CN112180916A - 一种适应复杂环境的家庭服务机器人智能导航算法 - Google Patents
一种适应复杂环境的家庭服务机器人智能导航算法 Download PDFInfo
- Publication number
- CN112180916A CN112180916A CN202010978012.7A CN202010978012A CN112180916A CN 112180916 A CN112180916 A CN 112180916A CN 202010978012 A CN202010978012 A CN 202010978012A CN 112180916 A CN112180916 A CN 112180916A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- robot
- path planning
- path
- intelligent navigation
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 85
- 238000013210 evaluation model Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 17
- 239000003016 pheromone Substances 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012800 visualization 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
- G05D1/0246—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
- G05D1/0212—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
- G05D1/0276—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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种适应复杂环境的家庭服务机器人智能导航算法,融合多传感器信息,对机器人的工作环境进行实时重构,有效的增强了系统的鲁棒性,实现机器人在陌生环境中全时段、全天候的导航定位,本发明通过建立评价模型,选出了最适用的局部路径规划算法,并且结合高度信息对局部路径规划算法进行优化,从而解决了由于机器人无法感知地图上的高度信息,无法对当前行进路线是否存在障碍物进行准确判断的问题,本发明优化了传统蚁群算法,解决了家庭服务机器人在拥有多个必经工作点时的路径规划问题,同时,使算法具有更快的收敛速度,明显提高算法的性能。
Description
技术领域
本发明属于机器人智能导航定位技术领域,具体涉及一种适应复杂环境的家庭服务机器人智能导航算法。
背景技术
近年来,随着社会进步和人工智能技术的加速发展,家庭服务机器人以其提高生活品质、改变传统教育方式和减轻老年人和残疾人照护压力等优点迅速被人们所认可并进入万千家庭。未来,伴随着消费升级和老龄化社会等需求,必将迎来更大的发展空间。然而,当前家庭服务机器人尚处于初级阶段,一些已经应用的类似清洁机器人等服务机器人无法完成取送物品等工作,其主要原因之一在于导航系统中移动算法主要为遍历算法,主要注重了遍历性和不重复性,很难完成一些更复杂的任务。
对于家庭服务机器人,一个良好可靠的导航系统,需要要求机器人具有良好的适应环境的能力,即需要克服以下困难:如何在陌生环境中对工作环境进行实时构建,如何灵活地避开障碍物,如何提高导航定位的精度,如何进行实时的监测。
发明内容
有鉴于此,本发明提供了一种适应复杂环境的家庭服务机器人智能导航算法,能够通过设计智能导航算法提高家庭服务机器人的智能化程度以及处理复杂问题的能力。
实现本发明的技术方案如下:
一种适应复杂环境的家庭服务机器人智能导航算法,包括以下步骤:
步骤一、对RGBD相机进行标定;
步骤二、利用RGBD相机对待规划的工作环境进行信息录入,然后进行特征点提取,所述特征点提取包括提取关键点以及描述子两部分信息,进行特征匹配,对关键点进行一致性检验;
步骤三、对RGBD相机录入信息进行世界坐标系、像素坐标系和相机坐标系之间的转换,利用Point Cloud Library(点云库)中的函数对点云进行初步处理,然后进行拼接操作,完成三维稠密点云地图的构建;
步骤四、将三维稠密点云地图转换为三维八叉树栅格地图;
步骤五、建立基于层次分析法的评价模型,综合考虑时间复杂度、空间复杂度、仿真路径长度以及仿真路径转向数四项评价标准,选择Dijkstra算法作为最佳的局部路径规划方案;在三维八叉树栅格地图上,实时结合传感器信息,人为设定任务的目的地点为路径规划中的必经点,即局部路径规划的目的地,进行局部路径规划,找到机器人当前位置与必经点之间的最短路径;
步骤六、根据机器人的实际高度,设置机器人能够通过的阈值,进行局部路径的筛选,提升路径的可行性;
步骤七、将局部路径规划中的栅格地图抽象成为一个可视图,在全局规划算法的设计上,将机器人从充电站出发,完成家庭服务任务,回到充电站的工作过程抽象为一个TSP问题,利用局部路径规划得到的各任务必经点之间的最短路径,通过改进信息素更新算法和路径选择概率算法,对蚁群算法进行优化,对上述TSP问题进行求解,得到执行多任务时的最优路径。
进一步地,步骤二中,利用RANSAC算法进行特征匹配。
进一步地,通过机器学习的方式,将语义信息加入三维稠密点云地图,使得机器人能够智能识别物体。
进一步地,步骤七中,将蚁群算法与模拟退火算法或粒子群算法结合,对所述TSP问题进行求解。
进一步地,步骤七中,机器人利用视觉里程计对自身运动轨迹进行实时绘制,用于上位机实时监控机器人状态,并在机器人上设置物理里程计,从物理层面检测机器人运动状态,并与视觉里程计融合,获得机器人的准确位置。
有益效果:
1、本发明在选取局部路径规划算法中建立了基于层次分析法的局部路径规划评价模型,根据评级模型所选出的局部路径规划算法更加适应于家庭服务机器人的工作环境,对于算法复杂度的考虑也有利于家庭服务机器人的成本控制。相比较为主流的经验法选取导航算法,评价模型的建立在充分考虑各种评价条件后,使算法的选取变得更加科学且更适用于具体工作环境。
2、本发明在构建二维地图实现路径规划的同时还通过RGBD相机返回的三维数据进行了高度障碍的考虑,提升了路径规划算法的可信程度,避免了由于高度方向障碍而造成的机器人行进失败的可能性。
3、本发明将全局路径规划抽象成为一个TSP问题,并针对实现全局路径规划的蚁群算法进行了优化。优化方向主要集中在路径选择概率函数和信息素更新函数上。在计算结果质量不下降的情况下,减少了算法的迭代次数,加快了全局路径规划算法的计算速度。
附图说明
图1为本发明的智能导航算法的硬件框架图;
图2为本发明的导航地图构建的过程示意图;
图3为本发明所使用的八叉树地图原理示意图;
图4为本发明的智能导航算法的整体设计示意图;
图5为本发明的基于层次分析法的局部路径规划算法评价模型构建流程图;
图6为本发明结合高度信息进行优化的机器人工作环境图;
图7为本发明的结合高度信息进行优化的流程图;
图8为本发明的全局路径规划算法的工作流程图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种适应复杂环境的家庭服务机器人智能导航算法,该算法的设备包括一个RGBD相机,下位机,上位机,运动控制板,编码器以及电机。其中,RGBD相机通过USB接口向下位机传输捕获到的深度图像以及RGB图像,下位机通过其系统中构建的ORB-SLAM实现机器人工作地图的构建以及机器人位置的实时追踪。在上位机将家庭服务机器人的目的地发送给下位机后,下位机将通过局部路径规划算法及全局路径规划算法实现路径规划。而后将规划结果发送给运动控制板,进而实现机器人的运动。本发明所依赖的硬件框架如图1所示。
具体的,步骤1-4是机器人智能导航算法在ORB-SLAM2的系统框架下进行导航地图构建的过程,其流程如图2所示。
步骤1是图像获取的前期准备工作,其使用张正友法,对RGBD相机进行标定。
步骤2对深度相机所获得的外界信息进行特征点提取,主要提取两部分信息,其一是关键点,表明特征点的所处方位信息。其二为描述子,一般为矢量形式,用于记录当前坐标的环境信息。为了解决各个观测帧中信息的关联问题,进行了特征匹配工作。在算法中还考虑了一致性检验,提升跟踪工作的准确性。
步骤3实现的是稠密点云地图的构建。读取相机中的RGBD图像和深度图像,利用式1还原出世界坐标系下的坐标(X,Y,Z):其中s为缩放系数,d为缩放值,(u,v)表示像素坐标系下的坐标。
对点云进行拼接操作,并使用开源库PCL中的滤波操作滤除噪点和离群点,从而提升计算速度,减少占用内存的空间。在此基础上,对数据进行降采样,防止多点重合所造成的点云文件过大的情况,从而完成稠密点云地图的构建,极大地提升了整个系统的可视化程度。
步骤4完成的是八叉树地图的构建,使三维稠密点云转换成为了三维栅格地图,以便导航算法的应用。同时,八叉树地图规定,如果某一节点的子节点都处于占据,非占据或是不确定状态时,可以对其进行切除操作,仅保留父节点信息,得到一个不完整的八叉树,节省了大量空间。其示意图如图3所示。
图4表示的是智能导航算法的整体设计示意图。在明确任务目标后,局部路径规划算法将对每一任务进行路径规划,在所有任务的路径规划完成后,算法将将局部路径和必经点转化为有向图。全局路径规划算法将有向图视为TSP问题,并进行全局路径规划。
图5表现的是基于层次分析法的局部路径规划算法评价模型构建过程,即步骤5。其主要分为3层,分别为目标层,准则层以及方案层。在此评价模型中,考虑到机器人的成本控制,本发明在评价标准中加入了时间复杂度和空间复杂度;考虑到机器人的运行效率以及转向造成的机器人磨损,本发明还将路径长度以及转向次数作为评价标准。综合考虑以上四项评价标准,对A*算法,改进的A*算法,Dijkstra算法和BFS算法四个局部路径规划算法进行评价,根据家庭服务机器人成本控制较低以及拥有较高的运行效率的特点,选择Dijkstra算法作为最佳的局部路径规划方案。相比较于主流的通过经验选取导航算法,评价模型的建立在充分考虑各种评价条件后,使算法的选取变得更加科学且更适用于家庭环境。
步骤6在所有规划路径中,添加了高度信息对算法进行筛选。其具体工作环境如图6所示。由于本发明所设计的导航系统应用于家庭机器人,室内环境比较复杂。导航所用的octomap是将0-20cm处的所有Z坐标投影在XOY平面上得到的,当机器人高度大于20cm,就有可能出现规划路径显示可行但实际会被较高障碍阻拦的可能性。为解决这一问题,本发明加入了对Z方向上障碍物的考虑,具体工作流程如图7所示,在完成一次局部路径规划后,系统将提取路径所通过路径上的Z轴坐标,比较其与机器人的高度,从而判断机器人是否能够通过。加入Z坐标的考虑将极大地提升路径规划的可行性。
步骤7中系统将全局路径规划抽象成一个TSP问题,并使用蚁群算法对该问题进行了求解,具体流程如图8所示。在明确任务目标后,系统将构建有向图,在有向图中的n个节点放入m只蚂蚁,在概率选择函数和信息素更新函数的指导下进行信息素的迭代更新。最终得到全局路径规划结果。特别的,本系统还对概率选择函数和信息素更新函数分别进行了优化,优化结果为:
τij(t+n)=[1-ρ(t)]τij(t)+Δτij (4)
其中pij k表示第k只蚂蚁从节点i转向节点j的概率,τ(i,j)为蚂蚁在节点i;j之间留下的信息素浓度,η(i,j)为节点i;j之间的转移期望值。为节点j的启发函数。allow为所有从节点i出发所能到达节点的集合。α表征信息素浓度的重要程度,β表征启发式因子的重要程度。其中ρ代表信息素挥发系数,Δτij k代表(i,j)节点中增加的信息素浓度。
启发式因子的计算公式为:
其中dij为两节点之间的距离。
对于概率选择函数,本算法引入了障碍栅格的排斥效应,极大地减少了迭代次数。对于信息素更新函数,本系统使信息素挥发效率在算法执行前期保持在较低水平,就能够最大概率的找到最优路径。而在算法执行在后期增高信息素的挥发效率则会大大加快整体算法的收敛速度,减小了算法的迭代次数。
较佳的,在所述步骤2中,特征匹配过程中可能出现特征点匹配错误,从而使相机移动路径的大规模偏移。本发明利用RANSAC算法,使机器人能够在含有很多噪声或较大偏差的数据集中得出近似的数学估计,减少特征点的错误匹配,更精确的完成相机位姿的估计。在后端优化上,采用图优化完成了对姿态和环境的优化估计,并基于词袋模型的回环检测,提升了整体建图定位的精确程度。
较佳的,在所述步骤5中,所形成的稠密点云地图可以为使用者描述机器人工作的具体环境,而机器人本体则很难区分周围物体。这会对机器人智能识别物体并进行家庭服务工作产生较大影响。为解决这一问题,可以通过机器学习的方式,将语义信息加入稠密点云地图。这项技术使得机器人可以智能识别物体,从而按照使用者指令,与特定物体如杯子、桌椅等产生互动,高效进行家庭服务任务。
较佳的,在所述步骤7中,使用蚁群算法作为全局路径规划算法。虽然进行了优化,但依旧存在收敛速度慢,易陷入局部最优解的情况。如果能将其与其他智能算法如模拟退火算法,粒子群算法等进行结合,上述问题将得到缓解。同时,随着深度学习神经网络等技术的不断发展,使用数据集对路径规划算法进行训练也是一种能够提升算法质量的方法。
较佳的,在所述步骤7中,机器人将使用视觉里程计对机器人运动轨迹进行实时绘制,方便上位机实时监控机器人状态。而由于机器人工作环境较为复杂,视觉传感器捕获到的信息可能存在畸变等不准确因素。为解决这一问题可以将物理里程计加入机器人,从物理层面检测机器人运动状态,并与视觉里程计融合,获得机器人的准确位置,方便实时监控。特别地,在正常工作环境下工作时,机器人将以视觉里程计为主,已获得更好的位置精度,而在视觉传感器失效后,则以物理里程计为主,保证检测系统的实时性。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种适应复杂环境的家庭服务机器人智能导航算法,其特征在于,包括以下步骤:
步骤一、对RGBD相机进行标定;
步骤二、利用RGBD相机对待规划的工作环境进行信息录入,然后进行特征点提取,所述特征点提取包括提取关键点以及描述子两部分信息,进行特征匹配,对关键点进行一致性检验;
步骤三、对RGBD相机录入信息进行世界坐标系、像素坐标系和相机坐标系之间的转换,利用PCL中的函数对点云进行初步处理,然后进行拼接操作,完成三维稠密点云地图的构建;
步骤四、将三维稠密点云地图转换为三维八叉树栅格地图;
步骤五、建立基于层次分析法的评价模型,综合考虑时间复杂度、空间复杂度、仿真路径长度以及仿真路径转向数四项评价标准,选择Dijkstra算法作为最佳的局部路径规划方案;在三维八叉树栅格地图上,实时结合传感器信息,人为设定任务的目的地点为路径规划中的必经点,即局部路径规划的目的地,进行局部路径规划,找到机器人当前位置与必经点之间的最短路径;
步骤六、根据机器人的实际高度,设置机器人能够通过的阈值,进行局部路径的筛选,提升路径的可行性;
步骤七、将局部路径规划中的栅格地图抽象成为一个可视图,在全局规划算法的设计上,将机器人从充电站出发,完成家庭服务任务,回到充电站的工作过程抽象为一个TSP问题,利用局部路径规划得到的各任务必经点之间的最短路径,通过改进信息素更新算法和路径选择概率算法,对蚁群算法进行优化,对上述TSP问题进行求解,得到执行多任务时的最优路径。
2.如权利要求1所述的一种适应复杂环境的家庭服务机器人智能导航算法,其特征在于,步骤二中,利用RANSAC算法进行特征匹配。
3.如权利要求1所述的一种适应复杂环境的家庭服务机器人智能导航算法,其特征在于,通过机器学习的方式,将语义信息加入三维稠密点云地图,使得机器人能够智能识别物体。
4.如权利要求1所述的一种适应复杂环境的家庭服务机器人智能导航算法,其特征在于,步骤七中,将蚁群算法与模拟退火算法或粒子群算法结合,对所述TSP问题进行求解。
5.如权利要求1所述的一种适应复杂环境的家庭服务机器人智能导航算法,其特征在于,步骤七中,机器人利用视觉里程计对自身运动轨迹进行实时绘制,用于上位机实时监控机器人状态,并在机器人上设置物理里程计,从物理层面检测机器人运动状态,并与视觉里程计融合,获得机器人的准确位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010978012.7A CN112180916A (zh) | 2020-09-17 | 2020-09-17 | 一种适应复杂环境的家庭服务机器人智能导航算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010978012.7A CN112180916A (zh) | 2020-09-17 | 2020-09-17 | 一种适应复杂环境的家庭服务机器人智能导航算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112180916A true CN112180916A (zh) | 2021-01-05 |
Family
ID=73921093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010978012.7A Pending CN112180916A (zh) | 2020-09-17 | 2020-09-17 | 一种适应复杂环境的家庭服务机器人智能导航算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112180916A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112998606A (zh) * | 2021-03-01 | 2021-06-22 | 深圳市无限动力发展有限公司 | 智能设备与清洁机的协作清扫方法、装置和计算机设备 |
CN113358125A (zh) * | 2021-04-30 | 2021-09-07 | 西安交通大学 | 一种基于环境目标检测和环境目标地图的导航方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG119169A1 (en) * | 2003-01-20 | 2006-02-28 | Nanyang Polytechnic | Path searching system using multiple groups of cooperating agents and method thereof |
CN101136081A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于蚁群智能的无人作战飞机多机协同任务分配方法 |
CN101916312A (zh) * | 2010-08-09 | 2010-12-15 | 哈尔滨工程大学 | 基于人工免疫和蚁群算法结合的船舶航线智能生成方法 |
CN104089620A (zh) * | 2014-04-04 | 2014-10-08 | 北京乐投信息技术有限公司 | 一种基于数据分析的自动路线规划方法及其系统 |
CN108303111A (zh) * | 2017-12-29 | 2018-07-20 | 北京理工大学 | 一种同时将距离、搜索方向作为启发信息的寻找最优路径的估价方法 |
CN108921354A (zh) * | 2018-07-09 | 2018-11-30 | 重庆大学 | 一种基于粒子群优化的蚁群算法求解tsp问题的方法 |
WO2019114153A1 (zh) * | 2017-12-12 | 2019-06-20 | 北京京东尚科信息技术有限公司 | 拣货路径规划方法与装置 |
CN110057361A (zh) * | 2019-04-23 | 2019-07-26 | 河南宙合网络科技有限公司 | 一种基于gps的最短路径规划方法 |
CN110361026A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | 一种基于3d点云的仿人机器人路径规划方法 |
CN110375761A (zh) * | 2019-08-07 | 2019-10-25 | 天津大学 | 基于增强蚁群优化算法的无人驾驶车辆路径规划方法 |
CN110703772A (zh) * | 2019-11-13 | 2020-01-17 | 贵州航天天马机电科技有限公司 | 一种智能通用无人平台路径规划方法 |
CN110781920A (zh) * | 2019-09-24 | 2020-02-11 | 同济大学 | 一种室内场景点云部件语义信息的识别方法 |
-
2020
- 2020-09-17 CN CN202010978012.7A patent/CN112180916A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG119169A1 (en) * | 2003-01-20 | 2006-02-28 | Nanyang Polytechnic | Path searching system using multiple groups of cooperating agents and method thereof |
CN101136081A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于蚁群智能的无人作战飞机多机协同任务分配方法 |
CN101916312A (zh) * | 2010-08-09 | 2010-12-15 | 哈尔滨工程大学 | 基于人工免疫和蚁群算法结合的船舶航线智能生成方法 |
CN104089620A (zh) * | 2014-04-04 | 2014-10-08 | 北京乐投信息技术有限公司 | 一种基于数据分析的自动路线规划方法及其系统 |
WO2019114153A1 (zh) * | 2017-12-12 | 2019-06-20 | 北京京东尚科信息技术有限公司 | 拣货路径规划方法与装置 |
CN108303111A (zh) * | 2017-12-29 | 2018-07-20 | 北京理工大学 | 一种同时将距离、搜索方向作为启发信息的寻找最优路径的估价方法 |
CN108921354A (zh) * | 2018-07-09 | 2018-11-30 | 重庆大学 | 一种基于粒子群优化的蚁群算法求解tsp问题的方法 |
CN110057361A (zh) * | 2019-04-23 | 2019-07-26 | 河南宙合网络科技有限公司 | 一种基于gps的最短路径规划方法 |
CN110361026A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | 一种基于3d点云的仿人机器人路径规划方法 |
CN110375761A (zh) * | 2019-08-07 | 2019-10-25 | 天津大学 | 基于增强蚁群优化算法的无人驾驶车辆路径规划方法 |
CN110781920A (zh) * | 2019-09-24 | 2020-02-11 | 同济大学 | 一种室内场景点云部件语义信息的识别方法 |
CN110703772A (zh) * | 2019-11-13 | 2020-01-17 | 贵州航天天马机电科技有限公司 | 一种智能通用无人平台路径规划方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112998606A (zh) * | 2021-03-01 | 2021-06-22 | 深圳市无限动力发展有限公司 | 智能设备与清洁机的协作清扫方法、装置和计算机设备 |
CN112998606B (zh) * | 2021-03-01 | 2022-04-22 | 深圳市无限动力发展有限公司 | 智能设备与清洁机的协作清扫方法、装置和计算机设备 |
CN113358125A (zh) * | 2021-04-30 | 2021-09-07 | 西安交通大学 | 一种基于环境目标检测和环境目标地图的导航方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Niloy et al. | Critical design and control issues of indoor autonomous mobile robots: A review | |
Dai et al. | Fast frontier-based information-driven autonomous exploration with an mav | |
Gupta et al. | Cognitive mapping and planning for visual navigation | |
CN112525202A (zh) | 一种基于多传感器融合的slam定位导航方法及系统 | |
Tovar et al. | Planning exploration strategies for simultaneous localization and mapping | |
Raja et al. | PFIN: An efficient particle filter-based indoor navigation framework for UAVs | |
Nguyen et al. | Autonomous navigation in complex environments with deep multimodal fusion network | |
WO2023273169A1 (zh) | 一种融合视觉与激光的2.5d地图构建方法 | |
CN112180916A (zh) | 一种适应复杂环境的家庭服务机器人智能导航算法 | |
CN115699098A (zh) | 使用比例图和三维模型的基于机器学习的对象标识 | |
Sun et al. | A review of visual SLAM based on unmanned systems | |
WO2022238189A1 (en) | Method of acquiring sensor data on a construction site, construction robot system, computer program product, and training method | |
CN113433937A (zh) | 基于启发式探索的分层导航避障系统、分层导航避障方法 | |
CN114186112B (zh) | 一种基于贝叶斯优化多重信息增益探索策略的机器人导航方法 | |
Malayjerdi et al. | Mobile robot navigation based on fuzzy cognitive map optimized with grey wolf optimization algorithm used in augmented reality | |
Niwa et al. | Spatio-temporal graph localization networks for image-based navigation | |
Helble et al. | 3-d path planning and target trajectory prediction for the oxford aerial tracking system | |
Khan et al. | Learning sample-efficient target reaching for mobile robots | |
KR20210054355A (ko) | 시각 및 언어 기반 공간 탐색 시스템 | |
JP2024025637A (ja) | タスクを実行するための装置および方法 | |
Lim et al. | MSDPN: Monocular depth prediction with partial laser observation using multi-stage neural networks | |
Zhang et al. | Visual navigation of mobile robots in complex environments based on distributed deep reinforcement learning | |
Sun et al. | Leveraging Large Language Model-based Room-Object Relationships Knowledge for Enhancing Multimodal-Input Object Goal Navigation | |
Prieto et al. | Multiagent robotic systems and exploration algorithms: Applications for data collection in construction sites | |
Sinisa | Evaluation of SLAM Methods and Adaptive Monte Carlo Localization |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210105 |
|
RJ01 | Rejection of invention patent application after publication |