CN116560381A - 机器人的避障方法和机器人 - Google Patents
机器人的避障方法和机器人 Download PDFInfo
- Publication number
- CN116560381A CN116560381A CN202310829442.6A CN202310829442A CN116560381A CN 116560381 A CN116560381 A CN 116560381A CN 202310829442 A CN202310829442 A CN 202310829442A CN 116560381 A CN116560381 A CN 116560381A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- speed
- predicted
- machine
- target
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000008447 perception Effects 0.000 claims abstract description 18
- 238000007499 fusion processing Methods 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 15
- 230000001953 sensory effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
本申请涉及一种机器人的避障方法和机器人。方法包括:接收障碍物的广播信息;广播信息包括第一机器位置和第一机器速度;基于障碍物的第一预测位置和第一机器位置得到第一目标位置,以及基于第一预测速度和第一机器速度得到第一目标速度;当感知到障碍物时,生成对应的感知信息;感知信息包括第二机器位置和第二机器速度;若第二机器位置与第一目标位置关联成功,则基于第一目标位置和第二机器位置得到第二目标位置,以及基于第一目标速度和第二机器速度得到第二目标速度;基于第二目标位置和第二目标速度生成障碍物的预测轨迹,并依据预测轨迹进行避障。采用本方法能够提升机器人的避障能力。
Description
技术领域
本申请涉及人工智能领域,特别是涉及一种机器人的避障方法和机器人。
背景技术
随着人工智能的发展,人们对机器智能化的要求越来越高,当环境中存在多个机器同时运行时,由于机器上传感器存在探测盲区,且环境中可能存在遮挡等各种场景, 当其他机器突然出现在当前机器人面前时,往往难以反应,导致机器发生碰撞。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升机器人避障能力的机器人的避障方法、装置、机器人和计算机可读存储介质。
第一方面,本申请提供了一种机器人的避障方法。所述方法包括:
接收障碍物的广播信息;所述广播信息包括第一机器位置和第一机器速度;
基于所述障碍物的第一预测位置和所述第一机器位置得到第一目标位置,以及基于第一预测速度和所述第一机器速度得到第一目标速度;
当感知到所述障碍物时,生成对应的感知信息;所述感知信息包括第二机器位置和第二机器速度;
若所述第二机器位置与所述第一目标位置关联成功,则基于所述第一目标位置和所述第二机器位置得到第二目标位置,以及基于所述第一目标速度和所述第二机器速度得到第二目标速度;
基于所述第二目标位置和所述第二目标速度生成所述障碍物的预测轨迹,并依据所述预测轨迹进行避障。
在其中一个实施例中,所述广播信息包括障碍物标识;所述基于所述障碍物的第一预测位置和所述第一机器位置得到第一目标位置之前,所述方法还包括:
当当前障碍物列表中不存在所述障碍物标识时,则将所述障碍物标识添加至所述当前障碍物列表;
当所述当前障碍物列表中存在所述障碍物标识时,获取对应的第一历史状态信息;
依据所述第一历史状态信息确定所述第一预测位置和所述第一预测速度;
所述基于所述障碍物的第一预测位置和所述第一机器位置得到第一目标位置,以及基于第一预测速度和所述第一机器速度得到第一目标速度包括:
依据所述障碍物标识,将所述第一预测位置与所述第一机器位置进行关联,以及将所述第一预测速度与所述第一机器速度进行关联;
将关联后的所述第一预测位置和所述第一机器位置进行融合处理,得到所述第一目标位置,以及将关联后的所述第一预测速度和所述第一机器速度进行融合处理,得到所述第一目标速度。
在其中一个实施例中,所述方法还包括:
若所述障碍物标识为首次添加至所述当前障碍物列表,或在历史障碍物列表中出现的次数小于第一预设值,则保留所述障碍物标识;
若所述障碍物标识在所述历史障碍物列表中未出现的次数大于第二预设值,则在所述历史障碍物列表中删除所述障碍物标识,得到更新的当前障碍物列表。
在其中一个实施例中,所述第一历史状态信息包括第一障碍物速度、第一历史位姿和第一历史时间;所述依据所述第一历史状态信息确定所述第一预测位置和所述第一预测速度包括:
依据所述第一历史时间和当前时间确定第一时间差;
将所述第一障碍物速度作为所述第一预测速度;
基于所述第一历史位姿、所述第一障碍物速度和所述第一时间差确定第一预测位置。
在其中一个实施例中,所述方法还包括:
当所述第一时间差大于时间阈值时,则在所述当前障碍物列表中删除所述障碍物标识。
在其中一个实施例中,所述基于所述障碍物的第一预测位置所述第一机器位置得到第一目标位置,以及基于第一预测速度和所述第一机器速度得到第一目标速度包括:
分配所述障碍物的第一预测位置对应的第一预测权重;
分配所述第一机器位置对应的第一测量权重;
基于所述第一预测权重和所述第一测量权重,对所述第一预测位置和所述第一机器位置进行融合处理,得到所述第一目标位置;
分配所述障碍物的第一预测速度对应的第二预测权重;
分配所述第一机器速度对应的第二测量权重;
基于所述第二预测权重和所述第二测量权重,对所述第一预测速度和所述第一机器速度进行融合处理,得到第一目标速度。
在其中一个实施例中,所述第二机器位置与所述第一目标位置关联成功之前,所述方法还包括:
获取第二历史状态信息;
根据所述第二历史状态信息确定初始预测位置;
确定各所述初始预测位置与所述第二机器位置之间的距离;
若在所述初始预测位置中将满足邻近距离条件的所述距离对应的第一目标位置筛选出来,则将所述第二机器位置与所述第一目标位置进行关联。
在其中一个实施例中,所述基于所述第二目标位置和所述第二目标速度生成所述障碍物的预测轨迹包括:
以所述第二目标位置为中心,依据预设时间、障碍物尺寸和所述第二目标速度生成轨迹占据区域;
在所述轨迹占据区域中,依据所述预设时间、所述第二目标速度和所述障碍物尺寸生成所述障碍物的预测轨迹。
在其中一个实施例中,所述基于所述第二目标位置和所述第二目标速度生成所述障碍物的预测轨迹之后,所述方法还包括:
获取所述预设时间对应的膨胀比例;
依据所述膨胀比例对所述预测轨迹的宽度进行调整,得到预测调整轨迹;
依据所述预测轨迹进行避障包括:
依据所述预测调整轨迹进行避障。
第二方面,本申请还提供了一种机器人的避障装置。所述装置包括:
接收模块,用于接收障碍物的广播信息;所述广播信息包括第一机器位置和第一机器速度;
第一处理模块,用于基于所述障碍物的第一预测位置和所述第一机器位置得到第一目标位置,以及基于第一预测速度和所述第一机器速度得到第一目标速度;
感知模块,用于当感知到所述障碍物时,生成对应的感知信息;所述感知信息包括第二机器位置和第二机器速度;
第二处理模块,用于若所述第二机器位置与所述第一目标位置关联成功,则基于所述第一目标位置和所述第二机器位置得到第二目标位置,以及基于所述第一目标速度和所述第二机器速度得到第二目标速度;
生成与避障模块,用于基于所述第二目标位置和所述第二目标速度生成所述障碍物的预测轨迹,并依据所述预测轨迹进行避障。
在其中一个实施例中,所述广播信息包括障碍物标识;所述第一处理模块还用于当当前障碍物列表中不存在所述障碍物标识时,则将所述障碍物标识添加至所述当前障碍物列表;当所述当前障碍物列表中存在所述障碍物标识时,获取对应的第一历史状态信息;依据所述第一历史状态信息确定所述第一预测位置和所述第一预测速度;依据所述障碍物标识,将所述第一预测位置与所述第一机器位置进行关联,以及将所述第一预测速度与所述第一机器速度进行关联;将关联后的所述第一预测位置和所述第一机器位置进行融合处理,得到所述第一目标位置,以及将关联后的所述第一预测速度和所述第一机器速度进行融合处理,得到所述第一目标速度。
在其中一个实施例中,所述装置还包括:
保留与删除模块,用于若所述障碍物标识为首次添加至所述当前障碍物列表,或在历史障碍物列表中出现的次数小于第一预设值,则保留所述障碍物标识;若所述障碍物标识在所述历史障碍物列表中未出现的次数大于第二预设值,则在所述历史障碍物列表中删除所述障碍物标识,得到更新的当前障碍物列表。
在其中一个实施例中,所述第一历史状态信息包括第一障碍物速度、第一历史位姿和第一历史时间;所述第一处理模块还用于依据所述第一历史时间和当前时间确定第一时间差;将所述第一障碍物速度作为所述第一预测速度;基于所述第一历史位姿、所述第一障碍物速度和所述第一时间差确定第一预测位置。
在其中一个实施例中,所述保留与删除模块还用于当所述第一时间差大于时间阈值时,则在所述当前障碍物列表中删除所述障碍物标识。
在其中一个实施例中,所述第一处理模块还用于分配所述障碍物的第一预测位置对应的第一预测权重;分配所述第一机器位置对应的第一测量权重;基于所述第一预测权重和所述第一测量权重,对所述第一预测位置和所述第一机器位置进行融合处理,得到所述第一目标位置;分配所述障碍物的第一预测速度对应的第二预测权重;分配所述第一机器速度对应的第二测量权重;基于所述第二预测权重和所述第二测量权重,对所述第一预测速度和所述第一机器速度进行融合处理,得到第一目标速度。
在其中一个实施例中,所述第二处理模块还用于获取第二历史状态信息;根据所述第二历史状态信息确定初始预测位置;确定各所述初始预测位置与所述第二机器位置之间的距离;若在所述初始预测位置中将满足邻近距离条件的所述距离对应的第一目标位置筛选出来,则将所述第二机器位置与所述第一目标位置进行关联。
在其中一个实施例中,所述生成与避障模块还用于以所述第二目标位置为中心,依据预设时间、障碍物尺寸和所述第二目标速度生成轨迹占据区域;在所述轨迹占据区域中,依据所述预设时间、所述第二目标速度和所述障碍物尺寸生成所述障碍物的预测轨迹。
在其中一个实施例中,所述生成与避障模块还用于获取所述预设时间对应的膨胀比例;依据所述膨胀比例对所述预测轨迹的宽度进行调整,得到预测调整轨迹;依据所述预测调整轨迹进行避障。
第三方面,本申请还提供了一种机器人。所述机器人包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
第五方面,本申请还提供了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,该计算机程序被处理器执行时实现上述方法的步骤。
上述机器人的避障方法、装置、机器人和存储介质,通过接收障碍物的广播信息;广播信息包括第一机器位置和第一机器速度;基于障碍物的第一预测位置和第一机器位置得到第一目标位置,以及基于第一预测速度和第一机器速度得到第一目标速度;当感知到障碍物时,生成对应的感知信息;感知信息包括第二机器位置和第二机器速度;若第二机器位置与第一目标位置关联成功,则基于第一目标位置和第二机器位置得到第二目标位置,以及基于第一目标速度和第二机器速度得到第二目标速度;基于第二目标位置和第二目标速度生成障碍物的预测轨迹,并依据预测轨迹进行避障。基于将障碍物的广播信息与机器人的感知障碍物的感知信息进行融合,而得到障碍物预测轨迹的方式,实现了一种更为精确的障碍物轨迹的预测方法,依据障碍物的预测轨迹进行避障,有效的提升了机器人的避障能力。
附图说明
图1为一个实施例中机器人的避障方法的应用环境图;
图2为一个实施例中机器人的避障方法的流程示意图;
图3为一个实施例中融合步骤的流程示意图;
图4为一个实施例中机器人的避障装置的结构框图;
图5为另一个实施例中机器人的避障装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
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,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的机器人的避障方法,可以应用于如图1所示的应用环境中。其中,本申请终端102为机器人进行说明。
机器人接收障碍物的广播信息;所述广播信息包括第一机器位置和第一机器速度;机器人基于所述障碍物的第一预测位置和所述第一机器位置得到第一目标位置,以及基于第一预测速度和所述第一机器速度得到第一目标速度;机器人当感知到所述障碍物时,生成对应的感知信息;所述感知信息包括第二机器位置和第二机器速度;机器人若所述第二机器位置与所述第一目标位置关联成功,则基于所述第一目标位置和所述第二机器位置得到第二目标位置,以及基于所述第一目标速度和所述第二机器速度得到第二目标速度;机器人基于所述第二目标位置和所述第二目标速度生成所述障碍物的预测轨迹,并依据所述预测轨迹进行避障。
其中,终端102可以但不限于是物联网设备,物联网设备可为机器人、车辆、无人机等。
在一个实施例中,如图2所示,提供了一种机器人的避障方法,以该方法应用于图1中的机器人为例进行说明,包括以下步骤:
S202,接收障碍物的广播信息;广播信息包括第一机器位置和第一机器速度。
其中,障碍物可以指可以对设备移动产生阻碍的对象,具体的,障碍物可以是对机器人移动产生阻碍的对象,在本申请中,障碍物可指可移动的对象,例如,障碍物可为其他机器人,其他机器人是指除本机器人(即当前机器人或本机)之外的其他机器人。广播信息可以指障碍物用于广播的信息,广播信息通常包含障碍物相关的信息,广播信息包括障碍物标识、位姿(px,py,)、线速度、角速度和时间戳等信息。第一机器位置可以指广播信息中的障碍物的位置信息。第一机器速度可以指广播信息中的障碍物的速度信息,障碍物标识可以指用于表示障碍物的标识。例如,障碍物标识可以是机器人标识,即机器人ID(Identity document,身份标识号)。
具体地,机器人可以响应于广播信息接收指令,接收障碍物的广播信息。实现了依据广播信息接收指令精确的对广播信息进行接收,保证了后续精确的对广播信息进行融合。
在一个实施例中,机器人可以实时探测有无广播信息,当探测到由障碍物(例如,其他机器人)发送的广播信息时,接收障碍物的广播信息。通过机器人实时对广播信息进行探测,从而有效提升了接收广播信息的及时性。
S204,基于障碍物的第一预测位置和第一机器位置得到第一目标位置,以及基于第一预测速度和第一机器速度得到第一目标速度。
其中,第一预测位置可以指基于第一历史状态信息得到的障碍物的预测位置。第一历史状态信息可以指用于生成第一预测位置的历史状态信息。历史状态信息存储在历史障碍物列表中,历史障碍物列表可以指较于当前障碍物列表之前的列表。第一历史状态信息包括第一障碍物速度、第一历史位姿和第一历史时间。第一障碍物速度可以指第一历史状态信息中的障碍物速度。第一历史位姿可以指第一历史状态信息中的位姿,位姿包括位置和方位/朝向,位置可用坐标(px,py)表示,方位可用角度( )表示。第一历史时间可以指第一历史状态信息中的时间。
第一目标位置可以指第一预测位置和第一机器位置进行融合得到的位置。第一预测速度可以指基于第一历史状态信息得到的预测位置。第一目标速度可以指第一预测速度和第一机器速度进行融合得到的速度。
具体地,依据障碍物标识,将第一预测位置与第一机器位置进行关联,以及将第一预测速度与第一机器速度进行关联;将关联后的第一预测位置和第一机器位置进行融合处理,得到第一目标位置,以及将关联后的第一预测速度和第一机器速度进行融合处理,得到第一目标速度。通过依据障碍物标识精确的对第一预测位置与第一机器位置,以及第一预测速度与第一机器速度进行关联,有效保证了关联后的第一预测位置和第一机器位置,以及关联后的第一预测速度和第一机器速度进行融合处理的准确性,从而精确的得到融合处理后的第一目标位置和第一目标速度。
在一个实施例中,在S204之前,当当前障碍物列表中不存在障碍物标识时,则将障碍物标识添加至当前障碍物列表;当当前障碍物列表中存在障碍物标识时,在历史障碍物列表中获取对应的第一历史状态信息;依据第一历史状态信息确定第一预测位置和第一预测速度。通过障碍物标识对障碍物列表进行动态调整,实现了对障碍物列表的灵活调整。
其中,当前障碍物列表可以指此时的障碍物列表。
在一个实施例中,依据第一历史状态信息确定第一预测位置和第一预测速度包括依据第一历史时间和当前时间确定第一时间差;将第一障碍物速度作为第一预测速度;基于第一历史位姿、第一障碍物速度和第一时间差确定第一预测位置。通过第一历史状态信息中的第一历史时间、第一障碍物速度和第一历史位姿实现了对第一预测速度和第一预测位置的精确确定。
其中,当前时间可以指此时的时间。第一时间差可以指第一历史时间与当前时间之差,例如,第一历史时间和当前时间可用时间戳表示,则第一时间差可以是当前时间的时间戳减去第一历史时间的时间戳得到的差值。
在一个实施例中,当第一时间差大于时间阈值时,则在当前障碍物列表中删除障碍物标识。通过将第一时间差与时间阈值的比较,判断对于当前机器人而言,障碍物是否在时间阈值内不再出现,从而确定了一种对障碍物列表中的内容进行动态删减的方法。
其中,时间阈值可以指用于对第一时间差判断的阈值。
S206,当感知到障碍物时,生成对应的感知信息;感知信息包括第二机器位置和第二机器速度。
其中,感知信息可以指感知障碍物生成的信息,感知信息的形式可以包括视频、图像、语音和文字等等,感知信息可以包括障碍物视频、障碍物图片、障碍物发出的语音、位姿(px,py,)、速度、角速度和时间戳等信息。第二机器位置可以指感知信息中的障碍物的位置信息。第二机器速度可以指感知信息中的障碍物的速度信息。
具体地,机器人可以通过传感器实时对周围环境进行感知,当感知到障碍物时,获取传感器生成的感知信息。实现了机器人通过传感器精确获取感知信息。
S208,若第二机器位置与第一目标位置关联成功,则基于第一目标位置和第二机器位置得到第二目标位置,以及基于第一目标速度和第二机器速度得到第二目标速度。
其中,第二目标位置可以指第一目标位置和第二机器位置进行融合得到的位置。第二目标速度可以指第一目标速度和第二机器速度进行融合得到的速度。
在一个实施例中,在S208之前,机器人可以对感知信息中的障碍物图片或障碍物视频进行识别,当障碍物图片或障碍物视频识别出机器人标识,依据机器人标识从历史障碍物列表中获取第一目标位置,并将第二机器位置与第一目标位置进行关联。通过对感知信息进行识别,得到机器人标识,实现了依据机器人标识精确的对第一目标位置与第二机器位置进行关联。
在一个实施例中,在S208之前,在历史障碍物列表中获取第二历史状态信息;根据第二历史状态信息确定初始预测位置;确定各初始预测位置与第二机器位置之间的距离;若在初始预测位置中将满足邻近距离条件的距离对应的第一目标位置筛选出来,则将第二机器位置与第一目标位置进行关联。通过确定初始预测位置与第二机器位置之间的距离,且依据邻近距离条件对距离进行判断,实现了精确的将第二机器位置与第一目标位置进行关联。
其中,第二历史状态信息可以指用于生成初始预测位置的历史状态信息。初始预测位置可以指基于第二历史状态信息得到的预测位置。邻近距离条件可以指用于判断距离的条件,邻近距离条件可以是在小于预设阈值的距离中最小的距离。预设阈值可以指预先设置的阈值,例如,预设阈值可为3cm等等,可根据实际情况来进行设置。
在一个实施例中,若障碍物标识为首次添加至当前障碍物列表,或在历史障碍物列表中出现的次数小于第一预设值,则保留障碍物标识;若障碍物标识在历史障碍物列表中未出现的次数大于第二预设值,则在历史障碍物列表中删除障碍物标识,得到更新的当前障碍物列表。通过对障碍物标识在历史障碍物列表中出现或未出现的次数进行判断,从而实现了动态的对障碍物标识进行保留或删除,有效提升了障碍物列表调整的灵活性。
其中,预设值可以指预先设置的值。第一预设值与第二预设值可指不同作用的预设值。
在一个实施例中,若第二机器位置与第二预测位置关联成功,则基于第二预测位置和第二机器位置得到第二目标位置,以及基于第一目标速度和第二机器速度得到第二目标速度。第二预测位置可以指当前基于第一目标位置得到的障碍物的预测位置。通过对第二机器位置与第二预测位置进行关联成功判断,从而精确的得到第二目标位置和第二目标速度。
在一个实施例中,在第二机器位置与第二预测位置关联成功之前,在历史障碍物列表中获取第二历史状态信息;根据第二历史状态信息确定初始预测位置;确定各初始预测位置与第二机器位置之间的距离;若在初始预测位置中将满足邻近距离条件的距离对应的第二预测位置筛选出来,则将第二机器位置与第二预测位置进行关联。通过确定初始预测位置与第二机器位置之间的距离,且依据邻近距离条件对距离进行判断,实现了精确的将第二机器位置与第二预测位置进行关联。
S210,基于第二目标位置和第二目标速度生成障碍物的预测轨迹,并依据预测轨迹进行避障。
其中,预测轨迹可以指障碍物可能移动的轨迹。
在一个实施例中,基于第二目标位置和第二目标速度生成障碍物的预测轨迹包括以第二目标位置为中心,依据预设时间、障碍物尺寸和第二目标速度生成轨迹占据区域;在轨迹占据区域中,依据预设时间、第二目标速度和障碍物尺寸生成障碍物的预测轨迹。通过第二目标位置和第二目标速度先生成轨迹占据区域,实现在轨迹占据区域中依据预设时间、第二目标速度和障碍物尺寸精确的生成障碍物的预测轨迹。
其中,预设时间可以指预先设置的时间。障碍物尺寸可以指障碍物的尺寸信息,障碍物尺寸可以包括长度、宽度和高度等等,例如,障碍物尺寸可以是机器人尺寸。轨迹占据区域可以指在预设时间内障碍物可能移动的区域。
在一个实施例中,基于第二目标位置和第二目标速度生成障碍物的预测轨迹之后,方法还包括获取预设时间对应的膨胀比例;依据膨胀比例对预测轨迹的宽度进行调整,得到预测调整轨迹,依据预测调整轨迹进行避障。通过膨胀比例对预测轨迹的宽度进行调整,利用得到的预测调整轨迹进行避障,从而减少预测轨迹的不确定性,实现更为精确的避障。
其中,膨胀比例可以指预测轨迹的宽度调整的比例。预测调整轨迹可以指宽度调整后的预测轨迹。
上述机器人的避障方法中,通过接收障碍物的广播信息;广播信息包括第一机器位置和第一机器速度;基于障碍物的第一预测位置和第一机器位置得到第一目标位置,以及基于第一预测速度和第一机器速度得到第一目标速度;当感知到障碍物时,生成对应的感知信息;感知信息包括第二机器位置和第二机器速度;若第二机器位置与第一目标位置关联成功,则基于第一目标位置和第二机器位置得到第二目标位置,以及基于第一目标速度和第二机器速度得到第二目标速度;基于第二目标位置和第二目标速度生成障碍物的预测轨迹,并依据预测轨迹进行避障。基于将障碍物的广播信息与机器人的感知障碍物的感知信息进行融合,而得到障碍物预测轨迹的方式,实现了一种更为精确的障碍物轨迹的预测方法,依据障碍物的预测轨迹进行避障,有效的提升了机器人的避障能力。
在一个实施例中,如图3所示,融合步骤包括:
S302,分配障碍物的第一预测位置对应的第一预测权重。
其中,第一预测权重可以指第一预测位置对应的权重。
S304,分配第一机器位置对应的第一测量权重。
其中,第一测量权重可以指第一机器位置对应的权重。
S306,基于第一预测权重和第一测量权重,对第一预测位置和第一机器位置进行融合处理,得到第一目标位置。
具体地,机器人可将第一预测权重与第一预测位置之积与第一测量权重与第一机器位置之积进行相加处理,得到第一目标位置。
例如,第一目标位置的计算公式可为:
第一目标位置=第一预测权重×第一预测位置+第一测量权重×第一机器位置。
S308,分配障碍物的第一预测速度对应的第二预测权重。
其中,第二预测权重可以指第一预测速度对应的权重。
S310,分配第一机器速度对应的第二测量权重。
其中,第二测量权重可以指第一机器速度对应的权重。
S312,基于第二预测权重和第二测量权重,对第一预测速度和第一机器速度进行融合处理,得到第一目标速度。
具体地,机器人可将第二预测权重与第一预测速度之积与第二测量权重与第一机器速度之积进行相加处理,得到第一目标速度。
例如,第一目标速度的计算公式可为:
第一目标速度=第二预测权重×第一预测速度+第二测量权重×第一机器速度。
在一个实施例中,机器人分配所述障碍物的第一目标位置或第二预测位置对应的第三预测权重;分配所述第二机器位置对应的第三测量权重;基于所述第三预测权重和所述第三测量权重,对所述第一目标位置或第二预测位置和所述第二机器位置进行融合处理,得到所述第二目标位置;分配所述障碍物的第一目标速度对应的第四预测权重;分配所述第二机器速度对应的第四测量权重;基于所述第四预测权重和所述第四测量权重,对所述第一目标速度和所述第二机器速度进行融合处理,得到第二目标速度。在本实施例中,第二目标位置与第二目标速度的具体计算方式,可参照上述第一目标位置与第一目标速度的计算方式。
本实施例中,通过先对第一预测位置、第一机器位置分配对应的权重,以及对第一预测速度、第一机器速度分配对应的权重,再依据得到的各权重对第一预测位置和第一机器位置进行融合处理,以及对第一预测速度和第一机器速度进行融合处理,得到精确的第一目标位置和第一目标速度,从而对障碍物的轨迹进行精确的预测。
作为一个示例,本实施例如下:
本申请方案以障碍物为其他机器人为例进行整体构思阐述:
1.各机器人(包括当前机器人和其他机器人)通过自身定位模块获取在地图中的第一机器位置(例如,位姿) 从底盘获取当前的第一机器速度(例如,线速度和角速度)和时间戳等信息;
2.其他机器人通过ESP32芯片,将上述第一机器位置和第一机器速度作为广播信息实时广播给当前机器人;
3.当前机器人收到其他机器人的第一机器位置和第一机器速度后, 同时融合本机(即当前机器人)的传感器实时感知信息,即融合当前机器人通过传感器感知到的其他机器人的第二机器位置和第二机器速度,将融合后得到的其他机器人的预测轨迹添加到代价地图上;
4.规划和控制模块根据上述代价地图进行避障。
方案具体如下:
(1)机器人自身信息获取
机器人自身信息主要包含实时的位姿,线速度与角速度。其中机器人实时位姿由机器人自身的定位模块提供。该定位模块使用包括视觉、激光、编码器、IMU(Inertialmeasurement unit,惯性测量单元)中的一种或多种传感器组合来得到机器在地图中的位置(px,py)和姿态(航向角)。同时通过底盘上的编码器、IMU等传感器获取机器人的线速度v和角速度/>。
(2)自身信息广播
获取机器人自身信息后,机器人利用自身搭载的ESP32通信模块通过UDP(UserDatagram Protocol,用户数据报协议)广播, 使各机器人能够通过自身搭载的ESP32模块接收到其他机器人的广播信息(例如,机器人ID及实时位姿和速度以及时间戳信息)。
(3)代价地图更新
接收到其他机器人的广播信息后, 再根据其他机器人尺寸, 在代价地图上画出其他机器人的位置(第二目标位置)和预测轨迹。具体过程如下:
1. 障碍物列表更新
step1根据接收到的其他机器人信息更新障碍物列表。
Step1.1 如果该其他机器人ID在障碍物列表中不存在, 则新建一个障碍物, 添加该其他机器人ID、位姿(px,py,)、速度(v) 、角速度( />)和时间戳ts等信息。
Step1.2 如果该其他机器人ID存在于障碍物列表中, 则将第一历史状态信息和当前状态信息(第一机器位置和第一机器速度)通过卡尔曼滤波融合,得到更为准确的当前状态估计(第一目标位置和第一目标速度)。
在Step1.2中的融合步骤具体如下:
1)预测更新:根据历史障碍物列表中上一帧的第一历史状态信息预测其在当前帧的第一预测位置。假设机器人的速度是恒定的,相邻两帧时间差 ,可以估计其他机器人在当前帧的第一预测位置,第一预测位置估计的计算公式如下;
px(t) = px(t-1) + v(t-1)*cos(θ)*Δt
py(t) = py(t-1) + v(t-1)*sin(θ)*Δt
2)关联:通过唯一的其他机器人ID进行关联。
3)测量更新:卡尔曼滤波器将预测的第一预测位置与ESP32传递过来的当前广播信息中的当前帧的第一机器位置进行比较。卡尔曼滤波器将根据每个值的不确定性,分配不同的权重在第一预测位置或第一机器位置上。将第一预测位置和第一机器位置根据权重合并以给出更新的第一目标位置。
此过程是一个迭代的过程。即滤波器在收到下一帧新的第一机器位置后,执行新一轮预测和更新步骤。
Step1.3 如果障碍物列表中的某个障碍物最新的第一历史时间和当前时间差之间的第一时间差,例如3秒,则从障碍物列表中删除该障碍物的障碍物标识。
step2如果其他机器人已经能够被当前机器人传感器检测到,则将检测结果与上面步骤step1中更新后的障碍物列表进行融合,得到融合后的位置、速度、预测轨迹和更为精确的障碍物列表。
在step2中的融合步骤具体如下:
1)预测更新:根据历史障碍物列表中上一帧的第二历史状态信息预测其在当前帧的第二预测位置。假设机器人的速度是恒定的,相邻两帧时间差,可以估计其他机器人在当前帧的第二预测位置,估计第二预测位置的计算公式具体如下:
px(t) = px(t-1) + v(t-1)*cos(θ)*Δt
py(t) = py(t-1) + v(t-1)*sin(θ)*Δt
2)关联:通过传感器当前检测到的第二机器位置与上一步中预测的初始预测位置之间距离,找邻近距离条件为最近邻且最近邻距离小于预设阈值的位置进行关联匹配。
3)测量更新:卡尔曼滤波器将第一目标位置与当前帧感知到的第二机器位置进行比较。卡尔曼滤波器将根据每个值的不确定性,分配不同的权重在第一目标位置或第二机器位置上。将第一目标位置和第二机器位置根据权重合并以给出更新的第二目标位置。
4)障碍物对象生命周期管理:若该其他机器人ID为新分配到的且其在历史障碍物列表中出现的次数小于第一预设值,则保留其他机器人ID。若某个其他机器人ID在历史障碍物列表中未现次数大于第二预设值,则删除此其他机器人ID。
此过程是一个迭代的过程。即滤波器在收到下一帧检测的位置后,执行新一轮预测和更新步骤。
2. 根据接收到的机器人尺寸、第二目标速度和预设时间在代价地图上画出预测轨迹占据区域;以机器人的宽度,沿速度方向画出一条初步的预测轨迹,该轨迹长度为速度乘以预设时间。其中,预设时间为预先设定的值, 如3秒,将代价地图上该区域的栅格值置为特定代价值。
3. 结合当前机器人的位置对上述预测轨迹进行优化。
step1预测轨迹膨胀: 由于预测轨迹带有一定的不确定性且随着预设的时间变长而增加,将预测的轨迹宽度随预设时间增大而做出一定比例膨胀,得到预测调整轨迹;
step2如果预测轨迹与当前机器人有相交,则重置轨迹长度为刚好不接触到当前机器人,以防止当前机器人被预测轨迹区域包围而卡死。
(4) 机器人避障
当前机器人使用上述的代价地图进行避障。
该方法对位于机器人的传感器探测盲区的其他机器人能够提前感知,弥补了传感器探测能力不足,同时与机器搭载的传感器实时感知信息融合,得到更为精确的其他机器人状态和预测信息,从而避免了机器人间的碰撞,提高了机器人运行的安全性。
应该理解的是,虽然如上的各实施例所涉及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。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的机器人的避障方法的机器人的避障装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个机器人的避障装置实施例中的具体限定可以参见上文中对于机器人的避障方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种机器人的避障装置,包括:接收模块402、第一处理模块404、感知模块406、第二处理模块408和生成与避障模块410,其中:
接收模块402,用于接收障碍物的广播信息;广播信息包括第一机器位置和第一机器速度;
第一处理模块404,用于基于障碍物的第一预测位置和第一机器位置得到第一目标位置,以及基于第一预测速度和第一机器速度得到第一目标速度;
感知模块406,用于当感知到障碍物时,生成对应的感知信息;感知信息包括第二机器位置和第二机器速度;
第二处理模块408,用于若第二机器位置与第一目标位置关联成功,则基于第一目标位置和第二机器位置得到第二目标位置,以及基于第一目标速度和第二机器速度得到第二目标速度;
生成与避障模块410,用于基于第二目标位置和第二目标速度生成障碍物的预测轨迹,并依据预测轨迹进行避障。
在一个实施例中,广播信息包括障碍物标识;第一处理模块404还用于当当前障碍物列表中不存在障碍物标识时,则将障碍物标识添加至当前障碍物列表;当当前障碍物列表中存在障碍物标识时,获取对应的第一历史状态信息;依据第一历史状态信息确定第一预测位置和第一预测速度;依据障碍物标识,将第一预测位置与第一机器位置进行关联,以及将第一预测速度与第一机器速度进行关联;将关联后的第一预测位置和第一机器位置进行融合处理,得到第一目标位置,以及将关联后的第一预测速度和第一机器速度进行融合处理,得到第一目标速度。
在一个实施例中,第一历史状态信息包括第一障碍物速度、第一历史位姿和第一历史时间;第一处理模块404还用于依据第一历史时间和当前时间确定第一时间差;将第一障碍物速度作为第一预测速度;基于第一历史位姿、第一障碍物速度和第一时间差确定第一预测位置。
在一个实施例中,第一处理模块404还用于分配障碍物的第一预测位置对应的第一预测权重;分配第一机器位置对应的第一测量权重;基于第一预测权重和第一测量权重,对第一预测位置和第一机器位置进行融合处理,得到第一目标位置;分配障碍物的第一预测速度对应的第二预测权重;分配第一机器速度对应的第二测量权重;基于第二预测权重和第二测量权重,对第一预测速度和第一机器速度进行融合处理,得到第一目标速度。
在一个实施例中,第二处理模块408还用于获取第二历史状态信息;根据第二历史状态信息确定初始预测位置;确定各初始预测位置与第二机器位置之间的距离;若在初始预测位置中将满足邻近距离条件的距离对应的第一目标位置筛选出来,则将第二机器位置与第一目标位置进行关联。
在一个实施例中,生成与避障模块410还用于以第二目标位置为中心,依据预设时间、障碍物尺寸和第二目标速度生成轨迹占据区域;在轨迹占据区域中,依据预设时间、第二目标速度和障碍物尺寸生成障碍物的预测轨迹。
在一个实施例中,生成与避障模块410还用于获取预设时间对应的膨胀比例;依据膨胀比例对预测轨迹的宽度进行调整,得到预测调整轨迹;依据预测调整轨迹进行避障。
在一个实施例中,如图5所示,该机器人的避障装置还包括:保留与删除模块412,其中:
保留与删除模块412,用于若障碍物标识为首次添加至当前障碍物列表,或在历史障碍物列表中出现的次数小于第一预设值,则保留障碍物标识;若障碍物标识在历史障碍物列表中未出现的次数大于第二预设值,则在历史障碍物列表中删除障碍物标识,得到更新的当前障碍物列表。
在一个实施例中,保留与删除模块还用于当第一时间差大于时间阈值时,则在当前障碍物列表中删除障碍物标识。
上述实施例,通过接收障碍物的广播信息;广播信息包括第一机器位置和第一机器速度;基于障碍物的第一预测位置和第一机器位置得到第一目标位置,以及基于第一预测速度和第一机器速度得到第一目标速度;当感知到障碍物时,生成对应的感知信息;感知信息包括第二机器位置和第二机器速度;若第二机器位置与第一目标位置关联成功,则基于第一目标位置和第二机器位置得到第二目标位置,以及基于第一目标速度和第二机器速度得到第二目标速度;基于第二目标位置和第二目标速度生成障碍物的预测轨迹,并依据预测轨迹进行避障。基于将障碍物的广播信息与机器人的感知障碍物的感知信息进行融合,而得到障碍物预测轨迹的方式,实现了一种更为精确的障碍物轨迹的预测方法,依据障碍物的预测轨迹进行避障,有效的提升了机器人的避障能力。
上述机器人的避障装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,终端可以是机器人、无人机等等,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。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。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种机器人的避障方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置,显示屏可以是液晶显示屏或电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各实施例。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各实施例。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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,本申请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 AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请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。本申请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申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种机器人的避障方法,其特征在于,所述方法包括:
接收障碍物的广播信息;所述广播信息包括第一机器位置和第一机器速度;
基于所述障碍物的第一预测位置和所述第一机器位置得到第一目标位置,以及基于第一预测速度和所述第一机器速度得到第一目标速度;
当感知到所述障碍物时,生成对应的感知信息;所述感知信息包括第二机器位置和第二机器速度;
若所述第二机器位置与所述第一目标位置关联成功,则基于所述第一目标位置和所述第二机器位置得到第二目标位置,以及基于所述第一目标速度和所述第二机器速度得到第二目标速度;
基于所述第二目标位置和所述第二目标速度生成所述障碍物的预测轨迹,并依据所述预测轨迹进行避障。
2.根据权利要求1所述的方法,其特征在于,所述广播信息包括障碍物标识;所述基于所述障碍物的第一预测位置和所述第一机器位置得到第一目标位置之前,所述方法还包括:
当当前障碍物列表中不存在所述障碍物标识时,则将所述障碍物标识添加至所述当前障碍物列表;
当所述当前障碍物列表中存在所述障碍物标识时,获取对应的第一历史状态信息;
依据所述第一历史状态信息确定所述第一预测位置和所述第一预测速度;
所述基于所述障碍物的第一预测位置和所述第一机器位置得到第一目标位置,以及基于第一预测速度和所述第一机器速度得到第一目标速度包括:
依据所述障碍物标识,将所述第一预测位置与所述第一机器位置进行关联,以及将所述第一预测速度与所述第一机器速度进行关联;
将关联后的所述第一预测位置和所述第一机器位置进行融合处理,得到所述第一目标位置,以及将关联后的所述第一预测速度和所述第一机器速度进行融合处理,得到所述第一目标速度。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若所述障碍物标识为首次添加至所述当前障碍物列表,或在历史障碍物列表中出现的次数小于第一预设值,则保留所述障碍物标识;
若所述障碍物标识在所述历史障碍物列表中未出现的次数大于第二预设值,则在所述历史障碍物列表中删除所述障碍物标识,得到更新的当前障碍物列表。
4.根据权利要求2所述的方法,其特征在于,所述第一历史状态信息包括第一障碍物速度、第一历史位姿和第一历史时间;所述依据所述第一历史状态信息确定所述第一预测位置和所述第一预测速度包括:
依据所述第一历史时间和当前时间确定第一时间差;
将所述第一障碍物速度作为所述第一预测速度;
基于所述第一历史位姿、所述第一障碍物速度和所述第一时间差确定第一预测位置。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
当所述第一时间差大于时间阈值时,则在所述当前障碍物列表中删除所述障碍物标识。
6.根据权利要求1所述的方法,其特征在于,所述基于所述障碍物的第一预测位置所述第一机器位置得到第一目标位置,以及基于第一预测速度和所述第一机器速度得到第一目标速度包括:
分配所述障碍物的第一预测位置对应的第一预测权重;
分配所述第一机器位置对应的第一测量权重;
基于所述第一预测权重和所述第一测量权重,对所述第一预测位置和所述第一机器位置进行融合处理,得到所述第一目标位置;
分配所述障碍物的第一预测速度对应的第二预测权重;
分配所述第一机器速度对应的第二测量权重;
基于所述第二预测权重和所述第二测量权重,对所述第一预测速度和所述第一机器速度进行融合处理,得到第一目标速度。
7.根据权利要求1所述的方法,其特征在于,所述第二机器位置与所述第一目标位置关联成功之前,所述方法还包括:
获取第二历史状态信息;
根据所述第二历史状态信息确定初始预测位置;
确定各所述初始预测位置与所述第二机器位置之间的距离;
若在所述初始预测位置中将满足邻近距离条件的所述距离对应的第一目标位置筛选出来,则将所述第二机器位置与所述第一目标位置进行关联。
8.根据权利要求1所述的方法,其特征在于,所述基于所述第二目标位置和所述第二目标速度生成所述障碍物的预测轨迹包括:
以所述第二目标位置为中心,依据预设时间、障碍物尺寸和所述第二目标速度生成轨迹占据区域;
在所述轨迹占据区域中,依据所述预设时间、所述第二目标速度和所述障碍物尺寸生成所述障碍物的预测轨迹。
9.根据权利要求8所述的方法,其特征在于,所述基于所述第二目标位置和所述第二目标速度生成所述障碍物的预测轨迹之后,所述方法还包括:
获取所述预设时间对应的膨胀比例;
依据所述膨胀比例对所述预测轨迹的宽度进行调整,得到预测调整轨迹;
依据所述预测轨迹进行避障包括:
依据所述预测调整轨迹进行避障。
10.一种机器人,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310829442.6A CN116560381B (zh) | 2023-07-07 | 2023-07-07 | 机器人的避障方法和机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310829442.6A CN116560381B (zh) | 2023-07-07 | 2023-07-07 | 机器人的避障方法和机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116560381A true CN116560381A (zh) | 2023-08-08 |
CN116560381B CN116560381B (zh) | 2023-10-13 |
Family
ID=87491843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310829442.6A Active CN116560381B (zh) | 2023-07-07 | 2023-07-07 | 机器人的避障方法和机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116560381B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814577A (zh) * | 2019-02-25 | 2019-05-28 | 上海木木聚枞机器人科技有限公司 | 一种基于信息共享的运动控制方法以及移动装置 |
CN111547053A (zh) * | 2020-05-12 | 2020-08-18 | 江铃汽车股份有限公司 | 基于车路协同的自动驾驶控制方法及系统 |
KR20220093382A (ko) * | 2021-05-21 | 2022-07-05 | 아폴로 인텔리전트 드라이빙 테크놀로지(베이징) 컴퍼니 리미티드 | 장애물 검출 방법 및 장치 |
CN115047876A (zh) * | 2022-06-07 | 2022-09-13 | 达闼机器人股份有限公司 | 可移动设备避障方法、装置、设备和存储介质 |
CN115123216A (zh) * | 2022-08-05 | 2022-09-30 | 国汽智控(北京)科技有限公司 | 车辆避障方法、装置、车辆、设备及存储介质 |
AU2023201142B1 (en) * | 2022-10-11 | 2023-04-27 | Ccteg Shenyang Research Institute | Method for controlling underground unmanned vehicle and device |
-
2023
- 2023-07-07 CN CN202310829442.6A patent/CN116560381B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109814577A (zh) * | 2019-02-25 | 2019-05-28 | 上海木木聚枞机器人科技有限公司 | 一种基于信息共享的运动控制方法以及移动装置 |
CN111547053A (zh) * | 2020-05-12 | 2020-08-18 | 江铃汽车股份有限公司 | 基于车路协同的自动驾驶控制方法及系统 |
KR20220093382A (ko) * | 2021-05-21 | 2022-07-05 | 아폴로 인텔리전트 드라이빙 테크놀로지(베이징) 컴퍼니 리미티드 | 장애물 검출 방법 및 장치 |
CN115047876A (zh) * | 2022-06-07 | 2022-09-13 | 达闼机器人股份有限公司 | 可移动设备避障方法、装置、设备和存储介质 |
CN115123216A (zh) * | 2022-08-05 | 2022-09-30 | 国汽智控(北京)科技有限公司 | 车辆避障方法、装置、车辆、设备及存储介质 |
AU2023201142B1 (en) * | 2022-10-11 | 2023-04-27 | Ccteg Shenyang Research Institute | Method for controlling underground unmanned vehicle and device |
Also Published As
Publication number | Publication date |
---|---|
CN116560381B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10748061B2 (en) | Simultaneous localization and mapping with reinforcement learning | |
Zhou et al. | Two-layer federated learning with heterogeneous model aggregation for 6g supported internet of vehicles | |
CN112567201B (zh) | 距离测量方法以及设备 | |
CN108805898B (zh) | 视频图像处理方法和装置 | |
US11945460B1 (en) | Systems and methods for interfacing with an occupant | |
WO2018068771A1 (zh) | 目标跟踪方法、系统、电子设备和计算机存储介质 | |
CN110221600B (zh) | 路径规划方法、装置、计算机设备和存储介质 | |
US11269327B2 (en) | Picking up and dropping off passengers at an airport using an autonomous vehicle | |
US8995714B2 (en) | Information creation device for estimating object position and information creation method and program for estimating object position | |
CN109472806B (zh) | 无人飞行器的航区规划方法、装置和遥控器 | |
CN113030990B (zh) | 车辆的融合测距方法、装置、测距设备及介质 | |
CN113378605B (zh) | 多源信息融合方法及装置、电子设备和存储介质 | |
CN112445222A (zh) | 导航方法、装置、存储介质以及终端 | |
CN111784730A (zh) | 一种对象跟踪方法、装置、电子设备及存储介质 | |
CN114714361B (zh) | 机器人控制方法、装置、机器人、存储介质和程序产品 | |
CN109472995B (zh) | 无人飞行器的航区规划方法、装置和遥控器 | |
CN112985419B (zh) | 室内导航方法、装置、计算机设备及存储介质 | |
CN111882494B (zh) | 位姿图处理方法、装置、计算机设备和存储介质 | |
CN116560381B (zh) | 机器人的避障方法和机器人 | |
CN114707392A (zh) | 一种局部slam构建方法、全局slam构建方法和构建装置 | |
CN110244710B (zh) | 自动寻迹方法、装置、存储介质及电子设备 | |
CN112598007A (zh) | 图片训练集的筛选方法、装置、设备和可读存储介质 | |
CN114623836A (zh) | 车辆位姿确定方法、装置及车辆 | |
CN111457928A (zh) | 机器人定位方法及装置 | |
KR102595490B1 (ko) | 무인 이동체 및 무인 이동체의 이동 경로 계획을 위한 코스트 결정 방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |