CN117055584A - 一种机器人路径规划方法、系统及计算机可读存储介质 - Google Patents

一种机器人路径规划方法、系统及计算机可读存储介质 Download PDF

Info

Publication number
CN117055584A
CN117055584A CN202311257287.1A CN202311257287A CN117055584A CN 117055584 A CN117055584 A CN 117055584A CN 202311257287 A CN202311257287 A CN 202311257287A CN 117055584 A CN117055584 A CN 117055584A
Authority
CN
China
Prior art keywords
obstacle
robot
threshold
path planning
distance
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
Application number
CN202311257287.1A
Other languages
English (en)
Inventor
朱冬
宋雯
方向明
唐国梅
张建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Seven Teng Robot Co ltd
Original Assignee
Seven Teng Robot Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Seven Teng Robot Co ltd filed Critical Seven Teng Robot Co ltd
Priority to CN202311257287.1A priority Critical patent/CN117055584A/zh
Publication of CN117055584A publication Critical patent/CN117055584A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供了一种机器人路径规划方法、系统及计算机可读存储介质。机器人路径规划方法包括:S1,通过传感器组采集机器人周边环境的障碍物位置数据,基于障碍物位置数据利用预设的地图构建算法获得障碍物位置图像;S2,通过预设的路径规划算法基于障碍物位置图像中障碍物的形状信息和位置信息生成规划路径;S3,基于规划路径测试机器人定位识别是否准确,若机器人定位识别准确,保存规划路径,若机器人定位识别不准确,返回并执行S1到S3。本发明实现在地图丢失或错误时,机器人自动重定位并重新规划路径,避免了人工重新设置的过程,解决了机器人因地图丢失定位不精确导致规划路径不可用的问题。

Description

一种机器人路径规划方法、系统及计算机可读存储介质
技术领域
本发明涉及机器人技术领域,尤其涉及一种机器人路径规划方法、系统及计算机可读存储介质。
背景技术
在如今人工智能快速发展的时代,机器人占有至关重要的地位,机器人定位的精准度决定了机器人路径规划有效性以及任务执行效果,其通常使用地图来进行定位和导航,在导航和避障过程中,机器人需要规划合适的路径,并及时检测和避开障碍物。
机器人利用激光雷达、摄像头、超声波等传感器感知周围环境数据,检测周围不同物体的位置、距离、方向等信息,利用SLAM(Simultaneous Localization and Mapping)技术进行机器人定位和地图构建,获得环境地图,机器人根据环境地图进行路径规划。在实际环境中,存在许多动态和复杂的因素,如光照变化、障碍物移动、新的障碍物出现、不完整的地图信息、地图更新不及时等,这些因素会对机器人的定位造成不确定性和干扰,造成机器人使用的地图与实际环境之间不匹配(即地图丢失),利用该地图基于预设的路径规划算法获得的规划路径不准确、有碰撞风险。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,提供一种机器人路径规划方法、系统及计算机可读存储介质。
为了实现本发明的上述目的,根据本发明的第一个方面,本发明提供了一种机器人路径规划方法,包括:步骤S1,通过传感器组采集机器人周边环境的障碍物位置数据,基于障碍物位置数据利用预设的地图构建算法对机器人的周边环境进行建图,获得障碍物位置图像;步骤S2,通过预设的路径规划算法基于障碍物位置图像中障碍物的形状信息和位置信息生成规划路径;步骤S3,基于所述规划路径测试机器人定位识别是否准确,若机器人定位识别准确,保存规划路径,若机器人定位识别不准确,返回并执行步骤S1到S3。
为了实现本发明的上述目的,根据本发明的第二个方面,本发明提供了一种机器人路径规划系统,包括:传感器组,用于采集机器人周边环境的障碍物位置数据;定位识别模块,基于障碍物位置数据利用预设的地图构建算法对机器人的周边环境进行建图,获得障碍物位置图像,将障碍物位置图像发送至中央控制模块;中央控制模块,用于提取障碍物位置图像中障碍物的形状信息和位置信息,将提取的障碍物的形状信息和位置信息发送至路径规划模块,还用于在接收到路径规划测试模块发送的测试结果后,若测试结果为机器人定位识别准确,保存规划路径,若测试结果为机器人定位识别不准确,控制传感器组、定位识别模块和路径规划测试模块重新工作;路径规划测试模块,基于障碍物位置图像中障碍物的形状信息和位置信息生成规划路径,基于所述规划路径测试机器人定位识别是否准确,并发送测试结果至中央控制模块。
为了实现本发明的上述目的,根据本发明的第三个方面,本发明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如本发明第一方面所述的机器人路径规划方法中的步骤。
本发明利用传感器组采集机器人周边环境中障碍物位置数据并生成障碍物位置图像,再基于障碍物位置图像中障碍物的形状信息和位置信息生成规划路径后,生成的规划路径并不直接使用,而是其进行测试,在不存在地图丢失或错误情况下,按照预设的路径规划方法获得的规划路径不存在碰撞风险,测试结果为机器人定位识别准确,需要重新采集、定位、建图和生成新的规划路径,在地图丢失或错误情况下,按照预设的路径规划方法获得规划路径存在碰撞风险,测试结果为机器人定位识别准确,保存此时规划路径并使用,可见,本发明对机器人进行综合控制,实现在地图丢失或错误时,机器人自动重定位,避免了人工重新设置的过程,大大增强了机器人定位识别的自动化程度,通过不断地计算和重复的定位识别,大大提高了机器人定位识别的精确度,解决了日常生活中,机器人因为各种复杂情况致使地图丢失定位不精确,进而导致规划路径不可用的问题。
附图说明
图1是本发明一种实施例提供的机器人路径规划方法的流程示意图;
图2是本发明一种实施例中机器人路径规划系统的结构示意图;
图3是本发明另一种实施例提供的机器人路径规划方法中机器人位置、阈值点位置和障碍物位置示意图。
附图标记:
1规划路径。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本发明公开了一种机器人路径规划方法,在一种实施例中,如图1所示,包括:
步骤S1,通过传感器组采集机器人周边环境的障碍物位置数据,基于障碍物位置数据利用预设的地图构建算法对机器人的周边环境进行建图,获得障碍物位置图像。
传感器组优选但不限于包括激光传感器和超声波传感器,此外还可以添加摄像头、雷达传感器、IMU组件等,可根据实际需要自行添加。传感器组安装在机器人上,优选但不限于采用现有的SLAM算法对机器人的周边环境进行建图,获得障碍物位置图像。使用多种传感器对机器人周边环境数据进行采集,有利于提高采集的环境数据的精准度,方便定位识别模块进行机器人的定位识别,提高定位识别的精准度。
步骤S2,通过预设的路径规划算法基于障碍物位置图像中障碍物的形状信息和位置信息生成规划路径1。
预设的路径规划算法优选但不限于为A算法或Dijkstra算法或Bellman-Ford算法或RRT算法或D算法,图3中展示了获得的规划路径示意图。
步骤S3,基于规划路径1测试机器人定位识别是否准确,若机器人定位识别准确,保存规划路径1以及测试结果,若机器人定位识别不准确,返回并执行步骤S1到S3,重新采集机器人周边环境的障碍物位置数据,重新构建障碍物位置图像,再基于重新构建的障碍物位置图像获得新的规划路径1,对重新获得的规划路径1进行机器人定位识别准确测试。优选地,记录重新获取规划路径1的次数,当该次数达到预设次数阈值时,极大可能排除环境突变等因素导致的地图丢失或错误问题,极有可能是传感器组等硬件故障,这时上报警示信号至中控平台或发出报警信号,请求相关人员处理。
在本实施例中,根据获得的测试结果,判断机器人定位是否准确,是否需要重定位后获得规划路径1,大大提高了机器人定位的自动化程度,避免了通过人工操作机器人重定位,造成人力资源的浪费。利用预设的路径规划算法快速生成规划路径1,为机器人提供高效的路径规划能力,降低了机器人行动的复杂度。对规划路径1进行精准的碰撞测试,通过测试结果来判断机器人定位识别是否准确,若机器人定位识别不准确,重新规划路径1,保证最终获取的规划路径1是基于准确的地图获取的,机器人依照规划路径1在行动过程中能够有效地避开障碍物,避免碰撞和损坏。当测试结果为不准确结果时,重新采集环境障碍物的位置数据,建图和路径规划,以适应不同的环境变化,提高机器人的自主适应能力。
在本实施例中,优选地,步骤S3包括:
步骤S31,设置障碍物位置图像中障碍物的阈值点,阈值点包括主阈值点和辅阈值点。阈值点可以为任何能够用于计算阈值点距离的物体,也可以为具有物理实体的感应器件,如传感器和探测器等,也可为不具有物理实体的虚拟点,阈值点的选用依照具体环境和要求而定。使用具有物理实体的感应器件可以提高定位精度,使用不具有物理实体的感应器件可以节省空间。辅助阈值点是基于主阈值点获得阈值点距离后设置的。
步骤S32,模拟机器人在规划路径1上行驶,当机器人途经障碍物时:获取机器人与途经障碍物的边界的距离,记为机器人距离,获取途经障碍物的阈值点距离,所述阈值点距离为障碍物的主阈值点与所述障碍物边界的距离,若机器人距离小于或等于阈值点距离,存在机器人与途经障碍物碰撞的风险,认为机器人定位识别不准确,若机器人距离大于阈值点距离,认为机器人定位识别准确。
在本实施例中,优选地,机器人距离为机器人途经障碍物时与障碍物边界的最小距离,以获得更为可靠的测试结果。步骤S32中,在模拟机器人在规划路径1上行驶的过程中,按照步骤S32中的方式依次比较机器人途经每个障碍物时机器人距离与阈值点距离的大小,来获得机器人在规划路径1上与每个障碍物的碰撞风险,若一个以上障碍物存在碰撞风险,认为机器人定位识别不准确,反之,若没有障碍物存在碰撞风险,则认为机器人定位识别准确。
在本实施例中,当阈值点距离大于机器人距离时,此时机器人可能触碰或经过障碍物的阈值点,机器人到障碍物的距离比阈值点到障碍物的距离更近,机器人有触碰障碍物的危险,此为机器人定位识别不精确情况,发出警报,及时对障碍物位置信息进行重定位,有利于实时更新障碍物位置信息和机器人位置信息,避免了机器人因受外力干扰或地图丢失导致机器人无法自主进行定位并顺利到达目的地的情况,增强了机器人实现自主定位的自动化程度。当阈值点距离小于机器人距离时,机器人到障碍物的距离比阈值点到障碍物的距离更远,机器人没有触碰障碍物的危险,此为机器人定位识别精确情况。障碍物的每个阈值点的位置与距离该阈值点最近的机器人所在位置一一对应。
在本实施例中,通过障碍物的形状信息,精确地计算出障碍物的阈值点距离,为机器人避障路径规划提供了更加精细的数据支持。通过障碍物的位置信息,能够计算出机器人到障碍物的边界的距离,即机器人距离,为避障路径规划提供了更准确的参考数据,从而减少机器人与障碍物之间的误差,提高避障精度。利用障碍物阈值点距离和机器人距离,能够更加准确地规划路径1,实现更高效的避障路径规划,从而使避开障碍物的同时更加快速地到达目标位置。为机器人在避障过程中提供了及时的定位反馈信息,从而能够更加准确地规划避障路径,提高机器人的避障效率和精度;通过将每个障碍物阈值点的位置与最近的机器人位置一一对应,精确地计算出阈值点的位置,为机器人避障路径规划提供更加准确的数据支持,使机器人能够更加精细地避开障碍物。
在一种优选实施例中,步骤S31中,阈值点距离D的计算公式为:
其中,x2为障碍物在x轴的初始位置坐标,Δx2为障碍物在x轴的位置坐标变化量,y2为障碍物在y轴的初始位置坐标,Δy2为障碍物在y轴的位置坐标变化量,x1为主阈值点在x轴的位置坐标,y1为主阈值点在y轴的位置坐标。需要说明的是,x轴和y轴均为障碍物位置图像中的图像坐标系中的坐标轴。对于静态的障碍物,Δx2和Δy2为0,对于动态障碍物,如移动设备或动物等,其位置存在变化,Δx2和Δy2非0。
机器人距离d的计算公式为:
其中,x为机器人在x轴的初始坐标,y为机器人在y轴的初始坐标,Δx为机器人在x轴坐标上的变化量,Δy为机器人在y轴坐标上的变化量,x0为障碍物边界的x轴坐标,y0为障碍物边界的y轴的坐标。
在本实施例中,通过 公式计算阈值点距离,通过/>公式计算机器人距离,可以通过公式的计算结果来规划机器人行走路径,从而提高了机器人的安全性能,减少碰撞和意外事件的发生,提高了机器人的避障性能和行进效率,可以提高机器人在环境中的定位精度,从而使机器人在复杂环境中的运动更加准确和可靠。可以提供机器人进行路径规划所需的信息,使得机器人更加智能地选择行进路径,提高机器人的路径规划能力。可以减少机器人与障碍物发生碰撞和意外事件的风险,从而降低机器人的损坏和维护成本。可以提供机器人更多的环境信息,使得机器人能够更加自主地进行环境探测、路径规划和运动控制,从而提高机器人的自主性和智能化水平。通过计算机器人无线波长信号进而计算阈值点距离,使计算得到的阈值点距离更加精确,为后续计算步骤提供精准的数据支持。确定阈值点距离和机器人距离,能够更加方便地确定机器人位置,保障机器人安全。通过障碍物和机器人的位置变化计算阈值点距离和机器人距离,大大增强了阈值点距离和机器人距离计算结果的精准度,增强了定位识别的准确性。使机器人定位识别模块能够适应多种场景变化。
在一种优选实施例中,在步骤S31中,根据形状对障碍物位置图像中障碍物进行分类,不同类型的障碍物设置不同数量的辅阈值点。优选地,障碍物类型包括多边形障碍物、圆形障碍物和圆弧形障碍物,符合障碍物大致形状分布。
在本实施例中,对障碍物位置图像中的障碍物根据形状分类的过程为:预先设置多个不同边数的大小可伸缩变化的正多边形掩膜(简称多边形掩膜),大小可伸缩变化的圆形掩膜,多个圆弧段不同弧度的大小可伸缩变化的圆弧形掩膜,图3中展示了某应用场景中正五边形掩膜、圆形掩膜和圆弧形掩膜的形状。为障碍物位置图像中每个障碍物设置一个匹配的掩膜,当掩膜覆盖在障碍物上时,通过旋转掩膜、移动掩膜、掩膜大小伸缩三个操作中至少一个以上操作使掩膜轮廓外接于被其覆盖的障碍物轮廓,且掩膜与障碍物的重叠面积占比掩膜总面积达到了80%-100%,则将此时的掩膜作为其覆盖的障碍物的匹配掩膜,同时,匹配掩膜的形状为该障碍物的形状,所有障碍物获得形状后进行分类,获得多边形障碍物、圆形障碍物和圆弧形障碍物中至少一个分类。
在本实施例中,优选地,多边形障碍物设置辅阈值点的过程包括:
在多边形障碍物上覆盖匹配的多边形掩膜,覆盖后,多边形掩膜与多边形障碍物的重叠面积占比掩膜总面积达到了80%-100%,以多边形掩膜的中心点与顶点连线向外延伸阈值点距离获得的位置点和以多边形掩膜的中心点与边的中点连线向外延伸阈值点距离获得的位置点为多边形障碍物的辅阈值点,如图3所示,多边形障碍物的辅阈值点数量为第一阈值点数量,第一阈值点数量为多边形障碍物的边数和顶点数之和。
在本实施例中,优选地,圆形障碍物设置辅阈值点的过程包括:在圆形障碍物上覆盖匹配的圆形掩膜,覆盖后,圆形掩膜与圆形障碍物的重叠面积占比掩膜总面积达到了80%-100%,在圆形掩膜上绘制多条直径,直径两端分别向外延伸阈值点距离获得的位置点为圆形障碍物的辅阈值点,如图3所示,圆形障碍物的辅阈值点数量为第二阈值点数量,第二阈值点数量为直径数量的2倍。
进一步优选地,针对圆形障碍物进行圆形障碍物的辅阈值点数量的计算,获得第二阈值点数量,包括:
圆形障碍物的各个角度用多条直线相切后(即相交)形成第二圆形障碍物,计算第二圆形障碍物的辅阈值点数量,所获得的计算结果即为所述第二阈值点数量;将第二圆形障碍物的多条直线在原有位置的基础上向外延长阈值点距离D,延长后直线到达的位置即为圆形障碍物的辅阈值点的位置。
第二阈值点数量的计算公式为:
其中,N1为圆形障碍物的第二阈值点数量,S为圆形障碍物被多条直线相切后得到的顶点数量,r为被多条直线相切后得到的圆心角数量,N0为与圆形障碍物相切的直线的数量,6<N0<9。
在本实施例中,优选地,圆弧形障碍物设置辅阈值点的过程包括:在圆弧形障碍物上覆盖匹配的圆弧形掩膜,覆盖后,圆弧形掩膜与圆弧形障碍物的重叠面积占比掩膜总面积达到了80%-100%,在圆弧形掩膜的圆弧部分上绘制多条相交直径,以直径与圆弧部分的交点向外延伸阈值点距离获得的位置点作为圆弧形障碍物的一部分辅阈值点;将与圆弧部分仅有一个交点的直径,以圆弧部分圆心远离圆弧部分的方向延伸阈值点距离获得的位置点作为圆弧形障碍物的另一部分辅阈值点,圆弧形障碍物的辅阈值点数量记为第三阈值点数量,第三阈值点数量为直径数量的2倍。
进一步优选地,针对圆弧形障碍物进行圆弧形障碍物的辅阈值点数量的计算,获得第三阈值点数量,将圆弧形障碍物的圆弧的各个角度用多条直线相切(即相交)后形成第三圆弧形障碍物,计算第三圆弧形障碍物的辅阈值点数量,所获得的计算结果即为第三阈值点数量包括:
第三阈值点数量的计算公式为:
其中,N2为第三阈值点数量,第三阈值点数量通过第一阈值点数量和第二阈值点数量确定;Nd表示第一阈值点数量;ΔNd表示第一阈值点数量变化量,其根据需要调整;Δθ为ΔNd带来的圆心角数量的变化量,该圆心角表示以圆弧段圆心为顶点,以相邻直径为两边形成的夹角。
将第三圆弧形障碍物的多条直线在原有位置的基础上向外延长阈值点距离D,延长后直线到达的位置即为圆弧形障碍物的阈值点的位置。
在本实施例中,通过计算阈值点数量,在障碍物周围设置合适的阈值点数量,用以判断机器人所在位置是否有触碰障碍物的危险。
在本实施例中,通过针对多边形障碍物、圆形障碍物和圆弧形障碍物等不同形状的障碍物进行阈值点数量的计算,能够更加准确地为机器人避障路径规划提供数据支持,提高机器人在避障过程中的精度和效率。通过计算辅阈值点数量,在障碍物周围设置合适的阈值点数量,用以判断机器人所在位置是否有触碰障碍物的危险;通过对不同形状的障碍物的阈值点数量进行计算,得出的计算结果为最合适的阈值点数量,阈值点设置的过多会导致资源的浪费,阈值点设置的过少会降低机器人定位的精确度,增加机器人碰撞障碍物的概率,所以计算合适的阈值点数量,既减小了阈值点资源的浪费,又增加了机器人定位的精度,减小了机器人碰撞障碍物的概率;通过对多边形障碍物、圆形障碍物和圆弧形障碍物等不同形状障碍物的形状信息计算,能够支持更多形状的障碍物,使机器人能够更加广泛地应用到各种场景中,提高机器人的适用性和灵活性。通过优化机器人定位精度和避障路径规划,能够提高机器人在复杂环境中的避障能力和定位精度,减少机器人与障碍物之间的接触和摩擦,降低机器人的损坏率和维修成本。通过对不同形状障碍物的阈值点数量的计算,能够为机器人在避障路径规划中提供更加精细和准确的数据支持,提高机器人在不同形状障碍物下的避障能力和精度。多种公式支持多种形状的障碍物,使得机器人能够应用到更加广泛的场景中,提高机器人的适用性和灵活性。通过优化阈值点数量的计算,能够减少机器人在避障路径规划中的计算量,提高机器人的避障效率和速度,提高机器人的实用性和实用效果。通过圆形障碍物的阈值点数量,使圆弧形障碍物的阈值点数量计算过程更加方便,大大减小了圆弧形障碍物的阈值点数量的计算复杂程度。
本发明还公开了一种机器人路径规划系统,用于实现上述机器人路径规划方法,如图3所示,包括:
传感器组,用于采集机器人周边环境的障碍物位置数据。
定位识别模块,基于障碍物位置数据利用预设的地图构建算法对机器人的周边环境进行建图,获得障碍物位置图像,将障碍物位置图像发送至中央控制模块。
中央控制模块,用于提取障碍物位置图像中障碍物的形状信息和位置信息,将提取的障碍物的形状信息和位置信息发送至路径规划模块,还用于在接收到路径规划测试模块发送的测试结果后,若测试结果为机器人定位识别准确,保存规划路径1,若测试结果为机器人定位识别不准确,控制传感器组、定位识别模块和路径规划测试模块重新工作,即执行上述方法中对应的步骤S1-S3。中央控制模块控制各个模块进行信息交互和运行。如图2所示,中央控制模块包括相互连接的存储器、处理器和控制器。
路径规划测试模块,基于障碍物位置图像中障碍物的形状信息和位置信息生成规划路径1,基于所述规划路径1测试机器人定位识别是否准确,并发送测试结果至中央控制模块。
在本实施例中,如图2所示,定位识别模块与中央控制模块双向通信相连,中央控制模块与路径规划测试模块双向通信相连,定位识别模块的数字信号输出端与路径规划测试模块的数字信号输入端相连。
在本实施例中,定位识别模块对机器人进行自身定位,并识别障碍物位置信息,根据机器人定位信息和障碍物位置信息生成地图,从而为机器人的导航和路径规划提供基础数据,提高了机器人数据采集和建图的效率。中央控制模块通过对定位识别模块和路径规划测试模块进行控制,实现机器人在环境中的自主移动、避障和定位识别,大大提高了机器人定位识别的自动化程度,实现了当地图丢失或发生错误时自动重新定位,获得最优规划路径1的能力,提高了机器人的工作效率。路径规划测试模块对定位识别模块的定位识别是否准确进行测试,并将不准确信息传递给中央控制模块,从而实现机器人的自主导航和路径跟踪。
在本实施例中,优选地,定位识别模块包括:
障碍物数据采集模块,用于通过传感器采集机器人的周边环境障碍物的位置数据;
障碍物信息建图模块,利用机器人的周边环境障碍物的位置数据对机器人的周边环境进行建图。
在本实施例中,定位识别模块通过传感器采集机器人的周边环境障碍物的位置数据,利用机器人的周边环境障碍物的位置数据对机器人的周边环境进行建图,获得障碍物位置图像,将障碍物位置图像发送至中央控制模块。定位识别模块还包括:SLAM模块,为预设的地图构建算法模块,用于实现机器人自身定位和地图的构建;传感器组的数字信号输出端与SLAM模块的数字信号输入端相连,SLAM模块的数字信号输出端即为定位识别模块的数字信号输出端,如图2所示。
在本实施例中,通过传感器组对机器人周边环境障碍物的位置数据进行采集,能够实现对机器人周边环境中障碍物位置的高精度采集,提高机器人在避障过程中的精度和可靠性。通过利用机器人周边环境障碍物的位置数据进行建图,能够实现对机器人周边环境的高效建图,提高机器人在避障和路径规划等方面的效率和准确性。通过将障碍物位置图像发送至中央控制模块,能够提供给机器人更加准确和精细的环境信息,从而提高机器人在避障过程中的能力和效果,使得机器人的智能化程度得到进一步提升,能够应用到更加复杂的场景中,提高机器人的适用性和灵活性,能够实现对机器人周边环境的高精度采集和有效建图,从而提高机器人在实际应用中的实用性和实用效果。
在本实施例中,优选地,使用激光传感器、摄像头、IMU和超声波传感器等传感器组对机器人当前位置和周围环境进行采集,通过对传感器数据进行融合计算,可以更准确地确定机器人的位置和障碍物或目标物体的信息,从而提高机器人的定位精度。SLAM可以实时地地图构建,准确地绘制环境地图,提高机器人定位精度;SLAM运用传感器组进行定位识别可以提高机器人的感知能力、自主性和智能性,如图2所示。
在一种优选实施例中,中央控制模块包括:
障碍物信息提取模块,用于通过障碍物位置图像提取障碍物的形状信息和位置信息;
信息反馈模块:用于根据测试结果决定是否对机器人定位系统进行重定位。
在本实施例中,中央控制模块接收到定位识别模块发送的障碍物位置图像,通过障碍物位置图像提取障碍物的形状信息和位置信息,将障碍物的形状信息和位置信息发送至路径规划测试模块;中央控制模块接收到路径规划测试模块发送的测试结果,当测试结果为准确结果时,对准确结果进行存储,以及保存规划路径1;当测试结果为不准确结果时,控制定位识别模块重新采集机器人的周边环境障碍物的位置数据。
在本实施例中,如图2所示,中央控制模块的存储器用于存储机器人定位信息;处理器用于处理定位识别模块和路径规划测试模块发送至中央控制模块的定位识别信息和路径规划信息;存储器的数字信号输入端即为中央控制模块的数字信号输入端,存储器与控制器双向通信相连,控制器与处理器双向通信相连,存储器与处理器双向通信相连。控制器的控制信号输出端即为中央控制模块的控制信号输出端。
在本实施例中,处理器从存储器中读取定位识别信息和路径规划信息并进行处理,处理器将处理结果发送给存储器,控制器从存储器中读取处理结果,生成控制指令控制定位识别模块和路径规划模块;如图2所示。
在本实施例中,通过中央控制模块对障碍物的形状信息和位置信息进行提取和测试,能够提高路径规划的准确性,从而使机器人能够更加准确地规划路径1并避免障碍物。通过中央控制模块对障碍物的形状信息和位置信息进行传输,能够实现数据的快速传输和处理,从而提高机器人的运行效率和速度。通过中央控制模块对测试结果进行处理和判断,并实现对定位识别模块的实时控制,能够实现机器人对环境变化的实时响应和适应,提高路径规划的准确性和实现数据的快速传输,使得机器人的智能化程度得到进一步提升,能够应用到更加复杂的场景中,提高机器人的适用性和灵活性,提高机器人在实际应用中的实用性和实用效果。控制器可以快速读取和处理存储器中的各项数据或信号,快速和准确的控制定位识别模块和路径规划模块,使机器人具有强大的计算和数据处理能力,可以支持快速的定位识别和路径规划省去很多繁琐步骤,实现智能化的定位识别和路径规划。存储器、控制器和处理器可以将各个数据进行结合,实现更精确的机器人定位,使机器人可以更准确地执行任务;使机器人更准确地识别和感知环境,提高执行效率。
在本实施例中,中央控制模块能够通过障碍物的形状信息,精确地计算出障碍物的阈值点距离,为机器人避障路径规划提供了更加精细的数据支持。通过障碍物的位置信息,中央控制模块能够计算出机器人到障碍物的边界的距离,即机器人距离,为避障路径规划提供了更准确的参考数据,从而减少机器人与障碍物之间的误差,提高避障精度。利用障碍物阈值点距离和机器人距离,中央控制模块能够更加准确地规划路径,实现更高效的避障路径规划,从而使机器人在避开障碍物的同时更加快速地到达目标位置。通过对机器人与障碍物之间的距离和阈值点的计算和规划,可以降低机器人与障碍物之间的碰撞和摩擦概率,提高机器人的安全性和稳定性,从而更好地完成任务。
在一种优选实施例中,路径规划测试模块包括:
路径生成子模块,用于根据障碍物位置图像生成规划路径1;
碰撞测试和避障子模块,用于对规划路径1进行定位识别是否准确的测试,并及时对测试结果进行反馈。
在本实施例中,路径生成子模块根据障碍物位置图像生成规划路径1,将规划路径1发送至碰撞测试和避障子模块;碰撞测试和避障子模块接收到规划路径1,对规划路径1进行定位识别是否准确的测试,获得测试结果,并将测试结果发送至中央控制模块;碰撞测试可以为整个机器人系统的一次试运行,也可以为每次机器人运行过程,可以由具体运行过程中机器人定位是否稳定决定;机器人根据路径规划测试模块生成的规划路径1进行运动,当机器人触碰到障碍物或机器人到达阈值点与障碍物所形成的保护范围内,发送机器人、障碍物和阈值点的位置信息至中央控制模块,由中央控制模块对机器人距离和阈值点距离及进行计算和对比,根据对比结果,决定是否发送控制信号至定位识别模块,对障碍物信息进行重定位。
在本实施例中,由于路径生成子模块能够根据障碍物位置图像生成规划路径1,并将其发送给碰撞测试和避障子模块进行测试和定位,从而能够提高路径规划的准确性和可靠性;碰撞测试和避障子模块能够接收到路径生成子模块发送的规划路径1,并对其进行测试和识别,从而使机器人具有更加精准和高效的避障能力,能够更好地应对复杂环境下的挑战。由于路径生成子模块能够生成更加准确和合理的规划路径1,并通过与碰撞测试和避障子模块的配合,避免机器人在运动过程中发生碰撞或受到障碍物的阻碍,从而提高了机器人的运动效率。路径生成子模块和碰撞测试和避障子模块的结合应用,使得机器人的智能化水平得到了显著提高,能够更好地适应各种场景环境和任务需求。
本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质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本发明提供的上述机器人路径规划方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read Only Memory,简称ROM)、随机存取存储器(RandomAccess Memory,简称RAM)、磁碟或者光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该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发明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。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种机器人路径规划方法,其特征在于,包括:
步骤S1,通过传感器组采集机器人周边环境的障碍物位置数据,基于障碍物位置数据利用预设的地图构建算法对机器人的周边环境进行建图,获得障碍物位置图像;
步骤S2,通过预设的路径规划算法基于障碍物位置图像中障碍物的形状信息和位置信息生成规划路径;
步骤S 3,基于所述规划路径测试机器人定位识别是否准确,若机器人定位识别准确,保存规划路径,若机器人定位识别不准确,返回并执行步骤S1到S 3。
2.如权利要求1所述的机器人路径规划方法,其特征在于,在所述步骤S3中,基于所述规划路径测试机器人定位识别是否准确的过程包括:
步骤S31,设置障碍物位置图像中障碍物的阈值点,阈值点包括主阈值点和辅阈值点;
步骤S 32,模拟机器人在规划路径上行驶,当机器人途经障碍物时:获取机器人与途经障碍物的边界的距离,记为机器人距离,获取途经障碍物的阈值点距离,所述阈值点距离为障碍物的主阈值点与所述障碍物边界的距离,若机器人距离小于或等于阈值点距离,认为机器人定位识别不准确,若机器人距离大于阈值点距离,认为机器人定位识别准确。
3.如权利要求2所述的机器人路径规划方法,其特征在于,所述步骤S31中,所述阈值点距离D的计算公式为:
其中,x2为障碍物在x轴的初始位置坐标,Δx2为障碍物在x轴的位置坐标变化量,y2为障碍物在y轴的初始位置坐标,Δy2为障碍物在y轴的位置坐标变化量,x1为主阈值点在x轴的位置坐标,y1为主阈值点在y轴的位置坐标;
所述机器人距离d的计算公式为:
其中,x为机器人在x轴的初始坐标,y为机器人在y轴的初始坐标,Δx为机器人在x轴坐标上的变化量,Δy为机器人在y轴坐标上的变化量,x0为障碍物边界在x轴的坐标,y0为障碍物边界在y轴的坐标。
4.如权利要求3所述的机器人路径规划方法,其特征在于,所述步骤S31中,根据形状对障碍物位置图像中障碍物进行分类,不同类型的障碍物设置不同数量的辅阈值点。
5.如权利要求4所述的机器人路径规划方法,其特征在于,障碍物类型包括多边形障碍物、圆形障碍物和圆弧形障碍物。
6.如权利要求5所述的机器人路径规划方法,其特征在于,多边形障碍物设置辅阈值点的过程包括:
在多边形障碍物上覆盖匹配的多边形掩膜,以多边形掩膜的中心点与顶点连线向外延伸阈值点距离获得的位置点和以多边形掩膜的中心点与边的中点连线向外延伸阈值点距离获得的位置点为多边形障碍物的辅阈值点,多边形障碍物的辅阈值点数量记为第一阈值点数量,第一阈值点数量为多边形障碍物的边数和顶点数之和。
7.如权利要求5或6所述的机器人路径规划方法,其特征在于,圆形障碍物设置辅阈值点的过程包括:
在圆形障碍物上覆盖匹配的圆形掩膜,在圆形掩膜上绘制多条直径,直径两端分别向外延伸阈值点距离获得的位置点为圆形障碍物的辅阈值点,圆形障碍物的辅阈值点数量记为第二阈值点数量,第二阈值点数量为直径数量的2倍。
8.如权利要求7所述的机器人路径规划方法,其特征在于,圆弧形障碍物设置辅阈值点的过程包括:
在圆弧形障碍物上覆盖匹配的圆弧形掩膜,在圆弧形掩膜的圆弧部分绘制多条直径,以直径与圆弧部分的交点向外延伸阈值点距离获得的位置点作为圆弧形障碍物的一部分辅阈值点;将与圆弧部分仅有一个交点的直径,以圆弧部分圆心远离圆弧部分的方向延伸阈值点距离获得的位置点作为圆弧形障碍物的另一部分辅阈值点,圆弧形障碍物的辅阈值点数量记为第三阈值点数量,第三阈值点数量为直径数量的2倍。
9.一种机器人路径规划系统,其特征在于,用于实现权利要求1-8之一所述的机器人路径规划方法,包括:
传感器组,用于采集机器人周边环境的障碍物位置数据;
定位识别模块,基于障碍物位置数据利用预设的地图构建算法对机器人的周边环境进行建图,获得障碍物位置图像,将障碍物位置图像发送至中央控制模块;
中央控制模块,用于提取障碍物位置图像中障碍物的形状信息和位置信息,将提取的障碍物的形状信息和位置信息发送至路径规划模块,还用于在接收到路径规划测试模块发送的测试结果后,若测试结果为机器人定位识别准确,保存规划路径,若测试结果为机器人定位识别不准确,控制传感器组、定位识别模块和路径规划测试模块重新工作;
路径规划测试模块,基于障碍物位置图像中障碍物的形状信息和位置信息生成规划路径,基于所述规划路径测试机器人定位识别是否准确,并发送测试结果至中央控制模块。
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如权利要求1至8中任一项所述的机器人路径规划方法中的步骤。
CN202311257287.1A 2023-09-26 2023-09-26 一种机器人路径规划方法、系统及计算机可读存储介质 Pending CN117055584A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311257287.1A CN117055584A (zh) 2023-09-26 2023-09-26 一种机器人路径规划方法、系统及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311257287.1A CN117055584A (zh) 2023-09-26 2023-09-26 一种机器人路径规划方法、系统及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN117055584A true CN117055584A (zh) 2023-11-14

Family

ID=88661151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311257287.1A Pending CN117055584A (zh) 2023-09-26 2023-09-26 一种机器人路径规划方法、系统及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN117055584A (zh)

Similar Documents

Publication Publication Date Title
EP3723423B1 (en) Method and chip for monitoring pet on the basis of robot employing grid map
US20210154840A1 (en) Movement Planning For Autonomous Robots
KR20220083666A (ko) 제약된 이동성 매핑
CN111258320B (zh) 一种机器人避障的方法及装置、机器人、可读存储介质
US20180172451A1 (en) Method and system for mobile robot to self-establish map indoors
CN113741438B (zh) 路径规划方法、装置、存储介质、芯片及机器人
CN110244743B (zh) 一种融合多传感器信息的移动机器人自主脱困方法
Janabi-Sharifi et al. Automatic selection of image features for visual servoing
US20210037793A1 (en) Intelligent Pet Monitoring Method for Robot
CN105486311A (zh) 室内机器人定位导航方法及装置
JP7384491B2 (ja) 充電台に対するロボットの衝突の防止方法
CN108628318B (zh) 拥堵环境检测方法、装置、机器人及存储介质
CN110000793B (zh) 一种机器人运动控制方法、装置、存储介质和机器人
CN110986920B (zh) 定位导航方法、装置、设备及存储介质
CN111897335A (zh) 一种机器人弓字型行走时的避障控制方法及其控制系统
CN111487960A (zh) 一种基于定位能力估计的移动机器人路径规划方法
CN112987725A (zh) 一种基于障碍物的避开方法、芯片及清洁机器人
CN115932886A (zh) 一种臂架防撞检测方法、电子设备及多臂架设备
CN115437384A (zh) 一种移动机器人的避障方法、设备及介质
US20220253060A1 (en) Method and apparatus for controlling robot, and robot
CN114489050A (zh) 沿直线行驶的避障路线控制方法、装置、设备及存储介质
EP3757299A1 (en) Apparatus for generating environment data around construction equipment and construction equipment including the same
CN112987748A (zh) 机器人狭窄空间的控制方法、装置、终端及存储介质
CN117055584A (zh) 一种机器人路径规划方法、系统及计算机可读存储介质
CN111897337B (zh) 一种机器人沿边行走时的避障控制方法及其控制系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination