人机共存下遵循行人规范的移动机器人全局路径规划方法技术

本发明专利技术涉及一种移动机器人全局路径规划方法及装置，包括：响应于路径规划请求，获取目标区域内的行人信息；根据行人位置，通过静态地图对行人进行分类，得到分类结果；获取每个网格中行人的行人信息，对行人的移动方向执行聚类处理，得到多个聚类结果；根据聚类结果，确定每个网格的混合Von

【技术实现步骤摘要】
人机共存下遵循行人规范的移动机器人全局路径规划方法


[0001]本专利技术涉及一种移动机器人全局路径规划方法及装置，具体涉及了一种在人机共存的环境中遵循行人步行规范的移动机器人全局路径规划方法及装置。

技术介绍

[0002]在服务机器人自主智能技术中，机器人自主导航技术是需要关注的重点。近年来，随着我国城镇化的发展，城市的数量与人口显著增加，服务机器人存在许多重要的应用场景，如快件与外卖收取、楼宇清洁、文件配送、迎宾接待等，而这些应用都需要机器人能够在人机共存环境中自主导航。
[0003]为了实现移动机器人在人机共存环境中实现自主导航，首先需要进行全局路径规划，即规划一条从机器人的起始点到目标点的无碰撞的全局路径。在传统的移动机器人全局路径规划算法中，只针对静态环境的避障，并未考虑机器人的行为对周围行人的影响，并造成公共交通的堵塞，故不适用于人机共存场景中移动机器人的导航。移动机器人在人机共存的环境中移动时，必须要求机器人在导航过程中能够遵循行人的步行规范，以免造成逆行的行为，导致交通堵塞，影响行人的正常行走。最常见的行人步行规范，比如在许多国家，行人默认为靠右行走。

技术实现思路

[0004]本专利技术提供了一种移动机器人全局路径规划方法及装置，旨在至少解决现有技术中存在的技术问题之一。
[0005]本专利技术的技术方案包括一种移动机器人全局路径规划方法，所述方法包括以下步骤：
[0006]S100，响应于路径规划请求，获取目标区域内的行人信息，所述行人信息包括行人位置、行人速度及行人占地面积半径；
[0007]S200，根据所述行人位置，通过静态地图对行人进行分类，得到分类结果，所述静态地图包括多个网格；
[0008]S300，获取每个网格中行人的所述行人信息，对行人的移动方向执行聚类处理，得到多个聚类结果；
[0009]S400，根据所述聚类结果，确定每个所述网格的混合Von
‑
Mises分布，以及，根据所述混合Von
‑
Mises分布，确定所述网格的行人移动方向偏好；
[0010]S500，根据每个所述网格的混合Von
‑
Mises分布和所述行人移动方向偏好，确定移动机器人最优的全局移动路径。
[0011]进一步，所述步骤S100包括：通过图像采集或近场采集方式对所述目标区域在预设时间内的所述行人信息进行采集，得到所述目标区域在所述预设时间的所有所述行人信息。
[0012]进一步，所述步骤S200包括：将每个行人的所述行人位置与所述静态地图的二维
网格坐标进行匹配，将行人信息分配至对应的所述网格中。
[0013]进一步，所述步骤S300包括：通过聚类度量对每个所述网格的多个行人的移方向进行聚类处理，所述聚类度量包括elbow、间隔统计量、轮廓系数和Canopy中的至少一种。
[0014]进一步，所述步骤S400包括：
[0015]以每个所述网格的多个所述聚类结果为
[0016][0017]确定所述网格中行人移动方向的所述混合Von
‑
Mises分布，通过公式得到：
[0018][0019]其中，p
θ
、α、μ、κ分别是混合Von
‑
Mises分布的计算参数，M是所述聚类结果的数量，α
m
是每个所述聚类结果的权重参数且μ
m
和κ
m
是每个分布的统计模型参数；
[0020]获取所述混合Von
‑
Mises分布中每个独立的Von
‑
Mises分布，通过公式得到：
[0021][0022]其中J0(κ)是0阶贝塞尔修正函数，为
[0023][0024]过计算极大似然估计得到统计模型参数μ和κ，将每个独立的Von
‑
Mises分布合并为所述混合Von
‑
Mises分布时确定权重参数α
m
，计算方式为：
[0025][0026]其中，P
m
是所述聚类结果中数据数量，P是所有网格中所述聚类结果的数据数量总和；
[0027]生成行人步行偏好方向地图。
[0028]进一步，所述步骤S400包括：
[0029]每个独立的Von
‑
Mises分布的数似然函数为
[0030][0031]则通过计算极大似然估计可以得到统计模型参数μ和κ，计算方式为
[0032][0033]进一步，所述步骤S500包括：
[0034]以移动机器人所处的所述网格作为起点，将每格移动的成本作为：
[0035]g
′
(s)＝g(s)+l(s,θ)
[0036]其中g(s)为移动机器人移动一个网格的移动成本，l(s,θ)为受到行人移动方向偏好的影响而导致的移动成本变化，l(s,θ)通过以下公式得到：
[0037][0038]通过图搜索算法基于行人移动方向偏好选择最优路径。
[0039]进一步，所述步骤S500包括：根据每个所述网格中的所述行人移动方向偏好，执行所述目标区域内所有网格的迭代计算，得到符合所述行人移动偏好方向的最小消费全局路径。
[0040]本专利技术的技术方案还涉及一种计算机可读存储介质，其上储存有计算机程序指令，所述计算机程序指令被处理器执行时实施上述的方法。
[0041]本专利技术的技术方案还涉及一种计算机装置，其包括：图像采集设备以及所述的计算机可读存储介质。
[0042]本专利技术的有益效果为：移动机器人能够根据场景中行人的步行方向的偏好，自主生成符合场景中行人步行规范的全局路径，在指引移动机器人运动的同时，减少对周围行人和公共交通秩序的影响。
附图说明
[0043]图1是本专利技术实施例的行人步行偏好地图及最终规划的全局路径示意图。
[0044]图2是本专利技术实施例的其中一个网格的行人移动方向统计及聚类图。
[0045]图3是本专利技术实施例的其中一个网格的最优聚类数量计算图。
[0046]图4a和图4b分别是本专利技术实施例的其中一个网格的混合Von
‑
Mises分布及行人移动方向偏好示意图。
[0047]图5是传统的图搜索算法的成本计算示意图。
[0048]图6是本专利技术实施例的图搜索算法的成本计算示意图。
具体实施方式
[0049]以下将结合实施例和附图对本专利技术的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本专利技术的目的、方案和效果。
[0050]参照图1至图6，在一些实施例中，本专利技术公开了一种在人机共存的环境中遵循行人步行规范的移动机器人全局路径规划方法，所述方法包括以下步骤：
[0051]S100，响应于路径规划请求，获取目标区域内的行人信息，行人信息包括行人位置、行人速度及行人占地面积半径。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种移动机器人全局路径规划方法，其特征在于，所述方法包括以下步骤：S100，响应于路径规划请求，获取目标区域内的行人信息，所述行人信息包括行人位置、行人速度及行人占地面积半径；S200，根据所述行人位置，通过静态地图对行人进行分类，得到分类结果，所述静态地图包括多个网格；S300，获取每个网格中行人的所述行人信息，对行人的移动方向执行聚类处理，得到多个聚类结果；S400，根据所述聚类结果，确定每个所述网格的混合Von
‑
Mises分布，以及，根据所述混合Von
‑
Mises分布，确定所述网格的行人移动方向偏好；S500，根据每个所述网格的混合Von
‑
Mises分布和所述行人移动方向偏好，确定移动机器人最优的全局移动路径。2.根据权利要求1所述的方法，其中，所述步骤S100包括：通过图像采集或近场采集方式对所述目标区域在预设时间内的所述行人信息进行采集，得到所述目标区域在所述预设时间的所有所述行人信息。3.根据权利要求1所述的方法，其中，所述步骤S200包括：将每个行人的所述行人位置与所述静态地图的二维网格坐标进行匹配，将行人信息分配至对应的所述网格中。4.根据权利要求1所述的方法，其中，所述步骤S300包括：通过聚类度量对每个所述网格的多个行人的移方向进行聚类处理，所述聚类度量包括elbow、间隔统计量、轮廓系数和Canopy中的至少一种。5.根据权利要求1所述的版权保护方法，其中，所述步骤S400包括：以每个所述网格的多个所述聚类结果为确定所述网格中行人移动方向的所述混合Von
‑
Mises分布，通过公式得到：其中，p
θ
、α、μ、κ分别是混合Von
‑
Mises分布的计算参数，M是所述聚类结果的数量，α
m
是每个所...

【专利技术属性】
技术研发人员：楼云江，陈雨景，孟雨皞，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：