CN107436604A - 一种智能环境下运载机器人路径智能分解控制规划方法 - Google Patents
一种智能环境下运载机器人路径智能分解控制规划方法 Download PDFInfo
- Publication number
- CN107436604A CN107436604A CN201710643367.9A CN201710643367A CN107436604A CN 107436604 A CN107436604 A CN 107436604A CN 201710643367 A CN201710643367 A CN 201710643367A CN 107436604 A CN107436604 A CN 107436604A
- Authority
- CN
- China
- Prior art keywords
- path
- global
- mrow
- planning
- coordinate
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 241000282461 Canis lupus Species 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000003068 static effect Effects 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 125000006850 spacer group Chemical group 0.000 claims description 28
- 230000004888 barrier function Effects 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 241000282421 Canidae Species 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims 1
- 230000001276 controlling effect Effects 0.000 description 6
- 230000005764 inhibitory process Effects 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种智能环境下运载机器人路径智能分解控制规划方法，该方法包括：步骤1：对运载机器人运载区域构建全局地图三维坐标系，获取在全局地图三维坐标系下的可行走区域坐标；步骤2：获取训练样本集；步骤3：构建运载机器人的全局静态路径规划模型；步骤4：实时获取最优路径，完成运输任务。本发明通过构建狼群算法优化的核极限学习机建立路径规划模型，在智能环境下能快速的找到全局最优解，避免了常见的路径规划中陷入局部最优的问题。
Description
技术领域
本发明属于机器人路径规划领域，特别涉及一种智能环境下运载机器人路径智能分解控制规划方法。
背景技术
随着智能制造时代的到来，运载机器人越来越广泛的地被应用在实验室、工厂、医疗智能环境当中，执行运输各种零件、试验原料、医疗物品等任务，代替工人进行体力劳动，大幅提升自动化水平。其中，运载机器人的路径规划水平决定了机器人在实际任务的运行效率，运输任务的耗时决定了生产、试验的周期，如何提高路径规划的水平，减少运输任务的时间一直是该领域的难点。
人工智能技术的近年来不断发展，神经网络算法、遗传算法、粒子群算法和人工鱼群算法等智能仿生路径规划算法得到应用，已取得一系列研究成果，形成一系列典型规划算法，如中国专利CN106094834A公开了一种基于已知环境下的移动机器人路径规划方法，其主要依靠Floyd算法，而在实际情况下，使用Floyd算法在大型空间内，大量栅格点的情况下，会出现计算灾难，遇到随环境容易变动的椅子，垃圾桶之类的障碍物，机器人会需要过长的时间计算，不利于实际环境下的运行。期刊《基于改进蚁群算法的移动机器人动态路径规划方法》中提出了提出了一种基于改进蚁群算法的路径规划算法，克服了局部最优问题，但是无法应对智能复杂环境中的未知的变化，面对新出现的障碍物无法避让。
发明内容
本发明提供了一种智能环境下运载机器人路径智能分解控制规划方法，其目的在于，克服上述现有技术中存在的问题，本发明通过构建狼群算法优化的核极限学习机建立路径规划模型，在智能环境下能快速的找到全局最优解，避免了常见的路径规划中陷入局部最优的问题。并且增加了限时控制系统，能够提高运载机器人在路径规划中的效率。
一种智能环境下运载机器人路径智能分解控制规划方法，包括以下步骤：
步骤1：对运载机器人运载区域构建全局地图三维坐标系，获取在全局地图三维坐标系下的可行走区域坐标；
运载区域地面中心点为原点，正东方向为X轴，正北方向为Y轴，垂直地面方向为Z轴；
所述运载机器人运载区域为一个楼栋内所有的地板连通区域，所述可行走区域坐标是指从所有的地板连通区域中删除楼栋内的障碍物所在区域；
在全局地图三维坐标系中，每个楼层的地板连通区域的二维平面坐标相同，z坐标不同；
步骤2：获取训练样本集；
在全局地图三维坐标系中，设计至少200组可行走区域中不同的点到点的最优全局规划路径，以每条全局规划路径作为一个训练样本；
步骤3：构建运载机器人的全局静态路径规划模型；
利用训练样本集中每个样本的起点-终点坐标和对应的最优全局规划路径分别作为输入数据和输出数据，对核极限学习机进行训练，得到基于核极限学习机的全局静态路径规划模型；
其中，在训练过程中，核极限学习机所使用的权值、核参数和阈值采用狼群算法进行优化选择寻优获得；
步骤4：实时获取最优路径，完成运输任务；
运输机器人接收到运输任务指令，将运输任务指令中的起点和终点坐标输入至基于核极限学习机的全局静态路径规划模型，输出对应的最优全局规划路径。
进一步的，所述基于核极限学习机的全局静态路径规划模型中核极限学习机使用狼群算法进行优化选择的过程如下：
步骤2.1：以个体狼的位置作为全局静态路径规划中的核极限学习机的权值、核参数及阈值，随机初始化狼群中的每只个体狼并设置狼群参数；
狼群包含多只个体狼；
狼群规模的取值范围为[50,300]，步长因子的取值范围为[80,160]，探狼比例因子的取值范围为[2,6]，最大游走次数的取值范围为[15,30]，距离判定因子的取值范围为[50,100]，最大奔袭次数的取值范围为[5,15]，更新比例因子的取值范围为[2,6]，最大迭代次数的取值范围为[500,1000]，最大搜索精度的取值范围为[0.001,0.01]；
步骤2.2：设定适应度函数，并确定初始最优头狼位置和迭代次数t，t＝1；
将个体狼位置体对应的核极限学习机权值，核参数，阈值代入基于核极限学习机的全局静态路径规划模型中，并利用个体狼位置确定的基于核极限学习机模型的全局静态路径规划模型输出全局训练样本集中每个全局训练样本起点和终点对应的全局规划路径，将所有全局训练样本的输出的全局规划路径和人工设计的最优路径作商，再取均值，作为适应度函数F；
其中，M为训练样本数，n为输出的全局规划路径所经历的坐标点的个数，xi,j和xi,j-1为第i个全局训练样本使用该狼确定的核极限学习机模型得到的路径中第j点和第j-1点的X轴坐标，类似的，yi,j和yi,j-1分别为第j点和第j-1点的标Y轴坐标，第j点和第j-1点为相邻两点，L为人工设置的样本对应最优设计全局路径的长度；
模型输出的路径越短，狼个体的适应度F越大，个体越优秀；
步骤2.3：更新狼群，并获得更新后的最优头狼位置；
依次对所有个体狼进行游走行为、奔袭行为、围攻行为；
步骤2.4：判断是否达到优化精度要求或最大迭代次数，达到后输出头狼的位置对应的核极限学习机所使用的权值、核参数和阈值，没有达到，则返回步骤2.3，并且t＝t+1。
进一步的，运载机器人依据得到的最优全局规划路径前行，执行运输任务时，在前行过程中，利用Kinect传感器结合设置在天花板上的定位片，实时获取的新增障碍物所在区域，并将该区域划分为不可行区域，更新可行区域后，按照以下步骤进行避障前行；
首先，从基于Kinect传感器获取的当前不可行区域中确定不可行区域的起点和终点；
其次，将获得的起点和终点输入基于核极限学习机的全局静态路径规划模型，在更新后的可行区域中，寻找避障规划路径，寻找时间为30s；
最后，从寻找到的避障规划路径中，选出最短避障规划路径作为前行路径。
可行解虽不一定是最优解，由于避障路径并不长，所需通过时间较短，通常情况下计算时间通常比通过时间更长，所以这样能充分保证避障的效率。
进一步的，利用运载机器人自带的Kinect传感器与设置在天花板的定位片，通过Kinect传感器发出的测量信号与接收到的定位片位置信息，获取运载机器人的实时位置，将实时位置与规划路径位置之间的误差进行比较，对实时前行中的运载机器人进行坐标校准；
在室内环境下定位片密度为一个定位片控制1.5m2范围的环境，在楼道中每隔3m设置一个定位片。
在机器人工作环境中布置定位片，用以机器人在运行中实时校准自身坐标在全局坐标系中的位置。首先保证全局环境内部能够被定位片覆盖，在室内环境下定位片密度为一个定位片控制1.5m2范围的环境，在楼道中每隔3m设置一个定位片。其次在机器人的待命处，取物处，放物处，电梯门前，门禁前等地点布置定位片，有利于机器人在保证自身位置精度的基础进行取物、放物、门禁交互、电梯交互操作。
进一步的，当运载机器人需要从一个楼层运动至另外一个楼层时，将全局路径规划分解成在两个楼层中的局部路径规划，每个局部路径规划均采用基于模糊神经网络的全局静态路径规划模型；
第一个局部路径规划的起点为运输任务起点，终点为第一个楼层的电梯所在位置；
第二个局部路径规划的起点为第二个楼层的电梯所在位置，终点为运输任务终点；
第一个楼层的电梯和第二个楼层的电梯为同一电梯。
所述跨楼层路径规划方法如下：
根据实际任务的起点和终点使用路径规划算法模型进行路径规划，如果起点和终点跨楼层，那么路径规划的输入改为起点坐标和起点楼层电梯路径点坐标，终点和终点楼层电梯路径点坐标，输出两个楼层中的最优线路，并将其与电梯模块进行连接，构成完整路径轨迹。没有跨楼层情况发生的情况下，直接输入起点和终点坐标，使用算法模型进行路径规划。
进一步的，运载机器人依据规划路径前行时，按照以下规则进行速度调节：
速度分配规则：利用预估平均速度与各路段最高限速进行比较，若预估平均速度高于路段的最高限速，则在对应路段按照最高限速前行，否则，按照预估平均速度前行；
每经过一个路段后，利用剩余路径长度和剩余预估任务要求时长，更新预估平均速度，按照速度分配规则进行重新分配各路段前行速度；
所述预估平均速度是预估任务时间除以规划路径长度所得。
有益效果
本发明提供了一种智能环境下运载机器人路径智能分解控制规划方法，该方法从全局和局部的角度对路径规划分别建立模型，利用极限学习机的强非线性拟合特性，可映射任意复杂的非线性关系能力，而且学习规则简单，便于计算机实现。具有很强的鲁棒性、记忆能力，能有效解决机器人路径规划中的局部最优、动态避障问题，大幅提升运载机器人在智能环境下的运载效率和安全性。
限时避障系统在保证避障路径较优的基础上极大的缩短了机器人避障时间，速度调节系统将整个运输机器人的运输路径上的速度配置进行优化，保证了任务完成时间，整体提高了机器人应对障碍物的避障处理效率，使机器人能够胜任现实环境中的限时任务。
附图说明
图1本发明所述方法的路径规划流程图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
如图1所示，一种智能环境下运载机器人路径智能分解控制规划方法，包括以下步骤：
步骤1：对运载机器人运载区域构建全局地图三维坐标系，获取在全局地图三维坐标系下的可行走区域坐标；
运载区域地面中心点为原点，正东方向为X轴，正北方向为Y轴，垂直地面方向为Z轴；
所述运载机器人运载区域为一个楼栋内所有的地板连通区域，所述可行走区域坐标是指从所有的地板连通区域中删除楼栋内的障碍物所在区域；
在全局地图三维坐标系中，每个楼层的地板连通区域的二维平面坐标相同，z坐标不同；
步骤2：获取训练样本集；
在全局地图三维坐标系中，设计200组可行走区域中不同的点到点的规划路径，以每条规划路径作为一个训练样本；
步骤3：构建运载机器人的全局静态路径规划模型；
利用训练样本集中每个样本的起点-终点坐标和对应的最优规划路径分别作为输入数据和输出数据，对核极限学习机进行训练，得到基于核极限学习机的全局静态路径规划模型；
其中，在训练过程中，核极限学习机所使用的权值、核参数和阈值采用狼群算法进行优化选择寻优获得，核函数选择高斯函数；
所述基于核极限学习机的全局静态路径规划模型中核极限学习机使用狼群算法进行优化选择的过程如下：
步骤2.1：以个体狼的位置作为全局静态路径规划中的核极限学习机的权值、核参数及阈值，随机初始化狼群中的每只个体狼并设置狼群参数；
狼群包含多只个体狼；
狼群规模的取值为200，步长因子的取值为120，探狼比例因子的取值为3，最大游走次数的取值为25，距离判定因子的取值为80，最大奔袭次数的取值为12，更新比例因子的取值为4，最大迭代次数的取值为800，最大搜索精度的取值为0.01；
步骤2.2：设定适应度函数，并确定初始最优头狼位置和迭代次数t，t＝1；
将个体狼位置体对应的核极限学习机权值，核参数，阈值代入基于核极限学习机的全局静态路径规划模型中，并利用个体狼位置确定的基于核极限学习机模型的全局静态路径规划模型输出全局训练样本集中每个全局训练样本起点和终点对应的全局规划路径，将所有全局训练样本的输出的全局规划路径和人工设计的最优路径作商，再取均值，作为适应度函数F；
其中，M为训练样本数，n为输出的全局规划路径所经历的坐标点的个数，xi,j和xi,j-1为第i个全局训练样本使用该狼确定的核极限学习机模型得到的路径中第j点和第j-1点的X轴坐标，类似的，yi,j和yi,j-1分别为第j点和第j-1点的标Y轴坐标，第j点和第j-1点为相邻两点，L为人工设置的样本对应最优设计全局路径的长度；
模型输出的路径越短，狼个体的适应度F越大，个体越优秀；
步骤2.3：更新狼群，并获得更新后的最优头狼位置；
依次对所有个体狼进行游走行为、奔袭行为、围攻行为；
步骤2.4：判断是否达到优化精度要求或最大迭代次数800，达到后输出头狼的位置对应的核极限学习机权值，核参数，阈值，没有达到，则返回步骤2.3，并且t＝t+1。
当运载机器人需要从一个楼层运动至另外一个楼层时，将全局路径规划分解成在两个楼层中的局部路径规划，每个局部路径规划均采用基于模糊神经网络的全局静态路径规划模型；
第一个局部路径规划的起点为运输任务起点，终点为第一个楼层的电梯所在位置；
第二个局部路径规划的起点为第二个楼层的电梯所在位置，终点为运输任务终点；
第一个楼层的电梯和第二个楼层的电梯为同一电梯。
所述跨楼层路径规划方法如下：
根据实际任务的起点和终点使用路径规划算法模型进行路径规划，如果起点和终点跨楼层，那么路径规划的输入改为起点坐标和起点楼层电梯路径点坐标，终点和终点楼层电梯路径点坐标，输出两个楼层中的最优线路，并将其与电梯模块进行连接，构成完整路径轨迹。没有跨楼层情况发生的情况下，直接输入起点和终点坐标，使用算法模型进行路径规划。
步骤4：实时获取最优路径，完成运输任务；
运输机器人接收到运输任务指令，将运输任务指令中的起点和终点坐标输入至基于核极限学习机的全局静态路径规划模型，输出对应的最优全局规划路径。
运载机器人依据得到的最优全局规划路径前行，执行运输任务时，在前行过程中，利用Kinect传感器结合设置在天花板上的定位片，实时获取的新增障碍物所在区域，并将该区域划分为不可行区域，更新可行区域后，按照以下步骤进行避障前行；
首先，从基于Kinect传感器获取的当前不可行区域中确定不可行区域的起点和终点；
其次，将获得的起点和终点输入基于核极限学习机的路径规划模型，在更新后的可行区域中，寻找避障规划路径，寻找时间为30s；
最后，从寻找到的避障规划路径中，选出最短避障规划路径作为前行路径。
可行解虽不一定是最优解，由于避障路径并不长，所需通过时间较短，通常情况下计算时间通常比通过时间更长，所以这样能充分保证避障的效率。
利用运载机器人自带的Kinect传感器与设置在天花板的定位片，通过Kinect传感器发出的测量信号与接收到的定位片位置信息，获取运载机器人的实时位置，将实时位置与规划路径位置之间的误差进行比较，对实时前行中的运载机器人进行坐标校准；
在室内环境下定位片密度为一个定位片控制1.5m2范围的环境，在楼道中每隔3m设置一个定位片。
在机器人工作环境中布置定位片，用以机器人在运行中实时校准自身坐标在全局坐标系中的位置。首先保证全局环境内部能够被定位片覆盖，在室内环境下定位片密度为一个定位片控制1.5m2范围的环境，在楼道中每隔3m设置一个定位片。其次在机器人的待命处，取物处，放物处，电梯门前，门禁前等地点布置定位片，有利于机器人在保证自身位置精度的基础进行取物、放物、门禁交互、电梯交互操作。
运载机器人依据规划路径前行时，按照以下规则进行速度调节：
速度分配规则：利用预估平均速度与各路段最高限速进行比较，若预估平均速度高于路段的最高限速，则在对应路段按照最高限速前行，否则，按照预估平均速度前行；
每经过一个路段后，利用剩余路径长度和剩余预估任务要求时长，更新预估平均速度，按照速度分配规则进行重新分配；
所述预估平均速度是预估任务时间除以规划路径长度所得。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种智能环境下运载机器人路径智能分解控制规划方法，其特征在于，包括以下步骤：
步骤1：对运载机器人运载区域构建全局地图三维坐标系，获取在全局地图三维坐标系下的可行走区域坐标；
运载区域地面中心点为原点，正东方向为X轴，正北方向为Y轴，垂直地面方向为Z轴；
所述运载机器人运载区域为一个楼栋内所有的地板连通区域，所述可行走区域坐标是指从所有的地板连通区域中删除楼栋内的障碍物所在区域；
步骤2：获取训练样本集；
在全局地图三维坐标系中，设计至少200组可行走区域中不同的点到点的最优全局规划路径，以每条全局规划路径作为一个训练样本；
步骤3：构建运载机器人的全局静态路径规划模型；
利用训练样本集中每个样本的起点-终点坐标和对应的最优全局规划路径分别作为输入数据和输出数据，对核极限学习机进行训练，得到基于核极限学习机的全局静态路径规划模型；
其中，在训练过程中，核极限学习机所使用的权值、核参数和阈值采用狼群算法进行优化选择寻优获得；
步骤4：实时获取最优路径，完成运输任务；
运输机器人接收到运输任务指令，将运输任务指令中的起点和终点坐标输入至基于核极限学习机的全局静态路径规划模型，输出对应的最优全局规划路径。
2.根据权利要求1所述的方法，其特征在于，所述基于核极限学习机的全局静态路径规划模型中核极限学习机使用狼群算法进行优化选择的过程如下：
步骤2.1：以个体狼的位置作为全局静态路径规划中的核极限学习机的权值、核参数及阈值，随机初始化狼群中的每只个体狼并设置狼群参数；
狼群规模的取值范围为[50,300]，步长因子的取值范围为[80,160]，探狼比例因子的取值范围为[2,6]，最大游走次数的取值范围为[15,30]，距离判定因子的取值范围为[50,100]，最大奔袭次数的取值范围为[5,15]，更新比例因子的取值范围为[2,6]，最大迭代次数的取值范围为[500,1000]，最大搜索精度的取值范围为[0.001,0.01]；
步骤2.2：设定适应度函数，并确定初始最优头狼位置和迭代次数t，t＝1；
将个体狼位置体对应的核极限学习机权值，核参数，阈值代入基于核极限学习机的全局静态路径规划模型中，并利用个体狼位置确定的基于核极限学习机模型的全局静态路径规划模型输出全局训练样本集中每个全局训练样本起点和终点对应的全局规划路径，将所有全局训练样本的输出的全局规划路径和人工设计的最优路径作商，再取均值，作为适应度函数F；
<mrow>
<mi>F</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>M</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>2</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<mi>L</mi>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，M为训练样本数，n为输出的全局规划路径所经历的坐标点的个数，xi,j和xi,j-1为第i个全局训练样本使用该狼确定的核极限学习机模型得到的路径中第j点和第j-1点的X轴坐标，类似的，yi,j和yi,j-1分别为第j点和第j-1点的标Y轴坐标，第j点和第j-1点为相邻两点，L为人工设置的样本对应最优设计全局路径的长度；
步骤2.3：更新狼群，并获得更新后的最优头狼位置；
依次对所有个体狼进行游走行为、奔袭行为、围攻行为；
步骤2.4：判断是否达到优化精度要求或最大迭代次数，达到后输出头狼的位置对应的核极限学习机所使用的权值、核参数和阈值，没有达到，则返回步骤2.3，并且t＝t+1。
3.根据权利要求2所述的方法，其特征在于，运载机器人依据得到的最优全局规划路径前行，执行运输任务时，在前行过程中，利用Kinect传感器结合设置在天花板上的定位片，实时获取的新增障碍物所在区域，并将该区域划分为不可行区域，更新可行区域后，按照以下步骤进行避障前行；
首先，从基于Kinect传感器获取的当前不可行区域中确定不可行区域的起点和终点；
其次，将获得的起点和终点输入基于核极限学习机的全局静态路径规划模型，在更新后的可行区域中，寻找避障规划路径，寻找时间为30s；
最后，从寻找到的避障规划路径中，选出最短避障规划路径作为前行路径。
4.根据权利要求3所述的方法，其特征在于，利用运载机器人自带的Kinect传感器与设置在天花板的定位片，通过Kinect传感器发出的测量信号与接收到的定位片位置信息，获取运载机器人的实时位置，将实时位置与规划路径位置之间的误差进行比较，对实时前行中的运载机器人进行坐标校准；
在室内环境下定位片密度为一个定位片控制1.5m2范围的环境，在楼道中每隔3m设置一个定位片。
5.根据权利要求1-4任一项所述的方法，其特征在于，当运载机器人需要从一个楼层运动至另外一个楼层时，将全局路径规划分解成在两个楼层中的局部路径规划，每个局部路径规划均采用基于模糊神经网络的全局静态路径规划模型；
第一个局部路径规划的起点为运输任务起点，终点为第一个楼层的电梯所在位置；
第二个局部路径规划的起点为第二个楼层的电梯所在位置，终点为运输任务终点；
第一个楼层的电梯和第二个楼层的电梯为同一电梯。
6.根据权利要求5所述的方法，其特征在于，运载机器人依据规划路径前行时，按照以下规则进行速度调节：
速度分配规则：利用预估平均速度与各路段最高限速进行比较，若预估平均速度高于路段的最高限速，则在对应路段按照最高限速前行，否则，按照预估平均速度前行；
每经过一个路段后，利用剩余路径长度和剩余预估任务要求时长，更新预估平均速度，按照速度分配规则进行重新分配各路段前行速度；
所述预估平均速度是预估任务时间除以规划路径长度所得。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710643367.9A CN107436604B (zh) | 2017-07-31 | 2017-07-31 | 一种智能环境下运载机器人路径智能分解控制规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710643367.9A CN107436604B (zh) | 2017-07-31 | 2017-07-31 | 一种智能环境下运载机器人路径智能分解控制规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107436604A true CN107436604A (zh) | 2017-12-05 |
| CN107436604B CN107436604B (zh) | 2018-03-16 |
Family
ID=60459879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710643367.9A Active CN107436604B (zh) | 2017-07-31 | 2017-07-31 | 一种智能环境下运载机器人路径智能分解控制规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107436604B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108445893A (zh) * | 2018-06-07 | 2018-08-24 | 浙江国自机器人技术有限公司 | 一种移动机器人控制器及移动机器人 |
| CN108507578A (zh) * | 2018-04-03 | 2018-09-07 | 珠海市微半导体有限公司 | 一种全局边界地图的构建方法及其导航方法 |
| CN110110276A (zh) * | 2019-03-18 | 2019-08-09 | 清华大学 | 基于变步长递推轨迹的泄漏源定位方法和装置 |
| CN111103801A (zh) * | 2019-12-31 | 2020-05-05 | 芜湖哈特机器人产业技术研究院有限公司 | 基于遗传算法的移动机器人重定位方法及移动机器人 |
| CN112214018A (zh) * | 2020-09-10 | 2021-01-12 | 深圳优地科技有限公司 | 机器人路径规划方法及装置 |
| CN112269381A (zh) * | 2020-10-20 | 2021-01-26 | 安徽工程大学 | 基于改进人工鱼群算法的移动机器人路径规划方法 |
| CN113126618A (zh) * | 2021-03-17 | 2021-07-16 | 中国科学院合肥物质科学研究院 | 一种越野环境下的无人驾驶全局路径规划及重规划方法 |
| CN113485343A (zh) * | 2021-07-14 | 2021-10-08 | 北京惠风智慧科技有限公司 | 一种基于人工智能的机器人行走方法及装置 |
| CN114487453A (zh) * | 2021-12-30 | 2022-05-13 | 重庆特斯联智慧科技股份有限公司 | 医学样本运载机器人及其管理系统和方法 |
| CN114611377A (zh) * | 2022-01-25 | 2022-06-10 | 北京航空航天大学 | 一种基于核极限学习机的滑翔导弹再入轨迹实时重构方法 |
| CN110626340B (zh) * | 2019-09-30 | 2023-07-11 | 南京航空航天大学 | 基于灰狼算法的智能汽车路径跟踪控制系统及方法 |
| CN118151541A (zh) * | 2024-05-09 | 2024-06-07 | 合力（天津）能源科技股份有限公司 | 一种提升三轴桁架坐标运移精度的控制方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100094460A1 (en) * | 2008-10-09 | 2010-04-15 | Samsung Electronics Co., Ltd. | Method and apparatus for simultaneous localization and mapping of robot |
| CN105867390A (zh) * | 2016-06-16 | 2016-08-17 | 中南大学 | 运输机器人自主式进入电梯的控制方法 |
| CN105911993A (zh) * | 2016-06-16 | 2016-08-31 | 中南大学 | 运输机器人自主式进入电梯的控制系统 |
| CN106444738A (zh) * | 2016-05-24 | 2017-02-22 | 武汉科技大学 | 基于动态运动基元学习模型的移动机器人路径规划方法 |
| CN106843211A (zh) * | 2017-02-07 | 2017-06-13 | 东华大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
| CN106989748A (zh) * | 2017-05-16 | 2017-07-28 | 南京农业大学 | 一种基于云模型的农业移动机器人人机合作路径规划方法 |
-
2017
- 2017-07-31 CN CN201710643367.9A patent/CN107436604B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100094460A1 (en) * | 2008-10-09 | 2010-04-15 | Samsung Electronics Co., Ltd. | Method and apparatus for simultaneous localization and mapping of robot |
| CN106444738A (zh) * | 2016-05-24 | 2017-02-22 | 武汉科技大学 | 基于动态运动基元学习模型的移动机器人路径规划方法 |
| CN105867390A (zh) * | 2016-06-16 | 2016-08-17 | 中南大学 | 运输机器人自主式进入电梯的控制方法 |
| CN105911993A (zh) * | 2016-06-16 | 2016-08-31 | 中南大学 | 运输机器人自主式进入电梯的控制系统 |
| CN106843211A (zh) * | 2017-02-07 | 2017-06-13 | 东华大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
| CN106989748A (zh) * | 2017-05-16 | 2017-07-28 | 南京农业大学 | 一种基于云模型的农业移动机器人人机合作路径规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 柳长安等: "基于改进蚁群算法的移动机器人动态路径规划方法", 《电子学报》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108507578A (zh) * | 2018-04-03 | 2018-09-07 | 珠海市微半导体有限公司 | 一种全局边界地图的构建方法及其导航方法 |
| CN108445893A (zh) * | 2018-06-07 | 2018-08-24 | 浙江国自机器人技术有限公司 | 一种移动机器人控制器及移动机器人 |
| CN110110276A (zh) * | 2019-03-18 | 2019-08-09 | 清华大学 | 基于变步长递推轨迹的泄漏源定位方法和装置 |
| CN110110276B (zh) * | 2019-03-18 | 2021-01-26 | 清华大学 | 基于变步长递推轨迹的泄漏源定位方法和装置 |
| CN110626340B (zh) * | 2019-09-30 | 2023-07-11 | 南京航空航天大学 | 基于灰狼算法的智能汽车路径跟踪控制系统及方法 |
| CN111103801A (zh) * | 2019-12-31 | 2020-05-05 | 芜湖哈特机器人产业技术研究院有限公司 | 基于遗传算法的移动机器人重定位方法及移动机器人 |
| CN111103801B (zh) * | 2019-12-31 | 2022-05-17 | 芜湖哈特机器人产业技术研究院有限公司 | 基于遗传算法的移动机器人重定位方法及移动机器人 |
| CN112214018A (zh) * | 2020-09-10 | 2021-01-12 | 深圳优地科技有限公司 | 机器人路径规划方法及装置 |
| CN112269381B (zh) * | 2020-10-20 | 2022-06-17 | 安徽工程大学 | 基于改进人工鱼群算法的移动机器人路径规划方法 |
| CN112269381A (zh) * | 2020-10-20 | 2021-01-26 | 安徽工程大学 | 基于改进人工鱼群算法的移动机器人路径规划方法 |
| CN113126618A (zh) * | 2021-03-17 | 2021-07-16 | 中国科学院合肥物质科学研究院 | 一种越野环境下的无人驾驶全局路径规划及重规划方法 |
| CN113126618B (zh) * | 2021-03-17 | 2022-03-11 | 中国科学院合肥物质科学研究院 | 一种越野环境下的无人驾驶全局路径规划及重规划方法 |
| CN113485343A (zh) * | 2021-07-14 | 2021-10-08 | 北京惠风智慧科技有限公司 | 一种基于人工智能的机器人行走方法及装置 |
| CN114487453A (zh) * | 2021-12-30 | 2022-05-13 | 重庆特斯联智慧科技股份有限公司 | 医学样本运载机器人及其管理系统和方法 |
| CN114611377A (zh) * | 2022-01-25 | 2022-06-10 | 北京航空航天大学 | 一种基于核极限学习机的滑翔导弹再入轨迹实时重构方法 |
| CN114611377B (zh) * | 2022-01-25 | 2024-06-07 | 北京航空航天大学 | 一种基于核极限学习机的滑翔导弹再入轨迹实时重构方法 |
| CN118151541A (zh) * | 2024-05-09 | 2024-06-07 | 合力（天津）能源科技股份有限公司 | 一种提升三轴桁架坐标运移精度的控制方法及系统 |
| CN118151541B (zh) * | 2024-05-09 | 2024-07-09 | 合力（天津）能源科技股份有限公司 | 一种提升三轴桁架坐标运移精度的控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107436604B (zh) | 2018-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107436604B (zh) | 一种智能环境下运载机器人路径智能分解控制规划方法 | |
| CN107368076B (zh) | 一种智能环境下机器人运动路径深度学习控制规划方法 | |
| CN107272705B (zh) | 一种智能环境下机器人路径的多神经网络控制规划方法 | |
| Dao et al. | A multi-objective optimal mobile robot path planning based on whale optimization algorithm | |
| CN105511457B (zh) | 机器人静态路径规划方法 | |
| CN110428111A (zh) | Uav/ugv协同长时多任务作业轨迹规划方法 | |
| WO2018170990A1 (zh) | 一种面向多机器人系统的完全遍历路径规划方法 | |
| CN106873599A (zh) | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 | |
| Bochtis et al. | Path planning for in-field navigation-aiding of service units | |
| CN110320809B (zh) | 一种基于模型预测控制的agv轨迹修正方法 | |
| Tang et al. | A novel hybrid algorithm based on PSO and FOA for target searching in unknown environments | |
| CN112356830A (zh) | 一种基于模型强化学习的智能泊车方法 | |
| CN206411514U (zh) | 一种基于二维码定位的智能仓储移动机器人系统 | |
| Chand et al. | Mapping and exploration in a hierarchical heterogeneous multi-robot system using limited capability robots | |
| CN101354587A (zh) | 一种未知环境下移动机器人多行为融合自动导航方法 | |
| Zhang et al. | Path planning based quadtree representation for mobile robot using hybrid-simulated annealing and ant colony optimization algorithm | |
| Ni et al. | An improved real-time path planning method based on dragonfly algorithm for heterogeneous multi-robot system | |
| CN113296520B (zh) | 融合a*与改进灰狼算法的巡检机器人路径规划方法 | |
| CN110375759A (zh) | 基于蚁群算法的多机器人路径规划方法 | |
| CN111596668B (zh) | 基于逆向强化学习的移动机器人拟人化路径规划方法 | |
| Zhao | Optimal path planning for robot based on ant colony algorithm | |
| Bai et al. | Design and Simulation of a Collision-free Path Planning Algorithm for Mobile Robots Based on Improved Ant Colony Optimization. | |
| CN114721397B (zh) | 一种基于强化学习和好奇心的迷宫机器人路径规划方法 | |
| Wang et al. | A multi-objective teaching-learning-based optimizer for a cooperative task allocation problem of weeding robots and spraying drones | |
| CN101833702B (zh) | 一种基于行人可视范围的导航点动态更换方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |