CN110727272A - 一种多台机器人的路径规划调度***及方法 - Google Patents
一种多台机器人的路径规划调度***及方法 Download PDFInfo
- Publication number
- CN110727272A CN110727272A CN201911097043.5A CN201911097043A CN110727272A CN 110727272 A CN110727272 A CN 110727272A CN 201911097043 A CN201911097043 A CN 201911097043A CN 110727272 A CN110727272 A CN 110727272A
- Authority
- CN
- China
- Prior art keywords
- robot
- information
- route
- unit
- walking
- 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 description 41
- 230000008569 process Effects 0.000 claims description 19
- 230000007704 transition Effects 0.000 claims description 16
- 239000000428 dust Substances 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
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
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
- G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
-
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
一种多台机器人的路径规划调度***,包括多台机器人以及路线环境规划单元和调度单元,每台机器人上设置有主控单元和算法单元,路线环境规划单元用于将所有行驶路线碎片化,形成网络结构信息并实时更新,调度单元给主控单元下发行走任务以及收集所有机器人的状态信息,主控单元规划机器人的最优路线,算法单元根据最优路线及相关外部环境信息控制行走及避障;最优路线的规划依据评分规则对各路线进行评分。本发明的路径规划调度***着眼于***内多台机器人之间的协同统一调度,通过实时更新各机器人的状态信息和路况信息,对行走环境情况提前做出预测,不断优化,避免堵塞,使机器人行走更顺畅更灵活,达到***自学习的目的。
Description
技术领域
本发明涉及机器人控制***领域,尤其涉及一种多台机器人的路径规划调度***及方法。
背景技术
目前,随着传感技术和自动控制技术的成熟,在环境基本确定的环境下,国内机器人已能实现传统的行走方式,即通过在机器人上固化预设的路径行驶,机器人即能自动行走并能根据现场环境实现即时避障。但这些行走方法不能做到提前预判,特别是在行走环境发生变化时,如当行走环境中有多台机器人时,容易使得多台机器人在狭窄的路况下出现避障失败,堵塞在同一个地方,对于多台机器人组成的整体***而言,难以合理选择最优的行走路径。因此如何对工作环境提前做出预测,避免堵塞而选择最优的路径,是目前机器人行走***需解决的问题。
发明内容
本发明的目的是克服上述现有技术的缺点,提供一种针对多台机器人进行***统一调度、可提前做出预判并实时规划路径的多台机器人的路径规划调度***,以及该***的规划调度方法。
本发明是通过以下技术方案来实现的:
一种多台机器人的路径规划调度***,包括多台机器人、以及路线环境规划单元和调度单元,每台所述的机器人上设置有主控单元和算法单元。
所述路线环境规划单元用于根据工作环境规划所有的行驶路线,并通过各路线上的起始点、目标点和过渡点将路线分段、碎片化成若干路段,各路段连接形成网络结构,并确定各路段的路况信息,并将该网络结构信息(包括网络结构关系和路况信息)传送给各机器人的所述主控单元,同时接收主控单元传输的实时路况信息并实时更新网络结构信息。实时路况信息主要包括机器人行走时发现的该路段上的障碍物数量、行走该路段所花费的时间等信息。各路段的路况信息包括各路段的长度、行走复杂度、各路段上的障碍物数量和行走时间。
所述调度单元用于给各机器人的所述主控单元下发该机器人起始点和要到达的目标点信息,以及收集所有机器人的实时状态信息,并将***中所有机器人的状态信息传送给各机器人的所述主控单元;
各机器人的所述主控单元用于根据接收的实时网络结构信息、所述调度单元下发的该机器人的起始点和要到达的目标点信息、***中所有机器人的状态信息,规划该机器人的最优路线,并将最优路线信息下发给该机器人的所述算法单元,同时将该机器人的状态信息实时更新传输给所述调度单元,将经过的路段上的实时路况信息(主要为长度、行走复杂度、实时障碍物数量和行走时间等信息)实时更新传输给所述路线环境规划单元;
各机器人的所述算法单元用于接收该机器人主控单元的信息,收集相关外部环境的传感器信息,并控制该机器人的行走,同时在该机器人行走的过程中进行行走避障。
进一步优选的,所述主控单元规划机器人最优路线,包括下列步骤:
S1、根据实时的网络结构信息、机器人所在的起始点和要到达的目标点信息以及目前状态下各路段上其它机器人的状态信息,计算从起始点到要到达的目标点之间可选择的所有路线;
S2、对确定的各路线按照设定的评分规则进行评分;
S3、选择评分分值最高的路线作为最优路线,若分值最高的路线有多条,随机选择其中一条。
进一步优选的,所述步骤S2中设定的评分规则中评分的影响因素包括行走的总距离、路线的复杂度、需避让的物体数量和总行走时间。所述步骤S2中设定的评分规则包括如下评分公式:
F=L·X1+O·X2+N·X3+T·X4
其中,F为该路线的总分值,L为行走的总距离评分,O为路线的复杂度评分;N为需避让的物体数量评分;T为总行走时间评分;X1、X2、X3、X4分别为影响因素行走的总距离、路线的复杂度、需避让的物体数量和总行走时间所对应的权值。
进一步优选的,所述网络结构信息包括各路段的长度、各路段之间的连接关系(直线、转弯或掉头)、各路段上障碍物的数量和避障复杂度、行走时间等信息。
进一步优选的,所述机器人的状态信息包括机器人当前所处的位置、计划行走的路径。各机器人的位置信息可通过雷达、超声波、摄像头或GPS等相关传感器进行感知。
进一步优选的,所述算法单元收集的传感器信息包括雷达、超声波传感器、摄像头、红外传感器、雨量传感器、灰尘检测传感器、接触传感器和温度传感器等传输的信息。
上述多台机器人的路径规划调度***的方法,包括下述步骤:
S1、路线环境规划单元根据工作环境规划所有的行驶路线,并通过各路线上的起始点、目标点和过渡点将把路线分段、碎片化成若干路段,各路段连接形成网络结构,并确定各路段的路况信息(包括各路段的长度、行走时间、行走复杂度和各路段上的障碍物数量),并将该网络结构信息(包括网络结构和路况信息)传送给各机器人的所述主控单元;网络结构主要为各路段之间的连接关系;
S2、调度单元给***中每一台机器人上的主控单元下发当前所有机器人的状态信息,以及各机器人的起始点和要到达的目标点信息;
S3、每一台机器人上的主控单元根据接收的实时网络结构信息、调度单元下发的该机器人的起始点和要到达的目标点信息、以及其它机器人的状态信息,规划该机器人的最优路线,并将最优路线信息下发给该机器人的算法单元;
S4、每一台机器人上的算法单元接收该机器人上主控单元的信息,并收集相关外部环境的传感器信息,控制该机器人的行走,同时在该机器人行走的过程中进行行走避障;同时,主控单元并将该机器人的状态信息(包括位置信息和计划行走的路线)实时更新传输给调度单元;该机器人在行走的过程中,当行走完某一路段后,主控单元将该路段的路况信息实时传输给路线环境规划单元;
S5、当路线环境规划单元检测到***中有路段的路况信息(主要为路段长度、障碍物数量、行走时间和行走复杂度等)发生改变时,更新网络结构信息,并将更新后的网络结构信息下发给各机器人的主控单元;
S6、当调度单元检测到***中有机器人的状态信息发生改变时,将改变后的状态信息实时下发给每一台机器人上的主控单元;
S7、每一台机器人上的主控单元根据更改的网络结构信息和其它机器人的状态更改信息重新规划该机器人的行走最优路线,如发现该机器人需要更改路线,将重新规划的最优路线信息下发给算法单元,并将更新后的该机器人的状态信息实时传输给调度单元;
S8、重复上述S4至S7步骤,直至到达目标点。
进一步优选的,所述步骤S3和步骤S7中主控单元规划机器人最优路线的方法,包括下列步骤:
S31、根据实时的网络结构信息、机器人所在的起始点和要到达的目标点信息,以及目前状态下各路段上其它机器人的状态信息,计算从起始点到要到达的目标点之间可选择的所有路线(每条路线由一个个路段组成);
S32、对确定的各路线按照设定的评分规则进行评分;
S33、选择评分分值最高的路线作为最优路线,若分值最高的路线有多条,随机选择其中一条;
进一步优选的,所述步骤S31中计算从起始点到要到达的目标点之间可选择的所有路线的过程,包括以下步骤:
S31-1、将所有起始点、目标点和过渡点中相邻的两点均存放在点关系结构表中,结构表中包括相邻两点间的距离、路况复杂度、障碍物数量和通过时间等信息;
S31-2、在点关系结构表里遍历起始点的所有邻近点,再通过查找邻近点的次级临近点,直到连接到要到达的目标点,存放到数据链表中;
S31-3、删除数据链表的无效数据点,计算得到所有有效的路线;
S31-4、将得到的所有路线,存放到容器MAP里。
此种查找计算方法有利于后期的维护和更改。
进一步优选的,所述步骤S32中设定的评分规则中包括如下评分公式:
F=L·X1+O·X2+N·X3+T·X4
其中,F为该路线的总分值,L为行走的总距离评分,O为路线的复杂度评分;N为需避让的物体数量评分;T为总行走时间评分;X1、X2、X3、X4分别为影响因素行走的总距离、路线的复杂度、需避让的物体数量和总行走时间所对应的权值。行走的总距离为各路段的距离之和,行走的总时间为各路段行走时间之和,路线的复杂度为各路段行走复杂度之和,需避让的物体数量为各路段上障碍物数量之和。
本发明的路径规划调度***着眼于***内多台机器人之间的协同统一调度,通过实时跟踪各机器人的位置和计划行走路径,可以对行走环境情况提前做出预测,避免堵塞,提高行走速度和效率,使机器人行走更顺畅更灵活;同时通过各机器人在行走的过程中实时更新各路段的路况信息,使网络结构信息不断得到修正和更新,所有的外部变化自动更新到数据,使行走环境信息的准确度不断提升,达到***自学习的目的,不断优化机器人路径规划的过程,进一步提高行走的速度;最优路径规划的方法科学、智能,并可减少计算量,有利于后期维护。
附图说明
图1为本发明例的***结构图。
图2为本发明例的***方法控制流程图。
图3为本发明实施例中的初始线路网络结构图。
图4为本发明实施例中规划后的线路网络结构图。
图5为图4标注上路段名称的线路网络结构图。
具体实施方式
一种多台机器人的路径规划调度***,如图1所示,包括多台机器人、以及路线环境规划单元和调度单元,每台所述的机器人上设置有主控单元和算法单元。
所述路线环境规划单元用于根据工作环境规划所有的行驶路线,并通过各路线上的起始点、目标点和过渡点将把路线分段、碎片化成若干路段,各路段连接形成网络结构,并确定各路段的路况信息(包括各路段的长度、行走时间、行走复杂度和各路段上的障碍物数量等信息),并将该网络结构信息(包括网络结构和路况信息,网络结构主要指各路段之间的连接关系)以无线或有线的方式传送给各机器人的主控单元。即根据多台机器人的工作任务(所有机器人可能的起始点和需要行走到的目标点)以及需要多台机器人行走的场所的实时情况(比如场地中的障碍物、场地的形状、可供行走的区域等),将可供行走的区域规划出由若干路线相互连通的线路网,保证从任何一个起始点到任何一个目标点至少有一条路线可走,如两相邻点之间的路线有多条,多条路线一并规划并连接到网络,如两相邻点之间的线路过长,且中间可设置掉头位,则根据路线的长短和掉头位置合理分段,将路线碎片化成一个个路段,各路段的起点和终点、所有的起始点和目标点均为线路网中的一个控制点。因此,传输给其它单元的网络结构信息应包括各路段的长度、各路段之间的连接关系(直线、转弯或掉头)、各路段上实时障碍物的数量和实时避障复杂度等信息,以便于其它单元能够感知机器人的准确位置及动向、各路线的路况信息,并根据相关信息进行路线规划,准确给各路线进行评分,进而得出最优路线。
所述路线环境规划单元同时还接收主控单元传输的实时路况信息并实时更新网络结构信息。实时路况信息主要包括机器人行走时发现的该路段的长度、行走复杂度、该路段上的障碍物数量、行走该路段所花费的时间等信息。在工作过程,所有的外部变化自动更新到数据,达到机器人自学习效果。
所述调度单元用于给各机器人的所述主控单元下发该机器人起始点和要到达的目标点信息,以及收集所有机器人的实时状态信息,并将***中所有机器人的状态信息传送给各机器人的所述主控单元。所述机器人的状态信息包括机器人当前所处的位置、计划行走的路径等。各机器人的位置信息通过雷达、超声波、摄像头或GPS等相关传感器进行感知,而相关的感知技术可借鉴现有的成熟技术。机器人的位置和计划行走的路径等这些状态信息由机器人上的主控单元通过网络传输给调度单元,调度单元再将实时更新的所有机器人的状态信息传输给各机器人的主控单元。
各机器人的所述主控单元用于根据接收的实时网络结构信息、所述调度单元下发的该机器人的起始点和要到达的目标点信息、以及***中所有机器人的状态信息,规划该机器人的最优路线,并将最优路线信息下发给该机器人的所述算法单元,同时将该机器人的状态信息实时更新传输给所述调度单元,将经过的路段上的实时路况信息主要为长度、行走复杂度、实时障碍物数量和行走时间等信息)实时更新传输给所述路线环境规划单元。如A机器人,走了路径1,走的过程发现障碍物变多(少),把路径1的障碍物情况更新到路线环境规划单元,再分发到其它机器人;B机器人规划路径1时使用更新后的障碍物情况来筛选路径。
各机器人的所述算法单元用于接收该机器人主控单元的信息,收集相关外部环境的传感器信息,并控制该机器人的行走,同时在该机器人行走的过程中进行行走避障。而行走避障控制已有较多现有技术可供参考应用,可根据采集的障碍物的状态信息,在行走过程中通过传感器感知到妨碍其通行的静态或动态物体,然后按照一定的方法进行有效避障,最终到达目标点。所述算法单元收集的传感器信息包括雷达、超声波传感器、摄像头、红外传感器、雨量传感器、灰尘检测传感器、接触传感器和温度传感器等传输的信息,传感器可设置于机器人身上以辅助其行走。雷达、超声波传感器和摄像头可用于位置定位、识别和避障,雨量传感器用于检测雨量,灰尘检测传感器用于检测环境中灰尘的颗粒大小和浓度,雨量传感器和灰尘检测传感器可配合雷达使用以提高信息收集的准确度,避免雨水、灰尘等信息对雷达探测的干扰,接触传感器可防碰撞,而温度传感器可保证在同样条件下行走,避免机器人行走至温度较高的地方,多种传感器的组合使障碍物探测更准确,避免误判或漏判。传感器包括但不仅限于上述列举的传感器种类,还可根据实际应用场景选择其它种类的传感器,如激光雷达、深度相机、跌落检测等,通过传感器获取周围环境信息,包括障碍物的尺寸、形状和位置等信息,以及实现机器人自身的位置定位,以进一步构建整个***的环境信息。避障算法可采用传统的Bug算法、势场法、向量场直方图、神经网络、模糊逻辑等,以及其它的协同组合的技术。
所述主控单元规划机器人最优路线,包括下列步骤:
S1、根据实时的网络结构信息、机器人所在的起始点和要到达的目标点信息,以及目前状态下各路段上其它机器人的状态信息(包括位置信息和计划行走的路线)确定从起始点到要到达的目标点之间可选择的所有路线,每条路线由若干路段组成;
S2、对确定的各路线按照设定的评分规则进行评分;
S3、选择评分分值最高的路线作为最优路线,若分值最高的路线有多条,随机选择其中一条。
所述步骤S2中设定的评分规则中评分的影响因素包括行走的总距离、路线的复杂度、需避让的物体数量和总行走时间。行走的总距离为各路段的距离之和,路线的复杂度应考虑路段的数量、路线上转弯的个数、避让的角度、速度、是否需要掉头、路段路面的宽度、易行走程度、移动物体的数量等因素。需避让的物体数量包括预先已知需要避让的静态物体、以及其它同时在该路段上行走需会车避让的机器人,需避让的其它机器人要考虑其它机器人计划行走的路线,其它机器人计划行走的路线依靠调度单元服务器收集并实时更新。而各路段上需避让的静态物体一方面通过预先规划设置得知,另一方面依靠机器人行走过程中的实时更新,机器人每行走完当前路段时,把该路段上静态的避让物体上传调度单元服务器进行更新。
所述步骤S2中设定的评分规则包括如下评分公式:
F=L·X1+O·X2+N·X3+T·X4
其中,F为该路线的总分值,L为行走的总距离评分,O为路线的复杂度评分;N为需避让的物体数量评分;T为总行走时间评分;X1、X2、X3、X4分别为影响因素行走的总距离、路线的复杂度、需避让的物体数量和总行走时间所对应的权值。
如图2所示,一种多台机器人的路径规划调度***的方法,包括下述步骤:
S1、路线环境规划单元根据工作环境规划所有的行驶路线,并通过各路线上的起始点、目标点和过渡点将把路线分段、碎片化成一个个路段,各路段连接形成网络结构,并确定各路段的路况信息(包括各路段的长度、行走时间、行走复杂度和各路段上的障碍物数量),并将该网络结构信息(包括网络结构和路况信息)传送给各机器人的所述主控单元;如图3所示,考虑所有机器人可能的起始点和目标点,并根据现场工作环境,规划出如图4所示的相互连通的线路网,将路线进一步碎片化成一个个路段,如图4所示,各路段的起点和终点、所有的起始点和目标点均形成线路网中的一个控制点,如目标点1、目标点 2、目标点3……过渡点1、过渡点2、过渡点3……,保证从任何一个起始点到任何一个目标点至少有一条路线可走;各点之间的连接关系即为网络结构;
S2、调度单元给***中各机器人上的主控单元下发当前所有机器人的状态信息,以及各机器人的起始点和要到达的目标点信息;
S3、各机器人上的主控单元根据接收的实时网络结构信息、调度单元下发的该机器人的起始点和要到达的目标点信息,规划该机器人的最优路线,并将最优路线信息下发给该机器人上的算法单元;
S4、每一台机器人上的算法单元接收该机器人上主控单元的信息,并收集相关外部环境的传感器信息,控制该机器人的行走,同时在该机器人行走的过程中进行行走避障;同时,主控单元并将该机器人的状态信息(包括位置信息和计划行走的路线)实时更新传输给调度单元;该机器人在行走的过程中,当行走完某一路段后,主控单元将该路段的路况信息实时传输给路线环境规划单元;
S5、当路线环境规划单元检测到***中有路段的路况信息(主要为路段长度、障碍物数量、行走时间和行走复杂度等)发生改变时,更新网络结构信息,并将更新后的网络结构信息下发给各机器人的主控单元;
S6、当调度单元检测到***中有机器人的状态信息发生改变时,如位置改变、重新规划了行走路线等,将改变后的状态信息实时下发给每一台机器人上的主控单元;
S7、每一台机器人上的主控单元根据更改的网络结构信息和其它机器人的状态更改信息重新规划该机器人的行走最优路线,如发现该机器人需要更改路线,将重新规划的最优路线信息下发给算法单元,并将更新后的该机器人的状态信息实时传输给调度单元;
S8、重复上述S4至S7步骤,直至到达目标点。
上述路径规划调度方法是针对由多台机器人组成的整个调度***,路线环境规划单元和调度单元给多台机器人下发信息,各机器人根据接收到的信息各自进行路径规划和行走,同时在行走的过程中根据实时更新的信息重新规划路径,如此各机器人能做到提前预判和规划,避免堵塞。
以图4中已经规划好的线路网为例,如图5,将各路段依次标记为路段1、路段2、路段3……路段16,机器人A要执行从起始点行走至目标点4的任务,以单台机器人的路径规划调度为例,对上述路径规划方法阐述如下:
步骤1、路线环境规划单元将如图5所示的网络结构信息下发给机器人A 上的主控单元,调度单元将机器人A的起始点(当前位置点)、目标点(目标点 4)的信息、以及其它机器人的状态信息下发给机器人A上的主控单元。
步骤2、机器人A上的主控单元根据接收到的信息,对各路线进行评判,判断路段5存在堵塞,根据预设的规则规划机器人的最优路线,得出最优路线为路段1→路段2→路段3→路段6→路段7→路段12,并将该最优路线下发给机器人A上的算法单元,算法单元根据接收到的最优路线信息,结合收集的相关外部环境信息,控制机器人A进行行走和避障,在行走的过程中机器人A上的主控单元实时接收调度单元下发的其它机器人的位置信息。
步骤3、当机器人A行走路段1时,机器人A上的主控单元检测到在预定的通过时间段内路段6上有障碍物或自身原因不能行走、或者其它机器人在预定时间点出现在路段6上使路段6被占用时,主控单元将相关信息上传调度单元服务器,主控单元根据接收到的最新信息重新规划最优路线,得出目前的最优路线是路段1→路段2→路段2→路段4→路段8→路段12,并将最优路线下发给算法单元,算法单元控制按照新的最优路线进行行走。
步骤4、当机器人A行走路段2时,主控单元检测处路段5不存在阻塞了,主控单元重新规划最优路线,得出目前的最优路线是路段1→路段2→路段5→路段12。
步骤5、当线路2走完时,如主控单元未检测到目前路段上被占用,按照即定路线路段5→路段12走完,任务结束。
同时当行走完路段1时,将路段1的路况信息上传给路线环境规划单元,当行走完路段2时,将路段2的路况信息上传给路线环境规划单元,当行走完路段5时,将路段5的路况信息上传给路线环境规划单元……
所述步骤S3和步骤S7中主控单元规划机器人最优路线的方法,包括下列步骤:
S31、根据实时的网络结构信息、机器人所在的起始点和要到达的目标点信息,以及目前状态下各路段上其它机器人的状态,计算从起始点到要到达的目标点之间可选择的所有路线;
S32、对确定的各路线按照设定的评分规则进行评分;
S33、选择评分分值最高的路线作为最优路线,若分值最高的路线有多条,随机选择其中一条;
所述步骤S31中计算从起始点到要到达的目标点之间可选择的所有路线的过程,包括以下步骤:
S1-1、将所有起始点、目标点和过渡点中相邻的两点均存放在点关系结构表中,结构表中包括相邻两点间的距离、路况复杂度、障碍物数量和通过时间等信息;
S1-2、在点关系结构表里遍历起始点的所有邻近点,再通过查找邻近点的次级临近点,直到连接到要到达的目标点,存放到数据链表中;
S1-3、删除数据链表的无效数据点,计算得到所有有效的路线;
S1-4、将得到的所有路线,存放到容器MAP里。
此种查找计算方法有利于后期的维护和更改。
点关系结构表可如表1所示。
表1点关系结构表示例
点属性 | 邻近点 | 距离、复杂度、物体个数、通过时间 |
原点 | 过渡点1 | L1、O1、N1、T1 |
原点 | 过渡点2 | L2、O2、N2、T2 |
过渡点1 | 目标点1 | L3、O3、N3、T3 |
过渡点1 | 过渡点1 | L4、O4、N4、T4 |
…… | …… | …… |
点n | 点m | Ln、On、Nn、Tn |
通过在点关系结构表1,遍历起始点O的邻近点Point1a、Point1b...,再接着通过查找邻近点的次级临近点Point2a、Point2b...,直到连接到目标点。之后将遍历计算出来的所有路径,存放到容器MAP[路径1,路径2,...,路径n]里。
所述步骤S32中设定的评分规则中包括如下评分公式:
F=L·X1+O·X2+N·X3+T·X4
其中,F为该路线的总分值,L为行走的总距离评分,O为路线的复杂度评分;N为需避让的物体数量评分;T为总行走时间评分;X1、X2、X3、X4分别为影响因素行走的总距离、路线的复杂度、需避让的物体数量和总行走时间所对应的权值。需避让的物体数量中考虑其它机器人计划行走的路线。行走的总距离为各路段的距离之和,行走的总时间为各路段行走时间之和,路线的复杂度为各路段行走复杂度之和,需避让的物体数量为各路段上障碍物数量之和。
上列详细说明是针对本发明可行实施例的具体说明,该实施例并非用以限制本发明的专利范围,凡未脱离本发明所为的等效实施或变更,均应包含于本案的专利范围中。
Claims (10)
1.一种多台机器人的路径规划调度***,其特征在于,包括多台机器人以及路线环境规划单元和调度单元,每台所述的机器人上设置有主控单元和算法单元;
所述路线环境规划单元用于根据工作环境规划所有的行驶路线,并把路线分段、碎片化成若干路段,各路段连接形成网络结构,并将该网络结构信息传送给所述主控单元,同时接收主控单元传输的实时路况信息;
所述调度单元用于给各机器人的所述主控单元下发该机器人起始点和要到达的目标点信息,以及收集所有机器人的实时状态信息,并将***中所有机器人的状态信息实时传送给各机器人的所述主控单元;
各机器人的所述主控单元用于根据接收的实时网络结构信息、所述调度单元下发的该机器人的起始点和要到达的目标点信息、***中所有机器人的状态信息,规划该机器人的最优路线,并将最优路线信息下发给该机器人的所述算法单元,同时将该机器人的状态信息实时更新传输给所述调度单元,及将经过的路段上的实时路况信息实时传输给所述路线环境规划单元;
各机器人的所述算法单元用于接收该机器人主控单元的信息,收集相关外部环境的传感器信息,并控制该机器人的行走,同时在该机器人行走的过程中进行行走避障。
2.根据权利要求1所述的一种多台机器人的路径规划调度***,其特征在于,所述主控单元规划机器人最优路线,包括下列步骤:
S1、根据实时的网络结构信息、机器人所在的起始点和要到达的目标点信息,以及目前状态下各路段上其它机器人的状态信息,计算从起始点到要到达的目标点之间可选择的所有路线;
S2、对确定的各路线按照设定的评分规则进行评分;
S3、选择评分分值最高的路线作为最优路线,若分值最高的路线有多条,随机选择其中一条。
3.根据权利要求2所述的一种多台机器人的路径规划调度***,其特征在于,所述步骤S2中设定的评分规则包括如下评分公式:
F=L·X1+O·X2+N·X3+T·X4
其中,F为该路线的总分值,L为行走的总距离评分,O为路线的复杂度评分;N为需避让的物体数量评分,T为总行走时间评分,X1、X2、X3、X4分别为影响因素行走的总距离、路线的复杂度、需避让的物体数量和总行走时间所对应的权值。
4.根据权利要求1至3任一项所述的一种多台机器人的路径规划调度***,其特征在于,所述网络结构信息包括各路段的长度和行走时间、各路段之间的连接关系、各路段上障碍物的数量和避障复杂度。
5.根据权利要求1至3任一项所述的一种多台机器人的路径规划调度***,其特征在于,所述机器人的状态信息包括机器人当前所处的位置、计划行走的路径。
6.根据权利要求1至3任一项所述的一种多台机器人的路径规划调度***,其特征在于,所述算法单元收集的传感器信息包括雷达、超声波传感器、摄像头、红外传感器、雨量传感器、灰尘检测传感器、接触传感器和温度传感器传输的信息。
7.一种如权利要求1至6任一项所述的多台机器人的路径规划调度***的方法,其特征在于,包括下述步骤:
S1、路线环境规划单元根据工作环境规划所有的行驶路线,并通过各路线上的起始点、目标点和过渡点将把路线分段、碎片化成若干路段,各路段连接形成网络结构,并确定各路段的路况信息,并将该网络结构信息传送给各机器人的所述主控单元;
S2、调度单元给***中每一台机器人上的主控单元下发当前所有机器人的状态信息,以及各机器人的起始点和要到达的目标点信息;
S3、每一台机器人上的主控单元根据接收的实时网络结构信息、调度单元下发的该机器人的起始点和要到达的目标点信息、以及其它机器人的状态信息,规划该机器人的最优路线,并将最优路线信息下发给该机器人的算法单元;
S4、每一台机器人上的算法单元接收该机器人上主控单元的信息,并收集相关外部环境的传感器信息,控制该机器人的行走,同时在该机器人行走的过程中进行行走避障;同时,主控单元将该机器人的状态信息实时更新传输给调度单元;该机器人在行走的过程中,当行走完某一路段后,主控单元将该路段的路况信息实时传输给路线环境规划单元;
S5、当路线环境规划单元检测到***中有路段的路况信息发生改变时,更新网络结构信息,并将更新后的网络结构信息下发给各机器人的主控单元;
S6、当调度单元检测到***中有机器人的状态信息发生改变时,将改变后的状态信息实时下发给每一台机器人上的主控单元;
S7、每一台机器人上的主控单元单元根据更改的网络结构信息和其它机器人的状态信息重新规划该机器人的行走最优路线,如发现该机器人需要更改路线,将重新规划的最优路线信息下发给算法单元,并将更新后的该机器人的状态信息实时传输给调度单元;
S8、重复上述步骤S4至S7,直至到达目标点。
8.根据权利要求7所述的一种多台机器人的路径规划调度***的方法,其特征在于,所述步骤S3和步骤S7中主控单元规划机器人最优路线的方法,包括下列步骤:
S31、根据实时的网络结构信息、机器人所在的起始点和要到达的目标点信息,以及目前状态下各路段上其它机器人的状态信息,计算从起始点到要到达的目标点之间可选择的所有路线;
S32、对确定的各路线按照设定的评分规则进行评分;
S33、选择评分分值最高的路线作为最优路线,若分值最高的路线有多条,随机选择其中一条。
9.根据权利要求8所述的一种多台机器人的路径规划调度***的方法,其特征在于,所述步骤S31中计算从起始点到要到达的目标点之间可选择的所有路线的过程,包括以下步骤:
S31-1、将所有起始点、目标点和过渡点中相邻的两点均存放在点关系结构表中,结构表中包括相邻两点间的距离、路况复杂度、障碍物数量和通过时间等信息;
S31-2、在点关系结构表里遍历起始点的所有邻近点,再通过查找邻近点的次级临近点,直到连接到要到达的目标点,存放到数据链表中;
S31-3、删除数据链表的无效数据点,计算得到所有有效的路线;
S31-4、将得到的所有路线,存放到容器MAP里。
10.根据权利要求8所述的一种多台机器人的路径规划调度***的方法,其特征在于,所述步骤S32中设定的评分规则中包括如下评分公式:
F=L·X1+O·X2+N·X3+T·X4
其中,F为该路线的总分值,L为行走的总距离评分,O为路线的复杂度评分,N为需避让的物体数量评分,T为总行走时间评分,X1、X2、X3、X4分别为影响因素行走的总距离、路线的复杂度、需避让的物体数量和总行走时间所对应的权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911097043.5A CN110727272B (zh) | 2019-11-11 | 2019-11-11 | 一种多台机器人的路径规划调度***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911097043.5A CN110727272B (zh) | 2019-11-11 | 2019-11-11 | 一种多台机器人的路径规划调度***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110727272A true CN110727272A (zh) | 2020-01-24 |
CN110727272B CN110727272B (zh) | 2023-04-18 |
Family
ID=69223880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911097043.5A Active CN110727272B (zh) | 2019-11-11 | 2019-11-11 | 一种多台机器人的路径规划调度***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110727272B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111796601A (zh) * | 2020-07-31 | 2020-10-20 | 成都我搜挖信息技术股份有限公司 | 一种区域内多部机器人联动分销的路线规划方法 |
CN111880505A (zh) * | 2020-09-02 | 2020-11-03 | 上海木木聚枞机器人科技有限公司 | 一种用于医院物流机器人的脱困方法、***及存储介质 |
CN112083722A (zh) * | 2020-08-27 | 2020-12-15 | 广州赛特智能科技有限公司 | 一种移动机器人多机多楼层调度***及调度方法 |
CN112193704A (zh) * | 2020-10-10 | 2021-01-08 | 深圳市海柔创新科技有限公司 | 仓储***、货物搬运方法、控制终端、机器人及存储介质 |
CN112502566A (zh) * | 2020-11-17 | 2021-03-16 | 广州赛特智能科技有限公司 | 一种辅助机器人通过电动门的方法及*** |
CN113156933A (zh) * | 2020-12-30 | 2021-07-23 | 徐宁 | 一种机器人行进控制***和方法 |
CN113485348A (zh) * | 2021-07-16 | 2021-10-08 | 广州赛特智能科技有限公司 | 一种多机器人交汇行走调度方法 |
CN113985880A (zh) * | 2021-10-29 | 2022-01-28 | 深圳优地科技有限公司 | 多机器人路径规划方法、多机器人***及机器人 |
CN114595913A (zh) * | 2020-12-03 | 2022-06-07 | 通用汽车环球科技运作有限责任公司 | 基于人类推理的自主车辆表现评分***和方法 |
CN115220461A (zh) * | 2022-09-21 | 2022-10-21 | 睿羿科技(山东)有限公司 | 室内复杂环境下机器人单体***及多机器人交互协同方法 |
CN116594408A (zh) * | 2023-07-17 | 2023-08-15 | 深圳墨影科技有限公司 | 一种移动协作机器人路径规划***及方法 |
Citations (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050131581A1 (en) * | 2003-09-19 | 2005-06-16 | Sony Corporation | Environment recognizing device, environment recognizing method, route planning device, route planning method and robot |
CN101945492A (zh) * | 2010-08-09 | 2011-01-12 | 哈尔滨工程大学 | 基于分簇的多机器人任务分配方法 |
CN102122171A (zh) * | 2010-12-28 | 2011-07-13 | 北京航空航天大学 | 一种基于智能移动机器人的多微纳探测器组网联合演示验证*** |
JP2012068895A (ja) * | 2010-09-24 | 2012-04-05 | Toyota Motor Corp | ロボット |
CN102436604A (zh) * | 2011-09-08 | 2012-05-02 | 哈尔滨工程大学 | 一种基于多目标进化方法的多弹协同航路计算方法 |
CN102865877A (zh) * | 2012-10-08 | 2013-01-09 | 无锡普智联科高新技术有限公司 | 基于密集存储区域的多移动机器人路径冲突解决方法 |
CN102915465A (zh) * | 2012-10-24 | 2013-02-06 | 河海大学常州校区 | 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 |
CN103033192A (zh) * | 2011-09-30 | 2013-04-10 | 上海博泰悦臻电子设备制造有限公司 | 导航***及基于实时交通信息的导航方法与装置 |
CN105809976A (zh) * | 2014-12-31 | 2016-07-27 | 高德软件有限公司 | 车辆行驶状态监测方法及移动终端 |
CN106875090A (zh) * | 2017-01-09 | 2017-06-20 | 中南大学 | 一种面向动态任务的多机器人分布式任务分配形成方法 |
CN107092926A (zh) * | 2017-03-30 | 2017-08-25 | 哈尔滨工程大学 | 基于深度学习的服务机器人物体识别算法 |
CN107728608A (zh) * | 2016-08-10 | 2018-02-23 | 向忠宏 | 一种移动机器人路径规划方法 |
CN108241375A (zh) * | 2018-02-05 | 2018-07-03 | 景德镇陶瓷大学 | 一种自适应蚁群算法在移动机器人路径规划中的应用方法 |
WO2018120739A1 (zh) * | 2016-12-30 | 2018-07-05 | 深圳光启合众科技有限公司 | 路径规划方法、装置及机器人 |
CN108268039A (zh) * | 2018-01-19 | 2018-07-10 | 广东美的智能机器人有限公司 | 移动机器人的路径规划方法及*** |
CN108287545A (zh) * | 2018-01-19 | 2018-07-17 | 广东美的智能机器人有限公司 | 多移动机器人的冲突管理方法及*** |
CN108776483A (zh) * | 2018-08-16 | 2018-11-09 | 圆通速递有限公司 | 基于蚁群算法和多智能体q学习的agv路径规划方法和*** |
US10131053B1 (en) * | 2016-09-14 | 2018-11-20 | X Development Llc | Real time robot collision avoidance |
CN109032145A (zh) * | 2018-08-29 | 2018-12-18 | 广州市君望机器人自动化有限公司 | 对多机器人路径的调度方法及装置 |
CN208351330U (zh) * | 2017-12-28 | 2019-01-08 | 广州赛特智能科技有限公司 | 一种基于WiFi导航的室内AGV机器人 |
CN109176530A (zh) * | 2018-10-23 | 2019-01-11 | 广州赛特智能科技有限公司 | 一种医院搬运机器人的集群调度方法 |
CN109445435A (zh) * | 2018-11-21 | 2019-03-08 | 江苏木盟智能科技有限公司 | 一种机器人的行驶调度方法和*** |
US20190094866A1 (en) * | 2017-09-22 | 2019-03-28 | Locus Robotics Corporation | Dynamic window approach using optimal reciprocal collision avoidance cost-critic |
CN109631899A (zh) * | 2018-12-18 | 2019-04-16 | 仲恺农业工程学院 | 一种用于环境感知的移动机器人的路径优化方法及*** |
CN109739090A (zh) * | 2019-01-15 | 2019-05-10 | 哈尔滨工程大学 | 一种自主式水下机器人神经网络强化学习控制方法 |
CN109917818A (zh) * | 2019-01-31 | 2019-06-21 | 天津大学 | 基于地面机器人的协同搜索围堵方法 |
CN110083166A (zh) * | 2019-05-30 | 2019-08-02 | 浙江远传信息技术股份有限公司 | 针对多机器人的协同调度方法、装置、设备及介质 |
CN110119844A (zh) * | 2019-05-08 | 2019-08-13 | 中国科学院自动化研究所 | 引入情绪调控机制的机器人运动决策方法、***、装置 |
US20190259150A1 (en) * | 2018-02-20 | 2019-08-22 | Walmart Apollo, Llc | Autonomous marking system |
CN110209485A (zh) * | 2019-06-05 | 2019-09-06 | 青岛海通胜行智能科技有限公司 | 一种协同作业时多机器人的动态避让方法 |
CN110244711A (zh) * | 2019-05-16 | 2019-09-17 | 芜湖智久机器人有限公司 | 机器人路径规划***及方法、计算机可读存储介质、装置 |
CN110428111A (zh) * | 2019-08-08 | 2019-11-08 | 西安工业大学 | Uav/ugv协同长时多任务作业轨迹规划方法 |
-
2019
- 2019-11-11 CN CN201911097043.5A patent/CN110727272B/zh active Active
Patent Citations (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050131581A1 (en) * | 2003-09-19 | 2005-06-16 | Sony Corporation | Environment recognizing device, environment recognizing method, route planning device, route planning method and robot |
CN101945492A (zh) * | 2010-08-09 | 2011-01-12 | 哈尔滨工程大学 | 基于分簇的多机器人任务分配方法 |
JP2012068895A (ja) * | 2010-09-24 | 2012-04-05 | Toyota Motor Corp | ロボット |
CN102122171A (zh) * | 2010-12-28 | 2011-07-13 | 北京航空航天大学 | 一种基于智能移动机器人的多微纳探测器组网联合演示验证*** |
CN102436604A (zh) * | 2011-09-08 | 2012-05-02 | 哈尔滨工程大学 | 一种基于多目标进化方法的多弹协同航路计算方法 |
CN103033192A (zh) * | 2011-09-30 | 2013-04-10 | 上海博泰悦臻电子设备制造有限公司 | 导航***及基于实时交通信息的导航方法与装置 |
CN102865877A (zh) * | 2012-10-08 | 2013-01-09 | 无锡普智联科高新技术有限公司 | 基于密集存储区域的多移动机器人路径冲突解决方法 |
CN102915465A (zh) * | 2012-10-24 | 2013-02-06 | 河海大学常州校区 | 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 |
CN105809976A (zh) * | 2014-12-31 | 2016-07-27 | 高德软件有限公司 | 车辆行驶状态监测方法及移动终端 |
CN107728608A (zh) * | 2016-08-10 | 2018-02-23 | 向忠宏 | 一种移动机器人路径规划方法 |
US10131053B1 (en) * | 2016-09-14 | 2018-11-20 | X Development Llc | Real time robot collision avoidance |
WO2018120739A1 (zh) * | 2016-12-30 | 2018-07-05 | 深圳光启合众科技有限公司 | 路径规划方法、装置及机器人 |
CN106875090A (zh) * | 2017-01-09 | 2017-06-20 | 中南大学 | 一种面向动态任务的多机器人分布式任务分配形成方法 |
CN107092926A (zh) * | 2017-03-30 | 2017-08-25 | 哈尔滨工程大学 | 基于深度学习的服务机器人物体识别算法 |
US20190094866A1 (en) * | 2017-09-22 | 2019-03-28 | Locus Robotics Corporation | Dynamic window approach using optimal reciprocal collision avoidance cost-critic |
CN208351330U (zh) * | 2017-12-28 | 2019-01-08 | 广州赛特智能科技有限公司 | 一种基于WiFi导航的室内AGV机器人 |
CN108268039A (zh) * | 2018-01-19 | 2018-07-10 | 广东美的智能机器人有限公司 | 移动机器人的路径规划方法及*** |
CN108287545A (zh) * | 2018-01-19 | 2018-07-17 | 广东美的智能机器人有限公司 | 多移动机器人的冲突管理方法及*** |
CN108241375A (zh) * | 2018-02-05 | 2018-07-03 | 景德镇陶瓷大学 | 一种自适应蚁群算法在移动机器人路径规划中的应用方法 |
US20190259150A1 (en) * | 2018-02-20 | 2019-08-22 | Walmart Apollo, Llc | Autonomous marking system |
CN108776483A (zh) * | 2018-08-16 | 2018-11-09 | 圆通速递有限公司 | 基于蚁群算法和多智能体q学习的agv路径规划方法和*** |
CN109032145A (zh) * | 2018-08-29 | 2018-12-18 | 广州市君望机器人自动化有限公司 | 对多机器人路径的调度方法及装置 |
CN109176530A (zh) * | 2018-10-23 | 2019-01-11 | 广州赛特智能科技有限公司 | 一种医院搬运机器人的集群调度方法 |
CN109445435A (zh) * | 2018-11-21 | 2019-03-08 | 江苏木盟智能科技有限公司 | 一种机器人的行驶调度方法和*** |
CN109631899A (zh) * | 2018-12-18 | 2019-04-16 | 仲恺农业工程学院 | 一种用于环境感知的移动机器人的路径优化方法及*** |
CN109739090A (zh) * | 2019-01-15 | 2019-05-10 | 哈尔滨工程大学 | 一种自主式水下机器人神经网络强化学习控制方法 |
CN109917818A (zh) * | 2019-01-31 | 2019-06-21 | 天津大学 | 基于地面机器人的协同搜索围堵方法 |
CN110119844A (zh) * | 2019-05-08 | 2019-08-13 | 中国科学院自动化研究所 | 引入情绪调控机制的机器人运动决策方法、***、装置 |
CN110244711A (zh) * | 2019-05-16 | 2019-09-17 | 芜湖智久机器人有限公司 | 机器人路径规划***及方法、计算机可读存储介质、装置 |
CN110083166A (zh) * | 2019-05-30 | 2019-08-02 | 浙江远传信息技术股份有限公司 | 针对多机器人的协同调度方法、装置、设备及介质 |
CN110209485A (zh) * | 2019-06-05 | 2019-09-06 | 青岛海通胜行智能科技有限公司 | 一种协同作业时多机器人的动态避让方法 |
CN110428111A (zh) * | 2019-08-08 | 2019-11-08 | 西安工业大学 | Uav/ugv协同长时多任务作业轨迹规划方法 |
Non-Patent Citations (2)
Title |
---|
朱淼良,张新晖,吴春明,钱徽: "自主机器人自组织结构IRASO的仿真研究" * |
申魁华,谭跃刚: "一种多移动机器人运动规划的混合式方法" * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111796601A (zh) * | 2020-07-31 | 2020-10-20 | 成都我搜挖信息技术股份有限公司 | 一种区域内多部机器人联动分销的路线规划方法 |
CN112083722A (zh) * | 2020-08-27 | 2020-12-15 | 广州赛特智能科技有限公司 | 一种移动机器人多机多楼层调度***及调度方法 |
CN112083722B (zh) * | 2020-08-27 | 2023-08-04 | 广州赛特智能科技有限公司 | 一种移动机器人多机多楼层调度***及调度方法 |
CN111880505A (zh) * | 2020-09-02 | 2020-11-03 | 上海木木聚枞机器人科技有限公司 | 一种用于医院物流机器人的脱困方法、***及存储介质 |
WO2022073471A1 (zh) * | 2020-10-10 | 2022-04-14 | 深圳市海柔创新科技有限公司 | 仓储***、货物搬运方法、控制终端、机器人及存储介质 |
CN112193704A (zh) * | 2020-10-10 | 2021-01-08 | 深圳市海柔创新科技有限公司 | 仓储***、货物搬运方法、控制终端、机器人及存储介质 |
CN112193704B (zh) * | 2020-10-10 | 2021-06-29 | 深圳市海柔创新科技有限公司 | 仓储***、货物搬运方法、控制终端、机器人及存储介质 |
US11971711B2 (en) | 2020-10-10 | 2024-04-30 | Hai Robotics Co., Ltd. | Warehousing system |
US11498766B2 (en) | 2020-10-10 | 2022-11-15 | Hai Robotics Co., Ltd. | Warehousing system, material transporting method, control terminal, robot, and storage medium |
CN112502566A (zh) * | 2020-11-17 | 2021-03-16 | 广州赛特智能科技有限公司 | 一种辅助机器人通过电动门的方法及*** |
CN114595913A (zh) * | 2020-12-03 | 2022-06-07 | 通用汽车环球科技运作有限责任公司 | 基于人类推理的自主车辆表现评分***和方法 |
CN113156933A (zh) * | 2020-12-30 | 2021-07-23 | 徐宁 | 一种机器人行进控制***和方法 |
CN113485348A (zh) * | 2021-07-16 | 2021-10-08 | 广州赛特智能科技有限公司 | 一种多机器人交汇行走调度方法 |
CN113485348B (zh) * | 2021-07-16 | 2023-08-04 | 广州赛特智能科技有限公司 | 一种多机器人交汇行走调度方法 |
CN113985880A (zh) * | 2021-10-29 | 2022-01-28 | 深圳优地科技有限公司 | 多机器人路径规划方法、多机器人***及机器人 |
CN115220461A (zh) * | 2022-09-21 | 2022-10-21 | 睿羿科技(山东)有限公司 | 室内复杂环境下机器人单体***及多机器人交互协同方法 |
CN115220461B (zh) * | 2022-09-21 | 2023-02-17 | 睿羿科技(山东)有限公司 | 室内复杂环境下机器人单体***及多机器人交互协同方法 |
CN116594408A (zh) * | 2023-07-17 | 2023-08-15 | 深圳墨影科技有限公司 | 一种移动协作机器人路径规划***及方法 |
CN116594408B (zh) * | 2023-07-17 | 2023-10-13 | 深圳墨影科技有限公司 | 一种移动协作机器人路径规划***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110727272B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110727272B (zh) | 一种多台机器人的路径规划调度***及方法 | |
CN110009761B (zh) | 智能设备自动巡检路径规划方法及*** | |
EP2508956B1 (en) | A collision avoiding method and system | |
EP3564769B1 (en) | Route planning method for intelligent robot | |
US11454973B2 (en) | Mapped driving paths for autonomous vehicle | |
CN111292540B (zh) | 用于求取确定的状态信息的方法、控制装置和*** | |
CN100580735C (zh) | 基于探测车技术的实时动态交通信息处理方法 | |
CN103026396B (zh) | 驾驶辅助装置 | |
CN201573208U (zh) | 实现室内服务机器人同时定位和地图创建的装置及机器人 | |
CN104615138A (zh) | 一种划分移动机器人室内区域动态覆盖方法及其装置 | |
CN110136426A (zh) | 一种还车招车***及方法 | |
CN104260722A (zh) | 一种自动泊车*** | |
CN104008670A (zh) | 一种车库内路径规划***及路径规划方法 | |
CN112344945B (zh) | 室内配送机器人路径规划方法、***及室内配送机器人 | |
CN113375678B (zh) | 一种行车路径规划方法、管理服务器及停车管理*** | |
CN109445438A (zh) | 基于地图分享的巡航装置的巡航控制方法及*** | |
KR101522605B1 (ko) | 주차장 정보 제공 방법 및 시스템 | |
CN114756034B (zh) | 一种机器人实时避障路径规划方法及装置 | |
KR102425741B1 (ko) | 차선 인식 실패 대응 자율 주행 방법 및 자율주행 차량 주행 가이드 데이터 구축 방법 | |
CN110174108A (zh) | 一种仿人的基于拓扑地图的agv自主定位导航方法 | |
EP4272198A1 (en) | Method for controlling a driving behavior of an autonomously driving vehicle, processing device for performing the method, data storage medium and vehicle | |
CN112835359A (zh) | 一种基于视觉slam技术的avp控制方法及装置 | |
WO2021157194A1 (ja) | 経路計画装置、経路計画方法、経路計画プログラム | |
CN109883421A (zh) | 一种融合建筑信息模型的智能小车导航方法及*** | |
CN113110499A (zh) | 一种通行区域的判定方法、路线搜索方法、机器人及芯片 |
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 | ||
CB02 | Change of applicant information |
Address after: 510000 201, building a, No.19 nanxiangsan Road, Huangpu District, Guangzhou City, Guangdong Province Applicant after: GUANGZHOU SAITE INTELLIGENT TECHNOLOGY Co.,Ltd. Address before: 510000 Room 303, 36 Kaitai Avenue, Huangpu District, Guangzhou City, Guangdong Province Applicant before: GUANGZHOU SAITE INTELLIGENT TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |