CN115268457A - 避障机器人及其控制方法、控制装置和可读存储介质 - Google Patents

避障机器人及其控制方法、控制装置和可读存储介质 Download PDF

Info

Publication number
CN115268457A
CN115268457A CN202210957649.7A CN202210957649A CN115268457A CN 115268457 A CN115268457 A CN 115268457A CN 202210957649 A CN202210957649 A CN 202210957649A CN 115268457 A CN115268457 A CN 115268457A
Authority
CN
China
Prior art keywords
obstacle avoidance
avoidance robot
robot
obstacle
coordinate
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
CN202210957649.7A
Other languages
English (en)
Inventor
曹开发
刘冬
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 CN202210957649.7A priority Critical patent/CN115268457A/zh
Publication of CN115268457A publication Critical patent/CN115268457A/zh
Priority to PCT/CN2023/077991 priority patent/WO2024031959A1/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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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

  • 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)
  • Manipulator (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请提出了一种避障机器人及其控制方法、控制装置和可读存储介质，控制方法包括：接收避障机器人所处环境的地图信息；根据地图信息，获取避障机器人的初始轨迹和初始轨迹的初始边界；检测初始边界内的障碍物信息，根据初始边界、初始轨迹和障碍物信息，确定避障机器人的目标轨迹，并生成控制指令；根据控制指令控制避障机器人移动。

Description

避障机器人及其控制方法、控制装置和可读存储介质
技术领域
本申请属于避障机器人领域，具体而言，涉及一种避障机器人及其控制方法、控制装置和可读存储介质。
背景技术
目前的避障机器人为了避免碰撞，通常为障碍物添加膨胀半径，但并不能使避障机器人从比较远的距离就开始规避障碍物，往往因反应时间不够而造成危险。
发明内容
本申请旨在解决现有技术或相关技术中存在的技术问题之一。
为此，本申请的第一方面提出了一种避障机器人的控制方法。
本申请的第二方面提出了一种避障机器人的控制装置。
本申请的第三方面提出了一种避障机器人的控制装置。
本申请的第四方面提出了一种可读存储介质。
本申请的第五方面提出了一种避障机器人。
有鉴于此，根据本申请的第一方面提出了一种避障机器人的控制方法，控制方法包括：接收避障机器人所处环境的地图信息；根据地图信息，获取避障机器人的初始轨迹和初始轨迹的初始边界；检测初始边界内的障碍物信息，根据初始边界、初始轨迹和障碍物信息，确定避障机器人的目标轨迹，并生成控制指令；根据控制指令控制避障机器人移动。
根据本申请提供的避障机器人的控制方法，接收避障机器人所处环境的地图信息，检测初始边界内的障碍物信息，根据初始边界、初始轨迹和障碍物信息，确定避障机器人的目标轨迹，并生成控制指令，根据控制指令控制避障机器人移动，能够在较远的距离控制避障机器人躲避障碍物，从而降低避障机器人与障碍物发生碰撞的可能性，并提前预留出一定的时间以备避障机器人面对突发状况能够及时反应，规避风险，使得避障机器人的移动轨迹更平滑。
本申请的第二方面提供了一种避障机器人的控制装置，避障机器人包括壳体、检测部件和移动部件，控制装置包括检测单元和移动单元，检测单元用于控制检测部件检测壳体外的障碍物信息；移动单元用于控制移动部件控制避障机器人移动。
本申请的第三方面提供了一种避障机器人的控制装置，控制装置包括存储器和处理器，存储器存储可在处理器上运行的程序或指令，程序或指令被处理器执行时实现如上述任一技术方案的避障机器人的控制方法的步骤，因而具有上述任一技术方案的避障机器人的控制方法的全部有益技术效果。
本申请的第四方面提供了一种可读存储介质，其上存储有程序或指令，程序或指令被处理器执行时实现如上述任一技术方案的避障机器人的控制方法的步骤，因而具有上述任一技术方案的避障机器人的控制方法的全部有益技术效果。
本申请的第五方面提供了一种避障机器人，包括第二方面的避障机器人的控制装置；或第三方面的避障机器人的控制装置；或第四方面可读存储介质，因而具有上述任一技术方案的避障机器人的控制方法的全部有益技术效果。
本申请的附加方面和优点将在下面的描述部分中变得明显，或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了本申请的一个实施例的避障机器人的控制方法的流程示意图；
图2示出了图1所示实施例的避障机器人的初始轨迹和初始边界示意图；
图3示出了图1所示实施例的避障机器人的目标轨迹和目标边界示意图；
图4示出了本申请的一个实施例的避障机器人的控制方法的流程示意图；
图5示出了本申请的一个实施例的避障机器人的控制方法的流程示意图；
图6示出了本申请的一个实施例的避障机器人的控制方法的流程示意图；
图7示出了本申请的一个实施例的避障机器人的控制方法的流程示意图；
图8示出了本申请的一个实施例的避障机器人的控制方法的流程示意图；
图9示出了本申请的一个实施例的避障机器人的控制方法的控制示意图；
图10示出了本申请的一个实施例的避障机器人的控制方法的流程示意图；
图11示出了本申请的一个实施例的避障机器人的控制方法的流程示意图；
图12示出了本申请的一个实施例的避障模型的控制示意图；
图13示出了本申请的一个实施例的避障机器人的控制装置的结构框图。
其中，图1至图13中附图标记与部件名称之间的对应关系为：
100避障机器人，102初始轨迹，104初始边界，106目标轨迹，108目标边界，110障碍物，112理论系统，114实际系统，116高斯过程，118估计模型，120避障模型，200避障机器人的控制装置，202存储器，204处理器。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。
下面参照图1至图13描述根据本申请一些实施例的避障机器人的控制方法、避障机器人的控制装置200、可读存储介质和避障机器人。
如图1所示，本申请的一个实施例提供了一种避障机器人的控制方法，控制方法包括：
S102，接收避障机器人所处环境的地图信息；
S104，根据地图信息，获取避障机器人的初始轨迹和初始轨迹的初始边界；
S106，检测初始边界内的障碍物信息，根据初始边界、初始轨迹和障碍物信息，确定避障机器人的目标轨迹，并生成控制指令；
S108，根据控制指令控制避障机器人移动。
如图2所示，接收地图信息，根据地图信息确定避障机器人100的可行道路，并获取可行道路的道路宽度，根据地图信息中的可行道路和可行道路的宽度，确定一条无碰撞的初始轨迹102，可以理解的是，初始边界104设置在初始轨迹102的两侧，从而确定避障机器人100的可行范围。
具体地，如图3所示，对障碍物110进行信息确认，并判断障碍物110是否影响避障机器人100移动，从而确定目标轨迹106，并生成控制指令，根据控制指令控制避障机器人100移动，相比相关技术中直接增加膨胀半径，增加了避障机器人100的实际可行范围，从而提高避障机器人100对家用、商用和工用等多个使用场景的适配程度。
进一步地，能够在碰撞发生之前，提前预知，在较远距离就开始规避风险，提高避障机器人100移动的安全性，从而使避障机器人100的时刻与该时刻的控制指令相匹配，避免相关技术中避障机器人延时较大导致响应不及时，与障碍物110发生碰撞的现象的发生，进而使得避障机器人100的移动轨迹更平滑，保证避障机器人100整个避障过程的运动的安全性和平稳性，提高避障机器人100的使用体验，进一步增加避障机器人100对家庭、商场和工厂等多种使用场景的适配程度。
如图4所示，本申请的一个实施例的控制方法包括：
S402，接收避障机器人所处环境的地图信息；
S404，根据地图信息，获取避障机器人的初始轨迹和初始轨迹的初始边界；
S406，检测初始边界内的障碍物信息，根据初始边界、初始轨迹和障碍物信息，确定避障机器人的目标轨迹；
S408，根据目标轨迹和障碍物信息，确定目标边界；
S410，获取障碍物的第一坐标和避障机器人的第二坐标；
S412，根据目标轨迹、目标边界、第一坐标和第二坐标，确定当前时刻的避障机器人的控制指令；
S414，根据控制指令控制避障机器人移动。
具体地，如图3所示，对障碍物110进行信息确认，并判断障碍物110是否影响避障机器人100移动，从而确保保证目标轨迹106和目标边界108内不存在会阻碍避障机器人100运动的障碍物110，进而确定避障机器人100无碰撞的可行范围，对避障机器人100的移动轨迹进行规划，本申请通过结合障碍物信息确定避障机器人100的移动轨迹和移动边界，相比相关技术中直接增加膨胀半径，增加了避障机器人100的实际可行范围，从而提高避障机器人100对家用、商用和工用等多个使用场景的适配程度。
可以理解的是，障碍物信息包括障碍物110在初始边界104内所占的空间，从而可以根据障碍物110所占的空间，和初始边界104以及初始轨迹102确定目标轨迹106和目标边界108。
进一步地，障碍物110所占的空间可以在初始边界104显示为圆形，长方形，三角形或其他形状，根据障碍物110所占的空间形成的形状与两条初始边界104中相近的一条初始边界104所围成的形状，以及障碍物110所占的空间形成的形状的端点与相近初始边界104之间的最短距离，形成目标边界108。
更进一步地，根据第一坐标和第二坐标，判断避障机器人100的移动移动轨迹是否会受障碍物110的干扰，从而避免二者发生碰撞等现象的发生，进而能够在碰撞发生之前，提前预知，在较远距离就开始规避风险，提高移动的安全性，从而使避障机器人100的时刻与该时刻的控制指令相匹配，避免相关技术中避障机器人延时较大导致响应不及时，与障碍物110发生碰撞的现象的发生，同时，使得避障机器人100在较远的距离开始规避障碍物110，从而降低避障过程中遇到障碍物110的可能性，使得避障机器人100的移动轨迹更平滑，进而避免避障机器人100不能远距离规避障碍物110，在近距离遇到障碍物110时，紧急停止时避障机器人100受惯性影响而与障碍物110发生碰撞的现象的发生，进而保证避障机器人100整个避障过程的运动的安全性和平稳性，提高避障机器人100的使用体验，进一步增加避障机器人100对家庭、商场和工厂等多种使用场景的适配程度。
并且，利用梯度下降法对初始轨迹102进行平滑处理，使得避障机器人100的移动轨迹能够更平滑，从而使得避障机器人100沿平滑的移动轨迹移动，整个避障过程能够更完整，更平稳，提高避障机器人100的使用体验。
如图5所示，本申请的一个实施例的控制方法包括：
S502，接收避障机器人所处环境的地图信息；
S504，根据地图信息，获取避障机器人的初始轨迹和初始轨迹的初始边界；
S506，检测初始边界内的障碍物信息，根据初始边界、初始轨迹和障碍物信息，确定避障机器人的目标轨迹；
S508，根据目标轨迹和障碍物信息，确定目标边界；
S510，获取障碍物的第一坐标和避障机器人的第二坐标；
S512，根据目标轨迹、目标边界、第一坐标、第二坐标和避障模型，确定当前时刻的避障机器人的控制指令；
S514，根据控制指令控制避障机器人移动。
在本申请的一个实施例中，根据规避风险后的目标轨迹106和目标边界108以及即时获取的第一坐标、即时获取的第二坐标和与预先设立的避障模型120，共同确定避障机器人100当前时刻对应的控制指令，从而能够利用避障模型120提高对避障机器人100的精确控制，将对避障机器人100的控制问题转化为对避障模型120的优化问题，从而能够预先通过对避障模型120的优化，确定避障机器人100的避障能否实施。
并且，通过对避障模型120的优化控制，预先确定目标轨迹106是否可行，从而控制避障机器人100避障，一方面，节省效率，便于对避障机器人100的控制，另一方面，可以避免避障机器人100进行不必要的移动，提高避障机器人100的使用体验，从而增加避障机器人100对家庭、商场和工厂等多种使用场景的适配程度。
在本申请的一个实施例中，避障模型120具体为避障机器人100运动过程转化的数学模型，具体地，避障模型120可以用如下两个方程表达式表示：
x(k+1)＝fnormal(xk,uk)；
x(k+1)＝ftrue(xk,uk)；
其中，fnormal(xk,uk)表示避障模型120的建模状态方程，x表示状态量，xk表示k时刻避障模型120的状态量，uk表示时间为k时刻避障模型120的输出量，ftrue(xk,uk)表示避障模型的数据采集状态方程。
具体地，fnormal(xk,uk)表示避障模型120的状态量与避障模型120的输出量的理论关系式，该理论关系式可以根据避障模型120的状态量和输出量的历史关系式、现有技术中用于避障模型120的状态量与输出量的关系式进行确定。
ftrue(xk,uk)表示避障模型120的状态量与避障模型120的输出量的实际关系式，该实际关系式可以根据避障模型120的实际状态量和实际输出量，进行变量分析后确定。
进一步地，在该避障模型120中，避障模型120的状态量具体可以为避障机器人100的坐标，避障模型120的输出量具体可以为避障机器人100的速度或角速度。
在该实施例中的状态方程中，k+1时刻的状态量与k时刻的状态量和输入量的状态方程存在线性对应关系，从而可以根据k时刻获取的状态量和输入量确定k+1时刻的状态量，从而根据避障模型120提前获取状态量，进而对避障机器人100进行控制。
更进一步地，避障模型120的建模状态方程和避障模型120的数据采集状态方程存在一定的误差，该误差是由建模的误差、数据采集过程中的损耗、模型的噪声造成的，避障模型120的建模状态方程可通过高斯补偿得到避障模型的数据采集状态方程，可以表现为：
x(k+1)＝fnormal(xk,uk)+Δ
其中，△～N(u,∑)，△表示为避障模型120的补偿值，u为避障模型120预先采集到的输入量的均值，∑为避障模型120中预先拟合训练的输入量的协方差。
在本申请的一个实施例中，避障模型120具体为避障机器人100运动过程转化的数学模型，具体地，可以表现为：
Figure BDA0003792008170000071
其中，
Figure BDA0003792008170000072
表示为避障模型120的代价函数方程，st表示subject to(服从于)，△表示为避障模型120的补偿值，xt表示为时刻为t的避障模型120的状态量，xstart为避障模型120的开始时刻的状态量，xt+N表示为时刻为t+N的避障模型120的状态量，xend为避障模型120的结束时刻的状态量，h(xt+k)表示为避障模型120的控制障碍约束函数，表现为：
h＝(xstate-xobstacle)2+(ystate-yobstacle)2-R2
其中，xstate表示为避障机器人100在移动边界内的横坐标，xobstacle表示为障碍物110在移动边界内的横坐标，ystate表示为避障机器人100在移动边界内的纵坐标，yobstacle表示为障碍物110在移动边界内的纵坐标，R表示在避障机器人100移动之前，避障机器人100与障碍物110之间的距离。
进一步地，xt+k表示为时刻为t+k时刻的避障模型120的状态量，ut+k表示为时刻为t+k时刻的避障模型120的输入量，x表示为避障模型120的状态量，u表示避障模型120的输入量，控制障碍约束函数可以用线性微分函数h(xt+k)表示，h(xt+k)微分后得到微分函数Δh(xt+k,ut+k)，在0到1的范围内，总存在一个常数r，使得控制障碍约束函数和微分函数满足Δh(xt+k,ut+k)≥-rh(xt+k)，r靠近0时，表示避障机器人100远离障碍物110，r靠近1时，表示避障机器人100靠近障碍物110。
更进一步地，
Figure BDA0003792008170000073
中的J表示避障模型120的总代价函数，minp(xt+N)表示t+N时刻的关于状态量的代价函数，
Figure BDA0003792008170000074
表示t+N时刻之前的所有状态量和输入量的代价函数之和。
如图6所示，本申请的一个实施例的控制方法包括：
S602，接收避障机器人所处环境的地图信息；
S604，根据地图信息，获取避障机器人的初始轨迹和初始轨迹的初始边界；
S606，检测初始边界内的障碍物信息，根据初始边界、初始轨迹和障碍物信息，确定避障机器人的目标轨迹；
S608，根据目标轨迹和障碍物信息，确定目标边界；
S610，获取障碍物的第一坐标和避障机器人的第二坐标；
S612，根据目标轨迹的起始点的第三坐标和第二坐标，确定距离补偿值；
S614，根据第一坐标、第二坐标和距离补偿值，确定第一约束值；
S616，判断第一约束值是否满足第一控制输出条件，若是，执行S618，若否，执行S604；
S618，根据控制指令控制避障机器人移动。
在该实施例中，通过距离补偿值对第一约束值进行补偿，从而提高了避障模型120的精度，进而提高对避障机器人100的控制的精确程度。
具体地，距离补偿值可以表示为R，R表示避障机器人100与障碍物110保持的距离，可以理解的是，R为固定的值，是避障机器人100输出控制指令之前的避障机器人100与障碍物110保持的距离，从而通过固定的值对避障模型120进行补偿，提高避障模型120的精度，从而提高对避障机器人100的控制的精确程度。
进一步地，当第一约束值满足第一输出控制条件时，确定避障模型120可行，根据避障模型120与避障机器人100当前时刻相对应的控制指令，解决了避障模型120的延时问题，避免相关技术中避障机器人100延时较大导致响应不及时，与障碍物110发生碰撞的现象的发生，从而使整个避障机器人100的避障过程更平稳，提高避障机器人100的使用体验，增加避障机器人100对家庭、商场和工厂等多种使用场景的适配程度。
更进一步地，第一约束值为避障模型120中的根据控制障碍约束函数和得到控制障碍约束函数的微分函数满足不等式关系的常数值。
基于第一约束值满足第一控制输出条件，根据避障模型120确定当前时刻的避障机器人100的控制指令包括：设置第一控制输出条件的上限阈值和下限阈值，具体地，将上限阈值设置为1，将下限阈值设置为0。
具体地，在第一约束值处于大于下限阈值，小于等于上限阈值的范围内时，确定第一约束值满足第一控制输出条件，当第一约束值未处于大于下限阈值，小于等于上限阈值的范围内时，表示避障模型120对避障机器人100的障碍约束无效，从而重新确定避障机器人100的初始轨迹102和初始边界104，重新对避障机器人100进行移动轨迹的规划。
如图7所示，本申请的一个实施例的控制方法包括：
S702，接收避障机器人所处环境的地图信息；
S704，根据地图信息，获取避障机器人的初始轨迹和初始轨迹的初始边界；
S706，检测初始边界内的障碍物信息，根据初始边界、初始轨迹和障碍物信息，确定避障机器人的目标轨迹；
S708，获取避障模型的模型补偿值；
S710，根据模型补偿值和理论避障模型，确定避障模型；
S712，根据目标轨迹和障碍物信息，确定目标边界；
S714，获取障碍物的第一坐标和避障机器人的第二坐标；
S716，根据目标轨迹的起始点的第三坐标和第二坐标，确定距离补偿值；
S718，根据第一坐标、第二坐标和距离补偿值，确定第一约束值；
S720，判断第一约束值是否满足第一控制输出条件，若是，执行S722，若否，执行S704；
S722，根据控制指令控制避障机器人移动。
在该实施例中，获取模型补偿值，根据模型补偿值对理论避障模型进行补偿，从而增加避障模型120与实际避障模型的匹配程度，减少避障模型120的误差、损耗、噪声等因素对避障模型120造成的影响和模型的不确定性、复杂非线性等因素带来的影响，提高避障模型120的精度和鲁棒性，提高对避障机器人100的控制的精确程度，提高避障机器人100的使用体验，增加避障机器人100对家庭、商场和工厂等多种使用场景的适配程度。
具体地，模型补偿值是根据高斯过程116补偿的结果，高斯过程116是避障模型120中随机变量在指数集内的组合，由数学期望和协方差函数决定，可以表示为：
△～N(u,∑)；
其中，△可以表示为模型补偿值，u为数学期望，具体在避障模型120中表示预先采集到的输入量的均值，∑为协方差，具体在避障模型120中表示预先拟合训练的输入量的协方差。理论避障模型是在避障机器人100移动之前，预先构建的数学模型，可以由理论系统112的方程表示，具体为：
x(k+1)＝fnormal(xk,uk)；
其中，k表示时间为k的时刻，k+1表示时间为k+1的时刻，xk表示k时刻避障模型120的状态量，uk表示时间为k时刻避障模型120的输出量，fnormal表示避障模型120的状态量与避障模型120的输出量的理论关系式，x表示避障模型120的状态量。
实际避障模型是根据避障机器人100实际移动过程中采集到的数据构建的数据模型，可以由实际系统114的方程表示：
x(k+1)＝ftrue(xk,uk)；
其中，xk表示k时刻避障模型120的状态量，uk表示时间为k时刻避障模型120的输出量，ftrue表示避障模型120的状态量与避障模型120的输出量的实际关系式，x表示避障模型120的状态量。
具体地，fnormal(xk,uk)表示避障模型120的状态量与避障模型120的输出量的理论关系式，该理论关系式可以根据避障模型120的状态量和输出量的历史关系式、现有技术中用于避障模型120的状态量与输出量的关系式进行确定。
ftrue(xk,uk)表示避障模型120的状态量与避障模型120的输出量的实际关系式，该实际关系式可以根据避障模型120的实际状态量和实际输出量，进行变量分析后确定。
由于避障模型120建模的误差，损耗、噪声等因素使得实际避障模型和理论避障模型中存在一定偏差，从而引入高斯过程116，使得实际避障模型可以由理论避障模型和高斯过程116获得，从而对模型的不确定性、复杂非线性因素等对避障模型120造成的影响进行补偿，提高了避障模型120的精度和鲁棒性，具体表示为：
x(k+1)＝fnormal(xk,uk)+Δ
其中，k表示时间为k的时刻，k+1表示时间为k+1的时刻，xk表示k时刻避障模型120的状态量，uk表示时间为k时刻避障模型120的输出量，fnormal表示避障模型120的状态量与避障模型120的输出量的理论关系式，△表示模型补偿值，x表示避障模型120的状态量。
进一步地，模型补偿值可以周期性更改，可以根据避障模型120的损耗，设置更改周期，可以理解的是，相关技术中的避障模型120的算法使用线性化模型忽略了模型的不确定性因素，从而建立复杂的非线性模型的过程十分困难，并且避障机器人100在使用过程中，由于使用损耗导致很多参数是变化的，比如轮胎摩擦系数等，进而引入高斯过程116去补偿避障模型120的不确定性，使得避障模型120的算法精度和鲁棒性更高。
如图8所示，本申请的一个实施例的控制方法包括：
S802，接收避障机器人所处环境的地图信息；
S804，根据地图信息，获取避障机器人的初始轨迹和初始轨迹的初始边界；
S806，检测初始边界内的障碍物信息，根据初始边界、初始轨迹和障碍物信息，确定避障机器人的目标轨迹；
S808，获取避障模型的模型补偿值；
S810，根据模型补偿值和理论避障模型，确定避障模型；
S812，根据目标轨迹和障碍物信息，确定目标边界；
S814，获取障碍物的第一坐标和避障机器人的第二坐标；
S816，根据目标轨迹的起始点的第三坐标和第二坐标，确定距离补偿值；
S818，根据第一坐标、第二坐标和距离补偿值，确定第二约束值；
S820，对第二约束值进行数据处理，获得第三约束值；
S822，根据第二约束值和第三约束值，确定第一约束值；
S824，判断第一约束值是否满足第一控制输出条件，若是，执行S826，若否，执行S804；
S826，根据控制指令控制避障机器人移动。
在该实施例中，第二约束值表示避障模型120控制障碍约束函数求得的结果，第二约束值h可以表示为：
h＝(xstate-xobstacle)2+(ystate-yobstacle)2-R2
其中，xstate表示为避障机器人100当前时刻的中心横坐标，xobstacle表示为障碍物110当前时刻的中心横坐标，ystate表示为避障机器人100当前时刻的中心横坐标，yobstacle表示为障碍物110当前时刻的中心横坐标，R表示在避障机器人100移动之前，避障机器人100与障碍物110之间的距离。
进一步地，第三约束值为对避障模型120控制障碍约束函数微分后的结果，表示为△h，第一约束值为避障模型120中表示收敛速度的常数，可以表示为r，在0到1的范围内，避障模型120内总存在一个常数，使得第一约束值、第二约束值和第三约束值满足如下关系式：
Δh(xt+k,ut+k)+rh(xt+k)≥0；
通过第一约束值、第二约束值和第三约束值的关系式，实现控制障碍约束函数对避障模型120的不等式约束，从而增加避障机器人100的可行集范围，其中，h(xt+k)表示为第t+k时刻的第二约束值，Δh(xt+k,ut+k)为对第t+k时刻的第二约束值微分后得到的第三约束值。
可以理解的是，当第三约束值趋近于0时，表示避障机器人100距离障碍物110较远，当第三约束值趋近于1时，表示避障机器人100距离障碍物110较近。
进一步地，通过第一约束值、第二约束值和第三约束值之间的不等式约束，提高了避障模型120的精度，增加了避障模型120的可行集范围，从而可以使避障机器人100可以在较远距离开始规避障碍物110，降低避障过程中遇到障碍物110的可能性，进而避免避障机器人100不能远距离规避障碍物110，在近距离遇到障碍物110时，紧急停止时避障机器人100受惯性影响而与障碍物110发生碰撞的现象的发生，保证避障机器人100整个避障过程的运动的安全性和平稳性，提高避障机器人100的使用体验，进一步增加避障机器人100对家庭、商场和工厂等多种使用场景的适配程度。
如图9所示，本申请的一个实施例的控制方法包括：
S902，接收避障机器人所处环境的地图信息；
S904，根据地图信息，获取避障机器人的初始轨迹和初始轨迹的初始边界；
S906，检测初始边界内的障碍物信息，根据初始边界、初始轨迹和障碍物信息，确定避障机器人的目标轨迹；
S908，获取避障模型的模型补偿值；
S910，根据模型补偿值和理论避障模型，确定避障模型；
S912，根据目标轨迹和障碍物信息，确定目标边界；
S914，获取障碍物的第一坐标和避障机器人的第二坐标；
S916，根据目标轨迹的起始点的第三坐标和第二坐标，确定距离补偿值；
S918，根据第一坐标、第二坐标和距离补偿值，确定第二约束值；
S920，对第二约束值进行数据处理，获得第三约束值；
S922，根据第二约束值和第三约束值，确定第一约束值；
S924，判断第一约束值是否满足第一控制输出条件，若是，执行S926，若否，执行S904；
S926，确定当前时刻避障机器人的控制指令；
S928，判断当前时刻避障机器人的控制指令是否满足第二控制输出条件，若是，执行S930，若否，执行S904；
S930，将当前时刻的避障机器人的控制指令作为优化控制指令，根据优化控制指令控制避障机器人移动。
在该实施例中，基于当前时刻的避障机器人100的控制指令满足第二控制输出条件，确定当前时刻的避障机器人100的控制指令优化完成，将当前时刻的控制指令作为优化控制指令。
进一步地，根据优化控制指令控制避障机器人100移动包括：提取控制指令中的移动参数，对移动参数进行数据处理。具体地，移动参数具体包括避障机器人100的速度、避障机器人100的加速度、避障机器人100的位移、避障机器人100的位置误差、障碍物110的速度、障碍物110的加速度、障碍物110的位移、障碍物110的位置误差等。
进一步地，确定避障机器人100的速度、避障机器人100的加速度、避障机器人100的位移、避障机器人100的位置误差、障碍物110的速度、障碍物110的加速度、障碍物110的位移、障碍物110的位置误差是否在避障模型120中存在相对最小值，当移动参数在避障模型120中存在相对最小值时，则确定避障机器人100的移动轨迹为在当前时刻的最优轨迹，从而输出控制指令控制避障机器人100按照移动轨迹移动，避免避障机器人100进行不必要的移动的同时，保证避障机器人100移动最小的距离，从而能够提高避障机器人100的智能化程度和节能化程度，提高避障机器人100的使用体验，增加避障机器人100对家庭、商场和工厂等多种使用场景的适配程度。
具体地，对移动参数进行数据处理可以用避障模型120中的代价函数关系式可以表示为：
Figure BDA0003792008170000121
其中，p(xt+N)表示为t+N时刻的移动参数，
Figure BDA0003792008170000131
表示t＝0时刻至t+N-1时刻的所有移动参数的和，J表示至t＝0至t+N时刻的所有移动参数的和。可以理解的是，t＝0时刻为整个运动过程的起始时刻，t+N可以表示为整个运动过程的终止时刻。
进一步地，确定p(xt+N)是否存在最小值，从而确定避障模型120中的代价函数是否存在最小值，代价函数最小时，移动参数为最优值，控制避障机器人移动最小的移动量，实现对避障机器人100的优化控制，避免避障机器人100进行不必要的移动，提高避障机器人100的控制效率，提高避障机器人100的智能化程度和节能化程度，提高避障机器人100的使用体验，增加避障机器人100对家庭、商场和工厂等多种使用场景的适配程度。
可以理解的是，第二控制输出条件为在优化器设置最小值输出指令，上述函数方程关系式由优化器求解获得，在代价函数关系式中存在最小值时，优化器输出代价函数的最小值，确定当前时刻的移动参数为最小移动参数，将当前时刻的控制指令确定为优化控制指令，根据优化控制指令控制避障机器人移动。
在代价函数关系中不存在最小值时，当前时刻的控制指令不是优化控制指令，不能通过最小的移动参数完成避障机器人100避障，从而重新对避障机器人100进行移动轨迹的规划。
如图10所示，本申请的一个实施例提供了的控制方法包括：
S1002，接收避障机器人所处环境的地图信息；
S1004，根据地图信息，获取避障机器人的初始轨迹和初始轨迹的初始边界；
S1006，检测初始边界内的障碍物信息，根据初始边界、初始轨迹和障碍物信息，确定避障机器人的目标轨迹；
S1008，获取避障模型的模型补偿值；
S1010，根据模型补偿值和理论避障模型，确定避障模型；
S1012，根据目标轨迹和障碍物信息，确定目标边界；
S1014，获取障碍物的第一坐标和避障机器人的第二坐标；
S1016，根据目标轨迹的起始点的第三坐标和第二坐标，确定距离补偿值；
S1018，根据第一坐标、第二坐标和距离补偿值，确定第二约束值；
S1020，对第二约束值进行数据处理，获得第三约束值；
S1022，根据第二约束值和第三约束值，确定第一约束值；
S1024，判断第一约束值是否满足第一控制输出条件，若是，执行S1026，若否，执行S1004；
S1026，确定当前时刻的避障机器人的控制指令；
S1028，判断当前时刻的避障机器人的控制指令是否满足第二控制输出条件，若是，执行S1030，若否，执行S1004；
S1030，将当前时刻的避障机器人的控制指令作为优化控制指令，根据优化控制指令控制避障机器人移动；
S1032，将避障机器人根据优化控制指令停止移动的时刻设为第一时刻，获取第一时刻的避障机器人的第四坐标。
在该实施例中，避障机器人100停止后，将停止移动的时刻作为第一时刻，将优化控制指令与时刻相对应，可以解决避障机器人100的延时问题，避免相关技术中避障机器人延时较大导致响应不及时，与障碍物发生碰撞的现象的发生，从而使避障机器人100的避障安全性能更高，提高避障机器人100的使用体验，增加避障机器人100对家庭、商场和工厂等多种使用场景的适配程度。
具体实施例：
如图11所示，本申请提供的控制方法包括：
S1102，接收避障机器人所处环境的地图信息；
S1104，根据地图信息，获取避障机器人的初始轨迹和初始轨迹的初始边界；
S1106，对初始轨迹进行平滑处理；
S1108，检测初始边界内的障碍物信息，根据初始边界、初始轨迹和障碍物信息，确定避障机器人的目标轨迹；
S1110，获取避障模型的模型补偿值；
S1112，根据模型补偿值和理论避障模型，确定避障模型；
S1114，根据目标轨迹和障碍物信息，确定目标边界；
S1116，获取障碍物的第一坐标和避障机器人的第二坐标；
S1118，根据目标轨迹的起始点的第三坐标和第二坐标，确定距离补偿值；
S1120，根据第一坐标、第二坐标和距离补偿值，确定第二约束值；
S1122，对第二约束值进行数据处理，获得第三约束值；
S1124，根据第二约束值和第三约束值，确定第一约束值；
S1126，预先设置第一约束值的输出范围；
S1128，判断第一约束值是否处于输出范围，若是，执行S1130，若否，执行S1104；
S1130，确定第一约束值满足第一控制输出条件，根据避障模型确定当前时刻的避障机器人的控制指令；
S1132，提取控制指令中的移动参数，对移动参数进行数据处理；
S1134，判断数据处理后的移动参数在避障模型中是否存在最小解，若是，执行S1136，若否，执行S1104；
S1136，确定当前时刻的控制指令满足第二控制输出条件，将当前时刻的避障机器人的控制指令作为优化控制指令，根据优化控制指令控制避障机器人移动；
S1138，将避障机器人根据优化控制指令停止移动的时刻设为第一时刻，获取第一时刻的避障机器人的第四坐标；
S1140，确定第四坐标与目标轨迹的终止点的第五坐标是否相同，若是，停止，若否，则执行S1142；
S1142，获取第一时刻的障碍物信息；
S1144，根据目标边界、目标轨迹和第一时刻的障碍物信息，确定避障机器人的最终轨迹；
S1146，根据最终轨迹和障碍物信息，确定最终边界；
S1148，获取第一时刻障碍物的第六坐标和第一时刻避障机器人的第七坐标；
S1150，根据最终轨迹、最终边界、第六坐标和第七坐标，确定第一时刻的避障机器人的优化控制指令，直至根据优化控制指令控制避障机器人到达最终轨迹的终止点的第八坐标。
在本申请的一个实施例中，获取初始轨迹102可以使用A*(A-Star)算法，A*(A-Star)算法可以表示为：
F(n)＝G(n)+H(n)
其中，A*算法将避障机器人100的初始位置和避障机器人100的目标位置之间设置多个网格点，从而将初始位置和目标位置两个点之间的路程问题转化为多个点的转化问题，提高对避障机器人100从初始位置到目标位置移动过程中的控制的精确程度。
其中，F(n)表示为避障机器人100的初始位置到目标位置的代价关系式，G(n)表示为初始位置到A*算法中下一个网格点的代价关系式；H(n)表示为从A*算法中下一个网格点到目标位置的代价关系式。
进一步地，通过A*算法搜索避障机器人100的可行路线，并生成可行路线列表，在可行路线的列表中搜索出最优轨迹，并将最优轨迹作为初始轨迹102。
可以理解的是，控制指令中包括避障机器人100的速度，角速度的移动参数。
在该实施例中，确定第四坐标与第五坐标是否相同，从而判断避障机器人100是否到达目标位置。
进一步地，若相同，确定避障机器人100到达目标位置，从而确定避障机器人100完成完整的避障过程，控制避障机器人100停止，且该避障过程安全，平稳，提高避障机器人100的使用体验，增加避障机器人100对家庭、商场和工厂等多种使用场景的适配程度。
进一步地，若不同，重新获取障碍物信息；并确定最终轨迹和最终边界，结合障碍物信息，可以重新确定避障机器人100的移动轨迹和移动边界，从而结合时刻可以对避障机器人100的移动轨迹和移动边界进行动态规划，从而能够远距离规划出避障机器人100的一条无碰撞的移动轨迹，避免障碍物110移动会对避障机器人100造成的影响，降低避障过程中遇到障碍物110的可能性，使得避障机器人100的移动轨迹更平滑，避免相关技术中避障机器人100不能远距离规避障碍物110，在近距离遇到障碍物110时，紧急停止时避障机器人100受惯性影响而造成与障碍物110的碰撞发生危险等现象的发生，提高避障机器人100的使用体验，增加避障机器人100对家庭、商场和工厂等多种使用场景的适配程度。
更进一步地，获取第六坐标和第七坐标；重新确定优化控制指令，通过确定与时刻相对应的优化控制指令并输出，控制避障机器人移动，解决了避障机器人的延时控制问题，直至避障机器人100第八坐标，从而保证避障机器人100整个避障过程的运动的安全性和平稳性，提高避障机器人100的使用体验，进一步增加避障机器人100对家庭、商场和工厂等多种使用场景的适配程度。
在该实施例中，通过A*算法获取初始轨迹102，并对初始轨迹102进行平滑处理，使得避障机器人100的运动轨迹更平滑，通过障碍物信息，对初始边界104和平滑后的初始轨迹102进行动态规划，从而确定目标轨迹106和目标边界108，结合时刻，对避障机器人100的移动轨迹进行控制，并根据第一控制输出条件和第二控制输出条件，对避障模型120进行求解，通过确定避障模型120是否有解，判断避障机器人100规划出的移动轨迹是否可行，使得避障机器人100远距离就可以规避障碍物110，结合时刻对避障机器人100进行控制，解决了避障机器人100控制不及时，避免避障机器人100延时控制导致在近距离遇到障碍物110时，紧急停止时避障机器人100受惯性影响而与障碍物110发生碰撞的现象的发生，同时增大了避障模型120的可行集范围，通过对避障模型120的约束和优化，使得避障模型120的精度和鲁棒性更高，便于对避障机器人100的控制，提高避障机器人100的使用体验，进一步增加避障机器人100对家庭、商场和工厂等多种使用场景的适配程度。
进一步地，根据第一坐标和第二坐标，判断避障机器人100的移动轨迹是否会受障碍物110的干扰，从而避免二者发生碰撞等现象的发生，进而能够在碰撞发生之前，提前预知风险，在较远距离就开始规避风险，避免避障机器人100在近距离与障碍物110接触，反应不及时，从而出现二者发生接触或碰撞等危险现象的发生，影响避障机器人100的安全，平稳地移动，从而提高避障机器人100的使用体验，进一步增加避障机器人100对家庭、商场和工厂等多种使用场景的适配程度。
并且，由于将避障机器人100的控制指令与时刻相对应，一方面，解决了避障模型120的延时性问题，便于避障模型120的优化控制，并且由于对避障模型120增加了约束和补偿，增加避障模型120可行集范围的同时，还提高了避障模型120的精度和鲁棒性，从而提高避障模型120的反应速度，增强避障模型120与避障机器人100的适配程度；另一方面，解决了避障机器人100的延时性问题，将时刻与控制指令相对应，可以理解的是，每个时刻都有对应的控制指令，从而能够在较远位置就对障碍物110进行规避，动态规划一条无碰撞，平滑的移动轨迹，从而使整个移动过程更平稳，并且，提高了对避障机器人100的控制的精确程度，控制避障机器人100从较远距离开始规避障碍物110，并实时检测障碍物信息，能够提前控制，并根据反馈调节并控制避障机器人100移动，从而使得避障机器人100能够安全、无碰撞地到达目标位置，提高避障机器人100的使用体验，进一步增加避障机器人100对家庭、商场和工厂等多种使用场景的适配程度。
具体地，如图12所示，预先设置有实际系统114和理论系统112，实际系统114和理论系统112根据系统的反馈值形成估计模型118，高斯过程116在避障模型120中，对估计模型118进行补偿，避障模型120对估计模型118进行约束和优化后，对实际系统114和理论系统112进行优化控制。
本申请的一个实施例提供了一种避障机器人的控制装置200，避障机器人100由壳体、检测部件和移动部件构成，控制装置由检测单元和移动单元，构成，检测部件受检测单元控制，检测可能阻碍避障机器人100运动的障碍物；移动部件受移动单元控制，可以使避障机器人100移动。
在该实施例中，控制装置包括检测单元和移动单元，检测单元能够控制避障机器人100的检测部件检测避障机器人100壳体外的障碍物信息，移动单元能够控制避障机器人100的移动部件，使避障机器人100移动，从而使得避障机器人100能够规避障碍物110进行移动，从而完成避障的完整运动过程，提高避障机器人100的使用体验，增加避障机器人100对家用、商用和工用等多个使用场景的适配程度。
具体地，检测部件可以包括传感器，本申请并不对传感器的类型做出限制，移动部件可以包括电机和轮胎，本申请并不对电机的类型、轮胎的类型和电机驱动轮胎的方式做出具体限定。
如图13所示，本申请的一个实施例提供了一种避障机器人的控制装置200，控制装置包括存储器202和处理器204，存储器202存储有程序或指令，处理器204可以执行存储的程序或指令，实现如上述任一实施例的控制方法的步骤。
本申请的一个实施例提供了一种可读存储介质，存储有程序或指令，实现如上述任一实施例的控制方法的步骤。
本申请的一个实施例提供了一种避障机器人100，包括上述实施例的控制装置；或上述实施例的避障机器人的控制装置200；或上述实施例的可读存储介质。
在本申请的一个实施例中，避障机器人100包括显示装置，可以显示避障机器人100在避障移动过程中各个时刻的控制指令中的移动参数、移动轨迹、移动边界和障碍物信息。
在该实施例中，避障机器人100还包括显示装置，显示装置避障机器人100移动过程中的控制指令中的移动参数、移动轨迹、移动边界和障碍物信息，增加用户对避障机器人100避障过程的了解程度，从而提高用户的使用体验。
本申请的一个实施例提供了一种避障机器人100，避障机器人100包括接收装置、地图转换装置、检测处理装置和移动装置，接收装置用于接收避障机器人100所处环境的地图信息；地图转换装置用于根据地图信息，获取避障机器人100的初始轨迹102和初始轨迹102的初始边界104；检测处理装置用于检测初始边界104内的障碍物信息，并根据初始边界104、初始轨迹102和障碍物信息，确定避障机器人100的目标轨迹106，并生成控制指令；移动装置用于根据控制指令控制避障机器人100移动。
在该实施例中，接收装置可以具有GPS(全球定位系统)，根据定位接收当前时刻避障机器人100的所处环境的地图信息。
地图转换装置可以将接收装置的地图信息转换成移动轨迹和移动边界。检测处理装置能够检测障碍物信息，并判断障碍物信息是否会对移动轨迹和移动边界产生影响，进而对移动轨迹进行规划，并生成控制指令。移动装置根据控制指令控制移动，直至运动至终点。接收装置、地图转换装置、检测处理装置和移动装置相互作用，共同实现了上述任一实施例的控制方法，因而具有上述任一实施例的避障机器人100的控制方法的全部有益技术效果。
本申请的一个实施例提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述任一实施例的控制方法的步骤。因而具有上述任一实施例的避障机器人100的控制方法的全部有益技术效果。本申请的说明书和权利要求书中的术语“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的文字描述中，除非另有说明，“多个”的含义是两个或两个以上。另外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
在本申请的文字描述中，可以理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请的技术方案和简化描述本申请的技术方案，而不是指示或暗示所指的结构、装置、元件必须具有特定的方位、以特定的方位构造和操作，因此这些描述不能理解为对本申请的限制。
在本申请的文字描述中，可以理解的是，除有明确的规定和限定之外，术语“安装”、“相连”、“连接”应做广义理解，举例来说，可以是固定地连接，也可以是可拆卸地连接，或一体地连接；可以是机械结构连接，也可以是电气连接；可以是两者直接相连，也可以是两者通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的一般技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
在本申请的权利要求书、说明书和说明书附图中，术语“多个”则指两个或两个以上，除非有额外的明确限定，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了更方便地描述本申请和使得描述过程更加简便，而不是为了指示或暗示所指的装置或元件必须具有所描述的特定方位、以特定方位构造和操作，因此这些描述不能理解为对本申请的限制；术语“连接”、“安装”、“固定”等均应做广义理解，举例来说，“连接”可以是多个对象之间的固定连接，也可以是多个对象之间的可拆卸连接，或一体地连接；可以是多个对象之间的直接相连，也可以是多个对象之间的通过中间媒介间接相连。对于本领域的一般技术人员而言，可以根据上述数据地具体情况理解上述术语在本申请中的具体含义。
在本申请的权利要求书、说明书和说明书附图中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本申请的至少一个实施例或示例中。在本申请的权利要求书、说明书和说明书附图中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或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。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、等，均应包含在本申请的保护范围之内。

Claims (17)

1.一种避障机器人的控制方法，其特征在于，所述控制方法包括：
接收所述避障机器人所处环境的地图信息；
根据所述地图信息，获取所述避障机器人的初始轨迹和所述初始轨迹的初始边界；
检测所述初始边界内的障碍物信息，根据所述初始边界、所述初始轨迹和所述障碍物信息，确定所述避障机器人的目标轨迹，并生成控制指令；
根据所述控制指令控制所述避障机器人移动。
2.根据权利要求1所述的避障机器人的控制方法，其特征在于，检测所述初始边界内的障碍物信息，根据所述初始边界、所述初始轨迹和所述障碍物信息，确定所述避障机器人的目标轨迹，并生成控制指令包括：
根据所述目标轨迹和所述障碍物信息，确定目标边界；
获取所述障碍物的第一坐标和所述避障机器人的第二坐标；
根据所述目标轨迹、所述目标边界、所述第一坐标和所述第二坐标，确定当前时刻的所述避障机器人的控制指令。
3.根据权利要求2所述的避障机器人的控制方法，其特征在于，根据所述目标轨迹、所述目标边界、所述第一坐标和所述第二坐标，确定当前时刻的所述避障机器人的控制指令包括：
根据所述目标轨迹、所述目标边界、所述第一坐标、所述第二坐标和避障模型，确定当前时刻的所述避障机器人的控制指令。
4.根据权利要求3所述的避障机器人的控制方法，其特征在于，根据所述目标轨迹、所述目标边界、所述第一坐标、所述第二坐标和避障模型，确定当前时刻的所述避障机器人的控制指令包括：
根据所述目标轨迹的起始点的第三坐标和所述第二坐标，确定距离补偿值；
根据所述第一坐标、所述第二坐标和所述距离补偿值，确定第一约束值；
基于所述第一约束值满足第一控制输出条件，根据所述避障模型确定当前时刻的所述避障机器人的控制指令。
5.根据权利要求4所述的避障机器人的控制方法，其特征在于，基于所述第一约束值满足第一控制输出条件，根据所述避障模型确定当前时刻的所述避障机器人的控制指令包括：
预先设置所述第一约束值的输出范围；
基于所述第一约束值处于所述输出范围，确定所述第一约束值满足所述第一控制输出条件，根据所述避障模型确定当前时刻的所述避障机器人的控制指令。
6.根据权利要求4所述的避障机器人的控制方法，其特征在于，基于所述第一约束值满足第一控制输出条件，根据所述避障模型确定当前时刻的所述避障机器人的控制指令之前，所述控制方法还包括：
获取所述避障模型的模型补偿值；
根据所述模型补偿值和理论避障模型，确定所述避障模型。
7.根据权利要求4所述的避障机器人的控制方法，其特征在于，根据所述第一坐标、所述第二坐标和所述距离补偿值，确定第一约束值包括：
根据所述第一坐标、所述第二坐标和所述距离补偿值，确定所述第二约束值；
对所述第二约束值进行数据处理，获得第三约束值；
根据所述第二约束值和所述第三约束值，确定所述第一约束值。
8.根据权利要求4所述的避障机器人的控制方法，其特征在于，根据所述目标轨迹、所述目标边界、所述第一坐标、所述第二坐标和避障模型，确定当前时刻的所述避障机器人的控制指令还包括：
基于所述第一约束值不满足第一控制输出条件，重新根据所述地图信息，获取所述避障机器人的初始轨迹和所述初始轨迹的初始边界。
9.根据权利要求8所述的避障机器人的控制方法，其特征在于，根据所述目标轨迹、所述目标边界、所述第一坐标和所述第二坐标，确定当前时刻的所述避障机器人的控制指令之后，所述控制方法还包括：
基于当前时刻的所述避障机器人的控制指令满足第二控制输出条件，将当前时刻的所述避障机器人的控制指令作为优化控制指令，根据所述优化控制指令控制所述避障机器人移动。
10.根据权利要求9所述的避障机器人的控制方法，其特征在于，基于当前时刻的所述避障机器人的控制指令满足第二控制输出条件，将当前时刻的所述避障机器人的控制指令作为优化控制指令，根据所述优化控制指令控制所述避障机器人移动包括：
提取所述控制指令中的移动参数，对所述移动参数进行数据处理；
基于数据处理后的所述移动参数在所述避障模型中存在最小解，确定当前时刻的控制指令满足第二控制输出条件，将当前时刻的所述避障机器人的控制指令作为优化控制指令，根据所述优化控制指令控制所述避障机器人移动。
11.根据权利要求9所述的避障机器人的控制方法，其特征在于，基于所述避障机器人的控制指令满足第二控制输出条件，将当前时刻的所述避障机器人的控制指令设置为优化控制指令，根据所述优化控制指令控制所述避障机器人移动之后，所述控制方法还包括：
将所述避障机器人根据所述优化控制指令停止移动的时刻设为第一时刻，获取第一时刻的所述避障机器人的第四坐标。
12.根据权利要求11所述的避障机器人的控制方法，其特征在于，将所述避障机器人根据所述优化控制指令停止移动的时刻设为第一时刻，获取第一时刻的所述避障机器人的第四坐标之后，所述控制方法还包括：
确定所述第四坐标与所述目标轨迹的终止点的第五坐标是否相同；
当所述第四坐标与所述第五坐标相同时，控制所述避障机器人停止移动；
当所述第四坐标与所述第五坐标不同时，获取第一时刻的所述障碍物信息；
根据所述目标边界、所述目标轨迹和第一时刻的所述障碍物信息，确定所述避障机器人的最终轨迹；
根据所述最终轨迹和所述障碍物信息，确定最终边界；获取第一时刻所述障碍物的第六坐标和第一时刻所述避障机器人的第七坐标；
根据所述最终轨迹、所述最终边界、所述第六坐标和所述第七坐标，确定第一时刻的所述避障机器人的优化控制指令，直至根据所述优化控制指令控制所述避障机器人到达所述最终轨迹的终止点的第八坐标。
13.根据权利要求1至12中任一项所述的避障机器人的控制方法，其特征在于，根据所述地图信息，获取所述避障机器人的初始轨迹和所述初始轨迹的初始边界包括；
根据所述地图信息和所述初始边界，建立二维坐标网格。
14.一种避障机器人的控制装置，其特征在于，所述避障机器人包括壳体、检测部件和移动部件，所述控制装置包括：
检测单元，用于控制所述检测部件检测所述壳体外的障碍物信息；
移动单元，用于控制所述移动部件控制所述避障机器人移动。
15.一种避障机器人的控制装置，其特征在于，所述控制装置包括：存储器和处理器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或所述指令被所述处理器执行时实现如权利要求1至13中任一项所述的避障机器人的控制方法的步骤。
16.一种可读存储介质，其上存储有程序或指令，其特征在于，所述程序或所述指令被处理器执行时实现如权利要求1至13中任一项所述的避障机器人的控制方法的步骤。
17.一种避障机器人，其特征在于，包括：
如权利要求14所述的避障机器人的控制装置；或
如权利要求15所述的避障机器人的控制装置；或
如权利要求16所述的可读存储介质。
CN202210957649.7A 2022-08-10 2022-08-10 避障机器人及其控制方法、控制装置和可读存储介质 Pending CN115268457A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210957649.7A CN115268457A (zh) 2022-08-10 2022-08-10 避障机器人及其控制方法、控制装置和可读存储介质
PCT/CN2023/077991 WO2024031959A1 (zh) 2022-08-10 2023-02-23 避障机器人及其控制方法、控制装置和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210957649.7A CN115268457A (zh) 2022-08-10 2022-08-10 避障机器人及其控制方法、控制装置和可读存储介质

Publications (1)

Publication Number Publication Date
CN115268457A true CN115268457A (zh) 2022-11-01

Family

ID=83750803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210957649.7A Pending CN115268457A (zh) 2022-08-10 2022-08-10 避障机器人及其控制方法、控制装置和可读存储介质

Country Status (2)

Country Link
CN (1) CN115268457A (zh)
WO (1) WO2024031959A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024031959A1 (zh) * 2022-08-10 2024-02-15 美的集团(上海)有限公司 避障机器人及其控制方法、控制装置和可读存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101664575B1 (ko) * 2014-11-07 2016-10-10 재단법인대구경북과학기술원 모바일 로봇의 장애물 회피 시스템 및 방법
CN108762255A (zh) * 2018-05-03 2018-11-06 南京理工大学 一种室内智能移动机器人及控制方法
KR101987868B1 (ko) * 2018-11-29 2019-06-11 주식회사 트위니 시간상태 영역에서의 장애물 회피 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램
CN111813117B (zh) * 2020-07-09 2023-09-01 北京布科思科技有限公司 一种机器人巡线优先导航方法、装置和设备
CN113433936B (zh) * 2021-06-02 2023-07-25 北京迈格威科技有限公司 移动设备绕障方法、装置、移动设备及存储介质
CN113448335A (zh) * 2021-07-02 2021-09-28 广州小鹏自动驾驶科技有限公司 路径规划方法和装置、车辆和可读存储介质
CN115268457A (zh) * 2022-08-10 2022-11-01 美的集团(上海)有限公司 避障机器人及其控制方法、控制装置和可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024031959A1 (zh) * 2022-08-10 2024-02-15 美的集团(上海)有限公司 避障机器人及其控制方法、控制装置和可读存储介质

Also Published As

Publication number Publication date
WO2024031959A1 (zh) 2024-02-15

Similar Documents

Publication Publication Date Title
US9995589B2 (en) Path plan generating apparatus for mobile body
Lapierre et al. Combined path-following and obstacle avoidance control of a wheeled robot
US11279033B2 (en) Method and apparatus for collision-free motion planning of a manipulator
CN105928514A (zh) 基于图像与惯性技术的agv复合导引系统
Ardakani et al. Real-time trajectory generation using model predictive control
CN115268457A (zh) 避障机器人及其控制方法、控制装置和可读存储介质
Seder et al. Receding horizon control for convergent navigation of a differential drive mobile robot
JP2021175590A (ja) ロボット最適化動作計画用の初期参照生成
Hace et al. Pseudo-sensorless high-performance bilateral teleoperation by sliding-mode control and FPGA
Cheon et al. Online bidirectional trajectory planning for mobile robots in state-time space
CN110722550A (zh) 机器人系统
WO2023036044A1 (zh) 全局路径规划方法、运动控制方法及计算机程序产品
Wei et al. 3D semantic map-based shared control for smart wheelchair
Liu et al. Leveraging the template and anchor framework for safe, online robotic gait design
Sprunk Planning motion trajectories for mobile robots using splines
CN114274147B (zh) 目标跟踪控制方法及装置、机械臂控制设备和存储介质
CN114834484A (zh) 一种车辆轨迹跟随控制方法、装置、电子设备及存储介质
CN115922687A (zh) 一种基于s形速度曲线的运动轨迹规划方法及装置
WO2023124339A1 (zh) 路径规划方法、运动控制方法及计算机程序产品
Hilario et al. Real-time bézier trajectory deformation for potential fields planning methods
Soueres et al. Robust path-following control with exponential stability for mobile robots
Bak et al. Path following mobile robot in the presence of velocity constraints
CN112674655B (zh) 基于沿墙的回充方法、装置、计算机设备和存储器
Shkel et al. Incorporating body dynamics into sensor-based motion planning: The maximum turn strategy
Umar et al. Nonlinear Model Predictive Path-Following for Mecanum-Wheeled Omnidirectional Mobile Robot

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