CN115711624A - 运动代价地图构建方法、装置、无人设备及存储介质 - Google Patents
运动代价地图构建方法、装置、无人设备及存储介质 Download PDFInfo
- Publication number
- CN115711624A CN115711624A CN202211275660.1A CN202211275660A CN115711624A CN 115711624 A CN115711624 A CN 115711624A CN 202211275660 A CN202211275660 A CN 202211275660A CN 115711624 A CN115711624 A CN 115711624A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- point cloud
- cloud data
- determining
- motion
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 230000003068 static effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种运动代价地图构建方法、装置、无人设备及存储介质,该方法包括:在检测到障碍物的情况下,获取所述障碍物在当前时刻下的当前点云数据;基于所述当前点云数据,确定所述障碍物在下一时刻下的预测点云数据;确定无人设备在所述下一时刻下的运动约束条件;根据所述预测点云数据及所述运动约束条件,确定所述无人设备对应的运动代价地图。该方法用以解决现有的地图构建方法使得无人设备最终得到的代价地图无法准确指导无人设备规避动态障碍物的缺陷,实现基于障碍物对应的预测点云数据及无人设备对应的运动约束条件,确定准确性较高且质量较好的运动代价地图,从而能够准确指导该无人设备更好地规避动态障碍物。
Description
技术领域
本发明涉及地图构建技术领域,尤其涉及一种运动代价地图构建方法、装置、无人设备及存储介质。
背景技术
随着无人设备(例如:机器人)的不断发展和进步,该无人设备的应用越来越广泛。无人设备在运动过程中,可以构建所在环境对应的运动地图。
现有的地图构建方法可以包括:无人设备能够利用二维代价地图(CostMap-2D)功能包中的膨胀处理方法,根据静态层和动态层构建的主地图中的障碍栅格代价参数(cost),第一轮以cost为中心向上、下、左、右四个方向传播出四个栅格,第二轮以四个新的栅格为中心向四周进行传播,以此不断迭代直到传播完整的栅格地图,就可以得到该无人设备所在环境对应的代价地图。然而,在上述膨胀处理过程中,容易导致无人设备易“越过”障碍,使得该无人设备最终得到的代价地图不够准确,这样一来,该无人设备在实际应用该代价地图的过程中,就易与障碍物发生碰撞。
发明内容
本发明提供一种运动代价地图构建方法、装置、无人设备及存储介质,用以解决现有的地图构建方法使得无人设备最终得到的代价地图无法准确指导无人设备规避动态障碍物的缺陷,实现基于障碍物对应的预测点云数据及无人设备对应的运动约束条件,确定准确性较高且质量较好的运动代价地图,从而能够准确指导该无人设备更好地规避动态障碍物。
本发明提供一种运动代价地图构建方法,包括:
在检测到障碍物的情况下,获取该障碍物在当前时刻下的当前点云数据;
基于该当前点云数据,确定该障碍物在下一时刻下的预测点云数据;
确定无人设备在该下一时刻下的运动约束条件;
根据该预测点云数据及该运动约束条件,确定该无人设备对应的运动代价地图。
根据本发明提供的一种运动代价地图构建方法,该基于该当前点云数据,确定该障碍物在下一时刻下的预测点云数据,包括:基于该当前点云数据,根据预测模型,确定该障碍物在下一时刻下的预测点云数据,该预测点云数据包括预测位置信息。
根据本发明提供的一种运动代价地图构建方法,该运动约束条件Sr为受到自身模型约束所能达到的最大线速度Vm-max、最小线速度Vm-min、最大模型角速度ωm-max、最小模型角速度ωm-min;受到电机约束所能达到的最大电机速度VE-max、最小电机速度VE-min;以及,受到人为约束所能达到的最大限定速度VP-max、最小限定速度VP-min、最大限定角速度ωP-max、最小限定角速度ωP-min得出的速度空间在一个固定时间Δt内所能达到的采样空间,该固定时间Δt表示该当前时刻与该下一时刻之间的时间间隔。
根据本发明提供的一种运动代价地图构建方法,该根据该预测点云数据及该运动约束条件,确定该无人设备对应的运动代价地图,包括:根据该障碍物对应的代价计算函数,确定该无人设备对应的运动代价地图;该代价计算函数qn表示该障碍物的预测点云数据对应的预测栅格信息; 表示该无人设备的扫描内切圆范围,d(qn)表示该预测栅格信息qn及膨胀栅格信息之间的距离值,ri表示该无人设备的扫描内切圆半径,S表示该无人设备所在环境的环境栅格范围; 表示该无人设备的扫描外接圆范围,rc表示该无人设备的扫描外接圆半径;表示该障碍物对应的膨胀范围,rm表示该障碍物对应的膨胀半径;w表示代价下降权值;表示该无人设备的自由空间范围。
根据本发明提供的一种运动代价地图构建方法,该根据该障碍物对应的代价计算函数,确定该无人设备对应的运动代价地图,包括:获取该无人设备所在环境的环境栅格信息,该环境栅格信息包括多个栅格信息;从该多个栅格信息中,确定该预测点云数据对应的预测栅格信息;基于该代价计算函数,向该预测栅格信息中的多个方向分别进行膨胀处理,得到该无人设备对应的运动代价地图。
根据本发明提供的一种运动代价地图构建方法,在该检测到障碍物之后,该方法还包括:获取该障碍物对应的至少三个激光雷达信息,该至少三个激光雷达信息为时间间隔相同的连续激光雷达信息;确定该至少三个激光雷达信息中每个激光雷达信息分别对应的障碍物速度信息及障碍物位置信息;根据该障碍物速度信息及该障碍物位置信息,确定该障碍物对应的障碍物类型,该障碍物类型为动态障碍物及静态障碍物。
根据本发明提供的一种运动代价地图构建方法,该基于该当前点云数据,确定该障碍物在下一时刻下的预测点云数据,包括:在确定该障碍物类型为该动态障碍物的情况下,基于该当前点云数据,根据预测模型,确定该障碍物在下一时刻下的预测点云数据;在确定该障碍物类型为该静态障碍物的情况下,将该当前点云数据确定为该障碍物在下一时刻下的预测点云数据。
本发明还提供一种运动代价地图构建装置,包括:
获取模块,用于在检测到障碍物的情况下,获取该障碍物在当前时刻下的当前点云数据;
处理模块,用于基于该当前点云数据,确定该障碍物在下一时刻下的预测点云数据;确定无人设备在该下一时刻下的运动约束条件;根据该预测点云数据及该运动约束条件,确定该无人设备对应的运动代价地图。
本发明还提供一种无人设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述运动代价地图构建方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述运动代价地图构建方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述运动代价地图构建方法。
本发明提供的运动代价地图构建方法、装置、无人设备及存储介质,通过在检测到障碍物的情况下,获取所述障碍物在当前时刻下的当前点云数据;基于所述当前点云数据,确定所述障碍物在下一时刻下的预测点云数据;确定无人设备在所述下一时刻下的运动约束条件;根据所述预测点云数据及所述运动约束条件,确定所述无人设备对应的运动代价地图。该方法用以解决现有的地图构建方法使得无人设备最终得到的代价地图无法准确指导无人设备规避动态障碍物的缺陷,实现基于障碍物对应的预测点云数据及无人设备对应的运动约束条件,确定准确性较高且质量较好的运动代价地图,从而能够准确指导该无人设备更好地规避动态障碍物。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的运动代价地图构建方法的流程示意图;
图2是本发明提供的运动约束条件Srobot的示意图;
图3是本发明提供的运动代价地图构建方法的场景示意图;
图4是本发明提供的运动代价地图构建装置的结构示意图;
图5是本发明提供的无人设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
需要说明的是,本发明实施例涉及的无人设备指的是不载人设备。
可选的,无人设备可以包括但不限于:自动控制机器(Robot)(简称:机器人)、无人机、无人车及无人船等。
其中,机器人指的是在计算机编程下能够自动进行一系列复杂动作的机器,可在各种复杂的环境代替人工作;无人机指的是不载人飞机;无人车指的是不载人车辆;无人船指的是不载人船只。
可选的,无人设备上可设有数据采集装置(例如:激光探测装置),该数据采集装置在预设探测范围内,能够采集该无人设备周围物体的点云数据。
其中,预设探测范围指的是以数据采集装置为圆心,以可探测距离为半径构成的探测范围,可选的,该预设探测范围可以是数据采集设备出厂前设置的,也可以是用户自定的,此处不作具体限定;
点云数据是一种三维数据,指的是在三维坐标系统中一组向量的集合,该点云数据据除了可以包括障碍物的位置信息(例如:几何位置)以外,还可以包括该障碍物的颜色信息,但是,由于无人设备只需基于该障碍物的位置信息来构建运动代价地图,所以,本发明实施例涉及的点云数据可以是一个只包括障碍物位置信息的二维数据。
可选的,无人设备周围物体可以包括但不限于:障碍物及非障碍物等。
其中,障碍物指的是阻碍无人设备正常运动的物体;
非障碍物指的是不会阻碍该无人设备正常运动的物体。
可选的,障碍物的数量不限,该障碍物可以是静态障碍物,也可以是动态障碍物,此处不作具体限定。
示例性的,障碍物可以是石头,可以是桌腿,也可以是奔跑的动物等。
需要说明的是,本发明实施例涉及的执行主体可以是运动代价地图构建装置,也可以是无人设备,下面以无人设备为例对本发明实施例进行进一步地说明。
如图1所示,是本发明提供的运动代价地图构建方法的流程示意图,可以包括:
101、在检测到障碍物的情况下,获取障碍物在当前时刻下的当前点云数据。
无人设备在运动时,可先利用激光探测装置,检测该无人设备的周围是否存在障碍物;然后,该无人设备在检测到存在障碍物的情况下,再利用该激光探测装置,获取该障碍物在当前时刻下的当前位置信息,也即,获取该障碍物在当前时刻下的当前点云数据,以便该无人设备基于该当前点云数据,对该障碍物在下一时刻下的点云数据进行准确预测。
其中,下一时刻与上述当前时刻是相邻时刻。
在一些实施例中,无人设备在检测到障碍物之后,该方法还可以包括:无人设备获取障碍物对应的至少三个激光雷达信息;该无人设备确定至少三个激光雷达信息中每个激光雷达信息分别对应的障碍物速度信息及障碍物位置信息;该无人设备根据障碍物速度信息及障碍物位置信息,确定障碍物对应的障碍物类型,障碍物类型为动态障碍物及静态障碍物。
其中,至少三个激光雷达信息为时间间隔相同的连续激光雷达信息;
障碍物速度信息可以包括障碍物的速度数据及加速度数据;
障碍物位置信息指的是该障碍物的二维位置数据。
可选的,各个相邻激光雷达信息之间的时间间隔可以是无人设备出厂前设置的,也可以是用户根据实际情况自定义的,此处不作具体限定。
示例性的,无人设备在检测到障碍物之后,可以获取第一时刻对应的第一激光雷达信息、第二时刻对应的第二激光雷达信息及第三时刻对应的第三激光雷达信息,该第一时刻与该第二时刻相邻,该第二时刻与该第三时刻相邻,该第一时刻与该第二时刻之间的第一时长差值和该第二时刻与该第三时刻之间的第二时长差值相同,也就是说,该第一激光雷达信息、该第二激光雷达信息及该第三激光雷达信息是时间间隔相同的连续激光雷达信息;然后,该无人设备获取该第一激光雷达信息中障碍物对应的第一速度及第一位置、该第二激光雷达信息该障碍物对应的第二速度及第二位置,及该第三激光雷达信息中障碍物对应的第三速度及第三位置;接着,该无人设备判断这三个速度及这三个位置是否发生了变化,如果发生了变化,那么,就确定该障碍物对应的障碍物类型为动态障碍物;反之,则确定该障碍物对应的障碍物类型为静态障碍物。
也就是说,无人设备不仅可以基于静态障碍物,还可以基于动态障碍物,在后续构建相应的运动代价地图。
102、基于当前点云数据,确定障碍物在下一时刻下的预测点云数据。
无人设备在获取到障碍物在当前时刻下的当前点云数据之后,可以基于该当前点云数据,对该障碍物在下一时刻下的位置信息进行准确预测,也就是说,该无人设备可以对该障碍物在下一时刻下的点云数据进行准确预测,得到较为准确的预测点云数据,以便该无人设备在后续可基于该较为准确的预测点云数据,创建准确性高且质量好的运动代价地图。
在一些实施例中,无人设备基于当前点云数据,确定障碍物在下一时刻下的预测点云数据,可以包括:无人设备基于当前点云数据,根据预测模型,确定障碍物在下一时刻下的预测点云数据。
其中,预测点云数据包括预测位置信息;
预测点云模型(简称:预测模型)可以是无人设备基于历史当前点云数据集及历史预测点云数据集进行训练得到的,用于对障碍物对应的当前点云数据进行预测,得到预测点云数据。
无人设备在获取到障碍物在当前时刻下的当前点云数据之后,可以根据该预测模型,对该当前点云数据进行准确预测,得到障碍物在下一时刻下的预测点云数据,该预测点云数据是较为准确的。
在一些实施例中,无人设备基于当前点云数据,确定障碍物在下一时刻下的预测点云数据,包括:无人设备在确定障碍物类型为动态障碍物的情况下,基于当前点云数据,根据预测模型,确定障碍物在下一时刻下的预测点云数据;该无人设备在确定障碍物类型为静态障碍物的情况下,将当前点云数据确定为障碍物在下一时刻下的预测点云数据。
无人设备在检测到障碍物之后,可以判该障碍物的断障碍物类型是动态障碍物还是静态障碍物;在该无人设备确定该障碍物类型为动态障碍物的情况下,说明该障碍物是运动的,即该障碍物对应的点数数据时实时变化的,此时,该无人设备可以基于该障碍物的当前点云数据,根据预测模型,准确确定该障碍物在下一时刻下的预测点云数据,也就是说,该当前点云数据与该预测点云数据是不同的;在该无人设备确定该障碍物类型为静态障碍物的情况下,说明该障碍物是静止的,即该障碍物对应的点云数据是持续不变的,此时,该无人设备就可以直接将当前点云数据确定为该障碍物在下一时刻下的预测点云数据,也就是说,该当前点云数据与该预测点云数据是相同的。
103、确定无人设备在下一时刻下的运动约束条件。
其中,运动约束条件指的是无人设备在运动过程中需要遵守的前提条件。
由于无人设备是运动的,所以,该无人设备需要基于该无人设备实际的运动情况,确定该无人设备在下一时刻下的运动约束条件,以便该无人设备在后续可基于该运动约束条件,创建准确性高且质量好的运动代价地图。
在一些实施例中,运动约束条件Srobot(简称:Sr)为受到自身模型约束所能达到的最大线速度Vm-max、最小线速度Vm-min、最大模型角速度ωm-max、最小模型角速度ωm-min;受到电机约束所能达到的最大电机速度VE-max、最小电机速度VE-min;以及,受到人为约束所能达到的最大限定速度VP-max、最小限定速度VP-min、最大限定角速度ωP-max、最小限定角速度ωP-min得出的速度空间在一个固定时间Δt内所能达到的采样空间,固定时间Δt表示当前时刻与下一时刻之间的时间间隔。
可选的,时间间隔可以是无人设备出厂前设置的,也可以是用户自定义的,也就是说,下一时刻可以是无人设备出厂前设置的,也可以是用户自定义的,此处不作具体限定。
其中,自身运动模型约束的速度采样条件不同,导致无人设备的转向也是有差别的,例如:两轮差分轮和omni全向轮使无人设备能够移动的角度是不同的。
示例性的,如图2所示,是本发明提供的运动约束条件Srobot的示意图。在图2中,运动约束条件Sr中的速度采样空间为
其中,Vmax表示最大速度,Vmin表示最小速度,ωmax表示最大角速度,ωmin表示最小角速度。
需要说明的是,运动约束条件可以减少因膨胀层的栅格扩展数量,增加安全的空闲区域以供无人设备进行路径选择,加大了该无人设备的灵活性。
104、根据预测点云数据及运动约束条件,确定无人设备对应的运动代价地图。
无人设备在获取预测点云数据及运动约束条件之后,可以基于该准确的预测点云数据及运动约束条件,构建该无人设备所在运动环境(简称:所在环境)下对应的运动代价地图,该运动代价地图也是较为准确的。
qn表示障碍物的预测点云数据对应的预测栅格信息; 表示无人设备的扫描内切圆范围,d(qn)表示预测栅格信息qn及膨胀栅格信息之间的距离值,ri表示无人设备的扫描内切圆半径,S表示无人设备所在环境的环境栅格范围;表示无人设备的扫描外接圆范围,rc表示无人设备的扫描外接圆半径; 表示障碍物对应的膨胀范围,rm表示障碍物对应的膨胀半径;w表示代价下降权值;表示无人设备的自由空间范围。
其中,扫描内切圆范围Si、扫描外接圆范围Sc、膨胀范围Sm及自由空间范围Sf为环境栅格范围S的子集。
可选的,自由空间范围Sf为环境栅格范围S。
无人设备在运动过程中,可以先获取所在运动环境对应的环境栅格信息,该环境栅格信息可以包括多个栅格信息,各个栅格信息的边长是相同的;然后,该无人设备从这多个栅格信息中,确定障碍物的预测点云数据所对应的预测栅格信息,并确定该障碍物可能会移动到的栅格,即确定膨胀栅格信息;接着,该无人设备可以确定该障碍物的预测点云数据所对应的预测栅格信息与该膨胀栅格信息之间的距离值d(qn);最后,该无人设备基于该距离值及运动约束条件,可高效且准确地构建该无人设备对应的运动代价地图。
示例性的,如图3所示,是本发明提供的运动代价地图构建方法的场景示意图。在图3中,无人设备使用上述代价计算函数,确定无人设备对应的运动代价地图。
在一些实施例中,无人设备根据障碍物对应的代价计算函数,确定无人设备对应的运动代价地图,可以包括:无人设备获取无人设备所在环境的环境栅格信息,环境栅格信息包括多个栅格信息;该无人设备从多个栅格信息中,确定预测点云数据对应的预测栅格信息;该无人设备基于代价计算函数,向预测栅格信息中的多个方向分别进行膨胀处理,得到无人设备对应的运动代价地图。
无人设备可以基于获取的代价计算函数,对障碍点进行自适应膨胀处理。在整个自适应膨胀处理的过程中,该无人设备可以先确定该障碍物对应预测栅格信息周围的膨胀栅格信息,该膨胀栅格信息位于该预测栅格信息的不同方向;然后,该无人设备确定该预测栅格信息与该各个方向的膨胀栅格信息之间的代价参数,并根据该代价参数,将这四个膨胀栅格信息作为新的预测栅格信息,并获取新的预测栅格信息分别对应的代价参数,直到遍历环境栅格信息中所有的栅格信息;最后,该无人设备基于最后得到的代价参数,完成对代价地图的膨胀处理,以得到质量较高的运动代价地图。
其中,代价参数可以包括:距离值d(qn)。
示例性的,预测栅格信息的方向数量可以为4个,分别为该预测栅格信息的上方、下方、左方及右方。
可选的,无人设备根据预测点云数据及运动约束条件,确定无人设备对应的运动代价地图,可以包括:无人设备确定预测点云数据对应的预测激光数据;该无人设备基于该预设激光数据及运动约束条件,确定无人设备对应的运动代价地图。
由于预测点云数据中存在较多噪点数据,所以,该无人设备可以将该预测点云数据进行去噪,得到准确性较高的预测激光数据;然后,该无人设备再基于该预设激光数据及运动约束条件,可准确确定该无人设备对应的运动代价地图,以有效提高该运动代价地图的质量,且该运动代价地图较为完整,这样一来,该运动代价地图就能够能够准确指导该无人设备更好地规避动态障碍物。
可选的,在步骤104之后,该方法还可以包括:无人设备基于该运动代价地图,对该无人设备的当前位置及目标位置进行路径规划,得到最优路径。
运动代价地图能够更好地指导无人设备在有障碍物的环境中进行流畅地避障,使得该无人设备基于最优路径,能够更为安全、灵活且快速地从当前位置移动至目标位置。
在本发明实施例中,在检测到障碍物的情况下,获取障碍物在当前时刻下的当前点云数据;基于当前点云数据,确定障碍物在下一时刻下的预测点云数据;确定无人设备在下一时刻下的运动约束条件;根据预测点云数据及运动约束条件,确定无人设备对应的运动代价地图。该方法用以解决现有的地图构建方法使得无人设备最终得到的代价地图无法准确指导无人设备规避动态障碍物的缺陷,实现基于障碍物对应的预测点云数据及无人设备对应的运动约束条件,确定准确性较高且质量较好的运动代价地图,从而能够准确指导该无人设备更好地规避动态障碍物。
下面对本发明提供的运动代价地图构建装置进行描述,下文描述的运动代价地图构建装置与上文描述的运动代价地图构建方法可相互对应参照。
如图4所示,是本发明提供的运动代价地图构建装置的结构示意图,可以包括:
获取模块401,用于在检测到障碍物的情况下,获取该障碍物在当前时刻下的当前点云数据;
处理模块402,用于基于该当前点云数据,确定该障碍物在下一时刻下的预测点云数据;确定无人设备在该下一时刻下的运动约束条件;根据该预测点云数据及该运动约束条件,确定该无人设备对应的运动代价地图。
可选的,处理模块402,具体用于基于该当前点云数据,根据预测模型,确定该障碍物在下一时刻下的预测点云数据,该预测点云数据包括预测位置信息。
可选的,该运动约束条件Sr为受到自身模型约束所能达到的最大线速度Vm-max、最小线速度Vm-min、最大模型角速度ωm-max、最小模型角速度ωm-min;受到电机约束所能达到的最大电机速度VE-max、最小电机速度VE-min;以及,受到人为约束所能达到的最大限定速度VP-max、最小限定速度VP-min、最大限定角速度ωP-max、最小限定角速度ωP-min得出的速度空间在一个固定时间Δt内所能达到的采样空间,该固定时间Δt表示该当前时刻与该下一时刻之间的时间间隔。
可选的,处理模块402,具体用于根据该障碍物对应的代价计算函数,确定该无人设备对应的运动代价地图;该代价计算函数qn表示该障碍物的预测点云数据对应的预测栅格信息; 表示该无人设备的扫描内切圆范围,d(qn)表示该预测栅格信息qn及膨胀栅格信息之间的距离值,ri表示该无人设备的扫描内切圆半径,S表示该无人设备所在环境的环境栅格范围; 表示该无人设备的扫描外接圆范围,rc表示该无人设备的扫描外接圆半径;表示该障碍物对应的膨胀范围,rm表示该障碍物对应的膨胀半径;w表示代价下降权值;表示该无人设备的自由空间范围。
可选的,获取模块401,具体用于获取该无人设备所在环境的环境栅格信息,该环境栅格信息包括多个栅格信息;
处理模块402,具体用于从该多个栅格信息中,确定该预测点云数据对应的预测栅格信息;基于该代价计算函数,向该预测栅格信息中的多个方向分别进行膨胀处理,得到该无人设备对应的运动代价地图。
可选的,获取模块401,具体用于获取该障碍物对应的至少三个激光雷达信息,该至少三个激光雷达信息为时间间隔相同的连续激光雷达信息;
处理模块402,具体用于确定该至少三个激光雷达信息中每个激光雷达信息分别对应的障碍物速度信息及障碍物位置信息;根据该障碍物速度信息及该障碍物位置信息,确定该障碍物对应的障碍物类型,该障碍物类型为动态障碍物及静态障碍物。
可选的,处理模块402,具体用于在确定该障碍物类型为该动态障碍物的情况下,基于该当前点云数据,根据预测模型,确定该障碍物在下一时刻下的预测点云数据;在确定该障碍物类型为该静态障碍物的情况下,将该当前点云数据确定为该障碍物在下一时刻下的预测点云数据。
如图5所示,是本发明提供的无人设备的结构示意图,如图5所示,该无人设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行运动代价地图构建方法,该方法包括:在检测到障碍物的情况下,获取该障碍物在当前时刻下的当前点云数据;基于该当前点云数据,确定该障碍物在下一时刻下的预测点云数据;确定无人设备在该下一时刻下的运动约束条件;根据该预测点云数据及该运动约束条件,确定该无人设备对应的运动代价地图。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的运动代价地图构建方法,该方法包括:在检测到障碍物的情况下,获取该障碍物在当前时刻下的当前点云数据;基于该当前点云数据,确定该障碍物在下一时刻下的预测点云数据;确定无人设备在该下一时刻下的运动约束条件;根据该预测点云数据及该运动约束条件,确定该无人设备对应的运动代价地图。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的运动代价地图构建方法,该方法包括:在检测到障碍物的情况下,获取该障碍物在当前时刻下的当前点云数据;基于该当前点云数据,确定该障碍物在下一时刻下的预测点云数据;确定无人设备在该下一时刻下的运动约束条件;根据该预测点云数据及该运动约束条件,确定该无人设备对应的运动代价地图。
以上所描述的装置实施例仅仅是示意性的,其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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种运动代价地图构建方法,其特征在于,包括:
在检测到障碍物的情况下,获取所述障碍物在当前时刻下的当前点云数据;
基于所述当前点云数据,确定所述障碍物在下一时刻下的预测点云数据;
确定无人设备在所述下一时刻下的运动约束条件;
根据所述预测点云数据及所述运动约束条件,确定所述无人设备对应的运动代价地图。
2.根据权利要求1所述的方法,其特征在于,所述基于所述当前点云数据,确定所述障碍物在下一时刻下的预测点云数据,包括:
基于所述当前点云数据,根据预测模型,确定所述障碍物在下一时刻下的预测点云数据,所述预测点云数据包括预测位置信息。
3.根据权利要求1所述的方法,其特征在于,所述运动约束条件Sr为受到自身模型约束所能达到的最大线速度Vm-max、最小线速度Vm-min、最大模型角速度ωm-max、最小模型角速度ωm-min;受到电机约束所能达到的最大电机速度VE-max、最小电机速度VE-min;以及,受到人为约束所能达到的最大限定速度VP-max、最小限定速度VP-min、最大限定角速度ωP-max、最小限定角速度ωP-min得出的速度空间在一个固定时间Δt内所能达到的采样空间,所述固定时间Δt表示所述当前时刻与所述下一时刻之间的时间间隔。
4.根据权利要求1所述的方法,其特征在于,所述根据所述预测点云数据及所述运动约束条件,确定所述无人设备对应的运动代价地图,包括:
根据所述障碍物对应的代价计算函数,确定所述无人设备对应的运动代价地图;
所述代价计算函数
5.根据权利要求4所述的方法,其特征在于,所述根据所述障碍物对应的代价计算函数,确定所述无人设备对应的运动代价地图,包括:
获取所述无人设备所在环境的环境栅格信息,所述环境栅格信息包括多个栅格信息;
从所述多个栅格信息中,确定所述预测点云数据对应的预测栅格信息;
基于所述代价计算函数,向所述预测栅格信息中的多个方向分别进行膨胀处理,得到所述无人设备对应的运动代价地图。
6.根据权利要求1-5中任一项所述的方法,其特征在于,在所述检测到障碍物之后,所述方法还包括:
获取所述障碍物对应的至少三个激光雷达信息,所述至少三个激光雷达信息为时间间隔相同的连续激光雷达信息;
确定所述至少三个激光雷达信息中每个激光雷达信息分别对应的障碍物速度信息及障碍物位置信息;
根据所述障碍物速度信息及所述障碍物位置信息,确定所述障碍物对应的障碍物类型,所述障碍物类型为动态障碍物及静态障碍物。
7.根据权利要求6所述的方法,其特征在于,所述基于所述当前点云数据,确定所述障碍物在下一时刻下的预测点云数据,包括:
在确定所述障碍物类型为所述动态障碍物的情况下,基于所述当前点云数据,根据预测模型,确定所述障碍物在下一时刻下的预测点云数据;
在确定所述障碍物类型为所述静态障碍物的情况下,将所述当前点云数据确定为所述障碍物在下一时刻下的预测点云数据。
8.一种运动代价地图构建装置,其特征在于,包括:
获取模块,用于在检测到障碍物的情况下,获取所述障碍物在当前时刻下的当前点云数据;
处理模块,用于基于所述当前点云数据,确定所述障碍物在下一时刻下的预测点云数据;确定无人设备在所述下一时刻下的运动约束条件;根据所述预测点云数据及所述运动约束条件,确定所述无人设备对应的运动代价地图。
9.一种无人设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述运动代价地图构建方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述运动代价地图构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211275660.1A CN115711624A (zh) | 2022-10-18 | 2022-10-18 | 运动代价地图构建方法、装置、无人设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211275660.1A CN115711624A (zh) | 2022-10-18 | 2022-10-18 | 运动代价地图构建方法、装置、无人设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115711624A true CN115711624A (zh) | 2023-02-24 |
Family
ID=85231186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211275660.1A Pending CN115711624A (zh) | 2022-10-18 | 2022-10-18 | 运动代价地图构建方法、装置、无人设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115711624A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578427A (zh) * | 2017-07-31 | 2018-01-12 | 深圳市易成自动驾驶技术有限公司 | 动态障碍物的检测方法、装置及计算机可读存储介质 |
CN110471441A (zh) * | 2019-08-12 | 2019-11-19 | 南京理工大学 | 一种基于激光探测的四旋翼无人机避障方法 |
CN111426326A (zh) * | 2020-01-17 | 2020-07-17 | 深圳市镭神智能系统有限公司 | 一种导航方法、装置、设备、系统及存储介质 |
CN112066976A (zh) * | 2020-09-07 | 2020-12-11 | 北京信息科技大学 | 一种自适应膨胀处理方法、系统、机器人及存储介质 |
CN113253717A (zh) * | 2021-03-17 | 2021-08-13 | 武汉科技大学 | 一种基于动态障碍物运动信息的室内移动机器人局部路径规划方法 |
WO2021242215A1 (en) * | 2020-05-26 | 2021-12-02 | Edda Technology, Inc. | A robot path planning method with static and dynamic collision avoidance in an uncertain environment |
CN113741438A (zh) * | 2021-08-20 | 2021-12-03 | 上海高仙自动化科技发展有限公司 | 路径规划方法、装置、存储介质、芯片及机器人 |
FR3117208A1 (fr) * | 2020-12-04 | 2022-06-10 | Thales | Procédé et dispositif de génération de trajectoire d'un appareil mobile respectant une contrainte temporelle prédéterminée |
CN114967701A (zh) * | 2022-06-14 | 2022-08-30 | 中国矿业大学 | 一种动态环境下移动机器人自主导航方法 |
-
2022
- 2022-10-18 CN CN202211275660.1A patent/CN115711624A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578427A (zh) * | 2017-07-31 | 2018-01-12 | 深圳市易成自动驾驶技术有限公司 | 动态障碍物的检测方法、装置及计算机可读存储介质 |
CN110471441A (zh) * | 2019-08-12 | 2019-11-19 | 南京理工大学 | 一种基于激光探测的四旋翼无人机避障方法 |
CN111426326A (zh) * | 2020-01-17 | 2020-07-17 | 深圳市镭神智能系统有限公司 | 一种导航方法、装置、设备、系统及存储介质 |
WO2021242215A1 (en) * | 2020-05-26 | 2021-12-02 | Edda Technology, Inc. | A robot path planning method with static and dynamic collision avoidance in an uncertain environment |
CN112066976A (zh) * | 2020-09-07 | 2020-12-11 | 北京信息科技大学 | 一种自适应膨胀处理方法、系统、机器人及存储介质 |
FR3117208A1 (fr) * | 2020-12-04 | 2022-06-10 | Thales | Procédé et dispositif de génération de trajectoire d'un appareil mobile respectant une contrainte temporelle prédéterminée |
CN113253717A (zh) * | 2021-03-17 | 2021-08-13 | 武汉科技大学 | 一种基于动态障碍物运动信息的室内移动机器人局部路径规划方法 |
CN113741438A (zh) * | 2021-08-20 | 2021-12-03 | 上海高仙自动化科技发展有限公司 | 路径规划方法、装置、存储介质、芯片及机器人 |
CN114967701A (zh) * | 2022-06-14 | 2022-08-30 | 中国矿业大学 | 一种动态环境下移动机器人自主导航方法 |
Non-Patent Citations (1)
Title |
---|
谢飞: "动态复杂场景下的自主泊车关键算法研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110850873B (zh) | 无人船路径规划方法、装置、设备和存储介质 | |
US10466058B2 (en) | Navigation for vehicles | |
CN112651990B (zh) | 运动轨迹预测方法及系统、电子设备及可读存储介质 | |
CN111615677A (zh) | 一种无人机的安全降落方法、装置、无人机及介质 | |
CN110705385A (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
CN115509231A (zh) | 一种机器人跟随避障方法、装置及存储介质 | |
CN110275549B (zh) | 一种多智能体自主式跟踪方法、装置及计算机可存储介质 | |
Wang et al. | Research on autonomous planning method based on improved quantum Particle Swarm Optimization for Autonomous Underwater Vehicle | |
CN111673729B (zh) | 路径决定方法 | |
Wang et al. | Path planning for unmanned surface vehicles based on modified artificial fish swarm algorithm with local optimizer | |
CN117406716A (zh) | 一种无人艇避碰控制方法、装置、终端设备及介质 | |
CN115711624A (zh) | 运动代价地图构建方法、装置、无人设备及存储介质 | |
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 | |
CN114609925B (zh) | 水下探索策略模型的训练方法及仿生机器鱼水下探索方法 | |
CN115016510A (zh) | 一种机器人导航避障方法、装置以及存储介质 | |
CN112546630B (zh) | 角色移动方法及装置 | |
Peti et al. | A Search Strategy and Vessel Detection in Maritime Environment Using Fixed-Wing UAVs | |
Sporyshev et al. | Reinforcement learning approach for cooperative AUVs in underwater surveillance operations | |
CN112180343A (zh) | 激光点云数据处理方法、装置、设备及无人驾驶系统 | |
CN114184199B (zh) | 机器人导航的方法、装置、电子设备及存储介质 | |
CN113448338B (zh) | 机器人控制方法、机器人、计算机程序产品和存储介质 | |
CN113885522B (zh) | 水面机器人避障方法、装置、设备及可读存储介质 | |
Putra et al. | Hybrid Autonomous Underwater Glider (HAUG) Obstacle Detection and Avoidance | |
CN113759902B (zh) | 多智能体局部交互路径规划方法、装置、设备及存储介质 | |
CN113534848B (zh) | 一种无人机飞行路径规划方法、装置、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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230224 |