CN113625721B - 一种未知空间自主探索规划方法 - Google Patents

一种未知空间自主探索规划方法 Download PDF

Info

Publication number
CN113625721B
CN113625721B CN202110953148.7A CN202110953148A CN113625721B CN 113625721 B CN113625721 B CN 113625721B CN 202110953148 A CN202110953148 A CN 202110953148A CN 113625721 B CN113625721 B CN 113625721B
Authority
CN
China
Prior art keywords
path
exploration
robot
points
unknown
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.)
Active
Application number
CN202110953148.7A
Other languages
English (en)
Other versions
CN113625721A (zh
Inventor
方正
张磊涛
杨宁
庞成林
张远
李先锋
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.)
Ruige Intelligent Technology Shenyang Co ltd
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN202110953148.7A priority Critical patent/CN113625721B/zh
Publication of CN113625721A publication Critical patent/CN113625721A/zh
Application granted granted Critical
Publication of CN113625721B publication Critical patent/CN113625721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
    • G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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)
  • Optics & Photonics (AREA)
  • Electromagnetism (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供一种未知空间自主探索规划方法，方法获取机器人当前的定位信息生成三维点云地图，以机器人为中心生成维诺图，基于维诺图路径中心采样生成Voronoi‑RRT；以机器人所在位置为起点向Voronoi‑RRT树的所有边界点使用RRT算法找到可行路径，计算每条路径的探索增益，以探索增益最大为最优路径；采用路径规划算法执行动态避障生成无碰撞候选路径，当路径被动态障碍物遮挡的时候规划到其他候选路径上继续运动；采用DWA动态窗口算法对最终的路径跟踪，得出速度指令下发到机器人控制平台。当机器人进入死胡同，或者机器人电量不足时调用全局规划器，牵引到之前标记的探索空间边界或返回出发点。实现快速、安全、高效的地下未知空间自主探索。

Description

一种未知空间自主探索规划方法
技术领域
本发明涉及路径规划技术领域，尤其涉及一种未知空间自主探索规划方法。
背景技术
近年来，机器人技术飞速发展，自主移动机器人在探索人类不适宜居住、工作的环境如矿井，隧道等方面的研究越来越多。由于地下未知环境的复杂性，比如复杂深邃的地形，通信不发达导致不能直接对机器人进行远程的控制，以及不能利用GPS进行导航等。在这种复杂环境下，自主移动机器人需要是高度自主化、鲁棒、可靠和适应在复杂环境下运动的。自主探索技术指导机器人在未知环境下自主运动，依靠各种传感器感知未知环境，完成搜索、救援、探测等具体任务。尽管众多研究者在硬件系统、软件算法上都取得了重大进展，但复杂的地下未知环境仍然对机器人的自主探索能力造成巨大的挑战。尤其是对地下未知多分支环境的探索，这种环境的特性是通常规模很大，分支路径长，狭窄分支多。此外，它们的地形通常非常粗糙，碎石等障碍物较多，对机器人的避障性能要求非常高。
目前，移动机器人自主探索中使用的主流方法之一是基于边界的探索方法。机器人获取到传感器感知范围内的环境信息，在感知到的已知环境内生成快速搜索随机树，用聚类算法对快速搜索随机树的边界点进行聚类得到质心点；构建得到的质心点收益函数，计算每个质心点的收益值；选择收益值最大的质心点作为目标点，使用A*全局路径规划算法在已知的环境中快速规划出一条由机器人当前位置到目标点的路径，引导机器人向目标点移动；重复以上步骤直至没有侯选的质心点，结束探索。
然而这种算法效率和避障效果并不高。它需要在局部地图内随机撒点，由于地下未知环境中障碍物较多，很多采样点撒在障碍物上是无效的；在狭窄分支下，有效的采样点主要集中在狭窄分支的路径上，这也造成了大量采样点无效，对这些采样点进行搜索计算浪费了大量时间。并且由于随机撒点导致某些目标点距离障碍物或者井道较近，对机器人造成了潜在的碰撞风险。此外，由于地下未知空间多分支的特性，目前的探索方法应用于这种环境会随机进入各个分支，探索效率较低。
另外，一种基于简化广义Voronoi图的机器人自主探索方法也得到了应用，这种基于形态学方法构建简化广Voronoi拓扑地图，找到最佳前沿点，并规划机器人当前位置到最佳前沿点的全局路径，沿全局路径将机器人导航至最佳前沿点。
然而，单纯基于Voronoi图生成拓扑地图，在拓扑地图里找到前沿点，再利用Dijkstra算法搜索到最佳前沿点的最短路径，这种仅基于原始Voronoi图找前沿点的方法应用于隧道环境会忽略某些探索增益大的狭小分支，造成探索不完整，并且由于地下未知空间多分支的特性，这种探索方法应用于多分支环境会随机进入各个分支，探索效率较低。
发明内容
针对上述现有技术的不足，本发明提供一种未知空间自主探索规划方法。
为解决上述技术问题，本发明所采取的技术方案是：一种未知空间自主探索规划方法，包括如下步骤：
步骤1：通过三维激光传感器和IMU采用三维SLAM算法获取机器人当前的定位信息和感知信息生成当前环境的三维点云地图；
步骤2：在机器人周围设定一个滑动窗口，包含已探索区域和未知区域，在滑动窗口内以机器人当前位置为起点，以当前环境中的障碍物为离散点生成维诺图，并采样生成Voronoi-RRT树；
所述维诺图使用体素格式。
所述以当前环境中的障碍物为离散点生成维诺图，并采样生成Voronoi-RRT树的过程如下：
S1：在体素格式的地图中将当前环境边界离散化处理，以离散化的边界和离散的障碍物点为顶点构建Delaunary三角网，并对所有离散的点和构建好的三角网内的每个三角形编号；
S2：计算每个三角形的外接圆圆心，并存储每个三角形对应的离散点；
S3：遍历三角网链表，寻找与当前三角形相邻的三个三角形，如果找到则把寻找到的三角形外心与当前三角形外心相连，将连线作为维诺边存入维诺边链表；如果找不到则求出当前三角形中最靠近机器人的边的中垂线存入维诺边链表；
S4：以存储的离散点为中心，在维诺边链表附近进行随机的采样，构建出Voronoi-RRT树。
步骤3：以机器人所在位置为起点，向Voronoi-RRT树的所有边界点使用RRT算法找到一组可行路径；
步骤4：计算每条可行路径的探索增益，选出探索增益最大的一条作为最优路径，过程如下：
步骤4.1：计算每条可行路径σi上每个采样点
Figure BDA0003219290190000021
的体积增益Gv，过程如下：
步骤4.1.1：每个采样点
Figure BDA0003219290190000022
发射角度均匀离散的固定等长射线模型；
步骤4.1.2：统计穿过射线的未知占用体素nunknown、已知占用体素noccupied和已知无障碍体素nfree的个数；
步骤4.1.3：给每种体素设置一个权重值，并将射线模型上的上述三种体素加权求和作为采样点
Figure BDA0003219290190000031
的体积增益，公式如下：
Figure BDA0003219290190000032
其中，gunknown为未知占用体素的权重值，goccupied为已知占用体素的权重值，gfree为已知无障碍体素的权重值。
步骤4.2：为了避免机器人频繁进入各个分叉路口，引入轨迹点在时间维度上相似性权重s(σi,σe)用于度量当前可行路径σi和新探索出的路径σe的轨迹相似性，然后把当前可行路径σi上所有采样点的体积增益做加和，计算每条可行路径的探索增益GE(σi)，公式如下：
Figure BDA0003219290190000033
其中，
Figure BDA0003219290190000034
是根节点
Figure BDA0003219290190000035
延路径到每个采样点的累计欧式距离，即为用于衡量路径距离的一个权重函数，参数p、q均为权重系数，mi为一条路径上的第m个轨迹点，s(σi,σe)为Dynamic Time Warping方法计算轨迹点在时间维度上相似性权重；
所述轨迹点在时间维度上相似性权重s(σi,σe)的计算过程如下：
S1：在时间轴上对两个长度不同的路径σi和路径σe进行局部的缩放对齐，将两条轨迹的点进行多对多的映射；
S2：再计算两条轨迹的欧式距离，用两条轨迹对应点的空间距离的平均值判断相似性。
步骤4.3：以探索增益最大的一条路径作为最优路径。
步骤5：采用路径规划算法执行动态避障，生成无障碍路径，过程如下：
步骤5.1：路径规划算法以步骤4生成的最优路径为参考生成平滑、无障碍的局部轨迹；
步骤5.2：以局部轨迹为中心生成一组候选轨迹；
步骤5.3：当有动态障碍物切断中心局部轨迹时则迅速转入其他候选轨迹。
步骤6：采用DWA算法对无障碍路径进行跟踪，得出速度指令下发到机器人控制平台；
步骤7：判断地下未知空间内的最优路径是否探索结束，即机器人是否到达死胡同；若是则调用全局规划器继续判断出对分支探索效益最高的叶节点，基于步骤2的采样点使用Dijkstra算法搜索到此结点的最短路径，继续对分支进行探索，转置执行步骤1，进入下一个循环；若不是则转置执行步骤8；
所述调用全局规划器继续判断出对分支探索是效益最高的叶节点的过程如下：
S1：使用下式判断每个潜在叶节点vGi的探索增益GEG；
Figure BDA0003219290190000041
其中，Gv(vGi)为潜在叶节点vGi的体积增益，D(vGc,vGi)表示机器人当前位置vGc,到潜在叶节点vGi的距离，参数d为权重系数，目的是惩罚全局规划中较长的路径；
S2：得到探索增益最高的潜在叶节点。
所述潜在叶节点vGi为步骤4中除了探索增益最大的最优路径以外的候选路径的终点。
步骤8：判断探索是否完成或者电量是否不足以继续探索，满足任意条件则触发回家条件，回溯返回起点的最短路径。
采用上述技术方案所产生的有益效果在于：
1、本发明提供的方法基于生成的维诺图路径中心采样生成Voronoi-RRT，不需要大范围撒点采样，节省计算时间；
2、本发明提供的方法基于生成的维诺图路径中心采样生成的Voronoi-RRT得到的路径具有远离障碍物的特性，避免了探索过程中离障碍物或者路径边界太近造成的碰撞风险；
3、本发明提供的方法在探索增益中引入DWT动态时间规整法评价路径的相似性，保证先探索主干再探索分支，提高探索效率，避免了反复进入分支的情况；
4、本发明提供的方法当机器人进入死胡同，或者机器人电量不足时调用全局规划器，重新定位到之前标记的探索空间边界或返回出发点，克服了当前探索方法随机进入未知空间各个分支导致探索效率较低的问题。
附图说明
图1为本发明实施例中提供的未知空间自主探索规划方法的流程图；
图2为本发明实施例中生成的Voronoi-RRT图的俯视图；
图3为本发明实施例中生成的Voronoi-RRT图的三维视图；
图4为本发明实施例中采样点的等长射线模型示意图；
图5为本发明实施例中射线模型穿过的三种体素格式。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例中，由机器人平台搭载激光测距仪和ROS操作系统；所述激光测距仪与机器人刚体平台连接，用来构建地图和定位；ROS操作系统为用于机器人的后操作系统，为本发明的方法提供优良的开发环境。
如图1所示，本实施例中未知空间自主探索规划方法如下所述：
步骤1：通过三维激光传感器和IMU采用三维SLAM算法获取机器人当前的定位信息和感知信息生成当前环境的三维点云地图；
本实施例中，采用16线三维激光传感器和IMU，采用三维SLAM算法获取机器人当前的定位感知信息生成当前环境的三维点云地图。
步骤2：在机器人周围设定一个滑动窗口，包含已探索区域和未知区域，在滑动窗口内以机器人当前位置为起点，以当前环境中的障碍物为离散点生成维诺图，并采样生成Voronoi-RRT树；
所述维诺图使用体素格式。
所述以当前环境中的障碍物为离散点生成维诺图，并采样生成Voronoi-RRT树的过程如下：
S1：在体素格式的地图中将当前环境边界离散化处理，以离散化的边界和离散的障碍物点为顶点构建Delaunary三角网，并对所有离散的点和构建好的三角网内的每个三角形编号；
S2：计算每个三角形的外接圆圆心，并存储每个三角形对应的离散点；
S3：遍历三角网链表，寻找与当前三角形相邻的三个三角形，如果找到则把寻找到的三角形外心与当前三角形外心相连，将连线作为维诺边存入维诺边链表；如果找不到则求出当前三角形中最靠近机器人的边的中垂线存入维诺边链表；
S4：以存储的离散点为中心，在维诺边链表附近进行随机的采样，构建出Voronoi-RRT树。
本实施例中，生成的Voronoi-RRT图的俯视图如图2所示，对应的三维视图如图3所示。
步骤3：以机器人所在位置为起点，向Voronoi-RRT树的所有边界点使用RRT算法找到一组可行路径；
步骤4：计算每条可行路径的探索增益，选出探索增益最大的一条作为最优路径，过程如下：
步骤4.1：计算每条可行路径σi上每个采样点
Figure BDA0003219290190000051
的体积增益Gv，过程如下：
步骤4.1.1：每个采样点
Figure BDA0003219290190000052
发射角度均匀离散的固定等长射线模型；
本实施例中，采样点的等长射线模型如图4所示。
步骤4.1.2：统计穿过射线的未知占用体素nunknown、已知占用体素noccupied和已知无障碍体素nfree的个数；
本实施例中，穿过射线的未知占用体素、已知占用体素和已知无障碍体素射线模型穿过的三种体素格式的示意图如图5所示。
步骤4.1.3：给每种体素设置一个权重值，并将射线模型上的上述三种体素加权求和作为采样点vi j的体积增益，公式如下：
Figure BDA0003219290190000061
其中，gunknown为未知占用体素的权重值，goccupied为已知占用体素的权重值，gfree为已知无障碍体素的权重值。
步骤4.2：为了避免机器人频繁进入各个分叉路口，引入轨迹点在时间维度上相似性权重s(σi,σe)用于度量当前可行路径σi和新探索出的路径σe的轨迹相似性，然后把当前可行路径σi上所有采样点的体积增益做加和，计算每条可行路径的探索增益GE(σi)，公式如下：
Figure BDA0003219290190000062
其中，
Figure BDA0003219290190000063
是根节点
Figure BDA0003219290190000064
延路径到每个采样点的累计欧式距离，即为用于衡量路径距离的一个权重函数，参数p、q均为权重系数，mi为一条路径上的第m个轨迹点，s(σi,σe)为Dynamic Time Warping方法计算轨迹点在时间维度上相似性权重；
所述轨迹点在时间维度上相似性权重s(σi,σe)的计算过程如下：
S1：在时间轴上对两个长度不同的路径σi和路径σe进行局部的缩放对齐，将两条轨迹的点进行多对多的映射；
S2：再计算两条轨迹的欧式距离，用两条轨迹对应点的空间距离的平均值判断相似性。
步骤4.3：以探索增益最大的一条路径作为最优路径。
步骤5：采用路径规划算法执行动态避障，生成无障碍路径，过程如下：
步骤5.1：路径规划算法以步骤4生成的最优路径为参考生成平滑、无障碍的局部轨迹；
步骤5.2：以局部轨迹为中心生成一组候选轨迹；
步骤5.3：当有动态障碍物切断中心局部轨迹时则迅速转入其他候选轨迹。
步骤6：采用DWA算法对无障碍路径进行跟踪，得出速度指令下发到机器人控制平台；
步骤7：判断地下未知空间内的最优路径是否探索结束，即机器人是否到达死胡同；若是则调用全局规划器继续判断出对分支探索效益最高的叶节点，基于步骤2的采样点使用Dijkstra算法搜索到此结点的最短路径，继续对分支进行探索，转置执行步骤1，进入下一个循环；若不是则转置执行步骤8；
所述调用全局规划器继续判断出对分支探索是效益最高的叶节点的过程如下：
S1：使用下式判断每个潜在叶节点vGi的探索增益GEG；
Figure BDA0003219290190000071
其中，Gv(vGi)为潜在叶节点vGi的体积增益，D(vGc,vGi)表示机器人当前位置vGc,到潜在叶节点vGi的距离，参数d为权重系数，目的是惩罚全局规划中较长的路径；
S2：得到探索增益最高的潜在叶节点。
所述潜在叶节点vGi为步骤4中除了探索增益最大的最优路径以外的候选路径的终点。
步骤8：判断探索是否完成或者电量是否不足以继续探索，满足任意条件则触发回家条件，回溯返回起点的最短路径。

Claims (6)

1.一种未知空间自主探索规划方法，其特征在于，包括如下步骤：
步骤1：通过三维激光传感器和IMU采用三维SLAM算法获取机器人当前的定位信息和感知信息生成当前环境的三维点云地图；
步骤2：在机器人周围设定一个滑动窗口，包含已探索区域和未知区域，在滑动窗口内以机器人当前位置为起点，以当前环境中的障碍物为离散点生成维诺图，并采样生成Voronoi-RRT树；
步骤3：以机器人所在位置为起点，向Voronoi-RRT树的所有边界点使用RRT算法找到一组可行路径；
步骤4：计算每条可行路径的探索增益，选出探索增益最大的一条作为最优路径；
步骤5：采用路径规划算法执行动态避障，生成无障碍路径；
步骤6：采用DWA算法对无障碍路径进行跟踪，得出速度指令下发到机器人控制平台；
步骤7：判断地下未知空间内的最优路径是否探索结束，即机器人是否到达死胡同；若是则调用全局规划器继续判断出对分支探索效益最高的叶节点，基于步骤2的采样点使用Dijkstra算法搜索到此结点的最短路径，继续对分支进行探索，转置执行步骤1，进入下一个循环；若不是则转置执行步骤8；
步骤8：判断探索是否完成或者电量是否不足以继续探索，满足任意条件则触发回家条件，回溯返回起点的最短路径；
所述维诺图使用体素格式；
所述步骤4的过程如下：
步骤4.1：计算每条可行路径σi上每个采样点
Figure FDA0004160954930000011
的体积增益Gv；
步骤4.2：为了避免机器人频繁进入各个分叉路口，引入轨迹点在时间维度上相似性权重s(σi,σe)用于度量当前可行路径σi和新探索出的路径σe的轨迹相似性，然后把当前可行路径σi上所有采样点的体积增益做加和，计算每条可行路径的探索增益GE(σi)，公式如下：
Figure FDA0004160954930000012
其中，
Figure FDA0004160954930000013
是根节点
Figure FDA0004160954930000014
延路径到每个采样点的累计欧式距离，即为用于衡量路径距离的一个权重函数，参数p、q均为权重系数，mi为一条路径上的第m个轨迹点，s(σi,σe)为Dynamic Time Warping方法计算轨迹点在时间维度上相似性权重；
步骤4.3：以探索增益最大的一条路径作为最优路径。
2.根据权利要求1所述的未知空间自主探索规划方法，其特征在于，所述以当前环境中的障碍物为离散点生成维诺图，并采样生成Voronoi-RRT树的过程如下：
S1：在体素格式的地图中将当前环境边界离散化处理，以离散化的边界和离散的障碍物点为顶点构建Delaunary三角网，并对所有离散的点和构建好的三角网内的每个三角形编号；
S2：计算每个三角形的外接圆圆心，并存储每个三角形对应的离散点；
S3：遍历三角网链表，寻找与当前三角形相邻的三个三角形，如果找到则把寻找到的三角形外心与当前三角形外心相连，将连线作为维诺边存入维诺边链表；如果找不到则求出当前三角形中最靠近机器人的边的中垂线存入维诺边链表；
S4：以存储的离散点为中心，在维诺边链表附近进行随机的采样，构建出Voronoi-RRT树。
3.根据权利要求1所述的未知空间自主探索规划方法，其特征在于，所述步骤4.1的过程如下：
步骤4.1.1：每个采样点
Figure FDA0004160954930000021
发射角度均匀离散的固定等长射线模型；
步骤4.1.2：统计穿过射线的未知占用体素nunknown、已知占用体素noccupied和已知无障碍体素nfree的个数；
步骤4.1.3：给每种体素设置一个权重值，并将射线模型上的上述三种体素加权求和作为采样点
Figure FDA0004160954930000022
的体积增益，公式如下：
Figure FDA0004160954930000023
其中，gunknown为未知占用体素的权重值，goccupied为已知占用体素的权重值，gfree为已知无障碍体素的权重值。
4.根据权利要求1所述的未知空间自主探索规划方法，其特征在于，所述轨迹点在时间维度上相似性权重s(σi,σe)的计算过程如下：
S1：在时间轴上对两个长度不同的路径σi和路径σe进行局部的缩放对齐，将两条轨迹的点进行多对多的映射；
S2：再计算两条轨迹的欧式距离，用两条轨迹对应点的空间距离的平均值判断相似性。
5.根据权利要求1所述的未知空间自主探索规划方法，其特征在于，所述步骤5的过程如下：
步骤5.1：路径规划算法以步骤4生成的最优路径为参考生成平滑、无障碍的局部轨迹；
步骤5.2：以局部轨迹为中心生成一组候选轨迹；
步骤5.3：当有动态障碍物切断中心局部轨迹时则迅速转入其他候选轨迹。
6.根据权利要求1所述的未知空间自主探索规划方法，其特征在于，所述调用全局规划器继续判断出对分支探索是效益最高的叶节点的过程如下：
S1：使用下式判断每个潜在叶节点vGi的探索增益GEG；
Figure FDA0004160954930000031
其中，Gv(vGi)为潜在叶节点vGi的体积增益，D(vGc,vGi)表示机器人当前位置vGc,到潜在叶节点vGi的距离，参数d为权重系数，目的是惩罚全局规划中较长的路径；
S2：得到探索增益最高的潜在叶节点；
所述潜在叶节点vGi为步骤4中除了探索增益最大的最优路径以外的候选路径的终点。
CN202110953148.7A 2021-08-19 2021-08-19 一种未知空间自主探索规划方法 Active CN113625721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110953148.7A CN113625721B (zh) 2021-08-19 2021-08-19 一种未知空间自主探索规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110953148.7A CN113625721B (zh) 2021-08-19 2021-08-19 一种未知空间自主探索规划方法

Publications (2)

Publication Number Publication Date
CN113625721A CN113625721A (zh) 2021-11-09
CN113625721B true CN113625721B (zh) 2023-05-16

Family

ID=78386602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110953148.7A Active CN113625721B (zh) 2021-08-19 2021-08-19 一种未知空间自主探索规划方法

Country Status (1)

Country Link
CN (1) CN113625721B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114115363B (zh) * 2021-12-04 2023-07-18 中国人民解放军国防科技大学 一种基于动态目标追踪的多无人机未知室内空间探索方法
CN114296475A (zh) * 2021-12-06 2022-04-08 中国兵器科学研究院 一种未知空间探索系统、方法、装置、设备及介质
CN114485703B (zh) * 2021-12-31 2024-01-30 杭州电子科技大学 一种基于黏菌和随机搜索树的路径规划方法
CN114578824B (zh) * 2022-03-04 2024-05-10 哈尔滨工业大学 一种适用于空地两用机器人的未知环境自主探索方法
CN114690769B (zh) * 2022-03-07 2024-05-10 美的集团(上海)有限公司 路径规划方法、电子设备及存储介质、计算机程序产品
CN114740866A (zh) * 2022-05-10 2022-07-12 山东大学 基于深度学习的机器人自主探索方法及系统
CN114755373B (zh) * 2022-06-16 2023-03-31 西安工业大学 一种基于多机器人编队的空气污染源预警定位方法
CN115469662B (zh) * 2022-09-13 2023-07-07 苏州大学 一种环境探索方法、装置及应用
CN115617053B (zh) * 2022-12-19 2023-03-17 松灵机器人(深圳)有限公司 障碍物遍历方法、装置、割草机器人以及存储介质
CN116382307B (zh) * 2023-06-05 2023-08-01 南开大学 基于未知连通区域质心的多机器人自主探索方法及系统
CN116679712B (zh) * 2023-06-19 2024-07-12 苏州大学 一种基于广义维诺图的室内环境机器人高效探索决策方法
CN117930855A (zh) * 2024-03-25 2024-04-26 山东工程职业技术大学 用于建筑工地的机器人巡检方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109341707A (zh) * 2018-12-03 2019-02-15 南开大学 未知环境下移动机器人三维地图构建方法
CN110221614A (zh) * 2019-06-14 2019-09-10 福州大学 一种基于快速探索随机树的多机器人地图探索方法
CN113238554A (zh) * 2021-05-08 2021-08-10 武汉科技大学 一种基于激光与视觉融合slam技术的室内导航方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106444740B (zh) * 2016-07-15 2019-03-12 浙江工业大学 基于mb-rrt的无人机二维航迹规划方法
US11119510B2 (en) * 2019-07-29 2021-09-14 Aurora Flight Sciences Corporation, a subsidiary of The Boeing Company Systems and methods for generating flight paths for navigating an aircraft
US11300959B2 (en) * 2019-08-30 2022-04-12 Huawei Technologies Co., Ltd. System and method for predictive path planning in autonomous vehicles
CN112783169B (zh) * 2020-12-31 2022-11-01 科大讯飞(苏州)科技有限公司 一种路径规划方法、设备及计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109341707A (zh) * 2018-12-03 2019-02-15 南开大学 未知环境下移动机器人三维地图构建方法
CN110221614A (zh) * 2019-06-14 2019-09-10 福州大学 一种基于快速探索随机树的多机器人地图探索方法
CN113238554A (zh) * 2021-05-08 2021-08-10 武汉科技大学 一种基于激光与视觉融合slam技术的室内导航方法及系统

Also Published As

Publication number Publication date
CN113625721A (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN113625721B (zh) 一种未知空间自主探索规划方法
Lee et al. Deep learning-based monocular obstacle avoidance for unmanned aerial vehicle navigation in tree plantations: Faster region-based convolutional neural network approach
CN108871351B (zh) 一种auv海底地形匹配的动态路径规划方法
CN108279692B (zh) 一种基于lstm-rnn的uuv动态规划方法
Tardós et al. Robust mapping and localization in indoor environments using sonar data
Sadat et al. Feature-rich path planning for robust navigation of MAVs with mono-SLAM
Libby et al. Deployment of a point and line feature localization system for an outdoor agriculture vehicle
Kollar et al. Efficient Optimization of Information-Theoretic Exploration in SLAM.
Mueller et al. GIS-based topological robot localization through LIDAR crossroad detection
Kuswadi et al. Application SLAM and path planning using A-star algorithm for mobile robot in indoor disaster area
Azpúrua et al. Three-dimensional terrain aware autonomous exploration for subterranean and confined spaces
CN114596360B (zh) 一种基于图拓扑的双阶段主动即时定位与建图算法
Short et al. Abio-inspiredalgorithminimage-based pathplanning and localization using visual features and maps
CN114879660A (zh) 一种基于目标驱动的机器人环境感知方法
Rahmani et al. Review of vision-based robot navigation method
Valiente et al. A modified stochastic gradient descent algorithm for view-based SLAM using omnidirectional images
Fassbender et al. Landmark-based navigation in large-scale outdoor environments
CN117406771A (zh) 一种基于四旋翼无人机的高效自主探索方法、系统及设备
Iser et al. AntSLAM: global map optimization using swarm intelligence
Gómez Map-building and planning for autonomous navigation of a mobile robot
CN111912411B (zh) 一种机器人导航定位方法、系统及存储介质
Zhang et al. 2D map building and path planning based on LiDAR
e de Computadores Mobile robot navigation in outdoor environments: A topological approach
Domınguez et al. Internal simulation for autonomous robot exploration of lava tubes
Yu et al. A Bayesian approach to terrain map inference based on vibration features

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231220

Address after: Room 4X-139, No. 96 Sanhao Street, Heping District, Shenyang City, Liaoning Province, 110057

Patentee after: Shenyang Ruige Holdings Co.,Ltd.

Address before: No.11, Wenhua Road, Sanxiang, Heping District, Shenyang City, Liaoning Province

Patentee before: Fang Zheng

Patentee before: Shenyang Ruige Holdings Co.,Ltd.

Effective date of registration: 20231220

Address after: No.11, Wenhua Road, Sanxiang, Heping District, Shenyang City, Liaoning Province

Patentee after: Fang Zheng

Patentee after: Shenyang Ruige Holdings Co.,Ltd.

Address before: 110819 No. 3 lane, Heping Road, Heping District, Shenyang, Liaoning 11

Patentee before: Northeastern University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240110

Address after: No. 94-2 Sanhao Street, Heping District, Shenyang City, Liaoning Province, 110057 (3008)

Patentee after: Ruige Intelligent Technology (Shenyang) Co.,Ltd.

Address before: Room 4X-139, No. 96 Sanhao Street, Heping District, Shenyang City, Liaoning Province, 110057

Patentee before: Shenyang Ruige Holdings Co.,Ltd.