CN116700298A - 路径规划方法、系统、设备及存储介质 - Google Patents
路径规划方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116700298A CN116700298A CN202310993651.4A CN202310993651A CN116700298A CN 116700298 A CN116700298 A CN 116700298A CN 202310993651 A CN202310993651 A CN 202310993651A CN 116700298 A CN116700298 A CN 116700298A
- Authority
- CN
- China
- Prior art keywords
- path
- robot
- information
- obstacle
- global
- 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 86
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 230000003068 static effect Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000036961 partial effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本公开提供一种路径规划方法、设备、系统及存储介质,调度中心维护有拓扑地图,调度中心用于:获取机器人发送的机器人所处位置,基于拓扑地图确定机器人周边的通行节点后为机器人进行全局路径规划,获取规划出的全局路径的路径信息发送给机器人;在机器人确定无法按照全局路径的路径信息移动至全局路径中目标通行节点,采集周围环境信息并规划出从当前位置至目标通行节点的局部路径,将局部路径的路径信息发送给调度中心;调度中心用于确定局部路径未与其他机器人的路径冲突,更新拓扑地图,并向机器人发送局部路径的可通行指令,以使机器人基于局部路径的路径信息通行至目标通行节点后继续基于全局路径的路径信息进行工作。
Description
技术领域
本公开涉及路径规划技术领域,尤其涉及路径规划方法、设备、系统及存储介质。
背景技术
随着机器人技术的迅猛发展,多机器人系统已应用在各行各业,例如仓库自动搬运、工厂生产线或码头搬运等等。多机器人系统往往包含着多移动机器人控制体系、任务分配、通信、路径规划等问题,其中路径规划是机器人系统的关键一环。目前的多机器人路径规划主要采用单一的集中式或分布式。
在集中式路径规划中,所有机器人的路径规划由一个中央控制器进行管理和优化。其优点是可以在全局范围内进行优化,避免机器人之间的碰撞和冲突,同时也可以更好地控制和管理整个系统。然而,集中式路径规划的缺点是需要大量的计算资源和时间,且比较脆弱,容易受到单点故障的影响。
分布式路径规划则是在机器人之间进行通信和协调来实现路径规划。每个机器人都可以独立地进行路径规划和决策,并通过协作来协调冲突和避免碰撞。这种方法的优点是可以在系统中实现更好的鲁棒性和可扩展性,同时也可以更好地应对机器人之间的通信延迟和故障。然而,分布式路径规划的缺点是可能存在局部优化和决策的不一致性,导致系统效率低下和冲突情况发生。
发明内容
为克服相关技术中存在的问题,本公开提供了路径规划方法、设备、系统及存储介质。
根据本说明书实施例的第一方面,提供一种路径规划方法,所述方法应用于调度中心,所述调度中心维护有拓扑地图,所述拓扑地图包括表示机器人集群中机器人可达位置的通行节点,所述通行节点的边表征机器人的可通行路径;所述方法包括:
获取机器人发送的机器人所处位置;根据所述机器人的机器人所处位置,基于所述拓扑地图确定所述机器人周边的通行节点后为所述机器人进行全局路径规划,获取规划出的全局路径的路径信息发送给所述机器人;
接收所述机器人发送的局部路径的路径信息;所述局部路径的路径信息是所述机器人基于所述全局路径的路径信息进行工作,在确定无法按照所述全局路径的路径信息移动至所述全局路径中目标通行节点的情况下,采集周围环境信息并规划出从当前位置至所述目标通行节点的局部路径,获取所述局部路径的路径信息并发送的;
若根据所述局部路径的路径信息确定所述局部路径未与其他机器人的路径冲突,基于所述局部路径的路径信息更新所述拓扑地图,并向所述机器人发送所述局部路径的可通行指令,以使所述机器人基于所述局部路径的路径信息通行至所述目标通行节点后继续基于所述全局路径的路径信息进行工作。
根据本说明书实施例的第二方面,提供一种路径规划方法,所述方法应用于路径规划系统包括的机器人集群中的机器人;所述路径规划系统还包括调度中心,所述调度中心维护有拓扑地图,所述拓扑地图包括表示机器人可达位置的通行节点,所述通行节点的边表征机器人的可通行路径;所述方法包括:
将所处位置发送给所述调度中心,以使所述调度中心基于所述拓扑地图确定所述机器人周边的通行节点后为所述机器人进行全局路径规划,获取规划出的全局路径的路径信息并发送给所述机器人;
接收所述调度中心发送的所述全局路径的路径信息并进行工作;
若确定无法按照所述全局路径的路径信息移动至所述全局路径中目标通行节点,采集周围环境信息并规划出从当前位置至所述目标通行节点的局部路径,将所述局部路径的路径信息发送给所述调度中心,以使所述调度中心根据所述局部路径的路径信息确定所述局部路径未与其他机器人的路径冲突,基于所述局部路径的路径信息更新所述拓扑地图,并向所述机器人发送所述局部路径的可通行指令;
若接收到所述局部路径的可通行指令,基于所述局部路径的路径信息通行至所述目标通行节点后继续基于所述全局路径的路径信息进行工作。
根据本说明书实施例的第三方面,提供一种路径规划系统,所述路径规划系统包括调度中心和机器人集群,所述调度中心用于执行第一方面所述方法的步骤,所述机器人集群中任一机器人用于执行第二方面所述方法的步骤。
根据本说明书实施例的第五方面,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现前述第二方面或第三方面所述方法实施例的步骤。
根据本说明书实施例的第六方面,提供一种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前述第二方面或第三方面所述方法实施例的步骤。
本说明书的实施例提供的技术方案可以包括以下有益效果:
本说明书实施例中,采用了集中式路径规划和分布式路径规划相结合的架构,调度中心可以为各机器人进行全局路径规划,机器人在基于规划出的全局路径工作时,若发现全局路径中某些节点无法到达,则由机器人基于周围环境信息规划局部路径到达节点后继续进行工作。如此,解决了集中式路径规划无法适应动态变化的环境,可以在保持全局优化的同时,更好地应对局部冲突,提高整个系统的效率和可靠性。
其次,集中式路径规划下,调度中心是基于拓扑地图中的节点进行路径规划,已有集中式规划下需要人工将机器人放置在地图中节点的位置;而由于本实施例的机器人可以自行规划局部路径,因此本实施例中机器人在开始工作时无需要求机器人必须位于拓扑地图中的节点,从而减少了人工介入。
此外,由于机器人基于环境信息规划出了已有拓扑地图中未有的局部路径,因此局部路径可以动态更新至拓扑地图中,使得拓扑地图越来越精细化。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本说明书的实施例,并与说明书一起用于解释本公开的原理。
图1A是本说明书根据一示例性实施例示出的一种路径规划系统的场景示意图。
图1B是本说明书根据一示例性实施例示出的一种路径规划方法的流程图。
图2A至图2C是本说明书根据一示例性实施例示出的一种路径规划示意图。
图3A和图3B是本说明书根据一示例性实施例示出的另一种路径规划示意图。
图4是本说明书根据一示例性实施例示出的一种路径规划方法的流程图。
图5是本说明书根据一示例性实施例示出的一种计算机设备的硬件结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本公开所涉及的用户信息(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,并且相关数据的收集、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,并提供有相应的操作入口,供用户选择授权或者拒绝。
多机器人路径规划是现代工业和制造业领域中的重要技术之一,正在成为未来自动化生产和运输领域中不可或缺的关键技术。多机器人路径规划是一种针对多个机器人同时进行路径规划的问题的解决方案。在多机器人系统中,机器人之间相互作用、相互影响。多机器人路径规划的目的是通过合理的路径规划方法,使机器人能够高效地完成任务,同时避免机器人之间的碰撞和冲突。
多机器人路径规划可以通过集中式和分布式两种方式进行。在集中式路径规划中,所有机器人的路径规划由一个中央控制器进行管理和优化。这种方法的优点是可以在全局范围内进行优化,避免机器人之间的碰撞和冲突,同时也可以更好地控制和管理整个系统。然而,集中式路径规划的缺点是需要大量的计算资源和时间,同时也比较脆弱,容易受到单点故障的影响。
另外,一些集中式多机器人路径规划方法基于拓扑地图实现,规划的前提是机器人需要位于拓扑节点上,同时都是基于固定的拓扑地图进行路径规划,很难适应变化的环境,规划出的路径未能考虑环境中变化的障碍物,导致规划的路径无法执行。具体的,拓扑地图中包括多个拓扑节点,集中式路径规划方法规划出的机器人的路径是由多个拓扑节点构成的,因此要求机器人需要位于路径的初始节点上。如此,需要运维人员将机器人放置在拓扑地图中的拓扑节点上,否则机器人难以开启后续的工作。机器人开始工作后需要严格按照路径工作,若在某些路径段上出现障碍物,则导致规划的路径无法执行,无法适应变化的环境。
另一方面,分布式路径规划则是在机器人之间进行通信和协调来实现路径规划。每个机器人都可以独立地进行路径规划和决策,并通过协作来协调冲突和避免碰撞。这种方法的优点是可以在系统中实现更好的鲁棒性和可扩展性,同时也可以更好地应对机器人之间的通信延迟和故障。然而,分布式路径规划的缺点是可能存在局部优化和决策的不一致性,导致系统效率低下和冲突情况发生。
目前的多机器人路径规划主要采用单一的集中式或分布式,由于其各有优劣性,目前的多机器人路径规划方法鲁棒性差且系统运行效率低。基于此,希望能够通过一种融合集中式和分布式的路径规划方案,但两者结合的情况下如何设计路径规划方案是亟待解决的技术问题。
一些融合的思路是,调度系统通过集中式路径规划为各机器人规划出全局路径后,由各机器人从各自的全局路径进行简化,保留其中的关键节点,之后各机器人再次执行分布式规划得到各自的路径,之后机器人是按照分布式规划的路径进行工作。此种方案既需要进行一次集中式路径规划,又需要各机器人再次执行分布式规划,因此需要耗费较大的计算资源。由于在路径执行阶段采用各机器人自身规划的路径,仅考虑了环境的变化,未考虑其他机器人的实时情况,仍然无法避免分布式规划的死锁问题,本质上仍然是分布式规划的思路。
另一些融合的思路是,采用两阶段多机器人路径规划,包括全局路径规划阶段,使用改进基于冲突搜索算法为多机器人规划出全局最优路径;以及在线运动协同规划阶段,局部冲突实时检测;但该方案中,各机器人自身规划时仅仅考虑周围机器人的实时位置和速度,并未考虑其他机器人的路径及周围的环境信息,规划的路径可能与其他机器人形成死锁或无法适用动态变化的环境。
基于此,本说明书实施例提供了一种路径规划方案,采用了集中式路径规划和分布式路径规划相结合的架构,调度中心可以为各机器人进行全局路径规划,机器人在基于规划出的全局路径工作时,若发现全局路径中某些节点无法到达,则由机器人基于周围环境信息规划局部路径到达节点后继续进行工作。如此,解决了集中式路径规划无法适应动态变化的环境,可以在保持全局优化的同时,更好地应对局部冲突,提高整个系统的效率和可靠性。其次,集中式路径规划下,调度中心是基于拓扑地图中的节点进行路径规划,已有集中式规划下需要人工将机器人放置在地图中节点的位置;而由于本实施例的机器人可以自行规划局部路径,因此本实施例中机器人在开始工作时无需要求机器人必须位于拓扑地图中的节点,从而减少了人工介入。此外,由于机器人基于环境信息规划出了已有拓扑地图中未有的局部路径,因此局部路径可以动态更新至拓扑地图中,使得拓扑地图越来越精细化。接下来对本说明书实施例进行详细说明。
如图1A所示,是本说明书根据一示例性实施例示出的一种路径规划系统的示意图,该系统包括调度中心和机器人集群;其中,调度中心可以是服务器、服务器集群或云服务器。机器人集群包括一台或多台机器人。
本实施例的机器人可以包括任意的可移动平台,例如人形机器人、无人机或工业机器人(如搬运机器人)等等。以AGV(Automated Guided Vehicle,自动导引运输车或是无人搬运车)为例,AGV是一种运输车,其装备有自动导引装置,能够沿规定的导引路径行驶,具有安全保护以及各种移载功能。AGV在控制系统的指挥下能够自动地完成货物的取、放以及水平运行的全过程。
本实施例的路径规划系统可以应用于多种场景,例如仓储、工厂线边物流、码头装卸等场景,本实施例对此不进行限定。在这些场景下,需要解决路径规划问题(MAPF:Multi-Agent Path Finding),即多个机器人从起始位置到目标位置且无冲突的最优路径集合的规划问题。
本实施例中,调度中心维护有拓扑地图;拓扑地图是一种基于网络拓扑结构的地图表示方法,其可以将地理空间中的各个位置抽象为节点,并通过连接这些节点的边来表示它们之间的关系。拓扑地图可以预先基于机器人的工作场景的实际物理空间建立得到。本实施例的拓扑地图包括表示机器人可达位置的通行节点,通行节点的边表征机器人的可通行路径。实际应用中,根据需要拓扑地图中还可以包括其他类型的节点,本实施例对此不进行限定。
作为例子,拓扑地图中的通行节点的设置,可以是在工作场景中的特定位置铺设视觉标识(如二维码或条码等),每一个视觉标识可以作为拓扑地图中的节点,其代表工作场景中的特定位置,视觉标识中可以携带机器人在工作场景中的可达位置,还可以携带其他信息,例如工作站、货架、机器人休息点、机器人的充电位置等等,本实施例对此不进行限定。机器人可以基于识别到的视觉标识,基于视觉标识中携带的信息在工作场景中工作。在另一个例子中,可以机器人可以基于SLAM(Simultaneous Localization and Mapping,即时定位与地图构建)工作,通过使用传感器(如激光雷达、相机、惯性测量单元等)采集周围环境信息,基于此估计自身在所处环境中的位姿以及构建地图。而调度中心所维护的拓扑地图可以是预先利用机器人基于SLAM构建的地图得到的,也可以是由人工预先配置的。在此种方式下,调度中心维护的拓扑地图和机器人所构建的地图可以是经过坐标系对齐(即采用相同的坐标原点)的地图。其中,拓扑地图中的节点可以工作场景下的任意位置。
如图1B所示,是本说明书根据一示例性实施例示出的一种路径规划方法的流程图,包括如下步骤:
在步骤102中,获取机器人发送的机器人所处位置;根据所述机器人的机器人所处位置,基于所述拓扑地图确定所述机器人周边的通行节点后为所述机器人进行全局路径规划,获取规划出的全局路径的路径信息发送给所述机器人。
在步骤104中,接收所述机器人发送的局部路径的路径信息;所述局部路径的路径信息是所述机器人基于所述全局路径的路径信息进行工作,在确定无法按照所述全局路径的路径信息移动至所述全局路径中目标通行节点的情况下,采集周围环境信息并规划出从当前位置至所述目标通行节点的局部路径,获取所述局部路径的路径信息并发送的。
在步骤106中,若根据所述局部路径的路径信息确定所述局部路径未与其他机器人的路径冲突,基于所述局部路径的路径信息更新所述拓扑地图,并向所述机器人发送所述局部路径的可通行指令,以使所述机器人基于所述局部路径的路径信息通行至所述目标通行节点后继续基于所述全局路径的路径信息进行工作。
本实施例中,由调度中心为机器人集群中各机器人进行全局路径规划,全局路径规划算法可以根据需要进行配置,例如A*(一种启发式搜索算法),能够在网络中求解最短路径问题,高效地找到起点到目标点的最优路径。还可以包括迪杰斯特拉算法(Dijkstra'sAlgorithm)或D* 算法(D-Star Algorithm)等等。其中,各机器人规划的终点可以基于实际场景下为机器人分配的工作任务而确定。
其中,本实施例的规划起点,由调度中心获取机器人所处位置后确定。本实施例中调度系统在进行全局路径规划时,并不要求机器人必须位于拓扑节点上。调度中心可以基于拓扑地图以及机器人所处位置,确定机器人周边的某个通行节点作为规划的起始通行节点。例如,可以基于拓扑地图确定出距离机器人最近的通行节点作为起始通行节点。当然,若机器人恰好处于拓扑地图中的通行节点,则以该节点作为起始通行节点规划全局路径。
基于此,调度中心可以为各个机器人规划出每个机器人的全局路径。此处进行集中式规划的时机可以对应于实际应用场景下的多种情况。例如,可以包括:
①可以是机器人集群开始工作时,由调度中心为集群中所有机器人进行全局路径规划。
②可以是一个或多个(两个及以上)机器人因故障等原因退出工作,经过运维人员处理后,在某个位置重新加入工作,此处重新加入工作时,调度中心可以是为重新加入的机器人单独进行全局路径规划,也可以是结合机器人集群其他机器人再次执行全局路径规划。
③可以是机器人集群在工作过程中,在集群中增加新的机器人,调度中心可以是为新加入的机器人单独进行全局路径规划,也可以是结合机器人集群其他机器人再次执行全局路径规划。
④可以在机器人集群在工作过程中,由于一个或多个机器人所执行的路径发生冲突的情况下,为这些路径发生冲突的机器人重新进行全局路径规划。
其中,规划出的全局路径包括多个通行节点以及这些节点之间的通行顺序,全局路径的路径信息包括全局路径中各通行节点的节点信息,以及表示通行顺序的信息。例如,路径信息可以采用序列表示,该序列中包括多个节点信息,序列中各个节点的节点信息即表示节点之间的通行顺序。其中,节点信息可以包括如下一种或多种节点的属性信息:节点标识、节点在设定坐标系中的坐标信息或类型信息等等。可选的,基于实际应用场景,全局路径的路径信息还可以包括其他信息,例如与机器人的工作相关的信息,如指示机器人在某个节点搬运货物或指示机器人在某个节点卸载货物的信息等等,本实施例对此不进行限定。
实际应用中,调度中心可以将全局路径中整段路径的路径信息发送给机器人。
考虑到后续机器人工作中可能遇到的冲突及环境变化等问题,在另一些例子中,所述将所述全局路径的路径信息发送给所述机器人,包括:接收所述机器人按照设定周期发送的当前位置信息;将所述全局路径划分为多段子全局路径,将各段子全局路径的路径信息按顺序分批次发送给所述机器人;其中,在每一段子全局路径的路径信息发送给所述机器人之前,是根据各机器人的当前位置信息,确定该段子全局路径未与其他机器人冲突的情况下发送的。
本实施例中,所述机器人还可用于:按照设定周期发送当前位置信息给所述调度中心。实施例中,调度中心规划出全局路径可以根据设定的划分方式对其划分出多段子路径;划分的方式可以根据需要进行配置,例如可以按照距离划分(例如各段子路径的长度相同)、可以按照节点数量划分(例如各段子路径中包含的节点数量相同)等等。之后,调度中心将分段发送子全局路径。如此,调度中心在发送之前,可以根据各机器人的当前位置信息,可以先确定要发送的子全局路径是否会与其他机器人冲突。
由于各机器人在基于全局路径工作需要持续一定时间,随时都有可能出现突发情况,而本实施例是分段发送,每一次发送之前再进行冲突判断,如此,调度中心可以根据各机器人的实时位置,以及每一次下发子路径时,可以确定机器人是否有待发送的子路径的权限。可以解决实际工作场景下可能出现的冲突问题。
例如,以3个机器人为例,对于机器人A,其全局路径划分出多段子路径包括子路径a1、子路径a2、子路径a3等。对于机器人B,其全局路径划分出多段子路径包括子路径b1、子路径b2、子路径b3等。对于机器人C,其全局路径划分出多段子路径包括子路径c1、子路径c2、子路径c3等。
各机器人会按照设定周期发送自身的实时位置。调度中心在给各机器人发送各段子路径时,会结合各机器人发送的自身实时位置,先确定机器人是否拥有即将发送的路径的路权。例如,按顺序需要先将子路径a1发送给机器人A、将子路径b1发送给机器人B、将子路径c1发送给机器人C。调度中心在发送前先确定机器人A是否有子路径a1的路权,若有,再向机器人发送子路径a1;其他机器人的处理也如此。子路径可以包括一个或多个通信节点,各机器人即将执行完成一段路径时,例如机器人持续发送自身位置给调度中心,调度中心可以确定机器人当前执行的子路径还剩余n个节点未完成,n可以根据需要进行设置,调度中心则可以提前申请该机器人的下一段子路径的路权(申请路权即判断申请的子路径是否与其他机器人冲突),以提前申请到下一段子路径发送给机器人。例如检测到机器人A的所处位置以及机器人A当前正在执行的子路径a1,发现a1还有n个节点未完成,调度中心申请机器人A的下一段子路径a2的路权,若申请到,也即确定子路径a2未与其他机器人的路径相冲突,此处确定是否冲突,可以是与集群中任一其他机器人当前正在执行的路径以及即将执行路径相比较,即将执行的路径可以是其他机器人当前正在执行的路径的下一段路径或更多路径。若申请到,可以将子路径a2提前发送给机器人A。其他子路径的处理也同理,其他机器人的处理也同理。
其中,调度中心确定机器人是否有路径的路权的方式可以根据实际需要灵活进行配置。例如,确定机器人A是否有子路径a1的路权时,调度中心可以判断子路径a1,是否与其他机器人当前在执行的路径相冲突,或者,根据需要还可以结合其他机器人即将要执行的路径进行判断,此处的“即将”可以根据需要进行配置,例如设定的未来时间段后,即其他机器人在设定的未来时间段即将要执行的路径。其中,冲突的定义可以根据实际需要进行配置。
若有冲突,可以自定义多种冲突解决方式。例如,可以是暂缓子路径的执行,例如让机器人A在原地等待一定时间后再执行子路径a1。或者是为机器人A重新规划新的全局路径。或者还可以是为集群中的一个或多个机器人重新规划新的全局路径等等。
本实施例中,机器人接收到全局路径的路径信息后,按照指示进行工作。其中,机器人可以基于其自身配置的传感器等检测自身是否可以移动至全局路径中的通行节点。此处无法移动至全局路径中的目标通行节点的情况,可以包括多种,例如,可以是机器人开始工作时发现自身并未处于全局路径中的起始通行节点,还可以是机器人在前往目标通行节点的过程中检测到障碍物。
作为一个例子,所述在确定无法按照所述全局路径的路径信息移动至所述全局路径中的目标通行节点的情况下,基于采集的周围环境信息,规划出从当前位置至目标通行节点的局部路径,包括:
获取所述全局路径的起始通行节点;
若机器人当前位置未处于所述起始通行节点,确定无法按照所述全局路径的路径信息移动至所述起始通行节点;
采集周围环境信息并规划出从当前位置至所述起始通行节点的局部路径。
例如,全局路径的路径信息中包括全局路径的起始通行节点的节点信息,例如在设定坐标系中的坐标信息;机器人可以检测自身的位置信息,例如在设定坐标系中的坐标信息;机器人将两个坐标信息进行比对,即可判断自身是否处于起始通行节点。或者,判断是否处于起始通行节点也可以是调度中心获取到机器人的所处位置后进行判断的,调度中心将判断结果发送给机器人。机器人基于判断结果,可以执行局部规划。其中,局部规划算法可以有多种,例如可以是基于采样的局部路径规划算法等。机器人利用自身搭载的传感器等采集周围环境信息,并基于算法规划出从当前位置至所述起始通行节点的局部路径。
通过上述实施例,机器人在开始工作时无需位于拓扑地图中的通行节点,使得机器人的适用场景更加灵活,也减少了人工介入。
在另一些例子中,针对检测到障碍物的场景,所述接收所述机器人发送的局部路径的路径信息,包括:
接收所述机器人在前往所述全局路径中目标通行节点的过程中检测到障碍物后采集的障碍物信息;
若基于采集的障碍物信息确定所述障碍物为静态障碍物,向所述机器人发送规划指令,以使所述机器人基于采集的周围环境信息,规划出从当前位置至目标通行节点的局部路径;
接收所述机器人发送的所述局部路径的路径信息。
本实施例中,机器人可以通过搭载的传感器检测其前往全局路径中目标通行节点的过程中是否出现障碍物。此处的目标通行节点可以是全局路径中的任意节点,例如全局路径中的起始通行节点、机器人移动过程中在当前位置的下一个节点、机器人当前执行的子路径中的任一节点等等。机器人可以在工作的过程中实时持续地检测。若检测到障碍物,机器人可以停止移动,并进一步地采集障碍物信息,采集可以持续一定时间,从而得到一段时间的采集数据。基于采集的障碍物信息可以识别障碍物是动态障碍物抑或静态障碍物。例如,可以基于障碍物信息识别障碍物的类型(如人或货物等)、基于障碍物信息识别障碍物是否发生移动等等,识别的方式可以采用已有技术中的识别算法,本实施例在此不进行赘述。识别的过程可以由机器人执行,也可以是机器人将采集的障碍物信息发送给调度中心,由调度中心进行识别,可以将识别结果发送给机器人,也可以将识别结果对应的后续处理流程的指令发送给机器人。
在一些例子中,所述方法还包括:若基于采集的障碍物信息确定所述障碍物为动态障碍物,向所述机器人发送等待指令,以使所述机器人基于所述等待指令持续检测所述动态障碍物是否离开,在检测到所述动态障碍物离开后,再前往所述目标通行节点。
本实施例中,机器人还可用于:若基于采集的障碍物信息确定所述障碍物为动态障碍物,持续检测所述动态障碍物是否离开;在检测到所述动态障碍物离开后,再前往所述目标通行节点。
而对于静态障碍物,由于其不会移动,因此需要机器人绕开障碍物。本实施例由机器人基于采集的周围环境信息,自行规划出从当前位置至目标通行节点的局部路径,从而解决遇障问题。
机器人规划出的局部路径的路径信息中,可以包括多个坐标点的坐标信息;可选的,机器人规划出的路径信息中坐标点可能较为密集,根据需要还可以对规划出的多个坐标点进行采样,减少部分坐标点,以降低坐标点的密度,之后将采样结果发送给调度中心。
本实施例中,机器人自行规划的局部路径可能存在分布式规划中的死锁问题,可能与其他机器人冲突,因此,由调度中心根据所述局部路径的路径信息确定所述局部路径是否与其他机器人的路径冲突,在未冲突的情况下,向所述机器人发送局部路径的可通行指令,以使机器人基于局部路径的路径信息通行至目标通行节点后继续基于全局路径的路径信息进行工作,如此在保证机器人尽量严格按照集中式规划的全局路径进行工作的情况下,对于局部情况由机器人自行规划,以解决局部冲突。
可选的,机器人规划的局部路径可以是一条或多条,机器人可以将规划出的一条或多条局部路径均发送给调度中心,由调度中心确定可以工作的局部路径。
在另一些例子中,机器人规划出的局部路径可能会与其他机器人冲突,所述调度中心还可用于:若根据所述局部路径的路径信息确定所述局部路径与其他机器人的路径冲突,通知所述机器人重新规划局部路径,以使所述机器人重新执行所述采集周围环境信息并规划出从当前位置至所述目标通行节点的局部路径,将所述局部路径的路径信息发送给所述调度中心的步骤。如此,通过机器人和调度中心的交互,机器人可以再次进行局部路径的规划,之后由调度中心再次判断该局部路径是否可通行。否则再次循环上次流程,直至机器人规划出的局部路径未与其他机器人的路径冲突。
同时,本实施例中机器人发送的局部路径的路径信息还可以供调度中心更新拓扑地图;路径信息中包括多个坐标点的坐标信息,这些坐标点是机器人可通行达到的位置,可以基于此更新拓扑地图。
更新方式可以根据需要进行配置。作为例子,所述局部路径的路径信息包括:从当前位置至所述目标通行节点之间的一个或多个机器人可到达位置的位置信息;
所述基于所述局部路径的路径信息更新所述拓扑地图,包括:
根据所述一个或多个机器人可到达位置的位置信息,生成一个或多个通行节点并添加至所述拓扑地图中,以使所述调度中心下一次基于更新后的拓扑地图执行全局路径规划。
本实施例中,可以基于局部路径的路径信息,在拓扑地图中增加更多的通行节点,实现了拓扑地图的更新,使拓扑地图越来越精细化。
在一些例子中,还可以向绑定的客户端推送障碍物信息,以提醒用户,使用户可以查看障碍物,必要的时候挪开障碍物。
静态障碍物的产生,在一些应用场景下可能是一些物品的掉落导致的。例如仓储等场景下,货物从货架上掉落或者是机器人在运输货物过程中掉落。静态障碍物通常需要人工介入将其挪开。考虑到静态障碍物影响通行路径的时间可能较长,基于此本实施例还利用机器人采集到的静态障碍物信息更新拓扑地图,以在后续结合新出现的静态障碍物进行路径规划,降低静态障碍物对机器人工作的影响。作为例子,所述方法还包括:
基于采集所述障碍物信息的机器人的位置信息,在所述拓扑地图中添加障碍物节点;
向一个或多个途经所述障碍物节点的周边通行节点的机器人发送检测指令,以使接收到所述检测指令的机器人采集所述障碍物节点的周围环境信息,以确定所述静态障碍物是否消失;
若确定所述静态障碍物消失,从所述拓扑地图中删除所述障碍物节点。
本实施例中,若基于采集的障碍物信息确定障碍物为静态障碍物,可以在拓扑地图中添加障碍物节点,障碍物节点的节点信息可以包括位置信息、表示节点为障碍物类型的类型信息;可选的,根据需要还可以包括障碍物的大小信息、形状信息等等,还可以包括表示障碍物出现时间的时间信息等等,本实施例对此不进行限定。
机器人在前往目标通行节点的路径上检测到障碍物,可以基于机器人采集到障碍物时的位置信息可以确定障碍物的位置信息;例如机器人可以基于雷达检测到自身与障碍物的距离,基于自身的位置信息与该距离可以确定障碍物的位置;机器人还可以通过如图像等多种处理方式计算自身与障碍物的距离,本实施例对此不进行限定。或者还可以根据自身位置与所要前往的目标通行节点的位置信息来确定,可以确定障碍物位于自身位置与目标通行节点的位置之间。
基于此,在拓扑地图中添加了障碍物节点后,后续调度中心可以基于更新的拓扑地图进行路径规划。例如,下一次触发全局路径规划时可以使用。或者,调度中心还可以确定障碍物节点是否会影响当前未下发给各机器人的子全局路径,若者,还可以基于更新的拓扑地图再次进行全局路径规划,已对未下发给各机器人的子全局路径进行更新。
另外,考虑到静态障碍物可能会变更,调度中心可以根据各机器人发送的位置信息,向一个或多个途经所述障碍物节点的周边通行节点的机器人发送检测指令,以使接收到所述检测指令的机器人采集所述障碍物节点的周围环境信息,以基于采集的周围环境信息确定所述静态障碍物是否消失;若确定所述静态障碍物消失,从所述拓扑地图中删除所述障碍物节点。如此,调度中心维护的拓扑地图可以随环境变化动态地实时更新。
如图2A至图2C所示,是本说明书根据一示例性实施例示出的一种路径规划示意图;本实施例适应于机器人初始位置不在拓扑地图中拓扑节点上的场景,作为例子,此种场景可以包括:
(1)机器人集群准备开始工作的场景;在此场景下,运维人员可以将机器人集群中各机器人放置在工作环境中的任意位置,而不需要限制机器人必须处于拓扑节点。
(2)机器人集群工作期间,某台机器人由于故障等运营需要,暂时退出工作后再从某个位置重新加入工作。
(3)机器人集群工作期间,在机器人集群中新增机器人。
对机器人初始位置不在地图节点上场景,具体的路径规划流程可参考图2B。
①调度中心获取各机器人当前的位置以及获取任务信息;其中任务信息可以基于人工配置的任务生成的。
②调度中心利用多机器人路径规划算法,为各机器人规划出一条无冲突的全局路径。具体的,可以根据各机器人当前的位置,利用拓扑地图确定各个机器人最近的通行节点。之后利用机器人最近的通行节点作为任务起始节点开始规划。
例如图2A中示出了调度中心的集中式路径规划的部分结果,其中正方形格子表示拓扑地图中的通行节点,正方形格子之间带有箭头的线表示通行节点的边。AGV1和AGV2分别表示机器人2和机器人2。AGV1和AGV2分别对应的全局路径如图中的虚线所示。
调度中心可以将全局路径的路径信息发送给各机器人。可选的,可以将机器人的全局路径划分为多段子路径。例如,对于机器人A,其全局路径划分出多段子路径包括子路径a1、子路径a2、子路径a3等。按顺序先将子路径a1发送给机器人A。
③各机器人接收到路径信息后开始工作:即各机器人在接收到发送的路径信息后,先判断当前位置是否在通行节点上。若否,执行步骤④;若是,执行步骤⑨。
例如,机器人A接收到子路径a1,获取自身的位置信息并判断是否处于子路径a1的起始通行节点上。
④机器人分布式规划至最近的拓扑节点,即机器人未处于全局路径的通行节点上,机器人采用分布式规划算法规划出从当前位置至该通行节点的局部路径。
⑤机器人将局部路径采样上报至调度系统。
⑥调度中心判断局部路径是否与其他机器人正在执行的路径存在冲突。
⑦若存在冲突,则返回步骤④;
⑧若不存在冲突,调度中心下发移动指令执行该局部路径,并更新当前拓扑地图。
⑨机器人执行调度中心当前发送的路径;调度中心根据机器人的位置信息,提前申请机器人的下段子路径。
如图2C所示,以AGV1为例,调度中心集中式规划出的全局路径如图中所示,但AGV1当前位置并不在任务起点;AGV1可以自行规划出从当前位置至任务起点的局部路径。从拓扑地图的角度来看,更新前拓扑地图和更新后拓扑地图的差异在于,将局部路径添加至已有拓扑地图中,使得拓扑地图增加了当前位置对应的通行节点,以及从当前位置对应的通行节点至任务起点的路径。
如图3A至图3B所示,是机器人动态绕障的示意图。如图3A所示,其涉及的流程可以包括:
①各机器人通过集中式路径规划获取各机器人无冲突的路径。例如,调度中心可以将全局路径划分为多段子路径,并按顺序分批次发放。
②申请下段可执行路径。例如,机器人接收到发放的一段子路径并执行,在执行过程中按设定周期上报自身实时位置;当调度中心检测到机器人当前可执行路径点少于一定数量时,调度系统就会触发申请下段路径。
③机器人判断能否执行该路径。例如,机器人识别该路径上是否有障碍物。
④若是,严格按照对应路径执行。
⑤若否,判断是否为动态障碍物。
⑥若是动态障碍物,等待动态障碍物消失,严格按照对应路径执行。
⑦若不是动态障碍物,即静态障碍物,机器人获取当前环境周围信息,规划出一条绕过静态障碍物的无冲突路径。
⑧机器人将无冲突路径采样上报至调度系统。
⑨调度系统判断局部路径是否与其他机器人当前执行的路径冲突。
⑩若冲突,返回执行步骤⑦,使机器人重新规划出一条新的局部路径。
⑪若不冲突,下发该局部路径的可通行指令并更新至拓扑地图。
如图3B所示,仍以AGV1为例,AGV在执行全局路径的过程中,如图中位于起点之后的通行节点上,其发现前方有障碍物,因此规划出了一条绕开障碍物的路径。拓扑地图的更新前后的对比也如图中所示。
如图4所示,是本说明书根据一示例性实施例示出的一种路径规划方法的流程图,所述方法应用于路径规划系统包括的机器人集群中的机器人;所述路径规划系统还包括调度中心,所述调度中心维护有拓扑地图,所述拓扑地图包括表示机器人可达位置的通行节点,所述通行节点的边表征机器人的可通行路径;所述方法可以包括:
步骤412,将所处位置发送给调度中心,以使所述调度中心基于所述拓扑地图确定所述机器人周边的通行节点后为所述机器人进行全局路径规划,获取规划出的全局路径的路径信息并发送给所述机器人;
步骤414,接收所述调度中心发送的所述全局路径的路径信息并进行工作;
步骤416,若确定无法按照所述全局路径的路径信息移动至所述全局路径中目标通行节点,采集周围环境信息并规划出从当前位置至所述目标通行节点的局部路径,将所述局部路径的路径信息发送给所述调度中心,以使所述调度中心根据所述局部路径的路径信息确定所述局部路径未与其他机器人的路径冲突,基于所述局部路径的路径信息更新所述拓扑地图,并向所述机器人发送所述局部路径的可通行指令;
步骤418,若接收到所述局部路径的可通行指令,基于所述局部路径的路径信息通行至所述目标通行节点后继续基于所述全局路径的路径信息进行工作。
在一些例子中,所述若确定无法按照所述全局路径的路径信息移动至所述全局路径中目标通行节点,采集周围环境信息并规划出从当前位置至所述目标通行节点的局部路径,包括:
若机器人在前往所述全局路径中目标通行节点的过程中检测到障碍物,采集障碍物信息;
若基于采集的障碍物信息确定所述障碍物为静态障碍物,基于采集的周围环境信息,规划出从当前位置至目标通行节点的局部路径;和/或,
所述方法还包括:
若基于采集的障碍物信息确定所述障碍物为动态障碍物,持续检测所述动态障碍物是否离开;
在检测到所述动态障碍物离开后,再前往所述目标通行节点。
在一些例子中,所述在确定无法按照所述全局路径的路径信息移动至所述全局路径中的目标通行节点的情况下,基于采集的周围环境信息,规划出从当前位置至目标通行节点的局部路径,包括:
获取所述全局路径的起始通行节点;
若机器人当前位置未处于所述起始通行节点,基于采集的周围环境信息,规划出从当前位置至所述起始通行节点的局部路径。
上述实施例的具体实施过程可以参考前述路径规划系统实施例的描述,在此不进行赘述。
与前述路径规划方法的实施例相对应,本说明书还提供了路径规划装置及其所应用的计算机设备的实施例。
本说明书路径规划装置的实施例可以应用在计算机设备上,例如服务器或终端设备。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图5所示,为本说明书路径规划装置所在计算机设备的一种硬件结构图,除了图5所示的处理器510、内存530、网络接口520、以及非易失性存储器540之外,实施例中路径规划装置531所在的计算机设备,通常根据该计算机设备的实际功能,还可以包括其他硬件,对此不再赘述。其中,路径规划装置可以用于执行前述路径规划方法实施例。
上述路径规划装置中各个模块的功能和作用的实现过程具体详见上述路径规划方法中对应步骤的实现过程,在此不再赘述。
相应的,本说明书实施例还提供了一种路径规划系统,所述路径规划系统包括调度中心和机器人集群,所述调度中心用于执行前述路径规划方法实施例的步骤,所述机器人集群中任一机器人用于执行前述路径规划方法实施例的步骤。
相应的,本说明书实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现前述路径规划方法实施例的步骤。
相应的,本说明书实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现路径规划方法实施例的步骤。
相应的,本说明书实施例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,所述计算机程序被处理器执行时实现路径规划方法实施例的步骤。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。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说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述实施例可以应用于一个或者多个计算机设备中,所述计算机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,所述计算机设备的硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit,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。
所述计算机设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述计算机设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该申请的保护范围内。
其中,“具体示例”、或“一些示例”等的描述意指结合所述实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
本领域技术人员在考虑说明书及实践这里申请的发明后,将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是,本说明书并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书的较佳实施例而已,并不用以限制本说明书,凡在本说明书的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书保护的范围之内。
Claims (13)
1.一种路径规划方法,所述方法应用于调度中心,所述调度中心维护有拓扑地图,所述拓扑地图包括表示机器人集群中机器人可达位置的通行节点,所述通行节点的边表征机器人的可通行路径;所述方法包括:
获取机器人发送的机器人所处位置;根据所述机器人的机器人所处位置,基于所述拓扑地图确定所述机器人周边的通行节点后为所述机器人进行全局路径规划,获取规划出的全局路径的路径信息发送给所述机器人;
接收所述机器人发送的局部路径的路径信息;所述局部路径的路径信息是所述机器人基于所述全局路径的路径信息进行工作,在确定无法按照所述全局路径的路径信息移动至所述全局路径中目标通行节点的情况下,采集周围环境信息并规划出从当前位置至所述目标通行节点的局部路径,获取所述局部路径的路径信息并发送的;
若根据所述局部路径的路径信息确定所述局部路径未与其他机器人的路径冲突,基于所述局部路径的路径信息更新所述拓扑地图,并向所述机器人发送所述局部路径的可通行指令,以使所述机器人基于所述局部路径的路径信息通行至所述目标通行节点后继续基于所述全局路径的路径信息进行工作。
2.根据权利要求1所述的方法,所述接收所述机器人发送的局部路径的路径信息,包括:
接收所述机器人在前往所述全局路径中目标通行节点的过程中检测到障碍物后采集的障碍物信息;
若基于采集的障碍物信息确定所述障碍物为静态障碍物,向所述机器人发送规划指令,以使所述机器人基于采集的周围环境信息,规划出从当前位置至目标通行节点的局部路径;
接收所述机器人发送的所述局部路径的路径信息。
3.根据权利要求2所述的方法,所述方法还包括:
基于采集所述障碍物信息的机器人的位置信息,在所述拓扑地图中添加障碍物节点;
向一个或多个途经所述障碍物节点的周边通行节点的机器人发送检测指令,以使接收到所述检测指令的机器人采集所述障碍物节点的周围环境信息,以确定所述静态障碍物是否消失;
若确定所述静态障碍物消失,从所述拓扑地图中删除所述障碍物节点。
4.根据权利要求2所述的方法,所述方法还包括:
若基于采集的障碍物信息确定所述障碍物为动态障碍物,向所述机器人发送等待指令,以使所述机器人基于所述等待指令持续检测所述动态障碍物是否离开,在检测到所述动态障碍物离开后,再前往所述目标通行节点。
5.根据权利要求2所述的方法,所述局部路径的路径信息包括:从当前位置至所述目标通行节点之间的一个或多个机器人可到达位置的位置信息;
所述基于所述局部路径的路径信息更新所述拓扑地图,包括:
根据所述一个或多个机器人可到达位置的位置信息,生成一个或多个通行节点并添加至所述拓扑地图中,以使所述调度中心下一次基于更新后的拓扑地图执行全局路径规划。
6.根据权利要求1所述的方法,所述获取规划出的全局路径的路径信息发送给所述机器人,包括:
接收所述机器人按照设定周期发送的当前位置信息;
将所述全局路径划分为多段子全局路径,将各段子全局路径的路径信息按顺序分批次发送给所述机器人;其中,在每一段子全局路径的路径信息发送给所述机器人之前,是根据各机器人的当前位置信息,确定该段子全局路径未与其他机器人冲突的情况下发送的。
7.根据权利要求1所述的方法,所述方法还包括:
若根据所述局部路径的路径信息确定所述局部路径与其他机器人的路径冲突,通知所述机器人重新规划局部路径,以使所述机器人重新执行所述采集周围环境信息并规划出从当前位置至所述目标通行节点的局部路径,将所述局部路径的路径信息发送给所述调度中心的步骤。
8.一种路径规划方法,所述方法应用于路径规划系统包括的机器人集群中的机器人;所述路径规划系统还包括调度中心,所述调度中心维护有拓扑地图,所述拓扑地图包括表示机器人可达位置的通行节点,所述通行节点的边表征机器人的可通行路径;所述方法包括:
将所处位置发送给所述调度中心,以使所述调度中心基于所述拓扑地图确定所述机器人周边的通行节点后为所述机器人进行全局路径规划,获取规划出的全局路径的路径信息并发送给所述机器人;
接收所述调度中心发送的所述全局路径的路径信息并进行工作;
若确定无法按照所述全局路径的路径信息移动至所述全局路径中目标通行节点,采集周围环境信息并规划出从当前位置至所述目标通行节点的局部路径,将所述局部路径的路径信息发送给所述调度中心,以使所述调度中心根据所述局部路径的路径信息确定所述局部路径未与其他机器人的路径冲突,基于所述局部路径的路径信息更新所述拓扑地图,并向所述机器人发送所述局部路径的可通行指令;
若接收到所述局部路径的可通行指令,基于所述局部路径的路径信息通行至所述目标通行节点后继续基于所述全局路径的路径信息进行工作。
9.根据权利要求8所述的方法,所述若确定无法按照所述全局路径的路径信息移动至所述全局路径中目标通行节点,采集周围环境信息并规划出从当前位置至所述目标通行节点的局部路径,包括:
若机器人在前往所述全局路径中目标通行节点的过程中检测到障碍物,采集障碍物信息;
若基于采集的障碍物信息确定所述障碍物为静态障碍物,基于采集的周围环境信息,规划出从当前位置至目标通行节点的局部路径;和/或,
若基于采集的障碍物信息确定所述障碍物为动态障碍物,持续检测所述动态障碍物是否离开;在检测到所述动态障碍物离开后,再前往所述目标通行节点。
10.根据权利要求8所述的方法,所述若确定无法按照所述全局路径的路径信息移动至所述全局路径中目标通行节点,采集周围环境信息并规划出从当前位置至所述目标通行节点的局部路径,包括:
获取所述全局路径的起始通行节点;
若机器人当前位置未处于所述起始通行节点,确定无法按照所述全局路径的路径信息移动至所述起始通行节点;
采集周围环境信息并规划出从当前位置至所述起始通行节点的局部路径。
11.一种路径规划系统,所述路径规划系统包括调度中心和机器人集群,所述调度中心用于执行权利要求1至7任一所述方法的步骤,所述机器人集群中任一机器人用于执行权利要求8至10任一所述方法的步骤。
12.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现权利要求1至10任一所述方法的步骤。
13.一种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权利要求1至10任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310993651.4A CN116700298B (zh) | 2023-08-08 | 2023-08-08 | 路径规划方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310993651.4A CN116700298B (zh) | 2023-08-08 | 2023-08-08 | 路径规划方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116700298A true CN116700298A (zh) | 2023-09-05 |
CN116700298B CN116700298B (zh) | 2023-11-21 |
Family
ID=87829736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310993651.4A Active CN116700298B (zh) | 2023-08-08 | 2023-08-08 | 路径规划方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116700298B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934206A (zh) * | 2023-09-18 | 2023-10-24 | 浙江菜鸟供应链管理有限公司 | 调度方法以及系统 |
CN118135845A (zh) * | 2024-05-07 | 2024-06-04 | 深圳市领志光机电自动化系统有限公司 | 一种用于agv的碰撞预警系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109724612A (zh) * | 2019-01-14 | 2019-05-07 | 浙江大华技术股份有限公司 | 一种基于拓扑地图的agv路径规划方法及设备 |
CN109945882A (zh) * | 2019-03-27 | 2019-06-28 | 上海交通大学 | 一种无人驾驶车辆路径规划与控制系统及方法 |
CN109976320A (zh) * | 2017-12-27 | 2019-07-05 | 中国科学院沈阳自动化研究所 | 一种基于时间窗在线修正的多agv路径规划方法 |
CN110220524A (zh) * | 2019-04-23 | 2019-09-10 | 炬星科技(深圳)有限公司 | 路径规划方法、电子设备、机器人及计算机可读存储介质 |
CN111220153A (zh) * | 2020-01-15 | 2020-06-02 | 西安交通大学 | 基于视觉拓扑节点和惯性导航的定位方法 |
CN114510041A (zh) * | 2022-01-21 | 2022-05-17 | 深圳鹏行智能研究有限公司 | 一种机器人运动路径规划方法及机器人 |
CN114518755A (zh) * | 2022-01-28 | 2022-05-20 | 福思(杭州)智能科技有限公司 | 全局路径的规划方法、装置、设备及存储介质 |
CN114564027A (zh) * | 2022-03-17 | 2022-05-31 | 深圳鹏行智能研究有限公司 | 足式机器人的路径规划方法、电子设备及可读存储介质 |
WO2022222718A1 (zh) * | 2021-04-19 | 2022-10-27 | 北京有竹居网络技术有限公司 | 导航方法、装置、存储介质及设备 |
CN116048062A (zh) * | 2022-04-28 | 2023-05-02 | 西安交通大学 | 多智能体超视距网联协同感知动态决策方法及相关装置 |
CN116394981A (zh) * | 2023-06-07 | 2023-07-07 | 北京集度科技有限公司 | 车辆控制方法和自动驾驶提示方法及相关装置 |
CN116540656A (zh) * | 2023-06-12 | 2023-08-04 | 西安交通大学 | 一种基于数字孪生的制造车间多agv无冲突路径调度方法 |
-
2023
- 2023-08-08 CN CN202310993651.4A patent/CN116700298B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109976320A (zh) * | 2017-12-27 | 2019-07-05 | 中国科学院沈阳自动化研究所 | 一种基于时间窗在线修正的多agv路径规划方法 |
CN109724612A (zh) * | 2019-01-14 | 2019-05-07 | 浙江大华技术股份有限公司 | 一种基于拓扑地图的agv路径规划方法及设备 |
CN109945882A (zh) * | 2019-03-27 | 2019-06-28 | 上海交通大学 | 一种无人驾驶车辆路径规划与控制系统及方法 |
CN110220524A (zh) * | 2019-04-23 | 2019-09-10 | 炬星科技(深圳)有限公司 | 路径规划方法、电子设备、机器人及计算机可读存储介质 |
CN111220153A (zh) * | 2020-01-15 | 2020-06-02 | 西安交通大学 | 基于视觉拓扑节点和惯性导航的定位方法 |
WO2022222718A1 (zh) * | 2021-04-19 | 2022-10-27 | 北京有竹居网络技术有限公司 | 导航方法、装置、存储介质及设备 |
CN114510041A (zh) * | 2022-01-21 | 2022-05-17 | 深圳鹏行智能研究有限公司 | 一种机器人运动路径规划方法及机器人 |
CN114518755A (zh) * | 2022-01-28 | 2022-05-20 | 福思(杭州)智能科技有限公司 | 全局路径的规划方法、装置、设备及存储介质 |
CN114564027A (zh) * | 2022-03-17 | 2022-05-31 | 深圳鹏行智能研究有限公司 | 足式机器人的路径规划方法、电子设备及可读存储介质 |
CN116048062A (zh) * | 2022-04-28 | 2023-05-02 | 西安交通大学 | 多智能体超视距网联协同感知动态决策方法及相关装置 |
CN116394981A (zh) * | 2023-06-07 | 2023-07-07 | 北京集度科技有限公司 | 车辆控制方法和自动驾驶提示方法及相关装置 |
CN116540656A (zh) * | 2023-06-12 | 2023-08-04 | 西安交通大学 | 一种基于数字孪生的制造车间多agv无冲突路径调度方法 |
Non-Patent Citations (1)
Title |
---|
成怡;肖宏图;: "融合改进A~*算法和Morphin算法的移动机器人动态路径规划", 智能系统学报, no. 03 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934206A (zh) * | 2023-09-18 | 2023-10-24 | 浙江菜鸟供应链管理有限公司 | 调度方法以及系统 |
CN118135845A (zh) * | 2024-05-07 | 2024-06-04 | 深圳市领志光机电自动化系统有限公司 | 一种用于agv的碰撞预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116700298B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116700298B (zh) | 路径规划方法、系统、设备及存储介质 | |
CN109724612B (zh) | 一种基于拓扑地图的agv路径规划方法及设备 | |
JP7228420B2 (ja) | 情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラム | |
CN109991977B (zh) | 机器人的路径规划方法及装置 | |
EP3610340B1 (en) | Roadmap annotation for deadlock-free multi-agent navigation | |
US10994418B2 (en) | Dynamically adjusting roadmaps for robots based on sensed environmental data | |
US20220374018A1 (en) | Method and apparatus for controlling automated guided vehicle | |
US11287799B2 (en) | Method for coordinating and monitoring objects | |
JP7328923B2 (ja) | 情報処理装置、情報処理方法、及びコンピュータプログラム | |
CN112748730A (zh) | 行驶控制装置、行驶控制方法、行驶控制系统以及计算机程序 | |
CN113657565A (zh) | 机器人跨楼层移动方法、装置、机器人及云端服务器 | |
EP4180895B1 (en) | Autonomous mobile robots for coverage path planning | |
CN112537705A (zh) | 机器人乘梯调度方法、装置、终端设备及存储介质 | |
CN109048909A (zh) | 枝节式路径调度方法、装置、后台服务端及第一机器人 | |
EP4141599B1 (en) | Multi-robot route planning | |
CN114199247A (zh) | 移动机器人定位楼层的方法及装置 | |
Sharma | Control classification of automated guided vehicle systems | |
CN115388889A (zh) | 路径规划方法及装置 | |
US20220197304A1 (en) | Systems and methods for centralized control of a fleet of robotic devices | |
US20220019217A1 (en) | Travel control apparatus, travel control method, and computer program | |
EP4024152A1 (en) | Transport system, control device, transport method, and program | |
Riman et al. | A Priority-based Modified A∗ Path Planning Algorithm for Multi-Mobile Robot Navigation | |
EP4196861A1 (en) | Robot navigation management between zones in an environment | |
Cui et al. | Conflict-free path planning of AGV based on improved A-star algorithm | |
KR20130107062A (ko) | 복수의 이동체의 경로를 계획하는 장치 및 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 |