CN111506078B - 一种机器人导航方法及系统 - Google Patents

一种机器人导航方法及系统 Download PDF

Info

Publication number
CN111506078B
CN111506078B CN202010401376.9A CN202010401376A CN111506078B CN 111506078 B CN111506078 B CN 111506078B CN 202010401376 A CN202010401376 A CN 202010401376A CN 111506078 B CN111506078 B CN 111506078B
Authority
CN
China
Prior art keywords
robot
information
grid
robot navigation
navigation decision
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
CN202010401376.9A
Other languages
English (en)
Other versions
CN111506078A (zh
Inventor
霍向
吴新开
马亚龙
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.)
Beijing Lobby Technology Co ltd
Original Assignee
Beijing Lobby 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 Beijing Lobby Technology Co ltd filed Critical Beijing Lobby Technology Co ltd
Priority to CN202010401376.9A priority Critical patent/CN111506078B/zh
Publication of CN111506078A publication Critical patent/CN111506078A/zh
Application granted granted Critical
Publication of CN111506078B publication Critical patent/CN111506078B/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, 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
    • G05D1/0246—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, 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
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请公开了一种机器人导航方法及系统，用以提高机器人导航的效率和精度。本申请公开的机器人导航方法包括：机器人导航决策系统初始化；机器人实时采集第一环境信息和机器人位置信息，并将所述第一环境信息和机器人位置信息上传到所述机器人导航决策系统；监测设备采集第二环境信息，并将所述第二环境信息上传到机器人导航决策系统；无人机采集第三环境信息，并将所述第三环境信息上传到机器人导航决策系统；所述机器人导航决策系统根据收到的所述机器人位置信息、所述第一环境信息、所述第二环境信息和所述第三环境信息，生成机器人运动的区域的行驶成本地图；所述机器人导航决策系统根据所述行驶成本地图将机器人导航到目标位置。本申请还公开了一种机器人导航系统。

Description

一种机器人导航方法及系统
技术领域
本发明涉及机器人导航技术领域，尤其涉及一种多机器人协作导航的智能优化方法及系统。
背景技术
机器人导航技术是移动机器人领域研究的热门问题之一。随着人工智能技术的发展，机器人在人类社会中发挥了越来越明显的作用。为了保证机器人能够适应复杂的社区环境，使其在环境中安全高效运动行走，导航系统必须足够强大。在面临复杂环境时，现有技术的导航不能充分考虑环境信息安全性差、效率低，不能满足需要。
发明内容
针对上述技术问题，本发明实施例提供了一种机器人导航方法，用以提高导航的效率和精度，该方法包括：
机器人导航决策系统初始化；
机器人实时采集第一环境信息和机器人位置信息，并将所述第一环境信息和机器人位置信息上传到所述机器人导航决策系统；
监测设备采集第二环境信息，并将所述第二环境信息上传到机器人导航决策系统；
无人机采集第三环境信息，并将所述第三环境信息上传到机器人导航决策系统；
所述机器人导航决策系统根据收到的所述机器人位置信息、所述第一环境信息、所述第二环境信息和所述第三环境信息，生成机器人运动的区域的行驶成本地图；
所述机器人导航决策系统根据所述行驶成本地图将机器人导航到目标位置。
优选的，所述机器人导航决策系统初始化，包括：
所述机器人导航决策系统导入初始化系统参数；
所述机器人导航决策系统导入初始化的区域地图；
所述初始化系统参数包括多机器人系统内每个机器人的重量、每个机器人的速度配置表和所述多机器人系统内机器人的总数量；
所述初始化的区域地图将机器人运动的区域划分为正方形网格，所述网格中可由机器人通行的网格被设置为可通行网格，不可由机器人通行的网格设置为不可通行网格。
进一步的，所述机器人导航决策系统导入初始化系统参数，还包括：
所述机器人导航决策系统对所述机器人进行编号，编号为：1、…、n、…、N；其中，n为机器人的编号，N为机器人总数量。
进一步的，所述机器人导航决策系统导入初始化的区域地图，还包括：
所述机器人导航决策系统对可通行的网格进行编号，编号为：1、…、i、…、I，其中，i为可通行网格的编号，I为可通行网格的总数量。
优选的，所述机器人实时采集第一环境信息和机器人位置信息，具体包括：
所述第一环境信息包括第一图像信息，第一深度信息和第一距离信息；
所述第一图像信息是通过所述机器人携带的深度摄像头采集的，所述第一深度信息是通过所述机器人携带的深度摄像头采集的，所述第一距离信息是通过所述机器人携带的激光雷达采集的或者经过图像分析处理获得的。
优选的，所述监测设备采集第二环境信息包括：
所述第二环境信息包括第二图像信息，第二深度信息和第二距离信息；
所述第二图像信息是通过固定在环境中的监测设备携带的深度摄像头采集的，所述第二深度信息是通过固定在环境中的监测设备携带的深度摄像头采集的，所述第二距离信息是通过固定在环境中的监测设备携带的激光雷达采集的。
优选的，所述无人机采集第三环境信息，包括：
所述第三环境信息包括第三图像信息，第三深度信息和第三距离信息；
所述无人机以预设的可覆盖整个可通行区域的飞行路线来回飞行以采集所述第三环境信息；
所述第三图像信息是通过所述无人机携带的深度摄像头采集的，所述第三深度信息是通过所述无人机携带的深度摄像头采集的，所述第三距离信息是通过所述无人机携带的激光雷达采集的。
进一步的，所述生成机器人运动的区域的行驶成本地图，包括：
所述机器人导航决策系统根据每一个可通行的网格的运动能量成本和预估的安全成本，利用如下公式计算得到该网格的行驶成本：
yi＝ωE·Ei+ωS·Si
其中，yi是可通行网格i的行驶成本，ωE为能量成本权重系数，Ei是可通行网格i的运动能量成本，ωS为安全成本权重系数，Si是可通行网格i的预估的安全成本；
其中，所述能量成本权重系数ωE和所述安全成本权重系数ωS是在所述机器人导航决策系统内提前设定的。
所述运动能量成本Ei通过如下公式确定：
Ei＝G·(μi·cosφi+sinφi)·li
其中，G是机器人的重量，μi是可通行网格i的地面摩擦系数，φi是可通行网格i的等值地面倾斜角度，li是可通行网格i的边长；
其中，所述地面摩擦系数μi是所述机器人导航决策系统根据地面材质信息在预设的信息库中确定的；等值地面倾斜角度φi是所述机器人导航决策系统根据地面平整度在预设的信息库中确定的。
优选的，所述机器人导航决策系统根据接收到的所述第一环境信息，所述第二环境信息和所述第三环境信息，通过图像拼接和数据处理得到各个网格的地形和地面平整度；
所述机器人导航决策系统根据所述第一图像信息，所述第二图像信息和所述第三图像信息，通过卷积神经网络得到地面材质和环境危险性评估系数。
进一步的，所述机器人将当前所在的位置和要达到的目标位置发送到所述机器人导航决策系统，所述机器人导航决策系统按照路径优化算法将以最小的行驶成本将地面机器人导航到目标位置。
所述路径优化算法包括以下步骤：
步骤A，将所述机器人的起始点作为待处理位置点存入待处理位置点列表，并将所述起始点作为网格的根节点网格；
步骤B，从所述待处理位置点列表中删除所述根节点网格，将所述根节点网格加入到已处理位置点列表；
步骤C，判断所述根节点是否为目标位置所在的网格；
步骤D，如果步骤C的判断结果为是，则在已处理位置点列表中以已通过的各个位置点网格形成的路径为最优路径；
步骤E，如果步骤C的判断结果为不是，则寻找所述根节点网格周围所有的可通行网格，并存入待处理位置点列表；
步骤F，按照如下公式计算所述根节点网格周围所述所有的可通行网格的行驶评价值：
Fi＝ωy·yi+ωD·Di
其中，Fi为可通行网格i的行驶评价值，可通行网格i在根节点网格j的周围，ωy为行驶成本权重系数，yi是可通行网格i的行驶成本，ωD为距离权重系数，Di是可通行网格i到目标位置的曼哈顿距离；所述行驶成本权重系数ωy和所述距离权重系数ωD在机器人导航决策系统内提前被设定；
步骤G，择所述行驶评价值最小的网格，把该网格从所述待处理位置点列表中删除，并添加到已处理位置点列表，且设置该网格为新的根节点网格，并执行步骤C。
本发明提供的机器人导航方法中，将机器人自身采集的环境信息以及位置信息，无人机采集的环境信息，监测设备采集的环境信息结合起来，得出关于地面坡度，材料，危险系数的信息，然后计算网格的行驶成本，并利用路径优化算法选择出行驶成本最小的路径，从而高效的将机器人导航到目标位置，极大的提高了导航的效率和安全性。
本发明还提供了一种机器人导航系统，包括：
机器人，用于实时采集第一环境信息和机器人位置信息，并将所述第一环境信息和机器人位置信息上传到所述机器人导航决策系统，并接收机器人导航系统的导航信息；
监测设备，用于采集第二环境信息，并将所述第二环境信息上传到机器人导航决策系统；
无人机采，用于集第三环境信息，并将所述第三环境信息上传到机器人导航决策系统；
机器人导航决策系统，用于根据收到的所述机器人位置信息、所述第一环境信息、所述第二环境信息和所述第三环境信息，生成机器人运动的区域的行驶成本地图，并根据所述行驶成本地图将机器人导航到目标位置。
本发明提供的机器人导航系统，能提高导航效率和安全性，从而适应复杂环境下的机器人导航需求。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域的普通技术人员来讲，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为本申请实施例提供的一种机器人导航的方法流程示意图；
图2为本申请实施例提供的一种机器人导航方法路径优化算法流程示意图；
图3为本申请实施例提供的一种机器人导航系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面对文中出现的一些词语进行解释：
1、本发明实施例中术语“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。
2、本申请实施例中术语“多个”是指两个或两个以上，其它量词与之类似。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种机器人导航方法及系统，用于解决现有技术中面对复杂环境时，导航效率低的问题。
其中，方法和装置是基于同一申请构思的，由于方法和装置解决问题的原理相似，因此装置和方法的实施可以相互参见，重复之处不再赘述。
下面结合说明书附图对本申请各个实施例进行详细描述。需要说明的是，本申请实施例的展示顺序仅代表实施例的先后顺序，并不代表实施例所提供的技术方案的优劣。
实施例一
如图1所示，本发明实施例提供了一种机器人导航方法，该方法包括：
S101，机器人导航决策系统初始化。
在导航开始之前，机器人导航决策系统先进行初始化操作。机器人导航决策系统导入初始化系统参数，包括多机器人系统内机器人的重量、速度配置表等参数以及多机器人系统内机器人的数量。机器人导航决策系统将对每个机器人进行编号，编号为：1、…、n、…、N，其中，n为多机器人系统内其中一个机器人的编号，N为多机器人系统中的机器人总数量；
需要说明的是，所述的速度配置表是指机器人在不同场景中运行的速度范围的配置表，即机器人在不同场景中实际运行的合理速度是不同的，在安全的环境中速度可以设置的高，安全性低相对复杂的环境，为安全考虑设定的速度相对低。
优选的，机器人导航决策系统导入初始化的区域地图，初始化的区域地图是将机器人运动的区域划分(或称为离散)为正方形网格。在此，正方形网格边长设为l。区域地图中的各个网格可以由机器人通行的被设置为可通行网格，不可以由机器人通行的设置为不可通行网格。机器人导航决策系统将对每个可通行的网格进行编号，编号为：1、…、i、…、I，其中，i为区域地图可通行网格中一个可通行网格编号，I为区域地图可通行网格总数量。
在本步骤中，区域地图中的每一个网格，机器人导航决策系统需要判断是否可以由机器人通行，具体的判断方法本实施例不做限定。对于可以通行的，将网格的标识为可通行网格，对于不可以通行的，将网格标识为不可行网格。然后机器人导航决策系统只对可通行的网格进行编号处理。
S102，机器人实时采集第一环境信息和机器人位置信息，并将所述第一环境信息和机器人位置信息上传到所述机器人导航决策系统。
在地面行驶的多机器人系统内每个机器人通过自身携带的环境信息采集设备获得第一环境信息。优选的，环境信息采集设备至少包括以下之一：的深度摄像头、双目摄像头和激光雷达。还可以包括其他采集设备，本实施例不做限定。其中，采集过程是实时采集的。
所述第一环境信息至少包括第一图像信息，第一深度信息和第一距离信息；
所述第一图像信息是通过所述机器人携带的双目摄像头采集的，所述第一深度信息是通过所述机器人携带的深度摄像头采集的，所述第一距离信息是通过所述机器人携带的激光雷达采集的或者经过图像分析处理获得的。
优选的，机器人通过自身的定位模块采集自身位置信息，即机器人位置信息。
在机器人采集完成上述第一环境信息和机器人位置信息后，机器人通过通讯设备，将第一环境信息和机器人位置信息发送到机器人导航决策系统。
需要说明的是，机器人与机器人导航决策系统的通讯设备，可以是WiFi，第四代移动通信(4G)，第五代移动通信(5G)，以及第三代移动通信或者第六代移动通信，具体的通信方式本实施例不做限定，只要能实现数据收发即可。在本实施例后续的描述中，其他设备或者模块与机器人导航决策系统通信的方式与此相同。
S103，监测设备采集第二环境信息，并将所述第二环境信息上传到机器人导航决策系统。
在机器人的运行区域中，设置有固定的监测设备，用于采集第二环境信息，并将第二环境信息上传到机器人导航决策系统。
固定在环境中的监测设备可利用深度摄像头、双目摄像头和激光雷达等模块实时采集环境信息；
所述第二环境信息至少包括第二图像信息，第二深度信息和第二距离信息；
所述第二图像信息是通过固定在环境中的监测设备携带的双目摄像头采集的，所述第二深度信息是通过固定在环境中的监测设备携带的深度摄像头采集的，所述第二距离信息是通过固定在环境中的监测设备携带的激光雷达采集的。
S104，无人机采集第三环境信息，并将所述第三环境信息上传到机器人导航决策系统。
本实施例中，可使用无人机辅助进行导航。无人机以已预设的可覆盖整个可通行区域的飞行路线进行来回飞行以采集第三环境信息。无人机利用深度摄像头、双目摄像头和激光雷达等模块实时采集环境信息。
所述第三环境信息包括第三图像信息，第三深度信息和第三距离信息。
所述第三图像信息是通过所述无人机携带的双目摄像头采集的，所述第三深度信息是通过所述无人机携带的深度摄像头采集的，所述第三距离信息是通过所述无人机携带的激光雷达采集的。
无人机采集完成第三环境信息后，通过通讯设备将所述的第三环境信息发送到机器人导航决策系统。
S104，所述机器人导航决策系统根据收到的所述机器人位置信息、所述第一环境信息、所述第二环境信息和所述第三环境信息，生成机器人运动的区域的行驶成本地图。
所述机器人导航决策系统根据每一个可通行的网格的运动能量成本和预估的安全成本，利用如下公式计算得到该网格的行驶成本：
yi＝ωE·Ei+ωS·Si
其中，yi是可通行网格i的行驶成本，ωE为能量成本权重系数，Ei是可通行网格i的运动能量成本，ωS为安全成本权重系数，Si是可通行网格i的预估的安全成本；
其中，所述能量成本权重系数ωE和所述安全成本权重系数ωS是在所述机器人导航决策系统内提前设定的。
本实施例中，运动能量成本可通过如下方式获得：
运动能量成本Ei通过如下公式确定：
Ei＝G·(μi·cosφi+sinφi)·li
其中，G是机器人的重量，μi是可通行网格i的地面摩擦系数，φi是可通行网格i的等值地面倾斜角度，li是可通行网格i的边长；
其中，所述地面摩擦系数μi是所述机器人导航决策系统根据地面材质信息在预设的信息库中确定的；等值地面倾斜角度φi是所述机器人导航决策系统根据地面平整度在预设的信息库中确定的。
优选的，地形和地面平整度可通过如下方式获得：
所述机器人导航决策系统根据接收到的所述第一环境信息，所述第二环境信息和所述第三环境信息，通过图像拼接和数据处理得到各个网格的地形和地面平整度。
优选的，地面材质和环境危险性评估系数可通过如下方式获得：
所述机器人导航决策系统根据所述第一图像信息，所述第二图像信息和所述第三图像信息，通过卷积神经网络得到地面材质和环境危险性评估系数。
S105，所述机器人导航决策系统根据所述行驶成本地图将机器人导航到目标位置。
多机器人系统内的机器人要到达一个目标位置后，机器人会将当前所在的位置以及要达到的目标位置信息发送到机器人导航决策系统，机器人导航决策系统按照路径优化算法将以最小的行驶成本将地面机器人导航到目标位置。
在本实施例提供的导航方法中，路径优化算法如图2所示，包括如下步骤：
S201，将所述机器人的起始点作为待处理位置点存入待处理位置点列表，并将所述起始点作为网格的根节点网格；
具体的，从机器人的起始点所在网格开始，以该起始点作为待处理位置点存入一个待处理位置点列表，并设置此时起始点作为所有这些网格的根节点网格。
S202，从所述待处理位置点列表中删除所述根节点网格，将所述根节点网格加入到已处理位置点列表；
S203，判断所述根节点是否为目标位置所在的网格，判断结果为是则执行步骤S204，否则执行步骤S205；
S204，如果步骤C的判断结果为是，则在已处理位置点列表中以已通过的各个位置点网格形成的路径为最优路径，则路径优化算法结束；
S205，如果步骤C的判断结果为不是，则寻找所述根节点网格周围所有的可通行网格，并存入待处理位置点列表；
S206，按照如下公式计算所述根节点网格周围所述所有的可通行网格的行驶评价值：
Fi＝ωy·yi+ωD·Di
其中，Fi为可通行网格i的行驶评价值，可通行网格i在根节点网格j的周围，ωy为行驶成本权重系数，yi是可通行网格i的行驶成本，ωD为距离权重系数，Di是可通行网格i到目标位置的曼哈顿距离；所述行驶成本权重系数ωy和所述距离权重系数ωD在机器人导航决策系统内提前被设定；
S207，择所述行驶评价值最小的网格，把该网格从所述待处理位置点列表中删除，并添加到已处理位置点列表，且设置该网格为新的根节点网格，并执行步骤203。
本实施例提供的机器人导航方法中，将机器人自身采集的环境信息以及位置信息，无人机采集的环境信息，监测设备采集的环境信息结合起来，得出关于地面坡度，材料，危险系数的信息，然后计算网格的行驶成本，并利用路径优化算法选择出行驶成本最小的路径，从而高效的将机器人导航到目标位置，极大的提高了导航的效率和准确度。
实施例二
与实施例一的机器人导航方法相对应，本示例提供了一种机器人导航系统。其中，系统和方法是基于相同的发明构思的，能解决相同技术问题，达到相同技术效果，与方法实施例相同之处，本实施例不再赘述。
本示例提供了一种机器人导航系统如图3所示，该系统包括：
机器人303，用于实时采集第一环境信息和机器人位置信息，并将所述第一环境信息和机器人位置信息上传到所述机器人导航决策系统，并接收机器人导航系统的导航信息；
机器人接收机器人导航系统的导航信息后，按照导航指令指示的路径，行驶到目标位置。
监测设备302，用于采集第二环境信息，并将所述第二环境信息上传到机器人导航决策系统；
无人机采304，用于集第三环境信息，并将所述第三环境信息上传到机器人导航决策系统；
机器人导航决策系统301，用于根据收到的所述机器人位置信息、所述第一环境信息、所述第二环境信息和所述第三环境信息，生成机器人运动的区域的行驶成本地图，并根据所述行驶成本地图将机器人导航到目标位置；
进一步的，机器人导航系统开始导航之前，机器人导航决策系统301需进行初始化，包括：
机器人导航决策系统301导入初始化系统参数；
机器人导航决策系统301导入初始化的区域地图；
所述初始化系统参数包括多机器人系统内每个机器人的重量、每个机器人的速度配置表和所述多机器人系统内机器人的总数量；
需要说明的是，所述的速度配置表是指机器人在不同场景中运行的速度范围的配置表，即机器人在不同场景中实际运行的合理速度是不同的，在安全的环境中速度可以设置的高，安全性低相对复杂的环境，为安全考虑设定的速度相对低。
机器人导航决策系统301对所述机器人进行编号，编号为：1、…、n、…、N；其中，n为机器人的编号，N为机器人总数量。
所述初始化的区域地图将机器人运动的区域划分为正方形网格，所述网格中可由机器人通行的网格被设置为可通行网格，不可由机器人通行的网格设置为不可通行网格。
机器人导航决策系统301对可通行的网格进行编号，编号为：1、…、i、…、I，其中，i为可通行网格的编号，I为可通行网格的总数量。
进一步的，所述机器人303采集的第一环境信息包括第一图像信息，第一深度信息和第一距离信息；
所述第一图像信息是通过所述机器人携带的深度摄像头采集的，所述第一深度信息是通过所述机器人携带的深度摄像头采集的，所述第一距离信息是通过所述机器人携带的激光雷达采集的或者经过图像分析处理获得的。
进一步的，监测设备302采集的第二环境信息包括第二图像信息，第二深度信息和第二距离信息；
所述第二图像信息是通过固定在环境中的监测设备携带的深度摄像头采集的，所述第二深度信息是通过固定在环境中的监测设备携带的深度摄像头采集的，所述第二距离信息是通过固定在环境中的监测设备携带的激光雷达采集的。
进一步的，无人机304采集的第三环境信息包括第三图像信息，第三深度信息和第三距离信息；
所述无人机304以预设的可覆盖整个可通行区域的飞行路线来回飞行以采集所述第三环境信息；
所述第三图像信息是通过所述无人机携带的深度摄像头采集的，所述第三深度信息是通过所述无人机携带的深度摄像头采集的，所述第三距离信息是通过所述无人机携带的激光雷达采集的。
可选的，本实施例提供的机器人导航系统中，机器人导航决策系统301还用于通过以下方法生成机器人运动的区域的行驶成本地图，包括：
所述机器人导航决策系统根据每一个可通行的网格的运动能量成本和预估的安全成本，利用如下公式计算得到该网格的行驶成本：
yi＝ωE·Ei+ωS·Si
其中，yi是可通行网格i的行驶成本，ωE为能量成本权重系数，Ei是可通行网格i的运动能量成本，ωS为安全成本权重系数，Si是可通行网格i的预估的安全成本；
其中，所述能量成本权重系数ωE和所述安全成本权重系数ωS是在所述机器人导航决策系统内提前设定的。
所述运动能量成本Ei通过如下公式确定：
Ei＝G·(μi·cosφi+sinφi)·li
其中，G是机器人的重量，μi是可通行网格i的地面摩擦系数，φi是可通行网格i的等值地面倾斜角度，li是可通行网格i的边长；
其中，所述地面摩擦系数μi是所述机器人导航决策系统根据地面材质信息在预设的信息库中确定的；等值地面倾斜角度φi是所述机器人导航决策系统根据地面平整度在预设的信息库中确定的。
本实施例中，各个网格的地形、地面平整度、地面材质和环境危险性评估系数的获取方法同方法实施例，本实施例不再赘述。
为了提高导航的效率和精度，机器人导航决策系统301还用于通过如下方法将机器人导航到目标位置：
机器人303将当前所在的位置和要达到的目标位置发送到所述机器人导航决策系统301，机器人导航决策系统301按照路径优化算法将以最小的行驶成本将地面机器人导航到目标位置。
本实施例中，路径优化算法参见方法实施例，本实施例不再赘述。
需要说明的是，本申请实施例中对单元的划分是示意性的，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。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。
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和光学存储器等)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。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (4)

1.一种机器人导航方法，其特征在于，该方法包括如下步骤：
机器人导航决策系统初始化；
机器人实时采集第一环境信息和机器人位置信息，并将所述第一环境信息和机器人位置信息上传到所述机器人导航决策系统；
监测设备采集第二环境信息，并将所述第二环境信息上传到机器人导航决策系统；
无人机采集第三环境信息，并将所述第三环境信息上传到机器人导航决策系统；
所述机器人导航决策系统根据收到的所述机器人位置信息、所述第一环境信息、所述第二环境信息和所述第三环境信息，生成机器人运动的区域的行驶成本地图；
所述机器人导航决策系统根据所述行驶成本地图将机器人导航到目标位置；
所述机器人导航决策系统初始化，包括：
所述机器人导航决策系统导入初始化系统参数；
所述机器人导航决策系统导入初始化的区域地图；
所述初始化系统参数包括多机器人系统内每个机器人的重量、每个机器人的速度配置表和所述多机器人系统内机器人的总数量；
所述初始化的区域地图将机器人运动的区域划分为正方形网格，所述网格中可由机器人通行的网格被设置为可通行网格，不可由机器人通行的网格设置为不可通行网格；
所述机器人导航决策系统导入初始化系统参数，包括：
所述机器人导航决策系统对所述机器人进行编号，编号为：1、…、n、…、N；其中，n为机器人的编号，N为机器人总数量；
所述机器人导航决策系统导入初始化的区域地图，包括：
所述机器人导航决策系统对可通行的网格进行编号，编号为：1、…、i、…、I，其中，i为可通行网格的编号，I为可通行网格的总数量；所述机器人实时采集第一环境信息和机器人位置信息，具体包括：
所述第一环境信息包括第一图像信息，第一深度信息和第一距离信息；
所述第一图像信息是通过所述机器人携带的深度摄像头采集的，所述第一深度信息是通过所述机器人携带的深度摄像头采集的，所述第一距离信息是通过所述机器人携带的激光雷达采集的或者经过图像分析处理获得的；所述监测设备采集第二环境信息包括：
所述第二环境信息包括第二图像信息，第二深度信息和第二距离信息；
所述第二图像信息是通过固定在环境中的监测设备携带的深度摄像头采集的，所述第二深度信息是通过固定在环境中的监测设备携带的深度摄像头采集的，所述第二距离信息是通过固定在环境中的监测设备携带的激光雷达采集的；所述无人机采集第三环境信息，包括：
所述第三环境信息包括第三图像信息，第三深度信息和第三距离信息；
所述无人机以预设的可覆盖整个可通行区域的飞行路线来回飞行以采集所述第三环境信息；
所述第三图像信息是通过所述无人机携带的深度摄像头采集的，所述第三深度信息是通过所述无人机携带的深度摄像头采集的，所述第三距离信息是通过所述无人机携带的激光雷达采集的；所述生成机器人运动的区域的行驶成本地图，包括：
所述机器人导航决策系统根据每一个可通行的网格的运动能量成本和预估的安全成本，利用如下公式计算得到该网格的行驶成本：
Figure 977993DEST_PATH_IMAGE001
其中，
Figure 629554DEST_PATH_IMAGE002
是可通行网格i的行驶成本，
Figure 143712DEST_PATH_IMAGE003
为能量成本权重系数，
Figure 273342DEST_PATH_IMAGE004
是可通行网格i的运动能量成本，
Figure 946769DEST_PATH_IMAGE005
为安全成本权重系数，
Figure 503652DEST_PATH_IMAGE006
是可通行网格i的预估的安全成本；
其中，所述能量成本权重系数
Figure 505107DEST_PATH_IMAGE003
和所述安全成本权重系数
Figure 438427DEST_PATH_IMAGE005
是在所述机器人导航决策系统内提前设定的；
所述运动能量成本
Figure 700782DEST_PATH_IMAGE004
通过如下公式确定：
Figure 428566DEST_PATH_IMAGE007
其中，G是机器人的重量，
Figure 917316DEST_PATH_IMAGE008
是可通行网格i的地面摩擦系数，
Figure 513383DEST_PATH_IMAGE009
可通行网格i的等值地面倾斜角度，
Figure 771189DEST_PATH_IMAGE010
是可通行网格i的边长；
其中，所述地面摩擦系数
Figure 935454DEST_PATH_IMAGE008
是所述机器人导航决策系统根据地面材质信息在预设的信息库中确定的；等值地面倾斜角度
Figure 911500DEST_PATH_IMAGE009
是所述机器人导航决策系统根据地面平整度在预设的信息库中确定的；
所述机器人导航决策系统根据接收到的所述第一环境信息，所述第二环境信息和所述第三环境信息，通过图像拼接和数据处理得到各个网格的地形和地面平整度；
所述机器人导航决策系统根据所述第一图像信息，所述第二图像信息和所述第三图像信息，通过卷积神经网络得到地面材质和环境危险性评估系数。
2.根据权利要求1所述的方法，其特征在于，所述机器人导航决策系统根据所述行驶成本地图将机器人导航到目标位置包括：
所述机器人将当前所在的位置和要达到的目标位置发送到所述机器人导航决策系统，所述机器人导航决策系统按照路径优化算法将以最小的行驶成本将地面机器人导航到目标位置。
3.根据权利要求2所述的方法，其特征在于，所述路径优化算法包括以下步骤：
步骤A，将所述机器人的起始点作为待处理位置点存入待处理位置点列表，并将所述起始点作为网格的根节点网格；
步骤B，从所述待处理位置点列表中删除所述根节点网格，将所述根节点网格加入到已处理位置点列表；
步骤C，判断所述根节点是否为目标位置所在的网格；
步骤D，如果步骤C的判断结果为是，则在已处理位置点列表中以已通过的各个位置点网格形成的路径为最优路径；
步骤E，如果步骤C的判断结果为不是，则寻找所述根节点网格周围所有的可通行网格，并存入待处理位置点列表；
步骤F，按照如下公式计算所述根节点网格周围所述所有的可通行网格的行驶评价值：
Figure 45678DEST_PATH_IMAGE011
其中，
Figure 423570DEST_PATH_IMAGE012
为可通行网格i的行驶评价值，可通行网格i在根节点网格j的周围，
Figure 493157DEST_PATH_IMAGE013
为行驶成本权重系数，
Figure 956499DEST_PATH_IMAGE014
是可通行网格i的行驶成本，
Figure 894368DEST_PATH_IMAGE015
为距离权重系数，
Figure 861187DEST_PATH_IMAGE016
是可通行网格i到目标位置的曼哈顿距离；所述行驶成本权重系数
Figure 367255DEST_PATH_IMAGE013
和所述距离权重系数
Figure 188667DEST_PATH_IMAGE015
在机器人导航决策系统内提前被设定；
步骤G，选择所述行驶评价值最小的网格，把该网格从所述待处理位置点列表中删除，并添加到已处理位置点列表，且设置该网格为新的根节点网格，并执行步骤C。
4.一种机器人导航系统，其特征在于，包括：
机器人，用于实时采集第一环境信息和机器人位置信息，并将所述第一环境信息和机器人位置信息上传到所述机器人导航决策系统，并接收机器人导航系统的导航信息；
监测设备，用于采集第二环境信息，并将所述第二环境信息上传到机器人导航决策系统；
无人机用于采集第三环境信息，并将所述第三环境信息上传到机器人导航决策系统；
机器人导航决策系统，用于根据收到的所述机器人位置信息、所述第一环境信息、所述第二环境信息和所述第三环境信息，生成机器人运动的区域的行驶成本地图，并根据所述行驶成本地图将机器人导航到目标位置；
所述导航系统用于实现如权利要求1到3之一所述的机器人导航方法。
CN202010401376.9A 2020-05-13 2020-05-13 一种机器人导航方法及系统 Active CN111506078B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010401376.9A CN111506078B (zh) 2020-05-13 2020-05-13 一种机器人导航方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010401376.9A CN111506078B (zh) 2020-05-13 2020-05-13 一种机器人导航方法及系统

Publications (2)

Publication Number Publication Date
CN111506078A CN111506078A (zh) 2020-08-07
CN111506078B true CN111506078B (zh) 2021-06-11

Family

ID=71865075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010401376.9A Active CN111506078B (zh) 2020-05-13 2020-05-13 一种机器人导航方法及系统

Country Status (1)

Country Link
CN (1) CN111506078B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112040534B (zh) * 2020-08-17 2023-02-17 深圳优地科技有限公司 基于无人机的机器人救援方法、装置、系统及存储介质
CN112462768B (zh) * 2020-11-25 2024-03-29 深圳拓邦股份有限公司 移动机器人导航地图的创建方法、装置及移动机器人

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107544515A (zh) * 2017-10-10 2018-01-05 苏州中德睿博智能科技有限公司 基于云服务器的多机器人建图导航系统与建图导航方法
CN109459023A (zh) * 2018-09-18 2019-03-12 武汉三体机器人有限公司 一种基于无人机视觉slam的辅助地面机器人导航方法及装置
CN110221623A (zh) * 2019-06-17 2019-09-10 酷黑科技（北京）有限公司 一种空地协同作业系统及其定位方法
CN110285813A (zh) * 2019-07-01 2019-09-27 东南大学 一种室内移动机器人人机共融导航装置及方法
CN110703769A (zh) * 2019-11-12 2020-01-17 山东交通学院 一种基于云平台的自动驾驶清扫车系统及控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6374155B1 (en) * 1999-11-24 2002-04-16 Personal Robotics, Inc. Autonomous multi-platform robot system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107544515A (zh) * 2017-10-10 2018-01-05 苏州中德睿博智能科技有限公司 基于云服务器的多机器人建图导航系统与建图导航方法
CN109459023A (zh) * 2018-09-18 2019-03-12 武汉三体机器人有限公司 一种基于无人机视觉slam的辅助地面机器人导航方法及装置
CN110221623A (zh) * 2019-06-17 2019-09-10 酷黑科技（北京）有限公司 一种空地协同作业系统及其定位方法
CN110285813A (zh) * 2019-07-01 2019-09-27 东南大学 一种室内移动机器人人机共融导航装置及方法
CN110703769A (zh) * 2019-11-12 2020-01-17 山东交通学院 一种基于云平台的自动驾驶清扫车系统及控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于双层A*算法的移动机器人路径规划;秦玉鑫 等;《制造业自动化》;20141231;第36卷(第12期);21-25,40 *
无人地面车辆车道级路径引导方法;杨强荣 等;《西安电子科技大学学报》;20181231;第45卷(第06期);156-161 *

Also Published As

Publication number Publication date
CN111506078A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
Qin et al. Autonomous exploration and mapping system using heterogeneous UAVs and UGVs in GPS-denied environments
CN111599001B (zh) 基于图像三维重建技术的无人机导航地图构建系统及方法
Mansouri et al. Cooperative coverage path planning for visual inspection
CN106371445B (zh) 一种基于拓扑地图的无人车规划控制方法
Delmerico et al. Active autonomous aerial exploration for ground robot path planning
CN110320930B (zh) 基于Voronoi图的多无人机编队队形可靠变换方法
Azpúrua et al. Multi-robot coverage path planning using hexagonal segmentation for geophysical surveys
CN104714555B (zh) 一种基于边缘的三维自主探索方法
US8634982B2 (en) System and method for resource allocation and management
Kashino et al. Aerial wilderness search and rescue with ground support
CN110471426A (zh) 基于量子狼群算法的无人驾驶智能车自动避碰方法
CN111506078B (zh) 一种机器人导航方法及系统
CN112432649A (zh) 一种引入威胁因子的启发式无人机蜂群航迹规划方法
Kim et al. UAV-UGV cooperative 3D environmental mapping
CN105867368A (zh) 一种信息处理方法和移动装置
CN111457923B (zh) 路径规划方法、装置及存储介质
Zhang et al. Fast active aerial exploration for traversable path finding of ground robots in unknown environments
CN117406771B (zh) 一种基于四旋翼无人机的高效自主探索方法、系统及设备
Kang et al. Development and flight test evaluations of an autonomous obstacle avoidance system for a rotary-wing UAV
CN116661497A (zh) 一种智能飞行汽车
US11550622B2 (en) Task allocation for vehicles
CN111722641A (zh) 一种微型无人机高机动轨迹规划方法
Sharif et al. A new algorithm for autonomous outdoor navigation of robots that can fly and drive
Guastella et al. 3D path planning for UAV swarm missions
Caballero et al. An automated UAV-assisted 2D mapping system for First Responders

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