一种基于深度相机的机器人导航避障方法技术

一种基于深度相机的机器人导航避障方法

【技术实现步骤摘要】
一种基于深度相机的机器人导航避障方法


[0001]本专利技术涉及一种基于深度相机的机器人导航避障方法
,
属于机器人

。

技术介绍

[0002]地面移动机器人具有运动稳定性高
、
承载能力强
、
机械结构简单等特点，能够在复杂恶劣环境中代替人类执行特定任务，已经成为当前的研究热点
。
随着社会的发展和科技的进步，机器人在日常生活和工业领域的应用越来越广泛
。
机器人导航和避障技术是实现自主移动的重要组成部分，对于提高机器人的智能化水平
、
降低人工干预成本及提高工作效率具有重要的应用价值
。
通过基于深度相机的机器人导航避障方法，可以使机器人能够实现更加精准
、
高效
、
快速的导航避障，从而更好地适应复杂多变的环境
。
[0003]目前，机器人导航避障系统主要采用激光雷达摄像头等传统传感器
。
激光雷达可以提供较高精度的距离信息，而摄像头则可通过三角测量获得图像深度进而避障
。
这些技术虽然在一定程度上实现了机器人的导航和避障，但也存在一些缺陷：基于激光雷达的避障方案成本
、
尺寸
、
重量和能耗均较高，基于摄像头的方案则精度较低，可能无法准确感知障碍物的形状和位置，导致机器人避障能力不足，容易出现碰撞或误判情况；此外，对传感器数据的处理需要大量的计算资源和时间，导致机器人响应速度较慢，不能及时做出准确的导航避障决策；由于传统传感器技术获取数据的方式受限，机器人对环境变化的响应相对较慢，难以适应动态复杂的导航环境
。

技术实现思路

[0004]针对现有移动机器人精度差
、
效率低的问题，本专利技术的主要目的是提出一种基于深度相机的机器人导航避障方法，通过在未知环境中进行地图构建与路径规划，并充分利用三维环境信息，实现三维避障
。
提高导航避障路径的平滑性
、
提升机器人避障的响应速度及安全性，从而更好地满足实际应用需求
。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]本专利技术公开的一种基于深度相机的机器人导航避障方法，通过将节点扩展过程从几何空间转移到状态空间，提升机器人路径规划的平滑性；兼顾机器人状态空间的特点，采用与机器人加速度和终端误差相关的新代价函数，智能地衡量导航路径的质量，提高导航效率；通过利用三维环境地图，不仅进行平面内的碰撞检测，还在垂直方向上进行碰撞检测，使机器人能够更可靠地避免碰撞，提高导航的安全性；通过引入
B
样条曲线优化路径，进一步提高导航路径的平滑性
、
安全性和动态可行性
。
[0007]本专利技术公开的一种基于深度相机的机器人导航避障方法，包括以下步骤：
[0008]步骤
S1、
将节点扩展过程转移到状态空间，对机器人进行路径规划，增加路径平滑性；
[0009]步骤
S1
中，传统路径规划方法在扩展节点时，节点与节点之间以折线段相连，规划的路径缺乏平滑性
。
本方法基于移动机器人的状态空间模型，将路径规划的节点扩展过程
转移到状态空间，寻找状态空间相邻的节点
。
移动机器人的状态向量为
x(t)
＝
[P,V]，则状态空间模型为
[0010][0011]其中，
I2为二阶单位矩阵，
P
＝
[p
x
,p
y
]T
表示移动机器人在惯性系下的位置，
V
＝
[v
x
,v
y
]T
表示移动机器人在惯性系下的速度，
u
＝
[a
x
,a
y
]T
表示移动机器人的加速度
。
其中，
a
x
,a
y
∈[
‑
a
max
,a
max
]，
a
x
、a
y
为加速度在坐标轴分量，
a
max
为加速度最大值
。
[0012]节点扩展时，在每个坐标轴方向上分别离散化
u
为
k
是表示时间步骤的离散索引，将当前的状态
x(0)
以及输入
u
d
∈U
带入系统状态方程：
[0013][0014]以当前节点为中心，在状态空间向八个方向即上
、
下
、
左
、
右
、
左上
、
左下
、
右上
、
右下搜索，获取在状态空间相邻的节点
。
[0015]步骤
S2、
基于步骤
S1
所得的状态空间，构建状态空间预估代价函数；
[0016]构建代价函数：
[0017][0018]其中
ρ
为常值
。
[0019]与传统路径规划方法类似，使用
g
c
表示从起始状态
x
s
到当前状态
x
c
的实际代价
。
最优路径共包含
J
段，则
g
c
的计算公式如下
[0020][0021]其中，
u
dj
表示第
j
段路径的加速度值，
τ
表示第
j
段路径的持续时间
。
[0022]预估代价采用庞特里亚金极小值原理求解，得到最优控制输入
u
*
(t)
以及最小代价
J
*
(T)
[0023][0024][0025][0026]其中
p
μ
c
,v
μ
c
表示当前节点的位置和速度，
p
μ
g
,v
μ
g
表示目标节点的位置和速度
。
[0027]将
α
μ
,
β
μ
带入
J
*
(T)
，能够得到一系列极值点，选择符合运动学模型且代价最小的时间点
T
opt
,
并将
J*(T
opt
)
作为预估代价
h
c
，确定运动最佳路径
。
[0028]步骤...

【技术保护点】

【技术特征摘要】
1.
一种基于深度相机的机器人导航避障方法
,
其特征在于：包括如下步骤，步骤
S1、
将节点扩展过程转移到状态空间，对机器人进行路径规划，增加路径平滑性；步骤
S2、
基于步骤
S1
所得的状态空间，构建状态空间预估代价函数；步骤
S3、
基于步骤
S1
所规划的路径，并利用三维环境地图，同时在搜索平面及机器人自身高度的垂直方向上进行碰撞检测，检测到碰撞，则重新进行规划以避开障碍物；步骤
S4、
基于
B
样条曲线局部可调整的特性，将搜索出的路径点作为
B
样条曲线的型值点，进而反算出
B
样条曲线的控制点，然后构造代价函数对
B
样条曲线的控制点进行调整，对步骤
S1
所规划路径进行优化
。2.
一种基于深度相机的机器人导航避障方法
,
其特征在于还包括步骤
S5、
控制器接收所得到最佳规划轨迹以及机体位姿信息，计算并输出控制速度指令发送至底层运动控制器实现机器人的导航避障；由步骤
S1
‑
S4
得到最佳无碰撞路径后，轨迹规划模块根据期望轨迹和定位模块提供的位置信息计算得到机器人期望位置和速度及期望位姿；运动控制模块接收机器人的当前状态信息及期望状态信息，利用状态空间求解得出期望的线速度指令以及角速度指令；机器人运动控制器按照所解算出的控制信息对机器人位姿进行控制，实现机器人的导航避障；在机器人运动过程中，通过深度相机采集得到的机器人位姿信息也随之更新，轨迹规划模块所存储的起始节点在运动中更新，将机器人运动当前时刻所在位置作为初始节点重新进行节点扩展
、
碰撞检测，对机器人运动轨迹实时更新优化
。3.
如权利要求1所述的一种基于深度相机的机器人导航避障方法
,
其特征在于：步骤
S1
的实现方法为，基于移动机器人的状态空间模型，将路径规划的节点扩展过程转移到状态空间，寻找状态空间相邻的节点；移动机器人的状态向量为
x(t)
＝
[P,V]
，则状态空间模型为其中，
I2为二阶单位矩阵，
P
＝
[p
x
,p
y
]
T
表示移动机器人在惯性系下的位置，
V
＝
[v
x
,v
y
]
T
表示移动机器人在惯性系下的速度，
u
＝
[a
x
,a
y
]
T
表示移动机器人的加速度；其中，
a
x
,a
y
∈[
‑
a
max
,a
max
]
，
a
x
、a
y
为加速度在坐标轴分量，
a
max
为加速度最大值；节点扩展时，在每个坐标轴方向上分别离散化
u
为
k
是表示时间步骤的离散索引，将当前的状态
x(0)
以及输入
u
d
∈U
带入系统状态方程：以当前节点为中心，在状态空间向八个方向即上
、
下
、
左
、
右
、
左上
、
左下
、
右上
、
右下搜索，获取在状态空间相邻的节点
。4.
如权利要...

【专利技术属性】
技术研发人员：王佳楠，李春雨，王博，罗子娟，李雪松，单家元，丁艳，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：