CN118034304A - 一种基于实时建模的机器人路径规划方法及系统 - Google Patents
一种基于实时建模的机器人路径规划方法及系统 Download PDFInfo
- Publication number
- CN118034304A CN118034304A CN202410249462.0A CN202410249462A CN118034304A CN 118034304 A CN118034304 A CN 118034304A CN 202410249462 A CN202410249462 A CN 202410249462A CN 118034304 A CN118034304 A CN 118034304A
- Authority
- CN
- China
- Prior art keywords
- robot
- real
- positioning
- state
- vector
- 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 40
- 239000013598 vector Substances 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004387 environmental modeling Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明具体涉及一种基于实时建模的机器人路径规划方法及系统,方法包括步骤:建立实时误差模型,用一个状态空间模型来表征实时误差模型:状态空间模型包括表征机器人定位状态的第一向量与表征观测机器人定位的第二向量;定义似然函数为给定真实状态第一向量时观测到第二向量的概率,基于高斯噪声模型来表达误差;设定先验分布,第一向量来自先前测量的历史统计数据,定义先验概率分布;然后连续收集机器人定位接收机输出的位置观测数据;利用贝叶斯公式更新后验概率分布;然后通过递推滤波器,并修正机器人定位误差;然后基于修正之后的机器人定位对机器人路径进行规划。
Description
技术领域
本发明属于机器人路径规划领域,具体涉及一种基于实时建模的机器人路径规划方法及系统。
背景技术
机器人路径规划方法通常需要环境建模:通过传感器(如激光雷达、摄像头或超声波传感器等)收集数据来构建环境地图,包括障碍物的位置、形状和大小信息。地图可以是栅格地图、拓扑地图或其他形式的表示,比如点云或者连续空间模型。确定机器人的起始位置和目标位置。设置规划参数,例如机器人的尺寸、运动约束(最小转弯半径、速度限制等)、规划范围以及可能的路径优化标准(如最短距离、最小能耗、最快速度等)。在已知的全局地图上应用搜索算法来寻找从起始点到目标点的可行路径。如果环境存在不确定性或者实时变化,机器人需要根据实时传感器反馈进行局部路径调整,以避开未知障碍或适应环境变化。局部路径规划算法可能包括势场法、动态窗口法、人工势场函数法、模糊逻辑控制等。
得到初步路径后,还需要对其进行平滑处理,以减少不必要的转向和加减速,提高运行效率和平稳性。轨迹生成阶段会将规划出的离散路径转化为连续的时间序列指令,供机器人执行机构遵循。机器人按照规划好的轨迹进行移动,并在实际执行过程中不断更新自身位置信息。当实际情况与预期路径有偏差时,利用反馈控制机制对路径进行修正,确保机器人能够沿着规划路径安全且准确地到达目的地。
现有技术存在的问题主要包括:实时感知和建模误差可能导致路径规划不准确。
发明内容
本发明的目的在于提供一种基于实时建模的机器人路径规划方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:
一种基于实时建模的机器人路径规划方法,包括步骤有对机器人路径进行规划之前先根据已有的数据修正机器人定位误差;
建立实时误差模型,用一个状态空间模型来表征实时误差模型:
状态空间模型包括表征机器人定位状态的第一向量与表征观测机器人定位的第二向量,
第一向量包括机器人定位真实位置以及其他影响机器人定位精度的状态变量;
第二向量是机器人定位接收到的位置观测数据;
定义似然函数为给定真实状态第一向量时观测到第二向量的概率,基于高斯噪声模型来表达误差;
设定先验分布,第一向量来自先前测量的历史统计数据,定义先验概率分布;
然后连续收集机器人定位接收机输出的位置观测数据;
利用贝叶斯公式更新后验概率分布;
然后通过递推滤波器,并修正机器人定位误差;
然后基于修正之后的机器人定位对机器人路径进行规划。
优选地,其他影响机器人定位精度的状态变量包括速度、加速度。
优选地,递推滤波器包括卡尔曼滤波器(KF)、扩展卡尔曼滤波器(EKF),在卡尔曼滤波器中,通过对预测步骤和更新步骤的迭代循环来逼近真实的后验分布。
优选地,在预测步骤过程中根据上一时刻的状态估计和动态模型预测当前状态及其协方差矩阵。
优选地,在更新步骤过程中将新的机器人定位观测数据与预测结果结合,通过贝叶斯公式更新状态估计,并更新协方差矩阵以反映残余不确定性。
基于实时建模的机器人路径规划系统,包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述基于实时建模的机器人路径规划方法。
有益效果
本申请在每次获取新的机器人定位观测数据时,都会对当前位置和相关状态变量进行一次误差修正,从而提高定位精度。并且每一次对机器人路径进行规划之前先根据已有的数据修正机器人定位误差,基于修正之后的机器人定位对机器人路径进行规划。
附图说明
图1为基于实时建模的机器人路径规划方法流程图。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请公开了基于实时建模的机器人路径规划方法如图1包括步骤有,对机器人路径进行规划之前先根据已有的数据修正机器人定位误差;
建立实时误差模型,用一个状态空间模型来表征实时误差模型:
状态空间模型包括表征机器人定位状态的第一向量与表征观测机器人定位的第二向量,
第一向量A包括机器人定位真实位置以及其他影响机器人定位精度的状态变量(其他影响机器人定位精度的状态变量包括速度、加速度或时间相关的漂移参数);
第二向量B是机器人定位接收到的位置观测数据;
定义似然函数P(B|A)为给定真实状态A时观测到B的概率,基于高斯噪声模型来表达误差;
设定先验分布,第一向量A来自先前测量的历史统计数据,定义先验概率分布P(A);
然后连续收集机器人定位接收机输出的位置观测数据B;
利用贝叶斯公式更新后验概率分布,
即P(A|B)=P(B|A)*P(A)/P(B);
其中,P(B|A)是似然函数,表示给定状态A时观测值B的概率;P(A)是先验概率分布;P(B)是所有可能状态下观测到B的边缘概率,可通过归一化确保后验概率总和为1;
然后通过递推滤波器,如卡尔曼滤波器(KF)或扩展卡尔曼滤波器(EKF),甚至更复杂的粒子滤波器来进行贝叶斯估计,在卡尔曼滤波器中,通过对预测步骤和更新步骤的迭代循环来逼近真实的后验分布,并修正机器人定位误差;
然后基于修正之后的机器人定位对机器人路径进行规划;
卡尔曼滤波器(KF)和扩展卡尔曼滤波器(EKF)是用于估计动态系统状态的递归最优滤波算法,它们在结构上都包括预测和更新两个主要阶段,并且都基于贝叶斯估计原理。以下是两种滤波器的基本结构组成:卡尔曼滤波器(KF),1.预测阶段(Prediction Step):
状态预测:根据系统的动力学模型和前一时刻的状态估计值,通过状态转移矩阵进行状态预测。
\[\hat{x}_{k|k-1}=A_{k-1}\hat{x}_{k-1|k-1}+B_{k-1}u_{k-1}\]
状态协方差预测:利用状态转移矩阵和前一时刻的误差协方差矩阵计算新的预测误差协方差矩阵。
\[P_{k|k-1}=A_{k-1}P_{k-1|k-1}A_{k-1}^T+Q_{k-1}\]
2.更新阶段(Update Step):
计算卡尔曼增益:利用当前观测信息与预测误差协方差之间的关系确定最佳融合权重。
\[K_k=P_{k|k-1}H_k^T(H_k P_{k|k-1}H_k^T+R_k)^{-1}\]
状态更新:结合预测状态和实际观测值通过卡尔曼增益更新状态估计。
\[\hat{x}_{k|k}=\hat{x}_{k|k-1}+K_k(z_k-H_k\hat{x}_{k|k-1})\]
-更新协方差:更新后的状态误差协方差矩阵。
\[P_{k|k}=(I-K_kH_k)P_{k|k-1}\]
其中:
-\(\hat{x}\)是状态估计向量。
-\(A\)是状态转移矩阵。
-\(B\)是控制输入矩阵。
-\(u\)是控制输入向量。
-\(P\)是状态估计的协方差矩阵。
-\(Q\)是过程噪声的协方差矩阵。
-\(z\)是观测向量。
-\(H\)是观测矩阵。
-\(R\)是观测噪声的协方差矩阵。
-\(K\)是卡尔曼增益。
扩展卡尔曼滤波器(EKF),EKF是对非线性系统的一种线性化近似处理的卡尔曼滤波器变种。其基本结构同样包括预测和更新两个步骤,但在处理非线性部分时有所不同:
1.预测阶段(Prediction Step):
对非线性的状态转移函数进行一阶泰勒展开,得到线性化的预测模型。
使用线性化后的一阶近似模型执行与KF相同的预测操作。
2.更新阶段(Update Step):
同样需要对非线性的观测模型进行线性化处理,即对观测函数进行一阶泰勒展开。
利用线性化后的观测方程计算卡尔曼增益并更新状态估计和误差协方差矩阵,与KF中的更新步骤形式相似,但使用的均是线性化后的表达式。
EKF的关键在于,对于非线性系统,它不是直接应用原卡尔曼滤波公式,而是首先对状态转移函数和观测函数进行局部线性化,然后在这个线性化后的模型上执行标准卡尔曼滤波算法的操作。然而,由于EKF依赖于一阶泰勒展开的近似,当系统非线性较强或系统动态变化较大时,EKF可能会出现不准确甚至发散的问题。
在预测步骤过程中根据上一时刻的状态估计和动态模型预测当前状态及其协方差矩阵(预测当前位置和状态协方差矩阵通常基于滤波算法,如卡尔曼滤波(KF)或其扩展版本,例如无迹卡尔曼滤波(UKF)和粒子滤波(PF)。下面以卡尔曼滤波为例,描述预测步骤:
1.初始化:
设定机器人的初始状态向量`x_{k-1|k-1}`,表示在上一时刻(k-1)的最优估计。
确定状态转移矩阵`F_k`,它根据动态模型描述了机器人从时刻k-1到时刻k的状态变化关系。
确定过程噪声协方差矩阵`Q_k`,它反映了由于模型不确定性或外部干扰导致的状态转移过程中的随机误差。
2.运动预测:
使用动态模型进行状态预测,计算当前时刻(k)的状态预测值:
```
x_{k|k-1}=F_k*x_{k-1|k-1}+B_k*u_k
```
其中,`u_k`是控制输入向量(如果存在的话),`B_k`是控制输入矩阵。
同时,预测状态协方差矩阵:
```
P_{k|k-1}=F_k*P_{k-1|k-1}*F_k^T+Q_k
```
这里`P_{k|k-1}`是预测的协方差矩阵,代表了对预测状态准确度的信心程度。`P_{k-1|k-1}`是上一时刻最优估计的状态协方差矩阵。
在更新步骤过程中将新的机器人定位观测数据与预测结果结合,通过贝叶斯公式更新状态估计(即修正机器人定位误差),并更新协方差矩阵以反映残余不确定性;
1.预测阶段:
利用上一时刻的状态估计(包括位置和速度等信息)以及控制输入(如车轮转速、电机脉冲数等),根据运动模型计算当前时刻机器人的状态预测值。
同时,根据运动模型的不确定性更新预测状态协方差矩阵(也称为过程噪声协方差矩阵)。
2.更新阶段(Bayes更新):
收集来自传感器的新观测数据,比如激光雷达测距、视觉特征匹配或者里程计读数。
计算观测概率,即给定预测状态条件下,观测到当前数据的概率,通常使用似然函数表示:p(z_t|x_t)。
应用贝叶斯公式进行状态更新:
```
p(x_t|z_t)=(p(z_t|x_t)*p(x_t))/p(z_t)
```
其中,p(x_t|z_t)是在已知新观测z_t的情况下机器人状态x_t的概率分布,p(z_t|x_t)是观测概率,p(x_t)是预测分布,而p(z_t)是证据因子,也称标准化常数。
4.卡尔曼增益计算:
在实际应用中,尤其是卡尔曼滤波器中,由于高维度状态空间下直接求解上述后验概率很困难,会通过线性化和近似方法得到一个简洁形式。计算卡尔曼增益K,它是预测协方差矩阵与量测协方差矩阵及它们的交叉协方差矩阵的比值,代表了预测信息和观测信息之间的权衡。
5.状态估计更新:
-使用卡尔曼增益K将观测残差(观测值减去预测观测值)与预测状态协方差矩阵相乘,从而获得状态的修正项,并将其加到预测状态上,得到最优估计值(卡尔曼滤波框架下的最小均方误差估计):
```
```
6.协方差矩阵更新:
更新后的状态协方差矩阵反映的是经过观测修正后状态估计的不确定性,计算方式为:
```
P_t|t=(I-K_t*H_t)*P_t|t-1
```
其中,I是单位矩阵,H_t是观测模型的雅可比矩阵或者观测矩阵,P_t|t-1是预测状态协方差矩阵,而P_t|t是更新后的状态协方差矩阵。
可见本申请在每次获取新的机器人定位观测数据时,都会对当前位置和相关状态变量进行一次误差修正,从而提高定位精度。
本申请需要保护的实施例包括:
基于实时建模的机器人路径规划方法,包括步骤有对机器人路径进行规划之前先根据已有的数据修正机器人定位误差;
建立实时误差模型,用一个状态空间模型来表征实时误差模型:
状态空间模型包括表征机器人定位状态的第一向量与表征观测机器人定位的第二向量,
第一向量包括机器人定位真实位置以及其他影响机器人定位精度的状态变量;
第二向量是机器人定位接收到的位置观测数据;
定义似然函数为给定真实状态第一向量时观测到第二向量的概率,基于高斯噪声模型来表达误差;
设定先验分布,第一向量来自先前测量的历史统计数据,定义先验概率分布;
然后连续收集机器人定位接收机输出的位置观测数据;
利用贝叶斯公式更新后验概率分布;
然后通过递推滤波器,并修正机器人定位误差;
然后基于修正之后的机器人定位对机器人路径进行规划。
优选的,其他影响机器人定位精度的状态变量包括速度、加速度。
优选的,递推滤波器包括卡尔曼滤波器(KF)、扩展卡尔曼滤波器(EKF),在卡尔曼滤波器中,通过对预测步骤和更新步骤的迭代循环来逼近真实的后验分布。
优选的,在预测步骤过程中根据上一时刻的状态估计和动态模型预测当前状态及其协方差矩阵。
优选的,在更新步骤过程中将新的机器人定位观测数据与预测结果结合,通过贝叶斯公式更新状态估计,并更新协方差矩阵以反映残余不确定性。
本申请实施例还提供了一种计算机设备系统,可以包括终端设备或服务器,前述的基于实时建模的机器人路径规划方法的数据计算程序可以配置在该计算机设备系统中。下面对该计算机设备系统进行介绍。
若该计算机设备系统为终端设备,本申请实施例提供了一种终端设备,以终端设备为手机为例:
手机包括:射频(Radio Frequency,简称RF)电路、存储器、输入单元、显示单元、传感器、音频电路、无线保真(Wireless Fidelity,简称WiFi)模块、处理器、以及电源等部件。RF电路可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器处理;另外,将设计上行的数据发送给基站。通常,RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier,简称LNA)、双工器等。此外,RF电路还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(Global System of Mobilecommunication,简称GSM)、通用分组无线服务(GeneralPacket Radio Service,简称GPRS)、码分多址(Code Division MultipleAccess,简称CDMA)、宽带码分多址(WidebandCode Division MultipleAccess,简称WCDMA)、长期演进(Long Term Evolution,简称LTE)、电子邮件、短消息服务(Short Messaging Service,简称SMS)等。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行手机的各种功能应用以及数据处理。存储器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;存储数据区可存储按照手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器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,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元可用于接收输入的数字或字符信息,以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地,输入单元可包括触控面板以及其他输入设备。触控面板,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并按照预先设定的程式驱动相应的连接装置。可选的,触控面板可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器,并能接收处理器发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板。除了触控面板,输入单元还可以包括其他输入设备。具体地,其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元可包括显示面板,可选的,可以采用液晶显示器(LiquidCrystal Display,简称LCD)、有机发光二极管(Organic Light-Emitting Diode,简称OLED)等形式来配置显示面板。进一步的,触控面板可覆盖显示面板,当触控面板检测到在其上或附近的触摸操作后,传送给处理器以确定触摸事件的类型,随后处理器按照触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图中,触控面板与显示面板是作为两个独立的部件来实现手机的输入和输入功能,但是在某些实施例中,可以将触控面板与显示面板集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可按照环境光线的明暗来配置显示面板的亮度,接近传感器可在手机移动到耳边时,关闭显示面板和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路、扬声器,传声器可提供用户与手机之间的音频接口。音频电路可将接收到的音频数据转换后的电信号,传输到扬声器,由扬声器转换为声音信号输出;另一方面,传声器将收集的声音信号转换为电信号,由音频电路接收后转换为音频数据,再将音频数据输出处理器处理后,经RF电路以发送给比如另一手机,或者将音频数据输出至存储器以便进一步处理。
WiFi属于短距离无线传输技术,手机通过WiFi模块可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图示出了WiFi模块,但是可以理解的是,其并不属于手机的必须构成,完全可以按照需要在不改变发明的本质的范围内而省略。
处理器是手机的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器内的软件程序和/或模块,以及调用存储在存储器内的数据,执行手机的各种功能和处理数据,从而对手机进行整体监控。可选的,处理器可包括一个或多个处理单元;优选的,处理器可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器中。
手机还包括给各个部件供电的电源(比如电池),优选的,电源可以通过电源管理系统与处理器逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。尽管未示出,手机还可以包括摄像头、蓝牙模块等,在此不再赘述。
在本实施例中,该终端设备所包括的处理器还具有以下功能:
执行基于实时建模的机器人路径规划方法的数据计算程序。
若计算机设备系统为服务器,本申请实施例还提供一种服务器,服务器可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(CentralProcessing Units,简称CPU)(例如,一个或一个以上处理器)和存储器,一个或一个以上存储应用程序或数据的存储介质(例如一个或一个以上海量存储设备)。其中,存储器和存储介质可以是短暂存储或持久存储。存储在存储介质的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器可以设置为与存储介质通信,在服务器上执行存储介质中的一系列指令操作。
服务器还可以包括一个或一个以上电源,一个或一个以上有线或无线网络接口,一个或一个以上输入输出接口,和/或,一个或一个以上操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
另外,本申请实施例还提供了一种存储介质,所述存储介质用于存储计算机程序,所述计算机程序用于执行上述实施例提供的方法。
本申请实施例还提供了一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例提供的方法。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质可以是下述介质中的至少一种:只读存储器(英文:Read-only Memory,缩写:ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
所以本申请还公开了基于实时建模的机器人路径规划系统,包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述基于实时建模的机器人路径规划方法。需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备及系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以按照实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。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。
以上所述,仅为本申请的一种具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种基于实时建模的机器人路径规划方法,其特征在于,包括步骤有对机器人路径进行规划之前先根据已有的数据修正机器人定位误差;
建立实时误差模型,用一个状态空间模型来表征实时误差模型:
状态空间模型包括表征机器人定位状态的第一向量与表征观测机器人定位的第二向量;
第一向量包括机器人定位真实位置以及其他影响机器人定位精度的状态变量;
第二向量是机器人定位接收到的位置观测数据;
定义似然函数为给定真实状态第一向量时观测到第二向量的概率,基于高斯噪声模型来表达误差;
设定先验分布,第一向量来自先前测量的历史统计数据,定义先验概率分布;
然后连续收集机器人定位接收机输出的位置观测数据;
利用贝叶斯公式更新后验概率分布;
然后通过递推滤波器,并修正机器人定位误差;
然后基于修正之后的机器人定位对机器人路径进行规划。
2.根据权利要求1所述的一种基于实时建模的机器人路径规划方法,其特征在于,其他影响机器人定位精度的状态变量包括速度、加速度。
3.根据权利要求1所述的一种基于实时建模的机器人路径规划方法,其特征在于,递推滤波器包括卡尔曼滤波器(KF)、扩展卡尔曼滤波器(EKF),在卡尔曼滤波器中,通过对预测步骤和更新步骤的迭代循环来逼近真实的后验分布。
4.根据权利要求3所述的一种基于实时建模的机器人路径规划方法,其特征在于,在预测步骤过程中根据上一时刻的状态估计和动态模型预测当前状态及其协方差矩阵。
5.根据权利要求3所述的一种基于实时建模的机器人路径规划方法,其特征在于,在更新步骤过程中将新的机器人定位观测数据与预测结果结合,通过贝叶斯公式更新状态估计,并更新协方差矩阵以反映残余不确定性。
6.基于实时建模的机器人路径规划系统,包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述权利要求1所述的一种基于实时建模的机器人路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410249462.0A CN118034304A (zh) | 2024-03-05 | 2024-03-05 | 一种基于实时建模的机器人路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410249462.0A CN118034304A (zh) | 2024-03-05 | 2024-03-05 | 一种基于实时建模的机器人路径规划方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118034304A true CN118034304A (zh) | 2024-05-14 |
Family
ID=90985629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410249462.0A Pending CN118034304A (zh) | 2024-03-05 | 2024-03-05 | 一种基于实时建模的机器人路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118034304A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107943042A (zh) * | 2017-12-06 | 2018-04-20 | 东南大学 | 一种地磁指纹数据库自动化构建方法与装置 |
CN114217622A (zh) * | 2021-12-16 | 2022-03-22 | 南京理工大学 | 一种基于bim的机器人自主导航方法 |
CN115388899A (zh) * | 2022-09-15 | 2022-11-25 | 七腾机器人有限公司 | 基于变分贝叶斯的移动机器人视觉惯性融合slam方法 |
CN115932723A (zh) * | 2022-12-31 | 2023-04-07 | 网络通信与安全紫金山实验室 | 定位方法、装置、计算机设备、存储介质和程序产品 |
CN115930971A (zh) * | 2023-02-01 | 2023-04-07 | 七腾机器人有限公司 | 一种机器人定位与建图的数据融合处理方法 |
CN116908777A (zh) * | 2022-12-31 | 2023-10-20 | 河南工业大学 | 基于显式通信带标签伯努利的多机器人随机组网协同导航方法 |
US20240012163A1 (en) * | 2022-07-11 | 2024-01-11 | U-Blox Ag | Gnss measurement processing to identify modes |
CN117518077A (zh) * | 2023-11-07 | 2024-02-06 | 中南大学 | 一种复杂地下环境机器人定位和误差缓解方法 |
-
2024
- 2024-03-05 CN CN202410249462.0A patent/CN118034304A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107943042A (zh) * | 2017-12-06 | 2018-04-20 | 东南大学 | 一种地磁指纹数据库自动化构建方法与装置 |
CN114217622A (zh) * | 2021-12-16 | 2022-03-22 | 南京理工大学 | 一种基于bim的机器人自主导航方法 |
US20240012163A1 (en) * | 2022-07-11 | 2024-01-11 | U-Blox Ag | Gnss measurement processing to identify modes |
CN115388899A (zh) * | 2022-09-15 | 2022-11-25 | 七腾机器人有限公司 | 基于变分贝叶斯的移动机器人视觉惯性融合slam方法 |
CN115932723A (zh) * | 2022-12-31 | 2023-04-07 | 网络通信与安全紫金山实验室 | 定位方法、装置、计算机设备、存储介质和程序产品 |
CN116908777A (zh) * | 2022-12-31 | 2023-10-20 | 河南工业大学 | 基于显式通信带标签伯努利的多机器人随机组网协同导航方法 |
CN115930971A (zh) * | 2023-02-01 | 2023-04-07 | 七腾机器人有限公司 | 一种机器人定位与建图的数据融合处理方法 |
CN117518077A (zh) * | 2023-11-07 | 2024-02-06 | 中南大学 | 一种复杂地下环境机器人定位和误差缓解方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147705B (zh) | 一种基于视觉感知的车辆定位方法及电子设备 | |
CN110488234B (zh) | 车载毫米波雷达的外参标定方法、装置、设备及介质 | |
CN108304388B (zh) | 机器翻译方法及装置 | |
CN113759349B (zh) | 激光雷达与定位设备的标定方法、设备及自动驾驶车辆 | |
KR20210040877A (ko) | 포지셔닝 방법 및 장치 | |
US20220171399A1 (en) | Method for detecting presence probability of obstacle in unknown position, terminal, and storage medium | |
KR20210148000A (ko) | 레이더 캘리브레이션 방법, 장치, 전자 기기 및 노변 기기, 저장 매체 및 컴퓨터 프로그램 | |
CN113807470B (zh) | 一种车辆行驶状态确定方法和相关装置 | |
US20200394228A1 (en) | Electronic device and method for predicting an intention of a user | |
Jamil et al. | Enhanced Kalman filter algorithm using fuzzy inference for improving position estimation in indoor navigation | |
WO2023082797A1 (zh) | 定位方法、定位装置、存储介质与电子设备 | |
CN115222808A (zh) | 基于无人机的定位方法、装置、存储介质和电子设备 | |
Wang et al. | Deep neural network‐based Wi‐Fi/pedestrian dead reckoning indoor positioning system using adaptive robust factor graph model | |
CN112562372B (zh) | 一种轨迹数据的处理方法以及相关装置 | |
CN113923775B (zh) | 一种定位信息质量评估的方法、装置、设备和存储介质 | |
Hu et al. | Relative entropy-based Kalman filter for seamless indoor/outdoor multi-source fusion positioning with INS/TC-OFDM/GNSS | |
Pešić et al. | Bluetooth low energy microlocation asset tracking (blemat) in a context-aware fog computing system | |
Zhang et al. | Linear Bayesian filter based low-cost UWB systems for indoor mobile robot localization | |
CN113821535A (zh) | 一种模型训练的方法及装置、计算机设备和存储介质 | |
CN118034304A (zh) | 一种基于实时建模的机器人路径规划方法及系统 | |
CN113587938B (zh) | 一种车辆定位方法、装置及存储介质 | |
CN113177980A (zh) | 用于自动驾驶的目标对象速度确定方法、装置及电子设备 | |
Wang et al. | A Model Stacking Algorithm for Indoor Positioning System using WiFi Fingerprinting. | |
CN115267868B (zh) | 一种定位点处理方法、装置及计算机可读存储介质 | |
US20230354258A1 (en) | Data processing method and apparatus |
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 |