CN107844116A - 一种移动机器人路径地图在线生成方法 - Google Patents
一种移动机器人路径地图在线生成方法 Download PDFInfo
- Publication number
- CN107844116A CN107844116A CN201710947400.7A CN201710947400A CN107844116A CN 107844116 A CN107844116 A CN 107844116A CN 201710947400 A CN201710947400 A CN 201710947400A CN 107844116 A CN107844116 A CN 107844116A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- node
- error
- path map
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种移动机器人路径地图在线生成方法。本发明能够在没有环境先验知识的情况下对动态采集的数据进行在线学习，获得环境的路径地图。该发明能够随着移动机器人在未知环境中自由巡游，通过将GPS设备不断的获得机器人的位置信息作为路径地图在线生成方法的输入，在线的不断学习使得构建路径地图的过程具有自组织自学习自增长的特点。
Description
技术领域
本发明属于移动机器人技术领域，是一种适用于移动机器人导航规划的路径地图在线生成方法。
背景技术
随着机器人技术的发展，机器人应用领域也在不断扩展，机器人的工作环境也随之越来越复杂。智能机器人的工作环境也从单纯的室内环境扩展到室外等各种复杂的、未知的、非结构化的环境。能够有效的探索未知环境并构建环境的地图是实现机器人自主导航的前提条件之一。由于路径地图能表现出与导航活动相关的环境结构特征，易于机器人理解，适用于路径规划、自主导航等应用，所以构建并维护一个环境的路径地图是移动机器人自主导航中的一个重要内容。
对于活动在非结构及未知环境中的移动机器人而言，需要机器人在环境中巡弋的同时在线的构建出环境的路径地图，以便实现更为复杂的导航活动。这就需要路径地图的构建方法具有规模可增长和结构可增长的特点，从而满足环境空间不断增长的描述需要。也即随着机器人在环境中不断巡弋，路径地图的规模和结构也需要在线的不断增长。然而目前路径地图的构建方法多采用离线的方式，并且在环境路径地图构建的自学习自适应方面也有所不足。
发明内容
本发明针对现有技术的不足，提出了一种移动机器人路径地图在线生成方法。
一种移动机器人路径地图在线生成方法,该方法具体包括以下步骤：
第一部分：路径信息的获取。
机器人在室外环境中巡弋的同时运用GPS设备不断的采集机器人的位置信息，并存储在位置信息数据池中。位置信息数据池是离散的机器人位置点的集合，表示为N＝{x1,x2,…,xn}。可见集合N中的元素个数随着机器人在环境中的运动而持续增长。
第二部分：路径地图的在线生成，其在线生成的步骤如下：
初始化阶段：
初始化路径地图G＝(V,E)，其中G表示路径地图，V表示路径地图的节点集，E表示节点之间的连接边集。首先在位置信息数据池N中随机选择两个位置点作为路径地图的两个节点v1和v2，表示为V＝{v1,v2}。
路径地图生成阶段：
步骤一：在位置信息数据池N中随机选择一个位置信息点作为路径地图生成方法的一个输入信号ξ；找出路径地图的节点集V中与ξ距离最近与次近的两个节点s1和s2；
步骤二：按公式(1)调整最近节点s1的误差。
其中表示节点s1的误差，表示节点s1的位置向量。
步骤三：按公式(2)和(3)以学习率εb和εn修改最近节点s1以及与s1直接相连的所有节点的位置向量，其中εb∈[0,1],εn∈[0,1]，表示学习率为0和1之间的数值。
其中表示与s1直接相连的所有节点的集合，i为集合中的节点。
步骤四：将所有与最近节点s1相连的边的age增长1。如果最近节点s1和次近节点s2之间有连接边，则设置该边的age为0。如果最近节点s1和次近节点s2之间没有连接边，则创建连接边(s1,s2)，并保存到路径地图的边机中，表示为E＝E∪{(s1,s2)}。
步骤五：移除所有age大于阈值amax的边，同时删除没有连接边的节点。
步骤六：判定是否插入新节点。如果输入信号ξ产生的次数是阈值λ的整数倍，则找出具有最大误差error的节点u。计算所有与节点u相连的边的空间距离的均值如果满足(其中dmax为阈值)，则找出具有最大error的u的邻居节点v，在u和v之间插入新的路径节点r，并保存到V中。按公式(4,5,6)降低节点u和v的误差，并设置节点r的误差。
erroru＝α*erroru (4)
errorv＝α*errorv (5)
errorr＝(erroru+errorv)/2 (6)
其中调节因子α∈[0,1]。
步骤七：按公式(7)调节所有节点的error。
其中调节因子β∈[0,1]。
步骤八：回到步骤一持续运行直到停止程序，获得环境的路径地图G。
有益效果:本发明能够在没有环境先验知识的情况下对动态采集的数据进行在线学习，获得环境的路径地图。该发明能够随着移动机器人在未知环境中自由巡游，通过将GPS设备不断的获得机器人的位置信息作为路径地图在线生成方法的输入，在线的不断学习使得构建路径地图的过程具有自组织自学习自增长的特点。
附图说明
图1为路径地图在线生成方法的流程框图。
图2为路径地图在线生成方法的实施
具体实施方式：
本发明随着机器人在环境中巡弋，同时不断的采集机器人的位置信息，对位置信息进行在线持续的学习构建出环境的路径地图。图2为路径地图在线生成方法实施过程中的截图，左边两图为机器人在地图中的运动轨迹，一边运动一边通过GPS设备采集路径位置信息；右边两图为路径地图的生成，图2(2)表示此刻采集了380个位置点信息，在此基础上在线的构建了具有60个节点的路径地图。图2(4)表示此刻采集了2248个位置点信息，在此基础上在线的构建了具有376个节点的路径地图。
本发明所采用的路径地图在线生成方法包括路径信息的获取与路径地图的学习两个部分，如图1所示。这两部分的运行是相互独立的，各专注于自己的任务。第一部分随着机器人在环境中的巡弋不断的采集路径信息并存储在位置信息数据池中，第二部分将位置信息数据池作为路径地图生成方法的输入数据，以在线运行的方式对输入数据不断的学习进而生成环境的路径地图。
以下举例说明本发明整个过程的具体实施方式如下，其过程主要包括路径信息的获取与路径地图的学习两个部分：
第一部分：路径信息的获取。
在机器人上安装GPS设备。机器人在室外环境中巡弋的同时运用GPS设备不断的采集机器人的位置信息，并存储在位置信息数据池中。位置信息数据池是离散的机器人位置点的集合，表示为N＝{x1,x2,…,xn}。
第二部分：路径地图的在线生成，其在线生成的步骤如下：
初始化阶段：
初始化路径地图G＝(V,E)，在位置信息数据池N中随机初始化两个路径节点V＝{v1,v2}。
路径地图生成阶段：
步骤一：在位置信息数据池N中随机生成一个新的输入信号ξ，假设为ξ＝xi；找出V中距离xi最近与次近的节点s1和s2；
步骤二：按公式(1)调整最近节点s1的误差。
其中表示节点s1的误差，表示节点s1的位置向量。
步骤三：按公式(2)和(3)以学习率εb＝0.1和εn＝0.001修改s1以及与之相连的节点的位置向量。
其中表示与s1直接相连的所有节点的集合，i为集合中的节点。
步骤四：将所有与最近节点s1相连的边的age增长1。如果最近节点s1和次近节点s2之间有连接边，则设置该边的age为0。如果最近节点s1和次近节点s2之间没有连接边，则创建连接边(s1,s2)，并保存到路径地图的边机中，表示为E＝E∪{(s1,s2)}。
步骤五：移除所有age大于阈值amax＝100的边，同时删除没有连接边的节点。
步骤六：判定是否插入新节点。如果输入信号ξ产生的次数是阈值λ＝800的整数倍，则找出具有最大误差error的节点u。计算所有与节点u相连的边的空间距离的均值如果满足(其中dmax＝5)，则找出具有最大error的u的邻居节点v，在u和v之间插入新的路径节点r，并保存到V中。按公式(4,5,6)降低节点u和v的误差，并设置节点r的误差。
erroru＝α*erroru (4)
errorv＝α*errorv (5)
errorr＝(erroru+errorv)/2 (6)
其中调节因子α＝0.5。
步骤七：按公式(7)调节所有节点的error。
其中调节因子β＝0.0005。
步骤八：回到步骤一持续运行直到停止程序，获得环境的路径地图G。
Claims (1)
1.一种移动机器人路径地图在线生成方法,其特征在于，该方法具体包括以下两个部分：
第一部分：路径信息的获取；
机器人在室外环境中巡弋的同时运用GPS设备不断的采集机器人的位置信息，并存储在位置信息数据池中；位置信息数据池是离散的机器人位置点的集合，表示为N＝{x1,x2,…,xn}；可见集合N中的元素个数随着机器人在环境中的运动而持续增长；
第二部分：路径地图的在线生成，其在线生成的步骤如下：
初始化阶段：
初始化路径地图G＝(V,E)，其中G表示路径地图，V表示路径地图的节点集，E表示节点之间的连接边集；首先在位置信息数据池N中随机选择两个位置点作为路径地图的两个节点v1和v2，表示为V＝{v1,v2}；
路径地图生成阶段：
步骤一：在位置信息数据池N中随机选择一个位置信息点作为路径地图生成方法的一个输入信号ξ；找出路径地图的节点集V中与ξ距离最近与次近的两个节点s1和s2；
步骤二：按公式(1)调整最近节点s1的误差；
<mrow>
<msub>
<mi>error</mi>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
</msub>
<mo>=</mo>
<msub>
<mi>error</mi>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
</msub>
<mo>+</mo>
<mo>|</mo>
<mo>|</mo>
<mi>&xi;</mi>
<mo>-</mo>
<msub>
<mi>w</mi>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中表示节点s1的误差，表示节点s1的位置向量；
步骤三：按公式(2)和(3)以学习率εb和εn修改最近节点s1以及与s1直接相连的所有节点的位置向量，其中εb∈[0,1],εn∈[0,1]，表示学习率为0和1之间的数值；
<mrow>
<msub>
<mi>w</mi>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
</msub>
<mo>=</mo>
<msub>
<mi>w</mi>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
</msub>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mi>b</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>-</mo>
<msub>
<mi>w</mi>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&xi;</mi>
<mo>-</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
</msub>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中表示与s1直接相连的所有节点的集合，i为集合中的节点；
步骤四：将所有与最近节点s1相连的边的age增长1；如果最近节点s1和次近节点s2之间有连接边，则设置该边的age为0；如果最近节点s1和次近节点s2之间没有连接边，则创建连接边(s1,s2)，并保存到路径地图的边机中，表示为E＝E∪{(s1,s2)}；
步骤五：移除所有age大于阈值amax的边，同时删除没有连接边的节点；
步骤六：判定是否插入新节点；如果输入信号ξ产生的次数是阈值λ的整数倍，则找出具有最大误差error的节点u；计算所有与节点u相连的边的空间距离的均值如果满足其中dmax为阈值，则找出具有最大error的u的邻居节点v，在u和v之间插入新的路径节点r，并保存到V中；按公式(4,5,6)降低节点u和v的误差，并设置节点r的误差；
erroru＝α*erroru (4)
errorv＝α*errorv (5)
errorr＝(erroru+errorv)/2 (6)
其中调节因子α∈[0,1]；
步骤七：按公式(7)调节所有节点的error；
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>error</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<mi>&beta;</mi>
<mo>*</mo>
<msub>
<mi>error</mi>
<mi>c</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mo>&ForAll;</mo>
<mi>c</mi>
<mo>&Element;</mo>
<mi>V</mi>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中调节因子β∈[0,1]；
步骤八：回到步骤一持续运行直到停止程序，获得环境的路径地图G。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710947400.7A CN107844116A (zh) | 2017-10-12 | 2017-10-12 | 一种移动机器人路径地图在线生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710947400.7A CN107844116A (zh) | 2017-10-12 | 2017-10-12 | 一种移动机器人路径地图在线生成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107844116A true CN107844116A (zh) | 2018-03-27 |
Family
ID=61662078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710947400.7A Pending CN107844116A (zh) | 2017-10-12 | 2017-10-12 | 一种移动机器人路径地图在线生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107844116A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108544491A (zh) * | 2018-03-30 | 2018-09-18 | 杭州电子科技大学 | 一种综合考虑距离与方向两因素的移动机器人避障方法 |
| CN111126304A (zh) * | 2019-12-25 | 2020-05-08 | 鲁东大学 | 一种基于室内自然场景图像深度学习的增强现实导航方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170021497A1 (en) * | 2015-07-24 | 2017-01-26 | Brandon Tseng | Collaborative human-robot swarm |
| CN106714302A (zh) * | 2017-01-23 | 2017-05-24 | 吉林大学 | 一种基于BP‑Landmarc神经网络的室内定位装置和控制方法 |
| CN106949896A (zh) * | 2017-05-14 | 2017-07-14 | 北京工业大学 | 一种基于鼠脑海马的情景认知地图构建及导航方法 |
-
2017
- 2017-10-12 CN CN201710947400.7A patent/CN107844116A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170021497A1 (en) * | 2015-07-24 | 2017-01-26 | Brandon Tseng | Collaborative human-robot swarm |
| CN106714302A (zh) * | 2017-01-23 | 2017-05-24 | 吉林大学 | 一种基于BP‑Landmarc神经网络的室内定位装置和控制方法 |
| CN106949896A (zh) * | 2017-05-14 | 2017-07-14 | 北京工业大学 | 一种基于鼠脑海马的情景认知地图构建及导航方法 |
Non-Patent Citations (6)
| Title |
|---|
| 仲朝亮: "动态环境下基于GNG网络的拓扑地图创建", 《华东理工大学学报（自然科学版）》 * |
| 仲朝亮: "受生物启发的移动机器人空间认知及其导航", 《中国博士学位论文全文数据库 信息科技辑》 * |
| 任伟建等: "基于改进GNG网络的机器人路径规划方法", 《系统仿真学报》 * |
| 时晓峰等: "基于自组织增量学习神经网络的信息融合技术", 《兵工自动化》 * |
| 申富饶等: "An incremental network for on-line unsupervised classification and topology learning", 《NEURAL NETWORKS》 * |
| 邱天宇，申富饶，赵金熙: "自组织增量学习神经网络综述", 《软件学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108544491A (zh) * | 2018-03-30 | 2018-09-18 | 杭州电子科技大学 | 一种综合考虑距离与方向两因素的移动机器人避障方法 |
| CN108544491B (zh) * | 2018-03-30 | 2020-04-28 | 杭州电子科技大学 | 一种综合考虑距离与方向两因素的移动机器人避障方法 |
| CN111126304A (zh) * | 2019-12-25 | 2020-05-08 | 鲁东大学 | 一种基于室内自然场景图像深度学习的增强现实导航方法 |
| CN111126304B (zh) * | 2019-12-25 | 2023-07-07 | 鲁东大学 | 一种基于室内自然场景图像深度学习的增强现实导航方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Stump et al. | Connectivity management in mobile robot teams | |
| CN110470301B (zh) | 多动态任务目标点下的无人机路径规划方法 | |
| Tanner et al. | Formation stabilization of multiple agents using decentralized navigation functions. | |
| CN106970648A (zh) | 城市低空环境下无人机多目标路径规划联合搜索方法 | |
| Yan et al. | Consensus formation tracking for multiple AUV systems using distributed bioinspired sliding mode control | |
| Cui et al. | Pareto-optimal coordination of multiple robots with safety guarantees | |
| CN109917817B (zh) | 多水下机器人协同路径规划方法 | |
| Otte et al. | Any-time path-planning: Time-varying wind field+ moving obstacles | |
| CN112866911B (zh) | 基于q学习的自主水下航行器协助下水下数据收集方法 | |
| CN114115298B (zh) | 一种无人车路径平滑方法及系统 | |
| CN109947131A (zh) | 一种基于强化学习的多水下机器人编队控制方法 | |
| CN107844116A (zh) | 一种移动机器人路径地图在线生成方法 | |
| Brust et al. | VBCA: A virtual forces clustering algorithm for autonomous aerial drone systems | |
| CN104363654A (zh) | 基于Tunneling method的无线传感器网络三维节点定位方法 | |
| WO2020221050A1 (zh) | 基于时空域联合处理的集中式协作定位系统和方法 | |
| Yan et al. | Autonomous underwater vehicles: localization, tracking, and formation | |
| Rufli et al. | Smooth path planning in constrained environments | |
| Pham et al. | A multi-robot, cooperative, and active slam algorithm for exploration | |
| Wang et al. | Path Planning for Mobile Robots Based on Improved A* Algorithm | |
| Qiao et al. | Dynamic self-organizing leader-follower control in a swarm mobile robots system under limited communication | |
| Eckert et al. | Distributed mass-spring-relaxation for anchor-free self-localization in sensor and actor networks | |
| Reed et al. | Oceanographic pursuit: Networked control of multiple vehicles tracking dynamic ocean features | |
| Braga et al. | Coordinated efficient buoys data collection in large complex coastal environments using UAVs | |
| Yan et al. | MUI-TARE: Cooperative multi-agent exploration with unknown initial position | |
| Song et al. | Hierarchical underwater localization in dominating background flow fields |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180327 |
|
| RJ01 | Rejection of invention patent application after publication |