CN116576847A - 一种移动机器人的自动导航系统、导航方法、设备及介质 - Google Patents
一种移动机器人的自动导航系统、导航方法、设备及介质 Download PDFInfo
- Publication number
- CN116576847A CN116576847A CN202310582991.8A CN202310582991A CN116576847A CN 116576847 A CN116576847 A CN 116576847A CN 202310582991 A CN202310582991 A CN 202310582991A CN 116576847 A CN116576847 A CN 116576847A
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- planning
- path
- gaussian process
- information
- 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 85
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 91
- 230000033001 locomotion Effects 0.000 claims abstract description 79
- 238000005457 optimization Methods 0.000 claims abstract description 69
- 230000006870 function Effects 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000007613 environmental effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
Abstract
本发明提供一种移动机器人的自动导航系统、导航方法、设备及介质,该系统包括感知模块、无地图规划模块、高斯过程优化规划模块、执行控制模块,该方法包括通过感知模块获取移动机器人的位置信息、姿态信息以及环境信息;通过无地图规划模块接收环境信息,并基于无地图规划算法进行路径规划和避障决策,生成移动机器人的运动规划路径;通过高斯过程优化规划模块,生成实时的控制决策;根据高斯过程优化规划模块生成的控制决策,控制机器人的运动,使得机器人实现自主导航并达到目标位置。通过同时使用无地图规划算法和高斯过程优化算法可以提供实时性、灵活性和简化系统的优势,使移动机器人能够在未知环境中高效地进行自主导航和控制。
Description
技术领域
本发明涉及机器人导航技术领域,具体为一种移动机器人的自动导航系统、导航方法、设备及介质。
背景技术
移动机器人是一种能够自主移动和执行任务的机器人系统。它通常包括机械结构、电子控制系统和感知系统等组件,以实现在各种环境中的移动和操作能力。移动机器人的应用领域广泛,包括工业自动化、物流和仓储、服务和卫生保健、农业和环境监测等。它们可以执行各种任务,如物品搬运、巡逻和安全监控、室内清洁等。移动机器人的自主导航和智能决策能力不断发展,为人们的生活和工作带来了便利和效率的提升。在现有技术中,通过SALM算法构建全局地图进行路径规划,无法实现在未知环境下的自主导航和避障,同时,通过SALM算法依赖于特定的传感器配置,在复杂动态环境的情况下,难以构建高精度路径规划。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种移动机器人的自动导航系统、导航方法、设备及介质,以解决上述技术问题。
本发明提供的一种移动机器人的自动导航系统,包括:
感知模块,所述感知模块用于获取移动机器人的位置信息、姿态信息以及环境信息,其中,所述环境信息包括障碍物位置、地图数据;
无地图规划模块,所述无地图规划模块与所述感知模块连接,所述无地图规划模块用于接收所述位置信息、所述环境信息,并基于无地图规划算法计算得到路径规划和避障决策,生成移动机器人的运动规划路径;
高斯过程优化规划模块,所述高斯过程优化规划模块与所述感知模块、所述无地图规划模块连接,所述高斯过程优化规划模块用于接收移动机器人的所述位置信息、所述姿态信息以及所述路径规划和所述避障决策,并基于高斯过程优化算法生成实时的控制决策;
执行控制模块,所述执行控制模块与所述高斯过程优化规划模块连接,所述执行控制模块用于接收控制决策,控制移动机器人的运动。
于本发明的一实施例中,所述感知模块包括激光雷达、摄像头、距离传感器、惯性测量单元。
于本发明的一实施例中,所述执行控制模块包括伺服控制器、伺服电机。
本发明还提供一种移动机器人的自动导航方法,应用于移动机器人的自动导航系统,包括:
S110:通过感知模块获取移动机器人的位置信息、姿态信息以及环境信息,其中,环境信息包括障碍物位置、地图数据;
S120:通过无地图规划模块接收所述位置信息、所述环境信息,并基于无地图规划算法计算得到路径规划和避障决策,生成移动机器人的运动规划路径;
S130:通过高斯过程优化规划模块,接收移动机器人的所述位置信息、所述姿态信息以及所述运动规划路径,并基于高斯过程优化算法生成实时的控制决策;
S140:通过执行控制模块,接收所述高斯过程优化规划模块生成的控制决策,控制机器人的运动,使得移动机器人实现自动导航并达到目标位置。
于本发明的一实施例中,步骤S120具体包括:
S210:接收移动机器人的所述位置信息、所述环境信息,其中,环境信息包括障碍物位置、地图数据;
S220:根据所述位置信息、所述地图数据使用无地图规划算法生成移动机器人的运动路径;
S230:接收移动机器人的运动路径,根据运动路径中所述障碍物位置,使用避障决策算法对运动路径进行调整;
S240:根据避障决策算法对运动路径调整的结果,生成移动机器人的运动规划路径。
于本发明的一实施例中,步骤S230中的避障决策算法包括避障力场法、最小转弯半径法。
于本发明的一实施例中,步骤S130具体包括:
S310:接收移动机器人的所述位置信息、所述姿态信息以及所述运动规划路径;
S320:基于当前移动机器人的所述位置信息和所述姿态信息,以及所述运动规划路径,使用高斯过程优化算法生成目标控制指令;
S330:根据高斯过程优化算法生成的目标控制指令,生成实时的控制决策。
于本发明的一实施例中,步骤S320具体包括:
S410:根据移动机器人的所述位置信息、所述姿态信息以及所述运动规划路径,构建高斯过程模型,其中,高斯过程模型的函数空间包括定义均值函数和协方差函数;
S420:根据高斯过程优化算法在函数空间中以最小化指定的优化目标函数搜索最优解;
S430:根据最优解生成目标控制指令。
本发明还提供一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如上述实施例中任一项所述的一种移动机器人的自动导航方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行如上述实施例中任一项所述的一种移动机器人的自动导航方法。
本发明的有益效果:本发明提供一种移动机器人的自动导航系统、导航方法、设备及介质,该系统包括感知模块、无地图规划模块、高斯过程优化规划模块、执行控制模块,该方法包括通过感知模块获取移动机器人的位置信息、姿态信息以及环境信息,其中,环境信息包括障碍物位置、地图数据;通过无地图规划模块接收所述位置信息、所述环境信息,并基于无地图规划算法计算得到路径规划和避障决策,生成移动机器人的运动规划路径;通过高斯过程优化规划模块,接收移动机器人的所述位置信息、所述姿态信息以及所述运动规划路径,并基于高斯过程优化算法生成实时的控制决策;通过执行控制模块,接收所述高斯过程优化规划模块生成的控制决策,控制机器人的运动,使得移动机器人实现自动导航并达到目标位置。产生的有益效果包括:
1、实时性:通过无地图规划算法和高斯过程优化算法可以实时地进行路径规划和决策,不需要事先建立地图。实现移动机器人可以在未知环境中即时做出决策,并根据当前感知到的环境信息进行调整。
2、灵活性:由于不依赖事先建立的地图,无地图规划算法和高斯过程优化算法可以适应不同的环境和任务。机器人可以灵活地在新的或未知的环境中进行导航,而无需事先进行地图构建。
3、简化系统:相对于SLAM算法需要同时进行建图和定位,同时使用无地图规划算法和高斯过程优化算法可以简化系统架构和计算需求。减少复杂性并提高实时性能。
4、适用性:无地图规划算法和高斯过程优化算法适用于各种类型的移动机器人,包括无人机、无人车和机器人手臂等。它们不依赖于特定的传感器配置或机器人平台,因此具有更广泛的适用性。
5、路径规划精度:无地图规划算法和高斯过程优化算法可以提供较高的路径规划精度,尤其是在具有复杂动态环境的情况下。可以根据实时感知到的障碍物信息和环境变化进行动态调整,以获得更准确的路径规划结果。
综上所述,同时使用无地图规划算法和高斯过程优化算法可以提供实时性、灵活性和简化系统的优势,使移动机器人能够在未知环境中高效地进行自主导航和控制。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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。在附图中:
图1为本发明的一示例性实施例示出的一种移动机器人的自动导航系统结构示意图;
图2为本发明的一示例性实施例示出的一种移动机器人的自动导航方法的流程图;
图3为本发明的一示例性实施例示出的一种移动机器人的自动导航方法中步骤S120的流程图;
图4为本发明的一示例性实施例示出的一种移动机器人的自动导航方法中步骤S230的流程图;
图5为本发明的一示例性实施例示出的一种移动机器人的自动导航方法中步骤S320的流程图;
图6为本发明的一示例性实施例示出的电子设备的计算机系统的结构示意图。
实施方式
以下将参照附图和优选实施例来说明本发明的实施方式,本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
首先需要说明的是,移动机器人是一种能够自主移动和执行任务的机器人系统。它通常包括机械结构、电子控制系统和感知系统等组件,以实现在各种环境中的移动和操作能力。移动机器人的应用领域广泛,包括工业自动化、物流和仓储、服务和卫生保健、农业和环境监测等。它们可以执行各种任务,如物品搬运、巡逻和安全监控、室内清洁等。移动机器人的自主导航和智能决策能力不断发展,为人们的生活和工作带来了便利和效率的提升。
无地图规划算法是一种用于移动机器人自主导航的算法,它不依赖于事先建立的地图信息。相比传统的SLAM(Simultaneous Localization and Mapping)算法,无地图规划算法能够在未知环境中进行路径规划和避障决策。
无地图规划算法的主要思想是通过实时感知到的环境信息来进行规划,以适应不断变化的环境。它通常包括以下步骤:
感知:通过激光雷达、摄像头、距离传感器等感知设备获取机器人的位置信息、姿态信息以及环境信息,包括障碍物位置、地图数据等。
路径规划:基于感知到的环境信息,使用无地图规划算法进行路径规划。这些算法可以利用感知到的障碍物信息,通过搜索或优化等方法生成机器人的运动路径。
避障决策:在路径规划的基础上,进行避障决策,即根据感知到的环境信息和路径规划结果,判断障碍物的位置和大小,并采取相应的措施避免碰撞或与障碍物发生冲突。
控制决策:根据机器人的位置信息、姿态信息以及路径规划和避障决策结果,生成实时的控制指令。这些指令可以包括速度控制、转向控制等,以控制机器人的运动执行。
无地图规划算法的优势在于它不需要依赖预先构建的地图信息,能够在动态环境下进行导航。它具有灵活性高、适应性强的特点,能够适应未知环境、障碍物变化以及实时需求的变化。然而,由于不使用地图信息,可能导致路径规划的效率和准确性受到一定影响,需要通过其他手段进行补偿和优化。
高斯过程优化算法是一种用于路径规划和全局优化的算法,它基于高斯过程优化(Gaussian Process Optimization)的方法。
高斯过程优化算法的主要思想是通过建立高斯过程模型来近似未知的目标函数,并在此基础上进行路径规划和控制决策。它通常包括以下步骤:
感知:通过感知模块获取移动机器人的位置信息、姿态信息以及环境信息,包括障碍物位置等。
路径规划:使用高斯过程优化算法建立机器人的运动模型,并将路径规划问题转化为优化问题。目标函数可以是一些评估指标,如运动时间、能量消耗等。高斯过程优化算法通过采样和评估候选路径来优化目标函数,寻找全局最优解。
控制决策:基于高斯过程优化算法生成实时的控制指令。通过分析当前机器人的位置信息、姿态信息和路径规划结果,确定最优的控制决策,例如速度控制、转向控制等,以实现机器人的自主导航。
高斯过程优化算法的优势在于它能够在高度不确定的环境中进行路径规划和控制决策。通过建立高斯过程模型,它能够考虑不确定性并进行全局优化,以获得更优的路径规划结果。EGO-Planner还具有较好的可扩展性和适应性,可以适用于不同类型的移动机器人和导航任务。
图1为本发明的一示例性实施例示出的一种移动机器人的自动导航系统结构示意图;
如图1所示,本发明提供的一种移动机器人的自动导航系统,包括:
感知模块101,所述感知模块101用于获取移动机器人的位置信息、姿态信息以及环境信息,其中,所述环境信息包括障碍物位置、地图数据;
无地图规划模块102,所述无地图规划模块102与所述感知模块101连接,所述无地图规划模块102用于接收所述位置信息、所述环境信息,并基于无地图规划算法计算得到路径规划和避障决策,生成移动机器人的运动规划路径;
高斯过程优化规划模块103,所述高斯过程优化规划模块103与所述感知模块101、所述无地图规划模块102连接,所述高斯过程优化规划模块103用于接收移动机器人的所述位置信息、所述姿态信息以及所述路径规划和所述避障决策,并基于高斯过程优化算法生成实时的控制决策;
执行控制模块104,所述执行控制模块104与所述高斯过程优化规划模块103连接,所述执行控制模块104用于接收控制决策,控制移动机器人的运动。
于一示例性的实施例中,所述感知模块101包括激光雷达、摄像头、距离传感器、惯性测量单元。
具体的,激光雷达是一种常用的传感器,可以用于测量环境中物体的距离和位置。它通过发射激光束并接收反射回来的激光信号来获取环境中物体的位置信息。通过激光雷达可以获取到周围障碍物的位置和形状。
摄像头可以用于获取环境的图像信息。通过图像处理算法,可以识别出图像中的障碍物,并进一步获取其位置信息。摄像头还可以用于进行视觉定位,通过识别地标或特征点来确定机器人的位置和姿态。
距离传感器可以用于测量机器人与周围物体之间的距离。常见的距离传感器包括超声波传感器、红外线传感器等。通过距离传感器可以获取到机器人周围物体的距离信息,从而判断是否存在障碍物。
惯性测量单元(Inertial Measurement Unit,简称IMU)是一种常用的传感器组合,用于测量和提供关于物体在空间中的姿态、角速度和加速度等信息。它通常由三个主要的传感器组成:
加速度计(Accelerometer):用于测量物体的线性加速度。加速度计可以检测物体在各个方向上的加速度变化,并通过积分计算出速度和位移变化。
陀螺仪(Gyroscope):用于测量物体的角速度。陀螺仪可以感知物体的旋转速度,并提供关于物体绕各个轴的角速度信息。
磁力计(Magnetometer):用于测量物体所处的磁场强度。磁力计可以提供关于物体所受磁场的方向和强度信息,从而帮助确定物体的方向和姿态。
IMU将这些传感器的数据进行融合处理,可以提供相对准确的姿态、角速度和加速度等信息。这些信息在许多领域中都被广泛应用,例如航空航天、导航、运动追踪、虚拟现实等。IMU在移动机器人中常用于导航和姿态控制,帮助机器人感知和理解其环境,以便进行准确的运动和定位。
于一示例性的实施例中,所述执行控制模块104包括伺服控制器、伺服电机。具体的,伺服控制器是一种用于控制伺服电机的设备,它可以实现对电机的精确控制,使其能够按照预定的位置、速度或力/扭矩要求进行运动。
伺服电机是一种具有闭环控制系统的电机,它包含一个位置反馈装置(如编码器或位置传感器)和一个控制器。伺服控制器接收目标位置或速度指令,并与位置反馈装置进行比较,计算出电机所需的控制信号,以驱动电机运动到目标位置或以目标速度运行。
伺服控制器通常具有以下特点:
高精度控制:伺服控制器能够实现非常精确的位置或速度控制,通常具有高分辨率的位置反馈和精确的控制算法。
快速响应:伺服控制器能够快速响应输入指令,并迅速调整电机的输出以实现所需的运动。
闭环控制:伺服控制器通过与位置反馈装置进行反馈比较,实现闭环控制,使得电机的位置或速度能够准确地跟踪目标值。
稳定性:伺服控制器通过控制电机的输出信号,以维持系统的稳定性和可靠性。
伺服控制器为移动机器人提供了精确的运动控制能力,使得机器人能够实现准确的导航、定位和执行任务。
图2为本发明的一示例性实施例示出的一种移动机器人的自动导航方法的流程图;
如图2所示,本发明提供的一种移动机器人的自动导航方法,应用于移动机器人的自动导航系统,包括以下步骤:
S110:通过感知模块101获取移动机器人的位置信息、姿态信息以及环境信息,其中,环境信息包括障碍物位置、地图数据;
S120:通过无地图规划模块102接收所述位置信息、所述环境信息,并基于无地图规划算法计算得到路径规划和避障决策,生成移动机器人的运动规划路径;
S130:通过高斯过程优化规划模块103,接收移动机器人的所述位置信息、所述姿态信息以及所述运动规划路径,并基于高斯过程优化算法生成实时的控制决策;
S140:通过执行控制模块104,接收所述高斯过程优化规划模块103生成的控制决策,控制机器人的运动,使得移动机器人实现自动导航并达到目标位置。
具体的,通过感知模块101获取精确的位置信息、姿态信息和环境信息,包括障碍物位置和地图数据。使得移动机器人能够准确地感知和理解周围环境,从而实现高精度的导航和路径规划。
采用无地图规划算法进行路径规划和避障决策,避免了事先建立地图的复杂过程。该算法能够在实时感知到的障碍物信息的基础上进行决策,适应动态环境的变化,并生成机器人的运动规划路径。
利用高斯过程优化规划模块103,基于当前机器人的位置信息、姿态信息和运动规划路径,使用高斯过程优化算法生成实时的控制决策。这种方法能够考虑不确定性,并通过全局优化获得当前最优的控制指令,提高导航性能和效率。
根据高斯过程优化规划模块103生成的控制决策,控制机器人的运动执行,使得机器人能够实现自动导航并达到目标位置。该方法使机器人能够准确地遵循规划路径,克服障碍物,并高效地到达目标位置。
图3为本发明的一示例性实施例示出的一种移动机器人的自动导航方法中步骤S120的流程图;
如图3所示,本发明提供的一种移动机器人的自动导航方法,所述方法中步骤S120具体包括:
S210:接收移动机器人的所述位置信息、所述环境信息,其中,环境信息包括障碍物位置、地图数据;
S220:根据所述位置信息、所述地图数据使用无地图规划算法生成移动机器人的运动路径;
S230:接收移动机器人的运动路径,根据运动路径中所述障碍物位置,使用避障决策算法对运动路径进行调整;
S240:根据避障决策算法对运动路径调整的结果,生成移动机器人的运动规划路径。
具体的,通过接收移动机器人的位置信息以及环境信息,包括障碍物位置和地图数据,步骤S120能够综合考虑机器人当前的状态和周围环境的情况。这有助于生成更准确和适应性强的运动路径,能够更好地适应动态环境的变化。
使用无地图规划算法进行路径规划,避免了事先建立地图的复杂过程。这种算法能够根据当前环境信息生成机器人的运动路径,无需依赖事先建立的地图,具有更高的灵活性和适应性。
步骤S230中使用避障决策算法对运动路径进行调整,考虑到运动路径中的障碍物位置信息。这使得机器人能够在规划路径的基础上做出灵活的调整,避免障碍物的碰撞,提高导航的安全性和可靠性。
通过步骤S240,根据避障决策算法对运动路径的调整结果,生成移动机器人的最终运动规划路径。这个路径经过综合考虑了环境信息和避障需求,能够使机器人更高效、安全地进行导航,达到目标位置。
于一示例性的实施例中,步骤S230中的避障决策算法包括避障力场法、最小转弯半径法。
具体的,在步骤S230中,避障决策算法包括避障力场法和最小转弯半径法,用于根据运动路径中的障碍物位置信息进行路径调整。
避障力场法(Obstacle Avoidance Force Field Method):该方法基于障碍物对机器人的吸引力和斥力原理,通过构建一个力场来引导机器人避开障碍物。具体步骤如下:
检测环境中的障碍物,并确定其位置和形状。
计算每个障碍物对机器人的斥力,斥力的大小和方向与障碍物之间的距离和相对方向有关。
计算目标点对机器人的引力,引力的大小和方向指向目标点。
将斥力和引力叠加,得到合力,并根据合力的方向调整机器人的运动方向,使其避开障碍物。
根据调整后的运动方向,重新规划机器人的运动路径。
最小转弯半径法(Minimum Turning Radius Method):该方法在步骤S230中用于调整机器人的运动路径,以确保机器人在转弯时能够满足最小转弯半径的要求,避免碰撞和滑动。具体步骤请参考前面对最小转弯半径法的解释。
这两种算法可以结合使用,通过避障力场法避开静态障碍物,并通过最小转弯半径法在运动路径中进行转弯调整,以实现机器人的安全导航。它们可以在实时环境中动态地进行决策和调整,确保机器人能够高效、安全地绕过障碍物并达到目标位置。
图4为本发明的一示例性实施例示出的一种移动机器人的自动导航方法中步骤S130的流程图;
如图4所示,本发明提供的一种移动机器人的自动导航方法,所述方法中步骤S130具体包括:
S310:接收移动机器人的所述位置信息、所述姿态信息以及所述运动规划路径;
S320:基于当前移动机器人的所述位置信息和所述姿态信息,以及所述运动规划路径,使用高斯过程优化算法生成目标控制指令;
S330:根据高斯过程优化算法生成的目标控制指令,生成实时的控制决策。
具体的,根据机器人的当前状态和环境信息,生成目标控制指令,使机器人能够快速响应并适应变化的环境。
通过高斯过程优化算法,可以生成当前最优的控制指令,使机器人能够以最优的方式进行导航,达到目标位置。
在移动机器人的自动导航中,通过高斯过程优化算法生成当前最优的控制指令可以实现以下方面的最优导航:
最短路径:高斯过程优化算法可以帮助机器人在已知环境中找到最短路径来到目标位置。通过考虑机器人当前位置、姿态信息以及路径规划,算法可以优化路径选择,以减少移动机器人到达目标位置的距离。
避障决策:高斯过程优化算法可以结合环境信息和机器人的位置信息,实时生成避障决策。它可以考虑障碍物的位置、大小和形状等因素,以生成避开障碍物的最优路径。
平滑运动:高斯过程优化算法可以平滑地生成控制指令,避免机器人在导航过程中出现急速变化或震荡。通过考虑机器人的动力学约束和平滑性约束,算法可以生成平稳的控制指令,使机器人的运动更加流畅和稳定。
能量效率:高斯过程优化算法可以优化机器人的运动轨迹,以最小化能量消耗。通过考虑机器人的动力学特性和能量消耗模型,算法可以生成能量效率最高的控制指令,从而延长机器人的工作时间或减少对电池的依赖。
综上所述,通过高斯过程优化算法生成当前最优的控制指令,可以实现最短路径、避障决策、平滑运动和能量效率等方面的最优导航。这些方面的最优性可以使机器人更高效、安全地导航,并以最优的方式达到目标位置。
根据机器人的位置信息、姿态信息和运动规划路径,自适应地调整控制指令,以适应不同的导航场景和障碍物情况。
通过使用高斯过程优化算法,可以提高控制指令的精度和准确性,从而提高机器人导航的准确性和稳定性。
图5为本发明的一示例性实施例示出的一种移动机器人的自动导航方法中步骤S320的流程图;
如图5所示,本发明提供的一种移动机器人的自动导航方法,所述方法中步骤S320具体包括:
S410:根据移动机器人的所述位置信息、所述姿态信息以及所述运动规划路径,构建高斯过程模型,其中,高斯过程模型的函数空间包括定义均值函数和协方差函数;
S420:根据高斯过程优化算法在函数空间中以最小化指定的优化目标函数搜索最优解;
S430:根据最优解生成目标控制指令。
具体的,高斯过程模型是一种用于建模连续函数的概率模型。它基于高斯分布(正态分布)的概念,通过对数据进行观测和学习,可以对未知位置的函数值进行估计,并提供估计的不确定性。
在机器人导航中,高斯过程模型可以用于建模机器人的状态和环境信息,例如位置、姿态、传感器数据等。通过观测和学习过程,高斯过程模型可以提供对当前机器人状态的估计,并生成实时的控制决策。
具体而言,高斯过程模型包括以下要素:
输入空间:表示机器人的状态空间,例如位置和姿态。
均值函数:描述在给定输入位置处函数值的期望。
协方差函数(也称为核函数):描述不同输入位置之间的相关性和不确定性。
通过观测输入位置和对应的函数值,可以通过高斯过程的学习过程估计均值函数和协方差函数的参数。这样,对于给定的输入位置,可以使用高斯过程模型生成函数值的估计,并给出估计的不确定性。
在自动导航中,高斯过程模型可以应用于路径规划和控制决策。通过结合当前机器人的位置信息、姿态信息和运动路径,可以使用高斯过程模型生成实时的控制指令,使机器人能够自主导航并达到目标位置。高斯过程模型的优势在于它能够提供对估计结果的不确定性的量化,从而可以在不确定性较大的情况下采取相应的控制策略,提高导航的安全性和鲁棒性。
需要说明的是,上述实施例所提供的一种移动机器人的自动导航系统与上述实施例所提供的一种移动机器人的自动导航方法属于同一构思,其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。上述实施例所提供的一种移动机器人的自动导航系统在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将系统的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能,本处也不对此进行限制。
本申请的实施例还提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现上述各个实施例中提供的一种移动机器人的自动导航方法。
图6示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是,图6示出的电子设备的计算机系统600仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(Central Processing Unit,CPU)601,其可以根据存储在只读存储器(Read-Only Memory,ROM)602中的程序或者从储存部分608加载到随机访问存储器(Random Access Memory,RAM)603中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 603中,还存储有系统操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(Input/Output,I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分607;包括硬盘等的储存部分608;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入储存部分608。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如前所述的一种移动机器人的自动导航方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的一种移动机器人的自动导航方法。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种移动机器人的自动导航系统,其特征在于,包括:
感知模块,所述感知模块用于获取移动机器人的位置信息、姿态信息以及环境信息,其中,所述环境信息包括障碍物位置、地图数据;
无地图规划模块,所述无地图规划模块与所述感知模块连接,所述无地图规划模块用于接收所述位置信息、所述环境信息,并基于无地图规划算法计算得到路径规划和避障决策,生成移动机器人的运动规划路径;
高斯过程优化规划模块,所述高斯过程优化规划模块与所述感知模块、所述无地图规划模块连接,所述高斯过程优化规划模块用于接收移动机器人的所述位置信息、所述姿态信息以及所述路径规划和所述避障决策,并基于高斯过程优化算法生成实时的控制决策;
执行控制模块,所述执行控制模块与所述高斯过程优化规划模块连接,所述执行控制模块用于接收控制决策,控制移动机器人的运动。
2.根据权利要求1所述的一种移动机器人的自动导航系统,其特征在于,所述感知模块包括激光雷达、摄像头、距离传感器、惯性测量单元。
3.根据权利要求1所述的一种移动机器人的自动导航系统,其特征在于,所述执行控制模块包括伺服控制器、伺服电机。
4.一种移动机器人的自动导航方法,应用于移动机器人的自动导航系统,其特征在于,包括:
S110:通过感知模块获取移动机器人的位置信息、姿态信息以及环境信息,其中,环境信息包括障碍物位置、地图数据;
S120:通过无地图规划模块接收所述位置信息、所述环境信息,并基于无地图规划算法计算得到路径规划和避障决策,生成移动机器人的运动规划路径;
S130:通过高斯过程优化规划模块,接收移动机器人的所述位置信息、所述姿态信息以及所述运动规划路径,并基于高斯过程优化算法生成实时的控制决策;
S140:通过执行控制模块,接收所述高斯过程优化规划模块生成的控制决策,控制机器人的运动,使得移动机器人实现自动导航并达到目标位置。
5.根据权利要求4所述的一种移动机器人的自动导航方法,其特征在于,步骤S120具体包括:
S210:接收移动机器人的所述位置信息、所述环境信息,其中,环境信息包括障碍物位置、地图数据;
S220:根据所述位置信息、所述地图数据使用无地图规划算法生成移动机器人的运动路径;
S230:接收移动机器人的运动路径,根据运动路径中所述障碍物位置,使用避障决策算法对运动路径进行调整;
S240:根据避障决策算法对运动路径调整的结果,生成移动机器人的运动规划路径。
6.根据权利要求5所述的一种移动机器人的自动导航方法,其特征在于,步骤S230中的避障决策算法包括避障力场法、最小转弯半径法。
7.根据权利要求4所述的一种移动机器人的自动导航方法,其特征在于,步骤S130具体包括:
S310:接收移动机器人的所述位置信息、所述姿态信息以及所述运动规划路径;
S320:基于当前移动机器人的所述位置信息和所述姿态信息,以及所述运动规划路径,使用高斯过程优化算法生成目标控制指令;
S330:根据高斯过程优化算法生成的目标控制指令,生成实时的控制决策。
8.根据权利要求7所述的一种移动机器人的自动导航方法,其特征在于,步骤S320具体包括:
S410:根据移动机器人的所述位置信息、所述姿态信息以及所述运动规划路径,构建高斯过程模型,其中,高斯过程模型的函数空间包括定义均值函数和协方差函数;
S420:根据高斯过程优化算法在函数空间中以最小化指定的优化目标函数搜索最优解;
S430:根据最优解生成目标控制指令。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如权利要求4至8中任一项所述的一种移动机器人的自动导航方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行权利要求4至8中任一项所述的一种移动机器人的自动导航方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310582991.8A CN116576847A (zh) | 2023-07-12 | 2023-07-12 | 一种移动机器人的自动导航系统、导航方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310582991.8A CN116576847A (zh) | 2023-07-12 | 2023-07-12 | 一种移动机器人的自动导航系统、导航方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116576847A true CN116576847A (zh) | 2023-08-11 |
Family
ID=87535542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310582991.8A Pending CN116576847A (zh) | 2023-07-12 | 2023-07-12 | 一种移动机器人的自动导航系统、导航方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116576847A (zh) |
-
2023
- 2023-07-12 CN CN202310582991.8A patent/CN116576847A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Asadi et al. | An integrated UGV-UAV system for construction site data collection | |
CN111949027A (zh) | 自适应的机器人导航方法和装置 | |
Irfan et al. | Vision-based guidance and navigation for autonomous mav in indoor environment | |
Zaki et al. | A navigation strategy for an autonomous patrol vehicle based on multi-fusion planning algorithms and multi-paradigm representation schemes | |
Bista et al. | Image-based indoor topological navigation with collision avoidance for resource-constrained mobile robots | |
Vandorpe et al. | Lias: A reflexive navigation architecture for an intelligent mobile robot system | |
Kim et al. | Single 2D lidar based follow-me of mobile robot on hilly terrains | |
Tusseyeva et al. | 3D global dynamic window approach for navigation of autonomous underwater vehicles | |
Piccinelli et al. | Hybrid motion planner integrating global voronoi diagrams and local velocity obstacle method | |
Elsheikh et al. | Dynamic path planning and decentralized FLC path following implementation for WMR based on visual servoing | |
CN116576847A (zh) | 一种移动机器人的自动导航系统、导航方法、设备及介质 | |
CN115494882A (zh) | 基于电磁定位的移动机器人跟随方法、装置及可读介质 | |
Schueftan et al. | Indoor mapping using SLAM for applications in Flexible Manufacturing Systems | |
Elsheikh et al. | Practical path planning and path following for a non-holonomic mobile robot based on visual servoing | |
Bharathiraman et al. | An Empirical Approach for Tuning an Autonomous Mobile Robot in Gazebo | |
Fabiani et al. | Tracking an unpredictable target among occluding obstacles under localization uncertainties | |
Parikh et al. | Autonomous mobile robot for inventory management in retail industry | |
Li et al. | Comparison and evaluation of SLAM algorithms for AGV navigation | |
Pop et al. | Localization and Path Planning for an Autonomous Mobile Robot Equipped with Sonar Sensor | |
Bošnak et al. | Obstacle avoidance for line-following AGV with local maps | |
Faria et al. | Implementation of an autonomous ROS-based mobile robot with AI depth estimation | |
Kivrak et al. | A multilevel mapping based pedestrian model for social robot navigation tasks in unknown human environments | |
Karakaya et al. | A novel local motion planner: Navibug | |
Sanchez et al. | Autonomous navigation with deadlock detection and avoidance | |
Kudriashov et al. | Introduction to Mobile Robots Navigation, Localization and Mapping |
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 |