CN110135644A - 一种用于目标搜索的机器人路径规划方法 - Google Patents
一种用于目标搜索的机器人路径规划方法 Download PDFInfo
- Publication number
- CN110135644A CN110135644A CN201910416760.3A CN201910416760A CN110135644A CN 110135644 A CN110135644 A CN 110135644A CN 201910416760 A CN201910416760 A CN 201910416760A CN 110135644 A CN110135644 A CN 110135644A
- Authority
- CN
- China
- Prior art keywords
- path
- node
- robot
- key point
- point
- 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
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
Abstract
本发明提供一种用于目标搜索的机器人路径规划方法。针对目前市场中机器人进行目标搜索功能的效率不高的问题,率先将融合环境关键点锁定算法、视觉全覆盖算法与基于离散贝叶斯后验优化的路径规划算法提出一种机器人目标搜索路径规划算法,该路径规划方法可驱动机器人优先搜索目标最有可能出现的地点,以视觉全覆盖算法和离散贝叶斯后验优化理论为基础,形成融合入多种算法的启发式探索机制,以成功完成搜索任务的时间为优化目标,引入结合贝叶斯公式的概率成本计算方法,利用模拟退火算法,从而提高模型的学习效率。本发明的优点是模型学习效率较高,适用已知的环境场景,在复杂的环境下也能够较为高效地使机器人快速搜索到目标,以规划出到达目标最有可能出现的地点的最优路径。
Description
技术领域
本发明涉及路径规划技术领域,尤其涉及一种用于目标搜索的机器人路径规划方法。
背景技术
随着社会经济的发展和科学技术的进步,移动机器人已经逐步进入室内场景用于多个领域。
让机器人携带摄像头、雷达等多种设备实现对特定目标的搜索,成为机器人的一项常用功能,要实现该功能需要建立一种用于目标搜索的机器人路径规划方法,该方法可以通过在已知环境内规划出一条能够避开障碍物且最快搜索到目标的路径。
该方法在目前的研究具备一定的创新性,目前如专利申请CN201310488139利用改进A*算法进行机器人二维三维空间的路径规划,专利申请CN201510028275利用神经网络的泛化性能实现移动控制,专利申请CN201810601993采用稀疏代价地图技术实现一种机器人路径规划方法。这些研究多为纯路径规划类的算法缺少一种室内场景下的用于目标搜索的机器人路径规划方法。
因此为丰富相关领域的算法研究,以科学的方法解决市场中机器人进行目标搜索功能效率低的问题,设计了该路径规划方法。
发明内容
有鉴于此,本申请提供一种用于目标搜索的机器人路径规划方法。
本申请是通过如下技术方案实现的:
一种用于目标搜索的机器人路径规划方法,该方法包括如下步骤:
步骤1,进行操作环境初始化,设置机器人识别范围、安全范围信息;
步骤2,确定目标搜索区域,获取所述目标搜索区域的环境信息,并生成占据栅格地图;
步骤3,根据获取的所述目标搜索区域的环境信息,对生成的所述占据栅格地图进行可通行区域和障碍物区域的划分;
步骤4,根据环境信息的轮廓图,利用图像角点检验算法,识别出轮廓线角点,在角点邻近区域,将距离障碍物保持安全范围的点确定为备选关键点;
步骤5,根据机器人可识别的范围,确定机器人在所述备选关键点时能够覆盖的检测范围,判断所述覆盖的检测范围是否对所述可通行区域实现了全覆盖,若是,则执行步骤7,若否,则执行步骤6。
步骤6,针对未覆盖的区域,根据其轮廓图,继续利用所述角点检验算法,识别未覆盖区域轮廓角点,在角点邻近区域,将距离障碍物保持安全范围的点确定为补充备选关键点,返回执行步骤5;
步骤7,机器人在所述备选关键点位置实现了对可通行区域的检测全覆盖后,根据在每个备选关键点位置实现的检测范围,确定出重复覆盖范围;
步骤8,根据A*路径规划算法和避障算法确定各个关键点之间连接路径,对各个连接路径进行标号:1,2,......,m,m=(n*(n-1)/2),n>1,M={1,2,......,m};
步骤9,计算各个连接路径不能识别到目标的后验概率;
步骤10,利用模拟退火算法确定出旅行商问题TSP模型的求解结果,作为规划出的路径。
进一步的,所述利用图像角点检验算法,识别出轮廓线角点,具体包括:
步骤401,初始化水平、竖直差分算子,所述水平、竖直差分算子为平移量[u,v];
针对像素点(x,y),将图像窗口进行平移量[u,v]的平移,产生的灰度变化E(u,v)为:
步骤402,利用水平、竖直差分算子对所述环境信息的轮廓图中的每一个像素进行滤波以求得Ix,Iy,并计算每一个像素点的矩阵M,其中,Ix,Iy为偏微分,在图像中为图像的方向导数;
所述像素点的矩阵M通过如下公式计算:
M=[Ix2,Ix*Iy,Ix*Iy,Iy2]
步骤403,对矩阵M的四个元素(Ix2,Ix*Iy,Ix*Iy,Iy2)进行高斯平滑滤波,得到平滑滤波后的矩阵M;
步骤404,利用所述平滑滤波后的矩阵M计算对应每个像素的检点相应函数R,即:
R=det(M)-k(trace(M))2
其中,det为对所述平滑滤波后的矩阵M进行行列式运算,trace为计算所述平滑滤波后的矩阵M的迹;
步骤405,若R中的R(i,j)大于预设的阈值,同时R(i,j)是区域的极大值,则(i,j)所在的点为角点。
进一步的,根据在每个备选关键点位置实现的检测范围,确定出重复覆盖范围,具体包括:
如果存在在其他备选关键点位置实现的检测范围能够覆盖住某一个备选关键点位置实现的检测范围,则这个备选关键点便是多余关键点,通过在备选关键点中删除掉所有多余关键点后锁定最终关键点,对各个所述最终关键点进行标号:1,2,……,n,N={1,2,……,n}。
进一步的,所述计算各个连接路径不能识别到目标的后验概率,具体包括:
结合贝叶斯公式确定在各个路径识别到目标的后验概率,以(1/m)作为m条路径各自的先验概率,以屡次测试经验中识别成功后更新路径的似然函数,测试次数为k,对于第i条路径,在该路径上没有识别到目标的次数为k_i,以(k_i+1)/(k+1)作为第i条路径的似然度,后验概率=(似然度*先验概率)/标准化常量。
进一步的,根据A*路径规划算法和避障算法确定各个关键点之间连接路径,具体包括:
步骤801,确定区域的栅格地图信息、起始位置以及终点位置;
步骤802,建立备选位置表和决策位置表两个空表,以及将障碍物区域位置信息建立一个障碍物区域表;
步骤803,将起始位置、起始位置周围邻近节点以及节点的成本评估函数f(n)值加入备选位置表;
步骤804,从备选位置表中选取成本评估函数f(n)值最小的节点作为当前位置,将当前位置节点导入到所述决策位置表中,并删除其在备选位置表中的记录;
步骤805,针对当前位置节点选择周围邻近节点。
进一步的,第n节点的成本评估函数f(n)值为f(n)=g(n)+h(n);
f(n)是成本评估函数,用于指示节点n由初始位置到目标点的成本评估函数,在状态空间中,g(n)表示由初始节点到节点n的实际成本,h(n)表示节点n到目标节点最短路径的成本估计值。
进一步的,针对当前位置节点选择周围邻近节点,具体包括:
步骤8051,若邻近节点在决策位置表或者障碍物区域表,则跳过该邻近节点,否则执行步骤8052;
步骤8052,若邻近节点不在备选位置表中,则将该邻近节点导入到备选位置表,并计算该邻近节点的成本评估函数f(n)值,若邻近节点已在备选位置表中,执行步骤8053;
步骤8053,计算邻近节点到当前位置节点的实际成本g(n),重新获取所述邻近节点的成本评估函数f(n)值;
步骤8054,不断把成本评估函数f(n)值最小的邻近节点导入决策位置表,当满足预设条件时,停止向决策位置表导入邻近节点;
步骤8055,保存导入决策位置表内的邻近节点,确定规划出的路径。
进一步的,所述预设条件包括如下之一:
预设条件1,最终目标节点已在决策位置表中,则表示避障且最短的路径已经找到;或预设条件2,备选位置表中为空。
进一步的,所述TSP模型为:
ωi=pi·Fi
其中路径i是从关键点a到关键点b的路径,Xb,a=0表示规划的路径不包含从a到b的路径,Xb,a=1表示规划的路径包含从a到b的路径,pi为路径i上不能识别到目标的后验概率,Fi为路径i的时间成本评估函数值。
进一步的,所述模拟退火算法具体包括:
步骤1001,初始化:初始温度T,初始解状态S,每个T值的迭代次数L,其中初始解状态S为算法迭代的起点;
步骤1002,对k=1,……,L,执行步骤1003至步骤1006的操作;
步骤1003,产生新解S′;
步骤1004,计算增量Δt′=C(S′)-C(S),其中C(S)为评价函数;
步骤1005,若Δt′<0则接受S′作为新的当前解,否则以概率exp(-Δt′/T)接受S′作为新的当前解;
步骤1006,如果满足终止条件则输出当前解作为最优解,结束;
所述终止条件为,若连续若干个新解都没有被接受时,则终止算法;
步骤1007,T逐渐减少,且T趋于0,然后跳转至步骤1002。
与现有技术相比,本发明的优点在于:可驱动机器人优先搜索目标最有可能出现的地点,以视觉全覆盖算法和离散贝叶斯后验优化理论为基础,形成融合入多种算法的启发式探索机制,以成功完成搜索任务的时间为优化目标,解决了现实室内环境中的目标搜索路径规划问题,而且本发明方法简单、科学且可靠。
附图说明
图1为本发明的路径规划方法的流程示意图;
图2为本发明的路径规划方法的图像窗流程示意图;
图3为本发明的路径规划方法中角点检验方法的图像窗示意图;
图4为本发明的路径规划方法中针对检测区域未全覆盖时再次角点检验的示意图;
图5为本发明的路径规划方法中结合避障的A*算法示例图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面将结合附图和实例对本发明作进一步的详细说明。
图1为本发明的路径规划方法的流程示意图,图2为本发明的路径规划方法的图像窗流程示意图。本发明提供的用于目标搜索的机器人路径规划方法包括如下步骤:
步骤1,进行操作环境初始化;
设置机器人识别范围、安全范围信息;
步骤2,确定目标搜索区域,获取所述目标搜索区域的环境信息,并生成占据栅格地图;
步骤3,根据获取的所述目标搜索区域的环境信息,对生成的所述占据栅格地图进行可通行区域和障碍物区域的划分;
步骤4,根据环境信息的轮廓图,利用图像角点检验算法,识别出轮廓线角点,在角点邻近区域,将距离障碍物保持安全范围的点确定为备选关键点;
图3为本发明的路径规划方法中角点检验方法的图像窗示意图。
所述利用图像角点检验算法,识别出轮廓线角点,具体包括:
步骤401,初始化水平、竖直差分算子,所述水平、竖直差分算子为平移量[u,v];
针对像素点(x,y),将图像窗口进行平移量[u,v]的平移,产生的灰度变化E(u,v)为:
步骤402,利用水平、竖直差分算子对所述环境信息的轮廓图中的每一个像素进行滤波以求得Ix,Iy,并计算每一个像素点的矩阵M;
其中,Ix,Iy为偏微分,在图像中为图像的方向导数;
像素点的矩阵M通过如下公式计算:
M=[Ix2,Ix*Iy,Ix*Iy,Iy2]
步骤403,对矩阵M的四个元素(Ix2,Ix*Iy,Ix*Iy,Iy2)进行高斯平滑滤波,得到平滑滤波后的矩阵M;
步骤404,利用所述平滑滤波后的矩阵M计算对应每个像素的检点相应函数R,即:
R=det(M)-k(trace(M))2
其中,det为对所述平滑滤波后的矩阵M进行行列式运算,trace为计算所述平滑滤波后的矩阵M的迹;
步骤405,若R中的R(i,j)大于预设的阈值,同时R(i,j)是区域的极大值,则(i,j)所在的点为角点。
步骤5,根据机器人可识别的范围,确定机器人在所述备选关键点时能够覆盖的检测范围,判断所述覆盖的检测范围是否对所述可通行区域实现了全覆盖,若是,则执行步骤7,若否,则执行步骤6。
步骤6,针对未覆盖的区域,根据其轮廓图,继续利用所述角点检验算法,识别未覆盖区域轮廓角点,在角点邻近区域,将距离障碍物保持安全范围的点确定为补充备选关键点,返回执行步骤5;
图4为本发明的路径规划方法中针对检测区域未全覆盖时再次角点检验的示意图。
步骤7,机器人在所述备选关键点位置实现了对可通行区域的检测全覆盖后,根据在每个备选关键点位置实现的检测范围,确定出重复覆盖范围,如果存在在其他备选关键点位置实现的检测范围能够覆盖住某一个备选关键点位置实现的检测范围,则这个备选关键点便是多余关键点,通过在备选关键点中删除掉所有多余关键点后锁定最终关键点,对各个所述最终关键点进行标号:1,2,……,n,N={1,2,......,n}。
步骤8,根据A*路径规划算法和避障算法确定各个关键点之间连接路径,对各个连接路径进行标号:1,2,......,m,m=(n*(n-1)/2),n>1,M={1,2,......,m}。其中每两个关键点确定一条路径,例如,点a、点b确定路径i,其中a,b∈N,i∈M。
图5为本发明的路径规划方法中结合避障的A*算法示例图。上述步骤中,根据A*路径规划算法和避障算法确定各个关键点之间连接路径,具体包括:
步骤801,确定区域的栅格地图信息、起始位置以及终点位置;
步骤802,建立备选位置表和决策位置表两个空表,以及将障碍物区域位置信息建立一个障碍物区域表;
步骤803,将起始位置、起始位置周围邻近节点以及节点的成本评估函数f(n)值加入备选位置表;
其中第n节点的成本评估函数f(n)值为f(n)=g(n)+h(n);
f(n)是成本评估函数,用于指示节点n由初始位置到目标点的成本评估函数,在状态空间中,g(n)表示由初始节点到节点n的实际成本,h(n)表示节点n到目标节点最短路径的成本估计值。所述成本可以使用到节点n所需的时间来表示。
步骤804,从备选位置表中选取成本评估函数f(n)值最小的节点作为当前位置,将当前位置节点导入到所述决策位置表中,并删除其在备选位置表中的记录;
步骤805,针对当前位置节点选择周围邻近节点;
针对当前位置节点选择周围邻近节点,具体包括:
步骤8051,若邻近节点在决策位置表或者障碍物区域表,则跳过该邻近节点,否则执行步骤8052;
步骤8052,若邻近节点不在备选位置表中,则将该邻近节点导入到备选位置表,并计算该邻近节点的成本评估函数f(n)值,若邻近节点已在备选位置表中,执行步骤8053;
步骤8053,计算邻近节点到当前位置节点的实际成本g(n),重新获取所述邻近节点的成本评估函数f(n)值;
步骤8054,不断把成本评估函数f(n)值最小的邻近节点导入决策位置表,当满足预设条件时,停止向决策位置表导入邻近节点;
所述预设条件包括如下之一:
预设条件1,最终目标节点已在决策位置表中,则表示避障且最短的路径已经找到;或
预设条件2,备选位置表中为空;
步骤8055,保存导入决策位置表内的邻近节点,确定规划出的路径。
步骤9,结合贝叶斯公式确定在各个路径识别到目标的后验概率,以(1/m)作为m条路径各自的先验概率,以屡次测试经验中识别成功后更新路径的似然函数,测试次数为k,对于第i条路径,在该路径上没有识别到目标的次数为ki,以(ki+1)/(k+1)作为第i条路径的似然度,后验概率=(似然度*先验概率)/标准化常量,计算各个路径不能识别到目标的后验概率;
步骤10,利用模拟退火算法确定出旅行商问题TSP模型的求解结果,作为规划出的路径。
考虑通过各个路径的时间T和各个路径上没有识别目标的概率值P,将联通各个关键点的路径规划问题视为旅行商问题,即TSP问题(Traveling Salesman Problem),该问题要规划出一条路径要经过所有的点且花费的成本最少。
所述TSP模型为:
ωi=pi·Fi
其中路径i是从关键点a到关键点b的路径,Xb,a=0表示规划的路径不包含从a到b的路径,Xb,a=1表示规划的路径包含从a到b的路径,pi为路径i上不能识别到目标的后验概率,Fi为路径i的时间成本评估函数值。
所述模拟退火算法具体包括:
步骤1001,初始化:初始温度T,初始解状态S,每个T值的迭代次数L,其中初始解状态S为算法迭代的起点;
步骤1002,对k=1,……,L,执行步骤1003至步骤1006的操作;
步骤1003,产生新解S′;
步骤1004,计算增量Δt′=C(S′)-C(S),其中C(S)为评价函数;
步骤1005,若Δt′<0则接受S′作为新的当前解,否则以概率exp(-Δt′/T)接受S′作为新的当前解;
步骤1006,如果满足终止条件则输出当前解作为最优解,结束;
所述终止条件为,若连续若干个新解都没有被接受时,则终止算法;
步骤1007,T逐渐减少,且T趋于0,然后跳转至步骤1002。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成,所述程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现,相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
需要说明的是,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种用于目标搜索的机器人路径规划方法,其特征在于,该方法包括如下步骤:
步骤1,进行操作环境初始化,设置机器人识别范围、安全范围信息;
步骤2,确定目标搜索区域,获取所述目标搜索区域的环境信息,并生成占据栅格地图;
步骤3,根据获取的所述目标搜索区域的环境信息,对生成的所述占据栅格地图进行可通行区域和障碍物区域的划分;
步骤4,根据环境信息的轮廓图,利用图像角点检验算法,识别出轮廓线角点,在角点邻近区域,将距离障碍物保持安全范围的点确定为备选关键点;
步骤5,根据机器人可识别的范围,确定机器人在所述备选关键点时能够覆盖的检测范围,判断所述覆盖的检测范围是否对所述可通行区域实现了全覆盖,若是,则执行步骤7,若否,则执行步骤6。
步骤6,针对未覆盖的区域,根据其轮廓图,继续利用所述角点检验算法,识别未覆盖区域轮廓角点,在角点邻近区域,将距离障碍物保持安全范围的点确定为补充备选关键点,返回执行步骤5;
步骤7,机器人在所述备选关键点位置实现了对可通行区域的检测全覆盖后,根据在每个备选关键点位置实现的检测范围,确定出重复覆盖范围;
步骤8,根据A*路径规划算法和避障算法确定各个关键点之间连接路径,对各个连接路径进行标号:1,2,......,m,m=(n*(n-1)/2),n>1,M={1,2,......,m};
步骤9,计算各个连接路径不能识别到目标的后验概率;
步骤10,利用模拟退火算法确定出旅行商问题TSP模型的求解结果,作为规划出的路径。
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,所述利用图像角点检验算法,识别出轮廓线角点,具体包括:
步骤401,初始化水平、竖直差分算子,所述水平、竖直差分算子为平移量[u,v];
针对像素点(x,y),将图像窗口进行平移量[u,v]的平移,产生的灰度变化E(u,v)为:
步骤402,利用水平、竖直差分算子对所述环境信息的轮廓图中的每一个像素进行滤波以求得Ix,Iy,并计算每一个像素点的矩阵M,其中,Ix,Iy为偏微分,在图像中为图像的方向导数;
所述像素点的矩阵M通过如下公式计算:
M=[Ix2,Ix*Iy,Ix*Iy,Iy2]
步骤403,对矩阵M的四个元素(Ix2,Ix*Iy,Ix*Iy,Iy2)进行高斯平滑滤波,得到平滑滤波后的矩阵M;
步骤404,利用所述平滑滤波后的矩阵M计算对应每个像素的检点相应函数R,即:
R=det(M)-k(trace(M))2
其中,det为对所述平滑滤波后的矩阵M进行行列式运算,trace为计算所述平滑滤波后的矩阵M的迹;
步骤405,若R中的R(i,j)大于预设的阈值,同时R(i,j)是区域的极大值,则(i,j)所在的点为角点。
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,根据在每个备选关键点位置实现的检测范围,确定出重复覆盖范围,具体包括:
如果存在在其他备选关键点位置实现的检测范围能够覆盖住某一个备选关键点位置实现的检测范围,则这个备选关键点便是多余关键点,通过在备选关键点中删除掉所有多余关键点后锁定最终关键点,对各个所述最终关键点进行标号:1,2,……,n,N={1,2,……,n}。
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,所述计算各个连接路径不能识别到目标的后验概率,具体包括:
结合贝叶斯公式确定在各个路径识别到目标的后验概率,以(1/m)作为m条路径各自的先验概率,以屡次测试经验中识别成功后更新路径的似然函数,测试次数为k,对于第i条路径,在该路径上没有识别到目标的次数为ki,以(k_i+1)/(k+1)作为第i条路径的似然度,后验概率=(似然度*先验概率)/标准化常量。
5.根据权利要求1所述的机器人路径规划方法,其特征在于,根据A*路径规划算法和避障算法确定各个关键点之间连接路径,具体包括:
步骤801,确定区域的栅格地图信息、起始位置以及终点位置;
步骤802,建立备选位置表和决策位置表两个空表,以及将障碍物区域位置信息建立一个障碍物区域表;
步骤803,将起始位置、起始位置周围邻近节点以及节点的成本评估函数f(n)值加入备选位置表;
步骤804,从备选位置表中选取成本评估函数f(n)值最小的节点作为当前位置,将当前位置节点导入到所述决策位置表中,并删除其在备选位置表中的记录;
步骤805,针对当前位置节点选择周围邻近节点。
6.根据权利要求5所述的机器人路径规划方法,其特征在于,
第n节点的成本评估函数f(n)值为f(n)=g(n)+h(n);
f(n)是成本评估函数,用于指示节点n由初始位置到目标点的成本评估函数,在状态空间中,g(n)表示由初始节点到节点n的实际成本,h(n)表示节点n到目标节点最短路径的成本估计值。
7.根据权利要求5所述的机器人路径规划方法,其特征在于,针对当前位置节点选择周围邻近节点,具体包括:
步骤8051,若邻近节点在决策位置表或者障碍物区域表,则跳过该邻近节点,否则执行步骤8052;
步骤8052,若邻近节点不在备选位置表中,则将该邻近节点导入到备选位置表,并计算该邻近节点的成本评估函数f(n)值,若邻近节点已在备选位置表中,执行步骤8053;
步骤8053,计算邻近节点到当前位置节点的实际成本g(n),重新获取所述邻近节点的成本评估函数f(n)值;
步骤8054,不断把成本评估函数f(n)值最小的邻近节点导入决策位置表,当满足预设条件时,停止向决策位置表导入邻近节点;
步骤8055,保存导入决策位置表内的邻近节点,确定规划出的路径。
8.根据权利要求7所述的机器人路径规划方法,其特征在于,所述预设条件包括如下之一:
预设条件1,最终目标节点已在决策位置表中,则表示避障且最短的路径已经找到;或预设条件2,备选位置表中为空。
9.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TSP模型为:
ωi=pi·Fi
其中路径i是从关键点a到关键点b的路径,Xb,a=0表示规划的路径不包含从a到b的路径,Xb,a=1表示规划的路径包含从a到b的路径,pi为路径i上不能识别到目标的后验概率,Fi为路径i的时间成本评估函数值。
10.根据权利要求1所述的机器人路径规划方法,其特征在于,
所述模拟退火算法具体包括:
步骤1001,初始化:初始温度T,初始解状态S,每个T值的迭代次数L,其中初始解状态S为算法迭代的起点;
步骤1002,对k=1,……,L,执行步骤1003至步骤1006的操作;
步骤1003,产生新解S′;
步骤1004,计算增量Δt′=C(S′)-C(S),其中C(S)为评价函数;
步骤1005,若Δt′<0则接受S′作为新的当前解,否则以概率exp(-Δt′/T)接受S′作为新的当前解;
步骤1006,如果满足终止条件则输出当前解作为最优解,结束;
所述终止条件为,若连续若干个新解都没有被接受时,则终止算法;
步骤1007,T逐渐减少,且T趋于0,然后跳转至步骤1002。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910416760.3A CN110135644B (zh) | 2019-05-17 | 2019-05-17 | 一种用于目标搜索的机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910416760.3A CN110135644B (zh) | 2019-05-17 | 2019-05-17 | 一种用于目标搜索的机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110135644A true CN110135644A (zh) | 2019-08-16 |
CN110135644B CN110135644B (zh) | 2020-04-17 |
Family
ID=67571331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910416760.3A Active CN110135644B (zh) | 2019-05-17 | 2019-05-17 | 一种用于目标搜索的机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135644B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110519721A (zh) * | 2019-08-28 | 2019-11-29 | 中南大学 | 一种WSRNs中机器人替换失效传感器的路径优化方法 |
CN111275259A (zh) * | 2020-01-20 | 2020-06-12 | 苏宝炜 | 一种公共区域关键点位安全管理最优路线选择方法及装置 |
CN111652462A (zh) * | 2020-04-17 | 2020-09-11 | 湘潭大学 | 一种农用地重金属污染及潜在生态风险的评价方法 |
CN111708357A (zh) * | 2019-09-17 | 2020-09-25 | 深圳市银星智能科技股份有限公司 | 清扫结束条件识别方法、装置及扫地机器人 |
CN111950431A (zh) * | 2020-08-07 | 2020-11-17 | 北京猎户星空科技有限公司 | 一种对象查找方法及装置 |
CN112445218A (zh) * | 2019-08-30 | 2021-03-05 | 顺丰科技有限公司 | 机器人路径规划方法、装置、服务器、存储介质及机器人 |
CN113110521A (zh) * | 2021-05-26 | 2021-07-13 | 中国科学技术大学 | 移动机器人路径规划控制方法及其控制装置、存储介质 |
WO2022120955A1 (zh) * | 2020-12-11 | 2022-06-16 | 中国科学院深圳先进技术研究院 | 多智能体仿真方法及采用该方法的平台 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198366A (zh) * | 2013-04-09 | 2013-07-10 | 北京理工大学 | 一种考虑目标节点时效性的多目标路径规划方法 |
CN105116902A (zh) * | 2015-09-09 | 2015-12-02 | 北京进化者机器人科技有限公司 | 一种移动机器人避障导航的方法和系统 |
CN106647769A (zh) * | 2017-01-19 | 2017-05-10 | 厦门大学 | 基于a*提取引导点的agv路径跟踪与避障协调方法 |
WO2018119745A1 (zh) * | 2016-12-28 | 2018-07-05 | 深圳配天智能技术研究院有限公司 | 机器人运动控制方法及相关装置 |
CN109211242A (zh) * | 2018-09-12 | 2019-01-15 | 浙江大学 | 一种融合rrt与蚁群算法的三维空间多目标路径规划方法 |
CN109737961A (zh) * | 2018-05-23 | 2019-05-10 | 哈尔滨理工大学 | 一种具有概率完备性的机器人最优化点到区路径规划方法 |
-
2019
- 2019-05-17 CN CN201910416760.3A patent/CN110135644B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103198366A (zh) * | 2013-04-09 | 2013-07-10 | 北京理工大学 | 一种考虑目标节点时效性的多目标路径规划方法 |
CN105116902A (zh) * | 2015-09-09 | 2015-12-02 | 北京进化者机器人科技有限公司 | 一种移动机器人避障导航的方法和系统 |
WO2018119745A1 (zh) * | 2016-12-28 | 2018-07-05 | 深圳配天智能技术研究院有限公司 | 机器人运动控制方法及相关装置 |
CN106647769A (zh) * | 2017-01-19 | 2017-05-10 | 厦门大学 | 基于a*提取引导点的agv路径跟踪与避障协调方法 |
CN109737961A (zh) * | 2018-05-23 | 2019-05-10 | 哈尔滨理工大学 | 一种具有概率完备性的机器人最优化点到区路径规划方法 |
CN109211242A (zh) * | 2018-09-12 | 2019-01-15 | 浙江大学 | 一种融合rrt与蚁群算法的三维空间多目标路径规划方法 |
Non-Patent Citations (2)
Title |
---|
MOHD. NAYAB ZAFAR ET AL.: "Methodology for Path Planning and Optimization of Mobile Robots: A Review", 《PROCEDIA COMPUTER SCIENCE》 * |
陈家乾: "移动机器人自主创建环境地图的研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110519721A (zh) * | 2019-08-28 | 2019-11-29 | 中南大学 | 一种WSRNs中机器人替换失效传感器的路径优化方法 |
CN112445218A (zh) * | 2019-08-30 | 2021-03-05 | 顺丰科技有限公司 | 机器人路径规划方法、装置、服务器、存储介质及机器人 |
CN111708357A (zh) * | 2019-09-17 | 2020-09-25 | 深圳市银星智能科技股份有限公司 | 清扫结束条件识别方法、装置及扫地机器人 |
CN111275259A (zh) * | 2020-01-20 | 2020-06-12 | 苏宝炜 | 一种公共区域关键点位安全管理最优路线选择方法及装置 |
CN111652462A (zh) * | 2020-04-17 | 2020-09-11 | 湘潭大学 | 一种农用地重金属污染及潜在生态风险的评价方法 |
CN111652462B (zh) * | 2020-04-17 | 2023-08-15 | 湘潭大学 | 一种农用地重金属污染及潜在生态风险的评价方法 |
CN111950431A (zh) * | 2020-08-07 | 2020-11-17 | 北京猎户星空科技有限公司 | 一种对象查找方法及装置 |
CN111950431B (zh) * | 2020-08-07 | 2024-03-26 | 北京猎户星空科技有限公司 | 一种对象查找方法及装置 |
WO2022120955A1 (zh) * | 2020-12-11 | 2022-06-16 | 中国科学院深圳先进技术研究院 | 多智能体仿真方法及采用该方法的平台 |
CN113110521A (zh) * | 2021-05-26 | 2021-07-13 | 中国科学技术大学 | 移动机器人路径规划控制方法及其控制装置、存储介质 |
CN113110521B (zh) * | 2021-05-26 | 2022-09-09 | 中国科学技术大学 | 移动机器人路径规划控制方法及其控制装置、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110135644B (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135644A (zh) | 一种用于目标搜索的机器人路径规划方法 | |
KR102296507B1 (ko) | 트래킹 네트워크를 포함한 cnn을 사용하여 객체를 트래킹하는 방법 및 이를 이용한 장치 | |
KR102306939B1 (ko) | V2x 통신 및 이미지 처리를 이용한 정보 융합을 통해 자율 주행의 단기 경로를 플래닝하기 위한 방법 및 장치 | |
JP6875021B2 (ja) | 有用な学習データを取捨選別するためのcnn基盤の学習方法及び学習装置、そしてこれを利用したテスト方法及びテスト装置 | |
CN109636049B (zh) | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 | |
US10410120B1 (en) | Learning method and testing method of object detector to be used for surveillance based on R-CNN capable of converting modes according to aspect ratios or scales of objects, and learning device and testing device using the same | |
Gao et al. | An improved frontier-based approach for autonomous exploration | |
EP3662445B1 (en) | A method of constructing a model of the motion of a mobile device and related systems | |
US11767035B2 (en) | Autonomous parking with hybrid exploration of parking space | |
JP2020038660A (ja) | CNN(Convolutional Neural Network)を利用して車線を検出するための学習方法及び学習装置そしてこれを利用したテスト方法及びテスト装置{LEARNING METHOD, LEARNING DEVICE FOR DETECTING LANE USING CNN AND TEST METHOD, TEST DEVICE USING THE SAME} | |
CN109163722B (zh) | 一种仿人机器人路径规划方法及装置 | |
Saroya et al. | Online exploration of tunnel networks leveraging topological CNN-based world predictions | |
JP2020123346A (ja) | 各領域において最適化された自律走行を遂行できるように位置基盤アルゴリズムの選択によってシームレスパラメータ変更を遂行する方法及び装置 | |
JP6892157B2 (ja) | V2x情報融合技術によって取得された、各物体に対する深さ予測情報及び各物体に対するクラス情報を利用して3d空間を再構築することによりhdマップをアップデートする学習方法及び学習装置、そしてこれを利用したテスティング方法及びテスティング装置 | |
CN110059646A (zh) | 训练动作规划模型的方法及目标搜索方法 | |
Zarrinpanjeh et al. | A new ant based distributed framework for urban road map updating from high resolution satellite imagery | |
Pairet et al. | Uncertainty-based online mapping and motion planning for marine robotics guidance | |
Matignon et al. | Multi-robot simultaneous coverage and mapping of complex scene-comparison of different strategies | |
Zeng et al. | Lookup: Vision-only real-time precise underground localisation for autonomous mining vehicles | |
KR102372687B1 (ko) | 비최대값 억제를 학습하는 병합 네트워크를 이용한 이종 센서 융합을 위한 학습 방법 및 학습 장치 | |
US11645775B1 (en) | Methods and apparatus for depth estimation on a non-flat road with stereo-assisted monocular camera in a vehicle | |
Cartee et al. | Control-theoretic models of environmental crime | |
WO2022229657A1 (en) | Method and system for robot navigation in unknown environments | |
Wang et al. | Dreamwalker: Mental planning for continuous vision-language navigation | |
JP2020047272A (ja) | Cnn基盤車線検出のための学習方法及び学習装置、そしてこれを利用したテスト方法及びテスト装置 |
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 |