CN111947657A - 一种适用于密集排架环境的移动机器人导航方法 - Google Patents
一种适用于密集排架环境的移动机器人导航方法 Download PDFInfo
- Publication number
- CN111947657A CN111947657A CN202010532832.3A CN202010532832A CN111947657A CN 111947657 A CN111947657 A CN 111947657A CN 202010532832 A CN202010532832 A CN 202010532832A CN 111947657 A CN111947657 A CN 111947657A
- Authority
- CN
- China
- Prior art keywords
- path
- robot
- shelving
- dense
- environment
- 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 32
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008521 reorganization Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000002452 interceptive effect Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000009751 slip forming Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明涉及一种适用于密集排架环境的移动机器人导航方法。属于移动机器人领域,具体包括以下步骤:(1)、获取密集排架环境地图;(2)、基于矩形检测方法定位密集排架;(3)、构建行为树选择路径模式;(4)、在路径参考点间使用A*算法生成规划路径,再使用基于机器人运动学模型的预测控制方法跟踪路径实现导航,在狭长排架通道内定位不准的情况下使用局部激光观测信息提取的直线特征提供参考。该方法实现了密集排架环境下机器人的工作路径最优划分,排除了人工设置路标点带来的误差,与现有技术相比能够在狭窄的排架环境中完成多种移动机器人的导航,适应不同的巡航速度。
Description
技术领域
本发明属于移动机器人领域,尤其是一种适用于密集排架环境的移动机器人导航方法。
背景技术
移动机器人应用在书架/货架排列密集有序的图书馆、超市、仓库等密集存储环境中时,需要执行盘点、巡检等多种任务,其任务的完成需要对机器人实现路径规划和控制,实现不同任务下的移动机器人导航,在狭长的排架通道中精确控制机器人运动。
目前在密集排架环境中工作的机器人大多基于固定路径的跟踪方法,如专利文献“基于图像识别技术的上架书籍自动巡检机器人”(申请号CN201010617824.5),通过摄像头/光敏器件获取粘贴在地面上的机器人运行线路标志信息进行巡线,具有作业稳定的优点,但是需要改造环境,脱离轨迹线需要辅助措施才能再次回到原轨迹上来,机器人运行轨迹死板,往往不是时间最优或路径最短方案。专利文献“一种图书馆机器人定位控制方法”(申请号CN201810402240.2)利用RFID标签作为路标点建立模糊推理规则实现定位与导航,该方法需要在排架边缘布置大量RFID标签,标签与位置的对应关系需要人为准确建立,且排架钢铁材质对电磁环境存在干扰,误差较大。近年来多基于SLAM方法实现机器人的定位导航,如专利文献“一种激光自动导航图书馆盘点机器人”(申请号CN201910987548.2),获得地图后需要人工设置多导航路标点,耗费时间,没有对路标点之间关系进行推理组合,存在某目标点下导航失败的风险,且没有针对环境特点做出优化和改进。如何实现所需要的工作路径的划分和跟踪控制,是密集排架环境下的移动机器人导航亟待解决的问题。
发明内容
针对上述问题,本发明提供了一种适用于密集排架环境的移动机器人导航方法。
本发明的技术方案是:一种适用于密集排架环境的移动机器人导航方法,操作步骤具体如下:
步骤(1.1)、获取密集排架环境地图;
步骤(1.2)、基于矩形检测方法定位密集排架,生成参考路径点;
步骤(1.3)、构建行为树重组路径参考点序列,生成全局规划路径;
步骤(1.4)、基于模型预测控制方法控制机器人跟踪规划路径。
进一步的,所述步骤(1.2)中,所述的密集排架是指:在环境地图中呈现矩形规则排列,通过矩形检测方法,确定矩形四个角点位置,结合机器人运动学模型的最小半径和安全距离,生成参考路径点,用表示基于排架号i的左上路径参考点、右上路径参考点、右下路径参考点、左下路径参考点的位置,max为检测出的矩形最大数量。
进一步的,所述步骤(1.3)具体为,构建行为树选择不同的机器人运动学模型,确定参考路径点的序列组合,实现不同路径模式的切换,预设以下六种模式,(a)、全部排架依次巡架路径,(b)、指定排架两侧巡架路径,(c)、指定排架指定单侧巡架路径,(d)、两排架之间巡架路径,(e)、绕密集排架的***区域进行巡逻路径,(f)、从指定书架起连续多个排架巡架路径。
进一步的,所构建的机器人运动学模型包括两轮差分移动机器人模型、三轮全向轮运动学模型和四轮麦克纳姆轮全向运动学模型。
进一步的,所述的参考路径点的序列组合由机器人位置和路径模式共同确定,首先确定机器人的位置Probot(x,y)相对于密集排架的位置关系,对巡架方向和参考路径点序列的顺序进行选择,其次结合路径模式确定涉及排架参考路径点。
进一步的,所述步骤(1.4)具体为,使用模型预测控制方法控制机器人跟踪全局规划路径,参考路径位置和角度从规划路径中采样获得;当机器人的位置在密集排架区域内时,使用局部激光观测信息提取直线特征代表排架边沿,参考角度切换为直线特征的方向与机器人运动方向的角度偏差,在机器人坐标系下位置x误差人为设置为0,位置y误差设置为期望沿边运动距离与直线特征的距离的差值。模型预测控制方法中的预测模型为机器人运动学模型。
本发明的有益效果是:本发明实现了密集排架环境下移动机器人的工作路径最优划分,排除了人工设置路标点带来的误差,提供了满足盘点、巡逻等任务的多种工作路径,与现有技术相比能够在狭窄的排架环境中完成多种移动机器人的导航,适应不同的巡航速度。
附图说明
图1是本发明的结构流程图;
图2是本发明中构建工作路径划分的行为树的示意图;
图3是本发明中基于模型预测方法的控制***原理框图;
图4是本发明中六种路径模式下生成的全局规划路径示意;
图5是本发明中使用贝塞尔曲线平滑规划路径的对比图;
图6是本发明中双激光器优选安装位置的示意图。
具体实施方式
为了更清楚地说明本发明的技术方案,下面将对本发明中进行进一步的叙述;显而易见地,下面描述中的仅仅是一部分的实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些将本发明所述的技术方案应用于其它类似情景;为了更清楚地说明本发明的技术方案,下面结合附图对本发明的技术方案做进一步的详细说明:
如附图1所述,一种适用于密集排架环境的移动机器人导航方法,是通过以下步骤实现的,
(1)、获取密集排架环境地图;
(2)、基于矩形检测方法定位密集排架,生成参考路径点;具体为:在环境地图中呈现矩形规则排列,通过矩形检测方法,确定矩形四个角点位置,结合机器人运动学模型的最小半径和安全距离,生成参考路径点,用表示基于排架号i的左上路径参考点、右上路径参考点、右下路径参考点、左下路径参考点的位置,max为检测出的矩形最大数量;
(3)、获取用户交互指令,划分路径模式,构建行为树重组路径参考点序列,生成全局规划路径;具体为,构建行为树选择不同的机器人运动学模型,确定参考路径点的序列组合,实现不同路径模式的切换,预设以下六种模式,(a)、全部排架依次巡架路径,(b)、指定排架两侧巡架路径,(c)、指定排架指定单侧巡架路径,(d)、两排架之间巡架路径,(e)、绕密集排架的***区域进行巡逻路径,(f)、从指定书架起连续多个排架巡架路径;
其中,六种路径模式的默认巡架方向是Pi(x1,y1)、Pi(x4,y4)、Pi(x3,y3)、Pi(x2,y2),当机器人的位置Probot(x,y)相对于密集排架的位置满足以下条件:
记为条件(1),则巡架方向相反,替换为Pi(x4,y4)、Pi(x1,y1)、Pi(x2,y2)、Pi(x3,y3)。
当机器人的位置Probot(x,y)相对于密集排架的位置满足以下条件:
记为条件(2),则将参考路径点序列逆序重新排序。
每种路径模式均是自一个序列器节点开始,根据路径模式参数获得路径参考点序列,其左子树为一个条件判断节点,参考路径点序列载入标志,其右子树为一个选择器节点,选择条件是运动学模型是否为完整约束,是则执行左子树,从机器人起始位置开始至参考路径点之间依次使用A*算法生成全局规划路径,否则执行右子树,从机器人起始位置开始至参考路径点序列之间依次使用A*算法,再在路径控制点前后使用贝塞尔曲线平滑路径,生成全局规划路径;
(a)、全部排架依次巡架路径,是无指定参数状态下的默认路径模式,参考路径点序列组成为起点、P1(x1,y1)、P1(x4,y4)、P1(x3,y3)、P1(x2,y2)、……、Pi(x1,y1)、Pi(x4,y4)、Pi(x3,y3)、Pi(x2,y2)、……、Pmax(x1,y1)、Pmax(x4,y4)、Pmax(x3,y3)、Pmax(x2,y2);
(b)、指定排架两侧巡架路径中,用户需指定参数为指定排架序号i,1≤i≤max,参考路径点序列组成为起点、Pi(x1,y1)、Pi(x4,y4)、Pi(x3,y3)、Pi(x2,y2);
(c)、指定排架指定单侧巡架路径,用户需指定参数为指定排架序号i和排架左右侧,1≤i≤max,left_side标志位为1时代表左侧,为0时代表右侧参,考路径点序列组成为起点、Pi(x1,y1)、Pi(x4,y4)或起点、Pi(x2,y2)、Pi(x3,y3);
(d)、两排架之间巡架路径,用户需指定参数为指定排架序号i,1≤i≤max-1,参考路径点序列组成为起点、Pi(x2,y2)、Pi(x3,y3)、Pi+1(x4,y4)、Pi+1(x1,y1);
(e)、绕密集排架的***区域进行巡逻路径,用户可指定参数为指定排架序号i和j,1≤i<j≤max,默认参数为i=1,j=max,参考路径点序列组成为起点、Pi(x1,y1)、Pi(x4,y4)、Pj(x3,y3)、Pj(x2,y2)、Pi(x1,y1);
(f)、从指定书架起连续多个排架巡架路径,用户需指定参数为指定排架序号i和数量n,1≤i≤max,0<n≤max-i,参考路径点序列组成为起点、Pi(x1,y1)、Pi(x4,y4)、Pi(x3,y3)、Pi(x2,y2)、Pi+1(x1,y1)、Pi+1(x4,y4)、Pi+1(x3,y3)、Pi+1(x2,y2)、……、Pi+n(x1,y1)、Pi+n(x4,y4)、Pi+n(x3,y3)、Pi+n(x2,y2);
所构建的机器人运动学模型包括两轮差分移动机器人模型、三轮全向轮运动学模型和四轮麦克纳姆轮全向运动学模型;所述的参考路径点的序列组合由机器人位置和路径模式共同确定,首先确定机器人的位置Probot(x,y)相对于密集排架的位置关系,对巡架方向和参考路径点序列的顺序进行选择,其次结合路径模式确定涉及排架参考路径点;
(4)、最后基于模型预测控制方法控制机器人跟踪规划路径:具体为,使用模型预测控制方法控制机器人跟踪全局规划路径,预测模型为机器人运动学模型,参考路径位置和角度从规划路径中采样获得;当机器人的位置在密集排架区域内时,即机器人的位置在由P1(x1,y1)、P1(x4,y4)、Pmax(x3,y3)、Pmax(x2,y2)组成的矩形区域内时,使用局部激光观测信息提取直线特征代表排架边沿,参考角度切换为直线特征的方向与机器人运动方向的角度偏差,在机器人坐标系下位置x误差人为设置为0,位置y误差设置为期望沿边运动距离与直线特征的距离的差值。模型预测控制方法中的预测模型为机器人运动学模型。
设置机器人二轮差分移动机器人运动学模型,起点在(8,92)处,机器人运动学模型的最小半径r_min为3,安全距离safe_distance设置为1,使用自适应蒙特卡洛定位算法提供机器人位置信息;首先通过gmapping算法建立环境栅格地图,利用opencv库实现矩形检测,使用canny算子对栅格地图进行边缘检测,然后利用findContours函数找出轮廓,使用轮廓点进行多边形拟合,在是凸四边形并且面积在阈值范围内的情况下进一步判断相邻两条边之间角度的最大余弦,小于0.3即获得矩形,取其四个角点在图像坐标系下的坐标,转换到地图坐标系下,并在各自相同方向上延伸机器人长度为4,获得参考路径点序列,表示基于排架号i的左上路径参考点、右上路径参考点、右下路径参考点、左下路径参考点的位置,检测出的矩形最大数量max为6;判断机器人的位置Probot(x,y)相对于密集排架的位置未满足条件(1),巡架方向不变,为Pi(x1,y1)、Pi(x4,y4)、Pi(x3,y3)、Pi(x2,y2),也未满足条件(2),参考路径点序列顺序不变。
如附图2所述的行为树示意图完成了工作路径划分,自根节点开始,其左子树是一个并行器节点,并行执行矩形检测获得密集排架参考路径点的动作节点和获得机器人运动学模型动作节点,其右子树是一个构建工作路径的选择器节点,获取用户交互参数,进入相应的路径模式,包括以下六种,(a)、全部排架依次巡架路径,(b)、指定排架两侧巡架路径,(c)、指定排架指定单侧巡架路径,(d)、两排架之间巡架路径,(e)、绕密集排架的***区域进行巡逻路径,(f)、从指定书架起连续多个排架巡架路径。
生成全局规划路径后,采用基于模型预测控制的方法控制机器人跟踪规划路径,如附图3所示,描述了整体***的控制流程图;当在密集排架区域内时,即机器人的自定位位置在由P1(x1,y1)、P1(x4,y4)、Pmax(x3,y3)、Pmax(x2,y2)组成的矩形区域内时,使用局部激光观测信息提取直线特征代表排架边沿,参考角度切换为直线特征的方向与机器人运动方向的角度偏差,在机器人坐标系下位置x误差人为设置为0,位置y误差设置为期望沿边运动距离与直线特征的距离的差值。
以机器人的运动学模型作为预测模型,以差分移动机器人为例,
其中L为两轮之间的轴距;模型预测控制***的状态空间定义为[x y θ υ pe re],分别代表机器人位置x坐标、y坐标、角度、线速度、位置误差和角度误差,位置误差由三次多项式拟合规划路径曲线的误差表示,参考角度值先求两点连线的斜率、再求其arctan获得,当机器人的位置在密集排架区域内,即机器人的位置在由P1(x1,y1)、P1(x4,y4)、Pmax(x3,y3)、Pmax(x2,y2)组成的矩形区域内时,使用局部激光观测信息提取直线特征代表排架边沿,参考角度切换为直线特征的方向与机器人运动方向的角度偏差,在机器人坐标系下位置x误差人为设置为0,位置y误差设置为期望沿边运动距离与直线特征的距离的差值,***的输入量定义为[ν w],分别代表线速度和角速度。
三轮全向轮移动机器人的运动学模型为,
其中L为三个全向轮组成的三角形中心到每个轮子的距离。
四个相互正交布置的麦克纳姆轮全向移动机器人运动学模型为,
其中a为机器人中心到同侧麦克纳姆轮的距离,b为机器人中心到麦克纳姆轮前端的距离。
用户在交互界面选择(a)全部排架依次巡架路径,如附图4(a)所示为机器人在该路径模式下生成的规划路径,参考路径点序列组成为起点、P1(x1,y1)、P1(x4,y4)、P1(x3,y3)、P1(x2,y2)、P2(x1,y1)、P2(x4,y4)、P2(x3,y3)、P2(x2,y2)、P3(x1,y1)、P3(x4,y4)、P3(x3,y3)、P3(x2,y2)、P4(x1,y1)、P4(x4,y4)、P4(x3,y3)、P4(x2,y2)、P5(x1,y1)、P5(x4,y4)、P5(x3,y3)、P5(x2,y2)、P6(x1,y1)、P6(x4,y4)、P6(x3,y3)、P6(x2,y2)。
用户在交互界面选择指定排架两侧巡架路径,指定参数为指定排架序2,如附图4(b)所示为机器人在该路径模式下生成的规划路径,参考路径点序列组成为起点、P2(x1,y1)、P2(x4,y4)、P2(x3,y3)、P2(x2,y2)。
用户在交互界面选择指定排架指定单侧巡架路径,指定参数为指定排架序号4,left_side标志位为1,如附图4(c)所示为机器人在该路径模式下生成的规划路径,参考路径点序列组成为起点、P4(x1,y1)、P4(x4,y4)。
用户在交互界面选择两排架之间巡架路径,指定参数为指定排架序号4,如附图4(d)所示为机器人在该路径模式下生成的规划路径,参考路径点序列组成为起点、P4(x2,y2)、P4(x3,y3)、P5(x4,y4)、P5(x1,y1)。
用户在交互界面选择绕密集排架的***区域进行巡逻路径,未指定参数,使用默认参数i=1,j=max=6,如附图4(e)所示为机器人在该路径模式下生成的规划路径,参考路径点序列组成为起点、P1(x1,y1)、P1(x4,y4)、P6(x3,y3)、P6(x2,y2)、P1(x1,y1)。
用户在交互界面选择从指定书架起连续多个排架巡架路径,指定排架序号3和数量2,如附图4(f)所示为机器人在该路径模式下生成的规划路径,参考路径点序列组成为起点、P3(x1,y1)、P3(x4,y4)、P3(x3,y3)、P3(x2,y2)、P4(x1,y1)、P4(x4,y4)、P4(x3,y3)、P4(x2,y2)、P5(x1,y1)、P5(x4,y4)、P5(x3,y3)、P5(x2,y2)。
当密集排架区域有两个及以上区域时,对于空间分布相近且有规律的区域,则将其视为一个区域,合并排架路径点信息,如附图5(a)所示;对于空间分布较远的密集排架视为独立的密集排架区域按照独立区域处理,如附图5(b)所示,在上部第一个区域生成路径后,以最后一个路径点为机器人起点,进行下部第二个区域的路径规划;同时,附图5(a)中显示了完整约束移动机器人的规划路径。
以上具体实施实例中使用的是360度范围的激光传感器;更一般的,因外观包装的限制,机器人上安装的单个激光范围不满足360度,故安装前后双激光才可采集到机器人四周的环境信息,双激光数据要进行裁剪,统一到以机器人为中心的坐标系下,见附图6,双激光数据的交叉点C1/C2到机器人中心的距离需满足大于等于机器人运动学模型的最小半径的条件,这样可以提取良好和稳定连续的直线特征用于反馈指导机器人的运动。
最后,应当理解的是,本发明中所述实施例仅用以说明本发明实施例的原则;其他的变形也可能属于本发明的范围;因此,作为示例而非限制,本发明实施例的替代配置可视为与本发明的教导一致;相应地,本发明的实施例不限于本发明明确介绍和描述的实施例。
Claims (6)
1.一种适用于密集排架环境的移动机器人导航方法,其特征在于:操作步骤具体如下:
步骤(1.1)、获取密集排架环境地图;
步骤(1.2)、基于矩形检测方法定位密集排架,生成参考路径点;
步骤(1.3)、构建行为树重组路径参考点序列,生成全局规划路径;
步骤(1.4)、基于模型预测控制方法控制机器人跟踪规划路径。
3.根据权利要求1所述的一种适用于密集排架环境的移动机器人导航方法,其特征在于:所述步骤(1.3)具体为,构建行为树选择不同的机器人运动学模型,确定参考路径点的序列组合,实现不同路径模式的切换,预设以下六种模式,(a)、全部排架依次巡架路径,(b)、指定排架两侧巡架路径,(c)、指定排架指定单侧巡架路径,(d)、两排架之间巡架路径,(e)、绕密集排架的***区域进行巡逻路径,(f)、从指定书架起连续多个排架巡架路径。
4.根据权利要求3所述的一种适用于密集排架环境的移动机器人导航方法,其特征在于:所构建的机器人运动学模型包括两轮差分移动机器人模型、三轮全向轮运动学模型和四轮麦克纳姆轮全向运动学模型。
5.根据权利要求3所述的一种适用于密集排架环境的移动机器人导航方法,其特征在于:所述的参考路径点的序列组合由机器人位置和路径模式共同确定,首先确定机器人的位置Probot(x,y)相对于密集排架的位置关系,对巡架方向和参考路径点序列的顺序进行选择,其次结合路径模式确定涉及排架参考路径点。
6.根据权利要求1所述的一种适用于密集排架环境的移动机器人导航方法,其特征在于:所述步骤(1.4)具体为,使用模型预测控制方法控制机器人跟踪全局规划路径,参考路径位置和角度从规划路径中采样获得;当机器人的位置在密集排架区域内时,使用局部激光观测信息提取直线特征代表排架边沿,参考角度切换为直线特征的方向与机器人运动方向的角度偏差,在机器人坐标系下位置x误差人为设置为0,位置y误差设置为期望沿边运动距离与直线特征的距离的差值。模型预测控制方法中的预测模型为机器人运动学模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010532832.3A CN111947657B (zh) | 2020-06-12 | 2020-06-12 | 一种适用于密集排架环境的移动机器人导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010532832.3A CN111947657B (zh) | 2020-06-12 | 2020-06-12 | 一种适用于密集排架环境的移动机器人导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111947657A true CN111947657A (zh) | 2020-11-17 |
CN111947657B CN111947657B (zh) | 2024-04-19 |
Family
ID=73337102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010532832.3A Active CN111947657B (zh) | 2020-06-12 | 2020-06-12 | 一种适用于密集排架环境的移动机器人导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111947657B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914068A (zh) * | 2013-01-07 | 2014-07-09 | 中国人民解放军第二炮兵工程大学 | 一种基于栅格地图的服务机器人自主导航方法 |
CN107167141A (zh) * | 2017-06-15 | 2017-09-15 | 同济大学 | 基于双一线激光雷达的机器人自主导航*** |
CN108960364A (zh) * | 2018-06-25 | 2018-12-07 | 天津大学 | 一种图书盘点机器人的盘点方法 |
US20190220043A1 (en) * | 2019-03-26 | 2019-07-18 | Intel Corporation | Methods and apparatus to facilitate autonomous navigation of robotic devices |
WO2019154119A1 (zh) * | 2018-02-06 | 2019-08-15 | 广州科语机器人有限公司 | 基于激光测距传感器的移动机器人的地图创建方法 |
CN110744559A (zh) * | 2019-10-17 | 2020-02-04 | 上海飒智智能科技有限公司 | 一种激光自动导航图书馆盘点机器人 |
-
2020
- 2020-06-12 CN CN202010532832.3A patent/CN111947657B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914068A (zh) * | 2013-01-07 | 2014-07-09 | 中国人民解放军第二炮兵工程大学 | 一种基于栅格地图的服务机器人自主导航方法 |
CN107167141A (zh) * | 2017-06-15 | 2017-09-15 | 同济大学 | 基于双一线激光雷达的机器人自主导航*** |
WO2019154119A1 (zh) * | 2018-02-06 | 2019-08-15 | 广州科语机器人有限公司 | 基于激光测距传感器的移动机器人的地图创建方法 |
CN108960364A (zh) * | 2018-06-25 | 2018-12-07 | 天津大学 | 一种图书盘点机器人的盘点方法 |
US20190220043A1 (en) * | 2019-03-26 | 2019-07-18 | Intel Corporation | Methods and apparatus to facilitate autonomous navigation of robotic devices |
CN110744559A (zh) * | 2019-10-17 | 2020-02-04 | 上海飒智智能科技有限公司 | 一种激光自动导航图书馆盘点机器人 |
Non-Patent Citations (4)
Title |
---|
LI RENJUN ET AL.: "AuRoSS: an Autonomous Robotic Shelf Scanning System", 《2015 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS (IROS)》, pages 6100 - 6105 * |
LI SUIQUN ET AL.: "Study on the substation inspection robot navigation system based on Fuzzy-PID control", 《PROCEEDINGS OF THE 2015 4TH INTERNATIONAL CONFERENCE ON COMPUTER, MECHATRONICS, CONTROL AND ELECTRONIC ENGINEERING (ICCMCEE 2015)》, vol. 37, pages 1385 - 1389 * |
赵健等: "基于典型栅格地图的代价地图改进方法", 《机械与电子》, vol. 36, no. 12, pages 73 - 80 * |
赵志光;: "图书馆智能化机器人三项关键技术的研究与探讨", 山东图书馆学刊, no. 05, pages 69 - 72 * |
Also Published As
Publication number | Publication date |
---|---|
CN111947657B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qin et al. | Autonomous exploration and mapping system using heterogeneous UAVs and UGVs in GPS-denied environments | |
CN111103887B (zh) | 一种基于多传感器的多移动机器人调度***设计方法 | |
JP2677600B2 (ja) | 3次元空間に無衝突経路を定める方法 | |
Yahja et al. | An efficient on-line path planner for outdoor mobile robots | |
Bogdan Rusu et al. | Leaving Flatland: Efficient real‐time three‐dimensional perception and motion planning | |
Tariq et al. | Construction of cellular automata over hexagonal and triangular tessellations for path planning of multi-robots | |
Guney et al. | Dynamic prioritized motion coordination of multi-AGV systems | |
Cherubini et al. | Visual navigation with obstacle avoidance | |
Ravankar et al. | A hybrid topological mapping and navigation method for large area robot mapping | |
Sharma et al. | Coordination of multi-robot path planning for warehouse application using smart approach for identifying destinations | |
CN112633590B (zh) | 一种用于四向穿梭车的智能入库方法及*** | |
Guo et al. | Intelligent path planning for automated guided vehicles system based on topological map | |
KR20230066323A (ko) | 보관 현장에서의 자율 로봇 탐색 | |
Pivtoraiko et al. | Differentially constrained motion replanning using state lattices with graduated fidelity | |
Jeon et al. | An entry-exit path planner for an autonomous tractor in a paddy field | |
Klaas et al. | Simulation aided, knowledge based routing for AGVs in a distribution warehouse | |
Hayet et al. | Motion planning for maintaining landmarks visibility with a differential drive robot | |
CN111947657B (zh) | 一种适用于密集排架环境的移动机器人导航方法 | |
Nagatani et al. | Sensor-based navigation for car-like mobile robots based on a generalized Voronoi graph | |
Chen et al. | Simple and efficient algorithm for drone path planning | |
Mukhopadhyay et al. | Multi-robot Map Exploration Based on Multiple Rapidly-Exploring Randomized Trees | |
Liu et al. | Hybrid Map-Based Path Planning for Robot Navigation in Unstructured Environments | |
Du et al. | Interactive sensing and path-planning with incremental 3D path repair for a quadrotor UAV in cluttered and partially known environments | |
CN115235483A (zh) | 构建栅格地图的方法、路径规划方法、处理器及装置 | |
Pivtoraiko et al. | Fast and feasible deliberative motion planner for dynamic environments |
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 |