WO2021208143A1 - 人机共融环境中移动型机器人路径规划采样方法及系统 - Google Patents

人机共融环境中移动型机器人路径规划采样方法及系统 Download PDF

Info

Publication number
WO2021208143A1
WO2021208143A1 PCT/CN2020/087367 CN2020087367W WO2021208143A1 WO 2021208143 A1 WO2021208143 A1 WO 2021208143A1 CN 2020087367 W CN2020087367 W CN 2020087367W WO 2021208143 A1 WO2021208143 A1 WO 2021208143A1
Authority
WO
WIPO (PCT)
Prior art keywords
node
point
environment
search tree
candidate
Prior art date
Application number
PCT/CN2020/087367
Other languages
English (en)
French (fr)
Inventor
迟文政
丁智宇
陈国栋
孙立宁
Original Assignee
苏州大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 苏州大学 filed Critical 苏州大学
Priority to US17/427,646 priority Critical patent/US11846511B2/en
Publication of WO2021208143A1 publication Critical patent/WO2021208143A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas

Definitions

  • the existing classic path planning algorithms can be roughly divided into four categories: grid-based path planning algorithms, artificial potential field-based path planning algorithms, reward-based path planning algorithms, and random sampling-based path planning algorithms.
  • the path planning algorithm based on random sampling avoids modeling the state space, greatly reduces planning time and memory cost, and is more suitable for solving path planning problems in a dynamic human-machine inclusive environment.
  • the current sampling strategy only considers The relationship between the internal nodes of the tree is ignored, and the influence of the uncertainty of the environment on the growth of the tree is ignored.
  • the uncertainty in the environment mainly includes the error of environment modeling, the positioning error of the robot, and the influence of dynamic pedestrians. Since the current sampling strategy only considers the relationship between the internal nodes of the tree, it ignores the influence of the uncertainty of the environment on the growth of the tree, resulting in the path formed is not safe and reliable.
  • the growth point is calculated by the following formula:
  • Step S13 According to the result of camera calibration, output the position of the pedestrian in the global coordinate system through coordinate transformation.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Manipulator (AREA)

Abstract

一种人机共融环境中的移动型机器人路径规划采样方法及系统，该方法包括：计算地图中的点到最近障碍物的距离，同时，对环境中的行人进行检测，并标记环境中行人的位置；选择起点位置作为根节点，初始化搜索树；在可行区域随机选取候选节点，计算搜索树上节点到所述候选节点的累计成本，选取成本最小的点作为生长点；对所述生长点和所述候选节点之间的连线作碰撞检测，判断碰撞检测是否通过；将所述候选节点连接到所述生长点上，判断所述候选节点是否为终点；从所述搜索树上获取从根节点到终点之间的节点连线集合，形成最终路径。该方法有利于形成更为安全可靠的路径。

Description

人机共融环境中移动型机器人路径规划采样方法及系统 技术领域
本发明涉及服务型机器人的技术领域，尤其是指一种人机共融环境中的移动型机器人路径规划采样方法及系统。
背景技术
人工智能技术的突破给移动型服务机器人研究带来了巨大的机遇，目前，引导机器人、扫地机器人、导购机器人、货物搬运机器人等移动型服务机器人已经成功应用到了机场、超市、博物馆、家庭等多种环境。移动机器人路径规划技术是指机器人在无人干预的条件下，自动根据环境地图的信息及起始点位置规划出一条可行路径的过程，路径通常由一系列的点组成。相对于工业机器人来说，服务型移动机器人所在的人机共融环境复杂度更高，不确定性更大，对路径规划的实时性要求更高。
现有的经典路径规划算法可大致分为四类：基于栅格的路径规划算法，基于人工势场的路径规划算法，基于奖赏的路径规划算法和基于随机采样的路径规划算法。其中，基于随机采样的路径规划算法由于避免了对状态空间的建模，极大地减少了规划时间和内存成本，更适用于解决动态人机共融环境的路径规划问题，但是当前采样策略仅仅考虑了树的内部节点之间的关系，忽略了环境的不确定性对树的生长的影响。对于服务型移动机器人所处的人机共融环境中来说，环境中的不确定性主要包含环境建模的误差、机器人的定位误差、动态行人影响等。由于当前采样策略仅仅考虑了树的内部节点之间的关系，因此忽略了环境的不确定性对树的生长的影响，从而导致形成的路径不够安全和可靠。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中忽略了环境的不确定性对树的生长的影响，从而导致形成的路径不够安全和可靠的问题，从而提供一种引入环境不确定性因素，且能形成更为安全可靠的路径的人机共融环境中的移动型机器人路径规划采样方法及系统。
为解决上述技术问题，本发明的一种人机共融环境中的移动型机器人路径规划采样方法，包括如下步骤：计算地图中的点到最近障碍物的距离，同时，对环境中的行人进行检测，并标记环境中行人的位置；选择起点位置作为根节点，初始化搜索树；在可行区域随机选取候选节点,计算搜索树上节点到所述候选节点的累计成本，选取成本最小的点作为生长点；对所述生长点和所述候选节点之间的连线作碰撞检测，判断碰撞检测是否通过，若通过，则进入步骤S5，否则，返回步骤S3；将所述候选节点连接到所述生长点上，判断所述候选节点是否为终点，若是，则进入步骤S6，否则返回步骤S3；从所述搜索树上获取从根节点到终点之间的节点连线集合，形成最终路径。
在本发明的一个实施例中，所述步骤S1中地图中的点到最近障碍物的距离可通过线下计算完成，对于同一幅地图，计算结果可在不同的路径规划中多次复用。
在本发明的一个实施例中，对环境中的行人进行检测的方法为：步骤S11：通过环境中的分布式摄像机网络拍摄环境图片；步骤S12：应用行人检测算法对行人进行检测，输出行人在像素坐标系下的位置；步骤S13：根据摄像机标定结果，通过坐标变换，输出行人在全局坐标系下的位置。
在本发明的一个实施例中，所述步骤S2中搜索树的节点包含：节点位置、节点连接和节点成本，在搜索树初始化过程中，根节点位置设置为起点，节点连接为空，节点成本为零。
在本发明的一个实施例中，所述步骤S3中可行区域是指在最近障碍物距离地图上取值大于零的区域。计算搜索树上节点到所述候选节点的累计成本的方法为：采用公式
Figure PCTCN2020087367-appb-000001
其中，n new为候选节点；n i为搜索树上T的节点，n i∈T；cost(n i)表示从根节点到n i的累计成本；dist(.)表示两个点之间的欧氏距离；angle(.)表示两 条连线之间的夹角，一条是n new与n i之间的连线，另一条是与n i与n i父节点之间的连线；d min表示n i到最近障碍物的距离；S p表示n new与n i之间的连线上行人所占据的可行区域的面积；
Figure PCTCN2020087367-appb-000002
和ε是常数，
Figure PCTCN2020087367-appb-000003
取最大线速度的倒数，ε取最大角速度的倒数。
在本发明的一个实施例中，所述生长点通过如下公式计算：
Figure PCTCN2020087367-appb-000004
在本发明的一个实施例中，对所述生长点和所述候选节点之间的连线作碰撞检测的方法为：步骤S41：取生长点和候选节点之间的连线上的点的集合C；步骤S42：判断是否所有集合C中的点对应的最近障碍物距离地图上的值都大于零，如果是，则无碰撞发生，碰撞检测通过；否则，发生碰撞，碰撞检测不通过。
在本发明的一个实施例中，所述步骤S5中将所述候选节点连接到所述生长点的方法为：步骤S51：记录候选节点n new的位置，计算候选节点的成本cost(n new，n growth)；步骤S52：将n new的父节点设为n growth，将n new包含进n growth的子节点列表中，建立起候选节点与随机树之间的联系。
在本发明的一个实施例中，所述步骤S6中从搜索树上获取从根节点到终点之间的节点连线集合的方法为：步骤S61：确定终点所在的节点n goal，设为当前节点n current；步骤S62：在所述搜索树上，获取n current的父节点n parent，将n parent添加到路径上；步骤S63：判断n parent是否为根节点，如果不是，则令n current＝n parent，返回步骤S62；如果是，则输出路径，结束搜索。
本发明还提供了一种人机共融环境中的移动型机器人路径规划采样系统，包括：障碍物确定模块，用于计算地图中的点到最近障碍物的距离，同时，对环境中的行人进行检测，并标记环境中行人的位置；初始化模块，用于选择起点位置作为根节点，初始化搜索树；选取模块，用于在可行区域随机选取候选节点,计算搜索树上节点到所述候选节点的累计成本，选取成本最小的点作为生长点；碰撞检测模块，用于对所述生长点和所述候选节点之间的连线作碰撞检测，判断碰撞检测是否通过；判断模块，用于将所述候选 节点连接到所述生长点上，判断所述候选节点是否为终点；集合模块，用于从所述搜索树上获取从根节点到终点之间的节点连线集合，形成最终路径。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的人机共融环境中的移动型机器人路径规划采样方法及系统，由于引入了环境不确定性因素，包括节点周围可行区域的大小、行人所占据的可行区域面积，综合衡量节点内部关系和环境不确定性的对于生长点选取的影响，引导随机树向行人数量少的宽阔区域生长，因此减少了由于环境不确定性引起的机器人迷失、碰撞等问题，形成更为安全可靠的路径。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明人机共融环境中的移动型机器人路径规划采样方法流程图；
图2a是本发明环境地图的示意图；
图2b是本发明环境地图与其对应的到最近障碍物距离示意图；
图3是本发明生长节点的选择过程示意图；
图4是本发明基于最近障碍物距离的碰撞检测示意图；
图5是本发明搜索树和生成路径示意图。
具体实施方式
实施例一
如图1所示，本实施例提供一种人机共融环境中的移动型机器人路径规划采样方法，包括如下步骤：步骤S1：计算地图中的点到最近障碍物的距离，同时，对环境中的行人进行检测，并标记环境中行人的位置；步骤S2：选择起点位置作为根节点，初始化搜索树；步骤S3：在可行区域随机选取候选节点,计算所述搜索树上节点到所述候选节点的累计成本，选取成本最 小的点作为生长点；步骤S4：对所述生长点和所述候选节点之间的连线作碰撞检测，判断碰撞检测是否通过，若通过，则进入步骤S5，否则，返回步骤S3；步骤S5：将所述候选节点连接到所述生长点上，判断所述候选节点是否为终点，若是，则进入步骤S6，否则返回步骤S3；步骤S6：从所述搜索树上获取从根节点到终点之间的节点连线集合，形成最终路径。
本实施例所述人机共融环境中的移动型机器人路径规划采样方法，所述步骤S1中，计算地图中的点到最近障碍物的距离，有利于判断出静态障碍物，同时，对环境中的行人进行检测，并标记环境中行人的位置，有利于判断出动态障碍物；所述步骤S2中，选择起点位置作为根节点，初始化搜索树，从而有利于把起点加入到所述搜索树上；所述步骤S3中，在可行区域随机选取候选节点,计算所述搜索树上节点到所述候选节点的累计成本，选取成本最小的点作为生长点，有利于保证从所述根节点到当前点的成本最低；所述步骤S4中，对所述生长点和所述候选节点之间的连线作碰撞检测，判断碰撞检测是否通过，若通过，则进入步骤S5，否则，返回步骤S3，从而有利于保证所述生长点和所述候选节点之间没有障碍物；所述步骤S5中，将所述候选节点连接到所述生长点上，判断所述候选节点是否为终点，若是，则进入步骤S6，否则返回步骤S3，从而有利于确认终点；所述步骤S6中，从树上获取从根节点到终点之间的节点连线集合，形成最终路径，由于本发明引入了环境不确定性因素，包括节点周围可行区域的大小、行人所占据的可行区域面积，综合衡量节点内部关系和环境不确定性的对于生长点选取的影响，引导搜索树向行人数量少的宽阔区域生长，减少了由于环境不确定性引起的机器人迷失、碰撞等问题，因此可以形成更为安全可靠的路径。
如图2a和图2b所示，所述步骤S1中，所述地图采用二维栅格地图，在图2b中，距离的单位为栅格数，到最近障碍物距离大于零的区域即为可行区域。所述地图中的点到最近障碍物的距离可通过线下计算完成，对于同一幅地图，计算结果可在不同的路径规划中多次复用，从而有利于提高计算速率。
另外，对环境中的行人进行检测的方法为：
步骤S11：通过环境中的分布式摄像机网络拍摄环境图片；
步骤S12：应用行人检测算法对行人进行检测，输出行人在像素坐标系下的位置；
步骤S13：根据摄像机标定结果，通过坐标变换，输出行人在全局坐标系下的位置。
作为一种变形，行人检测也可以通过激光等其它传感器获得。
所述步骤S2中搜索树的节点包含：节点位置、节点连接和节点成本，在搜索树初始化过程中，根节点位置设置为起点，节点连接为空，节点成本为零，从而可以实现把起点加入到所述搜索树上。因此所述搜索树初始化之后仅包含根节点一个节点。
所述步骤S3中可行区域是指在最近障碍物距离地图上取值大于零的区域。
在可行区域随机选取候选节点的方法为：为所述可行区域内的点分配唯一索引序号，随机选取一个索引序号，其对应的点即为候选节点。
计算搜索树上节点到所述候选节点的累计成本的方法为：采用公式
Figure PCTCN2020087367-appb-000005
其中，n new为候选节点；n i为搜索树T上的节点，n i∈T；cost(n i)表示从根节点到n i的累计成本；dist(.)表示两个点之间的欧氏距离；angle(.)表示两条连线之间的夹角，一条是n new与n i之间的连线，另一条是与n i与n i父节点之间的连线；d min表示n i到最近障碍物的距离；S p表示n new与n i之间的连线上行人所占据的可行区域的面积；
Figure PCTCN2020087367-appb-000006
和ε是常数，用于权衡距离和角度差异对于成本的影响，对于机器人来说，
Figure PCTCN2020087367-appb-000007
取最大线速度的倒数，ε取最大角速度的倒数。d min越大，表示n i周围的可行区域越大；行人数量越少，ΣS p占据的可行区域越小，机器人运行更安全。
所述生长点通过如下公式计算：
Figure PCTCN2020087367-appb-000008
遍历搜索树上的节点，选择到候选节点累计成本最小的节点，作为候选节点的生长点，从而有利于保证从所述根节点到当前点的成本最低。
如图3所示，圆形表示根节点，三角形表示所述搜索树上的其它节点，星形表示候选节点，灰色圆圈表示行人，实线表示节点n 0到候选节点的连接， 点划线表示节点n 1到候选节点的连接。由于n 0到候选节点的连接线上有多个行人，即ΣS p值较大，n 0到候选节点的累计成本大于n 1到候选节点的累计成本，因此选择n 1作为生长点。
所述步骤S4中对所述生长点和所述候选节点之间的连线作碰撞检测的方法为：
步骤S41：取生长点和候选节点之间的连线上的点的集合C；
步骤S42：判断是否所有集合C中的点对应的最近障碍物距离地图上的值都大于零，如果是，则无碰撞发生，碰撞检测通过；否则，发生碰撞，碰撞检测不通过。
上述作碰撞检测时，优先选择仅仅针对静态障碍物作检测，由于对于人流量大的环境来说，连线与行人发生碰撞的概率极高，同时对动态行人做碰撞检测容易引起规划效率下降，甚至规划失败。因此，对于搜索树的生长过程可以不对动态障碍物进行碰撞检测。
如图4所示，为A点到B点的碰撞检测示意图，首先将A、B两点映射到最近障碍物距离地图上，选取AB连线所经过的栅格，如图中灰色方格所示，遍历灰色方格的值，如果所有值都大于零，则没有发生碰撞，碰撞检测通过；否则发生碰撞，碰撞检测不通过。
所述步骤S5中将所述候选节点连接到所述生长点的方法为：
步骤S51：记录候选节点n new的位置，计算候选节点的成本cost(n new，n growth)；
步骤S52：将n new的父节点设为n growth，将n new包含进n growth的子节点列表中，建立起候选节点与随机树之间的联系。
所述步骤S6中从搜索树上获取从根节点到终点之间的节点连线集合的方法为：
步骤S61：确定终点所在的节点n goal，设为当前节点n current；
步骤S62：在所述搜索树上，获取n current的父节点n parent，将n parent添加 到路径上；
步骤S63：判断n parent是否为根节点，如果不是，则令n current＝n parent，返回步骤S62；如果是，则输出路径，结束搜索。
如图5所示，圆形节点实线表示最终生成的路径，三角形表示搜索树上的节点，虚线表示搜索树上节点之间的连接关系，灰色圆圈表示行人，路径规划策略能够避开行人较多的区域，生成较为安全可靠的路径。
实施例二
基于同一发明构思，本实施例提供一种人机共融环境中的移动型机器人路径规划采样系统，其解决问题的原理与所述人机共融环境中的移动型机器人路径规划采样方法相同，重复之处不再赘述。
本实施例所述人机共融环境中的移动型机器人路径规划采样系统，包括：
障碍物确定模块，用于计算地图中的点到最近障碍物的距离，同时，对环境中的行人进行检测，并标记环境中行人的位置；
初始化模块，用于选择起点位置作为根节点，初始化搜索树；
选取模块，用于在可行区域随机选取候选节点,计算搜索树上节点到所述候选节点的累计成本，选取成本最小的点作为生长点；
碰撞检测模块，用于对所述生长点和所述候选节点之间的连线作碰撞检测，判断碰撞检测是否通过；
判断模块，用于将所述候选节点连接到所述生长点上，判断所述候选节点是否为终点；
集合模块，用于从所述搜索树上获取从根节点到终点之间的节点连线集合，形成最终路径。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

  1. 一种人机共融环境中的移动型机器人路径规划采样方法，其特征在于，包括如下步骤：
    步骤S1：计算地图中的点到最近障碍物的距离，同时，对环境中的行人进行检测，并标记环境中行人的位置；
    步骤S2：选择起点位置作为根节点，初始化搜索树；
    步骤S3：在可行区域随机选取候选节点,计算搜索树上节点到所述候选节点的累计成本，选取成本最小的点作为生长点；
    步骤S4：对所述生长点和所述候选节点之间的连线作碰撞检测，判断碰撞检测是否通过，若通过，则进入步骤S5，否则，返回步骤S3；
    步骤S5：将所述候选节点连接到所述生长点上，判断所述候选节点是否为终点，若是，则进入步骤S6，否则返回步骤S3；
    步骤S6：从所述搜索树上获取从根节点到终点之间的节点连线集合，形成最终路径。
  2. 根据权利要求1所述的人机共融环境中的移动型机器人路径规划采样方法，其特征在于：所述步骤S1中地图中的点到最近障碍物的距离可通过线下计算完成，对于同一幅地图，计算结果可在不同的路径规划中多次复用。
  3. 根据权利要求1所述的人机共融环境中的移动型机器人路径规划采样方法，其特征在于：对环境中的行人进行检测的方法为：
    步骤S11：通过环境中的分布式摄像机网络拍摄环境图片；
    步骤S12：应用行人检测算法对行人进行检测，输出行人在像素坐标系下的位置；
    步骤S13：根据摄像机标定结果，通过坐标变换，输出行人在全局坐标系下的位置。
  4. 根据权利要求1所述的人机共融环境中的移动型机器人路径规划采样方法，其特征在于：所述步骤S2中搜索树的节点包含：节点位置、节点连接和节点成本，在搜索树初始化过程中，根节点位置设置为起点，节点连接为空，节点成本为零。
  5. 根据权利要求1所述的人机共融环境中的移动型机器人路径规划采样方法，其特征在于：所述步骤S3中可行区域是指在最近障碍物距离地图上取值大于零的区域。计算搜索树上节点到所述候选节点的累计成本的方法为：采用公式
    Figure PCTCN2020087367-appb-100001
    其中，n new为候选节点；n i为搜索树上T的节点，n i∈T；cost(n i)表示从根节点到n i的累计成本；dist(.)表示两个点之间的欧氏距离；angle(.)表示两条连线之间的夹角，一条是n new与n i之间的连线，另一条是与n i与n i父节点之间的连线；d min表示n i到最近障碍物的距离；S p表示n new与n i之间的连线上行人所占据的可行区域的面积；
    Figure PCTCN2020087367-appb-100002
    和ε是常数，
    Figure PCTCN2020087367-appb-100003
    取最大线速度的倒数，ε取最大角速度的倒数。
  6. 根据权利要求5所述的人机共融环境中的移动型机器人路径规划采样方法，其特征在于：所述生长点通过如下公式计算：
    Figure PCTCN2020087367-appb-100004
  7. 根据权利要求1所述的人机共融环境中的移动型机器人路径规划采样方法，其特征在于：对所述生长点和所述候选节点之间的连线作碰撞检测的方法为：
    步骤S41：取生长点和候选节点之间的连线上的点的集合C；
    步骤S42：判断是否所有集合C中的点对应的最近障碍物距离地图上的值都大于零，如果是，则无碰撞发生，碰撞检测通过；否则，发生碰撞，碰撞检测不通过。
  8. 根据权利要求1所述的人机共融环境中的移动型机器人路径规划采样方法，其特征在于：所述步骤S5中将所述候选节点连接到所述生长点的方法为：
    步骤S51：记录候选节点n new的位置，计算候选节点的成本cost(n new，n growth)；
    步骤S52：将n new的父节点设为n growth，将n new包含进n growth的子节点列 表中，建立起候选节点与随机树之间的联系。
  9. 根据权利要求1所述的人机共融环境中的移动型机器人路径规划采样方法，其特征在于：所述步骤S6中从搜索树上获取从根节点到终点之间的节点连线集合的方法为：
    步骤S61：确定终点所在的节点n goal，设为当前节点n current；
    步骤S62：在所述搜索树上，获取n current的父节点n parent，将n parent添加到路径上；
    步骤S63：判断n parent是否为根节点，如果不是，则令n current＝n parent，返回步骤S62；如果是，则输出路径，结束搜索。
  10. 一种人机共融环境中的移动型机器人路径规划采样系统，其特征在于，包括：
    障碍物确定模块，用于计算地图中的点到最近障碍物的距离，同时，对环境中的行人进行检测，并标记环境中行人的位置；
    初始化模块，用于选择起点位置作为根节点，初始化搜索树；
    选取模块，用于在可行区域随机选取候选节点,计算搜索树上节点到所述候选节点的累计成本，选取成本最小的点作为生长点；
    碰撞检测模块，用于对所述生长点和所述候选节点之间的连线作碰撞检测，判断碰撞检测是否通过；
    判断模块，用于将所述候选节点连接到所述生长点上，判断所述候选节点是否为终点；
    集合模块，用于从所述搜索树上获取从根节点到终点之间的节点连线集合，形成最终路径。
PCT/CN2020/087367 2020-04-16 2020-04-28 人机共融环境中移动型机器人路径规划采样方法及系统 WO2021208143A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/427,646 US11846511B2 (en) 2020-04-16 2020-04-28 Sampling method and system for path planning of mobile robot in man-machine environment

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010301450.XA CN111397598B (zh) 2020-04-16 2020-04-16 人机共融环境中移动型机器人路径规划采样方法及系统
CN202010301450.X 2020-04-16

Publications (1)

Publication Number Publication Date
WO2021208143A1 true WO2021208143A1 (zh) 2021-10-21

Family

ID=71435183

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/087367 WO2021208143A1 (zh) 2020-04-16 2020-04-28 人机共融环境中移动型机器人路径规划采样方法及系统

Country Status (3)

Country Link
US (1) US11846511B2 (zh)
CN (1) CN111397598B (zh)
WO (1) WO2021208143A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023193424A1 (zh) * 2022-04-07 2023-10-12 哈尔滨工业大学（深圳） 人机共存环境中遵循行人规范的移动机器人全局导航方法

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111596668B (zh) * 2020-06-17 2021-12-21 苏州大学 基于逆向强化学习的移动机器人拟人化路径规划方法
CN111829526B (zh) * 2020-07-23 2022-05-10 中国人民解放军国防科技大学 一种基于防撞半径的距离地图重构与跳点路径规划方法
CN112446113A (zh) * 2020-11-12 2021-03-05 山东鲁能软件技术有限公司 电力系统环网图最优路径自动生成方法及系统
CN112578385B (zh) * 2020-11-24 2023-07-18 广州极飞科技股份有限公司 雷达数据的处理方法及装置、作业设备
CN113485373B (zh) * 2021-08-12 2022-12-06 苏州大学 一种基于高斯混合模型的机器人实时运动规划方法
KR20230050958A (ko) * 2021-10-08 2023-04-17 현대자동차주식회사 로봇의 경로 계획 장치 및 그 방법
CN115309164B (zh) * 2022-08-26 2023-06-27 苏州大学 基于生成对抗网络的人机共融移动机器人路径规划方法
CN115857515B (zh) * 2023-02-22 2023-05-16 成都瑞华康源科技有限公司 一种agv机器人路线规划方法、系统及存储介质
CN117308945B (zh) * 2023-08-17 2024-04-09 成川科技(苏州)有限公司 基于准确交通管控的无人天车动态路径规划方法及系统
CN117387631B (zh) * 2023-12-12 2024-03-22 青岛科技大学 一种机器人的路径规划方法、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106444769A (zh) * 2016-10-31 2017-02-22 湖南大学 一种室内移动机器人增量式环境信息采样的最优路径规划方法
CN106774347A (zh) * 2017-02-24 2017-05-31 安科智慧城市技术（中国）有限公司 室内动态环境下的机器人路径规划方法、装置和机器人
CN108241375A (zh) * 2018-02-05 2018-07-03 景德镇陶瓷大学 一种自适应蚁群算法在移动机器人路径规划中的应用方法
US20180308371A1 (en) * 2017-04-19 2018-10-25 Beihang University Joint search method for uav multiobjective path planning in urban low altitude environment
CN109571466A (zh) * 2018-11-22 2019-04-05 浙江大学 一种基于快速随机搜索树的七自由度冗余机械臂动态避障路径规划方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006239844A (ja) * 2005-03-04 2006-09-14 Sony Corp 障害物回避装置、障害物回避方法及び障害物回避プログラム並びに移動型ロボット装置
US20100145552A1 (en) * 2008-12-04 2010-06-10 Lockheed Martin Corporation Route planning using ground threat prediction
KR101554515B1 (ko) * 2009-01-07 2015-09-21 삼성전자 주식회사 로봇의 경로계획장치 및 그 방법
US9020637B2 (en) * 2012-11-02 2015-04-28 Irobot Corporation Simultaneous localization and mapping for a mobile robot
US9233472B2 (en) * 2013-01-18 2016-01-12 Irobot Corporation Mobile robot providing environmental mapping for household environmental control
US9758305B2 (en) * 2015-07-31 2017-09-12 Locus Robotics Corp. Robotic navigation utilizing semantic mapping
US10331135B2 (en) * 2017-11-22 2019-06-25 GM Global Technology Operations LLC Systems and methods for maneuvering around obstacles in autonomous vehicles
CN108983780A (zh) * 2018-07-24 2018-12-11 武汉理工大学 一种基于改进rrt*算法的移动机器人路径规划方法
CN109341707B (zh) * 2018-12-03 2022-04-08 南开大学 未知环境下移动机器人三维地图构建方法
CN109668573A (zh) * 2019-01-04 2019-04-23 广东工业大学 一种改进rrt算法的车辆路径规划方法
CN109990796B (zh) * 2019-04-23 2022-07-19 成都信息工程大学 基于双向扩展随机树的智能车路径规划方法
CN110703768B (zh) * 2019-11-08 2021-07-13 福州大学 一种改进型动态rrt*的移动机器人运动规划方法
CN111008750A (zh) * 2019-12-24 2020-04-14 常州信息职业技术学院 一种基于全程旋转约束rrt算法的装配路径规划方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106444769A (zh) * 2016-10-31 2017-02-22 湖南大学 一种室内移动机器人增量式环境信息采样的最优路径规划方法
CN106774347A (zh) * 2017-02-24 2017-05-31 安科智慧城市技术（中国）有限公司 室内动态环境下的机器人路径规划方法、装置和机器人
US20180308371A1 (en) * 2017-04-19 2018-10-25 Beihang University Joint search method for uav multiobjective path planning in urban low altitude environment
CN108241375A (zh) * 2018-02-05 2018-07-03 景德镇陶瓷大学 一种自适应蚁群算法在移动机器人路径规划中的应用方法
CN109571466A (zh) * 2018-11-22 2019-04-05 浙江大学 一种基于快速随机搜索树的七自由度冗余机械臂动态避障路径规划方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023193424A1 (zh) * 2022-04-07 2023-10-12 哈尔滨工业大学（深圳） 人机共存环境中遵循行人规范的移动机器人全局导航方法

Also Published As

Publication number Publication date
US11846511B2 (en) 2023-12-19
CN111397598B (zh) 2022-02-01
CN111397598A (zh) 2020-07-10
US20220316885A1 (en) 2022-10-06

Similar Documents

Publication Publication Date Title
WO2021208143A1 (zh) 人机共融环境中移动型机器人路径规划采样方法及系统
CN112859859B (zh) 一种基于三维障碍物体素对象映射的动态栅格地图更新方法
Kim et al. SLAM-driven robotic mapping and registration of 3D point clouds
CN109186606B (zh) 一种基于slam和图像信息的机器人构图及导航方法
US9691151B1 (en) Using observations from one or more robots to generate a spatio-temporal model that defines pose values for a plurality of objects in an environment
CN113624221B (zh) 一种融合视觉与激光的2.5d地图构建方法
CN113376650A (zh) 移动机器人定位方法及装置、电子设备及存储介质
CN114049362A (zh) 一种基于transformer的点云实例分割方法
CN116698014A (zh) 一种基于多机器人激光slam和视觉slam地图融合与拼接方法
US11763492B1 (en) Apparatus and methods to calibrate a stereo camera pair
CN113110466B (zh) 一种用于agv机器人的高灵敏度避障系统及方法
Ramasubramanian et al. On the enhancement of firefighting robots using path-planning algorithms
CN114812539A (zh) 地图探索、地图使用方法、装置、机器人和存储介质
CN112747752B (zh) 基于激光里程计的车辆定位方法、装置、设备和存储介质
CN112393719B (zh) 一种栅格语义地图生成方法、装置以及存储设备
Badalkhani et al. Multi-robot SLAM in dynamic environments with parallel maps
CN111123279B (zh) 一种融合nd和icp匹配的移动机器人重定位方法
CN111708046A (zh) 一种障碍物的平面数据的处理方法、装置、电子设备及存储介质
Orlov et al. Machine vision system for autonomous agricultural vehicle
US20230377307A1 (en) Method for detecting an object based on monocular camera, electronic device, and non-transitory storage medium storing the method
Gao et al. Path planning under localization uncertainty.
Chen et al. Rapid scan-to-building information modeling using robotics and artificial intelligence for construction applications
Kuriakose et al. Distance estimation methods for smartphone-based navigation support systems
Martinez Acosta et al. Drone Navigation Using Octrees and Object Recognition for Intelligent Inspections
CN117537803B (zh) 机器人巡检语义-拓扑地图构建方法、系统、设备及介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20931389

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20931389

Country of ref document: EP

Kind code of ref document: A1