CN113759905A - 机器人路径规划方法、装置及机器人 - Google Patents
机器人路径规划方法、装置及机器人 Download PDFInfo
- Publication number
- CN113759905A CN113759905A CN202111004593.5A CN202111004593A CN113759905A CN 113759905 A CN113759905 A CN 113759905A CN 202111004593 A CN202111004593 A CN 202111004593A CN 113759905 A CN113759905 A CN 113759905A
- Authority
- CN
- China
- Prior art keywords
- path
- point
- robot
- initial
- determining
- 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 40
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000004888 barrier function Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—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
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种机器人路径规划方法、装置及机器人。上述路径规划方法包括:获取初始路径;根据所述初始路径与当前障碍物的距离信息,确定所述初始路径中待去除的部分路径以及该部分路径对应的起点和终点;在所述部分路径的起点和终点之间,去除所述部分路径,重新路径规划获取规划后的第一路径;对所述第一路径进行平滑优化处理,获取第二路径。根据上述技术方案,解决了机器人靠近障碍物边缘摇摆行走的问题,保证机器人能够平稳行走。
Description
技术领域
本发明涉及人工智能领域,具体而言,涉及一种机器人路径规划方法、装置及机器人。
背景技术
机器人导航,是机器人确定自己在参考系中的位置,然后规划通往某个目标位置的路径的能力。在国内大多数机器人产品中,机器人可以学习用户指定的路线(例如,机器人沿着用户手工设定的路线重复多次进行作业)行进作业。
然而,可能出现的挑战是,机器人在确定路线后,环境特征可能会发生变化。例如,机器人的预定路线发生被障碍物占据,或者路线发生变化。当前的机器人可能无法实时调整规划新的路径来适应这些变化,例如路线完全被障碍物堵塞。在这种情况下,当前的机器人可能会停止,碰撞物体或者重新修正部分路径。
例如,机器人沿着长走廊等过于靠近障碍物情景的预定路线进行作业时,由于传感器噪点或者定位误差原因,会触发机器人避障功能,造成的结果是机器人会沿着墙边摇摆行走。
针对上述行走摇摆问题,相关技术中,通常采用梯度平滑的搜索算法来修正路径的平滑性,如采用均匀全势场采样的搜索算法,然而该算法路径规划速度慢,内存负担大。为了提高搜索速度,基于启发式搜索的搜索算法会减少势场扩展区域,但是这种算法又会导致规划的路径很曲折,往往机器人难以根据此路径平稳行走,造成的结果是,机器人在跟踪路径时仍然存在左右摇摆的现象。
并且,相关技术中的上述梯度平滑的搜索算法虽然可适当修正路径的平滑性,但是无法保证极端情况下修正后的路线不与障碍物发生碰撞,特别对于沿边行走的机器人而言,只有同时满足安全性和平滑性,才能更可靠地完成作业任务。
发明内容
本发明的主要目的在于公开了一种机器人路径规划方法、装置及机器人,以至少解决相关技术中机器人沿着过于靠近障碍物情景的路径进行作业时,由于传感器噪点或者定位误差原因,会触发机器人避障功能,造成机器人会沿着墙边摇摆行走等问题。
根据本发明的一个方面,提供了一种机器人路径规划方法。
根据本发明的机器人路径规划方法包括:获取初始路径;根据上述初始路径与当前障碍物的距离信息,确定上述初始路径中待去除的部分路径以及该部分路径对应的起点和终点;在上述部分路径的起点和终点之间,去除上述部分路径,重新路径规划获取规划后的第一路径;对上述第一路径进行平滑优化处理,获取第二路径。
根据本发明的另一方面,提供了一种机器人路径规划装置。
根据本发明的机器人路径规划装置包括:获取模块,用于获取初始路径;确定模块,用于根据上述初始路径与当前障碍物的距离信息,确定上述初始路径中待去除的部分路径以及该部分路径对应的起点和终点;第一处理模块,用于在上述部分路径的起点和终点之间,去除上述部分路径,重新路径规划获取规划后的第一路径;第二处理模块,用于对上述第一路径进行平滑优化处理,获取第二路径。
根据本发明的又一方面,提供了一种机器人。
根据本发明的机器人包括:上述存储器,用于存储计算机执行指令;上述处理器,用于执行上述存储器存储的计算机执行指令,使得上述机器人执行如上面任一项上述的方法。
根据本发明,根据上述初始路径与当前障碍物的距离信息,去除过于靠近障碍物导致机器人不可行的路线,再重新规划路径并对规划后的路径进行平滑优化处理,可以在保证规划后的路径靠近障碍物的情况下,满足路径平滑性的要求,从而解决了机器人沿着墙边摇摆行走的问题,保证机器人能够平稳行走。
附图说明
图1是根据本发明实施例的机器人路径规划方法的流程图;
图2是根据本发明优选实施例的机器人路径规划方法的流程图;
图3是根据本发明实施例的机器人路径规划装置的结构框图;
图4是根据本发明实施例的机器人的结构框图。
具体实施方式
下面结合说明书附图对本发明的具体实现方式做一详细描述。
根据本发明实施例,提供了一种机器人路径规划方法。
图1是根据本发明实施例的机器人路径规划方法的流程图。如图1所示,该机器人路径规划方法包括:
步骤S101:获取初始路径;
步骤S102:根据上述初始路径与当前障碍物的距离信息,确定上述初始路径中待去除的部分路径以及该部分路径对应的起点和终点;
步骤S103:在上述部分路径的起点和终点之间,去除上述部分路径,重新路径规划获取规划后的第一路径;
步骤S104:对上述第一路径进行平滑优化处理,获取第二路径。
相关技术中机器人沿着过于靠近障碍物(例如,可以是桌椅、墙体等) 情景的路径进行作业时,由于传感器噪点或者定位误差原因,会触发机器人避障功能,造成机器人会靠近障碍物边缘摇摆行走等问题,采用图1所示的方法,根据上述初始路径与当前障碍物的距离信息,去除过于靠近障碍物导致机器人不可行的路线,再重新规划路径并对规划后的路径进行平滑优化处理,可以在保证规划后的路径靠近障碍物的情况下,满足路径平滑性的要求,从而解决了机器人沿着墙边摇摆行走的问题,保证机器人能够平稳行走。
需要说明的是,上述起点和终点的设置通常按照机器人在初始路径上行进路线顺序来确定,先经过的路径点为起点,后经过的路径点为终点,当然,起点和终点也可以互换,即将先经过的路径点称为终点,后经过的路径点称为起点。
优选地,在执行步骤S101中获取初始路径之前,还可以包括如下处理:可以将机器人第一次行进的路径作为上述初始路径进行保存。
当然,初始路径为预先设定并保存的路径,除了通过用户操控机器人的方法获取初始路径,也可以采用其他方法来获取初始路径,例如,自动探索环境获取环境感知信息,建立感知环境模型,采用全局路径规划算法来获取初始路径。
优选地,上述步骤S102中确定上述初始路径中待去除的部分路径可以进一步包括:在上述初始路径中,将距离所述障碍物的最短距离小于第一预定阈值的路径点组成的路径确定为所述部分路径。
在优选实施过程中,可以对当前障碍物的边沿进行膨胀处理,具体地,在栅格地图上,确定当前障碍物边沿需要外扩的栅格层数,其中,需要外扩的栅格层数与第一预定阈值相关,将外扩后区域内的栅格作为虚拟膨胀栅格,根据虚拟膨胀栅格最终获取膨胀后的区域。将初始路径中处于膨胀后的区域内的路径(即,与上述当前障碍物的距离小于第一预定阈值的路径)确定为待去除的部分路径。
优选地,上述步骤S103中,重新路径规划获取规划后的第一路径可以进一步包括以下处理:对于所述部分路径的起点和终点之间的每个第一中间路径点Pi,根据该第一中间路径点Pi的位置信息、该第一中间路径点Pi上机器人实际朝向信息、所述第一预定阈值、该第一中间路径点Pi距离障碍物的最短距离,确定与该第一中间路径点Pi对应的第二中间路径点P'i,其中, i=1,2,...,n,n为第一中间路径点的个数;结合所述起点、部分或全部所述第二中间路径点P'i、以及所述终点获取规划后的所述第一路径。
其中,上述n为第一中间路径点个数,Bioffset与各个第一中间路径点Pi上机器人实际朝向角度、以及所述第一预定阈值与中间路径点Pi距离障碍物的最短距离之间的差值相关;结合所述起点、部分或全部第二中间路径点P'i、以及所述终点获取规划后的所述第一路径。
在优选实施过程中,首先获取预设的初始路径,然后,对初始路径进行安全检测,将距离障碍物的最短距离小于第一预定阈值的路径点组成的路径确定为上述待去除的部分路径,去除未通过安全检测的部分路径,将上述部分路径的起点和终点之间的各个第一中间路径点Pi的位置进行变化。最后,当第一路径通过安全检测后,再将其以局部路径的方式加入到初始路径中,来替换原有待去除的部分路径。
例如,上述部分路径的起点和终点之间的各个第一中间路径点Pi组成的集合P:
P=[{x1,y1},{x2,y2},...,{xn,yn}]
其中,x和y分别表示各个第一中间路径点Pi的横坐标和纵坐标, i=1,2,...,n,n为中间路径点个数。同时可以获取各个第一中间路径点Pi上机器人实际朝向角度θi,i=1,2,...,n,展开形式为:θ=[θ1,θ2,...,θn]
第二中间路径点P'i组成的集合P':
P′=[{x′1,y′1},{x′2,y′2},...,{x′n,y′n}]。
其中,第一预定阈值设置为D,第一中间路径点Pi距离障碍物的最短距离为di,其中i=1,2,...,n。对各个第一中间路径点的位置进行变化,是让各个第二中间路径点距离墙的距离超过第一预定阈值D,因此,集合P中每个中间路径点的位置变化距离为Δdi=D-di,i=1,2...,n,展开形式为Δd=[D-d1,D-d2,..,D-dn]。
可以得到第一中间路径点坐标与第二中间路径点坐标的关系如下:
由此,结合上述部分路径的起点和终点、部分或者全部第二中间路径点 P'i(即,可以选择部分的第二中间路径点,也可以选择全部的第二中间路径点),可以获取规划后的路径(即上述第一路径)。
优选地,上述步骤S103中,重新路径规划获取规划后的第一路径还可以进一步包括以下处理:
S1:在上述起点和上述终点均未被障碍物占据时,以上述起点为第一中心点,遍历与上述第一中心点该相邻的多个点作为第一组候选节点,在上述第一组候选节点中确定满足预设条件且估算路程代价最小的点;
S2:以上述估算路程代价最小的点作为下一个中心点,继续遍历与上述下一个中心点相邻的多个点作为第二组候选节点,在上述第二组候选节点中确定满足上述预设条件且估算路程代价最小的点;
S3:循环执行上述S2,直至上述满足预设条件且估算路程代价最小的点为上述终点;
S4:根据上述起点,以及各个上述满足预设条件且估算路程代价最小的点,得到上述第一路径。
其中,上面提到的确定满足预设条件可以进一步包括:判断当前候选节点是否是被障碍物占据的点,如果否,则判断上述当前候选节点到上述起点的实际路程代价是否大于或等于第二预定阈值,如果否,则确定上述当前候选节点满足预设条件。
除了上述方案之外,还可以采用另一种方案来重新规划路径。路径搜索的主要目的是提供一种最短路径,节约时间且提高效率,可以采用安全框硬约束的相邻邻域的连续搜索路径规划方法。基于搜索的规划是一种运动规划方法,它使用图搜索方法来离散化地求解路径。基于搜索的路径规划主要考虑两个方向:扩展临节点的搜索策略;如何借助图的形式搜索到最优解。针对这两个方向,可以添加路径规划硬约束来保证扩展搜索时,每一个扩展的候选节点距离障碍物的距离都是大于安全检测距离的,通过搜索算法的估算函数加速搜索效率。
f(n)=g(n)+h(n) (1)
其中,(1)式中的f(n)代表从起点经由n节点到终点的估算路程代价, g(n)代表从起点到当前n节点的实际路程代价,h(n)代表从当前n节点到终点最小估算路程代价。
在具体实施过程中,首先获取符合预处理条件的起点坐标和终点坐标,然后算出起点的f值(估算路程代价),并把起点放进列表里。以起点为中心点遍历与它相邻的多个点(例如,上、下、左、右、左上、左下、右上、右下这八个点)作为候选节点,根据代价地图计算每个网格的代价值g值,判断这些候选节点中是否存在致命障碍物(即是否被障碍物占据),如果是,则直接跳过不计算这个点。除此之外,为了保证之后梯度优化的安全,还需要设定安全缓冲参数阈值(即上述第二预定阈值)。如果待扩展的候选节点的实际路程代价g值高于安全缓冲参数阈值,则也跳过,不计算该点。安全缓冲参数阈值(即上述第二预定阈值)可以通过实际场景中机器人的足迹轮廓和障碍物之间的距离合理调节来确定,通常为障碍物代价值的一定比例值 (具体比例可以动态调节),例如,障碍物代价值为100,第二预定阈值为障碍物代价值*0.8,则第二预定阈值可以设定为80。
之后,选取符合条件并且是f值最小的候选节点作为已扩展节点,再以该已扩展节点为中心点进行搜索,继续遍历该中心点的相邻的多个点(例如,相邻的8个点),依次循环执行,直到最后判断中心点是否为终点。如果它是终点则通过父节点反推方法可以提取路径,最后将这个获取的路径作为第一路径。
优选地,步骤S104中,对上述第一路径进行平滑优化处理,获取第二路径可以进一步包括:建立上述第一路径上的点坐标、上述第二路径的点坐标,与目标函数的关系;通过多次迭代,调节上述第二路径的点坐标,使得目标函数的值为最小值,在上述目标函数的值为最小值时,解算得到上述第二路径的各个点坐标。
优选地,通过以下公式建立上述第一路径上的点坐标、上述第二路径的点坐标,与目标函数的关系:
其中,α和β为权重参数,α∈[0,1],β∈[0,1],α和β可以根据实际情况进行动态调整,J为目标函数,X(i)表示第一路径上的点坐标,Y(i)表示第二路径上的点坐标,i为自然数。
例如,路径规划的原始点为点序列X(i):[X1,X2,...,Xn],平滑后的路径规划的点序列Y(i):[Y1,Y2,...,Yn]。其中每个点序列代表为笛卡尔坐标系下的二维坐标位置,即点X1表示为{x1,y1},x1和y1分别为X1在全局地图坐标系下的X轴坐标和Y轴坐标,以此类推,点Xn表示为{xn,yn},xn和yn 分别为Xn在全局地图坐标系下的X轴坐标和Y轴坐标。点Y1表示为{x'1, y'1},x'1和y'1分别为Y1在全局地图坐标系下的X轴坐标和Y轴坐标,以此类推,点Yn表示为{x'n,y'n},x'n和y'n分别为Yn在全局地图坐标系下的 X轴坐标和Y轴坐标。
路径平滑的本质是实现如下两个值的最小化:1、平滑后的点Yi与原始点Xi的偏离程度。2、平滑后各个相邻点之间的距离。根据这两点构造数学优化模型(上述(2)式的数学方程),即最小化目标函数J的值,由(2)式可知,||X(i)-Y(i)||是Y(i)与X(i)之间的范数,即欧氏距离,||X(i)-Y(i)||反应平滑后的点Yi与原始点Xi的偏离程度。||Y(i)-Y(i-1)||是Y(i)与Y(i-1)之间的范数,即欧氏距离,||Y(i)-Y(i-1)||反应平滑后路径中相邻点之间的距离。采用梯度下降法来求解最优解,通过多次迭代,调节Y(i)使得目标函数J的值为最小值。
需要说明的是,第一路径可能存在许多距离等效的折线,机器人沿着不平滑路径行驶,这会导致其行走时卡顿,无法平稳前行,严重影响机器人的作业效率。为了机器人能自然的沿着给定路径行驶,需要对第一路径做平滑处理。因此,上述处理可以在保证规划后的路径靠近障碍物的情况下,满足路径平滑性的要求,从而解决了机器人靠近障碍物边缘摇摆行走的问题,保证了机器人能够平稳行走。
优选地,对上述第一路径进行平滑优化处理,获取第二路径之后,还包括以下处理:按照规划后的第二路径,执行机器人导航安全性检测,例如,对于沿边行走的机器人,按照第二路径行进,是否会与障碍物发生碰撞等。只有在满足安全性检测要求的情况下,才使用第二路径更新上述初始路径中的部分路径,并保存更新后的初始路径,以便于后续基于更新后的初始路径来进行路径规划。
以下结合图2进一步描述上述优选实施方式。
图2是根据本发明优选实施例的机器人路径规划方法的流程图。如图2 所示,该机器人路径规划方法包括:
步骤S201:获取初始路径,其中,预先将机器人第一次行进的路径结果进行保存,作为预设的初始路径。
步骤S202:在上述初始路径中,将与上述当前障碍物的距离小于第一预定阈值的部分路径确定为待去除路径,在这部分路径的起点和终点之间,去除这部分路径。
步骤S203:判断规划预处理是否成功。
在路径规划前,首先需要检查程序是否正常运行,接下来判断规划线路的起点是否被障碍物占据,规划线路的终点是否被障碍物占据。当所有规划条件满足时,即起点和终点均没有被障碍物占据时,才开始执行路径搜索操作。
步骤S204:执行初始化操作:开启列表获取上述部分路径对应的起点和终点。
步骤S205:判断列表是否为空,如果列表为空,则执行步骤S213,如果列表不为空,则执行步骤S206。
步骤S206:从列表中找到f代价值最小的节点,作为下一个中心点。
步骤S207:判断该中心点是否为终点,如果是,则执行步骤S213。
步骤S208:查找该中心点相邻的所有点。
步骤S209:直接跳过并删除被障碍物占据的相邻节点。
步骤S210:直接跳过并删除g值大于安全缓冲阈值的相邻节点。
步骤S211:判断是否存在下一个相邻节点,如果是,执行步骤S212。
步骤S212:计算该相邻节点的g值和h值。
步骤S213:回溯确定搜索路径。
步骤S214:采用梯度下降法来求解最优解的方法实现路径平滑。
步骤S215:输出平滑优化处理的最终路径,并按照最终路径,执行机器人导航安全性检测。只有在满足安全性检测要求的情况下,才使用第二路径更新上述初始路径中的部分路径,并保存更新后的初始路径。
根据本发明实施例,提供了一种机器人路径规划装置。
图3是根据本发明实施例的机器人路径规划装置的结构框图。如图3所示,该机器人路径规划装置包括:获取模块30,用于获取初始路径;确定模块32,用于根据上述初始路径与当前障碍物的距离信息,确定上述初始路径中待去除的部分路径以及该部分路径对应的起点和终点;第一处理模块34,用于在上述部分路径的起点和终点之间,去除上述部分路径,重新路径规划获取规划后的第一路径;第二处理模块36,用于对上述第一路径进行平滑优化处理,获取第二路径。
采用图3所示的装置,第一处理模块34根据获取模块30获取的初始路径与当前障碍物的距离信息,去除过于靠近障碍物导致机器人不可行的路线,第二处理模块36再重新规划路径并对规划后的路径进行平滑优化处理,可以在保证规划后的路径靠近障碍物的情况下,满足路径平滑性的要求,从而解决了机器人沿着墙边摇摆行走的问题,保证机器人能够平稳行走。
需要说明的是,上述人体姿态识别装置中的各模块相互结合的优选实施方式,具体可以参见图1至图2的描述,此处不再赘述。
根据本发明实施例,提供了一种机器人。
图4是根据本发明实施例的机器人的结构框图。如图4所示,根据本发明的机器人包括:存储器40及处理器42,上述存储器40,用于存储计算机执行指令;上述处理器42,用于执行上述存储器存储的计算机执行指令,使得上述机器人执行如上述实施例提供的路径规划方法。
处理器42可以为中央处理器(Central Processing Unit,CPU)。处理器42还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器40作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的路径规划方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理。
存储器40可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器40可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器40中,当被所述处理器42执行时,执行如图1和图2所示实施例中的路径规划方法。
上述机器人的具体细节可以对应参阅图1和图2所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
综上所述,借助本发明提供的上述实施方式,对于机器人而言,在作业任务时,对于路径规划技术的实时性,安全性和平滑性要求都很高。机器人靠近障碍物边缘(例如,沿着长走廊等过于靠近墙体)等路线行进作业时,去除过于靠近障碍物导致机器人不可行的路线后,再基于重新规划出修正路径,再对修正路径进行安全检测,既满足安全性又满足平滑性,并且,在局部地图上规划速度可稳定在10-20毫秒之间,实时性能好。本发明为复杂环境下机器人的路径规划问题提供了一种有效的解决方案,可广泛应用于各种机器人、无人驾驶等设计路径规划、避障和平滑问题的领域。
以上公开的仅为本发明的几个具体实施例,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (10)
1.一种机器人路径规划方法,其特征在于,包括:
获取初始路径;
根据所述初始路径与当前障碍物的距离信息,确定所述初始路径中待去除的部分路径以及该部分路径对应的起点和终点;
在所述部分路径的起点和终点之间,去除所述部分路径,重新路径规划获取规划后的第一路径;
对所述第一路径进行平滑优化处理,获取第二路径。
2.根据权利要求1所述的方法,其特征在于,确定所述初始路径中待去除的部分路径包括:
在所述初始路径中,将距离所述障碍物的最短距离小于第一预定阈值的路径点组成的路径确定为所述部分路径。
3.根据权利要求2所述的方法,其特征在于,重新路径规划获取规划后的第一路径包括:
对于所述部分路径的起点和终点之间的每个第一中间路径点Pi,根据该第一中间路径点Pi的位置信息、该第一中间路径点Pi上机器人实际朝向信息、所述第一预定阈值、该第一中间路径点Pi距离障碍物的最短距离,确定与该第一中间路径点Pi对应的第二中间路径点P'i,其中,i=1,2,...,n,n为第一中间路径点的个数;
结合所述起点、部分或全部所述第二中间路径点P'i、以及所述终点获取规划后的所述第一路径。
4.根据权利要求1所述的方法,其特征在于,重新路径规划获取规划后的第一路径包括:
S1:在所述起点和所述终点均未被障碍物占据时,以所述起点为第一中心点,遍历与所述第一中心点该相邻的多个点作为第一组候选节点,在所述第一组候选节点中确定满足预设条件且估算路程代价最小的点;
S2:以所述估算路程代价最小的点作为下一个中心点,继续遍历与所述下一个中心点相邻的多个点作为第二组候选节点,在所述第二组候选节点中确定满足所述预设条件且估算路程代价最小的点;
S3:循环执行所述S2,直至所述满足预设条件且估算路程代价最小的点为所述终点;
S4:根据所述起点,以及各个所述满足预设条件且估算路程代价最小的点,得到所述第一路径。
5.根据权利要求4所述的方法,其特征在于,所述确定满足预设条件包括:
判断当前候选节点是否是被障碍物占据的点,如果否,则判断所述当前候选节点到所述起点的实际路程代价是否大于或等于第二预定阈值,如果否,则确定所述当前候选节点满足预设条件。
6.根据权利要求1所述的方法,其特征在于,对所述第一路径进行平滑优化处理,获取第二路径包括:
建立所述第一路径上的点坐标、所述第二路径的点坐标,与目标函数的关系;
通过多次迭代,调节所述第二路径的点坐标,使得目标函数的值为最小值,在所述目标函数的值为最小值时,解算得到所述第二路径的各个点坐标。
8.根据权利要求1至7中任一项所述的方法,其特征在于,对所述第一路径进行平滑优化处理,获取第二路径之后,还包括:
按照规划后的第二路径,执行机器人导航安全性检测,在满足检测要求的情况下,采用第二路径更新所述初始路径中的部分路径,并保存更新后的初始路径。
9.一种机器人路径规划装置,其特征在于,包括:
获取模块,用于获取初始路径;
确定模块,用于根据所述初始路径与当前障碍物的距离信息,确定所述初始路径中待去除的部分路径以及该部分路径对应的起点和终点;
第一处理模块,用于在所述部分路径的起点和终点之间,去除所述部分路径,重新路径规划获取规划后的第一路径;
第二处理模块,用于对所述第一路径进行平滑优化处理,获取第二路径。
10.一种机器人,包括:存储器及处理器,其特征在于,
所述存储器,用于存储计算机执行指令;
所述处理器,用于执行所述存储器存储的计算机执行指令,使得所述机器人执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111004593.5A CN113759905A (zh) | 2021-08-30 | 2021-08-30 | 机器人路径规划方法、装置及机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111004593.5A CN113759905A (zh) | 2021-08-30 | 2021-08-30 | 机器人路径规划方法、装置及机器人 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113759905A true CN113759905A (zh) | 2021-12-07 |
Family
ID=78791822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111004593.5A Pending CN113759905A (zh) | 2021-08-30 | 2021-08-30 | 机器人路径规划方法、装置及机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113759905A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106054900A (zh) * | 2016-08-08 | 2016-10-26 | 电子科技大学 | 基于深度摄像头的机器人临时避障方法 |
CN108444482A (zh) * | 2018-06-15 | 2018-08-24 | 东北大学 | 一种无人机自主寻路避障方法及*** |
CN110632921A (zh) * | 2019-09-05 | 2019-12-31 | 北京百度网讯科技有限公司 | 机器人路径规划方法、装置、电子设备和存储介质 |
CN111428919A (zh) * | 2020-03-17 | 2020-07-17 | 深圳先进技术研究院 | 路径规划方法、装置、电子设备及存储介质 |
CN112379697A (zh) * | 2020-12-15 | 2021-02-19 | 广州极飞科技有限公司 | 轨迹规划方法、装置、轨迹规划器、无人机及存储介质 |
CN112525198A (zh) * | 2020-11-23 | 2021-03-19 | 广州极飞科技有限公司 | 作业路线规划方法及相关装置 |
CN112987724A (zh) * | 2021-02-04 | 2021-06-18 | 京东数科海益信息科技有限公司 | 路径优化方法、装置、机器人及存储介质 |
CN113219975A (zh) * | 2021-05-08 | 2021-08-06 | 珠海市一微半导体有限公司 | 一种路线优化方法、路径规划方法、芯片及机器人 |
-
2021
- 2021-08-30 CN CN202111004593.5A patent/CN113759905A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106054900A (zh) * | 2016-08-08 | 2016-10-26 | 电子科技大学 | 基于深度摄像头的机器人临时避障方法 |
CN108444482A (zh) * | 2018-06-15 | 2018-08-24 | 东北大学 | 一种无人机自主寻路避障方法及*** |
CN110632921A (zh) * | 2019-09-05 | 2019-12-31 | 北京百度网讯科技有限公司 | 机器人路径规划方法、装置、电子设备和存储介质 |
CN111428919A (zh) * | 2020-03-17 | 2020-07-17 | 深圳先进技术研究院 | 路径规划方法、装置、电子设备及存储介质 |
CN112525198A (zh) * | 2020-11-23 | 2021-03-19 | 广州极飞科技有限公司 | 作业路线规划方法及相关装置 |
CN112379697A (zh) * | 2020-12-15 | 2021-02-19 | 广州极飞科技有限公司 | 轨迹规划方法、装置、轨迹规划器、无人机及存储介质 |
CN112987724A (zh) * | 2021-02-04 | 2021-06-18 | 京东数科海益信息科技有限公司 | 路径优化方法、装置、机器人及存储介质 |
CN113219975A (zh) * | 2021-05-08 | 2021-08-06 | 珠海市一微半导体有限公司 | 一种路线优化方法、路径规划方法、芯片及机器人 |
Non-Patent Citations (2)
Title |
---|
李柏 等: "智能网联汽车协同决策与规划技术", 29 February 2020, 北京机械工业出版社, pages: 48 - 58 * |
邹春明 等: "基于NSGA-Ⅱ算法的 AUV 三维全局路径规划", 武汉理工大学学报(交通科学与工程版), pages 3 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11567502B2 (en) | Autonomous exploration framework for indoor mobile robotics using reduced approximated generalized Voronoi graph | |
CN109976350B (zh) | 多机器人调度方法、装置、服务器及计算机可读存储介质 | |
US9102062B2 (en) | Apparatus and method for planning path of robot, and the recording media storing the program for performing the method | |
KR101203897B1 (ko) | 이동체(mobile body)를 위한 셀?기반 경로 계획 장치 및 방법 | |
CN106774347A (zh) | 室内动态环境下的机器人路径规划方法、装置和机器人 | |
JP2022511322A (ja) | 動的確率的運動計画 | |
WO2017144350A1 (en) | Method for motion planning for autonomous moving objects | |
JP6711949B2 (ja) | 1個以上の障害物を回避して始状態から終状態集合まで移動する物体の経路を決定する方法およびシステム | |
CN110764518B (zh) | 水下清淤机器人路径规划方法、装置、机器人和存储介质 | |
CN107843252B (zh) | 导航路径优化方法、装置及电子设备 | |
CN109895100B (zh) | 一种导航地图的生成方法、装置及机器人 | |
CN114705196B (zh) | 一种用于机器人的自适应启发式全局路径规划方法与*** | |
CN109341698B (zh) | 一种移动机器人的路径选择方法及装置 | |
Yang et al. | Far planner: Fast, attemptable route planner using dynamic visibility update | |
US20220203534A1 (en) | Path planning method and biped robot using the same | |
KR101688302B1 (ko) | 모션 플래닝 장치 및 방법 | |
Chen et al. | How to not train your dragon: Training-free embodied object goal navigation with semantic frontiers | |
CN117302196A (zh) | 一种自动泊车路径规划方法、装置、电子设备及存储介质 | |
CN113848893A (zh) | 机器人导航方法、装置、设备及存储介质 | |
CN113759905A (zh) | 机器人路径规划方法、装置及机器人 | |
CN111912411B (zh) | 一种机器人导航定位方法、***及存储介质 | |
CN113885531B (zh) | 用于移动机器人的方法、移动机器人、电路、介质和程序 | |
Abiyev et al. | Improved path-finding algorithm for robot soccers | |
CN114237303B (zh) | 一种基于蒙特卡洛树搜索的无人机路径规划方法及装置 | |
KR102324099B1 (ko) | 실내 이동체의 경로 계획 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
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 |