CN105116881B - 一种基于在线学习机制的轮式机器人自适应导航方法 - Google Patents
一种基于在线学习机制的轮式机器人自适应导航方法 Download PDFInfo
- Publication number
- CN105116881B CN105116881B CN201510362963.0A CN201510362963A CN105116881B CN 105116881 B CN105116881 B CN 105116881B CN 201510362963 A CN201510362963 A CN 201510362963A CN 105116881 B CN105116881 B CN 105116881B
- Authority
- CN
- China
- Prior art keywords
- ihdr
- robot
- trees
- data
- laser
- 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.)
- Active
Links
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明涉及一种基于在线学习机制的轮式机器人自适应导航方法。首先控制轮式机器人对指定的路径进行学习,通过SICK激光测距仪来获取周围环境与轮式机器人之间的精确距离信息,采用增量分层判别回归算法IHDR将距离信息与运动控制信息的映射关系存入树型结构知识库中。学习完毕后轮式机器人将不断检索所构建的知识库并回归出运动控制量进行导航,同时基于自主逃离障碍区的避障算法实施背景避障,一旦避障开启,建立新的环境距离信息和运动控制信息的映射关系,实时更新至知识库中。本发明提升了轮式机器人的智能化水平,使其对复杂的动态环境具备了自适应能力,并且在线学习算法和避障算法的双闭环共同作用提高了导航效率。
Description
技术领域
本发明属于移动机器人导航技术领域,基于SICK激光测距仪获取周围环境与轮式机器人之间的精确距离信息,采用一种在线学习机制让轮式机器人学习导航路径,并且在进行导航时采用一种自主逃离障碍区的避障算法进行背景避障,从而实现轮式机器人的自适应导航。
背景技术
移动机器人导航是机器人领域的热门课题,使用更加精简的传感器来获取更加优良的路径进行导航一直是业界普遍追求的目标。
传统的导航方法要实现指定路径的自适应导航,需要依赖大量的传感器信息,同时还要对各种传感器信息进行数据的融合处理,导致传统的导航方法存在实时性差、导航精度低等不足,而目前采用的基于学习机制的导航方法,使机器人能够像人一样进行心智发育和记忆信息,直接根据人传授的导航路径进行导航,因此该方法具有导航路径最优、执行效率高、对传感器依赖程度低等优点。然而,由于导航场景的动态变化、遮挡、相似物干扰等复杂外界环境干扰的存在,单一基于学习机制的导航,会因当前场景和学习场景之间的差异,使机器人产生错误判断,造成偏航。并且由于学习和检索过程中的误差客观存在,即使是在严格的静态场景中,单一基于学习机制的导航也会在一定几率上发生偏航现象,一旦偏航发生,机器人碰撞等事故风险会大大增加。因此,这种导航方法的鲁棒性仍有待提高。
另外,导航传感器的选配也是决定导航性能的关键所在。激光测距仪(LRF)因其具备高精度、数据量精简、视域宽阔、受环境光照影响小等特性被作为导航传感器大量应用于轮式机器人避障导航中。轮式机器人的避障能力同样也决定了其自适应导航时的表现,基于激光测距仪的避障方法常用有求可行方向的方法,它较好地解决了激光测距仪在避障过程中因激光距离数据处理不全面而导致的盲区问题。但在避障时若想实现逃离障碍区或使机器人绕过障碍物继续前进,还需要对机器人进行定位和构建环境地图等手段辅助。
发明内容
本发明针对上述基于单一学习机制的导航方法中,不适应动态环境、碰撞风险始终存在的问题,以及基于激光测距仪进行避障导航时必须依赖其他传感器辅助才可实现逃离障碍区的问题,提供了一种基于在线学习机制的轮式机器人自适应导航方法,解决了基于单一学习机制导航的动态场景鲁棒性不足和碰撞风险客观伴随的问题。本发明基于增量分层判别回归算法(Incremental Hierarchical Discriminant Regression,下文简称IHDR)和自主逃离障碍区避障算法的自适应导航方法。优化了轮式机器人的导航路径,提升了导航效率。
为解决上述的技术问题,本发明采用的技术方案如下:
一种基于在线学习机制的轮式机器人自适应导航方法,其特征在于:首先根据周围的环境情景进行分析判断,人为规划出供机器人行驶的最优导航路径;然后控制机器人沿着所述最优导航路径进行运动并在学习模式下实时在线学习和训练,建立当前环境的距离信息与轮式机器人的运动控制信息的映射关系,并将该映射关系存放入IHDR树中,导航路径学习完成时IHDR树同时也构建完毕,之后机器人根据IHDR树中的所述映射关系进行自主导航;在根据训练得到的IHDR树进行自主导航时,背景避障监测模式同时作用,实时监测周围障碍物与机器人间的距离,一旦该距离小于或等于预先设置的阈值,立即开启避障导航模式,同时获取当前场景的激光距离数据和当前时刻机器人的速度数据,更新至IHDR树中;若当前时刻周围障碍物与机器人间的距离大于预先设定的阈值,则将机器人运动的控制权重新返回学习模式,机器人根据之前训练得到的IHDR树继续进行导航。
上述技术方案中,所述背景避障监测模式下主要利用激光测距仪进行距离测定。
上述技术方案中,主要包括如下步骤:
步骤1:设置轮式机器人串口及参数,初始化轮式机器人的控制模块;设置激光测距仪的串口通信波特率,设置激光扫描范围及扫描分辨率,设置距离数据的精度,发送开始接受激光数据的指令;
步骤2:根据周围环境特征与目标点位置,人为规划出供机器人行驶的最优路径后,使用电脑键盘上的方向键在上位机软件中控制机器人沿着规划好的路径进行运动和在线学习;
步骤3:在步骤2进行的过程中,采集当前激光测距仪返回的周围环境与机器人之间的激光距离数据,再对应识别当前键盘方向键的键值,得出当前时刻机器人的速度数据;
步骤4:建一棵IHDR空树,然后将步骤3得到的激光距离数据和激光距离数据下对应的速度数据根据IHDR算法存入到IHDR树中;
步骤5:以设定频率重复步骤3和步骤4,其中步骤4中建一棵IHDR空树操作只进行一次,直至机器人在人为控制下到达目标点,此时控制机器人做出停止运动的操作,将停止运动时刻的速度数据与对应的激光距离数据一同存入IHDR树中;最后IHDR树建立完成并存入到存储器中,路径学习完毕;
步骤6:开启自适应导航,进行初始化设置,使轮式机器人开始自主运动;
步骤7:采集激光数据,首先将其放入到自主逃离障碍区避障算法中进行检验,若结果得出无需进行避障操作则进入步骤8,反之则进行避障操作,同时开启增量学习模式,将当前激光距离数据与对应的由避障算法得出的速度数据根据IHDR算法更新至之前保存的IHDR树中;
步骤8:接着将采集到的激光距离数据根据IHDR算法放入IHDR树中进行回归分析,从而得到当前激光距离数据在保存的IHDR树中对应的回归速度数据;再将该回归速度数据放入控制轮式机器人运动的函数当中,实现机器人导航操作;
步骤9:一直循环运行步骤7、步骤8,直至使机器人到达目标点。
上述技术方案中,步骤1中设置的轮式机器人直线运动速度为0.2m/s,左右转动速度为±15°/s。
上述技术方案中,激光测距仪的扫描范围为0~180°,分辨率为1°,距离精度为1mm,最大扫描距离为8m。
上述技术方案中,步骤4中,IHDR树中包括X空间和Y空间;X空间是激光距离数据,Y空间是各激光距离数据下对应的速度数据,每一个时刻的激光距离数据Xi和对应的速度数据Yi都建立起了映射关系:
f:Xi→Yi(i=0,1,...,M|M为所有学习样本数)
然后依据这种映射关系和IHDR算法的建树方法存储至IHDR树中。
上述技术方案中,步骤5的设定频率为200ms一次。
上述技术方案中,步骤7和步骤8的整个过程中,若经过自主逃离障碍区避障算法得出的可行方向为90°,即直行,则不执行直行操作,而是将当前激光距离数据继续放入到IHDR树中进行检索,根据回归出的回归速度数据控制机器人进行运动;若经过避障算法得出需要转动,则执行转动操作,同时把当前激光距离数据和对应的控制转动的速度数据更新至IHDR树中,然后再进行IHDR树的检索与回归,根据得出的回归速度数据再进行运动。
本发明的基于在线学习机制的轮式机器人自适应导航方法吸收了基于学习机制导航方法的导航路径优、执行效率高等优点。又针对单一基于学习机制的导航方法不适应动态环境的问题,利用避障算法动态环境适应力强的特性弥补了这一缺陷。自适应导航方法中的背景避障实时监测模式采用一种最远距离优先机制,使机器人避障时始终选择离障碍区最远的路径,让运动操作始终趋向于逃离障碍区,有效防止了机器人在动态环境中因当前场景和学习场景之间的差异而导致的偏航以及降低了客观伴随的碰撞风险。避障算法和IHDR算法的双闭环共同作用,优化了轮式机器人的导航路径,提升了导航效率。
附图说明
图1为本发明的基于在线学习机制的轮式机器人自适应导航方法的流程图。
图2为本发明学习训练和背景避障监测模式下的SICK激光射线示意图。
图3为IHDR树型结构知识库示意图。
具体实施方式
为了进一步说明本发明的技术方案,下面结合附图1-3对本发明的基于在线学习机制的轮式机器人自适应导航方法进行详细的说明。
本发明使用SICK激光测距仪获取当前环境的距离信息来对周围环境进行感知,使轮式机器人按照规划好的路径进行在线学习,学习的信息为当前SICK激光数据(即激光距离数据)与其对应的速度数据,连同这种映射关系让两组数据一并存入IHDR树中。学习完成时,IHDR同时建立完毕。轮式机器人进行自适应导航时,是通过反复采集当前SICK激光数据,首先将该数据放入避障算法中进行检验,若得出需要进行避障操作,则开启避障运动模式直至得出无需进行避障操作的结果。若直接得出无需进行避障操作,则直接将当前SICK激光数据放入到IHDR树中进行检索,找出之前IHDR树的学习样本中,与当前SICK激光数据最接近的那一组,然后提取出这一组数据中对应的速度数据作为轮式机器人的运动控制量,从而实现轮式机器人的自适应导航。
上述技术方案整个过程的流程图如附图1所示,具体实现步骤如下:
步骤1:设置轮式机器人串口及参数,初始化轮式机器人的控制模块;设置SICK激光测距仪的串口通信波特率,设置激光扫描范围及扫描分辨率,设置距离数据的精度,发送开始接受激光数据的指令。详细步骤如下:
步骤1-1:设置轮式机器人运动控制卡的相关参数以及与其通信的上位机的波特率;
步骤1-2:设置上位机串口波特率为9600(本发明采用的激光测距仪选用自德国SICK公司,型号为LMS200。设置的SICK激光测距仪的扫描范围为0~180°,分辨率为1°,距离精度为1mm,最大扫描距离为8m。其中SICK激光测距仪LMS200的开机默认波特率为9600),再向SICK发送设置波特率的串口指令(串口指令码见LMS_Quick_Manual_V1_1手册),将波特率设置为38400。继续发送串口指令,分别将SICK激光器返回的距离数据的单位设置为mm,扫描模式设置为扫描范围0°~180°、分辨率1°,设置成功后的激光扫描示意图如附图2所示,SICK激光测距仪的正右方为0°方向,正左方为180°方向,从0°至180°分别收到的是对应方向上激光测距仪与障碍物之间的距离数据;
步骤1-3:向SICK激光测距仪发送开始接收激光数据的串口指令;
步骤2:根据周围环境特征与目标点位置,人为规划出供机器人行驶的最优路径后,使用计算机键盘上的方向键在上位机软件中控制机器人沿着规划好的路径进行运动和在线学习;步骤2中使用的是基于MFC编写的上位机软件,其中做了重载PreTranslateMessage函数的处理,任意时刻按下方向键都会相应的对存储速度数据的变量进行重新赋值,再将该变量传递至控制机器人运动的程序函数中,从而控制机器人运动。
步骤3:在步骤2进行的过程中,采集当前SICK激光测距仪返回的周围环境与机器人之间的距离数据(以下简称SICK激光数据),再对应识别当前键盘方向键的键值,得出当前机器人的速度数据。详细步骤如下:
步骤3-1:首先一直读取连接SICK激光测距仪的串口,根据SICK激光数据的帧格式规范,识别出帧头数据后进行读取,再从其中提取出距离数据进行转换后,得到当前的181个距离数据;
步骤3-2:判断当前的键盘键值,可推出当前控制机器人运动的速度数据,即一个2维的浮点型数据(x,y);
步骤4:将步骤3得到的SICK激光数据和对应的速度数据根据IHDR算法存入到IHDR树中。详细步骤如下:
步骤4-1:先进行建IHDR空树的操作,即设置IHDR树的主要参数:
步骤4-1-1:设置X空间行向量的维数为181维(0°~180°共181个距离数据);Y空间的行向量的维数为2维,这是由于控制机器人运动的程序函数如下:
Drive(x,y)
其中浮点数x表示直线运动速度,单位为m/s,正数为前进,负数为后退。浮点数y表示转向速度,单位为°/s,正数为右转,负数为左转。故Y空间的行向量为(x,y);
步骤4-1-2:设置IHDR树的每一个节点最多能容纳的聚类个数q,本发明中q=10;
步骤4-1-3:设置X空间中聚类向量间的聚类阈值δx,本发明δx=600;设置Y空间中聚类向量间的聚类阈值δy,本发明δy=5;
步骤4-2:将当前收到的激光数据xi(181维)和距离数据yi(2维)存入IHDR树中;
步骤5:以200ms一次的频率重复步骤3和步骤4(建IHDR空树操作只进行一次),直至机器人在人的控制下到达目标点,此时控制机器人做出停止运动的操作(即调用Drive(0,0)),将停止运动的速度数据(即(0,0))与对应的SICK激光数据(181维)一同存入IHDR树中。最后IHDR树建立完毕,将其存入到硬盘中,路径学习完毕;
步骤6:开启自适应导航,进行初始化设置、MFC中关闭和打开相关定时器和线程等程序操作,使轮式机器人开始自主运动;
步骤7:采集SICK激光数据,首先将其放入到自主逃离障碍区避障算法(以下简称避障算法)中进行检验,若结果得出无需进行避障操作则进入步骤8,反之则进行避障操作,同时开启增量学习模式,将当前SICK距离数据与对应的由避障算法得出的速度数据根据IHDR算法更新至之前保存的IHDR树中。详细步骤如下:
步骤7-1:预先设定阈值Rt为600mm。将当前在串口中获取的SICK激光数据(181维)的0°~179°每3°分成60个小区间,依次编号Si,i=0,1,…,59。例如S0中包含0°、1°、2°方向的距离数据,S1中包含3°、4°、5°方向的距离数据,以此类推;
步骤7-2:把每个小区间的距离数据与Rt进行比较,若小区间内的3个距离数据都大于Rt,则保留作为准可行小区间,否则舍去。例如:
S0={2103,1023,879},即0°方向的距离为2103mm、1°方向的距离为1023mm、2°方向的距离为879mm,皆大于阈值,则将S0保留作为准可行小区间;S1={212,1233,2578},即3°方向的距离为212mm、4°方向的距离为1233mm、5°方向的距离为2578mm,其中3°方向的距离小于阈值,故将S1舍去。以此类推;
步骤7-3:合并所有相邻的准可行小区间,获得N个准可行大区间(若某小区间无相邻的准可行小区间则自成为一个准可行大区间);
步骤7-4:对N个准可行大区间进行弦长条件的判断,将满足弦长条件的准可行大区间标记为待选可行大区间。弦长条件如下:
以待别判的准可行大区间的两个边界为扇形的两边,Rt为扇形的半径,得到的这个扇形的弦长L必须满足:
L≥λd
其中λ为放大系数,本发明λ=1.4。d为轮式机器人直径,本发明d=500mm。
步骤7-5:根据最远距离优先机制,在步骤7-4得出的D个待选可行大区间中,计算每个区间中所有激光距离数据的最大值Mi。再令
Mk=Max{Mi|i=1,2,...,D}
则选择第K个待选可行大区间为可行区间,此扇形区间的角平分线方向即为可行方向;
步骤7-6:进行控制误差判断:判断得到的可行方向与机器人90°(正前方)方向的夹角是否大于15°。若大于15°,则控制机器人进行转动,转动角度为
θ=可行方向-90°
θ为负数则表示右转,θ为正数则表示左转。进行转动运动的同时,记录机器人当前的速度数据(x,y)和采集当前SICK激光数据,更新至IHDR树中;若小于或等于15°,则不实施转动操作,直接进入步骤8;
步骤8:接着将采集到的SICK激光数据根据IHDR算法放入IHDR树中进行回归分析,从而得到回归结果,即当前SICK激光数据在保存的IHDR树中对应的速度数据。再将该回归结果放入控制轮式机器人运动的函数当中,实现机器人导航操作。详细步骤如下:
步骤8-1:如附图3所示,将采集到的SICK激光数据(181维)与IHDR树根节点下的所有聚类(子节点)的聚类中心求基于概率的距离(probability-based distance),选出距离最近的K(K为每个节点下能够检索聚类中心数的上限值)个聚类中心设为活跃聚类中心;
步骤8-2:观察步骤8-1求得的K个聚类中心有没有子节点(child),某个聚类中心若有子节点,则取消该聚类中心的活跃设定,而与其子节点进行基于概率的距离的比较,再选出基于概率的距离最近的K个聚类中心设为活跃聚类中心。若无子节点则保留该活跃聚类中心设定。最多可能设K2个活跃聚类中心;
步骤8-3:重复步骤8-2,直至检索到最底层的子节点。设得到P个活跃聚类中心;
步骤8-4:把得到的SICK激光数据与这P个活跃聚类中心进行求基于概率的距离,得到距离最近的那个聚类中心c;
步骤8-5:c所在的聚类中,对所有Y空间的向量求均值,得出的均值(xc,yc)即为回归值;
步骤8-6:将(xc,yc)放入函数Drive(x,y)中,从而控制机器人进行运动;
步骤9:一直循环运行步骤7、步骤8,直至使机器人到达目标点;
上述步骤7-6中,由于激光测距仪不处在机器人转向时的中心(悬挂固定在轮式机器人的前部),且在测量和控制中会不可避免地产生误差。为了程序的可实现性,故在获取可行方向后,进行了一些控制误差的处理。
经过优选,本发明所使用的轮式机器人共有五个行驶轮,其中有两个独立驱动轮和三个万向随动轮。其控制方式为两轮差动式驱动,驱动轮直径194mm,两轮间距401mm,采用工业级高性能同步带传送。其运动控制模块的核心部件是下位机的运动控制卡,上位机通过串口(RS232)向下位机发送指令,运动控制卡的PWM信号输入到电机驱动器,作为电机驱动器的控制信号,通过调节PWM信号的占空比来改变机器人的运行速度,本发明中轮式机器人直线运动速度为0.2m/s,左右转向速度为±15°/s。
综上,本发明基于SICK激光测距仪获取的距离信息来感知周围环境,提出一种基于增量分层判别回归(IHDR)算法和移动机器人自主逃离障碍区避障算法的自适应导航方法,发扬了基于学习机制进行导航时,导航路径最优、执行效率高、对传感器依赖程度低等优点,同时弥补了基于单一学习机制导航不适用于动态环境的缺陷,使得轮式机器人基于在线学习机制进行导航时对动态环境具备了自适应能力。
Claims (5)
1.一种基于在线学习机制的轮式机器人自适应导航方法,首先根据周围的环境情景进行分析判断,人为规划出供机器人行驶的最优导航路径;然后控制机器人沿着所述最优导航路径进行运动并在学习模式下实时在线学习和训练,建立当前环境的距离信息与轮式机器人的运动控制信息的映射关系,并将该映射关系存放入IHDR树中,导航路径学习完成时IHDR树同时也构建完毕,之后机器人根据IHDR树中的所述映射关系进行自主导航;在根据IHDR树进行自主导航时,背景避障监测模式同时作用,实时监测周围障碍物与机器人间的距离,一旦该距离小于或等于预先设置的阈值,立即开启避障导航模式,同时获取当前场景的激光距离数据和当前时刻机器人的速度数据,更新至IHDR树中;若当前时刻周围障碍物与机器人间的距离大于预先设定的阈值,则将机器人运动的控制权重新返回学习模式,机器人根据IHDR树继续进行导航;所述背景避障监测模式下主要利用激光测距仪进行距离测定;主要包括如下步骤:
步骤1:设置轮式机器人串口及参数,初始化轮式机器人的控制模块;设置激光测距仪的串口通信波特率,设置激光扫描范围及扫描分辨率,设置距离数据的精度,发送开始接受激光数据的指令;
步骤2:根据周围环境特征与目标点位置,人为规划出供机器人行驶的最优路径后,使用电脑键盘上的方向键在上位机软件中控制机器人沿着规划好的路径进行运动和在线学习;
步骤3:在步骤2进行的过程中,采集当前激光测距仪返回的周围环境与机器人之间的激光距离数据,再对应识别当前键盘方向键的键值,得出当前时刻机器人的速度数据;
步骤4:建一棵IHDR空树,然后将步骤3得到的激光距离数据和激光距离数据下对应的速度数据根据IHDR算法存入到IHDR树中;
步骤5:以设定频率重复步骤3和步骤4,其中步骤4中建一棵IHDR空树操作只进行一次,直至机器人在人为控制下到达目标点,此时控制机器人做出停止运动的操作,将停止运动时刻的速度数据与对应的激光距离数据一同存入IHDR树中;最后IHDR树建立完成并存入到存储器中,路径学习完毕;
步骤6:开启自适应导航,进行初始化设置,使轮式机器人开始自主运动;
步骤7:采集激光数据,首先将其放入到自主逃离障碍区避障算法中进行检验,若结果得出无需进行避障操作则进入步骤8,反之则进行避障操作,同时开启增量学习模式,将当前激光距离数据与对应的由避障算法得出的速度数据根据IHDR算法更新至之前保存的IHDR树中;
步骤8:接着将采集到的激光距离数据根据IHDR算法放入IHDR树中进行回归分析,从而得到当前激光距离数据在保存的IHDR树中对应的回归速度数据;再将该回归速度数据放入控制轮式机器人运动的函数当中,实现机器人导航操作;
步骤9:一直循环运行步骤7、步骤8,直至使机器人到达目标点;
其特征在于:步骤7和步骤8的整个过程中,若经过自主逃离障碍区避障算法得出的可行方向为90°,即直行,则不执行直行操作,而是将当前激光距离数据继续放入到IHDR树中进行检索,根据回归出的回归速度数据控制机器人进行运动;若经过避障算法得出需要转动,则执行转动操作,同时把当前激光距离数据和对应的控制转动的速度数据更新至IHDR树中,然后再进行IHDR树的检索与回归,根据得出的回归速度数据再进行运动。
2.根据权利要求1所述的基于在线学习机制的轮式机器人自适应导航方法,其特征在于:步骤1中设置的轮式机器人直线运动速度为0.2m/s,左右转动速度为±15°/s。
3.根据权利要求1所述的基于在线学习机制的轮式机器人自适应导航方法,其特征在于:激光测距仪的扫描范围为0~180°,分辨率为1°,距离精度为1mm,最大扫描距离为8m。
4.根据权利要求1所述的基于在线学习机制的轮式机器人自适应导航方法,其特征在于:步骤4中,IHDR树中包括X空间和Y空间;X空间是激光距离数据,Y空间是各激光距离数据下对应的速度数据,每一个时刻的激光距离数据Xi和对应的速度数据Yi都建立起了映射关系:
f:Xi→Yi;
其中,i=(0,1,...,M);M为所有学习样本数;
然后依据这种映射关系和IHDR算法的建树方法存储至IHDR树中。
5.根据权利要求1所述的基于在线学习机制的轮式机器人自适应导航方法,其特征在于:步骤5的设定频率为200ms一次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510362963.0A CN105116881B (zh) | 2015-06-26 | 2015-06-26 | 一种基于在线学习机制的轮式机器人自适应导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510362963.0A CN105116881B (zh) | 2015-06-26 | 2015-06-26 | 一种基于在线学习机制的轮式机器人自适应导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105116881A CN105116881A (zh) | 2015-12-02 |
CN105116881B true CN105116881B (zh) | 2018-03-16 |
Family
ID=54664899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510362963.0A Active CN105116881B (zh) | 2015-06-26 | 2015-06-26 | 一种基于在线学习机制的轮式机器人自适应导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105116881B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105867386A (zh) * | 2016-05-30 | 2016-08-17 | 深圳乐行天下科技有限公司 | 机器人导航系统及方法 |
CN107272682A (zh) * | 2017-06-16 | 2017-10-20 | 深圳市可飞科技有限公司 | 移动平台自动规避碰撞的方法、系统及移动平台 |
CN107610235B (zh) * | 2017-08-21 | 2020-11-10 | 北京精密机电控制设备研究所 | 一种基于深度学习的移动平台导航方法和装置 |
CN108255182B (zh) * | 2018-01-30 | 2021-05-11 | 上海交通大学 | 一种基于深度强化学习的服务机器人行人感知避障方法 |
CN109655059B (zh) * | 2019-01-09 | 2022-05-13 | 武汉大学 | 一种基于θ-增量学习的视觉-惯性融合导航系统及方法 |
CN111481108B (zh) * | 2019-01-28 | 2023-09-01 | 北京奇虎科技有限公司 | 扫地机重定位方法及装置 |
US20220111515A1 (en) * | 2019-02-13 | 2022-04-14 | Abb Schweiz Ag | Method and Apparatus for Managing Robot Program |
CN110196596B (zh) * | 2019-06-04 | 2022-05-27 | 南阳理工学院 | 一种基于碰撞风险分析的四轮移动机器人模糊避障方法 |
CN112304334B (zh) * | 2020-09-19 | 2023-12-22 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于mfc对话框的导航组件精度计算方法 |
CN114394102B (zh) * | 2022-01-24 | 2023-05-05 | 江苏徐工工程机械研究院有限公司 | 姿态传感器的校准方法和行驶装置 |
CN116412830B (zh) * | 2023-06-06 | 2023-08-11 | 深圳市磅旗科技智能发展有限公司 | 一种基于ihdr的物流机器人自适应导航方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1758283A (zh) * | 2005-11-03 | 2006-04-12 | 复旦大学 | 模拟多尺度交叠感受野的神经网络及其建立方法和应用 |
CN102973395A (zh) * | 2012-11-30 | 2013-03-20 | 中国舰船研究设计中心 | 一种多功能智能导盲方法、处理器及其装置 |
CN103712617A (zh) * | 2013-12-18 | 2014-04-09 | 北京工业大学 | 一种基于视觉内容的多层语义地图的创建方法 |
CN103926838A (zh) * | 2014-04-22 | 2014-07-16 | 山东大学 | 基于云计算的自主心智发育云机器人系统 |
-
2015
- 2015-06-26 CN CN201510362963.0A patent/CN105116881B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1758283A (zh) * | 2005-11-03 | 2006-04-12 | 复旦大学 | 模拟多尺度交叠感受野的神经网络及其建立方法和应用 |
CN102973395A (zh) * | 2012-11-30 | 2013-03-20 | 中国舰船研究设计中心 | 一种多功能智能导盲方法、处理器及其装置 |
CN103712617A (zh) * | 2013-12-18 | 2014-04-09 | 北京工业大学 | 一种基于视觉内容的多层语义地图的创建方法 |
CN103926838A (zh) * | 2014-04-22 | 2014-07-16 | 山东大学 | 基于云计算的自主心智发育云机器人系统 |
Non-Patent Citations (1)
Title |
---|
Developmental Learning of High-dimensional Sensorimotor Regression and Its Application to Car Driving Assistance;Zhengping Ji;《Thesis Proposal of Comprehensive Examination》;20071231;第2章 * |
Also Published As
Publication number | Publication date |
---|---|
CN105116881A (zh) | 2015-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105116881B (zh) | 一种基于在线学习机制的轮式机器人自适应导航方法 | |
Cai | ROBOTICS: From Manipulator to Mobilebot | |
CN111399505B (zh) | 一种基于神经网络的移动机器人避障方法 | |
CN103057678B (zh) | 海底生物捕捞机器人的自主导航和人机协同捕捞作业系统 | |
CN102914967B (zh) | 采摘机器人的自主导航和人机协同采摘作业系统 | |
CN109871032A (zh) | 一种基于模型预测控制的多无人机编队协同控制方法 | |
CN108594846A (zh) | 一种障碍环境下多auv编队队形优化控制方法 | |
CN109426260A (zh) | 自动驾驶装置 | |
CN106406338A (zh) | 一种基于激光测距仪的全向移动机器人的自主导航装置及其方法 | |
CN104850120A (zh) | 基于ihdr自主学习框架的轮式移动机器人导航方法 | |
CN116257082B (zh) | 多无人机分布式主动协同探测方法 | |
CN109799829B (zh) | 一种基于自组织映射的机器人群体协同主动感知方法 | |
CN109572857A (zh) | 一种麦克纳姆轮智能仓储agv及其路径规划方法 | |
CN109709944A (zh) | 一种自动驾驶公交车的进站方法及其进站路径的生成方法 | |
CN110174112A (zh) | 一种用于移动机器人自动建图任务的路径优化方法 | |
CN114237238A (zh) | 一种自主导航的智能投料饲喂机器人及其投料饲喂方法 | |
EP4367566A1 (en) | Two-wheeled, self-balancing robot | |
Song et al. | A new hybrid method in global dynamic path planning of mobile robot | |
Short et al. | Abio-inspiredalgorithminimage-based pathplanning and localization using visual features and maps | |
Wang et al. | Research on autonomous planning method based on improved quantum Particle Swarm Optimization for Autonomous Underwater Vehicle | |
CN115805595B (zh) | 机器人导航方法、装置及杂物清理机器人 | |
CN116907452A (zh) | 基于集群auv数据驱动的亚中尺度涡观测方法 | |
Wang et al. | CRASH: A collaborative aerial-ground exploration system using hybrid-frontier method | |
Han et al. | Mapless path planning of multi-robot systems in complex environments via deep reinforcement learning | |
Han et al. | Underwater Multi-Target Node Path Planning in Hybrid Action Space: A Deep Reinforcement Learning Approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |