CN117387631B

CN117387631B - 一种机器人的路径规划方法、设备及介质

Info

Publication number: CN117387631B
Application number: CN202311695549.2A
Authority: CN
Inventors: 罗莎; 李庆党; 楚电明; 张明月; 马成
Original assignee: Qingdao University of Science and Technology
Current assignee: Qingdao University of Science and Technology
Priority date: 2023-12-12
Filing date: 2023-12-12
Publication date: 2024-03-22
Anticipated expiration: 2043-12-12
Also published as: CN117387631A

Abstract

本申请公开了一种机器人的路径规划方法、设备及介质，方法包括：根据机器人对应的环境信息确定初始的搜索树，并确定搜索树的初始点和目标点，其中，环境信息包括障碍物信息；确定预先设置的多个采样点，根据环境信息确定多个采样点对应的障碍度密度和路径平滑度，以根据障碍度密度和路径平滑度确定最优采样点；根据环境信息确定目标点引力和障碍物斥力，以根据最优采样点、目标点引力和障碍物斥力确定策略模型；通过策略模型进行碰撞检测，以确定新节点，并根据新节点对搜索树进行多次更新，以通过多次更新后的搜索树确定机器人的路径。本申请环境适应能力强、采样精度高、扩展精度高。

Description

一种机器人的路径规划方法、设备及介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种机器人的路径规划方法、设备及介质。

背景技术

路径规划是移动机器人领域的一个重要组成部分，传统的路径规划代表算法包括人工势场法。人工势场法的基本思想是在移动机器人的工作环境中构造一个人工势场，势场中包括斥力极和吸引极，使得在该势场中的移动机器人受到其目标位姿引力场和障碍物周围斥力场的共同作用，朝目标前进。

目前，工业机器人在路径规划时面临的主要问题是环境适应能力差、随机性高、效率低，且主要困难是工业机器人路径规划过程复杂，涉及维度空间高、碰撞检测复杂，需要逆运动学求解。这导致应用于移动机器人的传统路径规划方法不完全适用于工业机器人。快速随机搜索树算法具有概率完备和适用于高维空间路径规划的特点。因此它适用于工业机器人路径规划，在已知工业机器人初始位置和目标位置的前提下，规划出一条无碰撞路径。但由于传统的快速随机搜索树算法随机性强、效率低，使得算法的环境适应能力差，规划效率低。

发明内容

为了解决上述问题，本申请提出了一种机器人的路径规划方法，包括：根据机器人对应的环境信息确定初始的搜索树，并确定所述搜索树的初始点和目标点，其中，所述环境信息包括障碍物信息；确定预先设置的多个采样点，根据所述环境信息确定所述多个采样点对应的障碍度密度和路径平滑度，以根据所述障碍度密度和所述路径平滑度确定最优采样点；根据所述环境信息确定目标点引力和障碍物斥力，以根据所述最优采样点、所述目标点引力和所述障碍物斥力确定策略模型；通过所述策略模型进行碰撞检测，以确定新节点，并根据所述新节点对所述搜索树进行多次更新，以通过多次更新后的所述搜索树确定所述机器人的路径。

在一个示例中，根据所述环境信息确定所述多个采样点对应的障碍度密度和路径平滑度，具体包括：根据所述障碍物信息确定所述多个采样点对应的最小障碍物距离，并根据所述最小障碍物距离计算所述障碍物密度，所述障碍物密度的计算公式为：

其中，为所述障碍物密度，/>表示第i个采样点，/>表示所述最小障碍物距离对应的障碍物，/>表示障碍物的总体积；确定所述搜索树的节点，根据所述搜索树的节点确定采样点对应的多个节点距离，并根据所述多个节点距离确定最近节点，以根据所述最近节点计算所述路径平滑度，所述路径平滑度的计算公式为：

其中，为所述路径平滑度，/>表示所述最近节点，表示第i个采样点与所述最近节点的直线与直线/>的夹角，/>表示/>的父节点。

在一个示例中，根据所述障碍度密度和所述路径平滑度确定最优采样点，具体包括：确定预先设置的质量影响因子，根据所述质量影响因子、所述障碍度密度和所述路径平滑度计算所述多个采样点对应的采样质量，以根据所述采样质量确定所述最优采样点，所述采样质量的计算公式为：

其中，为所述采样质量，/>为所述障碍物密度对应的质量影响因子，/>为所述路径平滑度对应的质量影响因子。

在一个示例中，根据所述环境信息确定目标点引力和障碍物斥力之前，所述方法还包括：确定所述机器人对应的引力势场和斥力势场，所述引力势场的计算公式为：

其中，为所述引力势场，/>为预先设置的引力系数，/>表示所述机器人，表示所述目标点，/>表示所述机器人与所述目标点之间的距离，/>为所述机器人到达所述目标点的阈值；所述斥力势场的计算公式为：

其中，为所述斥力势场，/>为预先设置的斥力系数，/>表示障碍物，表示所述机器人与所述障碍物之间的距离，/>为所述机器人到达所述障碍物的阈值，/>为预先确定的距离影响因子。

在一个示例中，根据所述环境信息确定目标点引力和障碍物斥力，具体包括：根据所述引力势场计算所述目标点对所述新节点的目标点引力，所述目标点引力的计算公式为：

其中，为所述目标点引力；根据所述斥力势场计算所述障碍物对所述新节点的障碍物斥力，所述障碍物斥力的计算公式为：

其中，为所述障碍物斥力。

在一个示例中，根据所述最优采样点、所述目标点引力和所述障碍物斥力确定策略模型，具体包括：根据所述目标点引力和所述障碍物斥力计算势场合力，并根据所述势场合力确定所述策略模型，所述势场合力的计算公式为：

其中，为所述势场合力；所述策略模型的表达式为：

其中，表示所述新节点，/>表示所述采样点的最近节点，/>表示所述采样点，/>为所述采样点对所述新节点的引力影响因子，/>为所述势场合力对所述新节点的引力影响因子，/>为所述势场合力的大小。

在一个示例中，所述方法还包括：根据所述新节点和所述最近节点确定路径，并根据所述环境信息确定障碍物；根据所述路径与所述障碍物确定是否存在碰撞；若存在碰撞，则将所述新节点进行舍弃；若不存在碰撞，则将所述新节点加入至所述搜索树中，以对所述搜索树进行更新，并将所述新节点作为根节点进行扩展搜索，以确定所述路径。

在一个示例中，所述方法还包括：根据所述环境信息计算所述机器人对应的环境复杂度，所述复杂度的计算公式为：

其中，为所述复杂度，/>为环境体积，/>为静态障碍物的数量，/>为动态障碍物的数量，/>为静态障碍物的体积，/>为动态障碍物的体积，/>为静态障碍物的复杂度影响因子，/>为动态障碍物的复杂度影响因子，/>且/>。

另一方面，本申请还提出了一种机器人的路径规划设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述一种机器人的路径规划设备能够执行：根据机器人对应的环境信息确定搜索树，并确定所述搜索树的初始点和目标点，其中，所述环境信息包括障碍物信息；确定预先设置的多个采样点，根据所述环境信息确定所述多个采样点对应的障碍度密度和路径平滑度，以根据所述障碍度密度和所述路径平滑度确定最优采样点；根据所述环境信息确定目标点引力和障碍物斥力，以根据所述最优采样点、所述目标点引力和所述障碍物斥力确定策略模型；通过所述策略模型进行碰撞检测，以确定新节点，并根据所述新节点对所述搜索树进行更新，以通过更新后的所述搜索树确定所述机器人的路径。

另一方面，本申请还提出了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：根据机器人对应的环境信息确定搜索树，并确定所述搜索树的初始点和目标点，其中，所述环境信息包括障碍物信息；确定预先设置的多个采样点，根据所述环境信息确定所述多个采样点对应的障碍度密度和路径平滑度，以根据所述障碍度密度和所述路径平滑度确定最优采样点；根据所述环境信息确定目标点引力和障碍物斥力，以根据所述最优采样点、所述目标点引力和所述障碍物斥力确定策略模型；通过所述策略模型进行碰撞检测，以确定新节点，并根据所述新节点对所述搜索树进行更新，以通过更新后的所述搜索树确定所述机器人的路径。

本申请根据环境适应度进行函数计算，能够适应不同障碍物分布的环境。设计最优采样策略，根据工业机器人的位置以及环境中障碍物的位置，初始位置和目标位置连线，确定最优采样点。设计场协同扩展策略，根据目标点、采样点的引力和障碍物斥力作用，快速计算得到新节点。本申请环境适应能力强、采样精度高、扩展精度高。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例中一种机器人的路径规划方法的流程示意图；

图2为本申请实施例中一种机器人的路径规划设备的示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅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。

以下结合附图，详细说明本申请各实施例提供的技术方案。

如图1所示，为了解决上述问题，本申请实施例提供的一种机器人的路径规划方法，方法包括：

S101、根据机器人对应的环境信息确定初始的搜索树，并确定所述搜索树的初始点和目标点，其中，所述环境信息包括障碍物信息。

搜索树是一种高效的数据结构，它可以用于快速查找和***数据。针对机器人的路径规划建立初始的搜索树，确定初始的搜索树的初始点和目标点。

在一个实施例中，根据机器人所在环境的障碍物的信息计算环境复杂度函数，环境复杂度函数的公式为：

其中，为复杂度，/>为环境的总体积，/>为环境中的静态障碍物的数量，/>为环境中的动态障碍物的数量，/>为静态障碍物的体积，/>为动态障碍物的体积，/>为静态障碍物的复杂度影响因子，/>为动态障碍物的复杂度影响因子，/>且/>。本实施例主要涉及静态障碍物，所以/>，/>。

环境复杂度函数用于决定算法的总迭代次数，环境复杂度函数值越大，说明环境越复杂，则需要算法的整体迭代次数越多。

S102、确定预先设置的多个采样点，根据所述环境信息确定所述多个采样点对应的障碍度密度和路径平滑度，以根据所述障碍度密度和所述路径平滑度确定最优采样点。

随机产生多个采样点，以各个采样点的障碍物密度和采样点产生路径的平滑度来确定采样质量函数，以便于选择质量最优的随机采样点。

在一个实施例中，最优采样策略模型如下所示：

其中，为采样质量，/>为障碍物密度对应的质量影响因子，/>为路径平滑度对应的质量影响因子，/>，/>。/>为障碍物密度，/>表示第i个随机采样点，/>表示最小障碍物距离对应的障碍物，/>表示障碍物的总体积；/>为路径平滑度，/>表示最近节点，/>表示第i个随机采样点与最近节点的直线与直线/>的夹角，/>表示/>的父节点。

根据障碍物信息确定多个随机采样点对应的最小障碍物距离，并根据最小障碍物距离计算障碍物密度。

确定搜索树的节点，根据搜索树的节点确定随机采样点对应的多个节点距离，并根据多个节点距离确定最近节点，以根据最近节点计算路径平滑度。

确定预先设置的质量影响因子，根据质量影响因子、障碍度密度和路径平滑度计算多个采样点对应的采样质量，以根据采样质量确定最优采样点。

S103、根据所述环境信息确定目标点引力和障碍物斥力，以根据所述最优采样点、所述目标点引力和所述障碍物斥力确定策略模型。

预先设置随机采样点到目标点的距离影响因子，然后在搜索树中寻找距离最优采样点最近的节点记为/>，根据最优采样点、目标点的引力和障碍物斥力建立场协同扩展策略模型，引导新节点的扩展。

在一个实施例中，确定机器人对应的引力势场和斥力势场，引力势场的计算公式为：

其中，为引力势场，/>为预先设置的引力系数，引力系数是在领域内的一个常数，/>表示机器人，/>表示目标点，/>表示机器人与目标点之间的距离，为预先设定的机器人到达目标点的障碍物影响阈值，是一个预先设置的固定值。当，则机器人快速向目标点靠近，当/>，则节点慢速靠近目标点。

斥力势场的计算公式为：

其中，为斥力势场，/>为预先设置的斥力系数，/>表示障碍物，表示机器人与最近的障碍物之间的距离，/>为预先设定的机器人到达障碍物的阈值，/>为预先确定的距离影响因子。当/>，则节点不仅受到障碍物斥力势场的影响也受到障碍物与其相对速度的影响。

在一个实施例中，根据引力势场计算目标点对新节点的目标点引力，目标点引力的计算公式为：

其中，为目标点引力；

根据斥力势场计算障碍物对新节点的障碍物斥力，障碍物斥力的计算公式为：

其中，为障碍物斥力。

在一个实施例中，根据目标点引力和障碍物斥力计算势场合力，并根据势场合力确定策略模型，势场合力的计算公式为：

其中，为势场合力；

策略模型的表达式为：

其中，表示新节点，/>表示最优采样点的最近节点，/>表示最优采样点，/>为预先设置的采样点对新节点的引力影响因子，/>为预先设置的势场合力对新节点的引力影响因子，/>为所述势场合力的大小。/>，/>。

S104、通过所述策略模型进行碰撞检测，以确定新节点，并根据所述新节点对所述搜索树进行多次更新，以通过多次更新后的所述搜索树确定所述机器人的路径。

在一个实施例中，碰撞检测，判断和/>的连线是否与障碍物发生碰撞，如果发生碰撞，则舍弃/>，并返回到最初的初始化搜索树；若没有发生碰撞，则将加入到搜索树并更新搜索树，以/>为根节点继续扩展搜索，直到/>到达目标点为止，路径搜索成功。查询路径上的节点数量，并连接成路径。

如图2所示，本申请实施例还提供了一种机器人的路径规划设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述一种机器人的路径规划设备能够执行：

根据机器人对应的环境信息确定搜索树，并确定所述搜索树的初始点和目标点，其中，所述环境信息包括障碍物信息；

确定预先设置的多个采样点，根据所述环境信息确定所述多个采样点对应的障碍度密度和路径平滑度，以根据所述障碍度密度和所述路径平滑度确定最优采样点；

根据所述环境信息确定目标点引力和障碍物斥力，以根据所述最优采样点、所述目标点引力和所述障碍物斥力确定策略模型；

通过所述策略模型进行碰撞检测，以确定新节点，并根据所述新节点对所述搜索树进行更新，以通过更新后的所述搜索树确定所述机器人的路径。

本申请实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：如上述一种机器人的路径规划设备能够执行的指令。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims

1.一种机器人的路径规划方法，其特征在于，包括：

根据机器人对应的环境信息确定初始的搜索树，并确定所述搜索树的初始点和目标点，其中，所述环境信息包括障碍物信息；

确定预先设置的多个采样点，根据所述环境信息确定所述多个采样点对应的障碍物密度和路径平滑度，以根据所述障碍物密度和所述路径平滑度确定最优采样点；

通过所述策略模型进行碰撞检测，以确定新节点，并根据所述新节点对所述搜索树进行多次更新，以通过多次更新后的所述搜索树确定所述机器人的路径；

根据所述环境信息确定所述多个采样点对应的障碍物密度和路径平滑度，具体包括：

根据所述障碍物信息确定所述多个采样点对应的最小障碍物距离，并根据所述最小障碍物距离计算所述障碍物密度，所述障碍物密度的计算公式为：

其中，为所述障碍物密度，/>表示第i个采样点，/>表示所述最小障碍物距离对应的障碍物，/>表示障碍物的总体积；

确定所述搜索树的节点，根据所述搜索树的节点确定采样点对应的多个节点距离，并根据所述多个节点距离确定最近节点，以根据所述最近节点计算所述路径平滑度，所述路径平滑度的计算公式为：

其中，为所述路径平滑度，/>表示所述最近节点，/>表示第i个采样点与所述最近节点的直线与直线/>的夹角，/>表示的父节点；

根据所述环境信息确定目标点引力和障碍物斥力之前，所述方法还包括：

确定所述机器人对应的引力势场和斥力势场，所述引力势场的计算公式为：

其中，为所述引力势场，/>为预先设置的引力系数，/>表示所述机器人，/>表示所述目标点，/>表示所述机器人与所述目标点之间的距离，/>为所述机器人到达所述目标点的阈值；

所述斥力势场的计算公式为：

其中，为所述斥力势场，/>为预先设置的斥力系数，/>表示所述最小障碍物距离对应的障碍物，/>表示所述机器人与所述最小障碍物距离对应的障碍物之间的距离，/>为所述机器人到达所述障碍物的阈值，/>为预先确定的距离影响因子；

根据所述环境信息确定目标点引力和障碍物斥力，具体包括：

根据所述引力势场计算所述目标点对所述新节点的目标点引力，所述目标点引力的计算公式为：

其中，为所述目标点引力；

根据所述斥力势场计算所述障碍物对所述新节点的障碍物斥力，所述障碍物斥力的计算公式为：

其中，为所述障碍物斥力；

根据所述最优采样点、所述目标点引力和所述障碍物斥力确定策略模型，具体包括：

根据所述目标点引力和所述障碍物斥力计算势场合力，并根据所述势场合力确定所述策略模型，所述势场合力的计算公式为：

其中，为所述势场合力；

所述策略模型的表达式为：

2.根据权利要求1所述的方法，其特征在于，根据所述障碍物密度和所述路径平滑度确定最优采样点，具体包括：

确定预先设置的质量影响因子，根据所述质量影响因子、所述障碍物密度和所述路径平滑度计算所述多个采样点对应的采样质量，以根据所述采样质量确定所述最优采样点，所述采样质量的计算公式为：

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述新节点和所述最近节点确定路径，并根据所述环境信息确定障碍物；

根据所述路径与所述障碍物确定是否存在碰撞；

若存在碰撞，则将所述新节点进行舍弃；

若不存在碰撞，则将所述新节点加入至所述搜索树中，以对所述搜索树进行更新，并将所述新节点作为根节点进行扩展搜索，以确定所述路径。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述环境信息计算所述机器人对应的环境复杂度，所述复杂度的计算公式为：

5.一种机器人的路径规划设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述一种机器人的路径规划设备能够执行：如权利要求1-4任一项所述的一种机器人的路径规划方法。

6.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：如权利要求1-4任一项所述的一种机器人的路径规划方法。