KR101105325B1 - Method for Path-planning for Actual Robots - Google Patents
Method for Path-planning for Actual Robots Download PDFInfo
- Publication number
- KR101105325B1 KR101105325B1 KR1020090084562A KR20090084562A KR101105325B1 KR 101105325 B1 KR101105325 B1 KR 101105325B1 KR 1020090084562 A KR1020090084562 A KR 1020090084562A KR 20090084562 A KR20090084562 A KR 20090084562A KR 101105325 B1 KR101105325 B1 KR 101105325B1
- Authority
- KR
- South Korea
- Prior art keywords
- robot
- map
- obstacle
- robots
- path
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 230000002068 genetic effect Effects 0.000 claims description 32
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 3
- 230000035772 mutation Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J13/00—Controls for manipulators
- B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
- B25J13/088—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices with position, velocity or acceleration sensors
- B25J13/089—Determining the position of the robot with reference to its environment
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
- B25J9/1666—Avoiding collision or forbidden zones
Abstract
본 발명은 연산량을 대폭 줄일 수 있으며, 국부 최소점에 빠질 확률이 거의 없으며, 로봇의 특성을 고려하여 실제 로봇에 적용될 수 있는 최적화된 실제 로봇의 다중 경로계획 방법에 관한 것으로, 본 발명에 따른 실제 로봇의 다중 경로계획 방법은, 로봇이 작업하는 공간에 대한 지도를 생성하는 지도 생성단계(S100)와; 상기 생성된 지도를 로봇의 특성을 고려하여 그리드 크기를 설정하여 그리드 지도로 변환시키고, 작업 공간의 장애물에 대하여 그리드에 맞춰 사각 형태의 장애물로 변환시키는 지도 변환단계(S200)와; 상기 변환된 지도를 바탕으로 로봇들에 대한 경로계획을 수행하는 경로계획단계(S300) 및; 다수의 로봇이 작업하는 동안 교착 및 충돌이 발생하는 것을 해결하기 위하여 상기 계획된 경로를 수정하는 충돌회피단계(S400)를 포함하여 구성된 것을 특징으로 한다. The present invention relates to a multi-path planning method of an optimized real robot that can greatly reduce the amount of computation, have little chance of falling into a local minimum, and can be applied to a real robot in consideration of the characteristics of the robot. Multipath planning method of the robot, the map generation step (S100) for generating a map for the space in which the robot works; A map conversion step (S200) of converting the generated map into a grid map by setting a grid size in consideration of characteristics of a robot, and converting the generated map into a rectangular obstacle with respect to the grid with respect to an obstacle in a work space; A route planning step (S300) of performing route planning for the robots based on the converted map; It characterized in that it comprises a collision avoidance step (S400) for modifying the planned path in order to solve the deadlock and collision occurs while a plurality of robots work.
로봇, 경로계획, 자율 주행, 충돌 회피, 장애물 Robot, Route Planning, Autonomous Driving, Collision Avoidance, Obstacle
Description
본 발명은 로봇의 이동 경로를 계획하는 방법에 관한 것으로, 더욱 상세하게는 다수의 로봇이 작업하는 공간에 대한 지도를 생성하고, 생성된 지도에서 최적화된 자율 주행 경로를 계획하며, 주행시 충돌 및 교착 상태가 되기 전에 로봇의 경로를 수정하는 충돌회피방안을 포함하는 실제 로봇의 다중 경로계획 방법에 관한 것이다. The present invention relates to a method for planning a movement route of a robot, and more particularly, to generate a map for a space in which a plurality of robots work, to plan an optimized autonomous driving route in the generated map, and to crash and deadlock during driving. The present invention relates to a multi-path planning method of an actual robot including a collision avoidance method that modifies the path of the robot before it becomes a state.
종래에 개발된 로봇의 경로계획의 대표적인 기술들로는 A* 알고리즘, 그레디언트 디센트(gradient descent), 유전자 알고리즘(genetic algorithm) 등이 있다. Representative techniques of the conventional path planning of the robot include A * algorithm, gradient descent, genetic algorithm and the like.
A* 알고리즘은 그래프 탐색 알고리즘을 기본으로 하여, 각 노드에 대해 그 노드를 통과하는 최상의 경로를 추정하는 순위 값인 휴리스틱(heuristic) 추정값을 매기는 방법으로, 이 휴리스틱 추정값에 따른 최소비용을 가지는 최적 경로를 생성하는 알고리즘이다. The A * algorithm is based on a graph search algorithm and assigns a heuristic estimate to each node, which is a rank value that estimates the best path through that node. The optimal path with the least cost according to this heuristic estimate. It is an algorithm that generates.
이러한 A* 알고리즘은 모든 노드에서 휴리스틱 추정값을 구하기 위해 모든 노드를 탐색하므로 최적화된 경로를 생성할 수 있지만, 연산시간이 매우 오래 걸리는 단점을 가진다. The A * algorithm searches all nodes to obtain heuristic estimates at all nodes, so that an optimized path can be generated, but the computation time is very long.
그레디언트 디센트 알고리즘은 환경 특성에 따라 결정되는 고유비용(intrinsic cost)과 목표점까지의 주행거리에 의해 결정되는 근접비용(adjacency cost)을 합한 주행비용(navigation cost)을 계산하는 방법이다. 즉, 주행비용을 바탕으로 주행함수를 계산하여 목표점으로부터 주행함수가 감소하는 기울기를 따라 최소비용을 갖는 최적경로를 생성하는 알고리즘이다. The gradient descent algorithm calculates a navigation cost by adding an intrinsic cost determined according to environmental characteristics and an adjacency cost determined by a mileage to a target point. In other words, the algorithm calculates the running function based on the running cost and generates an optimal path having the minimum cost along the slope of the running function from the target point.
이 그레디언트 디센트 알고리즘은 A* 알고리즘과 비슷한 특성을 가지고 있지만, 비용함수를 축소하여 연산시간을 줄임으로써 실시간 연산이 가능하다. 하지만 축소된 비용함수에 의해 국부 최소점(local minima)에 빠질 확률이 매우 높은 단점이 있다. This gradient descent algorithm has similar characteristics to the A * algorithm, but it can be used in real time by reducing the cost function and reducing the computation time. However, the reduced cost function has a high probability of falling into a local minima.
유전자 알고리즘은 실제 생물의 유전자(genetics)와 진화(evolution)의 메커니즘을 공학적으로 모델화한 것으로 생물이 갖는 환경에서의 적응능력을 이용한 최적화 방법이다. Genetic algorithms are engineering models that model the mechanisms of genetics and evolution of real organisms, and are an optimization method using adaptability in living environments.
이 유전자 알고리즘은 보통 고정 혹은 가변 길이의 이진 스트링 혹은 실수 스트링을 염색체로 이용하여, 각 세대의 적합도를 이용한 최적경로를 생성하는 알고리즘으로, 개체의 수인 개체군의 크기, 각각의 개체가 가지는 염색체의 크기 등과 같은 파라미터에 따라 연산속도나 최적화의 성능이 좌우된다. 개체군의 개수와 염색체의 크기가 크면 클수록 최적화 성능이 좋아지지만, 연산속도가 그만큼 느려 져, 실시간 연산이 필요한 로봇에는 사용이 어렵다. This genetic algorithm usually uses fixed or variable length binary strings or real strings as chromosomes to generate optimal paths using the fitness of each generation.The size of population, the number of individuals, and the size of each chromosome Parameters such as these determine the speed of computation and the performance of optimization. The larger the number of populations and the larger the size of the chromosome, the better the optimization performance, but the slower the computation speed, the more difficult it is to use for robots that require real-time computation.
상술한 것과 같은 종래의 로봇 경로계획 방법들은 한 대의 로봇을 고려한 방법이다. 최근 들어, 다수의 로봇이 작업하는 것을 고려하여 다수 로봇의 경로계획 방법과 충돌 회피 기술을 융합한 다중 경로계획에 관한 방법들이 연구되고 있는데, 현재까지 연구된 방법들은 로봇이 정확히 일정한 속도로 주행해야 하며, 로봇이 계획된 경로로 정확하게 이동해야만 충돌 및 교착이 일어나지 않고 이동을 수행할 수 있는 기술들이다. 따라서, 종래에 연구된 로봇이 경로계획 방법은 현실적으로 실제 로봇에 적용할 수 없는 문제가 있다.Conventional robot route planning methods such as those described above are methods considering one robot. Recently, in consideration of the work of a number of robots, methods for multi-path planning incorporating path planning methods and collision avoidance techniques of many robots have been studied. In addition, the robots must move correctly in the planned path so that they can move without collision and deadlock. Therefore, there is a problem that the route planning method of the conventionally studied robot cannot be practically applied to the actual robot.
또한, 종래에 연구된 로봇의 다중 경로계획 방법으로서 최적화 알고리즘을 이용한 Task-level feedback 방법과 매시간 각 개체들의 경로를 재계획하는 방법이 있다. In addition, as a multi-path planning method of a conventionally studied robot, there are a task-level feedback method using an optimization algorithm and a method of replanning the paths of individual objects every hour.
상기 Task-level feedback 방법은 여러 로봇이 서로 일정 거리에 있을 때, 일처리 순위가 높은 로봇을 우선시하여 충돌 공간을 지나치게 하는 방법으로 연산량이 적어 빠른 응답을 가진다. 하지만, 하나의 로봇이 작업을 수행하기 위해서는 한 대 이상의 로봇이 정지해야하므로 시간과 에너지 측면에서 비효율적인 문제가 있다. In the task-level feedback method, when several robots are located at a certain distance from each other, the robot has a high work order priority, so that the collision space is excessive, and the operation amount is small. However, since one or more robots must stop in order to perform a task, there is an inefficient problem in terms of time and energy.
이에 반해, 매시간 마다 경로를 재계획하는 방법은 끊임없이 연산을 수행하는 방법으로 과다한 연산량에 의해 부하가 많이 생기게 되고, 이에 시스템 오류가 빈번히 발생하게 된다. On the other hand, the method of re-planning the path every hour is a method of constantly performing the calculation, which causes a lot of load due to the excessive amount of calculation, and system errors frequently occur.
요컨대 종래의 로봇 경로계획 방법들은 실제 로봇에 적용하기에는 연산량의 부하가 과다하거나 국부 최소점에 빠질 확률이 크며, 시뮬레이션에 국한되어 실제 로봇의 특성이 전혀 고려되지 않은 문제점이 있다. In short, the conventional robot path planning methods have a problem in that the load of the computational amount is excessive or the local minimum is large, and the characteristics of the real robot are not considered at all because they are limited to simulation.
본 발명은 상기와 같은 문제를 해결하기 위한 것으로, 본 발명의 목적은 연산량을 대폭 줄일 수 있으며, 국부 최소점에 빠질 확률이 거의 없으며, 로봇의 특성을 고려하여 실제 로봇에 적용될 수 있는 최적화된 실제 로봇의 다중 경로계획 방법을 제공함에 있다. The present invention is to solve the above problems, the object of the present invention is to significantly reduce the amount of calculation, there is little probability of falling into the local minimum, optimized real that can be applied to the actual robot in consideration of the characteristics of the robot To provide a multi-path planning method of the robot.
상기와 같은 목적을 달성하기 위한 본 발명은, 다수의 로봇에 대한 자율 주행 경로를 계획하는 다중 경로계획 방법에 있어서, 로봇이 작업하는 공간에 대한 지도를 생성하는 지도 생성단계(S100)와; 상기 생성된 지도를 로봇의 특성을 고려하여 그리드 크기를 설정하여 그리드 지도로 변환시키고, 작업 공간의 장애물에 대하여 그리드에 맞춰 사각 형태의 장애물로 변환시키는 지도 변환단계(S200)와; 상기 변환된 지도를 바탕으로 로봇들에 대한 경로계획을 수행하는 경로계획단계(S300) 및; 다수의 로봇이 작업하는 동안 교착 및 충돌이 발생하는 것을 해결하기 위하여 상기 계획된 경로를 수정하는 충돌회피단계(S400)를 포함하여 구성된 것을 특징으로 하는 실제 로봇의 다중 경로계획 방법을 제공한다. In order to achieve the above object, the present invention provides a multi-path planning method for planning an autonomous driving route for a plurality of robots, comprising: a map generation step (S100) for generating a map for a space in which the robot works; A map conversion step (S200) of converting the generated map into a grid map by setting a grid size in consideration of characteristics of a robot, and converting the generated map into a rectangular obstacle with respect to the grid with respect to an obstacle in a work space; A route planning step (S300) of performing route planning for the robots based on the converted map; It provides a multi-path planning method of the actual robot, characterized in that it comprises a collision avoidance step (S400) for modifying the planned path to solve the deadlock and collision occurs while a plurality of robots work.
상기 지도 변환단계에서는 장애물의 형태를 사각 형태로 변환시킨 후, 장애물들에 로봇의 장축(L)에 해당하는 크기만큼 영역(E)을 확장하고, 상기 영역 중 여러 대의 로봇이 동시에 이동할 수 없는 경고영역(WA)과, 로봇이 이동할 수 없는 영역(NA)을 분류한다. In the map converting step, the shape of the obstacle is converted into a quadrangular shape, and then the area E is extended to the obstacle by a size corresponding to the long axis L of the robot, and several robots of the area cannot move simultaneously. The area | region WA and the area | region NA which a robot cannot move are classified.
본 발명의 한 형태에 따르면, 상기 경로계획단계(S300)는, 로봇의 현재 위치(P1)에서 목표 위치(P2)로 이어진 직선에 법선으로 로봇이 이동할 수 있는 후보 경유 지점(P3)들을 생성하는 단계와; 삭제 연산자를 사용하는 수정된 유전자 알고리즘을 이용하여 최적화된 경로를 생성하는 단계를 포함한다. According to one aspect of the present invention, the route planning step (S300), the candidate passing point (P 3 ) that the robot can move in a normal line on a straight line from the current position (P 1 ) of the robot to the target position (P 2 ). Generating them; Generating an optimized route using a modified genetic algorithm using the delete operator.
여기서, 상기 후보 경유 지점(P3)들을 생성하기 위한 법선들은 로봇의 제어 특성인 최소 회전 반경 크기와 대응하는 간격(D1)으로 생성되고, 법선의 크기(D2)는 지도 상의 장애물 중 가장 큰 장애물의 장축의 길이의 적어도 1배 이상의 크기로 생성되는 것을 특징으로 한다. Here, the normals for generating the candidate waypoints P 3 are generated at an interval D1 corresponding to the minimum rotation radius size, which is a control characteristic of the robot, and the size D2 of the normal is the largest obstacle among the obstacles on the map. Characterized in that the size is generated at least one or more times the length of the long axis.
또한, 상기 수정된 유전자 알고리즘은, 생성된 후보 경유 지점(P3)들을 이진 스트링(binary string)으로 코딩된 집단(population)으로 구성하고, 유전자 알고리즘의 파라미터들을 설정하는 초기화 단계(S311)와; 적합도를 계산하는 단계(S312)와; 후보 경유 지점(C0) 및 경로(R0)를 생성한 다음, 삭제 연산자를 사용하여 확률적으로 후보 경유 지점(C1)을 선택하고, 2단계 전에 후보 경유 지점 사이에 장애물이 존재하는지 체크하여 장애물이 존재하지 않는다면, 1단계 전의 후보 경유 지점(C2)을 삭제하고 최적화된 경로(R1)를 생성하는 연산자 사용 단계(S313)와; 생성된 경로가 장애물에 부딪치는지를 체크하는 충돌 체크 단계(S330)와; 유전자 알고리즘의 개체수에 따른 연산이 끝났는지를 확인하는 단계(S314)를 포함한다.In addition, the modified genetic algorithm comprises: an initialization step (S311) of configuring the generated candidate waypoints (P 3 ) into a population coded with a binary string and setting parameters of the genetic algorithm; Calculating a goodness of fit (S312); Create candidate waypoints (C 0 ) and paths (R 0 ), then use the delete operator to probabilistically select candidate waypoints (C 1 ), and check for obstacles between candidate waypoints before
상기 충돌 체크 단계(S330)는 뉴럴-네트워크 모델(neural-network model)을 이용하는 것을 특징으로 한다.The collision checking step S330 is characterized by using a neural-network model.
본 발명의 다른 한 형태에 따르면, 상기 충돌회피단계(S400)는, 두 로봇의 거리 Dr를 계산하는 단계와; 계산된 두 로봇 간의 거리(Dr)가 설정 거리 T 안에 들어올 경우, 충돌회피 퍼지 전문가 시스템에 입력을 주어 충돌 회피 계획을 수행하는 단계를 포함하여 구성될 수 있다. According to another aspect of the invention, the collision avoidance step (S400), the step of calculating the distance D r of the two robots; When the calculated distance D r between the two robots falls within the set distance T, the collision avoidance fuzzy expert system may be input to perform a collision avoidance plan.
상기 퍼지 전문가 시스템에서 로봇(A)의 현재 지점과 다음 경유 지점(P4)과의 각도(α)와, 로봇의 현재 지점과 목적 지점(P5)과의 각도(β) 차이값을 퍼지 전문가 시스템의 입력으로 하며, 로봇의 다음 경유 지점을 변경하기 위한 변경 각도 값을 출력으로 한다. In the fuzzy expert system, the difference between the angle α between the current point of the robot A and the next waypoint P4 and the angle β between the current point and the target point P5 of the robot is determined. It is an input and outputs a change angle value for changing the next stop point of the robot.
이러한 본 발명에 따르면, 지도 변환단계에서 그리드의 셀 크기를 로봇의 특성에 맞춤으로써 연산량을 줄이면서도 국부 최소점에 빠질 확률을 최소화할 수 있다. 또한, 장애물을 사각 형태로 변환시켜 모델링을 단순화시킴으로써 전체적인 연산량을 더욱 줄일 수 있는 이점이 있다. According to the present invention, it is possible to minimize the probability of falling into the local minimum while reducing the amount of calculation by matching the cell size of the grid to the characteristics of the robot in the map conversion step. In addition, there is an advantage that the overall amount of calculation can be further reduced by simplifying modeling by converting obstacles into a rectangular shape.
그리고, 본 발명의 다른 한 형태에 따르면, 삭제 연산자를 사용하는 수정된 유전자 알고리즘을 사용함으로써 그리드 형태의 지도에서 연산량을 대폭 줄일 수 있으며, 효율적인 최적 경로를 계획할 수 있다.In addition, according to another aspect of the present invention, by using a modified genetic algorithm using the delete operator, the amount of calculation can be greatly reduced in a grid-shaped map, and an efficient optimal route can be planned.
이하, 첨부된 도면을 참조하여 본 발명에 따른 실제 로봇의 다중 경로계획 방법의 바람직한 실시예를 상세히 설명한다. Hereinafter, with reference to the accompanying drawings will be described in detail a preferred embodiment of the multi-path planning method of the actual robot according to the present invention.
도 1은 본 발명의 일 실시예에 따른 실제 로봇의 다중 경로계획 방법을 설명하는 순서도로서, 본 발명의 다중 경로계획 방법은, 로봇의 경로계획을 위해 로봇이 작업하는 공간에 대한 지도를 생성하는 지도 생성단계(S100)와, 상기 생성된 지도를 실제 로봇의 특성을 고려하여 변환시키는 지도 변환단계(S200)와, 상기 변환된 지도를 바탕으로 로봇들에 대한 경로계획을 수행하는 경로계획단계(S300), 그리고 다수의 로봇이 작업하는 동안 교착 및 충돌이 발생하는 것을 해결하기 위하여 상기 계획된 경로를 수정하는 충돌회피단계(S400)를 포함한다. 1 is a flow chart illustrating a multi-path planning method of an actual robot according to an embodiment of the present invention, the multi-path planning method of the present invention, generating a map for the space in which the robot works for the path planning of the robot Map generation step (S100), map conversion step (S200) for converting the generated map in consideration of the characteristics of the actual robot, and route planning step for performing a route plan for the robot based on the converted map ( S300), and a collision avoidance step (S400) for modifying the planned path to solve the deadlock and collision occurs during the operation of a plurality of robots.
상기 지도 생성단계(S100)에서는 센서를 이용하여 일반적인 지도 생성 기법을 통해 지도를 생성한다. In the map generation step (S100), a map is generated using a general map generation technique using a sensor.
상기 지도 생성단계(S100)에서 로봇의 작업 공간에 대한 지도가 생성되면, 상기 지도 변환단계(S200)에서 실제 로봇의 특성을 고려한 그리드 형식의 지도를 생성한다. When a map for the work space of the robot is generated in the map generation step S100, a map in grid form is generated in consideration of the characteristics of the actual robot in the map conversion step S200.
도 2a는 상기 지도 변환단계에서 지도를 변환하는 과정을 나타낸 것으로, 지도 변환단계는, 로봇의 특성을 고려하여 그리드(grid)의 셀 크기를 결정하는 그리드의 크기 설정단계(S210)와, 장애물 체크의 용이함과 모델링의 간략화를 위한 장애물 변환단계(S220), 로봇의 이동 영역이 매우 좁거나 없어지는 영역을 효율적으로 사용하기 위한 영역 분류단계(S230)로 이루어진다.2A illustrates a process of converting a map in the map conversion step. The map conversion step includes a grid size setting step (S210) for determining a cell size of a grid in consideration of characteristics of a robot and an obstacle check. It consists of an obstacle conversion step (S220) for ease of modeling and simplicity of modeling, and an area classification step (S230) for efficiently using an area in which the moving area of the robot is very narrow or missing.
상기 그리드의 크기 설정단계(S210)에서는 로봇의 특성, 예컨대 로봇의 기하 적 형태를 고려하여 그리드의 셀 크기를 설정한다. 예를 들어, 지도 생성단계(S100)를 통해 작업 공간의 지도가 생성되면 도 2b에 도시된 것과 같이, 그리드 크기 설정 단계에서 그리드(G)의 크기(D)를 로봇(A)의 가장 긴축인 장축(L)의 절반으로 설정한다. In step S210 of setting the grid, the cell size of the grid is set in consideration of the characteristics of the robot, for example, the geometric shape of the robot. For example, when a map of the workspace is generated through the map generation step S100, as shown in FIG. 2B, the size D of the grid G is the longest axis of the robot A in the grid size setting step. Set to half of long axis (L).
이와 같이 그리드(G)의 셀 크기를 로봇의 특성에 맞추어 설정하면, 연산량이 크게 줄어들고 국부 최소점(local minima)에 빠질 확률이 적어지는 이점을 얻을 수 있다.By setting the cell size of the grid G in accordance with the characteristics of the robot in this way, the amount of calculation can be greatly reduced and the probability of falling into a local minima can be obtained.
상기 그리드(G)의 셀 크기(D)가 설정되면, 장애물 변환단계(S220)에서 장애물 체크의 용이함과 모델링의 간략화를 장애물들을 그리드에 맞추어 사각형으로 변환하여 표현한다. 즉, 도 2c에 도시된 것과 같이, 여러가지 형태의 정적 장애물(O)들을 그리드에 맞추어 사각 형태(S)로 변환을 한다. 그리고, 장애물(O)들에 로봇의 장축(L)(도 2b 참조)에 해당하는 크기만큼 영역(E)을 확장한다.When the cell size (D) of the grid (G) is set, in the obstacle conversion step (S220), the ease of the obstacle check and the modeling are simplified by converting the obstacles into a grid and expressing them. That is, as shown in Figure 2c, various types of static obstacles (O) to fit the grid is converted into a rectangular shape (S). Then, the area E is extended to the obstacles O by a size corresponding to the long axis L (see FIG. 2B) of the robot.
이러한 장애물 변환은 시뮬레이션에서는 영향을 미치지 않지만 실제 로봇의 경로계획을 수행할 때 아무리 최소 거리의 경로가 생성되더라도 로봇이 이동할 수 없는 영역에 경로가 설정되는 문제를 해결한다.This obstacle transformation does not affect the simulation, but solves the problem that the path is set in the area where the robot cannot move, even if the path of the minimum distance is generated when performing the path planning of the actual robot.
또한, 다각형의 장애물들을 사각 형태로 바꾸는 것은 장애물 체크를 용이하게 할 뿐만 아니라, 모델링을 단순화시킴으로써 전체적인 연산량을 줄일 수 있는 이점을 제공한다.In addition, converting polygonal obstacles into quadrangular shapes not only facilitates obstacle check, but also provides an advantage of reducing overall calculation amount by simplifying modeling.
그런데, 상술한 바와 같이 고정된 장애물(O)에 로봇의 장축(L)을 더하여 영역(E)을 확장하게 되면, 로봇의 이동 영역이 매우 좁아지거나 없어지는 문제가 발 생한다. 이러한 문제를 해결하기 위하여, 도 2d에 예시한 것과 같이, 영역 분류단계(S230)에서 여러 대의 로봇이 동시에 이동할 수 없는 경고영역(WA)과, 로봇이 이동할 수 없는 영역(NA)을 분류하고, 한 대의 로봇만이 이동할 수 있는 경고영역(WA)에서는 경로계획 시에 경유 지점(VA)을 통해서 진행하도록 한다.However, when the area E is expanded by adding the long axis L of the robot to the fixed obstacle O as described above, the movement area of the robot becomes very narrow or disappears. In order to solve this problem, as illustrated in FIG. 2D, in the area classification step S230, a warning area WA in which several robots cannot move at the same time and an area NA in which the robot cannot move are classified. In the warning area WA, where only one robot can move, proceed through the waypoint VA during route planning.
이와 같이 분류된 경고영역(WA)은 경로계획 단계(S300)와 충돌 회피단계(S400)에서 한 대의 로봇이 이 경고영역(WA)을 지날 때 다른 로봇들에게 장애물로서 취급된다. The warning area WA classified as described above is treated as an obstacle to other robots when one robot passes the warning area WA in the path planning step S300 and the collision avoidance step S400.
상기 경고영역(WA)을 장애물로 취하게 되면, 한 대의 로봇이 경고영역(WA)을 벗어날 때까지 다른 로봇들이 기다리도록 함으로써 효율적으로 경로계획을 수행할 수 있다.When the warning area WA is taken as an obstacle, the path planning can be efficiently performed by allowing other robots to wait until one robot leaves the warning area WA.
상술한 과정을 거쳐 지도 변환단계(S200)가 종료되고 변환된 지도가 생성되면, 경로계획단계(S300)에서는 상기 변환된 지도를 바탕으로 작업 공간 안의 로봇들의 위치측정 정보를 토대로 경로계획을 수행한다.When the map conversion step (S200) is finished and the converted map is generated through the above-described process, the route planning step (S300) performs route planning based on the location measurement information of the robots in the work space based on the converted map. .
먼저 도 3a에 도시한 것과 같이 경로계획을 위한 로봇의 이동 후보 경유 지점을 생성하여 연산량을 줄인다. First, as shown in FIG. 3A, a computational route is reduced by generating a route through a robot candidate for path planning.
로봇의 현재 위치(P1)를 알고, 목표 위치(P2)가 정해지게 되면, 로봇의 현재 위치(P1)에서 목표 위치(P2)로 이어진 직선에 법선으로 로봇이 이동할 수 있는 후보 경유 지점(P3)들을 생성한다. 여기서, 상기 후보 경유 지점(P3)들을 생성하기 위한 법선들은 로봇의 제어 특성인 최소 회전 반경 크기와 대응하는 간격(D1)으로 생성 하고, 지도 상의 장애물 중 가장 큰 장애물의 장축의 길이의 적어도 1배 이상의 크기(D2)로 생성된다.Knowing the current position (P 1 ) of the robot, and the target position (P 2 ) is determined, via the candidate that the robot can move in a normal line on a straight line from the current position (P 1 ) of the robot to the target position (P 2 ) Create points P 3 . Here, the normals for generating the candidate waypoints P 3 are generated at an interval D1 corresponding to the minimum rotation radius size, which is a control characteristic of the robot, and at least one of the length of the long axis of the largest obstacle among the obstacles on the map. It is created with a size (D2) more than twice.
이와 같은 경로계획 방법을 통해 연산량을 줄이면서도 실제 로봇에 최적화된 경로를 생성할 수 있다.Through this path planning method, it is possible to generate the path optimized for the actual robot while reducing the amount of computation.
상술한 것과 같이 후보 경유 지점(P3)을 생성되게 되면, 도 3b에 도시된 것과 같은 수정된 유전자 알고리즘을 이용한 최적화 방법을 통해 경로계획을 수행한다. When the candidate waypoint P3 is generated as described above, route planning is performed through an optimization method using a modified genetic algorithm as shown in FIG. 3B.
도 3b는 수정된 유전자 알고리즘을 이용한 경로계획 방법을 나타낸다. 이 도면을 참조하면, 수정된 유전자 알고리즘은 일반적인 유전자 알고리즘에서 삭제 연산자를 이용하는 단계(S320)와 충돌체크 단계(S330)를 추가된다.3b shows a route planning method using a modified genetic algorithm. Referring to this figure, the modified genetic algorithm is added to the step of using the delete operator (S320) and the collision check step (S330) in the general genetic algorithm.
이 수정된 유전자 알고리즘에서는 도 3a에서 생성된 후보 경유 지점(P3)들을 이진 스트링(binary string)으로 코딩된 집단(population)으로 구성하고, 유전자 알고리즘의 파라미터들을 설정하는 초기화 단계(S311)에서 아래의 수학식 1과 수학식 2, 수학식 3과 같이 적합도 계산 단계(S312)를 수행한다.In the modified genetic algorithm, the candidate waypoints P 3 generated in FIG. 3A are composed of a population encoded with a binary string, and the initialization step S311 for setting parameters of the genetic algorithm is performed as follows. The fitness calculation step (S312) is performed as in
상기 식에서 
적합도 계산 단계(S312)가 끝나게 되면, 유전자 연산자 사용 단계(S313)에서 유전자의 교배(crossover) 연산자와 돌연변이(mutation) 연산자를 확률적으로 이용해 재생산(reproduction)을 통한 최적의 해를 찾는다. When the goodness-of-fit calculation step (S312) is finished, in the use of the genetic operator (S313), a crossover operator and a mutation operator of the gene are stochastic to find an optimal solution through reproduction.
본 발명에서는 유전자 연산자 사용 단계(S313)를 수행할 때, 빠르고 최적화된 경로계획을 위해서 유전학에서 돌연변이 연산자에 해당하는 삭제 연산자 사용 단계(S320)를 수행하게 된다.In the present invention, when performing the genetic operator using step (S313), to perform the deletion operator using step (S320) corresponding to the mutation operator in genetics for fast and optimized path planning.
도 3c는 상기 삭제 연산자를 사용하는 단계를 예시하고 있는 도면으로, 유전자 연산자 사용 단계(S313)에서 최적의 해, 즉, 경로계획이 이루어지면, 후보 경유 지점(C0)들이 생성되고, 경로(R0)가 생성된다.FIG. 3C is a diagram illustrating the step of using the deletion operator. When an optimal solution, that is, a route plan is made in the genetic operator using step S313, candidate waypoints C 0 are generated and a path ( R 0 ) is generated.
이 때, 삭제 연산자는 확률적으로 후보 경유 지점(C1)을 선택하게 되고, 2단 계 전에 후보 경유 지점 사이에 장애물이 존재하는지 체크를 한다. 이 때, 만약 장애물이 존재하지 않는다면, 1단계 전의 후보 경유 지점(C2)을 삭제하게 되고, 최적화된 경로(R1)가 생성되도록 한다.In this case, the delete operator probably selects the candidate waypoint C 1 and checks whether there is an obstacle between the candidate waypoints before
삭제 연산자 사용 단계(S320)가 끝나면, 생성된 경로가 장애물에 부딪치는지를 체크하는 충돌 체크 단계(S330)를 수행한다. 이 충돌 체크(S330) 단계는 경로가 장애물에 부딪치는지를 체크하는데, 일반적으로 그리드 맵에서는 경로 계획 중에 장애물을 체크하기 위해 모든 셀을 검색해야 하므로 과다한 연산량을 발생시키지만, 본 발명에서는 뉴럴-네트워크 모델(neural-network model)을 이용해 장애물의 빠른 체크와 삭제 또는 추가를 가능하게 한다.When the delete operator using step S320 is finished, a collision check step S330 of checking whether the generated path hits an obstacle is performed. This collision check step (S330) checks whether the path hits an obstacle. In general, since the grid map needs to search all the cells to check the obstacle during the path planning, it generates an excessive amount of computation, but in the present invention, the neural-network model (neural-network model) allows for quick check and removal or addition of obstacles.
도 3d는 뉴럴-네트워크 모델을 이용하여 장애물 체크를 수행한 예를 나타낸 것으로, 뉴럴-네트워크 모델의 입력(IP)은 x, y 좌표가 되고, 각각의 출력(OP)은 두 개의 장애물에 대한 통과 유무를 나타낸다. 중간 레이어(ML)는 장애물의 네 모서리 좌표값이 된다.3D illustrates an example of performing an obstacle check using a neural-network model. The input (IP) of the neural-network model is an x and y coordinate, and each output (OP) passes through two obstacles. Indicates presence or absence. The middle layer ML is a coordinate value of the four corners of the obstacle.
중간 레이어의 입력(MLi)과 출력(MLo) 값은 아래의 수학식 4를 사용하여 계산할 수 있다.The input ML i and output ML o values of the middle layer may be calculated using Equation 4 below.
상기 수학식4에서 I mn 와 O im 는 각각 입력(MLi)과 출력(MLo) 값을 의미한다. 
출력(OP)에 대한 계산은 아래의 수학식 5를 사용하여 계산한다.The calculation for the output OP is calculated using
상기 수학식5에서 
다시 도 3b를 참조하면, 상술한 충돌 체크 단계(S330)가 끝나게 되면, 유전자 알고리즘의 개체수에 따른 연산이 끝났는지를 확인하고(S314), 끝나지 않았다면 적합도 계산 단계(S312)로 넘어가서 경로계획을 계속 수행하며, 끝났다면 최종 적합도가 가장 높은 경로를 최적 경로로 사용한다.Referring to FIG. 3B again, when the above-described collision checking step S330 is finished, it is checked whether the calculation according to the number of individuals of the genetic algorithm is finished (S314), and if not, the process proceeds to the fitness calculation step S312 and continues the route planning. If done, use the path with the highest final fitness as the best path.
이러한 경로계획 단계(S300)(도 1참조)에서는 로봇들이 다음 경유 후보 지점의 일정 범위에 도착하게 되면, 다시 경로를 재계획한다.In this route planning step (S300) (see FIG. 1), when the robots arrive at a predetermined range of the next passing candidate point, the route is re-planned again.
이는 로봇들이 작업장을 움직이면서, 지도를 업데이트하여 정적 장애물이 추 가 되는 경우가 발생하거나, 경고 영역(WA)(도 2d 참조) 안에 로봇이 진입하는 경우가 발생되기 때문이다. This is because, as the robots move around the workplace, the map may be updated to add a static obstacle, or the robot may enter the warning area WA (see FIG. 2D).
도 3e는 일반적인 유전자 알고리즘을 통해 생성된 로봇의 경로와 본 발명의 수정된 유전자 알고리즘을 통해 생성된 로봇의 경로에 대한 실험 결과를 나타낸 것으로, 적은 연산으로 경로계획을 수행하였을 때, 삭제 연산자를 사용하지 않은 일반적인 유전자 알고리즘의 결과는 최적화가 되지 않은 반면에, 삭제 연산자를 이용한 본 발명의 수정된 유전자 알고리즘은 적은 연산으로도 최적화된 결과를 얻을 수 있음을 보여주고 있다.Figure 3e shows the experimental results of the path of the robot generated through the general genetic algorithm and the path of the robot generated through the modified genetic algorithm of the present invention, when the path planning is performed with fewer operations, using the delete operator While the results of general genetic algorithms are not optimized, the modified genetic algorithm of the present invention using the deletion operator shows that the optimized results can be obtained with a small number of operations.
한편, 여러 대의 로봇이 계획된 경로를 따라 작업을 하다보면, 교착 및 충돌 상황이 발생되는데, 이를 효과적으로 해결하기 위하여 본 발명에서는 퍼지 전문가 시스템을 이용하여 충돌 회피 단계(S400)를 수행한다.Meanwhile, when several robots work along a planned path, deadlocks and collisions occur. In order to effectively solve this problem, the present invention performs a collision avoidance step (S400) using a fuzzy expert system.
도 4a는 퍼지 전문가 시스템을 이용하여 충돌 회피 단계(S400)를 수행하는 과정을 나타낸 것으로, 충돌 회피 단계(S400)에서는 먼저 두 로봇의 거리 Dr를 아래의 수학식 6을 이용하여 계산한다(S401).4A illustrates a process of performing a collision avoidance step S400 by using a fuzzy expert system. In the collision avoidance step S400, first, a distance D r of two robots is calculated using
상기 수학식6에서 (x 1 , y 1 ), (x 2 , y 2 )은 두 로봇의 각각의 좌표를 의미한다. 두 로봇의 거리 Dr이 계산되면, 설정 거리 T 안에 들어왔는지를 확인한다(S402). 만 약 두 로봇 간의 간격이 설정 거리 T 안에 들어오게 되면, 충돌회피 퍼지 전문가 시스템에 입력을 준다(S410).In
도 4b는 상기 퍼지 전문가 시스템의 입력을 나타낸 예로서, 로봇(A)의 현재 각도를 이용하여 다음 후보 경유 지점(R4)에서 로봇이 이동해야하는 경유 지점(P4)의 각도(α)를 계산한다. 그리고 로봇(A)의 현재 각도와 목적 지점(P5)의 각도(β)를 계산한다.4B illustrates an input of the fuzzy expert system, and calculates the angle α of the waypoint P4 through which the robot should move at the next candidate waypoint R4 using the current angle of the robot A. FIG. Then, the current angle of the robot A and the angle β of the target point P5 are calculated.
계산된 로봇의 다음 경유 지점과의 각도(α)와 목적 지점과의 각도(β) 차이 값을 퍼지 전문가 시스템의 입력으로 준다.The calculated difference between the angle (α) from the next stop point of the robot and the angle (β) from the target point is input to the fuzzy expert system.
도 4c는 퍼지 전문가 시스템에 사용된 입력 소속도 함수와 출력 소속도 함수를 나타낸 것으로, 입력 소속도 함수(그래프 (A))는 로봇의 다음 경유 지점과의 각도(α)와 목적 지점과의 각도(β) 차이 값이며, 입력 값의 전체 범위는 ±90°이고 입력 값에 따라 left, middle, right로 나누어 사용한다.4C shows an input belonging function and an output belonging function used in the fuzzy expert system, and the input belonging function (graph (A)) is an angle between the next passing point of the robot (α) and an objective point. (β) Difference value, the total range of input value is ± 90 ° and it is divided into left, middle and right according to input value.
출력 소속도 함수(그래프 (B))는 다음 경유 지점을 변경하기 위한 변경 각도 값이며, 출력 값의 전체 범위는 ±50°이고, 출력 값에 따라 left, right로 나누어 사용한다.The output belonging function (graph (B)) is a change angle value for changing the next pass-through point, and the total range of the output value is ± 50 °, and it is divided into left and right according to the output value.
도 4d는 상기 퍼지 전문가 시스템에서의 퍼지 룰을 예시한 것으로, 퍼지 룰에서 O1과 O2는 각각 로봇 1과 로봇 2를 의미한다. 4D illustrates a fuzzy rule in the fuzzy expert system. In the fuzzy rule, O1 and O2 mean
퍼지 전문가 시스템의 퍼지 룰을 통해 다음 경유 지점을 변경하기 위한 변경 각도 값이 계산되면, 다음 경유 지점을 변경하도록 한다(S403: 도 4a 참조).When the change angle value for changing the next pass point is calculated through the fuzzy rule of the fuzzy expert system, the next pass point is changed (S403: see FIG. 4A).
도 4e와 도 4f는 각각 본 발명에 따른 충돌 회피 단계(S400)를 실제 로봇에 적용한 결과를 나타낸 것으로, 첫 번째 로봇은 현재 위치(Pp1)에서 목표 지점(Pa1)으로 이동하게 하고, 두 번째 로봇은 현재 위치(Pp2)에서 목표지점(Pa2)으로 이동하게 했을 때의 충돌 회피 결과이다. 4e and 4f respectively show the result of applying the collision avoidance step (S400) according to the present invention to the actual robot, the first robot to move from the current position (P p1 ) to the target point (P a1 ), two The first robot is a collision avoidance result when moving from the current position P p2 to the target point P a2 .
두 로봇은 각각 자신의 경로로 이동을 하다가 충돌 상황이 발생되면, 충돌 회피 퍼지 전문가 시스템을 통해 두 로봇의 다음 경유 지점이 변경(Pv1, Pv2)되어, 멈추지 않고 효율적으로 충돌 회피하는 것을 확인할 수 있다.When two robots move in their own paths and a collision situation occurs, the collision avoidance fuzzy expert system changes the next route point of the two robots (P v1 , P v2 ) to confirm that they avoid collision efficiently without stopping. Can be.
전술한 것과 같이 본 발명의 경로계획 방법은 지도 변환단계(S200)에서 그리드의 셀 크기를 로봇의 특성에 맞추어 설정함으로써 연산량을 줄이면서도 국부 최소점에 빠질 확률을 최소화할 수 있는 이점을 제공함과 더불어, 장애물을 사각 형태로 변환시켜 모델링을 단순화시킴으로써 전체적인 연산량을 더욱 줄일 수 있는 이점을 제공한다. As described above, the route planning method of the present invention provides an advantage of minimizing the probability of falling into the local minimum while reducing the amount of computation by setting the cell size of the grid in accordance with the characteristics of the robot in the map transformation step (S200). By simplifying modeling by converting obstructions into quadrilaterals, we can further reduce the overall computation.
또한, 경로계획 단계(S300)에서 삭제 연산자를 사용하는 수정된 유전자 알고리즘을 사용함으로써 그리드 형태의 지도에서 연산량을 대폭 줄일 수 있으며, 효율적인 최적 경로를 계획할 수 있다. 그리고, 충돌회피단계(S400)에서는 퍼지 전문가 시스템을 이용하여 충돌 회피를 효율적으로 수행할 수 있다. In addition, by using the modified genetic algorithm using the delete operator in the path planning step (S300) it is possible to significantly reduce the amount of calculation in the grid-shaped map, it is possible to plan an efficient optimal path. In addition, in the collision avoidance step S400, collision avoidance may be efficiently performed using a fuzzy expert system.
이상에서는 본 발명에 따른 로봇의 다중 경로계획 방법에 대하여 바람직한 실시예를 중심으로 상세히 설명하였으나, 본 발명은 특정 실시예에 한정되지 않으며, 첨부된 특허청구범위에 기재된 범주 내에서 다양한 변경 및 실시가 가능할 것이다. The above has been described in detail with reference to the preferred embodiment of the multi-path planning method of the robot according to the present invention, the present invention is not limited to the specific embodiment, various changes and implementations within the scope of the appended claims It will be possible.
도 1은 본 발명에 따른 로봇의 다중 경로계획을 나타낸 순서도이다.1 is a flow chart showing a multi-path planning of the robot according to the present invention.
도 2a는 도 1의 지도 변환단계에서 지도를 변환하는 과정을 나타낸 순서도이다.FIG. 2A is a flowchart illustrating a process of converting a map in the map converting step of FIG. 1.
도 2b는 지도 생성단계에서 생성된 지도에 그리드를 생성하는 과정을 개략적으로 예시한 도면이다.2B is a diagram schematically illustrating a process of generating a grid on a map generated in the map generation step.
도 2c는 도 2b의 그리드 지도에서 장애물의 형태를 변환시킨 예를 나타낸 도면이다. FIG. 2C is a diagram illustrating an example of converting a shape of an obstacle in the grid map of FIG. 2B.
도 2d는 도 2b의 그리드 지도에서 영역을 분류하는 예를 나타낸 도면이다.FIG. 2D is a diagram illustrating an example of classifying regions in the grid map of FIG. 2B.
도 3a는 경로계획 단계에서 로봇의 이동 후보 경유 지점을 생성하는 예를 나타낸 도면이다.3A is a diagram illustrating an example of generating a route for passing a robot through a candidate for path planning.
도 3b는 경로계획 단계에서 수정된 유전자 알고리즘을 이용하는 과정을 나타낸 순서도이다. Figure 3b is a flow chart showing a process using a modified genetic algorithm in the path planning step.
도 3c는 도 3b의 수정된 유전자 알고리즘을 수행하는 과정에서 삭제된 연산자를 이용하는 예를 나타낸 도면이다. FIG. 3C is a diagram illustrating an example of using a deleted operator in the process of performing the modified genetic algorithm of FIG. 3B.
도 3d는 도 3b의 수정된 유전자 알고리즘을 수행하는 과정에서 뉴럴-네트워크 모델을 이용하여 장애물 체크를 수행한 예를 나타낸 도면이다.FIG. 3D is a diagram illustrating an example of performing an obstacle check using a neural-network model while performing the modified genetic algorithm of FIG. 3B.
도 3e는 일반적인 유전자 알고리즘과 본 발명의 수정된 유전자 알고리즘을 이용하여 계획된 경로를 비교하여 나타낸 도면이다. Figure 3e is a view showing a comparison of the planned route using a general genetic algorithm and the modified genetic algorithm of the present invention.
도 4a는 충돌회피단계에서 퍼지 전문가 시스템을 이용하여 충돌 회피 계획을 수행하는 과정을 나타낸 도면이다. 4A is a diagram illustrating a process of performing a collision avoidance plan using a fuzzy expert system in a collision avoidance step.
도 4b는 퍼지 전문가 시스템의 입력의 예를 나타낸 도면이다.4B is a diagram illustrating an example of input of a fuzzy expert system.
도 4c는 퍼지 전문가 시스템에 사용된 입력 소속도 함수와 출력 소속도 함수를 나타낸다.4C illustrates an input belonging function and an output belonging function used in a fuzzy expert system.
도 4d는 퍼지 전문가 시스템에서의 퍼지 룰을 예시한 도면이다.4D is a diagram illustrating fuzzy rules in a fuzzy expert system.
도 4e 및 도 4f는 각각 본 발명에 따른 충돌 회피 단계를 실제 로봇에 적용한 결과를 나타낸 도면이다. 4E and 4F are diagrams showing the results of applying the collision avoidance step according to the present invention to the actual robot, respectively.
Claims (9)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020090084562A KR101105325B1 (en) | 2009-09-08 | 2009-09-08 | Method for Path-planning for Actual Robots |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020090084562A KR101105325B1 (en) | 2009-09-08 | 2009-09-08 | Method for Path-planning for Actual Robots |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20110026776A KR20110026776A (en) | 2011-03-16 |
| KR101105325B1 true KR101105325B1 (en) | 2012-01-16 |
Family
ID=43933698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020090084562A KR101105325B1 (en) | 2009-09-08 | 2009-09-08 | Method for Path-planning for Actual Robots |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101105325B1 (en) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108107895A (en) * | 2017-12-26 | 2018-06-01 | 哈工大机器人（合肥）国际创新研究院 | A kind of multirobot path dynamic programming method |
| CN108196453A (en) * | 2018-01-24 | 2018-06-22 | 中南大学 | A kind of manipulator motion planning Swarm Intelligent Computation method |
| CN108775902A (en) * | 2018-07-25 | 2018-11-09 | 齐鲁工业大学 | The adjoint robot path planning method and system virtually expanded based on barrier |
| CN110347154A (en) * | 2019-06-26 | 2019-10-18 | 禾多科技（北京）有限公司 | High-precision map paths planning method based on analog control system |
| KR20210004763A (en) | 2019-07-04 | 2021-01-13 | 경북대학교 산학협력단 | Cleaning Robot Apparatus Using Rectangular Map Decomposition and Method for Planning Coverage Path Using the Same |
| WO2022114847A1 (en) * | 2020-11-27 | 2022-06-02 | 삼성전자주식회사 | Electronic device and control method therefor |
| KR102566417B1 (en) * | 2023-01-30 | 2023-08-11 | 주식회사 마키나락스 | Method for calculaing the length of work path of a task-performing robot |
| KR102614099B1 (en) * | 2023-01-30 | 2023-12-14 | 주식회사 마키나락스 | Method for distributing work points to plural task-performing robots |
| KR102660168B1 (en) | 2023-06-20 | 2024-04-24 | 주식회사 마키나락스 | Method for calculaing the length of work path of a task-performing robot |
Families Citing this family (42)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101278708B1 (en) * | 2011-05-18 | 2013-06-25 | 부산대학교 산학협력단 | Underwater robot and Method for controlling the same |
| KR101807484B1 (en) | 2012-10-29 | 2017-12-11 | 한국전자통신연구원 | Apparatus for building map of probability distrubutition based on properties of object and system and method thereof |
| CN103336526B (en) * | 2013-06-20 | 2015-08-05 | 苏州经贸职业技术学院 | Based on the robot path planning method of coevolution population rolling optimization |
| CN104156780B (en) * | 2014-07-09 | 2017-09-26 | 华南理工大学 | A kind of bow member type chip mounter integrated optimization method based on coevolution |
| CN104808671B (en) * | 2015-05-19 | 2017-03-15 | 东南大学 | A kind of robot path planning method under domestic environment |
| KR102009479B1 (en) * | 2015-06-09 | 2019-08-09 | 한화디펜스 주식회사 | Apparatus and method for controlling mobile robot |
| US11429105B2 (en) | 2016-06-10 | 2022-08-30 | Duke University | Motion planning for autonomous vehicles and reconfigurable motion planning processors |
| CN106444755B (en) * | 2016-09-22 | 2019-02-05 | 江苏理工学院 | Method for planning path for mobile robot based on improved adaptive GA-IAGA |
| CN106903690B (en) * | 2017-03-08 | 2019-05-28 | 江苏山河机电技术有限公司 | A kind of crane movements track recognizing method |
| CN107145961A (en) * | 2017-03-24 | 2017-09-08 | 南京邮电大学 | A kind of tour schedule planing method based on improved adaptive GA-IAGA |
| US11048927B2 (en) | 2017-10-24 | 2021-06-29 | Waymo Llc | Pedestrian behavior predictions for autonomous vehicles |
| KR101987274B1 (en) | 2017-12-29 | 2019-09-27 | 한국과학기술연구원 | Method for generating repositioning location of obstacle |
| WO2019139815A1 (en) | 2018-01-12 | 2019-07-18 | Duke University | Apparatus, method and article to facilitate motion planning of an autonomous vehicle in an environment having dynamic objects |
| TWI822729B (en) | 2018-02-06 | 2023-11-21 | 美商即時機器人股份有限公司 | Method and apparatus for motion planning of a robot storing a discretized environment on one or more processors and improved operation of same |
| US11738457B2 (en) | 2018-03-21 | 2023-08-29 | Realtime Robotics, Inc. | Motion planning of a robot for various environments and tasks and improved operation of same |
| CN109032149B (en) * | 2018-10-12 | 2020-12-11 | 盐城工学院 | Multi-mobile-robot balance anti-deadlock path planning method based on grid map |
| KR20200099264A (en) | 2019-02-14 | 2020-08-24 | 한화디펜스 주식회사 | Obstacle map generating method, and apparatus thereof |
| CN109978243A (en) * | 2019-03-12 | 2019-07-05 | 北京百度网讯科技有限公司 | Track of vehicle planing method, device, computer equipment, computer storage medium |
| CN111721311A (en) * | 2019-03-22 | 2020-09-29 | 北京京东尚科信息技术有限公司 | Collision verification method and device |
| EP3977226A4 (en) | 2019-06-03 | 2023-06-07 | Realtime Robotics, Inc. | Apparatus, methods and articles to facilitate motion planning in environments having dynamic obstacles |
| TW202107232A (en) * | 2019-06-24 | 2021-02-16 | 美商即時機器人股份有限公司 | Motion planning for multiple robots in shared workspace |
| CN110370276B (en) * | 2019-07-05 | 2022-04-08 | 埃夫特智能装备股份有限公司 | Industrial robot machining track automatic planning method based on three-dimensional model Morse decomposition |
| EP3993963A4 (en) | 2019-08-23 | 2022-08-24 | Realtime Robotics, Inc. | Motion planning for robots to optimize velocity while maintaining limits on acceleration and jerk |
| EP3816758B1 (en) * | 2019-10-17 | 2024-01-17 | Nokia Solutions and Networks Oy | Grid-based movement control |
| JP7459497B2 (en) | 2019-12-16 | 2024-04-02 | 村田機械株式会社 | Route planning device, route planning method, and autonomous traveling trolley |
| TW202146189A (en) | 2020-01-22 | 2021-12-16 | 美商即時機器人股份有限公司 | Configuration of robots in multi-robot operational environment |
| KR102428447B1 (en) * | 2020-03-25 | 2022-08-02 | 주식회사 우아한형제들 | Method and system of operating multi-serving robot |
| WO2021194194A1 (en) * | 2020-03-25 | 2021-09-30 | 주식회사 우아한형제들 | Multi serving robot operation method and system |
| KR102358125B1 (en) * | 2020-05-20 | 2022-02-04 | 주식회사 클로봇 | Mobile robot for performing scenario-based tasks and method for generating task-based paths |
| CN111780759B (en) * | 2020-05-28 | 2023-11-28 | 南京邮电大学 | Mobile robot path planning method based on improved genetic algorithm |
| CN112327876B (en) * | 2020-11-21 | 2022-02-01 | 安徽工程大学 | Robot path planning method based on terminal distance index |
| CN112817316B (en) * | 2021-01-04 | 2022-03-15 | 浙江大学 | Multi-robot path planning method and device |
| CN112799404B (en) * | 2021-01-05 | 2024-01-16 | 佛山科学技术学院 | Global path planning method and device of AGV and computer readable storage medium |
| CN113587931A (en) * | 2021-07-08 | 2021-11-02 | 中汽创智科技有限公司 | Path planning method, device, equipment and storage medium |
| CN113671965B (en) * | 2021-08-24 | 2024-03-12 | 同济大学 | Path planning method and device |
| CN113908551B (en) * | 2021-12-14 | 2022-03-11 | 腾讯科技（深圳）有限公司 | Navigation path determination method, apparatus, device, storage medium and program product |
| CN114296451A (en) * | 2021-12-15 | 2022-04-08 | 珠海一微半导体股份有限公司 | Path planning method for robot wall work based on genetic algorithm |
| CN114415678B (en) * | 2021-12-31 | 2024-01-16 | 深圳市普渡科技有限公司 | Robot path planning method and device, robot and storage medium |
| KR102476420B1 (en) * | 2022-03-24 | 2022-12-12 | 주식회사 폴라리스쓰리디 | Moving robot and its creating obstacle map method |
| CN117908528A (en) * | 2022-10-14 | 2024-04-19 | 珠海一微半导体股份有限公司 | Laser robot path planning method and chip |
| KR102595490B1 (en) * | 2022-11-02 | 2023-10-30 | 주식회사 클로봇 | Method of cost determination for path planning for unmanned vehicle and unmanned vehicle |
| CN115683120B (en) * | 2022-12-30 | 2023-04-14 | 湖北凯乐仕通达科技有限公司 | Robot multi-vehicle interlocking detection and unlocking method and device |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010009585A (en) * | 1999-07-12 | 2001-02-05 | 김헌출 | Method of producing motion planning for troweling robot |
| JP2003029833A (en) | 2001-07-19 | 2003-01-31 | Japan Atom Energy Res Inst | Method for generating autonomic traveling path of traveling object |
| KR20050005123A (en) * | 2003-07-03 | 2005-01-13 | 주식회사 우리기술 | Moving method of mobile robot using a star algorithm |
| KR100745975B1 (en) | 2004-12-30 | 2007-08-06 | 삼성전자주식회사 | Method and apparatus for moving minimum movement cost path using grid map |
-
2009
- 2009-09-08 KR KR1020090084562A patent/KR101105325B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010009585A (en) * | 1999-07-12 | 2001-02-05 | 김헌출 | Method of producing motion planning for troweling robot |
| JP2003029833A (en) | 2001-07-19 | 2003-01-31 | Japan Atom Energy Res Inst | Method for generating autonomic traveling path of traveling object |
| KR20050005123A (en) * | 2003-07-03 | 2005-01-13 | 주식회사 우리기술 | Moving method of mobile robot using a star algorithm |
| KR100745975B1 (en) | 2004-12-30 | 2007-08-06 | 삼성전자주식회사 | Method and apparatus for moving minimum movement cost path using grid map |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108107895A (en) * | 2017-12-26 | 2018-06-01 | 哈工大机器人（合肥）国际创新研究院 | A kind of multirobot path dynamic programming method |
| CN108196453A (en) * | 2018-01-24 | 2018-06-22 | 中南大学 | A kind of manipulator motion planning Swarm Intelligent Computation method |
| CN108196453B (en) * | 2018-01-24 | 2020-11-20 | 中南大学 | Intelligent calculation method for mechanical arm motion planning group |
| CN108775902A (en) * | 2018-07-25 | 2018-11-09 | 齐鲁工业大学 | The adjoint robot path planning method and system virtually expanded based on barrier |
| CN110347154A (en) * | 2019-06-26 | 2019-10-18 | 禾多科技（北京）有限公司 | High-precision map paths planning method based on analog control system |
| KR20210004763A (en) | 2019-07-04 | 2021-01-13 | 경북대학교 산학협력단 | Cleaning Robot Apparatus Using Rectangular Map Decomposition and Method for Planning Coverage Path Using the Same |
| WO2022114847A1 (en) * | 2020-11-27 | 2022-06-02 | 삼성전자주식회사 | Electronic device and control method therefor |
| KR102566417B1 (en) * | 2023-01-30 | 2023-08-11 | 주식회사 마키나락스 | Method for calculaing the length of work path of a task-performing robot |
| KR102614099B1 (en) * | 2023-01-30 | 2023-12-14 | 주식회사 마키나락스 | Method for distributing work points to plural task-performing robots |
| KR102638245B1 (en) * | 2023-01-30 | 2024-02-20 | 주식회사 마키나락스 | Method for calculaing the length of work path of a task-performing robot |
| KR102660168B1 (en) | 2023-06-20 | 2024-04-24 | 주식회사 마키나락스 | Method for calculaing the length of work path of a task-performing robot |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20110026776A (en) | 2011-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101105325B1 (en) | Method for Path-planning for Actual Robots | |
| Mohanan et al. | A survey of robotic motion planning in dynamic environments | |
| WO2021062891A1 (en) | Systems and methods for adaptive path planning | |
| Koubâa et al. | Robot path planning and cooperation | |
| Yu et al. | Intelligent decision making and bionic movement control of self-organized swarm | |
| Kala et al. | Robotic path planning in static environment using hierarchical multi-neuron heuristic search and probability based fitness | |
| CN108829105A (en) | It is a kind of to dispatch avoidance optimization method based on the warehouse logistics of KM algorithm and Artificial Potential Field Method | |
| Hosseinzadeh et al. | Evolutionary approach for mobile robot path planning in complex environment | |
| Kyprianou et al. | Towards the achievement of path planning with multi-robot systems in dynamic environments | |
| Seder et al. | Hierarchical path planning of mobile robots in complex indoor environments | |
| Woosley et al. | Integrated real-time task and motion planning for multiple robots under path and communication uncertainties | |
| Yang et al. | A knowledge based GA for path planning of multiple mobile robots in dynamic environments | |
| Zhang et al. | Application of Automated Guided Vehicles in Smart Automated Warehouse Systems: A Survey. | |
| Yoon et al. | Predictive runtime monitoring for mobile robots using logic-based bayesian intent inference | |
| Langer et al. | K-Bug, a new bug approach for mobile robot's path planning | |
| Kala | Sampling based mission planning for multiple robots | |
| de Carvalho Santos et al. | An exploratory path planning method based on genetic algorithm for autonomous mobile robots | |
| US20220300002A1 (en) | Methods and systems for path planning in a known environment | |
| CN113790729A (en) | Unmanned overhead traveling crane path planning method and device based on reinforcement learning algorithm | |
| Santoso et al. | Dynamic Path Planning for Mobile Robots with Cellular Learning Automata. | |
| JPH09222852A (en) | Device with cognitive map | |
| Teymournezhad et al. | Fuzzy logic-based trajectory planning for mobile robots in an uncertain and complex environment | |
| Bai et al. | Multi-Robot Task Allocation Framework with Integrated Risk-Aware 3D Path Planning | |
| Hu et al. | A novel knowledge-based genetic algorithm for robot path planning in complex environments | |
| Rajchandar et al. | An Approach to Improve Multi-objective Path Planning for Mobile Robot Navigation using the Novel Quadrant Selection Method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20150119 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20160105 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20170421 Year of fee payment: 6 |
|
| FPAY | Annual fee payment |
Payment date: 20171221 Year of fee payment: 7 |
|
| FPAY | Annual fee payment |
Payment date: 20190104 Year of fee payment: 8 |