CN117470253B - 基于张量场的机器人路径规划方法、装置、设备及介质 - Google Patents
基于张量场的机器人路径规划方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117470253B CN117470253B CN202311831039.3A CN202311831039A CN117470253B CN 117470253 B CN117470253 B CN 117470253B CN 202311831039 A CN202311831039 A CN 202311831039A CN 117470253 B CN117470253 B CN 117470253B
- Authority
- CN
- China
- Prior art keywords
- field
- tensor
- robot
- representing
- basic field
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000006870 function Effects 0.000 claims abstract description 91
- 230000033001 locomotion Effects 0.000 claims abstract description 66
- 239000002245 particle Substances 0.000 claims abstract description 34
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003068 static 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
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请涉及一种基于张量场的机器人路径规划方法、装置、设备和介质。所述方法包括：根据栅格地图对障碍物的边界轮廓信息进行归类和凸包提取，利用凸包轮廓线段提取与轮廓线相切的场元素约束，根据切向约束元素集普通元素的基础场函数；根据机器人路径规划的目标点设置张量场的奇异元素节点并构建奇异元素节点的基础场函数；根据普通元素的基础场函数和奇异元素节点的基础场函数构建全局张量场；在全局张量场中采用粒子平流技术将张量场转化为向量场，根据向量场确定机器人的运动轨迹方程，对运动轨迹方程进行求解，得到机器人的运动轨迹。采用本方法能够避免机器人路径规划陷入局部极值困境。
Description
技术领域
本申请涉及路径规划技术领域，特别是涉及一种基于张量场的机器人路径规划方法、装置、计算机设备和存储介质。
背景技术
随着科技的发展与产业变革，移动机器人被广泛应用于生产与生活的各个领域之中。移动机器人拥有环境感知、自主定位、路径规划等多种高级功能，其中路径规划是移动机器人技术研发的关键技术之一，它是指移动机器人利用已构建的环境模型，通过路径规划算法计算得到一条或多条安全系数高、距离短、平滑的线路，从而保证移动机器人自主高效地完成路径规划作业任务，在救援、智慧交通、自动化生产、航空等领域具有举足轻重的地位。
然而，目前的移动机器人在进行路径规划时采用的是基于图搜索的算法和基于采样的方法，以及基于场的方法等，算法计算量大、实时性差、运算时间长，并且路径折点多，不够平滑；快速扩展随机树算法搜索时盲目性大，尤其在高维或者动态环境中耗时长、计算复杂度高、易陷入死区和存在局部最小值问题；人工势场法容易出现局部极小值，会令机器人无法确定移动方向，进而导致路径规划失败。
发明内容
基于此，有必要针对上述技术问题，提供一种能够避免机器人路径规划陷入局部极值困境的基于张量场的机器人路径规划方法、装置、计算机设备和存储介质。
一种基于张量场的机器人路径规划方法，所述方法包括：
获取待规划区域的场景障碍物信息；
将场景障碍物信息在栅格地图上进行表示，根据栅格地图对障碍物的边界轮廓信息进行归类和凸包提取，得到凸包轮廓线段；利用凸包轮廓线段提取与轮廓线相切的场元素约束，得到切向约束元素集；
根据切向约束元素集设置张量场的普通元素，得到普通元素的基础场函数；根据机器人路径规划的目标点设置张量场的奇异元素节点并构建奇异元素节点的基础场函数；
根据普通元素的基础场函数和奇异元素节点的基础场函数构建全局张量场；
在全局张量场中采用粒子平流技术根据机器人当前时刻的朝向确定粒子积分的生长方向，利用粒子积分的生长方向将张量场转化为向量场，根据向量场确定机器人的运动轨迹方程，对运动轨迹方程进行求解，得到机器人的运动轨迹。
在其中一个实施例中，利用凸包轮廓线段提取与轮廓线相切的场元素约束，得到切向约束元素集，包括：
利用凸包轮廓线段提取与轮廓线相切的场元素约束，得到切向约束元素集为，其中，/>表示点/>坐标，/>表示点/>处的切向角度。
在其中一个实施例中，根据切向约束元素集设置张量场的普通元素，得到基础场函数，包括：
根据切向约束元素集设置张量场的普通元素，得到基础场函数为
；
；
其中，表示编号0的普通元素的基础场函数，/>表示编号N的普通元素的基础场函数，/>表示控制基础场函数强度的常数系数，/>表示张量场中的网格点，/>表示编号的普通元素所在网格点位置，/>表示普通元素编号。
在其中一个实施例中，构建奇异元素节点的基础场函数，包括：
构建奇异元素节点的基础场函数为
；
其中，表示奇异元素所在网格点位置，/>表示常量系数，/>表示/>点的x坐标，/>表示/>点的y坐标。
在其中一个实施例中，根据普通元素的基础场函数和奇异元素节点的基础场函数构建全局张量场，包括：
根据普通元素的基础场函数和奇异元素节点的基础场函数构建全局张量场为
；
其中，表示编号i的普通元素所在网格点位置。
在其中一个实施例中，根据向量场确定机器人的运动轨迹方程，包括：
根据向量场确定机器人的运动轨迹方程为
；
其中，表示机器人运动轨迹，/>表示向量场。
在其中一个实施例中，对运动轨迹方程进行求解，得到机器人的运动轨迹，包括：
对运动轨迹方程进行求解，得到机器人的运动轨迹为
；
其中，表示运动轨迹的起点，/>表示运动轨迹积分点，/>表示运动时间。
一种基于张量场的机器人路径规划装置，所述装置包括：
路径几何约束模块，用于获取待规划区域的场景障碍物信息；将场景障碍物信息在栅格地图上进行表示，根据栅格地图对障碍物的边界轮廓信息进行归类和凸包提取，得到凸包轮廓线段；利用凸包轮廓线段提取与轮廓线相切的场元素约束，得到切向约束元素集；
基于几何约束的张量场构建模块，用于根据切向约束元素集设置张量场的普通元素，得到普通元素的基础场函数；根据机器人路径规划的目标点设置张量场的奇异元素节点并构建奇异元素节点的基础场函数；根据普通元素的基础场函数和奇异元素节点的基础场函数构建全局张量场；
路径规划模块，用于在全局张量场中采用粒子平流技术根据机器人当前时刻的朝向确定粒子积分的生长方向，利用粒子积分的生长方向将张量场转化为向量场，根据向量场确定机器人的运动轨迹方程，对运动轨迹方程进行求解，得到机器人的运动轨迹。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待规划区域的场景障碍物信息；
将场景障碍物信息在栅格地图上进行表示，根据栅格地图对障碍物的边界轮廓信息进行归类和凸包提取，得到凸包轮廓线段；利用凸包轮廓线段提取与轮廓线相切的场元素约束，得到切向约束元素集；
根据切向约束元素集设置张量场的普通元素，得到普通元素的基础场函数；根据机器人路径规划的目标点设置张量场的奇异元素节点并构建奇异元素节点的基础场函数；
根据普通元素的基础场函数和奇异元素节点的基础场函数构建全局张量场；
在全局张量场中采用粒子平流技术根据机器人当前时刻的朝向确定粒子积分的生长方向，利用粒子积分的生长方向将张量场转化为向量场，根据向量场确定机器人的运动轨迹方程，对运动轨迹方程进行求解，得到机器人的运动轨迹。
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以下步骤：
获取待规划区域的场景障碍物信息；
将场景障碍物信息在栅格地图上进行表示，根据栅格地图对障碍物的边界轮廓信息进行归类和凸包提取，得到凸包轮廓线段；利用凸包轮廓线段提取与轮廓线相切的场元素约束，得到切向约束元素集；
根据切向约束元素集设置张量场的普通元素，得到普通元素的基础场函数；根据机器人路径规划的目标点设置张量场的奇异元素节点并构建奇异元素节点的基础场函数；
根据普通元素的基础场函数和奇异元素节点的基础场函数构建全局张量场；
在全局张量场中采用粒子平流技术根据机器人当前时刻的朝向确定粒子积分的生长方向，利用粒子积分的生长方向将张量场转化为向量场，根据向量场确定机器人的运动轨迹方程，对运动轨迹方程进行求解，得到机器人的运动轨迹。
上述基于张量场的机器人路径规划方法、装置、计算机设备和存储介质，首先将场景障碍物信息在栅格地图上进行表示，根据栅格地图对障碍物的边界轮廓信息进行归类和凸包提取，得到凸包轮廓线段；利用凸包轮廓线段提取与轮廓线相切的场元素约束，得到切向约束元素集；根据切向约束元素集设置张量场的普通元素，得到普通元素的基础场函数；根据机器人路径规划的目标点设置张量场的奇异元素节点并构建奇异元素节点的基础场函数；根据普通元素的基础场函数和奇异元素节点的基础场函数构建全局张量场，在全局张量场中采用粒子平流技术根据机器人当前时刻的朝向确定粒子积分的生长方向，利用粒子积分的生长方向将张量场转化为向量场，根据向量场确定机器人的运动轨迹方程，对运动轨迹方程进行求解，得到机器人的运动轨迹，本申请通过在障碍物周围形成沿其垂直方向的切向力，在目标点设置引力源，然后根据张量场的特性，采用基于粒子平流法生成平滑的机器人移动轨迹，连通机器人起点到目标点，不仅能够产生平滑的规划路径，且距离简短，还能避免机器人陷入局部极值的困境。
附图说明
图1为一个实施例中一种基于张量场的机器人路径规划方法的流程示意图；
图2为一个实施例中机器人路径规划结果示意图；
图3为一个实施例中一种基于张量场的机器人路径规划装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于张量场的机器人路径规划方法，包括以下步骤：
步骤102，获取待规划区域的场景障碍物信息；将场景障碍物信息在栅格地图上进行表示，根据栅格地图对障碍物的边界轮廓信息进行归类和凸包提取，得到凸包轮廓线段；利用凸包轮廓线段提取与轮廓线相切的场元素约束，得到切向约束元素集。
采用栅格地图来表示障碍物信息，首先将目前已获取的场景障碍物信息在栅格地图上进行表示，在二维栅格图上，设置255表示可通行栅格，设置0为障碍物栅格。基于栅格图提取所有障碍物的边界轮廓信息，对边界轮廓信息进一步处理，因为直接提取的边界轮廓信息存在大量冗余和噪声信息，会使得边界轮廓过于复杂和零碎，这一步通过将轮廓信息进行归类和凸包提取，简化轮廓繁杂，得到一系列表示轮廓的相互连接线段。利用凸包轮廓线段提取一系列与轮廓线相切的场元素约束，得到切向约束元素集为
，其中/>表示点/>坐标，/>表示点处的切向角度。
步骤104，根据切向约束元素集设置张量场的普通元素，得到普通元素的基础场函数；根据机器人路径规划的目标点设置张量场的奇异元素节点并构建奇异元素节点的基础场函数；根据普通元素的基础场函数和奇异元素节点的基础场函数构建全局张量场。
张量场主要由普通元素和奇异元素构成，在本申请中根据切向约束元素集设置张量场的普通元素，将利用普通元素产生沿着障碍物垂直方向切向力，达到机器人沿障碍物周边游动的效果，防止产生碰撞。
在张量场中奇异元素都代表一种退化点，而退化点在本申请中应用扮演着非常重要的角色，它对路径生成会造成一定影响。张量场中的退化点在特性上等同于势场法中的奇异点。但是势场法中还包含汇点，这种奇异点会导致机器人陷入局部区域，无法摆脱，而张量场却没有这种性质的退化点。本发明中重点引入张量场的一种退化点：结点（node），结点能够使得它周边的路径都可以汇达到该点。这样可以通过将结点放置到目标点，然后达到引导路径规划从起点准确达到目标点的目的。
步骤106，在全局张量场中采用粒子平流技术根据机器人当前时刻的朝向确定粒子积分的生长方向，利用粒子积分的生长方向将张量场转化为向量场，根据向量场确定机器人的运动轨迹方程，对运动轨迹方程进行求解，得到机器人的运动轨迹。
在全局张量场中机器人的移动路径可以通过场中粒子平流技术从机器人当前点积分生成，之前提到张量场是无方向性的，某一个点的主特征向量没有前向和后向之分，这里本申请采取了基于机器人当前时刻朝向确定粒子积分生成方向的方法，消除了张量场在特定点上方向二义性的问题。具体方向确定的原则是在每个点处使主特征向量的朝向和机器人的前向保持一致(两个方向的夹角小于90度，该原则可以最大程度地减少机器人的转动)。在确定每个点处的朝向之后，张量场T从局部来看变成了一个向量场V，机器人运动轨迹可以表示成粒子运动的微分方程，该方程的解可以在给定初值后通过如下积分公式求出机器人的运动轨迹，如图2所示。
上述一种基于张量场的机器人路径规划方法中，首先将场景障碍物信息在栅格地图上进行表示，根据栅格地图对障碍物的边界轮廓信息进行归类和凸包提取，得到凸包轮廓线段；利用凸包轮廓线段提取与轮廓线相切的场元素约束，得到切向约束元素集；根据切向约束元素集设置张量场的普通元素，得到普通元素的基础场函数；根据机器人路径规划的目标点设置张量场的奇异元素节点并构建奇异元素节点的基础场函数；根据普通元素的基础场函数和奇异元素节点的基础场函数构建全局张量场，在全局张量场中采用粒子平流技术根据机器人当前时刻的朝向确定粒子积分的生长方向，利用粒子积分的生长方向将张量场转化为向量场，根据向量场确定机器人的运动轨迹方程，对运动轨迹方程进行求解，得到机器人的运动轨迹，本申请通过在障碍物周围形成沿其垂直方向的切向力，在目标点设置引力源，然后根据张量场的特性，采用基于粒子平流法生成平滑的机器人移动轨迹，连通机器人起点到目标点，不仅能够产生平滑的规划路径，且距离简短，还能避免机器人陷入局部极值的困境。
在其中一个实施例中，利用凸包轮廓线段提取与轮廓线相切的场元素约束，得到切向约束元素集，包括：
利用凸包轮廓线段提取与轮廓线相切的场元素约束，得到切向约束元素集为，其中，/>表示点/>坐标，/>表示点/>处的切向角度。
在其中一个实施例中，根据切向约束元素集设置张量场的普通元素，得到基础场函数，包括：
根据切向约束元素集设置张量场的普通元素，得到基础场函数为
；
；
其中，表示编号0的普通元素的基础场函数，/>表示编号N的普通元素的基础场函数，/>表示控制基础场函数强度的常数系数，/>表示张量场中的网格点，/>表示编号i的普通元素所在网格点位置，/>表示普通元素编号。
在其中一个实施例中，构建奇异元素节点的基础场函数，包括：
构建奇异元素节点的基础场函数为
；
其中，表示奇异元素所在网格点位置，/>表示常量系数，/>表示/>点的x坐标，/>表示/>点的y坐标。
在其中一个实施例中，根据普通元素的基础场函数和奇异元素节点的基础场函数构建全局张量场，包括：
根据普通元素的基础场函数和奇异元素节点的基础场函数构建全局张量场为
；
其中，表示编号i的普通元素所在网格点位置。
在其中一个实施例中，根据向量场确定机器人的运动轨迹方程，包括：
根据向量场确定机器人的运动轨迹方程为
；
其中，表示机器人运动轨迹，/>表示向量场。
在其中一个实施例中，对运动轨迹方程进行求解，得到机器人的运动轨迹，包括：
对运动轨迹方程进行求解，得到机器人的运动轨迹为
；
其中，表示运动轨迹的起点，/>表示运动轨迹积分点，/>表示运动时间。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种基于张量场的机器人路径规划装置，包括：路径几何约束模块302、基于几何约束的张量场构建模块304和路径规划模块306，其中：
路径几何约束模块302，用于获取待规划区域的场景障碍物信息；将场景障碍物信息在栅格地图上进行表示，根据栅格地图对障碍物的边界轮廓信息进行归类和凸包提取，得到凸包轮廓线段；利用凸包轮廓线段提取与轮廓线相切的场元素约束，得到切向约束元素集；
基于几何约束的张量场构建模块304，用于根据切向约束元素集设置张量场的普通元素，得到普通元素的基础场函数；根据机器人路径规划的目标点设置张量场的奇异元素节点并构建奇异元素节点的基础场函数；根据普通元素的基础场函数和奇异元素节点的基础场函数构建全局张量场；
路径规划模块306，用于在全局张量场中采用粒子平流技术根据机器人当前时刻的朝向确定粒子积分的生长方向，利用粒子积分的生长方向将张量场转化为向量场，根据向量场确定机器人的运动轨迹方程，对运动轨迹方程进行求解，得到机器人的运动轨迹。
关于一种基于张量场的机器人路径规划装置的具体限定可以参见上文中对于一种基于张量场的机器人路径规划方法的限定，在此不再赘述。上述一种基于张量场的机器人路径规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于张量场的机器人路径规划方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于张量场的机器人路径规划方法，其特征在于，所述方法包括：
获取待规划区域的场景障碍物信息；
将所述场景障碍物信息在栅格地图上进行表示，根据所述栅格地图对障碍物的边界轮廓信息进行归类和凸包提取，得到凸包轮廓线段；利用所述凸包轮廓线段提取与轮廓线相切的场元素约束，得到切向约束元素集；
根据所述切向约束元素集设置张量场的普通元素，得到普通元素的基础场函数；根据机器人路径规划的目标点设置张量场的奇异元素节点并构建所述奇异元素节点的基础场函数；
根据所述普通元素的基础场函数和所述奇异元素节点的基础场函数构建全局张量场；
在所述全局张量场中采用粒子平流技术根据机器人当前时刻的朝向确定粒子积分的生长方向，利用所述粒子积分的生长方向将所述张量场转化为向量场，根据所述向量场确定机器人的运动轨迹方程，对所述运动轨迹方程进行求解，得到机器人的运动轨迹；
根据所述切向约束元素集设置张量场的普通元素，得到基础场函数，包括：
根据所述切向约束元素集设置张量场的普通元素，得到基础场函数为
；
；
其中，表示编号0的普通元素的基础场函数，/>表示编号N的普通元素的基础场函数，/>表示控制基础场函数强度的常数系数，/>表示张量场中的网格点，/>表示编号i的普通元素所在网格点位置，/>表示普通元素编号，/>表示点/>处的切向角度；
构建所述奇异元素节点的基础场函数，包括：
构建所述奇异元素节点的基础场函数为
；
其中，表示奇异元素所在网格点位置，/>表示常量系数，/>表示/>点的x坐标，/>表示/>点的y坐标；
根据所述普通元素的基础场函数和所述奇异元素节点的基础场函数构建全局张量场，包括：
根据所述普通元素的基础场函数和所述奇异元素节点的基础场函数构建全局张量场为
；
其中，表示编号i的普通元素所在网格点位置。
2.根据权利要求1所述的方法，其特征在于，利用所述凸包轮廓线段提取与轮廓线相切的场元素约束，得到切向约束元素集，包括：
利用所述凸包轮廓线段提取与轮廓线相切的场元素约束，得到切向约束元素集为，其中，/>表示点/>坐标，/>表示点/>处的切向角度。
3.根据权利要求1所述的方法，其特征在于，根据所述向量场确定机器人的运动轨迹方程，包括：
根据所述向量场确定机器人的运动轨迹方程为
；
其中，表示机器人运动轨迹，/>表示向量场。
4.根据权利要求3所述的方法，其特征在于，对所述运动轨迹方程进行求解，得到机器人的运动轨迹，包括：
对所述运动轨迹方程进行求解，得到机器人的运动轨迹为
；
其中，表示运动轨迹的起点，/>表示运动轨迹积分点，/>表示运动时间。
5.一种基于张量场的机器人路径规划装置，其特征在于，所述装置包括：
路径几何约束模块，用于获取待规划区域的场景障碍物信息；将所述场景障碍物信息在栅格地图上进行表示，根据所述栅格地图对障碍物的边界轮廓信息进行归类和凸包提取，得到凸包轮廓线段；利用所述凸包轮廓线段提取与轮廓线相切的场元素约束，得到切向约束元素集；
基于几何约束的张量场构建模块，用于根据所述切向约束元素集设置张量场的普通元素，得到普通元素的基础场函数；根据机器人路径规划的目标点设置张量场的奇异元素节点并构建所述奇异元素节点的基础场函数；根据所述普通元素的基础场函数和所述奇异元素节点的基础场函数构建全局张量场；根据所述切向约束元素集设置张量场的普通元素，得到基础场函数，包括：根据所述切向约束元素集设置张量场的普通元素，得到基础场函数为
；
；
其中，表示编号0的普通元素的基础场函数，/>表示编号N的普通元素的基础场函数，/>表示控制基础场函数强度的常数系数，/>表示张量场中的网格点，/>表示编号i的普通元素所在网格点位置，/>表示普通元素编号，/>表示点/>处的切向角度；
构建所述奇异元素节点的基础场函数，包括：构建所述奇异元素节点的基础场函数为
；
其中，表示奇异元素所在网格点位置，/>表示常量系数，/>表示/>点的x坐标，表示/>点的y坐标；
根据所述普通元素的基础场函数和所述奇异元素节点的基础场函数构建全局张量场，包括：根据所述普通元素的基础场函数和所述奇异元素节点的基础场函数构建全局张量场为
；
其中，表示编号i的普通元素所在网格点位置；
路径规划模块，用于在所述全局张量场中采用粒子平流技术根据机器人当前时刻的朝向确定粒子积分的生长方向，利用所述粒子积分的生长方向将所述张量场转化为向量场，根据所述向量场确定机器人的运动轨迹方程，对所述运动轨迹方程进行求解，得到机器人的运动轨迹。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311831039.3A CN117470253B (zh) | 2023-12-28 | 2023-12-28 | 基于张量场的机器人路径规划方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311831039.3A CN117470253B (zh) | 2023-12-28 | 2023-12-28 | 基于张量场的机器人路径规划方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117470253A CN117470253A (zh) | 2024-01-30 |
| CN117470253B true CN117470253B (zh) | 2024-03-22 |
Family
ID=89633387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311831039.3A Active CN117470253B (zh) | 2023-12-28 | 2023-12-28 | 基于张量场的机器人路径规划方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117470253B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610212A (zh) * | 2017-07-25 | 2018-01-19 | 深圳大学 | 场景重建方法、装置、计算机设备以及计算机存储介质 |
| CN110906946A (zh) * | 2019-12-02 | 2020-03-24 | 大连理工大学 | 一种区分人员影响的服务机器人导航规划方法 |
| CN112304318A (zh) * | 2020-11-10 | 2021-02-02 | 河北工业大学 | 一种虚实耦合约束环境下的机器人自主导航方法 |
| WO2021022615A1 (zh) * | 2019-08-02 | 2021-02-11 | 深圳大学 | 机器人探索路径生成方法、计算机设备和存储介质 |
| CN114967680A (zh) * | 2022-05-06 | 2022-08-30 | 安徽理工大学 | 基于蚁群算法和卷积神经网络的移动机器人路径规划方法 |
| CN115855086A (zh) * | 2022-11-04 | 2023-03-28 | 中国人民解放军国防科技大学 | 基于自旋转的室内场景自主重建方法、系统及介质 |
| CN115993817A (zh) * | 2022-09-30 | 2023-04-21 | 中国人民解放军国防科技大学 | 张量场驱动分层路径规划的自主探索方法、装置及介质 |
-
2023
- 2023-12-28 CN CN202311831039.3A patent/CN117470253B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610212A (zh) * | 2017-07-25 | 2018-01-19 | 深圳大学 | 场景重建方法、装置、计算机设备以及计算机存储介质 |
| WO2021022615A1 (zh) * | 2019-08-02 | 2021-02-11 | 深圳大学 | 机器人探索路径生成方法、计算机设备和存储介质 |
| CN110906946A (zh) * | 2019-12-02 | 2020-03-24 | 大连理工大学 | 一种区分人员影响的服务机器人导航规划方法 |
| CN112304318A (zh) * | 2020-11-10 | 2021-02-02 | 河北工业大学 | 一种虚实耦合约束环境下的机器人自主导航方法 |
| CN114967680A (zh) * | 2022-05-06 | 2022-08-30 | 安徽理工大学 | 基于蚁群算法和卷积神经网络的移动机器人路径规划方法 |
| CN115993817A (zh) * | 2022-09-30 | 2023-04-21 | 中国人民解放军国防科技大学 | 张量场驱动分层路径规划的自主探索方法、装置及介质 |
| CN115855086A (zh) * | 2022-11-04 | 2023-03-28 | 中国人民解放军国防科技大学 | 基于自旋转的室内场景自主重建方法、系统及介质 |
Non-Patent Citations (6)
| Title |
|---|
| 周结华 ; 代冀阳 ; 周继强 ; 张孝勇 ; .面向大型机场草坪的割草机器人路径规划及轨迹跟踪控制研究.工程设计学报.2019,(02),全文. * |
| 基于人工势场的机器人动态路径规划新方法;翟红生;王佳欣;;重庆邮电大学学报(自然科学版);20151215(06);全文 * |
| 基于改进势场蚁群算法的移动机器人最优路径规划;张强;陈兵奎;刘小雍;刘晓宇;杨航;;农业机械学报;20190219(05);全文 * |
| 张强 ; 陈兵奎 ; 刘小雍 ; 刘晓宇 ; 杨航 ; .基于改进势场蚁群算法的移动机器人最优路径规划.农业机械学报.2019,(05),全文. * |
| 翟红生 ; 王佳欣 ; .基于人工势场的机器人动态路径规划新方法.重庆邮电大学学报(自然科学版).2015,(06),全文. * |
| 面向大型机场草坪的割草机器人路径规划及轨迹跟踪控制研究;周结华;代冀阳;周继强;张孝勇;;工程设计学报;20190428(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117470253A (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | Online safe trajectory generation for quadrotors using fast marching method and bernstein basis polynomial | |
| US11970161B2 (en) | Apparatus, method and article to facilitate motion planning of an autonomous vehicle in an environment having dynamic objects | |
| US20220057803A1 (en) | Apparatus, method and article to facilitate motion planning in an environment having dynamic objects | |
| CN110231824B (zh) | 基于直线偏离度方法的智能体路径规划方法 | |
| Deng et al. | Multi-obstacle path planning and optimization for mobile robot | |
| US11409287B2 (en) | Neural task planner for autonomous vehicles | |
| CN112344941B (zh) | 路径规划方法、系统、机器人及存储介质 | |
| Song et al. | Deep robotic grasping prediction with hierarchical rgb-d fusion | |
| Asgharivaskasi et al. | Active bayesian multi-class mapping from range and semantic segmentation observations | |
| Bandeira et al. | Analysis of path planning algorithms based on travelling salesman problem embedded in UAVs | |
| CN116482711A (zh) | 一种用于着陆区自主选择的局部静态环境感知方法及装置 | |
| Yue et al. | Cosem: Collaborative semantic map matching framework for autonomous robots | |
| CN117470253B (zh) | 基于张量场的机器人路径规划方法、装置、设备及介质 | |
| Tang et al. | Hierarchical vector transformer vehicle trajectories prediction with diffusion convolutional neural networks | |
| CN116136417B (zh) | 一种面向越野环境的无人驾驶车辆局部路径规划方法 | |
| Charalampous et al. | Efficient robot path planning in the presence of dynamically expanding obstacles | |
| Dan | Spatial-temporal block and LSTM network for pedestrian trajectories prediction | |
| Moreno et al. | Hypergrid: A Hyper-Fast ROS-Based Framework for Local Map Generation | |
| Janji et al. | Neural Networks for Path Planning | |
| Wang et al. | Simultaneous pose estimation and velocity estimation of an ego vehicle and moving obstacles using LiDAR information only | |
| Akhtyamov et al. | Social robot navigation through constrained optimization: a comparative study of uncertainty-based objectives and constraints | |
| Römer et al. | Uncertainty-aware visual perception for safe motion planning | |
| Yevsieiev et al. | Route constructing for a mobile robot based on the D-star algorithm | |
| CN112016640B (zh) | 基于多特征建图的无人车定位方法、装置、设备和介质 | |
| Lu et al. | You Only Plan Once: A Learning-based One-stage Planner with Guidance Learning |
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 |