CN114647248A - 机器人避障方法、电子设备及可读存储介质 - Google Patents
机器人避障方法、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN114647248A CN114647248A CN202210560153.6A CN202210560153A CN114647248A CN 114647248 A CN114647248 A CN 114647248A CN 202210560153 A CN202210560153 A CN 202210560153A CN 114647248 A CN114647248 A CN 114647248A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- robot
- information
- dynamic
- motion characteristic
- 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 63
- 230000004888 barrier function Effects 0.000 claims abstract description 86
- 230000008859 change Effects 0.000 claims description 32
- 230000003068 static effect Effects 0.000 claims description 28
- 230000010485 coping Effects 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000013058 risk prediction model Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请公开了机器人避障方法、电子设备及可读存储介质,应用于人工智能技术领域,机器人避障方法包括:当机器人检测到动态障碍物时,依据机器人的原始路径规划信息以及动态障碍物的第一运动特征信息,预测机器人与动态障碍物发生碰撞的碰撞概率;当碰撞概率大于预设概率阈值时,根据第一运动特征信息,预测动态障碍物在下一时间步的第二运动特征信息;根据原始路径规划信息和第二运动特征信息,预测机器人与动态障碍物在下一时间步的碰撞风险,得到碰撞风险类型标签;依据碰撞风险类型标签对应的路径规划策略,调整原始路径规划信息对应的原始规划路径,以控制机器人对动态障碍物进行避障。本申请解决了机器人的控制安全性低的技术问题。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种机器人避障方法、电子设备及可读存储介质。
背景技术
随着科技的高速发展,机器人的应用也越来越广泛,在机器人进行工作时,往往会遇到障碍物碰撞风险的问题,目前,通常通过机器人自带的摄像头拍摄行进图像,依据行进图像确定的障碍物与机器人之间的距离躲避障碍物的方法,而机器人的行进信息不是固定的,且障碍物的运动信息不是一成不变的,从而使得仅通过行进图像确定的障碍物与机器人之间的距离不准确,导致机器人与障碍物发生碰撞的风险增大,从而导致机器人的控制安全性低。
发明内容
本申请的主要目的在于提供一种机器人避障方法、电子设备及可读存储介质,旨在解决现有技术中机器人的控制安全性低的技术问题。
为实现上述目的,本申请提供一种机器人避障方法,应用于机器人避障设备,所述机器人避障方法包括:
当机器人检测到动态障碍物时,依据所述机器人的原始路径规划信息以及所述动态障碍物的第一运动特征信息,预测所述机器人与所述动态障碍物发生碰撞的碰撞概率;
当所述碰撞概率大于预设概率阈值时,根据所述第一运动特征信息,预测所述动态障碍物在下一时间步的第二运动特征信息;
根据所述原始路径规划信息和所述第二运动特征信息,预测所述机器人与所述动态障碍物在下一时间步的碰撞风险,得到碰撞风险类型标签;
依据所述碰撞风险类型标签对应的路径规划策略,调整所述原始路径规划信息对应的原始规划路径,以控制所述机器人对所述动态障碍物进行避障。
为实现上述目的,本申请还提供一种机器人避障装置,所述机器人避障装置应用于机器人避障设备,所述机器人避障装置包括:
碰撞概率预测模块,用于当机器人检测到动态障碍物时,依据所述机器人的原始路径规划信息以及所述动态障碍物的第一运动特征信息,预测所述机器人与所述动态障碍物发生碰撞的碰撞概率;
运动信息预测模块,用于当所述碰撞概率大于预设概率阈值时,根据所述第一运动特征信息,预测所述动态障碍物在下一时间步的第二运动特征信息;
碰撞风险预测模块,用于根据所述原始路径规划信息和所述第二运动特征信息,预测所述机器人与所述动态障碍物在下一时间步的碰撞风险,得到碰撞风险类型标签;
避障模块,用于依据所述碰撞风险类型标签对应的路径规划策略,调整所述原始路径规划信息对应的原始规划路径,以控制所述机器人对所述动态障碍物进行避障。
本申请还提供一种电子设备,所述电子设备包括: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所述机器人避障方法的程序,所述机器人避障方法的程序被处理器执行时可实现如上述的机器人避障方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有实现机器人避障方法的程序,所述机器人避障方法的程序被处理器执行时实现如上述的机器人避障方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的机器人避障方法的步骤。
本申请提供了一种机器人避障方法、电子设备及可读存储介质,相比于现有技术中采用的通过行进图像确定的障碍物与机器人之间的距离,躲避障碍物的方法,本申请当机器人检测到动态障碍物时,依据所述机器人的原始路径规划信息以及所述动态障碍物的第一运动特征信息,预测所述机器人与所述动态障碍物发生碰撞的碰撞概率,通过机器人的原始路径规划信息与动态障碍物的运动特征信息,对机器人与动态障碍物发生碰撞的碰撞概率进行初步的预测,当所述碰撞概率大于预设概率阈值时,根据所述第一运动特征信息,预测所述动态障碍物在下一时间步的第二运动特征信息,通过动态障碍物的运动特征信息,对动态障碍物在下一时间步的运动特征信息进行进一步的预测,根据所述原始路径规划信息和所述第二运动特征信息,预测所述机器人与所述动态障碍物在下一时间步的碰撞风险,得到碰撞风险类型标签,通过已预测的动态障碍物的运动特征信息与机器人的原始路径规划信息,对机器人与动态障碍物的碰撞风险进行更进一步的预测,依据所述碰撞风险类型标签对应的路径规划策略,调整所述原始路径规划信息对应的原始规划路径,以控制所述机器人对所述动态障碍物进行避障,根据预测得到的碰撞风险,适配路径规划策略,根据路径规划策略,将机器人的原始规划路径调整为安全的规划路径,实现了机器人安全避障的技术手段,克服了现有技术中由于机器人的行进信息和障碍物的运动信息变化,使得确定的障碍物与机器人之间的距离不准确,进而导致机器人与障碍物发生碰撞的风险增大的技术缺陷,从而提高了机器人的控制安全性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请机器人避障方法第一实施例的流程示意图;
图2为本申请实施例中机器人避障方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例,均属于本申请保护的范围。
实施例一
本申请实施例提供一种机器人避障方法,在本申请机器人避障方法的第一实施例中,参照图1,所述机器人避障方法包括:
步骤S10,当机器人检测到动态障碍物时,依据所述机器人的原始路径规划信息以及所述动态障碍物的第一运动特征信息,预测所述机器人与所述动态障碍物发生碰撞的碰撞概率;
在本实施例中,需要说明的是,所述动态障碍物可以为正在运动的人、正在运动的动物等生物,还可以为正在运动的交通工具、正在运动的物品等非生物。
示例性地,步骤S10包括:当机器人检测到动态障碍物时,获取所述机器人的第一位置数据、各所述第一位置数据对应的速度以及各所述第一位置数据对应的加速度,得到所述机器人的原始路径规划信息;获取所述动态障碍物的第二位置数据、各所述第二位置数据对应的速度以及各所述第二位置数据对应的加速度,得到所述动态障碍物的第一运动特征信息;根据所述第一运动特征信息以及所述原始路径规划信息,预测所述机器人与所述动态障碍物发生碰撞的碰撞概率;当所述机器人检测到静态障碍物时,获取携带所述静态障碍物的静态障碍物图像,根据所述静态障碍物图像,确定所述静态障碍物与所述机器人之间的相对位置以及所述静态障碍物的障碍物形态,依据所述相对位置以及所述障碍物形态,调整所述原始路径规划信息对应的第一位置数据,控制所述机器人依据所述行进路径完成行进过程,所述第一位置数据为机器人在工作过程中随时间变化的位置分布数据,例如,机器人在进行抵达目的地任务时,抵达目的地任务全过程中随时间变化的位置分布数据,所述第二位置数据为动态障碍物在预设时间段随时间变化的位置分布数据,例如,动态障碍物在最近10分钟内随时间变化的位置分布数据,通过对不同障碍物的分类,匹配不同的路径规划策略,使得机器人能安全完成行进过程,避免了仅采用单一的路径规划策略时,比如当遇见动态障碍物时,仍仅根据动态障碍物的位置,调整路径规划信息,而由于动态障碍物的位置可能发生变化,在机器人以调整后的路径规划信息行进时,容易出现动态障碍物和机器人发生碰撞情况的技术缺陷,从而提高了机器人的控制安全性。
对于静态障碍物,根据静态障碍物与所述机器人之间的相对位置以及所述静态障碍物的障碍物形态,调整所述原始路径规划信息对应的位置数据,其中,所述障碍物形态包括障碍物的形状和大小,避免了仅通过静态障碍物与所述机器人之间的相对位置,调整位置数据,在障碍物形态为携带大件物品的交通工具时,容易出现机器人与大件物品发生碰撞情况的技术缺陷,从而提高了机器人的控制安全性。
作为一种示例,所述根据静态障碍物与所述机器人之间的相对位置以及所述静态障碍物的障碍物形态,调整所述原始路径规划信息对应的位置数据包括:当静态障碍物的左边缘距机器人的右边缘较近时,则控制机器人向左绕行,当静态障碍物的右边缘距机器人的左边缘较近,则控制机器人向右绕行,当静态障碍物的后边缘距机器人的前边缘较近时,则控制机器人向后绕行,当静态障碍物的前边缘距机器人的后边缘较近时,则控制机器人向前绕行。
步骤S20,当所述碰撞概率大于预设概率阈值时,根据所述第一运动特征信息,预测所述动态障碍物在下一时间步的第二运动特征信息;
在本实施例中,需要说明的是,所述预设概率阈值为判定所述机器人与所述动态障碍物发生碰撞的碰撞概率低的碰撞概率临界值。
示例性的,步骤S20包括:判断所述碰撞概率是否大于预设概率阈值,若所述碰撞概率大于所述预设概率阈值,则判定所述机器人与所述动态障碍物发生碰撞的碰撞概率高,根据所述第一运动特征信息,预测所述动态障碍物在下一时间步的第二运动特征信息;若所述碰撞概率不大于所述预设概率阈值,则控制所述机器人以所述原始路径规划信息完成行进过程,例如,当预设概率阈值为10%,碰撞概率为50%时,判定碰撞概率高,碰撞概率为7%时,判定碰撞概率低。
步骤S30,根据所述原始路径规划信息和所述第二运动特征信息,预测所述机器人与所述动态障碍物在下一时间步的碰撞风险,得到碰撞风险类型标签;
步骤S40,依据所述碰撞风险类型标签对应的路径规划策略,调整所述原始路径规划信息对应的原始规划路径,以控制所述机器人对所述动态障碍物进行避障。
在本实施例中,所述碰撞风险类型标签可以为高碰撞风险标签,也可以为中碰撞风险标签,还可以为低碰撞风险标签。
其中,在步骤S10中,在所述机器人检测到动态障碍物之前,所述机器人避障方法还包括:
步骤A10,获取所述机器人前方区域的区域视频流数据,在所述区域视频流数据中提取预设时间间隔携带目标障碍物信息的第一障碍物画面帧和第二障碍物画面帧,其中,目标障碍物至少包括动态障碍物和静态障碍物中的一种;
步骤A20,对所述第一障碍物画面帧和所述第二障碍物画面帧进行帧差处理,得到所述目标障碍物的位置变化;
步骤A30,当所述位置变化满足预设位置变化条件时,判定所述目标障碍物为动态障碍物;
步骤A40,当所述位置变化不满足预设位置变化条件时,判定所述目标障碍物为静态障碍物。
在本实施例中,需要说明的是,所述静态障碍物可以为静止的人、静止的动物等生物,还可以为静止的交通工具、静止的物品等非生物,所述机器人上配备有摄像头,用于拍摄所述机器人在预设区域范围内的周围图像,其中,所述预设区域范围可设置为以所述机器人为圆心、具备预设半径的半圆形范围区域,所述目标障碍物的判定要求为用于判断所述区域视频帧的物体是否为目标障碍物的要求,其中,所述判定要求可以为物体大小要求、物体轮廓要求或者物体长度要求等,所述预设时间间隔为提取携带目标障碍物信息的障碍物图像的时间间隔,所述预设时间间隔可以为5秒,也可以为10秒,还可以为20秒,所述预设位置变化条件为预设的判定目标障碍物为动态障碍物的条件,所述预设位置变化条件可以为位置变化值是否超过预设位置变化阈值,其中,所述预设位置变化阈值为预设的坐标变化值的临界值。
示例性的,步骤A10至步骤A40包括:通过所述机器人上配备的摄像头对所述机器人前方区域中的所述预设区域范围进行拍摄,得到区域视频流数据,在所述区域视频流数据中提取携带目标障碍物信息的障碍物画面帧,在各所述障碍物画面帧中,选取一个预设时间间隔的第一障碍物画面帧和第二障碍物画面帧;将所述第一障碍物画面帧对应的第一矩阵,和所述第二障碍物画面帧对应的第二矩阵求差,得到帧差结果,在所述帧差结果中,提取描述目标障碍物位置的位置变化信息,依据所述位置变化信息,确定所述目标障碍物的位置变化;判断所述位置变化是否满足预设位置变化条件,若所述位置变化满足所述预设位置变化条件,则判定所述目标障碍物为动态障碍物;若所述位置变化不满足所述预设位置变化条件,则判定所述目标障碍物为静态障碍物。
其中,在步骤S30中,所述根据所述原始路径规划信息和所述第二运动特征信息,预测所述机器人与所述动态障碍物在下一时间步的碰撞风险,得到碰撞风险类型标签的步骤包括:
步骤S31,根据所述原始路径规划信息、所述第二运动特征信息、所述动态障碍物的外形信息以及所述动态障碍物所处道路的道路信息,构建所述机器人与所述动态障碍物之间的碰撞风险特征向量;
步骤S32,通过预设碰撞风险预测模型,将所述碰撞风险特征向量映射为所述机器人与所述障碍物发生碰撞的碰撞风险类型标签,预测所述机器人与所述动态障碍物在下一时间步的碰撞风险。
示例性地,步骤S31至步骤S32包括:将所述原始路径规划信息对应的原始路径规划向量、所述第二运动特征信息对应的第二运动特征向量、所述动态障碍物的外形信息以及所述动态障碍物所处道路的道路信息进行拼接,得到所述机器人与所述动态障碍物之间的碰撞风险特征向量;将所述碰撞风险特征向量输入预设碰撞风险预测模型,将所述碰撞风险特征向量映射为所述机器人与所述障碍物发生碰撞的碰撞风险类型标签,预测所述机器人与所述动态障碍物在下一时间步的碰撞风险。
其中,在步骤S31中,所述原始路径规划信息包括原始路径规划向量,所述第二运动特征信息包括第二运动特征向量,所述道路信息包括路面状况,所述根据所述原始路径规划信息、所述第二运动特征信息、所述动态障碍物的外形信息以及所述动态障碍物所处道路的道路信息,构建所述机器人与所述动态障碍物之间的碰撞风险特征向量的步骤包括:
步骤B10,根据所述路面状况,确定所述动态障碍物对应的第二道路信息标签,以及根据所述外形信息,确定所述动态障碍物对应的外形标签;
步骤B20,将所述第二道路信息标签、所述外形标签、所述原始路径规划向量以及第二运动特征向量拼接为所述碰撞风险特征向量。
在本实施例中,需要说明的是,所述第二道路信息标签为依据所述动态障碍物所处道路的路面状况确定,所述第二道路信息标签可以用来表征所述动态障碍物所处道路的路面泥泞状况,也可以用来表征所述动态障碍物所处道路的路面平整状况,还可以用来表征所述动态障碍物所处道路的宽窄状况,所述外形标签用于表征所述动态障碍物在预设方向的空间大小。
示例性地,步骤B10至步骤B20包括:获取所述动态障碍物所处道路的路面状况,依据所述路面状况,生成所述动态障碍物对应的第二道路信息标签,获取所述动态障碍物的形态和大小,得到所述外形信息,依据所述外形信息,生成所述动态障碍物对应的外形标签;将所述第二道路信息标签、所述外形标签、所述原始路径规划向量以及第二运动特征向量拼接为所述碰撞风险特征向量。
当所述动态障碍物所处道路的路面状况为路面泥泞状况时,路面泥泞状况影响所述动态障碍物的第二运动特征信息以及所述机器人的原始路径规划向量,从而导致预测所述机器人与所述动态障碍物的碰撞风险与真实碰撞风险的偏差较大,如控制所述机器人以所述碰撞风险对应的路径规划策略行进,进而导致机器人与障碍物发生碰撞的风险增大,例如,当路面泥泞程度大时,预测的机器人与动态障碍物在下一时间步的碰撞风险比真实碰撞风险大。
当所述动态障碍物所处道路的路面状况为路面平整状况时,路面平整状况影响所述动态障碍物的第二运动特征信息以及所述机器人的原始路径规划向量,从而导致预测所述机器人与所述动态障碍物的碰撞风险与真实碰撞风险的偏差较大,如控制所述机器人以所述碰撞风险对应的路径规划策略行进,进而导致机器人与障碍物发生碰撞的风险增大,例如,当路面平整程度为路面不平整时,预测的机器人与动态障碍物在下一时间步的碰撞风险比真实碰撞风险小。
当所述动态障碍物所处道路的路面状况为路面宽窄状况时,路面宽窄状况影响所述动态障碍物的第二运动特征信息以及所述机器人的原始路径规划向量,从而导致预测所述机器人与所述动态障碍物的碰撞风险与真实碰撞风险的偏差较大,如控制所述机器人以所述碰撞风险对应的路径规划策略行进,进而导致机器人与障碍物发生碰撞的风险增大,例如,当路面宽窄状况窄时,预测的机器人与动态障碍物在下一时间步的碰撞风险比真实碰撞风险小。
由于机器人与动态障碍物之间的碰撞风险受到多种因素影响,本申请实施例依据所述动态障碍物的障碍物类型、所述动态障碍物所处的道路状况、所述动态障碍物的外形、所述动态障碍物的第二运动特征信息以及所述机器人的原始路径规划信息,为动态障碍物和机器人动态匹配对应的碰撞风险特征向量,充分考虑了各种因素对碰撞风险的影响,而碰撞风险特征向量为用于预测碰撞概率的输入值,所以为预测机器人与动态障碍物的碰撞风险提供了更多的决策依据,提升了碰撞风险预测的准确度。
本申请实施例提供了一种机器人避障方法,相比于现有技术中采用的通过行进图像确定的障碍物与机器人之间的距离,躲避障碍物的方法,本申请实施例当机器人检测到动态障碍物时,依据所述机器人的原始路径规划信息以及所述动态障碍物的第一运动特征信息,预测所述机器人与所述动态障碍物发生碰撞的碰撞概率,通过机器人的原始路径规划信息与动态障碍物的运动特征信息,对机器人与动态障碍物发生碰撞的碰撞概率进行初步的预测,当所述碰撞概率大于预设概率阈值时,根据所述第一运动特征信息,预测所述动态障碍物在下一时间步的第二运动特征信息,通过动态障碍物的运动特征信息,对动态障碍物在下一时间步的运动特征信息进行进一步的预测,根据所述原始路径规划信息和所述第二运动特征信息,预测所述机器人与所述动态障碍物在下一时间步的碰撞风险,得到碰撞风险类型标签,通过已预测的动态障碍物的运动特征信息与机器人的原始路径规划信息,对机器人与动态障碍物的碰撞风险进行更进一步的预测,依据所述碰撞风险类型标签对应的路径规划策略,调整所述原始路径规划信息对应的原始规划路径,以控制所述机器人对所述动态障碍物进行避障,根据预测得到的碰撞风险,适配路径规划策略,根据路径规划策略,将机器人的原始规划路径调整为安全的规划路径,实现了机器人安全避障的技术手段,克服了现有技术中由于机器人的行进信息和障碍物的运动信息变化,使得确定的障碍物与机器人之间的距离不准确,进而导致机器人与障碍物发生碰撞的风险增大的技术缺陷,从而提高了机器人的控制安全性。
实施例二
进一步地,参照图2,基于本申请第一实施例,在本申请另一实施例中,与上述实施例一相同或相似的内容,可以参考上文介绍,后续不再赘述。在此基础上,在步骤S10中,所述依据所述机器人的原始路径规划信息以及所述动态障碍物的第一运动特征信息,预测所述机器人与所述动态障碍物发生碰撞的碰撞概率的步骤包括:
步骤C10,依据所述原始路径规划信息与所述第一运动特征信息,构建所述机器人与所述动态障碍物之间的碰撞概率特征向量;
步骤C20,通过预设碰撞概率预测模型,将所述碰撞概率特征向量映射为所述机器人与所述动态障碍物发生碰撞的碰撞概率。
示例性地,步骤C10至步骤C20包括:将所述原始路径规划信息对应的原始路径规划向量与所述第一运动特征信息对应的第一运动特征向量进行拼接,得到所述机器人与所述动态障碍物之间的碰撞概率特征向量;将所述碰撞概率特征向量输入预设碰撞概率预测模型,将所述碰撞概率特征向量映射为所述机器人与所述动态障碍物发生碰撞的碰撞概率。
其中,在步骤S20中,所述根据所述第一运动特征信息,预测所述动态障碍物在下一时间步的第二运动特征信息的步骤包括:
步骤S21,根据所述第一运动特征信息、所述动态障碍物的类型以及所述动态障碍物所处道路的道路信息,构建所述动态障碍物的运动特征向量;
步骤S22,通过预设运动特征预测模型,将所述运动特征向量映射为所述动态障碍物在下一时间步的第二运动特征信息。
示例性地,步骤S22包括:将所述运动特征向量输入预设运动特征预测模型,将所述运动特征向量映射为所述动态障碍物在下一时间步的第二运动特征信息。
其中,在步骤S21中,所述第一运动特征信息包括第一运动特征向量,所述道路信息包括道路拥挤信息,所述根据所述第一运动特征信息、所述动态障碍物的类型以及所述动态障碍物所处道路的道路信息,构建所述动态障碍物的运动特征向量的步骤包括:
步骤D10,依据所述道路拥挤信息,确定所述动态障碍物对应的第一道路信息标签,以及依据所述动态障碍物的类型,确定所述动态障碍物对应的障碍物类型标签;
步骤D20,将所述第一道路信息标签、所述第一运动特征向量以及所述障碍物类型标签拼接为所述运动特征向量。
在本实施例中,需要说明的是,所述第一道路信息标签为依据所述动态障碍物所处道路的道路拥挤状况确定,所述障碍物类型标签用于表征所述动态障碍物的类型,所述障碍物类型标签可以为车辆标签,还可以为人标签。
示例性的,步骤D10至步骤D20包括:获取所述动态障碍物所处道路的道路拥挤状况,得到所述道路拥挤信息,依据所述道路拥挤信息,生成所述动态障碍物对应的第一道路信息标签,获取所述动态障碍物的类型,依据所述动态障碍物的类型,生成所述动态障碍物对应的障碍物类型标签;将所述第一道路信息标签、所述障碍物类型标签以及所述第一运动特征向量进行拼接,得到所述运动特征向量。
动态障碍物所处道路的道路拥挤状况影响动态障碍物的在各第二位置数据对应的速度以及对应的加速度,从而导致预测动态障碍物在下一时间步的第二运动特征信息与真实第二运动特征信息之间的偏差较大,例如,当道路拥挤时,第二动态障碍物的在各第二位置数据对应的速度以及对应的加速度减小,预测的动态障碍物在下一时间步的第二运动特征信息比真实第二运动特征信息大。
动态障碍物的类型影响动态障碍物的在各第二位置数据对应的速度以及对应的加速度,从而导致预测动态障碍物在下一时间步的第二运动特征信息与真实第二运动特征信息之间的偏差较大,例如,当动态障碍物为人时,第二动态障碍物的在各第二位置数据对应的速度以及对应的加速度小,预测的动态障碍物在下一时间步的第二运动特征信息比真实第二运动特征信息大。
由于动态障碍物的第二运动特征信息受到多种因素影响,本申请实施例依据所述动态障碍物的障碍物类型、所述动态障碍物所处的道路拥挤状况以及所述动态障碍物的第一运动特征信息,为动态障碍物动态匹配对应的运动特征向量,充分考虑了各种因素对第二运动特征信息的影响,而第二运动特征信息为用于预测机器人与动态障碍物在下一时间步的碰撞风险的输入值,所以为预测机器人与动态障碍物的碰撞风险提供了更多的决策依据,提升了碰撞风险预测的准确度。
其中,在步骤S40中,所述路径规划策略包括高风险应对策略和低风险应对策略,所述控制所述机器人以所述距离对应的应对策略运行的步骤包括:
步骤S41,判断所述碰撞风险类型标签是否满足预设标签条件;
步骤S42,若是,则依据所述低风险应对策略,调整所述低风险应对策略对应的原始规划路径;
步骤S43,若否,则依据所述高风险应对策略,调整所述高风险应对策略对应的原始规划路径。
在本实施例中,需要说明的是,所述预设标签条件可以为所述碰撞风险类型标签为低碰撞风险标签,所述低风险应对策略为动态障碍物与机器人之间的碰撞风险为低风险的路径规划策略,所述高风险应对策略为动态障碍物与机器人之间的碰撞风险为高风险的路径规划策略。
示例性的,步骤S41至步骤S43包括:判断所述碰撞风险类型标签是否满足预设标签条件;若所述碰撞风险类型标签满足预设标签条件,则判定动态障碍物与机器人之间的碰撞风险为低风险,依据所述低风险应对策略,调整所述低风险应对策略对应的原始规划路径;若所述碰撞风险类型标签不满足预设标签条件,则判定动态障碍物与机器人之间的碰撞风险为高风险,依据所述高风险应对策略,调整所述高风险应对策略对应的原始规划路径。
具体的,所述调整所述低风险应对策略对应的原始规划路径包括:
依据所述动态障碍物在下一时间步的第二运动特征信息,确定所述机器人的原始规划路径对应的调整参数;依据所述调整参数,对所述原始规划路径进行调整,得到目标规划路径;控制所述机器人按照所述目标规划路径对所述动态障碍物进行避障,其中,所述调整参数包括所述机器人的各第一位置数据对应的加速度调整参数,以及各第一位置数据对应的速度调整参数。
作为一种示例,所述依据所述调整参数,对所述原始规划路径进行调整,得到目标规划路径的步骤包括:当所述动态障碍物在下一时间步的加速度较大和/或速度相对较小时,降低所述机器人在各第一位置数据对应的加速度调整参数以及对应的速度调整参数;当所述动态障碍物在下一时间步的加速度较大和/或速度相对较大时,增大所述机器人在各第一位置数据对应的加速度调整参数以及对应的速度调整参数,通过根据动态障碍物的速度信息,调整机器人的速度信息,使得机器人与动态障碍物之间的相对速度尽可能减小,从而增大机器人行进的安全系数,以避免动态障碍物与机器人之间的相对速度过大时,在机器人或动态障碍物出现突发状况时,容易出现碰撞损失大的技术缺陷,从而提高了机器人的控制安全性。
具体的,所述调整所述高风险应对策略对应的原始规划路径包括:
通过调整所述机器人的各所述第一位置数据对应的加速度调整参数以及对应的速度调整参数,以控制所述机器人停止行进过程,通过所述机器人配备的摄像头获取所述机器人前方区域的区域图像,根据所述区域图像,在检测到所述动态障碍物已通过所述机器人后,控制所述机器人以所述目标规划路径完成行进过程。
作为一种示例,所述通过调整所述机器人的各所述第一位置数据对应的加速度调整参数以及对应的速度调整参数的步骤包括:当检测到动态障碍物时,将机器人的当前速度降为0,直到检测到所述动态障碍物已通过所述机器人后,控制所述机器人以原始路径规划信息对应的速度行进。
本申请实施例提供了一种机器人避障方法,相比于现有技术中采用的通过行进图像确定的障碍物与机器人之间的距离,躲避障碍物的方法,本申请实施例当机器人检测到动态障碍物时,依据所述机器人的原始路径规划信息以及所述动态障碍物的第一运动特征信息,预测所述机器人与所述动态障碍物发生碰撞的碰撞概率,通过机器人的原始路径规划信息与动态障碍物的运动特征信息,对机器人与动态障碍物发生碰撞的碰撞概率进行初步的预测,当所述碰撞概率大于预设概率阈值时,根据所述第一运动特征信息,预测所述动态障碍物在下一时间步的第二运动特征信息,通过动态障碍物的运动特征信息,对动态障碍物在下一时间步的运动特征信息进行进一步的预测,根据所述原始路径规划信息和所述第二运动特征信息,预测所述机器人与所述动态障碍物在下一时间步的碰撞风险,得到碰撞风险类型标签,通过已预测的动态障碍物的运动特征信息与机器人的原始路径规划信息,对机器人与动态障碍物的碰撞风险进行更进一步的预测,依据所述碰撞风险类型标签对应的路径规划策略,调整所述原始路径规划信息对应的原始规划路径,以控制所述机器人对所述动态障碍物进行避障,根据预测得到的碰撞风险,适配路径规划策略,根据路径规划策略,将机器人的原始规划路径调整为安全的规划路径,实现了机器人安全避障的技术手段,克服了现有技术中由于机器人的行进信息和障碍物的运动信息变化,使得确定的障碍物与机器人之间的距离不准确,进而导致机器人与障碍物发生碰撞的风险增大的技术缺陷,从而提高了机器人的控制安全性。
实施例三
本申请实施例还提供一种机器人避障装置,所述机器人避障装置应用于机器人避障设备,所述机器人避障装置包括:
碰撞概率预测模块,用于当机器人检测到动态障碍物时,依据所述机器人的原始路径规划信息以及所述动态障碍物的第一运动特征信息,预测所述机器人与所述动态障碍物发生碰撞的碰撞概率;
运动信息预测模块,用于当所述碰撞概率大于预设概率阈值时,根据所述第一运动特征信息,预测所述动态障碍物在下一时间步的第二运动特征信息;
碰撞风险预测模块,用于根据所述原始路径规划信息和所述第二运动特征信息,预测所述机器人与所述动态障碍物在下一时间步的碰撞风险,得到碰撞风险类型标签;
避障模块,用于依据所述碰撞风险类型标签对应的路径规划策略,调整所述原始路径规划信息对应的原始规划路径,以控制所述机器人对所述动态障碍物进行避障。
可选地,所述依据所述机器人的原始路径规划信息以及所述动态障碍物的第一运动特征信息,预测所述机器人与所述动态障碍物发生碰撞的碰撞概率的步骤,所述碰撞概率预测模块还用于:
依据所述原始路径规划信息与所述第一运动特征信息,构建所述机器人与所述动态障碍物之间的碰撞概率特征向量;
通过预设碰撞概率预测模型,将所述碰撞概率特征向量映射为所述机器人与所述动态障碍物发生碰撞的碰撞概率。
可选地,所述根据所述第一运动特征信息,预测所述动态障碍物在下一时间步的第二运动特征信息的步骤,所述运动信息预测模块还用于:
根据所述第一运动特征信息、所述动态障碍物的类型以及所述动态障碍物所处道路的道路信息,构建所述动态障碍物的运动特征向量;
通过预设运动特征预测模型,将所述运动特征向量映射为所述动态障碍物在下一时间步的第二运动特征信息。
可选地,所述第一运动特征信息包括第一运动特征向量,所述道路信息包括道路拥挤信息,所述根据所述第一运动特征信息、所述动态障碍物的类型以及所述动态障碍物所处道路的道路信息,构建所述动态障碍物的运动特征向量的步骤,所述运动信息预测模块还用于:
依据所述道路拥挤信息,确定所述动态障碍物对应的第一道路信息标签,以及依据所述动态障碍物的类型,确定所述动态障碍物对应的障碍物类型标签;
将所述第一道路信息标签、所述第一运动特征向量以及所述障碍物类型标签拼接为所述运动特征向量。
可选地,所述根据所述原始路径规划信息和所述第二运动特征信息,预测所述机器人与所述动态障碍物在下一时间步的碰撞风险,得到碰撞风险类型标签的步骤,所述碰撞风险预测模块还用于:
根据所述原始路径规划信息、所述第二运动特征信息、所述动态障碍物的外形信息以及所述动态障碍物所处道路的道路信息,构建所述机器人与所述动态障碍物之间的碰撞风险特征向量;
通过预设碰撞风险预测模型,将所述碰撞风险特征向量映射为所述机器人与所述障碍物发生碰撞的碰撞风险类型标签,预测所述机器人与所述动态障碍物在下一时间步的碰撞风险。
可选地,所述原始路径规划信息包括原始路径规划向量,所述第二运动特征信息包括第二运动特征向量,所述道路信息包括路面状况,所述根据所述原始路径规划信息、所述第二运动特征信息、所述动态障碍物的外形信息以及所述动态障碍物所处道路的道路信息,构建所述机器人与所述动态障碍物之间的碰撞风险特征向量的步骤,所述碰撞风险预测模块还用于:
根据所述路面状况,确定所述动态障碍物对应的第二道路信息标签,以及根据所述外形信息,确定所述动态障碍物对应的外形标签;
将所述第二道路信息标签、所述外形标签、所述原始路径规划向量以及所述第二运动特征向量拼接为所述碰撞风险特征向量。
可选地,所述路径规划策略包括高风险应对策略和低风险应对策略,所述依据所述碰撞风险类型标签对应的路径规划策略,调整所述原始路径规划信息对应的原始规划路径的步骤,所述避障模块还用于:
判断所述碰撞风险类型标签是否满足预设标签条件;
若是,则依据所述低风险应对策略,调整所述低风险应对策略对应的原始规划路径;
若否,则依据所述高风险应对策略,调整所述高风险应对策略对应的原始规划路径。
可选地,在所述机器人检测到动态障碍物之前,所述碰撞概率预测模块还用于:
获取所述机器人前方区域的区域视频流数据,在所述区域视频流数据中提取预设时间间隔携带目标障碍物信息的第一障碍物画面帧和第二障碍物画面帧,其中,目标障碍物至少包括动态障碍物和静态障碍物中的一种;
对所述第一障碍物画面帧和所述第二障碍物画面帧进行帧差处理,得到所述目标障碍物的位置变化;
当所述位置变化满足预设位置变化条件时,判定所述目标障碍物为动态障碍物;
当所述位置变化不满足预设位置变化条件时,判定所述目标障碍物为静态障碍物。
本申请提供的机器人避障装置,采用上述实施例中的机器人避障方法,解决了机器人的控制安全性低的技术问题。与现有技术相比,本申请实施例提供的机器人避障装置的有益效果与上述实施例提供的机器人避障方法的有益效果相同,且该机器人避障装置中的其他技术特征与上述实施例方法公开的特征相同,在此不做赘述。
实施例四
本申请实施例提供一种电子设备,所述电子设备包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述实施例中的机器人避障方法。
下面参考图2,其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图2示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图2所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
通常,以下系统可以连接至I/O接口:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置;包括例如磁带、硬盘等的存储装置;以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备,但是应理解的是,并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置被安装,或者从ROM被安装。在该计算机程序被处理装置执行时,执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备,采用上述实施例中的机器人避障方法,解决了机器人的控制安全性低的技术问题。与现有技术相比,本申请实施例提供的电子设备的有益效果与上述实施例提供的机器人避障方法的有益效果相同,且该电子设备中的其他技术特征与上述实施例方法公开的特征相同,在此不做赘述。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中,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中以合适的方式结合。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
实施例五
本实施例提供一种计算机可读存储介质,具有存储在其上的计算机可读程序指令,计算机可读程序指令用于执行上述实施例中的机器人避障的方法。
本申请实施例提供的计算机可读存储介质例如可以是U盘,但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的;也可以是单独存在,而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被电子设备执行时,使得电子设备:当机器人检测到动态障碍物时,依据所述机器人的原始路径规划信息以及所述动态障碍物的第一运动特征信息,预测所述机器人与所述动态障碍物发生碰撞的碰撞概率;当所述碰撞概率大于预设概率阈值时,根据所述第一运动特征信息,预测所述动态障碍物在下一时间步的第二运动特征信息;根据所述原始路径规划信息和所述第二运动特征信息,预测所述机器人与所述动态障碍物在下一时间步的碰撞风险,得到碰撞风险类型标签;依据所述碰撞风险类型标签对应的路径规划策略,调整所述原始路径规划信息对应的原始规划路径,以控制所述机器人对所述动态障碍物进行避障。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的计算机可读存储介质,存储有用于执行上述机器人避障方法的计算机可读程序指令,解决了机器人的控制安全性低的技术问题。与现有技术相比,本申请实施例提供的计算机可读存储介质的有益效果与上述实施提供的机器人避障方法的有益效果相同,在此不做赘述。
实施例六
本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的机器人避障方法的步骤。
本申请提供的计算机程序产品解决了机器人的控制安全性低的技术问题。与现有技术相比,本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的机器人避障方法的有益效果相同,在此不做赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种机器人避障方法,其特征在于,所述机器人避障方法包括:
当机器人检测到动态障碍物时,依据所述机器人的原始路径规划信息以及所述动态障碍物的第一运动特征信息,预测所述机器人与所述动态障碍物发生碰撞的碰撞概率;
当所述碰撞概率大于预设概率阈值时,根据所述第一运动特征信息,预测所述动态障碍物在下一时间步的第二运动特征信息;
根据所述原始路径规划信息和所述第二运动特征信息,预测所述机器人与所述动态障碍物在下一时间步的碰撞风险,得到碰撞风险类型标签;
依据所述碰撞风险类型标签对应的路径规划策略,调整所述原始路径规划信息对应的原始规划路径,以控制所述机器人对所述动态障碍物进行避障。
2.如权利要求1所述机器人避障方法,其特征在于,所述依据所述机器人的原始路径规划信息以及所述动态障碍物的第一运动特征信息,预测所述机器人与所述动态障碍物发生碰撞的碰撞概率的步骤包括:
依据所述原始路径规划信息与所述第一运动特征信息,构建所述机器人与所述动态障碍物之间的碰撞概率特征向量;
通过预设碰撞概率预测模型,将所述碰撞概率特征向量映射为所述机器人与所述动态障碍物发生碰撞的碰撞概率。
3.如权利要求1所述机器人避障方法,其特征在于,所述根据所述第一运动特征信息,预测所述动态障碍物在下一时间步的第二运动特征信息的步骤包括:
根据所述第一运动特征信息、所述动态障碍物的类型以及所述动态障碍物所处道路的道路信息,构建所述动态障碍物的运动特征向量;
通过预设运动特征预测模型,将所述运动特征向量映射为所述动态障碍物在下一时间步的第二运动特征信息。
4.如权利要求3所述机器人避障方法,其特征在于,所述第一运动特征信息包括第一运动特征向量,所述道路信息包括道路拥挤信息,所述根据所述第一运动特征信息、所述动态障碍物的类型以及所述动态障碍物所处道路的道路信息,构建所述动态障碍物的运动特征向量的步骤包括:
依据所述道路拥挤信息,确定所述动态障碍物对应的第一道路信息标签,以及依据所述动态障碍物的类型,确定所述动态障碍物对应的障碍物类型标签;
将所述第一道路信息标签、所述第一运动特征向量以及所述障碍物类型标签拼接为所述运动特征向量。
5.如权利要求1所述机器人避障方法,其特征在于,所述根据所述原始路径规划信息和所述第二运动特征信息,预测所述机器人与所述动态障碍物在下一时间步的碰撞风险,得到碰撞风险类型标签的步骤包括:
根据所述原始路径规划信息、所述第二运动特征信息、所述动态障碍物的外形信息以及所述动态障碍物所处道路的道路信息,构建所述机器人与所述动态障碍物之间的碰撞风险特征向量;
通过预设碰撞风险预测模型,将所述碰撞风险特征向量映射为所述机器人与所述障碍物发生碰撞的碰撞风险类型标签,预测所述机器人与所述动态障碍物在下一时间步的碰撞风险。
6.如权利要求5所述机器人避障方法,其特征在于,所述原始路径规划信息包括原始路径规划向量,所述第二运动特征信息包括第二运动特征向量,所述道路信息包括路面状况,所述根据所述原始路径规划信息、所述第二运动特征信息、所述动态障碍物的外形信息以及所述动态障碍物所处道路的道路信息,构建所述机器人与所述动态障碍物之间的碰撞风险特征向量的步骤包括:
根据所述路面状况,确定所述动态障碍物对应的第二道路信息标签,以及根据所述外形信息,确定所述动态障碍物对应的外形标签;
将所述第二道路信息标签、所述外形标签、所述原始路径规划向量以及所述第二运动特征向量拼接为所述碰撞风险特征向量。
7.如权利要求1所述机器人避障方法,其特征在于,所述路径规划策略包括高风险应对策略和低风险应对策略,所述依据所述碰撞风险类型标签对应的路径规划策略,调整所述原始路径规划信息对应的原始规划路径的步骤包括:
判断所述碰撞风险类型标签是否满足预设标签条件;
若是,则依据所述低风险应对策略,调整所述低风险应对策略对应的原始规划路径;
若否,则依据所述高风险应对策略,调整所述高风险应对策略对应的原始规划路径。
8.如权利要求1所述机器人避障方法,其特征在于,在所述机器人检测到动态障碍物之前,所述机器人避障方法还包括:
获取所述机器人前方区域的区域视频流数据,在所述区域视频流数据中提取预设时间间隔携带目标障碍物信息的第一障碍物画面帧和第二障碍物画面帧,其中,目标障碍物至少包括动态障碍物和静态障碍物中的一种;
对所述第一障碍物画面帧和所述第二障碍物画面帧进行帧差处理,得到所述目标障碍物的位置变化;
当所述位置变化满足预设位置变化条件时,判定所述目标障碍物为动态障碍物;
当所述位置变化不满足预设位置变化条件时,判定所述目标障碍物为静态障碍物。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至8中任一项所述的机器人避障方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有实现机器人避障方法的程序,所述实现机器人避障方法的程序被处理器执行以实现如权利要求1至8中任一项所述机器人避障方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560153.6A CN114647248B (zh) | 2022-05-23 | 2022-05-23 | 机器人避障方法、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560153.6A CN114647248B (zh) | 2022-05-23 | 2022-05-23 | 机器人避障方法、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114647248A true CN114647248A (zh) | 2022-06-21 |
CN114647248B CN114647248B (zh) | 2022-09-09 |
Family
ID=81997749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210560153.6A Active CN114647248B (zh) | 2022-05-23 | 2022-05-23 | 机器人避障方法、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114647248B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115464634A (zh) * | 2022-06-27 | 2022-12-13 | 上海江波龙数字技术有限公司 | 障碍物预测方法及系统 |
CN115781693A (zh) * | 2023-01-09 | 2023-03-14 | 广东隆崎机器人有限公司 | 工业机器人的避障方法、装置、工业机器人及存储介质 |
CN116880514A (zh) * | 2023-09-06 | 2023-10-13 | 小舟科技有限公司 | 智能轮椅控制方法、智能轮椅及存储介质 |
CN117232501A (zh) * | 2023-11-14 | 2023-12-15 | 双擎科技(杭州)有限公司 | 多传感器信息融合的智能机器人导航装置、方法以及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581790A (zh) * | 2019-09-30 | 2021-03-30 | 北京百度网讯科技有限公司 | 车辆避障的方法、装置、计算设备和存储介质 |
CN112612272A (zh) * | 2020-12-17 | 2021-04-06 | 湖北亿咖通科技有限公司 | 一种避障控制方法、电子设备及存储介质 |
CN112799411A (zh) * | 2021-04-12 | 2021-05-14 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及装置 |
CN113296541A (zh) * | 2021-07-27 | 2021-08-24 | 北京三快在线科技有限公司 | 一种基于未来碰撞风险的无人设备控制方法及装置 |
CN113848871A (zh) * | 2020-06-28 | 2021-12-28 | 北京极智嘉科技股份有限公司 | 一种控制机器人避障的方法、装置及系统 |
CN114115293A (zh) * | 2021-12-21 | 2022-03-01 | 上海擎朗智能科技有限公司 | 机器人避障方法、装置、设备及存储介质 |
-
2022
- 2022-05-23 CN CN202210560153.6A patent/CN114647248B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581790A (zh) * | 2019-09-30 | 2021-03-30 | 北京百度网讯科技有限公司 | 车辆避障的方法、装置、计算设备和存储介质 |
CN113848871A (zh) * | 2020-06-28 | 2021-12-28 | 北京极智嘉科技股份有限公司 | 一种控制机器人避障的方法、装置及系统 |
CN112612272A (zh) * | 2020-12-17 | 2021-04-06 | 湖北亿咖通科技有限公司 | 一种避障控制方法、电子设备及存储介质 |
CN112799411A (zh) * | 2021-04-12 | 2021-05-14 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及装置 |
CN113296541A (zh) * | 2021-07-27 | 2021-08-24 | 北京三快在线科技有限公司 | 一种基于未来碰撞风险的无人设备控制方法及装置 |
CN114115293A (zh) * | 2021-12-21 | 2022-03-01 | 上海擎朗智能科技有限公司 | 机器人避障方法、装置、设备及存储介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115464634A (zh) * | 2022-06-27 | 2022-12-13 | 上海江波龙数字技术有限公司 | 障碍物预测方法及系统 |
CN115781693A (zh) * | 2023-01-09 | 2023-03-14 | 广东隆崎机器人有限公司 | 工业机器人的避障方法、装置、工业机器人及存储介质 |
CN115781693B (zh) * | 2023-01-09 | 2023-05-26 | 广东隆崎机器人有限公司 | 工业机器人的避障方法、装置、工业机器人及存储介质 |
CN116880514A (zh) * | 2023-09-06 | 2023-10-13 | 小舟科技有限公司 | 智能轮椅控制方法、智能轮椅及存储介质 |
CN116880514B (zh) * | 2023-09-06 | 2023-11-21 | 小舟科技有限公司 | 智能轮椅控制方法、智能轮椅及存储介质 |
CN117232501A (zh) * | 2023-11-14 | 2023-12-15 | 双擎科技(杭州)有限公司 | 多传感器信息融合的智能机器人导航装置、方法以及介质 |
CN117232501B (zh) * | 2023-11-14 | 2024-02-20 | 双擎科技(杭州)有限公司 | 多传感器信息融合的智能机器人导航装置、方法以及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114647248B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114647248B (zh) | 机器人避障方法、电子设备及可读存储介质 | |
AU2019253703B2 (en) | Improving the safety of reinforcement learning models | |
US20210109521A1 (en) | Redundant pose generation system | |
US10053091B2 (en) | Spring system-based change lane approach for autonomous vehicles | |
US20200090057A1 (en) | Human-computer hybrid decision method and apparatus | |
CN110654381B (zh) | 用于控制车辆的方法和装置 | |
CN113715814A (zh) | 碰撞检测方法、装置、电子设备、介质及自动驾驶车辆 | |
CN112526999B (zh) | 速度规划方法、装置、电子设备和存储介质 | |
JP2021054388A (ja) | 自動運転の制御方法、装置、電子機器及び記憶媒体 | |
JP2022538275A (ja) | パラメータ配置方法及び装置、電子機器並びに記憶媒体 | |
CN111707258B (zh) | 一种外部车辆监测方法、装置、设备及存储介质 | |
CN110654380B (zh) | 用于控制车辆的方法和装置 | |
KR20230144560A (ko) | 무인 차량 시동 방법, 장치, 전자 장치 및 컴퓨터 판독 가능한 매체 | |
CN112651535A (zh) | 局部路径规划方法、装置、存储介质、电子设备及车辆 | |
CN116734882B (zh) | 车辆路径规划方法、装置、电子设备和计算机可读介质 | |
CN112009460B (zh) | 一种车辆控制方法、装置、设备及存储介质 | |
US20230294684A1 (en) | Method of controlling autonomous vehicle, electronic device, and storage medium | |
CN110083158B (zh) | 一种确定局部规划路径的方法和设备 | |
CN115565374A (zh) | 物流车驾驶优化方法、装置、电子设备及可读存储介质 | |
CN116878532A (zh) | 移动对象的路径规划方法、装置以及相关设备 | |
CN114407884B (zh) | 自动驾驶优化方法、装置、电子设备及可读存储介质 | |
CN115285116A (zh) | 车辆避障方法、装置、电子设备及可读存储介质 | |
CN115303287A (zh) | 一种自动驾驶车辆的速度规划方法及装置 | |
CN114952867A (zh) | 工业机器人的控制方法、装置、电子设备及可读存储介质 | |
CN113516013B (zh) | 目标检测方法、装置、电子设备、路侧设备和云控平台 |
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 |