CN110554687B - 一种面向未知环境的多机器人自适应探测方法 - Google Patents
一种面向未知环境的多机器人自适应探测方法 Download PDFInfo
- Publication number
- CN110554687B CN110554687B CN201810535896.1A CN201810535896A CN110554687B CN 110554687 B CN110554687 B CN 110554687B CN 201810535896 A CN201810535896 A CN 201810535896A CN 110554687 B CN110554687 B CN 110554687B
- Authority
- CN
- China
- Prior art keywords
- detection
- robot
- points
- target
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 321
- 238000005070 sampling Methods 0.000 claims abstract description 50
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000010586 diagram Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 18
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 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
- G05D1/02—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种面向未知环境的多机器人自适应探测方法及装置,包括:利用竞拍算法、动态规划算法和A*算法规划机器人探测点的探测路径;利用探测点的探测结果训练高斯过程回归模型,生成采样目标分布图;通过采样目标分布图的不确定性变化率判断是否需要继续探测;若继续探测,则利用自适应采集策略确定机器人的下一探测点。这种方法,通过不断增加探测点,增加探测结果,逐步生成更准确的采样目标分布图,有助于提升多机器人系统进行环境探测的探测效率,特别是对于解决未知环境区域的探测问题,可以有效地降低探测成本,提高探测效率。
Description
技术领域
本发明涉及一种搜索机器人探测生成探测地图技术领域,具体涉及一种面向未知环境的多机器人自适应探测方法。
背景技术
探测未知环境并绘制地图是移动机器人领域的一个核心问题。在未知环境进行环境监测、搜索救援等工作时,有时需要获取环境的全部地域情况,绘制地图,确保检测、救援等工作能够安全顺利地进行。但是,在实际工作中,由于机器人感知范围有限,并且经常出现探测区域面积很大,但感兴趣的环境特征却很少的情况,对整个区域进行完全覆盖的探测策略将会导致探测成本急剧增加,而探测效率却持续下降的情况。
因此,为解决高成本、低效率的探测问题,亟需一种面向未知环境的多机器人自适应探测方法及装置。
发明内容
为了解决现有探测技术中所存在的上述不足,本发明提供一种面向未知环境的多机器人自适应探测方法及装置。
本发明提供的技术方案是:
一种面向未知环境的多机器人自适应探测方法,所述方法包括:
步骤1.利用探测区域的初始探测目标点集合生成每个机器人的探测路径;
步骤2.各机器人探测其探测路径上所包含探测点的探测结果;
步骤3.根据所述探测点的位置坐标及其对应的探测结果生成探测区域的采样目标分布图;
步骤4.判断所述采样目标分布图的不确定性变化率是否小于指定阈值,若是,则输出所述采样目标分布图,若否,则转至步骤5;
步骤5.利用自适应采集策略确定当前状态机器人的下一探测点;
步骤6.各机器人探测其对应的下一探测点的探测结果,返回步骤3。
优选的,所述步骤1包括:
利用竞拍算法投票求解所述探测区域的初始探测目标点集合中距离各机器人位置最近的目标点序列,分配每个机器人的探测目标点;
针对各机器人的探测目标点,使用动态规划算法规划各机器人至其对应的探测目标点的最短路径,以及各机器人探索其对应的探测目标点的顺序;
根据各机器人探索其对应的探测目标点的顺序,使用A*算法确定各机器人探索其对应的探测目标点中相邻探测目标点间的目标路径。
优选的,所述步骤3包括:
利用探测点的位置坐标及其对应的探测结果训练高斯回归模型;
将探测区域中未探测位置的位置坐标作为所述高斯回归模型的输入,获取探测区域中未探测位置的探测结果;
利用探测区域中探测点的探测结果和未探测位置的探测结果生成探测区域的采样目标分布图。
优选的,所述高斯回归模型采用的协方差函数如下式:
上式中,x和x'分别为第一探测点的位置坐标和第二探测点的位置坐标,d为x与x'间的距离,为长度尺度特征量;
所述高斯回归模型采用的均值函数如下式:
m(x)=const
上式中,x为探测点的位置坐标,均值函数m(x)为常量。
优选的,所述步骤4中,按下式确定采样目标分布图的不确定性变化率:
上式中,x为探测点的位置坐标,t为探测时间,表示t时刻探测点位置坐标为x时所对应的探测结果,χ为探测区域中全部探测点的集合。
优选的,所述步骤5包括:
按下式确定探测区域中机器人上下左右方向临近的未探测位置的后验熵形式的目标函数值:
上式中,为机器人上下左右方向临近的未探测位置的可观测随机变量,/>为机器人上下左右方向临近的未探测位置的探测结果,dn为机器人当前状态所在位置与/>间的距离;f为高斯回归模型公式;
选择后验熵形式的目标函数值最小所对应的机器人上下左右方向临近的未探测位置作为当前状态机器人的下一探测点。
一种面向未知环境的多机器人自适应探测装置,包括:
确定模块,用于利用探测区域的初始探测目标点集合生成每个机器人的探测路径;
获取模块,用于各机器人探测其探测路径上所包含探测点的探测结果;
生成模块,用于根据所述探测点的位置坐标及其对应的探测结果生成探测区域的采样目标分布图;
判断模块,用于判断所述采样目标分布图的不确定性变化率是否小于指定阈值,若是,则输出所述采样目标分布图,若否,则转至第二确定模块;
第二确定模块,用于利用自适应采集策略确定当前状态机器人的下一探测点;
第二获取模块,用于各机器人探测其对应的下一探测点的探测结果,返回生成模块。
优选的,所述确定模块,包括:
利用竞拍算法投票求解所述探测区域的初始探测目标点集合中距离各机器人位置最近的目标点序列,分配每个机器人的探测目标点;
针对各机器人的探测目标点,使用动态规划算法规划各机器人至其对应的探测目标点的最短路径,以及各机器人探索其对应的探测目标点的顺序;
根据各机器人探索其对应的探测目标点的顺序,使用A*算法确定各机器人探索其对应的探测目标点中相邻探测目标点间的目标路径。
优选的,所述获取模块,包括:
各机器人探测其探测路径上所包含探测点的探测结果。
优选的,所述生成模块,包括:
利用探测点的位置坐标及其对应的探测结果训练高斯回归模型;
将探测区域中未探测位置的位置坐标作为所述高斯回归模型的输入,获取探测区域中未探测位置的探测结果;
利用探测区域中探测点的探测结果和未探测位置的探测结果生成探测区域的采样目标分布图。
优选的,所述判断模块,包括:
按下式确定采样目标分布图的不确定性变化率:
上式中,x为探测点的位置坐标,t为探测时间,表示t时刻探测点位置坐标为x时所对应的探测结果,χ为探测区域中全部探测点的集合;
判断采样目标分布图的不确定性变化率RMSE是否小于指定阈值,若是,则输出采样目标分布图,若否,则返回第二确定模块。
优选的,所述第二确定模块,包括:
按下式确定探测区域中机器人上下左右方向临近的未探测位置的后验熵形式的目标函数值:
上式中,为机器人上下左右方向临近的未探测位置的可观测随机变量,/>为机器人上下左右方向临近的未探测位置的探测结果,dn为机器人当前状态所在位置与/>间的距离;f为高斯回归模型公式;
选择后验熵形式的目标函数值最小所对应的机器人上下左右方向临近的未探测位置作为当前状态机器人的下一探测点。
优选的,所述第二获取模块,包括:
各机器人探测其下一探测点的探测结果。
与最接近的现有技术相比,本发明提供的技术方案具有以下优异效果:
本发明提供一种面向未知环境的多机器人自适应探测方法和装置,通过以下5个步骤完成未知环境的探测工作:
步骤1.利用探测区域的初始探测目标点集合生成每个机器人的探测路径;
步骤2.各机器人探测其探测路径上所包含探测点的探测结果;
步骤3.根据所述探测点的位置坐标及其对应的探测结果生成探测区域的采样目标分布图;
步骤4.判断所述采样目标分布图的不确定性变化率是否小于指定阈值,若是,则输出所述采样目标分布图,若否,则转至步骤5;
步骤5.利用自适应采集策略确定当前状态机器人的下一探测点;
步骤6.各机器人探测其对应的下一探测点的探测结果,返回步骤3。
该方法通过步骤3至步骤6的循环,不断增加新的探测点,获取更多的探测结果,训练高斯回归模型,使得生成的采样目标分布图逐步逼近最佳探测地图。当采样目标分布图的不确定性变化率小于指定阈值时,则探测结束,输出此时的采样目标分布图,对多机器人的环境探测提供了一种有效的自适应探测方法。
该方法利用竞拍算法、动态规划算法、A*算法获取机器人初始采样路线,基于探测结果训练高斯回归模型,建立采样目标分布图,使用自适应采集策略的方法选取下一采样周期探测点。这种方法,通过不断增加探测点,增加探测结果,逐步生成更准确的采样目标分布图,有助于提升多机器人系统进行环境探测的探测效率,特别是对于解决未知环境区域的探测问题,可以有效地降低探测成本,提高探测效率。
附图说明
图1为本发明一种面向未知环境的多机器人自适应探测方法的流程图;
图2为本发明一种面向未知环境的多机器人自适应探测装置的结构示意图。
具体实施方式
下面结合附图对本发明的实施方式作进一步的说明。
实施例一
本发明实施例提出一种面向未知环境的多机器人自适应探测方法,流程图如图1所示,包括以下步骤:
步骤1.利用探测区域的初始探测目标点集合生成每个机器人的探测路径;
步骤2.各机器人探测其探测路径上所包含探测点的探测结果;
步骤3.根据所述探测点的位置坐标及其对应的探测结果生成探测区域的采样目标分布图;
步骤4.判断所述采样目标分布图的不确定性变化率是否小于指定阈值,若是,则输出所述采样目标分布图,若否,则转至步骤5;
步骤5.利用自适应采集策略确定当前状态机器人的下一探测点;
步骤6.各机器人探测其对应的下一探测点的探测结果,返回步骤3。
具体的,所述步骤1包括:
利用竞拍算法投票求解所述探测区域的初始探测目标点集合中距离各机器人位置最近的目标点序列,分配每个机器人的探测目标点;
针对各机器人的探测目标点,使用动态规划算法规划各机器人至其对应的探测目标点的最短路径,以及各机器人探索其对应的探测目标点的顺序;
根据各机器人探索其对应的探测目标点的顺序,使用A*算法确定各机器人探索其对应的探测目标点中相邻探测目标点间的目标路径;
更进一步的,
按下列方式确定地图要素中的探测位置:
将χ定义为未知环境中的任务集合,并将其与栅格化的环境区域相对应(对应于对应栅格的中心点)。令Zx为每个位置x∈χ未观测的随机变量。其采样值定义为zx;
按下列方式确定地图要素中的采样点:
将m个采样点d0定义为有序数组自适应采样策略更新后的n个新采样的位置为/>令/>与/>分别为由x和zx组成的数据dn(即/>与/>);
按下列方式确定地图要素中的机器人路径:
机器人路径P与一个位置相对应,机器人从位置x到y需要路径消耗C(x,y)。机器人路径P=<x1,..xl,>的消耗C(P)定义为运动消耗的和,即
具体的,所述步骤3包括:
利用探测点的位置坐标及其对应的探测结果训练高斯回归模型;
将探测区域中未探测位置的位置坐标作为所述高斯回归模型的输入,获取探测区域中未探测位置的探测结果;
利用探测区域中探测点的探测结果和未探测位置的探测结果生成探测区域的采样目标分布图。
具体的,所述高斯回归模型采用的协方差函数如下式:
上式中,x和x'分别为第一探测点的位置坐标和第二探测点的位置坐标,d为x与x'间的距离,为长度尺度特征量;
所述高斯回归模型采用的均值函数如下式:
m(x)=const
上式中,x为探测点的位置坐标,均值函数m(x)为常量。
更进一步的,所述依据采样目标分布图,计算地图不确定性变化率如下式:
按下式计算均方误差:
其中表示t时刻x位置的目标探测值;
均方误差的解为地图不确定性变化率。
具体的,所述步骤5包括:
按下式确定探测区域中机器人上下左右方向临近的未探测位置的后验熵形式的目标函数值:
上式中,为机器人上下左右方向临近的未探测位置的可观测随机变量,/>为机器人上下左右方向临近的未探测位置的探测结果,dn为机器人当前状态所在位置与间的距离;f为高斯回归模型公式;
选择后验熵形式的目标函数值最小所对应的机器人上下左右方向临近的未探测位置作为当前状态机器人的下一探测点。
本发明实施例还提出一种面向未知环境的多机器人自适应探测装置,如图2所示,包括:
确定模块,用于利用探测区域的初始探测目标点集合生成每个机器人的探测路径;
获取模块,用于各机器人探测其探测路径上所包含探测点的探测结果;
生成模块,用于根据所述探测点的位置坐标及其对应的探测结果生成探测区域的采样目标分布图;
判断模块,用于判断所述采样目标分布图的不确定性变化率是否小于指定阈值,若是,则输出所述采样目标分布图,若否,则转至第二确定模块;
第二确定模块,用于利用自适应采集策略确定当前状态机器人的下一探测点;
第二获取模块,用于各机器人探测其对应的下一探测点的探测结果,返回生成模块。
具体的,所述确定模块包括:
利用竞拍算法投票求解所述探测区域的初始探测目标点集合中距离各机器人位置最近的目标点序列,分配每个机器人的探测目标点;
针对各机器人的探测目标点,使用动态规划算法规划各机器人至其对应的探测目标点的最短路径,以及各机器人探索其对应的探测目标点的顺序;
根据各机器人探索其对应的探测目标点的顺序,使用A*算法确定各机器人探索其对应的探测目标点中相邻探测目标点间的目标路径。
具体的,所述获取模块包括:
各机器人探测其探测路径上所包含探测点的探测结果。
具体的,所述生成模板包括:
利用探测点的位置坐标及其对应的探测结果训练高斯回归模型;
将探测区域中未探测位置的位置坐标作为所述高斯回归模型的输入,获取探测区域中未探测位置的探测结果;
利用探测区域中探测点的探测结果和未探测位置的探测结果生成探测区域的采样目标分布图。
具体的,所述判断模块包括:
按下式确定采样目标分布图的不确定性变化率:
上式中,x为探测点的位置坐标,t为探测时间,表示t时刻探测点位置坐标为x时所对应的探测结果,χ为探测区域中全部探测点的集合;
判断采样目标分布图的不确定性变化率RMSE是否小于指定阈值,若是,则输出采样目标分布图,若否,则返回第二确定模块。
具体的,所述第二确定模块包括:
按下式确定探测区域中机器人上下左右方向临近的未探测位置的后验熵形式的目标函数值:
上式中,为机器人上下左右方向临近的未探测位置的可观测随机变量,/>为机器人上下左右方向临近的未探测位置的探测结果,dn为机器人当前状态所在位置与/>间的距离;f为高斯回归模型公式;
选择后验熵形式的目标函数值最小所对应的机器人上下左右方向临近的未探测位置作为当前状态机器人的下一探测点。
具体的,所述第二获取模块包括:
各机器人探测其下一探测点的探测结果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (3)
1.一种面向未知环境的多机器人自适应探测方法,其特征在于,所述方法包括:
步骤1.利用探测区域的初始探测目标点集合生成每个机器人的探测路径;
步骤2.各机器人探测其探测路径上所包含探测点的探测结果;
步骤3.根据所述探测点的位置坐标及其对应的探测结果生成探测区域的采样目标分布图;
步骤4.判断所述采样目标分布图的不确定性变化率是否小于指定阈值,若是,则输出所述采样目标分布图,若否,则转至步骤5;
步骤5.利用自适应采集策略确定当前状态机器人的下一探测点;
步骤6.各机器人探测其对应的下一探测点的探测结果,返回步骤3;
所述步骤1包括:
利用竞拍算法投票求解所述探测区域的初始探测目标点集合中距离各机器人位置最近的目标点序列,分配每个机器人的探测目标点;
针对各机器人的探测目标点,使用动态规划算法规划各机器人至其对应的探测目标点的最短路径,以及各机器人探索其对应的探测目标点的顺序;
根据各机器人探索其对应的探测目标点的顺序,使用A*算法确定各机器人探索其对应的探测目标点中相邻探测目标点间的目标路径;
所述步骤3包括:
利用探测点的位置坐标及其对应的探测结果训练高斯回归模型;
将探测区域中未探测位置的位置坐标作为所述高斯回归模型的输入,获取探测区域中未探测位置的探测结果;
利用探测区域中探测点的探测结果和未探测位置的探测结果生成探测区域的采样目标分布图;
所述步骤4中,按下式确定采样目标分布图的不确定性变化率:
上式中,x为探测点的位置坐标,t为探测时间,表示t时刻探测点位置坐标为x时所对应的探测结果,χ为探测区域中全部探测点的集合;
所述步骤5包括:
按下式确定探测区域中机器人上下左右方向临近的未探测位置的后验熵形式的目标函数值:
上式中,为机器人上下左右方向临近的未探测位置的可观测随机变量,/>为机器人上下左右方向临近的未探测位置的探测结果,dn为机器人当前状态所在位置与/>间的距离;f为高斯回归模型公式;
选择后验熵形式的目标函数值最小所对应的机器人上下左右方向临近的未探测位置作为当前状态机器人的下一探测点。
2.如权利要求1所述的方法,其特征在于,所述高斯回归模型采用的协方差函数如下式:
上式中,x和x'分别为第一探测点的位置坐标和第二探测点的位置坐标,d为x与x'间的距离,l为长度尺度特征量;
所述高斯回归模型采用的均值函数如下式:
m(x)=const
上式中,x为探测点的位置坐标,均值函数m(x)为常量。
3.一种面向未知环境的多机器人自适应探测装置,其特征在于,所述装置包括:
确定模块,用于利用探测区域的初始探测目标点集合生成每个机器人的探测路径;
获取模块,用于各机器人探测其探测路径上所包含探测点的探测结果;
生成模块,用于根据所述探测点的位置坐标及其对应的探测结果生成探测区域的采样目标分布图;
判断模块,用于判断所述采样目标分布图的不确定性变化率是否小于指定阈值,若是,则输出所述采样目标分布图,若否,则转至第二确定模块;
第二确定模块,用于利用自适应采集策略确定当前状态机器人的下一探测点;
第二获取模块,用于各机器人探测其对应的下一探测点的探测结果,返回生成模块;
所述确定模块,用于:
利用竞拍算法投票求解所述探测区域的初始探测目标点集合中距离各机器人位置最近的目标点序列,分配每个机器人的探测目标点;
针对各机器人的探测目标点,使用动态规划算法规划各机器人至其对应的探测目标点的最短路径,以及各机器人探索其对应的探测目标点的顺序;
根据各机器人探索其对应的探测目标点的顺序,使用A*算法确定各机器人探索其对应的探测目标点中相邻探测目标点间的目标路径;
所述生成模块,用于:
利用探测点的位置坐标及其对应的探测结果训练高斯回归模型;
将探测区域中未探测位置的位置坐标作为所述高斯回归模型的输入,获取探测区域中未探测位置的探测结果;
利用探测区域中探测点的探测结果和未探测位置的探测结果生成探测区域的采样目标分布图;
所述判断模块,用于:
按下式确定采样目标分布图的不确定性变化率:
上式中,x为探测点的位置坐标,t为探测时间,表示t时刻探测点位置坐标为x时所对应的探测结果,χ为探测区域中全部探测点的集合;
判断采样目标分布图的不确定性变化率RMSE是否小于指定阈值,若是,则输出采样目标分布图,若否,则返回第二确定模块;
所述第二确定模块,用于:
按下式确定探测区域中机器人上下左右方向临近的未探测位置的后验熵形式的目标函数值:
上式中,为机器人上下左右方向临近的未探测位置的可观测随机变量,/>为机器人上下左右方向临近的未探测位置的探测结果,dn为机器人当前状态所在位置与/>间的距离;f为高斯回归模型公式;
选择后验熵形式的目标函数值最小所对应的机器人上下左右方向临近的未探测位置作为当前状态机器人的下一探测点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810535896.1A CN110554687B (zh) | 2018-05-30 | 2018-05-30 | 一种面向未知环境的多机器人自适应探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810535896.1A CN110554687B (zh) | 2018-05-30 | 2018-05-30 | 一种面向未知环境的多机器人自适应探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110554687A CN110554687A (zh) | 2019-12-10 |
CN110554687B true CN110554687B (zh) | 2023-08-22 |
Family
ID=68734053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810535896.1A Active CN110554687B (zh) | 2018-05-30 | 2018-05-30 | 一种面向未知环境的多机器人自适应探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110554687B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111459172B (zh) * | 2020-05-20 | 2023-10-31 | 中国北方车辆研究所 | 围界安防无人巡逻车自主导航系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104298239A (zh) * | 2014-09-29 | 2015-01-21 | 湖南大学 | 一种室内移动机器人增强地图学习路径规划方法 |
CN105096343A (zh) * | 2015-08-14 | 2015-11-25 | 中国联合网络通信集团有限公司 | 一种移动目标跟踪方法及装置 |
CN105466421A (zh) * | 2015-12-16 | 2016-04-06 | 东南大学 | 面向可靠wifi连接的移动机器人自主巡航方法 |
CN105740945A (zh) * | 2016-02-04 | 2016-07-06 | 中山大学 | 一种基于视频分析的人群计数方法 |
CN106406320A (zh) * | 2016-11-29 | 2017-02-15 | 重庆重智机器人研究院有限公司 | 机器人路径规划方法及规划路线的机器人 |
WO2017041730A1 (zh) * | 2015-09-09 | 2017-03-16 | 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 |
CN107526360A (zh) * | 2017-09-26 | 2017-12-29 | 河南科技学院 | 一种未知环境下排爆机器人多阶自主导航探测系统及方法 |
-
2018
- 2018-05-30 CN CN201810535896.1A patent/CN110554687B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104298239A (zh) * | 2014-09-29 | 2015-01-21 | 湖南大学 | 一种室内移动机器人增强地图学习路径规划方法 |
CN105096343A (zh) * | 2015-08-14 | 2015-11-25 | 中国联合网络通信集团有限公司 | 一种移动目标跟踪方法及装置 |
WO2017041730A1 (zh) * | 2015-09-09 | 2017-03-16 | 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 |
CN105466421A (zh) * | 2015-12-16 | 2016-04-06 | 东南大学 | 面向可靠wifi连接的移动机器人自主巡航方法 |
CN105740945A (zh) * | 2016-02-04 | 2016-07-06 | 中山大学 | 一种基于视频分析的人群计数方法 |
CN106406320A (zh) * | 2016-11-29 | 2017-02-15 | 重庆重智机器人研究院有限公司 | 机器人路径规划方法及规划路线的机器人 |
CN107526360A (zh) * | 2017-09-26 | 2017-12-29 | 河南科技学院 | 一种未知环境下排爆机器人多阶自主导航探测系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于模糊评价的未知环境地图构建探测规划;王立;熊蓉;褚健;刘勇;;浙江大学学报(工学版)(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110554687A (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107436148B (zh) | 一种基于多地图的机器人导航方法及装置 | |
CN110673115B (zh) | 雷达与组合导航系统的联合标定方法、装置、设备及介质 | |
CN108332758B (zh) | 一种移动机器人的走廊识别方法及装置 | |
CN110689535B (zh) | 一种工件识别方法、装置及电子设备和存储介质 | |
CN102906786A (zh) | 脸部特征点位置校正设备、脸部特征点位置校正方法以及脸部特征点位置校正程序 | |
KR20050024840A (ko) | 자율이동로봇을 위한 경로계획방법 | |
CN109974699B (zh) | 一种机器人及其地图自主探索方法和装置 | |
CN107782304B (zh) | 移动机器人的定位方法及装置、移动机器人及存储介质 | |
JP2009217490A (ja) | 空間移動量算出装置及びその方法 | |
CN104180799A (zh) | 一种基于自适应蒙特卡罗定位的机器人定位方法 | |
JP2017526083A (ja) | 位置特定およびマッピングの装置ならびに方法 | |
Yim et al. | Analysis of mobile robot navigation using vector field histogram according to the number of sectors, the robot speed and the width of the path | |
Aini et al. | A study of Monte Carlo localization on robot operating system | |
CN112967388A (zh) | 三维时序图像神经网络模型的训练方法和装置 | |
CN112561859A (zh) | 基于单目视觉的锚护用钢带钻孔与锚网识别方法及装置 | |
CN112750161A (zh) | 用于移动机器人的地图更新方法及移动机器人定位方法 | |
CN110554687B (zh) | 一种面向未知环境的多机器人自适应探测方法 | |
CN113311844B (zh) | 一种伺服控制方法、装置、计算机设备及存储介质 | |
US9958868B2 (en) | Moving object controller, moving object control method, and integrated circuit | |
JP6438354B2 (ja) | 自己位置推定装置及び自己位置推定装置を備えた移動体 | |
CN116576868A (zh) | 一种多传感器融合精确定位及自主导航方法 | |
CN103940430B (zh) | 一种状态受限移动多传感器配置及多目标跟踪方法 | |
Nevliudov et al. | MEMS accelerometer in hexapod intellectual control | |
CN108153712A (zh) | 多机器人列队方法及多机器人列队系统 | |
WO2018099089A1 (zh) | 一种静止状态的判断方法及装置 |
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 |