CN111427341B - 一种基于概率地图的机器人最短预期时间目标搜索方法 - Google Patents
一种基于概率地图的机器人最短预期时间目标搜索方法 Download PDFInfo
- Publication number
- CN111427341B CN111427341B CN201911072645.5A CN201911072645A CN111427341B CN 111427341 B CN111427341 B CN 111427341B CN 201911072645 A CN201911072645 A CN 201911072645A CN 111427341 B CN111427341 B CN 111427341B
- Authority
- CN
- China
- Prior art keywords
- probability
- target
- observation point
- probability model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
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)
- Image Analysis (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于概率地图的机器人最短预期时间目标搜索方法,包括以下步骤:S01:建立概率地图初始数据集,构建概率模型;S02:观测点序列规划并计算预期时间;S03:执行搜索,根据进度更新概率模型;S04:重复步骤S02及S03,直至找到目标或接到停止指令。本发明的实质性效果包括:根据初始的概率模型对搜索路径进行规划,同时又在执行搜索的过程中根据当前进度对概率模型进行更新,通过不断更新的概率模型重新规划路径,保证搜索期望时间最短,搜索效率最高。
Description
技术领域
本发明涉及机器人路径搜索领域,特别涉及一种基于概率地图的机器人最短预期时间目标搜索方法。
背景技术
运动规划是慎思体系结构或反应-慎思体系结构机器人执行任务的上层决策关键环节。不确定环境下的机器人目标搜索任务属于比较复杂的任务类型,合理的运动规划方法可以极大的提高搜索任务的工作效率。
如申请号CN201610257825.0的发明公开了一种基于概率地图的工业机器人路径搜索优化算法,所述算法包括以下步骤:(1)在工业机器人末端运动的位姿空间中,运用碰撞检测算法选取若干无碰撞的采样位姿点,放入采样位姿点集V;(2)采用局部路径规划器选取采样位姿点之间的局部安全路径,放入边集E;(3)采样位姿点集V和边集E构成所需的概率地图 G;(4)输入工业机器人末端运动的起始点与终止点;(5)采用A*算法搜索路径,获取全局无碰撞路径;(6)采用路径优化算法对所得路径进行优化,获得全局优化路径。
目前服务机器人运动规划方法常用的评价指标为时间最短或路径最短,无法匹配多样化的搜索任务需求。以上搜索方法通常需要精确的目标位置,如果不确定目标位置,则假设目标均匀分布于某以空间,然后进行遍历搜索。现实的任务需求中的工作环境常常属于半结构化,甚至是非结构化工作空间,许多目标所处的位置通常是不能精确确定的。机器人真实工作环境中的物体在不同空间中出现的概率差别非常大。如水杯出现在餐桌上的概率远高于其出现在洗手间里的概率。而现有技术缺少针对这类情况的高效搜索方法。
发明内容
针对现有技术在目标位置不确定时无法高效搜索的问题,本发明提供了一种基于概率地图的机器人最短预期时间目标搜索方法,构建了不确定环境下的概率运动规划策略,主要用于需要优化预期时间的搜索任务。根据任务特点,实现任务的较优规划。
以下是本发明的技术方案。
一种基于概率地图的机器人最短预期时间目标搜索方法,包括以下步骤:S01:建立概率地图初始数据集,构建概率模型;S02:观测点序列规划并计算预期时间;S03:执行搜索,根据进度更新概率模型;S04:重复步骤S02及S03,直至找到目标或接到停止指令。本方案在初始数据集和概率模型的基础上进行任务的规划,同时在执行任务的过程中更新概率模型,并根据最新的概率模型重新规划任务,最大程度减少搜索所需的时间,实现在不确定位置的情况下高效搜索目标。
作为优选,步骤S01的过程包括:建立初始的特征地图,选定若干观测点,获取观测点之间的通路,同时记录通路的路径长度,生成初始拓扑地图及概率模型。建立初始特征地图的方式可以是通过2D激光雷达扫描工作环境,或者是通过其他手段自动或手动建立,观测点的选择可以人工指定,也可以根据历史的目标位置而选定,最终获得进行搜索的基础条件。
作为优选,所述生成初始拓扑地图及概率模型的过程包括:采用具有碰撞测试和回归机制的RRT算法在特征地图中获取相邻观测点之间的通路,并记录其生成的路径长度,连接观测点形成初始拓扑地图;搜索区域满足:
其中Ok是第k观测点,Ck是在该观测点全景视觉能覆盖到的区域,Q是待搜索区域,fk是区域的Ck的概率密指标,fk由历史数据统计得到;
则第k个观测点能发现目标的初始概率为:
其中S(Ck)是区域Ck的面积;以位置为关联信息,建立概率信息、特征地图、拓扑地图的相互映射,从而构成环境的概率模型。
通过历史数据的统计,得到关键参数,作为概率模型的成型基础,这种方式获得的参数参考价值高,更能反映出真实的概率分布情况。
作为优选,步骤S02的过程包括:根据概率模型中各观测点的概率分布计算任务预期耗时,其中计算过程包括:
ti时刻的概率分布为:
任务预期耗时为:
其中tk表示移动机器人运动至观测点Ok,并在Ok找到物体的过程中的耗时;
下一级节点的启发式搜索模型为:
在此过程中,任何子节点都不应被其他任何节点严格支配,至少满足以下条件之一:
Pj{T=ti}>Pi{T=ti};Ju_li(O0,Oj)<Ju_li(O0,Oi);
其中,Ju_li(O0,Oj)表示O0与Oj之间的距离。
通过对时间及概率的取舍以得到较优的规划方案,利于高效搜索。
作为优选,步骤S03中执行搜索的过程包括:根据观测点序列,沿RRT算法所生成的路径运动,若路径中出现临时不可行区域或障碍物,则以避障和避险为高优先级,再以下一观测点为中间节点生成新的运动轨迹,在移动机器人沿着观测点序列的运动过程中,使用全景摄像机扫描目标,对目标进行搜索,直到获得目标为止。
作为优选,步骤S03中更新概率模型的过程包括:
计算概率中间计算值:
其中表示在更新间隔中发生的事件对目标存在概率的影响力,/>为t时刻能在第k个观测点找到目标的概率;其中λ是更新速率因子,代表/>随时间t推移对目标出现概率影响力的下降速度,λ∈(0,1);
计算下一时刻能在第k个观测点找到目标的概率:
完成概率模型的更新。
通过对概率模型的不断更新,保证每次规划的路径都是较优方案,以此提高搜索效率,实现不确定位置下最短预期时间的目标搜索。
本发明的实质性效果包括:根据初始的概率模型对搜索路径进行规划,同时又在执行搜索的过程中根据当前进度对概率模型进行更新,通过不断更新的概率模型重新规划路径,保证搜索期望时间最短,搜索效率最高。
具体实施方式
下面将结合实施例,对本申请的技术方案进行描述。另外,为了更好的说明本发明,在下文中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未做详细描述,以便于凸显本发明的主旨。
实施例:
一种基于概率地图的机器人最短预期时间目标搜索方法,在初始数据集和概率模型的基础上进行任务的规划,同时在执行任务的过程中更新概率模型,并根据最新的概率模型重新规划任务,最大程度减少搜索所需的时间,实现在不确定位置的情况下高效搜索目标。
本实施例包括以下步骤:
S01:建立概率地图初始数据集,构建概率模型。
作为优选,步骤S01的过程包括:建立初始的特征地图,选定若干观测点,获取观测点之间的通路,同时记录通路的路径长度,生成初始拓扑地图及概率模型。建立初始特征地图的方式可以是通过2D激光雷达扫描工作环境,或者是通过其他手段自动或手动建立,观测点的选择可以人工指定,也可以根据历史的目标位置而选定,最终获得进行搜索的基础条件。
作为优选,所述生成初始拓扑地图及概率模型的过程包括:采用具有碰撞测试和回归机制的RRT算法在特征地图中获取相邻观测点之间的通路,并记录其生成的路径长度,连接观测点形成初始拓扑地图;搜索区域满足:
其中Ok是第k观测点,Ck是在该观测点全景视觉能覆盖到的区域,Q是待搜索区域,fk是区域的Ck的概率密指标,fk由历史数据统计得到;
则第k个观测点能发现目标的初始概率为:
其中S(Ck)是区域Ck的面积;以位置为关联信息,建立概率信息、特征地图、拓扑地图的相互映射,从而构成环境的概率模型。
通过历史数据的统计,得到关键参数,作为概率模型的成型基础,这种方式获得的参数参考价值高,更能反映出真实的概率分布情况。
S02:观测点序列规划并计算预期时间。
作为优选,步骤S02的过程包括:根据概率模型中各观测点的概率分布计算任务预期耗时,其中计算过程包括:
ti时刻的概率分布为:
任务预期耗时为:
其中tk表示移动机器人运动至观测点Ok,并在Ok找到物体的过程中的耗时;
下一级节点的启发式搜索模型为:
在此过程中,任何子节点都不应被其他任何节点严格支配,至少满足以下条件之一:
Pj{T=ti}>Pi{T=ti};Ju_li(O0,Oj)<Ju_li(O0,Oi);
其中,Ju_li(O0,Oj)表示O0与Oj之间的距离。
通过对时间及概率的取舍以得到较优的规划方案,利于高效搜索。
S03:执行搜索,根据进度更新概率模型。
作为优选,步骤S03中执行搜索的过程包括:根据观测点序列,沿RRT算法所生成的路径运动,若路径中出现临时不可行区域或障碍物,则以避障和避险为高优先级,再以下一观测点为中间节点生成新的运动轨迹,在移动机器人沿着观测点序列的运动过程中,使用全景摄像机扫描目标,对目标进行搜索,直到获得目标为止。
作为优选,步骤S03中更新概率模型的过程包括:
计算概率中间计算值:
其中表示在更新间隔中发生的事件对目标存在概率的影响力,/>为t时刻能在第k个观测点找到目标的概率;其中λ是更新速率因子,代表/>随时间t推移对目标出现概率影响力的下降速度,λ∈(0,1);
计算下一时刻能在第k个观测点找到目标的概率:
完成概率模型的更新。
通过对概率模型的不断更新,保证每次规划的路径都是较优方案,以此提高搜索效率,实现不确定位置下最短预期时间的目标搜索。
S04:重复步骤S02及S03,直至找到目标或接到停止指令。
本实施例的效果包括:根据初始的概率模型对搜索路径进行规划,同时又在执行搜索的过程中根据当前进度对概率模型进行更新,通过不断更新的概率模型重新规划路径,保证搜索期望时间最短,搜索效率最高。
通过以上实施方式的描述,所属领域的技术人员可以了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中可以根据需要而将上述功能分配由不同的功能模块完成,即将具体装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的实施例中,应该理解到,所揭露的方法,可以通过其它的方式实现。本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(readonly memory, ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (2)
1.一种基于概率地图的机器人最短预期时间目标搜索方法,其特征在于,包括以下步骤:
S01:建立概率地图初始数据集,构建概率模型;
S02:观测点序列规划并计算预期时间;
S03:执行搜索,根据进度更新概率模型;
S04:重复步骤S02及S03,直至找到目标或接到停止指令;
步骤S01的过程包括:
建立初始的特征地图,选定若干观测点,获取观测点之间的通路,同时记录通路的路径长度,生成初始拓扑地图及概率模型;
生成初始拓扑地图及概率模型的过程包括:采用具有碰撞测试和回归机制的RRT算法在特征地图中获取相邻观测点之间的通路,并记录其生成的路径长度,连接观测点形成初始拓扑地图;搜索区域满足:
其中Ok是第k观测点,Ck是在该观测点全景视觉能覆盖到的区域,Q是待搜索区域,fk是区域Ck的概率密指标,fk由历史数据统计得到;
则第k个观测点能发现目标的初始概率为:
其中S(Ck)是区域Ck的面积;以位置为关联信息,建立概率信息、特征地图、拓扑地图的相互映射,从而构成环境的概率模型;
步骤S02的过程包括:根据概率模型中各观测点的概率分布计算任务预期耗时,其中计算过程包括:
ti时刻的概率分布为:
任务预期耗时为:
其中tk表示移动机器人运动至观测点Ok,并在Ok找到物体的过程中的耗时;
下一级节点的启发式搜索模型为:
在此过程中,任何子节点都不应被其他任何节点严格支配,至少满足以下条件之一:
Pj{T=ti}>Pi{T=ti};Ju_li(O0,Oj)<Ju_li(O0,Oi);
其中,Ju_li(O0,Oj)表示O0与Oj之间的距离;
步骤S03中执行搜索的过程包括:根据观测点序列,沿RRT算法所生成的路径运动,若路径中出现临时不可行区域或障碍物,则以避障和避险为高优先级,再以下一观测点为中间节点生成新的运动轨迹,在移动机器人沿着观测点序列的运动过程中,使用全景摄像机扫描目标,对目标进行搜索,直到获得目标为止。
2.根据权利要求1所述的一种基于概率地图的机器人最短预期时间目标搜索方法,其特征在于,步骤S03中更新概率模型的过程包括:
计算概率中间计算值:
其中表示在更新间隔中发生的事件对目标存在概率的影响力,/>为t时刻能在第k个观测点找到目标的概率;其中λ是更新速率因子,代表/>随时间t推移对目标出现概率影响力的下降速度,λ∈(0,1);
计算下一时刻能在第k个观测点找到目标的概率:
完成概率模型的更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911072645.5A CN111427341B (zh) | 2019-11-05 | 2019-11-05 | 一种基于概率地图的机器人最短预期时间目标搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911072645.5A CN111427341B (zh) | 2019-11-05 | 2019-11-05 | 一种基于概率地图的机器人最短预期时间目标搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111427341A CN111427341A (zh) | 2020-07-17 |
CN111427341B true CN111427341B (zh) | 2023-11-14 |
Family
ID=71546816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911072645.5A Active CN111427341B (zh) | 2019-11-05 | 2019-11-05 | 一种基于概率地图的机器人最短预期时间目标搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111427341B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112762921B (zh) * | 2020-12-24 | 2022-05-20 | 杭州电子科技大学 | 一种基于仿人记忆机制的机器人概率地图更新方法 |
CN114397894B (zh) * | 2021-12-29 | 2024-06-14 | 杭州电子科技大学 | 一种模仿人类记忆的移动机器人目标搜索方法 |
CN114995442B (zh) * | 2022-06-15 | 2023-07-21 | 杭州电子科技大学 | 基于最佳观测点序列的移动机器人运动规划方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103558856A (zh) * | 2013-11-21 | 2014-02-05 | 东南大学 | 动态环境下服务动机器人导航方法 |
CN105867381A (zh) * | 2016-04-25 | 2016-08-17 | 广西大学 | 一种基于概率地图的工业机器人路径搜索优化算法 |
CN106325284A (zh) * | 2016-11-04 | 2017-01-11 | 北京理工大学 | 面向人机协作搜索识别多目标任务的机器人运动规划方法 |
CN107844129A (zh) * | 2017-11-30 | 2018-03-27 | 北京大学深圳研究生院 | 基于路径规划和信息融合的多无人机协同搜索方法及系统 |
CN107943053A (zh) * | 2017-12-15 | 2018-04-20 | 陕西理工大学 | 一种移动机器人的路径规划方法 |
CN108353248A (zh) * | 2015-08-27 | 2018-07-31 | Fzc哥络普斯 | 用于定位移动设备的方法和装置 |
CN108458717A (zh) * | 2018-05-07 | 2018-08-28 | 西安电子科技大学 | 一种迭代的快速扩展随机树irrt的无人机路径规划方法 |
CN109299210A (zh) * | 2018-11-06 | 2019-02-01 | 哈尔滨工业大学(深圳) | 一种基于信息融合的多无人机分布式协同搜索方法 |
-
2019
- 2019-11-05 CN CN201911072645.5A patent/CN111427341B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103558856A (zh) * | 2013-11-21 | 2014-02-05 | 东南大学 | 动态环境下服务动机器人导航方法 |
CN108353248A (zh) * | 2015-08-27 | 2018-07-31 | Fzc哥络普斯 | 用于定位移动设备的方法和装置 |
CN105867381A (zh) * | 2016-04-25 | 2016-08-17 | 广西大学 | 一种基于概率地图的工业机器人路径搜索优化算法 |
CN106325284A (zh) * | 2016-11-04 | 2017-01-11 | 北京理工大学 | 面向人机协作搜索识别多目标任务的机器人运动规划方法 |
CN107844129A (zh) * | 2017-11-30 | 2018-03-27 | 北京大学深圳研究生院 | 基于路径规划和信息融合的多无人机协同搜索方法及系统 |
CN107943053A (zh) * | 2017-12-15 | 2018-04-20 | 陕西理工大学 | 一种移动机器人的路径规划方法 |
CN108458717A (zh) * | 2018-05-07 | 2018-08-28 | 西安电子科技大学 | 一种迭代的快速扩展随机树irrt的无人机路径规划方法 |
CN109299210A (zh) * | 2018-11-06 | 2019-02-01 | 哈尔滨工业大学(深圳) | 一种基于信息融合的多无人机分布式协同搜索方法 |
Non-Patent Citations (4)
Title |
---|
基于概率地图的工业机器人路径搜索优化算法;陈琳等;《武汉理工大学学报》;20160430(第04期);全文 * |
基于模糊滚动RRT算法的移动机器人路径规划;康亮等;《南京理工大学学报(自然科学版)》;20101030(第05期);全文 * |
未知环境探测的多机器人协作策略研究;吴皓等;《山东大学学报(工学版)》;20080816(第04期);全文 * |
采用碰撞测试和回归机制的非完整约束机器人快速扩展随机树运动规划;张波涛等;《控制理论与应用》;20160715(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111427341A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109115226B (zh) | 基于跳点搜索的多机器人冲突避免的路径规划方法 | |
CN111427341B (zh) | 一种基于概率地图的机器人最短预期时间目标搜索方法 | |
CN110989352B (zh) | 一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法 | |
CN109163722B (zh) | 一种仿人机器人路径规划方法及装置 | |
CN113467456A (zh) | 一种未知环境下用于特定目标搜索的路径规划方法 | |
CN111562785A (zh) | 一种群集机器人协同覆盖的路径规划方法及系统 | |
CN114119920A (zh) | 三维点云地图构建方法、系统 | |
CN114756034B (zh) | 一种机器人实时避障路径规划方法及装置 | |
CN114740846A (zh) | 面向拓扑-栅格-度量混合地图的分层路径规划方法 | |
CN114815802A (zh) | 一种基于改进蚁群算法的无人天车路径规划方法和系统 | |
CN113867336B (zh) | 一种适用于复杂场景下移动机器人路径导航及规划方法 | |
CN114625162A (zh) | 基于混合算法的无人机最优路径规划方法、系统及介质 | |
CN112327890A (zh) | 一种基于whca*算法的水下多机器人路径规划 | |
CN109269518A (zh) | 一种基于智能体的可移动装置有限空间路径生成方法 | |
CN114296474A (zh) | 一种基于路径时间代价的无人机路径规划方法及系统 | |
CN113778093A (zh) | 基于改进麻雀搜索算法的amr自主移动机器人路径规划方法 | |
CN110954124A (zh) | 一种基于a*-pso算法的自适应路径规划方法及系统 | |
CN110705803B (zh) | 基于三角形内心引导rrt算法的路径规划方法 | |
CN113885567B (zh) | 一种基于冲突搜索的多无人机的协同路径规划方法 | |
CN114343490A (zh) | 机器人清扫方法、机器人及存储介质 | |
CN114186112B (zh) | 一种基于贝叶斯优化多重信息增益探索策略的机器人导航方法 | |
CN114967680A (zh) | 基于蚁群算法和卷积神经网络的移动机器人路径规划方法 | |
CN113096181A (zh) | 设备位姿的确定方法、装置、存储介质及电子装置 | |
CN110749325B (zh) | 航迹规划方法和装置 | |
CN114740898B (zh) | 一种基于自由空间与a*算法的三维航迹规划方法 |
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 |