CN114167872A - 机器人避障方法、系统、计算机及机器人 - Google Patents
机器人避障方法、系统、计算机及机器人 Download PDFInfo
- Publication number
- CN114167872A CN114167872A CN202111494219.8A CN202111494219A CN114167872A CN 114167872 A CN114167872 A CN 114167872A CN 202111494219 A CN202111494219 A CN 202111494219A CN 114167872 A CN114167872 A CN 114167872A
- Authority
- CN
- China
- Prior art keywords
- robot
- distance value
- obstacle
- obstacle avoidance
- preset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 230000033001 locomotion Effects 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 23
- 230000004888 barrier function Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation 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 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
- G05D1/0217—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
-
- 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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- 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
Abstract
本发明提供了一种机器人避障方法、系统、计算机及机器人,该方法包括:根据控制器中预设的最小路径算法计算出机器人的最小运动路径;若机器人在最小运动路径中检测到障碍物时,获取激光雷达以及超声波传感器分别采集到的机器人距离障碍物的第一距离值以及第二距离值;将第一距离值传输至控制器,并根据控制器中的预设算法构建出障碍物及环境模型;将第二距离值传输至预设嵌入式系统,以使嵌入式系统基于障碍物及环境模型判断第二距离值是否小于预设紧急避障距离值;若是,则通过嵌入式系统控制机器人停止运动。本发明能够简单、快速的完成机器人的自动避障效果,省去了大量的存储空间以及计算时间,从而大幅提升了机器人的避障效率。
Description
技术领域
本发明涉及智能移动机器人技术领域,特别涉及一种机器人避障方法、系统、计算机及机器人。
背景技术
随着科学技术的飞速发展,社会和企业对于物流效率要求越来越高,但是社会老龄化和人力资源的匮乏与之矛盾,自主移动机器人技术受到越来越多的关注,也得到了一定的应用,其中能够实现避障的轮式移动机器人具有越来越高的社会价值
自主移动机器人获取外部环境中的障碍物信息,并使用识别和计算功能将周围环境中的障碍物信息形成为认知环境数学模型图。并基于此数据地图,通过避障路径规划算法,移动机器人可以避开动态和静态障碍,实现自主运动。在复杂多变的不确定环境中,如何快速安全地避开各种障碍物,成功到达目标点并完成指定任务是评估机器人避障性能的关键指标。避障算法的研究为轮式移动机器人的自主运动提供了技术支持,在提供便捷服务的同时降低了人力资源成本。
现有的自主移动机器人大部分采用全局规划算法,多节点并行且同时检索的避障方式,然而,此种方式需要大量的存储空间以及计算时间,从而降低了算法的计算速度,导致计算周期长、效率低、无序,降低了用户的使用体验。
发明内容
基于此,本发明的目的是提供一种机器人避障方法、系统、计算机及机器人,以解决现有技术的避障方式需要大量的存储空间以及计算时间,从而降低了算法的计算速度,导致计算周期长、效率低、无序的问题。
本发明第一方面提出了一种机器人避障方法,所述方法包括:
根据控制器中预设的最小路径算法计算出机器人的最小运动路径;
若所述机器人在所述最小运动路径中检测到障碍物时,获取激光雷达以及超声波传感器分别采集到的所述机器人距离所述障碍物的第一距离值以及第二距离值;
将所述第一距离值传输至所述控制器,并根据所述控制器中的预设算法构建出对应的障碍物及环境模型;
将所述第二距离值传输至预设嵌入式系统,以使所述嵌入式系统基于所述障碍物及环境模型判断所述第二距离值是否小于预设紧急避障距离值;
若是,则通过所述嵌入式系统控制所述机器人停止运动。
本发明的有益效果是:通过控制器自动规划出当前机器人的最小运动路径,进一步的,若当前机器人在该最小路径中检测到障碍物时,该机器人会通过其内部预置的激光雷达以及超声波传感器分别采集到对应的第一距离值以及第二距离值,更进一步的,将第一距离值传输至控制器以构建出对应的障碍物及环境模型,将第二距离值传输至嵌入式系统,以使该嵌入式系统基于上述障碍物及环境模型自动判断上述第二距离值是否小于预设紧急避障距离值,若是,则能够自动通过该嵌入式系统控制当前机器人停止运动。通过上述方式能够在控制器以及嵌入式系统两者的相互配合下就能够简单、快速的完成机器人的自动避障效果,省去了大量的存储空间以及计算时间,从而大幅提升了机器人的避障效率,进而提升了用户的使用体验。
优选的,所述将所述第一距离值传输至控制器,并根据所述控制器中的预设算法构建出对应的障碍物及环境模型的步骤之后,所述方法还包括:
将所述第一距离值输入至所述控制器中预设的智能避障算法中,以生成对应的障碍物距离,所述智能避障算法为:
G(v,w)=σ·(α·heading(v,w)+β·dist(v,w)+γ·velocity(v,w));
其中,G(v,w)表示评估函数,heading(v,w)表示速度轨迹与目标点之间的方向偏差,指示运动方向与结束位置之间的角度,dist(v,w)表示模拟速度轨迹到最近障碍物的距离,velocity(v,w)表示所述机器人的前进速度,σ表示α·heading(v,w)、β·dist(v,w)、velocity(v,w)三个函数的标准化,α、β、γ表示三个固定常数。
优选的,所述通过所述嵌入式系统控制所述机器人停止运动的步骤包括:
若所述嵌入式系统判断到所述第二距离值小于所述预设紧急避障距离值时,执行所述嵌入式系统中的急停程序,以控制所述机器人中的驱动电机停止运动。
优选的,所述根据控制器中预设的最小路径算法计算出机器人的最小运动路径的步骤包括:
计算出所述机器人的最小运动路径的评估函数公式为:
F(n)=G(n)+H(n)
其中:距离评价函数F(n)由G(n)和H(n)组成,函数G(n)是从起始节点到节点n的路径长度的实际成本,函数H(n)是从节点n到目标节点的最佳路径的估计成本,即表示为从点n到终点的直线距离,符合两点之间的线段的距离最短原则。
优选的,所述机器人包括无轨迹卡尔曼滤波器,所述无轨迹卡尔曼滤波器用于融合编码器以及惯性导航单元数据。
本发明第二方面提出了一种机器人避障系统,所述系统包括:
计算模块,用于根据控制器中预设的最小路径算法计算出机器人的最小运动路径;
获取模块,用于若所述机器人在所述最小运动路径中检测到障碍物时,获取激光雷达以及超声波传感器分别采集到的所述机器人距离所述障碍物的第一距离值以及第二距离值;
构建模块,用于将所述第一距离值传输至所述控制器,并根据所述控制器中的预设算法构建出对应的障碍物及环境模型;
判断模块,用于将所述第二距离值传输至预设嵌入式系统,以使所述嵌入式系统基于所述障碍物及环境模型判断所述第二距离值是否小于预设紧急避障距离值;
执行模块,用于若所述嵌入式系统基于所述障碍物及环境模型判断到所述第二距离值小于预设紧急避障距离值,则通过所述嵌入式系统控制所述机器人停止运动。
其中,上述机器人避障系统中,所述机器人避障系统还包括传输模块,所述传输模块具体用于:
将所述第一距离值输入至所述控制器中预设的智能避障算法中,以生成对应的障碍物距离,所述智能避障算法为:
G(v,w)=σ·(α·heading(v,w)+β·dist(v,w)+γ·velocity(v,w));
其中,G(v,w)表示评估函数,heading(v,w)表示速度轨迹与目标点之间的方向偏差,指示运动方向与结束位置之间的角度,dist(v,w)表示模拟速度轨迹到最近障碍物的距离,velocity(v,w)表示所述机器人的前进速度,σ表示α·heading(v,w)、β·dist(v,w)、velocity(v,w)三个函数的标准化,α、β、γ表示三个固定常数。
其中,上述机器人避障系统中,所述执行模块具体用于:
若所述嵌入式系统判断到所述第二距离值小于所述预设紧急避障距离值时,执行所述嵌入式系统中的急停程序,以控制所述机器人中的驱动电机停止运动。
其中,上述机器人避障系统中,所述计算模块具体用于:
计算出所述机器人的最小运动路径的评估函数公式为:
F(n)=G(n)+H(n)
其中:距离评价函数F(n)由G(n)和H(n)组成,函数G(n)是从起始节点到节点n的路径长度的实际成本,函数H(n)是从节点n到目标节点的最佳路径的估计成本,即表示为从点n到终点的直线距离,符合两点之间的线段的距离最短原则。
其中,上述机器人避障系统中,所述机器人包括无轨迹卡尔曼滤波器,所述无轨迹卡尔曼滤波器用于融合编码器以及惯性导航单元数据。
本发明第三方面提出了一种计算机,其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上面所述的机器人避障方法。
本发明第四方面提出了一种机器人,其包括上面所述的机器人避障系统。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1为本发明第一实施例提供的机器人避障方法的流程图;
图2为本发明第二实施例提供的机器人避障方法的流程图;
图3为本发明第三实施例提供的无轨迹卡尔曼滤波器的工作流程图;
图4为本发明第四实施例提供的机器人避障系统的结构框图;
图5为本发明第六实施例提供的机器人的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
现有的自主移动机器人大部分采用全局规划算法,多节点并行且同时检索的避障方式,然而,此种方式需要大量的存储空间以及计算时间,从而降低了算法的计算速度,导致计算周期长、效率低、无序,降低了用户的使用体验。
请参阅图1,所示为本发明第一实施例提供的机器人避障方法,该机器人避障方法能够在控制器以及嵌入式系统两者的相互配合下就能够简单、快速的完成机器人的自动避障效果,省去了大量的存储空间以及计算时间,从而大幅提升了机器人的避障效率,进而提升了用户的使用体验。
具体的,本实施例提供的机器人避障方法具体包括以下步骤:
步骤S10,根据控制器中预设的最小路径算法计算出机器人的最小运动路径;
具体的,在本实施例中,需要说明的是,为了能够尽量缩短机器人的移动距离,以提升机器人的续航能力,因此,在本实施例中,会预先在当前机器人内部的控制器中写入最小路径算法,该最小路径算法能够在当前机器人启动时同时开启运算。
具体的,在本实施例中,上述通过最小路径算法计算出当前机器人的最小运动路径的步骤包括:
计算出所述机器人的最小运动路径的评估函数公式为:
F(n)=G(n)+H(n)
其中:距离评价函数F(n)由G(n)和H(n)组成,函数G(n)是从起始节点到节点n的路径长度的实际成本,函数H(n)是从节点n到目标节点的最佳路径的估计成本,即表示为从点n到终点的直线距离,符合两点之间的线段的距离最短原则。
更具体的,在本实施例中,上述最小路径成本评估算法使用启发式评估函数评估每个扩展搜索节点的生成值,并判断每个节点的生成值以确定要扩展的最佳节点,直到找到目标节点为止。具体做法是:算法运行,从起点开始搜索,将周围的相邻节点用作下一个搜索点的位置,逐步扩充队列。在此队列中,保存节点位置和每个节点的启发式函数值,当选择下一个要遍历的节点时,总是从优先级队列中选择成本最低的节点作为最高整体优先级来遍历,计算可以到达的下一个节点。每次搜索都将首先找到具有最小成本值的点,然后继续搜索以逐渐找到最佳路径,从而能够准确的生成当前机器人的最小运动路径。
步骤S20,若所述机器人在所述最小运动路径中检测到障碍物时,获取激光雷达以及超声波传感器分别采集到的所述机器人距离所述障碍物的第一距离值以及第二距离值;
进一步的,在本步骤中,需要说明的是,当机器人启动,并且通过其内部的控制器已经计算出与当前环境匹配的最小运动路径时,该机器人就能够按照上述步骤S10获取到的最小运动路径进行移动。
其中,当机器人在移动的过程中,检测到其运动的路径上存在障碍物时,该机器人就会通过其内部的控制器启动预先安装好的激光雷达以及超声波传感器,其中,本领域技术人员可以理解的是,上述激光雷达和超声波传感器均安装与当前机器人的前端,以在当前机器人移动的同时,采集当前机器人周围的环境数据。
因此,在本步骤中,当机器人内部的激光雷达和超声波传感器检测到其将要移动的路径上存在障碍物时,上述激光雷达能够对应采集到当前机器人距离前方障碍物的第一距离值,上述超声波传感器能够采集到当前机器人距离前方障碍物的第二距离值。
步骤S30,将所述第一距离值传输至所述控制器,并根据所述控制器中的预设算法构建出对应的障碍物及环境模型;
进一步的,在本步骤中,当通过上述步骤S20分别采集到第一距离值以及第二距离值时,具体的,会将上述第一距离值传输至机器人内部的控制器,其中,在该控制器的内部预先写入有模型构建算法。
因此,在本步骤中,当上述控制器接收到输入的第一距离值时,该控制器会立即根据上述模型构建算法构建出与该第一距离值对应的障碍物及环境模型,以使当前机器人能够感知到其周围的环境情况。
步骤S40,将所述第二距离值传输至预设嵌入式系统,以使所述嵌入式系统基于所述障碍物及环境模型判断所述第二距离值是否小于预设紧急避障距离值;
具体的,在本步骤中,当通过上述步骤S20分别采集到第一距离值以及第二距离值时,进一步的,会将上述第二距离值传输至机器人内部的预先安装好的嵌入式系统,其中,在该嵌入式系统内部预先设置有紧急避障距离值。
因此,在本步骤中,当上述嵌入式系统接收到输入的第二距离值时,该嵌入式系统会立即将该第二距离值与其内部预先设置好的紧急避障距离值作比对,并基于所述障碍物及环境模型判断接收到的第二距离值是否小于上述紧急避障距离值。
步骤S50,若是,则通过所述嵌入式系统控制所述机器人停止运动。
最后,在本步骤中,若上述嵌入式系统判断到接收到的第二距离值小于其内部预设的紧急避障距离值时,该嵌入式系统会立即启用其内部的急停程序,以执行急停动作。
具体的,在本实施例中,若所述嵌入式系统判断到所述第二距离值小于所述预设紧急避障距离值时,执行所述嵌入式系统中的急停程序,以控制所述机器人中的驱动电机停止运动。
使用时,通过控制器自动规划出当前机器人的最小运动路径,进一步的,若当前机器人在该最小路径中检测到障碍物时,该机器人会通过其内部预置的激光雷达以及超声波传感器分别采集到对应的第一距离值以及第二距离值,更进一步的,将第一距离值传输至控制器以构建出对应的障碍物及环境模型,将第二距离值传输至嵌入式系统,以使该嵌入式系统基于上述障碍物及环境模型自动判断上述第二距离值是否小于预设紧急避障距离值,若是,则能够自动通过该嵌入式系统控制当前机器人停止运动。通过上述方式能够在控制器以及嵌入式系统两者的相互配合下就能够简单、快速的完成机器人的自动避障效果,省去了大量的存储空间以及计算时间,从而大幅提升了机器人的避障效率,进而提升了用户的使用体验。
需要说明的是,上述的实施过程只是为了说明本申请的可实施性,但这并不代表本申请的机器人避障方法只有上述唯一一种实施流程,相反的,只要能够将本申请的机器人避障方法实施起来,都可以被纳入本申请的可行实施方案。
综上,本发明上述实施例提供的机器人避障方法能够在控制器以及嵌入式系统两者的相互配合下就能够简单、快速的完成机器人的自动避障效果,省去了大量的存储空间以及计算时间,从而大幅提升了机器人的避障效率,进而提升了用户的使用体验。
具体的,在本发明第二实施例中,还至少包括步骤S70,该步骤S70运用在上述步骤S30之后,该步骤具体包括:
具体的,在本实施例中,如图2所示,需要说明的是,将所述第一距离值输入至所述控制器中预设的智能避障算法中,以生成对应的障碍物距离,所述智能避障算法为:
G(v,w)=σ·(α·heading(v,w)+β·dist(v,w)+γ·velocity(v,w));
其中,G(v,w)表示评估函数,heading(v,w)表示速度轨迹与目标点之间的方向偏差,指示运动方向与结束位置之间的角度,dist(v,w)表示模拟速度轨迹到最近障碍物的距离,velocity(v,w)表示所述机器人的前进速度,σ表示α·heading(v,w)、β·dist(v,w)、velocity(v,w)三个函数的标准化,α、β、γ表示三个固定常数。
在本实施例中,通过上述智能避障算法能够准确的计算出当前机器人前方的障碍物距离,再根据该障碍物距离准确的判断是否需要执行急停程序,若是,则会立即停止当前机器人的运动,以保证当前机器人的正常工作,并提升用户的使用体验。
具体的,在本发明的第三实施例中,本实施例提供的机器人包括无轨迹卡尔曼滤波器,具体的,该无轨迹卡尔曼滤波器用于融合编码器以及惯性导航单元数据。
进一步的,如图3所示,需要说明的是,本实施例改进了传统的卡尔曼滤波,采用无轨迹卡尔曼滤波器用来融合编码器和惯性导航单元(IMU)数据,具体操作是,在传统卡尔曼滤波器中使用UT近似变换的近似线性化方法,完成多传感器数据融合。当系统复杂且状态过大时,无迹卡尔曼滤波器通常具有更高的准确性和稳定性。具体的说,采用了UT变换:是用固定数量的参数支近似一个高斯分布,即:在原先分布中按某一规则取一些点,使这些点的均值为协方差状态分布与原状态分布的均值和协方差相等;将这些点代入非线性函数中,相应得到非线性函数值点集,通过这些点集可求取变换的均值和协方差.对任何一种非线性系统,当高斯型状态微量经由非线性系统进行传递进,利用这组取样点能获取精确到三阶矩的后验均值和协方差。
另外,还需要说明的是,本实施例提供的机器人还采用了多传感器滤波技术,具体的,该多传感器信息融合技术是各种数据的认知、综合和判断过程。通过合理地控制和利用传感器信息,根据一定的优化标准,将各种传感器在空间和时间上的独立、互补和冗余信息进行组合,以产生更可靠、更准确的信息。多传感器信息融合从根本上不同于传统的数据处理方法,关键在于用于多传感器信息融合的传感器具有比较大的噪声和不同的准确程度。
需要指出的是,本发明上述实施例所提供的方法,其实现原理及产生的一些技术效果和第一实施例相同,为简要描述,本实施例未提及之处,可参考第一实施例提供相应内容。
综上,本发明上述实施例当提供的机器人避障方法能够在控制器以及嵌入式系统两者的相互配合下就能够简单、快速的完成机器人的自动避障效果,省去了大量的存储空间以及计算时间,从而大幅提升了机器人的避障效率,进而提升了用户的使用体验。
请参阅图4,所示为本发明第四实施例提供的机器人避障系统,该系统具体包括:
计算模块12,用于根据控制器中预设的最小路径算法计算出机器人的最小运动路径;
获取模块22,用于若所述机器人在所述最小运动路径中检测到障碍物时,获取激光雷达以及超声波传感器分别采集到的所述机器人距离所述障碍物的第一距离值以及第二距离值;
构建模块32,用于将所述第一距离值传输至所述控制器,并根据所述控制器中的预设算法构建出对应的障碍物及环境模型;
判断模块42,用于将所述第二距离值传输至预设嵌入式系统,以使所述嵌入式系统基于所述障碍物及环境模型判断所述第二距离值是否小于预设紧急避障距离值;
执行模块52,用于若所述嵌入式系统基于所述障碍物及环境模型判断到所述第二距离值小于预设紧急避障距离值,则通过所述嵌入式系统控制所述机器人停止运动。
其中,上述机器人避障系统中,所述机器人避障系统还包括传输模块62,传输模块62具体用于:
将所述第一距离值输入至所述控制器中预设的智能避障算法中,以生成对应的障碍物距离,所述智能避障算法为:
G(v,w)=σ·(α·heading(v,w)+β·dist(v,w)+γ·velocity(v,w));
其中,G(v,w)表示评估函数,heading(v,w)表示速度轨迹与目标点之间的方向偏差,指示运动方向与结束位置之间的角度,dist(v,w)表示模拟速度轨迹到最近障碍物的距离,velocity(v,w)表示所述机器人的前进速度,σ表示α·heading(v,w)、β·dist(v,w)、velocity(v,w)三个函数的标准化,α、β、γ表示三个固定常数。
其中,上述机器人避障系统中,所述执行模块52具体用于:
若所述嵌入式系统判断到所述第二距离值小于所述预设紧急避障距离值时,执行所述嵌入式系统中的急停程序,以控制所述机器人中的驱动电机停止运动。
其中,上述机器人避障系统中,所述计算模块12具体用于:
计算出所述机器人的最小运动路径的评估函数公式为:
F(n)=G(n)+H(n)
其中:距离评价函数F(n)由G(n)和H(n)组成,函数G(n)是从起始节点到节点n的路径长度的实际成本,函数H(n)是从节点n到目标节点的最佳路径的估计成本,即表示为从点n到终点的直线距离,符合两点之间的线段的距离最短原则。
其中,上述机器人避障系统中,所述机器人包括无轨迹卡尔曼滤波器,所述无轨迹卡尔曼滤波器用于融合编码器以及惯性导航单元数据。
本发明第五实施例提供了一种计算机,其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一个实施例提供的机器人避障方法。
请参阅图5,本发明第六实施例提供了一种机器人,其包括上述第五实施例提供的机器人避障系统。
综上所述,本发明上述实施例提供的机器人避障方法、系统、计算机及机器人能够在控制器以及嵌入式系统两者的相互配合下就能够简单、快速的完成机器人的自动避障效果,省去了大量的存储空间以及计算时间,从而大幅提升了机器人的避障效率,进而提升了用户的使用体验。
在流程图提供表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质提供,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器提供。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式提供,多个步骤或方法可以用存储在存储器提供且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式提供一样,可用本领域公知的下列技术提供的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述提供,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例提供。在本说明书提供,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例提供以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种机器人避障方法,其特征在于,所述方法包括:
根据控制器中预设的最小路径算法计算出机器人的最小运动路径;
若所述机器人在所述最小运动路径中检测到障碍物时,获取激光雷达以及超声波传感器分别采集到的所述机器人距离所述障碍物的第一距离值以及第二距离值;
将所述第一距离值传输至所述控制器,并根据所述控制器中的预设算法构建出对应的障碍物及环境模型;
将所述第二距离值传输至预设嵌入式系统,以使所述嵌入式系统基于所述障碍物及环境模型判断所述第二距离值是否小于预设紧急避障距离值;
若是,则通过所述嵌入式系统控制所述机器人停止运动。
2.根据权利要求1所述的机器人避障方法,其特征在于:所述将所述第一距离值传输至控制器,并根据所述控制器中的预设算法构建出对应的障碍物及环境模型的步骤之后,所述方法还包括:
将所述第一距离值输入至所述控制器中预设的智能避障算法中,以生成对应的障碍物距离,所述智能避障算法为:
G(v,w)=σ·(α·heading(v,w)+β·dist(v,w)+γ·velocity(v,w));
其中,G(v,w)表示评估函数,heading(v,w)表示速度轨迹与目标点之间的方向偏差,指示运动方向与结束位置之间的角度,dist(v,w)表示模拟速度轨迹到最近障碍物的距离,velocity(v,w)表示所述机器人的前进速度,σ表示α·heading(v,w)、β·dist(v,w)、velocity(v,w)三个函数的标准化,α、β、γ表示三个固定常数。
3.根据权利要求1所述的机器人避障方法,其特征在于:所述通过所述嵌入式系统控制所述机器人停止运动的步骤包括:
若所述嵌入式系统判断到所述第二距离值小于所述预设紧急避障距离值时,执行所述嵌入式系统中的急停程序,以控制所述机器人中的驱动电机停止运动。
4.根据权利要求1所述的机器人避障方法,其特征在于:所述根据控制器中预设的最小路径算法计算出机器人的最小运动路径的步骤包括:
计算出所述机器人的最小运动路径的评估函数公式为:
F(n)=G(n)+H(n)
其中:距离评价函数F(n)由G(n)和H(n)组成,函数G(n)是从起始节点到节点n的路径长度的实际成本,函数H(n)是从节点n到目标节点的最佳路径的估计成本,即表示为从点n到终点的直线距离,符合两点之间的线段的距离最短原则。
5.根据权利要求1所述的机器人避障方法,其特征在于:所述机器人包括无轨迹卡尔曼滤波器,所述无轨迹卡尔曼滤波器用于融合编码器以及惯性导航单元数据。
6.一种机器人避障系统,其特征在于,所述系统包括:
计算模块,用于根据控制器中预设的最小路径算法计算出机器人的最小运动路径;
获取模块,用于若所述机器人在所述最小运动路径中检测到障碍物时,获取激光雷达以及超声波传感器分别采集到的所述机器人距离所述障碍物的第一距离值以及第二距离值;
构建模块,用于将所述第一距离值传输至所述控制器,并根据所述控制器中的预设算法构建出对应的障碍物及环境模型;
判断模块,用于将所述第二距离值传输至预设嵌入式系统,以使所述嵌入式系统基于所述障碍物及环境模型判断所述第二距离值是否小于预设紧急避障距离值;
执行模块,用于若所述嵌入式系统基于所述障碍物及环境模型判断到所述第二距离值小于预设紧急避障距离值,则通过所述嵌入式系统控制所述机器人停止运动。
7.根据权利要求6所述的机器人避障系统,其特征在于:所述机器人避障系统还包括传输模块,所述传输模块具体用于:
将所述第一距离值输入至所述控制器中预设的智能避障算法中,以生成对应的障碍物距离,所述智能避障算法为:
G(v,w)=σ·(α·heading(v,w)+β·dist(v,w)+γ·velocity(v,w));
其中,G(v,w)表示评估函数,heading(v,w)表示速度轨迹与目标点之间的方向偏差,指示运动方向与结束位置之间的角度,dist(v,w)表示模拟速度轨迹到最近障碍物的距离,velocity(v,w)表示所述机器人的前进速度,σ表示α·heading(v,w)、β·dist(v,w)、velocity(v,w)三个函数的标准化,α、β、γ表示三个固定常数。
8.根据权利要求6所述的机器人避障系统,其特征在于:所述执行模块具体用于:
若所述嵌入式系统判断到所述第二距离值小于所述预设紧急避障距离值时,执行所述嵌入式系统中的急停程序,以控制所述机器人中的驱动电机停止运动。
9.一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的机器人避障方法。
10.一种机器人,其特征在于:包括如权利要求6至8任意一项所述的机器人避障系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111494219.8A CN114167872A (zh) | 2021-12-08 | 2021-12-08 | 机器人避障方法、系统、计算机及机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111494219.8A CN114167872A (zh) | 2021-12-08 | 2021-12-08 | 机器人避障方法、系统、计算机及机器人 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114167872A true CN114167872A (zh) | 2022-03-11 |
Family
ID=80484544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111494219.8A Pending CN114167872A (zh) | 2021-12-08 | 2021-12-08 | 机器人避障方法、系统、计算机及机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114167872A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115326057A (zh) * | 2022-08-31 | 2022-11-11 | 深圳鹏行智能研究有限公司 | 路径规划方法、装置、机器人以及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206216698U (zh) * | 2016-11-23 | 2017-06-06 | 天津智汇时代科技有限公司 | 具有混合避障功能的机器人 |
CN107976999A (zh) * | 2017-11-21 | 2018-05-01 | 深圳普思英察科技有限公司 | 一种移动机器人及其避障和路径规划方法和系统 |
CN111923038A (zh) * | 2020-07-01 | 2020-11-13 | 深圳市越疆科技有限公司 | 机械臂式机器人、机器人的避障方法及存储介质 |
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 |
CN112378408A (zh) * | 2020-11-26 | 2021-02-19 | 重庆大学 | 一种实现轮式移动机器人实时避障的路径规划方法 |
CN112797986A (zh) * | 2021-02-07 | 2021-05-14 | 江西省智能产业技术创新研究院 | 基于无人自主技术的智能物流机器人定位系统及方法 |
CN113359718A (zh) * | 2021-05-26 | 2021-09-07 | 西安理工大学 | 移动机器人全局路径规划与局部路径规划融合方法及设备 |
-
2021
- 2021-12-08 CN CN202111494219.8A patent/CN114167872A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206216698U (zh) * | 2016-11-23 | 2017-06-06 | 天津智汇时代科技有限公司 | 具有混合避障功能的机器人 |
CN107976999A (zh) * | 2017-11-21 | 2018-05-01 | 深圳普思英察科技有限公司 | 一种移动机器人及其避障和路径规划方法和系统 |
CN111923038A (zh) * | 2020-07-01 | 2020-11-13 | 深圳市越疆科技有限公司 | 机械臂式机器人、机器人的避障方法及存储介质 |
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 |
CN112378408A (zh) * | 2020-11-26 | 2021-02-19 | 重庆大学 | 一种实现轮式移动机器人实时避障的路径规划方法 |
CN112797986A (zh) * | 2021-02-07 | 2021-05-14 | 江西省智能产业技术创新研究院 | 基于无人自主技术的智能物流机器人定位系统及方法 |
CN113359718A (zh) * | 2021-05-26 | 2021-09-07 | 西安理工大学 | 移动机器人全局路径规划与局部路径规划融合方法及设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115326057A (zh) * | 2022-08-31 | 2022-11-11 | 深圳鹏行智能研究有限公司 | 路径规划方法、装置、机器人以及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10324469B2 (en) | System and method for controlling motion of vehicle in shared environment | |
JP6494872B2 (ja) | 車両の運動を制御する方法、及び車両の制御システム | |
JP7345676B2 (ja) | 自動または半自動運転車両の適応制御 | |
CN110834631A (zh) | 一种行人避让方法、装置、车辆及存储介质 | |
CN112639849A (zh) | 路径选择方法和路径选择装置 | |
US20190018412A1 (en) | Control Method for Autonomous Vehicles | |
CN112631296B (zh) | 基于深度强化学习的机器人导航方法及系统、设备、介质 | |
CN111694356A (zh) | 一种行驶控制方法、装置、电子设备及存储介质 | |
CN112668602A (zh) | 用于确定传感器的数据集的品质等级的方法、设备和机器可读的存储介质 | |
Araújo et al. | Learning sensor-based navigation of a real mobile robot in unknown worlds | |
KR102657884B1 (ko) | 서비스 로봇의 동작 제어 방법 및 장치 | |
EP4119412A1 (en) | Vehicle-based data processing method and apparatus, computer, and storage medium | |
US11255687B2 (en) | Method for trajectory planning of a movable object | |
CN113997954A (zh) | 一种车辆行驶意图预测方法、装置、设备及可读存储介质 | |
Stachniss et al. | Improved Rao-Blackwellized mapping by adaptive sampling and active loop-closure | |
CN114167872A (zh) | 机器人避障方法、系统、计算机及机器人 | |
Xu et al. | Potential gap: A gap-informed reactive policy for safe hierarchical navigation | |
US20210398014A1 (en) | Reinforcement learning based control of imitative policies for autonomous driving | |
CN113844460B (zh) | 车辆控制方法、装置及车辆 | |
CN112445221A (zh) | 自动工作系统及回归方法 | |
Hoy | A method of boundary following by a wheeled mobile robot based on sampled range information | |
Kurz | ALEF: An autonomous vehicle which learns basic skills and constructs maps for navigation | |
CN116653963B (zh) | 车辆变道控制方法、系统和智能驾驶域控制器 | |
CN116795108B (zh) | 基于多源感知信号的智能无人车配送方法 | |
CN112924960B (zh) | 目标尺寸实时检测方法、系统、车辆及存储介质 |
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 |