CN113710431A - 使用基于采样的最优树的路径规划方法、存储用于实现该方法的程序的记录介质以及存储在介质中以实现该方法的计算机程序 - Google Patents
使用基于采样的最优树的路径规划方法、存储用于实现该方法的程序的记录介质以及存储在介质中以实现该方法的计算机程序 Download PDFInfo
- Publication number
- CN113710431A CN113710431A CN202080029409.XA CN202080029409A CN113710431A CN 113710431 A CN113710431 A CN 113710431A CN 202080029409 A CN202080029409 A CN 202080029409A CN 113710431 A CN113710431 A CN 113710431A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- robot
- velocity
- region
- path planning
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000005070 sampling Methods 0.000 title claims abstract description 70
- 238000004590 computer program Methods 0.000 title abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 230000001133 acceleration Effects 0.000 claims description 141
- 230000007704 transition Effects 0.000 claims description 31
- 238000013459 approach Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000007613 environmental effect Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 239000010432 diamond Substances 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
- B25J9/1676—Avoiding collision or forbidden zones
-
- 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
-
- 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
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/50—Machine tool, machine tool null till machine tool work handling
- G05B2219/50391—Robot
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/50—Machine tool, machine tool null till machine tool work handling
- G05B2219/50393—Floor conveyor, AGV automatic guided vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Mechanical Engineering (AREA)
- Robotics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Remote Sensing (AREA)
- Manufacturing & Machinery (AREA)
- Human Computer Interaction (AREA)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种使用基于采样的最优树的路径规划方法、存储用于实现该方法的程序的记录介质以及存储在介质中以实现该方法的计算机程序,更详细而言,提供一种使用基于采样的最优树的路径规划方法、存储用于实现该方法的程序的记录介质以及存储在介质中以实现该方法的计算机程序,其在以树结构规划路径时,将与移动机器人无法选择的输入值对应的状态值排除在计算外,对机器人可实现的状态值集合中的一部分进行采样,以减少需要计算的节点数量,从而能够进行实时路径规划。
Description
技术领域
本发明涉及一种使用基于采样的最优树的路径规划方法、存储用于实现该方法的程序的记录介质以及存储在介质中以实现该方法的计算机程序,更详细而言,涉及一种使用基于采样的最优树的路径规划方法、存储用于实现该方法的程序的记录介质以及存储在介质中以实现该方法的计算机程序,其当以树结构规划路径时,将与移动机器人无法选择的输入值对应的状态值排除在计算外,通过对机器人可实现的状态值集合中的一部分进行采样,减少需要计算的节点数量,从而能够进行实时路径规划。
背景技术
自动行驶机器人是指,在自行环顾四周并感测障碍物的同时,使用轮子或腿找到到达目的地的最佳路径的机器人。
路径规划或躲避障碍物是移动机器人的自动行驶的重要元素技术。机器人在创建通往目的地的路径并移动的同时,需要在不与周围的障碍物碰撞的情况下到达目的地。好的路径是指,最小化通往目的地的移动路径的最短路径,或者最小化与周围的障碍物碰撞的可能性的安全路径。
通常,安全路径对于机器人应用更重要,但是最理想的路径是安全且尽可能最短的路径。
通常,作为确保安全路径的方法,主要使用了通过使用安装在机器人的障碍物感测传感器(激光、超声波等能够测量与周围的障碍物的距离的装置等)来找到空的空间最多的方向,并且同时考虑目的地方向,从而确定机器人的移动方向的方法。朝向空的空间的方向与朝向目的地的方向的权重通过实验确定。当向空的空间施加大量权重时,虽然可以最小化与周围障碍物的碰撞可能性,但是要绕一段很长的路径,或者在极端情况下,发生无法到达目的地的情况。相反地,当向目的地施加大量权重时,安全性会降低。
自动行驶机器人应该具备的基本行驶能力是在不碰撞的情况下,可以以最佳路径移动到期望目标点的智能导航能力,为了这种智能导航需要路径规划技术和位置识别元素技术。
这里,路径规划技术可以分为全局路径规划和局部路径规划技术。
首先,全局路径规划是指,通过使用给定的环境地图探索从起点到目标点的最佳路径,
局部路径规划是指,创建实际移动轨迹,以避开传感器识别的动态障碍物。
另外,位置识别技术是一种在地图上找到行驶时机器人的当前位置的位置确定技术。
作为上述全局路径规划方法的现有技术的示例,代表性地有例如“A note on twoproblems in connexion with graphs(E.W.Dijkstra,Numerische Mathematik,第一卷,第一期,269-271,1959)”中发表的“Dijkstra算法”。
更详细而言,上述Dijkstra算法作为最初的路径规划提出并且迄今为止在各个领域被广泛使用,但是由于探索所有空间,因此具有需要大量的计算时间的缺点。
另外,作为上述全局路径规划方法的现有技术的另一示例,有例如“A FormalBasis for the Heuristic Determination of Minimum Cost Paths in Graphs_A star(PETER E.HART,第ssc-4卷,第二期,1968)”中发表的A*算法。
更详细而言,上述A*算法是Dijkstra算法的补充形式,通过添加适当的评价函数,与基于深度探索和宽度探索的Dijkstra算法相比,可以实现更快的探索时间。
局部路径规划是一种当根据局部轨迹规划器(local trajectory planner)基于当前机器人的状态(state)和局部环境信息赋予机器人的全局路径规划(global plan)创建的路径移动时,以不发生由于非环境障碍物引起碰撞地移动的方式规划轨迹的技术。
局部路径规划是移动机器人在不可避免环境变化的日常空间中不与障碍物碰撞地移动到目的地的必不可少的技术,与所述全局路径规划不同,需要实时性。
作为上述局部路径规划方法的现有技术的示例,有通过赋予机器人必须经过的路点来依次规划路径的增量(渐进)规划方法(Incremental planning method)。
现有的增量(渐进)规划方法(Incremental planning method)通过在机器人规划轨迹的每一个时间步都选择不与障碍物碰撞的同时最小化固定成本函数的输入,来创建尽可能不修改全局规划的路径的最佳轨迹并引导移动。在这种情况下,由于之前确定的选择,可能无法创建不与障碍物碰撞的轨迹,从而孤立,或者可能无法创建没有碰撞的自然轨迹,并且具有可能引起机器人需要高负载地移动的问题。
韩国授权专利第10-1664575号公开了一种移动机器人的障碍物躲避系统和方法。
现有技术文献
专利文献
(专利文献1)韩国授权专利第10-1664575号(登记日期:2016.10.04)
发明内容
要解决的技术问题
因此,本发明是为了解决上述问题而提出的,本发明的目的在于提供一种使用基于采样的最优树的局部路径规划方法,当以树结构规划路径时,将与移动机器人无法选择的输入值对应的状态值排除在计算外,通过对机器人可实现的状态值集合中的一部分进行采样,减少需要计算的节点数量,从而能够进行实时路径规划。
本发明的实施例的目的不限于以上提及的目的,本发明所属技术领域的普通技术人员根据以下记载应明确地理解未提及的其他目的。
用于解决问题的手段
为了实现所述目的,根据本发明的一实施例的使用基于采样的最优树的路径规划方法,由包括计算机的计算处理装置执行的程序形式实现,其特征在于,所述使用基于采样的最优树的路径规划方法包括:采样步骤S10,将控制机器人的移动的时间根据规定的基准划分为时间步,所述计算处理装置在特定时间步,在由作为机器人需要计算的状态值的母节点中能够实现的状态值的集合形成的区域中,提取子节点,所述子节点为根据以预先确定的方式采样的输入值的状态值,以及状态树制作步骤S20,计算关于从所述采样步骤S10的母节点到子节点的状态转移的成本(cost);从机器人的当前时间点到N(自然数)个时间步为止重复执行从所述采样步骤S10到状态树制作步骤S20的过程,根据关于从所述母节点到所述子节点的状态转移的成本(cost)而创建最佳路径。
另外,其特征在于,在所述采样步骤S10中,以如下方式提取输入值:在线速度和角速度空间中机器人的能够实现的速度区域或者线加速度和角加速度空间中机器人的能够实现的加速度区域中,随着线速度、角速度、线加速度或角加速度接近于0,对应的子节点之间的间隔变窄。
另外,其特征在于,在所述采样步骤S10中,提取与属于线速度和角速度空间中机器人的能够实现的速度区域的速度值对应的节点,提取与属于线加速度和角加速度空间中机器人的能够实现的加速度区域的加速度值对应的节点,然后将速度区域和加速度区域统一成在线速度和角速度空间或线加速度和角加速度空间中选择的任一空间,提取与属于速度区域和加速度区域重叠的区域的状态值对应的节点作为子节点。
另外,其特征在于,在所述采样步骤S10中,额外提取与统一的空间中的速度区域的边界和加速度区域的边界的交点值对应的节点作为子节点。
另外,其特征在于,在所述采样步骤S10中,将线速度和角速度空间中机器人的能够实现的速度区域以及线加速度和角加速度空间中机器人的能够实现的加速度区域统一成在线速度和角速度空间或线加速度和角加速度空间中选择的任一空间,提取与属于机器人的实际能够实现的区域的状态值对应的节点作为子节点,所述机器人的实际能够实现的区域为速度区域和加速度区域重叠的区域。
另外,其特征在于,在所述状态树制作步骤S20中,仅针对在所述采样步骤S10中提取的子节点中不与障碍物碰撞的子节点而计算关于状态转移的成本(cost)。
另外,其特征在于,所述使用基于采样的最优树的路径规划方法,对关于从机器人的当前时间点到与最后一个时间步对应的子节点的状态转移的成本(cost)与关于从与最后一个时间步对应的子节点到目标点的状态转移的成本(heuristic)进行求和,将到与求和而得的成本最小的最后一个时间步相对应的子节点的路径确定为最佳路径。
另外,其特征在于,针对各所述时间步定义时间间隔,各所述时间步的时间间隔根据预定的规则而确定。
另外,根据本发明的一实施例,其特征在于,提供一种计算机可读记录介质,存储有用于实现所述使用基于采样的最优树的路径规划方法的程序。
另外,根据本发明的一实施例,其特征在于,提供一种程序,存储在计算机可读记录介质中,用于实现所述使用基于采样的最优树的路径规划方法。
发明效果
根据本发明的一实施例的使用基于采样的最优树的路径规划方法、存储用于实现该方法的程序的记录介质以及存储在介质中以实现该方法的计算机程序,当以树结构规划路径时,将与移动机器人无法选择的输入值对应的状态值排除在计算外,通过对机器人可实现的状态值集合中的一部分进行采样,减少需要计算的节点数量,从而缩短计算时间,因此具有能够进行实时路径规划的效果。
另外,移动机器人可以根据预定义的操作的成本创建整个成本的总和最小且无碰撞的轨迹,而无需预测根据直到将来的预定时间点的所有输入值的组合的情况,从而具有能够减少计算时间的效果。
另外,与现有技术不同,由于可以考虑对直到预定时间点的整个轨迹的成本,因此具有不创建根据之前的选择而孤立或不自然的不必要的轨迹的效果。
另外,以如下方式提取输入值:在机器人的能够实现的速度区域或者线加速度和角加速度空间中机器人的能够实现的加速度区域中,随着线速度、角速度、线加速度或角加速度接近于0,对应的子节点之间的间隔变窄,因此具有能够实现更顺畅的机器人的移动的效果。
另外,通过首先计算关于机器人的可实现的加速度区域内部的特定加速度值的状态转移的成本(cost)后,附加地提取输入值,使得随着接近于计算结果取消的该状态值,子节点之间的间隔变窄,因此具有能够实现更顺畅的机器人的移动的效果。
另外,通过提取与属于统一空间中的速度区域和加速度区域的交集的区域的输入值对应的子节点,因此具有能够减少可选子节点的数量并减少计算时间的效果。
另外,通过仅针对不与障碍物碰撞的子节点计算关于状态转移的成本(cost),因此具有能够进一步减少计算时间的效果。
另外,通过将关于从机器人的当前时间点到与最后一个时间步对应的子节点的状态转移的成本(cost)与关于从与最后一个时间步对应的子节点到目标点的状态转移的成本(heuristic)相加而得到的成本最小的路径确定为最佳路径,因此具有减少计算量的同时能够计算最佳路径的效果。
另外,通过将各阶层的时间间隔设成彼此不同,因此具有能够预测比时间步数量更远的将来的效果。
附图说明
图1是本发明的一实施例的使用基于采样的最优树的路径规划方法的流程图。
图2是本发明的一实施例的使用基于采样的最优树的路径规划方法的状态树的示例图。
图3是应用本发明的一实施例的使用基于采样的最优树的路径规划方法的机器人的移动路径规划的框图。
图4是以绿色菱形的形式表示机器人在线速度v和角速度w空间中可实现的速度区域的示例图。
图5是以浅蓝色菱形的形式表示机器人在线加速度a和角加速度α空间中可实现的加速度区域,将加速度区域转化为线性尺度(linear-scale),并对可实现的区域进行等间隔划分并采样,属于该区域内部的有限点集表示为可实现的加速度值(黄点)的示例图。
图6是表示以属于速度区域的当前速度值(黄点)为基准,属于与可实现的加速度区域的交集的速度值(绿点是通过采样提取的速度值,红点是与速度区域与加速度区域的边界的交点对应的速度值)的示例图。
图7是示出选择机器人的可实现的输入值并选择相应节点作为子节点(黄点)的示例的示例图。
图8是示出在图7中确认与障碍物碰撞后,排除碰撞的子节点(红色斜线)的示例的示例图。
图9是示出在设置通往目标路点的最佳路径时,状态树中的一个叶节点确定为扩展对象节点的示例的示例图。
图10是示出应用本发明的一实施例的使用基于采样的最优树的路径规划方法的算法的示例的流程图。
附图标记的说明
10:全局地图
100:全局路径规划部
200:局部路径规划部
300:局部环境识别部
310:环境识别传感器
400:机器人移动控制部
S10:采样步骤
S20:状态树制作步骤
具体实施方式
本发明可以施加各种变更,也可以具有各种实施例,因此附图中示出特定实施例,并进行详细说明。然而,这并非将本发明限定为特定的实施方式,而应理解为包括本发明的思想及技术范围中所包含的所有变更、等同物以及代替物。
涉及到某一构成要素“连接”或“接合”于另一构成要素时,应理解为可以直接连接或接合于另一构成要素,两者之间也可存在其他构成要素。
相反,涉及到某一构成要素“直接连接”或“直接接合”于另一构成要素时,应理解为两者之间不存在其他构成要素。
本说明书中所使用的术语,仅仅是为了说明特定的实施例而使用的,并不是用来限定本发明。只要未在上下文中明确定义为其他含义,单数表述包括复数表述。本说明书中的“包括”或“具有”等术语,是用于指定所说明的特征、数字、工序、动作、构成要素、部件或它们的组合的存在,并非预先排除一个或其以上的其他特征、数字、工序、动作、构成要素、部件或它们的组合的存在或附加可能性。
除非另有定义,这里使用的包括技术术语或科学术语在内的所有术语,具有与本技术领域的普通技术人员通常理解的含义相同的含义。通常使用的预先被定义的术语,应解释为具有与相关技术的上下文中的含义相一致的含义,除非在本说明书中明确定义,就不应解释为理想或过于形式的含义。
以下,参照附图,对本发明进行更详细的说明。在此之前,本说明书和权利要求中使用的术语和词语不应解释为限于常规或字典含义,基于发明人可以适当定义术语的概念以便以最佳的方法说明其发明的原则,应理解为符合本发明的技术思想的含义和概念。另外,使用的技术术语和科学术语中没有其他定义,则具有本发明所属技术领域的普通技术人员通常理解的含义,将省略对以下的说明和附图中可能模糊本发明的要旨的已知功能和结构的说明。以下所附附图作为示例提供,以向本领域技术人员充分传达本发明的精神。因此,本发明不限于以下所附的附图,并且可以以其他形式具体化。另外,在整个说明书中,相同的附图标记表示相同的构成要素。应注意,附图中相同的构成要素尽可能由相同的附图标记表示。
图1是本发明的一实施例的使用基于采样的最优树的路径规划方法的流程图,图2是本发明的一实施例的使用基于采样的最优树的路径规划方法的状态树的示例图,图3是应用本发明的一实施例的使用基于采样的最优树的路径规划方法的机器人的移动路径规划的框图,图4是以绿色菱形的形式表示机器人在线速度v和角速度w空间中可实现的速度区域的示例图,图5是以浅蓝色菱形的形式表示机器人在线加速度a和角加速度α空间中可实现的加速度区域,将加速度区域转化为线性尺度(linear-scale),并对可实现的区域进行等间隔划分并采样,属于该区域内部的有限点集表示为可实现的加速度值(黄点)的示例图,图6是表示以属于速度区域的当前速度值(黄点)为基准,属于与可实现的加速度区域的交集的速度值(绿点是通过采样提取的速度值,红点是与速度区域与加速度区域的边界的交点对应的速度值)的示例图,图7是示出选择机器人的可实现的输入值并选择相应节点作为子节点(黄点)的示例的示例图,图8是示出在图7中确认与障碍物碰撞后,排除碰撞的子节点(红色斜线)的示例的示例图,图9是示出在设置通往目标路点的最佳路径时,状态树中的一个叶节点确定为扩展对象节点的示例的示例图,图10是示出应用本发明的一实施例的使用基于采样的最优树的路径规划方法的算法的示例的流程图。
在说明之前,对本说明书(以及权利要求)中使用的术语进行简单的说明。
机器人的状态值可包括从机器人的姿势、速度、时间点中选择的任意一个或多个信息。
机器人的姿势可包括表示位置的坐标数据和进角信息。
“节点”是指状态树中机器人可取的状态值。
连接节点和节点的线称为“边(edge)”,是指关于机器人的状态转移的成本(cost)。即该值越高,从当前状态转移为该状态所需的机器人的成本越高。
由节点和边表示的集合称为“状态树”。
状态树的根节点(root node)是指机器人在当前位置的状态。
即状态树是指将机器人在每个预定时间点可以拥有的状态值表示为树结构。
状态树可以从母节点(parent node)扩展到子节点(child node),这意味着机器人从某一(母节点)状态转移成另一(子节点)状态。
在状态树中,“母节点”可以具有多个“子节点”,扩展的子节点作为一个母节点可以具有多个其他子节点。
在状态树中,候选节点是指可以从所述母节点推导出的任意节点,并且在满足特定条件时可以确定为所述子节点。
因此,状态树中存在阶层(level),并且在阶层之间定义了时间间隔,将该时间间隔称为“时间步”。
当使用根据本发明的一实施例的使用基于采样的最优树的路径规划方法从根节点(root node)扩展N个时间步时,将最后一个时间步的节点称为“叶节点(leaf node)”,所述“叶节点(leaf node)”配置成机器人可以具备的状态。
所述叶节点(leaf node)具有作为从根节点(root node)到叶节点的所有成本值的总和的最终成本值和直到指定为当前目标的路点的启发式(heuristic)值。
所述启发式值是从该节点到目标点的过程中可能发生的成本值的估计值,可以通过给定的全局地图获得,除了地图上没有表示的非环境障碍物。
尽管概括了基本的变量和术语,但并未概括说明所需的所有变量和术语,稍后将对除了上述定义的变量和术语以外新出现的变量和术语进行说明。
如果有移动机器人,为了考虑动力学,可能用电机的特性或用于电机的电流、电压等来计算,但由于计算量较多,从而实时性变差,因此,以下基于轮子的角速度、角加速度进行说明。
然而,应注意,本发明不限于基于轮子的角速度、角加速度来计算。
移动机器人可选择的移动(状态(位置、方位、速度等)空间)的输入值的选择是有限的。此时,对应于输入值的代表性例子是移动机器人的加速度、移动机器人的速度、移动机器人轮子的角加速度、移动机器人轮子的角速度等。
即在当前给定的移动机器人的状态下,移动机器人根据移动机器人的动力学(kinematics)特征接下来可取的状态值是有限制的。
换言之,移动机器人由于快速加速、快速减速、最高速度等的速度、加速度等的限制而存在局限性。
移动机器人可选择的输入值意味着,由于所述输入值而转移的所述移动机器人的状态值不脱离动力学(kinematics)限制条件的可实现的状态值。
此时,可以通过预先挑选移动机器人无法选择的脱离限制条件的输入值并将其从计算中排除来减少计算所需的时间,并且可以通过从移动机器人可选择的输入值中选择一定数量的样本并进行计算来进一步减少计算所需的时间。
为此,根据本发明的一实施例的使用基于采样的最优树的路径规划方法从移动机器人可选择的输入值中选择一定数量的样本并用于创建最佳路径。
如图1所示,根据本发明的一实施例的使用基于采样的最优树的路径规划方法,由包括计算机的计算处理装置执行的程序形式实现,其特征在于,包括采样步骤S10和状态树制作步骤S20,从机器人的当前时间点到N(自然数)个时间步为止重复执行从所述采样步骤S10到状态树制作步骤S20的过程,根据关于从所述母节点到所述子节点的状态转移的成本(cost)创建最佳路径。
在采样步骤S10中,将控制机器人的移动的时间根据规定的基准划分为时间步,所述计算处理装置在特定时间步,在由作为机器人需要计算的(当前或将来)状态值的母节点中可实现的(可选择的)状态值的集合(考虑对移动的输入值的集合)形成的区域中,提取子节点,所述子节点为根据以预先确定的方式采样的输入值的状态值。
这不是计算所有状态值,将与移动机器人无法选择的输入值对应的状态值从计算中排除(减少初次计算量),提取其中几个状态值(减少二次计算量)并计算,从而减少计算所需的时间,因此可以实时计算。
在状态树制作步骤S20中,计算关于从所述采样步骤S10的母节点到子节点的状态转移的成本(cost)。
即根据本发明的一实施例的包括所述采样步骤S10和状态树制作步骤S20的使用基于采样的最优树的路径规划方法,可以通过考虑机器人的状态值中的机器人的可实现的输入值(速度和加速度等)来将属于可实现的状态的集合的元素中的一部分确定为节点,从而可以制作机器人的状态树(参照图2)。
可以通过图3对应用根据本发明的一实施例的使用基于采样的最优树的路径规划方法的机器人的移动进行说明。
机器人具有预先制作或预先输入的全局地图10并且从用户接收用于移动到目标点的任务。
所述全局地图10主要标记相对于时间移动受限的环境障碍物,在全局路径规划部(global path planner)100规划全局路径并传递至局部路径规划部(local pathplanner)200。
所述全局路径连接从起点到最终目标点的多个路点来表示。
机器人在移动之前在局部环境识别部300识别环境识别传感器310识别的附近的动态或静态障碍物,并将周围环境信息传递至局部路径规划部200。
所述环境识别传感器310获取的环境信息包括机器人可以视为障碍物,即无法经过的道路的障碍物数据和关于可以经过的道路的坐标数据。另外,可以对动态障碍物具有根据时间预期的位置信息。
关于障碍物和道路的数据可以大致分为两类,可以包括任何数据形式。即可以包括网格形式的数据或对物体的各种形式(面、线段、圆、弧等)或者颜色等的信息。
所述局部路径规划部200通过使用本发明的一实施例的使用基于采样的最优树的路径规划方法来规划依次到达路点而不与障碍物碰撞的轨迹,以到达最终目标点(finalgoal point)。
即可以将机器人的状态树从当前时间点扩展到N个时间步。
机器人的状态树无法扩展是指,不存在确定为当前节点的下一个节点的节点,可以解释为,在N个时间步内无论向哪个方向移动,都处于只能碰撞的状态。
因此,在这种情况下,可以结束算法。
机器人移动控制部400根据局部规划的轨迹移动机器人。
所述过程可以以一定的周期重复直到机器人达到目标点。
根据本发明的一实施例的使用基于采样的最优树的路径规划方法可以做出如下假设。
规划机器人的路径的计算处理装置存储或加载应用显示环境障碍物的全局地图(global map),机器人通过全局规划(global plan)知道移动到目标点(goal point)的路点(waypoint)。
可以通过安装在机器人的环境识别传感器310来感测局部非环境障碍物。
根据本发明的一实施例的使用基于采样的最优树的路径规划方法基于当前机器人的状态值(state)和通过安装在机器人的传感器感测的局部环境信息划分为最多N个时间步,可以为每个时间步的分段恒定加速度(piecewise-constant acceleration)的输入创建无碰撞轨迹(collision-free trajectory)。
这里,为每个时间步的分段恒定加速度(piecewise-constant acceleration)的输入创建轨迹是为了减少计算量。
即如果判断计算量足以进行实时计算,当然可以使用恒加速输入以外的输入。
根据本发明的一实施例的使用基于采样的最优树的路径规划方法是为了通过考虑环境信息(停止和移动障碍物信息)、机器人的动力学(kinematics)限制、机器人的性能限制来在状态-时间空间(State-time space)自然地躲避障碍物。
“状态-时间空间(State-time space)”是指考虑时间的状态值的集合。
根据本发明的一实施例的使用基于采样的最优树的路径规划方法可以通过使用扩展到特定将来时间点(finite horizon)的状态树(state tree)来创建最佳的移动轨迹。
根据本发明的一实施例的使用基于采样的最优树的路径规划方法的采样步骤S10,其特征在于,以如下方式提取输入值:在线速度和角速度空间中机器人的能够实现的速度区域或者线加速度和角加速度空间中机器人的能够实现的加速度区域中,随着线速度、角速度、线加速度或角加速度接近于0,对应的子节点之间的间隔变窄。
当以坐标平面空间表示所述线速度和角速度空间时,可以将线速度表示为x轴,将角速度表示为y轴(参照图4)。
当以坐标平面空间表示所述线加速度和角加速度空间时,可以将线加速度表示为x轴,将角加速度表示为y轴(参照图5)。
如果以线加速度和角加速度空间为例,可以提取输入值,使得线加速度和角加速度空间中,随着机器人的可实现的线加速度接近于0,对应的子节点之间的间隔变窄。这是为了防止线加速度快速变化,从而减少作用在机器人的物理负载,使移动更顺畅。
作为另一例,可以提取输入值,使得线加速度和角加速度空间中,随着机器人的可实现的角加速度接近于0,对应的子节点之间的间隔变窄。这也是为了防止角加速度快速变化,从而减少机器人向左右摆动的偏航运动,因此可以更顺畅地移动。
作为另一例,也可以混合使用以上两个示例。这可以防止线加速度和角加速度两者快速变化,从而能够使机器人顺畅地移动。
以上,尽管举例说明了提取输入值,使得随着线速度、角速度、线加速度或角加速度接近于0,对应的子节点之间的间隔变窄,但本发明不限于此,子节点可以在由可实现的(feasible)状态值的集合组成的区域通过以各种方法预定义的方法来选择。
例如,其特征在于,将线速度和角速度空间中机器人的可实现的速度区域或者线加速度和角加速度空间中机器人的可实现的加速度区域转化为线性尺度(linear-scale),并且对可实现的区域进行等间隔划分并采样,属于该区域内部的有限点集作为可实现的输入值提取,或者将线速度和角速度空间中机器人的可实现的速度区域或者线加速度和角加速度空间中机器人的可实现的加速度区域转化为对数尺度(log-scale)、指数尺度(exponential-scale)或二次尺度(quadratic-scale),并且对可实现的区域进行等间隔划分并采样,属于该区域内部的有限点集作为可实现的输入值提取等。
假设使用差动驱动式移动机器人(differential drive mobile robot),并且将两侧轮子的角加速度值作为输入值使用,更详细而言,将差动驱动式移动机器人的可实现的第n次左侧轮子的角加速度值设为wl,n,第m次右侧轮子的角加速度值设为wr,m,将A称为可实现的所有角加速度值的组合(wl,n,wr,m)的集合,可以由以下表示。
A={(wl,n,wr,m)|wl,n∈R,wr,m∈R,n=1,2,...,N且m=1,2,...,M}
这里,N和M分别为左侧和右侧轮子的可实现的角加速度值的数量,R表示实数集。可以使用以下方法作为确定所述加速度集合A的方法。
将机器人的可实现的加速度区域转化为线性尺度(linear-scale),并对可实现的区域进行等间隔划分并采样,属于该区域内部的有限点集作为输入值提取的方法可以以以下式表示。
将机器人的可实现的加速度区域转化为对数尺度(log-scale)、指数尺度(exponential-scale)或二次尺度(quadratic-scale),并且对可实现的区域进行等间隔划分并采样,属于该区域内部的有限点集作为输入值提取的方法可以以以下式表示。
ωl,n∈{-wl,max,...,-e2-(N-1)/2wl,max,-e1-(N-1)/2ωl,max,0,e1-(N-1)/2wl,max,e2-(N-1)/2ωl,max,...,wl,max}
ωr,m∈{-wr,max,...,-e2-(N-1)/2wr,max,-e1-(N-1)/2wr,max,0,e1-(N-1)/2wr,max,e2-(N-1/ 2wr,max,...,wr,max}
除此之外,还可以使用任意转化加速度空间,并且对可实现的区域进行等间隔或根据规定的规则的间隔划分并采样,通过属于该区域内部的有限点集确定输入值的方法等多种方法。
通过使用差动驱动式移动机器人的可实现的加速度集合A,可以得到的差动驱动式移动机器人的可实现的所有线加速度a和角加速度α如下。
这里,D表示所述差动驱动式移动机器人的两侧轮子之间的距离。
根据本发明的一实施例的使用基于采样的最优树的路径规划方法的采样步骤S10,其特征在于,首先计算出线速度和角速度空间中机器人的可实现的速度区域或线加速度和角加速度空间中机器人的可实现的加速度区域中,关于与根据预定规则的特定点(角点等)对应的状态值的状态转移的成本(cost)后,提取输入值,使得随着接近于计算结果取消的该状态值,子节点之间的间隔变窄。
例如,在图4的情况下,在对应于菱形的速度空间中,与线速度最大的点、线速度最小的点、角速度最大的点、角速度最小的点对应的状态值与其他点相比可以存在转移概率高的情况。
因此,在提取完整的子节点之前,首先计算关于转移概率高于其他点的点的状态转移的成本(cost)后,额外提取输入值,使得随着接近于计算结果取消的该状态值,子节点之间的间隔变窄。
根据本发明的一实施例的使用基于采样的最优树的路径规划方法的采样步骤S10,其特征在于,从线速度和角速度空间中机器人的可实现的速度区域中提取速度值,从线加速度和角加速度空间中机器人的可实现的加速度区域中提取加速度值后,将速度区域和加速度区域统一成在线速度和角速度空间或线加速度和角加速度空间中选择的任一空间,提取与属于速度区域和加速度区域重叠的区域的状态值对应的节点作为子节点。
即从速度区域提取与可实现的速度值对应的节点,从加速度区域提取与可实现的加速度值对应的节点后,将任意一个区域中给定的值转换到另一个空间,可以最终提取与属于两个区域的交集的状态值对应的节点作为子节点。
以上,尽管举例说明了从每个区域提取节点并且提取与两个区域的交集对应的节点作为子节点,但本发明不限于此,可以从速度区域或加速度区域中的任一区域提取节点,提取与两个区域的交集对应的节点作为子节点(参照图6)。
如图6所示,根据本发明的一实施例的使用基于采样的最优树的路径规划方法的采样步骤S10,其特征在于,额外提取与统一的空间中的速度区域的边界和加速度区域的边界的交点值作为子节点。
统一的空间中的速度区域的边界和加速度区域的边界的交点与其他点相比可以存在转移概率高的情况。因此,如果未将该点提取为子节点,则优选将该点提取为子节点。
以上,尽管举例说明了首先进行提取节点,并且提取其中统一的空间中的速度区域和加速度区域的交集的节点作为子节点,但本发明不限于此,还可以实现如下的实施等各种实施。
根据本发明的一实施例的使用基于采样的最优树的路径规划方法的采样步骤S10,其特征在于,将线速度和角速度空间中机器人的可实现的速度区域以及线加速度和角加速度空间中机器人的可实现的加速度区域统一成在线速度和角速度空间或线加速度和角加速度空间中选择的任一空间,在作为速度区域和加速度区域重叠的区域的机器人的实际可实现的状态值的区域中提取子节点。
即首先算出属于统一的空间中的速度区域和加速度区域的状态值的交集,并且可以在其中提取子节点。
此时,尽管在图4等中举例说明了通过划分为x轴和y轴来提取子节点,但本发明不限于此,由于统一空间中的速度区域和加速度区域的交集通常为平行四边形形状,因此可以进行划分成平行于速度区域和加速度区域的交集边界来提取子节点等各种实施。
根据本发明的一实施例的使用基于采样的最优树的路径规划方法的状态树制作步骤S20,其特征在于,仅针对在所述采样步骤S10中提取的子节点(参照图7)中不与障碍物碰撞的子节点而计算关于状态转移的成本(cost)。
此时,可以将所述采样步骤S10中提取的子节点称为候选节点,将其中不与障碍物碰撞的候选节点确定为子节点,并计算关于状态转移的成本(cost)。
即通过提取可以避免与机器人的环境识别传感器310感测的非环境障碍物碰撞的子节点来计算关于状态转移的成本(cost)。
换言之,并不是计算所有由在所述采样步骤S10中提取的输入值创建的子节点(候选节点),而是仅对候选节点中不与非环境或环境障碍物碰撞的子节点计算关于状态转移的成本(cost),从而可以减少用于关于状态转移的成本(cost)的时间。
此时,状态树制作步骤S20可以对每个子节点(候选节点)确认碰撞后,将碰撞的子节点(候选节点)删除(参照图8)。
之后,剩余的子节点可以由在无障碍物的空间中的机器人的可实现的机器人的状态集合(feasible set of robot′s states)组成,并且可以通过使用剩余的子节点来扩展状态树。
此时,可以分别计算扩展的所述子节点的成本合计,到所述特定节点的成本合计可以是指,从当前节点到所述特定节点的状态变化引起的成本值的总和(状态树中对应于边的值的总和)。
根据本发明的一实施例的使用基于采样的最优树的路径规划方法的使用基于采样的最优树的路径规划方法,其特征在于,对关于从机器人的当前时间点(根节点)到与最后一个时间步对应的子节点(叶节点)的状态转移的成本(cost)与关于从与最后一个时间步对应的子节点(叶节点)到目标点的状态转移的成本(heuristic)进行求和,将到与求和而得的成本最小的最后一个时间步相对应的子节点(叶节点)的路径确定为最佳路径。
即可以通过应用由节点和边构成的状态树来找局部路径。
当完成阶层(深度)为N的状态树时,可以通过使用状态树来创建最佳轨迹并结束算法。
即在可扩展的叶节点中,选择成本(cost)和启发式值(heuristic)总和最低的节点,在状态树内完成直到目标路点的轨迹并可以确定为最佳路径(参照图9)。
图10所示的算法在直到N的状态树完成并完成轨迹规划时结束,可以根据移动机器人的局部轨迹规划周期实施。
图10所示的算法是局部轨迹规划方法而不是全局轨迹规划方法。
可以在每个时间步实施局部轨迹规划方法,但也可以跳过之前局部轨迹规划的任意时间步。即局部轨迹也可以不在每个时间步实施。
即将控制移动机器人的移动的时间划分而成的时间步和所述局部轨迹规划周期可以不同。
由于可能随时间位置变化的非环境障碍物的位置只能在环境识别传感器310的范围内被感测并反映,因此N的值需要考虑环境识别传感器310的感测范围来确定。
由于可能无法感测所述非环境障碍物,因此考虑脱离感测范围的时间点可能没有意义。
此时,确定所述计算处理装置的计算量,并选择可扩展的叶节点中成本(cost)和启发式值(heuristic)总和最低的节点,完成状态树中直到目标路点的轨迹,从而可以确定最佳路径。
如果状态树的深度未扩展到N个时间步,针对状态树的叶节点,向最终成本值和启发式值的合计最低的节点赋予最高优先级,可以将所述最高优先级的节点选择为以后创建的节点的母节点(parent node)。
最初,根节点具有最高优先级。
将具有所述最高优先级的节点选择为母节点后,创建用于确定与所述母节点连接的子节点(child node)的候选节点。
此时,可以重复如下过程:根据优先级存储没有选择为母节点的节点,并且针对先选择的母节点的计算完成后,将下一个优先级的节点选择为母节点。
当考虑到选择的叶节点的机器人状态,在给定的时间内向预先定义的输入值的候选移动以扩展到下一个阶层时,所述候选节点的最终状态确定为动力学(kinematics)可实现的(feasible)状态。
根据本发明的一实施例的使用基于采样的最优树的路径规划方法的时间步,其特征在于,针对各所述时间步定义时间间隔,各所述时间步的时间间隔根据预定的规则而确定。
此时,其特征在于,时间间隔随着时间步的序号增加而增加。
这是为了通过更细致地计算接近当前的时间,并且更稀疏地计算接近当前的时间,从而减少计算量的同时进一步预测将来。
例如,可以将从第一个时间步到第六个时间步的时间间隔依次设置成T、T、2T、2T、4T、4T来使用。
在这种情况下,实际上计划了6个时间步,但可以预测到14T的将来。
更详细而言,例如,当假设根节点为第0阶层、下一个节点为第1阶层、下下一个节点为第2阶层时,如果第0阶层到第1阶层的时间为5ms,则第1阶层到第2阶层的时间可以不同地定义为10ms。
以上,尽管举例说明了每个阶层的时间间隔彼此不同,但本发明不限于此,可以进行每个阶层的时间间隔可以是等间隔等各种实施。
以上,对根据本发明的一实施例的使用基于采样的最优树的路径规划方法进行了说明,还可以实现存储用于实现使用基于采样的最优树的路径规划方法的程序的计算机可读记录介质,以及存储在用于实现使用基于采样的最优树的路径规划方法的计算机可读记录介质的程序。
即本领域技术人员应可以理解,上述使用基于采样的最优树的路径规划方法通过有形地实现用于实现该方法的指令的程序,从而包括在通过计算机可读的记录介质并提供。换言之,以可通过各种计算机装置执行的程序指令形式实现,从而可以记录在计算机可读记录介质。所述计算机可读记录介质可单独或组合包括程序指令、数据文件、数据结构等。记录在所述计算机可读记录介质的程序指令可以是为本发明专门设计并配置的或者可以是计算机软件领域的技术人员已知并可使用的。作为所述计算机可读记录介质的示例,可包括特别配置成存储并执行程序指令的硬件装置,例如,如硬盘、软盘和磁带的磁介质(magnetic media)、如CD-ROM、DVD的光学介质(optical media)、如光磁软盘(flopticaldisk)的磁-光学介质(magneto-optical media)以及只读存储器(ROM)、随机存取存储器(RAM)、闪存、USB存储器等。程序指令的示例不仅包括如由编译器生成的机械语言代码,还包括使用解释器等可在计算机执行的高级语言代码。所述硬件装置可以构成为作为一个以上的软件模块工作以执行本发明的操作,反之亦然。
本发明不限于上述实施例,适用范围多样,在不脱离权利要求所要求保护的本发明的主旨的情况下,可以进行各种修改。
Claims (10)
1.一种使用基于采样的最优树的路径规划方法,由包括计算机的计算处理装置执行的程序形式实现,其特征在于,所述使用基于采样的最优树的路径规划方法包括:
采样步骤(S10),将控制机器人的移动的时间根据规定的基准划分为时间步,所述计算处理装置在特定时间步,在由作为机器人需要计算的状态值的母节点中能够实现的状态值的集合形成的区域中,提取子节点,所述子节点为根据以预先确定的方式采样的输入值的状态值,以及
状态树制作步骤(S20),计算关于从所述采样步骤(S10)的母节点到子节点的状态转移的成本;
从机器人的当前时间点到N个时间步为止重复执行从所述采样步骤(S10)到状态树制作步骤(S20)的过程,根据关于从所述母节点到所述子节点的状态转移的成本而创建最佳路径,N为自然数。
2.根据权利要求1所述的使用基于采样的最优树的路径规划方法,其特征在于,
在所述采样步骤(S10)中,以如下方式提取输入值:在线速度和角速度空间中机器人的能够实现的速度区域或者线加速度和角加速度空间中机器人的能够实现的加速度区域中,随着线速度、角速度、线加速度或角加速度接近于0,对应的子节点之间的间隔变窄。
3.根据权利要求1所述的使用基于采样的最优树的路径规划方法,其特征在于,
在所述采样步骤(S10)中,
提取与属于线速度和角速度空间中机器人的能够实现的速度区域的速度值对应的节点,
提取与属于线加速度和角加速度空间中机器人的能够实现的加速度区域的加速度值对应的节点,
然后将速度区域和加速度区域统一成在线速度和角速度空间或线加速度和角加速度空间中选择的任一空间,
提取与属于速度区域和加速度区域重叠的区域的状态值对应的节点作为子节点。
4.根据权利要求3所述的使用基于采样的最优树的路径规划方法,其特征在于,
在所述采样步骤(S10)中,额外提取与统一的空间中的速度区域的边界和加速度区域的边界的交点值对应的节点作为子节点。
5.根据权利要求1所述的使用基于采样的最优树的路径规划方法,其特征在于,
在所述采样步骤(S10)中,
将线速度和角速度空间中机器人的能够实现的速度区域以及线加速度和角加速度空间中机器人的能够实现的加速度区域统一成在线速度和角速度空间或线加速度和角加速度空间中选择的任一空间,
提取与属于机器人的实际能够实现的区域的状态值对应的节点作为子节点,所述机器人的实际能够实现的区域为速度区域和加速度区域重叠的区域。
6.根据权利要求1所述的使用基于采样的最优树的路径规划方法,其特征在于,
在所述状态树制作步骤(S20)中,仅针对在所述采样步骤(S10)中提取的子节点中不与障碍物碰撞的子节点计算关于状态转移的成本。
7.根据权利要求1所述的使用基于采样的最优树的路径规划方法,其特征在于,
所述使用基于采样的最优树的路径规划方法,对关于从机器人的当前时间点到与最后一个时间步对应的子节点的状态转移的成本与关于从与最后一个时间步对应的子节点到目标点的状态转移的成本进行求和,将到与求和而得的成本最小的最后一个时间步相对应的子节点的路径确定为最佳路径。
8.根据权利要求1所述的使用基于采样的最优树的路径规划方法,其特征在于,
针对各所述时间步定义时间间隔,
各所述时间步的时间间隔根据预定的规则而确定。
9.一种计算机可读的记录介质,存储有用于实现根据权利要求1至8中任一项所述的使用基于采样的最优树的路径规划方法的程序。
10.一种程序,存储在计算机可读记录介质中,用于实现根据权利要求11至12中任一项所述的使用基于采样的最优树的路径规划方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2019-0044775 | 2019-04-17 | ||
KR1020190044775A KR102049962B1 (ko) | 2019-04-17 | 2019-04-17 | 샘플링기반의 최적 트리를 이용한 경로 계획 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
PCT/KR2020/002787 WO2020213829A1 (ko) | 2019-04-17 | 2020-02-27 | 샘플링기반의 최적 트리를 이용한 경로 계획 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113710431A true CN113710431A (zh) | 2021-11-26 |
CN113710431B CN113710431B (zh) | 2023-12-22 |
Family
ID=68730422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080029409.XA Active CN113710431B (zh) | 2019-04-17 | 2020-02-27 | 使用基于采样的最优树的路径规划方法以及记录介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220206468A1 (zh) |
EP (1) | EP3957446A4 (zh) |
KR (1) | KR102049962B1 (zh) |
CN (1) | CN113710431B (zh) |
WO (1) | WO2020213829A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102049962B1 (ko) * | 2019-04-17 | 2019-11-28 | 주식회사 트위니 | 샘플링기반의 최적 트리를 이용한 경로 계획 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
CN110850883A (zh) * | 2019-11-29 | 2020-02-28 | 上海有个机器人有限公司 | 一种机器人的移动控制方法、介质、终端和装置 |
US11772265B2 (en) | 2020-08-20 | 2023-10-03 | Bear Robotics, Inc. | Method, system, and non-transitory computer-readable recording medium for controlling movement of a robot |
US11731274B2 (en) * | 2021-03-24 | 2023-08-22 | Ford Global Technologies, Llc | Predictive time horizon robotic motion control |
CN113400308B (zh) * | 2021-06-16 | 2022-06-03 | 深圳谦腾科技有限公司 | 机械手抓取产品的最优路径规划方法与可读存储介质 |
CN113722923B (zh) * | 2021-09-06 | 2023-12-01 | 中国计量大学 | 一种基于改进rrt的多无人机协同气体泄漏源定位方法 |
CN114234968B (zh) * | 2021-12-17 | 2023-12-05 | 江西洪都航空工业集团有限责任公司 | 一种基于a星算法的移动机器人自主导航方法 |
KR102479619B1 (ko) | 2022-02-15 | 2022-12-21 | 주식회사 트위니 | 장애물의 회피 이동이 가능한 자율 주행 로봇 |
CN114475658B (zh) * | 2022-02-23 | 2023-08-25 | 广州小鹏自动驾驶科技有限公司 | 一种自动驾驶速度的规划方法及装置、车辆和存储介质 |
KR20240029402A (ko) * | 2022-08-26 | 2024-03-05 | 삼성전자주식회사 | 로봇 및 그 구동 방법 |
CN116736866B (zh) * | 2023-08-10 | 2023-12-01 | 苏州观瑞汽车技术有限公司 | 一种物业室内机器人路径规划与轨迹控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096783A (zh) * | 2016-06-13 | 2016-11-09 | Tcl集团股份有限公司 | 一种基于Dijkstra的路径优化方法及其系统 |
US20170120448A1 (en) * | 2015-10-29 | 2017-05-04 | Korea Institute Of Science And Technology | Robot control system and method for planning driving path of robot |
CN108253984A (zh) * | 2017-12-19 | 2018-07-06 | 昆明理工大学 | 一种基于改进a星算法的移动机器人路径规划方法 |
CN108274465A (zh) * | 2018-01-10 | 2018-07-13 | 上海理工大学 | 基于优化a*的人工势场机械臂三维避障路径规划方法 |
CN109405828A (zh) * | 2018-07-30 | 2019-03-01 | 浙江工业大学 | 基于ltl-a*算法的移动机器人全局最优路径规划方法 |
CN109405847A (zh) * | 2018-10-15 | 2019-03-01 | 深圳市路畅科技股份有限公司 | 车载导航仪及其车辆状态动画显示方法、系统及存储介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7447593B2 (en) * | 2004-03-26 | 2008-11-04 | Raytheon Company | System and method for adaptive path planning |
KR101554515B1 (ko) * | 2009-01-07 | 2015-09-21 | 삼성전자 주식회사 | 로봇의 경로계획장치 및 그 방법 |
KR101667029B1 (ko) * | 2009-08-10 | 2016-10-17 | 삼성전자 주식회사 | 로봇의 경로 계획방법 및 장치 |
JP5715840B2 (ja) * | 2011-02-04 | 2015-05-13 | 本田技研工業株式会社 | 軌道計画方法、軌道制御方法、軌道計画システム及び軌道計画・制御システム |
JP2013206043A (ja) * | 2012-03-28 | 2013-10-07 | Waseda Univ | 動作計画装置、動作計画方法、動作計画処理プログラム |
KR101339480B1 (ko) * | 2012-12-14 | 2013-12-10 | 고려대학교 산학협력단 | Rrt 기반의 듀얼 트리 구조를 이용한 이동 로봇의 궤적 계획 방법 |
US10078712B2 (en) * | 2014-01-14 | 2018-09-18 | Energid Technologies Corporation | Digital proxy simulation of robotic hardware |
KR101664575B1 (ko) | 2014-11-07 | 2016-10-10 | 재단법인대구경북과학기술원 | 모바일 로봇의 장애물 회피 시스템 및 방법 |
US9840003B2 (en) * | 2015-06-24 | 2017-12-12 | Brain Corporation | Apparatus and methods for safe navigation of robotic devices |
KR101807370B1 (ko) * | 2015-12-16 | 2018-01-18 | 한양대학교 산학협력단 | 이동 로봇의 주행 경로 계획 방법 및 장치 |
US11530921B2 (en) * | 2018-09-28 | 2022-12-20 | Intel Corporation | Method of generating a collision free path of travel and computing system |
KR102049962B1 (ko) * | 2019-04-17 | 2019-11-28 | 주식회사 트위니 | 샘플링기반의 최적 트리를 이용한 경로 계획 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
-
2019
- 2019-04-17 KR KR1020190044775A patent/KR102049962B1/ko active IP Right Grant
-
2020
- 2020-02-27 US US17/604,216 patent/US20220206468A1/en active Pending
- 2020-02-27 WO PCT/KR2020/002787 patent/WO2020213829A1/ko unknown
- 2020-02-27 EP EP20792073.7A patent/EP3957446A4/en active Pending
- 2020-02-27 CN CN202080029409.XA patent/CN113710431B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170120448A1 (en) * | 2015-10-29 | 2017-05-04 | Korea Institute Of Science And Technology | Robot control system and method for planning driving path of robot |
CN106096783A (zh) * | 2016-06-13 | 2016-11-09 | Tcl集团股份有限公司 | 一种基于Dijkstra的路径优化方法及其系统 |
CN108253984A (zh) * | 2017-12-19 | 2018-07-06 | 昆明理工大学 | 一种基于改进a星算法的移动机器人路径规划方法 |
CN108274465A (zh) * | 2018-01-10 | 2018-07-13 | 上海理工大学 | 基于优化a*的人工势场机械臂三维避障路径规划方法 |
CN109405828A (zh) * | 2018-07-30 | 2019-03-01 | 浙江工业大学 | 基于ltl-a*算法的移动机器人全局最优路径规划方法 |
CN109405847A (zh) * | 2018-10-15 | 2019-03-01 | 深圳市路畅科技股份有限公司 | 车载导航仪及其车辆状态动画显示方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20220206468A1 (en) | 2022-06-30 |
WO2020213829A1 (ko) | 2020-10-22 |
KR102049962B1 (ko) | 2019-11-28 |
EP3957446A4 (en) | 2022-12-28 |
CN113710431B (zh) | 2023-12-22 |
EP3957446A1 (en) | 2022-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113710431B (zh) | 使用基于采样的最优树的路径规划方法以及记录介质 | |
US11262764B2 (en) | Computer-implemented method and a system for defining a path for a vehicle within an environment with obstacles | |
CN110333714B (zh) | 一种无人驾驶汽车路径规划方法和装置 | |
CN108698595B (zh) | 用于控制车辆运动的方法和车辆的控制系统 | |
JP6610915B2 (ja) | 車両を制御するコントローラー及び方法並びに非一時的コンピューター可読メモリ | |
US10324469B2 (en) | System and method for controlling motion of vehicle in shared environment | |
EP3306431B1 (en) | A computer-implemented method and a system for guiding a vehicle within a scenario with obstacles | |
CN109491377A (zh) | 用于自动驾驶车辆的基于dp和qp的决策和规划 | |
CN109491376A (zh) | 用于自动驾驶车辆的基于动态规划和梯度下降的决策和规划 | |
CN109489675A (zh) | 用于自动驾驶车辆的基于成本的路径规划 | |
Fulgenzi et al. | Probabilistic motion planning among moving obstacles following typical motion patterns | |
KR101990878B1 (ko) | 시간상태 영역에서의 온라인 양방향 경로 계획 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 | |
WO2022083292A1 (zh) | 一种智能移动机器人全局路径规划方法和系统 | |
Yakovlev et al. | Automatic path planning for an unmanned drone with constrained flight dynamics | |
Frego et al. | Trajectory planning for car-like vehicles: A modular approach | |
KR102097715B1 (ko) | 실시간 웨이포인트 경로 개선 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 | |
Indri et al. | Supervised global path planning for mobile robots with obstacle avoidance | |
Morales et al. | Safe and reliable navigation in crowded unstructured pedestrian areas | |
KR20230167301A (ko) | 동적 및 정적 물체 회피를 위한 정밀 도로지도 기반 지역 경로 계획 방법 및 장치 | |
Adolf et al. | Rapid multi-query path planning for a vertical take-off and landing unmanned aerial vehicle | |
Scherer et al. | Multiple-objective motion planning for unmanned aerial vehicles | |
Fulgenzi et al. | Probabilistic rapidly-exploring random trees for autonomous navigation among moving obstacles | |
Wang et al. | Real-time path planning algorithm for autonomous vehicles in unknown environments | |
Wang et al. | Dynamic path planning algorithm for autonomous vehicles in cluttered environments | |
Lin et al. | Indoor robot navigation based on DWA*: Velocity space approach with region analysis |
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 |