CN117670184B - 应用于数字化机器人产业链的机器人场景仿真方法及系统 - Google Patents
应用于数字化机器人产业链的机器人场景仿真方法及系统 Download PDFInfo
- Publication number
- CN117670184B CN117670184B CN202410135392.6A CN202410135392A CN117670184B CN 117670184 B CN117670184 B CN 117670184B CN 202410135392 A CN202410135392 A CN 202410135392A CN 117670184 B CN117670184 B CN 117670184B
- Authority
- CN
- China
- Prior art keywords
- robot
- motion
- representing
- data
- scene
- 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 83
- 238000004088 simulation Methods 0.000 title claims abstract description 54
- 230000004927 fusion Effects 0.000 claims abstract description 53
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims description 50
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 25
- 239000002131 composite material Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 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)
- Manipulator (AREA)
Abstract
本发明提供应用于数字化机器人产业链的机器人场景仿真方法及系统，包括：根据机器人运动数据和物流场景数据，通过秩卡曼滤波算法计算机器人的运动状态，根据所述机器人的运动状态得到机器人的导航数据融合结果；根据预先获取的机器人运动坐标数据和障碍物位置数据通过人工势场法对机器人运动路径进行规划，获取机器人的运动最优路径；根据所述机器人的导航数据融合结果和运动最优路径，通过预先建立的机器人场景仿真模型进行机器人自动导航控制，本发明通过将机器人运动数据和物流场景数据进行数据融合，得到机器人的导航数据融合结果，保证了数据的完整性和简洁性，最大程度降低计算复杂度，从而加强导航性能。
Description
技术领域
本发明涉及场景仿真技术领域，特别涉及应用于数字化机器人产业链的机器人场景仿真方法及系统。
背景技术
机器人是互联网技术的重要产物，当前已经得到了各个行业的广泛应用，尤其是在数字化机器人物流产业中机器人的应用通常是以集群的形式呈现的，可实现在物流场景中的物流搬运工作，从而节省大量的人力投入。但是目前的机器人在不同产业链中的应用存在导航不精确，且机器人避障能力低，运动路径偏长等问题，从而导致机器人在物流场景中工作效率低下。
发明内容
为克服上述现有技术的不足，本发明提供应用于数字化机器人产业链的机器人场景仿真方法，包括：
根据机器人运动数据和物流场景数据，通过秩卡曼滤波算法计算机器人的运动状态，根据所述机器人的运动状态得到机器人的导航数据融合结果；
根据预先获取的机器人运动坐标数据和障碍物位置数据通过人工势场法对机器人运动路径进行规划，获取机器人的运动最优路径；
根据所述机器人的导航数据融合结果和运动最优路径，通过预先建立的机器人场景仿真模型进行机器人自动导航控制。
优选的，所述根据机器人运动数据和物流场景数据，通过秩卡曼滤波算法计算机器人的运动状态，根据所述机器人的运动状态得到机器人的导航数据融合结果，包括：
根据获取的机器人运动数据和物流场景数据，通过滤波算法在机器人运动过程中添加秩统计量，获取机器人运动数据采样点；
基于所述机器人运动数据采样点，确定所述机器人运动数据采样点对应的总层数和概率；
并根据所述机器人运动数据采样点，得到机器人运动状态的误差协方差矩阵，根据所述误差协方差矩阵计算得到所述误差协方差矩阵的预测值；
根据所述机器人运动数据采样点对应的总层数和概率，得到机器人运动的修正系数；
基于所述修正系数，通过秩卡曼滤波算法计算得到机器人运动数据点集；
根据所述机器人运动数据点集，计算得到非线性机器人运动数据点集，根据所述非线性机器人运动数据点集计算机器人的运动状态；
基于所述机器人的运动状态、机器人导航过程中使用的传感器数和传感器中获取的测量值，获取机器人的运动测量值；
根据所述机器人的运动测量值和误差协方差矩阵的预测值，计算机器人在不同传感器之间的格贴进度；
基于所述格贴进度，对传感器中获取的测量值进行数据归一化处理得到，机器人测量数据权重；
根据所述机器人测量数据权重计算获取导航数据融合结果。
优选的，所述机器人的运动状态表达式为：，其中，/>，其中， />，式中，/>表示机器人的运动状态；/>表示机器人运动数据采样点总数；/>表示机器人运动数据点集；/>表示非线性函数；/>表示第i个采样点对应的机器人运动的修正系数；/>表示滤波参数；/>表示机器人运动状态的误差协方差矩阵的预测值；表示机器人运动数据采样点对应的总层数；/>表示第i个采样点对应的概率；/>表示机器人运动的修正比例；/>表示秩统计量。
优选的，所述机器人的导航数据融合结果计算式如下：，式中，/>表示机器人的导航数据融合结果；/>表示机器人测量数据权重；/>表示机器人运动数据点集；/>表示机器人的运动状态；/>表示转置符号；/>表示传感器/>和传感器/>之间的格贴进度；/>表示机器人运动数据采样点总数。
优选的，所述根据预先获取的机器人运动坐标数据和障碍物位置数据通过人工势场法对机器人运动路径进行规划，获取机器人的运动最优路径，包括：
将机器人置于预先设置的人工势场中，获取机器人和障碍物之间的斥力势及机器人和终点之间的引力势；
根据所述斥力势和引力势，计算所述人工势场中的总势力；
基于所述总势力，确定机器人和障碍物之间的排斥力及机器人和终点之间的吸引力；
根据所述排斥力和吸引力获取机器人在运动过程中机器人当前位置坐标、机器人起始点坐标和机器人终点坐标；
根据机器人在运动过程中机器人当前位置坐标、机器人起始点坐标和机器人终点坐标，计算机器人和终点之间的距离及机器人和障碍物之间的距离；
根据所述机器人和终点之间的距离及机器人和障碍物之间的距离，对机器人运动路径进行规划，获取机器人的运动最优路径。
优选的，所述机器人与终点之间的距离计算表达式：，式中，/>表示机器人和终点之间的距离；/>表示机器人的横坐标；/>表示机器人的纵坐标；/>表示终点横坐标；/>表示终点纵坐标；
所述机器人与障碍物之间的距离计算式：，式中，/>表示机器人与障碍物之间的距离；/>表示机器人的横坐标；/>表示机器人的纵坐标；/>表示障碍物的横坐标；/>表示障碍物的纵坐标。
优选的，所述根据所述机器人的导航数据融合结果和运动最优路径，通过预先建立的机器人场景仿真模型进行机器人自动导航控制，包括：
将所述机器人的运动状态和运动最优路径输入机器人场景仿真模型中，消除机器人在物流搬运过程中的运动路径误差，获取机器人在物流场景中的复合控制量；
基于所述复合控制量，通过添加控制误差修正项计算机器人的标准运动轨迹；
根据所述标准运动轨迹，通过预先设置的避障数据在机器人产业链中物流区域中进行机器人自动导航控制。
优选的，所述机器人的标准运动轨迹计算式如下：，其中，，式中，/>表示机器人的运动轨迹横坐标；/>表示机器人的运动轨迹纵坐标；/>表示机器人的自动导航控制指数；/>表示机器人在物流场景中的复合控制量；/>表示路径误差参数；/>表示机器人运动的线速度；/>表示机器人运动的角速度；/>表示控制误差修正项。
优选的，所述机器人场景仿真模型，包括：
基于设置的场景参数获得机器人运动状态对机器人产业链中物流场景的导航准确率和机器人运动的路线高效率；
其中，所述场景参数包括：第一区域在总测算机器人产业链中物流区域的比例、第二区域的物流规模、第一区域中新增物流范围比例、第二区域中物流场景替代比例、第三区域中员工数与机器人数的比例、机器人产业链中物流区域的总机器数、机器人产业链中物流区域的总人数、机器人产业链中物流区域的器件位置数据；
所述第一区域包括：机器人产业链中物流区域，机器人运动场景为以机器人为中心以半径为十米的圆形区域；
所述第二区域包括：机器人运动场景为以机器人为中心以半径为五十米且除去所述第一区域的圆环形区域；
所述第三区域包括：机器人运动场景为除去以机器人为中心以半径为五十米的圆形区域以外所有区域；
将所述导航准确率大于第一替代阈值，且所述路线高效率大于第一新增阈值的模式，设置为高场景；
将所述导航准确率处于所述第一替代阈值和第二替代阈值之间，且所述路线高效率处于所述第一新增阈值和第二新增阈值之间的模式，设置为中场景；
将所述导航准确率小于第二替代阈值，且所述路线高效率小于所述第二新增阈值的模式，设置为低场景；
基于各情景模式中的机器人场景需求构建机器人场景仿真模型；
其中，所述情景模式包括：高场景、中场景和低场景。
基于同一发明构思，本发明还提供一种应用于数字化机器人产业链的机器人场景仿真系统，包括：
数据融合模块，用于根据机器人运动数据和物流场景数据，通过秩卡曼滤波算法计算机器人的运动状态，根据所述机器人的运动状态得到机器人的导航数据融合结果；
路径规划模块，用于根据预先获取的机器人运动坐标数据和障碍物位置数据通过人工势场法对机器人运动路径进行规划，获取机器人的运动最优路径；
场景仿真模块，用于根据所述机器人的导航数据融合结果和运动最优路径，通过预先建立的机器人场景仿真模型进行机器人自动导航控制。
优选的，所述数据融合模块具体用于：
根据获取的机器人运动数据和物流场景数据，通过滤波算法在机器人运动过程中添加秩统计量，获取机器人运动数据采样点；
基于所述机器人运动数据采样点，确定所述机器人运动数据采样点对应的总层数和概率；
并根据所述机器人运动数据采样点，得到机器人运动状态的误差协方差矩阵，根据所述误差协方差矩阵计算得到所述误差协方差矩阵的预测值；
根据所述机器人运动数据采样点对应的总层数和概率，得到机器人运动的修正系数；
基于所述修正系数，通过秩卡曼滤波算法计算得到机器人运动数据点集；
根据所述机器人运动数据点集，计算得到非线性机器人运动数据点集，根据所述非线性机器人运动数据点集计算机器人的运动状态；
基于所述机器人的运动状态、机器人导航过程中使用的传感器数和传感器中获取的测量值，获取机器人的运动测量值；
根据所述机器人的运动测量值和误差协方差矩阵的预测值，计算机器人在不同传感器之间的格贴进度；
基于所述格贴进度，对传感器中获取的测量值进行数据归一化处理得到，机器人测量数据权重；
根据所述机器人测量数据权重计算获取导航数据融合结果。
优选的，所述数据融合模块中机器人的运动状态表达式为：，其中，，其中，/>，式中，/>表示机器人的运动状态；/>表示机器人运动数据采样点总数；/>表示机器人运动数据点集；/>表示非线性函数；/>表示第i个采样点对应的机器人运动的修正系数；/>表示滤波参数；/>表示机器人运动状态的误差协方差矩阵的预测值；/>表示机器人运动数据采样点对应的总层数；/>表示第i个采样点对应的概率；/>表示机器人运动的修正比例；/>表示秩统计量。
优选的，所述数据融合模块中机器人的导航数据融合结果计算式如下：，式中，/>表示机器人的导航数据融合结果；/>表示机器人测量数据权重；/>表示机器人运动数据点集；/>表示机器人的运动状态；/>表示转置符号；/>表示传感器/>和传感器/>之间的格贴进度；/>表示机器人运动数据采样点总数。
优选的，所述路径规划模块具体用于：
将机器人置于预先设置的人工势场中，获取机器人和障碍物之间的斥力势及机器人和终点之间的引力势；
根据所述斥力势和引力势，计算所述人工势场中的总势力；
基于所述总势力，确定机器人和障碍物之间的排斥力及机器人和终点之间的吸引力；
根据所述排斥力和吸引力获取机器人在运动过程中机器人当前位置坐标、机器人起始点坐标和机器人终点坐标；
根据机器人在运动过程中机器人当前位置坐标、机器人起始点坐标和机器人终点坐标，计算机器人和终点之间的距离及机器人和障碍物之间的距离；
根据所述机器人和终点之间的距离及机器人和障碍物之间的距离，对机器人运动路径进行规划，获取机器人的运动最优路径。
优选的，所述路径规划模块中机器人与终点之间的距离计算表达式：，式中，/>表示机器人和终点之间的距离；/>表示机器人的横坐标；/>表示机器人的纵坐标；/>表示终点横坐标；/>表示终点纵坐标；
所述机器人与障碍物之间的距离计算式：，式中，/>表示机器人与障碍物之间的距离；/>表示机器人的横坐标；/>表示机器人的纵坐标；/>表示障碍物的横坐标；/>表示障碍物的纵坐标。
优选的，所述场景仿真模块具体用于：
将所述机器人的运动状态和运动最优路径输入机器人场景仿真模型中，消除机器人在物流搬运过程中的运动路径误差，获取机器人在物流场景中的复合控制量；
基于所述复合控制量，通过添加控制误差修正项计算机器人的标准运动轨迹；
根据所述标准运动轨迹，通过预先设置的避障数据在机器人产业链中物流区域中进行机器人自动导航控制。
优选的，所述场景仿真模块中机器人的标准运动轨迹计算式如下：，其中，/>，式中，/>表示机器人的运动轨迹横坐标；/>表示机器人的运动轨迹纵坐标；/>表示机器人的自动导航控制指数；/>表示机器人在物流场景中的复合控制量；/>表示路径误差参数；/>表示机器人运动的线速度；/>表示机器人运动的角速度；/>表示控制误差修正项。
优选的，所述场景仿真模块中机器人场景仿真模型，包括：
基于设置的场景参数获得机器人运动状态对机器人产业链中物流场景的导航准确率和机器人运动的路线高效率；
其中，所述场景参数包括：第一区域在总测算机器人产业链中物流区域的比例、第二区域的物流规模、第一区域中新增物流范围比例、第二区域中物流场景替代比例、第三区域中员工数与机器人数的比例、机器人产业链中物流区域的总机器数、机器人产业链中物流区域的总人数、机器人产业链中物流区域的器件位置数据；
所述第一区域包括：机器人产业链中物流区域，机器人运动场景为以机器人为中心以半径为十米的圆形区域；
所述第二区域包括：机器人运动场景为以机器人为中心以半径为五十米且除去所述第一区域的圆环形区域；
所述第三区域包括：机器人运动场景为除去以机器人为中心以半径为五十米的圆形区域以外所有区域；
将所述导航准确率大于第一替代阈值，且所述路线高效率大于第一新增阈值的模式，设置为高场景；
将所述导航准确率处于所述第一替代阈值和第二替代阈值之间，且所述路线高效率处于所述第一新增阈值和第二新增阈值之间的模式，设置为中场景；
将所述导航准确率小于第二替代阈值，且所述路线高效率小于所述第二新增阈值的模式，设置为低场景；
基于各情景模式中的机器人场景需求构建机器人场景仿真模型；
其中，所述情景模式包括：高场景、中场景和低场景。
与最接近的现有技术相比，本发明具有的有益效果如下：
1、本发明提供应用于数字化机器人产业链的机器人场景仿真方法及系统，包括：根据机器人运动数据和物流场景数据，通过秩卡曼滤波算法计算机器人的运动状态，根据所述机器人的运动状态得到机器人的导航数据融合结果；根据预先获取的机器人运动坐标数据和障碍物位置数据通过人工势场法对机器人运动路径进行规划，获取机器人的运动最优路径；根据所述机器人的导航数据融合结果和运动最优路径，通过预先建立的机器人场景仿真模型进行机器人自动导航控制，本发明通过将机器人运动数据和物流场景数据进行数据融合，得到机器人的导航数据融合结果，保证了数据的完整性和简洁性，最大程度降低计算复杂度，从而加强导航性能，本发明通过人工势场法对机器人运动路径进行规划，获取机器人的运动最优路径，可以将机器人行驶路线控制在两障碍物之间，实现高效的避障效果，从而提高机器人在物流场景中的工作效率。
附图说明
图1为本发明提供应用于数字化机器人产业链的机器人场景仿真方法流程图；
图2为本发明提供的应用于数字化机器人产业链的机器人场景仿真系统模块连接图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1：
本发明提供的应用于数字化机器人产业链的机器人场景仿真方法流程图如图1所示，包括：
步骤1：根据机器人运动数据和物流场景数据，通过秩卡曼滤波算法计算机器人的运动状态，根据所述机器人的运动状态得到机器人的导航数据融合结果；
步骤2：根据预先获取的机器人运动坐标数据和障碍物位置数据通过人工势场法对机器人运动路径进行规划，获取机器人的运动最优路径；
步骤3：根据所述机器人的导航数据融合结果和运动最优路径，通过预先建立的机器人场景仿真模型进行机器人自动导航控制。
具体的，所述步骤1，包括：
根据获取的机器人运动数据和物流场景数据，通过滤波算法在机器人运动过程中添加秩统计量，获取机器人运动数据采样点；
其中机器人运动数据包括：机器人坐标向量、机器人运动状态非线性函数和机器人运动中噪声向量；
所述物流场景数据包括：物流场地设备数据、物流流程数据、物流项目数据和流水线工作任务分配数据；
在利用滤波算法预测机器人运动状态的过程中通过添加秩统计量可加强预测的效率；
基于所述机器人运动数据采样点，确定所述机器人运动数据采样点对应的总层数和概率；
并根据所述机器人运动数据采样点，得到机器人运动状态的误差协方差矩阵，根据所述误差协方差矩阵计算得到所述误差协方差矩阵的预测值；
根据所述机器人运动数据采样点对应的总层数和概率，得到机器人运动的修正系数；
基于所述修正系数，通过秩卡曼滤波算法计算得到机器人运动数据点集；
根据所述机器人运动数据点集，计算得到非线性机器人运动数据点集，根据所述非线性机器人运动数据点集计算机器人的运动状态；
其中，选用秩卡曼滤波算法计算机器人的运动状态，可以加强机器人运动状态预测的精度和稳定性；
从而在确定出机器人运动状态后可加强机器人运动数据和物流场景数据的融合效果，进而提高机器人的导航性能；
基于所述机器人的运动状态、机器人导航过程中使用的传感器数和传感器中获取的测量值，获取机器人的运动测量值；
根据所述机器人的运动测量值和误差协方差矩阵的预测值，计算机器人在不同传感器之间的格贴进度；
基于所述格贴进度，对传感器中获取的测量值进行数据归一化处理得到，机器人测量数据权重；
其中，格贴近度直接反映传感器中获取的测量值融合的权重，因此将所有传感器中获取的测量值归一化处理后即可生成每种数据的权重，所述机器人测量数据权重表达式为：，式中，/>表示机器人测量数据权重；/>表示归一化处理参数；/>表示表示机器人的运动测量值；/>表示机器人的误差协方差矩阵的预测值；/>表示机器人导航过程中使用的传感器总数；/>表示机器人导航过程中使用的传感器；
根据所述机器人测量数据权重计算获取导航数据融合结果。
其中，数据融合指的是通过计算机技术将机器人运动数据和物流场景数据在一定的标准下完成综合分析和处理，实现目标决策以及预测信息的目的；
数据融合算法是数据处理技术的重要组成部分，数据融合需要对数据实施预测、分析以及修改等处理，以此为机器人导航提供精度更高的实际数据；
所述机器人的运动状态表达式为：，其中，/>，其中，，式中，/>表示机器人的运动状态；/>表示机器人运动数据采样点总数；/>表示机器人运动数据点集；/>表示非线性函数；/>表示第i个采样点对应的机器人运动的修正系数；/>表示滤波参数；/>表示机器人运动状态的误差协方差矩阵的预测值；/>表示机器人运动数据采样点对应的总层数；/>表示第i个采样点对应的概率；/>表示机器人运动的修正比例；/>表示秩统计量。
所述机器人的导航数据融合结果计算式如下：，式中，/>表示机器人的导航数据融合结果；/>表示机器人测量数据权重；/>表示机器人运动数据点集；/>表示机器人的运动状态；/>表示转置符号；/>表示传感器/>和传感器/>之间的格贴进度；/>表示机器人运动数据采样点总数。
具体的，所述步骤2，包括：
将机器人置于预先设置的人工势场中，获取机器人和障碍物之间的斥力势及机器人和终点之间的引力势；
其中，对机器人运动路径规划最常用的方法就是人工势场法，当机器人的运动在虚拟力场中，通过势场以及势场下降的方向就规划出机器人的运动路径；
根据人工势场法可知障碍物与智能机器人之间存在排斥力，机器人与终点之间存在吸引力，在这两种力的帮助下驱使机器人移动，并构建出针对机器人的虚拟势场；
根据所述斥力势和引力势，计算所述人工势场中的总势力；
其中，所述总势力函数如下：，式中，/>表示人工势场中的总势力；/>表示机器人和终点之间的引力势；/>表示机器人和障碍物之间的斥力势；
基于所述总势力，确定机器人和障碍物之间的排斥力及机器人和终点之间的吸引力；
根据所述排斥力和吸引力获取机器人在运动过程中机器人当前位置坐标、机器人起始点坐标和机器人终点坐标；
根据机器人在运动过程中机器人当前位置坐标、机器人起始点坐标和机器人终点坐标，计算机器人和终点之间的距离及机器人和障碍物之间的距离；
根据所述机器人和终点之间的距离及机器人和障碍物之间的距离，对机器人运动路径进行规划，获取机器人的运动最优路径。
所述机器人与终点之间的距离计算表达式：，式中，/>表示机器人和终点之间的距离；/>表示机器人的横坐标；/>表示机器人的纵坐标；/>表示终点横坐标；/>表示终点纵坐标；
所述机器人与障碍物之间的距离计算式：，式中，/>表示机器人与障碍物之间的距离；/>表示机器人的横坐标；/>表示机器人的纵坐标；/>表示障碍物的横坐标；/>表示障碍物的纵坐标。
其中，基于力的合成原理的条件下得出的人工势场中的总势力，并根据上式计算得到机器人与终点之间的距离及机器人与障碍物之间的距离，机器人就可以依据障碍物以及终点的合成力规划出一条全局最优路径。
具体的，所述步骤3，包括：
将所述机器人的运动状态和运动最优路径输入机器人场景仿真模型中，消除机器人在物流搬运过程中的运动路径误差，获取机器人在物流场景中的复合控制量；
基于所述复合控制量，通过添加控制误差修正项计算机器人的标准运动轨迹；
根据所述标准运动轨迹，通过预先设置的避障数据在机器人产业链中物流区域中进行机器人自动导航控制。
所述机器人的标准运动轨迹计算式如下：，其中，，式中，/>表示机器人的运动轨迹横坐标；/>表示机器人的运动轨迹纵坐标；/>表示机器人的自动导航控制指数；/>表示机器人在物流场景中的复合控制量；/>表示路径误差参数；/>表示机器人运动的线速度；/>表示机器人运动的角速度；/>表示控制误差修正项。
其中，避障的最优要求是在可控范围内尽可能远离障碍物，目前的机器人运动导航方法的避障效果较差，且行驶路线基本贴近障碍物前进，行驶的路线较远；
而本发明所提方法通常将行驶路线控制在两障碍物之间，实现高效的避障效果，因此本发明在避障方面具有超高的优越性；
本发明在对机器人导航的过程中融合了相关数据，保证数据的完整性和简洁性，最大程度降低计算复杂度，从而加强导航性能。
所述机器人场景仿真模型，包括：
基于设置的场景参数获得机器人运动状态对机器人产业链中物流场景的导航准确率和机器人运动的路线高效率；
其中，所述场景参数包括：第一区域在总测算机器人产业链中物流区域的比例、第二区域的物流规模、第一区域中新增物流范围比例、第二区域中物流场景替代比例、第三区域中员工数与机器人数的比例、机器人产业链中物流区域的总机器数、机器人产业链中物流区域的总人数、机器人产业链中物流区域的器件位置数据；
所述第一区域包括：机器人产业链中物流区域，机器人运动场景为以机器人为中心以半径为十米的圆形区域；
所述第二区域包括：机器人运动场景为以机器人为中心以半径为五十米且除去所述第一区域的圆环形区域；
所述第三区域包括：机器人运动场景为除去以机器人为中心以半径为五十米的圆形区域以外所有区域；
将所述导航准确率大于第一替代阈值，且所述路线高效率大于第一新增阈值的模式，设置为高场景；
将所述导航准确率处于所述第一替代阈值和第二替代阈值之间，且所述路线高效率处于所述第一新增阈值和第二新增阈值之间的模式，设置为中场景；
将所述导航准确率小于第二替代阈值，且所述路线高效率小于所述第二新增阈值的模式，设置为低场景；
基于各情景模式中的机器人场景需求构建机器人场景仿真模型；
其中，所述情景模式包括：高场景、中场景和低场景。
其中，在构建机器人场景仿真模型前首先需要深度剖析机器人产业链中物流场景中机器人运动工作需求、物流场景工作结构及机器人导航核心影响因素；
然后提出自下而上的基本分析思路，并根据机器人产业链各影响因素发展程度设定不同的场景及参数；
根据上述三种区域中机器人工作具体需求可对机器人导航要求设置三种场景，分别为高、中、低三种场景；
其中，高场景为导航准确率大于第一替代阈值，且所述路线高效率大于第一新增阈值的模式，适用于机器人在第一区域进行物流工作，这时的机器人对于导航准确率和路线高效率要求更高；
中场景为将所述导航准确率处于所述第一替代阈值和第二替代阈值之间，且所述路线高效率处于所述第一新增阈值和第二新增阈值之间的模式，适用于机器人在第二区域进行物流工作，这时的机器人对于导航准确率和路线高效率要求比第一区域低；
低场景将所述导航准确率小于第二替代阈值，且所述路线高效率小于所述第二新增阈值的模式，适用于机器人在第三区域进行物流工作，这时的机器人对于导航准确率和路线高效率要求比第二区域低；
其中，第一替代阈值、第二替代阈值、第一新增阈值和第二新增阈值是根据各数字化机器人产业链实际情况进行设置。
实施例2：
本发明提供应用于数字化机器人产业链的机器人场景仿真系统模块连接图如图2：
数据融合模块，用于根据机器人运动数据和物流场景数据，通过秩卡曼滤波算法计算机器人的运动状态，根据所述机器人的运动状态得到机器人的导航数据融合结果；
路径规划模块，用于根据预先获取的机器人运动坐标数据和障碍物位置数据通过人工势场法对机器人运动路径进行规划，获取机器人的运动最优路径；
场景仿真模块，用于根据所述机器人的导航数据融合结果和运动最优路径，通过预先建立的机器人场景仿真模型进行机器人自动导航控制。
具体的，所述数据融合模块具体用于：
根据获取的机器人运动数据和物流场景数据，通过滤波算法在机器人运动过程中添加秩统计量，获取机器人运动数据采样点；
基于所述机器人运动数据采样点，确定所述机器人运动数据采样点对应的总层数和概率；
并根据所述机器人运动数据采样点，得到机器人运动状态的误差协方差矩阵，根据所述误差协方差矩阵计算得到所述误差协方差矩阵的预测值；
根据所述机器人运动数据采样点对应的总层数和概率，得到机器人运动的修正系数；
基于所述修正系数，通过秩卡曼滤波算法计算得到机器人运动数据点集；
根据所述机器人运动数据点集，计算得到非线性机器人运动数据点集，根据所述非线性机器人运动数据点集计算机器人的运动状态；
基于所述机器人的运动状态、机器人导航过程中使用的传感器数和传感器中获取的测量值，获取机器人的运动测量值；
根据所述机器人的运动测量值和误差协方差矩阵的预测值，计算机器人在不同传感器之间的格贴进度；
基于所述格贴进度，对传感器中获取的测量值进行数据归一化处理得到，机器人测量数据权重；
根据所述机器人测量数据权重计算获取导航数据融合结果。
所述数据融合模块中机器人的运动状态表达式为：，其中，，其中，/>式中，/>表示机器人的运动状态；/>表示机器人运动数据采样点总数；/>表示机器人运动数据点集；/>表示非线性函数；/>表示第i个采样点对应的机器人运动的修正系数；/>表示滤波参数；/>表示机器人运动状态的误差协方差矩阵的预测值；/>表示机器人运动数据采样点对应的总层数；/>表示第i个采样点对应的概率；/>表示机器人运动的修正比例；/>表示秩统计量。
所述数据融合模块中机器人的导航数据融合结果计算式如下：，式中，/>表示机器人的导航数据融合结果；/>表示机器人测量数据权重；/>表示机器人运动数据点集；/>表示机器人的运动状态；/>表示转置符号；/>表示传感器/>和传感器/>之间的格贴进度；/>表示机器人运动数据采样点总数。
具体的，所述路径规划模块具体用于：
将机器人置于预先设置的人工势场中，获取机器人和障碍物之间的斥力势及机器人和终点之间的引力势；
根据所述斥力势和引力势，计算所述人工势场中的总势力；
基于所述总势力，确定机器人和障碍物之间的排斥力及机器人和终点之间的吸引力；
根据所述排斥力和吸引力获取机器人在运动过程中机器人当前位置坐标、机器人起始点坐标和机器人终点坐标；
根据机器人在运动过程中机器人当前位置坐标、机器人起始点坐标和机器人终点坐标，计算机器人和终点之间的距离及机器人和障碍物之间的距离；
根据所述机器人和终点之间的距离及机器人和障碍物之间的距离，对机器人运动路径进行规划，获取机器人的运动最优路径。
所述路径规划模块中机器人与终点之间的距离计算表达式：，式中，/>表示机器人和终点之间的距离；/>表示机器人的横坐标；/>表示机器人的纵坐标；/>表示终点横坐标；/>表示终点纵坐标；
所述机器人与障碍物之间的距离计算式：，式中，/>表示机器人与障碍物之间的距离；/>表示机器人的横坐标；/>表示机器人的纵坐标；/>表示障碍物的横坐标；/>表示障碍物的纵坐标。
具体的，所述场景仿真模块具体用于：
将所述机器人的运动状态和运动最优路径输入机器人场景仿真模型中，消除机器人在物流搬运过程中的运动路径误差，获取机器人在物流场景中的复合控制量；
基于所述复合控制量，通过添加控制误差修正项计算机器人的标准运动轨迹；
根据所述标准运动轨迹，通过预先设置的避障数据在机器人产业链中物流区域中进行机器人自动导航控制。
所述场景仿真模块中机器人的标准运动轨迹计算式如下：，其中， />，式中，/>表示机器人的运动轨迹横坐标；/>表示机器人的运动轨迹纵坐标；/>表示机器人的自动导航控制指数；/>表示机器人在物流场景中的复合控制量；/>表示路径误差参数；/>表示机器人运动的线速度；/>表示机器人运动的角速度；/>表示控制误差修正项。
所述场景仿真模块中机器人场景仿真模型，包括：
基于设置的场景参数获得机器人运动状态对机器人产业链中物流场景的导航准确率和机器人运动的路线高效率；
其中，所述场景参数包括：第一区域在总测算机器人产业链中物流区域的比例、第二区域的物流规模、第一区域中新增物流范围比例、第二区域中物流场景替代比例、第三区域中员工数与机器人数的比例、机器人产业链中物流区域的总机器数、机器人产业链中物流区域的总人数、机器人产业链中物流区域的器件位置数据；
所述第一区域包括：机器人产业链中物流区域，机器人运动场景为以机器人为中心以半径为十米的圆形区域；
所述第二区域包括：机器人运动场景为以机器人为中心以半径为五十米且除去所述第一区域的圆环形区域；
所述第三区域包括：机器人运动场景为除去以机器人为中心以半径为五十米的圆形区域以外所有区域；
将所述导航准确率大于第一替代阈值，且所述路线高效率大于第一新增阈值的模式，设置为高场景；
将所述导航准确率处于所述第一替代阈值和第二替代阈值之间，且所述路线高效率处于所述第一新增阈值和第二新增阈值之间的模式，设置为中场景；
将所述导航准确率小于第二替代阈值，且所述路线高效率小于所述第二新增阈值的模式，设置为低场景；
基于各情景模式中的机器人场景需求构建机器人场景仿真模型；
其中，所述情景模式包括：高场景、中场景和低场景。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是，以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解，本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。
Claims (6)
1.应用于数字化机器人产业链的机器人场景仿真方法，其特征在于，包括：
根据机器人运动数据和物流场景数据，通过秩卡曼滤波算法计算机器人的运动状态，根据所述机器人的运动状态得到机器人的导航数据融合结果；
根据预先获取的机器人运动坐标数据和障碍物位置数据通过人工势场法对机器人运动路径进行规划，获取机器人的运动最优路径；
根据所述机器人的导航数据融合结果和运动最优路径，通过预先建立的机器人场景仿真模型进行机器人自动导航控制；
所述根据机器人运动数据和物流场景数据，通过秩卡曼滤波算法计算机器人的运动状态，根据所述机器人的运动状态得到机器人的导航数据融合结果，包括：
根据获取的机器人运动数据和物流场景数据，通过滤波算法在机器人运动过程中添加秩统计量，获取机器人运动数据采样点；
基于所述机器人运动数据采样点，确定所述机器人运动数据采样点对应的总层数和概率；
并根据所述机器人运动数据采样点，得到机器人运动状态的误差协方差矩阵，根据所述误差协方差矩阵计算得到所述误差协方差矩阵的预测值；
根据所述机器人运动数据采样点对应的总层数和概率，得到机器人运动的修正系数；
基于所述修正系数，通过秩卡曼滤波算法计算得到机器人运动数据点集；
根据所述机器人运动数据点集，计算得到非线性机器人运动数据点集，根据所述非线性机器人运动数据点集计算机器人的运动状态；
基于所述机器人的运动状态、机器人导航过程中使用的传感器数和传感器中获取的测量值，获取机器人的运动测量值；
根据所述机器人的运动测量值和误差协方差矩阵的预测值，计算机器人在不同传感器之间的格贴进度；
基于所述格贴进度，对传感器中获取的测量值进行数据归一化处理得到，机器人测量数据权重；
根据所述机器人测量数据权重计算获取导航数据融合结果；
所述机器人的运动状态表达式为：
其中，
其中，
式中，表示机器人的运动状态；/>表示机器人运动数据采样点总数；/>表示机器人运动数据点集；/>表示非线性函数；/>表示第i个采样点对应的机器人运动的修正系数；/>表示滤波参数；/>表示机器人运动状态的误差协方差矩阵的预测值；/>表示机器人运动数据采样点对应的总层数；/>表示第i个采样点对应的概率；/>表示机器人运动的修正比例；/>表示秩统计量；
所述机器人的导航数据融合结果计算式如下：
式中，表示机器人的导航数据融合结果；/>表示机器人测量数据权重；/>表示机器人运动数据点集；/>表示机器人的运动状态；/>表示转置符号；/>表示传感器/>和传感器之间的格贴进度；/>表示机器人运动数据采样点总数；
所述机器人场景仿真模型，包括：
基于设置的场景参数获得机器人运动状态对机器人产业链中物流场景的导航准确率和机器人运动的路线高效率；
其中，所述场景参数包括：第一区域在总测算机器人产业链中物流区域的比例、第二区域的物流规模、第一区域中新增物流范围比例、第二区域中物流场景替代比例、第三区域中员工数与机器人数的比例、机器人产业链中物流区域的总机器数、机器人产业链中物流区域的总人数、机器人产业链中物流区域的器件位置数据；
所述第一区域包括：机器人产业链中物流区域，机器人运动场景为以机器人为中心以半径为十米的圆形区域；
所述第二区域包括：机器人运动场景为以机器人为中心以半径为五十米且除去所述第一区域的圆环形区域；
所述第三区域包括：机器人运动场景为除去以机器人为中心以半径为五十米的圆形区域以外所有区域；
将所述导航准确率大于第一替代阈值，且所述路线高效率大于第一新增阈值的模式，设置为高场景；
将所述导航准确率处于所述第一替代阈值和第二替代阈值之间，且所述路线高效率处于所述第一新增阈值和第二新增阈值之间的模式，设置为中场景；
将所述导航准确率小于第二替代阈值，且所述路线高效率小于所述第二新增阈值的模式，设置为低场景；
基于各情景模式中的机器人场景需求构建机器人场景仿真模型；
其中，所述情景模式包括：高场景、中场景和低场景。
2.如权利要求1所述的应用于数字化机器人产业链的机器人场景仿真方法，其特征在于，所述根据预先获取的机器人运动坐标数据和障碍物位置数据通过人工势场法对机器人运动路径进行规划，获取机器人的运动最优路径，包括：
将机器人置于预先设置的人工势场中，获取机器人和障碍物之间的斥力势及机器人和终点之间的引力势；
根据所述斥力势和引力势，计算所述人工势场中的总势力；
基于所述总势力，确定机器人和障碍物之间的排斥力及机器人和终点之间的吸引力；
根据所述排斥力和吸引力获取机器人在运动过程中机器人当前位置坐标、机器人起始点坐标和机器人终点坐标；
根据机器人在运动过程中机器人当前位置坐标、机器人起始点坐标和机器人终点坐标，计算机器人和终点之间的距离及机器人和障碍物之间的距离；
根据所述机器人和终点之间的距离及机器人和障碍物之间的距离，对机器人运动路径进行规划，获取机器人的运动最优路径。
3.如权利要求2所述的应用于数字化机器人产业链的机器人场景仿真方法，其特征在于，所述机器人与终点之间的距离计算表达式：
式中，表示机器人和终点之间的距离；/>表示机器人的横坐标；/>表示机器人的纵坐标；/>表示终点横坐标；/>表示终点纵坐标；
所述机器人与障碍物之间的距离计算式：
式中，表示机器人与障碍物之间的距离；/>表示机器人的横坐标；/>表示机器人的纵坐标；/>表示障碍物的横坐标；/>表示障碍物的纵坐标。
4.如权利要求1所述的应用于数字化机器人产业链的机器人场景仿真方法，其特征在于，所述根据所述机器人的导航数据融合结果和运动最优路径，通过预先建立的机器人场景仿真模型进行机器人自动导航控制，包括：
将所述机器人的运动状态和运动最优路径输入机器人场景仿真模型中，消除机器人在物流搬运过程中的运动路径误差，获取机器人在物流场景中的复合控制量；
基于所述复合控制量，通过添加控制误差修正项计算机器人的标准运动轨迹；
根据所述标准运动轨迹，通过预先设置的避障数据在机器人产业链中物流区域中进行机器人自动导航控制。
5.如权利要求4所述的应用于数字化机器人产业链的机器人场景仿真方法，其特征在于，所述机器人的标准运动轨迹计算式如下：
其中，
式中，表示机器人的运动轨迹横坐标；/>表示机器人的运动轨迹纵坐标；/>表示机器人的自动导航控制指数；/>表示机器人在物流场景中的复合控制量；/>表示路径误差参数；表示机器人运动的线速度；/>表示机器人运动的角速度；/>表示控制误差修正项。
6.应用于数字化机器人产业链的机器人场景仿真系统，用于实现权利要求1所述的仿真方法，其特征在于，包括：
数据融合模块，用于根据机器人运动数据和物流场景数据，通过秩卡曼滤波算法计算机器人的运动状态，根据所述机器人的运动状态得到机器人的导航数据融合结果；
路径规划模块，用于根据预先获取的机器人运动坐标数据和障碍物位置数据通过人工势场法对机器人运动路径进行规划，获取机器人的运动最优路径；
场景仿真模块，用于根据所述机器人的导航数据融合结果和运动最优路径，通过预先建立的机器人场景仿真模型进行机器人自动导航控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410135392.6A CN117670184B (zh) | 2024-01-31 | 2024-01-31 | 应用于数字化机器人产业链的机器人场景仿真方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410135392.6A CN117670184B (zh) | 2024-01-31 | 2024-01-31 | 应用于数字化机器人产业链的机器人场景仿真方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117670184A CN117670184A (zh) | 2024-03-08 |
| CN117670184B true CN117670184B (zh) | 2024-05-03 |
Family
ID=90071678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410135392.6A Active CN117670184B (zh) | 2024-01-31 | 2024-01-31 | 应用于数字化机器人产业链的机器人场景仿真方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117670184B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011146259A2 (en) * | 2010-05-20 | 2011-11-24 | Irobot Corporation | Mobile human interface robot |
| CN104484522A (zh) * | 2014-12-11 | 2015-04-01 | 西南科技大学 | 一种基于现实场景的机器人模拟演练系统的构建方法 |
| CN111121807A (zh) * | 2019-12-18 | 2020-05-08 | 安徽机电职业技术学院 | 一种移动机器人路径规划方法 |
| CN112304314A (zh) * | 2020-08-27 | 2021-02-02 | 中国科学技术大学 | 一种分布式多机器人的导航方法 |
| CN112965496A (zh) * | 2021-02-23 | 2021-06-15 | 武汉理工大学 | 基于人工势场算法的路径规划方法、装置及存储介质 |
| CN114488853A (zh) * | 2022-01-26 | 2022-05-13 | 中国工商银行股份有限公司 | 一种机器人路径规划的场景仿真方法及装置 |
| WO2022160430A1 (en) * | 2021-01-27 | 2022-08-04 | Dalian University Of Technology | Method for obstacle avoidance of robot in the complex indoor scene based on monocular camera |
| CN115374016A (zh) * | 2022-10-25 | 2022-11-22 | 苏州清研精准汽车科技有限公司 | 一种测试场景仿真系统、方法、电子设备及存储介质 |
| KR20220161919A (ko) * | 2021-05-31 | 2022-12-07 | 한성대학교 산학협력단 | 물류이송로봇의 가상 시뮬레이션을 위한 주행특성 가상모델링 방법 |
| CN116243623A (zh) * | 2023-05-10 | 2023-06-09 | 深圳墨影科技有限公司 | 应用于数字化机器人产业链的机器人场景仿真方法 |
| CN117034102A (zh) * | 2023-06-20 | 2023-11-10 | 浙江润琛科技有限公司 | 一种基于智能场景分类的多场景导航方法 |
-
2024
- 2024-01-31 CN CN202410135392.6A patent/CN117670184B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011146259A2 (en) * | 2010-05-20 | 2011-11-24 | Irobot Corporation | Mobile human interface robot |
| CN104484522A (zh) * | 2014-12-11 | 2015-04-01 | 西南科技大学 | 一种基于现实场景的机器人模拟演练系统的构建方法 |
| CN111121807A (zh) * | 2019-12-18 | 2020-05-08 | 安徽机电职业技术学院 | 一种移动机器人路径规划方法 |
| CN112304314A (zh) * | 2020-08-27 | 2021-02-02 | 中国科学技术大学 | 一种分布式多机器人的导航方法 |
| WO2022160430A1 (en) * | 2021-01-27 | 2022-08-04 | Dalian University Of Technology | Method for obstacle avoidance of robot in the complex indoor scene based on monocular camera |
| CN112965496A (zh) * | 2021-02-23 | 2021-06-15 | 武汉理工大学 | 基于人工势场算法的路径规划方法、装置及存储介质 |
| KR20220161919A (ko) * | 2021-05-31 | 2022-12-07 | 한성대학교 산학협력단 | 물류이송로봇의 가상 시뮬레이션을 위한 주행특성 가상모델링 방법 |
| CN114488853A (zh) * | 2022-01-26 | 2022-05-13 | 中国工商银行股份有限公司 | 一种机器人路径规划的场景仿真方法及装置 |
| CN115374016A (zh) * | 2022-10-25 | 2022-11-22 | 苏州清研精准汽车科技有限公司 | 一种测试场景仿真系统、方法、电子设备及存储介质 |
| CN116243623A (zh) * | 2023-05-10 | 2023-06-09 | 深圳墨影科技有限公司 | 应用于数字化机器人产业链的机器人场景仿真方法 |
| CN117034102A (zh) * | 2023-06-20 | 2023-11-10 | 浙江润琛科技有限公司 | 一种基于智能场景分类的多场景导航方法 |
Non-Patent Citations (2)
| Title |
|---|
| "物流搬运智能机器人信息融合导航方法仿真";漆圆方等;《计算机仿真》;20231031;第40卷(第10期);第426-430页 * |
| 漆圆方等."物流搬运智能机器人信息融合导航方法仿真".《计算机仿真》.2023,第40卷(第10期),第426-430页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117670184A (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106557844B (zh) | 一种焊接机器人路径规划方法 | |
| CN108705532A (zh) | 一种机械臂避障路径规划方法、设备及存储设备 | |
| CN104964683B (zh) | 一种室内环境地图创建的闭环校正方法 | |
| Niewola et al. | L* algorithm—A linear computational complexity graph searching algorithm for path planning | |
| CN110726415B (zh) | 一种自适应的水下多波束同步定位与建图方法 | |
| CN106020197A (zh) | 一种基于势能场的机器人路径跟踪算法 | |
| CN113031621B (zh) | 一种桥式起重机安全避障路径规划方法及系统 | |
| CN110362081B (zh) | 一种移动机器人路径规划方法 | |
| CN110702093B (zh) | 基于粒子滤波的定位方法、装置、存储介质及机器人 | |
| CN117670184B (zh) | 应用于数字化机器人产业链的机器人场景仿真方法及系统 | |
| CN111761583B (zh) | 一种智能机器人运动定位方法及系统 | |
| Jeon | An efficient acceleration for fast motion of industrial robots | |
| CN111563918B (zh) | 一种多卡尔曼滤波器数据融合的目标跟踪方法 | |
| CN110763234B (zh) | 一种水下机器人海底地形匹配导航路径规划方法 | |
| CN113359714A (zh) | 基于粒子滤波算法的巡检机器人动态路径规划方法及装置 | |
| CN115454061B (zh) | 一种基于3d技术的机器人路径避障方法及系统 | |
| CN116576868A (zh) | 一种多传感器融合精确定位及自主导航方法 | |
| CN116295497A (zh) | 路径生成方法、装置、机器人和存储介质 | |
| CN111076724B (zh) | 三维激光定位方法及系统 | |
| CN112857379B (zh) | 一种基于改进的Gmapping-SLAM地图更新方法及系统 | |
| CN111912411B (zh) | 一种机器人导航定位方法、系统及存储介质 | |
| KR101547025B1 (ko) | 이동 기기의 위치를 예측하는 방법, 및 장치 | |
| CN114428807A (zh) | 地面机动目标运动轨迹语义体系构建与认知优化方法 | |
| CN115129057B (zh) | 基于通行效率评估的机器人分层式自主探索方法 | |
| CN116805336B (zh) | 一种机器视觉环境下的钢筋交叉点精确坐标解算方法 |
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 |