CN111766879A - 一种基于自主协同导航的智能车编队系统 - Google Patents
一种基于自主协同导航的智能车编队系统 Download PDFInfo
- Publication number
- CN111766879A CN111766879A CN202010589494.7A CN202010589494A CN111766879A CN 111766879 A CN111766879 A CN 111766879A CN 202010589494 A CN202010589494 A CN 202010589494A CN 111766879 A CN111766879 A CN 111766879A
- Authority
- CN
- China
- Prior art keywords
- intelligent vehicle
- formation
- module
- intelligent
- vehicle
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 142
- 230000033001 locomotion Effects 0.000 claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 46
- 238000004891 communication Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000003993 interaction Effects 0.000 claims abstract description 7
- 230000004888 barrier function Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 11
- 238000011217 control strategy Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000011065 in-situ storage Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 240000007651 Rubus glaucus Species 0.000 description 3
- 235000011034 Rubus glaucus Nutrition 0.000 description 3
- 235000009122 Rubus idaeus Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G05D1/0238—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
-
- 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
-
- 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
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开一种基于自主协同导航的智能车编队系统,包括定位与导航模块、自主运动控制模块、编队模块、通信模块和上位机控制与监测模块;所述定位与导航模块通过处理环境信息,进行环境建图以及自身和障碍物的定位,同时规划出全局和局部避障路径,实现智能车之间自主协同导航;自主运动控制模块通过规划好的速度控制智能车到达目标位置;编队模块采用领航‑跟随的编队结构,考虑队形约束和障碍物约束,选取有效的编队控制算法,以形成固定的队形,本发明中采用基于Lyapunov稳定性判据的控制方法验证其控制性能;通信模块用于完成智能车之间及智能车与上位机之间的信息交互;上位机控制与监测模块用于对整个智能车编队系统的运动状态进行控制和监测。
Description
技术领域
本发明涉及智能车的编队控制领域,具体涉及一种基于自主协同导航的智能车编队系统,以ROS系统为通信框架,完成了智能车自主协同导航,实现了智能车的自主运动控制和编队控制,并设计了上位机控制和监测界面,适用于智能车无外界辅助定位设备环境下的协同编队,在室内外均可应用,属于智能车编队领域。
背景技术
智能车是一个集环境感知、规划决策、多层次辅助驾驶等功能于一体的综合系统,它集中运用了计算机、传感器、信息融合、通信、人工智能及自动控制等技术等典型高新技术。近年来,随着计算机等科学技术的发展,智能车在日常生活和科学工作中都发挥着越来越重要的作用,开始由军事领域的应用转向商用、民用、医疗、救援等领域,体积也随着用途的变化向着小型化转变。然而,由于工作环境趋于复杂,任务要求逐渐提高,单智能车已无法满足大多数情况下的任务要求,因此智能车多以编队的形式进行工作。智能车编队在很大程度上提高了车辆队列的灵活性和行驶效率,不但可以增强交通的安全性和通畅性,还可减少车辆在行驶过程中受到的空气阻力,降低车辆的耗油量。因此,智能车编队系统是一个极具研究意义和实用价值的研究方向。
智能车编队系统是指将若干辆智能车由杂乱无章的队形经过一定的设计后,形成一个符合某种要求或规律的稳定队形,使车队能够适应环境约束和特定的队形约束等,并对其加以控制。编队中每个个体都是独立的,编队的形成依赖于个体之间的信息交互、数据处理、算法决策等。首先要建立车辆运动学模型,掌握其运动规律;然后,通过智能车自身配备的传感器实时采集自身运动信息和周围环境信息,并实现智能车的自主定位和导航;通过通信技术将采集到的信息进行传输,实现车辆之间和车辆与控制器之间的信息共享,设计最优的编队策略对车辆的运动进行控制,达到智能车协同合作的目的。考虑到编队中人机信息交流的缺乏,单激光雷达系统对灵活性的限制,以及智能车之间大量的通信数据传输等问题,智能车编队系统要实现快速、稳定的编队变得愈发困难。因此,实现智能车自主协同导航,研究适用于智能车编队的通信方式以及编队算法,设计简洁有效的人机交互界面,对于研究智能车编队系统具有十分重要的意义。
发明内容
在智能车编队控制过程中,有两个主要的目标:编队车辆之间保持一定的间距,不发生碰撞且互不干扰;编队能够在保持稳定队形的基础上运动到目标地点。前者为智能车之间的行为协作问题,即智能车完成定位之后,通过自身的导航系统进行路径规划,对智能车之间相对运动状态进行控制的问题;后者的核心问题则是编队队形的控制以及编队的保持。而在室内或室外无外界辅助定位设备环境的情况下,智能车实现自身定位和导航只依赖于自身传感器。这就要求设计合适的定位导航系统和编队策略,以完成智能车的自主协同导航,达到编队系统所要求的快速性和稳定性。
考虑到智能车所配备的传感器对周围环境感知的误差,智能车位姿测量和车间通信存在的难题,定位系统中多个激光雷达同时工作对编队定位产生的影响,以及对通信网络实时性、便利性和与主控板兼容性的要求,结合智能车编队的控制策略,本发明为了克服现有技术中的不足,提供一种基于自主协同导航的智能车编队系统,该系统以激光雷达为主要传感器,实现了无外界辅助定位设备环境下智能车的自主定位和导航;基于ROS通信框架设计了智能车和上位机之间的通信模块;对于车辆编队控制策略,采用了领航跟随法,领航者提供自身的位置以及姿态,跟随者则通过接收领航者的位姿数据,对自身的速度、角度进行修正,形成固定的编队。此外,为更好地实现人机交互,本系统设计了简洁有效的用户图形界面,能够使用户更简便、更迅速、更高效地操作和监视系统的运行,也能使系统发挥最大的效能。
本发明的目的是通过以下技术方案实现的:
一种基于自主协同导航的智能车编队系统,包括定位与导航模块、自主运动控制模块、编队模块、通信模块和上位机控制与监测模块;所述定位与导航模块通过处理环境信息,进行环境建图以及自身和障碍物的定位,同时规划出全局和局部避障路径,实现智能车之间自主协同导航;自主运动控制模块通过规划好的速度控制智能车到达目标位置;编队模块采用领航-跟随的编队结构,考虑队形约束和障碍物约束,通过编队控制策略以形成固定的队形,并采用基于Lyapunov稳定性判据的控制方法验证编队模块的控制性能;通信模块用于完成智能车之间及智能车与上位机之间的信息交互;上位机控制与监测模块用于对整个智能车编队系统的运动状态进行控制和监测。
进一步的,所述定位与导航模块采用编码器和惯导模块测量车辆的移动速度和姿态,使用激光雷达感知周边障碍物及获取环境深度信息;激光雷达能够构建用于导航的二维栅格地图。
进一步的,以ROS系统为通信框架,用于完成智能车自主协同导航,实现智能车的自主运动控制和编队控制;在ROS系统中,进行单个智能车定位用到两个包:gmapping和amcl;其中,gmapping包订阅坐标变换话题tf和激光雷达扫描数据话题scan,发布二维栅格地图数据map,并建立二维代价地图costmap;amcl包则根据已经构建好的地图,采用自适应蒙特卡洛定位法进行定位;导航模块分为两部分,前往目标位置和实时避障;在智能车完成自身定位后,move_base包依据给定的目标,通过订阅里程计信息odom话题和地图信息map话题,使用路径规划算法规划出到达目标位置的全局路线;定位与导航模块采用Dijkstra最优路径算法,同时,通过订阅二维代价地图costmap话题进行本地实时规划,对路径上的障碍物进行躲避,完成实时避障;随后发布cmd_vel话题,将规划好的线速度和角速度提供给ROS系统中的基控制器,并通过自主运动控制模块使智能车到达指定目标位置。
进一步的,所述智能车为履带式智能车,履带式智能车的两侧各由一个电机驱动,通过履带的差速控制进行驱动,能够实现原地转向;在自主运动控制模块中,上层决策部分将得到的期望速度信息以Twist消息类型发布给ROS系统中的基控制器节点,基控制器再将期望速度信息翻译成期望线速度vp和期望角速度ωp,通过PID控制器实现两侧履带的转速闭环控制,使履带式智能车跟踪vp和ωp;
智能车的运动学模型如下:
其中,x,y和θ分别是智能车的x轴、y轴坐标和横摆角,v和ω分别为智能车的质心速度和横摆角速度;由于履带式智能车在进行转向时,车体各处的转向角速度相等,推导出
其中,R为转弯半径,L为智能车车体宽度,d为单侧履带的宽度,vl和vr分别为智能车左右两侧履带的行驶速度;进一步推出:
由vp和ωp,可通过式(3)和(4)求出智能车左右两侧的履带速度:
通过式(5)和(6)即可得到电机实际输入的转速;
采用增量式PID控制器对转速进行控制,最终转换为0-255的PWM数值控制电机的旋转,以实现对智能车线速度和角速度的跟踪控制;增量式PID调节公式如下:
其中,Kp,Ki和Kd分别为比例系数、积分系数和微分系数,T为采样时间,k表示第k个采样点,Δu为控制增量,e为转速的误差,Δe为误差增量。
进一步的,在编队定位中,指定任意一辆车承担主要的建图任务,其余车辆与其进行地图共享;首先将主要用于建图的智能车放入未知环境,通过键盘控制其移动,对周边障碍物进行扫描,从而构建地图并保存;然后,将地图的相关文件发送到编队中其他智能车上的指定文件夹中,并运行对应的文件,实现地图共享,使它们能够在已构建好的地图下确定自身位姿,实现多雷达系地图下的坐标统一。
进一步的,在编队模块中,编队控制策略采用领航跟随法;在此策略中,编队的智能车分为两类:领航者(主车)和跟随者(从车);领航者智能车按照预先规划好的轨迹运动,其余智能车作为跟随者负责通过与领航者交换状态信息更新自己的状态。
进一步的,所述通信模块使用单个路由器提供局域网络并将智能车与上位机接入局域网络进行互相通信。
进一步的,所述上位机控制与监测模块包括两部分:数据处理与决策模块和上位机监控界面;数据处理与决策模块用于对传感器信息和用户数据进行处理,根据需要对路径进行规划,给出vp和ωp,对智能车的运动进行控制;上位机监控界面负责显示传感器返回的数据及相关图像信息。
上位机界面包括控制单元和监测单元两部分;控制单元完成智能车的启动、暂停动作,并在启动时调用监测界面;监测单元对智能车的运动状态进行监测和数据处理,包括显示智能车的运动路径,输出智能车的速度曲线和位置曲线。
本发明智能车编队系统中,智能车以激光雷达为主要传感器,在ROS系统下完成单车定位与导航;考虑多激光雷达所带来的地图构建不全的问题,将多个雷达系地图下的坐标统一到同一个坐标系中,实现编队的定位。智能车的单车自主运动控制是采用增量式PID控制的方法来实现的。在编队控制中,所采取的编队策略是领航跟随法,根据编队形式,设计主车、从车及上位机的消息传递流程,并在ROS通信框架下实现必要的数据传输,采用基于Lyapunov稳定性判据的控制方法完成编队运动控制。上位机界面的控制和监测部分是通过Qt Designer和ROS系统中的rqt_gui插件库实现的。
与现有技术相比,本发明的技术方案所带来的有益效果是:在室内外无外界辅助定位设备的环境下,智能车能够根据自身的编码器、惯导模块和激光雷达得到速度、位置和环境信息,构建地图并完成单车和编队的自主协同定位与导航,实现了有效的融合统一;搭建了完备的智能车硬件系统,设计了方便ROS系统识别和未来功能拓展的底层驱动,实现了智能车的自主运动控制;设计了贴合编队控制策略的消息传递流程,实现了ROS系统通信框架下智能车和上位机之间的消息传递,并有效完成了编队运动控制;设计了简洁有效的用户图形界面,使用户能够简便、迅速、高效地通过上位机界面对编队系统进行控制和监测。
附图说明
图1是本发明编队系统结构图;
图2是定位与导航框架结构图;
图3是自主运动控制算法流程图;
图4是领航跟随法的通信结构图;
图5是编队模块消息传递流程图;
图6是主车通信流程图;
图7是从车通信流程图。
图8是室外扫描地图;
图9是地图替换效果图;
图10是调整后的地图替换效果图;
图11是硬件连接示意图;
图12是轨迹跟踪效果图;
图13-15是编队效果图;
图16-17是单车监控界面图;
图18是多车监控界面图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本实施例提供一种基于自主协同导航的智能车编队系统,使用的编队智能车为履带式智能车,根据其在编队中的角色分为主车和从车。履带式智能车的两侧各由一个电机驱动,通过履带的差速控制进行驱动,可实现原地转向,与轮式智能车相比,在复杂地形的适应能力上有很大的优势。智能车的驱动板是Arduino驱动板,主控板为树莓派3B+,其上安装的UbuntuMate系统可运行ROS通信框架。
在编队系统中,由于智能车处于无辅助定位设备的环境中,为了实现智能车自身的精准定位和对障碍物的精确识别,保证编队系统的安全性能,一个精准的定位与导航模块是不可或缺的。智能车之间和智能车与上位机之间通过通信网络实现信息的发送和接收,并通过这些信息作出相应的控制策略,完成编队任务,因此一个快速便捷的通信网络也是至关重要的。此外,考虑到环境中存在的障碍物以及编队所要求的队形约束,若想建立和维持稳定的编队队形,一个合理的队形调节机制是必不可少的。因此本系统在功能上分为五个模块:定位与导航模块、自主运动控制模块、编队模块、通信模块和上位机控制与监测模块。定位与导航模块通过处理环境信息,进行环境建图以及自身和障碍物的定位,同时规划出全局和局部避障路径,并实现车间自主协同导航;自主运动控制模块作为底层控制系统,是实现智能车编队的基础;编队模块采用领航-跟随的编队结构,考虑队形约束和障碍物约束,选取有效的编队控制算法,以形成固定的队形,本发明中采用基于Lyapunov稳定性判据的控制方法验证其控制性能;通信模块完成了智能车之间以及智能车与上位机之间的信息交互;上位机控制与监测模块则是对整个编队系统运动状态的控制和监测,可控制智能车运动到目标点,并实现位置、速度等数据的监测。整个编队系统结构如图1所示。
1、定位与导航模块
为了完成对智能车的定位,除了采用最基本的编码器和惯导模块测量车辆的移动速度和姿态之外,还需使用激光雷达感知周边障碍物以及获取环境深度信息。激光雷达可准确构建二维栅格地图,生成的地图可直接用于导航,并且其运算负荷小,不存在地图累积误差,不受环境光照影响,具有很强的环境适应能力,十分适合应用于智能车编队。
在ROS系统中,进行单车定位需要用到两个包:gmapping和amcl。其中,gmapping包订阅坐标变换话题tf和激光雷达扫描数据话题scan,发布二维栅格地图数据map,并建立二维代价地图costmap;amcl包则根据已经构建好的地图,采用自适应蒙特卡洛定位法进行定位。导航模块分为两部分,前往目标位置和实时避障。在智能车完成自身定位后,move_base包依据给定的目标,通过订阅里程计信息odom话题和地图信息map话题,使用路径规划算法规划出到达目标位置的全局路线。定位与导航模块采用了Dijkstra最优路径算法,此外,还可开发其他路径规划算法。同时,通过订阅二维代价地图costmap话题进行本地实时规划,对路径上的障碍物进行躲避,完成实时避障。随后发布cmd_vel话题,将规划好的线速度和角速度提供给ROS系统中的基控制器,通过自主运动控制模块使智能车到达指定目标位置。
在进行编队定位时,若只有主车配备有激光雷达,从车只能通过惯导模块的数据进行航迹推测来完成自身定位,然而随着惯导累计误差的持续增大,会导致定位偏差过大,无法保持编队。此外,主车的激光雷达如何区分未知环境下的从车与障碍物也是一个棘手的问题。并且,当激光雷达发生故障时,会导致整个编队系统瘫痪。因此,编队中每辆智能车都配备激光雷达是非常有必要的。此时,编队内每辆车均能获得周边环境中的障碍物信息,并可通过相对位置关系的比对更加精确可靠地确定编队内成员的位置。当有雷达不工作时,可通过其他成员对其进行定位,使得整个编队系统的工作效率和容错能力大大提高。但是,引入多个激光雷达时,会出现编队内对象对激光进行遮挡,导致地图构建不全的问题。因此,如何解决地图构建问题并将多个雷达系地图下的坐标统一到一个坐标系中是至关重要的问题。
在编队定位中,指定任意一辆车承担主要的建图任务,其余车辆与其进行地图共享;首先将主要用于建图的智能车放入未知环境,通过键盘控制其移动,对周边障碍物进行扫描,从而构建地图并保存;然后,将地图的相关文件发送到编队中其他智能车上的指定文件夹中,并运行对应的文件,实现地图共享,使它们能够在已构建好的地图下确定自身位姿,实现多雷达系地图下的坐标统一。具体的定位与导航模块的框架结构如图2所示。
2、自主运动控制模块
在自主运动控制模块中,上层决策部分将得到的期望速度信息以Twist消息类型发布给ROS系统中的基控制器节点,基控制器再将其翻译成期望线速度vp和期望角速度ωp,通过PID控制器实现两侧履带的转速闭环控制,使智能车跟踪vp和ωp。具体的控制算法流程如图3所示。
底层驱动部分接收到上层决策部分提供的vp和ωp后,首先通过运动学模型将其解算成两侧履带电机的期望转速。智能车的运动学模型如下:
其中,x,y和θ分别是智能车的x轴、y轴坐标和横摆角,v和ω分别为智能车的质心速度和横摆角速度。由于履带式智能车在进行转向时,车体各处的转向角速度相等,因此可以推导出
其中,R为转弯半径,L为智能车车体宽度,d为单侧履带的宽度,vl和vr分别为智能车左右两侧履带的行驶速度。进一步可以推出:
由vp和ωp,可通过式(3)和(4)求出智能车左右两侧的履带速度:
通过式(5)和(6)即可得到电机实际输入的转速。
采用增量式PID控制器对转速进行控制,最终转换为0-255的PWM数值来控制电机的旋转,以实现对智能车线速度和角速度的跟踪控制。增量式PID调节公式如下:
其中,Kp,Ki和Kd分别为比例系数、积分系数和微分系数,T为采样时间,k表示第k个采样点,Δu为控制增量,e为转速的误差,Δe为误差增量。
为了方便ROS系统识别以及未来功能的拓展,自主运动控制模块为智能车的底层驱动板设计了电源、参数配置、运动学模型、电机驱动、PID控制器、编码器以及ROS相关配置等驱动程序。
3、编队模块
多智能车编队运动的目标为:编队中各智能车在形成一定队形的基础上,能够稳定保持该队形,并到达期望位置。通常表现为距离和角度的约束。在编队模块中,编队控制策略采用的是领航跟随法。在此策略中,编队的智能车分为两类:领航者(主车)和跟随者(从车)。领航者智能车按照预先规划好的轨迹运动,其余智能车作为跟随者则负责通过与领航者交换状态信息更新自己的状态。领航跟随法的通信结构如图4所示。主车以上位机规划好的轨迹前进,并提供自身的位姿;从车则订阅主车的位姿话题,对自身的速度、角度进行修正,与主车保持一定的队形。同时,从车之间通过共享位姿信息,防止在运动过程中出现碰撞。由于上位机对从车没有直接的控制作用,因此需要通过编队控制算法对从车的运动进行控制。该问题实质上是将编队问题转化为从车持续跟踪给定位置和方向的问题,因此编队模块采用了基于Lyapunov稳定性判据的控制算法验证其可行性。依据Lyapunov理论,选取合适的Lyapunov函数设计控制律,保证智能车的跟踪误差趋近于0。除此之外,还可开发其他编队算法。
4、通信模块
通信模块承担主车、从车以及上位机之间的信息传递。使用单个路由器提供局域网络并将智能车与上位机接入该网络,即可互相通信。在ROS通信框架下,通信模块中每辆车均有各自的节点管理器,智能车之间通过tcp协议程序接口socket程序进行必要的数据传输。
根据编队形式,主车、从车以及上位机的消息传递流程如图5所示。通信模块中,上位机通过远程登录的方式与主车的树莓派建立联系,向树莓派发送控制指令以及接收主车的回传信息,而对从车则只是监视状态,并未直接控制。主车通过订阅amcl话题发布的相关信息确定自身的位姿,并将四元数形式的方向角转为正常角度后发送给上位机和从车。从车接收主车的位姿信息,订阅自身的位姿信息,并计算出期望线速度和角速度,随后发布话题cmd_vel,供ROS系统中基控制器节点订阅,完成自身的运动控制。同时,从车将自身信息发送给上位机,供上位机监控。从车的话题发布频率与主车的数据发送频率统一,以保证整个系统时序正常。主车和从车的通信流程如图6和图7所示。
5、上位机控制与监测模块
上位机控制与监测模块包括两部分:数据处理与决策模块和上位机监控界面。数据处理与决策模块负责对传感器信息和用户数据进行处理,根据需要对路径进行规划,给出vp和ωp,对智能车的运动进行控制。上位机监控界面负责显示传感器返回的数据及相关图像信息。
上位机监控界面包括控制单元和监测单元两部分。控制单元完成智能车的启动、暂停等动作,并在启动时调用监测界面;监测单元则对智能车的运动状态进行监测和数据处理,包括显示智能车的运动路径,输出智能车的速度曲线和位置曲线。
控制界面的制作采用PyQt中的Qt Designer工具,完成一个主窗口和两个子窗口的设计。然而,Qt Designer无法使多个窗口互相联系,即无法通过点击按钮弹出相应的子窗口或调用ROS命令。因此需要通过代码将窗口联系起来,然后添加其他函数使界面具有实际的控制功能。监测界面使用ROS系统提供的rqt_gui插件库进行设计。rqt_gui插件库中的rqt_rviz插件通过订阅与运动状态有关的话题查看智能车的运动状态并显示运动路径,包括显示智能车模型、显示运动过程中的里程计信息、acml定位的智能车姿态、显示智能车路径等节点。rqt_plot插件则通过订阅cmd_vel话题显示智能车的速度和位置曲线。
具体的,本实施例中涉及的ROS系统是机器人操作系统,具有高度的灵活性,包含了大量工具软件、库代码和约定协议,可用于编写机器人软件程序;Rviz即为ROS系统自带的图形化工具,可以让用户通过图形界面方便地开发调试ROS;PyQt是一个创建GUI应用程序的工具包,拥有丰富且高性能的GUI控件集;Gazebo是一款3D动态模拟器,能够直观有效地模拟机器人群在复杂的室内和室外环境下的动作。整个编队系统采用ROS系统、Rviz工具、PyQt工具包和Gazebo软件进行实验,以测试所开发的智能车编队系统的有效性。
(1)定位与导航模块
在理想情况下,智能车的高度相同,且运动环境为平坦场地。然而在编队系统中,考虑到车辆高度、地形和激光雷达安装位置带来的影响,激光雷达扫描出来的轮廓所对应的结构及位置需依据实际情况重新调整。
①控制承担主要建图任务的智能车进行单车建图,并对其进行定位。构建好的地图如图8所示。深色轮廓线为障碍物的实际位置,箭头所指的浅色线表示激光雷达扫描得到的障碍物轮廓,地图中灰度值越高,表示该区域碰撞的概率越高;箭头汇聚的地方为智能车的位置。
②将已经构建好的地图发送至上位机处,用其替换编队中其他智能车上对应文件夹中的地图。运行Rviz工具,查看地图替换效果,如图9所示。箭头所指的浅色线表示当前车辆激光雷达扫描得到的障碍物轮廓,可以看出其与实际轮廓线并未对齐,需要调整。
③根据实际位姿调整朝向使扫描结果与地图大致对齐,完成智能车编队定位。结果如图10所示。经过调整,箭头所指的浅色线与实际障碍物轮廓重合。
(2)自主运动控制模块
本模块各智能车所用的元件清单如表1所示,硬件连接示意图如图11所示。
表1各智能车元件清单
在自主运动控制模块中,智能车通过自身底层驱动的PID控制器跟踪指定轨迹。轨迹跟踪效果如图12所示,箭头所指的曲线为规划的轨迹和实际的轨迹,二者几乎完全重合,可见智能车的跟踪效果良好。
(3)编队模块
编队模块中设置了两辆车,分别为主车和从车。首先,主车和从车通过自身定位与导航模块的激光雷达构建环境地图,完成自身定位;然后,主车接收上位机的发送的参考线速度和角速度,通过自主运动控制模块对规划得到的全局最优路径进行跟踪,同时主车的定位与导航模块通过对障碍物的定位进行局部避障轨迹规划;随后,启动两车的通信模块,从车的自主运动控制模块根据通信得到的主车的位姿信息,采用基于Lyapunov稳定性判据的控制算法调整自身位姿完成编队。编队效果如图13,图14和图15所示。
(4)通信模块
通信模块启动过程如下:
①启动节点管理器。
②主车根据已经构建好的地图进行自身定位,并发布amcl话题,供从车订阅。同时,上位机通过ssh桥接的方式与主车进行通信。
③从车同样根据地图进行自身定位,并发布amcl话题,供上位机监测。然后启动车辆之间的通信模块,采用tcp协议程序接口socket程序完成主车和从车的通信。
(5)上位机控制与监测模块
上位机控制与监测模块功能分为单智能车和多智能车两部分。
单智能车监控实现步骤如下:
①在主窗口中点击启动按钮会运行车辆的启动文件,同时弹出摄像头窗口。点击“选择地图”按钮,弹出弹窗。选择“使用本地地图”会加载已经建好的地图,并直接运行监测界面。如图16所示。
②在监测界面中选择智能车运行的目标点,并显示速度曲线和智能车轨迹等信息,如图17所示。
多智能车监控实现步骤如下:
①启动Gazebo软件的模拟环境并建立地图。
②在ROS框架中配置使用地图,运行相关文件对多车编队的运动进行控制,如图18所示。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案,上述的具体实施方式仅仅是示意性的,并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下,本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换,这些均属于本发明的保护范围之内。
Claims (8)
1.一种基于自主协同导航的智能车编队系统,其特征在于,包括定位与导航模块、自主运动控制模块、编队模块、通信模块和上位机控制与监测模块;所述定位与导航模块通过处理环境信息,进行环境建图以及自身和障碍物的定位,同时规划出全局和局部避障路径,实现智能车之间自主协同导航;自主运动控制模块通过规划好的速度控制智能车到达目标位置;编队模块采用领航-跟随的编队结构,考虑队形约束和障碍物约束,通过编队控制策略以形成固定的队形,并采用基于Lyapunov稳定性判据的控制方法验证编队模块的控制性能;通信模块用于完成智能车之间及智能车与上位机之间的信息交互;上位机控制与监测模块用于对整个智能车编队系统的运动状态进行控制和监测。
2.根据权利要求1所述一种基于自主协同导航的智能车编队系统,其特征在于,所述定位与导航模块采用编码器和惯导模块测量车辆的移动速度和姿态,使用激光雷达感知周边障碍物及获取环境深度信息;激光雷达能够构建用于导航的二维栅格地图。
3.根据权利要求1所述一种基于自主协同导航的智能车编队系统,其特征在于,以ROS系统为通信框架,用于完成智能车自主协同导航,实现智能车的自主运动控制和编队控制;在ROS系统中,进行单个智能车定位用到两个包:gmapping和amcl;其中,gmapping包订阅坐标变换话题tf和激光雷达扫描数据话题scan,发布二维栅格地图数据map,并建立二维代价地图costmap;amcl包则根据已经构建好的地图,采用自适应蒙特卡洛定位法进行定位;导航模块分为两部分,前往目标位置和实时避障;在智能车完成自身定位后,move_base包依据给定的目标,通过订阅里程计信息odom话题和地图信息map话题,使用路径规划算法规划出到达目标位置的全局路线;定位与导航模块采用Dijkstra最优路径算法,同时,通过订阅二维代价地图costmap话题进行本地实时规划,对路径上的障碍物进行躲避,完成实时避障;随后发布cmd_vel话题,将规划好的线速度和角速度提供给ROS系统中的基控制器,并通过自主运动控制模块使智能车到达指定目标位置。
4.根据权利要求1所述一种基于自主协同导航的智能车编队系统,其特征在于,所述智能车为履带式智能车,履带式智能车的两侧各由一个电机驱动,通过履带的差速控制进行驱动,能够实现原地转向;在自主运动控制模块中,上层决策部分将得到的期望速度信息以Twist消息类型发布给ROS系统中的基控制器节点,基控制器再将期望速度信息翻译成期望线速度vp和期望角速度ωp,通过PID控制器实现两侧履带的转速闭环控制,使履带式智能车跟踪vp和ωp;
智能车的运动学模型如下:
其中,x,y和θ分别是智能车的x轴、y轴坐标和横摆角,v和ω分别为智能车的质心速度和横摆角速度;由于履带式智能车在进行转向时,车体各处的转向角速度相等,推导出
其中,R为转弯半径,L为智能车车体宽度,d为单侧履带的宽度,vl和vr分别为智能车左右两侧履带的行驶速度;进一步推出:
由vp和ωp,可通过式(3)和(4)求出智能车左右两侧的履带速度:
通过式(5)和(6)即可得到电机实际输入的转速;
采用增量式PID控制器对转速进行控制,最终转换为0-255的PWM数值控制电机的旋转,以实现对智能车线速度和角速度的跟踪控制;增量式PID调节公式如下:
其中,Kp,Ki和Kd分别为比例系数、积分系数和微分系数,T为采样时间,k表示第k个采样点,Δu为控制增量,e为转速的误差,Δe为误差增量。
5.根据权利要求1所述一种基于自主协同导航的智能车编队系统,其特征在于,在编队定位中,指定任意一辆车承担主要的建图任务,其余车辆与其进行地图共享;首先将主要用于建图的智能车放入未知环境,通过键盘控制其移动,对周边障碍物进行扫描,从而构建地图并保存;然后,将地图的相关文件发送到编队中其他智能车上的指定文件夹中,并运行对应的文件,实现地图共享,使它们能够在已构建好的地图下确定自身位姿,实现多雷达系地图下的坐标统一。
6.根据权利要求1所述一种基于自主协同导航的智能车编队系统,其特征在于,在编队模块中,编队控制策略采用领航跟随法;在此策略中,编队的智能车分为两类:领航者(主车)和跟随者(从车);领航者智能车按照预先规划好的轨迹运动,其余智能车作为跟随者负责通过与领航者交换状态信息更新自己的状态。
7.根据权利要求1所述一种基于自主协同导航的智能车编队系统,其特征在于,所述通信模块使用单个路由器提供局域网络并将智能车与上位机接入局域网络进行互相通信。
8.根据权利要求1所述一种基于自主协同导航的智能车编队系统,其特征在于,所述上位机控制与监测模块包括两部分:数据处理与决策模块和上位机监控界面;数据处理与决策模块用于对传感器信息和用户数据进行处理,根据需要对路径进行规划,给出vp和ωp,对智能车的运动进行控制;上位机监控界面负责显示传感器返回的数据及相关图像信息。
上位机界面包括控制单元和监测单元两部分;控制单元完成智能车的启动、暂停动作,并在启动时调用监测界面;监测单元对智能车的运动状态进行监测和数据处理,包括显示智能车的运动路径,输出智能车的速度曲线和位置曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010589494.7A CN111766879A (zh) | 2020-06-24 | 2020-06-24 | 一种基于自主协同导航的智能车编队系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010589494.7A CN111766879A (zh) | 2020-06-24 | 2020-06-24 | 一种基于自主协同导航的智能车编队系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111766879A true CN111766879A (zh) | 2020-10-13 |
Family
ID=72721716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010589494.7A Pending CN111766879A (zh) | 2020-06-24 | 2020-06-24 | 一种基于自主协同导航的智能车编队系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111766879A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111924132A (zh) * | 2020-07-23 | 2020-11-13 | 上海卫星工程研究所 | 用于绕飞编队的激光星间链路终端自主接力方法及系统 |
CN113071490A (zh) * | 2021-03-25 | 2021-07-06 | 南京航空航天大学 | 一种高速公路卡车编队系统 |
CN113253719A (zh) * | 2021-04-06 | 2021-08-13 | 南京工程学院 | 基于ros操作系统的智能移动设备及通信建立方法 |
CN113282083A (zh) * | 2021-05-17 | 2021-08-20 | 北京航空航天大学 | 一种基于机器人操作系统的无人车编队实验平台 |
CN113387099A (zh) * | 2021-06-30 | 2021-09-14 | 深圳市海柔创新科技有限公司 | 地图构建方法、装置、设备、仓储系统及存储介质 |
CN113433947A (zh) * | 2021-07-15 | 2021-09-24 | 天津大学 | 基于障碍车估计与预测的交叉路口轨迹规划与控制方法 |
CN113467477A (zh) * | 2021-08-03 | 2021-10-01 | 艾乐尔机器人科技(南京)有限公司 | 一种基于视频识别技术的多智能机器人地下线缆维修装置 |
CN113848957A (zh) * | 2021-11-17 | 2021-12-28 | 中国人民解放军陆军工程大学 | 地面无人车辆编队控制装置及方法 |
CN113935614A (zh) * | 2021-10-11 | 2022-01-14 | 华中科技大学 | 车队调控方法、装置、电子设备及存储介质 |
CN114061573A (zh) * | 2021-11-16 | 2022-02-18 | 中国人民解放军陆军工程大学 | 地面无人车辆编队定位装置及方法 |
CN114323698A (zh) * | 2022-02-11 | 2022-04-12 | 吉林大学 | 一种面向人机共驾智能汽车的实车实验平台测试方法 |
CN114684202A (zh) * | 2022-06-01 | 2022-07-01 | 浙江大旗新能源汽车有限公司 | 一种用于自动驾驶车辆的智能系统及其集成控制方法 |
WO2022179179A1 (zh) * | 2021-02-26 | 2022-09-01 | 北京卫星制造厂有限公司 | 一种面向异构特性大型装备多智能体协同自主转运系统 |
CN114995405A (zh) * | 2022-05-19 | 2022-09-02 | 同济大学 | 一种基于开放动态环境多目标协同理论的agv协作搬运方法 |
CN115035702A (zh) * | 2021-10-13 | 2022-09-09 | 长城汽车股份有限公司 | 车队出行状况的监控方法、装置、存储介质和车载设备 |
CN115083152A (zh) * | 2022-06-09 | 2022-09-20 | 北京主线科技有限公司 | 一种车辆编队感知系统、方法、装置、设备及介质 |
CN115145264A (zh) * | 2022-05-20 | 2022-10-04 | 北京理工大学 | 基于ros的多机器人分布式协同控制方法和系统 |
CN115311839A (zh) * | 2022-08-03 | 2022-11-08 | 九识(苏州)智能科技有限公司 | 一种低速自动驾驶车辆组队通过复杂场景的方法 |
CN117762151A (zh) * | 2024-02-22 | 2024-03-26 | 北京航空航天大学 | 无需标号的智能体集群分布式形状控制方法和智能体 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915465A (zh) * | 2012-10-24 | 2013-02-06 | 河海大学常州校区 | 一种基于移动生物刺激神经网络的多机器人联合编队方法 |
CN107943071A (zh) * | 2017-11-03 | 2018-04-20 | 中国科学院自动化研究所 | 无人车的编队保持控制方法及系统 |
CN110262479A (zh) * | 2019-05-28 | 2019-09-20 | 南京天辰礼达电子科技有限公司 | 一种履带式拖拉机运动学估计及偏差校准方法 |
CN111103897A (zh) * | 2019-12-25 | 2020-05-05 | 浙江工业大学 | 一种障碍环境下多机器人的编队控制方法和系统 |
-
2020
- 2020-06-24 CN CN202010589494.7A patent/CN111766879A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915465A (zh) * | 2012-10-24 | 2013-02-06 | 河海大学常州校区 | 一种基于移动生物刺激神经网络的多机器人联合编队方法 |
CN107943071A (zh) * | 2017-11-03 | 2018-04-20 | 中国科学院自动化研究所 | 无人车的编队保持控制方法及系统 |
CN110262479A (zh) * | 2019-05-28 | 2019-09-20 | 南京天辰礼达电子科技有限公司 | 一种履带式拖拉机运动学估计及偏差校准方法 |
CN111103897A (zh) * | 2019-12-25 | 2020-05-05 | 浙江工业大学 | 一种障碍环境下多机器人的编队控制方法和系统 |
Non-Patent Citations (2)
Title |
---|
寿佳鑫: "基于ROS和激光雷达的室内移动机器人定位和导航系统设计与实现", 机械与电子, vol. 36, no. 11, pages 76 - 80 * |
岳元龙: "多移动机器人智能编队控制算法与实验研究", 中国优秀硕士学位论文全文数据库, no. 1, pages 7 - 18 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111924132B (zh) * | 2020-07-23 | 2021-10-26 | 上海卫星工程研究所 | 用于绕飞编队的激光星间链路终端自主接力方法及系统 |
CN111924132A (zh) * | 2020-07-23 | 2020-11-13 | 上海卫星工程研究所 | 用于绕飞编队的激光星间链路终端自主接力方法及系统 |
WO2022179179A1 (zh) * | 2021-02-26 | 2022-09-01 | 北京卫星制造厂有限公司 | 一种面向异构特性大型装备多智能体协同自主转运系统 |
CN113071490A (zh) * | 2021-03-25 | 2021-07-06 | 南京航空航天大学 | 一种高速公路卡车编队系统 |
CN113253719B (zh) * | 2021-04-06 | 2023-09-12 | 南京工程学院 | 基于ros操作系统的智能移动设备及通信建立方法 |
CN113253719A (zh) * | 2021-04-06 | 2021-08-13 | 南京工程学院 | 基于ros操作系统的智能移动设备及通信建立方法 |
CN113282083A (zh) * | 2021-05-17 | 2021-08-20 | 北京航空航天大学 | 一种基于机器人操作系统的无人车编队实验平台 |
CN113387099A (zh) * | 2021-06-30 | 2021-09-14 | 深圳市海柔创新科技有限公司 | 地图构建方法、装置、设备、仓储系统及存储介质 |
CN113433947A (zh) * | 2021-07-15 | 2021-09-24 | 天津大学 | 基于障碍车估计与预测的交叉路口轨迹规划与控制方法 |
CN113433947B (zh) * | 2021-07-15 | 2022-04-01 | 天津大学 | 基于障碍车估计与预测的交叉路口轨迹规划与控制方法 |
CN113467477B (zh) * | 2021-08-03 | 2023-03-10 | 艾乐尔机器人科技(南京)有限公司 | 一种基于视频识别技术的多智能机器人地下线缆维修装置 |
CN113467477A (zh) * | 2021-08-03 | 2021-10-01 | 艾乐尔机器人科技(南京)有限公司 | 一种基于视频识别技术的多智能机器人地下线缆维修装置 |
CN113935614B (zh) * | 2021-10-11 | 2023-10-13 | 华中科技大学 | 车队调控方法、装置、电子设备及存储介质 |
CN113935614A (zh) * | 2021-10-11 | 2022-01-14 | 华中科技大学 | 车队调控方法、装置、电子设备及存储介质 |
CN115035702A (zh) * | 2021-10-13 | 2022-09-09 | 长城汽车股份有限公司 | 车队出行状况的监控方法、装置、存储介质和车载设备 |
CN115035702B (zh) * | 2021-10-13 | 2024-10-15 | 长城汽车股份有限公司 | 车队出行状况的监控方法、装置、存储介质和车载设备 |
CN114061573B (zh) * | 2021-11-16 | 2024-03-22 | 中国人民解放军陆军工程大学 | 地面无人车辆编队定位装置及方法 |
CN114061573A (zh) * | 2021-11-16 | 2022-02-18 | 中国人民解放军陆军工程大学 | 地面无人车辆编队定位装置及方法 |
CN113848957A (zh) * | 2021-11-17 | 2021-12-28 | 中国人民解放军陆军工程大学 | 地面无人车辆编队控制装置及方法 |
CN113848957B (zh) * | 2021-11-17 | 2023-11-10 | 中国人民解放军陆军工程大学 | 地面无人车辆编队控制装置及方法 |
CN114323698B (zh) * | 2022-02-11 | 2023-09-08 | 吉林大学 | 一种面向人机共驾智能汽车的实车实验平台测试方法 |
CN114323698A (zh) * | 2022-02-11 | 2022-04-12 | 吉林大学 | 一种面向人机共驾智能汽车的实车实验平台测试方法 |
CN114995405A (zh) * | 2022-05-19 | 2022-09-02 | 同济大学 | 一种基于开放动态环境多目标协同理论的agv协作搬运方法 |
CN115145264A (zh) * | 2022-05-20 | 2022-10-04 | 北京理工大学 | 基于ros的多机器人分布式协同控制方法和系统 |
CN114684202B (zh) * | 2022-06-01 | 2023-03-10 | 浙江大旗新能源汽车有限公司 | 一种用于自动驾驶车辆的智能系统及其集成控制方法 |
CN114684202A (zh) * | 2022-06-01 | 2022-07-01 | 浙江大旗新能源汽车有限公司 | 一种用于自动驾驶车辆的智能系统及其集成控制方法 |
CN115083152A (zh) * | 2022-06-09 | 2022-09-20 | 北京主线科技有限公司 | 一种车辆编队感知系统、方法、装置、设备及介质 |
CN115311839A (zh) * | 2022-08-03 | 2022-11-08 | 九识(苏州)智能科技有限公司 | 一种低速自动驾驶车辆组队通过复杂场景的方法 |
CN115311839B (zh) * | 2022-08-03 | 2024-05-17 | 九识(苏州)智能科技有限公司 | 一种低速自动驾驶车辆组队通过复杂场景的方法 |
CN117762151A (zh) * | 2024-02-22 | 2024-03-26 | 北京航空航天大学 | 无需标号的智能体集群分布式形状控制方法和智能体 |
CN117762151B (zh) * | 2024-02-22 | 2024-04-26 | 北京航空航天大学 | 无需标号的智能体集群分布式形状控制方法和智能体 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111766879A (zh) | 一种基于自主协同导航的智能车编队系统 | |
CN105138044B (zh) | 一种基于信息物理网的车队编队控制装置及编队控制方法 | |
CN104834309B (zh) | 基于目标跟踪控制策略的单移动机器人最优巡回控制方法 | |
Wang et al. | A hybrid visual servo controller for robust grasping by wheeled mobile robots | |
Liu et al. | Coordinated motion planning for multiple mobile robots along designed paths with formation requirement | |
Cui et al. | Pareto-optimal coordination of multiple robots with safety guarantees | |
CN109978272B (zh) | 一种基于多个全向移动机器人的路径规划系统及方法 | |
Hao et al. | Planning and control of UGV formations in a dynamic environment: A practical framework with experiments | |
Fong et al. | Pdadriver: A handheld system for remote driving | |
CN107102641A (zh) | 一种基于激光引导双轮差速agv的原地偏航旋转方法 | |
Zhao et al. | A path planning method based on multi-objective cauchy mutation cat swarm optimization algorithm for navigation system of intelligent patrol car | |
Vilca et al. | Stable and flexible multi-vehicle navigation based on dynamic inter-target distance matrix | |
Urcola et al. | Cooperative navigation using environment compliant robot formations | |
Clark et al. | Dynamic networks for motion planning in multi-robot space systems | |
Fang et al. | A human-aware navigation method for social robot based on multi-layer cost map | |
CN114721275A (zh) | 一种基于预设性能的视觉伺服机器人自适应跟踪控制方法 | |
Hassan et al. | Path planning and trajectory tracking control for two-wheel mobile robot | |
Valavanis et al. | A case study of fuzzy-logic-based robot navigation | |
Hughes et al. | Colony of robots for exploration based on multi-agent system | |
Neri et al. | Localisation of Mobile Robots via Ultra-Wideband Systems | |
Xu et al. | Self-Triggered MPC for Teleoperation of Networked Mobile Robotic System via High-Order Estimation | |
Clark et al. | An integrated system for command and control of cooperative robotic systems | |
Fregene et al. | A class of intelligent agents for coordinated control of outdoor terrain mapping UGVs | |
Sánchez et al. | A fuzzy decision system for an autonomous car parking | |
Navarro et al. | A distributed scalable approach to formation control in multi-robot systems |
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 |