CN115586767A - 一种多机器人路径规划方法和装置 - Google Patents
一种多机器人路径规划方法和装置 Download PDFInfo
- Publication number
- CN115586767A CN115586767A CN202210686058.0A CN202210686058A CN115586767A CN 115586767 A CN115586767 A CN 115586767A CN 202210686058 A CN202210686058 A CN 202210686058A CN 115586767 A CN115586767 A CN 115586767A
- Authority
- CN
- China
- Prior art keywords
- robot
- robots
- map
- sub
- graph
- 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 65
- 230000000007 visual effect Effects 0.000 claims abstract description 35
- 238000012937 correction Methods 0.000 claims abstract description 23
- 238000010276 construction Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 26
- 230000009466 transformation Effects 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012106 screening analysis Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 25
- 238000004590 computer program Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000005484 gravity Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation 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
- G05D1/0238—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
- G05D1/0253—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 relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- 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
-
- 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
- G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
-
- 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
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
-
- 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
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
- G05D1/0295—Fleet control by at least one leading vehicle of the fleet
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
本发明提供一种多机器人路径规划方法和装置,属于机器人控制领域,方法包括:分别从设置在多个机器人上的激光雷达中获得多个激光数据,并分别从设置在各个机器人上的摄像头中获得多个视觉图像;分别对多个激光数据进行地图构建得到栅格地图;分别对多个视觉图像进行位姿信息的分析得到位姿信息;根据位姿信息分别在栅格地图中进行路径构建得到机器人路径;分别对各个栅格地图进行地图修正分析得到修正后地图。本发明加快了子图的匹配速度,提高了地图的融合精度,加快了探索效率,使探索路径尽可能平滑,避免了触碰到障碍物,且适用于无初始位姿的地图融合。
Description
技术领域
本发明主要涉及机器人控制技术领域,具体涉及一种多机器人路径规划方法和装置。
背景技术
未知环境下的多机器人空间探索具有广泛的应用场景,包括运输、医疗、工业、救援等。例如,在地震的情况下,机器人可以帮助救援人员评估建筑物内部的破坏。在这种情况下,尽快进行评估是很重要的。与单机器人相比,多机器人协作探索未知环境并构建全局地图所花费的时间更少,效率更高;多机器人之间相互的协作可以使得***运行具有更高的容错性、可靠性以及稳定性。
在多机器人探索***中,地图融合这一部分是非常关键的,地图融合又分为两种:1)有初始位姿的地图融合。2)无初始位姿的地图融合。其中无初始位姿的融合更加困难,主要通过传输的数据进行相对位姿估计,然后合并地图,传输数据包括:1)地点描述符,这是描述一个地点的紧凑代码。位置识别(PR)提取并匹配描述符,以在机器人之间找到相同的位置。2)传感器数据,用于根据匹配的相同位置计算机器人之间的相对姿态。
常用的路径规划方法有A*,RRT,D*算法等,但这些方法效率通常不高,并在复杂环境中会出现过多重复路线,大大降低了探索效率。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种多机器人路径规划方法和装置。
本发明解决上述技术问题的技术方案如下:一种多机器人路径规划方法,包括如下步骤:
分别从设置在多个机器人上的激光雷达中获得与各个所述机器人对应的多个激光数据,并分别从设置在各个所述机器人上的摄像头中获得与各个所述机器人对应的多个视觉图像;
分别对各个所述机器人对应的多个激光数据进行地图构建,得到与各个所述机器人对应的栅格地图;
分别对各个所述机器人对应的多个视觉图像进行位姿信息的分析,得到与各个所述机器人对应的位姿信息;
根据与各个所述机器人对应的位姿信息分别在与各个所述机器人对应的栅格地图中进行路径构建,得到与各个所述机器人对应的机器人路径;
分别对各个所述栅格地图进行地图修正分析,得到与各个所述机器人对应的修正后地图;
分别对各个所述机器人路径进行路径修正分析,得到与各个所述机器人对应的修正后机器人路径,并控制各个所述机器人沿着与各个所述机器人对应的修正后机器人路径在与各个所述机器人对应的修正后地图中移动。
本发明解决上述技术问题的另一技术方案如下:一种多机器人路径规划装置,包括:
数据获取模块,用于分别从设置在多个机器人上的激光雷达中获得与各个所述机器人对应的多个激光数据,并分别从设置在各个所述机器人上的摄像头中获得与各个所述机器人对应的多个视觉图像;
地图构建模块,用于分别对各个所述机器人对应的多个激光数据进行地图构建,得到与各个所述机器人对应的栅格地图;
位姿信息分析模块,用于分别对各个所述机器人对应的多个视觉图像进行位姿信息的分析,得到与各个所述机器人对应的位姿信息;
路径构建模块,用于根据与各个所述机器人对应的位姿信息分别在与各个所述机器人对应的栅格地图中进行路径构建,得到与各个所述机器人对应的机器人路径;
地图修正分析模块,用于分别对各个所述栅格地图进行地图修正分析,得到与各个所述机器人对应的修正后地图;
规划结果获得模块,用于分别对各个所述机器人路径进行路径修正分析,得到与各个所述机器人对应的修正后机器人路径,并控制各个所述机器人沿着与各个所述机器人对应的修正后机器人路径在与各个所述机器人对应的修正后地图中移动。
本发明解决上述技术问题的另一技术方案如下:一种多机器人路径规划装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,实现如上所述的多机器人路径规划方法。
本发明解决上述技术问题的另一技术方案如下:一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的多机器人路径规划方法。
本发明的有益效果是:通过分别对多个激光数据的地图构建得到栅格地图,分别对多个视觉图像的位姿信息分析得到位姿信息,根据位姿信息分别在栅格地图中进行路径构建得到机器人路径,分别对栅格地图的地图修正分析得到修正后地图,分别对机器人路径的路径修正分析得到修正后机器人路径,并控制机器人沿着修正后机器人路径在修正后地图中移动,加快了子图的匹配速度,提高了地图的融合精度,加快了探索效率,使探索路径尽可能平滑,避免了触碰到障碍物,且适用于无初始位姿的地图融合。
附图说明
图1为本发明实施例提供的一种多机器人路径规划方法的流程示意图;
图2为本发明实施例提供的一种多机器人路径规划装置的模块框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明实施例提供的一种多机器人路径规划方法的流程示意图。
如图1所示,一种多机器人路径规划方法,包括如下步骤:
分别从设置在多个机器人上的激光雷达中获得与各个所述机器人对应的多个激光数据,并分别从设置在各个所述机器人上的摄像头中获得与各个所述机器人对应的多个视觉图像;
分别对各个所述机器人对应的多个激光数据进行地图构建,得到与各个所述机器人对应的栅格地图;
分别对各个所述机器人对应的多个视觉图像进行位姿信息的分析,得到与各个所述机器人对应的位姿信息;
根据与各个所述机器人对应的位姿信息分别在与各个所述机器人对应的栅格地图中进行路径构建,得到与各个所述机器人对应的机器人路径;
分别对各个所述栅格地图进行地图修正分析,得到与各个所述机器人对应的修正后地图;
分别对各个所述机器人路径进行路径修正分析,得到与各个所述机器人对应的修正后机器人路径,并控制各个所述机器人沿着与各个所述机器人对应的修正后机器人路径在与各个所述机器人对应的修正后地图中移动。
上述实施例中,通过分别对多个激光数据的地图构建得到栅格地图,分别对多个视觉图像的位姿信息分析得到位姿信息,根据位姿信息分别在栅格地图中进行路径构建得到机器人路径,分别对栅格地图的地图修正分析得到修正后地图,分别对机器人路径的路径修正分析得到修正后机器人路径,并控制机器人沿着修正后机器人路径在修正后地图中移动,加快了子图的匹配速度,提高了地图的融合精度,加快了探索效率,使探索路径尽可能平滑,避免了触碰到障碍物,且适用于无初始位姿的地图融合。
可选地,作为本发明的一个实施例,所述分别对各个所述机器人对应的多个激光数据进行地图构建,得到与各个所述机器人对应的栅格地图的过程包括:
基于cartography框架分别对各个所述机器人对应的多个激光数据进行地图构建,得到与各个所述机器人对应的栅格地图。
应理解地,每个机器人通过cartography进行未知环境的SLAM。
应理解地,所述cartography框架是***在2016年开源出来的框架,该框架可以接入2D激光、3D激光、里程计、IMU传感器的数据,输出2D地图或者是3D地图。
具体地,cartography在建图时会收集激光数据形成一个scans即激光点云图,而子图则是由几个连续的scans创建而成的,由5cm*5cm大小的概率栅格构[Pmin,Pmax]造而成,子图在创建完成时,栅格概率小于Pmin表示该点无障碍,在Pmin与Pmax之间表示未知,大于Pmax表示该点有障碍,整个地图(即所述栅格地图)就是由一个个子图连接而成。
具体地,所述栅格地图是将环境划分成若干个一定大小的单元格,每个单元格用一个正方形来表示,正方形的边长表示该栅格地图的分辨率。每个单元格的状态是根据机器人传感器的观测值计算后验概率而来,用[0,1]之间的数来表示,越接近0表示该单元格在环境中没被障碍物占据的可能性越大,越接近1表示该单元格被占据的可能性越大。栅格地图一般被作为路径规划、导航、避障等工作的先验地图,这时将栅格地图分为三种状态:占据(表示该栅格对应的真实环境位置存在障碍物)、空闲(表示该栅格对应的真实环境位置不存在障碍物,即是机器人可以行走的区域)、未知(表示该栅格并未被机器人所携带的传感器观测到,不知道其占据情况)。
上述实施例中,基于cartography框架分别对多个激光数据的地图构建得到栅格地图,为后续数据处理提供基础数据,加快了子图匹配速度,提高了地图融合精度。
可选地,作为本发明的一个实施例,所述分别对各个所述机器人对应的多个视觉图像进行位姿信息的分析,得到与各个所述机器人对应的位姿信息的过程包括:
基于ORBSLAM3框架分别对各个所述机器人对应的多个视觉图像进行特征提取,得到与各个所述机器人对应的多个视觉特征图;
分别对各个所述机器人对应的多个视觉特征图进行帧间匹配,得到与各个所述机器人对应的多个匹配后特征图;
分别通过各个所述匹配后特征图得到与各个所述匹配后特征图对应的视觉里程计;
分别对各个所述机器人对应的多个视觉里程计进行定位,得到与各个所述机器人对应的位姿信息。
应理解地,使用ORBSLAM3计算视觉里程计进行定位。
应理解地,所述ORBSLAM3框架,即ORB_SLAM3,是第一个可以对短期、中期、长期数据进行数据关联的视和视觉惯导的***。在已知地图的环境中可以无漂移的运行,其中混合地图数据关联-这个可以保证我们进行地图匹配和进行BA优化,这也达到了构建一个地图,然后可以在地图中进行精确的定位的目的。
所述分别通过各个所述匹配后特征图得到与各个所述匹配后特征图对应的视觉里程计的过程可以理解为:提取图像的特征点,通过匹配估计两帧之间相机运动和场景结构,实现一个两帧间的视觉里程计,具体为:
从图像中选取比较有代表的点,该点在相机视角发生少量变化后依旧保持不变。这样我们就可以在前后帧的图像中找到这些点,然后估计相机的位姿。图像的特征点可以简单的理解为图像中比较显著显著的点,如轮廓点,较暗区域中的亮点,较亮区域中的暗点等。特征点由关键点和描述子两部分组成,关键点指出的是该特征点在图像中的位置,描述子通常是一个向量,按照某种人为设计的方式,描述了该关键点的周围的信息。描述子的设计师是安按照外观相似的特征应该有相似的描述子的原则设计的。常用的方法有SIFT、SURF、ORB等。
应理解地,所述帧间匹配,即点云配准,实际上可以理解为:通过计算得到完美的坐标变换,将处于不同视角下的点云数据经过旋转平移等刚性变换统一整合到指定坐标系之下的过程。
应理解地,在真实的机器人上,我们采用ORBSLAM3视觉里程计对机器人进行定位,并提供位姿信息给cartography用于建图。
上述实施例中,分别多个视觉图像的位姿信息分析得到位姿信息,提高了机器人路径规划的准确性,加快了探索效率,且适用于无初始位姿的地图融合。
可选地,作为本发明的一个实施例,所述栅格地图包括多个待识别点和多个障碍物点,所述根据与各个所述机器人对应的位姿信息分别在与各个所述机器人对应的栅格地图中进行路径构建,得到与各个所述机器人对应的机器人路径的过程包括:
逐一验证所述待识别点的多个相邻点中是否仅存在一个预设边界阈值,若验证成功,则将所述待识别点作为边界点,从而得到与各个所述机器人对应的多个边界点,所述相邻点为当前验证的待识别点相邻的待识别点或障碍物点;
通过与各个所述机器人对应的多个边界点构建与各个所述机器人对应的多个边界,将所述边界的中心点作为目标点,从而得到与各个所述机器人对应的多个目标点;
利用人工势场法分别对与各个所述机器人对应的多个目标点、与各个所述机器人对应的多个障碍物点以及与各个所述机器人对应的位姿信息进行路径构建,得到与各个所述机器人对应的机器人路径。
优选地,所述预设边界阈值可以为-1。
应理解地,所述边界的中心点,即是一条线段的中心点,每个边界仅有一个中心点。
应理解地,若验证不成功,则无需做任何处理。
应理解地,在发现未知边界后,算出边界的质心并将其设置成所述目标点。
应理解地,在RRT快速扩展随机树算法中加入人工势场生成一种新的PFRRT路径规划算法,并用该算法进行机器人到目标点的路径规划。
具体地,所述人工势场法是1986年,Khatib提出利用势场进行避障和路径规划的思想[50],即人工势场法(APF)。它来自物理学中场的概念,它将物体的运动视为两种力相互作用的结果,因此在该方法中,机器人被建模为受吸引力和排斥力影响的粒子。在该思想中,机器人在运动的环境中首先会创造出一个势场,记为U,此力场分为两个部分组成:1.由目标点产生的引力场,方向指向目标点位置。2.由障碍物产生的斥力场,方向远离障碍物。
障碍物表示为斥力场Urep,目标则是吸引场Uatt。在吸引力和排斥力的共同作用下,机器人沿着合力的方向移动,安全地到达目标区域,即不发生任何碰撞。
当机器人行驶在势场中时,它时刻都会受到不同方向和大小的力作用。当机器人越靠近障碍物时,斥力越大,反之则越小,越靠近目标点时,引力越小,反之则越大。
机器人在势场中的力是排斥力与引力的共同作用,机器人沿着合理的方向进行移动,总的势场函数为:
Ut=Uatt+Urep (4-8)
在上式中,Uatt表示引力场,Urep表示斥力场,Ut表示机器人在势场中所处环境的总势场。其所受合力表示为:
Ft=Fatt+Frep (4-9)
在上式中,Fatt表示机器人所受的引力,Frep表示机器人所受的斥力。假设机器人在地图中的位姿为x,xg表示目标点的坐标位置,则引力的势场函数如下:
其中Ka表示引力场系数,为一常量,此刻引力函数的负梯度表达式为:
根据上式可知,在机器人越靠近目标点引力越小,越远离目标点,引力越大,到达目标点时引力为0。斥力函数的定义如下:
上式中,Kr为斥力场系数,同样为一常量,ρ为机器人到障碍物的距离,ρ0表示势场的最小影响距离,当机器人到障碍物的距离ρ大于势场影响距离ρ0时,斥力为0,机器人将不会受到斥力影响,只会受到引力作用。斥力函数的负梯度表达式如下:
机器人在进行导航时,一般受到一个引力和多个斥力作用,势场总和为下式:
Ut=Uatt+∑Urep (4-14)
那么机器人受到的总和力为:
Ft=Fatt+∑Frep (4-15)
而PFRRT,我们在RRT算法基础上,我们加入人工势场,使用人工力场引导子节点的选取。在选取随机点前,加入一个势场函数APF(xrand),如算法1所示,xrand为采样点集,然后算出当前点距离障碍物的最小距离dmin,将最小距离与斥力的有效距离dobs(当距离超过dobs则无斥力)进行比较,如果dmin≤dobs,则会产生斥力,反正则斥力为0,然后通过引力函数fatt()和斥力函数frep()提取出当前点与目标点的引力向量,得出引力向量后,将增加极小增量λ并指向合力方向,如下式:
最终返回优化后的样本集xrand,通过该函数使采样空间中的点,在斥力允许的情况下,更靠近目标点,从而生成新的样本xprand。
具体地,所述栅格地图,将产生许多边界,其位于已探索空间与未探索空间的交界上,当机器人移动到边界上,它将可以探索未知区域内的环境,更新地图信息,我们将边界的中心设定为目标点,来作为机器人的移动目标。
具体地,在RRT算法基础上,加入了人工势场,使用人工力场引导子节点的选取。在选取随机点前,加入一个势场函数,通过引力函数提取出当前点与目标点的引力向量,并计算出障碍物对目标点的斥力向量,然后计算出最终的和向量,并将和向量作用于随机点上,使其更加靠近目标点方向,并且远离障碍物,使形成的路径弯曲更少,更加平滑。
具体地,子节点的具体计算过程如下:
算法中,V是顶点集,E是边集,ε是增长步长,C是状态空间,N是迭代次数,G(V,E)是V和E构成的图。初始化时随机树T只包含一个节点:根节点x_init。首先Sample函数从状态空间中随机选择一个采样点x_rand;然后Nreast函数从随机树中选择一个距离x_rand最近的节点x_nreast;最后NewNode函数通过从x_nreast向x_rand扩展一段距离ε,得到一个新的节点x_new。如果x_new与障碍物发生碰撞,则放弃这次生长,否则将q_new加入到V点集中,将边(x_nearest,x_new)加入到边集E中。在用于路径规划时,将会重复上述步骤直到x_nreast和目标点x_gaol距离小于一个阈值,则代表随机树到达了目标点,算法返回成功。
上述实施例中,根据位姿信息分别在栅格地图中进行路径构建得到机器人路径,使形成的路径弯曲更少,更加平滑,减小了迭代次数,加快了地图的建立。
可选地,作为本发明的一个实施例,所述分别对各个所述栅格地图进行地图修正分析,得到与各个所述机器人对应的修正后地图的过程包括:
利用空间分布采样算法分别对各个所述栅格地图进行划分,得到与各个所述机器人对应的多个NDT检测单元;
构建初始训练模型,根据与各个所述机器人对应的多个NDT检测单元分别对所述初始训练模型进行训练分析,得到与各个所述机器人对应的训练模型;
通过各个所述训练模型分别对与各个所述机器人对应的各个NDT检测单元进行定位,得到与各个所述机器人对应的多个子图描述符,并将所有的子图描述符存储至预先建立的子图描述符数据库中;
根据所述子图描述符数据库分别对与各个所述机器人对应的多个子图描述符进行筛选分析,得到与各个所述机器人对应的子图候选队列;
分别对与各个所述机器人对应的子图候选队列进行目标图像变换矩阵分析,得到与各个所述机器人对应的目标图像变换矩阵;
通过与各个所述机器人对应的目标图像变换矩阵得到与各个所述机器人对应的修正后地图。
应理解地,通过空间采样器(即所述空间分布采样算法)采样后,再使用2D-NDT-Transformer网络生成地图描述符(即所述子图描述符),并存储在公共的子图仓库(即所述子图描述符数据库)中。
应理解地,所述训练模型分别对每个所述NDT检测单元进行定位,得到与每个所述NDT检测单元对应的子图描述符。
具体地,采用了空间分布采样的方法G生成均匀的NDT检测单元,公式如下:
其中,ms,m表示地图(即所述栅格地图),s表示其尺寸(即所述栅格地图的尺寸),G指的是大小为k的NDT单元。
上述实施例中,分别对各个栅格地图的地图修正分析得到修正后地图,能够保留原始地图信息,加快了探索效率,实现了无初始位姿的地图融合。
可选地,作为本发明的一个实施例,所述构建初始训练模型,根据与各个所述机器人对应的多个NDT检测单元分别对所述初始训练模型进行训练分析,得到与各个所述机器人对应的训练模型的过程包括:
构建NDT-Transformer点云网络,并对所述NDT-Transformer点云网络进行降维处理,得到降维后点云网络;
分别判断各个所述NDT检测单元的半径是否等于预设判定阈值,若是,则将所述NDT检测单元作为相似子图;若否,则将所述NDT检测单元作为不相似子图,直至将所有的NDT检测单元判断完成,从而得到与各个所述机器人对应的多个相似子图以及与各个所述机器人对应的多个不相似子图;
分别根据与各个所述机器人对应的多个NDT检测单元、与各个所述机器人对应的多个相似子图以及与各个所述机器人对应的多个不相似子图对所述降维后点云网络进行训练,得到与各个所述机器人对应的训练模型。
应理解地,所述NDT-Transformer点云网络用于使用3D点云进行实时和大规模的地点识别。具体而言,采用3D正态分布变换(NDT)表示将原始、密集的3D点云压缩为概率分布(NDT单元),以提供几何形状描述。然后一个新的NDT-Transformer网络从一组3D NDT单元表示中学习全局描述符。受益于NDT表示和NDT-Transformer网络,学习到的全局描述符丰富了几何和上下文信息。最后,使用用于地点识别的查询数据库来实现描述符检索。
应理解地,NDT-Transformer(即所述NDT-Transformer点云网络)是一种用于3D场景定位的点云网络,将该网络的输入层改为2D,并收集2D的室内数据(即所述NDT检测单元),将其分成子图(即所述NDT检测单元),所述相似子图,所述不相似子图的三元组进行训练,生成了适用于2D栅格地图的2D-NDT-Transformer模型(即所述降维后点云网络),并将其用于多机器人间的地图匹配中。
上述实施例中,通过多个NDT检测单元分别对初始训练模型的训练分析得到训练模型,能够保留原始地图信息,加快了探索效率,实现了无初始位姿的地图融合。
可选地,作为本发明的一个实施例,所述根据所述子图描述符数据库分别对与各个所述机器人对应的多个子图描述符进行筛选分析,得到与各个所述机器人对应的子图候选队列的过程包括:
根据所述子图描述符数据库中的子图描述符分别对各个所述子图描述符进行欧氏距离的比较,得到与各个所述子图描述符对应的描述符距离;
若所述描述符距离小于预设距离阈值,则将所述子图描述符数据库中对应的子图描述符作为子图候选描述符,并存储至预先建立的子图候选队列中,从而得到与各个所述机器人对应的子图候选队列。
优选地,所述预设距离阈值可以为0.275。
应理解地,将新子图生成地图描述符(即所述子图描述符)后与子图仓库中的其他机器人子图(即所述子图描述符数据库中的子图描述符)进行一一比较,如果小于设定阈值(即所述预设距离阈值)则认为是附近子图(即所述子图候选描述符),并加入子图候选队列。
具体地,新生成的子图与存储的子图进行描述符对比,表示机器人α的子图i与机器人β的子图j之间的距离,αi表示机器人α的子图i,βj表示机器人β的子图j,此处设置了一个dth(dth=0.275)阀值,选取低于阀值的子图加入候选队列,过滤掉高于阀值的子图。
上述实施例中,根据子图描述符数据库分别对多个子图描述符的筛选分析得到子图候选队列,能够选取出附近的子图,从而过滤掉一些无用的子图。
可选地,作为本发明的一个实施例,所述分别对与各个所述机器人对应的子图候选队列进行目标图像变换矩阵分析,得到与各个所述机器人对应的目标图像变换矩阵的过程包括:
利用AKAZE算法分别对各个所述子图候选队列中的子图候选描述符进行特征提取,得到与各个所述子图候选描述符对应的特征点;
利用OpenCV工具分别对与各个所述机器人对应的多个特征点进行图像匹配,得到与各个所述机器人对应的原始图像变换矩阵、与各个所述机器人对应的比例因子以及与各个所述机器人对应的初始置信度;
通过第一式分别对各个所述比例因子以及与各个所述机器人对应的所述初始置信度进行归一化处理,得到与各个所述机器人对应的目标置信度,所述第一式为:
根据各个所述目标置信度对与各个所述机器人对应的原始图像变换矩阵进行筛选,得到与各个所述机器人对应的目标图像变换矩阵。
应理解地,所述AKAZE算法,即AKAZE特征算法是SIFT特征算法的一种改进版本,但不使用高斯模糊来构建尺度空间,因为高斯模糊具有丢失边缘信息的缺点,进而采用非线性扩散滤波来构建尺度空间,从而保留图像更多的边缘特征。
应理解地,所述OpenCV工具是一个基于Apache2.0许可(开源)发行的跨平台计算机视觉和机器学习软件库,可以运行在Linux、Windows、Android和Mac OS操作***上。它轻量级而且高效——由一系列C函数和少量C++类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。
应理解地,将新子图与子图候选队列中的所有子图(即所述子图候选队列中的子图候选描述符)进行AKAZE特征提取,并计算其置信度,选出最相似的一张子图作为同一子图,并依据这一子图进行位姿变换与地图融合。
应理解地,OpenCV中的AKAZE算法进行子图的特征点提取,然后AffineBestOf2NearestMatcher(),从而取得图像变换(即所述原始图像变换矩阵),所述比例因子以及图像一置性的置信度(即所述初始置信度)。同时,子图间应是相同大小,所以用比例因子进行归一化,得到最终图像变换(即所述目标图像变换矩阵),最终置信度则变为(即所述目标置信度),计算公式如下:
实验中设置了置信度的阀值cth(cth=0.5),如果最终置信度大于阀值,则被认为是同一地点。然后使用机器人的相对位姿进行地图的融合。
上述实施例中,分别对子图候选队列的目标图像变换矩阵分析得到目标图像变换矩阵,加快了子图的匹配速度,提高了地图融合的精度,提高了地图探索的效率。
可选地,作为本发明的一个实施例,所述机器人路径包括多个机器人到点的距离,所述分别对各个所述机器人路径进行路径修正分析,得到与各个所述机器人对应的修正后机器人路径的过程包括:
通过第二式分别对与各个所述机器人对应的多个机器人到点的距离进行排斥势场值的计算,得到与各个所述机器人对应的多个排斥势场值,所述第二式为:
其中,Pr(α,i)为排斥势场值,ds为激光雷达范围值,rd(α,i)为机器人到点的距离,α为机器人的编号,i为栅格地图中的点;
根据与各个所述机器人对应的多个排斥势场值分别对各个所述机器人路径进行路径修正,得到与各个所述机器人对应的修正后机器人路径。
应理解地,通过人工势场法,使得机器人直接产生排斥力,从而使机器人不探索同一区域。
具体地,多个机器人应探索不同的方向,所以引入一种排斥力,将其加入到每个机器人身上,机器人α在点i的排斥势场,如公式所示:
其中,ds代表激光传感器范围,rd(α,i)则是机器人到点的距离,kr是排斥力系数。通过此公式,机器人在快要相遇时,会感受到彼此间的排斥,从而向其他探索点进行探索。
上述实施例中,通过第二式分别对多个机器人到点的距离的排斥势场值计算得到多个排斥势场值,根据多个排斥势场值分别对各个机器人路径的路径修正得到修正后机器人路径,避免了在复杂环境中会出现过多重复路线,降低探索效率的问题,提高了地图探索的效率。
可选地,作为本发明的另一个实施例,还包括当所述边界点的数量为0时,则机器人探索完毕。
可选地,作为本发明的另一个实施例,本发明使用NDT-Transformer构建了一个地图融合框架,通过机器人间共享的子图,使多机器人间可以进行位姿估计,进行地图融合;使用基于人工势场与RRT的PFRRT路径规划算法,减小了迭代次数,加快了地图的建立。
可选地,作为本发明的另一个实施例,本发明所要解决的技术问题是:1、针对无初始位姿的地图融合问题,提供一种基于子图的地图融合方法,加快子图匹配速度,提高地图融合精度。2、提供一种多机器人间的协同方法,使其探索不同的区域,加快探索效率。3、提供一种路径规划方法,使探索路径尽可能平滑,避免触碰到障碍物。
可选地,作为本发明的另一个实施例,本发明的有益效果是:通过2D-NDT-Transformer构建了一个地图融合框架,通过机器人间共享的子图,使多机器人间可以进行位姿估计,进行地图融合。在RRT路径规划算法中,加入了人工势场,使其随机点更有序,树的分支更少,减少了迭代次数,使路径曲线更加平滑,从而加快了地图的建立。
可选地,作为本发明的另一个实施例,本发明将2D-NDT-Transformer网络与cartography子图结合,构建了一个地图融合框架,同时在RRT的基础上加入人工势场形成了一种新的PFRRT路径规划算法,结合这两点提出了一种未知环境下多机器人探索***。普通RRT路径规划算法,分支较多且路径更长;而PFRRT算法,加入人工势场后,其路径分支更少,路径也更平滑,加快了探索效率。由此可见,本发明在未知环境下,具有探索环境的功能,同时多个机器人的地图可以完好融合,提高探索的效率。
图2为本发明实施例提供的一种多机器人路径规划装置的模块框图。
可选地,作为本发明的另一个实施例,如图2所示,一种多机器人路径规划装置,包括:
数据获取模块,用于分别从设置在多个机器人上的激光雷达中获得与各个所述机器人对应的多个激光数据,并分别从设置在各个所述机器人上的摄像头中获得与各个所述机器人对应的多个视觉图像;
地图构建模块,用于分别对各个所述机器人对应的多个激光数据进行地图构建,得到与各个所述机器人对应的栅格地图;
位姿信息分析模块,用于分别对各个所述机器人对应的多个视觉图像进行位姿信息的分析,得到与各个所述机器人对应的位姿信息;
路径构建模块,用于根据与各个所述机器人对应的位姿信息分别在与各个所述机器人对应的栅格地图中进行路径构建,得到与各个所述机器人对应的机器人路径;
地图修正分析模块,用于分别对各个所述栅格地图进行地图修正分析,得到与各个所述机器人对应的修正后地图;
规划结果获得模块,用于分别对各个所述机器人路径进行路径修正分析,得到与各个所述机器人对应的修正后机器人路径,并控制各个所述机器人沿着与各个所述机器人对应的修正后机器人路径在与各个所述机器人对应的修正后地图中移动。
可选地,本发明的另一个实施例提供一种多机器人路径规划装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,实现如上所述的多机器人路径规划方法。该装置可为计算机等装置。
可选地,本发明的另一个实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的多机器人路径规划方法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。
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,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种多机器人路径规划方法,其特征在于,包括如下步骤:
分别从设置在多个机器人上的激光雷达中获得与各个所述机器人对应的多个激光数据,并分别从设置在各个所述机器人上的摄像头中获得与各个所述机器人对应的多个视觉图像;
分别对各个所述机器人对应的多个激光数据进行地图构建,得到与各个所述机器人对应的栅格地图;
分别对各个所述机器人对应的多个视觉图像进行位姿信息的分析,得到与各个所述机器人对应的位姿信息;
根据与各个所述机器人对应的位姿信息分别在与各个所述机器人对应的栅格地图中进行路径构建,得到与各个所述机器人对应的机器人路径;
分别对各个所述栅格地图进行地图修正分析,得到与各个所述机器人对应的修正后地图;
分别对各个所述机器人路径进行路径修正分析,得到与各个所述机器人对应的修正后机器人路径,并控制各个所述机器人沿着与各个所述机器人对应的修正后机器人路径在与各个所述机器人对应的修正后地图中移动。
2.根据权利要求1所述的多机器人路径规划方法,其特征在于,所述分别对各个所述机器人对应的多个激光数据进行地图构建,得到与各个所述机器人对应的栅格地图的过程包括:
基于cartography框架分别对各个所述机器人对应的多个激光数据进行地图构建,得到与各个所述机器人对应的栅格地图。
3.根据权利要求1所述的多机器人路径规划方法,其特征在于,所述分别对各个所述机器人对应的多个视觉图像进行位姿信息的分析,得到与各个所述机器人对应的位姿信息的过程包括:
基于ORBSLAM3框架分别对各个所述机器人对应的多个视觉图像进行特征提取,得到与各个所述机器人对应的多个视觉特征图;
分别对各个所述机器人对应的多个视觉特征图进行帧间匹配,得到与各个所述机器人对应的多个匹配后特征图;
分别通过各个所述匹配后特征图得到与各个所述匹配后特征图对应的视觉里程计;
分别对各个所述机器人对应的多个视觉里程计进行定位,得到与各个所述机器人对应的位姿信息。
4.根据权利要求1所述的多机器人路径规划方法,其特征在于,所述栅格地图包括多个待识别点和多个障碍物点,所述根据与各个所述机器人对应的位姿信息分别在与各个所述机器人对应的栅格地图中进行路径构建,得到与各个所述机器人对应的机器人路径的过程包括:
逐一验证所述待识别点的多个相邻点中是否仅存在一个预设边界阈值,若验证成功,则将所述待识别点作为边界点,从而得到与各个所述机器人对应的多个边界点,所述相邻点为当前验证的待识别点相邻的待识别点或障碍物点;
通过与各个所述机器人对应的多个边界点构建与各个所述机器人对应的多个边界,将所述边界的中心点作为目标点,从而得到与各个所述机器人对应的多个目标点;
利用人工势场法分别对与各个所述机器人对应的多个目标点、与各个所述机器人对应的多个障碍物点以及与各个所述机器人对应的位姿信息进行路径构建,得到与各个所述机器人对应的机器人路径。
5.根据权利要求1所述的多机器人路径规划方法,其特征在于,所述分别对各个所述栅格地图进行地图修正分析,得到与各个所述机器人对应的修正后地图的过程包括:
利用空间分布采样算法分别对各个所述栅格地图进行划分,得到与各个所述机器人对应的多个NDT检测单元;
构建初始训练模型,根据与各个所述机器人对应的多个NDT检测单元分别对所述初始训练模型进行训练分析,得到与各个所述机器人对应的训练模型;
通过各个所述训练模型分别对与各个所述机器人对应的各个NDT检测单元进行定位,得到与各个所述机器人对应的多个子图描述符,并将所有的子图描述符存储至预先建立的子图描述符数据库中;
根据所述子图描述符数据库分别对与各个所述机器人对应的多个子图描述符进行筛选分析,得到与各个所述机器人对应的子图候选队列;
分别对与各个所述机器人对应的子图候选队列进行目标图像变换矩阵分析,得到与各个所述机器人对应的目标图像变换矩阵;
通过与各个所述机器人对应的目标图像变换矩阵得到与各个所述机器人对应的修正后地图。
6.根据权利要求5所述的多机器人路径规划方法,其特征在于,所述构建初始训练模型,根据与各个所述机器人对应的多个NDT检测单元分别对所述初始训练模型进行训练分析,得到与各个所述机器人对应的训练模型的过程包括:
构建NDT-Transformer点云网络,并对所述NDT-Transformer点云网络进行降维处理,得到降维后点云网络;
分别判断各个所述NDT检测单元的半径是否等于预设判定阈值,若是,则将所述NDT检测单元作为相似子图;若否,则将所述NDT检测单元作为不相似子图,直至将所有的NDT检测单元判断完成,从而得到与各个所述机器人对应的多个相似子图以及与各个所述机器人对应的多个不相似子图;
分别根据与各个所述机器人对应的多个NDT检测单元、与各个所述机器人对应的多个相似子图以及与各个所述机器人对应的多个不相似子图对所述降维后点云网络进行训练,得到与各个所述机器人对应的训练模型。
7.根据权利要求5所述的多机器人路径规划方法,其特征在于,所述根据所述子图描述符数据库分别对与各个所述机器人对应的多个子图描述符进行筛选分析,得到与各个所述机器人对应的子图候选队列的过程包括:
根据所述子图描述符数据库中的子图描述符分别对各个所述子图描述符进行欧氏距离的比较,得到与各个所述子图描述符对应的描述符距离;
若所述描述符距离小于预设距离阈值,则将所述子图描述符数据库中对应的子图描述符作为子图候选描述符,并存储至预先建立的子图候选队列中,从而得到与各个所述机器人对应的子图候选队列。
8.根据权利要求7所述的多机器人路径规划方法,其特征在于,所述分别对与各个所述机器人对应的子图候选队列进行目标图像变换矩阵分析,得到与各个所述机器人对应的目标图像变换矩阵的过程包括:
利用AKAZE算法分别对各个所述子图候选队列中的子图候选描述符进行特征提取,得到与各个所述子图候选描述符对应的特征点;
利用OpenCV工具分别对与各个所述机器人对应的多个特征点进行图像匹配,得到与各个所述机器人对应的原始图像变换矩阵、与各个所述机器人对应的比例因子以及与各个所述机器人对应的初始置信度;
通过第一式分别对各个所述比例因子以及与各个所述机器人对应的所述初始置信度进行归一化处理,得到与各个所述机器人对应的目标置信度,所述第一式为:
根据各个所述目标置信度对与各个所述机器人对应的原始图像变换矩阵进行筛选,得到与各个所述机器人对应的目标图像变换矩阵。
10.一种多机器人路径规划装置,其特征在于,包括:
数据获取模块,用于分别从设置在多个机器人上的激光雷达中获得与各个所述机器人对应的多个激光数据,并分别从设置在各个所述机器人上的摄像头中获得与各个所述机器人对应的多个视觉图像;
地图构建模块,用于分别对各个所述机器人对应的多个激光数据进行地图构建,得到与各个所述机器人对应的栅格地图;
位姿信息分析模块,用于分别对各个所述机器人对应的多个视觉图像进行位姿信息的分析,得到与各个所述机器人对应的位姿信息;
路径构建模块,用于根据与各个所述机器人对应的位姿信息分别在与各个所述机器人对应的栅格地图中进行路径构建,得到与各个所述机器人对应的机器人路径;
地图修正分析模块,用于分别对各个所述栅格地图进行地图修正分析,得到与各个所述机器人对应的修正后地图;
规划结果获得模块,用于分别对各个所述机器人路径进行路径修正分析,得到与各个所述机器人对应的修正后机器人路径,并控制各个所述机器人沿着与各个所述机器人对应的修正后机器人路径在与各个所述机器人对应的修正后地图中移动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210686058.0A CN115586767A (zh) | 2022-06-16 | 2022-06-16 | 一种多机器人路径规划方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210686058.0A CN115586767A (zh) | 2022-06-16 | 2022-06-16 | 一种多机器人路径规划方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115586767A true CN115586767A (zh) | 2023-01-10 |
Family
ID=84771048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210686058.0A Pending CN115586767A (zh) | 2022-06-16 | 2022-06-16 | 一种多机器人路径规划方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115586767A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116358531A (zh) * | 2023-06-01 | 2023-06-30 | 佛山云曼健康科技有限公司 | 地图构建方法、装置、机器人和存储介质 |
-
2022
- 2022-06-16 CN CN202210686058.0A patent/CN115586767A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116358531A (zh) * | 2023-06-01 | 2023-06-30 | 佛山云曼健康科技有限公司 | 地图构建方法、装置、机器人和存储介质 |
CN116358531B (zh) * | 2023-06-01 | 2023-09-01 | 佛山市星曼信息科技有限公司 | 地图构建方法、装置、机器人和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111536964B (zh) | 机器人定位方法及装置、存储介质 | |
CN112179330B (zh) | 移动设备的位姿确定方法及装置 | |
EP2202672B1 (en) | Information processing apparatus, information processing method, and computer program | |
Zhang et al. | Hierarchical topic model based object association for semantic SLAM | |
CN108229416B (zh) | 基于语义分割技术的机器人slam方法 | |
CN109658445A (zh) | 网络训练方法、增量建图方法、定位方法、装置及设备 | |
CN108229347B (zh) | 用于人识别的拟吉布斯结构采样的深层置换的方法和装置 | |
WO2017172778A1 (en) | Collaborative navigation and mapping | |
CN110675307A (zh) | 基于vslam的3d稀疏点云到2d栅格图的实现方法 | |
CN109940614B (zh) | 一种融合记忆机制的机械臂多场景快速运动规划方法 | |
CN110376605B (zh) | 地图构建方法、导航方法和装置 | |
Senanayake et al. | Spatio-temporal hilbert maps for continuous occupancy representation in dynamic environments | |
CN114549738A (zh) | 无人车室内实时稠密点云重建方法、***、设备及介质 | |
CN111753696A (zh) | 一种感知场景信息的方法、仿真装置、机器人 | |
CN110751722B (zh) | 同时定位建图方法及装置 | |
CN115586767A (zh) | 一种多机器人路径规划方法和装置 | |
CN110348359B (zh) | 手部姿态追踪的方法、装置及*** | |
CN116698043A (zh) | 一种室内移动机器人视觉导航方法 | |
CN114577196B (zh) | 使用光流的激光雷达定位 | |
CN113761647B (zh) | 一种无人集群***的仿真方法及*** | |
CN112733971B (zh) | 扫描设备的位姿确定方法、装置、设备及存储介质 | |
CN116520302A (zh) | 应用于自动驾驶***的定位方法和构建三维地图的方法 | |
CN111724438B (zh) | 一种数据处理方法、装置 | |
Piekenbrock et al. | Automated aerial refueling: Parallelized 3D iterative closest point: Subject area: Guidance and control | |
Chen et al. | Towards bio-inspired place recognition over multiple spatial scales |
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 |