CN111949027A - 自适应的机器人导航方法和装置 - Google Patents

Abstract

本发明提供了一种自适应的机器人导航方法，其中机器人配置有多个传感器和多个规划算法，机器人导航方法包括：实时感测和确定所述机器人的当前外部环境和内部条件；基于机器人的当前外部环境和内部条件从多个传感器中选择传感器；基于机器人的当前外部环境和内部条件从多个规划算法中选择规划算法；以及基于所选择的传感器的感测信息和所选择的规划算法，产生规划轨迹并控制机器人沿规划轨迹运动。本发明能够在机器人工作场景和自身条件发生变化时，以实时方式灵活调整传感器和规划算法等，在减少人工介入的情况下更好适应复杂多变的导航需求。

Description

自适应的机器人导航方法和装置

技术领域

本发明涉及机器人技术领域，具体涉及一种自适应的机器人导航方法、装置以及计算机可读存储介质。

背景技术

机器人导航技术是巡检机器人的一项关键技术。为了让机器人自主移动到目标位置，机器人需要感知周围环境，生成并执行规划路线。在机器人移动过程中，通过各种类型的传感器，例如激光雷达、毫米波雷达、视觉传感器等，感知到其规划路线上存在静态或动态障碍物，这时需要按照一定的算法实时更新路径，绕过障碍物，最后达到目标位置。

在日常导航中，不同导航场景有不同的导航需求。在机器人的环境发生改变时，需要选用与环境匹配的传感器组合，例如，激光雷达不适用于玻璃障碍物。另外，在未知障碍物较多的复杂环境中，通常要改变规划算法，让机器人以谨慎的方式进行导航。现有技术的导航系统通常针对某一具体场景设计相应的导航模块，指定其中传感器组合、导航和避障算法。这种方式难以适用于复杂多变的场景和机器人自身条件的改变，难以扩展、成本高、灵活性差。

发明内容

有鉴于此，需要一种自适应的机器人导航方法，其能够在机器人工作场景和自身条件发生变化时，以实时方式灵活调整传感器和规划算法等，在减少人工介入的情况下更好适应复杂多变的导航需求。

根据本发明的第一方面，提供了一种自适应的机器人导航方法，所述机器人配置有多个传感器和多个规划算法，所述方法包括：实时感测和确定所述机器人的当前外部环境和内部条件；基于机器人的当前外部环境和内部条件从所述多个传感器中选择传感器；基于机器人的当前外部环境和内部条件从所述多个规划算法中选择规划算法；以及基于所选择的传感器的感测信息和所选择的规划算法，产生规划轨迹并控制机器人沿所述规划轨迹运动。

在一个实施例中，所述外部环境可以包括场地类型、障碍物类型和位置、传感器外部感测条件中的至少一个，所述内部条件包括传感器状态和电量中的至少一个。

在一个实施例中，选择传感器可以包括以下各项中的至少一项：根据机器人的位置确定当前场地类型，并选择适合所述当前场地类型的传感器；通过当前传感器的感测信息，确定障碍物类型和位置，并选择适合所述障碍物类型和位置的传感器；通过当前传感器的感测信息，确定传感器外部感测条件，并选择适合所述传感器外部感测条件的传感器；通过当前传感器的感测信息，确定传感器状态，当所述传感器状态指示传感器损坏或异常时，放弃相应的传感器和选择其他传感器；以及，当检测到电量低时，放弃功耗更大的传感器和选择功耗更小的传感器。

在一个实施例中，所述选择规划算法可以包括以下各项中的至少一项：根据机器人的位置确定当前场地类型，并选择适合所述当前场地类型的规划算法；根据所选择的传感器的性能，选择适合的规划算法；当检测到电量低时，放弃功耗更大的规划算法和选择功耗更小的规划算法。

在一个实施例中，机器人还可以配置还有多个地图和多个异常处理算法，所述方法还可以包括：从所述多个传感器中选择传感器作为全局传感器，从所述多个地图中选择地图作为全局地图，从所述多个规划算法中选择规划算法作为全局规划算法，基于所述全局传感器的感测信息、所述全局地图和所述全局规划算法进行全局规划和生成全局规划轨迹；从所述多个传感器中选择传感器作为局部传感器，从所述多个地图中选择地图作为局部地图，从多个规划算法中选择局部规划算法，基于所述局部传感器的感测信息、所述局部地图和所述局部规划算法，进行局部规划和生成用于控制所述机器人运动的运动命令，以跟踪所述全局规划轨迹；以及，从所述多个传感器中选择传感器作为紧急避障传感器，从所述多个异常处理算法中选择异常处理算法，基于所述紧急避障传感器的感测信息和所述异常处理算法，生成用于控制所述机器人避障的避障命令。

在一个实施例中，所述方法还可以包括：根据机器人的起点位置和目标位置，生成静态规划路径，所述全局规划包括，按照第一时间间隔，生成包括多个轨迹点的全局规划轨迹，用于跟踪在所述静态规划路径上与所述机器人相隔一段距离的位置；所述局部规划包括，按照第二时间间隔，生成用于控制所述机器人运动的运动命令，以跟踪所述全局规划轨迹的轨迹点，所述第二时间间隔小于所述第一时间间隔。

在一个实施例中，所述方法还可以包括：当所述全局规划或局部规划失败时，根据机器人的当前位置和目标位置，重新生成所述静态规划路径。

在一个实施例中，所述全局地图可以包括预先存储的静态地图和由所述全局传感器的感测信息形成的动态地图，所述局部地图包括由所述局部传感器的感测信息形成的动态地图，所述全局地图的尺寸大于所述局部地图。

在一个实施例中，所述方法还可以包括：当从所述紧急避障传感器接收到满足紧急避障条件的感测信息时，中止所述全局规划和所述局部规划；以及在完成紧急避障后，重新执行所述全局规划和所述局部规划。

根据本发明的第二方面，提供了一种自适应的机器人导航装置，所述机器人配置有多个传感器和多个规划算法，所述机器人导航装置包括：实时状态确定单元，用于实时感测和确定所述机器人的当前外部环境和内部条件；传感器选择单元，用于基于机器人的当前外部环境和内部条件从所述多个传感器中选择传感器；规划算法选择单元，用于基于机器人的当前外部环境和内部条件从所述多个规划算法中选择规划算法；以及，规划器单元，用于基于所选择的传感器的感测信息和所选择的规划算法，产生规划轨迹并控制机器人沿所述规划轨迹运动。

根据本发明的第三方面，还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述第一方面所述的机器人导航方法。

根据本发明，可以在复杂多变场景下根据外部因素和内部因素，自适应地选择适用的传感器和规划算法，满足复杂的导航需求，而不需要使用者人工介入进行调整，具有更低的成本和良好的可扩展性。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开实施例而了解。本公开的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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他的附图。通过附图所示，本申请的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本申请的主旨。

图1示出了根据本发明实施例的机器人在多个场景下的导航环境的示意图。

图2示出了根据本发明实施例的自适应的机器人导航方法的示意流程图。

图3示出了根据本发明实施例的机器人导航模块的示意流程图。

图4A示出了由全局规划模块执行的静态规划任务和动态规划任务的示意图。

图4B示出了由局部规划模块执行的局部规划任务的示意图。

图5示出了根据本发明实施例的用于机器人导航的通用规划模块的示意框图。

图6A示出了根据本发明实施例的传感器列表。

图6B示出了根据本发明实施例的地图列表。

图6C示出了根据本发明实施例的规划算法列表。

图6D示出了根据本发明实施例的异常处理算法列表。

图7示出了根据本发明实施例的机器人导航方法的示意流程图。

图8示出了根据本发明实施例的机器人导航装置的示意框图。

图9示出了根据本发明实施例的自适应的机器人导航装置的示意框图。

图10示出了用于实现本发明实施例的电子设备的结构示意图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。这里使用的词语“一”、“一个(种)”和“该”等也应包括“多个”、“多种”的意思，除非上下文另外明确指出。此外，在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

图1示出了根据本发明实施例的机器人在多个场景下的导航环境的示意图。如图所示，机器人从起点A位置自主移动到目的地B需要经过两个不同的场景。首先，机器人需要在狭窄过道中进行导航，并且周围的障碍物是玻璃墙。此时，机器人首先需要得到当前地图，然后进行传感器选型(比如选择超声波传感器，因为激光不能感知玻璃的存在)，然后选择适合的规划算法进行导航(比如选择一种谨慎的行为进行导航)。在另一场景中，机器人进入大厅，且目的地B距离较远，小车通常需要激光雷达进行定位，因为超声波的避障精度达不到激光雷达的效果。所以可以选择激光雷达执行此任务，然后选择适合的规划算法进行避障(比如选择一种以更快到达目标点的方法导航)。除了诸如场地类型和障碍物类型的外部因素，机器人的内部因素的变化也要求机器人调整其传感器和规划算法以适应这种变化。以下更详细地描述本发明提供的根据机器人外部因素和内部因素实时生成合适的导航方法的机制。

图2示出了根据本发明实施例的自适应的机器人导航方法200的示意流程图。机器人配置有多种类型的传感器，例如，激光雷达、超声波传感器、红外线传感器、防跌落传感器、彩色摄像机、深度摄像机、位置传感器等。机器人还配置有多个导航算法，例如，A星、D星、DWA算法、TEB算法、RRT、RRT星、势场法等。方法200可以通过上述多个传感器的感测信息和机器人内部的数据指标，感知实时情况和判断机器人的外部因素和内部因素，由此可以选择适合的传感器和规划算法，满足当前的导航需求。方法包括如下步骤。

在步骤210，感测和确定机器人的当前外部环境和内部条件。在机器人移动过程中，多种类型的传感器实时感测外部环境的参数，例如，通过位置传感器(如GPS)感测位置信息，超声波传感器发出超声波感测反射的超声波以确定障碍物，彩色摄像机和深度摄像机利用光学信息捕捉障碍物等等。根据本发明实施例，可以单独或组合地使用这些传感器的感测信号，确定机器人的当前外部环境，例如，外部环境可以包括但不限于场地类型、障碍物类型、传感器外部感测条件等。根据本发明实施例，机器人还可以检测机器人内部条件，内部条件可以包括但不限于传感器状态和电量等。例如，可以检测各个传感器的工作状态，比如噪声大小、有无异常等。

在步骤220，基于机器人的当前外部环境和内部条件从多个传感器中选择传感器。如上所述，外部环境可以包括但不限于场地类型、障碍物类型、传感器外部感测条件。内部条件可以包括但不限于传感器状态和电量等。

场地类型可以是室内或室外、走廊、大厅、办公室、是否是玻璃场景、障碍物的类型与多少。在机器人移动过程中，机器人的传感器可以感测到周围环境的障碍物，形成构建动态地图，从而了解当前的场地类型和位置，选择适合当前场地类型的传感器。替代地，可以直接根据位置信息，根据地图信息确定机器人当前的场地类型。例如，狭窄走廊需要工作范围近的传感器，比如超声波传感器；宽阔大厅就需要工作范围大的传感器，比如激光雷达；桌椅腿比较多的办公室就需要分辨率高的传感器等，比如高分辨率彩色摄像机。

障碍物类型对传感器影响巨大。如果场景内有很多玻璃，可以不使用激光雷达和光学传感器(如各种摄像机)，替代地，使用超声波传感器。在机器人移动过程中，对比激光雷达、光学传感器、超声波传感器的感测信息以及根据各传感器的感测信息构建的动态地图，可以识别出当前的障碍物包括较多玻璃，这时可以选择使用超声波传感器。另外，可以根据障碍物的位置选择适合的传感器。例如，如果障碍物所处平面与单线激光雷达不在同一平面，可以选择使用立体空间的传感器，比如多线激光雷达、深度摄像头或者超声波传感器。

传感器外部感测条件可能给传感器工作带来不利因素，影响感测性能。例如，在室外环境下，光照变化很大，光学(彩色/深度)摄像头的成像性能会受影响(比如，需要频繁调整白平衡导致成像效果不佳)，这时可以需要选择其他传感器。

内部因素包括但不限于传感器状态、电量等。在一个实施例中，在机器人移动过程中，可以定期对各个传感器进行自检，判断是否传感器有损坏，如果损坏或数据错误，可以放弃该传感器，选择其他状态正常的传感器，同时相应地选择适合正常传感器的性能的导航算法。在另一实施例中，当多个传感器数据对比显示某个传感器数据噪音较大时(可能来自环境或者传感器自身)，可以判断该传感器不适合继续使用，可以选择其他状态正常的传感器，同时相应的选择适合的导航算法。

在一个实施例中，在机器人移动过程中，机器人电量低时，可以自主选择放弃耗电量大的传感器，如多线激光雷达、深度摄像头，选择耗电量小的传感器，如超声波传感器、红外线传感器。

在步骤230，基于机器人的当前外部环境和内部条件从多个规划算法中选择规划算法。

在一个实施例中，可以根据机器人的位置和自身条件确定当前场地类型和任务需要，并选择适合当前场地类型的规划算法。例如，在障碍物较多的复杂场景下，可以选择一种谨慎的路径规划算法，尽可能确保能够计算出规划路径；在机器人当前重心不稳的场景下，可以选择一种产生的规划路径较为平滑的规划算法，确保机器人移动平稳；在要求机器人尽快到达目的地的需求下，可以选择一种生成规划路线速度较快的规划算法。另外，还可以根据所选择的传感器的性能，例如工作范围、分辨率、响应时间等，选择适合的规划算法。

在一个实施例中，在机器人移动过程中，当检测到电量低时，可以放弃功耗更大的规划算法和选择功耗更小的规划算法。

在步骤240，基于所选择的传感器的感测信息和所选择的规划算法，产生规划轨迹并控制机器人沿所述规划轨迹运动。在一个实施例中，机器人的导航模块可以包括全局规划模块、局部规划模块和紧急避障模块，其中全局规划模块用于产生规划轨迹，局部规划模块用于控制机器人沿规划轨迹运动，紧急避障模块用于处理导航过程中的异常。以下结合图3至4详细描述。

图3示出了根据本发明实施例的机器人导航模块300的示意流程图。导航模块300主要分为三个模块，包括全局规划模块310、局部规划模块320和紧急避障模块330。

全局规划模块310可以执行两种类型的任务：静态规划任务和动态规划任务。静态规划任务指的是规划从当前位置到最终目的地之间的行进路线，即在完整地图上规划路线。动态规划任务指的是规划从当前位置到前方一段距离内的位置的行进路线。在一个实施例中，机器人可以沿着静态规划任务得到规划路线前进，同时机器人使用全局传感器感测沿途的障碍物，定期(例如每500毫秒/ms)执行动态规划任务。例如，机器人可以通过激光雷达或视觉传感器感测距离较远的障碍物。当传感器感测到新的障碍物时，生成基于传感器感测信息的动态地图，即每种动态地图可以与各自类型的传感器相关联。机器人可以融合多种类型的动态地图以及预先存储的静态地图，根据配置的算法产生在机器人前方一段距离或范围内的全局规划路线。在一个实施例中，机器人的全局规划模块310可以基于配置的用于当前场景的传感器组合(例如，激光雷达和视觉传感器，也称为全局传感器)、相应的动态地图和配置的规划算法(例如，A星、D星、RRT、BUG法、势场法等)执行动态规划任务，生成包括一系列轨迹点的全局规划路线，并输出给局部规划模块320。

根据本发明实施例，全局规划模块310执行动态规划路线所用的地图可以完整地图(包括起点和目的位置)上的一个窗口，尺寸小于静态规划任务所用的地图，例如，静态规划任务的地图尺寸可以是100X100的栅格化单元，动态规划路线的地图尺寸可以是20X20的栅格化单元。

局部规划模块320可以跟踪全局规划路线中的一系列轨迹点，生成控制机器人移动的运动命令，驱动机器人前进。局部规划模块320可以以比全局规划模块310执行动态规划任务更高的频率(例如每100ms)来执行局部规划。在一个实施例中，基于配置的用于当前场景的传感器组合，相应的动态地图和配置的规划算法(例如，BUG避障算法、势场法等)。

需要注意的是，局部规划模块320使用的传感器组合(也称为局部传感器)可以是与全局规划模块310使用的传感器相同或不同的传感器。例如，全局传感器可以是激光雷达和视觉传感器，局部传感器可以是仅超声波传感器，或者是激光雷达和超声波传感器，或者是在激光雷达、视觉传感器的基础上再添加超声波传感器。应当理解，机器人具有多种不同类型的传感器，全局规划模块310和局部规划模块320可以根据实际需求灵活配置传感器组合，分别作为全局传感器和局部传感器。类似地，局部规划模块320执行局部规划所用的地图可以是更小的地图窗口，例如，5X5的栅格化单元。

在一个实施例中，局部规划模块320可能因为检测到新的障碍物(例如，超声波传感器检测到近处的障碍物，该障碍物未能被全局传感器识别到)而无法规划出到达全局规划模块310给出的轨迹点的路线。例如，机器人近处正前方暂时出现较大障碍物，且在局部规划的地图窗口内无法计算出规避路线。在这种情况下，局部规划模块320可以确定需要重新规划340，并且通知到全局规划模块310重新执行全局规划。在一个实施例中，全局规划模块310可以执行如上所述的静态规划任务，将当前位置作为重新确定的起点，规划机器人移动到最终目的地的完整路线。需要注意的是，这时全局规划模块310使用的全局传感器应包括触发重新规划的局部规划模块320所使用的局部传感器，换句话说，在重新规划时应考虑产生规划异常的局部传感器识别出的障碍物。当全局规划模块310重新规划时，终止原有全局规划和局部规划。

紧急避障模块330用于应对突发情况，多数是因为局部规划来不及避开突然闯入的障碍物或即将跌落的事件，这时可以对机器人执行紧急制动处理、车身稳定控制、减速等措施。可以根据至少一个传感器(也称为紧急避障传感器)的感测信息来确定是否需要紧急避障350。应理解，紧急避障传感器可以与全局传感器或局部传感器中的一个或多个是相同的，例如，超声波传感器可以同时作为局部传感器和紧急避障传感器，再例如，紧急避障传感器可以是防跌落传感器。在需要紧急避障的情况下，确定紧急避障的类型(例如，根据发生出紧急避障信号的传感器类型，紧急避障信号的类型等)，并选择相应的异常处理算法，生成用于控制机器人避障的避障命令。例如，在感测到突发障碍物的情况下，控制机器人紧急制动，再例如，在感测到机器人颠簸有翻倒风险的情况下，控制机器人减速或启用车身稳定控制，等等。然后，判断紧急避障是否完成360，如完成，回到局部规划模块320，继续执行局部规划。

图4A示出了由全局规划模块310执行的静态规划任务和动态规划任务的示意图。机器人的初始位置在地图左下角的位置A处，目的地B在右上角。全局规划模块310执行静态规划任务，生成如曲线410所示的完整的全局规划路线。在一个实施例中，当机器人从初始起点处执行任务时，可以根据加载所存储的静态地图(指示了障碍物1至障碍物4)和配置的规划算法(例如A星算法)生产完整的全局规划曲线410。

根据本发明实施例，全局规划模块310还可以定期执行动态规划任务。例如，当机器人移动到C时，全局规划模块310使用全局传感器感测周围环境。根据本发明实施例，全局规划模块310可以从机器人配置的多种类型传感器中选择至少一个传感器作为全局传感器，例如，激光雷达和/或视觉传感器。全局传感器的工作范围如图中虚线圆形区域所示。如图所示，全局传感器感测到了障碍物5(在静态规划时未能感测到)，全局规划模块310可以根据全局传感器的感测信息、全面传感器工作范围内的地图(至少包括基于全局传感器感测信息的动态地图，即指示例如障碍物5)和所选择的全局匹配算法，进行全局规划，生成全局规划轨迹420，全局规划轨迹420包括若干个轨迹点。

图4B示出了由局部规划模块320执行的局部规划任务的示意图。如上所述，局部规划模块320接收全局规划模块310输入的轨迹点，以跟踪全局规划轨迹。根据本发明实施例，局部规划模块320基于局部传感器、局部传感器工作范围内的地图，执行局部规划和生成用于控制机器人运动的运动命令。如图所示，机器人跟踪全局规划轨迹420，移动到位置D，这时所选择的局部传感器(例如超声波传感器)感测到机器人近处的障碍物6。应理解，局部传感器的工作范围较小，如图中虚线圆形所示。局部规划模块320可以根据局部传感器的感测信息、局部传感器工作范围内的地图(至少包括基于局部传感器感测信息的动态地图，即指示例如障碍物6)和所选择的局部匹配算法，进行局部规划，控制机器人沿调整后的路径430运动，以避开障碍物6。

图5示出了根据本发明实施例的用于机器人导航的通用规划模块500的示意框图。关于图3的描述中提到的全局规模模块、局部规划模块、紧急避障模块均可以全部或部分地由如图5所示的通用规划模块500实现。

通用规划模块500包括用于选择传感器的模块510，用于从机器人配置的传感器中选择合适的传感器。例如，全局规划模块可以从中选择视觉传感器(比如，单目、双目摄像头、深度摄像机等)、激光雷达、红外线传感器等作为全局传感器，局部规划模块可以从中选超声波传感器作为局部传感器，紧急避障模块选择超声波传感器和重力传感器可以从中选择紧急避障传感器，将传感器的感测信息作为它们的输入信息。由此，机器人能够实时感知自身状态和周围环境信息，包括障碍物的尺寸、形状、位置、姿态等。

在一个实施例中，传感器的感测信号可以用于动态构建地图，例如，激光雷达可以实时扫描获取周围环境的点阵数据，结合相应的同步定位与建图(SLAM)算法，，形成动态点云地图，感知妨碍其运动的静态或动态物体的尺寸、形状、位置。类似地，视觉传感器可以获取周围环境的光学图像和进行光学处理，形成动态光学地图；红外线传感器可以通过红外线IR标识发射调制的红外射线，通过安装在室内的光学传感器接收进行定位，形成红外线地图；超声波传感器通过发射探头发射出超声波，超声波在介质中遇到障碍物而返回，通过接收自身发射的超声波反射信号，感知周围环境，形成超声波地图。重力传感器可以感测机器人各个方向的加速度和角加速度，以判断机器人的姿态，用于防跌落检测。

通用导航模块500还包括用于选择地图的模块520，用于从存储或构建的多个地图中选择相应的地图。例如，全局规划模块可以选择预先存储的静态地图，用于生成静态规划路径，还可以选择静态地图、动态点云地图、动态光学地图、红外线传感器中的一个或多个，用于生成动态规划路径。类似地，局部规划模块可以选择超声波地图，用于生成局部规划路径；紧急避障模块可以超声波传感器，用于紧急避障。需要说明的是，全局规划模块、局部规划模块、紧急避障模块使用的传感器、地图是可以任意配置的单个或组合，不限于上述示例。

通用导航模块500还包括用于选择规划器进行规划的模块530，从多个规划算法中选择合适的规划算法并执行，例如，选择路径最短的规划算法、选择规划搜索最快的算法、选择适合静态环境的算法、选择多变环境情况下的算法等等。这些算法可以是任何已知的或将来开发的算法，比如，A星、D星、DWA算法、TEB算法、RRT、RRT星算法、势场法等，不限于此。需要说明的是，全局规划模块、局部规划模块、紧急避障模块使用的规划算法可以是任意配置的单个或组合，不限于上述示例。在一个实施例中，全局规划模块和局部规划模块中任一个可以基于相应传感器的感测信息、相应的地图和相应的算法，生成相应的规划路线。全局传感器可以生成全局规划轨迹，局部传感器可以生成用于控制机器人运动的运动命令，以跟踪全局规划轨迹。

通用导航模块500还包括用于判断是否有异常的模块540。例如，异常可以是传感器前方突然出现障碍物、机器人重心不稳可能跌倒、全局或局部规划失败等。在确定存在异常的情况下，在模块550选择异常处理的措施，并执行异常处理。例如，在前方出现障碍物的情况下，可以选择紧急制动措施，在机器人可能跌倒的情况下，控制机器人缓慢减速，在全局或局部规划失败的情况下，指示全局规划模块根据最新的地图和传感器感测信息重新执行全局路径规划，例如基于当前位置和最终目的地重新生成静态规划路径。在一个实施例中，当确定有异常时，还可以指示全局规划模块和局部规划模块中止规划，并且在判断异常处理完成后560，重新进行全局规划和局部规划。

图6A示出了根据本发明实施例的传感器列表。机器人配备的传感器可以包括激光雷达、超声波传感器、红外线传感器、位置传感器、防跌落传感器、彩色摄像机、深度摄像机等。全局规划模块、局部规划模块、紧急避障模块均可以根据参照图2描述的方法自适应地选择相应的传感器或传感器组合。

图6B示出了根据本发明实施例的地图列表。机器人配备的地图可以包括预先存储的静态地图，地图1、地图2、……、地图n，以及根据传感器的感测信息动态构建的感测地图，感测地图1、感测地图2、……、感测地图i。全局规划模块、局部规划模块、紧急避障模块均可以参照图2描述的方法自适应地选择相应的地图和/或感测地图及其组合。

图6C示出了根据本发明实施例的规划算法列表。机器人配置的规划器包括多个算法，规划算法1、规划算法2、……、规划算法n。全局规划模块和局部规划模块均可以参照图2描述的方法自适应地选择相应的规划算法，以适应场景需求。

图6D示出了根据本发明实施例的异常处理算法列表。机器人配置了多个异常处理算法，异常处理算法1、异常处理算法2、……、异常处理算法n。根据异常类型，选择相应异常处理算法，例如，处理规划失败的异常处理算法可以是重新调用全局规划模块进行重新规划，处理紧急避障的异常处理算法可以是紧急制动等，处理车身不稳的算法可以是车身稳定或减速算法等。

图7示出了根据本发明实施例的机器人导航方法700的示意流程图。机器人导航方法700包括：在步骤710，提供包括多种类型传感器的传感器列表、包括多个地图的地图列表、包括多个规划算法的规划列表、以及包括多个异常处理算法的异常处理列表。在一个实施例中，传感器可以包括任何现有和将来的传感器，例如激光雷达、超声波传感器、红外线传感器、防跌落传感器、彩色摄像机、深度摄像机等。地图可以包括机器人预先存储的静态地图和基于各种类型传感器的感测信息构建的动态地图。多种规划算法可以实现在规划器中，包括诸如A星、D星、DWA算法、TEB算法、RRT、RRT星算法、势场法等。异常处理算法可以是诸如紧急制动、调用执行重新全局规划、车身稳定、减速算法等。

在步骤720，从所述传感器列表中选择至少一个传感器作为全局传感器，从所述地图列表中选择地图作为全局地图，从所述规划算法列表中选择规划算法作为全局规划算法，基于所述全局传感器的感测信息、所述地图和所述全局规划算法进行全局规划和生成全局规划轨迹。在一个实施例中，可以根据机器人的当前位置和目标位置，重新生成静态规划路径。进一步地，可以按照第一时间间隔(例如500ms)，生成全局规划轨迹，用于跟踪在所述静态规划路径上与所述机器人相隔一段距离的位置，全局规划轨迹可以包括一系列轨迹点。

在步骤730，从所述传感器列表中选择至少一个传感器作为局部传感器，从所述地图列表中选择地图作为局部地图，从所述规划算法列表中选择局部规划算法，基于所述局部传感器的感测信息、所述局部地图和所述局部规划算法，进行局部规划和生成用于控制所述机器人运动的运动命令，以跟踪所述全局规划轨迹。在一个实施例中，按照第二时间间隔(例如100ms)，生成用于控制所述机器人运动的运动命令，以跟踪所述全局规划轨迹的轨迹点。另外，当出现规划异常情况，比如突然闯入的障碍物导致全局规划或局部规划失败时，可以根据机器人的当前位置和目标位置，重新生成所述静态规划路径。

在步骤740，从所述传感器列表中选择至少一个传感器作为紧急避障传感器，从所述异常处理算法列表中选择异常处理算法，基于所述紧急避障传感器的感测信息和所述异常处理算法，生成用于控制所述机器人避障的避障命令。在一个实施例中，当从所述紧急避障传感器接收到满足紧急避障条件的感测信息时，中止所述全局规划和所述局部规划；以及在完成紧急避障后，重新执行所述全局规划和所述局部规划。

图8示出了根据本发明实施例的机器人导航装置800的示意框图。机器人导航装置800包括配置模块810、全局规划模块820、局部规划模块830和紧急避障模块840。

配置模块810用于提供包括多种类型传感器的传感器列表、包括多个地图的地图列表、包括多个规划算法的规划列表、以及包括多个异常处理算法的异常处理列表。

全局规划模块820用于从所述传感器列表中选择至少一个传感器作为全局传感器，从所述地图列表中选择地图作为全局地图，从所述规划算法列表中选择规划算法作为全局规划算法，并基于所述全局传感器的感测信息、所述地图和所述全局规划算法，进行全局规划和生成全局规划轨迹。

局部规划模块830用于从所述传感器列表中选择至少一个传感器作为局部传感器，从所述地图列表中选择地图作为局部地图，从所述规划算法列表中选择局部规划算法，并基于所述局部传感器的感测信息、所述局部地图和所述局部规划算法，进行局部规划和生成用于控制所述机器人运动的运动命令，以跟踪所述全局规划轨迹，

紧急避障模块840用于从所述传感器列表中选择至少一个传感器作为紧急避障传感器，从所述异常处理算法列表中选择异常处理算法，并基于所述紧急避障传感器的感测信息和所述异常处理算法，生成用于控制所述机器人避障的避障命令。

本领域技术人员应理解，机器人导航装置800及其组成模块还可以用于实现上文描述的任意方法步骤或功能，不再重复。

图9示出了根据本发明实施例的自适应的机器人导航装置900的示意框图。机器人配置有多个传感器和多个规划算法，所述自适应的机器人导航装置900包括如下组件。

实时状态确定单元910，感测和确定机器人的当前外部环境和内部条件。

传感器选择单元920，用于基于机器人的当前外部环境和内部条件从所述多个传感器中选择传感器。

规划算法选择单元930，用于基于机器人的当前外部环境和内部条件从所述多个规划算法中选择规划算法。

规划执行单元940，用于基于所选择的传感器的感测信息和所选择的规划算法，产生规划轨迹并控制机器人沿所述规划轨迹运动。

本领域技术人员应理解，自适应的机器人导航装置900及其组成模块还可以用于实现上文描述的任意方法步骤或功能，不再重复。

图10示出了用于实现本发明实施例的电子设备1000的结构示意图。电子设备100可以实现为布置在机器人中的控制单元或控制系统。如图10所示，电子设备1000包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM1003中，还存储有电子设备1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，包括承载指令的在计算机可读介质，在这样的实施例中，该指令可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该指令被中央处理单元(CPU)1001执行时，执行本公开中描述的各个方法步骤。

尽管已经描述了示例实施例，但是对于本领域技术人员来说显而易见的是，在不脱离本公开构思的精神和范围的情况下，可以进行各种改变和修改。因此，应当理解，上述示例实施例不是限制性的，而是说明性的。

Claims (10)

1.一种自适应的机器人导航方法，其中机器人配置有多个传感器和多个规划算法，所述机器人导航方法包括：

实时感测和确定所述机器人的当前外部环境和内部条件；

基于所述机器人的当前外部环境和内部条件从所述多个传感器中选择传感器；

基于所述机器人的当前外部环境和内部条件从所述多个规划算法中选择规划算法；以及

基于所选择的传感器的感测信息和所选择的规划算法，产生规划轨迹并控制所述机器人沿所述规划轨迹运动。

2.如权利要求1所述的方法，其中,所述外部环境包括场地类型、障碍物类型和位置、传感器外部感测条件中的至少一个，所述内部条件包括传感器状态和电量中的至少一个。

3.如权利要求2所述的方法，所述选择传感器包括以下各项中的至少一项：

根据机器人的位置确定当前场地类型，并选择适合所述当前场地类型的传感器；

通过当前传感器的感测信息，确定障碍物类型和位置，并选择适合所述障碍物类型和位置的传感器；

通过当前传感器的感测信息，确定传感器外部感测条件，并选择适合所述传感器外部感测条件的传感器；

通过当前传感器的感测信息，确定传感器状态，当所述传感器状态指示传感器损坏或异常时，放弃相应的传感器和选择其他传感器；

当检测到电量低时，放弃功耗更大的传感器和选择功耗更小的传感器。

4.如权利要求2所述的方法，所述选择规划算法包括以下各项中的至少一项：

根据机器人的位置确定当前场地类型，并选择适合所述当前场地类型的规划算法；

根据所选择的传感器的性能，选择适合的规划算法；

当检测到电量低时，放弃功耗更大的规划算法和选择功耗更小的规划算法。

5.如权利要求1所述的方法，其中机器人配置还有多个地图和多个异常处理算法，所述方法还包括：

从所述多个传感器中选择传感器作为全局传感器，从所述多个地图中选择地图作为全局地图，从所述多个规划算法中选择规划算法作为全局规划算法，基于所述全局传感器的感测信息、所述全局地图和所述全局规划算法进行全局规划和生成全局规划轨迹；

从所述多个传感器中选择传感器作为局部传感器，从所述多个地图中选择地图作为局部地图，从多个规划算法中选择局部规划算法，基于所述局部传感器的感测信息、所述局部地图和所述局部规划算法，进行局部规划和生成用于控制所述机器人运动的运动命令，以跟踪所述全局规划轨迹；以及

从所述多个传感器中选择传感器作为紧急避障传感器，从所述多个异常处理算法中选择异常处理算法，基于所述紧急避障传感器的感测信息和所述异常处理算法，生成用于控制所述机器人避障的避障命令。

6.如权利要求5所述的方法，还包括：

根据机器人的起点位置和目标位置，生成静态规划路径，

所述全局规划包括，按照第一时间间隔，生成包括多个轨迹点的全局规划轨迹，用于跟踪在所述静态规划路径上与所述机器人相隔一段距离的位置；

所述局部规划包括，按照第二时间间隔，生成用于控制所述机器人运动的运动命令，以跟踪所述全局规划轨迹的轨迹点，所述第二时间间隔小于所述第一时间间隔。

7.如权利要求6所述的方法，其中，当所述全局规划或局部规划失败时，根据机器人的当前位置和目标位置，重新生成所述静态规划路径。

8.如权利要求5所述的方法，其中，所述全局地图包括预先存储的静态地图和由所述全局传感器的感测信息形成的动态地图，所述局部地图包括由所述局部传感器的感测信息形成的动态地图，所述全局地图的尺寸大于所述局部地图。

9.一种自适应的机器人导航装置，所述机器人配置有多个传感器和多个规划算法，所述机器人导航装置包括：

实时状态确定单元，用于实时感测和确定所述机器人的当前外部环境和内部条件；

传感器选择单元，用于基于机器人的当前外部环境和内部条件从所述多个传感器中选择传感器；

规划算法选择单元，用于基于机器人的当前外部环境和内部条件从所述多个规划算法中选择规划算法；以及

规划执行单元，用于基于所选择的传感器的感测信息和所选择的规划算法，产生规划轨迹并控制机器人沿所述规划轨迹运动。

10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行如权利要求1至8中任一项所述的自适应的机器人导航方法。

Images