CN113867347A - 机器人路径规划方法、装置、管理***及计算机存储介质 - Google Patents

机器人路径规划方法、装置、管理***及计算机存储介质 Download PDF

Info

Publication number
CN113867347A
CN113867347A CN202111124278.6A CN202111124278A CN113867347A CN 113867347 A CN113867347 A CN 113867347A CN 202111124278 A CN202111124278 A CN 202111124278A CN 113867347 A CN113867347 A CN 113867347A
Authority
CN
China
Prior art keywords
robot
obstacle
path
obstacle avoidance
tracking
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
Application number
CN202111124278.6A
Other languages
English (en)
Inventor
冉东来
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Youibot Robotics Technology Co ltd
Original Assignee
Shenzhen Youibot Robotics Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Youibot Robotics Technology Co ltd filed Critical Shenzhen Youibot Robotics Technology Co ltd
Priority to CN202111124278.6A priority Critical patent/CN113867347A/zh
Publication of CN113867347A publication Critical patent/CN113867347A/zh
Pending legal-status Critical Current

Links

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
    • G05D1/0238—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
    • G05D1/0212—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
    • G05D1/0246—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
    • G05D1/0251—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 extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Multimedia (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请公开了一种机器人路径规划方法，所述方法包括：获取循迹路径；控制所述机器人根据所述循迹路径行进；若所述机器人行进过程中，在所述循迹路径上检测到障碍物，获取所述障碍物的障碍物信息；根据所述障碍物信息生成避障路径，所述避障路径的终点设置在所述循迹路径上；控制所述机器人根据所述避障路径，由当前位置向循迹路径行进。本申请还提供一种机器人路径规划装置、管理***以及计算机可读存储介质。实现了机器人灵活规避障碍物，避免机器人的避障对多机调度造成干扰。

Description

机器人路径规划方法、装置、管理***及计算机存储介质
技术领域
本申请涉及机器人技术领域，尤其涉及一种机器人的路径规划方法、装置、管理***及计算机存储介质。
背景技术
目前机器人的路径规划主要包括两种方法，分别是固定路径导航和自主导航。其中，固定路径导航是指预先确定机器人行进的路径，使机器人基于预设的路径行进，固定路径导航的灵活性较差，机器人只能严格按照预设的路径行进，在遇到障碍物时暂停行进并发出警报；自主导航是指机器人能够实时获取激光雷达数据，并自主规划从当前位置到目标位置的路径，根据激光雷达数据动态调整行进路径，自主导航时机器人的行进路径具有很大的不确定性，举例而言，在同时存在多个机器人的环境中，自主导航状态下的机器人不仅要从当前位置行进到目标位置、规避行进中可能遇到的障碍物，还需要防止阻碍同一环境中其他机器人的行进，因此，自主导航会给多机调度带来困难。
发明内容
本申请提供一种机器人的路径规划方法、装置、管理***及计算机存储介质，以解决现有机器人路径规划方法缺乏规避障碍物的能力、灵活性差的问题。
第一方面，本申请提供一种机器人路径规划方法，所述方法包括：
获取循迹路径；
控制所述机器人根据所述循迹路径行进；
若所述机器人行进过程中，在所述循迹路径上检测到障碍物，获取所述障碍物的障碍物信息；
根据所述障碍物信息生成避障路径，所述避障路径的终点设置在所述循迹路径上；
控制所述机器人根据所述避障路径，由当前位置向循迹路径行进。
第二方面，本申请还提供一种机器人路径规划装置，所述机器人路径规划装置包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现如上述所述的机器人路径规划方法。
第三方面，本申请还提供一种管理***，所述管理***包括若干机器人以及如上述所述的机器人路径规划装置。
第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质被一个或多个处理器执行时，使得一个或多个处理器执行如上述所述的机器人路径规划方法的步骤。
本申请描述的机器人路径规划方法中，机器人能够在检测到障碍物时获取障碍物信息，根据所述障碍物信息调整行进的路径，以使所述机器人绕过所述障碍物，回到循迹路径上。实现了机器人在行进的过程中，能够在检测到障碍物时调整行进路径，灵活地绕过循迹路径上的障碍物。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一个实施例提供的管理***的框图示意图；
图2为本申请一个实施例提供的一种机器人路径规划方法的流程示意图；
图3为本申请一个实施例提供的确定障碍物信息的步骤的流程示意图；
图4为本申请一个实施例提供的密度聚类算法的示意图；
图5为本申请一个实施例提供的确定避障路径的步骤的流程示意图；
图6为本申请一个实施例提供的确定膨胀区域的步骤的流程示意图；
图7为本申请一个实施例提供的根据避障路径行进的步骤的流程示意图；
图8为本申请一个实施例提供的机器人路径规划装置的结构示意性框图。
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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请的实施例提供了一种机器人路径规划方法、装置、管理***及计算机存储介质，以提高机器人规避障碍物的灵活性。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1为本申请一个实施例提供的管理***的框图示意图。
具体地，该管理***包含有若干机器人以及机器人路径规划装置。在实际应用中，用户在管理***预先设定机器人的循迹路径，控制机器人根据循迹路径行进，若机器人在行进过程中，在循迹路径上检测到障碍物，则获取障碍物信息，根据障碍物信息生成避障路径，其中，避障路径的终点设置在循迹路径上，机器人根据避障路径，由当前位置向循迹路径行进，使得机器人能够灵活规避行进路径中的障碍物。
举例而言，还能够在同时存在多个机器人的环境中防止多个机器人的行进互相干扰，保证多机作业的有序性。
如图1所示，在本申请所对应的管理***中，该管理***100包括若干机器人，如第一机器人101、第二机器人102、……、第N机器人10n，以及机器人路径规划装置10，机器人路径规划装置10可以设置在其中至少一个机器人上，或者也可以为机器人之外的独立设备。
机器人路径规划装置10通过获取预设的循迹路径，控制机器人根据循迹路径行进，当机器人在循迹路径上检测到障碍物时，根据障碍物信息生成避障路径，以实现机器人灵活避障的效果。其中，避障路径的终点设置在循迹路径上，避免所述若干机器人由于避障产生干扰。
请参照图2，图2为本申请一个实施例提供的一种机器人路径规划方法的流程示意图。
步骤S201、获取循迹路径。
在需要通过机器人执行任务的环境中，可能会同时存在多个机器人。例如在仓库、生产车间等环境中使用机器人进行搬运物料时，仓库、生产车间中可能同时存在多个执行搬运物料任务的机器人。为了确保多个机器人在同一环境中执行任务时互相不产生干扰，可以预先对各个机器人执行任务时行进的循迹路径进行规划，并将所述循迹路径导入至对应的机器人。
在实际应用中，需要机器人执行任务时，用户可以在相关的***上进行操作，在相关的***上确定机器人的循迹路径，以使机器人能够按照预设的循迹路径行进。
示例性的，所述循迹路径可以表示在尺度地图(Metric Map)、拓扑地图(Topological Map)或者语义地图(Semantic Map)等多种类型的地图中，在此不做限定。
预先设定机器人行进的循迹路径，能够在同时存在多个机器人的环境中确保各个机器人的行进不产生干扰，保证多机作业的有序进行。
步骤S202、控制所述机器人根据所述循迹路径行进；
在实际应用中，用户在相关***上进行操作，确定各个机器人的循迹路径，根据用户在相关***上的操作，将循迹路径导入对应的机器人。
所述循迹路径确定了机器人执行任务的行进路线，根据所述循迹路径确定的机器人行进路线，控制所述机器人行进。
控制机器人根据预设的循迹路径行进，能够在同时存在多个机器人的环境中，确保各个机器人不产生干扰，避免造成机器人之间互相阻碍甚至是碰撞，确保多机作业的有序进行。
步骤S203、若所述机器人行进过程中，在所述循迹路径上检测到障碍物，获取所述障碍物的障碍物信息。
机器人搭载了至少一个检测装置，能够通过所述至少一个检测装置检测循迹路径上是否存在障碍物。若机器人在行进的过程中，通过所述至少一个检测装置在循迹路径上检测到障碍物，则通过所述至少一个检测装置获取障碍物的障碍物信息。
具体地，所述至少一个检测装置为至少一个激光雷达。当然也不限于此，也可以通过其他装置检测障碍物和获取障碍物的障碍物信息。例如，所述至少一个检测装置也可以是3D摄像头。
在一些实施方式中，若所述机器人与所述障碍物的距离小于预设阈值，判定所述机器人检测到障碍物。其中，所述机器人与所述障碍物的距离是指机器人靠近障碍物一侧的外周轮廓与障碍物轮廓的最小距离。
其中，所述预设阈值根据实际需求预先设定。例如，可以将预设阈值设定为1米。若检测装置在循迹路径上距离机器人1米的范围内检测到障碍物，则判定所述机器人检测到障碍物。
示例性的，机器人与障碍物的距离可以通过机器人搭载的至少一个检测装置获取。例如，当所述检测装置为激光雷达时，激光雷达能够发射激光，并根据激光被发射和被反射回来的时间差，确定机器人与障碍物之间的距离。
在一些实施方式中，若判定所述机器人检测到障碍物，即在循迹路径上检测到与机器人距离小于预设阈值的物体，控制所述机器人减速。在一些实施例中，所述机器人在接收到并沿新的避障路径移动后，恢复至正常速度。
通过检测装置检测循迹路径上一定范围内是否存在障碍物，以及在检测到循迹路径上一定范围内存在障碍物时，控制机器人减速，能够防止机器人与障碍物发生碰撞，避免造成机器人损坏。
示例性的，由于障碍物信息是通过处理激光雷达扫描障碍物得到的点云数据确定的，因此，在确定障碍物信息时，请参照图3，图3为本申请一个实施例提供的确定障碍物信息的步骤的流程示意图。
步骤S301、通过所述激光雷达获取所述障碍物的点云数据；
步骤S302、基于密度聚类算法，根据所述点云数据确定所述障碍物信息。
点云数据(point cloud data)是在一个三维坐标***中的一组向量的集合，激光雷达能够发射激光并根据物体反射回的激光获取点云数据。通过对激光雷达扫描所述障碍物返回的点云数据进行处理，能够确定所述障碍物的障碍物信息，以便机器人根据障碍物信息进行避障路径的规划。
密度聚类算法，例如DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)聚类算法，能够根据点云数据分布的密集程度对所述点云数据进行聚类，得到聚类结果，所述聚类结果为用于表示障碍物的点云数据集合。与其他聚类算法相比，密度聚类算法不需要预先确定障碍物的数量和形状，并且能够有效滤除数据中的噪声，避免聚类结果受到异常数据的影响，更精确地对点云数据进行聚类。
具体地，密度聚类算法根据预先设置的参数：最大半径(Eps)和最小点(minPts)，对点云数据进行聚合。例如，对于点云数据集合X＝{x1，x2，……，xN}中的一个点云数据，与该点云数据距离小于最大半径的范围为该点云数据的邻域。若所述点云数据的邻域内包括的元素数量大于最小点，则该点云数据为核心点；若所述点云数据的邻域内包括的元素数量不大于最小点，但所述点云数据的邻域内包括核心点，则该点云数据为边界点；否则，该点云数据为噪声点。若x,y∈X，x为核心点，且y位于x的邻域，则y是从x密度直达的；若p1，p2，……，pm∈X(其中m≥2)满足pi+1是从pi密度直达的，i＝1，2……，m-1，则pm是从p1密度可达的。被聚类为同一类(cluster)的点云数据集合C应该满足：对于x，y∈X，若x∈C，且y是从x密度可达的，则y∈C。
请参阅图4，图4为本申请一个实施例提供的密度聚类算法的示意图。如图4所示，40表示点云数据401的邻域。若图3的实施例中设置最小点的数值为8，则点云数据401的邻域40内包括的对象数量大于8，点云数据401为核心点。
在一些实施方式中，通过密度聚类算法得到聚类结果后，基于凸包算法，根据聚类结果确定障碍物轮廓。
具体地，由于聚类结果是用于表示障碍物的点云数据集合，凸包算法能够根据聚类结果中的点云数据确定一个最大的凸多边形，所述凸多边形用于表示障碍物轮廓。示例性的，所述凸包算法可以是Jarvis步进算法(Jarvis March)、增量算法(IncrementalMethod)、快速凸包算法(Quick Hull)、分而治之算法(Divide and Conquer)、Graham扫描算法(Graham Scan)、单调链算法(Monotone Chain)等能够根据点云数据确定所述最大的凸多边形的算法，在此不再赘述。
步骤S204、根据所述障碍物信息生成避障路径，所述避障路径的终点设置在所述循迹路径上。
由于所述避障路径的终点设置在循迹路径上，所述机器人在绕过障碍物后，即所述机器人完成根据避障路径由当前位置向循迹路径行进后，能够回到预先设定的循迹路径上，继续根据循迹路径行进，避免避障对机器人的多机调度造成干扰。
由于避障路径是根据障碍物信息生成的，因此，在生成避障路径时，请参照图5，图5为本申请一个实施例提供的生成避障路径的步骤的流程示意图。
步骤S501、根据所述障碍物信息和所述循迹路径，确定所述避障路径的终点；
步骤S502、根据所述终点和所述机器人的当前位置，确定所述避障路径。
在获取障碍物信息后，根据获取到的障碍物信息和预设的循迹路径，确定所述避障路径的终点。其中，避障路径的终点位于避障路径上，使得机器人在由当前位置行进到终点的过程中，能够绕过所述障碍物，最终回到循迹路径上，以防止机器人的避障对多机作业造成干扰。根据终点和机器人的当前位置，以及障碍物信息，确定机器人规避障碍物的避障路线。
示例性的，由于避障路径是根据机器人的当前位置和避障路径的终点确定的，因此，在确定避障路径时，请参照图6，图6为本申请一个实施例提供的确定避障路径的步骤的流程示意图。
步骤S601、根据所述障碍物信息和预设的膨胀参数，确定障碍物膨胀区域；
步骤S602、根据所述障碍物膨胀区域和所述循迹路径，确定所述避障路径，所述机器人在所述避障路径上与膨胀区域不重合。
根据步骤S302中确定的障碍物轮廓，以及预设的膨胀参数，确定障碍物膨胀区域。障碍物膨胀区域用于模拟障碍物在循迹路径上占据的区域。
示例性的，在检测到障碍物时，通过所述检测装置获取的点云数据能够确定障碍物垂直于机器人方向上的障碍物轮廓，但无法确定平行于机器人方向上的障碍物长度。因此，需要预先设定一个膨胀参数，所述膨胀参数用于模拟所述障碍物轮廓在靠近机器人方向和远离机器人方向延伸的长度，进而模拟出障碍物的膨胀区域。
膨胀参数根据实际需求设定，例如，可以将膨胀参数设置为0.6米，则根据步骤S302中确定的障碍物信息，将障碍物轮廓分别向靠近机器人方向和远离机器人的方向延伸0.6米，模拟出障碍物占据的区域。
在一些优选实施例中，所述膨胀参数的数值小于机器人用于判断是否检测到障碍物的预设阈值，以保证机器人行驶的安全性。
通过模拟障碍物膨胀区域，能够防止机器人与障碍物发生碰撞，并且通过障碍物轮廓确定机器人避障路线的终点，以便根据障碍物膨胀区域规划避障路线。
在一些实施方式中，所述根据所述终点和所述机器人的当前位置，确定所述避障路径，包括：基于启发式搜索算法，根据所述终点和所述机器人的当前位置，确定所述避障路径。
启发式搜索算法，例如A*算法，能够根据障碍物信息搜索从当前位置到所述终点的最佳路径。
具体地，启发式搜索算法的思想是基于预设的估价函数f*(n)＝g*(n)+h*(n)，在从当前位置到终点的路径中确定一条最佳路径。其中，n表示从当前位置到终点的路径上的任意一个位置，f*(n)表示从当前位置经由位置n到终点的最小距离估计，g*(n)表示从当前位置到位置n的最小距离，h*(n)表示从位置n到终点的路径的最小估计距离。根据估价函数遍历从所述当前位置到所述终点的路径，确定其中估计值f*(n)最小的路径为避障路径，达到为机器人确定距离最短的避障路径的技术效果。
步骤S205、控制所述机器人根据所述避障路径，由当前位置向循迹路径行进。
由于所述避障路径的终点设置在循迹路径上，所述机器人在完成根据避障路径行进后，能够回到预先设定的循迹路径上，继续根据循迹路径行进，避免避障对机器人的多机调度造成干扰。
在一些实施方式中，机器人在根据避障路径行进的过程中需要继续进行障碍物检测，以防止在避障路径中遇到新的障碍物，或者根据膨胀参数模拟的障碍物区域小于障碍物实际占据的区域，需要重新进行避障路径规划。因此，在机器人根据避障路径行进时，请参照图7，图7为本申请一个实施例提供的根据避障路径行进的步骤的流程示意图。
步骤S701、在所述机器人在根据避障路径行进的过程中，进行障碍物检测；
步骤S702、若在所述机器人在根据当前避障路径行进的过程中检测到障碍物，则生成新的避障路径。
示例性的，由于步骤S601-步骤S602中的避障路径是根据障碍物膨胀区域确定的，而障碍物膨胀区域是根据预设的膨胀参数模拟的，为了防止根据膨胀参数模拟出的障碍物膨胀区域无法真实地反映障碍物占据的区域，导致机器人与障碍物发生碰撞，或者避免机器人在根据避障路径行进的过程中检测到新的障碍物，机器人在根据避障路径行进的过程中，仍然需要通过检测装置进行障碍物检测。
若机器人在根据当前避障路径行进的过程中，在避障路径上检测到障碍物，即在机器人避障路径上检测到与机器人距离小于预设阈值的物体，则再次执行上述步骤S301-S302、步骤S501-S502和步骤S601-602的操作，生成新的避障路径，并根据新的避障路径行进。新的避障路径的终点在之前的避障路径上，或者在循迹路径上。
可以理解的，在根据新的避障路径行进的过程中，循环执行步骤S701-S702的操作，直到机器人未检测到障碍物，并且回到预设的循迹路径上；或者直到机器人完成根据循迹路径行进的过程。
在上述描述的机器人路径规划方法、装置、***以及存储介质中，机器人能够在检测到障碍物时获取障碍物信息，根据所述障碍物信息调整行进的循迹路径，以使所述机器人绕过所述障碍物。实现了机器人在行进的过程中，能够通过调整行进路径，在灵活地绕过障碍物的同时，避免对多机调度造成干扰。
如图8所示，图8为本申请一个实施例提供的机器人路径规划装置的结构示意性框图。
该机器人路径规划装置10包括存储器11和处理器12，处理器11和存储器12通过***总线13连接，其中，存储器11可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器11执行任意一种机器人路径规划方法。
处理器12用于提供计算和控制能力，支撑整个云端服务器的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一机器人路径规划方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器12可以是中央处理单元(Central Processing Unit,CPU)，该处理器12还可以是其他通用处理器、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 Gate Array，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。其中，通用处理器12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。
其中，在一个实施例中，所述存储器中存储有计算机程序，计算机程序被处理器12执行时，使得处理器执行所述计算机程序时实现以下步骤：
获取循迹路径；
控制所述机器人根据所述循迹路径行进；
若所述机器人行进过程中，在所述循迹路径上检测到障碍物，获取所述障碍物的障碍物信息；
根据所述障碍物信息生成避障路径，所述避障路径的终点设置在所述循迹路径上；
控制所述机器人根据所述避障路径，由当前位置向循迹路径行进。
在一个实施例中，所述处理器执行所述计算机程序时还实现以下步骤：
在所述机器人在根据避障路径行进的过程中，进行障碍物检测；
若在所述机器人在根据当前避障路径行进的过程中检测到障碍物，则生成新的避障路径。
在一个实施例中，所述处理器执行所述计算机程序时还实现以下步骤：
通过所述激光雷达获取所述障碍物的点云数据；
基于密度聚类算法，根据所述点云数据确定所述障碍物信息。
在一个实施例中，所述处理器执行所述计算机程序时还实现以下步骤：
根据所述障碍物信息和所述循迹路径，确定所述避障路径的终点；
根据所述终点和所述机器人的当前位置，确定所述避障路径。
在一个实施例中，所述处理器执行所述计算机程序时还实现以下步骤：
根据所述障碍物信息和预设的膨胀参数，确定障碍物膨胀区域；
根据所述障碍物膨胀区域和所述循迹路径，确定所述避障路径，所述机器人在所述避障路径上与膨胀区域不重合。
在一个实施例中，所述处理器执行所述计算机程序时还实现以下步骤：
基于启发式搜索算法，根据所述终点和所述机器人的当前位置，确定所述避障路径。
在一个实施例中，所述处理器执行所述计算机程序时还实现以下步骤：
若所述机器人与所述障碍物的距离小于预设阈值，判定所述机器人检测到障碍物。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述数据处理的具体工作过程，可以参考前述机器人路径规划方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参照本申请数据处理方法的各个实施例。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。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***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***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***中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种机器人路径规划方法，其特征在于，所述方法包括：
获取循迹路径；
控制所述机器人根据所述循迹路径行进；
若所述机器人行进过程中，在所述循迹路径上检测到障碍物，获取所述障碍物的障碍物信息；
根据所述障碍物信息生成避障路径，所述避障路径的终点设置在所述循迹路径上；
控制所述机器人根据所述避障路径，由当前位置向循迹路径行进。
2.根据权利要求1所述的机器人路径规划方法，其特征在于，所述机器人根据避障路径，由当前位置向循迹路径行进，包括：
在所述机器人根据避障路径行进的过程中，进行障碍物检测；
若在所述机器人根据当前避障路径行进的过程中检测到障碍物，则生成新的避障路径。
3.根据权利要求1或2所述的机器人路径规划方法，其特征在于，所述机器人搭载激光雷达；
所述获取所述障碍物的障碍物信息，包括：
通过所述激光雷达获取所述障碍物的点云数据；
基于密度聚类算法，根据所述点云数据确定所述障碍物信息。
4.根据权利要求3所述的机器人路径规划方法，其特征在于，根据所述障碍物信息生成避障路径，包括：
根据所述障碍物信息和所述循迹路径，确定所述避障路径的终点；
根据所述终点和所述机器人的当前位置，确定所述避障路径。
5.根据权利要求4所述的机器人路径规划方法，其特征在于，根据所述障碍物信息生成避障路径，包括：
根据所述障碍物信息和预设的膨胀参数，确定障碍物膨胀区域；
根据所述障碍物膨胀区域和所述循迹路径，确定所述避障路径，所述机器人在所述避障路径上与膨胀区域不重合。
6.根据权利要求4所述的机器人路径规划方法，其特征在于，所述根据所述终点和所述机器人的当前位置，确定所述避障路径，包括：
基于启发式搜索算法，根据所述终点和所述机器人的当前位置，确定所述避障路径。
7.根据权利要求4-6任一项所述的机器人路径规划方法，其特征在于，所述当所述机器人根据所述循迹路径行进时检测到障碍物，包括：
若所述机器人与所述障碍物的距离小于预设阈值，判定所述机器人检测到障碍物。
8.一种机器人路径规划装置，其特征在于，所述机器人路径规划装置包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的机器人路径规划方法。
9.一种管理***，其特征在于，所述管理***包括若干机器人以及如权利要求8所述的机器人路径规划装置。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项所述的机器人路径规划方法的步骤。
CN202111124278.6A 2021-09-24 2021-09-24 机器人路径规划方法、装置、管理***及计算机存储介质 Pending CN113867347A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111124278.6A CN113867347A (zh) 2021-09-24 2021-09-24 机器人路径规划方法、装置、管理***及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111124278.6A CN113867347A (zh) 2021-09-24 2021-09-24 机器人路径规划方法、装置、管理***及计算机存储介质

Publications (1)

Publication Number Publication Date
CN113867347A true CN113867347A (zh) 2021-12-31

Family

ID=78994059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111124278.6A Pending CN113867347A (zh) 2021-09-24 2021-09-24 机器人路径规划方法、装置、管理***及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113867347A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114545938A (zh) * 2022-02-17 2022-05-27 上海擎朗智能科技有限公司 一种路径规划方法、装置、机器人及存储介质
CN114750159A (zh) * 2022-05-07 2022-07-15 哈尔滨工业大学（深圳） 一种配餐机器人的控制方法及配餐机器人
CN114779784A (zh) * 2022-04-28 2022-07-22 格力博(江苏)股份有限公司 机器人工具的控制方法及机器人工具
CN117232516A (zh) * 2023-08-30 2023-12-15 广东穗鑫高科智能科技有限公司 移动家居设备及其导航方法、装置和介质
WO2023241395A1 (zh) * 2022-06-17 2023-12-21 灵动科技（北京）有限公司 一种机器人避障方法、装置及计算机程序产品
WO2024012192A1 (zh) * 2022-07-11 2024-01-18 松灵机器人(深圳)有限公司 智能避障方法、割草机器人以及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105955262A (zh) * 2016-05-09 2016-09-21 哈尔滨理工大学 一种基于栅格地图的移动机器人实时分层路径规划方法
CN107168344A (zh) * 2017-05-17 2017-09-15 哈尔滨工程大学 一种uuv抵近海底作业过程中航路生成方法
CN108762255A (zh) * 2018-05-03 2018-11-06 南京理工大学 一种室内智能移动机器人及控制方法
CN111473795A (zh) * 2020-04-08 2020-07-31 江苏盛海智能科技有限公司 一种无人驾驶车辆避障方法及终端
CN113296119A (zh) * 2021-05-24 2021-08-24 福建盛海智能科技有限公司 一种基于激光雷达和uwb阵列的无人避障驾驶方法与终端
CN113341999A (zh) * 2021-06-29 2021-09-03 河南科技大学 一种基于优化d*算法的叉车路径规划方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105955262A (zh) * 2016-05-09 2016-09-21 哈尔滨理工大学 一种基于栅格地图的移动机器人实时分层路径规划方法
CN107168344A (zh) * 2017-05-17 2017-09-15 哈尔滨工程大学 一种uuv抵近海底作业过程中航路生成方法
CN108762255A (zh) * 2018-05-03 2018-11-06 南京理工大学 一种室内智能移动机器人及控制方法
CN111473795A (zh) * 2020-04-08 2020-07-31 江苏盛海智能科技有限公司 一种无人驾驶车辆避障方法及终端
CN113296119A (zh) * 2021-05-24 2021-08-24 福建盛海智能科技有限公司 一种基于激光雷达和uwb阵列的无人避障驾驶方法与终端
CN113341999A (zh) * 2021-06-29 2021-09-03 河南科技大学 一种基于优化d*算法的叉车路径规划方法及装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114545938A (zh) * 2022-02-17 2022-05-27 上海擎朗智能科技有限公司 一种路径规划方法、装置、机器人及存储介质
CN114779784A (zh) * 2022-04-28 2022-07-22 格力博(江苏)股份有限公司 机器人工具的控制方法及机器人工具
CN114750159A (zh) * 2022-05-07 2022-07-15 哈尔滨工业大学（深圳） 一种配餐机器人的控制方法及配餐机器人
CN114750159B (zh) * 2022-05-07 2023-08-22 哈尔滨工业大学（深圳） 一种配餐机器人的控制方法及配餐机器人
WO2023241395A1 (zh) * 2022-06-17 2023-12-21 灵动科技（北京）有限公司 一种机器人避障方法、装置及计算机程序产品
WO2024012192A1 (zh) * 2022-07-11 2024-01-18 松灵机器人(深圳)有限公司 智能避障方法、割草机器人以及存储介质
CN117232516A (zh) * 2023-08-30 2023-12-15 广东穗鑫高科智能科技有限公司 移动家居设备及其导航方法、装置和介质
CN117232516B (zh) * 2023-08-30 2024-06-04 广东穗鑫高科智能科技有限公司 移动家居设备及其导航方法、装置和介质

Similar Documents

Publication Publication Date Title
CN113867347A (zh) 机器人路径规划方法、装置、管理***及计算机存储介质
CN108007452B (zh) 根据障碍物更新环境地图的方法、装置及机器人
US10352711B2 (en) Computer-implemented method and a system for guiding a vehicle within a scenario with obstacles
US10802494B2 (en) Method for motion planning for autonomous moving objects
CN110260867B (zh) 一种机器人导航中位姿确定、纠正的方法、设备及装置
US8849559B2 (en) Apparatus and method for generating and using a grid map path
US8515612B2 (en) Route planning method, route planning device and autonomous mobile device
US6324476B1 (en) Method and apparatus for identifying or controlling travel to a rendezvous
CN113085850B (zh) 车辆避障方法、装置、电子设备及存储介质
CN111158353A (zh) 用于多个机器人的移动控制方法以及其***
JP7328923B2 (ja) 情報処理装置、情報処理方法、及びコンピュータプログラム
WO2021037071A1 (zh) 一种飞行控制方法及相关装置
CN112539749A (zh) 机器人导航方法、机器人、终端设备及存储介质
KR20200084938A (ko) 차량 동작 계획방법 및 그를 위한 장치
US11383704B2 (en) Enhanced vehicle operation
Čikeš et al. The path planning algorithms for a mobile robot based on the occupancy grid map of the environment—A comparative study
WO2021246169A1 (ja) 情報処理装置、情報処理システム、および方法、並びにプログラム
Wang et al. Coordination-free multi-robot path planning for congestion reduction using topological reasoning
Jafarzadeh et al. An exact geometry–based algorithm for path planning
CN117075613A (zh) 无人车辆感知及避障方法、***、计算机设备及存储介质
WO2020157990A1 (ja) 経路計画装置、経路計画方法、及びコンピュータ読み取り可能な記録媒体
US20230273621A1 (en) Information processing apparatus, information processing method, and program
Hahn et al. Dynamic Path Planning with Stable Growing Neural Gas.
AL-ZUBAIDI et al. A comparative study of various path planning algorithms for pick-and-place robots
US20230280164A1 (en) Information processing device, information processing method, and program

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