CN112631306B - 机器人移动路径规划方法、装置及机器人 - Google Patents
机器人移动路径规划方法、装置及机器人 Download PDFInfo
- Publication number
- CN112631306B CN112631306B CN202011581919.6A CN202011581919A CN112631306B CN 112631306 B CN112631306 B CN 112631306B CN 202011581919 A CN202011581919 A CN 202011581919A CN 112631306 B CN112631306 B CN 112631306B
- Authority
- CN
- China
- Prior art keywords
- path
- planned
- point
- robot
- global
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 230000009191 jumping Effects 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 11
- 230000004888 barrier function Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
- G05D1/0212—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
- G05D1/0276—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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种机器人移动路径规划方法、装置和机器人,其中机器人移动路径规划方法包括:对机器人的全局路径进行非首次规划时,判断规划的历史路径是否出现障碍物,若出现,则选择历史路径中与障碍物重合的不合法路径点作为本次规划的全局路径的起始点,通过偏离历史路径代价项的预设的路径算法,确认从本次规划的全局路径的起始点到目标点之间的路径点,使得本次规划的全局路径与历史路径的偏离度小于预设范围,根据确认的路径点和目标点得到本次规划的全局路径,控制机器人沿本次规划的全局路径移动,将匹配的目标点作为任务目标点配置给机器人,可降低路径跳变,提高机器人移动的流畅性。
Description
技术领域
本申请实施例涉及机器人技术领域,尤其涉及一种机器人移动路径规划方法、装置及机器人。
背景技术
随着人工智能技术的发展,各种智能自主移动机器人应用越来越广泛,目前移动机器人的路径规划通常分为全局规划和局部规划,其中,全局规划主要规划一条从起始点到目标点的无碰撞全局路径。局部规划则通常是在全局路径上根据设定的前瞻距离选取前瞻点作为一个个“阶段目标”进行运动,同时避开运动过程中遇到的障碍物。因此,全局规划的效果会影响局部规划的性能,进而影响移动机器人的运行表现。
现有技术中,由于环境变化、传感器噪声、动态障碍物等的影响,在规划全局路径时会存在频繁跳变的情况。全局路径的跳变会影响局部规划的效果,进而导致机器人运行过程中的运动不连续,左右摆动等异常现象,影响机器人的运行效果。
发明内容
本申请实施例提供一种机器人移动路径规划方法、装置及机器人,可降低对机器人的移动路径进行全局规划时发生路径跳变,以及机器人的移动异常。
本申请实施例一方面提供了一种机器人移动路径规划方法,包括:
对机器人的全局路径进行非首次规划时,判断规划的历史路径是否出现障碍物,若出现,则选择所述历史路径中与所述障碍物重合的不合法路径点作为本次规划的全局路径的起始点;通过偏离历史路径代价项的预设的路径算法,确认从所述本次规划的全局路径的起始点到所述目标点之间的路径点,使得所述本次规划的全局路径与所述历史路径的偏离度小于预设范围;根据确认的路径点和所述目标点得到本次规划的全局路径,控制所述机器人沿所述本次规划的全局路径移动。
本申请实施例一方面还提供了一种机器人移动路径规划方法装置,包括:
判断模块,用于对机器人的全局路径进行非首次规划时,判断规划的历史路径是否出现障碍物;选择模块,用于若出现所述障碍物,则选择所述历史路径中与所述障碍物重合的不合法路径点作为本次规划的全局路径的起始点;确认模块,用于通过偏离历史路径代价项的预设的路径算法,确认从所述本次规划的全局路径的起始点到所述目标点之间的路径点,使得所述本次规划的全局路径与所述历史路径的偏离度小于预设范围;控制模块,用于根据确认的路径点和所述目标点得到本次规划的全局路径,控制所述机器人沿所述本次规划的全局路径移动。
本申请实施例一方面还提供了一种机器人,包括:
存储器和处理器;所述存储器存储有可执行程序代码;与所述存储器耦合的所述处理器,调用所述存储器中存储的所述可执行程序代码,执行如上所述的机器人移动路径规划方法。
从上述本申请各实施例可知,对机器人的全局路径进行非首次规划时,判断规划的历史路径是否出现障碍物,若出现,则将该历史路径中与该障碍物重合的不合法路径点作为本次规划的全局路径的起始点,缩短全局规划的路径长度,减少计算量,并且避免因为远处的障碍物观测有噪声而导致全局路径在近处发生跳变,并通过包括偏离历史路径代价项的预设的路径算法,确认从本次规划的全局路径的起始点到目标点之间的路径点,使得本次规划的全局路径与该历史路径的偏离度小于预设范围,避免因本次计算的全局路径与该历史路径偏离太大,导致机器人因此发生大的跳变,通过上述方法得到本次规划的全局路径,可降低因环境变化、传感器噪声影响及障碍物变化等导致的在规划全局路径时存在的频繁跳变,减少对局部规划的影响,提高机器人移动的流畅性。
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的机器人移动路径规划方法的流程示意图;
图2为本申请实施例中存在机器人的远端障碍物时规划的移动路径发生跳变的原理示意图;
图3为本申请另一实施例提供的机器人移动路径规划方法的流程示意图;
图4为本申请实施例中使用不同算法规划的全局路径与历史路径贴合度对比示意图;
图5为本申请一实施例提供的机器人移动路径规划装置的结构示意图;
图6为本申请另一实施例提供的机器人移动路径规划装置的结构示意图;
图7为本申请一实施例提供的机器人的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域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。
本申请实施例提供了一种机器人移动路径规划方法,在规划机器人的移动路径时,通过预设的路径规划算法对机器人的移动路径进行从起始点到目标点(即终点)的全局规划,反复多次进行全局规划,可以规划出最优的移动路径,预设的路径规划算法具体为基于搜索的路径规划算法,可包括:A*(A-star)算法、Dijkstra算法等。为便于描述,本实施例具体阐述方案时均以A*算法为例,同理可推及Dijkstra算法等其他基于搜索的路径规划算法。
具体地,对于该机器人的首次全局规划,采用传统的A*算法进行路径规划,将机器人的当前位置设为起始点,全局目标为目标点进行规划,得到规划的历史路径。在非首次全局规划时,即,在第二次及以后的全局规划时,首先判断历史路径是否合法,即判断机器人在该历史路径移动时是否会碰到障碍物,会碰到则判定为该历史路径不合法。如果历史路径合法,则维持该条历史路径。如果该历史路径不合法,则沿着该历史路径首先找到离机器人最近的不合法的路径点,把该不合法的路径点作为本次全局规划的起始点,采用优化的A*算法对机器人的移动路径进行全局规划。
具体地,将传统的A*算法中移动代价值fn的计算公式修改为:fn=gn+hn+pn,其中,gn表示从起始点到待计算的路径点n的实际代价,hn表示从待计算的路径点n到目标点的估算代价,pn表示偏离历史路径的代价项。基于A*算法的优化的A*算法是修改移动代价值fn的计算公式,其余寻路步骤与A*算法相同,通过优化后的A*算法得到的本次计算的全局路径尽可能与上一次的历史路径贴合,避免出现大的跳变。本申请在进行全局规划时,将距离历史路径更近的路径点确认更优选,从而选取一条最靠近历史路径的路径,从而尽量避免机器人发生跳变。
具体地,pn表示待计算的路径点n偏离该历史路径的程度,pn=w×pdist,其中pdist为当前待计算的路径点距离该历史路径最近点的距离,w为权重值,可在计算规划路径的过程中更新,具体可根据实际生成的路径的效果来确定。若本次规划的全局路径与该历史路径重合或几乎重合,表示w过大,可能在环境发生变化的时候离障碍物太近,则需要调小w的值,但是如果w过小,容易发生跳变,则需要调大w的值。
利用优化后的A*算法计算得到全局路径,检测该全局路径是否发生路径跳变,判定全局路径发生跳变之后,在一定时间内不再进行全局规划,并将该历史路径作为本次的全局路径。
上述机器人移动路径规划方法可以应用在机器人上,也可以应用在智能终端上,该智能终端与该机器人接入同一无线网络,将计算得到的全局路径发送给机器人。该智能终端可以是计算机、手机或可穿戴智能设备,通常具有运算器、控制器、存储器、输入设备和输出设备等结构。下面详细描述该机器人移动路径规划方法。
参见图1,本申请一实施例提供的机器人移动路径规划方法的流程示意图。该方法可应用于机器人也可以应用于智能终端,如图1所示,该方法具体包括:
S101、对机器人的全局路径进行非首次规划时,判断规划的历史路径是否出现障碍物,若出现,则将该历史路径中与该障碍物重合的不合法路径点作为本次规划的全局路径的起始点;
非首次规划是指在第一次规划之后的规划。
历史路径是指本次全局路径规划的前一次全局规划得到的全局路径。
历史路径中出现了障碍物,则该历史路径为不合法路径,在该历史路径中与该障碍物重合的路径点为不合法路径点,这些不合法路径点会阻碍机器人在该路径点上的移动,需要机器人避行。
具体地,机器人在进行第一次全局路径规划时,将机器人的当前位置作为规划的起始点。机器人边按照前一次全局路径(即历史路径)移动边再次进行全局路径规划,直到移动到目标点时停止全局路径规划。
在每次全局路径规划后,可能会在规划的移动路径上新增障碍物,使得规划的历史路径成为不合法的路径。在第二次及以后的全局路径时,首先判断前一次规划出的历史路径是否为不合法路径,即在该历史路径上是否存在障碍物,可以通过收集的传感器数据判断该历史路径上是否有障碍物,传感器可以是测距传感器或视觉传感器等。
若历史路径为不合法路径,出现了障碍物,则选择该历史路径上与障碍物重合的一个不合法路径点作为本次规划的全局路径的起始点,将其作为起始点可以缩短全局规划的路径长度,减少计算量,并且避免因为远处的障碍物观测有噪声而导致全局路径在近处发生跳变,进而影响机器人的移动流畅性。
具体参见图2,图2为起始点到目标点之间存在远端障碍物时规划的移动路径发生跳变的原理示意图,当起始点A到目标点B的方向上,距离A点的远端(例如超过2米)有障碍物,会导致全局规划时移动路径1和移动路径2的代价相差无几,此时容易因为观测噪声等影响而引发全局路径在路径1和路径2之间跳变,这将导致机器人的局部规划的前瞻点在路径1和路径2上跳变,造成机器运行不流畅。此时如果将全局规划的起始点设为历史路径上的一个不合法的路径点,障碍物将成为近端障碍物,在全局规划时不会发生出现两条路径的情况,可避免全局规划发生跳变。
S102、通过包括偏离历史路径代价项的预设的路径算法,确认从本次规划的全局路径的起始点到目标点之间的路径点,使得本次规划的全局路径与该历史路径的偏离度小于预设范围;
偏离历史路径代价项,表示待计算的路径点偏离该历史路径的程度,在该偏离历史路径代价项通过待计算的路径点与本次规划的全局路径的起始点的距离信息,来衡量本次规划的全局路径与该历史路径的偏离程度。
将偏离历史路径代价项加入到路径算法中,可使得本次规划的全局路径与该历史路径的偏离度小于预设范围,即保持本次规划的全局路径靠近该历史路径,避免因本次计算的全局路径与该历史路径偏离太大,导致机器人因此发生大的跳变。
预设范围的数值大小与机器人的任务场景、机器人的任务内容以及机器人自身体积等相关联,例如在该任务场景中障碍物多,需要机器人移动的路径复杂,执行的任务要求机器人移动的路径精度较高,或者机器人体积大,都需要该预设范围的数值更小,提高机器人移动的顺畅度,优选地,该预设范围为0.1~0.2米;反之,该任务场景中障碍物少,需要机器人移动的路径简单,执行的任务要求机器人移动的路径精度较低,或者机器人体积小,该预设范围数值可以大一些,计算精度求低,且不影响机器人移动的顺畅度,优选地,该预设范围为0.3~0.5米。
S103、根据确认的路径点和该目标点得到本次规划的全局路径,控制机器人沿本次规划的全局路径移动。
步骤S102确认的路径点以及该目标点共同构成本次规划的全局路径,控制机器人从当前位置,沿本次规划的移动路径移动。
按照预设的计算周期,重复执行上述步骤S101~S103,直到机器人抵达该目标点。
本实施例中,对机器人的全局路径进行非首次规划时,判断规划的历史路径是否出现障碍物,若出现,则将该历史路径中与该障碍物重合的不合法路径点作为本次规划的全局路径的起始点,缩短全局规划的路径长度,减少计算量,并且避免因为远处的障碍物观测有噪声而导致全局路径在近处发生跳变,并通过包括偏离历史路径代价项的预设的路径算法,确认从本次规划的全局路径的起始点到目标点之间的路径点,使得本次规划的全局路径与该历史路径的偏离度小于预设范围,避免因本次计算的全局路径与该历史路径偏离太大,导致机器人因此发生大的跳变,通过上述方法得到本次规划的全局路径,可降低因环境变化、传感器噪声影响及障碍物变化等导致的在规划全局路径时存在的频繁跳变,减少对局部规划的影响,提高机器人移动的流畅性。
参见图3,本申请另一实施例提供的机器人移动路径规划方法的流程示意图。该方法可应用于机器人也可以应用于智能终端,如图3所示,该方法具体包括:
S201、对机器人的全局路径进行非首次规划时,判断规划的历史路径是否出现障碍物,若出现,则将该历史路径中与该障碍物重合的第一个不合法路径点作为本次规划的全局路径的起始点;
该第一个不合法路径点是在该历史路径中与该障碍物重合的所有不合法路径点中,距离该机器人最近的不合法路径点。选用该与障碍物重合的第一个不合法点作为本次规划的全局路径的起始点,可以将在第一时间观测到障碍物的位置作为本次规划的全局路径的起始点,最大程度降低因该障碍物的出现对全局路径规划的影响。
S202、通过偏离历史路径代价项的预设的路径算法,确认从本次规划的全局路径的起始点到该目标点之间的路径点;
现有的A*算法的是计算出一条从规划的起始点到目标点代价最小的路径。将机从起始点到目标点之间的寻路区域划分为若干栅格,每个栅格可看作是待计算的路径点,fn表示该路径点的移动代价,在确定了寻路的起始点和目标点之后,每个待计算的路径点都有一个移动代价值fn,该移动代价值的计算公式为:fn=gn+hn,其中,gn表示从起始点到待计算的路径点n的实际代价,hn表示从待计算的路径点n到目标点的估算代价。
本实施例中的预设的路径算法为在A*算法基础上优化的算法,具体地,修改移动代价值fn的计算公式,增加偏离历史路径的代价项pn,即将fn的计算公式优化为fn=gn+hn+pn,将距离历史路径更近的待计算的路径点确认为规划的路径点,从而选取一条最靠近历史路径的路径,使得本次计算的全局路径尽可能与上一次的历史路径贴合,避免出现大的跳变。
具体地,pn表示待计算的路径点n偏离该历史路径的程度,pn=w×pdist,其中pdist为当前待计算的路径点距离该历史路径最近点的距离,w为偏离权重值,可在该机器人进行全局路径规划之前,根据规划得到的路径和实际生成的路径的效果来确定w的值。若规划得到全局路径与该历史路径重合或几乎重合,表示w过大,可能在环境发生变化的时候离障碍物太近,则需要调小w的值,但是如果在进行全局路径规划时容易发生跳变,则表示w过小,需要调大w的值。
在相同或类似的应用场景中,障碍物的类型、大小、位置等信息一致,该w值可在规划路径前一次性设定好,在规划全局路径的过程中该w值为一固定不变的值,该w值为当前场景的最优值,将pn=w×pdist加入算法中,每一次计算得到的全局路径与该全局路径的历史路径的贴合度最优。进一步地,在计算规划路径的过程中因场景变化导致障碍物也变化后,该w的值可随之进行调整。当根据传感器获取的数据判断当前移动场景发生变化,或收到移动场景发生变化的控制指令时,从本地数据库或云端服务器中获取与变化后的场景对应的w值,更新配置到该路径算法中,提高规划全局路径的精度。
上述路径算法可以让本次规划的全局路径尽可能与上一次规划的历史路径贴合,避免出现大的跳变。在图4所示的场景中比较有效:
图4中的三幅图由左至右分别为(a)、(b)和(c)。其中,(a)表示在时刻1的上一次规划的历史路径;由于传感器观测误差或者机器人定位误差等影响,导致(a)中的障碍物在(b)和(c)中障碍物的位置发生了变化,(b)中的实线标识的路径表示在时刻2现有的传统A*算法计算得到的本次规划的全局路径,虚线标识的路径表示(a)中的历史路径,该两条路径存在比较大的变化;(c)中的实线标识的路径表示在时刻2通过本实施例提供的预设的路径算法计算得到的本次规划的全局路径,虚线标识的路径表示(a)中的历史路径,由于该预设的路径算法考虑了该历史路径代价,所以规划出来的全局路径会比较贴合该历史路径。
进一步地,该预设的路径算法也是设置有开放列表和封闭列表,分别保存可以考虑的待计算的路径点和不再考虑的路径点,每次从开放列表取一个fn值最小的待计算的路径点,作为寻路路径的下一步,判断该路径点是否为目标点,若是则寻路成功,算法结束;若否则继续寻路。该预设的路径算法的其他细节参照传统的A*算法,此处不再赘述。
S203、根据确认的路径点和该目标点得到本次规划的全局路径,并根据预设的检测规则,检测本次规划的全局路径是否发生路径跳变;
具体地,检测方式包括:计算本次规划的全局路径中的路径点,与历史路径上距离最近的路径点的距离,若在本次规划的全局路径中,距离大于第一预设距离的路径点的比例超过预设比例,则确认本次规划的全局路径发生路径跳变,即本次全局路径上出现了数量过多的路径点,这些路径点都与上一次历史路径上的路径点距离过远,这种情况下可判定本次规划的全局路径发生了路径跳变。该第一预设距离优选0.5米,该预设比例优选50%。
检测方式还包括:当机器人在预设移动距离范围内,在第一预设时长内持续重新规划不合法的全局路径,则确认本次规划的全局路径发生跳变。该预设移动距离范围优选方圆0.5米,该第一预设时长优选为20秒。
若未发生跳变,则执行步骤S204;若发生跳变,则执行步骤S205。
S204、将本次规划的全局路径作为机器人的移动路径,并控制机器人沿本次规划的全局路径移动;
S205、在第二预设时长内停止规划全局路径,将上一次规划的历史路径作为本次规划的全局路径,并控制机器人沿该历史路径移动。
该第二预设时长优选5秒。停止规划全局路径,可以进行局部路径规划,或者可先清除障碍物,再启动全局路径规划。
本实施例中,对机器人的全局路径进行非首次规划时,判断规划的历史路径是否出现障碍物,若出现,则将该历史路径中与该障碍物重合的距离机器人最近的不合法路径点作为本次规划的全局路径的起始点,缩短全局规划的路径长度,减少计算量,并且避免因为远处的障碍物观测有噪声而导致全局路径在近处发生跳变,并通过包括偏离历史路径代价项的预设的路径算法,确认从本次规划的全局路径的起始点到目标点之间的路径点,使得本次规划的全局路径与该历史路径的偏离度小于预设范围,避免因本次计算的全局路径与该历史路径偏离太大,导致机器人因此发生大的跳变,在得到本次规划的全局路径后对其进行跳变检测,通过检测的则确认为本次全局路径,未通过检测的则将上一次计算的历史路径作为本次全局路径,通过上述方法得到本次规划的全局路径,可降低因环境变化、传感器噪声影响及障碍物变化等导致的在规划全局路径时存在的频繁跳变,减少对局部规划的影响,提高机器人移动的流畅性。
参见图5,本申请一实施例提供的机器人移动路径规划装置的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分。该装置可设置于机器人或智能终端中。该装置包括:
判断模块301,用于对机器人的全局路径进行非首次规划时,判断规划的历史路径是否出现障碍物;
选择模块302,用于若出现障碍物,则选择历史路径中与障碍物重合的不合法路径点作为本次规划的全局路径的起始点;
确认模块303,用于通过偏离历史路径代价项的预设的路径算法,确认从本次规划的全局路径的起始点到目标点之间的路径点,使得本次规划的全局路径与历史路径的偏离度小于预设范围;
控制模块304,用于根据确认的路径点和目标点得到本次规划的全局路径,控制机器人沿本次规划的全局路径移动。
进一步地,选择模块302,还用于选择历史路径中与障碍物重合的第一个不合法路径点,作为本次规划的全局路径的起始点,第一个不合法路径点为距离机器人最近的不合法路径点。
确认模块303,还用于将A*算法进行如下优化后得到预设的路径算法;
将A*算法中的待计算的路径点的移动代价公式设置为:
fn=gn+hn+pn;
pn=w×pdist;
其中,gn表示从起始点到待计算的路径点n的实际代价,hn表示从待计算的路径点n到目标点的估算代价,pn表示待计算的路径点n偏离历史路径的偏离历史路径的代价,pdist为待计算的路径点n距离历史路径最近点的距离,w为预先配置的偏离权重值;
通过上述优化后A*算法,确认从本次规划的全局路径的起始点到目标点之间的路径点。
进一步地,参见图6,在另一个实施例提供的机器人移动路径规划装置中还包括:配置模块401;
配置模块401,用于当检测到机器人的移动场景发生改变,获取与改变后的移动场景对应的偏离权重值,并将偏离权重值更新配置到预设的路径算法中。
该装置还进一步地的包括:检测模块402;
检测模块402,用于根据预设的检测规则,检测本次规划的全局路径是否发生路径跳变;
若未发生路径跳变,则触发控制模块304将本次规划的全局路径作为机器人的移动路径;若发生路径跳变,则触发控制模块304将历史路径作为机器人的移动路径。
检测模块402,还用于计算本次规划的全局路径中的路径点,与历史路径上距离最近的路径点的距离;若在本次规划的全局路径中,距离大于第一预设距离的路径点的比例超过预设比例,则确认本次规划的全局路径发生路径跳变。
检测模块402,还用于当机器人在预设移动距离范围内,在第一预设时长内持续重新规划不合法的全局路径,则确认本次规划的全局路径发生路径跳变。
控制模块304还用于在第二预设时长内停止规划全局路径,并将上一次规划的历史路径作为本次规划的全局路径。
上述图5和图6所示实施例中的技术细节参见前述各实施例的描述,此处不再赘述。
本申请实施例中,对机器人的全局路径进行非首次规划时,判断规划的历史路径是否出现障碍物,若出现,则将该历史路径中与该障碍物重合的距离机器人最近的不合法路径点作为本次规划的全局路径的起始点,缩短全局规划的路径长度,减少计算量,并且避免因为远处的障碍物观测有噪声而导致全局路径在近处发生跳变,并通过包括偏离历史路径代价项的预设的路径算法,确认从本次规划的全局路径的起始点到目标点之间的路径点,使得本次规划的全局路径与该历史路径的偏离度小于预设范围,避免因本次计算的全局路径与该历史路径偏离太大,导致机器人因此发生大的跳变,在得到本次规划的全局路径后对其进行跳变检测,通过检测的则确认为本次全局路径,未通过检测的则将上一次计算的历史路径作为本次全局路径,通过上述方法得到本次规划的全局路径,可降低因环境变化、传感器噪声影响及障碍物变化等导致的在规划全局路径时存在的频繁跳变,减少对局部规划的影响,提高机器人移动的流畅性。
如图7所示,本申请实施例还提供了一种机器人,包括存储器100和处理器200,处理器200可以是机器人的中央处理器。存储100例如硬盘驱动存储器,非易失性存储器(例如闪存或用于形成固态驱动器的其它电子可编程限制删除的存储器等),易失性存储器(例如静态或动态随机存取存储器等)等,本申请实施例不作限制。
存储器100存储有可执行程序代码;与存储器100耦合的处理器200,调用所述存储器中存储的所述可执行程序代码,执行如上所述的机器人移动路径规划方法。
进一步的,本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是设置于上述各实施例中的机器人中,该计算机可读存储介质可以是前述图7所示实施例中的存储器100。该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现前述图1和图2所示实施例中描述的机器人移动路径规划方法。进一步的,该计算机可存储介质还可以是U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本发明所提供的机器人移动路径规划方法、装置和机器人的描述,对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种机器人移动路径规划方法,用于规划机器人从起始点到目标点的全局路径,其特征在于,包括:
对机器人的全局路径进行非首次规划时,判断规划的历史路径是否出现障碍物,若出现,则选择所述历史路径中与所述障碍物重合的不合法路径点作为本次规划的全局路径的起始点;
设置A*算法中的待计算的路径点的移动代价公式fn以对A*算法进行优化,移动代价公式fn具体设置为:
fn=gn+hn+pn;
pn=w×pdist;
其中,gn表示从所述起始点到待计算的路径点n的实际代价,hn表示从待计算的路径点n到所述目标点的估算代价,pn表示待计算的路径点n偏离所述历史路径的代价,pdist为待计算的路径点n距离所述历史路径最近点的距离,w为预先配置的偏离权重值;
通过优化后的A*算法,将距离历史路径最近的待计算的路径点确认为本次规划的路径点;
根据确认的路径点和所述目标点得到本次规划的全局路径,控制所述机器人沿所述本次规划的全局路径移动。
2.根据权利要求1所述的方法,其特征在于,所述选择所述历史路径中与所述障碍物重合的不合法路径点作为本次规划的全局路径的起始点包括:
选择所述历史路径中与所述障碍物重合的第一个不合法路径点,作为本次规划的全局路径的起始点,所述第一个不合法路径点为距离所述机器人最近的不合法路径点。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当检测到所述机器人的移动场景发生改变,获取与改变后的移动场景对应的所述偏离权重值,并将所述偏离权重值更新配置到预设的路径算法中。
4.根据权利要求3所述的方法,其特征在于,所述根据确认的路径点和所述目标点得到本次规划的全局路径之后还包括:
根据预设的检测规则,检测所述本次规划的全局路径是否发生路径跳变;
若未发生路径跳变,则将所述本次规划的全局路径作为所述机器人的移动路径;
若发生路径跳变,则将所述历史路径作为所述机器人的移动路径。
5.根据权利要求4所述的方法,其特征在于,所述根据预设的检测规则,检测所述本次规划的全局路径是否发生路径跳变包括:
计算所述本次规划的全局路径中的路径点,与所述历史路径上距离最近的路径点的距离;
若在所述本次规划的全局路径中,所述距离大于第一预设距离的路径点的比例超过预设比例,则确认所述本次规划的全局路径发生路径跳变。
6.根据权利要求5所述的方法,其特征在于,所述根据预设的检测规则,检测所述本次规划的全局路径是否发生路径跳变还包括:
当所述机器人在预设移动距离范围内,在第一预设时长内持续重新规划不合法的全局路径,则确认所述本次规划的全局路径发生路径跳变。
7.根据权利要求6所述的方法,其特征在于,所述确认所述本次规划的全局路径发生路径跳变之后包括:
在第二预设时长内停止规划全局路径,并将上一次规划的历史路径作为本次规划的全局路径。
8.一种机器人移动路径规划装置,其特征在于,包括:
判断模块,用于对机器人的全局路径进行非首次规划时,判断规划的历史路径是否出现障碍物;
选择模块,用于若出现所述障碍物,则选择所述历史路径中与所述障碍物重合的不合法路径点作为本次规划的全局路径的起始点;
确认模块,用于通过优化后的A*算法,将距离历史路径最近的待计算的路径点确认为本次规划的路径点;其中,优化后的A*算法中的移动代价公式fn具体设置为:
fn=gn+hn+pn;
pn=w×pdist;
其中,gn表示从所述起始点到待计算的路径点n的实际代价,hn表示从待计算的路径点n到所述目标点的估算代价,pn表示待计算的路径点n偏离所述历史路径的代价,pdist为待计算的路径点n距离所述历史路径最近点的距离,w为预先配置的偏离权重值;
控制模块,用于根据确认的路径点和所述目标点得到本次规划的全局路径,控制所述机器人沿所述本次规划的全局路径移动。
9.一种机器人,其特征在于,包括:
存储器和处理器;
所述存储器存储有可执行程序代码;
与所述存储器耦合的所述处理器,调用所述存储器中存储的所述可执行程序代码,执行如权利要求1至7中的任一项所述的机器人移动路径规划方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011581919.6A CN112631306B (zh) | 2020-12-28 | 2020-12-28 | 机器人移动路径规划方法、装置及机器人 |
PCT/CN2021/132198 WO2022142858A1 (zh) | 2020-12-28 | 2021-11-22 | 机器人移动路径规划方法、确定规划的路径点偏离历史路径程度的方法、装置、机器人及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011581919.6A CN112631306B (zh) | 2020-12-28 | 2020-12-28 | 机器人移动路径规划方法、装置及机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112631306A CN112631306A (zh) | 2021-04-09 |
CN112631306B true CN112631306B (zh) | 2021-12-14 |
Family
ID=75325617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011581919.6A Active CN112631306B (zh) | 2020-12-28 | 2020-12-28 | 机器人移动路径规划方法、装置及机器人 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112631306B (zh) |
WO (1) | WO2022142858A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112631306B (zh) * | 2020-12-28 | 2021-12-14 | 深圳市普渡科技有限公司 | 机器人移动路径规划方法、装置及机器人 |
CN114228708B (zh) * | 2021-12-31 | 2023-08-25 | 上海仙途智能科技有限公司 | 车辆控制方法和系统 |
CN115922688A (zh) * | 2022-06-21 | 2023-04-07 | 北京小米移动软件有限公司 | 机械手的操作方法、装置及存储介质 |
CN115016546B (zh) * | 2022-08-10 | 2022-10-28 | 中国科学院自动化研究所 | 无人机三维路径规划方法、装置、电子设备和存储介质 |
CN115167476B (zh) * | 2022-08-22 | 2024-08-09 | 湖南大学 | 一种基于深度强化学习的无人系统路径规划方法 |
CN115326058B (zh) * | 2022-10-17 | 2023-02-07 | 杭州华橙软件技术有限公司 | 机器人地图的生成方法、设备、存储介质和移动机器人 |
CN117008595A (zh) * | 2022-12-30 | 2023-11-07 | 北京石头创新科技有限公司 | 行进路径规划方法及装置、自移动机器人和存储介质 |
CN116151036B (zh) * | 2023-04-17 | 2023-07-07 | 中铁九局集团有限公司 | 一种钢筋自动绑扎的路径规划方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576686A (zh) * | 2013-11-21 | 2014-02-12 | 中国科学技术大学 | 一种机器人自主导引及避障的方法 |
CN106774347A (zh) * | 2017-02-24 | 2017-05-31 | 安科智慧城市技术(中国)有限公司 | 室内动态环境下的机器人路径规划方法、装置和机器人 |
CN108040319A (zh) * | 2017-11-29 | 2018-05-15 | 新华三技术有限公司 | 一种终端历史轨迹的确定方法及装置 |
JP2018124103A (ja) * | 2017-01-31 | 2018-08-09 | パイオニア株式会社 | 情報処理装置 |
CN109976148A (zh) * | 2017-12-28 | 2019-07-05 | 深圳市优必选科技有限公司 | 机器人运动路径规划方法、装置、存储介质及终端设备 |
CN110134126A (zh) * | 2019-05-15 | 2019-08-16 | 百度在线网络技术(北京)有限公司 | 轨迹匹配方法、装置、设备和介质 |
CN110426056A (zh) * | 2019-07-30 | 2019-11-08 | 深圳市普渡科技有限公司 | 路径规划方法 |
CN110632921A (zh) * | 2019-09-05 | 2019-12-31 | 北京百度网讯科技有限公司 | 机器人路径规划方法、装置、电子设备和存储介质 |
KR20200002214A (ko) * | 2018-06-29 | 2020-01-08 | 현대엠엔소프트 주식회사 | 차량용 경로 탐색과 안내 장치 및 방법 |
CN111177934A (zh) * | 2019-12-31 | 2020-05-19 | 福瑞泰克智能系统有限公司 | 参考路径规划的方法、设备和存储介质 |
CN111208838A (zh) * | 2020-04-20 | 2020-05-29 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及装置 |
CN111582566A (zh) * | 2020-04-26 | 2020-08-25 | 上海高仙自动化科技发展有限公司 | 路径规划方法及规划装置、智能机器人及存储介质 |
CN111938513A (zh) * | 2020-06-30 | 2020-11-17 | 珠海市一微半导体有限公司 | 一种机器人越障的沿边路径选择方法、芯片及机器人 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR200277538Y1 (ko) * | 1999-04-02 | 2002-06-14 | 김성국 | 케이블 선통장치용 송풍어댑터 |
DE102011000250A1 (de) * | 2011-01-21 | 2012-07-26 | Vorwerk & Co. Interholding Gmbh | Verfahren zur Bestimmung der Position eines selbsttätig verfahrbaren Geräts |
DE102011015775A1 (de) * | 2011-04-01 | 2012-10-04 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zum Durchführen einer Reiseroutenplanung für ein Fahrzeug |
KR101350224B1 (ko) * | 2011-12-07 | 2014-01-14 | 에스케이플래닛 주식회사 | 차량 경로 탐색 방법 및 장치 |
JP6901331B2 (ja) * | 2017-06-20 | 2021-07-14 | 株式会社東芝 | 情報処理装置、移動体、情報処理方法、およびプログラム |
CN107345815A (zh) * | 2017-07-24 | 2017-11-14 | 东北大学 | 一种基于改进a*算法的家庭服务机器人路径规划方法 |
JP6927090B2 (ja) * | 2018-03-05 | 2021-08-25 | トヨタ自動車株式会社 | 経路生成装置 |
CN111504325B (zh) * | 2020-04-29 | 2023-09-26 | 南京大学 | 一种基于扩大搜索邻域的加权a*算法的全局路径规划方法 |
CN112631306B (zh) * | 2020-12-28 | 2021-12-14 | 深圳市普渡科技有限公司 | 机器人移动路径规划方法、装置及机器人 |
-
2020
- 2020-12-28 CN CN202011581919.6A patent/CN112631306B/zh active Active
-
2021
- 2021-11-22 WO PCT/CN2021/132198 patent/WO2022142858A1/zh active Application Filing
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576686A (zh) * | 2013-11-21 | 2014-02-12 | 中国科学技术大学 | 一种机器人自主导引及避障的方法 |
JP2018124103A (ja) * | 2017-01-31 | 2018-08-09 | パイオニア株式会社 | 情報処理装置 |
CN106774347A (zh) * | 2017-02-24 | 2017-05-31 | 安科智慧城市技术(中国)有限公司 | 室内动态环境下的机器人路径规划方法、装置和机器人 |
CN108040319A (zh) * | 2017-11-29 | 2018-05-15 | 新华三技术有限公司 | 一种终端历史轨迹的确定方法及装置 |
CN109976148A (zh) * | 2017-12-28 | 2019-07-05 | 深圳市优必选科技有限公司 | 机器人运动路径规划方法、装置、存储介质及终端设备 |
KR20200002214A (ko) * | 2018-06-29 | 2020-01-08 | 현대엠엔소프트 주식회사 | 차량용 경로 탐색과 안내 장치 및 방법 |
CN110134126A (zh) * | 2019-05-15 | 2019-08-16 | 百度在线网络技术(北京)有限公司 | 轨迹匹配方法、装置、设备和介质 |
CN110426056A (zh) * | 2019-07-30 | 2019-11-08 | 深圳市普渡科技有限公司 | 路径规划方法 |
CN110632921A (zh) * | 2019-09-05 | 2019-12-31 | 北京百度网讯科技有限公司 | 机器人路径规划方法、装置、电子设备和存储介质 |
CN111177934A (zh) * | 2019-12-31 | 2020-05-19 | 福瑞泰克智能系统有限公司 | 参考路径规划的方法、设备和存储介质 |
CN111208838A (zh) * | 2020-04-20 | 2020-05-29 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及装置 |
CN111582566A (zh) * | 2020-04-26 | 2020-08-25 | 上海高仙自动化科技发展有限公司 | 路径规划方法及规划装置、智能机器人及存储介质 |
CN111938513A (zh) * | 2020-06-30 | 2020-11-17 | 珠海市一微半导体有限公司 | 一种机器人越障的沿边路径选择方法、芯片及机器人 |
Non-Patent Citations (2)
Title |
---|
An Improved A-Star Algorithm Considering Water Current, Traffic Separation and Berthing for Vessel Path Planning;Chenguang Liu 等;《applied science》;20190313;1-17 * |
复杂环境下基于A*算法的无人机路径再规划;谭雁英 等;《系统工程与电子技术》;20170630;第39卷(第6期);1268-1273 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022142858A9 (zh) | 2022-10-13 |
WO2022142858A1 (zh) | 2022-07-07 |
CN112631306A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112631306B (zh) | 机器人移动路径规划方法、装置及机器人 | |
US20210103286A1 (en) | Systems and methods for adaptive path planning | |
US7696894B2 (en) | Method for determining a relative position of a mobile unit by comparing scans of an environment and mobile unit | |
KR101585504B1 (ko) | 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치 | |
CN111108457A (zh) | 用于运行机器人控制系统的方法、设备和计算机程序 | |
US20170004406A1 (en) | Parallel belief space motion planner | |
WO2020187134A1 (zh) | 移动机器人的返回充电方法、装置、移动机器人、系统及存储介质 | |
AU2021211983A1 (en) | Warehouse mapping tools | |
KR20170088228A (ko) | 다중로봇의 자기위치인식에 기반한 지도작성 시스템 및 그 방법 | |
US11173893B2 (en) | Method and system for detecting and compensating for mechanical fault in autonomous ground vehicle | |
JP6191484B2 (ja) | 移動ロボットの自己位置推定方法 | |
CN113534818B (zh) | 路径导航规划方法、装置、存储介质及电子设备 | |
JP5614202B2 (ja) | ロボット | |
CN111060125B (zh) | 碰撞检测方法、装置、计算机设备和存储介质 | |
JP5803392B2 (ja) | 自律移動装置 | |
JP2019114005A (ja) | 交差点内の走行軌道データ生成装置、交差点内の走行軌道データ生成プログラム及び記憶媒体 | |
KR101907268B1 (ko) | 경로 선택에 기반한 자율 주행 방법 및 장치 | |
WO2023036044A1 (zh) | 全局路径规划方法、运动控制方法及计算机程序产品 | |
KR102183830B1 (ko) | 무인 자율주행차량의 경로제어장치 및 경로제어방법 | |
JP7058761B2 (ja) | 移動体制御装置、移動体制御学習装置、及び移動体制御方法 | |
US20220382286A1 (en) | Managing conflicting interactions between a movable device and potential obstacles | |
KR20180105326A (ko) | 물류 자동화를 위한 자율주행 로봇의 환경인식 및 자기위치 추정 방법 | |
JPWO2020074860A5 (zh) | ||
KR20230082885A (ko) | 자율주행로봇의 성능평가 방법 및 성능평가 시스템 | |
Anavatti et al. | A hybrid algorithm for efficient path planning of autonomous ground vehicles |
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 |