CN113467445A - 一种基于视觉与路径规划的四足机器人摆动腿避障方法 - Google Patents

一种基于视觉与路径规划的四足机器人摆动腿避障方法 Download PDF

Info

Publication number
CN113467445A
CN113467445A CN202110682708.XA CN202110682708A CN113467445A CN 113467445 A CN113467445 A CN 113467445A CN 202110682708 A CN202110682708 A CN 202110682708A CN 113467445 A CN113467445 A CN 113467445A
Authority
CN
China
Prior art keywords
swing
obstacle avoidance
path
path planning
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
Application number
CN202110682708.XA
Other languages
English (en)
Inventor
不公告发明人
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.)
Nanjing Blue Intelligent Technology Co ltd
Original Assignee
Nanjing Blue Intelligent 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 Nanjing Blue Intelligent Technology Co ltd filed Critical Nanjing Blue Intelligent Technology Co ltd
Priority to CN202110682708.XA priority Critical patent/CN113467445A/zh
Publication of CN113467445A publication Critical patent/CN113467445A/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, 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Manipulator (AREA)

Abstract

本发明提供一种基于视觉与路径规划的四足机器人摆动腿避障方法，其基于视觉信息对摆动腿进行路径规划，并且在运动过程中，设置预测周期实时对摆动腿进行预测，避免碰上障碍物。本发明提供的四足机器人摆动腿避障方法，提供中能在四足机器人运动过程中，动态调整摆动腿轨迹的方法，大大增强了四足机器人在复杂地形下的通行能力；且该避障方法，是对摆动腿进行路径规划，在摆动相每次抬脚前，都会进行一次路径规划，避免某一摆动腿被障碍物卡住的情况；除此之外，该避障方法能躲避在空间内突然出现的移动障碍物。

Description

一种基于视觉与路径规划的四足机器人摆动腿避障方法
技术领域
本发明涉及四足机器人路径规划领域，尤其涉及一种基于视觉与路径规划的四足机器人摆动腿避障方法。
背景技术
机器人路径规划是机器人研究领域的一个重要的基本问题，机器人路径规划旨在为机器人找到一条从起点到终点的路径，并能够安全避开运动空间中的所有障碍物。根据机器人对其工作环境内信息的理解程度，机器人路径规划大致分两种类型，即基于局部环境信息理解的路径规划(又称局部路径规划)和基于全局环境信息理解的路径规划(又称全局路径规划)，前者是机器人通过实时融合自身各种传感器获取的信息，提取理解的有效局部环境特征，在线实时规划局部路径，具有很高的灵活性和实时性，其缺点是依靠局部环境特征规划的路径可能是局部最优，甚至是目标不可达路径；而后者需要移动机器人根据理解所在环境的全局信息特征，建立所在环境映像的抽象的全局地图模型，在构建的全局地图模型上使用搜索寻优算法获取全局最优路径或较优路径，并能引导机器人在实际环境向目标安全移动，其主要涉及两部分内容：环境地图理解及构建和路径搜索引导策略。当预先具备完整精确的环境信息时，全局规划算法可以一次性规划出一条自起点到终点的完整的路径规划，但是若在机器人行径过程中遇到突发的威胁，全局路径规划算法的路径就无法满足避开威胁的要求，必须结合局部路径规划算法生成实时规避路径。
目前主流的移动机器人可以分为轮式、履带式与足式三种。其中，足式机器人在复杂崎岖的地形上通过性能是最好的，远强于轮式与履带式机器人。在足式机器人中，从能效值(CoT，Cost of Transport)来看，四足机器人的效率远远高于其他多足机器人，因此，四足机器人具有极高的研究价值和商业价值。近些年来，由于机器视觉以及相机硬件技术的发展，搭载了RGB-D相机的四足机器人可以获得精度较高的高度图信息，但是目前大部分的四足机器人产品仅将这些视觉信息用来规划落脚点的高度和位置，而对于摆动腿轨迹依旧使用的是固定轨迹或者简单的样条插值。
由于足式机器人的控制需要较高的控制频率(大于500Hz)，为了尽量缩短控制周期而使用固定轨迹。当四足机器人摆动腿轨迹采用固定轨迹，如贝塞尔曲线，或者简单的使用固定的路径点进行三次样条插值时，当机器人通过相机发现摆动腿前出现障碍物时，只能通过抬高摆动腿的高度或者改变落脚点的方式进行避障。但是，经常通过抬高摆动腿的高度避障，将会造成很多不必要的能量消耗，通过改变落脚点的方式避障，将可能会使支撑脚构成的支撑平面的面积减小，降低整个机器人系统的稳定性。同时，使用固定摆腿轨迹无法做到摆动腿的动态避障。在大多数情况下，足式机器人通过全局路径规划以及局部路径规划进行整体避障，而目前这些足式机器人忽略了摆动腿轨迹规划。
因此，亟需一种四足机器人摆动腿避障方法，其能有效地避障时的能耗，提高机器人避障时的稳定性，且能实现动态避障。
发明内容
为了解决上述技术问题，本发明提供一种基于视觉与路径规划的四足机器人摆动腿避障方法，其特征在于，包含以下步骤：(1)通过RGB-D相机实时获取地面高度地图，并记录其中出现的障碍物信息；(2)摆动相开始，根据获取的地面高度地图，进行全局路径规划，获得摆动腿的全局路径轨迹；(3)判断是否进入预测周期，若进入预测周期，则执行步骤(4)；若没有进入预测周期，则执行步骤(5)；(4)预测是否发生碰撞，若预测发生碰撞，则执行步骤(6)；若预测不发生碰撞，则执行步骤(5)；(5)获取全局路径规划的运动参数，沿全局路径轨迹运动，并执行步骤(7)；(6)采用人工势场法避障，获取采用人工势场法计算的运动路径轨迹及运动参数，沿此路径运动，并执行步骤(8)；(7)判断摆动相是否结束，若摆动相尚未结束，返回步骤(3)；若摆动相结束，执行步骤(9)；(8)判断摆动相是否结束或者到达落脚点，若摆动相尚未结束且尚未达到落脚点，则返回步骤(6)；若摆动相已经结束或者到达落脚点，则执行步骤(9)；(9)摆动相结束。
采用本发明中提供的基于视觉与路径规划的四足机器人摆动腿避障方法，具有如下优点：(1)本发明基于RGB-D相机的视觉信息，使用全局路径规划轨迹生成方法并结合动态路径规划的方法，提供一种能在四足机器人运动过程中，动态调整摆动腿轨迹的方法，大大增强了四足机器人在复杂地形下的通行能力；(2)在本发明中提供的四足机器人摆动腿避障方法，是对摆动腿进行路径规划。在摆动相每次抬脚前，都会进行一次路径规划，避免某一摆动腿被障碍物卡住的情况；(3)在本发明提供的四足机器人摆动腿避障方法，能躲避在空间内突然出现的移动障碍物，本发明中，在摆动相的预测周期内，会结合最新获取的地面高度地图，检测是否有动态移动障碍物出现，预测摆动腿是否会与障碍物发生碰撞，并且如果预测会发生碰撞时，使用人工势场法躲避动态障碍物。
优选地，在步骤(2)中进行全局路径规划时，以当前摆动腿的位置为起点，通过启发式算法得到的启发式落脚点为终点，获得摆动腿的全局路径轨迹。
优选地，在进行全局路径规划时，根据获得的全局路径路径点和预设的抬脚高度，进行样条插值，获得摆动腿的全局路径轨迹。
优选地，在步骤(2)中进行全局路径规划时，采用以下方法其中之一：拓扑法、可视图法、栅格法、A*算法和RRT路径规划算法。
优选地，在对预测周期进行选取时，根据地面高度地图的更新频率和控制算法的控制周期进行选取。
优选地，在步骤(4)中预测是否发生碰撞时，通过摆动腿的足端位置反求摆动腿的关节值并检查摆动腿的每一条腿关节是否会与障碍物发生碰撞。
优选地，所述全局路径规划的运动参数包括位置、速度和加速度。
优选地，所述采用人工势场法计算的运动参数包括位置、速度和加速度。
附图说明
图1为本发明提供的一种基于视觉与路径规划的四足机器人摆动腿避障方法的流程图。
图2a为本发明四足机器人足端在地平面方向(x，y)沿路径点的插值摆动轨迹图；图2b为本发明四足机器人足端在垂直于地平面方向沿(z)方向上下摆动轨迹图；图2c为采用本发明的摆动腿路径规划所得的插值轨迹与传统固定轨迹在三维空间的运动轨迹图。
具体实施方式
以下配合图式及本发明的较佳实施例，进一步阐述本发明为达成预定发明目的所采取的技术手段。
如图1所示，图1为本发明提供的一种基于视觉与路径规划的四足机器人摆动腿避障方法的流程图。
步骤101，通过RGB-D相机实时获取地面高度地图，并记录其中出现的障碍物信息。通过在四足机器人上搭载RGB-D相机，可以实时获得高精度的地面高度信息。RGB-D相机是近几年兴起的一项新的技术，从功能上来说，其在普通的RGB摄像头的功能上添加了一项深度测量功能，因此，通过RGB-D相机获得的图像其实是两幅图像，一幅是普通的RGB三通道彩色图像，另一幅是深度图像。深度图像类似于灰度图像，深度图像的每个像素值是传感器距离物体的实际距离，通常RGB图像和深度图像是配准的，其像素点之间具有一一对应的关系。四足机器人上搭载的RGB-D相机通过一定的频率对周围的环境进行拍摄，实时更新机器人周围的障碍物信息。在本实施例中，RGB-D相机以10Hz的频率更新地面高度地图。此外，为了减少计算量，提高运行效率，可以将障碍物补全成长方体，如图2c所示。
步骤102，在每条摆动腿开始摆动的第一个控制周期(即摆动相开始时)，根据RGB-D相机获取的地面高度地图，进行全局路径规划，获得摆动腿的全局路径轨迹。在进行全局路径规划时，以当前摆动腿的位置为起点，通过综合视觉的启发式算法得到的启发式落脚点为终点，进行全局路径规划，获取摆动腿的全局路径轨迹，得到一条近似最优的无碰撞路径，其中，终点的确定方法具体是指，利用启发式Raibert heuristic求得启发式落脚点，同时通过综合视觉在求得的落脚点周围进行螺旋搜索来确定可用的启发式落脚点，此可用的启发式落脚点即为所需终点。通过启发式算法得到的启发式落脚点，综合了四足机器人此时的运动速度、朝向以及环境内的高度信息，启发式落脚点有助于四足机器人在支撑相维持四足机器人的平衡且能避开环境内的已知障碍物。根据获得的全局路径路径点以及预设的抬脚高度，进行样条插值，获得摆动腿的全局路径轨迹。假设足端轨迹在X、Y和Z三维方向上的摆动轨迹包括：足端在地平面方向(x，y)沿路径点的插值轨迹摆动，足端在垂直于地平面方向沿(z)方向上下摆动。其中，x-y平面上轨迹使用五次样条插值，z方向上也使用五次样条插值，其摆动轨迹如图2a和图2b中所示。采用五次样条插值方法计算四足机器人的轨迹，可以保证摆动腿加速度连续无跳变，防止四足机器人的腿部电机输出力矩调变，影响对摆动腿的外力感知。
在进行全局路径规划时，可以采用多种不同的方法，应用较多的全局路径规划算法包括：拓扑法、可视图法、栅格法、A*算法和RRT(Rapidly-Exploring Random Tree，快速扩展随机树)路径规划算法。每一种算法均有其优缺点，可以根据机器人实际使用的应用场景，选择合适的全局路径规划算法。
拓扑法是指在进行路径规划时，不是首先考虑环境中障碍物分布的精确位置，而是将要规划的环境划分为拓扑特征一致且具有连通性的若干子区域，在这些具有连通性区域搭建的网络上寻找一拓扑路径。但是拓扑法只能反映真实环境中各点之间的相互连接关系，并不能构建与真实环境几何一致的地图，且拓扑法建立拓扑网络的过程相当复杂，特别在增加障碍物时如何有效地修正已经存在的拓扑网络及如何提高图形速度是有待解决的问题。为了进一步考虑具体的几何细节及几何路径，即基于自由空间的路径规划方法，常用的方法包括可视图法、栅格法等。
可视图法分别将机器人和障碍物假设为一质点和近似多边形，用可视的线段将质点、目标点及多边形的各顶点进行有序的组合连接，即连线不能穿越障碍物的多边形，将机器人路径规划问题转换为搜索起始点到目标点之间最短线段集合，常使用A*算法或其改进算法搜索最短路径。由于搜索的路径是连接障碍物顶点的线段，机器人易与障碍物发生碰撞，当环境中的障碍物或者特征信息量较多时，搜索路径的时间较长；除此之外，可视图法灵活性较差，对环境的适应性及实时性较差，不能保证所寻的路径是全局最优，尤其是机器人的尺寸较小时，搜索时间较长。
栅格法是用不同性质及不同序号的两类栅格描述机器人工作环境，即自由栅格和障碍栅格，自由栅格区域内不含障碍物，障碍栅格区域内包含障碍物。机器人路径规划问题就转换为搜索工作空间内可行栅格的有序集合。该方法以栅格为基本单位记录机器人所在环境信息，栅格尺度越大，特征地图的描述越粗糙，规划的路径质量越差，误差也越大；栅格尺度越小，环境障碍物描述越精确，规划的路径质量也越好，但是栅格尺度越小，需要以增大存储空间以及增加搜索的复杂度为代价。因此，应根据具体的应用环境，选择合适的栅格尺度及相应的优化搜索栅格有序集合的算法。栅格地图即可以描述真实环境的很多特征，又可以实现时间和空间消耗最优，因此，栅格地图是当前广泛采用的环境地图的描述方法。但是，栅格法对于栅格尺度的大小有较高的要求，栅格法中栅格尺度太大，规划的路径很不准确；栅格尺度太小，算法的搜索范围将按指数增加，计算量大，占用大量的存储空间，实时性不理想。
A*算法是一个经典的路径规划算法，在路径规划算法中应用概率较高。A*算法作为静态路网中求解最短路径的搜索方法，在路径规划时引入了全局信息，会对当前节点距离终点的距离作出估值，并据此判断该节点处于最短路线上的可能性的大小，并选择消耗最小的方向拓展节点。该算法通过在所给定地图信息，循环遍历周围节点信息来找寻最佳路径的，其算法具有很好的稳定性。但由于A星算法根据所给的地图信息和对节点的遍历，会消耗大量的计算时间，同时较难实现全局最优化设计实时性不好且不能应对新出现障碍物等问题。A*算法采用启发式的搜索方式，大幅度降低了搜索节点的数量，从而极大地提高了搜索效率，但是该算法可能会同时产生多个消耗最小的路径，不能保证搜索到的路径为最优路径，而且如果环境中障碍物复杂，A*算法扩展的节点较多，也会导致搜索效率低下；除此之外，A*算法规划的路径易出现转折点，考虑到实际机器人的运动学模型，过多的转折点并不利于机器人的控制。
基于快速扩展随机树(RRT)的路径规划算法，通过对状态空间中的采样点进行碰撞检测，避免了对空间的建模，能够有效地解决高维空间和复杂约束的路径规划问题。基于快速扩展随机树的路径规划算法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者进入了目标区域时，便可以在随机树中找到一条由从初始点到目标点的路径。RRT算法在静态环境下的应用已经较为成熟，但是将其应用于复杂的动态环境中，因为该算法较强的随机扩展性，可能会发生随机树偏离目标方向生长，增加路径规划时间等问题，除此之外，RRT算法在生成随机树时，可能会扩展冗余节点加入随机树中，导致最后规划出来的路径发生震荡、曲折。
在本发明提供的一个实施例中，全局路径规划算法采用RRT*路径规划算法。RRT算法不反回最优路径，而RRT*路径规划算法可返回近似最优路径。
步骤103，判断是否进入预测周期，若进入预测周期，则执行步骤104，若没有进入预测周期，则执行步骤105。预测周期主要作用是，按照一定的周期对摆动腿沿全局轨迹运动进行检测，检测机器人按照当前的轨迹运动时是否会撞上障碍物。在对预测周期进行选取时，可以根据高精度地图的更新频率以及控制算法的控制周期进行选取。在进行预测周期选取时，可以根据经验进行选取，为保证控制算法主频不显著降低，预测周期可为控制周期的10倍～20倍，但应小于地图的更新周期，如高精度地图的更新周期为100ms/次，控制周期为2ms/次，则预测周期可以选为20ms/次，即每10次控制周期迭代后进行一次预测。该预测频率应当低于控制算法的主频，因为轨迹的更新需要较大的计算量，若每个控制周期都进行计算，有可能会导致控制的主频显著降低。
步骤104，预测是否产生碰撞，若预测产生碰撞，则执行步骤106，若预测不发生碰撞，则执行步骤105。当摆动腿沿着全局路径轨迹运动且进入预测周期时，机器人需要根据全局路径轨迹以及最新的地面高度地图判断：若按照全局路径轨迹继续运动，在预测周期中，足端所在的位置是否会导致摆动腿与障碍物的碰撞。在进行摆动腿与障碍物是否发生碰撞的预测时，判断摆动腿足端所在的位置高度是否会低于最新的地面高度地图中相应位置的高度，若摆动腿足端所在位置高度低于最新的地面高度地图相应位置的高度，则判断会发生碰撞。
步骤105，获取全局路径规划的运动参数，沿全局路径轨迹运动。此处，全局路径规划的运动参数包括全局路径规划的位置、速度和加速度等。在步骤102中，已经获得了摆动腿的全局路径轨迹，当机器人未进入预测周期或者进入预测周期预测并不会产生碰撞时，将获取全局路径规划的位置、速度和加速度，沿着全局路径轨迹运动。执行完步骤105之后，执行步骤107，判断摆动相是否结束，若摆动相尚未结束，返回步骤103，继续判断是否进入预测周期；若摆动相已经结束，则执行步骤109，摆动相结束。
步骤106，采用人工势场法避障，机器人获取采用人工势场法计算的位置、速度和加速度。在机器人进入预测周期，且预测按照摆动腿的全局路径轨迹运动会产生碰撞时，机器人将不再按照全局路径轨迹运动，而是采取人工势场法进行避障。
人工势场法是一种有效的局部路径规划方法，其主要思想是将机器人工作的环境描述为虚拟的势场，目标点为机器人的引力源，而障碍物为机器人的斥力源，在引力源和斥力源的合力作用下，机器人实时有效地规避障碍物并沿着无碰撞路径向目标点移动。人工势场法因其数学原理简单、实时性高及生成路径平滑等优点在机器人局部路径规划中有着广泛的应用。但是，该方法存在固有的缺陷：(1)由于其规划的路径是依据有限的局部环境信息，缺乏全局环境上宏观自我调节能力，极易陷入局部最优；(2)由于力的不平衡是机器人移动的主要因素，其极易在非目标点处到达力平衡，从而产生目标不可达现象；(3)在障碍物之间的狭窄空间里，极易陷入徘徊抖动等不稳定状态。虽然人工势场法存在以上缺陷，但是本发明在应用人工势场法进行避障时，其是在全局路径规划会发生碰撞时，即大概率障碍物的位置与路径规划时的位置产生了较大的移动，此时摆动的目标将从优先摆动到目标点变成了优先避免碰撞。此时，人工势场法将是一个很好的动态避障方法。
在本发明中提供的实施例中，当机器人采取人工势场法进行避障时，首先根据全局轨迹及当前所处的摆动相获得局部目标路径点。局部目标路径点是摆动腿若按全局路径轨迹运动时所处摆动相所对应的下一个路径点。人工势场法的总势场由引力场与斥力场组成：
Upotential(p)＝Uatt(p)+Urep(p)，其中p为当前足端所在的位置，Upotential(p)为机器人在当前足端所在位置p的总势场，Uatt(p)为机器人在当前足端所在位置p的引力场，Urep(p)为机器人在当前足端所在位置p的斥力场。其中，引力场可以有当前足端位置与当前目标路径点计算：
Figure BDA0003119537410000081
其中，ζ为引力系数，α为距离常数，d为当前足端所在位置p到目标点之间的距离。在本实施例中，为了防止当前足端位置与目标点的距离太远，会形成很大的引力场，使得机器人的运动速度过快，因此，我们采用分段的引力势函数来解决此问题，即在距离较远时降低距离的幂。
斥力场由当前足端位置与障碍物的距离计算：
Figure BDA0003119537410000082
其中，ρ(p)为当前足端位置与障碍物表面的最短距离，η为斥力系数，ρ0为距离常数，即为障碍物的作用距离阈值，当大于此距离的障碍物将不会产生斥力影响。
通过求上述引力场与斥力场的梯度，即可获得当前足端位置在人工势场中的受力，并根据此受力情况获得运动方向，速度，加速度和位置信息。且由于势场是连续的，因此所求得的运动参数也是连续的。
通过步骤106，即可获得采用人工势场法进行避障时计算得到的运动路径轨迹及运动参数，并沿此路径运动。此处，运动参数主要包括人工势场法计算得到的位置、速度和加速度。当执行完步骤106之后，执行步骤108，判断摆动相是否结束或者到达落脚点，若此时机器人摆动腿的摆动相尚未结束且其尚未到达落脚点，则返回步骤106，继续使用人工势场法进行避障；若此时机器人摆动腿的摆动相结束或者到达落脚点，则执行步骤109，摆动相结束。
如图2c中所示，图2c表示采用本发明中提供的基于视觉与路径规划的四足机器人摆动腿避障方法与传统固定轨迹避障方法所得的运动轨迹在三维空间的表示。图2c中的点分别表示摆动腿的起点和落脚点。从图2c中可以看出，在落脚点相同的情况下，使用传统固定轨迹避障方法将会撞到障碍物，而使用本发明中提供的基于视觉与路径规划的四足机器人摆动腿避障方法将可以有效地避开障碍物，实现避障目的。
采用本发明中提供的基于视觉与路径规划的四足机器人摆动腿避障方法，具有如下优点：(1)传统的摆动腿轨迹生成方法中，多采用固定曲线轨迹或者固定路径点样条插值的方式，虽然采用传统的摆动腿生成方法计算量较小，计算周期大大缩短，但是在复杂地形中的鲁棒性并不好，而且通过调整摆动腿的抬腿高度进行避障容易造成能量的无谓消耗。与传统的摆动腿轨迹生成方法相比，本发明基于RGB-D相机的视觉信息，使用全局路径规划轨迹生成方法并结合动态路径规划的方法，提供一种能在四足机器人运动过程中，动态调整摆动腿轨迹的方法，大大增强了四足机器人在复杂地形下的通行能力。如障碍物的高度为10cm时，使用传统的固定轨迹避障算法在进行避障时，机器人的抬脚高度必须在10cm以上，而使用本发明中的摆动腿避障算法，则可以通过对摆动腿进行路径规划绕开障碍物，不必抬腿至10cm以上。(2)在本发明中提供的四足机器人摆动腿避障方法，是对摆动腿进行路径规划。在摆动相每次抬脚前，都会进行一次路径规划，这样就避免了如图2c中所示的采用传统的固定轨迹避障方法运动时，某一摆动腿被障碍物卡住的情况。而在四足机器人高速运动时，一条摆动腿被卡住后，与障碍物的作用力极可能导致整个机器人翻倒无法工作。(3)在本发明提供的四足机器人摆动腿避障方法，能躲避在空间内突然出现的移动障碍物。本发明中，在摆动相的预测周期内，会结合最新获取的地面高度地图，检测是否有动态移动障碍物出现，预测摆动腿是否会与障碍物发生碰撞，并且如果预测会发生碰撞时，使用人工势场法躲避动态障碍物。而使用传统的避障方法，如果有高速移动的障碍物突然出现在视野范围内时，机器人已经来不及调整位姿进行避障，因为传统的避障方法中并不会动态更新摆动腿轨迹，移动障碍物是否会与摆动腿发生碰撞只能取决于预设的抬脚高度是否足够高，或者落地点的选取是否足够好。
以上所述仅是本发明的优选实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以优选实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案的范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本实用发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (8)

1.一种基于视觉与路径规划的四足机器人摆动腿避障方法，其特征在于，包含以下步骤：
(1)通过RGB-D相机实时获取地面高度地图，并记录其中出现的障碍物信息；
(2)摆动相开始，根据获取的地面高度地图，进行全局路径规划，获得摆动腿的全局路径轨迹；
(3)判断是否进入预测周期，若进入预测周期，则执行步骤(4)；若没有进入预测周期，则执行步骤(5)；
(4)预测是否发生碰撞，若预测发生碰撞，则执行步骤(6)；若预测不发生碰撞，则执行步骤(5)；
(5)获取全局路径规划的运动参数，沿全局路径轨迹运动，并执行步骤(7)；
(6)采用人工势场法避障，获取采用人工势场法计算的运动路径轨迹及运动参数，沿此路径运动，并执行步骤(8)；
(7)判断摆动相是否结束，若摆动相尚未结束，返回步骤(3)；若摆动相结束，执行步骤(9)；
(8)判断摆动相是否结束或者到达落脚点，若摆动相尚未结束且尚未达到落脚点，则返回步骤(6)；若摆动相已经结束或者到达落脚点，则执行步骤(9)；
(9)摆动相结束。
2.根据权利要求1中所述的四足机器人摆动腿避障方法，其特征在于，在步骤(2)中进行全局路径规划时，以当前摆动腿的位置为起点，通过启发式算法得到的启发式落脚点为终点，获得摆动腿的全局路径轨迹。
3.根据权利要求2中所述的四足机器人摆动腿避障方法，其特征在于，在进行全局路径规划时，根据获得的全局路径路径点和预设的抬脚高度，进行样条插值，获得摆动腿的全局路径轨迹。
4.根据权利要求1中所述的四足机器人摆动腿避障方法，其特征在于，在步骤(2)中进行全局路径规划时，采用以下方法其中之一：拓扑法、可视图法、栅格法、A*算法和RRT路径规划算法。
5.根据权利要求1中所述的四足机器人摆动腿避障方法，其特征在于，在对预测周期进行选取时，根据地面高度地图的更新频率和控制算法的控制周期进行选取。
6.根据权利要求1中所述的四足机器人摆动腿避障方法，其特征在于，在步骤(4)中预测是否发生碰撞时，通过摆动腿的足端位置反求摆动腿的关节值并检查摆动腿的每一条腿关节是否会与障碍物发生碰撞。
7.根据权利要求1中所述的四足机器人摆动腿避障方法，其特征在于，所述全局路径规划的运动参数包括位置、速度和加速度。
8.根据权利要求1中所述的四足机器人摆动腿避障方法，其特征在于，所述采用人工势场法计算的运动参数包括位置、速度和加速度。
CN202110682708.XA 2021-06-17 2021-06-17 一种基于视觉与路径规划的四足机器人摆动腿避障方法 Pending CN113467445A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110682708.XA CN113467445A (zh) 2021-06-17 2021-06-17 一种基于视觉与路径规划的四足机器人摆动腿避障方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110682708.XA CN113467445A (zh) 2021-06-17 2021-06-17 一种基于视觉与路径规划的四足机器人摆动腿避障方法

Publications (1)

Publication Number Publication Date
CN113467445A true CN113467445A (zh) 2021-10-01

Family

ID=77868916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110682708.XA Pending CN113467445A (zh) 2021-06-17 2021-06-17 一种基于视觉与路径规划的四足机器人摆动腿避障方法

Country Status (1)

Country Link
CN (1) CN113467445A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114633826A (zh) * 2022-05-19 2022-06-17 深圳鹏行智能研究有限公司 一种足式机器人腿部磕碰处理的方法及足式机器人
CN115840453A (zh) * 2023-02-10 2023-03-24 季华实验室 四足机器人自适应足端避障方法、装置、电子设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103514622A (zh) * 2012-06-29 2014-01-15 甲尚股份有限公司 虚拟角色的步态自动适应地形的系统及方法
CN108333931A (zh) * 2018-01-25 2018-07-27 北京理工大学 一种面向崎岖地形的四足机器人双层结构步态规划方法
CN109202901A (zh) * 2018-08-29 2019-01-15 厦门理工学院 一种双足机器人爬楼梯步态规划方法、装置及机器人
CN110262532A (zh) * 2019-06-24 2019-09-20 重庆大学 一种机器人地形处理与多地形步态控制方法及系统
CN110502857A (zh) * 2019-08-27 2019-11-26 山东科技大学 面向四足机器人的地形崎岖度在线估计方法
CN110812131A (zh) * 2019-11-28 2020-02-21 深圳市迈步机器人科技有限公司 外骨骼机器人的步态控制方法、控制系统及外骨骼机器人
CN111174798A (zh) * 2020-01-17 2020-05-19 长安大学 一种足式机器人路径规划方法
CN111664851A (zh) * 2020-06-11 2020-09-15 哈尔滨工业大学 基于序列优化的机器人状态规划方法、装置及存储介质
CN112731941A (zh) * 2020-12-29 2021-04-30 深圳市优必选科技股份有限公司 双足机器人路径规划方法、装置和双足机器人
CN112859851A (zh) * 2021-01-08 2021-05-28 广州视源电子科技股份有限公司 多足机器人控制系统及多足机器人

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103514622A (zh) * 2012-06-29 2014-01-15 甲尚股份有限公司 虚拟角色的步态自动适应地形的系统及方法
CN108333931A (zh) * 2018-01-25 2018-07-27 北京理工大学 一种面向崎岖地形的四足机器人双层结构步态规划方法
CN109202901A (zh) * 2018-08-29 2019-01-15 厦门理工学院 一种双足机器人爬楼梯步态规划方法、装置及机器人
CN110262532A (zh) * 2019-06-24 2019-09-20 重庆大学 一种机器人地形处理与多地形步态控制方法及系统
CN110502857A (zh) * 2019-08-27 2019-11-26 山东科技大学 面向四足机器人的地形崎岖度在线估计方法
CN110812131A (zh) * 2019-11-28 2020-02-21 深圳市迈步机器人科技有限公司 外骨骼机器人的步态控制方法、控制系统及外骨骼机器人
CN111174798A (zh) * 2020-01-17 2020-05-19 长安大学 一种足式机器人路径规划方法
CN111664851A (zh) * 2020-06-11 2020-09-15 哈尔滨工业大学 基于序列优化的机器人状态规划方法、装置及存储介质
CN112731941A (zh) * 2020-12-29 2021-04-30 深圳市优必选科技股份有限公司 双足机器人路径规划方法、装置和双足机器人
CN112859851A (zh) * 2021-01-08 2021-05-28 广州视源电子科技股份有限公司 多足机器人控制系统及多足机器人

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114633826A (zh) * 2022-05-19 2022-06-17 深圳鹏行智能研究有限公司 一种足式机器人腿部磕碰处理的方法及足式机器人
CN115840453A (zh) * 2023-02-10 2023-03-24 季华实验室 四足机器人自适应足端避障方法、装置、电子设备及介质

Similar Documents

Publication Publication Date Title
CN108333931B (zh) 一种面向崎岖地形的四足机器人双层结构步态规划方法
CN113110457B (zh) 在室内复杂动态环境中智能机器人的自主覆盖巡检方法
KR102530996B1 (ko) 2d 및 3d 경로 계획을 이용한 로봇 내비게이션
CN106774347A (zh) 室内动态环境下的机器人路径规划方法、装置和机器人
CN111174798A (zh) 一种足式机器人路径规划方法
CN110231824B (zh) 基于直线偏离度方法的智能体路径规划方法
CN105955262A (zh) 一种基于栅格地图的移动机器人实时分层路径规划方法
CN113467445A (zh) 一种基于视觉与路径规划的四足机器人摆动腿避障方法
JP2022543997A (ja) 制約された移動度マッピング
CN111679679A (zh) 基于蒙特卡洛树搜索算法的机器人状态规划方法
CN114296474A (zh) 一种基于路径时间代价的无人机路径规划方法及系统
CN111664851A (zh) 基于序列优化的机器人状态规划方法、装置及存储介质
Haddeler et al. Explore bravely: Wheeled-legged robots traverse in unknown rough environment
CN112828883B (zh) 一种未知环境下的机器人环境探索方法及系统
CN112650234B (zh) 一种双足机器人的路径规划方法
CN112033423B (zh) 一种基于道路共识的机器人路径规划方法、装置和机器人
CN111736580A (zh) 扫地设备的避障脱困方法、装置、电子设备及存储介质
CN116009527A (zh) 基于动态场景结构膨胀感知的路径规划算法
Brumitt et al. Dynamic trajectory planning for a cross-country navigator
Chestnutt Navigation and gait planning
CN114924565A (zh) 一种焊接机器人路径规划方法、电子设备及存储介质
CN114564048A (zh) 一种面向农用四旋翼无人机航迹规划改进方法
Belter et al. On-Board Perception and Motion Planning for Legged Locomotion over Rough Terrain.
Quin et al. Exploring in 3D with a climbing robot: Selecting the next best base position on arbitrarily-oriented surfaces
Ali et al. Global mobile robot path planning using laser simulator

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