CN114296455B - 一种基于行人预测的移动机器人避障方法 - Google Patents

Abstract

本发明公开一种基于行人预测的移动机器人避障方法，方法参考了人在面对运动障碍物时会分析它们的运动趋势，然后提前进行躲避的思想。根据移动机器人运行中的不同场景分为狭长廊道地段和宽阔大厅地段：当机器人前方遇到行人后使用社会力模型来预测其接下来一段时间的行走轨迹，在狭长廊道地段采用不主动躲避的方式，根据预测到的行人位置来调整自身的速度；位于大厅地段时采用主动避让的策略，对动态窗口法（DWA）进行改进，在原有的评价函数中新增预测行人走向的评价项，使得改进后的算法能够提前躲避行人接下来要行走到的位置。本发明提出的移动机器人避障方法将行人的行走意图添加到机器人的避障决策中，提高了移动机器人动态避障的效率。

Description

一种基于行人预测的移动机器人避障方法

技术领域

本发明属于自动化技术领域，具体涉及一种基于行人预测的移动机器人避障方法。

背景技术

近年来，随着科学技术的不断进步，如今物流的物流建设已经从人工管理步入了信息化建设的时代。在数字化、人工智能日益发展的大背景下，采用移动机器人来代替人工运输物资是大势所趋。例如，在疫情当下国家不提倡人与人之间近距离接触，采用医护人员手工配送药物的方式会增大疾病传播的风险。目前国外已经开始批量使用了医疗配送机器人，我国的医疗物资无人配送技术也在不断地发展中。

在现有移动机器人的研究中，躲避障碍物是其中的一个重要问题。在移动机器人避障问题上，国内外目前的解决方案包括人工势场法(APF)、动态窗口法(DWA)等。这些算法在障碍物静止时还有不错的效果，然而在障碍物运动时经常会陷入局部最优，从而拖慢了整体的避障时间。产生上述问题的根本原因在于以上的算法在某一时刻只考虑移动机器人和障碍物当前的位置关系，因此在避障时做出的决策只是当前最优解，在全局的角度上还有可以提升效率的余地。综上所述，本发明提出的避障方法旨在提高移动机器人在面对行人时物资运输的效率。

发明内容

为解决上述问题，本发明公开了一种基于行人预测的移动机器人避障方法，能够将预测到的行人行走意图添加到机器人的避障决策中，使得机器人提前躲避行人接下来的行走位置，智能程度高，动态避障效果好。

为达到上述目的，本发明的技术方案如下：

一种基于行人预测的移动机器人避障方法，包括如下步骤：

(1)根据移动机器人当前处于的不同位置分为狭长廊道地段和宽阔大厅地段；

(2)当机器人行走路线前方遇到行人后，使用社会力模型预测行人接下来的走向；

(3)若机器人位于狭长廊道地段，则根据预测到的行人位置调整自身速度；若处于宽阔大厅地段，则使用动态窗口法进行避障，将预测的行人走向添加到动态窗口法的评估函数中。

进一步的，所述步骤(2)中利用社会力模型预测行人的走向，模型假定行人在行走过程中时刻受到环境以及其他行人的力学作用，合力改变行人的运动状态，通过步步迭代到达理想目标点从而完成整个过程。这些力并不是真实存在的，而是为了描述行人在指定情况下的运动特性。在原始的社会力模型中，每一个行人都受到行人自驱动力(即目标点牵引力)、行人间排斥力、边界或障碍物阻力的作用。行人在受到这三种力的作用下，其运动学方程如为：

上式中为第i个行人所受的自驱动力，它描述了该行人朝向目的地运动的主观期望。行人在运动过程中若无其他干扰，会出现以一定速度、以直线最短路径到达的意愿。若行人受到了其他行人或者周围环境的干扰，其行走方向会发生变化，这时在驱动力的作用下行人将逐渐回到原来的行走方向。

驱动力的表达式为

其中的中m_i为第i个行人的质量，v_exp为行人i的理想速度矢量，v_i(t)为行人i在t时刻实际的速度，τ为行人对加速度变化的反应时间，即当行人i将当前速度调整为期望速度的松弛时间。为了确定行人理想行走的方向，使用各种车载传感器对移动机器人前方的行人进行观测，再由这段观测时间ΔT内行人行走起点和终点的连线作为此方向。

运动学方程中为除了行人i之外，其余所有行人对行人i的作用力的矢量和。该力用来描述当有其他人接近自己时，行人有避让其行走的趋势。

的表达式为/>

其中A_i和B_i分别为作用力强度和作用范围常数；r_i、r_j和d_ij分别为行人i、j的半径和两人质心的距离；为单位矢量，表示由行人j指向行人i的作用力方向。

运动学方程中的为边界或障碍物对行人i作用力的矢量和。该力描述了当行人在行走过程中与控件边界或柱子等固定障碍物靠近时，会表现出与其保持一定距离的倾向。

的表达式为/>

其中A_w和B_w分别为作用力强度和作用范围常数；为单位矢量，表示由边界或障碍物指向行人i的作用力方向，取垂直于边界或障碍物方向。

在上述三个力的基础上，本次发明在原始社会力模型的基础上新增了一个心里驱动力，用来描述行人在遇到配送机器人时主动进行避让的行为，

其公式设计为

其中A_p和B_p分别为心理作用力强度和范围常数，为单位矢量，方向为行人在遇到机器人后速度改变的方向。

计算出了行人所受的合力后，可以不考虑行人质量，直接将其作为加速度，然后使用公式根据时间步长对行人的位置进行递推，以达到预测未来一段时间运动轨迹的目的。

进一步的，所述步骤(3)中如果移动机器人位于狭长廊道时前方遇到行人，则首先按照上述方法预测出行人一段时间后的行走位置，然后确定一个危险范围r，接着可以得到机器人可以行走到的最远位置。若机器人当前速度为v₀，由当前位置到可行走到的最远位置的距离为D，假设移动机器人做匀变速直线运动，则由运动学公式可以得出机器人的加速度为此后可使用该公式不断迭代，调整机器人自身速度即可完成整个过程。

当移动机器人位于宽阔大厅时遇到行人，同样使用社会力模型预测出行人的行走位置，然后将预测的结果添加到动态窗口法的评估函数中，评估函数公式为

G(v，w)＝σ·(α·heading(v，w)+β·dist(v，w)+γ·velocity(v，w)+ε·predict(v，w))，

其中的heading(v，w)为朝向角评价，dist(v，w)为障碍物距离评价，velocity(v，w)为机器人速度评价，predict(v，w))为本发明新增的行人预测评价项，公式设计为

当条件成立时，说明移动机器人与行人有同向运动的趋势，因此在所有预测的轨迹中选择/>较大的可以让机器人朝远离行人行走的方向移动；当/>条件成立时说明机器人与行人有反向运动的趋势，在所有预测的轨迹中选择/>较小的可以让机器人朝远离行人行走的方向移动。

本发明的有益效果为：

本发明采用了社会力模型对行人的走向进行了预测，并将结果添加到后续的避障决策中，使得移动机器人能够提前躲避行人将要行走到的位置，提高了动态避障的效果，避免了传统避障算法陷入局部最优的缺陷。

附图说明

图1为本发明所述的避障方法流程图；

图2为社会力模型行人受力示意图；

图3为本发明中确定行人理想前进方向方法示意图；

图4为移动机器人位于狭长廊道时避障示意图；

图5为本发明中在动态窗口法评估函数中新增评价函数项的示意图；

图6为移动机器人在狭窄廊道运行时使用本发明避障方法与原始方法的对比图；

图7为移动机器人在宽阔大厅中运行时使用本发明避障方法与原始方法的对比图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

如图1所示，本发明所述的一种基于行人预测的移动机器人避障方法，根据机器人当前处于的位置判断其为狭窄廊道地段或者是宽阔大厅地段。当机器人遇到行人时，首先使用社会力模型预测行人的走向。

进一步的，若机器人位于狭长廊道中(图4所示)，使用社会力模型预测出行人的走向后，接着确定一个危险范围r，然后可以得到机器人行走到的最远位置。若机器人当前速度为v₀，由当前位置到可行走到的最远位置的距离为D，则由运动学公式可以得出机器人的加速度为此后可使用该公式不断迭代，调整机器人自身速度即可完成整个过程。

进一步的，若机器人位于宽阔大厅中则对原始的动态窗口算法进行改进，改进后的评估函数为G(v，w)＝σ·(α·heading(v，w)+β·dist(v，w)+γ·velocity(v，w)+ε·predict(v，w))。其中的predict(v，w))为本发明中新增的行人预测函数评估项，表达式设计为

当条件成立时，说明移动机器人与行人有同向运动的趋势，因此在所有预测的轨迹中选择/>较大的可以让机器人朝远离行人行走的方向移动，如图5(a)所示；当/>条件成立时说明机器人与行人有反向运动的趋势，因此在所有预测的轨迹中选择/>较小的可以让机器人朝远离行人行走的方向移动，如图5(b)所示。

实施例1：

实施例1用来验证本发明提出的避障方法在狭长廊道中的效果，如图6所示。实施例中在狭长廊道设置了一个行人，且与机器人同向行走。机器人的初始速度为0.7m/s，行人速度为0.8m/s，机器人与行人初始距离为1.9m，危险半径为1.5m。黑色曲线使用原始DWA算法避障，由于没有预判行人的行走意图，因此原有算法在避障时比较保守，机器人行走过程中与保持较远的距离，稳定后约为3m；而优化后的算法由于判断到了行人接下来还会向前继续行走，因此可以进一步缩短与行人之间的距离，稳定后约为1.2m。

实施例2：

实施例2用来验证本发明提出的避障算法在宽阔大厅中的避障效果，如图7所示。在大厅中设置了五个行人，其运动方向在图中用黑色箭头标明，其中1、4号行人遇到机器人时减速，即产生了避让行为，其余行人不会主动避让，正常行走。由图7(b)可以看出，优化前的原始DWA算法经过了避让的行人1和4之后在P1处接近了行人2，由于没有预判到该行人的行走意图，机器人的前进方向并没有受到影响，因此在图7(c)中P2处与行人3产生了冲突，减速停车后在从上方绕过行人3。整个避障过程中评估函数执行次数为311，运行总时长为15.5s。而优化后的DWA算法在图7(a)中P1处由于预测到了行人2还会继续向下行走，因此提前向下方进行了避让，这样在图7(b)中P3处面对行人3时就有充分的时间进行躲避，不至于停车，最后在图7(d)中P5处遇到行人5，再向上躲避最终到达终点。优化后的算法整个避障过程中评估函数执行次数为225，运行总时长为11.2s。

需要说明的是，以上内容仅仅说明了本发明的技术思想，不能以此限定本发明的保护范围，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰均落入本发明权利要求书的保护范围之内。

Claims (3)

1.一种基于行人预测的移动机器人避障方法，其特征在于，包括如下步骤：

(1)根据移动机器人所处于的不同场景分为狭长廊道地段和宽阔大厅地段；

(2)当机器人行走路线前方遇到行人后，使用社会力模型预测行人接下来的走向，没遇到行人则继续正常行驶；

所述社会力模型计算合力的方法为：假设行人受到4种不同的力，分别为目标点驱动力行人之间排斥力/>障碍物排斥力/>和行人心理驱动力/>其中v_exp为行人的理想速度矢量，v_i(t)为行人当前的速度，τ为行人将当前速度调整为期望速度的松弛时间，A和B分别为作用力的强度和作用范围常数；

(3)若机器人位于狭长廊道地段，则根据预测到的行人位置调整自身速度；若处于宽阔大厅地段，则使用动态窗口法进行避障，将预测的行人走向添加到动态窗口法的评估函数中；当移动机器人位于宽阔大厅时，其避障的方法为：对原始的动态窗口法进行改进，在动态窗口评估函数中新增一个函数评价项predict(v，ω)，其计算方法为公式中的/>为移动机器人当前速度向量，/>为轨迹预测终点处机器人速度向量，/>为行人当前位置指向预测位置的向量；最终的评估函数为：

G(v，w)＝σ·(α·heading(v，w)+β·dist(v，w)+γ·velocity(v，w)+ε·predict(v，w))

按照此公式不断筛选出评分最高的轨迹，即可完成整个避障流程。

2.根据权利要求1所述的一种基于行人预测的移动机器人避障方法，其特征在于，所述步骤(2)中预测行人行走轨迹的方法为：不考虑行人质量，直接将步骤(2)中计算的合力作为加速度，然后使用公式进行迭代，其中p_t和p_t+1分别为行人t和t+1时刻的位置，v_t和v_t+1分别为行人t和t+1时刻的速度。

3.根据权利要求1所述的一种基于行人预测的移动机器人避障方法，其特征在于，所述步骤(3)中当机器人位于狭长廊道中时，其避障的方法为：首先确定一个危险半径r，接着便得到AGV可以行走的最远位置，由运动学公式计算出机器人的加速度，进行迭代即可完成避障流程。