CN108733038A - 机器人局部动态路径规划方法 - Google Patents
机器人局部动态路径规划方法 Download PDFInfo
- Publication number
- CN108733038A CN108733038A CN201710253823.9A CN201710253823A CN108733038A CN 108733038 A CN108733038 A CN 108733038A CN 201710253823 A CN201710253823 A CN 201710253823A CN 108733038 A CN108733038 A CN 108733038A
- Authority
- CN
- China
- Prior art keywords
- robot
- pedestrian
- cluster
- paths planning
- planning method
- 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 43
- 230000004888 barrier function Effects 0.000 claims abstract description 14
- 230000033001 locomotion Effects 0.000 claims description 25
- 238000012546 transfer Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 2
- 238000010408 sweeping Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 210000002414 leg Anatomy 0.000 description 24
- 210000002683 foot Anatomy 0.000 description 20
- 230000001133 acceleration Effects 0.000 description 7
- 210000001699 lower leg Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000011084 recovery Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004387 environmental modeling Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 235000004443 Ricinus communis Nutrition 0.000 description 1
- 240000000528 Ricinus communis Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种机器人局部动态路径规划方法，该方法如下步骤：步骤1，机器人启动；步骤2，根据规划路径机器人向目标点行进；步骤3，判断是否到达目标点；到达，则结束，否则继续下一步；步骤4，读取传感器信息；步骤5，判断规划路径上是否有障碍物；步骤6，重新计算局部路径，规避障碍物；步骤7，到达目标点。本发明对动态因素进行跟踪并结合局部路径规划，处理后实现实时避障实现机器人基本能力，实时避障和导航。
Description
技术领域
本发明属于机器人的技术领域，特别涉及机器人移动的路径规划方法。
背景技术
机器人是自动执行工作的机器装置。它既可以接受人类指挥，又可以运行预先编排的程序，也可以根据以人工智能技术制定的原则纲领行动。它的任务是协助或取代人类工作的工作，例如生产业、建筑业，或是危险的工作。随时技术水平的提高，机器人的智能化越来越高，已经逐步进入到人们的日常工作和生活领域。
路径规划是指机器人在具有障碍物的环境内，按照一种或多种性能指标，寻找一条从起始点到目标点的最优无碰撞路径。针对目前已有的路径规划算法，根据机器人所处的具体环境选择合适的算法，使得机器人在环境中能够稳定运行变得至关重要。针对已知地图的全局路径规划，其基本问题是环境建模和搜索运动路径。
对于机器人来说，一个重要的任务是模拟人的行走，以实现动态地为人们提供各种服务。传统的方式是通过传感器感知环境及物体，从而计算出移动路线。但是仅靠传感器探测与实时规划路线，机器人可能达到不了终点，因此，人们提出了全局路径规划的概念，全局路径规划首先要建立环境模型，然后搜索路径、规划路线。全局路径规划方法有可视图法、自由空间法、环境地图法和栅格法，其中，环境建模是对机器人实际的工作环境进行抽象转换成算法可以识别的空间。根据构型空间理论，取机器人能自由活动并考虑安全阈值后的最小矩形空间作为栅格单元，将机器人的工作空间划分为栅格。这样可以根据机器人及实验场地大小选择合适的栅格尺寸，既保证了栅格数目不会过量，又提高了精度。目前栅格法以基于势场的栅格法为主，然而上述栅格法需要进行三维运算，运算数据量很大，效率低，且具有一定的误差，难以满足机器人路径实时规划的需要。
发明内容
针对上述问题，本发明的目的在于提供一种机器人局部动态路径规划方法，该方法在栅格的基础上能够及性能局部动态路径规划阶段，以避开动态因素，保证机器人安全行进，实现动态导航的功能。
为实现上述目的，本发明的技术方案为：
一种机器人局部动态路径规划方法，该方法如下步骤：
步骤1，机器人启动；
步骤2，根据规划路径机器人向目标点行进；
步骤3，判断是否到达目标点；到达，则结束，否则继续下一步；
步骤4，读取传感器信息；
步骤5，判断规划路径上是否有障碍物；
步骤6，重新计算局部路径，规避障碍物；
步骤7，到达目标点。
所述步骤7中，将指定目标点通过一片区域进行替代，常以指定目标点为圆心，选取一定半径的圆形区域作为指定目标区域。当机器人运动到该区域时，便认为机器人到达指定目标点。
所述步骤4中，传感器为激光传感器，在机器人中设置激光传感器以感应移动物体的动态。
更进一步，所述激光传感器将安装在机器人正前方与行人小腿中部持平的高度(水平高度20-30cm)。此种放置方式避除了外部干扰因素的影响，考虑了行人快速行进的情况，可以得到能够真实反映行人运动规律的测量数据，保证了扫描数据的稳定性和较强的识别性。
更进一步，传感器获得的数据需要进一步筛选，传感器数据首先被聚类成许多对象，然后通过对行人运动模型的分析，选用每个移动集群选用多个行人提取条件以确定潜在的行人。
更进一步，在激光传感器的扫描中获得所有移动点数据的基础上，将这些移动点数据点分为不同的集群，每个集群代表一个移动物体，并采用下述方法在极坐标下计算两个连续扫描点间的欧几里得距离：
式中，是激光传感器的角分辨率；如果通过给出的上式计算出的距离小于一个阈值D0，那么这两个点被认为是属于同一个对象。使用一个阈值函数来计算D0，允许调整算法消除近距离范围内噪声和重叠的影响。每个集群由其质心(中心)代表，用于下一步的跟踪。一旦移动点从原始激光点中确定，所有移动点便通过上述方法被聚类，作为一组移动物体进行后续跟踪。
进一步，对移动物体，区分行人和非行人集群，包括其他移动对象和噪声。噪声(假移动点)主要是由激光传感器的不准确性造成的。通过减少这些噪声，后续的跟踪才会更为准确。通过对行人模型的分析，采用如下四个方面用于识别和消除噪声。
a)集群规模
人腿的平均宽度约为0.1m到0.3m。因此，为了成为一个有效的人腿候选人，集群的大小必须在0.1m和0.5m的范围之内。上限设置为0.5m，是由于在行人运动过程中，两条腿经常由于遮挡而被认为是一个集群。不满足此条件的集群会自动消除。
b)运动行为
另外一个可以观察并用于分离行人和噪音的特性是移动速度。假定行人运动速度大于一个阈值，而噪声应该拥有非常小的或没有速度。换句话说，集群必须以足够的速度，才能够符合人腿候选人。
c)空间约束
空间约束可以用于观察和区分行人和噪音。在传感器的下一帧扫描中，目标行人应该出现前次扫描位置的某个范围内。根据当前目标的位置，系统可以帮助消除扫描到的远距离集群。
d)尺寸一致性
由于激光传感器的扫描速度足够快，因此行人集群的大小在两个连续扫描下不会突然改变。所以，跟踪到的目标行人在当前扫描的大小可以帮助系统过滤掉不可能的集群。
当移动集群最初被跟踪到后，针对这些集群中的每一个，将会给出上述过滤条件成为一个有效的腿候选人。一旦一个集群变成一条腿的候选人，在它附近一定范围内搜索对应的另一条腿候选人。如果没有发现另一条腿候选人，则唯一的腿候选人代表一个行人。另一方面，如果两个腿候选人在设定范围内被发现，则他们被认为是属于同一行人。如果观察表明集群并不符合一个行人的上述特点，则该集群被认为是噪音，并不做后续考虑。
本发明对动态因素(行人为主)进行跟踪并结合局部路径规划，针对障碍物和路径通过优化算法进行分析，针对未知地图的局部路径规划，机器人通过激光传感器获取环境信息，处理后实现实时避障实现机器人基本能力，实时避障和导航。
附图说明
图1为本发明所实施的局部路径规划流程图。
图2为本发明所实施的动态目标跟踪流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
全局地图已知并通过栅格表示，机器人的行进是依据路径规划进行的，当动态因素出现在机器人移动主路径上时，机器人需进入局部动态路径规划阶段，以避开动态因素，安全行进，以实现动态导航的功能。
图1所示，为本发明所实现的机器人局部动态路径规划方法，该方法如下步骤：
步骤1，机器人启动；
步骤2，根据规划路径机器人向目标点行进；
步骤3，判断是否到达目标点；到达，则结束，否则继续下一步；
步骤4，读取传感器信息；
步骤5，判断规划路径上是否有障碍物；
步骤6，重新计算局部路径，规避障碍物；
步骤7，到达目标点。
上述步骤中，重点是对于障碍物的判断和局部路径的规划，其中，障碍物的判断是通过传感器读取障碍物数据实现的，而对于移动机器人局部路径规划过程控制，需考虑如下因素：
(1)局部动态路径规划原因，包括有：
机器人所处环境存在动态因素，即行人及移动物体；
半结构化物体存在；
动态因素与机器人行进的全局路径冲突；
机器人行进安全性的考虑。
(2)局部路径规划方法考虑因素，包括有：
传感器跟踪动态因素速度及方向(需通过对动态因素跟踪来实现)；
目标方向、机器人当前行进方向、候选方向的考虑(VFH中候选方向决策函数考虑了该因素)；
机器人尺寸(栅格划分通过考虑安全阈值得以解决)；
安全距离(通过传感器检测进行安全距离值设定)。
(3)移动机器人到达目标点的判定。
由于机器人定位精度的影响，机器人在实际运动中很难准确地到达某一指定目标点，机器人会在指定目标点的周围产生震荡而陷入死循环状态。因此为解决机器人难以到达指定目标点的问题，可将指定目标点通过一片区域进行替代，常以指定目标点为圆心，选取一定半径的圆形区域作为指定目标区域。当机器人运动到该区域时，便认为机器人到达指定目标点。因此首先需要对环境中的动态目标进行跟踪，在跟踪的基础上进行局部路径规划，实现局部动态导航。
行人及移动物体是常见的动态目标，机器人要想顺利绕过动态目标，到达目标点，就需要对动态目标进行跟踪。
室内环境中的动态因素大都是可移动的行人，因此行人动态跟踪对于机器人在室内正常的工作具有重要意义。行人是机器所处环境的重要组成部分，机器视觉在其中起着关键作用。行人动态跟踪应用包括机器人娱乐、监视、助老等。而在室内环境中，动态因素多为行人，因此行人动态跟踪对于机器人的动态导航至关重要。为此，在机器人中设置激光传感器以感应行人的动态。
由于二维激光传感器只有一个扫描平面，只能动态跟踪行人的某一个平面，因此需要考虑二维激光传感器位置的放置。主要有如下两种放置方式：第一种方法是激光传感器放置在行人腰部高度，获得行人腰部的数据。由于行人腰部较宽，该方法可以获得稳定的数据点，但同时由于受行人背包、手提东西、棉衣等影响，较难跟踪出真正的行人。当行人密集存在遮挡时，更加难以将行人分离。第二种方法是将激光传感器放置在脚踝处处，获得行人双脚的数据。行人双脚处受干扰的因素较少，同时结合行人双脚的运动规律，建立行人运动模型，提取相应特点进行过滤，可以跟踪出稳定的行人，抗干扰能力强。虽然大部分行人都满足一般运动规律，但是细节方面会存在差异。当行人由于习惯或快速运动时，脚步抬起高度超过激光传感器高度时，此时激光传感器测得的数据将无法使用，造成行人漏检现象的出现。因此此种高度设置只适宜行人慢速行进的情况。综合了上述两种激光传感器的放置方式后，激光传感器将安装在机器人正前方与行人小腿中部持平的高度。此种放置方式将上述两种方式进行结合，避除了干扰因素的影响，考虑了行人快速行进的情况，可以得到能够真实反映行人运动规律的测量数据，保证了扫描数据的稳定性和较强的识别性。
为对行人进行有效跟踪，结合对激光传感器的放置情况，需要首先对行人的运动进行建模，以充分了解行人的运动规律。
当一个正常的行人向前行进时，行人一只脚总是伴随着另一只脚摆动，两只脚轮流着地并有节奏的移动变化，如此反复，完成行人行进的过程。根据弹道模型，当行人一只脚支撑地面时，另一只脚肌肉动作，由支撑脚后方摆动到前方。对此过程定义一个初始位置和初始速度，初始位置是指摆动脚与支撑脚在一起的位置，此时的速度称为初始速度。摆动脚由支撑脚后方到达初始位置的过程称为前一阶段，该阶段摆动脚速度逐渐增大；摆动脚由初始位置到达支撑脚前方的过程称为后一阶段，该阶段摆动脚速度逐渐降低。
以pl、pr分别表示行人左右脚的位置，vl、vr分别表示行人左右脚的速度，al、ar分别表示行人左右脚的加速度，位置、速度和加速度均做理性化处理，限制在同一个平面内。在vl＞vr的情况下，左脚通过右脚支撑向前摆动，在摆动阶段的前一半，左脚从后方位置摆动到初始位置，以一定加速度进行加速并在初始位置达到最大值，在初始位置处加速度跃变。其中加速度的大小与肌肉的强度有关。在摆动阶段的后一半，左脚从初始位置转移到前方位置，以一定加速度进行减速并在前方位置停止。在整个摆动阶段，右脚一直保持静止支撑状态。以同样对称的方式，可以推断出右脚通过左脚支撑摆动时，右脚的速度和加速度的变化情况。为了简化行人行走模型，假设行人双脚加减速度均与肌肉强度或其他因素无关，并在摆动阶段认为大小相等且恒定，双脚的交替变化平滑过渡。
机器人通过激光传感器测得数据，结合机器人自定位与已知地图相匹配，动态对象被分离开来。但是由于激光传感器的不准确性以及噪声的影响，分离出的动态因素含有很多杂乱的点以及一些误认为的行人，因此需要对动态因素进行进一步筛选。传感器数据首先被聚类成许多对象，然后通过对行人运动模型的分析，选用每个移动集群选用多个行人提取条件以确定潜在的行人。
在激光扫描中获得所有的移动点数据的基础上，将这些移动点数据点分为不同的集群。每个集群代表一个移动物体，可能是一个行人或其他。具体采用点距离的分割方法。该计算方法是在极坐标下计算两个连续扫描点间的欧几里得距离，即
式中，是激光传感器的角分辨率。
如果通过给出的式(1)计算出的距离小于一个阈值D0，那么这两个点被认为是属于同一个对象。使用一个阈值函数来计算D0，允许调整算法在近距离范围内对噪声和重叠的影响。每个集群由其质心代表，用于下一步的跟踪。一旦移动点从原始激光点中确定，所有移动点便通过上述方法被聚类，作为一组移动物体进行后续跟踪。
对移动物体，有必要区分行人和非行人集群，包括其他移动对象和噪声。噪声(假移动点)主要是由激光传感器的不准确性造成的。通过减少这些噪声，后续的跟踪才会更为准确和自信。通过对行人模型的分析，下列四个方面被提出，用于识别和消除噪声。
a)集群规模
人腿的平均宽度约为0.1m到0.3m。因此，为了成为一个有效的人腿候选人，集群的大小必须在0.1m和0.5m的范围之内。上限设置为0.5m，是由于在行人运动过程中，两条腿经常由于遮挡而被认为是一个集群。不满足此条件的集群会自动消除。
b)运动行为
另外一个可以观察并用于分离行人和噪音的特性是移动速度。假定行人运动速度大于一个阈值，而噪声应该拥有非常小的或没有速度。换句话说，集群必须以足够的速度，才能够符合人腿候选人。
c)空间约束
空间约束可以用于观察和区分行人和噪音。在传感器的下一帧扫描中，目标行人应该出现前次扫描位置的某个范围内。根据当前目标的位置，系统可以帮助消除扫描到的远距离集群。
d)尺寸一致性
由于激光传感器的扫描速度足够快，因此行人集群的大小在两个连续扫描下不会突然改变。所以，跟踪到的目标行人在当前扫描的大小可以帮助系统过滤掉不可能的集群。
当移动集群最初被跟踪到后，针对这些集群中的每一个，将会给出上述过滤条件成为一个有效的腿候选人。一旦一个集群变成一条腿的候选人，在它附近一定范围内搜索对应的另一条腿候选人。如果没有发现另一条腿候选人，则唯一的腿候选人代表一个行人。另一方面，如果两个腿候选人在设定范围内被发现，则他们被认为是属于同一行人。如果观察表明集群并不符合一个行人的上述特点，则该集群被认为是噪音，并不做后续考虑。动态目标跟踪流程图如图2所示。
当机器人跟踪到动态行人后进入局部动态路径规划阶段，避开行人后，非结构化物体消失，地图重新变为已知，机器人重新回到全局路径规划阶段并向目标点行进。
局部算法简单来说是通过多次调用A*算法来实现局部路径规划的，该算法需要存储已探索过的部分全局信息，此时可以采用全局A*算法中的地图信息存储模式。由于局部A*算法存储着全局信息，因此该算法可以实现信息的传递，以供后续的移动机器人继续使用已获得的障碍物信息，可以进行多次规划，最终收敛到全局的最优路径。
由此，本发明对动态因素(行人为主)进行跟踪并结合局部路径规划，针对障碍物和路径通过优化算法进行分析，针对未知地图的局部路径规划，机器人通过激光传感器获取环境信息，处理后实现实时避障实现机器人基本能力，实时避障和导航。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种机器人局部动态路径规划方法，其特征在于该方法如下步骤：
步骤1，机器人启动；
步骤2，根据规划路径机器人向目标点行进；
步骤3，判断是否到达目标点；到达，则结束，否则继续下一步；
步骤4，读取传感器信息；
步骤5，判断规划路径上是否有障碍物；
步骤6，重新计算局部路径，规避障碍物；
步骤7，到达目标点。
2.如权利要求1所述的机器人局部动态路径规划方法，其特征在于所述步骤7中，将指定目标点通过一片区域进行替代，常以指定目标点为圆心，选取一定半径的圆形区域作为指定目标区域。
3.如权利要求1所述的机器人局部动态路径规划方法，其特征在于所述步骤4中，传感器为激光传感器，在机器人中设置激光传感器以感应移动物体的动态。
4.如权利要求3所述的机器人局部动态路径规划方法，其特征在于所述激光传感器将安装在机器人正前方与行人小腿中部持平的高度(水平高度20-30cm)。
5.如权利要求4所述的机器人局部动态路径规划方法，其特征在于传感器获得的数据需要进一步筛选，传感器数据首先被聚类成许多对象，然后通过对行人运动模型的分析，选用每个移动集群选用多个行人提取条件以确定潜在的行人。
6.如权利要求5所述的机器人局部动态路径规划方法，其特征在于在激光传感器的扫描中获得所有移动点数据的基础上，将这些移动点数据点分为不同的集群，每个集群代表一个移动物体，并采用下述方法在极坐标下计算两个连续扫描点间的欧几里得距离：
式中，是激光传感器的角分辨率；如果通过给出的上式计算出的距离小于一个阈值D0，那么这两个点被认为是属于同一个对象。使用一个阈值函数来计算D0，允许调整算法消除近距离范围内噪声和重叠的影响；一旦移动点从原始激光点中确定，所有移动点便通过上述方法被聚类，作为一组移动物体进行后续跟踪。
7.如权利要求1所述的机器人局部动态路径规划方法，其特征在于对移动物体，区分行人和非行人集群，包括其他移动对象和噪声，采用如下四个方面用于识别和消除噪声：
a)集群规模
人腿的平均宽度约为0.1m到0.3m，集群的大小必须在0.1m和0.5m的范围之内，不满足此条件的集群会自动消除；
b)运动行为
运动行为定义为运动速度，假定行人运动速度大于一个阈值，而噪声应该拥有非常小的或没有速度，集群必须以足够的速度，才能够符合人腿候选人；
c)空间约束
空间约束即将目标行人限定在出现前次扫描位置的某个范围内，根据当前目标的位置，可以帮助消除扫描到的远距离集群；
d)尺寸一致性
由于激光传感器的扫描速度足够快，因此行人集群的大小在两个连续扫描下不会突然改变。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710253823.9A CN108733038A (zh) | 2017-04-18 | 2017-04-18 | 机器人局部动态路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710253823.9A CN108733038A (zh) | 2017-04-18 | 2017-04-18 | 机器人局部动态路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108733038A true CN108733038A (zh) | 2018-11-02 |
Family
ID=63924736
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710253823.9A Pending CN108733038A (zh) | 2017-04-18 | 2017-04-18 | 机器人局部动态路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108733038A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109976350A (zh) * | 2019-04-15 | 2019-07-05 | 上海钛米机器人科技有限公司 | 多机器人调度方法、装置、服务器及计算机可读存储介质 |
| CN110286609A (zh) * | 2019-06-11 | 2019-09-27 | 唐文 | 一种智能安全帽的避障控制方法及装置 |
| CN110488846A (zh) * | 2019-09-19 | 2019-11-22 | 广州文远知行科技有限公司 | 无人驾驶远程协助方法、装置、设备及储存介质 |
| CN111048208A (zh) * | 2019-12-28 | 2020-04-21 | 哈尔滨工业大学（威海） | 一种基于激光雷达的室内独居老人行走健康检测方法 |
| CN111596668A (zh) * | 2020-06-17 | 2020-08-28 | 苏州大学 | 基于逆向强化学习的移动机器人拟人化路径规划方法 |
| CN111813100A (zh) * | 2019-07-04 | 2020-10-23 | 中国科学技术大学 | 一种局部路径规划算法及装置 |
| CN112015186A (zh) * | 2020-09-09 | 2020-12-01 | 上海有个机器人有限公司 | 一种具有社会属性的机器人路径规划方法、装置和机器人 |
| CN113467483A (zh) * | 2021-08-23 | 2021-10-01 | 中国人民解放军国防科技大学 | 动态环境中基于时空栅格地图的局部路径规划方法及装置 |
-
2017
- 2017-04-18 CN CN201710253823.9A patent/CN108733038A/zh active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109976350A (zh) * | 2019-04-15 | 2019-07-05 | 上海钛米机器人科技有限公司 | 多机器人调度方法、装置、服务器及计算机可读存储介质 |
| CN110286609A (zh) * | 2019-06-11 | 2019-09-27 | 唐文 | 一种智能安全帽的避障控制方法及装置 |
| CN110286609B (zh) * | 2019-06-11 | 2022-05-20 | 唐文 | 一种智能安全帽的避障控制方法及装置 |
| CN111813100A (zh) * | 2019-07-04 | 2020-10-23 | 中国科学技术大学 | 一种局部路径规划算法及装置 |
| CN111813100B (zh) * | 2019-07-04 | 2022-07-15 | 中国科学技术大学 | 一种局部路径规划算法及装置 |
| CN110488846A (zh) * | 2019-09-19 | 2019-11-22 | 广州文远知行科技有限公司 | 无人驾驶远程协助方法、装置、设备及储存介质 |
| CN111048208A (zh) * | 2019-12-28 | 2020-04-21 | 哈尔滨工业大学（威海） | 一种基于激光雷达的室内独居老人行走健康检测方法 |
| CN111596668A (zh) * | 2020-06-17 | 2020-08-28 | 苏州大学 | 基于逆向强化学习的移动机器人拟人化路径规划方法 |
| CN111596668B (zh) * | 2020-06-17 | 2021-12-21 | 苏州大学 | 基于逆向强化学习的移动机器人拟人化路径规划方法 |
| CN112015186A (zh) * | 2020-09-09 | 2020-12-01 | 上海有个机器人有限公司 | 一种具有社会属性的机器人路径规划方法、装置和机器人 |
| CN113467483A (zh) * | 2021-08-23 | 2021-10-01 | 中国人民解放军国防科技大学 | 动态环境中基于时空栅格地图的局部路径规划方法及装置 |
| CN113467483B (zh) * | 2021-08-23 | 2022-07-26 | 中国人民解放军国防科技大学 | 动态环境中基于时空栅格地图的局部路径规划方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108733038A (zh) | 机器人局部动态路径规划方法 | |
| CN109947119B (zh) | 一种基于多传感器融合的移动机器人自主跟随方法 | |
| Leigh et al. | Person tracking and following with 2d laser scanners | |
| CN106406320B (zh) | 机器人路径规划方法及规划路线的机器人 | |
| CN106949893B (zh) | 一种三维避障的室内机器人导航方法和系统 | |
| US10466056B2 (en) | Trajectory matching using ambient signals | |
| CN108012326A (zh) | 基于栅格地图的机器人监视宠物的方法及芯片 | |
| KR20180093934A (ko) | 자율 시각 내비게이션 | |
| CN108366343A (zh) | 机器人智能监视宠物的方法 | |
| CN106774347A (zh) | 室内动态环境下的机器人路径规划方法、装置和机器人 | |
| US20210172741A1 (en) | Accompanying service method and device for intelligent robot | |
| CN107544501A (zh) | 一种智能机器人智慧行走控制系统及其方法 | |
| CN106730841A (zh) | 一种寻路方法和装置 | |
| CN107635204A (zh) | 一种运动行为辅助的室内融合定位方法及装置、存储介质 | |
| CN106125087A (zh) | 基于激光雷达的舞蹈机器人室内行人跟踪方法 | |
| JP2006350776A (ja) | 移動体の経路生成装置 | |
| US20200376676A1 (en) | Method of localization using multi sensor and robot implementing same | |
| Jung et al. | Control algorithms for a mobile robot tracking a human in front | |
| US9239965B2 (en) | Method and system of tracking object | |
| Sun et al. | Indoor localization using mind evolutionary algorithm-based geomagnetic positioning and smartphone IMU sensors | |
| Pérez-Higueras et al. | Robot local navigation with learned social cost functions | |
| CN110488811A (zh) | 一种基于社交网络模型的机器人对行人轨迹预测的方法 | |
| CN113805590A (zh) | 一种基于边界驱动的室内机器人自主探索方法及系统 | |
| CN112729301A (zh) | 一种基于多源数据融合的室内定位方法 | |
| Takafuji et al. | Indoor localization utilizing tracking scanners and motion sensors |
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: 20181102 |
|
| RJ01 | Rejection of invention patent application after publication |