基于双向制造技术

基于双向

【技术实现步骤摘要】
基于双向A*和局部感知的人形机器人动态多障碍避障方法


[0001]本专利技术属于机器人避障
，具体涉及一种基于双向
A*
和局部感知的人形机器人动态多障碍避障方法
。

技术介绍

[0002]人工智能是计算机领域研究的重点方向之一，其中避障算法起到非常重要的作用，广泛应用于物流与仓储
、
工业自动化
、
无人机自主飞行
、
自动驾驶等场景，能够帮助机器人在复杂的工作环境中避免与其他设备
、
障碍物和工作人员发生碰撞，提高了工作效率和安全性
。
[0003]现有技术中的避障算法很多，例如：（1）基于传感器获取数据得到障碍物信息的避障算法，这种算法的优点在于可以通过多种传感器采集环境信息，实时获取，能够对各种障碍物进行有效检测和识别，缺点在于对传感器设备要求较高，需要采集高质量数据，不利于一般情景下推广，而且多传感器融合标定一直是目前的一个技术难点，也是自动驾驶等领域研究的重点问题
。
（2）基于路径规划的避障算法，通过构建地图和利用相关路径规划算法如
A*
等实现避障，这种算法安全高效，可以充分利用地图信息，同时根据不同地图特点和应用场景采用不同的路径规划方案，但是对已知地图的依赖性较高，尤其是未知或动态环境中的障碍物处理较困难，对于路径规划算法需要实时更新相应的障碍信息，增大了计算量，降低了无人机飞行效率，不适应对无人机反应速度要求较高的应用场景
。
[0004]尽管上述算法在很多领域都取得了不错的成果，但是对于动态多障碍复杂环境下的避障还存在计算速度不够快
、
场景针对性不强
、
泛化能力不够高等问题，因为动态多障碍意味着需要及时规划运动方向
、
实时感知障碍物和反馈运动状态信息，对避障算法的速度和效率要求较高
。
[0005]而对于动态避障算法，目前主流的的算法有：（1）基于虚拟势场的方法（
Virtual Potential Field
），该算法借鉴物理学中的势场概念，将障碍物视为施加在人形机器人上的力场，利用力场的梯度来指导机器人避开障碍物
。
通过定义吸引力和斥力，使机器人朝着目标点移动，并同时避开障碍物
。
算法优点是简单易实现，而且对于避开动态障碍物和静态障碍物都可以实现，缺点在于可能出现局部最小值问题，导致机器人陷入困境，而且对于复杂环境和多目标问题，算法设计和调整比较困难
。
（2）模型预测控制方法（
Model Predictive Control
），该算法的思想是基于预测模型对机器人的运动进行优化，在每个时刻选择最优的控制输入来避开障碍物
。
通过建立机器人的动力学模型和环境模型，预测机器人的未来状态，并使用优化算法来求解最优控制策略
。
优点是能够考虑到机器人的动力学约束和环境的动态变化，在复杂环境和大范围运动中具有较好的性能
。
缺点是计算复杂度高，需要实时求解优化问题，而且对模型的准确度要求较高，建模误差会影响控制效果
。
（3）基于深度学习的方法（
DeepLearning Approaches
），使用深度学习技术，如卷积神经网络（
CNN
）或循环神经网络（
RNN
），从传感器数据中学习机器人的行为和避障策略
。
通过训练神经网络模型，使机器人能够实时感知环境并作出相应的避障决策
。
优点是能够从大量数
据中学习复杂的感知
‑
决策映射关系
。
在复杂环境和未知场景中表现出较好的泛化能力
。
但是需要大量标注数据和计算资源进行训练
。
对于小样本和边缘情况的泛化能力有限
。
上述算法针对动态多障碍场景均存在一定不足
。
[0006]因此，本专利技术的目的是提供一种基于双向
A*
和局部感知的人形机器人动态多障碍避障方法，同时结合路径规划算法感知整体行进方向，将单一的感知变为双向
A*
和局部感知，从障碍物两边寻找出口，极大地降低了计算量，能够极快地完成避障，适合对处理时间要求较高的如未知森林穿越
、
多机对战等现实应用场景
。

技术实现思路

[0007]专利技术目的：为了克服以上不足，本专利技术的目的是提供一种基于双向
A*
和局部感知的人形机器人动态多障碍避障方法，设计合理，旨在解决障碍物动态出现
、
数量较大的环境下人形机器人避障的问题，结合了整体路径规划和局部避障，将单一的感知变为双向
A*
和局部感知，从障碍物两边寻找出口，极大地降低了计算量，可以针对性地解决动态多障碍环境下
A*
算法不适用的问题，应用前景广泛
。
[0008]本专利技术的目的是通过以下技术方案实现的：一种基于双向
A*
和局部感知的人形机器人动态多障碍避障方法，包括如下步骤：
S1
整体路径规划：基于初始基本地图信息，使用双向
A*
搜索算法确定人形机器人的最优路线，根据所述路径的方向作为人形机器人移动的辅助路线；
S2
局部避障：当出现人形机器人即将移动位置与动态障碍物位置重合时，执行局部感知算法，具体包括：
S21
：在人形机器人前进方向的前方设置有传感器，通过传感器感知前方环境，并且增加跟踪矩阵，及时更新动态障碍物信息；
S22
：结合跟踪矩阵提供的信息，判断人形机器人前方是否存在可行域；
S23
：若存在可行域，则指导人形机器人选择可行方向前进；若不存在可行域，则人形机器人返回上一位置，实时更新动态障碍物信息，并且执行辅助路线；
S3
：结合整体路径规划和局部避障，优化人形机器人在动态多障碍环境下的路径规划
。
[0009]本专利技术所述的基于双向
A*
和局部感知的人形机器人动态多障碍避障方法，针对障碍物动态出现
、
数量较大的环境下需要迅速完成避障，辅助人形机器人完成决策，该方法结合了整体路径规划和局部避障，整体路径以双向
A*
搜索算法规划的路径为辅，根据动态实时避障优化局部避障为主，将单一的感知变为双向
A*
和局部感知，从障碍物两边寻找出口，极大地降低了计算量，可以针对性地解决动态多障碍环境下
A*
算法不适用的问题，该方法对未知森林穿越
、
协同作战等场景有较好的应用效果
。
[0010]其中，所述传感器的数量
、
布局和灵敏度可以根据人形机器人的特性和使用场景进行调整
。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于双向
A*
和局部感知的人形机器人动态多障碍避障方法，其特征在于，包括如下步骤：
S1
整体路径规划：基于初始基本地图信息，使用双向
A*
搜索算法确定人形机器人的最优路线，根据所述路径的方向作为人形机器人移动的辅助路线；
S2
局部避障：当出现人形机器人即将移动位置与动态障碍物位置重合时，执行局部感知算法，具体包括：
S21
：在人形机器人前进方向的前方设置有传感器，通过传感器感知前方环境，并且增加跟踪矩阵，及时更新动态障碍物信息；
S22
：结合跟踪矩阵提供的信息，判断人形机器人前方是否存在可行域；
S23
：若存在可行域，则指导人形机器人选择可行方向前进；若不存在可行域，则人形机器人返回上一位置，实时更新动态障碍物信息，并且执行辅助路线；
S3
：结合整体路径规划和局部避障，优化人形机器人在动态多障碍环境下的路径规划
。2.
根据权利要求1所述基于双向
A*
和局部感知的人形机器人动态多障碍避障方法，其特征在于，所述步骤
S1
中的双向
A*
搜索算法，是根据人形机器人已知起始点和目标点，在基本地图上同时进行正向和反向搜索，以获得人形机器人的最优路径
。3.
根据权利要求1所述基于双向
A*
和局部感知的人形机器人动态多障碍避障方法，其特征在于，所述步骤
S21
中，在人形机器人前进方向的前方左右两侧分别设置有1个传感器；所述步骤
S22
中，使用2个所述传感器获取人形机器人前方的环境信息，并且根据顺时针判断人形机器人是否存在可行域
。4.
根据权利要求1所述基于双向
A*
和局部感知的人形机器人动态多障碍避障方法，其特征在于，所述步骤
S23
中，辅助路线根据动态障碍物信息更新，避免原路径上的动态障碍物，辅助人形机器人重新规划合适的路径...

【专利技术属性】
技术研发人员：张欣茹，贺亮，
申请(专利权)人：江苏云幕智造科技有限公司，
类型：发明
国别省市：