CN103605368A - 一种动态未知环境中路径规划方法及装置 - Google Patents

Abstract

本申请提供一种动态未知环境中路径规划方法及装置，通过在机器人沿着预先设置的最优路径移动过程中，利用线性规划梯度方法以及预先设置的滚动窗口获取的环境信息进行计算得到一条无碰最优路径，然后通过对得到的无碰最优路径以及获取的滚动窗口内的感知信息进行计算得到局部路径，在计算过程中通过使用滚动窗口来降低计算量、提高效率，并通过线性规划梯度方法的应用保证全局收敛以及避免陷入局部极小以及震荡的问题。

Description

一种动态未知环境中路径规划方法及装置

技术领域

本申请涉及自主导航技术领域，特别是涉及一种路径规划方法及装置。

背景技术

未知环境中的路径规划主要是通过局部路径的规划方法直接把传感器的数据影射到动作，现有技术中常用的未知环境中的路径规划方法主要有如下几种：

1）、栅格法，栅格法主要是将机器人工作空间分为具有二值信息的网格单元，分别表示自由空间和障碍物，但是栅格的划分直接影响其规划结果，如果栅格划分过大，环境信息储藏量小，分辨率下降，规划能力差；栅格划分过小，规划时间长，而且对信息存储能力的要求急剧增加。

2）、人工势场法，人工势场法是由Khatib提出的一种基于势场的方法，其主要是在机器人工作空间建立虚拟人工势场，通过目标点对机器人产生引力，障碍物产生斥力，使得机器人在合力作用下找出可行路径。但是，该方法却有如下几点明显的缺陷：a、机器人容易陷入因局部极小点而产生的陷阱区域。b、在相近的障碍物之间不能发现路径。c、在障碍物前振荡。d、一些参数也要通过试验调整。e、当目标点距离障碍物很近时目标不可达，因而利用人工势场法常导致规划的失败。

3）、遗传算法，遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机化的搜索算法，它具有简单、隐含并行性和全局优化等优点，对于传统搜索方法和非线形问题具有良好的适用性，但是遗传算法运算速度不快，进化众多的规划要占据较大的存储空间和运算时间，而且由于常规遗传算法本身存在的一些缺陷（如解的早熟现象、局部寻优能力差等），保证不了对路径规划的效率和可靠性的要求。

4）、模糊控制算法，模糊控制算法则是把传感信息和目标模糊化,利用隶属度函数控制机器人运动,其是一种未知环境下的高级机器人模糊导航方法,由8个不同的超声传感器来提供环境信息,然后利用基于模糊控制的导航器来计算这些信息并规划机器人路径。虽然该方法在环境未知或发生变化的情况下,能够快速而准确地规划机器人路径,但是其缺点是当障碍物数目增加时,该方法的计算量会很大,影响规划结果。

因此，亟需一种动态未知环境中路径规划方法及装置，以实现在路径规划过程中，在降低计算量、提高效率的基础上，保证全局收敛，避免陷入局部极小和震荡的问题。

发明内容

有鉴于此，本申请实施例提供一种动态未知环境中路径规划方法及装置，以实现在路径规划过程中，在降低计算量、提高效率的基础上，保证全局收敛，避免陷入局部极小和震荡的问题。

为了实现上述目的，本申请实施例提供的技术方案如下：

一种动态未知环境中路径规划方法，包括：

在机器人沿着预先设置的最优路径移动的过程中，获取预先设置的滚动窗口内的环境信息，所述最优路径为根据全局路径规划方法预先设置的一条从起点到目标点的路径；

利用所述环境信息以及预先设置的线性规划梯度方法对滚动窗口内的局部路径进行规划，选择一条无碰最优路径；

获取预先设置的滚动窗口内的感知信息，根据所述感知信息以及所述无碰最优路径确定一条局部路径，以实现对动态未知环境中路径的规划。

优选的，还包括：

当确定局部路径后，控制机器人根据所述局部路径行进一步。

优选的，所述预先设置最优路径的过程为：

接收用户输入的全局环境信息、机器人的起点信息以及目标点信息；

根据所述全局环境信息、起点信息、目标点信息以及与预先设置的全局路径规划方法计算一条从起点到目标点的最优路径。

优选的，所述利用所述环境信息以及预先设置的线性规划梯度方法对滚动窗口内的局部路径进行规划，选择一条无碰最优路径，包括：

将所述目标点赋值为0，所述环境信息中的其他点赋值为无穷大；

将所述目标点放入活动列表；

在预先设置的路径代价函数的每次循环中，对所述活动列表中的每一点进行操作，从所述活动列表中将该点删除并更新它的8领域点。

优选的，根据所述感知信息以及所述无碰最优路径确定一条局部路径，包括：

根据所述感知信息以及所述无碰最优路径确定局部子目标，并对动态障碍物的运动进行预测得到预测结果，所述预测结果为判断所述机器人是否会与所述动态障碍物相碰撞；

根据滚动窗口内的环境信息以及预测结果，确定向所述局部子目标行进的局部路径。

优选的，通过激光传感器获取所述环境信息以及所述感知信息。

一种动态未知环境中路径规划装置，包括：环境信息获取单元、无碰最优路径选择单元以及局部路径确定单元，其中，

所述环境信息获取单元用于在机器人沿着预先设置的最优路径移动的过程中，获取预先设置的滚动窗口内的环境信息，所述最优路径为根据全局路径规划方法预先设置的一条从起点到目标点的路径；

所述无碰最优路径选择单元与所述环境信息获取单元相连接，用于利用所述环境信息以及预先设置的线性规划梯度方法对滚动窗口内的局部路径进行规划，选择一条无碰最优路径；

所述局部路径确定单元与所述无碰最优路径选择单元相连接，用于获取预先设置的滚动窗口内的感知信息，根据所述感知信息以及所述无碰最优路径确定一条局部路径，以实现对动态未知环境中路径的规划。

优选的，还包括：控制单元，

所述控制单元与所述局部路径确定单元相连接，用于当确定局部路径后，控制机器人根据所述局部路径行进一步。

优选的，还包括：最优路径预设单元，其中，所述最优路径预设单元包括：信息接收单元以及最优路径计算单元，

所述信息接收单元用于接收用户输入的全局环境信息、机器人的起点信息以及目标点信息；

所述最优路径计算单元与所述信息接收单元相连接，用于根据所述全局环境信息、起点信息、目标点信息以及与预先设置的全局路径规划方法计算一条从起点到目标点的最优路径。

优选的，所述无碰最优路径选择单元包括：赋值单元、存放单元以及操作单元，其中，

所述赋值单元的一端与所述环境信息获取单元相连接，另一端与所述最优路径计算单元相连接，用于将所述目标点赋值为0，所述环境信息中的其他点赋值为无穷大；

所述存放单元与所述赋值单元相连接，用于将所述目标点放入活动列表；

操作单元与所述存放单元相连接，用于在预先设置的路径代价函数的每次循环中，对所述活动列表中的每一点进行操作，从所述活动列表中将该点删除并更新它的8领域点。

本申请提供一种动态未知环境中路径规划方法及装置，通过在机器人沿着预先设置的最优路径移动过程中，利用线性规划梯度方法以及预先设置的滚动窗口获取的环境信息进行计算得到一条无碰最优路径，然后通过对得到的无碰最优路径以及获取的滚动窗口内的感知信息进行计算得到局部路径，在计算过程中通过使用滚动窗口来降低计算量、提高效率，并通过线性规划梯度方法的应用保证全局收敛以及避免陷入局部极小以及震荡的问题。

附图说明

为了更清楚地说明本申请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，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，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附图。

图1为本申请实施例一提供的一种动态未知环境中路径规划方法流程图；

图2为本申请实施例一提供的一种近邻点的更新方法示意图；

图3为本申请实施例一提供的一种基于线性规则梯度方法的三个不同阶段的示意图；

图4为本申请实施例一提供的一种障碍物代价示意图；

图5（1）为本申请实施例一提供的一种没有考虑障碍物运动信息的机器人的运动信息示意图；

图5（2）为本申请实施例一提供的一种考虑障碍物运动信息的机器人的运动信息示意图；

图6为本申请实施例二提供的一种动态未知环境中路径规划方法流程图；

图7为本申请实施例三提供的一种动态未知环境中路径规划装置结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，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。

实施例一：

图1为本申请实施例一提供的一种动态未知环境中路径规划方法流程图。

如图1所示，该方法包括：

S101、在机器人沿着预先设置的最优路径移动的过程中，获取预先设置的滚动窗口内的环境信息。

在本申请实施例中预先设置有最优路径，该最优路径为根据全局路径规划方法预先设置的一条从起点到目标点的路径，其中，预先设置最优路径的过程为：首先接收用户输入的全局环境信息、机器人的起点信息以及目标点信息，然后根据全局环境信息、起点信息、目标点信息以及与预先设置的全局路径规划方法计算一条从起点到目标点的最优路径。

在本申请实施例中，机器人在初始时，根据该预先设置的最优路径进行移动，且在机器人上预先设置有滚动窗口，该滚动窗口优选的为位于机器人前方的正方形扫描区域，在机器人的移动过程中，会获取预先设置的滚动窗口内的环境信息，其中，环境信息为预先设置的滚动窗口范围内的障碍物等信息，如：墙、柱子以及人等。

在本申请实施例中，优选的，滚动窗口为正方形扫描区域，发明人还可以根据自己的需求任意设置滚动窗口的形状，且发明人也可以根据自己的需求任意设置滚动窗口的大小。

S102、利用环境信息以及预先设置的线性规划梯度方法对滚动窗口内的局部路径进行规划，选择一条无碰最优路径。

在本申请实施例中，在机器人移动过程中，会首先获取机器人上的预先设置的滚动窗口中的环境信息，并根据预先设置的线性规划梯度方法对滚动窗口内的局部路径进行规划，选择一条无碰最优路径，其过程主要为：（1）将机器人的目标点赋值为0，且将环境信息中的其他点赋值为无穷大。（2）将目标点放入活动列表。（3）在预先设置的路径代价函数的每次循环中，对活动列表中的每一点进行操作，从活动列表中将该点删除并更新它的8领域点。

如图2所示的一种近邻点的更新方法中，更新一个点p的操作如下：假设p点的代价为18，它有如图2中所示的8个近邻，对其中的任意一个近邻q，可以根据公式（1）计算从p到该点的路径代价：C′=18+12+6=36，如果计算得到的代价小于原来的代价，即C′<38，则用新代价值替换旧的，并且将该点加入到活动列表中，重复该过程，直到活动列表为空。

公式（1）如下：

其中，F(P_k)表示一条路径的代价函数由路径上每一点的“自身代价”(即该点受障碍物的影响程度)和从一点运动到邻接点的“邻接代价”组成，I(p_i)表示穿过点p_i的代价，A(p_i,p_i+1)的代价可以根据点p_i和点p_i+1之间的欧几里德几何距离进行设置。

图3提供一种基于线性规则梯度方法的三个不同阶段示意图，图中的矩形框表示采样点的自身代价，导航评价函数通过在每一个点的梯度方向描述，如图中每个点的小线段所示，因为在障碍物附近的梯度是没有定义的，因此这些地方的导航评价函数是均匀的，值得注意的是梯度点是背离障碍物的。另一个关于导航评价函数的特征是脊的出现，脊表示最小路径代价选择的点，如图3的最后一副是机器人到目标的最短路径，如果导航评价函数已知，这条路径很容易求得：从机器人出发，根据梯度移动最短距离，在新的位置，通过插值寻找梯度，再运动最短距离，不断重复，直到目标。

S103、获取预先设置的滚动窗口内的感知信息，根据感知信息以及无碰最优路径确定一条局部路径，以实现对动态未知环境中路径的规划。

在本申请实施例中，当确定无碰最优路径后，会获取预先设置的滚动窗口内的感知信息，该感知信息是通过激光传感器获取的数据信息，如：机器人与障碍物之间的距离等。

当获取到预先设置的滚动窗口内的感知信息后，会根据感知信息以及在步骤S102中计算得到的无碰最优路径确定一条局部路径，其过程主要为：（1）根据感知信息以及无碰最优路径确定局部子目标，并对动态障碍物的运动进行预测得到预测结果，预测结果为判断机器人是否会与动态障碍物相碰撞。（2）根据滚动窗口内的环境信息以及预测结果，确定向局部子目标行进的局部路径。

如图4所示的一种障碍物代价示意图，如果环境中的障碍物用采样点集表示，设d(p)表示点p到最近障碍物点的距离，那么I(P)=V(d(p))，其中V是一个递减函数。如图4所示的两个V函数，在离障碍物20cm范围内，两个函数都有很高的代价，其中机器人的半径是20cm；图中函数V1显然在20cm范围之外时要比函数V2递减的快，函数V1要比函数V2更允许机器人接近障碍物，因此在计算如图3所示的障碍物代价时，选择函数V1。如果选择函数V2，则会产生一条次优的运动路径。

为了实现对动态障碍物的运动进行预测，因此将障碍物的运动学特征与线性规划梯度方法相结合，通过建立一个能够反映障碍物运动信息的模型，为障碍物的运动对周围环境产生的影响进行评估。

如图5（1）所示的没有考虑障碍物运动信息的机器人的运动信息示意图，以及如图5（2）所示的考虑障碍物运动信息的机器人的运动信息示意图，黑色圆形表示障碍物，箭头表示运动方向，圆和椭圆分别表示考虑和不考虑运动信息情况下障碍物产生的影响区域，折线表示规划路径。把运动的障碍物当作静态障碍物处理得出一个圆形的影响区域，而通过建立障碍物的运动信息模型得到一个偏速度方向的影响区域，影响区域的不同导致了规划路径的不同，实验表明将障碍物的运动学特征与线性规划梯度方法相结合的方法在动态环境下表现的效果更好，设计的运动信息模型如下：

$F(\mathrm{\&alpha;}\left(p\right),|v|,d\left(p\right))=\mathrm{\&gamma;}\&CenterDot;\frac{e^{a\&CenterDot;\mathrm{\&alpha;}\left(p\right)}\&CenterDot;d\left(p\right)}{e^{b\&CenterDot;\left|v\right|}}$

其中，R表示障碍物半径，C表示障碍物所处位置采样点的“自身代价”(非常大的值)，C₀为一小于C的常数，这是为了防止规划出经过障碍物的路径(若C₀=C,F(α(p),|v|,d(p))=0则有可能出现)。d(p)表示采样点p与障碍物的距离，α(p)表示p与障碍物速度方向的夹角，|v|表示速度的模。

该模型可以反映出障碍物的运动信息：α(p)越大，则F(α(p),|v|,d(p))越大，影响区域沿着障碍物速度向量轴拉伸；|v|越小，则F(α(p),|v|,d(p))越大，表明障碍物速度越大影响区域的范围越大。同时当α(p)比较小(趋近于0或等于0)时，e^a·α(p)是一个大于等于1的值，使障碍物影响区域内采样点自身代价的变化比较平缓；当|v|=0时，即障碍物静止时，F(α(p),|v|,d(p))=γ·d(p)，d(p)越大，F(α(p),|v|,d(p))越大，表明距离障碍物越远受影响越小，可以得到一个圆形影响区域，从而能够比较好地处理有静态障碍物的情况。同时该模型可以比较快地收敛于0。根据不同的需要调整参数a,b,γ的值可以改变影响区域的大小。

在本申请实施例中，在室内环境中，除了一些永久固定不变的障碍物外(墙、门等)，还有静态障碍物(桌子、凳子等)，动态障碍物(人等)。机器人为了无碰的运动，必须能对这些障碍物正确的感知，然而机器人配置的传感器感知能力都是有限的，或者由于其它目标的遮挡，仅能获得一些目标的部分信息，因此为了解决机器人感知范围的局限性，优选的采用如下几步快速更新滚动窗口内的感知信息：(1)将所有新传感器测距数据加入到机器人的滚动窗口中，每一个数据根据机器人的位姿和与机器人的相对方向关系表示。(2)对当前传感器扫描范围内的每一个旧的扫描点，如果在同一方向上有新的测距点比该点还远，则用新的替换旧的；(3)如果某个测距点大于预先设定的距离阈值，或者该点一段时间没有发生变化，则删掉该点。因此距离阈值确定了机器人滚动窗口的大小，通常该值取决于机器人位姿的可靠性，以及传感器读数的可靠性。

上述提供的方式仅仅为本申请实施例一提供的几种优选方式，发明人还可以根据自己的需求任意设置其他方式来实现快速更新滚动窗口内感知信息的目的。

在本申请实施例中，为了更好的路径规划，优选的，本发明的滚动窗口分为可视窗口和规划窗口，可视窗口指机器人的感知范围，由于采用可进行180°扇形扫描的激光测距仪，并且最远有效距离为6米，因此可视窗口定义为该封闭扇形区域的外切正方形；而机器人的规划窗口指机器人进行路径规划的窗口，可以根据机器人的运动速度和环境空间来定义。机器人在运动过程中，传感器系统的实时感知信息融合到可视窗口中，由于机器人运动速度可能变化，因此连续滚动规划的时间间隔可能不相同，并且相邻规划窗口之间可能会有重叠区域。

本申请提供一种动态未知环境中路径规划方法，通过在机器人沿着预先设置的最优路径移动过程中，利用线性规划梯度方法以及预先设置的滚动窗口获取的环境信息进行计算得到一条无碰最优路径，然后通过对得到的无碰最优路径以及获取的滚动窗口内的感知信息进行计算得到局部路径，在计算过程中通过使用滚动窗口来降低计算量、提高效率，并通过线性规划梯度方法的应用保证全局收敛以及避免陷入局部极小以及震荡的问题。

实施例二：

图6为本申请实施例二提供的一种动态未知环境中路径规划方法流程图。

如图6所示，该方法包括：

S201、在机器人沿着预先设置的最优路径移动的过程中，获取预先设置的滚动窗口内的环境信息。

S202、利用环境信息以及预先设置的线性规划梯度方法对滚动窗口内的局部路径进行规划，选择一条无碰最优路径。

S203、获取预先设置的滚动窗口内的感知信息，根据感知信息以及无碰最优路径确定一条局部路径，以实现对动态未知环境中路径的规划。

本申请实施例二提供的步骤S201-S203分别与上述实施例一中的步骤S101-S103的执行过程一一对应，本申请实施例二提供的步骤S201-S203的详细描述请参见本申请实施例一中的步骤S101-S103，在此不再赘述。

S204、当确定局部路径后，控制机器人根据局部路径行进一步。

在本申请实施例中，当每次确定机器人的局部路径后，会控制机器人根据确定的局部路径行进一步，且当机器人按照局部路径行进一步后，会返回执行步骤S201，获取机器人行进一步以后，滚动窗口内的环境信息，并重新执行确定局部路径的过程，直到当机器人到达目标点后，不在循环执行步骤S201，而是执行结束过程。

本申请提供一种动态未知环境中路径规划方法，通过在机器人沿着预先设置的最优路径移动过程中，利用线性规划梯度方法以及预先设置的滚动窗口获取的环境信息进行计算得到一条无碰最优路径，然后通过对得到的无碰最优路径以及获取的滚动窗口内的感知信息进行计算得到局部路径，当确定局部路径后，控制机器人根据局部路径行进一步，通过在计算过程中通过使用滚动窗口来降低计算量、提高效率，并通过线性规划梯度方法的应用保证全局收敛以及避免陷入局部极小以及震荡的问题。

实施例三：

图7为本申请实施例三提供的一种动态未知环境中路径规划装置结构示意图。

如图7所示，该装置包括：环境信息获取单元1、无碰最优路径选择单元2以及局部路径确定单元3。

其中，环境信息获取单元1用于在机器人沿着预先设置的最优路径移动的过程中，获取预先设置的滚动窗口内的环境信息，最优路径为根据全局路径规划方法预先设置的一条从起点到目标点的路径。

无碰最优路径选择单元2与环境信息获取单元1相连接，用于利用环境信息以及预先设置的线性规划梯度方法对滚动窗口内的局部路径进行规划，选择一条无碰最优路径。

局部路径确定单元3与无碰最优路径选择单元2相连接，用于获取预先设置的滚动窗口内的感知信息，根据感知信息以及无碰最优路径确定一条局部路径，以实现对动态未知环境中路径的规划。

进一步的，在本申请实施例三提供的动态未知环境中路径规划装置中，还包括：控制单元，

该控制单元与局部路径确定单元相连接，用于当确定局部路径后，控制机器人根据局部路径行进一步。

进一步的，在本申请实施例提供的动态未知环境中路径规划装置中，还包括：最优路径预设单元，该最优路径预设单元包括信息接收单元以及最优路径计算单元，其中，

信息接收单元用于接收用户输入的全局环境信息、机器人的起点信息以及目标点信息。

最优路径计算单元与信息接收单元相连接，用于根据全局环境信息、起点信息、目标点信息以及与预先设置的全局路径规划方法计算一条从起点到目标点的最优路径。

进一步的，在本申请实施例三提供的动态未知环境中路径规划装置中的无碰最优路径选择单元包括：赋值单元、存放单元以及操作单元，其中，

赋值单元的一端与环境信息获取单元相连接，另一端与最优路径计算单元相连接，用于将目标点赋值为0，环境信息中的其他点赋值为无穷大。

存放单元与赋值单元相连接，用于将目标点放入活动列表。

操作单元与存放单元相连接，用于在预先设置的路径代价函数的每次循环中，对活动列表中的每一点进行操作，从活动列表中把该点删除并更新它的8领域点。

本申请提供一种动态未知环境中路径规划装置，包括：环境信息获取单元、无碰最优路径选择单元以及局部路径确定单元，通过无碰最优路径选择单元在机器人沿着预先设置的最优路径移动过程中，利用线性规划梯度方法以及环境信息获取单元获取的预先设置的滚动窗口获取的环境信息进行计算得到一条无碰最优路径，然后通过局部路径确定单元对得到的无碰最优路径以及获取的滚动窗口内的感知信息进行计算得到局部路径，通过在计算过程中通过使用滚动窗口来降低计算量、提高效率，并通过线性规划梯度方法的应用保证全局收敛以及避免陷入局部极小以及震荡的问题。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

以上仅是本申请的优选实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种动态未知环境中路径规划方法，其特征在于，包括：

在机器人沿着预先设置的最优路径移动的过程中，获取预先设置的滚动窗口内的环境信息，所述最优路径为根据全局路径规划方法预先设置的一条从起点到目标点的路径；

利用所述环境信息以及预先设置的线性规划梯度方法对滚动窗口内的局部路径进行规划，选择一条无碰最优路径；

获取预先设置的滚动窗口内的感知信息，根据所述感知信息以及所述无碰最优路径确定一条局部路径，以实现对动态未知环境中路径的规划。

2.根据权利要求1所述的方法，其特征在于，还包括：

当确定局部路径后，控制机器人根据所述局部路径行进一步。

3.根据权利要求1所述的方法，其特征在于，所述预先设置最优路径的过程为：

接收用户输入的全局环境信息、机器人的起点信息以及目标点信息；

根据所述全局环境信息、起点信息、目标点信息以及与预先设置的全局路径规划方法计算一条从起点到目标点的最优路径。

4.根据权利要求3所述的方法，其特征在于，所述利用所述环境信息以及预先设置的线性规划梯度方法对滚动窗口内的局部路径进行规划，选择一条无碰最优路径，包括：

将所述目标点赋值为0，所述环境信息中的其他点赋值为无穷大；

将所述目标点放入活动列表；

在预先设置的路径代价函数的每次循环中，对所述活动列表中的每一点进行操作，从所述活动列表中将该点删除并更新它的8领域点。

5.根据权利要求4所述的方法，其特征在于，根据所述感知信息以及所述无碰最优路径确定一条局部路径，包括：

根据所述感知信息以及所述无碰最优路径确定局部子目标，并对动态障碍物的运动进行预测得到预测结果，所述预测结果为判断所述机器人是否会与所述动态障碍物相碰撞；

根据滚动窗口内的环境信息以及预测结果，确定向所述局部子目标行进的局部路径。

6.根据权利要求1-5任意一项所述的方法，其特征在于，通过激光传感器获取所述环境信息以及所述感知信息。

7.一种动态未知环境中路径规划装置，其特征在于，包括：环境信息获取单元、无碰最优路径选择单元以及局部路径确定单元，其中，

所述环境信息获取单元用于在机器人沿着预先设置的最优路径移动的过程中，获取预先设置的滚动窗口内的环境信息，所述最优路径为根据全局路径规划方法预先设置的一条从起点到目标点的路径；

所述无碰最优路径选择单元与所述环境信息获取单元相连接，用于利用所述环境信息以及预先设置的线性规划梯度方法对滚动窗口内的局部路径进行规划，选择一条无碰最优路径；

所述局部路径确定单元与所述无碰最优路径选择单元相连接，用于获取预先设置的滚动窗口内的感知信息，根据所述感知信息以及所述无碰最优路径确定一条局部路径，以实现对动态未知环境中路径的规划。

8.根据权利要求7所述的装置，其特征在于，还包括：控制单元，

所述控制单元与所述局部路径确定单元相连接，用于当确定局部路径后，控制机器人根据所述局部路径行进一步。

9.根据权利要求7所述的装置，其特征在于，还包括：最优路径预设单元，其中，所述最优路径预设单元包括：信息接收单元以及最优路径计算单元，

所述信息接收单元用于接收用户输入的全局环境信息、机器人的起点信息以及目标点信息；

所述最优路径计算单元与所述信息接收单元相连接，用于根据所述全局环境信息、起点信息、目标点信息以及与预先设置的全局路径规划方法计算一条从起点到目标点的最优路径。

10.根据权利要求9所述的装置，其特征在于，所述无碰最优路径选择单元包括：赋值单元、存放单元以及操作单元，其中，

所述赋值单元的一端与所述环境信息获取单元相连接，另一端与所述最优路径计算单元相连接，用于将所述目标点赋值为0，所述环境信息中的其他点赋值为无穷大；

所述存放单元与所述赋值单元相连接，用于将所述目标点放入活动列表；

操作单元与所述存放单元相连接，用于在预先设置的路径代价函数的每次循环中，对所述活动列表中的每一点进行操作，从所述活动列表中将该点删除并更新它的8领域点。

Images