CN112929031A - 危险环境中条形自主救援车路径信息压缩传输方法 - Google Patents
危险环境中条形自主救援车路径信息压缩传输方法 Download PDFInfo
- Publication number
- CN112929031A CN112929031A CN202110108162.7A CN202110108162A CN112929031A CN 112929031 A CN112929031 A CN 112929031A CN 202110108162 A CN202110108162 A CN 202110108162A CN 112929031 A CN112929031 A CN 112929031A
- Authority
- CN
- China
- Prior art keywords
- path
- rescue vehicle
- information
- cell
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000006835 compression Effects 0.000 claims abstract description 25
- 238000007906 compression Methods 0.000 claims abstract description 25
- 230000006837 decompression Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 210000004027 cell Anatomy 0.000 claims description 51
- 210000002457 barrier cell Anatomy 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/70—Type of the data to be coded, other than image and sound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种危险环境中条形自主救援车路径信息压缩传输方法,基于路径规划方法中最常用的栅格法环境建模,通过现有路径规划方法计算出最优路径;所述的现有路径规划方法的申请号为“201810143863.2”名称为“基于自学习蚁群算法的条形机器人路径规划方法”;该路径信息压缩传输方法的步骤如下:步骤1、基于栅格法完成环境建模;步骤2、为救援车规划路径;步骤3、最优路径压缩;步骤4、中央控制模块将压缩后的路径传输给机器人;步骤5、机器人解压缩;步骤6:机器人执行解压缩后的路径Pbest。该路径信息压缩传输方法减少存储负担、提高传输效率、并且计算简单。
Description
技术领域
本发明涉及信息压缩传输方法,具体涉及一种应用在复杂危险环境中条形救援小车的路径信息压缩传输方法。
背景技术
自动导向车(Automated Guided Vehicle,简称AGV),也称为自动导向搬运车或自动引导搬运车。近些年随着人工智能技术的发展,AGV向着智能化和自主化方向发展。现今AGV的开发集人工智能、信息处理、图像处理为一体,涉及计算机、自动控制、信息通讯、机械设计和电子技术等多个学科,已成为研究热点。
自主救援车是AGV的一个重要应用。自主救援车常用于地震灾害、矿井坍塌、建筑物倒塌或核设施泄露等危险复杂场所的救援工作。为运送更多救援物资或穿越狭窄通道实施救援,自主救援车通常被设计为条形。救援车的路径规划算法是救援小车重要的研究内容之一。其设计目标是:路径规划算法可以控制条形救援车根据自身外形、位置信息和周围障碍物信息,以旋转避障、穿越狭窄通道的方式完成从出发点到目标点的行进且路径最优(通常指路径距离最短)。条形救援车的路径规划方法不同于普通的路径规划方法。普通规划方法目标是提供一条安全避碰的最优路线,不考虑运动对象自身的外部形态;条形救援车的规划方法需要考虑救援车外形特征,除了完成最优路线规划外还要对机器人的姿态进行控制,如选择旋转时机以躲避障碍物或是否可以穿越狭窄通道等。为了救援车正确的执行所规划的路径和姿态控制信息,表达规划路劲信息的数据结构尤为重要。
发明内容
本发明的目的是:设计一种危险环境中条形自主救援车路径信息压缩传输方法,该路径信息压缩传输方法减少存储负担、提高传输效率。
本发明的技术解决方案是:基于路径规划方法中最常用的栅格法环境建模,通过现有路径规划方法计算出最优路径;所述的现有路径规划方法的申请号为“201810143863.2”名称为“基于自学习蚁群算法的条形机器人路径规划方法”;该路径信息压缩传输方法的步骤如下:
步骤1、基于栅格法完成环境建模:中央控制模块以真实工作空间图片信息为依据,建立一个X行Y列的栅格地图,栅格地图左上角被作为原点坐标,生成栅格地图密度为X×Y,其中单元格边长依据机器人外形大小与真实工作空间的比例设计;栅格地图中障碍物区域的单元格被标记为“0”,称为“障碍物单元格”;可行区域单元格被标记为“1”称为“可行单元格”;标记出发点位置S和目标点位置D;
步骤2、为救援车规划路径:中央控制模块通过现有路径规划方法,计算出最优路径,最优路径的存储信息包含救援车坐标和救援车姿态信息;考虑到救援车为条形,因此栅格地图中由两个单元格表示,称为头单元格和尾单元格;头单元格坐标作为整个救援车坐标;每条路径信息存储数据结构为一个广义表:
Pbest=(((xi,yi),θi)) (i=1,2,...,L)
其中:x∈{1,2,...,X};y∈{1,2,...,Y};θ∈{1,2,3,4}
其中:Pbest表示算法规划的最优路径;L表示广义表的长度(最优路径包含单元格个数);i表示路径中第i个单元格;xi表示第i个单元格的横坐标;yi表示第i个单元格的纵坐标;θi表示第i个单元格时,救援车的姿态,θi=1表示头左尾右,θi=2表示头上尾下,θi=3表示头右尾左,θi=4表示头下尾上;
步骤3、最优路径压缩:在最优路径传输到救援车之前,中央控制模块完成压缩计算,压缩公式如下:
ηi=((yi-1)·X+xi)×10+θi
其中:ηi为压缩后的路径信息;该公式将原始规划路径的三值信息压缩为一个整数,压缩后的信息占用内存仅为原始信息的1/3;
步骤4、中央控制模块将压缩后的路径传输给机器人;需要传输的压缩路径表示如下:
步骤6:机器人执行解压缩后的路径Pbest。
本发明由于采取以上技术方案,其具有以下优点:
(1)压缩效率高。本方法是通过公式将由横坐标、纵坐标、姿态构成的三值信息广义表(最优路径)规划路径压缩为由单整数作为元素的线性表规划径路,可以节省存储空间2/3。
(2)缩短路径信息传输时间。由于路径信息压缩以后占用存储空间变小,因此可以较大幅度提高路径传输的速度。
(3)计算简单。算法的压缩公式和解压缩公式均比较简单,压缩和解压缩计算不会给系统造成太多计算压力。
附图说明
图1是本发明方法的执行过程;
图2是本发明的栅格法环境建模;
图3是本发明的自主救援车的姿态;
具体实施方式
下面结合附图和实施例,对本发明的技术解决方案进行详细地说明,但不应理解为是对技术方案的限制。实施例中采用两个栅格来描述条形救援车。在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
图1给出本路径信息压缩传输方法的执行过程。请参见图1,下面是对方法中各个步骤的详细描述。
步骤S101:中央控制模块以真实工作空间图片信息为依据,建立一个X行Y列的栅格地图,如图2所示:栅格地图左上角被作为原点坐标100,生成栅格地图密度为X×Y,其中单元格边长依据机器人外形大小与真实工作空间的比例设计;栅格地图中障碍物区域的单元格被标记为“0”,称为“障碍物单元格”200;可行区域单元格被标记为“1”称为“可行单元格”300;标记出发点单元格400,符号标记为S;标记目标点单元格500,符号标记为D;
步骤S102:中央控制模块通过现有路径规划方法,计算出最优路径,最优路径的存储信息包含救援车坐标和救援车姿态信息;所述的现有路径规划方法的申请号为“201810143863.2”名称为“基于自学习蚁群算法的条形机器人路径规划方法”;考虑到救援车为条形,因此栅格地图中由两个单元格表示,称为头单元格和尾单元格;头单元格坐标作为整个救援车坐标;每条路径信息存储数据结构为一个广义表,如公式(1)所示:
Pbest=(((xi,yi),θi)) (i=1,2,...,L) (1)
其中:x∈{1,2,...,X};y∈{1,2,...,Y};θ∈{1,2,3,4}
其中:Pbest表示算法规划的最优路径;L表示广义表的长度(最优路径包含单元格个数);i表示路径中第i个单元格;xi表示第i个单元格的横坐标;yi表示第i个单元格的纵坐标;θi表示第i个单元格时,救援车的姿态,如图3所示:θi=1表示头左尾右600,θi=2表示头上尾下700,θi=3表示头右尾左800,θi=4表示头下尾上900;
步骤S103:在最优路径传输到救援车之前,中央控制模块完成压缩计算;压缩公式如下:
ηi=((yi-1)·X+xi)×10+θi (2)
公式(2)中,ηi为压缩后的路径信息;该公式将原始规划路径的三值信息压缩为一个整数,压缩后的信息占用内存仅为原始信息的1/3;
步骤S104:中央控制模块将压缩后的路径传输给机器人;需要传输的压缩路径表示如下:
步骤S106:机器人执行解压缩后的路径Pbest。
Claims (2)
1.危险环境中条形自主救援车路径信息压缩传输方法,基于路径规划方法中最常用的栅格法环境建模,通过现有路径规划方法计算出最优路径;所述的现有路径规划方法的申请号为“201810143863.2”名称为“基于自学习蚁群算法的条形机器人路径规划方法”;其特征是该路径信息压缩传输方法的步骤如下:
步骤1、基于栅格法完成环境建模:中央控制模块以真实工作空间图片信息为依据,建立一个X行Y列的栅格地图,栅格地图左上角被作为原点坐标,生成栅格地图密度为X×Y,其中单元格边长依据机器人外形大小与真实工作空间的比例设计;栅格地图中障碍物区域的单元格被标记为“0”,称为“障碍物单元格”;可行区域单元格被标记为“1”称为“可行单元格”;标记出发点位置S和目标点位置D;
步骤2、为救援车规划路径:中央控制模块通过现有路径规划方法,计算出最优路径,最优路径的存储信息包含救援车坐标和救援车姿态信息;考虑到救援车为条形,因此栅格地图中由两个单元格表示,称为头单元格和尾单元格;头单元格坐标作为整个救援车坐标;每条路径信息存储数据结构为一个广义表:
Pbest=(((xi,yi),θi))(i=1,2,...,L)
其中:x∈{1,2,...,X};y∈{1,2,...,Y};θ∈{1,2,3,4}
其中:Pbest表示算法规划的最优路径;L表示广义表的长度(最优路径包含单元格个数);i表示路径中第i个单元格;xi表示第i个单元格的横坐标;yi表示第i个单元格的纵坐标;θi表示第i个单元格时,救援车的姿态,θi=1表示头左尾右,θi=2表示头上尾下,θi=3表示头右尾左,θi=4表示头下尾上;
步骤3、最优路径压缩:在最优路径传输到救援车之前,中央控制模块完成压缩计算,压缩公式如下:
ηi=((yi-1)·X+xi)×10+θi
其中:ηi为压缩后的路径信息;该公式将原始规划路径的三值信息压缩为一个整数,压缩后的信息占用内存仅为原始信息的1/3;
步骤4、中央控制模块将压缩后的路径传输给机器人;需要传输的压缩路径表示如下:
步骤6:机器人执行解压缩后的路径Pbest。
2.根据权利要求1所述的危险环境中条形自主救援车路径信息压缩传输方法,其特征是该路径信息压缩传输方法的具体步骤如下:
步骤S101:中央控制模块以真实工作空间图片信息为依据,建立一个X行Y列的栅格地图,栅格地图左上角被作为原点坐标100,生成栅格地图密度为X×Y,其中单元格边长依据机器人外形大小与真实工作空间的比例设计;栅格地图中障碍物区域的单元格被标记为“0”,称为“障碍物单元格”200;可行区域单元格被标记为“1”称为“可行单元格”300;标记出发点单元格400,符号标记为S;标记目标点单元格500,符号标记为D;
步骤S102:中央控制模块通过现有路径规划方法,计算出最优路径,最优路径的存储信息包含救援车坐标和救援车姿态信息;考虑到救援车为条形,因此栅格地图中由两个单元格表示,称为头单元格和尾单元格;头单元格坐标作为整个救援车坐标;每条路径信息存储数据结构为一个广义表,如公式(1)所示:
Pbest=(((xi,yi),θi)) (i=1,2,...,L) (1)
其中:x∈{1,2,...,X};y∈{1,2,...,Y};θ∈{1,2,3,4}
其中:Pbest表示算法规划的最优路径;L表示广义表的长度(最优路径包含单元格个数);i表示路径中第i个单元格;xi表示第i个单元格的横坐标;yi表示第i个单元格的纵坐标;θi表示第i个单元格时,救援车的姿态;θi=1表示头左尾右600,θi=2表示头上尾下700,θi=3表示头右尾左800,θi=4表示头下尾上900;
步骤S103:在最优路径传输到救援车之前,中央控制模块完成压缩计算;压缩公式如下:
ηi=((yi-1)·X+xi)×10+θi (2)
公式(2)中,ηi为压缩后的路径信息;该公式将原始规划路径的三值信息压缩为一个整数,压缩后的信息占用内存仅为原始信息的1/3;
步骤S104:中央控制模块将压缩后的路径传输给机器人;需要传输的压缩路径表示如下:
步骤S106:机器人执行解压缩后的路径Pbest。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110108162.7A CN112929031A (zh) | 2021-01-27 | 2021-01-27 | 危险环境中条形自主救援车路径信息压缩传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110108162.7A CN112929031A (zh) | 2021-01-27 | 2021-01-27 | 危险环境中条形自主救援车路径信息压缩传输方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112929031A true CN112929031A (zh) | 2021-06-08 |
Family
ID=76166632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110108162.7A Pending CN112929031A (zh) | 2021-01-27 | 2021-01-27 | 危险环境中条形自主救援车路径信息压缩传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112929031A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113433973A (zh) * | 2021-07-20 | 2021-09-24 | 一飞(海南)科技有限公司 | 编队表演航点压缩文件下载到飞机个体保存的方法及系统 |
CN113532440A (zh) * | 2021-07-30 | 2021-10-22 | 华北科技学院(中国煤矿安全技术培训中心) | 基于救援机器人的现场勘查和物资供应方法、系统和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408660A (zh) * | 2016-05-10 | 2017-02-15 | 北京洛斯达数字遥感技术有限公司 | 一种电力路径规划中数字地形模型压缩方法和设备 |
CN108413963A (zh) * | 2018-02-12 | 2018-08-17 | 淮安信息职业技术学院 | 基于自学习蚁群算法的条形机器人路径规划方法 |
CN109286399A (zh) * | 2018-08-14 | 2019-01-29 | 同济大学 | 基于lzw算法的gps轨迹数据的压缩方法 |
CN109885891A (zh) * | 2019-01-24 | 2019-06-14 | 中国科学院合肥物质科学研究院 | 一种智能车gpu并行加速轨迹规划方法 |
-
2021
- 2021-01-27 CN CN202110108162.7A patent/CN112929031A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408660A (zh) * | 2016-05-10 | 2017-02-15 | 北京洛斯达数字遥感技术有限公司 | 一种电力路径规划中数字地形模型压缩方法和设备 |
CN108413963A (zh) * | 2018-02-12 | 2018-08-17 | 淮安信息职业技术学院 | 基于自学习蚁群算法的条形机器人路径规划方法 |
CN109286399A (zh) * | 2018-08-14 | 2019-01-29 | 同济大学 | 基于lzw算法的gps轨迹数据的压缩方法 |
CN109885891A (zh) * | 2019-01-24 | 2019-06-14 | 中国科学院合肥物质科学研究院 | 一种智能车gpu并行加速轨迹规划方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113433973A (zh) * | 2021-07-20 | 2021-09-24 | 一飞(海南)科技有限公司 | 编队表演航点压缩文件下载到飞机个体保存的方法及系统 |
CN113532440A (zh) * | 2021-07-30 | 2021-10-22 | 华北科技学院(中国煤矿安全技术培训中心) | 基于救援机器人的现场勘查和物资供应方法、系统和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qin et al. | Autonomous exploration and mapping system using heterogeneous UAVs and UGVs in GPS-denied environments | |
CN112929031A (zh) | 危险环境中条形自主救援车路径信息压缩传输方法 | |
US9116523B2 (en) | Apparatus and method of cell-based path planning for mobile body | |
Ohradzansky et al. | Multi-agent autonomy: Advancements and challenges in subterranean exploration | |
Zhang et al. | MR-TopoMap: Multi-robot exploration based on topological map in communication restricted environment | |
CN113741538A (zh) | 一种变电站无人机巡检路径规划方法、系统及存储介质 | |
CN112665575A (zh) | 一种基于移动机器人的slam回环检测方法 | |
Alsamhi et al. | Artificial intelligence-based techniques for emerging robotics communication: a survey and future perspectives | |
CN112633590B (zh) | 一种用于四向穿梭车的智能入库方法及系统 | |
CN114355981A (zh) | 一种四旋翼无人机自主探索建图的方法和系统 | |
Pal et al. | Modified A* algorithm for mobile robot path planning | |
Lu et al. | A Heterogeneous Unmanned Ground Vehicle and Blimp Robot Team for Search and Rescue using Data-driven Autonomy and Communication-aware Navigation. | |
Yan et al. | MUI-TARE: Cooperative multi-agent exploration with unknown initial position | |
CN113341978A (zh) | 一种基于梯型障碍物的智能小车路径规划方法 | |
CN112731914A (zh) | 一种5g智慧工厂的云化agv应用系统 | |
Mughal et al. | UAVs path planning by particle swarm optimization based on visual-SLAM algorithm | |
Azangoo et al. | Digital twin-assisted controlling of agvs in flexible manufacturing environments | |
Yan et al. | MUI-TARE: Multi-Agent Cooperative Exploration with Unknown Initial Position | |
Cocaud et al. | Environment mapping using probabilistic quadtree for the guidance and control of autonomous mobile robots | |
Papatheodorou et al. | Cooperative visual convex area coverage using a tessellation-free strategy | |
CN113110492B (zh) | 一种路径规划方法 | |
CN114442629A (zh) | 一种基于图像处理的移动机器人路径规划方法 | |
CN115437396A (zh) | 一种面向复杂环境的多异构机器人视觉伺服队形变换方法 | |
CN114265424A (zh) | 变电站无人机巡检单源最短路径规划方法、系统及介质 | |
CN113741425A (zh) | 一种全覆盖路径规划方法及导航系统 |
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 |