CN108717302B - 机器人跟随人物方法、装置及存储介质、机器人 - Google Patents

机器人跟随人物方法、装置及存储介质、机器人 Download PDF

Info

Publication number
CN108717302B
CN108717302B CN201810457340.5A CN201810457340A CN108717302B CN 108717302 B CN108717302 B CN 108717302B CN 201810457340 A CN201810457340 A CN 201810457340A CN 108717302 B CN108717302 B CN 108717302B
Authority
CN
China
Prior art keywords
node
world coordinate
robot
target
angle
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
CN201810457340.5A
Other languages
English (en)
Other versions
CN108717302A (zh
Inventor
严海锐
周宝
王健宗
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
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201810457340.5A priority Critical patent/CN108717302B/zh
Priority to PCT/CN2018/102872 priority patent/WO2019218526A1/zh
Publication of CN108717302A publication Critical patent/CN108717302A/zh
Application granted granted Critical
Publication of CN108717302B publication Critical patent/CN108717302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G05D1/12—Target-seeking control

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及机器人领域，具体涉及一种机器人跟随人物方法、装置及存储介质、机器人，所述方法包括：通过安装在机器人上的体感侦测器检测目标人物，获取所述目标人物在原始坐标系下相对于机器人的相对坐标；根据所述机器人在世界坐标系下的第一世界坐标将所述相对坐标转换为所述目标人物在世界坐标系下的第二世界坐标；根据随机扩展树算法和基于A*算法的估价函数计算并筛选随机扩展树的中间节点；当所述中间节点与所述第二世界坐标的距离在预设范围内时，依次连接各中间节点形成目标路径，控制所述机器人在世界坐标系下从所述第一世界坐标沿着所述目标路径移动至所述第二世界坐标。

Description

机器人跟随人物方法、装置及存储介质、机器人
技术领域
本发明涉及机器人领域，具体涉及一种机器人跟随人物方法、装置及存储介质、机器人。
背景技术
随着机器人逐渐推出市场，人们开始关注研究服务机器人如何吸引住顾客，因此，基于机器人如何自动跟随人物的研究在不断发展，路径规划也是智能机器人研究的一个重要方向。机器人自动跟随包括目标追踪跟路径规划，目前目标追踪都是采用基于物体追踪或者检测行人比例的方法来对行人进行跟踪，但是这些方法都有各自缺点，其中，基于物体追踪的方法是事先要选定需要追踪的物体是什么才可以进行追踪；基于行人比例进行跟踪的方法是要先确定行人比例是什么才可以进行跟随，实现过程中的缺陷是单凭人体比例的计算容易将其它不是行人的物体识别成行人。另外，目前的路径规划方法由栅格法、多边形拟合法，这些方法都不适合解决机器人在复杂环境中的路径规划，无法让机器人快速、安全地行进到目的地。
发明内容
为克服以上技术问题，特别是现有技术中机器人无法快速、安全地行进到目标人物附近的问题，特提出以下技术方案：
第一方面，本发明提供了一种机器人跟随人物方法，包括：
通过安装在机器人上的体感侦测器检测目标人物，获取所述目标人物在原始坐标系下相对于机器人的相对坐标；
根据所述机器人在世界坐标系下的第一世界坐标将所述相对坐标转换为所述目标人物在世界坐标系下的第二世界坐标；
根据随机扩展树算法在所述世界坐标系下选取至少一个随机扩展点；分别选取第一节点与单个随机扩展点构成的线段上的第二节点，并构建从所述第一节点经过所述第二节点到达所述第二世界坐标的路径，所述第一节点为随机扩展树上的当前中间节点；同时，根据基于A*算法的估价函数分别计算各第二节点对应的路径的代价；将代价最小的路径对应的第二节点作为随机扩展树的下一中间节点；
当所述中间节点与所述第二世界坐标的距离在预设范围内时，依次连接各中间节点形成目标路径，控制所述机器人在世界坐标系下从所述第一世界坐标沿着所述目标路径移动至所述第二世界坐标。
进一步的，所述根据基于A*算法的估价函数计算第二节点对应的路径的代价通过如下公式计算：
Figure BDA0001660005900000021
其中，所述第二世界坐标为(dx，dy)，所述第二节点坐标为(nx，ny)，g(n)表示从第一节点到第二节点的代价函数，h(n)表示从第二节点到第二世界坐标对应的节点的代价函数，k为引力场系数，表示第二节点往第二世界坐标对应的节点的收敛重视程度。
进一步的，所述第一节点到第二节点的代价通过如下公式计算：
Figure BDA0001660005900000022
其中，Xrand为随机扩展点，Xparent为第一节点，且Xparent为第二节点Xnew的父节点，q为机器人在Xparent节点的当前角度与第二节点角度的第一权值参数，(θparent-θnew)为机器人在Xparent节点的当前角度与第二节点角度的第一角度差值，e为目标节点角度与第二节点角度的第二权值参数，所述目标节点为第二世界坐标对应的节点，(θgoal-θnew)为目标节点角度与第二节点角度的第二角度差值。
具体的，通过如下公式根据机器人在世界坐标系下的第一世界坐标将所述相对坐标转换为目标人物在世界坐标系下的第二世界坐标：
Figure BDA0001660005900000023
其中
Figure BDA0001660005900000031
所述机器人在世界坐标系下的第一世界坐标为(x0,y0,z0)，所述相对坐标为(x,y,z)，所述目标人物在世界坐标系下的第二世界坐标为(x1,y1,z1)。
第二方面，本发明提供一种机器人跟随人物装置，包括：
人物侦测模块：用于通过安装在机器人上的体感侦测器检测目标人物，获取所述目标人物在原始坐标系下相对于机器人的相对坐标；
转换模块：用于根据所述机器人在世界坐标系下的第一世界坐标将所述相对坐标转换为所述目标人物在世界坐标系下的第二世界坐标；
计算模块：用于根据随机扩展树算法在所述世界坐标系下选取至少一个随机扩展点；分别选取第一节点与单个随机扩展点构成的线段上的第二节点，并构建从所述第一节点经过所述第二节点到达所述第二世界坐标的路径，所述第一节点为随机扩展树上的当前中间节点；同时，根据基于A*算法的估价函数分别计算各第二节点对应的路径的代价；将代价最小的路径对应的第二节点作为随机扩展树的下一中间节点；
跟随模块：用于当所述中间节点与所述第二世界坐标的距离在预设范围内时，依次连接各中间节点形成目标路径，控制所述机器人在世界坐标系下从所述第一世界坐标沿着所述目标路径移动至所述第二世界坐标。
进一步的，所述计算模块计算第二节点对应的路径的代价的公式如下：
Figure BDA0001660005900000032
其中，所述第二世界坐标为(dx，dy)，所述第二节点坐标为(nx，ny)，g(n)表示从第一节点到第二节点的代价函数，h(n)表示从第二节点到第二世界坐标对应的节点的代价函数，k为引力场系数，表示第二节点往第二世界坐标对应的节点的收敛重视程度。
进一步的，所述计算模块计算第一节点到第二节点的代价的公式如下；
Figure BDA0001660005900000033
其中，Xrand为随机扩展点，Xparent为第一节点，且Xparent为第二节点Xnew的父节点，q为机器人在Xparent节点的当前角度与第二节点角度的第一权值参数，(θparent-θnew)为机器人在Xparent节点的当前角度与第二节点角度的第一角度差值，e为目标节点角度与第二节点角度的第二权值参数，所述目标节点为第二世界坐标对应的节点，(θgoal-θnew)为目标节点角度与第二节点角度的第二角度差值。
具体的，所述转换模块根据所述机器人在世界坐标系下的第一世界坐标将所述相对坐标转换为所述目标人物在世界坐标系下的第二世界坐标的公式如下：
Figure BDA0001660005900000041
其中
Figure BDA0001660005900000042
所述机器人在世界坐标系下的第一世界坐标为(x0,y0,z0)，所述相对坐标为(x,y,z)，所述目标人物在世界坐标系下的第二世界坐标为(x1,y1,z1)。
第三方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的机器人跟随人物方法。
第四方面，本发明还提供了一种机器人，所述机器人包括体感侦测器、一个或多个处理器、存储器、一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行上述的机器人跟随人物方法。
本发明与现有技术相比，具有以下有益效果：
本实施例提供了一种机器人自动跟随人物的方法，通过安装在机器人上的体感侦测器检测目标人物，并将目标人物与机器人放置在世界坐标系下进行考量，在世界坐标系下根据随机扩展树算法和基于A*算法的估价函数计算并筛选出随机扩展树的中间节点，使得控制机器人在世界坐标系下移动至目标人物的路径接近最短路径，实现自动绕开障碍物并快速导航到目标人物，实现人物跟随。
此外，本发明的基于A*算法的估价函数包括机器人当前角度与第二节点角度的第一权值参数与机器人当前角度与第二节点角度的第一角度差值的乘积、及目标节点角度与第二节点角度的第二权值参数与目标节点角度与第二节点角度的第二角度差值的乘积，考虑了每次机器人到中间节点的时候需要调整转动机器人自己的方向，在转动方向的过程中有时间的消耗，通过该基于A*算法的估价函数计算出的第二节点的代价更符合现实情况。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明机器人跟随人物方法的一实施例流程示意图；
图2为本发明筛选中间节点的一实施例示意图；
图3为本发明机器人跟随人物装置的一实施例示意图；
图4为本发明机器人的一实施例结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本领域技术人员应当理解，本发明所称的“应用”、“应用程序”、“应用软件”以及类似表述的概念，是业内技术人员所公知的相同概念，是指由一系列计算机指令及相关数据资源有机构造的适于电子运行的计算机软件。除非特别指定，这种命名本身不受编程语言种类、级别，也不受其赖以运行的操作***或平台所限制。理所当然地，此类概念也不受任何形式的终端所限制。
本发明实施例提供一种机器人跟随人物方法，如图1所示，所述方法包括以下步骤：
S100：通过安装在机器人上的体感侦测器检测目标人物，获取所述目标人物在原始坐标系下相对于机器人的相对坐标。
本发明实施例中，机器人上安装有体感侦测器如Xtion，通过体感侦测器检测目标人物，具体的，本实施例通过体感侦测器的摄像模组并基于OpneNI的骨架检测方法对目标人物进行检测，当检测到目标人物的时候即可返回、记录目标人物在体感侦测器坐标系中的坐标，即本实施例所述的目标人物在原始坐标系下相对于机器人的相对坐标，为了下述计算，本实施例记所述相对坐标为(x,y,z)。
S200：根据所述机器人在世界坐标系下的第一世界坐标将所述相对坐标转换为所述目标人物在世界坐标系下的第二世界坐标。
为了能够得到目标人物在真实世界的位置，需要将目标人物与机器人放置到世界坐标系中进行考量，世界坐标系也称真实或现实世界坐标系，或全局坐标系，能够表征物体在客观世界的绝对坐标。由于体感侦测器安装在机器人上，体感侦测器的世界坐标即相当于机器人的世界坐标，本实施例中定义机器人在世界坐标系下的坐标为第一世界坐标，记为(x0,y0,z0)，另外，还需要将目标人物也放置到世界坐标系中进行考量，本实施例根据机器人在世界坐标系下的第一世界坐标将所述相对坐标转换为目标人物在世界坐标系下的坐标，定义目标人物在世界坐标系下的坐标为第二世界坐标，记为(x1,y1,z1)。本实施例中，通过下述公式将所述相对坐标转换为目标人物在世界坐标系下的第二世界坐标，具体的：
Figure BDA0001660005900000071
S300：根据随机扩展树算法在所述世界坐标系下选取至少一个随机扩展点；分别选取第一节点与单个随机扩展点构成的线段上的第二节点，并构建从所述第一节点经过所述第二节点到达所述第二世界坐标的路径，所述第一节点为随机扩展树上的当前中间节点；同时，根据基于A*算法的估价函数分别计算各第二节点对应的路径的代价；将代价最小的路径对应的第二节点作为随机扩展树的下一中间节点。
从上述步骤已经知道了世界坐标系下的机器人的第一世界坐标及目标人物的第二世界坐标，根据随机扩展树算法，本实施例将机器人的第一世界坐标作为随机扩展树的开始节点，记为Xinit，将目标人物的第二世界坐标作为随机扩展树的目标节点，记为Xgoal。接着进行随机扩展树的扩展，扩展方式为：在世界坐标系下随机选取至少一个随机扩展点Xrand，然后分别选取第一节点与单个随机扩展点构成的线段上的第二节点，并构建从所述第一节点经过所述第二节点到达所述第二世界坐标的路径，同时必须说明的是，在第一次随机扩展树的扩展时，所述第一节点即为随机扩展树的开始节点Xinit，然后连接起Xinit和Xrand构成线段L，并沿着线段L从Xinit向Xrand的方向移动一定的距离，得到一个新的节点，该新的节点即为本实施例所述的第二节点，记为Xnew，由于每一次选取的是至少一个的随机扩展点Xrand，当随机扩展点Xrand的数量为多个时，所得到的第二节点Xnew也为多个，此时基于A*算法的估价函数分别计算各第二节点对应的路径的代价，将代价最小的路径对应的第二节点作为随机扩展树的下一中间节点，将该中间节点加入到随机扩展树中，则Xinit、Xnew与它们之间的线段构成了一棵最简单的扩展树；此为一次根据随机扩展树算法计算随机扩展树的第二节点，并根据基于A*算法的估价函数选取第二节点作为加入随机扩展树的中间节点。在此基础上，继续重复在世界坐标系下选取至少一个随机扩展点Xrand，然后在已经构成的随机扩展树上选取一个离随机扩展点Xrand最近的点Xnear，连接Xnear、Xrand构成线段L1，如果线段L1上没有障碍物，则沿着线段L1从Xnear到Xrand移动一定的距离，得到新的第二节点Xnew，此时基于A*算法的估价函数分别计算各第二节点对应的路径的代价，将路径代价最小对应的第二节点作为随机扩展树的下一中间节点，将该中间节点加入到随机扩展树中，此为后续循环根据随机扩展树算法计算随机扩展树的第二节点，并根据基于A*算法的估价函数选取第二节点作为加入随机扩展树的中间节点的步骤。
具体的，本实施例中，所述基于A*算法的估价函数为f(n)＝g(n)+h(n)，其中，f(n)表示从第一节点经第二节点n然后到达目标节点的代价函数，g(n)表示从第一节点到第二节点n的代价函数，h(n)表示从第二节点n到目标节点的代价函数，并且h(n)可以直接表示为从第二节点n到目标节点连线的距离，假设目标节点坐标为(dx，dy)，第二节点n的坐标为(nx，ny)，则f(n)可以表示为：
Figure BDA0001660005900000082
其中，k为引力场系数，表示第二节点往目标节点的收敛重视程度。
进一步的，由于从开始节点需要经过多个中间节点才能到达目标节点，所以每次机器人到达中间节点的时候需要调整、转动机器人的方向，在转动方向的过程中有时间的消耗，因此，本实施例考虑到转动方向时的时间消耗，在计算第二节点的代价时，所述基于A*算法的估价函数包括机器人当前角度与第二节点角度的第一权值参数与机器人当前角度与第二节点角度的第一角度差值的乘积、及目标节点角度与第二节点角度的第二权值参数与目标节点角度与第二节点角度的第二角度差值的乘积。
即上述公式g(n)进一步拓展为：
Figure BDA0001660005900000081
其中，Xrand仍然是在世界坐标系下选取的随机扩展点，Xparent为新的即将加入随机扩展树的第二节点的父节点(即第一节点)，(Xrand-Xparent)为节点Xparent往节点Xrand的方向向量，
Figure BDA0001660005900000091
为节点Xparent到节点Xrand的方向上的单位向量，ρ为节点Xparent到节点Xrand的距离权值参数，q为机器人当前角度与第二节点角度差的权值参数，e为目标节点角度与第二节点角度的权值参数。
θparent代表机器人来到节点Xparent的方向与世界坐标系的x轴的夹角，θnew代表节点Xparent到节点Xnew的方向，θgoal-θnew为表示新增的第二节点Xnew方向与目标节点Xgoal方向的角度差值。因而，可以得到本实施例的第二节点代价计算公式为：
Figure BDA0001660005900000092
即f(Xnew)＝f(Xparent)+估价函数，因此，在每一次选取第二节点作为中间节点的选择中，选择f(Xnew)最小的第二节点作为随机扩展树的下一个中间节点加入到随机扩展树中。
如图2所示，节点X1，X2，X3是已经加入随机扩展树的中间节点，加入随机扩展树的顺序为：X1，X2，X3。节点Xrand1、Xrand2、Xrand3是指中间节点X3已经加入随机扩展树的情况下为了找新的中间节点而产生的随机扩展点，这几个随机扩展点是为了找到下一个加入随机扩展树的中间节点做分析准备的，对应上述公式中，节点X3即为节点Xparent，以随机扩展点Xrand2为例，在已有的随机扩展树上找到离随机扩展点Xrand2最近的中间节点X2，中间节点X2即为Xnear，然后在Xnear到Xrand2的连线上找到第二节点Xnew，将Xnew、Xrand2、X3的世界坐标以及各角度差值代入公式，即可计算出考虑了机器人方向转动时间情况下的第二节点的代价，然后选取代价最小的第二节点作为中间节点加入随机扩展树中，例如图3中的Xnew即为X1，X2，X3之后加入随机扩展树中的下一个中间节点。
S400：当所述中间节点与所述第二世界坐标的距离在预设范围内时，依次连接各中间节点形成目标路径，控制所述机器人在世界坐标系下从所述第一世界坐标沿着所述目标路径移动至所述第二世界坐标。
在每一次确定了一个中间节点后，将该中间节点加入到随机扩展树中，直到所选取的中间节点与所述第二世界坐标的距离在预设范围内时，将该中间节点加入到随机扩展树中，完成随机扩展树的生长，此时便可依次连接各中间节点形成目标路径，在得到目标路径后，便可控制机器人在世界坐标系下沿着所述目标路径从所述第一世界坐标移动至第二世界坐标，即控制机器人移动至目标人物的第二世界坐标处，实现人物跟随。
本实施例提供了一种机器人自动跟随人物的方法，通过安装在机器人上的体感侦测器检测目标人物，并将目标人物与机器人放置在世界坐标系下进行考量，在世界坐标系下根据随机扩展树算法和基于A*算法的估价函数计算并筛选出随机扩展树的中间节点，使得控制机器人在世界坐标系下移动至目标人物的路径接近最短路径，实现自动绕开障碍物并快速导航到目标人物，实现人物跟随。
如图3所示，在另一种实施例中，本发明提供了一种机器人跟随人物装置，包括：
人物侦测模块100：用于通过安装在机器人上的体感侦测器检测目标人物，获取所述目标人物在原始坐标系下相对于机器人的相对坐标；
转换模块200：用于根据所述机器人在世界坐标系下的第一世界坐标将所述相对坐标转换为所述目标人物在世界坐标系下的第二世界坐标；
计算模块300：用于根据随机扩展树算法在所述世界坐标系下选取至少一个随机扩展点；分别选取第一节点与单个随机扩展点构成的线段上的第二节点，并构建从所述第一节点经过所述第二节点到达所述第二世界坐标的路径，所述第一节点为随机扩展树上的当前中间节点；同时，根据基于A*算法的估价函数分别计算各第二节点对应的路径的代价；将代价最小的路径对应的第二节点作为随机扩展树的下一中间节点；
跟随模块400：用于当所述中间节点与所述第二世界坐标的距离在预设范围内时，依次连接各中间节点形成目标路径，控制所述机器人在世界坐标系下从所述第一世界坐标沿着所述目标路径移动至所述第二世界坐标。
所述计算模块300计算第二节点对应的路径的代价的公式如下：
Figure BDA0001660005900000111
其中，所述第二世界坐标为(dx，dy)，所述第二节点坐标为(nx，ny)，g(n)表示从第一节点到第二节点的代价函数，h(n)表示从第二节点到第二世界坐标对应的节点的代价函数，k为引力场系数，表示第二节点往第二世界坐标对应的节点的收敛重视程度。
进一步的，所述计算模块300计算第一节点到第二节点的代价的公式如下；
Figure BDA0001660005900000112
其中，Xrand为随机扩展点，Xparent为第一节点，且Xparent为第二节点Xnew的父节点，q为机器人在Xparent节点的当前角度与第二节点角度的第一权值参数，(θparent-θnew)为机器人在Xparent节点的当前角度与第二节点角度的第一角度差值，e为目标节点角度与第二节点角度的第二权值参数，所述目标节点为第二世界坐标对应的节点，(θgoal-θnew)为目标节点角度与第二节点角度的第二角度差值。
具体的，所述转换模块200根据所述机器人在世界坐标系下的第一世界坐标将所述相对坐标转换为所述目标人物在世界坐标系下的第二世界坐标的公式如下：
Figure BDA0001660005900000113
其中
Figure BDA0001660005900000114
所述机器人在世界坐标系下的第一世界坐标为(x0,y0,z0)，所述相对坐标为(x,y,z)，所述目标人物在世界坐标系下的第二世界坐标为(x1,y1,z1)。
在另一种实施例中，本发明提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例所述的机器人跟随人物方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random AcceSS Memory，随即存储器)、EPROM(EraSable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically EraSable Programmable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，存储设备包括由设备(例如，计算机、手机)以能够读的形式存储或传输信息的任何介质，可以是只读存储器，磁盘或光盘等。
本发明实施例提供的一种计算机可读存储介质，可实现通过安装在机器人上的体感侦测器检测目标人物，获取所述目标人物在原始坐标系下相对于机器人的相对坐标；根据所述机器人在世界坐标系下的第一世界坐标将所述相对坐标转换为所述目标人物在世界坐标系下的第二世界坐标；根据随机扩展树算法在所述世界坐标系下选取至少一个随机扩展点；分别选取第一节点与单个随机扩展点构成的线段上的第二节点，并构建从所述第一节点经过所述第二节点到达所述第二世界坐标的路径，所述第一节点为随机扩展树上的当前中间节点；同时，根据基于A*算法的估价函数分别计算各第二节点对应的路径的代价；将代价最小的路径对应的第二节点作为随机扩展树的下一中间节点；当所述中间节点与所述第二世界坐标的距离在预设范围内时，依次连接各中间节点形成目标路径，控制所述机器人在世界坐标系下从所述第一世界坐标沿着所述目标路径移动至所述第二世界坐标。本发明实施例提供了一种机器人自动跟随人物的方法，通过安装在机器人上的体感侦测器检测目标人物，并将目标人物与机器人放置在世界坐标系下进行考量，在世界坐标系下根据随机扩展树算法和基于A*算法的估价函数计算并筛选出随机扩展树的中间节点，使得控制机器人在世界坐标系下移动至目标人物的路径接近最短路径，实现自动绕开障碍物并快速导航到目标人物，实现人物跟随。此外，本发明提供的计算机可读存储介质还考虑了每次机器人到中间节点的时候需要调整转动机器人自己的方向，在转动方向的过程中有时间的消耗，通过该基于A*算法的估价函数计算出的中间节点的代价更符合现实情况。
本发明实施例提供的计算机可读存储介质可以实现上述机器人跟随人物方法的实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。
此外，在又一种实施例中，本发明还提供一种机器人，如图4所示，所述服务器处理器403、存储器405、输入单元407、显示单元409、体感侦测器411等器件。本领域技术人员可以理解，图4示出的结构器件并不构成对所有机器人的限定，可以包括比图示更多或更少的部件，或者组合某些部件。存储器405可用于存储应用程序401以及各功能模块，处理器403运行存储在存储器405的应用程序401，从而执行设备的各种功能应用以及数据处理。存储器405可以是内存储器或外存储器，或者包括内存储器和外存储器两者。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器405只作为例子而非作为限定。
输入单元407用于接收信号的输入，以及接收用户输入的关键字。输入单元407可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并根据预先设定的程序驱动相应的连接装置；其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元409可用于显示用户输入的信息或提供给用户的信息以及计算机设备的各种菜单。显示单元409可采用液晶显示器、有机发光二极管等形式。处理器403是计算机设备的控制中心，利用各种接口和线路连接整个电脑的各个部分，通过运行或执行存储在存储器403内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。图4中所示的一个或多个处理器403能够执行、实现图3中所示的人物侦测模块100、转换模块200、计算模块300、跟随模块400的功能。
在一种实施方式中，所述机器人包括一个或多个体感侦测器411，一个或多个处理器403，以及一个或多个存储器405，一个或多个应用程序401，其中所述一个或多个应用程序401被存储在存储器405中并被配置为由所述一个或多个处理器403执行，所述一个或多个应用程序401配置用于执行以上实施例所述的机器人跟随人物方法。
本发明实施例提供的机器人可以实现上述提供的跟随人物方法的实施例，具体功能实现请参见方法实施例中的说明，在此不再赘述。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种机器人跟随人物方法，其特征在于，包括：
通过安装在机器人上的体感侦测器检测目标人物，获取所述目标人物在原始坐标系下相对于机器人的相对坐标；
根据所述机器人在世界坐标系下的第一世界坐标将所述相对坐标转换为所述目标人物在世界坐标系下的第二世界坐标；
根据随机扩展树算法在所述世界坐标系下选取至少一个随机扩展点；分别选取第一节点与单个随机扩展点构成的线段上的第二节点，并构建从所述第一节点经过所述第二节点到达所述第二世界坐标的路径，所述第一节点为随机扩展树上的当前中间节点；同时，根据基于A*算法的估价函数分别计算各第二节点对应的路径的代价；将代价最小的路径对应的第二节点作为随机扩展树的下一中间节点；
当所述中间节点与所述第二世界坐标的距离在预设范围内时，依次连接各中间节点形成目标路径，控制所述机器人在世界坐标系下从所述第一世界坐标沿着所述目标路径移动至所述第二世界坐标；
其中，所述根据基于A*算法的估价函数计算第二节点对应的路径的代价通过如下公式计算：
Figure FDA0003018212310000011
其中，所述第二世界坐标为(dx，dy)，所述第二节点坐标为(nx，ny)，g(n)表示从第一节点到第二节点的代价函数，h(n)表示从第二节点到第二世界坐标对应的节点的代价函数，k为引力场系数，表示第二节点往第二世界坐标对应的节点的收敛重视程度；
其中，所述第一节点到第二节点的代价通过如下公式计算：
Figure FDA0003018212310000012
其中，Xrand为随机扩展点，Xparent为第一节点，且Xparent为第二节点Xnew的父节点，q为机器人在Xparent节点的当前角度与第二节点角度的第一权值参数，(θparent-θnew)为机器人在Xparent节点的当前角度与第二节点角度的第一角度差值，e为目标节点角度与第二节点角度的第二权值参数，所述目标节点为第二世界坐标对应的节点，(θgoal-θnew)为目标节点角度与第二节点角度的第二角度差值；ρ为节点Xparent到节点Xrand的距离权值参数。
2.根据权利要求1所述的方法，其特征在于，通过如下公式根据机器人在世界坐标系下的第一世界坐标将所述相对坐标转换为目标人物在世界坐标系下的第二世界坐标：
Figure FDA0003018212310000021
其中
Figure FDA0003018212310000022
所述机器人在世界坐标系下的第一世界坐标为(x0,y0,z0)，所述相对坐标为(x,y,z)，所述目标人物在世界坐标系下的第二世界坐标为(x1,y1,z1)。
3.一种机器人跟随人物装置，其特征在于，包括：
人物侦测模块：用于通过安装在机器人上的体感侦测器检测目标人物，获取所述目标人物在原始坐标系下相对于机器人的相对坐标；
转换模块：用于根据所述机器人在世界坐标系下的第一世界坐标将所述相对坐标转换为所述目标人物在世界坐标系下的第二世界坐标；
计算模块：用于根据随机扩展树算法在所述世界坐标系下选取至少一个随机扩展点；分别选取第一节点与单个随机扩展点构成的线段上的第二节点，并构建从所述第一节点经过所述第二节点到达所述第二世界坐标的路径，所述第一节点为随机扩展树上的当前中间节点；同时，根据基于A*算法的估价函数分别计算各第二节点对应的路径的代价；将代价最小的路径对应的第二节点作为随机扩展树的下一中间节点；
跟随模块：用于当所述中间节点与所述第二世界坐标的距离在预设范围内时，依次连接各中间节点形成目标路径，控制所述机器人在世界坐标系下从所述第一世界坐标沿着所述目标路径移动至所述第二世界坐标；
其中，所述根据基于A*算法的估价函数计算第二节点对应的路径的代价通过如下公式计算：
Figure FDA0003018212310000031
其中，所述第二世界坐标为(dx，dy)，所述第二节点坐标为(nx，ny)，g(n)表示从第一节点到第二节点的代价函数，h(n)表示从第二节点到第二世界坐标对应的节点的代价函数，k为引力场系数，表示第二节点往第二世界坐标对应的节点的收敛重视程度；
其中，所述第一节点到第二节点的代价通过如下公式计算：
Figure FDA0003018212310000032
其中，Xrand为随机扩展点，Xparent为第一节点，且Xparent为第二节点Xnew的父节点，q为机器人在Xparent节点的当前角度与第二节点角度的第一权值参数，(θparent-θnew)为机器人在Xparent节点的当前角度与第二节点角度的第一角度差值，e为目标节点角度与第二节点角度的第二权值参数，所述目标节点为第二世界坐标对应的节点，(θgoal-θnew)为目标节点角度与第二节点角度的第二角度差值；ρ为节点Xparent到节点Xrand的距离权值参数。
4.根据权利要求3所述的装置，其特征在于，所述转换模块根据所述机器人在世界坐标系下的第一世界坐标将所述相对坐标转换为所述目标人物在世界坐标系下的第二世界坐标的公式如下：
Figure FDA0003018212310000033
其中
Figure FDA0003018212310000034
所述机器人在世界坐标系下的第一世界坐标为(x0,y0,z0)，所述相对坐标为(x,y,z)，所述目标人物在世界坐标系下的第二世界坐标为(x1,y1,z1)。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现权利要求1至2任一项所述的机器人跟随人物方法。
6.一种机器人，其特征在于，包括：
体感侦测器；
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于执行根据权利要求1至2任一项所述的机器人跟随人物方法。
CN201810457340.5A 2018-05-14 2018-05-14 机器人跟随人物方法、装置及存储介质、机器人 Active CN108717302B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810457340.5A CN108717302B (zh) 2018-05-14 2018-05-14 机器人跟随人物方法、装置及存储介质、机器人
PCT/CN2018/102872 WO2019218526A1 (zh) 2018-05-14 2018-08-29 机器人跟随人物方法、装置及存储介质、机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810457340.5A CN108717302B (zh) 2018-05-14 2018-05-14 机器人跟随人物方法、装置及存储介质、机器人

Publications (2)

Publication Number Publication Date
CN108717302A CN108717302A (zh) 2018-10-30
CN108717302B true CN108717302B (zh) 2021-06-25

Family

ID=63899962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810457340.5A Active CN108717302B (zh) 2018-05-14 2018-05-14 机器人跟随人物方法、装置及存储介质、机器人

Country Status (2)

Country Link
CN (1) CN108717302B (zh)
WO (1) WO2019218526A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113311422A (zh) * 2020-02-27 2021-08-27 富士通株式会社 坐标转换方法、装置和数据处理设备
CN112809673B (zh) * 2020-12-30 2022-07-19 广东博智林机器人有限公司 机器人的坐标确定方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015008033A1 (en) * 2013-07-15 2015-01-22 Bae Systems Plc Route planning
CN105652895A (zh) * 2014-11-12 2016-06-08 沈阳新松机器人自动化股份有限公司 基于激光传感器的移动机器人人体跟踪***及跟踪方法
CN105807760A (zh) * 2014-12-30 2016-07-27 Tcl集团股份有限公司 一种智能机器人及其自建路径的方法和装置
CN105843222A (zh) * 2016-03-18 2016-08-10 北京航空航天大学 一种六轮/腿机器人复合运动路径规划方法
CN105955251A (zh) * 2016-03-11 2016-09-21 北京克路德人工智能科技有限公司 一种机器人的视觉跟随控制方法及机器人
CN107065865A (zh) * 2017-03-21 2017-08-18 北京航空航天大学 一种基于剪枝快速随机搜索树算法的路径规划方法
CN107608392A (zh) * 2017-09-19 2018-01-19 浙江大华技术股份有限公司 一种目标跟随的方法及设备
CN107909603A (zh) * 2017-12-01 2018-04-13 浙江工业大学 一种面向跟随机器人的视觉跟踪方法
CN107943053A (zh) * 2017-12-15 2018-04-20 陕西理工大学 一种移动机器人的路径规划方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101667029B1 (ko) * 2009-08-10 2016-10-17 삼성전자 주식회사 로봇의 경로 계획방법 및 장치
CN106406338B (zh) * 2016-04-14 2023-08-18 中山大学 一种基于激光测距仪的全向移动机器人的自主导航装置及其方法
WO2018014018A1 (en) * 2016-07-15 2018-01-18 University Of Central Florida Research Foundation, Inc. Synthetic data generation of time series data
CN106774314A (zh) * 2016-12-11 2017-05-31 北京联合大学 一种基于行走轨迹的家庭服务机器人路径规划方法
CN107688342B (zh) * 2017-03-27 2019-05-10 平安科技（深圳）有限公司 机器人的避障控制***及方法
CN107677285B (zh) * 2017-04-11 2019-05-28 平安科技（深圳）有限公司 机器人的路径规划***及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015008033A1 (en) * 2013-07-15 2015-01-22 Bae Systems Plc Route planning
CN105652895A (zh) * 2014-11-12 2016-06-08 沈阳新松机器人自动化股份有限公司 基于激光传感器的移动机器人人体跟踪***及跟踪方法
CN105807760A (zh) * 2014-12-30 2016-07-27 Tcl集团股份有限公司 一种智能机器人及其自建路径的方法和装置
CN105955251A (zh) * 2016-03-11 2016-09-21 北京克路德人工智能科技有限公司 一种机器人的视觉跟随控制方法及机器人
CN105843222A (zh) * 2016-03-18 2016-08-10 北京航空航天大学 一种六轮/腿机器人复合运动路径规划方法
CN107065865A (zh) * 2017-03-21 2017-08-18 北京航空航天大学 一种基于剪枝快速随机搜索树算法的路径规划方法
CN107608392A (zh) * 2017-09-19 2018-01-19 浙江大华技术股份有限公司 一种目标跟随的方法及设备
CN107909603A (zh) * 2017-12-01 2018-04-13 浙江工业大学 一种面向跟随机器人的视觉跟踪方法
CN107943053A (zh) * 2017-12-15 2018-04-20 陕西理工大学 一种移动机器人的路径规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
RRT-A* Motion Planning Algorithm for Non-holonomic Mobile Robot;Jiadong Li;《SICE Annual Conference 2014》;20140912;1833-1838 *
RRT-blossom: RRT with a local flood-fill behavior;Maciej Kalisiak;《Proceedings of the 2006 IEEE International Conference on Robotics and Automation》;20060531;1237-1242 *
基于RRT算法的非完整移动机器人运动规划;李加东;《中国优秀硕士学位论文全文数据库-信息科技辑》;20140930(第9期);I140-258 *
基于启发式搜索方法的机器人三维空间路径规划研究;沈黎明;《中国优秀硕士学位论文全文数据库-信息科技辑》;20150131(第1期);I140-419 *

Also Published As

Publication number Publication date
WO2019218526A1 (zh) 2019-11-21
CN108717302A (zh) 2018-10-30

Similar Documents

Publication Publication Date Title
KR102296507B1 (ko) 트래킹 네트워크를 포함한 cnn을 사용하여 객체를 트래킹하는 방법 및 이를 이용한 장치
US20220028163A1 (en) Computer Vision Systems and Methods for Detecting and Modeling Features of Structures in Images
Dames et al. Autonomous localization of an unknown number of targets without data association using teams of mobile sensors
Thompson et al. A probabilistic model of human motion and navigation intent for mobile robot path planning
JP6691202B2 (ja) 六角形空間マップにおけるベクトルナビゲーションのためのコンテキストベースの経路計画
US11449079B2 (en) Generalizable robot approach control techniques
CN109933067A (zh) 一种基于遗传算法和粒子群算法的无人艇避碰方法
CN113219992B (zh) 一种路径规划方法及清洁机器人
CN109460267A (zh) 移动机器人离线地图保存与实时重定位方法
CN108717302B (zh) 机器人跟随人物方法、装置及存储介质、机器人
CN108733038A (zh) 机器人局部动态路径规划方法
CN109341698B (zh) 一种移动机器人的路径选择方法及装置
Löffler et al. Evaluation criteria for inside-out indoor positioning systems based on machine learning
KR100994075B1 (ko) 보행로봇의 최적경로 계획방법
CN113433937A (zh) 基于启发式探索的分层导航避障***、分层导航避障方法
Bayoumi et al. Speeding up person finding using hidden Markov models
Milford et al. Brain-inspired sensor fusion for navigating robots
CN114089752A (zh) 机器人的自主探索方法、机器人及计算机可读存储介质
CA2894863A1 (en) Indoor localization using crowdsourced data
JP2021135473A (ja) 捜索支援システム、捜索支援方法
US20160282876A1 (en) Moving object controller, moving object control method, and integrated circuit
CN113810846B (zh) 一种基于WiFi和IMU融合的室内定位方法
Elizondo-Leal et al. An exact euclidean distance transform for universal path planning
Ozkil et al. Practical indoor mobile robot navigation using hybrid maps
Kümmerle et al. Active monte carlo localization in outdoor terrains using multi-level surface maps

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