CN112099493B - 一种自主移动机器人轨迹规划方法、系统及设备 - Google Patents

一种自主移动机器人轨迹规划方法、系统及设备 Download PDF

Info

Publication number
CN112099493B
CN112099493B CN202010898857.5A CN202010898857A CN112099493B CN 112099493 B CN112099493 B CN 112099493B CN 202010898857 A CN202010898857 A CN 202010898857A CN 112099493 B CN112099493 B CN 112099493B
Authority
CN
China
Prior art keywords
path
point
speed
obstacle
robot
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
CN202010898857.5A
Other languages
English (en)
Other versions
CN112099493A (zh
Inventor
郑南宁
简志强
陈仕韬
张崧翌
张稼慧
辛景民
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010898857.5A priority Critical patent/CN112099493B/zh
Publication of CN112099493A publication Critical patent/CN112099493A/zh
Application granted granted Critical
Publication of CN112099493B publication Critical patent/CN112099493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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

Abstract

本发明公开一种自主移动机器人轨迹规划方法、系统及设备，方法包括以下步骤：获取路径规划信号，生成待选路径组，采用状态栅格采样法和五次样条插值算法生成待选路径组，同时生成每条待选路径对应的拓展路径；基于所述待选路径组，选择最优路径；基于非障碍物影响损失和障碍物影响损失衡量得到最优路径，其中损失最小的路径为最优路径；生成最优路径对应的速度曲线，得到移动轨迹；根据移动轨迹、机器人的运动状态以及障碍物对轨迹的影响判断当前轨迹是否适合机器人继续跟随，沿着移动轨迹前行或重新规划路径；有效提升自主移动机器人的灵活性，降低碰撞风险；基于滑动窗关键点提取的速度曲线生成方法可以生成平滑的速度曲线。

Description

一种自主移动机器人轨迹规划方法、系统及设备
技术领域
本发明属于自主移动机器人技术领域，具体涉及一种自主移动机器人轨迹规划方法、系统及设备。
背景技术
轨迹规划是自主移动机器人系统中的重要组成部分。它包括了两个方面的内容。第一个是对于自主移动机器人行驶路径的规划，第二个是生成机器人的速度曲线。轨迹规划的目的在于实现自主移动机器人在全局导航引导下与障碍物的交互。
优秀的规划算法在与障碍物的交互中应该表现出机器人的智能性。可以认为机器人与障碍物交互的智能性应该体现在两个方面。第一，在沿规划路径行驶的过程中，机器人在保障通过障碍物的前提下，尽可能的与障碍物保持合适的距离。第二，在无法与障碍物保持足够距离时，机器人应该谨慎地通过障碍物，即机器人在通过障碍物时离障碍物距离越近，速度应该越低。
当前轨迹规划技术在考虑障碍物对路径的影响时存在缺陷，会导致机器人在避障过程中离障碍物过近，灵活性下降，风险提升。另一方面，当前技术往往只给出速度阶跃，而无法生成平滑的速度曲线。
发明内容
为了解决现有技术中存在的问题，本发明提供一种自主移动机器人轨迹规划方法、系统及设备，通过待选路径规划、最优路径选择、速度曲线生成和行驶监控，根据障碍物距离和路径曲线限制，生成连续平滑的速度曲线，协同体现出自主移动机器人与障碍物交互过程中的智能性。
为了实现上述目的，本发明采用的技术方案是，一种自主移动机器人轨迹规划方法，包括以下步骤：
获取路径规划信号，生成待选路径组，采用状态栅格采样法和五次样条插值算法生成待选路径组，同时生成每条待选路径对应的拓展路径；
基于所述待选路径组，选择最优路径；基于非障碍物影响损失和障碍物影响损失衡量得到最优路径，路径损失＝非障碍物影响损失+障碍物影响损失，其中损失最小的路径为最优路径；
生成所述最优路径对应的速度曲线，得到移动轨迹；
根据所述移动轨迹、机器人的运动状态以及障碍物对轨迹的影响判断当前轨迹是否适合机器人继续跟随；判断的条件为未行驶路径与障碍物的距离是否小于阈值，如果小于则不适合继续跟随，同时生成重新规划信号；实时判断机器人是否已经到达行驶路径终点，如果是，生成重新规划信号，如果不是终点，则继续沿着移动轨迹前行。
以全局导航路径作为参考线，分别沿着参考线的纵向方向和横向方向以设定间隔进行采样，即设定多个采样目标点；
获取所述采样目标点对应于参考先的纵向偏移量和横向偏移量；同时得到参考线中与采样目标点拥有相同纵向偏移量的参考点以及所述参考点的坐标、朝向和曲率；
获取采样目标点在笛卡尔坐标系下的位姿；
生成从机器人到当前位姿到采样目标点的曲线；
基于所有采样目标点生成多样化的待选路径组。
获取机器人初始点到采样目标点的路径；
以采样目标点为新的起点获取下一个采样目标点的横向偏移量与采样目标点的横向偏移量相同，得到所述下一个采样目标点笛卡尔坐标系下的位姿；
生成从机器人到当前位姿到所述下一个采样目标点的曲线；
基于所有采样目标点生成所有待选路径对应的拓展路径。
非障碍物影响损失包括路径的最大曲率
Figure BDA0002659326420000031
和路径的采样目标点在参考线的横向偏移量di,j，可以通过以下表达式计算路径Pathi,j的非障碍物影响损失
Figure BDA0002659326420000032
Figure BDA0002659326420000033
其中，κthres为最大曲率阈值，曲率大于所述最大曲率阈值的路径不加入待选路径组，dmax为相对于参考线的最大横向偏移量，wcur为曲率损失的权重，weff为横向偏移量损失权重。
将障碍物影响损失转化为计算机器人到一个障碍物的距离，将机器人和障碍为都设定为矩形边界框，计算两个矩形之间的距离，具体如下：
首先，判断两个矩形外接圆之间的距离，如果大于给定阈值，则认为两矩形之间的距离为最大值；如果不满足，则矩形之间的距离计算分为两个过程，第一个过程为判断两个矩形是否重叠，分离轴定理进行判断；如果重叠，则两个矩形之间的距离为0，如果不重叠，则两个矩形的最小距离必然是一个矩形的某一个角点到另一个矩形的某一条边；计算两个矩形每一个角点到另一个矩形每一条边的全部距离，这些距离的最小值就是两个矩形的距离。
计算障碍物对路径的影响时引入距离衰减损失计算模型
Figure BDA0002659326420000034
其中，
Figure BDA0002659326420000035
为最终计算得到的障碍物影响损失；wobs为风险权重；n为路径Pathi,j的采样点数量；lsafe为第一小节中提到的离障碍物的安全距离阈值；wcol为碰撞权重；
Figure BDA0002659326420000036
为路径Pathi,j第一个与障碍物发生碰撞的点与起点之间的弧长，如果路径没有与障碍物发生碰撞的点，则
Figure BDA0002659326420000037
等于路径的长度si,j,n。
速度曲线的生成考虑包括但不限于机器人的初始运动状态、路径曲率、碰撞风险和目的地，使用滑动窗关键点差值方法进行生成，具体的，通过滑动窗确定若干关键点，再对所有关键点进行平滑处理，然后利用插值方法得到平滑的速度曲线。
一种自主移动机器人轨迹规划系统，包括路径规划模块、路径选择模块、速度生成模块和行驶监控模块，其中，路径规划模块用于生成待选路径组；路径选择模块获取待选路径组，路径选择模块基于路径本身的属性以及障碍物对路径的影响，选择出一条最优路径；速度生成模块同样会以相同信息生成所述最优路径对应的速度曲线；行驶监控模块对所述规划的移动轨迹进行监控，控制模块获取所述移动轨迹自主移动机器人，开始沿所述移动轨迹进行移动，在机器人移动的过程中，行驶监控模块会根据生成的轨迹、机器人的运动状态以及障碍物对轨迹的影响判断当前轨迹是否适合机器人继续跟随，判断的条件为未行驶路径与障碍物的距离是否小于阈值，如果小于则不适合继续跟随；此时，行驶监控模块生成重新规划信号，路径规划模块获取所述重新规划信号，开始下一次的规划周期行驶监控模块还判断机器人是否已经到达行驶路径终点，如果是，行驶监控模块生成重新规划信号，路径规划模块获取重新规划信号。
一种设备，包括：一个或多个处理器以及存储装置，存储装置用于存储一个或多个计算机程序；
所述一个或多个计算机程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明所述的自主移动机器人轨迹规划方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明所述的自主移动机器人轨迹规划方法。
与现有技术相比，本发明至少具有以下有益效果：
待选路径组生成部分采用的是状态采样方法，最优路径选择部分中引入了一种新的距离衰减损失计算模型用于计算障碍物对路径的影响，能够选择出最符合当前情景的行驶路径，速度曲线生成时使用一种基于滑动窗关键点提取的速度曲线生成方法，能够根据障碍物距离和路径曲线限制，生成连续平滑的速度曲线，行驶监控部分用于判断是否需要对规划轨迹进行更新，上述四个部分协同实现了自主移动机器人与障碍物交互过程中的智能性，利用距离衰减损失计算模型衡量障碍物对规划路径的影响，可以有效提升自主移动机器人的灵活性，降低碰撞风险；基于滑动窗关键点提取的速度曲线生成方法可以生成平滑的速度曲线，并且机器人沿该速度曲线移动时，可以对距离较近的障碍物进行响应，表现出谨慎性。
附图说明
图1为轨迹规划方法框架图。
图2为待选路径生成示意图。
图3为自主移动机器人与障碍物交互示意图。
图4为基于滑动窗关键点提取方法示意图。
具体实施方式
本发明所提出的轨迹规划系统如图1所示，包括路径规划模块、路径选择模块、速度生成模块和行驶监控模块。
方法的工作流程如下，在接收到开始规划信号后，路径规划模块利用五次样条插值算法和状态栅格采样算法进行待选路径组生成；随后，路径选择模块获取待选路径组，路径选择模块基于路径本身的属性以及障碍物对路径的影响，选择出一条最优路径。速度生成模块同样会以与路径规划模块相同的感知输入信息生成所述最优路径对应的速度曲线。至此，移动轨迹的规划完成。行驶监控模块对所述规划的移动轨迹进行监控，控制模块获取所述移动轨迹自主移动机器人，开始沿所述移动轨迹进行移动。
在机器人移动的过程中，行驶监控模块会根据生成的轨迹、机器人的运动状态以及障碍物对轨迹的影响判断当前轨迹是否适合机器人继续跟随。判断的条件为未行驶路径与障碍物的距离是否小于阈值lsafe，如果小于则不适合继续跟随；此时，行驶监控模块生成重新规划信号，路径规划模块获取所述重新规划信号，开始下一次的规划周期。此外，行驶监控模块还判断机器人是否已经到达行驶路径终点。如果是，行驶监控模块生成重新规划信号，路径规划模块获取重新规划信号。
接下来是对规划方法中每一个模块进行详细说明。
首先是路径生成模块，其功能为生成待选路径组，待选路径组生成采用的是状态栅格采样方法，如图2所示。
以全局导航路径作为参考线，则参考线上每一个点的位姿都是已知的，分别沿着参考线的纵向方向和横向方向以设定间隔进行采样；纵向第i个采样和横向第j个采样就是采样目标点Gi,j，其对应于参考线的纵向偏移量和横向偏移量分别为li和di,j。同时，可以得到参考线中与Gi,j拥有相同纵向偏移量的参考点Ri，Ri在笛卡尔坐标系下的位姿是已知的，为
Figure BDA0002659326420000061
分别表示Ri的坐标，朝向和曲率，根据此条件，由以下表达式就可以得到Gi,j在笛卡尔坐标系下的位姿
Figure BDA0002659326420000062
Figure BDA0002659326420000063
在得到Gi,j在笛卡尔坐标系下的位姿后，下一步如图2中所示，生成一条从机器人当前位姿到Gi,j的曲线，为了保证相邻规划周期之间生成的路径是曲率连续的，用五次多项式表达规划路径的参数曲线，如下公式所示：
Figure BDA0002659326420000064
其中，sf为曲线起点到终点的弧长，可以利用弦长进行近似。然后，通过边界限制条件对表达式2中的未知参量进行求解，边界限制条件由机器人当前位姿(xAMR,yAMR,θAMR,κAMR)和Gi,j的位姿
Figure BDA0002659326420000071
计算得到，计算过程如下所示：
Figure BDA0002659326420000072
将表达式3代入到表达式2中，就可以计算得到表达式2中的未知参数，最终得到从机器人当前位姿到Gi,j路径的参数曲线。不同的Gi,j便可以计算出不同的参数曲线，生成多样化的行驶路径。另外，如果生成路径的曲率要大于所设定的最大曲率，路径将不会被加入待选路径组中。
状态采样生成路径的终点在参考线上的纵向偏移量是不一致的，会对路径选择造成不利影响。如图2所示，由于G1,1的纵向偏移量要远小于图中其他采样终点，障碍物对它的影响是最小的，但以它为目标点生成的路径并不应该是最优的。为了解决这一问题，本发明引入了拓展路径。
拓展路径是在规划的行驶路径的基础上生成的，用于辅助后续与路径相关的计算，控制模块不会获取所述拓展路径。
拓展路径的生成方法如下：在得到从初始点I到目标点Gi,j的路径后，以Gi,j为新的起点继续寻找下一个终点G′i,j。G′i,j,
Figure BDA0002659326420000086
j都具有相对于参考线相同的纵向偏移量。并且，G′i,j的横向偏移量与Gi,j相同。至此，可以通过表达式1计算出G′i,j在笛卡尔坐标系下的位姿，从而可以进一步的利用表达式2和表达式3计算获得从Gi,j到G′i,j的路径，也就是拓展路径。
至此待选路径组的生成完成，最终得到的待选路径组中每一条路径的终点在参考线上的纵向偏移量都是相同的。并且每一条路径都拥有两个部分，一个是被机器人跟踪的行驶路径,另一个是不被跟踪的拓展路径。
得到待选路径组后，再从所述待选路径组中获取最优路径，最优路径的衡量是通过损失函数计算得到的。损失函数包括两个部分，分别为非障碍物影响损失和障碍物影响损失。在进行损失计算之前，首先对路径进行定义，待选路径中一条以Gi,j为采样目标点的路径
Figure BDA0002659326420000081
Figure BDA0002659326420000082
n为Pathi,j的采样点总数，Pathi,j(k)为路径上第k个采样点的笛卡尔坐标、朝向、曲率和离路径起点的弧长所组成的元组。
路径Pathi,j的非障碍物影响损失来源于路径自身的属性，包括路径的最大曲率
Figure BDA0002659326420000083
和路径的采样目标点在参考线的横向偏移量di,j，可以通过以下表达式计算路径Pathi,j的非障碍物影响损失
Figure BDA0002659326420000084
Figure BDA0002659326420000085
其中，κthres为最大曲率阈值，曲率大于所述最大曲率阈值的路径不加入待选路径组，dmax为相对于参考线的最大横向偏移量，wcur为曲率损失的权重，weff为横向偏移量损失权重。
在计算障碍物影响损失之前，一个关键问题是如何量化障碍物对机器人沿路径移动的影响。计算机器人在路径上每一个点时到全部障碍物距离的最小值。那么问题的关键变为如何计算机器人到一个障碍物的距离。
机器人在路径上某一点时，可以用一个矩形边界框来对机器人进行表示。而障碍物也可以通过矩形边界框进行表示。综上，计算机器人到一个障碍物距离的问题转化为了计算两个矩形之间的距离。
首先，可以判断两个矩形外接圆之间的距离，如果大于给定阈值，则认为两矩形之间的距离为最大值。如果不满足，则矩形之间的距离计算分为两个过程，第一个过程为判断两个矩形是否重叠，分离轴定理进行判断。如果重叠，则两个矩形之间的距离为0。如果不重叠，则两个矩形的最小距离必然是一个矩形的某一个角点到另一个矩形的某一条边；计算两个矩形每一个角点到另一个矩形每一条边的全部距离，这些距离的最小值就是两个矩形的距离。
在得到两个矩形之间距离的计算方法后，就可以计算出机器人在路径上每一个点时，离全部障碍物的最小距离。假设路径Pathi,j中每一个点Pathi,j(k)离全部障碍物的最小距离为li,j,k，则
Figure BDA0002659326420000091
可以用于度量Pathi,j碰撞风险的依据，根据碰撞风险计算损失。
在计算损失之前，作为示例，如图3中的情景一，在这种情况下，利用最小化min(Li,j)的损失计算方法，能够轻易的判断出P3为最优路径，然而，当把一个障碍物水平向后移动，变成场景二后。最小化min(Li,j)的损失计算方法仍然会认为P3是最优路径，因为相比于其他路径，它拥有最小的min(Li,j)。但是，实际上可以看出，机器人可以沿P2移动，并在O1点进行重新规划，最后沿P6通过障碍物。这是比沿P3移动更优的策略。
由此，可以得到：障碍物对路径Pathi,j的影响不仅仅与其采样点Pathi,j(k)的碰撞风险Li,j(k)有关，还与其到起点的弧长si,j,k存在关联，在此基础上，引入距离衰减损失计算模型，如下所示：
Figure BDA0002659326420000092
其中，
Figure BDA0002659326420000093
为最终计算得到的障碍物影响损失；wobs为风险权重；n为路径Pathi,j的采样点数量；lsafe为第一小节中提到的离障碍物的安全距离阈值；wcol为碰撞权重；
Figure BDA0002659326420000094
为路径Pathi,j第一个与障碍物发生碰撞的点与起点之间的弧长，如果路径没有与障碍物发生碰撞的点，则
Figure BDA0002659326420000095
等于路径的长度si ,j,n。
接下来可以通过以下公式得到路径Pathi,j的损失：
Figure BDA0002659326420000101
计算待选路径组中每一条路径的损失，得到其中损失最小的路径就是最优路径。
此外，在兼顾准确性和效率性的基础上可以对上述过程进行进一步优化。一方面是选择合适的路径采样点数量n，合适的n可以大幅度减少计算量，并且对精度只造成轻微的影响。另一方面是用外轮廓代替矩形边界框对障碍物进行描述，外轮廓具有更高的精度，而在计算过程中，可以把外轮廓的每一条边看作一个宽度很小的矩形，并不会改变上述方法的适用性。
得到最优路径后，最后生成对应平滑的速度-弧长曲线，速度曲线的生成需要考虑包括但不限于机器人的初始运动状态、路径曲率、碰撞风险和目的地。对此，使用一种滑动窗关键点插值方法进行速度曲线生成，其思路如下：通过滑动窗确定一系列的关键点，之后对关键点进行平滑处理，最终利用插值方法得到平滑的速度曲线。
滑动窗关键点插值方法的核心在于关键点的选择，对应选中路径生成具有若干关键点的集合，所述集合中每一个元素都包含路径起点的弧长和当前点的期望速度二维信息；
作为示例，对于选中路径Path需要生成具有o个关键点的集合
Figure BDA0002659326420000102
KP中的每一个元素kpm都包含两维信息，分别是到路径起点的弧长sm和当前点的期望速度vm。
获取机器人当前位置的期望速度，采用当前关键点在历史轨迹中对应的速度作为其期望速度或机器人当前速度作为期望速度。
作为示例，机器人当前位置为第一个关键点kp1，如果存在历史轨迹，则寻找机器人当前位置在历史轨迹中对应的速度作为所述第一个关键点的期望速度v1，如果不存在历史轨迹，则以机器人当前速度作为该期望速度v1。
剩余的关键点可以通过滑动窗口进行搜索，如图4显示了第m个关键点kpm的计算过程。
第一步，以上一个关键点kpm-1的弧长sm-1为起点，以l(w)为长度构建两个连续的窗口，窗口的高度为速度幅值vmax，判断停止点s(s)是否在所述两个连续的窗口内，停止点的出现分为两种情况，第一种是路径Path上存在与障碍物距离为0的点，第二种是抵达全局导航的目的地；使用两个窗口能避免停止点s(s)与上一个关键点kpm-1距离太近，导致加速度过大。如果s(s)在任意窗口内，则以s(s)作为最后一个关键点，期望速度为0，将其加入KP，关键点的选取结束。如果不在，则进行第二步；停止点也可能不存在，这种情况下判断路径最后一个点是否在窗内。如果在，直接结束关键点选取。
第二步，获取待选关键点，其中，最重要的是计算待选关键点的期望速度vcon，vcon受到两个条件的限制，第一个是路径的曲率，第二个是碰撞风险。先可以判断路径Path的每一个采样点Path(k)是否在窗内；若Path(k)的弧长sk大于sm-1，小于sm-1+l(w)，则Path(k)在窗内；对于Path中处于窗内的采样点，可以得到采样点曲率的最大值
Figure BDA0002659326420000111
和最大碰撞风险
Figure BDA0002659326420000112
离障碍物距离越小，碰撞风险越大；最终，可以通过以下表达式得到vcon：
Figure BDA0002659326420000113
其中，vmax为设定最大速度；vmin为设定的最小速度；lsafe为前文的障碍物安全距离阈值；κthres为前文中的最大曲率阈值。得到vcon后，可以设定待选关键点的弧长为窗的中心点，也就是
Figure BDA0002659326420000114
同时，根据待选关键点和上一个关键点kpm-1可以计算出平均加速度aavg。
第三步，得到关键点kpm，判断aavg是否大于所设定的最大平均加速度，如果不大于，则待选关键点就是kpm；如果大于，则保持vcon不变，不断改变sm，直到满足aavg小于所设定的最大平均加速度，得到关键点kpm，将关键点kpm加入集合KP，不断重复上述过程，直到满足终止条件，结束关键点的选取。
在关键点选取的过程中，最重要的是对于窗宽度l(w)的选择，l(w)如果过大，得到的机器人速度的变化会较为迟缓；l(w)如果过小，则生成的速度曲线容易出现震荡，但即便选择了合适的l(w)，小幅度的震荡依然难以避免，为了进一步优化关键点，本发明使用了双边滤波器对关键点的期望速度进行了平滑处理，第m个关键点kpm平滑后的期望速度
Figure BDA0002659326420000121
的计算过程如下公式：
Figure BDA0002659326420000122
Figure BDA0002659326420000123
其中o为关键点数量；l(b)是滤波器窗口长度；σ(s)和σ(v)是滤波器相关系数。双边滤波器可以在不影响大幅度速度变化的情况下，对小幅度的速度抖动进行平滑，得到更优的速度曲线。
第四步，通过三次样条对平滑后的关键点进行插值，得到平滑的速度曲线，三次样条插值使用固定边界条件，两个端点的速度已知，只要给出两个端点的加速度就可以计算出一阶导数。起点的加速度的获取方法为在历史轨迹中寻找对应加速度，如果不存在则赋值为0。终点的加速度直接赋值为0。至此，最后一个关键点之前的速度曲线已经获得，最后一个关键点之后的速度曲线统一赋值为它的速度。
本发明一个示例中的一种计算机设备，包括存储器、具有触摸功能的显示屏、输入装置、输出装置以及通信装置，所述处理器的数量可以是一个或者多个，图中以一个处理器为例。该设备中存储器的数量可以是一个或者多个。本实施例所述设备的处理器、存储器、显示屏、输入装置、输出装置以及通信装置可以通过总线或者其他方式连接，优选通过总线连接。
存储器用于存储软件程序、计算机可执行程序以及模块，如本发明任意实施例所述的轨迹规划方法对应的程序指令/模块，存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。存储器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。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。所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。
显示屏为具有触摸功能的显示屏，显示屏用于根据处理器的指示显示数据，还用于接收作用于显示屏的触摸操作，并将相应的信号发送至处理器或其他装置。
通信装置，用于与其他设备建立通信连接，其可以是有线通信装置和/或无线通信装置。
输入装置可用于接收输入的数字或者字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置可以包括扬声器等音频设备。需要说明的是，输入装置和输出装置的具体组成可以根据实际情况设定。
处理器通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述轨迹规划方法。
具体地，实施例中，处理器执行存储器中存储的一个或多个程序时，具体实现本发明实施例提供的轨迹规划方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可实现本发明任意实施例中的轨迹规划方法。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备执行本发明所述自主移动机器人轨迹规划方法，所述计算机设备可以是个人计算机，服务器，或者网络设备。

Claims (7)

1.一种自主移动机器人轨迹规划方法，其特征在于，包括以下步骤：
获取路径规划信号，生成待选路径组，采用状态栅格采样法和五次样条插值算法生成待选路径组，同时生成每条待选路径对应的拓展路径；
基于所述待选路径组，选择最优路径；基于非障碍物影响损失和障碍物影响损失衡量得到最优路径，路径损失＝非障碍物影响损失+障碍物影响损失，其中损失最小的路径为最优路径；
生成所述最优路径对应的速度曲线，得到移动轨迹；
根据所述移动轨迹、机器人的运动状态以及障碍物对轨迹的影响判断当前轨迹是否适合机器人继续跟随；判断的条件为未行驶路径与障碍物的距离是否小于阈值，如果小于则不适合继续跟随，同时生成重新规划信号；实时判断机器人是否已经到达行驶路径终点，如果是，生成重新规划信号，如果不是终点，则继续沿着移动轨迹前行；
非障碍物影响损失包括路径的最大曲率
Figure FDA0003154147550000011
和路径的采样目标点在参考线的横向偏移量di，j，通过以下表达式计算路径Pathi，j的非障碍物影响损失
Figure FDA0003154147550000012
Figure FDA0003154147550000013
其中，κthres为最大曲率阈值，曲率大于所述最大曲率阈值的路径不加入待选路径组，dmax为相对于参考线的最大横向偏移量，wcur为曲率损失的权重，weff为横向偏移量损失权重；计算障碍物对路径的影响时引入距离衰减损失计算模型
Figure FDA0003154147550000014
其中，
Figure FDA0003154147550000015
为最终计算得到的障碍物影响损失；wobs为风险权重；n为路径Pathi，j的采样点数量；lsafe为距离障碍物的安全距离阈值；wcol为碰撞权重；
Figure FDA0003154147550000016
为路径Pathi，j第一个与障碍物发生碰撞的点与起点之间的弧长，如果路径没有与障碍物发生碰撞的点，则
Figure FDA0003154147550000017
等于路径的长度si，j，n；
得到最优路径后，最后生成对应平滑的速度-弧长曲线，速度曲线的生成需要考虑包括但不限于机器人的初始运动状态、路径曲率、碰撞风险和目的地；对此，使用滑动窗关键点插值方法进行速度曲线生成，其思路如下：通过滑动窗确定一系列的关键点，之后对关键点进行平滑处理，最终利用插值方法得到平滑的速度曲线；
滑动窗关键点插值方法的核心在于关键点的选择，对应选中路径生成具有若干关键点的集合，所述集合中每一个元素都包含路径起点的弧长和当前点的期望速度二维信息；
对于选中路径Path需要生成具有o个关键点的集合
Figure FDA0003154147550000021
KP中的每一个元素kpm都包含两维信息，分别是到路径起点的弧长sm和当前点的期望速度vm；
获取机器人当前位置的期望速度，采用当前关键点在历史轨迹中对应的速度作为其期望速度或机器人当前速度作为期望速度；
机器人当前位置为第一个关键点kp1，如果存在历史轨迹，则寻找机器人当前位置在历史轨迹中对应的速度作为所述第一个关键点的期望速度v1，如果不存在历史轨迹，则以机器人当前速度作为该期望速度v1；
剩余的关键点通过滑动窗口进行搜索；
第一步，以上一个关键点kpm-1的弧长sm-1为起点，以l(w)为长度构建两个连续的窗口，窗口的高度为速度幅值vmax，判断停止点s(s)是否在所述两个连续的窗口内，停止点的出现分为两种情况，第一种是路径Path上存在与障碍物距离为0的点，第二种是抵达全局导航的目的地；使用两个窗口能避免停止点s(s)与上一个关键点kpm-1距离太近，导致加速度过大； 如果s(s)在任意窗口内，则以s(s)作为最后一个关键点，期望速度为0，将其加入KP，关键点的选取结束；如果不在，则进行第二步；停止点也可能不存在，这种情况下判断路径最后一个点是否在窗内；如果在，直接结束关键点选取；
第二步，获取待选关键点，其中，最重要的是计算待选关键点的期望速度vcon，vcon受到两个条件的限制，第一个是路径的曲率，第二个是碰撞风险；先判断路径Path的每一个采样点Path(k)是否在窗内；若Path(k)的弧长sk大于sm-1，小于sm-1+l(w)，则Path(k)在窗内；对于Path中处于窗内的采样点，得到采样点曲率的最大值
Figure FDA0003154147550000031
和最大碰撞风险
Figure FDA0003154147550000032
离障碍物距离越小，碰撞风险越大；最终，通过以下表达式得到vcon：
Figure FDA0003154147550000033
其中，vmax为设定最大速度；vmin为设定的最小速度；lsafe为距离障碍物安全距离阈值；κthres为最大曲率阈值，得到vcon后，设定待选关键点的弧长为窗的中心点，即
Figure FDA0003154147550000034
同时，根据待选关键点和上一个关键点kpm-1计算出平均加速度aavg；
第三步，得到关键点kpm，判断aavg是否大于所设定的最大平均加速度，如果不大于，则待选关键点就是kpm；如果大于，则保持vcon不变，不断改变sm，直到满足aavg小于所设定的最大平均加速度，得到关键点kpm，将关键点kpm加入集合KP，不断重复上述过程，直到满足终止条件，结束关键点的选取；
在关键点选取的过程中，使用双边滤波器对关键点的期望速度进行平滑处理，第m个关键点kpm平滑后的期望速度
Figure FDA0003154147550000035
的计算过程如下公式：
Figure FDA0003154147550000036
Figure FDA0003154147550000037
其中o为关键点数量；l(b)是滤波器窗口长度；σ(s)和σ(v)是滤波器相关系数，双边滤波器可以在不影响大幅度速度变化的情况下，对小幅度的速度抖动进行平滑，得到更优的速度曲线；
第四步，通过三次样条对平滑后的关键点进行插值，得到平滑的速度曲线，三次样条插值使用固定边界条件，两个端点的速度已知，只要给出两个端点的加速度就可以计算出一阶导数；起点的加速度的获取方法为在历史轨迹中寻找对应加速度，如果不存在则赋值为0，终点的加速度直接赋值为0，至此，最后一个关键点之前的速度曲线已经获得，最后一个关键点之后的速度曲线统一赋值为该点的速度。
2.根据权利要求1所述的自主移动机器人轨迹规划方法，其特征在于，
以全局导航路径作为参考线，分别沿着参考线的纵向方向和横向方向以设定间隔进行采样，即设定多个采样目标点；
获取所述采样目标点对应于参考线的纵向偏移量和横向偏移量；同时得到参考线中与采样目标点拥有相同纵向偏移量的参考点以及所述参考点的坐标、朝向和曲率；
获取采样目标点在笛卡尔坐标系下的位姿；
生成从机器人到当前位姿到采样目标点的曲线；
基于所有采样目标点生成多样化的待选路径组。
3.根据权利要求1所述的自主移动机器人轨迹规划方法，其特征在于，获取机器人初始点到采样目标点的路径；
以采样目标点为新的起点获取下一个采样目标点的横向偏移量与采样目标点的横向偏移量相同，得到所述下一个采样目标点笛卡尔坐标系下的位姿；
生成从机器人到当前位姿到所述下一个采样目标点的曲线；
基于所有采样目标点生成所有待选路径对应的拓展路径。
4.根据权利要求1所述的自主移动机器人轨迹规划方法，其特征在于，将障碍物影响损失转化为计算机器人到一个障碍物的距离，将机器人和障碍为都设定为矩形边界框，计算两个矩形之间的距离，具体如下：
首先，判断两个矩形外接圆之间的距离，如果大于给定阈值，则认为两矩形之间的距离为最大值；如果不满足，则矩形之间的距离计算分为两个过程，第一个过程为判断两个矩形是否重叠，分离轴定理进行判断；如果重叠，则两个矩形之间的距离为0，如果不重叠，则两个矩形的最小距离必然是一个矩形的某一个角点到另一个矩形的某一条边；计算两个矩形每一个角点到另一个矩形每一条边的全部距离，这些距离的最小值就是两个矩形的距离。
5.一种自主移动机器人轨迹规划系统，其特征在于，包括路径规划模块、路径选择模块、速度生成模块和行驶监控模块，
其中，路径规划模块用于生成待选路径组；
路径选择模块获取待选路径组，路径选择模块基于路径本身的属性以及障碍物对路径的影响，选择出一条最优路径；
速度生成模块同样会以相同信息生成所述最优路径对应的速度曲线；非障碍物影响损失包括路径的最大曲率
Figure FDA0003154147550000051
和路径的采样目标点在参考线的横向偏移量di，j，通过以下表达式计算路径Pathi，j的非障碍物影响损失
Figure FDA0003154147550000052
Figure FDA0003154147550000053
其中，κthres为最大曲率阈值，曲率大于所述最大曲率阈值的路径不加入待选路径组，dmax为相对于参考线的最大横向偏移量，wcur为曲率损失的权重，weff为横向偏移量损失权重；计算障碍物对路径的影响时引入距离衰减损失计算模型
Figure FDA0003154147550000054
其中，
Figure FDA0003154147550000055
为最终计算得到的障碍物影响损失；wobs为风险权重；n为路径Pathi，j的采样点数量；lsafe为距离障碍物的安全距离阈值；wcol为碰撞权重；
Figure FDA0003154147550000056
为路径Pathi，j第一个与障碍物发生碰撞的点与起点之间的弧长，如果路径没有与障碍物发生碰撞的点，则
Figure FDA0003154147550000057
等于路径的长度si，j，n；得到最优路径后，最后生成对应平滑的速度-弧长曲线，速度曲线的生成需要考虑包括但不限于机器人的初始运动状态、路径曲率、碰撞风险和目的地；对此，使用滑动窗关键点插值方法进行速度曲线生成，其思路如下：通过滑动窗确定一系列的关键点，之后对关键点进行平滑处理，最终利用插值方法得到平滑的速度曲线；
滑动窗关键点插值方法的核心在于关键点的选择，对应选中路径生成具有若干关键点的集合，所述集合中每一个元素都包含路径起点的弧长和当前点的期望速度二维信息；
对于选中路径Path需要生成具有o个关键点的集合
Figure FDA0003154147550000061
KP中的每一个元素kpm都包含两维信息，分别是到路径起点的弧长sm和当前点的期望速度vm；
获取机器人当前位置的期望速度，采用当前关键点在历史轨迹中对应的速度作为其期望速度或机器人当前速度作为期望速度；
机器人当前位置为第一个关键点kp1，如果存在历史轨迹，则寻找机器人当前位置在历史轨迹中对应的速度作为所述第一个关键点的期望速度v1，如果不存在历史轨迹，则以机器人当前速度作为该期望速度v1；
剩余的关键点通过滑动窗口进行搜索；
第一步，以上一个关键点kpm-1的弧长sm-1为起点，以l(w)为长度构建两个连续的窗口，窗口的高度为速度幅值vmax，判断停止点s(s)是否在所述两个连续的窗口内，停止点的出现分为两种情况，第一种是路径Path上存在与障碍物距离为0的点，第二种是抵达全局导航的目的地；使用两个窗口能避免停止点s(s)与上一个关键点kpm-1距离太近，导致加速度过大； 如果s(s)在任意窗口内，则以s(s)作为最后一个关键点，期望速度为0，将其加入KP，关键点的选取结束；如果不在，则进行第二步；停止点也可能不存在，这种情况下判断路径最后一个点是否在窗内；如果在，直接结束关键点选取；
第二步，获取待选关键点，其中，最重要的是计算待选关键点的期望速度vcon，vcon受到两个条件的限制，第一个是路径的曲率，第二个是碰撞风险；先判断路径Path的每一个采样点Path(k)是否在窗内；若Path(k)的弧长sk大于sm-1，小于sm-1+l(w)，则Path(k)在窗内；对于Path中处于窗内的采样点，得到采样点曲率的最大值
Figure FDA0003154147550000062
和最大碰撞风险
Figure FDA0003154147550000063
离障碍物距离越小，碰撞风险越大；最终，通过以下表达式得到vcon：
Figure FDA0003154147550000071
其中，vmax为设定最大速度；vmin为设定的最小速度；lsafe为距离障碍物安全距离阈值；κthres为最大曲率阈值，得到vcon后，设定待选关键点的弧长为窗的中心点，即
Figure FDA0003154147550000072
同时，根据待选关键点和上一个关键点kpm-1计算出平均加速度aavg；
第三步，得到关键点kpm，判断aavg是否大于所设定的最大平均加速度，如果不大于，则待选关键点就是kpm；如果大于，则保持vcon不变，不断改变sm，直到满足aavg小于所设定的最大平均加速度，得到关键点kpm，将关键点kpm加入集合KP，不断重复上述过程，直到满足终止条件，结束关键点的选取；
在关键点选取的过程中，使用双边滤波器对关键点的期望速度进行平滑处理，第m个关键点kpm平滑后的期望速度
Figure FDA0003154147550000073
的计算过程如下公式：
Figure FDA0003154147550000074
Figure FDA0003154147550000075
其中o为关键点数量；l(b)是滤波器窗口长度；σ(s)和σ(v)是滤波器相关系数，双边滤波器可以在不影响大幅度速度变化的情况下，对小幅度的速度抖动进行平滑，得到更优的速度曲线；
第四步，通过三次样条对平滑后的关键点进行插值，得到平滑的速度曲线，三次样条插值使用固定边界条件，两个端点的速度已知，只要给出两个端点的加速度就可以计算出一阶导数；起点的加速度的获取方法为在历史轨迹中寻找对应加速度，如果不存在则赋值为0，终点的加速度直接赋值为0，至此，最后一个关键点之前的速度曲线已经获得，最后一个关键点之后的速度曲线统一赋值为该点的速度；
行驶监控模块对所述规划的移动轨迹进行监控，
控制模块获取所述移动轨迹，自主移动机器人开始沿所述移动轨迹进行移动，在机器人移动的过程中，行驶监控模块会根据生成的轨迹、机器人的运动状态以及障碍物对轨迹的影响判断当前轨迹是否适合机器人继续跟随，判断的条件为未行驶路径与障碍物的距离是否小于阈值，如果小于则不适合继续跟随；此时，行驶监控模块生成重新规划信号，路径规划模块获取所述重新规划信号，开始下一次的规划周期行驶监控模块还判断机器人是否已经到达行驶路径终点，如果是，行驶监控模块生成重新规划信号，路径规划模块获取重新规划信号。
6.一种设备，其特征在于，包括：一个或多个处理器以及存储装置，存储装置用于存储一个或多个计算机程序；
所述一个或多个计算机程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一项所述的自主移动机器人轨迹规划方法。
7.一种计算机可读存储介质，其上存储有计算机程序，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1-5中任一项所述的自主移动机器人轨迹规划方法。
CN202010898857.5A 2020-08-31 2020-08-31 一种自主移动机器人轨迹规划方法、系统及设备 Active CN112099493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010898857.5A CN112099493B (zh) 2020-08-31 2020-08-31 一种自主移动机器人轨迹规划方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010898857.5A CN112099493B (zh) 2020-08-31 2020-08-31 一种自主移动机器人轨迹规划方法、系统及设备

Publications (2)

Publication Number Publication Date
CN112099493A CN112099493A (zh) 2020-12-18
CN112099493B true CN112099493B (zh) 2021-11-19

Family

ID=73756663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010898857.5A Active CN112099493B (zh) 2020-08-31 2020-08-31 一种自主移动机器人轨迹规划方法、系统及设备

Country Status (1)

Country Link
CN (1) CN112099493B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112703144A (zh) * 2020-12-21 2021-04-23 华为技术有限公司 控制方法、相关设备及计算机可读存储介质
CN112783161B (zh) * 2020-12-29 2023-04-25 广东嘉腾机器人自动化有限公司 一种基于贝塞尔曲线的agv避障方法
CN112904858B (zh) * 2021-01-20 2022-04-22 西安交通大学 一种曲率连续的路径规划方法、系统及设备
CN113050627A (zh) * 2021-03-02 2021-06-29 北京旷视机器人技术有限公司 路径规划方法、装置、移动机器人及计算机存储介质
CN113119123B (zh) * 2021-04-12 2022-05-17 厦门大学 一种办公转椅生产的运动控制方法
CN113103241B (zh) * 2021-04-29 2022-08-23 哈尔滨工业大学 用于实现g2连续的机器人双nurbs轨迹插补方法、装置及系统
CN113103240B (zh) * 2021-04-29 2022-08-23 哈尔滨工业大学 用于实现c2连续的机器人轨迹规划方法、装置及系统
CN113534789B (zh) * 2021-05-18 2024-04-05 杭州壹悟科技有限公司 移动机器人三次多项式速度曲线实时规划方法及装置
CN113280819B (zh) * 2021-05-21 2024-03-08 广东美房智高机器人有限公司 一种移动机器人的作业路径数据的压缩方法
CN113721608A (zh) * 2021-08-16 2021-11-30 河南牧原智能科技有限公司 机器人局部路径规划方法、系统和可读存储介质
CN114442637B (zh) * 2022-02-10 2023-11-10 北京理工大学 一种无人车局部动态避障路径规划方法
CN115079702B (zh) * 2022-07-18 2023-06-06 江苏集萃清联智控科技有限公司 一种混合道路场景下的智能车辆规划方法和系统
CN116520822B (zh) * 2023-03-13 2023-09-19 中国人民解放军国防科技大学 一种光滑的曲率参数化表示的路径生成方法
CN116155965B (zh) * 2023-04-21 2023-06-30 天津洪荒科技有限公司 一种全方向amr的多级控制方法
CN116552261B (zh) * 2023-06-02 2023-10-10 陕西长瑞安驰信息技术集团有限公司 一种锥桶移动机器人及其应用
CN117308965B (zh) * 2023-11-28 2024-03-12 华南农业大学 基于滑动窗口算法的收获机器人自主卸粮路径规划方法
CN117405124B (zh) * 2023-12-13 2024-02-27 融科联创(天津)信息技术有限公司 一种基于大数据的路径规划方法及系统

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819264A (zh) * 2012-07-30 2012-12-12 山东大学 移动机器人路径规划q学习初始化方法
CN103076619A (zh) * 2012-12-27 2013-05-01 山东大学 一种消防员室内外3d无缝定位及姿态检测系统及方法
CN104215249A (zh) * 2014-08-26 2014-12-17 厦门市润铭电子科技有限公司 一种行车轨迹的平滑方法
CN104238560A (zh) * 2014-09-26 2014-12-24 深圳市科松电子有限公司 一种非线性路径规划方法及系统
CN105539434A (zh) * 2014-08-29 2016-05-04 通用汽车环球科技运作有限责任公司 用于躲避转向操作的路径规划方法
CN106773739A (zh) * 2017-02-28 2017-05-31 山东大学 基于遗传混沌优化算法的机器人轨迹规划方法
CN106909144A (zh) * 2017-01-22 2017-06-30 无锡卡尔曼导航技术有限公司 用于农机无人驾驶的田间避障路径规划及其控制方法
CN107883961A (zh) * 2017-11-06 2018-04-06 哈尔滨工程大学 一种基于Smooth‑RRT算法的水下机器人路径优化方法
CN108981717A (zh) * 2018-08-23 2018-12-11 王红军 一种基于双曲度规的路径规划方法
CN109159113A (zh) * 2018-08-14 2019-01-08 西安交通大学 一种基于视觉推理的机器人作业方法
CN109375632A (zh) * 2018-12-17 2019-02-22 清华大学 自动驾驶车辆实时轨迹规划方法
CN109839953A (zh) * 2019-02-19 2019-06-04 上海交通大学 基于贝塞尔曲线转接平滑的轨迹规划与速度规划方法
CN110109451A (zh) * 2019-04-10 2019-08-09 东南大学 一种考虑路径曲率的新型几何学路径跟踪算法
CN110442128A (zh) * 2019-07-20 2019-11-12 河北科技大学 基于特征点提取蚁群算法的agv路径规划方法
CN110861650A (zh) * 2019-11-21 2020-03-06 驭势科技（北京）有限公司 车辆的路径规划方法、装置，车载设备和存储介质
CN110887484A (zh) * 2019-10-14 2020-03-17 重庆邮电大学 基于改进遗传算法的移动机器人路径规划方法及存储介质
CN111487960A (zh) * 2020-03-26 2020-08-04 北京控制工程研究所 一种基于定位能力估计的移动机器人路径规划方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008070205A2 (en) * 2006-06-09 2008-06-12 Carnegie Mellon University Obstacle detection arrangements in and for autonomous vehicles
FR2924831B1 (fr) * 2007-12-11 2010-11-19 Airbus France Procede et dispositif de generation d'un ordre de vitesse de lacet pour un aeronef roulant au sol
US8392117B2 (en) * 2009-05-22 2013-03-05 Toyota Motor Engineering & Manufacturing North America, Inc. Using topological structure for path planning in semi-structured environments
EP2280241A3 (en) * 2009-07-30 2017-08-23 QinetiQ Limited Vehicle control
US9229453B1 (en) * 2014-08-29 2016-01-05 GM Global Technology Operations LLC Unified motion planner for autonomous driving vehicle in avoiding the moving obstacle
KR102623680B1 (ko) * 2015-02-10 2024-01-12 모빌아이 비젼 테크놀로지스 엘티디. 자율 주행을 위한 약도
JP2017097535A (ja) * 2015-11-20 2017-06-01 トヨタ自動車株式会社 自律移動体
CN107340768B (zh) * 2016-12-29 2020-08-28 珠海市一微半导体有限公司 一种智能机器人的路径规划方法
CN107168305B (zh) * 2017-04-01 2020-03-17 西安交通大学 路口场景下基于Bezier和VFH的无人车轨迹规划方法
US10754341B2 (en) * 2018-02-07 2020-08-25 Baidu Usa Llc Systems and methods for accelerated curve projection
US10976745B2 (en) * 2018-02-09 2021-04-13 GM Global Technology Operations LLC Systems and methods for autonomous vehicle path follower correction
CN109606352B (zh) * 2018-11-22 2020-06-26 江苏大学 一种车辆路径跟踪与稳定性协调控制方法
CN111368607B (zh) * 2018-12-26 2023-06-02 北京欣奕华科技有限公司 一种机器人、障碍物的检测方法及检测装置
CN110865642A (zh) * 2019-11-06 2020-03-06 天津大学 一种基于移动机器人的路径规划方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819264A (zh) * 2012-07-30 2012-12-12 山东大学 移动机器人路径规划q学习初始化方法
CN103076619A (zh) * 2012-12-27 2013-05-01 山东大学 一种消防员室内外3d无缝定位及姿态检测系统及方法
CN104215249A (zh) * 2014-08-26 2014-12-17 厦门市润铭电子科技有限公司 一种行车轨迹的平滑方法
CN105539434A (zh) * 2014-08-29 2016-05-04 通用汽车环球科技运作有限责任公司 用于躲避转向操作的路径规划方法
CN104238560A (zh) * 2014-09-26 2014-12-24 深圳市科松电子有限公司 一种非线性路径规划方法及系统
CN106909144A (zh) * 2017-01-22 2017-06-30 无锡卡尔曼导航技术有限公司 用于农机无人驾驶的田间避障路径规划及其控制方法
CN106773739A (zh) * 2017-02-28 2017-05-31 山东大学 基于遗传混沌优化算法的机器人轨迹规划方法
CN107883961A (zh) * 2017-11-06 2018-04-06 哈尔滨工程大学 一种基于Smooth‑RRT算法的水下机器人路径优化方法
CN109159113A (zh) * 2018-08-14 2019-01-08 西安交通大学 一种基于视觉推理的机器人作业方法
CN108981717A (zh) * 2018-08-23 2018-12-11 王红军 一种基于双曲度规的路径规划方法
CN109375632A (zh) * 2018-12-17 2019-02-22 清华大学 自动驾驶车辆实时轨迹规划方法
CN109839953A (zh) * 2019-02-19 2019-06-04 上海交通大学 基于贝塞尔曲线转接平滑的轨迹规划与速度规划方法
CN110109451A (zh) * 2019-04-10 2019-08-09 东南大学 一种考虑路径曲率的新型几何学路径跟踪算法
CN110442128A (zh) * 2019-07-20 2019-11-12 河北科技大学 基于特征点提取蚁群算法的agv路径规划方法
CN110887484A (zh) * 2019-10-14 2020-03-17 重庆邮电大学 基于改进遗传算法的移动机器人路径规划方法及存储介质
CN110861650A (zh) * 2019-11-21 2020-03-06 驭势科技（北京）有限公司 车辆的路径规划方法、装置，车载设备和存储介质
CN111487960A (zh) * 2020-03-26 2020-08-04 北京控制工程研究所 一种基于定位能力估计的移动机器人路径规划方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
High-Definition Map Combined Local Motion Planning and Obstacle Avoidance for Autonomous Driving;Zhiqiang Jian等;《2019 IEEE Intelligent Vehicles Symposium (IV)》;20190612;第2180-2186页 *
Path-Planning with Obstacle-Avoiding Minimum Curvature Variation B-splines;Tomas Berglund;《Department of Computer Science and Electrical Engineering Lule˚a University of Technology学位论文》;20031231;第1-79页 *
Rekha Raja等.Path planning in dynamic environment for a rover using A∗and potential field method.《2017 18th International Conference on Advanced Robotics (ICAR)》.2017,第578-582页. *
一种基于共点映射的无人车可行驶区域检测方法;刘子熠，等;《Engineering》;20180831(第4期);第109-133页 *
无人驾驶汽车局部路径规划算法研究;彭晓燕，等;《汽车工程》;20200131;第42卷(第01期);第1-10页 *

Also Published As

Publication number Publication date
CN112099493A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112099493B (zh) 一种自主移动机器人轨迹规划方法、系统及设备
US8515612B2 (en) Route planning method, route planning device and autonomous mobile device
Magid et al. Spline-based robot navigation
US5570285A (en) Method and apparatus for avoiding obstacles by a robot
KR20210053323A (ko) 동적 확률 모션 계획
CN111830979A (zh) 一种轨迹优化方法和装置
CN106774347A (zh) 室内动态环境下的机器人路径规划方法、装置和机器人
CN112859866A (zh) 机器人滚动路径规划方法、系统、存储介质、设备及应用
CN111578926A (zh) 一种基于自动驾驶平台的地图生成与导航避障的方法
CN113433936A (zh) 移动设备绕障方法、装置、移动设备及存储介质
CN113110521A (zh) 移动机器人路径规划控制方法及其控制装置、存储介质
CN113359714B (zh) 基于粒子滤波算法的巡检机器人动态路径规划方法及装置
WO2021246169A1 (ja) 情報処理装置、情報処理システム、および方法、並びにプログラム
CN116499487B (zh) 一种车辆的路径规划方法、装置、设备及介质
WO2023236476A1 (zh) 一种无车道线下确定跟踪轨迹的方法及装置
CN115657664A (zh) 基于人类示教学习的路径规划方法、系统、设备及介质
CN112504288B (zh) 基于动态规划的局部路径规划方法
CN114103938A (zh) 控制车辆纵向运动的方法、装置及存储介质
CN117416342B (zh) 一种无人驾驶车辆的智能泊车方法
CN116736866B (zh) 一种物业室内机器人路径规划与轨迹控制方法及系统
CN114184198B (zh) 一种实时路径生成方法、装置及汽车
CN115454061B (zh) 一种基于3d技术的机器人路径避障方法及系统
CN113867336B (zh) 一种适用于复杂场景下移动机器人路径导航及规划方法
CN111399513B (zh) 机器人运动规划方法、装置、电子设备和存储介质
CN115826590A (zh) 一种自适应参数的移动机器人局部路径规划方法及系统

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