一种动态环境下移动机器人自主导航方法

摘要

本发明公开了一种动态环境下移动机器人自主导航方法，属于人工智能领域，首先构建点云地图，根据点云地图构建分层代价地图；在传统A*算法的基础上增加起始点角度约束、转向角度约束与目标点角度约束，实现在分层代价地图上的全局路径规划。在传统DWA算法的轨迹评价环节，使用自适应预测时间生成预测轨迹，实现在分层代价地图上的局部路径规划；最后，在动态环境下，结合全局路径规划与局部路径规划完成移动机器人的自主导航。本发明能够在动态环境下安全可靠的实现移动机器人自主导航，避障效果好，实时性高。

说明书

技术领域

本发明属于人工智能领域，具体涉及一种动态环境下移动机器人自主导航方法。

背景技术

随着智能感知和智能控制技术的快速发展，机器人自主能力也随之得到提高，并在日常生产、智慧物流和军事作战等领域得到广泛的应用。而智能机器人的自主导航能力是其智能化的关键技术之一，目前已有的导航方法大多数都是基于固定的场景，在面对动态场景下存在实时移动的动态障碍物，机器人不能够有效地实现动态场景自主导航功能。因此，本发明设计了一种动态环境下移动机器人自主导航方法。

发明内容

本发明的目的是解决移动机器人在动态环境中自主导航问题，提出了一种动态环境下移动机器人自主导航方法。

实现本发明目的的技术解决方案为：一种动态环境下移动机器人自主导航方法，具体步骤如下：

步骤S1，采集激光雷达三维点云数据，将采集到的三维点云数据进行降采样与地面分割，得到非地面三维点云数据，并结合机器人实时位姿，构建点云地图，同时，识别出静态障碍物与动态障碍物，进入步骤S2；

步骤S2，利用识别出的静态障碍物与动态障碍物对点云地图进行处理，构建分层代价地图，分层代价地图包括静态障碍物层代价地图、动态障碍物层代价地图、动态障碍物预测层代价地图和膨胀层代价地图，进入步骤S3；

步骤S3，根据得到的分层代价地图，在传统A*算法的基础上增加起始点和目标点角度约束、转向角度约束以及从起始点和目标点双向搜索方式，实现全局路径规划，进入步骤S4；

步骤S4，根据全局路径规划搜索得到的路径，在传统DWA算法的轨迹评价环节，使用自适应预测时间生成预测轨迹，结合分层代价地图，实现局部路径规划，进入步骤S5；

步骤S5，结合全局路径规划与局部路径规划，实现移动机器人自主导航。

本发明与现有技术相比，其显著优点在于：

(1)现有方法中，移动机器人只针对已知的静态环境，构建的分层代价地图只包括静态障碍物层与膨胀层，不能处理动态环境，且自主导航过程中的全局路径规划与局部路径规划往往进入局部最优，不能够有效安全的避障与导航。

(2)本发明能够解决动态环境中的自主导航问题，构建包括静态障碍物层、动态障碍物层、动态障碍物预测层和膨胀层的分层代价地图，在分层代价地图中，结合传统A*算法增加转向角度约束、起始点和目标点角度约束，实现双向搜索机制，提高全局寻路的效率，且在传统DWA算法的轨迹评价环节，增加自适应预测时间生成预测轨迹，实现安全高效局部规划。

附图说明

图1为本发明构建分层代价地图的流程图。

图2为动态障碍物及其预测轨迹图。

图3为转向角度约束示意图，其中图(a)为前向运动，图(b)斜向运动。

图4为基于角度约束的双向A*算法流程图。

图5为本发明移动机器人路径规划流程图。

图6为本发明一种动态环境下移动机器人自主导航方法流程图。

具体实施方式

下面结合具体实施方式对本发明做进一步详细的说明。

结合图6，本发明所述的一种动态环境下移动机器人自主导航方法，步骤如下：

步骤S1，采集激光雷达三维点云数据，将采集到的三维点云数据进行降采样与地面分割，得到非地面三维点云数据，并结合机器人实时位姿，构建点云地图，同时，识别出静态障碍物与动态障碍物，进入步骤S2。

步骤S2，利用识别出的静态障碍物与动态障碍物对点云地图进行处理，构建分层代价地图，分层代价地图包括静态障碍物层代价地图、动态障碍物层代价地图、动态障碍物预测层代价地图和膨胀层代价地图，进入步骤S3。

作为对本发明的优选步骤S2，利用识别出的静态障碍物与动态障碍物对点云地图进行处理，构建分层代价地图，分层代价地图包括静态障碍物层代价地图、动态障碍物层代价地图、动态障碍物预测层代价地图和膨胀层代价地图，具体如下：

步骤S2.1，根据识别出的静态障碍物，构建静态障碍物层代价地图，进入步骤S2.2。

步骤S2.2，将识别出的动态障碍物映射到世界坐标系中，构建动态障碍物层代价地图，进入步骤S2.3。

步骤S2.3，在动态障碍物层代价地图中，记录多个扫描周期中动态障碍物的中心坐标在世界坐标系下实际坐标(x(t),y(t))，利用最小二乘法构建误差函数：

其中，F

步骤S2.4，计算误差函数的偏导数为零时的动态障碍物实际横坐标的拟合轨迹参数w

w

同理得误差函数实际纵坐标的拟合轨迹参数：w

步骤S2.5，根据w

其中，x(t)为动态障碍物实际横坐标，y(t)为动态障碍物实际纵坐标，a

步骤S2.6，利用求解得到的动态障碍物拟合运动轨迹方程，预测动态障碍物的运动轨迹，构建动态障碍物预测层代价地图，进入步骤S2.7。

步骤S2.7，利用得到静态障碍物层代价地图、动态障碍物层代价地图、动态障碍物预测层代价地图，对上述每层代价地图的邻近区域分别做膨胀处理，得到膨胀层代价地图。

步骤S3，根据得到的分层代价地图，在传统A*算法的基础上增加起始点和目标点角度约束、转向角度约束以及从起始点和目标点双向搜索方式，实现全局路径规划，进入步骤S4。

作为对本发明的优选，步骤S3，根据得到的分层代价地图，在传统A*算法的基础上增加起始点和目标点角度约束、转向角度约束以及从起始点和目标点双向搜索方式，实现全局路径规划，具体如下：

步骤S3.1，将静态障碍物层代价地图栅格化，设机器人的中心坐标为(x,y)，运动中能到达邻域为上、下、左、右、左上、左下、右上、右下八个方向，邻域坐标集合为{(x-1,y)，(x+1,y)，(x,y-1)，(x,y+1)，(x-1,y-1)，(x+1,y-1)，(x-1,y+1)，(x+1,y+1)}，进入步骤S3.2。

步骤S3.2，对机器人连续两次移动的过程中的角度变化范围进行约束，即运动中能到达邻域约束为运动方向上的三个邻域，实现转向角度约束，进入步骤S3.3。

步骤S3.3，将机器人起始点的角度约束为机器人的当前前进方向，机器人目标点的角度约束要求机器人按照特定的角度到达目标点，进入步骤S3.4。

步骤S3.4，将转向角度约束加入到正向搜索列表open_list

其中，h为启发函数，h＝h

步骤S3.5，当正向搜索的扩展节点n

步骤S3.6，分别向起始点、目标点回溯，把两条路径合并得到最终的全局路径。

步骤S4，根据全局路径规划搜索得到的路径，在传统DWA算法的轨迹评价环节，使用自适应预测时间生成预测轨迹，结合分层代价地图，实现局部路径规划，进入步骤S5。

作为对本发明的优选，步骤S4，根据全局路径规划搜索得到的路径，在传统DWA算法的轨迹评价环节，使用自适应预测时间生成预测轨迹，结合分层代价地图，实现局部路径规划，具体如下：

步骤S4.1，将全局路径规划过程中的转向节点转化为局部目标点集合tmp_goal＝{g

步骤S4.2，计算DWA自适应预测时间t

其中，T

步骤S4.3，将计算得到自适应预测时间t

步骤S4.4，机器人接受线速度与角速度指令依次到达局部目标点g

步骤S5，结合全局路径规划与局部路径规划，实现移动机器人自主导航。

实施例1

本发明采用的速腾聚创32线激光雷达，360°重复扫描，空旷区域最远测距200米，安装高度1.8米。

如图1所示，通过速腾32线激光雷达构建包括静态障碍物层、动态障碍物层、动态障碍物预测层和膨胀层的分层代价地图构建。

如图2所示，根据拟合后得到动态障碍物运动轨迹，预测该障碍物在1s后的位置，其中，本次实验采用的拟合后得到动态障碍物运动轨迹方程为：

如图3所示，转向角度约束示意图，黑色箭头表示移动机器人的运动方向，机器人位于中间栅格，箭头指向当前机器人的运动方向，黑色栅格为机器人的可选方向。

如图4所示，基于角度约束的双向A*算法流程图。在传统A*算法的基础上增加起始点和目标点角度约束、转向角度约束以及从起始点和目标点双向搜索方式，实现全局路径规划。

如图5所示，移动机器人路径规划流程图。在基于角度约束的双向A*算法全局路径规划搜索到全局路径后，在DWA算法的轨迹评价环节，使用自适应预测时间生成预测轨迹，完成移动机器人的自主导航。

上述具体实施方式为本发明最佳的实施例及运用技术原理，但本发明的实施例方式并不受上述实施例的限制，其他不违背本发明的原理下所做的改变、修饰、替代、组合、简化，均应为等效的置换方式，都在本发明的保护范围之内。