CN112731929A - 一种基于阿克曼模型的移动机器人避障路径规划方法 - Google Patents
一种基于阿克曼模型的移动机器人避障路径规划方法 Download PDFInfo
- Publication number
- CN112731929A CN112731929A CN202011532828.3A CN202011532828A CN112731929A CN 112731929 A CN112731929 A CN 112731929A CN 202011532828 A CN202011532828 A CN 202011532828A CN 112731929 A CN112731929 A CN 112731929A
- Authority
- CN
- China
- Prior art keywords
- robot
- path
- obstacle avoidance
- conflict
- collision
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000009471 action Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于阿克曼模型的移动机器人避障路径规划方法,包括以下步骤:步骤S3,将各个移动机器人的起始位姿状态和终点位姿状态输入下层单机器人路径规划器;步骤S4,下层单机器人路径规划器计算后得到各个移动机器人从起始位姿状态到终点位姿状态的避障路径,输入上层碰撞搜索树;步骤S5,上层碰撞搜索树通过计算对所有机器人的避障路径进行冲突检查;步骤S6,当检查到一个路径冲突时,对检查到路径冲突的各个机器人增加约束条件,并输入下层单机器人路径规划器,返回步骤S4;当检查到无路径冲突时,输出避障路径。本发明规划得到的避障路径不需经过轨迹优化即可直接应用到实际的移动机器人中,且实际执行时避障成功率高。
Description
技术领域
本发明属于机器人路径规划领域,具体涉及一种基于阿克曼模型的移动机器人避障路径规划方法。
背景技术
近年来,由于在机器人技术和AI领域的广泛应用,研究人员对多智能体路径查找技术(Multi-Agent Path Finding,MAPF)进行了广泛的研究。MAPF可应用于多种现代化的工业场景,包括自动驾驶汽车,港口自动跨运车,仓储机器人,水面/水下无人船和服务机器人等。
通常,使用基于搜索技术的求解器来解决该类问题。一个完整且最优的MAPF求解器是安全间隔路径规划技术(SIPP)。它在待搜索地图中运行A*搜索,其中每个节点代表工作空间中的一个路径点以及一个安全的时间间隔,使用从起点到终点的搜索来求解MAPF问题。另一个求解技术是基于冲突的搜索技术(CBS)。它是一个分层的最优求解器,其通过对智能体之间的冲突进行分类并首先解决主要冲突来一步步解决多智能体之间规划会发生相互碰撞的问题。然而该两种方法都使用一些假设,例如忽略机器人的运动学约束和使用离散的网格图作为搜索地图。有人提出了适用于差动驱动机器人的MAPF-POST算法。它考虑了机器人的速度限制,并确保了机器人之间的安全距离。LA-CBS技术为占用多个网格的大型代理提供了通用的CBS版本。SIPPwRT方法则将令牌传递算法与SIPP结合在一起,在仓储运输场景下有很好的表现。还有人提出了一种基于网格且支持机器人不同移动速度的规划器,该规划器使用了SIPP的变体方法来处理全向移动机器人的移动。
但是,几乎所有上述方法都基于如下两个假设:机器人可以被建模为一个全向移动且原地旋转的圆盘,机器人采用离散的栅格地图作为其运动空间。然而,在一般工业或者服务机器人一般使用非完整约束模型(如阿克曼模型)而非全向完整约束模型,这限制了上述方法在实际机器人场景中的应用。实际上,阿克曼机器人具有矩形的外形,并且具有最小的转弯半径。通过降低栅格地图分辨率来应用原始MAPF求解器会降低其实际适用性,因为机器人控制器无法精确跟踪规划出的路径(尤其是急转弯的路径)。
为了较好地实现避障路径规划方法的实际应用,避障路径规划方法需要同时满足以下几个条件:
(1)算法简单、高效,能够在较短的时间内对数量较大的机器人群进行避障路径规划;
(2)规划得到的避障路径精准,避障路径实际执行时成功率高;
(3)规划得到的避障路径不需要经过二次加工等轨迹优化即可以直接应用到实际的移动机器人中。
目前没有任何一种避障路径规划方法可以同时解决上述问题,从而较好地实现避障路径规划方法的实际应用。
发明内容
基于现有技术中存在的上述不足,本发明的目的在于提供一种基于基于阿克曼模型的移动机器人避障路径规划方法,该方法算法简单、高效,能够在较短的时间内对数量较大的机器人群进行避障路径规划,规划得到的避障路径精准、实际执行时成功率高、不需要经过二次加工等轨迹优化即可以直接应用到实际的移动机器人中。
本发明的目的可以通过以下技术方案实现:
一种基于阿克曼模型的移动机器人避障路径规划方法,包括以下步骤::
步骤S1:按照阿克曼模型对移动机器人进行建模,对移动机器人的运动区域构建全局地图坐标系和机器人局部坐标系,对运动区域内的N个移动机器人设定终点位姿状态,获取N个移动机器人的起始位姿状态;N为大于等于2的整数;
步骤S2:获取在全局地图坐标系下的障碍物所在区域,得到在全局地图坐标系下的可行走区域坐标;
步骤S3:将各个移动机器人的起始位姿状态和终点位姿状态输入下层单机器人路径规划器;
步骤S4:下层单机器人路径规划器计算后得到各个移动机器人从起始位姿状态到终点位姿状态的避障路径,将各个移动机器人的避障路径输入上层碰撞搜索树;
步骤S5:上层碰撞搜索树通过计算对所有机器人的避障路径进行冲突检查;
步骤S6:当检查到一个路径冲突时,对检查到路径冲突的各个机器人增加约束条件,并将增加的约束条件输入下层单机器人路径规划器,返回步骤S4;当检查到无路径冲突时,输出避障路径;
约束条件用于避免此次检查到的路径冲突。
优选的,上层碰撞搜索树包括二叉冲突树。
优选的,步骤S5包括:上层碰撞搜索树汇总收到的各个移动机器人的避障路径,通过二叉冲突树寻找各个移动机器人的避障路径之间是否存在路径冲突的地方。
优选的,步骤S6包括下列步骤:当检查到任意一个机器人在t时刻与另一个机器人发生路径冲突时,给当前二叉冲突树生成两个子节点,一个子节点给冲突一方增加一个约束条件,并将增加的约束条件输入下层单机器人路径规划器,返回步骤S4;当检查到无路径冲突时,输出避障路径;约束条件限制冲突双方机器人在t时刻互相接近;
优选的,步骤S6包括:当检查到一个机器人与另一个机器人在t时刻发生路径冲突时,给当前二叉冲突树生成两个子节点,一个机器人用ai表示,另一个机器人用aj表示,机器人ai在t时刻的所在区域用Cti表示,机器人aj在t时刻的所在区域用用Ctj表示,冲突用<ai;aj;Cti;Ctj;t>表示,对机器人ai产生约束(ai;Ctj;t),对机器人aj产生约束(aj;Cti;t),并将增加的约束(ai;Ctj;t)和(aj;Cti;t)输入下层单机器人路径规划器,返回步骤S4;当检查到无路径冲突时,输出避障路径;
约束(ai;Ctj;t)表示机器人ai从时间步t-δT到时间步t+δT避开区域Ctj,约束(aj;Cti;t)表示机器人aj从时间步t-δT到时间步t+δT避开区域Cti。
优选的,步骤S6中:约束(ai;Ctj;t)和(aj;Cti;t)在输入下层单机器人路径规划器前,将Cti、Ctj乘以膨胀系数k;膨胀系数k为1-3。
优选的,二叉冲突树的扩展方法为:当最小成本的叶节点L从二叉冲突树中弹出时,对属于L的解决方案执行冲突检查。
优选的,下层单机器人路径规划器使用四维搜索空间(t;x;y;θ)对机器人避障路径进行规划,x、y、θ是连续的,时间t是离散的。
优选的,用于下层单机器人路径规划器扩展路径节点的动作包括:前向左转、前向直行、前向右转、倒车左转、倒车直行、倒车右转、原地等待。
优选的,步骤S2中,获得障碍物所在区域的方法包括使用机器人车载激光雷达和/或可进行深度探测的相机进行感知。
相对于现有技术,本发明具有以下有益效果:
本发明的避障路径规划方法基于非完整约束模型——阿克曼模型,适用于一般工业或者服务机器人等实际机器人场景中的应用,与全向完整约束模型相比,规划出的避障路径更加精确且实际适用性好。本发明以阿克曼模型为基础建立算法,通过上层碰撞搜索树搜索出多机器人之间的规划路径冲突,通过下层单机器人路径规划器规划生成同时满足运动学和时空约束的避障路径,算法简单高效,且最终规划得到的避障路径既使多机器人能避免和障碍物碰撞,同时又能避免多机器人相互之间的碰撞。
本发明的避障路径规划方法,通过二叉冲突树寻找各个移动机器人的避障路径之间是否存在路径冲突的地方,每查到一个路径冲突,就对路径冲突的各个机器人增加约束条件并输入下层单机器人路径规划器重新规划避障路径,而不是检查完所有路径冲突之后将所有约束条件一起输入下层单机器人路径规划器重新规划避障路径,避免了约束条件过多、计算量大等问题,算法简单,对于搜索冲突的计算量大幅降低,路径规划更高效,且规划得到的避障路径总距离更短,实际执行时用时也更短。
本发明的方法规划得到避障路径更加精准,避障路径执行时成功率高,可以直接应用到实际的移动机器人中,不需要经过二次加工等轨迹优化,能够在有限的时间内对数量较大的机器人群进行避障路径规划。
鉴于机器人在实践中不会像预期的那样精准执行,本发明的避障路径规划方法可以在时间和空间维度上都保留一定的鲁棒性,通过在算法中引入膨胀系数k以扩大机器人间约束的矩形区域,当机器人存在执行偏差时,机器人将拥有更大的空间供他人绕过。
在仿真环境中,本发明在300m×300m地图上可同时对50个2m×3m大小的机器人进行避障路径规划,成功率大于90%,规划时间小于5s;对100个2m×3m大小的机器人进行避障路径规划,成功率大于60%,规划时间小于50s;在100m×100m且障碍物覆盖率为1%的地图下,本发明可以同时对35个2m×3m大小的机器人进行避障路径规划,成功率大于90%,时间小于5s。
在实物环境中,在障碍物覆盖率大于1%的室内场景下对7个阿克曼机器人进行规划并按照规划路径执行,规划时间小于5s,从起始位姿状态到终点位姿状态历时50s,过程中无任何机器人发生碰撞,成功显示了本发明的实际可行性。
附图说明
图1为本发明实施例的基于阿克曼模型移动机器人的全局地图坐标系和机器人局部坐标系图;
图2为本发明实施例的基于阿克曼模型移动机器人的路径规划流程示意图;
图3为本发明实施例的室内场景下路径规划执行情况图,a、b、c、d分别为0s时刻、15s时刻、35s时刻、50s时刻的路径规划执行情况图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整地描述,所描述的实施例仅仅是本发明的部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
阿克曼模型(又名阿克曼转向几何(英语:Ackermann steering geometry))是一个针对小车机器人使用较为广泛的运动模型。阿克曼模型的优势在于其考虑了车辆转弯时内侧和外侧车轮转弯半径不同的问题,从而避免了机器人沿着弯道行驶时轮胎向侧面打滑。
步骤S1:按照阿克曼模型对移动机器人进行建模,对移动机器人的运动区域构建全局地图坐标系和机器人局部坐标系,对运动区域内的N个移动机器人设定终点位姿状态,获取N个移动机器人的起始位姿状态;N为大于等于2的整数。运动区域为机器人运动范围内所有的地面连通区域。
选定一个点作为原点,以正东方向为X轴,正北方向为Y轴,建立全局地图坐标系;机器人局部坐标系以后轴中点为原点,正前方向为X’轴,正右方向为Y’轴,全局和局部坐标系之间的角度差为θ。
通过对时间进行离散化,可以计算在时间步长t处机器人状态(阿克曼模型运动学方程式):
St为t时刻的机器人状态,θ为机器人相对坐标系x轴的指向偏航角(全局和局部坐标系之间的角度差),Ts为t时刻和t+1时刻间的时间间隔,v为机器人的速度,L为机器人前后轮间距,Lb为车后轴到车尾的距离,Lf为车后轴到车头的距离,φ为机器人前轮的转向角;当转向角固定为φ时,机器人沿其移动的圆形轨迹的半径表示为r=L/tanφ。
步骤S2:获取在全局地图坐标系下的障碍物所在区域,得到在全局地图坐标系下的可行走区域坐标。可行走区域是指从所有的地面连通区域中删除障碍物所在区域。实际工作空间中,获得障碍物所在区域的方法包括使用机器人车载激光雷达和/或可进行深度探测的相机进行感知。可进行深度探测的相机包括:双目相机、RGBD相机等。在规划开始时,空间内静态障碍物应都是已知状态。机器人的位置信息可由GPS或其他机器人常用定位技术获知。
步骤S3:将各个移动机器人的起始位姿状态和终点位姿状态输入下层单机器人路径规划器。下层单机器人路径规划器使用四维搜索空间(t;x;y;θ)对机器人避障路径进行规划,x、y、θ是连续的,时间t是离散的。
步骤S4:下层单机器人路径规划器计算后得到各个移动机器人从起始位姿状态到终点位姿状态的避障路径,将各个移动机器人的避障路径输入上层碰撞搜索树。
用于下层单机器人路径规划器扩展路径节点的动作包括:前向左转、前向直行、前向右转、倒车左转、倒车直行、倒车右转、原地等待。
步骤S5:上层碰撞搜索树通过计算对所有机器人的避障路径进行冲突检查。
上层碰撞搜索树汇总收到的各个移动机器人的避障路径,通过二叉冲突树寻找各个移动机器人的避障路径之间是否存在路径冲突的地方。
例如:我们建立了一个二叉冲突树(BCT)并对其进行最佳优先搜索。BCT上的每个节点都包含一个机器人间约束的集合和满足这些约束的路径组。BCT工作的扩展方法为:当最小成本的叶节点L从二叉冲突树中弹出时,对属于L的解决方案执行冲突检查。
步骤S6:当检查到一个路径冲突时,对检查到路径冲突的各个机器人增加约束条件,并将增加的约束条件输入下层单机器人路径规划器,返回步骤S4;当检查到无路径冲突时,输出避障路径;约束条件用于避免此次检查到的路径冲突。
步骤S6的一个实施例:当检查到任意一个机器人在t时刻与另一个机器人发生路径冲突时,给当前二叉冲突树生成两个子节点,一个子节点给冲突一方增加一个约束条件,并将增加的约束条件输入下层单机器人路径规划器,返回步骤S4;当检查到无路径冲突时,输出避障路径;约束条件限制冲突双方机器人在t时刻互相接近。
更具体地,当检查到一个机器人与另一个机器人在t时刻发生路径冲突时,给当前二叉冲突树生成两个子节点,一个机器人用ai表示,另一个机器人用aj表示,机器人ai在t时刻的所在区域用Cti表示,机器人aj在t时刻的所在区域用用Ctj表示,冲突用<ai;aj;Cti;Ctj;t>表示,对机器人ai产生约束(ai;Ctj;t),对机器人aj产生约束(aj;Cti;t),约束(ai;Ctj;t)表示机器人ai从时间步t-δT到时间步t+δT避开区域Ctj,约束(aj;Cti;t)表示机器人aj从时间步t-δT到时间步t+δT避开区域Cti,并将增加的约束(ai;Ctj;t)和(aj;Cti;t)输入下层单机器人路径规划器,返回步骤S4;当检查到无路径冲突时,输出避障路径。
鉴于机器人在实践中将不会像我们预期的那样精准执行,因此我们的方法在时间和空间维度上都保留了一定的鲁棒性。当机器人的位置存在执行偏差时,我们会扩大机器人间约束的矩形区域Ct。将该区域乘以膨胀系数k,机器人将拥有更大的空间供他人绕过。
步骤S6的另一个实施例:当检查到任意一个机器人在t时刻与另一个机器人发生路径冲突时,给当前二叉冲突树生成两个子节点,一个子节点给冲突一方增加一个约束条件,并将增加的约束条件经膨胀系数k调整后输入下层单机器人路径规划器,返回步骤S4;当检查到无路径冲突时,输出避障路径;约束条件限制冲突双方机器人在t时刻互相接近;
更具体地,当检查到一个机器人与另一个机器人在t时刻发生路径冲突时,给当前二叉冲突树生成两个子节点,一个机器人用ai表示,另一个机器人用aj表示,机器人ai在t时刻的所在区域用Cti表示,机器人aj在t时刻的所在区域用用Ctj表示,冲突用<ai;aj;Cti;Ctj;t>表示,对机器人ai产生约束(ai;Ctj;t),对机器人aj产生约束(aj;Cti;t),约束(ai;Ctj;t)表示机器人ai从时间步t-δT到时间步t+δT避开区域Ctj,约束(aj;Cti;t)表示机器人aj从时间步t-δT到时间步t+δT避开区域Cti,将约束(ai;Ctj;t)和(aj;Cti;t)在中的Cti、Ctj乘以膨胀系数k,然后输入下层单机器人路径规划器,返回步骤S4;当检查到无路径冲突时,输出避障路径。膨胀系数k的取值范围为1-3。
在为多个机器人规划路径时,必须具有保持当前状态等待以避免与其他机器人碰撞的能力。因此,用于扩展路径节点的七个动作是前向左转(FL),前向直行(FS),前向右转(FR),倒车左转(BL),倒车直行(BS),倒车右转(BR),以及原地等待(Wait)。本发明使用四维搜索空间(t;x;y;θ)来进行机器人路径规划,其中x、y、θ是连续的,而时间t是离散的。对于搜索状态为(t0;x0;y0;θ0)的节点,其子节点将具有类似(t0+Ts;x1;y1;θ1)的状态,其中(x1;y1;θ1)是使用阿克曼模型运动学方程式计算得出。当一个节点从搜索列表中取出时,我们使用七个不同的动作来扩展该节点。对于七个子状态中的每个状态,我们不仅检查其与静态障碍物的碰撞,还检查该状态是否满足此机器人的所有路径约束。
本发明解决多个符合阿克曼模型的机器人在有障碍物的工作空间中的寻路规划问题。在工作空间中,每个阿克曼机器人均有给定的起始位姿状态和终点位姿状态,本发明提出了一个路径求解器(如图2)来生成所有的机器人的避障轨迹,在一定的鲁棒性条件下,该发明能保证所有机器人的生成轨迹符合阿克曼模型的动力学约束,且机器人均能避免相互之间碰撞以及和障碍物之间发生的碰撞。
本发明的路径求解器具体分为上层碰撞搜索树和下层单机器人路径规划器,上层碰撞搜索树负责处理多机器人路径之间的碰撞,并生成约束加入下一次规划之中,该约束能使机器人避免此次碰撞。下层单机器人路径规划器则接受上层控制器生成的约束,生成一条满足上述约束且符合机器人动力学的避障路径。如图2所示,当两个机器人规划路径发生碰撞时,上层碰撞搜索树生成两个子节点,分别对发生碰撞的两个机器人增加约束条件,即使其满足在发生碰撞的时间段避开碰撞区域。接着,在子节点内分别对被增加约束的机器人通过下层单机器人路径规划器执行路径重规划。下层单机器人路径规划器主要功能为:为指定机器人规划出符合阿克曼模型运动学约束的路径,同时,该路径需要满足分配给该机器人的路径约束,最终下层单机器人路径规划器对上层碰撞搜索树返回一条路径,即时间离散的路径序列p[t]。
本发明在仿真环境中和实物环境中都进行了测试。
在仿真环境中,本发明在300m×300m地图上可同时对50个2m×3m大小的机器人进行避障路径规划,成功率大于90%,规划时间小于5s;对100个2m×3m大小的机器人进行避障路径规划,成功率大于60%,规划时间小于50s;在100m×100m且障碍物覆盖率为1%的地图下,本发明可以同时对35个2m×3m大小的机器人进行避障路径规划,成功率大于90%,时间小于5s。
如图3所示,在障碍物覆盖率大于1%的室内场景下对7个阿克曼机器人进行规划并按照规划路径执行,规划时间小于5s,图3a显示了7个阿克曼机器人在0s时刻的起始位姿状态,图3b、图3c显示了7个阿克曼机器人的按照规划路径执行过程中在15s时刻、35s时刻的位姿状态,图3d显示了7个阿克曼机器人在50s时刻的终点位姿状态,从起始位姿状态到终点位姿状态历时50S,,过程中无任何机器人发生碰撞,成功显示了本发明的实际可行性。
以上所述仅是对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。
Claims (10)
1.一种基于阿克曼模型的移动机器人避障路径规划方法,其特征在于,包括以下步骤:
步骤S1:按照阿克曼模型对移动机器人进行建模,对移动机器人的运动区域构建全局地图坐标系和机器人局部坐标系,对运动区域内的N个移动机器人设定终点位姿状态,获取N个移动机器人的起始位姿状态;所述N为大于等于2的整数;
步骤S2:获取在全局地图坐标系下的障碍物所在区域,得到在全局地图坐标系下的可行走区域坐标;
步骤S3:将各个移动机器人的起始位姿状态和终点位姿状态输入下层单机器人路径规划器;
步骤S4:下层单机器人路径规划器计算后得到各个移动机器人从起始位姿状态到终点位姿状态的避障路径,将各个移动机器人的避障路径输入上层碰撞搜索树;
步骤S5:上层碰撞搜索树通过计算对所有机器人的避障路径进行冲突检查;
步骤S6:当检查到一个路径冲突时,对检查到路径冲突的各个机器人增加约束条件,并将增加的约束条件输入下层单机器人路径规划器,返回步骤S4;当检查到无路径冲突时,输出避障路径;
所述约束条件用于避免此次检查到的路径冲突。
2.根据权利要求1所述的一种基于阿克曼模型的移动机器人避障路径规划方法,其特征在于,所述上层碰撞搜索树包括二叉冲突树。
3.根据权利要求2所述的一种基于阿克曼模型的移动机器人避障路径规划方法,其特征在于,步骤S5包括:
上层碰撞搜索树汇总收到的各个移动机器人的避障路径,通过二叉冲突树寻找各个移动机器人的避障路径之间是否存在路径冲突的地方。
4.根据权利要求3所述的一种基于阿克曼模型的移动机器人避障路径规划方法,其特征在于,步骤S6包括下列步骤:
当检查到任意一个机器人在t时刻与另一个机器人发生路径冲突时,给当前二叉冲突树生成两个子节点,一个子节点给冲突一方增加一个约束条件,并将增加的约束条件输入下层单机器人路径规划器,返回步骤S4;当检查到无路径冲突时,输出避障路径;所述约束条件限制冲突双方机器人在t时刻互相接近。
5.根据权利要求4所述的一种基于阿克曼模型的移动机器人避障路径规划方法,其特征在于,步骤S6包括:
当检查到一个机器人与另一个机器人在t时刻发生路径冲突时,给当前二叉冲突树生成两个子节点,一个机器人用ai表示,另一个机器人用aj表示,机器人ai在t时刻的所在区域用Cti表示,机器人aj在t时刻的所在区域用用Ctj表示,冲突用<ai;aj;Cti;Ctj;t>表示,对机器人ai产生约束(ai;Ctj;t),对机器人aj产生约束(aj;Cti;t),并将增加的约束(ai;Ctj;t)和(aj;Cti;t)输入下层单机器人路径规划器,返回步骤S4;当检查到无路径冲突时,输出避障路径;
所述约束(ai;Ctj;t)表示机器人ai从时间步t-δT到时间步t+δT避开区域Ctj,所述约束(aj;Cti;t)表示机器人aj从时间步t-δT到时间步t+δT避开区域Cti。
6.根据权利要求5所述的一种基于阿克曼模型的移动机器人避障路径规划方法,其特征在于,步骤S6中:约束(ai;Ctj;t)和(aj;Cti;t)在输入下层单机器人路径规划器前,将Cti、Ctj乘以膨胀系数k;所述膨胀系数k为1-3。
7.根据权利要求2所述的一种基于阿克曼模型的移动机器人避障路径规划方法,其特征在于:
所述二叉冲突树的扩展方法为:当最小成本的叶节点L从二叉冲突树中弹出时,对属于L的解决方案执行冲突检查。
8.根据权利要求1所述的一种基于阿克曼模型的移动机器人避障路径规划方法,其特征在于:所述下层单机器人路径规划器使用四维搜索空间(t;x;y;θ)对机器人避障路径进行规划,x、y、θ是连续的,时间t是离散的。
9.根据权利要求8所述的一种基于阿克曼模型的移动机器人避障路径规划方法,其特征在于,用于下层单机器人路径规划器扩展路径节点的动作包括:前向左转、前向直行、前向右转、倒车左转、倒车直行、倒车右转、原地等待。
10.根据权利要求1所述的一种基于阿克曼模型的移动机器人避障路径规划方法,其特征在于:步骤S2中,获得障碍物所在区域的方法包括使用机器人车载激光雷达和/或可进行深度探测的相机进行感知。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011532828.3A CN112731929A (zh) | 2020-12-23 | 2020-12-23 | 一种基于阿克曼模型的移动机器人避障路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011532828.3A CN112731929A (zh) | 2020-12-23 | 2020-12-23 | 一种基于阿克曼模型的移动机器人避障路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112731929A true CN112731929A (zh) | 2021-04-30 |
Family
ID=75604260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011532828.3A Pending CN112731929A (zh) | 2020-12-23 | 2020-12-23 | 一种基于阿克曼模型的移动机器人避障路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731929A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113485241A (zh) * | 2021-07-28 | 2021-10-08 | 华南理工大学 | 基于线结构光传感器的焊接机器人离线扫描路径规划方法 |
CN113704889A (zh) * | 2021-08-25 | 2021-11-26 | 深圳亿嘉和科技研发有限公司 | 一种液压转向阿克曼底盘的控制方法及其应用 |
CN113741454A (zh) * | 2021-08-31 | 2021-12-03 | 浙江大学 | 一种基于搜索的多智能体路径规划方法及*** |
CN115576332A (zh) * | 2022-12-07 | 2023-01-06 | 广东省科学院智能制造研究所 | 一种任务级多机器人协同运动规划***与方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110001932A (ko) * | 2009-06-30 | 2011-01-06 | 건국대학교 산학협력단 | 실내 기동 로봇의 지도 작성 방법 및 이를 이용한 기동 위치 판별 방법 |
CN104200031A (zh) * | 2014-09-04 | 2014-12-10 | 大连大学 | 一种基于距离优先和时空相关性的碰撞检测方法 |
CN107036618A (zh) * | 2017-05-24 | 2017-08-11 | 合肥工业大学(马鞍山)高新技术研究院 | 一种基于最短路径深度优化算法的agv路径规划方法 |
CN109115226A (zh) * | 2018-09-01 | 2019-01-01 | 哈尔滨工程大学 | 基于跳点搜索的多机器人冲突避免的路径规划方法 |
CN111982127A (zh) * | 2020-08-31 | 2020-11-24 | 华通科技有限公司 | LightWeight-3D避障方法 |
-
2020
- 2020-12-23 CN CN202011532828.3A patent/CN112731929A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110001932A (ko) * | 2009-06-30 | 2011-01-06 | 건국대학교 산학협력단 | 실내 기동 로봇의 지도 작성 방법 및 이를 이용한 기동 위치 판별 방법 |
CN104200031A (zh) * | 2014-09-04 | 2014-12-10 | 大连大学 | 一种基于距离优先和时空相关性的碰撞检测方法 |
CN107036618A (zh) * | 2017-05-24 | 2017-08-11 | 合肥工业大学(马鞍山)高新技术研究院 | 一种基于最短路径深度优化算法的agv路径规划方法 |
CN109115226A (zh) * | 2018-09-01 | 2019-01-01 | 哈尔滨工程大学 | 基于跳点搜索的多机器人冲突避免的路径规划方法 |
CN111982127A (zh) * | 2020-08-31 | 2020-11-24 | 华通科技有限公司 | LightWeight-3D避障方法 |
Non-Patent Citations (1)
Title |
---|
LICHENG WEN,等: "CL-MAPF: Multi-Agent Path Finding for Car-Like Robots with Kinematic and Spatiotemporal Constraints", 《ARXIV》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113485241A (zh) * | 2021-07-28 | 2021-10-08 | 华南理工大学 | 基于线结构光传感器的焊接机器人离线扫描路径规划方法 |
CN113704889A (zh) * | 2021-08-25 | 2021-11-26 | 深圳亿嘉和科技研发有限公司 | 一种液压转向阿克曼底盘的控制方法及其应用 |
CN113704889B (zh) * | 2021-08-25 | 2024-05-03 | 深圳亿嘉和科技研发有限公司 | 一种液压转向阿克曼底盘的控制方法及其应用 |
CN113741454A (zh) * | 2021-08-31 | 2021-12-03 | 浙江大学 | 一种基于搜索的多智能体路径规划方法及*** |
CN115576332A (zh) * | 2022-12-07 | 2023-01-06 | 广东省科学院智能制造研究所 | 一种任务级多机器人协同运动规划***与方法 |
CN115576332B (zh) * | 2022-12-07 | 2023-03-24 | 广东省科学院智能制造研究所 | 一种任务级多机器人协同运动规划***与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731929A (zh) | 一种基于阿克曼模型的移动机器人避障路径规划方法 | |
Gutjahr et al. | Lateral vehicle trajectory optimization using constrained linear time-varying MPC | |
Zhang et al. | Dynamic trajectory planning for vehicle autonomous driving | |
CN110440811B (zh) | 一种通用型自主导航控制方法、装置及设备终端 | |
Yi et al. | Model predictive trajectory planning for automated driving | |
CN112539750B (zh) | 一种智能运输车路径规划方法 | |
Ben-Messaoud et al. | Smooth obstacle avoidance path planning for autonomous vehicles | |
Zhuge et al. | A novel dynamic obstacle avoidance algorithm based on collision time histogram | |
Ge et al. | Improved bidirectional RRT∗ path planning method for smart vehicle | |
Lee et al. | Autonomous-driving vehicle control with composite velocity profile planning | |
CN112650306A (zh) | 一种基于动力学rrt*的无人机运动规划方法 | |
CN115562290A (zh) | 一种基于a星惩罚控制优化算法的机器人路径规划方法 | |
CN113467476A (zh) | 考虑转角约束的无碰撞检测快速随机树全局路径规划方法 | |
Garrote et al. | An RRT-based navigation approach for mobile robots and automated vehicles | |
Wang et al. | Research on AGV task path planning based on improved A* algorithm | |
Gan et al. | Spatio-temporal heuristic method: a trajectory planning for automatic parking considering obstacle behavior | |
Li et al. | Adaptive sampling-based motion planning with a non-conservatively defensive strategy for autonomous driving | |
Sainte Catherine et al. | A modified hybrid reciprocal velocity obstacles approach for multi-robot motion planning without communication | |
Wang et al. | A flow-field guided method of path planning for unmanned ground vehicles | |
CN114537435A (zh) | 一种自动驾驶中的实时整车轨迹规划方法 | |
Hu et al. | Decision-making system based on finite state machine for low-speed autonomous vehicles in the park | |
Chen et al. | An Intelligent Navigation Control Approach for Autonomous Unmanned Vehicles via Deep Learning-Enhanced Visual SLAM Framework | |
Oh et al. | Reachable Set-Based Path Planning for Automated Vertical Parking System | |
Jin et al. | A practical sampling-based motion planning method for autonomous driving in unstructured environments | |
Zeng et al. | Multi-UGVs Collaborative Path Planning and Conflicts Eliminating in Emergent Situations |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210430 |