机器人运动路径的规划方法、装置、终端设备及介质

1.本技术属于机器人技术领域，尤其涉及一种机器人运动路径的规划方法、装置、终端设备及介质。


背景技术：

2.目前，随着机器人的结构和工作空间日益复杂，机器人高维空间下的运动规划成为重点问题和研究方向。机器人的运动规划方法是基于搜索的策略，通过将地图栅格化或建立图来执行搜索算法，由于高维空间下的搜索空间显著增大，可能会导致搜索效率较低，适用性较差。基于此，产生了随机采样策略，该随机采样策略通过构建随机搜索树来进行路径规划，对高维空间能够实现快速搜索，适用于机器人高维空间下的路径规划。但是由于采样策略的随机性，无法保证规划出的路径的质量，并且从找到初始路径后，优化到最优路径的收敛过程也需耗费大量时间，导致规划的效率较低。


技术实现要素：

3.有鉴于此，本技术实施例提供了一种机器人运动路径的规划方法、装置、终端设备及介质，以解决现有技术规划路径时效率较低的问题。
4.第一方面，本技术实施例提供一种机器人运动路径的规划方法，所述规划方法包括：
5.获取所述机器人所在三维空间的障碍物环境地图；
6.从所述障碍物环境地图中非障碍物的空间内选取两点作为所述机器人的起点和终点，生成三维空间图，所述三维空间图包括所述起点和所述终点在所述三维空间中的位置信息；
7.将所述障碍物环境地图和所述三维空间图输入训练好的卷积神经网络模型，得到所述机器人从所述起点至所述终点的可行域；
8.对所述可行域进行离散化处理，得到启发点集合，所述启发点集合为所述可行域离散化处理后产生的点的集合；
9.根据所述启发点集合，结合快速随机搜索树，规划得到所述机器人从所述起点至所述终点的运动路径。
10.第二方面，本技术实施例提供一种机器人运动路径的规划装置，所述规划装置包括：
11.环境地图获取模块，用于获取所述机器人所在三维空间的障碍物环境地图；
12.空间图生成模块，用于从所述障碍物环境地图中非障碍物的空间内选取两点作为所述机器人的起点和终点，生成三维空间图，所述三维空间图包括所述起点和所述终点在所述三维空间中的位置信息；
13.可行域确定模块，用于将所述障碍物环境地图和所述三维空间图输入训练好的卷积神经网络模型，得到所述机器人从所述起点至所述终点的可行域；
14.启发点确定模块，用于对所述可行域进行离散化处理，得到启发点集合，所述启发点集合为所述可行域离散化处理后产生的点的集合；
15.运动路径规划模块，用于根据所述启发点集合，结合快速随机搜索树，规划得到所述机器人从所述起点至所述终点的运动路径。
16.第三方面，本技术实施例提供一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的规划方法。
17.第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的规划方法。
18.第五方面，本技术实施例提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面所述的规划方法。
19.本技术实施例与现有技术相比存在的有益效果是：本技术通过将机器人所在三维空间的障碍物环境地图，以及在该障碍物环境地图中选取的起点和终点，输入训练好的卷积神经网络模型，确定机器人在该三维空间内的从起点至终点的可行域，并根据可行域确定启发点集合，将启发点集合与快速随机搜索树结合规划机器人从起点至终点的运动路径，避免在三维空间中随机选取启发点进行路径规划，从而可以有效地找到运动路径，减少路径规划收敛的时间，提高了路径规划的效率。
附图说明
20.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术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技术的一些实施例，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他的附图。
21.图1是本技术实施例一的提供的一种机器人运动路径的规划方法的流程示意图；
22.图2是本技术实施例一提供的一种卷积神经网络模型的示意图；
23.图3是本技术实施例二的提供的一种机器人运动路径的规划方法的流程示意图；
24.图4是本技术实施例三提供的一种机器人运动路径的规划装置的结构示意图；
25.图5是本技术实施例四提供的一种终端设备的结构示意图。
具体实施方式
26.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
27.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
28.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
29.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0030]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0031]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0032]
本技术实施例提供的一种机器人运动路径的规划方法可以应用于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本、云端服务器、个人数字助理(personal digital assistant，pda)等设备上，以上设备可以设置在机器人上，也可以不设置在机器人上，本技术实施例对终端设备的具体类型不作任何限制。
[0033]
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0034]
为了说明本技术的技术方案，下面通过具体实施例来进行说明。
[0035]
参见图1，是本技术实施例一提供的一种机器人运动路径的规划方法的流程示意图，如图1所示，该规划方法可以包括以下步骤：
[0036]
步骤s101，获取机器人所在三维空间的障碍物环境地图。
[0037]
其中，三维空间可以是指机器人所处并且进行运动的空间，三维空间的某一处或者某些处可能设置有障碍物，机器人运动需避开障碍物。机器人上的终端设备可以通过设置在机器人上的环境采集设备对所在三维空间内障碍物环境地图进行采集。障碍物环境地图包括障碍物的位置、高度、长度、宽度、几何形状等信息。障碍物环境地图可以使用体素表示，通过在指定空间中随机生成不同数目的立方体而得到，立方体所占体素表示障碍物，其余体素表示可行空间。
[0038]
在一种实现方式中，终端设备连接环境采集设备，由环境采集设备将机器人所在三维空间的障碍物环境地图采集后发送给该终端设备。
[0039]
步骤s102，从障碍物环境地图中非障碍物的空间内选取两点作为机器人的起点和终点，生成三维空间图。
[0040]
其中，三维空间内除障碍物占用的空间外的空间为非障碍物的空间，从该非障碍物的空间内随机选取两个点，并记录其位置信息，一个表示起点，一个表示终点。起点和终点的位置信息用于生成三维空间图，其中，三维空间图可以是指除去所有障碍物的三维空间的三维环境图，根据起点和终点的位置信息，在该三维环境图中标记起点和终点。三维空间图可以使用体素表示，在三维空间图中将两点的体素进行标记即可。
[0041]
三维空间图和障碍物环境地图均为基于三维空间的地图，三维空间图和障碍物环境地图的尺寸相同，均为a*b*c。
[0042]
步骤s103，将障碍物环境地图和三维空间图输入训练好的卷积神经网络模型，得到机器人从起点至终点的可行域。
[0043]
其中，卷积神经网络可以设置有输入层、编码器、解码器以及输出层。输入层可以包括环境地图输入层和起止点输入层，环境地图输入层用于输入障碍物环境地图，起止点输入层用于输入三维空间图。训练好的卷积神经网络模型可以根据输入的障碍物环境地图和三维空间图，生成可以从起点行至终点的所有路径，即可行路径，该可行路径为所有路径的集合，在三维空间内形成的区域即为可行域。
[0044]
可选的是，训练好的卷积神经网络模型包括输入层、n个编码器、n个解码器和输出层，n为大于1的整数，将障碍物环境地图和三维空间图输入训练好的卷积神经网络模型，得到机器人从起点至终点的可行域包括：
[0045]
通过输入层，将障碍物环境地图和三维空间图的特征进行拼接，得到拼接结果；
[0046]
使用n个编码器对拼接结果进行卷积编码，得到编码结果；
[0047]
使用n个解码器对编码结果进行反卷积解码，得到解码结果；
[0048]
将解码结果输入输出层，得到从起点至终点的概率路线图；
[0049]
对概率路线图进行二值化处理，得到概率路线图的二值图；
[0050]
确定二值图中的目标像素点所构成的区域为可行域，目标像素点为灰度值为目标值的像素点。
[0051]
其中，编码器和解码器的数量相同，输出层输出的概率路线图与障碍物环境地图、三维空间图的尺寸相同为a*b*c。
[0052]
概率路线图可以是指三维空间图中从起点避开障碍物环境地图的障碍物到达终点的所有路线的集合。
[0053]
环境地图输入层和起止点输入层均可以由卷积层-批标准化层-relu函数层构成，分别用于编码障碍物环境地图和三维空间图的信息，编码器可以由卷积层-批标准化层-relu函数层构成，解码器可以由反卷积层-批标准化层-relu函数层构成，输出层可以由卷积层-批标准化层-sigmoid函数层构成。
[0054]
环境地图输入层和起止点输入层输出的特征沿通道进行拼接，得到拼接结果。将拼接结果传递给编码器进行特征编码，再将编码结果传递给解码器进行特征解码，将解码结果输入输出层，可以得到起点至终点的概率路线图，将概率路线图进行二值化处理，得到二值图，其中二值图中灰度值为目标值的像素点构成的区域为可行域。例如，若目标值为0，则二值图中灰度值为0的像素点构成的区域表示可行域。
[0055]
如图2所示，为一种卷积神经网络模型的示意图，其中，包括三个编码器和三个解码器。三个编码器从左至右输出的特征图像尺寸比例分别为输入的图像的1/2、1/4、1/8。从左至右的前两个解码器的特征图像为输入的图像的1/4、1/2，最后一个解码器的特征图像与输入图像尺寸相同，其中，每个解码器输入同尺寸编码器输出的特征及其上层解码器输出的特征。图2中元素即为图像中的体素。
[0056]
对障碍物环境地图和三维空间图进行多次卷积编码，提取多层编码特征，多个编码器的分辨率逐层递减；将编码特征执行多次反卷积解码，得到同输入分辨率的解码图像；
将编码过程中每个分辨率编码特征向解码过程中的对应分辨率的解码特征沿通道进行拼接传递，得到最终的解码图像；将最终的解码图像进行处理并进行阈值化，得到可行域。
[0057]
步骤s104，对可行域进行离散化处理，得到启发点集合。
[0058]
其中，启发点集合为可行域离散化后产生的点的集合。
[0059]
从步骤s103中可得到可行域，该可行域也就是三维空间中的区域，可以被认为是点的集合，为了实现快速的路径规划，需要从可行域中提取有限的点，并保证提取点的有效性。因此，采用对可行域进行离散化，离散化后产生的点构成启发点集合。
[0060]
步骤s105，根据启发点集合，结合快速随机搜索树，规划得到机器人从起点至终点的运动路径。
[0061]
其中，快速随机搜索树可以是采用快速随机搜索树算法，以根节点和启动节点为基础，进行逐步搜索，得到从根节点至启动节点之后节点的连接线。启动节点可以是从启发点集合中选取的点，根节点可以是指上述起点。
[0062]
快速随机搜索树算法在初始化时快速随机搜索树t只包含一个节点：根节点。首先，sample函数从三维空间中随机选择一个采样点作为启动节点qrand；然后nearest函数从快速随机搜索树中选择一个启动节点qrand的距离最近的节点qnearest；最后extend函数通过从节点qnearest向启动节点qrand扩展一段距离，得到一个新的节点qnew。如果节点qnew与障碍物发生碰撞，则extend函数返回空，放弃这次生长，否则将节点qnew加入到快速随机搜索树中。重复上述步骤直到节点qnearest和终点qgoal距离小于一个阈值，则代表快速随机搜索树到达了终点，算法返回成功。为了使算法可控，可以设定运行时间上限或搜索次数上限，如果在限制次数内无法到达终点，则算法返回失败。
[0063]
本技术实施例通过将机器人所在三维空间的障碍物环境地图，以及在该障碍物环境地图中选取的起点和终点，输入训练好的卷积神经网络模型，确定机器人在该三维空间内的从起点至终点的可行域，并根据可行域确定启发点集合，将启发点集合与快速随机搜索树结合规划机器人从起点至终点的运动路径，避免在三维空间中随机选取启发点进行路径规划，从而可以有效地找到运动路径，减少路径规划收敛的时间，提高了路径规划的效率。
[0064]
参见图3，是本技术实施例二提供的一种机器人运动路径的规划方法的流程示意图，该规划方法可用于终端设备，如图3所示，该规划方法可以包括以下步骤：
[0065]
步骤s301，获取机器人所在三维空间的障碍物环境地图。
[0066]
步骤s302，从障碍物环境地图中非障碍物的空间内选取两点作为机器人的起点和终点，生成三维空间图。
[0067]
步骤s303，将障碍物环境地图和三维空间图输入训练好的卷积神经网络模型，得到机器人从起点至终点的可行域。
[0068]
步骤s304，获取启发点集合。
[0069]
其中，步骤s301和步骤s304与上述步骤s101和步骤s104的内容相同，可以参考上述步骤s101和步骤s104的描述，在此不再赘述。
[0070]
步骤s305，根据启发点集合，以起点作为根节点，建立快速随机搜索树。
[0071]
步骤s306，使用随机数生成函数生成随机数。
[0072]
其中，随机数生成函数能够生成随机数或者在一定范围内生成随机数，随机数可
以为整数或非整数。
[0073]
步骤s307，在随机数小于数值阈值时，从启发点集合中随机采样，确定第一随机采样点。
[0074]
将随机数与数值阈值进行比较，用于判断是否使用启发点集合中的点作为启动节点，在随机数小于数值阈值时，使用启发点集合中的点作为启动节点，进行快速随机搜索树的构建。由于启发点集合仅为三维空间的一部分，因此，其对应的采样为启发式非均匀采样。
[0075]
例如，该数值阈值为0.8，使用随机数生成函数生成随机数ratio，在随机数ratio小于0.8时，选择使用启发点集合。
[0076]
由于启发点集合中的点分布于可行路径可能存在的区域，因此，启发式非均匀采样提升了运动规划算法的找到初始路径的质量和收敛到最优路径的时间。
[0077]
步骤s308，根据根节点和第一随机采样点，使用寻找最近点、碰撞检测、连线、重布线，检测快速随机搜索树的节点中是否包括终点。
[0078]
其中，以起点作为快速随机搜索树的根节点，以第一随机采样点作为启动节点，开始执行寻找最近点、连接、碰撞检测、重布线优化等流程，从而可以检测所述快速随机搜索树的节点中是否包括所述终点。
[0079]
步骤s309，若快速随机搜索树的节点中包括终点，则根据快速随机搜索树中起点至终点的连接线，得到运动路径。
[0080]
其中，当快速随机搜索树的节点中包括终点时，表明快速随机搜索树的根节点能够与终点连接成线，而该快速随机搜索树中起点对应的根节点至终点的连接线，可以作为运动路径。
[0081]
若快速随机搜索树的节点中不包括终点，则返回执行使用随机数生成函数生成随机数的步骤，重复上述步骤s305至步骤s308。
[0082]
可选的是，根据快速随机搜索树中起点至终点的连接线，得到运动路径包括：
[0083]
检测快速随机搜索树中起点至终点的连接线的长度是否小于长度阈值；
[0084]
若检测到快速随机搜索树中起点至终点的连接线的长度小于长度阈值，则确定起点至终点的连接线的长度为运动路径；
[0085]
或者若检测到快速随机搜索树中起点至终点的连接线的长度大于或等于长度阈值，则减小数值阈值，并返回执行使用随机数生成函数生成随机数的步骤。
[0086]
其中，为了找到较优的路径，需要判断路径是否较短，因此，需要对上述规划路径的长度与长度阈值进行比较。
[0087]
而在检测到快速随机搜索树中起点至终点的连接线的长度大于或等于长度阈值时，可以减小数值阈值(即数值阈值为可变的阈值)，并返回执行用随机数生成函数生成随机数的步骤。其中，减小数值阈值，可以增加优化过程采点的随机性，从而实现路径的优化。
[0088]
可选的是，在使用随机数生成函数生成随机数之后，还包括：
[0089]
在随机数大于或者等于数值阈值时，从三维空间中随机采样，确定第二随机采样点；
[0090]
根据所述根节点和所述第二随机采样点，使用寻找最近点、碰撞检测、连线、重布线，检测所述快速随机搜索树的节点中是否包括所述终点；
[0091]
若快速随机搜索树的节点中包括终点，则根据快速随机搜索树中起点至终点的连接线，得到运动路径，或者若快速随机搜索树的节点中不包括终点，则返回执行使用随机数生成函数生成随机数的步骤。
[0092]
其中，在随机数大于或者等于数值阈值时，使用三维空间中的点作为启发点，进行路径规划，从三维空间随机采样的点作为启发点为启发式均匀采样。选择该启发式均匀采样，可以保证运动规划算法的概率完备性。在找到第二随机采样点之后，运动路径的优化与确定与上述随机数小于数值阈值的步骤相同，在此不再赘述。
[0093]
可选的是，根据快速随机搜索树中起点至终点的连接线，得到运动路径包括：
[0094]
检测快速随机搜索树中起点至终点的连接线的长度是否小于长度阈值；
[0095]
若检测到快速随机搜索树中起点至终点的连接线的长度小于长度阈值，则确定起点至终点的连接线的长度为运动路径；
[0096]
或者若检测到快速随机搜索树中起点至终点的连接线的长度大于或等于长度阈值，则减小数值阈值，并返回执行使用随机数生成函数生成随机数的步骤。
[0097]
同样地，为了找到较优的路径，需要判断路径是否较短，因此，需要对上述规划路径的长度与长度阈值进行比较。
[0098]
而在检测到快速随机搜索树中起点至终点的连接线的长度大于或等于长度阈值时，可以减小数值阈值(即数值阈值为可变的阈值)，并返回执行用随机数生成函数生成随机数的步骤。其中，减小数值阈值，可以增加优化过程采点的随机性，从而实现路径的优化。
[0099]
本技术实施例通过设计三维空间下的启发式随机采样策略，将启发点随机采样与三维空间随机采样相结合，增强了三维空间下随机采样策略的初始路径的质量，并提高路径优化的收敛速度。
[0100]
对应于上文实施例的机器人运动路径的规划方法，应用于终端设备，图4示出了本技术实施例三提供的机器人运动路径的规划装置的结构框图，为了便于说明，仅示出了与本技术实施例相关的部分。
[0101]
参见图4，该规划装置包括：
[0102]
环境地图获取模块41，用于获取机器人所在三维空间的障碍物环境地图；
[0103]
空间图生成模块42，用于从障碍物环境地图中非障碍物的空间内选取两点作为机器人的起点和终点，生成三维空间图，三维空间图包括起点和终点在三维空间中的位置信息；
[0104]
可行域确定模块43，用于将障碍物环境地图和三维空间图输入训练好的卷积神经网络模型，得到机器人从起点至终点的可行域；
[0105]
启发点确定模块44，用于对可行域进行离散化处理，得到启发点集合，启发点集合为可行域离散化处理后产生的点的集合；
[0106]
运动路径规划模块45，用于根据启发点集合，结合快速随机搜索树，规划得到机器人从起点至终点的运动路径。
[0107]
可选的是，训练好的卷积神经网络模型包括输入层、n个编码器、n个解码器和输出层，n为大于1的整数，可行域确定模块43包括：
[0108]
输入单元，用于通过输入层，将障碍物环境地图和三维空间图的特征进行拼接，得到拼接结果；
[0109]
编码单元，用于使用n个编码器对拼接结果进行卷积编码，得到编码结果；
[0110]
解码单元，用于使用n个解码器对编码结果进行反卷积解码，得到解码结果；
[0111]
输出单元，用于将解码结果输入输出层，得到从起点至终点的概率路线图；
[0112]
二值图确定单元，用于对概率路线图进行二值化处理，得到概率路线图的二值图；
[0113]
可行域确定单元，用于确定二值图中的目标像素点所构成的区域为可行域，目标像素点为灰度值为目标值的像素点。
[0114]
可选的是，运动路径规划模块45包括：
[0115]
搜索树建立单元，根据所述启发点集合，以所述起点作为根节点，建立快速随机搜索树；
[0116]
随机数产生单元，用于使用随机数生成函数生成随机数；
[0117]
第一采样单元，用于在随机数小于数值阈值时，从启发点集合中随机采样，确定第一随机采样点；
[0118]
第一检测单元，根据所述根节点和所述第一随机采样点，使用寻找最近点、碰撞检测、连线、重布线，检测所述快速随机搜索树的节点中是否包括所述终点；
[0119]
第一运动路径规划单元，用于若快速随机搜索树的节点中包括终点，则根据快速随机搜索树中起点至终点的连接线，得到运动路径，或者若快速随机搜索树的节点中不包括终点，则返回执行使用随机数生成函数生成随机数的步骤。
[0120]
可选的是，第一运动路径规划单元具体用于：
[0121]
检测快速随机搜索树中起点至终点的连接线的长度是否小于长度阈值；
[0122]
若检测到快速随机搜索树中起点至终点的连接线的长度小于长度阈值，则确定起点至终点的连接线的长度为运动路径；
[0123]
或者若检测到快速随机搜索树中起点至终点的连接线的长度大于或等于长度阈值，则减小数值阈值，并返回执行使用随机数生成函数生成随机数的步骤。
[0124]
可选的是，在使用随机数生成函数生成随机数之后，运动路径规划模块45还包括：
[0125]
第二采样单元，用于在随机数大于或者等于数值阈值时，从三维空间中随机采样，确定第二随机采样点；
[0126]
第二检测单元，用于根据所述根节点和所述第二随机采样点，使用寻找最近点、碰撞检测、连线、重布线，检测所述快速随机搜索树的节点中是否包括所述终点；
[0127]
第二运动路径规划单元，用于若快速随机搜索树的节点中包括终点，则根据快速随机搜索树中起点至终点的连接线，得到运动路径，或者若快速随机搜索树的节点中不包括终点，则返回执行使用随机数生成函数生成随机数的步骤。
[0128]
可选的是，第二运动路径规划单元具体用于：
[0129]
检测快速随机搜索树中起点至终点的连接线的长度是否小于长度阈值；
[0130]
若检测到快速随机搜索树中起点至终点的连接线的长度小于长度阈值，则确定起点至终点的连接线的长度为运动路径；
[0131]
或者若检测到快速随机搜索树中起点至终点的连接线的长度大于或等于长度阈值，则减小数值阈值，并返回执行使用随机数生成函数生成随机数的步骤。
[0132]
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再
赘述。
[0133]
图5为本技术实施例四提供的一种终端设备的结构示意图。如图5所示，该实施例的终端设备5包括：至少一个处理器50(图5中仅示出一个)、存储器51以及存储在存储器51中并可在至少一个处理器50上运行的计算机程序52，处理器50执行计算机程序52时实现上述任意各个机器人运动路径的规划方法实施例中的步骤。
[0134]
该终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的举例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0135]
所称处理器50可以是cpu，该处理器50还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0136]
存储器51在一些实施例中可以是终端设备5的内部存储单元，例如终端设备5的硬盘或内存。存储器51在另一些实施例中也可以是终端设备5的外部存储设备，例如终端设备5上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，存储器51还可以既包括终端设备5的内部存储单元也包括外部存储设备。存储器51用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如计算机程序的程序代码等。存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
[0137]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0138]
本技术实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述方法实施例中的步骤。
[0139]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0140]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0141]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0142]
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。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0143]
以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。