CN108151742B - 机器人的导航控制方法及智能装置 - Google Patents

机器人的导航控制方法及智能装置 Download PDF

Info

Publication number
CN108151742B
CN108151742B CN201711161350.6A CN201711161350A CN108151742B CN 108151742 B CN108151742 B CN 108151742B CN 201711161350 A CN201711161350 A CN 201711161350A CN 108151742 B CN108151742 B CN 108151742B
Authority
CN
China
Prior art keywords
information
robot
followed object
driving
image
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
Application number
CN201711161350.6A
Other languages
English (en)
Other versions
CN108151742A (zh
Inventor
张伟民
姚卓
黄强
张华�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Haribit Intelligent Technology Co ltd
Original Assignee
Beijing Haribit Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Haribit Intelligent Technology Co ltd filed Critical Beijing Haribit Intelligent Technology Co ltd
Priority to CN201711161350.6A priority Critical patent/CN108151742B/zh
Publication of CN108151742A publication Critical patent/CN108151742A/zh
Application granted granted Critical
Publication of CN108151742B publication Critical patent/CN108151742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请公开了一种机器人的导航控制方法及其智能装置，包括采集被跟随对象的环境信息及机器人的状态信息；根据所述环境信息和所述状态信息运算出多种机器人的行驶速度；根据多种所述行驶速度分别模拟出所述机器人对应的多条所述行驶路径；根据多条所述的行驶路径按照评价标准获得最优化行驶路径；所述机器人按照所述最优化行驶路径对应的所述行驶速度进行行驶；重复上述过程，获取所有时间上的所述行驶速度使所述机器人按照该速度进行行驶完成导航。采用采集机器人状态信息的方式与环境信息相结合再通过优选算法获得导航后最优的行驶路径，解决了相关技术中无法实现在载体机器人自身体积位置状态发生改变的过程中进行导航路径规划的技术问题。

Description

机器人的导航控制方法及智能装置
技术领域
本申请涉及人工智能领域，具体而言，涉及一种机器人导航的数据处理方法及其智能装置。
背景技术
目前的相关技术中，一般的导航方法都是针对某种具有固定形态的载体进行的。比如比较常见的导弹，它自身的体积位置状态并不发生改变。在计算路径是只需要考虑本身的固定形态即可。而且主要还是在没有障碍物的条件下进行检测规划路径。因此，急需一种机器人的导航方法及其智能装置，来解决相关技术中无法实现在载体机器人自身体积位置状态发生改变的过程中进行导航路径规划的技术问题。
发明内容
本申请的主要目的在于提供一种机器人导航的数据处理方法及其智能装置，解决了相关技术中无法实现在载体机器人自身体积位置状态发生改变的过程中进行导航路径规划的技术问题。
为了实现上述目的，根据本申请的一个方面，提供了一种机器人的导航控制方法，包括
采集被跟随对象的环境信息及机器人的状态信息；
根据所述环境信息和所述状态信息运算出多种机器人的行驶速度；根据多种所述行驶速度分别模拟出所述机器人对应的多条所述行驶路径；
根据多条所述的行驶路径按照评价标准获得其中一条最优化行驶路径；
所述机器人按照所述最优化行驶路径对应的所述行驶速度进行行驶；以及
重复上述过程，获取所有时间上的所述行驶速度使所述机器人按照该速度进行行驶完成导航。
进一步的，采集被跟随对象的目标图像，其中，所述目标图像为所述被跟随对象的图像，并包括被跟随对象的人体图像和被跟随对象所处背景的背景图像；
根据所述背景图像生成代价地图；
根据所述人体图像获得被跟随对象的位置信息；
将所述位置信息加载在所述代价地图中；
采集周围障碍物的障碍信息，其中，所述障碍信息是机器人前方的障碍物坐标；
将所述障碍信息加载在所述代价地图中获得所述的环境信息。
进一步的，所述状态信息包括机器人自身的相对坐标及姿态信息，其中，所述相对坐标为机器人在环境中的位置坐标，所述姿态信息为机器人各个部件的空间坐标。
进一步的，应用在ROS操作系统中的movebase功能包采用A*算法进行路径规划；
A*算法公式表达为f(n)＝g(n)+h(n)，其中，f(n)是从初始点经由节点n 到目标点的估价函数，g(n)是在状态空间中从初始节点到n节点的实际代价， h(n)是从n到目标节点最佳路径的估计代价。
进一步的，所述人体图像进行识别得到所述被跟随对象的骨骼信息，其中，所述骨骼信息是所述目标图像中被跟随对象各个人体部位的二维坐标；
获取所述机器人与被跟随对象的距离信息，其中，所述距离信息为所述机器人与所述二维坐标平面相互垂直的直线距离，所述的直线距离为一维的长度坐标；
将所述骨骼信息与所述距离信息运算获得所述被跟随对象的三维坐标，即为所述的位置信息。
进一步的，所述最优化行驶路径为根据所述障碍信息避开障碍物后与所述跟随目标距离最短的路径。
进一步的，所述障碍信息的障碍物坐标为一个或多个。
进一步的，通过Kinect深度相机采集跟随目标的坐标信息和深度信息。
为了实现上述目的，根据本申请的另一方面，提供了一种智能装置，包括：
采集单元，用于采集被跟随对象的环境信息及机器人的状态信息；
运算单元，用于根据所述环境信息和所述状态信息运算出多种机器人的行驶速度；
模拟单元，根据多种所述行驶速度分别模拟出所述机器人对应的多条所述行驶路径；
对比单元，根据多条所述的行驶路径按照评价标准获得其中一条最优化行驶路径；
行驶单元，用于所述机器人按照所述最优化行驶路径对应的所述行驶速度进行行驶；
进一步的，所述采集单元，还用于采集周围障碍物的障碍信息，其中，所述障碍信息是机器人前方的障碍物坐标。
在本申请实施例中，采用采集机器人状态信息的方式，通过环境信息与其相结合再通过优选算法获得导航后最优的行驶路径，达到了根据环境信息和状态信息结合导航优化行驶路径的目的，从而实现了载体机器人自身体积位置状态发生改变的过程中进行导航路径规划的技术效果，进而解决了相关技术中无法实现在载体机器人自身体积位置状态发生改变的过程中进行导航路径规划的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请方法实施例流程图的示意图；以及
图2是本申请装置实施例架构图的示意图。
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的实施例，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。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示，该方法包括如下的步骤S101至步骤S106：
步骤S101，采集被跟随对象的环境信息及机器人的状态信息；
步骤S102，根据所述环境信息和所述状态信息运算出多种机器人的行驶速度；
步骤S103，根据多种所述行驶速度分别模拟出所述机器人对应的多条所述行驶路径；
步骤S104，根据多条所述的行驶路径按照评价标准获取其中一条最优化行驶路径；
步骤S105，所述机器人按照所述最优化行驶路径对应的所述行驶速度进行行驶；
步骤S106，重复上述过程，获取所有时间上的所述行驶速度使所述机器人按照该速度进行行驶完成导航。
首先，根据周围的环境信息和所述机器人的状态信息获取完整一个三维坐标，根据上面的条件运算出多种可能的所述行驶速度，根据该行驶速度模拟出以该速度行驶的多条所述行驶路径，通过评价标准获取一条最优化的行驶路径，由该最优化的所述行驶路径反推对应的行驶速度。根据上述的过程不断反复，就可以获得所有时间上的及时速度，完成导航。当然，该速度及包括大小也包括行驶方向。
在另一个可选实施例中，该方法还包括：
采集被跟随对象的目标图像，其中，所述目标图像为所述被跟随对象的图像，并包括被跟随对象的人体图像和被跟随对象所处背景的背景图像；
根据所述背景图像生成代价地图；
根据所述人体图像获得被跟随对象的位置信息；
将所述位置信息加载在所述代价地图中；
采集周围障碍物的障碍信息，其中，所述障碍信息是机器人前方的障碍物坐标；
将所述障碍信息加载在所述代价地图中获得所述的环境信息。
具体说明了所述环境信息的由来，将所述目标图像分为所述人体图像和背景图像。所述的背景图像生成代价地图，基于所述代价地图加载了被跟随对象的位置信息和障碍物的所述障碍信息，最终获得所述的环境信息，所述的环境信息就是在代价地图上加载了障碍物坐标与被跟随对象坐标的三维模拟地图。
在另一可选实施例中，其方法还包括：
所述状态信息包括机器人自身的相对坐标及姿态信息，其中，所述相对坐标为机器人在环境中的位置坐标，所述姿态信息为机器人各个部件的空间坐标。
加载的所述状态信息包括机器人自身的相对坐标及姿态信息，此处的所述相对坐标和姿态信息则将所述机器人自身的坐标加载到所述的代价地图中。
在另一可选实施例中，该方法还包括：
应用在ROS操作系统中的movebase功能包采用A*算法进行路径规划；
A*算法公式表达为f(n)＝g(n)+h(n)，其中，f(n)是从初始点经由节点n 到目标点的估价函数，g(n)是在状态空间中从初始节点到n节点的实际代价， h(n)是从n到目标节点最佳路径的估计代价。
提供了一种具体的算法来选择最优化的行驶路径。
在另一可选实施例中，该方法还包括：
所述人体图像进行识别得到所述被跟随对象的骨骼信息，其中，所述骨骼信息是所述目标图像中被跟随对象各个人体部位的二维坐标；
获取所述机器人与被跟随对象的距离信息，其中，所述距离信息为所述机器人与所述二维坐标平面相互垂直的直线距离，所述的直线距离为一维的长度坐标；
将所述骨骼信息与所述距离信息运算获得所述被跟随对象的三维坐标，即为所述的位置信息。
提供一种所述位置信息的算法，大幅压缩运算量。
在另一可选实施例中，该方法还包括：
所述最优化行驶路径为根据所述障碍信息避开障碍物后与所述跟随目标距离最短的路径。
在另一可选实施例中，该方法还包括：
所述障碍信息的障碍物坐标为一个或多个。
在另一可选实施例中，该方法还包括：
通过Kinect深度相机采集跟随目标的坐标信息和深度信息。
具体使用方法如下：
第一步，接到跟随指令，开启所述骨骼信息识别，所述骨骼信息的识别则要通过Open NITE结合Open CV2实现。所述骨骼信息即人体各个关节节点的位置，所述骨骼信息追踪技术通过处理深度数据来建立人体各个关节的坐标，所述骨骼信息追踪能够确定人体的各个部分，如那部分是手，头部，以及身体，还能确定他们所在的位置。
所述骨骼信息识别的流程如下：首先Kinect采用分隔策略将人体图像从复杂的所述目标图像中区分出来，在这个阶段，为每个跟随的人在深度图像中创建所谓的分割遮罩(分割遮罩为了排除人体以外所述背景图像，采取的图像分割的方法)，在后面的处理流程中仅仅转送所述人体图像即可，以减轻体感计算量。接下来kinect会对人体图像进行评估，来判别人体的不同部位。最终得到所述骨骼信息。
根据所述骨骼信息识别的结果可以得到二维坐标在图像上的位置，再根据当前图像的可以得到所述目标图像相对于相机的距离信息(一维深度)，结合目标在图像上的位置(二维坐标)即可得到所述的位置信息；
将所述位置信息传递到导航模块，所述位置信息是一个三维坐标，其数据形式形如(x，y，z)；
导航模块结合由所述背景图像与所述位置信息进行路径规划，在ROS中，通过movebase功能包进行路径规划，应用的算法是比较经典的A*算法，通过该算法可以计算出当前路径，然后通过局部速度规划器tr计算出当前速度。
A*算法是一种静态路网中求解最短路最有效的方法。公式表示为： f(n)＝g(n)+h(n)，其中f(n)是从初始点经由节点n到目标点的估价函数， g(n)是在状态空间中从初始节点到n节点的实际代价，h(n)是从n到目标节点最佳路径的估计代价。保证找到最短路径(最优解的)条件，关键在于估价函数h(n)的选取。通过A*算法，可以得到一条机器人到目标点的轨迹。
得到轨迹后，接下来根据轨迹得出对应的所述行驶速度，以上过程采用的算法是Trajectory Rollout，流程如下。1采样机器人当前的状态信息(包括相对坐标与姿态信息)，生成多个可能的速度；2，针对每个采样的速度，计算机器人以该速度行驶一段时间后的状态，得出的所述行驶路径；3，利用一些评价标准为多条路线打分；4，根据打分，选择最优路径；5，重复上面过程。根据最优路径的速度，作为结果进行跟随。
从以上的描述中，可以看出，本发明实现了如下技术效果：
采用采集机器人状态信息的方式，通过环境信息与其相结合再通过优选算法获得导航后最优的行驶路径，达到了根据环境信息和状态信息结合导航优化行驶路径的目的，从而实现了载体机器人自身体积位置状态发生改变的过程中进行导航路径规划的技术效果，进而解决了相关技术中无法实现在载体机器人自身体积位置状态发生改变的过程中进行导航路径规划的技术问题。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图2所示，根据本发明实施例，还提供了一种装置包括：
采集单元，用于采集被跟随对象的环境信息及机器人的状态信息；
运算单元，用于根据所述环境信息和所述状态信息运算出多种机器人的行驶速度；
模拟单元，根据多种所述行驶速度分别模拟出所述机器人对应的多条所述行驶路径；
对比单元，根据多条所述的行驶路径按照评价标准获得其中一条最优化行驶路径；
行驶单元，用于所述机器人按照所述最优化行驶路径对应的所述行驶速度进行行驶。
进一步的，所述采集单元，还用于采集周围障碍物的障碍信息，其中，所述障碍信息是机器人前方的障碍物坐标。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种机器人的导航控制方法，其特征在于，包括：
采集被跟随对象的环境信息及机器人的状态信息；其中，采集被跟随对象的环境信息包括：
采集被跟随对象的目标图像，其中，所述目标图像为所述被跟随对象的图像，并包括被跟随对象的人体图像和被跟随对象所处背景的背景图像；
根据所述背景图像生成代价地图；
根据所述人体图像获得被跟随对象的位置信息；
将所述位置信息加载在所述代价地图中；
采集周围障碍物的障碍信息，其中，所述障碍信息是机器人前方的障碍物坐标；
将所述障碍信息加载在所述代价地图中获得所述的环境信息；
根据所述环境信息和所述状态信息运算出多种机器人的行驶速度；
根据多种所述行驶速度分别模拟出所述机器人对应的多条行驶路径；
根据多条所述的行驶路径按照评价标准获取其中一条最优化行驶路径；
所述机器人按照所述最优化行驶路径对应的所述行驶速度进行行驶；以及
重复上述过程，获取所有预设时间上的所述行驶速度使所述机器人按照该速度进行行驶完成导航。
2.根据权利要求1的机器人的导航控制方法，其特征在于，采集机器人的状态信息包括：
所述状态信息包括机器人自身的相对坐标及姿态信息，其中，所述相对坐标为机器人在环境中的位置坐标，所述姿态信息为机器人各个部件的空间坐标。
3.根据权利要求1的机器人的导航控制方法，其特征在于，根据多条所述的行驶路径按照评价标准获得其中一条最优化行驶路径，包括：
应用在ROS操作系统中的movebase功能包采用A*算法进行路径规划；
A*算法公式表达为f(n)＝g(n)+h(n),其中，f(n)是从初始点经由节点n到目标点的估价函数，g(n)是在状态空间中从初始节点到n节点的实际代价，h(n)是从n到目标节点最佳路径的估计代价。
4.根据权利要求1所述的机器人的导航控制方法，其特征在于，根据所述人体图像获得被跟随对象的位置信息包括：
所述人体图像进行识别得到所述被跟随对象的骨骼信息，其中，所述骨骼信息是所述目标图像中被跟随对象各个人体部位的二维坐标；
获取所述机器人与被跟随对象的距离信息，其中，所述距离信息为所述机器人与所述二维坐标平面相互垂直的直线距离，所述的直线距离为一维的长度坐标；
将所述骨骼信息与所述距离信息运算获得所述被跟随对象的三维坐标，即为所述的位置信息。
5.根据权利要求4所述的机器人的导航控制方法，其特征在于，包括：
所述最优化行驶路径为根据所述障碍信息避开障碍物后与所述被跟随对象距离最短的路径。
6.根据权利要求4所述的机器人的导航控制方法，其特征在于，包括：
所述障碍信息的障碍物坐标为一个或多个。
7.根据权利要求6所述的机器人的导航控制方法，其特征在于，包括：
通过Kinect深度相机采集被跟随对象的坐标信息和深度信息。
8.一种智能装置，其特征在于，包括：
采集单元，用于采集被跟随对象的环境信息及机器人的状态信息；其中，采集被跟随对象的环境信息包括：
采集被跟随对象的目标图像，其中，所述目标图像为所述被跟随对象的图像，并包括被跟随对象的人体图像和被跟随对象所处背景的背景图像；
根据所述背景图像生成代价地图；
根据所述人体图像获得被跟随对象的位置信息；
将所述位置信息加载在所述代价地图中；
采集周围障碍物的障碍信息，其中，所述障碍信息是机器人前方的障碍物坐标；
将所述障碍信息加载在所述代价地图中获得所述的环境信息；
运算单元，用于根据所述环境信息和所述状态信息运算出多种机器人的行驶速度；
模拟单元，根据多种所述行驶速度分别模拟出所述机器人对应的多条行驶路径；
对比单元，根据多条所述的行驶路径按照评价标准获得其中一条最优化行驶路径；
行驶单元，用于所述机器人按照所述最优化行驶路径对应的所述行驶速度进行行驶。
CN201711161350.6A 2017-11-20 2017-11-20 机器人的导航控制方法及智能装置 Active CN108151742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711161350.6A CN108151742B (zh) 2017-11-20 2017-11-20 机器人的导航控制方法及智能装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711161350.6A CN108151742B (zh) 2017-11-20 2017-11-20 机器人的导航控制方法及智能装置

Publications (2)

Publication Number Publication Date
CN108151742A CN108151742A (zh) 2018-06-12
CN108151742B true CN108151742B (zh) 2021-03-16

Family

ID=62468018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711161350.6A Active CN108151742B (zh) 2017-11-20 2017-11-20 机器人的导航控制方法及智能装置

Country Status (1)

Country Link
CN (1) CN108151742B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110811836B (zh) * 2019-11-29 2023-06-16 周军 一种虚实结合的三维建模立体定位导航方法和系统
CN113910265B (zh) * 2021-12-13 2022-03-11 山东中瑞电气有限公司 巡检机器人智能巡检方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100877072B1 (ko) * 2007-06-28 2009-01-07 삼성전자주식회사 이동 로봇을 위한 맵 생성 및 청소를 동시에 수행하는 방법및 장치
KR101503903B1 (ko) * 2008-09-16 2015-03-19 삼성전자 주식회사 이동 로봇의 지도 구성 장치 및 방법
CN102591342B (zh) * 2012-02-06 2013-10-30 浙江大学 基于电子罗盘的割草机器人局部路径规划方法
CN104181926B (zh) * 2014-09-17 2017-06-13 上海畔慧信息技术有限公司 机器人的导航控制方法
CN104298239B (zh) * 2014-09-29 2016-08-24 湖南大学 一种室内移动机器人增强地图学习路径规划方法
CN105549597B (zh) * 2016-02-04 2018-06-26 同济大学 一种基于环境不确定性的无人车动态路径规划方法
CN105955251A (zh) * 2016-03-11 2016-09-21 北京克路德人工智能科技有限公司 一种机器人的视觉跟随控制方法及机器人
CN106441275A (zh) * 2016-09-23 2017-02-22 深圳大学 一种机器人规划路径的更新方法及装置

Also Published As

Publication number Publication date
CN108151742A (zh) 2018-06-12

Similar Documents

Publication Publication Date Title
Loquercio et al. Deep drone racing: From simulation to reality with domain randomization
Teng et al. Motion planning for autonomous driving: The state of the art and future perspectives
CN106444780B (zh) 一种基于视觉定位算法的机器人的自主导航方法及系统
CN101619984B (zh) 一种基于颜色路标的移动机器人视觉导航方法
KR101048098B1 (ko) 로봇의 경로계획 장치 및 방법
JP2022524494A (ja) 深層強化学習に基づく自律走行エージェントの学習方法およびシステム
CN103885443A (zh) 用于即时定位与地图构建单元的设备、系统和方法
CN108107884A (zh) 机器人跟随导航的数据处理方法及其智能装置
CN108151742B (zh) 机器人的导航控制方法及智能装置
Bing et al. Perception-action coupling target tracking control for a snake robot via reinforcement learning
Finean et al. Predicted composite signed-distance fields for real-time motion planning in dynamic environments
Finean et al. Motion planning in dynamic environments using context-aware human trajectory prediction
Ziegler et al. Anytime tree-based trajectory planning for urban driving
CN113838203B (zh) 基于三维点云地图和二维栅格地图的导航系统及应用方法
Spanogiannopoulos et al. Sampling-based non-holonomic path generation for self-driving cars
CN118192597A (zh) 一种面向崎岖地形环境的六足机器人运动规划方法
Wang et al. An immersive multi-agent system for interactive applications
Peng et al. Design of constrained dynamic path planning algorithms in large-scale 3D point cloud maps for UAVs
Mombaur et al. An inverse optimal control approach to human motion modeling
CN114115222A (zh) 一种仿生足式机器人智能感知与跟随系统
Sama et al. Learning how to drive in blind intersections from human data
Motorin et al. A study of a trajectory synthesis method for a cyclic changeable target in an environment with periodic dynamics of properties
CN109901589A (zh) 移动机器人控制方法和装置
Wei et al. An improved Rapidly-exploring Random Tree Approach for Robotic Dynamic Path Planning
Sánchez-Montero et al. Reinforcement and Curriculum Learning for Off-Road Navigation of an UGV with a 3D LiDAR

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