CN109597418A - 基于独立虚拟中心点的机器人分散式协同避障方法 - Google Patents
基于独立虚拟中心点的机器人分散式协同避障方法 Download PDFInfo
- Publication number
- CN109597418A CN109597418A CN201910038299.2A CN201910038299A CN109597418A CN 109597418 A CN109597418 A CN 109597418A CN 201910038299 A CN201910038299 A CN 201910038299A CN 109597418 A CN109597418 A CN 109597418A
- Authority
- CN
- China
- Prior art keywords
- robot
- vector
- point
- avoidance
- speed
- 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 32
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 230000004888 barrier function Effects 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001846 repelling effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000001310 location test Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000011800 void material Substances 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/027—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means comprising intertial navigation means, e.g. azimuth detector
-
- 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
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0272—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means comprising means for registering the travel distance, e.g. revolutions of wheels
-
- 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
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明涉及一种基于独立虚拟中心点的机器人分散式协同避障方法,包括如下步骤:步骤1:利用扩展卡尔曼滤波融合惯性测量单元与里程计数据,获得机器人的当前位姿信息;步骤2:通过网络通信,机器人之间共享速度和位置信息,计算出每个机器人的虚拟中心点,虚拟中心点随机器人运动而运动;步骤3:根据每个机器人的当前位置与其目标点位置、其虚拟中心点的位置,得到机器人的目标矢量和排斥矢量;步骤4:定义一个切换信号判断机器人的运动模式为避障模式或者为无障碍模式;步骤5:利用矢量微分法得到机器人的期望速度与期望角度,根据控制法则得到机器人的实时速度和角速度,指导机器人运动。避障方法采用绕虚拟中心点,垂直于排斥矢量方向旋转运动;无障碍模式即机器人始终朝着目标矢量运动,从而引导机器人进行有序地避障。
Description
技术领域
本发明涉及工业移动机器人的自主导航领域,涉及一种基于独立虚拟中心点的机器人分散式协同避障方法。
背景技术
随着人工智能领域的快速发展,智能机器人在人类的生产生活中起到了越来越重要的作用。因为智能机器人所拥有的独特功能,它们已经被赋予了许多不同的应用,并取得了较为优秀的效果。例如:在军事安全领域,监视危险分子和维护地区安全;在探索领域,适应各种不同环境,搜集各种环境参数,减少人员损失;在医疗保健领域,辅助医疗人员治疗疾病。机器人技术不断发展革新,单个机器人有时已经不能满足人们的需求了,所以多机器人系统就越来越受到人们的重视。相比于单机器人系统,多机器人系统有着许多优点,例如任务执行的效率,更高的容错率,更多的功能性,还包括鲁棒性,灵活性和对未知动态环境的适应性。而对于多机器人系统的发展,多机器人避障系统的研究是其中的重要组成部分。因此,开发出一种引导多机器人进行合理、高效、安全地避障的控制系统十分具有现实意义。
在通信网络的观点中,已经引入了两种方法用于多机器人系统的形成控制,即集中式和分散式方法。集中式控制方法可以很好的消除机器人之间的冲突,但是需要所有机器人与中央控制器行实时通信,而且它的计算量会随着机器人数量的增加而快速增加。此外,在中央控制器中存在干扰和故障时,系统不稳健。在分散式方法中,每个机器人提供自己的控制输入,而不考虑其他机器人的动态和控制输入。所以,在多机器人避障领域,分散式控制方法具有更高的可行性。因此,分散式多移动智能机器人系统的控制法则设计得到了广泛的研究。人工势场法(Artificial Potential Field,APF)是构建一个类似于自然界引力场的抽象力场,让机器人在这个力场内朝着发出引力的目标点前进,并避开发出斥力的障碍物,在斥力和引力的共同作用下展开运动。人工势场法具有结构简单、容易实现的优点,且规划后的路径比较平滑。不过这是一种局部寻优的方法,对于相对复杂的动态环境,不合理的势场方程容易使机器人陷入局部最小点。排斥力法被用于多组织系统的拥堵和碰撞以及避障。因此,为每个机器人都定义一个虚拟中心点,通过独立虚拟中心点令每个机器人在与其它机器人保持安全距离的前提下,引导该机器人做出较优的运动选择,机器人运动的效率和安全性是保证多机器人避障系统的关键技术难题。
发明内容
有鉴于此,本发明的目的在于提供一种基于独立虚拟中心点的机器人分散式协同避障方法,克服现有技术的不足,引导多机器人避障,尤其是各个机器人位置分布不规则时的情况。
为实现上述目的,本发明采用如下技术方案:
一种基于独立虚拟中心点的机器人分散式协同避障方法,包括如下步骤:
步骤S1:利用扩展卡尔曼滤波融合惯性测量单元与里程计数据,获得若干个机器人的当前位姿信息,其中第i个机器人当前位姿信息为(xi,yi,θi);
步骤S2:通过网络通信,获取机器人之间共享速度v和位置信息p,计算出机器人的虚拟中心点虚拟中心点随机器人运动而运动;
步骤S3:根据机器人的当前位置pi与其目标点位置pgi、其虚拟中心点的位置得到机器人的目标矢量vgi和排斥矢量ei;
步骤S4:定义一个切换信号s,并判断机器人的运动模式为避障模式或者为无障碍模式;
步骤S5:利用矢量微分法得到机器人的期望速度vdi与期望角度wdi,根据控制法则得到机器人的实时速度vi和角速度wi,指导机器人运动。
进一步的,所述步骤S1具体为:
获得机器人的当前位姿是指依据扩展卡尔曼滤波来确定机器人在地面的位置pi=[xi,yi]T、方位θi信息以及该位姿的协方差∑,协方差矩阵用来指定方位测量的不确定度;
其中ui=[vi,wi]T代表机器人的实时运动状态,vi和wi分别代表了机器人的实时速度和角速度,规定机器人不能在横向上移动,机器人运动方程如下:
机器人定义为圆形的移动机器人,机器人的圆形半径定义为r,为保证机器人在误差影响下的运动安全定义了一个安全距离r1,避障半径定为ravoid,将机器人的检测半径定义为rscan。
进一步的,所述步骤S2中每个机器人的虚拟中心点p具体计算方法如下:
步骤S1:去除落在该机器人后方的其他机器人对其虚拟中心点的影响;
此时,pn满足θpn为其他机器人与当前机器人的方向角,θgi是当前机器人与其目标点的方向角,pi是当前机器人的位置,pn是其他机器人的位置,rscan为机器人的检测范围;
步骤S22:选择落在机器人前方且距离较近的机器人并且适当缩小障碍物区域来决定机器人虚拟中心点的位置;
其中,pn满足dm为下限距离,θi是机器人当前的方向,a为正常数。
进一步的,所述步骤S3具体如下:
步骤S31:第i个机器人的最终目标点位置记为pgi=[xgi,ygi]T,在无障碍模式下,机器人始终朝着最终目标点前进,得到机器人的目标矢量vgi,即从机器人的当前位置指向机器人的最终目标点:
vgi=pgi-pi (4)
步骤S32:当机器人处于避障模式时,引入了排斥矢量ei,排斥矢量ei由机器人与其最近的障碍物位置共同决定:
步骤S33:为了让机器人避开最近的障碍物,在排斥矢量的基础上定义了旋转矢量Ei,它与排斥矢量ei互相垂直,由旋转矩阵R乘以排斥矢量ei得到:
进一步的,所述步骤4中切换信号s用来控制机器人是否进入避障模式,其条件限制具体为:
步骤S41:当机器人与障碍物的最近距离大于机器人的避障距离时,机器人不进入避障模式,机器人与障碍物的最近距离droi为:
步骤S42:机器人与其最近障碍物的方向角为θoi,机器人速度方向角与障碍物方向角的差值为θroi;
θroi=atan2(ei y,ei x) (9)
θroi=θi-θoi (10)
步骤S43:当各个机器人都按照当前速度前进,并且在T内其距离保持在安全距离do,则机器人不进入避障模式;
其中pit为T秒内当前机器人各个时刻的位置,pnt为T秒内其他机器人各个时刻的位置;
步骤S44:当其他机器人到指定机器人目标点的距离大于该机器人到目标点的距离pig,或者其他机器人不在该机器人往目标点的前方时,机器人不进入避障模式;
其中θpgn是其他机器人与当前机器人目标点的方向角;
步骤S45:综上可知,当s1,s2,s3,s4同时为1时,机器人才进入避障模式:
进一步的,所述步骤5具体为:
步骤S51:统一矢量差值Δpi定义如下:
Δpi=s*Ei+(1-s)*vgi (15)
步骤S52:根据该矢量差值Δpi,得到机器人的即时目标点的位置Δpdi和机器人的期望角度θdi;
pdi=[xdi,ydi]T=pi+Δpi (16)
Δpi=[Δpxi,Δpyi]T (17)
θdi=atan2(Δpyi,Δpxi) (18)
步骤S53:机器人的期望速度vdi和期望角速度wdi可以通过其即时目标点信息和期望角度θdi矢量微分表示:
将公式(16)、(17)代入式(19)、(20)得到:
步骤S54:机器人与期望角度之间的角度差值θei定义如下:
θei=θdi-θi (23)
步骤S55:根据机器人的控制律,得到机器人的实时速度vi和实时角速度wi
如下:
wi=k2*θei+wdi (25)
其中,k1,k2为正标量参数。
本发明与现有技术相比具有以下有益效果:
1、本发明采用的扩展卡尔曼滤波融合惯性测量单元(IMU)与里程计数据,与以往传统的单独使用编码器得到里程计数据相比,有效的降低了累计偏差,从而准确实时获得机器人的当前位姿;
2、本发明采用的基于独立虚拟中心点能够根据机器人当前的状况,实时有效的引导机器人进行有序、安全、高效的避障,在保证目标点可达的情况下,降低了多机器人系统的运动时间和运动距离;
3、本发明与集中式控制方法相比,采用的分散式控制方法降低多机器人通信的复杂度和信息量,提高了系统的可靠性,降低了对管理计算机的要求。
附图说明
图1是本发明采用的机器人运动方向示意图;
图2是本发明采用的机器人的运动学模型;
图3是本发明采用的机器人模型及探测范围说明图;
图4是本发明采用的机器人障碍物区域选择图;
图5是本发明采用的机器人障碍物区域选择图;
图6-图9是本发明实施例中六个机器人组成的系统测试图,其中,图6、图7、图8、图9分别对应各个机器人不同的起止位置和目标位置的测试结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于独立虚拟中心点的机器人分散式协同避障方法,包括如下步骤:
步骤S1:利用扩展卡尔曼滤波融合惯性测量单元与里程计数据,获得若干个机器人的当前位姿信息,其中第i个机器人当前位姿信息为(xi,yi,θi);
步骤S2:通过网络通信,获取机器人之间共享速度v和位置信息p,计算出机器人的虚拟中心点p,虚拟中心点随机器人运动而运动;
步骤S3:根据机器人的当前位置pi与其目标点位置pgi、其虚拟中心点的位置p,得到机器人的目标矢量vgi和排斥矢量ei;
步骤S4:定义一个切换信号s,并判断机器人的运动模式为避障模式或者为无障碍模式;
步骤S5:利用矢量微分法得到机器人的期望速度vdi与期望角度wdi,根据控制法则得到机器人的实时速度vi和角速度wi,指导机器人运动。
本实例中如图1所示,每个机器人以自身中心点为原点,只能在x方向上移动和绕z轴旋转。
如图2所示,机器人的运动被简化到二维平面,上述步骤1中获得机器人的当前位姿是指依据扩展卡尔曼滤波来确定机器人在地面的位置pi=[xi,yi]T、方位θi信息以及该位姿的协方差∑,协方差矩阵用来指定方位测量的不确定度。其中ui=[vi,wi]T代表机器人的实时运动状态,vi和wi分别代表了机器人的实时速度和角速度,规定机器人不能在横向上移动,机器人运动方程如下:
机器人模型及探测范围说明图如图3所示,机器人的模型统一定义为圆形的移动机器人,机器人的圆形半径定义为r,为保证机器人在误差影响下的运动安全我们定义了一个安全距离r1,避障半径定为ravoid,将机器人的检测半径定义为rscan。
为了引导机器人更好的避开障碍物,在机器人周围加入了虚拟中心点,该虚拟中心点的位置由机器人当前位置和该机器人附近其他机器人的位置共同决定。为了让虚拟中心点更好的辅助机器人进行避障,虚拟中心点的位置选择条件被严格控制。上述步骤2中每个机器人的虚拟中心点p具体计算方法如下:
1)在机器人朝着目标点前进的过程中,落在该机器人后方的其他机器人对其运动造成的影响较小,去除了落在该机器人后方的其他机器人对其虚拟中心点的影响,障碍物区域的选择如图4所示;
此时,pn满足θpn为其他机器人与当前机器人的方向角,θgi是当前机器人与其目标点的方向角,pi是当前机器人的位置,pn是其他机器人的位置,rscan为机器人的检测范围。
2)当机器人与其最近的机器人之间的距离很小时,应该排除较远机器人对该虚拟中心点的影响,选择落在机器人前方且距离较近的机器人并且适当缩小障碍物区域来决定机器人虚拟中心点的位置。障碍物区域的选择如图5所示;
此时,pn满足dm为下限距离,θi是机器人当前的方向,a为正常数,图5中的vi表示机器人运动方向。
上述步骤3中每个机器人的目标矢量vgi和排斥矢量ei的具体计算方法如下:
1)第i个机器人的最终目标点位置记为pgi=[xgi,ygi]T,在无障碍模式下,机器人始终朝着最终目标点前进,得到机器人的目标矢量vgi,即从机器人的当前位置指向机器人的最终目标点:
vgi=pgi-pi (4)
2)当机器人处于避障模式时,引入了排斥矢量ei,排斥矢量ei由机器人与其最近的障碍物位置共同决定:
3)为了让机器人避开最近的障碍物,在排斥矢量的基础上定义了旋转矢量Ei,它与排斥矢量ei互相垂直,由旋转矩阵R乘以排斥矢量ei得到:
上述步骤4中切换信号s用来控制机器人是否进入避障模式,其条件被严格限制:,
1)当机器人与障碍物的最近距离大于机器人的避障距离时,机器人不进入避障模式,机器人与障碍物的最近距离droi为:
2)机器人与其最近障碍物的方向角为θoi,机器人速度方向角与障碍物方向角的差值为θroi;
θroi=atan2(ei y,ei x) (9)
θroi=θi-θoi (10)
3)当各个机器人都按照当前速度前进,并且在T内其距离保持在安全距离do,则机器人不进入避障模式;
其中pit为T秒内当前机器人各个时刻的位置,pnt为T秒内其他机器人各个时刻的位置;
4)当其他机器人到指定机器人目标点的距离大于该机器人到目标点的距离pig,或者其他机器人不在该机器人往目标点的前方时,机器人不进入避障模式:
其中θpgn是其他机器人与当前机器人目标点的方向角;
5)综上可知,只有当s1,s2,s3,s4同时为1时,机器人才进入避障模式:
上述步骤5中用矢量微分法得到机器人的期望速度vdi与期望角度wdi,根据控制法则得到机器人的实时速度vi和角速度wi,具体过程如下:
1)统一矢量差值Δpi定义如下:
Δpi=s*Ei+(1-s)*vgi (15)
根据该矢量差值Δpi,得到机器人的即时目标点的位置Δpdi和机器人的期望角度θdi:
pdi=[xdi,ydi]T=pi+Δpi (16)
Δpi=[Δpxi,Δpyi]T (17)
θdi=atan2(Δpyi,Δpxi) (18)
2)假设机器人可以精确得知其它机器人运动信息(包括位置信息和速度信息)。为了让机器人前往它们的即时目标点,当机器人处于无障碍模式下,它们的即时目标点就等同于最终目标点;当机器人处于避障模式时,它们的即时目标点,可以通过差值矢量计算得到,机器人的期望速度vdi和期望角速度wdi可以通过其即时目标点信息和期望角度θdi矢量微分表示:
将上文中的公式(16)、(17)代入上式得到:
3)机器人与期望角度之间的角度差值θei定义如下:
θei=θdi-θi (23)
4)根据机器人的控制律,得到机器人的实时速度vi和实时角速度wi如下:
wi=k2*θei+wdi
其中,k1,k2为正标量参数。
为了证明该控制系统是稳定的,机器人的矢量方向记为qi=[cosθi,sinθi]T,定义了一个弱李雅普诺夫候选函数:
对其求导可得:
由上式可得,严格为负,因此,该控制系统是稳定的。
以下用一个具体的应用实例对本发明的操作进行详细说明,本专利的基于独立虚拟中心点的机器人分散式协同避障方法应用于工业移动机器人的自主导航中,主要从无障碍运动模式和避障运动模式两个方面来体现其有效性。具体设置如下:
①机器人的速度和角速度的最大值分别被限制为0.5m/s和因为机器人在初始位置时,应该与其它机器人保持一定的距离,所以采用了半随机的方式得到机器人初始位置。机器人的初始角度在0到2π中随机取得。
②为了排除位置原因造成的误差,本专利选择了四组不同点作为机器人位置的选取中心点。机器人位置在以中心点为圆心,半径为0.5m的圆内随机选取。具体中心点位置如表1所示。其中robot1的目标点为robot2的初始点,robot2的目标点为robot1的初始点,以此类推robot3,robot4为一组初始点和终点,robot5,robot6为一组初始点和终点。
表1中心点位置
robot1 | robot2 | robot3 | robot4 | robot5 | robot6 | |
第一组 | [0,2] | [5,-2] | [1,5] | [0,-4.5] | [4,3.5] | [-2,-2.5] |
第二组 | [-4,-1] | [3,-2] | [1,1] | [1,-4] | [5,3] | [-2,-5] |
第三组 | [-4,-2] | [4,-3] | [3,2] | [0,-4] | [6,4] | [-2,-3] |
第四组 | [-4,-1] | [3,-2] | [1,3] | [1,-4] | [6,1] | [-3,-5] |
③在机器人运动过程中,两个机器人之间的距离应该保持在2*r外,否则就认为机器人避障失败。设定机器人中心到达以目标点为圆心,0.3m为半径的圆内,则认为机器人到达目标点。
机器人的范围参数和控制律中的参数都是可调的。设置k1=0.07,k2=1。机器人的检测半径rscan=2m,避障半径ravoid=1.2m,安全半径r1=0.6m,半径r=0.3m。
如图6所示,给出了机器人对应表1四组不同位置测试的情况。从图中可以看出,各个机器人均可以安全有序地避障并到达目的地,满足了机器人分散式协同避障的可达性要求。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (6)
1.一种基于独立虚拟中心点的机器人分散式协同避障方法,其特征在于,包括如下步骤:
步骤S1:利用扩展卡尔曼滤波融合惯性测量单元与里程计数据,获得若干个机器人的当前位姿信息,其中第i个机器人当前位姿信息为(xi,yi,θi);
步骤S2:通过网络通信,获取机器人之间共享速度v和位置信息p,计算出机器人的虚拟中心点虚拟中心点随机器人运动而运动;
步骤S3:根据机器人的当前位置pi与其目标点位置pgi、其虚拟中心点的位置得到机器人的目标矢量vgi和排斥矢量ei;
步骤S4:定义一个切换信号s,并判断机器人的运动模式为避障模式或者为无障碍模式;
步骤S5:利用矢量微分法得到机器人的期望速度vdi与期望角度wdi,根据控制法则得到机器人的实时速度vi和角速度wi,指导机器人运动。
2.根据权利要求1所述的基于独立虚拟中心点的机器人分散式协同避障方法,其特征在于,所述步骤S1具体为:
获得机器人的当前位姿是指依据扩展卡尔曼滤波来确定机器人在地面的位置pi=[xi,yi]T、方位θi信息以及该位姿的协方差∑,协方差矩阵用来指定方位测量的不确定度;
其中ui=[vi,wi]T代表机器人的实时运动状态,vi和wi分别代表了机器人的实时速度和角速度,规定机器人不能在横向上移动,机器人运动方程如下:
机器人定义为圆形的移动机器人,机器人的圆形半径定义为r,为保证机器人在误差影响下的运动安全定义了一个安全距离r1,避障半径定为ravoid,将机器人的检测半径定义为rscan。
3.根据权利要求2所述的基于独立虚拟中心点的机器人分散式协同避障方法,其特征在于,所述步骤S2中每个机器人的虚拟中心点p具体计算方法如下:
步骤S1:去除落在该机器人后方的其他机器人对其虚拟中心点的影响;
此时,pn满足θpn为其他机器人与当前机器人的方向角,θgi是当前机器人与其目标点的方向角,pi是当前机器人的位置,pn是其他机器人的位置,rscan为机器人的检测范围;
步骤S22:选择落在机器人前方且距离较近的机器人并且适当缩小障碍物区域来决定机器人虚拟中心点的位置;
其中,pn满足dm为下限距离,θi是机器人当前的方向,a为正常数。
4.根据权利要求3所述的基于独立虚拟中心点的机器人分散式协同避障方法,其特征在于,所述步骤S3具体如下:
步骤S31:第i个机器人的最终目标点位置记为pgi=[xgi,ygi]T,在无障碍模式下,机器人始终朝着最终目标点前进,得到机器人的目标矢量vgi,即从机器人的当前位置指向机器人的最终目标点:
vgi=pgi-pi (4)
步骤S32:当机器人处于避障模式时,引入了排斥矢量ei,排斥矢量ei由机器人与其最近的障碍物位置共同决定:
步骤S33:为了让机器人避开最近的障碍物,在排斥矢量的基础上定义了旋转矢量Ei,它与排斥矢量ei互相垂直,由旋转矩阵R乘以排斥矢量ei得到:
5.根据权利要求4所述的基于独立虚拟中心点的机器人分散式协同避障方法,其特征在于,所述步骤4中切换信号s用来控制机器人是否进入避障模式,其条件限制具体为:
步骤S41:当机器人与障碍物的最近距离大于机器人的避障距离时,机器人不进入避障模式,机器人与障碍物的最近距离droi为:
步骤S42:机器人与其最近障碍物的方向角为θoi,机器人速度方向角与障碍物方向角的差值为θroi;
θroi=atan2(ei y,ei x) (9)
θroi=θi-θoi (10)
步骤S43:当各个机器人都按照当前速度前进,并且在T内其距离保持在安全距离do,则机器人不进入避障模式;
其中pit为T秒内当前机器人各个时刻的位置,pnt为T秒内其他机器人各个时刻的位置;
步骤S44:当其他机器人到指定机器人目标点的距离大于该机器人到目标点的距离pig,或者其他机器人不在该机器人往目标点的前方时,机器人不进入避障模式;
其中θpgn是其他机器人与当前机器人目标点的方向角;
步骤S45:综上可知,当s1,s2,s3,s4同时为1时,机器人才进入避障模式:
6.根据权利要求5所述的基于独立虚拟中心点的机器人分散式协同避障方法,其特征在于,所述步骤5具体为:
步骤S51:统一矢量差值Δpi定义如下:
Δpi=s*Ei+(1-s)*vgi (15)
步骤S52:根据该矢量差值Δpi,得到机器人的即时目标点的位置Δpdi和机器人的期望角度θdi;
pdi=[xdi,ydi]T=pi+Δpi (16)
Δpi=[Δpxi,Δpyi]T (17)
θdi=atan2(Δpyi,Δpxi) (18)
步骤S53:机器人的期望速度vdi和期望角速度wdi可以通过其即时目标点信息和期望角度θdi矢量微分表示:
将公式(16)、(17)代入式(19)、(20)得到:
步骤S54:机器人与期望角度之间的角度差值θei定义如下:
θei=θdi-θi (23)
步骤S55:根据机器人的控制律,得到机器人的实时速度vi和实时角速度wi如下:
wi=k2*θei+wdi (25)
其中,k1,k2为正标量参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910038299.2A CN109597418B (zh) | 2019-02-27 | 2019-02-27 | 基于独立虚拟中心点的机器人分散式协同避障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910038299.2A CN109597418B (zh) | 2019-02-27 | 2019-02-27 | 基于独立虚拟中心点的机器人分散式协同避障方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109597418A true CN109597418A (zh) | 2019-04-09 |
CN109597418B CN109597418B (zh) | 2021-03-02 |
Family
ID=65965214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910038299.2A Active CN109597418B (zh) | 2019-02-27 | 2019-02-27 | 基于独立虚拟中心点的机器人分散式协同避障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109597418B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110058596A (zh) * | 2019-05-21 | 2019-07-26 | 吉林大学 | 一种多机器人系统自适应分散协同控制方法及系统 |
CN110244756A (zh) * | 2019-04-29 | 2019-09-17 | 福州大学 | 无人机快速追踪协同避障方法 |
CN110442139A (zh) * | 2019-08-16 | 2019-11-12 | 重庆邮智机器人研究院有限公司 | 基于开关信号的移动机器人混合避障控制方法 |
CN110580042A (zh) * | 2019-08-12 | 2019-12-17 | 西安电子科技大学 | 一种混合的分布式的多机器人系统的运动控制方法 |
CN111240319A (zh) * | 2019-12-31 | 2020-06-05 | 南京理工大学 | 室外多机器人协同作业系统及其方法 |
CN112000123A (zh) * | 2020-07-20 | 2020-11-27 | 南京信息工程大学 | 一种旋翼无人机避障控制系统及其控制方法 |
CN112083728A (zh) * | 2020-09-09 | 2020-12-15 | 上海擎朗智能科技有限公司 | 一种行驶设备的停靠方法、装置、设备及存储介质 |
CN112234665A (zh) * | 2020-09-03 | 2021-01-15 | 深圳拓邦股份有限公司 | 一种充电座避让方法、装置、充电装置及存储介质 |
CN113741424A (zh) * | 2021-08-04 | 2021-12-03 | 深圳市普渡科技有限公司 | 机器人协同避障系统、方法、机器人及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106483958A (zh) * | 2016-11-10 | 2017-03-08 | 北京理工大学 | 一种基于障碍图和势场法的人机协同编队跟随及避障方法 |
CN106774351A (zh) * | 2017-03-24 | 2017-05-31 | 上海思岚科技有限公司 | 具虚拟轨道功能的定位导航装置和机器人 |
CN107168312A (zh) * | 2017-05-17 | 2017-09-15 | 哈尔滨工程大学 | 一种补偿uuv运动学和动力学干扰的空间轨迹跟踪控制方法 |
CN107885209A (zh) * | 2017-11-13 | 2018-04-06 | 浙江工业大学 | 一种基于动态窗口与虚拟目标点的避障方法 |
-
2019
- 2019-02-27 CN CN201910038299.2A patent/CN109597418B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106483958A (zh) * | 2016-11-10 | 2017-03-08 | 北京理工大学 | 一种基于障碍图和势场法的人机协同编队跟随及避障方法 |
CN106774351A (zh) * | 2017-03-24 | 2017-05-31 | 上海思岚科技有限公司 | 具虚拟轨道功能的定位导航装置和机器人 |
CN107168312A (zh) * | 2017-05-17 | 2017-09-15 | 哈尔滨工程大学 | 一种补偿uuv运动学和动力学干扰的空间轨迹跟踪控制方法 |
CN107885209A (zh) * | 2017-11-13 | 2018-04-06 | 浙江工业大学 | 一种基于动态窗口与虚拟目标点的避障方法 |
Non-Patent Citations (6)
Title |
---|
HAMED REZAEE 等: "A Decentralized Cooperative Control Scheme With Obstacle Avoidance for a Team of Mobile Robots", 《IEEE》 * |
ZHANG, LIWEI 等: "Distributed Cooperative Obstacle Avoidance for Mobile Robots Using Independent Virtual Center Points", 《WEB OF SCIENCE》 * |
仇恒坦: "基于多传感信息融合的移动机器人SLAM应用与算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
杨兴裕 等: "基于虚拟力场的移动机器人避障方法", 《机床与液压》 * |
潘无为 等: "人工势场和虚拟结构相结合的多水下机器人编队控制", 《兵工学报》 * |
王凡: "基于Agent的多机器人路径规划的研究", 《万方数据库在线》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244756A (zh) * | 2019-04-29 | 2019-09-17 | 福州大学 | 无人机快速追踪协同避障方法 |
CN110244756B (zh) * | 2019-04-29 | 2021-09-24 | 福州大学 | 无人机快速追踪协同避障方法 |
CN110058596A (zh) * | 2019-05-21 | 2019-07-26 | 吉林大学 | 一种多机器人系统自适应分散协同控制方法及系统 |
CN110058596B (zh) * | 2019-05-21 | 2021-12-10 | 吉林省吉创科豹科技有限公司 | 一种多机器人系统自适应分散协同控制方法及系统 |
CN110580042A (zh) * | 2019-08-12 | 2019-12-17 | 西安电子科技大学 | 一种混合的分布式的多机器人系统的运动控制方法 |
CN110442139A (zh) * | 2019-08-16 | 2019-11-12 | 重庆邮智机器人研究院有限公司 | 基于开关信号的移动机器人混合避障控制方法 |
CN110442139B (zh) * | 2019-08-16 | 2022-04-15 | 重庆邮智机器人研究院有限公司 | 基于开关信号的移动机器人混合避障控制方法 |
CN111240319A (zh) * | 2019-12-31 | 2020-06-05 | 南京理工大学 | 室外多机器人协同作业系统及其方法 |
CN112000123A (zh) * | 2020-07-20 | 2020-11-27 | 南京信息工程大学 | 一种旋翼无人机避障控制系统及其控制方法 |
CN112000123B (zh) * | 2020-07-20 | 2023-03-14 | 南京信息工程大学 | 一种旋翼无人机避障控制系统及其控制方法 |
CN112234665B (zh) * | 2020-09-03 | 2022-08-16 | 深圳拓邦股份有限公司 | 一种充电座避让方法、装置、充电装置及存储介质 |
CN112234665A (zh) * | 2020-09-03 | 2021-01-15 | 深圳拓邦股份有限公司 | 一种充电座避让方法、装置、充电装置及存储介质 |
CN112083728A (zh) * | 2020-09-09 | 2020-12-15 | 上海擎朗智能科技有限公司 | 一种行驶设备的停靠方法、装置、设备及存储介质 |
CN112083728B (zh) * | 2020-09-09 | 2024-04-30 | 上海擎朗智能科技有限公司 | 一种行驶设备的停靠方法、装置、设备及存储介质 |
CN113741424A (zh) * | 2021-08-04 | 2021-12-03 | 深圳市普渡科技有限公司 | 机器人协同避障系统、方法、机器人及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109597418B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109597418A (zh) | 基于独立虚拟中心点的机器人分散式协同避障方法 | |
Chung et al. | On a decentralized active sensing strategy using mobile sensor platforms in a network | |
Ijspeert et al. | Collaboration through the exploitation of local interactions in autonomous collective robotics: The stick pulling experiment | |
Facchinetti et al. | Self-Positioning Robot Navigation Using Ceiling Images Sequences | |
CN108838991A (zh) | 一种自主类人双臂机器人及其对运动目标的跟踪操作系统 | |
CN106125087A (zh) | 基于激光雷达的舞蹈机器人室内行人跟踪方法 | |
CN110174118A (zh) | 基于强化学习的机器人多目标搜索路径规划方法和装置 | |
Zhao et al. | Model based motion state estimation and trajectory prediction of spinning ball for ping-pong robots using expectation-maximization algorithm | |
CN109032137A (zh) | 多Euler-Lagrange系统分布式跟踪控制方法 | |
Zhang et al. | Ensuring safety in human-robot coexisting environment based on two-level protection | |
Cai et al. | Human detecting and following mobile robot using a laser range sensor | |
CN105955274B (zh) | 基于分布式圆心和半径估计的多机器人圆形编队控制方法 | |
CN108927807A (zh) | 一种基于点特征的机器人视觉控制方法 | |
Zhang et al. | UAV formation flight cooperative tracking controller design | |
Andersh et al. | Modeling visuo-motor control and guidance functions in remote-control operation | |
Valavanis et al. | A case study of fuzzy-logic-based robot navigation | |
Popov et al. | Detection and following of moving target by an indoor mobile robot using multi-sensor information | |
Srinivasa et al. | SOIM: A self-organizing invertible map with applications in active vision | |
CN109409493A (zh) | 一组自主机器人伴随观察行为建立方法 | |
Darmanin et al. | Autonomous exploration and mapping using a mobile robot running ROS | |
Crick et al. | Who is it? inferring role and intent from agent motion | |
Cao et al. | Multi-AUV cooperative target hunting based on improved potential field in underwater environment | |
Sobh et al. | A model for observing a moving agent. | |
Aotani et al. | Bottom-up multi-agent reinforcement learning for selective cooperation | |
Lai et al. | Reach-avoid differential games via finite-time heading tracking |
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 |