CN109631899A - 一种用于环境感知的移动机器人的路径优化方法及系统 - Google Patents
一种用于环境感知的移动机器人的路径优化方法及系统 Download PDFInfo
- Publication number
- CN109631899A CN109631899A CN201811545941.8A CN201811545941A CN109631899A CN 109631899 A CN109631899 A CN 109631899A CN 201811545941 A CN201811545941 A CN 201811545941A CN 109631899 A CN109631899 A CN 109631899A
- Authority
- CN
- China
- Prior art keywords
- path
- geographical location
- location information
- mobile robot
- environment
- 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 36
- 230000008447 perception Effects 0.000 claims abstract description 70
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 10
- 230000004888 barrier function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 2
- 241000220317 Rosa Species 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 6
- 241000208340 Araliaceae Species 0.000 description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 description 5
- 235000008434 ginseng Nutrition 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006698 induction Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000736199 Paeonia Species 0.000 description 2
- 235000006484 Paeonia officinalis Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- 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
-
- 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
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种用于环境感知的移动机器人的路径优化方法及系统,所述方法包括如下步骤:步骤S1,确定当前感知任务,根据感知环境的代表性与准确性,计算机器人感知的关键地理位置信息,并获取其他移动机器人完成类似任务的历史路径数据以及历史移动参数;步骤S2,根据所述关键地理位置信息筛选出备选路径;然后采用神经网络或其他优化算法,对不同的历史路径进行评分;步骤S3,根据评分结果选择最优路径,通过本发明,实现了对移动机器人执行环境感知任务的路径进行优化,提高环境感知的效率以及感知结果的准确性、实时性、有效性、代表性的目的。
Description
技术领域
本发明涉及环境感知技术领域,特别是涉及一种用于环境感知的移动机器人的路径优化方法及系统。
背景技术
环境感知和相关参数的获取是完成相关控制系统的先决条件。随着研究与相关技术的不断发展,采用移动机器人对非友好环境的感知是当前常用的方法与技术。
环境感知一直是当前研究的热点问题之一,当前采用的方法大体可以分为三种:
1、基于嵌入式系统设计一种可以携带的多参数感知仪器,当需要感知环境参数时,便将仪器安装在测试地点,对监测或测试环境进行多参数测试,然后将数据存储在本地,最后通过其他通信网络将数据传输给服务器或用户,如公开号为CN104991505B的中国专利提供的一种水产养殖水质参数感知设备;
2、基于无线传感器网络:无线传感器网络是当前环境感知与监测重要的技术。在该类型环境感知系统中,首先将感知节点部署在相应的位置,然后通过时间、脉冲信号等对周围环境参数进行感知;最后通过无线网络将数据发送给远端服务器或用户,如公开号为CB108731744A的中国专利申请提供的一种基于无线网络传感器的环境检测装置;
3、移动式环境感知机器人,为实现感知节点的移动性、自适应性等,近年诸多发明者设计研发了基于移动机器人的环境感知装备。该类型的发明设计,以移动机器人本体为基础,采用物联网和传感器技术,以嵌入式等为控制中心,设计机器人环境感知系统。如公开号为CN 107908145 A的中国专利申请提供的一种现场环境智能巡检机器人。
然而,上述三种环境感知方法都没有对移动机器人执行环境感知任务的路径进行优化,现有技术中路径的优化技术也一般都是采用最短路径算法。然而在很多环境感知场合,例如农业大棚的温室环境场合,路径最短到达的感知地点并非环境感知的最佳点,感知获取的数据代表性与准确性较差,例如,可能温室房间边缘的路径最短,但是温室房间环境感知的最佳点不在房间的边缘,而是温室房间的中心,这样如果采用最短距离法生成的路径进行环境感知,则感知结果并不准确,感知任务的执行效率不高。
发明内容
为克服上述现有技术存在的不足,本发明之目的在于提供一种用于环境感知的移动机器人的路径优化方法及系统,以对移动机器人执行环境感知任务的路径进行优化,提高环境感知的效率以及感知结果的准确性。
为达上述及其它目的,本发明提出一种用于环境感知的移动机器人的路径优化方法,包括如下步骤:
步骤S1,确定当前感知任务,根据感知环境的代表性与准确性,计算机器人感知的关键地理位置信息,并获取其他移动机器人完成类似任务的历史路径数据以及历史移动参数;
步骤S2,基于神经网络或其他优化算法,根据所述关键地理位置信息筛选出备选路径,并对筛选出的不同的备选路径进行评分;
步骤S3,根据评分结果选择最优路径。
优选地,于步骤S1中,根据当前感知任务中需要感知的感知区域半径ri,选取若干关键点位置使得感知面积大于预设参数α,并且使得选取的关键点与感知区域的几何中心距离最小。
优选地,所述历史路径数据包括但不限于历史移动路径、移动时间、移动距离、移动过程,所述历史移动参数包括但不限于移动速度、何时何地转向、转向角度、最大移动距离。
优选地,于步骤S2中,根据步骤S1获得的关键地理位置信息从历史路径数据中选取与关键地理位置信息有重合度且重合度大于预设参数β的备选路径。
优选地,根据步骤S1获得的历史移动参数采用加权的形式对各备选路径进行评分。
优选地,于步骤S3后,还包括如下步骤:
获取所述最优路径上的障碍信息,以于所述最优路径上出现障碍时对所述最优路径进行优化。
优选地,通过摄像头实时获取感知区域的现场图像,经图像分析处理确定所述最优路径上是否出现障碍物,以于最优路径上出现障碍物时采用避障算法对最优路径进行优化以避开障碍物。
为达到上述目的,本发明还提供一种用于环境感知的移动机器人的路径优化系统,包括:
关键地理位置信息确定单元,用于根据当前感知任务,根据感知环境的代表性与准确性,计算机器人感知的关键地理位置信息,并获取其他移动机器人完成类似任务的历史路径数据以及历史移动参数;
路径优化单元,用于基于神经网络或其他优化算法,根据所述关键地理位置信息对获得的历史路径筛选出备选路径,并对筛选出的不同的备选路径进行评分;
最优路径选择单元,用于根据评分结果选择最优路径。
优选地,所述关键地理位置信息确定单元根据当前感知任务中需要感知的感知区域半径ri,选取若干关键点位置使得感知面积大于预设参数α,并且使得选取的关键点与感知区域的几何中心距离最小。
优选地,所述路径优化单元根据关键地理位置信息确定单元获得的关键地理位置信息从历史路径数据中选取与关键地理位置信息有重合度且重合度大于预设参数β的备选路径,并根据关键地理位置信息确定单元获得的历史移动参数采用加权的形式对各备选路径进行评分。
与现有技术相比,本发明一种用于环境感知的移动机器人的路径优化方法及系统通过对当前感知任务计算获得关键地理位置信息,并获取其他机器人执行类似任务的历史路径数据以及历史移动参数,根据关键地理位置信息对历史路径筛选出备选路径,并通过对获得的备选路径进行评分以获得最优路径,实现了对移动机器人执行环境感知任务的路径进行优化的目的,提高了环境感知的效率以及感知结果的准确性。
附图说明
图1为本发明一种用于环境感知的移动机器人的路径优化方法的步骤流程图;
图2为本发明一种用于环境感知的移动机器人的路径优化系统的系统架构图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本发明的精神下进行各种修饰与变更。
图1为本发明一种用于环境感知的移动机器人的路径优化方法的步骤流程图。如图1所示,本发明一种用于环境感知的移动机器人的路径优化方法,包括如下步骤:
步骤S1,确定当前感知任务,根据感知环境的代表性与准确性,计算机器人感知的关键地理位置信息,并获取其他移动机器人完成类似任务的历史路径数据以及历史移动参数。
此处的感知任务指的是根据各感知区域的地理位置、需要感知的参数等信息产生的控制移动机器人对各感应区域执行环境感知的感知任务,该各感应区域的感知任务的参数至少包括任务时间、各感知区域的地理位置及其需要感知的环境参数、感知次数等,例如以农业大棚为例,假设该农业大棚中有多个感知区域(温室),如玫瑰花温室、牡丹花温室等,该感知任务指的是对各温室执行环境感知的任务,如什么时间对玫瑰花温室进行环境感知、需要采集哪些参数等。
假设感知任务为R={r1,r2,…,rn},其中ri表示某感知区域的半径,云服务器端根据感知环境的代表性与准确性,计算关键代表性的地理位置信息,例如根据移动机器人需要感知的感知区域半径ri,选取几个关键点位置使得感知面积大于某个预设的参数α,并且使得选取的关键点离感知区域几何中心距离最小,具体地,根据如下优化公式选取关键点位置:
MIN(d1+d2+…+dm)
其中选取了m个关键位置,di为关键位置到感知区域几何中心的距离,Sm为感知面积,Sri为任务区域面积。
于获得当前感知任务的关键点位置后,还需获取其他移动机器人完成类似任务的历史路径数据以及历史移动参数。例如,若获得当前感知任务为R={r1,r2},即对半径为r1和r2的感知区域进行环境感知,则从其他移动机器人的历史数据中获取其完成类似任务的历史路径数据以及历史移动参数。所述历史路径数据包括但不限于历史移动路径、移动时间、移动距离、移动过程能耗等,所述历史移动参数包括但不限于移动速度、何时何地转向、转向角度、最大移动距离等。
例如,若当前感知任务为对玫瑰花温室进行温湿度环境参数采集,则首先根据该当前任务计算机器人感知的关键地理位置信息,这里所选取的关键点位置应使得感知面积大于某个预设的参数α,并且使得选取的关键点离感知区域几何中心距离最小,在获得关键点位置后,再从云服务器获取其他移动机器人之前执行类似任务(即对玫瑰花温室温湿度环境参数采集)的历史路径数据以及历史移动参数。
步骤S2,基于神经网络或其他优化算法,根据所述关键地理位置信息筛选出备选路径,并对筛选出的不同的备选路径进行评分。
当根据步骤S1计算获得关键地理位置信息Q={q1,q2,…}后,根据关键地理位置信息Q从历史路径数据中选取与Q有重合度且重合度大于某预设参数β的备选路径(例如关键地理位置信息中包括A1、A2两个关键点,则从所选历史路径中选取包含A1、A2两个关键点的备选路径),接着,移动机器人在实际移动过程,获取机器人当前位置(C)与下一个目标位置(B),云服务器采用神经网络按照各种参数对备选路径中(C,B)的移动路径以及相关参数进行评分。具体地,可根据移动时间、移动距离、移动过程能耗等,采用加权的形式对各备选路径进行评分,其中加权评分公式如下所示:
F(l1)=ω1·V+ω2·θ+ω3·E+…
ω1+ω2+ω3+…=1
其中,V、E等为步骤S1中获得的历史移动参数,ωi为各历史移动参数对应的加权参数。
由于本发明具体的神经网络结构采用的是现有技术,其关键在于将感知的关键地理位置作为重要参数输入神经网络,从而达到路径优化的目的,具体的神经网络结构在此不予赘述。
步骤S3,根据评分结果选择最优路径。在本发明具体实施例中,于评分结果中选择评分最高的备选路径作为最优路径,例如得到当前(CB)移动的最佳路径,将发送给移动机器人。
优选地,于步骤S3后,还包括如下步骤:
获取所述最优路径上的障碍信息,以于所述最优路径上出现障碍时对所述最优路径进行优化。于本发明具体实施例中,可通过摄像头实时获取感知区域的现场图像,确定所述最优路径上是否出现障碍物,以于最优路径上出现障碍物时采用避障算法对最优路径进行优化以避开障碍物,保证移动机器人感知任务的顺利执行。
图2为本发明一种用于环境感知的移动机器人的路径优化系统的系统架构图。如图2所示,本发明一种用于环境感知的移动机器人的路径优化系统,包括:
关键地理位置信息确定单元201,确定当前感知任务,根据感知环境的代表性与准确性,计算机器人感知的关键地理位置信息,并获取其他移动机器人完成类似任务的历史路径数据以及历史移动参数。
此处的感知任务指的是根据各感知区域的地理位置、需要感知的参数等信息产生的控制移动机器人对各感应区域执行环境感知的感知任务,该各感应区域的感知任务的参数至少包括任务时间、各感知区域的地理位置及其需要感知的环境参数、感知次数等,例如以农业大棚为例,假设该农业大棚中有多个感知区域(温室),如玫瑰花温室、牡丹花温室等,该感知任务指的是对各温室执行环境感知的任务,如什么时间对玫瑰花温室进行环境感知、需要采集哪些参数等。
假设感知任务为R={r1,r2,…,rn},其中ri表示某感知区域的半径,云服务器端根据感知环境的代表性与准确性,计算关键代表性的地理位置信息,例如根据移动机器人需要感知的感知区域半径ri,选取几个关键点位置使得感知面积大于某个预设的参数α,并且使得选取的关键点离感知区域几何中心距离最小,具体地,根据如下优化公式选取关键点位置:
MIN(d1+d2+…+dm)
其中选取了m个关键位置,di为关键位置到感知区域几何中心的距离,Sm为感知面积,Sri为任务区域面积。
于获得当前感知任务的关键点位置后,还需获取其他移动机器人完成类似任务的历史路径数据以及历史移动参数。例如,若获得当前感知任务为R={r1,r2},即对半径为r1和r2的感知区域进行环境感知,则从其他移动机器人的历史数据中获取其完成类似任务的历史路径数据以及历史移动参数。所述历史路径数据包括但不限于历史移动路径、移动时间、移动距离、移动过程能耗等,所述历史移动参数包括但不限于移动速度、何时何地转向、转向角度、最大移动距离等。
例如,若当前感知任务为对玫瑰花温室进行温湿度环境参数采集,则首先根据该当前任务计算机器人感知的关键地理位置信息,所选取的关键点位置使得感知面积大于某个预设的参数α,并且使得选取的关键点离感知区域几何中心距离最小,于获得关键点位置后,并于云服务器获取其他移动机器人之前执行类似任务(即对玫瑰花温室温湿度环境参数采集)的历史路径数据以及历史移动参数。
路径优化单元202,用于基于神经网络或其他优化算法,根据所述关键地理位置信息对获得的历史路径筛选出备选路径,并对筛选出的不同的备选路径进行评分。
当根据关键地理位置信息确定单元201计算获得关键地理位置信息Q={q1,q2,…}后,根据该关键地理位置信息Q从历史路径数据中选取与Q有重合度且重合度大于某预设参数β的备选路径(例如关键地理位置信息中包括A1、A2两个关键点,则从所选历史路径中选取包含A1、A2两个关键点的备选路径),接着,移动机器人在实际移动过程,获取机器人当前位置(C)与下一个目标位置(B),云服务器采用神经网络按照各种参数对备选路径中(C,B)的移动路径以及相关参数进行评分。具体地,路径优化单元202可根据移动时间、移动距离、移动过程能耗等,采用加权的形式对各备选路径进行评分,其中加权评分公式如下所示:
F(l1)=ω1·V+ω2·θ+ω3·E+…
ω1+ω2+ω3+…=1
其中,V、E等为关键地理位置信息确定单元201中获得的历史移动参数,ωi为各历史移动参数对应的加权参数。
由于具体的神经网络结构采用的是现有技术,本发明关键在于将感知的关键地理位置作为一重要参数输入神经网络,从而达到优化的目的,因此具体的神经网络结构在此不予赘述。
最优路径选择单元203,用于根据评分结果选择最优路径。在本发明具体实施例中,于评分结果中选择评分最高的备选路径作为最优路径,例如得到当前(CB)移动的最佳路径,将发送给移动机器人。
优选地,本发明之用于环境感知的移动机器人的路径优化系统,还包括:
避障处理单元,用于获取所述最优路径上的障碍信息,以于所述最优路径上出现障碍时对所述最优路径进行优化。于本发明具体实施例中,可通过摄像头实时获取感知区域的现场图像,确定所述最优路径上是否出现障碍物,以于最优路径上出现障碍物时采用避障算法对最优路径进行优化以避开障碍物,保证移动机器人感知任务的顺利执行。
以下将通过具体实施例来说明本发明:
在本发明具体实施例中,所述路径优化方法应用于一包括云服务器以及移动机器人的环境感知系统,为获得确定且最优的机器人移动路径,云服务器首先根据感知环境的代表性与准确性,计算出机器人感知的关键地理位置信息,并获得其他机器人完成类似任务的历史路径信息(例如移动机器人完成类似任务的历史数据,包括移动时间、移动距离、移动过程能耗等)以及前多次移动机器人的历史移动参数(移动速度、位置等)(可以是以前其他智能机器人移动路径的参数,诸如移动速度、何时何地转向、转向角度、最大移动距离等),然后,采用神经网络优化算法,根据关键地理位置信息对历史路径进行筛选获得备选路径,并利用历史移动参数对不同的备选路径进行评分,这里可根据移动时间、移动距离、移动过程能耗等,采用加权的形式对各备选路径进行评分,选取评分最高的路径作为最优路径。
由于本发明路径优化的目标,不仅需要考虑完成任务的移动时间,同时需要考虑路径畅通概率、移动机器人感知地点代表性等因素。举例来说,有时候路径最短不代表环境感知地点的代表性,可能房间边缘的路径最短、但是房间环境感知的代表性地点不在房间的边缘,而在房间的中心。因此本发明根据路径是否畅通以及感知地点是否为代表性对路径进行优化,最后将该最优路径发送给当前执行任务的智能移动机器人,以完成相应的数据感知任务。
综上所述,本发明一种用于环境感知的移动机器人的路径优化方法及系统通过对当前感知任务计算获得关键地理位置信息,并获取其他机器人执行类似任务的历史路径数据以及历史移动参数,根据关键地理位置信息对历史路径筛选出备选路径,并通过对获得的备选路径进行评分获得最优路径,实现了对移动机器人执行环境感知任务的路径进行优化的目的,提高了环境感知的效率以及感知结果的准确性。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下,对上述实施例进行修饰与改变。因此,本发明的权利保护范围,应如权利要求书所列。
Claims (10)
1.一种用于环境感知的移动机器人的路径优化方法,包括如下步骤:
步骤S1,确定当前感知任务,根据感知环境的代表性与准确性,计算机器人感知的关键地理位置信息,并获取其他移动机器人完成类似任务的历史路径数据以及历史移动参数;
步骤S2,基于神经网络或其他优化算法,根据所述关键地理位置信息筛选出备选路径,并对筛选出的不同的备选路径进行评分;
步骤S3,根据评分结果选择最优路径。
2.如权利要求1所述的一种用于环境感知的移动机器人的路径优化方法,其特征在于:于步骤S1中,根据当前感知任务中需要感知的感知区域半径ri,选取若干关键点位置使得感知面积大于预设参数α,并且使得选取的关键点与感知区域的几何中心距离最小。
3.如权利要求1所述的一种用于环境感知的移动机器人的路径优化方法,其特征在于:所述历史路径数据包括但不限于历史移动路径、移动时间、移动距离、移动过程,所述历史移动参数包括但不限于移动速度、何时何地转向、转向角度、最大移动距离。
4.如权利要求1所述的一种用于环境感知的移动机器人的路径优化方法,其特征在于:于步骤S2中,根据步骤S1获得的关键地理位置信息从历史路径数据中选取与关键地理位置信息有重合度且重合度大于预设参数β的备选路径。
5.如权利要求4所述的一种用于环境感知的移动机器人的路径优化方法,其特征在于:根据步骤S1获得的历史移动参数采用加权的形式对各备选路径进行评分。
6.如权利要求1所述的一种用于环境感知的移动机器人的路径优化方法,其特征在于,于步骤S3后,还包括如下步骤:
获取所述最优路径上的障碍信息,以于所述最优路径上出现障碍时对所述最优路径进行优化。
7.如权利要求6所述的一种用于环境感知的移动机器人的路径优化方法,其特征在于:通过摄像头实时获取感知区域的现场图像,经图像分析处理确定所述最优路径上是否出现障碍物,以于最优路径上出现障碍物时采用避障算法对最优路径进行优化以避开障碍物。
8.一种用于环境感知的移动机器人的路径优化系统,包括:
关键地理位置信息确定单元,用于根据当前感知任务,根据感知环境的代表性与准确性,计算机器人感知的关键地理位置信息,并获取其他移动机器人完成类似任务的历史路径数据以及历史移动参数;
路径优化单元,用于基于神经网络或其他优化算法,根据所述关键地理位置信息对获得的历史路径筛选出备选路径,并对筛选出的不同的备选路径进行评分;
最优路径选择单元,用于根据评分结果选择最优路径。
9.如权利要求8所述的一种用于环境感知的移动机器人的路径优化系统,其特征在于,所述关键地理位置信息确定单元根据当前感知任务中需要感知的感知区域半径ri,选取若干关键点位置使得感知面积大于预设参数α,并且使得选取的关键点与感知区域的几何中心距离最小。
10.如权利要求8所述的一种用于环境感知的移动机器人的路径优化系统,其特征在于,所述路径优化单元根据关键地理位置信息确定单元获得的关键地理位置信息从历史路径数据中选取与关键地理位置信息有重合度且重合度大于预设参数β的备选路径,并根据关键地理位置信息确定单元获得的历史移动参数采用加权的形式对各备选路径进行评分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811545941.8A CN109631899B (zh) | 2018-12-18 | 2018-12-18 | 一种用于环境感知的移动机器人的路径优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811545941.8A CN109631899B (zh) | 2018-12-18 | 2018-12-18 | 一种用于环境感知的移动机器人的路径优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109631899A true CN109631899A (zh) | 2019-04-16 |
CN109631899B CN109631899B (zh) | 2022-05-06 |
Family
ID=66074856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811545941.8A Active CN109631899B (zh) | 2018-12-18 | 2018-12-18 | 一种用于环境感知的移动机器人的路径优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109631899B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110727272A (zh) * | 2019-11-11 | 2020-01-24 | 广州赛特智能科技有限公司 | 一种多台机器人的路径规划调度系统及方法 |
CN113334376A (zh) * | 2021-05-25 | 2021-09-03 | 浙江大学 | 基于闭环搜索单元的工程机械臂最优能耗路径优化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160129593A1 (en) * | 2014-11-07 | 2016-05-12 | F Robotics Acquisitions Ltd. | Domestic robotic system and method |
CN106441279A (zh) * | 2016-12-08 | 2017-02-22 | 速感科技(北京)有限公司 | 基于自主定位和边缘探索的机器人定位方法、系统 |
CN106598055A (zh) * | 2017-01-19 | 2017-04-26 | 北京智行者科技有限公司 | 一种智能车局部路径规划方法及其装置、车辆 |
CN107702716A (zh) * | 2017-08-31 | 2018-02-16 | 广州小鹏汽车科技有限公司 | 一种无人驾驶路径规划方法、系统和装置 |
EP3289850A1 (en) * | 2016-09-02 | 2018-03-07 | Fabrizio Bernini | Lawn mower robot and method for selecting a cutting method of a lawn mower robot |
US20180077860A1 (en) * | 2016-09-22 | 2018-03-22 | Honda Research Institute Europe Gmbh | Robotic gardening device and method for controlling the same |
CN208188675U (zh) * | 2018-05-11 | 2018-12-04 | 南京林业大学 | 一种用于温室大棚移动机器人导航系统 |
-
2018
- 2018-12-18 CN CN201811545941.8A patent/CN109631899B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160129593A1 (en) * | 2014-11-07 | 2016-05-12 | F Robotics Acquisitions Ltd. | Domestic robotic system and method |
EP3289850A1 (en) * | 2016-09-02 | 2018-03-07 | Fabrizio Bernini | Lawn mower robot and method for selecting a cutting method of a lawn mower robot |
US20180077860A1 (en) * | 2016-09-22 | 2018-03-22 | Honda Research Institute Europe Gmbh | Robotic gardening device and method for controlling the same |
CN106441279A (zh) * | 2016-12-08 | 2017-02-22 | 速感科技(北京)有限公司 | 基于自主定位和边缘探索的机器人定位方法、系统 |
CN106598055A (zh) * | 2017-01-19 | 2017-04-26 | 北京智行者科技有限公司 | 一种智能车局部路径规划方法及其装置、车辆 |
CN107702716A (zh) * | 2017-08-31 | 2018-02-16 | 广州小鹏汽车科技有限公司 | 一种无人驾驶路径规划方法、系统和装置 |
CN208188675U (zh) * | 2018-05-11 | 2018-12-04 | 南京林业大学 | 一种用于温室大棚移动机器人导航系统 |
Non-Patent Citations (1)
Title |
---|
刘继展: ""温室采摘机器人技术研究进展分析"", 《农业机械学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110727272A (zh) * | 2019-11-11 | 2020-01-24 | 广州赛特智能科技有限公司 | 一种多台机器人的路径规划调度系统及方法 |
CN110727272B (zh) * | 2019-11-11 | 2023-04-18 | 广州赛特智能科技有限公司 | 一种多台机器人的路径规划调度系统及方法 |
CN113334376A (zh) * | 2021-05-25 | 2021-09-03 | 浙江大学 | 基于闭环搜索单元的工程机械臂最优能耗路径优化方法 |
CN113334376B (zh) * | 2021-05-25 | 2022-03-22 | 浙江大学 | 基于闭环搜索单元的工程机械臂最优能耗路径优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109631899B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bai et al. | Virtual-blind-road following-based wearable navigation device for blind people | |
JP7154295B2 (ja) | 無線信号の特性の機械学習に基づく動き検出 | |
Namani et al. | Smart agriculture based on IoT and cloud computing | |
CN109900280A (zh) | 一种基于自主导航的畜禽信息感知机器人与地图构建方法 | |
CN107817798A (zh) | 一种基于深度学习系统的农用机械避障方法 | |
CN107544501A (zh) | 一种智能机器人智慧行走控制系统及其方法 | |
CN106125087A (zh) | 基于激光雷达的舞蹈机器人室内行人跟踪方法 | |
CN108919177B (zh) | 一种基于虚拟信源估计与轨迹校正的定位地图构建方法 | |
CN109444813A (zh) | 一种基于bp和dnn双神经网络的rfid室内定位方法 | |
CN105785989A (zh) | 利用行进中机器人标定分布式网络摄像机的系统和相关方法 | |
CN109327797A (zh) | 基于WiFi网络信号的移动机器人室内定位系统 | |
CN107580313A (zh) | 结合蓝牙Beacon与智能手机的室内定位系统及其定位方法 | |
CN109813434A (zh) | 一种基于温度检测的人体识别方法、装置及终端设备 | |
CN102339019A (zh) | 一种基于模糊神经网络的智能轮椅避障方法 | |
CN106970379B (zh) | 基于泰勒级数展开对室内目标的测距定位方法 | |
Srinivasan et al. | A survey of sensory data boundary estimation, covering and tracking techniques using collaborating sensors | |
CN108828519B (zh) | 一种基于机器学习的高精度室内可见光定位方法 | |
CN109889592A (zh) | 一种基于边缘计算的智能制造方法及装置 | |
CN109040302A (zh) | 空地土壤墒情信息采集系统 | |
CN109631899A (zh) | 一种用于环境感知的移动机器人的路径优化方法及系统 | |
Yang et al. | Localization algorithm in wireless sensor networks based on semi-supervised manifold learning and its application | |
CN110221290A (zh) | 基于蚁群算法优化的无人机目标搜索构建方法 | |
Rashed et al. | Tracking visitors in a real museum for behavioral analysis | |
Capi et al. | Guide robot intelligent navigation in urban environments | |
Prabu et al. | Internet of things‐based deeply proficient monitoring and protection system for crop field |
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 |