CN115981313A - 机器人路径规划方法、系统、电子设备及存储介质 - Google Patents
机器人路径规划方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115981313A CN115981313A CN202211586931.5A CN202211586931A CN115981313A CN 115981313 A CN115981313 A CN 115981313A CN 202211586931 A CN202211586931 A CN 202211586931A CN 115981313 A CN115981313 A CN 115981313A
- Authority
- CN
- China
- Prior art keywords
- data
- robot
- target
- path planning
- preset
- 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 79
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000000547 structure data Methods 0.000 claims abstract description 30
- 230000004888 barrier function Effects 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000009977 dual effect Effects 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 6
- 231100000279 safety data Toxicity 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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)
- Manipulator (AREA)
Abstract
本申请实施例提供了一种机器人路径规划方法、系统、电子设备及存储介质，属于机器人路径规划技术领域。该方法包括：通过环境感知模块获取目标机器人的位姿信息为第一位姿数据，并获取目标障碍物的位姿信息为第二位姿数据；同时获取目标机器人的主体结构数据；根据第一位姿数据和主体结构数据构建机器人分布数据，并根据第二位姿数据构建障碍分布数据；根据机器人分布数据和障碍分布数据构建避障约束数据；根据避障约束数据和预设约束数据对目标机器人进行路径规划，得到路径规划数据。本申请实施例能够在构建分布数据时考虑了机器人和障碍物的形状；且路径规划模型的优化问题为凸问题，更易求解且求解耗时少，适用于更多的应用场景。
Description
技术领域
本申请涉及机器人路径规划技术领域，尤其涉及一种机器人路径规划方法、系统、电子设备及存储介质。
背景技术
基于优化的路径规划模型通过将规划问题构造为优化问题进行求解，能够直接求解出机器人路径规划所需的速度或者轨迹。目前，相关技术中，基于优化的路径规划模型的规划问题大多是非凸的，在一些环境下很难求出最优解，且存在耗时长的问题，从而影响在实际中的应用。
发明内容
本申请实施例的主要目的在于提出一种机器人路径规划方法及系统、电子设备及存储介质，旨在改善基于优化的路径规划模型的求解耗时长的问题。
为实现上述目的，本申请实施例的第一方面提出了一种机器人路径规划方法，所述方法包括：
通过预设的环境感知模块获取目标机器人的位姿信息，得到第一位姿数据，并获取目标障碍物的位姿信息，得到第二位姿数据；
获取所述目标机器人的主体结构，得到主体结构数据；
根据所述第一位姿数据和所述主体结构数据构建所述目标机器人的机器人分布数据，并根据所述第二位姿数据构建所述目标障碍物的障碍分布数据；
根据所述机器人分布数据和所述障碍分布数据构建避障约束数据；
根据所述避障约束数据和预设约束数据对所述目标机器人进行路径规划，得到路径规划数据。
在一些实施例，所述根据所述避障约束数据和预设约束数据对所述目标机器人进行路径规划，得到路径规划数据，包括：
获取预设的参考路径数据；
根据所述避障约束数据、所述预设约束数据和所述参考路径数据，得到路径规划模型的优化数据，并基于预设的求解器对所述优化数据进行规划计算，得到路径规划数据。
在一些实施例，所述根据所述避障约束数据、所述预设约束数据和所述参考路径数据，得到路径规划模型的优化数据，并基于预设的求解器对所述优化数据进行规划计算，得到路径规划数据，包括：
利用L1范式调整所述避障约束数据；
对所述避障约束数据进行线性变换处理，得到线性避障约束数据；
根据所述线性避障约束数据、所述预设约束数据和所述参考路径数据进行优化计算，得到优化数据；
对所述优化数据进行不等式计算，得到代理数据；
将所述代理数据输入至所述求解器进行规划计算，得到路径规划数据。
在一些实施例，在根据所述避障约束数据和预设约束数据对所述目标机器人进行路径规划，得到路径规划数据之前，所述方法还包括：
获取所述目标机器人的当前位置和预设的目的地；
根据预设的路径规划算法对所述当前位置和所述目的地进行路径计算，得到所述参考路径数据。
在一些实施例，所述根据所述机器人分布数据和所述障碍分布数据构建避障约束数据，包括：
根据所述机器人分布数据和所述障碍分布数据，构建所述目标机器人和所述目标障碍物之间的最小距离数据；
对所述最小距离数据进行对偶变换处理，得到对偶优化距离数据；
根据所述对偶优化距离数据和预设的安全数据，得到所述避障约束数据。
在一些实施例，所述预设的环境感知模块包括：雷达系统、定位系统；所述通过预设的环境感知模块获取目标机器人的位姿信息，得到第一位姿数据，并获取目标障碍物的位姿信息，得到第二位姿数据，包括：
根据所述定位系统获取所述目标机器人的坐标位置，得到第一坐标信息；
控制所述雷达系统发射激光射线，得到第一雷达射线；
接收经过目标障碍物散射的激光射线，得到第二雷达射线；
将所述第一雷达射线和所述第二雷达射线输入至预设的测距模块计算所述目标机器人和所述目标障碍物之间的距离，得到间隔距离；
控制所述雷达系统按照预设的时间周期对当前环境进行扫描，得到环境点云数据；
将所述第一坐标信息、所述间隔距离和所述环境点云数据输入至预设的定位建图模块进行特征匹配，得到当前环境的占据格栅地图数据；
根据所述占据格栅地图数据得到所述目标机器人的位姿信息，得到第一位姿数据；
根据所述占据格栅地图数据得到所述目标障碍物的位姿信息，得到第二位姿数据。
在一些实施例，在所述根据所述避障约束数据和预设约束数据对所述目标机器人进行路径规划，得到路径规划数据之后，所述方法还包括：
根据所述路径规划数据控制所述目标机器人运动；
获取所述目标机器人在运动中的位置，得到当前位置信息；
根据所述当前位置信息检测所述目标机器人的运动状态，得到当前状态；
若所述当前状态为行进状态，则根据所述路径规划数据更新所述预设约束数据；其中，所述行进状态用于表征所述目标机器人未到达预设的目的地。
为实现上述目的，本申请实施例的第二方面提出了一种机器人路径规划系统，所述系统包括：
环境感知模块，用于通过预设的环境感知模块获取目标机器人的位姿信息，得到第一位姿数据，并获取目标障碍物的位姿信息，得到第二位姿数据；
结构数据构建模块，用于获取所述目标机器人的主体结构，得到主体结构数据；
分布数据构建模块，用于根据所述第一位姿数据和所述主体结构数据构建所述目标机器人的机器人分布数据，并根据所述第二位姿数据构建所述目标障碍物的障碍分布数据；
避障约束构建模块，用于根据所述机器人分布数据和所述障碍分布数据构建避障约束数据；
路径规划模块，用于根据所述避障约束数据和预设约束数据对所述目标机器人进行路径规划，得到路径规划数据。
为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。
本申请提出的机器人路径规划方法、系统、电子设备及存储介质，其通过预设的环境感知模块获取目标机器人的位姿信息，得到第一位姿数据，并获取目标障碍物的位姿信息，得到第二位姿数据；同时，获取目标机器人的主体结构，得到主体结构数据；根据第一位姿数据和主体结构数据构建目标机器人的机器人分布数据，并根据第二位姿数据构建目标障碍物的障碍分布数据；根据机器人分布数据和障碍分布数据构建避障约束数据；根据避障约束数据和预设约束数据对目标机器人进行路径规划，得到路径规划数据。该方法通过获取目标机器人和目标障碍物的位姿数据，并根据目标机器人的位姿数据和机器人的主体结构数据构建机器人分布数据，根据目标障碍物的位姿数据构建障碍分布数据，考虑了机器人和障碍物的形状；并且根据约束数据构建的路径规划模型的优化问题为凸的，更容易求得最优解，改善了求解耗时长的问题，更易于在实际场景中应用。
附图说明
图1是本申请实施例提供的机器人路径规划方法的流程图；
图2是图1中的步骤S101的流程图；
图3是图1中的步骤S104的流程图；
图4是图1中的步骤S105的流程图；
图5是图4中的步骤S402的流程图；
图6是本申请另一实施例提供的场景示意图；
图7是本申请一实施例机器人路径规划方法得到的效果示意图；
图8是本申请另一实施例机器人路径规划方法得到的效果示意图；
图9是本申请另一实施例提供的机器人路径规划方法的流程图；
图10是本申请另一实施例提供的机器人路径规划方法的流程图；
图11是本申请另一实施例提供的机器人路径规划方法的功能架构图；
图12是本申请另一实施例提供的机器人路径规划方法的部署图；
图13是本申请实施例提供的机器人路径规划系统的结构示意图；
图14是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
位姿，是描述某个对象在指定坐标系下的位置和姿态。机器人常用位姿来描述其在空间坐标系中的位置与姿态位置。
约束，在数学中，约束是一个问题的最优解需要符合的条件。约束可分为等式约束及不等式约束。符合所有约束的解的集合称为可行集或是候选解。
凸集，是指集合内组成的任意点的连线上的点依然在集合中。
求解器，用于实现在可行解中找到最优解的信息化工具。
对偶变换，对偶变换的核心思想是将不易直接求解的原始问题转换为其对偶问题来求解，两个问题虽然形式不同，但是有相同的解。例如，对于求解最小值的问题min(a)，可以转换为求解最大值的问题max(c)，c是a的最小值，即有约束a＞c。这样最小值的问题可以转化为其对偶的最大值问题。
模型预测控制算法(Model Predictive Control，MPC)，MPC是一个经典的控制算法，目前多用于自动驾驶等控制算法中，能够将各种动力学和运动学作为约束数据考虑进去。MPC主要思路在于根据当前的动力学模型来预测一定时间内的机器人的运动状态和轨迹，然后在考虑进约束的情况下，优化不同预测时刻的控制来控制机器人在这段时间的轨迹从而保证每个时间区块的最优解。
机器人的自主导航需要在复杂的环境中找到理想的轨迹使得机器人能够达到目的地同时避免碰撞环境中的障碍物。基于优化的路径规划方法是常用的规划方法之一，通过松弛各种约束条件转为惩罚函数施加到目标函数中，调节不同惩罚函数的权重来调节不同的避障效果。基于优化的路径规划模型通过将规划问题构造为优化问题进行求解，能够直接求解出机器人路径规划所需的速度或者轨迹。
目前，相关技术中，基于优化的路径规划模型的规划问题大多是非凸的，在一些环境下很难求出最优解，且存在耗时长的问题，从而影响在实际中的应用。另外，目前多数方法都是将机器人或者障碍物当作质点模型或者圆形来处理，并没有考虑到多维度的形状，这样限制了方法在一些特殊环境中的应用。
基于此，本申请实施例提供了一种机器人路径规划方法及系统、电子设备及存储介质，旨在改善基于优化的路径规划模型的求解耗时长的问题。
图1是本申请实施例提供的机器人路径规划方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S105。
步骤S101，通过预设的环境感知模块获取目标机器人的位姿信息，得到第一位姿数据，并获取目标障碍物的位姿信息，得到第二位姿数据；
步骤S102，获取目标机器人的主体结构，得到主体结构数据；
步骤S103，根据第一位姿数据和主体结构数据构建目标机器人的机器人分布数据，并根据第二位姿数据构建目标障碍物的障碍分布数据；
步骤S104，根据机器人分布数据和障碍分布数据构建避障约束数据；
步骤S105，根据避障约束数据和预设约束数据对目标机器人进行路径规划，得到路径规划数据。
本申请实施例所示意的步骤S101至步骤S105，通过目标机器人上预设的环境感知模块获取目标机器人的位姿信息，得到第一位姿数据，并获取目标障碍物的位姿信息，得到第二位姿数据；同时，获取目标机器人的主体结构，得到主体结构数据，该主体结构数据表征目标机器人的形状参数；根据第一位姿数据和主体结构数据构建目标机器人的机器人分布数据，并根据第二位姿数据构建目标障碍物的障碍分布数据；根据机器人分布数据和障碍分布数据构建避障约束数据；根据避障约束数据和预设约束数据对目标机器人进行路径规划，得到路径规划数据。该方法通过获取目标机器人和目标障碍物的位姿数据，并根据目标机器人的位姿数据和机器人的主体结构数据构建机器人分布数据，根据目标障碍物的位姿数据构建障碍分布数据，充分考虑了机器人和障碍物的形状，更便于应用在更多的机器人模型中；并且根据约束数据构建的路径规划模型的优化问题为凸的，更容易求得最优解，改善了求解优化问题耗时长的问题，更易于在实际场景中应用。
需要说明的是，目标机器人的机器人模型可以为阿克曼模型、自行车模型、全向轮模型、差速轮模型，也可以是无人飞行器模型，在本实施例中不对其作限制。
在一些实施例的步骤S101中，预设的环境感知模块包括：雷达系统、定位系统，还可以包括相机，红外传感器等。相机一方面也可以估计深度信息来补充雷达测距的不足，例如有部分信息会因为材料反射问题无法被雷达检测；另一方面相机提供的图像信息更为丰富，可以获取更多的语义信息，例如路口的红绿灯识别，行人的分类等。通过相机的使用，是的本申请的机器人路径规划算法可以应用于更多的场景，如智能汽车的导航功能、无人公交车的自动驾驶、无人机集群的导航等场景。
请参阅图2，在一些实施例中，步骤S101可以包括但不限于包括步骤S201至步骤S208：
步骤S201，根据定位系统获取目标机器人的坐标位置，得到第一坐标信息；
步骤S202，控制雷达系统发射激光射线，得到第一雷达射线；
步骤S203，接收经过目标障碍物散射的激光射线，得到第二雷达射线；
步骤S204，将第一雷达射线和第二雷达射线输入至预设的测距模块计算目标机器人和目标障碍物之间的距离，得到间隔距离；
步骤S205，控制雷达系统按照预设的时间周期对当前环境进行扫描，得到环境点云数据；
步骤S206，将第一坐标信息、间隔距离和环境点云数据输入至预设的定位建图模块进行特征匹配，得到当前环境的占据格栅地图数据；
步骤S207，根据占据格栅地图数据得到目标机器人的位姿信息，得到第一位姿数据；
步骤S208，根据占据格栅地图数据得到目标障碍物的位姿信息，得到第二位姿数据。
本申请实施例所示意的步骤S201至步骤S208，通过根据定位系统获取目标机器人的坐标位置，得到第一坐标信息；控制雷达系统发射激光射线，得到第一雷达射线；并接收经过目标障碍物散射的激光射线，得到第二雷达射线；将第一雷达射线和第二雷达射线输入至预设的测距模块计算目标机器人和目标障碍物之间的距离，得到间隔距离。同时，控制雷达系统按照预设的时间周期对当前环境进行扫描，得到环境点云数据；最后，将第一坐标信息、间隔距离和环境点云数据输入至预设的定位建图模块进行特征匹配，得到当前环境的占据格栅地图数据，根据占据格栅地图数据得到目标机器人的位姿信息，得到第一位姿数据；根据占据格栅地图数据得到目标障碍物的位姿信息，得到第二位姿数据。该方法通过采用目标机器人上预设的环境感知模块采集当前环境的信息，包括当前环境的点云数据、与障碍物的距离数据以及机器人的坐标位置，根据上述信息，构建当前环境的占据栅格地图，基于此，可以在占据栅格地图中获取目标机器人的位姿信息以及目标障碍物的位置和形状，能够充分地考虑目标机器人和目标障碍物的形状，更能够应用于更多类型的机器人模型和更多的使用场景。
在一些实施例的步骤S201中，该定位系统为UWB定位系统。
需要说明的是，当雷达系统发射激光射线，激光射线经过目标障碍物后会进行散射，只会有一部分激光射线会被雷达系统接收到，雷达系统这是根据这一部分经过散射后得到的激光射线，采用雷达系统自带的测距模块进行计算距离，得到目标机器人和目标障碍物之间的距离。
需要说明的是，预设的测距模块为雷达系统自带的，该测距模块可以采用时差法(Time of flight，TOF)测距原理，也可以采用三角法测距算法，在本实施例中不对其作限制。
在一些实施例的步骤S206中，预设的定位建图模块采用了实时定位建图算法(Simultaneous Localization And Mapping，SLAM)，根据采集得到的目标机器人第一坐标信息、与目标障碍物的间隔距离以及点云数据构建当前环境的占据栅格地图。
需要说明的是，定位建图模块还可以采取SLAM算法中的包括但不限于Gmapping、Cartographyer、ORB-SLAM等算法，在本实施例中不对其作限制。
在一些实施例的步骤S102中，需要说明的是，该主体结构数据用于表征目标机器人的形状，便于在后续步骤中构建目标机器人的机器人分布数据。
在一些实施例的步骤S103中，目标机器人的机器人分布数据和障碍物分布数据为凸集，构造为凸集能够将目标机器人和环境中的障碍物都考虑进优化方程中，并且能够更快速的求解。对于较为复杂的障碍物，可以看作是几个凸集的集合；而机器人模型这是可以进行直接构建凸集。具体地，目标机器人为全维度模型，相较于质点模型在使用场景上更丰富，并且可以更精准的避开障碍物。
在具体的场景中，机器人的位置是不断变化的，不同时刻的机器人分布数据都需要根据当前的位姿进行计算的。具体地，对于机器人分布数据的够构建，首先，根据目标机器人的主体结构数据构建出目标机器人初始的凸集，然后根据目标机器人的当前位姿进行转换，采用旋转矩阵和平移矩阵进行转换。旋转矩阵是由机器人的朝向决定，而平移矩阵由机器人的位置决定。
机器人分布数据可以用广义不等式的概念来表达为一个线性不等式，如公式(1)所示：
O1＝{x1|A1x1≤k1b1} (1)
其中，矩阵A1和b1是由目标机器人的形状尺寸决定。k1代表的是凸椎体(convexcone)。其中，≤k1是指的在凸锥体上的广义不等式；与目标机器人的形状有关，若目标机器人为多边形，则k1是实数集，若目标机器人为圆形，则k1是规范锥体(norm cone)。
障碍分布数据可以用广义不等式的概念来表达为一个线性不等式，如公式(2)所示：
O2＝{x2|A2x2≤k2b2} (2)
其中，矩阵A2和b2是由目标障碍物的形状尺寸决定。k2代表的是凸椎体(convexcone)。其中，≤k2是指的在凸锥体上的广义不等式；与目标障碍物的形状有关，若目标障碍物为多边形，则k2是实数集，若目标障碍物为圆形，则k2是规范锥体(norm cone)。
请参阅图3，在一些实施例中，步骤S104可以包括但不限于包括步骤S301至步骤S303：
步骤S301，根据机器人分布数据和障碍分布数据，构建目标机器人和目标障碍物之间的最小距离数据；
步骤S302，对最小距离数据进行对偶变换处理，得到对偶优化距离数据；
步骤S303，根据对偶优化距离数据和预设的安全数据，得到避障约束数据。
本申请实施例所示意的步骤S301至步骤S303，通过根据机器人分布数据和障碍分布数据，构建目标机器人和目标障碍物之间的最小距离数据；并对最小距离数据进行对偶变换处理，得到对偶优化距离数据；根据对偶优化距离数据和预设的安全数据，得到避障约束数据。该方法得到的避障约束数据是基于凸集的机器人分布数据和障碍分布数据进行构建的，能够保证目标机器人和目标障碍物之间的最小距离大于预设的安全阈值，保证了目标机器人在根据路径规划结果进行运动时不会与障碍物发生碰撞。
需要说明的是，避障约束数据是机器人路径规划方法的核心约束。
在一些实施例的步骤S301中，该方法得到的避障约束数据是基于凸集的机器人分布数据和障碍分布数据进行构建的，目标机器人和目标障碍物之间的最小距离为两者的欧式距离，可以通过一个优化方程，如公式(3)、(4)来表示：
minz，o||R(st)z+p(st)-o||2 (3)
其中，z是目标机器人的初始凸集，通过旋转矩阵R和转移矩阵p的转换，R(st)z+p(st)表示目标机器人的机器人分布数据，o是目标障碍物的障碍物分布数据，kr为目标机器人在实数集k上的表示，ko为目标障碍物在实数集k上的表示。D，G，b，h均为广义不等式中的系数矩阵，G，h对应为公式(1)中的A1和b1，用于表示目标机器人的尺寸范围约束；D，b对应为公式(2)中的A2和b2，用于表示目标障碍物的尺寸范围约束。
采用求解器CVXPY对该优化方程进行求解，可以得到最小距离。其中，CVXPY是一种方便用户以数学形式定义凸优化模型并求解的工具。
需要说明的是，不论目标机器人和目标障碍物的形状如何，均可以用该优化方程进行表示，仅需对参数ko和kr进行相应的修改。
在一些实施例的步骤S302中，由于最小距离数据是非凸的，不平滑和不可微的，因此很难进行求解。为了使最小距离数据变为凸的，平滑和可微的，对最小距离数据进行了对偶变换，将其转换为凸的、连续的、最大值优化的问题，得到对偶优化距离数据，更易于求解。
为了保证避障，该对偶优化距离数据要大于一个安全数据dsafe，得到避障约束数据，该避障约束数据可以记为公式(5)：
dist(Zt(st)，O)≥dsafe (5)
请参阅图4，在一些实施例中，步骤S105可以包括但不限于包括步骤S401至步骤S402：
步骤S401，获取预设的参考路径数据；
步骤S402，根据避障约束数据、预设约束数据和参考路径数据，得到路径规划模型的优化数据，并基于预设的求解器对优化数据进行规划计算，得到路径规划数据。
本申请实施例所示意的步骤S401至步骤S402，通过获取预设的参考路径数据；并根据避障约束数据、预设约束数据和参考路径数据，得到路径规划模型的优化数据，并基于预设的求解器对优化数据进行规划计算，得到路径规划数据。该方法根据避障约束数据、预设约束数据和参考路径数据共同构建路径规划模型，得到优化数据，并采用求解器求解，得到路径规划数据，为目标机器人的运动提供了指导。
需要说明的是，预设的参考路径数据是用于控制目标机器人在按照预设的参考路径数据进行行驶的过程中，遇到障碍物时进行避障。
请参阅图5，在一些实施例中，步骤S402可以包括但不限于包括步骤S501至步骤S505：
步骤S501，利用L1范式调整避障约束数据；
步骤S502，对避障约束数据进行线性变换处理，得到线性避障约束数据；
步骤S503，根据线性避障约束数据、预设约束数据和参考路径数据进行优化计算，得到优化数据；
步骤S504，对优化数据进行不等式计算，得到代理数据；
步骤S505，将代理数据输入至求解器进行规划计算，得到路径规划数据。
本申请实施例所示意的步骤S501至步骤S505，通过利用L1范式调整避障约束数据；对避障约束数据进行线性变换处理，得到线性避障约束数据；根据线性避障约束数据、预设约束数据和参考路径数据进行优化计算，得到优化数据；对优化数据进行不等式计算，得到代理数据；将代理数据输入至求解器进行规划计算，得到路径规划数据。通过对避障约束数据进行相应的处理，并与预设约束数据以及参考路径数据进行结合，构建路径规划模型，得到优化数据，通过求解优化数据既可以得到路径规划数据，实现了对目标机器人的路径规划。
在一些实施例的步骤S501中，利用L1范式稀疏性动态调整避障约束数据中的安全数据dsafe；具体地，将dsafe转化为cost的形式，这样能够使得dsafe更具有适应性，对于稀疏的环境，dsafe倾向较大值；对于复杂的环境，dsafe倾向于较小值，通过动态地调整安全数据dsafe，能够提高求解的成功率。
在一些实施例的步骤S502中，用惩罚函数将避障约束数据进行线性变换处理，从而使得避障约束数据变为线性的约束，得到线性避障约束数据；线性的约束数据更易于求解，同时也更方便进行转换。另外，还可以采用惩罚函数对预设约束数据进行线性变换处理。
在一些实施例的步骤S503中，优化数据为求和形式，根据避障约束数据、预设约束数据和参考路径数据构建路径规划模型，得到路径规划模型的优化数据，用于使得目标机器人在运动过程中能够避开障碍物的同时，尽可能的靠近参考轨迹。
需要说明的是，该优化数据为路径规划模型的代价函数经过优化后得到的优化问题。
需要说明的是，预设约束数据包括但不限于速度约束数据、加速度约束数据和动力学约束数据。
速度约束数据，用于将目标机器人在运动过程中的速度限制在预设的速度阈值之内，该速度阈值是根据目标机器人的机器人模型得到的，速度约束数据如公式(6)所示：
其中，vt为目标机器人在时刻t时的速度，vmin为目标机器人的最小速度约束数据，vmax为目标机器人的最大速度约束数据。
加速度约束数据，用于将目标机器人在运动过程中的加速度限制在预设的加速度阈值之内，该加速度阈值是根据目标机器人的机器人模型得到的，加速度约束数据如公式(7)所示：
其中，at为目标机器人在时刻t时的加速度，amin为目标机器人的最小加速度约束数据，amax为目标机器人的最大加速度约束数据。
动力学约束数据，根据目标机器人的机器人模型的具体参数构建的，用于保证目标机器人的基本行驶。
在一些实施例中，请参阅图6，目标机器人的机器人模型为阿克曼模型，阿克曼模型不能横向移动，轨迹只有直线和弧线的组合，弧线的半径取决于小车的最小转弯半径。转弯半径是小车的前后轮中心距离及最大转向角决定的。阿克曼模型的控制命令主要有线性速度和转向角，具体地，动力学约束数据如公式(8)所示：
其中，st和st+1是目标机器人不同时刻的运行状态，e为阿克曼模型的线速度，
为阿克曼模型的朝向角，α为阿克曼模型的转向角，L为阿克曼模型的前后轮距。动力学约束数据保证了规划轨迹的平滑与可行性。
根据避障约束数据、速度约束数据、加速度约束数据、动力学约束数据和参考路径数据构建机器人路径规划模型，得到机器人路径规划模型的优化数据，该优化数据如公式(9)-(13)所示：
具体地，优化数据中的C0{(st，vt)}的具体公式如公式(14)所示：
其中，优化数据包括四种约束数据，由上至下分别为动力学约束数据、速度约束数据、加速度约束数据和避障约束数据。st为目标机器人在t时刻的运行状态，vt为目标机器人在t时刻的速度变量，
为参考的运行状态，
为参考的速度，根据参考路径数据得到；
表征当前目标机器人的运行状态与参考的运行状态之间的差值，
表征当前目标机器人的速度与参考的速度之间的差值；P和Q为权重矩阵，用于调整目标机器人根据参考的运行状态
和参考的速度
进行运动的权重，当权重矩阵P和Q越大时，目标机器人会更倾向于按照参考路径数据进行运动。At，Bt和ct为线性化矩阵，由对动力学约束数据进行线性变换处理后得到。该优化数据代表了目标机器人的运行状态和控制变量与参考值之间的差，优化的方向就是尽量使差异变小。
需要说明的是，权重矩阵P和Q是根据实际应用场景进行设定的。
需要说明的是，预设约束数据均经过线性变换处理，使得所有约束数据均为线性的，线性的约束数据更易于求解，同时也更方便进行转换。
在一些实施例中，路径规划模型是基于模型预测控制算法实现的，至少包括五个部分，分别为避障约束数据、速度约束数据、加速度约束数据、动力学约束数据和优化数据，最终求得的最优结果为这段时间内的最优控制命令及预测的最优轨迹，并且根据求得的最优结果控制目标机器人进行运动。
在一些实施例的步骤S504中，对优化数据采用不等式法计算优化数据的上界值，得到代理数据，代理数据的作用即是用另一种数据形式代替原数据，方便求解。通过不等式计算可以使得路径规划模型最终构造的优化数据为凸的，即路径规划模型的优化问题为凸的，更容易求得最优解，并且求解耗时更短，适用于更多的应用场景。
需要说明的是，在一些实施例的步骤S505中，求解器为内点法求解器，是一种求解线性规划或非线性凸优化问题的算法。
请参阅图7和图8，图7和图8均为机器人路径规划方法得到的效果示意图；从图7和图8中可以得知，目标机器人会根据预设的参考路径数据进行运动，在运动的过程中，通过环境感知模块实时采集目标机器人和目标障碍物的位姿数据，构建避障约束数据，并结合其他的预设约束数据进行路径规划，最终得到的路径规划数据，得到规划路径轨迹，能够指导车辆在运动时躲避障碍物，实现自主的路径规划。
请参阅图9，在一些实施例，步骤S105之前，机器人路径规划方法可以包括但不限于包括步骤S601至步骤S602：
步骤S601，获取目标机器人的当前位置和预设的目的地；
步骤S602，根据预设的路径规划算法对当前位置和目的地进行路径计算，得到参考路径数据。
在一些实施例，步骤S601可以在步骤S105之前的任一步骤进行，本申请实施例不做限定。
本申请实施例所示意的步骤S601至步骤S602，通过先获取机器人的点前位姿和预设的目的地，并根据预设的路径规划算法对当前位置和目的地进行路径计算，得到参考路径数据，该参考路径数据用于构建路径规划模型的优化数据，使得最终求得的路径规划数据尽可能趋近参考路径数据。
请参阅图10，在一些实施例中，步骤S105之后，机器人路径规划方法可以包括但不限于包括步骤S701至步骤S704：
步骤S701，根据路径规划数据控制目标机器人运动；
步骤S702，获取目标机器人在运动中的位置，得到当前位置信息；
步骤S703，根据当前位置信息检测目标机器人的运动状态，得到当前状态；
步骤S704，若当前状态为行进状态，则根据路径规划数据更新预设约束数据；其中，行进状态用于表征目标机器人未到达预设的目的地。
本申请实施例所示意的步骤S701至步骤S704，通过根据路径规划数据控制目标机器人运动，获取目标机器人在运动中的位置，得到当前位置信息；根据当前位置信息检测目标机器人的运动状态，得到当前状态；若当前状态为用于表征目标机器人未到达预设的目的地的行进状态，则根据路径规划数据更新预设约束数据。该方法判断目标机器人未到达目的地，通过将已得到的路径规划数据作为预设约束数据的初始值，用作于下一个时间段的路径规划模型的初始值，实现了路径规划模型的热启动，改善了模型求解耗时长的问题。
需要说明的是，路径规划数据至少包括运行状态和速度，运行状态用于控制目标机器人的运动轨迹，速度用于控制目标机器人的运动快慢。
在一些实施例的步骤S704中，路径规划模型采用了热启动的方式，将路径规划数据中的求解结果作为下一个时间段的路径规划模型的预设约束数据的初始值，具体地，例如，将速度作为速度约束数据的初始值。由于每个时间段目标机器人的运动幅度较小，所以每次求得的解相差不大，采用热启动的方式可以有效地节约求解时间，缩短求解耗时。
在一实施例中，请参阅图11，图11为机器人路径规划方法的功能架构图，其中包括：环境感知模块、路径规划模型和求解器。具体地，环境感知模块包括了雷达系统、相机、定位系统，通过采集当前环境的数据构建占据格栅地图，并结合目标机器人的主体结构数据得到机器人分布数据和障碍物分布数据。将机器人分布数据和障碍物分布数据输入进路径规划模型中构建避障约束数据，并结合速度约束数据、加速度约束数据和动力学约束数据一同构建路径规划模型的优化数据，通过求解器进行求解后可以得到路径规划数据，用于指导目标机器人的运动路线和速度，实现路径规划的效果，能够适用于更多的应用场景。
在一实施例中，请参见图12，图12为机器人路径规划方法的部署图，应用于汽车的路径规划，其中，ROS为机器人操作系统(Robot Operating System，ROS)，能够实现车辆操作系统和路径规划算法之间的点对点数据通信。具体地，当车辆在运动过程中，车辆操作系统会获取观测的信息，和从地图服务器获取地图信息，然后通过环境感知模块得到了车辆的位姿信息和障碍物的位姿信息；构建避障约束数据，对避障约束数据进行优化处理，并结合已初始化的预设约束数据，构建路径优化模型的优化数据，最后采用求解器求解优化数据，得到路径规划结果。将该路径规划结果输入至车辆操作系统中的运动控制模块，控制车辆按照路径规划结果进行运动，同时将路径规划结果作为初始值对预设约束数据进行初始化，从而减少下一次求解的时间，改善了求解耗时长的问题，更易于在实际车辆路径规划场景中应用。
请参阅图13，本申请实施例还提供一种机器人路径规划系统，可以实现上述机器人路径规划方法，该装置包括：
环境感知模块801，用于通过预设的环境感知模块获取目标机器人的位姿信息，得到第一位姿数据，并获取目标障碍物的位姿信息，得到第二位姿数据；
结构数据构建模块802，用于获取目标机器人的主体结构，得到主体结构数据；
分布数据构建模块803，用于根据第一位姿数据和主体结构数据构建目标机器人的机器人分布数据，并根据第二位姿数据构建目标障碍物的障碍分布数据；
避障约束构建模块804，用于根据机器人分布数据和障碍分布数据构建避障约束数据；
路径规划模块805，用于根据避障约束数据和预设约束数据对目标机器人进行路径规划，得到路径规划数据。
在一些实施例的环境感知模块801，该环境感知模块801包括：
定位模块，用于根据定位系统获取目标机器人的坐标位置，得到第一坐标信息；
测距模块，用于控制雷达系统发射激光射线，得到第一雷达射线；接收经过目标障碍物散射的激光射线，得到第二雷达射线；将第一雷达射线和第二雷达射线输入至预设的测距模块计算目标机器人和目标障碍物之间的距离，得到间隔距离；
点云扫描模块，用于控制雷达系统按照预设的时间周期对当前环境进行扫描，得到环境点云数据；
地图生成模块，用于将第一坐标信息、间隔距离和环境点云数据输入至预设的定位建图模块进行特征匹配，得到当前环境的占据格栅地图数据；
位姿数据获取模块，用于根据占据格栅地图数据得到目标机器人的位姿信息，得到第一位姿数据；还用于根据占据格栅地图数据得到目标障碍物的位姿信息，得到第二位姿数据。
在一些实施例的避障约束构建模块804，该避障约束构建模块804包括：
最小距离模块，用于根据机器人分布数据和障碍分布数据，构建目标机器人和目标障碍物之间的最小距离数据；
对偶处理模块，用于对最小距离数据进行对偶变换处理，得到对偶优化距离数据；
避障约束获取模块，用于根据对偶优化距离数据和预设的安全数据，得到避障约束数据。
在一些实施例的路径规划模块805，该路径规划模块805包括：
参考路径获取模块，用于获取预设的参考路径数据；
路径规划求解模块，用于根据避障约束数据、预设约束数据和参考路径数据，得到路径规划模型的优化数据，并基于预设的求解器对优化数据进行规划计算，得到路径规划数据。
在一些实施例的路径规划求解模块，该路径规划求解模块包括：
调整模块，用于利用L1范式调整避障约束数据；
线性变换模块，用于对避障约束数据进行线性变换处理，得到线性避障约束数据；
优化处理模块，用于根据线性避障约束数据、预设约束数据和参考路径数据进行优化计算，得到优化数据；
代理模块，用于对优化数据进行不等式计算，得到代理数据；
求解模块，用于将代理数据输入至求解器进行规划计算，得到路径规划数据。
在一些实施例中，该机器人路径规划系统还包括：
参考路径规划模块，用于获取目标机器人的当前位置和预设的目的地；和根据预设的路径规划算法对当前位置和目的地进行路径计算，得到参考路径数据。
循环模块，用于根据路径规划数据控制目标机器人运动；获取目标机器人在运动中的位置，得到当前位置信息；根据当前位置信息检测目标机器人的运动状态，得到当前状态；若当前状态为行进状态，则根据路径规划数据更新预设约束数据；
该机器人路径规划系统的具体实施方式与上述机器人路径规划方法的具体实施例基本相同，在此不再赘述。
本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述机器人路径规划方法，该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
请参阅图14，图14示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificlntegratedCircuit，ASlC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的机器人路径规划方法；
输入/输出接口903，用于实现信息输入及输出；
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述机器人路径规划方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例提供的机器人路径规划方法、系统、电子设备及存储介质，其通过预设的环境感知模块获取目标机器人的位姿信息，得到第一位姿数据，并获取目标障碍物的位姿信息，得到第二位姿数据；同时，获取目标机器人的主体结构，得到主体结构数据；根据第一位姿数据和主体结构数据构建目标机器人的机器人分布数据，并根据第二位姿数据构建目标障碍物的障碍分布数据；根据机器人分布数据和障碍分布数据构建避障约束数据；根据避障约束数据和预设约束数据对目标机器人进行路径规划，得到路径规划数据。该方法通过获取目标机器人和目标障碍物的位姿数据，并根据目标机器人的位姿数据和机器人的主体结构数据构建机器人分布数据，根据目标障碍物的位姿数据构建障碍分布数据，考虑了机器人和障碍物的形状；并且根据约束数据构建的路径规划模型的优化问题为凸的，更容易求得最优解，改善了求解耗时长的问题，更易于在实际场景中应用。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1-5，9，10中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中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，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可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上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实施例方案的目的。
另外，在本申请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。
集成的单元如果以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，本申请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全部或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，包括多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)执行本申请各个实施例的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，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。
Claims (10)
1.一种机器人路径规划方法，其特征在于，所述方法包括：
通过预设的环境感知模块获取目标机器人的位姿信息，得到第一位姿数据，并获取目标障碍物的位姿信息，得到第二位姿数据；
获取所述目标机器人的主体结构，得到主体结构数据；
根据所述第一位姿数据和所述主体结构数据构建所述目标机器人的机器人分布数据，并根据所述第二位姿数据构建所述目标障碍物的障碍分布数据；
根据所述机器人分布数据和所述障碍分布数据构建避障约束数据；
根据所述避障约束数据和预设约束数据对所述目标机器人进行路径规划，得到路径规划数据。
2.根据权利要求1所述的方法，其特征在于，所述根据所述避障约束数据和预设约束数据对所述目标机器人进行路径规划，得到路径规划数据，包括：
获取预设的参考路径数据；
根据所述避障约束数据、所述预设约束数据和所述参考路径数据，得到路径规划模型的优化数据，并基于预设的求解器对所述优化数据进行规划计算，得到路径规划数据。
3.根据权利要求2所述的方法，其特征在于，所述根据所述避障约束数据、所述预设约束数据和所述参考路径数据，得到路径规划模型的优化数据，并基于预设的求解器对所述优化数据进行规划计算，得到路径规划数据，包括：
利用L1范式调整所述避障约束数据；
对所述避障约束数据进行线性变换处理，得到线性避障约束数据；
根据所述线性避障约束数据、所述预设约束数据和所述参考路径数据进行优化计算，得到优化数据；
对所述优化数据进行不等式计算，得到代理数据；
将所述代理数据输入至所述求解器进行规划计算，得到路径规划数据。
4.根据权利要求2所述的方法，其特征在于，在根据所述避障约束数据和预设约束数据对所述目标机器人进行路径规划，得到路径规划数据之前，所述方法还包括：
获取所述目标机器人的当前位置和预设的目的地；
根据预设的路径规划算法对所述当前位置和所述目的地进行路径计算，得到所述参考路径数据。
5.根据权利要求1所述的方法，其特征在于，所述根据所述机器人分布数据和所述障碍分布数据构建避障约束数据，包括：
根据所述机器人分布数据和所述障碍分布数据，构建所述目标机器人和所述目标障碍物之间的最小距离数据；
对所述最小距离数据进行对偶变换处理，得到对偶优化距离数据；
根据所述对偶优化距离数据和预设的安全数据，得到所述避障约束数据。
6.根据权利要求1所述的方法，其特征在于，所述预设的环境感知模块包括：雷达系统、定位系统；所述通过预设的环境感知模块获取目标机器人的位姿信息，得到第一位姿数据，并获取目标障碍物的位姿信息，得到第二位姿数据，包括：
根据所述定位系统获取所述目标机器人的坐标位置，得到第一坐标信息；
控制所述雷达系统发射激光射线，得到第一雷达射线；
接收经过目标障碍物散射的激光射线，得到第二雷达射线；
将所述第一雷达射线和所述第二雷达射线输入至预设的测距模块计算所述目标机器人和所述目标障碍物之间的距离，得到间隔距离；
控制所述雷达系统按照预设的时间周期对当前环境进行扫描，得到环境点云数据；
将所述第一坐标信息、所述间隔距离和所述环境点云数据输入至预设的定位建图模块进行特征匹配，得到当前环境的占据格栅地图数据；
根据所述占据格栅地图数据得到所述目标机器人的位姿信息，得到第一位姿数据；
根据所述占据格栅地图数据得到所述目标障碍物的位姿信息，得到第二位姿数据。
7.根据权利要求1-6任一项所述的方法，其特征在于，在所述根据所述避障约束数据和预设约束数据对所述目标机器人进行路径规划，得到路径规划数据之后，所述方法还包括：
根据所述路径规划数据控制所述目标机器人运动；
获取所述目标机器人在运动中的位置，得到当前位置信息；
根据所述当前位置信息检测所述目标机器人的运动状态，得到当前状态；
若所述当前状态为行进状态，则根据所述路径规划数据更新所述预设约束数据；其中，所述行进状态用于表征所述目标机器人未到达预设的目的地。
8.一种机器人路径规划系统，其特征在于，所述系统包括：
环境感知模块，用于通过预设的环境感知模块获取目标机器人的位姿信息，得到第一位姿数据，并获取目标障碍物的位姿信息，得到第二位姿数据；
结构数据构建模块，用于获取所述目标机器人的主体结构，得到主体结构数据；
分布数据构建模块，用于根据所述第一位姿数据和所述主体结构数据构建所述目标机器人的机器人分布数据，并根据所述第二位姿数据构建所述目标障碍物的障碍分布数据；
避障约束构建模块，用于根据所述机器人分布数据和所述障碍分布数据构建避障约束数据；
路径规划模块，用于根据所述避障约束数据和预设约束数据对所述目标机器人进行路径规划，得到路径规划数据。
9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的方法的步骤。
10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211586931.5A CN115981313A (zh) | 2022-12-09 | 2022-12-09 | 机器人路径规划方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211586931.5A CN115981313A (zh) | 2022-12-09 | 2022-12-09 | 机器人路径规划方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115981313A true CN115981313A (zh) | 2023-04-18 |
Family
ID=85963858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211586931.5A Pending CN115981313A (zh) | 2022-12-09 | 2022-12-09 | 机器人路径规划方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115981313A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117572875A (zh) * | 2024-01-15 | 2024-02-20 | 上海友道智途科技有限公司 | 一种基于热启动的实时速度规划方法、系统、设备及介质 |
-
2022
- 2022-12-09 CN CN202211586931.5A patent/CN115981313A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117572875A (zh) * | 2024-01-15 | 2024-02-20 | 上海友道智途科技有限公司 | 一种基于热启动的实时速度规划方法、系统、设备及介质 |
| CN117572875B (zh) * | 2024-01-15 | 2024-04-12 | 上海友道智途科技有限公司 | 一种基于热启动的实时速度规划方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111971574B (zh) | 用于自动驾驶车辆的lidar定位的基于深度学习的特征提取 | |
| WO2021160184A1 (en) | Target detection method, training method, electronic device, and computer-readable medium | |
| US20240338567A1 (en) | Multi-Task Multi-Sensor Fusion for Three-Dimensional Object Detection | |
| EP3714290B1 (en) | Lidar localization using 3d cnn network for solution inference in autonomous driving vehicles | |
| CN114502979A (zh) | 感知系统 | |
| CN111771135B (zh) | 自动驾驶车辆中使用rnn和lstm进行时间平滑的lidar定位 | |
| US20210149404A1 (en) | Systems and Methods for Jointly Performing Perception, Perception, and Motion Planning for an Autonomous System | |
| CN107985313A (zh) | 用于自主车辆的基于弹簧系统的变换车道方法 | |
| US10872228B1 (en) | Three-dimensional object detection | |
| KR102695522B1 (ko) | 이미지 인식 모델을 트레이닝시키는 장치 및 방법과 이미지 인식 장치 및 방법 | |
| CN118354950A (zh) | 将相对的对象信息编码到节点边缘特征中 | |
| Yu et al. | Enhanced autonomous exploration and mapping of an unknown environment with the fusion of dual RGB-D sensors | |
| CN115981313A (zh) | 机器人路径规划方法、系统、电子设备及存储介质 | |
| JP2024019629A (ja) | 予測装置、予測方法、プログラムおよび車両制御システム | |
| Khan et al. | Deep Reinforcement Learning Based Unmanned Aerial Vehicle (UAV) Control Using 3D Hand Gestures. | |
| US11884268B2 (en) | Motion planning in curvilinear coordinates for autonomous vehicles | |
| JP2022035033A (ja) | 情報処理システム、情報処理方法、プログラムおよび車両制御システム | |
| WO2023150430A1 (en) | Distance representation and encoding | |
| CN115685992A (zh) | 一种自动驾驶车辆路径规划方法、装置、车辆及介质 | |
| Yang et al. | An optimization-based selection approach of landing sites for swarm unmanned aerial vehicles in unknown environments | |
| Zhang et al. | Research on the Prediction of the Operational Risk Field of Intelligent Vehicles Based on Dual Multiline LiDAR | |
| EP3702809A1 (en) | Device navigation | |
| Pinheiro | Sistemas de suporte à condução autónoma adequados a plataforma robótica 4-wheel skid-steer: percepção, movimento e simulação | |
| Wicaksono et al. | Optimizing UAV Navigation through Non-Uniform B-Spline Trajectory for Tracking UAV Enemy | |
| CN118269993A (zh) | 一种车辆控制方法、装置、设备、存储介质、产品及系统 |
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 |