CN101943916B - 一种基于卡尔曼滤波器预测的机器人避障方法 - Google Patents

一种基于卡尔曼滤波器预测的机器人避障方法 Download PDF

Info

Publication number
CN101943916B
CN101943916B CN2010102734660A CN201010273466A CN101943916B CN 101943916 B CN101943916 B CN 101943916B CN 2010102734660 A CN2010102734660 A CN 2010102734660A CN 201010273466 A CN201010273466 A CN 201010273466A CN 101943916 B CN101943916 B CN 101943916B
Authority
CN
China
Prior art keywords
robot
path
kalman filter
environment
servo
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.)
Expired - Fee Related
Application number
CN2010102734660A
Other languages
English (en)
Other versions
CN101943916A (zh
Inventor
郭文强
侯勇严
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.)
Shaanxi University of Science and Technology
Original Assignee
Shaanxi University of Science and Technology
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 Shaanxi University of Science and Technology filed Critical Shaanxi University of Science and Technology
Priority to CN2010102734660A priority Critical patent/CN101943916B/zh
Publication of CN101943916A publication Critical patent/CN101943916A/zh
Application granted granted Critical
Publication of CN101943916B publication Critical patent/CN101943916B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明涉及一种基于卡尔曼滤波器预测的机器人避障方法。复杂环境中,机器人行进的环境是动态变化的,当确定预定任务的环境发生重大变化,应修改任务目标,实时规划任务、修改路径。本发明所述避障方法中的路径规划器根据数字地图、任务集、传感器系统所得机器人所处状态,对任务集进行排序,产生机器人行进点序列,由伺服系统执行,当传感器系统探测到有新障碍物出现,根据观测数据建立卡尔曼滤波器模型,利用观测数据和经典的线性动态系统期望最大化模型辨识算法对参数进行辨识和修正,更新数字地图,供路径规划器进行新一轮的局部重规划。本发明可实现机器人在不确定环境下局部动态生成的避障路径规划,实现简单,实时性较好。

Description

一种基于卡尔曼滤波器预测的机器人避障方法
技术领域
本发明涉及一种基于卡尔曼滤波器预测的机器人避障方法。
背景技术
随着人工智能、电子通讯技术的不断发展,机器人除了已进入无人驾驶飞行器和无人驾驶水下机器人等军事领域外,也逐渐进入天气预报、救生任务侦察,搜索及森林野火等环境监测诸多民用生活领域。在复杂的应用环境中,机器人行进是动态变化和不确定的,因此,当它执行一个计划任务时,一旦确定预定任务的环境发生重大变化,它应该修改任务目标,并重新实时规划任务,以适应环境的变化。避障是机器人路径规划中的难点之一,其任务是在具有障碍物的环境中,按照一定的评价标准,寻找一条从起始状态到达目标状态的无碰撞路径。能够在具有静态和动态障碍物的复杂环境中完成局部在线避碰是机器人自主性的重要体现。
常用的机器人路径规划方法可以分为环境信息完全知道的全局路径规划法和环境信息完全未知或部分未知的局部路径规划法。Voronoi 图法对环境约束条件进行表达,是一种常用、有效的全局路径规划方法。然而机器人对于环境信息,特别是动态障碍物的信息往往很难具有先验知识,同时移动机器人只能执行静态环境中的地图创建,不能在复杂环境中完成在线避碰,使Voronoi图法这种全局路径规划法的使用受到限制。
发明内容
本发明的目的是提供一种基于卡尔曼滤波器预测的机器人避障方法,保障机器人在复杂、不确定环境中实时实施避障,直至机器人完成既定任务。
本发明所采用的技术方案是:
一种基于卡尔曼滤波器预测的机器人避障方法,其特征在于,包含以下步骤:
步骤一:设定初始的机器人任务环境的数字地图,并传送到机器人路径规划器;
步骤二:传感器系统对机器人所处状态的测量信号作为机器人路径规划器的输入信号;
步骤三:机器人的路径规划器根据目前掌握的数字地图、机器人所处状态、任务集及约束条件,对任务集进行排序,规划出行进无碰撞路径,并产生一系列机器人伺服系统的行进点序列信号;
步骤四:基于伺服系统的输出信号,调整传感器系统对环境和机器人自身运动状态进行监测并采集相应实时数据;
步骤五:路径规划器根据传感器系统的反馈,进行状态判断;若自身运动状态与上次路径规划器目标点位置坐标相同,规划结束;否则,进行步骤六的内容;
步骤六:判定有无新障碍物出现,若无新障碍物出现,继续执行步骤四中伺服系统的行进动作;否则,进行步骤七的内容;
步骤七:建立新障碍物卡尔曼滤波器模型,根据传感器系统的观测数据,对模型参数进行辨识和修正;
步骤八:根据辨识的模型、机器人位置和周围环境之间关系的预测,检查机器人行进过程中是否会发生碰撞,如预测到不会发生碰撞,继续执行步骤四中伺服系统的行进动作;否则,进行步骤一的内容,更新数字地图,供路径规划器进行新一轮的路径局部重规划。
步骤三中,机器人对任务集进行排序时,根据已知给定机器人出发点、目标点及部分已知障碍物的初始位置,建立Voronoi 图状态空间,根据Dijkstra算法或DoubleSweep算法,可沿Voronoi 图顶点搜到一条从机器人出发点至目标点的一条无碰撞路径,并产生一系列机器人伺服系统行进点序列信号。
步骤七中,根据传感器系统2的观测数据,对新障碍物的卡尔曼滤波器模型参数进行辨识和修正时,采用线性动态系统期望最大化(EM)模型辨识算法,对目标系统用动态系统方程和测量方程进行表征如下:
Figure 315700DEST_PATH_IMAGE001
其中:t时刻状态变量
Figure 258248DEST_PATH_IMAGE002
, 观测变量
Figure 633866DEST_PATH_IMAGE003
, 系统噪声
Figure 241434DEST_PATH_IMAGE004
,测量噪声 
Figure 651687DEST_PATH_IMAGE005
A 是动态模型传递函数, C 是测量模型传递函数; Q  和 R 分别是系统噪声方差和测量噪声方差;根据观测数据可用已有的线性动态系统期望最大化(EM)模型辨识算法迭代算出A、C、Q和R等模型及参数,完成模型辨识。
所述的卡尔曼滤波模型,是由测量方程所得到的观测信息求解系统状态的最优估计,整个滤波过程包括预测过程和更新过程;所述的预测过程负责推算当前状态变量和误差协方差估计值,以便为下一个时间状态构造先验估计;所述的更新过程负责反馈,它将先验估计和新的测量变量结合以构造改进的后验估计,其预测和更新方程表征如下:
单步预测:
Figure 952087DEST_PATH_IMAGE006
单步更新:
Figure 815001DEST_PATH_IMAGE007
其中,
Figure 226259DEST_PATH_IMAGE008
是数学期望
Figure 225439DEST_PATH_IMAGE009
Figure 696741DEST_PATH_IMAGE010
是协方差期望
Figure 233901DEST_PATH_IMAGE011
为了令卡尔曼滤波器开始工作,需要设定卡尔曼模型两个零时刻的初始值:
Figure 199583DEST_PATH_IMAGE012
Figure 568117DEST_PATH_IMAGE013
(经验值常取
Figure 695473DEST_PATH_IMAGE014
Figure 719929DEST_PATH_IMAGE015
); 
卡尔曼滤波模型采用递推计算的方式,只要给定预估初始状值 
Figure 472991DEST_PATH_IMAGE012
和预估方差
Figure 712342DEST_PATH_IMAGE013
,结合t时刻的观测值(t=l,2,…),就可以递推、迭代计算得到逐渐收敛的t时刻的状态估计
Figure 259867DEST_PATH_IMAGE016
假定在有限短的时间间隔
Figure 584669DEST_PATH_IMAGE017
内,目标系统是缓变的,即系统参数近似不变(或变化较小),则利用动态系统方程和量测方程可以迭代推算出
Figure 954470DEST_PATH_IMAGE017
时刻内目标的状态预测估计值,如下:
Figure 32017DEST_PATH_IMAGE018
以上为方程表征。
本发明具有以下优点:
本发明所涉及的机器人避障方法在Voronoi 图法基础上加进了对机器人位置和周围环境之间的关系的预测,产生对周围环境中的机动目标预测沿某方向前进信息的先验知识,因而使机器人可以在不确定环境中动态生成局部避障路径,实现简单,实时性较好。
附图说明
图1为基于卡尔曼滤波器预测的机器人避障方法原理图。
图2为机器人初始路径与机动目标卡尔曼滤波器模型状态预测轨迹图。
图3为根据机动目标卡尔曼滤波器模型状态预测进行的机器人避障局部重规划路径图。
具体实施方式
为了在复杂环境中实现有效地避障,必须通过传感器等来收集周边环境的信息数据,根据机动障碍物的运动规律有效地进行其位置状态预知势在必行,而动态环境中路径规划法的核心在于确定目标点和执行任务区域中的障碍物状态。本发明的避障方法对传统Voronoi 图法进行了完善,利用对机动障碍物的运动观测,根据辨识的卡尔曼滤波器模型对机动障碍物的运动规律进行有效的预测,一旦环境发生重大变化,机器人可以修改任务目标,并重新实时规划任务,以适应环境的变化,经过局部多次重规划来得到机器人可行的安全路径并实施避障策略。
本发明采用“感知-规划-执行”的闭环框架,提出一种基于卡尔曼滤波器预测的机器人避障方法。机器人的路径规划器3根据目前掌握的数字地图1、任务集、传感器系统2所得机器人自身所处状态及约束条件,对任务集进行排序,并产生一系列机器人行进点序列,由控制器控制伺服系统4执行。当机器人传感器系统2探测到有新障碍物出现,根据观测数据建立卡尔曼滤波器模型,并利用观测数据和经典的线性动态系统期望最大化(EM)模型辨识算法对模型参数进行辨识和修正。根据卡尔曼滤波模型辨识5,对机器人位置和周围环境之间的关系进行状态预测,检查机器人行进过程中是否会发生碰撞。如预测到会发生碰撞,机器人便及时用预测到的对周围环境中障碍物的位置信息更新数字地图1,供路径规划器3进行新一轮的局部重规划。“感知-规划-执行”的优化过程周而复始,直至机器人完成既定任务。
本发明所述的避障方法所涉及的避障系统,包含有传感器系统、路径规划器、伺服系统。其中,传感器系统2收集周边环境的信息数据,根据机动障碍物的运动规律有效地进行其位置状态的预知;路径规划器3根据数字地图、任务集、传感器系统得到的机器人自身所处状态及约束条件,对任务集进行排序,并产生一系列机器人行进的点序列,规划出机器人从出发点至目标点的最优行进轨迹伺服系统4执行由路径规划器产生的机器人行进的点序列。
本发明的具体实施步骤如下:
步骤一:设定初始的机器人任务环境的数字地图1,并传送到机器人路径规划器3。
步骤二:传感器系统2对机器人所处状态的测量信号作为机器人路径规划器3的输入信号,包括机器人的相对位置及速度等。
步骤三:机器人的路径规划器3根据目前掌握的数字地图1、机器人所处状态、任务集及约束条件,对任务集进行排序,即根据已知给定机器人出发点、目标点及部分已知障碍物的初始位置,建立Voronoi 图状态空间。要回避障碍、安全地完成预定任务,需要综合考虑机器人导航精度和机动能力的限制,从机器人出发点至目标点的最优或次优的行进轨迹。根据Dijkstra算法或DoubleSweep算法,可沿Voronoi 图顶点搜到一条从机器人出发点至目标点的一条无碰撞路径,并产生一系列机器人伺服系统4行进点序列信号。
步骤四:伺服系统4按更新的行进点序列执行行进动作,基于伺服系统4的输出信号调整传感器系统2对机动目标或障碍物、自身运动状态进行监测并采集相应的实时数据。
步骤五:路径规划器3根据内环反馈回路,进行状态判断。若自身运动状态的位置坐标与上次路径规划器目标位置坐标相同,表明到达目标,规划结束;否则,进行步骤六的内容。
步骤六:判定有无新障碍物出现:若无新障碍物出现,继续执行步骤四伺服系统4行进动作;否则,进行步骤七的内容。
步骤七:建立新障碍物卡尔曼滤波器模型,根据传感器系统2的观测数据,并利用观测数据和现有的线性动态系统期望最大化(EM)模型辨识算法对模型参数进行辨识和修正。对目标系统用动态系统方程和测量方程进行表征如下:
其中:t时刻状态变量
Figure 562541DEST_PATH_IMAGE002
, 观测变量
Figure 860667DEST_PATH_IMAGE003
, 系统噪声
Figure 809032DEST_PATH_IMAGE004
,测量噪声 
Figure 963938DEST_PATH_IMAGE005
A 是动态模型传递函数, C 是测量模型传递函数; Q  和 R 分别是系统噪声方差和测量噪声方差;
根据观测数据可用已有的线性动态系统期望最大化(EM)模型辨识算法迭代算出A、C、Q和R等模型及参数,即模型的辨识。
步骤八:根据辨识的模型,对机器人位置和周围环境之间关系的预测,检查机器人行进过程中是否会发生碰撞。如预测到不会发生碰撞,继续执行步骤四中伺服系统4的行进动作;否则,进行步骤一内容,更新数字地图1,供路径规划器3进行新一轮的路径局部重规划。
卡尔曼滤波问题往往是由测量方程所得到的观测信息求解系统状态的最优估计,整个滤波过程包括预测过程和更新过程。预测过程负责推算当前状态变量和误差协方差估计值,以便为下一个时间状态构造先验估计;更新过程负责反馈,它将先验估计和新的测量变量值结合以构造改进的后验估计。
单步预测:
Figure 997753DEST_PATH_IMAGE006
单步更新:
Figure 896308DEST_PATH_IMAGE007
其中,
Figure 761496DEST_PATH_IMAGE008
是数学期望
Figure 838036DEST_PATH_IMAGE009
是协方差期望
Figure 795814DEST_PATH_IMAGE011
为了令卡尔曼滤波器开始工作,需要设定卡尔曼模型两个零时刻的初始值:
Figure 277797DEST_PATH_IMAGE013
(经验值常取
Figure 286204DEST_PATH_IMAGE014
Figure 526561DEST_PATH_IMAGE015
)。 
卡尔曼滤波算法采用递推计算的方式,只要给定预估初始状值 
Figure 304025DEST_PATH_IMAGE012
和预估方差,结合t时刻的观测值(t=l,2,…),就可以递推、迭代计算得到逐渐收敛的t时刻的状态估计
假定在有限短的时间间隔
Figure 245808DEST_PATH_IMAGE017
内,目标系统是缓变的,即系统参数近似不变(或变化较小),则利用动态系统方程和量测方程可以迭代推算出
Figure 877777DEST_PATH_IMAGE017
时刻内目标的状态预测估计值。
Figure 677410DEST_PATH_IMAGE018
以上为方程表征。
实施例:
图2所示的机器人初始路径与机动目标卡尔曼滤波器模型状态预测轨迹图中,机器人及机动目标在90m × 70m 范围的二维水平面内运动。其中: 
机器人初始位置:Start;
动态目标点:target。
机器人在与target汇合前,先要抵达侦察点B完成某任务;
要避开障碍的集合,每个障碍的位置( Zx (i),Zy(i)),i= {1,2,?? ,N},实例中N取12; 
机器人抵达任务点B后,其机载传感器才发现有一新中低速机动目标;
机器人机动性能比其它机动目标优越; 
机器人行进路线规划的约束条件为避免发生碰撞的前提下达到目标时间最短; 
机器人对远处目标点target的机动信息更新可依赖于数据链通信;
目标状态预测的时间间隔h为2s。
通过基于卡尔曼滤波器预测环境状态的机器人避障方法,按以下步骤顺序操作:
根据给定的初始条件,建立的Voronoi 图,如图2中细长虚线所示,即生成了机器人和障碍物(实心圆点)状态空间。采用Dijkstra算法得到机器人初始规划路径,如图2中粗黑虚线所示。
由于机器人抵达点B后,发现有新中低速机动障碍Th。通过对Th的12s运动位置观测,利用上述基于卡尔曼滤波器模型状态预测方法,用EM算法辨识出近似的模型参数A * C * 、 Q *  和R *
预测时间间隔步长取0.1s,得到机动目标Th与target预测轨迹,即图2中星划线所示。
根据卡尔曼滤波器模型状态预测路径规划方法,机器人发现若继续原初始规划线路行进至E点(2s)后, 机器人会与机动障碍Th发生碰撞。因此,机器人行进至E点前,根据上述预测避障路径规划,需结合2s后预测的障碍位置及动态目标点target的预测位置D点,实施局部路径重规划。图3中的粗黑虚线为重规划的机器人路径。
由图3可知,该基于卡尔曼滤波器模型状态预测的机器人避障方法可以有效避免与障碍物发生碰撞,该方法保障了机器人在复杂、不确定环境中实时实施避障,直至机器人完成既定任务。 

Claims (2)

1.一种基于卡尔曼滤波器预测的机器人避障方法,其特征在于,包含以下步骤:
步骤一:设定初始的机器人任务环境的数字地图(1),并传送到机器人路径规划器(3);
步骤二:传感器系统(2)对机器人所处状态的测量信号作为机器人路径规划器(3)的输入信号;
步骤三:机器人的路径规划器(3)根据目前掌握的数字地图(1)、机器人所处状态、任务集及约束条件,对任务集进行排序,规划出行进无碰撞路径,并产生一系列机器人伺服系统(4)的行进点序列信号;
步骤四:基于伺服系统(4)的输出信号,调整传感器系统(2)对环境和自身运动状态进行监测并采集相应的实时数据;
步骤五:路径规划器(3)根据传感器系统(2)的反馈,进行状态判断;若自身运动状态与上次路径规划器目标位置坐标相同,规划结束;否则,进行步骤六的内容;
步骤六:判定有无新障碍物出现:若无新障碍物出现,继续执行步骤四中伺服系统(4)的行进动作;否则,进行步骤七的内容;
步骤七:建立新障碍物卡尔曼滤波器模型,根据传感器系统(2)的观测数据,对模型参数进行辨识和修正;
步骤八:根据辨识的模型、机器人位置和周围环境之间关系的预测,检查机器人行进过程中是否会发生碰撞,如预测到不会发生碰撞,继续执行步骤四中伺服系统(4)的行进动作;否则,进行步骤一的内容,更新数字地图(1),供路径规划器(3)进行新一轮的路径局部重规划。
2.根据权利要求1所述的一种基于卡尔曼滤波器预测的机器人避障方法,其特征在于:步骤三中,机器人对任务集进行排序时,根据已知给定机器人出发点、目标点及部分已知障碍物的初始位置,建立Voronoi 图状态空间,根据Dijkstra算法或DoubleSweep算法,沿Voronoi 图顶点搜到一条从机器人出发点至目标点的一条无碰撞路径,并产生一系列机器人伺服系统(4)行进点序列信号。
CN2010102734660A 2010-09-07 2010-09-07 一种基于卡尔曼滤波器预测的机器人避障方法 Expired - Fee Related CN101943916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2010102734660A CN101943916B (zh) 2010-09-07 2010-09-07 一种基于卡尔曼滤波器预测的机器人避障方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2010102734660A CN101943916B (zh) 2010-09-07 2010-09-07 一种基于卡尔曼滤波器预测的机器人避障方法

Publications (2)

Publication Number Publication Date
CN101943916A CN101943916A (zh) 2011-01-12
CN101943916B true CN101943916B (zh) 2012-09-26

Family

ID=43435947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2010102734660A Expired - Fee Related CN101943916B (zh) 2010-09-07 2010-09-07 一种基于卡尔曼滤波器预测的机器人避障方法

Country Status (1)

Country Link
CN (1) CN101943916B (zh)

Families Citing this family (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11750300B2 (en) 2005-06-15 2023-09-05 CSignum Ltd. Mobile device underwater communications system and method
EP2708334B1 (en) * 2011-05-12 2020-05-06 IHI Corporation Device and method for controlling prediction of motion
CN102566417B (zh) * 2012-02-17 2013-07-17 南京电力设备质量性能检验中心 一种柔性关节机械臂的动态面控制方法
DE102012203909A1 (de) * 2012-03-13 2013-09-19 Robert Bosch Gmbh Filterverfahren und Filtervorrichtung für Sensordaten
CN103092203A (zh) * 2013-01-15 2013-05-08 深圳市紫光杰思谷科技有限公司 主从机器人之间相对运动的控制方法
US9405286B2 (en) * 2013-03-01 2016-08-02 Fisher-Rosemount Systems, Inc. Use of predictors in process control systems with wireless or intermittent process measurements
CN103278164B (zh) * 2013-06-13 2015-11-18 北京大学深圳研究生院 一种复杂动态场景下机器人仿生路径规划方法及仿真平台
CN103439972B (zh) * 2013-08-06 2016-06-29 重庆邮电大学 一种动态复杂环境下的移动机器人路径规划方法
US10022867B2 (en) * 2014-11-11 2018-07-17 X Development Llc Dynamically maintaining a map of a fleet of robotic devices in an environment to facilitate robotic action
WO2017002258A1 (ja) * 2015-07-02 2017-01-05 三菱電機株式会社 経路予測装置
CN105892994B (zh) * 2016-04-05 2018-04-24 东南大学 一种移动机器人任务规划与执行异常情况处理方法及装置
CN106326838A (zh) * 2016-08-09 2017-01-11 惠州学院 一种基于线性动态系统的行为识别系统
CN108227691A (zh) * 2016-12-22 2018-06-29 深圳光启合众科技有限公司 机器人的控制方法、系统和装置及机器人
CN106896812B (zh) * 2017-01-11 2019-11-15 西北工业大学 一种存在测量不确定性下的反馈路径规划方法
CN108345823B (zh) * 2017-01-23 2021-02-23 郑州宇通客车股份有限公司 一种基于卡尔曼滤波的障碍物跟踪方法和装置
CN107423667A (zh) * 2017-04-12 2017-12-01 杭州奥腾电子股份有限公司 一种车体上的预测障碍物的方法
CN107703741B (zh) * 2017-08-31 2020-09-01 上海电力学院 基于准模型校准卡尔曼滤波的机器人运动系统辨识方法
CN107782311A (zh) * 2017-09-08 2018-03-09 珠海格力电器股份有限公司 可移动终端的移动路径规划方法及装置
CN107748562A (zh) * 2017-09-30 2018-03-02 湖南应用技术学院 一种综合性服务机器人
CN109919348A (zh) * 2017-12-12 2019-06-21 顺丰科技有限公司 一种路径优化方法、装置、设备、存储介质
CN108241373B (zh) * 2017-12-29 2022-12-30 日照市越疆智能科技有限公司 避障方法和智能机器人
CN108776488A (zh) * 2018-03-12 2018-11-09 徐晨旭 一种路径规划的方法
CN109101022A (zh) * 2018-08-09 2018-12-28 北京智行者科技有限公司 一种作业路径更新方法
CN109091075B (zh) * 2018-08-17 2024-03-08 天佑电器(苏州)有限公司 自移动装置及其行进控制方法
CN112346445A (zh) * 2019-08-07 2021-02-09 坎德拉(深圳)科技创新有限公司 一种配送机器人及其避障方法、计算机存储介质
CN112445209A (zh) * 2019-08-15 2021-03-05 纳恩博(北京)科技有限公司 机器人的控制方法和机器人、存储介质及电子装置
CN110703747B (zh) * 2019-10-09 2021-08-03 武汉大学 一种基于简化广义Voronoi图的机器人自主探索方法
CN111026115A (zh) * 2019-12-13 2020-04-17 华南智能机器人创新研究院 一种基于深度学习的机器人避障控制方法及装置
CN113050614B (zh) * 2019-12-26 2022-07-26 炬星科技(深圳)有限公司 机器人自主管理执行能力的方法、设备及存储介质
CN111913484B (zh) * 2020-07-30 2022-08-12 杭州电子科技大学 一种变电站巡检机器人在未知环境下的路径规划方法
CN112092810B (zh) * 2020-09-24 2022-06-14 上海汽车集团股份有限公司 一种车辆泊出方法、装置及电子设备
CN112535434B (zh) * 2020-10-23 2022-01-11 湖南新视电子技术有限公司 一种无尘室智能扫地机器人
CN112506222A (zh) * 2020-12-10 2021-03-16 中国南方电网有限责任公司超高压输电公司天生桥局 一种无人机智能化避障方法及装置
CN113654556A (zh) * 2021-07-05 2021-11-16 的卢技术有限公司 一种基于改进em算法的局部路径规划方法、介质及设备
CN114194219B (zh) * 2022-01-19 2023-09-12 上海智驾汽车科技有限公司 一种自动驾驶车辆行驶道路模型预测方法
CN114170561B (zh) * 2022-02-14 2022-05-06 盈嘉互联(北京)科技有限公司 一种应用于智能建筑的机器视觉行为意图预测方法
CN116107328A (zh) * 2023-02-09 2023-05-12 陕西科技大学 一种基于改进遗传算法的扑翼飞行器最优自动避障方法
CN117075596A (zh) * 2023-05-24 2023-11-17 陕西科技大学 一种环境和运动不确定下的机器人复杂任务路径规划方法及系统
CN116719317A (zh) * 2023-06-01 2023-09-08 盐城工学院 一种基于改进模型预测控制的无人车紧急避障方法
CN116703984B (zh) * 2023-08-07 2023-10-10 福州和众信拓科技有限公司 机器人路径规划及红外光图像融合方法、系统及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1389808A (zh) * 2002-07-18 2003-01-08 上海交通大学 机动多目标跟踪方法
CN101201626A (zh) * 2007-12-10 2008-06-18 华中科技大学 机器人自主定位系统
CN101402199A (zh) * 2008-10-20 2009-04-08 北京理工大学 基于视觉的手眼式低伺服精度机器人移动目标抓取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1389808A (zh) * 2002-07-18 2003-01-08 上海交通大学 机动多目标跟踪方法
CN101201626A (zh) * 2007-12-10 2008-06-18 华中科技大学 机器人自主定位系统
CN101402199A (zh) * 2008-10-20 2009-04-08 北京理工大学 基于视觉的手眼式低伺服精度机器人移动目标抓取方法

Also Published As

Publication number Publication date
CN101943916A (zh) 2011-01-12

Similar Documents

Publication Publication Date Title
CN101943916B (zh) 一种基于卡尔曼滤波器预测的机器人避障方法
Tai et al. Virtual-to-real deep reinforcement learning: Continuous control of mobile robots for mapless navigation
WO2017041730A1 (zh) 一种移动机器人避障导航的方法和系统
CN103517789B (zh) 运动预测控制装置和方法
CN112835333B (zh) 一种基于深度强化学习多agv避障与路径规划方法及系统
JP4746349B2 (ja) ロボット行動選択装置及びロボット行動選択方法
JP6939513B2 (ja) モデル予測制御装置
Magid et al. Voronoi-based trajectory optimization for UGV path planning
CN108844553A (zh) 校正机器人移动过程中的里程的方法、装置及机器人
CN113268074B (zh) 一种基于联合优化的无人机航迹规划方法
Li et al. A behavior-based mobile robot navigation method with deep reinforcement learning
CN112344945B (zh) 室内配送机器人路径规划方法、系统及室内配送机器人
Xu et al. Magnetic locating AGV navigation based on Kalman filter and PID control
Hewawasam et al. Comparative study on object tracking algorithms for mobile robot navigation in gps-denied environment
CN111045428B (zh) 避障方法、移动机器人及计算机可读存储介质
CN105203108A (zh) 基于动态威胁状态估计和威胁概率评估的auv在线航路规划方法
Guo et al. Optimal navigation for AGVs: A soft actor–critic-based reinforcement learning approach with composite auxiliary rewards
Fulgenzi et al. Probabilistic rapidly-exploring random trees for autonomous navigation among moving obstacles
Manoharan et al. Multi-AAV cooperative path planning using nonlinear model predictive control with localization constraints
Wei et al. Neural network based extended kalman filter for localization of mobile robots
Lim et al. A mobile robot tracking using Kalman filter-based gaussian process in wireless sensor networks
Mukherjee et al. Computational study of DFMB algorithm for unmanned vehicle in static 2D environment
Leng et al. An improved method for odometry estimation based on EKF and Temporal Convolutional Network
Lidoris et al. Combined trajectory planning and gaze direction control for robotic exploration
Cen et al. Effective application of Monte Carlo localization for service robot

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20120926

Termination date: 20150907

EXPY Termination of patent right or utility model