一种移动机器人基于激光数据的动态障碍物轨迹预测方法

摘要

本发明提供了一种移动机器人基于激光数据的动态障碍物轨迹预测方法，属于移动机器人智能控制技术领域。移动机器人通过激光传感器感知周围的工作场景信息，基于实时获取的激光数据与已经存储的场景全局地图进行匹配，应用蒙特卡罗定位算法实现准确的全局定位，并依赖全局定位所获得的最佳位姿估计应用动态窗口法进行局部路径规划。本发明解决了移动机器人在动态复杂场景运动时，对于周围动态障碍物运动轨迹做出准确预测，从而实现更安全有效的避障和局部路径规划，能满足移动机器人复杂动态场景中准确安全的自主导航需求，旨在提高移动机器人自主导航的安全性和流畅性。

说明书

技术领域

本发明属于移动机器人智能控制技术领域，尤其涉及一种移动机器人基于激光数据的动态障碍物轨迹预测方法。

背景技术

移动机器人已经服务于当今社会发展的各行各业，如工厂、医院、家庭、酒店、展览馆、餐厅等，主要执行物流、搬运、配送和导引等作业任务。移动机器人在这些场景中自主导航，其动态复杂环境的适应性和安全性是其智能化的重要表现，而且对于动态障碍物能够有效安全顺滑的绕开，是移动机器人局部路径规划的重要功能。

考虑到移动机器人在工作场景中作业，不可避免地会有不同的障碍物在环境中运动，如人、以及其他移动机器人等。而传统中局部路径规划算法没有对于动态障碍物的预测功能，只能根据当前激光或其他传感器所感知的周围场景做出避障反应，这就导致在面对动态障碍物移动机器人做出相应的避障动作，经常会出现不必要的摇头甩尾，甚至是与动态障碍物安全距离太少导致发生碰撞。这种情况地发生会极大地降低移动机器人运行效率，甚至会发生安全事故。

发明内容

针对现有技术中的上述不足，本发明提供的一种移动机器人基于激光数据的动态障碍物轨迹预测方法，满足移动机器人复杂动态场景中准确安全的自主导航需求，提高移动机器人自主导航的安全性和运动的流畅性。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种移动机器人基于激光数据的动态障碍物轨迹预测方法，包括以下步骤：

S1、利用激光传感器实时感知周围环境信息，将当前时间帧激光数据与已存储的场景全局地图进行匹配，并利用蒙特卡罗定位算法获取当前时间帧最佳全局位姿估计；

S2、根据所述当前时间帧最佳全局位姿估计与场景全局地图，区分周围环境中的动态障碍物；

S3、对所述动态障碍物的激光数据进行分割聚类，得到动态障碍物多边形类簇描述；

S4、根据移动机器人的当前时间帧最佳全局位姿估计和动态障碍物多边形类簇信息，计算得到动态障碍物在全局地图中的位置和大小描述；

S5、分析后续相邻时间帧动态障碍物在全局地图中的位置和大小描述，利用卡尔曼滤波算法预测动态障碍物运动轨迹；

S6、根据所述预测的动态障碍物运动轨迹，利用应用动态窗口法进行路径规划，得到绕过动态障碍物的运动轨迹，完成移动机器人基于激光数据的动态障碍物轨迹预测。

本发明的有益效果是：本发明中移动机器人通过激光传感器感知周围的工作场景信息，基于实时获取的激光数据与已经存储的场景全局地图进行匹配，应用蒙特卡罗定位算法实现准确的全局定位，并依赖全局定位所获得的最佳位姿估计应用动态窗口法进行局部路径规划，保证在朝最终目标位置前进的同时安全顺滑地避开遇到的临时动态障碍物。本发明通过以上设计解决了移动机器人在动态复杂场景运动时，对于周围动态障碍物运动轨迹做出准确预测，从而实现更安全有效的避障和局部路径规划，旨在提高移动机器人自主导航的安全性和流畅性。

进一步地，所述步骤S1包括以下步骤：

S101、在移动机器人上方安装前向2D激光传感器，并利用所述激光传感器扫描周围环境信息，获取当前时间帧激光数据{L|γ

S102、将当前时间帧激光数据与已存储的场景全局地图

上述进一步方案的有益效果是：移动机器人利用应用蒙特卡罗全局定位算法，通过激光数据与已经存储的场景全局地图进行匹配，确定相对于给定场景地图的移动机器人的时间帧全局最佳位姿估计，从而实现准确的全局定位。

再进一步地，所述步骤S102中当前时间帧最佳全局位姿估计的表达式如下：

P

其中，P

上述进一步方案的有益效果是：准确的全局定位是移动机器人实现工作场景路径规划等自主导航的基础和前提条件。

再进一步地，所述步骤S2包括以下步骤：

S201、将动态障碍物轨迹投影至场景全局地图中：

其中，

S202、将所述当前时间帧最佳全局位姿估计与场景全局地图进行特征匹配，去除与场景全局地图栅格

其中，γ

上述进一步方案的有益效果是：将激光原始数据点进行有效地分割，区分出属于动态障碍物的激光数据点；

再进一步地，所述步骤S3包括以下步骤：

S301、判断所述动态障碍物激光数据中相邻两个激光点的距离是否大于预设的阈值，若是，则进入步骤S302，否则，进行下一个激光点的判断，并持续步骤S301；

S302、根据判断结果，利用多边形对激光传感器所检测到的障碍物区域{Ω|O

上述进一步方案的有益效果是：选择多边形类簇对动态障碍物进行描述，用最简单有效的，如大小、起始点、结束点进行表征。

再进一步地，所述步骤S301中判断所述动态障碍物激光数据中相邻两个激光点的距离是否大于预设的阈值满足的条件如下：

R

其中，R

上述进一步方案的有益效果是：将属于动态障碍物的激光数据点进行有效分割，区分出每个单独的离散的动态障碍物，并在下一步进行区域特征描述。

再进一步地，所述步骤S302中动态障碍物的多边形类簇描述的表达式如下：

其中，

上述进一步方案的有益效果是：将动态障碍物的大小和尺寸等最重要的描述信息计算出来，为后续坐标转换做准备。

再进一步地，所述步骤S4中动态障碍物在全局地图中的位置和大小描述的表达式如下：

X＝p

Y＝q

其中，l和α分别表示障碍物区域O

上述进一步方案的有益效果是：将动态障碍物的位置和尺寸等描述信息从激光传感器坐标系投影到全局地图坐标系，为下一步预测动态障碍物的运动轨迹做准备。

再进一步地，所述步骤S5中预测动态障碍物运动轨迹的表达式如下：

其中，E

上述进一步方案的有益效果是：能够对预测的动态障碍物的下一时间帧的位置、大小等作出比较详细的描述，有助于后续进行局部路径规划，实现是够安全有效的避障。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例

如图1所示，本发明一种移动机器人基于激光数据的动态障碍物轨迹预测方法，其实现方法如下：

S1、利用激光传感器实时感知周围环境信息，将当前时间帧激光数据与已存储的场景全局地图进行匹配，并利用蒙特卡罗定位算法获取当前时间帧最佳全局位姿估计，其实现方法如下：

S101、在移动机器人上方安装前向2D激光传感器，并利用所述激光传感器扫描周围环境信息，获取当前时间帧激光数据{L|γ

S102、将当前时间帧激光数据与已存储的场景全局地图

本实施例中，移动机器人在动态复杂场景中自主导航，通过激光传感器实时感知周围环境信息，通过激光数据与已经存储的场景全局地图进行匹配，实现准确的全局定位。移动机器人上方安装有前向2D激光传感器，激光传感器通过实时扫描周围工作场景，获取激光数据，其表征为{L|γ

S2、根据所述当前时间帧最佳全局位姿估计与场景全局地图，区分周围环境中的动态障碍物；

本实施例中，激光传感器检测数据反映的主要是被观测目标物体的表面形态，是非连续的2D采样，属于非致密的表面离散点。移动机器人使用激光传感器实时感知周围环境，获得包括障碍物相对于移动机器人的距离和角度信息，是一个扇形离散的2D点数据，即{L|γ

本实施例中，场景全局地图用来表征移动机器人工作场景环境信息，移动机器人的定位、路径规划等都需要依赖场景全局地图。考虑一般激光传感器所构建的是2D栅格地图，即把场景中的固定路标(障碍物区域)、可行驶区域(无障碍物区域)等离散成一定尺寸大小的栅格集，投射在激光扫描平面。通常用1表示有障碍物，0表示无障碍物，考虑到激光的有效扫描范围，对于未确定的区域用-1来表征，表达式为：

其中，

本实施例中，考虑激光传感器获得的数据点并不全是动态碍物的数据点，基于机器人当前k帧的全局最佳位姿估计P

其中，P

S3、对所述动态障碍物的激光数据进行分割聚类，得到动态障碍物多边形类簇描述，其实现方法如下：

S301、判断所述动态障碍物激光数据中相邻两个激光点的距离是否大于预设的阈值，若是，则进入步骤S302，否则，进行下一个激光点的判断，并持续步骤S301；

S302、根据判断结果，利用多边形对激光传感器所检测到的障碍物区域{Ω|O

本实施例中，激光数据点分割聚类，就是将原始的激光数据点，进行预处理，去除全局栅格地图中固定路标点，获得动态障碍物类簇的位置和大小等描述。

本实施例中，激光数据点的分割聚类是按照构成物体外曲面所属子曲面类型的差异，将属于同一子曲面类型的数据通过某种分类方法划分为同一组。检测的核心问题，如果原始激光障碍物点不能准确的聚类，会导致同一障碍物出现多类的现象，从而影响障碍物检测有效性。同一障碍物能够在不同时刻精确的进行匹配是动态障碍物状态检测的前提条件，所以聚类决定了障碍物位置和尺寸等检测的有效性和快速性。考虑移动机器人实际工作场景中动态障碍物属性，采用依据欧氏距离的区域分割法分割数据，其原理是依据计算相邻两个激光扫描点之间的距离为标准。当这两个激光点之间的距离超过某一预设阈值时，对该区域进行分割，若未超过则进行下一个数据点的判别断。假设机器人前方主激光聚类为O

R

其中，阈值D

本实施例中，移动机器人工作场景中的动态障碍物，主要包括行人以及其他移动机器人，而激光所获取的只是其整体面向移动机器人的外轮廓曲线的一部分。为了更好地表征这些离散的轮廓采样点，主要应用多边形来表征激光所检测到的障碍物区域{Ω|O

其中，

S4、根据移动机器人的当前时间帧最佳全局位姿估计和动态障碍物多边形类簇信息，计算得到动态障碍物在全局地图中的位置和大小描述；

本实施例中，将在移动机器人坐标系中动态障碍物的多边形描述转换到全局坐标系：

X＝p

Y＝q

其中，l和α分别表示障碍物区域O

S5、分析后续相邻时间帧动态障碍物在全局地图中的位置和大小描述，并利用卡尔曼滤波算法预测动态障碍物运动轨迹；

本实施例中，卡尔曼滤波(Kalman filtering，KF)主要被用在离散时间系统中状态量的估计，该算法核心为系统状态方程以及系统量测方程，能够实现最小均方估计误差意义下的随机信号的最佳线性滤波。利用卡尔曼滤波可以预测动态障碍物在场景全局地图中下一时间帧位置。在具体应用时，卡尔曼滤波中的状态量Φ及协方差矩阵P需要给定初值，而状态噪声矩阵Q及量测噪声矩阵R需要根据噪声统计特性来进行确定。利用上述卡尔曼滤波算法，获得动态障碍物下一时间k+1帧的位置等轨迹信息：

S6、根据所述预测的动态障碍物运动轨迹，利用应用动态窗口法进行路径规划，得到绕过动态障碍物的运动轨迹，完成移动机器人基于激光数据的动态障碍物轨迹预测。

本实施例中，基于所预测的动态障碍物运动轨迹，移动机器人结合当前帧所获取的激光数据，应用动态窗口法(Dynamic Window Approach，DWA)进行局部路径规划算法，生成一系列的线速度ν和角速度

本发明中移动机器人通过激光传感器感知周围的工作场景信息，基于实时获取的激光数据与已经存储的场景全局地图进行匹配，应用蒙特卡罗定位算法实现准确的全局定位，并通过对所实时获取的激光数据在移动机器人坐标系中进行分割聚类处理，计算动态障碍物的多边形类簇描述，然后应用卡尔曼滤波算法分析和预测动态障碍物在全局地图下一时间帧的坐标和大小等运动轨迹，移动机器人再依据此运动轨迹应用动态窗口法进行局部路径规划，保证在朝最终目标位置前进的同时安全顺滑地避开遇到的临时动态障碍物，从而实现安全有效地避障。本发明能够有效地对动态障碍物轨迹进行预测，移动机器人在动态复杂场景自主导航遇到动态障碍物时避免出现摇头甩尾，甚至是与动态障碍物安全距离太少导致发生碰撞等问题。本发明解决了移动机器人在动态复杂场景运动时，对于周围动态障碍物运动轨迹做出准确预测，从而实现更安全有效的避障和局部路径规划，能满足移动机器人复杂动态场景中准确安全的自主导航需求，旨在提高移动机器人自主导航的安全性和流畅性。