CN114721393A - 一种无人车间多扫地机器人集群控制的方法 - Google Patents
一种无人车间多扫地机器人集群控制的方法 Download PDFInfo
- Publication number
- CN114721393A CN114721393A CN202210393575.9A CN202210393575A CN114721393A CN 114721393 A CN114721393 A CN 114721393A CN 202210393575 A CN202210393575 A CN 202210393575A CN 114721393 A CN114721393 A CN 114721393A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- cluster
- robots
- robot
- grid
- 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
- 238000010408 sweeping Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 64
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 101100030351 Schizosaccharomyces pombe (strain 972 / ATCC 24843) dis2 gene Proteins 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 239000000645 desinfectant Substances 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004659 sterilization and disinfection Methods 0.000 description 6
- 230000001954 sterilising effect Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 241001417527 Pempheridae Species 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G05D1/0221—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
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人车间多扫地机器人集群控制的方法，UWB基站放置于无人车间的四个角。集群算法通过利用K‑means优化算法、A*算法、B‑begins算法，最终计算出任意障碍物下全局遍历的最优路径。虚线为三辆机器人从起点到达区域起点的路径，通过A*算法取得。实线为当前障碍物情况下，算法取得的三辆机器人的遍历路线。同时三辆机器人配备惯性导航模块XSENS，通过PID控制使其实现垂直行走和水平行走，确保每块区域都进行清扫，无一遗漏。本发明通过路径规划算法可以计算出不同车辆数以及不同障碍物情况下的最优路径，对于三辆机器人集群控制，至少可将作业时间缩短为原本的1/3，大幅提高作业效率，实现全局遍历。
Description
技术领域
本发明主要解决大型无人车间的清扫问题，采用创新性集群导航算法，基于UWB(Ultra Wide Band，超宽带)实现多车集群清扫，大幅提高工作效率。
背景技术
随着我国科技实力的提高，工业领域正在朝着高度智能化方向发展。目前，多数“万人车间”都已经变成“万人无人车间”。这些车间均对于环境卫生具有很高的要求，需要定期按照标准进行杀菌清扫。为了节约人力，降低成本，目前很多车间选用市场现存的各种扫地机器人。然而杀菌清扫与车间作业往往不能同时进行，因此对于多数大型车间，为了减少时间浪费、避免影响生产进度、提高工作效率，往往选择在晚上进行杀菌清扫。车间占地面积之大，也导致单一机器人清扫时间过长，而且机器人的续航时间也会对工作效率产生一定的限制。
发明内容
基于上述现有技术的不足，本发明提出了无需绕路，缩短时间，提高了效率的一种无人车间多扫地机器人集群控制的方法。
技术方案为：一种无人车间多扫地机器人集群控制的方法，借助超宽带UWB进行集群定位，地图栅格化后，根据集群导航算法进行路径规划，实现多辆扫地机器人协同作业，具体步骤如下：
步骤1：于车间的四个角放置四个固定的UWB基站，并以左下角基站为原点建立直角坐标系，将UWB标签放置在扫地机器人上，原始数据解算后，可以获得扫地机器人距离几个标签的直线距离、当前机器人所处车间坐标系中的坐标(xi,yi)和角度信息；
步骤2：对无人车间地图进行栅格化；
步骤3：将地图信息(主要为已知障碍物情况)通过触摸屏幕添加；
步骤4：利用K-means优化算法划分区域；
步骤5：若区域1存在某一栅格，其周围同类栅格数小于2，则将该栅格进行标定，如果其上下左右四面，存在两面及以上面数为其他同类栅格，则将其划分给该栅格，如果不存在该情况，则将其随机划分给任一不同类栅格；
步骤6：三辆扫地机器人利用PID算法进行路径跟踪，按照方向优先级进行清扫遍历，如果陷入局部最优，搜索尚未遍历且距离其最近的栅格，并利用A*算法逃离到该栅格，A*算法可以规划出从一个起始状态到目标状态能够避开障碍物的最优路径；
步骤7：所有机器人均按照方向优先级进行清扫遍历，其优先级从高到低依次为上、下、左、右、左上、左下、右上、右下；
步骤8：最优起点的选择采用创新性B-begins算法，首先计算出每个区域内以每个栅格作为起点的总路径，其计算方式为：
Dis_all＝Dis1+Dis2 (0.6)
其中Dis_all是路径；Dis1是A*算法求出该栅格到栅格(0.5m，0.5m)的最短距离；Dis2是以该栅格为区域起点遍历完整个区域的总路径长度；最终根据计算结果，选出总路径最短的3个栅格分别作为三个区域的区域起点。
进一步，所述步骤2的具体过程为：根据扫地机器人的长宽数据以及UWB的定位误差，合理规划栅格边长大小M，在此借助10m*10m车间进行仿真，栅格大小M确定为1m，并以坐标值(0.5m,0.5m)作为多辆扫地机器人的共同起点。
进一步，所述步骤3的具体过程为：K-means算法采用欧氏距离来计算数据对象间的距离，其公式如下：
其中D是数据对象的个数；
xi代表第i个对象，xj代表第j个聚类中心；
xi,d代表第i个对象的第d个属性，xj,d代表第j个对象的第d个属性；
该算法每一次的迭代，对应的簇的中心需要重新计算，对应类簇中所有数据对象的均值即为更新后该类簇的类簇中心，定义第K个类簇的类簇中心为Cenk，则类簇的中心的更新方式为：
其中Ck表示第K个类簇；
|Ck|表示第K个类簇中数据对象的个数；
这里的求和是指类簇Ck中所有元素在每列属性上的和，因此Cenk也是一个含有D个属性的向量；
迭代结束的标志有两种，其一为当迭代次数达到设定迭代次数T的时候，此时所得到的类簇就是最终类聚结果，另外一种方法如下：
其中K表示类簇的个数，当两次迭代J的差值小于某一阈值时，即ΔJ＜δ时，则终止迭代，此时所得的类簇即为最终的聚类结果。
进一步，所述K-means算法中K为期望簇的个数，对应于协同作业的机器人总数，最终通过不断迭代自动将相同元素分为关系紧密的K个簇，仿真中分为3个簇，分别作为三辆扫地机器人的作业范围；并利用栅格中心点坐标代替每个栅格所处位置。
进一步，所述步骤5中：最优路径优劣评价公式为：
f(n)＝g(n)+h(n) (0.10)
其中f(n)是从初始状态经由状态n到目标状态的代价估计；g(n)是在状态空间中从初始状态到状态n的实际代价；h(n)是从状态n到目标状态的最佳路径的估计代价。
进一步，所述步骤6中：规定上下左右直走的距离为1m，左上左下右上右下的行走距离为1.4m。
进一步，所述机器人上搭载惯性导航传感器，通过获取精确角度信息，控制机器人实现各种基本动作，机器人底盘上方预留装配孔，装配消毒液箱与吸尘枪，同时底盘底部装配毛刷，机器人的四个脉轮，实现机器人的全方位移动，使其实现360度无死角清扫，方便前进后退以及斜向45度运动。
进一步，步骤6中，利用PID控制器对其实现路径跟踪，串级PID以XSENS回传的角速度作为内环，以XSENS回传的航向角作为外环，同时并上以UWB回传的位置信息作为输入的位置环，航向角和角速度的串环可以实现清扫车直线作业，避免误碰，减少作业误差，可以实现精准的小角度清扫。位置环使得机器人按照既定路线作业，不会偏离路线，始终在正确的位置作业。
利用UWB将地图栅格化，并且获得每个栅格的坐标，利用K-means优化算法划分区域，K-means优化算法在K-means算法的基础上，针对现存障碍物的情况，将K-means算法得出的区域中，会使车辆陷入局部最优点的栅格进行迭代退化，从原本的区域划出到其周围的其他区域，确保车辆遍历该栅格时，无需绕路，缩短时间，提高了效率，再利用创新性B-begins算法选择最优区域起点，并通过A*算法使每辆机器人按照最优的路径到达区域起点之后再开始集群作业，并满足总路径之和最短的条件。
本发明的有益效果是：
当前很多车间要求无尘车间，人工清扫，往往达不到效果。传统的扫地机器人多应用于家庭清扫，而且是单一机器人进行清扫。如果将其应用于大型无人车间，不仅存在机器人续航时间不足的问题，还会消耗大量的作业时间，效率很低，而且如果需要实现车间的消毒、杀菌、清扫等多项任务，往往单一机器人实现起来存在一定的困难并且操作繁琐。集群扫地机器人，分工明确，同时工作，将工作时间缩减数倍，同时可以实现多项任务并向执行，大幅提高了作业的效率，大幅节约人力，克服大型无人车间难以清扫的问题。除此之外，目前集群定位技术多使用GPS、激光雷达、单目摄像头和双目摄像头，成本高昂，且当目标数目繁多时，实现较为困难。UWB属于电磁波，其在真空中的传播速度与光速相同。通过测量TGA到ANCHOR的飞行时间，乘以光速以后，TAG可以获得到ANCHOR 的距离，通过多个ANCHOR距离与参考ANCHOR的坐标，列出多组球面方程，求解出标签的坐标。而且UWB用于室内定位可以很好的解决GPS等信号被遮挡的问题。满足机器人精准打扫的需求，测距、定位刷新频率高达200Hz、信号穿透强、多径分辨能力强，为多机器人路径导航提供了条件。同时其内嵌一颗三轴陀螺仪、三轴加速度计，标签可以输出IMU原始数据、欧拉角以及四元数，通过卡尔曼滤波算法已经数据融合，可以精确拿到机器人角度信息，提高集群的灵活性与配合的默契性。
附图说明
图1为地图栅格化结果；
图2为K-means算法聚类；
图3为逻辑判断与优先级别；
图4为K-means算法聚类优化结果；
图5为A*算法求最优路径；
图6为B-begins算法；
图7为扫地机器人的底盘结构；
图8为机器人1的遍历路线；
图9为机器人2的遍历路线；
图10为机器人3的遍历路线；
图11为硬件系统的结构图；
图12为串级PID控制图；
图13为路径规划算法逻辑图；
图14为系统控制逻辑图；
具体实施方式
本发明提出一种多辆扫地机器人在大型无人化车间集群作业以完成车间高效清扫消毒的方法。
本发明主要采用的技术方案为：借助UWB进行集群定位，地图栅格化后，根据集群导航算法进行路径规划，实现多辆扫地机器人协同作业。具体步骤如下：
步骤1：于车间的四个角放置四个固定的UWB基站，如下图1所示，并以左下角基站为原点建立直角坐标系。将UWB标签放置在扫地机器人上，原始数据解算后，可以获得扫地机器人距离几个标签的直线距离、当前机器人所处车间坐标系中的坐标(xi,yi)和角度信息。
步骤2：对无人车间地图进行栅格化，根据扫地机器人的长宽数据以及UWB的定位误差，合理规划栅格边长大小M，在此借助10m*10m车间进行仿真，栅格大小M确定为1m，栅格化后结果如图1所示。其中蓝色区域为车间内存储的货物或者工作的机器。并以坐标值(0.5m,0.5m)作为多辆扫地机器人的共同起点。根据仿真无人车间的大小，选取三辆扫地机器人集群作业为例。
步骤3：利用K-means优化算法划分区域，如图2所示。K-means算法采用欧氏距离来计算数据对象间的距离，其公式如下：
其中D是数据对象的个数。
该算法每一次的迭代，对应的簇的中心需要重新计算，对应类簇中所有数据对象的均值即为更新后该类簇的类簇中心。定义第K个类簇的类簇中心为Cenk，则类簇的中心的更新方式为：
其中Ck表示第K个类簇；
|Ck|表示第K个类簇中数据对象的个数。
这里的求和是指类簇Ck中所有元素在每列属性上的和，因此Cenk也是一个含有D个属性的向量。
迭代结束的标志有两种，其一为当迭代次数达到设定迭代次数T的时候，此时所得到的类簇就是最终类聚结果。另外一种方法如下：
其中K表示类簇的个数，当两次迭代J的差值小于某一阈值时，即ΔJ＜δ时，则终止迭代，此时所得的类簇即为最终的聚类结果。
K-means算法中K为期望簇的个数，对应于协同作业的机器人总数。最终通过不断迭代自动将相同元素(这里为栅格)分为关系紧密的K个簇，仿真中分为3个簇，分别作为三辆扫地机器人的作业范围。并利用栅格中心点坐标代替每个栅格所处位置。仿真结果如下图2所示，数值为1、2、3的栅格代表划分出的区域1、2、3。其结果不理想处在于圆圈圈出的区域，该区域易使扫地机器人陷入局部最优，虽然A*算法可以解决，但是该机器人所走的路程与花费的时间也会相应增加。本发明通过迭代退化，可以消除此类问题，具体如步骤4。
步骤4：若区域1存在某一栅格，其周围同类栅格数小于2，则将该栅格进行标定.如果其上下左右四面，存在两面及以上面数为其他同类栅格，则将其划分给该栅格，如果不存在该情况，则将其随机划分给任一不同类栅格。具体逻辑判断方式与优先级别如图3所示，迭代退化结果如图4所示。
步骤5：三辆扫地机器人按照方向优先级进行清扫遍历，如果陷入局部最优，搜索尚未遍历且距离其最近的栅格。并利用A*算法逃离到该栅格。A*算法可以规划出从一个起始状态到目标状态能够避开障碍物的最优路径，如图5所示。其路径优劣评价公式为：
f(n)＝g(n)+h(n) (0.14)
其中f(n)是从初始状态经由状态n到目标状态的代价估计；
g(n)是在状态空间中从初始状态到状态n的实际代价；
h(n)是从状态n到目标状态的最佳路径的估计代价。
步骤6：所有机器人均按照方向优先级进行清扫遍历，其优先级从高到低依次为上、下、左、右、左上、左下、右上、右下。其中规定上下左右直走的距离为1m，左上左下右上右下的行走距离为1.4m。
步骤7：最优起点的选择采用创新性B-begins算法，如图6所示。首先计算出每个区域内以每个栅格作为起点的总路径，其计算方式为：
Dis_all＝Dis1+Dis2 (0.15)
其中Dis_all是路径；
Dis1是A*算法求出该栅格到栅格(0.5m，0.5m)的最短距离；
Dis2是以该栅格为区域起点遍历完整个区域的总路径长度。
最终根据计算结果，选出总路径最短的3个栅格分别作为三个区域的区域起点(总起点：所有机器人共同出发的点；区域起点：机器人遍历所属区域的第一个到达的点)。
地图信息设定1次之后，不需要重复设定，如果障碍物信息发生变化，例如无人车间增添一台新的机器，可以通过触摸屏幕增添或者删除障碍物信息。三辆机器人通过蓝牙和触摸屏幕进行信息交互，其行走路线可以实时在触摸屏上显示。在设定完地图信息之后，机器人1信号板规划出最优的路径，分别通过串口和NRF24L01发送给三辆机器人，如果任一机器人没有接收到，则其蜂鸣器会发出警报，操作者重新利用触摸屏控制该机器人复位。接收到路径信息之后，三辆机器人依次出发，根据A*算法的路径到达区域起点之后，再开始作业。机器人在遍历过程中，如果陷入局部最优的区域，则按照既定的路线逃离，完成遍历。任务完成后，操作者通过控制触摸屏的按键，可以实现一键返航。
下面将结合本发明实施例中的附图与仿真示例图，对本发明实施例中的技术方案进行清楚、完整地描述。
如图7所示的清扫机器人底盘结构图，它主要由以下几个部分组成：1-脉轮(麦克纳姆轮)；2-信号板；3-主控板；4-电机；5-UWB；底盘上方预留装配孔，可以装配消毒液箱与吸尘枪，同时地盘底部可以装配毛刷。机器人的四个脉轮，可以灵活方便的实现机器人的全方位移动，使其实现360度无死角清扫，方便前进后退以及斜向45度运动。
信号板上主控芯片采用STM32F407ZGT6芯片，初始化后，人工输入障碍物位置，指示灯闪烁，然后运行上述算法，计算出最优的遍历路径，指示灯全亮。并通过串口USART 上传给主控板。主控板获取相应的路径后指示灯常亮，通过判断路径数组中下一目标点的坐标，确定其是否转动以及其下一步运动方向。程序上将小车的基本动作划分为以下几种：1-上走；2-下走；3-左走；4-又走；5-斜45度或135度直走；6-斜-45度或-135度直走。
如图8、9、10所示，UWB基站放置在车间的四个角，构建完整的坐标系，UWB标签放置在三辆车的底盘，其ID分别配置为0、1、2。用于接收各自的坐标位置以及速度信息的原始数据，并通过串口将原始数据传给主控板，通过主控板的解算，可以实时获取当前车辆的坐标，以及到几个基站的实际距离。机器人将自己所处的位置与路径规划出的目标位置进行比对，确定下一步的动作，实现自主导航。图8展示了在当前障碍物信息下，三辆清扫机器人从原点出发后的机器人1号的最佳清扫路径。
如图11所示为硬件系统的结构图，其中车辆协处理器负责根据障碍物信息规划出三辆车各自的最优遍历路线，传给一车的主控制器。一车再通过无线通讯模块发送给其余两辆车，两辆车接收到路线信息后，开始工作。同时每辆车上配备XSENS惯性导航模块，其回传陀螺仪信息精准可靠，可实时提供同步的3D姿态和航向输出，在外置GNSS接收器的情况下，具备厘米级定位精度，低于0.5度的方向估计，坚固的IP68防护等级的外壳以及非常小的外形尺寸。其即使在磁场干扰的情况下，也可为包括以最大输出速率400HZ高速移动的无人机设备提供多方位导航和定位信息。该系统具有本地CAN支持，外部GNSS接收器支持以及IMU，VRU，AHRS和GNSS/INS等多层次集成，因此具有真正的灵活性。配套的上位机软件能够显著提升模块的内部信号处理速度，在各领域等应用广泛。
本发明的控制算法采用以PID算法为基础的串级PID控制算法。PID算法以其结构简单、工作可靠、调整方便等特点，成为现阶段工业控制的主流控制算法。PID控制器是根据系统的误差，利用比例、积分、微分计算出控制量进行控制的。在实践应用过程中，面对不同的被控对象需要对P、I、D的数据进行整定，以达到最佳的控制目的。而串级PID 是利用多级PID组合而成的控制算法，可以较好地跟踪输入量，减小外部因素对系统带来的干扰，提高系统的鲁棒性。
如图12所示为串级PID控制图。以XSENS回传的角速度作为内环，以XSENS回传的航向角作为外环，同时并上以UWB回传的位置信息作为输入的位置环，航向角和角速度的串环可以实现清扫车直线作业，避免误碰，减少作业误差，可以实现精准的小角度清扫。位置环使得机器人按照既定路线作业，不会偏离路线，始终在正确的位置作业。
如图13为路径规划算法的逻辑图，在地图栅格化后，将障碍物信息从存放可行驶路径的数组中去除，对剩余的栅格，通过K＝3的聚类算法进行聚类，可以得到三块区域，这三块区域由三辆机器人分别同时遍历清扫。为了解决K-means聚类算法存在的问题，针对聚类后存在的局部最优点进行迭代退化，将其归于距离其更近或者可以一次性直接遍历他的区域。所有的局部最优点均处理完后，可以拿到最终的三块区域，将三块区域分别存在不同的三个数组中，命名为Aera1、Aera2、Aera3。接着遍历三个区域的每一个点，这里以 Aera1为例，以Aera1区域中的每一个元素为区域起点，计算遍历完该区域的各自的总路径，即利用A*算法是机器人从起点到区域起点的路程与从区域起点出发按照行走优先级遍历完整个区域的路程之和。选出最短路程对应的区域元素作为该区域的起点，并将这个原创性算法命名为B-begins算法。得到区域起点后，便可以按照行走的优先级，得出遍历当前区域的完整路径，并将该路径存入一个路径数组中。
如图14为系统控制逻辑图，地图信息设定1次之后，不需要重复设定，如果障碍物信息发生变化，例如无人车间增添一台新的机器，可以通过触摸屏幕增添或者删除障碍物信息。三辆机器人通过蓝牙和触摸屏幕进行信息交互，其行走路线可以实时在触摸屏上显示。在设定完地图信息之后，机器人1信号板规划出最优的路径，分别通过串口和NRF24L01发送给三辆机器人，如果任一机器人没有接收到，则其蜂鸣器会发出警报，操作者重新利用触摸屏控制该机器人复位。接收到路径信息之后，三辆机器人依次出发，根据A*算法的路径到达区域起点之后，再开始作业。机器人在遍历过程中，如果陷入局部最优的区域，则按照既定的路线逃离，完成遍历。任务完成后，操作者通过控制触摸屏的按键，可以实现一键返航。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“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发明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一定指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何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物。
Claims (8)
1.一种无人车间多扫地机器人集群控制的方法，其特征在于，借助超宽带UWB进行集群定位，地图栅格化后，根据集群导航算法进行路径规划，实现多辆扫地机器人协同作业，具体步骤如下：
步骤1：于车间的四个角放置四个固定的UWB基站，并以左下角基站为原点建立直角坐标系，将UWB标签放置在扫地机器人上，原始数据解算后，可以获得扫地机器人距离几个标签的直线距离、当前机器人所处车间坐标系中的坐标(xi,yi)和角度信息；
步骤2：对无人车间地图进行栅格化；
步骤3：将地图信息(主要为已知障碍物情况)通过触摸屏幕添加；
步骤4：利用K-means优化算法划分区域；
步骤5：若区域存在某一栅格，其周围同类栅格数小于2，则将该栅格进行标定，如果其上下左右四面，存在两面及以上面数为其他同类栅格，则将其划分给该栅格，如果不存在该情况，则将其随机划分给任一不同类栅格；
步骤6：三辆扫地机器人利用PID算法进行路径跟踪，按照方向优先级进行清扫遍历，如果陷入局部最优，搜索尚未遍历且距离其最近的栅格，并利用A*算法逃离到该栅格，A*算法可以规划出从一个起始状态到目标状态能够避开障碍物的最优路径；
步骤7：所有机器人均按照方向优先级进行清扫遍历，其优先级从高到低依次为上、下、左、右、左上、左下、右上、右下；
步骤8：最优起点的选择采用创新性B-begins算法，首先计算出每个区域内以每个栅格作为起点的总路径，其计算方式为：
Dis_all＝Dis1+Dis2 (0.1)
其中Dis_all是路径；Dis1是A*算法求出该栅格到栅格(0.5m，0.5m)的最短距离；Dis2是以该栅格为区域起点遍历完整个区域的总路径长度；最终根据计算结果，选出总路径最短的3个栅格分别作为三个区域的区域起点。
2.根据权利要求1所述的一种无人车间多扫地机器人集群控制的方法，其特征在于，所述步骤2的具体过程为：根据扫地机器人的长宽数据以及UWB的定位误差，合理规划栅格边长大小M，在此借助10m*10m车间进行仿真，栅格大小M确定为1m，并以坐标值(0.5m,0.5m)作为多辆扫地机器人的共同起点。
3.根据权利要求1所述的一种无人车间多扫地机器人集群控制的方法，其特征在于，所述步骤3的具体过程为：K-means算法采用欧氏距离来计算数据对象间的距离，其公式如下：
其中D是数据对象的个数；
xi代表第i个对象，xj代表第j个聚类中心；
xi,d代表第i个对象的第d个属性，xj,d代表第j个对象的第d个属性；
该算法每一次的迭代，对应的簇的中心需要重新计算，对应类簇中所有数据对象的均值即为更新后该类簇的类簇中心，定义第K个类簇的类簇中心为Cenk，则类簇的中心的更新方式为：
其中Ck表示第K个类簇；
|Ck|表示第K个类簇中数据对象的个数；
这里的求和是指类簇Ck中所有元素在每列属性上的和，因此Cenk也是一个含有D个属性的向量；
迭代结束的标志有两种，其一为当迭代次数达到设定迭代次数T的时候，此时所得到的类簇就是最终类聚结果，另外一种方法如下：
其中K表示类簇的个数，当两次迭代J的差值小于某一阈值时，即ΔJ＜δ时，则终止迭代，此时所得的类簇即为最终的聚类结果。
4.根据权利要求3所述的一种无人车间多扫地机器人集群控制的方法，其特征在于，所述K-means算法中K为期望簇的个数，对应于协同作业的机器人总数，最终通过不断迭代自动将相同元素分为关系紧密的K个簇，仿真中分为3个簇，分别作为三辆扫地机器人的作业范围；并利用栅格中心点坐标代替每个栅格所处位置。
5.根据权利要求1所述的一种无人车间多扫地机器人集群控制的方法，其特征在于，所述步骤5中：最优路径优劣评价公式为：
f(n)＝g(n)+h(n) (0.5)
其中f(n)是从初始状态经由状态n到目标状态的代价估计；g(n)是在状态空间中从初始状态到状态n的实际代价；h(n)是从状态n到目标状态的最佳路径的估计代价。
6.根据权利要求1所述的一种无人车间多扫地机器人集群控制的方法，其特征在于，所述步骤6中：规定上下左右直走的距离为1m，左上左下右上右下的行走距离为1.4m。
7.根据权利要求1所述的一种无人车间多扫地机器人集群控制的方法，其特征在于，所述机器人上搭载惯性导航传感器，通过获取精确角度信息，控制机器人实现各种基本动作，机器人底盘上方预留装配孔，装配消毒液箱与吸尘枪，同时底盘底部装配毛刷，机器人的四个脉轮，实现机器人的全方位移动，使其实现360度无死角清扫，方便前进后退以及斜向45度运动。
8.根据权利要求1所述的一种无人车间多扫地机器人集群控制的方法，其特征在于，步骤6中，利用PID控制器对其实现路径跟踪，串级PID以XSENS回传的角速度作为内环，以XSENS回传的航向角作为外环，同时并上以UWB回传的位置信息作为输入的位置环。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210393575.9A CN114721393A (zh) | 2022-04-15 | 2022-04-15 | 一种无人车间多扫地机器人集群控制的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210393575.9A CN114721393A (zh) | 2022-04-15 | 2022-04-15 | 一种无人车间多扫地机器人集群控制的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114721393A true CN114721393A (zh) | 2022-07-08 |
Family
ID=82243044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210393575.9A Pending CN114721393A (zh) | 2022-04-15 | 2022-04-15 | 一种无人车间多扫地机器人集群控制的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114721393A (zh) |
-
2022
- 2022-04-15 CN CN202210393575.9A patent/CN114721393A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qin et al. | Autonomous exploration and mapping system using heterogeneous UAVs and UGVs in GPS-denied environments | |
| CN113781582B (zh) | 基于激光雷达和惯导联合标定的同步定位与地图创建方法 | |
| JP6855524B2 (ja) | 低速特徴からのメトリック表現の教師なし学習 | |
| Hardouin et al. | Next-Best-View planning for surface reconstruction of large-scale 3D environments with multiple UAVs | |
| Goto et al. | The CMU system for mobile robot navigation | |
| Goto et al. | Mobile robot navigation: The CMU system | |
| Chudoba et al. | Exploration and mapping technique suited for visual-features based localization of mavs | |
| Otsu et al. | Where to look? Predictive perception with applications to planetary exploration | |
| US12019453B2 (en) | Multi-sensor-fusion-based autonomous mobile robot indoor and outdoor positioning method and robot | |
| Li et al. | Hybrid filtering framework based robust localization for industrial vehicles | |
| Beinschob et al. | Advances in 3d data acquisition, mapping and localization in modern large-scale warehouses | |
| Choi et al. | Improved CNN-based path planning for stairs climbing in autonomous UAV with LiDAR sensor | |
| Obregón et al. | Precise positioning and heading for autonomous scouting robots in a harsh environment | |
| Mäkelä | Outdoor navigation of mobile robots | |
| CN109389677B (zh) | 房屋三维实景地图的实时构建方法、系统、装置及存储介质 | |
| CN114721393A (zh) | 一种无人车间多扫地机器人集群控制的方法 | |
| Li et al. | Object-aware view planning for autonomous 3-D model reconstruction of buildings using a mobile robot | |
| Kurdi et al. | Navigation of mobile robot with cooperation of quadcopter | |
| Li et al. | Research on Robot Path Planning Based on Point Cloud Map in Orchard Environment | |
| Feng | Camera Marker Networks for Pose Estimation and Scene Understanding in Construction Automation and Robotics. | |
| Stentz et al. | The CMU navigational architecture | |
| Hardouin | A centralized and distributed multi-robot system for 3D surface reconstruction of unknown environments | |
| Kudriashov et al. | Introduction to Mobile Robots Navigation, Localization and Mapping | |
| Priyasad et al. | Point cloud based autonomous area exploration algorithm | |
| Liao et al. | The development of an artificial neural networks aided image localization scheme for indoor navigation applications with floor plans built by multi-platform mobile mapping systems |
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 |