CN112925318A - 一种应用于智能机器人移动路径的计算方法 - Google Patents
一种应用于智能机器人移动路径的计算方法 Download PDFInfo
- Publication number
- CN112925318A CN112925318A CN202110097551.4A CN202110097551A CN112925318A CN 112925318 A CN112925318 A CN 112925318A CN 202110097551 A CN202110097551 A CN 202110097551A CN 112925318 A CN112925318 A CN 112925318A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- steps
- ros
- navigation
- intelligent 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 93
- 238000004088 simulation Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000013461 design Methods 0.000 claims abstract description 15
- 230000009471 action Effects 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 22
- 230000033001 locomotion Effects 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000033772 system development Effects 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims 2
- 230000002457 bidirectional effect Effects 0.000 description 4
- 150000002500 ions Chemical class 0.000 description 4
- 238000004659 sterilization and disinfection Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid Substances 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
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- 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
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)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种应用于智能机器人移动路径的计算方法，包括如下步骤：S1、选择工具软件，选取ROS作为系统，利用矩阵实验软件作为设计和仿真工具，确定矩阵实验软件和ROS的通信方案；S2、分析ROS系统的两种成果展示；S3、对比现有路径移动算法，确定最终算法，通过对现有部分算法的解析，得出最终计算方法：避免局部最优：设置系数，使得智能体有一定的概率采取最优行为，也有一定概率随即采取所有可采取的行动，将走过的路径纳入记忆库，避免小范围内的循环；S4、确定地位算法，根据TOA原理，测量待定位节点MS(x，y)与发送端(xi，yi)的信号之间的到达时间，扩大了这种新型等离子体空气消毒机在市场上的应用范围。
Description
技术领域
本发明属于机器人移动路径技术领域，更具体地说，尤其涉及一种应用于智能机器人移动路径的计算方法。
背景技术
等离子体空气消毒机，具有国际先进水平的等离子空气消毒机，利用(sPC)超能离子发生器，瞬间激发兆亿级正负离子，可以高效杀菌，等离子体灭菌消毒效果极强，目作用时间短，是高强紫外线所远远不及的。等离子体是继固态、液态、气态下的第四种形态。SPC超能离子云释放兆亿级的正负电子，通过证负离子湮灭产生大量能量从而破坏细菌包膜、杀死细胞核。
现有的等离子体空气消毒设备，多为固定式，或者人工推行式，缺少智能移动功能，因此，我们亟需一种智能机器人移动路径的计算方法，使其与等离子体空气消毒结合，成为利用等离子体空气消毒设备作为载体，扩大这种新型等离子体空气消毒机在市场上的应用范围，扩大机器人移动的应用范围。
发明内容
为实现上述目的，本发明提供如下技术方案：
一种应用于智能机器人移动路径的计算方法，包括如下步骤：
S1、选择工具软件，选取ROS作为系统，利用矩阵实验软件作为设计和仿真工具，确定矩阵实验软件和ROS的通信方案；
S2、分析ROS系统的两种成果展示，分别包括真实机器人和仿真机器人的成果，其中真实机器人的循环导航效果：必须先在rviz中使用Cycle_Goal给出导航点，再使用NavPanel给出循环次数和发起导航。使用NavPanel时输入循环次数后需要按下回车建(只能按一次)，发起导航需要按回车键(只能按一次)；自主巡墙建图效果：开启以后需要使用Publish Point点四个点标出需要探索的范围，再在有地图的地方点最后一个点使探索树可行。点完五个点以后，需要使用2D Nav Goal开启自主探索；仿真机器人的循环导航效果包括av_demo效果：与先前的真实机器人不同，在仿真中，如果想完成一个完整的Nav，需要多个nav_demo，这是其中一个demo的展示效果图；
S3、对比现有路径移动算法，确定最终算法，通过对Dijkstra算法、Q-Learning算法、Bidirectional RRT/RRT Connect算法和RRT算法、Fuzzy算法、GA算法、potential算法和PRM算法的解析，得出最终计算方法：避免局部最优：设置系数，使得智能体有一定的概率采取最优行为，也有一定概率随即采取所有可采取的行动，将走过的路径纳入记忆库，避免小范围内的循环；
增加斜向运动：将斜向运动的奖励值设置为√2/2，取近似值0.707，可以避免出现如机器人先向左上方移动再向左下方移动而不选择直接向左移动两格的情况；
S4、确定地位算法：根据TOA原理：测量待定位节点MS(x，y)与发送端(xi，yi)的信号之间的到达时间，然后转换为距离，从而进行定位，三个基站到MS的距离分别为r1，r2，r3，以各自基站为圆心测量距离为半径，绘制三个圆，其交点即为MS的位置。当三个基站都是LOS基站时，一般可以根据最小二乘(LS)算法计算MS的估计位。
优选的，所述ROS是一个分布式的进程(也就是“节点”)框架，这些进程被封装在易于被分享和发布的程序包和功能包中；所述ROS同时可支持一种类似于代码储存库的联合系统，这个系统也可以实现工程的协作及发布，可以使一个工程的开发和实现从文件系统到用户接口完全独立决策(不受ROS限制)，所有的工程都可以被ROS的基础工具整合在一起。
优选的，所述矩阵实验软件采用MATLAB(矩阵实验室)包括数值分析单元、数值和符号计算单元、工程与科学绘图单元、控制系统的设计与仿真单元、数字图像处理大院、数字信号处理单元、财务与金融工程单元。
优选的，所述MATLAB包括多种模块集和工具箱，用户直接使用工具箱学习、应用和评估不同的方法而不需要自己编写代码，其领域包括数据采集、数据库接口、概率统计、样条拟合、优化算法、偏微分方程求解、神经网络、小波分析、信号处理、图像处理、系统辨识、控制系统设计、LMI控制、鲁棒控制、模型预测、模糊逻辑、金融分析、地图工具、非线性控制设计、实时快速原型及半物理仿真、嵌入式系统开发、定点仿真、DSP与通讯和电力系统仿真。
优选的，所述仿真机器人演示步骤如下：
cbh：开启包括建图、导航、自主探索这些功能的主要功能包；
nav_panel(CBH_cycle_nav下)：rviz插件，用以接收单个导航点，设置循环次数，发布多个导航点和循环次数；
nav_tool(CBH_cycle_nav下)：rviz工具，发布单个导航点；cycle_nav(CBH_cycle_nav下)：接收多个导航点和循环次数，实现多点循环导航功能；
depthimage_to_laserscan：深度摄像机数据转换为激光数据；
pointcloud_to_laserscan：点云数据转换为激光数据；
rrt_exploration：快速探索随机数巡墙自主建图算法。
优选的，所述快速探索随机数巡墙自主建图算法根据地图数据做全局和局部的随机搜索树同时做一个maker显示在rviz上，把搜索树的路径发布到filter上，filter针对这些数据进行一个过滤，将符合地图边界特征的数据发布到assigner上，由assigner进行move_base导航到此处。
优选的，所述智能机器人移动路径还可以通过传感控制模块进行定位，所述传感控制模块包括红外发射单元和红外接收单元，所述红外发射单元采用振荡电路，其振荡频率调整在某个频率f附近，经驱动红外发射管，使其发出频率f左右的红外光，所述红外接收单元通过红外接收管接收信号，采用单运放组成的放大电路对接收的信号进行放大，放大后的信号加到刚刚的振荡电路进行解码。
优选的，所述红外发射单元和红外接收单元均通过总控系统进行级联。
优选的，所述总控系统的控制电路包括主控芯片U4，所述主控芯片U4包括第三地址端C0-C8、三个数据端RA0-RA2、一开关机控制端Power及一复位控制端Reset。
优选的，所述第三地址端C0-C8分别与解码器U3的第二地址端B0-B8匹配设置，所述数据端RA0-RA2分别与解码器U3的解码输出端DB0-DB2一一对应连接，最终根据所接收到的地址码与数据码分别输出一对应的控制信号至开关机控制端及复位控制端。
本发明的技术效果和优点：本发明提供的一种应用于智能机器人移动路径的计算方法，通过选取ROS作为系统，选取MATLAB作为设计和仿真工具，分析ROS系统的两种成果展示后，通过对Dijkstra算法、Q-Learning算法、Bidirectional RRT/RRT Connect算法和RRT算法、Fuzzy算法、GA算法、potential算法和PRM算法的解析，得出最终路径移动的计算方法，避免局部最优且增加斜向运动，同时确定地位算法，使载体在多种领域内发挥其最大价值。
附图说明
图1为本发明一种应用于智能机器人移动路径的计算方法的算法流程图；
图2为本发明一种应用于智能机器人移动路径的计算方法的Q-Learning算法流程图；
图3为本发明一种应用于智能机器人移动路径的计算方法的Dijkstra算法流程图；
图4为本发明一种应用于智能机器人移动路径的计算方法的GA算法流程图。
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，以下结合具体实施例，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做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。
一种应用于智能机器人移动路径的计算方法，包括如下步骤：
S1、选择工具软件，选取ROS作为系统，利用矩阵实验软件作为设计和仿真工具，确定矩阵实验软件和ROS的通信方案；
S2、分析ROS系统的两种成果展示，分别包括真实机器人和仿真机器人的成果，其中真实机器人的循环导航效果：必须先在rviz中使用Cycle_Goal给出导航点，再使用NavPanel给出循环次数和发起导航。使用NavPanel时输入循环次数后需要按下回车建(只能按一次)，发起导航需要按回车键(只能按一次)；自主巡墙建图效果：开启以后需要使用Publish Point点四个点标出需要探索的范围，再在有地图的地方点最后一个点使探索树可行。点完五个点以后，需要使用2D Nav Goal开启自主探索；仿真机器人的循环导航效果包括av_demo效果：与先前的真实机器人不同，在仿真中，如果想完成一个完整的Nav，需要多个nav_demo，这是其中一个demo的展示效果图；
S3、对比现有路径移动算法，确定最终算法，通过对Dijkstra算法、Q-Learning算法、Bidirectional RRT/RRT Connect算法和RRT算法、Fuzzy算法、GA算法、potential算法和PRM算法的解析，得出最终计算方法：避免局部最优：设置系数，使得智能体有一定的概率采取最优行为，也有一定概率随即采取所有可采取的行动，将走过的路径纳入记忆库，避免小范围内的循环；
增加斜向运动：将斜向运动的奖励值设置为√2/2，取近似值0.707，可以避免出现如机器人先向左上方移动再向左下方移动而不选择直接向左移动两格的情况；
S4、确定地位算法：根据TOA原理：测量待定位节点MS(x，y)与发送端(xi，yi)的信号之间的到达时间，然后转换为距离，从而进行定位，三个基站到MS的距离分别为r1，r2，r3，以各自基站为圆心测量距离为半径，绘制三个圆，其交点即为MS的位置。当三个基站都是LOS基站时，一般可以根据最小二乘(LS)算法计算MS的估计位。
具体的，所述ROS是一个分布式的进程(也就是“节点”)框架，这些进程被封装在易于被分享和发布的程序包和功能包中；所述ROS同时可支持一种类似于代码储存库的联合系统，这个系统也可以实现工程的协作及发布，可以使一个工程的开发和实现从文件系统到用户接口完全独立决策(不受ROS限制)，所有的工程都可以被ROS的基础工具整合在一起。
具体的，所述矩阵实验软件采用MATLAB(矩阵实验室)包括数值分析单元、数值和符号计算单元、工程与科学绘图单元、控制系统的设计与仿真单元、数字图像处理大院、数字信号处理单元、财务与金融工程单元。
具体的，所述MATLAB包括多种模块集和工具箱，用户直接使用工具箱学习、应用和评估不同的方法而不需要自己编写代码，其领域包括数据采集、数据库接口、概率统计、样条拟合、优化算法、偏微分方程求解、神经网络、小波分析、信号处理、图像处理、系统辨识、控制系统设计、LMI控制、鲁棒控制、模型预测、模糊逻辑、金融分析、地图工具、非线性控制设计、实时快速原型及半物理仿真、嵌入式系统开发、定点仿真、DSP与通讯和电力系统仿真等。
具体的，所述仿真机器人演示步骤如下：
cbh：开启包括建图、导航、自主探索这些功能的主要功能包；
nav_panel(CBH_cycle_nav下)：rviz插件，用以接收单个导航点，设置循环次数，发布多个导航点和循环次数；
nav_tool(CBH_cycle_nav下)：rviz工具，发布单个导航点；cycle_nav(CBH_cycle_nav下)：接收多个导航点和循环次数，实现多点循环导航功能；
depthimage_to_laserscan：深度摄像机数据转换为激光数据；
pointcloud_to_laserscan：点云数据转换为激光数据；
rrt_exploration：快速探索随机数巡墙自主建图算法。
具体的，所述快速探索随机数巡墙自主建图算法根据地图数据做全局和局部的随机搜索树同时做一个maker显示在rviz上，把搜索树的路径发布到filter上，filter针对这些数据进行一个过滤，将符合地图边界特征的数据发布到assigner上，由assigner进行move_base导航到此处。
具体的，所述智能机器人移动路径还可以通过传感控制模块进行定位，所述传感控制模块包括红外发射单元和红外接收单元，所述红外发射单元采用振荡电路，其振荡频率调整在某个频率f附近，经驱动红外发射管，使其发出频率f左右的红外光，所述红外接收单元通过红外接收管接收信号，采用单运放组成的放大电路对接收的信号进行放大，放大后的信号加到刚刚的振荡电路进行解码。
具体的，所述红外发射单元和红外接收单元均通过总控系统进行级联。
具体的，所述总控系统的控制电路包括主控芯片U4，所述主控芯片U4包括第三地址端C0-C8、三个数据端RA0-RA2、一开关机控制端及一复位控制端。
具体的，所述第三地址端C0-C8分别与解码器U3的第二地址端B0-B8匹配设置，所述数据端RA0-RA2分别与解码器U3的解码输出端DB0-DB2一一对应连接，最终根据所接收到的地址码与数据码分别输出一对应的控制信号至开关机控制端及复位控制端。
具体的，所述Q-Learning算法是强化学习算法中value-based的算法，Q即为Q(s,a)就是在某一时刻的s状态下(s∈S)，采取动作a(a∈A)动作能够获得收益的期望，环境会根据agent的动作反馈相应的回报reward r，所以算法的主要思想就是将State与Action构建成一张Q-table来存储Q值，然后根据Q值来选取能够获得最大的收益的动作。
Q-learning的主要优势就是使用了时间差分法TD(融合了蒙特卡洛和动态规划)能够进行离线学习,使用bellman方程可以对马尔科夫过程求解最优策略。
Q(s,a)←Q(s,a)+α[r+γmaxa’Q(s’,a’)-Q(s,a)]
其中α为学习率γ为奖励性衰变系数,这就是Q-learning更新的公式，根据下一个状态s’中选取最大的Q(s’,a’)Q(s',a')Q(s′,a′)值乘以衰变γ加上真实回报值最为Q现实，而根据过往Q表里面的Q(s,a)作为Q估计；
具体的，所述Dijkstra算法是一种贪心的策略，声明一个数组dis来保存源点到各个顶点的最短距离和一个保存已经找到了最短路径的顶点集合：T，初始时，原点s的路径权重被赋予0，对顶点s能够到达直接到达的边(s，m)，则把dis[m]设为w(s，m)，同时把所有其他不能到达的顶点路径长度设为无穷大；同时初始时集合T只有s。然后，从dis数组选择最小值，则该值就是源点s到该值对应的顶点最短路径，并且把改点加入到T中，然后需要看看新加入的顶点是否可以到达其他顶点并且看看通过该顶点到达其他点的路径是否比源点直接到达短，如果是，那么就替换这些顶点在dis中的值。然后，又从dis中找出最小值，重复上述动作，直到T中包含了图的所有顶点。
所述Dijkstra算法的步骤包括：
(1)初始时，S只包含起点s；U包含除s外的其他顶点，且U中顶点的距离为”起点s到该顶点的距离”[例如，U中顶点v的距离为(s,v)的长度，然后s和v不相邻，则v的距离为∞]；
(2)从U中选出”距离最短的顶点k”，并将顶点k加入到S中；同时，从U中移除顶点k；
(3)更新U中各个顶点到起点s的距离。之所以更新U中顶点的距离，是由于上一步中确定了k是求出最短路径的顶点，从而可以利用k来更新其它顶点的距离；例如，(s,v)的距离可能大于(s,k)+(k,v)的距离；
(4)重复步骤(2)和(3)，直到遍历完所有顶点。
所述RRT算法是一种多维空间中有效率的规划方法。它以一个初始点作为根节点，通过随机采样增加叶子节点的方式，生成一个随机扩展树，当随机树中的叶子节点包含了目标点或进入了目标区域，便可以在随机树中找到一条由从初始点到目标点的路径。初始化时随机树T只包含一个节点：根节点qinit。首先Sample函数从状态空间中随机选择一个采样点qrand；然后Nearest函数从随机树中选择一个距离qrand最近的节点qnearest；最后Extend函数通过从qnearest向qrand扩展一段距离，得到一个新的节点qnew。如果qnew与障碍物发生碰撞，则Extend函数返回空，放弃这次生长，否则将qnew加入到随机树中。重复上述步骤直到qnearest和目标点qgaol距离小于一个阈值，则代表随机树到达了目标点，算法返回成功。为了使算法可控，可以设定运行时间上限或搜索次数上限。如果在限制次数内无法到达目标点，则算法返回失败。为了加快随机树到达目标点的速度，简单的改进方法是：在随机树每次的生长过程中，根据随机概率来决定qrand是目标点还是随机点。在Sample函数中设定参数Prob，每次得到一个0到1.0的随机值p，当0<p<Prob的时候，随机树朝目标点生长行；当Prob<p<1.0时，随机树朝一个随机方向生长。
所述Bidirectional RRT/RRT Connect算法与原始RRT相比，在目标点区域建立第二棵树进行扩展。每一次迭代中，开始步骤与原始的RRT算法一样，都是采样随机点然后进行扩展。然后扩展完第一棵树的新节点qnew后，以这个新的目标点作为第二棵树扩展的方向。同时第二棵树扩展的方式略有不同，首先它会扩展第一步得到q′new，如果没有碰撞，继续往相同的方向扩展第二步，直到扩展失败或者q′new＝qnew表示与第一棵树相连了，；当然每次迭代中必须考虑两棵树的平衡性，即两棵树的节点数的多少，交换次序选择“小”的那棵树进行扩展。这种双向的RRT技术具有良好的搜索特性，比原始RRT算法的搜索速度、搜索效率有了显著提高，被广泛应用。首先，Connect算法较之前的算法在扩展的步长上更长，使得树的生长更快；其次，两棵树不断朝向对方交替扩展，而不是采用随机扩展的方式，特别当起始位姿和目标位姿处于约束区域时，两棵树可以通过朝向对方快速扩展而逃离各自的约束区域。这种带有启发性的扩展使得树的扩展更加贪婪和明确，使得双树RRT算法较之单树RRT算法更加有效。
所述Fuzzy算法是将聚类与数据点通过一个成员水平联系起来。成员水平显示了数据点与某一聚类之间的联系有多强，按照成员水平决定数据点属于哪一个或哪一些聚类，其计算步骤包括：
(1)对隶属矩阵U使用(0,1)之间的值进行均匀分布的初始化，使其满足约束：
(2)计算c个聚类中心，j＝1,……,c,表达式为：
(3)计算代价函数，如果其小于某个阈值，1它与上一次迭代的代价函数值的变化小于某个阈值，则算法停止。
4.计算新的隶属矩阵，返回步骤2。
所述GA算法是基于生物遗传和进化机制，结合自适应的概率优化算法，其具体计算步骤包括：
(1)确定适应度函数的取值范围，确立精度及染色体编码长度。
(2)初始化操作：染色体编码，确立种群数量，交叉、变异概率等。
(3)初始化种群：随机生成第一代种群。
(4)利用适应度函数评价种群，判断是否满足停止条件，若是则停止，输出最优解；否则继续进行操作。
(5)对种群进行选择、交叉、变异操作，得到下一代种群，回到第4步。
所述potential算法是将机器人在环境中的运动视为一种机器人在虚拟的人工受力场的运动，障碍物对机器人产生斥力，目标点对机器人产生引力，引力和斥力的合力作为机器人的加速力，来控制机器人的运动方向和计算机器人的位置。
人工建立势场，将障碍物设置成斥力，目标设置成吸引力，进行力的矢量相加，最后算出合力的方向。
引力场：
斥力场：
总场：
U(q)＝Uatt(q)+Ureq(q)
所述PRM算法是基于随机采样技术的PRM法，可以有效解决“高维空间”和“复杂约束”中的路径规划问题。
用随机路径图(PRM)法寻找给定地图中两点之间的路径，PRM进行路径规划的步骤：
学习阶段：在给定图的自由空间里随机撒点(自定义个数)，构建一个路径网络图。
a)构造步骤
b)扩张步骤
查询阶段：
查询从一个起点到一个终点的路径。
a)局部路径规划
b)距离计算
c)碰撞检查。
综上所述：本发明提供的一种应用于智能机器人移动路径的计算方法，通过选取ROS作为系统，选取MATLAB作为设计和仿真工具，分析ROS系统的两种成果展示后，通过对Dijkstra算法、Q-Learning算法、Bidirectional RRT/RRT Connect算法和RRT算法、Fuzzy算法、GA算法、potential算法和PRM算法的解析，得出最终路径移动的计算方法，避免局部最优且增加斜向运动，同时确定地位算法，使载体在多种领域内发挥其最大价值。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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同替换,凡在本发明的精神和原则之内，所作的任何修改、同替换、改进，均应包含在本发明的保护范围之内。
Claims (10)
1.一种应用于智能机器人移动路径的计算方法，其特征在于：包括如下步骤：
S1、选择工具软件，选取ROS作为系统，利用矩阵实验软件作为设计和仿真工具，确定矩阵实验软件和ROS的通信方案；
S2、分析ROS系统的两种成果展示，分别包括真实机器人和仿真机器人的成果，其中真实机器人的循环导航效果：必须先在rviz中使用Cycle_Goal给出导航点，再使用NavPanel给出循环次数和发起导航，使用NavPanel时输入循环次数后需要按下回车建(只能按一次)，发起导航需要按回车键(只能按一次)；自主巡墙建图效果：开启以后需要使用PublishPoint点四个点标出需要探索的范围，再在有地图的地方点最后一个点使探索树可行，点完五个点以后，需要使用2D Nav Goal开启自主探索；仿真机器人的循环导航效果包括av_demo效果：与先前的真实机器人不同，在仿真中，如果想完成一个完整的Nav，需要多个nav_demo，这是其中一个demo的展示效果图；
S3、对比现有路径移动算法，确定最终算法，通过对Dijkstra算法、Q-Learning算法、Bidirectional RRT/RRT Connect算法和RRT算法、Fuzzy算法、GA算法、potential算法和PRM算法的解析，得出最终计算方法：避免局部最优：设置系数，使得智能体有一定的概率采取最优行为，也有一定概率随即采取所有可采取的行动，将走过的路径纳入记忆库，避免小范围内的循环；
增加斜向运动：将斜向运动的奖励值设置为√2/2，取近似值0.707，可以避免出现如机器人先向左上方移动再向左下方移动而不选择直接向左移动两格的情况；
S4、确定地位算法：根据TOA原理：测量待定位节点MS(x，y)与发送端(xi，yi)的信号之间的到达时间，然后转换为距离，从而进行定位，三个基站到MS的距离分别为r1，r2，r3，以各自基站为圆心测量距离为半径，绘制三个圆，其交点即为MS的位置，当三个基站都是LOS基站时，一般可以根据最小二乘(LS)算法计算MS的估计位。
2.根据权利要求1所述的一种应用于智能机器人移动路径的计算方法，其特征在于：所述ROS是一个分布式的进程(也就是“节点”)框架，这些进程被封装在易于被分享和发布的程序包和功能包中；所述ROS同时可支持一种类似于代码储存库的联合系统，这个系统也可以实现工程的协作及发布，可以使一个工程的开发和实现从文件系统到用户接口完全独立决策(不受ROS限制)，所有的工程都可以被ROS的基础工具整合在一起。
3.根据权利要求1所述的一种应用于智能机器人移动路径的计算方法，其特征在于：所述矩阵实验软件采用MATLAB(矩阵实验室)包括数值分析单元、数值和符号计算单元、工程与科学绘图单元、控制系统的设计与仿真单元、数字图像处理大院、数字信号处理单元、财务与金融工程单元。
4.根据权利要求3所述的一种应用于智能机器人移动路径的计算方法，其特征在于：所述MATLAB包括多种模块集和工具箱，用户直接使用工具箱学习、应用和评估不同的方法而不需要自己编写代码，其领域包括数据采集、数据库接口、概率统计、样条拟合、优化算法、偏微分方程求解、神经网络、小波分析、信号处理、图像处理、系统辨识、控制系统设计、LMI控制、鲁棒控制、模型预测、模糊逻辑、金融分析、地图工具、非线性控制设计、实时快速原型及半物理仿真、嵌入式系统开发、定点仿真、DSP与通讯和电力系统仿真。
5.根据权利要求1所述的一种应用于智能机器人移动路径的计算方法，其特征在于：所述仿真机器人演示步骤如下：
cbh：开启包括建图、导航、自主探索这些功能的主要功能包；
nav_panel(CBH_cycle_nav下)：rviz插件，用以接收单个导航点，设置循环次数，发布多个导航点和循环次数；
nav_tool(CBH_cycle_nav下)：rviz工具，发布单个导航点；cycle_nav(CBH_cycle_nav下)：接收多个导航点和循环次数，实现多点循环导航功能；
depthimage_to_laserscan：深度摄像机数据转换为激光数据；
pointcloud_to_laserscan：点云数据转换为激光数据；
rrt_exploration：快速探索随机数巡墙自主建图算法。
6.根据权利要求5所述的一种应用于智能机器人移动路径的计算方法，其特征在于：所述快速探索随机数巡墙自主建图算法根据地图数据做全局和局部的随机搜索树同时做一个maker显示在rviz上，把搜索树的路径发布到filter上，filter针对这些数据进行一个过滤，将符合地图边界特征的数据发布到assigner上，由assigner进行move_base导航到此处。
7.根据权利要求1所述的一种应用于智能机器人移动路径的计算方法，其特征在于：所述智能机器人移动路径还可以通过传感控制模块进行定位，所述传感控制模块包括红外发射单元和红外接收单元，所述红外发射单元采用振荡电路，其振荡频率调整在某个频率f附近，经驱动红外发射管，使其发出频率f左右的红外光，所述红外接收单元通过红外接收管接收信号，采用单运放组成的放大电路对接收的信号进行放大，放大后的信号加到刚刚的振荡电路进行解码。
8.根据权利要求7所述的一种应用于智能机器人移动路径的计算方法，其特征在于：所述红外发射单元和红外接收单元均通过总控系统进行级联。
9.根据权利要求8所述的一种应用于智能机器人移动路径的计算方法，其特征在于：所述总控系统的控制电路包括主控芯片U4，所述主控芯片U4包括第三地址端C0-C8、三个数据端RA0-RA2、一开关机控制端Power及一复位控制端Reset。
10.根据权利要求9所述的一种应用于智能机器人移动路径的计算方法，其特征在于：所述第三地址端C0-C8分别与解码器U3的第二地址端B0-B8匹配设置，所述数据端RA0-RA2分别与解码器U3的解码输出端DB0-DB2一一对应连接，最终根据所接收到的地址码与数据码分别输出一对应的控制信号至开关机控制端及复位控制端。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110097551.4A CN112925318A (zh) | 2021-01-25 | 2021-01-25 | 一种应用于智能机器人移动路径的计算方法 |
| AU2021105318A AU2021105318A4 (en) | 2021-01-25 | 2021-08-11 | Calculation method applied to movement path of intelligent robot |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110097551.4A CN112925318A (zh) | 2021-01-25 | 2021-01-25 | 一种应用于智能机器人移动路径的计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112925318A true CN112925318A (zh) | 2021-06-08 |
Family
ID=76167210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110097551.4A Pending CN112925318A (zh) | 2021-01-25 | 2021-01-25 | 一种应用于智能机器人移动路径的计算方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112925318A (zh) |
| AU (1) | AU2021105318A4 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113485363A (zh) * | 2021-08-02 | 2021-10-08 | 安徽理工大学 | 基于膜计算和rrt的煤矿井下机器人多步长路径规划方法 |
| CN113673836A (zh) * | 2021-07-29 | 2021-11-19 | 清华大学深圳国际研究生院 | 一种基于强化学习的共享公交车贴线调度方法 |
| CN113759806A (zh) * | 2021-09-28 | 2021-12-07 | 广西科技师范学院 | 一种写字机器人控制系统 |
| CN114186859A (zh) * | 2021-12-13 | 2022-03-15 | 哈尔滨工业大学 | 复杂未知环境多机协同多目标任务分配方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102221865A (zh) * | 2010-04-15 | 2011-10-19 | 鸿富锦精密工业（深圳）有限公司 | 红外线控制系统 |
| CN106444769A (zh) * | 2016-10-31 | 2017-02-22 | 湖南大学 | 一种室内移动机器人增量式环境信息采样的最优路径规划方法 |
| CN107272673A (zh) * | 2017-05-18 | 2017-10-20 | 中山大学 | 基于位姿链模型的slam后端轨迹优化方法 |
| CN109579848A (zh) * | 2018-12-27 | 2019-04-05 | 武汉大学 | 一种保持全局路径下机器人的中间规划方法 |
| CN110032211A (zh) * | 2019-04-24 | 2019-07-19 | 西南交通大学 | 多旋翼无人机自动避障方法 |
| CN110244715A (zh) * | 2019-05-23 | 2019-09-17 | 西安理工大学 | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 |
| WO2019182521A1 (en) * | 2018-03-22 | 2019-09-26 | Infinium Robotics Pte Ltd | Autonomous taking off, positioning and landing of unmanned aerial vehicles (uav) on a mobile platform |
| CN110455294A (zh) * | 2019-08-28 | 2019-11-15 | 北京工业大学 | 基于ros环境下的多线程分布式slam系统的实现方法 |
| CN111694364A (zh) * | 2020-06-30 | 2020-09-22 | 山东交通学院 | 一种应用于智能车路径规划的基于改进蚁群算法与动态窗口法的混合算法 |
| CN112230665A (zh) * | 2020-10-29 | 2021-01-15 | 广西科技大学 | 一种基于aco的ros机器人全局路径优化方法 |
| CN112857390A (zh) * | 2021-01-14 | 2021-05-28 | 江苏智派战线智能科技有限公司 | 一种应用于智能机器人移动路径的计算方法 |
-
2021
- 2021-01-25 CN CN202110097551.4A patent/CN112925318A/zh active Pending
- 2021-08-11 AU AU2021105318A patent/AU2021105318A4/en active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102221865A (zh) * | 2010-04-15 | 2011-10-19 | 鸿富锦精密工业（深圳）有限公司 | 红外线控制系统 |
| CN106444769A (zh) * | 2016-10-31 | 2017-02-22 | 湖南大学 | 一种室内移动机器人增量式环境信息采样的最优路径规划方法 |
| CN107272673A (zh) * | 2017-05-18 | 2017-10-20 | 中山大学 | 基于位姿链模型的slam后端轨迹优化方法 |
| WO2019182521A1 (en) * | 2018-03-22 | 2019-09-26 | Infinium Robotics Pte Ltd | Autonomous taking off, positioning and landing of unmanned aerial vehicles (uav) on a mobile platform |
| CN109579848A (zh) * | 2018-12-27 | 2019-04-05 | 武汉大学 | 一种保持全局路径下机器人的中间规划方法 |
| CN110032211A (zh) * | 2019-04-24 | 2019-07-19 | 西南交通大学 | 多旋翼无人机自动避障方法 |
| CN110244715A (zh) * | 2019-05-23 | 2019-09-17 | 西安理工大学 | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 |
| CN110455294A (zh) * | 2019-08-28 | 2019-11-15 | 北京工业大学 | 基于ros环境下的多线程分布式slam系统的实现方法 |
| CN111694364A (zh) * | 2020-06-30 | 2020-09-22 | 山东交通学院 | 一种应用于智能车路径规划的基于改进蚁群算法与动态窗口法的混合算法 |
| CN112230665A (zh) * | 2020-10-29 | 2021-01-15 | 广西科技大学 | 一种基于aco的ros机器人全局路径优化方法 |
| CN112857390A (zh) * | 2021-01-14 | 2021-05-28 | 江苏智派战线智能科技有限公司 | 一种应用于智能机器人移动路径的计算方法 |
Non-Patent Citations (4)
| Title |
|---|
| 张涛: "仓储物流机器人室内定位与路径规划", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 October 2018 (2018-10-15), pages 140 - 222 * |
| 李杨: "基于ROS的室内全向自主导航机器人研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 January 2021 (2021-01-15), pages 140 - 647 * |
| 段广学: "室内机器人复杂环境下的自主导航方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 August 2019 (2019-08-15), pages 140 - 273 * |
| 第I140-750页: "基于自主导航的移动机器人控制平台的设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》, 15 February 2020 (2020-02-15), pages 140 - 750 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673836A (zh) * | 2021-07-29 | 2021-11-19 | 清华大学深圳国际研究生院 | 一种基于强化学习的共享公交车贴线调度方法 |
| CN113673836B (zh) * | 2021-07-29 | 2023-08-18 | 清华大学深圳国际研究生院 | 一种基于强化学习的共享公交车贴线调度方法 |
| CN113485363A (zh) * | 2021-08-02 | 2021-10-08 | 安徽理工大学 | 基于膜计算和rrt的煤矿井下机器人多步长路径规划方法 |
| CN113485363B (zh) * | 2021-08-02 | 2024-02-20 | 安徽理工大学 | 基于膜计算和rrt的煤矿井下机器人多步长路径规划方法 |
| CN113759806A (zh) * | 2021-09-28 | 2021-12-07 | 广西科技师范学院 | 一种写字机器人控制系统 |
| CN114186859A (zh) * | 2021-12-13 | 2022-03-15 | 哈尔滨工业大学 | 复杂未知环境多机协同多目标任务分配方法 |
| CN114186859B (zh) * | 2021-12-13 | 2022-05-31 | 哈尔滨工业大学 | 复杂未知环境多机协同多目标任务分配方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| AU2021105318A4 (en) | 2021-10-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112925318A (zh) | 一种应用于智能机器人移动路径的计算方法 | |
| Zhu et al. | Deep reinforcement learning based mobile robot navigation: A review | |
| CN107272705B (zh) | 一种智能环境下机器人路径的多神经网络控制规划方法 | |
| LU101606B1 (en) | Path planning method and system based on combination of safety evacuation signs and reinforcement learning | |
| Amiryan et al. | Adaptive motion planning with artificial potential fields using a prior path | |
| Theocharous et al. | Approximate planning with hierarchical partially observable Markov decision process models for robot navigation | |
| CN111664852A (zh) | 一种无人机路径规划方法及装置 | |
| CN106705975A (zh) | 一种基于万有引力搜索的水面无人艇航路规划方法 | |
| CN107728639A (zh) | 一种时间窗约束下的异构多auv系统任务协调方法 | |
| CN112857390A (zh) | 一种应用于智能机器人移动路径的计算方法 | |
| CN109885082A (zh) | 一种基于任务驱动下的无人机航迹规划的方法 | |
| Zhao | Optimal path planning for robot based on ant colony algorithm | |
| Yan et al. | An improved robot path planning algorithm | |
| CN113156931B (zh) | 给含有离子-人工蜂群算法的移动机器人配置路径的方法 | |
| Hu et al. | An experience aggregative reinforcement learning with multi-attribute decision-making for obstacle avoidance of wheeled mobile robot | |
| Hassan et al. | Haptic guided optimized aircraft maintenance assembly disassembly path planning scheme | |
| Wang et al. | Synthesizing priority planning formulae for multi-agent pathfinding | |
| Zhou et al. | Research on path planning algorithm and its application based on terrain slope for slipping prediction in complex terrain environment | |
| Martovytskyi et al. | Approach to building a global mobile agent way based on Q-learning | |
| Guo et al. | Path planning of the spherical robot based on improved ant colony algorithm | |
| CN116358521A (zh) | 应用于危险气体泄漏场景的地图构建方法 | |
| Herdering et al. | Deep Reinforcement Learning for Autonomous Search | |
| Akbarzadeh-T et al. | Soft computing paradigms for hybrid fuzzy controllers: experiments and applications | |
| Ginés et al. | Dynamics maps for long-term autonomy | |
| Zarevich et al. | Modeling the behavior of a mobile robot using genetic algorithms in harsh ecological environment |
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 |