CN111487963A - 一种机器人自主避障方法 - Google Patents
一种机器人自主避障方法 Download PDFInfo
- Publication number
- CN111487963A CN111487963A CN202010237782.6A CN202010237782A CN111487963A CN 111487963 A CN111487963 A CN 111487963A CN 202010237782 A CN202010237782 A CN 202010237782A CN 111487963 A CN111487963 A CN 111487963A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- parameter data
- robot
- scene
- controlling
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 208000012661 Dyskinesia Diseases 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008034 disappearance Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
- G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
-
- 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
-
- 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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- 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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- 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
- G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Acoustics & Sound (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本公开的实施例提供了一种机器人自主避障方法、设备和计算机可读存储介质。所述方法包括获取主要参数数据和辅助参数数据,所述主要参数数据指示所述机器人前方的障碍物距离,所述辅助参数数据指示所述机器人左右两侧的障碍物距离;将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景;根据所述障碍场景控制所述机器人的运动方向。以此方式,可以实现机器人的自主避障。
Description
技术领域
本公开的实施例一般涉及机器人自主运动领域,并且更具体地,涉及一种机器人自主避障方法、设备和计算机可读存储介质。
背景技术
智能移动机器人是一类能够通过传感器和其他技术感知环境和自身状态,实现在有障碍物的环境中面向目标的自主导航运动,从而完成预定任务的机器人系统。避障是移动机器人运动规划中的基本问题之一。在机器人自主运动中由于计算的复杂性、控制的实时性、环境的不确定性因素,尤其是在包含多个障碍的复杂环境中,避障问题一直以来都是机器人路径规划中的难点。
要实现机器人的自主避障,必须要解决各个传感器之间的配合。当前,配置在智能移动机器人上用于避障的传感器多为非扫描式安装的基于波束反射测量原理的传感器(如超声波,红外反射,激光反射)。在实际应用中,波束遇到平整反射面后,会形成镜面反射,导致大部分能量被反射走,以至于被传感器接收到的能量微弱。因此,会出现传感器误判为前方空旷,对障碍物无法感知的情况。即,产生盲区。
针对上述问题,一般是通过加装传感器的方法进行解决的。但是,如果加装的传感器过多会额外增加经济成本,而过少又无法解决技术问题。
同时,当前的机器人自主避障算法大多是为小型机器人配置的,如扫地机器人等灵活性较高的机器人,而对于运动过程容易对周围物体造成刮蹭、碾压等破坏行为的中大型机器人(灵活性低)并不能适用。
综上,如何在机器人上配置传感器和开发应用于中大型机器人的自主避障算法是当前急需解决的问题。
发明内容
根据本公开的实施例,针对上述问题,提供了一种机器人自主避障方法,不但能够应用于小型机器人,而且还能够应用于中大型机器人,实现机器人的自主避障。
在本公开的第一方面,提供了一种机器人自主避障方法。该方法包括:
获取主要参数数据和辅助参数数据,所述主要参数数据指示所述机器人前方的障碍物距离,所述辅助参数数据指示所述机器人左右两侧的障碍物距离;
将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景;
根据所述障碍场景控制所述机器人的运动方向。
进一步地,所述主要参数数据包括第一主要参数数据M1和第二主要参数数据M2,所述第一主要参数数据M1指示所述机器人前方左侧的障碍物距离,所述第二主要参数数据M2指示所述机器人前方右侧的障碍物距离;所述辅助参数数据包括第一辅助参数数据S1和第二辅助参数数据S2,所述第一辅助参数数据S1指示所述机器人左侧的障碍物距离,所述第二辅助参数数据S2指示所述机器人右侧的障碍物距离。
进一步地,所述将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景包括:
若M1、M2、S1、S2均大于各自的阈值,则为无障碍场景;
所述根据所述障碍场景控制所述机器人运动包括:
控制机器人向前运动。
进一步地,所述将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景包括:
若M1或M2小于各自的阈值,S1和S2大于各自的阈值,则为侧前方障碍场景;
所述根据所述障碍场景控制所述机器人运动包括:
若M1小于阈值,则控制机器人向右侧转动;
若M2小于阈值,则控制机器人向左侧转动。
进一步地,所述将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景包括:
若M1和M2均大于各自的阈值,S1和S2均小于各自的阈值,则为狭窄通道障碍场景;
所述根据所述障碍场景控制所述机器人运动包括:
控制机器人向前运动,同时根据差速量对机器人的前进方向进行修正;
其中,差速量根据如下公式进行计算:
P=k*(L–l)2;
k为调试参数;
L为车长;
l为S1和S2中较大的值;
P为差速量。
进一步地,所述将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景包括:
若持续处于侧前方障碍场景,且M1和M2的大小关系多次反转,则为U型障碍场景;
所述根据所述障碍场景控制所述机器人运动包括:
控制机器人向特定方向转弯,直到M1和M2的实时值均大于阈值;其中,根据确定为U型障碍场景时M1和M2中较大的值确定所述特定方向。
进一步地,所述将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景包括:
根据公式a=M(n-1)/M(n)判断所述障碍场景是否为运动障碍场景,若a的值在阈值范围内,则为运动障碍场景;
其中,M(n)为第n次测得的主要参数数据;
M(n-1)为第n-1次测得的主要参数数据;
所述根据所述障碍场景控制所述机器人运动包括:
控制机器人停止运动,等待运动障碍场景消失。
进一步地,
所述将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景包括:
如所确定的障碍场景大于一种,则按照以下优先级排序确定障碍场景:
运动障碍场景>”U”型障碍场景>狭长通道障碍场景>侧前方障碍场景。
在本公开的第二方面,提出了一种设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如根据本公开的上述方法。
在本公开的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本公开的上述方法。
本申请实施例提供的机器人自主避障方法,通过获取主要参数数据和辅助参数数据;将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景;根据所述障碍场景控制所述机器人的运动方向,实现了机器人自主避障,同时本申请实施例提供的方法还可以应用于中大型机器人,实现中大型机器人自主避障。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1是根据本申请的机器人自主避障方法的一个实施例的流程图;
图2是根据本申请的机器人测量参数场景示意图;
图3是用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
作为本申请的一个实施例。图1示出了机器人自主避障方法的流程100,包括以下步骤:
S110,获取主要参数数据和辅助参数数据,所述主要参数数据指示所述机器人前方的障碍物距离,所述辅助参数数据指示所述机器人左右两侧的障碍物距离。
其中,如图2所示,主要参数数据包括第一主要参数数据M1和第二主要参数数据M2,M1是通过所述机器人前方左侧的传感器获取的,用于指示所述机器人前方左侧的障碍物距离;M2是通过所述机器人前方右侧的传感器获取的,用于指示所述机器人前方右侧的障碍物距离。
辅助参数数据包括第一辅助参数数据S1和第二辅助参数数据S2,S1是通过所述机器人左侧的传感器获取的,用于指示所述机器人左侧的障碍物距离;S2是通过机器人右侧的传感器获取的,用于指示所述机器人右则的障碍物距离。
可选地,所述传感器为距离传感器,例如超声波、红外和/或激光传感器等。
S120,将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景。
若M1、M2、S1、S2均大于各自的阈值,则为无障碍场景。即,空旷场景。
若M1或M2小于各自的阈值,且S1和S2均大于各自的阈值,则为侧前方障碍场景。具体地,如M1小于阈值,则为左前方障碍场景,即,左前方存在障碍场景;如M2小于阈值,则为右前方障碍场景,即,右前方存在障碍场景。
若M1和M2均大于各自的阈值,且S1和S2均小于各自的阈值,则为狭窄通道障碍场景。
若持续处于侧前方障碍场景,且M1和M2的大小关系多次反转,则为U型障碍场景。
具体地,若机器人处于侧前方障碍场景(M1或M2小于阈值,S1和S2均大于各自的阈值),且在相邻的两次测量中M1和M2大小关系相反,则为疑似场景,如连续X次判断为疑似场景,则为“U”型障碍场景。优选地,所述X的取值范围大于等于3。
其中,所述在相邻的两次测量中M1和M2大小关系相反,则判定为疑似场景,包括:
当M1和M2在第N个节点大小关系发生反转时,分析第N-1个节点M1和M2的状态S;其中,S为1或0,当S为1时代表前行,S为0时代表转弯;
从第N-1个节点起,每隔一段时间间隔记录一次节点状态,优选地,所述时间间隔为500毫秒(ms);当记录序列以0结尾,且在所述序列中出现0的次数与出现1的次数的比值大于等于预设数值时,则所述障碍场景为疑似场景。优选地,所述预设数值为10。
根据公式a=M(n-1)/M(n)判断所述障碍场景是否为运动障碍场景,若a的值在阈值范围内,则为运动障碍场景;
其中,M(n)为第n次测得的主要参数数据;
M(n-1)为第n-1次测得的主要参数数据。
需要说明的是,本步骤中的阈值是根据机器人的大小、速度和/或执行任务时的环境等因素进行设定的,其中环境因素包括可能遇见的静态和/或动态障碍物等。
S130,根据所述障碍场景控制所述机器人的运动方向。
其中,若所述场景为无障碍场景,则控制机器人向前运动。即,不干扰机器人的当前运动状态。
若所述场景为侧前方障碍场景,则控制机器人进行转动。具体地,若M1小于阈值,即,左前方存在障碍场景,则控制机器人向右侧转动;若M2小于阈值,即,右前方存在障碍场景,则控制机器人向左侧转动。控制机器人进行转动时,转动角度的大小和速度可根据机器人的大小、运行速度和或/传感器数据等因素进行设定。
若所述场景为狭窄通道障碍场景,则控制机器人向前运动,同时根据差速量对机器人的前进方向进行修正。在机器人执行任务过程中可能会碰见各种复杂情况(S1和S2数值不同),导致机器人的前进方向并不是笔直的,此时就需要对机器人的前进方向进行修正以保证机器人的前进过程中不会碰到障碍。即,通过差速量对机器人的前进方向进行调整。
其中,差速量可根据如下公式进行计算:
P=k*(L–l)2;
k为调试参数;
L为车长;
l为S1和S2中较大的值;
P为差速量。
若所述场景为“U”型障碍场景,则控制机器人向特定方向转弯,直到M1和M2的实时值均大于阈值;其中,根据确定为U型障碍场景时M1和M2中较大的值确定所述特定方向。具体地,锁定当前M1和M2的数值,保持机器人当前的运动状态(转弯),即,不再根据传感器测得的实时主要参数数据调整机器人的运动状态,如确定为U型障碍场景时M1大于M2则控制机器人左转,如M1小于M2则控制机器人右转,直到传感器测得的M1和M2的实时值均大于阈值。
若所述场景为运动障碍场景,则控制机器人停止运动,等待运动场景消失。
其中,等待运动场景消失,包括但不限于以下几种方案:
方案一:可以通过前方左侧和前方右侧的传感器测得的实时数据(主要参数数据)判断运动障碍是否消失,如测得的M1和M2的实时值均大于阈值,则所述运动障碍消失。
通过本方案测得的等待时间比较精确,但是需要传感器不停的进行测量以达到目标效果,能源消耗较大,适合执行路程较短的任务。
方案二,可以根据当前测得的主要参数数据计算等待时间。
优选地,通过下式计算所述等待时间:
T=f(a);
f(a)=EXP(MAX(a(n),a(n-1))–2)-D;
a=M(n-1)/M(n);
其中,T为当前计算出的需要等待的时间;
EXP()代表e的指数形式;
D为常量,其取值范围可根据实际情况进行设定;优选地,其取值范围[0.1,0.5];
a代表突发级别,其取值范围可根据实际情况进行设定;优选地,其取值范围[2,5];
MAX(a(n),a(n-1))代表邻近两次突发级别中选择值较大的。
方案三,可以根据机器人的大小、运行速度、任务类型和/或执行任务过程中可能碰到的障碍物类型等因素设置预设等待时间。其中,障碍物类型包括障碍物的大小和/或运行速度等。适合执行对任务场地比较熟悉的任务。
若所述障碍场景为运动障碍场景,优先采用方案二。通过方案二的方法,得到的等待时间更为精确,能源消耗更少(传感器探测间隔长,不需要不间断地一直探测),使得机器人执行任务时的效率更高。
如采用方案二或方案三的方法,等待时间过后测得的实时主要参数数据仍小于阈值,即,运动障碍没有消失。则机器人发出报警,提醒操作者进行人工操作。其中,报警可以为声光警报和/或震动警报等。
在机器人实际执行任务过程中,很有可能会满足多种场景。例如,同时满足侧前方障碍场景和运动障碍场景。因此,为了使得机器人更好的完成任务,在满足多种场景时,按照以下优先级排序确定障碍场景:
运动障碍场景>“U”型障碍场景>狭长通道障碍场景>侧前方障碍场景。
本实施例的机器人自主避障方法,通过4个传感器(前端两个,侧面各一个)实现了机器人自主避障。即,采用最小数量(传感器)方案满足了机器人自主避障的需求,大幅节约了经济成本。同时,本申请提供的机器人自主避障算法不但可以应用于小型机器如扫地机器人等灵活性较高的机器人,还可以应用于灵活性较低,且运动过程容易对周围物体造成刮蹭、碾压等破坏行为的中大型机器人。
本申请实施例还提出了一种设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的机器人自主避障方法。
此外,本申请实施例还提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的机器人自主避障方法。
下面参考图3,其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。图3示出的终端设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图3所示,计算机系统包括中央处理单元(CPU)301,其可以基于存储在只读存储器(ROM)302中的程序或者从存储部分308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有系统操作所需的各种程序和数据。CPU301、ROM 302以及RAM303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
以下部件连接至I/O接口305:包括键盘、鼠标等的输入部分306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307;包括硬盘等的存储部分308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也基于需要连接至I/O接口305。可拆卸介质311,诸如磁盘、光盘、磁光盘、半导体存储器等等,基于需要安装在驱动器310上,以便于从其上读出的计算机程序基于需要被安装入存储部分308。
特别地,基于本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分309从网络上被下载和安装,和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU)301执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个单元、程序段、或代码的一部分,所述单元、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括信息测量单元、行驶轨迹确定单元、映射关系确定单元和驾驶策略生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,信息测量单元还可以被描述为“测量本车的状态信息以及周围场景信息的单元”。
作为另一方面,本申请还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质;也可以是单独存在,未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当所述一个或者多个程序被一个设备执行时,使得所述设备:获取主要参数数据和辅助参数数据;将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景;根据所述障碍场景控制所述机器人的运动方向。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种机器人自主避障方法,其特征在于,包括:
获取主要参数数据和辅助参数数据,所述主要参数数据指示所述机器人前方的障碍物距离,所述辅助参数数据指示所述机器人左右两侧的障碍物距离;
将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景;
根据所述障碍场景控制所述机器人的运动方向。
2.根据权利要求1所述的方法,其特征在于,所述主要参数数据包括第一主要参数数据M1和第二主要参数数据M2,所述第一主要参数数据M1指示所述机器人前方左侧的障碍物距离,所述第二主要参数数据M2指示所述机器人前方右侧的障碍物距离;所述辅助参数数据包括第一辅助参数数据S1和第二辅助参数数据S2,所述第一辅助参数数据S1指示所述机器人左侧的障碍物距离,所述第二辅助参数数据S2指示所述机器人右侧的障碍物距离。
3.根据权利要求2所述的方法,其特征在于,所述将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景包括:
若M1、M2、S1、S2均大于各自的阈值,则为无障碍场景;
所述根据所述障碍场景控制所述机器人运动包括:
控制机器人向前运动。
4.根据权利要求3所述的方法,其特征在于,所述将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景包括:
若M1或M2小于各自的阈值,S1和S2大于各自的阈值,则为侧前方障碍场景;
所述根据所述障碍场景控制所述机器人运动包括:
若M1小于阈值,则控制机器人向右侧转动;
若M2小于阈值,则控制机器人向左侧转动。
5.根据权利要求4所述的方法,其特征在于,所述将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景包括:
若M1和M2均大于各自的阈值,S1和S2均小于各自的阈值,则为狭窄通道障碍场景;
所述根据所述障碍场景控制所述机器人运动包括:
控制机器人向前运动,同时根据差速量对机器人的前进方向进行修正;
其中,差速量根据如下公式进行计算:
P=k*(L–l)2;
k为调试参数;
L为车长;
l为S1和S2中较大的值;
P为差速量。
6.根据权利要求5所述的方法,其特征在于,所述将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景包括:
若持续处于侧前方障碍场景,且M1和M2的大小关系多次反转,则为U型障碍场景;
所述根据所述障碍场景控制所述机器人运动包括:
控制机器人向特定方向转弯,直到M1和M2的实时值均大于阈值;其中,根据确定为U型障碍场景时M1和M2中较大的值确定所述特定方向。
7.根据权利要求6所述的方法,其特征在于,所述将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景包括:
根据公式a=M(n-1)/M(n)判断所述障碍场景是否为运动障碍场景,若a的值在阈值范围内,则为运动障碍场景;
其中,M(n)为第n次测得的主要参数数据;
M(n-1)为第n-1次测得的主要参数数据;
所述根据所述障碍场景控制所述机器人运动包括:
控制机器人停止运动,等待运动障碍场景消失。
8.根据权利要求7所述的方法,其特征在于,
所述将所述主要参数数据和辅助参数数据与预设阈值对比以确定障碍场景包括:
如所确定的障碍场景大于一种,则按照以下优先级排序确定障碍场景:
运动障碍场景>”U”型障碍场景>狭长通道障碍场景>侧前方障碍场景。
9.一种设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1~8中任一项所述的生成方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237782.6A CN111487963A (zh) | 2020-03-30 | 2020-03-30 | 一种机器人自主避障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010237782.6A CN111487963A (zh) | 2020-03-30 | 2020-03-30 | 一种机器人自主避障方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111487963A true CN111487963A (zh) | 2020-08-04 |
Family
ID=71812475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010237782.6A Pending CN111487963A (zh) | 2020-03-30 | 2020-03-30 | 一种机器人自主避障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111487963A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010134742A (ja) * | 2008-12-05 | 2010-06-17 | Toshiba Corp | 障害物回避機能を有する移動制御装置 |
CN101833333A (zh) * | 2009-12-23 | 2010-09-15 | 湖南大学 | 水下清洗作业机器人未知环境路径规划方法 |
CN106054889A (zh) * | 2016-06-28 | 2016-10-26 | 旗瀚科技股份有限公司 | 一种机器人自主避障方法和装置 |
CN110262512A (zh) * | 2019-07-12 | 2019-09-20 | 北京机械设备研究所 | 一种移动机器人脱离u形障碍陷阱的避障方法及系统 |
CN110530399A (zh) * | 2019-09-06 | 2019-12-03 | 苏州寻迹智行机器人技术有限公司 | 双轮差速移动机器人里程计标定的轮间距修正方法 |
CN110865640A (zh) * | 2019-10-11 | 2020-03-06 | 黄少豪 | 一种智能机器人的避障结构 |
-
2020
- 2020-03-30 CN CN202010237782.6A patent/CN111487963A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010134742A (ja) * | 2008-12-05 | 2010-06-17 | Toshiba Corp | 障害物回避機能を有する移動制御装置 |
CN101833333A (zh) * | 2009-12-23 | 2010-09-15 | 湖南大学 | 水下清洗作业机器人未知环境路径规划方法 |
CN106054889A (zh) * | 2016-06-28 | 2016-10-26 | 旗瀚科技股份有限公司 | 一种机器人自主避障方法和装置 |
CN110262512A (zh) * | 2019-07-12 | 2019-09-20 | 北京机械设备研究所 | 一种移动机器人脱离u形障碍陷阱的避障方法及系统 |
CN110530399A (zh) * | 2019-09-06 | 2019-12-03 | 苏州寻迹智行机器人技术有限公司 | 双轮差速移动机器人里程计标定的轮间距修正方法 |
CN110865640A (zh) * | 2019-10-11 | 2020-03-06 | 黄少豪 | 一种智能机器人的避障结构 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3708130B2 (ja) | 自律運動ユニットのセル構造の周囲エリアマップの作成方法 | |
CN108983213B (zh) | 障碍物静止状态的确定方法、装置、设备及存储介质 | |
JP3865121B2 (ja) | 車両の障害物検出装置 | |
JP2501010B2 (ja) | 移動ロボットの誘導装置 | |
KR100561863B1 (ko) | 가상 센서를 이용한 로봇의 네비게이션 방법 및 장치 | |
US8793069B2 (en) | Object recognition system for autonomous mobile body | |
AU2013318414B2 (en) | Positioning system using radio frequency signals | |
KR102445731B1 (ko) | 로봇의 주행 예측 및 제어 방법 | |
CN108663041B (zh) | 一种绘制导航地图的方法及装置 | |
US11656083B2 (en) | Autonomous tunnel navigation with a robotic system | |
CN112526999B (zh) | 速度规划方法、装置、电子设备和存储介质 | |
CN104864863B (zh) | 一种路径选择方法及电子设备 | |
CN108628318B (zh) | 拥堵环境检测方法、装置、机器人及存储介质 | |
US20210048825A1 (en) | Predictive and reactive field-of-view-based planning for autonomous driving | |
CN112161624A (zh) | 标记方法、标记装置、智能机器人及可读存储介质 | |
JP7489014B2 (ja) | 位置推定システム | |
JPH10112000A (ja) | 障害物認識装置 | |
CN108873014A (zh) | 一种基于激光雷达的镜面检测方法及装置 | |
JP4774401B2 (ja) | 自律移動体の経路設定装置 | |
CN113768420A (zh) | 扫地机及其控制方法、装置 | |
CN111487963A (zh) | 一种机器人自主避障方法 | |
CN112327848A (zh) | 机器人避障方法及装置、存储介质和电子设备 | |
CN114115293A (zh) | 机器人避障方法、装置、设备及存储介质 | |
KR102421831B1 (ko) | 차량 및 차량의 제어방법 | |
CN114474158B (zh) | 机器人移动路径检测方法及移动平台 |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240419 |