CN111752276B - 局部路径规划方法、装置、计算机可读存储介质及机器人 - Google Patents

局部路径规划方法、装置、计算机可读存储介质及机器人 Download PDF

Info

Publication number
CN111752276B
CN111752276B CN202010580818.0A CN202010580818A CN111752276B CN 111752276 B CN111752276 B CN 111752276B CN 202010580818 A CN202010580818 A CN 202010580818A CN 111752276 B CN111752276 B CN 111752276B
Authority
CN
China
Prior art keywords
robot
pedestrian
local
path
static obstacle
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
CN202010580818.0A
Other languages
English (en)
Other versions
CN111752276A (zh
Inventor
毕占甲
刘志超
庞建新
熊友军
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.)
Shenzhen Ubtech Technology Co ltd
Original Assignee
Shenzhen Ubtech 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 Shenzhen Ubtech Technology Co ltd filed Critical Shenzhen Ubtech Technology Co ltd
Priority to CN202010580818.0A priority Critical patent/CN111752276B/zh
Publication of CN111752276A publication Critical patent/CN111752276A/zh
Application granted granted Critical
Publication of CN111752276B publication Critical patent/CN111752276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/0238—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
    • G05D1/0212—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
    • G05D1/0231—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
    • G05D1/0251—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 extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
    • 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
    • G05D1/0257—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)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Manipulator (AREA)

Abstract

本申请属于机器人技术领域，尤其涉及一种局部路径规划方法、装置、计算机可读存储介质及机器人。所述方法获取机器人周边的静态障碍物信息；获取所述机器人周边的行人信息；在所述机器人的全局路径上选取当前的局部目标点；使用预设的社会力模型对所述静态障碍物信息、所述行人信息和所述局部目标点进行计算，得到施加于所述机器人的合力；根据所述合力进行所述机器人的局部路径的规划，确定所述机器人的行进速度。由于综合考虑了静态障碍物信息和行人信息，并结合局部目标点，基于社会力模型来得到施加于机器人的合力，以这一合力为依据进行局部路径规划和速度控制，使得机器人产生符合行人预期的局部避障导航行为，从而避免对行人造成干扰。

Description

局部路径规划方法、装置、计算机可读存储介质及机器人
技术领域
本申请属于机器人技术领域，尤其涉及一种局部路径规划方法、装置、计算机可读存储介质及机器人。
背景技术
局部路径规划是在机器人的行走过程中，根据机器人不断变化的周围障碍物信息，以跟随全局路径为原则，根据机器人运动控制模型及当前位置、速度等信息，以安全、高效、流畅等标准，实时规划一条从当前点到全局路径上某一子目标点的最优无碰撞路径，并输出控制机器人按规划路径行走的速度控制指令，其主要任务可简述为避让障碍物和控制底盘跟随全局路径。
传统的局部路径规划方法是根据每一时刻的障碍信息快照，进行路径规划与速度控制，这样操作存在一个问题就是，规划算法统一将周围障碍信息一概看作静态障碍物，当前后帧时刻有动态障碍物信息移动时，规划的路线会发生较大的差异变化，导致机器人在动态场景下的导航行为不符合行人预期，虽然能够保证安全性，但是机器人在面对走近的行人时会把行人当作普通的静态障碍物进行最短距离的绕障轨迹规划，在机器人与行人共存的场景中，对行人干扰较大。
发明内容
有鉴于此，本申请实施例提供了一种局部路径规划方法、装置、计算机可读存储介质及机器人，以解决现有的局部路径规划方法在机器人与行人共存的场景中，对行人干扰较大的问题。
本申请实施例的第一方面提供了一种局部路径规划方法，可以包括：
获取机器人周边的静态障碍物信息；
获取所述机器人周边的行人信息；
在所述机器人的全局路径上选取当前的局部目标点；
使用预设的社会力模型对所述静态障碍物信息、所述行人信息和所述局部目标点进行计算，得到施加于所述机器人的合力；
基于牛顿运动定律，根据所述合力计算所述机器人的理论速度；
当在预设的减速区中不存在障碍物时，将所述理论速度确定为所述机器人的行进速度；
当在所述减速区中存在障碍物时，计算所述机器人与所述减速区中的障碍物之间的距离与预设的危险区半径的第一差值；计算所述机器人与目标交点之间的距离与所述危险区半径的第二差值，所述目标交点为目标射线与所述减速区的边界线之间的交点，所述目标射线为由所述机器人指向所述减速区中的障碍物的射线；将所述第一差值与所述第二差值的比值与预设的速度阈值的乘积确定为所述机器人的行进速度。
进一步地，所述获取机器人周边的静态障碍物信息包括：
获取所述机器人的全局定位坐标，并根据所述全局定位坐标确定所述机器人在局部代价地图中的位置；
在以所述机器人在局部代价地图中的位置为中心的指定区域内进行发散式的线束投射，确定出各条线束投射到的静态障碍物在所述局部代价地图中的位置，并转换得到静态障碍物在世界坐标系下的坐标；
将所述指定区域划分为N个切片，在每一个切片的范围内选取与所述机器人距离最近的静态障碍物，并将选取的静态障碍物在世界坐标系下的坐标确定为所述静态障碍物信息，N为正整数。
进一步地，所述获取所述机器人周边的行人信息包括：
通过预设的传感器对所述机器人周边的行人进行检测与跟踪，得到行人跟踪结果；
根据预设的占用栅格地图对所述行人跟踪结果进行筛选，得到所述行人信息。
进一步地，所述在所述机器人的全局路径上选取当前的局部目标点包括：
在所述全局路径上进行路径点遍历；
若当前遍历到的路径点与所述机器人之间的距离小于预设的第一阈值，则将从所述全局路径的起始路径点到当前遍历到的路径点之间的所有路径点删除，并继续进行路径点遍历，若当前遍历到的路径点与所述机器人之间的距离大于预设的第二阈值，则将当前遍历到的路径点作为所述机器人当前的局部目标点；
若在所述全局路径上遍历完所有的路径点之后，仍未找到与所述机器人之间的距离小于所述第一阈值的路径点，则在所述全局路径上选取与所述机器人之间的距离最短的路径点作为所述机器人当前的局部目标点。
进一步地，所述使用预设的社会力模型对所述静态障碍物信息、所述行人信息和所述局部目标点进行计算，得到施加于所述机器人的合力，包括：
根据所述静态障碍物信息分别计算各个静态障碍物施加于所述机器人的静态障碍物斥力；
根据所述行人信息分别计算各个行人施加于所述机器人的行人交互斥力；
计算所述局部目标点施加于所述机器人的目标吸引力；
将所述静态障碍物斥力、所述行人交互斥力与所述目标吸引力进行叠加，得到施加于所述机器人的合力。
进一步地，所述根据所述静态障碍物信息分别计算各个静态障碍物施加于所述机器人的静态障碍物斥力包括：
根据下式计算所述静态障碍物斥力：
其中，ao和bo为预设的模型参数，di,o为所述机器人与静态障碍物o之间的距离，eo→i为由障碍物o指向所述机器人的单位向量，为静态障碍物o施加于所述机器人的静态障碍物斥力，o∈O，O为由各个静态障碍物所组成的集合；
所述根据所述行人信息分别计算各个行人施加于所述机器人的行人交互斥力包括：
根据下式计算所述行人交互斥力：
其中，ap和bp为预设的模型参数，di,j为所述机器人与行人j之间的距离，ej→i为由行人j指向所述机器人的单位向量，为行人o施加于所述机器人的行人交互斥力，j∈J，J为由各个行人所组成的集合；
所述计算所述局部目标点施加于所述机器人的目标吸引力包括：
根据下式计算所述目标吸引力：
其中，为由所述机器人指向所述局部目标点的单位向量，kgs是预设的权重参数，fi attr为所述目标吸引力；
所述将所述静态障碍物斥力、所述行人交互斥力与所述目标吸引力进行叠加，得到施加于所述机器人的合力，包括：
根据下式计算所述合力：
其中，fi为所述合力。
本申请实施例的第二方面提供了一种局部路径规划装置，可以包括：
静态障碍物信息获取模块，用于获取机器人周边的静态障碍物信息；
行人信息获取模块，用于获取所述机器人周边的行人信息；
局部目标点选取模块，用于在所述机器人的全局路径上选取当前的局部目标点；
合力计算模块，用于使用预设的社会力模型对所述静态障碍物信息、所述行人信息和所述局部目标点进行计算，得到施加于所述机器人的合力；
局部路径规划模块，用于基于牛顿运动定律，根据所述合力计算所述机器人的理论速度；当在预设的减速区中不存在障碍物时，将所述理论速度确定为所述机器人的行进速度；当在所述减速区中存在障碍物时，计算所述机器人与所述减速区中的障碍物之间的距离与预设的危险区半径的第一差值；计算所述机器人与目标交点之间的距离与所述危险区半径的第二差值，所述目标交点为目标射线与所述减速区的边界线之间的交点，所述目标射线为由所述机器人指向所述减速区中的障碍物的射线；将所述第一差值与所述第二差值的比值与预设的速度阈值的乘积确定为所述机器人的行进速度。
进一步地，所述静态障碍物信息获取模块可以包括：
机器人位置确定单元，用于获取所述机器人的全局定位坐标，并根据所述全局定位坐标确定所述机器人在局部代价地图中的位置；
静态障碍物坐标确定单元，用于在以所述机器人在局部代价地图中的位置为中心的指定区域内进行发散式的线束投射，确定出各条线束投射到的静态障碍物在所述局部代价地图中的位置，并转换得到静态障碍物在世界坐标系下的坐标；
静态障碍物信息选取单元，用于将所述指定区域划分为N个切片，在每一个切片的范围内选取与所述机器人距离最近的静态障碍物，并将选取的静态障碍物在世界坐标系下的坐标确定为所述静态障碍物信息，N为正整数。
进一步地，所述行人信息获取模块可以包括：
检测跟踪单元，用于通过预设的传感器对所述机器人周边的行人进行检测与跟踪，得到行人跟踪结果；
结果筛选单元，用于根据预设的占用栅格地图对所述行人跟踪结果进行筛选，得到所述行人信息。
进一步地，所述局部目标点选取模块可以包括：
路径点遍历单元，用于在所述全局路径上进行路径点遍历；
第一局部目标点选取单元，用于若当前遍历到的路径点与所述机器人之间的距离小于预设的第一阈值，则将从所述全局路径的起始路径点到当前遍历到的路径点之间的所有路径点删除，并继续进行路径点遍历，若当前遍历到的路径点与所述机器人之间的距离大于预设的第二阈值，则将当前遍历到的路径点作为所述机器人当前的局部目标点；
第二局部目标点选取单元，用于若在所述全局路径上遍历完所有的路径点之后，仍未找到与所述机器人之间的距离小于所述第一阈值的路径点，则在所述全局路径上选取与所述机器人之间的距离最短的路径点作为所述机器人当前的局部目标点。
进一步地，所述合力计算模块可以包括：
静态障碍物斥力计算单元，用于根据所述静态障碍物信息分别计算各个静态障碍物施加于所述机器人的静态障碍物斥力；
行人交互斥力计算单元，用于根据所述行人信息分别计算各个行人施加于所述机器人的行人交互斥力；
目标吸引力计算单元，用于计算所述局部目标点施加于所述机器人的目标吸引力；
合力计算单元，用于将所述静态障碍物斥力、所述行人交互斥力与所述目标吸引力进行叠加，得到施加于所述机器人的合力。
进一步地，所述静态障碍物斥力计算单元具体用于根据下式计算所述静态障碍物斥力：
其中，ao和bo为预设的模型参数，di,o为所述机器人与静态障碍物o之间的距离，eo→i为由障碍物o指向所述机器人的单位向量，为静态障碍物o施加于所述机器人的静态障碍物斥力，o∈O，O为由各个静态障碍物所组成的集合；
进一步地，所述行人交互斥力计算单元具体用于根据下式计算所述行人交互斥力：
其中，ap和bp为预设的模型参数，di,j为所述机器人与行人j之间的距离，ej→i为由行人j指向所述机器人的单位向量，为行人o施加于所述机器人的行人交互斥力，j∈J，J为由各个行人所组成的集合；
进一步地，所述目标吸引力计算单元具体用于根据下式计算所述目标吸引力：
其中，为由所述机器人指向所述局部目标点的单位向量，kgs是预设的权重参数，fi attr为所述目标吸引力；
进一步地，所述合力计算单元具体用于根据下式计算所述合力：
其中，fi为所述合力。
本申请实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种局部路径规划方法的步骤。
本申请实施例的第四方面提供了一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种局部路径规划方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在机器人上运行时，使得机器人执行上述任一种局部路径规划方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例获取机器人周边的静态障碍物信息；获取所述机器人周边的行人信息；在所述机器人的全局路径上选取当前的局部目标点；使用预设的社会力模型对所述静态障碍物信息、所述行人信息和所述局部目标点进行计算，得到施加于所述机器人的合力；根据所述合力进行所述机器人的局部路径的规划，确定所述机器人的行进速度。在本申请实施例中，综合考虑了静态障碍物信息和行人信息，并结合从全局路径上选取的局部目标点，基于社会力模型来得到施加于所述机器人的合力，以这一合力为依据进行局部路径规划和速度控制，使得机器人产生符合行人预期的局部避障导航行为，从而避免对行人造成干扰。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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它的附图。
图1为本申请实施例中一种局部路径规划方法的一个实施例流程图；
图2为获取机器人周边的静态障碍物信息的示意流程图；
图3为获取机器人周边的行人信息的示意流程图；
图4为使用预设的社会力模型计算得到施加于机器人的合力的示意流程图；
图5为机器人感知区域划分的示意图；
图6为障碍物在机器人感知减速区时的限速示意图；
图7为本申请实施例中一种局部路径规划装置的一个实施例结构图；
图8为本申请实施例中一种机器人的示意框图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。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它实施例，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参阅图1，本申请实施例中一种局部路径规划方法的一个实施例可以包括：
步骤S101、获取机器人周边的静态障碍物信息。
如图2所示，步骤S101具体可以包括如下过程：
步骤S1011、获取所述机器人的全局定位坐标，并根据所述全局定位坐标确定所述机器人在局部代价地图中的位置。
本申请实施例可以基于现有的机器人操作系统(Robot Operating System，ROS)中的导航栈(Navigation Stack)进行实现，ROS Navigation Stack是ROS经典的导航包集合，在得到地图后可以实现定位、全局路径规划、动态局部规划等一系列导航核心功能。在ROS Navigation Stack中，主要通过局部路径规划器(base_local_planner)这一基类来实现局部路径的规划。本申请实施例中的局部路径规划方法即基于base_local_planner基类进行实现。
由于在ROS Navigation Stack中，局部代价地图(local costmap)是由分层的各数据源整合后表示，数据源可能来自于激光数据，超声数据或者深度图像(RGB-D)数据等。因此对静态障碍物的信息提取不依赖于特定的传感器，只通过局部代价地图的表现方式获得。
步骤S1012、在以所述机器人在局部代价地图中的位置为中心的指定区域内进行发散式的线束投射，确定出各条线束投射到的静态障碍物在所述局部代价地图中的位置，并转换得到静态障碍物在世界坐标系下的坐标。
具体地，可以使用布雷森汉姆直线算法(Bresenham's line algorithm)在局部代价地图中从机器人位置进行360度的线束投射，设线束投射的角分辨率是M度，则共需要360/M次线束投射，当线束上有高于预设阈值的栅格时，即可认为该栅格已被静态障碍物占据，确定该静态障碍物在所述局部代价地图中的位置，并转换得到该静态障碍物在世界坐标系下的坐标。
步骤S1013、将所述指定区域划分为N个切片，在每一个切片的范围内选取与所述机器人距离最近的静态障碍物，并将选取的静态障碍物在世界坐标系下的坐标确定为所述静态障碍物信息。
具体地，可以将所述机器人周身360度范围划分为N个切片，其中，N为正整数，且满足360/N>M，则在每个切片中进行360/(M*N)次线束投射，在每个切片范围内选取线束投射的距离最近的静态障碍物在世界坐标系下的坐标添加到发布话题中，因此局部静态障碍物话题最多可能有N个障碍信息，最少可能有0个障碍信息。
步骤S102、获取所述机器人周边的行人信息。
如图3所示，步骤S102具体可以包括如下过程：
步骤S1021、通过预设的传感器对所述机器人周边的行人进行检测与跟踪，得到行人跟踪结果。
行人信息的表示需要包含当前机器人周边行人的二维坐标及其线速度。这类信息需要通过机器人上携带的传感器或者场景中布设的传感器或定位设备，例如二维或三维激光雷达、RGB-D相机等传感器进行有效的检测与跟踪。一般优选通过二维激光雷达对行人进行有效检测与跟踪，得到包括行人的当前位置在内的行人跟踪结果。
步骤S1022、根据预设的占用栅格地图对所述行人跟踪结果进行筛选，得到所述行人信息。
对任一行人的当前位置而言，可以根据所述占据栅格地图查询以该当前位置为圆心，以预设的距离阈值为半径的区域内是否都是自由空间，若是，则认为此行人跟踪结果有效，否则认为无效，从而剔除掉大量的误检测结果。
步骤S103、在所述机器人的全局路径上选取当前的局部目标点。
局部目标点可以在全局路径规划器(global_planner)实时产生的全局路径上选取，选取策略是在所述全局路径上进行路径点遍历，若当前遍历到的路径点与所述机器人之间的距离小于预设的第一阈值(记为dist_behind_robot)，则将从所述全局路径的起始路径点到当前遍历到的路径点之间的所有路径点删除，并继续对剩余的全局路径点进行路径点遍历，若当前遍历到的路径点与所述机器人之间的距离大于预设的第二阈值(记为dist_robot_to_subgoal)，则将当前遍历到的路径点作为所述机器人当前的局部目标点；若在所述全局路径上遍历完所有的路径点之后，仍未找到与所述机器人之间的距离小于所述第一阈值的路径点，则在所述全局路径上选取与所述机器人之间的距离最短的路径点作为所述机器人当前的局部目标点。
步骤S104、使用预设的社会力模型(Social Force Model)对所述静态障碍物信息、所述行人信息和所述局部目标点进行计算，得到施加于所述机器人的合力。
如图4所示，步骤S104具体可以包括如下过程：
步骤S1041、根据所述静态障碍物信息分别计算各个静态障碍物施加于所述机器人的静态障碍物斥力。
具体地，可以根据下式计算所述静态障碍物斥力：
其中，ao和bo为预设的模型参数，di,o为所述机器人与静态障碍物o之间的距离，eo→i为由障碍物o指向所述机器人的单位向量，为静态障碍物o施加于所述机器人的静态障碍物斥力，o∈O，O为由各个静态障碍物所组成的集合。
步骤S1042、根据所述行人信息分别计算各个行人施加于所述机器人的行人交互斥力。
具体地，可以根据下式计算所述行人交互斥力：
其中，ap和bp为预设的模型参数，di,j为所述机器人与行人j之间的距离，ej→i为由行人j指向所述机器人的单位向量，为行人o施加于所述机器人的行人交互斥力，j∈J，J为由各个行人所组成的集合。
步骤S1043、计算所述局部目标点施加于所述机器人的目标吸引力。
具体地，可以根据下式计算所述目标吸引力：
其中，为由所述机器人指向所述局部目标点的单位向量，kgs是预设的权重参数，fi attr为所述目标吸引力。
步骤S1044、将所述静态障碍物斥力、所述行人交互斥力与所述目标吸引力进行叠加，得到施加于所述机器人的合力。
在本申请实施例中，社会力模型表示的合力是由目标吸引力、静态障碍物斥力、行人交互斥力来共同决定的。具体地，可以根据下式计算所述合力：
其中，fi为所述合力。
步骤S105、根据所述合力进行所述机器人的局部路径的规划，确定所述机器人的行进速度。
机器人的速度控制是通过所述社会力模型对机器人施加的合力来实现的，基于牛顿运动定律，根据所述合力可以计算得到所述机器人的理论速度，但同时又需要考虑机器人底盘原本的动力学参数限制，即线速度、角速度以及加速度限制。
在本申请实施例中，为了进一步提高机器人运动的安全性，如图5所示，可以将机器人的感知范围划分为三个区域，这三个区域互不相交，但组成了感知的全部区域，在该区域的感知包括所有障碍物(即包括静态障碍物，也包括行人)。距离机器人中心(记为O)预设半径(记为r)内的区域称为危险区，如图5中圆形圈内区域。距离机器人预设半径外且在另一个类椭圆区域内称为减速区，如图5中圆形圈外类椭圆圈内区域，距离机器人的类椭圆圈外部区域称为自由区，如图5中类椭圆圈外区域。
建立如图5所示的坐标系，其中，机器人的行进方向是x轴，左侧是y轴，两者符合右手定则。圆形圈是以机器人中心O点为圆心，半径为r的圆，x轴与类椭圆圈的交点为A，将OA长度记为d0。不失一般性地设B点是类椭圆圈上的一个任意点，线段OB的长度为dθ，且OB与x轴的夹角是θ，-π＜θ≤π。dθ的计算公式可通过下式求得：
其中，λ为预设的系数，且λ＝r/d0。通过这样的方式得到的类椭圆圈使得在机器人的正后方减速区与危险区边界相切于图5的C点处。
当在所述减速区中不存在障碍物时，则可以将所述理论速度确定为所述机器人的行进速度；而当在所述减速区中存在障碍物时，如图6所示，感知到的最近的障碍物D处于机器人感知的减速区内，则可以根据下式对机器人进行实时的限速更新：
其中，vmax为预设的速度阈值，dOD为所述机器人与所述减速区中的障碍物之间的距离，dθ为所述机器人与目标交点之间的距离，所述目标交点为目标射线与所述减速区的边界线之间的交点，所述目标射线为由所述机器人指向所述减速区中的障碍物的射线，θ为所述机器人的行进方向与所述目标射线之间的夹角，d0为预设的距离，v为限制速度。需要注意的是，本申请实施例中所提及的速度既可以是线速度也可以是角速度。
在计算得到这一限制速度之后，可以将该限制速度确定为所述机器人的行进速度。由上式易知，机器人的行进速度将随着最近的障碍物距离逐渐靠近危险区边界而逐渐降为零，从而实现避障效果。
进一步地，可以将基于上述方法实现的局部规划器插件记为sfm_local_planner，这一插件可以直接在现有硬件平台和计算能力的基础上进行应用，例如，可以通过参数配置替换ROS Navigation Stack中的dwa_local_planner或者teb_local_planner进行使用，极为简单方便。
综上所述，本申请实施例获取机器人周边的静态障碍物信息；获取所述机器人周边的行人信息；在所述机器人的全局路径上选取当前的局部目标点；使用预设的社会力模型对所述静态障碍物信息、所述行人信息和所述局部目标点进行计算，得到施加于所述机器人的合力；根据所述合力进行所述机器人的局部路径的规划，确定所述机器人的行进速度。在本申请实施例中，综合考虑了静态障碍物信息和行人信息，并结合从全局路径上选取的局部目标点，基于社会力模型来得到施加于所述机器人的合力，以这一合力为依据进行局部路径规划和速度控制，使得机器人产生符合行人预期的局部避障导航行为，从而避免对行人造成干扰。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种局部路径规划方法，图7示出了本申请实施例提供的一种局部路径规划装置的一个实施例结构图。
本实施例中，一种局部路径规划装置可以包括：
静态障碍物信息获取模块701，用于获取机器人周边的静态障碍物信息；
行人信息获取模块702，用于获取所述机器人周边的行人信息；
局部目标点选取模块703，用于在所述机器人的全局路径上选取当前的局部目标点；
合力计算模块704，用于使用预设的社会力模型对所述静态障碍物信息、所述行人信息和所述局部目标点进行计算，得到施加于所述机器人的合力；
局部路径规划模块705，用于根据所述合力进行所述机器人的局部路径的规划，确定所述机器人的行进速度。
进一步地，所述静态障碍物信息获取模块可以包括：
机器人位置确定单元，用于获取所述机器人的全局定位坐标，并根据所述全局定位坐标确定所述机器人在局部代价地图中的位置；
静态障碍物坐标确定单元，用于在以所述机器人在局部代价地图中的位置为中心的指定区域内进行发散式的线束投射，确定出各条线束投射到的静态障碍物在所述局部代价地图中的位置，并转换得到静态障碍物在世界坐标系下的坐标；
静态障碍物信息选取单元，用于将所述指定区域划分为N个切片，在每一个切片的范围内选取与所述机器人距离最近的静态障碍物，并将选取的静态障碍物在世界坐标系下的坐标确定为所述静态障碍物信息，N为正整数。
进一步地，所述行人信息获取模块可以包括：
检测跟踪单元，用于通过预设的传感器对所述机器人周边的行人进行检测与跟踪，得到行人跟踪结果；
结果筛选单元，用于根据预设的占用栅格地图对所述行人跟踪结果进行筛选，得到所述行人信息。
进一步地，所述局部目标点选取模块可以包括：
路径点遍历单元，用于在所述全局路径上进行路径点遍历；
第一局部目标点选取单元，用于若当前遍历到的路径点与所述机器人之间的距离小于预设的第一阈值，则将从所述全局路径的起始路径点到当前遍历到的路径点之间的所有路径点删除，并继续进行路径点遍历，若当前遍历到的路径点与所述机器人之间的距离大于预设的第二阈值，则将当前遍历到的路径点作为所述机器人当前的局部目标点；
第二局部目标点选取单元，用于若在所述全局路径上遍历完所有的路径点之后，仍未找到与所述机器人之间的距离小于所述第一阈值的路径点，则在所述全局路径上选取与所述机器人之间的距离最短的路径点作为所述机器人当前的局部目标点。
进一步地，所述合力计算模块可以包括：
静态障碍物斥力计算单元，用于根据所述静态障碍物信息分别计算各个静态障碍物施加于所述机器人的静态障碍物斥力；
行人交互斥力计算单元，用于根据所述行人信息分别计算各个行人施加于所述机器人的行人交互斥力；
目标吸引力计算单元，用于计算所述局部目标点施加于所述机器人的目标吸引力；
合力计算单元，用于将所述静态障碍物斥力、所述行人交互斥力与所述目标吸引力进行叠加，得到施加于所述机器人的合力。
进一步地，所述静态障碍物斥力计算单元具体用于根据下式计算所述静态障碍物斥力：
其中，ao和bo为预设的模型参数，di,o为所述机器人与静态障碍物o之间的距离，eo→i为由障碍物o指向所述机器人的单位向量，为静态障碍物o施加于所述机器人的静态障碍物斥力，o∈O，O为由各个静态障碍物所组成的集合；
进一步地，所述行人交互斥力计算单元具体用于根据下式计算所述行人交互斥力：
其中，ap和bp为预设的模型参数，di,j为所述机器人与行人j之间的距离，ej→i为由行人j指向所述机器人的单位向量，为行人o施加于所述机器人的行人交互斥力，j∈J，J为由各个行人所组成的集合；
进一步地，所述目标吸引力计算单元具体用于根据下式计算所述目标吸引力：
其中，为由所述机器人指向所述局部目标点的单位向量，kgs是预设的权重参数，fi attr为所述目标吸引力；
进一步地，所述合力计算单元具体用于根据下式计算所述合力：
其中，fi为所述合力。
进一步地，所述局部路径规划模块可以包括：
理论速度计算单元，用于基于牛顿运动定律，根据所述合力计算所述机器人的理论速度；
第一行进速度确定单元，用于当在预设的减速区中不存在障碍物时，将所述理论速度确定为所述机器人的行进速度；
第二行进速度确定单元，用于当在所述减速区中存在障碍物时，根据下式计算所述机器人的限制速度，并将所述限制速度确定为所述机器人的行进速度：
其中，vmax为预设的速度阈值，r为预设的危险区半径，dOD为所述机器人与所述减速区中的障碍物之间的距离，dθ为所述机器人与目标交点之间的距离，所述目标交点为目标射线与所述减速区的边界线之间的交点，所述目标射线为由所述机器人指向所述减速区中的障碍物的射线，θ为所述机器人的行进方向与所述目标射线之间的夹角，d0为预设的距离，λ为预设的系数，且λ＝r/d0，v为所述限制速度。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图8示出了本申请实施例提供的一种机器人的示意框图，为了便于说明，仅示出了与本申请实施例相关的部分。
如图8所示，该实施例的机器人8包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82时实现上述各个局部路径规划方法实施例中的步骤，例如图1所示的步骤S101至步骤S105。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块701至模块705的功能。
示例性的，所述计算机程序82可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器81中，并由所述处理器80执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序82在所述机器人8中的执行过程。
本领域技术人员可以理解，图8仅仅是机器人8的示例，并不构成对机器人8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述机器人8还可以包括输入输出设备、网络接入设备、总线等。
所述处理器80可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81可以是所述机器人8的内部存储单元，例如机器人8的硬盘或内存。所述存储器81也可以是所述机器人8的外部存储设备，例如所述机器人8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述机器人8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述机器人8所需的其它程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/机器人和方法，可以通过其它的方式实现。例如，以上所描述的装置/机器人实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种局部路径规划方法，其特征在于，包括：
获取机器人周边的静态障碍物信息；
获取所述机器人周边的行人信息；
在所述机器人的全局路径上选取当前的局部目标点；
使用预设的社会力模型对所述静态障碍物信息、所述行人信息和所述局部目标点进行计算，得到施加于所述机器人的合力；
基于牛顿运动定律，根据所述合力计算所述机器人的理论速度；
当在预设的减速区中不存在障碍物时，将所述理论速度确定为所述机器人的行进速度；
当在所述减速区中存在障碍物时，计算所述机器人与所述减速区中的障碍物之间的距离与预设的危险区半径的第一差值；计算所述机器人与目标交点之间的距离与所述危险区半径的第二差值，所述目标交点为目标射线与所述减速区的边界线之间的交点，所述目标射线为由所述机器人指向所述减速区中的障碍物的射线；将所述第一差值与所述第二差值的比值与预设的速度阈值的乘积确定为所述机器人的行进速度。
2.根据权利要求1所述的局部路径规划方法，其特征在于，所述获取机器人周边的静态障碍物信息包括：
获取所述机器人的全局定位坐标，并根据所述全局定位坐标确定所述机器人在局部代价地图中的位置；
在以所述机器人在局部代价地图中的位置为中心的指定区域内进行发散式的线束投射，确定出各条线束投射到的静态障碍物在所述局部代价地图中的位置，并转换得到静态障碍物在世界坐标系下的坐标；
将所述指定区域划分为N个切片，在每一个切片的范围内选取与所述机器人距离最近的静态障碍物，并将选取的静态障碍物在世界坐标系下的坐标确定为所述静态障碍物信息，N为正整数。
3.根据权利要求1所述的局部路径规划方法，其特征在于，所述获取所述机器人周边的行人信息包括：
通过预设的传感器对所述机器人周边的行人进行检测与跟踪，得到行人跟踪结果；
根据预设的占用栅格地图对所述行人跟踪结果进行筛选，得到所述行人信息。
4.根据权利要求1所述的局部路径规划方法，其特征在于，所述在所述机器人的全局路径上选取当前的局部目标点包括：
在所述全局路径上进行路径点遍历；
若当前遍历到的路径点与所述机器人之间的距离小于预设的第一阈值，则将从所述全局路径的起始路径点到当前遍历到的路径点之间的所有路径点删除，并继续进行路径点遍历，若当前遍历到的路径点与所述机器人之间的距离大于预设的第二阈值，则将当前遍历到的路径点作为所述机器人当前的局部目标点；
若在所述全局路径上遍历完所有的路径点之后，仍未找到与所述机器人之间的距离小于所述第一阈值的路径点，则在所述全局路径上选取与所述机器人之间的距离最短的路径点作为所述机器人当前的局部目标点。
5.根据权利要求1所述的局部路径规划方法，其特征在于，所述使用预设的社会力模型对所述静态障碍物信息、所述行人信息和所述局部目标点进行计算，得到施加于所述机器人的合力，包括：
根据所述静态障碍物信息分别计算各个静态障碍物施加于所述机器人的静态障碍物斥力；
根据所述行人信息分别计算各个行人施加于所述机器人的行人交互斥力；
计算所述局部目标点施加于所述机器人的目标吸引力；
将所述静态障碍物斥力、所述行人交互斥力与所述目标吸引力进行叠加，得到施加于所述机器人的合力。
6.根据权利要求5所述的局部路径规划方法，其特征在于，所述根据所述静态障碍物信息分别计算各个静态障碍物施加于所述机器人的静态障碍物斥力包括：
根据下式计算所述静态障碍物斥力：
其中，ao和bo为预设的模型参数，di,o为所述机器人与静态障碍物o之间的距离，eo→i为由障碍物o指向所述机器人的单位向量，为静态障碍物o施加于所述机器人的静态障碍物斥力，o∈O，O为由各个静态障碍物所组成的集合；
所述根据所述行人信息分别计算各个行人施加于所述机器人的行人交互斥力包括：
根据下式计算所述行人交互斥力：
其中，ap和bp为预设的模型参数，di,j为所述机器人与行人j之间的距离，ej→i为由行人j指向所述机器人的单位向量，为行人o施加于所述机器人的行人交互斥力，j∈J，J为由各个行人所组成的集合；
所述计算所述局部目标点施加于所述机器人的目标吸引力包括：
根据下式计算所述目标吸引力：
其中，为由所述机器人指向所述局部目标点的单位向量，kgs是预设的权重参数，fi attr为所述目标吸引力；
所述将所述静态障碍物斥力、所述行人交互斥力与所述目标吸引力进行叠加，得到施加于所述机器人的合力，包括：
根据下式计算所述合力：
其中，fi为所述合力。
7.一种局部路径规划装置，其特征在于，包括：
静态障碍物信息获取模块，用于获取机器人周边的静态障碍物信息；
行人信息获取模块，用于获取所述机器人周边的行人信息；
局部目标点选取模块，用于在所述机器人的全局路径上选取当前的局部目标点；
合力计算模块，用于使用预设的社会力模型对所述静态障碍物信息、所述行人信息和所述局部目标点进行计算，得到施加于所述机器人的合力；
局部路径规划模块，用于基于牛顿运动定律，根据所述合力计算所述机器人的理论速度；当在预设的减速区中不存在障碍物时，将所述理论速度确定为所述机器人的行进速度；当在所述减速区中存在障碍物时，计算所述机器人与所述减速区中的障碍物之间的距离与预设的危险区半径的第一差值；计算所述机器人与目标交点之间的距离与所述危险区半径的第二差值，所述目标交点为目标射线与所述减速区的边界线之间的交点，所述目标射线为由所述机器人指向所述减速区中的障碍物的射线；将所述第一差值与所述第二差值的比值与预设的速度阈值的乘积确定为所述机器人的行进速度。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的局部路径规划方法的步骤。
9.一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的局部路径规划方法的步骤。
CN202010580818.0A 2020-06-23 2020-06-23 局部路径规划方法、装置、计算机可读存储介质及机器人 Active CN111752276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010580818.0A CN111752276B (zh) 2020-06-23 2020-06-23 局部路径规划方法、装置、计算机可读存储介质及机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010580818.0A CN111752276B (zh) 2020-06-23 2020-06-23 局部路径规划方法、装置、计算机可读存储介质及机器人

Publications (2)

Publication Number Publication Date
CN111752276A CN111752276A (zh) 2020-10-09
CN111752276B true CN111752276B (zh) 2024-04-02

Family

ID=72676974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010580818.0A Active CN111752276B (zh) 2020-06-23 2020-06-23 局部路径规划方法、装置、计算机可读存储介质及机器人

Country Status (1)

Country Link
CN (1) CN111752276B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112378397B (zh) * 2020-11-02 2023-10-10 中国兵器工业计算机应用技术研究所 无人机跟踪目标的方法、装置及无人机
CN112558610A (zh) * 2020-12-15 2021-03-26 上海有个机器人有限公司 机器人避开障碍的运动控制方法、系统、机器人及计算机存储介质
CN112965081B (zh) * 2021-02-05 2023-08-01 浙江大学 基于融合行人信息的特征地图的模仿学习社交导航方法
CN113085839A (zh) * 2021-04-14 2021-07-09 北京云迹科技有限公司 一种机器人制动方法及相关设备
CN113190006B (zh) * 2021-05-08 2023-10-20 北京洛必德科技有限公司 一种机器人路径规划方法、装置及存储介质
CN115509217A (zh) * 2021-06-21 2022-12-23 广州视源电子科技股份有限公司 机器人的控制方法、装置、计算机存储介质以及机器人
CN114712151B (zh) * 2022-03-01 2023-09-19 南京伟思医疗科技股份有限公司 一种上肢康复机器人的虚拟避障方法及系统
CN115686019A (zh) * 2022-11-10 2023-02-03 上海高仙自动化科技发展有限公司 机器人的限速方法、装置及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106774347A (zh) * 2017-02-24 2017-05-31 安科智慧城市技术（中国）有限公司 室内动态环境下的机器人路径规划方法、装置和机器人
CN108227706A (zh) * 2017-12-20 2018-06-29 北京理工华汇智能科技有限公司 机器人躲避动态障碍的方法及装置
TW201913263A (zh) * 2017-09-06 2019-04-01 宏碁股份有限公司 機器人及其相關導航控制方法
CN110632921A (zh) * 2019-09-05 2019-12-31 北京百度网讯科技有限公司 机器人路径规划方法、装置、电子设备和存储介质
CN110955241A (zh) * 2019-11-22 2020-04-03 深圳市优必选科技股份有限公司 移动机器人避障方法、装置、移动机器人及存储介质
CN111152266A (zh) * 2020-01-09 2020-05-15 安徽宇润道路保洁服务有限公司 一种清洁机器人的控制方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106774347A (zh) * 2017-02-24 2017-05-31 安科智慧城市技术（中国）有限公司 室内动态环境下的机器人路径规划方法、装置和机器人
TW201913263A (zh) * 2017-09-06 2019-04-01 宏碁股份有限公司 機器人及其相關導航控制方法
CN108227706A (zh) * 2017-12-20 2018-06-29 北京理工华汇智能科技有限公司 机器人躲避动态障碍的方法及装置
CN110632921A (zh) * 2019-09-05 2019-12-31 北京百度网讯科技有限公司 机器人路径规划方法、装置、电子设备和存储介质
CN110955241A (zh) * 2019-11-22 2020-04-03 深圳市优必选科技股份有限公司 移动机器人避障方法、装置、移动机器人及存储介质
CN111152266A (zh) * 2020-01-09 2020-05-15 安徽宇润道路保洁服务有限公司 一种清洁机器人的控制方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Human Partner and Robot Guide Coordination System Under Social Force Model Framework Using Kinect Sensor;Hari Malik Mu’allimi 等;《2020 International Electronics Symposium (IES)》;全文 *
基于 ROS 平台的轮式机器人路径规划算法研究;徐思远;《中国优秀硕士学位论文全文数据库信息科技辑》;第3章-第5章 *

Also Published As

Publication number Publication date
CN111752276A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN111752276B (zh) 局部路径规划方法、装置、计算机可读存储介质及机器人
US11042157B2 (en) Lane/object detection and tracking perception system for autonomous vehicles
KR102211299B1 (ko) 곡선 투영을 가속화하기 위한 시스템 및 방법
JP5685380B2 (ja) グリッドマップを利用した経路生成装置及びその動作方法
EP3623761B1 (en) Localization method and apparatus of displaying virtual object in augmented reality
CN114631117A (zh) 使用机器学习的用于自主机器应用的传感器融合
CN115039129A (zh) 用于自主机器应用的表面轮廓估计和隆起检测
JP5023186B2 (ja) ３ｄワーピング手法と固有対象物運動（ｐｏｍ）の検出の組み合わせに基づく対象物の動き検出システム
US10860868B2 (en) Lane post-processing in an autonomous driving vehicle
CN110654381B (zh) 用于控制车辆的方法和装置
JP2019039831A (ja) 自動運転装置
US11529951B2 (en) Safety system, automated driving system, and methods thereof
US11565723B2 (en) Systems and methods for vehicle motion planning
CN115705060A (zh) 让行场景中自主车辆的行为规划
CN116051779A (zh) 用于自主系统和应用的使用深度神经网络利用点云致密化的3d表面重建
CN114973050A (zh) 自动驾驶应用中深度神经网络感知的地面实况数据生成
CN116051780A (zh) 用于自主系统和应用的使用人工智能利用点云致密化的3d表面重建
CN112686951A (zh) 用于确定机器人位置的方法、装置、终端及存储介质
JP2018105636A (ja) 経路生成装置
US12050661B2 (en) Systems and methods for object detection using stereovision information
CN110083158B (zh) 一种确定局部规划路径的方法和设备
CN116823942A (zh) 三维点云的目标标注方法和点云连续帧中目标跟踪方法
CN115123291A (zh) 一种基于障碍物识别的行为预测方法及装置
CN114092907A (zh) 跟随路径的确定方法、装置及存储介质
JP2021114222A (ja) ロボットシステムおよびその位置推定方法

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