一种基于线性时序逻辑的移动机器人运动规划算法制造技术

本发明专利技术涉及机器人运动规划技术领域，具体为一种基于线性时序逻辑的移动机器人运动规划算法，包括：S1、构建栅格地图，并对栅格地图做膨胀处理；构建机器人时序任务，并将其转换为自动机；S2、增量构建前缀采样树；S3、获取候选前缀路径；S4、依据候选前缀路径增量构建后缀采样树；S5、获取代价最小的前缀路径和后缀路径，并根据获得的路径构建安全走廊；S6、依据安全走廊，构建优化问题求解机器人运动轨迹。本发明专利技术所提出的轨迹规划算法，运用了移动机器人的微分平坦模型，在较低维度下可根据移动机器人的运动学和动力学对轨迹进行约束，使得生成的轨迹质量更高。成的轨迹质量更高。成的轨迹质量更高。

【技术实现步骤摘要】
一种基于线性时序逻辑的移动机器人运动规划算法


[0001]本专利技术涉及机器人运动规划
，特别涉及一种基于线性时序逻辑的移动机器人运动规划算法。

技术介绍

[0002]近年来，智能移动机器人得到快速发展，应用领域越来越广泛，如应用于家庭、餐厅、医院的服务机器人，应用于智能仓储的物流机器人以及运用于军事场景的特种机器人等。移动机器人的研究内容具体有：基于视觉或雷达的环境感知与SLAM定位、自主运动规划、行为控制等。其中，运动规划一直都是移动机器人研究的热点方向，运动规划包含路径规划和轨迹规划两部分，高效的运动规划算法能够使机器人高效准确地完成任务。
[0003]许多学者对移动机器人的路径规划展开了深入的研究，且取得许多成果，但是针对的大都是一些简单的问题，即根据路程最短、时间最短等评价标准，规划出一条从起点运动到终点的可行路径，并且能够避开环境中的障碍物，这称为点到点问题。传统的路径规划算法因其任务模式单一，无法应用于含有时序性、循环性任务的路径规划问题，故已经无法满足人们对移动机器人的应用需求。人们需要移动机器人去完成一些复杂的时序任务，如工厂安防巡逻、军事侦察、快递配送、火灾救援等任务。因此，需结合一种可描述复杂时序任务的语言，设计出可根据时序任务规划出可行路径的运动规划算法框架。
[0004]近十年来，作为机器人和人工智能领域的前沿交叉方向，基于模型检测方法的机器人规划算法研究得到了一批国内外知名学者的重视和开创性研究，其中以线性时序逻辑(Linear Temporal Logic,LTL)语言为任务描述语言的规划方法成为该方向的主要研究内容。线性时序逻辑可以方便地表达事物的行为，能够描述多种时序任务要求，能方便地与现有规划框架结合。如何设计一种基于线性时序逻辑的运动规划算法对扩大移动机器人应用领域具有十分重要的意义。

技术实现思路

[0005]本专利技术提供了一种基于线性时序逻辑的移动机器人运动规划算法，以解决现有技术中机器人运动路径规划很难适用于复杂时序任务的技术问题。
[0006]为达到上述目的，本专利技术的技术方案是这样实现的：
[0007]本专利技术提供了一种基于线性时序逻辑的移动机器人运动规划算法，包括如下步骤：
[0008]步骤S1、构建栅格地图，并根据机器人半径对栅格地图做膨胀处理；构建机器人时序任务，并将其转换为B
ü
chi自动机；
[0009]步骤S2、依据B
ü
chi自动机构建前缀采样树T
pre
；
[0010]步骤S3、依据增量构建后的前缀采样树T
pre
获取候选前缀路径列表traj
pre
；
[0011]步骤S4、依据B
ü
chi自动机和候选前缀路径列表traj
pre
构建后缀采样树T
suf
；
[0012]步骤S5、依据增量构建后的后缀采样树T
suf
获取候选后缀采样路径，借助候选后缀
采样路径获取代价最小的前缀路径和后缀路径，并根据最小的前缀路径和后缀路径构建安全走廊；
[0013]步骤S6、依据安全走廊规划机器人运动轨迹。
[0014]进一步地，所述步骤S2中的前缀采样树T
pre
和步骤S4中的后缀采样树T
suf
统称为采样树：
[0015]采样树根据B
ü
chi自动机的有限集合S
β
，划分为多颗采样子树，采样子树可用表示，其中下标s
i
表示B
ü
chi自动机状态；采样子树的节点可用元组N：＝(X,s
i
,N
pa
,q,c)表示，其中位置信息X:＝(x,y,θ)，(x,y)表示二维坐标，θ表示航向角，N
pa
表示节点N的父节点，q表示连接N
pa
与N的最短dubins曲线，c表示节点代价值；采样子树和采样子树根据转换对(s
i
,s
j
)的输入字母表对应的感兴趣区域进行拼接，其中s
i
和s
j
表示两种不同的B
ü
chi自动机状态；令∑
ij
表示转换对(s
i
,s
j
)的输入字母表，∑
ij
对应一个或多个感兴趣区域。
[0016]进一步地，所述步骤S1具体包含如下步骤：
[0017]步骤S11、采用开源算法Cartographer进行栅格地图构建，并根据机器人半径对地图做膨胀处理；
[0018]步骤S12、构建机器人时序任务，将机器人的时序任务使用LTL公式表示，并通过开源功能包spot将其转换为B
ü
chi自动机。
[0019]B
ü
chi自动机可用元组表示，其中S
β
表示状态的有限集合，表示初始状态的集合，∑表示输入字母表，δ表示一种不确定的转移关系，F
β
表示接受状态的集合，
[0020]步骤S13、将B
ü
chi自动机中同时满足LTL公式的多个原子命题的转换关系删去。
[0021]进一步地，所述步骤S2具体包含如下步骤：
[0022]步骤S211、将初始节点加入到前缀采样树T
pre
中，其中初始位置信息X
0i
:＝(x0,y0,θ
i
)，(x0,y0)为移动机器人初始坐标，θ
i
表示第i个离散航向角，n的大小决定航向角分辨率，s0表示初始状态，
[0023]步骤S212、将初始状态s0加入到第一列表中，并搜索B
ü
chi自动机关于初始状态s0的邻居节点，获得待扩展的状态转换对，并将其加入到第二列表中；新建转换列表P
pre
。
[0024]第一列表表示前缀采样树T
pre
已拥有的B
ü
chi自动机状态，在该列表采样可获得用来扩展子树的转换对(s
i
,s
i
)；第二列表表示T
pre
中一系列待扩展的转换对(s
i
,s
j
)，其中为B
ü
chi自动机中的两种不同状态；转换列表P
pre
用来存储前缀采样树更新过程中需调整航向角的节点。
[0025]前缀采样树T
pre
根据第一列表和第二列表进行构建，在构建的同时也对这两个列表进行更新。更新规则为：当第一列表有新B
ü
chi自动机状态s
i
加入时，搜索s
i
的邻居节点，构成一个或多个转换对，除了T
pre
已有的转换对，其余都加入到第二列表中；当T<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于线性时序逻辑的移动机器人运动规划算法，其特征在于：包括如下步骤：步骤S1、构建栅格地图，并根据机器人半径对栅格地图做膨胀处理；构建机器人时序任务，并将其转换为B
ü
chi自动机；步骤S2、依据B
ü
chi自动机构建前缀采样树T
pre
；步骤S3、依据增量构建后的前缀采样树T
pre
获取候选前缀路径列表traj
pre
；步骤S4、依据B
ü
chi自动机和候选前缀路径列表traj
pre
构建后缀采样树T
suf
；步骤S5、依据增量构建后的后缀采样树T
suf
获取候选后缀采样路径，借助候选后缀采样路径获取代价最小的前缀路径和后缀路径，并根据最小的前缀路径和后缀路径构建安全走廊；步骤S6、依据安全走廊，构建优化问题求解移动机器人运动轨迹。2.根据权利要求1所述的移动机器人运动规划算法，其特征在于，步骤S2中的前缀采样树T
pre
和步骤S4中的后缀采样树T
suf
统称为采样树；采样树根据B
ü
chi自动机的有限集合S
β
，划分为多颗采样子树，采样子树可用表示，其中下标s
i
表示B
ü
chi自动机状态；采样子树的节点可用元组N：＝(X,s
i
,N
pa
,q,c)表示，其中位置信息X:＝(x,y,θ)，(x,y)表示二维坐标，θ表示航向角，N
pa
表示节点N的父节点，q表示连接N
pa
与N的最短dubins曲线，c表示节点代价值；采样子树和采样子树根据转换对(s
i
,s
j
)的输入字母表对应的感兴趣区域进行拼接，其中s
i
和s
j
表示两种不同的B
ü
chi自动机状态；令∑
ij
表示转换对(s
i
,s
j
)的输入字母表，∑
ij
对应一个或多个感兴趣区域。3.根据权利要求2所述的移动机器人运动规划算法，其特征在于，所述步骤S1具体包含如下步骤：步骤S11、采用开源算法Cartographer进行栅格地图构建，并根据机器人半径对地图做膨胀处理；步骤S12、构建机器人时序任务，将机器人的时序任务使用LTL公式表示，并通过开源功能包spot将其转换为B
ü
chi自动机；B
ü
chi自动机可用元组表示，其中S
β
表示状态的有限集合，表示初始状态的集合，∑表示输入字母表，δ表示一种不确定的转移关系，F
β
表示接受状态的集合，步骤S13、将B
ü
chi自动机中同时满足LTL公式的多个原子命题的转换关系删去。4.根据权利要求3所述的移动机器人运动规划算法，其特征在于，所述步骤S2具体包含如下步骤：步骤S211、将初始节点加入到前缀采样树T
pre
中，其中初始位置信息X
0i
:＝(x0,y0,θ
i
)，(x0,y0)为移动机器人初始坐标，θ
i
表示第i个离散航向角，n的大小决定航向角分辨率，s0表示初始状态，步骤S212、将初始状态s0加入到第一列表中，并搜索自动机关于初始状态s0的邻居节点，获得待扩展的状态转换对，并将其加入到第二列表中；新建转换列表P
pre
；第一列表表示前缀采样树T
pre
已拥有的B
ü
chi自动机状态，在该列表采样可获得用来扩
展子树的转换对(s
i
,s
i
)；第二列表表示前缀采样树T
pre
中一系列待扩展的转换对(s
i
,s
j
)，其中s
i
，s
j
为B
ü
chi自动机中的两种不同状态；转换列表P
pre
用来存储前缀采样树T
pre
更新过程中需调整航向角的节点；前缀采样树T
pre
根据第一列表和第二列表进行构建，在构建的同时也对第一列表和第二列表进行更新；更新规则为：当第一列表有新B
ü
chi自动机状态s
i
加入时，搜索s
i
的邻居节点，构成一个或多个转换对，除了前缀采样树T
pre
已有的转换对，其余都加入到第二列表中；当前缀采样树T
pre
成功扩展第二列表中的转换对(s
i
,s
j
)时，判断采样子树与的连接节点是否已访问转换对(s
i
,s
j
)的输入字母表∑
ij
对应的所有感兴趣区域，如果是，则将(s
i
,s
j
)从第二列表中删除，另外如果则将s
j
加入到第一列表，若第一列表中有该状态，则忽略；步骤S213、设置前缀采样的迭代增量Δiter1为常数C1，前缀采样迭代值iter1初始化为第二列表转换对个数与迭代增量Δiter1的乘积；步骤S214、令迭代计数值i1＝0；步骤S215、若i1&lt;iter1，则i1＝i1+1，并执行步骤S216，否则退出程序；步骤S216、给定概率λ1，以λ1的概率在第一列表中进行采样，以(1
‑
λ1)的概率在第二列表中进行采样，获得转换对(s
i
,s
j
)；步骤S217、根据转换对(s
i
,s
j
)的输入字母表∑
ij
进行位置采样获得X:＝(x,y,θ)；步骤S218、遍历前缀采样树T
pre
中采样子树的节点，得到与X距离最小的点X
nr
，该距离通过dubins曲线长度衡量；步骤S219、判断||X
nr
‑
X||≤η，若成立则X
new
＝X，否则从X
nr
到X的dubins曲线上寻找一个点X
new
，使其满足||X
nr
‑
X
new
||＝η，这里两点距离为dubins曲线长度，η为距离阈值；步骤S220、遍历采样子树的节点，选取使点X
new
代价最小的父节点N
pa
，N
pa
的位置为X
pa
，并更新s
j
为点X
new
对应的B
ü
chi自动机状态；步骤S221、求解从X
pa
到点X
new
的最短dubins曲线Q；步骤S222、对dubins曲线Q进行碰撞检测，如无碰撞，则执行步骤S223，否则返回步骤S215；步骤S223、构建新节点N
new
：＝(X
new
,s
i
,N
pa
,Q,cost)，其中代价cost为父节点N
pa
的代价与曲线Q的长度之和；步骤S224、将新节点N
new
添加到采样子树中，并对采样子树中的新节点N
new
附近节点重新布线，降低附近节点代价；步骤S225、判断s
i
＝s
j
是否成立，如果是则跳至步骤S229，否则执行步骤S226；步骤S226、将新节点N
new
添加至转换列表P
pre
中；步骤S227、构建一系列节点其中X
i
中的x,y与X
new
的相同，将这些节点都添加到采样子树中；步骤S228、更新第一列表和第二列表，且每当第二列表新增加一对转换对时，迭代值iter1增加Δiter1；
步骤S229、通过采样调整转换列表P
pre
中节点的θ值并重选其父节点，若可使节点的代价降低，则更新前缀采样树T
pre
中对应的节点，否则不做处理；最后跳至步骤S215中。5.根据权利要求4所述的移动机器人运动规划算法，其特征在于，所述步骤S3具体包含如下步骤：步骤S31、遍历前缀采样树T
pre
中接受状态采样子树的节点，其中s
f
为接受状态，步骤S32、将每个遍历节点通过父指针向上访问至根节点，从而得到一系列候选前缀路径，并添加至候选前缀路径列表traj
pre
。6.根据权利要求5所述的移动机器人运动规划算法，其特征在于，所述步骤S4具体包含如下步骤：步骤S411、将前缀采样树T
pre

【专利技术属性】
技术研发人员：缪志强，曾健鑫，王耀南，吴文杰，黄姿蓉，张辉，
申请(专利权)人：湖南大学，
类型：发明
国别省市：