CN113110507A - 一种自主避障的路径规划方法 - Google Patents
一种自主避障的路径规划方法 Download PDFInfo
- Publication number
- CN113110507A CN113110507A CN202110521302.3A CN202110521302A CN113110507A CN 113110507 A CN113110507 A CN 113110507A CN 202110521302 A CN202110521302 A CN 202110521302A CN 113110507 A CN113110507 A CN 113110507A
- Authority
- CN
- China
- Prior art keywords
- building
- information
- path
- bim
- node
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000033001 locomotion Effects 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 34
- 238000001514 detection method Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000007499 fusion processing Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 238000005065 mining Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000000611 regression analysis Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000006798 recombination Effects 0.000 claims description 6
- 238000005215 recombination Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000007418 data mining Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000002699 waste material 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
- G05D1/0223—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
- G05D1/0212—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
- G05D1/0276—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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种自主避障的路径规划方法,满足建筑机器人进入施工位置全局路径规划最优且可实时避障的要求,通过建筑物BIM模型建立导航地图,通过优化A*算法搜索点选取策略,以及删除路径上的冗余转折点,缩短算法运行时间,且规划出的全局路径不会紧贴着建筑物墙壁,有效降低了机器人与墙体发生碰撞的可能性;结合动态窗ロ算法进行局部路径规划,通过加入的新的刹车判定条件,使得机器人的运动连续化。本发明提供的一种自主避障的路径规划方法解决现在技术所存在的建筑机器人路径规划不合理造成耗时耗能、以及易产生磕碰,规划路径控制机器人运动时运动不连续的问题。本发明作用效果显著,适于广泛推广。
Description
技术领域
本发明涉及路径规划技术领域,特别涉及,一种自主避障的路径规划方法。
背景技术
由于建筑机器人本体尺寸、施工环境空间均很大,且机器人移动速度较缓,现有的路径规划方法规划过程中需要机器人先获取位置环境的信息,耗时耗能。A*算法是一种适用于地图环境已知的全局路径规划算法,在提高搜索效率的同时找到一条最优路径,但规划出的路径紧贴障碍物,不利于安全操作。现有的路径规划方法不具备实时避障的能力,有些在实际控制机器人运动过程中会导致机器人运动不连续。
针对上述问题,设计一种解决现有技术所存在的建筑机器人路径规划不合理造成耗时耗能、以及易产生磕碰,规划路径控制机器人运动时运动不连续的问题。
发明内容
针对上述缺陷,本发明解决的技术问题在于,提供一种自主避障的路径规划方法,以解决现在技术所存在的建筑机器人路径规划不合理造成耗时耗能、以及易产生磕碰,规划路径控制机器人运动时运动不连续的问题。
本发明提供了一种自主避障的路径规划方法,包括:
步骤1、基于建筑物BIM模型,提取并优化建筑物高程信息,根据建筑物高程信息建立导航地图;
步骤2、通过改进的A*算法选取搜索点得到路径节点,删除路径上的冗余转折点,得到规划后的全局路径及路径上的关键点信息,其中关键点包括起点、终点及路径中的必要转折点;
步骤3、基于刹车判定条件,在全局路径关键点之间使用动态窗ロ法进行局部路径规划,得到机器人的连续运动的路径规划结果,动态窗口法的评价函数为G(v,w)=σ[αH(v,w)+βD(v,w)+γV(v,w)],其中H(v,w)为评价机器人以当前的采样速度,达到模拟轨迹末端时的朝向与机器人坐标系原点与下个最优节点连线之间的角度差θ的函数,D(v,w)为机器人在当前轨迹上与最近障碍物之间的距离,V(v,w)为评价当前轨迹速度的函数,α、β、γ为加权系数,σ为平滑函数。
优选地,所述步骤1的具体步骤包括:
步骤1.1、分析建筑物高程信息的BIM分布,构建建筑物高程信息的统计分析模型,根据大数据挖掘和模糊聚类方法得到建筑物高程信息的BIM分布模型;
步骤1.2、构建建筑物高程信息提取的特征重构模型和BIM信息库,进行建筑物高程信息的特征分析;
步骤1.3、基于建筑物高程信息提取的特征重构模型,在BIM信息库中进行高程信息的特征提取和样本采集得到BIM信息特征提取的结果;
步骤1.4、对各个区域的建筑物高程信息进行融合处理,根据信息融合结果进行建筑物高程信息提取;
步骤1.5、根据提取的建筑物高程信息,基于栅格图映射规则,通过栅格图法构建在建筑物里的导航地图。
优选地,所述步骤2的具体步骤包括:
步骤2.1、以构建的导航地图为基础,初始化Open表和Close表,将障点添加到Close表,起始节点s加入到Open表,此时F(s)=G(s),其中Open表用来存储搜索过程中的扩展节点,Close表用来存储搜索过程中代价值最小的节点,F(s)=G(s)+H(s)为节点s的综合优先级即代价值,G(s)为节点s距离起点的实际代价值,H(s)为节点s距离终点的预计代价值即启发函数,启发函数表示为Hd=min{|x(n)-x(g),y(n)-y(g)|}为当前节点与目标节点间水平方向和竖直方向的最小距离,Hs=|x(n)-x(g)|+|y(n)-y(g)|为当前节点与目标节点间水平方向和竖直方向的距离和;
步骤2.2、选取Open表中F值最小的节点p添加到Close表中,记作父节点,作为下次搜索的起始节点,并将该节点从Open表中删除;
步骤2.3、基于搜索点优先选取策略,找出下一次搜索的起始节点s全部可到达的扩展节点Ri,并计算F(Ri)、G(Ri)、H(Ri),若扩展节点中有目标节点g,且F值最小,搜索结束,反之则重复步骤2.2;
步骤2.4、搜索结束后,通过父节点从目标节点g返回起始节点s,顺次连接经过的所有节点,即为搜索路径;
优选地,所述步骤2.3中搜索点优先选取策略具体为:选取下一搜索点时,其周围点R1、R2、...、Rn均为潜在备选点;若随机选定沿R1方向,先判断与R1点相邻的R1’点是否为障碍物,若R1’点不是障碍物,则可选R1点;若R1’点为障碍物,则重新选择其他方向之一;选定下一判定方向后按照同样的规律依次判断。
优选地,所述步骤3的刹车判定条件具体包括:若当前关键点不是终点,则不进行刹车距离判断,继续以当前速度运动;若当前关键点是终点,则进行刹车距离判定,在到达终点时停止运动。
优选地,所述步骤1.1的具体步骤包括:
步骤1.1.1、构建建筑物高程信息的数据集和分布模型,对建筑物高程信息提取模型进行提取,结合大数据的特征融合和分布式聚类处理方法,进行建筑物高程信息的优化提取;
步骤1.1.2、在BIM中,构建建筑物高程信息的参量自动采集模型,得到第i个类建筑物高程信息的模糊聚类中心为vi={vi1,vi2,…,vip},基于关联知识库构建建筑物高程信息的BIM数据库,得到建筑物高程信息模型的正交分布基向量为其中x(k)为BIM信息的特征向量,sj (k)和yj (k)为建筑物高程信息提取的统计特征值;
步骤1.1.3、对各类建筑物高程信息进行模糊融合处理,采用离散数据调度方法,构建建筑物高程信息在N个离散区间的采样点A={a1,…,aN};
步骤1.1.5、结合簇内数据的融合聚类分析方法,进行建筑物高程信息提取的自适应寻优,通过Hi(x)求取最大值max(Hi(x)),得到建筑物高程信息的优化采集和存储模型分布式构造,
步骤1.1.6、采用分组样本回归分析方法构建建筑物高程信息的统计特征量,结合模糊粗糙集映射方法进行建筑物高程信息的采样和样本识别,用N维矢量x(t)表示建筑物高程信息的矢量,得到x(t)=As(t)+n(t),进一步构建建筑物高程信息的统计分析模型,其中
优选地,所述步骤1.2的具体步骤包括:
步骤1.2.1、构建建筑物高程信息提取的特征重构模型,建立高程信息提取的BIM信息库,建筑物高程信息提取的BIM信息特征采样模型为
步骤1.2.4、根据建筑物高程信息的分层特征分布集进行优先级调度,得到建筑物高程信息的子空间聚类模型为E=E1∪E2∪E3,在模糊聚类中心中进行建筑物高程信息的自适应挖掘,基于相关性检测得到建筑物高程信息的统计概率分布为:
步骤1.2.5、a1,a2∈V,b1,b2∈V’时对建筑物高程信息分布的Sink节点EHs(j)和EHt(k),采用高维相空间重组方法进行信息重构,结合特征降维得到建筑物高程信息模糊相关性检测统计值为:
步骤1.2.6、在建筑物高程信息的模糊聚类中心,采用融合性相关检测方法,得到建筑物高程信息的特征分布集为构建建筑物高程信息的统计分布结构模型,基于特征重构和模式识别进行建筑物高程信息的融合聚类,聚类输出为W(p)=GTp2-Cp+αT,W(p)是建筑物高程信息的统计特征值,根据原始数据的监测结果构建BIM信息库模型。
优选地,所述步骤1.3的具体步骤包括:
步骤1.3.2、基于关联规则分层挖掘方法构建建筑物高程信息的关联规则分布模型,采用粗糙集聚类分析方法,得到建筑物高程信息的BIM信息融合的判决统计量;
步骤1.3.3、在BIM信息库中进行高程信息的特征提取和样本采集,结合改进的关联规则挖掘方法进行收敛性控制,直到满足收敛准则,根据覆盖范围提取建筑物高程信息的BIM特征。
优选地,所述步骤1.4的具体步骤包括:
步骤1.4.1、根据建筑物高程信息的数据分布有限集,用向量x=[x1 x2…xk]表示建筑物高程信息提取的标量序列y1和y2,在特征空间得到建筑物高程信息提取的联合分布函数f(y1,y2),构建建筑物高程信息提取的分组检测模型为yi=f(x1,x2,…,xm);
步骤1.4.2、对n个区域的建筑物高程信息进行融合处理,训练数据的特征信息在子空间[Ex-3En,Ex+3En]满足约束条件,得到建筑物高程信息提取的模糊融合度水平为:pi=f(di,d’i)/N=Ti,Oj.f1,…,Oj.fn,Ti,…,Ti,On.f1,…,On.fn,其中Ti表示边缘信息重组的特征分量,为BIM建筑进度信息<Oj.f1,Oj.fn>Ti的边值,Ti∈{T1,T2,T31,T32},Oj.f1…Oj.fn为建筑物高程信息提取的适应度函数;
步骤1.4.3、基于BIM得到建筑物高程信息融合特征量(xi,yi),优化特征解为其中l1,l2…lsi表示建筑物高程信息提取的融合特征集,在有限域边界条件Rx(τ)下,进行建筑物高程信息提取的数据融合,建筑物高程信息的自适应信息融合输出为:T={(x1,y1),(x2,y2),…,(xi,yi),…,(xl,yl)}。
优选地,所述步骤1.5中栅格图映射规则包括:
步骤1.5.1、对于任意障碍物Oi(i=1,2,…)映射到栅格图时,将Oi占据但未完全占满的栅格扩张补齐为长方形,将补齐的区域亦视为障碍物区域不允许路径通过;
由上述方案可知,本发明提供的一种自主避障的路径规划方法是一种新型的导航地图建立方法,满足建筑机器人进入施工位置全局路径规划最优且可实时避障的要求,通过建筑物BIM模型建立导航地图,通过优化A*算法搜索点选取策略,以及删除路径上的冗余转折点,缩短算法运行时间,且规划出的全局路径不会紧贴着建筑物墙壁,有效降低了机器人与墙体发生碰撞的可能性;结合动态窗ロ算法进行局部路径规划,在全局路径关键点之间使用动态窗ロ法,且加入了新的刹车判定条件,使得机器人的运动连续化。本发明作用效果显著,适于广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种自主避障的路径规划方法的过程框图一;
图2为本发明实施例提供的一种自主避障的路径规划方法的过程框图二;
图3为本发明实施例提供的一种自主避障的路径规划方法的搜索点选取示意图;
图4为图1所示的一种自主避障的路径规划方法中关键点之间使用动态窗口法示意图;
图5为使用现有的A*算法进行路径规划的规划结果示意图;
图6为使用图1所示的一种自主避障的路径规划方法进行路径规划的规划结果示意图。
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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
请一并参阅图1至图6,现对本发明提供的一种自主避障的路径规划方法的一种具体实施方式进行说明。该种自主避障的路径规划方法的具体步骤包括:S1、基于建筑物BIM(Building Information Modeling建筑物信息)模型,提取并优化建筑物高程信息,根据建筑物高程信息建立导航地图;
S1的具体步骤包括:
S1.1、分析建筑物高程信息的BIM分布,构建建筑物高程信息的统计分析模型,根据大数据挖掘和模糊聚类方法得到建筑物高程信息的BIM分布模型;
S1.1的具体步骤包括:
S1.1.1、构建建筑物高程信息的数据集和分布模型,对建筑物高程信息提取模型进行提取,结合大数据的特征融合和分布式聚类处理方法,进行建筑物高程信息的优化提取;
S1.1.2、在BIM中,构建建筑物高程信息的参量自动采集模型,得到第i个类建筑物高程信息的模糊聚类中心为vi={vi1,vi2,…,vip},基于关联知识库构建建筑物高程信息的BIM数据库,得到建筑物高程信息模型的正交分布基向量为其中x(k)为BIM信息的特征向量,sj (k)和yj (k)为建筑物高程信息提取的统计特征值;
S1.1.3、对各类建筑物高程信息进行模糊融合处理,采用离散数据调度方法,构建建筑物高程信息在N个离散区间的采样点A={a1,…,aN};
当满足a1<a2<…<aN。建筑物高程信息提取的模糊子空间分类集合X分为c类,分配子符集:1)V1={>a1,>a2,...,>aN-1};2)V2={≥a1,≥a2,...,≥aN};3)V3={<a2,<a3,...,<aN};4)V4={≤a1,≤a2,...,≤aN};5)V5={=a1,=a2,...,=aN}。
S1.1.5、结合簇内数据的融合聚类分析方法,进行建筑物高程信息提取的自适应寻优,通过Hi(x)求取最大值max(Hi(x)),得到建筑物高程信息的优化采集和存储模型分布式构造,
S1.1.6、采用分组样本回归分析方法构建建筑物高程信息的统计特征量,结合模糊粗糙集映射方法进行建筑物高程信息的采样和样本识别,用N维矢量x(t)表示建筑物高程信息的矢量,得到x(t)=As(t)+n(t),进一步构建建筑物高程信息的统计分析模型,根据大数据挖掘和模糊聚类方法,进行建筑物高程信息的BIM分布模型,其中
S1.2、构建建筑物高程信息提取的特征重构模型和BIM信息库,进行建筑物高程信息的特征分析;
S1.2的具体步骤包括:
S1.2.1、构建建筑物高程信息提取的特征重构模型,建立高程信息提取的BIM信息库,建筑物高程信息提取的BIM信息特征采样模型为
ROUTE2(Routeu=us+1…ut+1ut…u10,v=vs+t…v1+tut…u10);
S1.2.4、根据建筑物高程信息的分层特征分布集进行优先级调度,得到建筑物高程信息的子空间聚类模型为E=E1∪E2∪E3,在模糊聚类中心中进行建筑物高程信息的自适应挖掘,基于相关性检测得到建筑物高程信息的统计概率分布为:
S1.2.5、a1,a2∈V,b1,b2∈V’时对建筑物高程信息分布的Sink节点EHs(j)和EHt(k),采用高维相空间重组方法进行信息重构,结合特征降维技术得到建筑物高程信息模糊相关性检测统计值为:
S1.2.6、在建筑物高程信息的模糊聚类中心,采用融合性相关检测方法,得到建筑物高程信息的特征分布集为构建建筑物高程信息的统计分布结构模型,基于特征重构和模式识别方法进行建筑物高程信息的融合聚类,聚类输出为W(p)=GTp2-Cp+αT,W(p)是建筑物高程信息的统计特征值,根据原始数据的监测结果构建BIM信息库模型,有效提高信息的提取能力。
S1.3、基于建筑物高程信息提取的特征重构模型,在BIM信息库中进行高程信息的特征提取和样本采集得到BIM信息特征提取的结果;
S1.3的具体步骤包括:
S1.3.2、基于关联规则分层挖掘方法构建建筑物高程信息的关联规则分布模型,采用粗糙集聚类分析方法,得到建筑物高程信息的BIM信息融合的判决统计量;
建筑物高程信息的BIM信息融合的判决统计量为:
{x=us+1...ut+1;y=vs+1...vt+1;for each ei,if(ui≠vi)I(x,y)=I(x,y)+ei;{(ei=firstselect(I(x,y))//设置建筑物高程信息提取的成功概率y=yn-1yn-2…y0//各变量集合的转发控制协议from x to x+ei;x=x+ei;I(x,y)=I(x,y)-ei;}}
S1.3.3、在BIM信息库中进行高程信息的特征提取和样本采集,结合改进的关联规则挖掘方法进行收敛性控制,直到满足收敛准则,根据覆盖范围提取建筑物高程信息的BIM特征。
S1.4、对各个区域的建筑物高程信息进行融合处理,根据信息融合结果进行建筑物高程信息提取;
S1.4的具体步骤包括:
S1.4.1、根据建筑物高程信息的数据分布有限集,用向量x=[x1 x2…xk]表示建筑物高程信息提取的标量序列y1和y2,在特征空间得到建筑物高程信息提取的联合分布函数f(y1,y2),构建建筑物高程信息提取的分组检测模型为yi=f(x1,x2,…,xm);
S1.4.2、对n个区域的建筑物高程信息进行融合处理,训练数据的特征信息在子空间[Ex-3En,Ex+3En]满足约束条件,得到建筑物高程信息提取的模糊融合度水平为:pi=f(di,d’i)/N=Ti,Oj.f1,…,Oj.fn,Ti,…,Ti,On.f1,…,On.fn,其中Ti表示边缘信息重组的特征分量,为BIM建筑进度信息<Oj.f1,Oj.fn>Ti的边值,Ti∈{T1,T2,T31,T32},Oj.f1…Oj.fn为建筑物高程信息提取的适应度函数;
当H2<H0时,得到建筑物高程信息提取的区域模板函数φkt独立于est,这里Nij≥m。
S1.4.3、基于BIM得到建筑物高程信息融合特征量(xi,yi),优化特征解为其中l1,l2…lsi表示建筑物高程信息提取的融合特征集,在有限域边界条件Rx(τ)下,进行建筑物高程信息提取的数据融合,建筑物高程信息的自适应信息融合输出为:T={(x1,y1),(x2,y2),…,(xi,yi),…,(xl,yl)},根据信息融合结果,在BIM技术下,进行建筑物高程信息的优化提取。
S1.5、根据提取的建筑物高程信息,基于栅格图映射规则,通过栅格图法构建机器人在建筑物里的导航地图。
将提取的有效几何信息映射到二维栅格图中完成地图的建立,通过栅格图法建立准确的环境模型对建筑进行描述,栅格图法具有图示清晰、易于创建和修改等优点。S1.5中栅格图映射规则解决映射时某一几何特征(一面墙或一根柱)无法完全占满整个栅格的问题,具体包括:
S1.5.1、对于任意障碍物Oi(i=1,2,…)映射到二维栅格图时,将Oi占据但未完全占满的栅格扩张补齐为长方形,将补齐的区域亦视为障碍物区域不允许路径通过;
BIM模型具有信息参数化、信息关联性、信息完备性、信息一致性的特点。BIM模型里包含了建筑物的一切几何信息及语义信息,提取BIM模型中的建筑物几何信息及语义信息。
S2、通过改进的A*算法选取搜索点得到路径节点,删除路径上的冗余转折点,得到规划后的全局路径及路径上的关键点信息,其中关键点包括起点、终点及路径中的必要转折点;
路径规划分为全局路径规划和局部路径规划,A*算法以建立良好的导航地图为基础,通过定义全局路径搜索代价函数获取最优路径节点。A*算法在进行路径搜索时,通过不断计算Open表和Close表中节点的F值,找出Open表中F值最小的节点,作为下一次搜索的起始节点,循环更新直到搜索到目标节点停止,找出所有路径节点。
S2的具体步骤包括:
S2.1、以构建的导航地图为基础,初始化Open表和Close表,将障点添加到Close表,起始节点s加入到Open表,此时F(s)=G(s),其中Open表用来存储搜索过程中的扩展节点,Close表用来存储搜索过程中代价值最小的节点,F(s)=G(s)+H(s)为节点s的综合优先级即代价值,G(s)为节点s距离起点的实际代价值,H(s)为节点s距离终点的预计代价值即启发函数,启发函数表示为Hd=min{x(n)-x(g),y(n)-y(g)}为当前节点与目标节点间水平方向和竖直方向的最小距离,Hs=|x(n)-x(g)|+|y(n)-y(g)|为当前节点与目标节点间水平方向和竖直方向的距离和;
S2.2、选取Open表中F值最小的节点p添加到Close表中,记作父节点,作为下次搜索的起始节点,并将该节点从Open表中删除;
通过同时考虑当前节点n到目标节点g的移动距离和移动步数,并进行加权计算得到启发函数。该方法减少路径规划时的搜索节点数量,缩小搜索范围,快速找出最优规划路径。
S2.3、基于搜索点优先选取策略,找出下一次搜索的起始节点s全部可到达的扩展节点Ri,并计算F(Ri)、G(Ri)、H(Ri),若扩展节点中有目标节点g,且F值最小,搜索结束,反之则重复S2.2;
S2.3中搜索点优先选取策略具体为:选取下一搜索点时,其周围点R1、R2、...、Rn均为潜在备选点;若随机选定沿R1方向,先判断与R1点相邻的R1’点是否为障碍物,若R1’点不是障碍物,则可选R1点;若R1’点为障碍物,则重新选择其他方向之一;选定下一判定方向后按照同样的规律依次判断。
示例性的,请参阅图4,机器人R在某一时刻选取下一搜索点时,其周围四个点A、B、C、D均为潜在备选点,若随机选定沿A方向,先判断A点是否为障碍物,若A'不是障碍物,则可选A;若A'为障碍物,则放弃A方向,重新选择其他三个方向之一。而后,其他三个方向按照同样的规律依次判断。若机器人沿A或C方向行走,则需限制B和D方向无障碍物;若机器人沿B或D方向行走,则需限制A和C方向无障碍物。此策略保证机器人行走过程中两侧空间充足,转向时不会与障碍物发生碰撞。
在选取搜索点时设定一定的优先级,依据建筑机器人本体特性,制定搜索点优先选取策略的方法,明显减少搜索区域,运算时间显著缩短,并且机器人通过门时更好的避开墙体。
S2.4、搜索结束后,通过父节点从目标节点g返回起始节点s,顺次连接经过的所有节点,即为搜索路径;
路径规划过程中,每次搜索,根据搜索方向可以选择当前节点的4领域栅格还是8领域栅格。示例性的,采用搜索4领域栅格方式,即机器人不会沿栅格对角线方向前行,此时启发函数为h(n)=|nx-gx|+|ny-gy|,式中,nx、nx、gx、gy为当前节点与终点坐标,该种方式有效避免建筑机器人由于体积较大,在墙角处转向时与墙体发生碰撞的问题。
S2.5、通过Close表,获取路径中所有节点的集合N,N={S,N1,N2,…,Nn,F},基于L函数判断能否直接连接路径上的2个节点Na和Nb,对路径进行平滑处理,L函数表示为其中Na和Nb为路径上不在同一条直线上的2个节点。
S2.5具体的是将路径中不在同一直线上的2个节点连接起来,以判断当前直线是否通过障碍物区域。当2个节点之间不存在障碍物栅格时,则连接2个节点作为新的路径节点并删除中间节点。否则,不作更改并计算后面的路径节点是否能直接连接。利用该方法不断将符合条件的路径节点相连接并去除中间节点生成新的路径。优化后的路径减少了路径长度以及转弯次数。
删除冗余转折点,只保留必要的转折点,有效避免改进的路径上增加许多不必要的转折点,导致机器人的行进速度降低,行程时间延长的问题。
S3、基于刹车判定条件,在全局路径关键点即全局路径上的最优节点之间使用动态窗ロ法进行局部路径规划,得到机器人的连续运动的路径规划结果,动态窗口法的评价函数为G(v,w)=σ[αH(v,w)+βD(v,w)+γV(v,w)],其中H(v,w)为评价机器人以当前的采样速度,达到模拟轨迹末端时的朝向与机器人坐标系原点与下个最优节点连线之间的角度差θ的函数,D(v,w)为机器人在当前轨迹上与最近障碍物之间的距离,若此轨迹上没有障碍物,则将其设为常数,V(v,w)为评价当前轨迹速度的函数,α、β、γ为加权系数,σ为平滑函数。
给定起点和终点后,利用动态窗口法进行计算,生成一个速度窗口,在该速度窗口内采样多组速度(线速度和角速度),依据机器人运动学模型模拟机器人在该速度下一定时间间隔内的轨迹,获取多组轨迹后,根据评价函数选取最优轨迹对应的速度驱动机器人运动。在最优节点之间使用动态窗口法,可使得局部路径满足全局最优要求。
S3的刹车判定条件避免在每两个节点之间使用动态窗口法导致机器人到达终点之前一直处于加速一减速一停止一加速的状态,前行过程不连续,浪费时间且反复启停对机器人造成较大磨损的问题,具体包括:若当前关键点不是终点,则不进行刹车距离判断,继续以当前速度运动;若当前关键点是终点,则进行刹车距离判定,在到达终点时停止运动。
将动态窗口法与A*算法结合,使其满足全局路径最优的同时兼具实时避障能力。与现有技术相比,该种自主避障的路径规划方法基于建筑物BIM模型提出了一种新型的导航地图建立方法,基于传统A*算法,优化其搜索点选取策略,缩短算法运行时间,且规划出的全局路径不会紧贴着建筑物墙壁,有效降低了机器人与墙体发生碰撞的可能性;在A*算法最优节点之间使用动态窗口法进行局部避障,且设定了新的刹车判定条件使得机器人在未到达最终目标点时不会停止运动,具有局部避障能力。本发明解决现在技术所存在的建筑机器人路径规划不合理造成耗时耗能、以及易产生磕碰,规划路径控制机器人运动时运动不连续的问题,作用效果显著,适于广泛推广。
示例性的:对建筑物使用本发明的导航地图创建方法创建导航地图,设置对照组和实验组,其中,实验组使用该种自主避障的路径规划方法进行路径规划,对照组使用现有的A*算法进行路径规划,得到如图5-6所示的路径规划结果,通过对比,最终得出结论:实验组相较于对照组运行时间减少50%以上,每去除一个冗余转折点路径长度减少0.4m,路径与障碍物之间的距离比原始算法増加了2倍,结合了动态窗口法之后能够较好地避开障碍且输出的控制参数连续化。
由上述数据可见,应用该方法进行建筑机器人的路径规划效果十分显著。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种自主避障的路径规划方法,其特征在于,包括:
步骤1、基于建筑物BIM模型,提取并优化建筑物高程信息,根据建筑物高程信息建立导航地图;
步骤2、通过改进的A*算法选取搜索点得到路径节点,删除路径上的冗余转折点,得到规划后的全局路径及路径上的关键点信息,其中关键点包括起点、终点及路径中的必要转折点;
步骤3、基于刹车判定条件,在全局路径关键点之间使用动态窗ロ法进行局部路径规划,得到机器人的连续运动的路径规划结果,动态窗口法的评价函数为G(v,w)=σ[αH(v,w)+βD(v,w)+γV(v,w)],其中H(v,w)为评价机器人以当前的采样速度,达到模拟轨迹末端时的朝向与机器人坐标系原点与下个最优节点连线之间的角度差θ的函数,D(v,w)为机器人在当前轨迹上与最近障碍物之间的距离,V(v,w)为评价当前轨迹速度的函数,α、β、γ为加权系数,σ为平滑函数。
2.根据权利要求1所述的一种自主避障的路径规划方法,其特征在于,所述步骤1的具体步骤包括:
步骤1.1、分析建筑物高程信息的BIM分布,构建建筑物高程信息的统计分析模型,根据大数据挖掘和模糊聚类方法得到建筑物高程信息的BIM分布模型;
步骤1.2、构建建筑物高程信息提取的特征重构模型和BIM信息库,进行建筑物高程信息的特征分析;
步骤1.3、基于建筑物高程信息提取的特征重构模型,在BIM信息库中进行高程信息的特征提取和样本采集得到BIM信息特征提取的结果;
步骤1.4、对各个区域的建筑物高程信息进行融合处理,根据信息融合结果进行建筑物高程信息提取;
步骤1.5、根据提取的建筑物高程信息,基于栅格图映射规则,通过栅格图法构建在建筑物里的导航地图。
3.根据权利要求2所述的一种自主避障的路径规划方法,其特征在于,所述步骤2的具体步骤包括:
步骤2.1、以构建的导航地图为基础,初始化Open表和Close表,将障点添加到Close表,起始节点s加入到Open表,此时F(s)=G(s),其中Open表用来存储搜索过程中的扩展节点,Close表用来存储搜索过程中代价值最小的节点,F(s)=G(s)+H(s)为节点s的综合优先级即代价值,G(s)为节点s距离起点的实际代价值,H(s)为节点s距离终点的预计代价值即启发函数,启发函数表示为Hd=min{|x(n)-x(g),y(n)-y(g)|}为当前节点与目标节点间水平方向和竖直方向的最小距离,Hs=|x(n)-x(g)|+|y(n)-y(g)|为当前节点与目标节点间水平方向和竖直方向的距离和;
步骤2.2、选取Open表中F值最小的节点p添加到Close表中,记作父节点,作为下次搜索的起始节点,并将该节点从Open表中删除;
步骤2.3、基于搜索点优先选取策略,找出下一次搜索的起始节点s全部可到达的扩展节点Ri,并计算F(Ri)、G(Ri)、H(Ri),若扩展节点中有目标节点g,且F值最小,搜索结束,反之则重复步骤2.2;
步骤2.4、搜索结束后,通过父节点从目标节点g返回起始节点s,顺次连接经过的所有节点,即为搜索路径;
4.根据权利要求3所述的一种自主避障的路径规划方法,其特征在于,所述步骤2.3中搜索点优先选取策略具体为:选取下一搜索点时,其周围点R1、R2、...、Rn均为潜在备选点;若随机选定沿R1方向,先判断与R1点相邻的R1’点是否为障碍物,若R1’点不是障碍物,则可选R1点;若R1’点为障碍物,则重新选择其他方向之一;选定下一判定方向后按照同样的规律依次判断。
5.根据权利要求1所述的一种自主避障的路径规划方法,其特征在于,所述步骤3的刹车判定条件具体包括:若当前关键点不是终点,则不进行刹车距离判断,继续以当前速度运动;若当前关键点是终点,则进行刹车距离判定,在到达终点时停止运动。
6.根据权利要求2所述的一种自主避障的路径规划方法,其特征在于,所述步骤1.1的具体步骤包括:
步骤1.1.1、构建建筑物高程信息的数据集和分布模型,对建筑物高程信息提取模型进行提取,结合大数据的特征融合和分布式聚类处理方法,进行建筑物高程信息的优化提取;
步骤1.1.2、在BIM中,构建建筑物高程信息的参量自动采集模型,得到第i个类建筑物高程信息的模糊聚类中心为vi={vi1,vi2,…,vip},基于关联知识库构建建筑物高程信息的BIM数据库,得到建筑物高程信息模型的正交分布基向量为其中x(k)为BIM信息的特征向量,sj (k)和yj (k)为建筑物高程信息提取的统计特征值;
步骤1.1.3、对各类建筑物高程信息进行模糊融合处理,采用离散数据调度方法,构建建筑物高程信息在N个离散区间的采样点A={a1,…,aN};
步骤1.1.5、结合簇内数据的融合聚类分析方法,进行建筑物高程信息提取的自适应寻优,通过Hi(x)求取最大值max(Hi(x)),得到建筑物高程信息的优化采集和存储模型分布式构造,
步骤1.1.6、采用分组样本回归分析方法构建建筑物高程信息的统计特征量,结合模糊粗糙集映射方法进行建筑物高程信息的采样和样本识别,用N维矢量x(t)表示建筑物高程信息的矢量,得到x(t)=As(t)+n(t),进一步构建建筑物高程信息的统计分析模型,其中
7.根据权利要求6所述的一种自主避障的路径规划方法,其特征在于,所述步骤1.2的具体步骤包括:
步骤1.2.1、构建建筑物高程信息提取的特征重构模型,建立高程信息提取的BIM信息库,建筑物高程信息提取的BIM信息特征采样模型为
步骤1.2.4、根据建筑物高程信息的分层特征分布集进行优先级调度,得到建筑物高程信息的子空间聚类模型为E=E1∪E2∪E3,在模糊聚类中心中进行建筑物高程信息的自适应挖掘,基于相关性检测得到建筑物高程信息的统计概率分布为:
步骤1.2.5、a1,a2∈V,b1,b2∈V’时对建筑物高程信息分布的Sink节点EHs(j)和EHt(k),采用高维相空间重组方法进行信息重构,结合特征降维得到建筑物高程信息模糊相关性检测统计值为:
9.根据权利要求8所述的一种自主避障的路径规划方法,其特征在于,所述步骤1.4的具体步骤包括:
步骤1.4.1、根据建筑物高程信息的数据分布有限集,用向量x=[x1 x2…xk]表示建筑物高程信息提取的标量序列y1和y2,在特征空间得到建筑物高程信息提取的联合分布函数f(y1,y2),构建建筑物高程信息提取的分组检测模型为yi=f(x1,x2,…,xm);
步骤1.4.2、对n个区域的建筑物高程信息进行融合处理,训练数据的特征信息在子空间[Ex-3En,Ex+3En]满足约束条件,得到建筑物高程信息提取的模糊融合度水平为:pi=f(di,d’i)/N=Ti,Oj.f1,…,Oj.fn,Ti,…,Ti,On.f1,…,On.fn,其中Ti表示边缘信息重组的特征分量,为BIM建筑进度信息<Oj.f1,Oj.fn>Ti的边值,Ti∈{T1,T2,T31,T32},Oj.f1…Oj.fn为建筑物高程信息提取的适应度函数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110521302.3A CN113110507A (zh) | 2021-05-13 | 2021-05-13 | 一种自主避障的路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110521302.3A CN113110507A (zh) | 2021-05-13 | 2021-05-13 | 一种自主避障的路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113110507A true CN113110507A (zh) | 2021-07-13 |
Family
ID=76722146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110521302.3A Withdrawn CN113110507A (zh) | 2021-05-13 | 2021-05-13 | 一种自主避障的路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113110507A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419542A (zh) * | 2021-07-16 | 2021-09-21 | 浙江大华技术股份有限公司 | 一种路径规划的方法、装置及存储介质 |
CN113494926A (zh) * | 2021-09-06 | 2021-10-12 | 深圳慧拓无限科技有限公司 | 一种寻路方法、装置以及设备 |
CN113960969A (zh) * | 2021-10-27 | 2022-01-21 | 陈凯妍 | 一种基于大数据的物流仓储的调度方法及*** |
CN114092805A (zh) * | 2021-11-08 | 2022-02-25 | 青岛理工大学 | 一种基于建筑模型的机器狗识别裂痕方法 |
WO2023045029A1 (zh) * | 2021-09-27 | 2023-03-30 | 武汉理工大学 | 海盗区域船舶航线规划方法、***、电子设备及存储介质 |
-
2021
- 2021-05-13 CN CN202110521302.3A patent/CN113110507A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419542A (zh) * | 2021-07-16 | 2021-09-21 | 浙江大华技术股份有限公司 | 一种路径规划的方法、装置及存储介质 |
CN113494926A (zh) * | 2021-09-06 | 2021-10-12 | 深圳慧拓无限科技有限公司 | 一种寻路方法、装置以及设备 |
WO2023045029A1 (zh) * | 2021-09-27 | 2023-03-30 | 武汉理工大学 | 海盗区域船舶航线规划方法、***、电子设备及存储介质 |
CN113960969A (zh) * | 2021-10-27 | 2022-01-21 | 陈凯妍 | 一种基于大数据的物流仓储的调度方法及*** |
CN114092805A (zh) * | 2021-11-08 | 2022-02-25 | 青岛理工大学 | 一种基于建筑模型的机器狗识别裂痕方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113110507A (zh) | 一种自主避障的路径规划方法 | |
CN110487279B (zh) | 一种基于改进a*算法的路径规划方法 | |
CN111610786B (zh) | 基于改进rrt算法的移动机器人路径规划方法 | |
CN107247961B (zh) | 一种应用模糊轨迹序列的轨迹预测方法 | |
CN111626128A (zh) | 一种基于改进YOLOv3的果园环境下行人检测方法 | |
CN106714110A (zh) | 一种Wi‑Fi位置指纹地图自动构建方法及*** | |
CN109163722B (zh) | 一种仿人机器人路径规划方法及装置 | |
CN115268443A (zh) | 一种机器人避障路径规划方法 | |
CN114913386A (zh) | 一种多目标跟踪模型的训练方法以及多目标跟踪方法 | |
CN112906812A (zh) | 基于带离群点去除的车辆轨迹聚类方法 | |
CN111695737A (zh) | 一种基于lstm神经网络的群目标行进趋势预测方法 | |
CN116383685A (zh) | 一种基于时空交互图注意力网络的车辆变道检测方法 | |
CN113189988A (zh) | 一种基于Harris算法与RRT算法复合的自主路径规划方法 | |
CN113903173B (zh) | 一种基于有向图结构和lstm的车辆轨迹特征提取方法 | |
Li | Path planning of intelligent mobile robot based on Dijkstra algorithm | |
CN111722306A (zh) | 一种基于tcn网络模型台风登陆强度预测方法和*** | |
CN110726416A (zh) | 一种基于障碍区域扩张策略的强化学习路径规划方法 | |
CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
CN112859807A (zh) | 基于态势模拟和蒙特卡罗的水下航行器协同搜索效能评估方法 | |
CN109977455B (zh) | 一种适用于带地形障碍三维空间的蚁群优化路径构建方法 | |
CN117037483A (zh) | 一种基于多头注意力机制的交通流预测方法 | |
CN114613159B (zh) | 基于深度强化学习的交通信号灯控制方法、装置及设备 | |
CN110887503B (zh) | 移动轨迹模拟方法、装置、设备及介质 | |
CN113744302A (zh) | 动态目标行为预测方法和*** | |
CN113741416B (zh) | 基于改进捕食者猎物模型和dmpc的多机器人全覆盖路径规划方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210713 |