CN116700228A - 机器人路径规划方法、电子设备及可读存储介质 - Google Patents
机器人路径规划方法、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116700228A CN116700228A CN202210171793.8A CN202210171793A CN116700228A CN 116700228 A CN116700228 A CN 116700228A CN 202210171793 A CN202210171793 A CN 202210171793A CN 116700228 A CN116700228 A CN 116700228A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- information
- robot
- path planning
- preset database
- 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 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012790 confirmation Methods 0.000 claims abstract description 12
- 230000004888 barrier function Effects 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000010408 sweeping Methods 0.000 description 34
- 238000004590 computer program Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 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
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种机器人路径规划方法、电子设备及计算机可读存储介质,所述方法包括:获取多个电子设备采集到的环境信息,其中多个电子设备包括自主移动机器人及非机器人设备;从环境信息中提取障碍物信息,及将障碍物信息存储至预设数据库;确认预设数据库是否存在与障碍物信息对应的障碍物;基于确认结果对障碍物信息进行分类,以更新预设数据库;基于更新的预设数据库训练障碍物规避模型;利用障碍物规避模型及预设路径规划算法,得到自主移动机器人的规划路径。本申请涉及机器人技术领域,综合机器人自身的障碍物感测机制及第三方的障碍物感测机制进行机器人路径规划,可有效提升路径规划的效率与准确性。
Description
技术领域
本申请涉及机器人技术领域,尤其涉及一种机器人路径规划方法、电子设备及计算机可读存储介质。
背景技术
现有机器人获得路径信息一般依靠自身的传感器,例如机器人集成有红外线传感器,或者超声波传感器,或者摄像头等进行路径规划。机器人可以借助传感器避免与障碍物发生防撞,降低盲目行走的可能性,但对于陌生环境无法较好地进行全局规划路径,路径规划算法也无法有效预先工作环境的信息,因此现有机器人存在障碍物信息量不足与优化提升有限的问题。
现有做法一般是让机器人先进行一次陌生环境的路径行走纪录,为下一次路径规划作参考。但是如果环境中新增加了障碍物,路径规划算法无法有效地得到最佳路径,机器人也容易受到新增加的障碍物影响而无法避开障碍物。再者,集成在机器人上的红外线传感器可能会受到有太阳光或者其他灯光干扰,超声波传感器可能存在室内绕射干扰,容易产生障碍物距离的误判。若机器人借助摄像头等进行路径规划,集成在机器人上的二维摄像头存在无法获取障碍物的立体位置信息的问题,三维摄像头虽然可以获取深度信息,但是深度信息有着处理信息量大的问题,增加了机器人的运算负担,单纯只依靠机器人自身采集的视觉信息,在路径规划处理上存在着诸多的不确定性。
发明内容
有鉴于此,有必要提供一种机器人路径规划方法、电子设备及计算机可读存储介质,其基于机器人采集的环境信息及机器人移动区域内的其他电子设备采集的环境信息进行路径规划,可提升路径规划的效率与准确性。
本申请一实施方式提供一种机器人路径规划方法,所述方法包括:获取多个电子设备采集到的环境信息,其中多个电子设备包括自主移动机器人及非机器人设备;从环境信息中提取障碍物信息,及将障碍物信息存储至预设数据库;确认预设数据库是否存在与障碍物信息对应的障碍物;基于确认结果对障碍物信息进行分类,以更新预设数据库;
基于更新的预设数据库训练障碍物规避模型;利用障碍物规避模型及预设路径规划算法,得到自主移动机器人的规划路径。
在一些实施例中,环境信息包括环境影像,从环境信息中提取障碍物信息,包括:对环境影像进行预处理,预处理包括影像筛选和/或影像参数处理;当确定预处理后的环境影像包括可辨识的障碍物时,将环境影像作为障碍物信息。
在一些实施例中,基于确认结果对障碍物信息进行分类,以更新预设数据库,包括:当预设数据库存在与障碍物信息对应的障碍物时,识别环境影像中的障碍物名称及障碍物位置信息,及基于障碍物名称将障碍物位置信息更新至预设数据库;当预设数据库不存在与障碍物信息对应的障碍物时,将环境影像中的障碍物分类为未知障碍物,及将未知障碍物的位置信息更新至预设数据库。
在一些实施例中,环境信息包括障碍物测距数据,从环境信息中提取障碍物信息,包括:基于障碍物测距数据计算得到障碍物坐标;当障碍物坐标位于预设区域内时,将障碍物坐标作为障碍物信息。
在一些实施例中,基于确认结果对障碍物信息进行分类,以更新预设数据库,包括:当预设数据库存在与障碍物信息对应的障碍物时,将障碍物坐标与障碍物关联的数据进行整合,以更新预设数据库;当预设数据库不存在与障碍物信息对应的障碍物时,将与障碍物信息对应的障碍物分类为未知障碍物,及将未知障碍物的障碍物坐标更新至预设数据库。
在一些实施例中,预设路径规划算法包括遍历路径规划算法,利用障碍物规避模型及预设路径规划算法,得到自主移动机器人的规划路径,包括:利用障碍物规避模型预测所述自主移动机器人在多种移动路径上与所述障碍物发生碰撞的概率;基于遍历路径规划算法及障碍物规避模型的预测结果,得到自主移动机器人的遍历路径。
在一些实施例中,机器人路径规划方法还包括:将规划路径发送至自主移动机器人,以使得自主移动机器人基于规划路径进行移动。
在一些实施例中,预设路径规划算法包括遍历路径规划算法,环境信息包括障碍物测距数据及环境影像,障碍物规避模型包括第一障碍物规避模型及第二障碍物规避模型,所述利用所述障碍物规避模型及预设路径规划算法,得到所述自主移动机器人的规划路径,包括:利用基于所述障碍物测距数据训练得到的第一障碍物规避模型预测所述自主移动机器人在多种移动路径上与所述障碍物发生碰撞的概率;利用基于所述环境影像训练得到的第二障碍物规避模型预测所述自主移动机器人在所述多种移动路径上与所述障碍物发生碰撞的概率;基于所述遍历路径规划算法、所述第一障碍物规避模型的预测结果及所述第二障碍物规避模型的预测结果,得到所述自主移动机器人的遍历路径。
本申请一实施方式还提供一种电子设备,所述电子设备包括处理器及存储器,所述存储器用于存储指令,所述处理器用于调用所述存储器中的指令,使得所述电子设备执行上述的机器人路径规划方法。
本申请一实施方式还一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,当所述计算机指令在电子设备上运行时,使得所述电子设备执行上述的机器人路径规划方法。
与现有技术相比,上述机器人路径规划方法、电子设备及计算机可读存储介质,可以将人工智能边缘运算应用在自主移动机器人的路径选择与障碍物规避上,可以有效地提升路径规划效率,障碍物的碰撞机率也能大幅减少,并且综合机器人自身的障碍物感测机制及第三方的障碍物感测机制进行机器人路径规划,可以解决机器人自身观察障碍物不全面与无全局观的路径规划瓶颈,提升路径规划效率与准确性。
附图说明
图1是本申请一实施方式的机器人路径规划方法的应用环境示意图。
图2是本申请另一实施方式的机器人路径规划方法的应用环境示意图。
图3是本申请一实施方式的机器人路径规划方法的步骤流程示意图。
图4是本申请一实施方式的电子设备实现机器人路径规划的流程示意图。
图5是本申请另一实施方式的电子设备实现机器人路径规划的流程示意图。
图6是本申请一实施方式的机器人路径规划装置的功能模块图。
图7是本申请一实施方式的电子设备的结构示意图。
主要元件符号说明
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和具体实施方式对本申请进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施方式及实施方式中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,所描述的实施方式仅是本申请一部分实施方式,而不是全部的实施方式。
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。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本申请。
进一步需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本申请中“至少一个”是指一个或者多个,“多个”是指两个或多于两个。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。本申请的说明书和权利要求书及附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不是用于描述特定的顺序或先后次序。
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请的机器人路径规划方法可应用在一个或者多个电子设备中。所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于处理器、微程序控制器(Microprogrammed Control Unit,MCU)、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
图1是本申请机器人路径规划方法一实施例的应用场景示意图。
该实施例的应用场景可以包括自主移动机器人及非机器人设备。自主移动机器人与非机器人设备处于同一局域网下,使得自主移动机器人与非机器人设备可以相互通信。自主移动机器人、非机器人设备可以通过有线方式、无线方式接入至同一局域网。例如以智能家居场景为例,自主移动机器人可以是扫地机器人,非机器人设备可以包括智能电视、智能冰箱、智能摄像机、智能家居网关等智能家居设备。
如图1所示,该实施例包括扫地机器人10、智能电视11、智能摄像机12、智能家居网关13。智能电视11与智能摄像机12可以具有摄像头,可以获取画面信息,智能电视11与智能摄像机12也可以额外集成有红外线传感器、超声波传感器、激光雷达传感器等测距传感器(智能电视11也可以不包括摄像头,仅具有测距传感器),扫地机器人10可以具有摄像头和/或测距传感器。智能电视11、智能摄像机12一般是具有固定的安装位置,智能电视11、智能摄像机12可以借助摄像头获取环境影像,便于后续可以基于环境影像分析得到障碍物的位置信息。智能电视11、智能摄像机12可以将传感器采集到的测距数据、环境影像等透过无线方式传送给扫地机器人10和/或智能家居网关13,也可以作为扫地机器人10与智能家居网关13进行信息交换的中转设备,例如在宽广的工作区域,扫地机器人10无法与智能家居网关13直接进行通信时,可以凭借智能家庭系统中的电子装置(例如,智能电视11、智能摄像机12等)进行信息中转。
本实例中,由于智能家居系统中的各个智能设备可以具有独立的摄像头和/或测距传感器,且各个智能家居设备具有一定的数据处理能力,各个智能家居设备可以计算自身与其他电子设备、物体的相对距离,不仅局限于通过扫地机器人10的摄像头和/或测距传感器来获取工作区域内的障碍物信息,即扫地机器人可以与工作区域内的各个设备获取的视觉与测距信息进行共享,最后将这些数据传给扫地机器人10或者智能家居网关13进行人工智能边缘运算,得到扫地机器人10的最短遍历路径(清扫路径)。当由扫地机器人10之外的其他设备计算得到最短遍历路径时,该电子设备可以将最终计算得到的最短遍历路径传送给扫地机器人10执行最短遍历路径。可以理解的,由于智能家居设备具有一定的数据处理能力,也可以由智能家居设备中的智能电视11、智能摄像机12等来执行机器人路径规划方法,计算得到扫地机器人10的最短遍历路径。
在一些实施例中,可以选择由扫地机器人10或者非机器人设备中的运算能力较强的设备来执行机器人路径规划方法,得到扫地机器人10的最短遍历路径。
可以理解的,基于扫地机器人10的工作场合的大小,区域较大的工作区域可能需要布设两台或者两台以上的扫地机器人10,多台扫地机器人可以与智能家居中的设备进行障碍物侦测信息共享,同时多台扫地机器人之间也可以相互进行沟通,实现最短的时间完成扫地面积,避免扫地区域重复与发生互相碰撞。
可以理解的,本申请并不以描述扫地机器人的工作区域包括智能电视11、智能摄像机12、智能家居网关13为限制,也可以是包括更多或更少的设备,或者包括其他设备。本申请通过引入第三方观察机制导入人工智能路径判断中,智能家居装置所获得的障碍物位置信息可以有效提供路径选择与人工智能重新训练的数据,不管是障碍物识别、辨识、运算、分类等都具有较高的运算效能与成功率,能够有效地计算出更好的路径数据,且可以将每一次的数据储存并且更新障碍物规避模型,不断提升障碍物规避模型的模型性能,可进行单一障碍物或者多重障碍物的判断与分析,使用者也可以从数据库中提取出计算得到的规划路径,并可加入自定义的建议路径。
如图2所示,为本申请机器人路径规划方法另一实施例的应用场景示意图。
该实施例中包括两个自主移动机器人及多个非机器人设备。例如,两个自主移动机器人均为扫地机器人10,非机器人设备包括第一设备21、第二设备22、第三设备23、第四设备24、第五设备25、第六设备26、第七设备27、第八设备28、第九设备29。非机器人设备可以包括具备摄像头和/或测距传感器的电子设备。例如,第一设备21为包含摄像头的电视机,第二设备22、第三设备23、第四设备24及第五设备25为包含测距传感器的电子设备,第六设备26、第七设备27、第八设备28及第九设备29为包含摄像头的电子设备。本实施可以通过扫地机器人10及多个非机器人设备来获取工作区域200内的各个物体的位置信息,非机器人设备在工作区域200的位置本申请对此不作限定,透过不同角度获取物体的影像信息、测距信息,不同角度所获得信息可以有效提升路径规划的精准度与正确性。
当由扫地机器人10之外的其他设备(如第一至第九设备中的任意一设备)计算得到最短遍历路径时,该设备可以将最终计算得到的最短遍历路径传送给两个扫地机器人10执行最短遍历路径。两个扫地机器人10之间也可以进行信息交互,实现最短的时间完成扫地面积,避免扫地区域重复。本申请通过区域内的其他装置来协助扫地机器人10获取障碍物的位置信息进行路径规划,减少不必要的路径行走记录,且可以让路径的选择性持续上升,同时可以增加区域内其他设备的附近值(例如智能家居系统中的各个智能家居设备的附加价值)。
图3是本申请机器人路径规划方法一实施例的步骤流程图。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
参阅图3所示,所述机器人路径规划方法可以包括以下步骤。
S31、获取多个电子设备采集到的环境信息。
在一些实施例中,多个电子设备可以包括自主移动机器人及非机器人设备,自主移动机器人及非机器人设备可以处于同一局域网下。非机器人设备可以是指自主移动机器人当前的移动区域内除自主移动机器人之外的其他电子设备。非机器人设备可以包括摄像头和/或测距传感器(例如,红外线传感器、超声波传感器、激光雷达传感器等)。自主移动机器人可以包括摄像头和/或测距传感器。
以下以自主移动机器人为扫地机器人10,非机器人设备为家庭场景内的其他电子设备为例进行举例说明。本申请实施例的机器人路径规划方法可以运行在扫地机器人10中,或者运行在非机器人设备中。当机器人路径规划方法运行在扫地机器人10中时,可以由扫地机器人10获取多个电子设备采集到的环境信息,例如非机器人设备将采集到的环境信息传送给扫地机器人10。当机器人路径规划方法运行在某一非机器人设备中时,可以由该非机器人设备获取多个电子设备采集到的环境信息,例如扫地机器人10及其他非机器人设备将采集到的环境信息传送给该非机器人设备。
在一些实施例中,环境信息可以包括障碍物测距数据和/或环境影像。障碍物测距数据可以由电子设备上设置的测距传感器采集得到,环境影像可以由电子设备上设置的摄像头采集得到。
S32、从环境信息中提取障碍物信息,及将障碍物信息存储至预设数据库。
在一些实施例中,假设环境信息包括具有深度信息的环境影像,当获取得到多个电子设备采集到的环境影像时,可以对环境影像进行预处理,预处理可以包括影像的预筛选和/或影像参数处理。影像的预筛选可以是指去除一些明显不包括障碍物的影像,降低后续需进行障碍物识别的影像数量。影像参数处理可以是指调整影像的色彩、对比度等。
当得到预处理后的环境影像时,可以再次识别环境影像中是否包含障碍物,例如可以采用现有的物体检测算法定位出环境影像中的物体的大致轮廓及位置。当确定预处理后的环境影像包括可辨识的障碍物时,可以将环境影像作为障碍物信息,障碍物信息可以存储至预设数据库,以备后续可以基于该预设数据库进行模型的训练、分类、验证等。
在一些实施例中,假设环境信息包括障碍物测距数据,障碍物测距数据可以包括电子设备与障碍物之间的距离、方位等信息。若电子设备具有固定的位置,即可以预先为电子设备定义坐标信息,进而可以基于电子设备的坐标信息及障碍物测距数据计算得到障碍物坐标。
当计算得到障碍物坐标时,可以判断障碍物坐标是否位于预设区域内。对于范围空旷的厂房或者办公室,可以预先设定一较小扫地区域,以符合扫地机器人的一轮电力供应。当障碍物坐标位于预设区域内时,可以将障碍物坐标作为障碍物信息,障碍物信息可以存储至预设数据库,以备后续可以基于该预设数据库进行模型的训练、分类、验证等。
步骤S33、确认预设数据库是否存在与障碍物信息对应的障碍物。
在一些实施例中,假设环境信息包括环境影像,可以确认预设数据库是否存在与障碍物信息对应的障碍物,深度学习模型可以针对不同的障碍物进行分类,可以提升避障成功率。
在一些实施例中,假设环境信息包括障碍物测距数据,可以确认预设数据库是否存在障碍物坐标。深度学习模型可以针对不同的障碍物坐标,预测障碍物可能出现的位置,可以提升避障成功率。
步骤S34、基于确认结果对障碍物信息进行分类,以更新预设数据库。
在一些实施例中,当预设数据库存在与障碍物信息对应的障碍物时,可以通过预设算法或者预设模型(例如障碍物规避模型)识别环境影像中的障碍物名称及障碍物位置信息,及基于障碍物名称将障碍物位置信息更新至预设数据库。当预设数据库不存在与障碍物信息对应的障碍物时,可以将环境影像中的障碍物分类为未知障碍物,及将未知障碍物的位置信息更新至预设数据库。
在一些实施例中,可以基于更新后的预设数据库重新对障碍物规避模型进行训练,通过对障碍物规避模型的反复训练可以提高障碍物规避模型的性能。例如,可以对属于同一个障碍物的影像进行归类,无法辨识的障碍物影像可以归档至未知障碍物中,以便后续进行模型训练时新增分类辨识时使用。通过训练后的障碍物规避模型,可以计算出扫地机器人10通过多种方式避开障碍物行走的机率,路径行走的方式避开障碍物的最短与最佳选定机率各有不同,障碍物规避模型可以计算出各种机率的高低。
在一些实施例中,当预设数据库存在与障碍物信息对应的障碍物时,还可以将障碍物坐标与障碍物的先前量测坐标进行整合,及更新至预设数据库。当预设数据库不存在与障碍物信息对应的障碍物时,将与障碍物信息对应的障碍物分类为未知障碍物,及将未知障碍物的障碍物坐标更新至预设数据库。
在一些实施例中,可以判断预设数据库存在障碍物坐标,若预设数据库存在该障碍物坐标,表明该障碍物先前已被侦测到,可以将障碍物坐标更新至预设数据库,再次对障碍物规避模型进行训练。若预设数据库不存在该障碍物坐标,表明该障碍物先前未被侦测到,该障碍物分类为未知障碍物,未知障碍物的障碍物坐标可以更新至预设数据库,再次对障碍物规避模型进行训练,不断的累积训练可以增强障碍物规避模型的判断准确性。
步骤S35、利用障碍物规避模型及预设路径规划算法,得到自主移动机器人的规划路径。
在一些实施例中,规划路径可以是指从某一起点到某一终点的路径,也可以是指遍历某个区域的路径。
假设规划路径是指遍历某个区域的路径,预设路径规划算法可以包括遍历路径规划算法,进而使得扫地机器人10可以对指定区域进行遍历清扫。例如,可以利用障碍物规避模型预测扫地机器人在多种移动路径上与障碍物发生碰撞的概率,再基于预设遍历路径规划算法及障碍物规避模型的预测结果,得到扫地机器人10的遍历路径。对于处理得到的可能行走路径数据可以由遍历路径规划算法进行运算,确定好的路径还可以存储至预设数据库,以待之后的实际使用与分析,透过上述的路径分析,可以有效的选出较佳的扫地机器人的遍历路径。
在一些实施例中,障碍物规避模型的训练过程可以分为样本数据获取、样本数据分析、模型建立与模型训练验证。越多的样本数据量可以有效的提升模型训练与预测准确性,分析数据是为了找到相似的数据规则,数据搜集如果没有有效的分析整理,模型学习将会没有效率,且没有规则的学习也会降低模型学习之成果并同时增加判断误差,当有了规则之后,可以建立模型,不断地对模型进行累积训练可以增强模型的判断准确性,最后可以将新的数据输入至训练完成的模型,获取模型预测结果。
在一些实施例中,可以通过训练得到的障碍物规避模型可以计算出各种避开障碍物行走的概率,路径行走的方式避开障碍物的最短路径、最佳路径选定机率各有不同,可以透过障碍物规避模型进行路径分类,同一个路径方向与行走的逻辑方式进行归类,可以进行归类的路径数据进行合并,无法归类的路径行走方式则可分开归档至新的行走规划类型中,以便未来进行模型学习时使用。
在一些实施例中,预设路径规划算法也可以集成至障碍物规避模型中,由障碍物规避模型得到扫地机器人10的规划路径。规划路径可以是最佳清扫遍历路径(例如不与障碍物发生碰撞)、最短的清扫遍历路径、最低电能可以完成的清扫遍历路径等。
在一些实施例中,当由非机器人设备计算得到规划路径时,还可以将规划路径通过有线或者无线方式分享给自主移动机器人,以使得自主移动机器人可以基于规划路径进行移动。当由自主移动机器人计算得到规划路径时,自主移动机器人可以直接基于规划路径进行移动。
在一些实施例中,可以综合环境影像障碍物测距数据来进行规划路径计算。例如,多个电子设备中的部分电子设备包括摄像头、部分电子设备包括测距传感器,或者部分电子设备同时包括摄像头与测距传感器。可以基于障碍物测距数据训练得到的第一障碍物规避模型,基于环境影像训练得到的第二障碍物规避模型预测。第一障碍物规避模型可以预测自主移动机器人在多种移动路径上与障碍物发生碰撞的概率,第二障碍物规避模型预测同样可以预测自主移动机器人在多种移动路径上与障碍物发生碰撞的概率,进而可以基于遍历路径规划算法、第一障碍物规避模型的预测结果及第二障碍物规避模型的预测结果,得到自主移动机器人的遍历路径。可以理解的,也可以综合障碍物测距数据及环境影像训练得到单个障碍物规避模型,进行障碍物碰撞预测。
在一些实施例中,可以综合遍历路径的影像运算数据及遍历路径的测距运算数据,进一步提升遍历路径选择的优化,虽然单一的结果依然可以提供扫地机器人10执行,但当两者产生的路径结果不同时,可以将遍历路径的影像运算数据与遍历路径的测距运算数据重新进行运算,基于运算结果重新训练模型产出最佳的路径结果,纵使障碍物会临时产生,既有的路径修改的幅度不大,对人工智能深度学习的判断是相对是容易的,因此本申请综合视觉判断障碍物与测距传感器采集障碍物的坐标方位,可以实现大幅减少电力的损耗,提升扫地机器人的扫地效能。
上述机器人路径规划方法,可以将人工智能边缘运算应用在自主移动机器人的路径选择与障碍物规避上,可以有效地提升诸如扫地机器人的扫地效率,减少重复清扫的耗能,障碍物的碰撞机率也能大幅减少,并且借助第三方的视觉判断与障碍物坐标方位的整合,可以解决扫地机器人自身观察障碍物与无全局观的路径规划瓶颈,提升路径规划效率。
如图4所示,是本申请一实施例的电子设备实现机器人路径规划的流程示意图。
S41、获取环境影像。
在一些实施例中,环境影像可以由电子设备上安装的摄像头采集得到。
S42、判断环境影像是否包括可供辨识的障碍物。
在一些实施例中,若环境影像不包括可供辨识的障碍物,可以返回至步骤S41。
S43、若环境影像包括可供辨识的障碍物,存储环境影像。
在一些实施例中,存储的环境影像可以供后续进行障碍物识别与模型训练之用。
S44、判断环境影像中的障碍物是否在预设资料库中。
S45、若环境影像中的障碍物在预设资料库中,进行障碍物辨识与障碍物资料库更新。
在一些实施例中,可以采用现有的物体识别算法或者模型进行障碍物辨识,并可根据当前环境影像更新预设资料库中存储的该障碍物资料库。
S46、若环境影像中的障碍物不在预设资料库中,将环境影像中的障碍物归类为未知障碍物,存储至预设资料库。
S47、基于预设资料库重新训练障碍物规避模型。
S48、利用预设路径规划算法对障碍物规避模型的预测结果进行运算,得到自主移动机器人的规划路径。
S49、将规划路径传送给自主移动机器人。
如图5所示,是本申请另一实施例的电子设备实现机器人路径规划的流程示意图。
S51、获取障碍物距离与方位信息,及基于障碍物距离与方位信息得到障碍物坐标信息。
在一些实施例中,障碍物距离与方位信息可以由电子设备上安装的测距传感器采集得到。
S52、判断障碍物坐标信息是否处于预设区域内。
在一些实施例中,预设区域可以是指机器人的活动区域。若障碍物坐标信息未处于预设区域内,可以返回至步骤S51。
S53、若障碍物坐标信息处于预设区域内,存储障碍物坐标信息。
在一些实施例中,存储的障碍物坐标信息可以供后续进行模型训练之用。
S54、判断预设资料库是否存储有该障碍物坐标信息。
S55、若预设资料库存储有该障碍物坐标信息,将与该障碍物有关的历史运算数据取出,以重新训练障碍物规避模型。
S56、若设资料库未存储有该障碍物坐标信息,将该障碍物坐标信息对应的障碍物归类为未知障碍物,存储至预设资料库。
S57、基于预设资料库重新训练障碍物规避模型。
S58、利用预设路径规划算法对障碍物规避模型的预测结果进行运算,得到自主移动机器人的规划路径。
S59、将规划路径传送给自主移动机器人。
基于与上述实施例中的机器人路径规划方法相同的思想,本申请还提供机器人路径规划装置,该装置可用于执行上述机器人路径规划方法。为了便于说明,机器人路径规划装置实施例的结构示意图中,仅仅示出了与本申请实施例相关的部分,本邻域技术人员可以理解,图示结构并不构成对该装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图6所示,机器人路径规划装置300包括获取模块101、存储模块102、确认模块103、分类模块104、训练模块105、处理模块106及发送模块107。在一些实施例中,上述模块可以为存储于存储器中且可被处理器调用执行的可程序化软件指令。可以理解的是,在其他实施方式中,上述模块也可为固化于处理器中的程序指令或固件(firmware)。
获取模块101,用于获取多个电子设备采集到的环境信息。
在一些实施例中,多个电子设备可以包括自主移动机器人及非机器人设备。
存储模块102,用于从环境信息中提取障碍物信息,及将障碍物信息存储至预设数据库。
确认模块103,用于确认预设数据库是否存在与障碍物信息对应的障碍物。
分类模块104,用于基于确认结果对障碍物信息进行分类,以更新预设数据库。
训练模块105,用于基于更新的预设数据库训练障碍物规避模型。
处理模块106,用于利用障碍物规避模型及预设路径规划算法,得到自主移动机器人的规划路径。
发送模块107,用于将规划路径发送至自主移动机器人,以使得自主移动机器人基于规划路径进行移动。
图7为本申请电子设备一实施例的示意图。
电子设备400包括存储器20、处理器30以及存储在存储器20中并可在处理器30上运行的计算机程序40。处理器30执行计算机程序40时实现上述机器人路径规划方法实施例中的步骤,例如图3所示的步骤S31~S35。
示例性的,计算机程序40同样可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在存储器20中,并由处理器30执行。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,所述指令段用于描述计算机程序40在电子设备400中的执行过程。例如,可以分割成图6所示的获取模块101、存储模块102、确认模块103、分类模块104、训练模块105、处理模块106及发送模块107。
本领域技术人员可以理解,所述示意图仅仅是电子设备400的示例,并不构成对电子设备400的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如电子设备400还可以包括输入输出设备、网络接入设备、总线等。
处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器、单片机或者处理器30也可以是任何常规的处理器等。
存储器20可用于存储计算机程序40和/或模块/单元,处理器30通过运行或执行存储在存储器20内的计算机程序和/或模块/单元,以及调用存储在存储器20内的数据,实现电子设备400的各种功能。存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备400的使用所创建的数据(比如音频数据)等。此外,存储器20可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
电子设备400集成的模块/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,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在本申请所提供的几个实施例中,应该理解到,所揭露的电子设备和方法,可以通过其它的方式实现。例如,以上所描述的电子设备实施例仅仅是示意性的,例如,所述单元的划分,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。
另外,在本申请各个实施例中的各功能单元可以集成在相同处理单元中,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相同单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。电子设备权利要求中陈述的多个单元或电子设备也可以由同一个单元或电子设备通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照上述实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
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:
获取多个电子设备采集到的环境信息,其中所述多个电子设备包括自主移动机器人及非机器人设备;
从所述环境信息中提取障碍物信息,及将所述障碍物信息存储至预设数据库;
确认所述预设数据库是否存在与所述障碍物信息对应的障碍物;
基于确认结果对所述障碍物信息进行分类,以更新所述预设数据库;
基于更新的所述预设数据库训练所述障碍物规避模型;
利用所述障碍物规避模型及预设路径规划算法,得到所述自主移动机器人的规划路径。
2.如权利要求1所述的机器人路径规划方法,其特征在于,所述环境信息包括环境影像,所述从所述环境信息中提取障碍物信息,包括:
对所述环境影像进行预处理,所述预处理包括影像筛选和/或影像参数处理;
当确定预处理后的环境影像包括可辨识的障碍物时,将所述环境影像作为所述障碍物信息。
3.如权利要求2所述的机器人路径规划方法,其特征在于,所述基于确认结果对所述障碍物信息进行分类,以更新所述预设数据库,包括:
当所述预设数据库存在与所述障碍物信息对应的障碍物时,识别所述环境影像中的障碍物名称及障碍物位置信息,及基于所述障碍物名称将所述障碍物位置信息更新至所述预设数据库;
当所述预设数据库不存在与所述障碍物信息对应的障碍物时,将所述环境影像中的障碍物分类为未知障碍物,及将所述未知障碍物的位置信息更新至所述预设数据库。
4.如权利要求1所述的机器人路径规划方法,其特征在于,所述环境信息包括障碍物测距数据,所述从所述环境信息中提取障碍物信息,包括:
基于所述障碍物测距数据计算得到障碍物坐标;
当所述障碍物坐标位于预设区域内时,将所述障碍物坐标作为所述障碍物信息。
5.如权利要求4所述的机器人路径规划方法,其特征在于,所述基于确认结果对所述障碍物信息进行分类,以更新所述预设数据库,包括:
当所述预设数据库存在与所述障碍物信息对应的障碍物时,将所述障碍物坐标与所述障碍物关联的数据进行整合,以更新所述预设数据库;
当所述预设数据库不存在与所述障碍物信息对应的障碍物时,将与所述障碍物信息对应的障碍物分类为未知障碍物,及将所述未知障碍物的障碍物坐标更新至所述预设数据库。
6.如权利要求1所述的机器人路径规划方法,其特征在于,所述预设路径规划算法包括遍历路径规划算法,所述利用所述障碍物规避模型及预设路径规划算法,得到所述自主移动机器人的规划路径,包括:
利用所述障碍物规避模型预测所述自主移动机器人在多种移动路径上与所述障碍物发生碰撞的概率;
基于所述遍历路径规划算法及所述障碍物规避模型的预测结果,得到所述自主移动机器人的遍历路径。
7.如权利要求1所述的机器人路径规划方法,其特征在于,还包括:
将所述规划路径发送至所述自主移动机器人,以使得所述自主移动机器人基于所述规划路径进行移动。
8.如权利要求1所述的机器人路径规划方法,其特征在于,所述预设路径规划算法包括遍历路径规划算法,所述环境信息包括障碍物测距数据及环境影像,所述障碍物规避模型包括第一障碍物规避模型及第二障碍物规避模型,所述利用所述障碍物规避模型及预设路径规划算法,得到所述自主移动机器人的规划路径,包括:
利用基于所述障碍物测距数据训练得到的第一障碍物规避模型预测所述自主移动机器人在多种移动路径上与所述障碍物发生碰撞的概率;
利用基于所述环境影像训练得到的第二障碍物规避模型预测所述自主移动机器人在所述多种移动路径上与所述障碍物发生碰撞的概率;
基于所述遍历路径规划算法、所述第一障碍物规避模型的预测结果及所述第二障碍物规避模型的预测结果,得到所述自主移动机器人的遍历路径。
9.一种电子设备,所述电子设备包括处理器及存储器,其特征在于,所述存储器用于存储指令,所述处理器用于调用所述存储器中的指令,使得所述电子设备执行如权利要求1至权利要求8中任一项所述的机器人路径规划方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,当所述计算机指令在电子设备上运行时,使得所述电子设备执行如权利要求1至权利要求8中任一项所述的机器人路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210171793.8A CN116700228A (zh) | 2022-02-24 | 2022-02-24 | 机器人路径规划方法、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210171793.8A CN116700228A (zh) | 2022-02-24 | 2022-02-24 | 机器人路径规划方法、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116700228A true CN116700228A (zh) | 2023-09-05 |
Family
ID=87824435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210171793.8A Pending CN116700228A (zh) | 2022-02-24 | 2022-02-24 | 机器人路径规划方法、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116700228A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117452955A (zh) * | 2023-12-22 | 2024-01-26 | 珠海格力电器股份有限公司 | 清扫设备的控制方法、控制装置和清扫系统 |
-
2022
- 2022-02-24 CN CN202210171793.8A patent/CN116700228A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117452955A (zh) * | 2023-12-22 | 2024-01-26 | 珠海格力电器股份有限公司 | 清扫设备的控制方法、控制装置和清扫系统 |
CN117452955B (zh) * | 2023-12-22 | 2024-04-02 | 珠海格力电器股份有限公司 | 清扫设备的控制方法、控制装置和清扫系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108496129B (zh) | 一种基于飞行器的设施检测方法及控制设备 | |
EP3405845B1 (en) | Object-focused active three-dimensional reconstruction | |
CN112149550B (zh) | 一种基于多传感器融合的自动驾驶车辆3d目标检测方法 | |
US20220019810A1 (en) | Object Monitoring System and Methods | |
Levinson et al. | Traffic light mapping, localization, and state detection for autonomous vehicles | |
CN113424079A (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
US11475671B2 (en) | Multiple robots assisted surveillance system | |
CN111988524A (zh) | 一种无人机与摄像头协同避障方法、服务器及存储介质 | |
CN111026115A (zh) | 一种基于深度学习的机器人避障控制方法及装置 | |
Cardarelli et al. | Multisensor data fusion for obstacle detection in automated factory logistics | |
CN114998276A (zh) | 一种基于三维点云的机器人动态障碍物实时检测方法 | |
CN111783726A (zh) | 基于人工智能和bim的放牧牲畜离群视频采集方法 | |
CN116700228A (zh) | 机器人路径规划方法、电子设备及可读存储介质 | |
JP7208610B2 (ja) | 車両認識システムおよび車両認識方法 | |
CN117516581A (zh) | 融合BEVFormer和邻域注意力Transformer端到端自动驾驶轨迹规划系统、方法及训练方法 | |
CN113454558A (zh) | 障碍物检测方法、装置、无人机和存储介质 | |
CN111739332A (zh) | 一种停车场管理系统 | |
CN115909253A (zh) | 一种目标检测、模型训练方法、装置、设备及存储介质 | |
CN114723782A (zh) | 一种基于异构图学习的交通场景运动目标感知方法 | |
KR20220067271A (ko) | 영상취득장치 및 영상취득방법 | |
KR20230036243A (ko) | 영상과 라이다를 이용한 실시간 3차원 물체 인식 및 추적 시스템 | |
KR102647135B1 (ko) | 인공지능 기반 객체 탐지 알고리즘을 이용하는 시공 현장을 위한 실시간 균열 탐지 시스템 및 이를 위한 동작 방법 | |
CN113790761B (zh) | 驾驶端定位方法、装置、计算机设备和存储介质 | |
CN113827152B (zh) | 区域状态确定方法、装置及机器人 | |
CN117472069B (zh) | 一种用于输电线路检测的机器人控制方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |