CN114690769A - 路径规划方法、电子设备及存储介质、计算机程序产品 - Google Patents

路径规划方法、电子设备及存储介质、计算机程序产品 Download PDF

Info

Publication number
CN114690769A
CN114690769A CN202210217477.XA CN202210217477A CN114690769A CN 114690769 A CN114690769 A CN 114690769A CN 202210217477 A CN202210217477 A CN 202210217477A CN 114690769 A CN114690769 A CN 114690769A
Authority
CN
China
Prior art keywords
track
point
path
mapping
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
Application number
CN202210217477.XA
Other languages
English (en)
Other versions
CN114690769B (zh
Inventor
陈波
董海青
王强
刘冬
奉飞飞
唐剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Midea Group Co Ltd
Midea Group Shanghai Co Ltd
Original Assignee
Midea Group Co Ltd
Midea Group Shanghai Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Midea Group Co Ltd, Midea Group Shanghai Co Ltd filed Critical Midea Group Co Ltd
Priority to CN202210217477.XA priority Critical patent/CN114690769B/zh
Publication of CN114690769A publication Critical patent/CN114690769A/zh
Application granted granted Critical
Publication of CN114690769B publication Critical patent/CN114690769B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • 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
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

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)
  • Optics & Photonics (AREA)
  • Electromagnetism (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Navigation (AREA)

Abstract

本申请公开了一种路径规划方法、电子设备及计算机存储介质、计算机程序产品。该路径规划方法包括：获取导航区域的地图及其建图轨迹；基于地图获取起始点到建图轨迹的第一轨迹点之间的第一规划路径及建图轨迹的第二轨迹点到目标点之间的第二规划路径；基于建图轨迹获取第一轨迹点到第二轨迹点之间的第三规划路径；基于第一规划路径、第二规划路径及第三规划路径生成起始点到目标点之间的全局规划路径。通过这种方式，能够减少导航时定位丢失及避障次数。

Description

路径规划方法、电子设备及存储介质、计算机程序产品
技术领域
本申请涉及计算机和自动化技术领域，特别是涉及一种路径规划方法、电子设备及计算机存储介质、计算机程序产品。
背景技术
机器人在环境中进行自主移动是一个复杂的算法问题，至少需要两个领域算法的通力合作，一是即时定位与地图(Simultaneous Localization And Mapping，SLAM)算法，二是导航规划算法。SLAM算法会为机器人提供环境地图及基于环境地图的定位结果，而导航规划算法则基于SLAM算法提供的地图控制机器人朝目的地移动。
由于导航规划算法规划的路径其自身无法保证是环境最为已知和稳妥的，沿其规划好的路径行进时便会有遇到静态障碍物、场景退化(如相机只拍摄到一面白墙，激光雷达面临长走廊)等问题，因此，现有的结合SLAM算法及导航规划算法获取的规划路径，存在导航途中定位易丢失及需避障次数较多的问题。
发明内容
本申请提供一种路径规划方法、电子设备及计算机存储介质、计算机程序产品，以减少导航时定位丢失及避障次数。
为解决上述技术问题，本申请提出一种路径规划方法。该路径规划包括：获取导航区域的地图及其建图轨迹；基于地图获取起始点到建图轨迹的第一轨迹点之间的第一规划路径及建图轨迹的第二轨迹点到目标点之间的第二规划路径；基于建图轨迹获取第一轨迹点到第二轨迹点之间的第三规划路径；基于第一规划路径、第二规划路径及第三规划路径生成起始点到目标点之间的全局规划路径。
其中，上述基于地图获取起始点到建图轨迹的第一轨迹点之间的第一规划路径及建图轨迹的第二轨迹点到目标点之间的第二规划路径，包括：基于地图获取起始点到与建图轨迹最近邻的第一轨迹点之间的第一规划路径及目标点到与建图轨迹最近邻的第二轨迹点之间的第二规划路径。
其中，上述基于地图获取起始点到建图轨迹的第一轨迹点之间的第一规划路径及建图轨迹的第二轨迹点到目标点之间的第二规划路径，包括：基于建图轨迹生成轨迹点的多维搜索树；基于多维搜索树获取与起始点最近邻的第一轨迹点及与目标点最近邻的第二轨迹点；基于地图获取起始点到第一轨迹点之间的第一规划路径；基于地图获取第二轨迹点到目标点之间的第二规划路径。
其中，地图包括栅格地图，上述基于地图获取起始点到第一轨迹点之间的第一规划路径，包括：基于栅格地图，以起始点为起点，以第一轨迹点为终点，采用A星寻路算法获取起始点到第一轨迹点的第一规划路径；上述基于地图获取第二轨迹点到目标点之间的第二规划路径，包括：基于栅格地图，以第二轨迹点为起点，以目标点为终点，采用A星寻路算法获取第二轨迹点到目标点的第二规划路径。
其中，上述基于建图轨迹获取第一轨迹点到第二轨迹点之间的第三规划路径，包括：截取建图轨迹中第一轨迹点到第二轨迹点之间的轨迹作为第三规划路径。
其中，上述路径规划方法进一步包括：获取导航过程中采集的感知信息；响应于导航结束，将感知信息更新至地图和/或建图轨迹中。
其中，建图轨迹的轨迹点包括关键帧的位姿，上述基于建图轨迹生成轨迹点的多维搜索树，包括：建立空白多维搜索树；基于位姿将轨迹点映射到多维搜索树对应的空间，生成轨迹点的多维搜索树。
为解决上述技术问题，本申请提出一种电子设备。该电子设备包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序数据，以实现上述路径规划方法。
为解决上述技术问题，本申请提出一种计算机存储介质。该计算机存储介质上存储有程序数据，程序数据能够被执行以实现上述路径规划方法。
为解决上述技术问题，本申请提出一种计算机程序产品。该计算机程序产品包括计算机程序指令，计算机程序指令使计算机实现上述路径规划方法。
区别于现有技术：本申请路径规划方法先获取导航区域的地图及其建图轨迹，并基于地图获取起始点到建图轨迹的第一轨迹点之间的第一规划路径及建图轨迹的第二轨迹点到目标点之间的第二规划路径，即基于地图获取起始点及目标点与建图轨迹之间的规划路径，完成全局规划路径两端的路径规划；然后基于建图轨迹获取第一轨迹点到第二轨迹点之间的第三规划路径，即基于建图轨迹规划全局规划路径中间段的路径；基于第一规划路径、第二规划路径及第三规划路径生成起始点到目标点之间的全局规划路径。通过这种方式，本申请基于地图的建图轨迹实现全局规划路径的中间段路径的规划，因建图轨迹为构建地图时已行走、已学习的轨迹，因此基于建图轨迹规划的中间段路径存在定位丢失及障碍物的几率很小，能够减少导航时定位丢失及避障次数；同时，本申请基于地图获取起始点及目标点与建图轨迹之间的规划路径，能够获得起始点到目标点的全局规划路径。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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，还可以根据这些附图获得其他的附图，其中：
图1是本申请路径规划方法一实施例的流程示意图；
图2是本申请中建图轨迹、起始点及目标点的示意图；
图3是本申请中建图轨迹、起始点、目标点、第一轨迹点及第二轨迹点的示意图；
图4是本申请中建图轨迹、起始点、目标点、第一轨迹点、第二轨迹点及全局规划路径的示意图；
图5是图1实施例中步骤S12的一具体流程示意图；
图6是本申请路径规划方法一实施例的流程示意图；
图7是本申请路径规划装置一实施例的结构示意图；
图8是本申请电子设备一实施例的结构示意图；
图9是本申请计算机存储介质一实施例的结构示意图。
具体实施方式
下面结合附图和实施例，对本申请作进一步的详细描述。特别指出的是，以下实施例仅用于说明本申请，但不对本申请的范围进行限定。同样的，以下实施例仅为本申请的部分实施例而非全部实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请实施例中的具体含义。
在本申请实施例中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，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申请实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
下面结合实施例对本申请提供的路径规划方法、电子设备、计算机存储介质及计算机程序产品进行详细描述。
本申请技术方案可应用于多种产品，如机器人、无人机或者移动终端等；其中机器人可以是轮式移动机器人、双足或多足移动机器人等；移动终端可以是含激光雷达传感器的手机等。本文以机器人为例进行描述。
本申请首先提出一种路径规划方法，如图1所示，图1是本申请路径规划方法一实施例的流程示意图。本实施例的路径规划方法具体包括以下步骤：
步骤S11：获取导航区域的地图及其建图轨迹。
机器人设置有能够探测空间的环境数据的传感器组合，传感器组合至少包括一台或以上的激光雷达传感器等3D扫描设备。机器人内还设置有处理器，能够收发指令及处理数据信息。其中，激光雷达传感器类型可以是：单线激光雷达、多线激光雷达或固态激光雷达等。
机器人可以通过3D扫描设备获取导航区域的点云数据；其中，点云数据是指在一个三维坐标系统中的多个点的集合；点云数据除了具有几何位置以外，有的还有颜色信息。颜色信息通常是通过深度相机获取的彩色图像，然后将对应位置的像素的颜色信息赋予点云中对应的点。
机器人基于点云数据构建导航区域的栅格地图，机器人可以通过SLAM算法构建导航区域的栅格地图。机器人想要在一个纯陌生的环境开始自主移动，首先需要利用自身的传感器对当前环境进行感知和学习，SLAM算法完成了这部分功能，学习的成果即为地图及建图轨迹。地图描述了当前环境的具体可通行/遮挡情况，而建图轨迹则表示了在该环境中已验证可行的行进路线，并且该路线周边的环境是已学习的。
其中，SLAM构建地图指的是机器人在自身位置不确定的条件下，在完全未知环境中创建地图，同时利用地图进行自主定位和导航。SLAM问题可以描述为：机器人在未知环境中从一个未知位置开始移动，在移动过程中根据位置估计和传感器数据进行自身定位，同时建造增量式地图。在机器人构建地图时，机器人需要知道自己在环境中的位置及记录环境中特征的位置，机器人在定位的同时建立地图。
其中，栅格地图由一个个栅格构成，每一栅格能够表征其所在位置周围环境的状态，该状态包括三种状态：表征存在障碍物的占有状态、表征无障碍物且机器人能够自由通过的空闲状态及机器人还未探测到的未知状态(栅格存在障碍物与否未知)。机器人能够根据栅格地图规划前进路线，且在智能机器人前进的过程中，不断检测并更新该栅格地图。
机器人在移动过程中通过SLAM方法建立栅格地图，标记出栅格地图已探索(空闲)、未探索(未知)、障碍物(占用)状态。机器人通过人工或者自主建图方式完成建图后，生成完整栅格地图。
机器人可以根据环境分辨率、环境信息存储量及决策速度等参数确定栅格的大小。如环境分辨率较大，环境信息存储量大，决策速度慢，可选小的栅格；又如环境分辨率较小，环境信息存储量小，决策速度快，可以选大的栅格，但在密集障碍物环境中发现路径的能力较弱。
当然，在其它实施例中，机器人还可以采用其它成熟的技术构建导航区域的栅格地图，或者采用直接表征法、拓扑地图或特征点地图等代替本实施例的栅格地图。
其中，建图轨迹包括多个轨迹点，该轨迹点可以对应于点云数据的关键帧的位姿，即建图轨迹由点云数据的关键帧序列对应的位姿序列构成。
关键帧可以减少待优化的帧数，并且可以代表其附近的帧；关键帧是在局部一系列普通帧中选出一帧作为局部帧的代表，记录局部信息。
步骤S12：基于地图获取起始点到建图轨迹的第一轨迹点之间的第一规划路径及建图轨迹的第二轨迹点到目标点之间的第二规划路径。
具体地，本实施例可以基于地图获取起始点到与建图轨迹最近邻的第一轨迹点之间的第一规划路径及目标点到与建图轨迹最近邻的第二轨迹点之间的第二规划路径。
如图2至图4所示，获取机器人导航的起始点P_s，即机器人当前所处位置，获取机器人导航的目的点P_e及获取导航区域的栅格地图的建图轨迹A；结合导航区域的栅格地图，获取起始点P_s到与建图轨迹A最近邻的第一轨迹点P_ns之间的第一规划路径B1，获取目标点P_e到与建图轨迹A最近邻的第二轨迹点P_ne之间的第二规划路径B2。
本实施例规划起始点P_s到建图轨迹A最近邻的第一轨迹点P_ns之间的第一规划路径B1及目标点P_e到与建图轨迹A最近邻的第二轨迹点P_ne之间的第二规划路径B2，不仅能够保证机器人沿着第一规划路径B1运动至建图轨迹A及从建图轨迹A运动之目标点P_e，使得建图轨迹A与起始点P_s及目标点P_e连接，而且能够使得最终规划的全局规划路径中基于建图轨迹A规划的中间段的路径最长化，因建图轨迹A为构建栅格地图时已行走、已学习的轨迹，因此能够最大程度的减少导航时定位丢失及避障次数。
本实施例可以采用最邻近节点(K-NearestNeighbor，KNN)算法等获取起始点与建图轨迹最近邻的第一轨迹点及目标点与建图轨迹最近邻的第二轨迹点。
可选地，本实施例可以通过如图5所示的方法实现步骤S12。本实施例的方法包括步骤S51至步骤S54。
步骤S51：基于建图轨迹生成轨迹点的多维搜索树。
多维搜索树KD-Tree(也称为K维树)是一种二叉搜索树，其中每个节点中的数据是空间中的K维点。简而言之，它是用于组织K维空间中的点的空间划分的数据结构。KD-Tree中的非叶节点将空间分为两部分，称为半空间。该空间左侧的点由该节点的左侧子树表示，空间右侧的点由右侧子树表示。根将具有x对齐的平面，根的子代都将具有y对齐的平面，根的孙子都将具有x对齐的平面，而根的曾孙将具有y对齐的平面，依此类推。
由上述分析可知，建图轨迹的轨迹点包括关键帧的位姿，每个轨迹点对应一个位姿，其包括坐标位置，可以基于坐标位置创建多维搜索树。
可以建立空白多维搜索树，基于位姿将轨迹点映射到多维搜索树对应的空间，轨迹点的多维搜索树。
例如，创建二维的轨迹点的2D-Tree时，若轨迹点的二维坐标为：(3，6)、(17，15)、(13，15)、(6，12)、(9，1)、(2，7)、(10、19)，创建步骤如下：
1)插入轨迹点(3，6)：由于树为空，因此使其成为根节点；
2)插入轨迹点(17，15)：将其与根节点进行比较。由于根节点是X对齐的，因此将比较X坐标值以确定它是在右子树中还是在右子树中。该轨迹点将与Y对齐。
3)插入轨迹点(13，15)：此轨迹点的X值大于根节点中轨迹点的X值。因此，这将位于轨迹点(3，6)的右侧子树中。再次将该轨迹点的Y值与轨迹点(17，15)的Y值进行比较。因为它们相等，所以这一轨迹点将位于轨迹点(17，15)的右子树中。该轨迹点将X对齐。
4)插入轨迹点(6，12)：此轨迹点的X值大于根节点中轨迹点的X值。因此，这将位于轨迹点(3，6)的右侧子树中。再次将该轨迹点的Y值与轨迹点(17，15)的Y值进行比较。由于12<15，此轨迹点将位于轨迹点(17，15)的左子树中。该轨迹点将X对齐。
5)插入轨迹点(9，1)：类似地，此轨迹点位于轨迹点(6，12)的右侧。
6)插入轨迹点(2，7)：类似地，该轨迹点位于轨迹点(3，6)的左侧。
7)插入轨迹点(10，19)：同样，此轨迹点位于轨迹点(13，15)的左侧。
例如，创建三维的轨迹点的3D-Tree时，可以在创建的2D-Tree的基础上，将轨迹点的第三维坐标考虑进去，基于根节点的轨迹点的第三维坐标与其它轨迹点的第三维坐标的关系采用上述类似的方法构建3D-Tree的各个子节点。
步骤S52：基于多维搜索树获取与起始点最近邻的第一轨迹点及与目标点最近邻的第二轨迹点。
本实施例可以采用KNN算法等从多维搜索树中搜索与起始点最近邻的第一轨迹点及与目标点最近邻的第二轨迹点。
如图3所示，使用起始点P_s和目标点P_e分别在Kd-Tree中进行KNN最近邻搜索，得到两者在建图轨迹A中的最近邻点，即第一轨迹点P_ns及第二轨迹点P_ne。
步骤S53：基于地图获取起始点到第一轨迹点之间的第一规划路径。
本实施例可以基于栅格地图，以起始点为起点，以第一轨迹点为终点，采用A星寻路算法获取起始点到第一轨迹点的第一规划路径。
如图4所示，结合栅格地图，以起始点P_s为起点，以第一轨迹点P_ns为终点，进行A星寻路算法，得到从起始点P_s到第一轨迹点P_ns的第一规划路径B1。
步骤S54：基于地图获取第二轨迹点到目标点之间的第二规划路径。
本实施例可以基于栅格地图，以第二轨迹点为起点，以目标点为终点，采用A星寻路算法获取第二轨迹点到目标点的第二规划路径。
如图4所示，结合栅格地图，以第二轨迹点P_ne为起点，以目标点P_e为终点，进行A星寻路算法，得到从第二轨迹点P_ne到目标点P_e的第二规划路径。
本实施例构建建图轨迹的轨迹点的多维搜索树，并基于多维搜索树来获取建图轨迹的第一轨迹点及第二轨迹点，能够避免将起始点及目标点分别与建图轨迹中每个轨迹点进行匹配，本实施例至需要对建图轨迹的轨迹点进行二叉搜索，能够明显减少算力，提高路径规划的效率。
当然，在其它实施例中，还可以采用其它成熟的技术获取起始点及目标点的最邻近轨迹点，及获取上述第一规划路径和第二规划路径。
步骤S13：基于建图轨迹获取第一轨迹点到第二轨迹点之间的第三规划路径。
如图4所示，截取建图轨迹A中第一轨迹点P_ns到第二轨迹点P_ne之间的轨迹作为第三规划路径B3。
本实施例直接获取建图轨迹A中第一轨迹点P_ns到第二轨迹点P_ne之间的轨迹作为全局规划路径的中间段的路径，因建图轨迹A为构建栅格地图时已行走、已学习的轨迹，因此用建图轨迹A作为导航规划路径，能够减少导航时定位丢失及避障次数。
步骤S14：基于第一规划路径、第二规划路径及第三规划路径生成起始点到目标点之间的全局规划路径。
组合第一规划路径、第二规划路径及第三规划路径得到的全局规划路径；其中，第一规划路径与第三规划路径的连接点为第一轨迹点，第二规划路径与第三规划路径的连接点为第二轨迹点。
本实施例基于地图的建图轨迹实现全局规划路径的中间段路径的规划，因建图轨迹为构建地图时已行走、已学习的轨迹，因此基于建图轨迹规划的中间段路径存在定位丢失及障碍物的几率很小，能够减少导航时定位丢失及避障次数；同时，本实施例基于地图获取起始点及目标点与建图轨迹之间的规划路径，能够获得起始点到目标点的全局规划路径。
本申请进一步提出另一实施例的路径规划方法，如图6所示，图6是本申请路径规划方法一实施例的流程示意图。本实施例的路径规划方法具体包括以下步骤：
步骤S61：获取导航区域的地图及其建图轨迹。
步骤S62：基于地图获取起始点到建图轨迹的第一轨迹点之间的第一规划路径及建图轨迹的第二轨迹点到目标点之间的第二规划路径。
步骤S63：基于建图轨迹获取第一轨迹点到第二轨迹点之间的第三规划路径。
步骤S64：基于第一规划路径、第二规划路径及第三规划路径生成起始点到目标点之间的全局规划路径。
步骤S61至步骤S64的具体实施方式可以参阅上述实施例。
机器人在获取全局规划路径后或者在路径规划过程中可以基于规划的路径进行导航。
步骤S65：获取导航过程中采集的感知信息。
在导航过程中，机器人会通过传感器组合采集环境的感知信息，该感知信息可以包括：地图信息(如栅格地图信息等)、语音信息、机器人运行状态信息(如故障信息、定位丢失等)、温度信息等。
步骤S66：响应于导航结束，将感知信息更新至地图和/或建图轨迹中。
可以将上述感知信息转换成与地图和/建图轨迹关联的信息，在导航被触发结束时，将这些感知信息更新至地图和/或建图轨迹中，同时还可以将关联信息更新到机器人的控制决策中。
在上述实施例的基础上，本实施例将导航中获取的感知信息更新至地图和/或建图轨迹中，能够规划处的规划路径更加符合导航区域的当前情况，能进一步减少导航时定位丢失及避障次数。
在一个实施例中，如图7所示，提供了一种路径规划装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：建图模块71、第一路径规划模块72、第二路径规划模块73及全局路径规划模块74，建图模块71分别与第一路径规划模块72及第二路径规划模块73连接，全局路径规划模块74分别与第一路径规划模块72及第二路径规划模块73连接。
本实施例的路径规划装置还用于实现上述路径规划方法。
关于路径规划装置的具体限定可以参见上文中对于路径规划方法的限定，在此不再赘述。上述路径规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请进一步提出一种电子设备，如图8所示，图8是本申请电子设备一实施例的结构示意图。本实施例电子设备100包括处理器101、与处理器101耦接的存储器102、输入输出设备103以及总线104。
该处理器101、存储器102、输入输出设备103分别与总线104相连，该存储器102中存储有程序数据，处理器101用于执行程序数据以实现上述路径规划方法。
上述实施例中的控制器可以集成在处理器101内。
在本实施例中，处理器101还可以称为CPU(Central Processing Unit，中央处理单元)。处理器101可能是一种集成电路芯片，具有信号的处理能力。处理器101还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器101也可以是任何常规的处理器等。
本实施例的电子设备100可以是机器人、无人机或移动终端等，电子设备100进一步设置有能够探测空间的环境数据的传感器组合，传感器组合至少包括一台或以上的激光雷达传感器等3D扫描设备。其中，激光雷达传感器类型可以是：单线激光雷达、多线激光雷达或固态激光雷达等。
本申请进一步提出一种计算机可读存储介质，如图9所示，本实施例计算机可读存储介质160用于存储上述实施例的程序数据161，程序数据161能够被执行以实现上述路径规划方法。程序数据161已在上述方法实施例中进行了详细的叙述，这里不赘述。
本实施例计算机可读存储介质160可以是但不局限于U盘、SD卡、PD光驱、移动硬盘、大容量软驱、闪存、多媒体记忆卡、服务器等。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
区别于现有技术：本申请路径规划方法先获取导航区域的地图及其建图轨迹，并基于地图获取起始点到建图轨迹的第一轨迹点之间的第一规划路径及建图轨迹的第二轨迹点到目标点之间的第二规划路径，即基于地图获取起始点及目标点与建图轨迹之间的规划路径，完成全局规划路径两端的路径规划；然后基于建图轨迹获取第一轨迹点到第二轨迹点之间的第三规划路径，即基于建图轨迹规划全局规划路径中间段的路径；基于第一规划路径、第二规划路径及第三规划路径生成起始点到目标点之间的全局规划路径。通过这种方式，本申请基于地图的建图轨迹实现全局规划路径的中间段路径的规划，因建图轨迹为构建地图时已行走、已学习的轨迹，因此基于建图轨迹规划的中间段路径存在定位丢失及障碍物的几率很小，能够减少导航时定位丢失及避障次数；同时，本申请基于地图获取起始点及目标点与建图轨迹之间的规划路径，能够获得起始点到目标点的全局规划路径。
另外，上述功能如果以软件功能的形式实现并作为独立产品销售或使用时，可存储在一个移动终端可读取存储介质中，即，本申请还提供一种存储有程序数据的存储装置，所述程序数据能够被执行以实现上述实施例的方法，该存储装置可以为如U盘、光盘、服务器等。也就是说，本申请可以以软件产品的形式体现出来，其包括若干指令用以使得一台智能终端执行各个实施例所述方法的全部或部分步骤。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的机构、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中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中，以供指令执行系统、装置或设备(可以是个人计算机，服务器，网络设备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中。
以上所述仅为本申请的实施方式，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保护范围内。

Claims (10)

1.一种路径规划方法，其特征在于，包括：
获取导航区域的地图及其建图轨迹；
基于所述地图获取起始点到所述建图轨迹的第一轨迹点之间的第一规划路径及所述建图轨迹的第二轨迹点到目标点之间的第二规划路径；
基于所述建图轨迹获取所述第一轨迹点到所述第二轨迹点之间的第三规划路径；
基于所述第一规划路径、所述第二规划路径及所述第三规划路径生成所述起始点到所述目标点之间的全局规划路径。
2.根据权利要求1所述的路径规划方法，其特征在于，所述基于所述地图获取起始点到所述建图轨迹的第一轨迹点之间的第一规划路径及所述建图轨迹的第二轨迹点到目标点之间的第二规划路径，包括：
基于所述地图获取起始点到与所述建图轨迹最近邻的第一轨迹点之间的第一规划路径及目标点到与所述建图轨迹最近邻的第二轨迹点之间的第二规划路径。
3.根据权利要求1或2所述的路径规划方法，其特征在于，所述基于所述地图获取起始点到所述建图轨迹的第一轨迹点之间的第一规划路径及所述建图轨迹的第二轨迹点到目标点之间的第二规划路径，包括：
基于所述建图轨迹生成轨迹点的多维搜索树；
基于所述多维搜索树获取与起始点最近邻的第一轨迹点及与目标点最近邻的第二轨迹点；
基于所述地图获取所述起始点到所述第一轨迹点之间的第一规划路径；
基于所述地图获取所述第二轨迹点到所述目标点之间的第二规划路径。
4.根据权利要求3所述的路径规划方法，其特征在于，所述地图包括栅格地图，所述基于所述地图获取所述起始点到所述第一轨迹点之间的第一规划路径，包括：
基于所述栅格地图，以所述起始点为起点，以所述第一轨迹点为终点，采用A星寻路算法获取所述起始点到所述第一轨迹点的第一规划路径；
所述基于所述地图获取所述第二轨迹点到所述目标点之间的第二规划路径，包括：
基于所述栅格地图，以所述第二轨迹点为起点，以所述目标点为终点，采用A星寻路算法获取所述第二轨迹点到所述目标点的第二规划路径。
5.根据权利要求1所述的路径规划方法，其特征在于，所述基于所述建图轨迹获取所述第一轨迹点到所述第二轨迹点之间的第三规划路径，包括：
截取所述建图轨迹中所述第一轨迹点到所述第二轨迹点之间的轨迹作为第三规划路径。
6.根据权利要求1所述的路径规划方法，其特征在于，进一步包括：
获取导航过程中采集的感知信息；
响应于导航结束，将所述感知信息更新至所述地图和/或所述建图轨迹中。
7.根据权利要求3所述的路径规划方法，其特征在于，所述建图轨迹的轨迹点包括关键帧的位姿，所述基于所述建图轨迹生成轨迹点的多维搜索树，包括：
建立空白多维搜索树；
基于所述位姿将所述轨迹点映射到所述多维搜索树对应的空间，生成轨迹点的多维搜索树。
8.一种电子设备，其特征在于，包括：相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序数据，以实现权利要求1至7任一项所述的路径规划方法。
9.一种计算机存储介质，其特征在于，其上存储有程序数据，所述程序数据能够被执行以实现权利要求1至7任一项所述的路径规划方法。
10.一种计算机程序产品，其特征在于，包括计算机程序指令，所述计算机程序指令使计算机实现权利要求1至7任一项所述的路径规划方法。
CN202210217477.XA 2022-03-07 2022-03-07 路径规划方法、电子设备及存储介质、计算机程序产品 Active CN114690769B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210217477.XA CN114690769B (zh) 2022-03-07 2022-03-07 路径规划方法、电子设备及存储介质、计算机程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210217477.XA CN114690769B (zh) 2022-03-07 2022-03-07 路径规划方法、电子设备及存储介质、计算机程序产品

Publications (2)

Publication Number Publication Date
CN114690769A true CN114690769A (zh) 2022-07-01
CN114690769B CN114690769B (zh) 2024-05-10

Family

ID=82138028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210217477.XA Active CN114690769B (zh) 2022-03-07 2022-03-07 路径规划方法、电子设备及存储介质、计算机程序产品

Country Status (1)

Country Link
CN (1) CN114690769B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115609594A (zh) * 2022-12-15 2023-01-17 国网瑞嘉(天津)智能机器人有限公司 机械臂路径的规划方法、装置、上位控制端及存储介质
CN115857515A (zh) * 2023-02-22 2023-03-28 成都瑞华康源科技有限公司 一种agv机器人路线规划方法、系统及存储介质

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106227843A (zh) * 2016-07-28 2016-12-14 云南大学 一种地质灾害野外调查信息采集系统及方法
CN106406338A (zh) * 2016-04-14 2017-02-15 中山大学 一种基于激光测距仪的全向移动机器人的自主导航装置及其方法
CN208126153U (zh) * 2018-04-23 2018-11-20 安徽工程大学 一种基于仿生slam的移动机器人特能分析实验平台
CN109040968A (zh) * 2018-06-26 2018-12-18 努比亚技术有限公司 路况提醒方法、移动终端及计算机可读存储介质
CN109900272A (zh) * 2019-02-25 2019-06-18 浙江大学 视觉定位与建图方法、装置及电子设备
CN110262518A (zh) * 2019-07-22 2019-09-20 上海交通大学 基于轨迹拓扑地图和避障的车辆导航方法、系统及介质
CN110675307A (zh) * 2019-08-19 2020-01-10 杭州电子科技大学 基于vslam的3d稀疏点云到2d栅格图的实现方法
CN110944283A (zh) * 2019-10-09 2020-03-31 杭州途马科技有限公司 一种报警求助中获取定位信息的方法
CN111664843A (zh) * 2020-05-22 2020-09-15 杭州电子科技大学 一种基于slam的智能仓储盘点方法
CN111755969A (zh) * 2020-07-15 2020-10-09 南京白云瑞来科技有限公司 一种高防护模块化配电箱
EP3735761A1 (en) * 2018-01-02 2020-11-11 Telefonaktiebolaget Lm Ericsson (Publ) Robot control monitoring and optimization in mobile networks
CN112013845A (zh) * 2020-08-10 2020-12-01 北京轩宇空间科技有限公司 适应未知动态空间的快速地图更新方法、装置及存储介质
CN112327865A (zh) * 2020-11-17 2021-02-05 易特智行科技(广州)有限公司 一种自动驾驶系统及方法
US20210170590A1 (en) * 2019-12-06 2021-06-10 Mitsubishi Electric Research Laboratories, Inc. Systems and Methods Automatic Anomaly Detection in Mixed Human-Robot Manufacturing Processes
CN112985425A (zh) * 2021-02-02 2021-06-18 恒大新能源汽车投资控股集团有限公司 基于异构感知数据融合的车辆定位方法、装置及系统
CN113108806A (zh) * 2021-05-13 2021-07-13 重庆紫光华山智安科技有限公司 路径规划方法、装置、设备及介质
CN113310488A (zh) * 2021-04-29 2021-08-27 西安交通大学 一种基于slam的果园机器人导航方法
CN113506459A (zh) * 2021-06-11 2021-10-15 上海追势科技有限公司 一种地下停车场众包地图采集方法
CN113625721A (zh) * 2021-08-19 2021-11-09 东北大学 一种未知空间自主探索规划方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106406338A (zh) * 2016-04-14 2017-02-15 中山大学 一种基于激光测距仪的全向移动机器人的自主导航装置及其方法
CN106227843A (zh) * 2016-07-28 2016-12-14 云南大学 一种地质灾害野外调查信息采集系统及方法
EP3735761A1 (en) * 2018-01-02 2020-11-11 Telefonaktiebolaget Lm Ericsson (Publ) Robot control monitoring and optimization in mobile networks
CN208126153U (zh) * 2018-04-23 2018-11-20 安徽工程大学 一种基于仿生slam的移动机器人特能分析实验平台
CN109040968A (zh) * 2018-06-26 2018-12-18 努比亚技术有限公司 路况提醒方法、移动终端及计算机可读存储介质
CN109900272A (zh) * 2019-02-25 2019-06-18 浙江大学 视觉定位与建图方法、装置及电子设备
CN110262518A (zh) * 2019-07-22 2019-09-20 上海交通大学 基于轨迹拓扑地图和避障的车辆导航方法、系统及介质
CN110675307A (zh) * 2019-08-19 2020-01-10 杭州电子科技大学 基于vslam的3d稀疏点云到2d栅格图的实现方法
CN110944283A (zh) * 2019-10-09 2020-03-31 杭州途马科技有限公司 一种报警求助中获取定位信息的方法
US20210170590A1 (en) * 2019-12-06 2021-06-10 Mitsubishi Electric Research Laboratories, Inc. Systems and Methods Automatic Anomaly Detection in Mixed Human-Robot Manufacturing Processes
CN111664843A (zh) * 2020-05-22 2020-09-15 杭州电子科技大学 一种基于slam的智能仓储盘点方法
CN111755969A (zh) * 2020-07-15 2020-10-09 南京白云瑞来科技有限公司 一种高防护模块化配电箱
CN112013845A (zh) * 2020-08-10 2020-12-01 北京轩宇空间科技有限公司 适应未知动态空间的快速地图更新方法、装置及存储介质
CN112327865A (zh) * 2020-11-17 2021-02-05 易特智行科技(广州)有限公司 一种自动驾驶系统及方法
CN112985425A (zh) * 2021-02-02 2021-06-18 恒大新能源汽车投资控股集团有限公司 基于异构感知数据融合的车辆定位方法、装置及系统
CN113310488A (zh) * 2021-04-29 2021-08-27 西安交通大学 一种基于slam的果园机器人导航方法
CN113108806A (zh) * 2021-05-13 2021-07-13 重庆紫光华山智安科技有限公司 路径规划方法、装置、设备及介质
CN113506459A (zh) * 2021-06-11 2021-10-15 上海追势科技有限公司 一种地下停车场众包地图采集方法
CN113625721A (zh) * 2021-08-19 2021-11-09 东北大学 一种未知空间自主探索规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张彤;冯磊;: "移动机器人地面目标导航定位仿真研究", 计算机仿真, no. 08, 15 August 2018 (2018-08-15) *
张立志;陈殿生;刘维惠;: "基于混合地图的护理机器人室内导航方法", 北京航空航天大学学报, no. 05, 22 September 2017 (2017-09-22) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115609594A (zh) * 2022-12-15 2023-01-17 国网瑞嘉(天津)智能机器人有限公司 机械臂路径的规划方法、装置、上位控制端及存储介质
CN115609594B (zh) * 2022-12-15 2023-03-28 国网瑞嘉(天津)智能机器人有限公司 机械臂路径的规划方法、装置、上位控制端及存储介质
CN115857515A (zh) * 2023-02-22 2023-03-28 成都瑞华康源科技有限公司 一种agv机器人路线规划方法、系统及存储介质
CN115857515B (zh) * 2023-02-22 2023-05-16 成都瑞华康源科技有限公司 一种agv机器人路线规划方法、系统及存储介质

Also Published As

Publication number Publication date
CN114690769B (zh) 2024-05-10

Similar Documents

Publication Publication Date Title
JP6632173B1 (ja) ロボットの地図構築及び位置推定
US11182612B2 (en) Systems and methods for place recognition based on 3D point cloud
CN110936383B (zh) 一种机器人的障碍物避让方法、介质、终端和装置
Ball et al. OpenRatSLAM: an open source brain-based SLAM system
CN113110457B (zh) 在室内复杂动态环境中智能机器人的自主覆盖巡检方法
CN114690769B (zh) 路径规划方法、电子设备及存储介质、计算机程序产品
US9207678B2 (en) Method and apparatus for constructing map for mobile robot
US11475591B2 (en) Hybrid metric-topological camera-based localization
CN109163722B (zh) 一种仿人机器人路径规划方法及装置
CN112179330A (zh) 移动设备的位姿确定方法及装置
CN107179082B (zh) 基于拓扑地图和度量地图融合的自主探索方法和导航方法
CN115423846A (zh) 多目标轨迹跟踪方法以及装置
CN111680747A (zh) 用于占据栅格子图的闭环检测的方法和装置
WO2024087962A1 (zh) 车厢姿态识别系统、方法、电子设备及存储介质
GB2578721A (en) Method and system for processing image data utilizing deep neural network
CN112287746A (zh) 使用对象的几何模板的鲁棒的对象识别
Zhang et al. Hierarchical Road Topology Learning for Urban Mapless Driving
US20210398014A1 (en) Reinforcement learning based control of imitative policies for autonomous driving
WO2023072269A1 (zh) 对象跟踪
Li et al. Comparison of Model-Free and Model-Based Learning-Informed Planning for PointGoal Navigation
Song et al. FHT-Map: Feature-based Hybrid Topological Map for Relocalization and Path Planning
Udugama Evolution of SLAM: Toward the Robust-Perception of Autonomy
CN114821543B (zh) 障碍物检测方法、装置、车辆和存储介质
Bellone Watch your step! terrain traversability for robot control
US20220005217A1 (en) Multi-view depth estimation leveraging offline structure-from-motion

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