CN113848893A - 机器人导航方法、装置、设备及存储介质 - Google Patents

机器人导航方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113848893A
CN113848893A CN202111077572.6A CN202111077572A CN113848893A CN 113848893 A CN113848893 A CN 113848893A CN 202111077572 A CN202111077572 A CN 202111077572A CN 113848893 A CN113848893 A CN 113848893A
Authority
CN
China
Prior art keywords
robot
target
path
road network
target location
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
CN202111077572.6A
Other languages
English (en)
Inventor
薛曌涵
蔡宾
饶德坤
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.)
Wuhan Lianyi Heli Technology Co Ltd
Original Assignee
Wuhan Lianyi Heli 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 Wuhan Lianyi Heli Technology Co Ltd filed Critical Wuhan Lianyi Heli Technology Co Ltd
Priority to CN202111077572.6A priority Critical patent/CN113848893A/zh
Publication of CN113848893A publication Critical patent/CN113848893A/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
    • G05D1/0238—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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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

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)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Multimedia (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种机器人导航方法、装置、设备及存储介质，属于机器人技术领域。本发明通过获取路网中的目标地点以及当前路网环境信息，将所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得目标路径，控制机器人基于所述目标路径移动至所述目标地点。与现有技术相比，本发明通过获取路网环境信息以及路网中的目标地点，增加了路网约束，安全性更高，并减少了机器人位置丢失的可能性，使得机器人在路网内能够快速的根据路网环境信息不同，获得不同的目标路径，使得机器人在复杂的环境也能够到达目标地点，避免了复杂环境因素影响会导致机器人在自主导航时无法准确的到达目标地点，效率不高的技术问题。

Description

机器人导航方法、装置、设备及存储介质
技术领域
本发明涉及机器人技术领域，尤其涉及一种机器人导航方法、装置、设备及存储介质。
背景技术
随着人工智能技术的进步，近年来机器人产业迎来蓬勃的发展。目前，移动机器人已经在全球得到了广泛应用，目前，移动机器人已经在全球得到了广泛应用，并且机器人更强调智能工作，不需要人工干预，但是在机器人应用方面最明显的一个问题就是复杂环境下，机器人无法自适应的调整导航策略。即在机器人目标地点导航时，因复杂环境因素影响会导致机器人在自主导航时无法准确的到达目标地点，效率不高。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种机器人导航方法、装置、设备及存储介质，旨在解决现有技术复杂环境因素影响会导致机器人在自主导航时无法准确的到达目标地点，效率不高的技术问题。
为实现上述目的，本发明提供了一种机器人导航方法，所述方法包括以下步骤:
获取路网中的目标地点以及当前路网环境信息；
将所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得目标路径；
控制机器人基于所述目标路径移动至所述目标地点。
可选地，所述控制机器人基于所述目标路径移动至所述目标地点的步骤，包括：
控制机器人基于所述目标路径进行移动，并检测所述目标路径上是否存在障碍物；
当所述目标路径上存在障碍物时，获取障碍物位置信息；
根据所述障碍物位置信息、所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得重构路径；
控制机器人基于所述重构路径移动至所述目标地点。
可选地，所述控制机器人基于所述目标路径进行移动，并检测所述目标路径上是否存在障碍物的步骤，包括：
控制机器人基于所述目标路径进行移动，并获取所述机器人的定位信息；
根据所述定位信息判断机器人是否到达目标地点；
若否，则获取当前环境信息，并通过当前环境信息确定所述目标路径上是否存在障碍物。
可选地，所述控制机器人基于所述目标路径移动至所述目标地点的步骤之前，还包括：
根据所述目标路径通过预设速度预测模型进行速度预测，获得目标速度；
控制机器人基于所述目标路径移动至所述目标地点，包括：
控制机器人以所述目标速度基于所述目标路径移动至所述目标地点。
可选地，所述根据所述目标路径通过预设速度预测模型进行速度预测，获得目标速度的步骤之前，还包括：
获取机器人的移动速度样本以及所述移动速度样本对应的评价样本；
根据所述移动速度样本以及所述评价样本通过初始速度预测模型进行训练，获得预设速度预测模型。
可选地，所述将所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得目标路径的步骤之前，还包括：
获取路网环境对应的若干路径规划模型；
根据所述当前路网环境从所述若干路径规划模型中确定预设路径规划模型。神经网
可选地，所述获取路网环境对应的若干路径规划模型的步骤之前，还包括：
获取目标地点样本以及所述目标地点样本对应的目标路径样本；
根据所述目标地点样本以及所述目标路径样本通过初始路径规划模型进行训练，获得若干路径规划模型。
此外，为实现上述目的，本发明还提出一种机器人导航装置，所述机器人导航装置包括：
信息获取模块，用于获取路网中的目标地点以及当前路网环境信息；
路径规划模块，用于将所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得目标路径；
路径导航模块，用于控制机器人基于所述目标路径移动至所述目标地点。
此外，为实现上述目的，本发明还提出一种机器人导航设备，所述机器人导航设备包括：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机器人导航程序，所述机器人导航程序配置为实现如上文所述的机器人导航方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有机器人导航程序，所述机器人导航程序被处理器执行时实现如上文所述的机器人导航方法的步骤。
本发明通过获取路网中的目标地点以及当前路网环境信息，将所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得目标路径，控制机器人基于所述目标路径移动至所述目标地点。与现有技术相比，本发明通过获取路网环境信息以及路网中的目标地点，增加了路网约束，安全性更高，并减少了机器人位置丢失的可能性，使得机器人在路网内能够快速的根据路网环境信息不同，获得不同的目标路径，使得机器人在复杂的环境也能够到达目标地点，避免了复杂环境因素影响会导致机器人在自主导航时无法准确的到达目标地点，效率不高的技术问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的机器人导航设备的结构示意图；
图2为本发明机器人导航方法第一实施例的流程示意图；
图3为本发明机器人导航方法第二实施例的流程示意图；
图4为本发明机器人导航装置第一实施例的结构框图。
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
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的机器人导航设备结构示意图。
如图1所示，该机器人导航设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对机器人导航设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及机器人导航程序。
在图1所示的机器人导航设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明机器人导航设备中的处理器1001、存储器1005可以设置在机器人导航设备中，所述机器人导航设备通过处理器1001调用存储器1005中存储的机器人导航程序，并执行本发明实施例提供的机器人导航方法。
本发明实施例提供了一种机器人导航方法，参照图2，图2为本发明一种机器人导航方法第一实施例的流程示意图。
本实施例中，所述机器人导航方法包括以下步骤：
步骤S10：获取路网中的目标地点以及当前路网环境信息。
需要说明的是，本实施例的执行主体是机器人导航设备，其中，所述机器人导航设备可以是机器人的控制器或者控制芯片等电子设备，还可以是其他可实现相同或者相似功能的设备，本实施例不作具体限制，在本实施例中，以机器人的控制器为例进行说明。
可理解的是，路网可以是在一定区域内的交通道路形成的网状道路系统，所述路网可以通过用户输入的信息生成，也可以通过在网上下载，目标地点可以是用户在路网中选定的区域，也可以是按照云端服务器中存储的定位信息，在实际操作中，以用户输入的目标地点进行说明，在控制器接收到目标地点信息时，可以在路网中查找是否存在所述目标地点信息，若不存在，则向用户反馈报错信息，提醒用户重新输入目标地点，还可以提醒用户更新路网信息，本实施例不作具体限制。
值得说明的是，当前路网环境信息可以是机器人所在的路网中的障碍物，道路信息等环境信息，路网可以是根据历史数据更新的，也可以是从网络资源库下载并更新，本实施例不作具体限制。
可以理解的是，在获得一个新的目标地点信息后，首先要在路网中查找是否存在这个目标地点信息，若存在，将会对所述目标地点进行定位，并拷贝历史目标点，将所述获得的新的目标地点与现在机器人所在的位置进行对比，有可能两者是重合的，此时无需进行后续操作，默认为以完成目标地点导航。
在具体实现中。可能出现用户按照顺序设置多个目标地点，机器人将会根据顺序依次导航前往目标地点，如果在下一次目标地点导航开始前，上一次的导航人物没有结束，将会对导航产生干扰信息，因此在获得目标地点后，需要结束上一次任务地点导航，并刷新路网的信息，目的是为了保证上一次的任务不会对这次的目标地点导航产生干扰。
步骤S20：将所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得目标路径。
需要说明的是，预设路径规划模型用于根据获得的目标地点，对机器人导航路径进行规划，获得目标路径，但是由于路网环境信息的不同，会有不同的预设路径规划模型。
进一步地，为了获得不同环境下对应的预设路径规划模型，步骤S20之前，还包括：
获取路网环境对应的若干路径规划模型；
根据所述当前路网环境从所述若干路径规划模型中确定预设路径规划模型。
值得说明的，在本实施例中，有三种不同的环境以及不同环境对应的预设路径规划模型。例如：当处于一个室内较小的环境内，由于空间较小，只需要考虑从机器人所在的位置与目标地点之间的关系，所以这里可以选用基于单源最短路径算法(Dijkstra)的预设路径规划模型，所述基于单源最短路径算法的预设路径规划模型是一种从一个顶点到其他的各项顶点的最短路径模型，也可以选用其他具有相似或者相同功能的路径选择模型，本实施例不作具体限制。
其次，若机器人所在的环境为室内较大的环境，此时由于空间较大，所需要的数据运算量也较大，因此需要一个能够提高运算速率，快速获取路径的路径规划模型，在这种情况下，可以选用基于最短路径(A-star，A*)算法的预设路径规划模型，所述基于最短路径算法的预设路径规划模型就是在基于单源最短路径算法的预设路径规划模型上增加了一个启发函数，能够提高运算速度，更快的进行路径规划。
此外，若机器人所在的环境为较大的室外环境，且由于室外的环境较为复杂，运算量更大，并需要考虑到复杂条件下的路径规划的可行性，因此，可以选用基于快速搜索随机树(Rapidly-exploring Random Trees，RRT)的预设路径规划模型，所述基于快速搜索随机树的预设路径规划模型可以通过对较大空间点中的采样点进行碰撞检测，避免了对空间的建模，有效地解决较大空间和复杂约束下的路径规划问题。
可理解的是，在获得这些预设路径规划模型之前，还需要获取目标地点样本以及所述目标地点样本对应的目标路径样本，并根据所述目标地点样本以及所述目标路径样本通过初始路径规划模型进行训练，以获得若干路径规划模型。
值得说明的是，初始路径规划模型经过模型训练后可以获得预设路径规划模型，对于初始路径规划模型的模型训练，可以是根据目标地点样本以及所述目标地点样本对应的目标路径样本之间的映射关系通过初始路径规划模型进行训练，获得预设路径规划模型。
需要说明的是，在对目标地点进行路径规划是根据路网进行的，基于路网获得的目标路径，可以使得规划的目标路径能够被约束在路网范围内，能够有效的监控机器人的导航状态，例如：机器人一般是沿着路网信息进行移动的，当机器人的定位信息出现在路网之外，则立即报错，提醒用户进行处理。
步骤S30：控制机器人基于所述目标路径移动至所述目标地点。
需要说明的是，当机器人基于路网中的所述目标路径移动至所述目标地点的过程中，所述目标路径提供的是一个逻辑上通顺的路径，也就是说按照所述目标路径可以到达目标地点，但是在实际应用中，防止在机器人运动的过程中出现障碍物，速度过快引起机器人的损坏，还需要对于运动过程中的局部路径的运动过程进行微调，因此需要添加一个预设局部路径规划模型。
进一步地，为了获得所述预设局部路径规划模型，步骤S30之前，还包括：
根据所述目标路径通过预设速度预测模型进行速度预测，获得目标速度；
控制机器人以所述目标速度基于所述目标路径移动至所述目标地点；
需要说明的是，预设速度预测模型用于根据所述目标路径确定机器人在局部路径使得目标速度，使得机器人更精准的到达目标地点，在本实施例中，可以采用局部路径规划模型(dynamic window approach，DWA)，也可以采用其他具有相同或者相似功能的模型，本实施例不作具体限制。
此外，为了获得预设局部路径规划模型，还需要获取机器人的移动速度样本以及所述移动速度样本对应的评价样本，并根据所述移动速度样本以及所述评价样本通过初始速度预测模型进行训练，获得预设速度预测模型。
可理解的是，获取机器人的移动速度样本后，根据所述移动速度样本可以确定机器人的移动轨迹样本，对机器人的移动轨迹样本进行评分，获得评价样本，因此，机器人的移动速度样本以及所述移动速度样本对应的评价样本之间存在着映射关系；所述速度预测模型可以是根据根据机器人的移动速度样本以及所述移动速度样本对应的评价样本之间的映射关系通过初始速度预测模型进行训练，获得具有机器人的移动速度与移动速度评价的映射关系的预设速度预测模型。
在具体实现中，通过获取两个相邻时刻的机器人运动距离长短，并在三维坐标系中确定所述机器人的这个时刻的移动速度，根据所述移动速度可以获取机器人在该时刻内的移动轨迹，根据获得的多组移动速度得到机器人的移动轨迹，将所述移动轨迹通过预设轨迹评价模型进行评分，获得评价样本。
可理解的是，预设轨迹评价模型可以是基于(Score Trajectory，ST)函数的轨迹评价模型，也可以是其他具有对机器人的运动轨迹进行评分的模型，本实施例不作具体限制。
需要说明的是，为了获得预设轨迹评价模型，还需要获得将机器人的移动轨迹样本以及所述移动轨迹样本对应的评分通过初试轨迹评价进行模型训练，以获得预设轨迹评价模型。
本实施例通过获取路网中的目标地点以及当前路网环境信息，将所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得目标路径，控制机器人基于所述目标路径移动至所述目标地点。与现有技术相比，本实施例通过获取路网环境信息以及路网中的目标地点，增加了路网约束，安全性更高，并减少了机器人位置丢失的可能性，使得机器人在路网内能够快速的根据路网环境信息不同，获得不同的目标路径，使得机器人在复杂的环境也能够到达目标地点，避免了复杂环境因素影响会导致机器人在自主导航时无法准确的到达目标地点，效率不高的技术问题。
参考图3，图3为本发明一种机器人导航方法第二实施例的流程示意图。
基于上述第一实施例，在本实施例中，所述步骤S30，包括：
步骤S301：控制机器人基于所述目标路径进行移动，并检测所述目标路径上是否存在障碍物。
需要说明的是，控制器通过探测设备传输的数据信息，可以判断目标路径上是否存在障碍物，所述探测设备可以是单线激光雷达、多线激光雷达以及深度点云相机等探测设备中的一种或者几种的结合，也可以是其他具有相同或者相似功能的电子设备，本实施例不作具体限制。
可以理解的是，为了避免出现探测失误，本实施例中采用单线激光雷达、多线激光雷达以及深度点云相机三种探测设备的结合使用，由于三种设备的数据接口不完全一致，因此需要将三种接口的数据进行统一成为三维坐标下的点云信息。
值得说明的是，所述点云信息中包含有障碍物信息，由于障碍物与路网中的道路反射回来的点云信息强度不一样，即可以根据点云信息确定障碍物信息，在实际操作中，根据所述点云信息与机器人的定位信息，可以在三维坐标系中生成一条线段，根据所述线段的长短距离可以调整局部路径下的速度，防止机器人出现损坏。
在具体实现中，由于机器人是不断运动的，因此在三维坐标系中机器人与障碍物之间的线段距离也是不断变化的，因此在获取点云信息后，需要将历史获取的历史点云信息进行删除，即删除整条线段上的曾经被标记为障碍物的点。
进一步地，为了节省电量，增加机器人的续航时间，步骤S301，包括：
控制机器人基于所述目标路径进行移动，并获取所述机器人的定位信息；
根据所述定位信息判断机器人是否到达目标地点；
若否，则获取当前环境信息，并通过当前环境信息确定所述目标路径上是否存在障碍物。
可理解的是，当前环境信息可以是探测设备采集到的机器人所在位置区域的点云信息。
在具体实现中，当机器人根据目标路径进行移动时，如果还没有到达目标地点就停止移动，大概率时当前存在障碍物阻挡了机器人的运动，此时，可以获取当前环境信息以确认所述目标路径上是否存在障碍物。
步骤S302：当所述目标路径上存在障碍物时，获取障碍物位置信息。
可理解的是，障碍物位置信息可以是障碍物与机器人之间的方位、距离以及在路网中的位置等信息，本实施例不作具体限制。
步骤S303：根据所述障碍物位置信息、所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得重构路径。
需要说明的是，当机器人基于目标路径移动时，遇到障碍物会导致当前的目标路径无法到达目标地点，会出现机器人的逻辑故障，导致导航失败，此时需要重新规划去往目标地点的路径，即根据所述障碍物位置信息、所述目标地点以及所述当前路网环境信息通过预设路径规划模型获得的路径，记为重构路径。
应该理解的是，有可能在重新进行路径规划的过程中，获得的重构路径上依然存在有障碍物使得机器人无法到达目标地点，且基于目前的路网信息构建的路径都无法到达目标地点，机器人在重复进行路径规划时，会导致机器人耗费大量的资源，使得机器人产生故障，此时，机器人可以保持静止，并且按照预设频率尝试重新路径规划，并向用户发送提醒信息，所述提醒信息中包含有机器人的当前位置信息，以及更新后的路网信息。
值得说明的是，机器人在出现故障时，可能会有无法向用户发送数据的情况，使得用户无法接受到机器人的定位信息，此时控制机器人停止移动、目标地点导航以及路径规划等，原地静止等待通信功能恢复。
步骤S304：控制机器人基于所述重构路径移动至所述目标地点。
需要说明的是，当机器人基于路网中的所述重构路径移动至所述目标地点的过程中，所述重构路径提供的是一个逻辑上通顺的路径，也就是说按照所述重构路径可以到达目标地点，但是在实际应用中，防止在机器人运动的过程中出现障碍物，速度过快引起机器人的损坏，还需要对于运动过程中的局部路径进行微调，这个微调可以通过预设局部路径规划模型实现。
本实施例通过获取路网中的目标地点以及当前路网环境信息，控制机器人基于所述目标路径进行移动，并检测所述目标路径上是否存在障碍物，当所述目标路径上存在障碍物时，获取障碍物位置信息，根据所述障碍物位置信息、所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得重构路径，控制机器人基于所述重构路径移动至所述目标地点，控制机器人基于所述目标路径移动至所述目标地点。与现有技术相比，本实施例通过获取路网环境信息以及路网中的目标地点，增加了路网约束，安全性更高，并减少了机器人位置丢失的可能性，使得机器人在路网内能够快速的根据路网环境信息不同，获得不同的目标路径，并且当所述目标路径上存在有障碍物使得机器人根据所述目标路径无法到达目标地点时，将会获取障碍物的位置信息，重新进行路径规划，使得机器人在复杂的环境也能够到达目标地点，避免了复杂环境因素影响会导致机器人在自主导航时无法准确的到达目标地点，效率不高的技术问题。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有机器人导航程序，所述机器人导航程序被处理器执行时实现如上文所述的机器人导航方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少县有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
参照图4，图4为本发明机器人导航装置第一实施例的结构框图。
如图4所示，本发明实施例提出的机器人导航装置包括：
信息获取模块10，用于获取路网中的目标地点以及当前路网环境信息。
路径规划模块20，用于将所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得目标路径。
路径导航模块30，用于控制机器人基于所述目标路径移动至所述目标地点。
本实施例通过获取路网中的目标地点以及当前路网环境信息，将所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得目标路径，控制机器人基于所述目标路径移动至所述目标地点。与现有技术相比，本实施例通过获取路网环境信息以及路网中的目标地点，增加了路网约束，安全性更高，并减少了机器人位置丢失的可能性，使得机器人在路网内能够快速的根据路网环境信息不同，获得不同的目标路径，使得机器人在复杂的环境也能够到达目标地点，避免了复杂环境因素影响会导致机器人在自主导航时无法准确的到达目标地点，效率不高的技术问题。
在一实施例中，所述路径导航模块30，还用于控制机器人基于所述目标路径进行移动，并检测所述目标路径上是否存在障碍物，当所述目标路径上存在障碍物时，获取障碍物位置信息，根据所述障碍物位置信息、所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得重构路径，控制机器人基于所述重构路径移动至所述目标地点。
在一实施例中，所述路径导航模块30，还用于控制机器人基于所述目标路径进行移动，并获取所述机器人的定位信息，根据所述定位信息判断机器人是否到达目标地点，若否，则获取当前环境信息，并通过当前环境信息确定所述目标路径上是否存在障碍物。
在一实施例中，所述路径导航模块30，还用于根据所述目标路径通过预设速度预测模型进行速度预测，获得目标速度，控制机器人基于所述目标路径移动至所述目标地点，包括：控制机器人以所述目标速度基于所述目标路径移动至所述目标地点。
在一实施例中，所述路径导航模块30，还用于获取机器人的移动速度样本以及所述移动速度样本对应的评价样本，根据所述移动速度样本以及所述评价样本通过初始速度预测模型进行训练，获得预设速度预测模型。
在一实施例中，所述路径规划模块20，还用于获取路网环境对应的若干路径规划模型，根据所述当前路网环境从所述若干路径规划模型中确定预设路径规划模型。
在一实施例中，所述路径规划模块20，还用于获取目标地点样本以及所述目标地点样本对应的目标路径样本，根据所述目标地点样本以及所述目标路径样本通过初始速度预测模型进行训练，获得若干路径规划模型。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的机器人导航方法，此处不再赘述。
此外，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、物品或者系统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(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种机器人导航方法，其特征在于，所述机器人导航方法包括：
获取路网中的目标地点以及当前路网环境信息；
将所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得目标路径；
控制机器人基于所述目标路径移动至所述目标地点。
2.如权利要求1所述的机器人导航方法，其特征在于，所述控制机器人基于所述目标路径移动至所述目标地点的步骤，包括：
控制机器人基于所述目标路径进行移动，并检测所述目标路径上是否存在障碍物；
当所述目标路径上存在障碍物时，获取障碍物位置信息；
根据所述障碍物位置信息、所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得重构路径；
控制机器人基于所述重构路径移动至所述目标地点。
3.如权利要求2所述的机器人导航方法，其特征在于，所述控制机器人基于所述目标路径进行移动，并检测所述目标路径上是否存在障碍物的步骤，包括：
控制机器人基于所述目标路径进行移动，并获取所述机器人的定位信息；
根据所述定位信息判断机器人是否到达目标地点；
若否，则获取当前环境信息，并通过当前环境信息确定所述目标路径上是否存在障碍物。
4.如权利要求1-3任一项所述的机器人导航方法，其特征在于，所述控制机器人基于所述目标路径移动至所述目标地点的步骤之前，还包括：
根据所述目标路径通过预设速度预测模型进行速度预测，获得目标速度；
控制机器人基于所述目标路径移动至所述目标地点，包括：
控制机器人以所述目标速度基于所述目标路径移动至所述目标地点。
5.如权利要求4所述的机器人导航方法，其特征在于，所述根据所述目标路径通过预设速度预测模型进行速度预测，获得目标速度的步骤之前，还包括：
获取机器人的移动速度样本以及所述移动速度样本对应的评价样本；
根据所述移动速度样本以及所述评价样本通过初始速度预测模型进行训练，获得预设速度预测模型。
6.如权利要求1-3任一项所述的机器人导航方法，其特征在于，所述将所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得目标路径的步骤之前，还包括：
获取路网环境对应的若干路径规划模型；
根据所述当前路网环境从所述若干路径规划模型中确定预设路径规划模型。
7.如权利要求6所述的机器人导航方法，其特征在于，所述获取路网环境对应的若干路径规划模型的步骤之前，还包括：
获取目标地点样本以及所述目标地点样本对应的目标路径样本；
根据所述目标地点样本以及所述目标路径样本通过初始路径规划模型进行训练，获得若干路径规划模型。
8.一种机器人导航装置，其特征在于，所述机器人导航装置包括：
信息获取模块，用于获取路网中的目标地点以及当前路网环境信息；
路径规划模块，用于将所述目标地点以及所述当前路网环境信息通过预设路径规划模型，获得目标路径；
路径导航模块，用于控制机器人基于所述目标路径移动至所述目标地点。
9.一种机器人导航设备，其特征在于，所述机器人导航设备包括：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机器人导航程序，所述机器人导航程序配置为实现如权利要求1至7中任一项所述的机器人导航方法。
10.一种存储介质，其特征在于，所述存储介质上存储有机器人导航程序，所述机器人导航程序被处理器执行时实现如权利要求1至7任一项所述的机器人导航方法。
CN202111077572.6A 2021-09-14 2021-09-14 机器人导航方法、装置、设备及存储介质 Pending CN113848893A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111077572.6A CN113848893A (zh) 2021-09-14 2021-09-14 机器人导航方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111077572.6A CN113848893A (zh) 2021-09-14 2021-09-14 机器人导航方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113848893A true CN113848893A (zh) 2021-12-28

Family

ID=78973862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111077572.6A Pending CN113848893A (zh) 2021-09-14 2021-09-14 机器人导航方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113848893A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114485621A (zh) * 2022-02-08 2022-05-13 达闼机器人股份有限公司 导航方法、装置及计算机可读存储介质
CN116209030A (zh) * 2023-05-06 2023-06-02 四川中普盈通科技有限公司 一种移动平台抗弱网通信网关接入方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106406320A (zh) * 2016-11-29 2017-02-15 重庆重智机器人研究院有限公司 机器人路径规划方法及规划路线的机器人
CN107272705A (zh) * 2017-07-31 2017-10-20 中南大学 一种智能环境下机器人路径的多神经网络控制规划方法
CN107643752A (zh) * 2017-05-09 2018-01-30 清研华宇智能机器人（天津）有限责任公司 基于行人轨迹预测的全向移动机器人路径规划算法
CN109753071A (zh) * 2019-01-10 2019-05-14 上海物景智能科技有限公司 一种机器人贴边行走方法及系统
CN110220524A (zh) * 2019-04-23 2019-09-10 炬星科技（深圳）有限公司 路径规划方法、电子设备、机器人及计算机可读存储介质
CN110549339A (zh) * 2019-09-11 2019-12-10 上海软中信息系统咨询有限公司 一种导航方法、装置、导航机器人和存储介质
CN112327326A (zh) * 2020-10-15 2021-02-05 深圳华芯信息技术股份有限公司 带有障碍物三维信息的二维地图生成方法、系统以及终端
CN112325884A (zh) * 2020-10-29 2021-02-05 广西科技大学 一种基于dwa的ros机器人局部路径规划方法
CN112611374A (zh) * 2020-10-29 2021-04-06 华中科技大学鄂州工业技术研究院 基于激光雷达和深度相机的路径规划及避障的方法及系统
CN113110451A (zh) * 2021-04-14 2021-07-13 浙江工业大学 一种深度相机与单线激光雷达融合的移动机器人避障方法
CN113108796A (zh) * 2021-04-19 2021-07-13 北京有竹居网络技术有限公司 导航方法、装置、存储介质及设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106406320A (zh) * 2016-11-29 2017-02-15 重庆重智机器人研究院有限公司 机器人路径规划方法及规划路线的机器人
CN107643752A (zh) * 2017-05-09 2018-01-30 清研华宇智能机器人（天津）有限责任公司 基于行人轨迹预测的全向移动机器人路径规划算法
CN107272705A (zh) * 2017-07-31 2017-10-20 中南大学 一种智能环境下机器人路径的多神经网络控制规划方法
CN109753071A (zh) * 2019-01-10 2019-05-14 上海物景智能科技有限公司 一种机器人贴边行走方法及系统
CN110220524A (zh) * 2019-04-23 2019-09-10 炬星科技（深圳）有限公司 路径规划方法、电子设备、机器人及计算机可读存储介质
CN110549339A (zh) * 2019-09-11 2019-12-10 上海软中信息系统咨询有限公司 一种导航方法、装置、导航机器人和存储介质
CN112327326A (zh) * 2020-10-15 2021-02-05 深圳华芯信息技术股份有限公司 带有障碍物三维信息的二维地图生成方法、系统以及终端
CN112325884A (zh) * 2020-10-29 2021-02-05 广西科技大学 一种基于dwa的ros机器人局部路径规划方法
CN112611374A (zh) * 2020-10-29 2021-04-06 华中科技大学鄂州工业技术研究院 基于激光雷达和深度相机的路径规划及避障的方法及系统
CN113110451A (zh) * 2021-04-14 2021-07-13 浙江工业大学 一种深度相机与单线激光雷达融合的移动机器人避障方法
CN113108796A (zh) * 2021-04-19 2021-07-13 北京有竹居网络技术有限公司 导航方法、装置、存储介质及设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114485621A (zh) * 2022-02-08 2022-05-13 达闼机器人股份有限公司 导航方法、装置及计算机可读存储介质
WO2023151548A1 (zh) * 2022-02-08 2023-08-17 达闼机器人股份有限公司 导航方法、装置、程序及计算机可读存储介质
CN116209030A (zh) * 2023-05-06 2023-06-02 四川中普盈通科技有限公司 一种移动平台抗弱网通信网关接入方法及系统
CN116209030B (zh) * 2023-05-06 2023-08-18 四川中普盈通科技有限公司 一种移动平台抗弱网通信网关接入方法及系统

Similar Documents

Publication Publication Date Title
JP7367183B2 (ja) 占有予測ニューラルネットワーク
Cimurs et al. Goal-driven autonomous exploration through deep reinforcement learning
US11059174B2 (en) System and method of controlling obstacle avoidance of robot, robot and storage medium
Ganeshmurthy et al. Path planning algorithm for autonomous mobile robot in dynamic environment
EP1733287B1 (en) System and method for adaptive path planning
JP2022516383A (ja) 自律型車両の計画
Rothermich et al. Distributed localization and mapping with a robotic swarm
US12086696B2 (en) Using a recursive reinforcement model to determine an agent action
CN113848893A (zh) 机器人导航方法、装置、设备及存储介质
WO2021073781A1 (en) Prediction and planning for mobile robots
CN114829225A (zh) 自主载具的条件行为预测
WO2021244956A1 (en) Generating simulation environments for testing av behaviour
EP4399061A1 (en) Coordination of multiple robots using graph neural networks
WO2020172322A1 (en) Controlling agents using latent plans
CN113158779B (zh) 一种行走方法、装置和计算机存储介质
KR20190140491A (ko) 대상체의 예측 경로 데이터를 생성하는 방법, 장치 및 무인 차량
US12106528B2 (en) Generating scene flow labels for point clouds using object labels
US20240255956A1 (en) Information processing device, information processing system, information processing method, and program
CN114571460A (zh) 机器人控制方法、装置及存储介质
CN112393719B (zh) 一种栅格语义地图生成方法、装置以及存储设备
CN117232531B (zh) 机器人导航规划方法及存储介质和终端设备
Causse et al. A man machine interface for a mobile robot
US20240208493A1 (en) Trajectory correction system and method therefor
Küçükyılmaz et al. ROS Compatible Local Planner and Controller Based on Reinforcement Learning
CN115164903A (zh) 基于局部路径点生成的分层无地图导航方法及装置

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