CN113359740A - 一种轮式移动机器人及其控制方法、控制系统、存储介质 - Google Patents

一种轮式移动机器人及其控制方法、控制系统、存储介质 Download PDF

Info

Publication number
CN113359740A
CN113359740A CN202110676545.4A CN202110676545A CN113359740A CN 113359740 A CN113359740 A CN 113359740A CN 202110676545 A CN202110676545 A CN 202110676545A CN 113359740 A CN113359740 A CN 113359740A
Authority
CN
China
Prior art keywords
path
control
local
mobile robot
global
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
Application number
CN202110676545.4A
Other languages
English (en)
Inventor
潘金文
刘奇帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Lanpangzi Mobile Technology Co ltd
Original Assignee
Guangzhou Lanpangzi Mobile Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Lanpangzi Mobile Technology Co ltd filed Critical Guangzhou Lanpangzi Mobile Technology Co ltd
Priority to CN202110676545.4A priority Critical patent/CN113359740A/zh
Publication of CN113359740A publication Critical patent/CN113359740A/zh
Pending legal-status Critical Current

Links

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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Abstract

本发明公开了一种轮式移动机器人及其控制方法、控制系统、存储介质，所述控制方法包括：根据关键点信息和全局静态代价地图，生成全局路径；根据所述全局路径和局部动态代价地图，使用控制点模型，生成局部路径；根据所述局部路径和车辆的运动约束，生成在所述局部路径上每一点的速度分布，规划参考轨迹；根据所述参考轨迹及控制点模型和车辆自身状态，计算出控制指令，分发执行。通过本发明实施例，可以在轮式移动机器人的控制上能够通过小计算量实现高性能的运动规划与控制，达到节省计算资源，降低成本，满足可定制场景的实际需求。

Description

一种轮式移动机器人及其控制方法、控制系统、存储介质
技术领域
本发明涉及移动机器人领域，特别涉及一种轮式移动机器人及其控制方 法、控制系统、存储介质。
背景技术
目前，轮式移动机器人广泛应用于在仓库中进行自动化移动。在仓储自 动化系统的实现中，移动机器人需要配合调度系统，才能完成整个仓储的自 动化和智能化。由于仓储系统的可定制特性(场景可以定制的“简单”，而非自 然环境下那么“复杂”)，让研发人员有一定的自由度来设计整个仓库的运行地 图，调度系统根据任务的情况，给移动机器人发送任务指令，移动机器人根 据已有地图和当前环境情况，自主决策如何移动到目的地并执行相关动作。
在移动的过程中，需要考虑路线的变化、环境的变化。另外，在同一个 自动化仓储系统中，甚至会使用不同形态、不同功能的移动机器人车辆，这 些车辆都有自己的物理约束，而对于车辆移动的要求则相同的，即安全、平 滑、稳定、舒适。为了达到这样的目标，就依赖于高性能的运动规划与控制 方法；同时为了节省计算资源，降低成本，希望通过小计算量实现高性能， 这样就依赖于运动规划与控制方法上的创新。
在当前存在的轮式移动机器人运动规划与控制的方案中，以ROS官方提 供的导航框架最为流行。该方案考虑主要是自然环境下，移动机器人如何做 定位、导航、规划和控制，但该方案并不能满足可定制场景的实际需求。
所以，如何提出一种控制方法，可以在轮式移动机器人的控制上能够通 过小计算量实现高性能的运动规划与控制，达到节省计算资源，降低成本， 满足可定制场景的实际需求。
发明内容
有鉴于此，本发明实施例提供的一种轮式移动机器人及其控制方法、控 制系统、存储介质，可以在轮式移动机器人的控制上能够通过小计算量实现 高性能的运动规划与控制，达到节省计算资源，降低成本，满足可定制场景 的实际需求。
本发明解决上述技术问题所采用的技术方案如下：
根据本发明实施例的一个方面，提供的一种轮式移动机器人控制方法， 所述控制方法包括：
根据关键点信息和全局静态代价地图，生成全局路径；
根据所述全局路径和局部动态代价地图，使用控制点模型，生成局部路 径；
根据所述局部路径和车辆的运动约束，生成在所述局部路径上每一点的 速度分布，规划参考轨迹；
根据所述参考轨迹及控制点模型和车辆自身状态，计算出控制指令，分 发执行。
根据本发明的另一个方面，提供的一种轮式移动机器人控制系统，所述 控制系统包括：全局路径规划器、局部路径规划器、速度规划器、轨迹跟踪 控制器；其中：
所述全局路径规划器，用于接收关键点信息，根据所述关键点信息和全 局静态代价地图，生成全局路径；
所述局部路径规划器，用于接收所述全局路径，根据所述全局路径和局 部动态代价地图，使用控制点模型，生成局部路径；
所述速度规划器，用于接收所述局部路径，根据所述局部路径和车辆的 运动约束，生成在所述局部路径上每一点的速度分布，规划参考轨迹；
所述轨迹跟踪控制器，用于接收所述参考轨迹，根据所述参考轨迹及控 制点模型和车辆自身状态，计算出控制指令，分发执行。
根据本发明的另一个方面，提供的一种轮式移动机器人，所述轮式移动 机器人包括如本发明任一实施例所述的一种轮式移动机器人控制系统。
根据本发明的另一个方面，提供的一种轮式移动机器人，包括：存储器、 处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述 计算机程序被所述处理器执行时实现本发明实施例提供的一种轮式移动机器 人控制方法的步骤。
根据本发明的另一个方面，提供的一种存储介质，所述存储介质上存储 有一种轮式移动机器人控制方法的程序，所述一种轮式移动机器人控制方法 的程序被处理器执行时实现本发明实施例提供的一种轮式移动机器人控制方 法的步骤。
与相关技术相比，本发明实施例提供的一种轮式移动机器人及其控制方 法、控制系统、存储介质，通过根据关键点信息及全局静态代价地图，生成 全局路径；根据所述全局路径及局部动态代价地图，使用控制点模型，生成 局部路径；根据所述局部路径及车辆的运动约束，生成在所述局部路径上每 一点的速度分布，进而规划出参考轨迹；根据所述参考轨迹及控制点模型和 车辆自身状态，计算出控制指令，发送到驱动层，分发执行，从而可以在轮 式移动机器人在特定路径上进行自动化移动时能够同时实现位置和角度的精 确跟踪，可以随时掌控所述轮式移动机器人，提高工作效率。满足在简单场 景下移动机器人运动规划与控制，使用简单、可靠的控制方法，实现平稳、 舒适、高效、可执行的运动规划与控制，在轮式移动机器人的控制上能够通 过小计算量实现高性能的运动规划与控制，在运动规划和控制上做得更为细 致，达到节省计算资源，降低成本，满足可定制场景的实际应用需求。
附图说明
图1为本发明实施例提供的一种用于无人仓储的轮式移动机器人控制方 法的流程示意图。
图2为本发明实施例提供的一个差速驱动的轮式移动机器人的运动情况 分析图。
图3为本发明实施例提供的一种用于无人仓储的轮式移动机器人控制系 统的结构示意图。
图4为本发明实施例提供的一种轮式移动机器人的结构示意图。
图5为本发明实施例提供的一种轮式移动机器人的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步 说明。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明 白，以下结合附图和实施例，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以解释本发明，并不用于限定本发明。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后 缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部 件”或“单元”可以混合地使用。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第 一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次 序。
在一个实施例中，如图1所示，本发明提供一种用于无人仓储的轮式移 动机器人控制方法，所述方法包括：
S1、根据关键点信息和全局静态代价地图，生成全局路径。
S2、根据所述全局路径和局部动态代价地图，使用控制点模型，生成局 部路径。
S3、根据所述局部路径和车辆的运动约束，生成在所述局部路径上每一 点的速度分布，规划参考轨迹。
S4、根据所述参考轨迹及控制点模型和车辆自身状态，计算出控制指令， 分发执行。
在本实施例中，通过根据关键点信息及全局静态代价地图，生成全局路 径；根据所述全局路径及局部动态代价地图，使用控制点模型，生成局部路 径；根据所述局部路径及车辆的运动约束，生成在所述局部路径上每一点的 速度分布，进而规划出参考轨迹；根据所述参考轨迹及控制点模型和车辆自 身状态，计算出控制指令，发送到驱动层，分发执行，从而可以在轮式移动 机器人在特定路径上进行自动化移动时能够同时实现位置和角度的精确跟 踪，可以随时掌控所述轮式移动机器人，提高工作效率。满足在简单场景下 移动机器人运动规划与控制，使用简单、可靠的控制方法，实现平稳、舒适、 高效、可执行的运动规划与控制，在轮式移动机器人的控制上能够通过小计 算量实现高性能的运动规划与控制，在运动规划和控制上做得更为细致，达 到节省计算资源，降低成本，满足可定制场景的实际应用需求。本发明与现 有技术相比，有如下优点：
(1)场景的可定制特性。针对每个特定的应用，使用简单的规则，定制 机器人移动的大致规则，约定机器人移动的大致范围，无需考虑在自然环境 下的移动机器人之间的冲突。
(2)将运动规划和控制做得更为细致，在运动规划以及控制时以时间最 优为目标，考虑多重约束，例如车辆的运动学模型约束、物理限制、速度限 制、加速度限制以及车辆的舒适性指标约束等。
在一个实施例中，所述步骤S1中，所述根据关键点信息和全局静态代价 地图，生成全局路径。其中，所述关键点信息(key_points)包括起点、终点 和途径点等信息。
传统的基于搜索的算法(例如标准Hybrid A*算法或D*)考虑的是离散 状态，无法考虑车辆的模型约束，其生成的路径一般比较粗糙，只是粗略地 生成起点到终点的全局路径，只能用于全局路径规划，无法直接给车辆进行 跟踪。一般来说，全局路径规划只依赖于静态地图，且只考虑静态障碍物， 不会考虑动态障碍物。
本实施例中，根据接收到的关键点信息，以及车辆自身的尺寸和全局静 态代价地图(Global Costmap)上的障碍物，生成一条无碰撞的全局路径 (Global_path)。对于所述全局路径搜索生成出来的路径平滑性的要求不高， 可以采用现有的路径搜索算法技术来搜索规划生成所述全局路径。
在一个实施例中，所述步骤S2中，所述根据所述全局路径和局部动态代 价地图(Local Costmap)，使用控制点模型，生成局部路径(Local_path)。
一般来说，全局路径规划只依赖于全局静态代价地图，只考虑静态障碍 物，而局部路径规划则要考虑动态障碍物，结合局部动态代价地图(Local Costmap)来进行规划。
现有技术中，一般是采用基于模型预测控制(MPC：Model Predictive Control)的在线运动规划，这类算法技术考虑了车辆的运动学模型约束，一 般适用于开阔空间场景下的自主移动机器人(AMR：Autonomous Mobile Robot)，但并不适合狭窄空间场景下的自主移动机器人。
对于仓库高存储量的需求，常常需要考虑狭窄空间下车辆运动的路径规 划问题，例如：垂直停车位的倒库问题，平行停车位的倒库问题。标准Hybrid A*算法考虑运动学约束，在搜索时考虑路径的连续性，在配型空间中规划出 来的路径，一般是车辆可以行驶的路径，并且给出了车辆在每个路径点上的 位置和朝向。因此，在应用于仓库里的狭窄场景下的自动化移动机器人时， 本发明对标准Hybrid A*算法进行了改进，形成基于控制点模型的Hybrid A* 算法，使用所述基于控制点模型的Hybrid A*算法结合局部动态代价地图生成 局部路径。该基于控制点模型的Hybrid A*算法的优点在于，由于控制点模型 已经嵌入到运动约束中，并不需要关注控制点的具体位置在哪里，因此，可 以用使用基于控制点模型的Hybrid A*算法来求解以控制点模型为运动学模型 的路径规划问题，生成的参考路径可以直接作为机器人控制器的路径参考值， 而无需做任何变换。
现有的标准Hybrid A*算法，使用的模型是后轴中心模型，所有的后续的 如搜路算法、路径平滑算法也都是针对所述后轴中心模型来进行的。
而本发明中的基于控制点模型的Hybrid A*算法，使用的模型是控制点模 型，后续的搜路算法、路径平滑算法也都是针对所述控制点模型来进行的。
使用基于控制点模型的Hybrid A*算法生成局部路径，与生成全局路径的 方法是类似的，都是通过路径搜索算法技术来搜索规划生成路径，区别在于， 生成全局路径，使用的是全局静态代价地图作为障碍物输入；而生成局部路 径，则使用的是局部动态代价地图作为障碍物输入，采用包含基于控制点模 型的Hybrid A*算法的路径搜索算法技术来搜索规划生成所述局部路径。
如图2所示，是一个差速驱动的轮式移动机器人的运动情况分析图。其 中A点是机器人的后轴中心，轴线AB垂直于后轴中心所在的后轴，C点是 直线AB上任意一点，D点是C点的对称点。轮式移动机器人所在车体的后 轮是两个驱动轮，其左右轮的转速分别为ωl，ωr，两个后轮中心距离为d，两 个后轮半径为r，l是控制点到机器人后轴中心的距离。假设A点坐标为(x，y)， 移动机器人的朝向为θ，则：
Figure BDA0003120770470000071
q点就是描述该轮式移动机器人运动的配型空间上的一个点。
一般来说，在实际应用时，一般只考虑控制点在轴线(直线AB)上的情 况。所以，从轮式移动机器人的所述轴线上选取一控制点C，控制点C的坐 标为(xC，yC，θC)。
定义：
Figure BDA0003120770470000072
上式中，η是移动机器人前进方向的速度，ξ是移动机器人所在车体的横 向速度，ω是移动机器人所在车体的横摆角速度。所述移动机器人前进方向的 速度η，移动机器人所在车体的横向速度ξ，以及移动机器人所在车体的横摆 角速度ω，形成所述移动机器人的速度约束条件。
通过获取移动机器人的左右轮转速ωl、ωr、两个后轮中心距离d及两个 后轮半径r，确定所述横摆角速度ω，如下式所示：
Figure BDA0003120770470000073
式中，ωl，ωr分别为左右轮转速，d为两个后轮中心距离，r为两个后轮 半径。
通过获取移动机器人的左右轮转速ωl、ωr及两个后轮半径r，确定所述沿 移动机器人前进方向的速度η，如下式所示：
Figure BDA0003120770470000074
式中，ωl，ωr分别为左右轮转速，r为两个后轮半径。
通过获取移动机器人的横摆角速度ω和控制点到机器人后轴中心的距离 l，确定所述移动机器人所在车体的横向速度ξ，如下式所示：
ξ＝ωl
式中，l是控制点到机器人后轴中心的距离，所述横摆角速度ω。
从而，获取移动机器人前进方向的速度η，移动机器人所在车体的横向速 度ξ，以及移动机器人所在车体的横摆角速度ω，形成所述移动机器人的速度 约束条件。
根据前面描述可知，控制点C的坐标为(xC，yC，θC)，并且获取了移动机器 人前进方向的速度η，移动机器人所在车体的横向速度ξ，以及移动机器人所 在车体的横摆角速度ω。
根据图2的差速驱动的轮式移动机器人的运动情况分析，确定后轴中心 的运动方程为：
Figure BDA0003120770470000081
一般来说，在实际应用时，一般只考虑控制点在轴线(直线AB)上的情 况。设控制点C的坐标为(xC，yC，θC)，则：
Figure BDA0003120770470000082
则确定控制点C的运动方程为：
Figure BDA0003120770470000083
即：
Figure BDA0003120770470000091
通过上述式3，建立所述控制点C的控制点模型。
设D点的坐标为(xD,yD,θD)，则D点的运动方程为：
Figure BDA0003120770470000092
上述式(3)和(4)中，对于所述控制点C，那么如果l＝0，意味着控 制点C在后轴中心(A点)，如果l<0，意味着控制点C在D点，即：如果 控制点C在射线AB上，则l>0，如果控制点C在射线AD上，则l<0，如 果控制点C就是A点，则l＝0。
因此，式(3)中，控制量是η以及ω。也就是说，控制点是人为选定的 移动机器人运动平面内的一个虚拟点，一般选取有物理意义的点，例如，一 般选择的都是车辆的后轴中心(图1中的A点)。而实际在应用中，为了考 虑车辆对空间的占用情况，既可以选择几何中心(图1中的AC之间的某个点)， 也可以选择靠近车头C点，具体怎么选，可以看实际的效果而定。甚至，在 实际的应用中，还可以任意切换控制点，以实现某些特殊的需求，例如，在过弯道时，想要车体始终保持在曲线的中心附近，这时控制点选择C点，而 在叉取货物时，需要控制后轮中心到某一具体位置，这时控制点可以选在后 轮中心。
所以，本实施例中的控制点有如下性质：
(1)控制点可以是相对于移动机器人自身来说的任一点，例如图1中， A，B，C，D点都可以成为控制点。
(2)控制点并不是与机器人有物理连接的一个点。
(3)在正常应用时，对于不同的运动形态，控制点可以是不一样的，例 如：对于原地选择，控制点只能放在A点，否则就不能实现精确的原地旋转； 而对于正常的直线或者曲线运动，控制点可以放在A，B，C，D任意一点。
通过在移动机器人运动平面内的所在轴线上选取控制点，建立所述控制 点的控制点模型，在轮式移动机器人在特定路径上进行自动化移动时能够同 时实现位置和角度的精确跟踪，可以随时掌控所述轮式移动机器人姿态，提 高工作效率。
在一个实施例中，所述步骤S3中，所述根据所述局部路径和车辆的运动 约束，生成在所述局部路径上每一点的速度分布，规划参考轨迹。
其中，所述参考轨迹(reference_trajectory)上每一点的方向，可能沿着 整体轨迹的切线方向，也可能不沿着整体轨迹的切线方向。
如何将路径转化为轨迹，研究的是“对于一个给定的路径，如何在每一 个路径点上分布速度，以达到走完整段路，用的总时间最少”的问题。问题 很简单，最优解也是存在的，但是要想得到最优解，需要求解微分方程组， 既需要较大的内存占用，又需要耗费较大的计算量。例如：在现有的算法中， 将路径转化轨迹时，一般是直接定义以时间为优化目标的约束优化问题，同 时考虑车辆的速度约束和加速度约束，这样带来的问题是引入了额外的优化 问题，也就引入了额外的计算量。而在实际的工程中，对于生成轨迹的这个 问题，目标也不是一定要得到一个最优解，而是要在最优性、内存空间占用 以及计算量上做一个权衡。
现有技术中，一般是将弧长表示为加速度分段常值的函数，再做进一步 的处理。而本发明中，采用多阶线性跟踪微分器，结合车辆本身的运动约束 和物理约束，由差分方程迭代生成参考轨迹。其中，所述运动约束包括速度 约束、加速度约束、急动度约束；所述物理约束包括曲率约束。
在一个实施例中，所述步骤S4中，所述根据所述参考轨迹及控制点模型 和车辆自身状态，计算出控制指令，发送到驱动层，分发执行。
在该步骤中，涉及MPC求解过程，而MPC求解过程是现有技术。一般 的MPC求解过程中所使用的模型也是基于后轴中心模型。而在本发明中，由 于本发明的参考轨迹是基于控制点模型生成的，所以，本发明的MPC求解过 程中所使用的模型，也是使用匹配的控制点模型，使用基于控制点模型来求 解MPC。
在一个实施例中，如图3所示，本发明提供一种用于无人仓储的轮式移 动机器人控制系统，应用于一种用于无人仓储的轮式移动机器人控制方法， 所述控制系统100包括：全局路径规划器10、局部路径规划器20、速度规划 器30、轨迹跟踪控制器40；其中：
所述全局路径规划器10，用于接收关键点信息，根据所述关键点信息和 全局静态代价地图，生成全局路径。
所述局部路径规划器20，用于接收所述全局路径，根据所述全局路径和 局部动态代价地图，使用控制点模型，生成局部路径。
所述速度规划器30，用于接收所述局部路径，根据所述局部路径和车辆 的运动约束，生成在所述局部路径上每一点的速度分布，规划参考轨迹。
所述轨迹跟踪控制器40，用于接收所述参考轨迹，根据所述参考轨迹及 控制点模型和车辆自身状态，计算出控制指令，分发执行。
在本实施例中，通过全局路径规划器10根据接收到的关键点信息及全局 静态代价地图，生成全局路径；局部路径规划器20根据所述全局路径及局部 动态代价地图，使用控制点模型，生成局部路径；速度规划器30根据所述局 部路径及车辆的运动约束、物理约束，生成在所述局部路径上每一点的速度 分布，进而规划出参考轨迹；轨迹跟踪控制器40根据所述参考轨迹及控制点 模型和车辆自身状态，计算出控制指令，发送到驱动层，分发执行，从而可 以在轮式移动机器人在特定路径上进行自动化移动时能够同时实现位置和角 度的精确跟踪，可以随时掌控所述轮式移动机器人，提高工作效率。满足在 简单场景下移动机器人运动规划与控制，使用简单、可靠的控制方法，实现 平稳、舒适、高效、可执行的运动规划与控制，在轮式移动机器人的控制上 能够通过小计算量实现高性能的运动规划与控制，在运动规划和控制上做得 更为细致，达到节省计算资源，降低成本，满足可定制场景的实际应用需求。
在一个实施例中，所述全局路径规划器10，用于接收关键点信息，根据 所述关键点信息和全局静态代价地图，生成全局路径。其中，所述关键点信 息(key_points)包括起点、终点和途径点等信息。
传统的基于搜索的算法(例如标准Hybrid A*算法或D*)考虑的是离散 状态，无法考虑车辆的模型约束，其生成的路径一般比较粗糙，只是粗略地 生成起点到终点的全局路径，只能用于全局路径规划，无法直接给车辆进行 跟踪。一般来说，全局路径规划只依赖于静态地图，且只考虑静态障碍物， 不会考虑动态障碍物。
本实施例中，所述全局路径规划器10根据接收到的关键点信息，以及车 辆自身的尺寸和全局静态代价地图(Global Costmap)上的障碍物，生成一条 无碰撞的全局路径(Global_path)。对于所述全局路径搜索生成出来的路径 平滑性的要求不高，所述全局路径规划器10可以采用现有的路径搜索算法技 术来搜索规划生成所述全局路径。
在一个实施例中，所述局部路径规划器20，用于接收所述全局路径，根 据所述全局路径和局部动态代价地图(Local Costmap)，使用控制点模型， 生成局部路径(Local_path)。
一般来说，全局路径规划只依赖于全局静态代价地图，只考虑静态障碍 物，而局部路径规划则要考虑动态障碍物，结合局部动态代价地图(Local Costmap)来进行规划。
现有技术中，一般是采用基于模型预测控制(MPC：Model Predictive Control)的在线运动规划，这类算法技术考虑了车辆的运动学模型约束，一 般适用于开阔空间场景下的自主移动机器人(AMR：Autonomous Mobile Robot)，但并不适合狭窄空间场景下的自主移动机器人。
对于仓库高存储量的需求，常常需要考虑狭窄空间下车辆运动的路径规 划问题，例如：垂直停车位的倒库问题，平行停车位的倒库问题。标准Hybrid A*算法考虑运动学约束，在搜索时考虑路径的连续性，在配型空间中规划出 来的路径，一般是车辆可以行驶的路径，并且给出了车辆在每个路径点上的 位置和朝向。因此，在应用于仓库里的狭窄场景下的自动化移动机器人时， 本发明对标准Hybrid A*算法进行了改进，形成基于控制点模型的Hybrid A* 算法，使用所述基于控制点模型的Hybrid A*算法结合局部动态代价地图生成 局部路径。该基于控制点模型的Hybrid A*算法的优点在于，由于控制点模型 已经嵌入到运动约束中，并不需要关注控制点的具体位置在哪里，因此，可 以用使用基于控制点模型的Hybrid A*算法来求解以控制点模型为运动学模型 的路径规划问题，生成的参考路径可以直接作为机器人控制器的路径参考值， 而无需做任何变换。
现有的标准Hybrid A*算法，使用的模型是后轴中心模型，所有的后续的 如搜路算法、路径平滑算法也都是针对所述后轴中心模型来进行的。
而本发明中的基于控制点模型的Hybrid A*算法，使用的模型是控制点模 型，后续的搜路算法、路径平滑算法也都是针对所述控制点模型来进行的。
使用基于控制点模型的Hybrid A*算法生成局部路径，与生成全局路径的 方法是类似的，都是通过路径搜索算法技术来搜索规划生成路径，区别在于， 生成全局路径，使用的是全局静态代价地图作为障碍物输入；而生成局部路 径，则使用的是局部动态代价地图作为障碍物输入，采用包含基于控制点模 型的Hybrid A*算法的路径搜索算法技术来搜索规划生成所述局部路径。
在一个实施例中，所述速度规划器30，用于接收所述局部路径，根据所 述局部路径和车辆的运动约束，生成在所述局部路径上每一点的速度分布， 规划参考轨迹。
其中，所述参考轨迹(reference_trajectory)上每一点的方向，可能沿着 整体轨迹的切线方向，也可能不沿着整体轨迹的切线方向。
如何将路径转化为轨迹，研究的是“对于一个给定的路径，如何在每一 个路径点上分布速度，以达到走完整段路，用的总时间最少”的问题。问题 很简单，最优解也是存在的，但是要想得到最优解，需要求解微分方程组， 既需要较大的内存占用，又需要耗费较大的计算量。例如：在现有的算法中， 将路径转化轨迹时，一般是直接定义以时间为优化目标的约束优化问题，同 时考虑车辆的速度约束和加速度约束，这样带来的问题是引入了额外的优化 问题，也就引入了额外的计算量。而在实际的工程中，对于生成轨迹的这个 问题，目标也不是一定要得到一个最优解，而是要在最优性、内存空间占用 以及计算量上做一个权衡。
现有技术中，一般是将弧长表示为加速度分段常值的函数，再做进一步 的处理。而本发明中，采用多阶线性跟踪微分器，结合车辆本身的运动约束 和物理约束，由差分方程迭代生成参考轨迹。其中，所述运动约束包括速度 约束、加速度约束、急动度约束；所述物理约束包括曲率约束。
在一个实施例中，所述轨迹跟踪控制器40，用于接收所述参考轨迹，根 据所述参考轨迹及控制点模型和车辆自身状态，计算出控制指令，发送到驱 动层，分发执行。
在这过程中，涉及MPC求解过程，而MPC求解过程是现有技术。一般 的MPC求解过程中所使用的模型也是基于后轴中心模型。而在本发明中，由 于本发明的参考轨迹是基于控制点模型生成的，所以，本发明的MPC求解过 程中所使用的模型，也是使用匹配的控制点模型，所述轨迹跟踪控制器40使 用基于控制点模型来求解MPC，即接收所述参考轨迹，根据所述参考轨迹及 控制点模型和车辆自身状态，计算出控制指令，发送到驱动层，分发执行。
需要说明的是，上述控制系统实施例与控制方法实施例属于同一构思， 其具体实现过程详见控制方法实施例，且控制方法实施例中的技术特征在控 制系统实施例中均对应适用，这里不再赘述。
在一个实施例中，如图4所示，本发明提供一种轮式移动机器人，所述 轮式移动机器人包括以上任一实施例所述的轮式移动机器人控制系统100。
其中，本实施例所述轮式移动机器人控制系统100的结构及功能与上述 任一实施例所述的轮式移动机器人控制系统100的结构及功能相同，在此不 再详述。
在本实施例中，所述移动机器人包括轮式移动机器人控制系统100，通过 轮式移动机器人控制系统100的全局路径规划器10根据接收到的关键点信息 及全局静态代价地图，生成全局路径；局部路径规划器20根据所述全局路径 及局部动态代价地图，使用控制点模型，生成局部路径；速度规划器30根据 所述局部路径及车辆的运动约束、物理约束，生成在所述局部路径上每一点 的速度分布，进而规划出参考轨迹；轨迹跟踪控制器40根据所述参考轨迹及 控制点模型和车辆自身状态，计算出控制指令，发送到驱动层，分发执行，从而可以在轮式移动机器人在特定路径上进行自动化移动时能够同时实现位 置和角度的精确跟踪，可以随时掌控所述轮式移动机器人，提高工作效率。 满足在简单场景下移动机器人运动规划与控制，使用简单、可靠的控制方法， 实现平稳、舒适、高效、可执行的运动规划与控制，在轮式移动机器人的控 制上能够通过小计算量实现高性能的运动规划与控制，在运动规划和控制上 做得更为细致，达到节省计算资源，降低成本，满足可定制场景的实际应用 需求。
需要说明的是，上述轮式移动机器人实施例与控制系统实施例属于同一 构思，其具体实现过程详见控制系统实施例，且控制系统实施例中的技术特 征在轮式移动机器人实施例中均对应适用，这里不再赘述。
此外，本发明实施例还提供一种轮式移动机器人，如图5所示，所述装 箱设备900包括：存储器902、处理器901及存储在所述存储器902中并可在 所述处理器901上运行的一个或者多个计算机程序，所述存储器902和所述 处理器901通过总线系统903耦合在一起，所述一个或者多个计算机程序被 所述处理器901执行时以实现本发明实施例提供的一种用于无人仓储的轮式 移动机器人控制方法的以下步骤：
S1、根据关键点信息和全局静态代价地图，生成全局路径。
S2、根据所述全局路径和局部动态代价地图，使用控制点模型，生成局 部路径。
S3、根据所述局部路径和车辆的运动约束，生成在所述局部路径上每一 点的速度分布，规划参考轨迹。
S4、根据所述参考轨迹及控制点模型和车辆自身状态，计算出控制指令， 分发执行。
上述本发明实施例揭示的方法可以应用于所述处理器901中，或者由所 述处理器901实现。所述处理器901可能是一种集成电路芯片，具有信号处 理能力。在实现过程中，上述方法的各步骤可以通过所述处理器901中的硬 件的集成逻辑电路或软件形式的指令完成。所述处理器901可以是通用处理 器、DSP、或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件 组件等。所述处理器901可以实现或者执行本发明实施例中的公开的各方法、 步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结 合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行 完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以 位于存储介质中，该存储介质位于存储器902，所述处理器901读取存储器 902中的信息，结合其硬件完成前述方法的步骤。
可以理解，本发明实施例的存储器902可以是易失性存储器或者非易失 性存储器，也可以包括易失性和非易失性存储器两者。其中，非易失性存储 器可以是只读存储器(ROM，Read-Only Memory)、可编程只读存储器(PROM， Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Read-Only Memory)、电可擦除只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM， Ferromagnetic Random Access Memory)、闪存(Flash Memory)或其他存储 器技术、光盘只读存储器(CD-ROM，Compact Disk Read-Only Memory)、 数字多功能盘(DVD，Digital Video Disk)或其他光盘存储、磁盒、磁带、磁 盘存储或其他磁存储装置；易失性存储器可以是随机存取存储器(RAM， Random Access Memory)，通过示例性但不是限制性说明，许多形式的RAM 可用，例如静态随机存取存储器(SRAM，Static Random AccessMemory)、 静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动 态随机存取存储器(SDRAM，Synchronous Dynamic Random Access Memory)、 双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存 储器(ESDRAM，Enhanced Synchronous Dynamic RandomAccess Memory)、 同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic RandomAccess Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random AccessMemory)。本发明实施例描述的存储器旨在包括但不限于这些和任意 其它适合类型的存储器。
需要说明的是，上述轮式移动机器人实施例与方法实施例属于同一构思， 其具体实现过程详见方法实施例，且方法实施例中的技术特征在轮式移动机 器人实施例中均对应适用，这里不再赘述。
另外，在示例性实施例中，本发明实施例还提供一种计算机存储介质， 具体为计算机可读存储介质，例如包括存储计算机程序的存储器902，所述计 算机存储介质上存储有一种用于无人仓储的轮式移动机器人控制方法一个或 者多个程序，所述一种用于无人仓储的轮式移动机器人控制方法的一个或者 多个程序被处理器901执行时以实现本发明实施例提供的一种用于无人仓储 的轮式移动机器人控制方法的以下步骤：
S1、根据关键点信息和全局静态代价地图，生成全局路径。
S2、根据所述全局路径和局部动态代价地图，使用控制点模型，生成局 部路径。
S3、根据所述局部路径和车辆的运动约束，生成在所述局部路径上每一 点的速度分布，规划参考轨迹。
S4、根据所述参考轨迹及控制点模型和车辆自身状态，计算出控制指令， 分发执行。
需要说明的是，上述计算机可读存储介质上的一种用于无人仓储的轮式 移动机器人控制方法序实施例与方法实施例属于同一构思，其具体实现过程 详见方法实施例，且方法实施例中的技术特征在上述计算机可读存储介质的 实施例中均对应适用，这里不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在 涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装 置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括 为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下， 由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物 品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的 技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光 盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器， 空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上 述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的， 本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求 所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种轮式移动机器人控制方法，其特征在于，所述控制方法包括：
根据关键点信息和全局静态代价地图，生成全局路径；
根据所述全局路径和局部动态代价地图，使用控制点模型，生成局部路径；
根据所述局部路径和车辆的运动约束，生成在所述局部路径上每一点的速度分布，规划参考轨迹；
根据所述参考轨迹及控制点模型和车辆自身状态，计算出控制指令，分发执行。
2.根据权利要求1所述的控制方法，其特征在于，所述控制点模型为：
Figure FDA0003120770460000011
式中，η是移动机器人前进方向的速度，ξ是移动机器人所在车体的横向速度，ω是移动机器人所在车体的横摆角速度，θ是移动机器人朝向。
3.根据权利要求2所述的控制方法，其特征在于，所述根据所述全局路径和局部动态代价地图，使用控制点模型，生成局部路径；包括：
接收所述全局路径；
根据局部动态代价地图，使用所述基于控制点模型的Hybrid A*算法生成局部路径。
4.根据权利要求3所述的控制方法，其特征在于，所述根据所述局部路径和车辆的运动约束，生成在所述局部路径上每一点的速度分布，规划出参考轨迹；包括：
接收所述局部路径；
根据车辆的运动约束和物理约束，采用多阶线性跟踪微分器，由差分方程迭代生成参考轨迹。
5.一种轮式移动机器人控制系统，其特征在于，所述控制系统包括：全局路径规划器、局部路径规划器、速度规划器、轨迹跟踪控制器；其中：
所述全局路径规划器，用于接收关键点信息，根据所述关键点信息和全局静态代价地图，生成全局路径；
所述局部路径规划器，用于接收所述全局路径，根据所述全局路径和局部动态代价地图，使用控制点模型，生成局部路径；
所述速度规划器，用于接收所述局部路径，根据所述局部路径和车辆的运动约束，生成在所述局部路径上每一点的速度分布，规划参考轨迹；
所述轨迹跟踪控制器，用于接收所述参考轨迹，根据所述参考轨迹及控制点模型和车辆自身状态，计算出控制指令，分发执行。
6.根据权利要求5所述的控制系统，其特征在于，所述控制点模型为：
Figure FDA0003120770460000021
式中，η是移动机器人前进方向的速度，ξ是移动机器人所在车体的横向速度，ω是移动机器人所在车体的横摆角速度，θ是移动机器人朝向；
所述根据所述全局路径和局部动态代价地图，使用控制点模型，生成局部路径；包括：
接收所述全局路径；
根据局部动态代价地图，使用所述基于控制点模型的Hybrid A*算法生成局部路径。
7.根据权利要求6所述的控制系统，其特征在于，所述根据所述局部路径和车辆的运动约束，生成在所述局部路径上每一点的速度分布，规划出参考轨迹；包括：
接收所述局部路径；
根据车辆的运动约束和物理约束，采用多阶线性跟踪微分器，由差分方程迭代生成参考轨迹。
8.一种轮式移动机器人，其特征在于，所述轮式移动机器人包括如权利要求5至7任一项所述的一种轮式移动机器人控制系统。
9.一种轮式移动机器人，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至4所述的一种轮式移动机器人控制方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有一种轮式移动机器人控制方法的程序，所述一种轮式移动机器人控制方法的程序被处理器执行时实现如权利要求1至4所述的一种轮式移动机器人控制方法的步骤。
CN202110676545.4A 2021-06-18 2021-06-18 一种轮式移动机器人及其控制方法、控制系统、存储介质 Pending CN113359740A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110676545.4A CN113359740A (zh) 2021-06-18 2021-06-18 一种轮式移动机器人及其控制方法、控制系统、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110676545.4A CN113359740A (zh) 2021-06-18 2021-06-18 一种轮式移动机器人及其控制方法、控制系统、存储介质

Publications (1)

Publication Number Publication Date
CN113359740A true CN113359740A (zh) 2021-09-07

Family

ID=77534913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110676545.4A Pending CN113359740A (zh) 2021-06-18 2021-06-18 一种轮式移动机器人及其控制方法、控制系统、存储介质

Country Status (1)

Country Link
CN (1) CN113359740A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023207304A1 (zh) * 2022-04-24 2023-11-02 腾讯科技（深圳）有限公司 多模态移动机器人控制方法、相关装置、介质和程序产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108098770A (zh) * 2017-12-14 2018-06-01 张辉 一种移动机器人的轨迹跟踪控制方法
CN112486183A (zh) * 2020-12-09 2021-03-12 上海机器人产业技术研究院有限公司 一种室内移动机器人的路径规划算法
CN112612287A (zh) * 2020-12-28 2021-04-06 清华大学 一种自动驾驶汽车局部路径规划系统、方法、介质及设备
CN112964271A (zh) * 2021-03-15 2021-06-15 西安交通大学 一种面向多场景的自动驾驶规划方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108098770A (zh) * 2017-12-14 2018-06-01 张辉 一种移动机器人的轨迹跟踪控制方法
CN112486183A (zh) * 2020-12-09 2021-03-12 上海机器人产业技术研究院有限公司 一种室内移动机器人的路径规划算法
CN112612287A (zh) * 2020-12-28 2021-04-06 清华大学 一种自动驾驶汽车局部路径规划系统、方法、介质及设备
CN112964271A (zh) * 2021-03-15 2021-06-15 西安交通大学 一种面向多场景的自动驾驶规划方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐伟锋: "煤矿机器人轨迹跟踪自抗扰控制研究", 《煤矿机械》, pages 57 - 59 *
陈成;何玉庆;卜春光;韩建达;: "基于四阶贝塞尔曲线的无人车可行轨迹规划", 自动化学报, no. 03 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023207304A1 (zh) * 2022-04-24 2023-11-02 腾讯科技（深圳）有限公司 多模态移动机器人控制方法、相关装置、介质和程序产品

Similar Documents

Publication Publication Date Title
Dolgov et al. Practical search techniques in path planning for autonomous driving
Paden et al. A survey of motion planning and control techniques for self-driving urban vehicles
Howard et al. Optimal rough terrain trajectory generation for wheeled mobile robots
Zips et al. Optimisation based path planning for car parking in narrow environments
Lamiraux et al. Motion planning and control for Hilare pulling a trailer
Wen et al. CL-MAPF: Multi-agent path finding for car-like robots with kinematic and spatiotemporal constraints
Ge et al. Sensor-based path planning for nonholonomic mobile robots subject to dynamic constraints
Oyama et al. Model predictive parking control for nonholonomic vehicles using time-state control form
Vilca et al. Adaptive leader-follower formation in cluttered environment using dynamic target reconfiguration
Guney et al. Dynamic prioritized motion coordination of multi-AGV systems
Chunyu et al. Reactive target-tracking control with obstacle avoidance of unicycle-type mobile robots in a dynamic environment
Lin et al. An automated guided logistics robot for pallet transportation
Vilca et al. Optimal multi-criteria waypoint selection for autonomous vehicle navigation in structured environment
CN113359740A (zh) 一种轮式移动机器人及其控制方法、控制系统、存储介质
de Almeida et al. A global/local path planner for multi-robot systems with uncertain robot localization
Zhang et al. Motion planning and tracking control of a four-wheel independently driven steered mobile robot with multiple maneuvering modes
Yang et al. Automatic Parking Path Planning of Tracked Vehicle Based on Improved A* and DWA Algorithms
Fallah et al. A visual predictive control framework for robust and constrained multi-agent formation control
Signifredi et al. A general purpose approach for global and local path planning combination
Villagra et al. Path and speed planning for smooth autonomous navigation
Metin et al. Analysis and improvement of geometric parallel parking methods with respect to the minimum final lateral distance to the parking spot
Wang et al. Towards robust autonomous coverage navigation for carlike robots
CN116009558A (zh) 一种结合运动学约束的移动机器人路径规划方法
Klančar et al. Combined stochastic-deterministic predictive control using local-minima free navigation
Adabala et al. A multi-heuristic search-based motion planning for autonomous parking

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