CN109974699A - 一种机器人及其地图自主探索方法和装置 - Google Patents

一种机器人及其地图自主探索方法和装置 Download PDF

Info

Publication number
CN109974699A
CN109974699A CN201711449310.1A CN201711449310A CN109974699A CN 109974699 A CN109974699 A CN 109974699A CN 201711449310 A CN201711449310 A CN 201711449310A CN 109974699 A CN109974699 A CN 109974699A
Authority
CN
China
Prior art keywords
target point
map
information gain
candidate target
robot
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
Application number
CN201711449310.1A
Other languages
English (en)
Other versions
CN109974699B (zh
Inventor
熊友军
张健
刘志超
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 Youbixuan Intelligent Robot Co ltd
Ubtech Robotics Corp
Original Assignee
Ubtech Robotics Corp
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 Ubtech Robotics Corp filed Critical Ubtech Robotics Corp
Priority to CN201711449310.1A priority Critical patent/CN109974699B/zh
Publication of CN109974699A publication Critical patent/CN109974699A/zh
Application granted granted Critical
Publication of CN109974699B publication Critical patent/CN109974699B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Feedback Control In General (AREA)

Abstract

一种机器人的地图自主探索方法包括：获取地图的边界，根据所述边界生成离散化的候选目标点集；基于地图互信息增益模型计算所述离散化的候选目标点集的信息增益；将已计算出信息增益的离散化的候选目标点集，通过高斯过程回归的方法预测地图连续空间具有较大信息增益的候选目标点集；通过最短路径方法判断所预测的具有较大信息增益的候选目标点集中的目标点是否为可行的目标点。有利于减少地图自主探索的计算量，提高探索效率，并且使得地图探索的可靠度更高。

Description

一种机器人及其地图自主探索方法和装置
技术领域
本发明属于机器人领域，尤其涉及一种机器人及其地图自主探索方法和装置。
背景技术
机器人的地图自主探索技术是移动机器人领域中的一项关键技术，也是移动机器人智能性的重要体现。在未知环境中，机器人自主进行环境遍历建图是非常重要的问题，特别是在大规模的环境中，依赖人为引导进行环境遍历和探索，工作量非常繁琐和巨大，尤其是在探测危险环境时更难以实现。为了减轻引导人员的工作量，产生了由机器人自主进行地图探索的方法，目前机器人的地图自主探索方法主要包括：
(1)基于栅格地图全遍历的方法，该方法是在栅格地图中的每个栅格单元设置一个表示该栅格与最近的未遍历栅格单元的距离值,采用值迭代算法对该值进行更新,探索方案沿梯度值下降方向获取未遍历区域路径，由于该方法采取栅格全遍历机制会产生较大的计算量和效率低的问题。
(2)基于边界的探索算法，该方法基于图像分割技术提取局部栅格地图中已知和未知区域之间的边界,然后控制机器人选择向最近边界区域运动,从而获取新环境信息扩大地图创建，但是该方法仅以获得未知信息为目的，而没有综合考虑未知信息量的多少、路径优化的问题，因此该探索方法存在效率低的问题。
(3)基于下一步最佳视野概念引入的探索方法,该方法根据当前传感器信息建立局部安全区域,并经过校正处理后合并至全局最大无障碍物区域,然后从区域边缘点选择候选位置集合,通过计算距离当前位置的最优路径长度和候选位置所能获取的未知环境区域大小,选定最优探索位置。该方法最根本的局限性在于缺乏故障恢复能力,如果多边形线段提取和图像校正过程中出现严重错误,则可能产生完全错误的模型。
发明内容
有鉴于此，本发明实施例提供了一种机器人及其地图自主探索方法和装置，以解决现有技术中的机器人在地图自主探索时，计算量较大、效率较低和可靠度不高的问题。
本发明实施例的第一方面提供了一种机器人的地图自主探索方法，所述机器人的地图自主探索方法包括：
获取地图的边界，根据所述边界生成离散化的候选目标点集；
基于地图互信息增益模型计算所述离散化的候选目标点集的信息增益；
将已计算出信息增益的离散化的候选目标点集，通过高斯过程回归的方法预测地图连续空间具有较大信息增益的候选目标点集；
通过最短路径方法判断所预测的具有较大信息增益的候选目标点集中的目标点是否为可行的目标点。
结合第一方面，在第一方面的第一种可能实现方式中，所述基于地图互信息增益模型计算所述离散化的候选目标点集的信息增益的步骤包括：
根据公式I(m,xi)＝H(m)-H(m|xi)计算所述候选目标点集的信息增益，其中：
mi,j表示栅格地图m中的一个栅格，p(mi,j)是栅格mi,j的概率值，p(mi,j)的值为-1表示未知区域，p(mi,j)的值为0.5表示障碍区，p(mi,j)的值为0表示空闲，H(m)表示地图m对应的信息熵，H(m|xi)表示如果机器人运动到xi位置时地图的信息熵。
结合第一方面，在第一方面的第二种可能实现方式中，所述将已计算出信息增益的离散化的候选目标点集，通过高斯过程回归的方法预测地图连续空间具有较大信息增益的候选目标点集的步骤包括：
将已计算出信息增益的候选点作为训练集，采用公式：
预测机器人当前所在的地图连续空间具有较大信息增益的候选目标点集，其中：
训练集x表示已完成信息增益I(m,xi)计算的候选目标点集，训练集输出y表示训练集对应的信息增益I(m,xi)的集合，x*、y*分别表示测试集的输入输出，k(x,x)表示核函数，表示高斯噪声方差，cov(y*)表示协方差，表示估计值。
结合第一方面，在第一方面的第三种可能实现方式中，所述通过最短路径方法判断所预测的具有较大信息增益的候选目标点集中的目标点是否为可行的目标点的步骤包括：
通过最短路径规划算法规划所述机器位置到所预测的具有较大信息增益的候选目标点集中的目标点的路径，并获取所述路径的长度；
判断所获取的路径的长度是否在预设的长度范围内；
如果所获取的路径的长度在预设的长度范围内，则所述目标点为可行点。
结合第一方面的第三种可能实现方式，在第一方面的第四种可能实现方式中，所述通过最短路径规划算法规划所述机器位置到所预测的具有较大信息增益的候选目标点集中的目标点的路径，并获取所述路径的长度的步骤包括：
通过迪杰斯特拉Dijkstra最短路径规划算法规划所述机器位置到所预测的具有较大信息增益的候选目标点集中的目标点的路径，并获取所述路径的长度。
本发明实施例的第二方面提供了一种机器人的地图自主探索装置，所述机器人的地图自主探索装置包括：
边界离散化单元，用于获取地图的边界，根据所述边界生成离散化的候选目标点集；
信息增益计算单元，用于基于地图互信息增益模型计算所述离散化的候选目标点集的信息增益；
候选目标点预测单元，用于将已计算出信息增益的离散化的候选目标点集，通过高斯过程回归的方法预测地图连续空间具有较大信息增益的候选目标点集；
目标点判断单元，用于通过最短路径方法判断所预测的具有较大信息增益的候选目标点集中的目标点是否为可行的目标点。
结合第二方面，在第二方面的第一种可能实现方式中，所述信息增益计算单元用于：
根据公式I(m,xi)＝H(m)-H(m|xi)计算所述候选目标点集的信息增益，其中：
mi,j表示栅格地图m中的一个栅格，p(mi,j)是栅格mi,j的概率值，p(mi,j)的值为-1表示未知区域，p(mi,j)的值为0.5表示障碍区，p(mi,j)的值为0表示空闲，H(m)表示地图m对应的信息熵，H(m|xi)表示如果机器人运动到xi位置时地图的信息熵。
结合第二方面，在第二方面的第二种可能实现方式中，所述候选目标点预测单元用于：
将已计算出信息增益的候选点作为训练集，采用公式：
预测机器人当前所在的地图连续空间具有较大信息增益的候选目标点集，其中：
训练集x表示已完成信息增益I(m,xi)计算的候选目标点集，训练集输出y表示训练集对应的信息增益I(m,xi)的集合，x*、y*分别表示测试集的输入输出，k(x,x)表示核函数，表示高斯噪声方差，cov(y*)表示协方差，表示估计值。
本发明实施例的第三方面提供了一种机器人，存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如第一方面任一项所述机器人的地图自主探索方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如第一方面任一项所述机器人的地图自主探索方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：先通过由地图的边界生成离散化的候选目标点集，然后通过地图互信息增益模型计算所述离散化的候选目标点集的信息增益，再针对计算出的候选目标点集，进一步通过高斯过程回归的方法预测地图连续空间具有较大信息增益的候选目标点集，并对预测的最大信息增益的候选目标点，通过最短路径方法判断是否为可行的目标点，可以不需要对栅格全遍历机制，有利于减少地图自主探索的计算量，提高探索效率，并且地图互信息增益模型选择目标点集，然后再通过高斯过程回归方法预测具有较大信息增益的候选目标点集，并结合最短路径方法进行可行的目标点判断，从而使得地图探索的可靠度更高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种机器人的地图自主探索方法的实现流程示意图；
图2是本发明实施例提供的又一种判断候选目标点集中的目标点是否为可行的目标点的实现流程示意图；
图3是本发明实施例提供的一种机器人的地图自主探索装置的示意图；
图4是本发明实施例提供的机器人的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
如图1所示为本申请实施例提供的一种机器人的地图自主探索方法的实现流程示意图，详述如下：
在步骤S101中，获取地图的边界，根据所述边界生成离散化的候选目标点集；
具体的，当机器人处于未知的环境下时，在未知环境下机器人不能利用全局定位系统进行定位，需要由机器人获取其当前环境的地图，在自身位置不确定的条件下，在完全未知环境中创建地图，同时利用地图进行自主定位和导航。所述地图的边界即为所述机器人在所述未知环境中创建地图时，所创建的地图的边界。
所述地图可以为几何地图或拓扑地图，其中，在所述几何地图中，障碍物的位置信息直接以坐标的形式存储在地图中，在所述拓扑地图中，定义了机器人可达的一些区域，通常以相对关系来表示。所述几何地图根据表现形式又可以分为特征地图、栅格地图等，本申请通过栅格地图的方式进行描述。
所述地图边界的确定，可以根据测距传感器和里程计进行地图探测。通过测距传感器可以测量物体距离机器人的距离，并且结合里程计以及地图的观测信息进行校正。所述测距传感器可以为激光测距仪、红外测距仪或声纳测距仪等。
将所获取的地图的边界进行离散化处理，可以根据所述地图的边界栅格化处理，生成多个目标点，构成所述边界对应的离散化的目标点集。将所述边界离散化处理后，可以简化对地图边界进行探索预测的计算量，根据探测的精度要求的不同，可以相应的选择对应精度的离散化处理。即探索精度越高，离散化后的点数也越多，探索精度越低，离散化后的点数也越少。
在步骤S102中，基于地图互信息增益模型计算所述离散化的候选目标点集的信息增益；
通过所述离散化后的候选目标点的信息增益的计算，可以确定所述地图边界中的每个栅格对应的地图的可能性，即确定边界上的栅格分别为未知区域、障碍区和空闲区的机率。
其中，所述基于地图互信息增益模型计算所述离散化的候选目标点集的信息增益的步骤可以包括：
根据公式I(m,xi)＝H(m)-H(m|xi)计算所述候选目标点集的信息增益，其中：
mi,j表示栅格地图m中的一个栅格，p(mi,j)是栅格mi,j的概率值，p(mi,j)的值为-1表示未知区域，p(mi,j)的值为0.5表示障碍区，p(mi,j)的值为0表示空闲，H(m)表示地图m对应的信息熵，H(m|xi)表示如果机器人运动到xi位置时地图的信息熵。
在步骤S103中，将已计算出信息增益的离散化的候选目标点集，通过高斯过程回归的方法预测地图连续空间具有较大信息增益的候选目标点集；
对已计算出信息增益的离散化的候选目标点集，为了进一步提高其可靠性，本申请还包括通过高斯过程回归的方法，预测地图连续空间具有较大信息增益的候选目标点集。其中，所述具有较大信息增益的候选目标点集的选择，可以设定一个候选目标点集的个数阈值，选择具有较大的信息增益的候选目标点集，使所述候选目标点集中的目标点的个数与所述个数阈值相等，也可以设定信息增益阈值，选择大于所设定的增益阈值的目标点，构成目标点集。
所述将已计算出信息增益的离散化的候选目标点集，通过高斯过程回归的方法预测地图连续空间具有较大信息增益的候选目标点集的步骤包括：
将已计算出信息增益的候选点作为训练集，采用公式：
预测机器人当前所在的地图连续空间具有较大信息增益的候选目标点集，其中：
训练集x表示已完成信息增益I(m,xi)计算的候选目标点集，训练集输出y表示训练集对应的信息增益I(m,xi)的集合，x*、y*分别表示测试集的输入输出，k(x,x)表示核函数，表示高斯噪声方差，cov(y*)表示协方差，表示估计值。
在步骤S104中，通过最短路径方法判断所预测的具有较大信息增益的候选目标点集中的目标点是否为可行的目标点。
在得到所述具有较大增益信息的候选目标点集后，还需要对所述候选目标点集中的目标点通过最短路径方法进一步进行判断，具体如图2所示，所述通过最短路径方法判断所预测的具有较大信息增益的候选目标点集中的目标点是否为可行的目标点的步骤可以包括：
在步骤S201中，通过最短路径规划算法规划所述机器位置到所预测的具有较大信息增益的候选目标点集中的目标点的路径，并获取所述路径的长度；
其中，所述最短路径规划算法可以包括迪杰斯特拉Dijkstra最短路径规划算法、Bellman-Ford(贝尔曼-福特)算法，Floyd(插点)算法和SPFA(英文全称为Shortest PathFaster Algorithm，中文全称为队列优化算法)等。
在步骤S202中，判断所获取的路径的长度是否在预设的长度范围内；
所述预测的长度范围，可以通过约束参数lmax和lmin来设定lmax是长度范围的最大值，lmin是长度范围的最小值。所述约束参数可人工设置，或者也可以结合实际场景进行调节。
在步骤S203中，如果所获取的路径的长度在预设的长度范围内，则所述目标点为可行点。
通过所述预设的长度范围的限定，可以进一步提高所述目标点选择的有效性和可靠性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图3为本申请实施例提供的一种机器人的地图自主探索装置的结构示意图，详述如下：
本申请所述机器人的地图自主探索装置，包括：
边界离散化单元301，用于获取地图的边界，根据所述边界生成离散化的候选目标点集；
信息增益计算单元302，用于基于地图互信息增益模型计算所述离散化的候选目标点集的信息增益；
候选目标点预测单元303，用于将已计算出信息增益的离散化的候选目标点集，通过高斯过程回归的方法预测地图连续空间具有较大信息增益的候选目标点集；
目标点判断单元304，用于通过最短路径方法判断所预测的具有较大信息增益的候选目标点集中的目标点是否为可行的目标点。
优选的，所述信息增益计算用于包括：
根据公式I(m,xi)＝H(m)-H(m|xi)计算所述候选目标点集的信息增益，其中：
mi,j表示栅格地图m中的一个栅格，p(mi,j)是栅格mi,j的概率值，p(mi,j)的值为-1表示未知区域，p(mi,j)的值为0.5表示障碍区，p(mi,j)的值为0表示空闲，H(m)表示地图m对应的信息熵，H(m|xi)表示如果机器人运动到xi位置时地图的信息熵。
优选的，所述将已计算出信息增益的离散化的候选目标点集，通过高斯过程回归的方法预测地图连续空间具有较大信息增益的候选目标点集的步骤用于：
将已计算出信息增益的候选点作为训练集，采用公式：
预测机器人当前所在的地图连续空间具有较大信息增益的候选目标点集，其中：
训练集x表示已完成信息增益I(m,xi)计算的候选目标点集，训练集输出y表示训练集对应的信息增益I(m,xi)的集合，x*、y*分别表示测试集的输入输出，k(x,x)表示核函数，表示高斯噪声方差，cov(y*)表示协方差，表示估计值。
本申请所述机器人的地图自主探索装置，与图1所述机器人的地图自主探索方法对应。
图4是本发明一实施例提供的机器人的示意图。如图4所示，该实施例的机器人4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如机器人的地图自主探索程序。所述处理器40执行所述计算机程序42时实现上述各个机器人的地图自主探索方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至304的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述机器人4中的执行过程。例如，所述计算机程序42可以被分割成边界离散化单元、信息增益单元、候选目标点预测单元和目标点判断单元，各单元具体功能如下：
边界离散化单元，用于获取地图的边界，根据所述边界生成离散化的候选目标点集；
信息增益计算单元，用于基于地图互信息增益模型计算所述离散化的候选目标点集的信息增益；
候选目标点预测单元，用于将已计算出信息增益的离散化的候选目标点集，通过高斯过程回归的方法预测地图连续空间具有较大信息增益的候选目标点集；
目标点判断单元，用于通过最短路径方法判断所预测的具有较大信息增益的候选目标点集中的目标点是否为可行的目标点。
所述机器人4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述机器人可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是机器人4的示例，并不构成对机器人4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述机器人还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述机器人4的内部存储单元，例如机器人4的硬盘或内存。所述存储器41也可以是所述机器人4的外部存储设备，例如所述机器人4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述机器人4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述机器人所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种机器人的地图自主探索方法，其特征在于，所述机器人的地图自主探索方法包括：
获取地图的边界，根据所述边界生成离散化的候选目标点集；
基于地图互信息增益模型计算所述离散化的候选目标点集的信息增益；
将已计算出信息增益的离散化的候选目标点集，通过高斯过程回归的方法预测地图连续空间具有较大信息增益的候选目标点集；
通过最短路径方法判断所预测的具有较大信息增益的候选目标点集中的目标点是否为可行的目标点。
2.根据权利要求1所述的机器人的地图自主探索方法，其特征在于，所述基于地图互信息增益模型计算所述离散化的候选目标点集的信息增益的步骤包括：
根据公式I(m,xi)＝H(m)-H(m|xi)计算所述候选目标点集的信息增益，其中：
mi,j表示栅格地图m中的一个栅格，p(mi,j)是栅格mi,j的概率值，p(mi,j)的值为-1表示未知区域，p(mi,j)的值为0.5表示障碍区，p(mi,j)的值为0表示空闲，H(m)表示地图m对应的信息熵，H(m|xi)表示如果机器人运动到xi位置时地图的信息熵。
3.根据权利要求1所述的机器人的地图自主探索方法，其特征在于，所述将已计算出信息增益的离散化的候选目标点集，通过高斯过程回归的方法预测地图连续空间具有较大信息增益的候选目标点集的步骤包括：
将已计算出信息增益的候选点作为训练集，采用公式：
预测机器人当前所在的地图连续空间具有较大信息增益的候选目标点集，其中：
训练集x表示已完成信息增益I(m,xi)计算的候选目标点集，训练集输出y表示训练集对应的信息增益I(m,xi)的集合，x*、y*分别表示测试集的输入输出，k(x,x)表示核函数，表示高斯噪声方差，cov(y*)表示协方差，表示估计值。
4.根据权利要求1所述的机器人的地图自主探索方法，其特征在于，所述通过最短路径方法判断所预测的具有较大信息增益的候选目标点集中的目标点是否为可行的目标点的步骤包括：
通过最短路径规划算法规划所述机器位置到所预测的具有较大信息增益的候选目标点集中的目标点的路径，并获取所述路径的长度；
判断所获取的路径的长度是否在预设的长度范围内；
如果所获取的路径的长度在预设的长度范围内，则所述目标点为可行点。
5.根据权利要求4所述的机器人的地图自主探索方法，其特征在于，所述通过最短路径规划算法规划所述机器位置到所预测的具有较大信息增益的候选目标点集中的目标点的路径，并获取所述路径的长度的步骤包括：
通过迪杰斯特拉Dijkstra最短路径规划算法规划所述机器位置到所预测的具有较大信息增益的候选目标点集中的目标点的路径，并获取所述路径的长度。
6.一种机器人的地图自主探索装置，其特征在于，所述机器人的地图自主探索装置包括：
边界离散化单元，用于获取地图的边界，根据所述边界生成离散化的候选目标点集；
信息增益计算单元，用于基于地图互信息增益模型计算所述离散化的候选目标点集的信息增益；
候选目标点预测单元，用于将已计算出信息增益的离散化的候选目标点集，通过高斯过程回归的方法预测地图连续空间具有较大信息增益的候选目标点集；
目标点判断单元，用于通过最短路径方法判断所预测的具有较大信息增益的候选目标点集中的目标点是否为可行的目标点。
7.根据权利要求6所述的机器人的地图自主探索装置，其特征在于，所述信息增益计算用于包括：
根据公式I(m,xi)＝H(m)-H(m|xi)计算所述候选目标点集的信息增益，其中：
mi,j表示栅格地图m中的一个栅格，p(mi,j)是栅格mi,j的概率值，p(mi,j)的值为-1表示未知区域，p(mi,j)的值为0.5表示障碍区，p(mi,j)的值为0表示空闲，H(m)表示地图m对应的信息熵，H(m|xi)表示如果机器人运动到xi位置时地图的信息熵。
8.根据权利要求1所述的机器人的地图自主探索装置，其特征在于，所述候选目标点预测单元用于：
将已计算出信息增益的候选点作为训练集，采用公式：
预测机器人当前所在的地图连续空间具有较大信息增益的候选目标点集，其中：
训练集x表示已完成信息增益I(m,xi)计算的候选目标点集，训练集输出y表示训练集对应的信息增益I(m,xi)的集合，x*、y*分别表示测试集的输入输出，k(x,x)表示核函数，表示高斯噪声方差，cov(y*)表示协方差，表示估计值。
9.一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述机器人的地图自主探索方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述机器人的地图自主探索方法的步骤。
CN201711449310.1A 2017-12-27 2017-12-27 一种机器人及其地图自主探索方法和装置 Active CN109974699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711449310.1A CN109974699B (zh) 2017-12-27 2017-12-27 一种机器人及其地图自主探索方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711449310.1A CN109974699B (zh) 2017-12-27 2017-12-27 一种机器人及其地图自主探索方法和装置

Publications (2)

Publication Number Publication Date
CN109974699A true CN109974699A (zh) 2019-07-05
CN109974699B CN109974699B (zh) 2021-08-27

Family

ID=67071791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711449310.1A Active CN109974699B (zh) 2017-12-27 2017-12-27 一种机器人及其地图自主探索方法和装置

Country Status (1)

Country Link
CN (1) CN109974699B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110398964A (zh) * 2019-07-16 2019-11-01 浙江大学 一种低能量损耗机器人全覆盖路径规划方法及系统
CN110509293A (zh) * 2019-09-06 2019-11-29 北京云迹科技有限公司 工作环境分析方法、装置及机器人
CN112828883A (zh) * 2020-12-25 2021-05-25 香港中文大学深圳研究院 一种未知环境下的机器人环境探索方法及系统
CN114046798A (zh) * 2021-11-16 2022-02-15 中国联合网络通信集团有限公司 一种辅助探索城市的路径规划方法、装置及存储介质
WO2022088432A1 (zh) * 2020-10-26 2022-05-05 莱克电气绿能科技(苏州)有限公司 自动移动设备的边界识别方法、装置及存储介质
CN115191886A (zh) * 2022-07-12 2022-10-18 尚科宁家(中国)科技有限公司 一种快速建图的方法、装置、及清洁机器人

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2249292A1 (en) * 2009-04-03 2010-11-10 Siemens Aktiengesellschaft Decision making mechanism, method, module, and robot configured to decide on at least one prospective action of the robot
CN103984981A (zh) * 2014-05-23 2014-08-13 东南大学 基于高斯过程模型的建筑物环境传感器测点优化方法
CN106202488A (zh) * 2016-07-19 2016-12-07 西北工业大学 估算用户到物理事件距离的方法
CN107289924A (zh) * 2017-05-12 2017-10-24 北京航空航天大学 一种基于位置信息的地图自适应切换方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2249292A1 (en) * 2009-04-03 2010-11-10 Siemens Aktiengesellschaft Decision making mechanism, method, module, and robot configured to decide on at least one prospective action of the robot
CN103984981A (zh) * 2014-05-23 2014-08-13 东南大学 基于高斯过程模型的建筑物环境传感器测点优化方法
CN106202488A (zh) * 2016-07-19 2016-12-07 西北工业大学 估算用户到物理事件距离的方法
CN107289924A (zh) * 2017-05-12 2017-10-24 北京航空航天大学 一种基于位置信息的地图自适应切换方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHI BAI 等: "Information-Theoretic Exploration with Bayesian Optimization", 《2016 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS (IROS)》 *
王鑫 等: "台风最大风速预测的高斯过程回归模型", 《计算机应用研究》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110398964A (zh) * 2019-07-16 2019-11-01 浙江大学 一种低能量损耗机器人全覆盖路径规划方法及系统
CN110398964B (zh) * 2019-07-16 2022-02-01 浙江大学 一种低能量损耗机器人全覆盖路径规划方法及系统
CN110509293A (zh) * 2019-09-06 2019-11-29 北京云迹科技有限公司 工作环境分析方法、装置及机器人
CN110509293B (zh) * 2019-09-06 2021-01-22 北京云迹科技有限公司 工作环境分析方法、装置及机器人
WO2022088432A1 (zh) * 2020-10-26 2022-05-05 莱克电气绿能科技(苏州)有限公司 自动移动设备的边界识别方法、装置及存储介质
CN112828883A (zh) * 2020-12-25 2021-05-25 香港中文大学深圳研究院 一种未知环境下的机器人环境探索方法及系统
CN114046798A (zh) * 2021-11-16 2022-02-15 中国联合网络通信集团有限公司 一种辅助探索城市的路径规划方法、装置及存储介质
CN115191886A (zh) * 2022-07-12 2022-10-18 尚科宁家(中国)科技有限公司 一种快速建图的方法、装置、及清洁机器人

Also Published As

Publication number Publication date
CN109974699B (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN109974699A (zh) 一种机器人及其地图自主探索方法和装置
JP6828044B2 (ja) ルート逸脱認識方法、端末、および記憶媒体
CN110260867A (zh) 一种机器人导航中位姿确定、纠正的方法、设备及装置
CN109990782A (zh) 一种避开障碍物的方法及设备
CN111375205B (zh) 游戏中寻路路径的处理方法、装置、电子设备及存储介质
CN111079619A (zh) 用于检测图像中的目标对象的方法和装置
Lei et al. Algorithm for mobile crane walking path planning in congested industrial plants
Yan et al. A novel path planning approach for smart cargo ships based on anisotropic fast marching
Tsardoulias et al. Critical rays scan match SLAM
Xu et al. Heuristic and random search algorithm in optimization of route planning for Robot’s geomagnetic navigation
CN105607646B (zh) 一种障碍环境下有必经点的uuv航路规划方法
CN110442121A (zh) 一种运输车路线选取的方法和装置
Baressi Šegota et al. On the traveling salesman problem in nautical environments: an evolutionary computing approach to optimization of tourist route paths in Medulin, Croatia
Singh et al. Evaluating the performance of map matching algorithms for navigation systems: an empirical study
CN107782311A (zh) 可移动终端的移动路径规划方法及装置
Ibrahim et al. Multiobjective optimization of reality capture plans for computer vision–driven construction monitoring with camera-equipped UAVs
Ghassemi et al. An extended bayesian optimization approach to decentralized swarm robotic search
CN110375736A (zh) 智能设备的路径规划方法、系统、设备及可读存储介质
Cai et al. A prior information‐based coverage path planner for underwater search and rescue using autonomous underwater vehicle (AUV) with side‐scan sonar
Zheng et al. A hierarchical approach for mobile robot exploration in pedestrian crowd
Tsardoulias et al. Construction of minimized topological graphs on occupancy grid maps based on GVD and sensor coverage information
CN109827584A (zh) 路径规划方法、装置、电子设备与存储介质
CN110749325B (zh) 航迹规划方法和装置
Hara et al. Moving object removal and surface mesh mapping for path planning on 3D terrain
Gong et al. A mutation operator self-adaptive differential evolution particle swarm optimization algorithm for USV navigation

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
CP01 Change in the name or title of a patent holder

Address after: 518000 16th and 22nd Floors, C1 Building, Nanshan Zhiyuan, 1001 Xueyuan Avenue, Nanshan District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen Youbixuan Technology Co.,Ltd.

Address before: 518000 16th and 22nd Floors, C1 Building, Nanshan Zhiyuan, 1001 Xueyuan Avenue, Nanshan District, Shenzhen City, Guangdong Province

Patentee before: Shenzhen Youbixuan Technology Co.,Ltd.

CP01 Change in the name or title of a patent holder
TR01 Transfer of patent right

Effective date of registration: 20231206

Address after: Room 601, 6th Floor, Building 13, No. 3 Jinghai Fifth Road, Beijing Economic and Technological Development Zone (Tongzhou), Tongzhou District, Beijing, 100176

Patentee after: Beijing Youbixuan Intelligent Robot Co.,Ltd.

Address before: 518000 16th and 22nd Floors, C1 Building, Nanshan Zhiyuan, 1001 Xueyuan Avenue, Nanshan District, Shenzhen City, Guangdong Province

Patentee before: Shenzhen Youbixuan Technology Co.,Ltd.

TR01 Transfer of patent right