CN112033423A - 一种基于道路共识的机器人路径规划方法、装置和机器人 - Google Patents

Abstract

本发明公开一种基于道路共识的机器人路径规划方法、装置和机器人，当本机器人的位置附近存在其他运动的机器人时，本机器人开始基于道路共识重新规划路线，即沿着本机器人的全局路径从机器人当前位置到子目标的这段区域构建出一种从左至右梯度逐渐变低的代价地图，然后在该梯度代价地图上进行路径搜索，从而为本机器人生成一条靠右行驶的路径，不仅保证了机器人的通过性，而且灵活性高、实时避障能力强，提升了用户体验。

Description

一种基于道路共识的机器人路径规划方法、装置和机器人

【技术领域】

本发明涉及智能机器人领域，尤其涉及一种基于道路共识的机器人路径规划方法、装置和机器人。

【背景技术】

随着服务机器人行业对自身应用场景的不断开拓，厂商们已意识到大部分场景下需要多个机器人协同执行任务，方可确保及时完成任务。为了确保多个机器人一同执行任务时不会发生道路冲突，即：每个机器人的行走路线不存在交叉，通常的解决方案有两种：第一种循线式——预先在环境中设定多条行走路线，当多个机器人执行任务时通过中央调度规划器进行分配，以确保每个机器人的路线无交叉，该种方法稳定可靠，但是灵活性差；第二种规划式——中央调度规划器先规划一台机器人的路线，然后将该机器人的路线映射为环境地图中的障碍，通过这种方法再逐个规划其他机器人的路线，该方法对外部依赖少，灵活性强，但是空间通过性较差。对此，如何确保多机器人间避障的灵活性与空间通过性已成为一项关键的任务。

【发明内容】

本发明提供了一种基于道路共识的机器人路径规划方法、装置和机器人，解决了机器人路径规划中难以同时保证灵活性和空间通过性的技术问题。

本发明解决上述技术问题的技术方案如下：一种基于道路共识的机器人路径规划方法，包括以下步骤：

S1，判断预设距离内是否存在其他机器人，若否，则采用预设自由路径规划算法为机器人进行路径规划，若是，则执行S2；(BFS、DFS、Dijkstra、A*、D*、D*lite算法)

S2，规划机器人从当前位置运动到目标位置的全局路径，并获取所述全局路径上的子目标；

S3，按照机器人靠右行驶原则为机器人构建当前位置到所述子目标的区域范围的梯度代价地图，所述梯度代价地图中从左至右的梯度逐渐降低；

S4，采用预设算法在所述梯度代价地图上进行路径搜索，为机器人建立所述区域范围对应的靠右行驶路径；

S5，当机器人运动至所述子目标后，重复步骤S1-S4，直至机器人运动到所述目标位置。

在一个优选实施方式中，所述按照机器人靠右行驶原则为机器人构建当前位置到子目标的区域范围的梯度代价地图，具体包括以下步骤：

S301，沿着所述全局路径提取机器人从当前位置运动到所述子目标的全局子路径上的所有路径点，并形成点集P{p⁰,p¹,p²,…pⁿ}；

S302，在点集P{p⁰,p¹,p²,…pⁿ}中从前至后依次取出点对{pⁱ,pⁱ⁺¹}，所述i∈(0，n)，并计算每个点对的方向矢量

为：

S303，计算每个点对{pⁱ,pⁱ⁺¹}对应的法向量

S304，以每个点对{pⁱ,pⁱ⁺¹}在方向矢量

上的中点作为对称点，并沿着法向量方向在所述对称点两侧分别扩展长度L，形成每个点对{pⁱ,pⁱ⁺¹}对应的点对区域，对每个点对区域中栅格的代价值按照左高右低的梯度进行赋值，以形成当前位置到子目标的整个区域范围对应的梯度代价地图；所述点对区域的左端点对应最大代价值记作c_max,所述点对区域的右端点对应最小代价估计值记作c_min,中间区域l处的代价值为：

在一个优选实施方式中，所述规划机器人从当前位置运动到目标位置的全局路径，并获取全局路径上的子目标，具体以下步骤：

S201，采用极坐标建模方法对机器人运动空间进行环境建模，并采用重力粒子群搜索算法、遗传算法、蚁群算法、A*算法和/或D*算法规划出从当前位置运动到目标位置的全局路径；

S202，根据预设距离内其他机器人的当前位置，获取全局路径上的子目标。

在一个优选实施方式中，所述采用预设算法在梯度代价地图上进行路径搜索，为机器人建立区域范围对应的靠右行驶路径，具体包括以下步骤：

S401，根据A*算法及所述梯度代价地图中每个栅格的代价值，搜索从当前位置到子目标的最小代价估计值；

S402，确定所述最小代价估计值的搜索路径为所述当前位置到所述子目标的靠右行驶路径。

本发明实施例的第二方面提供了一种基于道路共识的机器人路径规划装置，包括判断模块、子目标获取模块、地图构建模块和路径搜索模块，

所述判断模块用于判断预设距离内是否存在其他机器人，若否，则采用预设自由路径规划算法为机器人进行路径规划，若是，则驱动所述子目标获取模块；

所述子目标获取模块用于规划机器人从当前位置运动到目标位置的全局路径，并获取所述全局路径上的子目标；

所述地图构建模块用于按照机器人靠右行驶原则为机器人构建当前位置到所述子目标的区域范围的梯度代价地图，所述梯度代价地图中从左至右的梯度逐渐降低；

所述路径搜索模块用于采用预设算法在所述梯度代价地图上进行路径搜索，为机器人建立当前位置到子目标的区域范围对应的靠右行驶路径。

在一个优选实施方式中，所述地图构建模块具体包括：

点集建立单元，用于沿着所述全局路径提取机器人从当前位置运动到所述子目标的全局子路径上的所有路径点，并形成点集P{p⁰,p¹,p²,…pⁿ}；

第一计算单元，用于在点集P{p⁰,p¹,p²,…pⁿ}中从前至后依次取出点对{pⁱ,pⁱ⁺¹}，所述i∈(0，n)，并计算每个点对的方向矢量

为：

第二计算单元，用于计算每个点对{pⁱ,pⁱ⁺¹}对应的法向量

赋值单元，用于以每个点对{pⁱ,pⁱ⁺¹}在方向矢量

上的中点作为对称点，并沿着法向量

方向在所述对称点两侧分别扩展长度L，形成每个点对{pⁱ,pⁱ⁺¹}对应的点对区域，对每个点对区域中栅格的代价值按照左高右低的梯度进行赋值，以形成当前位置到子目标的整个区域范围对应的梯度代价地图；所述点对区域的左端点对应最大代价值记作c_max,所述点对区域的右端点对应最小代价估计值记作c_min,中间区域l处的代价值为：

在一个优选实施方式中，所述子目标获取模块具体包括：

全局路径获取单元，用于采用极坐标建模方法对机器人运动空间进行环境建模，并采用重力粒子群搜索算法、遗传算法、蚁群算法、A*算法和/或D*算法规划出从当前位置运动到目标位置的全局路径；

子目标获取单元，用于根据预设距离内其他机器人的当前位置，获取全局路径上的子目标。

在一个优选实施方式中，所述路径搜索模块具体包括：

搜索单元，用于根据A*算法及所述梯度代价地图中每个栅格的代价值，搜索从当前位置到子目标的最小代价估计值；

路径生成单元，用于确定所述最小代价估计值的搜索路径为所述当前位置到所述子目标的靠右行驶路径。

本发明实施例的第三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，其特征在于，所述处理器执行所述计算机程序时实现以上所述基于道路共识的机器人路径规划方法的步骤。

本发明实施例的第四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以上所述基于道路共识的机器人路径规划方法的步骤。

本发明提供了一种用于多机器人之间避障的路径规划方法，当本机器人的位置附近存在其他运动的机器人时，本机器人开始基于道路共识重新规划路线，即沿着本机器人的全局路径从机器人当前位置到子目标的这段区域构建出一种从左至右梯度逐渐变低的代价地图，然后在该梯度代价地图上进行路径搜索，从而为本机器人生成一条靠右行驶的路径，不仅保证了机器人的通过性，而且灵活性高、实时避障能力强，提升了用户体验。

为使发明的上述目的、特征和优点能更明显易懂，下文特举本发明较佳实施例，并配合所附附图，作详细说明如下。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是实施例1提供的基于道路共识的机器人路径规划方法的流程示意图；

图2是实施例1提供的机器人路径规划方法中所构建点对的安全区域包围盒的示意图；

图3是实施例2提供的基于道路共识的机器人路径规划装置的结构示意图；

图4是实施例3提供的一种控制器的电路结构示意图。

【具体实施方式】

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。再者，本发明所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定，仅是对功能和作用基本相同的相同项或相似项进行区分。

本发明实施例的机器人可以被构造成任何合适形状，以便实现特定业务功能操作，例如，本发明实施例机器人可以为清洁机器人、宠物机器人、搬运机器人、看护机器人等等。其中，清洁机器人包括且不限于扫地机器人、吸尘机器人、拖地机器人或洗地机器人等等。

所述机器人一般包括壳体、传感器单元、驱动轮部件、存储部件及控制器。壳体的外形大体上呈圆形，在一些实施例中，壳体的外形可以大体上呈椭圆形、三角形、D形、柱形或其他形状。

传感器单元用于采集机器人的一些运动参数及环境空间各类数据。在一些实施例中，传感器单元包括激光雷达,激光雷达安装于壳体上方，其安装高度高于所述壳体的顶部面壳高度，激光雷达用于检测机器人与障碍物之间的障碍物距离。在一些实施例中，传感器单元还可以包括惯性测量单元(Inertial measurement unit，IMU)、陀螺仪、磁场计、加速度计或速度计、光学摄像头等等。

驱动轮部件安装于壳体并驱动机器人在各种空间上移动，在一些实施例中，驱动轮部件包括左驱动轮、右驱动轮及全向轮，左驱动轮和右驱动轮分别安装于壳体的相对两侧。左驱动轮和右驱动轮被配置为至少部分可伸出及缩回壳体的底部。全向轮安装于壳体的底部的靠前位置，全向轮为活动脚轮，可以水平360度旋转，以使得机器人可以灵活转向。左驱动轮、右驱动轮及全向轮的安装构成三角形，以提高机器人行走的平稳性。当然，在一些实施例中，驱动轮部件还可以采用其他结构，比如全向轮可被省略，只留左驱动轮与右驱动轮亦可以驱动机器人正常行走。

在一些实施例中，机器人还配置有清洁部件和/或存储部件，存储部件安装于收容槽内，从而完成清洁任务、递送任务等等。

控制器分别与左驱动轮、右驱动轮、全向轮及激光雷达电连接。控制器作为机器人的控制核心，用于控制机器人行走、后退以及一些业务逻辑处理。

在一些实施例中，控制器可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、AR(Acorn RISCMachine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有，控制器还可以是任何传统处理器、控制器、微控制器或状态机。控制器也可以被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。

在一些实施例中，上述机器人在活动的过程中，控制器采用SLAM(simultaneouslocalization and mapping，即时定位与建图技术)技术，根据环境数据构建地图和定位。控制器基于被建立好的地图以及机器人的位置，通过全覆盖路径规划算法指示机器人完全遍历一个环境空间。例如，在机器人遍历时，传感器单元获取遍历区域的图像，其中，该遍历区域的图像可以为整片遍历区域的图像，亦可以为整片遍历区域中局部遍历区域的图像。控制器根据遍历区域的图像生成地图，该地图已指示机器人需要遍历的区域以及位于遍历区域中的障碍物所在的坐标位置。当机器人每遍历完一个位置或区域后，机器人基于该地图，标记该位置或区域已被遍历。并且，由于障碍物在地图中是以坐标方式被标记，机器人遍历时，可以根据当前位置对应的坐标点与障碍物涉及的坐标点，判断与障碍物之间的距离，从而实现环绕障碍物作遍历工作。同理，位置或区域已遍历而被标记后，当机器人下一个位置将会移动至该位置或该区域时，机器人基于该地图以及该位置或该区域的标记，作出转弯调头或者停止遍历的策略。

可以理解的是，控制器还可以根据多种方式识别已遍历位置或区域，或者，识别障碍物，从而作出满足产品需求的控制策略。

请参阅图1，为本发明实施例1提供一种基于道路共识的机器人路径规划方法的流程示意图，如图1所示，方法包括以下步骤：

S1，判断预设距离内是否存在其他机器人，若否，则采用预设自由路径规划算法为机器人进行路径规划，若是，则执行S2。

连接起点位置和终点位置的序列点或曲线称之为路径，构成路径的策略称之为路径规划，根据对环境信息的把握程度可把路径规划划分为基于先验完全信息的全局路径规划和基于传感器信息的局部路径规划，其中全局路径是指机器人在有障碍物的环境内，按照一种或多种性能指标，寻找一条从起点位置到终点位置的路径，该路径可能经过障碍物。本实施例首先判断在预设距离内是否存在其他运动机器人，比如可以将机器人的感知区域视为滚动窗口，若滚动窗口内出现其他运动机器人，则判断在预设距离存在其他运动机器人。在其他实施例中，也可以设置一个更远的预设距离，比如设置为用于防撞的膨化距离，然后通过设置在本机器人上的激光雷达获取与其他运动机器人之间的实时距离，若实时距离小于所述预设距离，则执行S2的步骤进行避障，若大于所述预设距离，则按照预设自由路径规划算法，比如BFS、DFS、Dijkstra、A*、D*、D*lite算法以及粒子群、蚁群等算法为本机器人规划全局路径或者局部路径。

S2，规划机器人从当前位置运动到目标位置的全局路径，并获取所述全局路径上的子目标。一个优选实施例中，具体包括以下步骤：

S201，采用极坐标建模方法对机器人运动空间进行环境建模，并采用重力粒子群搜索算法、遗传算法、蚁群算法、A*算法和/或D*算法规划出从当前位置运动到目标位置的全局路径。现有技术中存在采用极坐标建模以及采用重力粒子群搜索算法、遗传算法、蚁群算法、A*算法和/或D*算法进行全局路径规划的具体描述，在此不进行详细说明。当然，其他实施例中也可以采用其他方法为机器人规划全局路径，在此也不进行详细说明，但是均在本发明的保护范围以内。

S202，根据预设距离内其他机器人的当前位置，获取全局路径上的子目标。具体来说，可以将机器人的感知区域视为滚动窗口，当滚动窗口内出现动态障碍物，即其他运动机器人时，将滚动窗口边界与全局路径的交点所在栅格作为所述全局路径上的子目标。或者采集预设距离内其他运动机器人的当前位置，对该运动机器人进行Δt膨化处理生成该运动机器人对应的T-膨化区域，该T-膨化区域为该运动机器人在预设时长后所能到达的区域范围，然后将该T-膨化区域与所述全局路径的交点所在栅格作为所述全局路径上的子目标，从而进行避障。

S3，按照机器人靠右行驶原则为机器人构建当前位置到所述子目标的区域范围的梯度代价地图，所述梯度代价地图中从左至右的梯度逐渐降低。具体实施例包括以下步骤：

S301，沿着所述全局路径提取机器人从当前位置运动到所述子目标的全局子路径上的所有路径点，并形成点集P{p⁰,p¹,p²,…pⁿ}；

S302，在点集P{p⁰,p¹,p²,…pⁿ}中从前至后依次取出点对{pⁱ,pⁱ⁺¹}，所述i∈(0，n)，并计算每个点对的方向矢量

为：

S303，计算每个点对{pⁱ,pⁱ⁺¹}对应的法向量

S304，以每个点对{pⁱ,pⁱ⁺¹}在方向矢量

上的中点作为对称点，并沿着法向量

方向在所述对称点两侧分别扩展长度L，形成每个点对{pⁱ,pⁱ⁺¹}对应的点对区域，如图2所示。对每个点对区域中栅格的代价值按照左高右低的梯度进行赋值，以形成当前位置到子目标的整个区域范围对应的梯度代价地图；所述点对区域的左端点对应最大代价值记作c_max,所述点对区域的右端点对应最小代价估计值记作c_min,中间区域l处的代价值为：

其中l以右端点为起点进行测量，即越靠近右端点的栅格对应的代价值越小。

栅格地图是指把环境区域划分成一系列栅格，不同颜色或像素的栅格代表不同的地标标志，这些标志可以表达环境空间内地面的大致情况，机器人通过栅格地图，就可以获知可以通行的区域、不可以通行的区域以及可以通行但障碍物较多的区域等等。同时梯度代价地图中标记每个区域对应栅格的代价值，所述代价值用于指示栅格对应区域干扰机器人通行的程度，代价值越高，代表栅格对应的区域对机器人的通行干扰越大；代价值越低，代表栅格对应的区域对机器人的通行干扰越小。本实施例是基于道路共识，即靠右行驶原则给机器人进行路径规划，因此点对区域中栅格的代价值按照左高右低的梯度进行代价值赋值，从而为机器人生成一条靠右行驶路径。

然后执行S4，采用预设算法在所述梯度代价地图上进行路径搜索，为机器人建立所述区域范围对应的靠右行驶路径，具体可以采用Dijkstra、A*、D*或者D*lite算法生成靠右行驶路径。优选实施例采用A*算法，A*算法是人工智能中一种典型的启发式搜索算法，通过选择合适的估计函数来约束搜索的过程。A*算法估计函数的表达形式为：

F(n)＝G(n)+H(n)；

其中，F(n)是从起始节点通过节点n的到达目标节点的最小代价估计值，G(n)是从起始节点到n节点的已搜索过的路径的实际代价，H(n)是从节点n到目标节点的代价估计值。机器人在规划从起始节点到目标节点的路径时，通过计算从起始节点到目标节点所经过区域的代价值，再根据A*算法和计算获取的代价值，可以得到从起始节点到目标节点最小代价估计值对应的路径，该路径即是从起始节点到目标节点的最优路径，从而提高机器人的通过性能，改善用户体验。具体包括以下步骤，

S401，根据A*算法及所述梯度代价地图中每个栅格的代价值，搜索从当前位置到子目标的最小代价估计值。机器人可以通过多个路径从当前位置运动到子目标，但各个路径的代价值不同，机器人在规划路径时，首先确定每个区域对应栅格的代价值，计算各个路径所占区域的代价值之和，再根据A*算法确定从当前位置到子目标的最小代价估计值，并确定该最小代价估计值的各个区域。

S402，确定所述最小代价估计值的搜索路径为所述当前位置到所述子目标的靠右行驶路径。

最后执行S5，当机器人运动至所述子目标后，重复以上步骤S1-S4，直至机器人运动到所述目标位置。

本实施例提供了一种用于多机器人之间避障的路径规划方法，当本机器人的位置附近存在其他运动的机器人时，本机器人开始基于道路共识重新规划路线，即沿着本机器人的全局路径从机器人当前位置到子目标的这段区域构建出一种从左至右梯度逐渐变低的代价地图，然后在该梯度代价地图上进行路径搜索，从而为本机器人生成一条靠右行驶的路径，不仅保证了机器人的通过性，而且灵活性高、实时避障能力强，提升了用户体验。

需要说明的是，在上述各个实施例中，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本发明实施例的描述可以理解，不同实施例中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。

作为本发明实施例的另一方面，本发明实施例还提供一种基于道路共识的机器人路径规划装置。其中，机器人路径规划装置可以为软件模块，所述软件模块包括若干指令，其存储在电调中的存储器内，处理器可以访问该存储器，调用指令进行执行，以完成上述各个实施例所阐述的基于道路共识的机器人路径规划方法。

在一些实施例中，机器人路径规划装置亦可以由硬件器件搭建成的，例如，机器人路径规划装置可以由一个或两个以上的芯片搭建而成，各个芯片可以互相协调工作，以完成上述各个实施例所阐述的基于道路共识的机器人路径规划方法。再例如，机器人路径规划装置还可以由各类逻辑器件搭建而成，诸如由通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISC Machine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合而搭建成。

图3是本发明实施例2提供一种基于道路共识的机器人路径规划装置的结构示意图，该机器人路径规划装置包括判断模块100、子目标获取模块200、地图构建模块300和路径搜索模块400，

所述判断模块100用于判断预设距离内是否存在其他机器人，若否，则采用预设自由路径规划算法为机器人进行路径规划，若是，则驱动所述子目标获取模块；

所述子目标获取模块200用于规划机器人从当前位置运动到目标位置的全局路径，并获取所述全局路径上的子目标；

所述地图构建模块300用于按照机器人靠右行驶原则为机器人构建当前位置到所述子目标的区域范围的梯度代价地图，所述梯度代价地图中从左至右的梯度逐渐降低；

所述路径搜索模块400用于采用预设算法在所述梯度代价地图上进行路径搜索，为机器人建立当前位置到子目标的区域范围对应的靠右行驶路径。

在一个优选实施方式中，所述地图构建模块300具体包括：

点集建立单元301，用于沿着所述全局路径提取机器人从当前位置运动到所述子目标的全局子路径上的所有路径点，并形成点集P{p⁰,p¹,p²,…pⁿ}；

第一计算单元302，用于在点集P{p⁰,p¹,p²,…pⁿ}中从前至后依次取出点对{pⁱ,p^{i +1}}，所述i∈(0，n)，并计算每个点对的方向矢量

为：

第二计算单元303，用于计算每个点对{pⁱ,pⁱ⁺¹}对应的法向量

赋值单元304，用于以每个点对{pⁱ,pⁱ⁺¹}在方向矢量

上的中点作为对称点，并沿着法向量

方向在所述对称点两侧分别扩展长度L，形成每个点对{pⁱ,pⁱ⁺¹}对应的点对区域，对每个点对区域中栅格的代价值按照左高右低的梯度进行赋值，以形成当前位置到子目标的整个区域范围对应的梯度代价地图；所述点对区域的左端点对应最大代价值记作c_max,所述点对区域的右端点对应最小代价估计值记作c_min,中间区域l处的代价值为：

在一个优选实施方式中，所述子目标获取模块200具体包括：

全局路径获取单元201，用于采用极坐标建模方法对机器人运动空间进行环境建模，并采用重力粒子群搜索算法、遗传算法、蚁群算法、A*算法和/或D*算法规划出从当前位置运动到目标位置的全局路径；

子目标获取单元202，用于根据预设距离内其他机器人的当前位置，获取全局路径上的子目标。

在一个优选实施方式中，所述路径搜索模块400具体包括：

搜索单元401，用于根据A*算法及所述梯度代价地图中每个栅格的代价值，搜索从当前位置到子目标的最小代价估计值；

路径生成单元402，用于确定所述最小代价估计值的搜索路径为所述当前位置到所述子目标的靠右行驶路径。

在一些实施例中，该机器人路径规划装置还包括控制模块500，用于控制机器人按照所述靠右行驶路径从当前位置移动到目标位置。

需要说明的是，上述机器人路径规划装置可执行本发明实施例所提供的机器人路径规划方法，具备执行方法相应的功能模块和有益效果。未在机器人路径规划装置实施例中详尽描述的技术细节，可参见本发明实施例所提供的机器人路径规划方法。

图4是本发明实施例提供的一种控制器的电路结构示意图。如图4所示，该控制器600包括一个或多个处理器61以及存储器62。其中，图4中以一个处理器61为例。

处理器61和存储器62可以通过总线或者其他方式连接，图4中以通过总线连接为例。

存储器62作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的机器人路径规划方法对应的程序指令/模块。处理器61通过运行存储在存储器62中的非易失性软件程序、指令以及模块，从而执行机器人路径规划装置的各种功能应用以及数据处理，即实现上述方法实施例提供的机器人路径规划方法以及上述装置实施例的各个模块或单元的功能。

存储器62可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器62可选包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至处理器61。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述程序指令/模块存储在所述存储器62中，当被所述一个或者多个处理器61执行时，执行上述任意方法实施例中的机器人路径规划方法。

本发明实施例还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如图4中的一个处理器61，可使得上述一个或多个处理器可执行上述任意方法实施例中的机器人路径规划方法。

本发明实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被电子设备执行时，使所述电子设备执行任一项所述的机器人路径规划方法。

以上所描述的装置或设备实施例仅仅是示意性的，其中所述作为分离部件说明的单元模块可以是或者也可以不是物理上分开的，作为模块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模块单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

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各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围。

Claims (10)

1.一种基于道路共识的机器人路径规划方法，其特征在于，包括以下步骤：

S1，判断预设距离内是否存在其他机器人，若否，则采用预设自由路径规划算法为机器人进行路径规划，若是，则执行S2；

S2，规划机器人从当前位置运动到目标位置的全局路径，并获取所述全局路径上的子目标；

S3，按照机器人靠右行驶原则为机器人构建当前位置到所述子目标的区域范围的梯度代价地图，所述梯度代价地图中从左至右的梯度逐渐降低；

S4，采用预设算法在所述梯度代价地图上进行路径搜索，为机器人建立所述区域范围对应的靠右行驶路径；

S5，当机器人运动至所述子目标后，重复步骤S1-S4，直至机器人运动到所述目标位置。

2.根据权利要求1所述基于道路共识的机器人路径规划方法，其特征在于，所述按照机器人靠右行驶原则为机器人构建当前位置到子目标的区域范围的梯度代价地图，具体包括以下步骤：

S301，沿着所述全局路径提取机器人从当前位置运动到所述子目标的全局子路径上的所有路径点，并形成点集P{p⁰，p¹，p²，...pⁿ}；

S302，在点集P{p⁰，p¹，p²，...pⁿ}中从前至后依次取出点对{pⁱ，pⁱ⁺¹}，所述i∈(0，n)，并计算每个点对的方向矢量

为：

S303，计算每个点对{pⁱ，pⁱ⁺¹}对应的法向量

S304，以每个点对{pⁱ，pⁱ⁺¹}在方向矢量

上的中点作为对称点，并沿着法向量

方向在所述对称点两侧分别扩展长度L，形成每个点对{pⁱ，pⁱ⁺¹}对应的点对区域，对每个点对区域中栅格的代价值按照左高右低的梯度进行赋值，以形成当前位置到子目标的整个区域范围对应的梯度代价地图；所述点对区域的左端点对应最大代价值记作c_max，所述点对区域的右端点对应最小代价估计值记作c_min，中间区域l处的代价值为：

3.根据权利要求1或2所述基于道路共识的机器人路径规划方法，其特征在于，所述规划机器人从当前位置运动到目标位置的全局路径，并获取全局路径上的子目标，具体以下步骤：

S201，采用极坐标建模方法对机器人运动空间进行环境建模，并采用重力粒子群搜索算法、遗传算法、蚁群算法、A*算法和/或D*算法规划出从当前位置运动到目标位置的全局路径；

S202，根据预设距离内其他机器人的当前位置，获取全局路径上的子目标。

4.根据权利要求3所述基于道路共识的机器人路径规划方法，其特征在于，所述采用预设算法在梯度代价地图上进行路径搜索，为机器人建立区域范围对应的靠右行驶路径，具体包括以下步骤：

S401，根据A*算法及所述梯度代价地图中每个栅格的代价值，搜索从当前位置到子目标的最小代价估计值；

S402，确定所述最小代价估计值的搜索路径为所述当前位置到所述子目标的靠右行驶路径。

5.一种基于道路共识的机器人路径规划装置，其特征在于，包括判断模块、子目标获取模块、地图构建模块和路径搜索模块，

所述判断模块用于判断预设距离内是否存在其他机器人，若否，则采用预设自由路径规划算法为机器人进行路径规划，若是，则驱动所述子目标获取模块；

所述子目标获取模块用于规划机器人从当前位置运动到目标位置的全局路径，并获取所述全局路径上的子目标；

所述地图构建模块用于按照机器人靠右行驶原则为机器人构建当前位置到所述子目标的区域范围的梯度代价地图，所述梯度代价地图中从左至右的梯度逐渐降低；

所述路径搜索模块用于采用预设算法在所述梯度代价地图上进行路径搜索，为机器人建立当前位置到子目标的区域范围对应的靠右行驶路径。

6.根据权利要求5所述基于道路共识的机器人路径规划装置，其特征在于，所述地图构建模块具体包括：

点集建立单元，用于沿着所述全局路径提取机器人从当前位置运动到所述子目标的全局子路径上的所有路径点，并形成点集P{p⁰，p¹，p²，...pⁿ}；

第一计算单元，用于在点集P{p⁰，p¹，p²，...pⁿ}中从前至后依次取出点对{pⁱ，pⁱ⁺¹}，所述i∈(0，n)，并计算每个点对的方向矢量

为：

第二计算单元，用于计算每个点对{pⁱ，pⁱ⁺¹}对应的法向量

赋值单元，用于以每个点对{pⁱ，pⁱ⁺¹}在方向矢量

上的中点作为对称点，并沿着法向量

方向在所述对称点两侧分别扩展长度L，形成每个点对{pⁱ，pⁱ⁺¹}对应的点对区域，对每个点对区域中栅格的代价值按照左高右低的梯度进行赋值，以形成当前位置到子目标的整个区域范围对应的梯度代价地图；所述点对区域的左端点对应最大代价值记作c_max，所述点对区域的右端点对应最小代价估计值记作c_min，中间区域l处的代价值为：

7.根据权利要求5或6所述基于道路共识的机器人路径规划装置，其特征在于，所述子目标获取模块具体包括：

全局路径获取单元，用于采用极坐标建模方法对机器人运动空间进行环境建模，并采用重力粒子群搜索算法、遗传算法、蚁群算法、A*算法和/或D*算法规划出从当前位置运动到目标位置的全局路径；

子目标获取单元，用于根据预设距离内其他机器人的当前位置，获取全局路径上的子目标。

8.根据权利要求7所述基于道路共识的机器人路径规划装置，其特征在于，所述路径搜索模块具体包括：

搜索单元，用于根据A*算法及所述梯度代价地图中每个栅格的代价值，搜索从当前位置到子目标的最小代价估计值；

路径生成单元，用于确定所述最小代价估计值的搜索路径为所述当前位置到所述子目标的靠右行驶路径。

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4任一项所述方法的步骤。

10.一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4任一项所述方法的步骤。

Images