CN113741435A - 障碍物规避方法、装置、决策器、存储介质、芯片及机器人 - Google Patents
障碍物规避方法、装置、决策器、存储介质、芯片及机器人 Download PDFInfo
- Publication number
- CN113741435A CN113741435A CN202110954292.2A CN202110954292A CN113741435A CN 113741435 A CN113741435 A CN 113741435A CN 202110954292 A CN202110954292 A CN 202110954292A CN 113741435 A CN113741435 A CN 113741435A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- robot
- path
- dynamic
- decision
- 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 62
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000007689 inspection Methods 0.000 claims abstract description 32
- 230000009471 action Effects 0.000 claims abstract description 23
- 230000003068 static effect Effects 0.000 claims description 87
- 230000033001 locomotion Effects 0.000 claims description 51
- 230000004888 barrier function Effects 0.000 claims description 36
- 230000006399 behavior Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 24
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000009333 weeding 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- 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
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请公开了一种障碍物规避方法、装置、决策器、存储介质、芯片及机器人。所述方法由机器人执行,所述方法实现了机器人对行进路径中预设范围内的障碍物进行路径安全性检查,根据所述路径安全性检查的结果确定决策规划策略,提升了机器人动作的可预测性,对周围环境中的行人更加友好,同时避免了很多不必要的避障动作,更加节省能源,提高了机器人的工作效率。
Description
技术领域
本申请涉及机器人技术领域,具体涉及机器人的障碍物规避方法、装置、存储介质、芯片及机器人。
背景技术
随着人工智能技术的发展,出现了各种各样的智能化的机器人,比如扫地机器人、拖地机器人、吸尘器、除草机等。这些清洁机器人在工作过程中能够自动识别周围的障碍物,并对障碍物执行避障操作,这些清洁机器人不仅解放了劳动力、节约了人力成本,而且提升了清洁效率。
目前市面上低速行驶的机器人在执行任务的过程中,均设置有自动避障***,其利用的原理就是机器人在当前路径行驶过程中,检查路径点上的障碍物是否与机器人的行驶路径有干涉,若有干涉,则触发机器人的避障行为。现有的导航方案将所有障碍物简单处理为静态障碍物,但这并不能很好的与复杂的环境相适应。在实际工作场景中,低速行驶的机器人将所有障碍物当成静态障碍物处理,判断有危险的情况下,则立即触发机器人的避障行为,由于这种避障行为没有区分动态障碍物和静态障碍物,也没有很好的利用动态障碍物的预测信息,导致机器人在避障时追赶行人造成行人恐慌,或者机器人在避障时在人流中乱转,造成时间和能源的浪费。故,上述避障行为会让机器人看起来相当笨拙,同时避障效率也很低。
发明内容
有鉴于此,本发明提供了一种障碍物规避方法、装置、决策器、存储介质、芯片及机器人,以解决现有技术中机器人遇到障碍物时避障笨拙及避障效率低的问题。
根据本申请的一方面,提供了一种障碍物规避方法,所述方法包括:
感测机器人当前行进路径的预设范围内是否存在障碍物;若所述预设范围内存在障碍物,则确定所述障碍物的位置信息以及动静态属性信息,随之针对所述障碍物进行路径安全性检查;根据所述路径安全性检查的结果确定决策规划策略,并控制所述机器人按照所确定的决策规划策略执行后续动作。
根据本申请的又一方面,提供了一种障碍物规避装置,所述障碍物规避装置用于机器人,所述装置包括:
感测模块,用于感测机器人当前行进路径的预设范围内是否存在障碍物;
检查模块,用于在所述预设范围内存在障碍物的情况下确定所述障碍物的位置信息以及动静态属性信息,随之针对所述障碍物进行路径安全性检查;
控制模块,用于根据所述路径安全性检查的结果确定决策规划策略,并控制所述机器人按照所确定的决策规划策略执行后续动作。
根据本申请的又一方面,提供了一种决策器,所述决策器用于机器人,所述决策器包括:
静态障碍物检查模块,用于基于栅格地图检查机器人当前行进路径的预设范围内的静态障碍物的位置信息,并针对所述静态障碍物进行路径安全性检查;
动态障碍物检查模块,用于基于动态障碍物列表检查机器人当前行进路径的预设范围内的动态障碍物的位置信息,并针对所述静态障碍物进行路径安全性检查;
行为决策模块用于基于所述静态障碍物检查模块的安全性检查结果输出第一决策规划策略,以及基于所述动态障碍物检查模块的安全性检查结果输出第二决策规划策略。
根据本申请的又一方面,提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序能够被处理器加载以执行前面所描述的任一障碍物规避方法中的步骤。
根据本申请的又一方面,提供了一种芯片,其包括至少一个处理器和接口;其中,所述接口,用于为所述至少一个处理器提供程序指令或者数据;所述至少一个处理器用于执行所述程序行指令,以执行前面所描述的任一障碍物规避方法中的步骤。
根据本申请的又一方面,提供了一种机器人,其包括处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行前面所描述的任一障碍物规避方法中的步骤。
本申请所提出的障碍物规避方法、装置、存储介质、芯片及机器人不仅解决了解决机器人由于无法区分障碍物的类型,导致在避障时表现笨拙的问题,而且能够实现机器人对行进路径中预设范围内的障碍物进行路径安全性检查,根据所述路径安全性检查的结果确定决策规划策略,提升了机器人动作的可预测性,对周围环境中的行人更加友好,同时避免了很多不必要的避障动作,更加节省能源,提高了机器人的工作量。
附图说明
下面结合附图,通过对本申请的具体实施方式详细描述,将使本申请的技术方案及其它有益效果显而易见。
图1是根据本申请实施例的一种障碍物规避方法的流程图;
图2是根据本申请实施例的一种机器人的控制流程图;
图3是根据本申请实施例的一种针对不同类型的障碍物进行标记的流程图;
图4a是根据本申请实施例的一种针对所述障碍物进行路径安全性检查的流程图;
图4b是根据本申请实施例的又一种针对所述障碍物进行路径安全性检查的流程图;
图5a是根据本申请实施例的一种针对检测到的静态障碍物进行所述路径安全性检查的流程图;
图5b是根据本申请实施例的一种针对检测到的动态障碍物进行所述路径安全性检查的流程图;
图6是根据本申请实施例的一种机器人沿着任务路径移动的场景示意图;
图7a是图1所示步骤S300的子流程示意图;
图7b是图7a所示步骤S310的一种子流程示意图;
图7c是图7a所示步骤S320的一种子流程示意图;
图8a是根据本申请实施例的一种障碍物规避装置的架构示意图;
图8b是图8a所示控制模块的子模块的架构示意图;
图8c是图8b所示第一策略确定子模块的架构示意图;
图8d是图8b所示第二策略确定子模块的架构示意图;
图8e是根据本申请实施例的一种决策器的架构示意图;
图8f是图8e所示行为决策模块的架构示意图;
图8g是图8e所示静态障碍物检查模块的架构示意图;
图8h是图8e所示动态障碍物检查模块的架构示意图;图9是根据本申请实施例的提供的一种芯片的结构示意图;
图10是根据本申请实施例的提供的机器人的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
文中的术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接或可以相互通讯;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
下文的公开提供了许多不同的实施方式或例子用来实现本申请的不同结构。为了简化本申请的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本申请。此外,本申请可以在不同例子中重复参考数字和/或参考字母,这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施方式和/或设置之间的关系。
有鉴于背景技术中提到的问题,本申请的目的是为了能够提供一种更高效的障碍物规避方法。
图1是根据本申请实施例的一种障碍物规避方法的流程图,参考图1所示,本申请一实施例提供了一种障碍物规避方法,所述方法由机器人执行,其包括:步骤S100,感测机器人当前行进路径的预设范围内是否存在障碍物;步骤S200,若所述预设范围内存在障碍物,则确定所述障碍物的位置信息以及动静态属性信息,随之针对所述障碍物进行路径安全性检查;步骤S300,根据所述路径安全性检查结果确定决策规划策略,并控制所述机器人按照所确定的决策规划策略执行后续动作。
在步骤S100中,机器人根据预设的导航路径向前行驶,并且执行预定的任务,例如清洁地面。当机器人在行进过程中,通过其自身的感测装置,例如激光雷达和摄像头等,并且在预设范围内(例如10米至30米)感测是否存在障碍物。机器人的感测装置,可根据输入的激光点云、摄像头等数据输出当前环境中障碍物的机构化信息,通常输出的形式为栅格占用地图和障碍物凸包轮廓信息等。此外,机器人在行进过程中,可以采用同时定位和地图构建(Simultaneous Localization And Mapping,简称SLAM)技术,以实现自主移动和定位,最终确保机器人到达目标点。
在步骤S200中,若所述预设范围内存在障碍物,则确定所述障碍物的位置信息以及动静态属性信息,随之对所述障碍物进行路径安全性检查。根据检测到的障碍物的动静态属性信息,然后对该障碍物进行路径安全性检查,该动静态属性信息的意思是指该障碍物的属于动态、静态中哪种类型。对该障碍物进行路径安全性检查包括检查所述障碍物占用栅格地图的轮廓信息和速度信息等,以确定所述机器人在行进的过程中与所述障碍物之间是否会发生碰撞的风险。
在步骤S300中,根据所述路径安全性检查的结果确定决策规划策略,并控制所述机器人按照所确定的决策规划策略执行后续动作。需要说明的是,决策规划策略是指根据感测到的障碍物的动静态属性信息以及障碍物的移动信息(例如位置、速度等)以判断机器人是否需要执行相应的动作行为(例如减速、停车等)。
本申请实施例所提出的技术方案,不仅可以解决机器人由于无法区分障碍物的类型,导致在避障时表现笨拙的问题,而且能够实现机器人对行进路径中预设范围内的障碍物进行路径安全性检查,根据所述路径安全性检查的结果确定决策规划策略,提升了机器人动作的可预测性,对周围环境中的行人更加友好,同时避免了很多不必要的避障动作,更加节省能源,提高了机器人的工作效率。
在本申请实施例中,由于在预设空间内,机器人从当前点到目标点的可达路径可能有很多条,其中,可达路径为从当前点出发可以到达目标点的路径。为了防止机器人绕行、提高机器人的行走效率,需要根据全局代价地图采用相应的路径规划算法求得从当前点到目标点之间的路径代价之和最小的路径。采用的路径规划算法主要包括前端寻路算法和后端轨迹算法,寻路算法的功能是在已知地图中找到两点之间的最短路径,如A*算法、Dijkstra算法、RRT算法等,在这里不做具体限制。轨迹优化的功能是对寻路算法输出的路径进行优化,使路径更符合运动学动力学约束、能量约束、安全约束。
图2是根据本申请实施例的一种机器人控制流程图,如图2所示,可选地,在步骤S100之前,所述方法还包括:步骤S010,巡检由所述用户确定的预设空间以生成与所述预设空间对应的栅格地图;步骤S020,在执行任务时,所述机器人根据所述栅格地图规划行进路径并随之沿着所规划的行进路径移动。
具体地,步骤S010中,所述栅格地图也称之为代价地图(cost map),可用于实现机器人的导航。上述步骤中所述预设空间的栅格地图可以是机器人巡检由所述用户确定的预设空间并根据3D激光SLAM算法预先构建的点云地图,还可以从网络中获取或者是由用户通过应用程序输入的地图,其中,应用程序构建的地图可以直观地显示在智能设备上。需要说明的是,上述步骤中的地图可以是用户指定区域的地图,还可以是构建的所有区域的地图。
图3是根据本申请实施例的一种针对不同类型的障碍物进行标记的流程图,如图3所示,本实施例中,在步骤S100中,感测机器人当前行进路径的预设范围内是否存在障碍物的步骤包括:步骤110,检测预设范围内的障碍物的类型;步骤120,若检测到的障碍物包含静态障碍物,则将其标记在所述栅格地图中;步骤130,若检测到的障碍物包含动态障碍物,则将其标记在动态障碍物列表中。其中,所述动态障碍物列表包括当前时刻的移动的障碍物的凸包轮廓信息和速度信息。
当机器人沿着所规划的行进路径移动的过程中,很可能遇见行人、移动的物体等动态障碍物,因此,需要实时检测机器人当前所在点的预设范围内是否出现原本栅格地图上未标记的障碍物,使机器人具有预判性,然后机器人根据不同类型的障碍物采用更加合理的路径进行避障,进而使机器人在面对不同的障碍物时表现得更加智能,该更加合理的路径指的是:绕行次数少,直线距离最短等。根据实时检测机器人当前所在点的预设范围内是否出现原本地图上未标记的障碍物,并通过采集到的新的障碍物数据信息进行障碍物类型判断,若检测到的障碍物包括静态障碍物,则将其标记在所述栅格地图中;若检测到障碍物包括动态障碍物,则将其标记在动态障碍物列表中。
在一个实施例中,可以通过所述机器人上安装的激光雷达采集到障碍物的点云信息,或者可以通过所述机器人上安装的视觉传感器或光学传感器采集到障碍物的图像信息,该视觉传感器或光学传感器例如可以是摄像头、激光雷达或红外传感器。例如,单线激光雷达点云信息是具备动态点、静态点、静止行人点、噪点语义信息的,在地图上标记静态障碍物的过程中,可采用单线激光雷达的静态点直接长时间累计,若该静态点稳定存在时长超过所设置的预设阈值时,则机器人将该该静止点标记在自身所维护的所述栅格地图中,若该静止行人点长时间稳定存在的情况下,则机器人对该静止行人点的进行一定的膨胀处理之后再标记在所维护的所述栅格地图中。需要说明的是,所述膨胀处理的原因是,由于单线激光雷达设备距离地面有一定的高度,故安装有单线激光雷达设备的机器人在实际监测障碍物信息时只能感测到静止行人的腿部,对该静止行人点进行膨胀处理是为了防止压脚处理。另外,对于平摄像头深度点云、防撞条等传感器采集到的障碍物信息,由于没有得到可供区分的动态障碍物和静态障碍物语义信息,只能持续监测该当前障碍物稳定存在的时长,若监测当前障碍物稳定存在的时长超过所设置的预设阈值时,则机器人同样将该当前障碍物标记在自身所维护的所述栅格地图中。
在一个实施例中,还可以通过将激光雷达采集到障碍物的点云信息与采集到障碍物的图像信息进行深度学习检测数据融合之后得到障碍物的特征信息,赋值给点云作为静态障碍物的代价地图(包括静态障碍物的凸包轮廓信息)的输入,以及赋值给点云作为动态障碍物列表(包括动态障碍物的凸包轮廓信息以及速度信息等)的输入,从而检测并分类出所述预设范围内的障碍物的类型。
在本申请实施例中,检测所述预设范围内的障碍物的类型,若检测到的障碍物包含静态障碍物,则将其标记在所述栅格地图中;若检测到的障碍物包含动态障碍物,则将其标记在动态障碍物列表中。需要说明的是,若在预设范围内检测到的静态障碍物在原先的栅格地图中已经标记过,则不再重复标记,若在预设范围内检测到的静态障碍物为原先的栅格地图中新增的障碍物,则将其标记在所述栅格地图中。该动态障碍物列表作为一种数据结构,可以用于存储及调用该预设空间内的当前时刻的移动的动态障碍物凸包轮廓信息和速度信息;将检测到的动态障碍物标记在动态障碍物列表的方法包括:获取机器人所在环境中的动态障碍物的凸包轮廓信息以及速度信息,例如可以通过将由激光雷达采集到的点云信息映射到栅格地图上,标记栅格单元的障碍物的占据情况,通过不同时刻栅格单元的标记情况,确定动态障碍物的轮廓信息、速度信息等。
为了能够对不同的障碍物进行不同的检查方法,以提高***的运行效率以及为后续不同的障碍物提供不同的避障策略,故针对所述障碍物进行路径安全性检查的步骤包括:分别针对检测到的静态障碍物和检测到的动态障碍物进行所述路径安全性检查。图4a是根据本申请实施例的一种针对所述障碍物进行路径安全性检查的流程图,如图4a所示,步骤210为针对检测到的静态障碍物进行所述路径安全性检查,步骤220为针对检测到的动态障碍物进行所述路径安全性检查。
图4b是根据本申请实施例的又一种针对所述障碍物进行路径安全性检查的流程图,如图4b所示,为了能够进一步提高***的运行效率以及为后续不同的障碍物提供不同的避障策略,上述针对所述障碍物进行路径安全性检查还包括:步骤210’,先针对检测到的静态障碍物进行所述路径安全性检查,步骤220’,然后针对检测到的动态障碍物进行所述路径安全性检查。由于基于动态障碍物的安全检查需要调用存储数据的结构,而静态障碍物的检查可以直接基于栅格地图进行检查,故若同时进行静态障碍物和动态障碍物的安全检查,***的运行效率相对较慢;本实施例中采用先针对检测到的静态障碍物进行所述路径安全性检查的方式,可以降低机器人检测***的运行负载,有利于后续机器人针对不同的障碍物类型提供不同的避障策略。
图5a是根据本申请实施例的一种针对检测到的静态障碍物进行所述路径安全性检查的流程图,如图5a所示,所述针对检测到的静态障碍物进行所述路径安全性检查的步骤包括:步骤S211,沿路径点获取所述机器人的轮廓信息;步骤S212,驱动所述机器人遍历所述栅格地图上的点,逐点检查该点在所述栅格地图上对应的占用值,以判断所述机器人的当前行进路径是否经过所述静态障碍物。
具体地,在步骤S211中,沿路径点获取所述机器人的轮廓信息,具体地,沿着所述机器人行进的路径点获取所述机器人的轮廓信息。在本实施例中,所述机器人的轮廓信息相对固定可以提前配置到文件中,例如某个参数文件,由程序启动时自动加载到参数文件中。
在步骤S212中,驱动所述机器人遍历所述栅格地图上的点,逐点检查该点在所述栅格地图上对应的占用值,该点对应的占用值也即所述栅格地图中的单元格代价值,在所述栅格地图上,代价值越大的区域,机器人发生碰撞的可能性越大,应当控制机器人尽量避免在这些区域行走,当某区域或某点的代价值为最大代价值时,那么机器人肯定会发生碰撞,因此,在依据所述栅格地图规划机器人的行进路径的时候,会优先选择总代价值小的路径行走。以判断所述机器人的当前行进路径是否与经过所述静态障碍物,也即判断与所述静态障碍物发生碰撞的概率有多大。具体地,对所述机器人行进路径中的障碍物的安全性检查可以通过传感器检测预定行驶路径上是否存在障碍物,如果存在障碍物,则表示安全性检查不通过;如果不存在障碍物,则表示安全性检查通过。对所述机器人行进路径中的障碍物的安全性检查也可以是在规划好的导航地图中模拟行驶,看会不会与障碍物发生碰撞,如果会与障碍物发生碰撞,则表示安全性检查不通过;如果不会与障碍物发生碰撞,则表示安全性检查通过。对所述机器人行进路径中的障碍物的安全性检查还可以是根据真实环境数据,按照预定评分规则对所述机器人行进路径中的障碍物在所述栅格地图中的代价值进行评分,在分数小于预定分数时,则认为安全性检查通过,大于或等于预定分数时,则认为安全性检查不通过。
图5b是根据本申请实施例的一种针对检测到的动态障碍物进行所述路径安全性检查的流程图,如图5b所示,针对检测到的动态障碍物进行所述路径安全性检查的步骤包括:步骤S221,从所述动态障碍物列表中获取动态障碍物的轮廓信息及速度信息;步骤S222,确定所述动态障碍物与所述机器人的当前行进路径是否发生干涉;步骤S223,若存在干涉风险,则根据所述动态障碍物的速度信息确定所述动态障碍物与所述机器人的相对移动的类型。
在步骤S221中,从所述动态障碍物列表中获取动态障碍物的轮廓信息及速度信息;该动态障碍物列表作为一种数据结构,可以用于存储及调用该预设空间内的当前时刻的移动的动态障碍物凸包轮廓信息和速度信息。事先将实时检测到的动态障碍物的机构信息全部标记在动态障碍物列表中,以便于在下次机器人当前行进路径的预设范围内遇到动态障碍物时,可以直接从所述动态障碍物列表中获取到该动态障碍物所对应的轮廓信息及速度信息,避免再次由机器人上安装的激光雷达及摄像头等传感器感测后计算得到,节省了机器人针对动态障碍物进行所述路径安全性检查的时间,提高了***的运行效率。需要说明的是,获取动态障碍物的轮廓信息及速度信息,目的是为了便于预测动态障碍物的未来行驶轨迹。
在步骤S222中,确定所述动态障碍物与所述机器人的当前行进路径是否发生干涉;例如,可以通过监测经过机器人路径点的障碍物代价值所表征的所述路径点与障碍物之间的距离是否超出阈值,如果检测到机器人的某个所述路径点的障碍物代价值所表征所述路径点与障碍物之间的距离超过阈值时,则确定所述机器人的行驶路径与所述动态障碍物发生干涉,否则所述机器人的行驶路径与所述动态障碍物未发生干涉。
在步骤S223中,若存在干涉风险,则根据所述动态障碍物的速度信息确定所述动态障碍物与所述机器人的相对移动的类型。该相对移动的类型包括同向运动、逆向运动和交叉运动。其中,同向运动是指机器人在动态障碍物后面跟随,逆向运动是指机器人与动态障碍物在同一路段上相向移动,交叉运动是指机器人行进路径与动态障碍物的移动路径有交叉。
图6是根据本申请实施例的一种机器人沿着任务路径移动的场景示意图,如图6所示,图6中静态障碍物用黑色的圆形表示,动态障碍物用正六边形表示,在机器人沿着任务路径的移动过程中,若检测到的是静态障碍物,则运行针对检测到的静态障碍物进行所述路径安全性检查的步骤,若检测到的是动态障碍物,则运行针对检测到的动态障碍物进行所述路径安全性检查的步骤。有关静态障碍物、动态障碍物进行所述路径安全性检查的步骤,前面已经交待,此处不再赘述。
进一步地,可以根据所述机器人当前行进路径的方向和所述动态障碍物的移动方向之间的夹角θ,判断所述相对移动的类型;其中,当0≤θ≤45°时,则确定所述相对移动的类型为同向运动;当45°<θ≤135°时,则确定所述相对移动类型为交叉运动;当135°<θ≤180°时,则确定所述相对移动类型为逆向行运动。需要说明的是,所述机器人当前行进路径的方向即为动态障碍物的移动路径与机器人当前行进的路径的交点的切线方向,所述动态障碍物的移动方向,可通过安装在机器人上的激光雷达、摄像头等感测设备感知其输出的动态障碍物的移动方向。根据所述机器人当前行进路径的方向和所述动态障碍物的移动方向之间的夹角θ,确定它们之间的相对移动的类型,以便于后续基于不同的所述相对移动的类型,为机器人设置不同的避障策略。
图7a是图1所示步骤S300的子流程示意图,如图7a所示,所述根据所述路径安全性检查的结果确定决策规划策略,并控制所述机器人按照所确定的决策规划策略执行后续动作的步骤包括:
步骤S310,若检测到的障碍物包含静态障碍物,则根据针对检测到的静态障碍物进行的路径安全性检查的结果输出第一决策规划策略;
步骤S320,若检测到的障碍物包含动态障碍物,则根据针对检测到的动态障碍物进行的路径安全性检查的结果输出第二决策规划策略;
步骤S330,控制所述机器人按照所述第一决策规划策略和所述第二决策规划策略执行后续动作。
图7b是图7a所示步骤S310的一种子流程示意图,如图7b所示,所述根据所述路径安全性检查的结果确定决策规划策略,并控制所述机器人按照所确定的决策规划策略执行后续动作的步骤还包括:
步骤S311,若针对检测到的静态障碍物进行的路径安全性检查的结果是“安全”,则所述第一决策规划策略是:继续沿着当前行进路径移动;
步骤S312,若针对检测到的静态障碍物进行的路径安全性检查的结果是“不安全”,则所述第一决策规划策略是:重新规划所述机器人的避障路径并随之驱使所述机器人沿着所规划的避障路径继续行进。
图7c是图7a所示步骤S320的一种子流程示意图,如图7c所示,所述根据所述路径安全性检查的结果确定决策规划策略,并控制所述机器人按照所确定的决策规划策略执行后续动作的步骤还包括:
步骤S321,若针对检测到的动态障碍物进行的路径安全性检查的结果是“安全”,则所述第二决策规划策略是:继续按照当前速度沿着所述第一决策规划策略所确定的路径移动;
步骤S322,若针对检测到的动态障碍物进行的路径安全性检查的结果是“不安全”,则所述第二决策规划策略是:
若所述相对移动的类型为同向运动,则驱使所述机器人减速跟随;
若所述相对移动的类型为逆向运动,则驱使所述机器人停车等待;
若所述相对移动的类型为交叉运动,则驱使所述机器人减速等待。
在上述步骤中,具体地,可以根据上述机器人当前行进的路径方向和所述动态障碍物的移动方向之间的夹角θ,判断所述相对移动的类型,此处不再赘述。所述机器人减速跟随在动态障碍物的身后,其跟随的速度可以根据所述机器人与所述动态障碍物之间的安全距离和加速度信息动态计算得到。所述机器人执行停车等待的方式,例如,所述机器人停止移动,并处于等待状态。所述机器人在等待的过程中,会实时感测移动的动态障碍物的位置和移动速度,若感测到移动的动态障碍物的速度降至为0,且持续时间超过了5秒以上,此时,机器人确定移动的动态障碍物由于被机器人阻挡而无法继续向前移动,因此,机器人还需要执行靠边让行操作。此外,在所述机器人在等待的过程中,会实时感测移动的动态障碍物的位置和移动速度,若感测到移动的动态障碍物已经远离感测的行驶路径所在的范围,则机器人可以再次沿着预设的行驶路径启动行驶。
本申请实施例所提供的障碍物规避方法能够实现对所述机器人当前行进路径中预设范围内的障碍物进行路径安全性检查,根据所述路径安全性检查结果确定决策规划策略,使得机器人具有预判性,提升了机器人动作的可预测性,对周围环境中的行人更加友好;针对不同的障碍物的路径安全性检查结果,采取不同的避障策略进行避障,不仅使得机器人在面对不同的障碍物的时候表现的更加智能,避免了很多不必要的避障动作,而且通过控制所述机器人按照所述第一决策规划策略和所述第二决策规划策略(即静态障碍物、动态障碍物决策分离的方式)执行后续动作,相比传统地避障方法,不仅提升了机器人***的运行效率,同时,更加节省能源,提高了机器人的工作效率。
图8a是根据本申请实施例的一种障碍物规避装置的架构示意图,如图8a所示,本申请所述的装置包括感测模块8100、检查模块8200以及控制模块8300,所述障碍物规避装置用于机器人。
所述感测模块8100,用于感测机器人当前行进路径的预设范围内是否存在障碍物;
所述检查模块8200,用于在所述预设范围内存在障碍物的情况下确定所述障碍物的位置信息以及动静态属性信息,随之针对所述障碍物进行路径安全性检查;
所述控制模块8300,用于根据所述路径安全性检查的结果确定决策规划策略,并控制所述机器人按照所确定的决策规划策略执行后续动作。
需要说明的是,本实施例提供的障碍物规避装置,可以执行本申请实施例(如执行步骤S100至步骤S300的实施例)所述的障碍物规避方法,其实现原理和技术效果类似,在此不再赘述。
图8b是图8a所示控制模块的子模块的架构示意图,如图8b所示,在一些实施例中,控制模块8300可以包括以下子模块。具体地,所述控制模块8300包括:
第一策略确定子模块8310,用于当确定检测到的障碍物包含静态障碍物时,确定所述机器人的决策规划策略为第一决策规划策略;
第二策略确定子模块8320,用于当确定检测到的障碍物包含动态障碍物时,确定所述机器人的决策规划策略为第二决策规划策略。
需要说明的是,本实施例提供的障碍物规避装置,可以执行本申请实施例(如执行步骤S310至步骤S330的实施例)所述的障碍物规避方法,其实现原理和技术效果类似,在此不再赘述。
图8c是图8b所示第一策略确定子模块的架构示意图,如图8c所示,在一些实施例中,所述第一策略确定子模块8310包括:
第一安全检查单元8311,用于根据栅格地图对所述静态障碍物进行路径安全性检查,得到基于所述栅格地图的安全性检查结果;
第一决策输出单元8312,用于根据所述第一安全检查单元8311的安全性检查结果输出第一决策规划策略。
需要说明的是,本实施例提供的障碍物规避装置,可以执行本申请实施例(如执行步骤S311至步骤S312的实施例)所述的障碍物规避方法,其实现原理和技术效果类似,在此不再赘述。
图8d是图8b所示第二策略确定子模块的架构示意图,如图8d所示,在一些实施例中,所述第二策略确定子模块8320包括:
第二安全检查单元8321,用于根据动态障碍物列表对所述动态障碍物进行路径安全性检查,以确定所述动态障碍物与所述机器人的当前行进路径是否存在干涉风险;
运动模式判断单元8322,用于根据所述机器人的路径方向和所述动态障碍物的移动方向的夹角判断所述动态障碍物与所述机器人的相对移动的类型;
第二决策输出单元8323,用于根据所述第二安全检查单元8321的安全性检查结果以及根据所述运动模式判断单元8322判断的相对移动的类型输出第二决策规划策略。
需要说明的是,本实施例提供的障碍物规避装置,可以执行本申请实施例(如执行步骤S221至步骤S223以及S321至步骤S322的实施例)所述的障碍物规避方法,其实现原理和技术效果类似,在此不再赘述。
图8e是根据本申请实施例的一种决策器的架构示意图,如图8e所示,本申请所述的决策器用于机器人,所述决策器包括:
静态障碍物检查模块8500,用于基于栅格地图检查机器人当前行进路径的预设范围内的静态障碍物的位置信息,并针对所述静态障碍物进行路径安全性检查;
动态障碍物检查模块8600,用于基于动态障碍物列表检查机器人当前行进路径的预设范围内的动态障碍物的位置信息,并针对所述静态障碍物进行路径安全性检查;
行为决策模块8700,用于基于所述静态障碍物检查模块8500的安全性检查结果输出第一决策规划策略,以及基于所述动态障碍物检查模块8600的安全性检查结果输出第二决策规划策略。
需要说明的是,本实施例提供的决策器,可以执行本申请实施例(如执行步骤S310至步骤S330的实施例)所述的障碍物规避方法,其实现原理和技术效果类似,在此不再赘述。
图8f是图8e所示行为决策模块的架构示意图,如图8f所示,在一些实施例中,行为决策模块8700可以包括以下子模块。具体地,所述行为决策模块8700包括:
第一行为决策模块8710,用于根据经由所述静态障碍物检查模块8500进行路径安全性检查的结果输出第一决策规划策略;
第二行为决策模块8720,用于根据经由所述动态障碍物检查模块8600进行路径安全性检查的结果输出第二决策规划策略。
需要说明的是,本实施例提供的决策器,可以执行本申请实施例(如执行步骤S311至步骤S312,以及步骤S321至步骤S322实施例)所述的障碍物规避方法,其实现原理和技术效果类似,在此不再赘述。
图8g是图8e所示静态障碍物检查模块的架构示意图,如图8g所示,在一些实施例中,所述静态障碍物检查模块8500包括:
栅格地图存储单元8510,用于存储预设空间内所述静态障碍物对应的栅格地图,所述栅格地图中包括所述静态障碍物的栅格占用值;
第三安全检查单元8520,用于根据从所述栅格地图中获取到的所述静态障碍物的占用值对所述静态障碍物进行路径安全性检查,得到基于所述栅格地图的安全性检查结果。
需要说明的是,本实施例提供的决策器,可以执行本申请实施例(如执行步骤S010至步骤S020、步骤S110至步骤S120,以及步骤S211至步骤S212的实施例)所述的障碍物规避方法,其实现原理和技术效果类似,在此不再赘述。
图8h是图8e所示动态障碍物检查模块的架构示意图,如图8h所示,在一些实施例中,所述动态障碍物检查模块8600包括:
动态障碍物列表存储单元8610,用于存储预设空间内所述动态障碍物对应的动态障碍物列表,所述动态障碍物列表中包括所述动态障碍物的轮廓信息及速度信息;
第四安全检查单元8620,用于根据从所述动态障碍物列表中获取到的所述动态障碍物的轮廓信息和速度信息对所述动态障碍物进行路径安全性检查,以确定所述动态障碍物与所述机器人的当前行进路径是否存在干涉风险;
运动模式判断单元8630,用于根据所述第四安全检查单元8620的输出结果以及根据从所述动态障碍物列表中获取到的动态障碍物的轮廓信息和速度信息确定所述动态障碍物与所述机器人的相对移动的类型。
需要说明的是,本实施例提供的决策器,可以执行本申请实施例(如执行步骤S110至步骤S130,以及步骤S221至步骤S223的实施例)所述的障碍物规避方法,其实现原理和技术效果类似,在此不再赘述。此外,本申请还提供一种存储介质,其存储有计算机程序,该计算机程序能够被处理器加载以执行前面所描述的任一种障碍物规避方法中的步骤。
示例性地,该存储介质可以是下列中的任一个:只读存储器(Read Only Memory,ROM)、随机存取记忆体(Random Access Memory,RAM)、磁盘或光盘等。
此外,本申请还提供一种芯片,图9是根据本申请实施例的提供的一种芯片的结构示意图,如图9所示,芯片900包括一个或多个处理器901以及接口电路902。可选地,芯片900还可以包含总线903。其中:
处理器901可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器901中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器901可以是通用处理器、数字通信器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件、MCU、MPU、CPU或者协处理器中的一个或多个。可以实现或者执行本申请实施例中的公开的各方法、步骤。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
接口电路902可以用于数据、指令或者信息的发送或者接收,处理器901可以利用接口电路902接收的数据、指令或者其它信息,进行加工,可以将加工完成信息通过接口电路902发送出去。
可选地,芯片还包括存储器,存储器可以包括只读存储器和随机存取存储器,并向处理器提供操作指令和数据。存储器的一部分还可以包括非易失性随机存取存储器(NVRAM)。
可选地,存储器存储了可执行软件模块或者数据结构,处理器可以通过调用存储器存储的操作指令(该操作指令可存储在操作***中),执行相应的操作。
可选地,芯片可以使用在本申请实施例涉及的用于机器人避障装置中。可选地,接口电路902可用于输出处理器901的执行结果。关于本申请的一个或多个实施例提供的目标区域录入方法可参考前述各个实施例,这里不再赘述。
需要说明的是,上述处理器901、接口电路902各自对应的功能既可以通过硬件设计实现,也可以通过软件设计来实现,还可以通过软硬件结合的方式来实现,这里不作限制。
此外,本申请还提供了一种机器人,图10是根据本申请实施例的提供的机器人的结构示意图,如图10所示,机器人1000包括:处理器1001和存储器1002;可选地,机器人1000还包括通信总线1003和通信接口1004,其中,处理器1001、通信接口1004和存储器1002可通过通信总线1003完成相互间的通信,所述存储器1002存储有计算机程序,所述计算机程序适于由所述处理器1001加载并执行前面所描述的任一种障碍物规避方法中的步骤。
上述通信总线1003可以是工业标准体系结构(Industry StandardArchitecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为了便于表示,本申请实施例公开附图中的总线并不限定仅有一根总线或一种类型的总线。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上对本申请实施例所提供的障碍物规避方法、装置、存储介质、芯片及机器人进行了详细介绍,本文中应用了具体个例对本申请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申请的技术方案及其核心思想;本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例的技术方案的范围。
Claims (16)
1.一种障碍物规避方法,其特征在于,所述方法包括:
感测机器人当前行进路径的预设范围内是否存在障碍物;
若所述预设范围内存在障碍物,则确定所述障碍物的位置信息以及动静态属性信息,并针对所述障碍物进行路径安全性检查;
根据所述路径安全性检查的结果确定决策规划策略,并控制所述机器人按照所确定的决策规划策略执行后续动作。
2.根据权利要求1所述的方法,其特征在于,在感测所述机器人当前行进路径的预设范围内是否存在障碍物的步骤之前,所述方法还包括:
巡检由用户确定的预设空间以生成与所述预设空间对应的栅格地图;
在执行任务时,所述机器人根据所述栅格地图规划行进路径并随之沿着所规划的行进路径移动。
3.根据权利要求2所述的方法,其特征在于,所述感测机器人当前行进路径的预设范围内是否存在障碍物的步骤包括:
检测所述预设范围内的障碍物的类型;
若检测到的障碍物包含静态障碍物,则将其标记在所述栅格地图中;
若检测到的障碍物包含动态障碍物,则将其标记在动态障碍物列表中;
其中,所述动态障碍物列表包括当前时刻的移动的障碍物的凸包轮廓信息和速度信息。
4.根据权利要求3所述的方法,其特征在于,所述针对所述障碍物进行路径安全性检查的步骤包括:
分别针对检测到的静态障碍物和检测到的动态障碍物进行所述路径安全性检查。
5.根据权利要求3所述的方法,其特征在于,所述针对所述障碍物进行路径安全性检查的步骤还包括:
先针对检测到的静态障碍物进行所述路径安全性检查,然后针对检测到的动态障碍物进行所述路径安全性检查。
6.根据权利要求4或5中任一项所述的方法,其特征在于,所述针对检测到的静态障碍物进行所述路径安全性检查的步骤包括:
沿路径点获取所述机器人的轮廓信息;
驱动所述机器人遍历所述栅格地图上的点,逐点检查该点在所述栅格地图中对应的占用值,以判断所述机器人的当前行进路径是否经过所述静态障碍物。
7.根据权利要求6所述的方法,其特征在于,所述针对检测到的动态障碍物进行所述路径安全性检查的步骤包括:
从所述动态障碍物列表中获取动态障碍物的轮廓信息及速度信息;
确定所述动态障碍物与所述机器人的当前行进路径是否发生干涉;
若存在干涉风险,则根据所述动态障碍物的速度信息确定所述动态障碍物与所述机器人的相对移动的类型。
8.根据权利要求7所述的方法,其特征在于,所述根据所述动态障碍物的速度信息确定所述动态障碍物与所述机器人的相对移动的类型的步骤包括:
根据所述机器人的当前行进路径的方向和所述动态障碍物的移动方向之间的夹角θ,判断所述相对移动的类型,其中,
当0≤θ≤45°时,则确定所述相对移动的类型为同向运动;
当45°<θ≤135°时,则确定所述相对移动的类型为交叉运动;
当135°<θ≤180°时,则确定所述相对移动的类型为逆向运动。
9.根据权利要求8所述的方法,其特征在于,所述根据所述路径安全性检查的结果确定决策规划策略,并控制所述机器人按照所确定的决策规划策略执行后续动作的步骤包括:
若检测到的障碍物包含静态障碍物,则根据针对检测到的静态障碍物进行的路径安全性检查的结果输出第一决策规划策略;
若检测到的障碍物包含动态障碍物,则根据针对检测到的动态障碍物进行的路径安全性检查的结果输出第二决策规划策略;
控制所述机器人按照所述第一决策规划策略和所述第二决策规划策略执行后续动作。
10.根据权利要求9所述的方法,其特征在于,所述根据所述路径安全性检查的结果确定决策规划策略,并控制所述机器人按照所确定的决策规划策略执行后续动作的步骤还包括:
若针对检测到的静态障碍物进行的路径安全性检查的结果是“安全”,则所述第一决策规划策略是:继续沿着当前行进路径移动;
若针对检测到的静态障碍物进行的路径安全性检查的结果是“不安全”,则所述第一决策规划策略是:重新规划所述机器人的避障路径并随之驱使所述机器人沿着所规划的避障路径继续行进。
11.根据权利要求10所述的方法,其特征在于,所述根据所述路径安全性检查的结果确定决策规划策略,并控制所述机器人按照所确定的决策规划策略执行后续动作的步骤还包括:
若针对检测到的动态障碍物进行的路径安全性检查的结果是“安全”,则所述第二决策规划策略是:继续按照当前速度沿着所述第一决策规划策略所确定的路径移动;
若针对检测到的动态障碍物进行的路径安全性检查的结果是“不安全”,则所述第二决策规划策略是:
若所述相对移动的类型为同向运动,则驱使所述机器人减速跟随;
若所述相对移动的类型为逆向运动,则驱使所述机器人停车等待;
若所述相对移动的类型为交叉运动,则驱使所述机器人减速等待。
12.一种障碍物规避装置,其特征在于,所述装置包括:
感测模块,用于感测机器人当前行进路径的预设范围内是否存在障碍物;
检查模块,用于在所述预设范围内存在障碍物的情况下确定所述障碍物的位置信息以及动静态属性信息,随之针对所述障碍物进行路径安全性检查;
控制模块,用于根据所述路径安全性检查的结果确定决策规划策略,并控制所述机器人按照所确定的决策规划策略执行后续动作。
13.一种决策器,所述决策器用于机器人,其特征在于,所述决策器包括:
静态障碍物检查模块,用于基于栅格地图检查机器人当前行进路径的预设范围内的静态障碍物的位置信息,并针对所述静态障碍物进行路径安全性检查;
动态障碍物检查模块,用于基于动态障碍物列表检查机器人当前行进路径的预设范围内的动态障碍物的位置信息,并针对所述静态障碍物进行路径安全性检查;
行为决策模块用于基于所述静态障碍物检查模块的安全性检查结果输出第一决策规划策略,以及基于所述动态障碍物检查模块的安全性检查结果输出第二决策规划策略。
14.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序能够被处理器加载以执行如权利要求1至11中任意一项所述的障碍物规避方法中的步骤。
15.一种芯片,其特征在于,包括至少一个处理器和接口;
所述接口,用于为所述至少一个处理器提供程序指令或者数据;
所述至少一个处理器用于执行所述程序行指令,以执行如权利要求1至11中任意一项所述的障碍物规避方法中的步骤。
16.一种机器人,其特征在于,所述机器人包括处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1至11中任意一项所述的障碍物规避方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110954292.2A CN113741435A (zh) | 2021-08-19 | 2021-08-19 | 障碍物规避方法、装置、决策器、存储介质、芯片及机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110954292.2A CN113741435A (zh) | 2021-08-19 | 2021-08-19 | 障碍物规避方法、装置、决策器、存储介质、芯片及机器人 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113741435A true CN113741435A (zh) | 2021-12-03 |
Family
ID=78731882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110954292.2A Pending CN113741435A (zh) | 2021-08-19 | 2021-08-19 | 障碍物规避方法、装置、决策器、存储介质、芯片及机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113741435A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114115293A (zh) * | 2021-12-21 | 2022-03-01 | 上海擎朗智能科技有限公司 | 机器人避障方法、装置、设备及存储介质 |
CN114488853A (zh) * | 2022-01-26 | 2022-05-13 | 中国工商银行股份有限公司 | 一种机器人路径规划的场景仿真方法及装置 |
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*** |
WO2023123117A1 (zh) * | 2021-12-29 | 2023-07-06 | 广东美的白色家电技术创新中心有限公司 | 一种割草机器人避障方法和割草机器人 |
WO2024093989A1 (zh) * | 2022-11-02 | 2024-05-10 | 神顶科技(南京)有限公司 | 机器人的避障方法和*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105182979A (zh) * | 2015-09-23 | 2015-12-23 | 上海物景智能科技有限公司 | 一种移动机器人障碍物检测及避让方法和*** |
CN106291736A (zh) * | 2016-08-16 | 2017-01-04 | 张家港长安大学汽车工程研究院 | 无人驾驶汽车车道动态障碍物检测方法 |
WO2017041730A1 (zh) * | 2015-09-09 | 2017-03-16 | 北京进化者机器人科技有限公司 | 一种移动机器人避障导航的方法和*** |
CN108227706A (zh) * | 2017-12-20 | 2018-06-29 | 北京理工华汇智能科技有限公司 | 机器人躲避动态障碍的方法及装置 |
CN108748165A (zh) * | 2018-08-13 | 2018-11-06 | 安徽爱依特科技有限公司 | 一种自主识别防撞的人工智能机器人 |
US20190286145A1 (en) * | 2018-03-14 | 2019-09-19 | Omron Adept Technologies, Inc. | Method and Apparatus for Dynamic Obstacle Avoidance by Mobile Robots |
CN112529874A (zh) * | 2020-12-14 | 2021-03-19 | 上海智蕙林医疗科技有限公司 | 基于三维雷达的障碍物检测方法、装置、介质和机器人 |
-
2021
- 2021-08-19 CN CN202110954292.2A patent/CN113741435A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017041730A1 (zh) * | 2015-09-09 | 2017-03-16 | 北京进化者机器人科技有限公司 | 一种移动机器人避障导航的方法和*** |
CN105182979A (zh) * | 2015-09-23 | 2015-12-23 | 上海物景智能科技有限公司 | 一种移动机器人障碍物检测及避让方法和*** |
CN106291736A (zh) * | 2016-08-16 | 2017-01-04 | 张家港长安大学汽车工程研究院 | 无人驾驶汽车车道动态障碍物检测方法 |
CN108227706A (zh) * | 2017-12-20 | 2018-06-29 | 北京理工华汇智能科技有限公司 | 机器人躲避动态障碍的方法及装置 |
US20190286145A1 (en) * | 2018-03-14 | 2019-09-19 | Omron Adept Technologies, Inc. | Method and Apparatus for Dynamic Obstacle Avoidance by Mobile Robots |
CN108748165A (zh) * | 2018-08-13 | 2018-11-06 | 安徽爱依特科技有限公司 | 一种自主识别防撞的人工智能机器人 |
CN112529874A (zh) * | 2020-12-14 | 2021-03-19 | 上海智蕙林医疗科技有限公司 | 基于三维雷达的障碍物检测方法、装置、介质和机器人 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114115293A (zh) * | 2021-12-21 | 2022-03-01 | 上海擎朗智能科技有限公司 | 机器人避障方法、装置、设备及存储介质 |
WO2023123117A1 (zh) * | 2021-12-29 | 2023-07-06 | 广东美的白色家电技术创新中心有限公司 | 一种割草机器人避障方法和割草机器人 |
CN114488853A (zh) * | 2022-01-26 | 2022-05-13 | 中国工商银行股份有限公司 | 一种机器人路径规划的场景仿真方法及装置 |
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*** |
WO2024093989A1 (zh) * | 2022-11-02 | 2024-05-10 | 神顶科技(南京)有限公司 | 机器人的避障方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113741435A (zh) | 障碍物规避方法、装置、决策器、存储介质、芯片及机器人 | |
CN104787045B (zh) | 自动驾驶***、计算机实现的自动驾驶的方法以及计算设备 | |
CN108007452B (zh) | 根据障碍物更新环境地图的方法、装置及机器人 | |
CN113741438B (zh) | 路径规划方法、装置、存储介质、芯片及机器人 | |
CN102782600B (zh) | 自动移动体及其控制方法 | |
Saranrittichai et al. | Robust local obstacle avoidance for mobile robot based on dynamic window approach | |
CN108303986B (zh) | 一种激光slam导航的临时障碍物处理方法 | |
CN110834631A (zh) | 一种行人避让方法、装置、车辆及存储介质 | |
US20160161270A1 (en) | Autonomous vehicle detection of and response to yield scenarios | |
CN111409630A (zh) | 一种车辆避障方法、***及装置 | |
US11472436B1 (en) | Method and system for operating an autonomous agent with incomplete environmental information | |
CN110834630A (zh) | 一种车辆的驾驶控制方法、装置、车辆及存储介质 | |
WO2021056499A1 (zh) | 数据处理方法、设备和可移动平台 | |
US11814072B2 (en) | Method and system for conditional operation of an autonomous agent | |
CN114355950A (zh) | 掉头轨迹的规划方法及装置 | |
CN112987725A (zh) | 一种基于障碍物的避开方法、芯片及清洁机器人 | |
WO2023039666A1 (en) | Systems, methods, and media for occlusion-aware motion planning | |
JP2019220070A (ja) | 車両制御装置 | |
CN113158779B (zh) | 一种行走方法、装置和计算机存储介质 | |
CN116533998B (zh) | 车辆的自动驾驶方法、装置、设备、存储介质及车辆 | |
CN117055557A (zh) | 一种机器人避让方法、装置及电子设备 | |
JP2008009927A (ja) | 移動ロボット | |
CN115443441B (zh) | 动态交通场景下的符合交通规则的决策 | |
CN114019972A (zh) | 无人清扫车避障方法、装置、电子设备及存储介质 | |
Adnan et al. | A deep learning based autonomous electric vehicle on unstructured road conditions |
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 |