CN115576323A - 一种机器人移动路径的控制方法、装置、设备及介质 - Google Patents
一种机器人移动路径的控制方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115576323A CN115576323A CN202211281755.4A CN202211281755A CN115576323A CN 115576323 A CN115576323 A CN 115576323A CN 202211281755 A CN202211281755 A CN 202211281755A CN 115576323 A CN115576323 A CN 115576323A
- Authority
- CN
- China
- Prior art keywords
- path
- robot
- information
- obstacle
- 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
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
- G05D1/0212—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 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
- G05D1/0221—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 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Abstract
本发明提供一种机器人移动路径的控制方法、装置、设备及介质,机器人安装有多个传感器,该方法包括获取环境信息、机器人的初始位置信息和目标位置信息;根据环境信息、初始位置信息和目标位置信息,进行机器人移动路径的初始规划,以生成第一行驶路径信息;控制机器人沿第一行驶路径行驶,并获取多个传感器的测量数据;根据测量数据,判断机器人的移动路径上是否存在障碍物;当移动路径上存在障碍物时,根据测量数据,进行机器人移动路径的局部规划,以生成避障路径信息;以及根据第一行驶路径信息与避障路径信息,生成第二行驶路径信息,并控制机器人沿第二行驶路径行驶。本发明可在动态环境下机器人的移动路径规划中获得最优的安全路径。
Description
技术领域
本发明涉及一种智能机器人技术领域,特别是涉及一种机器人移动路径的控制方法、装置、设备及介质。
背景技术
移动机器人如今已广泛应用于娱乐、医疗、教育和公共安全等多个领域。尤其在公共安全领域对移动检测机器人的需求日益旺盛,特别在远距离高可靠爆炸物检测与识别方面更是需要自主移动机器人的辅助。因此,构建自主移动机器人系统已经成为当今一个热点问题。自主移动机器人系统应该处理三个主要问题:定位导航、视觉识别和路径规划。目前,定位导航和视觉识别系统在服务机器人领域已经取得了很快发展,技术应用相对已经比较成熟,而关于移动机器人的路径规划优化,特别是动态环境下的路径优化问题仍然是目前学界需要克服的一个难点问题。
而在解决上述难点问题时,通常可采用两种类型的算法,即经典算法和人工智能算法。当动态环境变得更大、更复杂时,经典方法有较大概率在局部优化区陷入死循环,而常规人工智能算法则需要通过较多次数迭代,才能获得最短最优路径,规划效率较低。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种机器人移动路径的控制方法、装置、设备及介质,用于解决动态环境下机器人移动路径规划的问题。
为实现上述目的及其他相关目的,本发明提供一种机器人移动路径的控制方法,机器人安装有多个传感器,所述机器人移动路径的控制方法包括:
获取环境信息、所述机器人的初始位置信息和目标位置信息;
根据所述环境信息、所述初始位置信息和所述目标位置信息,进行所述机器人移动路径的初始规划,以生成第一行驶路径信息;
控制所述机器人沿所述第一行驶路径行驶,并获取多个所述传感器的测量数据;
根据所述测量数据,判断所述机器人的移动路径上是否存在障碍物;
当所述移动路径上不存在障碍物时,控制所述机器人继续沿所述第一行驶路径行驶,当所述移动路径上存在障碍物时,根据所述测量数据,进行所述机器人移动路径的局部规划,以生成避障路径信息;以及
根据所述第一行驶路径信息与所述避障路径信息,生成第二行驶路径信息,并控制所述机器人沿所述第二行驶路径行驶。
于本发明的一实施例中,所述根据所述环境信息、所述初始位置信息和所述目标位置信息,进行所述机器人移动路径的初始规划,以生成第一行驶路径信息的步骤,包括:
根据所述环境信息、所述初始位置信息和所述目标位置信息,进行所述机器人移动路径的初始规划,以获取多条规划路径信息;
对多条所述规划路径信息进行局部搜索算法计算,以获取所述第一行驶路径信息。
于本发明的一实施例中,所述根据所述测量数据,进行所述机器人移动路径的局部规划,以生成避障路径信息的步骤,包括:
根据所述测量数据,获取所述移动路径和所述障碍物的预期碰撞路径数据;
对所述预期碰撞路径数据进行局部搜索算法计算,以获取避障路径信息。
于本发明的一实施例中,所述预期碰撞路径数据包括所述机器人沿所述移动路径当前时刻的位置数据、所述移动路径和所述障碍物的预期碰撞位置数据以及所述机器人沿所述移动路径下一时刻的位置数据。
于本发明的一实施例中,所述预期碰撞位置的坐标,满足以下公式:
Xin=Xr+d*cosq
Yin=Yr+d*sinq
其中,Xin和Yin分别是所述预期碰撞位置的X轴坐标和Y轴坐标,Xr和Yr分别是所述机器人的中心位置的X轴坐标和Y轴坐标,d是所述机器人的中心位置与所述障碍物之间的检测距离,q是所述机器人与所述障碍物的连线和所述移动路径所在直线之间形成的夹角。
于本发明的一实施例中,所述传感器的数量为至少八个,多个所述传感器分别按不同预设夹角安装于所述机器人的前部,所述预设夹角为所述传感器的测量方向与所述机器人前进方向之间的夹角。
本发明还提供一种机器人移动路径的控制装置,其特征在于,机器人安装有多个传感器,所述机器人移动路径的控制装置包括:
信息获取模块,用于获取环境信息、所述机器人的初始位置信息和目标位置信息;
全局规划模块,用于根据所述环境信息、所述初始位置信息和所述目标位置信息,进行所述机器人移动路径的初始规划,以生成第一行驶路径信息;
行驶控制模块,用于控制所述机器人沿所述第一行驶路径行驶,并获取多个所述传感器的测量数据;
障碍识别模块,用于根据所述测量数据,判断所述机器人的移动路径上是否存在障碍物;
局部规划模块,用于当所述移动路径上不存在障碍物时,控制所述机器人继续沿所述第一行驶路径行驶,当所述移动路径上存在障碍物时,根据所述测量数据,进行所述机器人移动路径的局部规划,以生成避障路径信息;以及
避障行驶模块,用于根据所述第一行驶路径信息与所述避障路径信息,生成第二行驶路径信息,并控制所述机器人沿所述第二行驶路径行驶。
本发明还提供一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一项所述机器人移动路径的控制方法的步骤。
本发明还提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述机器人移动路径的控制方法的步骤。
如上所述,本发明的一种机器人移动路径的控制方法、装置、设备及介质,可用于解决动态环境下机器人的移动路径规划问题。本发明基于强化学习算法进行路径规划,具有较高的规划效率,可凭借较少的迭代次数获得最优的安全路径。同时,通过传感器对动态环境下的未知障碍物进行测量,执行局部路径规划,进而控制机器人完成避障动作。
附图说明
图1显示为本发明一实施例中远距离动态检测移动机器人的结构示意图。
图2显示为本发明一实施例中机器人移动路径的控制方法的流程示意图。
图3显示为本发明一实施例中蜂群算法在种群阶段的运动类型示意图。
图4显示为本发明一实施例中机器人传感器安装角度示意图。
图5显示为本发明一实施例中不同环境信息进行路径规划的结果示意图。
图6显示为图5中地图7增加动态障碍物后路径规划的过程示意图。
图7显示为图2中步骤S120的一具体实施方式流程示意图。
图8显示为图2中步骤S150的一具体实施方式流程示意图。
图9显示为本发明一实施例中机器人移动路径的控制装置的一结构示意图。
图10显示为适于用来实现本发明实施例的一种计算机设备。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其它优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。还应当理解,本发明实施例中使用的术语是为了描述特定的具体实施方案,而不是为了限制本发明的保护范围。下列实施例中未注明具体条件的试验方法,通常按照常规条件,或者按照各制造商所建议的条件。
请参阅图1至图10。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容所能涵盖的范围内。同时,本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
需要说明的是,当机器人进行远距离爆炸物检测时,根据周围环境的可用信息,路径规划问题可以被划分为全局路径规划问题和局部路径规划问题。在全局路径规划中,环境信息是完全已知,障碍物都是为机器人和算法预先定义。而在局部路径规划中,环境是未知或部分未知。另外,根据环境中障碍物的运动状态,移动检测机器人路径规划问题可以分为静态规划和动态规划。由于远距离移动检测机器人所处动态环境,因此研究移动检测机器人路径的控制方法在公共安全防爆方面是非常必要的。
请参阅图1所示,图1是本发明一实施例中远距离动态检测移动机器人的结构示意图。在一些实施例中,机器人可为两轮差动驱动机器人。机器人安装有X射线源101、线阵探测器102、电控位移台103、工控机箱104以及其它机械件等爆炸物检测装置。机器人可在本发明提供的机器人移动路径的控制方法的加持下自主实现路径规划来执行检测周围环境的任务。
请参阅图2所示,图2是本发明一实施例中机器人移动路径的控制方法的流程示意图,可包括有如下的步骤:
步骤S110、获取环境信息、机器人的初始位置信息和目标位置信息。
在一些实施例中,机器人在进行环境监测前,首先需要获取监测工作的环境信息、机器人的初始位置信息和目标位置信息。其中,环境信息中的障碍物是完全已知的,障碍物可为机器人和算法预先定义。
步骤S120、根据环境信息、初始位置信息和目标位置信息,进行机器人移动路径的初始规划,以生成第一行驶路径信息。
在一些实施例中,首先进行机器人移动路径的初始规划,可根据已知的环境信息、机器人的初始位置和目标位置,获取多条规划路径信息。多条规划路径信息均包含可控制机器人从初始位置移动至目标位置的完整无碰撞可用路径信息。
请参阅图3所示,图3是本发明一实施例中蜂群算法在种群阶段的运动类型示意图,在一些实施例中,可将蜂群算法应用于本发明中,用以生成多条规划路径信息。在蜂群算法中,定义每只蜜蜂可以通过8种运动类型从当前位置移动到下一位置,运动类型可包括左、右、上、下,或按预设步长以45度或-45度的对角移动,8种运动类型可分别满足以下8个运动公式:
Xnew=Xold Ynew=Yold+step (1)
Xnew=Xold+step Ynew=Yold+step (2)
Xnew=Xold+step Ynew=Yold (3)
Xnew=Xold+step Ynew=Yold-step (4)
Xnew=Xold Ynew=Yold-step (5)
Xnew=Xold-step Ynew=Yold-step (6)
Xnew=Xold-step Ynew=Yold (7)
Xnew=Xold-step Ynew=Yold+step (8)
其中,Xold和Yold分别表示机器人当前位置坐标点的X轴坐标和Y轴坐标,Xnew和Ynew分别表示机器人下一位置坐标点的X轴坐标和Y轴坐标,step为预设步长。
根据蜂群算法,蜜蜂从当前位置移动到下一位置的运动类型是通过生成1到8之间的随机整数来确定的,其中每个随机整数对应于一个允许的运动类型。该运动类型可通过上述公式计算出下一位置的坐标点。在本实施例中,上述运动类型需满足:每只蜜蜂不能返回它以前访问过的任何地点;蜜蜂应该呆在地图边界;下一位置的坐标点不在障碍物内;从前一个坐标点到这个坐标点的路径是可用的,即路径不会被任何障碍物打断。
在一些实施例中,上述生成的多条规划路径信息的方法通常是基于随机过程来实现的。因此,在环境数据复杂情况下,蜂群算法可能无法生成规划路径信息,即蜂群算法无法解决路径规划问题。为解决蜂群算法存在的缺陷问题,本发明提供的机器人移动路径的控制方法使用强化学习算法来初始化蜂群群体,使得种群由几只蜜蜂组成,每只蜜蜂代表从起始位置到目标位置的完整可用路径。从而解决包括复杂环境在内的路径规划问题,获得多条规划路径信息。
在一些实施例中,蜂群算法生成规划路径信息需多次迭代运行,为减少使路径规划问题所需的迭代次数,提高做出正确决定的效率,可使用深度学习算法作为蜂群算法的局部搜索函数,搜索多条规划路径信息的最优路径。本实施例中,基于深度学习算法的蜂群算法被称为强化学习算法。使用强化学习算法可在多条规划路径信息中搜索出一条最优路径。最优路径需要根据算法定义,例如,最短路径长度、路径平滑度和最小能量消耗等。可将搜索出的最优路径设置为第一行驶路径。
步骤S130、控制机器人沿第一行驶路径行驶,并获取多个传感器的测量数据。
请参阅图4所示,图4是本发明一实施例中机器人传感器安装角度示意图。在一些实施例中,移动机器人的前部安装有多个传感器,例如,传感器的数量为8个,分别为第一传感器201、第二传感器202、第三传感器203,第四传感器204、第五传感器205、第六传感器206、第七传感器207和第八传感器208。上述8个传感器按照角度 安装于移动检测机器人中线两侧,角度为传感器测量方向与移动检测机器人前进方向的夹角,θ可为180°。控制移动检测机器人沿步骤S120所生成的第一行驶路径行驶,并通过传感器获取机器人移动路径上的测量数据。
步骤S140、根据测量数据,判断机器人的移动路径上是否存在障碍物。
在一些实施例中,动态环境中的障碍物是未知的,根据多个传感器所获取的测量数据,可判断移动检测机器人的移动路径上预设范围内是否存在障碍物。本实施例中,预设范围的大小可根据移动检测机器人的几何尺寸以及运动参数设置,例如,可设置传感器的测量距离为1.5m~2m。当两个相邻的传感器的测量结果表明存在这个障碍物,并且障碍物和移动检测机器人之间的距离小于预设测量距离时,那么则可判定移动检测机器人的移动路径上存在一个障碍物。
步骤S150、当移动路径上不存在障碍物时,控制机器人继续沿第一行驶路径行驶,当移动路径上存在障碍物时,根据测量数据,进行机器人移动路径的局部规划,以生成避障路径信息。
在一些实施例中,当传感器未探测到预设距离内存在障碍物时,则继续控制移动检测机器人沿第一行驶路径行驶。当传感器探测到预设距离内存在障碍物时,则需基于强化学习算法来进行机器人移动路径的局部路径规划。根据传感器所获取的测量数据,生成可以绕过障碍物的避障路径信息。本实施例中,根据传感器所获取的测量数据,可计算出移动机器人预期碰撞路径数据。预期碰撞路径数据可包括机器人沿移动路径当前时刻位置数据、移动路径和障碍物的预期碰撞位置数据以及机器人沿移动路径下一时刻位置数据。其中,当前时刻与下一时刻之间间隔一个预设步长。移动路径和障碍物的预期碰撞位置坐标点,满足以下公式:
Xin=Xr+d*cosq
Yin=Yr+d*sinq
其中,Xin和Yin分别是所述预期碰撞位置的X轴坐标和Y轴坐标,Xr和Yr分别是所述机器人中心位置的X轴坐标和Y轴坐标,d是所述机器人中心位置与障碍物之间的检测距离,可由传感器所获取的测量数据获取。q是所述机器人与所述障碍物的连线和所述移动路径所在直线之间形成的夹角,该夹角角度值可设置为探测障碍物的两个相邻传感器的预设角度平均值。
当机器人探测到一个新障碍物时,可使用基于强化学习算法对预期碰撞路径数据进行局部搜索计算。本实施例中,局部搜索方法中邻域大小应分配为与动态障碍物面积相适应的值。邻域点是在碰撞位置的坐标点邻域范围内产生的。从邻域点以及机器人原始路径上当前点和下一点,可基于强化学习算法来生成最短的避障路径信息,用以使移动检测机器人避开障碍物。
步骤S160、根据第一行驶路径信息与避障路径信息,生成第二行驶路径信息,并控制机器人沿第二行驶路径行驶。
在一些实施例中,根据步骤150所生成的避障路径信息,可对步骤120所生成的第一行驶路径信息进行升级,以生成第二行驶路径信息,并控制移动检测机器人沿第二行驶路径行驶,避开障碍物,最后到达目标位置。
请参阅图5所示,图5是本发明一实施例中不同环境信息进行路径规划的结果示意图。在一示例性的实施例中,图5.1-图5.12分别代表一种环境信息,S表示机器人的初始位置,G表示机器人的目标位置。基于本发明提供的机器人移动路径的控制方法,可根据不同环境信息,生成最优的安全路径。上述最优的安全路径为图中虚线所示。
请参阅表1所示,表1是不同环境信息下蜂群算法和强化学习算法所生成的移动路径平均长度。在一示例性的实施例中,蜂群算法在一些复杂环境信息(如图5中地图5.6-5.12)无法生成规划路径信息。因为这些地图中环境信息复杂,有较多障碍,因此蜂群算法不能很好解决动态复杂环境下的路径优化问题。另一方面,本发明提供的机器人移动路径的控制方法实用强化学习算法,在所有地图上都成功地生成了规划路径信息。更进一步的,即使是在动态复杂环境中,本发明可以对同一环境信息进行多次路径规划,所生成的移动路径的偏差值小,接近于0。显而易见,本发明提供的机器人移动路径的控制方法具有很高的稳定性。
表1:不同环境信息下蜂群算法和强化学习算法所规划的移动路径平均长度
请参阅图6所示,图6是图5中地图7增加动态障碍物后路径规划的过程示意图。在一示例性的实施例中,机器人的第一行驶路径被障碍物阻挡,机器人根据测量数据进行移动路径的局部规划,生成避障路径信息。再对第一行驶路径信息进行升级,以生成第二行驶路径信息,并控制移动检测机器人沿第二行驶路径行驶,避开障碍物,最后到达目标位置。图6显示了机器人避开添加到图5所示地图7中障碍物的完整过程。其中图6.1显示了机器人在静态环境中获得的最佳路径,图6.2和图6.3显示了机器人如何避开障碍物,图6.4显示了平均长度为16.4595m的完整优化路径。
请参阅图7,图7是图2中步骤S120的一具体实施方式流程示意图。步骤S120可包括如下的步骤流程:
步骤S121、根据环境信息、初始位置信息和目标位置信息,进行机器人移动路径的初始规划,以获取多条规划路径信息。
在一些实施例中,首先根据已知的环境信息、机器人的初始位置和目标位置,获取多条规划路径信息。多条规划路径信息均包括可控制机器人从初始位置移动至目标位置的完整无碰撞可用路径信息。在本实施例中,可将蜂群算法应用于本发明中,用以生成多条规划路径信息。生成的多条规划路径信息的方法通常是基于随机过程来实现的。为避免在环境数据复杂情况下,蜂群算法无法生成规划路径信息的情况,本发明通过使用强化学习算法来初始化蜂群群体,使得种群由几只蜜蜂组成,每只蜜蜂代表从起始位置到目标位置的完整可用路径。从而解决包括复杂环境在内的路径规划问题,获得多条规划路径信息。
步骤S122、对多条规划路径信息进行局部搜索算法计算,以获取第一行驶路径信息。
在一些实施例中,使用深度学习算法作为蜂群算法的局部搜索函数,在多条规划路径信息中搜索出一条最优路径,并将搜索出的最优路径设置为第一行驶路径。最优路径需要根据算法定义,例如,最短路径长度、路径平滑度和最小能量消耗等。
请参阅图8,图8是图2中步骤S150的一具体实施方式流程示意图。步骤S150可包括如下的步骤流程:
步骤S151、根据测量数据,获取移动路径和障碍物的预期碰撞路径数据。
在一些实施例中,根据传感器所获取的测量数据,可计算出移动机器人预期碰撞路径数据。预期碰撞路径数据可包括机器人在移动路径中当前位置坐标数据、移动路径和障碍物的预期碰撞位置数据以及机器人在移动路径中下一位置坐标数据。
步骤S152、对预期碰撞路径数据进行局部搜索算法计算,以获取避障路径信息。
在一些实施例中,当机器人探测到一个新障碍物时,可使用基于强化学习算法对预期碰撞路径数据进行局部搜索计算,该预期碰撞路径由三个点组成:机器人在其路径中当前点、原始路径与未知障碍物的交汇点以及机器人原始路径上的下一点。本实施例中,局部搜索方法中邻域大小应分配为与动态障碍物面积相适应的值。邻域点是在碰撞位置的坐标点邻域范围内产生的。从邻域点以及机器人原始路径上当前点和下一点,可基于强化学习算法来生成最短的避障路径信息,用以使移动检测机器人避开障碍物。
如上,本发明提供的机器人移动路径的控制方法,可解决动态环境下机器人的移动路径规划问题。基于强化学习算法进行路径规划,具有较高的规划效率,可凭借较少的迭代次数获得最优的安全路径。同时,通过传感器对动态环境下的未知障碍物进行测量,执行移动路径的局部规划,进而控制机器人完成避障动作。
请参阅图9,图9是本发明一实施例中机器人移动路径的控制装置的一结构示意图,在一些实施例中,机器人移动路径的控制装置可包括信息获取模块301、全局规划模块302、行驶控制模块303、障碍识别模块304、局部规划模块305和避障行驶模块306。各功能模块详细说明如下。
信息获取模块301,用于获取环境信息、机器人的初始位置信息和目标位置信息。
在一些实施例中,机器人在进行环境监测前,首先可使用信息获取模块301获取监测工作的环境信息、机器人的初始位置信息和目标位置信息。其中,环境信息中的障碍物是完全已知的,障碍物可为机器人和算法预先定义。
全局规划模块302,用于根据环境信息、初始位置信息和目标位置信息,进行机器人移动路径的初始规划,以生成第一行驶路径信息。
在一些实施例中,首先进行机器人移动路径的初始规划,全局规划模块302可根据已知的环境信息、机器人的初始位置和目标位置,获取多条规划路径信息。多条规划路径信息均包括可控制机器人从初始位置移动至目标位置的完整无碰撞可用路径信息。同时,为避免在环境数据复杂情况下,蜂群算法无法生成规划路径信息的问题,本发明通过初始化蜂群群体,使得种群由几只蜜蜂组成,每只蜜蜂代表从起始位置到目标位置的完整可用路径。从而解决包括复杂环境在内的路径规划问题,获得多条规划路径信息。
在一具体实施例中,全局规划模块302还可具体用于:
根据环境信息、初始位置信息和目标位置信息,进行机器人移动路径的初始规划,以获取多条规划路径信息;
对多条规划路径信息进行局部搜索算法计算,以获取第一行驶路径信息。
行驶控制模块303,用于控制机器人沿第一行驶路径行驶,获取多个传感器的测量数据。
在一些实施例中,移动机器人的前部安装有多个传感器,行驶控制模块303控制机器人沿所生成的第一行驶路径行驶,并通过传感器获取机器人移动路径上的测量数据。
障碍识别模块304,用于根据测量数据,判断机器人的移动路径上是否存在障碍物。
在一些实施例中,动态环境中的障碍物是未知的,障碍识别模块304可根据多个传感器所获取的测量数据,可判断识别机器人的预设范围内是否存在障碍物。本实施例中,预设范围的大小可根据机器人的几何尺寸以及运动参数设置,例如,可设置传感器的测量距离为1.5m~2m。当两个相邻的传感器的测量结果表明存在这个障碍物,并且障碍物和机器人之间的距离小于预设测量距离时,那么障碍识别模块304可判定机器人的移动路径上存在一个障碍物。
局部规划模块305,用于当移动路径上不存在障碍物时,并控制机器人继续沿第一行驶路径行驶,当移动路径上存在障碍物时,根据测量数据,进行机器人移动路径的局部规划,以生成避障路径信息。
在一些实施例中,当传感器未探测到预设距离内存在障碍物时,局部规划模块305控制机器人继续沿第一行驶路径行驶。当传感器探测到预设距离内存在障碍物时,则需局部规划模块305进行机器人移动路径的局部路径规划,根据传感器所获取的测量数据,生成可以绕过障碍物的避障路径信息。局部规划模块305基于强化学习算法对预期碰撞路径数据进行局部搜索,生成最短的局部子路径,即避障路径信息,用以使移动检测机器人避开障碍物。
在一具体实施例中,局部规划模块305还可具体用于:
根据测量数据,获取移动路径和障碍物的预期碰撞路径数据;
对预期碰撞路径数据进行局部搜索算法计算,以获取避障路径信息。
避障行驶模块306,用于根据第一行驶路径信息与避障路径信息,生成第二行驶路径信息,并控制机器人沿第二行驶路径行驶。
在一些实施例中,根据所生成的避障路径信息,避障行驶模块306可对第一行驶路径信息进行升级,以生成第二行驶路径信息,并控制移动检测机器人沿第二行驶路径行驶,避开障碍物,最后到达目标位置。
请参阅图10,图10示出了适于用来实现本发明实施例的一种计算机设备,该计算机设备400可以是服务端。该计算机设备400包括通过系统总线连接的处理器401、存储器402、网络接口和数据库。其中,该计算机设备400的处理器401用于提供计算和控制能力。该计算机设备400的存储器402包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备400的网络接口用于与外部的客户端通过网络连接通信。该计算机程序被处理器执行时以实现一种机器人移动路径的控制方法的功能或步骤。
在一个实施例中,本发明还提供了一种计算机设备400,包括存储器402、处理器401及存储在存储器上并可在处理器上运行的计算机程序,处理器401执行计算机程序时实现以下步骤:
获取环境信息、机器人的初始位置信息和目标位置信息;
根据环境信息、初始位置信息和目标位置信息,进行机器人移动路径的初始规划,以生成第一行驶路径信息;
控制机器人沿第一行驶路径行驶,并获取多个传感器的测量数据;
根据测量数据,判断机器人的移动路径上是否存在障碍物;
当移动路径上不存在障碍物时,控制机器人继续沿第一行驶路径行驶,当移动路径上存在障碍物时,根据测量数据,进行机器人移动路径的局部规划,以生成避障路径信息;以及
根据第一行驶路径信息与避障路径信息,生成第二行驶路径信息,并控制机器人沿第二行驶路径行驶。
在一个实施例中,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机的处理器执行时,使计算机执行如前的机器人移动路径的控制方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
需要说明的是,上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤,可对应参阅前述方法实施例中的相关描述,为避免重复,这里不再一一描述。
综上,本发明的一种机器人移动路径的控制方法、装置、设备及介质,可用于解决复杂动态环境下机器人的移动路径规划问题。本发明基于强化学习算法进行路径规划,可保证在每次调用局部搜索算法时都能找到最短路径。本发明具有较高的规划效率,可凭借较少的迭代次数获得最优的安全路径,且本发明所生成的规划结果具有很高的稳定性,对同一环境信息进行多次路径规划,所生成的移动路径的偏差值接近于零。同时,本发明通过可传感器对动态环境下的未知障碍物进行测量,执行局部路径规划,进而控制机器人完成避障动作。本发明可应用于如探索火灾和地雷等对人类生命有危险的关键区域,以及在服务区使用机器人作为向导,寻找通往目标点的最短路径,具有很高的实用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种机器人移动路径的控制方法,其特征在于,机器人安装有多个传感器,所述机器人移动路径的控制方法包括:
获取环境信息、所述机器人的初始位置信息和目标位置信息;
根据所述环境信息、所述初始位置信息和所述目标位置信息,进行所述机器人移动路径的初始规划,以生成第一行驶路径信息;
控制所述机器人沿所述第一行驶路径行驶,并获取多个所述传感器的测量数据;
根据所述测量数据,判断所述机器人的移动路径上是否存在障碍物;
当所述移动路径上不存在障碍物时,控制所述机器人继续沿所述第一行驶路径行驶,当所述移动路径上存在障碍物时,根据所述测量数据,进行所述机器人移动路径的局部规划,以生成避障路径信息;以及
根据所述第一行驶路径信息与所述避障路径信息,生成第二行驶路径信息,并控制所述机器人沿所述第二行驶路径行驶。
2.根据权利要求1所述的机器人移动路径的控制方法,其特征在于,所述根据所述环境信息、所述初始位置信息和所述目标位置信息,进行所述机器人移动路径的初始规划,以生成第一行驶路径信息的步骤,包括:
根据所述环境信息、所述初始位置信息和所述目标位置信息,进行所述机器人移动路径的初始规划,以获取多条规划路径信息;
对多条所述规划路径信息进行局部搜索算法计算,以获取所述第一行驶路径信息。
3.根据权利要求1所述的机器人移动路径的控制方法,其特征在于,所述根据所述测量数据,进行所述机器人移动路径的局部规划,以生成避障路径信息的步骤,包括:
根据所述测量数据,获取所述移动路径和所述障碍物的预期碰撞路径数据;
对所述预期碰撞路径数据进行局部搜索算法计算,以获取所述避障路径信息。
4.根据权利要求3所述的机器人移动路径的控制方法,其特征在于,所述预期碰撞路径数据包括所述机器人沿所述移动路径当前时刻的位置数据、所述移动路径和所述障碍物的预期碰撞位置数据以及所述机器人沿所述移动路径下一时刻的位置数据。
5.根据权利要求4所述的机器人移动路径的控制方法,其特征在于,所述预期碰撞位置的坐标,满足以下公式:
Xin=Xr+d*cosq
Yin=Yr+d*sinq
其中,Xin和Yin分别是所述预期碰撞位置的X轴坐标和Y轴坐标,Xr和Yr分别是所述机器人的中心位置的X轴坐标和Y轴坐标,d是所述机器人的中心位置与所述障碍物之间的检测距离,q是所述机器人与所述障碍物的连线和所述移动路径所在直线之间形成的夹角。
6.根据权利要求1所述的机器人移动路径的控制方法,其特征在于,所述传感器的数量为至少八个,多个所述传感器分别按不同预设夹角安装于所述机器人的前部,所述预设夹角为所述传感器的测量方向与所述机器人前进方向之间的夹角。
8.一种机器人移动路径的控制装置,其特征在于,机器人安装有多个传感器,所述机器人移动路径的控制装置包括:
信息获取模块,用于获取环境信息、所述机器人的初始位置信息和目标位置信息;
全局规划模块,用于根据所述环境信息、所述初始位置信息和所述目标位置信息,进行所述机器人移动路径的初始规划,以生成第一行驶路径信息;
行驶控制模块,用于控制所述机器人沿所述第一行驶路径行驶,并获取多个所述传感器的测量数据;
障碍识别模块,用于根据所述测量数据,判断所述机器人的移动路径上是否存在障碍物;
局部规划模块,用于当所述移动路径上不存在障碍物时,控制所述机器人继续沿所述第一行驶路径行驶,当所述移动路径上存在障碍物时,根据所述测量数据,进行所述机器人移动路径的局部规划,以生成避障路径信息;以及
避障行驶模块,用于根据所述第一行驶路径信息与所述避障路径信息,生成第二行驶路径信息,并控制所述机器人沿所述第二行驶路径行驶。
9.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述机器人移动路径的控制方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述机器人移动路径的控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211281755.4A CN115576323A (zh) | 2022-10-19 | 2022-10-19 | 一种机器人移动路径的控制方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211281755.4A CN115576323A (zh) | 2022-10-19 | 2022-10-19 | 一种机器人移动路径的控制方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115576323A true CN115576323A (zh) | 2023-01-06 |
Family
ID=84587736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211281755.4A Pending CN115576323A (zh) | 2022-10-19 | 2022-10-19 | 一种机器人移动路径的控制方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115576323A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116494255A (zh) * | 2023-06-30 | 2023-07-28 | 广州东焊智能装备有限公司 | 一种基于强化学习的空间机械臂路径规划系统 |
-
2022
- 2022-10-19 CN CN202211281755.4A patent/CN115576323A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116494255A (zh) * | 2023-06-30 | 2023-07-28 | 广州东焊智能装备有限公司 | 一种基于强化学习的空间机械臂路径规划系统 |
CN116494255B (zh) * | 2023-06-30 | 2023-08-29 | 广州东焊智能装备有限公司 | 一种基于强化学习的空间机械臂路径规划系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
McGuire et al. | A comparative study of bug algorithms for robot navigation | |
Manikas et al. | Genetic algorithms for autonomous robot navigation | |
Ganeshmurthy et al. | Path planning algorithm for autonomous mobile robot in dynamic environment | |
Burgard et al. | Active mobile robot localization | |
EP1504277B1 (en) | Real-time target tracking of an unpredictable target amid unknown obstacles | |
Sadat et al. | Feature-rich path planning for robust navigation of MAVs with mono-SLAM | |
Yilmaz et al. | Self-adaptive Monte Carlo method for indoor localization of smart AGVs using LIDAR data | |
Ye | Navigating a mobile robot by a traversability field histogram | |
Ge et al. | Boundary following and globally convergent path planning using instant goals | |
JP2016024598A (ja) | 自律移動装置の制御方法 | |
Cho et al. | Map based indoor robot navigation and localization using laser range finder | |
Miller et al. | Optimal planning for target localization and coverage using range sensing | |
Akai et al. | Autonomous navigation based on magnetic and geometric landmarks on environmental structure in real world | |
CN115576323A (zh) | 一种机器人移动路径的控制方法、装置、设备及介质 | |
Miura et al. | Adaptive robot speed control by considering map and motion uncertainty | |
Bis et al. | Velocity occupancy space: Robot navigation and moving obstacle avoidance with sensor uncertainty | |
Lu et al. | An information potential approach for tracking and surveilling multiple moving targets using mobile sensor agents | |
Kwon et al. | A new feature commonly observed from air and ground for outdoor localization with elevation map built by aerial mapping system | |
Heidari et al. | A human-inspired method for point-to-point and path-following navigation of mobile robots | |
Andersson et al. | Symbolic feedback control for navigation | |
Sanchez et al. | Autonomous navigation with deadlock detection and avoidance | |
Karakaya et al. | A bug-based local path planning method for static and dynamic environments | |
Waldy et al. | Design and Implementation System Automatic Guided Vehicle (AGV) Using RFID for Position Information | |
Szczerba et al. | A grid-based approach for finding conditional shortest paths in an unknown environment | |
Priyasad et al. | Point cloud based autonomous area exploration algorithm |
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 |