CN113985894A - 一种自主避障路径规划方法、装置、设备及存储介质 - Google Patents

一种自主避障路径规划方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113985894A
CN113985894A CN202111435324.4A CN202111435324A CN113985894A CN 113985894 A CN113985894 A CN 113985894A CN 202111435324 A CN202111435324 A CN 202111435324A CN 113985894 A CN113985894 A CN 113985894A
Authority
CN
China
Prior art keywords
path
target area
area
mobile robot
grid map
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
CN202111435324.4A
Other languages
English (en)
Inventor
郭君斌
于传强
李游
杜文正
李若亭
王俊提
孙晓艳
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.)
Rocket Force University of Engineering of PLA
Original Assignee
Rocket Force University of Engineering of PLA
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 Rocket Force University of Engineering of PLA filed Critical Rocket Force University of Engineering of PLA
Priority to CN202111435324.4A priority Critical patent/CN113985894A/zh
Publication of CN113985894A publication Critical patent/CN113985894A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Abstract

本发明涉及一种自主避障路径规划方法、装置、设备及存储介质，其包括：根据移动机器人周围环境的点云数据与目标区域栅格地图，得到目标区域的场景栅格地图；根据所述目标区域的场景栅格地图，划分多个拟行走区域，并计算所述多个拟行走区域的概率路径矢量；根据所述多个拟行走区域的概率路径矢量，选择移动机器人的无障碍移动路径；根据所述无障碍初始移动路径，探索所述目标区域，直至对所述目标区域的探索达到预设要求。本发明提供的一种自主避障路径规划方法、装置、设备及存储介质获取周围环境的点云数据，建立目标区域的栅格地图，进行自主避障规划路径，完成探索，规划效率高、重复覆盖率低。

Description

一种自主避障路径规划方法、装置、设备及存储介质
技术领域
本发明涉及机器人自主导航技术领域，尤其涉及一种自主避障路径规划方法、装置、设备及存储介质。
背景技术
随着传感器和人工智能技术的发展，人们开始为轮式移动设备引入越来越多的传感器和智能算法，不断增强其环境感知和灵活运动的能力，逐渐发展出新一代自主移动机器人，移动机器人也从最初的大学实验室及科研机构的应用人工智能研究平台，发展到与人们的生活密不可分，在军事、航空、消防、交通、工农业和服务业等多个领域有着广泛的应用与广阔的前景。移动机器人是一个集环境感知，动态决策与规划，行为控制与执行等多功能于一体的综合系统。对于移动机器人，路径规划是其中最复杂、核心的问题，尤其是在未知环境中自动规划路径与规避障碍。未知环境移动机器人探测通常要实现完全遍历。完全遍历路径规划是一种特殊的路径规划，在完全遍历路径规划中移动机器人没有被设定最终的目标点，要求机器人能自主寻找一条走遍工作空间内所有可达区域的路径，并保证所规划路径的合理性或最优性。
目前未知环境的路径规划算法主要有随机覆盖遍历法和沿边学习法。在随机覆盖遍历法该策略下机器人不断地向前运行，撞到一个物体后随机转过一个角度并继续向前运行，以此来达到完全遍历的效果；沿边学习法对全局环境进行建模，根据已有的环境模型进行局部路径规划，
随机覆盖遍历法在工作时间、能量损耗、重复覆盖率等方面难以满足需求；而沿边学习法的路径规划效率低。
发明内容
有鉴于此，有必要提供一种自主避障路径规划方法、装置、设备及存储介质，用以解决现有技术中机器人自主避障路径规划方法规划效率低、能量损耗高、重复覆盖率高的问题。
为达到上述技术目的，本发明采取了以下技术方案：
第一方面，本发明提供了一种自主避障路径规划方法，应用于移动机器人，包括：
根据移动机器人周围环境的点云数据与目标区域栅格地图，得到目标区域的场景栅格地图；
根据目标区域的场景栅格地图，划分多个拟行走区域，并计算每个拟行走区域的概率路径矢量；
根据多个拟行走区域的概率路径矢量，选择移动机器人的无障碍移动路径；
根据无障碍初始移动路径，探索目标区域，直至对目标区域的探索达到预设要求。
优选的，根据移动机器人周围环境的点云数据与目标区域栅格地图，得到目标区域的场景栅格地图，包括：
将移动机器人的探索区域设置为目标区域，获取移动机器人周围环境的点云数据；
根据预设算法以及移动机器人周围环境的点云数据构建移动机器人周围环境的三维点云地图；
根据目标区域构建目标区域栅格地图；
将三维点云地图与目标区域栅格地图进行映射，得到目标区域的场景栅格地图。
优选的，目标区域的场景栅格地图分为灰、白、黑三个部分，其中，灰色部分为目标区域内无激光点扫描的区域，该像素点赋值为-1；白色部分为在目标区域内激光点扫描无障碍的部分，该像素点赋值为0；黑色部分为在目标区域内激光点扫描有障碍的部分，像素点赋值为100。
优选的，拟行走区域的中心包含一条路径射线，根据目标区域的场景栅格地图，划分多个拟行走区域，并计算每个拟行走区域的概率路径矢量，包括：
以移动机器人为中心，根据目标区域的场景栅格地图，划分多个拟行走区域；
根据目标区域的场景栅格地图，计算每个拟行走区域的路径射线的概率路径矢量。
优选的，根据每个拟行走区域的概率路径矢量，选择移动机器人的无障碍移动路径，包括：
根据每个拟行走区域的路径射线的概率路径矢量，计算每个拟行走区域的可达值；
根据每个拟行走区域的可达值，得到可达值最大的拟行走区域，即为初始路径区域；
根据初始路径区域，选择移动机器人的无障碍移动路径。
优选的，根据初始路径区域，选择移动机器人的无障碍移动路径，包括：
根据初始路径区域内的概率路径矢量，规避像素点赋值为100的区域，得到无障碍的初始路径区域；
根据无障碍的初始路径区域，选择像素点赋值为-1的最长概率路径，即为移动机器人的无障碍移动路径。
优选的，根据无障碍初始移动路径，探索目标区域，直至对目标区域的探索达到预设要求，包括：
移动机器人按照无障碍移动路径移动，每次移动都更新目标区域的场景栅格地图；
计算更新后的目标区域的场景栅格地图中灰色区域的占比；
当灰色区域的占比高于预设要求时，根据更新后的目标区域的场景栅格地图重新规划无障碍移动路径，直至灰色区域的占比低于预设要求，即完成目标区域的避障路径规划。
第二方面，本发明还提供了一种自主避障路径规划装置，应用于一种移动机器人，包括：
建图模块，用于根据移动机器人周围环境的点云数据与目标区域栅格地图，得到目标区域的场景栅格地图；
计算模块，用于根据目标区域的场景栅格地图，划分多个拟行走区域，并计算多个拟行走区域的概率路径矢量；
规划模块，用于根据多个拟行走区域的概率路径矢量，选择移动机器人的无障碍移动路径；
探索模块，用于根据无障碍初始移动路径，探索目标区域，直至对目标区域的探索达到预设要求。
第三方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，
存储器，用于存储程序；
处理器，与存储器耦合，用于执行存储器中存储的程序，以实现上述任一种实现方式中的自主避障路径规划方法中的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述任一种实现方式中的自主避障路径规划方法中的步骤。
采用上述实施例的有益效果是：本发明提供的一种自主避障路径规划方法、装置、设备及存储介质，将周围环境的点云数据与目标区域的栅格地图结合起来，通过计算概率路径矢量，选择最长的无障碍移动路径探索目标区域，直至对目标区域的探索达到预设要求，本发明的自主避障路径规划方法路径规划效率高、能量损耗低、重复覆盖率低。
附图说明
图1为本发明提供的自主避障路径规划方法的一实施例的流程示意图；
图2为图1中步骤S101的一实施例的流程示意图；
图3为本发明提供的八分探测区域划分的一实施例的效果示意图；
图4为图1中步骤S103的一实施例的流程示意图；
图5为图1中步骤S104的一实施例的流程示意图；
图6为本发明提供的自主避障路径规划装置的一实施例的结构示意图；
图7为本发明实施例提供的自主避障路径规划电子设备的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种自主避障路径规划方法、装置、设备及存储介质，以下分别进行说明。
请参阅图1，图1为本发明提供的自主避障路径规划方法的一实施例的流程示意图，本发明的一个具体实施例，公开了一种自主避障路径规划方法，应用于移动机器人，包括：
S101、根据移动机器人周围环境的点云数据与目标区域栅格地图，得到目标区域的场景栅格地图；
S102、根据目标区域的场景栅格地图，划分多个拟行走区域，并计算每个拟行走区域的概率路径矢量；
S103、根据多个拟行走区域的概率路径矢量，选择移动机器人的无障碍移动路径；
S104、根据无障碍初始移动路径，探索目标区域，直至对目标区域的探索达到预设要求。
在步骤S101中，通过移动机器人上设置的设备采集移动机器人周围环境的点云数据，可以知道周围环境的障碍物情况，将周围环境的点云数据与目标区域栅格地图相结合，得到了具有周围环境障碍物情况的目标区域的场景栅格地图。
在步骤S102中，以移动机器人为中心，根据目标区域的场景栅格地图，划分出多个拟行走区域，拟行走区域就是移动机器人可能的移动区域范围，每个拟行走区域的中心存在一条路径射线，计算出每个拟行走区域的概率路径矢量。
在步骤S103中，比较每个拟行走区域的概率路径矢量，其中概率路径矢量最大的拟行走区域为初始移动区域，然后计算在初始移动区域内未探索的无障碍区域的最大可达值路径，即为移动机器人的无障碍移动路径。
在步骤S104中，移动机器人根据无障碍移动路径对目标区域进行探索，移动机器人每次移动都重新获取周围环境的点云数据，然后更新目标区域栅格地图，统计未探索区域的比例，若未达到预设要求，则自主更新移动机器人的路径继续探索，直到探索区域的比例达到了预设要求。
可以理解的是，移动机器人需要配备激光雷达传感器，能够对一定范围内的场景进行激光探测感知以生成移动机器人周围环境的三维点云地图。需要说明的是，作为优选的实施例，移动机器人探测范围转换为栅格地图时，格网大小低于10cm。
与现有技术相比，本实施例提供的一种自主避障路径规划方法、装置、设备及存储介质，将周围环境的点云数据与目标区域的栅格地图结合起来，通过计算概率路径矢量，选择最长的无障碍移动路径探索目标区域，直至对目标区域的探索达到预设要求，本发明的自主避障路径规划方法路径规划效率高、能量损耗低、重复覆盖率低。
请参阅图2，图2为图1中步骤S101的一实施例的流程示意图，在本发明的一些实施例中，根据移动机器人周围环境的点云数据与目标区域栅格地图，得到目标区域的场景栅格地图，包括：
S201、将移动机器人的探索区域设置为目标区域，获取移动机器人周围环境的点云数据；
S202、根据预设算法以及移动机器人周围环境的点云数据构建移动机器人周围环境的三维点云地图；
S203、根据目标区域构建目标区域栅格地图；
S204、将三维点云地图与目标区域栅格地图进行映射，得到目标区域的场景栅格地图。
在步骤S201中，将移动机器人放置在目标区域内，探索任务的范围导入进移动机器人内的微型计算机，开启移动机器人自带的激光雷达传感器，移动机器人能够扫描周围环境，并记录为点云数据。
在步骤S202中，作为优选的实施例，预设算法采用GMapping SLAM算法，通过GMapping SLAM算法对移动机器人采集的周围环境的点云数据进行构建移动机器人周围环境的三维点云地图。
在步骤S203中，移动机器人内的微型计算机根据导入的探索任务的范围，构建出目标区域的栅格地图，目标区域为需要进行探索的区域，为了进行区分表示，将其先全部设置成灰色。
在步骤S204中，将步骤S202中的移动机器人周围环境的三维点云地图与步骤S203中的目标区域的栅格地图进行映射，将点云数据添加到目标区域的栅格地图上，得到目标区域的场景栅格地图，包含了移动机器人通过激光雷达得到的周围环境信息。
在上述实施例中，根据任务设置探索区域范围，然后导入到移动机器人内的微型计算机，通过移动机器人的激光雷达扫描周围环境，并记录为点云数据，通过GMappingSLAM算法构建移动机器人周围环境的三维点云地图，再构建出目标区域的栅格地图，将移动机器人周围环境的三维点云地图与目标区域的栅格地图映射，得到包含了移动机器人周围环境信息的目标区域的场景栅格地图。
在本发明的一些实施例中，目标区域的场景栅格地图分为灰、白、黑三个部分，其中，灰色部分为目标区域内无激光点扫描的区域，该像素点赋值为-1；白色部分为在目标区域内激光点扫描无障碍的部分，该像素点赋值为0；黑色部分为在目标区域内激光点扫描有障碍的部分，像素点赋值为100。
在上述实施例中，通过给目标区域的场景栅格地图赋予不同的颜色和像素值，可以区分每个区域的属性，其中，目标区域的场景栅格地图中灰色的部分表示的是无激光点扫描的未知区域，像素点赋值为-1，需要对其进行探索，路径规划也主要针对该区域；白色部分表示的是有激光点扫描无障碍的已知区域，像素点赋值为0，该区域可以行走但规划路径时尽量避免该区域以降低重复覆盖率；黑色部分表示的是有激光点扫描且存在障碍的已知区域，像素点赋值为100，该区域不能行走，在规划路径的时候要规避该部分，以避免碰撞，降低能量损耗。
请参阅图3，图3为本发明提供的八分探测区域划分的一实施例的效果示意图，在本发明的一些实施例中，拟行走区域的中心包含一条路径射线，根据目标区域的场景栅格地图，划分多个拟行走区域，并计算每个拟行走区域的概率路径矢量，包括：
以移动机器人为中心，根据目标区域的场景栅格地图，划分多个拟行走区域；
根据目标区域的场景栅格地图，计算每个拟行走区域的路径射线的概率路径矢量。
在上述实施例中，以移动机器人为中心，采用八分扫描法将移动机器人行走的区域划分为上下左右和上左、上右、下左、下右八个方向，每个前进的方向之间都有45°的间隔，上方向以获得地图的左下角为原点，正右方为右，正上方为上来规定，其值不随机器人的朝向所改变。在八个前进方向上选取一定角度范围作为机器人的拟行走区域，拟行走区域的中心线即为路径射线。
根据路径射线与场地地图进行运算得到概率路径矢量(i,j,Grey)d，若路径射线经过方向的场景栅格地图像素值为100，路径停止，记录其像素值；若像素值为0或-1，路径射线继续直至到停止或到场景栅格地图边界，计算所有拟行走区域的概率路径矢量，概率路径矢量为选择初始移动区域及无障碍移动路径提供了数据支持。
可以理解的是，在机器人运动的过程中，每一次移动只能从这规定的八个方向中选出一个最佳方向。对每个区域在进一步离散化，以移动机器人为中心(x,y)，区域中心线为主方向，按照给定的角度间隔从构建路径射线。角度间隔根据移动机器人尺寸来设置，最大不超过5度，最小不低于3度。
请参阅图4，图4为图1中步骤S103的一实施例的流程示意图，在本发明的一些实施例中，根据每个拟行走区域的概率路径矢量，选择移动机器人的无障碍移动路径，包括：
S401、根据每个拟行走区域的路径射线的概率路径矢量，计算每个拟行走区域的可达值；
S402、根据每个拟行走区域的可达值，得到可达值最大的拟行走区域，即为初始路径区域；
S403、根据初始路径区域，选择移动机器人的无障碍移动路径。
在步骤S401中，区域可达值的计算公式下：
Figure BDA0003381411030000101
式中，RVk表示第k个区域的可达值，d为概率路径矢量的编号，(i,j)为概率路径矢量的位置值，(x,y)为当前机器人中心位置坐标。通过该公式计算每个拟行走区域的可达值。
在步骤S402中，比较每个拟行走区域的可达值，选择可达值最大的拟行走区域作为移动机器人初始规划路径区域。
在步骤S403中，根据初始路径区域的概率路径矢量中的像素值自动规避障碍像素值为黑色的区域，从而规划出移动机器人的无障碍移动路径。
在上述实施例中，根据拟行走区域的概率路径矢量选择初始规划路径区域是一个递归迭代的过程，在移动机器人运动的过程中，需要不断的选择新的初始规划路径区域，移动机器人的无障碍移动路径的选择也需要进行地柜迭代。
在本发明的一些实施例中，根据初始路径区域，选择移动机器人的无障碍移动路径，包括：
根据初始路径区域内的概率路径矢量，规避像素点赋值为100的区域，得到无障碍的初始路径区域；
根据无障碍的初始路径区域，选择像素点赋值为-1的最长概率路径，即为移动机器人的无障碍移动路径。
在上述实施例中，根据区域内概率路径矢量中的像素值排除像素灰度值为100的障碍路径达到自动规避障碍目的，在此基础上选择概率路径矢量为灰色像素且路径最长的概率路径作为移动机器人选择的行进路径。
可以理解的是，根据初始路径区域，选择移动机器人的无障碍移动路径也是一个递归迭代的过程。
请参阅图5，图5为图1中步骤S104的一实施例的流程示意图，在本发明的一些实施例中，根据无障碍初始移动路径，探索目标区域，直至对目标区域的探索达到预设要求，包括：
S501、移动机器人按照无障碍移动路径移动，每次移动都更新目标区域的场景栅格地图；
S502、计算更新后的目标区域的场景栅格地图中灰色区域的占比；
S503、当灰色区域的占比高于预设要求时，根据更新后的目标区域的场景栅格地图重新规划无障碍移动路径，直至灰色区域的占比低于预设要求，即完成目标区域的避障路径规划。
在步骤S501中，移动机器人按照步骤S103中选择的无障碍初始移动路径进行运动，每次移动之后移动机器人都重新扫描周围环境，采集周围环境的点云数据，并更新目标区域的场景栅格地图。
在步骤S502中，更新目标区域的场景栅格地图之后，统计其中灰色区域的大小，并与目标区域的场景栅格地图的大小计算出灰色区域的占比。
在步骤S503中，移动机器人的路径规划是为了在灰色区域内进行探索，了解周围的环境，当灰色区域的占比高于预设要求时，根据更新后的目标区域的场景栅格地图重新规划无障碍移动路径，并继续移动、更新目标区域的场景栅格地图重以及计算更新后的目标区域的场景栅格地图中灰色区域的占比，直到灰色区域的占比达到了预设要求。
在上述实施例中，移动机器人根据选择的无障碍路径进行移动，每次移动后都需要重复更新目标区域的场景栅格地图，判断其中灰色区域的占比是否达到了预设要求，若未达到要求，则重新选择无障碍路径，并继续移动，直至灰色区域的占比达到了预设要求，实现了移动机器人在未知环境下的自主避障路径规划。
需要说明的是，当拟行走区域的可达值相近时，以保持与上一个选择的初始路径区域的惯性优先，即优先选择与上一个时刻方位最接近的拟行走区域作为路径规划区域。未知灰色区域比例阈值根据探测精细度来设定，一般设置为低于5％即完成探测任务。
为了更好实施本发明实施例中的自主避障路径规划方法，在自主避障路径规划方法基础之上，对应的，请参阅图6，图6为本发明提供的自主避障路径规划装置的一实施例的结构示意图，本发明实施例提供了一种自主避障路径规划装置600，包括：
建图模块601，用于根据移动机器人周围环境的点云数据与目标区域栅格地图，得到目标区域的场景栅格地图；
计算模块602，用于根据目标区域的场景栅格地图，划分多个拟行走区域，并计算多个拟行走区域的概率路径矢量；
规划模块603，用于根据多个拟行走区域的概率路径矢量，选择移动机器人的无障碍移动路径；
探索模块604，用于根据无障碍初始移动路径，探索目标区域，直至对目标区域的探索达到预设要求。
这里需要说明的是：上述实施例提供的装置600可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
请参阅图7，图7为本发明实施例提供的自主避障路径规划电子设备的结构示意图。基于上述自主避障路径规划方法，本发明还相应提供了一种自主避障路径规划设备，自主避障路径规划设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该自主避障路径规划设备包括处理器710、存储器720及显示器730。图7仅示出了电子设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器720在一些实施例中可以是自主避障路径规划设备的内部存储单元，例如自主避障路径规划设备的硬盘或内存。存储器720在另一些实施例中也可以是自主避障路径规划设备的外部存储设备，例如自主避障路径规划设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器720还可以既包括自主避障路径规划设备的内部存储单元也包括外部存储设备。存储器720用于存储安装于自主避障路径规划设备的应用软件及各类数据，例如安装自主避障路径规划设备的程序代码等。存储器720还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器720上存储有自主避障路径规划程序740，该自主避障路径规划程序740可被处理器710所执行，从而实现本申请各实施例的自主避障路径规划方法。
处理器710在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器720中存储的程序代码或处理数据，例如执行自主避障路径规划方法等。
显示器730在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器730用于显示在自主避障路径规划设备的信息以及用于显示可视化的用户界面。自主避障路径规划设备的部件710-730通过系统总线相互通信。
在一实施例中，当处理器710执行存储器720中自主避障路径规划程序740时实现如上的自主避障路径规划方法中的步骤。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种自主避障路径规划方法，应用于移动机器人，其特征在于，包括：
根据移动机器人周围环境的点云数据与目标区域栅格地图，得到目标区域的场景栅格地图；
根据所述目标区域的场景栅格地图，划分多个拟行走区域，并计算每个所述拟行走区域的概率路径矢量；
根据每个所述拟行走区域的概率路径矢量，选择移动机器人的无障碍移动路径；
根据所述无障碍初始移动路径，探索所述目标区域，直至对所述目标区域的探索达到预设要求。
2.根据权利要求1所述的自主避障路径规划方法，其特征在于，所述根据移动机器人周围环境的点云数据与目标区域栅格地图，得到目标区域的场景栅格地图，包括：
将移动机器人的探索区域设置为目标区域，获取移动机器人周围环境的点云数据；
根据预设算法以及所述移动机器人周围环境的点云数据构建移动机器人周围环境的三维点云地图；
根据目标区域构建目标区域栅格地图；
将所述三维点云地图与目标区域栅格地图进行映射，得到目标区域的场景栅格地图。
3.根据权利要求2所述的自主避障路径规划方法，其特征在于，所述目标区域的场景栅格地图分为灰、白、黑三个部分，其中，灰色部分为目标区域内无激光点扫描的区域，该像素点赋值为-1；白色部分为在目标区域内激光点扫描无障碍的部分，该像素点赋值为0；黑色部分为在目标区域内激光点扫描有障碍的部分，像素点赋值为100。
4.根据权利要求1所述的自主避障路径规划方法，其特征在于，所述拟行走区域的中心包含一条路径射线，所述根据所述目标区域的场景栅格地图，划分多个拟行走区域，并计算每个所述拟行走区域的概率路径矢量，包括：
以移动机器人为中心，根据所述目标区域的场景栅格地图，划分多个拟行走区域；
根据所述目标区域的场景栅格地图，计算每个所述拟行走区域的路径射线的概率路径矢量。
5.根据权利要求3所述的自主避障路径规划方法，其特征在于，所述根据每个所述拟行走区域的概率路径矢量，选择移动机器人的无障碍移动路径，包括：
根据每个所述拟行走区域的路径射线的概率路径矢量，计算每个拟行走区域的可达值；
根据所述每个拟行走区域的可达值，得到可达值最大的拟行走区域，即为初始路径区域；
根据所述初始路径区域，选择移动机器人的无障碍移动路径。
6.根据权利要求5所述的自主避障路径规划方法，其特征在于，所述根据所述初始路径区域，选择移动机器人的无障碍移动路径，包括：
根据所述初始路径区域内的概率路径矢量，规避像素点赋值为100的区域，得到无障碍的初始路径区域；
根据所述无障碍的初始路径区域，选择像素点赋值为-1的最长概率路径，即为移动机器人的无障碍移动路径。
7.根据权利要求1所述的自主避障路径规划方法，其特征在于，所述根据所述无障碍初始移动路径，探索所述目标区域，直至对所述目标区域的探索达到预设要求，包括：
移动机器人按照所述无障碍移动路径移动，每次移动都更新所述目标区域的场景栅格地图；
计算所述更新后的目标区域的场景栅格地图中灰色区域的占比；
当所述灰色区域的占比高于预设要求时，根据所述更新后的目标区域的场景栅格地图重新规划无障碍移动路径，直至所述灰色区域的占比低于预设要求，即完成目标区域的避障路径规划。
8.一种自主避障路径规划装置，应用于一种移动机器人，其特征在于，包括：
建图模块，用于根据移动机器人周围环境的点云数据与目标区域栅格地图，得到目标区域的场景栅格地图；
计算模块，用于根据所述目标区域的场景栅格地图，划分多个拟行走区域，并计算所述多个拟行走区域的概率路径矢量；
规划模块，用于根据所述多个拟行走区域的概率路径矢量，选择移动机器人的无障碍移动路径；
探索模块，用于根据所述无障碍初始移动路径，探索所述目标区域，直至对所述目标区域的探索达到预设要求。
9.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任一项所述自主避障路径规划方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1至7中任一项所述自主避障路径规划方法中的步骤。
CN202111435324.4A 2021-11-29 2021-11-29 一种自主避障路径规划方法、装置、设备及存储介质 Pending CN113985894A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111435324.4A CN113985894A (zh) 2021-11-29 2021-11-29 一种自主避障路径规划方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111435324.4A CN113985894A (zh) 2021-11-29 2021-11-29 一种自主避障路径规划方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113985894A true CN113985894A (zh) 2022-01-28

Family

ID=79732559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111435324.4A Pending CN113985894A (zh) 2021-11-29 2021-11-29 一种自主避障路径规划方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113985894A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114543808A (zh) * 2022-02-11 2022-05-27 杭州萤石软件有限公司 室内重定位方法、装置、设备及存储介质
CN114859942A (zh) * 2022-07-06 2022-08-05 北京云迹科技股份有限公司 一种机器人运动控制方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108120441A (zh) * 2016-11-28 2018-06-05 沈阳新松机器人自动化股份有限公司 全覆盖路径规划方法及系统
CN109947114A (zh) * 2019-04-12 2019-06-28 南京华捷艾米软件科技有限公司 基于栅格地图的机器人全覆盖路径规划方法、装置及设备
CN110595478A (zh) * 2019-09-16 2019-12-20 北京华捷艾米科技有限公司 基于离线地图的机器人全覆盖路径规划方法、装置及设备
JP2021096602A (ja) * 2019-12-16 2021-06-24 村田機械株式会社 経路計画装置、経路計画方法及び自律走行台車

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108120441A (zh) * 2016-11-28 2018-06-05 沈阳新松机器人自动化股份有限公司 全覆盖路径规划方法及系统
CN109947114A (zh) * 2019-04-12 2019-06-28 南京华捷艾米软件科技有限公司 基于栅格地图的机器人全覆盖路径规划方法、装置及设备
CN110595478A (zh) * 2019-09-16 2019-12-20 北京华捷艾米科技有限公司 基于离线地图的机器人全覆盖路径规划方法、装置及设备
JP2021096602A (ja) * 2019-12-16 2021-06-24 村田機械株式会社 経路計画装置、経路計画方法及び自律走行台車

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈鹏 等: "移动机器人混合式全遍历覆盖路径规划算法", 山东理工大学学报(自然科学版), no. 05, pages 22 - 27 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114543808A (zh) * 2022-02-11 2022-05-27 杭州萤石软件有限公司 室内重定位方法、装置、设备及存储介质
CN114859942A (zh) * 2022-07-06 2022-08-05 北京云迹科技股份有限公司 一种机器人运动控制方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Tang et al. Geometric A-star algorithm: An improved A-star algorithm for AGV path planning in a port environment
US10593110B2 (en) Method and device for computing a path in a game scene
US11016491B1 (en) Trajectory planning for mobile robots
Dryanovski et al. Multi-volume occupancy grids: An efficient probabilistic 3D mapping model for micro aerial vehicles
LaValle et al. Finding an unpredictable target in a workspace with obstacles
Yahja et al. An efficient on-line path planner for outdoor mobile robots
CN113985894A (zh) 一种自主避障路径规划方法、装置、设备及存储介质
CN110806211A (zh) 机器人自主探索建图的方法、设备及存储介质
CN108638062A (zh) 机器人定位方法、装置、定位设备及存储介质
Sarmiento et al. An efficient motion strategy to compute expected-time locally optimal continuous search paths in known environments
Kaufman et al. Autonomous exploration by expected information gain from probabilistic occupancy grid mapping
KR101525071B1 (ko) 탐색 알고리즘을 이용한 미지 환경에서의 경로 매핑 및 영역 탐색방법
Tsuru et al. Online object searching by a humanoid robot in an unknown environment
CN115494834A (zh) 机器人路径规划方法、装置及机器人
US11880209B2 (en) Electronic apparatus and controlling method thereof
CN114494329A (zh) 用于移动机器人在非平面环境自主探索的导引点选取方法
Okada et al. Exploration and observation planning for 3D indoor mapping
Fournier et al. Mapping and exploration of complex environments using persistent 3D model
Bouman et al. Adaptive coverage path planning for efficient exploration of unknown environments
El-Hussieny et al. Improved backtracking algorithm for efficient sensor-based random tree exploration
Chen et al. A real-time multi-constraints obstacle avoidance method using LiDAR
Sarmiento et al. A multi-robot strategy for rapidly searching a polygonal environment
Wang et al. A partitioning-based approach for robot path planning problems
Mahkovic et al. Constructing the generalized local Voronoi diagram from laser range scanner data
CN113759907A (zh) 一种分区域全覆盖路径规划方法、装置、设备及存储介质

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