CN117452932A - 多机器人分布式协同作业方法及*** - Google Patents
多机器人分布式协同作业方法及*** Download PDFInfo
- Publication number
- CN117452932A CN117452932A CN202311344098.8A CN202311344098A CN117452932A CN 117452932 A CN117452932 A CN 117452932A CN 202311344098 A CN202311344098 A CN 202311344098A CN 117452932 A CN117452932 A CN 117452932A
- Authority
- CN
- China
- Prior art keywords
- robot
- simulation
- path
- collision
- planning
- 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 92
- 238000004088 simulation Methods 0.000 claims abstract description 183
- 238000012795 verification Methods 0.000 claims abstract description 53
- 230000003068 static effect Effects 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 18
- 230000033001 locomotion Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Manipulator (AREA)
Abstract
本发明涉及机器人智能控制技术领域，具体涉及一种多机器人分布式协同作业方法及***，包括：对作业场景进行三维建模；将三维物理模型转换为地图模型；搭建仿真验证环境；获得各仿真机器人的无碰撞全局作业规划路径；控制各仿真机器人进行静态和动态障碍物的避障验证，得到各仿真机器人在无碰撞控制指令下的仿真作业轨迹；将仿真作业轨迹与规划路径进行差异对比，进行参数的优化和调整，最终得到可以应用于真实常态化作业场景的多机器人分布式协同作业方法。本发明旨在解决现有技术未对机器人作业环境进行描述或描述不够准确，多机器人协同作业算法的验证独立于实际运行环境而难以直接应用于现实场景的问题。
Description
技术领域
本发明涉及机器人智能控制技术领域，具体来说涉及一种多机器人分布式协同作业方法及***。
背景技术
随着智能控制技术的快速发展，越来越多的机器人投入使用，它们可以代替人类在一些特殊环境如狭窄管道、工业生产容器中执行探测、搜索等作业任务，并显著提升作业效率。与机器人单体作业相比，多机器人分布式协同作业具有更强的稳定性和实用性，因此对多机器人分布式协同作业方法的研究也备受关注。
但是目前相关研究重点集中在分布式协同控制技术领域，大多忽视了对机器人***作业环境的建模，没有实现其与分布式协同作业算法开发、协同作业仿真验证的有机统一，存在未对机器人作业环境进行描述或描述不够准确、多机器人协同作业算法的验证独立于实际运行环境而难以直接应用于现实场景等问题。而常态化作业环境具有场景相对固定的特点，通过对给定的机器人作业环境进行较为精确化的数学描述并基于此开展多机器人***作业算法和功能验证方法的研究具有重要现实应用意义。
发明内容
本发明针对常态化作业环境进行精确的数学描述，形成在该作业环境下多机器人分布式协同作业机制，并通过仿真手段对此作业机制进行验证。根据验证结论不断修正和迭代改进作业机制，最终为实际进行多机器人协同作业提供最优化方案。从而，解决了现有技术存在未对机器人作业环境进行描述或描述不够准确，多机器人协同作业算法的验证独立于实际运行环境而难以直接应用于现实场景的问题。本发明的具体内容如下：
一种多机器人分布式协同作业方法，应用于常态化作业场景，所述方法包括：
S1，对所述作业场景进行三维建模，得到三维物理模型；
S2，将所述三维物理模型转换为地图模型；
S3，利用机器人仿真模拟器，以所述地图模型为基础，搭建仿真验证环境；所述仿真验证环境包括，仿真作业场景和仿真机器人；
S4，对各所述仿真机器人在所述仿真作业场景中进行路径规划，得到无碰撞全局作业规划路径；
S5，根据所述无碰撞全局作业规划路径，控制各所述仿真机器人进行针对所述仿真验证环境中障碍物的静态避障以及所述仿真机器人相互间的动态避碰验证，得到各所述仿真机器人在无碰撞控制指令下的仿真作业轨迹；
S6，将所述仿真作业轨迹与所述无碰撞全局作业规划路径进行差异对比，重复所述S4和S5进行路径规划和运动控制参数的优化和调整，得到可以应用于真实常态化作业场景的多机器人分布式协同作业方法。
进一步的，所述将所述三维物理模型转换为地图模型包括：
S21，将所述三维物理模型的坐标系进行平移或旋转变换，得到转换后的三维物理模型；
S22，以采样的方式基于所述转换后的三维物理模型生成点云格式模型；
S23，以所述点云格式模型中每个点为中心并设置边长值，生成立方体，形成初始地图模型；
S24，设置膨胀半径；在所述初始地图模型中各占据障碍点的前、后、左、右方向的距离等于所述膨胀半径的位置处***新的占据障碍点，实现所述初始地图模型的膨胀，得到所述地图模型。
进一步的，所述对各所述仿真机器人在所述仿真验证环境中进行路径规划，得到无碰撞全局作业规划路径，包括：
S41，初始化各所述仿真机器人；为各所述仿真机器人输入所述地图模型和每个所述仿真机器人的编号i,i＝0,1,…,I-1，I为所述仿真机器人的数量；根据所述仿真作业场景和作业方式从每个所述仿真机器人的作业航迹关键点集合keyPointsi中选取所述作业航迹关键点 ni＝0,1,…,Ni-1，Ni为第i个所述仿真机器人的所述作业航迹关键点的数量，/>表示第i个所述仿真机器人的第ni个所述作业航迹关键点；
S42，依次选取所述作业航迹关键点和/>得到相邻两点间无碰撞作业规划路径/>
S43，将所述相邻两点间无碰撞作业规划路径首尾相连得到遍历所有所述作业航迹关键点/>的完整规划路径connectedPathi；
S44，对所述完整规划路径connectedPathi进行轨迹光滑优化，得到每个所述仿真机器人的作业规划路径globalPathi，所述globalPathi为：
其中为所述作业规划路径中第m个规划路径点的位置信息，为：
0≤m≤M-1，M为所述作业规划路径中规划路径点的总个数，分别为第i个所述仿真机器人的第m个所述规划路径点X,Y,Z方向的坐标值；
S45，将轨迹光滑优化后，在光滑后的曲线上从起点开始，根据设定的采样步长均匀采点，并按照采集顺序，依次将各路径点存储在所述作业规划路径globalPathi中，得到所述无碰撞全局作业规划路径GlobalPathi。
进一步的，所述依次选取所述作业航迹关键点和/>得到相邻两点间的无碰撞作业规划路径/>包括：
S421，以所述作业航迹关键点作为根节点，利用先验随机树生成算法，迭代生成扩展分支节点/>为迭代第k次的扩展分支节点，k＝0,1,…,K-1，K为所述扩展分支节点的总数；
S422，利用开源碰撞检测库，检测所述扩展分支节点是否与所述地图模型中的静态障碍物有碰撞；如果有碰撞，则舍弃当前所述扩展分支节点/>如果没有碰撞则保留当前所述扩展分支节点/>
S423，重复所述S421和S422，直到所述扩展树到达所述作业航迹关键点的阈值范围或者达到设置的最大迭代次数；
S424，从最后一个所述扩展分支节点开始，根据所述扩展分支节点的连接情况，依次回溯至所述根节点/>将每个经过的所述扩展分支节点/>依次连接得到所述无碰撞作业规划路径/>
进一步的，所述根据所述无碰撞全局作业规划路径，控制各所述仿真机器人进行针对所述仿真验证环境中障碍物的静态避障以及所述仿真机器人相互间的动态避碰验证，得到各所述仿真机器人在无碰撞控制指令下的仿真作业轨迹，包括：
S51，为各所述仿真机器人i输入控制指令更新的时间间隔Δt,Δt>0，以及所述无碰撞全局作业规划路径globalPathi；
S52，设置初始化时间t＝t0；获取全部所述仿真机器人i初始状态的位置信息和速度信息，并存储于状态向量robotStateVectort，
为所述仿真机器人i在t时刻的状态信息，xt,yt,zt分别表示t时刻所述仿真机器人i在所述地图模型的全局坐标系中的X,Y,Z方向的位置坐标值，twist_xt,twist_yt,twist_zt分别表示t时刻所述仿真机器人i沿所述全局坐标系X,Y,Z方向的速度值；
S53，利用所述状态信息和所述无碰撞全局作业规划路径globalPathi得到当前t时刻局部目标点所对应的路径点索引号indext，0≤indext≤M-1，为当前时刻的局部目标点，所述路径点索引号indext的模型为：
其中：threshold为设定的阈值，threshold>0；
S54，根据所述状态向量robotStateVectort、所述地图模型，以及利用最佳相互避障算法和所述开源碰撞检测库计算所述仿真机器人i在下一时刻能够避免与静态障碍物以及其他所述仿真机器人发生碰撞的新速度twist_xnew、twist_ynew、twist_znew；
S55，计算各所述仿真机器人i下一刻的所述位置坐标值和所述速度值：
twistx t+Δt＝twistx new
twist_yt+Δt＝twist_ynew
twist_zt+Δt＝twist_znew
更新所述状态信息和所述状态向量robotStateVectort：
S56，更新t＝t+Δt；重复所述S53、S54和S55步骤，驱动所述仿真机器人i无碰撞地完成对所述全局作业规划路径globalPathi的跟踪，得到所述仿真机器人i的仿真作业轨迹。
进一步的，所述障碍物包括，设定一台所述仿真机器人出现故障停留在原地形成意外出现的所述障碍物。
进一步的，所述差异对比包括，所述仿真作业轨迹与所述无碰撞全局作业规划路径的偏差值、动态和静态避障的成功率以及所述仿真作业轨迹的光滑度。
进一步的，所述方法还包括利用YAML文件对所述仿真机器人数量、路径规划参数和控制指令参数进行修改。
进一步的，所述三维物理模型的格式为stl或obj格式。
一种多机器人分布式协同作业***，所述***包括：
三维模型格式转换模块，用于将所述作业场景的所述三维物理模型转换为所述地图模型；
全局作业路径规划模块，用于为各所述仿真机器人规划从起点到目标点间的无碰撞全局作业规划路径；
分布式运动控制模块，用于实时控制各所述仿真机器人在所述地图模型中作业过程的下一刻速度和位置，以使所述仿真机器人具有避免发生相互间碰撞以及避开静态障碍物的功能；
仿真验证模块，用于搭建所述仿真验证环境，并利用所述三维模型格式转换模块、全局作业路径规划模块和分布式运动控制模块在所述仿真验证环境中验证多机器人分布式协同作业方法的可行性，依据验证结果对所述路径规划和控制指令参数进行迭代优化，最终得到可以应用于真实常态化作业场景的多机器人分布式协同作业方法。
本发明的有益效果是：
(1)通过将常态化作业场景转换为地图模型，并搭建仿真验证环境，可以将真实的作业场景模型化，为验证多机器人分布式协同作业方法的可行性提供基础数据支撑。
(2)对各所述仿真机器人进行无碰撞全局作业路径规划，可以为多机器人作业过程中提供模拟的规划路径。
(3)为各所述仿真机器人计算的无碰撞控制指令，实现了在规划路径基础上对多机器人协同作业进行实时的避障控制，得到了仿真作业轨迹。
(4)通过将仿真作业轨迹与无碰撞全局作业规划路径进行差异对比，并对路径规划和控制指令参数迭代优化，最终得到可以应用于真实常态化作业场景的多机器人分布式协同作业方法。
通过上述针对常态化作业场景的多机器人协同作业仿真验证，可以将最终得到的最优化的验证方法直接实施到真实场景多机器人协同作业中，避免了真实作业中多机器人的静态和动态碰撞。从而解决了现有技术存在未对机器人作业环境进行描述或描述不够准确，多机器人协同作业算法的验证独立于实际运行环境而难以直接应用于现实场景的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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实施例。
图1为多机器人分布式协同作业方法的整体工作流程图；
图2为多机器人分布式协同作业方法及***的常态化作业环境三维物理模型构建与格式转换机制实现流程图；
图3为多机器人分布式协同作业方法及***的分布式协同作业机制实现流程图；
图4为多机器人分布式协同作业方法及***的仿真验证模块组成部分及与其他模块关系示意图；
图5为多机器人分布式协同作业方法及***的柱状容器三维物理模型格式转换效果图；
图6为多机器人分布式协同作业方法及***不同环境以及不同作业方式下的多机器人仿真作业轨迹效果图；
图7为多机器人分布式协同作业方法及***模拟一台仿真机器人发生故障后另一台仿真机器人的仿真作业轨迹效果图。
图8为多机器人分布式协同作业***的组成结构图。
图中：1.地图模型；2.仿真机器人；21.正常工作的仿真机器人；22.发生故障的仿真机器人；3.静态障碍物；4.仿真作业轨迹。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
请参考图1，图1为多机器人分布式协同作业方法的整体工作流程图，本发明提供的一种多机器人分布式协同作业方法，应用于常态化作业场景，所述方法包括：
S1，对所述作业场景进行三维建模，得到三维物理模型；
S2，将所述三维物理模型转换为地图模型；
S3，利用机器人仿真模拟器，以所述地图模型为基础，搭建仿真验证环境；所述仿真验证环境包括，仿真作业场景和仿真机器人；
S4，对各所述仿真机器人在所述仿真作业场景中进行路径规划，得到无碰撞全局作业规划路径；
S5，根据所述无碰撞全局作业规划路径，控制各所述仿真机器人进行针对所述仿真验证环境中障碍物的静态避障以及所述仿真机器人相互间的动态避碰验证，得到各所述仿真机器人在无碰撞控制指令下的仿真作业轨迹；
S6，将所述仿真作业轨迹与所述无碰撞全局作业规划路径进行差异对比，重复所述S4和S5进行路径规划和运动控制参数的优化和调整，得到可以应用于真实常态化作业场景的多机器人分布式协同作业方法。
需要说明的是，常态化作业场景是指机器人作业的场地相对固定且作业环境不变，例如形状固定的容器、管道等。
需要说明的是，三维物理模型为stl或obj格式的三维物理模型。优选采用CAD、SolidWorks等软件对所述作业场景进行三维建模。
需要说明的是，机器人仿真模拟器，优选采用Gazebo或UWSim仿真器构建基于三维物理模型包含仿真作业场景和若干仿真机器人的仿真验证环境。
需要说明的是，S5步骤中根据所述无碰撞全局作业规划路径的同时还要以各所述仿真机器人的位置以及所述地图模型为基础，实时计算各所述仿真机器人下一刻的运动方向和位置，并生成控制指令控制各所述仿真机器人进行针对所述仿真验证环境中障碍物的静态避障以及所述仿真机器人相互间的动态避碰验证，得到各所述仿真机器人在无碰撞控制指令下的仿真作业轨迹；
具体实施中，通过将常态化作业场景转换为地图模型，并搭建仿真验证环境，可以将真实的作业场景模型化，为验证多机器人分布式协同作业方法的可行性提供基础数据支撑；对各所述仿真机器人进行无碰撞全局作业路径规划，可以为多机器人作业过程中提供模拟的规划路径；对为各所述仿真机器人在实时计算无碰撞控制指令下的仿真作业轨迹，实现了在规划路径基础上对多机器人协同作业进行实时的避障控制，并能够得到仿真作业轨迹；通过将仿真作业轨迹与无碰撞全局作业规划路径进行差异对比，并对路径规划和控制指令参数迭代优化，最终得到可以应用于真实常态化作业场景的多机器人分布式协同作业方法。
通过上述针对常态化作业场景的多机器人协同作业仿真验证，可以将最终得到的最优化的验证方法直接实施到真实场景多机器人协同作业中，避免了真实作业中多机器人的静态和动态碰撞。从而解决了现有技术存在未对机器人作业环境进行描述或描述不够准确，多机器人协同作业算法的验证独立于实际运行环境而难以直接应用于现实场景的问题。
在本发明提供的实施方式中，请参考图2和图5，图2为多机器人分布式协同作业方法的常态化作业环境三维物理模型构建与格式转换机制实现流程图，图5为多机器人分布式协同作业方法及***的柱状容器三维物理模型格式转换效果图，上述S2步骤的子步骤包括：
S21，将所述三维物理模型的坐标系进行平移或旋转变换，得到转换后的三维物理模型；
需要说明的是，由于三维物理模型绘制与导出阶段模型的坐标系原点或坐标轴可能发生改变，因此需要将stl或obj格式的三维物理模型的坐标系进行平移或旋转变换，转换方式优选可以通过MeshLab工具进行作业环境三维物理模型的坐标系平移或旋转变换。
S22，以采样的方式基于所述转换后的三维物理模型生成点云格式模型；
需要说明的是，优选利用点云库的命令行工具pcl_mesh2PCD以采样的方式将所述转换后的三维物理模型生成PCD点云格式模型；通过指定参数leaf_size控制采样密度。
需要说明的是，PCD(英文全称：Point Cloud Date，中文译名：点云数据)对应的文件格式为(*.pcd)，是PCL官方指定格式，具有ASCII和binary两种数据存储类型，PCD格式具有文件头，用于描绘点云的整体信息。
S23，以所述点云格式模型中每个点为中心并设置边长值，生成立方体，形成初始地图模型；
需要说明的是，优选利用Octomap库将所述PCD点云格式模型转换为八叉树格式的所述地图模型。
需要说明的是，Octomap是一种基于八叉树的三维地图创建工具，可以显示包含无障碍区域及未映射区域的完整3D图形，而且基于占有率栅格的传感器数据可以在多次测量中实现融合和更新，地图可提供多种分辨率，数据可压缩，存储紧凑。八叉树格式是一种压缩的、可方便地查询任意位置“是否有障碍物”的信息、分辨率可调，并且可用于导航和避障的地图格式。
需要说明的是，上述S21步骤，也可以在从PCD格式转换为八叉树格式时，对点云的每个点都进行平移或旋转变换后，再***八叉树地图中，从而实现作业环境三维物理模型坐标系的变换。
S24，设置膨胀半径；在所述初始地图模型中各占据障碍点的前、后、左、右方向的距离等于所述膨胀半径的位置处***新的占据障碍点，实现所述初始地图模型的膨胀，得到所述地图模型。
需要说明的是，八叉树地图由一个个小立方块构成，立方块的大小就是地图的分辨率，每个立方块又对应一个中心点。占据障碍点是八叉树地图里的一个专业术语，点被占据表示该立方块处为障碍物区域，点没被占据表示该立方块处为可行区域。在各个占据障碍点的前、后、左、右按照膨胀半径设置新的点，是一个将障碍物扩大的过程，是一种提高安全性的处理方式，可以有效减少碰撞的概率；图5是以柱状容器为例展示作业环境地图模型的转换效果。
具体实施中，通过将三维物理模型转换为膨胀后的八叉树地图模型，可以将作业环境中的障碍物以及障碍物周边一定距离内的部分进行识别，为多机器人协同作业提供安全无碰撞的基础保障。
在一种具体实施方式中，如图3所示，图3为多机器人分布式协同作业方法及***的分布式协同作业机制实现流程图，上述S4步骤的子步骤包括：
S41，初始化各所述仿真机器人；为各所述仿真机器人输入所述地图模型和每个所述仿真机器人的编号i,i＝0,1,…,I-1，I为所述仿真机器人的数量；根据所述仿真作业场景和作业方式从每个所述仿真机器人的作业航迹关键点集合keyPointsi中选取所述作业航迹关键点 ni＝0,1,…,Ni-1，Ni为第i个所述仿真机器人的所述作业航迹关键点的数量，/>表示第i个所述仿真机器人的第ni个所述作业航迹关键点；
需要说明的是，作业航迹关键点集合keyPointsi是人为根据具体的作业环境和机器人作业方式来选取的，例如作业环境为圆柱形管道，机器人作业方式为圆周运动作业，则选取的作业航迹关键点集合keyPointsi可以是在圆柱形管道内壁沿轴线方向每隔一定距离选取一段管道，并在这段管道内壁上沿圆周方向选取若干个点。
需要说明的是，存储的是各个作业航迹关键点在地图模型中的坐标值。
S42，依次选取所述作业航迹关键点和/>得到相邻两点间无碰撞作业规划路径/>
需要说明的是，是/>到/>之间各个点的集合。
S43，将所述相邻两点间无碰撞作业规划路径首尾相连得到遍历所有所述作业航迹关键点/>的完整规划路径connectedPathi；
S44，对所述完整规划路径connectedPathi进行轨迹光滑优化，得到每个所述仿真机器人的作业规划路径globalPathi，所述globalPathi为：
其中为所述作业规划路径中第m个规划路径点的位置信息，为：
0≤m≤M-1，M为所述作业规划路径中规划路径点的总个数，分别为第i个所述仿真机器人的第m个所述规划路径点X,Y,Z方向的坐标值；
需要说明的是，优选采用B样条曲线对所述完整规划路径connectedPathi进行轨迹光滑优化，随着B样条曲线次数越高，曲线光滑性越好，但是计算量变大且逼近程度变差，优选2次或3次。
需要说明的是，通过对所述完整规划路径connectedPathi进行轨迹光滑优化得到的作业规划路径globalPathi是一条较为光滑的曲线，这样更便于机器人实际作业运行,使得机器人的运行轨迹较为流畅。
S45，将轨迹光滑优化后，在光滑后的曲线上从起点开始，根据设定的采样步长均匀采点，并按照采集顺序，依次将各路径点存储在所述作业规划路径globalPathi中，得到所述无碰撞全局作业规划路径GlobalPathi。
本发明提供的一种实施方式中，如图3所示，图3为多机器人分布式协同作业方法及***的分布式协同作业机制实现流程图，上述S42步骤的子步骤包括：
S421，以所述作业航迹关键点作为根节点，利用先验随机树生成算法(说明书解释)，迭代生成扩展分支节点/>为迭代第k次的扩展分支节点，k＝0,1,…,K-1，K为所述扩展分支节点的总数；
需要说明的是，先验随机树生成算法，英文为：Informed-RRT*是一种基于采样方法的快速扩展随机树(RRT，rapidly-exploring random tree)的算法，与传统的路径规划算法(如A*、D*等)相比，可以更快更灵活地规划出路径，并且不要求障碍物形状的规则性；但是由于RRT其迭代过程没有目标性，故所得路径不稳定且与最优路径偏差较大。因此Informed-RRT*算法改进了父节点选择的方式，在继承RRT概率完备性的同时具备渐进最优性，提高了规划出的路径的质量，但消耗时间较长。为此，Informed-RRT*算法基于数学思想“椭圆上的点到椭圆两焦点的距离之和相同，椭圆外的点的距离到两焦点的距离之和大于椭圆上的点到两焦点的距离之和，椭圆内的点反之”来对采样空间进行优化，可以在较短的时间内获得质量较高的可行路径。Informed-RRT*算法的主要思想为：将目前已经搜索到的最短路径作为cbest，起点与终点之间的距离作为cmin，以此构建椭圆进行采样，当cbest不断减小，椭圆的范围也不断减小，最后收敛成一条直线(无障碍时)，这大幅减小了搜索范围。
S422，利用开源碰撞检测库，检测所述扩展分支节点是否与所述地图模型中的静态障碍物有碰撞；如果有碰撞，则舍弃当前所述扩展分支节点/>如果没有碰撞则保留当前所述扩展分支节点/>
需要说明的是，开源碰撞检测库，英文为：FCL(Flexible Collision Library)，提供了物体间的碰撞检测；它支持不同类型的对象，如立方体、椭圆体、锥体、圆柱、网格等，尤其是还支持八叉树格式对象的检测，在本实施方式中，使用Informed-RRT*算法和开源碰撞检测库FCL实现当前点和目标点之间的路径规划，是利用Informed-RRT*算法从当前点出发，迭代生成树枝，利用FCL检测在树枝生长方向仿真机器人和对应的八叉树格式的地图模型是否有碰撞，若有则不会包含该路径，从而实现静态避障。
S423，重复所述S421和S422，直到所述扩展树到达所述作业航迹关键点的阈值范围或者达到设置的最大迭代次数；
需要说明的是，需要说明的是，当扩展树生长出的树枝节点与作业航迹关键点之间的距离小于设定的阈值时，认为扩展树到达了作业航迹关键点/>的阈值范围。
S424，从最后一个所述扩展分支节点开始，根据所述扩展分支节点的连接情况，依次回溯至所述根节点/>将每个经过的所述扩展分支节点/>依次连接得到所述无碰撞作业规划路径/>
需要说明的是，上述S424的过程，即是将通过Informed-RRT*算法和开源碰撞检测库FCL检测及规划的无碰撞的规划点连接为一条路径，也就是点的集合，则得到无碰撞作业规划路径
本发明提供的一个实施方式中，如图3和图4所示，图3为多机器人分布式协同作业方法及***的分布式协同作业机制实现流程图，图4为多机器人分布式协同作业方法及***的仿真验证模块组成部分及与其他模块关系示意图，上述S5步骤的子步骤包括：
S51，为各所述仿真机器人i输入控制指令更新的时间间隔Δt,Δt>0，以及所述无碰撞全局作业规划路径GlobalPathi；
S52，设置初始化时间t＝t0；获取全部所述仿真机器人i初始状态的位置信息和速度信息，并存储于状态向量robotStateVectort，
为所述仿真机器人i在t时刻的状态信息，xt,yt,zt分别表示t时刻所述仿真机器人i在所述地图模型的全局坐标系中的X,Y,Z方向的位置坐标值，twist_xt,twist_yt,twist_zt分别表示t时刻所述仿真机器人i沿所述全局坐标系X,Y,Z方向的速度值；
S53，利用所述状态信息和所述无碰撞全局作业规划路径GlobalPathi得到当前t时刻局部目标点所对应的路径点索引号indext，0≤indext≤M-1，为当前时刻的局部目标点，所述路径点索引号indext的模型为：
其中：threshold为设定的阈值，threshold>0；/>
需要说明的是，Δt表示时间间隔，indext表示t时刻计算得到的局部目标点所对应的路径点索引号，局部目标点即作业规划路径globalPathi中的下一时刻仿真机器人将要到达的序号为indext的点，也就是其中：即为t时刻计算得到的局部目标点X,Y,Z方向的坐标值。局部目标点/>是一个重要输入，随着机器人的运动，indext不断更新，即/>不断更新，直至/>与无碰撞全局作业规划路径GlobalPathi的最后一个路径点/>重合后indext则不再更新(此时，indext＝M-1)。
S54，根据所述状态向量robotStateVectort、所述地图模型，以及利用最佳相互避障算法和所述开源碰撞检测库计算所述仿真机器人i在下一时刻能够避免与静态障碍物以及其他所述仿真机器人发生碰撞的新速1度twist_xnew、twist_ynew、twist_znew；
需要说明的是，最佳相互避障算法，英文为：ORCA(Optimal ReciprocalCollision Avoidance)，是一种经典的分布式底层避障算法，多个机器人向目标点移动过程中，对其它机器人进行动态避让，并寻找最佳路径向目标点移动。与前面的RRT等全局路径规划算法相比，ORCA是局部导航，导航目标是在机器人个体周围，让个体自身避开与自己接近的其它个体目标和静态障碍物。ORCA能够与Informed-RRT*寻路形成互补：一方面，Informed-RRT*是全局寻路算法，可以找到机器人当前位置到目标点的全局路径，Informed-RRT*算法的全局信息中有着整个环境的障碍信息，但没有感知所有机器人个体的具体状态和周围其他个体信息的能力，所以Informed-RRT*算法无法避免个体间的碰撞，这刚好是ORCA解决的问题；另一方面，ORCA只能感知到靠近自身周围的情况，没有全局环境的信息，只能实现导航时不与周围其它个体目标和静态障碍物障碰撞，却不能为自身起点和目标点之间找到最短路径，这刚好是Informed-RRT*寻路解决的问题。
S55，计算各所述仿真机器人i下一刻的所述位置坐标值和所述速度值：
twistx t+Δt＝twistx new
twist_yt+Δt＝twist_ynew
twist_zt+Δt＝twist_znew
更新所述状态信息和所述状态向量robotStateVectort：
S56，更新t＝t+Δt；重复所述S53、S54和S55步骤，驱动所述仿真机器人i无碰撞地完成对所述全局作业规划路径GlobalPathi的跟踪，得到所述仿真机器人i的仿真作业轨迹。
在一个实施例中，如图7所示，图7为多机器人分布式协同作业方法及***的仿真验证模块中模拟一台仿真机器人突然发生故障的效果图，所述障碍物包括，设定一台所述仿真机器人出现故障停留在原地形成意外出现的所述障碍物。
需要说明的是，多机器人协同作业过程中，难免会出现意外情况，例如机器人发生故障停留在原地，此时这个故障机器人会从动态障碍转换为静态障碍，因此需要在本方法中人为设定这种情况，用于检测方法的可行性；图7中可以看到，发生故障的仿真机器人22停留在原地由动态障碍转换为静态障碍，此时正常工作的仿真机器人21可以顺利的绕过发生故障的仿真机器人22，继续正常工作。
在一个实施例中，上述S6步骤中：将所述仿真作业轨迹与所述无碰撞全局作业规划路径进行差异对比；所述差异对比包括，所述仿真作业轨迹与所述无碰撞全局作业规划路径的偏差值、动态和静态避障的成功率以及所述仿真作业轨迹的光滑度。
需要说明的是，可以将上述偏差值、动态和静态避障的成功率以及所述仿真作业轨迹的光滑度设定阈值，将仿真作业轨迹与无碰撞全局作业规划路径中各个点进行对比，如果超过设定的阈值则重复上述S4和S5进行路径规划和运动控制参数的优化和调整。
需要说明的是，如图6所示，图6为多机器人分布式协同作业方法及***不同环境以及不同作业方式下的多机器人仿真作业轨迹效果图；图中左侧是柱状容器的地图模型1，且内部没有凸出的静态障碍物3，右侧为带有静态障碍物3的柱状容器；而左右两图中仿真机器人2的作业方式也不相同。从图中可以看到，左侧三个仿真机器人2的仿真作业轨迹4的形态，以及右侧仿真机器人越过静态障碍物3的仿真作业轨迹4的形态。
在一个实施例中，所述方法还包括利用YAML文件对所述仿真机器人数量、路径规划参数和控制指令参数进行修改。
需要说明的是，YAML语言的语法和其他高级语言类似，并且可以简单表达清单、散列表，标量等数据形态。它使用空白符号缩进和大量依赖外观的特色，特别适合用来表达或编辑数据结构、各种配置文件、调试内容、文件大纲。因此可以利用YAML语言作为本发明中各项参数的修改、设置和调整的可编辑性文件。
在一个实施例中，所述三维物理模型的格式为stl或obj格式。
需要说明的是，stl文件格式(英文为：STereoLithography)原本用于立体光刻计算机辅助设计软件的文件格式。许多套装软件支持这种格式，它被广泛用于快速成型、3D打印和计算机辅助制造(CAM)。stl文件仅描述三维物体的表面几何形状，没有颜色、材质贴图或其它常见三维模型的属性。stl文件格式简单，只描述三维物体的几何信息，不支持颜色材质等信息，是计算机图形学处理CG,数字几何处理如CAD,数字几何工业应用,如三维打印机支持的最常见文件格式；因此比较适用于本方案的技术需求。
表面的三角剖分之后造成3D模型呈现多面体状。输出stl档案的参数选用会影响到成型质量的良莠。所以如果stl档案属于粗糙的或是呈现多面体状，您将会在模型上看到真实的反应。
需要说明的是，obj文件格式是3D模型文件格式，不包含动画、材质特性、贴图路径、动力学、粒子等信息，主要支持多边形(Polygons)模型，支持三个点以上的面，很多其它的模型文件格式只支持三个点的面，所以导入的模型经常被三角化，这对模型进行再加工甚为不利，因此也可以采用obj格式文件用于本方案的模型建模。
一种多机器人分布式协同作业***，如图8所示，图8为多机器人分布式协同作业***的组成结构图，所述***包括：
三维模型格式转换模块，用于将所述作业场景的所述三维物理模型转换为所述地图模型；
需要说明的是，该模块可以根据不同作业环境，获取对应的八叉树地图，并实现多机器人常态化作业环境三维模型构建与转换机制。
全局作业路径规划模块，用于为各所述仿真机器人规划从起点到目标点间的无碰撞全局作业规划路径；
需要说明的是，该模块可以根据不同作业方式，为各机器人获取无碰撞全局作业路径。
分布式运动控制模块，用于实时控制各所述仿真机器人在所述地图模型中作业过程的下一刻速度和位置，以使所述仿真机器人具有避免发生相互间碰撞以及避开静态障碍物的功能；
需要说明的是，该模块能够实现分布式的机器人协同运动控制，驱动各机器人按照规划路径展开作业，并且在运动过程中自动避障、互不影响；上述全局作业路径规划模块和分布式运动控制模块，共同形成多机器人分布式协同作业机制。
仿真验证模块，用于搭建所述仿真验证环境，并利用所述三维模型格式转换模块、全局作业路径规划模块和分布式运动控制模块在所述仿真验证环境中验证多机器人分布式协同作业方法的可行性，依据验证结果对所述路径规划和控制指令参数进行迭代优化，最终得到可以应用于真实常态化作业场景的多机器人分布式协同作业方法。
需要说明的是，该模块可以构建包含作业环境和多个机器人平台的仿真验证环境，验证本发明提出的面向常态化作业环境的多机器人分布式作业方法的有效性。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种多机器人分布式协同作业方法所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种多机器人分布式协同作业方法，其特征在于，应用于常态化作业场景，所述方法包括：
S1，对所述作业场景进行三维建模，得到三维物理模型；
S2，将所述三维物理模型转换为地图模型；
S3，利用机器人仿真模拟器，以所述地图模型为基础，搭建仿真验证环境；所述仿真验证环境包括，仿真作业场景和仿真机器人；
S4，对各所述仿真机器人在所述仿真作业场景中进行路径规划，得到无碰撞全局作业规划路径；
S5，根据所述无碰撞全局作业规划路径，控制各所述仿真机器人进行针对所述仿真验证环境中障碍物的静态避障以及所述仿真机器人相互间的动态避碰验证，得到各所述仿真机器人在无碰撞控制指令下的仿真作业轨迹；
S6，将所述仿真作业轨迹与所述无碰撞全局作业规划路径进行差异对比，重复所述S4和S5进行路径规划和运动控制参数的优化和调整，得到可以应用于真实常态化作业场景的多机器人分布式协同作业方法。
2.根据权利要求1所述的多机器人分布式协同作业方法，其特征在于，所述将所述三维物理模型转换为地图模型包括：
S21，将所述三维物理模型的坐标系进行平移或旋转变换，得到转换后的三维物理模型；
S22，以采样的方式基于所述转换后的三维物理模型生成点云格式模型；
S23，以所述点云格式模型中每个点为中心并设置边长值，生成立方体，形成初始地图模型；
S24，设置膨胀半径；在所述初始地图模型中各占据障碍点的前、后、左、右方向的距离等于所述膨胀半径的位置处***新的占据障碍点，实现所述初始地图模型的膨胀，得到所述地图模型。
3.根据权利要求1所述的多机器人分布式协同作业方法，其特征在于，所述对各所述仿真机器人在所述仿真验证环境中进行路径规划，得到无碰撞全局作业规划路径，包括：
S41，初始化各所述仿真机器人；为各所述仿真机器人输入所述地图模型和每个所述仿真机器人的编号i,i＝0,1,…,I-1，I为所述仿真机器人的数量；根据所述仿真作业场景和作业方式从每个所述仿真机器人的作业航迹关键点集合keyPointsi中选取所述作业航迹关键点 Ni为第i个所述仿真机器人的所述作业航迹关键点的数量，/>表示第i个所述仿真机器人的第ni个所述作业航迹关键点；
S42，依次选取所述作业航迹关键点和/>得到相邻两点间无碰撞作业规划路径
S43，将所述相邻两点间无碰撞作业规划路径首尾相连得到遍历所有所述作业航迹关键点/>的完整规划路径connectedPathi；
S44，对所述完整规划路径connectedPathi进行轨迹光滑优化，得到每个所述仿真机器人的作业规划路径globalPathi，所述globalPathi为：
其中为所述作业规划路径中第m个规划路径点的位置信息，为：
0≤m≤M-1，M为所述作业规划路径中规划路径点的总个数，分别为第i个所述仿真机器人的第m个所述规划路径点X,Y,Z方向的坐标值；
S45，将轨迹光滑优化后，在光滑后的曲线上从起点开始，根据设定的采样步长均匀采点，并按照采集顺序，依次将各路径点存储在所述作业规划路径globalPathi中，得到所述无碰撞全局作业规划路径GlobalPathi。
4.根据权利要求3所述的多机器人分布式协同作业方法，其特征在于，所述依次选取所述作业航迹关键点和/>得到相邻两点间的无碰撞作业规划路径/>包括：
S421，以所述作业航迹关键点作为根节点，利用先验随机树生成算法，迭代生成扩展分支节点/> 为迭代第k次的扩展分支节点，k＝0,1,…,K-1，K为所述扩展分支节点的总数；
S422，利用开源碰撞检测库，检测所述扩展分支节点是否与所述地图模型中的静态障碍物有碰撞；如果有碰撞，则舍弃当前所述扩展分支节点/>如果没有碰撞则保留当前所述扩展分支节点/>
S423，重复所述S421和S422，直到所述扩展树到达所述作业航迹关键点的阈值范围或者达到设置的最大迭代次数；
S424，从最后一个所述扩展分支节点开始，根据所述扩展分支节点的连接情况，依次回溯至所述根节点/>将每个经过的所述扩展分支节点/>依次连接得到所述无碰撞作业规划路径/>
5.根据权利要求3所述的多机器人分布式协同作业方法，其特征在于，所述根据所述无碰撞全局作业规划路径，控制各所述仿真机器人进行针对所述仿真验证环境中障碍物的静态避障以及所述仿真机器人相互间的动态避碰验证，得到各所述仿真机器人在无碰撞控制指令下的仿真作业轨迹，包括：
S51，为各所述仿真机器人i输入控制指令更新的时间间隔Δt,Δt>0，以及所述无碰撞全局作业规划路径globalPathi；
S52，设置初始化时间t＝t0；获取全部所述仿真机器人i初始状态的位置信息和速度信息，并存储于状态向量robotStateVectort，
为所述仿真机器人i在t时刻的状态信息，xt,yt,zt分别表示t时刻所述仿真机器人i在所述地图模型的全局坐标系中的X,Y,Z方向的位置坐标值，twist_xt,twist_yt,twist_zt分别表示t时刻所述仿真机器人i沿所述全局坐标系X,Y,Z方向的速度值；
S53，利用所述状态信息和所述无碰撞全局作业规划路径globalPathi得到当前t时刻局部目标点所对应的路径点索引号indext，0≤indext≤M-1，/>为当前时刻的局部目标点，所述路径点索引号indext的模型为：
其中：threshold为设定的阈值，threshold>0；
S54，根据所述状态向量robotStateVectort、所述地图模型，以及利用最佳相互避障算法和所述开源碰撞检测库计算所述仿真机器人i在下一时刻能够避免与静态障碍物以及其他所述仿真机器人发生碰撞的新速度twist_xnew、twist_ynew、twist_znew；
S55，计算各所述仿真机器人i下一刻的所述位置坐标值和所述速度值：
twistx t+Δt＝twistx new
twist_yt+Δt＝twist_ynew
twist_zt+Δt＝twist_znew
更新所述状态信息和所述状态向量robotStateVectort：
S56，更新t＝t+Δt；重复所述S53、S54和S55步骤，驱动所述仿真机器人i无碰撞地完成对所述全局作业规划路径globalPathi的跟踪，得到所述仿真机器人i的仿真作业轨迹。
6.根据权利要求5所述的多机器人分布式协同作业方法，其特征在于，所述障碍物包括，设定一台所述仿真机器人出现故障停留在原地形成意外出现的所述障碍物。
7.根据权利要求1所述的多机器人分布式协同作业方法，其特征在于，所述差异对比包括，所述仿真作业轨迹与所述无碰撞全局作业规划路径的偏差值、动态和静态避障的成功率以及所述仿真作业轨迹的光滑度。
8.根据权利要求1所述的多机器人分布式协同作业方法，其特征在于，所述方法还包括利用YAML文件对所述仿真机器人数量、路径规划参数和控制指令参数进行修改。
9.根据权利要求1所述的多机器人分布式协同作业方法，其特征在于，所述三维物理模型的格式为stl或obj格式。
10.一种多机器人分布式协同作业***，其特征在于，利用权利要求1-8中的任一项所述的多机器人分布式协同作业方法，所述***包括：
三维模型格式转换模块，用于将所述作业场景的所述三维物理模型转换为所述地图模型；
全局作业路径规划模块，用于为各所述仿真机器人规划从起点到目标点间的无碰撞全局作业规划路径；
分布式运动控制模块，用于实时控制各所述仿真机器人在所述地图模型中作业过程的下一刻速度和位置，以使所述仿真机器人具有避免发生相互间碰撞以及避开静态障碍物的功能；
仿真验证模块，用于搭建所述仿真验证环境，并利用所述三维模型格式转换模块、全局作业路径规划模块和分布式运动控制模块在所述仿真验证环境中验证多机器人分布式协同作业方法的可行性，依据验证结果对所述路径规划和控制指令参数进行迭代优化，最终得到可以应用于真实常态化作业场景的多机器人分布式协同作业方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311344098.8A CN117452932A (zh) | 2023-10-17 | 2023-10-17 | 多机器人分布式协同作业方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311344098.8A CN117452932A (zh) | 2023-10-17 | 2023-10-17 | 多机器人分布式协同作业方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117452932A true CN117452932A (zh) | 2024-01-26 |
Family
ID=89582682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311344098.8A Pending CN117452932A (zh) | 2023-10-17 | 2023-10-17 | 多机器人分布式协同作业方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117452932A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117826641A (zh) * | 2024-03-04 | 2024-04-05 | 西湖大学 | 空中作业机器人的仿真评估***、方法及电子设备 |
-
2023
- 2023-10-17 CN CN202311344098.8A patent/CN117452932A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117826641A (zh) * | 2024-03-04 | 2024-04-05 | 西湖大学 | 空中作业机器人的仿真评估***、方法及电子设备 |
| CN117826641B (zh) * | 2024-03-04 | 2024-06-07 | 西湖大学 | 空中作业机器人的仿真评估***、方法及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Quan et al. | Survey of UAV motion planning | |
| Gao et al. | Gradient-based online safe trajectory generation for quadrotor flight in complex environments | |
| US5056031A (en) | Apparatus for detecting the collision of moving objects | |
| Sudhakara et al. | Trajectory planning of a mobile robot using enhanced A-star algorithm | |
| Feng et al. | Layered infill area generation from triply periodic minimal surfaces for additive manufacturing | |
| CN109760040B (zh) | 干扰判定方法、干扰判定***以及存储介质 | |
| CN110232741B (zh) | 多层包围盒确定方法、碰撞检测及运动控制方法与设备 | |
| CN117452932A (zh) | 多机器人分布式协同作业方法及*** | |
| Ruan et al. | Automated slicing for a multiaxis metal deposition system | |
| Lamarche | Topoplan: a topological path planner for real time human navigation under floor and ceiling constraints | |
| US20220019939A1 (en) | Method and system for predicting motion-outcome data of a robot moving between a given pair of robotic locations | |
| EP4399061A1 (en) | Coordination of multiple robots using graph neural networks | |
| GB2227106A (en) | Detecting collision | |
| Kennedy III et al. | Optimal paths for polygonal robots in SE (2) | |
| Lei et al. | Graph-based robot optimal path planning with bio-inspired algorithms | |
| CN117124335B (zh) | 一种基于路径标记回溯策略的改进式rrt路径规划方法 | |
| CN111815684B (zh) | 基于统一残差模型的空间多元特征配准优化方法及装置 | |
| EP3779763A1 (en) | Modelling operating zones for manufacturing resources using virtual model and computer graphics based simulation | |
| Masoudi et al. | Planning the shortest path in cluttered environments: a review and a planar convex hull-based approach | |
| CN113885567B (zh) | 一种基于冲突搜索的多无人机的协同路径规划方法 | |
| Abu-Dakka et al. | Evolutionary path planning algorithm for industrial robots | |
| Byers et al. | Layout modelling of the built environment for autonomous mobile robots using Building Information Modelling (BIM) and simulation | |
| Hegewald et al. | Iterative Mesh Modification Planning: A new Method for Automatic Disassembly Planning of Complex Industrial Components | |
| CN112631295A (zh) | 路径规划方法、装置及车辆 | |
| Khachumov et al. | UAV trajectory tracking based on local interpolating splines and optimal choice of knots |
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 |