CN114815832A - 一种基于点云的多智能体超视距网联协同感知动态决策方法 - Google Patents
一种基于点云的多智能体超视距网联协同感知动态决策方法 Download PDFInfo
- Publication number
- CN114815832A CN114815832A CN202210462524.7A CN202210462524A CN114815832A CN 114815832 A CN114815832 A CN 114815832A CN 202210462524 A CN202210462524 A CN 202210462524A CN 114815832 A CN114815832 A CN 114815832A
- Authority
- CN
- China
- Prior art keywords
- path
- agent
- obstacle
- time
- planning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000008447 perception Effects 0.000 title claims abstract description 31
- 230000006855 networking Effects 0.000 title claims description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012800 visualization 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
Abstract
本发明公开了一种基于点云的多智能体超视距网联协同感知动态决策方法，涉及机器人感知以及多智能体协作领域。本发明的基于点云的多智能体超视距网联协同感知动态决策方法，通过维护智能体的障碍物列表及全局异常路径列表，将协同感知与路径规划相结合，能够实现多智能体协同感知及多智能体协同规划调度任务。引入了重规划机制，可使智能体系统根据感知信息进行动态决策，提升了对动态复杂环境的适应能力。而引入时间窗路径规划的路径跟随算法，可根据时间条件动态调整运行速度，为协同路径规划算法提供控制支撑。进一步的，通过添加改进的避障算法，遇到障碍物时会先判断智能体能否自主避障，若无法避障则执行重规划，降低了重规划的频率，提高智能体运行效率。
Description
技术领域
本发明涉及机器人感知以及多智能体协作领域，具体涉及一种基于点云的多智能体超视距网联协同感知动态决策方法。
背景技术
随着时代的发展进步，自动化工厂、智能仓储物流等应用场景对多智能体感知与协作能力的需求越来越高。传统的多智能体任务基于结构化场景地图，智能体按照固定路线行驶，各智能体完成各自固定任务，无法实时更改运行策略，抗干扰能力弱、效率低、无法应对突发状况，无法适应结构不规则、没有预定义的数据模型且动态变化的复杂非结构化场景。而5G通信技术的发展、智能体自主感知能力的提升，为多智能体在非结构化场景下通过通信网联协同感知，协同动态调度规划提供了可能。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供一种基于点云的多智能体超视距网联协同感知动态决策方法。
为达到上述目的，本发明采用以下技术方案予以实现：
与现有技术相比，本发明具有以下有益效果：
一种基于点云的多智能体超视距网联协同感知动态决策方法，包括以下步骤：
步骤1、构建三维场景地图，对智能体进行实时定位；
步骤2、获取原始点云后，通过下采样、地面分割、坐标系变换和场景背景分离预处理操作得到障碍物点云，之后通过欧式聚类方法聚类出脱离原始场景之外的障碍物；
步骤3、搭建基于集中式通信框架的可进行协同感知动态决策的调度系统，所述调度系统基于实时的智能体运行状态信息、定位信息以及障碍物信息，引入智能体障碍物列表以及全局异常路径列表，在进行任务路径规划时，通过遍历全局拓扑路径和全局异常路径来维护一个可执行路径的地图，结合最短路径算法以及时间窗分配，实现多智能体协同的全局路径规划，并进行广播路径，实现协同感知与路径规划的结合；
步骤4、当智能体端接收到广播的路径信息后，执行基于时间窗优化的动态调节速度的路径跟随，并根据实时的障碍物检测信息切换到避障状态或者上传异常信息执行动态重规划，同时发送实时的智能体运行状态信息、定位信息以及障碍物信息。
进一步的，步骤2中的场景背景分通过获取全局场景地图，进行去地面和去顶的处理，生成三维栅格地图，根据所述三维栅格地图对实时的点云进行过滤，实现障碍物与场景的分离；根据每个聚类的几何坐标信息，获取到每个障碍物垂直于坐标系的包围框。
进一步的，在步骤3中的调度系统进行路径规划前，各智能体感知周围环境障碍物后，将障碍物信息上传给调度系统；所述调度系统为每个智能体分别维护障碍物列表，所述障碍物列表存储有当前智能体实时上传的各障碍物在全局地图下的位置及包围框尺寸信息，根据各障碍物列表中的障碍物的位置及包围框尺寸信息，判断对全局拓扑路径的占用情况，将被占用的路径段添加到异常路径列表中，基于各障碍物列表维护一个实时的全局异常路径列表，所述实时的全局异常路径列表存储有全局拓扑路径中所有被障碍物占用的路径段；
在进行任务路径规划时，调度系统通过遍历全局拓扑路径和全局异常路径来共同维护一个实时的可执行路径的拓扑地图；
当调度系统有任务起点终点输入时，首先将任务分配给距离最近的空闲的智能体，将所述实时的可执行路径的拓扑地图作为地图输入，执行最短路径规划算法并进行时间窗分配，完成路径规划，并将路径下发给智能体。
进一步的，在为每个智能体添加障碍物列表的过程中，当调度系统遍历当前智能体上传的障碍物信息时，同时遍历其它在线的各智能体的定位信息，判断是否有其它智能体的位置在当前遍历的障碍物的包围框内；若有，则将当前遍历的障碍物识别为智能体，不添加到当前智能体障碍物列表中。
进一步的，当步骤3中的调度系统进行路径规划时，所述调度系统接收智能体定位及状态信息后，为每个智能体注册信息，同时根据智能体的位置及状态信息，进行任务分配和路径规划；
在路径规划使用空间与时间复用的路径规划算法，在最短路径规划的基础上引入以路径段为单位的时间窗机制，在最短路径规划时保留多条路径，根据时间窗分配情况，将其中路径最短的一条作为规划路径。
进一步的，步骤4中的智能体进行路径跟随或避障时，当智能体端遇到前方路径有障碍物遮挡且无法避让时，暂停行驶并置状态异常，同时上传状态信息；
当调度系统接收到异常信息时，遍历所有智能体的当前任务，并与异常路径列表作对比，基于对比结果为所有任务包含异常路径的智能体重新规划出可行使路径，同时下发任务路径给各智能体，以实现多车重规划的功能。
进一步的，当障碍物在智能体的视距外时，若有其它智能体检测到障碍物遮挡了所述智能体的路径，则调度系统对所述智能体的路径进行重规划。
进一步的：在智能体运行过程中，实时检测当前路径是否有障碍物遮挡，若无则正常行驶；
若当前路径有障碍物遮挡，则调用避障算法计算局部运行轨迹，规划出局部的避障路径，计算以最大速度运行所述避障路径的时间代价，同时以最大速度运行下原本路径下的时间代价；将时间代价与调度系统规划的到达目标点的时间作对比，若能够在规划的时间内到达，则选择执行避障算法进行避障；若无法在规划的时间内到达或无法避障，则暂停行驶，调整智能体状态，触发重规划。
进一步的，当步骤4中智能体进行路径跟随时，智能体结合下一个目标点的时间点和实时到达下一目标点的距离，计算实时所需速度，在行驶的过程中动态调节所述智能体的速度，使得智能体可以在调度系统规划的时间窗内完成在当前路径上的运行任务，保证智能体按照规划的时间窗及路径行驶。
本发明的基于点云的多智能体超视距网联协同感知动态决策方法，通过维护智能体的障碍物列表及全局异常路径列表，将协同感知与路径规划相结合，能够实现多智能体协同感知及多智能体协同规划调度任务。引入了重规划机制，可使智能体系统根据感知信息进行动态决策，提升了对动态复杂环境的适应能力。本发明对于结构不规则、没有预定义的数据模型且动态变化的复杂非结构化场景，可保证多智能体动态、协同、高效地完成行驶任务。
进一步的，引入时间窗路径规划的路径跟随算法，该算法可根据时间条件动态调整运行速度，为协同路径规划算法提供控制支撑。
进一步的，通过添加改进的避障算法，遇到障碍物时会先判断智能体能否自主避障，若无法避障则执行重规划，降低了重规划的频率，提高智能体运行效率。
附图说明
图1为本发明方法的框架流程图；
图2为本发明所用感知及定位框架图；
图3为本发明三维建图可视化结果；
图4为本发明智能体运动控制框架图；
图5为各智能体与调度系统运行时交互流程图；
图6为本发明调度系统路径规划框架图；
图7为本发明调度系统路径重规划框架图；
图8为本发明调度系统可执行路径维护框架图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，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。
下面结合附图对本发明做进一步详细描述：
本发明的具体实施的框架流程图如图1所示，智能体进行三维障碍物检测、建图、定位为调度系统提供实时的环境感知、静态地图及实时定位信息支撑；调度系统实现多车全局路径规划及动态重规划的功能，并将规划结果下发给智能体；智能体获取规划结果后根据实时的定位和环境感知信息进行路径跟随和避障。主要实现过程，包括以下步骤：
步骤1：部署基于三维激光雷达点云的地图构建与实时定位框架。
基于智能体搭载的三维激光雷达以及惯性测量单元，部署现有的比较成熟的三维SLAM方法实现三维场景地图构建以及基于三维场景地图的实时定位。实施的场景建图结果如图3所示。
步骤2：基于点云地图的场景过滤及3D障碍物检测。
在本发明中，受设备算力约束，使用传统的聚类算法来实现三维障碍物的检测。主要通过获取原始点云、下采样、地面分割、坐标系变换、场景背景分离预处理操作得到障碍物点云，而后通过欧式聚类方法聚类出脱离原始场景之外的障碍物。其中的场景背景分离，通过步骤1获取的全局场景地图，进行去地面和去顶的预处理，生成三维栅格地图，然后根据三维栅格地图对实时的点云进行过滤，实现障碍物与场景的分离。并根据每个聚类的几何坐标信息，获取到每个障碍物垂直于坐标系的包围框。
步骤1和步骤2的实施框架参考图2，如图2中最右侧描述，使用开源的sc-lego-loam的SLAM框架，结合16线激光雷达和9轴IMU实现对实验场地的三维建图，得到如图3所示的建图结果；图2框图中间部分，根据建好的地图，使用开源的hdl-localization定位框架结合16线激光雷达和9轴IMU实现智能体在实验场地的实时重定位；图2框图左侧部分，根据实时重定位的结果可得到智能体自身坐标系和全局地图坐标系之间的实时转换矩阵，可根据该转换矩阵将智能体实时感知的点云信息转换到全局坐标系下，并根据图3建图结果完成上述描述的场景背景分离、障碍物检测，最终得到全局坐标系下的各个障碍物包围框。
步骤3：搭建集中式通信框架的可进行协同感知动态决策的调度系统。
传统的4G网络难以满足数据量较大的实时通信需求，在本发明中，为满足大规模室外场景的通信需求，保证数据的稳定传输，减少丢包率，基于5G通信模块搭建了一对多集中式网联通信，基于该通信框架，搭建了一个可实现多智能体网联协同共享感知与动态决策调度系统。
关于通信框架，基于5G通信模块，建立无连接的UDP通信，其中中控计算机端接收各智能体的上传信息并广播路径信息，智能体端接收路径信息并发送实时的智能体运行状态信息、定位信息以及障碍物信息。具体的智能体与调度系统的通信交互流程参考如图5所示各智能体与调度系统运行时交互流程图，智能体上电后运行定位及障碍物检测程序，并上传相关信息，调度系统接收到状态信息、定位信息以及障碍物信息后为智能体完成注册；当调度系统中有任务添加时，会进行任务分配和路径规划，并下发给智能体；智能体接收到路径后根据环境信息执行路径跟随或避障，当路径被遮挡且无法避障时，上传状态异常信息；调度系统接收到状态异常信息后，根据当前的可执行路径列表重新规划路径，并再次下发给智能体，若无路径可规划，则提示用户清除障碍物。
关于调度系统，在本发明中，为将智能体感知与调度系统的任务分配、路径规划相结合，引入了智能体障碍物列表以及全局异常路径列表，与此同时，为适应非结构化场景、实现超视距协同感知与动态决策，将异常路径列表与全局地图结合的同时，引入了动态重规划机制，具体过程是：
1、可执行路径地图维护
为实现智能体3D感知与调度规划的结合，各智能体感知周围环境障碍物后，通过通信将障碍物信息上传给调度系统。调度系统为每个智能体分别维护障碍物列表，对于智能体将其它智能体识别为障碍物的情况，通过位置判断来消除，遵循单个智能体附近的环境以该智能体的感知情况为主的原则。如图6，调度系统参考各障碍物列表共同维护一个全局的异常路径列表，通过该异常路径列表的机制，可以实现各个智能体感知信息的共享。在进行任务路径规划时，通过遍历全局拓扑路径和全局异常路径来共同维护一个可执行路径的地图，即可实现协同感知与路径规划的结合。
2、时空复用的多智能体网联协同路径规划调度
调度系统接收智能体定位及状态信息后，如图7，为每个智能体注册信息，同时根据智能体的位置及状态信息，进行任务分配、路径规划。为实现多智能体协同运行，使用空间与时间复用的路径规划算法，在最短路径规划的基础上引入以路径段为单位的时间窗机制，保证在分配规划路径时，同一时间段的同一路径只会出现一台智能体，以实现多智能体协同运作。
3、多智能体网联协同动态重规划
为适应复杂动态的非结构化场景，使智能体在遇到前方路径有障碍物遮挡且无法避让时能够进行动态的自主决策，在时空复用多智能体协同的调度系统的基础上引入重规划机制。当智能体端遇到前方路径有障碍物遮挡且无法避让时，暂停行驶并置状态异常，同时上传状态信息；如图8，中控调度系统接收到异常信息，触发重规划，遍历所有智能体的当前任务，并与异常路径列表作对比，为任务包含异常路径的智能体重新规划可行使路径，并下发路径给各智能体，以实现多车重规划的功能。此重规划功能对于距离较远的智能体，通过检查共同维护的异常路径列表来判断是否为智能体重新规划路径，若在视距外，有其它智能体检测到障碍物遮挡了本智能体的某些路径，则亦会触发本智能体的重规划，实现超视距的动态感知决策。
步骤4：实现基于目标时间的动态速度优化的路径跟随算法。
为实现时空复用的路径规划调度，需要保证智能体按照规划的时间窗运行，传统的路径跟随算法无法保证智能体在规划的固定的时间窗内运行，这会造成实际的运行与调度规划的结果有较大的误差，最终会导致各智能体运行的冲突，无法实现协同运行。在本发明中，为解决这种误差带来的冲突，在传统的路径跟随算法中引入基于目标时间的速度动态调节机制。根据调度系统下发的路径目标点，结合下一个目标点的时间点，和实时到达下一目标点的距离，计算实时所需速度，在行驶的过程中动态调节速度，保证智能体按照规划的时间窗及路径行驶。
步骤5：实现局部路径规划与全局路径规划结合的避障算法。
在本发明中，基于3D障碍物检测与路径规划相结合的动态协同的路径规划设计，当智能体前方路径遇到障碍物时就会触发重规划，调度系统为所有包含异常路径的任务重新规划分配路径，这种设计在障碍物较多的场景会导致一直出现重规划的现象，很难保证运行效率。为提高多智能体在障碍物较多的复杂场景下的运行效率，增加了避障的功能，为满足基于时间窗的路径规划设计，设计了一种局部路径规划与全局路径规划相结合的避障框架。具体如下：
智能体运行过程中，实时检测当前路径是否有障碍物遮挡，若无则正常行驶；
若当前路径有障碍物遮挡，则调用避障算法逻辑，规划出局部的避障路径，并计算以最大速度运行时该避障路径的时间代价，并加上最大速度运行下原本路径下的时间代价；
将时间代价与调度系统规划的到达目标点的时间作对比，若在规划的时间内到达，则采用避障算法，若无法在规划的时间内到达或无法避障，则暂停行驶，调整智能体状态，触发重规划。
通过在路径跟随的基础上添加以上描述的改进的避障算法，如图4所示，通过速度选择器来判断执行路径跟随还是执行避障，通过扫描实时的三维环境点云信息，根据障碍物检测的结果，前方路径无障碍物时执行路径跟随，遇到障碍物时会先判断智能体能否自主避障，若可以避障，则执行避障，若无法避障则调度系统执行重规划，智能体执行路径跟随，可以降低重规划的频率，提高智能体运行效率。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (9)
1.一种基于点云的多智能体超视距网联协同感知动态决策方法，其特征在于，包括以下步骤：
步骤1、构建三维场景地图，对智能体进行实时定位；
步骤2、获取原始点云后，通过下采样、地面分割、坐标系变换和场景背景分离预处理操作得到障碍物点云，之后通过欧式聚类方法聚类出脱离原始场景之外的障碍物；
步骤3、搭建基于集中式通信框架的可进行协同感知动态决策的调度系统，所述调度系统基于实时的智能体运行状态信息、定位信息以及障碍物信息，引入智能体障碍物列表以及全局异常路径列表，在进行任务路径规划时，通过遍历全局拓扑路径和全局异常路径来维护一个可执行路径的地图，结合最短路径算法以及时间窗分配，实现多智能体协同的全局路径规划，并进行广播路径，实现协同感知与路径规划的结合；
步骤4、当智能体端接收到广播的路径信息后，执行基于时间窗优化的动态调节速度的路径跟随，并根据实时的障碍物检测信息切换到避障状态或者上传异常信息执行动态重规划，同时发送实时的智能体运行状态信息、定位信息以及障碍物信息。
2.根据权利要求1所述的基于点云的多智能体超视距网联协同感知动态决策方法，其特征在于，步骤2中的场景背景分通过获取全局场景地图，进行去地面和去顶的处理，生成三维栅格地图，根据所述三维栅格地图对实时的点云进行过滤，实现障碍物与场景的分离；根据每个聚类的几何坐标信息，获取到每个障碍物垂直于坐标系的包围框。
3.根据权利要求1所述的基于点云的多智能体超视距网联协同感知动态决策方法，其特征在于，在步骤3中的调度系统进行路径规划前，各智能体感知周围环境障碍物后，将障碍物信息上传给调度系统；所述调度系统为每个智能体分别维护障碍物列表，所述障碍物列表存储有当前智能体实时上传的各障碍物在全局地图下的位置及包围框尺寸信息，根据各障碍物列表中的障碍物的位置及包围框尺寸信息，判断对全局拓扑路径的占用情况，将被占用的路径段添加到异常路径列表中，基于各障碍物列表维护一个实时的全局异常路径列表，所述实时的全局异常路径列表存储有全局拓扑路径中所有被障碍物占用的路径段；
在进行任务路径规划时，调度系统通过遍历全局拓扑路径和全局异常路径来共同维护一个实时的可执行路径的拓扑地图；
当调度系统有任务起点终点输入时，首先将任务分配给距离最近的空闲的智能体，将所述实时的可执行路径的拓扑地图作为地图输入，执行最短路径规划算法并进行时间窗分配，完成路径规划，并将路径下发给智能体。
4.根据权利要求3所述的基于点云的多智能体超视距网联协同感知动态决策方法，其特征在于，在为每个智能体添加障碍物列表的过程中，当调度系统遍历当前智能体上传的障碍物信息时，同时遍历其它在线的各智能体的定位信息，判断是否有其它智能体的位置在当前遍历的障碍物的包围框内；若有，则将当前遍历的障碍物识别为智能体，不添加到当前智能体障碍物列表中。
5.根据权利要求1所述的基于点云的多智能体超视距网联协同感知动态决策方法，其特征在于，当步骤3中的调度系统进行路径规划时，所述调度系统接收智能体定位及状态信息后，为每个智能体注册信息，同时根据智能体的位置及状态信息，进行任务分配和路径规划；
在路径规划使用空间与时间复用的路径规划算法，在最短路径规划的基础上引入以路径段为单位的时间窗机制，在最短路径规划时保留多条路径，根据时间窗分配情况，将其中路径最短的一条作为规划路径。
6.根据权利要求1所述的基于点云的多智能体超视距网联协同感知动态决策方法，其特征在于，步骤4中的智能体进行路径跟随或避障时，当智能体端遇到前方路径有障碍物遮挡且无法避让时，暂停行驶并置状态异常，同时上传状态信息；
当调度系统接收到异常信息时，遍历所有智能体的当前任务，并与异常路径列表作对比，基于对比结果为所有任务包含异常路径的智能体重新规划出可行使路径，同时下发任务路径给各智能体，以实现多车重规划的功能。
7.根据权利要求6所述的基于点云的多智能体超视距网联协同感知动态决策方法，其特征在于，当障碍物在智能体的视距外时，若有其它智能体检测到障碍物遮挡了所述智能体的路径，则调度系统对所述智能体的路径进行重规划。
8.根据权利要求6所述的基于点云的多智能体超视距网联协同感知动态决策方法，其特征在于：
在智能体运行过程中，实时检测当前路径是否有障碍物遮挡，若无则正常行驶；
若当前路径有障碍物遮挡，则调用避障算法计算局部运行轨迹，规划出局部的避障路径，计算以最大速度运行所述避障路径的时间代价，同时以最大速度运行下原本路径下的时间代价；将时间代价与调度系统规划的到达目标点的时间作对比，若能够在规划的时间内到达，则选择执行避障算法进行避障；若无法在规划的时间内到达或无法避障，则暂停行驶，调整智能体状态，触发重规划。
9.根据权利要求1所述的基于点云的多智能体超视距网联协同感知动态决策方法，其特征在于，当步骤4中智能体进行路径跟随时，智能体结合下一个目标点的时间点和实时到达下一目标点的距离，计算实时所需速度，在行驶的过程中动态调节所述智能体的速度，使得智能体可以在调度系统规划的时间窗内完成在当前路径上的运行任务，保证智能体按照规划的时间窗及路径行驶。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210462524.7A CN114815832A (zh) | 2022-04-28 | 2022-04-28 | 一种基于点云的多智能体超视距网联协同感知动态决策方法 |
| CN202211388685.2A CN116048062A (zh) | 2022-04-28 | 2022-11-08 | 多智能体超视距网联协同感知动态决策方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210462524.7A CN114815832A (zh) | 2022-04-28 | 2022-04-28 | 一种基于点云的多智能体超视距网联协同感知动态决策方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114815832A true CN114815832A (zh) | 2022-07-29 |
Family
ID=82509944
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210462524.7A Pending CN114815832A (zh) | 2022-04-28 | 2022-04-28 | 一种基于点云的多智能体超视距网联协同感知动态决策方法 |
| CN202211388685.2A Pending CN116048062A (zh) | 2022-04-28 | 2022-11-08 | 多智能体超视距网联协同感知动态决策方法及相关装置 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211388685.2A Pending CN116048062A (zh) | 2022-04-28 | 2022-11-08 | 多智能体超视距网联协同感知动态决策方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN114815832A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115220461A (zh) * | 2022-09-21 | 2022-10-21 | 睿羿科技(山东)有限公司 | 室内复杂环境下机器人单体系统及多机器人交互协同方法 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116700298B (zh) * | 2023-08-08 | 2023-11-21 | 浙江菜鸟供应链管理有限公司 | 路径规划方法、系统、设备及存储介质 |
| CN117075640B (zh) * | 2023-10-12 | 2024-01-12 | 江苏智慧汽车研究院有限公司 | 基于物联网的人工智能设备无人化运行监管系统及方法 |
| CN117492446A (zh) * | 2023-12-25 | 2024-02-02 | 北京大学 | 一种基于组合混合优化的多智能体合作规划方法及系统 |
-
2022
- 2022-04-28 CN CN202210462524.7A patent/CN114815832A/zh active Pending
- 2022-11-08 CN CN202211388685.2A patent/CN116048062A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115220461A (zh) * | 2022-09-21 | 2022-10-21 | 睿羿科技(山东)有限公司 | 室内复杂环境下机器人单体系统及多机器人交互协同方法 |
| CN115220461B (zh) * | 2022-09-21 | 2023-02-17 | 睿羿科技(山东)有限公司 | 室内复杂环境下机器人单体系统及多机器人交互协同方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116048062A (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114815832A (zh) | 一种基于点云的多智能体超视距网联协同感知动态决策方法 | |
| Jin et al. | An intelligent control system for traffic lights with simulation-based evaluation | |
| Cardarelli et al. | Cooperative cloud robotics architecture for the coordination of multi-AGV systems in industrial warehouses | |
| US10591910B2 (en) | Machine-learning systems and techniques to optimize teleoperation and/or planner decisions | |
| Jin et al. | Platoon-based multi-agent intersection management for connected vehicle | |
| CN110377038A (zh) | 一种机器人避让行驶方法、装置及机器人 | |
| CN108549384A (zh) | 一种5g环境下远程控制自动驾驶方法 | |
| CN108700876A (zh) | 用于自主车辆轨迹修改的远程操作系统和方法 | |
| WO2017079321A1 (en) | Sensor-based object-detection optimization for autonomous vehicles | |
| CN109782757A (zh) | 一种基于分段调度的多agv系统的路径调度方法 | |
| CN110737989A (zh) | 一种平行智能应急协同方法、系统及电子装备 | |
| WO2022257283A1 (zh) | 车辆避障方法、装置、电子设备及存储介质 | |
| CN110244712A (zh) | 一种多agv系统路径规划方法 | |
| Keung et al. | Edge intelligence and agnostic robotic paradigm in resource synchronisation and sharing in flexible robotic and facility control system | |
| CN115273503A (zh) | 一种无信号灯的园区自动驾驶车辆交通控制方法 | |
| Montanaro et al. | Cloud-assisted distributed control system architecture for platooning | |
| Delgado et al. | OROS: Orchestrating ROS-driven collaborative connected robots in mission-critical operations | |
| Tomar et al. | PLC and SCADA based Real Time Monitoring and Train Control System for the Metro Railways Infrastructure | |
| Indri et al. | Sen3Bot Net: A meta-sensors network to enable smart factories implementation | |
| CN113885466A (zh) | 一种agv调度算法仿真系统 | |
| CN115220461B (zh) | 室内复杂环境下机器人单体系统及多机器人交互协同方法 | |
| CN115657676A (zh) | 基于优先级的集中式多agv多径通道变道决策规划方法 | |
| CN110143223A (zh) | 一种轨道交通的三维监控运维方法 | |
| WO2024098438A1 (zh) | 多智能体超视距网联协同感知动态决策方法及相关装置 | |
| CN116795087A (zh) | 自主移动机器人的调度方法、系统、电子设备和存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220729 |
|
| WD01 | Invention patent application deemed withdrawn after publication |