CN113108796A - 导航方法、装置、存储介质及设备 - Google Patents
导航方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN113108796A CN113108796A CN202110420519.5A CN202110420519A CN113108796A CN 113108796 A CN113108796 A CN 113108796A CN 202110420519 A CN202110420519 A CN 202110420519A CN 113108796 A CN113108796 A CN 113108796A
- Authority
- CN
- China
- Prior art keywords
- robot
- local
- path
- navigation
- planned
- 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 90
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 230000006870 function Effects 0.000 claims description 47
- 238000004422 calculation algorithm Methods 0.000 claims description 44
- 230000014509 gene expression Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 230000033001 locomotion Effects 0.000 abstract description 22
- 230000008569 process Effects 0.000 abstract description 20
- 238000010586 diagram Methods 0.000 description 19
- 230000001133 acceleration Effects 0.000 description 11
- 230000003068 static effect Effects 0.000 description 11
- 230000004888 barrier function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 206010048669 Terminal state Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
-
- 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
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本公开实施例公开了导航方法、装置、存储介质及设备。该方法包括:根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径;基于局部规划范围确定全局规划路径中对应的初始局部路径,其中,局部规划范围与局部代价地图的边界相对应,局部代价地图中包含局部规划范围内的障碍物信息;根据初始局部路径和局部代价地图生成对应的局部规划路径;根据局部规划路径和所述机器人对应的预设机器人模型生成所述机器人的导航控制指令。采用上述技术方案,使得所生成的导航控制指令更加符合机器人的自身特点,可以避免机器人在按照导航控制指令进行移动的过程中出现卡顿或震荡等情况,提高机器人自主移动的平顺性。
Description
技术领域
本公开实施例涉及计算机技术领域,尤其涉及导航方法、装置、存储介质及设备。
背景技术
机器人是一种能够半自主或全自主工作的智能机器,随着机器人技术的发展,机器人在机械结构、功能以及外观等各个方面都在不断进化。
目前,不同类型的机器人已经广泛应用于各个领域,其中一类机器人可以实现自主移动。为了使得机器人能够实现自主移动,机器人的导航***尤为重要。导航***一般负责机器人的路径规划和移动控制。
现有的导航***的导航方案并不够完善,使得机器人在移动过程中经常出现卡顿或震荡等情况,需要改进。
发明内容
本公开实施例提供了导航方法、装置、存储介质及设备,可以优化现有的机器人的导航方案。
第一方面,本公开实施例提供了一种导航方法,包括:
根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径;
基于局部规划范围确定所述全局规划路径中对应的初始局部路径,其中,所述局部规划范围与局部代价地图的边界相对应,所述局部代价地图中包含所述局部规划范围内的障碍物信息;
根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径;
根据所述局部规划路径和所述机器人对应的预设机器人模型生成所述机器人的导航控制指令。
第二方面,本公开实施例提供了一种导航装置,包括:
全局规划路径确定模块,用于根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径;
初始局部路径确定模块,用于基于局部规划范围确定所述全局规划路径中对应的初始局部路径,其中,所述局部规划范围与局部代价地图的边界相对应,所述局部代价地图中包含所述局部规划范围内的障碍物信息;
局部规划路径生成模块,用于根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径;
导航控制指令生成模块,用于根据所述局部规划路径和所述机器人对应的预设机器人模型生成所述机器人的导航控制指令。
第三方面,本公开实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本公开实施例提供的导航方法。
第四方面,本公开实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本公开实施例提供的导航方法。
本公开实施例中提供的导航方案,先根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径,然后基于局部规划范围确定全局规划路径中对应的初始局部路径,其中,局部规划范围与局部代价地图的边界相对应,局部代价地图中包含局部规划范围内的障碍物信息,再根据初始局部路径和局部代价地图生成对应的局部规划路径,最后根据局部规划路径和机器人对应的预设机器人模型生成所述机器人的导航控制指令。通过采用上述技术方案,在全局规划路径基础上确定局部规划范围对应的部分全局规划路径作为当前的初始局部路径,并在初始局部路径基础上结合障碍物信息得到更加准确的局部规划路径,在根据局部规划路径生成导航控制指令的过程中考虑机器人对应的预设机器人模型的约束,使得所生成的导航控制指令更加符合机器人的自身特点,可以避免机器人在按照导航控制指令进行移动的过程中出现卡顿或震荡等情况,提高机器人自主移动的平顺性。
附图说明
图1为本公开实施例提供的一种导航方法的流程示意图;
图2为本公开实施例提供的一种导航方法的流程示意图;
图3为本公开实施例提供的一种全局规划路径示意图;
图4为本公开实施例提供的一种初始局部路径示意图;
图5为本公开实施例提供的一种局部规划路径示意图;
图6为本公开实施例提供的一种机器人运动轨迹示意图;
图7为本公开实施例提供的一种导航方法的流程示意图;
图8为本公开实施例提供的一种导航方法的架构示意图;
图9为本公开实施例提供的一种导航装置的结构框图;
图10为本公开实施例提供的一种电子设备的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下述各实施例中,每个实施例中同时提供了可选特征和示例,实施例中记载的各个特征可进行组合,形成多个可选方案,不应将每个编号的实施例仅视为一个技术方案。
图1为本公开实施例提供的一种导航方法的流程示意图,该方法可以适用于对机器人进行导航的情况,该方法可以由导航装置执行,其中该装置可由软件和/或硬件实现,一般可集成在电子设备中。所述机器人可以是自主移动机器人,所述电子设备可以是机器人本身,也可以是能够与机器人进行通信的独立的具备导航功能的设备,具体不做限定,为了便于说明,下面以电子设备为机器人本身为例进行说明。
如图1所示,该方法包括:
步骤101、根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径。
本公开实施例中,对机器人的具体机械结构、所具备的功能以及外观等不做限定。对于自主移动机器人来说,当需要执行某项任务时,通常需要移动至某个指定的地点,此时,机器人可以生成相应的导航请求,并根据导航请求移动至相应的位置。例如,以配送机器人为例,当需要执行货物配送任务时,需要将货物配送至收货地点,此时,配送机器人可以生成相应的导航请求,并根据导航请求移动至收货地点。导航请求可以由机器人在检测到满足预设任务触发条件时自动生成,也可以在接收其他设备发送的任务信息时生成。导航请求中可以包括终点位置,终点位置可以对应于机器人待执行的任务中要求机器人达到的地点,具体表现形式不做限定,例如可以是经纬度坐标,或者目标地图所在坐标系中的位置信息等。可选的,机器人的当前位置的具体表现形式可以与终点位置相同。机器人的当前位置可以理解为需要确定全局规划路径的时刻的机器人的位置。需要说明的是,在接收到导航请求后,针对该导航请求可能需要多次生成全局规划路径,例如,在机器人向导航请求中的终点位置行进的过程中,可以第一预设频率根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径,第一预设频率可根据实际需求设置。
示例性的,目标地图可以是机器人工作范围内的地图,具体表现形式不做限定,例如可以包括采用即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术或其他相关地图构建技术针对机器人工作范围构建得到的基础地图,还可以包括基于栅格的地图或基于拓扑路网的地图等,不同形式的地图也可以相互叠加得到上述目标地图。在制定目标地图时,可以考虑机器人的工作环境的环境特点,所需要考虑的环境特点可以根据室内环境和室外环境进行区分,以室内环境为例,可包括桌椅、工作台或墙壁等静态的障碍物的位置,以室外环境为例,例如可包括建筑物位置、道路位置、以及垃圾箱或路灯等静态的障碍物的位置。可根据环境特点在目标地图中标识出上述静态的障碍物,使得在确定全局规划路径可以绕开上述需要考虑到的障碍物。
示例性的,全局规划路径可以理解为在目标地图中可以连接机器人的当前位置和终点位置的路径,可以按照全局规划算法来确定最短长度的全局规划路径作为全局规划路径。全局规划算法可以根据实际情况设置。
步骤102、基于局部规划范围确定所述全局规划路径中对应的初始局部路径,其中,所述局部规划范围与局部代价地图的边界相对应,所述局部代价地图中包含所述局部规划范围内的障碍物信息。
示例性的,为了实现更加精准的路径规划,可以在全局规划路径基础上划分出一部分路径作为参考,对机器人即将行驶的较短时间或较短路程内的路径进行规划,也即进行局部路径规划。局部规划范围可以根据实际情况设置,例如可以是根据规划精度需求预先设置的范围,也可以是根据全局规划路径的总长度、或全局规划路径的覆盖范围、或当前位置和导航请求中的终点位置之间的距离等动态确定的范围。可以理解的是,局部规划范围越小,一般规划精度越高。需要说明的是,在确定全局规划路径后,针对该全局规划路径可能需要多次确定初始局部路径,多次确定的初始局部路径可能不存在交集,也可能存在交集,每次确定初始局部路径时,可以以机器人当前时刻的位置为基准进行确定,例如当前位置处于局部规划范围的边界上或处于局部规划范围之内。示例性的,在机器人向导航请求中的终点位置行进的过程中,可以第二预设频率基于局部规划范围确定全局规划路径中对应的初始局部路径,第二预设频率可根据实际需求设置,一般可大于第一预设频率。
示例性的,在机器人的活动范围内,除了在目标地图中已经考虑的静态障碍物之外,还可能出现动态障碍物(如人、动物、车辆或其他机器人等)或新增的静态障碍物(如增设的桌子等),还可能存在目标地图中已经考虑的静态障碍物被移除的情况,因此,需要结合障碍物信息来确定局部规划路径,这里的障碍物信息可以包括静态障碍物信息和/或动态障碍物信息。可选的,可以采用代价地图(costmap)的方式来体现障碍物信息。
示例性的,以障碍物信息中包含动态障碍物为例,机器人可以利用各种传感器(如激光雷达、里程计或相机)或其他方式来定位自己所在位置,并获取周围的障碍物的位置信息,得到动态障碍物信息,也即动态变化的障碍物信息。机器人获取障碍物信息的频率可以根据实际情况设置,当频率足够快的时候,障碍物信息可以视为实时更新。在得到动态障碍物信息后,可以将动态障碍物信息投影到二维平面(如目标地图所在的二维平面),形成代价地图。代价地图中可以采用不同的颜色来区分不同区域与障碍物的距离信息,例如,蓝色区域为有障碍区域,红色区域为距离障碍物极近区域,紫色区域为距离障碍物较近区域,白色区域为距离障碍物远的安全区域等。
示例性的,在进行局部路径规划时,局部规划范围之外的障碍物信息一般不会对规划产生影响,为了提高代价地图的生成效率,可以设定代价地图的边界,得到局部代价地图,局部代价地图的边界所围成的区域可以涵盖局部规划范围,也即,局部代价地图中包含局部规划范围内的障碍物信息。
步骤103、根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径。
示例性的,可以在初始局部路径基础上考虑局部代价地图中包含的障碍物信息,得到可以避开局部规划范围内的障碍物的接近初始局部路径的路径,作为局部规划路径。可选的,可以采用预设搜索方法根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径。
示例性的,预设搜索方法一般为图搜索方法,图搜索法可以依靠已知的环境地图以及地图中的障碍物信息构造从起点到终点的路径。对于初始局部路径来说,可以将距离在确定全局规划路径时机器人的当前位置最近的端点作为初始局部路径的起始点,将距离导航请求中的终点位置最近的端点作为初始局部路径的终点。预设搜索方法可以是Dijkasta算法(最短路径算法)、A星(A-star或A*)算法或D星算法等等,具体不做限定。采用预设搜索算法根据初始局部路径和局部代价地图生成对应的局部规划路径的具体过程不做限定,例如以局部规划路径接近所述初始局部路径且避开障碍物为目标进行搜索。
步骤104、根据所述局部规划路径和所述机器人对应的预设机器人模型生成所述机器人的导航控制指令。
可选的,导航控制指令可以包括各时间点对应的控制指令,控制指令例如可包括速度、加速度、角速度或角加速度等对应的控制指令,还可包括朝向转动角度等控制指令。
相关技术中,在生成机器人的导航控制指令时,一般直接基于已确定的规划路径生成带有时间帧的路径点,然后通过相邻路径点对应的时间信息和位移信息求出各时刻的导航控制指令,用于发送给机器人执行。上述方法并未考虑机器人自身的特点,也就是说,对于不同机器人来说,所求出的导航控制指令是一样的。然而,对于不同的机器人来说,自身机械结构或驱动方式等方面是存在差异的,对于相同的导航控制指令,执行结果是不一样的,若不考虑上述差异,则机器人在移动过程中就经常会出现卡顿或震荡等情况,移动灵活度和平顺性方面受到影响。
本公开实施例中,在生成机器人的导航控制指令时,根据局部规划路径和机器人对应的预设机器人模型来生成。其中,预设机器人模型具体用于体现机器人的自身特性,具体类型或表现形式等不做限定,例如可以是预设机器人机械模型、预设机器人运动学模型和预设机器人动力学模型中的一个或至少两个的结合。也即,本公开实施例充分考虑了机器人自身的特点,可以得出更加适合当前的机器人的导航控制指令,使得当前的机器人在执行导航控制指令过程中,移动起来减少卡顿和震荡,保证机器人自主导航移动的稳定性、安全性和平顺度。
本公开实施例中提供的导航方法,先根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径,然后基于局部规划范围确定全局规划路径中对应的初始局部路径,其中,局部规划范围与局部代价地图的边界相对应,局部代价地图中包含局部规划范围内的障碍物信息,再根据初始局部路径和局部代价地图生成对应的局部规划路径,最后根据局部规划路径和机器人对应的预设机器人模型生成所述机器人的导航控制指令。通过采用上述技术方案,在全局规划路径基础上确定局部规划范围对应的部分全局规划路径作为当前的初始局部路径,并在初始局部路径基础上结合障碍物信息得到更加准确的局部规划路径,在根据局部规划路径生成导航控制指令的过程中考虑机器人对应的预设机器人模型的约束,使得所生成的导航控制指令更加符合机器人的自身特点,可以避免机器人在按照导航控制指令进行移动的过程中出现卡顿或震荡等情况,提高机器人自主移动的平顺性。
在一些实施例中,全局规划相关步骤可以通过第一线程完成,局部规划相关步骤可以通过第二线程完成,也即可将全局规划和局部规划分开,第一线程和第二线程为不同的线程。例如,通过第一线程执行上述步骤101,由第二线程执行上述步骤102和103。
在一些实施例中,在所述根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径之前,还包括:获取机器人所处环境对应的拓扑路网,根据所述拓扑路网确定目标地图。其中,机器人所处环境可以包括室外环境和/或室内环境,可以根据机器人的实际作业区域来确定。可选的,获取机器人所处环境对应的拓扑路网,根据所述拓扑路网确定目标地图可以包括:获取机器人所处环境对应的基础地图,在所述基础地图上叠加对应的拓扑路网,得到目标地图。
在一些实施例中,在所述根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径之前,还包括:获取机器人所处环境对应的栅格,根据所述栅格确定目标地图。可选的,获取机器人所处环境对应的栅格,根据所述栅格确定目标地图可以包括:获取机器人所处环境对应的基础地图,在所述基础地图上叠加对应的栅格,得到目标地图。
目前,对于室内环境来说,普遍采用的地图是栅格地图,然而,对于栅格地图来说,一般栅格尺寸较小,在每个搜索时刻可能搜索出不同的栅格的排列组合,进而导致全局规划路径变化较快,这种不稳定性可能会传播到下面的局部规划和控制层级,使得机器人在移动过程中出现抖动或震荡的现象。目前,拓扑路网普遍应用于室外环境,本公开实施例中可以将应用于室外环境的拓扑路网应用于室内环境中,也即本公开实施例中的目标地图包括拓扑路网地图,可以利用拓扑路网的特性消除上述栅格地图的缺点,使得导航过程中机器人的行进更加顺畅。拓扑路网可以由一系列的节点和边来进行定义,可以根据机器人工作范围内的环境特点来编辑拓扑路网,例如可以将拓扑路网中每个节点的序号和二维坐标、以及每个节点对应的通过边直接相连的节点的序号等描述信息都在编辑拓扑路网时记录在拓扑路网对应的地图文件中。在编辑拓扑路网时,所需要考虑的环境特点可以根据室内环境的特点确定,可包括桌椅、工作台或墙壁等静态的障碍物的位置。可根据室内环境特点设计各个节点,并保证节点之间的边所对应的路径不会经过上述静态的障碍物,也即可以绕开上述需要考虑到的障碍物。
在一些实施例中,所述根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径,包括:基于预设搜索方法根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径,其中,所述预设搜索方法以局部规划路径接近所述初始局部路径且避开障碍物为目标进行搜索。所述预设搜索方法包括A星算法、D星算法和最短路径算法Dijkasta中的至少一种。其中,A*算法是一种静态路网中求解最短路径最有效的直接搜索方法,算法中的距离估算值与实际值越接近,最终搜索速度越快,具有方向性搜索特性以及快速绕开障碍物的特性,因此,可以利用A*算法快速准确地生成贴合初始局部路径且无碰撞的局部规划路径。D*算法是一种动态启发式路径搜索算法,其特点是可以在外界环境不断发生变化的情况下计算最短路径,因此,对于局部规划范围内动态障碍物较多的情况,可以更加灵活准确地绕开动态障碍物,有效避免机器人与动态障碍物的碰撞。
在一些实施例中,所述根据所述局部规划路径和所述机器人对应的预设机器人模型生成所述机器人的导航控制指令,包括:获取所述局部规划路径中的局部起点对应的第一机器人状态和局部终点对应的第二机器人状态;利用所述局部规划路径、所述第一机器人状态、所述第二机器人状态、所述机器人对应的预设机器人模型、以及控制步长,生成所述机器人的下一个控制步长内的与最终导航路径对应的导航控制指令。
其中,机器人状态例如可以包括机器人的运动状态和/或姿势状态(也即姿态,如朝向角度等),还可包括机器人所在位置的坐标信息。控制步长可以理解为连续两次发送导航控制指令的时间间隔。最终导航路径可以理解为用于指示机器人实际移动轨迹的导航路径,与最终导航路径对应的导航控制指令可以理解为控制机器人按照最终导航路径进行移动时所需要向机器人输出的控制指令。
可选的,可以基于模型预测控制算法利用所述局部规划路径、所述第一机器人状态、所述第二机器人状态、所述机器人对应的预设机器人模型、以及控制步长,生成所述机器人的下一个控制步长内的与最终导航路径对应的导航控制指令。模型预测控制(ModelPredictive Control,MPC)算法的作用机理可以描述为,在每一个采样时刻,根据获得的当前测量信息,在线求解一个有限时间开环优化问题,并将得到的控制序列的第一个元素作用于被控对象,在下一个采样时刻,重复上述过程,即用新的测量值作为此时预测***未来动态的初始条件,刷新优化问题并重新求解。MPC算法具有硬性约束满足特性和前瞻闭环控制特性,在MPC算法中引入机器人对应的预设机器人模型,结合A*算法和MPC算法实现无碰撞轨迹生成以及最优控制信号生成,其中控制指令的好坏可以由多个相互冲突的指标进行设计,例如循迹精准度和控制信号变化率,控制信号需要不断调整变化从而使得机器人的实际位置与期待位置紧密贴合,反之,若控制信号的变化率很小,那么机器人的实际位置将于期待位置偏差较大,通过上述设计可以达到生成的控制信号取得综合几个评判标准下的最优平衡点,也即可以更加准确地得出机器人不同时刻对应的导航控制指令,从而精准地控制机器人的移动。
在一些实施例中,所述利用所述局部规划路径、所述第一机器人状态、所述第二机器人状态、所述机器人对应的预设机器人模型、以及控制步长,生成所述机器人的下一个控制步长内的与最终导航路径对应的导航控制指令,包括:基于模型预测控制算法利用所述局部规划路径、所述第一机器人状态、所述第二机器人状态、所述机器人对应的预设机器人模型、以及控制步长构建代价函数和约束条件,其中,所述代价函数中包含导航控制指令对应的参数;基于所述约束条件以所述代价函数的取值最小为目标对所述代价函数进行求解,得到所述机器人的下一个控制步长内的与最终导航路径对应的导航控制指令。这样设置的好处在于,通过合理构建代价函数和约束条件,可以快速求取在约束条件的限制下,代价函数取值最小的情况下,代价函数中包含的与导航控制指令相关的参数的参数值,进而得到所述最终导航路径对应的导航控制指令,提高导航控制效率。
图2为本公开实施例提供的一种导航方法的流程示意图,在上述各可选实施例基础上进行优化,如图2所示,该方法可包括:
步骤201、获取机器人所处室内环境对应的拓扑路网,将拓扑路网作为目标地图。
示例性的,可以预先对机器人需要工作的室内环境进行采集,例如SLAM技术构建出室内环境的地图,根据实际业务需求设计并划定机器人在地图中的运行区域,进而绘制拓扑路网(以下简称路网),得到目标地图。
步骤202、根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径。
示例性的,当目标地图为拓扑路网时,给出机器人的起始状态点(当前位置)和最终状态点(导航请求中的终点位置),便可以从所有边中找出垂直距离最短且垂线不与障碍物相交的边,以及那条边上距离请求状态点(起始状态点或最终状态点)最近的点的坐标作为连接请求状态点和路网的路径(全局规划路径的一部分)。之后,再从路网上找出连接距离起点最近的点和距离终点最近的点的路段序列。最后,便找到了连接起始状态点和最终状态点并且通过路网上一系列路段的全局规划路径。
图3为本公开实施例提供的一种全局规划路径示意图,如图3所示,标记出了6个点,可分别记为第一节点301,第二节点302,第三节点303,第四节点304,第五节点305,第六节点306。其中,第一节点301为机器人的当前位置,也即起始状态点,第二节点302为导航请求中的终点位置,也即最终状态点。第三节点303为拓扑路网上距离第一节点301最近且无碰撞的点,第四节点304为拓扑路网上距离第二节点302最近且无碰撞的点。第五节点305和第六节点306为全局规划路径中包含的拓扑路网上的节点。顺次连接第一节点301,第三节点303,第五节点305,第六节点306,第四节点304和第二节点302,得到全局规划路径。
步骤203、基于局部规划范围确定全局规划路径中对应的初始局部路径,其中,局部规划范围与局部代价地图的边界相对应,局部代价地图中包含局部规划范围内的动态障碍物信息。
示例性的,可以设定局部规划对应的局部规划周期(如0.05秒),每个局部规划周期内可以执行一次步骤203至步骤207。
图4为本公开实施例提供的一种初始局部路径示意图,全局静态地图也即目标地图,从起点到终点的连线为全局规划路径,可见全局规划路径避开了两个障碍物。局部规划范围与局部代价地图的边界一致,局部代价地图的边界与全局规划路径的交点成为初始局部路径的终点,称为局部终点,图中的起点也可理解为初始局部路径的起点,称为局部起点。图中所示情况起点位于局部规划范围内部,若起点位于局部规划范围外部,则可将局部代价地图的边界与全局规划路径的另一个与起点较近的交点称为局部起点。位于局部代价地图的边界内部的连接局部起点和局部终点的部分全局规划路径即为初始局部路径。
步骤204、基于A星算法根据初始局部路径和局部代价地图生成对应的局部规划路径,其中,A星算法以局部规划路径接近所述初始局部路径且避开动态障碍物为目标进行搜索。
图5为本公开实施例提供的一种局部规划路径示意图,如图5所示,在初始局部路径上出现了动态障碍物,从起点指向局部终点的曲线为局部规划路径。可见,基于A星算法根据初始局部路径和局部代价地图生成的局部规划路径避开了动态障碍物,且尽可能地贴近参考路径(也即初始局部路径)。
步骤205、获取局部规划路径中的局部起点对应的第一机器人状态和局部终点对应的第二机器人状态。
步骤206、基于模型预测控制算法利用所述局部规划路径、第一机器人状态、第二机器人状态、机器人对应的预设机器人模型、以及控制步长构建代价函数和约束条件,其中,代价函数中包含导航控制指令对应的参数。
步骤207、基于约束条件以代价函数的取值最小为目标对代价函数进行求解,得到机器人的下一个控制步长内的与最终导航路径对应的导航控制指令。
示例性的,在基于模型预测控制算法确定导航控制指令的过程中,可以结合预设机器人模型,如运动学模型等,采用尽可能低的控制成本(如较小的转向角度变化、较小的加速度或减速度变化等),尽可能地循迹,也即尽可能按照局部规划路径行驶,得到导航控制指令。
示例性的,在得到导航控制指令后,可以向机器人的运动机构发送导航控制指令,用于指示运动机构按照导航控制指令控制机器人的自主移动。
图6为本公开实施例提供的一种机器人运动轨迹示意图,如图6所示,实心黑色箭头可表示机器人的运动轨迹(相当于最终导航路径),图中示出了5个黑色箭头,黑色箭头的数量可以表示控制步长,图6中所示的控制步长为5。由图6可以看出,最终导航路径基本与局部规划路径贴合,实现了较精准的循迹效果。
本公开实施例提供的导航方法,基于拓扑路网的全局规划方式可避免栅格地图搜索算法方案中最优路径经常性切换导致的全局路径变化,大幅提升全局路径的稳定性,通过人为划定的路网避开不希望机器人经过的区域,大幅提升机器人移动范围的可控性,综合基于A*的局部规划和基于MPC的控制算法的方法,综合利用了A*的方向性搜索特性以及快速绕开障碍特性以及MPC最优控制的硬性约束满足特性和前瞻闭环控制特性,可以成功替代广泛被业界使用的局部规划开源模块,如动态窗口(Dynamic Window Approach,DWA)以及轨迹追踪(Pure Pursuit)等,可以更加合理地控制机器人的自主移动,保证机器人自主导航移动的稳定性、安全性和平顺度。
在一些实施例中,所述代价函数中包含用于表征机器人循迹准确度的第一表达式和用于表征机器人导航控制信号大小和变化率的第二表达式;所述约束条件中包含用于表征机器人的预设机器人模型约束的第三表达式和用于表征机器人控制信号取值范围的第四表达式。此处优化的好处在于,可以充分利用MPC最优控制的硬性约束满足特性和前瞻闭环控制特性,以尽可能低的控制成本实现机器人高准确度的循迹,也即兼顾了控制成本和规划路径执行的准确度。
在一些实施例中,所述机器人包括差分驱动机器人,对应的预设机器人模型可以是预设机器人运动学模型;相应的,用于表征机器人的预设机器人模型约束的第三表达式可以是用于表征机器人的运动学约束方式的第三表达式。
图7为本公开实施例提供的一种导航方法的流程示意图,以差分驱动机器人为例,在上述各可选实施例基础上进行优化。图8为本公开实施例提供的一种导航方法的架构示意图,可结合图8对方案进行进一步理解。
如图8所示,机器人生成导航请求后,将终点状态包含于导航请求中告知导航***,机器人实时更新局部代价地图。导航***采用层级化设计,包含全局规划线程(工作频率可记为第一预设频率,例如为10HZ,其中,HZ表示赫兹)和局部规划线程(工作频率可记为第二预设频率,例如为20HZ)。全局规划线程得出的全局规划路径以及局部代价地图实时更新的障碍物信息一同被传递到局部规划线程中的A*局部路径搜索模块,由A*局部路径搜索模块生成无碰撞且贴合全局规划路径的局部规划路径并传递到MPC循迹控制模块,最终由MPC循迹控制模块输出导航控制信号来驱动机器人移动。在上述过程中,局部规划线程还可负责获取机器人的状态,如位置坐标和朝向角度等,并对机器人的原地旋转姿态进行调节,将调节指令一同输出至机器人,使机器人在按照导航控制指令移动过程配合地对原地旋转姿态进行调节。
如图7所示,该方法包括:
步骤701、获取机器人所处室内环境对应的拓扑路网,将拓扑路网作为目标地图。
步骤702、根据导航请求确定终点位置。
步骤703、通过全局规划线程以第一预设频率根据机器人的当前位置和终点位置确定目标地图中的全局规划路径。
其中,第一预设频率例如可以是10HZ。
步骤704、通过局部规划线程以第二预设频率基于局部规划范围确定全局规划路径中对应的初始局部路径,其中,局部规划范围与局部代价地图的边界相对应,局部代价地图中包含局部规划范围内的动态障碍物信息。
一般室内场景所需10HZ实时计算频率,可以将第二预设频率设置得高一些,例如可以是20HZ,可以实现更精准地循迹。
步骤705、通过局部规划线程基于A星算法根据初始局部路径和局部代价地图生成对应的局部规划路径。
步骤706、获取局部规划路径中的局部起点对应的第一机器人状态和局部终点对应的第二机器人状态。
步骤707、基于模型预测控制算法利用局部规划路径、第一机器人状态、第二机器人状态、机器人对应的预设运动学模型、以及控制步长构建代价函数,其中,代价函数中包含用于表征机器人循迹准确度的第一表达式和用于表征机器人导航控制信号大小和变化率的第二表达式。
示例性的,所构建的代价函数可以通过如下表达式表示:
其中,f表示代价函数。上述等式右侧共四项,第一项为所述第一表达式,第二项、第三项和第四项为所述第二表达式。N表示MPC的预测步长(也即控制步长);st=[xt,yt],ut=[vt,ωt];xt表示机器人在t时刻在x轴上的坐标;表示机器人在t时刻的参考路径点(也即局部规划路径上的点)在x轴上的坐标;yt表示机器人在t时刻在y轴上的坐标;表示机器人在t时刻的参考路径点在x轴上的坐标;at表示机器人在t时刻的加速度;αt表示机器人在t时刻的角加速度;st表示机器人在t时刻的状态向量;ut表示机器人在t时刻的控制向量;Q表示状态循迹准确度权重矩阵;R表示控制信号数值权重矩阵;At表示加速度软约束变量;Αt表示角加速度软约束变量;Q和R的取值可以根据实际情况设置,例如
步骤708、基于模型预测控制算法利用局部规划路径、第一机器人状态、第二机器人状态、机器人对应的预设运动学模型、以及控制步长构建约束条件,其中,约束条件中包含用于表征机器人的运动学约束方式的第三表达式和用于表征机器人控制信号取值范围的第四表达式。
示例性的,所构建的代价函数可以通过如下表达式表示:
for each t∈[0,N] (1)
xt+1=xt+vt*cos(θt)*dt (2)
yt+1=yt+vt*sin(θt)*dt (3)
θt+1=ωt*dt (4)
vmin≤vt≤vmax,ωmin≤ωt≤ωmax (5)
amin-At≤vt+1-vt≤amax+At,αmin-Αt≤ωt+1-ωt≤αmax+Αt (6)
其中,第(2)、(3)和(4)为第三表达式,第(5)和(6)为第四表达式。ωmin表示最小角速度,ωmax表示最大角速度,vmin表示最小线速度,vmax表示最大线速度,amin表示最小加速度,amax表示最大加速度,αmin表示最小角加速度,αmax表示最大角加速度,θt表示t时刻的朝向角度,θt+1表示t+1时刻的朝向角度。
步骤709、基于约束条件以代价函数的取值最小为目标对代价函数进行求解,得到机器人的下一个控制步长内的与最终导航路径对应的导航控制指令。
示例性的,对于上述代价函数和约束条件,可以求解出状态序列[s0,…,sN]及控制信号序列[u0,…,uN-1],使得在满足约束条件情况下代价函数f取值最小。由于MPC算法为闭环控制方法,因此,可以将求得的控制序列里的第一项u0作为用于执行的控制信号,也即下一个控制步长内的与最终导航路径对应的导航控制指令。
可选的,可采用非线性解算器进行求解,求解出固定控制步长的时间路径点(也即状态向量)以及即将发生的下一时刻控制指令(也即控制信号),控制信号中可包括差速机器人的线速度和角速度。其中,非线性解算器的具体类型不做限定,例如可以是CasADi和IPOPT(内点法)等。
本公开实施例提供的导航方法,可适用于对差分驱动机器人进行自主移动导航的情况,基于拓扑路网进行全局规划,可以避免基于栅格地图搜索算法的方案中最优路径经常性切换而导致全局路径不稳定,大幅提升全局路径的稳定性,通过人为划定的路网避开不希望机器人经过的区域,大幅提升机器人移动范围的可控性,综合基于A*的局部规划和基于MPC的控制算法的方法,综合利用了A*的方向性搜索特性以及快速绕开障碍特性以及MPC最优控制的硬性约束满足特性和前瞻闭环控制特性,在基于MPC控制算法中引入了符合差分驱动机器人运动特点的运动学模型,实现了在满足差速驱动的移动机器人运动学模型约束下的最佳循迹准确性和最小控制信号变化的平衡,从而更加合理地控制机器人的自主移动,保证机器人自主导航移动的稳定性、安全性和平顺度,此外,对控制信号变化进行限制还可降低机器人功耗,提高自主供电的机器人的运行时长。
图9为本公开实施例提供的一种导航装置的结构框图,该装置可由软件和/或硬件实现,一般可集成在电子设备中,可通过执行导航方法来进行导航。该电子设备可以是机器人,或者能够与机器人进行通信的独立的具备导航功能的设备。如图9所示,该装置包括:
全局规划路径确定模块901,用于根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径;
初始局部路径确定模块902,用于基于局部规划范围确定所述全局规划路径中对应的初始局部路径,其中,所述局部规划范围与局部代价地图的边界相对应,所述局部代价地图中包含所述局部规划范围内的障碍物信息;
局部规划路径生成模块903,用于根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径;
导航控制指令生成模块904,用于根据所述局部规划路径和所述机器人对应的预设机器人模型生成所述机器人的导航控制指令。
本公开实施例中提供的导航装置,先根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径,然后基于局部规划范围确定全局规划路径中对应的初始局部路径,其中,局部规划范围与局部代价地图的边界相对应,局部代价地图中包含局部规划范围内的障碍物信息,再根据初始局部路径和局部代价地图生成对应的局部规划路径,最后根据局部规划路径和机器人对应的预设机器人模型生成所述机器人的导航控制指令。通过采用上述技术方案,在全局规划路径基础上确定局部规划范围对应的部分全局规划路径作为当前的初始局部路径,并在初始局部路径基础上结合障碍物信息得到更加准确的局部规划路径,在根据局部规划路径生成导航控制指令的过程中考虑机器人对应的预设机器人模型的约束,使得所生成的导航控制指令更加符合机器人的自身特点,可以避免机器人在按照导航控制指令进行移动的过程中出现卡顿或震荡等情况,提高机器人自主移动的平顺性。
可选的,该装置还可包括:第一目标地图获取模块,用于在所述根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径之前,获取机器人所处环境对应的拓扑路网,根据所述拓扑路网确定目标地图。
可选的,该装置还可包括:第二目标地图获取模块,用于在所述根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径之前,获取机器人所处环境对应的栅格,根据所述栅格确定目标地图。
可选的,所述根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径,包括:基于预设搜索方法根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径,其中,所述预设搜索方法以局部规划路径接近所述初始局部路径且避开障碍物为目标进行搜索,所述预设搜索方法包括A星算法、D星算法和最短路径算法Dijkasta中的至少一种。
可选的,所述根据所述局部规划路径和所述机器人对应的预设机器人模型生成所述机器人的导航控制指令,包括:获取所述局部规划路径中的局部起点对应的第一机器人状态和局部终点对应的第二机器人状态;利用所述局部规划路径、所述第一机器人状态、所述第二机器人状态、所述机器人对应的预设机器人模型、以及控制步长,生成所述机器人的下一个控制步长内的与最终导航路径对应的导航控制指令。
可选的,所述利用所述局部规划路径、所述第一机器人状态、所述第二机器人状态、所述机器人对应的预设机器人模型、以及控制步长,生成所述机器人的下一个控制步长内的与最终导航路径对应的导航控制指令,包括:基于模型预测控制算法利用所述局部规划路径、所述第一机器人状态、所述第二机器人状态、所述机器人对应的预设机器人模型、以及控制步长构建代价函数和约束条件,其中,所述代价函数中包含导航控制指令对应的参数;基于所述约束条件以所述代价函数的取值最小为目标对所述代价函数进行求解,得到所述机器人的下一个控制步长内的与最终导航路径对应的导航控制指令。
可选的,所述机器人包括差分驱动机器人。所述代价函数中包含用于表征机器人循迹准确度的第一表达式和用于表征机器人导航控制信号大小和变化率的第二表达式;所述约束条件中包含用于表征机器人的运动学约束方式的第三表达式和用于表征机器人控制信号取值范围的第四表达式。
可选的,所述预设机器人模型包括预设机器人机械模型、预设机器人运动学模型和预设机器人动力学模型中的至少一个。
下面参考图10,其示出了适于用来实现本公开实施例的电子设备1000的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图10示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,电子设备1000可以包括处理装置(例如中央处理器、图形处理器等)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储装置1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有电子设备1000操作所需的各种程序和数据。处理装置1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
通常,以下装置可以连接至I/O接口1005:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1006;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1007;包括例如磁带、硬盘等的存储装置1008;以及通信装置1009。通信装置1009可以允许电子设备1000与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备1000,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置1009从网络上被下载和安装,或者从存储装置1008被安装,或者从ROM 1002被安装。在该计算机程序被处理装置1001执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径;基于局部规划范围确定所述全局规划路径中对应的初始局部路径,其中,所述局部规划范围与局部代价地图的边界相对应,所述局部代价地图中包含所述局部规划范围内的障碍物信息;根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径;根据所述局部规划路径和所述机器人对应的预设机器人模型生成所述机器人的导航控制指令。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,全局规划路径确定模块还可以被描述为“根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,提供了一种导航方法,包括:
根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径;
基于局部规划范围确定所述全局规划路径中对应的初始局部路径,其中,所述局部规划范围与局部代价地图的边界相对应,所述局部代价地图中包含所述局部规划范围内的障碍物信息;
根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径;
根据所述局部规划路径和所述机器人对应的预设机器人模型生成所述机器人的导航控制指令。
进一步的,在所述根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径之前,还包括:
获取机器人所处环境对应的拓扑路网,根据所述拓扑路网确定目标地图。
进一步的,在所述根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径之前,还包括:
获取机器人所处环境对应的栅格,根据所述栅格确定目标地图。
进一步的,所述根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径,包括:
基于预设搜索方法根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径,其中,所述预设搜索方法以局部规划路径接近所述初始局部路径且避开障碍物为目标进行搜索,所述预设搜索方法包括A星算法、D星算法和最短路径算法Dijkasta中的至少一种。
进一步的,所述根据所述局部规划路径和所述机器人对应的预设机器人模型生成所述机器人的导航控制指令,包括:
获取所述局部规划路径中的局部起点对应的第一机器人状态和局部终点对应的第二机器人状态;
利用所述局部规划路径、所述第一机器人状态、所述第二机器人状态、所述机器人对应的预设机器人模型、以及控制步长,生成所述机器人的下一个控制步长内的与最终导航路径对应的导航控制指令。
进一步的,所述利用所述局部规划路径、所述第一机器人状态、所述第二机器人状态、所述机器人对应的预设机器人模型、以及控制步长,生成所述机器人的下一个控制步长内的与最终导航路径对应的导航控制指令,包括:
基于模型预测控制算法利用所述局部规划路径、所述第一机器人状态、所述第二机器人状态、所述机器人对应的预设机器人模型、以及控制步长构建代价函数和约束条件,其中,所述代价函数中包含导航控制指令对应的参数;
基于所述约束条件以所述代价函数的取值最小为目标对所述代价函数进行求解,得到所述机器人的下一个控制步长内的与最终导航路径对应的导航控制指令。
进一步的,所述机器人包括差分驱动机器人;
所述代价函数中包含用于表征机器人循迹准确度的第一表达式和用于表征机器人导航控制信号大小和变化率的第二表达式;
所述约束条件中包含用于表征机器人的运动学约束方式的第三表达式和用于表征机器人控制信号取值范围的第四表达式。
进一步的,所述预设机器人模型包括预设机器人机械模型、预设机器人运动学模型和预设机器人动力学模型中的至少一个。
根据本公开的一个或多个实施例,提供了一种导航装置,包括:
全局规划路径确定模块,用于根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径;
初始局部路径确定模块,用于基于局部规划范围确定所述全局规划路径中对应的初始局部路径,其中,所述局部规划范围与局部代价地图的边界相对应,所述局部代价地图中包含所述局部规划范围内的障碍物信息;
局部规划路径生成模块,用于根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径;
导航控制指令生成模块,用于根据所述局部规划路径和所述机器人对应的预设机器人模型生成所述机器人的导航控制指令。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (11)
1.一种导航方法,其特征在于,包括:
根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径;
基于局部规划范围确定所述全局规划路径中对应的初始局部路径,其中,所述局部规划范围与局部代价地图的边界相对应,所述局部代价地图中包含所述局部规划范围内的障碍物信息;
根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径;
根据所述局部规划路径和所述机器人对应的预设机器人模型生成所述机器人的导航控制指令。
2.根据权利要求1所述的方法,其特征在于,在所述根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径之前,还包括:
获取机器人所处环境对应的拓扑路网,根据所述拓扑路网确定目标地图。
3.根据权利要求1所述的方法,其特征在于,在所述根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径之前,还包括:
获取机器人所处环境对应的栅格,根据所述栅格确定目标地图。
4.根据权利要求1所述的方法,其特征在于,所述根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径,包括:
基于预设搜索方法根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径,其中,所述预设搜索方法以局部规划路径接近所述初始局部路径且避开障碍物为目标进行搜索,所述预设搜索方法包括A星算法、D星算法和最短路径算法Dijkasta中的至少一种。
5.根据权利要求4所述的方法,其特征在于,所述根据所述局部规划路径和所述机器人对应的预设机器人模型生成所述机器人的导航控制指令,包括:
获取所述局部规划路径中的局部起点对应的第一机器人状态和局部终点对应的第二机器人状态;
利用所述局部规划路径、所述第一机器人状态、所述第二机器人状态、所述机器人对应的预设机器人模型、以及控制步长,生成所述机器人的下一个控制步长内的与最终导航路径对应的导航控制指令。
6.根据权利要求5所述的方法,其特征在于,所述利用所述局部规划路径、所述第一机器人状态、所述第二机器人状态、所述机器人对应的预设机器人模型、以及控制步长,生成所述机器人的下一个控制步长内的与最终导航路径对应的导航控制指令,包括:
基于模型预测控制算法利用所述局部规划路径、所述第一机器人状态、所述第二机器人状态、所述机器人对应的预设机器人模型、以及控制步长构建代价函数和约束条件,其中,所述代价函数中包含导航控制指令对应的参数;
基于所述约束条件以所述代价函数的取值最小为目标对所述代价函数进行求解,得到所述机器人的下一个控制步长内的与最终导航路径对应的导航控制指令。
7.根据权利要求6所述的方法,其特征在于,所述机器人包括差分驱动机器人;
所述代价函数中包含用于表征机器人循迹准确度的第一表达式和用于表征机器人导航控制信号大小和变化率的第二表达式;
所述约束条件中包含用于表征机器人的运动学约束方式的第三表达式和用于表征机器人控制信号取值范围的第四表达式。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述预设机器人模型包括预设机器人机械模型、预设机器人运动学模型和预设机器人动力学模型中的至少一个。
9.一种导航装置,其特征在于,包括:
全局规划路径确定模块,用于根据机器人的当前位置和导航请求中的终点位置确定目标地图中的全局规划路径;
初始局部路径确定模块,用于基于局部规划范围确定所述全局规划路径中对应的初始局部路径,其中,所述局部规划范围与局部代价地图的边界相对应,所述局部代价地图中包含所述局部规划范围内的障碍物信息;
局部规划路径生成模块,用于根据所述初始局部路径和所述局部代价地图生成对应的局部规划路径;
导航控制指令生成模块,用于根据所述局部规划路径和所述机器人对应的预设机器人模型生成所述机器人的导航控制指令。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8任一项所述的方法。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-8任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110420519.5A CN113108796B (zh) | 2021-04-19 | 2021-04-19 | 导航方法、装置、存储介质及设备 |
PCT/CN2022/084027 WO2022222718A1 (zh) | 2021-04-19 | 2022-03-30 | 导航方法、装置、存储介质及设备 |
US18/552,608 US20240175702A1 (en) | 2021-04-19 | 2022-03-30 | Navigation method and apparatus, storage medium, and device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110420519.5A CN113108796B (zh) | 2021-04-19 | 2021-04-19 | 导航方法、装置、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113108796A true CN113108796A (zh) | 2021-07-13 |
CN113108796B CN113108796B (zh) | 2023-10-20 |
Family
ID=76718482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110420519.5A Active CN113108796B (zh) | 2021-04-19 | 2021-04-19 | 导航方法、装置、存储介质及设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240175702A1 (zh) |
CN (1) | CN113108796B (zh) |
WO (1) | WO2022222718A1 (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113485368A (zh) * | 2021-08-09 | 2021-10-08 | 国电南瑞科技股份有限公司 | 一种架空输电线路巡线机器人导航、巡线方法及装置 |
CN113551676A (zh) * | 2021-08-16 | 2021-10-26 | 河南牧原智能科技有限公司 | 一种用于赶猪车的自主导航方法、装置和可读存储介质 |
CN113848893A (zh) * | 2021-09-14 | 2021-12-28 | 武汉联一合立技术有限公司 | 机器人导航方法、装置、设备及存储介质 |
CN113865591A (zh) * | 2021-09-07 | 2021-12-31 | 北京中交兴路信息科技有限公司 | 结合厂区自有路线数据导航的方法、装置、设备及介质 |
CN113932797A (zh) * | 2021-10-21 | 2022-01-14 | 深圳优地科技有限公司 | 机器人导航方法、装置、机器人及存储介质 |
CN114019953A (zh) * | 2021-10-08 | 2022-02-08 | 中移(杭州)信息技术有限公司 | 地图构建方法、装置、设备及存储介质 |
CN114088094A (zh) * | 2021-09-27 | 2022-02-25 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种无人艇的智能航路规划方法及*** |
CN114355923A (zh) * | 2021-12-28 | 2022-04-15 | 杭州电子科技大学 | 一种a*引导下基于mpc的轨迹规划及跟踪方法 |
CN114485701A (zh) * | 2021-12-30 | 2022-05-13 | 易图通科技(北京)有限公司 | 路径规划方法、装置、电子设备及可读存储介质 |
WO2022222718A1 (zh) * | 2021-04-19 | 2022-10-27 | 北京有竹居网络技术有限公司 | 导航方法、装置、存储介质及设备 |
CN115326057A (zh) * | 2022-08-31 | 2022-11-11 | 深圳鹏行智能研究有限公司 | 路径规划方法、装置、机器人以及可读存储介质 |
CN115855095A (zh) * | 2022-12-01 | 2023-03-28 | 酷黑科技(北京)有限公司 | 一种自主导航方法、装置及电子设备 |
WO2023124621A1 (zh) * | 2021-12-31 | 2023-07-06 | 追觅创新科技(苏州)有限公司 | 一种基于障碍标记的路径规划方法、***及自移动机器人 |
CN117589172A (zh) * | 2023-11-21 | 2024-02-23 | 国广顺能(上海)能源科技有限公司 | 移动机器人的路径规划方法、装置、电子设备及存储介质 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116448118B (zh) * | 2023-04-17 | 2023-10-31 | 深圳市华辰信科电子有限公司 | 一种扫地机器人的工作路径优化方法和装置 |
CN116540748B (zh) * | 2023-07-07 | 2023-10-31 | 上海仙工智能科技有限公司 | 一种在导航路径上规划机器人绕行路径的方法及*** |
CN116576865B (zh) * | 2023-07-07 | 2023-10-17 | 民航成都电子技术有限责任公司 | 一种飞行区路径规划方法、装置、设备及介质 |
CN116700298B (zh) * | 2023-08-08 | 2023-11-21 | 浙江菜鸟供应链管理有限公司 | 路径规划方法、***、设备及存储介质 |
CN117091608B (zh) * | 2023-10-17 | 2023-12-29 | 山东怀思人工智能科技有限公司 | 一种教育机器人的路径规划方法、设备及介质 |
CN117336821B (zh) * | 2023-10-17 | 2024-04-09 | 中国电子科技集团公司第十五研究所 | 一种多模态信号传输方法及装置 |
CN117077884B (zh) * | 2023-10-18 | 2024-01-23 | 北京木牛一心机器人科技有限公司 | 路径规划方法、装置、计算机设备和存储介质 |
CN117387649B (zh) * | 2023-10-26 | 2024-06-14 | 苏州大学 | 概率自更新的不确定环境机器人自适应导航方法及*** |
CN117782088B (zh) * | 2023-12-13 | 2024-07-19 | 深圳大学 | 一种合作目标建图定位导航方法 |
CN117740021B (zh) * | 2024-02-07 | 2024-05-31 | 深圳市捷易科技有限公司 | 园区导航任务执行方法、装置、电子设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106774347A (zh) * | 2017-02-24 | 2017-05-31 | 安科智慧城市技术(中国)有限公司 | 室内动态环境下的机器人路径规划方法、装置和机器人 |
CN109709945A (zh) * | 2017-10-26 | 2019-05-03 | 深圳市优必选科技有限公司 | 一种基于障碍物分类的路径规划方法、装置及机器人 |
US20200201340A1 (en) * | 2018-12-24 | 2020-06-25 | Samsung Electronics Co., Ltd. | Method and apparatus for generating local motion based on machine learning |
CN111506081A (zh) * | 2020-05-15 | 2020-08-07 | 中南大学 | 一种机器人轨迹跟踪方法、***及存储介质 |
CN111780777A (zh) * | 2020-07-13 | 2020-10-16 | 江苏中科智能制造研究院有限公司 | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 |
CN111949032A (zh) * | 2020-08-18 | 2020-11-17 | 中国科学技术大学 | 一种基于强化学习的3d避障导航***及方法 |
CN112526988A (zh) * | 2020-10-30 | 2021-03-19 | 西安交通大学 | 一种自主移动机器人及其路径导航和路径规划方法、*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7734387B1 (en) * | 2006-03-31 | 2010-06-08 | Rockwell Collins, Inc. | Motion planner for unmanned ground vehicles traversing at high speeds in partially known environments |
CN112254727B (zh) * | 2020-09-23 | 2022-10-14 | 锐捷网络股份有限公司 | 基于teb的路径规划方法及装置 |
CN113108796B (zh) * | 2021-04-19 | 2023-10-20 | 北京有竹居网络技术有限公司 | 导航方法、装置、存储介质及设备 |
-
2021
- 2021-04-19 CN CN202110420519.5A patent/CN113108796B/zh active Active
-
2022
- 2022-03-30 WO PCT/CN2022/084027 patent/WO2022222718A1/zh active Application Filing
- 2022-03-30 US US18/552,608 patent/US20240175702A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106774347A (zh) * | 2017-02-24 | 2017-05-31 | 安科智慧城市技术(中国)有限公司 | 室内动态环境下的机器人路径规划方法、装置和机器人 |
CN109709945A (zh) * | 2017-10-26 | 2019-05-03 | 深圳市优必选科技有限公司 | 一种基于障碍物分类的路径规划方法、装置及机器人 |
US20200201340A1 (en) * | 2018-12-24 | 2020-06-25 | Samsung Electronics Co., Ltd. | Method and apparatus for generating local motion based on machine learning |
CN111506081A (zh) * | 2020-05-15 | 2020-08-07 | 中南大学 | 一种机器人轨迹跟踪方法、***及存储介质 |
CN111780777A (zh) * | 2020-07-13 | 2020-10-16 | 江苏中科智能制造研究院有限公司 | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 |
CN111949032A (zh) * | 2020-08-18 | 2020-11-17 | 中国科学技术大学 | 一种基于强化学习的3d避障导航***及方法 |
CN112526988A (zh) * | 2020-10-30 | 2021-03-19 | 西安交通大学 | 一种自主移动机器人及其路径导航和路径规划方法、*** |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022222718A1 (zh) * | 2021-04-19 | 2022-10-27 | 北京有竹居网络技术有限公司 | 导航方法、装置、存储介质及设备 |
CN113485368A (zh) * | 2021-08-09 | 2021-10-08 | 国电南瑞科技股份有限公司 | 一种架空输电线路巡线机器人导航、巡线方法及装置 |
CN113485368B (zh) * | 2021-08-09 | 2024-06-07 | 国电南瑞科技股份有限公司 | 一种架空输电线路巡线机器人导航、巡线方法及装置 |
CN113551676A (zh) * | 2021-08-16 | 2021-10-26 | 河南牧原智能科技有限公司 | 一种用于赶猪车的自主导航方法、装置和可读存储介质 |
CN113551676B (zh) * | 2021-08-16 | 2024-06-11 | 河南牧原智能科技有限公司 | 一种用于赶猪车的自主导航方法、装置和可读存储介质 |
CN113865591A (zh) * | 2021-09-07 | 2021-12-31 | 北京中交兴路信息科技有限公司 | 结合厂区自有路线数据导航的方法、装置、设备及介质 |
CN113848893A (zh) * | 2021-09-14 | 2021-12-28 | 武汉联一合立技术有限公司 | 机器人导航方法、装置、设备及存储介质 |
CN114088094A (zh) * | 2021-09-27 | 2022-02-25 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种无人艇的智能航路规划方法及*** |
CN114019953A (zh) * | 2021-10-08 | 2022-02-08 | 中移(杭州)信息技术有限公司 | 地图构建方法、装置、设备及存储介质 |
CN114019953B (zh) * | 2021-10-08 | 2024-03-19 | 中移(杭州)信息技术有限公司 | 地图构建方法、装置、设备及存储介质 |
CN113932797A (zh) * | 2021-10-21 | 2022-01-14 | 深圳优地科技有限公司 | 机器人导航方法、装置、机器人及存储介质 |
CN114355923A (zh) * | 2021-12-28 | 2022-04-15 | 杭州电子科技大学 | 一种a*引导下基于mpc的轨迹规划及跟踪方法 |
CN114355923B (zh) * | 2021-12-28 | 2024-04-02 | 杭州电子科技大学 | 一种a*引导下基于mpc的轨迹规划及跟踪方法 |
CN114485701A (zh) * | 2021-12-30 | 2022-05-13 | 易图通科技(北京)有限公司 | 路径规划方法、装置、电子设备及可读存储介质 |
CN114485701B (zh) * | 2021-12-30 | 2024-02-23 | 易图通科技(北京)有限公司 | 路径规划方法、装置、电子设备及可读存储介质 |
WO2023124621A1 (zh) * | 2021-12-31 | 2023-07-06 | 追觅创新科技(苏州)有限公司 | 一种基于障碍标记的路径规划方法、***及自移动机器人 |
CN115326057A (zh) * | 2022-08-31 | 2022-11-11 | 深圳鹏行智能研究有限公司 | 路径规划方法、装置、机器人以及可读存储介质 |
CN115855095A (zh) * | 2022-12-01 | 2023-03-28 | 酷黑科技(北京)有限公司 | 一种自主导航方法、装置及电子设备 |
CN117589172A (zh) * | 2023-11-21 | 2024-02-23 | 国广顺能(上海)能源科技有限公司 | 移动机器人的路径规划方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022222718A1 (zh) | 2022-10-27 |
CN113108796B (zh) | 2023-10-20 |
US20240175702A1 (en) | 2024-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113108796B (zh) | 导航方法、装置、存储介质及设备 | |
US20190056743A1 (en) | Method for motion planning for autonomous moving objects | |
US8948913B2 (en) | Method and apparatus for navigating robot | |
EP1435591A1 (en) | Image creation apparatus and method,; electronic device and computer program | |
US11175664B1 (en) | Navigation directly from perception data without pre-mapping | |
WO2019062648A1 (zh) | 一种导航路径规划方法及设备 | |
US9778052B2 (en) | Routing with data version stitching | |
KR20200031683A (ko) | 무인 항공기의 항행구역 계획 방법, 장치 및 리모컨 | |
Zheng et al. | An optimization-based UWB-IMU fusion framework for UGV | |
CN113498498B (zh) | 行动控制设备和行动控制方法、以及程序 | |
Zaki et al. | A navigation strategy for an autonomous patrol vehicle based on multi-fusion planning algorithms and multi-paradigm representation schemes | |
Schmidt et al. | Construction site navigation for the autonomous excavator Thor | |
Ziebinski et al. | Challenges associated with sensors and data fusion for AGV-driven smart manufacturing | |
Haumann et al. | DisCoverage for non-convex environments with arbitrary obstacles | |
Tusseyeva et al. | 3D global dynamic window approach for navigation of autonomous underwater vehicles | |
Marin-Plaza et al. | Complete ros-based architecture for intelligent vehicles | |
Vignesh et al. | Sensor data fusion techniques in the construction of generalized VORONOI graph for on-line motion planning in robot navigation | |
Yu et al. | CSLAM and GPS based navigation for multi-UAV cooperative transportation system | |
CN112393731A (zh) | 跟踪路径的方法、装置、电子设备、及存储介质 | |
Yang et al. | Research and implementation of automatic navigation and driving of tracked robot in tunnel based on slam | |
Cai et al. | Intelligent Systems in Motion: A Comprehensive Review on Multi-Sensor Fusion and Information Processing From Sensing to Navigation in Path Planning | |
Dosoftei et al. | Real-Time Motion Control of an Electric Driven OMR using a ROS to Matlab Bridged Approach | |
Werner et al. | Window operators for processing spatio-temporal data streams on unmanned vehicles | |
Luo et al. | Positioning Method without GNSS for Unmanned Systems Based on Fusion of IMU, TOA and AOA | |
Kuznetsov et al. | Algorithm of Target Point Assignment for Robot Path Planning Based on Costmap Data |
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 |