CN115951676A - 一种无标识激光自主导航方法、系统、设备及存储介质 - Google Patents
一种无标识激光自主导航方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115951676A CN115951676A CN202211732893.XA CN202211732893A CN115951676A CN 115951676 A CN115951676 A CN 115951676A CN 202211732893 A CN202211732893 A CN 202211732893A CN 115951676 A CN115951676 A CN 115951676A
- Authority
- CN
- China
- Prior art keywords
- route
- preset
- optimal
- track route
- track
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请涉及导航的领域,尤其是涉及一种无标识激光自主导航方法、系统、设备及存储介质,其中方法包括对轮式机器人行进区域内的障碍物进行激光扫描得到障碍物激光数据,将所述障碍物激光数据加入到预设的定位地图中,生成模型地图;将模型地图、起点定位数据以及终点定位数据输入到预设的轨迹计算模型中得到初级轨迹路线;将所述初级轨迹路线输入到预设的轨迹路线优化模型中得到最优轨迹路线;依据所述最优轨迹路线控制所述轮式机器人的行进过程。本申请具有便于提高工厂运输重型设备或者货物的劳动方式人工智能化水平的效果。
Description
技术领域
本申请涉及导航的领域,尤其是涉及一种无标识激光自主导航方法、系统、设备及存储介质。
背景技术
随着人工智能技术的不断的发展,人工智能技术在工厂中的应用也在不断普及与加深。
在工厂中运输重型设备或者货物时,一般是先将重型设备或者货物先移动到运输车上,然后人工驾驶运输车将重型设备或货物运送到预设的目的地。
在实现本申请的过程中,发现上述技术至少存在以下问题:人工驾驶运输车在工厂中运输重型设备或货物属于机械重复式的劳动,该种运输重型设备或者货物的劳动方式的人工智能化水平有待提高。
发明内容
为了便于提高工厂运输重型设备或者货物的劳动方式的人工智能化水平,本申请提供一种无标识激光自主导航方法、系统、设备及存储介质。
第一方面,本申请提供一种无标识激光自主导航方法,采用如下的技术方案:
一种无标识激光自主导航方法,包括:
对轮式机器人行进区域内的障碍物进行激光扫描得到障碍物激光数据,将所述障碍物激光数据加入到预设的定位地图中,生成模型地图;
将模型地图、起点定位数据以及终点定位数据输入到预设的轨迹计算模型中得到初级轨迹路线;
将所述初级轨迹路线输入到预设的轨迹路线优化模型中得到最优轨迹路线;
依据所述最优轨迹路线控制所述轮式机器人的行进过程。
通过采用上述技术方案,通过计算出最优轨迹路线,然后依据最优轨迹路线控制轮式机器人的行进过程,从而可以控制用于运载重型设备或者货物的轮式机器人在预设起点与终点之间往来运输,从而可将人从机械重复式的劳动中解放出来,如此便于提高工厂运输重型设备或者货物的劳动方式的人工智能化水平。
在一个具体的可实施方案中,所述将模型地图、起点定位数据以及终点定位数据输入到预设的轨迹计算模型中得到初级轨迹路线的步骤包括:
依据所述模型地图、所述起点定位数据以及所述终点定位数据计算出模型地图若干条预设轨迹;
计算所述轮式机器人按照每条所述预设轨迹行进的成本值,影响所述成本值的因素包括但不限于轨迹可行性与轨迹安全性;
按照成本值从小到大的顺序依据模型地图对预设轨迹进行物理限制测试与碰撞测试,直至挑选出所述物理限制测试与所述碰撞测试均合格的预设轨迹,记为初级轨迹路线。
通过采用上述技术方案,便于得到初级轨迹路线。
在一个具体的可实施方案中,所述将所述初级轨迹路线输入到预设的轨迹路线优化模型中得到最优轨迹路线的步骤包括:
依据所述初级轨迹路线以及所述轮式机器人的行进速度设置位移序列,所述位移序列包括位置角度序列与时间序列;
综合所述位移序列与预设的预设因素建立约束函数,依据所述约束函数以及预设的权重建立目标函数;
对目标函数进行约束生成跟随路径与避障约束函数组、速度与加速度约束函数组、运动学约束函数;
综合所述跟随路径与避障约束函数组、所述速度与加速度约束函数组、所述运动学约束函数并求解,得到最优路径点序列;
依据所述最优路径点序列在所述模型地图中建立最优轨迹路线。
通过采用上述技术方案,便于对初级轨迹路线进行优化,从而得到最优轨迹路线。
在一个具体的可实施方案中,所述跟随路径与避障约束函数组包括:跟随路径约束子函数、避障约束子函数;所述速度与加速度约束函数组包括线速度约束子函数、角速度约束子函数、线加速度约束子函数、角加速度约束子函数。
在一个具体的可实施方案中,所述依据所述最优轨迹路线控制所述轮式机器人的行进过程的步骤包括:
依据模型地图对最优轨迹路线进行物理限制测试与碰撞测试,判断所述轮式机器人依据所述最优轨迹路线行进是否均能通过物理限制测试与碰撞测试;
若能,则将所述最优轨迹路线作为最终最优轨迹路线;否则重新执行建立最优轨迹路线的步骤。
通过采用上述技术方案,便于得到可以通物理限制测试与碰撞测试的最终最优轨迹路线。
在一个具体的可实施方案中,所述依据所述最优轨迹路线控制所述轮式机器人的行进过程的步骤还包括:
依据所述最终最优轨迹路线控制所述轮式机器人的行进过程,从而实现所述轮式机器人的无标识激光自主导航。
通过采用上述技术方案,便于依据最终最优轨迹路线控制轮式机器人的行进过程。
第二方面,本申请提供一种无标识激光自主导航系统,采用如下的技术方案:
一种无标识激光自主导航系统,包括:
模型地图生成模块,用于对轮式机器人行进区域内的障碍物进行激光扫描得到障碍物激光数据,将所述障碍物激光数据加入到预设的定位地图中,生成模型地图;
初级轨迹路线获取模块,用于将模型地图、起点定位数据以及终点定位数据输入到预设的轨迹计算模型中得到初级轨迹路线;
最优轨迹路线获取模块,用于将所述初级轨迹路线输入到预设的轨迹路线优化模型中得到最优轨迹路线;
行进控制模块,用于依据所述最优轨迹路线控制所述轮式机器人的行进过程。
通过采用上述技术方案,通过计算出最优轨迹路线,然后依据最优轨迹路线控制轮式机器人的行进过程,从而可以控制用于运载重型设备或者货物的轮式机器人在预设起点与终点之间往来运输,从而可将人从机械重复式的劳动中解放出来,如此便于提高工厂运输重型设备或者货物的劳动方式的人工智能化水平。
第三方面,本申请提供一种计算机设备,采用如下技术方案:包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如上述任意一种无标识激光自主导航方法的计算机程序。
通过采用上述技术方案,通过计算出最优轨迹路线,然后依据最优轨迹路线控制轮式机器人的行进过程,从而可以控制用于运载重型设备或者货物的轮式机器人在预设起点与终点之间往来运输,从而可将人从机械重复式的劳动中解放出来,如此便于提高工厂运输重型设备或者货物的劳动方式的人工智能化水平。
第四方面,本申请提供一种计算机可读存储介质,采用如下技术方案:存储有能够被处理器加载并执行上述任意一种无标识激光自主导航方法的计算机程序。
通过采用上述技术方案,通过计算出最优轨迹路线,然后依据最优轨迹路线控制轮式机器人的行进过程,从而可以控制用于运载重型设备或者货物的轮式机器人在预设起点与终点之间往来运输,从而可将人从机械重复式的劳动中解放出来,如此便于提高工厂运输重型设备或者货物的劳动方式的人工智能化水平。
综上所述,本申请包括以下至少一种有益技术效果:
1.便于提高工厂运输重型设备或者货物的劳动方式的人工智能化水平;
2.便于对初级轨迹路线进行优化,从而得到最优轨迹路线;
3.便于得到可以通物理限制测试与碰撞测试的最终最优轨迹路线。
附图说明
图1是本申请实施例中一种无标识激光自主导航方法的流程示意图。
图2是本申请实施例中一种无标识激光自主导航系统的结构框图。
附图标记说明:100、模型地图生成模块;200、初级轨迹路线获取模块;300、最优轨迹路线获取模块;400、行进控制模块。
具体实施方式
以下结合附图1-2对本申请作进一步详细说明。
实施例1
本申请实施例1公开了一种无标识激光自主导航方法。参照图1,无标识激光自主导航方法包括:
S100、对轮式机器人行进区域内的障碍物进行激光扫描得到障碍物激光数据,将障碍物激光数据加入到预设的定位地图中,生成模型地图。
本实施例中所介绍的轮式机器人应用于工厂车间中,用于进行重型设备或者货物等的运输工作,但本申请中该轮式机器人不仅应用于工厂车间中还可用于其他场景中,比如交通运输等,具体应用场景不做限定,本实施例中仅以工厂车间为例对无标识激光自主导航方法进行说明。
先确定工厂车间中轮式机器人运输重型设备或货物等的运输行进区域,通过搭载在无人机上的激光扫描仪对行进区域地面以上的物体进行扫描,因为行进区域地面以上的物体均有可能对轮式机器人的行进造成障碍,故可将行进区域地面以上的物体成为障碍物;通过对障碍物进行扫描可以得到对应的障碍物激光数据,障碍物激光数据具体为障碍物的模型参数数据,具体包括所处位置范围数据与尺寸数据。
获取行进区域中所有障碍物的模型参数数据后,进一步将所有的模型参数数据加入到预设的定位地图中,从而在定位地图中生成行进区域中所有障碍物的模型,如此可得到对应的模型地图。
S200、将模型地图、起点定位数据以及终点定位数据输入到预设的轨迹计算模型中得到初级轨迹路线。
具体的,S200包括以下子步骤:
S201、依据模型地图、起点定位数据以及终点定位数据计算出模型地图若干条预设轨迹。
在通过S100步骤生成的模型地图中输入起点定位数据与起点定位数据,模型地图可依据起点定位数据与起点定位数据生成尽可能多的预设轨迹,预设轨迹的起点均与起点定位数据对应,终点均与终点定位数据对应;起点定位数据用于反映轮式机器人在工厂车间中运输起点,终点定位数据用于反映轮式机器人在工厂车间中运输终点。
S202、计算轮式机器人按照每条预设轨迹行进的成本值,影响成本值的因素包括但不限于轨迹可行性与轨迹安全性。
得到上述尽可能多的预设轨迹后,根据每条预设轨迹在模型地图中的具体线路确定与每条预设轨迹一一对应的成本值因素,具体的,成本值因素包括轨迹在模型地图中的可行性、安全性、轮式机器人按照预设轨迹运行的运行成本等。
获取每条预设轨迹的成本值因素后,将与每条预设轨迹一一对应的成本值因素加入到预设的成本值计算模型,然后通过成本值计算模型计算与每条预设轨迹一一对应的成本值。
需要说明的是,成本值越低代表轮式机器人越容易从运输起点达到运输终点。
S203、按照成本值从小到大的顺序依据模型地图对预设轨迹进行物理限制测试与碰撞测试,直至挑选出物理限制测试与碰撞测试均合格的预设轨迹,记为初级轨迹路线。
成本值越低的预设轨迹并不一定适合轮式机器人进行行进,成本值越低的预设轨迹中途可能会出现两个障碍物之间的距离不能供轮式机器人通过的情况,或者障碍物会碰撞轮式机器人的情况;为了便于预先甄别轮式机器人在按照预设轨迹行进时是否会出现不能通过两个障碍物之间的情况,或者出现与障碍物碰撞的情况,需要先按照从小到大的顺序排列成本值,以及对应的预设轨迹,然后判断每条预设轨迹在模型地图上是否能通过物理限制测试以及碰撞测试。
物理限制测试,也即测试轮式机器人在按照预设轨迹行进的过程中是否能通过分列于预设轨迹两侧的两个障碍物;碰撞测试,也即测试轮式机器人在按照预设轨迹行进的过程中是否会与靠近预设轨迹的障碍物发生碰撞。
先从成本值最低的预设轨迹进行物理限制测试与碰撞测试,若存在物理限制测试与碰撞测试中的一个测试出现未通过的情况,则将对应的预设轨迹删除,然后继续选取成本值最低的预设轨迹进行物理限制测试与碰撞测试,直至得到物理限制测试与碰撞测试均通过的预设轨迹,记为初级轨迹路线。
S300、将初级轨迹路线输入到预设的轨迹路线优化模型中得到最优轨迹路线。
具体的,S300包括以下子步骤:
S301、依据初级轨迹路线以及轮式机器人的行进速度设置位移序列,位移序列包括位置角度序列与时间序列。
通过S200步骤得到的初级轨迹路线并不一定适合轮式机器人行进,需要进一步对初级轨迹路线进行优化。
在初级轨迹路线上选择若干轨迹点(xi,yi),以及每个轨迹点与切线方向与X轴方向的夹角αi,综合每个轨迹点与每个轨迹点对应的夹角组成对应的位置角度序列P(xi,yi,αi),i=1,2……n。
依据轮式机器人按照初级预设轨迹行进的速度,计算轮式机器人到达每个轨迹点的时间点,然后计算出相邻时间点的时间间隔ΔTi,并按照时序组合成对应的时间序列T(ΔTi),i=1,2……n。
综合位置角度序列P与时间序列T得到对应的位移序列M(xi,yi,αi,ΔTi),i=1,2……n。
S302、综合位移序列与预设的预设因素建立约束函数,依据约束函数以及预设的权重建立目标函数。
需要考虑的预设因素包括初级轨迹路线长度、路线运行时间、与沿途障碍物之间的距离等。
综合S302步骤得到的位移序列M以及上述预设因素可建立出约束函数fi(M),每个fi(M)均有其对应的预设权重Ai;综合每个fi(M)以及对应的预设权重Ai建立目标函数F(M),F(M)=∑Aifi(M)。
S303、对目标函数进行约束生成跟随路径与避障约束函数组、速度与加速度约束函数组、运动学约束函数。
跟随路径与避障约束函数组包括:跟随路径约束子函数、避障约束子函数;速度与加速度约束函数组包括线速度约束子函数、角速度约束子函数。
跟随路径约束子函数为:f1(M)=eΓ(lmin,lmax,ε,S,n);
避障约束子函数为:f2(M)=eΓ(-lmin,-lmax,ε,S,n);
其中,lmin为轨迹点与障碍物之间的最小允许距离,lmax为轨迹点与障碍物之间的最大允许距离,ε表示临界值处的一端小距离,S表示缩放程度,n为fi(M)多项式的阶数。
线速度约束子函数为:f3(M)=eΓ(vi,vmax,ε,S,n);
角速度约束子函数为:f4(M)=eΓ(wi,wmax,ε,S,n);
其中,vi为第i个轨迹点的线速度,vmax轮式机器人在初级轨迹路线上的最大线速度;wi为第i个轨迹点的角速度,wmax轮式机器人在初级轨迹路线上的最大角速度;ε,S,n同上。
需要说明的是,轮式机器人在模型地图中只能做直线运动以及圆弧运动,当时轮式机器人做圆弧运动时,轮式机器人在圆弧轨迹上相邻两点上的运动方向与相邻两点之间的连线夹角相等,据此,可建林对应的运动学约束函数f5(Pi,Pi+1)。
S304、综合跟随路径与避障约束函数组、速度与加速度约束函数组、运动学约束函数并求解,得到最优路径点序列。
综合S303步骤中的f1(M)、f2(M)、f3(M)、f4(M)以及f5(Pi,Pi+1)得到函数组如下:
f1(M)=eΓ(lmin,lmax,ε,S,n);
f2(M)=eΓ(-lmin,-lmax,ε,S,n);
f3(M)=eΓ(vi,vmax,ε,S,n);
f4(M)=eΓ(wi,wmax,ε,S,n);
f5(Pi,Pi+1);
将f1(M)、f2(M)、f3(M)、f4(M)以及f5(Pi,Pi+1)加入到目标函数中并进行求解,得到最优路径点序列Q(xi,yi,αi,ΔTi),i=1,2……n。
S305、依据最优路径点序列在模型地图中建立最优轨迹路线。
将上述最优路径点序列Q(xi,yi,αi,ΔTi)输入到模型地图中,模型地图对相邻的两个最优路径点进行连线处理,从而可生成最优轨迹路线。
S400、依据最优轨迹路线控制轮式机器人的行进过程。
具体的,S400包括以下子步骤:
S401、依据模型地图对最优轨迹路线进行物理限制测试与碰撞测试,判断轮式机器人依据最优轨迹路线行进是否均能通过物理限制测试与碰撞测试。
需要说明的是,通过S305得出的最优轨迹路线因为相较与初级轨迹路线发生了一定的变动,为了便于预先知晓最优轨迹路线是否可以应用于实际,也需要对最优轨迹路线进行通过物理限制测试与碰撞测试。
S402、若能,则将最优轨迹路线作为最终最优轨迹路线;否则重新执行建立最优轨迹路线的步骤。
若最优轨迹路线可以既通过物理限制测试又通过碰撞测试,则说明最优轨迹路线是可以应用于实际的,也即轮式机器机器人在按照最优轨迹路线行进的过程中可以通过分列与路线两侧任一相邻的两个障碍物,并且不会与任何障碍物发生碰撞;此时将最优轨迹路线作为最终最优轨迹路线,并存储。
若最优轨迹路线未通过物理限制测试以及碰撞测试中的任意一项,则说明该最优轨迹路线不可应用于实际,需要从S200步骤重新执行得到最优轨迹路线的各个步骤。
S403、依据最终最优轨迹路线控制轮式机器人的行进过程,从而实现轮式机器人的无标识激光自主导航。
图1为一个实施例中无标识激光自主导航方法的流程示意图。应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行;除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行;并且图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例2
本申请实施例2公开了一种无标识激光自主导航系统,基于实施例中所介绍的一种无标识激光自主导航方法,参照图2,无标识激光自主导航系统包括:
模型地图生成模块100,用于对轮式机器人行进区域内的障碍物进行激光扫描得到障碍物激光数据,将障碍物激光数据加入到预设的定位地图中,生成模型地图。
初级轨迹路线获取模块200,用于将模型地图、起点定位数据以及终点定位数据输入到预设的轨迹计算模型中得到初级轨迹路线。
具体的,初级轨迹路线获取模块200包括以下子单元:
预设轨迹计算单元201,用于依据模型地图、起点定位数据以及终点定位数据计算出模型地图若干条预设轨迹。
成本值计算单元202,用于计算轮式机器人按照每条预设轨迹行进的成本值,影响成本值的因素包括但不限于轨迹可行性与轨迹安全性。
测试单元203,用于按照成本值从小到大的顺序依据模型地图对预设轨迹进行物理限制测试与碰撞测试,直至挑选出物理限制测试与碰撞测试均合格的预设轨迹,记为初级轨迹路线。
最优轨迹路线获取模块300,用于将初级轨迹路线输入到预设的轨迹路线优化模型中得到最优轨迹路线。
具体的,最优轨迹路线获取模块300包括以下子单元:
位移序列设置单元301,用于依据初级轨迹路线以及轮式机器人的行进速度设置位移序列,位移序列包括位置角度序列与时间序列。
目标函数建立单元302,用于综合位移序列与预设的预设因素建立约束函数,依据约束函数以及预设的权重建立目标函数。
约束函数生成单元303,用于对目标函数进行约束生成跟随路径与避障约束函数组、速度与加速度约束函数组、运动学约束函数。
最优路径点序列获取单元304,用于综合跟随路径与避障约束函数组、速度与加速度约束函数组、运动学约束函数并求解,得到最优路径点序列。
最优轨迹路线建立单元305,用于依据最优路径点序列在模型地图中建立最优轨迹路线。
行进控制模块400,用于依据最优轨迹路线控制轮式机器人的行进过程。
具体的,行进控制模块400包括以下子单元:
判断单元401,用于依据模型地图对最优轨迹路线进行物理限制测试与碰撞测试,判断轮式机器人依据最优轨迹路线行进是否均能通过物理限制测试与碰撞测试。
最终路线确认单元402,用于在轮式机器人依据最优轨迹路线行进是否均能通过物理限制测试与碰撞测试时,将最优轨迹路线作为最终最优轨迹路线;否则重新执行建立最优轨迹路线的步骤。
执行单元403,用于依据最终最优轨迹路线控制轮式机器人的行进过程,从而实现轮式机器人的无标识激光自主导航。
实施例3
在本实施例3中公开了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述一种无标识激光自主导航方法的步骤。此处一种无标识激光自主导航方法的步骤可以是上述各个实施例的一种无标识激光自主导航方法中的步骤。
实施例4
在本实施例4中公开了一种计算机可读存储介质,其存储有能够被处理器加载并执行如上述一种无标识激光自主导航方法的计算机程序,该计算机可读存储介质例如包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本公开所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本公开所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本公开所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本公开的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本公开专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开构思的前提下,还可以做出若干变形和改进,这些都属于本公开的保护范围。因此,本公开的保护范围应以所附权利要求为准。
Claims (9)
1.一种无标识激光自主导航方法,其特征在于:包括:
对轮式机器人行进区域内的障碍物进行激光扫描得到障碍物激光数据,将所述障碍物激光数据加入到预设的定位地图中,生成模型地图;
将模型地图、起点定位数据以及终点定位数据输入到预设的轨迹计算模型中得到初级轨迹路线;
将所述初级轨迹路线输入到预设的轨迹路线优化模型中得到最优轨迹路线;
依据所述最优轨迹路线控制所述轮式机器人的行进过程。
2.根据权利要求1所述的无标识激光自主导航方法,其特征在于:所述将模型地图、起点定位数据以及终点定位数据输入到预设的轨迹计算模型中得到初级轨迹路线的步骤包括:
依据所述模型地图、所述起点定位数据以及所述终点定位数据计算出模型地图若干条预设轨迹;
计算所述轮式机器人按照每条所述预设轨迹行进的成本值,影响所述成本值的因素包括但不限于轨迹可行性与轨迹安全性;
按照所述成本值从小到大的顺序依据模型地图对预设轨迹进行物理限制测试与碰撞测试,直至挑选出所述物理限制测试与所述碰撞测试均合格的预设轨迹,记为初级轨迹路线。
3.根据权利要求1所述的无标识激光自主导航方法,其特征在于:所述将所述初级轨迹路线输入到预设的轨迹路线优化模型中得到最优轨迹路线的步骤包括:
依据所述初级轨迹路线以及所述轮式机器人的行进速度设置位移序列,所述位移序列包括位置角度序列与时间序列;
综合所述位移序列与预设的预设因素建立约束函数,依据所述约束函数以及预设的权重建立目标函数;
对所述目标函数进行约束生成跟随路径与避障约束函数组、速度与加速度约束函数组、运动学约束函数;
综合所述跟随路径与避障约束函数组、所述速度与加速度约束函数组、所述运动学约束函数并求解,得到最优路径点序列;
依据所述最优路径点序列在所述模型地图中建立最优轨迹路线。
4.根据权利要求3所述的无标识激光自主导航方法,其特征在于:所述跟随路径与避障约束函数组包括:跟随路径约束子函数、避障约束子函数;所述速度与加速度约束函数组包括线速度约束子函数、角速度约束子函数。
5.根据权利要求3所述的无标识激光自主导航方法,其特征在于:所述依据所述最优轨迹路线控制所述轮式机器人的行进过程的步骤包括:
依据模型地图对最优轨迹路线进行物理限制测试与碰撞测试,判断所述轮式机器人依据所述最优轨迹路线行进是否均能通过物理限制测试与碰撞测试;
若能,则将所述最优轨迹路线作为最终最优轨迹路线;否则重新执行建立最优轨迹路线的步骤。
6.根据权利要求5所述的无标识激光自主导航方法,其特征在于:所述依据所述最优轨迹路线控制所述轮式机器人的行进过程的步骤还包括:
依据所述最终最优轨迹路线控制所述轮式机器人的行进过程,从而实现所述轮式机器人的无标识激光自主导航。
7.一种无标识激光自主导航系统,基于权利要求1中所述的一种无标识激光自主导航方法,其特征在于:包括:
模型地图生成模块(100),用于对轮式机器人行进区域内的障碍物进行激光扫描得到障碍物激光数据,将所述障碍物激光数据加入到预设的定位地图中,生成模型地图;
初级轨迹路线获取模块(200),用于将模型地图、起点定位数据以及终点定位数据输入到预设的轨迹计算模型中得到初级轨迹路线;
最优轨迹路线获取模块(300),用于将所述初级轨迹路线输入到预设的轨迹路线优化模型中得到最优轨迹路线;
行进控制模块(400),用于依据所述最优轨迹路线控制所述轮式机器人的行进过程。
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-6所述的任意一种无标识激光自主导航方法。
9.一种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,使得所述处理器执行如权利要求1-6所述的任意一种无标识激光自主导航方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211732893.XA CN115951676A (zh) | 2022-12-30 | 2022-12-30 | 一种无标识激光自主导航方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211732893.XA CN115951676A (zh) | 2022-12-30 | 2022-12-30 | 一种无标识激光自主导航方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115951676A true CN115951676A (zh) | 2023-04-11 |
Family
ID=87287512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211732893.XA Pending CN115951676A (zh) | 2022-12-30 | 2022-12-30 | 一种无标识激光自主导航方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115951676A (zh) |
-
2022
- 2022-12-30 CN CN202211732893.XA patent/CN115951676A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109724612B (zh) | 一种基于拓扑地图的agv路径规划方法及设备 | |
Lima et al. | Spatial model predictive control for smooth and accurate steering of an autonomous truck | |
Liu et al. | An autonomous path planning method for unmanned aerial vehicle based on a tangent intersection and target guidance strategy | |
Ferguson et al. | A guide to heuristic-based path planning | |
CN110220528A (zh) | 一种基于a星算法的自动驾驶无人车双向动态路径规划方法 | |
CN112633590B (zh) | 一种用于四向穿梭车的智能入库方法及系统 | |
Zhuge et al. | A novel dynamic obstacle avoidance algorithm based on collision time histogram | |
Chen et al. | Fast trajectory planning and robust trajectory tracking for pedestrian avoidance | |
Yang et al. | A novel path planning algorithm for warehouse robots based on a two-dimensional grid model | |
Lin et al. | Sampling-based trajectory repairing for autonomous vehicles | |
CN111830983A (zh) | 动态环境下的多智能体群系统导航与避障方法及装置 | |
Li et al. | Adaptive sampling-based motion planning with a non-conservatively defensive strategy for autonomous driving | |
Bulsara et al. | Obstacle avoidance using model predictive control: An implementation and validation study using scaled vehicles | |
CN115951676A (zh) | 一种无标识激光自主导航方法、系统、设备及存储介质 | |
CN117075613A (zh) | 无人车辆感知及避障方法、系统、计算机设备及存储介质 | |
Yoon et al. | SLPA $^{\ast} $: Shape-Aware Lifelong Planning A $^{\ast} $ for Differential Wheeled Vehicles | |
Tang et al. | A reference path guided rrt* method for the local path planning of UGVS | |
Yu et al. | A memory-greedy policy with guaranteed convergence for accelerating reinforcement learning | |
Moreira | Deep Reinforcement Learning for Automated Parking | |
CN113341957A (zh) | 一种基于痕迹地图A_star算法的多机器人路径规划方法 | |
Kochdumper et al. | Real-time capable decision making for autonomous driving using reachable sets | |
Yoon et al. | Shape-Aware and G 2 Continuous Path Planning Based on Bidirectional Hybrid A∗ for Car-Like Vehicles | |
TWI844336B (zh) | 無駕駛移動載具的節能路徑的規劃方法 | |
Doi et al. | Robust Path Planning against Pose Errors for Mobile Robots in Rough Terrain | |
Saati et al. | An Improved Path Planning Algorithm for Indoor Mobile Robots in Partially-Known Environments |
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 |