CN113189987A - 基于多传感器信息融合的复杂地形路径规划方法及系统 - Google Patents
基于多传感器信息融合的复杂地形路径规划方法及系统 Download PDFInfo
- Publication number
- CN113189987A CN113189987A CN202110416449.6A CN202110416449A CN113189987A CN 113189987 A CN113189987 A CN 113189987A CN 202110416449 A CN202110416449 A CN 202110416449A CN 113189987 A CN113189987 A CN 113189987A
- Authority
- CN
- China
- Prior art keywords
- robot
- sensor
- barrier
- path planning
- setting
- 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 30
- 230000004927 fusion Effects 0.000 title claims abstract description 27
- 230000004888 barrier function Effects 0.000 claims abstract description 39
- 230000003068 static effect Effects 0.000 claims abstract description 20
- 238000012946 outsourcing Methods 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims abstract description 6
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003252 repetitive 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
Abstract
本发明提出一种基于多传感器信息融合的复杂地形路径规划方法及系统，路径规划方法包括以下步骤：对静态障碍物以及机器人进行外包圆建模，根据此模型，建立系统的初始化环境地图，在此基础上设定每个机器人的目标点，建立其初始人工势场；设置机器人之间的优先级；通过搭载在机器人上的传感器获取周边环境信息，并将其传输至决策层；根据实际障碍物的不同类型设定机器人自主决策逻辑准则，并根据此准则设定不同障碍物的势场函数，以传感器获取到的融合信息进行路径规划决策。本发明能够充分发挥机器人探测环境、整合信息的能力，使其能够适应复杂地形，快速、高效地完成多机器人协同控制，有效提高了机器人的环境适应性及系统的稳定性。
Description
技术领域
本发明属于机器人控制领域，具体涉及一种基于多传感器信息融合的复杂地形路径规划方法及系统，旨在实现多移动机器人在复杂环境下的路径规划。
背景技术
近年来，伴随着传感器网络、信息融合、控制技术以及网络通信技术等基础技术的不断发展，机器人的性能在逐步提高，已经开始代替人们完成越来越多的任务，逐渐被应用于各行各业。机器人所完成的任务也不再局限于传统意义中的重复性机械操作，其任务复杂性不断提升，而应用场景的多样化对机器人的自主决策能力提出了更高的要求。
单个机器人变得越来越难以满足各行业的应用需求，其边际效应开始变得越来越明显，尽管在性能方面提升了少许，但所需要的成本却是极高的。通过将单个高性能机器人分解为多个低性能机器人可以最大限度地利用现有资源，完成更加复杂的任务。在完成复杂任务时，多机器人能够相互协作，将复杂任务拆解为多个简单任务，逐个执行，从而提高工作效率。
然而，多机器人控制方法并不是单个机器人控制方法的简单叠加，在执行任务的时候，如不提供机器人自主决策方法，不制定相应的协作准则，对于某个机器人而言，其他机器人则会成为干扰源，无法达成协作的目的，最终导致系统的混乱甚至崩溃。
目前，人工势场算法常用于对单个机器人进行路径规划，通过对目标点添加引力势场，对障碍物添加斥力势场，建立环境的整体势场，并对单个机器人的受力进行分析，根据其合力驱动机器人向某个方向行驶。而将此方法直接运用于多机器人协同控制时，容易出现局部锁死现象，同时，当环境的复杂度增加时，如出现台阶、动态障碍物等，协作系统的混乱程度会进一步增强。因此，在人工势场算法的基础上，要对其进行改进，提出一种适用于复杂地形的基于多传感器信息融合的多机器人路径规划方法具有非常重要的意义。
发明内容
本发明的目的在于针对上述现有技术中多机器人路径规划效果不佳的问题，提供一种基于多传感器信息融合的复杂地形路径规划方法及系统，从单机器人人工势场路径规划方法出发，通过多传感器信息融合的方法对障碍物的斥力势场进行个体化处理，显著降低了局部锁死的概率，提高了机器人的自主决策能力、复杂环境的适应性以及系统的稳定性。
为了实现上述目的，本发明有如下的技术方案：
一种基于多传感器信息融合的复杂地形路径规划方法，包括以下步骤：
-对静态障碍物以及机器人进行外包圆建模，根据此模型，建立系统的初始化环境地图，在此基础上设定每个机器人的目标点，建立其初始人工势场；
-设置机器人之间的优先级；
-通过搭载在机器人上的传感器获取周边环境信息，并将其传输至决策层；
-根据实际障碍物的不同类型设定机器人自主决策逻辑准则，并根据此准则设定不同障碍物的势场函数，以传感器获取到的融合信息进行路径规划决策。
作为本发明路径规划方法的一种优选方案，所述机器人自主决策逻辑准则包括：
低优先级机器人在遇到高优先级机器人时，优先选择避让，而在两个机器人之间不需要协作的场合下，高优先级机器人在安全距离范围外无视低优先级机器人；
当某个机器人在某个区域发现了安全阈值范围外的凸起或是凹陷，则优先选择避让，并将该异常点的坐标广播至其他机器人；收到广播的其他机器人将不会对该点继续探查，当距离该点小于阈值时，对该机器人直接附加斥力势场。
作为本发明路径规划方法的一种优选方案，所述机器人之间的优先级设置方式如下：为所有机器人赋予唯一的ID，作为身份认证，按照编号的大小决定机器人的优先级，若数字越小，则优先级越高。
作为本发明路径规划方法的一种优选方案，搭载在机器人上获取周边环境信息的传感器包括深度摄像头、加速度传感器及毫米波雷达。
作为本发明路径规划方法的一种优选方案，所述的深度摄像头用于探测路面的平整度，建立好深度传感器坐标系、当前移动机器人坐标系之后，通过深度摄像头获取每个像素点在深度坐标系下的坐标及其距离扫描中心的相对位置，将像素点在深度坐标系下的坐标点乘坐标变换矩阵，得到其位于移动机器人坐标系下的位置信息，设定移动机器人所在平面为基准面，在安全阈值范围外，如果像素点高于基准面，则标记为凸起像素点，如果像素点低于基准面，则标记为凹陷像素点；凹陷像素点与凸起像素点均为异常像素点，将其位于基准面的投影坐标进行标记，并把相关信息发送至决策层。
作为本发明路径规划方法的一种优选方案，所述的加速度传感器用于获取机器人的加速度，通过积分运算获取其速度与定位信息；毫米波雷达用于在中短距离范围内获取移动障碍物的速度信息。
作为本发明路径规划方法的一种优选方案，实际障碍物包括静态障碍物和动态障碍物；
静态障碍物划分为大型障碍物与小型障碍物，大型障碍物在机器人初始化后已在地图中进行标记，机器人需进行避让，其斥力势场作为初始势场附加在机器人上，小型障碍物则按照路面凸起进行处理；
对于动态障碍物，通过深度摄像头探测其形状与大小，通过毫米波雷达探测其位置与速度，如果动态障碍物较大并堵塞了道路，运动方向为相向而行，则将该障碍物势场函数加至最大，迫使机器人从道路中退出，改道而行，如果障碍物较小，则将其附近斥力势场加大，使机器人避让障碍物，并继续在该道路运行。
本发明还提供一种基于多传感器信息融合的复杂地形路径规划系统，包括决策控制器，以及用于采集环境信息的传感器，传感器采集到的信息发送给决策控制器，决策控制器输出指令控制车轮按照规划路径进行移动；所述的决策控制器内部具有以下模块：
初始人工势场建立模块，用于对静态障碍物以及机器人进行外包圆建模，根据此模型，建立系统的初始化环境地图，在此基础上设定每个机器人的目标点，建立其初始人工势场；
优先级设置模块，用于设置机器人之间的优先级；
环境信息采集模块，用于通过传感器获取周边环境信息，并将其传输至决策层；
决策模块，用于根据实际障碍物的不同类型设定机器人自主决策逻辑准则，并根据此准则设定不同障碍物的势场函数，以传感器获取到的融合信息进行路径规划决策。
相较于现有技术，本发明至少具有如下的有益效果：
通过对静态障碍物以及机器人进行外包圆建模，得到初始化环境地图，并在此基础上设定每个机器人的目标点。设置机器人的优先级编号能够防止机器人之间相互干扰，通过搭载在机器人上的传感器可以获取周边环境信息。最后根据探测到的障碍物的类型，制定相应的自主决策策略，设置障碍物的斥力势场。本发明从多传感器信息融合的路径规划方法出发，结合人工势场算法，能够充分发挥机器人探测环境、整合信息的能力，使其能够适应复杂地形，快速、高效地完成多机器人协同控制。本发明使移动机器人在面对动态障碍物以及路面凹陷时，能够迅速避障，提高了机器人的环境适应性及系统的稳定性。
附图说明
为了更加清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作以简单地介绍，应当理解，以下附图仅示出了本发明部分实施例，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1本发明实施例的初始化环境地图；
图2本发明实施例路径规划系统结构示意图；
图3本发明实施例路径规划方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，本领域普通技术人员还可以在没有做出创造性劳动的前提下获得其他实施例。
本发明基于多传感器信息融合的复杂地形路径规划方法，包括以下步骤：
步骤1：如图1所示，根据外包圆方法，建立障碍物以及移动机器人的物理模型，并设定每个机器人的起始点与目标点。本实例中，静态障碍物的数量为3，设置一个动态障碍物和一个路面凹陷，静态障碍物外包圆半径如表1所示。移动机器人数量为3，移动机器人平台参数相关参数如表2所示。地图初始化时，仅显示3个大型静态障碍物。
表1
| 障碍物名称 | 外包圆半径/cm |
| 静态障碍物1 | 17 |
| 静态障碍物2 | 20 |
| 静态障碍物3 | 22 |
| 动态障碍物 | 3 |
| 凹陷 | 8 |
表2
| 参数名称 | 标称值 |
| 机器人质量 | 2.6kg |
| 外包圆半径 | 20cm |
| 轮子半径 | 5.3cm |
| 电机等效电阻 | 2.436Ω |
| 电机电感 | 0.0065H |
步骤2：人为地设置机器人的优先级。
为避免机器人之间的相互干扰，在所有机器人初始化时，赋予其唯一的ID，作为身份认证，编号的大小决定了机器人的优先级，数字越小，则优先级越高。
实施例中的机器人优先级编号如表3所示。
表3
| 机器人 | 移动机器人1 | 移动机器人2 | 移动机器人3 |
| 优先级编号 | 1 | 2 | 3 |
步骤3：通过搭载在机器人自身的深度摄像头、加速度传感器、毫米波雷达获取周边环境信息，并将其传输至决策层，如图2所示。
实施例中的深度摄像头用于探测路面的平整度。在建立好深度传感器坐标系、当前移动机器人坐标系之后，通过摄像头获取每个像素点在深度坐标系下的坐标及其距离扫描中心的相对位置。将像素点在深度坐标系下的坐标点乘坐标变换矩阵后，即可得到其位于移动机器人坐标系下的位置信息。设定移动机器人所在平面为基准面，在安全阈值范围外，如果像素点高于基准面，则标记为凸起像素点，如果像素点低于基准面，则标记为凹陷像素点。凹陷像素点与凸起像素点均为异常像素点，将其位于基准面的投影坐标进行标记，并把相关信息发送至决策层；加速度传感器用于获取机器人的加速度，通过积分可以获取其速度与定位信息；毫米波雷达用于在中短距离范围内获取移动障碍物的速度信息。通过将上述感知装置获取的信息进行融合，即得到完整的环境信息。
步骤4：设定机器人自主决策逻辑准则，并根据此准则设定不同障碍物的势场函数。移动机器人在运行过程中可能会受到静态障碍物、路面凸起或凹陷、动态障碍物、其他机器人的影响。为此，本文根据实际障碍物的不同类型设置机器人自主决策逻辑准则，并建立其势场函数。控制器根据传感器的融合信息进行决策，控制流程图如图3所示。
静态障碍物分为大型障碍物与小型障碍物，大型障碍物在机器人初始化后已在地图中进行标记，实施例中上文提及的3个静态障碍物均为大型障碍物，机器人需进行避让，其斥力势场作为初始势场附加在机器人上。小型障碍物则按照路面凸起进行处理。
在地图中设置一个动态障碍物，外包圆半径为3cm，移动速度恒为15cm/s，运动路径为环绕地图边缘。通过深度摄像头探测其形状与大小，通过毫米波雷达探测其位置与速度，此障碍物较小，机器人接近时，将其附近斥力势场加大，使机器人减速避让障碍物，并继续在该道路运行。
低优先级机器人在遇到高优先级机器人时，将会优先选择避让，而在两个机器人之间不需要协作的场合下，高优先级机器人在安全距离范围外将会无视低优先级机器人。在本实例中，移动机器人1具有最高优先级，在遇到其他机器人时，会选择无视，等待其他机器人进行避让。
在地图中设置一个圆形凹坑，外包圆半径为8cm，深度为10cm，当移动机器人1探测到该路面凹陷时，优先选择避让，当凹陷阻断了当前通信道路时，则增大凹陷处的斥力势场，使机器人改道。探测到凹陷或者凸起的移动机器人1，会将该异常点的坐标广播至其他机器人。受到广播的机器人将不会对该点继续探查，当距离该点较近时，将对机器人直接附加斥力势场。
一种基于多传感器信息融合的复杂地形路径规划系统，包括决策控制器，以及用于采集环境信息的传感器，传感器采集到的信息发送给决策控制器，决策控制器输出指令控制车轮按照规划路径进行移动；决策控制器内部具有以下模块：
初始人工势场建立模块，用于对静态障碍物以及机器人进行外包圆建模，根据此模型，建立系统的初始化环境地图，在此基础上设定每个机器人的目标点，建立其初始人工势场；
优先级设置模块，用于设置机器人之间的优先级；
环境信息采集模块，用于通过传感器获取周边环境信息，并将其传输至决策层；
决策模块，用于根据实际障碍物的不同类型设定机器人自主决策逻辑准则，并根据此准则设定不同障碍物的势场函数，以传感器获取到的融合信息进行路径规划决策。
以上所述的仅仅是本发明的较佳实施例，并不用以对本发明的技术方案进行任何限制，本领域技术人员应当理解的是，在不脱离本发明精神和原则的前提下，该技术方案还可以进行若干简单的修改和替换，这些修改和替换也均属于权利要求书所涵盖的保护范围之内。
Claims (8)
1.一种基于多传感器信息融合的复杂地形路径规划方法，其特征在于，包括以下步骤：
-对静态障碍物以及机器人进行外包圆建模，根据此模型，建立系统的初始化环境地图，在此基础上设定每个机器人的目标点，建立其初始人工势场；
-设置机器人之间的优先级；
-通过搭载在机器人上的传感器获取周边环境信息，并将其传输至决策层；
-根据实际障碍物的不同类型设定机器人自主决策逻辑准则，并根据此准则设定不同障碍物的势场函数，以传感器获取到的融合信息进行路径规划决策。
2.根据权利要求1所述基于多传感器信息融合的复杂地形路径规划方法，其特征在于，机器人自主决策逻辑准则包括：
低优先级机器人在遇到高优先级机器人时，优先选择避让，而在两个机器人之间不需要协作的场合下，高优先级机器人在安全距离范围外无视低优先级机器人；
当某个机器人在某个区域发现了安全阈值范围外的凸起或是凹陷，则优先选择避让，并将该异常点的坐标广播至其他机器人；收到广播的其他机器人将不会对该点继续探查，当距离该点小于阈值时，对该机器人直接附加斥力势场。
3.根据权利要求1所述基于多传感器信息融合的复杂地形路径规划方法，其特征在于，机器人之间的优先级设置方式如下：为所有机器人赋予唯一的ID，作为身份认证，按照编号的大小决定机器人的优先级，若数字越小，则优先级越高。
4.根据权利要求1所述基于多传感器信息融合的复杂地形路径规划方法，其特征在于，搭载在机器人上获取周边环境信息的传感器包括深度摄像头、加速度传感器及毫米波雷达。
5.根据权利要求4所述基于多传感器信息融合的复杂地形路径规划方法，其特征在于：
深度摄像头用于探测路面的平整度，建立好深度传感器坐标系、当前移动机器人坐标系之后，通过深度摄像头获取每个像素点在深度坐标系下的坐标及其距离扫描中心的相对位置，将像素点在深度坐标系下的坐标点乘坐标变换矩阵，得到其位于移动机器人坐标系下的位置信息，设定移动机器人所在平面为基准面，在安全阈值范围外，如果像素点高于基准面，则标记为凸起像素点，如果像素点低于基准面，则标记为凹陷像素点；凹陷像素点与凸起像素点均为异常像素点，将其位于基准面的投影坐标进行标记，并把相关信息发送至决策层。
6.根据权利要求4所述基于多传感器信息融合的复杂地形路径规划方法，其特征在于：
加速度传感器用于获取机器人的加速度，通过积分运算获取其速度与定位信息；
毫米波雷达用于在中短距离范围内获取移动障碍物的速度信息。
7.根据权利要求4所述基于多传感器信息融合的复杂地形路径规划方法，其特征在于：
实际障碍物包括静态障碍物和动态障碍物；
静态障碍物划分为大型障碍物与小型障碍物，大型障碍物在机器人初始化后已在地图中进行标记，机器人需进行避让，其斥力势场作为初始势场附加在机器人上，小型障碍物则按照路面凸起进行处理；
对于动态障碍物，通过深度摄像头探测其形状与大小，通过毫米波雷达探测其位置与速度，如果动态障碍物较大并堵塞了道路，运动方向为相向而行，则将该障碍物势场函数加至最大，迫使机器人从道路中退出，改道而行，如果障碍物较小，则将其附近斥力势场加大，使机器人避让障碍物，并继续在该道路运行。
8.一种基于多传感器信息融合的复杂地形路径规划系统，其特征在于，包括决策控制器，以及用于采集环境信息的传感器，传感器采集到的信息发送给决策控制器，决策控制器输出指令控制车轮按照规划路径进行移动；所述的决策控制器内部具有以下模块：
初始人工势场建立模块，用于对静态障碍物以及机器人进行外包圆建模，根据此模型，建立系统的初始化环境地图，在此基础上设定每个机器人的目标点，建立其初始人工势场；
优先级设置模块，用于设置机器人之间的优先级；
环境信息采集模块，用于通过传感器获取周边环境信息，并将其传输至决策层；
决策模块，用于根据实际障碍物的不同类型设定机器人自主决策逻辑准则，并根据此准则设定不同障碍物的势场函数，以传感器获取到的融合信息进行路径规划决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110416449.6A CN113189987A (zh) | 2021-04-19 | 2021-04-19 | 基于多传感器信息融合的复杂地形路径规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110416449.6A CN113189987A (zh) | 2021-04-19 | 2021-04-19 | 基于多传感器信息融合的复杂地形路径规划方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113189987A true CN113189987A (zh) | 2021-07-30 |
Family
ID=76977477
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110416449.6A Pending CN113189987A (zh) | 2021-04-19 | 2021-04-19 | 基于多传感器信息融合的复杂地形路径规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113189987A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023109281A1 (zh) * | 2021-12-14 | 2023-06-22 | 灵动科技（北京）有限公司 | 用于控制自主移动机器人的行驶的方法和设备 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105629989A (zh) * | 2015-12-28 | 2016-06-01 | 电子科技大学 | 基于最小外包圆和最大内接圆的障碍区域划分方法 |
| CN106125764A (zh) * | 2016-08-03 | 2016-11-16 | 西北工业大学 | 基于a*搜索的无人机路径动态规划方法 |
| CN106681330A (zh) * | 2017-01-25 | 2017-05-17 | 北京航空航天大学 | 基于多传感器数据融合的机器人导航方法及装置 |
| CN107203213A (zh) * | 2017-07-12 | 2017-09-26 | 深圳市普渡科技有限公司 | 一种基于分时遥操作的多机器人送餐系统 |
| CN108549403A (zh) * | 2018-03-30 | 2018-09-18 | 北京润科通用技术有限公司 | 一种协同避障方法及装置 |
| CN108673510A (zh) * | 2018-06-20 | 2018-10-19 | 北京云迹科技有限公司 | 机器人安全行进系统及方法 |
| US20190005667A1 (en) * | 2017-07-24 | 2019-01-03 | Muhammad Zain Khawaja | Ground Surface Estimation |
| US20190286145A1 (en) * | 2018-03-14 | 2019-09-19 | Omron Adept Technologies, Inc. | Method and Apparatus for Dynamic Obstacle Avoidance by Mobile Robots |
| CN110794842A (zh) * | 2019-11-15 | 2020-02-14 | 北京邮电大学 | 基于势场的强化学习路径规划算法 |
| CN111273664A (zh) * | 2020-02-11 | 2020-06-12 | 西北工业大学深圳研究院 | 一种空间桁架结构在轨装配的多机器人路径协同规划方法 |
| AU2020101561A4 (en) * | 2020-07-29 | 2020-09-24 | Jiaxing University | A Multi-sensor Data Fusion Based Vehicle Cruise System and Method |
| CN111708370A (zh) * | 2020-07-21 | 2020-09-25 | 四川大学 | 基于人工势场的多机器人协同路径规划方法和系统 |
| US20210108966A1 (en) * | 2019-10-09 | 2021-04-15 | Volkswagen Aktiengesellschaft | Multi-sensory measuring system and method for transportation vehicle operating systems |
-
2021
- 2021-04-19 CN CN202110416449.6A patent/CN113189987A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105629989A (zh) * | 2015-12-28 | 2016-06-01 | 电子科技大学 | 基于最小外包圆和最大内接圆的障碍区域划分方法 |
| CN106125764A (zh) * | 2016-08-03 | 2016-11-16 | 西北工业大学 | 基于a*搜索的无人机路径动态规划方法 |
| CN106681330A (zh) * | 2017-01-25 | 2017-05-17 | 北京航空航天大学 | 基于多传感器数据融合的机器人导航方法及装置 |
| CN107203213A (zh) * | 2017-07-12 | 2017-09-26 | 深圳市普渡科技有限公司 | 一种基于分时遥操作的多机器人送餐系统 |
| US20190005667A1 (en) * | 2017-07-24 | 2019-01-03 | Muhammad Zain Khawaja | Ground Surface Estimation |
| US20190286145A1 (en) * | 2018-03-14 | 2019-09-19 | Omron Adept Technologies, Inc. | Method and Apparatus for Dynamic Obstacle Avoidance by Mobile Robots |
| CN108549403A (zh) * | 2018-03-30 | 2018-09-18 | 北京润科通用技术有限公司 | 一种协同避障方法及装置 |
| CN108673510A (zh) * | 2018-06-20 | 2018-10-19 | 北京云迹科技有限公司 | 机器人安全行进系统及方法 |
| US20210108966A1 (en) * | 2019-10-09 | 2021-04-15 | Volkswagen Aktiengesellschaft | Multi-sensory measuring system and method for transportation vehicle operating systems |
| CN110794842A (zh) * | 2019-11-15 | 2020-02-14 | 北京邮电大学 | 基于势场的强化学习路径规划算法 |
| CN111273664A (zh) * | 2020-02-11 | 2020-06-12 | 西北工业大学深圳研究院 | 一种空间桁架结构在轨装配的多机器人路径协同规划方法 |
| CN111708370A (zh) * | 2020-07-21 | 2020-09-25 | 四川大学 | 基于人工势场的多机器人协同路径规划方法和系统 |
| AU2020101561A4 (en) * | 2020-07-29 | 2020-09-24 | Jiaxing University | A Multi-sensor Data Fusion Based Vehicle Cruise System and Method |
Non-Patent Citations (3)
| Title |
|---|
| 李沛伦;杨启;: "基于改进人工势场法的水下滑翔机路径规划" * |
| 桑雷: "基于人工势场法的多机器人编队与避障", 《信息系统工程》 * |
| 桑雷;吕强;: "基于人工势场法的多机器人编队与避障" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023109281A1 (zh) * | 2021-12-14 | 2023-06-22 | 灵动科技（北京）有限公司 | 用于控制自主移动机器人的行驶的方法和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gelbal et al. | Collision avoidance of low speed autonomous shuttles with pedestrians | |
| US11054835B2 (en) | Vehicle collision avoidance | |
| CN105527960A (zh) | 一种基于领航跟随的移动机器人编队控制方法 | |
| CN105892489A (zh) | 一种基于多传感器融合的自主避障无人机系统及控制方法 | |
| JP7044061B2 (ja) | 移動体、移動体制御システム、移動体制御方法、インターフェース装置、およびプログラム | |
| CN108363393B (zh) | 一种智能运动设备及其导航方法和存储介质 | |
| WO2022252221A1 (zh) | 一种移动机器人队列系统及路径规划、跟随方法 | |
| CN111766784B (zh) | 障碍物环境下多机器人图案构成的迭代优化方法 | |
| CN106647729A (zh) | 基于图像识别与无线网络的agv导航系统及导航方法 | |
| CN116540784B (zh) | 一种基于视觉的无人系统空地协同导航与避障方法 | |
| CN113189987A (zh) | 基于多传感器信息融合的复杂地形路径规划方法及系统 | |
| CN112731929A (zh) | 一种基于阿克曼模型的移动机器人避障路径规划方法 | |
| CN110823223A (zh) | 一种无人机群的路径规划方法及装置 | |
| Park et al. | Indoor path planning for an unmanned aerial vehicle via curriculum learning | |
| CN110673610A (zh) | 一种基于ros的工厂agv路径规划方法 | |
| US20200012293A1 (en) | Robot and method of providing guidance service by the robot | |
| KR20210060205A (ko) | 차량용 헤드라이트 시스템 | |
| US11179844B2 (en) | Robot and method for localizing robot | |
| US11370119B2 (en) | Distributed congestion control method and robot | |
| CN116009530A (zh) | 一种自适应切向避障的路径规划方法和系统 | |
| 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 | |
| CN114995486A (zh) | 控制无人机进行避让操作的方法、装置、设备及存储介质 | |
| CN114019912A (zh) | 一种群体机器人运动规划控制方法及系统 | |
| Le et al. | Distributed vision-based target tracking control using multiple mobile robots | |
| Fan et al. | Decentralized multi-robot collision avoidance algorithm based on RSSI |
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: 20210730 |