CN111708283B - 一种机器人仿真方法、设备以及计算机可读存储介质 - Google Patents
一种机器人仿真方法、设备以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111708283B CN111708283B CN202010604638.1A CN202010604638A CN111708283B CN 111708283 B CN111708283 B CN 111708283B CN 202010604638 A CN202010604638 A CN 202010604638A CN 111708283 B CN111708283 B CN 111708283B
- Authority
- CN
- China
- Prior art keywords
- robot
- simulation
- environment
- information
- pose
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000012795 verification Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种机器人仿真方法、设备以及计算机可读存储介质。其中,该方法包括:创建机器人的仿真环境,并在所述仿真环境中控制移动所述机器人以及生成模拟的传感器数据;根据所述机器人在所述仿真环境中的位姿建立所述机器人的位姿图;对所述位姿图进行优化,得到所述仿真环境下的环境地图;在所述环境地图中对所述机器人进行模拟导航,并根据导航结果对所述模拟导航的算法进行验证和优化。实现了一种高效、便捷、准确的机器人控制算法仿真验证方案,提高了机器人控制算法的鲁棒性和稳定性。
Description
技术领域
本发明涉及机器人控制领域,尤其涉及一种机器人仿真方法、设备以及计算机可读存储介质。
背景技术
现有技术中,机器人控制系统是一套复杂的软、硬件结合体,其配备了许多传感器和计算机,这些传感器和计算机通常由复杂的分布式软件进行控制,机器人必须在各种环境中以及不断变化的条件下导航并成功执行特定任务。但是,构建不同的测试场并检查多种条件下的机器人行为非常的耗时并且费力,使用完善的仿真环境可以对正在开发的机器人系统进行安全且高效的测试,使用仿真可以缩短了机器人系统的开发周期,并可广泛应用于不同的环境。现有技术中,主要会用到ROS(Robot Operating System,机器人操作系统)和Gazebo(一种3D动态模拟器)。其中:
ROS是用于有效开发和构建机器人系统的库,驱动程序和工具的集合,它具有类似于Linux的命令工具,进程间通信系统以及许多与应用程序相关的软件包,ROS可执行过程称为“节点”,并且进程间通信具有“发布/订阅”模型,其中,通信数据称为主题,发布者过程可以发布一个或多个主题,并且订阅某些主题的过程可以接收其内容,进程间通信库允许添加用户开发的库和ROS可执行文件;
Gazebo可以模拟三维室内和室外环境中的机器人和传感器应用,它具有客户端/服务器体系结构,并具有基于主题的进程间通信的发布/订阅模型,Gazebo客户端可以通过共享内存访问其数据,Gazebo中的每个模拟对象都可以与一个或多个控制器相关联,这些控制器处理用于控制该对象的命令并生成该对象的状态,控制器生成的数据使用Gazebo接口发布到共享存储器中,其他进程的接口可以从共享库中读取数据。
但是,现有技术中,利用上述技术进行的机器人仿真方案,所实现的功能较为单一,还不够完善。目前还没有一种能够高效、便捷、准确地对机器人控制算法进行有效验证的技术方案。
发明内容
为了解决现有技术中的上述技术缺陷,本发明提出了一种机器人仿真方法,该方法包括:
创建机器人的仿真环境,并在所述仿真环境中控制移动所述机器人以及生成模拟的传感器数据;
根据所述机器人在所述仿真环境中的位姿建立所述机器人的位姿图;
对所述位姿图进行优化,得到所述仿真环境下的环境地图;
在所述环境地图中对所述机器人进行模拟导航,并根据导航结果对所述模拟导航的算法进行验证和优化。
可选地,所述创建机器人的仿真环境,并在所述仿真环境中控制移动所述机器人以及生成模拟的传感器数据,包括:
在所述仿真环境中创建模拟控制接口和模拟数据接口,其中,通过所述模拟控制接口输入所述机器人的控制速度信息,通过所述模拟数据接口输入模拟的传感器数据,所述传感器数据包括激光传感器信息、里程计信息以及图像信息。
可选地,所述通过所述模拟控制接口输入所述机器人的控制速度信息,包括:
通过外接输入设备、或者所述模拟导航的算法向所述模拟控制接口输入所述机器人的控制速度信息。
可选地,所述根据所述机器人在所述仿真环境中的位姿建立所述机器人的位姿图,包括:
在所述环境地图的前端构建阶段,获取所述激光传感器信息、所述里程计信息以及所述图像信息;
根据所述激光传感器信息、所述里程计信息以及所述图像信息建立所述位姿之间的数据关联;
根据所述数据关联构建所述机器人的位姿图。
可选地,所述对所述位姿图进行优化,得到所述仿真环境下的环境地图,包括:
在所述环境地图的后端优化阶段,对所述位姿图进行最优估计,得到最优的机器人位姿;
通过传感器融合算法,以及所述激光传感器信息、所述里程计信息、所述图像信息、所述最优的机器人位姿,计算得到所述环境地图。
可选地,所述在所述环境地图的后端优化阶段,结合传感器融合算法,以及所述激光传感器信息、所述里程计信息、所述图像信息,对所述位姿图进行最优估计,得到所述环境地图,包括:
取所述激光传感器信息、所述里程计信息以及所述图像信息中各对应误差项的最小值;
根据所述最小值对所述机器人在所述仿真环境中的位置进行最优估计。
可选地,所述取所述激光传感器信息、所述里程计信息以及所述图像信息中各对应误差项的最小值,包括:
确定所述位姿对应的状态向量;
以所述状态向量为基础,根据所述激光传感器信息、所述里程计信息以及所述图像信息得到所述位姿对应的各增量信息;
根据所述增量信息得到所述机器人的预测位置,并根据机器人的实际位置与所述预测位置的差值得到所述误差项;
对所述误差项进行非线性优化,得到所述最小值。
可选地,所述在所述环境地图中对所述机器人进行模拟导航,并根据导航结果对所述模拟导航的算法进行验证和优化,包括:
确定与所述环境地图对应的模拟导航的算法,其中,所述模拟导航的算法包括路径规划和轨迹优化;
通过所述路径规划确定所述机器人的可行路径,以及,通过所述轨迹优化确定所述机器人的控制速度。
本发明还提出了一种机器人仿真设备,该设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上任一项所述的机器人仿真方法的步骤。
本发明还提出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机器人仿真程序,所述机器人仿真程序被处理器执行时实现如上任一项所述的机器人仿真方法的步骤。
本发明的有益效果在于,通过创建机器人的仿真环境,并在所述仿真环境中控制移动所述机器人以及生成模拟的传感器数据;根据所述机器人在所述仿真环境中的位姿建立所述机器人的位姿图;对所述位姿图进行优化,得到所述仿真环境下的环境地图;在所述环境地图中对所述机器人进行模拟导航,并根据导航结果对所述模拟导航的算法进行验证和优化。实现了一种高效、便捷、准确的机器人控制算法仿真验证方案,提高了机器人控制算法的鲁棒性和稳定性。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例提供的机器人仿真方法的第一流程图;
图2是本发明实施例提供的机器人仿真方法的差分移动机器人动力学模型示意图;
图3是本发明实施例提供的机器人仿真方法的环境地图构建示意图;
图4是本发明实施例提供的机器人仿真方法的优化器示意图;
图5是本发明实施例提供的机器人仿真方法的导航示意图;
图6是本发明实施例提供的机器人仿真方法的仿真流程图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
实施例一
图1是本发明实施例提供的机器人仿真方法的第一流程图。本实施例提出了一种机器人仿真方法,该方法包括:
S1、创建机器人的仿真环境,并在所述仿真环境中控制移动所述机器人以及生成模拟的传感器数据;
S2、根据所述机器人在所述仿真环境中的位姿建立所述机器人的位姿图;
S3、对所述位姿图进行优化,得到所述仿真环境下的环境地图;
S4、在所述环境地图中对所述机器人进行模拟导航,并根据导航结果对所述模拟导航的算法进行验证和优化。
在本实施例中,首先,创建机器人的仿真环境,并在所述仿真环境中控制移动所述机器人以及生成模拟的传感器数据。其中,通过Gazebo或者具备相似功能的仿真软件创建机器人的仿真环境,可选地,针对当前的仿真需求,创建新的仿真环境,或者,导入待验证的仿真环境,可选地,在上述仿真环境中,同时导入两个或两个以上的多个机器人,用于导航算法验证或者导航算法的比对验证。在本步骤中,当创建完成仿真环境后,根据当前的仿真需求,在此仿真环境中控制移动所述机器人以及生成模拟的传感器数据,其中,通过输入至该仿真环境中的指令速度消息控制移动该机器人,以及,在该机器人移动过程中,通过该仿真环境中设置的模拟传感器,生成模拟的传感器数据。
在本实施例中,在仿真环境中控制移动所述机器人以及生成模拟的传感器数据的过程中,根据所述机器人在所述仿真环境中的位姿建立所述机器人的位姿图。其中,根据的传感器数据建立所述机器人在该仿真环境中的位姿图,由此,得到仿真环境下的模拟位姿图。可选地,根据当前的仿真需求,根据模拟的一种或多种传感器数据得到该位姿图,或者,直接向该仿真环境中导入该机器人的位姿图,或者,针对多机器人的仿真环境,对其中一个或多个机器人,根据模拟的一种或多种传感器数据得到该一个或多个机器人的位姿图,对另一部分的机器人,采用位姿图导入的方式执行后续仿真操作。
在本实施例中,在得到仿真环境下的模拟位姿图之后,再对所述位姿图进行优化,得到所述仿真环境下的环境地图。其中,可选地,采用非线性优化的方式得到机器人在此仿真环境下的环境地图。可选地,根据当前的仿真需求,采用非线性优化的方式得到机器人在此仿真环境下的环境地图,或者,直接向该仿真环境中导入该机器人的环境地图,或者,针对多机器人的仿真环境,对其中一个或多个机器人,采用非线性优化的方式得到一个或多个机器人在此仿真环境下的环境地图,对另一部分的机器人,采用环境地图导入的方式执行后续仿真操作。可选地,在多机器人比对场景下,根据当前的仿真需求,在得到仿真环境下的模拟位姿图之后,不同的机器人采用不同的传感器数据进行位置预测和误差项计算,从而得到多个不同的最优位置,实现对不同环境地图的模拟比对。
在本实施例中,得到机器人在仿真环境下的环境地图之后,再在所述环境地图中对所述机器人进行模拟导航,并根据导航结果对所述模拟导航的算法进行验证和优化。其中,可以通过判断机器人是否到达下发的目标点,从而确定机器人此次的模拟导航是否成功。
本实施例的有益效果在于,通过创建机器人的仿真环境,并在所述仿真环境中控制移动所述机器人以及生成模拟的传感器数据;根据所述机器人在所述仿真环境中的位姿建立所述机器人的位姿图;对所述位姿图进行优化,得到所述仿真环境下的环境地图;在所述环境地图中对所述机器人进行模拟导航,并根据导航结果对所述模拟导航的算法进行验证和优化。实现了一种高效、便捷、准确的机器人控制算法仿真验证方案,提高了机器人控制算法的鲁棒性和稳定性。
实施例二
基于上述实施例,为了在仿真环境中控制移动所述机器人以及生成模拟的传感器数据,在本实施例中:
在所述仿真环境中创建模拟控制接口和模拟数据接口。其中:
通过所述模拟控制接口输入所述机器人的控制速度信息;
通过所述模拟数据接口输入模拟的传感器数据;
上述传感器数据包括激光传感器信息、里程计信息以及图像信息。
具体的,在本实施例中,首先,定义一个机器人的运动控制的插件,该插件可以接受控制速度指令,从而控制仿真环境中机器人的运动,同时,还可以发布机器人在仿真环境中的里程计信息。可选地,本实施例采用的是移动机器人的差速控制模型。具体的,图2示出的是本发明实施例提供的机器人仿真方法的差分移动机器人动力学模型示意图。
其中,基于该动力学模型示意图,通过ICC表示机器人在此仿真环境中的瞬时旋转中心:
ICC=[χ-R sinθ,y+R cosθ]
其中,R为旋转半径,θ为速度方向。
机器人左右轮速度和旋转角速度具有如下关系:
W(R+l/2)=vr
W(R-l/2)=vl
由此,得到移动机器人位置更新公式,基于该公式可得到机器人的控制速度,也即,得到对机器人位置的更新过程,由此,得到该机器人在此过程中的里程计信息。
该里程计信息的计算方式如下所示:
本实施例的有益效果在于,通过在所述仿真环境中创建模拟控制接口和模拟数据接口,使得在后续的仿真过程中,可以通过所述模拟控制接口输入所述机器人的控制速度信息,还通过所述模拟数据接口输入模拟的传感器数据,提高了仿真环境的功能性和有效性。
实施例三
基于上述实施例,为了通过所述模拟控制接口输入所述机器人的控制速度信息,在本实施例:
通过外接输入设备、或者所述模拟导航的算法向所述模拟控制接口输入所述机器人的控制速度信息。
可选地,外接输入设备包括鼠标、键盘、麦克风、摇杆等具备控制信号输入的实体设备,通过该外接输入设备人为地输入所述机器人的控制速度信息。;
可选地,还可以通过模拟导航的算法自行向所述模拟控制接口输入所述机器人的控制速度信息。
本实施例的有益效果在于,通过外接输入设备、或者所述模拟导航的算法向所述模拟控制接口输入所述机器人的控制速度信息。丰富了该仿真环境下对机器人移动的控制类型,提高了该仿真环境的控制自由度。
实施例四
基于上述实施例,为了根据所述机器人在所述仿真环境中的位姿建立所述机器人的位姿图,在本实施例中:
在所述环境地图的前端构建阶段,获取所述激光传感器信息、所述里程计信息以及所述图像信息;
根据所述激光传感器信息、所述里程计信息以及所述图像信息建立所述位姿之间的数据关联;
根据所述数据关联构建所述机器人的位姿图。
在本实施例中,参考图3示出的本发明实施例提供的机器人仿真方法的环境地图构建示意图。在图构建(前端)过程中,获取仿真的传感器数据,例如,该传感器数据包括激光传感器信息、里程计信息以及图像信息中的一种或多种,利用激光传感器信息、里程计信息以及图像信息确定各节点之间的数据关联,其中,节点表示的是机器人的位姿,根据上述各节点之间的数据关联构建机器人的位姿图。
本实施例的有益效果在于,通过在所述环境地图的前端构建阶段,获取所述激光传感器信息、所述里程计信息以及所述图像信息;根据所述激光传感器信息、所述里程计信息以及所述图像信息建立所述位姿之间的数据关联;根据所述数据关联构建所述机器人的位姿图。实现了一种高效、准确的位姿图生成方案,为后续环境地图构建提供了位姿图基础。
实施例五
基于上述实施例,为了对所述位姿图进行优化,得到所述仿真环境下的环境地图,在本实施例中:
在所述环境地图的后端优化阶段,对所述位姿图进行最优估计,得到最优的机器人位姿;
通过传感器融合算法,以及所述激光传感器信息、所述里程计信息、所述图像信息、所述最优的机器人位姿,计算得到所述环境地图。
在本实施例中,同样参考图3示出的本发明实施例提供的机器人仿真方法的环境地图构建示意图。在图优化(后端)过程中,首先,对所述位姿图进行最优估计,得到最优的机器人位姿;然后,通过传感器融合算法,以及上述模拟得到的传感器数据、最优的机器人位姿,计算得到本实施例所需的环境地图。其中,上述模拟得到的传感器数据包括激光传感器信息、里程计信息以及图像信息。
在本实施例中,参考图4示出的本发明实施例提供的机器人仿真方法的优化器示意图。该优化器包括激光传感器误差项、里程计误差项、以及相机误差项,上述各个误差项用于根据激光传感器信息、所述里程计信息、所述图像信息对所述位姿图进行最优估计,从而发布最优机器人位姿。
本实施例的有益效果在于,通过在所述环境地图的后端优化阶段,对所述位姿图进行最优估计,得到最优的机器人位姿;通过传感器融合算法,以及所述激光传感器信息、所述里程计信息、所述图像信息、所述最优的机器人位姿,计算得到所述环境地图。实现了在仿真环境中获取准确、可靠的环境地图,为后续执行模拟导航提供了地图基础。
实施例六
基于上述实施例,为了在所述环境地图的后端优化阶段,结合传感器融合算法,以及所述激光传感器信息、所述里程计信息、所述图像信息,对所述位姿图进行最优估计,得到所述环境地图,在本实施例中:
取所述激光传感器信息、所述里程计信息以及所述图像信息中各对应误差项的最小值;
根据所述最小值对所述机器人在所述仿真环境中的位置进行最优估计。
可选地,取所述激光传感器信息、所述里程计信息以及所述图像信息中一种或多种信息对应误差项的最小值,然后,根据所述最小值对所述机器人在所述仿真环境中的位置进行最优估计。
本实施例的有益效果在于,通过取所述激光传感器信息、所述里程计信息以及所述图像信息中各对应误差项的最小值;然后,根据所述最小值对所述机器人在所述仿真环境中的位置进行最优估计。从而得到了准确、可靠的环境地图,为后续执行模拟导航提供了地图基础。
实施例七
基于上述实施例,为了得到上述环境地图,在本实施例中,取所述激光传感器信息、所述里程计信息以及所述图像信息中各对应误差项的最小值,具体包括:
确定所述位姿对应的状态向量;
以所述状态向量为基础,根据所述激光传感器信息、所述里程计信息以及所述图像信息得到所述位姿对应的各增量信息;
根据所述增量信息得到所述机器人的预测位置,并根据机器人的实际位置与所述预测位置的差值得到所述误差项;
对所述误差项进行非线性优化,得到所述最小值。
具体的,在本实施例中,利用多传感器融合算法,首先,将机器人的位姿作为系统的状态向量,将该状态向量记做X,X=(x,y,theta),该状态向量表示机器人在仿真环境中的坐标以及朝向信息。对于各传感器的数据,分别建立其对应的传感器模型,各个传感器模型均可以提供增量的位姿信息,以里程计信息为例,预先给定的机器人的初始位置为X1,以及,里程计的增量测量信息为z,由此,可以预测机器人的位置X2’,X2’=f(X1,z),对应的,该里程计的误差项可以定义为预测的机器人位置和实际的机器人位置之间的差异Error,Error=X2’-X2。同样的,对于其它传感器信息,按上述方式确定对于的误差项,最后,采用非线性优化的方式,使得上述所有误差项取最小值,也即,得到最优的机器人位置。
本实施例的有益效果在于,通过确定所述位姿对应的状态向量;以所述状态向量为基础,根据所述激光传感器信息、所述里程计信息以及所述图像信息得到所述位姿对应的各增量信息;根据所述增量信息得到所述机器人的预测位置,并根据机器人的实际位置与所述预测位置的差值得到所述误差项;对所述误差项进行非线性优化,得到所述最小值。从而实现了一种准确、可靠的环境地图后端优化方案,为后续执行模拟导航提供了准确、可靠的地图基础。
实施例八
基于上述实施例,所述在所述环境地图中对所述机器人进行模拟导航,并根据导航结果对所述模拟导航的算法进行验证和优化,包括:
确定与所述环境地图对应的模拟导航的算法,其中,所述模拟导航的算法包括路径规划和轨迹优化;
通过所述路径规划确定所述机器人的可行路径,以及,通过所述轨迹优化确定所述机器人的控制速度。
在本实施例中,参考图5示出的本发明实施例提供的机器人仿真方法的导航示意图。首先,通过向该仿真环境输入预先设定的导航任务,基于该导航任务,并根据上述所构建的环境地图计算得到路径规划,通过该路径规划得到机器人到达目标点的可行路径,然后,基于该可行路径,通过轨迹优化得到该机器人可以采取的移动速度,通过该移动速度控制机器人在此仿真环境中进行移动。可选地,在此过程中,采用全局路径规划算法在地图上寻找到达目标点的可行路径,然后,利用局部路径规划算法控制机器人安全移动,确保机器人不会碰到障碍物。
图6是本发明实施例提供的机器人仿真方法的仿真流程图。在此仿真流程图中示出了以Gazebo为例的仿真整体流程。其中,首先,通过Gazebo加载传感器模型以及世界模型,然后,通过指令速度的消息控制模型在仿真世界中移动,其中,仿真环境提供模拟的传感器数据以及控制机器人运动的接口,再然后,通过建图模块利用模拟的传感器数据对仿真环境进行地图构建,生成环境地图,将地图消息发送至导航模块,最后,导航模块利用该环境地图对机器人进行路径规划和轨迹优化。
本实施例的有益效果在于,通过确定与所述环境地图对应的模拟导航的算法,其中,所述模拟导航的算法包括路径规划和轨迹优化;通过所述路径规划确定所述机器人的可行路径,以及,通过所述轨迹优化确定所述机器人的控制速度。实现了一种准确、可靠的模拟导航算法验证和优化方案,在本实施例的模拟导航仿真方案中,对模拟导航算法进行了有效验证,以便于对该模拟导航算法进行迭代,从而提高了模拟导航算法的鲁棒性和稳定性。
实施例九
基于上述实施例,本发明还提出了一种机器人仿真设备,该设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上任一项所述的机器人仿真方法的步骤。
需要说明的是,上述设备实施例与方法实施例属于同一构思,其具体实现过程详细见方法实施例,且方法实施例中的技术特征在设备实施例中均对应适用,这里不再赘述。
实施例十
基于上述实施例,本发明还提出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机器人仿真程序,所述机器人仿真程序被处理器执行时实现如上任一项所述的机器人仿真方法的步骤。
需要说明的是,上述介质实施例与方法实施例属于同一构思,其具体实现过程详细见方法实施例,且方法实施例中的技术特征在介质实施例中均对应适用,这里不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种机器人仿真方法,其特征在于,所述方法包括:
创建机器人的仿真环境,并在所述仿真环境中控制移动所述机器人以及生成模拟的传感器数据;
根据所述机器人在所述仿真环境中的位姿建立所述机器人的位姿图;
对所述位姿图进行优化,得到所述仿真环境下的环境地图;
在所述环境地图中对所述机器人进行模拟导航,并根据导航结果对所述模拟导航的算法进行验证和优化;
其中,
在所述仿真环境中,同时导入用于导航算法比对验证的两个或两个以上的所述机器人;
对一部分的所述机器人,根据模拟的一种或多种所述传感器数据得到一部分的所述机器人的位姿图,对另一部分的所述机器人,采用导入的位姿图执行仿真操作;
对一部分的所述机器人,采用非线性优化的方式得到一部分的所述机器人在所述仿真环境下的环境地图,对另一部分的所述机器人,采用导入的环境地图执行仿真操作;
在两个或两个以上的所述机器人的比对场景下,根据当前的仿真需求,在得到所述仿真环境下的模拟的所述位姿图之后,以两个或两个以上的所述机器人采用相应的传感器数据进行位置预测和误差项计算,以得到多个不同的最优位置,并对不同的所述环境地图进行模拟比对。
2.根据权利要求1所述的机器人仿真方法,其特征在于,所述创建机器人的仿真环境,并在所述仿真环境中控制移动所述机器人以及生成模拟的传感器数据,包括:
在所述仿真环境中创建模拟控制接口和模拟数据接口,其中,通过所述模拟控制接口输入所述机器人的控制速度信息,通过所述模拟数据接口输入模拟的传感器数据,所述传感器数据包括激光传感器信息、里程计信息以及图像信息。
3.根据权利要求2所述的机器人仿真方法,其特征在于,通过所述模拟控制接口输入所述机器人的控制速度信息,包括:
通过外接输入设备、或者所述模拟导航的算法向所述模拟控制接口输入所述机器人的控制速度信息。
4.根据权利要求2所述的机器人仿真方法,其特征在于,所述根据所述机器人在所述仿真环境中的位姿建立所述机器人的位姿图,包括:
在所述环境地图的前端构建阶段,获取所述激光传感器信息、所述里程计信息以及所述图像信息;
根据所述激光传感器信息、所述里程计信息以及所述图像信息建立所述位姿之间的数据关联;
根据所述数据关联构建所述机器人的位姿图。
5.根据权利要求4所述的机器人仿真方法,其特征在于,所述对所述位姿图进行优化,得到所述仿真环境下的环境地图,包括:
在所述环境地图的后端优化阶段,对所述位姿图进行最优估计,得到最优的机器人位姿;
通过传感器融合算法,以及所述激光传感器信息、所述里程计信息、所述图像信息、所述最优的机器人位姿,计算得到所述环境地图。
6.根据权利要求5所述的机器人仿真方法,其特征在于,所述在所述环境地图的后端优化阶段,结合传感器融合算法,以及所述激光传感器信息、所述里程计信息、所述图像信息,对所述位姿图进行最优估计,得到所述环境地图,包括:
取所述激光传感器信息、所述里程计信息以及所述图像信息中各对应误差项的最小值;
根据所述最小值对所述机器人在所述仿真环境中的位置进行最优估计。
7.根据权利要求6所述的机器人仿真方法,其特征在于,所述取所述激光传感器信息、所述里程计信息以及所述图像信息中各对应误差项的最小值,包括:
确定所述位姿对应的状态向量;
以所述状态向量为基础,根据所述激光传感器信息、所述里程计信息以及所述图像信息得到所述位姿对应的各增量信息;
根据所述增量信息得到所述机器人的预测位置,并根据机器人的实际位置与所述预测位置的差值得到所述误差项;
对所述误差项进行非线性优化,得到所述最小值。
8.根据权利要求1所述的机器人仿真方法,其特征在于,所述在所述环境地图中对所述机器人进行模拟导航,并根据导航结果对所述模拟导航的算法进行验证和优化,包括:
确定与所述环境地图对应的模拟导航的算法,其中,所述模拟导航的算法包括路径规划和轨迹优化;
通过所述路径规划确定所述机器人的可行路径,以及,通过所述轨迹优化确定所述机器人的控制速度。
9.一种机器人仿真设备,其特征在于,所述设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的机器人仿真方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有机器人仿真程序,所述机器人仿真程序被处理器执行时实现如权利要求1至8中任一项所述的机器人仿真方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010604638.1A CN111708283B (zh) | 2020-06-29 | 2020-06-29 | 一种机器人仿真方法、设备以及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010604638.1A CN111708283B (zh) | 2020-06-29 | 2020-06-29 | 一种机器人仿真方法、设备以及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111708283A CN111708283A (zh) | 2020-09-25 |
CN111708283B true CN111708283B (zh) | 2023-07-25 |
Family
ID=72544439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010604638.1A Active CN111708283B (zh) | 2020-06-29 | 2020-06-29 | 一种机器人仿真方法、设备以及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111708283B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116011213B (zh) * | 2022-12-29 | 2024-04-26 | 上海思岚科技有限公司 | 一种数据仿真系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107671857B (zh) * | 2017-10-11 | 2021-04-02 | 上海交通大学 | 用于服务机器人操作演示与算法验证的三维仿真平台 |
CN109341694A (zh) * | 2018-11-12 | 2019-02-15 | 哈尔滨理工大学 | 一种移动探测机器人的自主定位导航方法 |
CN109781092B (zh) * | 2019-01-19 | 2021-01-19 | 北京化工大学 | 一种危险化工事故中移动机器人定位与建图方法 |
CN110361027A (zh) * | 2019-06-25 | 2019-10-22 | 马鞍山天邦开物智能商务管理有限公司 | 基于单线激光雷达与双目相机数据融合的机器人路径规划方法 |
CN110333738A (zh) * | 2019-07-10 | 2019-10-15 | 华东师范大学 | 一种基于仿真模拟软件的无人机集群验证方法 |
CN110887489A (zh) * | 2019-11-22 | 2020-03-17 | 深圳晨芯时代科技有限公司 | 一种基于ar机器人的slam算法的实验方法 |
-
2020
- 2020-06-29 CN CN202010604638.1A patent/CN111708283B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111708283A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11331803B2 (en) | Mixed reality assisted spatial programming of robotic systems | |
Siradjuddin et al. | Image Based Visual Servoing of a 7 DOF robot manipulator using a distributed fuzzy proportional controller | |
CN115351780A (zh) | 用于控制机器人设备的方法 | |
Bodhale et al. | Path planning for a mobile robot in a dynamic environment | |
Brito et al. | Dynamic collision avoidance system for a manipulator based on RGB-D data | |
CN111708283B (zh) | 一种机器人仿真方法、设备以及计算机可读存储介质 | |
Moshayedi et al. | Integrating virtual reality and robotic operation system (ROS) for AGV navigation | |
Martyshkin et al. | Development and investigation of a motion planning algorithm for a mobile robot with a smart machine vision system | |
Han et al. | Iterative path tracking of an omni-directional mobile robot | |
CN114571460A (zh) | 机器人控制方法、装置及存储介质 | |
Gordón et al. | Autonomous robot KUKA YouBot navigation based on path planning and traffic signals recognition | |
Xu et al. | A learning-based object tracking strategy using visual sensors and intelligent robot arm | |
Alexandersson et al. | Implementation of SLAM algorithms in a small-scale vehicle using model-based development | |
Abramov et al. | Offline programming of robot model with virtual environment support | |
CN117348577B (zh) | 一种生产工艺仿真检测方法、装置、设备以及介质 | |
Pu et al. | A general mobile manipulator automation framework for flexible tasks in controlled environments | |
TWI788253B (zh) | 適應性移動操作設備及方法 | |
Kumar et al. | Navigational analysis of a humanoid using genetic algorithm with vision assistance | |
Ozdemir et al. | High Fidelity IMU and Wheel Encoder Models for ROS Based AGV Simulations | |
WO2023157235A1 (ja) | 計算装置 | |
Kumar et al. | Survey Paper on Robotic Path Planning Algorithms | |
US20220410915A1 (en) | Sensor data generation for controlling an autonomous vehicle | |
Komák et al. | Creating a Simulation Environment for the Micromouse. | |
Duan et al. | Autonomous Robot Navigation Function | |
Facerías Pelegrí | State Estimation in SLAM Techniques for Autonomous Vehicles |
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 | ||
CB02 | Change of applicant information |
Address after: 518000 Room 401, block D, building 7, Shenzhen International Innovation Valley, Dashi 1st Road, Xili community, Xili street, Nanshan District, Shenzhen, Guangdong Applicant after: JUXING TECHNOLOGY (SHENZHEN) Co.,Ltd. Address before: 518000 building 101, building R3b, Gaoxin industrial village, No.018, Gaoxin South 7th Road, community, high tech Zone, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Applicant before: JUXING TECHNOLOGY (SHENZHEN) Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |