CN114740869A - 多传感器融合估计与迭代预搜索的机器人避障方法及系统 - Google Patents

多传感器融合估计与迭代预搜索的机器人避障方法及系统 Download PDF

Info

Publication number
CN114740869A
CN114740869A CN202210535716.6A CN202210535716A CN114740869A CN 114740869 A CN114740869 A CN 114740869A CN 202210535716 A CN202210535716 A CN 202210535716A CN 114740869 A CN114740869 A CN 114740869A
Authority
CN
China
Prior art keywords
robot
pose
target point
path
motion
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
Application number
CN202210535716.6A
Other languages
English (en)
Inventor
范永
刁怀锐
刘大宇
马德盛
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.)
Shandong Youbaote Intelligent Robot Co ltd
Original Assignee
Shandong Youbaote Intelligent Robot 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 Shandong Youbaote Intelligent Robot Co ltd filed Critical Shandong Youbaote Intelligent Robot Co ltd
Priority to CN202210535716.6A priority Critical patent/CN114740869A/zh
Publication of CN114740869A publication Critical patent/CN114740869A/zh
Pending legal-status Critical Current

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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (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)

Abstract

本发明公开一种多传感器融合估计与迭代预搜索的机器人避障方法及系统，包括：根据机器人运动的里程计数据、位置数据和障碍物感知数据，得到机器人的位姿测量值；根据机器人运动的三轴角速度和三轴加速度，得到机器人的位姿预测值；根据机器人的位姿测量值和位姿预测值得到机器人位姿；判断障碍物是否位于机器人当前位姿和目标点的直线路径上，若是，则沿障碍物边缘搜索机器人的运动通路，对运动通路分别计算代价值，以代价值最低的运动通路为中间目标点，对机器人到中间目标点，以及由中间目标点到目标点进行路径规划。实现机器人实时避障。

Description

多传感器融合估计与迭代预搜索的机器人避障方法及系统
技术领域
本发明涉及机器人避障技术领域，特别是涉及一种多传感器融合估计与迭代预搜索的机器人避障方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
移动机器人位姿估计是指移动机器人通过对传感器信息的处理，获取自身位姿估计的方法。目前用于移动机器人位姿估计的传感设备主要有激光雷达、视觉传感器、惯性测量单元(Inertial Measurement Unit，IMU)、轮式里程计与GPS等。
移动机器人虽然可分别根据各单一传感信息实现位姿估计功能，但是在实际使用过程中，在某些场景下，如障碍物较多、地面打滑等，单一传感信息导致位姿估计存在较大误差的问题。
比如，通过里程计采集车轮实时转速，但是轮式机器人在运动过程中存在车轮与路面间打滑的现象，这会使得里程计速度测量信息存在较大偏差。
当目标点与当前点之间连线经过障碍正中间时，沿障碍物左右规划的路径代价值差距较小；但由于雷达扫描障碍物存在较小震荡的情况，所以会导致规划的路径时而向左规划，时而向右规划的现象。
当路径规划是贴着障碍物行走时，由于雷达识别的误差也会出现机器人被障碍物包裹，导致无法进行规划或规划出与实际不符的路径，使得机器人处于震荡的状态。
发明内容
为了解决上述问题，本发明提出了一种多传感器融合估计与迭代预搜索的机器人避障方法及系统，基于多传感器数据融合得到在各个环境下均具有高鲁棒性的位姿数据；通过在障碍物周围迭代搜索并评价可行通路，将最优通路设置为中间目标进行跟踪，实现机器人实时避障。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种多传感器融合估计与迭代预搜索的机器人避障方法，包括：
根据机器人运动的里程计数据、位置数据和障碍物感知数据，得到机器人的位姿测量值；
根据机器人运动的三轴角速度和三轴加速度，得到机器人的位姿预测值；
根据机器人的位姿测量值和位姿预测值得到机器人位姿；
判断障碍物是否位于机器人当前位姿和目标点的直线路径上，若是，则沿障碍物边缘搜索机器人的运动通路，对运动通路分别计算代价值，以代价值最低的运动通路为中间目标点，对机器人到中间目标点，以及由中间目标点到目标点进行路径规划。
作为可选择的实施方式，通过采集UWB信息定位机器人的位置数据，具体为：获取UWB基站与设置在机器人上的UWB标签的距离，根据距离以及UWB基站采用三边定位算法得到机器人的坐标。
作为可选择的实施方式，对机器人运动的里程计数据和位置数据根据由激光雷达感知的障碍物感知数据确定权重，以对里程计数据和位置数据进行加权融合。
作为可选择的实施方式，对机器人的位姿测量值和位姿预测值采用卡尔曼滤波算法进行融合得到机器人位姿。
作为可选择的实施方式，根据机器人位姿、目标点位置和障碍物位置构建栅格化地图，在栅格化地图上进行路径规划。
作为可选择的实施方式，将运动通路作为起点，调用A*算法，并对运动通路分别计算代价值，选择代价值最低的运动通路为中间目标点，对机器人到中间目标点，以及由中间目标点到目标点，通过采用A*算法，得到机器人运动路径。
作为可选择的实施方式，若机器人当前位姿坐标与目标点的直线路径上无障碍物，则执行A*算法进行路径规划。
第二方面，本发明提供一种多传感器融合估计与迭代预搜索的机器人避障系统，包括：
位姿测量模块，被配置为根据机器人运动的里程计数据、位置数据和障碍物感知数据，得到机器人的位姿测量值；
位姿预测模块，被配置为根据机器人运动的三轴角速度和三轴加速度，得到机器人的位姿预测值；
位姿确定模块，被配置为根据机器人的位姿测量值和位姿预测值得到机器人位姿；
路径规划模块，被配置为判断障碍物是否位于机器人当前位姿和目标点的直线路径上，若是，则沿障碍物边缘搜索机器人的运动通路，对运动通路分别计算代价值，以代价值最低的运动通路为中间目标点，对机器人到中间目标点，以及由中间目标点到目标点进行路径规划。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果为：
本发明提出一种多传感器融合估计与迭代预搜索的机器人避障方法及系统，将UWB和里程计数据基于雷达数据利用加权融合算法得到融合测量数据，然后利用卡尔曼滤波算法与IMU的预测数据进行融合，得到在各个环境下均具有高鲁棒性的位姿数据，所得位姿数据在滑动地面、非结构化地面、障碍物较多的等复杂环境下均能保持较高精度。
本发明提出一种多传感器融合估计与迭代预搜索的机器人避障方法及系统，提出迭代预搜索A*路径规划算法，当目标点与当前点之间存在障碍物时，在障碍物周围迭代搜索并评价可行通路，将最优通路设置为中间目标进行跟踪，可实现机器人实时避障与人员跟踪。不仅解决了A*算法在实际应用过程中由传感器震荡所引起规划路径偏离、震荡问题，而且在有障碍物的情况下实现了更优的路径规划。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的多传感器融合估计与迭代预搜索的机器人避障；
图2为本发明实施例1提供的UWB三边定位原理图；
图3为本发明实施例1提供的多传感器融合估计流程图；
图4为本发明实施例1提供的迭代预搜索A*算法流程图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示，本实施例提供一种多传感器融合估计与迭代预搜索的机器人避障方法，包括：
根据机器人运动的里程计数据、位置数据和障碍物感知数据，得到机器人的位姿测量值；
根据机器人运动的三轴角速度和三轴加速度，得到机器人的位姿预测值；
根据机器人的位姿测量值和位姿预测值得到机器人位姿；
判断障碍物是否位于机器人当前位姿和目标点的直线路径上，若是，则沿障碍物边缘搜索机器人的运动通路，对运动通路分别计算代价值，以代价值最低的运动通路为中间目标点，对机器人到中间目标点，以及由中间目标点到目标点进行路径规划。
在本实施例中，通过采集UWB信息定位机器人的位置；在机器人上设置UWB标签，在UWB基站和UWB标签之间通过无线载波进行通信，采用纳秒级的非正弦波窄脉冲传输通信信号，获取到UWB基站和UWB标签之间的距离信息，然后利用三边定位算法进行标签坐标的解算。
如图2所示为UWB三边定位原理；设标签T坐标为(x,y)，基站Ai坐标为(xi,yi)，i＝0,1,2，di为标签与基站Ai的距离；根据几何关系得到非线性方程组：
Figure BDA0003648088890000061
通过最小二乘法进行求解，将方程组的前n-1个方程依次减去最后一个方程并整理成矩阵形式；
Figure BDA0003648088890000071
做以下简化：
AX＝b (3)
其中，
Figure BDA0003648088890000072
Figure BDA0003648088890000073
Figure BDA0003648088890000074
根据最小二乘法原理，得到X的最小二乘估计：
X＝(ATA)-1ATb (7)
由此，确定机器人的位置坐标。
在本实施例中，还可在领航员上携带的UWB标签，基于上述同样的方法，确定领航员的位置坐标，也就是确定目标点的位置坐标。
在本实施例中，假设基站与UWB之间无障碍物，则所获取的UWB坐标符合真实预期。根据上一时刻的状态，得出机器人的运动速度和位置数据，并作为机器人运动状态的测量值；具体地，根据两个时刻t1、t2的位置信息x1 *、x2 *，得到这段时间内的运动速度V＝(x2 *-x1 *)/(t2-t1)。
在本实施例中，采集机器人里程计数据，假设轮胎与地面持续接触，并且与地面不产生滑移，则接触坐标系和地面坐标系相对速度为0，根据上一时刻的状态，得出机器人的姿态和运动速度，并作为机器人运动状态的测量值。
里程计数据为通过轮式里程计采集到的车轮实时转速，一般里程计信息作为机器人速度控制的实时速度反馈信息，用于机器人的速度控制。本实施例将机器人运动的里程计数据与UWB定位位置数据，同时结合激光雷达的障碍物感知数据进行多数据的加权融合处理，得到机器人的位姿测量值，位姿测量值中姿态数据以里程计获得的数据为准。
本实施例利用3D激光雷达对周围环境进行感知，忽略三维空间中的物体高度，只截取符合机器人高度范围内的三维点云，并映射到二维平面当中，从而得到障碍物坐标集合，确定障碍物位置；
根据障碍物位置，对机器人运动的里程计数据与UWB定位位置数据，进行评估；当目标点与当前点之间存在障碍物时，增加里程计数据的权重；否则增加UWB定位位置数据的权重，利用该加权融合算法得到机器人的位姿测量值；
具体地：无障碍时，以UWB定位位置为准，UWB定位位置的权重为0.75，里程计数据的权重为0.25，有障碍时则相反。但如果环境较极端，则相应修改权重，例如环境的信号反射严重，则降低UWB定位位置的权重，若轮胎地面相对滑动严重，则降低里程计数据的权重；可以理解的，权重的增幅没有界定，以具体跟踪效果进行手动调整。
IMU是由三轴加速度计与三轴陀螺仪构成的微机电系统传感器，可以对IMU自身本体坐标系下的三轴加速度与三轴角速度进行测量，是应用于估计刚体在真实环境下实时运动状态的六自由度传感器。
在获取移动机器人的运动状态中，采用IMU中三轴陀螺仪的角速度积分，获得机器人运动的三轴姿态角度，也可以对三轴加速度进行积分运算，通过一次、二次积分获取机器人的速度和位移，从而获取机器人的状态。但是，在单独使用时IMU数据时，由于机器人结构的非线性问题较为突出，这会对IMU数据测量造成误差，对利用IMU积分求解本体方位增加难度。
在本实施例中，机器人上搭载的IMU包括三轴陀螺仪和三轴加速度计，通过三轴陀螺仪获取机器人运动的三轴角速度，通过三轴加速度计获取机器人运动的三轴加速度；
对三轴角速度进行运动学积分运算，得到机器人的三轴姿态角度，进而求出机体运动姿态；
对三轴加速度进行运动学积分运算，得到机器人的运动速度，即xyz方向的线速度；
将机器人的运动速度再进行积分运算，得到机器人在地面坐标系的位置；如此得到机器人的位姿预测值，包括：机体运动姿态以及地面坐标系下机器人的运动速度和位置。
在本实施例中，对机器人的位姿测量值和位姿预测值采用卡尔曼滤波算法进行融合，得到最终的机器人位姿估计，如图3所示。
卡尔曼滤波器被用于解决工程上多数据融合的问题。在控制系统中，假设系统满足状态方程与输出方程如下：
Figure BDA0003648088890000091
其中，X为状态变量，ut为控制输入向量输出，At为状态转换矩阵，Bt为控制输入矩阵，Ct为状态转换矩阵。
假设系统中，状态X的获取有两种方法，分别通过系统状态方程求解以及通过输出方程反馈，则卡尔曼滤波器可利用这两种数据来源对系统中可观测状态量进行估计。
卡尔曼滤波器框架可分为预测与矫正；其中，将状态方程中At离散化得到矩阵Ak，Bt离散化得到Bk，Ct离散化得到Hk，则预测状态和预测协方差矩阵更新如下：
Figure BDA0003648088890000101
其中，
Figure BDA0003648088890000102
为状态量的期望值，
Figure BDA0003648088890000103
为协方差矩阵。
同时由传感器测量得出的位姿测量值为Yk，根据系统运动学方程推导出Yk与系统状态量
Figure BDA0003648088890000104
之间的关系：
Figure BDA0003648088890000105
其中，vk为测量噪声；
真实状态量被认为是两项的加权平均：
Figure BDA0003648088890000106
其中，Kk为卡尔曼增益；
Figure BDA0003648088890000107
同时，在状态量更新时，协方差矩阵Pk也随着系统校正更新：
Figure BDA0003648088890000108
在本实施例中，根据机器人位姿、目标点位置和障碍物位置，构建二维平面地图；同时，为考虑路径规划算法的部署和运算效率，将二维平面地图进行栅格化处理，得到栅格化地图。
本实施例考虑到机器人的机体大小与灵敏度，将栅格大小设置为长宽为0.1m的方格，且为考虑最坏情况(遍历所有栅格)下的运算效率及实际应用场景的需求，将栅格化地图设置为以机器人为中心240*240栅格大小的区域。
在本实施例中，基于栅格化地图，以机器人当前位姿坐标为起点，目标点为终点，进行路径规划，实现机器人的实时避障与跟踪功能。
本实施例采用A*算法得到从机器人到目标点之间的通路。A*算法的具体原理是通过代价函数包含的启发信息来锁定目标方向。代价函数为：
f(n)＝g(n)+h(n) (14)
其中，f(n)为起始位置到目标位置的总代价函数，g(n)为机器人从初始状态的节点到当前节点n之间的实际代价值，h(n)包含确定A*算法的相对效率启发信息，表示从当前n节点至最终目标点对应节点的最小估计代价值。
h(n)采用曼哈顿距离，考虑从一个点到另一个地点的最小成本。曼哈顿距离公式如下：
h(n)＝|xg-xt|+|yg-yt| (15)
其中，(xt,yt)为机器人当前坐标，(xg,yg)为在路径规划中设置的目标点的坐标位置。
当目标点与机器人之间存在障碍物时，规划的路线可能会紧贴着障碍物。由于传感器本身精度和识别范围以及机器人运行过程的扰动等问题，障碍物检测出现波动，导致规划的路线处于持续扰动当中，特别是当机器人行进至障碍物附近时，由于扰动会导致在地图中显示机器人被障碍物完全包裹的情况，导致规划的路径出现较大偏离，进而导致机器人出现较大震荡的问题。
为解决上述问题，本实施例改进路径规划算法，具体过程如图4所示：
分别以新通路为起点调用A算法；将代价值小的设置为中间目标点；
(1)搜索机器人当前位姿坐标与目标点的直线路径上是否有障碍物，若没有，则直接执行A*算法进行路径规划；
(2)若障碍物位于机器人当前位姿和目标点的直线路径上，则沿障碍边缘搜索机器人的运动通路；
(3)将运动通路作为起点，分别调用A*算法，并对运动通路分别计算代价值，选择代价值最低的运动通路为中间目标点；
(4)对机器人到中间目标点，以及由中间目标点到目标点，调用A*算法，生成机器人运动路径，并下发控制指令至机器人。
本实施例设计迭代预搜索A*算法，当机器人与目标点之间存在障碍物时，会择优将障碍物一侧的通路作为中间目标点；基于中间目标点调用A*算法时，不会出现沿着障碍物规划的现象；避免了因雷达震荡导致在地图中出现障碍物将机器人包围的问题，同时该方法所产生的路径总代价值也优于A*算法所规划的路径。
实施例2
本实施例提供一种多传感器融合估计与迭代预搜索的机器人避障系统，包括：
位姿测量模块，被配置为根据机器人运动的里程计数据、位置数据和障碍物感知数据，得到机器人的位姿测量值；
位姿预测模块，被配置为根据机器人运动的三轴角速度和三轴加速度，得到机器人的位姿预测值；
位姿确定模块，被配置为根据机器人的位姿测量值和位姿预测值得到机器人位姿；
路径规划模块，被配置为判断障碍物是否位于机器人当前位姿和目标点的直线路径上，若是，则沿障碍物边缘搜索机器人的运动通路，对运动通路分别计算代价值，以代价值最低的运动通路为中间目标点，对机器人到中间目标点，以及由中间目标点到目标点进行路径规划。
此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.多传感器融合估计与迭代预搜索的机器人避障方法，其特征在于，包括：
根据机器人运动的里程计数据、位置数据和障碍物感知数据，得到机器人的位姿测量值；
根据机器人运动的三轴角速度和三轴加速度，得到机器人的位姿预测值；
根据机器人的位姿测量值和位姿预测值得到机器人位姿；
判断障碍物是否位于机器人当前位姿和目标点的直线路径上，若是，则沿障碍物边缘搜索机器人的运动通路，对运动通路分别计算代价值，以代价值最低的运动通路为中间目标点，对机器人到中间目标点，以及由中间目标点到目标点进行路径规划。
2.如权利要求1所述的多传感器融合估计与迭代预搜索的机器人避障方法，其特征在于，通过采集UWB信息定位机器人的位置数据，具体为：获取UWB基站与设置在机器人上的UWB标签的距离，根据距离以及UWB基站采用三边定位算法得到机器人的坐标。
3.如权利要求1所述的多传感器融合估计与迭代预搜索的机器人避障方法，其特征在于，对机器人运动的里程计数据和位置数据根据由激光雷达感知的障碍物感知数据确定权重，以对里程计数据和位置数据进行加权融合。
4.如权利要求1所述的多传感器融合估计与迭代预搜索的机器人避障方法，其特征在于，对机器人的位姿测量值和位姿预测值采用卡尔曼滤波算法进行融合得到机器人位姿。
5.如权利要求1所述的多传感器融合估计与迭代预搜索的机器人避障方法，其特征在于，根据机器人位姿、目标点位置和障碍物位置构建栅格化地图，在栅格化地图上进行路径规划。
6.如权利要求1所述的多传感器融合估计与迭代预搜索的机器人避障方法，其特征在于，将运动通路作为起点，调用A*算法，并对运动通路分别计算代价值，选择代价值最低的运动通路为中间目标点，对机器人到中间目标点，以及由中间目标点到目标点，通过采用A*算法，得到机器人运动路径。
7.如权利要求6所述的多传感器融合估计与迭代预搜索的机器人避障方法，其特征在于，若机器人当前位姿坐标与目标点的直线路径上无障碍物，则执行A*算法进行路径规划。
8.多传感器融合估计与迭代预搜索的机器人避障系统，其特征在于，包括：
位姿测量模块，被配置为根据机器人运动的里程计数据、位置数据和障碍物感知数据，得到机器人的位姿测量值；
位姿预测模块，被配置为根据机器人运动的三轴角速度和三轴加速度，得到机器人的位姿预测值；
位姿确定模块，被配置为根据机器人的位姿测量值和位姿预测值得到机器人位姿；
路径规划模块，被配置为判断障碍物是否位于机器人当前位姿和目标点的直线路径上，若是，则沿障碍物边缘搜索机器人的运动通路，对运动通路分别计算代价值，以代价值最低的运动通路为中间目标点，对机器人到中间目标点，以及由中间目标点到目标点进行路径规划。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。
CN202210535716.6A 2022-05-17 2022-05-17 多传感器融合估计与迭代预搜索的机器人避障方法及系统 Pending CN114740869A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210535716.6A CN114740869A (zh) 2022-05-17 2022-05-17 多传感器融合估计与迭代预搜索的机器人避障方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210535716.6A CN114740869A (zh) 2022-05-17 2022-05-17 多传感器融合估计与迭代预搜索的机器人避障方法及系统

Publications (1)

Publication Number Publication Date
CN114740869A true CN114740869A (zh) 2022-07-12

Family

ID=82288147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210535716.6A Pending CN114740869A (zh) 2022-05-17 2022-05-17 多传感器融合估计与迭代预搜索的机器人避障方法及系统

Country Status (1)

Country Link
CN (1) CN114740869A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115406445A (zh) * 2022-08-18 2022-11-29 四川华丰科技股份有限公司 多传感器数据融合处理方法及机器人避障方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115406445A (zh) * 2022-08-18 2022-11-29 四川华丰科技股份有限公司 多传感器数据融合处理方法及机器人避障方法
CN115406445B (zh) * 2022-08-18 2024-05-17 四川华丰科技股份有限公司 多传感器数据融合处理方法及机器人避障方法

Similar Documents

Publication Publication Date Title
US11530924B2 (en) Apparatus and method for updating high definition map for autonomous driving
US10802494B2 (en) Method for motion planning for autonomous moving objects
Chiang et al. Seamless navigation and mapping using an INS/GNSS/grid-based SLAM semi-tightly coupled integration scheme
US20180112983A1 (en) Method and system for global shape matching a trajectory
JP6855524B2 (ja) 低速特徴からのメトリック表現の教師なし学習
US11512975B2 (en) Method of navigating an unmanned vehicle and system thereof
US11555705B2 (en) Localization using dynamic landmarks
CN110488818B (zh) 一种基于激光雷达的机器人定位方法、装置和机器人
KR101909953B1 (ko) 라이다 센서를 이용한 차량의 자세 추정 방법
CN113587930B (zh) 基于多传感融合的自主移动机器人室内外导航方法及装置
CN113390411B (zh) 基于变构型感知装置的足式机器人导航及定位方法
US11527028B2 (en) Systems and methods for monocular based object detection
JP7032062B2 (ja) 点群データ処理装置、移動ロボット、移動ロボットシステム、および点群データ処理方法
Hidalgo‐Carrió et al. Adaptive localization and mapping with application to planetary rovers
Hu et al. Path planning of UGV based on Bézier curves
CN113607166B (zh) 基于多传感融合的自主移动机器人室内外定位方法及装置
CN114740869A (zh) 多传感器融合估计与迭代预搜索的机器人避障方法及系统
CN113515128B (zh) 一种无人车实时路径规划方法及存储介质
Parra-Tsunekawa et al. A kalman-filtering-based approach for improving terrain mapping in off-road autonomous vehicles
Elisha et al. Active online visual-inertial navigation and sensor calibration via belief space planning and factor graph based incremental smoothing
Alpen et al. A real-time on-board orthogonal SLAM for an indoor UAV
KR20230082885A (ko) 자율주행로봇의 성능평가 방법 및 성능평가 시스템
Yang et al. SLAM self-cruise vehicle based on ROS platform
McGill et al. Virtual reconstruction using an autonomous robot
CN113483762A (zh) 一种位姿优化方法及设备

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