一种动态环境中机器人安全自主规划导航方法技术

本发明专利技术提供了一种动态环境中机器人安全自主规划导航方法，属于机器人导航领域；其特征在于主要包括如下步骤：动态障碍物表示法、表示法和假设、ASIPP算法、理论分析及时限图表示5个步骤；通过结合ARA*(实时A*规划方案)和用SIPP运行weight A*搜索能力把SIPP扩展成实时搜索，显著地提高了在大规模环境中的规划速度。除了提供实时规划方案之外，还提供了对解决方案代价的完整性和次优性理论的保证；在实际操作上，本发明专利技术在有着50个动态障碍物的巨大地图上规划时间并参数化路径，结果显示本发明专利技术能够基于时间范围为0.05秒内得到初始解决方案并且能够给予充足的时间来提升解决方案使其达到最优化。

【技术实现步骤摘要】
一种动态环境中机器人安全自主规划导航方法
本专利技术属于机器人导航领域，尤其涉及一种动态环境中机器人安全自主规划导航方法。
技术介绍
无论是自主巡航的机动车还是无人驾驶飞机，几乎所有的机器人都应该具备在人，宠物，汽车等移动个体面前从一个地方到另一个地方安全导航的能力。为了实现这个功能，机器人应该对动态障碍物近期可能处于的位置进行预判并同时产生一段的能够避免碰撞的路径。同时，由于机器人对动态障碍物轨迹的预测在持续变化，因此机器人也需要在很短的时间里来规划这些路径。如何在动态环境中以有限的时间规划可靠的路径显得至关重要。动态环境在时间域规划上构成实时约束。如果一个规划方案需要很长的时间来得到一个新路径，那么机器人很有可能和一个移动的障碍物发生碰撞。许多对动态障碍物的处理方法是将它们模型化成初始运行轨迹下的具有高代价的短窗口静态障碍物。这个方法非常有效率，但存在次优性的缺点；还有的方法是只在执行路径规划的情形下和使用相邻障碍物避免方法下来考虑动态障碍物(仍然将它们看作静态障碍物)，但是可能在局部小范围会出现停滞和卡顿；另一个对局部规划方案的替代方法是采用速度障碍物，速度障碍物能够决定和引导与移动障碍物碰撞的控制，尽管这个方法相对来说更加准确，但是它仍然会引起局部小范围问题；有一些方法在全面的时间-空间规划寻找路径。Silver’sHCA*算法是用来为多个机器人实现规划，但是只适用于很少的动态障碍物情形下，正如SIPP方法下的实验结果，而且该算法所花费的时间比实时时间要长。SIPP在动态环境下是一种快速的优化方案，由于对每个空间位置来说时间步长的数量是无限的，因此在状态空间中对时间进行划分来作为一个明确的维度相对相对较慢。SIPP把时间步长压缩成相邻的安全时间间隔指数。因此对于每个安全时间间隔和每个空间位置只有一个单独的状态。在线实现用时间来进行规划并同时需要处理动态障碍物是十分困难的，因为二次规划的连续需求在执行周期中强制形成严格的约束条件。为了明确实时约束条件，一系列的方法被用于牺牲其次优性来保证效率。RRT-variants在能够处理更多复杂机器人动态运动学约束下的高维度搜索空间来实现快速规划。然而，这些基于采样的方法不能够保证所争取的优化性。RRT*是一种近期任何时候基于采样的方法，这种方法在限制条件下能够得出优化方案。然而，当规划时间结束时，这个算法不能提供关于这个方案到底有多合适的任何相关信息，另一方面，对于每个解决方案，实时搜索策略在次优性与优化方案相比下有数值的上界。
技术实现思路
本专利技术的目的在于针对上述技术中存在的缺陷，提出了一种动态环境中机器人安全自主规划导航方法。通过结合ARA*(实时A*规划方案)和用SIPP运行weightA*搜索能力把SIPP扩展成实时搜索，在实时SIPP规划方案之上，从时间界限网格中采取时间范围。显著提高了机器人在大规模环境中规划速度；本专利技术除了提供实时规划方案之外，还提供了对解决方案代价的完整性和次优性理论的保证。为了实现上述目的，本专利技术提供的技术方案如下：一种动态环境中机器人安全自主规划导航方法，其特征在于包括如下步骤：步骤1、动态障碍物表示法：用特定的方法来表示环境中动态障碍物并统一这一表示；所述特定方法为：假设存在另一个能够跟踪环境中动态障碍物的系统，该系统存在一系列动态障碍物并且把每个障碍物看成具有运动轨迹和半径的球体，一条轨迹是由一系列的点组成，而每个点有表明其构成和时间的状态变量，这些轨迹中的点按照时间顺序排列，通过读取这些点的顺序来预测未来一段时间障碍物的运动轨迹并进行统一表示；步骤2、表示法和假设：该步骤中描述了如何表示和解释机器人的路径规划算法；步骤2.1、描述了机器人在环境中的空间构型以及表示方法，假设规划问题是用图来表示，每个在图中的状态量s由两部分组成：机器人的空间构型向量记作x(s)和标量安全时间间隔指数记作interval(s)；步骤2.2、定义了机器人在搜寻路径过程中的一系列参数：其中包括状态量s的定义，在机器人的搜寻路径过程中，每个状态量s有一个变量记作g(s)，这个变量是从初始状态到s状态的最出名路径所花费的代价；启发式函数h(s)是从s状态到目标状态的代价估计，假设这个启发式函数是一个常量，这意味着它不会大于到目的点的代价并且满足三角不等式；状态转变所花费的时间代价c(s，s’)，从s状态到其中一个继承状态s’的转变或者边缘代价记作c(s，s’)；步骤2.3、表明ASIPP算法和SIPP具备相同的假设前提：c(s，s’)等价于从s状态到s’状态的行动执行时间；步骤3、ASIPP算法：ASIPP算法是ARA*算法和SIPP算法二者的结合并进行一些扩展和修改的算法，紧接着提出了两个算法；步骤3.1、算法1是ARA*算法的主体循环并得出目前所得到的解决方案的次优性范围；步骤3.1.1、初始显示用户提供的初始参数ε的初始搜索机制，之后减少ε的值(用户可以自定义减少的值)并且再运行搜索直到到达最优解(ε＝1)；步骤3.1.2、在步骤3.1.1每次搜索过程中，INCONS列表会被找到的成本更低的路径的状态填满，由于它们已经很接近因此不会被用于再扩展；步骤3.1.3、步骤3.1.2中所述成本更低的路径的状态需要在下一次搜索迭代中被再次扩展，同时，这些被放入OPEN列表的状态有机会在下一次搜索迭代中被扩展，最后计算ε’的值，得出目前所找到的解决方案的次优性范围。步骤3.2、算法2是一个单独的在SIPP下实现的weightedA*搜索机制；步骤3.2.1、通常在weightedA*中，在OPEN列表的状态中，有着最小f值的状态被扩展直到目标值在OPEN列表中有代价最小的f值，一个状态s的f值是g(s)和h(s)的一个函数，当s在OPEN列表中，起扩展状态s的优先权的作用；步骤3.2.2、一个状态s扩展过程开始时，此处迭代循环所有可能的移动基元，这些移动基元能够在没有与静态环境发生碰撞的情况下被采用，变量x’是进行移动m后到状态s的空间构型x(s)之后的机器人结束时所处的空间构型；步骤3.2.3、创建了最小的和最大的机器人能够基于它能够离开安全间隔s最早和最晚的次数来到达x’次数；步骤3.2.4、算法2通过一个等待操作，然后再移动m，将一个后继在尽可能早的时间放到位于x’的每个安全间隔；步骤4、理论分析：主要是通过提出两个定理来验证算法的完整性和最优性；步骤4.1、定理1：任何时候SIPP算法是完整的，当算法结束时，它对于动态障碍物和静态障碍物分别返回了一个到目标点的安全距离，其前提是这样的一条路径存在于给定规划问题的图形表示；步骤4.2、定理2：当规划时间结束时，通过任何时候SIPP算法返回的结果所花费的代价不会比ε’倍最优解所花费的代价大；步骤5、时限图表示：当规划方案处于动态或者不确定的环境中，它通常不会在未来很长的时间内依赖于预测的障碍物行为，时限图就是基于上述理论创建出一个由两种状态组成的图：一个状态是由结构和时间间隔所决定，即高维度状态；另一个状态只由空间构型决定，即低维度状态。所述的步骤5中还可以考虑用SIPP和任何时候SIPP把时限表达方式放进基于安全区间的图形表示方法中，限制对应的截断动态障碍物预测轨迹的持续时间本文档来自技高网...

【技术保护点】
一种动态环境中机器人安全自主规划导航方法，其特征在于，包括如下步骤：步骤1、动态障碍物表示法：用特定的方法来表示环境中动态障碍物并统一这一表示；所述特定方法为：假设存在另一个能够跟踪环境中动态障碍物的系统，该系统存在一系列动态障碍物并且把每个障碍物看成具有运动轨迹和半径的球体，一条轨迹是由一系列的点组成，而每个点有表明其构成和时间的状态变量，这些轨迹中的点按照时间顺序排列，通过读取这些点的顺序来预测未来一段时间障碍物的运动轨迹并进行统一表示；步骤2、表示法和假设：该步骤中描述了如何表示和解释机器人的路径规划算法；步骤2.1、描述了机器人在环境中的空间构型以及表示方法，假设规划问题是用图来表示，每个在图中的状态量s由两部分组成：机器人的空间构型向量记作x(s)和标量安全时间间隔指数记作interval(s)；步骤2.2、定义了机器人在搜寻路径过程中的一系列参数：其中包括状态量s的定义，在机器人的搜寻路径过程中，每个状态量s有一个变量记作g(s)，这个变量是从初始状态到s状态的最出名路径所花费的代价；启发式函数h(s)是从s状态到目标状态的代价估计，假设这个启发式函数是一个常量，这意味着它不会大于到目的点的代价并且满足三角不等式；状态转变所花费的时间代价c(s，s’)，从s状态到其中一个继承状态s’的转变或者边缘代价记作c(s，s’)；步骤2.3、表明ASIPP算法和SIPP具备相同的假设前提：c(s，s’)等价于从s状态到s’状态的行动执行时间；步骤3、ASIPP算法：ASIPP算法是ARA*算法和SIPP算法二者的结合并进行一些扩展和修改的算法，紧接着提出了两个算法；步骤3.1、算法1是ARA*算法的主体循环并得出目前所得到的解决方案的次优性范围；步骤3.1.1、初始显示用户提供的初始参数ε的初始搜索机制，之后减少ε的值(用户可以自定义减少的值)并且再运行搜索直到到达最优解(ε＝1)；步骤3.1.2、在步骤3.1.1每次搜索过程中，INCONS列表会被找到的成本更低的路径的状态填满，由于它们已经很接近因此不会被用于再扩展；步骤3.1.3、步骤3.1.2中所述成本更低的路径的状态需要在下一次搜索迭代中被再次扩展，同时，这些被放入OPEN列表的状态有机会在下一次搜索迭代中被扩展，最后计算ε’的值，得出目前所找到的解决方案的次优性范围。步骤3.2、算法2是一个单独的在SIPP下实现的weighted A*搜索机制；步骤3.2.1、通常在weighted A*中，在OPEN列表的状态中，有着最小f值的状态被扩展直到目标值在OPEN列表中有代价最小的f值，一个状态s的f值是g(s)和h(s)的一个函数，当s在OPEN列表中，起扩展状态s的优先权的作用；步骤3.2.2、一个状态s扩展过程开始时，此处迭代循环所有可能的移动基元，这些移动基元能够在没有与静态环境发生碰撞的情况下被采用，变量x’是进行移动m后到状态s的空间构型x(s)之后的机器人结束时所处的空间构型；步骤3.2.3、创建了最小的和最大的机器人能够基于它能够离开安全间隔s最早和最晚的次数来到达x’次数；步骤3.2.4、算法2通过一个等待操作，然后再移动m，将一个后继在尽可能早的时间放到位于x’的每个安全间隔；步骤4、理论分析：主要是通过提出两个定理来验证算法的完整性和最优性；步骤4.1、定理1：任何时候SIPP算法是完整的，当算法结束时，它对于动态障碍物和静态障碍物分别返回了一个到目标点的安全距离，其前提是这样的一条路径存在于给定规划问题的图形表示；步骤4.2、定理2：当规划时间结束时，通过任何时候SIPP算法返回的结果所花费的代价不会比ε’倍最优解所花费的代价大；步骤5、时限图表示：当规划方案处于动态或者不确定的环境中，它通常不会在未来很长的时间内依赖于预测的障碍物行为，时限图就是基于上述理论创建出一个由两种状态组成的图：一个状态是由结构和时间间隔所决定，即高维度状态；另一个状态只由空间构型决定，即低维度状态。...

【技术特征摘要】
1.一种动态环境中机器人安全自主规划导航方法，其特征在于，包括如下步骤：步骤1、动态障碍物表示法：用特定的方法来表示环境中动态障碍物并统一这一表示；所述特定方法为：假设存在另一个能够跟踪环境中动态障碍物的系统，该系统存在一系列动态障碍物并且把每个障碍物看成具有运动轨迹和半径的球体，一条轨迹是由一系列的点组成，而每个点有表明其构成和时间的状态变量，这些轨迹中的点按照时间顺序排列，通过读取这些点的顺序来预测未来一段时间障碍物的运动轨迹并进行统一表示；步骤2、表示法和假设：该步骤中描述了如何表示和解释机器人的路径规划算法；步骤2.1、描述了机器人在环境中的空间构型以及表示方法，假设规划问题是用图来表示，每个在图中的状态量s由两部分组成：机器人的空间构型向量记作x(s)和标量安全时间间隔指数记作interval(s)；步骤2.2、定义了机器人在搜寻路径过程中的一系列参数：其中包括状态量s的定义，在机器人的搜寻路径过程中，每个状态量s有一个变量记作g(s)，这个变量是从初始状态到s状态的最出名路径所花费的代价；启发式函数h(s)是从s状态到目标状态的代价估计，假设这个启发式函数是一个常量，这意味着它不会大于到目的点的代价并且满足三角不等式；状态转变所花费的时间代价c(s，s’)，从s状态到其中一个继承状态s’的转变或者边缘代价记作c(s，s’)；步骤2.3、表明ASIPP算法和SIPP具备相同的假设前提：c(s，s’)等价于从s状态到s’状态的行动执行时间；步骤3、ASIPP算法：ASIPP算法是ARA*算法和SIPP算法二者的结合并进行一些扩展和修改的算法，紧接着提出了两个算法；步骤3.1、算法1是ARA*算法的主体循环并得出目前所得到的解决方案的次优性范围；步骤3.1.1、初始显示用户提供的初始参数ε的初始搜索机制，之后减少ε的值(用户可以自定义减少的值)并且再运行搜索直到到达最优解(ε＝1)；步骤3.1.2、在步骤3.1.1每次搜索过程中，INCONS列表会被找到的成本更低的路径的状态填满，由于它们已经很接近因此不会被用于再扩展；步骤3.1.3、步骤3.1.2中所述...

【专利技术属性】
技术研发人员：陶学宇，周瑜，廖鸿宇，孙放，
申请(专利权)人：北京雷动云合智能技术有限公司，
类型：发明
国别省市：北京,11