CN108255174B - 机器人路径规划方法及装置 - Google Patents
机器人路径规划方法及装置 Download PDFInfo
- Publication number
- CN108255174B CN108255174B CN201711387581.9A CN201711387581A CN108255174B CN 108255174 B CN108255174 B CN 108255174B CN 201711387581 A CN201711387581 A CN 201711387581A CN 108255174 B CN108255174 B CN 108255174B
- Authority
- CN
- China
- Prior art keywords
- speed
- robot
- motion
- offset
- motion track
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000000007 visual effect Effects 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims description 110
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 239000002245 particle Substances 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
Abstract
本申请公开了一种机器人路径规划方法及装置。该方法包括:确定路径的目标点及环境中实体基于视觉传感器坐标系的三维坐标;确定机器人与所述目标点的第一位置关系以及所述实体与机器人之间的第二位置关系;根据所述第一位置关系确定所述机器人行进的基准线速度及基准角速度;根据所述基准线速度及基准角速度确定一条模拟运动轨迹;根据所述第二位置关系及模拟运动轨迹周期性对所述机器人的线速度及角速度进行调整;根据每个周期内所述机器人的线速度及角速度得到每个周期内所述机器人的运动轨迹;根据每个周期内的运动轨迹得到到达终点的完整运动轨迹。进而解决了由于各种算法应用到路径规划当中均具有较大局限性的技术问题。
Description
技术领域
本申请涉及机器人技术领域,具体而言,涉及一种机器人路径规划方法及装置。
背景技术
自动移动机器人的躲避障碍即路径规划问题是机器人领域的核心问题之一,根据机器人对空间环境的已知程度,所述路径规划问题可以被封为躲避静态障碍(静态路径规划)和躲避动态障碍(动态路径规划)。针对躲避障碍的问题,主流的算法包括:势场法、栅格法和粒子群法。
以传统的人工势场法为例,它采用的是基于矢量合成的方法,通过直观的规则即在源于障碍物的排斥力与源于目标点的吸引力的合力作用下规划机器人的运动路径。在只有局部信息的情况下,它的避障策略是十分有效的。但由于机器人运动的速度以及方向取决于力矢量和的大小及方向,当合力为零时,机器人就无法运动了,从而陷入局部极小点的困境。
对于粒子群算法,在初始阶段,粒子的行走路径较分散,路径的收敛速度较慢,影响路径规划的效率。因此各种算法都有方法上的局限性。
针对相关技术中各种算法应用到路径规划当中均具有较大局限性的问题,目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种机器人路径规划方法及装置,以解决问题。
为了实现上述目的,根据本申请的一个方面,提供了一种机器人路径规划方法。
根据本申请的机器人路径规划方法包括:
确定路径的目标点及环境中实体基于视觉传感器坐标系的三维坐标;
通过所述目标点的三维坐标确定机器人与所述目标点的第一位置关系,通过所述实体的三维坐标确定所述实体与机器人之间的第二位置关系;
根据所述第一位置关系确定所述机器人行进的基准线速度及基准角速度;其中,所述基准线速度为所述机器人向所述目标点进行直线移动的速度,所述基准角速度为所述机器人根据所述第一位置关系进行角度旋转的速度;
根据所述基准线速度及基准角速度确定一条模拟运动轨迹;
根据所述第二位置关系及模拟运动轨迹周期性对所述机器人的线速度及角速度进行调整;
根据每个周期内所述机器人的线速度及角速度得到每个周期内所述机器人的运动轨迹;根据每个周期内的运动轨迹得到到达终点的完整运动轨迹。
进一步的,如前述的机器人路径规划方法,所述根据所述第二位置关系及模拟运动轨迹周期性对所述机器人的线速度及角速度进行调整,包括:
在所述计划线速度及计划角速度的基础上预设N个速度偏移量;所述速度偏移量为所述计划线速度及计划角速度的速度增减量;
根据所述周期的时长、N个速度偏移量、所述计划线速度和计划角速度,得到N条运动轨迹;
根据所述第二位置关系确定所述N条运动轨迹与所述实体之间的第三位置关系;
根据所述速度偏移量、运动轨迹与所述实体之间的距离以及所述运动轨迹的方向从所述N条运动轨迹筛选出最佳的运动轨迹。
进一步的,如前述的机器人路径规划方法,所述根据所述根据所述周期的时长、N个速度偏移量、所述计划线速度和计划角速度,得到N条运动轨迹;包括:
在所述计划线速度v和计划角速度w的基础上,进行2n次不同的调整,共得到2n+1个速度组:(v,w),(v+δ,w+δ),(v+2δ,w+2δ).....(v+nδ, w+nδ),(v-δ,w-δ),(v-2δ,w-2δ).....(v-nδ,w-nδ),其中N=2n+1,δ为一恒定值;
根据所述2n+1个速度组以及所述周期的时长得到2n+1条运动轨迹。
进一步的,如前述的机器人路径规划方法,所述根据所述速度偏移量、运动轨迹与所述实体之间的距离以及所述运动轨迹的方向从所述N条运动轨迹筛选出最佳的运动轨迹,包括:
对所述速度偏移量进行评价:设偏移量评价函数f1,所述f1与所述速度偏移量成反比,所述速度偏移量越小,则偏移量评价分数f1越高;
对所述运动轨迹与所述实体之间的距离进行评价:设运动轨迹评价函数 f2,所述f2与所述运动轨迹和所述实体的最近距离d成正比,所述最近距离d 越大,则距离评价分数f2越高;
对所述运动轨迹的方向进行评价:设偏移量评价函数f3,确定所述运动轨迹的起点和终点的连线方向与所述运动轨迹的起点和所述目标点的连线方向之间的夹角,所述f3与所述夹角θ成反比,所述夹角θ越小,则方向评价分数 f3越高;
根据所述偏移量评价分数p、距离评价分数j和方向评价分数f得出综合评价分数z:
z=a*f1+b*f2+c*f3;
其中,a、b和c分别为所述偏移量评价分数f1、距离评价分数f2和方向评价分数f3的权重系数;所述综合评价分数z最高的为所述最佳的运动轨迹。
进一步的,如前述的机器人路径规划方法,所述获得路径的目标点及环境中实体基于视觉传感器坐标系的三维坐标,包括:
通过视觉传感器获得包括目标点的当前环境的深度图像,所述深度图像提供所述目标点及当前环境中实体的深度信息;
根据所述深度信息确定所述目标点及所述实体基于所述视觉传感器坐标系的三维坐标。
为了实现上述目的,根据本申请的另一方面,提供了一种机器人路径规划装置。
根据本申请的机器人路径规划装置包括:
三维坐标确定单元,用于确定路径的目标点及环境中实体基于视觉传感器坐标系的三维坐标;
位置关系确定单元,用于通过所述目标点的三维坐标确定机器人与所述目标点的第一位置关系,通过所述实体的三维坐标确定所述实体与机器人之间的第二位置关系;
基准速度确定单元,用于根据所述第一位置关系确定所述机器人行进的基准线速度及基准角速度;其中,所述基准线速度为所述机器人向所述目标点进行直线移动的速度,所述基准角速度为所述机器人根据所述第一位置关系进行角度旋转的速度;
模拟运动轨迹确定单元,用于根据所述基准线速度及基准角速度确定一条模拟运动轨迹;
速度调整单元,用于根据所述第二位置关系及模拟运动轨迹周期性对所述机器人的线速度及角速度进行调整;
完整运动轨迹确定单元,用于根据每个周期内所述机器人的线速度及角速度得到每个周期内所述机器人的运动轨迹;根据每个周期内的运动轨迹得到到达终点的完整运动轨迹。
进一步的,如前述的机器人路径规划装置,所述速度调整单元,包括:
速度偏移量设置模块,用于在所述计划线速度及计划角速度的基础上预设 N个速度偏移量;所述速度偏移量为所述计划线速度及计划角速度的速度增减量;
周期性运动轨迹获得模块,用于根据所述周期的时长、N个速度偏移量、所述计划线速度和计划角速度,得到N条运动轨迹;
第三位置关系获得模块,用于根据所述第二位置关系确定所述N条运动轨迹与所述实体之间的第三位置关系;
最佳运动轨迹选择模块,用于根据所述速度偏移量、运动轨迹与所述实体之间的距离以及所述运动轨迹的方向从所述N条运动轨迹筛选出最佳的运动轨迹。
进一步的,如前述的机器人路径规划装置,述周期性运动轨迹获得模块,包括:
速度调整子模块,用于在所述计划线速度v和计划角速度w的基础上,进行2n次不同的调整,共得到2n+1个速度组:(v,w),(v+δ,w+δ),(v+2δ, w+2δ).....(v+nδ,w+nδ),(v-δ,w-δ),(v-2δ,w-2δ).....(v-nδ,w-nδ), 其中N=2n+1,δ为一恒定值;
运动轨迹获得子模块,用于根据所述2n+1个速度组以及所述周期的时长得到2n+1条运动轨迹。
进一步的,如前述的机器人路径规划装置,所述最佳运动轨迹选择模块,包括:
速度偏移量评价子模块,用于对所述速度偏移量进行评价:设偏移量评价函数f1,所述f1与所述速度偏移量成反比,所述速度偏移量越小,则偏移量评价分数f1越高;
距离评价子模块,用于对所述运动轨迹与所述实体之间的距离进行评价:设运动轨迹评价函数f2,所述f2与所述运动轨迹和所述实体的最近距离d成正比,所述最近距离d越大,则距离评价分数f2越高;
方向评价子模块,用于对所述运动轨迹的方向进行评价:设偏移量评价函数f3,确定所述运动轨迹的起点和终点的连线方向与所述运动轨迹的起点和所述目标点的连线方向之间的夹角,所述f3与所述夹角θ成反比,所述夹角θ越小,则方向评价分数f3越高;
综合评价子模块,用于根据所述偏移量评价分数f1、距离评价分数f2和方向评价分数f3得出综合评价分数z:
z=a*f1+b*f2+c*f3;
其中,a、b和c分别为所述偏移量评价分数f1、距离评价分数f2和方向评价分数f3的权重系数;所述综合评价分数z最高的为所述最佳的运动轨迹。
进一步的,如前述的机器人路径规划装置,所述三维坐标确定单元,包括:
深度信息获取模块,用于通过视觉传感器获得包括目标点的当前环境的深度图像,所述深度图像提供所述目标点及当前环境中实体的深度信息;
三维坐标确定模块,用于根据所述深度信息确定所述目标点及所述实体基于所述视觉传感器坐标系的三维坐标。
在本申请实施例中,采用局部速度规划的方式,通过确定路径的目标点及环境中实体基于视觉传感器坐标系的三维坐标;通过所述目标点的三维坐标确定机器人与所述目标点的第一位置关系,通过所述实体的三维坐标确定所述实体与机器人之间的第二位置关系;根据所述第一位置关系确定所述机器人行进的基准线速度及基准角速度;根据所述基准线速度及基准角速度确定一条模拟运动轨迹;根据所述第二位置关系及模拟运动轨迹周期性对所述机器人的线速度及角速度进行调整;根据每个周期内所述机器人的线速度及角速度得到每个周期内所述机器人的运动轨迹;根据每个周期内的运动轨迹得到到达终点的完整运动轨迹。达到了进行路径规划的目的,从而实现了能够针对任何静态场景均能快速进行路径规划的技术效果,进而解决了由于各种算法应用到路径规划当中均具有较大局限性的技术问题。
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是根据本申请一种实施例的机器人路径规划方法流程示意图;
图2是根据图1所示方法中步骤S5的一种实施例的方法流程示意图;
图3是根据图2所示方法中步骤S52的一种实施例的方法流程示意图;
图4是根据图1所示方法中步骤S1的一种实施例的方法流程示意图;
图5是根据本申请一种实施例的机器人路径规划装置的模块连接示意图;
图6是根据图1所示装置中模块5的一种实施例装置的模块连接流程图;
图7是根据图2所示装置中模块52的一种实施例装置的模块连接流程图;以及
图8是根据图1所示装置中模块1的一种实施例装置的模块连接流程图。
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,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本实用新型及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本发明中的具体含义。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
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。
本实施例提供了一种机器人路径规划方法。如图1所示,该方法包括如下的步骤S1至步骤S6:
S1.确定路径的目标点及环境中实体基于视觉传感器坐标系的三维坐标;
S2.通过所述目标点的三维坐标确定机器人与所述目标点的第一位置关系,通过所述实体的三维坐标确定所述实体与机器人之间的第二位置关系;
S3.根据所述第一位置关系确定所述机器人行进的基准线速度及基准角速度;其中,所述基准线速度为所述机器人向所述目标点进行直线移动的速度,所述基准角速度为所述机器人根据所述第一位置关系进行角度旋转的速度;
S4.根据所述基准线速度及基准角速度确定一条模拟运动轨迹;
S5.根据所述第二位置关系及模拟运动轨迹周期性对所述机器人的线速度及角速度进行调整;
S6.根据每个周期内所述机器人的线速度及角速度得到每个周期内所述机器人的运动轨迹;根据每个周期内的运动轨迹得到到达终点的完整运动轨迹。
实施例2,如图2所示,如实施例1中所示的机器人路径规划方法,所述步骤S5根据所述第二位置关系及模拟运动轨迹周期性对所述机器人的线速度及角速度进行调整,包括:
S51.在所述计划线速度及计划角速度的基础上预设N个速度偏移量;所述速度偏移量为所述计划线速度及计划角速度的速度增减量;
S52.根据所述周期的时长、N个速度偏移量、所述计划线速度和计划角速度,得到N条运动轨迹;
S53.根据所述第二位置关系确定所述N条运动轨迹与所述实体之间的第三位置关系;
S54.根据所述速度偏移量、运动轨迹与所述实体之间的距离以及所述运动轨迹的方向从所述N条运动轨迹筛选出最佳的运动轨迹。
实施例3,如图4所示,如实施例2中所示的机器人路径规划方法,所述步骤S52根据所述根据所述周期的时长、N个速度偏移量、所述计划线速度和计划角速度,得到N条运动轨迹;包括:
S521.在所述计划线速度v和计划角速度w的基础上,进行2n次不同的调整,共得到2n+1个速度组:(v,w),(v+δ,w+δ),(v+2δ,w+2δ).....(v+nδ, w+nδ),(v-δ,w-δ),(v-2δ,w-2δ).....(v-nδ,w-nδ),其中N=2n+1,δ为一恒定值;其中δ为一个相对于w和v来说是恒定且微小的量;在此处,v、w和δ均是不带单位的数据,具体单位可以在得出具体数据后对应附上即可;
S522.根据所述2n+1个速度组以及所述周期的时长得到2n+1条运动轨迹;由于由步骤S521已经得到速度组,因此只需针对所述速度组进行相应的数学计算即可得到相应的轨迹线条,在次不再赘述。
在一些实施例中,如前述的机器人路径规划方法,所述根据所述速度偏移量、运动轨迹与所述实体之间的距离以及所述运动轨迹的方向从所述N条运动轨迹筛选出最佳的运动轨迹,包括:
对所述运动轨迹与所述实体之间的距离进行评价:设运动轨迹评价函数 f2,r是指机器人的底盘半径,单位都是米所述f2与所述运动轨迹和所述实体的最近距离d成正比,所述最近距离d越大,则距离评价分数f2越高;如果所述运动轨迹穿过了实体/障碍物,或者该运动轨迹上有一些点距离障碍物很近,且存在有一点与最近障碍物的最近距离d超过了预设的最小距离阈值,那么这条运动轨迹的评价分数就偏低;
对所述运动轨迹的方向进行评价:设偏移量评价函数f3,确定所述运动轨迹的起点和终点的连线方向与所述运动轨迹的起点和所述目标点的连线方向之间的夹角,所述f3与所述夹角θ成反比,所述夹角θ越小,则方向评价分数f3越高;之所以将所述运动轨迹的方向作为一个评价元素,是因为目标点和机器人当前位置(运动轨迹的起点)连线与机器人速度方向的夹角用以判断机器人有没有朝着目标的方向前进;因此当所述夹角θ偏大,则表示所述机器人没有朝着目标点的方向走,反之夹角θ偏小,则表示所述机器人行动的方向与目标点方向一致,就给予较高的方向评价分数f3。
根据所述偏移量评价分数f1、距离评价分数f2和方向评价分数f3得出综合评价分数z:
z=a*f1+b*f2+c*f3;
其中,a、b和c分别为所述偏移量评价分数f1、距离评价分数f2和方向评价分数f3的权重系数,一般的,选择距离评价分数f2综合评价分数的主要考虑因素;所述综合评价分数z最高的为所述最佳的运动轨迹,且a+b+c=1,优选的,根据经验可以取a=0.4;b=0.3;c=0.3。
实施例4,如图1所示,如实施例1所述的机器人路径规划方法,所述步骤S1中获得路径的目标点及环境中实体基于视觉传感器坐标系的三维坐标,包括:
S11.通过视觉传感器获得包括目标点的当前环境的深度图像,所述深度图像提供所述目标点及当前环境中实体的深度信息;
S12.根据所述深度信息确定所述目标点及所述实体基于所述视觉传感器坐标系的三维坐标。
具体的,所述步骤S12可以为:
根据所述深度信息确定所述目标点及实体基于视觉传感器坐标系的第一三维坐标;所述视觉传感器坐标系为以视觉传感器为原点的坐标系;将所述目标点及实体的第一三维坐标转换为基于机器人坐标系的第二三维坐标;所述机器人坐标系为根据机器人中的一点为原点得到的坐标系;将所述目标点及实体的第二三维坐标投影到二维栅格地图上,得到所述目标点及实体的二维坐标;所述二维栅格地图与所述机器人的底面所在平面重合;最后根据所述二维坐标获取所述目标点及实体与机器人之间的位置关系。
从以上的描述中,可以看出,本发明实现了如下技术效果:
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。
根据本发明实施例,还提供了一种用于实施上述机器人路径规划方法的装置,如图5所示,该装置包括:
三维坐标确定单元1,用于确定路径的目标点及环境中实体基于视觉传感器坐标系的三维坐标;
位置关系确定单元2,用于通过所述目标点的三维坐标确定机器人与所述目标点的第一位置关系,通过所述实体的三维坐标确定所述实体与机器人之间的第二位置关系;
基准速度确定单元3,用于根据所述第一位置关系确定所述机器人行进的基准线速度及基准角速度;其中,所述基准线速度为所述机器人向所述目标点进行直线移动的速度,所述基准角速度为所述机器人根据所述第一位置关系进行角度旋转的速度;
模拟运动轨迹确定单元4,用于根据所述基准线速度及基准角速度确定一条模拟运动轨迹;
速度调整单元5,用于根据所述第二位置关系及模拟运动轨迹周期性对所述机器人的线速度及角速度进行调整;
完整运动轨迹确定单元6,用于根据每个周期内所述机器人的线速度及角速度得到每个周期内所述机器人的运动轨迹;根据每个周期内的运动轨迹得到到达终点的完整运动轨迹。
具体的,本实施例中的各个模块实现其功能的具体过程可参见图1所示方法实施例中的相关描述,此处不再赘述。
在一些实施例中,如前述的机器人路径规划装置,所述速度调整单元5,包括:
速度偏移量设置模块51,用于在所述计划线速度及计划角速度的基础上预设N个速度偏移量;所述速度偏移量为所述计划线速度及计划角速度的速度增减量;
周期性运动轨迹获得模块52,用于根据所述周期的时长、N个速度偏移量、所述计划线速度和计划角速度,得到N条运动轨迹;
第三位置关系获得模块53,用于根据所述第二位置关系确定所述N条运动轨迹与所述实体之间的第三位置关系;
最佳运动轨迹选择模块54,用于根据所述速度偏移量、运动轨迹与所述实体之间的距离以及所述运动轨迹的方向从所述N条运动轨迹筛选出最佳的运动轨迹。
具体的,本实施例中的各个模块实现其功能的具体过程可参见图2所示方法实施例中的相关描述,此处不再赘述。
在一些实施例中,如前述的机器人路径规划装置,述周期性运动轨迹获得模块52,包括:
速度调整子模块521,用于在所述计划线速度v和计划角速度w的基础上,进行2n次不同的调整,共得到2n+1个速度组:(v,w),(v+δ,w+δ),(v+2δ, w+2δ).....(v+nδ,w+nδ),(v-δ,w-δ),(v-2δ,w-2δ).....(v-nδ,w-nδ), 其中N=2n+1,δ为一恒定值;
运动轨迹获得子模块522,用于根据所述2n+1个速度组以及所述周期的时长得到2n+1条运动轨迹。
具体的,本实施例中的各个模块实现其功能的具体过程可参见图3所示方法实施例中的相关描述,此处不再赘述。
在一些实施例中,如前述的机器人路径规划装置,所述最佳运动轨迹选择模块54,包括:
速度偏移量评价子模块541,用于对所述速度偏移量进行评价:设偏移量评价函数f1,所述f1与所述速度偏移量成反比,所述速度偏移量越小,则偏移量评价分数f1越高;
距离评价子模块542,用于对所述运动轨迹与所述实体之间的距离进行评价:设运动轨迹评价函数f2,所述f2与所述运动轨迹和所述实体的最近距离d 成正比,所述最近距离d越大,则距离评价分数f2越高;
方向评价子模块543,用于对所述运动轨迹的方向进行评价:设偏移量评价函数f3,确定所述运动轨迹的起点和终点的连线方向与所述运动轨迹的起点和所述目标点的连线方向之间的夹角,所述f3与所述夹角θ成反比,所述夹角θ越小,则方向评价分数f3越高;
综合评价子模块544,用于根据所述偏移量评价分数f1、距离评价分数f2和方向评价分数f3得出综合评价分数z:
z=a*f1+b*f2+c*f3;
其中,a、b和c分别为所述偏移量评价分数f1、距离评价分数f2和方向评价分数f3的权重系数;所述综合评价分数z最高的为所述最佳的运动轨迹。
具体的,本实施例中的各个模块实现其功能的具体过程可参见图4所示方法实施例中的相关描述,此处不再赘述。
在一些实施例中,如前述的机器人路径规划装置,所述三维坐标确定单元 1,包括:
深度信息获取模块11,用于通过视觉传感器获得包括目标点的当前环境的深度图像,所述深度图像提供所述目标点及当前环境中实体的深度信息;
三维坐标确定模块12,用于根据所述深度信息确定所述目标点及所述实体基于所述视觉传感器坐标系的三维坐标。
具体的,本实施例中的各个模块实现其功能的具体过程可参见图5所示方法实施例中的相关描述,此处不再赘述。
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)
1.一种机器人路径规划方法,其特征在于,包括:
确定路径的目标点及环境中实体基于视觉传感器坐标系的三维坐标;
通过所述目标点的三维坐标确定机器人与所述目标点的第一位置关系,通过所述实体的三维坐标确定所述实体与机器人之间的第二位置关系,
根据所述第一位置关系确定所述机器人行进的基准线速度及基准角速度;其中,所述基准线速度为所述机器人向所述目标点进行直线移动的速度,所述基准角速度为所述机器人根据所述第一位置关系进行角度旋转的速度;
根据所述基准线速度及基准角速度确定一条模拟运动轨迹;
根据所述第二位置关系及模拟运动轨迹周期性对所述机器人的线速度及角速度进行调整;
根据每个周期内所述机器人的线速度及角速度得到每个周期内所述机器人的运动轨迹;根据每个周期内的运动轨迹得到到达终点的完整运动轨迹;
所述根据所述第二位置关系及模拟运动轨迹周期性对所述机器人的线速度及角速度进行调整,包括:
在所述线速度及角速度的基础上预设N个速度偏移量;所述速度偏移量为所述线速度及角速度的速度增减量;
根据所述周期的时长、N个速度偏移量、所述线速度和角速度,得到N条运动轨迹;
根据所述第二位置关系确定所述N条运动轨迹与所述实体之间的第三位置关系;
根据所述速度偏移量、运动轨迹与所述实体之间的距离以及所述运动轨迹的方向从所述N条运动轨迹筛选出最佳的运动轨迹;
所述根据所述速度偏移量、运动轨迹与所述实体之间的距离以及所述运动轨迹的方向从所述N条运动轨迹筛选出最佳的运动轨迹包括:根据所述偏移量评价分数f1、距离评价分数f2和方向评价分数f3得出综合评价分数z:
z=a*f1+b*f2+c*f3;
其中,a、b和c分别为所述偏移量评价分数f1、距离评价分数f2和方向评价分数f3的权重系数;所述综合评价分数z最高的为所述最佳的运动轨迹。
2.根据权利要求1所述的机器人路径规划方法,其特征在于,所述根据所述根据所述周期的时长、N个速度偏移量、所述线速度和角速度,得到N条运动轨迹;包括:
在所述线速度v和角速度w的基础上,进行2n次不同的调整,共得到2n+1个速度组:(v,w),(v+δ,w+δ),(v+2δ,w+2δ).....(v+nδ,w+nδ),(v-δ,w-δ),(v-2δ,w-2δ).....(v-nδ,w-nδ),其中N=2n+1,δ为一恒定值;
根据所述2n+1个速度组以及所述周期的时长得到2n+1条运动轨迹。
3.根据权利要求1所述的机器人路径规划方法,其特征在于,所述根据所述速度偏移量、运动轨迹与所述实体之间的距离以及所述运动轨迹的方向从所述N条运动轨迹筛选出最佳的运动轨迹,包括:
对所述速度偏移量进行评价:设偏移量评价函数f1,所述f1与所述速度偏移量成反比,所述速度偏移量越小,则偏移量评价分数f1越高;
对所述运动轨迹与所述实体之间的距离进行评价:设运动轨迹评价函数f2,所述f2与所述运动轨迹和所述实体的最近距离d成正比,所述最近距离d越大,则距离评价分数f2越高;
对所述运动轨迹的方向进行评价:设偏移量评价函数f3,确定所述运动轨迹的起点和终点的连线方向与所述运动轨迹的起点和所述目标点的连线方向之间的夹角,所述f3与所述夹角θ成反比,所述夹角θ越小,则方向评价分数f3越高;
根据所述偏移量评价分数p、距离评价分数j和方向评价分数f得出综合评价分数z:
z=a*f1+b*f2+c*f3;
其中,a、b和c分别为所述偏移量评价分数f1、距离评价分数f2和方向评价分数f3的权重系数;所述综合评价分数z最高的为所述最佳的运动轨迹。
4.根据权利要求1所述的机器人路径规划方法,其特征在于,所述获得路径的目标点及环境中实体基于视觉传感器坐标系的三维坐标,包括:
通过视觉传感器获得包括目标点的当前环境的深度图像,所述深度图像提供所述目标点及当前环境中实体的深度信息;
根据所述深度信息确定所述目标点及所述实体基于所述视觉传感器坐标系的三维坐标。
5.一种机器人路径规划装置,其特征在于,包括:
三维坐标确定单元,用于确定路径的目标点及环境中实体基于视觉传感器坐标系的三维坐标;
位置关系确定单元,用于通过所述目标点的三维坐标确定机器人与所述目标点的第一位置关系,通过所述实体的三维坐标确定所述实体与机器人之间的第二位置关系;
基准速度确定单元,用于根据所述第一位置关系确定所述机器人行进的基准线速度及基准角速度;其中,所述基准线速度为所述机器人向所述目标点进行直线移动的速度,所述基准角速度为所述机器人根据所述第一位置关系进行角度旋转的速度;
模拟运动轨迹确定单元,用于根据所述基准线速度及基准角速度确定一条模拟运动轨迹;
速度调整单元,用于根据所述第二位置关系及模拟运动轨迹周期性对所述机器人的线速度及角速度进行调整;
完整运动轨迹确定单元,用于根据每个周期内所述机器人的线速度及角速度得到每个周期内所述机器人的运动轨迹;根据每个周期内的运动轨迹得到到达终点的完整运动轨迹;
所述速度调整单元,包括:
速度偏移量设置模块,用于在所述线速度及角速度的基础上预设N个速度偏移量;所述速度偏移量为所述线速度及角速度的速度增减量;
周期性运动轨迹获得模块,用于根据所述周期的时长、N个速度偏移量、所述线速度和角速度,得到N条运动轨迹;
第三位置关系获得模块,用于根据所述第二位置关系确定所述N条运动轨迹与所述实体之间的第三位置关系;
最佳运动轨迹选择模块,用于根据所述速度偏移量、运动轨迹与所述实体之间的距离以及所述运动轨迹的方向从所述N条运动轨迹筛选出最佳的运动轨迹;
所述最佳运动轨迹选择模块,包括:综合评价子模块,用于根据所述偏移量评价分数f1、距离评价分数f2和方向评价分数f3得出综合评价分数z:
z=a*f1+b*f2+c*f3;
其中,a、b和c分别为所述偏移量评价分数f1、距离评价分数f2和方向评价分数f3的权重系数;所述综合评价分数z最高的为所述最佳的运动轨迹。
6.根据权利要求5所述的机器人路径规划装置,其特征在于,所述周期性运动轨迹获得模块,包括:
速度调整子模块,用于在所述线速度v和角速度w的基础上,进行2n次不同的调整,共得到2n+1个速度组:(v,w),(v+δ,w+δ),(v+2δ,w+2δ).....(v+nδ,w+nδ),(v-δ,w-δ),(v-2δ,w-2δ).....(v-nδ,w-nδ),其中N=2n+1,δ为一恒定值;
运动轨迹获得子模块,用于根据所述2n+1个速度组以及所述周期的时长得到2n+1条运动轨迹。
7.根据权利要求5所述的机器人路径规划装置,其特征在于,所述最佳运动轨迹选择模块,包括:
速度偏移量评价子模块,用于对所述速度偏移量进行评价:设偏移量评价函数f1,所述f1与所述速度偏移量成反比,所述速度偏移量越小,则偏移量评价分数f1越高;
距离评价子模块,用于对所述运动轨迹与所述实体之间的距离进行评价:设运动轨迹评价函数f2,所述f2与所述运动轨迹和所述实体的最近距离d成正比,所述最近距离d越大,则距离评价分数f2越高;
方向评价子模块,用于对所述运动轨迹的方向进行评价:设偏移量评价函数f3,确定所述运动轨迹的起点和终点的连线方向与所述运动轨迹的起点和所述目标点的连线方向之间的夹角,所述f3与所述夹角θ成反比,所述夹角θ越小,则方向评价分数f3越高;
综合评价子模块,用于根据所述偏移量评价分数f1、距离评价分数f2和方向评价分数f3得出综合评价分数z:
z=a*f1+b*f2+c*f3;
其中,a、b和c分别为所述偏移量评价分数f1、距离评价分数f2和方向评价分数f3的权重系数;所述综合评价分数z最高的为所述最佳的运动轨迹。
8.根据权利要求5所述的机器人路径规划装置,其特征在于,所述三维坐标确定单元,包括:
深度信息获取模块,用于通过视觉传感器获得包括目标点的当前环境的深度图像,所述深度图像提供所述目标点及当前环境中实体的深度信息;
三维坐标确定模块,用于根据所述深度信息确定所述目标点及所述实体基于所述视觉传感器坐标系的三维坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711387581.9A CN108255174B (zh) | 2017-12-20 | 2017-12-20 | 机器人路径规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711387581.9A CN108255174B (zh) | 2017-12-20 | 2017-12-20 | 机器人路径规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108255174A CN108255174A (zh) | 2018-07-06 |
CN108255174B true CN108255174B (zh) | 2021-03-16 |
Family
ID=62723574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711387581.9A Active CN108255174B (zh) | 2017-12-20 | 2017-12-20 | 机器人路径规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108255174B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189060B (zh) | 2018-07-25 | 2021-01-12 | 博众精工科技股份有限公司 | 移动机器人的点镇定控制方法及装置 |
CN109434831B (zh) * | 2018-11-12 | 2020-11-27 | 深圳前海达闼云端智能科技有限公司 | 机器人运行方法、装置、机器人、电子设备及可读介质 |
CN109500813B (zh) * | 2018-11-29 | 2020-07-03 | 亿嘉和科技股份有限公司 | 一种电站巡检机器人的红外快速巡检方法 |
CN111267086A (zh) * | 2018-12-04 | 2020-06-12 | 北京猎户星空科技有限公司 | 一种动作任务的创建与执行方法及装置、设备和存储介质 |
CN109668484B (zh) * | 2019-01-18 | 2023-05-02 | 北京瀚科科技集团有限公司 | 一种靶机与攻击机互动的靶机机动飞行控制方法及系统 |
CN110703749B (zh) * | 2019-10-11 | 2022-11-18 | 浙江华睿科技股份有限公司 | 一种控制车辆运动的方法及装置 |
CN110955241B (zh) * | 2019-11-22 | 2023-04-14 | 深圳市优必选科技股份有限公司 | 移动机器人避障方法、装置、移动机器人及存储介质 |
CN113568366B (zh) * | 2020-04-29 | 2023-03-21 | 北京配天技术有限公司 | 机器人的运动控制方法、系统及计算机存储介质 |
CN113879421B (zh) * | 2021-10-28 | 2022-07-08 | 乐聚(深圳)机器人技术有限公司 | 双足机器人的运动轨迹规划方法、装置、设备及介质 |
TWI828330B (zh) * | 2022-09-23 | 2024-01-01 | 優式機器人股份有限公司 | 用於自走設備的移動控制方法及系統 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08272764A (ja) * | 1995-04-04 | 1996-10-18 | Nippon Telegr & Teleph Corp <Ntt> | 遺伝的アルゴリズムを用いた小口径トンネルロボットの最適ゲイン探索方法 |
JPH09265313A (ja) * | 1996-01-24 | 1997-10-07 | Mitsubishi Electric Corp | ロボットの速度演算装置、およびロボットの速度演算方法 |
CN105171745A (zh) * | 2015-08-31 | 2015-12-23 | 上海发那科机器人有限公司 | 一种机器人离线编程系统 |
CN105511457A (zh) * | 2014-09-25 | 2016-04-20 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
CN106426184A (zh) * | 2016-12-13 | 2017-02-22 | 广州中国科学院先进技术研究所 | 一种机器人控制系统 |
CN205963954U (zh) * | 2016-05-31 | 2017-02-22 | 台州市霸业智能科技有限公司 | 智能扫地机器人 |
CN106774144A (zh) * | 2016-12-21 | 2017-05-31 | 上海华括自动化工程有限公司 | 一种基于工业机器人的智能cnc处理方法 |
JP2017182565A (ja) * | 2016-03-31 | 2017-10-05 | 株式会社Subaru | 車両状態監視装置 |
CN107378201A (zh) * | 2017-07-07 | 2017-11-24 | 上海工业自动化仪表研究院有限公司 | 相贯线多层多道焊焊缝轨迹实时规划方法 |
-
2017
- 2017-12-20 CN CN201711387581.9A patent/CN108255174B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08272764A (ja) * | 1995-04-04 | 1996-10-18 | Nippon Telegr & Teleph Corp <Ntt> | 遺伝的アルゴリズムを用いた小口径トンネルロボットの最適ゲイン探索方法 |
JPH09265313A (ja) * | 1996-01-24 | 1997-10-07 | Mitsubishi Electric Corp | ロボットの速度演算装置、およびロボットの速度演算方法 |
CN105511457A (zh) * | 2014-09-25 | 2016-04-20 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
CN105171745A (zh) * | 2015-08-31 | 2015-12-23 | 上海发那科机器人有限公司 | 一种机器人离线编程系统 |
JP2017182565A (ja) * | 2016-03-31 | 2017-10-05 | 株式会社Subaru | 車両状態監視装置 |
CN205963954U (zh) * | 2016-05-31 | 2017-02-22 | 台州市霸业智能科技有限公司 | 智能扫地机器人 |
CN106426184A (zh) * | 2016-12-13 | 2017-02-22 | 广州中国科学院先进技术研究所 | 一种机器人控制系统 |
CN106774144A (zh) * | 2016-12-21 | 2017-05-31 | 上海华括自动化工程有限公司 | 一种基于工业机器人的智能cnc处理方法 |
CN107378201A (zh) * | 2017-07-07 | 2017-11-24 | 上海工业自动化仪表研究院有限公司 | 相贯线多层多道焊焊缝轨迹实时规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108255174A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108255174B (zh) | 机器人路径规划方法及装置 | |
CN105629974B (zh) | 一种基于改进型人工势场法的机器人路径规划方法及系统 | |
Spletzer et al. | Dynamic sensor planning and control for optimally tracking targets | |
CN106803271B (zh) | 一种视觉导航无人机的摄像机标定方法及装置 | |
CN108241369B (zh) | 机器人躲避静态障碍的方法及装置 | |
CN112684807A (zh) | 无人机集群三维编队方法 | |
CN107491070A (zh) | 一种移动机器人路径规划方法及装置 | |
CN107179768B (zh) | 一种障碍物识别方法及装置 | |
Dentler et al. | Collision avoidance effects on the mobility of a UAV swarm using chaotic ant colony with model predictive control | |
Matthies et al. | Stereo vision-based obstacle avoidance for micro air vehicles using disparity space | |
CN106797456B (zh) | 投影图像校正方法、校正装置及机器人 | |
JP2018527669A (ja) | 無人航空機の地形追従飛行のための方法、装置および無人航空機 | |
CN109074083A (zh) | 移动控制方法、移动机器人及计算机存储介质 | |
CN111474953B (zh) | 多动态视角协同的空中目标识别方法及系统 | |
CN101419711B (zh) | 一种估计车辆自运动参数的方法和装置 | |
CN104155998B (zh) | 一种基于势场法的航迹规划方法 | |
CN109102525A (zh) | 一种基于自适应位姿估计的移动机器人跟随控制方法 | |
Bipin et al. | Autonomous navigation of generic monocular quadcopter in natural environment | |
KR101319525B1 (ko) | 이동 로봇을 이용하여 목표물의 위치 정보를 제공하기 위한 시스템 | |
Yokoyama et al. | Autonomous mobile robot with simple navigation system based on deep reinforcement learning and a monocular camera | |
CN105204511B (zh) | 一种物体自主移动的决策方法 | |
Foix et al. | 3D Sensor planning framework for leaf probing | |
Fragoso et al. | Dynamically feasible motion planning for micro air vehicles using an egocylinder | |
CN104898653A (zh) | 一种飞行控制系统 | |
Grehl et al. | Towards virtualization of underground mines using mobile robots–from 3D scans to virtual mines |
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 |