CN111123953B - 人工智能大数据下粒子化移动机器人组及其控制方法 - Google Patents

人工智能大数据下粒子化移动机器人组及其控制方法 Download PDF

Info

Publication number
CN111123953B
CN111123953B CN202010023514.4A CN202010023514A CN111123953B CN 111123953 B CN111123953 B CN 111123953B CN 202010023514 A CN202010023514 A CN 202010023514A CN 111123953 B CN111123953 B CN 111123953B
Authority
CN
China
Prior art keywords
mobile robot
coordinate system
matrix
group
value
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
Application number
CN202010023514.4A
Other languages
English (en)
Other versions
CN111123953A (zh
Inventor
石帅
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.)
Chongqing Hongji Longcheng Technology Co ltd
Original Assignee
Chongqing Hongji Longcheng Technology Co ltd
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 Chongqing Hongji Longcheng Technology Co ltd filed Critical Chongqing Hongji Longcheng Technology Co ltd
Priority to CN202010023514.4A priority Critical patent/CN111123953B/zh
Publication of CN111123953A publication Critical patent/CN111123953A/zh
Application granted granted Critical
Publication of CN111123953B publication Critical patent/CN111123953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291—Fleet control
    • G05D1/0293—Convoy travelling
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • 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
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • 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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/027—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means comprising intertial navigation means, e.g. azimuth detector
    • 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
    • G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
    • G05D1/0891—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for land vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Software Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Manipulator (AREA)

Abstract

本发明属于移动机器人控制领域，具体涉及一种基于粒子化分数阶的人工智能大数据下粒子化移动机器人组及其控制方法。若干移动机器人均由车体、供电装置、行走机构、图像采集系统以及移动机器人控制系统组成；车体，所述车体包括承载车架，所述承载车架的四周具有外壳板；用于驱动所述车体前进或者后退的行走机构，所述行走机构设于所述车体下方。本发明以分数阶移动机器人控制策略展开研究，实现移动机器人控制系统的设计和稳定性分析，同时在控制律的基础上，对控制律中的参数进行优化，省去人工选取参数的问题。从而简化移动机器人组控制的难度，实现移动机器人的稳定控制。

Description

人工智能大数据下粒子化移动机器人组及其控制方法
技术领域
本发明属于移动机器人控制领域，具体涉及一种基于粒子化分数阶的人工智能大数据下粒子化移动机器人组及其控制方法。
背景技术
随着移动机器人技术的日益成熟，对于移动机器人路径规划的研究也越来越多。移动机器人路径规划是指在特定的环境中，采用一定的算法为机器人规划一条到达指定目标点或距离最短或时间最少或路径最平滑的最优路径，并且这条最优路径要确保是安全的，即机器人在按照最优路径移动时不能碰到环境中的障碍物，确保机器人安全移动到目标点。所以移动机器人路径规划不仅要设计合理的算法，还要求移动机器人具有一定的智能性，能够躲避障碍物并根据局部环境信息进行局部动态路径规划。目前，关于路径规划的算法主要可以分为传统算法、启发式算法以及其他方法三类传统的路径规划算法主要有人工势场法、可视图法以及向量直方图法等。大部分传统路径规划算法都是基于图论的算法，在进行路径规划时首先将机器人运动环境建模成为一个图，然后在环境模型中寻找路径。其中人工势场法因其原理和结构相对简单、得到的路径平滑等优点在机器人路径规划中得到了广泛的应用。这种路径规划算法的原理是将机器人运动环境抽象为一个势力场，障碍物产生的是斥力场，当机器人移动到障碍物一定范围内时会受到障碍物阻止机器人靠近的斥力，目标点产生的是引力场，通过引力对机器人运动产生全局引导作用。但这种算法容易产生局部最优解问题，即当目标点处存在障碍物时，机器人永远到不了目标点。其他的路径规划算法主要有模糊控制法、最优控制法等。其中模糊控制算法是指机器人利用自身的传感器等感应系统感知障碍物等环境信息，当检测到障碍物时，机器人能够根据以往的避障经验进行躲避，但这种避障方法精度不高，得到的路径质量不高。通过对多移动机器人路径规划的国内外研究现状的分析可知，传统算法主要是基于图论的算法，通过改进能有效解决静态环境下的机器人路径规划问题，但动态环境下的路径规划问题一般通过启发式算法可以得到有效解决。
发明内容
本发明的目的在于提供一种控制精度更高、避障性能更强的人工智能大数据下粒子化移动机器人组。
本发明的目的还在于提供一种人工智能大数据下粒子化移动机器人组控制方法。
本发明的目的是这样实现的：
人工智能大数据下粒子化移动机器人组，若干移动机器人均由车体、供电装置、行走机构、图像采集系统以及移动机器人控制系统组成；车体，所述车体包括承载车架，所述承载车架的四周具有外壳板；用于驱动所述车体前进或者后退的行走机构，所述行走机构设于所述车体下方；图像采集系统包括前置摄像头、前置距离检测器、后置摄像头、后置距离检测器、高度传感器，所述前置摄像头以及前置距离检测器设于所述车体的前侧，所述后置摄像头以及后置距离检测器设于所述车体的后侧；所述移动机器人控制系统设于所述承载车架上，且与所述行走机构、图像采集系统连接；为移动机器人供电的供电装置，所述供电装置固定于所述承载车架上，移动机器人采用如下方法控制：
(1)移动机器人的图像采集系统采集图像，对采集的图像进行去噪处理后通过路径边缘点做最优路径规划；
(2)对移动机器人组进行行程控制，使移动机器人在规划的路径通道内行进；
(3)对行程中的移动机器人组进行姿态监控；
(4)重复步骤(2)-(3)直到移动机器人组停止工作为止；
所述步骤(1)包括如下步骤：
(1.1)图像采集去噪：
移动机器人组通过图像采集系统对路径所处环境进行三维图像采集，对采集的图像进行高斯滤波处理；
(1.2)对图像中道路进行边缘检测：
对图像中每个像素点周围的邻点灰度值进行Sobel算子计算，通过采集图像所取的亮度选择阈值τ，当
Figure BDA0002361629950000021
fx＝(f(a-1,b-1)+2f(a-1,b)+f(a-1,b+1))-(f(a+1,b+1)+2f(a-1,b)+f(a+1,b+1))，
fy＝(f(a-1,b-1)+2f(a,b-1)+f(a+1,b-1))-(f(a-1,b-1)+2f(a,b-1)+f(a+1,b-1))，
当So(a,b)＞τ时，图像中点(a,b)为边缘点，a、b为边缘点坐标，f为灰度值；
(1.3)依据边缘点的路径规划：
移动机器人的云控制系统采集边缘点信息，通过边缘点构建出路径通道，设移动机器人的图像采集系统与图像采集系统的距离检测器的与水平方向上的夹角为θa，距离检测器返回的数据为la，移动机器人的高度传感器的测量值为z′，水平方向参考系下的坐标为Dn0＝(xa,yb,z′)＝(la×cosθa,la×sinθa,z′)；
根据路径通道中节点的迭代评价值确定规划的路径，两个相邻节点的距离为ln0，ln0＝Dn0-Dn0-1，n0为当前节点的标号，起始点I0到当前节点In0的代价函数为：
Figure BDA0002361629950000031
扫描每个节点附近G(n0)最大的两个邻居节点进行连接，形成规划的路径通道。
所述步骤(2)包括：
(2.1)初始化数量大小为N的移动机器人组，包括移动机器人行进区域随机速度和移动机器人行进区域位置，确定每个移动机器人的姿态矩阵、姿态矩阵角速率以及姿态角；
(2.2)评估每组中移动机器人的适应值；
(2.3)评估每组中移动机器人当前搜索空间中最佳位置；
(2.4)更新移动机器人的惯性权重，更新每个移动机器人的速度和位置；
(2.5)在移动机器人组工作状态下重新执行步骤(2.2)，在移动机器人组工作结束时结束本方法；
所述的移动机器人的姿态矩阵的确定步骤包括：
(2.1.1)设地球坐标系为earth系，地理坐标系为geo系，载体坐标系为carrier系，导航坐标系为pilot系，各坐标系的轴依次分别为Xg、Yg、Zg；Xc、Yc、Zc；Xp、Yp、Zp；
(2.1.2)计算移动机器人的地理坐标系的方向余弦矩阵；
Figure BDA0002361629950000032
其中移动机器人所在经度为αe和纬度为δe；αe的取值范围为(-180°，180°)；δe的取值范围为(-90°，90°)；
(2.1.3)计算移动机器人的载体坐标系的方向余弦矩阵；
Figure BDA0002361629950000033
其中γc为载体坐标系相对于地理坐标系的横滚角，即Xc相对于Xg的夹角；
其中θc为载体坐标系相对于地理坐标系的俯仰角，即Yc相对于Yg的夹角；
其中
Figure BDA0002361629950000034
为载体坐标系相对于地理坐标系的航向角，即Zc相对于Zg的夹角；
(2.1.4)计算移动机器人的导航坐标系的姿态矩阵；
Figure BDA0002361629950000041
(2.1.5)计算移动机器人的导航坐标系的姿态矩阵角速率；
Figure BDA0002361629950000042
ωe为地球角速率在导航坐标系下的投影，ωa为移动机器人陀螺仪测量值。
所述的评估每组中移动机器人的适应值为：
Figure BDA0002361629950000043
fj(x)表示移动机器人的目标路径上的第j个支路上的分支函数；αj表示第j个支路对应的权值，m为目标路径的支路总数，x表示被评估的移动机器人标号；
fj(x)＝(βj∩γj)(βj∪γj)-2；
βj为执行目标路径经过第j个支路的移动机器人集合；γj为输入被测程序执行后所经过第j个支路的移动机器人集合。
所述的评估每组中移动机器人当前搜索空间中最佳位置包括；
(2.3.1)将每个移动机器人的适应值与评估的移动机器人当前局部最佳已知位置pbesti,n进行比较，如果移动机器人的适应值小，则将该移动机器人的适应值替换为当前局部最佳已知位置pbesti,n；
(2.3.2)将每个移动机器人的当前局部最佳已知位置pbest与移动机器人当前搜索空间中最佳位置gbest进行比较，如果移动机器人的当前局部最佳已知位置pbest小，则将该移动机器人的当前局部最佳已知位置pbest替换为当前搜索空间中最佳位置gbest。
所述评估的移动机器人当前局部最佳已知位置pbesti,n，包括：
N个移动机器人，每个移动机器人处于S维的搜索空间中，S≤3，本方法第n次迭代过程中第i个移动机器人的位置为：
Figure BDA0002361629950000044
该移动机器人对应的速度为：
Figure BDA0002361629950000045
Figure BDA0002361629950000046
所述的更新每个移动机器人的速度和位置包括；
(2.4.1)更新Gn为惯性权重：
Figure BDA0002361629950000051
Gnmax为移动机器人的惯性权重的最大值，Gnmin为惯性权重的最小值，
Nmax为迭代次数的最大值；
(2.4.2)更新移动机器人的速度：
vi,n＝ps[vi,n-1+Gn·(pbest-xi,n-1)+Gn·(gbest-xi,n-1)]；
ps为收缩因子，
Figure BDA0002361629950000052
k为网络搜索上限速度；
(2.4.3)更新移动机器人的位置；
xi,n＝xi,n-1+vi,n。
所述的αj表示第j个支路对应的权值，
Figure BDA0002361629950000053
γn表示迭代过程中路径连续匹配数大于1的值。
所述的步骤(3)包括如下步骤：
(3.1)通过图像采集系统提取前一个时间点上移动机器人轮廓的点云数据MW，在点云数据MW中取点的集合mi∈MW；同时提取mi对应的真实集合
Figure BDA0002361629950000054
(3.2)通过图像采集系统提取前当前时间点上移动机器人轮廓的点云数据QW，在点云数据QW中取点的集合qi∈QW，使|qi-mi|取得最小值；
(3.3)计算摄像系统中旋转矩阵RW和平移矩阵TW；
(3.4)通过旋转矩阵RW和平移矩阵TW得到的真实集合
Figure BDA0002361629950000055
变换位姿后的集合m′i；
Figure BDA0002361629950000056
(3.5)计算m′i与qi的平均距离
Figure BDA0002361629950000057
(3.6)如果平均距离
Figure BDA0002361629950000058
小于等于位姿预警阈值
Figure BDA0002361629950000059
则目标位姿正常，否则通信目标进行调整。
所述的计算摄像系统中旋转矩阵RW和平移矩阵TW包括：
(3.3.1)计算两个集合的质心：
Figure BDA0002361629950000061
Figure BDA0002361629950000062
为集合mi的点个数，
Figure BDA0002361629950000063
为集合qi的点个数；
(3.3.2)计算两个集合点的协方差矩阵；
Figure BDA0002361629950000064
T为转置符号；
(3.3.3)计算反对称矩阵；
Figure BDA0002361629950000065
(3.3.4)构建4×4的矩阵
Figure BDA0002361629950000066
Figure BDA0002361629950000067
I3×3是3×3的单位矩阵，
Figure BDA0002361629950000068
为矩阵的迹，
Figure BDA0002361629950000069
是反对称矩阵的分量组成的列向量，
Figure BDA00023616299500000610
Figure BDA00023616299500000611
的最大特征值对应的特征向量r＝[r0,r1,r2,r3]；
(3.3.5)旋转矩阵RW为：
Figure BDA00023616299500000612
(3.3.6)平移矩阵TW为：
Figure BDA00023616299500000613
所述的移动机器人为物流机器人、扫地机器人、巡逻机器人、平台机器人中的一种或几种。
人工智能大数据下粒子化移动机器人组控制方法，包含有采用上述的人工智能大数据下粒子化移动机器人组中所述的方法。
本发明的有益效果在于：
本发明以分数阶移动机器人控制策略展开研究，实现移动机器人控制系统的设计和稳定性分析，同时在控制律的基础上，对控制律中的参数进行优化，省去人工选取参数的问题。从而简化移动机器人组控制的难度，实现移动机器人的稳定控制。
附图说明
图1为本发明方法的具体流程图。
图2为本发明行程控制方法流程图。
图3为预设障碍图像示意图。
图4为特征提取示意图。
图5为边缘提取示意图。
图6为路径通道示意图。
图7为移动机器人行程测试图1。
图8为移动机器人行程测试图2。
图9为姿态监控方法模拟示意图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明涉及的人工智能大数据下粒子化移动机器人组，若干移动机器人均由车体、供电装置、行走机构、图像采集系统以及移动机器人控制系统组成；由于本发明的重点在于移动机器人的控制，因此说明书中不再具体说明移动机器人的结构，本发明的控制方法适用于常规通信的移动机器人结构，也就是说只要具有无线通信模块和图像采集系统的移动机器人，就能够使用该方法，而不限于供电装置和车身结构等硬件形式。本发明车体，所述车体包括承载车架，所述承载车架的四周具有外壳板；用于驱动所述车体前进或者后退的行走机构，所述行走机构设于所述车体下方；图像采集系统包括前置摄像头、前置距离检测器、后置摄像头、后置距离检测器、高度传感器，所述前置摄像头以及前置距离检测器设于所述车体的前侧，所述后置摄像头以及后置距离检测器设于所述车体的后侧；所述移动机器人控制系统设于所述承载车架上，且与所述行走机构、图像采集系统连接；为移动机器人供电的供电装置，所述供电装置固定于所述承载车架上，移动机器人采用如下方法控制：
本发明中的云控制系统，即目前市场上可以使用的云(控制)系统，通过网络即可查询和使用，其主要作用是为了提高运算速度，同时减轻控制模块的计算量，如图1所示，本方法具体包括如下步骤：
(1)移动机器人的图像采集系统采集图像，对采集的图像进行去噪处理后通过路径边缘点做最优路径规划；
(2)对移动机器人组进行行程控制，使移动机器人在规划的路径通道内行进；
(3)对行程中的移动机器人组进行姿态监控；
(4)重复步骤(2)-(3)直到移动机器人组停止工作为止；
所述步骤(1)包括如下步骤：
(1.1)图像采集去噪：
移动机器人通过图像采集系统对路径所处环境进行三维图像采集，对采集的图像进行高斯滤波处理；
(1.2)对图像中道路进行边缘检测：
对图像中每个像素点周围的邻点灰度值进行Sobel算子计算，通过采集图像所取的亮度选择阈值τ，当
Figure BDA0002361629950000081
fx＝(f(a-1,b-1)+2f(a-1,b)+f(a-1,b+1))-(f(a+1,b+1)+2f(a-1,b)+f(a+1,b+1))，
fy＝(f(a-1,b-1)+2f(a,b-1)+f(a+1,b-1))-(f(a-1,b-1)+2f(a,b-1)+f(a+1,b-1))，
当So(a,b)＞τ时，图像中点(a,b)为边缘点，a、b为边缘点坐标，f为灰度值；
(1.3)依据边缘点的路径规划：
移动机器人的云控制系统采集边缘点信息，通过边缘点构建出路径通道，设移动机器人的图像采集系统与图像采集系统的距离检测器的与水平方向上的夹角为θa，距离检测器返回的数据为la，移动机器人的高度传感器的测量值为z′，水平方向参考系下的坐标为Dn0＝(xa,yb,z′)＝(la×cosθa,la×sinθa,z′)；
根据路径通道中节点的迭代评价值确定规划的路径，两个相邻节点的距离为ln0，ln0＝Dn0-Dn0-1，n0为当前节点的标号，起始点I0到当前节点In0的代价函数为：
Figure BDA0002361629950000082
扫描每个节点附近G(n0)最大的两个邻居节点进行连接，形成规划的路径通道。
如图3-6所示，为本发明路径通道形成的模拟过程，通过上述方法，图3中障碍物的形状通过图像进行拟合，图4-图5对障碍物进行特征提取进而进行了边缘提取，最终形成了图6的路径通道的一层，白色区域即是路径通道的表征，最终将每一层通道叠加即形成了立体的路径通道。本发明的图像识别和规划根据两目标间的局部识别，而图像的识别是图像区分和匹配的结果。本发明对图像的区别和匹配是指根据采集图像的灰度值进行区域划分，同时将相同特征的区域进行连接而构成连通区域的集合，形成本发明的路径通道。本发明采用基于代价函数化的图像分析方法将路径通道从背景中分割出来。通过对静态路径进行图像采集通过迭代的方法根据分割效果不断的更新代价函数，由于采用在线确定代价函数的方法，在很大程度上提高了对图像处理的精确度，增加了本发明的实时性效果。与现有技术相比，本发明通过灰度值的运算给出路径通道同时又通过代价函数的方法给出路径的最优规划值，有效提高了移动机器人的行进效率。
如图2所示，所述步骤(2)包括：
(2.1)初始化数量大小为N的移动机器人组，包括移动机器人行进区域随机速度和移动机器人行进区域位置，确定每个移动机器人的姿态矩阵、姿态矩阵角速率以及姿态角；
(2.2)评估每组中移动机器人的适应值；
(2.3)评估每组中移动机器人当前搜索空间中最佳位置；
(2.4)更新移动机器人的惯性权重，更新每个移动机器人的速度和位置；
(2.5)在移动机器人组工作状态下重新执行步骤(2.2)，在移动机器人组工作结束时结束本方法。
所述的移动机器人的姿态矩阵的确定步骤包括：
(2.1.1)设地球坐标系为earth系，地理坐标系为geo系，载体坐标系为carrier系，导航坐标系为pilot系，各坐标系的轴依次分别为Xg、Yg、Zg；Xc、Yc、Zc；Xp、Yp、Zp；
(2.1.2)计算移动机器人的地理坐标系的方向余弦矩阵；
Figure BDA0002361629950000091
其中移动机器人所在经度为αe和纬度为δe；αe的取值范围为(-180°，180°)；δe的取值范围为(-90°，90°)；
(2.1.3)计算移动机器人的载体坐标系的方向余弦矩阵；
Figure BDA0002361629950000092
其中γc为载体坐标系相对于地理坐标系的横滚角，即Xc相对于Xg的夹角；
其中θc为载体坐标系相对于地理坐标系的俯仰角，即Yc相对于Yg的夹角；
其中
Figure BDA0002361629950000108
为载体坐标系相对于地理坐标系的航向角，即Zc相对于Zg的夹角；
(2.1.4)计算移动机器人的导航坐标系的姿态矩阵；
Figure BDA0002361629950000101
(2.1.5)计算移动机器人的导航坐标系的姿态矩阵角速率；
Figure BDA0002361629950000102
ωe为地球角速率在导航坐标系下的投影，ωa为移动机器人陀螺仪测量值。
移动机器人坐标解算是通常都是通过陀螺仪测得的移动机器人角速度进行实时矩阵解算，因移动机器人的姿态变化角速率非常快，因此对姿态矩阵进行计算的时间需要毫秒量级的周期，因此对于移动机器人组满足不了实时性的需求，而非实时性的计算数据必然会对矩阵的计算产生一定的误差。因此，其中的关键技术便是对移动机器人姿态进行实时解算，也是对移动机器人姿态解算算法精度产生影响的重要因素之一，而本发明对几个联立方程进行计算，无奇异性、方便计算，在闭环切换控制系统中能否稳定执行。与现有技术相比，本发明通过坐标系的转换能够给出移动机器人精确的角速率，有主于移动机器人姿态控制的精确性。
因此，移动机器人姿态角的实时值为：
Figure BDA0002361629950000103
Figure BDA0002361629950000104
Figure BDA0002361629950000105
Figure BDA0002361629950000106
为移动机器人导航坐标系的横滚角；
Figure BDA0002361629950000109
为移动机器人导航坐标系的航向角；
Figure BDA0002361629950000107
为移动机器人导航坐标系的俯仰角；
姿态矩阵、姿态矩阵角速率是移动机器人的关键参数，通过这两个参数能够在后续调整过程中更简单的计算出目标点位置。
针对微惯性器件的固有特性，本发明通过云数据融合算法获得最佳姿态角估计。姿态角可以由角速度积分得到，但因微惯性器件陀螺仪存在随机漂移误差，会随着时间的增加逐渐累积，载体在动态环境下，会引入线性加速度对俯仰角等信息造成误差，三轴磁力计会因电磁干扰造成偏航角数据产生误差。因此，本发明提出的数据融合算法，将测量数据作为测量值，通过矩阵式运算获得最佳姿态角估计。
本发明中所述的评估每组中移动机器人的适应值为：
Figure BDA0002361629950000111
fj(x)表示移动机器人的目标路径上的第j个支路上的分支函数；αj表示第j个支路对应的权值，m为目标路径的支路总数，x表示被评估的移动机器人标号；
fj(x)＝(βj∩γj)(βj∪γj)-2；
βj为执行目标路径经过第j个支路的移动机器人集合；γj为输入被测程序执行后所经过第j个支路的移动机器人集合。
所述的评估每组中移动机器人当前搜索空间中最佳位置包括；
(2.3.1)将每个移动机器人的适应值与评估的移动机器人当前局部最佳已知位置pbesti,n进行比较，如果移动机器人的适应值小，则将该移动机器人的适应值替换为当前局部最佳已知位置pbesti,n；
(2.3.2)将每个移动机器人的当前局部最佳已知位置pbest与移动机器人当前搜索空间中最佳位置gbest进行比较，如果移动机器人的当前局部最佳已知位置pbest小，则将该移动机器人的当前局部最佳已知位置pbest替换为当前搜索空间中最佳位置gbest。
所述评估的移动机器人当前局部最佳已知位置pbesti,n，包括：
N个移动机器人，每个移动机器人处于S维的搜索空间中，S≤3，本方法第n次迭代过程中第i个移动机器人的位置为：
Figure BDA0002361629950000112
该移动机器人对应的速度为：
Figure BDA0002361629950000113
Figure BDA0002361629950000114
所述的更新每个移动机器人的速度和位置包括；
(2.4.1)更新Gn为惯性权重：
Figure BDA0002361629950000115
Gnmax为移动机器人的惯性权重的最大值，Gnmin为惯性权重的最小值，
Nmax为迭代次数的最大值；
(2.4.2)更新移动机器人的速度：
vi,n＝ps[vi,n-1+Gn·(pbest-xi,n-1)+Gn·(gbest-xi,n-1)]；
ps为收缩因子，
Figure BDA0002361629950000121
k为网络搜索上限速度；
(2.4.3)更新移动机器人的位置；
xi,n＝xi,n-1+vi,n。
所述的αj表示第j个支路对应的权值，
Figure BDA0002361629950000122
γn表示迭代过程中路径连续匹配数大于1的值。
为进一步使移动机器人位置进行精确控制，对移动机器人的速度进行优化，具体步骤包括：
(2.4.2.1)输入移动机器人速度函数vi,n、概率效用函数
Figure BDA0002361629950000123
均值函数
Figure BDA0002361629950000124
步长函数
Figure BDA0002361629950000125
测试时长；
(2.4.2.2)初始化方向性统计模型；
Figure BDA0002361629950000126
Figure BDA00023616299500001216
为移动机器人搜索方向，
Figure BDA0002361629950000127
为归一化系数；
Figure BDA0002361629950000128
Figure BDA0002361629950000129
为n阶修改正的贝塞尔函数；
Figure BDA00023616299500001210
(2.4.2.3)计算当前步长函数值
Figure BDA00023616299500001212
Figure BDA00023616299500001213
(2.4.2.4)通过概率效用函数评估移动机器人效用值；
Figure BDA00023616299500001214
Z为中间变量，
Figure BDA00023616299500001215
φ1(Z)、φ2(Z)是标准正态分布函数和概率密度函数；
(2.4.2.5)如果移动机器人效用值在阈值P一下，选择该移动机器人，记录该移动机器人的速度值；
(2.4.2.6)计算矫正的效用量；
Figure BDA0002361629950000131
作为移动机器人全局搜索的效用计量函数，衡量的是某一个移动机器人在全局搜索策略下可能带来的期望效用量，
(2.4.2.7)更新(2.4.2.5)中移动机器人的速度为
Figure BDA0002361629950000132
(2.4.2.8)重新执行步骤(2.4.2.1)，直到所有移动机器人效用值维持在阈值P以上。
(2.5)在移动机器人组工作状态下重新执行步骤2.2，在移动机器人组工作结束时结束本方法。
如图7和图8所示，是经过路线预设后，都移动机器人实现形成控制的测试图。图中纵坐标为平面坐标系中一个轴(人为设定)的位置，横坐标为时间，单位为秒。图7中可知在线性移动中，随着时间的增加，误差在增大，那么移动机器人在实时过程中只要设定好足够的迭代条件(如时间或者阈值)，即可形成较精确的路线控制。如图8所示，如果为曲线型运动，则本发明误差较小，因为阈值的迭代是不断变化不断调整的，因为移动机器人的运动还是以曲线型变化为主，因此，本发明是最适合实际使用的。对于上述数据，本发明每100个时间点提取1个数值给出如下表所示：
时间 预设值 测量值
0 0 0
5 0.1275 0.1303
10 0.255 0.2602
15 0.3825 0.3806
20 0.51 0.5005
25 0.6375 0.6404
30 0.765 0.7703
35 0.8925 0.8903
40 1.02 0.986
45 1.1475 1.1504
50 1.275 1.303
55 1.4025 1.4035
60 1.53 1.5026
表1为线性轨迹测量数据
Figure BDA0002361629950000133
Figure BDA0002361629950000141
表2为曲线轨迹测量数据
本发明以分数阶移动机器人控制策略展开研究，实现移动机器人控制系统的设计和稳定性分析，同时在控制律的基础上，对控制律中的参数进行优化，省去人工选取参数的问题。从而简化移动机器人组控制的难度，实现移动机器人的稳定控制。与现有技术相比，本发明通过粒子化分数阶算法获得精确路线，与传统粒子化分数阶算法相比，通过引入矫正效用量来进一步提高移动机器人控制的准确率。
进一步的，所述的步骤(3)包括如下步骤：
(3.1)通过图像采集系统提取前一个时间点上移动机器人轮廓的点云数据MW，在点云数据MW中取点的集合mi∈MW；同时提取mi对应的真实集合
Figure BDA0002361629950000142
(3.2)通过图像采集系统提取前当前时间点上移动机器人轮廓的点云数据QW，在点云数据QW中取点的集合qi∈QW，使|qi-mi|取得最小值；
(3.3)计算摄像系统中旋转矩阵RW和平移矩阵TW；
(3.4)通过旋转矩阵RW和平移矩阵TW得到的真实集合
Figure BDA0002361629950000143
变换位姿后的集合m′i；
Figure BDA0002361629950000144
(3.5)计算m′i与qi的平均距离
Figure BDA0002361629950000145
(3.6)如果平均距离
Figure BDA0002361629950000146
小于等于位姿预警阈值
Figure BDA0002361629950000147
则目标位姿正常，否则通信目标进行调整。
所述的计算摄像系统中旋转矩阵RW和平移矩阵TW包括：
(3.3.1)计算两个集合的质心：
Figure BDA0002361629950000151
Figure BDA0002361629950000152
为集合mi的点个数，
Figure BDA0002361629950000153
为集合qi的点个数；
(3.3.2)计算两个集合点的协方差矩阵；
Figure BDA0002361629950000154
T为转置符号；
(3.3.3)计算反对称矩阵；
Figure BDA0002361629950000155
(3.3.4)构建4×4的矩阵
Figure BDA0002361629950000156
Figure BDA0002361629950000157
I3×3是3×3的单位矩阵
Figure BDA0002361629950000158
为矩阵的迹，
Figure BDA0002361629950000159
是反对称矩阵的分量组成的列向量，
Figure BDA00023616299500001510
Figure BDA00023616299500001511
的最大特征值对应的特征向量r＝[r0,r1,r2,r3]；
(3.3.5)旋转矩阵RW为：
Figure BDA00023616299500001512
(3.3.6)平移矩阵TW为：
Figure BDA00023616299500001513
如图9所示，是通过本发明实验获得目标跟踪与姿态监控效果图，根据测试模拟，本发明方法的平均误差为3.25，测算次数1350次，成功率100％
步骤(3)中提出通过移动机器人的视频图像彼此实施监控自身的位姿状态，一旦超过阈值，可以直接进行警戒，有效的提高了移动机器人组的稳定性，与步骤(2)的方法彼此互相协调互相配合，不仅能够有效保证移动机器人组的路径规划、行进和避障而且能够有效避免因外部环境变化造成的位姿影响。
所述的移动机器人为物流机器人、扫地机器人、巡逻机器人、平台机器人中的一种或几种。
人工智能大数据下粒子化移动机器人组控制方法，采用上述的人工智能大数据下粒子化移动机器人组中所述的方法。
需要指出的是，本发明中已经对所有符号和特殊定义做出了解释，而其他技术特征如车体、供电装置等以及一些简单参数均为本领域的公知常识。

Claims (8)

1.人工智能大数据下粒子化移动机器人组，若干移动机器人均由车体、供电装置、行走机构、图像采集系统以及移动机器人控制系统组成；车体，所述车体包括承载车架，所述承载车架的四周具有外壳板；用于驱动所述车体前进或者后退的行走机构，所述行走机构设于所述车体下方；图像采集系统包括前置摄像头、前置距离检测器、后置摄像头、后置距离检测器、高度传感器，所述前置摄像头以及前置距离检测器设于所述车体的前侧，所述后置摄像头以及后置距离检测器设于所述车体的后侧；所述移动机器人控制系统设于所述承载车架上，且与所述行走机构、图像采集系统连接；为移动机器人供电的供电装置，所述供电装置固定于所述承载车架上，移动机器人采用如下方法控制：
(1)移动机器人的图像采集系统采集图像，对采集的图像进行去噪处理后通过路径边缘点做最优路径规划；
(2)对移动机器人组进行行程控制，使移动机器人在规划的路径通道内行进；
(3)对行程中的移动机器人组进行姿态监控；
(4)重复步骤(2)-(3)直到移动机器人组停止工作为止；
其特征在于：所述步骤(1)包括如下步骤：
(1.1)图像采集去噪：
移动机器人通过图像采集系统对路径所处环境进行三维图像采集，对采集的图像进行高斯滤波处理；
(1.2)对图像中道路进行边缘检测：
对图像中每个像素点周围的邻点灰度值进行Sobel算子计算，通过采集图像所取的亮度选择阈值τ，
Figure FDA0003561517310000011
fx＝(f(a-1,b-1)+2f(a-1,b)+f(a-1,b+1))-(f(a+1,b+1)+2f(a-1,b)+f(a+1,b+1))，
fy＝(f(a-1,b-1)+2f(a,b-1)+f(a+1,b-1))-(f(a-1,b-1)+2f(a,b-1)+f(a+1,b-1))，
当So(a,b)>τ时，图像中点(a,b)为边缘点，a、b为边缘点坐标，f为灰度值；
(1.3)依据边缘点的路径规划：
移动机器人的云控制系统采集边缘点信息，通过边缘点构建出路径通道，设移动机器人的图像采集系统与图像采集系统的距离检测器的与水平方向上的夹角为θa，距离检测器返回的数据为la，移动机器人的高度传感器的测量值为z′，水平方向参考系下的坐标为Dn0＝(xa,yb,z′)＝(la×cosθa,la×sinθa,z′)；
根据路径通道中节点的迭代评价值确定规划的路径，两个相邻节点的距离为ln0，ln0＝Dn0-Dn0-1，n0为当前节点的标号，起始点I0到当前节点In0的代价函数为：
Figure FDA0003561517310000021
扫描每个节点附近G(n0)最大的两个邻居节点进行连接，形成规划的路径通道；
所述步骤(2)包括：
(2.1)初始化数量大小为N的移动机器人组，包括移动机器人行进区域随机速度和移动机器人行进区域位置，确定每个移动机器人的姿态矩阵、姿态矩阵角速率以及姿态角；
(2.2)评估每组中移动机器人的适应值；
(2.3)评估每组中移动机器人当前搜索空间中最佳位置；
(2.4)更新移动机器人的惯性权重，更新每个移动机器人的速度和位置；
(2.5)在移动机器人组工作状态下重新执行步骤(2.2)，在移动机器人组工作结束时结束；
所述的移动机器人的姿态矩阵的确定步骤包括：
(2.1.1)设地球坐标系为earth系，地理坐标系为geo系，载体坐标系为carrier系，导航坐标系为pilot系，地理坐标系、载体坐标系、导航坐标系的轴依次分别为Xg、Yg、Zg；Xc、Yc、Zc；Xp、Yp、Zp；
(2.1.2)计算移动机器人的地理坐标系的方向余弦矩阵；
Figure FDA0003561517310000022
其中移动机器人所在经度为αe和纬度为δe；αe的取值范围为(-180°，180°)；δe的取值范围为(-90°，90°)；
(2.1.3)计算移动机器人的载体坐标系的方向余弦矩阵；
Figure FDA0003561517310000023
其中γc为载体坐标系相对于地理坐标系的横滚角，即Xc相对于Xg的夹角；
其中θc为载体坐标系相对于地理坐标系的俯仰角，即Yc相对于Yg的夹角；
其中
Figure FDA0003561517310000031
为载体坐标系相对于地理坐标系的航向角，即Zc相对于Zg的夹角；
(2.1.4)计算移动机器人的导航坐标系的姿态矩阵；
Figure FDA0003561517310000032
(2.1.5)计算移动机器人的导航坐标系的姿态矩阵角速率；
Figure FDA0003561517310000033
ωe为地球角速率在导航坐标系下的投影，ωa为移动机器人陀螺仪测量值；
移动机器人姿态角的实时值为：
Figure FDA0003561517310000034
Figure FDA0003561517310000035
Figure FDA0003561517310000036
Figure FDA0003561517310000037
为移动机器人导航坐标系的横滚角；
Figure FDA0003561517310000038
为移动机器人导航坐标系的航向角；
Figure FDA0003561517310000039
为移动机器人导航坐标系的俯仰角。
2.根据权利要求1所述的人工智能大数据下粒子化移动机器人组，其特征在于：所述的评估每组中移动机器人的适应值为：
Figure FDA00035615173100000310
fj(x)表示移动机器人的目标路径上的第j个支路上的分支函数；αj表示第j个支路对应的权值，m为目标路径的支路总数，x表示被评估的移动机器人标号；
fj(x)＝(βj∩γj)(βj∪γj)-2；
βj为执行目标路径经过第j个支路的移动机器人集合；γj为输入被测程序执行后所经过第j个支路的移动机器人集合。
3.根据权利要求2所述的人工智能大数据下粒子化移动机器人组，其特征在于：所述的评估每组中移动机器人当前搜索空间中最佳位置包括；
(2.3.1)将每个移动机器人的适应值与评估的移动机器人当前局部最佳已知位置pbesti,n进行比较，如果移动机器人的适应值小，则将该移动机器人的适应值替换为当前局部最佳已知位置pbesti,n；
(2.3.2)将每个移动机器人的当前局部最佳已知位置pbest与移动机器人当前搜索空间中最佳位置gbest进行比较，如果移动机器人的当前局部最佳已知位置pbest小，则将该移动机器人的当前局部最佳已知位置pbest替换为当前搜索空间中最佳位置gbest。
4.根据权利要求3所述的人工智能大数据下粒子化移动机器人组，其特征在于：所述评估的移动机器人当前局部最佳已知位置pbesti,n，包括：
N个移动机器人，每个移动机器人处于S维的搜索空间中，S≤3，第n次迭代过程中第i个移动机器人的位置为：
Figure FDA0003561517310000041
该移动机器人对应的速度为：
Figure FDA0003561517310000042
Figure FDA0003561517310000043
所述的更新每个移动机器人的速度和位置包括；
(2.4.1)更新Gn为惯性权重：
Figure FDA0003561517310000044
Gnmax为移动机器人的惯性权重的最大值，Gnmin为惯性权重的最小值，
Nmax为迭代次数的最大值；
(2.4.2)更新移动机器人的速度：
vi,n＝ps[vi,n-1+Gn·(pbest-xi,n-1)+Gn·(gbest-xi,n-1)]；
ps为收缩因子，
Figure FDA0003561517310000045
k为网络搜索上限速度；
(2.4.3)更新移动机器人的位置；
xi,n＝xi,n-1+vi,n；
所述的αj表示第j个支路对应的权值，
Figure FDA0003561517310000046
γn表示迭代过程中路径连续匹配数大于1的值；
对移动机器人的速度进行优化，具体步骤包括：
(2.4.2.1)输入移动机器人速度函数vi,n、概率效用函数
Figure FDA0003561517310000047
均值函数
Figure FDA0003561517310000048
步长函数
Figure FDA0003561517310000049
测试时长；
(2.4.2.2)初始化方向性统计模型；
Figure FDA0003561517310000051
Figure FDA0003561517310000052
为移动机器人搜索方向，
Figure FDA0003561517310000053
为归一化系数；
Figure FDA0003561517310000054
Figure FDA0003561517310000055
为n阶修改正的贝塞尔函数；
Figure FDA0003561517310000056
(2.4.2.3)计算当前步长函数值
Figure FDA0003561517310000057
Figure FDA0003561517310000058
(2.4.2.4)通过概率效用函数评估移动机器人效用值；
Figure FDA0003561517310000059
Z为中间变量，
Figure FDA00035615173100000510
φ1(Z)、φ2(Z)是标准正态分布函数和概率密度函数；
(2.4.2.5)如果移动机器人效用值在阈值P以下，选择该移动机器人，记录该移动机器人的速度值；
(2.4.2.6)计算矫正的效用量；
Figure FDA00035615173100000511
作为移动机器人全局搜索的效用计量函数，衡量的是某一个移动机器人在全局搜索策略下可能带来的期望效用量，
(2.4.2.7)更新(2.4.2.5)中移动机器人的速度为
Figure FDA00035615173100000512
(2.4.2.8)重新执行步骤(2.4.2.1)，直到所有移动机器人效用值维持在阈值P以上。
5.根据权利要求4所述的人工智能大数据下粒子化移动机器人组，其特征在于：所述的步骤(3)包括如下步骤：
(3.1)通过图像采集系统提取前一个时间点上移动机器人轮廓的点云数据MW，在点云数据MW中取点的集合mi∈MW；同时提取mi对应的真实集合
Figure FDA00035615173100000513
(3.2)通过图像采集系统提取前当前时间点上移动机器人轮廓的点云数据QW，在点云数据QW中取点的集合qi∈QW，使|qi-mi|取得最小值；
(3.3)计算摄像系统中旋转矩阵RW和平移矩阵TW；
(3.4)通过旋转矩阵RW和平移矩阵TW得到的真实集合
Figure FDA0003561517310000061
变换位姿后的集合m′i；
Figure FDA0003561517310000062
(3.5)计算m′i与qi的平均距离
Figure FDA0003561517310000063
(3.6)如果平均距离
Figure FDA0003561517310000064
小于等于位姿预警阈值
Figure FDA0003561517310000065
则目标位姿正常，否则通信目标进行调整。
6.根据权利要求5所述的人工智能大数据下粒子化移动机器人组，其特征在于：所述的计算摄像系统中旋转矩阵RW和平移矩阵TW包括：
(3.3.1)计算两个集合的质心：
Figure FDA0003561517310000066
Figure FDA0003561517310000067
为集合mi的点个数，
Figure FDA0003561517310000068
为集合qi的点个数；
(3.3.2)计算两个集合点的协方差矩阵；
Figure FDA0003561517310000069
T为转置符号；
(3.3.3)计算反对称矩阵；
Figure FDA00035615173100000610
(3.3.4)构建4×4的矩阵
Figure FDA00035615173100000611
Figure FDA00035615173100000612
I3×3是3×3的单位矩阵，
Figure FDA00035615173100000613
为矩阵的迹，
Figure FDA00035615173100000614
是反对称矩阵的分量组成的列向量，
Figure FDA00035615173100000615
Figure FDA00035615173100000616
的最大特征值对应的特征向量r＝[r0,r1,r2,r3]；
(3.3.5)旋转矩阵RW为：
Figure FDA00035615173100000617
(3.3.6)平移矩阵TW为：
Figure FDA0003561517310000071
7.根据权利要求6所述的人工智能大数据下粒子化移动机器人组，其特征在于：所述的移动机器人为物流机器人、扫地机器人、巡逻机器人、平台机器人中的一种或几种。
8.人工智能大数据下粒子化移动机器人组控制方法，其特征在于，采用如权利要求1-7中任意一项所述的人工智能大数据下粒子化移动机器人组。
CN202010023514.4A 2020-01-09 2020-01-09 人工智能大数据下粒子化移动机器人组及其控制方法 Active CN111123953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010023514.4A CN111123953B (zh) 2020-01-09 2020-01-09 人工智能大数据下粒子化移动机器人组及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010023514.4A CN111123953B (zh) 2020-01-09 2020-01-09 人工智能大数据下粒子化移动机器人组及其控制方法

Publications (2)

Publication Number Publication Date
CN111123953A CN111123953A (zh) 2020-05-08
CN111123953B true CN111123953B (zh) 2022-11-01

Family

ID=70488446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010023514.4A Active CN111123953B (zh) 2020-01-09 2020-01-09 人工智能大数据下粒子化移动机器人组及其控制方法

Country Status (1)

Country Link
CN (1) CN111123953B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114200945B (zh) * 2021-12-13 2024-04-02 长三角哈特机器人产业技术研究院 一种移动机器人的安全控制方法
CN114493423B (zh) * 2021-12-31 2024-04-09 重庆特斯联智慧科技股份有限公司 物流机器人集群自组织方法及其系统
CN115494732B (zh) * 2022-09-29 2024-04-12 湖南大学 一种基于近端策略优化的无人机轨迹设计和功率分配方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1795986A2 (de) * 2005-12-08 2007-06-13 CLAAS Selbstfahrende Erntemaschinen GmbH Routenplanungssystem für landwirtschaftliche Arbeitsmaschinen
EP1860515A2 (en) * 2006-05-26 2007-11-28 Fujitsu Ltd. Mobile robot, and control method and program for the same
CN102789234A (zh) * 2012-08-14 2012-11-21 广东科学中心 基于颜色编码标识的机器人导航方法及系统
CN102842039A (zh) * 2012-07-11 2012-12-26 河海大学 一种基于Sobel算子的道路图像检测方法
CN104950887A (zh) * 2015-06-19 2015-09-30 重庆大学 基于机器人视觉系统和自主跟踪系统的运输装置
TW201833701A (zh) * 2017-03-14 2018-09-16 聯潤科技股份有限公司 自走式清潔裝置及其建立室內地圖之方法
CN109426277A (zh) * 2017-08-30 2019-03-05 广州极飞科技有限公司 移动轨迹规划的方法及装置
CN109782807A (zh) * 2019-03-08 2019-05-21 哈尔滨工程大学 一种回形障碍物环境下的auv避障方法
CN109799822A (zh) * 2019-01-30 2019-05-24 中国石油大学(华东) 移动机器人全局平滑路径规划方法
CN208915285U (zh) * 2018-10-18 2019-05-31 天津市龙眼机器人科技有限公司 一种机器人腿部机构

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6049341A (en) * 1997-10-20 2000-04-11 Microsoft Corporation Edge cycle collision detection in graphics environment
US7116823B2 (en) * 2002-07-10 2006-10-03 Northrop Grumman Corporation System and method for analyzing a contour of an image by applying a Sobel operator thereto
TWI388956B (zh) * 2009-05-20 2013-03-11 Univ Nat Taiwan Science Tech 行動機器人與其目標物處理路徑的規劃方法
US10248120B1 (en) * 2016-09-16 2019-04-02 Amazon Technologies, Inc. Navigable path networks for autonomous vehicles
CN110084825B (zh) * 2019-04-16 2021-06-01 上海岚豹智能科技有限公司 一种基于图像边缘信息导航的方法及系统
CN110060284B (zh) * 2019-04-25 2021-10-22 王荩立 一种基于触觉感知的双目视觉环境探测系统及方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1795986A2 (de) * 2005-12-08 2007-06-13 CLAAS Selbstfahrende Erntemaschinen GmbH Routenplanungssystem für landwirtschaftliche Arbeitsmaschinen
EP1860515A2 (en) * 2006-05-26 2007-11-28 Fujitsu Ltd. Mobile robot, and control method and program for the same
CN102842039A (zh) * 2012-07-11 2012-12-26 河海大学 一种基于Sobel算子的道路图像检测方法
CN102789234A (zh) * 2012-08-14 2012-11-21 广东科学中心 基于颜色编码标识的机器人导航方法及系统
CN104950887A (zh) * 2015-06-19 2015-09-30 重庆大学 基于机器人视觉系统和自主跟踪系统的运输装置
TW201833701A (zh) * 2017-03-14 2018-09-16 聯潤科技股份有限公司 自走式清潔裝置及其建立室內地圖之方法
CN109426277A (zh) * 2017-08-30 2019-03-05 广州极飞科技有限公司 移动轨迹规划的方法及装置
CN208915285U (zh) * 2018-10-18 2019-05-31 天津市龙眼机器人科技有限公司 一种机器人腿部机构
CN109799822A (zh) * 2019-01-30 2019-05-24 中国石油大学(华东) 移动机器人全局平滑路径规划方法
CN109782807A (zh) * 2019-03-08 2019-05-21 哈尔滨工程大学 一种回形障碍物环境下的auv避障方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Multi-objective mobile robot path planning problem through learnable evolution model;Behzad Moradi;《JOURNAL OF EXPERIMENTAL & THEORETICAL ARTIFICIAL INTELLIGENCE》;20191231;第31卷(第2期);325-348 *
移动机器人自主导航关键技术研究;杨晶东;《中国博士学位论文全文数据库信息科技辑》;20100215(第2期);I140-26 *
视觉导航AGV定位与路径规划技术研究;郑少华;《中国优秀硕士学位论文全文数据库信息科技辑》;20170215(第2期);I138-3751 *

Also Published As

Publication number Publication date
CN111123953A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111123953B (zh) 人工智能大数据下粒子化移动机器人组及其控制方法
CN108759833A (zh) 一种基于先验地图的智能车辆定位方法
CN111693047B (zh) 一种高动态场景下的微小型无人机视觉导航方法
CN113781582B (zh) 基于激光雷达和惯导联合标定的同步定位与地图创建方法
CN111694364A (zh) 一种应用于智能车路径规划的基于改进蚁群算法与动态窗口法的混合算法
CN115661204B (zh) 一种无人机集群对运动目标的协同搜寻与跟踪定位方法
CN113345008B (zh) 考虑轮式机器人位姿估计的激光雷达动态障碍物检测方法
CN113674399A (zh) 一种移动机器人室内三维点云地图构建方法及系统
CN112256023A (zh) 基于贝塞尔曲线的机场巡界机器人局部路径规划方法及系统
CN113701780A (zh) 基于a星算法的实时避障规划方法
CN111208820B (zh) 人工智能大数据下粒子化无人车组、控制方法及介质
CN113689502B (zh) 一种多信息融合的障碍物测量方法
CN112578673B (zh) 无人方程式赛车多传感器融合的感知决策与跟踪控制方法
CN111829514B (zh) 一种适用于车辆底盘集成控制的路面工况预瞄方法
Jiang et al. Obstacle detection and tracking for intelligent agricultural machinery
CN111360829B (zh) 人工智能大数据下医疗用品运送机器人及其控制方法
Wang et al. Extraction of preview elevation information based on terrain mapping and trajectory prediction in real-time
CN115950414A (zh) 一种不同传感器数据的自适应多重融合slam方法
CN113554705B (zh) 一种变化场景下的激光雷达鲁棒定位方法
CN111239761B (zh) 一种用于室内实时建立二维地图的方法
CN112305558B (zh) 一种利用激光点云数据的移动机器人轨迹确定方法及装置
CN114581519A (zh) 一种越野环境下的四足机器人激光自主定位建图方法
CN114636422A (zh) 用于信息机房场景的定位导航方法
CN111238470B (zh) 人工智能大数据下智能眼镜道路规划方法、介质及设备
Wang et al. Research on SLAM road sign observation based on particle filter

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
TA01 Transfer of patent application right

Effective date of registration: 20221012

Address after: 401121 No. 6, Fortune East Road, Tiangongdian Street, Liangjiang New District, Yubei District, Chongqing

Applicant after: Chongqing Hongji Longcheng Technology Co.,Ltd.

Address before: 150001 No. 145-1, Nantong Avenue, Nangang District, Heilongjiang, Harbin

Applicant before: HARBIN ENGINEERING University

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant