多机集群环境风险共享与协同路径规划方法、系统及介质与流程

摘要: 本发明涉及多机协同路径规划,特别是一种多机集群环境风险共享与协同路径规划方法、系统及介质。背景技术:1、多机器人集群协同作业在矿井、灾区、工业现场等复杂环境中具...
多机集群环境风险共享与协同路径规划方法、系统及介质与流程

本发明涉及多机协同路径规划,特别是一种多机集群环境风险共享与协同路径规划方法、系统及介质。

背景技术:

1、多机器人集群协同作业在矿井、灾区、工业现场等复杂环境中具有显著优势。现有集群机器人通常采用点云共享、占据网格地图等分布式建图方式实现环境信息同步,并基于几何障碍物信息开展路径规划。然而,现有技术存在以下不足:

2、其一,稠密点云或网格地图数据量较大,在带宽受限、通信不稳定的场景下易引发传输延迟,进而影响集群的实时响应能力。

3、其二,几何地图仅能反映地形形态,无法感知地面的物理属性。当单台机器人因打滑、陷落或失稳出现动力学异常时,该风险难以被量化并传递至集群其他成员,导致后续机器人重复遭遇相同失败。

4、其三,缺乏轻量化的风险表达与传播机制,集群无法将动力学风险高效融入路径规划的代价函数,使得规划结果虽在几何层面可行,但在动力学层面存在安全隐患。

5、因此,现有技术缺少一种能够在多机集群环境下,实现动力学风险低开销表达与快速共享的协同路径规划方法。

技术实现思路

1、为解决上述技术问题,本发明提供了一种多机集群环境风险共享与协同路径规划方法,其包括以下步骤:

2、获取集群中任一机器人的实时运动状态数据;

3、当根据所述实时运动状态数据检测到滑移事件、足端陷深超限事件或机身姿态突变事件时,计算当前区域的物理特征参数;所述物理特征参数包括摩擦系数估计值、地形顺性系数以及不稳定性指数;

4、将所述物理特征参数与当前区域的空间位置信息编码为动力学风险符号节点;所述动力学风险符号节点包括节点坐标、节点类型、风险等级以及关键物理参数;

5、将所述动力学风险符号节点关联至本地的神经符号拓扑地图,并广播至集群;所述神经符号拓扑地图存储有来自集群中多个机器人的动力学风险符号节点;

6、响应于路径规划任务,从所述神经符号拓扑地图中提取风险项,并将所述风险项集成至路径规划的代价函数中,以生成规划路径。

7、可选的,所述实时运动状态数据包括足端水平切向力、足端垂直正压力、足端在垂直方向上的沉陷位移增量、零力矩点到支撑多边形边界的最小距离、安全稳定裕度系数、机身实测角速度与参考角速度;

8、所述摩擦系数估计值基于所述足端水平切向力与足端垂直正压力的比值计算;

9、所述地形顺性系数基于足端垂直正压力增量与所述沉陷位移增量的比值计算;

10、所述不稳定性指数基于所述最小距离、安全稳定裕度系数、机身实测角速度与参考角速度的偏差计算。

11、可选的,将所述物理特征参数与当前区域的空间位置信息编码为动力学风险符号节点,包括:

12、以风险区域的空间位置信息作为节点坐标,根据所述摩擦系数估计值或所述地形顺性系数映射得到的风险类型枚举值作为节点类型,以所述不稳定性指数作为风险等级,以所述摩擦系数估计值和/或地形顺性系数作为关键物理参数,并根据预设的神经符号映射函数生成字节级的数据结构,作为动力学风险符号节点;所述动力学风险符号节点被配置为能够作为硬约束条件直接嵌入至模型预测控制器的优化问题中,以约束机器人的可行状态空间。

13、可选的,将所述动力学风险符号节点关联至本地的神经符号拓扑地图,并广播至集群,包括:

14、将所述动力学风险符号节点关联至本地的神经符号拓扑地图,并将该动力学风险符号节点通过局域网广播至集群中的其他机器人;

15、接收来自集群中其他机器人广播的动力学风险符号节点,并作为新节点插入所述神经符号拓扑地图;

16、针对所述神经符号拓扑地图中的各动力学风险符号节点,分别以各动力学风险符号节点的节点坐标为中心,采用高斯过程回归或径向基函数向周边区域扩散风险影响因子,并将扩散结果叠加生成连续分布的虚拟风险代价场。

17、可选的,从所述神经符号拓扑地图中提取风险项,并将所述风险项集成至路径规划的代价函数中,以生成规划路径,包括:

18、采用以下方式中的至少一种从所述虚拟风险代价场中提取风险项:

19、计算候选路径上各路径段的虚拟风险代价场值的线积分,将所述线积分作为风险项累加至代价函数;或者,基于高斯过程回归计算候选路径所覆盖区域的虚拟风险代价场的期望值与方差值,以及风险厌恶系数与所述方差值的乘积,再将所述期望值与乘积之和作为风险项累加至代价函数;或者,提取候选路径所覆盖区域内的虚拟风险代价场峰值,将所述峰值作为硬约束条件嵌入至模型预测控制器的优化问题中,以限定代价函数求解过程中的可行状态空间;

20、基于集成所述风险项后的代价函数进行路径搜索或轨迹优化,以生成规划路径。

21、可选的,所述方法还包括:当所述规划路径无法避开风险区域时,根据所述动力学风险符号节点中的风险类型调整步态控制参数;

22、若所述风险类型为湿滑地面,生成用于降低质心高度、减小步幅并提高步频的步态控制指令;

23、若所述风险类型为松软地面,生成用于增大足端与地面接触面积并降低阻抗控制器刚度系数的步态控制指令。

24、可选的,所述动力学风险符号节点还包括生存时间属性;

25、所述方法还包括:在将所述动力学风险符号节点关联至本地神经符号拓扑地图后,启动对已存动力学风险符号节点的计时;

26、当任一已存动力学风险符号节点的生存时间超期且未收到来自集群的更新验证信息时,自动降低该已存动力学风险符号节点的风险等级或将其从神经符号拓扑地图中移除。

27、可选的,所述集群中至少包括两种不同运动学模型的机器人;

28、所述方法还包括:获取当前机器人的运动学模型;

29、根据所述运动学模型,将同一动力学风险符号节点中的物理特征参数转换为与当前机器人运动学模型相匹配的风险代价值。

30、与所述多机集群环境风险共享与协同路径规划方法相对应的,本发明提供一种多机集群环境风险共享与协同路径规划系统,其包括:

31、数据获取模块,用于获取集群中任一机器人的实时运动状态数据;

32、计算模块,用于当根据所述实时运动状态数据检测到滑移事件、足端陷深超限事件或机身姿态突变事件时,计算当前区域的物理特征参数;所述物理特征参数包括摩擦系数估计值、地形顺性系数以及不稳定性指数;

33、编码模块,用于将所述物理特征参数与当前区域的空间位置信息编码为动力学风险符号节点;所述动力学风险符号节点包括位置坐标、风险类型、风险等级以及关键物理参数;

34、神经符号拓扑地图更新模块,用于将所述动力学风险符号节点关联至本地的神经符号拓扑地图,并广播至集群;所述神经符号拓扑地图存储有来自集群中多个机器人的动力学风险符号节点;

35、路径规划模块,用于响应路径规划任务,从所述神经符号拓扑地图中提取风险项,并将所述风险项集成至路径规划的代价函数中,以生成规划路径。

36、此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有多机集群环境风险共享与协同路径规划程序,所述多机集群环境风险共享与协同路径规划程序被处理器执行时实现如上文所述的多机集群环境风险共享与协同路径规划方法的步骤。

37、与现有技术相比,本发明具有如下有益效果:

38、(1)通过将实时运动状态数据检测到的滑移事件、足端陷深超限事件或机身姿态突变事件量化为包含摩擦系数估计值、地形顺性系数及不稳定性指数的物理特征参数,并与当前区域的空间位置信息编码为轻量化的动力学风险符号节点,实现了动力学风险的字节级低开销表达,显著降低了集群通信带宽需求;通过将该节点关联至本地的神经符号拓扑地图并广播至集群,使得集群成员能够共享非几何层面的地面物理属性信息,避免后续机器人在相同区域重复遭遇打滑、陷落或失稳;通过从神经符号拓扑地图中提取风险项并集成至路径规划的代价函数,使得规划路径在几何层面可行的同时被动力学安全边界所约束,从而直接解决了稠密几何地图数据量大导致传输延迟、几何地图无法感知地面物理属性以及缺乏轻量化风险传播与融入机制的技术问题。

39、(2)通过计算当前区域的物理特征参数,使得物理特征参数能够直接从机器人足端与地面交互的力学量以及机身姿态动力学响应中解耦获得,从而为动力学风险的量化提供了与机器人-地面物理交互过程直接对应的数值表征基础。

40、(3)通过以风险区域的空间位置信息作为节点坐标、以摩擦系数估计值或地形顺性系数映射得到的风险类型枚举值作为节点类型、以不稳定性指数作为风险等级、以摩擦系数估计值和/或地形顺性系数作为关键物理参数,并根据预设的神经符号映射函数生成字节级的数据结构,使得动力学风险符号节点具有统一且极低数据量的表达格式,可直接适配集群广播的带宽约束;同时,通过将该节点配置为能够作为硬约束条件直接嵌入至模型预测控制器的优化问题中,使得风险信息无需经过复杂中间转换即可直接约束机器人的可行状态空间,实现了风险表达与底层运动控制之间的语义直通。

41、(4)通过将动力学风险符号节点关联至本地的神经符号拓扑地图并通过局域网广播至集群中的其他机器人,同时接收来自其他机器人广播的节点并作为新节点插入地图,实现了集群范围内动力学风险信息的分布式汇聚与双向同步;通过以各动力学风险符号节点的节点坐标为中心,采用高斯过程回归或径向基函数向周边区域扩散风险影响因子,并将扩散结果叠加生成连续分布的虚拟风险代价场,使得离散的符号化风险节点被转化为覆盖连续空间且具备空间可微性的风险分布表征,从而为路径规划提供了能够进行积分、期望与极值运算的场域化数学基础。

42、(5)通过将虚拟风险代价场以线积分、期望值与方差加权和或峰值硬约束中的至少一种方式提取为风险项并集成至代价函数,使得路径规划能够在不同风险敏感需求下选择相应的数学表征;线积分方式实现了候选路径段整体风险暴露的累积度量,期望值与风险厌恶系数和方差值乘积之和的方式兼顾了风险平均水平和不确定性规避,峰值硬约束方式则将极端风险直接限定为模型预测控制优化问题的可行边界;上述多种提取方式与代价函数的协同集成,使得路径搜索或轨迹优化能够在几何可行解空间中进一步筛选出满足动力学安全约束的规划路径。

43、(6)当规划路径无法避开风险区域时,通过根据动力学风险符号节点中的风险类型自适应调整步态控制参数,使得机器人能够在必须穿越风险区域的情况下维持运动稳定性;具体而言,针对湿滑地面生成用于降低质心高度、减小步幅并提高步频的步态控制指令,能够有效抑制足端滑移并缩短单足支撑相的失稳窗口;针对松软地面生成用于增大足端与地面接触面积并降低阻抗控制器刚度系数的步态控制指令,能够减小接地压强并避免足端过度沉陷,从而使机器人在风险区域内的步态能够主动适配地形物理属性。

44、(7)通过为动力学风险符号节点设置生存时间属性并在关联至本地神经符号拓扑地图后启动计时,使得风险信息具有时效性约束;当已存节点的生存时间超期且未收到来自集群的更新验证信息时,自动降低该已存节点的风险等级或将其从神经符号拓扑地图中移除,从而避免了因环境物理属性随时间变化而导致的过时风险信息持续占用地图存储空间并干扰后续路径规划决策,确保神经符号拓扑地图中保留的风险信息与环境当前状态保持动态一致。

45、(8)通过在包含至少两种不同运动学模型的集群中,获取当前机器人的运动学模型,并将同一动力学风险符号节点中的物理特征参数转换为与当前机器人运动学模型相匹配的风险代价值,使得由不同构型机器人采集并共享的动力学风险原始物理量,能够被异构机器人映射为与自身动力学约束相符的个性化风险度量,从而实现了异构集群间动力学风险信息的语义兼容与可复用共享。