CN112711255A - 移动机器人避障方法、控制设备及存储介质 - Google Patents

Abstract

本发明公开了一种移动机器人避障方法、控制设备及存储介质，移动机器人避障方法，包括：根据预设时间间隔定时获取并分析前方图像数据，以获取若干动态障碍物的第一位置信息；获取移动机器人在当前时刻的第二位置信息、前一时刻的第三位置信息和目标点的第四位置信息；根据第一位置信息、第二位置信息和预设安全距离阈值确定障碍关系式，第二位置信息、第三位置信息和第四位置信息确定目标关系式；根据目标关系式和障碍关系式代入评价函数以确定优化速度。本发明将障碍关系式和目标关系式代入评价函数中，以通过判断函数确定优化速度，使得移动机器人能够根据优化速度避开动态障碍物，以提高移动机器人在移动过程中的安全性。

Description

移动机器人避障方法、控制设备及存储介质

技术领域

本发明涉及避障方法的技术领域，尤其是涉及一种移动机器人避障方法、控制设备及存储介质。

背景技术

随着科技的发展，机器人可以代替人们应用于各个技术领域，其中，对于移动机器人而言已无需人为控制，可以智能移动。

目前，移动机器人的使用场景不仅有静态障碍物还有大量的动态障碍物。因此，机器人不仅需要避开静态障碍物，还需要能够灵活地避开人、宠物、其它交通工具等动态障碍物。但是目前移动机器人只能智能避开静态障碍物，经典的路径规划算法往往在设计算法时只考虑了静态的障碍物场景，对具有移动障碍物的动态变化的环境考虑通常不充分，难以应用在动态场景中。因此，对于动态的障碍物如果移动机器人还是采用静态的避障算法，会难以实现避障，从而使移动机器人和动态障碍物产生碰撞。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种移动机器人避障方法，能够实现避障，从而提高移动机器人在移动过程中的安全性。

本发明还提出一种移动机器人避障控制设备。

本发明还提出一种计算机可读存储介质。

第一方面，本发明的一个实施例提供了移动机器人避障方法，包括：

根据预设时间间隔定时获取前方图像数据并分析所述前方图像数据，以获取若干动态障碍物的第一位置信息；

获取移动机器人在当前时刻的第二位置信息、前一时刻的第三位置信息和目标点的第四位置信息；

根据所述第一位置信息、所述第二位置信息和预设安全距离阈值确定障碍关系式，根据所述第二位置信息、所述第三位置信息和所述第四位置信息确定目标关系式；

根据所述目标关系式和所述障碍关系式确定优化速度。

本发明实施例的移动机器人避障方法至少具有如下有益效果：根据第一位置信息、第二位置信息和预设安全距离阈值确定障碍关系式，再根据第二位置信息、第三位置信息和第四位置信息确定目标关系式，将障碍关系式和目标关系式代入评价函数中，以通过评价函数确定优化速度，使得移动机器人能够根据优化速度避开动态障碍物，以提高移动机器人在移动过程中的安全性。

根据本发明的另一些实施例的移动机器人避障方法，所述预设安全距离阈值根据如下步骤建立：

获取所述移动机器人的当前速度、最大加速度和速度范围，并将所述预设时间间隔、所述当前速度和所述最大加速度进行计算，得到最大速度范围；

根据所述最大速度范围和所述速度范围确定速度窗口；

根据所述速度窗口和所述最大加速度确定所述预设安全距离阈值。

根据本发明的另一些实施例的移动机器人避障方法，所述根据预设时间间隔定时获取前方图像数据并分析所述前方图像数据，以获取若干动态障碍物的第一位置信息，包括：

根据预设时间间隔定时获取前方图像数据；

对所述前方图像数据进行识别以获取三维点云数据；

对所述三维点云数据进行过滤、聚类以得到若干动态障碍物信息；

根据若干所述动态障碍物信息获取所述动态障碍物的第一位置信息。

根据本发明的另一些实施例的移动机器人避障方法，所述对所述三维点云数据进行过滤、聚类以得到若干动态障碍物信息，包括：

将所述三维点云数据进行阈值分割，并将所述阈值分割后的远景的所述三维点云数据和地面的所述三维点云数据进行过滤以得到目标点云数据；

将所述目标点云数据进行聚类后采用几何信息分割以检测所述目标点云数据并获取若干所述动态障碍物信息。

根据本发明的另一些实施例的移动机器人避障方法，所述动态障碍物信息包括：动态障碍物大小信息和动态障碍物坐标信息。

根据本发明的另一些实施例的移动机器人避障方法，所述根据所述第一位置信息、所述第二位置信息和预设安全距离阈值确定障碍关系式，根据所述第二位置信息、所述第三位置信息和所述第四位置信息确定目标关系式，包括：

根据所述第一位置信息和所述第二位置信息进行计算，以得到所述移动机器人和所述动态障碍物的第一距离；

根据所述预设安全距离阈值、所述第一距离和预设第二权重系数确定所述障碍关系式；

将所述第二位置信息、所述第三位置信息、所述第四位置信息进行计算以得到第二距离；

根据所述第二距离和预设第一权重系数确定所述目标关系式。

根据本发明的另一些实施例的移动机器人避障方法，所述根据所述目标关系式和所述障碍关系式确定优化速度，包括：

将所述目标关系式和所述障碍关系式代入评价函数中；

取评价值最高时的所述预设安全距离阈值；

根据所述预设安全距离阈值和所述最大加速度确定优化速度。

根据本发明的另一些实施例的移动机器人避障方法，所述第二权重系数的设置值比所述第一权重系数高出两个数量级。

第二方面，本发明的一个实施例提供了一种移动机器人避障控制设备，包括：

至少一个处理器，以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的移动机器人避障方法。

本发明实施例的一种移动机器人避障控制设备至少具有如下有益效果：通过处理器能够执行第一方面的移动机器人避障方法，使得移动机器人避障方法操作简易。

第三方面，本发明的一个实施例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可执行指令，所述计算机可执行指令用于使计算机执行如第一方面的移动机器人避障方法。

本发明实施例的一种计算机可读存储介质至少具有如下有益效果：通过计算机可读存储介质内存储可以执行第一方面的移动机器人避障方法的计算机可执行指令，使得移动机器人避障方法实现简易。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

图1是本发明实施例中移动机器人避障方法的一具体实施例流程示意图；

图2是图1中步骤S100的一具体实施例流程示意图；

图3是图2中步骤S130的一具体实施例流程示意图；

图4是本发明实施例中移动机器人避障方法的另一具体实施例流程示意图；

图5是图1中步骤S300的一具体实施例流程示意图；

图6是图1中步骤S400的一具体实施例流程示意图。

具体实施方式

以下将结合实施例对本发明的构思及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。

在本发明的描述中，如果涉及到方位描述，例如“上”、“下”、“前”、“后”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。如果某一特征被称为“设置”、“固定”、“连接”、“安装”在另一个特征，它可以直接设置、固定、连接在另一个特征上，也可以间接地设置、固定、连接、安装在另一个特征上。

在本发明实施例的描述中，如果涉及到“若干”，其含义是一个以上，如果涉及到“多个”，其含义是两个以上，如果涉及到“大于”、“小于”、“超过”，均应理解为不包括本数，如果涉及到“以上”、“以下”、“以内”，均应理解为包括本数。如果涉及到“第一”、“第二”，应当理解为用于区分技术特征，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

目前针对于移动机器人避障方法主要包括三类：第一类是经典的路线规划类方法、第二类是群体智能方法、第三类是深度强化学习类方法，其中路线规划类方法为在环境中基于当前已知信息为移动机器人规划出一条动态障碍物的路径，用于指导机器人的避障。群体智能智能方法起源于对自然界一些生物行为的模仿，也即是一种求解优化问题的方法。深度强化学习类方法可以实现端到端直接输入传输器数据，直接输出控制移动机器人的避障指令，无需人工会传感器信息做出预处理提取动态障碍物信息。经典的路线规划算法往往在设计算法时只考虑了静态的动态障碍物场景，对于一些动态变化的动态障碍物没有考虑到，所以目前的移动机器人避障方法应用于动态场景会存在安全隐患。而群体智能方法通常是将生物行为的模仿转化成优化问题来求解，则实现该方法的计算量较大，难以满足移动机器人应用的实时性要求。基于深度强化学习类方法对于动态环境适应性号，但是训练算法模型需要的时间较长，需要的动力较大，在部署算法时对移动机器人的硬件也有较高的性能要求，而且该类算法还存在模型参数可解释性较差等不足，且安全性较低。

针对以上三类移动机器人的避障算法所存在的技术问题，本发明申请公开了一种移动机器人避障方法、控制设备及存储介质，能够在动态环境下进行避障，且实现智能避障以提高移动机器人在移动过程的安全性。

第一方面，参照图1，本发明实施例公开了一种移动机器人避障方法，包括：

S100、根据预设时间间隔定时获取前方图像数据并分析前方图像数据，以获取若干动态障碍物的第一位置信息；

S200、获取移动机器人在当前时刻的第二位置信息、前一时刻的第三位置信息和目标点的第四位置信息；

S300根据第一位置信息、第二位置信息和预设安全距离阈值确定障碍关系式，根据第二位置信息、第三位置信息和第四位置信息确定目标关系式；

S400、根据目标关系式和障碍关系式确定优化速度。

通常移动机器人从出发点向目标点进行移动以执行某一项任务，移动机器人从出发点到目标点的环境是动态变化，而且环境中包含行为和目的不可预知的其他移动的动态障碍物。因此，移动机器人在移动过程中根据预设时间定时获取前方图像数据，通过定时获取前方图数据以实时更新移动机器人的前方图像数据，以便于实时计算出移动机器人的优化速度，进而提高移动机器人在移动过程中的安全性。

通过分析前方图像数据以获取若干动态障碍物的第一位置信息，主要根据深度学习算法对前方图像数据进行分析，以分析出若干动态障碍物在图像坐标系中的分布情况，并根据动态障碍物的分布情况确定每一个动态障碍物的第一位置信息。然后获取移动机器人在当前时刻的第二位置信息、前一时刻的第三位置信息以及目标点的第四位置信息。由于线速度为单位时间内走过的距离，角速度为单位时间内转过的弧度，而且前方图像数据为预设时间间隔内定时获取的，则根据第二位置信息和第四位置信息计算出前一时刻移动机器人与目标点的距离，根据第三位置信息和第四位置信息计算出当前时刻移动机器人与目标点的距离。因此，根据第二位置信息、第三位置信息和第四位置信息能得到在前一个预设时间间隔内移动机器人的移动距离，根据第二位置信息、第三位置信息和第四位置信息能够计算出当前时刻移动机器人的目标关系式，其中目标关系式为移动机器人在前一时刻到当前时刻的移动距离。然后根据第一位置信息和第二位置信息能够计算出移动机器人与动态障碍物的距离，而且根据动态障碍物和移动机器人的距离与预设安全距离阈值，以确定障碍关系式，其中障碍关系式为动态障碍物对移动机器人的影响程度，且通过判断动态障碍物和移动机器人的距离是否位于预设安全距离阈值以判断动态障碍物对移动机器人的影响程度。若动态障碍物与移动机器人的距离不位于预设安全距离阈值内，则认为障碍关系式取值为0，也即动态障碍物不影响移动机器人的移动。若移动机器人与动态障碍物的距离位于安全距离内，则障碍关系式为通过预设安全距离阈值、移动机器人与障碍物的距离确定。因此，根据目标关系式和障碍关系式确定哪一个速度为优化速度，也即为受到动态障碍物影响后移动机器人的优化速度。因此，根据第一位置信息、第二位置信息、第三位置信息、第四位置信息以及预设安全距离阈值能够计算出优化速度，计算出的优化速的过程简单，且提高移动机器人在移动过程的安全性。

参照图2，在一些实施例中，步骤S100具体包括：

S110、根据预设时间间隔定时获取前方图像数据；

S120、对前方图像数据进行识别以获取三维点云数据；

S130、对三维点云数据进行过滤、聚类以得到若干动态障碍物信息；

S140、根据若干动态障碍物信息获取动态障碍物的第一位置信息。

其中，通过深度相机拍摄移动机器人前方的图像以输出前方图像数据，获取前方图像数据后对前方图像数据进行预处理，主要通过识别出前方图像数据中的三维点云数据。三维点云数据是指扫描资料以点的形式记录，每一个点包含有三维坐标，有些可能含有颜色信息或反射强度信息。然后对三维点云数据进行过滤、聚类以将一些不会影响移动机器人移动的动态障碍物滤除掉，再将滤除后的三维点云数据进行聚类以得到若干动态障碍物信息。动态障碍物信息包括：动态障碍物坐标信息和动态障碍物大小信息，其中动态障碍物坐标信息为前方图像数据中图像的坐标位置信息，而动态障碍物大小信息为动态障碍物在前方图像中的大小，通过动态障碍物坐标信息和动态障碍物大小信息能够得到动态障碍物与移动机器人的距离，因此根据移动机器人当前时刻的第二位置信息能够直接计算出每一个动态障碍物的坐标位置以得到若干第一位置信息。通过对前方图像数据进行识别出三维点云数据后，再将多余的三维点云数据滤除，滤除后的三维点云数据进行聚类以得到每一个动态障碍物的动态障碍物信息，根据动态障碍物信息得到每一个动态障碍物的第一位置信息，因此，计算出来的动态障碍物既会在移动机器人移动过程出现，又能够准确地计算出每一个动态障碍物的第一位置信息。

具体地，预设时间间隔为小于或等于10Hz，由于移动机器人的优化速度受预设时间间隔影响，若预设时间间隔较大则得到的优化速度会导致移动机器人在移动时的安全性下降，而预设时间间隔越小，则得到的优化速度也就更加精确，使得移动机器人在移动过程中的安全性则增高。因此选择预设时间间隔为小于或等于10Hz既能够满足移动机器人在移动过程中的安全性，又能够防止优化速度计算次数过多导致移动机器人过快的变换速度。

参照图3，在一些实施例中，步骤S130具体包括：

S131、将三维点云数据进行阈值分割，并将阈值分割后的远景的三维点云数据和地面的三维点云数据进行过滤以得到目标点云数据；

S132、将目标点云数据进行聚类后采用几何信息分割以检测目标点云数据并获取若干动态障碍物信息。

通过对三维点云数据进行阈值分割，也即将三维点云数据按照灰度值分为若干类，然后将分类后的三维点云数据中为远景的三维点云数据剔除掉，甚至包括目标点在内的三维点云数据，然后将过滤后的三维点云数据进行采样以便于加快数据处理。采样后的三维点云数据将地面的三维点云数据进行过滤以得到目标点云数据。其中地面的三维点云数据采用随机抽样一致性(RANSAC)算法过滤，以得到更加精确的目标点云数据。过滤后的目标点云数据通过聚类算法进行聚类，再采用几何信息分割算法来分割目标点云数据，以检测出准确的动态障碍物信息，并过滤掉无影响的动态障碍物，提高了动态障碍物信息的精确度，进而提高了优化速度的精确度。

参照图4，在一些实施例中，预设安全距离阈值根据如下步骤建立：

S500、获取移动机器人的当前速度、最大加速度和速度范围，并将预设时间间隔、当前速度和最大加速度进行计算，得到最大速度范围；

S600、根据最大速度范围和速度范围确定速度窗口；

S700、根据速度窗口和最大加速度确定预设安全距离阈值。

由于移动机器人受自身机械结果和电性性能的限制，移动机器人能达到的最大线速度和最大角速度是有相应的范围约束的，同时移动机器人的最大加速度和最大角速度也有相应的阈值约束。由于前方图像数据是根据预设时间间隔获取，定时更新前方图像数据，进而定时更新优化速度，因此在预设时间间隔内移动机器人具有上限阈值约束的线加速度和角加速度，能够达到的线速度和角速度是有限的。移动机器人在预设时间间隔和硬件条件限制下能够达到的速度范围是有限，因此需要先计算出最大速度范围才能得到移动机器人在预设时间间隔内的预设安全距离阈值。

具体地，通过最大加速度和速度范围，其中最大加速度信息通过移动机器人提供的驱动力确定，而速度范围根据移动机器人自身的硬件条件确定移动机器人能够达到的速度范围。根据预设时间间隔、目标关系式信息、最大加速度计算出最大速度范围，最大速度范围为在预设时间间隔内，以最大加速度条件下可以达到的最大速度范围。其中，当前速度包括：当前线速度和当前角速度，最大加速度包括：最大线加速度和最大角加速度，速度范围包括：线速度范围和角速度范围，因此最大速度范围包括：最大线速度范围和最大角速度范围，速度窗口包括：线速度窗口和角速度窗口。

最大速度具体计算公式如下：

V_d＝{(v₁,ω₁)|v₁∈[v_c-a_vΔt,v_c+a_vΔt]∩ω₁∈[ω_c-a_ωΔt,ω_c+a_ωΔt]} (1)

式中，V_d为最大速度范围，v₁为最大线速度范围，ω₁为最大角速度范围、v_c为当前线速度，a_v为最大线加速度，Δt为预设时间间隔，ω_c为当前角速度，a_ω为最大角加速度。

通过预设时间间隔、最大线加速度、最大角加速度、当前线速度和当前角速度能够计算出移动机器人在一定时间间隔以最大线加速度和最大角加速度条件下可以达到的最大线速度范围和最大角速度范围。

虽然根据预设时间间隔和最大加速度能够计算出移动机器人在预设时间间隔达到的最大速度范围，但是由于自身硬件的限制，移动机器人可是实现的速度范围有限。移动机器人的速度范围由最小速度到最大速度构成，且移动机器人的速度范围如下：

V_m＝{v₂∈[v_min,v_max]∩ω₂∈[ω_min,ω_max]} (2)

式中，V_m为速度范围，v₂为线速度范围，ω₂为角速度范围，v_min为最小线速度，v_max为最大线速度，ω_min为最小角速度，ω_max为最大角速度。

通过根据最小线速度、最大线速度、最小角速度和最大角速度计算得到移动机器人的速度范围。

根据速度范围和最大速度范围的交集得到速度窗口，且速度窗口的计算如下：

V_r＝V_m∩V_d (3)

通过速度范围和最大速度范围的交集能够得到速度窗口，因此确定移动机器人在预设时间间隔内能够实现的速度。

参照图5，在一些实施例中，步骤S300具体包括：

S310、根据第一位置信息和第二位置信息进行计算，以得到移动机器人和动态障碍物的第一距离；

S320、根据预设安全距离阈值、第一距离和预设第二权重系数确定障碍关系式；

S330、将第二位置信息、第三位置信息、第四位置信息进行计算以得到第二距离；

S340、根据第二距离和预设第一权重系数确定目标关系式。

通过第一位置信息和第二位置信息进行计算能够得到当前时刻移动机器人与动态障碍物的第一距离，且选择距离移动机器人最近的动态障碍物的第一位置信息，并计算出最接近移动机器人的动态障碍物与移动机器人的第一距离，由于预设安全距离阈值根据速度窗口和最大加速度确定，因此根据预设安全距离阈值、第一距离和预设时间间隔得到障碍关系式。根据第二位置信息和第三位置信息能够计算出前一时刻移动机器人和目标点的距离，根据第二位置信息和第四位置信息能够计算出当前时刻移动机器人和目标点的距离。因此根据第二位置信息、第三位置信息和第四位置信息计算得到前一时刻到当前时刻移动机器人的移动距离，也即在预设时间间隔内移动机器人的第二距离，再根据第二距离和第二权重系数的乘积得到目标关系式。通过确定目标关系式和障碍关系式即可将目标关系式和障碍关系式代入评价函数中，通过评价函数确定优化速度。评价函数主要是对移动机器人的线速度和角速度进行评价，以评价值最高的速度即为优化速度。而且评价函数由两部分组成，第一部分为目标关系式，第二部分为障碍关系式，其中目标关系式由前一时刻和当前时刻移动机器人与目标点的距离之差构成，也即由第二位置信息、第三位置信息和第四位置信息构成。障碍关系式主要由离移动机器人最近的动态障碍物的距离与预设安全距离阈值构成，也即根据预设安全距离阈值、第一距离和第二权重系数确定障碍关系式。

其中，评价函数的计算公式如下：

G(ν,ω)＝GoalCost-ObstacleCost (4)

式中，G(ν,ω)为评价函数，GoalCost为目标关系式，ObstacleCost为障碍关系式。

其中，目标关系式的计算公式如下：

k₁是可调节的第一权重系数，也称为目标增益系数，D_target(t-1)表示前一时刻t-1移动机器人到离目标点的距离，D_target(t)表示当前时刻t移动机器人到离目标点的距离。

其中，障碍关系式的计算公式如下：

ObstacleCost＝k₂·max(D_safe-d₀,0) (6)

k₂是可调节的第二权重系数，也称为动态障碍物增益系数，D_safe是为由移动机器人最大加速度和最大线速度范围确定的预设安全距离阈值d_o是移动机器人距离最近的动态障碍物的距离，max(D_safe-d₀,0)为取最大值函数，即max(D_safe-d₀,0)表示取D_safe-d₀和0中较大的那一个值。

因此，通过公式(4)至(6)能够将速度窗口的速度代入，以得到不同速度下得到的评价值，取评价值最高的速度为优化速度，使得优化速度计算简易且精确，以便于移动机器人根据优化速度行驶以避开动态障碍物，提高移动机器人移动时的安全性。

参照图6，在一些实施例中，步骤S400具体包括：

S410、将目标关系式和障碍关系式代入评价函数中；

S420、取评价值最高时的预设安全距离阈值；

S430、根据预设安全距离阈值和最大加速度确定优化速度。

其中，评价函数具体如下：

由于D_safe是为由移动机器人最大加速度和最大线速度确定的预设安全距离阈值，则D_safe主要受速度窗口影响，则根据不同的速度下得到不同评价值，因此根据评价值为最高时的速度为优化速度。其中，max(D_safe-d₀,0)表示取D_safe-d₀和0中较大的那一个值。若动态障碍物位于预设安全距离阈值内，max(D_safe-d₀,0)为0，则根据前一时刻的速度为优化速度，由于前一时刻的速度也为优化后的速度，所以在移动机器人移动前方没有动态障碍物时保持速度即为优化速度。若动态障碍物位于预设安全距离阈值内，则max(D_safe-d₀,0)为D_safe-d₀，因此取得评价值最大时的速度为优化速度。而且优化速度的求解算法采用离散化的方式求解，首先对上一步骤计算出移动机器人的速度窗口，然后依据实际移动机器人的速度窗口离散成若干10×10个取值点，然后将各组离散点使用评价函数进行评价，以评价值最高的为优化速度。具体为将获取的速度窗口划分成10×10个取值点，然后将10×10个取值点代入到公式(7)中，取评价值最高时对应的速度为优化速度，以便于移动机器人在预设时间间隔内移动的速度更加符合动态环境，以有效地避开动态障碍物，从而提高移动机器人移动过程的安全性。

在一些实施例中，第二权重系数的设置值比第一权重系数高出两个数量级，也即假设第一权重系数为12，则第二权重系数为6666等，即第一权重系数为个位数，则第二权重系数为百位数，第一权重系数为十位数则第二权重系数为千位数。主要因为动态障碍物对于速度的影响更大，因此通过设置不同的权重系数能够精确地得出优化速度。

下面参考图1至图6以一个具体的实施例详细描述根据本发明实施例的移动机器人避障方法。值得理解的是，下述描述仅是示例性说明，而不是对发明的具体限制。

首先获取前方图像数据，并对前方图像数据进行识别以得到三维点云数据后，对三维点云数据进行阈值分割，也即将三维点云数据按照灰度值分为若干类，然后将分类后的三维点云数据中为远景的三维点云数据剔除掉，甚至包括目标点在内的三维点云数据，然后将过滤后的三维点云数据进行采样以便于加快数据处理。采样后的三维点云数据将地面的三维点云数据进行过滤以得到目标点云数据。其中地面的三维点云数据采用随机抽样一致性(RANSAC)算法过滤，以得到更加精确的目标点云数据。过滤后的目标点云数据通过聚类算法进行聚类，再采用几何信息来分割目标点云数据，以得到准确的动态障碍物信息。

获取最大加速度和速度范围，根据预设时间间隔、目标关系式信息、最大加速度计算出最大速度范围，最大速度范围为在预设时间间隔内，以最大加速度条件下可以达到的最大速度范围。然后根据速度范围和最大速度范围的交集得到速度窗口。将速度窗口划分成10×10个取值点，然后将10×10个取值点代入到公式(7)中，取评价值最高时对应的速度为优化速度。因此计算出的优化速度更加符合当前的动态环境，使移动机器人在预设时间间隔内移动不会碰撞到动态障碍物，从而提高移动机器人在移动过程中的安全性。

第二方面，本发明实施例还公开了一种移动机器人避障控制设备，包括：

至少一个处理器，以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面的移动机器人避障方法。

通过处理器能够执行第一方面的移动机器人避障方法，使得移动机器人避障方法操作简易。其中，移动机器人避障控制设备可以为移动终端设备，也可以为非移动终端设备。移动终端设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载终端设备、可穿戴设备、超级移动个人计算机、上网本、个人数字助理、CPE、UFI(无线热点设备)等；非移动终端设备可以为个人计算机、电视机、柜员机或者自助机等；本发明实施方案不作具体限定

第三方面，本发明实施例还公开了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如第一方面的移动机器人避障方法。

通过计算机可读存储介质内存储可以执行第一方面的移动机器人避障方法的计算机可执行指令，使得移动机器人避障方法实现简易。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。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。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

Claims (10)

1.移动机器人避障方法，其特征在于，包括：

根据预设时间间隔定时获取前方图像数据并分析所述前方图像数据，以获取若干动态障碍物的第一位置信息；

获取移动机器人在当前时刻的第二位置信息、前一时刻的第三位置信息和目标点的第四位置信息；

根据所述第一位置信息、所述第二位置信息和预设安全距离阈值确定障碍关系式，根据所述第二位置信息、所述第三位置信息和所述第四位置信息确定目标关系式；

根据所述目标关系式和所述障碍关系式确定优化速度。

2.根据权利要求1所述的移动机器人避障方法，其特征在于，所述预设安全距离阈值根据如下步骤建立：

获取所述移动机器人的当前速度、最大加速度和速度范围，并将所述预设时间间隔、所述当前速度和所述最大加速度进行计算，得到最大速度范围；

根据所述最大速度范围和所述速度范围确定速度窗口；

根据所述速度窗口和所述最大加速度确定所述预设安全距离阈值。

3.根据权利要求1所述的移动机器人避障方法，其特征在于，所述根据预设时间间隔定时获取前方图像数据并分析所述前方图像数据，以获取若干动态障碍物的第一位置信息，包括：

根据预设时间间隔定时获取前方图像数据；

对所述前方图像数据进行识别以获取三维点云数据；

对所述三维点云数据进行过滤、聚类以得到若干动态障碍物信息；

根据若干所述动态障碍物信息获取所述动态障碍物的第一位置信息。

4.根据权利要求3所述的移动机器人避障方法，其特征在于，所述对所述三维点云数据进行过滤、聚类以得到若干动态障碍物信息，包括：

将所述三维点云数据进行阈值分割，并将所述阈值分割后的远景的所述三维点云数据和地面的所述三维点云数据进行过滤以得到目标点云数据；

将所述目标点云数据进行聚类后采用几何信息分割以检测所述目标点云数据并获取若干所述动态障碍物信息。

5.根据权利要求3所述的移动机器人避障方法，其特征在于，所述动态障碍物信息包括：动态障碍物大小信息和动态障碍物坐标信息。

6.根据权利要求2所述的移动机器人避障方法，其特征在于，所述根据所述第一位置信息、所述第二位置信息和预设安全距离阈值确定障碍关系式，根据所述第二位置信息、所述第三位置信息和所述第四位置信息确定目标关系式，包括：

根据所述第一位置信息和所述第二位置信息进行计算，以得到所述移动机器人和所述动态障碍物的第一距离；

根据所述预设安全距离阈值、所述第一距离和预设第二权重系数确定所述障碍关系式；

将所述第二位置信息、所述第三位置信息、所述第四位置信息进行计算以得到第二距离；

根据所述第二距离和预设第一权重系数确定所述目标关系式。

7.根据权利要求6所述的移动机器人避障方法，其特征在于，所述根据所述目标关系式和所述障碍关系式确定优化速度，包括：

将所述目标关系式和所述障碍关系式代入评价函数中；

取评价值最高时的所述预设安全距离阈值；

根据所述预设安全距离阈值和所述最大加速度确定优化速度。

8.根据权利要求6所述的移动机器人避障方法，其特征在于，所述第二权重系数的设置值比所述第一权重系数高出两个数量级。

9.一种移动机器人避障控制设备，其特征在于，包括：

至少一个处理器，以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8任一项所述的移动机器人避障方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至8任一项所述的移动机器人避障方法。

Images