一种基于机器人体积的移动机器人路径规划方法与流程

1.本发明涉及路径规划、信号处理、物联网的技术领域，尤其涉及一种基于机器人体积的移动机器人路径规划方法。


背景技术：

2.机器人在运行中的代价，应该从以下几个方面考虑：机器人的体积，在理想环境中，机器人在地图上仅仅是一个点，并不考虑其体积带来的影响，然而，在实际应用中，我们希望机器人不仅能避开障碍物，还能与障碍物保持一定的安全距离，在经典的路径搜索算法中，为了保证搜索结果为最短路径，往往会出现最终路径紧贴着障碍物或墙壁等限制的情况，这种路径虽然运动距离最短，但会带来机器人和障碍物边缘碰撞的危险，也不利于机器人转向等运动动作；机器人的运动距离，从常识我们可以得知，在运动环境基本一致的情况下，机器人的运动能耗与运动距离成正相关，即运动距离越远，则其所消耗的能量越大，对于移动机器人系统来说，我们希望在完成机器人运动目标的前提下尽可能降低机器人的运动距离，这一点利用路径规划的经典算法即可以做到。
3.除此之外，相比于dijkstra算法，虽然a*算法加入了启发函数使得路径搜索效率有了非常大的提升，但对于较为复杂的或者大范围的运动环境，a*算法在实际应用所表现出的搜索效率仍然不能令人满意；这是因为经典a*算法中的启发函数是一种对当前节点和目标节点距离的估计，若在理想无障碍的情况下，这种估计是完全准确的，则可以实现a*算法完全按照最优路径去搜索，这种条件下搜索效率最高；但是在有障碍物或者较为复杂的实际环境中，启发函数往往不能准确估计这个距离，若启发函数的估计距离值较实际距离值偏大，则算法给出的路径可能不是最短路径；反之，若启发函数的估计距离值较实际距离值偏小，则算法可以给出最有解，但启发函数偏小的程度越大，则算法需要搜索的节点越多，总体的时间效率越低。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述现有存在的问题，提出了本发明。
6.因此，本发明解决的技术问题是：现有技术中移动机器人的工作效率低，且移动机器人很容易与障碍物发生不必要的碰撞，尤其是在转角处，有一定尺寸的移动机器人几乎一定会与这个障碍物的边角发生碰撞。
7.为解决上述技术问题，本发明提供如下技术方案：采集所使用的移动机器人的外形尺寸信息，实时测量移动机器人运动过程中与障碍物的距离；基于所述尺寸信息以及所述距离数据，实时计算移动机器人的运动代价，将所述运动代价加入a*算法的总代价函数中，得到优化后的a*算法代价函数；根据所述优化后的a*算法代价函数对具有所述障碍物
的环境进行路径规划，得到与所述障碍物保持预设距离的路径。
8.作为本发明所述的基于机器人体积的移动机器人路径规划方法的一种优选方案，其中：利用测距传感器实时测量所述移动机器人运动过程中与所述障碍物的距离。
9.作为本发明所述的基于机器人体积的移动机器人路径规划方法的一种优选方案，其中：所述a*算法的总代价函数包括，
10.f(n)＝g(n) h(n)
11.其中，g(n)表示从初始节点到任意节点n的代价，h(n)表示从节点n到目标节点的启发式评估代价。
12.作为本发明所述的基于机器人体积的移动机器人路径规划方法的一种优选方案，其中：所述a*算法对于无法穿过的障碍物利用 ∞来描述其代价。
13.作为本发明所述的基于机器人体积的移动机器人路径规划方法的一种优选方案，其中：定义所述障碍物附近某个节点对于移动机器人的运动代价包括，
[0014][0015]
其中，d表示机器人中心距离障碍物的距离，d0表示机器人的外形尺寸，w1表示权重系数，e表示自然底数，σ为标准差，表示曲线宽度。
[0016]
作为本发明所述的基于机器人体积的移动机器人路径规划方法的一种优选方案，其中：将所述运动代价加入a*算法的总代价函数中，得到优化后的a*算法代价函数包括，
[0017]
f(n)＝g(n) h(n) r1(n)。
[0018]
作为本发明所述的基于机器人体积的移动机器人路径规划方法的一种优选方案，其中：判断所述移动机器人与所述障碍物是否发生碰撞的标准包括，在与所述障碍物之间的距离小于所述移动机器人的尺寸时，其代价为 ∞，即所述移动机器人在这种条件下先会与障碍物放生碰撞；在与所述障碍物之间的距离大于所述移动机器人的尺寸时，其代价值呈高斯函数衰减，即在一定范围内所述移动机器人远离障碍物。
[0019]
作为本发明所述的基于机器人体积的移动机器人路径规划方法的一种优选方案，其中：所述预设距离包括大于d0。
[0020]
本发明的有益效果：本发明可以提前开始对障碍物进行避让距离判断，可以在缩小算法时间复杂度的基础上有效的避免与障碍物的冲突。
附图说明
[0021]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0022]
图1为本发明一个实施例提供的一种基于机器人体积的移动机器人路径规划方法的基本流程示意图；
[0023]
图2为本发明一个实施例提供的一种基于机器人体积的移动机器人路径规划方法的机器人体积与障碍物距离示意图；
[0024]
图3为本发明一个实施例提供的一种基于机器人体积的移动机器人路径规划方法
的经典a*算法在栅格地图下利用欧式距离的路径规划结果示意图；
[0025]
图4为本发明一个实施例提供的一种基于机器人体积的移动机器人路径规划方法的考虑机器人体积后路径a*算法路径搜索结果对比示意图。
具体实施方式
[0026]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
[0027]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0028]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0029]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0030]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0031]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0032]
实施例1
[0033]
参照图1～2，为本发明的一个实施例，提供了一种基于机器人体积的移动机器人路径规划方法，包括：
[0034]
s1：采集所使用的移动机器人的外形尺寸信息，实时测量移动机器人运动过程中与障碍物的距离；
[0035]
其中，利用测距传感器实时测量移动机器人运动过程中与障碍物的距离。
[0036]
s2：基于尺寸信息以及距离数据，实时计算移动机器人的运动代价，将运动代价加入a*算法的总代价函数中，得到优化后的a*算法代价函数；
[0037]
具体的，a*算法的总代价函数包括：
[0038]
f(n)＝g(n) h(n)
[0039]
其中，g(n)表示从初始节点到任意节点n的代价，h(n)表示从节点n到目标节点的启发式评估代价。
[0040]
a*算法对于无法穿过的障碍物利用 ∞来描述其代价。
[0041]
定义障碍物附近某个节点对于移动机器人的运动代价包括：
[0042][0043]
其中，d表示机器人中心距离障碍物的距离，d0表示机器人的外形尺寸，w1表示权重系数，e表示自然底数，σ为标准差，表示曲线宽度，如图2所示。
[0044]
将运动代价加入a*算法的总代价函数中，得到优化后的a*算法代价函数包括：
[0045]
f(n)＝g(n) h(n) r1(n)。
[0046]
s3：根据优化后的a*算法代价函数对具有障碍物的环境进行路径规划，得到与障碍物保持预设距离的路径。
[0047]
具体的，判断移动机器人与障碍物是否发生碰撞的标准包括：
[0048]
在与障碍物之间的距离小于移动机器人的尺寸时，其代价为 ∞，即移动机器人在这种条件下先会与障碍物放生碰撞；
[0049]
在与障碍物之间的距离大于移动机器人的尺寸时，其代价值呈高斯函数衰减，即在一定范围内移动机器人远离障碍物；
[0050]
其中，预设距离包括大于d0。
[0051]
本发明在计算代价时，不仅仅把距离当作唯一的评价标准，还将机器人体积作为代价函数的评价标准，使得优化目标为重新定义的总代价函数最小；另外，通过对启发函数算法的优化，使得启发函数能在有障碍物的情况下更准确地估计当前节点和目标节点之间的关系，从而在同等条件下，减少优化后的算法所需要搜索的总节点数，从而显著地提高优化后算法的时间效率。
[0052]
实施例2
[0053]
参照图3～4为本发明另一个实施例，该实施例不同于第一个实施例的是，提供了一种基于机器人体积的移动机器人路径规划方法的验证测试，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
[0054]
如图3所示，传统的经典a*算法给出的路径有许多不必要的转弯，这会极大地影响机器人的工作效率且在实际应用的过程中，移动机器人很容易与障碍物发生不必要的碰撞；为验证本方法相对传统方法具有较高工作效率且能够有效的避免与障碍物的冲突，因此，本实施例中将采用传统a*算法和本方法分别对移动机器人的工作效率进行实时测量对比。实验结果如图4所示，从图中可以看出，在进行代价函数的优化之前，所得到的路径可以完成绕开障碍并搜索最短路径的任务，然而，优化前所得到的路径是沿着障碍物的边缘前进的，在实际应用的过程中，移动机器人很容易与障碍物发生不必要的碰撞，尤其是在转角处(图中障碍物的右上角)，有一定尺寸的移动机器人几乎一定会与这个障碍物的边角发生碰撞，而图中优化后的路径结果(虚线)，则提前开始了对障碍物的避让，这样所得到的路径在移动机器人的运动距离上可能会较优化前的经典a*函数有所增加，但是可以有效的避免与障碍物的冲突，另外，经过优化后的路径仅仅在障碍物附近会表现出与经典a*算法的不同，如图4所示，优化前与优化后的两条路径在前后两端的路径是完全重合的。
[0055]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳
实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。