CN109696908A - 机器人及其航迹设置方法和*** - Google Patents
机器人及其航迹设置方法和*** Download PDFInfo
- Publication number
- CN109696908A CN109696908A CN201910047842.5A CN201910047842A CN109696908A CN 109696908 A CN109696908 A CN 109696908A CN 201910047842 A CN201910047842 A CN 201910047842A CN 109696908 A CN109696908 A CN 109696908A
- Authority
- CN
- China
- Prior art keywords
- robot
- track
- attitude angle
- particle
- mode
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000002245 particle Substances 0.000 claims abstract description 79
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 210000004556 brain Anatomy 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 238000012952 Resampling Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 206010020852 Hypertonia Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G05D1/0055—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
-
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种机器人及其航迹设置方法和***,该航迹设置方法包括:预测姿态角步骤:采用粒子滤波算法预测机器人的姿态角,该粒子滤波算法采用头脑风暴优化算法优化该粒子滤波算法的权值公式的步长参数,该姿态角包括偏航角、俯仰角及横滚角;预测航迹坐标步骤:获取该机器人的起始航迹点、当前时刻的姿态角及当前速度,以预测该机器人在下一时刻的航迹坐标。本发明采用头脑风暴优化算法优化粒子滤波算法的权值公式中的步长参数,使得预测航迹更为准确,以方便机器人在行驶过程中能够及时调整机器人的行驶方向和行驶速度。本发明可广泛应用于自动驾驶技术领域。
Description
技术领域
本发明涉及人工智能技术领域,尤其是涉及一种机器人及其航迹设置方法和***。
背景技术
粒子滤波:通过寻找一组在状态空间中传播的随机样本来近似的表示概率密度函数,用样本均值代替积分运算,进而获得***状态的最小方差估计的过程,这些样本被形象的称为“粒子”,故而叫粒子滤波。
头脑风暴优化算法:Brain Storm Optimization Algorithm的中文名称,一种新型的智能优化计算方法,主要用于求解大规模高维多峰函数问题。
GPS:Global Positioning System,全球定位***。
SLAM:simultaneous localization and mapping,同步定位与地图构建。
在海陆空跨界场景中,由于控制环境比较复杂,现有的设计方案一般都比较昂贵,相当于把汽车、飞机及轮船三合一在一起,要三套发动机、三套齿轮以及三套单独的控制器。为了降低成本,可以将发动机、齿轮及控制器全部共用,以有效节省硬件成本,但是如果将三套控制***合而为一之后,***的非线性特性更强,需要的控制算法就会比较复杂,比如使用参数相对固定的卡尔曼控制算法不合适。
在应急场景中,为了避免危险事故的发生,不仅需要检测车辆的速度,还要预测车辆的方向。现有技术中,对特殊场景的海陆空智能救灾援助作业对应急库管理有非常高的实时性要求,现场场景的完整参数数据不一定能及时获取,***必须具有足够的三栖自动采样能力,在获得部分数据的场景下继续通过现场后验采样,弥补先验盲区继续工作,做出正确的决策,以实现及时的智能援助。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的一个目的是提供一种机器人及其航迹设置方法和***。
本发明所采用的技术方案是:
第一方面,本发明提供一种机器人的航迹设置方法,该航迹设置方法包括:预测姿态角步骤:采用粒子滤波算法预测机器人的姿态角,该粒子滤波算法采用头脑风暴优化算法优化该粒子滤波算法的权值公式的步长参数,该姿态角包括偏航角、俯仰角及横滚角;预测航迹坐标步骤:获取该机器人的起始航迹点、当前时刻的姿态角及当前速度,以预测该机器人在下一时刻的航迹坐标;
其中,该预测姿态角步骤具体包括:在t时刻,根据该姿态角的先验条件概率,产生N个随机样本,该N个随机样本被称为粒子;根据该粒子相对于以往实际轨迹的左右位置,将该粒子划分为左派粒子和右派粒子;采用后验概率计算公式分别计算该t时刻的该左派粒子和该右派粒子的权值,其中,该后验概率计算公式为:π是圆周率,w(i)是第i个粒子在最后全部粒子线性叠加预测运算中的权重,R是激光雷达的标准误差值,Di是第i个粒子与该激光雷达观察的航线的偏离值,St是t时刻的步长参数,该St值采用头脑风暴优化算法进行优化;根据该左派粒子和该右派粒子的权值,采用加权平均算法计算得出该机器人在t+1时刻的姿态角。
其中,该机器人为海陆空三栖机器人,该预测姿态角步骤之前还包括模态识别步骤:识别该机器人的当前行驶模态,该行驶模态包括三种类型:第一模态、第二模态及第三模态;该第一模态为海、陆及空三个模态;该第二模态为海、陆、空、海陆、空海、陆空六个模态;该第三模态为海、陆、空、海陆、空海、陆空、陆海、空陆、海空九个模态;该预测姿态角步骤包括:根据该前行驶模态,调整该权值公式的该步长参数St,该St值采用头脑风暴优化算法针对模态过渡总时长的1/k的片段时间序列进行优化,k=4。
其中,该预测姿态角步骤还包括:在下一个t时刻,根据该姿态角的先验条件概率,重新产生N个随机粒子,根据多个新粒子重新计算所述机器人在下一个t+1时刻的姿态角。
其中,该预测航迹坐标步骤之后还包括航迹优化步骤:采用复数分数方差函数评价该机器人的速度变化,该复数分数方差函数计算公式为:m为分数,n为时刻数,ξi为各时刻速度值,为速度平均值,ξi为复数,虚数表示横向行驶速度,实数表示纵向行驶速度;调整该机器人的行驶速度符合最小评价函数,该最小评价函数的定义为:使得该复数分数方差函数的模最小。
其中,该航迹优化步骤之后还包括步骤:在该机器人的实际行程超过预定的误差时,重新执行该预测姿态角步骤、该预测航迹坐标步骤及该航迹优化步骤。
其中,该航迹优化步骤之后还包括步骤:在该机器人发生故障无法执行该预测姿态角步骤和该预测航迹坐标步骤时,调用云端数据库或本地预置数据库,以获取安全航迹数据。
第二方面,本发明提供一种机器人的航迹设置***,包括:电机、传感器及处理器,该电机和该传感器分别与该处理器连接;该电机,用于驱动该机器人行驶;该传感器,包括GPS传感器和激光雷达,用于获取该机器人的位置信息并传送给该处理器;该处理器,用于执行如上述的航迹设置方法。
其中,该航迹设置***还包括换挡器件、通信设备及存储器;该换挡器件,用于接收电机的信号改变该机器人的行驶速度,该通信设备与该处理器连接,用于与云端进行通信;该存储器与该处理器连接,用于存储该机器人的航行数据。
第三方面,本发明提供一种机器人,包括如上述的航迹设置***。
本发明的有益效果是:
本发明通过采用改进的粒子滤波算法预测机器人的姿态角,从而预测该机器人在下一时刻的航迹坐标。该改进的粒子滤波算法包括如下改进点:
一、采用头脑风暴优化算法优化粒子滤波算法的权值公式中的步长参数,使得预测航迹更为准确,以方便机器人在行驶过程中能够及时调整机器人的行驶方向和行驶速度;
二、该机器人为三栖机器人,在机器人处于不同的工作模态下,调整粒子滤波算法的权值公式中的步长参数,以满足机器人在不同的工作模态的行驶速度和角度需求;
三、该粒子滤波算法具有左右有别的重采样机制,可以防止在多次进行迭代之后,粒子出现单方向退化现象;
四、采用复数分数方差函数评价机器人的速度变化,可以使得机器人的行驶轨迹光滑,减少机器人在模态过渡的过程中由于行驶的角度偏差太大导致行驶不平稳,从而减少行驶过程中的事故,保证行驶安全。
进一步地,本发明在遇到故障无法进行采样时还具有应急自救功能,调用云端数据库或本地预置数据库,以获取安全航迹数据。
本发明可广泛应用于自动驾驶技术领域。
附图说明
图1是本发明机器人的航迹设置方法的一实施例的流程示意图;
图2是图1的步骤S11的流程示意图;
图3是本发明粒子滤波算法的示意图;
图4是本发明机器人的航迹设置方法的一实施例的轨迹仿真示意图;
图5是本发明机器人的航迹设置***的一实施例的结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例一:
请参阅图1,图1是本发明机器人的航迹设置方法的一实施例的流程示意图。如图1所示,该航迹设置方法包括步骤:
S11:预测姿态角步骤:采用粒子滤波算法预测机器人的姿态角,该粒子滤波算法采用头脑风暴优化算法优化该粒子滤波算法的权值公式的步长参数;
在步骤S11中,机器人的姿态角包括:偏航角、俯仰角及横滚角。其定义分别如下:
偏航角:机器人的纵轴与地球北极之间的夹角。取值范围是(-π,π],机体头的东边为正,西边为负。
俯仰角:机器人的纵轴与地球海水平面的夹角。取值范围是(-π,π],机体头的上方为正,下方为负。
横滚角:机器人的横轴与地球海水平面的夹角。取值范围是(-π,π],机体右向下为正,向上为负。
请一并参阅图2和图3,如图2所示,步骤S11具体包括:
S111:在t时刻,根据该姿态角的先验条件概率,产生N个随机样本,该N个随机样本被称为粒子;
S112:根据该粒子相对于以往实际轨迹的左右位置,将该粒子划分为左派粒子和右派粒子;
其中,左派粒子和右派粒子的划分方法可参考图3的示意图。
S113:采用后验概率计算公式分别计算该t时刻的该左派粒子和该右派粒子的权值;
其中,该后验概率计算公式为:π是圆周率,w(i)是第i个粒子在最后全部粒子线性叠加预测运算中的权重,R是激光雷达的标准误差值,Di是第i个粒子与该激光雷达观察的航线的偏离值,St是t时刻的步长参数。
其中,采用头脑风暴优化算法对步长参数St进行优化。具体地,可采用如下步骤进行:
(1)对所有粒子的步长参数St进行随机初始化,得到步长参数矩阵;
(2)采用聚类算法对该步长参数矩阵进行聚类,得到多类参数矩阵,每类的中心为对应的参数矩阵的第一行;
(3)生成第一随机数与预先设置的第一超参数进行比较,如果该第一随机数大于等于该第一超参数,则随机选择一类参数矩阵的中心,并在该一类参数矩阵中随机选择一个元素以一个随机数代替该元素,生成一类新向量;反之,
(4)生成第二随机数与预先设置的第二超参数进行比较,如果该第二随机数大于等于该第二超参数,则随机选择一类参数矩阵的中心,并在该一类参数矩阵中随机选择一个元素以一个随机数代替所述元素,生成一类新向量;反之,
(5)随机选择两类参数矩阵的中心,并利用交叉重组操作得到两个新向量;
(6)判断是否达到终止条件,如果达到终止条件,则输出优化步长参数矩阵;反之,则返回到步骤(2),进行下一轮优化。
S114:根据该左派粒子和该右派粒子的权值,采用加权平均算法计算得出该机器人在t+1时刻的姿态角。
粒子滤波算法中,普遍存在的问题是算法收敛代理的粒子退化现象,即经过若干次迭代后,除一个粒子外,其余的粒子都只有微小的权值,此时大量的计算工作都被用来优化那些对求解后验概率密度几乎不起任何作用的粒子上。最常用的减小退化现象的方法是重采样,它的基本思想是排除那些有小权重的粒子,从而将粒子集中到具有大权重的粒子上。
为避免粒子的单方向退化现象,步骤S11还具有重采样功能,即在下一个t时刻,根据该姿态角的先验条件概率,重新产生N个随机粒子,根据这N个新的随机粒子,重新执行步骤S112~步骤S114。
S12:预测航迹坐标步骤:获取该机器人的起始航迹点、当前时刻的姿态角及当前速度,以预测该机器人在下一时刻的航迹坐标。
重复执行步骤S11和步骤S12,以预测机器人的航迹(行驶轨迹)。
优选地,该机器人为海陆空三栖机器人,步骤S11之前还包括模态识别步骤:识别该机器人的当前行驶模态,该行驶模态包括三种类型:第一模态、第二模态及第三模态;该第一模态为海、陆及空三个模态;该第二模态为海、陆、空、海陆、空海、陆空六个模态;该第三模态为海、陆、空、海陆、空海、陆空、陆海、空陆、海空九个模态,机器人的模态可通过传感器实时采集机器人的位置信息、环境信息及运行速度获取。
根据该机器人的当前行驶模态,调整步骤S113的权值公式中的步长参数St,该St值采用头脑风暴优化算法针对模态过渡总时长的1/k的片段时间序列优化,k=4。总时长在0.1秒到10秒之间,根据行驶速度设定,缺省是1秒。
此外,在模态过渡过程中,计算机器人的前后左右滚翼转角速度与俯仰角转角速度、方位角转角速度以及横滚角转角速度之间的关系,确保姿态角的转角超过一定不协调的阀值就启动自动锁定功能,避免压力过高伤害电机或者齿轮。
优选地,在步骤S12之后,还包括航迹优化步骤:采用复数分数方差函数评价该机器人的速度变化,该复数分数方差函数计算公式为:m为分数,如m=1.5,n为时刻数,ξi为各时刻速度值,为速度平均值,ξi为复数,虚数表示横向行驶速度,实数表示纵向行驶速度。采用分数阶的分数方差函数评价速度变化的好处是:避免了采用传统的平方差函数评价速度变化时无法区分加、减速度。
可根据实际需要,设置机器人的航迹优化方式,具体包括以下三种方式:
(1)简单的航迹优化方式:减少频繁的左右转向或刹车与油门交替的动作,实现全程光滑的安全模态过渡驾驶功能。
(2)中等复杂的航迹优化方式:调整该机器人的行驶速度符合最小评价函数,该最小评价函数的定义为:使得复数分数方差函数的模最小。设置机器人的加速和减速采用相同的粒子滤波参数,该粒子滤波参数对应上述步骤S113中的公式W(i)的参数。
(3)最优航迹优化方式:调整该机器人的行驶速度符合最小评价函数,该最小评价函数的定义为:使得复数分数方差函数的模最小。设置机器人的加速和减速采用不同的粒子滤波参数。
第(1)种方式主要应用在民用低成本情形,第(2)、(3)方式主要应用在军用高性能情形。
在航迹优化步骤之后,还包括步骤:在该机器人的实际行程超过预定的误差时,重新执行步骤S11、步骤S12及航迹优化步骤。
在航迹优化步骤之后,还包括步骤:在该机器人发生故障无法执行步骤S11和步骤S12时,调用云端数据库或本地预置数据库,以获取安全航迹数据。
请参阅图4,图4是本发明机器人的航迹设置方法的一实施例的轨迹仿真示意图。如图4所示,线条1表示真实GPS驾驶轨迹坐标值,虚线线条2表示采用航迹优化步骤的预测轨迹坐标值,虚线线条3表示未经航迹优化步骤的预测轨迹坐标值。从图4中可以看出,虚线线条2相较于虚线线条3更接近实际坐标值,且优化后的轨迹线条更加光滑。
在本实施例的航迹设置方法中,通过采用改进的粒子滤波算法预测机器人的姿态角,从而预测该机器人在下一时刻的航迹坐标。该改进的粒子滤波算法包括如下改进点:
一、采用头脑风暴优化算法优化粒子滤波算法的权值公式中的步长参数,使得预测航迹更为准确,以方便机器人在行驶过程中能够及时调整机器人的行驶方向和行驶速度;
二、该机器人为三栖机器人,在机器人处于不同的工作模态下,调整粒子滤波算法的权值公式中的步长参数,以满足机器人在不同的工作模态的行驶速度和角度需求;
三、该粒子滤波算法具有左右有别的重采样机制,可以防止在多次进行迭代之后,粒子出现单方向退化现象;
四、采用复数分数方差函数评价机器人的速度变化,可以使得机器人的行驶轨迹光滑,减少机器人在模态过渡的过程中由于行驶的角度偏差太大导致行驶不平稳,从而减少行驶过程中的事故,保证行驶安全。
实施例二:
请参阅图5,图5是本发明机器人的航迹设置***的一实施例的结构示意图。如图5所示,该航迹设置***的硬件***包括处理器51、传感器52、电机53、换挡器件54、通信设备55及存储器56。处理器51分别与传感器52、电机53、通信设备55及存储器56连接。
传感器52用于采集该机器人的位置信息,传感器52包括激光雷达和GPS传感器。
电机53用于驱动机器人行驶。
换挡器件54用于接收电机53的信号改变机器人的行驶速度。
通信设备55,用于与云端进行通信。其中,该通信设备为5G通信设备。可选地,选用华为海思的5G芯片。
存储器56,用于存储该机器人的航行数据。存储器56类似于飞机的黑匣子。
处理器51用于执行实施例一所述的航迹设置方法,负责整体采样概率计算与控制、电机运动信号的控制、数据参数缺省使能的控制、重采样信号处理与模态识别的实现。
在其他实施例中,也可以不包括换挡器件54和/或通信设备55和/或存储器56。可选地,该硬件***还包括SLAM方位同步器件。
实施例三:
本发明还提供一种机器人,该机器人具有如实施例二所述的航迹设置***。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种机器人的航迹设置方法,其特征在于,包括:
预测姿态角步骤:采用粒子滤波算法预测机器人的姿态角,所述粒子滤波算法采用头脑风暴优化算法优化所述粒子滤波算法的权值公式的步长参数,所述姿态角包括偏航角、俯仰角及横滚角;
预测航迹坐标步骤:获取所述机器人的起始航迹点、当前时刻的姿态角及当前速度,以预测所述机器人在下一时刻的航迹坐标。
2.根据权利要求1所述的航迹设置方法,其特征在于,所述预测姿态角步骤具体包括:
在t时刻,根据所述姿态角的先验条件概率,产生多个随机样本,所述多个随机样本被称为粒子;
根据所述粒子相对于以往实际轨迹的左右位置,将所述粒子划分为左派粒子和右派粒子;
采用后验概率计算公式分别计算所述t时刻的所述左派粒子和所述右派粒子的权值,其中,所述后验概率计算公式为:π是圆周率,w(i)是第i个粒子在最后全部粒子线性叠加预测运算中的权重,R是激光雷达的标准误差值,Di是第i个粒子与所述激光雷达观察的航线的偏离值,St是t时刻的步长参数,所述St值采用头脑风暴优化算法进行优化;
根据所述左派粒子和所述右派粒子的权值,采用加权平均算法计算得出所述机器人在t+1时刻的姿态角。
3.根据权利要求2所述的航迹设置方法,其特征在于,所述机器人为海陆空三栖机器人,所述预测姿态角步骤之前还包括模态识别步骤:
识别所述机器人的当前行驶模态,所述行驶模态包括三种类型:第一模态、第二模态及第三模态;所述第一模态为海、陆及空三个模态;所述第二模态为海、陆、空、海陆、空海、陆空六个模态;所述第三模态为海、陆、空、海陆、空海、陆空、陆海、空陆、海空九个模态;
所述预测姿态角步骤包括:根据所述前行驶模态,调整所述权值公式的所述步长参数St,所述St值采用头脑风暴优化算法针对模态过渡总时长的1/k的片段时间序列进行优化,k=4。
4.根据权利要求2或3所述的航迹设置方法,其特征在于,所述预测姿态角步骤还包括:
在下一个t时刻,根据所述姿态角的先验条件概率,重新产生多个随机粒子,根据多个新粒子重新计算所述机器人在下一个t+1时刻的姿态角。
5.根据权利要求1或2所述的航迹设置方法,其特征在于,所述预测航迹坐标步骤之后还包括航迹优化步骤:
采用复数分数方差函数评价所述机器人的速度变化,所述复数分数方差函数计算公式为:m为分数,n为时刻数,ξi为各时刻速度值,为速度平均值,ξi为复数,虚数表示横向行驶速度,实数表示纵向行驶速度;
调整所述机器人的行驶速度符合最小评价函数,所述最小评价函数的定义为:使得所述复数分数方差函数的模最小。
6.根据权利要求5所述的航迹设置方法,其特征在于,所述航迹优化步骤之后还包括步骤:在所述机器人的实际行程超过预定的误差时,重新执行所述预测姿态角步骤、所述预测航迹坐标步骤及所述航迹优化步骤。
7.根据权利要求5所述的航迹设置方法,其特征在于,所述航迹优化步骤之后还包括步骤:
在所述机器人发生故障无法执行所述预测姿态角步骤和所述预测航迹坐标步骤时,调用云端数据库或本地预置数据库,以获取安全航迹数据。
8.一种机器人的航迹设置***,其特征在于,包括:电机、传感器及处理器,所述电机和所述传感器分别与所述处理器连接;
所述电机,用于驱动所述机器人行驶;
所述传感器,包括GPS传感器和激光雷达,用于获取所述机器人的位置信息并传送给所述处理器;
所述处理器,用于执行如权利要求1至7任意一项所述的航迹设置方法。
9.根据权利要求8所述的航迹设置***,其特征在于,所述航迹设置***还包括换挡器件、通信设备及存储器;
所述换挡器件,用于接收电机的信号改变所述机器人的行驶速度;
所述通信设备与所述处理器连接,用于与云端进行通信;
所述存储器与所述处理器连接,用于存储所述机器人的航行数据。
10.一种机器人,其特征在于,包括如权利要求8或9所述的航迹设置***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910047842.5A CN109696908B (zh) | 2019-01-18 | 2019-01-18 | 机器人及其航迹设置方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910047842.5A CN109696908B (zh) | 2019-01-18 | 2019-01-18 | 机器人及其航迹设置方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109696908A true CN109696908A (zh) | 2019-04-30 |
CN109696908B CN109696908B (zh) | 2022-06-21 |
Family
ID=66234056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910047842.5A Active CN109696908B (zh) | 2019-01-18 | 2019-01-18 | 机器人及其航迹设置方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109696908B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111121784A (zh) * | 2019-12-24 | 2020-05-08 | 中国航空工业集团公司西安飞机设计研究所 | 一种无人侦察机航路规划方法 |
CN112904884A (zh) * | 2021-01-28 | 2021-06-04 | 歌尔股份有限公司 | 足式机器人轨迹跟踪方法、设备及可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183266A (zh) * | 2006-11-16 | 2008-05-21 | 三星电子株式会社 | 使用粒子滤波器估算移动机器人姿态的方法、设备和介质 |
US20090210092A1 (en) * | 2008-02-15 | 2009-08-20 | Korea Institute Of Science And Technology | Method for self-localization of robot based on object recognition and environment information around recognized object |
CN101587329A (zh) * | 2009-06-18 | 2009-11-25 | 北京理工大学 | 机器人预测的方法和*** |
CN101877130A (zh) * | 2009-04-29 | 2010-11-03 | 中国科学院自动化研究所 | 复杂场景下基于粒子滤波器的运动目标跟踪方法 |
CN104677359A (zh) * | 2015-03-06 | 2015-06-03 | 施浒立 | 一种动态载体运行轨迹预测预报的方法 |
CN105184776A (zh) * | 2015-08-17 | 2015-12-23 | 中国测绘科学研究院 | 目标跟踪方法 |
CN107589748A (zh) * | 2017-08-21 | 2018-01-16 | 江苏科技大学 | 基于UnscentedFastSLAM算法的AUV自主导航方法 |
CN107831685A (zh) * | 2017-10-13 | 2018-03-23 | 南方科技大学 | 一种群体机器人的控制方法和*** |
CN108519615A (zh) * | 2018-04-19 | 2018-09-11 | 河南科技学院 | 基于组合导航和特征点匹配的移动机器人自主导航方法 |
-
2019
- 2019-01-18 CN CN201910047842.5A patent/CN109696908B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183266A (zh) * | 2006-11-16 | 2008-05-21 | 三星电子株式会社 | 使用粒子滤波器估算移动机器人姿态的方法、设备和介质 |
US20090210092A1 (en) * | 2008-02-15 | 2009-08-20 | Korea Institute Of Science And Technology | Method for self-localization of robot based on object recognition and environment information around recognized object |
CN101877130A (zh) * | 2009-04-29 | 2010-11-03 | 中国科学院自动化研究所 | 复杂场景下基于粒子滤波器的运动目标跟踪方法 |
CN101587329A (zh) * | 2009-06-18 | 2009-11-25 | 北京理工大学 | 机器人预测的方法和*** |
CN104677359A (zh) * | 2015-03-06 | 2015-06-03 | 施浒立 | 一种动态载体运行轨迹预测预报的方法 |
CN105184776A (zh) * | 2015-08-17 | 2015-12-23 | 中国测绘科学研究院 | 目标跟踪方法 |
CN107589748A (zh) * | 2017-08-21 | 2018-01-16 | 江苏科技大学 | 基于UnscentedFastSLAM算法的AUV自主导航方法 |
CN107831685A (zh) * | 2017-10-13 | 2018-03-23 | 南方科技大学 | 一种群体机器人的控制方法和*** |
CN108519615A (zh) * | 2018-04-19 | 2018-09-11 | 河南科技学院 | 基于组合导航和特征点匹配的移动机器人自主导航方法 |
Non-Patent Citations (8)
Title |
---|
A. IBARGUREN,等: "Multiple target tracking based on particle filtering for safety in industrial robotic cells", 《ROBOTICS AND AUTONOMOUS SYSTEMS》 * |
HAIBIN DUAN,等: "Close formation flight of swarm unmanned aerial vehicles via metric-distance brain storm optimization", 《MEMETIC COMPUTING》 * |
YUTING YANG,等: "Advanced discussion mechanism-based brain storm optimization algorithm", 《METHODOLOGIES AND APPLICATION》 * |
ZHANG GONG-YUAN,等: "Design of an Adaptive Particle Filter Based on Variance Reduction Technique", 《ACTA AUTOMATICA SINICA》 * |
杜正聪,等: "基于权值优化的粒子滤波算法研究", 《重庆师范大学学报(自然科学版)》 * |
王法胜,等: "粒子滤波算法", 《计算机学报》 * |
程适,等: "数据驱动的发展式头脑风暴优化算法综述", 《郑州大学学报(工学版)》 * |
陈南宇: "基于ESO的无人直升机轨迹鲁棒跟踪控制", 《***工程与电子技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111121784A (zh) * | 2019-12-24 | 2020-05-08 | 中国航空工业集团公司西安飞机设计研究所 | 一种无人侦察机航路规划方法 |
CN111121784B (zh) * | 2019-12-24 | 2023-03-14 | 中国航空工业集团公司西安飞机设计研究所 | 一种无人侦察机航路规划方法 |
CN112904884A (zh) * | 2021-01-28 | 2021-06-04 | 歌尔股份有限公司 | 足式机器人轨迹跟踪方法、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109696908B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782481B (zh) | 无人艇智能决策方法及*** | |
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 | |
CN102541069B (zh) | 偏离损失的避免操纵 | |
CN109582022A (zh) | 一种自动驾驶策略决策***与方法 | |
Depenbusch et al. | The AutoSOAR autonomous soaring aircraft, part 1: Autonomy algorithms | |
CN106959700B (zh) | 一种基于上限置信区间算法的无人机群协同巡逻追踪轨迹规划方法 | |
CN106094606A (zh) | 一种水面无人艇导航与控制遥操作平台 | |
CN112789568A (zh) | 控制和导航*** | |
CN106679666A (zh) | 无人机大范围巡航路径规划模型及方法 | |
CN111913481A (zh) | 一种可变领航员模式的多无人艇协同编队方法 | |
CN109696908A (zh) | 机器人及其航迹设置方法和*** | |
CN112506218A (zh) | 一种基于轨迹智能预测的再入飞行器任意禁飞区绕飞方法 | |
CN114088094A (zh) | 一种无人艇的智能航路规划方法及*** | |
Klein et al. | Moving target approach for wind-aware flight path generation | |
CN112947503B (zh) | 一种水下滑翔机编队的协同控制方法 | |
CN111256694A (zh) | 一种确定水面无人艇路径的方法 | |
Lun et al. | Target search in dynamic environments with multiple solar-powered UAVs | |
CN111895998B (zh) | 一种大型固定翼无人飞行器分段堆栈式航路规划方法 | |
CN114815823B (zh) | 一种基于控制障碍函数的无人艇集群安全目标跟踪*** | |
Lu et al. | Dual redundant UAV path planning and mission analysis based on Dubins curves | |
Zhou et al. | Deep learning for unmanned aerial vehicles landing carrier in different conditions | |
David et al. | Analysis, Design, and Implementation of an Autopilot for Unmanned Aircraft-UAV's Based on Fuzzy Logic | |
CN114115335A (zh) | 一种基于跟踪微分器的多四旋翼无人机安全编队控制方法 | |
Zhao et al. | Time-optimal parameterization of geometric path for fixed-wing aircraft | |
CN110758669B (zh) | 一种开阔繁忙水域的双层相对领域获取方法 |
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 |