CN105652876A - 基于数组地图的移动机器人室内路径规划方法 - Google Patents

Abstract

基于数组地图的移动机器人室内路径规划方法，其中地图的表示方法有：几何地图、点云地图、拓扑地图和栅格地图等。栅格地图是把环境划分成一系列栅格，其中每一栅格给定一个可能值，表示该栅格被占据的概率。基于栅格地图的思想，本发明利用栅格地图的特殊情况，同时在地图的创建过程中做了适当的改变，提出了“数组地图”的概念。并基于数组地图，利用A*算法进行路径规划，同时在机器人移动的过程中，根据搭载的激光传感器获取实时数据，动态地更新数组地图。

Description

基于数组地图的移动机器人室内路径规划方法

技术领域

本发明属于机器人自主运动领域，涉及一种搭载激光测距传感器的移动机器人的路径规划及自主导航方法。

背景技术

智能移动机器人是一类能够通过传感器和其他技术感知环境和自身状态，实现在有障碍物的环境中面向目标的自主导航运动，从而完成预定任务的机器人系统。

移动机器人的定位作为机器人研究领域中最基本的问题已被广泛研究。GPS以其卓越的性能已经成为移动机器人室外定位导航普遍采用的定位系统，但当移动机器人被放置在室内环境时，GPS是不合适的。一方面，室内定位一般要求更高的定位精度(cm级)；另一方面，GPS定位系统对室内的覆盖效果并不好。至今为止，还没有一种通用的室内定位系统，因此，人们研究了各种各样的室内定位以及路径规划方法。

确定性环境的定位及导航控制方法已经取得大量的研究和应用成果，但对未知环境中的定位及导航控制尚有许多关键理论和技术问题有待解决和完善。针对未知环境，已有方法要么是首先利用多传感器生成栅格地图，然后利用A*算法进行路径规划，成本较大，不利于实现；要么是基于部分可知的地图，首先进行全局路径规划，然后在自主导航过程中进行避障，重新路径规划，再自主导航，周而复始，直至达到目标点，时间和空间复杂度较大，实时性无法保证。

发明内容

栅格地图法的思路是将环境均匀划分为若干个大小固定的栅格，每个栅格除了自身的位置参数外，还有一个参数P表示栅格被障碍物占用的概率，其中0<P<1。

基于栅格地图的思想，本发明考虑栅格地图的特殊情况，P值只取0或者1，P＝0，表示对应栅格无障碍，P＝1，表示对应栅格有障碍。并在地图的创建过程中做出适当的改变，提出了“数组地图”的概念。基于数组地图，利用A*算法进行路径规划，同时在机器人移动的过程中，根据搭载的激光传感器获取实时环境数据，动态地更新数组地图。

本发明提出的方法，数据量和时间复杂度均能满足移动机器人对实时性的要求。本发明也具有一定的实际应用价值：一是可以作为机器学习算法的实际测试平台，辅助教学；二是可以在当前位置信息已知的情况下，实现机器人的定点移动，可以减少不必要的人力资源；三是由于本发明使用硬件成本资源较少，易于实现。

本发明主要由移动机器人和激光传感器组成。激光测距传感器可以在二维平面上进行扇形扫描，用于获取机器人周围的实时环境信息。

移动机器人自主运动控制系统的建立包括两个阶段：

初始阶段：首先输入一个初始地图，默认室内环境是无障碍的，输入机器人的运动的起点和目标点，作为机器人导航的基础条件。

导航阶段：机器人进行动态地路径规划，继而导航。同时，利用激光传感器的数据进行避障，并更新数组地图，在机器人导航到目标点停止之后，优化之后的规划路径得以保存，同时数组地图保存了机器人导航过程中的环境信息。

机器人利用A*算法进行路径规划：

A*是Hart等人将启发式方法和常规方法相结合提出的一种算法。其估价函数为

f(X)＝g(X)+h(X)(1)

其中f(X)是从初始点经由节点X到目标点的估价函数，g(X)是在状态空间中从初始点到节点X的实际代价，h(X)是从节点X到目标点最优路径的估计代价.当估计代价h(X)不大于节点X到目标点的实际距离值时，搜索的点数多、效率低，但是能得到最优解；当h(X)大于节点X到目标点的实际距离值时，搜索的点数少、效率高，但是不能保证得到最优解；在本算法中，选取两节点间的欧几里得距离(直线距离)作为估计代价，即

$h\left(X\right)=\sqrt{{(x_G-x_X)}^2+{(y_G-y_X)}^2}---\left(2\right)$

其中，(x_X,y_X)是节点X的坐标，(x_G,y_G)是目标点G的坐标.

路径规划过程中的避障与否是对获取的激光传感器数据进行的判断结果：

机器人在移动过程中，每次在前进之前，都先利用搭载的激光传感器获取正前方栅格实时数据，根据数据判断，正前方栅格是否有障碍，以此来判断下一步的移动。但是实验所用激光传感器只能探测二维的扇形区域，而数组地图中每个节点对应的栅格环境是正方形。所以实验过程中，用激光扫描的三个扇形数据拼接成近似正方形区域，比只扫描正前方一个扇形，提高了精确度。

如说明书附图1所示，左右两个扇形激光数据各为一个9维向量，中间扇形激光数据为18维，拼接而成一个36维度的向量。只要探测到该36维数据有任何1维数据与无障碍时读数不同(无障碍时，激光返回数据为初始设定的激光扫描半径值)，即认为有障碍，继而更新数组地图。

激光扫描获得的数据向量表示为

laserData＝{x₁,x_2,...x_n}(n＝36)(3)

实验过程中获得的激光扫描示意图以及扫描获得的距离数据(逆时针)如下：

图1对应的激光扫描数据向量为：

{300,300,300,300,300,300,300,300,300,600,600,600,600,600,600,600,600,600,600,600,600,600,600,600,600,600,600,300,300,300,300,300,300,300,300,300}

图2对应的激光扫描数据向量为：

{300,300,300,300,300,300,300,300,300,600,434,414,393,379,369,363,358,356,357,362,370,382,393,413,600,600,600,300,300,300,300,300,300,300,300,300}

图3对应的激光扫描数据向量为：

{300,300,300,300,300,300,300,300,300,600,600,600,600,600,600,600,600,600,600,600,291,279,268,261,255,267,291,300,300,300,300,300,300,300,300,300}

图4对应的激光扫描数据向量为：

{300,300,300,300,300,300,300,300,300,347,323,314,313,324,345,600,600,600,600,600,600,600,600,600,600,600,600,300,300,300,300,300,300,300,300,300}

移动机器人在路径规划时需要判断前进、左右旋转或者停止。在判断前进时，需要以激光读取的实时数据为依据。考虑这几个因素，路径规划算法描述如下：

初始条件：

数组地图：初始令大小已知的数组地图中的节点元素都是0，即默认环境无障碍。

已达点列表：保存机器人已走过的栅格的列表。

不可用点列表：保存路径规划时不再考虑的栅格的列表。

相邻可达点：当前机器人所在栅格的邻域(距离机器人当前栅格位置四个正方向前、后、左、右步长为1的范围)中，在数组地图中对应节点元素值为0的且不在不可用点列表中的栅格。

步骤1：判断当前栅格是否是目标栅格，若是，则停止；否则根据数组地图判断当前栅格是否有相邻可达点，若有，转至步骤2；否则，转至步骤3；

步骤2：对所有相邻可达点根据上文提及的估价函数A*算法计算，选取出f(X)值最小的栅格节点X，判断X相对于当前栅格的方向是否为机器人正前方方向，若是，转至步骤4；否则，机器人原地旋转方向，直至正前方指向X，转至步骤4；

步骤3：将当前栅格节点设定为不可用点，从已达点列表中删除，并放入不可用点列表中，机器人退回到上一个栅格(即当前已达点列表中的最后一个栅格)，转至步骤1；

步骤4：读取激光数据，判断正前方栅格是否有障碍，若有，转至步骤5，否则转至步骤6；

步骤5：更新地图，将正前方栅格在数组地图中对应的节点值设置为1，转至步骤1；

步骤6：将正前方栅格节点添加到已达点列表，机器人向前前进一个栅格，转至步骤1。

附图说明

图1为三个扇形激光数据拼接成的近似正方形用来避障的数据源的图。

图2、图3、图4为有障碍时，激光扫描示意图。

图5为路径规划算法流程图。

图6为实验环境及过程示意图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的描述。

机器人的底部尺寸为65cm*50cm，高100cm。实验环境划定的栅格是60cm*60cm正方形，可见，机器人底部面积大小和栅格大小近似，给实验效果奠定了良好的基础。

步骤1：训练机器人室内移动的基本步长和左转右转的旋转半径；

步骤2：根据室内环境设定初始默认地图的大小；

步骤3：连接机器人控制程序，设置机器人导航起点和终点，启动机器人自主导航；

步骤4：机器人基于以上路径规划算法，在机器人当前栅格位置邻域中步长为1的四个栅格位置寻找局部最优点，进行移动，同时在移动过程中，利用测距激光传感器扫描机器人周围环境信息，动态更新数组地图，重新路径规划及移动，周而复始，直至到达终点。

实验环境及过程示意图如图6，设定起点和终点，然后让机器人进行路径规划，以及自主导航，继而更新数组地图，实验结果如下表所示：

表1移动机器人室内路径规划实验结果

停止距离(m)	测试总次数	成功次数	失败次数	成功率
					0.1	10	7	3	70％
0.3	10	8	2	80％
					0.5	10	9	1	90％

由实验结果可知，移动机器人在基于数组地图的未知环境，可自主探测且更新数组地图。但由于实际使用中需要知道机器人的初始位姿，长时间的移动导致累积误差偏大，所以当停止距离设置较大时，实验结果较好。

综上所述，在室内环境内，基于数组地图，利用A*算法动态规划路径，探测导航，更新数组地图是可行的，而且在设定不同的导航路径之后，数组地图记录的信息会越来越接近实际环境信息，使环境信息越来越明朗。

Claims (1)

1.基于数组地图的移动机器人室内路径规划方法，其特征在于：

栅格地图法的思路是将环境均匀划分为若干个大小固定的栅格，每个栅格除了自身的位置参数外，还有一个参数P表示栅格被障碍物占用的概率，其中0<P<1；

基于栅格地图的思想，本方法考虑栅格地图的特殊情况，P值只取0或者1，P＝0，表示对应栅格无障碍，P＝1，表示对应栅格有障碍；并在地图的创建过程中做出适当的改变，提出了“数组地图”的概念；基于数组地图，利用A*算法进行路径规划，同时在机器人移动的过程中，根据搭载的激光传感器获取实时环境数据，动态地更新数组地图；

数据量和时间复杂度均能满足移动机器人对实时性的要求；

本方法主要由移动机器人和激光传感器组成；激光测距传感器可以在二维平面上进行扇形扫描，用于获取机器人周围的实时环境信息；

移动机器人自主运动控制系统的建立包括两个阶段：

初始阶段：首先输入一个初始地图，默认室内环境是无障碍的，输入机器人的运动的起点和目标点，作为机器人导航的基础条件；

导航阶段：机器人进行动态地路径规划，继而导航；同时，利用激光传感器的数据进行避障，并更新数组地图，在机器人导航到目标点停止之后，优化之后的规划路径得以保存，同时数组地图保存了机器人导航过程中的环境信息；

机器人利用A*算法进行路径规划：

A*是Hart等人将启发式方法和常规方法相结合提出的一种算法；其估价函数为

f(X)＝g(X)+h(X)(1)

其中f(X)是从初始点经由节点X到目标点的估价函数，g(X)是在状态空间中从初始点到节点X的实际代价，h(X)是从节点X到目标点最优路径的估计代价.当估计代价h(X)不大于节点X到目标点的实际距离值时，搜索的点数多、效率低，但是能得到最优解；当h(X)大于节点X到目标点的实际距离值时，搜索的点数少、效率高，但是不能保证得到最优解；在本算法中，选取两节点间的欧几里得距离即直线距离作为估计代价，即

$h\left(X\right)=\sqrt{{(x_G-x_X)}^2+{(y_G-y_X)}^2}---\left(2\right)$

其中，(x_X,y_X)是节点X的坐标，(x_G,y_G)是目标点G的坐标.

路径规划过程中的避障与否是对获取的激光传感器数据进行的判断结果：

机器人在移动过程中，每次在前进之前，都先利用搭载的激光传感器获取正前方栅格实时数据，根据数据判断，正前方栅格是否有障碍，以此来判断下一步的移动；但是实验所用激光传感器只能探测二维的扇形区域，而数组地图中每个节点对应的栅格环境是正方形；所以实验过程中，用激光扫描的三个扇形数据拼接成近似正方形区域，比只扫描正前方一个扇形，提高了精确度；

左右两个扇形激光数据各为一个9维向量，中间扇形激光数据为18维，拼接而成一个36维度的向量；只要探测到该36维数据有任何1维数据与无障碍时读数不同，即认为有障碍，继而更新数组地图；

激光扫描获得的数据向量表示为

laserData＝{x₁,x₂,...x_n}(n＝36)(3)

移动机器人在路径规划时需要判断前进、左右旋转或者停止；在判断前进时，需要以激光读取的实时数据为依据；考虑这几个因素，路径规划算法描述如下：

初始条件：

数组地图：初始令大小已知的数组地图中的节点元素都是0，即默认环境无障碍；

已达点列表：保存机器人已走过的栅格的列表；

不可用点列表：保存路径规划时不再考虑的栅格的列表；

相邻可达点：当前机器人所在栅格的邻域中，在数组地图中对应节点元素值为0的且不在不可用点列表中的栅格；

步骤1：判断当前栅格是否是目标栅格，若是，则停止；否则根据数组地图判断当前栅格是否有相邻可达点，若有，转至步骤2；否则，转至步骤3；

步骤2：对所有相邻可达点根据上文提及的估价函数A*算法计算，选取出f(X)值最小的栅格节点X，判断X相对于当前栅格的方向是否为机器人正前方方向，若是，转至步骤4；否则，机器人原地旋转方向，直至正前方指向X，转至步骤4；

步骤3：将当前栅格节点设定为不可用点，从已达点列表中删除，并放入不可用点列表中，机器人退回到上一个栅格，转至步骤1；

步骤4：读取激光数据，判断正前方栅格是否有障碍，若有，转至步骤5，否则转至步骤6；

步骤5：更新地图，将正前方栅格在数组地图中对应的节点值设置为1，转至步骤1；

步骤6：将正前方栅格节点添加到已达点列表，机器人向前前进一个栅格，转至步骤1。