CN115509231A - 一种机器人跟随避障方法、装置及存储介质 - Google Patents
一种机器人跟随避障方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115509231A CN115509231A CN202211193364.7A CN202211193364A CN115509231A CN 115509231 A CN115509231 A CN 115509231A CN 202211193364 A CN202211193364 A CN 202211193364A CN 115509231 A CN115509231 A CN 115509231A
- Authority
- CN
- China
- Prior art keywords
- robot
- obstacle avoidance
- track
- following
- obstacle
- 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 49
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000000875 corresponding effect Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 10
- 230000002596 correlated effect Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 7
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007704 transition 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
- G05D1/0231—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
- G05D1/0214—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
-
- 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
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种机器人跟随避障方法、装置及存储介质,方法包括:机器人跟随目标对象移动的过程中,获取周围环境信息;根据周围环境信息判断跟随轨迹上是否存在障碍物,若是,则从机器人的速度取值范围中依次选择速度值;根据速度值和机器人的当前位置坐标确定机器人在预设时长内的多个预测位置坐标,根据所有预测位置坐标生成机器人的运动轨迹,确定运动轨迹与障碍物之间的最小距离;保留最小距离大于预设阈值的运动轨迹为避障轨迹,直至避障轨迹的数量达到预设数量;在所有避障轨迹中确定跟随目标对象位置的避障轨迹为最优的避障轨迹,控制机器人根据最优的避障轨迹进行运动。本发明的技术方案能够提高机器人跟随过程中安全性。
Description
技术领域
本发明涉及机器人控制技术领域,具体而言,涉及一种机器人跟随避障方法、装置及存储介质。
背景技术
机器人跟随是指对目标对象进行识别,从而确定目标对象的位置以实现跟随目标对象的运动而运动。目前,机器人跟随方法通常包括检测周围环境信息以识别目标对象,根据目标对象生成跟随轨迹,控制机器人按照跟随轨迹运动。
但是,这种方法机器人只能跟随目标对象的轨迹进行运动,若跟随轨迹上出现障碍物时,例如移动的行人或车辆等,会导致机器人无法通过而停止,甚至与障碍物发生碰撞,存在安全隐患。
发明内容
本发明解决的问题是如何提高机器人跟随过程中的安全性。
为解决上述问题,本发明提供一种机器人跟随避障方法、装置及存储介质。
第一方面,本发明提供了一种机器人跟随避障方法,包括如下步骤:
机器人跟随目标对象移动的过程中,获取周围环境信息;
根据所述周围环境信息判断跟随轨迹上是否存在障碍物,若是,则从所述机器人的速度取值范围中依次选择速度值;
基于预设计算规则,根据所述速度值和所述机器人的当前位置坐标确定所述机器人在预设时长内的多个预测位置坐标,根据所有所述预测位置坐标生成所述机器人的运动轨迹,确定所述运动轨迹与所述障碍物之间的最小距离;
判断所述最小距离是否大于预设阈值,若否,则返回从所述机器人的速度取值范围中依次选择速度值的步骤;若是,则保留所述运动轨迹为避障轨迹,并返回从所述机器人的速度取值范围中依次选择速度值的步骤,直至所述避障轨迹的数量达到预设数量;
在所有所述避障轨迹中确定跟随目标对象位置的所述避障轨迹为最优的避障轨迹,控制所述机器人根据所述最优的避障轨迹进行运动。
可选地,所述速度值包括线速度和角速度,所述基于预设计算规则,根据所述速度值和所述机器人的当前位置坐标确定所述机器人在预设时长内的多个预测位置坐标包括:
根据选择的所述线速度、所述角速度和所述当前位置坐标,采用第一公式依次递推下一时刻所述机器人的预测位置坐标,获得所述机器人在预设时长内的所述预测位置坐标;所述第一公式包括:
其中,(xt,yt)表示所述机器人在t时刻的所述预测位置坐标,(xt-1,yt-1)表示所述机器人在t-1时刻的当前位置坐标,v表示所述机器人的所述线速度,w表示所述机器人的所述角速度,θt表示t时刻的所述预测位置坐标与上一时刻位置的连线与坐标系x轴之间的夹角,θt+1表示t+1时刻的所述预测位置坐标与上一时刻位置的连线与坐标系x轴之间的夹角,Δt表示预设时间间隔。
可选地,所述周围环境信息包括激光雷达采集的第一点云数据和测距信息,所述根据所述周围环境信息判断跟随轨迹上是否存在障碍物包括:
根据所述第一点云数据将预设距离范围内的所有点聚合成簇,并提取所述簇的数据特征;
将所述数据特征输入训练好的机器学习模型中,确定所述簇是否对应为目标对象;
若否,则确定所述簇为障碍物,根据所述测距信息确定所述障碍物的位置,并确定所述障碍物的位置与所述跟随轨迹的最小距离;
当所述障碍物的位置与所述跟随轨迹的最小距离小于或等于预设距离时,确定所述跟随轨迹上存在所述障碍物。
可选地,所述速度取值范围包括线速度取值范围和角速度取值范围,所述从所述机器人的速度取值范围中依次选择速度值包括:
在所述线速度取值范围内按照从大到小的顺序依次选择所述线速度,在所述角速度取值范围内按照从大到小的顺序依次选择所述角速度,其中,线速度的优先级高于所述角速度的优先级。
可选地,所述在所有所述避障轨迹中确定跟随目标对象位置的所述避障轨迹为最优的避障轨迹包括:
采用预设的评价函数对各个所述避障轨迹进行评分,根据评分结果确定最优的避障轨迹,其中,所述评分结果与所述避障轨迹和障碍物之间的最小距离正相关,与所述机器人的所述速度值正相关,与避障轨迹终点的航向和所述目标对象之间的夹角负相关。
可选地,所述评价函数采用第二公式表示,所述第二公式包括:
其中,表示所述避障轨迹的评分结果,σ表示归一化处理,表示避障轨迹终点的航向与目标对象之间的夹角,α表示所述夹角的权重,表示所述避障轨迹与所述障碍物之间的最小距离,β表示所述最小距离的权重,表示所述避障轨迹对应的速度值,γ表示所述速度值的权重。
可选地,所述获取周围环境信息之前,包括:
获取激光雷达采集的所述机器人周围的第二点云数据;
根据预设距离范围将所述第二点云数据内的所有点聚合成多个簇,并提取各个所述簇的数据特征;
将各个所述簇的所述数据特征分别输入训练好的机器学习模型中,确定各个所述簇对应的物体类别,根据所述物体类别在所有所述簇中确定所述目标对象;
采用卡尔曼滤波算法和全局最近邻算法生成与所述目标对象对应的所述跟随轨迹,根据所述跟随轨迹控制所述机器人跟随所述目标对象移动。
可选地,所述采用卡尔曼滤波算法和全局最近邻算法生成与所述目标对象对应的所述跟随轨迹包括:
根据所述机器人的当前状态,采用卡尔曼滤波算法生成所述机器人未来多个时刻的预测状态;
采用全局最近邻算法将所述预测状态与所述机器人的历史轨迹相匹配,生成所述跟随轨迹。
第二方面,本发明提供了一种机器人跟随避障装置,包括:
获取模块,用于机器人跟随目标对象移动的过程中,获取周围环境信息;
判断模块,用于根据所述周围环境信息判断跟随轨迹上是否存在障碍物,若是,则从所述机器人的速度取值范围中依次选择速度值;
处理模块,用于基于预设计算规则,根据所述速度值和所述机器人的当前位置坐标确定所述机器人在预设时长内的多个预测位置坐标,根据所有所述预测位置坐标生成所述机器人的运动轨迹,确定所述运动轨迹与所述障碍物之间的最小距离;
控制模块,用于判断所述最小距离是否大于预设阈值,若否,则返回从所述机器人的速度取值范围中依次选择速度值的步骤;若是,则保留所述运动轨迹为避障轨迹,并返回从所述机器人的速度取值范围中依次选择速度值的步骤,直至所述避障轨迹的数量达到预设数量;在所有所述避障轨迹中确定跟随目标对象位置的所述避障轨迹为最优的避障轨迹,控制所述机器人根据所述最优的避障轨迹进行运动。
第三方面,本发明提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如第一方面任一项所述的机器人跟随避障方法。
本发明的机器人跟随避障方法、装置及存储介质的有益效果是:在机器人跟随目标对象移动的过程中,可实时获取周围环境信息,周围环境信息可包括机器人周边物体的位置、距离机器人的距离等。根据周围环境信息判断机器人跟随目标对象移动的跟随轨迹上是否存在障碍物,若否,则机器人继续按照跟随轨迹移动;若是,则从机器人的速度取值范围中依次选择速度值。对于选择的一个速度值,根据该速度值和机器人的当前位置坐标预测机器人在未来预设时长内的多个预测位置坐标,将所有预测位置坐标依次连接生成机器人的运动轨迹。确定运动轨迹与障碍物之间的最小距离,保留最小距离大于预设阈值的运动轨迹为避障轨迹,舍弃最小距离小于或等于预设阈值的运动轨迹,直至重新选择速度值生成的避障轨迹的数量达到预设数量,机器人根据避障轨迹进行运动时,能够避免与障碍物发生碰撞。在所有避障轨迹中确定跟随目标对象位置的避障轨迹为最优的避障轨迹,控制机器人按照该最优的避障轨迹进行运动,能够在跟随目标对象位置的同时,避免机器人与障碍物发生碰撞,有效提高了机器人跟随过程中的安全性。
附图说明
图1为本发明实施例的一种机器人跟随避障方法的流程示意图;
图2为本发明实施例的一种机器人跟随避障装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”;术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
如图1所示,本发明实施例提供的一种机器人跟随避障方法,包括如下步骤:
步骤S100,机器人跟随目标对象移动的过程中,获取周围环境信息。
具体地,可采用激光雷达和摄像头等采集机器人的周围环境信息,摄像头采集的图像对激光雷达采集的点云数据进行补充。其中,激光雷达和摄像头等可设置在机器人上,目标对象可为人等。
步骤S200,根据所述周围环境信息判断跟随轨迹上是否存在障碍物,若是,则转至步骤S300。
具体地,首先可根据周围环境信息判断机器人周围是否存在障碍物,其中除目标对象以外的物体可视为障碍物,然后判断障碍物是否在机器人的跟随轨迹上。
步骤S300,从所述机器人的速度取值范围中依次选择速度值。
具体地,机器人的速度取值范围可包括线速度取值范围和角速度取值范围,也可将机器人的速度取值集合作为速度取值范围,速度取值集合中可包括多个线速度和角速度的组合。
步骤S400,基于预设计算规则,根据所述速度值和所述机器人的当前位置坐标确定所述机器人在预设时长内的多个预测位置坐标,根据所有所述预测位置坐标生成所述机器人的运动轨迹,确定所述运动轨迹与所述障碍物之间的最小距离。
具体地,对于选择的一个速度值,根据该速度值和当前位置坐标预测机器人在未来预设时长内多个时刻的预测位置坐标,预设时长可根据实际情况具体设置,将所有预测位置坐标依次连接,就可得到机器人的一条运动轨迹。可确定障碍物与运动轨迹上各个点之间的距离,其中所有点对应的距离中的最小距离就是运动轨迹与障碍物之间的最小距离,即离障碍物最近的点与障碍物之间的距离。
步骤S500,判断所述最小距离是否大于预设阈值,若否,则返回步骤S300;若是,则保留所述运动轨迹为避障轨迹,并返回步骤S300,直至所述避障轨迹的数量达到预设数量。
具体地,将该速度值下运动轨迹对应的最小距离与预设阈值进行对比,预设阈值可为根据机器人的体积和活动范围设置的安全距离,当最小距离大于预设阈值时,表示机器人按照该运动轨迹运动时不会与障碍物相撞,能够实现避障目标,因此将该运动轨迹视为避障轨迹。当最小距离小于或等于预设阈值时,表示机器人按照该运动轨迹移动时可能会与障碍物相撞,因此舍弃该运动轨迹,返回步骤S300重新获取速度值,以重新生成运动轨迹,直至避障轨迹的数量达到预设数量,预设数量可根据实际情况具体设置。依次选择速度值分别生成运动轨迹,保留预设数量的满足避障要求的避障轨迹,不需要对速度值进行完全遍历,能够提高计算速度,进而提高确定最优的避障轨迹的效率。
步骤S600,在所有所述避障轨迹中确定跟随目标对象位置的所述避障轨迹为最优的避障轨迹,控制所述机器人根据所述最优的避障轨迹进行运动。
具体地,可通过判断目标对象位置是否在避障轨迹上来判断避障轨迹是否跟随目标对象位置,或者根据各个避障轨迹跟随目标对象位置的程度选择能够最好实现跟随目标对象位置的避障轨迹为最优的避障轨迹。
本实施例中,在机器人跟随目标对象移动的过程中,可实时获取周围环境信息,周围环境信息可包括机器人周边物体的位置、距离机器人的距离等。根据周围环境信息判断机器人跟随目标对象移动的跟随轨迹上是否存在障碍物,若否,则机器人继续按照跟随轨迹移动;若是,则从机器人的速度取值范围中依次选择速度值。对于选择的一个速度值,根据该速度值和机器人的当前位置坐标预测机器人在未来预设时长内的多个预测位置坐标,将所有预测位置坐标依次连接生成机器人的运动轨迹。确定运动轨迹与障碍物之间的最小距离,保留最小距离大于预设阈值的运动轨迹为避障轨迹,舍弃最小距离小于或等于预设阈值的运动轨迹,直至重新选择速度值生成的避障轨迹的数量达到预设数量,机器人根据避障轨迹进行运动时,能够避免与障碍物发生碰撞。在所有避障轨迹中确定跟随目标对象位置的避障轨迹为最优的避障轨迹,控制机器人按照该最优的避障轨迹进行运动,能够在跟随目标对象位置的同时,避免机器人与障碍物发生碰撞,有效提高了机器人跟随过程中的安全性。
可选地,所述速度值包括线速度和角速度,所述基于预设计算规则,根据所述速度值和所述机器人的当前位置坐标确定所述机器人在预设时长内的多个预测位置坐标包括:
根据选择的所述线速度、所述角速度和所述当前位置坐标,采用第一公式依次递推下一时刻所述机器人的预测位置坐标,获得所述机器人在预设时长内的所述预测位置坐标;所述第一公式包括:
其中,(xt,yt)表示所述机器人在t时刻的所述预测位置坐标,(xt-1,yt-1)表示所述机器人在t-1时刻的当前位置坐标,v表示所述机器人的所述线速度,w表示所述机器人的所述角速度,θt表示t时刻的所述预测位置坐标与上一时刻位置的连线与坐标系x轴之间的夹角,θt+1表示t+1时刻的所述预测位置坐标与上一时刻位置的连线与坐标系x轴之间的夹角,坐标系的原点为机器人圆弧运动对应的圆弧轨迹的圆心,Δt表示预设时间间隔,该预设时间间隔极小。
具体地,基于选择的线速度和角速度,根据t-1时刻当前位置坐标采用第一公式确定t时刻的预测位置坐标,然后根据t时刻的预测位置坐标采用第一公式确定t+1时刻的预测位置坐标,依次递推,获得未来预设时长内多个时刻的预测位置坐标,将各个预测位置坐标依次连接,就可得到机器人的运动轨迹。
可选地,所述周围环境信息包括激光雷达采集的第一点云数据和测距信息,所述根据所述周围环境信息判断跟随轨迹上是否存在障碍物包括:
根据所述第一点云数据将预设距离范围内的所有点聚合成簇,并提取所述簇的数据特征。
具体地,将预设距离范围内的点聚合为一个簇,以表示一个物体。预设距离范围可根据实际情况具体设置,应能够实现将人的两条腿聚合为两个不同的簇,簇的数据特征可包括簇包含的点的数量、簇的长度、簇的宽度等。
将所述数据特征输入训练好的机器学习模型中,确定所述簇是否对应为目标对象。
具体地,机器学习模型可采用随机森林分类器,预先采用不同物体对应的簇的数据特征进行训练,获得训练好的随机森林分类器。将数据特征输入训练好的机器学习模型,确定该簇对应的物体类别,进而判断该簇对应的物体是否为目标对象。
若否,则确定所述簇为障碍物,根据所述测距信息确定所述障碍物的位置,并确定所述障碍物的位置与所述跟随轨迹的最小距离。
具体地,当簇对应的物体不是目标对象时,可认为该簇对应的物体为障碍物,根据激光雷达测得的该障碍物与机器人之间的测距信息确定障碍物的位置,根据障碍物的位置确定障碍物与跟随轨迹上各点之间的距离,进而确定障碍物与跟随轨迹之间的最小距离。
当所述障碍物的位置与所述跟随轨迹的最小距离小于或等于预设距离时,确定所述跟随轨迹上存在所述障碍物。
具体地,当障碍物与跟随轨迹的最小距离小于或等于预设距离时,表示机器人按照跟随轨迹运动时可能会与障碍物相撞,认定此时跟随轨迹上存在障碍物。当障碍物与跟随轨迹的最小距离大于预设距离,表示障碍物不会对机器人的运动造成影响,则不做处理。
可选地,所述从所述机器人的速度取值范围中依次选择速度值包括:
在所述线速度取值范围内按照从大到小的顺序依次选择所述线速度,在所述角速度取值范围内按照从大到小的顺序依次选择所述角速度,其中,线速度的优先级高于所述角速度的优先级。
具体地,机器人采取圆弧运动时,该运动模型有两个参数 为圆弧运动的角速度,为圆弧运动对应的线速度,圆弧运动的半径为由于机器人的自身加速度限制、最大最小速度限制和设备参数限制等,角速度和线速度分别有一个取值范围。选择速度值时,每次选择一个线速度和角速度的组合按照从大到小的顺序选择线速度和角速度,能够减少靠近目标对象的时间,提高机器人跟随效果。
可选地,所述在所有所述避障轨迹中确定跟随目标对象位置的所述避障轨迹为最优的避障轨迹包括:
采用预设的评价函数对各个所述避障轨迹进行评分,根据评分结果确定最优的避障轨迹,其中,所述评分结果与所述避障轨迹和障碍物之间的最小距离正相关,与所述机器人的所述速度值正相关,与避障轨迹终点的航向和所述目标对象之间的夹角负相关。
具体地,采用预设的评价函数对各个避障轨迹进行评分,可从避障轨迹的航向、与障碍物之间的距离和速度三个维度对避障轨迹进行评价,找到最优的避障轨迹。
可选地,所述评价函数采用第二公式表示,所述第二公式包括:
其中,表示所述避障轨迹的评分结果,σ表示归一化处理,表示避障轨迹终点的航向与目标对象之间的夹角,α表示所述夹角的权重,表示所述避障轨迹与所述障碍物之间的最小距离,β表示所述最小距离的权重,表示所述避障轨迹对应的速度值,γ表示所述速度值的权重,该速度值可采用线速度。
具体地,评分结果越大,表示对应的避障轨迹距离障碍物越远,避障轨迹终点的航向和目标对象之间的夹角越小,速度越快,即避障轨迹越优。
本可选的实施例中,从与障碍物之间的距离、与目标对象之间的夹角和速度等多个方面对多个避障轨迹进行评价,选择最优的避障轨迹用以指导机器人跟随目标对象时的运动过程,能够在满足机器人跟随过程中的避障要求的同时,提高机器人跟随效果。
可选地,所述获取周围环境信息之前,包括:
获取激光雷达采集的所述机器人周围的第二点云数据;
根据预设距离范围将所述第二点云数据内的所有点聚合成多个簇,并提取各个所述簇的数据特征。
具体地,预设距离范围可根据实际情况具体设置,应能够实现将人的两条腿聚合为两个不同的簇,簇的数据特征可包括簇包含的点的数量、簇的长度、簇的宽度等。
将各个所述簇的所述数据特征分别输入训练好的机器学习模型中,确定各个所述簇对应的物体类别,根据所述物体类别在所有所述簇中确定所述目标对象。
具体地,机器学习模型可采用随机森林分类器,预先采用不同物体对应的簇的数据特征进行训练,获得训练好的随机森林分类器。将数据特征输入训练好的机器学习模型,确定该簇对应的物体类别。识别出各个簇对应的物体类别后,可计算该识别结果的置信度,置信度范围可为0至100,当置信度低于预设置信度阈值时,表示该识别结果不可信;当置信度高于或等于预设置信度阈值时,表示该识别结果可信,在识别结果可信的所有物体类别中找到目标对象对应的簇。
采用卡尔曼滤波算法和全局最近邻算法生成与所述目标对象对应的所述跟随轨迹,根据所述跟随轨迹控制所述机器人跟随所述目标对象移动。
具体地,当目标对象不止一个时,采用卡尔曼滤波算法和全局最近邻算法分别生成各个目标对象对应的跟随轨迹,然后在多个目标对象中选择跟踪对象,可有机器人操作员手动选择跟踪对象,可也按照预定义的决策标准自动选择跟踪对象,例如选择离机器人最近的人类为跟踪对象。将该跟踪对象作为对象跟踪控制器(OFC)的输入,对象跟踪控制器采用对应的跟随轨迹的最新状态估计值计算目标对象相对于机器人的期望位置的差值(位置误差),可根据差值确定机器人的速度设定值,随着时间的推移,机器人根据跟随轨迹运动减少位置误差,以使机器人跟随目标对象的轨迹运动。
可选地,所述采用卡尔曼滤波算法和全局最近邻算法生成与所述目标对象对应的所述跟随轨迹包括:
根据所述机器人的当前状态,采用卡尔曼滤波算法生成所述机器人未来多个时刻的预测状态。
其中,xk′表示机器人k时刻的估计状态,xk表示机器人k时刻的最终状态,xk-1表示机器人k-1时刻的状态,K′为卡尔曼增益,为传感器高斯分布的均值,Pk′表示更新后的协方差矩阵,Pk表示k时刻的当前协方差矩阵,Rk为传感器高斯分布的协方差,Hk表示当前时刻的机器人的状态与下一时刻机器人的状态之间的转换关系,Hk T表示Hk的转置矩阵。
采用全局最近邻算法(GNN,Global Nearest Neighbor)将所述预测状态与所述机器人的历史轨迹相匹配,生成所述跟随轨迹。
具体地,采用全局最近邻算法能够解决当前测量数据Zk与前一时刻的轨迹Xk-1相匹配的问题,匹配后可以根据Zk和Xk-1产生下一时刻的轨迹Xk。
激光雷达每次扫描单个时刻的周围环境信息,假设第k次扫描周围环境信息之前,已经建立了N条轨迹,第k次的新观测数据为Zj(k),j=1,2,3,…,N。则可定义轨迹i与观测j之间的矢量差为预测值和测量值之间的差,即滤波器残差,可采用如下公式表示:
其中,eij(k)表示第k次扫描轨迹i与观测j之间的矢量差,Zj(k)表示第k次的新观测数据,H为观测矩阵,为状态估计的下一步预测方程,其中A为状态转移矩阵,Xi(k-1|k-1)为上一状态的最优结果。
设S(k)为eij(k)的协方差矩阵,则观测数据Zj(k)与轨迹i之间统计距离的平方为:
dij=eij(k)S(k)-1eij(k)T,
当dij小于一定差值时,认为观测数据Zj(k)与轨迹i成功关联,dij最小时的状态就是当前状态的最优结果。
关联矩阵较大时,二维分配问题可以用Munkre算法或者Burgeois算法求解。
如图2所示,本发明另一实施例提供的一种机器人跟随避障装置,包括:
获取模块,用于机器人跟随目标对象移动的过程中,获取周围环境信息;
判断模块,用于根据所述周围环境信息判断跟随轨迹上是否存在障碍物,若是,则从所述机器人的速度取值范围中依次选择速度值;
处理模块,用于基于预设计算规则,根据所述速度值和所述机器人的当前位置坐标确定所述机器人在预设时长内的多个预测位置坐标,根据所有所述预测位置坐标生成所述机器人的运动轨迹,确定所述运动轨迹与所述障碍物之间的最小距离;
控制模块,用于判断所述最小距离是否大于预设阈值,若否,则返回从所述机器人的速度取值范围中依次选择速度值的步骤;若是,则保留所述运动轨迹为避障轨迹,并返回从所述机器人的速度取值范围中依次选择速度值的步骤,直至所述避障轨迹的数量达到预设数量;在所有所述避障轨迹中确定跟随目标对象位置的所述避障轨迹为最优的避障轨迹,控制所述机器人根据所述最优的避障轨迹进行运动。
本实施例的机器人跟随避障装置用于实现如上所述的机器人跟随避障方法,其相对于现有技术的优势与上述的机器人跟随避障方法相对于现有技术的优势相同,在此不再赘述。
本发明又一实施例提供的一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如第一方面任一项所述的机器人跟随避障方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。在本申请中,所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
虽然本发明公开披露如上,但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种机器人跟随避障方法,其特征在于,包括如下步骤:
机器人跟随目标对象移动的过程中,获取周围环境信息;
根据所述周围环境信息判断跟随轨迹上是否存在障碍物,若是,则从所述机器人的速度取值范围中依次选择速度值;
基于预设计算规则,根据所述速度值和所述机器人的当前位置坐标确定所述机器人在预设时长内的多个预测位置坐标,根据所有所述预测位置坐标生成所述机器人的运动轨迹,确定所述运动轨迹与所述障碍物之间的最小距离;
判断所述最小距离是否大于预设阈值,若否,则返回从所述机器人的速度取值范围中依次选择速度值的步骤;若是,则保留所述运动轨迹为避障轨迹,并返回从所述机器人的速度取值范围中依次选择速度值的步骤,直至所述避障轨迹的数量达到预设数量;
在所有所述避障轨迹中确定跟随目标对象位置的所述避障轨迹为最优的避障轨迹,控制所述机器人根据所述最优的避障轨迹进行运动。
2.根据权利要求1所述的机器人跟随避障方法,其特征在于,所述速度值包括线速度和角速度,所述基于预设计算规则,根据所述速度值和所述机器人的当前位置坐标确定所述机器人在预设时长内的多个预测位置坐标包括:
根据选择的所述线速度、所述角速度和所述当前位置坐标,采用第一公式依次递推下一时刻所述机器人的预测位置坐标,获得所述机器人在预设时长内的所述预测位置坐标;所述第一公式包括:
其中,(xt,yt)表示所述机器人在t时刻的所述预测位置坐标,(xt-1,yt-1)表示所述机器人在t-1时刻的当前位置坐标,v表示所述机器人的所述线速度,w表示所述机器人的所述角速度,θt表示t时刻的所述预测位置坐标与上一时刻位置的连线与坐标系x轴之间的夹角,θt+1表示t+1时刻的所述预测位置坐标与上一时刻位置的连线与坐标系x轴之间的夹角,Δt表示预设时间间隔。
3.根据权利要求1所述的机器人跟随避障方法,其特征在于,所述周围环境信息包括激光雷达采集的第一点云数据和测距信息,所述根据所述周围环境信息判断跟随轨迹上是否存在障碍物包括:
根据所述第一点云数据将预设距离范围内的所有点聚合成簇,并提取所述簇的数据特征;
将所述数据特征输入训练好的机器学习模型中,确定所述簇是否对应为目标对象;
若否,则确定所述簇为障碍物,根据所述测距信息确定所述障碍物的位置,并确定所述障碍物的位置与所述跟随轨迹的最小距离;
当所述障碍物的位置与所述跟随轨迹的最小距离小于或等于预设距离时,确定所述跟随轨迹上存在所述障碍物。
4.根据权利要求1所述的机器人跟随避障方法,其特征在于,所述速度取值范围包括线速度取值范围和角速度取值范围,所述从所述机器人的速度取值范围中依次选择速度值包括:
在所述线速度取值范围内按照从大到小的顺序依次选择所述线速度,在所述角速度取值范围内按照从大到小的顺序依次选择所述角速度,其中,线速度的优先级高于所述角速度的优先级。
5.根据权利要求1至4任一项所述的机器人跟随避障方法,其特征在于,所述在所有所述避障轨迹中确定跟随目标对象位置的所述避障轨迹为最优的避障轨迹包括:
采用预设的评价函数对各个所述避障轨迹进行评分,根据评分结果确定最优的避障轨迹,其中,所述评分结果与所述避障轨迹和障碍物之间的最小距离正相关,与所述机器人的所述速度值正相关,与所述避障轨迹终点的航向和所述目标对象之间的夹角负相关。
7.根据权利要求1至4任一项所述的机器人跟随避障方法,其特征在于,所述获取周围环境信息之前,包括:
获取激光雷达采集的所述机器人周围的第二点云数据;
根据预设距离范围将所述第二点云数据内的所有点聚合成多个簇,并提取各个所述簇的数据特征;
将各个所述簇的所述数据特征分别输入训练好的机器学习模型中,确定各个所述簇对应的物体类别,根据所述物体类别在所有所述簇中确定所述目标对象;
采用卡尔曼滤波算法和全局最近邻算法生成与所述目标对象对应的所述跟随轨迹,根据所述跟随轨迹控制所述机器人跟随所述目标对象移动。
8.根据权利要求7所述的机器人跟随避障方法,其特征在于,所述采用卡尔曼滤波算法和全局最近邻算法生成与所述目标对象对应的所述跟随轨迹包括:
根据所述机器人的当前状态,采用卡尔曼滤波算法生成所述机器人未来多个时刻的预测状态;
采用全局最近邻算法将所述预测状态与所述机器人的历史轨迹相匹配,生成所述跟随轨迹。
9.一种机器人跟随避障装置,其特征在于,包括:
获取模块,用于机器人跟随目标对象移动的过程中,获取周围环境信息;
判断模块,用于根据所述周围环境信息判断跟随轨迹上是否存在障碍物,若是,则从所述机器人的速度取值范围中依次选择速度值;
处理模块,用于基于预设计算规则,根据所述速度值和所述机器人的当前位置坐标确定所述机器人在预设时长内的多个预测位置坐标,根据所有所述预测位置坐标生成所述机器人的运动轨迹,确定所述运动轨迹与所述障碍物之间的最小距离;
控制模块,用于判断所述最小距离是否大于预设阈值,若否,则返回从所述机器人的速度取值范围中依次选择速度值的步骤;若是,则保留所述运动轨迹为避障轨迹,并返回从所述机器人的速度取值范围中依次选择速度值的步骤,直至所述避障轨迹的数量达到预设数量;在所有所述避障轨迹中确定跟随目标对象位置的所述避障轨迹为最优的避障轨迹,控制所述机器人根据所述最优的避障轨迹进行运动。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1至8任一项所述的机器人跟随避障方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211193364.7A CN115509231A (zh) | 2022-09-28 | 2022-09-28 | 一种机器人跟随避障方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211193364.7A CN115509231A (zh) | 2022-09-28 | 2022-09-28 | 一种机器人跟随避障方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115509231A true CN115509231A (zh) | 2022-12-23 |
Family
ID=84508073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211193364.7A Pending CN115509231A (zh) | 2022-09-28 | 2022-09-28 | 一种机器人跟随避障方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115509231A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115877363A (zh) * | 2023-02-28 | 2023-03-31 | 济宁安泰矿山设备制造有限公司 | 一种机器人避障评估方法 |
CN116358562A (zh) * | 2023-05-31 | 2023-06-30 | 氧乐互动(天津)科技有限公司 | 消毒操作轨迹检测方法、装置、设备和存储介质 |
CN116661505A (zh) * | 2023-05-31 | 2023-08-29 | 深圳市普渡科技有限公司 | 机器人、机器人跟随方法、装置和存储介质 |
-
2022
- 2022-09-28 CN CN202211193364.7A patent/CN115509231A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115877363A (zh) * | 2023-02-28 | 2023-03-31 | 济宁安泰矿山设备制造有限公司 | 一种机器人避障评估方法 |
CN116358562A (zh) * | 2023-05-31 | 2023-06-30 | 氧乐互动(天津)科技有限公司 | 消毒操作轨迹检测方法、装置、设备和存储介质 |
CN116358562B (zh) * | 2023-05-31 | 2023-08-01 | 氧乐互动(天津)科技有限公司 | 消毒操作轨迹检测方法、装置、设备和存储介质 |
CN116661505A (zh) * | 2023-05-31 | 2023-08-29 | 深圳市普渡科技有限公司 | 机器人、机器人跟随方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109116867B (zh) | 一种无人机飞行避障方法、装置、电子设备及存储介质 | |
CN115509231A (zh) | 一种机器人跟随避障方法、装置及存储介质 | |
CN109947119B (zh) | 一种基于多传感器融合的移动机器人自主跟随方法 | |
Rummelhard et al. | Conditional monte carlo dense occupancy tracker | |
JP7200371B2 (ja) | 車両速度を決定する方法及び装置 | |
Nègre et al. | Hybrid sampling bayesian occupancy filter | |
CN113483747B (zh) | 基于具有墙角信息的语义地图改进amcl定位方法及机器人 | |
CN112464994B (zh) | 基于PointNet网络的船艇尾浪识别与去除方法 | |
CN112529874A (zh) | 基于三维雷达的障碍物检测方法、装置、介质和机器人 | |
CN110738690A (zh) | 一种基于多目标追踪框架的无人机视频中车速校正方法 | |
Premebida et al. | A multi-target tracking and GMM-classifier for intelligent vehicles | |
CN110568861B (zh) | 一种人机运动障碍物监测方法、可读存储介质和无人机 | |
CN110286389A (zh) | 一种用于障碍物识别的栅格管理方法 | |
CN107610235B (zh) | 一种基于深度学习的移动平台导航方法和装置 | |
Baig et al. | A robust motion detection technique for dynamic environment monitoring: A framework for grid-based monitoring of the dynamic environment | |
CN112711255B (zh) | 移动机器人避障方法、控制设备及存储介质 | |
CN113988196A (zh) | 一种机器人移动方法、装置、设备及存储介质 | |
Lindenmaier et al. | GM-PHD filter based sensor data fusion for automotive frontal perception system | |
CN117474950A (zh) | 基于视觉语义跨模态目标跟踪方法 | |
CN117331071A (zh) | 一种基于毫米波雷达与视觉多模态融合的目标检测方法 | |
JP6438354B2 (ja) | 自己位置推定装置及び自己位置推定装置を備えた移動体 | |
CN113934219B (zh) | 一种机器人自动避障方法、系统、设备及介质 | |
CN112731335B (zh) | 一种基于全区域激光扫描的多无人机协作定位方法 | |
CN115311580A (zh) | 基于图像识别的无人机威胁判定方法及相关设备 | |
CN117226810B (zh) | 一种绳索载重并联机器人及其避障方法、装置、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 |