正向代表移动机器人的正前面方向,X轴负向代表移动机器人的正后面方向,Y轴正向代表移动机器人的正右方向,Y轴负向代表移动机器人的正左方向,Z轴正向代表移动机器人的正下面方向,Z轴负向代表移动机器人的正上面方向。本发明为研究机器人避障的技术,以移动机器人中心为坐标原点建立了一个三维坐标系,从而可以描述障碍物在该坐标系中的位置以及机器人的旋转角度,是解决机器人机器人避障问题的基础。
实施例3
基于贝叶斯网络模型的移动机器人避障方法同实施例1-2,步骤(1)所述的移动机器人的正前方,是指以移动机器人坐标系Y轴正向为参考,且与Y轴正向的夹角处于范围:(60°,120°)。
步骤(1)所述的移动机器人的偏左方,是指以移动机器人坐标系Y轴正向为参考,与Y轴正向的夹角处于范围:[120°,160°]。
步骤(1)所述的移动机器人的偏右方,是指以移动机器人坐标系Y轴正向为参考,与Y轴正向的夹角处于范围:[20°,60°]。
在北方自动化控制设备研究所申请的专利“一种移动机器人的低成本自主避障方法”(专利申请号CN201410538970.7,公开号CN105487536A)中仅仅依据障碍物的距离所处于不同的安全阈值层次上进行避障,在障碍物距离机器人较远,但与机器人行进方向的夹角较小时,可能使避障的处理并不是很精确,会造成机器人不能有效地避开障碍物。而本发明规定了更大区间的夹角范围,考虑到了不同夹角范围的可能性,既考虑到了静态的情况,又考虑到了动态的情况。
本发明不仅建立了一个坐标系,而且规定了不同方向的夹角范围,正前方即为与移动机器人坐标系Y轴正向夹角为(60°,120°)区间,偏左方即为与移动机器人坐标系Y轴正向夹角为[120°,160°]区间,偏右方即为与移动机器人坐标系Y轴正向夹角为[20°,60°]区间,对方向的判断规定了明确的角度区间。
实施例4
基于贝叶斯网络模型的移动机器人避障方法同实施例1-3,步骤(2a)中所述的采用诊断式贝叶斯网络建模方式建立移动机器人避障的贝叶斯网络结构具体包括:
2a1.建立贝叶斯网络结构征兆节点:提取移动机器人避障情况判别规则关于障碍物的下述描述,正前方有障碍物、偏左方有障碍物、偏右方有障碍物,依据障碍物的距离和角度属性,将偏左障碍物距离、偏左障碍物角度、偏右障碍物距离、偏右障碍物角度、正前障碍物距离作为征兆节点。
2a2.建立贝叶斯网络结构结果节点:提取移动机器人避障情况判别规则关于移动机器人偏离角度的下述描述,移动机器人仅向左偏离一定角度、移动机器人仅向右偏离一定角度、移动机器人向右或向左偏离一定角度,将仅向左偏离角度、仅向右偏离角度、向右或向左偏离角度作为结果节点。
2a3.利用诊断式贝叶斯网络建模方式,将征兆节点作为结果节点的父节点,组成贝叶斯网络模型结构。
2a4.将贝叶斯网络模型中所有征兆节点和结果节点均设置为离散节点:每一个节点均有三种不同状态,偏左障碍物距离节点、偏右障碍物距离节点和正前障碍物距离节点的取值均为:近(near),很近(Gnear),空(Null);偏左障碍物角度节点、偏右障碍物角度节点的取值均为:偏离角度小(small),偏离角度很小(Gsmall),空(Null);仅向右偏离角度节点取值为:仅向右偏离30°(RS),仅向右偏离60°(RB),空(Null);仅向左偏离角度节点取值为:仅向左偏离30°(LS),仅向左偏离60°(LB),空(Null);向右或向左偏离角度节点取值为:向右或向左偏离30°(LSRS),向右或向左偏离60°(LBRB),空(Null)。
本发明采用贝叶斯网络建模方式建立移动机器人避障的贝叶斯网络结构,建立了征兆节点和结果节点,并将征兆节点作为结果节点的父节点,从而组成贝叶斯网络模型结构,每个节点都有三种不同的参数值,并为相应节点设置参数值。
实施例5
基于贝叶斯网络模型的移动机器人避障方法同实施例1-4,步骤(4a)所述的作为对应证据节点在不同状态下的证据值,是指:
4a1.将存在于正前方的障碍物目标的距离的模糊隶属度值(near,Gnear)作为正前障碍物距离节点相应的证据状态near、Gnear的取值,而证据状态null的取值为0,其余情况下正前障碍物距离节点的证据为:null取值为1。
4a2.将存在于偏左方的障碍物目标的距离的模糊隶属度值(near,Gnear)作为偏左障碍物距离节点相应的证据状态near、Gnear的取值,而证据状态null的取值为0,其余情况下偏左障碍物距离节点的证据为:null取值为1。
4a3.将存在于偏左方的障碍物目标的角度的模糊隶属度值(small,Gsmall)作为偏左障碍物角度节点相应的证据状态small、Gsmall的取值,而证据状态null的取值为0,其余情况下偏左障碍物角度节点的证据为:null取值为1。
4a4.将存在于偏右方的障碍物目标的距离的模糊隶属度值(near,Gnear)作为偏右障碍物距离节点相应的证据状态near、Gnear的取值,而证据状态null的取值为0,其余情况下偏右障碍物距离节点的证据为:null取值为1。
4a5.将存在于偏右方的障碍物目标的角度的模糊隶属度值(small,Gsmall)作为偏右障碍物角度节点相应的证据状态small、Gsmall的取值,而证据状态null的取值为0,其余情况下偏右障碍物角度节点的证据为:null取值为1。
本发明对贝叶斯网络模型中对应证据节点在不同状态下的证据值进行了具体的取值,以便于更准确的判断行进方向。
实施例6
基于贝叶斯网络模型的移动机器人避障方法同实施例1-5,步骤(4b)所述的贝叶斯网络精确推理算法是指,根据设置的征兆节点的参数值、结果节点的参数值和证据值,通过概率推理,精确计算出结果节点的后验概率值。
在贝叶斯推理的结果中选择一个后验概率值最大的结果节点,将该结果节点的状态值表示移动机器人需要旋转的角度,作为移动机器人进行避障的旋转角度。
本发明采用了对不确定性信息具有较好的处理能力的贝叶斯网络模型,得到了智能性较强的处理结果。
以下结合附图和具体实施例,对本发明的具体实施方式作进一步详细的描述。
实施例7
基于贝叶斯网络模型的移动机器人避障方法同实施例1-6,本发明的基于贝叶斯网络模型的移动机器人避障方法,参照图1,包括以下步骤:
步骤1)建立移动机器人避障情况的判别规则:
以移动机器人的几何中心为坐标原点,移动机器人的正前方向为X轴正向,移动机器人的正后方向为X轴负向,移动机器人的正右方向为Y轴正向,移动机器人的正左方向为Y轴负向,移动机器人的正下方向为Z轴正向,移动机器人的正上方向为Z轴负向,建立一个三维移动机器人坐标系。
将以移动机器人坐标系Y轴正向为参考,与Y轴正向的夹角处于范围:
(60°,120°),作为移动机器人的正前方;指以移动机器人坐标系Y轴正向为参考,与Y轴正向的夹角处于范围:[120°,160°],作为移动机器人的偏左方;以移动机器人坐标系Y轴正向为参考,与Y轴正向的夹角处于范围:[20°,60°],作为移动机器人的偏右方。
以移动机器人坐标系为参照,将移动机器人的避障问题分解为7种情况:
1a.如果移动机器人的正前方有障碍物,偏左方和偏右方没有障碍物,则移动机器人向右或向左偏离一定角度避开障碍物。
1b.如果移动机器人的偏左有障碍物,正前方和偏右方没有障碍物,则移动机器人仅向右偏离一定角度避开障碍物。
1c.如果移动机器人的偏右方有障碍物,偏左方和正前方没有障碍物,则移动机器人仅向左偏离一定角度避开障碍物。
1d.如果移动机器人的正前方和偏左方有障碍物,偏右方没有障碍物,则移动机器人仅向右偏离一定角度避开障碍物。
1e.如果移动机器人的正前方和偏右方有障碍物,偏左方没有障碍物,则移动机器人仅向左偏离一定角度避开障碍物。
1f.如果移动机器人的偏左方和偏右方有障碍物,正前方没有障碍物,则移动机器人向右或向左偏离一定角度避开障碍物。
1g.如果移动机器人的正前方、偏左方和偏右方均有障碍物,则移动机器人向右或向左偏离一定角度避开障碍物。
步骤2)建立移动机器人避障行为处理的贝叶斯网络模型:
2a)依据移动机器人避障的7种情况的判别规则,采用诊断式贝叶斯网络建模方式建立移动机器人避障的贝叶斯网络结构。
2a1.提取移动机器人避障情况判别规则关于障碍物的下述描述:正前方有障碍物、偏左方有障碍物、偏右方有障碍物,依据障碍物的距离和角度属性,将偏左障碍物距离、偏左障碍物角度、偏右障碍物距离、偏右障碍物角度、正前障碍物距离作为征兆节点。
征兆节点包括:偏左障碍物距离节点、偏左障碍物角度节点、偏右障碍物距离节点、偏右障碍物角度节点、正前障碍物距离节点。
2a2.提取移动机器人避障情况判别规则关于移动机器人偏离角度的下述描述:移动机器人仅向左偏离一定角度、移动机器人仅向右偏离一定角度、移动机器人向右或向左偏离一定角度,将仅向右偏离角度、仅向左偏离角度、向右或向左偏离角度作为结果节点。
结果节点包括:仅右转角度节点、仅左转角度节点、右转或左转角度节点。
2a3.利用诊断式贝叶斯网络建模方式,将征兆节点作为结果节点的父节点,结果节点作为征兆节点的子节点,组成贝叶斯网络模型结构。
参照附图2,建立的贝叶斯网络模型结构具体为:仅右转角度节点(RTurn)的父节点为:偏左障碍物距离节点(LDistance)、偏左障碍物角度节点(LAngle);仅左转角度节点(LTurn)的父节点为:偏右障碍物距离节点(RDistance)、偏右障碍物角度节点(RAngle);右转或左转角度节点(FTurn)的父节点为:正前障碍物距离(FDistance);增加一个旋转角度节点(Turn),将结果节点:仅右转角度节点(RTurn)、仅左转角度节点(LTurn)、右转或左转角度节点(FTurn),作为旋转角度节点的父节点。
2a4.将贝叶斯网络模型中所有征兆节点和结果节点均设置为离散节点:偏左障碍物距离节点、偏右障碍物距离节点和正前障碍物距离节点的取值为:近(near),很近(Gnear),空(Null);偏左障碍物角度节点、偏右障碍物角度节点的取值均为:偏离角度小(small),偏离角度很小(Gsmall),空(Null);右转角度节点取值为:向右偏离30°(RS),向右偏离60°(RB),空(Null);左转角度节点取值为:向左偏离30°(LS),向左偏离60°(LB),空(Null);左转或右转偏离角度节点取值为:向左或向右偏离30°(LSRS),向左或向右偏离60°(LBRB),空(Null)。
将旋转角度节点(Turn)设置为八值离散节点,取值状态为:向右偏离30°(RS),向右偏离60°(RB),向左偏离30°(LS),向左偏离60°(LB),向左或向右偏离30°(LSRS),向左或向右偏离60°(LBRB),偏离0°(Zero),空(Null)。
2b)设置所建立的移动机器人避障的贝叶斯网络结构中的各个节点参数:
将征兆节点在三种状态下的参数值均设置为:(0.33,0.33,0.34)。
将结果节点在满足移动机器人角度旋转大小的判别准则条件下的参数值设置为1,不满足判别准则条件下的参数值设置为0,移动机器人角度旋转大小的判别准则具体为:
2b1.如果偏左障碍物距离节点取值为很近(Gnear)或偏左障碍物角度很小(Gsmall),则右转角度节点取值RB的参数为1,否则为0。
2b2.如果偏左障碍物距离节点取值为近(near)且偏左障碍物角度小(small),则右转角度节点取值RS的参数为1,否则为0。
2b3.如果偏左障碍物距离节点取值为空(Null)或偏左障碍物角度为空(Null),则右转角度节点取值Null的参数为1,否则为0。
2b4.如果偏右障碍物距离节点取值为很近(Gnear)或偏右障碍物角度很小(Gsmall),则左转角度节点取值LB的参数为1,否则为0。
2b5.如果偏右障碍物距离节点取值为近(near)且偏右障碍物角度小(small),则左转角度节点取值RS的参数为1,否则为0。
2b6.如果偏右障碍物距离节点取值为空(Null)或偏右障碍物角度为空(Null),则左转角度节点取值Null的参数为1,否则为0。
2b7.如果正前障碍物距离节点取值为很近(Gnear),则右转或左转角度节点(FTurn)取值LBRB的参数为1,否则为0。
2b8.如果正前障碍物距离节点取值为近(near),则右转或左转角度节点(FTurn)取值LSRS的参数为1,否则为0。
2b9.如果正前障碍物距离节点取值为空(Null),则右转或左转角度节点(FTurn)取值Null的参数为1,否则为0。
旋转角度节点(FTurn)的参数设置为:
A.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值RS,左转角度节点取值Null,右转或左转角度节点取值Null或LSRS,将旋转角度节点的RS参数值设置为1。
B.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值RB,左转角度节点取值LS,右转或左转角度节点取值Null,将旋转角度节点的RS参数值设置为1。
C.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值RB,左转角度节点取值Null,将旋转角度节点的RB参数值设置为1。
D.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值RS,左转角度节点取值Null,右转或左转角度节点取值LBRB,将旋转角度节点的RB参数值设置为1。
E.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值Null,左转角度节点取值LS,右转或左转角度节点取值Null或LSRS,将旋转角度节点的LS参数值设置为1。
F.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值RS,左转角度节点取值LB,右转或左转角度节点取值Null,将旋转角度节点的LS参数值设置为1。
G.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值Null,左转角度节点取值LB,将旋转角度节点的LB参数值设置为1。
H.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值Null,左转角度节点取值LS,右转或左转角度节点取值LBRB,将旋转角度节点的LB参数值设置为1。
I.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值RS,左转角度节点取值LB,右转或左转角度节点取值LBRB,将旋转角度节点的LB参数值设置为1。
J.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值RS,左转角度节点取值LS,右转或左转角度节点取值LSRS,将旋转角度节点的LSRS参数值设置为1。
K.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值Null,左转角度节点取值Null,右转或左转角度节点取值LSRS,将旋转角度节点的LSRS参数值设置为1。
L.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值RS,左转角度节点取值LS,右转或左转角度节点取值LBRB,将旋转角度节点的LBRB参数值设置为1。
M.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值RB,左转角度节点取值LB,右转或左转角度节点取值LBRB或LSRS,将旋转角度节点的LBRB参数值设置为1。
N.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值Null,左转角度节点取值Null,右转或左转角度节点取值LBRB,将旋转角度节点的LBRB参数值设置为1。
O.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值RS,左转角度节点取值LS,右转或左转角度节点取值Null,将旋转角度节点的Zero参数值设置为1。
P.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值RB,左转角度节点取值LB,右转或左转角度节点取值Null,将旋转角度节点的Zero参数值设置为1。
Q.在满足移动机器人角度旋转大小的判别准则条件下,右转角度节点取值Null,左转角度节点取值Null,右转或左转角度节点取值Null,将旋转角度节点的Null参数值设置为1。
旋转角度节点(FTurn)的参数:向右偏离30°(RS),向右偏离60°(RB),向左偏离30°(LS),向左偏离60°(LB),向右或向左偏离30°(LSRS),向右或向左偏离60°(LBRB),偏离0°(Zero),空(Null),在不满足上述17个准则的条件下,则设置为0。
(3)分别建立移动机器人周围的障碍物目标的距离和角度的模糊隶属函数,对目标的距离和角度数据进行模糊化处理:
依据障碍物目标距离移动机器人的距离大小,单位为厘米,设定其模糊集为:(near,Gnear),采用降半梯形隶属函数给出该模糊集的表示:
依据障碍物目标与移动机器人坐标系X轴正向的夹角大小,单位为度,设定其模糊集为:(small,Gsmall),采用降半梯形隶属函数给出该模糊集的表示:
根据所建立的障碍物目标的距离和角度的模糊隶属函数,计算距离值在其模糊集(near,Gnear)上的模糊隶属度;角度值在其模糊集(small,Gsmall)上的模糊隶属度。
(4)将模糊化后的障碍物目标距离和角度数据作为证据输入到避障行为处理的贝叶斯网络模型中,进行贝叶斯网络推理:
(4a)将征兆节点作为证据节点,将障碍物目标的距离和角度的模糊处理结果:在其模糊集上的隶属度,作为对应证据节点在不同状态下的证据值,分别输入到贝叶斯网络模型中。证据节点在不同状态下的证据值具体为:
4a1.将存在于正前方的障碍物目标的距离的模糊隶属度值(near,Gnear)作为正前障碍物距离节点相应的证据状态near、Gnear的取值,而证据状态null的取值为0;其余情况下正前障碍物距离节点的证据为:null取值为1。
4a2.将存在于偏左方的障碍物目标的距离的模糊隶属度值(near,Gnear)作为偏左障碍物距离节点相应的证据状态near、Gnear的取值,而证据状态null的取值为0;其余情况下偏左障碍物距离节点的证据为:null取值为1。
4a3.将存在于偏左方的障碍物目标的角度的模糊隶属度值(small,Gsmall)作为偏左障碍物角度节点相应的证据状态small、Gsmall的取值,而证据状态null的取值为0;其余情况下偏左障碍物角度节点的证据为:null取值为1。
4a4.将存在于偏右方的障碍物目标的距离的模糊隶属度值(near,Gnear)作为偏右障碍物距离节点相应的证据状态near、Gnear的取值,而证据状态null的取值为0;其余情况下偏右障碍物距离节点的证据为:null取值为1。
4a5.将存在于偏右方的障碍物目标的角度的模糊隶属度值(small,Gsmall)作为偏右障碍物角度节点相应的证据状态small、Gsmall的取值,而证据状态null的取值为0;其余情况下偏右障碍物角度节点的证据为:null取值为1。
(4b)采用贝叶斯网络精确推理算法,对输入证据值后的贝叶斯网络模型进行推理,计算旋转角度节点的后验概率值:
采用贝叶斯网络精确推理算法,在已确定的移动机器人避障处理的贝叶斯网络模型的基础上,分别输入5个征兆节点:偏左障碍物距离节点(LDistance),偏左障碍物角度节点(LAngle),偏右障碍物距离节点(RDistance),偏右障碍物角度节点(RAngle),正前障碍物距离节点(FDistance)的证据值,证据值分别用e1,e2,e3,e4,e5表示,则构成证据集:E={e1,e2,...,e5},以输入的证据集E为后验条件,精确计算旋转角度节点(Turn)后验概率值:P(Turn=RS/E),P(Turn=RB/E),P(Turn=LS/E),P(Turn=LB/E),P(Turn=LSRS/E),P(Turn=LBRB/E),P(Turn=Zero/E),P(Turn=Null/E),选择一个最大的后验概率,将该后验概率所表示的旋转角度节点的取值状态,作为移动机器人避障需要旋转的角度。
本发明在通过贝叶斯网络模型进行避障处理时,同时综合性地考虑了障碍物目标的距离信息和角度信息,更加适当客观地确定了坐标系,规定了行进的方位规则,能够精确地将距离信息和角度信息运用到机器人避障的路线规划中,使得本发明的移动机器人避障的准确性得到了提高。
实施例8
基于贝叶斯网络模型的移动机器人避障方法同实施例1-7,下面以P(Turn=RS/E)的计算过程为例,说明本发明旋转角度节点各状态取值的后验概率值的具体计算步骤如下:
其中,α表示比例因子,P(e1),P(e2),P(e3),P(e4),P(e5)可以从该贝叶斯网络的参数中直接获取,
可以依据贝叶斯网络参数求和计算给出。为了消掉比例因子α,依照上式过程同样计算:P(Turn=RB/E),P(Turn=LS/E),P(Turn=LB/E),P(Turn=LSRS/E),P(Turn=LBRB/E),P(Turn=Zero/E),P(Turn=Null/E),因为计算是同一节点的后验概率,比例因子α相同。则
P(Turn/E)=α<P(Turn=RB/E),P(Turn=RS/E),P(Turn=LB/E),P(Turn=LS/E),
P(Turn=LBRB/E),P(Turn=LSRS/E),P(Turn=Zero/E),P(Turn=Null/E)>,进一步进行归一化处理:
即得到P(Turn=RS/E)的精确值。
(5)选择贝叶斯网络推理结果中后验概率值最大的结果状态,该状态取值作为移动机器人的旋转角度以避开障碍物:
在贝叶斯网络模型的旋转角度节点(Turn)后验概率值中选择一个最大的取值状态,将该状态所表示的旋转角度,作为移动机器人避障需要旋转的角度。具体操作方式如下:
从旋转角度节点(Turn)中,选择一个后验概率值最大的取值状态:若后验概率值最大的取值状态为RS,则移动机器人避障需要旋转的角度:向右偏离30°;若后验概率值最大的取值状态为RB,则移动机器人避障需要旋转的角度:向右偏离60°;若后验概率值最大的取值状态为LS,则移动机器人避障需要旋转的角度:向左偏离30°;若后验概率值最大的取值状态为LB,则移动机器人避障需要旋转的角度:向左偏离60°;若后验概率值最大的取值状态为LSRS,则移动机器人避障需要旋转的角度:向左或向右偏离30°;若后验概率值最大的取值状态为LBRB,则移动机器人避障需要旋转的角度:向左或向右偏离60°;若后验概率值最大的取值状态为Zero,则移动机器人避障需要旋转的角度:偏离0°;若后验概率值最大的取值状态为Null,则移动机器人不需要避障。
综上所述,本发明提出的一种基于贝叶斯网络模型的移动机器人避障方法,旨在通过建立贝叶斯网络模型,使得移动机器人在未知环境中,从起点到目标点的行进过程中能够避开障碍物,解决了现有技术对移动机器人避障中障碍物距离和角度考虑不充分的问题。实现步骤为:(1)建立移动机器人避障情况的判别规则;(2)建立移动机器人避障行为处理的贝叶斯网络模型;(3)建立移动机器人周围的障碍物目标的距离和角度的模糊隶属函数,对目标的距离和角度数据进行模糊化处理;(4)将模糊化后的障碍物目标距离和角度数据作为证据输入到避障行为处理的贝叶斯网络模型中;(5)选择贝叶斯网络推理结果中后验概率值最大的偏离角度,作为移动机器人的旋转角度以避开障碍物。本发明将贝叶斯网络模型应用到移动机器人的避障行为处理中,并采用模糊理论方法对由传感器探测到的障碍物目标数据进行模糊化处理,得到移动机器人需要旋转的角度,使得移动机器人在所处的未知环境中能够避开障碍物,且避障行为更加准确,用于移动机器人路径选择。
Claims (6)
1.一种基于贝叶斯网络模型的移动机器人避障方法,其特征在于,包括有以下步骤:
(1)建立移动机器人避障情况的判别规则:
以移动机器人坐标系为参照,将移动机器人的避障问题分解为7种情况:
(1a)如果移动机器人的正前方有障碍物,偏左方和偏右方没有障碍物,则移动机器人向右或向左偏离一定角度避开障碍物;
(1b)如果移动机器人的偏左有障碍物,正前方和偏右方没有障碍物,则移动机器人仅向右偏离一定角度避开障碍物;
(1c)如果移动机器人的偏右方有障碍物,偏左方和正前方没有障碍物,则移动机器人仅向左偏离一定角度避开障碍物;
(1d)如果移动机器人的正前方和偏左方有障碍物,偏右方没有障碍物,则移动机器人仅向右偏离一定角度避开障碍物;
(1e)如果移动机器人的正前方和偏右方有障碍物,偏左方没有障碍物,则移动机器人仅向左偏离一定角度避开障碍物;
(1f)如果移动机器人的偏左方和偏右方有障碍物,正前方没有障碍物,则移动机器人向右或向左偏离一定角度避开障碍物;
(1g)如果移动机器人的正前方、偏左方和偏右方均有障碍物,则移动机器人向右或向左偏离一定角度避开障碍物;
(2)建立移动机器人避障的贝叶斯网络模型:
(2a)依据移动机器人避障的7种情况的判别规则,采用诊断式贝叶斯网络建模方式建立移动机器人避障的贝叶斯网络结构;
(2b)设置所建立的移动机器人避障的贝叶斯网络结构中的各个节点参数,节点参数依据以下规则设置:将征兆节点在三种状态下的参数值均设置为:1/3(0.33);将结果节点在满足判别准则条件下的参数值设置为1,不满足判别准则条件下的参数值设置为0;
(3)分别建立移动机器人周围的障碍物目标的距离和角度的模糊隶属函数,对目标的距离和角度数据进行模糊化处理:
提取传感器获得的障碍物目标信息,依据障碍物目标距离移动机器人的距离大小,单位为厘米,设定其模糊集为:(near,Gnear),采用降半梯形隶属函数给出该模糊集的表示;依据障碍物目标与移动机器人坐标系X轴正向的夹角大小,单位为度,设定其模糊集为:(small,Gsmall),采用降半梯形隶属函数给出该模糊集的表示;
根据所建立的障碍物目标的距离和角度的模糊隶属函数,计算距离值在其模糊集(near,Gnear)上的模糊隶属度,角度值在其模糊集(small,Gsmall)上的模糊隶属度。
(4)将模糊化后的障碍物目标距离和角度数据作为证据输入到避障行为处理的贝叶斯网络模型中,进行贝叶斯网络推理:
(4a)将障碍目标的距离和角度的模糊处理结果,输入到贝叶斯网络模型中:将征兆节点作为证据节点,将障碍物目标的距离和角度的模糊处理结果:在其模糊集上的隶属度,作为对应证据节点在不同状态下的证据值,分别输入到贝叶斯网络模型中;
(4b)进行贝叶斯网络推理:采用贝叶斯网络精确推理算法,对输入证据值后的贝叶斯网络模型进行推理,计算各结果节点的后验概率值,得到贝叶斯网络推理结果;
(5)选择贝叶斯网络推理结果中后验概率值最大的结果节点,该结果节点的状态取值作为移动机器人的旋转角度以避开障碍物。
2.根据权利要求1所述的一种基于贝叶斯网络模型的移动机器人避障方法,其特征在于,步骤(1)所述的移动机器人坐标系,是指以移动机器人中心为坐标原点,建立XYZ三维坐标系,其中,X轴正向代表移动机器人的正前面方向,X轴负向代表移动机器人的正后面方向,Y轴正向代表移动机器人的正右方向,Y轴负向代表移动机器人的正左方向,Z轴正向代表移动机器人的正下面方向,Z轴负向代表移动机器人的正上面方向。
3.根据权利要求1所述的一种基于贝叶斯网络模型的移动机器人避障方法,其特征在于,步骤(1)所述的移动机器人的正前方,是指以移动机器人坐标系Y轴正向为参考,且与Y轴正向的夹角处于范围:(60°,120°);
步骤(1)所述的移动机器人的偏左方,是指以移动机器人坐标系Y轴正向为参考,与Y轴正向的夹角处于范围:[120°,160°];
步骤(1)所述的移动机器人的偏右方,是指以移动机器人坐标系Y轴正向为参考,与Y轴正向的夹角处于范围:[20°,60°]。
4.根据权利要求1所述的一种基于贝叶斯网络模型的移动机器人避障方法,其特征在于,步骤(2a)中所述的采用诊断式贝叶斯网络建模方式建立移动机器人避障的贝叶斯网络结构具体包括:
2a1.建立贝叶斯网络结构征兆节点:提取移动机器人避障情况判别规则关于障碍物的下述描述,正前方有障碍物、偏左方有障碍物、偏右方有障碍物,依据障碍物的距离和角度属性,将偏左障碍物距离、偏左障碍物角度、偏右障碍物距离、偏右障碍物角度、正前障碍物距离作为征兆节点;
2a2.建立贝叶斯网络结构结果节点:提取移动机器人避障情况判别规则关于移动机器人偏离角度的下述描述,移动机器人仅向左偏离一定角度、移动机器人仅向右偏离一定角度、移动机器人向右或向左偏离一定角度,将仅向左偏离角度、仅向右偏离角度、向右或向左偏离角度作为结果节点;
2a3.利用诊断式贝叶斯网络建模方式,将征兆节点作为结果节点的父节点,组成贝叶斯网络模型结构;
2a4.将贝叶斯网络模型中所有征兆节点和结果节点均设置为离散节点:每一个节点均有三种不同状态,偏左障碍物距离节点、偏右障碍物距离节点和正前障碍物距离节点的取值均为:近near,很近Gnear,空Null;偏左障碍物角度节点、偏右障碍物角度节点的取值均为:偏离角度小small,偏离角度很小Gsmall,空Null;仅向右偏离角度节点取值为:仅向右偏离30°RS,仅向右偏离60°RB,空Null;仅向左偏离角度节点取值为:仅向左偏离30°LS,仅向左偏离60°LB,空Null;向右或向左偏离角度节点取值为:向右或向左偏离30°LSRS,向右或向左偏离60°LBRB,空Null。
5.根据权利要求1所述的一种基于贝叶斯网络模型的移动机器人避障方法,其特征在于,步骤(4a)所述的作为对应证据节点在不同状态下的证据值,是指:
4a1.将存在于正前方的障碍物目标的距离的模糊隶属度值(near,Gnear)作为正前障碍物距离节点相应的证据状态near、Gnear的取值,而证据状态null的取值为0,其余情况下正前障碍物距离节点的证据为:null取值为1;
4a2.将存在于偏左方的障碍物目标的距离的模糊隶属度值(near,Gnear)作为偏左障碍物距离节点相应的证据状态near、Gnear的取值,而证据状态null的取值为0,其余情况下偏左障碍物距离节点的证据为:null取值为1;
4a3.将存在于偏左方的障碍物目标的角度的模糊隶属度值(small,Gsmall)作为偏左障碍物角度节点相应的证据状态small、Gsmall的取值,而证据状态null的取值为0,其余情况下偏左障碍物角度节点的证据为:null取值为1;
4a4.将存在于偏右方的障碍物目标的距离的模糊隶属度值(near,Gnear)作为偏右障碍物距离节点相应的证据状态near、Gnear的取值,而证据状态null的取值为0,其余情况下偏右障碍物距离节点的证据为:null取值为1;
4a5.将存在于偏右方的障碍物目标的角度的模糊隶属度值(small,Gsmall)作为偏右障碍物角度节点相应的证据状态small、Gsmall的取值,而证据状态null的取值为0,其余情况下偏右障碍物角度节点的证据为:null取值为1。
6.根据权利要求1所述的一种基于贝叶斯网络模型的移动机器人避障方法,其特征在于,步骤(4b)所述的贝叶斯网络精确推理算法是指,根据设置的征兆节点的参数值、结果节点的参数值和证据值,通过概率推理,精确计算出结果节点的后验概率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711246586.XA CN108247630B (zh) | 2017-12-01 | 2017-12-01 | 基于贝叶斯网络模型的移动机器人避障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711246586.XA CN108247630B (zh) | 2017-12-01 | 2017-12-01 | 基于贝叶斯网络模型的移动机器人避障方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108247630A true CN108247630A (zh) | 2018-07-06 |
CN108247630B CN108247630B (zh) | 2021-01-05 |
Family
ID=62720846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711246586.XA Active CN108247630B (zh) | 2017-12-01 | 2017-12-01 | 基于贝叶斯网络模型的移动机器人避障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108247630B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111568432A (zh) * | 2020-04-06 | 2020-08-25 | 沈阳工业大学 | 基于模糊推理的全方位步行训练机器人的跌倒检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354587A (zh) * | 2008-09-04 | 2009-01-28 | 湖南大学 | 一种未知环境下移动机器人多行为融合自动导航方法 |
CN102103663A (zh) * | 2011-02-26 | 2011-06-22 | 山东大学 | 病房巡视服务机器人***及其目标搜寻方法 |
CN104157160A (zh) * | 2014-08-08 | 2014-11-19 | 中国联合网络通信集团有限公司 | 车辆行驶控制方法、装置及车辆 |
CN105116902A (zh) * | 2015-09-09 | 2015-12-02 | 北京进化者机器人科技有限公司 | 一种移动机器人避障导航的方法和*** |
CN105631414A (zh) * | 2015-12-23 | 2016-06-01 | 上海理工大学 | 一种基于贝叶斯分类器的车载多障碍物分类装置及方法 |
US20160332298A1 (en) * | 2013-11-05 | 2016-11-17 | Npc Robotics Corporation | Bayesian-centric autonomous robotic learning |
CN106584472A (zh) * | 2016-11-30 | 2017-04-26 | 北京贝虎机器人技术有限公司 | 用于控制自主移动式设备的方法及装置 |
-
2017
- 2017-12-01 CN CN201711246586.XA patent/CN108247630B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354587A (zh) * | 2008-09-04 | 2009-01-28 | 湖南大学 | 一种未知环境下移动机器人多行为融合自动导航方法 |
CN102103663A (zh) * | 2011-02-26 | 2011-06-22 | 山东大学 | 病房巡视服务机器人***及其目标搜寻方法 |
US20160332298A1 (en) * | 2013-11-05 | 2016-11-17 | Npc Robotics Corporation | Bayesian-centric autonomous robotic learning |
CN104157160A (zh) * | 2014-08-08 | 2014-11-19 | 中国联合网络通信集团有限公司 | 车辆行驶控制方法、装置及车辆 |
CN105116902A (zh) * | 2015-09-09 | 2015-12-02 | 北京进化者机器人科技有限公司 | 一种移动机器人避障导航的方法和*** |
CN105631414A (zh) * | 2015-12-23 | 2016-06-01 | 上海理工大学 | 一种基于贝叶斯分类器的车载多障碍物分类装置及方法 |
CN106584472A (zh) * | 2016-11-30 | 2017-04-26 | 北京贝虎机器人技术有限公司 | 用于控制自主移动式设备的方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111568432A (zh) * | 2020-04-06 | 2020-08-25 | 沈阳工业大学 | 基于模糊推理的全方位步行训练机器人的跌倒检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108247630B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102915465B (zh) | 一种基于移动生物刺激神经网络的多机器人联合编队方法 | |
CN105717923B (zh) | 基于椭圆聚类-碰撞锥推演的无人艇海洋动态避障控制算法 | |
CN107358149A (zh) | 一种人体姿态检测方法和装置 | |
Lin et al. | A gated recurrent unit-based particle filter for unmanned underwater vehicle state estimation | |
CN106949893A (zh) | 一种三维避障的室内机器人导航方法和*** | |
CN107065890A (zh) | 一种无人车智能避障方法及*** | |
Sales et al. | Adaptive finite state machine based visual autonomous navigation system | |
CN108877267A (zh) | 一种基于车载单目相机的交叉路口检测方法 | |
Kazem et al. | Modified vector field histogram with a neural network learning model for mobile robot path planning and obstacle avoidance. | |
CN109445440A (zh) | 基于传感器融合与改进q学习算法的动态避障方法 | |
CN108873915A (zh) | 动态避障方法及其全向安防机器人 | |
CN108871341A (zh) | 一种全局优化的并发定位与建图方法 | |
CN110032189A (zh) | 一种不依赖地图的智能仓储移动机器人路径规划方法 | |
CN112817318A (zh) | 一种多无人艇协同搜索控制方法及*** | |
Yu et al. | Towards lifelong federated learning in autonomous mobile robots with continuous sim-to-real transfer | |
Short et al. | Abio-inspiredalgorithminimage-based pathplanning and localization using visual features and maps | |
CN108247630A (zh) | 基于贝叶斯网络模型的移动机器人避障方法 | |
Nguyen et al. | Fusing LIDAR sensor and RGB camera for object detection in autonomous vehicle with fuzzy logic approach | |
Zhang et al. | Localization and tracking of uncontrollable underwater agents: Particle filter based fusion of on-body IMUs and stationary cameras | |
Li et al. | Virtual-reality-based online simulator design with a virtual simulation system for the docking of unmanned underwater vehicle | |
Souza et al. | Vision-based waypoint following using templates and artificial neural networks | |
Wang et al. | Research on autonomous planning method based on improved quantum Particle Swarm Optimization for Autonomous Underwater Vehicle | |
Rusdinar et al. | Modeling of vision based robot formation control using fuzzy logic controller and extended Kalman filter | |
Dimitrov et al. | Hierarchical navigation architecture and robotic arm controller for a sample return rover | |
Hu et al. | A modified particle filter for simultaneous robot localization and landmark tracking in an indoor environment |
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 |