CN114442629A - 一种基于图像处理的移动机器人路径规划方法 - Google Patents
一种基于图像处理的移动机器人路径规划方法 Download PDFInfo
- Publication number
- CN114442629A CN114442629A CN202210087144.XA CN202210087144A CN114442629A CN 114442629 A CN114442629 A CN 114442629A CN 202210087144 A CN202210087144 A CN 202210087144A CN 114442629 A CN114442629 A CN 114442629A
- Authority
- CN
- China
- Prior art keywords
- path
- mobile robot
- segmented
- map image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 title claims abstract description 29
- 230000033001 locomotion Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 35
- 238000010586 diagram Methods 0.000 description 19
- 238000004088 simulation Methods 0.000 description 13
- 238000011160 research Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003068 static effect 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, 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
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
-
- 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
- G05D1/0217—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, 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
- 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
-
- 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
- G05D1/0221—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
- G06T2207/20044—Skeletonization; Medial axis transform
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于图像处理的移动机器人路径规划方法,包括以下步骤:S1.对地图图像进行预处理:基于移动机器人外部几何特征,计算所述移动机器人运动过程中与周围障碍物的安全距离s,在所述地图图像上以扩张点为中心、以安全距离s为扩张半径形成圆形范围设置安全范围,并对所述安全范围进行标记;对标记后的所述地图图像进行骨骼特征提取,获得参考路径地图;S2.获得初始路径;S3.对所述初始路径进行优化。本发明提高了算法的灵活性,具有较高的鲁棒性、运行效率,并且得到的最优路径能够保证移动机器人的运动安全性。
Description
技术领域
本发明涉及智能机器人技术领域,更具体的说是涉及一种基于图像处理的移动机器人路径规划方法。
背景技术
移动机器人是一种能够在各种环境中连续自主运动的智能机械,其发展对国防、社会、经济和科学技术具有重大影响,己成为国家高科技领域的战略性研究目标。路径规划是移动机器人行为规划系统中不可或缺的一部分,其根据周围环境的地图信息,通过特定的运算求解获得最优路径,从而指引移动机器人以最小的代价完成运动任务。研究路径规划方法对于移动机器人的研究发展至关重要。
在路径规划算法的研究中,两个最主要的环节是地图建模和算法设计。当前地图格式主要有栅格地图、有向图和无向图。栅格地图利用二值矩阵进行表示。矩阵中只有0和1两种元素,分别表示障碍物和可移动空间。有向图和无向图则是利用邻接矩阵进行表示。这几种格式的地图在表示移动机器人的工作环境时,无法具体地表示出障碍物或路径的几何形状,并且地图建模过程极为复杂,需要人为输入工作环境的信息,当工作环境范围过大时,地图制作的工作量和时间会剧增。
目前路径规划的主流算法主要有Dijkstra算法、A*算法、蚁群算法和粒子群算法等。在路径规划研究中,通常将移动机器人视为质点,不考虑移动机器人的静态几何特征,致使机器人在循迹行驶时存在碰撞风险。梁彧针对Dijkstra算法存在路径搜索范围大,效率低的问题,引入了估计函数,对路径代价进行估计,最后规划出最短路径。Huang JZ等人结合了蚁群算法和免疫算法,提高了蚁群算法的收敛速度,并且解决了规划过程中容易陷入局部最优的问题。卫玉梁等人提出了一种基于神经网络的Q-Learing算法,通过建立一个RBF神经网络,提高了Q-Learing算法的收敛速度和避障性能。Song L F等人提出了一种基于形状矢量图的全局路径规划算法;He X等人引入分层搜索的概念到路径规划算法中,提高了算法的求解效率;Delling D等人提出了一种改进的加速算法;Sanders P等人提出了一种公路工程中可以用到的加速算法;Tammvee M等人则是通过模拟人类的行为活动,提出了一种指导移动机器人运动的路径规划算法;Lin Lin等人提出了基于改进的遗传算法的AGV调度系统算法。
通过对现有技术进行分析研究可以发现,在路径规划算法的研究中,大部分算法所能求解的地图格式为栅格地图、有向图和无向图,灵活性较差。同时,由于移动机器人具有自身的几何形状,研究中将其视为质点的研究方法无法保证其在运动时不与周围障碍物发生碰撞。
因此,如何设计一个能够考虑移动机器人行驶安全性,并且能够处理的地图灵活性高的算法或方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于图像处理的移动机器人路径规划方法。
为了实现上述目的,本发明采用如下技术方案:
一种基于图像处理的移动机器人路径规划方法,包括以下步骤:
S1.对地图图像进行预处理:基于移动机器人外部几何特征,计算所述移动机器人运动过程中与周围障碍物的安全距离s,在所述地图图像上以扩张点为中心、以安全距离s为扩张半径形成圆形范围设置安全范围,并对所述安全范围进行标记;对标记后的所述地图图像进行骨骼特征提取,获得参考路径地图;
S2.获得初始路径:建立邻接矩阵,基于所述邻接矩阵对所述参考路径地图进行路径求解,得到初始路径;
S3.对所述初始路径进行优化:
S31.对所述初始路径进行邻域扩张,获得扩张路径;
S32.将所述扩张路径进行分段,得到n个分段路径,针对每个所述分段路径分别进行优化;
S33.将优化后的所述分段路径进行拼接,获得优化后的完整路径。
优选的,S1中对地图图像进行预处理的过程中还包括:
将所述地图图像二值化,得到二值化地图图像,在所述二值化地图图像上设置安全范围。
优选的,S1中设置安全范围并对所述安全范围进行标记的具体内容包括:
S11.基于移动机器人外部几何特征,计算移动机器人的安全距离,并计算安全范围;
S12.识别所述地图图像上障碍物的所有边界点;
S13.获取其中一个边界点的坐标;
S14.将所述地图图像中以边界点为中心设置的圆形安全范围内所有的点全部标记为0;
S15.重复S13-S14的内容,直至所有的所述边界点均设置有安全范围。
优选的,S32的具体内容包括:
S321.确定每个所述分段路径的分段长度cd;
S322.检索所述初始路径上的各个路径点,获取每个所述分段路径中所有路径点的坐标;
S323.分别针对每个所述分段路径,计算坐标点中横向坐标与纵向坐标的最小值和最大值,记为:
[imin:imax,jmin:jmax];
S324.通过imin,imax,jmin,jmax,计算需要提取的区域大小:
w=imax-imin+1
l=jmax-jmin+1
其中,w为提取区域的宽度,l为提取区域的长度;
S325.提取出的每个所述分段路径的区域为:
[imin:imax,jmin:jmax]
S326.建立每个所述分段路径的邻接矩阵;
S327.对每个分段路径进行优化;
S328.获得所有分段路径的优化结果。
优选的,S33的具体内容包括:
S331.设置所述分段路径的坐标矩阵;
S332.删除每个所述分段路径上的冗余点,获得进一步优化后的所述分段路径;
S333.分别记录每个所述分段路径中每个路径点的坐标(i,j);
S334.获取每个路径点在所述地图图像中的坐标位置并记录:
其中,(i',j')为路径点在所述地图图像中的坐标;
S335.将各个所述分段路径上的路径点坐标(i',j')依次放入路径坐标矩阵中,完成所述分段路径的拼接。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于图像处理的移动机器人路径规划方法,该方法简单、灵活性高,并能够保证移动机器人运动安全性的移动机器人路径规划方案,采用含有环境信息的图片作为地图,提出了一种邻接矩阵的自动生成方法,降低了地图制作的难度与复杂度;通过对地图图像进行预处理,设置安全距离,保证了移动机器人的运动安全性,并提高了方案的运行效率;通过Dijkstra算法和路径分段、路径拼接的方法,得到了移动机器人在场景下的最优路径。仿真结果表明,该方法提升了路径规划算法的灵活性,具有较高的鲁棒性和求解效率,得到的最优路径能够保证移动机器人的运动安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的一种基于图像处理的移动机器人路径规划方法的流程示意图;
图2附图为本发明实施例提供的一种基于图像处理的移动机器人路径规划方法中安全距离设置过程示意图;
图3附图为本发明实施例提供的一种基于图像处理的移动机器人路径规划方法间点标记法及标记效果示意图;
图4附图为本发明实施例提供的一种基于图像处理的移动机器人路径规划方法中参考路径地图;
图5附图为本发明实施例提供的一种基于图像处理的移动机器人路径规划方法邻接矩阵生成方式图解;
图6附图为本发明实施例提供的一种基于图像处理的移动机器人路径规划方法初始路径示意图;
图7附图为本发明实施例提供的一种基于图像处理的移动机器人路径规划方法分段路径示意图;
图8附图为本发明实施例提供的一种基于图像处理的移动机器人路径规划方法中提取分段路径示意图;
图9附图为本发明实施例提供的一种基于图像处理的移动机器人路径规划方法中分段路径优化示意图;
图10附图为本发明实施例提供的一种基于图像处理的移动机器人路径规划方法中所有分段路径的优化结果示意图;
图11附图为本发明实施例提供的一种基于图像处理的移动机器人路径规划方法中对分段路径进行进一步优化后获取优化后的路径示意图;
图12附图为本发明实施例提供的一种基于图像处理的移动机器人路径规划方法中第1段分段路径优化后所有的路径点坐标全部放入路径坐标矩阵过程示意图;
图13附图为本发明实施例提供的一种基于图像处理的移动机器人路径规划方法中所有分段路径的所有路径点均放入路径坐标矩阵过程示意图;
图14附图为本发明实施例提供的一种基于图像处理的移动机器人路径规划方法中拼接完成后的路径示意图;
图15附图为本发明实施例提供的一种基于图像处理的移动机器人路径规划方法中最优路径在地图图像中显示示意图;
图16附图为本发明实施例提供的仿真实验中的map6及其初始路径和最优路径仿真结果示意图;
图17附图为本发明实施例提供的仿真实验中的map4及其初始路径和最优路径仿真结果示意图;
图18附图为本发明实施例提供的仿真实验中的map90及其初始路径和最优路径仿真结果示意图;
图19附图为本发明实施例提供的仿真实验中的map50及其初始路径和最优路径仿真结果示意图;
图20附图为本发明实施例提供的仿真实验中的map91及其初始路径和最优路径仿真结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
地图图像中的每一个像素点都可以参与到运算中,致使数据量巨大,算法运行效率低。同时,考虑移动机器人的外部几何特征,避免运动过程中与周围环境中的物体碰撞,因此需要对图片进行预处理,以获得安全的参考路径地图。
本发明实施例公开了一种基于图像处理的移动机器人路径规划方法,如图1所示,包括以下步骤:
S1.对地图图像进行预处理:基于移动机器人外部几何特征,计算移动机器人运动过程中与周围障碍物的安全距离s,在地图图像上以扩张点为中心、以安全距离s为扩张半径形成圆形范围设置安全范围,并对安全范围进行标记;对标记后的地图图像进行骨骼特征提取,获得参考路径地图,如图4所示;
S2.获得初始路径:建立邻接矩阵,基于邻接矩阵对参考路径地图进行路径求解,得到初始路径;
S3.对初始路径进行优化:
S31.对初始路径进行邻域扩张,获得扩张路径;
S32.将扩张路径进行分段,得到n个分段路径,针对每个分段路径分别进行优化;
S33.将优化后的分段路径进行拼接,获得优化后的完整路径。
为了进一步实施上述技术方案,S1中对地图图像进行预处理的过程中还包括:
将地图图像二值化,得到二值化地图图像,在二值化地图图像上设置安全范围。
需要说明的是:
设ri为水平面内移动机器人上某点到小车转弯旋转中心的距离,为使小车在运动时不与障碍物发生碰撞,则安全距离s应满足:
s≥max(ri)
在本实施例中,采用Dijkstra算法进行初始路径求解。Dijkstra算法是基于邻接矩阵实现的。邻接矩阵是表示路径中可移动点之间的距离的矩阵。矩阵中的横纵坐标代表可移动点。而矩阵里的元素代表两点之间的通联关系,0代表两点之间不相通,其余的数字代表两点之间的距离。
邻接矩阵的建立过程及邻接矩阵到地图图像的反向转换过程如图5所示。
本实施例中还运用Dijkstra算法对参考路径地图进行路径求解,得到初始路径,如图6所示。
为了防止在循迹行驶时,小车发生“擦边”现象,减少小车碰撞的可能,设置一个大于1的安全距离系数α,则安全距离为:
s=α·max(ri)
为了进一步实施上述技术方案,如图2所示,S1中设置安全范围并对安全范围进行标记的具体内容包括:
S11.基于移动机器人外部几何特征,计算移动机器人的安全距离,并计算安全范围;
S12.识别地图图像上障碍物的所有边界点;
S13.获取其中一个边界点的坐标;
S14.将地图图像中以边界点为中心设置的圆形安全范围内所有的点全部标记为0;
S15.重复S13-S14的内容,直至所有的边界点均设置有安全范围。
需要说明的是:
使用间点标记法,根据需要指定地图空白部分中的任意位置为起点/终点,指定后则根据指定的位置,自动通过间点标记法标识出安全范围。
其数学表示如下:
采用间点标记法后,效果如图3(b)所示。
为了进一步实施上述技术方案,S32的具体内容包括:
S321.确定每个分段路径的分段长度cd;
S322.检索初始路径上的各个路径点,获取每个分段路径中所有路径点的坐标;
S323.分别针对每个分段路径,计算坐标点中横向坐标与纵向坐标的最小值和最大值,记为:
[imin:imax,jmin:jmax];
S324.通过imin,imax,jmin,jmax,计算需要提取的区域大小:
w=imax-imin+1
l=jmax-jmin+1
其中,w为提取区域的宽度,l为提取区域的长度;
S325.提取出的每个分段路径的区域为:
[imin:imax,jmin:jmax]
S326.建立每个分段路径的邻接矩阵;
S327.对每个分段路径进行优化;
S328.获得所有分段路径的优化结果。
需要说明的是:
在本实施例中,确定分段路径的分段长度cd,长度可以设置为[500,1000],如图7所示,提取出一个分段路径如图8所示;对分段路径进行优化,如图9所示,获得所有分段路径的优化结果,如图10所示。
需要注意的是,在多次进行优化时,分段的节点是无法参与到优化过程中的,这会降低算法的优化效果。因此可以采用多分段长度cd循环使用的模式,使每一次分段的节点在下一次分段优化过程中参与到优化过程中。
为了进一步实施上述技术方案,S33的具体内容包括:
S331.设置分段路径的坐标矩阵;
S332.删除每个分段路径上的冗余点,获得进一步优化后的分段路径;
S333.分别记录每个分段路径中每个路径点的坐标(i,j);
S334.获取每个路径点在地图图像中的坐标位置并记录:
其中,(i',j')为路径点在地图图像中的坐标;
S335.将各个分段路径上的路径点坐标(i',j')依次放入路径坐标矩阵中,完成分段路径的拼接。
需要说明的是:
对分段路径进行进一步优化后获取优化后的路径,如图11所示;第1段分段路径优化后所有的路径点坐标全部放入路径坐标矩阵中如图12所示;将所有分段路径中的所有路径点均放入路径坐标矩阵中的过程如图13所示;拼接完成后的路径如图14所示,最终获得的路径在地图图像中显示如图15所示。
下面将进一步通过仿真验证来对本发明进行说明:
1.多障碍物环境地图图像
多障碍物环境地图,其内部包含了多个、多种形状的障碍物,主要用于测试并调试方案,并检验其性能是否能够满足要求。如图16、图17、图18,(其中图(a)分别为map6、map4和map90,图(b)分别为上述地图对应的初始路径,图(c)为上述地图对应的最优路径)通过对多障碍物环境地图进行求解,发现该方案规划出的最优路径能够保证移动机器人在移动时的安全性,并且为全局最优的最短路径。方案运行过程中,灵活性较高,并无发生报错的问题;并且鲁棒性较高,求解效率较快。
2.特殊环境地图图像
特殊环境地图是指形状比较特殊,一般具有某种特定的测试目的的地图,主要用于检查方案在一些极端情况下的适应性或者单独检验方案的某一项性能。如图19,通过对特殊地图进行求解验证,发现方案对超长路径进行求解时,求解得到初始路径的效率较快,但是优化初始路径的效率比较低。如图20,通过对迷宫类地图进行求解,本发明的寻径能力十分突出,在寻径效率和寻径速度两方面都出色,是该方案的一大优势。(图19-20中,图(a)分别为map50和map91,图(b)分别为求解map50和map91得到的初始路径,图(c)分别为求解map50和map91得到的最优路径)
本发明提出了一种基于图像处理的移动机器人路径规划方法。采用含有环境信息的图片作为环境地图,提高了地图制作的效率;采用图片预处理、设置安全距离的方法,保证了移动机器人的运动安全性,并提高了方案的运行效率;采用Dijkstra算法并结合路径分段和路径拼接方法,获得了最优路径。通过对方案进行仿真验证,发现该方案提高了算法的灵活性,具有较高的鲁棒性、运行效率,并且得到的最优路径能够保证移动机器人的运动安全性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本发明中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本发明所示的这些实施例,而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于图像处理的移动机器人路径规划方法,其特征在于,包括以下步骤:
S1.对地图图像进行预处理:基于移动机器人外部几何特征,计算所述移动机器人运动过程中与周围障碍物的安全距离s,在所述地图图像上以障碍物的边界点为中心、以安全距离s为扩张半径形成圆形范围设置安全范围,并对所述安全范围进行标记;对标记后的所述地图图像进行骨骼特征提取,获得参考路径地图;
S2.获得初始路径:建立邻接矩阵,基于所述邻接矩阵对所述参考路径地图进行路径求解,得到初始路径;
S3.对所述初始路径进行优化:
S31.对所述初始路径进行邻域扩张,获得扩张路径;
S32.将所述扩张路径进行分段,得到n个分段路径,针对每个所述分段路径分别进行优化;
S33.将优化后的所述分段路径进行拼接,获得优化后的完整路径。
2.根据权利要求1所述的一种基于图像处理的移动机器人路径规划方法,其特征在于,S1中对地图图像进行预处理的过程中还包括:
将所述地图图像二值化,得到二值化地图图像,在所述二值化地图图像上设置安全范围。
3.根据权利要求1所述的一种基于图像处理的移动机器人路径规划方法,其特征在于,S1中设置安全范围并对所述安全范围进行标记的具体内容包括:
S11.基于移动机器人外部几何特征,计算移动机器人的安全距离,并计算安全范围;
S12.识别所述地图图像上障碍物的所有边界点;
S13.获取其中一个边界点的坐标;
S14.将所述地图图像中以障碍物的边界点为中心设置的圆形安全范围内所有的点全部标记为0;
S15.重复S13-S14的内容,直至所有的所述边界点均设置有安全范围。
4.根据权利要求1所述的一种基于图像处理的移动机器人路径规划方法,其特征在于,S32的具体内容包括:
S321.确定每个所述分段路径的分段长度cd;
S322.检索所述初始路径上的各个路径点,获取每个所述分段路径中所有路径点的坐标;
S323.分别针对每个所述分段路径,计算坐标点中横向坐标与纵向坐标的最小值和最大值,记为:
[imin:imax,jmin:jmax];
S324.通过imin,imax,jmin,jmax,计算需要提取的区域大小:
w=imax-imin+1
l=jmax-jmin+1
其中,w为提取区域的宽度,l为提取区域的长度;
S325.提取出的每个所述分段路径的区域为:
[imin:imax,jmin:jmax]
S326.建立每个所述分段路径的邻接矩阵;
S327.对每个分段路径进行优化;
S328.获得所有分段路径的优化结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210087144.XA CN114442629B (zh) | 2022-01-25 | 2022-01-25 | 一种基于图像处理的移动机器人路径规划方法 |
US17/945,883 US11720119B1 (en) | 2022-01-25 | 2022-09-15 | Path planning method of mobile robots based on image processing |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210087144.XA CN114442629B (zh) | 2022-01-25 | 2022-01-25 | 一种基于图像处理的移动机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114442629A true CN114442629A (zh) | 2022-05-06 |
CN114442629B CN114442629B (zh) | 2022-08-09 |
Family
ID=81369751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210087144.XA Active CN114442629B (zh) | 2022-01-25 | 2022-01-25 | 一种基于图像处理的移动机器人路径规划方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11720119B1 (zh) |
CN (1) | CN114442629B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117091608B (zh) * | 2023-10-17 | 2023-12-29 | 山东怀思人工智能科技有限公司 | 一种教育机器人的路径规划方法、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1038596A (ja) * | 1996-07-29 | 1998-02-13 | Kenwood Corp | 車載用ナビゲーション装置 |
CN103439972A (zh) * | 2013-08-06 | 2013-12-11 | 重庆邮电大学 | 一种动态复杂环境下的移动机器人路径规划方法 |
CN108775902A (zh) * | 2018-07-25 | 2018-11-09 | 齐鲁工业大学 | 基于障碍物虚拟膨胀的伴随机器人路径规划方法及系统 |
CN110609547A (zh) * | 2019-08-21 | 2019-12-24 | 中山大学 | 一种基于可视图引导的移动机器人规划方法 |
CN110850871A (zh) * | 2019-10-21 | 2020-02-28 | 深圳市银星智能科技股份有限公司 | 一种机器路径规划方法及移动机器人 |
CN113496494A (zh) * | 2021-06-17 | 2021-10-12 | 北京理工大学 | 基于drr模拟数据生成的二维骨骼分割方法及装置 |
CN113741455A (zh) * | 2021-09-02 | 2021-12-03 | 重庆大学 | 一种移动机器人可视范围覆盖路径规划方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11037320B1 (en) * | 2016-03-01 | 2021-06-15 | AI Incorporated | Method for estimating distance using point measurement and color depth |
DE102017120218A1 (de) * | 2017-09-01 | 2019-03-07 | RobArt GmbH | Bewegungsplanung für autonome mobile roboter |
JP2021193470A (ja) * | 2018-09-11 | 2021-12-23 | ソニーグループ株式会社 | 制御装置、情報処理方法、およびプログラム |
KR20220029824A (ko) * | 2020-08-28 | 2022-03-10 | 삼성전자주식회사 | 청소 로봇 및 그 제어 방법 |
JP2022085310A (ja) * | 2020-11-27 | 2022-06-08 | パナソニックIpマネジメント株式会社 | 自律走行型掃除機及び掃除システム |
-
2022
- 2022-01-25 CN CN202210087144.XA patent/CN114442629B/zh active Active
- 2022-09-15 US US17/945,883 patent/US11720119B1/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1038596A (ja) * | 1996-07-29 | 1998-02-13 | Kenwood Corp | 車載用ナビゲーション装置 |
CN103439972A (zh) * | 2013-08-06 | 2013-12-11 | 重庆邮电大学 | 一种动态复杂环境下的移动机器人路径规划方法 |
CN108775902A (zh) * | 2018-07-25 | 2018-11-09 | 齐鲁工业大学 | 基于障碍物虚拟膨胀的伴随机器人路径规划方法及系统 |
CN110609547A (zh) * | 2019-08-21 | 2019-12-24 | 中山大学 | 一种基于可视图引导的移动机器人规划方法 |
CN110850871A (zh) * | 2019-10-21 | 2020-02-28 | 深圳市银星智能科技股份有限公司 | 一种机器路径规划方法及移动机器人 |
CN113496494A (zh) * | 2021-06-17 | 2021-10-12 | 北京理工大学 | 基于drr模拟数据生成的二维骨骼分割方法及装置 |
CN113741455A (zh) * | 2021-09-02 | 2021-12-03 | 重庆大学 | 一种移动机器人可视范围覆盖路径规划方法 |
Non-Patent Citations (1)
Title |
---|
李燊 等: "一种移动机器人路径规划的优化方法", 《新型工业化》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114442629B (zh) | 2022-08-09 |
US11720119B1 (en) | 2023-08-08 |
US20230236605A1 (en) | 2023-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108444482B (zh) | 一种无人机自主寻路避障方法及系统 | |
CN111504325B (zh) | 一种基于扩大搜索邻域的加权a*算法的全局路径规划方法 | |
Schmid et al. | An efficient sampling-based method for online informative path planning in unknown environments | |
Niu et al. | Voronoi-visibility roadmap-based path planning algorithm for unmanned surface vehicles | |
CN109163722B (zh) | 一种仿人机器人路径规划方法及装置 | |
CN112229419B (zh) | 一种动态路径规划导航方法及系统 | |
CN106371445A (zh) | 一种基于拓扑地图的无人车规划控制方法 | |
CN112783169B (zh) | 一种路径规划方法、设备及计算机可读存储介质 | |
CN113723715B (zh) | 公交线网自动匹配道路网络方法、系统、设备及存储介质 | |
CN112683275A (zh) | 一种栅格地图的路径规划方法 | |
Bastani et al. | Machine-assisted map editing | |
CN114442629B (zh) | 一种基于图像处理的移动机器人路径规划方法 | |
Ma et al. | Efficient reciprocal collision avoidance between heterogeneous agents using ctmat | |
Li et al. | Improving autonomous exploration using reduced approximated generalized voronoi graphs | |
CN112428271B (zh) | 基于多模态信息特征树的机器人实时运动规划方法 | |
JP2003029833A (ja) | 移動体の自律走行経路の生成法 | |
Plaku et al. | Clearance-driven motion planning for mobile robots with differential constraints | |
Gadre et al. | A topological map based approach to long range operation of an unmanned surface vehicle | |
Zhao et al. | A study of the global topological map construction algorithm based on grid map representation for multirobot | |
CN113885567B (zh) | 一种基于冲突搜索的多无人机的协同路径规划方法 | |
Sell et al. | Safety toolkit for automated vehicle shuttle-Practical implementation of digital twin | |
CN116300876A (zh) | 一种多智能体未知环境自主协同探索方法、系统、装置及存储介质 | |
CN113516206B (zh) | 一种多目标点的路径规划方法 | |
CN111596668B (zh) | 基于逆向强化学习的移动机器人拟人化路径规划方法 | |
Elizondo-Leal et al. | An exact euclidean distance transform for universal path planning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |