CN114859939A - 一种基于智能移动的节点机器人路径规划方法 - Google Patents
一种基于智能移动的节点机器人路径规划方法 Download PDFInfo
- Publication number
- CN114859939A CN114859939A CN202210780662.XA CN202210780662A CN114859939A CN 114859939 A CN114859939 A CN 114859939A CN 202210780662 A CN202210780662 A CN 202210780662A CN 114859939 A CN114859939 A CN 114859939A
- Authority
- CN
- China
- Prior art keywords
- robot
- map
- path planning
- module
- node
- 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 32
- 230000004927 fusion Effects 0.000 claims abstract description 31
- 238000010276 construction Methods 0.000 claims abstract description 18
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 239000010432 diamond Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000000746 purification Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 229910003460 diamond Inorganic materials 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000004083 survival effect Effects 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
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (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
本发明公开了一种基于智能移动的节点机器人路径规划方法，包括人集群全域环境构建框架分析、使用未知边界点搜索方法、地图融合构建和多移动机器人集群协同编队机制。本发明的有益效果是：考虑搜索环境因素、目标运动规律和动力学特性等已知信息，建立了目标分布概率模型，从而充分利用搜索前的已知信息，有利于快速搜索找到目标位置，同时引入不确定度概念和利用目标存在概率转化为引力和斥力从而形成人工势场，根据人工势场计算最优搜索路径，使得搜索过程更加高效。
Description
技术领域
本发明涉及一种机器人路径规划方法，具体为一种基于智能移动的节点机器人路径规划方法，属于机器人技术领域。
背景技术
无人装备能够克服传统载人装备生存能力差、机动性受限、人员耗费高等缺点，在广域目标搜索任务中发挥着越来越重要作用。多机协同搜索即在一定约束和限制条件下，多个机器人（空中或地面）相互协作，以最大综合收益（搜索概率、能量消耗、消耗时间等）实现目标区域搜索。相比较于单机作业，多机协同搜索可有效提高搜索成功率，提升复杂环境下搜索适应性。国内外学者及研究机构通过概率图、不确定图等理论，构建了多机协同搜索模型及仿真系统。但在实际工程应用中，由于无人装备难于获得外界环境信息或者获取的地理环境信息有限，导致搜索模型不完善，多机协同搜索实际应用效果不理想。
针对本文搜索的科研试验目标，由于其运动过程受外界环境干扰，其试验系统具有随机噪声，从而导致试验目标运动轨迹不稳定，落点随机性大、难以预测。在多机协同搜索模型考虑无人机能源、机械特性等物理约束较少情况下，导致在工程场景下目标搜索系统能力降低、系统鲁棒性不强。同时，由于多机协同搜索模型没有考虑环境因素对于搜索模型及任务分配的影响，即不同环境条件对无人机传感器的识别准确性造成影响，从而影响任务分配策略。
发明内容
本发明的目的就在于为了解决上述至少一个技术问题而提供一种基于智能移动的节点机器人路径规划方法。
本发明通过以下技术方案来实现上述目的：一种基于智能移动的节点机器人路径规划方法，包括以下步骤
步骤一、人集群全域环境构建框架分析
首先建立全域环境构建框架，整个框架包括全局地图融合模块、多点聚类滤波模块、机器人任务分配模块、路径规划模块、地图处理模块几个部分，其中，节点机器人还包含路径规划模块、地图交换模块；
步骤二、使用未知边界点搜索方法
节点机器人遍历待完成的全局地图的每一个栅格状态，如果某一个栅格的状态是未知（状态数值设置为“-1”）且该栅格周围的八个栅格中至少有一个是已知空闲状态（状态数值设置为“0”），就认定该栅格所对应的坐标点为未知边界点；
步骤三、地图融合构建
采用间接全域地图融合算法，节点机器人通过提取两两节点机器人栅格地图的ORB特征并找到最优的匹配点，计算地图最优匹配点集的单应矩阵，找到点集之间的最优仿射变换参数最终获取全域地图信息；
步骤四、多移动机器人集群协同编队机制
机器人编队的图结构通常可分为如下几种典型的类型：行、列、三角形、横队、纵队、菱形等。
作为本发明再进一步的方案：所述步骤一中，具体包括：
全局地图融合模块：接收多张局部地图，通过多地图融合算法拼接融合成全局地图；
多点聚类滤波模块：负责将接收的边界点进行聚类并滤除；
机器人任务分配模块：接收聚类滤波模块发送的聚类簇核心边界点集，根据分配策略将目标点分配给机器人进行路径规划，进而导航至目标点；
路径规划模块：规划智能移动作业机器人的运动路径；
地图处理模块：负责将接收的边界点进行聚类并滤除；
地图交换模块：针对全局地图融合出现异常时确保整个系统持续安全运行。
作为本发明再进一步的方案：所述步骤三中，间接全域地图融合算法具体包括：
假设两个节点机器人
根据路径规划分别对区域L1、L2应用视觉SLAM和激光
SLAM构建局域融合栅格地图
；对
提取ORB特征，得到Ofast特征集合：
将每个特征点依据描述子rBRIEF的方向向量化，用坐标表示量化，即：常数
和
；
设定融合比例，将m1与m2 融合，从而得到全局栅格地图。
作为本发明再进一步的方案：所述步骤三中，在进行最优匹配点提取时，采用三步提纯手段对误匹配点进行剔除，具体包括：
①对 BruteForce 匹配后的特征点进行提纯：
② 对
＞5 的特征点对进行剔除提纯；
③ 利用ＲANSAC算法剔除剩余的特征点对误匹配点。
作为本发明再进一步的方案：所述步骤三中，计算地图最优匹配点集的单应矩阵采用如下公式：
则：
其中，t为单应矩阵；
为旋转矩阵；S为尺度变量；T为平移矢量；
为偏仿射角
度。
作为本发明再进一步的方案：所述步骤四中，编队控制如下：
①定义机器人编号：用
来表示，如
等。
② 定义位置编号：用
来表示，如
等。
③确定一个从自身机器人编号以及当前编队队形到适当位置编号的映射
：
本发明的有益效果是：考虑搜索环境因素、目标运动规律和动力学特性等已知信息，建立了目标分布概率模型，从而充分利用搜索前的已知信息，有利于快速搜索找到目标位置，同时引入不确定度概念和利用目标存在概率转化为引力和斥力从而形成人工势场，根据人工势场计算最优搜索路径，使得搜索过程更加高效。
附图说明
图1为本发明流程示意图；
图2为本发明全域环境构建框架结构示意图。
具体实施方式
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，都属于本发明保护的范围。
实施例一
如图1至图2所示，一种基于智能移动的节点机器人路径规划方法，包括以下步骤
步骤一、人集群全域环境构建框架分析
首先建立全域环境构建框架，整个框架包括全局地图融合模块、多点聚类滤波模块、机器人任务分配模块、路径规划模块、地图处理模块几个部分，其中，节点机器人还包含路径规划模块、地图交换模块；
步骤二、使用未知边界点搜索方法
节点机器人遍历待完成的全局地图的每一个栅格状态，如果某一个栅格的状态是未知（状态数值设置为“-1”）且该栅格周围的八个栅格中至少有一个是已知空闲状态（状态数值设置为“0”），就认定该栅格所对应的坐标点为未知边界点；
步骤三、地图融合构建
采用间接全域地图融合算法，节点机器人通过提取两两节点机器人栅格地图的ORB特征并找到最优的匹配点，计算地图最优匹配点集的单应矩阵，找到点集之间的最优仿射变换参数最终获取全域地图信息；
步骤四、多移动机器人集群协同编队机制
机器人编队的图结构通常可分为如下几种典型的类型：行、列、三角形、横队、纵队、菱形等。
在本发明实施例中，所述步骤一中，具体包括：
全局地图融合模块：接收多张局部地图，通过多地图融合算法拼接融合成全局地图；
多点聚类滤波模块：负责将接收的边界点进行聚类并滤除；
机器人任务分配模块：接收聚类滤波模块发送的聚类簇核心边界点集，根据分配策略将目标点分配给机器人进行路径规划，进而导航至目标点；
路径规划模块：规划智能移动作业机器人的运动路径；
地图处理模块：负责将接收的边界点进行聚类并滤除；
地图交换模块：针对全局地图融合出现异常时确保整个系统持续安全运行。
实施例二
如图1所示，一种基于智能移动的节点机器人路径规划方法，包括以下步骤
步骤一、人集群全域环境构建框架分析
首先建立全域环境构建框架，整个框架包括全局地图融合模块、多点聚类滤波模块、机器人任务分配模块、路径规划模块、地图处理模块几个部分，其中，节点机器人还包含路径规划模块、地图交换模块；
步骤二、使用未知边界点搜索方法
节点机器人遍历待完成的全局地图的每一个栅格状态，如果某一个栅格的状态是未知（状态数值设置为“-1”）且该栅格周围的八个栅格中至少有一个是已知空闲状态（状态数值设置为“0”），就认定该栅格所对应的坐标点为未知边界点；
步骤三、地图融合构建
采用间接全域地图融合算法，节点机器人通过提取两两节点机器人栅格地图的ORB特征并找到最优的匹配点，计算地图最优匹配点集的单应矩阵，找到点集之间的最优仿射变换参数最终获取全域地图信息；
步骤四、多移动机器人集群协同编队机制
机器人编队的图结构通常可分为如下几种典型的类型：行、列、三角形、横队、纵队、菱形等。
在本发明实施例中，所述步骤三中，间接全域地图融合算法具体包括：
假设两个节点机器人
根据路径规划分别对区域L1、L2应用视觉SLAM和激光
SLAM构建局域融合栅格地图
；对
和
提取ORB特征，得到Ofast特征集合：
将每个特征点依据描述子rBRIEF的方向向量化，用坐标表示量化，即：常数
和
；
设定融合比例，将m1与m2 融合，从而得到全局栅格地图。
在本发明实施例中，所述步骤三中，在进行最优匹配点提取时，采用三步提纯手段对误匹配点进行剔除，具体包括：
①对 BruteForce 匹配后的特征点进行提纯：
② 对
＞5 的特征点对进行剔除提纯；
③ 利用ＲANSAC算法剔除剩余的特征点对误匹配点。
在本发明实施例中，所述步骤三中，计算地图最优匹配点集的单应矩阵采用如下公式：
则：
其中，t为单应矩阵；
为旋转矩阵；S为尺度变量；T为平移矢量；
为偏仿射角度。
在本发明实施例中，所述步骤四中，编队控制如下：
①定义机器人编号：用
来表示，如
等。
② 定义位置编号：用
来表示，如
等。
③确定一个从自身机器人编号以及当前编队队形到适当位置编号的映射
：
工作原理：考虑搜索环境因素、目标运动规律和动力学特性的多机协同搜索模型，以及考虑无人机物理约束的任务分配方法来实现多机协同搜索及实际工程应用。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种基于智能移动的节点机器人路径规划方法，其特征在于：包括以下步骤
步骤一、人集群全域环境构建框架分析
建立全域环境构建框架，整个框架包括全局地图融合模块、多点聚类滤波模块、机器人任务分配模块、路径规划模块和地图处理模块，其中，节点机器人还包含路径规划模块、地图交换模块；
步骤二、使用未知边界点搜索方法
节点机器人遍历待完成的全局地图的每一个栅格状态，如果某一个栅格的状态是未知，状态数值设置为“-1”，且该栅格周围的八个栅格中至少有一个是已知空闲状态，状态数值设置为“0”，则认定该栅格所对应的坐标点为未知边界点；
步骤三、地图融合构建
采用间接全域地图融合算法，节点机器人通过提取两两节点机器人栅格地图的ORB特征并找到最优的匹配点，计算地图最优匹配点集的单应矩阵，找到点集之间的最优仿射变换参数最终获取全域地图信息；
步骤四、多移动机器人集群协同编队机制
机器人编队的图结构分为如下几种典型的类型：行、列、三角形、横队、纵队和菱形。
2.根据权利要求1所述的一种基于智能移动的节点机器人路径规划方法，其特征在于：所述步骤一中，具体包括：
全局地图融合模块：接收多张局部地图，通过多地图融合算法拼接融合成全局地图；
多点聚类滤波模块：负责将接收的边界点进行聚类并滤除；
机器人任务分配模块：接收聚类滤波模块发送的聚类簇核心边界点集，根据分配策略将目标点分配给机器人进行路径规划，进而导航至目标点；
路径规划模块：规划智能移动作业机器人的运动路径；
地图处理模块：负责将接收的边界点进行聚类并滤除；
地图交换模块：针对全局地图融合出现异常时确保整个系统持续安全运行。
3.根据权利要求1所述的一种基于智能移动的节点机器人路径规划方法，其特征在于：所述步骤三中，间接全域地图融合算法具体包括：
假设两个节点机器人
根据路径规划分别对区域L1、L2应用视觉SLAM和激光SLAM构
建局域融合栅格地图
；对
和
提取ORB特征，得到Ofast特征集合：
将每个特征点依据描述子rBRIEF的方向向量化，用坐标表示量化，即：常数
和
；
设定融合比例，将m1与m2 融合，从而得到全局栅格地图。
4.根据权利要求1所述的一种基于智能移动的节点机器人路径规划方法，其特征在于：所述步骤三中，在进行最优匹配点提取时，采用三步提纯手段对误匹配点进行剔除，具体包括：
①对 BruteForce 匹配后的特征点进行提纯：
② 对
＞5 的特征点对进行剔除提纯；
③ 利用ＲANSAC算法剔除剩余的特征点对误匹配点。
5.根据权利要求1所述的一种基于智能移动的节点机器人路径规划方法，其特征在于：所述步骤三中，计算地图最优匹配点集的单应矩阵采用如下公式：
则：
其中，t为单应矩阵；
为旋转矩阵；S为尺度变量；T为平移矢量；
为偏仿射角度。
6.根据权利要求1所述的一种基于智能移动的节点机器人路径规划方法，其特征在于：所述步骤四中，编队控制如下：
①定义机器人编号：用
来表示，
② 定义位置编号：用
来表示，
③确定一个从自身机器人编号以及当前编队队形到适当位置编号的映射
：
。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210780662.XA CN114859939A (zh) | 2022-07-05 | 2022-07-05 | 一种基于智能移动的节点机器人路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210780662.XA CN114859939A (zh) | 2022-07-05 | 2022-07-05 | 一种基于智能移动的节点机器人路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114859939A true CN114859939A (zh) | 2022-08-05 |
Family
ID=82626429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210780662.XA Pending CN114859939A (zh) | 2022-07-05 | 2022-07-05 | 一种基于智能移动的节点机器人路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114859939A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108227717A (zh) * | 2018-01-30 | 2018-06-29 | 中国人民解放军陆军装甲兵学院 | 基于orb特征的多移动机器人地图融合方法及融合平台 |
| CN109814556A (zh) * | 2019-01-22 | 2019-05-28 | 东南大学 | 一种多机器人协作探索未知环境与地图构建的装置与方法 |
| CN110221614A (zh) * | 2019-06-14 | 2019-09-10 | 福州大学 | 一种基于快速探索随机树的多机器人地图探索方法 |
| CN112000130A (zh) * | 2020-09-07 | 2020-11-27 | 哈尔滨工业大学 | 一种无人机的多机协同高精度建图定位系统 |
| CN112362061A (zh) * | 2020-10-21 | 2021-02-12 | 一飞(海南)科技有限公司 | 集群无人机路径指派方法、控制系统、存储介质及无人机 |
| US20210405660A1 (en) * | 2020-03-03 | 2021-12-30 | Institute Of Automation, Chinese Academy Of Sciences | Control system based on multi-unmanned aerial vehicle cooperative strategic confrontation |
-
2022
- 2022-07-05 CN CN202210780662.XA patent/CN114859939A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108227717A (zh) * | 2018-01-30 | 2018-06-29 | 中国人民解放军陆军装甲兵学院 | 基于orb特征的多移动机器人地图融合方法及融合平台 |
| CN109814556A (zh) * | 2019-01-22 | 2019-05-28 | 东南大学 | 一种多机器人协作探索未知环境与地图构建的装置与方法 |
| CN110221614A (zh) * | 2019-06-14 | 2019-09-10 | 福州大学 | 一种基于快速探索随机树的多机器人地图探索方法 |
| US20210405660A1 (en) * | 2020-03-03 | 2021-12-30 | Institute Of Automation, Chinese Academy Of Sciences | Control system based on multi-unmanned aerial vehicle cooperative strategic confrontation |
| CN112000130A (zh) * | 2020-09-07 | 2020-11-27 | 哈尔滨工业大学 | 一种无人机的多机协同高精度建图定位系统 |
| CN112362061A (zh) * | 2020-10-21 | 2021-02-12 | 一飞(海南)科技有限公司 | 集群无人机路径指派方法、控制系统、存储介质及无人机 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103278170B (zh) | 基于显著场景点检测的移动机器人级联地图创建方法 | |
| CN109327797B (zh) | 基于WiFi网络信号的移动机器人室内定位系统 | |
| CN110110763B (zh) | 一种基于最大公共子图的栅格地图融合方法 | |
| CN103279949A (zh) | 基于自定位机器人的多相机参数自动标定系统运行方法 | |
| CN106647771A (zh) | 多移动机器人的最小步编队方法 | |
| Gang et al. | PRM path planning optimization algorithm research | |
| CN102853830A (zh) | 一种基于一般物体识别的机器人视觉导航方法 | |
| CN111176309A (zh) | 一种基于球面成像的多无人机自组群互感理解方法 | |
| CN114859375A (zh) | 基于多机器人协作的自主探索建图系统及探索建图方法 | |
| CN111178283A (zh) | 一种基于无人机图像的既定航线地物识别与定位方法 | |
| Huang et al. | Goal-guided transformer-enabled reinforcement learning for efficient autonomous navigation | |
| CN113406659A (zh) | 一种基于激光雷达信息的移动机器人位置重识别方法 | |
| CN108445894A (zh) | 一种考虑无人艇运动性能的二次路径规划方法 | |
| CN104793492B (zh) | 一种基于熵和灰关联度的室内环境特征提取方法 | |
| Wei et al. | Path planning of mobile robot based on improved genetic algorithm | |
| CN114859939A (zh) | 一种基于智能移动的节点机器人路径规划方法 | |
| CN104408158B (zh) | 一种基于几何重构和语义融合的视点追踪方法 | |
| CN112129164A (zh) | 一种武器站智能辅助决策系统架构 | |
| Wang et al. | Pole-like objects mapping and long-term robot localization in dynamic urban scenarios | |
| CN115390584B (zh) | 一种多机协同搜索方法 | |
| Zhang et al. | TH-Net: A method of single 3D object tracking based on transformers and Hausdorff distance | |
| Wen | Distributed cooperative control for multi-agent systems | |
| CN114967694A (zh) | 一种移动机器人协同环境探索方法 | |
| Zhao et al. | State assessment of 110–220 kV intelligent substation based on multisensor fusion algorithm control and image vision | |
| Zhu et al. | Indoor Localization Method of Mobile Educational Robot Based on Visual Sensor |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220805 |