CN111024082A - 一种规划机器人局部路径的方法、装置及机器人 - Google Patents
一种规划机器人局部路径的方法、装置及机器人 Download PDFInfo
- Publication number
- CN111024082A CN111024082A CN201911215399.4A CN201911215399A CN111024082A CN 111024082 A CN111024082 A CN 111024082A CN 201911215399 A CN201911215399 A CN 201911215399A CN 111024082 A CN111024082 A CN 111024082A
- Authority
- CN
- China
- Prior art keywords
- path
- sub
- local area
- area range
- 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
Links
Images
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 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
Abstract
本申请适用于机器人技术领域,提供了一种规划机器人局部路径的方法、装置及机器人,其中规划机器人局部路径的方法包括规划所述机器人的全局路径,获取所述机器人的当前位置,并确定包含所述当前位置的局部区域范围,将所述全局路径在所述局部区域范围内的部分作为主路径,根据预设参考模板和所述主路径,确定所述局部区域范围内每个子局部区域范围内的子目标局部路径,所述预设参考模板包括至少一条参考路径,将确定的每条子目标局部路径依次进行连接,生成所述局部区域范围内的目标局部路径。本申请可以使机器人沿确定的局部路径行走,有利于提高机器人运动的准确性。
Description
技术领域
本申请涉及机器人领域,尤其涉及一种规划机器人局部路径的方法、装置、机器人及计算机可读存储介质。
背景技术
随着人工智能技术的日益成熟,越来越多的机器人被用于人们的日常工作和生活中。
然而现有技术中的机器人在进行前后两次路径规划后,所得的局部路径不尽相同,容易出现行走路径的不可控性,从而影响自身的正常运动。
故有必要提出一种新的技术方案,以解决上述技术问题。
发明内容
鉴于此,本申请实施例提供了一种规划机器人局部路径的方法、装置及机器人,可以使机器人沿确定的局部路径行走,有利于提高机器人运动的准确性。
本申请实施例的第一方面提供了一种规划机器人局部路径的方法,包括:
规划所述机器人的全局路径;
获取所述机器人的当前位置,并确定包含所述当前位置的局部区域范围,将所述全局路径在所述局部区域范围内的部分作为主路径;
根据预设参考模板和所述主路径,确定所述局部区域范围内每个子局部区域范围内的子目标局部路径,所述预设参考模板包括至少一条参考路径;
将确定的每条子目标局部路径依次进行连接,生成所述局部区域范围内的目标局部路径。
在一个实施例中,根据预设参考模板和所述主路径,确定所述局部区域范围内每个子局部区域范围内的子目标局部路径包括:
对所述预设参考模板进行预处理;
当预处理后的预设参考模板的底部中心与所述当前位置重合且预处理后的预设参考模板的中心线与所述主路径重合时,根据预设的参数对当前子局部区域范围内所述预设参考模板中的参考路径进行评分;
将评分最高的一条参考路径作为当前子局部区域范围内的子目标局部路径,并将所述子目标局部路径的终点所在的相邻子局部区域范围作为新的当前子局部区域范围;
对预处理后的预设参考模板进行再处理;
当再处理后的预设参考模板的底部中心与所述子目标局部路径的终点重合且再处理后的预设参考模板的中心线与所述主路径或经过所述子目标局部路径的终点的切线重合时,确定所述新的当前子局部区域范围内的子目标局部路径,直至所述新的当前子局部区域范围为所述局部区域范围内的最后一个子局部区域范围。
在一个实施例中,所述预处理包括平移和/或旋转,所述再处理包括平移和/或旋转。
在一个实施例中,根据预设的参数对当前子局部区域范围内所述预设参考模板中的参考路径进行评分包括:
根据第一预设公式对当前子局部区域范围内所述预设参考模板中的参考路径进行评分,所述第一预设公式为:
Fn=α×Sgn+β×Spn+γ×Sobsn;
其中,Fn为当前子局部区域范围内所述预设参考模板中第n条参考路径的评分,α为第一权重,β为第二权重,γ为第三权重,Sgn为第n条参考路径的起点与子目标点间的距离,Spn为第n条参考路径的长度,Sobsn为第n条参考路径的中心与同一障碍物间的距离。
在一个实施例中,在规划所述机器人的全局路径之前,还包括:
按照第二预设公式生成预设参考模板,所述第二预设公式为:
其中,xt,i为预设参考模板中第i条参考路径上节点的瞬时横坐标,yt,i为预设参考模板中第i条参考路径上节点的瞬时纵坐标,θt,i为预设参考模板中第i条参考路径与水平方向所成的瞬时角度,xt-1,i为预参考模板中第i条参考路径上节点的初始横坐标,yi-1,t为预设参考模板中第i条参考路径上节点的初始纵坐标,θt-1,i为预设参考模板中第i条参考路径与水平方向所成的初始角度,v为生成预设参考模板中第i条参考路径时所需的线速度,ω为生成预设参考模板中第i条参考路径所需的角速度,Δs为相邻两采样点间的距离,i为正整数。
在一个实施例中,所述方法还包括:
根据所述目标局部路径的形状对所述预设参考模板进行调整。
在一个实施例中,所述方法还包括:
获取所述目标局部路径的目标朝向和所述机器人的当前朝向;
调整所述机器人的当前朝向,以使得调整后的所述机器人沿所述目标朝向行走。
本申请实施例的第二方面提供了一种规划机器人局部路径的装置,包括:
规划模块,用于规划所述机器人的全局路径;
第一确定模块,用于获取所述机器人的当前位置,并确定包含所述当前位置的局部区域范围,将所述全局路径在所述局部区域范围内的部分作为主路径;
第二确定模块,用于根据预设参考模板和所述主路径,确定所述局部区域范围内每个子局部区域范围内的子目标局部路径,所述预设参考模板包括至少一条参考路径;
生成模块,用于将确定的每条子目标局部路径依次进行连接,生成所述局部区域范围内的目标局部路径。
本申请实施例的第三方面提供了一种机器人,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,上述处理器执行上述计算机程序时实现上述第一方面提及的方法。
本申请实施例的第四方面提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,上述计算机程序被处理器执行时实现上述第一方面提及的方法。
本申请实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在机器人上运行时,使得机器人执行上述第一方面中任一项所述的方法。
本申请实施例与现有技术相比存在的有益效果是:在本实施例中,首先规划所述机器人的全局路径,然后获取所述机器人的当前位置,并确定包含所述当前位置的局部区域范围,将所述全局路径在所述局部区域范围内的部分作为主路径,再根据预设参考模板和所述主路径,确定所述局部区域范围内每个子局部区域范围内的子目标局部路径,所述预设参考模板包括至少一条参考路径,最后将确定的每条子目标局部路径依次进行连接,生成所述局部区域范围内的目标局部路径。与现有技术相比,通过本申请实施例可以使机器人沿确定的局部路径行走,有利于提高机器人运动的准确性;本申请实施例还可以根据当前子局部区域范围内的子目标局部路径的信息和对参考模板的进一步处理,生成与当前子局部区域范围相邻的子局部区域范围内的子目标局部路径,有利于提高生成子目标局部路径的整体效率,具有较强的易用性和实用性。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1-a为本申请实施例一提供的规划机器人局部路径的方法的流程示意图;
图1-b为本申请实施例一提供的预设参考模板的示意图;
图2-a为本申请实施例二提供的规划机器人局部路径的方法的流程示意图;
图2-b为本申请实施例二提供的所述方法应用于某种场景下所得的局部路径示意图;
图3为本申请实施例三提供的规划机器人局部路径的装置的结构示意图;
图4为本申请实施例四提供的机器人的结构示意图。
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,以便透彻理解本申请实施例。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申请。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申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
应理解,本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,而不应对本申请实施例的实施过程构成任何限定。
需要说明的是,本实施例中的“第一”、“第二”等描述,是用于区分不同的区域、模块等,不代表先后顺序,也不限定“第一”和“第二”为不同的类型。
本申请提供的规划机器人局部路径的方法的执行主体为具有一定数据处理能力和数据传输能力的终端设备,例如,在一些实施例中该终端设备可以为机器人本身,此时将由机器人自主完成局部路径的规划,再沿规划好的局部路径行走以实现局部区域内的避障功能,而在另一些实施例中,该终端设备也可为服务器,此时将先由服务器完成局部路径的规划,再将规划好的局部路径通过预设的通信方式发送至机器人供其避障行走使用。
该方法可根据实际需求应用于不同的应用场景中,例如,在一些实施例中可将该方法应用于室内中,实现室内局部区域中的避障行走,而在另一些实施例中,也可将该方法应用于室外场景中,实现室外局部区域内的避障行走。当然,该方法也可应用于机器人由室内向室外行走或由室外向室内行走的场景中。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
实施例一
图1-a是本申请实施例一提供的规划机器人局部路径的方法的流程示意图,可以包括以下步骤:
S101:规划机器人的全局路径。
其中连接起点位置和终点位置的序列点或曲线称之为路径,构成路径的策略称之为路径规划,根据对环境信息的把握程度可把路径规划划分为基于先验完全信息的全局路径规划和基于传感器信息的局部路径规划,其中全局路径是指机器人在有障碍物的环境内,按照一种或多种性能指标,寻找一条从起点位置到终点位置的路径,该路径可能经过障碍物。
在一个实施例中,可根据已有全局路径的生成方法规划全局路径,如A*算法或D*算法,其中全局路径的形状由机器人工作区域的形状决定。
S102:获取机器人的当前位置,并确定包含当前位置的局部区域范围,将全局路径在局部区域范围内的部分作为主路径。
其中当前位置是指机器人当前时刻所在的位置,可通过机器人内的定位模块获取自身的当前位置;局部区域范围是以当前位置为中心,以预设长度为半径的一个规则区域,如圆形区域或方形区域。
为了便于将主路径与除主路径以外的其它路径进行区分,在一个实施例中,可以将主路径和除主路径以外的其它路径显示为两种不同的颜色,如将主路径显示为红色,将除主路径以外的其它路径显示为蓝色。
S103:根据预设参考模板和主路径,确定局部区域范围内每个子局部区域范围内的子目标局部路径。
其中预设参考模板为预先生成的包括至少一条参考路径的图形,预设参考模板可以在机器人初始化时生成。应理解,若预设参考模板包括至少一条参考路径,则在根据预设参考模板和主路径得到每条子目标局部路径时,每条子目标局部路径将为预设参考模板中的某条参考路径或主路径中的某段主路径。
在一个实施例中,可以根据预设参考模板的宽度预先将该局部区域范围分割成若干个彼此相邻的子局部区域范围,并沿从机器人的当前位置到目标位置的方向对每个子局部区域范围进行编号,如将机器人所在的子局部区域作为第一个子局部区域范围,并将距离第一个子局部区域范围最近的子局部区域作为第二个子局部区域,以此类推,直至完成对所有子局部区域范围的编号。
为了提高生成预设参考模板的效率,可以根据待生成的预设参考模板中每条参考路径中前后节点的相关性进行。具体的,在一个实施例中,可以按照如下公式(1)生成如图1-b所示的具有某种对称关系且每条参考路径的初始坐标相同的预设参考模板,
其中,xt,i为预设参考模板中第i条参考路径上节点的瞬时横坐标,yt,i为预设参考模板中第i条参考路径上节点的瞬时纵坐标,θt,i为预设参考模板中第i条参考路径与水平方向所成的瞬时角度,xt-1,i为预参考模板中第i条参考路径上节点的初始横坐标,yi-1,t为预设参考模板中第i条参考路径上节点的初始纵坐标,θt-1,i为预设参考模板中第i条参考路径与水平方向所成的初始角度,v为生成预设参考模板中第i条参考路径时所需的线速度,ω为生成预设参考模板中第i条参考路径所需的角速度,Δs为相邻两采样点间的距离,i为正整数。
需要说明的是,其中的线速度与机器人当前的线速度无关,可以为机器人当前的线速度,也可以不为机器人当前的线速度。应理解,通过给定不同的线速度,可以生成不同长度的参考路径;通过给定不同的角速度,可以生成不同侧的参考路径。
S104:将确定的每条子目标局部路径依次进行连接,生成局部区域范围内的目标局部路径。
其中连接为将当前子目标局部路径的首端与前一条子目标局部路径的尾端连接,并将当前子目标局部路径的尾端与后一条子目标局部路径的首端连接。
为了保证所得的目标局部路径尽可能地光滑,在对每条子目标局部路径进行连接时,可将相邻子目标局部路径的首端和尾端的连线绘制为光滑的直线或光滑的曲线。
此外,为了使后续生成的目标局部路径更加符合机器人的运动特性,从而进一步提升机器人的避障能力,可以在生成目标局部路径之后根据目标局部路径的形状对预设参考模板进行调整。具体的,在一个实施例中,当目标局部路径的形状较为复杂时,可逐渐扩大或缩小生成参考路径时所需线速度v的范围和/或生成参考路径时所需角速度ω的范围。
在一个实施例中,可以在生成目标局部路径后,获取目标局部路径的目标朝向和机器人的当前朝向,并调整机器人的当前朝向,以使得调整后的机器人沿目标朝向行走。
由上可见,本申请实施例可以使机器人沿确定的局部路径行走,有利于提高机器人运动的准确性,具有较强的易用性和实用性。
实施例二
图2-a为本申请实施例二提供的规划机器人局部路径的方法的流程示意图,是对上述实施例一中的步骤S103的进一步细化和说明,该方法可以包括以下步骤:
S101:规划机器人的全局路径。
S102:获取机器人的当前位置,并确定包含当前位置的局部区域范围,将全局路径在局部区域范围内的部分作为主路径。
S1031:对预设参考模板进行预处理,当预处理后的预设参考模板的底部中心与当前位置重合且预处理后的预设参考模板的中心线与主路径重合时,根据预设的参数对当前子局部区域范围内预设参考模板中的参考路径进行评分,将评分最高的一条参考路径作为当前子局部区域范围内的子目标局部路径,并将子目标局部路径的终点所在的相邻子局部区域范围作为新的当前子局部区域范围,对预处理后的预设参考模板进行再处理,当再处理后的预设参考模板的底部中心与子目标局部路径的终点重合且再处理后的预设参考模板的中心线与主路径或经过子目标局部路径的终点的切线重合时,确定新的当前子局部区域范围内的子目标局部路径,直至新的当前子局部区域范围为局部区域范围内的最后一个子局部区域范围。
其中底部中心为中心线的尾部端点,中心线是指经过预设参考模板中心的一条直线,在一个实施例中,中心线可以为经过预设参考模板中心的一条参考路径。
考虑到预设参考模板是预先生成的,其位置往往具有某种不确定性,而目标局部路径通常又是以机器人的当前位置为起点,因而在从预设参考模板中选出第一条子目标局部路径前,需使预设参考模板的底部中心与机器人的当前位置重合。具体的,在一个实施例中可以对预设参考模板进行预处理,以使得预处理后的预设参考模板的底部中心与机器人的当前位置重合且预处理后的预设参考模板的中心线与主路径重合。应理解,当预处理后的预设参考模板的底部中心与当前位置重合且预处理后的预设参考模板的中心线与主路径重合时,若机器人周围没有障碍物,则在综合考虑每条参考路径的长度及其与主路径的间距后,经过预设参考模板中心的参考路径将为最优的子目标局部路径,此时当前子局部区域范围内的子目标局部路径为主路径中以机器人当前位置为起点的部分路径。
其中预处理与再处理相对,预处理是指对预设参考模板进行首次处理,再处理是对预处理后的参考模板再进行处理,包括对预设参考模板进行第二次处理、第三次处理、…、第i次处理,预处理和再处理均包括平移和/或旋转,其中平移是指是指在某个平面内将预设参考模板上的所有点都按照某个预设方向作相同距离的移动,旋转是指在某个在平面内,将预设参考模板绕某个旋转中心按某个预设方向旋转一个预设角度的操作。
当然,在实际应用中若在最初生成预设参考模板中每条参考路径时直接以机器人的当前位置为初始坐标,则可省去对预设参考模板进行平移的操作。
应理解,当再处理后的预设参考模板的底部中心与子目标局部路径的终点重合时,若当前子局部区域范围内的子目标局部路径为主路径中的一部分,则表明当前子局部区域范围内的子目标局部路径为经过再处理后的预设参考模板中心的一条参考路径,此时当前子局部区域范围内的子目标局部路径将表现为一条呈直线形状的路径,从而靠近主路径;若当前子局部区域范围内的子目标局部路径不为主路径中的一部分,则表明当前子局部区域范围内的子目标局部路径为经过再处理后的预设参考模板中除经过预设参考模板中心的一条参考路径以外的其它参考路径,此时当前子局部区域范围内的子目标局部路径将表现为一条呈曲线形状的路径,从而偏离主路径。因而,当再处理后的预设参考模板的底部中心与子目标局部路径的终点重合时,若当前子局部区域范围内的子目标局部路径为主路径中的一部分,则再处理的预设参考模板的中心线应与主路径重合;若当前子局部区域范围内的子目标局部路径不为主路径中的一部分,则再处理的预设参考模板的中心线应与经过子目标局部路径的终点的切线重合。
为了实现局部区域内的最优避障行走功能,可以在考虑每条参考路径信息的基础上,再综合机器人周围障碍物的信息来对预设参考模板中的参考路径进行评分;而在对预设参考模板中的参考路径进行评分时,可采用权重评分、积分制评分或投票制评分,具体可视情况而定,此处不作过多限制。具体的,在一个实施例中,根据预设的参数对当前子局部区域范围内预设参考模板中的参考路径进行评分可以包括:
根据如下公式(2)对当前子局部区域范围内预设参考模板中的参考路径进行评分:
Fn=α×Sgn+β×Spn+γ×Sobsn (2)
其中,Fn为当前子局部区域范围内预设参考模板中第n条参考路径的评分,α为第一权重,β为第二权重,γ为第三权重,为第n条参考路径的起点与子目标点间的距离,Spn为每条参考路径的长度,Sobsn为第n条参考路径的中心与同一障碍物间的距离,第一权重、第二权重和第三权重均为大于0且小于1的数,第一权重、第二权重和第三权重的总和为1。应理解,当当前子局部区域范围内不存在障碍物时,Sobsn为0。
为了便于统计,在一个实施例中,可以为每条参考路径的起点与子目标点的直线距离。
以一种具体的应用场景为例进行解释和说明,如图2-b所示预先将包含机器人当前位置O的局部区域范围A划分为6个子局部区域范围,并分别记为第一子局部区域范围A1、第二子局部区域范围A2、…、第六子局部区域范围A6,当执行完上述步骤S101和S102后可以得到主路径S,此时仅需对不在当前位置O的预设参考模板进行平移和/或旋转处理,使其底部中心与机器人当前位置O重合且其中心线与主路径S重合,然后根据第一预设公式对第一子局部区域范围A1内参考模板中的所有参考路径进行评分,从而得到第一子局部区域范围A1内以机器人当前位置O为起点的第一子目标局部路径S1,再将第一子目标局部路径A1的末端P1作为第二子局部区域范围A2内子目标局部路径S2的起点,并将第一子局部区域范围A1内的预设参考模板向上平移,使得平移后的参考模板的底部中心与第二子局部区域范围A2内子目标局部路径S2的起点P1重合且平移后的参考模板的中心线与第一子局部区域范围A1内子目标局部路径S1的终点P1重合,再按照第一预设公式对第二子局部区域范围A2内预设参考模板中的每条参考路径进行评分,从而得到第二子局部区域范围A2内以第一子目标局部路径S1的末端P1为起点的第二子目标局部路径S2,并将第二子目标局部路径S2的末端P2作为第三子局部区域范围A3内子目标局部路径S3的起点,再将第二子局部区域范围A2内的预设参考模板先向上平移一定距离后旋转一定的角度,使得参考模板的底部中心与第三子局部区域范围A3内子目标局部路径S3的起点P2重合且参考模板的中心线与经过第二子目标局部路径的终点P2的切线重合,从而根据第一预设公式对第三子局部区域范围A3内预设参考模板中的每条参考路径进行评分,最终得到第三子局部区域范围A3内以第二子目标局部路径S2的末端P2为起点的第三子目标局部路径S3,再以第三子目标局部路径S3的末端P3为第四子局部区域范围内子目标局部路径S4的起点,继续对第三子目标局部区域范围内的参考模板进行处理,并对处理后的参考模板中包含的参考路径进行评分,从而得到第四子局部区域范围内子目标局部路径S4,周而复始,直至分别得到第五子局部区域范围内子目标局部路径S5和第六子局部区域范围内子目标局部路径S6,最后分别将第一子局部区域范围内子目标局部路径S1、第二子局部区域范围内子目标局部路径S2、第三子局部区域范围内子目标局部路径S3、第四子局部区域范围内子目标局部路径S4、第五子局部区域范围内子目标局部路径S5和第六子局部区域范围内子目标局部路径S6的首尾依次进行连接得到局部区域A内的目标局部路径S’(S1→S2→S3→S4→S5→S6)。
S104:将确定的每条子目标局部路径依次进行连接,生成局部区域范围内的目标局部路径。
由上可见,本申请实施例二相比于实施例一,可以根据当前子局部区域范围内的子目标局部路径的信息和对参考模板的进一步处理,生成与当前子局部区域范围相邻的子局部区域范围内的子目标局部路径,有利于提高生成子目标局部路径的整体效率,具有较强的易用性和实用性。
实施例三
图3是本申请实施例三提供的规划机器人局部路径的装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分。
规划机器人局部路径装置可以是内置于机器人内的软件单元、硬件单元或者软硬结合的单元,也可以作为独立的挂件集成到机器人中,规划机器人局部路径的装置用于执行上述实施例提及的规划机器人局部路径的方法。
规划机器人局部路径的装置,包括:
规划模块31,用于规划机器人的全局路径;
第一确定模块32,用于获取机器人的当前位置,并确定包含当前位置的局部区域范围,将全局路径在局部区域范围内的部分作为主路径;
第二确定模块33,用于根据预设参考模板和主路径,确定局部区域范围内每个子局部区域范围内的子目标局部路径,预设参考模板包括至少一条参考路径;
生成模块34,用于将确定的每条子目标局部路径依次进行连接,生成局部区域范围内的目标局部路径。
在一个实施例中,第二确定模块33具体用于:
对预设参考模板进行预处理;
当预处理后的预设参考模板的底部中心与当前位置重合且预处理后的预设参考模板的中心线与主路径重合时,根据预设的参数对当前子局部区域范围内预设参考模板中的参考路径进行评分;
将评分最高的一条参考路径作为当前子局部区域范围内的子目标局部路径,并将子目标局部路径的终点所在的相邻子局部区域范围作为新的当前子局部区域范围;
对预处理后的预设参考模板进行再处理;
当再处理后的预设参考模板的底部中心与子目标局部路径的终点重合且再处理后的预设参考模板的中心线与经过子目标局部路径的终点的切线重合时,确定新的当前子局部区域范围内的子目标局部路径,直至新的当前子局部区域范围为局部区域范围内的最后一个子局部区域范围。
在一个实施例中,预处理包括平移和/或旋转,再处理包括平移和/或旋转。
在一个实施例中,第二确定模块33还用于:
根据第一预设公式对当前子局部区域范围内预设参考模板中的参考路径进行评分,第一预设公式为:
Fn=α×Sgn+β×Spn+γ×Sobsn;
其中,Fn为当前子局部区域范围内预设参考模板中第n条参考路径的评分,α为第一权重,β为第二权重,γ为第三权重,Sgn为第n条参考路径的起点与子目标点间的距离,Spn为第n条参考路径的长度,Sobsn为第n条参考路径的中心与同一障碍物间的距离。
在一个实施例中,规划机器人局部路径的装置还包括:
生成模块,用于按照第二预设公式生成预设参考模板,第二预设公式为:
其中,xt,i为预设参考模板中第i条参考路径上节点的瞬时横坐标,yt,i为预设参考模板中第i条参考路径上节点的瞬时纵坐标,θt,i为预设参考模板中第i条参考路径与水平方向所成的瞬时角度,xt-1,i为预参考模板中第i条参考路径上节点的初始横坐标,yi-1,t为预设参考模板中第i条参考路径上节点的初始纵坐标,θt-1,i为预设参考模板中第i条参考路径与水平方向所成的初始角度,v为生成预设参考模板中第i条参考路径时所需的线速度,ω为生成预设参考模板中第i条参考路径所需的角速度,Δs为相邻两采样点间的距离,i为正整数。
在一个实施例中,规划机器人局部路径的装置还包括:
调整模块,用于根据目标局部路径的形状对预设参考模板进行调整。
在一个实施例中,规划机器人局部路径的装置还包括:
控制模块,用于获取目标局部路径的目标朝向和机器人的当前朝向,调整机器人的当前朝向,以使得调整后的机器人沿目标朝向行走。
实施例四
图4是本申请实施例四提供的机器人的结构示意图。如图4所示,该实施例的机器人4包括:处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。处理器40执行计算机程序42时实现上述方法实施例一至实施例二中的步骤,例如图1所示的步骤S101至S104。
机器人4可以是可以是室内的清洁机器人,如扫地机器人、拖地机器人或扫拖一体机。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,例如机器人还可以包括输入输出设备、网络接入设备、总线等。
处理器40可以是中央处理单元(Ceitral Processiig Uiit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Sigial Processor,DSP)、专用集成电路(Applicatioi Specific Iitegrated 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。
存储器41可以是机器人4的内部存储单元,例如机器人4的硬盘或内存。存储器41也可以是机器人4的外部存储设备,例如机器人4上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器41还可以既包括机器人4的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序以及机器人所需的其他程序和数据。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,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,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实施例的模块、单元和/或方法步骤,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申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,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,在本申请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,本申请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-Oily Memory)、随机存取存储器(RAM,RaidomAccess 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电载波信号和电信信号。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种规划机器人局部路径的方法,其特征在于,包括:
规划所述机器人的全局路径;
获取所述机器人的当前位置,并确定包含所述当前位置的局部区域范围,将所述全局路径在所述局部区域范围内的部分作为主路径;
根据预设参考模板和所述主路径,确定所述局部区域范围内每个子局部区域范围内的子目标局部路径,所述预设参考模板包括至少一条参考路径;
将确定的每条子目标局部路径依次进行连接,生成所述局部区域范围内的目标局部路径。
2.根据权利要求1所述的方法,其特征在于,根据预设参考模板和所述主路径,确定所述局部区域范围内每个子局部区域范围内的子目标局部路径包括:
对所述预设参考模板进行预处理;
当预处理后的预设参考模板的底部中心与所述当前位置重合且预处理后的预设参考模板的中心线与所述主路径重合时,根据预设的参数对当前子局部区域范围内所述预设参考模板中的参考路径进行评分;
将评分最高的一条参考路径作为当前子局部区域范围内的子目标局部路径,并将所述子目标局部路径的终点所在的相邻子局部区域范围作为新的当前子局部区域范围;
对预处理后的预设参考模板进行再处理;
当再处理后的预设参考模板的底部中心与所述子目标局部路径的终点重合且再处理后的预设参考模板的中心线与所述主路径或经过所述子目标局部路径的终点的切线重合时,确定所述新的当前子局部区域范围内的子目标局部路径,直至所述新的当前子局部区域范围为所述局部区域范围内的最后一个子局部区域范围。
3.根据权利要求2所述的方法,其特征在于,所述预处理包括平移和/或旋转,所述再处理包括平移和/或旋转。
4.根据权利要求2所述的方法,其特征在于,根据预设的参数对当前子局部区域范围内所述预设参考模板中的参考路径进行评分包括:
根据第一预设公式对当前子局部区域范围内所述预设参考模板中的参考路径进行评分,所述第一预设公式为:
Fn=α×Sgn+β×Spn+γ×Sobsn;
其中,Fn为当前子局部区域范围内所述预设参考模板中第n条参考路径的评分,α为第一权重,β为第二权重,γ为第三权重,Sgn为第n条参考路径的起点与子目标点间的距离,Spn为第n条参考路径的长度,Sobsn为第n条参考路径的中心与同一障碍物间的距离。
5.根据权利要求1所述的方法,其特征在于,在规划所述机器人的全局路径之前,还包括:
按照第二预设公式生成预设参考模板,所述第二预设公式为:
其中,xt,i为预设参考模板中第i条参考路径上节点的瞬时横坐标,yt,i为预设参考模板中第i条参考路径上节点的瞬时纵坐标,θt,i为预设参考模板中第i条参考路径与水平方向所成的瞬时角度,xt-1,i为预参考模板中第i条参考路径上节点的初始横坐标,yi-1,t为预设参考模板中第i条参考路径上节点的初始纵坐标,θt-1,i为预设参考模板中第i条参考路径与水平方向所成的初始角度,v为生成预设参考模板中第i条参考路径时所需的线速度,ω为生成预设参考模板中第i条参考路径所需的角速度,Δs为相邻两采样点间的距离,i为正整数。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述目标局部路径的形状对所述预设参考模板进行调整。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述方法还包括:
获取所述目标局部路径的目标朝向和所述机器人的当前朝向;
调整所述机器人的当前朝向,以使得调整后的所述机器人沿所述目标朝向行走。
8.一种规划机器人局部路径的装置,其特征在于,包括:
规划模块,用于规划所述机器人的全局路径;
第一确定模块,用于获取所述机器人的当前位置,并确定包含所述当前位置的局部区域范围,将所述全局路径在所述局部区域范围内的部分作为主路径;
第二确定模块,用于根据预设参考模板和所述主路径,确定所述局部区域范围内每个子局部区域范围内的子目标局部路径,所述预设参考模板包括至少一条参考路径;
生成模块,用于将确定的每条子目标局部路径依次进行连接,生成所述局部区域范围内的目标局部路径。
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7任一项所述方法的步骤。
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7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911215399.4A CN111024082B (zh) | 2019-12-02 | 2019-12-02 | 一种规划机器人局部路径的方法、装置及机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911215399.4A CN111024082B (zh) | 2019-12-02 | 2019-12-02 | 一种规划机器人局部路径的方法、装置及机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111024082A true CN111024082A (zh) | 2020-04-17 |
CN111024082B CN111024082B (zh) | 2021-12-17 |
Family
ID=70207799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911215399.4A Active CN111024082B (zh) | 2019-12-02 | 2019-12-02 | 一种规划机器人局部路径的方法、装置及机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111024082B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111750862A (zh) * | 2020-06-11 | 2020-10-09 | 深圳优地科技有限公司 | 基于多区域的机器人路径规划方法、机器人及终端设备 |
CN111780775A (zh) * | 2020-06-17 | 2020-10-16 | 深圳优地科技有限公司 | 路径规划的方法、装置、机器人及存储介质 |
CN112595337A (zh) * | 2020-12-01 | 2021-04-02 | 苏州欧菲光科技有限公司 | 避障路径规划方法、装置、电子装置、车辆及存储介质 |
CN115326057A (zh) * | 2022-08-31 | 2022-11-11 | 深圳鹏行智能研究有限公司 | 路径规划方法、装置、机器人以及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605368A (zh) * | 2013-12-04 | 2014-02-26 | 苏州大学张家港工业技术研究院 | 一种动态未知环境中路径规划方法及装置 |
CN104751250A (zh) * | 2015-04-16 | 2015-07-01 | 南通理工学院 | 一种基于蚁群方法的最优路径寻找方法 |
CN104808671A (zh) * | 2015-05-19 | 2015-07-29 | 东南大学 | 一种家居环境下的机器人路径规划方法 |
CN107015563A (zh) * | 2016-12-29 | 2017-08-04 | 北京航空航天大学 | 移动机器人路径规划方法及装置 |
CN108253984A (zh) * | 2017-12-19 | 2018-07-06 | 昆明理工大学 | 一种基于改进a星算法的移动机器人路径规划方法 |
CN108444482A (zh) * | 2018-06-15 | 2018-08-24 | 东北大学 | 一种无人机自主寻路避障方法及系统 |
CN108673501A (zh) * | 2018-05-17 | 2018-10-19 | 中国科学院深圳先进技术研究院 | 一种机器人的目标跟随方法及装置 |
CN108958250A (zh) * | 2018-07-13 | 2018-12-07 | 华南理工大学 | 多传感器移动平台及基于已知地图的导航与避障方法 |
-
2019
- 2019-12-02 CN CN201911215399.4A patent/CN111024082B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605368A (zh) * | 2013-12-04 | 2014-02-26 | 苏州大学张家港工业技术研究院 | 一种动态未知环境中路径规划方法及装置 |
CN104751250A (zh) * | 2015-04-16 | 2015-07-01 | 南通理工学院 | 一种基于蚁群方法的最优路径寻找方法 |
CN104808671A (zh) * | 2015-05-19 | 2015-07-29 | 东南大学 | 一种家居环境下的机器人路径规划方法 |
CN107015563A (zh) * | 2016-12-29 | 2017-08-04 | 北京航空航天大学 | 移动机器人路径规划方法及装置 |
CN108253984A (zh) * | 2017-12-19 | 2018-07-06 | 昆明理工大学 | 一种基于改进a星算法的移动机器人路径规划方法 |
CN108673501A (zh) * | 2018-05-17 | 2018-10-19 | 中国科学院深圳先进技术研究院 | 一种机器人的目标跟随方法及装置 |
CN108444482A (zh) * | 2018-06-15 | 2018-08-24 | 东北大学 | 一种无人机自主寻路避障方法及系统 |
CN108958250A (zh) * | 2018-07-13 | 2018-12-07 | 华南理工大学 | 多传感器移动平台及基于已知地图的导航与避障方法 |
Non-Patent Citations (2)
Title |
---|
许金鹏: "移动机器人路径规划与运动控制研究", 《中国优秀硕士学位论文全文数据库》 * |
陆州: "移动机器人路径规划与路径跟踪研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111750862A (zh) * | 2020-06-11 | 2020-10-09 | 深圳优地科技有限公司 | 基于多区域的机器人路径规划方法、机器人及终端设备 |
CN111780775A (zh) * | 2020-06-17 | 2020-10-16 | 深圳优地科技有限公司 | 路径规划的方法、装置、机器人及存储介质 |
CN112595337A (zh) * | 2020-12-01 | 2021-04-02 | 苏州欧菲光科技有限公司 | 避障路径规划方法、装置、电子装置、车辆及存储介质 |
CN112595337B (zh) * | 2020-12-01 | 2023-08-15 | 苏州欧菲光科技有限公司 | 避障路径规划方法、装置、电子装置、车辆及存储介质 |
CN115326057A (zh) * | 2022-08-31 | 2022-11-11 | 深圳鹏行智能研究有限公司 | 路径规划方法、装置、机器人以及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111024082B (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111024082B (zh) | 一种规划机器人局部路径的方法、装置及机器人 | |
Yang et al. | Fast depth prediction and obstacle avoidance on a monocular drone using probabilistic convolutional neural network | |
US11422261B2 (en) | Robot relocalization method and apparatus and robot using the same | |
Felzenszwalb et al. | Efficient matching of pictorial structures | |
CN109146972B (zh) | 基于快速特征点提取及网格化三角形约束的视觉导航方法 | |
Wan et al. | Teaching robots to do object assembly using multi-modal 3d vision | |
JP2021089724A (ja) | 構造的制約及び物理的制約を伴う3d自動ラベル付け | |
CN110363817B (zh) | 目标位姿估计方法、电子设备和介质 | |
US20200143245A1 (en) | Neural network training method, device, computer system, and movable device | |
Tang et al. | Ground stereo vision-based navigation for autonomous take-off and landing of uavs: a chan-vese model approach | |
CN108235725A (zh) | 基于云端的轨迹地图生成方法、装置、设备及应用程序 | |
CN107818598B (zh) | 一种基于视觉矫正的三维点云地图融合方法 | |
WO2021098802A1 (en) | Object detection device, method, and systerm | |
CN110084743B (zh) | 基于多航带起始航迹约束的图像拼接与定位方法 | |
CN112336342A (zh) | 手部关键点检测方法、装置及终端设备 | |
US20230121534A1 (en) | Method and electronic device for 3d object detection using neural networks | |
CN112198878B (zh) | 一种即时地图构建方法、装置、机器人及存储介质 | |
CN110967019A (zh) | 一种规划机器人局部路径的方法及机器人 | |
CN111045433B (zh) | 一种机器人的避障方法、机器人及计算机可读存储介质 | |
CN113592015B (zh) | 定位以及训练特征匹配网络的方法和装置 | |
CN104573737A (zh) | 特征点定位的方法及装置 | |
Yu et al. | A deep-learning-based strategy for kidnapped robot problem in similar indoor environment | |
Dang et al. | Real-time semantic plane reconstruction on a monocular drone using sparse fusion | |
Zoev et al. | Convolutional neural networks of the YOLO class in computer vision systems for mobile robotic complexes | |
CN113376574A (zh) | 基于无线定位与图像处理的人位置匹配方法、装置及设备 |
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 |