CN114200920A - 路径规划方法、装置及控制系统 - Google Patents
路径规划方法、装置及控制系统 Download PDFInfo
- Publication number
- CN114200920A CN114200920A CN202010981279.1A CN202010981279A CN114200920A CN 114200920 A CN114200920 A CN 114200920A CN 202010981279 A CN202010981279 A CN 202010981279A CN 114200920 A CN114200920 A CN 114200920A
- Authority
- CN
- China
- Prior art keywords
- path
- optimal
- initial
- position set
- movable body
- 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 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 230000004888 barrier function Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 60
- 241000282326 Felis catus Species 0.000 claims description 49
- 230000008859 change Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 20
- 238000003860 storage Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
-
- 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
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- 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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- 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
-
- 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
- G05D1/0257—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, 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
- G05D1/027—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means comprising intertial navigation means, e.g. azimuth detector
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请提供一种路径规划方法、装置及控制系统。方法包括:确定可移动主体的作业环境中的障碍物;通过分析障碍物和目标位置对所述可移动主体产生的合势场,得到初始路径,所述初始路径为合势场最小条件下所述可移动主体从起点位置到达所述目标位置的无碰撞路径;基于所述初始路径,得到群智能算法中群体的初始位置集;通过所述群智能算法对所述初始位置集进行迭代更新处理并评估,得到最佳位置集,生成所述最佳位置集对应的最优路径。由此,本申请通过先寻找初始的最佳路径,再进行群智能算法的寻优,可有效减少群智能算法的收敛时间,提高寻优效率。
Description
技术领域
本文件涉及人工智能技术领域,尤其涉及一种路径规划方法、装置及控制系统。
背景技术
面向运营商机房巡检应用的智能巡逻车是一种特殊的高智能自主机器人,可用于高压配电房、大型数据中心机房和通信枢纽等场景的自动化巡检,对相关电气化设备进行近距离的监控和巡视。
近年来,随着人工智能技术的迅速发展,带动了高智能自主机器人在工业互联网、先进制造和无人探测等领域的快速发展,从地形探测、灾难救援到工厂作业,无人车、服务机器人、救援机器人等高智能自主机器人得到广泛应用,带来了巨大的经济和社会效益。智能巡逻车需要具有环境感知、行为控制、导航规划与动态决策等功能,因此机器人导航是智能巡逻车的关键技术。要实现在室内环境中安全行走,智能巡逻车一方面要通过传感器感知环境信息和自身的速度、位置、姿态等信息,所需的技术是同步定位与地图构建(Simultaneous Location and Mapping,SLAM),另外也需要处理感知信息并作出正确的决策和行为控制,最终以较优路径无碰撞地在环境中行走,这就是路径规划技术。对于路径规划算法的研究国内外学者已经做了一些工作,由于工业场景内有大量的电气和通信设备,要求避障算法有极高的实时性、鲁棒性、稳定性,智能巡逻车需要避免和高危险、昂贵的设备发生碰撞,在较大空间内快速抵达工作区域。
路径规划方法在无人车架构体系当中分属控制或决策部分,是实现无人化巡检的关键技术之一。路径规划模块性能的高低直接关系车辆行驶路径选择的优劣和行驶的流畅度,而路径规划算法的性能优劣很大程度上取决于规划算法的优劣,如何在各种场景下迅速、准确的规划出一条高效路径且使其具备应对场景动态变化的能力是路径规划算法应当解决的问题。
发明内容
本说明书实施例提供一种路径规划方法、装置及控制系统,用以提高路径规划效率和准确度。
本说明书实施例还提供一种路径规划方法,包括:
确定可移动主体的作业环境中的障碍物;
通过分析障碍物和目标位置对所述可移动主体产生的合势场,得到初始路径,所述初始路径为合势场最小条件下所述可移动主体从起点位置到达所述目标位置的无碰撞路径;
基于所述初始路径,得到群智能算法中群体的初始位置集;
通过所述群智能算法对所述初始位置集进行迭代更新处理并评估,得到最佳位置集,生成所述最佳位置集对应的最优路径。
本说明书实施例还提供一种路径规划装置,包括:
确定模块,用于确定可移动主体的作业环境中的障碍物;
第一处理模块,用于通过分析障碍物和目标位置对所述可移动主体产生的合势场,得到初始路径,所述初始路径为合势场最小条件下所述可移动主体从起点位置到达所述目标位置的无碰撞路径;
第二处理模块,用于基于所述初始路径,得到群智能算法中群体的初始位置集;
第三处理模块,用于通过所述群智能算法对所述初始位置集进行迭代更新处理并评估,得到最佳位置集,生成所述最佳位置集对应的最优路径。
本说明书实施例还提供一种电子设备,包括:通信接口、处理器和存储器;
所述处理器调用所述存储器中的程序指令,用以执行如下动作:
确定可移动主体的作业环境中的障碍物;
通过分析障碍物和目标位置对所述可移动主体产生的合势场,得到初始路径,所述初始路径为合势场最小条件下所述可移动主体从起点位置到达所述目标位置的无碰撞路径;
基于所述初始路径,得到群智能算法中群体的初始位置集;
通过所述群智能算法对所述初始位置集进行迭代更新处理并评估,得到最佳位置集,生成所述最佳位置集对应的最优路径。
本说明书实施例还提供一种一种控制系统,包括数据采集设备、如上述的电子设备和驱动装置,其中:
所述数据采集设备,用于确定可移动主体的作业环境中的障碍物;
所述驱动装置,用于基于所述电子设备生成的最优路径,驱动所述可移动主体完成作业。
本说明书的上述任一实施例,先通过分析障碍物和目标位置对所述可移动主体产生的合势场,寻找初始的最佳路径,再通过群智能算法进行收敛寻优,可有效降低收敛时间,提高路径寻优效率和精度。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书一实施例提供的一种路径规划方法的流程示意图;
图2为本说明书一实施例提供的智能巡逻车平台的结构示意图;
图3为本说明书一实施例提供的环境地图的示意图;
图4为本说明书一实施例提供的人工势场受力的示意图;
图5为本说明书一实施例提供的新垂直坐标系及路径点的示意图;
图6为本说明书一实施例提供的人工势场算法和猫群算法的协同原理的示意图;
图7a为本说明书一实施例提供的巡逻车的最优路径的示意图;
图7b为本说明书一实施例提供的巡逻车在各路径点的巡检图像的示意图;
图8为本说明书一实施例提供的一种路径规划装置的结构示意图;
图9为本说明书一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本文件保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书一实施例提供的一种路径规划方法的流程示意图,可由可移动主体或者可移动主体的导航模块或者云服务器执行,参见图1,所述方法具体可以包括如下步骤:
步骤102、确定可移动主体的作业环境中的障碍物;
其中,可移动主体是指能够自主移动的智能体,如半移动式机器人和移动机器人,前者的整体固定在某个位置,只有部分可以运动,例如机械手,后者是一种具有高度自主规划、自行组织、自适应能力,适合于在复杂的非结构化环境中工作的机器人,具备移动功能;所述作业环境是指可移动主体作业的环境,如运营商机房巡检应用的智能巡逻车,其作业环境是指运营商机房,又如一些厂房巡检机器人,其作业环境是指厂房。为便于后续描述,可将可移动主体具体示例为机器人。
步骤102具体可以示例为:
示例1、机器人在移动过程中,实时扫描周围环境,得到周围障碍物的位置及其与机器人之间的相对位置。
示例2、机器人在移动过程中,实时扫描周围环境,得到环境地图,所述环境地图可以是二维地图,其中记录有环境中的障碍物及其位置,障碍物之间的空白区域,障碍物与机器人之间的相对位置。
下面将机器人示例为巡逻车对步骤102的原理进行详细说明:
S1、搭建智能巡逻车平台
智能巡逻车控制系统包括硬件系统及配套的功能软件。
(1)硬件平台
本实施例搭建的巡逻车硬件平台是基于ROS的双轮差分驱动控制移动机器人(EAISmart型),实物如图2所示,平台融合了多种智能器件,包括可见光/热成像摄像头、激光雷达、避障传感器、位姿传感器IMU、AI超算平台、工控机、无线网关、驱动器、直流无刷轮毂电机等。平台共有三层,底层安装驱动轮、万向轮和电机,中层放置电源板、导航板、底层控制板,激光雷达和超算平台,上层放置高清摄像机、烟感传感器和显示设备。
热成像测温智能摄像机Dahua BF2221,作为工业设备异常检测的视频采集设备,同时抓取可见光和热成像两种模式的设备图像,通过无线网络传送到云计算中心进行处理。导航板(上位机)采用嵌入式工控机(INTEL I5处理器, 16GB内存,256G SSD固态硬盘),安装了ROS操作系统。控制处理器(下位机)采用Arduino Mega 2560,用于接收上位机输出的导航信息并对电机进行驱动。传感器单元包括驱动轮里程计、位于平台底盘下侧和顶部的2个四线程激光雷达(EAI G4型),另有位于车体内的ADI16488六轴惯性传感器。控制板通过USB-B接口和导航板的工控机接口连接,可以控制巡逻车的位置、速度和扭矩模式。激光雷达通过USB连接到工控机,将扫描的环境信息实时反馈,以避开障碍物。另外,平台采用独立的嵌入式人工智能超算平台MYNT CUBE运行各类深度学习框架,对高清摄像头获取的视频数据进行处理,并进行模型训练,它的操作系统是Ubuntu 16.04,同时安装了OpenCV3.4, TensorFlow 1.6等必备框架。
智能巡逻车进行数据采集和车体控制的硬件结构如图1所示。高清视频以 MYNTCUBE进行运算,以实现异常检测和物体识别功能,运动平台通过工控机进行导航数据解算和中央控制,得到路径规划结果,向控制板发送导航信息,接收到的数据通过控制板转化为角速度、线速度,从而驱动电机进行运动。同时,控制芯片接收驱动器的脉冲数,计算出实时运动信息,并将结果返回给工控机,以获取实时的巡逻车位姿。
(2)软件系统
智能巡逻车的软件系统是基于ROS导航包设计的,其路径规划功能包将 Twist消息(角速度w与线速度v)输出给驱动功能包,底层驱动器订阅该消息,将w与v换算成左右轮的速度,并由电机在PID算法中控制两轮的转速,驱动智能巡逻车运动或避障。本系统重点研究智能巡逻车全局路径规划方法,将群智能优化算法注册到BaseGlobalPlanner插件,利用ROS导航包的其他模块信息,实现巡逻车的驱动。同时,也开发了移动终端版控制软件,选用3D 可视化工具RVIZ(The ROS Visualization Tool)作为人机交互的界面来对巡逻车进行实时的观测和控制,显示SLAM构建的地图,并实时显示小车的位置、航向、规划路径以及障碍物避障的情况。
S2、巡逻车对环境的感知
智能巡逻车通过传感器设备得到自身位姿、位置和环境信息,进行信息处理,将探测信息转换为可分析的信息,调用相关的算法模型计算得到最优全局路径。借助内置的多种传感器对环境进行感知、计算,驱动底盘运动。
本实施例中,将移动机器人的运行空间分解成一系列具有二值信息的网格单元,基于该二维栅格环境进行建模,如图3所示,在环境中障碍物的形状、大小和位置信息已确定的情况下,将有障碍物存在的栅格设为障碍栅格,即灰色,没有障碍物覆盖的栅格设为自由栅格,即白色,作为环境地图。其中,将障碍物进行膨化后的栅格组合作为障碍物区域,膨化半径为智能巡逻车的底盘半径,这样巡逻车就可被做为质点进行移动,运动路径为一系列连通的自由栅格。栅格的直角坐标表示为(x,y),从0开始给每个栅格标注序号T,T=x+10y。
步骤104、通过分析障碍物和目标位置对所述可移动主体产生的合势场,得到初始路径,所述初始路径为合势场最小条件下所述可移动主体从起点位置到达所述目标位置的无碰撞路径;
具体可通过人工势场算法分析障碍物和目标位置对所述可移动主体产生的合势场,人工势场算法是一种用于移动智能体实时避障规划的虚拟力法,其是将目标点(目标位置)和障碍物看作能产生作用力的力源,目标点对机器人产生吸引力,障碍物对机器人产生排斥力,从而将智能体运行的环境抽象为人造势场。最终在合力的作用下,通过搜索势场下降的方向得出一条离障碍物较远的平滑路径。
本申请可采用梯度势场法,即用势场的负梯度来表示智能体在环境中受到的虚拟力,以图4示出的巡逻车的人工势场受力图为例,在巡逻车运行过程中,计算预设范围内的障碍物和目标点对巡逻车产生的合势场值,作为当前栅格T 的势场强度。巡逻车将整个地图划分为若干子地图,不断搜索子地图中合势场最小的栅格,它们的连线即为一条路径,而大范围的合势场最大的栅格即为障碍物。
假设智能巡逻车的位置坐标表示为[x,y],障碍物的位置坐标表示为[xi,yi],目标点的位置坐标为[xg,yg]。则障碍物斥力场的函数模型为:
其中,ρ为巡逻车到障碍物的距离,ρ0为障碍物的影响距离,η为排斥力的增益系数。
斥力场的梯度即为排斥力,其函数模型为:
目标点对巡逻车的引力势场函数为:
其中ε为引力增益系数,吸引力函数模型为:
地图中某点的人工势场就是目标点的吸引势场和障碍物的排斥势场之和,表达式为:
Φ=Φ(g)+Φ(q)
巡逻车在地图中某点所受的合力如下所示:
若障碍物产生的斥力和目标点的引力在某一处达到平衡,尤其是目标点附近,容易产生目标不可达问题,本文采用了改变排斥力势场的做法,对排斥势场函数进行改变,公式如下:
其中,R为智能巡逻车底盘半径,距离目标越近受到的斥力越小,最终在目标点处归零,从而解决障碍物附近目标不可达的问题。
步骤106、基于所述初始路径,得到群智能算法中群体的初始位置集;具体地:
确定所述初始路径中与所述起点位置对应的第一序列点、与所述目标位置对应的第二序列点;将所述第一序列点作为坐标原点、所述第一序列点和所述第二序列点的连线作为坐标轴,得到新的坐标系;通过垂直线将所述第一序列点和所述第二序列点之间的线段进行划分为i+1等份,得到垂直线与所述初始路径的交点,记为所述初始位置集。
参见图5,具体可以示例为:假设初始路径为{N0,N1,N2,N3,...,Ng},N0和Ng分别为路径的起点和目标点。将N0和Ng相连作为新坐标轴的X'轴,以N0为原点建立全新的坐标系X'OY',新坐标与原坐标转换关系为:
其中,为新坐标轴X'与原坐标轴X夹角,新坐标的X轴为M0Mg,用垂直线分为i+1等份,目标点Mg也可表示为Mi+1,垂直线与原坐标值下路径的交点为最优路径[M0,M1,M2,M3,...,Mg],长度为:
步骤108、通过所述群智能算法对所述初始位置集进行迭代更新处理并评估,得到最佳位置集,生成所述最佳位置集对应的最优路径。具体地:
初始化所述群体中各个体对应的位置集为所述初始位置集;维持第一个体对应的初始位置集不变,对其他个体对应的初始位置集进行位置迭代更新处理;对各个体对应的位置集进行评估;基于最大迭代次数下每个个体的评估结果,确定最佳位置集。
以猫群算法为例,由于横轴距离之和为固定值,全局路径规划的最优距离就是求空间中最优解集,路径序列(M0,M1,M2,M3,...,Mi)作为猫群初始的最优位置,每条M0到Mg的路径表示为i维向量Pn=[xn1,xn1,...,xni],经过新老坐标变化,猫群算法的目标是求解路径上相邻的两点之间距离值的总和最小的猫。即基于每只猫的适应度计算最优个体的位置信息,并且将最优解的位置信息存放到外部容器中;将最优解位置信息和当前猫的位置信息进行比较,使用适应度较好的解来替换当前猫的位置;以此类推,得到最大迭代次数下的最优解的最佳位置集。
在另一可行实施例中,由于本实施例面向的场景为室内数据中心机房,必须考虑路径的平滑性和安全性,要求巡逻车距离障碍物尽量远,且相邻两段路径线段之间的夹角尽量大,巡逻车需要进行的方向改变角较小,路径平滑性较高,因此,将全局路径最短和总转角改变量最小设为算法的两个目标函数,即上述的评估规则包括:获取路径规划的目标函数;基于所述目标函数,评估各个体对应的位置集的适应度;所述目标函数包括第一目标函数和第二目标函数,所述第一目标函数对应的指标是路径上相邻两个点之间的距离值的总和最小,所述第二目标函数对应的指标是可移动主体沿路径达到所述目标位置的过程中的总转角改变量最小。
多目标优化问题中各个目标函数之间代表了不同维度的优化策略,彼此可能存在交叉和制约,所以最优解以一组帕累托(Pareto)最优解集进行表示。包含所有Pareto最优解的曲线被称为为Pareto前沿,这是一个半球形状的曲线。基于Pareto优势排序法,选择Pareto最优解进行外部存档,并通过和当前解进行对比,可以确定出最优解集。
其中,相邻两段路径线段之间改变的角度为全局环境中总的转角改变量为:
Pareto最优解的评估需要避免过度靠拢其中任一目标函数的最优解,必须反映两个目标函数之间的约束和制约关系,取得平衡。因此,多目标函数公式为:
多目标优化算法输出的是一组Pareto最优解集,Pareto曲线上任意一点都代表以全局路径和总转角改变量为优化目标的一种路径方案,但输入智能巡逻车导航模块的只能是一组数值,结合实际情况,合理设置指标之间的权重比,包括:获取所述第一目标函数和所述第二目标函数对应的指标之间的权重比;基于所述第一目标函数和所述第二目标函数,以及指标之间的权重比,评估所述更新后的位置集的适应度。具体可以示例为:本实施例选取Pareto曲线中点的数值作为最优路径,此时全局路径和总转角改变量的权重比为1:1,路径长度最短和转角改变最小的重要性相同。
在步骤108中,猫群算法是一种模仿猫自然行为的全局优化算法,非常适合对本文关注的智能巡逻车全局路径规划问题进行寻优,多目标猫群算法 (MOCSO)是经典猫群算法的多目标优化版本,其种群位置更新的机制,没有充分考虑其他最优猫的位置信息,很难充分保证猫群的多样性,算法可能逐渐陷入局部最优[17]。本文提出一种多目标柯西猫群算法(MOCMCSO),引入柯西变异算子来提升搜索模式的性能[18],扩大群体搜索范围,在搜索过程中持续改进种群信息,避免早熟收敛和局部最优解,从根本上提升种群多样性。
算法采用线性混合比例(MRL)来确定猫群搜索模式分配,表达式为:
1)搜索模式
搜索模式中,猫群持续环顾四周来确定最佳位置。猫群算法关键参数包括 PMO(变异概率),CDC(尺寸改变计数),SMP(搜索内存池),SRD(变化域)。
Step 1.基于SMP生成第k只猫K份备份信息。
Step 2.选择K份种群中一只猫,维持当前位置不变,其余的副本(K-1) 受到柯西算子影响进行突变。xk表示初始群体,由柯西变异产生的更新个体是 xk'G。
xk′G=xk G+σ*C(0,1) (9)
其中,C(0,1)是0~1之间的随机数,当前维度的突变值设为标准偏差σ*C(0,1)。
Step 3.计算第k只猫的K份备份的适应度值。
Step 4.基于每只猫的适应度值来计算最优个体的位置信息,并且将Pareto 最优解的位置信息存放到外部容器中。
Step 5.基于SMP,将Pareto最优解位置信息和当前猫的位置信息进行比较,使用适应度较好的解来替换当前猫的位置。突变后位置被置为xk G。
2)追踪模式
在追踪模式下,猫通过快速改变它的位置来追踪猎物,每只猫下一个时刻的移动方位取决于猫的速度以及当前的群体最优位置。第G次迭代中,第k 只猫在i维的位置设为xk,i G,而其速度设为vk,i G。猫群的全局最优位置为xg,i G,追踪模式下的算法流程为:
Step 1:解空间的维度共i维。第k只猫的速度表示为:
vk,i G=w*vk,i G+c*r*(xg,i G-xk,i G) (10)
其中,w是惯性权重值,c加速常数项,r是一个[0,1]之间的随机数。在外部容器中,最初的全局最优位置信息xg,i G由人工势场最优解赋值。
Step 2:在追踪模式中,猫快速移动并追踪猎物,在每一次移动后,第k 只猫新位置信息的计算公式如下表示:
xk,i G=xk,i G-1+vk,i G (11)
Step 3:如果第k只猫在任意维度上的新位置超出搜索范围,则将此猫的速度向量置为边界值,并赋予-1值来开始反向搜索。
Step 4:对群体中每只猫进行适应度值评估。
Step 5:通过校验适应度值,确定最终的Pareto全局最优解集,并输出对应数值。
下面参见图6,对人工势场算法和猫群算法的协同作业过程进行详细说明:
1、表示为代表路径的一组向量Pk=[y'k,M1,y'k,M2,...,y'k,Mj,...,y'k,Mi],(k=1,2,...,n), (j=1,2,...,i),对其每个维度上的初始化位置y0 kMj和速度v0 kMj进行初始化.
2、利用APFM算法得到全局最优路径向量[M0,M1,M2,M3,...,Mg],作为后续 MOCMCSO算法的最优解初始值,基于公式(15)计算适应度函数值,并存储在外部容器作为帕累托最优解。
3、针对MOCMCSO算法,在搜索模式下,对第i只猫的K-1份副本以公式(9)的柯西变异算子进行位置更新,G为迭代次数。将帕累托最优解和更新后猫的位置信息进行比较,适应度较好的解作为更新后的全局最优位置。
在追踪模式下通过公式(10)和(11)更新第k只猫的位置信息,进行全局搜索。计算第k只猫在当前第G次迭代内的最优解gk,best G的适应度值,和存储在外部容器中的全局最优解gk,best G-1适应度进行比较,如值更好则将gk,best G则替换为全局最优解,否则将继续迭代。
通过适应度评价,得到猫群迭代到第G代的帕累托最优解集 gk,best G=[yk,M1 G,yk,M2 G,...,yk,Mj G,...,yk,Mi G],(k=1,2,...,n),(j=1,2,...,i)。
4、检查终止条件,是否达到最大迭代次数,算法流程结束。
5、输出最优解形成的帕累托最优解集,选取路径最短和总转角改变量各占50%权重的路径方案,传递到智能巡逻车ROS导航模块。否则,重复步骤2 至4,算法持续迭代。
进一步地,在完成最优路径的规划之后,本实施例还提供了机器人巡检过程,具体地:
基于所述最优路径,生成所述机器人的角速度变化数据和线速度变化数据;将所述机器人的角速度变化数据和线速度变化数据转换为左右轮的速度,并由电机控制所述左右轮的转速,驱动所述机器人完成作业。
参见图7a和图7b,本文构建的智能巡逻车在数据中心机房内共进行10 次独立的导航实验,表1为实验记录的路径总长度、总转角改变量、运行时间和碰撞次数。实验得到的最佳路径如图7a所示,其路径总长度仅36.82m,总转角改变量5.33rad,路径长度和转角改变量均取得最小值,确保了巡逻车运动效率最优的同时兼顾了路径的平滑度,实现了多目标优化的目标,且全路径未发生障碍物碰撞。在导航过程中,巡逻车在12处路径点的巡检图像如图7b所示。同时,在面积为400m2的室内机房中,基于APFM-MOCMCSO算法规划的算法,巡逻车从起点都目标点的运动时间为42.98s,满足巡检作业计划。对比仿真和实验结果,APFM-MOCMCSO算法在栅格地图和实景地图中规划的路径线路符合度高。其中实验结果的路径和转角数值稍大,是因为巡逻车的超声波传感器在距离障碍物较近时,为确保安全进行适当的运动姿态调整,稍微增加了总体路径长度和转角改变量。在10次实验中,第9次实验发生了一次障碍物碰撞的情况,巡逻车在避障转弯时由于距离障碍物过近,触发了超声传感器紧急制动,需多次调整位姿和路径进行坐标校正,导致总转角改变量增大到9.86rad,总体运动时长也增大到56.9s,因此后续的路径规划算法优化也需将超声避障传感器的因素考虑进来,避免障碍物避障距离过近而影响路线平滑度和运行效率。
表1
综上所述,本实施例主要对数据中心机房室内场景下的智能巡逻车全局路径规划算法进行了研究。根据已知的运行环境信息规划出一条从起点到目标点的无碰最优路径,评判标准包括总长度最短,路径平滑度最优,也兼顾安全性。本实施例采用APFM算法与MOCMCSO算法协同优化的方式,将APFM算法产生的路径作为MOCMCSO算法初始的猫位置进行后续优化流程,设全局路径和总转角改变量为两个目标函数。算法得到的最优路径写入ROS导航模块,驱动巡逻车快速运动。算法优化的目标除了全局路径长度最短,也需要总转角改变量最小,最终取帕累托曲线中两个目标函数相等权重时的解作为全局最优解。根据仿真结果,APFM-MOCSO算法相比APFM-MOCSO和APFM-MOPSO 算法寻优用时更短,适应度函数值更低,在全局路径长度、平滑性、安全性方面取得良好的平衡,更适合于智能巡逻车室内环境路径规划。
图8为本说明书一实施例提供的一种路径规划装置的结构示意图,参见图 8,所述装置具体可以包括:
确定模块801,用于确定可移动主体的作业环境中的障碍物;
第一处理模块802,用于通过分析障碍物和目标位置对所述可移动主体产生的合势场,得到初始路径,所述初始路径为合势场最小条件下所述可移动主体从起点位置到达所述目标位置的无碰撞路径;
第二处理模块803,用于基于所述初始路径,得到群智能算法中群体的初始位置集;
第三处理模块804,用于通过所述群智能算法对所述初始位置集进行迭代更新处理并评估,得到最佳位置集,生成所述最佳位置集对应的最优路径。
可选的,所述第三处理模块804,具体用于:
初始化所述群体中各个体对应的位置集为所述初始位置集;
维持第一个体对应的初始位置集不变,对其他个体对应的初始位置集进行位置迭代更新处理;
对各个体对应的位置集进行评估;
基于最大迭代次数下每个个体的评估结果,确定最佳位置集。
可选的,所述第三处理模块804,具体用于:
获取路径规划的目标函数;
基于所述目标函数,评估各个体对应的位置集的适应度;
其中,所述目标函数包括第一目标函数和第二目标函数,所述第一目标函数对应的指标是路径上相邻两个点之间的距离值的总和最小,所述第二目标函数对应的指标是可移动主体沿路径达到所述目标位置的过程中的总转角改变量最小。
可选的,所述第三处理模块804,具体用于:
获取所述第一目标函数和所述第二目标函数对应的指标之间的权重比;
基于所述第一目标函数和所述第二目标函数,以及指标之间的权重比,评估所述更新后的位置集的适应度。
可选的,所述群智能算法为猫群算法,所述第三处理模块804,具体用于:
基于每只猫的适应度计算最优个体的位置信息,并且将最优解的位置信息存放到外部容器中;
将最优解位置信息和当前猫的位置信息进行比较,使用适应度较好的解来替换当前猫的位置;
以此类推,得到最大迭代次数下的最优解的最佳位置集。
可选的,所述第二处理模块803,具体用于:
确定所述初始路径中与所述起点位置对应的第一序列点、与所述目标位置对应的第二序列点;
将所述第一序列点作为坐标原点、所述第一序列点和所述第二序列点的连线作为坐标轴,得到新的坐标系;
通过垂直线将所述第一序列点和所述第二序列点之间的线段进行划分为 i+1等份,得到垂直线与所述初始路径的交点,记为所述初始位置集。
由此可知,本实施例一方面,根据已知的运行环境信息规划出一条从起点到目标点的无碰最优路径,评判标准包括总长度最短,路径平滑度最优,也兼顾安全性;另一方面,确定初始路径,并将该路径作为MOCMCSO算法初始的猫位置进行后续优化流程,设全局路径和总转角改变量为两个目标函数。
另外,对于上述装置实施方式而言,由于其与方法实施方式基本相似,所以描述的比较简单,相关之处参见方法实施方式的部分说明即可。应当注意的是,在本说明书的装置的各个部件中,根据其要实现的功能而对其中的部件进行了逻辑划分,但是,本说明书不受限于此,可以根据需要对各个部件进行重新划分或者组合。
图9为本说明书一实施例提供的一种电子设备的结构示意图,参见图9,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成路径规划装置。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
网络接口、处理器和存储器可以通过总线系统相互连接。总线可以是 ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器可能包含高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器。
处理器,用于执行所述存储器存放的程序,并具体执行:
确定可移动主体的作业环境中的障碍物;
通过分析障碍物和目标位置对所述可移动主体产生的合势场,得到初始路径,所述初始路径为合势场最小条件下所述可移动主体从起点位置到达所述目标位置的无碰撞路径;
基于所述初始路径,得到群智能算法中群体的初始位置集;
通过所述群智能算法对所述初始位置集进行迭代更新处理并评估,得到最佳位置集,生成所述最佳位置集对应的最优路径。
上述如本说明书图8所示实施例揭示的路径规划装置或管理者(Master) 节点执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
路径规划装置还可执行图1-7的方法,并实现管理者节点执行的方法。
基于相同的发明创造,本说明书实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的网络设备执行时,使得所述网络设备执行图1-7对应的实施例提供的路径规划方法。
基于相同的发明创造,本说明书实施例还提供了一种控制系统,包括数据采集设备、如图9所述的电子设备和驱动装置,其中:
所述数据采集设备,用于确定可移动主体的作业环境中的障碍物;
所述驱动装置,用于基于所述电子设备生成的最优路径,驱动所述可移动主体完成作业。
对于控制系统中的软硬件,由于已参见图2在图1对应的实施例中进行了详细描述,故,此处不再对控制系统的软硬件进行展开说明。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种路径规划方法,其特征在于,包括:
确定可移动主体的作业环境中的障碍物;
通过分析障碍物和目标位置对所述可移动主体产生的合势场,得到初始路径,所述初始路径为合势场最小条件下所述可移动主体从起点位置到达所述目标位置的无碰撞路径;
基于所述初始路径,得到群智能算法中群体的初始位置集;
通过所述群智能算法对所述初始位置集进行迭代更新处理并评估,得到最佳位置集,生成所述最佳位置集对应的最优路径。
2.根据权利要求1所述的方法,其特征在于,所述通过所述群智能算法对所述初始位置集进行迭代更新处理并评估,得到最佳位置集,包括:
初始化所述群体中各个体对应的位置集为所述初始位置集;
维持第一个体对应的初始位置集不变,对其他个体对应的初始位置集进行位置迭代更新处理;
对各个体对应的位置集进行评估;
基于最大迭代次数下每个个体的评估结果,确定最佳位置集。
3.根据权利要求2所述的方法,其特征在于,所述对各个体对应的位置集进行评估,包括:
获取路径规划的目标函数;
基于所述目标函数,评估各个体对应的位置集的适应度;
其中,所述目标函数包括第一目标函数和第二目标函数,所述第一目标函数对应的指标是路径上相邻两个点之间的距离值的总和最小,所述第二目标函数对应的指标是可移动主体沿路径达到所述目标位置的过程中的总转角改变量最小。
4.根据权利要求3所述的方法,其特征在于,所述基于所述目标函数,评估各个体对应的位置集的适应度,包括:
获取所述第一目标函数和所述第二目标函数对应的指标之间的权重比;
基于所述第一目标函数和所述第二目标函数,以及指标之间的权重比,评估所述更新后的位置集的适应度。
5.根据权利要求2所述的方法,其特征在于,所述群智能算法为猫群算法,所述基于最大迭代次数下每个个体的评估结果,确定最优的位置集,包括:
基于每只猫的适应度计算最优个体的位置信息,并且将最优解的位置信息存放到外部容器中;
将最优解位置信息和当前猫的位置信息进行比较,使用适应度较好的解来替换当前猫的位置;
以此类推,得到最大迭代次数下的最优解的最佳位置集。
6.根据权利要求1所述的方法,其特征在于,所述基于所述初始路径,得到群智能算法中群体的初始位置集,包括:
确定所述初始路径中与所述起点位置对应的第一序列点、与所述目标位置对应的第二序列点;
将所述第一序列点作为坐标原点、所述第一序列点和所述第二序列点的连线作为坐标轴,得到新的坐标系;
通过垂直线将所述第一序列点和所述第二序列点之间的线段进行划分为i+1等份,得到垂直线与所述初始路径的交点,记为所述初始位置集。
7.根据权利要求1所述的方法,其特征在于,还包括:
基于所述最优路径,生成所述可移动主体的角速度变化数据和线速度变化数据;
将所述可移动主体的角速度变化数据和线速度变化数据转换为左右轮的速度,并由电机控制所述左右轮的转速,驱动所述可移动主体完成作业。
8.一种路径规划装置,其特征在于,包括:
确定模块,用于确定可移动主体的作业环境中的障碍物;
第一处理模块,用于通过分析障碍物和目标位置对所述可移动主体产生的合势场,得到初始路径,所述初始路径为合势场最小条件下所述可移动主体从起点位置到达所述目标位置的无碰撞路径;
第二处理模块,用于基于所述初始路径,得到群智能算法中群体的初始位置集;
第三处理模块,用于通过所述群智能算法对所述初始位置集进行迭代更新处理并评估,得到最佳位置集,生成所述最佳位置集对应的最优路径。
9.一种电子设备,其特征在于,包括:通信接口、处理器和存储器;
所述处理器调用所述存储器中的程序指令,用以执行如下动作:
确定可移动主体的作业环境中的障碍物;
通过分析障碍物和目标位置对所述可移动主体产生的合势场,得到初始路径,所述初始路径为合势场最小条件下所述可移动主体从起点位置到达所述目标位置的无碰撞路径;
基于所述初始路径,得到群智能算法中群体的初始位置集;
通过所述群智能算法对所述初始位置集进行迭代更新处理并评估,得到最佳位置集,生成所述最佳位置集对应的最优路径。
10.一种控制系统,其特征在于,包括数据采集设备、如权利要求9所述的电子设备和驱动装置,其中:
所述数据采集设备,用于确定可移动主体的作业环境中的障碍物;
所述驱动装置,用于基于所述电子设备生成的最优路径,驱动所述可移动主体完成作业。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981279.1A CN114200920A (zh) | 2020-09-17 | 2020-09-17 | 路径规划方法、装置及控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981279.1A CN114200920A (zh) | 2020-09-17 | 2020-09-17 | 路径规划方法、装置及控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114200920A true CN114200920A (zh) | 2022-03-18 |
Family
ID=80644792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010981279.1A Pending CN114200920A (zh) | 2020-09-17 | 2020-09-17 | 路径规划方法、装置及控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114200920A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115451973A (zh) * | 2022-11-08 | 2022-12-09 | 南京智慧交通信息股份有限公司 | 一种基于行人大数据的智能导航系统及其方法 |
CN116069045A (zh) * | 2023-04-06 | 2023-05-05 | 武汉大学 | 一种基于移动机器人的辐射环境探测方法和系统 |
-
2020
- 2020-09-17 CN CN202010981279.1A patent/CN114200920A/zh active Pending
Non-Patent Citations (2)
Title |
---|
DONGMING ZHAO: "A Path Planning Method Based on Multi- Objective Cauchy Mutation Cat Swarm Optimization Algorithm for Navigation System of Intelligent Patrol Car", 《IEEE ACCESS》, pages 151788 - 151803 * |
艾明耀: "《高级GIS开发教程》", 30 November 2017, 武汉大学出版社, pages: 223 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115451973A (zh) * | 2022-11-08 | 2022-12-09 | 南京智慧交通信息股份有限公司 | 一种基于行人大数据的智能导航系统及其方法 |
CN116069045A (zh) * | 2023-04-06 | 2023-05-05 | 武汉大学 | 一种基于移动机器人的辐射环境探测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dang et al. | Autonomous exploration and simultaneous object search using aerial robots | |
Gao et al. | Gradient-based online safe trajectory generation for quadrotor flight in complex environments | |
Arul et al. | LSwarm: Efficient collision avoidance for large swarms with coverage constraints in complex urban scenes | |
CN114200920A (zh) | 路径规划方法、装置及控制系统 | |
Kim et al. | Motion planning by reinforcement learning for an unmanned aerial vehicle in virtual open space with static obstacles | |
Vinothkanna | A survey on novel estimation approach of motion controllers for self-driving cars | |
CN112857370A (zh) | 一种基于时序信息建模的机器人无地图导航方法 | |
CN118020038A (zh) | 两轮自平衡机器人 | |
Sundram et al. | Development of a miniature robot for multi-robot occupancy grid mapping | |
de Jesus et al. | Comparison of visual SLAM algorithms ORB-SLAM2, RTAB-Map and SPTAM in internal and external environments with ROS | |
Martyshkin | Motion planning algorithm for a mobile robot with a smart machine vision system | |
Alarcón et al. | An efficient object-oriented exploration algorithm for unmanned aerial vehicles | |
Gimenez et al. | Optimization methodology to fruit grove mapping in precision agriculture | |
Niu et al. | Building a Flexible Mobile Robotics Teaching Toolkit by Extending MATLAB/Simulink with ROS and Gazebo | |
CN113433937A (zh) | 基于启发式探索的分层导航避障系统、分层导航避障方法 | |
Cocaud et al. | Environment mapping using probabilistic quadtree for the guidance and control of autonomous mobile robots | |
Renawi et al. | ROS validation for non-holonomic differential robot modeling and control: Case study: Kobuki robot trajectory tracking controller | |
CN115790600A (zh) | 一种基于数字孪生的机器人大范围长期巡检任务覆盖策略的算法 | |
Gao et al. | A novel local path planning method considering both robot posture and path smoothness | |
Jiménez Serrata et al. | An intelligible implementation of FastSLAM2. 0 on a low-power embedded architecture | |
Han et al. | A distributed range-only collision avoidance approach for low-cost large-scale multi-robot systems | |
Ali et al. | Robot Operating System-Based SLAM for a Gazebo-Simulated Turtlebot2 in 2d Indoor Environment with Cartographer Algorithm | |
Kononov et al. | Virtual experiments on mobile robot localization with external smart RGB-D camera using ROS | |
Dias et al. | 3D path planning methods for unmanned aerial vehicles in search and rescue scenarios | |
Marzat et al. | Vision-based localization, mapping and control for autonomous MAV: EuRoC challenge results |
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 |