CN113110457B - 在室内复杂动态环境中智能机器人的自主覆盖巡检方法 - Google Patents
在室内复杂动态环境中智能机器人的自主覆盖巡检方法 Download PDFInfo
- Publication number
- CN113110457B CN113110457B CN202110416221.7A CN202110416221A CN113110457B CN 113110457 B CN113110457 B CN 113110457B CN 202110416221 A CN202110416221 A CN 202110416221A CN 113110457 B CN113110457 B CN 113110457B
- Authority
- CN
- China
- Prior art keywords
- intelligent robot
- obstacle
- map
- dimensional
- global
- 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.)
- Active
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000003068 static effect Effects 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 239000000725 suspension Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004804 winding Methods 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
- G05D1/0214—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
- G05D1/02—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
- G05D1/0257—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种在室内复杂动态环境中智能机器人的自主覆盖巡检方法，利用二维激光***，在室内复杂环境中进行建图，建图探索方式分为人工辅助与自主探索；通过当前激光扫描帧和存储的子图集合进行回环匹配，将智能机器人重定位于全局二维栅格地图中；通过虚拟代价地图层映射，对全局二维栅格地图进行区域划分，随后对各个区域进行自动的全覆盖路径规划，自主避让该区域中的静态障碍物，得到各个区域中覆盖率最优的全局路径，在巡检状态中，智能机器人将开始执行全局路径的序列；进入巡检状态后，由机器人状态控制中心对各区域的全局路径进行序列定制，随后智能机器人的运动规划模块将按顺序追踪全局路径序列。本发明提高室内巡检智能机器人的自动化程度。
Description
技术领域
本发明属于机器人技术领域，尤其涉及一种在室内复杂动态环境中用于智能机器人的自主覆盖巡检方法，适用于智能机器人在室内复杂动态环境下，自主展开巡检工作。
背景技术
随着机器人学的发展，辅助人类日常工作的智能机器人不断出现在人们的视野之中。在居家或者工作领域，针对各种任务的自动化需求越来越强烈。在室内一些日常工作中，一台智能机器人能够全面自主地覆盖地面区域进行运作是必不可少的。
目前，在室内机器人智能化领域中，不少智能机器人已经可以对静态且结构化的区域进行覆盖运作，但实际环境往往是动态且复杂的。首先，因静态障碍物的搬动而造成的环境变化会造成大多数智能机器人无法在该环境中实现重定位；其次，在复杂动态的环境中，目标覆盖区域中可能暂时存在障碍物，目前一种常见的全覆盖路径规划方法为：智能机器人需要对覆盖区域进行边缘绕圈，随后在该闭合的机器人轨迹中进行全覆盖路径规划，但是这种方法无法有效地对覆盖区域中的障碍物进行处理；最后，在复杂动态的环境中，很多障碍物不会有清晰的边界，例如动态的行人轮廓在始终变化，只依靠二维激光雷达和超声波传感器的智能机器人无法有效检测到障碍物与其自身的干涉，更无法进行有效的机动避让动作。
因此在机器人自动化领域中，一套无人监管***为了在复杂动态环境中实现自主覆盖巡检，解决上述问题就显得尤为重要。
发明内容
为了克服已有技术的不足，本发明提供了一种在室内复杂动态环境中用于智能机器人的自主覆盖巡检方法，旨在提高室内巡检智能机器人的自动化程度，并解决室内智能机器人在复杂动态环境覆盖巡检过程中出现的重定位能力下降、覆盖路径受阻和无法机动避让动态或低矮障碍物等问题。
本发明解决其技术问题所采用的技术方案是：
一种在室内复杂动态环境中智能机器人的自主覆盖巡检方法，包括以下步骤：
步骤S1、利用二维激光***，在室内复杂环境中进行建图，建图探索方式分为人工辅助与自主探索，均可得到高精度的子图集合拼接出的全局二维栅格地图；
步骤S2、通过当前激光扫描帧和存储的子图集合进行回环匹配，将智能机器人重定位于全局二维栅格地图中；
步骤S3、通过虚拟代价地图层映射，对全局二维栅格地图进行区域划分，随后对各个区域进行自动的全覆盖路径规划，自主避让该区域中的静态障碍物，得到各个区域中覆盖率最优的全局路径，在巡检状态中，智能机器人将开始执行全局路径的序列；
步骤S4、进入巡检状态后，由机器人状态控制中心对各区域的全局路径进行序列定制，随后智能机器人的运动规划模块将按顺序追踪全局路径序列，在此过程中，立体动态障碍物检测模块通过使用RGBD深度传感器提供障碍物检测结果，保障智能机器人在巡检过程中的安全。
进一步，所述步骤S1中，自主探索建图方式：在当前二维栅格地图中采用无权重的Dijkstra算法进行全面搜索，该算法采用贪心算法的策略，每次遍历距离起点最近且未访问过的定点的邻接节点，直到扩展至终点为止，该算法获取距离智能机器人最近的未知栅格作为机器人的当前目标点，进而将封闭室内环境探索完毕。
所述步骤S2中，在建图过程中，拥有最佳位置估计的激光扫描帧将被***子图中，该扫描匹配是最近的激光扫描帧针对最近的子图进行的，由此会产生积累位姿误差，因此需要通过回环匹配来消除该类误差，当一个子图被创建完毕，该子图将不再***激光扫描帧，这些子图将组成子图集合用于回环匹配。
所述步骤S3中，全覆盖路径规划模块根据二维栅格地图将地图上静态障碍物所在的栅格标记为真实障碍，将模拟智能机器人覆盖经过的栅格标记为虚拟障碍，其他栅格标记为未知；通过螺旋状路径覆盖目标区域，并基于回溯机制链接各个部分的螺旋状路径；螺旋覆盖程序遵守四个规则：(1)如果被障碍物包围，则记录一个螺旋终点；(2)如果不在障碍物参考侧，则转向障碍物参考侧并向前；(3)如果障碍物挡住前方，则转向无障碍物侧；(4)否则向前方搜索。因此，该方法能避开目标覆盖区域中的静态障碍物，并生成覆盖率较高的全局路径。
所述步骤S4中，所述机器人状态控制中心总共控制6种状态，分别是静止，纯旋转，充电返回，充电停止，巡检，巡检暂停。在巡检状态下，将序列全局路径中的路径点作为暂定目标点发送至运动规划模块，根据不断更新的暂定目标点，运动规划模块不断输出最优的控制使得智能机器人有效地跟随变化的暂定的目标点。
所述步骤S4中，所述在运动规划模块中，对于一个暂定的目标点，首先判断该点在二维栅格地图上是否被动态或被搬动的障碍物所占据，如果被占据，则在该点附近建立一个搜索框，计算搜索框内所有空闲栅格距离目标点和距离智能机器人的权重和，选取权重和最小的空闲栅格作为智能机器人最新的暂定目标点，该目标点的特性为在障碍物占据区域之外和最贴近智能机器人目前所在位置，在智能机器人完成该目标点任务后，机器人状态控制中心将智能机器人当前状态从巡检转换成巡检暂停，在该状态下，智能机器人将一直确认原先的目标点位置上的障碍物是否离开，在障碍物离开后，巡检将自动继续；如果未被占据，运动规划模块通过A*算法在二维栅格地图中搜寻到距离目标点代价最低的一条路径，根据该路径，利用动态窗口法，在速度空间中进行多组速度采样，并模拟这些速度在一定时间内的运动轨迹，最优的速度控制将通过一个评价函数来筛选得出。
所述步骤S4中，立体动态障碍物检测模块过滤RGBD深度传感器输出的三维点云，使该三维点云在不损失特征的情况下变得更加稀疏来减少算力需求达到实时的目的，过滤后的三维点云输入体素网格代价地图层，由该代价地图层对三维点云进行存储，而存储的每个体素有着和自身对应的存在时间，当超过存在时间后，对应的体素将被从地图中删除，每个留存的体素将被映射至二维栅格地图，从而展现出三维物体的真实轮廓，因此，智能机器人将获取实时动态的障碍物信息，有能力对不规则立体物体做出避让。
本发明的有益效果主要表现在：由于采用自主探索建图方式，封闭室内环境无需人为干预而自主建图；采用子图集合用于回环匹配，使得本***的智能机器人将更容易重定位于部分改变的环境；采用螺旋状覆盖路径算法，在应对目标区域中出现的障碍物的同时，保障对目标区域的高覆盖率；采用稠密点云来检测三维物体的真实轮廓，并保持实时的障碍物占据轮廓更新；采用了机器人状态控制，在智能机器人执行全局覆盖路径时，执行预定避障策略。
附图说明
图1是在室内复杂动态环境中智能机器人的自主覆盖巡检方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1，一种在室内复杂动态环境中智能机器人的自主覆盖巡检方法，包括以下步骤：
步骤S1、利用二维激光***，在室内复杂环境中进行建图，建图探索方式分为人工辅助与自主探索，均可得到高精度的子图集合拼接出的全局二维栅格地图；
本实施例在动态复杂环境下，部署一台智能机器人(差速控制输入的机器人)，该智能机器人上配置有一台桌面级计算性能的计算终端并在底盘中心支架装配有二维激光雷达，该雷达拥有360°水平视野，作为探索建图模块与回环匹配定位模块的原始数据输入，在智能机器人底盘前端还配置有一款RGBD深度传感器，该深度传感器拥有64°x41°的视野范围，作为立体动态障碍物检测模块的输入。
对于封闭室内环境，本实施例首先由智能机器人在动态复杂环境中进行自主探索建图。所述自主探索建图方式，其在当前建好的部分二维栅格地图中采用无权重的Dijkstra算法进行全面搜索，该算法采用贪心算法的策略，每次遍历距离起点最近且未访问过的定点的邻接节点，直到扩展至终点为止。该算法获取距离智能机器人最近的未知栅格作为机器人的当前目标点，进而将封闭室内环境探索完毕。
对于开放的室内环境，本实施例智能机器人可在人工辅助控制下进行环境建图，控制方法为在地图上标记目标点或遥控控制。
在建图过程中，拥有最佳位置估计的激光扫描帧将被***子图中，该扫描匹配是最近的激光扫描帧针对最近的子图进行的，由此会产生积累位姿误差，因此需要通过回环匹配来消除该类误差，当一个子图被创建完毕，该子图将不再***激光扫描帧，这些子图将组成子图集合用于回环匹配。
步骤S2、通过当前激光扫描帧和存储的子图集合进行回环匹配，将智能机器人重定位于全局二维栅格地图中。
本实施例回环匹配不仅可以用于消除建图误差，还可以用来实现重定位。智能机器人通过匹配当前激光扫描帧和存储的子图集合，选取得分最高的匹配位姿作为智能机器人在全局二维栅格地图中的位姿,因此实现重定位。智能机器人在定位丢失或重新加载地图之后，即可利用重定位，将智能机器人重新定位于已建全局二维栅格地图中，随后回环匹配定位模块通过激光扫描帧匹配与全局位姿优化，输出智能机器人的定位位姿。
步骤S3、通过虚拟代价地图层映射，对全局二维栅格地图进行区域划分，随后对各个区域进行自动的全覆盖路径规划，自主避让该区域中的静态障碍物，得到各个区域中覆盖率最优的全局路径，在巡检状态中，智能机器人将开始执行全局路径的序列。
本实施例首先在全局二维栅格地图上进行多边形框架选取，随后该多边形框架将通过虚拟代价地图层被映射为全局二维栅格地图上的被占据栅格，该栅格将全局二维栅格地图划分为多个区域，在这多个区域中，分别部署螺旋状全覆盖路径规划，其根据二维栅格地图将地图上静态障碍物所在的栅格标记为真实障碍，将模拟智能机器人覆盖经过的栅格标记为虚拟障碍，其他栅格标记为未知。通过螺旋状路径覆盖目标区域，并基于回溯机制链接各个部分的螺旋状路径。
螺旋覆盖程序遵守四个规则：
(1)如果被障碍物包围，则记录一个螺旋终点；
(2)如果不在障碍物参考侧，则转向障碍物参考侧并向前；
(3)如果障碍物挡住前方，则转向无障碍物侧；
(4)否则向前方搜索。
因此，该方法能避开目标覆盖区域中的静态障碍物，并在各个划分区域中生成覆盖率较高的全局路径。本实施例智能机器人在获取全局覆盖路径序列之后，准备进入巡检状态。
步骤S4、进入巡检状态后，由机器人状态控制中心对各区域的全局路径进行序列定制，随后智能机器人的运动规划模块将按顺序追踪全局路径序列，在此过程中，立体动态障碍物检测模块通过使用RGBD深度传感器提供障碍物检测结果，保障智能机器人在巡检过程中的安全。
本实施例机器人状态控制中心总共控制6种状态，分别是静止，纯旋转，充电返回，充电停止，巡检，巡检暂停。静止状态用于智能机器人任务待命；纯旋转状态用于智能机器人在定位丢失的情况下恢复定位；充电返回与充电停止状态用于智能机器人实现自动充电；巡检与巡检暂停状态用于智能机器人执行用户任务。在巡检状态下，将序列全局路径中的路径点作为暂定目标点发送至运动规划模块，其中此暂定目标点根据机器人位姿的变化不断更新直到已执行完整全局路径为止，运动规划模块不断输出最优的控制使得智能机器人有效地跟随变化的暂定的目标点。
在运动规划模块中，对于一个暂定的目标点，首先判断该点在二维栅格地图上是否被动态或被搬动的障碍物所占据，如果被占据，则在该点附近建立一个搜索框，计算搜索框内所有空闲栅格距离目标点和距离智能机器人的权重和，选取权重和最小的空闲栅格作为智能机器人最新的暂定目标点，该目标点的特性为在障碍物占据区域之外和最贴近智能机器人目前所在位置，在智能机器人完成该目标点任务后，机器人状态控制中心将智能机器人当前状态从巡检转换成巡检暂停，在该状态下，智能机器人将一直确认原先的目标点位置上的障碍物是否离开，在障碍物离开后，巡检将自动继续；如果未被占据，运动规划模块通过A*算法在二维栅格地图中搜寻到距离目标点代价最低的一条路径，其中A*算法在Dijkstra算法的基础上增加了目标权重，使得搜寻的路径不仅距离起点更近还更加逼近目标点。根据该路径，利用动态窗口法，在速度空间中进行多组速度采样，并模拟这些速度在一定时间内的运动轨迹，最优的速度控制将通过一个评价函数来筛选得出。
本实施例立体动态障碍物检测模块过滤RGBD深度传感器输出的三维点云，使该三维点云在不损失特征的情况下变得更加稀疏来减少算力需求达到实时的目的，过滤后的三维点云输入体素网格代价地图层，由该代价地图层对三维点云进行存储，而存储的每个体素有着和自身对应的存在时间，当超过存在时间后，对应的体素将被从地图中删除，每个留存的体素将被映射至二维栅格地图，从而展现出三维物体的真实轮廓，因此，智能机器人将获取实时动态的障碍物信息，有能力对不规则立体物体做出避让。
一种在室内复杂动态环境中智能机器人的自主覆盖巡检***，由探索建图模块、回环匹配定位模块、全覆盖路径规划模块、立体动态障碍物检测模块、运动规划模块和机器人状态控制中心组成。通过在复杂动态环境中进行探索建图，本***得到厘米级精确的全局二维栅格地图，通过激光帧和存储的子图集合进行回环匹配，能将智能机器人重定位于全局二维栅格地图，根据该地图，对目标区域进行全覆盖路径规划，在应对障碍物的同时得到覆盖率最优的全局路径，最后由机器人状态控制中心分配巡检的任务，立体动态障碍物检测模块与运动规划模块保障智能机器人在巡检过程中的安全性与机动性。本发明可使智能机器人在室内复杂环境中达到较高覆盖率的自主巡检效果，能够有效地进行复杂环境构建与动态障碍物检测，保障智能机器人进行安全高效地运作。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。
Claims (6)
1.一种在室内复杂动态环境中智能机器人的自主覆盖巡检方法，其特征在于，所述方法包括以下步骤：
步骤S1、利用二维激光***，在室内复杂环境中进行建图，建图探索方式分为人工辅助与自主探索，均可得到高精度的子图集合拼接出的全局二维栅格地图；
步骤S2、通过当前激光扫描帧和存储的子图集合进行回环匹配，将智能机器人重定位于全局二维栅格地图中；
步骤S3、通过虚拟代价地图层映射，对全局二维栅格地图进行区域划分，随后对各个区域进行自动的全覆盖路径规划，自主避让该区域中的静态障碍物，得到各个区域中覆盖率最优的全局路径，在巡检状态中，智能机器人将开始执行全局路径的序列；
步骤S4、进入巡检状态后，由机器人状态控制中心对各区域的全局路径进行序列定制，随后智能机器人的运动规划模块将按顺序追踪全局路径序列，在此过程中，立体动态障碍物检测模块通过使用RGBD深度传感器提供障碍物检测结果，保障智能机器人在巡检过程中的安全；
所述步骤S4中，所述运动规划模块中，对于一个暂定的目标点，首先判断该点在二维栅格地图上是否被动态或被搬动的障碍物所占据，如果被占据，则在该点附近建立一个搜索框，计算搜索框内所有空闲栅格距离目标点和距离智能机器人的权重和，选取权重和最小的空闲栅格作为智能机器人最新的暂定目标点，该目标点的特性为在障碍物占据区域之外和最贴近智能机器人目前所在位置，在智能机器人完成该目标点任务后，机器人状态控制中心将智能机器人当前状态从巡检转换成巡检暂停，在该状态下，智能机器人将一直确认原先的目标点位置上的障碍物是否离开，在障碍物离开后，巡检将自动继续；如果未被占据，运动规划模块通过A*算法在二维栅格地图中搜寻到距离目标点代价最低的一条路径，根据该路径，利用动态窗口法，在速度空间中进行多组速度采样，并模拟这些速度在一定时间内的运动轨迹，最优的速度控制将通过一个评价函数来筛选得出。
2.如权利要求1所述的在室内复杂动态环境中智能机器人的自主覆盖巡检方法，其特征在于，所述步骤S1中，自主探索建图方式：在当前二维栅格地图中采用无权重的Dijkstra算法进行全面搜索，该算法采用贪心算法的策略，每次遍历距离起点最近且未访问过的定点的邻接节点，直到扩展至终点为止，该算法获取距离智能机器人最近的未知栅格作为机器人的当前目标点，进而将封闭室内环境探索完毕。
3.如权利要求1或2所述的在室内复杂动态环境中智能机器人的自主覆盖巡检方法，其特征在于，所述步骤S2中，在建图过程中，拥有最佳位置估计的激光扫描帧将被***子图中，扫描匹配是最近的激光扫描帧针对最近的子图进行的，由此会产生积累位姿误差，因此需要通过回环匹配来消除该类误差，当一个子图被创建完毕，该子图将不再***激光扫描帧，这些子图将组成子图集合用于回环匹配。
4.如权利要求1或2所述的在室内复杂动态环境中智能机器人的自主覆盖巡检方法，其特征在于，所述步骤S3中，全覆盖路径规划模块根据二维栅格地图将地图上静态障碍物所在的栅格标记为真实障碍，将模拟智能机器人覆盖经过的栅格标记为虚拟障碍，其他栅格标记为未知；通过螺旋状路径覆盖目标区域，并基于回溯机制链接各个部分的螺旋状路径；螺旋覆盖程序遵守四个规则：（1）如果被障碍物包围，则记录一个螺旋终点；（2）如果不在障碍物参考侧，则转向障碍物参考侧并向前；（3）如果障碍物挡住前方，则转向无障碍物侧；（4）否则向前方搜索。
5.如权利要求1或2所述的在室内复杂动态环境中智能机器人的自主覆盖巡检方法，其特征在于，所述步骤S4中，所述机器人状态控制中心总共控制6种状态，分别是静止，纯旋转，充电返回，充电停止，巡检，巡检暂停；在巡检状态下，将序列全局路径中的路径点作为暂定目标点发送至运动规划模块，根据不断更新的暂定目标点，运动规划模块不断输出最优的控制使得智能机器人有效地跟随变化的暂定的目标点。
6.如权利要求1或2所述的在室内复杂动态环境中智能机器人的自主覆盖巡检方法，其特征在于，所述步骤S4中，立体动态障碍物检测模块过滤RGBD深度传感器输出的三维点云，使该三维点云在不损失特征的情况下变得更加稀疏来减少算力需求达到实时的目的，过滤后的三维点云输入体素网格代价地图层，由该代价地图层对三维点云进行存储，而存储的每个体素有着和自身对应的存在时间，当超过存在时间后，对应的体素将被从地图中删除，每个留存的体素将被映射至二维栅格地图，从而展现出三维物体的真实轮廓，因此，智能机器人将获取实时动态的障碍物信息，有能力对不规则立体物体做出避让。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110416221.7A CN113110457B (zh) | 2021-04-19 | 2021-04-19 | 在室内复杂动态环境中智能机器人的自主覆盖巡检方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110416221.7A CN113110457B (zh) | 2021-04-19 | 2021-04-19 | 在室内复杂动态环境中智能机器人的自主覆盖巡检方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113110457A CN113110457A (zh) | 2021-07-13 |
| CN113110457B true CN113110457B (zh) | 2022-11-15 |
Family
ID=76718420
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110416221.7A Active CN113110457B (zh) | 2021-04-19 | 2021-04-19 | 在室内复杂动态环境中智能机器人的自主覆盖巡检方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113110457B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837059B (zh) * | 2021-09-22 | 2023-12-19 | 哈尔滨工程大学 | 一种规劝行人及时佩戴口罩的巡视车及其控制方法 |
| CN114034299B (zh) * | 2021-11-08 | 2024-04-26 | 中南大学 | 一种基于主动激光slam的导航*** |
| CN114371692B (zh) * | 2021-11-26 | 2023-10-13 | 中国人民解放军军事科学院国防科技创新研究院 | 能源约束下的巡逻船区域覆盖路径规划方法、***及装置 |
| CN114235165A (zh) * | 2021-12-15 | 2022-03-25 | 浙江富视云智能科技有限公司 | 一体化智能巡检多人测温装置 |
| CN114415678B (zh) * | 2021-12-31 | 2024-01-16 | 深圳市普渡科技有限公司 | 机器人的路径规划方法、装置、机器人和存储介质 |
| CN114489068A (zh) * | 2022-01-24 | 2022-05-13 | 上海利淘豪斯机器人有限公司 | 一种复杂路径下的巡检机器人巡检任务路径规划方法及装置 |
| CN114577214B (zh) * | 2022-03-02 | 2022-09-20 | 哈尔滨工业大学 | 一种应用于跨异构多层空间的轮式机器人路径规划方法 |
| CN114609646A (zh) * | 2022-03-16 | 2022-06-10 | 上海擎朗智能科技有限公司 | 激光建图方法、装置、介质及电子设备 |
| CN114384920B (zh) | 2022-03-23 | 2022-06-10 | 安徽大学 | 一种基于局部栅格地图实时构建的动态避障方法 |
| CN114740866A (zh) * | 2022-05-10 | 2022-07-12 | 山东大学 | 基于深度学习的机器人自主探索方法及*** |
| CN115685223B (zh) * | 2022-12-15 | 2023-03-21 | 深圳市智绘科技有限公司 | 位置识别方法、装置、电子设备及可读存储介质 |
| 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 |
| CN117784799B (zh) * | 2024-02-27 | 2024-04-30 | 山东道万电气有限公司 | 一种基于巡检信息的巡检机器人控制*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019190395A1 (en) * | 2018-03-28 | 2019-10-03 | Agency For Science, Technology And Research | Method and system for returning a displaced autonomous mobile robot to its navigational path |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105716613B (zh) * | 2016-04-07 | 2018-10-02 | 北京进化者机器人科技有限公司 | 一种机器人避障中的最短路径规划方法 |
| CN107340768B (zh) * | 2016-12-29 | 2020-08-28 | 珠海市一微半导体有限公司 | 一种智能机器人的路径规划方法 |
| CN108981701B (zh) * | 2018-06-14 | 2022-05-10 | 广东易凌科技股份有限公司 | 一种基于激光slam的室内定位和导航方法 |
| CN108981710B (zh) * | 2018-08-07 | 2019-10-11 | 北京邮电大学 | 一种移动机器人的全覆盖路径规划方法 |
| CN112631266A (zh) * | 2019-09-20 | 2021-04-09 | 杭州海康机器人技术有限公司 | 一种移动机器人感知障碍信息的方法、装置 |
| CN110702120A (zh) * | 2019-11-06 | 2020-01-17 | 小狗电器互联网科技（北京）股份有限公司 | 地图边界处理方法、***、机器人和存储介质 |
| CN112137529B (zh) * | 2020-09-28 | 2021-08-24 | 珠海市一微半导体有限公司 | 一种基于密集障碍物的清扫控制方法 |
| CN112525202A (zh) * | 2020-12-21 | 2021-03-19 | 北京工商大学 | 一种基于多传感器融合的slam定位导航方法及*** |
-
2021
- 2021-04-19 CN CN202110416221.7A patent/CN113110457B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019190395A1 (en) * | 2018-03-28 | 2019-10-03 | Agency For Science, Technology And Research | Method and system for returning a displaced autonomous mobile robot to its navigational path |
Non-Patent Citations (1)
| Title |
|---|
| R-SLAM: Resilient localization and mapping in challenging environments;Muhammet Balcılar；Sırma Yavuz;《Robotics and Autonomous Systems》;20161027;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113110457A (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113110457B (zh) | 在室内复杂动态环境中智能机器人的自主覆盖巡检方法 | |
| Shah et al. | Ving: Learning open-world navigation with visual goals | |
| KR101372482B1 (ko) | 이동 로봇의 경로 계획 방법 및 장치 | |
| Wurm et al. | Coordinated multi-robot exploration using a segmentation of the environment | |
| Schultz et al. | Integrating exploration, localization, navigation and planning with a common representation | |
| KR20220129218A (ko) | 장애물에 관한 비행 상황을 인지하여 무인 이동체의 속도 제어 방법 및 무인 이동체 | |
| CN111609853A (zh) | 三维地图构建方法、扫地机器人及电子设备 | |
| CN118020038A (zh) | 两轮自平衡机器人 | |
| Choi et al. | Improved CNN-based path planning for stairs climbing in autonomous UAV with LiDAR sensor | |
| Sundram et al. | Development of a miniature robot for multi-robot occupancy grid mapping | |
| Roggeman et al. | Embedded vision-based localization and model predictive control for autonomous exploration | |
| CN115690343A (zh) | 一种基于视觉跟随的机器人激光雷达扫描建图方法 | |
| Li et al. | Object-aware view planning for autonomous 3-D model reconstruction of buildings using a mobile robot | |
| Dillmann et al. | PRIAMOS: An advanced mobile system for service, inspection, and surveillance tasks | |
| Shang | Survey of mobile robot vision selflocalization | |
| KR101297608B1 (ko) | 미지 환경에서의 로봇 커버리지 방법 및 시스템 | |
| Liu et al. | Research on SLAM algorithm and navigation of mobile robot based on ROS | |
| Hsu et al. | A graph-based exploration strategy of indoor environments by an autonomous mobile robot | |
| Zhang | Localization, Mapping and Navigation for Autonomous Sweeper Robots | |
| Priyasad et al. | Point cloud based autonomous area exploration algorithm | |
| Guo et al. | Study on map construction of spherical robot based on statistical filtering | |
| Kwak et al. | A mobile robot exploration strategy with low cost sonar and tungsten-halogen structured light | |
| Burguera et al. | A solution for integrating map building and self localization strategies in mobile robotics | |
| Muravyev et al. | Maintaining topological maps for mobile robots | |
| Joshi et al. | Simultaneous Navigator for Autonomous Identification and Localization Robot |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Autonomous coverage inspection method of intelligent robots in complex dynamic indoor environments Granted publication date: 20221115 Pledgee: Hangzhou branch of Zhejiang Tailong Commercial Bank Co.,Ltd. Pledgor: HANGZHOU SHISHANG TECHNOLOGY Co.,Ltd. Registration number: Y2024980004541 |