基于多模态信息特征树的机器人实时运动规划方法技术

本发明专利技术公开了一种基于多模态信息特征树的机器人实时运动规划方法，包括获取环境地图，实时提取机器人的位姿信息，判断特征点对该环境地图的表征度是否已经完备，如果还未完备则使用角速度和距离融合对机器人的节点位姿进行特征初步提取，直到特征点的表征度完备获得最优特征点，得到最终特征点集，更新特征地图；如果已经完备则使用欧式距离对环境地图更新，得到特征地图；然后根据特征点集得到特征矩阵，根据起点、终点以及特征矩阵生成特征点的多模态信息特征树，得到启发式路径。本发明专利技术通过构建多模态信息特征树和实时提取特征点的方式快速找出可行区域的候选节点来优化基于随机采样的路径规划，解决陷阱空间、提高移动机器人的智能化。移动机器人的智能化。移动机器人的智能化。

【技术实现步骤摘要】
基于多模态信息特征树的机器人实时运动规划方法


[0001]本专利技术涉及机器人运动规划
，具体涉及一种基于多模态信息特征树的机器人实时运动规划方法。

技术介绍

[0002]人工智能技术的发展给移动型服务机器人的研究带来了机遇，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。移动型机器人路径规划是指在无人干预的条件下，在给定的初始点和目标点之间找到一条无碰撞且满足规定约束的路径。当前，主要的路径规划方法可以大致分为四种：基于栅格的路径规划、基于人工势场的路径规划、基于奖赏的路径规划和基于随机采样的运动规划。在这四种方法中，基于随机采样的路径规划算法计算量小、避障灵活并且不需要对环境建模，极大地减少了规划时间和内存成本，保障了路径规划的实时性，更适用于解决动态环境的路径规划问题。然而，在复杂的动态人机共融环境中，如迷宫、S弯道、狭缝等场景，同时存在行人等动态障碍物，机器人不是单纯地在纯粹静态的环境中运动的，还要顾及到动态的行人在随机的运动。由于可行区域在整个地图中的占比大大减少，随机采样到可行区域的概率随之下降，局部规划算法容易陷入陷阱空间，导致路径的规划时间变长甚至规划失败。同时，机器人没有被赋予“大脑记忆”的概念，同一场景机器人走过无数次，下次再走还是要重新规划路径，浪费计算资源。

技术实现思路

[0003]本专利技术要解决的技术问题是提供一种解决陷阱空间问题，实现节点复用，保证实时性和节省时间成本的基于多模态信息特征树的机器人实时运动规划方法。
[0004]为解决上述技术问题，本专利技术提供了一种基于多模态信息特征树的机器人实时运动规划方法，包括以下步骤：
[0005]步骤1：获取环境地图，实时提取机器人的节点位姿信息，判断特征点对该环境地图的表征度是否已经完备，如果还未完备则执行步骤2，如果已经完备则执行步骤4；
[0006]步骤2：使用角速度通道和距离融合对机器人的节点位姿进行特征初步提取，获得初始特征点集，同时更新特征地图；
[0007]步骤3：再次使用距离融合对初始特征点集进行进一步提取，直到特征点的表征度完备获得最优特征点，得到最终特征点集；
[0008]步骤4：使用欧式距离对环境地图更新，得到特征地图，完成实时特征提取；
[0009]步骤5：根据特征点集得到特征矩阵，根据起点、终点以及特征矩阵生成特征点的多模态信息特征树，在特征地图上得到启发式路径。
[0010]进一步地，所述步骤1中判断特征点对该环境地图的表征度是否已经完备的方法为，每次打开终端进行路径规划前，检查此次的环境地图是否有对应的特征文件，若有对应的特征文件则通过特征文件中的特征点判断表征度是否完备，若无对应的特征文件则表征
度不完备；在机器人完成此次环境地图上的路径规划并关闭终端时，生成该环境地图的对应的特征文件。
[0011]进一步地，所述步骤1的具体过程为：
[0012]步骤1-1：给定导航目标，机器人基于Risk-RRT算法开始路径规划，实时获取机器人在路径规划过程中的节点位姿信息G
m
＝(x
m
，y
m
，ω
m
)，其中，x、y表示节点的位置，ω表示节点的角速度大小；
[0013]步骤1-2：每次打开终端的时候判断特征文件是否存在，并通过特征文件计算地图上无障碍区域的点能找到它所对应的特征点编号的个数与无障碍区域的所有点的比值representative，用于表示表征度；
[0014]若不存在特征文件，则令representative＝0，初始化特征地图M
F
为一个与环境地图同等大小的二维零矩阵，初始化特征点集G
FP
为空集，执行步骤2；
[0015]若存在特征文件但表征度不完备，则将特征文件里存储的节点G
new
＝(x
n
，y
n
)存进特征点集G
FP
中，执行步骤2；
[0016]若存在特征文件且表征度完备，将特征文件里存储的节点G
new
＝(x
n
，y
n
)存进特征点集G
FP
，执行步骤4。
[0017]进一步地，所述步骤2的具体过程为：
[0018]步骤2-1：使用角速度通道来提取角速度大于预设阈值的节点，记作G
new
＝(x
n
，y
n
)；
[0019]步骤2-2：若表征度不完备，执行步骤2-3；若表征度完备，执行步骤2-5；
[0020]步骤2-3：判断特征点集G
FP
是否为空，如果是空则直接将节点G
new
存进特征点集G
FP
，并返回执行步骤2-1；如果不是空，则执行步骤2-4；
[0021]步骤2-4：使用欧氏距离通道将节点G
new
与特征点集G
FP
中的所有节点G
i
＝(x
i
,y
i
)依次进行欧氏距离计算，判断该欧式距离是否小于等于预设的第一次距离融合阈值，如果是，返回执行步骤2-1；
[0022]如果节点G
new
与特征点集G
FP
中的所有节点的距离都大于预设的第一次距离融合阈值，则将节点G
new
添加进特征点集G
FP
，将G
FP
带入步骤3并执行；
[0023]步骤2-5：将节点G
new
与特征点集G
FP
中的所有节点G
i
＝(x
i
,y
i
)依次进行欧氏距离计算，判断该欧氏距离是否小于等于预设的第一次距离融合阈值，如果是则执行步骤2-6，如果不是则执行步骤4；
[0024]步骤2-6：将特征地图M
F
中栅格点与节点G
new
依次进行碰撞检测，如果碰撞检测全部都通过且特征地图M
F
中的栅格点与节点G
new
的距离之和小于特征地图M
F
中的栅格点与原先的特征节点的距离之和，则节点G
new
替换原有特征节点G
i
＝(x
i
,y
i
)，更新特征地图，将G
FP
带入步骤4并执行，否则执行步骤5。
[0025]进一步地，所述步骤2-1中使用角速度通道来提取角速度大于预设阈值的节点时，每隔一定数量的间隔提取节点，用于减少节点的冗余度。
[0026]进一步地，所述步骤3的具体过程为：
[0027]步骤3-1：初始化计数c为0，初始化要保存的特征点集G
R
为空集；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态信息特征树的机器人实时运动规划方法，其特征在于，包括以下步骤：步骤1：获取环境地图，实时提取机器人的节点位姿信息，判断特征点对该环境地图的表征度是否已经完备，如果还未完备则执行步骤2，如果已经完备则执行步骤4；步骤2：使用角速度通道和距离融合对机器人的节点位姿进行特征初步提取，获得初始特征点集，同时更新特征地图；步骤3：再次使用距离融合对初始特征点集进行进一步提取，直到特征点的表征度完备获得最优特征点，得到最终特征点集；步骤4：使用欧式距离对环境地图更新，得到特征地图，完成实时特征提取；步骤5：根据特征点集得到特征矩阵，根据起点、终点以及特征矩阵生成特征点的多模态信息特征树，在特征地图上得到启发式路径。2.根据权利要求1所述的基于多模态信息特征树的机器人实时运动规划方法，其特征在于：所述步骤1中判断特征点对该环境地图的表征度是否已经完备的方法为，每次打开终端进行路径规划前，检查此次的环境地图是否有对应的特征文件，若有对应的特征文件则通过特征文件中的特征点判断表征度是否完备，若无对应的特征文件则表征度不完备；在机器人完成此次环境地图上的路径规划并关闭终端时，生成该环境地图的对应的特征文件。3.根据权利要求2所述的基于多模态信息特征树的机器人实时运动规划方法，其特征在于，所述步骤1的具体过程为：步骤1-1：给定导航目标，机器人基于Risk-RRT算法开始路径规划，实时获取机器人在路径规划过程中的节点位姿信息G
m
＝(x
m
，y
m
，ω
m
)，其中，x、y表示节点的位置，ω表示节点的角速度大小；步骤1-2：每次打开终端的时候判断特征文件是否存在，并通过特征文件计算地图上无障碍区域的点能找到它所对应的特征点编号的个数与无障碍区域的所有点的比值representative，用于表示表征度；若不存在特征文件，则令representative＝0，初始化特征地图M
F
为一个与环境地图同等大小的二维零矩阵，初始化特征点集G
FP
为空集，执行步骤2；若存在特征文件但表征度不完备，则将特征文件里存储的节点G
new
＝(x
n
，y
n
)存进特征点集G
FP
中，执行步骤2；若存在特征文件且表征度完备，将特征文件里存储的节点G
new
＝(x
n
，y
n
)存进特征点集G
FP
，执行步骤4。4.根据权利要求1所述的基于多模态信息特征树的机器人实时运动规划方法，其特征在于，所述步骤2的具体过程为：步骤2-1：使用角速度通道来提取角速度大于预设阈值的节点，记作G
new
＝(x
n
，y
n
)；步骤2-2：若表征度不完备，执行步骤2-3；若表征度完备，执行步骤2-5；步骤2-3：判断特征点集G
FP
是否为空，如果是空则直接将节点G
new
存进特征点集G
FP
，并返回执行步骤2-1；如果不是空，则执行步骤2-4；步骤2-4：使用欧氏距离通道将节点G
new
与特征点集G
FP
中的所有节点G
i
＝(x
i
,y
i
)依次进行欧氏距离计算，判断该欧式距离是否小于等于预设的第一次距离融合阈值，如果是，返回
执行步骤2-1；如果节点G
new
与特征点集G
FP
中的所有节点的距离都大于预设的第一次距离融合阈值，则将节点G
new
添加进特征点集G
FP
，将G
FP
带入步骤3并执行；步骤2-5：将节点G
new
与特征点集G
FP
中的所有节点G
i
＝(x
i
,y
i
)依次进行欧氏距离计算，判断该欧氏距离是否小于等于预设的第一次距离融合阈值，如果是则执行步骤2-6，如果不是则执行步骤4；步骤2-6：将特征地图M
F
中栅格点与节点G
new
依次进行碰撞检测，如果碰撞检测全部都通过且特征地图M
F
中的栅格点与节点G
new
的距离之和小于特征地图M
F
中的栅格点与原先的特征节点的距离之和，则节点G
new
替换原有特征节点G
i
＝(x
i
,y
i
)，更新特征地图，将G
FP
带入步骤4并执行，否则执行步骤5。5.根据权利要求4所述的基于多模态信息特征树的机器人实时运动规划方法，其特征在于：所述步骤2-1中使用角速度通道来提取角速度大于预设阈值的节点时，每隔一定数量的间隔提取节点，用于减少节点的冗余度。6.根据权利要求1所述的基于多模态信息特征树的机器人实时运动规划方法，其特征在于，所述步骤3的具体过程为：步骤3-1：初始化计数c为0，初始化要保存的特征点集G
R
为空集；提取特征点集G
FP
中的每个节点G
i
＝(x
i
,y
i
)的相邻特征节点集合；步骤3-2：初始化i为1；步骤3-3：判断i是否小于等于特征点集G
FP
的个数n，如果是则执行步骤3-4，如果不是则执行步骤3-6；步骤3-4：判断第i个节点的相邻特征节点集合的个数是否小于等于3，如果是则进行步骤3-5，如果不是则令i＝i+1并返回执行步骤3-3；步骤3-5：将节点G
i
＝(x
i
，y
i
)本身及其相邻特征节点集合里的节点添加进点集G
R
中；判断相邻特征节点集合的个数是否小于等于1，如果是，则计数c+1；...

【专利技术属性】
技术研发人员：迟文政，袁媛，刘杰，丁智宇，陈国栋，孙立宁，
申请(专利权)人：苏州大学，
类型：发明
国别省市：