CN110398964B - 一种低能量损耗机器人全覆盖路径规划方法及系统 - Google Patents
一种低能量损耗机器人全覆盖路径规划方法及系统 Download PDFInfo
- Publication number
- CN110398964B CN110398964B CN201910642960.0A CN201910642960A CN110398964B CN 110398964 B CN110398964 B CN 110398964B CN 201910642960 A CN201910642960 A CN 201910642960A CN 110398964 B CN110398964 B CN 110398964B
- Authority
- CN
- China
- Prior art keywords
- grid
- area
- robot
- grid map
- map
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Abstract
本发明公开了一种低能量损耗机器人全覆盖路径规划方法及系统,系统包括机器人、测距传感器、编码器及IMU,方法通过即时定位与地图构建算法建立环境栅格地图;对栅格地图进行预处理,调整栅格地图分辨率大小及可达清扫区域;定义移动清洁机器人全覆盖路径的能量损耗代价函数,并用有限启发式搜索算法计算较优的栅格地图分割方向;利用上述分割方向通过栅格地图中每个顶点对栅格地图进行区域分割;对相邻分割区域进行匹配检测,匹配程度较高的分割区域合并成一个分割区域;根据地图分割方向确定遍历方向,依次遍历每一个分割区域从而规划出全覆盖路径。本发明将凹多边形分割成凸多边形便于规划弓形全覆盖路径,大大提高了清扫效率。
Description
技术领域
本发明涉及移动机器人技术领域,尤其涉及一种清洁机器人全覆盖路径规划方法及系统。
背景技术
20世纪60年代机器人由于工业发展而诞生,并随着社会的发展和科技的进步,机器人的功能变得多样化,目前以服务机器人越来越受到人们的欢迎。室内清洁机器人是家用服务机器人的一种,可代替人工减轻劳动负担,已成为智能机器人研究的热点,其中路径规划技术是智能机器人领域中的核心问题之一。
机器人路径规划技术主要研究内容包括点到点的路径规划和全覆盖路径规划。其中,全覆盖路径规划指在满足某种性能指标最优或准优的前提下,寻找一条在设定区域内经过所有可达点的连续路径。
目前,扫地机器人全覆盖路径生成方法主要有随机清扫、弓形路径与随机清扫结合、基于区域分割全覆盖路径规划。其中随机清扫以及弓形路径与随机清扫结合两种方式具有较强的随机性,覆盖率与清扫时间相关,效率较低、时间较长;目前应用于室内清洁机器人区域分割技术主要有模板匹配法与凹点分割法,模板匹配法所生成的区域不能与实际环境地图完全匹配,导致清洁效率低,得到的清扫地图不够美观;而凹点分割法没有考虑区域分割的方向,分割出的区域会造成机器人旋转次数增加、总清扫路径较长,降低了清洁机器人的清扫效率。
发明内容
本发明提供一种低能量损耗机器人全覆盖路径规划方法及系统,旨在解决现有扫地机器人全覆盖清扫效率低下的问题。
本发明解决其技术问题所采用的技术方案是:
一种低能量损耗机器人全覆盖路径规划方法,包括以下步骤:
S1:融合机器人编码器、IMU及测距仪信息,利用即时定位与地图构建算法建立环境栅格地图;
S2:对栅格地图进行预处理,调整栅格地图分辨率大小,并确定机器人可达清扫区域;
S3:定义移动机器人全覆盖路径能量损耗代价函数,利用有限启发式搜索算法,计算使代价函数取值较低的区域分割方向;
S4:根据得到的区域分割方向,对栅格地图进行区域分割,并对相邻分割区域进行匹配检测,匹配度较高的合并为一个分割区域;
S5:根据得到的分割区域,在每个区域内进行弓形全覆盖路径规划,直到全部区域遍历完毕为止。
进一步的,所述的步骤S1包括:
S11:以清洁机器人充电桩为起点,初始化栅格地图,占用栅格地图将空间分割为有限多个栅格单元:
m=mi
其中,mi表示第i个栅格单元,每个mi与一个三值占用变量相对应,该变量指示出该单元是否被占用;如果该栅格被占用为“1”,未被占用为“0”,未知区域(或未扫描区域)为“-1”;p(mi=1)或p(mi)表示了该栅格被占用的可能性,初始化栅格地图中每一个p(mi)的初始值为0.5;
S12:构建室内栅格地图,利用里程计信息u1:t以及距离传感器信息z1:t计算机器人每一时刻的位姿x0:t及环境地图m,即对p(x0:t,m|z1:t,u1:t)进行求解:
p(x0:t,m|z1:t,u1:t)=p(x0:t|z1:t,u1:t)p(m|x1:t,z1:t)
S13:利用粒子滤波定位算法对机器人运动轨迹进行估计,将二值贝叶斯滤波算法与反演测量模型结合对初始化栅格地图进行更新;
S14:当某栅格单元在传感器波束测量范围之外或者该栅格单元位于测量距离后面超过一定阈值α/2时,则返回对数形式的未知占用概率lt-1,i;如果栅格单元在测量距离范围的±α/2以内,返回对数形式的占用概率locc;如果单元的距离比测量距离短α/2还多,返回对数形式的空闲概率lfree;对数占用概率表达方式用公式表达如下:
对于每一次测量更新,栅格的占用概率更新公式为:
lt,i=lt-1,i+inverse_sersor_model(mi,xt,zt)-l0
其中,反演测量模型inverse_sensor_model(mi,xt,zt)计算公式如下:
进一步的,所述步骤S2中对栅格地图进行栅格重新划分,划分后地图单个栅格边长的长度等于清洁机器人直径,并通过广度优先搜索算法确定各个未被占用栅格点到起点的连通性,以此确定最终可清扫区域。
进一步的,所述的步骤S2的具体步骤如下:
S21:根据S1得到的栅格地图,得到栅格地图的分辨率信息resolutionori,resolutionori代表的含义为单位栅格实际长度,同时测量清洁机器人的物理直径φ,以上数据的单位为m;求出调整后地图单位栅格所需原始栅格数量numbergrid,求解公式如下:
由计算公式可知,机器人直径与原始分辨率相除结果向上取整,调整后的栅格地图分辨率resolutionadj与机器人直径φ相等,并且是由numbergrid个原始栅格组成的正方形;
在调整分辨率后的地图中,判断每一个栅格是否被占用:若调整后栅格中包含占用变量为1或-1的原始栅格,那么此调整后的栅格占用变量值为1,否则为0;
S22:以机器人原点栅格位置为起点,采用广度优先搜索算法依次访问栅格地图中占用变量为0的栅格点,未被访问到的占用变量为0的栅格点即为不可达区域,并将不可达区域的占用变量值赋值为1。
进一步的,所述的步骤S3中,S31定义代价函数,所述的代价函数Ctotal(θ)由清洁效率Cefficiency(θ)、未清扫面积Cremain(θ)及重复清扫面积Crepet(θ)三部分组成:
Ctotal(θ)=0.65*Cefficiency(θ)+0.20*Cremain(θ)+0.15*Crepet(θ)
其中,Cefficiency(θ)定义为遍历面积Scover与遍历时长Ttotal的比值:
Cremain(θ)定义为空间可覆盖区域Stotal与遍历面积Scover的差值:
Cremain(θ)=Stotal-Scover
Crepet(θ)定义为重复遍历栅格面积之和:
Crepet(θ)=∑Si。
进一步的,所述的代价函数取值较低的区域分割方向的方法为:
S32:用0、30、60、90、120、150度作为候选角度值,分别向区域分割方向赋值(此时度数步长D=30);
S33:根据候选角度值,调用S4与S5两个步骤对栅格地图进行区域分割,同时记录遍历面积Scover、遍历时长Ttotal、及重复遍历栅格次数,分别计算以上候选角度的代价函数值,并选出其中代价函数值最低的3个角度θ1、θ2、θ3;
S34:将度数步长减半(D=D/2),并按照以下公式插入新的角度值:
θ1′=θ1+D θ1″=θ1-D
θ2′=θ2+D θ2″=θ2-D
θ3′=θ3+D θ3″=θ3-D
将新的角度值θ1′、θ1″、θ2′、θ2″、θ3′、θ3″中重复的项去除,得到新的候选角度值;
S35:重复执行S33、S34步骤五次,求得使代价函数值最低的角度,以此角度作为栅格地图区域分割方向角。
进一步的,所述的步骤S4包括以下步骤:根据S3求出的方向角度θ,对栅格地图进行区域分割,并合并匹配程度较高的相邻区域,参考方法如下:
S41:对得到的房间栅格地图进行灰度化处理;
S42:运行Harris角点检测算子对灰度化栅格地图进行角点检测,得到所有顶点坐标;
S43:遍历栅格地图的每一个顶点,做方向角为θ的直线,与栅格地图外围轮廓线及障碍物轮廓线相交,取出多余直线部分,得到分割区域;
S44:若相邻区域分割线长度之差小于阈值Tl,且分割区域中,轮廓线与分割线所成夹角与90之差绝对值小于阈值Ta,则合并相邻区域。
进一步的,所述的步骤S5中在合并后的分割区域中依次以弓形路径遍历待清扫区域具体方法如下:
S51:从起点开始,以分割线方向为清扫方向开始清扫,遇到障碍物则旋转至平行于障碍物轮廓线,并行走至下一栅格中心点,再旋转至平行于分割线进行反方向清扫;
S52:在此区域重复上述清扫过程,直到此区域遍历完毕;
S53:利用最短路径算法求出上一区域终点到下一区域起点最短路径,并且清洁机器人沿该最短路径行至下一区域;
S54:重复上述S51、S52、S53过程,直到所有区域遍历完毕。
一种低能量损耗机器人全覆盖路径规划系统,包括机器人、测距传感器、编码器及IMU,融合测距传感器、编码器及IMU信息构建房间栅格地图;
对栅格地图进行预处理,调整栅格地图分辨率,使每一个栅格的边长与机器人直径相等,之后通过广度优先搜索算法判断每一个未占用栅格到达起点的连通性,以此确定栅格地图的可清扫区域;
定义移动机器人全覆盖路径能量损耗代价函数,代价函数由清洁效率、未清扫面积、重复率三个部分组成。分割方向角度分别从0,30,60,90,120,150度开始搜索,依次计算这6个角度的代价函数值,选出代价值最低的3个角度,并将度数步长减半,计算新的角度值插入每个角度两边。重复以上过程5次,得出使代价函数值最低的分割方向;
根据得到的区域分割方向,对栅格地图进行分割,并对相邻分割区域进行匹配检测,匹配度较高的合并为一个分割区域;
在分割区域内进行弓形路径规划,当一个区域分割路径规划完成后,求出当前区域到下一区域的最短路径,进入下一区域后继续进行弓形路径规划,直至所有可达区域遍历完毕。
本发明的有益效果是:本发明方法以构建的能量损耗代价函数为评价标准,得出能量损耗较低的区域分割方向,大大减少了清洁机器人全覆盖清扫时的能量损耗,同时通过区域分割技术提升了清洁机器人的覆盖率并降低了重复率,提升了清洁效率。
附图说明
图1是本发明全覆盖路径规划方法的整体流程示意图;
图2是本发明反演测量模型构建栅格地图示意图;
图3是本发明对栅格地图进行分辨率调整示意图;
图4是本发明对栅格地图进行区域分割示意图;
图5是本发明对栅格地图进行区域合并示意图;
图6是弓形全覆盖路径规划过程示意图。
具体实施方式
为了更好地理解本发明的技术方案,以下结合附图对本发明实施方式作进一步说明。
参见图1,图1是本发明一种低能量损耗机器人全覆盖路径规划方法的示意流程图,具体过程如下:
S1:融合机器人编码器、IMU及测距仪信息,利用即时定位与地图构建算法建立环境栅格地图,具体步骤如下:
S11:以清洁机器人充电桩为起点,初始化栅格地图,占用栅格地图将空间分割为有限多个栅格单元:
m=mi
其中,mi表示第i个栅格单元,每个mi与一个三值占用变量相对应,该变量指示出该单元是否被占用。如果该栅格被占用为“1”,未被占用为“0”,未知区域(或未扫描区域)为“-1”。p(mi=1)或p(mi)表示了该栅格被占用的可能性,初始化栅格地图中每一个p(mi)的初始值为0.5。
S12:构建室内栅格地图的本质是利用里程计信息u1:t以及距离传感器信息z1:t去计算机器人每一时刻的位姿x0:t及环境地图m,即对p(x0:t,m|z1:t,u1:t)进行求解:
p(x0:t,m|z1:t,u1:t)=p(x0:t|z1:t,u1:t)p(m|x1:t,z1:t)
利用上述公式将构建栅格地图分解为对位姿x0:t,即机器人轨迹的估计p(x0:t|z1:t,u1:t)乘以基于位姿对地图的估计p(m|x1:t,z1:t)两个部分。
S13:利用粒子滤波定位算法对机器人运动轨迹进行估计,将二值贝叶斯滤波算法与反演测量模型结合对初始化栅格地图进行更新。
S14:步骤S13反演测量模型如图2所示:当某栅格单元在传感器波束测量范围之外或者该栅格单元位于测量距离后面超过一定阈值α/2时,则返回对数形式的未知占用概率lt-1,i;如果栅格单元在测量距离范围的±α/2以内,返回对数形式的占用概率locc;如果单元的距离比测量距离短α/2还多,返回对数形式的空闲概率lfree,所述的locc、lfree为常量阈值,一般情况下locc=log9,lfree=-log4。对数占用概率表达方式用公式表达如下:
对于每一次测量更新,栅格的占用概率更新公式为:
lt,i=lt-1,i+inverse_sersor_model(mi,xt,zt)-l0
其中,反演测量模型inverse_sensor_model(mi,xt,zt)计算公式如下:
由此,通过沿墙传感器或其他方式围绕室内周围行走,采用以上算法实现房间栅格地图的构建。
S2:对栅格地图进行预处理,调整栅格地图分辨率大小,使每一个栅格的边长与机器人直径相等,并判断各栅格点到起点的连通性,参考方法如下:
S21:根据S1得到的栅格地图,得到栅格地图的分辨率信息resolutionori,resolutionori代表的含义为单位栅格实际长度,同时测量清洁机器人的物理直径φ,以上数据的单位为m;求出调整后地图单位栅格所需原始栅格数量numbergrid,求解公式如下:
由计算公式可知,机器人直径与原始分辨率相除结果向上取整,调整后的栅格地图分辨率resolutionadj与机器人直径φ相等,并且是由numbergrid个原始栅格组成的正方形。假设机器人直径与原始分辨率相除向上取整结果为5,那么调整后单位栅格由原始5*5个栅格组成,如图3所示;
在调整分辨率后的地图中,判断每一个栅格是否被占用:若调整后栅格中包含占用变量为1或-1的原始栅格,那么此调整后的栅格占用变量值为1,否则为0。此步骤的意义在于,由于传感器噪声影响,原始栅格地图存在较多狭小缝隙及占用变量赋值错误,经过分辨率重新调整及占用判断之后,上述问题得到解决;
S22:以机器人原点栅格位置为起点,采用广度优先搜索算法依次访问栅格地图中占用变量为0的栅格点,未被访问到的占用变量为0的栅格点即为不可达区域,并将不可达区域的占用变量值赋值为1。
S3:定义机器人全覆盖路径能量损耗代价函数,并以代价函数为评价标准,求出较优的区域分割方向,参考方法如下:
S31:代价函数Ctotal(θ)由清洁效率Cefficiency(θ)、未清扫面积Cremain(θ)及重复清扫面积Crepet(θ)三部分组成:
Ctotal(θ)=0.65*Cefficiency(θ)+0.20*Cremain(θ)+0.15*Crepet(θ)
其中,Cefficiency(θ)定义为遍历面积Scover与遍历时长Ttotal的比值:
Cremain(θ)定义为空间可覆盖区域Stotal与遍历面积Scover的差值:
Cremain(θ)=Stotal-Scover
Crepet(θ)定义为重复遍历栅格面积之和:
Crepet(θ)=∑Si
S32:首先用0、30、60、90、120、150度作为候选角度值,分别向区域分割方向赋值(此时度数步长D=30);
S33:根据候选角度值,调用S4与S5两个步骤对栅格地图进行区域分割,同时记录遍历面积Scover、遍历时长Ttotal、及重复遍历栅格次数,分别计算以上候选角度的代价函数值,并选出其中代价函数值最低的3个角度θ1、θ2、θ3;
S34:将度数步长减半(D=D/2),并按照以下公式插入新的角度值:
θ1′=θ1+D θ1″=θ1-D
θ2′=θ2+D θ2″=θ2-D
θ3′=θ3+D θ3″=θ3-D
将新的角度值θ1′、θ1″、θ2′、θ2″、θ3′、θ3″中重复的项去除,得到新的候选角度值;
S35:重复执行S33、S34步骤五次,求得使代价函数值最低的角度,以此角度作为栅格地图区域分割方向角;
S4:根据S3求出的方向角度θ,对栅格地图进行区域分割,并合并匹配程度较高的相邻区域,参考方法如下:
S41:采用opencv函数cvtColor(Image,grayImage,CV_BGR2GRAY)对得到的房间栅格地图进行灰度化处理;
S42:运行Harris角点检测算子对灰度化栅格地图进行角点检测,得到所有顶点坐标;
S43:遍历栅格地图的每一个顶点,做方向角为θ的直线,与栅格地图外围轮廓线及障碍物轮廓线相交,取出多余直线部分,得到分割区域,如图4所示;
S44:若相邻区域分割线长度之差小于阈值Tl,且分割区域中,轮廓线与分割线所成夹角与90之差绝对值小于阈值Ta,则合并相邻区域,如图5所示;
S5:在合并后的分割区域中依次以弓形路径遍历待清扫区域,参考方法如下:
S51:从起点开始,以分割线方向为清扫方向开始清扫,遇到障碍物则旋转至平行于障碍物轮廓线,并行走至下一栅格中心点,再旋转至平行于分割线进行反方向清扫;
S52:在此区域重复上述清扫过程,直到此区域遍历完毕;
S53:利用最短路径算法求出上一区域终点到下一区域起点最短路径,并且清洁机器人沿该最短路径行至下一区域;
S54:重复上述S51、S52、S53过程,直到所有区域遍历完毕,规划部分过程如图6所示。
一种低能量损耗机器人全覆盖路径规划系统,包括机器人、测距传感器、编码器及IMU,融合测距传感器、编码器及IMU信息构建房间栅格地图;
对栅格地图进行预处理,调整栅格地图分辨率,使每一个栅格的边长与机器人直径相等,之后通过广度优先搜索算法判断每一个未占用栅格到达起点的连通性,以此确定栅格地图的可清扫区域;
定义移动机器人全覆盖路径能量损耗代价函数,代价函数由清洁效率、未清扫面积、重复率三个部分组成。分割方向角度分别从0,30,60,90,120,150度开始搜索,依次计算这6个角度的代价函数值,选出代价值最低的3个角度,并将度数步长减半,计算新的角度值插入每个角度两边。重复以上过程5次,得出使代价函数值最低的分割方向;
根据得到的区域分割方向,对栅格地图进行分割,并对相邻分割区域进行匹配检测,匹配度较高的合并为一个分割区域;
在分割区域内进行弓形路径规划,当一个区域分割路径规划完成后,求出当前区域到下一区域的最短路径,进入下一区域后继续进行弓形路径规划,直至所有可达区域遍历完毕。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种低能量损耗机器人全覆盖路径规划方法,其特征在于包括以下步骤:
S1:融合机器人编码器、IMU及测距仪信息,利用即时定位与地图构建算法建立环境栅格地图;
S2:对栅格地图进行预处理,调整栅格地图分辨率大小,并确定机器人可达清扫区域;
S3:定义移动机器人全覆盖路径能量损耗代价函数,利用有限启发式搜索算法,计算使代价函数取值较低的区域分割方向;
S31:定义代价函数,所述的代价函数Ctotal(θ)由清洁效率Cefficiency(θ)、未清扫面积Cremain(θ)及重复清扫面积Crepet(θ)三部分组成:
Ctotal(θ)=0.65*Cefficiency(θ)+0.20*Cremain(θ)+0.15*Crepet(θ)
其中,Cefficiency(θ)定义为遍历面积Scover与遍历时长Ttotal的比值:
Cremain(θ)定义为空间可覆盖区域Stotal与遍历面积Scover的差值:
Cremain(θ)=Stotal-Scover
Crepet(θ)定义为重复遍历栅格面积之和:
Crepet(θ)=∑Si;
S32:用0、30、60、90、120、150度作为候选角度值,分别向区域分割方向赋值,此时度数步长D=30;
S33:根据候选角度值,调用S4与S5两个步骤对栅格地图进行区域分割,同时记录遍历面积Scover、遍历时长Ttotal、及重复遍历栅格次数,分别计算以上候选角度的代价函数值,并选出其中代价函数值最低的3个角度θ1、θ2、θ3;
S34:将度数步长减半,并按照以下公式插入新的角度值:
θ1′=θ1+D;θ1″=θ1-D;
θ2′=θ2+D;θ2″=θ2-D;
θ3′=θ3+D;θ3″=θ3-D;
将新的角度值θ1′、θ1″、θ2′、θ2″、θ3′、θ3″中重复的项去除,得到新的候选角度值;
S35:重复执行S33、S34步骤五次,求得使代价函数值最低的角度,以此角度作为栅格地图区域分割方向角;
S4:根据得到的区域分割方向,对栅格地图进行区域分割,并对相邻分割区域进行匹配检测,匹配度较高的合并为一个分割区域;
S5:根据得到的分割区域,在每个区域内进行弓形全覆盖路径规划,直到全部区域遍历完毕为止。
2.根据权利要求1所述的一种低能量损耗机器人全覆盖路径规划方法,其特征在于所述步骤S2中对栅格地图进行栅格重新划分,划分后地图单个栅格边长的长度等于清洁机器人直径,并通过广度优先搜索算法确定各个未被占用栅格点到起点的连通性,以此确定最终可清扫区域。
3.根据权利要求2所述的一种低能量损耗机器人全覆盖路径规划方法,其特征在于所述的步骤S2的具体步骤如下:
S21:根据S1得到的栅格地图,得到栅格地图的分辨率信息resolutionori,resolutionori代表的含义为单位栅格实际长度,同时测量清洁机器人的物理直径φ,以上数据的单位为m;求出调整后地图单位栅格所需原始栅格数量numbergrid,求解公式如下:
由计算公式可知,机器人直径与原始分辨率相除结果向上取整,调整后的栅格地图分辨率resolutionadj与机器人直径φ相等,并且是由numbergrid个原始栅格组成的正方形;
在调整分辨率后的地图中,判断每一个栅格是否被占用:若调整后栅格中包含占用变量为1或-1的原始栅格,那么此调整后的栅格占用变量值为1,否则为0;
S22:以机器人原点栅格位置为起点,采用广度优先搜索算法依次访问栅格地图中占用变量为0的栅格点,未被访问到的占用变量为0的栅格点即为不可达区域,并将不可达区域的占用变量值赋值为1。
4.根据权利要求1所述的一种低能量损耗机器人全覆盖路径规划方法,其特征在于所述的步骤S4包括以下步骤:根据S3求出的方向角度θ,对栅格地图进行区域分割,并合并匹配程度较高的相邻区域,参考方法如下:
S41:对得到的房间栅格地图进行灰度化处理;
S42:运行Harris角点检测算子对灰度化栅格地图进行角点检测,得到所有顶点坐标;
S43:遍历栅格地图的每一个顶点,做方向角为θ的直线,与栅格地图外围轮廓线及障碍物轮廓线相交,取出多余直线部分,得到分割区域;
S44:若相邻区域分割线长度之差小于阈值Tl,且分割区域中,轮廓线与分割线所成夹角与90之差绝对值小于阈值Ta,则合并相邻区域。
5.根据权利要求1所述的一种低能量损耗机器人全覆盖路径规划方法,其特征在于所述的步骤S5中在合并后的分割区域中依次以弓形路径遍历待清扫区域具体方法如下:
S51:从起点开始,以分割线方向为清扫方向开始清扫,遇到障碍物则旋转至平行于障碍物轮廓线,并行走至下一栅格中心点,再旋转至平行于分割线进行反方向清扫;
S52:在此区域重复上述清扫过程,直到此区域遍历完毕;
S53:利用最短路径算法求出上一区域终点到下一区域起点最短路径,并且清洁机器人沿该最短路径行至下一区域;
S54:重复上述S51、S52、S53过程,直到所有区域遍历完毕。
6.一种低能量损耗机器人全覆盖路径规划系统,其特征在于包括机器人、测距传感器、编码器及IMU,融合测距传感器、编码器及IMU信息构建房间栅格地图;
对栅格地图进行预处理,调整栅格地图分辨率,使每一个栅格的边长与机器人直径相等,之后通过广度优先搜索算法判断每一个未占用栅格到达起点的连通性,以此确定栅格地图的可清扫区域;
定义移动机器人全覆盖路径能量损耗代价函数,代价函数由清洁效率、未清扫面积、重复率三个部分组成,分割方向角度分别从0,30,60,90,120,150度开始搜索,依次计算这6个角度的代价函数值,选出代价值最低的3个角度,并将度数步长减半,计算新的角度值插入每个角度两边,重复以上过程5次,得出使代价函数值最低的分割方向;
根据得到的区域分割方向,对栅格地图进行分割,并对相邻分割区域进行匹配检测,匹配度较高的合并为一个分割区域;
在分割区域内进行弓形路径规划,当一个区域分割路径规划完成后,求出当前区域到下一区域的最短路径,进入下一区域后继续进行弓形路径规划,直至所有可达区域遍历完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910642960.0A CN110398964B (zh) | 2019-07-16 | 2019-07-16 | 一种低能量损耗机器人全覆盖路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910642960.0A CN110398964B (zh) | 2019-07-16 | 2019-07-16 | 一种低能量损耗机器人全覆盖路径规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110398964A CN110398964A (zh) | 2019-11-01 |
CN110398964B true CN110398964B (zh) | 2022-02-01 |
Family
ID=68325728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910642960.0A Active CN110398964B (zh) | 2019-07-16 | 2019-07-16 | 一种低能量损耗机器人全覆盖路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110398964B (zh) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968658B (zh) * | 2019-11-28 | 2022-12-16 | 安徽云森物联网科技有限公司 | 一种用于跳点搜索最短路径算法的矢量地图预处理方法 |
CN110955262B (zh) * | 2019-12-10 | 2023-04-07 | 河海大学常州校区 | 光伏组件清洁机器人的路径规划与跟踪的控制方法及系统 |
CN113031509B (zh) * | 2019-12-24 | 2022-07-29 | 苏州科瓴精密机械科技有限公司 | 遍历方法、系统,机器人及可读存储介质 |
CN111283686B (zh) * | 2020-03-05 | 2021-11-19 | 亿嘉和科技股份有限公司 | 一种用于带电作业机器人抓取支线场景下的抓取位姿计算方法 |
CN111307156B (zh) * | 2020-03-09 | 2023-05-16 | 中振同辂(江苏)机器人有限公司 | 适用于车型机器人的覆盖路径规划方法 |
CN113390412B (zh) * | 2020-03-11 | 2022-10-04 | 宁波方太厨具有限公司 | 机器人的全覆盖路径规划方法、系统、电子设备及介质 |
CN111599009B (zh) * | 2020-04-26 | 2023-04-18 | 广东工业大学 | 一种基于双层图的大尺度已知环境地图创建方法 |
CN111681250B (zh) * | 2020-05-16 | 2023-04-07 | 珠海一微半导体股份有限公司 | 一种基于激光栅格地图的分割方法 |
CN111813101B (zh) * | 2020-06-04 | 2024-04-02 | 深圳优地科技有限公司 | 机器人路径规划方法、装置、终端设备及存储介质 |
CN112083722B (zh) * | 2020-08-27 | 2023-08-04 | 广州赛特智能科技有限公司 | 一种移动机器人多机多楼层调度系统及调度方法 |
CN112180946B (zh) * | 2020-10-22 | 2023-10-03 | 湖南格兰博智能科技有限责任公司 | 一种扫地机器人的导航路径规划方法、系统及电子设备 |
CN112504273B (zh) * | 2020-10-29 | 2022-05-24 | 广东杜尼智能机器人工程技术研究中心有限公司 | 弓形路径无缝衔接规划方法 |
CN112286194B (zh) * | 2020-10-29 | 2022-05-17 | 广东杜尼智能机器人工程技术研究中心有限公司 | 代价地图区域划分方法 |
CN112666937B (zh) * | 2020-12-07 | 2022-09-13 | 中国科学院深圳先进技术研究院 | 一种与图像骨架结合的最优路径规划方法 |
CN112581613A (zh) * | 2020-12-08 | 2021-03-30 | 纵目科技(上海)股份有限公司 | 一种栅格地图的生成方法、系统、电子设备及存储介质 |
CN112799398B (zh) * | 2020-12-25 | 2021-12-03 | 珠海一微半导体股份有限公司 | 基于寻径代价的清洁路径规划方法、芯片及清洁机器人 |
CN113420347A (zh) * | 2021-07-06 | 2021-09-21 | 浙江大学 | 一种基于多级滑动窗口分割的单元填充布局方法 |
CN113467456B (zh) * | 2021-07-07 | 2023-10-27 | 中国科学院合肥物质科学研究院 | 一种未知环境下用于特定目标搜索的路径规划方法 |
CN113985866A (zh) * | 2021-09-09 | 2022-01-28 | 浙江大华技术股份有限公司 | 扫地机器人路径规划方法、装置、电子设备、存储介质 |
CN113791625A (zh) * | 2021-09-30 | 2021-12-14 | 深圳市优必选科技股份有限公司 | 全覆盖路径生成方法、装置、终端设备及存储介质 |
CN114010104A (zh) * | 2021-11-01 | 2022-02-08 | 普联技术有限公司 | 一种清扫面积的统计方法及统计装置 |
CN113934218B (zh) * | 2021-11-16 | 2022-03-25 | 杭州云象商用机器有限公司 | 一种清扫机器人路径规划方法、装置、设备及存储介质 |
CN114371692B (zh) * | 2021-11-26 | 2023-10-13 | 中国人民解放军军事科学院国防科技创新研究院 | 能源约束下的巡逻船区域覆盖路径规划方法、系统及装置 |
CN114445996A (zh) * | 2021-12-21 | 2022-05-06 | 重庆特斯联智慧科技股份有限公司 | 一种楼宇控制机器人及其控制方法 |
CN114323047A (zh) * | 2021-12-31 | 2022-04-12 | 北京工业大学 | 一种基于多边形分解的全覆盖路径规划算法 |
CN117234195A (zh) * | 2022-06-06 | 2023-12-15 | 珠海一微半导体股份有限公司 | 一种地图区域分割方法、芯片、终端及机器人系统 |
CN115290098B (zh) * | 2022-09-30 | 2022-12-23 | 成都朴为科技有限公司 | 一种基于变步长的机器人定位方法和系统 |
CN115316887B (zh) * | 2022-10-17 | 2023-02-28 | 杭州华橙软件技术有限公司 | 机器人控制方法、机器人及计算机可读存储介质 |
CN115420296B (zh) * | 2022-11-07 | 2023-04-11 | 山东大学 | 基于多分辨率拓扑地图的路径搜索方法及系统 |
CN116069040B (zh) * | 2023-03-06 | 2023-07-14 | 之江实验室 | 一种管道曲面约束的爬壁机器人路径规划方法和装置 |
CN117073688B (zh) * | 2023-10-16 | 2024-03-29 | 泉州装备制造研究所 | 一种基于多层代价地图的覆盖路径规划方法 |
CN117156111A (zh) * | 2023-10-27 | 2023-12-01 | 长春长光睿视光电技术有限责任公司 | 一种基于静止平台的广域光电成像系统的覆盖规划方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
CN103528585A (zh) * | 2013-09-26 | 2014-01-22 | 中北大学 | 一种不等距分割可通行区域的路径规划方法 |
WO2017163596A1 (en) * | 2016-03-22 | 2017-09-28 | Sharp Kabushiki Kaisha | Autonomous navigation using visual odometry |
CN107831765A (zh) * | 2017-10-23 | 2018-03-23 | 广州视源电子科技股份有限公司 | 定位方法、装置、设备及存储介质 |
CN108897330A (zh) * | 2018-10-15 | 2018-11-27 | 河北工业大学 | 一种基于交通拥堵控制的物流中心搬运机器人路径规划方法 |
CN108983781A (zh) * | 2018-07-25 | 2018-12-11 | 北京理工大学 | 一种无人车目标搜索系统中的环境探测方法 |
CN109269518A (zh) * | 2018-08-31 | 2019-01-25 | 北京航空航天大学 | 一种基于智能体的可移动装置有限空间路径生成方法 |
CN109540142A (zh) * | 2018-11-27 | 2019-03-29 | 达闼科技(北京)有限公司 | 一种机器人定位导航的方法、装置、计算设备 |
CN109947120A (zh) * | 2019-04-29 | 2019-06-28 | 西安电子科技大学 | 仓储系统中的路径规划方法 |
CN109974699A (zh) * | 2017-12-27 | 2019-07-05 | 深圳市优必选科技有限公司 | 一种机器人及其地图自主探索方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808590B (zh) * | 2015-02-14 | 2017-01-25 | 浙江大学 | 一种基于关键帧策略的移动机器人视觉伺服控制方法 |
US10394244B2 (en) * | 2016-05-26 | 2019-08-27 | Korea University Research And Business Foundation | Method for controlling mobile robot based on Bayesian network learning |
US10429847B2 (en) * | 2017-09-22 | 2019-10-01 | Locus Robotics Corp. | Dynamic window approach using optimal reciprocal collision avoidance cost-critic |
CN108458715B (zh) * | 2018-01-18 | 2020-05-15 | 亿嘉和科技股份有限公司 | 一种基于激光地图的机器人定位初始化方法 |
CN109144067B (zh) * | 2018-09-17 | 2021-04-27 | 长安大学 | 一种智能清洁机器人及其路径规划方法 |
CN109571466B (zh) * | 2018-11-22 | 2021-01-26 | 浙江大学 | 一种基于快速随机搜索树的七自由度冗余机械臂动态避障路径规划方法 |
-
2019
- 2019-07-16 CN CN201910642960.0A patent/CN110398964B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
CN103528585A (zh) * | 2013-09-26 | 2014-01-22 | 中北大学 | 一种不等距分割可通行区域的路径规划方法 |
WO2017163596A1 (en) * | 2016-03-22 | 2017-09-28 | Sharp Kabushiki Kaisha | Autonomous navigation using visual odometry |
CN107831765A (zh) * | 2017-10-23 | 2018-03-23 | 广州视源电子科技股份有限公司 | 定位方法、装置、设备及存储介质 |
CN109974699A (zh) * | 2017-12-27 | 2019-07-05 | 深圳市优必选科技有限公司 | 一种机器人及其地图自主探索方法和装置 |
CN108983781A (zh) * | 2018-07-25 | 2018-12-11 | 北京理工大学 | 一种无人车目标搜索系统中的环境探测方法 |
CN109269518A (zh) * | 2018-08-31 | 2019-01-25 | 北京航空航天大学 | 一种基于智能体的可移动装置有限空间路径生成方法 |
CN108897330A (zh) * | 2018-10-15 | 2018-11-27 | 河北工业大学 | 一种基于交通拥堵控制的物流中心搬运机器人路径规划方法 |
CN109540142A (zh) * | 2018-11-27 | 2019-03-29 | 达闼科技(北京)有限公司 | 一种机器人定位导航的方法、装置、计算设备 |
CN109947120A (zh) * | 2019-04-29 | 2019-06-28 | 西安电子科技大学 | 仓储系统中的路径规划方法 |
Non-Patent Citations (2)
Title |
---|
Efficient Learning of Variable-Resolution Cognitive Maps for Autonomous Indoor Navigation;Angelo Arleo,等;《IEEE TRANSACTIONS ON ROBOTICS AND AUTOMATION》;19991231;第990-1000页 * |
移动机器人全局覆盖路径规划算法研究进展与展望;简毅;《计算机应用》;20141231;第2844-2864页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110398964A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110398964B (zh) | 一种低能量损耗机器人全覆盖路径规划方法及系统 | |
CN110332943B (zh) | 一种快速遍历的机器人全覆盖路径规划方法 | |
CN110531760B (zh) | 基于曲线拟合和目标点邻域规划的边界探索自主建图方法 | |
CN108664022B (zh) | 一种基于拓扑地图的机器人路径规划方法及系统 | |
CN109839935B (zh) | 多agv的路径规划方法及设备 | |
Andújar et al. | Way‐finder: Guided tours through complex walkthrough models | |
CN110865642A (zh) | 一种基于移动机器人的路径规划方法 | |
CN111610786B (zh) | 基于改进rrt算法的移动机器人路径规划方法 | |
CN110744543B (zh) | 基于ur3机械臂的改进式prm避障运动规划方法 | |
CN101082988A (zh) | 自动的深度图像配准方法 | |
CN111476286A (zh) | 一种移动机器人构建地图方法 | |
CN112686429A (zh) | 移动机器人及其基于自适应遗传算法的路径规划方法 | |
CN111681300B (zh) | 轮廓素描线组成的目标区域获取方法 | |
CN110362081B (zh) | 一种移动机器人路径规划方法 | |
Magillo et al. | Algorithms for parallel terrain modelling and visualisation | |
Kang et al. | Path planning for complete and efficient coverage operation of mobile robots | |
CN114089752A (zh) | 机器人的自主探索方法、机器人及计算机可读存储介质 | |
CN109190787B (zh) | 水下潜航器的双重粒子群多监测点访问路径规划方法 | |
CN113110422A (zh) | 一种基于q-iga动态拟合贝塞尔曲线的路径规划方法 | |
CN116448118B (zh) | 一种扫地机器人的工作路径优化方法和装置 | |
CN115933637A (zh) | 一种变电设备巡检机器人路径规划方法、设备及存储介质 | |
Hayoun et al. | Integrating deep-learning-based image completion and motion planning to expedite indoor mapping | |
CN115855086A (zh) | 基于自旋转的室内场景自主重建方法、系统及介质 | |
CN114995429A (zh) | 火星探测器路径规划方法及装置 | |
CN117464694B (zh) | 中空玻璃自动清洗装置路径规划方法 |
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 |