CN116466712A - 基于cml-avg激光雷达小车的自主巡航方法及*** - Google Patents
基于cml-avg激光雷达小车的自主巡航方法及*** Download PDFInfo
- Publication number
- CN116466712A CN116466712A CN202310372787.3A CN202310372787A CN116466712A CN 116466712 A CN116466712 A CN 116466712A CN 202310372787 A CN202310372787 A CN 202310372787A CN 116466712 A CN116466712 A CN 116466712A
- Authority
- CN
- China
- Prior art keywords
- trolley
- cml
- path
- obstacle
- environment
- 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 41
- 230000007613 environmental effect Effects 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 11
- 238000005315 distribution function Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000004387 environmental modeling Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
Abstract
本发明公开了一种基于CML‑AVG激光雷达小车的自主巡航方法及***，属于自主巡航技术领域，该方法包括：1）利用激光雷达的三角测距***计算局部环境中的障碍物与小车之间的间距，记录环境特征；2）减少测量得到的环境特征与实际环境之间的误差，采用基于扩展卡尔曼滤波的CML算法优化环境特征，得到反映环境特征更紧密的点云；3）在环境特征的基础上构建模拟场景，并遥控基于CML‑AGV激光雷达的小车全方位扫描模拟场景，通过CML定位算法预测小车路径，构建出模拟场景地图；4）小车在模拟场景地图上自主规划路线，同步扫描校验行驶路径的周围场景，将已感知的障碍写入缓存地图，并重新完善路径。本发明无需人为干预即可完成更精确的路径规划和自主巡航。
Description
技术领域
本发明涉及自主巡航技术领域，具体涉及一种基于CML-AVG激光雷达小车的自主巡航方法及***。
背景技术
近年来，随着机器人与传感器技术飞速发展，移动机器人在机器人领域的地位举足轻重，定位技术研究也因此显得尤为重要。现阶段定位作为新一代物联网的核心技术，市场需求巨大。因室内外空间拓扑及布局复杂易变，同时存在复杂电磁环境，导致信号传播衰落、出现多径及非视距误差等问题。这些因素导致卫星定位导航等室外定位技术在复杂环境中应用精度大幅降低。定位***经过几十年的发展和完善，背后的技术WIFI、蓝牙、超声波、位置、指纹到超宽带信号(UWB)不等。但这些技术实际应用中因缺乏高程据，限制了三维定位的应用。针对各种环境三维模型定位问题，基于激光雷达的定位技术逐渐成为热门研究领域。
定位旨在各种环境下获取目标实际位置或相对位置数据。在各种环境下实现定位导航、测绘作业等，都需要定位技术的支持，且对定位精度有较高要求，尤其是对传感器位置与姿态的要求。随着智能制造业的不断发展，在生产自动化物流***中，具有高效、灵活、柔性的AGV小车逐渐取代人工，广泛应用于大型工厂的生产线上。AGV小车可根据生产线的需要在原材料、半成品和成品区域往返搬运，且对其与生产设备的对接精度要求也越来越高。在室外定位技术发展已商业化的背景下，工业智能应用领域逐渐向室内拓展，物联网技术的发展，服务机器人的诞生及作业机器人的广泛应用对定位技术都有着广泛的需求。
高精度定位作为移动机器人的核心技术，室外环境下可依靠全球卫星导航***定位，而在环境下因建筑物墙壁等障碍物的阻碍，墙面的反射，造成卫星信号的损失，实际定位精度已不能满足定位的需要，对机器人实现自主定位有一定限制，因此建立一套准确实时的定位***对智能机器人发展至关重要。
目前定位技术主要分为基于无线网络、基于视觉和基于激光雷达3类。基于无线网络的定位技术因复杂环境及信号多径传播对无线电信号造成的影响，在复杂环境下定位精度难以保证。基于视觉传感器的定位方法受环境光照影响较大。激光雷达具有分辨率高、抗干扰性强、不受光线影响等优点。基于激光雷达的定位方式是目前无人***研究领域的热门研究方向。
怎样实现小车较好地自主巡航成了一个问题，大多成品采用的是毫米波雷达，但是无法应对较为复杂的环境。怎样在那些存在着许多障碍物的环境中自主巡航是主要问题。
发明内容
本发明针对现有技术中的不足，提供一种基于CML-AVG激光雷达小车的自主巡航方法及***，使得小车可以实现无需人为干预的自主巡航功能。
为实现上述目的，本发明采用以下技术方案：
一种基于CML-AGV激光雷达小车的自主巡航方法，包括以下步骤：
步骤1：利用激光雷达的三角测距***计算局部环境中的障碍物与小车之间的间距，记录多次测量得到的环境特征；
步骤2：汇总并分析环境特征，减少测量得到的环境特征与实际环境之间的误差，采用基于扩展卡尔曼滤波的CML算法优化环境特征，得到反映环境特征更紧密的点云；
步骤3：在环境特征的基础上构建模拟场景，并遥控基于CML-AGV激光雷达的小车将模拟场景进行全方位扫描，然后通过CML定位算法预测小车路径，构建出模拟场景地图；
步骤4：小车在模拟场景地图上自主规划路线，并同步对行驶路径的周围场景进行扫描校验，将已感知的障碍写入缓存地图，并重新完善路径。
为优化上述技术方案，采取的具体措施还包括：
进一步地，步骤1中，所述三角测距***计算局部环境中的障碍物与小车之间的间距具体采用的方法为相位差法或三角相似法；
所述相位差法的原理为：
式中，Δt表示激光发射时间与接收时间的时间差，为激光收发波形相位差，C为光速，fm表示激光频率，D为障碍物与小车之间的间距；
所述三角相似法的原理如下：
式中，L为激光发射器与CMOS相机间距，f为CMOS相机焦距大小，x为物体在CMOS相机内的成像点X1与X2之间的距离，d为障碍物与小车之间的间距；
成像点X1与X2之间的距离x由三角函数得到：
式中，α为激光发射器发射角度，β为反射激光与垂直方向的夹角；
将x带入测量值表达式，进行化简得到：
进一步地，步骤3中，所述CML定位算法的预测结果的分布函数具体为：
连续小车路径情况：
离散小车路径情况：
式中，xt表示小车路径，ut表示本体传感器数据，zt表示外感受传感器测量数据，η表示机器人出现在xt位置的概率，M表示环境地图的集合，bel()表示离散情况下小车位置的可行度的分布函数；表示连续情况下小车位置的可行度的分布函数；p表示小车上一次的位置是xt-1，在读入编码器数据ut后，新位置是xt的概率。
进一步地，步骤4具体为：
用三元组R(xr,yr,θr)来代表小车的位姿，xr表示小车在X轴方向上的位置，yr表示小车在Y轴方向上的位置，θr表示小车运动方向与X轴的夹角；
采用基于扩展卡尔曼滤波的CML算法产生平滑的路径描述，根据路径描述计算相应的参考位姿，得出小车的位置和方向角；
利用激光雷达同步对行驶路径的周围场景进行扫描校验，感知环境中的障碍物，所述障碍物包括静态障碍物和动态障碍物，将已感知的障碍物写入缓存地图，在静态环境或动态环境中不断规划路径，完成小车自主巡航。
进一步地，在所述静态环境中规划路径时，采用链接可视图法进行环境建模，具体为：
小车在二维平面环境中运动时不考虑高度信息，用多边形来描述环境的边界及障碍物轮廓，给路径宽度留出一定的裕度，如障碍物间的距离太窄，则把两个障碍物连接成一个障碍物；把障碍物径向扩张，使小车缩成一个点，在存在扩张的障碍物的地图上规划出小车的路径；
在所述动态环境中规划路径时，感知动态障碍物的距离与速度信息，计算左前方、正前方和右前方的各障碍物的碰撞危险度，取各方向上碰撞危险度最大的障碍物为该方向上要避让的障碍物；小车的运动学模型如下：
式中，VR为小车的实际线速度，ω为小车角速度。
本发明还提出了一种基于CML-AGV激光雷达小车的自主巡航***，包括获取轨迹模块、激光雷达模块和自主避障及路径优化模块；
所述获取轨迹模块获取小车运动轨迹；
所述激光雷达模块测量环境特征，对环境进行重建；
所述自主避障及路径优化模块根据环境布局数据及基于扩展卡尔曼滤波的CML算法自主避障并优化路径。
本发明的有益效果是：
(1)本发明通过的基于CML-AGV激光雷达的***研究与优化方法，小车通过激光雷达可以直接获取地面三维坐标，无需人工测绘地图规划路径。
(2)该方法利用基于激光雷达的SLAM算法可以测出更为精确的地形数据，测量值与实际值误差小，地形细节表现更好，可以使小车完成更精确的路径规划。
(3)本方法使用的激光雷达可不仅可以实现室内测量，而且可在太阳光下工作，在其作业时不受太阳角度影响，作业时间的自由度更大。
附图说明
图1是激光雷达工作原理图；
图2是三角测距原理图；
图3(a)和图3(b)是基于扩展卡尔曼滤波(EKF)的CML仿真示意图；
图4(a)为AGV工作平面链接图，图4(b)为规划后的路径有向图；
图5是SLAM算法流程图；
图6是CML定位算法的预测结果的分布函数图；
图7是自主巡航***架构图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
在一实施例中，本发明提出了一种基于CML-AGV激光雷达小车的自主巡航方法，包括以下步骤：
步骤1：利用激光雷达的三角测距***计算局部环境中的障碍物与小车之间的间距，记录多次测量得到的环境特征；
步骤2：汇总并分析环境特征，减少测量得到的环境特征与实际环境之间的误差，采用基于扩展卡尔曼滤波的CML算法优化环境特征，得到反映环境特征更紧密的点云；
步骤3：在环境特征的基础上构建模拟场景，并遥控基于CML-AGV激光雷达的小车将模拟场景进行全方位扫描，然后通过CML定位算法预测小车路径，构建出模拟场景地图；
步骤4：小车在模拟场景地图上自主规划路线，并同步对行驶路径的周围场景进行扫描校验，将已感知的障碍写入缓存地图，并重新完善路径。
本实施例的激光雷达采用了RPLIDAR系列产品，激光雷达的工作原理图如图1所示。其采用激光三角测距技术，再配合SLAMTEC研发的高速视觉采集处理机构，通过测量发现它可进行每秒高达8000次的测距动作；随后经多次测距调试，RPLIDAR将发射经过调制的红外激光信号，该激光信号在照射到目标物体后产生的反光将被RPLIDAR的视觉采集***接收。
其次再由经过嵌入在RPLIDAR内部的DSP处理器实时解算，被照射到的目标物体与RPLIDAR的距离值以及当前的夹角信息将从通讯接口中输出。
最后根据起初激光雷达的扫描测绘采集到的环境点云数据，结合三角测距算法，得到环境特征反应更精确的点云图。
步骤1中，所述三角测距***计算局部环境中的障碍物与小车之间的间距具体采用的方法为相位差法或三角相似法；
所述相位差法的原理为：
式中，Δt表示激光发射时间与接收时间的时间差，为激光收发波形相位差，C为光速，fm表示激光频率，D为障碍物与小车之间的间距；
所述三角相似法的原理如图2所示，首先激光发射器(Laser)发射激光，打到物体(Object)表面时，将反射至CMOS相机处,经过相机焦点与图像交于X1，经过相机焦点O做激光的平行线交相机成像于X2处，X1与X2之间的距离为x，相机焦距为f，易得△OAB～△X1X2O，相似三角形有如下比例关系：
式中，L为激光发射器与CMOS相机间距，f为CMOS相机焦距大小，x为物体在CMOS相机内的成像点X1与X2之间的距离，d为障碍物与小车之间的间距；
成像点X1与X2之间的距离x由三角函数得到：
式中，α为激光发射器发射角度，β为反射激光与垂直方向的夹角；
将x带入测量值表达式，进行化简得到：
随后通过多次实验仿真发现，基于卡尔曼滤波器的激光雷达数据优化适用于***计算资源受限，场景简单的室内场景定位建图。随着硬件能力的不断提升及定位场景逐渐复杂化的室内定位作业需求，现更多的场景采用基于图优化的数据优化框架。
仿真实例及结果如图3(a)和图3(b)所示。
参见图3(a)，巡航小车在一个布有障碍物的环境内运动，实色点集连成的线为巡航小车实际的运动轨迹，虚点集的是巡航小车预估的轨迹，虚椭圆是巡航小车从环境中提取出来的特征，椭圆的面积反映了不确定性程度。
由此可见，因积分误差以及环境中噪声的误差存在，实际轨迹与预计的轨迹仍存有一定距离，如图中所示，实色线条是标准(没有误差情况下)巡航小车建立起来的地图，由于存在噪声和积分误差，实际建立起来的地图如图中的虚色线条部分，可见与实际的地图之间还是存在一定的误差。
在巡航小车沿着轨迹运动第二圈，如图3(b)，相比第一圈运动，可以明显发现虚色的预计轨迹更趋近灰色的真实轨迹,特征点集的不确定性也有所降低，此外，在第二圈运动巡航小车建立的地图中(实色部分)相比第一圈建立的地图(虚色部分)更趋向真实的情况(实色部分)，由此得出如下推论：
(1)同一环境特征被检测的次数越多，不确定程度越小；
(2)环境特征分布越密集的地方巡航小车状态的不确定程度越小(如图3(b)明显虚色预计轨迹距离实色实际轨迹更加偏离)；
(3)在环境特征足够多的情况下，即便存在一定的环境特征的误判，也不会对巡航小车的定位造成过多干扰；
(4)反复检测到同一环境特征对巡航小车的自身定位修正起到了极大的辅助作用。
在分析了卡尔曼滤波器用于机器人定位存在不足的基础上，阐述了扩展卡尔曼滤波器用于巡航小车定位的优势。进而运用了基于扩展卡尔曼滤波(EKF)的CML算法，并进行了仿真实验取得一定进展。由此对本次仿真做出如下小结：基于EKF的CML算法是在滤波器方案后发展的新兴机器人位姿优化方案，基于EKF的CML算法可将先前位姿信息和当前位姿信息同时进行优化，通过视觉特征提高回环检测和图优化性能，得到特征反应更紧密的点云图，进而提高定位的精确度，相较于传统卡尔曼滤波定位方法具有更高的鲁棒性。
这里采用的基于EKF的CML算法也称为全局SLAM，通常以观察为约束对图结构进行建模并进行全局优化实现状态估计。代表性的开源算法有KartoSLAM和Cartographer两种。KartoSLAM利用高度优化和非迭代的Cholesky矩阵分解对稀疏***进行解耦来解决问题。以图的均值表示地图，每个节点代表机器人轨迹的位置点和传感器测量的数据集，指向连线的箭头表示连续机器人位置点的移动。当有新的节点加入时，地图会根据空间中节点箭头的约束进行计算和更新。这里引用的是Karto的SLAM算法，其算法框架如图5所示。
步骤3中，所述CML定位算法的预测结果的分布函数图如图6所示，具体为：
连续小车路径情况：
离散小车路径情况：
式中，xt表示小车路径，ut表示本体传感器数据，zt表示外感受传感器测量数据，η表示机器人出现在xt位置的概率，M表示环境地图的集合，bel()表示离散情况下小车位置的可行度的分布函数；表示连续情况下小车位置的可行度的分布函数；p表示小车上一次的位置是xt-1，在读入编码器数据ut后，新位置是xt的概率。
步骤4具体为：
用三元组R(xr,yr,θr)来代表小车的位姿，xr表示小车在X轴方向上的位置，yr表示小车在Y轴方向上的位置，θr表示小车运动方向与X轴的夹角；
采用基于扩展卡尔曼滤波的CML算法产生平滑的路径描述，根据路径描述计算相应的参考位姿，得出小车的位置和方向角；
利用激光雷达同步对行驶路径的周围场景进行扫描校验，感知环境中的障碍物，所述障碍物包括静态障碍物和动态障碍物，将已感知的障碍物写入缓存地图，在静态环境或动态环境中不断规划路径，完成小车自主巡航。
在所述静态环境中规划路径时，采用链接可视图法进行环境建模，具体为：
小车在二维平面环境中运动时不考虑高度信息，用多边形来描述环境的边界及障碍物轮廓，给路径宽度留出一定的裕度，如障碍物间的距离太窄，则把两个障碍物连接成一个障碍物；如图4(a)所示；把障碍物径向扩张，使小车缩成一个点，在存在扩张的障碍物的地图上规划出小车的路径；如图4(b)所示。
在所述动态环境中规划路径时，感知动态障碍物的距离与速度信息，计算左前方、正前方和右前方的各障碍物的碰撞危险度，取各方向上碰撞危险度最大的障碍物为该方向上要避让的障碍物；小车的运动学模型如下：
式中，VR为小车的实际线速度，ω为小车角速度。
由于讨论中要用到AGV与障碍物的速度信息，同时要知道AGV小车与障碍物的位置信息，因而场景信息为动态的。一般在实际的结构化环境中，AGV小车的全局定位可通过路径识别和相应的定位算法实现。路标通常定义为环境中具有一定特征便于识别的已知位置的物体或标志，包括自然环境标志和人工路标，这些标志可被AGV上装载的传感器感知。AGV小车除了要知道自己所处的位置外，还应感知静态障碍物距离信息，或可能出现的动态障碍物的距离与速度信息，这可通过AGV小车的车载传感器或激光全局定位***来测量。仿真时AGV小车正前方、左前方、右前方的障碍物信息(静态或动态)可假定，然后根据上述碰撞危险度定义对各方向上的各障碍求取其碰撞危险度，同时取各方向碰撞危险度最大的障碍物为该方向上当前所要避碰的，这种取法是一种最简单的数据融合。考虑到全局路径规划，AGV小车最终要到达目标点，因而将目标定位tr，也作为输入；目标的输出为AGV小车的实际速度Vr和转动角θr，不断修正初始全局优化路径，从而最终安全到达目标点。
在另一实施例中，本发明提出了一种基于CML-AGV激光雷达小车的自主巡航***，该***的架构图如图7所示，包括获取轨迹模块、激光雷达模块和自主避障及路径优化模块；
所述获取轨迹模块获取小车运动轨迹；
所述激光雷达模块测量环境特征，对环境进行重建；
所述自主避障及路径优化模块根据环境布局数据及基于扩展卡尔曼滤波的CML算法自主避障并优化路径。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (6)
1.一种基于CML-AGV激光雷达小车的自主巡航方法，其特征在于，包括以下步骤：
步骤1：利用激光雷达的三角测距***计算局部环境中的障碍物与小车之间的间距，记录多次测量得到的环境特征；
步骤2：汇总并分析环境特征，减少测量得到的环境特征与实际环境之间的误差，采用基于扩展卡尔曼滤波的CML算法优化环境特征，得到反映环境特征更紧密的点云；
步骤3：在环境特征的基础上构建模拟场景，并遥控基于CML-AGV激光雷达的小车将模拟场景进行全方位扫描，然后通过CML定位算法预测小车路径，构建出模拟场景地图；
步骤4：小车在模拟场景地图上自主规划路线，并同步对行驶路径的周围场景进行扫描校验，将已感知的障碍写入缓存地图，并重新完善路径。
2.如权利要求1所述的基于CML-AGV激光雷达小车的自主巡航方法，其特征在于，步骤1中，所述三角测距***计算局部环境中的障碍物与小车之间的间距具体采用的方法为相位差法或三角相似法；
所述相位差法的原理为：
式中，Δt表示激光发射时间与接收时间的时间差，为激光收发波形相位差，C为光速，fm表示激光频率，D为障碍物与小车之间的间距；
所述三角相似法的原理如下：
式中，L为激光发射器与CMOS相机间距，f为CMOS相机焦距大小，x为物体在CMOS相机内的成像点X1与X2之间的距离，d为障碍物与小车之间的间距；
成像点X1与X2之间的距离x由三角函数得到：
式中，α为激光发射器发射角度，β为反射激光与垂直方向的夹角；
将x带入测量值表达式，进行化简得到：
3.如权利要求1所述的基于CML-AGV激光雷达小车的自主巡航方法，其特征在于，步骤3中，所述CML定位算法的预测结果的分布函数具体为：
连续小车路径情况：
离散小车路径情况：
式中，xt表示小车路径，ut表示本体传感器数据，zt表示外感受传感器测量数据，η表示机器人出现在xt位置的概率，M表示环境地图的集合，bel()表示离散情况下小车位置的可行度的分布函数；表示连续情况下小车位置的可行度的分布函数；p表示小车上一次的位置是xt-1，在读入编码器数据ut后，新位置是xt的概率。
4.如权利要求1所述的基于CML-AGV激光雷达小车的自主巡航方法，其特征在于，步骤4具体为：
用三元组R(xr,yr,θr)来代表小车的位姿，xr表示小车在X轴方向上的位置，yr表示小车在Y轴方向上的位置，θr表示小车运动方向与X轴的夹角；
采用基于扩展卡尔曼滤波的CML算法产生平滑的路径描述，根据路径描述计算相应的参考位姿，得出小车的位置和方向角；
利用激光雷达同步对行驶路径的周围场景进行扫描校验，感知环境中的障碍物，所述障碍物包括静态障碍物和动态障碍物，将已感知的障碍物写入缓存地图，在静态环境或动态环境中不断规划路径，完成小车自主巡航。
5.如权利要求4所述的基于CML-AGV激光雷达小车的自主巡航方法，其特征在于，在所述静态环境中规划路径时，采用链接可视图法进行环境建模，具体为：
小车在二维平面环境中运动时不考虑高度信息，用多边形来描述环境的边界及障碍物轮廓，给路径宽度留出一定的裕度，如障碍物间的距离太窄，则把两个障碍物连接成一个障碍物；把障碍物径向扩张，使小车缩成一个点，在存在扩张的障碍物的地图上规划出小车的路径；
在所述动态环境中规划路径时，感知动态障碍物的距离与速度信息，计算左前方、正前方和右前方的各障碍物的碰撞危险度，取各方向上碰撞危险度最大的障碍物为该方向上要避让的障碍物；小车的运动学模型如下：
式中，VR为小车的实际线速度，ω为小车角速度。
6.一种基于CML-AGV激光雷达小车的自主巡航***，其特征在于，包括获取轨迹模块、激光雷达模块和自主避障及路径优化模块；
所述获取轨迹模块获取小车运动轨迹；
所述激光雷达模块测量环境特征，对环境进行重建；
所述自主避障及路径优化模块根据环境布局数据及基于扩展卡尔曼滤波的CML算法自主避障并优化路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310372787.3A CN116466712A (zh) | 2023-04-10 | 2023-04-10 | 基于cml-avg激光雷达小车的自主巡航方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310372787.3A CN116466712A (zh) | 2023-04-10 | 2023-04-10 | 基于cml-avg激光雷达小车的自主巡航方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116466712A true CN116466712A (zh) | 2023-07-21 |
Family
ID=87178336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310372787.3A Pending CN116466712A (zh) | 2023-04-10 | 2023-04-10 | 基于cml-avg激光雷达小车的自主巡航方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116466712A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117032218A (zh) * | 2023-07-31 | 2023-11-10 | 北京小米机器人技术有限公司 | 机器人巡航控制方法、装置、机器人及存储介质 |
| CN117271969A (zh) * | 2023-09-28 | 2023-12-22 | 中国人民解放军国防科技大学 | 辐射源个体指纹特征在线学习方法、***、设备及介质 |
-
2023
- 2023-04-10 CN CN202310372787.3A patent/CN116466712A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117032218A (zh) * | 2023-07-31 | 2023-11-10 | 北京小米机器人技术有限公司 | 机器人巡航控制方法、装置、机器人及存储介质 |
| CN117271969A (zh) * | 2023-09-28 | 2023-12-22 | 中国人民解放军国防科技大学 | 辐射源个体指纹特征在线学习方法、***、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110645974B (zh) | 一种融合多传感器的移动机器人室内地图构建方法 | |
| CN109709801B (zh) | 一种基于激光雷达的室内无人机定位***及方法 | |
| CN116466712A (zh) | 基于cml-avg激光雷达小车的自主巡航方法及*** | |
| Mu et al. | Research on SLAM algorithm of mobile robot based on the fusion of 2D LiDAR and depth camera | |
| US20200264616A1 (en) | Location estimation system and mobile body comprising location estimation system | |
| CN112882053B (zh) | 一种主动标定激光雷达和编码器外参的方法 | |
| CN112154356A (zh) | 点云数据处理方法及其装置、激光雷达、可移动平台 | |
| CN113587930B (zh) | 基于多传感融合的自主移动机器人室内外导航方法及装置 | |
| CN114998276B (zh) | 一种基于三维点云的机器人动态障碍物实时检测方法 | |
| JP7032062B2 (ja) | 点群データ処理装置、移動ロボット、移動ロボットシステム、および点群データ処理方法 | |
| Liu et al. | A Review of Sensing Technologies for Indoor Autonomous Mobile Robots | |
| Gao et al. | Localization of mobile robot based on multi-sensor fusion | |
| US11561553B1 (en) | System and method of providing a multi-modal localization for an object | |
| CN117032215A (zh) | 一种基于双目视觉的移动机器人物体识别及定位方法 | |
| CN117387604A (zh) | 基于4d毫米波雷达和imu融合的定位与建图方法及*** | |
| Ye et al. | Model-based offline vehicle tracking in automotive applications using a precise 3D model | |
| Cheng et al. | Map aided visual-inertial fusion localization method for autonomous driving vehicles | |
| Youssefi et al. | Visual and light detection and ranging-based simultaneous localization and mapping for self-driving cars | |
| Xue et al. | Real-time 3D grid map building for autonomous driving in dynamic environment | |
| Noaman et al. | Landmarks exploration algorithm for mobile robot indoor localization using VISION sensor | |
| CN114815809A (zh) | 移动机器人的避障方法、***、终端设备及存储介质 | |
| Pang et al. | A Low-Cost 3D SLAM System Integration of Autonomous Exploration Based on Fast-ICP Enhanced LiDAR-Inertial Odometry | |
| Sun et al. | Detection and state estimation of moving objects on a moving base for indoor navigation | |
| Ren et al. | Towards efficient and robust LiDAR-based 3D mapping in urban environments | |
| Rodríguez-Quiñonez | Intelligent automatic object tracking method by integration of laser scanner system and ins |
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 |