CN117111479A - 机器人控制方法、装置、电子设备及可读存储介质 - Google Patents

机器人控制方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN117111479A
CN117111479A CN202311373785.2A CN202311373785A CN117111479A CN 117111479 A CN117111479 A CN 117111479A CN 202311373785 A CN202311373785 A CN 202311373785A CN 117111479 A CN117111479 A CN 117111479A
Authority
CN
China
Prior art keywords
robot
model
disturbance
constructing
collision
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
Application number
CN202311373785.2A
Other languages
English (en)
Other versions
CN117111479B (zh
Inventor
熊伟成
曹卫川
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 Smart Mapping Tech Co ltd
Original Assignee
Shenzhen Smart Mapping Tech 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 Smart Mapping Tech Co ltd filed Critical Shenzhen Smart Mapping Tech Co ltd
Priority to CN202311373785.2A priority Critical patent/CN117111479B/zh
Publication of CN117111479A publication Critical patent/CN117111479A/zh
Application granted granted Critical
Publication of CN117111479B publication Critical patent/CN117111479B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请涉及一种机器人控制方法、装置、电子设备及可读存储介质，所述方法包括步骤：获取机器人的当前状态数据以及障碍物数据；通过所述当前状态数据构建基础运动模型，并通过所述障碍物数据构建带扰动无碰撞约束模型；根据所述基础运动模型以及所述带扰动无碰撞约束模型构建最优控制问题；对所述最优控制问题进行求解得到最优控制量；根据所述最优控制量控制所述机器人移动。通过构建基础运动模型来保证控制与场景的匹配性，同时障碍物数据来构建带扰动无碰撞约束模型，从而使得在结合了扰动因素的无碰撞约束模型的基础上，确定最有控制量；能够避免扰动造成违反无碰撞约束的问题，保证了机器人移动过程中的安全性。

Description

机器人控制方法、装置、电子设备及可读存储介质
技术领域
本申请涉及移动机器人领域，尤其涉及一种机器人控制方法、装置、电子设备及可读存储介质。
背景技术
智能移动机器人通过控制底盘行走电机，驱使机器人在复杂环境进行移动并安全到达目的地。MPC (Model Predictive Control，模型预测控制) 是一种基于具有约束满足的目标函数来预测机器人轨迹并优化机器人运动的控制算法，相比于其他控制算法，可通过对***模型的精确建模，对于不确定的部分进行预测，实现对控制效果的优化，并且可方便地考虑***的约束条件，提高控制的稳定性和可靠性，是复杂环境中机器人控制算法的首选。然而，目前的MPC算法中的约束满足对于扰动而言并不稳健；一般最佳解决方案通常位于约束的边缘，因此小的扰动可能会导致违反约束，从而导致违反无碰撞约束，造成严重安全问题。
发明内容
本申请提供了一种机器人控制方法、装置、电子设备及可读存储介质，旨在解决现有技术中由于扰动违反无碰撞约束，存在安全隐患的技术问题。
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种机器人控制方法，所述方法包括步骤：
获取机器人的当前状态数据以及障碍物数据；
通过所述当前状态数据构建基础运动模型，并通过所述障碍物数据构建带扰动无碰撞约束模型；
根据所述基础运动模型以及所述带扰动无碰撞约束模型构建最优控制问题；
对所述最优控制问题进行求解得到最优控制量；
根据所述最优控制量控制所述机器人移动。
可选地，所述基础运动模型包括机器人动力学模型以及参考轨迹跟踪模型；所述通过所述当前状态数据构建基础运动模型的步骤包括：
获取所述当前状态数据中的状态量数据；
根据所述状态量数据构建机器人动力学模型；
获取所述当前状态数据中的参考轨迹；
根据所述参考轨迹构建所述参考轨迹跟踪模型。
可选地，所述状态量数据包括***状态量以及***控制量；所述根据所述状态量数据构建机器人动力学模型的步骤包括：
根据所述***状态量、所述***控制量构建所述机器人的动力学方程；
对所述动力学方程进行线性化得到所述机器人动力学模型。
可选地，所述通过所述障碍物数据构建带扰动无碰撞约束模型的步骤包括：
构建与所述障碍物数据对应的目标无碰撞约束模型；
获取初始扰动协方差，并对所述初始扰动协方差进行传播得到目标扰动协方差；
通过所述目标无碰撞约束模型与所述目标扰动协方差确定扰动退避项；
将所述目标无碰撞约束模型与所述扰动退避项结合得到所述带扰动无碰撞约束模型。
可选地，所述构建与所述障碍物数据对应的目标无碰撞约束模型的步骤包括：
获取所述机器人的机器人中心坐标以及第一半径，和所述障碍物数据中包括的障碍物中心坐标以及第二半径；
根据所述机器人中心坐标、所述第一半径、所述障碍物中心坐标以及所述第二半径构建位置约束子模型；
获取预设速度阈值以及预设加速度阈值；
根据所述预设速度阈值设置速度约束，根据所述预设加速度阈值设置加速度约束；
联合所述位置约束子模型、所述速度约束以及所述加速度约束得到所述目标无碰撞约束模型。
可选地，所述对所述最优控制问题进行求解得到最优控制量的步骤包括：
通过线性规划法对所述最优控制问题进行一次迭代求解得到第一控制量；
通过所述第一控制量对所述带扰动无碰撞约束模型中的扰动退避项进行更新，得到更新后的最优控制问题；
通过线性规划法对更新后的所述最优控制问题进行一次迭代求解得到所述最优控制量。
可选地，所述根据所述最优控制量控制所述机器人移动的步骤包括：
基于当前控制周期对所述最优控制量进行时间积分得到目标前进速度与目标角速度；
确定与所述目标前进速度以及目标角速度对应的电机驱动信号；
将所述电机驱动信号发送至所述机器人的移动模块，以使所述移动模块基于所述电机驱动信号带动所述机器人移动。
为实现上述目的，本发明还提供一种机器人控制装置，所述机器人控制装置包括：
第一获取模块，用于获取机器人的当前状态数据以及障碍物数据；
第一构建模块，用于通过所述当前状态数据构建基础运动模型，并通过所述障碍物数据构建带扰动无碰撞约束模型；
第二构建模块，用于根据所述基础运动模型以及所述带扰动无碰撞约束模型构建最优控制问题；
第一求解模块，用于对所述最优控制问题进行求解得到最优控制量；
第一控制模块，用于根据所述最优控制量控制所述机器人移动。
为实现上述目的，本发明还提供一种电子设备，所述电子设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的机器人控制方法的步骤。
为实现上述目的，本发明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，所述计算机程序被处理器执行时实现如上所述的机器人控制方法的步骤。
本发明提出的一种机器人控制方法、装置、电子设备及可读存储介质， 获取机器人的当前状态数据以及障碍物数据；通过所述当前状态数据构建基础运动模型，并通过所述障碍物数据构建带扰动无碰撞约束模型；根据所述基础运动模型以及所述带扰动无碰撞约束模型构建最优控制问题；对所述最优控制问题进行求解得到最优控制量；根据所述最优控制量控制所述机器人移动。通过构建基础运动模型来保证控制与场景的匹配性，同时障碍物数据来构建带扰动无碰撞约束模型，从而使得在结合了扰动因素的无碰撞约束模型的基础上，确定最有控制量；能够避免扰动造成违反无碰撞约束的问题，保证了机器人移动过程中的安全性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明机器人控制方法第一实施例的流程示意图；
图2为本发明机器人控制方法的场景示意图；
图3为本发明机器人控制方法的整体流程示意图；
图4为本发明电子设备的模块结构示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。为了使本技术领域的人员更好地理解本申请方案，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，所描述的实施例仅仅是本申请一部分的实施例，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，都应当属于本申请保护的范围。
本发明提供一种机器人控制方法，参照图1，图1为本发明机器人控制方法第一实施例的流程示意图，所述方法包括步骤：
步骤S10，获取机器人的当前状态数据以及障碍物数据；
当前状态数据用以反映机器人的本身状态以及控制状态；障碍物数据用以指示机器人周围的障碍物的情况。
具体地，当前状态数据可以通过规划模块以及定位模块获取，如通过规划模块获取参考轨迹，通过定位模块获取机器人位置与航向角；障碍物数据可以通过感知模块获取，如通过感知模块获取障碍物位置即大小。
规划模块以及定位模块可以基于实际应用需要选择能够实现相应功能的处理器件或检测器件；在此不进行限定。
步骤S20，通过所述当前状态数据构建基础运动模型，并通过所述障碍物数据构建带扰动无碰撞约束模型；
基础运动模型用以指示机器人的动力学特征以及轨迹跟踪状态；带扰动无碰撞约束模型为在无碰撞约束的基础上结合扰动构建的模型；可以理解的是，无碰撞约束用以对机器人与障碍物之间的位置关系进行约束，从而避免机器人与障碍物发生碰撞。
步骤S30，根据所述基础运动模型以及所述带扰动无碰撞约束模型构建最优控制问题；
可以理解的是，在基础运动模型以及带扰动无碰撞约束模型的基础上，存在多个控制量能够满足要求；而在应用中则需要确定最佳的或满足需要的控制量作为最终控制机器人的控制量；最优控制问题则是在基础运动模型与带扰动无碰撞模型的基础上构建的确定最优控制量的问题。
步骤S40，对所述最优控制问题进行求解得到最优控制量；
具体对于最优控制问题的求解方法可以基于实际需要进行设置。
步骤S50，根据所述最优控制量控制所述机器人移动。
在确定最优控制量之后，即可根据最优控制量来控制机器人移动；具体地，通过对机器人的移动模块进行控制实现机器人移动，移动模块可以基于实际需要进行设置，如车轮、履带等。
本实施例通过构建基础运动模型来保证控制与场景的匹配性，同时障碍物数据来构建带扰动无碰撞约束模型，从而使得在结合了扰动因素的无碰撞约束模型的基础上，确定最有控制量；能够避免扰动造成违反无碰撞约束的问题，保证了机器人移动过程中的安全性。
进一步地，在基于本发明的第一实施例所提出的本发明机器人控制方法第二实施例中，所述基础运动模型包括机器人动力学模型以及参考轨迹跟踪模型；所述步骤S20包括步骤：
步骤S21，获取所述当前状态数据中的状态量数据；
步骤S22，根据所述状态量数据构建机器人动力学模型；
所述状态量数据包括***状态量以及***控制量；所述步骤S22包括步骤：
步骤S221，根据所述***状态量、所述***控制量构建所述机器人的动力学方程；
步骤S222，对所述动力学方程进行线性化得到所述机器人动力学模型。
机器人动力学模型的具体类型可以基于实际需要进行选择，本实施例中的机器人动力学模型为差速机器人模型。
需要说明的是，在实际应用中，机器人的形状基于实际场景进行设置；为了简化计算，参见图2，本实施例中，将机器人在水平面的投影设置为半径为第一半径r的圆形。
***状态量包括机器人在水平面投影的中点坐标（x，y）T，航向角θ，前进速度v以及角速度ω；即***状态量X：
需要说明的是，本实施例以及后续实施例中所指的坐标均为同一平面坐标系下的坐标。
设***控制量u∈i2为前向加速度a和角加速度α，则***控制量u：
通过***状态量X与***控制量u构建动力学方程：
上述动力学方程为非线性方程，为了便于优化求解，通过一阶泰勒公式将动力学方程进行线性化，得到：
整理得到：
其中，（xr，yr，θr，vr，ωr，ar，αr）为机器人当前***状态量的线性化点；
对于第k个***状态量Xk和第k+1个***状态量Xk+1而言，具有如下一阶差分状态方程：
其中，T为两个***状态量之间的时间间隔；联合上述两个公式可得状态空间方程：
其中：
其中，I5为5×5单位矩阵，Bk=TB1，Ck=TC1。
步骤S23，获取所述当前状态数据中的参考轨迹；
步骤S24，根据所述参考轨迹构建所述参考轨迹跟踪模型。
参考轨迹包括***状态量参考轨迹Xref以及***控制量参考轨迹uref；在不考虑干扰的情况下，最优控制问题的阶段代价是预测阶段范围k∈[0，N-1]内的加权平方跟踪误差之和ls：
其中，R为阶段***控制量的权重，Q为阶段***状态量的权重。
最优控制问题的终端代价是机器人的***终端状态量XN与***终端状态参考轨迹的加权平方误差：
其中，Qe为终端***状态量的权重。
进一步地，所述步骤S20包括步骤：
步骤S25，构建与所述障碍物数据对应的目标无碰撞约束模型；
所述步骤S25包括步骤：
步骤S251，获取所述机器人的机器人中心坐标以及第一半径，和所述障碍物数据中包括的障碍物中心坐标以及第二半径；
步骤S252，根据所述机器人中心坐标、所述第一半径、所述障碍物中心坐标以及所述第二半径构建位置约束子模型；
步骤S253，获取预设速度阈值以及预设加速度阈值；
步骤S254，根据所述预设速度阈值设置速度约束，根据所述预设加速度阈值设置加速度约束；
步骤S255，联合所述位置约束子模型、所述速度约束以及所述加速度约束得到所述目标无碰撞约束模型。
需要说明的是，在实际应用中，障碍物的形状各异，而为了简化计算，本实施例中将障碍物在水平面的投影设置为半径为第二半径的圆形；障碍物坐标为/>。可以理解的是，障碍物的数量可以为零个、一个或多个，障碍物个体表示为O1、O2、…Oj。
无碰撞约束表征为机器人的位置轨迹在任意时刻均不会与障碍物产生相交；在时刻tk对所有的机器人位置k∈[0，N]执行无碰撞约束，对于所有的障碍物位置j属于[1，n1]，有：
其中，xk为tk时刻机器人的***状态量Xk对应的x分量，yk为tk时刻机器人的***状态量Xk对应的y分量。
在实际应用中，为了保证机器人能够安全运行，且电机可执行的控制量也存在上限，所以机器人的前进速度和角速度存在上限约束；预设速度阈值包括前进速度vmax最大值与角速度ωmax最大值：
同样地，***控制量也存在上限约束；预设加速度阈值包括前进加速度最大值amax和角加速度最大值αmax：
将上述三个公式联立，得到针对***状态量Xk和***控制量uk的目标无碰撞约束方程：
在当前得到的目标无碰撞约束方程的基础上结合基础运动模型可以构建无扰动最优控制问题；如给定机器人的***状态量，得到：
其中，，为待求解的变量，hN（XN）≤0为***终端状态量XN对应的无碰撞约束。
无扰动最优控制问题未考虑***扰动的影响，而在实际应用中，由于建模误差、状态扰动等因素将使得扰动影响无扰动最优控制问题的求解，导致违反约束，因此，为了解决这一问题，本实施例中将扰动因素添加到无碰撞约束方程中，具体地：
步骤S26，获取初始扰动协方差，并对所述初始扰动协方差进行传播得到目标扰动协方差；
步骤S27，通过所述目标无碰撞约束模型与所述目标扰动协方差确定扰动退避项；
步骤S28，将所述目标无碰撞约束模型与所述扰动退避项结合得到所述带扰动无碰撞约束模型。
假设机器人运动中受到过程噪声影响，则对于机器人动力学模型，有：
其中，***状态量Xk对应的扰动状态，Wk为过程噪声，Wk的协方差为W属于i5×5。
为了修正模型的不确定性，需要对控制***进行闭环反馈控制。设***控制量与扰动状态之间的关系，即控制律为：
其中，K∈i2×5为预先计算的反馈增益矩阵。则闭环反馈控制方程为：
设初始扰动协方差为Σ0∈ i5×5，根据闭环反馈控制方程，可得到扰动状态的协方差矩阵传播方程：
Σk+1即为目标扰动协方差；在目标无碰撞约束模型的基础上结合扰动项可得带扰动无碰撞约束模型：
其中βk为约束考虑扰动下的退避项，其考虑了扰动并使***远离约束，其中：
其中，Jk（Xk，Uk）为目标无碰撞约束模型hk（Xk，Uk）对***状态量Xk和***控制量uk的雅可比矩阵；JN（Xk）为目标无碰撞约束模型hN（Xk，Uk）对***状态量Xk的雅可比矩阵。
进一步地，在基于本发明的第一实施例所提出的本发明机器人控制方法第四实施例中，所述步骤S40包括步骤：
步骤S41，通过线性规划法对所述最优控制问题进行一次迭代求解得到第一控制量；
步骤S42，通过所述第一控制量对所述带扰动无碰撞约束模型中的扰动退避项进行更新，得到更新后的最优控制问题；
步骤S43，通过线性规划法对更新后的所述最优控制问题进行一次迭代求解得到所述最优控制量。
可以理解的是，通过引入协方差能够扩展***状态量，但协方差的维数太高，会导致***变量呈现二次方增加，使得最优控制问题的求解变得困难，且也会导致求解效率变低。因此，本实施例中采用零阶鲁棒优化的方法通过迭代求解优化子问题来降低计算复杂度，加入扰动后的最优控制问题为：
其中，协方差Σ不参与优化，退避项和/>被固定。
本实施例中，通过顺序二次规划的方式进行求解，具体地：
对于每一个采样时间，获取当前机器人的***状态量、***控制量、参考轨迹以及障碍物数据，并设定一个初始扰动协方差；
通过目标无碰撞约束公式计算无碰撞约束，并利用初始扰动协方差通过协方差矩阵传播方程进行传播得到目标扰动协方差；结合目标扰动协方差得到退避项和/>；进而构建最优控制问题；
利用线性规划方法对最优控制问题进行迭代求解，利用线性规划一次迭代求解得到的第一控制量和相应的雅可比矩阵更新退避项；
最后，对结合更新退避项的最优控制问题进行另一次线性规划迭代求解，求解得到的第一个***控制量即为最优控制量。
进一步地，在基于本发明的第一实施例所提出的本发明机器人控制方法第五实施例中，所述步骤S50包括步骤：
步骤S51，基于当前控制周期对所述最优控制量进行时间积分得到目标前进速度与目标角速度；
步骤S52，确定与所述目标前进速度以及目标角速度对应的电机驱动信号；
步骤S53，将所述电机驱动信号发送至所述机器人的移动模块，以使所述移动模块基于所述电机驱动信号带动所述机器人移动。
最优控制量可通过时间积分的方式得到用于控制机器人底盘的速度指令，具体为目标前进速度/>、目标角速度/>，利用速度指令通过电机驱动控制器可转换成对于机器人左右车轮的电机驱动信号，具体包括左驱动信号/>、右驱动信号/>。移动模块接收电机驱动信号即可对机器人进行最优控制。
同时，移动模块可反馈状态信息至电机驱动控制器，如速度信息和/>，以及其他信息/>，用于实现反馈控制。
参见图3，下面对本申请机器人控制方法的整体流程进行说明：
通过规划模块得到参考轨迹，通过感知模块得到障碍物数据，通过定位模块得到***状态量以及***控制量；
构建机器人动力学模型、参考轨迹跟踪模型以及带扰动无碰撞约束模型，并通过上述模型构建最优控制问题；
通过零阶鲁棒优化的方法对最优控制问题进行求解的得到最优控制量；
通过积分器对最优控制量进行时间积分得到目标前进速度与目标角速度；
通过电机驱动控制器确定与所述目标前进速度以及目标角速度对应的电机驱动信号；
将所述电机驱动信号发送至所述机器人的移动模块，以使所述移动模块基于所述电机驱动信号带动所述机器人移动；
移动模块可反馈状态信息至电机驱动控制器，如速度信息和/>，以及其他信息/>，用于实现反馈控制。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例所述的方法。
本申请还提供一种用于实施上述机器人控制方法的机器人控制装置，机器人控制装置包括：
第一获取模块，用于获取机器人的当前状态数据以及障碍物数据；
第一构建模块，用于通过所述当前状态数据构建基础运动模型，并通过所述障碍物数据构建带扰动无碰撞约束模型；
第二构建模块，用于根据所述基础运动模型以及所述带扰动无碰撞约束模型构建最优控制问题；
第一求解模块，用于对所述最优控制问题进行求解得到最优控制量；
第一控制模块，用于根据所述最优控制量控制所述机器人移动。
本机器人控制装置通过构建基础运动模型来保证控制与场景的匹配性，同时障碍物数据来构建带扰动无碰撞约束模型，从而使得在结合了扰动因素的无碰撞约束模型的基础上，确定最有控制量；能够避免扰动造成违反无碰撞约束的问题，保证了机器人移动过程中的安全性。
需要说明的是，该实施例中的第一获取模块可以用于执行本申请实施例中的步骤S10，该实施例中的第一构建模块可以用于执行本申请实施例中的步骤S20，该实施例中的第二构建模块可以用于执行本申请实施例中的步骤S30，该实施例中的第一求解模块可以用于执行本申请实施例中的步骤S40，该实施例中的第一控制模块可以用于执行本申请实施例中的步骤S50。
进一步地，所述基础运动模型包括机器人动力学模型以及参考轨迹跟踪模型；所述第一构建模块包括：
第一获取单元，用于获取所述当前状态数据中的状态量数据；
第一构建单元，用于根据所述状态量数据构建机器人动力学模型；
第二获取单元，用于获取所述当前状态数据中的参考轨迹；
第二构建单元，用于根据所述参考轨迹构建所述参考轨迹跟踪模型。
进一步地，所述状态量数据包括***状态量以及***控制量；所述第一构建单元包括：
第一构建子单元，用于根据所述***状态量、所述***控制量构建所述机器人的动力学方程；
第一执行子单元，用于对所述动力学方程进行线性化得到所述机器人动力学模型。
进一步地，所述第一构架模块包括：
第三构建单元，用于构建与所述障碍物数据对应的目标无碰撞约束模型；
第三获取单元，用于获取初始扰动协方差，并对所述初始扰动协方差进行传播得到目标扰动协方差；
第一确定单元，用于通过所述目标无碰撞约束模型与所述目标扰动协方差确定扰动退避项；
第一结合单元，用于将所述目标无碰撞约束模型与所述扰动退避项结合得到所述带扰动无碰撞约束模型。
进一步地，所述第三构建单元包括：
第一获取子单元，用于获取所述机器人的机器人中心坐标以及第一半径，和所述障碍物数据中包括的障碍物中心坐标以及第二半径；
第二构建子单元，用于根据所述机器人中心坐标、所述第一半径、所述障碍物中心坐标以及所述第二半径构建位置约束子模型；
第二获取子单元，用于获取预设速度阈值以及预设加速度阈值；
第一设置子单元，用于根据所述预设速度阈值设置速度约束，根据所述预设加速度阈值设置加速度约束；
第一联合子单元，用于联合所述位置约束子模型、所述速度约束以及所述加速度约束得到所述目标无碰撞约束模型。
进一步地，所述第一求解模块包括：
第一求解单元，用于通过线性规划法对所述最优控制问题进行一次迭代求解得到第一控制量；
第一更新单元，用于通过所述第一控制量对所述带扰动无碰撞约束模型中的扰动退避项进行更新，得到更新后的最优控制问题；
第二求解单元，用于通过线性规划法对更新后的所述最优控制问题进行一次迭代求解得到所述最优控制量。
进一步地，所述第一控制模块包括：
第一积分单元，用于基于当前控制周期对所述最优控制量进行时间积分得到目标前进速度与目标角速度；
第二确定单元，用于确定与所述目标前进速度以及目标角速度对应的电机驱动信号；
第一发送单元，用于将所述电机驱动信号发送至所述机器人的移动模块，以使所述移动模块基于所述电机驱动信号带动所述机器人移动。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。
参照图4，在硬件结构上所述电子设备可以包括通信模块10、存储器20以及处理器30等部件。在所述电子设备中，所述处理器30分别与所述存储器20以及所述通信模块10连接，所述存储器20上存储有计算机程序，所述计算机程序同时被处理器30执行，所述计算机程序执行时实现上述方法实施例的步骤。
通信模块10，可通过网络与外部通讯设备连接。通信模块10可以接收外部通讯设备发出的请求，还可以发送请求、指令及信息至所述外部通讯设备，所述外部通讯设备可以是其它电子设备、服务器或者物联网设备，例如电视等等。
存储器20，可用于存储软件程序以及各种数据。存储器20可主要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***、至少一个功能所需的应用程序（比如获取机器人的当前状态数据以及障碍物数据）等；存储数据区可包括数据库，存储数据区可存储根据***的使用所创建的数据或信息等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器30，是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器20内的软件程序和/或模块，以及调用存储在存储器20内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器30可包括一个或多个处理单元；可选地，处理器30可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器30中。
尽管图4未示出，但上述电子设备还可以包括电路控制模块，所述电路控制模块用于与电源连接，保证其他部件的正常工作。本领域技术人员可以理解，图4中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序。所述计算机可读存储介质可以是图4的电子设备中的存储器20，也可以是如ROM（Read-Only Memory，只读存储器）/RAM（Random Access Memory，随机存取存储器）、磁碟、光盘中的至少一种，所述计算机可读存储介质包括若干指令用以使得一台具有处理器的终端设备(可以是电视，汽车，手机，计算机，服务器，终端，或者网络设备等)执行本发明各个实施例所述的方法。
在本发明中，术语“第一”“第二”“第三”“第四”“第五”仅用于描述的目的，而不能理解为指示或暗示相对重要性，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。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，本发明保护的范围并不局限于此，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改和替换，这些变化、修改和替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种机器人控制方法，其特征在于，所述机器人控制方法包括：
获取机器人的当前状态数据以及障碍物数据；
通过所述当前状态数据构建基础运动模型，并通过所述障碍物数据构建带扰动无碰撞约束模型；
根据所述基础运动模型以及所述带扰动无碰撞约束模型构建最优控制问题；
对所述最优控制问题进行求解得到最优控制量；
根据所述最优控制量控制所述机器人移动。
2.如权利要求1所述的机器人控制方法，其特征在于，所述基础运动模型包括机器人动力学模型以及参考轨迹跟踪模型；所述通过所述当前状态数据构建基础运动模型的步骤包括：
获取所述当前状态数据中的状态量数据；
根据所述状态量数据构建机器人动力学模型；
获取所述当前状态数据中的参考轨迹；
根据所述参考轨迹构建所述参考轨迹跟踪模型。
3.如权利要求2所述的机器人控制方法，其特征在于，所述状态量数据包括***状态量以及***控制量；所述根据所述状态量数据构建机器人动力学模型的步骤包括：
根据所述***状态量、所述***控制量构建所述机器人的动力学方程；
对所述动力学方程进行线性化得到所述机器人动力学模型。
4.如权利要求1所述的机器人控制方法，其特征在于，所述通过所述障碍物数据构建带扰动无碰撞约束模型的步骤包括：
构建与所述障碍物数据对应的目标无碰撞约束模型；
获取初始扰动协方差，并对所述初始扰动协方差进行传播得到目标扰动协方差；
通过所述目标无碰撞约束模型与所述目标扰动协方差确定扰动退避项；
将所述目标无碰撞约束模型与所述扰动退避项结合得到所述带扰动无碰撞约束模型。
5.如权利要求4所述的机器人控制方法，其特征在于，所述构建与所述障碍物数据对应的目标无碰撞约束模型的步骤包括：
获取所述机器人的机器人中心坐标以及第一半径，和所述障碍物数据中包括的障碍物中心坐标以及第二半径；
根据所述机器人中心坐标、所述第一半径、所述障碍物中心坐标以及所述第二半径构建位置约束子模型；
获取预设速度阈值以及预设加速度阈值；
根据所述预设速度阈值设置速度约束，根据所述预设加速度阈值设置加速度约束；
联合所述位置约束子模型、所述速度约束以及所述加速度约束得到所述目标无碰撞约束模型。
6.如权利要求1所述的机器人控制方法，其特征在于，所述对所述最优控制问题进行求解得到最优控制量的步骤包括：
通过线性规划法对所述最优控制问题进行一次迭代求解得到第一控制量；
通过所述第一控制量对所述带扰动无碰撞约束模型中的扰动退避项进行更新，得到更新后的最优控制问题；
通过线性规划法对更新后的所述最优控制问题进行一次迭代求解得到所述最优控制量。
7.如权利要求6所述的机器人控制方法，其特征在于，所述根据所述最优控制量控制所述机器人移动的步骤包括：
基于当前控制周期对所述最优控制量进行时间积分得到目标前进速度与目标角速度；
确定与所述目标前进速度以及目标角速度对应的电机驱动信号；
将所述电机驱动信号发送至所述机器人的移动模块，以使所述移动模块基于所述电机驱动信号带动所述机器人移动。
8.一种机器人控制装置，其特征在于，所述机器人控制装置包括：
第一获取模块，用于获取机器人的当前状态数据以及障碍物数据；
第一构建模块，用于通过所述当前状态数据构建基础运动模型，并通过所述障碍物数据构建带扰动无碰撞约束模型；
第二构建模块，用于根据所述基础运动模型以及所述带扰动无碰撞约束模型构建最优控制问题；
第一求解模块，用于对所述最优控制问题进行求解得到最优控制量；
第一控制模块，用于根据所述最优控制量控制所述机器人移动。
9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的机器人控制方法的步骤。
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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的机器人控制方法的步骤。
CN202311373785.2A 2023-10-23 2023-10-23 机器人控制方法、装置、电子设备及可读存储介质 Active CN117111479B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311373785.2A CN117111479B (zh) 2023-10-23 2023-10-23 机器人控制方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311373785.2A CN117111479B (zh) 2023-10-23 2023-10-23 机器人控制方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN117111479A true CN117111479A (zh) 2023-11-24
CN117111479B CN117111479B (zh) 2024-01-30

Family

ID=88805898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311373785.2A Active CN117111479B (zh) 2023-10-23 2023-10-23 机器人控制方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN117111479B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019047509A1 (zh) * 2017-09-11 2019-03-14 广东工业大学 一种二轮单轨车辆及其平衡的控制方法
CN111452786A (zh) * 2020-04-14 2020-07-28 北京理工大学 一种无人车辆避障方法及***
CN112389427A (zh) * 2021-01-19 2021-02-23 腾讯科技（深圳）有限公司 车辆轨迹优化方法、装置、电子设备和存储介质
CN114783197A (zh) * 2022-04-14 2022-07-22 苏州科技大学 建筑群间无信号灯十字路口多车协同换道控制方法
CN115167466A (zh) * 2022-08-11 2022-10-11 西安交通大学 一种移动机器人标准控制集局部路径规划方法及***
CN115285145A (zh) * 2022-08-08 2022-11-04 北京建筑大学 一种无人驾驶弯道避撞轨迹规划与跟踪控制方法
CN115328165A (zh) * 2022-09-16 2022-11-11 大连理工大学 一种基于安全调运走廊的航母舰载机甲板滑行轨迹规划方法
CN115933643A (zh) * 2022-11-21 2023-04-07 深圳市智绘科技有限公司 机器人的控制方法、装置、电子设备及存储介质
CN116678416A (zh) * 2023-06-01 2023-09-01 上海交通大学 基于Koopman算子双线性MPC的移动机器人导航方法及***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019047509A1 (zh) * 2017-09-11 2019-03-14 广东工业大学 一种二轮单轨车辆及其平衡的控制方法
CN111452786A (zh) * 2020-04-14 2020-07-28 北京理工大学 一种无人车辆避障方法及***
CN112389427A (zh) * 2021-01-19 2021-02-23 腾讯科技（深圳）有限公司 车辆轨迹优化方法、装置、电子设备和存储介质
CN114783197A (zh) * 2022-04-14 2022-07-22 苏州科技大学 建筑群间无信号灯十字路口多车协同换道控制方法
CN115285145A (zh) * 2022-08-08 2022-11-04 北京建筑大学 一种无人驾驶弯道避撞轨迹规划与跟踪控制方法
CN115167466A (zh) * 2022-08-11 2022-10-11 西安交通大学 一种移动机器人标准控制集局部路径规划方法及***
CN115328165A (zh) * 2022-09-16 2022-11-11 大连理工大学 一种基于安全调运走廊的航母舰载机甲板滑行轨迹规划方法
CN115933643A (zh) * 2022-11-21 2023-04-07 深圳市智绘科技有限公司 机器人的控制方法、装置、电子设备及存储介质
CN116678416A (zh) * 2023-06-01 2023-09-01 上海交通大学 基于Koopman算子双线性MPC的移动机器人导航方法及***

Also Published As

Publication number Publication date
CN117111479B (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
US11878427B2 (en) Robot navigation using 2D and 3D path planning
Zips et al. Optimisation based path planning for car parking in narrow environments
Pacheco et al. Testing PID and MPC performance for mobile robot local path-following
KR102303126B1 (ko) 사용자 선호에 따른 강화학습 기반 자율주행 최적화 방법 및 시스템
US20240009841A1 (en) Dynamic target tracking method, robot and computer-readable storage medium
CN112066976A (zh) 一种自适应膨胀处理方法、***、机器人及存储介质
CN116416277A (zh) 一种基于运动方程轨迹预测的多目标跟踪方法及装置
Das Sharma et al. Harmony search-based hybrid stable adaptive fuzzy tracking controllers for vision-based mobile robot navigation
CN117111479B (zh) 机器人控制方法、装置、电子设备及可读存储介质
CN113988196A (zh) 一种机器人移动方法、装置、设备及存储介质
Wang et al. Tracking moving target for 6 degree-of-freedom robot manipulator with adaptive visual servoing based on deep reinforcement learning PID controller
CN114740849B (zh) 基于行人步行决策规则的移动机器人自主导航方法及装置
CN115933643A (zh) 机器人的控制方法、装置、电子设备及存储介质
US20220281444A1 (en) Vehicle path generation method, vehicle path generation device, vehicle, and program
Subramanian et al. Robust nmpc schemes for the control of mobile robots in the presence of dynamic obstacles
Ren et al. Spherical robot: A novel robot for exploration in harsh unknown environments
Boutalbi et al. A high-performance control algorithm based on a curvature-dependent decoupled planning approach and flatness concepts for non-holonomic mobile robots
CN113910221A (zh) 一种机械臂自主运动规划方法、装置、设备及存储介质
JP2021165875A (ja) 制御プラットフォーム及び制御方法
CN112428275A (zh) 机器人运动规划方法、装置、可移动机器人及存储介质
Aditya et al. Automated Valet Parking using Double Deep Q Learning
Pålsson et al. Nonlinear model predictive control for constant distance between autonomous transport robots
Neuman et al. Anytime policy planning in large dynamic environments with interactive uncertainty
JP7459238B2 (ja) ユーザ選好による強化学習基盤の自律走行最適化方法およびシステム
CN117539266B (zh) 基于视觉的物流***中路径规划方法、装置和电子设备

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