CN113741438A - 路径规划方法、装置、存储介质、芯片及机器人 - Google Patents
路径规划方法、装置、存储介质、芯片及机器人 Download PDFInfo
- Publication number
- CN113741438A CN113741438A CN202110960320.1A CN202110960320A CN113741438A CN 113741438 A CN113741438 A CN 113741438A CN 202110960320 A CN202110960320 A CN 202110960320A CN 113741438 A CN113741438 A CN 113741438A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- static
- robot
- cost map
- point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000003068 static effect Effects 0.000 claims abstract description 156
- 230000008569 process Effects 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 19
- 230000033001 locomotion Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 20
- 238000004140 cleaning Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000004807 localization Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction 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
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 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
- G05D1/0246—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
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)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请公开了一种路径规划方法、装置、存储介质、芯片及机器人。所述方法由机器人执行,相比于现有技术中的全局代价地图导航方案,所述方法不仅可以解决机器人在实际工作场景中,如遇行人及运动的物体,频繁出现让路及重新规划导航路径的问题,而且通过生成并维护预设空间的静态代价地图作为机器人每次执行任务之前的全局路径规划,以及根据实时感测的障碍物信息标记在局部代价地图上生成用于优化所述全局路径的局部路径规划,从而能够使机器人能够进行合理的避障,以及实现机器人导航规划结果的最优化。
Description
技术领域
本申请涉及机器人技术领域,具体涉及一种路径规划方法、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。
目前清洁机器人根据导航地图进行清洁作业时,现有的全局代价地图导航方案中没有将动态障碍物和静态障碍物设置可供区分的语义信息,故无法区分出障碍物的类型是动态的还是静态的。在实际工作场景中,当存在移动的行人或者运动的物体经过机器人规划的路径时,由于该移动的行人或者运动的物体经过机器人规划的路径只是暂时的,但是,如果机器人仍将该移动的行人或者运动的物体视为静态障碍物的话,则会出现机器人频繁的让路及重新规划导航路径的情况,影响机器人导航的流畅性。
发明内容
有鉴于此,本发明实施例的目的在于提供一种路径规划方法、装置、存储介质、芯片及机器人,以解决现有技术中机器人频繁让路及重新规划导航路径,影响机器人导航流畅性的问题。
根据本发明的一方面,提供了一种路径规划方法,所述方法由机器人执行,所述方法包括:生成并维护预设空间对应的静态代价地图;在所述机器人执行任务之前,基于所述静态代价地图生成针对本次任务的全局路径规划;在所述机器人的运动过程中,实时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并基于感测结果更新局部代价地图以及所述静态代价地图,随之基于所述局部代价地图生成用于优化所述全局路径规划的局部路径规划;其中,所述局部代价地图标记实时监测到的局部区域内的所有障碍物的位置信息,所述静态代价地图标记全局区域内的所有静态障碍物的位置信息。
根据本发明的又一方面,提供了一种用于机器人的路径规划装置,所述装置包括:静态地图生成模块、第一路径规划模块以及第二路径规划模块;
所述静态地图生成模块,用于生成并维护预设空间对应的静态代价地图;
所述第一路径规划模块,用于在所述机器人执行任务之前,基于所述静态代价地图生成针对本次任务的全局路径规划;
所述第二路径规划模块,用于在所述机器人的运动过程中,实时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并基于感测结果更新局部代价地图以及所述静态代价地图,随之基于所述局部代价地图生成用于优化所述全局路径规划的局部路径规划;
其中,所述局部代价地图标记实时监测到的局部区域内的所有障碍物的位置信息,所述静态代价地图标记全局区域内的所有静态障碍物的位置信息。
根据本发明的又一方面,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路径规划方法中的步骤。
根据本发明的又一方面,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路径规划方法中的步骤。
根据本发明的又一方面,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路径规划方法中的步骤。
本发明实施例所提出的路径规划方法、装置、存储介质、芯片及机器人能够通过生成并维护预设空间的静态代价地图,基于所述静态代价地图生成机器人每次导航的全局路径规划地图,并根据实时感测的障碍物信息更新局部代价地图以及静态代价地图,并基于所述局部代价地图生成用于优化所述全局路径规划的局部路径规划。相比于现有技术中的全局代价地图导航方案,不仅可以解决机器人在实际工作场景中,如遇行人及运动的物体,频繁出现让路及重新规划导航路径的问题,而且通过生成并维护预设空间的静态代价地图(标记全局区域内的所有的静态障碍物的位置信息)作为机器人每次执行任务之前的全局路径规划,以及根据实时感测的障碍物信息标记在局部代价地图上生成用于优化所述全局路径的局部路径规划,从而能够使机器人能够进行合理的避障,以及实现机器人导航规划结果的最优化。
附图说明
下面结合附图,通过对本发明的具体实施方式详细描述,将使本发明的技术方案及其它有益效果显而易见。
图1是根据本发明实施例的一种路径规划方法的流程示意图;
图2是图1所示步骤S100的子步骤的流程示意图;
图3是图2所示步骤S110的子步骤的流程示意图;
图4是根据本发明实施例提供的多帧点云数据对应的多个特征点在同一立立体空间中的连接的示意图;
图5是根据本发明实施例提供的又一多帧点云数据对应的多个特征点在同一立体空间中的连接的示意图;
图6是根据本发明实施例提供的又一多帧点云数据对应的多个特征点在同一立体空间中的连接以及边缘点集合对应的主方向的示意图;
图7是根据本发明实施例提供的根据多帧点云数据对应的多个特征点中点与点的连接关系划分目标障碍物的示意图;
图8a是根据本发明实施例的一种用于机器人的路径规划装置的架构示意图;
图8b是图8a所示静态地图生成模块的子模块的架构示意图;
图8c是图8b所示障碍物检测模块的子模块的架构示意图;
图8d是图8c所示障碍物划分单元的子单元的架构示意图;
图9是根据本发明实施例的提供的一种芯片的结构示意图;
图10是根据本发明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,都属于本发明保护的范围。
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。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明的描述中,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发明中的具体含义。
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发明的不同结构。为了简化本发明的公开,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发明。此外,本发明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,本发明的目的是为了能够提供一种更高效的机器人路径规划方法,以提高机器人导航的流畅性。
本发明的核心思想是在传统的两张地图(全局代价地图及局部代价地图)的基础上,新增一张静态代价地图,将预设空间中所有静态障碍物的位置信息标记在静态代价地图上,将该静态代价地图作为机器人每次执行任务前的全局路径规划的依据,同时将实时感测到的静态障碍物和动态障碍物的位置信息新增或更新在对应的局部代价地图以及静态代价地图中;随之基于所述局部代价地图生成用于优化所述全局路径规划的局部路径规划,有利于提高机器人路径规划的流畅性。下面结合具体的实施例详细说明。
图1是根据本发明实施例的一种路径规划方法的流程图,参阅图1所示,本发明一实施例提供了一种路径规划方法,所述方法由机器人执行,其包括:步骤S100,生成并维护预设空间对应的静态代价地图;步骤S200,在机器人执行任务之前,基于所述静态代价地图生成针对本次任务的全局路径规划;步骤S300,在所述机器人的运动过程中,实时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并基于感测结果更新局部代价地图以及所述静态代价地图,随之基于所述局部代价地图生成用于优化所述全局路径规划的局部路径规划。其中,所述局部代价地图标记实时监测到的局部区域内的所有障碍物的位置信息,所述静态代价地图标记全局区域内的所有静态障碍物的位置信息。
在本实施例中,机器人可以例如是智能清洁机器人。在其他的部分实施例中,机器人也可以是具有其他特定功能的机器人,例如配送机器人、导航机器人等。
在步骤S100中,生成并维护预设空间对应的静态代价地图。示例性地,在创建初始的静态代价地图时,可以驱使机器人巡检由用户确定的预设空间并根据3D激光SLAM(Simultaneous Localization And Mapping,同步定位与地图构建)算法预先构建基础静态地图,或者从网络中获取或者由用户通过应用程序输入基础静态地图,其中,由应用程序构建的基础静态地图可以直观地显示在智能设备上。
在步骤S200中,在机器人执行任务之前,基于所述静态代价地图生成针对本次任务的全局路径规划。该静态代价地图主要是为了反映预设空间中静态障碍物所处区域的代价值,代价值越大的区域,机器人发生碰撞的可能性越大,所以应当控制机器人尽量避开这些区域行走,当某区域某点的代价值最大时,则机器人必然会与障碍物发生碰撞。例如,可以假设该静态代价地图上点的代价值范围为[0,254],则机器人在进行路径规划时,会优先选择代价值较小的路径行走,当某点的代价值为最大值254时,机器人必然会与该点的静态障碍物发生碰撞。
示例性地,机器人根据所述静态代价地图生成针对本次任务的全局路径规划,并基于该全局路径规划向前行驶,以执行预定的任务,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)在预设范围内(例如10米至30米)感测是否存在障碍物。例如,机器人能够通过机器人上设置的激光雷达进行环境扫描,并根据激光的反射波采集机器人与障碍物之间的距离信息,然后,利用距离信息计算障碍物的位置信息。示例性地,该机器人可根据输入的激光点云数据和经由摄像头采集到的障碍物的图像信息等数据输出当前环境中障碍物的结构化信息,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S300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,所述机器人在按照所述静态代价地图生成针对本次任务的全局路径规划(第一行走路径),在所述机器人在行驶过程中,将实时采集到的障碍物信息分别标记在局部代价地图以及静态代价地图中,其中,局部代价地图标记实时监测到的局部区域内的所有障碍物的位置信息,静态代价地图中标记全局区域内的所有静态障碍物的位置信息。根据障碍物的感测结果更新局部代价地图以及所述静态代价地图,随之基于所述局部代价地图生成用于优化所述全局路径规划的局部路径规划(第二行走路径)。其中,在所述机器人全局的路径规划以及后续的局部路径优化的过程中均可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。例如,根据所述静态代价地图采用相应的路径算法求得从当前点到目标点之间的路径代价之和最小的全局路径,即第一行走路径。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。
需要说明的是,上述局部代价地图主要是为了反映机器人在运动过程中当前行进路径点的预设范围内的障碍物所处区域的代价值,根据该局部代价地图,机器人会选择一条代价最低的路径(第二行走路径)并通过控制行走速度来避开局部障碍物,同时,机器人按照第二行走路径继续向前行走的过程中仍然会继续监测其预设范围内是否会出现障碍物,即机器人在到达目标点之前对该导航路径上的障碍物检测是实时的,即按照预设的频率持续进行。
本发明实施例所提出的技术方案,相比于现有技术中的全局代价地图导航方案,不仅可以解决机器人在实际工作场景中,如遇行人及运动的物体,频繁出现让路及重新规划导航路径的问题,影响导航的流畅性,而且通过生成并维护预设空间的静态代价地图(标记全局区域内的所有的静态障碍物的位置信息)作为机器人每次执行任务之前的全局路径规划,以及根据实时感测的障碍物信息标记在局部代价地图上生成用于优化所述全局路径的局部路径规划,从而能够使机器人能够进行合理的避障,以及实现机器人导航规划结果的最优化。
图2是图1所示步骤S100的子步骤的流程示意图,如图2所示,所述生成并维护预设空间对应的静态代价地图的步骤包括:步骤S110,基于探测数据检测所述预设空间内的障碍物,并确定检测到的每个障碍物的类型;步骤S120,针对每个障碍物,若确定该障碍物是静态障碍物,则在所述静态代价地图中新增或更新该障碍物的位置信息,若确定该障碍物是动态障碍物,则仅在所述局部代价地图中新增或更新该障碍物的位置信息。
当机器人基于所述静态代价地图(标记全局区域内的所有静态障碍物的位置信息)生成的针对本次任务的全局路径规划而运动的过程中,很可能遇见行人、移动的物体等动态障碍物,由于该移动的行人或者运动的物体经过机器人规划的路径只是暂时的,因此,需要实时检测机器人当前路径点的预设范围内是否出现原本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更新对应的局部代价地图以及静态代价地图,随之基于所述局部代价地图生成用于优化所述全局路径规划的局部路径规划,从而能够使机器人能够进行合理的避障,以及实现机器人导航规划结果的最优化。
在步骤S110中,基于探测数据检测所述预设空间的障碍物,并确定检测到的每个障碍物的类型。具体地,在一个实施例中,可以通过机器人上安装的平激光、平摄像头、斜摄像头、防撞条等传感器采集包含障碍物的数据信息,该数据信息作为在地图上标记障碍物的标记数据的来源,得到上述激光、摄像头或者传感器监测的障碍物信息之后,机器人直接将该障碍物信息对应的当前障碍物标记在自身所维护的局部代价地图以及静态代价地图中。
示例性地,在另一个实施例中,机器人在运动过程中,可以通过机器人上安装的平激光、平摄像头、斜摄像头、防撞条等传感器持续监测该当前障碍物的存在时长,其中,该存在时长可以理解为传感器能够感知该当前障碍物的感知时长。若该存在时长超过所设置的预设阈值时,则机器人将该当前障碍物作为静态障碍物标记在自身所维护的局部代价地图以及静态代价地图中。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,则机器人将该静止点标记在自身所维护的静态代价地图中;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静态代价地图中。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。此外,可将噪点以及动态点不标记在机器人自身所维护的静态代价地图中。另外,对于平摄像头所获取的图像、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,则机器人同样将该当前稳定存在的静态障碍物标记在自身所维护的静态代价地图中。
在步骤S120中,针对每个障碍物,若确定该障碍物是静态障碍物,则在所述静态代价地图中新增或更新该障碍物的位置信息,若确定该障碍物是动态障碍物,则仅在所述局部代价地图中新增或更新该障碍物的位置信息。亦即将实时探测到局部区域内的静态障碍物更新并维护在所述静态代价地图中,将实时探测到局部区域内的静态障碍物及动态障碍物标记在局部代价地图中,根据该局部代价地图生成用于优化所述全局路径规划的局部路径规划(第二行走路径),使得机器人在后续的行进路径中能够合理的进行避障,最终到达目标点。
图3是图2所示步骤S110的子步骤的流程示意图,图4是根据本发明实施例提供的多帧点云数据对应的多个特征点在同一立体空间中的连接的示意图。
如图3-图4所示,所述基于探测数据检测所述预设空间内的障碍物并确定检测到的每个障碍物的类型的步骤包括:步骤S111,采集连续的多帧点云数据,每帧点云数据包括多个特征点;步骤S112,将采集到的所述多帧点云数据在同一立体空间中层叠;步骤S113,基于预设规则将所述立体空间中的特征点以点对点的形式进行连接,以形成多条边缘线;步骤S114,根据点与点的连接关系划分各个目标障碍物,随之基于每个目标障碍物对应的边缘线集合判断各个目标障碍物的动静态属性信息。
在步骤S111中,通过激光雷达采集所述机器人的当前路径点上预设范围内的障碍物的点云数据,示例性地,该激光雷达的扫描的角度范围例如为-120°~120°,可感测机器人视野范围内的所有障碍物,该激光雷达以10Hz的频率发送激光脉冲,也即每秒钟旋转10圈,发布10帧数据,根据激光的反射波采集机器人与障碍物之间的距离信息,然后,利用距离信息计算障碍物的位置信息,并将该位置信息转换为障碍物的点云数据。
在步骤S112中,示例性地,所述机器人通过激光雷达连续采集8帧点云数据,每帧点云数据可以在经过噪点过滤处理后建立在一个可以展示的立体空间上,例如采用Rviz软件,可在该软件中自动生成每一帧的点云数据对应的时间先后顺序的标注,以便于对每一帧时间获得到的点云数据进行区分。将采集到的连续8帧点云数据在同一立体空间中进行层叠,例如将该连续8帧点云数据以8层特征点层叠的形式同时构建在同一立体空间中,其中,每一帧点云数据对应一层特征点。示例性地,通过该软件中的图形界面可查看位于同一立体空间的8层特征点的三维立体图。
在步骤S113中,基于预设规则将所述立体空间中的特征点以点对点的形式进行连接,以建立对应所述障碍物的多条边缘线。示例性地,在建立边缘线的过程中,可以通过软件(Rviz)计算每个特征点与同帧相邻或异帧相邻的特征点之间的欧式距离,按照点与点的欧式距离满足预设阈值的条件下,将上述每个特征点与其他目标特征点以点对点的形式进行连接,以建立对应各个障碍物的边缘线,当所有的边缘线建立完毕之后,就可以根据点与点的连接关系划分各个目标障碍物。
在步骤S114中,根据点与点的连接关系划分各个目标障碍物,随之基于每个目标障碍物对应的边缘线集合判断各个目标障碍物的动静态属性信息。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。
对各个目标障碍物的划分的标准是基于当前帧的特征点追溯其之前的7帧特征点范围内的点与点的连接关系,例如,根据当前帧的所有特征点追溯其之前两帧范围内所包括的所有特征点之间的连接关系以及根据当前帧的所有特征点之间的连接关系,若一个边缘线集合中的每个边缘线均存在与该集合中的一个或多个边缘线的连接,则将该边缘线集合视为一个目标障碍物。
需要说明的是,上述采集连续8帧点云数据仅做示例,在实际应用场景中,也可根据具体的应用场景设置采集连续点云数据的帧数。本发明实施例并不以此为限。
图5是根据本发明实施例提供的又一多帧点云数据对应的多个特征点在同一立体空间中的连接的示意图;图6是根据本发明实施例提供的又一多帧点云数据对应的多个特征点在同一立体空间连接以及边缘线集合对应的主方向的示意图;图7是根据本发明实施例提供的根据多帧点云数据对应的多个特征点中点与点的连接关系划分目标障碍物的示意图。
如图4-图7所示,所述基于预设规则将所述立体空间中的特征点以点对点的形式进行连接的步骤包括:针对归属同一帧的特征点,将每个特征点与距离该特征点的欧式距离小于第一预设阈值的所有在索引度量上与其相邻的特征点以点对点的形式连接,以形成第一边缘线族群;针对每个特征点,将该特征点所属帧之前两帧所包括的所有特征点作为目标特征点,并将该特征点与距离该特征点的欧式距离小于第二预设阈值的所有目标特征点以点对点的形式连接,以形成第二边缘线族群。
示例性地,在建立边缘线的过程中,针对归属同一帧的特征点,可以通过软件(例如Rviz软件)计算每个特征点与距离该特征点的欧式距离小于第一预设阈值的所有在索引度量上与其相邻的特征点,若两者之间欧式距离小于预设阈值,则记为同帧有效特征点,并将该特征点与该有效特征点以点对点的形式进行连接,以形成第一边缘线,所有帧的所有第一边缘线构成第一边缘线族群。需要说明的是,上述欧式距离是指将当前特征点与有效特征点转换为同一平面坐标系上的两个坐标点之间的直线距离,示例性地,可利用勾股定理计算得到平面坐标系上两个坐标点之间的距离。
在建立边缘线的过程中,针对每个特征点,将该特征点所属帧的历史两帧范围内所包括的所有特征点作为目标特征点,并将所有与该特征点之间的欧式距离小于预设阈值的目标特征点记为帧间有效特征点,随之将该特征点与所有帧间有效特征点以点对点的形式进行连接,以形成多条第二边缘线。所有第二边缘线构成第二边缘线族群。
进一步地,所述基于每个目标障碍物对应的边缘线集合判断各个目标障碍物的动静态属性信息的步骤包括:针对每一个目标障碍物,统计对应该目标障碍物的属于所述第二边缘线族群的边缘线中移动边缘线的数量以及连续边缘线的数量。其中,在对应该目标障碍物的属于所述第二边缘线族群的边缘线中,若存在任意一条边缘线在第一平面上的投影长度大于第三预设阈值,则将该边缘线标记为移动边缘线;在对应该目标障碍物的属于所述第二边缘线族群的边缘线中,若存在任意一条边缘线在所述第一平面上的投影的方向向量与主方向方向向量之间的夹角θ小于第四预设阈值,则将该边缘线标记为连续边缘线;其中,所述第一平面是所述立体空间的基础平面(图示中将x-y方向构建的平面表示第一平面,z方向为垂直于所述第一平面的方向),所述主方向方向向量是指在对应该目标障碍物的特征点中,位于最底层的特征点所围合的几何中心点与位于最顶层的特征点所围合的几何中心点之间的连线在所述第一平面上的投影的方向向量。
在图5中,示例性地,障碍物A.的第4帧点云数据对应的特征点与障碍物A.的第5帧点云数据对应的特征点按照预设规则以点对点的形式连接所形成的第二边缘线在所述第一平面上的投影长度为s1,若该s1的长度超过第三预设阈值,则将该第二边缘线标记为移动边缘线。需要说明的是,上述第三预设阈值可通过机器人真实物理模型几何测绘得到。
在本发明实施例中,引入一个主方向方向向量的概念,示例性地,如图6所示,定义障碍物C.的位于最底层的第8帧上的特征点所围合的几何中心点与障碍物C.的位于最顶层的第1帧上的特征点所围合的几何中心点的连线在第一平面的投影向量为主方向方向向量,若任意一条第二边缘线在所述第一平面上的投影的方向向量与主方向方向向量的夹角θ小于第四预设阈值,则将该第二边缘线标记为连续边缘线,即通过对应目标障碍物的属于所述第二边缘线族群的第二边缘线中,第二边缘线在第一方向上的投影向量与主方向方向向量之间的夹角大小来判断该第二边缘线的连续性,通常两者之间形成的锐角夹角θ越小,代表第二边缘线的连续性越好,示例性地,该锐角夹角θ小于第四预设阈值,例如小于60°。
在本发明实施例中,根据上述多帧点云数据对应的特征点中的点与点的连接关系划分各个目标障碍物,例如图7中示出划分后的四个目标障碍物(Obj1、Obj2、Obj3、Obj4),相应地得到四组边缘线集合,后续还需要根据每一组边缘线集合中属于所述第二边缘线族群的边缘线的移动性指标及边缘线的连续性指标对每一个目标障碍物进行动静态属性判断。
为此,针对每一个目标障碍物,基于统计出的所述第二边缘线族群中所述移动边缘线的数量,计算所述移动边缘线与所述对应该目标障碍物的属于所述第二边缘线族群的所有边缘线的数量比值(即对应边缘线的移动性指标);以及针对每一个目标障碍物,基于统计出的所述连续边缘线的数量,计算所述连续边缘线与所述移动边缘线的数量比值(即对应边缘线的连续性指标)。
进一步地,所述基于每个目标障碍物对应的边缘线集合判断各个目标障碍物的动静态属性信息的步骤还包括:针对每一个目标障碍物,根据该目标障碍物对应的边缘线集合中所述移动边缘线与所述对应该目标障碍物的属于所述第二边缘线族群的所有边缘线的数量比值(即对应边缘线的移动性指标)以及所述连续边缘线与所述移动边缘线的数量比值(即对应边缘线的连续性指标),判断该目标障碍物的动静态属性;其中,若所述移动边缘线与所述对应该目标障碍物的属于所述第二边缘线族群的所有边缘线的数量比值(即对应边缘线的移动性指标)小于第五预设阈值,则确定该目标障碍物的类型为静态障碍物;若所述移动边缘线与所述对应该目标障碍物的属于所述第二边缘线族群的所有边缘线的数量比值(即对应边缘线的移动性指标)大于第六预设阈值,并且所述连续边缘线与所述移动边缘线的数量比值(即对应边缘线的连续性指标)大于第七预设阈值,则确定该目标障碍物的类型为动态障碍物。
本发明实施例所提出的技术方案,能够在所述机器人沿特定的路线运动的过程中,基于激光点云探测数据中多帧点云数据对应的特征点中的点与点的连接关系划分各个目标障碍物,同时,依据满足预设条件的点对点的连接所形成的边缘线得到对应每一个目标障碍物的边缘线集合,通过对该边缘线集合中边缘线的移动性指标以及边缘线的连续性指标进行判断,可得出该边缘线集合对应的目标障碍物的动静态属性信息。
其中,若该边缘线集合中属于所述第二边缘线族群的边缘线的移动性指标小于第五预设阈值,则将该边缘线集合所对应的目标障碍物确定为静态障碍物,若该边缘线集合中属于所述第二边缘线族群的边缘线的移动性指标大于第六预设阈值,并且属于所述第二边缘线族群的边缘线的连续性指标大于第七预设阈值,则将该边缘线集合所对应的目标障碍物确定为动态障碍物。基于此,即可将图示的四个目标障碍物(Obj1、Obj2、Obj3、Obj4)的动静属性进行区分。
为了能够提高基于激光点云探测数据识别目标障碍物的动静属性的准确性,在完成区分四个目标障碍物(Obj1、Obj2、Obj3、Obj4)的动静属性之后,对四个目标障碍物(Obj1、Obj2、Obj3、Obj4)进行跟踪学习,在跟踪学习过程中,还可以对基于激光点云探测数据中的静止点云、运动点云及不稳定点云进行计时,以区分哪些是稳定存在的静态障碍物、哪些是动态障碍物以及哪些是不稳定障碍物,最终形成对应障碍物的可供区分的动静语义信息,然后依次将该动静语义信息给所述静态代价地图的对应栅格点赋值,以及给所述局部代价地图的对应栅格点赋值。此外,对于其他没有动静语义的传感器数据,根据传感器的可靠性设置不同的稳定计数,满足一定阈值后标记在所述静态地图上。
在本发明实施例中,由上述激光点云探测数据中多帧点云数据对应的特征点中的点与点的连接关系可划分各个目标障碍物,同时,依据满足预设条件的点对点的连接得到对应每一个目标障碍物的边缘线集合,通过对每个边缘线集合中属于所述第二边缘线族群的边缘线的移动性指标以及边缘线的连续性指标进行判断,可得出每个边缘线集合对应的目标障碍物的动静态属性信息。然而,上述基于激光点云探测数据仅能判断出所述预设空间的目标障碍物的动静态类型,并无法得知所述预设空间的目标障碍物的类别,例如无法判断目标障碍物是人、猫、狗、汽车或者其他对象,故在导航地图中无法对各个目标障碍物进行准确的语义信息设置。为了解决上述问题,在本发明的一个实施例中,将上述基于激光点云探测数据获得的各个目标障碍物的动静态信息与经由摄像装置采集到的所述目标障碍物的图像信息进行数据融合,以得到所述目标障碍物的经融合的动静态信息,随之基于所述经融合的动静态信息给所述静态代价地图的对应栅格点赋值以及给所述局部代价地图的对应栅格点赋值,在得到所述目标障碍物的经融合的动静态信息后,最终可在导航地图中对各个目标障碍物进行动静语义信息设置。需要说明的是,上述基于激光点云探测数据与经由摄像装置采集到的所述目标障碍物的图像信息的数据融合可以是实时的,即在机器人的沿着预设导航路径的行驶过程中实时融合。
本发明实施例所提出的技术方案,能够在所述机器人沿特定的路线运动的过程中,基于激光点云探测数据中多帧点云数据对应的特征点中的点与点的连接关系划分各个目标障碍物,同时,依据满足预设条件的点对点的连接所形成的边缘线得到对应每一个目标障碍物的边缘线集合,通过对该边缘线集合中边缘线的移动性指标以及边缘线的连续性指标进行判断,可得出每个边缘线集合对应的目标障碍物的动静态属性信息。通过生成并维护预设空间的静态代价地图,基于所述静态代价地图生成机器人每次用于导航的全局路径规划,并根据实时感测的障碍物信息更新局部代价地图以及静态代价地图,并基于所述局部代价地图生成用于优化所述全局路径规划的局部路径规划。相比于现有技术中的全局代价地图导航方案,不仅可以解决机器人在实际工作场景中,如遇行人及运动的物体,频繁出现让路及重新规划导航路径的问题,而且通过生成并维护预设空间的静态代价地图(标记全局区域内的所有的静态障碍物的位置信息)作为机器人每次执行任务之前的全局路径规划,以及根据实时感测的障碍物信息标记在局部代价地图上生成用于优化所述全局路径的局部路径规划,能够使机器人进行合理的避障,以及实现机器人导航规划结果的最优化。
图8a是根据本发明实施例的一种用于机器人的路径规划装置的架构示意图,如图8a所示,该装置包括静态地图生成模块8100、第一路径规划模块8200以及第二路径规划模块8300。
所述静态地图生成模块8100,生成并维护预设空间对应的静态代价地图;其中,初始静态代价地图可以是机器人事先通过激光雷达感测获得的基础静态地图,也可以是通过外部程序输入的基础静态地图,例如,机器人可以响应于用户的触发巡检由所述用户确定的预设空间以自动生成初始静态代价地图,示例性地,在机器人的行进过程中,可以采用SLAM技术,以实现自主移动和定位。
所述第一路径规划模块8200,用于在所述机器人执行任务之前,基于所述静态代价地图生成针对本次任务的全局路径规划;
所述第二路径规划模块8300,用于在所述机器人的运动过程中,实时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并基于感测结果更新局部代价地图以及所述静态代价地图,随之基于所述局部代价地图生成用于优化所述全局路径规划的局部路径规划;
其中,所述局部代价地图标记实时监测到的局部区域内的所有障碍物的位置信息,所述静态代价地图标记全局区域内的所有静态障碍物的位置信息。
图8b是图8a所示静态地图生成模块的子模块的架构示意图,如图8b所示,所述静态地图生成模块8100还包括障碍物检测模块8400,所述障碍物检测模块8400用于基于探测数据检测所述预设空间内的障碍物,并确定检测到的每个障碍物的类型。
需要说明的是,本实施例提供的用于机器人的路径规划装置,可以执行本申请实施例(如执行步骤S110至步骤S120的实施例)所述的路径规划方法,其实现原理和技术效果类似,在此不再赘述。
图8c是图8b所示障碍物检测模块的子模块的架构示意图,如图8c所示,所述障碍物检测模块8400包括:
点云数据采集单元8410,用于采集所述机器人的当前路径点上预设范围内的障碍物的连续的多帧点云数据,每帧点云数据包括多个特征点;
点云数据层叠单元8420,用于将采集到的所述多帧点云数据在同一立体空间中层叠;
边缘线构建单元8430,用于基于预设规则将所述立体空间中的特征点以点对点的形式进行连接,以形成多条边缘线;
障碍物划分单元8440,用于根据点与点的连接关系划分各个目标障碍物,随之基于每个目标障碍物对应的边缘线集合判断各个目标障碍物的动静态属性信息。
需要说明的是,本实施例提供的用于机器人的路径规划装置,可以执行本申请实施例(如执行步骤S111至步骤S114的实施例)所述的路径规划方法,其实现原理和技术效果类似,在此不再赘述。
图8d是图8c所示障碍物划分单元的子单元的架构示意图,如图8d所示,在一些实施例中,障碍物划分单元8440可以包括以下子单元,具体地,所述障碍物划分单元8440包括:
统计单元8441,用于针对每一个目标障碍物,统计对应该目标障碍物的属于第二边缘线族群的边缘线中移动边缘线的数量以及连续边缘线的数量;
计算单元8442,用于针对每一个目标障碍物,计算所述移动边缘线与所述对应该目标障碍物的属于第二边缘线族群的所有边缘线的数量比值;以及计算所述连续边缘线与所述移动边缘线的数量比值;
判断单元8443,用于针对每一个目标障碍物,根据该目标障碍物对应的边缘线集合中所述移动边缘线与所述对应该目标障碍物的属于第二边缘线族群的所有边缘线的数量比值以及所述连续边缘线与所述移动边缘线的数量比值,判断该目标障碍物的动静态属性。
本实施例所提出的用于机器人的路径规划装置,相比于现有技术中的全局代价地图导航方案,不仅可以解决机器人在实际工作场景中,如遇行人及运动的物体,频繁出现让路及重新规划导航路径的问题,而且通过生成并维护预设空间的静态代价地图(标记全局区域内的所有的静态障碍物的位置信息)作为机器人每次执行任务之前的全局路径规划,以及根据实时感测的障碍物信息标记在局部代价地图上生成用于优化所述全局路径的局部路径规划,从而能够使机器人能够进行合理的避障,以及实现机器人导航规划结果的最优化。
本实施例所提出的用于机器人的路径规划装置的其他方面与前面所描述的路径规划方法相同或相似,在此不再赘述。此外,本发明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路径规划方法中的步骤。
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,本发明还提供一种芯片,图9是根据本发明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发明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,芯片可以使用在本发明实施例涉及的用于机器人路径规划的装置中。可选地,接口电路902可用于输出处理器901的执行结果。关于本发明的一个或多个实施例提供的路径规划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,本发明还提供了一种机器人,图10是根据本发明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路径规划方法中的步骤。
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,本发明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。
以上对本发明实施例所提供的路径规划方法、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发明各实施例的技术方案的范围。
Claims (12)
1.一种路径规划方法,所述方法由机器人执行,其特征在于,所述方法包括:
生成并维护预设空间对应的静态代价地图;
在所述机器人执行任务之前,基于所述静态代价地图生成针对本次任务的全局路径规划;
在所述机器人的运动过程中,实时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并基于感测结果更新局部代价地图以及所述静态代价地图,随之基于所述局部代价地图生成用于优化所述全局路径规划的局部路径规划;
其中,所述局部代价地图标记实时监测到的局部区域内的所有障碍物的位置信息,所述静态代价地图标记全局区域内的所有静态障碍物的位置信息。
2.根据权利要求1所述的方法,其特征在于,所述生成并维护预设空间对应的静态代价地图的步骤包括:
基于探测数据检测所述预设空间内的障碍物,并确定检测到的每个障碍物的类型;
针对每个障碍物,若确定该障碍物是静态障碍物,则在所述静态代价地图中新增或更新该障碍物的位置信息,若确定该障碍物是动态障碍物,则仅在所述局部代价地图中新增或更新该障碍物的位置信息。
3.根据权利要求2所述的方法,其特征在于,所述基于探测数据检测所述预设空间内的障碍物并确定检测到的每个障碍物的类型的步骤包括:
采集连续的多帧点云数据,每帧点云数据包括多个特征点;
将采集到的所述多帧点云数据在同一立体空间中层叠;
基于预设规则将所述立体空间中的特征点以点对点的形式进行连接,以形成多条边缘线;
根据点与点的连接关系划分各个目标障碍物,随之基于每个目标障碍物对应的边缘线集合判断各个目标障碍物的动静态属性信息。
4.根据权利要求3所述的方法,其特征在于,所述基于预设规则将所述立体空间中的特征点以点对点的形式进行连接的步骤包括:
针对归属同一帧的特征点,将每个特征点与距离该特征点的欧式距离小于第一预设阈值的所有在索引度量上与其相邻的特征点以点对点的形式连接,以形成第一边缘线族群;
针对每个特征点,将该特征点所属帧之前两帧所包括的所有特征点作为目标特征点,并将该特征点与距离该特征点的欧式距离小于第二预设阈值的所有目标特征点以点对点的形式连接,以形成第二边缘线族群。
5.根据权利要求4所述的方法,其特征在于,所述基于每个目标障碍物对应的边缘线集合判断各个目标障碍物的动静态属性信息的步骤包括:
针对每一个目标障碍物,统计对应该目标障碍物的属于所述第二边缘线族群的边缘线中移动边缘线的数量以及连续边缘线的数量;
其中,在对应该目标障碍物的属于所述第二边缘线族群的边缘线中,若存在任意一条边缘线在第一平面上的投影长度大于第三预设阈值,则将该边缘线标记为移动边缘线;
在对应该目标障碍物的属于所述第二边缘线族群的边缘线中,若存在任意一条边缘线在所述第一平面上的投影的方向向量与主方向方向向量之间的夹角θ小于第四预设阈值,则将该边缘线标记为连续边缘线;
其中,所述第一平面是所述立体空间的基础平面,所述主方向方向向量是指在对应该目标障碍物的特征点中,位于最底层的特征点所围合的几何中心点与位于最顶层的特征点所围合的几何中心点之间的连线在所述第一平面上的投影的方向向量。
6.根据权利要求5所述的方法,其特征在于,所述基于每个目标障碍物对应的边缘线集合判断各个目标障碍物的动静态属性信息的步骤还包括:
针对每一个目标障碍物,基于统计出的所述移动边缘线的数量,计算所述移动边缘线与所述对应该目标障碍物的属于所述第二边缘线族群的所有边缘线的数量比值;以及
针对每一个目标障碍物,基于统计出的所述连续边缘线的数量,计算所述连续边缘线与所述移动边缘线的数量比值。
7.根据权利要求6所述的方法,其特征在于,所述基于每个目标障碍物对应的边缘线集合判断各个目标障碍物的动静态属性信息的步骤还包括:
针对每一个目标障碍物,根据该目标障碍物对应的边缘线集合中所述移动边缘线与所述对应该目标障碍物的属于所述第二边缘线族群的所有边缘线的数量比值以及所述连续边缘线与所述移动边缘线的数量比值,判断该目标障碍物的动静态属性;
其中,若所述移动边缘线与所述对应该目标障碍物的属于所述第二边缘线族群的所有边缘线的数量比值小于第五预设阈值,则确定该目标障碍物的类型为静态障碍物;
若所述移动边缘线与所述对应该目标障碍物的属于所述第二边缘线族群的所有边缘线的数量比值大于第六预设阈值,并且所述连续边缘线与所述移动边缘线的数量比值大于第七预设阈值,则确定该目标障碍物的类型为动态障碍物。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
将基于所述点云数据获得的目标障碍物的动静态信息与经由摄像装置采集到的所述目标障碍物的图像信息进行数据融合,以得到所述目标障碍物的经融合的动静态信息,随之基于所述经融合的动静态信息给所述静态代价地图的对应栅格点赋值以及给所述局部代价地图的对应栅格点赋值。
9.一种用于机器人的路径规划装置,其特征在于,所述装置包括:
静态地图生成模块,用于生成并维护预设空间对应的静态代价地图;
第一路径规划模块,用于在所述机器人执行任务之前,基于所述静态代价地图生成针对本次任务的全局路径规划;
第二路径规划模块,用于在所述机器人的运动过程中,实时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并基于感测结果更新局部代价地图以及所述静态代价地图,随之基于所述局部代价地图生成用于优化所述全局路径规划的局部路径规划;
其中,所述局部代价地图标记实时监测到的局部区域内的所有障碍物的位置信息,所述静态代价地图标记全局区域内的所有静态障碍物的位置信息。
10.一种存储介质,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8中任意一项所述的路径规划方法中的步骤。
11.一种芯片,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8中任意一项所述的路径规划方法中的步骤。
12.一种机器人,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8中任意一项所述的路径规划方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960320.1A CN113741438B (zh) | 2021-08-20 | 2021-08-20 | 路径规划方法、装置、存储介质、芯片及机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960320.1A CN113741438B (zh) | 2021-08-20 | 2021-08-20 | 路径规划方法、装置、存储介质、芯片及机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113741438A true CN113741438A (zh) | 2021-12-03 |
CN113741438B CN113741438B (zh) | 2024-03-26 |
Family
ID=78732058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110960320.1A Active CN113741438B (zh) | 2021-08-20 | 2021-08-20 | 路径规划方法、装置、存储介质、芯片及机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113741438B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114166228A (zh) * | 2021-12-07 | 2022-03-11 | 武汉科技大学 | 无人机持续监测路径规划方法 |
CN114185353A (zh) * | 2021-12-09 | 2022-03-15 | 吉林大学 | 一种自主作业装载机倒车避障与路径规划方法 |
CN114360274A (zh) * | 2021-12-13 | 2022-04-15 | 珠海格力智能装备有限公司 | 配送车导航方法、***、计算机设备和存储介质 |
CN114674333A (zh) * | 2022-03-22 | 2022-06-28 | 中国电信股份有限公司 | 移动设备的导航方法、设备、***及介质 |
CN115711624A (zh) * | 2022-10-18 | 2023-02-24 | 中国科学院半导体研究所 | 运动代价地图构建方法、装置、无人设备及存储介质 |
WO2023191723A1 (en) * | 2022-03-30 | 2023-10-05 | Agency For Science, Technology And Research | Method and system for navigating a robot |
CN117232531A (zh) * | 2023-11-14 | 2023-12-15 | 长沙小钴科技有限公司 | 机器人导航规划方法及存储介质和终端设备 |
TWI828136B (zh) * | 2022-05-03 | 2024-01-01 | 優式機器人股份有限公司 | 環境整理控制方法及系統 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060241827A1 (en) * | 2005-03-04 | 2006-10-26 | Masaki Fukuchi | Obstacle avoiding apparatus, obstacle avoiding method, obstacle avoiding program and mobile robot apparatus |
CN109146972A (zh) * | 2018-08-21 | 2019-01-04 | 南京师范大学镇江创新发展研究院 | 基于快速特征点提取及网格化三角形约束的视觉导航方法 |
CN109509260A (zh) * | 2017-09-14 | 2019-03-22 | 百度在线网络技术(北京)有限公司 | 动态障碍物点云的标注方法、设备及可读介质 |
CN109709945A (zh) * | 2017-10-26 | 2019-05-03 | 深圳市优必选科技有限公司 | 一种基于障碍物分类的路径规划方法、装置及机器人 |
CN111429514A (zh) * | 2020-03-11 | 2020-07-17 | 浙江大学 | 一种融合多帧时序点云的激光雷达3d实时目标检测方法 |
CN111966089A (zh) * | 2020-07-16 | 2020-11-20 | 上海澳悦智能科技有限公司 | 在移动机器人中使用代价地图估计动态障碍物速度的方法 |
CN112284389A (zh) * | 2020-09-28 | 2021-01-29 | 深圳优地科技有限公司 | 移动机器人路径规划方法、装置、移动机器人和存储介质 |
CN112859859A (zh) * | 2021-01-13 | 2021-05-28 | 中南大学 | 一种基于三维障碍物体素对象映射的动态栅格地图更新方法 |
-
2021
- 2021-08-20 CN CN202110960320.1A patent/CN113741438B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060241827A1 (en) * | 2005-03-04 | 2006-10-26 | Masaki Fukuchi | Obstacle avoiding apparatus, obstacle avoiding method, obstacle avoiding program and mobile robot apparatus |
CN109509260A (zh) * | 2017-09-14 | 2019-03-22 | 百度在线网络技术(北京)有限公司 | 动态障碍物点云的标注方法、设备及可读介质 |
CN109709945A (zh) * | 2017-10-26 | 2019-05-03 | 深圳市优必选科技有限公司 | 一种基于障碍物分类的路径规划方法、装置及机器人 |
CN109146972A (zh) * | 2018-08-21 | 2019-01-04 | 南京师范大学镇江创新发展研究院 | 基于快速特征点提取及网格化三角形约束的视觉导航方法 |
CN111429514A (zh) * | 2020-03-11 | 2020-07-17 | 浙江大学 | 一种融合多帧时序点云的激光雷达3d实时目标检测方法 |
CN111966089A (zh) * | 2020-07-16 | 2020-11-20 | 上海澳悦智能科技有限公司 | 在移动机器人中使用代价地图估计动态障碍物速度的方法 |
CN112284389A (zh) * | 2020-09-28 | 2021-01-29 | 深圳优地科技有限公司 | 移动机器人路径规划方法、装置、移动机器人和存储介质 |
CN112859859A (zh) * | 2021-01-13 | 2021-05-28 | 中南大学 | 一种基于三维障碍物体素对象映射的动态栅格地图更新方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114166228A (zh) * | 2021-12-07 | 2022-03-11 | 武汉科技大学 | 无人机持续监测路径规划方法 |
CN114166228B (zh) * | 2021-12-07 | 2024-05-28 | 武汉科技大学 | 无人机持续监测路径规划方法 |
CN114185353A (zh) * | 2021-12-09 | 2022-03-15 | 吉林大学 | 一种自主作业装载机倒车避障与路径规划方法 |
CN114185353B (zh) * | 2021-12-09 | 2024-03-22 | 吉林大学 | 一种自主作业装载机倒车避障与路径规划方法 |
CN114360274A (zh) * | 2021-12-13 | 2022-04-15 | 珠海格力智能装备有限公司 | 配送车导航方法、***、计算机设备和存储介质 |
CN114674333A (zh) * | 2022-03-22 | 2022-06-28 | 中国电信股份有限公司 | 移动设备的导航方法、设备、***及介质 |
CN114674333B (zh) * | 2022-03-22 | 2023-12-08 | 中国电信股份有限公司 | 移动设备的导航方法、设备、***及介质 |
WO2023191723A1 (en) * | 2022-03-30 | 2023-10-05 | Agency For Science, Technology And Research | Method and system for navigating a robot |
TWI828136B (zh) * | 2022-05-03 | 2024-01-01 | 優式機器人股份有限公司 | 環境整理控制方法及系統 |
CN115711624A (zh) * | 2022-10-18 | 2023-02-24 | 中国科学院半导体研究所 | 运动代价地图构建方法、装置、无人设备及存储介质 |
CN117232531A (zh) * | 2023-11-14 | 2023-12-15 | 长沙小钴科技有限公司 | 机器人导航规划方法及存储介质和终端设备 |
CN117232531B (zh) * | 2023-11-14 | 2024-01-30 | 长沙小钴科技有限公司 | 机器人导航规划方法及存储介质和终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113741438B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113741438B (zh) | 路径规划方法、装置、存储介质、芯片及机器人 | |
CN107981790B (zh) | 室内区域划分方法及扫地机器人 | |
CN106980320B (zh) | 机器人充电方法及装置 | |
CN110675307B (zh) | 基于vslam的3d稀疏点云到2d栅格图的实现方法 | |
US20230305573A1 (en) | Method for detecting obstacle, self-moving robot, and non-transitory computer readable storage medium | |
JP2020181572A (ja) | 経路計画方法、電子装置、ロボット及びコンピュータ読取可能な記憶媒体 | |
US6728608B2 (en) | System and method for the creation of a terrain density model | |
EP3974778B1 (en) | Method and apparatus for updating working map of mobile robot, and storage medium | |
EP3770711A1 (en) | Method for repositioning robot | |
CN108628318B (zh) | 拥堵环境检测方法、装置、机器人及存储介质 | |
KR101430103B1 (ko) | 골프공 회수 로봇 | |
Jaspers et al. | Multi-modal local terrain maps from vision and lidar | |
US11004332B2 (en) | Cooperative mapping for autonomous vehicles, robots or multi-agent systems | |
CN112526993A (zh) | 栅格地图更新方法、装置、机器人及存储介质 | |
CN113741435A (zh) | 障碍物规避方法、装置、决策器、存储介质、芯片及机器人 | |
RU2740229C1 (ru) | Способ локализации и построения навигационных карт мобильного сервисного робота | |
CN111990930B (zh) | 一种测距方法、装置、机器人和存储介质 | |
CN113475977B (zh) | 机器人路径规划方法、装置及机器人 | |
JP2017083663A (ja) | 一致性評価装置および一致性評価方法 | |
CN113566808A (zh) | 一种导航路径规划方法、装置、设备以及可读存储介质 | |
WO2022188333A1 (zh) | 一种行走方法、装置和计算机存储介质 | |
CN114779777A (zh) | 自移动机器人的传感器控制方法、装置、介质及机器人 | |
CN114842106A (zh) | 栅格地图的构建方法及构建装置、自行走装置、存储介质 | |
CN112033423B (zh) | 一种基于道路共识的机器人路径规划方法、装置和机器人 | |
CN113503877A (zh) | 机器人分区地图建立方法、装置及机器人 |
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 |