CN113359763A - 轮式机器人及动态障碍物轨迹预测方法、装置、存储介质 - Google Patents
轮式机器人及动态障碍物轨迹预测方法、装置、存储介质 Download PDFInfo
- Publication number
- CN113359763A CN113359763A CN202110754810.6A CN202110754810A CN113359763A CN 113359763 A CN113359763 A CN 113359763A CN 202110754810 A CN202110754810 A CN 202110754810A CN 113359763 A CN113359763 A CN 113359763A
- Authority
- CN
- China
- Prior art keywords
- dynamic obstacle
- robot
- dynamic
- obstacle
- trajectory
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000004888 barrier function Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—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
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
-
- 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)
- Manipulator (AREA)
Abstract
本发明公开了一种轮式机器人及其动态障碍物轨迹预测方法、装置、存储介质,属于机器人领域。所述轮式机器人动态障碍物轨迹预测方法包括:根据动态障碍物在地图上的目标区域,对所述动态障碍物的意图进行分析;根据所述动态障碍物的意图分析结果,使用贝叶斯估计框架估计所述动态障碍物的预测轨迹;对机器人在有动态障碍物干扰的情况下根据所述动态障碍物的预测轨迹进行路径规划,确定一条安全无碰撞的路径。通过本发明实施例,可以使得机器人可以留有充分的时间对动态障碍物作出判断,在复杂环境下可以迅速规划出一条无碰撞的安全路径,提高机器人作业的效率。
Description
技术领域
本发明涉及机器人领域,特别涉及一种轮式机器人及其动态障碍物轨迹预测方法、装置、存储介质。
背景技术
目前,轮式机器人广泛应用于在仓库中进行自动化移动。
对于仓库高存储量的需求,常常需要考虑狭窄空间场景下准确掌控轮式机器人运动姿态的问题。
当轮式机器人在仓库里环境下进行搬运工作时,很多时候都是与人共同工作在同一环境下。在这种情况下,如果只考虑静态障碍物的话,有很大可能会对其他人的行为产生阻碍;另一方面,由于工人自身的工作任务,也会使得机器人的工作任务被频频打断,影响机器人的作业效果。
因此,对于行人这类动态障碍物来说,机器人如何及早甚至***其行动轨迹,才能使机器人留有充分的时间对其作出判断,提高机器人作业的效率。
发明内容
有鉴于此,本发明实施例提供的一种轮式机器人及其动态障碍物轨迹预测方法、装置、存储介质,可以使得机器人可以留有充分的时间对动态障碍物作出判断,在复杂环境下可以迅速规划出一条无碰撞的安全路径,提高机器人作业的效率。
本发明解决上述技术问题所采用的技术方案如下:
根据本发明实施例的一个方面,提供的一种轮式机器人动态障碍物轨迹预测方法,所述方法包括:
根据动态障碍物在地图上的目标区域,对所述动态障碍物的意图进行分析;
根据所述动态障碍物的意图分析结果,使用贝叶斯估计框架估计所述动态障碍物的预测轨迹;
对机器人在有动态障碍物干扰的情况下根据所述动态障碍物的预测轨迹进行路径规划,确定一条安全无碰撞的路径。
根据本发明的另一个方面,提供的一种轮式机器人的控制点模型建立装置,应用于本发明实施例提供的一种轮式机器人的控制点模型建立方法,所述装置包括:分析模块、预测模块、规划模块;其中:
所述分析模块,用于根据动态障碍物在地图上的目标区域,对所述动态障碍物的意图进行分析,以概率分布进行表示;
所述预测模块,用于根据所述动态障碍物的意图分析结果,使用贝叶斯估计框架估计所述动态障碍物的预测轨迹;
所述规划模块,用于对机器人在有动态障碍物干扰的情况下根据所述动态障碍物的预测轨迹进行路径规划,确定一条安全无碰撞的路径。
根据本发明的另一个方面,提供的一种轮式机器人,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现本发明实施例提供的一种轮式机器人动态障碍物轨迹预测方法的步骤。
根据本发明的另一个方面,提供的一种存储介质,所述存储介质上存储有一种轮式机器人动态障碍物轨迹预测方法的程序,所述一种轮式机器人动态障碍物轨迹预测方法的程序被处理器执行时实现本发明实施例提供的一种轮式机器人动态障碍物轨迹预测方法的步骤。
与相关技术相比,本发明实施例提供的一种轮式机器人及其动态障碍物轨迹预测方法、装置、存储介质,通过根据动态障碍物在地图上的目标区域,对所述动态障碍物的意图进行分析,根据所述分析结果,使用贝叶斯估计框架估计所述动态障碍物的预测轨迹,对机器人在有动态障碍物干扰的情况下根据所述动态障碍物的预测轨迹进行路径规划,确定一条安全无碰撞的路径,从而可以对动态障碍物在未来一段时间内的轨迹进行预测,借此使得机器人可以留有充分的时间对动态障碍物作出判断,在复杂环境下可以迅速规划出一条无碰撞的安全路径,提高机器人作业的效率。
附图说明
图1为本发明实施例提供的一种轮式机器人动态障碍物轨迹预测方法的流程示意图。
图2为本发明实施例提供的一种轮式机器人动态障碍物轨迹预测方法中在静态障碍物已知的智能体轨迹的示意图。
图3为本发明实施例提供的一种轮式机器人动态障碍物轨迹预测方法使作的智能体轨迹的图模型的示意图。
图4为本发明实施例提供的一种轮式机器人动态障碍物轨迹预测方法中机器人从当前位置xi行进到已知目标区域θη的最短路径的下一个位置Xi+1的示意图。
图5为本发明实施例提供的一种轮式机器人动态障碍物轨迹预测装置的结构示意图。
图6为本发明实施例提供的一种轮式机器人的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
在一个实施例中,如图1所示,本发明提供一种轮式机器人动态障碍物轨迹预测方法,所述方法包括:
S1、根据动态障碍物在地图上的目标区域,对所述动态障碍物的意图进行分析,以概率分布进行表示。
S2、根据所述动态障碍物的意图分析结果,使用贝叶斯估计框架估计所述动态障碍物的预测轨迹。
S3、对机器人在有动态障碍物干扰的情况下根据所述动态障碍物的预测轨迹进行路径规划,确定一条安全无碰撞的路径。
在本实施例中,通过根据动态障碍物在地图上的目标区域,对所述动态障碍物的意图进行分析,根据所述分析结果,使用贝叶斯估计框架估计所述动态障碍物的预测轨迹,对机器人在有动态障碍物干扰的情况下根据所述动态障碍物的预测轨迹进行路径规划,确定一条安全无碰撞的路径,从而可以对动态障碍物在未来一段时间内的轨迹进行预测,借此使得机器人可以留有充分的时间对动态障碍物作出判断,在复杂环境下可以迅速规划出一条无碰撞的安全路径,提高机器人作业的效率。
在一个实施例中,所述步骤S1,所述根据动态障碍物在地图上的目标区域,对所述动态障碍物的意图进行分析,以概率分布进行表示;包括:
S11、获取地图信息。
获取含有边界的地图Ψ,所述地图包括有已知静态障碍物等地图信息。如图(2)所示。
S12、确定动态障碍物在地图上的目标区域,并根据所述目标区域,对所述动态障碍物的意图进行分析,确定所述目标区域行进的最短路径时下一个时刻位置的概率分布。
假设动态障碍物为智能体(包括行人、车辆、机器人等),对于动态智能体而言,假设所述智能体由较高的意图向环境的目标区域移动,而这个目标区域一般而言只有智能体自身才能准确知道。智能体一般而言被认为会采取最短路径到达目标区域,同时避开环境障碍物。在此假设下,在任意时间ti下,寻求估计所述智能体在时间ti+1,ti+2,...,ti+k:=ti+1:t+k下的位置X,其中,i和k为整数。所述智能体的位置估计可以用概率分布P(Xi+1),P(Xi+2),...,P(Xi+k)来描述。所述概率分布的计算是基于智能体的位置序列x1,x2,...,xi,因此,所述概率分布可以用条件分布来表示为P(Xi+j|X1:i=x1:I)。
假设智能体是完整***,所述智能体的轨迹受到其意图的限制,而智能体的意图一般而言只有自己知道。假设把智能体的意图描述为一个潜在的变量θ(即智能体的意图为变量θ),那么所述智能体的轨迹将受限于变量θ,如图3所示。如果可以精确地知道变量θ,那么这个变量θ信息可以被用来估计智能体准确的轨迹。
假设智能体的意图为沿着路径去环境中一个目标区域θ(目标区域θ是许多预先定义好的有限区域θ1,θ2,···∈Θ中的一个,并且满足θη∈X)。假设智能体最有可能的情况是采取最短路径到达目标区域,这一过程中将会有一定的不确定性。
通过考虑静态障碍物,最短路径一般很容易计算得到。用δ(a,b)来描述从位置a到b的最短路径。类似的,δ(a,b,c)=δ(a,b)+δ(b,c)表示从位置a到达位置c并且经过位置b。
定义往一个给定目标区域θη行进的最短路径时下一个时刻位置的概率分布:
P(Xi+1|Xi=xi,θ=θη):=K-1exp[-α(δ(xi,Xi+1,θη)-δ(xi,θη))] (1)
归一化常数K定义为:
其中,X+是在xi时,所有在下一时刻可以到达的xi+1的集合。参数α则描述了智能体有多大可能采取最短路径到达目标区域。
图4展示了机器人从当前位置xi行进到已知目标区域θη的最短路径的下一个位置Xi+1的示意图。对于一个给定的目标,所提出的模型可以给出一个更短的路径。而参数α则描述了智能体有多大可能采取最短路径到达目标区域。它的值受限于α>0。随着α→∞,智能体将会更有可能的去选取最短路径到达目标。相反的,随着α→0,所有到达目标区域的路径都有同样的可能性。α最恰当的值可能是根据训练轨迹来选取,或者根据环境中其他因素的值来选取。
在一个实施例中,所述步骤S2,所述根据所述动态障碍物的意图分析结果,使用贝叶斯估计框架估计所述动态障碍物的预测轨迹;包括:
根据在图3中的概率模型,确定一套贝叶斯估计框架,所述贝叶斯估计框架包括:在每一步中首先更新意图的估计值P(θ|X1:i=x1:i),然后根据所述意图的估计值,使用蒙特卡洛采样方法从所述概率分布中采样估计所述动态障碍物的预测轨迹。
S21、更新意图的估计值P(θ|X1:i=x1:i)。
对于在时刻ti中所估计的位置Xi+1的概率分布,其是所有以前的观测位置Xi=xi和意图θ的条件分布。对于位置的观测Xi可以用来更新智能体意图的估计。
从图3中可知,联合概率分布为:
在图3的图模型的马尔科夫假设下,应用贝叶斯网络模型(BNM,Bayesian NetworkModel),可以计算出到时刻ti前的给定观测轨迹x1:i的估计量θ的概率分布,其后验概率为:
P(θ|X1:i=x1:i)∝P(Xi=xi|Xi-1=xi-1,θ)×P(θ|X1:i-1=x1:i-1) (4)
其初始概率为均匀分布。其右边的第一个因子为观测的可能性并且可以从公式(1)中直接计算出来。第二个因子为先验概率,可以从上一个时刻的后验概率中迭代计算。
智能体的未来轨迹Xi+1:i+k可以根据当前估计量θ的估计中预测出来:
同样的,右边第一个因子可以直接从公式(1)中计算出来并且第二因子为公式(4)的估计。
通过不断的递归,可以对未来j时刻的轨迹进行计算,得到:
参数xi+j指代智能体在xi+j位置时,所有可以到达的X(i+j+1)的位置。
S22、根据所述意图的估计值P(θ|X1:i=x1:i),使用蒙特卡洛采样方法,从概率分布P(Xi+j+1|X1:i=x1:i)中采样估计所述动态障碍物的预测轨迹。
对于上述公式(6)中,直接得到公式(6)的解析解是非常困难,因此需要使用采样的方法使得所得到的解不断收敛于真值。在每一次位置观测之后,需要首先更新意图的估计值P(θ|X1:i=x1:i),之后轨迹的预测可以通过蒙特卡洛采样法,从概率分布P(Xi+j+1|X1:i=x1:i)中采样得到。
在每次计算之前,将对地图Ψ离散化成一系列的可行位置的集合。相应的,有一系列的可行转换eη=<vi,vj>∈E,可以描述智能体在一个时间步长内从位置vi到位置vj。对于给定环境的地图表示,集合(V,E)描述了该地图顶点和边。环境中任意的路径由该地图中的路径表示出来。同时,对于所有的目标区域θη∈Θ,由预先定义好的集合来表示。每一个目标区域可以由顶点的集合θ′η:={vi:vi∈(θη∩V)}表示。因此,一条到目标区域θη的估计可以表示为一条通过图(V,E)并且终止于任意点vi∈θ′η的路径表示。
对于智能体的意图推断及其采样都需要不断重复的计算从不同顶点到所有目标区域的最短路径距离。因此可以预先计算好不同顶点vi∈V到每一个目标区域θη∈Θ的对端路径距离并且保存下来。这个可以通过建立对每一个顶点vi的最短路径的最小生成树Tvi来完成。距离δvi,θη是通过计算顶点vi到目标区域的最近顶点vj∈θ′η来判断的,并将结果存入最小生成树Tvi。在每一个时刻ti,智能体的位置可以观测出来Xi=xi,而其顶点vi是从集合V中选择离xi距离最近的顶点。对于位置的观测Xi可以用来更新智能体意图的估计。
由于在每一步,对于未来都有很多的可能变换,对于智能体的轨迹预测一般而言很难准确计算。因此,本申请使用蒙特卡洛采样技术,随着样本数量越多,其结果也越接近于真值。
对于未来某一时刻tj的概率分布P(Xj|X1:i=x1:i)将在这些小目标区域里进行估计根据不同的情况,这些目标区域的结构和分辨率可以有所不同。之后,从vi到目标区域θη的轨迹里抽取N个样本完成采样。每一个目标区域θη的采样数量Nη和后验概率θ=θη成正比。一条从vi到θ′η的样本路径不断的从边<vi,vj>中提取出来,其中每一个vj都是在给定目标区域θ′η下,从概率模型(1)中抽取的。也就是说,样本路径是在地图中偏向于到达目标区域θ′η的最短路径的随机前进。每一个样本路径都可以映射到采样轨迹,其可以被定义为在每一个时刻的一系列的位置集合xi+1:i+k。通过从速度概率分布中采样,这样的解释可以认为其考虑到了速度模型的概率。
在一个实施例中,所述步骤S3,所述对机器人在有动态障碍物干扰的情况下根据预测的结果进行路径规划,设计一条安全无碰撞的路径。包括:
S31、确定机器人的初始点和终点。
在对动态障碍物的轨迹预测之后,机器人就可以开始规划自己的运动轨迹,需要确定机器人的初始点和终点。
S32、确定一条光滑轨迹通过所述初始点和终点,拟合机器人的运动轨迹。
在确定机器人的初始点和终点之后,机器人就可以开始规划自己的运动轨迹,需要找到一条光滑轨迹(x(t),y(t))通过初始点和终点。因为当前初始点的状态已知,而终点的状态也是属于预先就知道的,因此可以使用曲线来对所述光滑轨迹(x(t),y(t))进行拟合,一般的选择是多项式函数来拟合机器人的运动轨迹,而这个机器人的运动轨迹需要通过其初始点和终点的两个端点。
那么,机器人的运动轨迹就可以用下式来进行拟合:
其中,Φ1,Φ2,φi都是模式函数并且r是模数,Φ1(t),Φ2(t)是通过初始点和终点的轨迹。Φ1,Φ2可以选择以下的多项式函数:
Φj(t)=cj0+cj1t+cj2t2+cj3t3+cj4t3(t-tf)+cj5t3(t-tf)2,j=1,2 (9)
上述公式(9)中的系数cjk(j=1,2,k=0,...,5)可以通过边界条件求解出来。对于不同的Φj(t)选择,可以得到如下的系数cjk:
而模式函数可以选择为:
S33、对所述机器人的运动轨迹的每个时刻点进行碰撞检测,确定一条安全无碰撞的路径。
一旦机器人的运动轨迹可以被参数化,那么就可以利用优化方法来寻到一条无碰撞的轨迹。为了找到这样一条无碰撞的轨迹,在每次计算时,可以根据预设避障准则进行碰撞检测,所述预设避障准则包括:机器人的中心到障碍物的距离应该大于机器人的半径和每个时刻点障碍物的半径之和。因此,所述预设避障准则可以用以下公式进行定义:
上述公式(12)可以表达为下式:
fk(t)+=0 (13)
其中(·)+定义为:x+=x如果x≥0,x+=0如果x<0。这样,障碍物避让标准可以表达为:
(fk(t)3)=0,k=1,...,m
而fk(t)3的最小值为0,所以障碍物避让轨迹可以通过求解无约束的优化问题而得到:
其中,ti是检查避让标准的时刻,n是检查的总时间数,m是移动障碍物的个数。所找到的轨迹一般而言是符合机器人运动学特性的,但并不一定是最优的。一般而言,为了得到最优无碰撞的轨迹,还需要考虑到目标函数(14)导数信息,在此不再详述。
在一个实施例中,如图5所示,本发明提供一种轮式机器人动态障碍物轨迹预测装置,应用于以上任一实施例所述的一种轮式机器人动态障碍物轨迹预测方法,所述装置包括:分析模块10、预测模块20、规划模块30;其中:
所述分析模块10,用于根据动态障碍物在地图上的目标区域,对所述动态障碍物的意图进行分析,以概率分布进行表示。
所述预测模块20,用于根据所述动态障碍物的意图分析结果,使用贝叶斯估计框架估计所述动态障碍物的预测轨迹。
所述规划模块30,用于对机器人在有动态障碍物干扰的情况下根据所述动态障碍物的预测轨迹进行路径规划,确定一条安全无碰撞的路径。
在本实施例中,通过根据动态障碍物在地图上的目标区域,对所述动态障碍物的意图进行分析,根据所述分析结果,使用贝叶斯估计框架估计所述动态障碍物的预测轨迹,对机器人在有动态障碍物干扰的情况下根据所述动态障碍物的预测轨迹进行路径规划,确定一条安全无碰撞的路径,从而可以对动态障碍物在未来一段时间内的轨迹进行预测,借此使得机器人可以留有充分的时间对动态障碍物作出判断,在复杂环境下可以迅速规划出一条无碰撞的安全路径,提高机器人作业的效率。
需要说明的是,上述装置实施例与方法实施例属于同一构思,其具体实现过程详见方法实施例,且方法实施例中的技术特征在装置实施例中均对应适用,这里不再赘述。
此外,本发明实施例还提供一种轮式机器人,如图6所示,所述轮式机器人900包括:存储器902、处理器901及存储在所述存储器902中并可在所述处理器901上运行的一个或者多个计算机程序,所述存储器902和所述处理器901通过总线***903耦合在一起,所述一个或者多个计算机程序被所述处理器901执行时以实现本发明实施例提供的一种轮式机器人动态障碍物轨迹预测方法的以下步骤:
S1、根据动态障碍物在地图上的目标区域,对所述动态障碍物的意图进行分析,以概率分布进行表示。
S2、根据所述动态障碍物的意图分析结果,使用贝叶斯估计框架估计所述动态障碍物的预测轨迹。
S3、对机器人在有动态障碍物干扰的情况下根据所述动态障碍物的预测轨迹进行路径规划,确定一条安全无碰撞的路径。
上述本发明实施例揭示的方法可以应用于所述处理器901中,或者由所述处理器901实现。所述处理器901可能是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法的各步骤可以通过所述处理器901中的硬件的集成逻辑电路或软件形式的指令完成。所述处理器901可以是通用处理器、DSP、或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。所述处理器901可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤,可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中,该存储介质位于存储器902,所述处理器901读取存储器902中的信息,结合其硬件完成前述方法的步骤。
可以理解,本发明实施例的存储器902可以是易失性存储器或者非易失性存储器,也可以包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM,Read-Only Memory)、可编程只读存储器(PROM,Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM,Erasable Read-Only Memory)、电可擦除只读存储器(EEPROM,Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM,Ferromagnetic Random Access Memory)、闪存(Flash Memory)或其他存储器技术、光盘只读存储器(CD-ROM,Compact Disk Read-Only Memory)、数字多功能盘(DVD,Digital VideoDisk)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置;易失性存储器可以是随机存取存储器(RAM,Random Access Memory),通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(SRAM,Static Random Access Memory)、静态随机存取存储器(SSRAM,Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM,Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM,SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM,Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM,Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM,SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM,Direct Rambus Random Access Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
需要说明的是,上述轮式机器人实施例与方法实施例属于同一构思,其具体实现过程详见方法实施例,且方法实施例中的技术特征在轮式机器人实施例中均对应适用,这里不再赘述。
另外,在示例性实施例中,本发明实施例还提供一种计算机存储介质,具体为计算机可读存储介质,例如包括存储计算机程序的存储器902,所述计算机存储介质上存储有一种轮式机器人动态障碍物轨迹预测方法一个或者多个程序,所述一种轮式机器人动态障碍物轨迹预测方法的一个或者多个程序被处理器901执行时以实现本发明实施例提供的一种轮式机器人动态障碍物轨迹预测方法的以下步骤:
S1、根据动态障碍物在地图上的目标区域,对所述动态障碍物的意图进行分析,以概率分布进行表示。
S2、根据所述动态障碍物的意图分析结果,使用贝叶斯估计框架估计所述动态障碍物的预测轨迹。
S3、对机器人在有动态障碍物干扰的情况下根据所述动态障碍物的预测轨迹进行路径规划,确定一条安全无碰撞的路径。
需要说明的是,上述计算机可读存储介质上的一种轮式机器人动态障碍物轨迹预测方法程序实施例与方法实施例属于同一构思,其具体实现过程详见方法实施例,且方法实施例中的技术特征在上述计算机可读存储介质的实施例中均对应适用,这里不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种轮式机器人动态障碍物轨迹预测方法,其特征在于,所述方法包括:
根据动态障碍物在地图上的目标区域,对所述动态障碍物的意图进行分析;
根据所述动态障碍物的意图分析结果,使用贝叶斯估计框架估计所述动态障碍物的预测轨迹;
对机器人在有动态障碍物干扰的情况下根据所述动态障碍物的预测轨迹进行路径规划,确定一条安全无碰撞的路径。
2.根据权利要求1所述的方法,其特征在于,所述根据动态障碍物在地图上的目标区域,对所述动态障碍物的意图进行分析;包括:
获取地图信息;
确定动态障碍物在地图上的目标区域,并根据所述目标区域,对所述动态障碍物的意图进行分析,确定所述目标区域行进的最短路径时下一个时刻位置的概率分布。
3.根据权利要求2所述的方法,其特征在于,所述根据所述动态障碍物的意图分析结果,使用贝叶斯估计框架估计所述动态障碍物的预测轨迹;包括:
根据所述动态障碍物的意图分析结果更新意图的估计值;
根据所述意图的估计值,使用蒙特卡洛采样方法从所述概率分布中采样估计所述动态障碍物的预测轨迹。
4.根据权利要求3所述的方法,其特征在于,所述根据所述意图的估计值,使用蒙特卡洛采样方法从所述概率分布中采样估计所述动态障碍物的预测轨迹;包括:
将地图上的空间分割为许多小的目标区域;
根据所述意图的估计值,对地图上从不同顶点到所有目标区域的最短路径距离使用蒙特卡洛采样方法不断的进行采样,估计所述动态障碍物的预测轨迹。
5.根据权利要求1所述的方法,其特征在于,所述对机器人在有动态障碍物干扰的情况下根据所述动态障碍物的预测轨迹进行路径规划,确定一条安全无碰撞的路径;包括:
确定机器人的初始点和终点;
确定一条光滑轨迹通过所述初始点和终点,拟合机器人的运动轨迹;
对所述机器人的运动轨迹的每个时刻点进行碰撞检测,确定一条安全无碰撞的路径。
6.根据权利要求5所述的方法,其特征在于,所述确定一条光滑轨迹通过所述初始点和终点,拟合机器人的运动轨迹;包括:
确定一条光滑轨迹通过所述初始点和终点;
使用多项式函数对所述光滑轨迹进行拟合,得到机器人的运动轨迹。
7.根据权利要求5所述的方法,其特征在于,所述对所述机器人的运动轨迹的每个时刻点进行碰撞检测,确定一条安全无碰撞的路径;包括:
对所述机器人的运动轨迹的每个时刻点根据预设避障准则进行碰撞检测,确定一条安全无碰撞的路径;其中,所述预设避障准则包括:机器人的中心到障碍物的距离应该大于机器人的半径和每个时刻点障碍物的半径之和。
8.一种轮式机器人动态障碍物轨迹预测装置,应用于如权利要求1至7任一项所述的一种轮式机器人动态障碍物轨迹预测方法,其特征在于,所述装置包括:分析模块、预测模块、规划模块;其中:
所述分析模块,用于根据动态障碍物在地图上的目标区域,对所述动态障碍物的意图进行分析,以概率分布进行表示;
所述预测模块,用于根据所述动态障碍物的意图分析结果,使用贝叶斯估计框架估计所述动态障碍物的预测轨迹;
所述规划模块,用于对机器人在有动态障碍物干扰的情况下根据所述动态障碍物的预测轨迹进行路径规划,确定一条安全无碰撞的路径。
9.一种轮式机器人,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7所述的一种轮式机器人动态障碍物轨迹预测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有一种轮式机器人动态障碍物轨迹预测方法的程序,所述一种轮式机器人动态障碍物轨迹预测方法的程序被处理器执行时实现如权利要求1至7所述的一种轮式机器人动态障碍物轨迹预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110754810.6A CN113359763A (zh) | 2021-07-05 | 2021-07-05 | 轮式机器人及动态障碍物轨迹预测方法、装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110754810.6A CN113359763A (zh) | 2021-07-05 | 2021-07-05 | 轮式机器人及动态障碍物轨迹预测方法、装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113359763A true CN113359763A (zh) | 2021-09-07 |
Family
ID=77538258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110754810.6A Pending CN113359763A (zh) | 2021-07-05 | 2021-07-05 | 轮式机器人及动态障碍物轨迹预测方法、装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113359763A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113741476A (zh) * | 2021-09-14 | 2021-12-03 | 深圳市优必选科技股份有限公司 | 机器人平滑运动控制方法、装置及机器人 |
CN114489082A (zh) * | 2022-02-08 | 2022-05-13 | 乐聚(深圳)机器人技术有限公司 | 机器人的移动控制方法、装置、设备及存储介质 |
CN114879701A (zh) * | 2022-06-23 | 2022-08-09 | 池州市安安新材科技有限公司 | 一种机器人轨道避障方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782763A (zh) * | 2019-01-18 | 2019-05-21 | 中国电子科技集团公司信息科学研究院 | 一种动态环境下的移动机器人路径规划方法 |
CN109960261A (zh) * | 2019-03-22 | 2019-07-02 | 北京理工大学 | 一种基于碰撞检测的动态障碍物避让方法 |
US20190317511A1 (en) * | 2018-04-17 | 2019-10-17 | Baidu Usa Llc | Method for generating prediction trajectories of obstacles for autonomous driving vehicles |
CN111427369A (zh) * | 2020-06-08 | 2020-07-17 | 北京三快在线科技有限公司 | 一种无人车控制方法及装置 |
CN111783358A (zh) * | 2020-07-02 | 2020-10-16 | 哈尔滨工业大学 | 一种基于贝叶斯估计的高超速飞行器长期轨迹预报方法 |
CN111857134A (zh) * | 2020-06-29 | 2020-10-30 | 江苏大学 | 一种基于贝叶斯网络的目标障碍车轨迹预测方法 |
CN112109704A (zh) * | 2020-09-22 | 2020-12-22 | 同济大学 | 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 |
CN112269384A (zh) * | 2020-10-23 | 2021-01-26 | 电子科技大学 | 一种结合障碍物行为意图的车辆动态轨迹规划方法 |
CN112581791A (zh) * | 2019-09-27 | 2021-03-30 | 英特尔公司 | 基于道路使用者意图预测的潜在碰撞警告*** |
-
2021
- 2021-07-05 CN CN202110754810.6A patent/CN113359763A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190317511A1 (en) * | 2018-04-17 | 2019-10-17 | Baidu Usa Llc | Method for generating prediction trajectories of obstacles for autonomous driving vehicles |
CN109782763A (zh) * | 2019-01-18 | 2019-05-21 | 中国电子科技集团公司信息科学研究院 | 一种动态环境下的移动机器人路径规划方法 |
CN109960261A (zh) * | 2019-03-22 | 2019-07-02 | 北京理工大学 | 一种基于碰撞检测的动态障碍物避让方法 |
CN112581791A (zh) * | 2019-09-27 | 2021-03-30 | 英特尔公司 | 基于道路使用者意图预测的潜在碰撞警告*** |
CN111427369A (zh) * | 2020-06-08 | 2020-07-17 | 北京三快在线科技有限公司 | 一种无人车控制方法及装置 |
CN111857134A (zh) * | 2020-06-29 | 2020-10-30 | 江苏大学 | 一种基于贝叶斯网络的目标障碍车轨迹预测方法 |
CN111783358A (zh) * | 2020-07-02 | 2020-10-16 | 哈尔滨工业大学 | 一种基于贝叶斯估计的高超速飞行器长期轨迹预报方法 |
CN112109704A (zh) * | 2020-09-22 | 2020-12-22 | 同济大学 | 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 |
CN112269384A (zh) * | 2020-10-23 | 2021-01-26 | 电子科技大学 | 一种结合障碍物行为意图的车辆动态轨迹规划方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113741476A (zh) * | 2021-09-14 | 2021-12-03 | 深圳市优必选科技股份有限公司 | 机器人平滑运动控制方法、装置及机器人 |
CN114489082A (zh) * | 2022-02-08 | 2022-05-13 | 乐聚(深圳)机器人技术有限公司 | 机器人的移动控制方法、装置、设备及存储介质 |
CN114879701A (zh) * | 2022-06-23 | 2022-08-09 | 池州市安安新材科技有限公司 | 一种机器人轨道避障方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113359763A (zh) | 轮式机器人及动态障碍物轨迹预测方法、装置、存储介质 | |
CN109782763B (zh) | 一种动态环境下的移动机器人路径规划方法 | |
Galceran et al. | Multipolicy decision-making for autonomous driving via changepoint-based behavior prediction: Theory and experiment | |
US10073458B2 (en) | Path determining apparatus for autonomous driving vehicle and path determining method | |
Min et al. | RNN-based path prediction of obstacle vehicles with deep ensemble | |
McKinnon et al. | Learn fast, forget slow: Safe predictive learning control for systems with unknown and changing dynamics performing repetitive tasks | |
CN112015842B (zh) | 自行车轨迹预测的自动驾驶车辆风险评估方法及*** | |
CN111707258B (zh) | 一种外部车辆监测方法、装置、设备及存储介质 | |
Wang et al. | Autonomous exploration with expectation-maximization | |
CN112487861A (zh) | 车道线识别方法、装置、计算设备及计算机存储介质 | |
CN114664094B (zh) | 一种车辆轨迹预测方法、装置、芯片、终端和计算机设备 | |
Berrio et al. | Identifying robust landmarks in feature-based maps | |
Mohamed et al. | Autonomous navigation of agvs in unknown cluttered environments: log-mppi control strategy | |
Guo et al. | Safe path planning with gaussian process regulated risk map | |
Dezert et al. | Environment perception using grid occupancy estimation with belief functions | |
CN113359714B (zh) | 基于粒子滤波算法的巡检机器人动态路径规划方法及装置 | |
Han et al. | Path regeneration decisions in a dynamic environment | |
Hewawasam et al. | Comparative study on object tracking algorithms for mobile robot navigation in gps-denied environment | |
JP4875010B2 (ja) | 運動クラス類別装置及び追尾処理装置 | |
Hardy et al. | Multiple-step prediction using a two stage gaussian process model | |
CN111949013A (zh) | 控制载具的方法和用于控制载具的装置 | |
CN111736580A (zh) | 扫地设备的避障脱困方法、装置、电子设备及存储介质 | |
Alhamdi et al. | Comparative study of two localization approaches for mobile robots in an indoor environment | |
Ward et al. | Towards risk minimizing trajectory planning in on-road scenarios | |
Schwesinger | Motion Planning in Dynamic Environments with Application to Self-Driving Vehicles |
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 |