CN113296519A - 一种基于麦克纳姆轮的移动机器人运动规划方法及*** - Google Patents

Abstract

本发明涉及一种基于麦克纳姆轮的移动机器人运动规划方法及***，该方法包括：创建基于工作空间的栅格地图；基于所述栅格地图，采用A*算法对基于麦克纳姆轮的移动机器人进行全局路径规划，得到全局路径；所述全局路径为所述移动机器人从起点到终点的路径，所述全局路径上包括多个节点；将所述全局路径上的每个节点作为目标点，基于改进的动态窗口法，对所述移动机器人进行局部轨迹规划，跟踪所述全局路径。本发明全局路径搜索效率高、局部避障效果好、鲁棒性强，可以帮助基于麦克纳姆轮的移动机器人基于现场环境自主规划路径、灵活避障、安全稳定运动，提高运动的灵活性，增强运动的自主性。

Description

一种基于麦克纳姆轮的移动机器人运动规划方法及***

技术领域

本发明涉及移动机器人技术自主导航技术领域，特别是涉及一种基于麦克纳姆轮的移动机器人运动规划方法及***。

背景技术

移动机器人自主导航路径规划可以分为基于全局静态环境的全局路径规划和基于局部传感器信息完成避障的局部轨迹规划方法。常用的全局路径规划方法有以A*算法，D*算法及其变种为代表的启发式搜索算法，以RRT及其变种为代表的采样搜索算法。A*算法是一种鲁棒性强，搜索效率高的全局路径搜索算法。常用的局部路径规划方法有人工势场法和动态窗口法。动态窗口法是一种基于速度采样的局部轨迹规划方法。该方法具有良好的避障效果，适用于动态环境中，被广泛的应用于移动机器人领域。

现有的基于麦克纳姆轮的移动机器人自主导航方法多采用PID控制等简单算法，控制麦克纳姆轮移动机器人在简单环境下沿固定路径运动。但是，一方面随着麦克纳姆轮移动机器人的广泛应用，当障碍物及周围环境变得复杂时，简单的控制算法并不能解决其在各种场景下的运动问题，导致移动机器人沿规划的路径运动的安全性能低；另一方面随着其智能化程度的提高，提升麦克纳姆轮移动机器人的自主性有着重要的现实需求与意义。

发明内容

本发明的目的是提供一种基于麦克纳姆轮的移动机器人运动规划方法及***，以提高移动机器人的运动安全性能。

为实现上述目的，本发明提供了如下方案：

一种基于麦克纳姆轮的移动机器人运动规划方法，包括：

创建基于工作空间的栅格地图；

基于所述栅格地图，采用A*算法对基于麦克纳姆轮的移动机器人进行全局路径规划，得到全局路径；所述全局路径为所述移动机器人从起点到终点的路径，所述全局路径上包括多个节点；

将所述全局路径上的每个节点作为目标点，基于改进的动态窗口法，对所述移动机器人进行局部轨迹规划，跟踪所述全局路径。

可选的，所述将所述全局路径上的每个节点作为目标点，基于改进的动态窗口法，对所述移动机器人进行局部轨迹规划，跟踪所述全局路径，具体包括：

对于所述全局路径上的第i个节点，确定所述移动机器人的航向角搜索空间和所述移动机器人在下一时刻的速度搜索空间；

在所述速度搜索空间内进行速度采样，在所述航向角搜索空间内进行航向角采样，得到多组速度和航向角组合；

根据当前第i个节点处所述移动机器人的位置，基于多组速度和航向角组合对所述移动机器人下一时刻的轨迹进行预测，得到每组速度和航向角组合对应的局部轨迹；

将第i+1个节点作为目标点，筛选所有局部轨迹中的最优轨迹，将所述最优轨迹确定为所述第i个节点下一时刻的运动轨迹。

可选的，所述对于所述全局路径上的第i个节点，确定所述移动机器人的航向角搜索空间和所述移动机器人在下一时刻的速度搜索空间，具体包括：

基于所述移动机器人的运动学约束，确定所述移动机器人的第一速度范围和所述航向角搜索空间；

基于所述移动机器人中电机加减速性能约束，确定所述移动机器人在下一时刻的第二速度范围；

将所述第一速度范围和所述第二速度范围的交集确定为所述移动机器人在下一时刻的速度搜索空间。

可选的，所述根据当前第i个节点处所述移动机器人的位置，基于多组速度和航向角组合对所述移动机器人下一时刻的轨迹进行预测，得到每组速度和航向角组合对应的局部轨迹，具体包括：

对于第j组速度和航向角组合，利用横向轨迹预测方程x_t+1＝x_t+vcos(θ)dt-vsin(θ)dt对所述移动机器人下一时刻的横向轨迹进行预测，利用纵向轨迹预测方程y_t+1＝y_t+vsin(θ)dt+vcos(θ)dt对所述移动机器人下一时刻的纵向轨迹进行预测；式中，x_t+1表示下一时刻移动机器人在横向的位置，x_t表示当前时刻移动机器人在横向的位置，v表示第j组速度和航向角组合中移动机器人的速度，θ表示第j组速度和航向角组合中移动机器人运动的航向角，dt表示运动控制时间，y_t表示当前时刻移动机器人在纵向的位置，y_t+1表示下一时刻移动机器人在纵向的位置。

可选的，所述将第i+1个节点作为目标点，筛选所有局部轨迹中的最优轨迹，将所述最优轨迹确定为所述第i个节点下一时刻的运动轨迹，具体包括：

将第i+1个节点作为目标点，利用评价函数计算每个局部轨迹的评价函数值；所述评价函数为：F(n)＝σ·(α·goaldist(v,θ)+β·obsdist(v,θ)+γ·vel(v))；式中，F(n)为评价函数值，goaldist(v,θ)为局部目标距离评价函数，α为局部目标距离评价函数的权重；obsdist(v,θ)为与障碍物位置的距离评价函数，β为与障碍物位置的距离评价函数的权重；vel(v)为速度评价函数，γ为速度评价函数的权重；σ为平滑因子；

将评价函数值最小的局部轨迹确定为所述最优轨迹，将所述最优轨迹确定为所述第i个节点下一时刻的运动轨迹。

本发明还提供一种基于麦克纳姆轮的移动机器人运动规划***，包括：

栅格地图创建模块，用于创建基于工作空间的栅格地图；

全局路径规划模块，用于基于所述栅格地图，采用A*算法对基于麦克纳姆轮的移动机器人进行全局路径规划，得到全局路径；所述全局路径为所述移动机器人从起点到终点的路径，所述全局路径上包括多个节点；

全局路径跟踪模块，用于将所述全局路径上的每个节点作为目标点，基于改进的动态窗口法，对所述移动机器人进行局部轨迹规划，跟踪所述全局路径。

可选的，所述全局路径跟踪模块，具体包括：

搜索空间确定单元，用于对于所述全局路径上的第i个节点，确定所述移动机器人的航向角搜索空间和所述移动机器人在下一时刻的速度搜索空间；

采样单元，用于在所述速度搜索空间内进行速度采样，在所述航向角搜索空间内进行航向角采样，得到多组速度和航向角组合；

下一时刻轨迹预测单元，用于根据当前第i个节点处所述移动机器人的位置，基于多组速度和航向角组合对所述移动机器人下一时刻的轨迹进行预测，得到每组速度和航向角组合对应的局部轨迹；

下一时刻运动轨迹确定单元，用于将第i+1个节点作为目标点，筛选所有局部轨迹中的最优轨迹，将所述最优轨迹确定为所述第i个节点下一时刻的运动轨迹。

可选的，所述搜索空间确定单元，具体包括：

运动学约束分析子单元，用于基于所述移动机器人的运动学约束，确定所述移动机器人的第一速度范围和所述航向角搜索空间；

电机加减速性能约束分析子单元，用于基于所述移动机器人中电机加减速性能约束，确定所述移动机器人在下一时刻的第二速度范围；

速度搜索空间确定子单元，用于将所述第一速度范围和所述第二速度范围的交集确定为所述移动机器人在下一时刻的速度搜索空间。

可选的，所述下一时刻轨迹预测单元，具体包括：

横向轨迹预测子单元，用于对于第j组速度和航向角组合，利用横向轨迹预测方程x_t+1＝x_t+vcos(θ)dt-vsin(θ)dt对所述移动机器人下一时刻的横向轨迹进行预测；

纵向轨迹预测子单元，用于利用纵向轨迹预测方程y_t+1＝y_t+vsin(θ)dt+vcos(θ)dt对所述移动机器人下一时刻的纵向轨迹进行预测；

式中，x_t+1表示下一时刻移动机器人在横向的位置，x_t表示当前时刻移动机器人在横向的位置，v表示第j组速度和航向角组合中移动机器人的速度，θ表示第j组速度和航向角组合中移动机器人运动的航向角，dt表示运动控制时间，y_t表示当前时刻移动机器人在纵向的位置，y_t+1表示下一时刻移动机器人在纵向的位置。

可选的，所述下一时刻运动轨迹确定单元，具体包括：

局部轨迹评价子单元，用于将第i+1个节点作为目标点，利用评价函数计算每个局部轨迹的评价函数值；所述评价函数为：F(n)＝σ·(α·goaldist(v,θ)+β·obsdist(v,θ)+γ·vel(v))；式中，F(n)为评价函数值，goaldist(v,θ)为局部目标距离评价函数，α为局部目标距离评价函数的权重；obsdist(v,θ)为与障碍物位置的距离评价函数，β为与障碍物位置的距离评价函数的权重；vel(v)为速度评价函数，γ为速度评价函数的权重；σ为平滑因子；

下一时刻运动轨迹确定子单元，用于将评价函数值最小的局部轨迹确定为所述最优轨迹，将所述最优轨迹确定为所述第i个节点下一时刻的运动轨迹。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明基于麦克纳姆轮的移动机器人运动规划方法，采用全局路径搜索效率高，能保证路径最短的A*路径规划算法。局部轨迹规划采用改进动态窗口法中的轨迹预测模型，速度搜索空间和评价函数，为麦克纳姆轮移动机器人的自主导航提供了一种局部避障效果好、鲁棒性强的轨迹规划方法。最终解决基于麦克纳姆轮的移动机器人在实际复杂环境下运动规划，无人自主移动的问题，从而提高其灵活性和自主移动性能。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于麦克纳姆轮的移动机器人运动规划方法的流程示意图；

图2为本发明基于麦克纳姆轮的移动机器人的底盘结构示意图；

图3为创建的八连接栅格地图，使用A*算法搜索全局路径点的示意图；

图4为移动机器人运动航向角示意图；

图5为局部目标距离评价函数示意图；

图6为本发明基于麦克纳姆轮的移动机器人运动规划方法运行效果图；

图7为本发明基于麦克纳姆轮的移动机器人运动规划***的结构示意图。

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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明基于麦克纳姆轮的移动机器人运动规划方法的流程示意图。如图1所示，本发明基于麦克纳姆轮的移动机器人运动规划方法包括以下步骤：

步骤100：创建基于工作空间的栅格地图。具体的，将工作空间划分成若干单元格，形成单元栅格。每个单元栅格中心分别与其相邻的上下左右和四个对角方向，共八个单元栅格中心相连形成边，创建栅格地图。如图3所示，相邻的两个单元栅格的中心可以连接形成边，这些边形成栅格地图。

步骤200：基于所述栅格地图，采用A*算法对基于麦克纳姆轮的移动机器人进行全局路径规划，得到全局路径。麦克纳姆轮移动机器人底盘结构如图2所示，使用A*算法在所创建的栅格地图上进行全局最优路径搜索，获得从起点到终点的若干中间点(节点)，即得到全局路径，如图3所示，该全局路径为移动机器人从起点到终点的全局无碰撞路径。

步骤300：将全局路径上的每个节点作为目标点，基于改进的动态窗口法，对移动机器人进行局部轨迹规划，跟踪全局路径。跟踪全局路径的过程即是对全局路径上每个节点作为局部轨迹规划的目标点，然后进行局部轨迹规划。以全局路径上第i个节点为例，进行局部轨迹规划的具体过程如下：

首先，确定所述移动机器人的航向角搜索空间和所述移动机器人在下一时刻的速度搜索空间。根据移动机器人本身的动力学约束，移动机器人存在自身的航向角范围和速度范围，航向角示意图如图4所示，即移动机器人在运动过程中可达到的航向角范围和速度范围，用下式表示：

V_s＝{v|v∈[v_min,v_max]}

θ＝{θ_t|θ_t∈[θ_min,θ_max]}

v_min表示移动机器人运动的最小合速度，v_max表示移动机器人运动的最大合速度；θ_min表示移动机器人运动的最小航向角，θ_max表示移动机器人运动的最大航向角，该航向角范围[θ_min,θ_max]即为航向角搜索空间。

基于移动机器人中电机加减速性能约束，移动机器人存在加速度的范围，进而根据当前时刻移动机器人的速度，可以确定移动机器人移动的最大速度和最小速度，得到一个速度范围，用下式表示：

V_d＝{v|v∈[v_c-α·dt,v_c+α·dt]}

v_c表示移动机器人当前时刻的合速度，α表示移动机器人当前时刻的合加速度；dt表示运动控制时间。

移动机器人在移动过程中需要同时满足运动学约束和电机加减速性能约束，因此将运动学约束下的速度范围和电机加减速性能约束下的速度范围求交集，即可得到移动机器人在下一时刻的运动范围，即运动搜索空间。

然后，在上述速度搜索空间内进行速度采样，在上述航向角搜索空间内进行航向角采样，对采样的速度和采样的航向角进行组合，可以得到多组速度和航向角组合。

接着，根据当前第i个节点处所述移动机器人的位置，基于多组速度和航向角组合对所述移动机器人下一时刻的轨迹进行预测，得到每组速度和航向角组合对应的局部轨迹。轨迹预测运动方程如下，

x_t+1＝x_t+vcos(θ)dt-vsin(θ)dt

y_t+1＝y_t+vsin(θ)dt+vcos(θ)dt

其中，在全局坐标系X_gO_gY_g下，x_t表示当前时刻移动机器人在X_g轴(横向)的位置，y_t表示当前时刻移动机器人在Y_g轴(纵向)的位置，x_t+1表示下一时刻移动机器人在X_g轴的位置，y_t+1表示下一时刻移动机器人在Y_g轴的位置，v表示移动机器人的速度，θ表示表示移动机器人运动的航向角，dt表示运动控制时间。

最后，将第i+1个节点作为目标点，筛选所有局部轨迹中的最优轨迹，将所述最优轨迹确定为所述第i个节点下一时刻的运动轨迹。筛选过程中，先对所有的局部轨迹进行障碍物碰撞检测，丢弃与障碍物发生碰撞的轨迹，保留安全无碰轨迹。障碍物碰撞检测的原理是，对采样的每组速度和航向角(v,θ)在计算完局部轨迹之后，再计算移动机器人在该速度下减速到速度为零的减速位移，最后将该减速位移与传感器测得的障碍物的安全距离比较，减速位移大于安全距离即为与障碍物发生碰撞的轨迹，因此只保留小于障碍物安全距离的局部轨迹。减速位移公式如下：

其中，v表示移动机器人的速度，α表示移动机器人的加速度，dist(v,θ)表示移动机器人在全局坐标系X_gO_gY_g下的运动位移。

在筛选完不会与障碍物发生碰撞的局部轨迹之后，对保留的局部轨迹利用评价函数，计算每条局部轨迹的函数值，评价函数如下：

F(n)＝σ·(α·goaldist(v,θ)+β·obsdist(v,θ)+γ·vel(v))

其中，goaldist(v,θ)为局部目标距离评价函数，如图5所示，α为其权重；obsdist(v,θ)为与障碍物位置的距离评价函数，β为其权重；vel(v)为速度评价函数，γ为其权重；σ为平滑因子。

然后将评价函数值最小的局部轨迹确定为当前节点的最优轨迹，即当前节点下一时刻的运动轨迹。

对每个节点进行局部路径规划之后，完成全局路径的跟踪，基于麦克纳姆轮的移动机器人运动规划方法运行效果图如图6所示。

基于上述方案，本发明还提供一种基于麦克纳姆轮的移动机器人运动规划***，图7为本发明基于麦克纳姆轮的移动机器人运动规划***的结构示意图。如图7所示，本发明基于麦克纳姆轮的移动机器人运动规划***包括：

栅格地图创建模块701，用于创建基于工作空间的栅格地图。

全局路径规划模块702，用于基于所述栅格地图，采用A*算法对基于麦克纳姆轮的移动机器人进行全局路径规划，得到全局路径；所述全局路径为所述移动机器人从起点到终点的路径，所述全局路径上包括多个节点。

全局路径跟踪模块703，用于将所述全局路径上的每个节点作为目标点，基于改进的动态窗口法，对所述移动机器人进行局部轨迹规划，跟踪所述全局路径。

作为具体实施例，本发明基于麦克纳姆轮的移动机器人运动规划***中，所述全局路径跟踪模块703，具体包括：

搜索空间确定单元，用于对于所述全局路径上的第i个节点，确定所述移动机器人的航向角搜索空间和所述移动机器人在下一时刻的速度搜索空间。

采样单元，用于在所述速度搜索空间内进行速度采样，在所述航向角搜索空间内进行航向角采样，得到多组速度和航向角组合。

下一时刻轨迹预测单元，用于根据当前第i个节点处所述移动机器人的位置，基于多组速度和航向角组合对所述移动机器人下一时刻的轨迹进行预测，得到每组速度和航向角组合对应的局部轨迹。

下一时刻运动轨迹确定单元，用于将第i+1个节点作为目标点，筛选所有局部轨迹中的最优轨迹，将所述最优轨迹确定为所述第i个节点下一时刻的运动轨迹。

作为具体实施例，本发明基于麦克纳姆轮的移动机器人运动规划***中，所述搜索空间确定单元，具体包括：

运动学约束分析子单元，用于基于所述移动机器人的运动学约束，确定所述移动机器人的第一速度范围和所述航向角搜索空间。

电机加减速性能约束分析子单元，用于基于所述移动机器人中电机加减速性能约束，确定所述移动机器人在下一时刻的第二速度范围。

速度搜索空间确定子单元，用于将所述第一速度范围和所述第二速度范围的交集确定为所述移动机器人在下一时刻的速度搜索空间。

作为具体实施例，本发明基于麦克纳姆轮的移动机器人运动规划***中，所述下一时刻轨迹预测单元，具体包括：

横向轨迹预测子单元，用于对于第j组速度和航向角组合，利用横向轨迹预测方程x_t+1＝x_t+vcos(θ)dt-vsin(θ)dt对所述移动机器人下一时刻的横向轨迹进行预测。

纵向轨迹预测子单元，用于利用纵向轨迹预测方程y_t+1＝y_t+vsin(θ)dt+vcos(θ)dt对所述移动机器人下一时刻的纵向轨迹进行预测。

式中，x_t+1表示下一时刻移动机器人在横向的位置，x_t表示当前时刻移动机器人在横向的位置，v表示第j组速度和航向角组合中移动机器人的速度，θ表示第j组速度和航向角组合中移动机器人运动的航向角，dt表示运动控制时间，y_t表示当前时刻移动机器人在纵向的位置，y_t+1表示下一时刻移动机器人在纵向的位置。

作为具体实施例，本发明基于麦克纳姆轮的移动机器人运动规划***中，所述下一时刻运动轨迹确定单元，具体包括：

局部轨迹评价子单元，用于将第i+1个节点作为目标点，利用评价函数计算每个局部轨迹的评价函数值；所述评价函数为：F(n)＝σ·(α·goaldist(v,θ)+β·obsdist(v,θ)+γ·vel(v))；式中，F(n)为评价函数值，goaldist(v,θ)为局部目标距离评价函数，α为局部目标距离评价函数的权重；obsdist(v,θ)为与障碍物位置的距离评价函数，β为与障碍物位置的距离评价函数的权重；vel(v)为速度评价函数，γ为速度评价函数的权重；σ为平滑因子。

下一时刻运动轨迹确定子单元，用于将评价函数值最小的局部轨迹确定为所述最优轨迹，将所述最优轨迹确定为所述第i个节点下一时刻的运动轨迹。

本发明提供的基于麦克纳姆轮的移动机器人运动规划方法及***，全局路径搜索效率高、局部避障效果好、鲁棒性强，可以帮助基于麦克纳姆轮的移动机器人基于现场环境自主规划路径、灵活避障、安全稳定运动，提高运动的灵活性，增强运动的自主性。

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他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于麦克纳姆轮的移动机器人运动规划方法，其特征在于，包括：

创建基于工作空间的栅格地图；

基于所述栅格地图，采用A*算法对基于麦克纳姆轮的移动机器人进行全局路径规划，得到全局路径；所述全局路径为所述移动机器人从起点到终点的路径，所述全局路径上包括多个节点；

将所述全局路径上的每个节点作为目标点，基于改进的动态窗口法，对所述移动机器人进行局部轨迹规划，跟踪所述全局路径。

2.根据权利要求1所述的基于麦克纳姆轮的移动机器人运动规划方法，其特征在于，所述将所述全局路径上的每个节点作为目标点，基于改进的动态窗口法，对所述移动机器人进行局部轨迹规划，跟踪所述全局路径，具体包括：

对于所述全局路径上的第i个节点，确定所述移动机器人的航向角搜索空间和所述移动机器人在下一时刻的速度搜索空间；

在所述速度搜索空间内进行速度采样，在所述航向角搜索空间内进行航向角采样，得到多组速度和航向角组合；

根据当前第i个节点处所述移动机器人的位置，基于多组速度和航向角组合对所述移动机器人下一时刻的轨迹进行预测，得到每组速度和航向角组合对应的局部轨迹；

将第i+1个节点作为目标点，筛选所有局部轨迹中的最优轨迹，将所述最优轨迹确定为所述第i个节点下一时刻的运动轨迹。

3.根据权利要求2所述的基于麦克纳姆轮的移动机器人运动规划方法，其特征在于，所述对于所述全局路径上的第i个节点，确定所述移动机器人的航向角搜索空间和所述移动机器人在下一时刻的速度搜索空间，具体包括：

基于所述移动机器人的运动学约束，确定所述移动机器人的第一速度范围和所述航向角搜索空间；

基于所述移动机器人中电机加减速性能约束，确定所述移动机器人在下一时刻的第二速度范围；

将所述第一速度范围和所述第二速度范围的交集确定为所述移动机器人在下一时刻的速度搜索空间。

4.根据权利要求2所述的基于麦克纳姆轮的移动机器人运动规划方法，其特征在于，所述根据当前第i个节点处所述移动机器人的位置，基于多组速度和航向角组合对所述移动机器人下一时刻的轨迹进行预测，得到每组速度和航向角组合对应的局部轨迹，具体包括：

对于第j组速度和航向角组合，利用横向轨迹预测方程x_t+1＝x_t+vcos(θ)dt-vsin(θ)dt对所述移动机器人下一时刻的横向轨迹进行预测，利用纵向轨迹预测方程y_t+1＝y_t+vsin(θ)dt+vcos(θ)dt对所述移动机器人下一时刻的纵向轨迹进行预测；式中，x_t+1表示下一时刻移动机器人在横向的位置，x_t表示当前时刻移动机器人在横向的位置，v表示第j组速度和航向角组合中移动机器人的速度，θ表示第j组速度和航向角组合中移动机器人运动的航向角，dt表示运动控制时间，y_t表示当前时刻移动机器人在纵向的位置，y_t+1表示下一时刻移动机器人在纵向的位置。

5.根据权利要求2所述的基于麦克纳姆轮的移动机器人运动规划方法，其特征在于，所述将第i+1个节点作为目标点，筛选所有局部轨迹中的最优轨迹，将所述最优轨迹确定为所述第i个节点下一时刻的运动轨迹，具体包括：

将第i+1个节点作为目标点，利用评价函数计算每个局部轨迹的评价函数值；所述评价函数为：F(n)＝σ·(α·goaldist(v,θ)+β·obsdist(v,θ)+γ·vel(v))；式中，F(n)为评价函数值，goaldist(v,θ)为局部目标距离评价函数，α为局部目标距离评价函数的权重；obsdist(v,θ)为与障碍物位置的距离评价函数，β为与障碍物位置的距离评价函数的权重；vel(v)为速度评价函数，γ为速度评价函数的权重；σ为平滑因子；

将评价函数值最小的局部轨迹确定为所述最优轨迹，将所述最优轨迹确定为所述第i个节点下一时刻的运动轨迹。

6.一种基于麦克纳姆轮的移动机器人运动规划***，其特征在于，包括：

栅格地图创建模块，用于创建基于工作空间的栅格地图；

全局路径规划模块，用于基于所述栅格地图，采用A*算法对基于麦克纳姆轮的移动机器人进行全局路径规划，得到全局路径；所述全局路径为所述移动机器人从起点到终点的路径，所述全局路径上包括多个节点；

全局路径跟踪模块，用于将所述全局路径上的每个节点作为目标点，基于改进的动态窗口法，对所述移动机器人进行局部轨迹规划，跟踪所述全局路径。

7.根据权利要求6所述的基于麦克纳姆轮的移动机器人运动规划***，其特征在于，所述全局路径跟踪模块，具体包括：

搜索空间确定单元，用于对于所述全局路径上的第i个节点，确定所述移动机器人的航向角搜索空间和所述移动机器人在下一时刻的速度搜索空间；

采样单元，用于在所述速度搜索空间内进行速度采样，在所述航向角搜索空间内进行航向角采样，得到多组速度和航向角组合；

下一时刻轨迹预测单元，用于根据当前第i个节点处所述移动机器人的位置，基于多组速度和航向角组合对所述移动机器人下一时刻的轨迹进行预测，得到每组速度和航向角组合对应的局部轨迹；

下一时刻运动轨迹确定单元，用于将第i+1个节点作为目标点，筛选所有局部轨迹中的最优轨迹，将所述最优轨迹确定为所述第i个节点下一时刻的运动轨迹。

8.根据权利要求7所述的基于麦克纳姆轮的移动机器人运动规划***，其特征在于，所述搜索空间确定单元，具体包括：

运动学约束分析子单元，用于基于所述移动机器人的运动学约束，确定所述移动机器人的第一速度范围和所述航向角搜索空间；

电机加减速性能约束分析子单元，用于基于所述移动机器人中电机加减速性能约束，确定所述移动机器人在下一时刻的第二速度范围；

速度搜索空间确定子单元，用于将所述第一速度范围和所述第二速度范围的交集确定为所述移动机器人在下一时刻的速度搜索空间。

9.根据权利要求7所述的基于麦克纳姆轮的移动机器人运动规划***，其特征在于，所述下一时刻轨迹预测单元，具体包括：

横向轨迹预测子单元，用于对于第j组速度和航向角组合，利用横向轨迹预测方程x_t+1＝x_t+vcos(θ)dt-vsin(θ)dt对所述移动机器人下一时刻的横向轨迹进行预测；

纵向轨迹预测子单元，用于利用纵向轨迹预测方程y_t+1＝y_t+vsin(θ)dt+vcos(θ)dt对所述移动机器人下一时刻的纵向轨迹进行预测；

式中，x_t+1表示下一时刻移动机器人在横向的位置，x_t表示当前时刻移动机器人在横向的位置，v表示第j组速度和航向角组合中移动机器人的速度，θ表示第j组速度和航向角组合中移动机器人运动的航向角，dt表示运动控制时间，y_t表示当前时刻移动机器人在纵向的位置，y_t+1表示下一时刻移动机器人在纵向的位置。

10.根据权利要求7所述的基于麦克纳姆轮的移动机器人运动规划***，其特征在于，所述下一时刻运动轨迹确定单元，具体包括：

局部轨迹评价子单元，用于将第i+1个节点作为目标点，利用评价函数计算每个局部轨迹的评价函数值；所述评价函数为：F(n)＝σ·(α·goaldist(v,θ)+β·obsdist(v,θ)+γ·vel(v))；式中，F(n)为评价函数值，goaldist(v,θ)为局部目标距离评价函数，α为局部目标距离评价函数的权重；obsdist(v,θ)为与障碍物位置的距离评价函数，β为与障碍物位置的距离评价函数的权重；vel(v)为速度评价函数，γ为速度评价函数的权重；σ为平滑因子；

下一时刻运动轨迹确定子单元，用于将评价函数值最小的局部轨迹确定为所述最优轨迹，将所述最优轨迹确定为所述第i个节点下一时刻的运动轨迹。

Images