CN113359705A - 一种路径规划方法、编队协同作业方法及其设备 - Google Patents
一种路径规划方法、编队协同作业方法及其设备 Download PDFInfo
- Publication number
- CN113359705A CN113359705A CN202110535138.1A CN202110535138A CN113359705A CN 113359705 A CN113359705 A CN 113359705A CN 202110535138 A CN202110535138 A CN 202110535138A CN 113359705 A CN113359705 A CN 113359705A
- Authority
- CN
- China
- Prior art keywords
- robot
- path
- target
- sampling
- fire
- 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 77
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 108
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000007704 transition Effects 0.000 claims description 18
- 238000007689 inspection Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 239000003016 pheromone Substances 0.000 claims description 8
- 238000001931 thermography Methods 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 7
- 230000000903 blocking effect Effects 0.000 claims description 2
- 238000009527 percussion Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000257303 Hymenoptera Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
-
- 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
- G05D1/0212—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, 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
- G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
-
- 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
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请公开了一种路径规划方法、编队协同作业方法及其设备，该路径规划方法包括：获取全局环境地图，以及在全局环境地图中定位机器人的位置与目标位置；在全局环境地图中采用预设蚁群算法获取机器人的位置与目标位置之间的多个采样点；获取机器人的移动速度，以及利用移动速度计算多个采样点之间的时间代价；遍历多个采样点，获取机器人的位置到目标位置的路径中时间代价最小的路径作为目标路径，按照目标路径运行。通过上述方法，本申请通过引入蚁群算法对采样阶段进行优化，使得采样点质量更佳，能够有效降低搜索时间以及降低机器人的路径代价。
Description
技术领域
本申请涉及路径规划技术领域，特别是涉及一种路径规划方法、编队协同作业方法及其设备。
背景技术
面向智能制造2025，我国智能机器人技术正处于从低端制造向智能化。移动机器人通过传感器感知外界环境和自身状态来进行规避障碍物，移动机器人在自主导航领域目前处于起步阶段。
现有的移动机器人实现避障主要是基于创建地图的导航，这种导航方式需要有起始点到目标点之间的环境信息，然后基于当前环境的几何模型或者拓扑模型地图实现路径规划和导航。然而，在路径规划过程中，由于环境的复杂，地图中的采样点繁多，搜索采样点的时间过长，计算采样点之间的路径代价的计算量大，导致路径规划的精度和效率都偏低，无法满足移动机器人高效自主导航的需求。
发明内容
本申请提供一种路径规划方法、编队协同作业方法及其设备。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种路径规划方法，所述路径规划方法包括：
获取全局环境地图，以及在所述全局环境地图中定位机器人的位置与目标位置；
在所述全局环境地图中采用预设蚁群算法获取所述机器人的位置与所述目标位置之间的多个采样点；
获取所述多个采样点之间的时间代价；
遍历所述多个采样点，获取所述机器人的位置到所述目标位置的路径中时间代价最小的路径作为目标路径，按照所述目标路径运行。
其中，所述在所述全局环境地图中采用预设蚁群算法获取所述机器人的位置与所述目标位置之间的多个采样点，包括：
通过状态转移概率采样所述目标位置在所述全局环境地图中相邻的第一栅格点，其中，所述状态转移概率由栅格点之间的距离以及栅格点中的残留信息素决定；
将所述第一栅格点的位置记录在禁忌表，并基于所述第一栅格点通过所述状态转移概率采样在所述全局环境地图中相邻的第二栅格点；
当采样到的栅格点为所述机器人的位置时，判断采样到所述机器人的位置的次数是否小于等于预设阈值；
若是，更新所述状态转移概率中的残留信息素，以及重新进行采样；
若否，结束采样，记录所述机器人的位置与所述目标位置之间的多个采样点。
其中，所述获取所述多个采样点之间的时间代价，包括：
当前采样点或者当前采样点到下一个采样点之间存在静态障碍物时，则从所述当前采样点到所述下一个采样点之间的时间代价为无穷大。
其中，所述获取所述多个采样点之间的时间代价，包括：
当按照所述机器人的移动速度在当前采样点到下一个采样点之间遇到已知的动态机器人时，则基于所述动态机器人阻挡该路径的时间计算从所述当前采样点到所述下一个采样点之间的时间代价。
其中，所述获取所述机器人的位置到所述目标位置的路径中时间代价最小的路径作为目标路径，包括：
将所述机器人的位置对应的采样点作为起点；
获取与所述起点时间代价最小的采样点，作为当前节点；
基于所述当前节点从所述多个采样点中按照时间代价最小的条件扩展新的节点；
判断所述新的节点是否为所述目标位置的采样点；
若否，则再搜索其他采样点，更新当前节点；
若是，则利用已经获取的采样点输出所述目标路径。
其中，所述按照所述目标路径运行之后，包括：
通过传感器探测所述目标路径上的环境；
当探测到不影响运行路径的障碍物时，更新所述全局环境地图；
当探测到所述目标路径上的静态障碍物时，更新所述全局环境地图以及重新规划所述目标路径。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种基于消防机器人的编队协同作业方法，所述消防机器人包括无人侦察机、侦察巡视机器人以及消防打击机器人；所述编队协同作业方法包括：
所述无人侦察机基于灭火指令探测火源附近的环境，构建全局环境地图；
所述无人侦察机利用双目相机定位火源的位置，以及将所述全局环境地图和所述火源的位置发送给所述侦察巡视机器人和/或所述消防打击机器人；
所述侦察巡视机器人在所述全局环境地图中定位所述侦察巡视机器人所在的第一起点位置，以及采用上述的路径规划方法获取所述第一起点位置到所述火源的位置的第一目标路径；
所述消防打击机器人或者所述侦察巡视机器人在所述全局环境地图中定位所述消防打击机器人所在的第二起点位置，以及采用上述的路径规划方法获取所述第二起点位置到所述火源的位置的第二目标路径；
所述侦察巡视机器人按照所述第一目标路径运行，所述消防打击机器人按照所述第二目标路径运行。
其中，所述无人侦察机利用双目相机定位火源的位置，包括：
所述无人侦察机基于热成像探测到所述火源后，将与所述火源的角度信息传输给所述双目相机；
所述无人侦察机基于所述角度信息通过三维云台调整所述双目相机的位置实现对所述火源的位置的定位；
所述将所述全局环境地图和所述火源的位置发送给所述侦察巡视机器人和/或所述消防打击机器人，包括：
所述无人侦察机将所述全局环境地图和所述火源的位置发送给预设范围内处于空闲状态的所述侦察巡视机器人和/或所述消防打击机器人。
为解决上述技术问题，本申请采用的另一个技术方案是：提供另一种终端设备，所述终端设备包括处理器和存储器；所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以实现如上述路径规划方法和/或编队协同作业方法的步骤。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机存储介质，其中，计算机存储介质存储有计算机程序，计算机程序被执行时实现上述路径规划方法和/或编队协同作业方法的步骤。
区别于现有技术，本申请的有益效果在于：终端设备获取全局环境地图，以及在全局环境地图中定位机器人的位置与目标位置；在全局环境地图中采用预设蚁群算法获取机器人的位置与目标位置之间的多个采样点；获取机器人的移动速度，以及利用移动速度计算多个采样点之间的时间代价；遍历多个采样点，获取机器人的位置到目标位置的路径中时间代价最小的路径作为目标路径，按照目标路径运行。通过上述方法，本申请通过引入蚁群算法对采样阶段进行优化，使得采样点质量更佳，能够有效降低搜索时间以及降低机器人的路径代价。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对本领域普通技术人员来讲，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的附图。
图1是本申请提供的路径规划方法一实施例的流程示意图；
图2是图1所示路径规划方法具体实施例的流程示意图；
图3是图1所示路径规划方法中S102一实施例的具体流程示意图；
图4是本申请提供的基于消防机器人的编队协同作业方法一实施例的流程示意图；
图5是本申请提供的消防机器人编队系统的结构框架图；
图6是本申请提供的终端设备一实施例的结构示意图；
图7是本申请提供的终端设备另一实施例的结构示意图；
图8是本申请提供的计算机存储介质一实施例的结构示意图。
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，所描述的实施例仅是本发明的一部分实施例，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。
具体请参阅图1和图2，图1是本申请提供的路径规划方法一实施例的流程示意图，图2是图1所示路径规划方法具体实施例的流程示意图。本申请的路径规划方法应用于一种终端设备，其中，本申请的终端设备可以为服务器，也可以为移动设备，还可以为由服务器和移动设备相互配合的系统。相应地，终端设备包括的各个部分，例如各个单元、子单元、模块、子模块可以全部设置于服务器中，也可以全部设置于移动设备中，还可以分别设置于服务器和移动设备中。
进一步地，上述服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块，例如用来提供分布式服务器的软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。
具体地，在本申请实施例中，终端设备可以为一种消防机器人，具体为无人侦察机、侦察巡检机器人或消防灭火机器人，在以下描述中，统一以机器人作为描述主体。
如图1所示，本实施例的路径规划方法具体包括以下步骤：
S101：获取全局环境地图，以及在全局环境地图中定位机器人的位置与目标位置。
其中，机器人首先获取包含目标以及机器人的全局环境地图，全局环境地图可以通过百度地图、谷歌地图或者高德地图等地图软件获取构建全局环境地图的地图信息，也可以通过无人侦察机获取实时的全局环境地图。
具体地，无人侦察机上搭载有热成像相机、双目相机以及三维云台。以消防机器人为例，用户触发灭火指令后，无人侦察机飞抵火源附近探测，并利用双目相机的成像构建地面栅格环境地图。无人侦察机利用热成像相机探测到火源后，将火源与无人侦察机的角度信息通过机体传输给双目相机，最后通过三维云台调整双目相机实现目标定位，确定火源在地面栅格环境地图里面的具体位置。
进一步地，无人侦察机可以根据距离因素寻找处于空闲状态的侦察巡检机器人和消防灭火机器人，通过无线模块将地面栅格环境地图以及火源在地面栅格环境地图里面的具体位置发送给侦察巡检机器人和消防灭火机器人，并给侦察巡检机器人和消防灭火机器人赋予优先级。其中，距离因素可以设置为无人侦察机将相关信息发送给预设传输范围内的所有机器人，也可以设置为无人侦察机按照与机器人的距离发送给距离最近的机器人。
需要说明的是，本申请实施例中的优先级表示在路径规划中优先分配路径的权限，例如，优先级排序大小可以设置为：已规划运动机器人＞侦察巡检机器人，已规划运动机器人＞侦察巡检机器人。
机器人可以利用无人侦察机传输的地面栅格环境地图生成全局环境地图，然后初始化自身的参数，初始化机器人在全局环境地图中的起点和目标点。在本申请实施例中，机器人的起点可以为当前位置点，机器人的目标点可以为火源的附近位置点。
S102：在全局环境地图中采用预设蚁群算法获取机器人的位置与目标位置之间的多个采样点。
其中，相对于现有技术中将地图中的所有位置点都作为采样点，本申请实施例的机器人可以在全局环境地图中采用预设蚁群算法获取合适、高效的多个采样点，从而减少采样点的数量，提高采样点的质量。
具体地，本申请实施例可以通过图3进一步揭示预设蚁群算法在路径规划方法中的使用场景，其中，图3是图1所示路径规划方法中S102一实施例的具体流程示意图。
如图3所示，S102具体包括以下子步骤：
S201：通过状态转移概率采样目标位置在全局环境地图中相邻的第一栅格点，其中，状态转移概率由栅格点之间的距离以及栅格点中的残留信息素决定。
其中，结合图2的流程图中的离线阶段，机器人首先初始化蚁群算法，将m只蚂蚁放在目标点所在栅格，即火源局域所在栅格。任意选择一只蚂蚁k，记录蚂蚁k所在栅格和位置点，初始栅格即目标点所在栅格。然后，机器人计算蚂蚁k的状态转移概率，其中，状态转移概率的影响因素主要包括每个栅格距离蚂蚁起点的远近赋予的概率值，以及每只蚂蚁找到目标时对栅格中残留信息素。机器人通过状态转移概率采样蚂蚁k的下一个栅格点，即第一栅格点。
本申请实施例通过基于蚁群算法的采样，能够在实时随机采样时目标偏向更强烈，使得采样点更多地集中于目标点到机器人起点的直线之间。
S202：将第一栅格点的位置记录在禁忌表，并基于第二栅格点通过状态转移概率采样在全局环境地图中相邻的第二栅格点。
其中，机器人将第一栅格点的位置记录在禁忌表，禁忌表中记载的栅格点不允许蚂蚁k再次选择。机器人采用相同的方式选择第一栅格点往后的第二栅格点。
S203：当采样到的栅格点为机器人的位置时，判断采样到起点的次数是否小于等于预设阈值。
其中，机器人判断采样到的第二栅格点是否为机器人起点所在的栅格点，若否，则继续按照相同的状态转移概率采样第二栅格点往后的栅格点；若是，则判断计算采样到起点的次数K＝k+1，是否满足K≤m的判断条件。其中，m为蚂蚁的总数。当K≤m时，进入步骤S204；当K＞m时，进入步骤S205。
S204：更新状态转移概率中的残留信息素，以及重新进行采样。
其中，机器人选择蚂蚁k+1，并更新状态转移概率中的残留信息素，基于更新后的状态转移概率按照以上步骤重新进行采样。
S205：结束采样，记录机器人的位置与目标位置之间的多个采样点。
其中，机器人结束采样，并记录采样过程中识别到的机器人的位置与目标位置之间的多个采样点，将这部分采样点作为后续路径规划的基础采样点。
S103：获取多个采样点之间的时间代价。
其中，结合图2的流程图中的在线阶段，机器人初始化基于时间参数的A*算法。通过离线阶段采样得到的采样点后，在线阶段基于时间参数的A*算法对机器人的路径进行规划。
具体地，首先确定机器人的移动速度，以及按照机器人的移动速度将采样点之间的路径代价换算为时间代价。两个采样点之间的时间代价表征机器人从一个采样点开始运行到另一采样点所需要的的时间。
需要说明的是，当在规划过程中，机器人遇到地图中已知的静态障碍物时，则从当前节点到新节点的时间代价为无穷大，表示机器人无法穿过该静态障碍物。当在规划过程中，机器人遇到已知的动态机器人时，由于优先级关系机器人从当前节点到新节点的时间代价为已知的动态机器人阻挡该路径的时间，表示机器人需要等待已知的动态机器人先离开该区域。
S104：遍历多个采样点，获取机器人的位置到目标位置的路径中时间代价最小的路径作为目标路径，按照目标路径运行。
其中，机器人将自身的位置对应的采样点作为起点，将起点放入open表中。机器人进而获取与起点时间代价最小的采样点，作为当前节点，将当前节点放入open表中。继续扩展新节点，将不重复的新节点加入open表中，以及将当前节点从open表中移除，加入到close表中。
机器人判断当前节点是否为目标位置所对应的采样点，若否，则继续搜索扩展其他采样点，更新当前节点；若是，则说明寻路成功，利用open表以及close表中的采样点输出规划好的目标路径。
进一步地，如图2所示，机器人按照目标路径开始运动，并结合机器人上搭载的传感器探测目标路径上的周围环境。当探测到不影响机器人的行走路径的障碍物时，只需要更新全局环境地图；当探测到目标路径上的静态障碍物影响到机器人的行走路径时，则更新全局环境地图的同时需要对机器人的行走路径进行重新规划。
当机器人到达目标点后，即可以确定目标火源中心点，对于侦察巡视机器人，可以开启巡视状态；对于消防灭火机器人，可以对目标火源灭火打击。
在本申请实施例中，获取全局环境地图，以及在全局环境地图中定位机器人的位置与目标位置；在全局环境地图中采用预设蚁群算法获取机器人的位置与目标位置之间的多个采样点；获取机器人的移动速度，以及利用移动速度计算多个采样点之间的时间代价；遍历多个采样点，获取机器人的位置到目标位置的路径中时间代价最小的路径作为目标路径，按照目标路径运行。通过上述方法，本申请通过引入蚁群算法对采样阶段进行优化，使得采样点质量更佳，能够有效降低搜索时间以及降低机器人的路径代价。
消防机器人作为智能机器人的一种，可以代替人在石油、化工等危险爆炸环境下进行消防作业。随着其在消防领域的不断扩展，其不断从手持操控向自主导航、从单机向多机联合作战的智能化发展。由于火场环境的特殊性和多变性，消防单机器人在灭火打击时存在对火源探测无法精准、火源目标定位无法精确，火源中心点监测无法常态化问题，因此开展将不同功能的消防机器人组成编队协作系统具有重要的攻关意义。当在同一火场环境下具有自主导航的消防作战机器人数量上升，传统的单机自主避障规划会使得机器人碰撞率增加和机器人间盲目避障会造成路径代价过高，因此开展能适应消防环境下机器人群体协同路径规划具有重要的工程意义。
对此，本申请还提供了一种基于消防机器人的编队协同作业方法，旨在将不同功能的消防机器人组成编队通过协作来实现火源探测精准化、火源目标定位精确化以及火源中心点监测常态化，在机器人自主导航方面提供一种能够实现消防机器人编队的路径协同更优化的方法。具体请参阅图4和图5，其中，图4是本申请提供的基于消防机器人的编队协同作业方法一实施例的流程示意图，图5是本申请提供的消防机器人编队系统的结构框架图。
S301：无人侦察机基于灭火指令探测火源附近的环境，构建全局环境地图。
其中，如图4结构框架图，无人侦察机上搭载有热成像相机、双目相机以及三维云台。以消防机器人为例，用户触发灭火指令后，无人侦察机飞抵火源附近探测，并利用双目相机的成像构建地面栅格环境地图。无人侦察机利用热成像相机探测到火源后，将火源与无人侦察机的角度信息通过机体传输给双目相机，最后通过三维云台调整双目相机实现目标定位，确定火源在地面栅格环境地图里面的具体位置。
S302：无人侦察机利用双目相机定位火源的位置，以及将全局环境地图和火源的位置发送给侦察巡视机器人和/或消防打击机器人。
其中，无人侦察机通过无线模块将全局环境地图和火源的位置发送给侦察巡视机器人和/或消防打击机器人。
需要说明的是，无人侦察机的路径规划可以采用上述路径规划方法控制，以及图4中的侦察巡视机器人编队、消防打击机器人编队同样可以采用上述路径规划方法控制。
S303：侦察巡视机器人在全局环境地图中定位侦察巡视机器人所在的第一起点位置，以及获取第一起点位置到火源的位置的第一目标路径。
S304：消防打击机器人或者侦察巡视机器人在全局环境地图中定位消防打击机器人所在的第二起点位置，以及获取第二起点位置到火源的位置的第二目标路径。
其中，本申请实施例中，消防打击机器人和侦察巡视机器人可以分贝规划自己的目标路径；另外，侦察巡视机器人也可以给消防打击机器人规划第二目标路径，减少消防打击机器人的运行负载。
S305：侦察巡视机器人按照第一目标路径运行，消防打击机器人按照第二目标路径运行。
本申请实施例通过无人侦察机飞抵火源使用热成像相机进行热成像扫描自动寻找火源后借助双目相机精确火源位置，并通过侦察巡视机器人对定位目标的火源中心点进行精确确认并监测。相对于传统的消防机器人通过仰视探测。定位火源，本申请实施例能实现火源探测精准化、火源目标定位精确化，并通过侦察巡视机器人达到对火源中心点的实时监测，达到对火源中心点的精准跟随打击。
本申请实施例通过无人侦察机上的双目相机初始化地图为机器人路径规划构建基本的全局环境，并结合地面机器人行走时基于传感器的局部探测更新地图实现对环境全感知。在构建环境地图中使用路径规划方法通过离线阶段采样和在线阶段规划共同作用实现多机器人的路径规划，该方法相对于传统的消防机器人结合环境探测的局部路径规划，采用全局和局部动态结合方式规划所得的路径代价更低，鲁棒性更强。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
为了实现上述实施例的路径规划方法，本申请还提供了一种终端设备，具体请参阅图6，图6是本申请提供的终端设备一实施例的结构示意图。
如图6所示，本实施例的终端设备400包括获取模块41、采样模块42、计算模块43以及规划模块44；其中，
获取模块41，用于获取全局环境地图，以及在所述全局环境地图中定位机器人的位置与目标位置；
采样模块42，用于在所述全局环境地图中采用预设蚁群算法获取所述机器人的位置与所述目标位置之间的多个采样点；
计算模块43，用于利用所述运动物体的速度信息调整所述运动物体所在框区域的融合比例，得到局部融合比例；
规划模块44，用于遍历所述多个采样点，获取所述机器人的位置到所述目标位置的路径中时间代价最小的路径作为目标路径，按照所述目标路径运行。
为了实现上述实施例的路径规划方法和基于消防机器人的编队协同作业方法，本申请还提供了另一种终端设备，具体请参阅图7，图7是本申请提供的终端设备另一实施例的结构示意图。
如图7所示，本实施例的终端设备500包括处理器51、存储器52、输入输出设备53以及总线54。
该处理器51、存储器52、输入输出设备53分别与总线54相连，该存储器52中存储有计算机程序，处理器51用于执行计算机程序以实现上述实施例的路径规划方法和基于消防机器人的编队协同作业方法。
在本实施例中，处理器51还可以称为CPU(Central Processing Unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。处理器51还可以是GPU(Graphics Processing Unit，图形处理器)，又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备(如平板电脑、智能手机等)上图像运算工作的微处理器。GPU的用途是将计算机系统所需要的显示信息进行转换驱动，并向显示器提供行扫描信号，控制显示器的正确显示，是连接显示器和个人电脑主板的重要元件，也是“人机对话”的重要设备之一。显卡作为电脑主机里的一个重要组成部分，承担输出显示图形的任务，对于从事专业图形设计的人来说显卡非常重要。通用处理器可以是微处理器或者该处理器51也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质，如图8所示，计算机存储介质600用于存储计算机程序61，计算机程序61在被处理器执行时，用以实现如本申请路径规划方法和基于消防机器人的编队协同作业方法实施例中所述的方法。
本申请路径规划方法和基于消防机器人的编队协同作业方法实施例中所涉及到的方法，在实现时以软件功能单元的形式存在并作为独立的产品销售或使用时，可以存储在设备中，例如一个计算机可读取存储介质。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种路径规划方法，其特征在于，所述路径规划方法包括：
获取全局环境地图，以及在所述全局环境地图中定位机器人的位置与目标位置；
在所述全局环境地图中采用预设蚁群算法获取所述机器人的位置与所述目标位置之间的多个采样点；
获取所述多个采样点之间的时间代价；
遍历所述多个采样点，获取所述机器人的位置到所述目标位置的路径中时间代价最小的路径作为目标路径，按照所述目标路径运行。
2.根据权利要求1所述的路径规划方法，其特征在于，所述在所述全局环境地图中采用预设蚁群算法获取所述机器人的位置与所述目标位置之间的多个采样点，包括：
通过状态转移概率采样所述目标位置在所述全局环境地图中相邻的第一栅格点，其中，所述状态转移概率由栅格点之间的距离以及栅格点中的残留信息素决定；
将所述第一栅格点的位置记录在禁忌表，并基于所述第一栅格点通过所述状态转移概率采样在所述全局环境地图中相邻的第二栅格点；
当采样到的栅格点为所述机器人的位置时，判断采样到所述机器人的位置的次数是否小于等于预设阈值；
若是，更新所述状态转移概率中的残留信息素，以及重新进行采样；
若否，结束采样，记录所述机器人的位置与所述目标位置之间的多个采样点。
3.根据权利要求2所述的路径规划方法，其特征在于，
所述获取所述多个采样点之间的时间代价，包括：
当前采样点或者当前采样点到下一个采样点之间存在静态障碍物时，则从所述当前采样点到所述下一个采样点之间的时间代价为无穷大。
4.根据权利要求2所述的路径规划方法，其特征在于，
所述获取所述多个采样点之间的时间代价，包括：
当按照所述机器人的移动速度在当前采样点到下一个采样点之间遇到已知的动态机器人时，则基于所述动态机器人阻挡该路径的时间计算从所述当前采样点到所述下一个采样点之间的时间代价。
5.根据权利要求2所述的路径规划方法，其特征在于，
所述获取所述机器人的位置到所述目标位置的路径中时间代价最小的路径作为目标路径，包括：
将所述机器人的位置对应的采样点作为起点；
获取与所述起点时间代价最小的采样点，作为当前节点；
基于所述当前节点从所述多个采样点中按照时间代价最小的条件扩展新的节点；
判断所述新的节点是否为所述目标位置的采样点；
若否，则再搜索其他采样点，更新当前节点；
若是，则利用已经获取的采样点输出所述目标路径。
6.根据权利要求1所述的路径规划方法，其特征在于，
所述按照所述目标路径运行之后，包括：
通过传感器探测所述目标路径上的环境；
当探测到不影响运行路径的障碍物时，更新所述全局环境地图；
当探测到所述目标路径上的静态障碍物时，更新所述全局环境地图以及重新规划所述目标路径。
7.一种基于消防机器人的编队协同作业方法，其特征在于，所述消防机器人包括无人侦察机、侦察巡视机器人以及消防打击机器人；所述编队协同作业方法包括：
所述无人侦察机基于灭火指令探测火源附近的环境，构建全局环境地图；
所述无人侦察机利用双目相机定位火源的位置，以及将所述全局环境地图和所述火源的位置发送给所述侦察巡视机器人和/或所述消防打击机器人；
所述侦察巡视机器人在所述全局环境地图中定位所述侦察巡视机器人所在的第一起点位置，以及采用权利要求1～6中任一项所述的路径规划方法获取所述第一起点位置到所述火源的位置的第一目标路径；
所述消防打击机器人或者所述侦察巡视机器人在所述全局环境地图中定位所述消防打击机器人所在的第二起点位置，以及采用权利要求1～6中任一项所述的路径规划方法获取所述第二起点位置到所述火源的位置的第二目标路径；
所述侦察巡视机器人按照所述第一目标路径运行，所述消防打击机器人按照所述第二目标路径运行。
8.根据权利要求7所述的编队协同作业方法，其特征在于，所述无人侦察机利用双目相机定位火源的位置，包括：
所述无人侦察机基于热成像探测到所述火源后，将与所述火源的角度信息传输给所述双目相机；
所述无人侦察机基于所述角度信息通过三维云台调整所述双目相机的位置实现对所述火源的位置的定位；
所述将所述全局环境地图和所述火源的位置发送给所述侦察巡视机器人和/或所述消防打击机器人，包括：
所述无人侦察机将所述全局环境地图和所述火源的位置发送给预设范围内处于空闲状态的所述侦察巡视机器人和/或所述消防打击机器人。
9.一种终端设备，其特征在于，所述终端设备包括处理器和存储器；所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以实现如权利要求1～6中任一项所述路径规划方法和/或权利要求7～8中任一项所述编队协同作业方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序被执行时实现如权利要求1～6中任一项所述路径规划方法和/或权利要求7～8中任一项所述编队协同作业方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110535138.1A CN113359705A (zh) | 2021-05-17 | 2021-05-17 | 一种路径规划方法、编队协同作业方法及其设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110535138.1A CN113359705A (zh) | 2021-05-17 | 2021-05-17 | 一种路径规划方法、编队协同作业方法及其设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113359705A true CN113359705A (zh) | 2021-09-07 |
Family
ID=77526770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110535138.1A Pending CN113359705A (zh) | 2021-05-17 | 2021-05-17 | 一种路径规划方法、编队协同作业方法及其设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113359705A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114814877A (zh) * | 2022-06-21 | 2022-07-29 | 山东金宇信息科技集团有限公司 | 一种基于巡检机器人的隧道数据采集方法、设备及介质 |
| CN115236972A (zh) * | 2022-07-25 | 2022-10-25 | 中国安全生产科学研究院 | 一种基于双闭环自适应pid的多机器人编队控制方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106225788A (zh) * | 2016-08-16 | 2016-12-14 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
| CN109282815A (zh) * | 2018-09-13 | 2019-01-29 | 天津西青区瑞博生物科技有限公司 | 一种动态环境下基于蚁群算法的移动机器人路径规划方法 |
| CN210228953U (zh) * | 2019-06-05 | 2020-04-03 | 山东国兴智能科技股份有限公司 | 一种无人机与消防机器人协同侦察灭火作业系统 |
| CN112068544A (zh) * | 2020-07-20 | 2020-12-11 | 上海擎朗智能科技有限公司 | 一种自主移动装置的调度方法、装置、设备及存储介质 |
| CN112325884A (zh) * | 2020-10-29 | 2021-02-05 | 广西科技大学 | 一种基于dwa的ros机器人局部路径规划方法 |
| CN112631294A (zh) * | 2020-12-16 | 2021-04-09 | 上海应用技术大学 | 一种移动机器人智能路径规划方法 |
| CN112774073A (zh) * | 2021-02-05 | 2021-05-11 | 燕山大学 | 无人机引导的多机协作灭火方法及其灭火系统 |
-
2021
- 2021-05-17 CN CN202110535138.1A patent/CN113359705A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106225788A (zh) * | 2016-08-16 | 2016-12-14 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
| CN109282815A (zh) * | 2018-09-13 | 2019-01-29 | 天津西青区瑞博生物科技有限公司 | 一种动态环境下基于蚁群算法的移动机器人路径规划方法 |
| CN210228953U (zh) * | 2019-06-05 | 2020-04-03 | 山东国兴智能科技股份有限公司 | 一种无人机与消防机器人协同侦察灭火作业系统 |
| CN112068544A (zh) * | 2020-07-20 | 2020-12-11 | 上海擎朗智能科技有限公司 | 一种自主移动装置的调度方法、装置、设备及存储介质 |
| CN112325884A (zh) * | 2020-10-29 | 2021-02-05 | 广西科技大学 | 一种基于dwa的ros机器人局部路径规划方法 |
| CN112631294A (zh) * | 2020-12-16 | 2021-04-09 | 上海应用技术大学 | 一种移动机器人智能路径规划方法 |
| CN112774073A (zh) * | 2021-02-05 | 2021-05-11 | 燕山大学 | 无人机引导的多机协作灭火方法及其灭火系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114814877A (zh) * | 2022-06-21 | 2022-07-29 | 山东金宇信息科技集团有限公司 | 一种基于巡检机器人的隧道数据采集方法、设备及介质 |
| CN114814877B (zh) * | 2022-06-21 | 2022-09-06 | 山东金宇信息科技集团有限公司 | 一种基于巡检机器人的隧道数据采集方法、设备及介质 |
| CN115236972A (zh) * | 2022-07-25 | 2022-10-25 | 中国安全生产科学研究院 | 一种基于双闭环自适应pid的多机器人编队控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3660618B1 (en) | Map building and positioning of robot | |
| CN106774345B (zh) | 一种进行多机器人协作的方法与设备 | |
| EP3706414B1 (en) | Video monitoring method for mobile robot | |
| US10278333B2 (en) | Pruning robot system | |
| WO2021103987A1 (zh) | 扫地机器人控制方法、扫地机器人及存储介质 | |
| CN110986953B (zh) | 路径规划方法、机器人及计算机可读存储介质 | |
| EP3196726A2 (en) | Apparatus and system for remotely controlling a moving robot and method thereof | |
| WO2023016101A1 (zh) | 一种基于启发式偏置采样的室内环境机器人探索方法 | |
| US10611028B1 (en) | Map building and positioning of robot | |
| CN111805535B (zh) | 一种定位导航方法、装置以及计算机存储介质 | |
| CN104737085A (zh) | 用于自主地检测或处理地面的机器人和方法 | |
| CN113359705A (zh) | 一种路径规划方法、编队协同作业方法及其设备 | |
| CN110989352A (zh) | 一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法 | |
| CN112540609A (zh) | 路径规划方法、装置、终端设备及存储介质 | |
| CN110940341B (zh) | 路径规划方法、机器人及计算机可读存储介质 | |
| WO2023273415A1 (zh) | 基于无人机的定位方法、装置、存储介质、电子设备和产品 | |
| WO2024007807A1 (zh) | 一种误差校正方法、装置及移动设备 | |
| CN114740867A (zh) | 基于双目视觉的智能避障方法、装置、机器人及介质 | |
| WO2019171491A1 (ja) | 移動体制御装置、移動体、移動体制御システム、移動体制御方法および記録媒体 | |
| CN113848893A (zh) | 机器人导航方法、装置、设备及存储介质 | |
| WO2023197668A1 (zh) | 机器人避障控制方法和装置 | |
| CN115328122B (zh) | 一种基于多雷达感知的无人船避障方法及系统 | |
| JP7070673B2 (ja) | 自律動作機の制御装置、自律動作機の制御方法、及び、自律動作機の制御プログラム | |
| US20240255956A1 (en) | Information processing device, information processing system, information processing method, and program | |
| JP2020042516A (ja) | 移動経路生成装置、移動装置、移動経路生成方法、及びプログラム |
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: 20210907 |
|
| RJ01 | Rejection of invention patent application after publication |