首页 / 专利库 / 人工智能 / 机器人自主导航 / 一种区分人员影响的服务机器人导航规划方法

一种区分人员影响的服务机器人导航规划方法

阅读:925发布:2020-05-14

专利汇可以提供一种区分人员影响的服务机器人导航规划方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种区分人员影响的服务 机器人 导航规划方法。移动成本是通过使用高斯函数进行几何建模得到的;通过将人员影响模型纳入环境地图成本模型,与组合式导航规划过程紧密联系;根据 激光雷达 传感器 对所述人员是否参与进行检验,区分出人员 角 色。若探测到的是用户,则切换线程,导航规划以接近用户;若探测到的是行人,则进行避障规划且不侵犯行人私密空间。此外,组合式规划过程分为全局和局部两部分,优化规划 算法 以与人员影响成本相匹配。通过本发明缓解了现有服务机器人导航规划技术在应对人员参与时的处理困境,将不同的成本影响与规划过程紧密联系,使机器人真真切切“意识”到人的存在,大大提升了用户体验和服务机器人的执行能 力 。,下面是一种区分人员影响的服务机器人导航规划方法专利的具体信息内容。

1.一种区分人员影响的服务机器人导航规划方法,其特征在于,步骤如下:
第一部分,成本建模
步骤1,人员影响特性分类:根据对服务机器人需求的不同,将人员划分为两类:行人和用户,用户即为被服务对象;要求服务机器人最基本的行为特性表现为趋、避两种;
步骤2,对行人、用户影响的抽象描述进行量化;分别使用二维非标高斯函数进行几何建模,得到人员影响成本C1;
(1)趋、避行为特性直观表现为服务机器人距离上的接近和远离,即用距离语言作为量化标准;
(2)行人对服务机器人来说具有陌生性,而侵入到陌生对象的私人空间又被认为是不合理的;因此,使用二维非标高斯函数进行距离及几何建模,通过高斯曲面值的大小和截断处理将行人影响转化为各个方向、各种等级的距离对应值,曲面值分布于[0,1]区间,曲面值越高代表越不可接近;用户是服务机器人的服务对象,具有亲密性,因此建立反向二维非标高斯函数进行几何建模,即整体取负,曲面值分布于[-1,0]区间,值越低代表越应该接近;
(2)几何建模及二维非标高斯函数为:
式(1)中,f(x,y)为量化成本值,(x0,y0)为人员位置,幅值A按人员色取1或-1;由于人员视野范围和靠右行驶的原则,对正前方的接近比后方要敏感,对右边的接近比左边要敏感,因此高斯函数按人员朝向为正前方,在不同方向取不同的方差值σ+x、σ-x、σ+y、σ-y;
步骤3,得到静态环境地图,服务机器人利用传感器进行SLAM(Simultaneous Localization and Mapping)过程对服务场所、静态障碍进行感知,输出静态环境地图成本C2;地图以栅格形式表示,栅格占据状态值代表服务机器人通过成本;
步骤4,得到总的成本地图C总=C1+C2;将人员影响成本与静态环境地图成本两部分叠加
(1)服务机器人SLAM过程利用Hokuyo激光雷达和Rao-Blackwellized粒子滤波算法,外加服务机器人本体提供的里程计信息,输出得到环境地图成本C2;该环境地图以占据二值图的栅格形式表示,占据值为1表示该栅格有障碍物存在,占据值为0表示可自由通行;
(2)将人员影响成本C1与静态环境地图成本C2两部分叠加,如式(2),因人员影响成本C1原有占据值为1的部分不可能再有人员存在,则表征移动成本值的栅格单元值最终分布于[-1,1]区间;这样,将建立的人员影响成本考虑进来,以约束服务机器人的行为表现,使之具备趋、避倾向;
C总=C1+C2   (2)
第二部分,感知切换
步骤5,传感器对人员参与进行检测:先从环境中将动态人员检出,再进一步区分出用户和无关行人,具体:采用对人腿部点聚类分割,以激光扫描作为输入,使用随机森林分类器检测数据簇,作为人腿候选处,从环境中将动态人员检出;进一步,深度相机采用模板匹配的方法对动态人员的轮廓外形进行识别,与用户数据库对比,区分出用户和行人;
步骤6,目标位置的确定和切换:步骤5未探测到用户时,暂定探索目标位置,以在前进中寻找用户;传感器探测到用户时,则切换线程,以用户为目标位置;
第三部分,导航规划
步骤7,全局路径规划器启动,获得至目标点的全局路径;获得目标位置的输入后,在总成本地图C总上使用改进的全局规划算法,启发式函数加入人员成本,基于栅格地图的成本进行路径搜索;
地图服务器接收成本地图信息;一旦获得目标位置的输入,利用传感器观测,基于蒙特卡洛自主定位,获得服务机器人当前位置及当前位姿朝向;全局路径规划器按规划频率更新用户相对于服务机器人的位置,人员影响成本也在此阶段更新,寄存用户信息;
(1)全局路径规划器启动,在总成本地图C总上进行路径搜索;以八连通栅格为搜索策略,传统A*算法在此处被优化改进,其启发式函数h部分最初是服务机器人当前位置到目标位置的距离估价;在此基础上,h修改为距离成本和人员影响成本之和,还对动态成本加权以为加快搜索过程,最终获得全局路线,如式(3)所示:
f=g+h+δh1    (3)
其中,f为服务机器人从初始位置到目标位置的移动成本函数,g为从初始点到当前点的实际消耗成本,h为从当前位置到目标位置的距离估价,h1为栅格的人员影响成本,δ为加权系数,取经验值;
步骤8,局部规划器启动,避障行进;令局部算法跟随全局路径,优化轨迹预测评分机制,利用传感器实时观测避开局部障碍,并选择最优的规划速度发送给执行机构;
(1)全局路线发布参考路径至局部规划器;同时传感器进行实时观测,扫描障碍物、人员检测信息;
(2)在最大最小速度限制、电机转矩限制、停车距离限制所形成对速度空间内进行(线速度v,角速度w)组的采样过程;依照该(线速度v,角速度w)组和规划时间间隔ΔT前向模拟轨迹;对轨迹进行评分,评分项:目标朝向角大小、速度大小、与最近障碍物距离大小和与全局路径的最短距离大小;选择评分最高的模拟轨迹对应的规划速度(v0,w0);
(3)最后,直接将(v0,w0)发送给移动底盘,由执行机构进行速度平滑输出。

说明书全文

一种区分人员影响的服务机器人导航规划方法

技术领域

[0001] 本发明属于移动服务型机器人技术领域,具体而言,涉及一种区分人员参与影响的服务机器人导航规划方法。

背景技术

[0002] 机器人日益进入我们的家庭和工作场所,尤其是担任辅助和服务色的自主移动机器人,大大改善了人类生活质量。然而,面对人员参与情况,无论遇到的是行人还是用户,服务机器人不仅要在移动过程完成路线选择,而且要意识到人因的存在,充分考虑一些人员参与带来的规划约束。
[0003] 现有研究通常采用成本函数法、社会模型法或基于学习的方法来达到考虑人员约束的目的。基于学习或语义等方法使用特征来捕获人员行为的重要属性,并通过机器学习来估计特征权重,该方法尽管能使移动机器人表现出类人特性,但往往对于数据敏感,应用于室内场景时反而增加了复杂性,显得不必要。传统成本函数方法一旦定义了与人相关的函数,特性往往不再变化,因此,在模拟动态不确定性和整合人员运动方面需要进一步完善。
[0004] 人机共存场景虽存在复杂性,但要求机器人最基本的行为表现应为趋、避两种,如何对人员需求进行合理地描述,将直接影响服务机器人的智能化平。此外,全局加局部的组合式路径规划尽管能满足可移动性,但如何更好地配置他们对路径生成质量影响很大,例如,更为主动的规划算法将会显著减轻局部避障负担,移动机器人运动实时性更好,便于运动控制。
[0005] 针对现有服务机器人路径规划技术中在对人员参与影响下的失效失稳问题,目前尚未提出较为针对性的解决方案。

发明内容

[0006] 本发明设计了一种区分人员影响的服务机器人导航规划方法,以解决现有技术中的问题。
[0007] 本发明的技术方案:
[0008] 一种区分人员影响的服务机器人导航规划方法,步骤如下:
[0009] 第一部分,成本建模
[0010] 步骤1,人员影响特性分类。人员角色:无关对象“行人”、被服务对象“用户”;机器人基本行为表现:“趋”、“避”。(定性分析)
[0011] 步骤2,对行人、用户影响的抽象描述进行量化。建模得到人员影响成本C1。(定量分析)
[0012] 步骤3,服务机器人自主同步定位和建图,得到静态环境地图。输出环境地图成本C2,代表服务机器人通过成本。
[0013] 步骤4,得到总的成本地图C总=C1+C2。将人员影响成本与静态环境地图成本两部分叠加
[0014] 第二部分,感知切换
[0015] 步骤5,传感器对人员参与进行检测。先从环境中将动态人员检出,再进一步区分出用户和无关行人。
[0016] 步骤6,目标位置的确定和切换。根据步骤5是否寻找到用户,决定目标位置及是否切换线程。
[0017] 第三部分,导航规划
[0018] 步骤7,全局路径规划器启动,优化启发式函数,获得至目标点的全局路径。
[0019] 步骤8,局部规划器启动,优化轨迹预测评分机制,选择最优的规划速度避障行进。
[0020] 本发明的有益效果:
[0021] (1)基于服务机器人常工作于人员参与场景,对所述人员附加影响进行特性分类、并进一步量化,从抽象到具体;
[0022] (2)通过将所述影响模型纳入环境地图成本模型,与组合式导航规划过程紧密联系,考虑因素全面;
[0023] (3)在感知层面,对所述人员是否参与进行检验,区分出用户和行人,调整导航目标位置,按可接近性进行规避或接近。
[0024] (4)通过本发明解决了现有服务机器人路径规划技术中在对人员参与影响下的失效失稳问题,从而大大提升了用户体验和服务机器人的执行能力。附图说明
[0025] 图1是根据本发明实施例的一种人员参与影响下的服务机器人导航规划方法的流程图
[0026] 图2是根据本发明实施例的用户和行人量化建模方法示意图。其中,(a)、(b)分别为行人、用户的二维非标高斯函数建模示意图,(c)、(d)分别为行人、用户参与影响的产生的“趋”、“避”特性;
[0027] 图3是根据本发明实施例的组合式路径规划示意图;
[0028] 图4是根据本发明实施例的人员参与影响在具体场景下的服务机器人导航效果示意图。其中,(a)、(b)分别为行人、用户的。

具体实施方式

[0029] 为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
[0030] 本发明提供了一种区分人员影响的服务机器人导航规划方法。图1是根据本发明实施例技术方法的流程图。如图1所示,该方法包括:
[0031] 第一部分,成本建模。
[0032] 步骤1,人员影响特性分类。根据对服务机器人需求的不同,将人员划分为两类:行人和用户(被服务对象),要求机器人最基本的行为表现应为趋、避两种。(定性分析)[0033] 步骤2,对行人、用户影响的抽象描述进行量化。分别使用二维非标高斯函数进行几何建模,得到人员影响成本C1。(定量分析)
[0034] 进一步地,步骤2所述人员影响量化策略详细如下:
[0035] (1)趋、避特性直观表现为移动机器人距离上的接近和远离,即用距离(或称空间)语言作为量化标准。
[0036] (2)所述行人对服务机器人来说具有陌生性,而侵入到陌生对象的私人空间又被认为是不合理的。因此,使用二维非标高斯函数进行距离及几何建模,通过高斯曲面值的大小和截断处理将行人影响转化为各个方向、各种等级的距离对应值,曲面值分布于[0,1]区间,值越高代表越不可接近。所述用户是服务机器人的服务对象,具有亲密性,因此建立反向二维非标高斯函数几何建模(即整体取负),曲面值分布于[-1,0]区间,值越低代表越应该接近。
[0037] (3)几何建模及二维非标高斯函数设计为:
[0038]
[0039] 如式(1)为高斯函数公式,f(x,y)为量化成本值,(x0,y0)为人员位置,幅值A按人员角色取1或-1;由于人员视野范围和靠右行驶的原则,对正前方的接近比后方要敏感,对右边的接近比左边要敏感,因此高斯函数按人员朝向为正前方,在不同方向取不同的方差值σ+x、σ-x、σ+y、σ-y。
[0040] 步骤3,得到静态环境地图。服务机器人利用传感器进行SLAM过程对服务场所、静态障碍进行感知,输出环境地图成本C2。地图以栅格形式表示,栅格占据状态值代表服务机器人通过成本。
[0041] 步骤4,得到总的成本地图C总=C1+C2。将人员影响成本与静态环境地图成本两部分叠加。
[0042] 进一步地,步骤4所述获得总成本地图策略详细如下:
[0043] (1)服务机器人SLAM(Simultaneous Localization and Mapping)过程利用Hokuyo激光雷达和Rao-Blackwellized粒子滤波算法,外加机器人本体提供的里程计信息,输出得到环境地图成本C2。该环境地图以占据二值图的栅格形式表示。占据值为1表示该栅格有障碍物存在,占据值为0表示可以自由通行。
[0044] (2)将所述人员影响成本模型C1与静态环境地图成本C2两部分叠加。如式(2),因C1原有占据值为1的部分不可能再有人员存在,则表征移动成本值的栅格单元值最终分布于[-1,1]区间。这样,将建立的人员影响成本模型考虑进来,以约束服务机器人的行为表现,使之具备趋、避倾向。
[0045] C总=C1+C2   (2)
[0046] 第二部分,感知切换。
[0047] 步骤5,传感器对人员参与进行检测。先从环境中将动态人员检出,再进一步区分出用户和无关行人。包括:
[0048] 采用对人腿部点聚类分割,以激光扫描作为输入,使用随机森林分类器检测数据簇,作为人腿候选处,从环境中将动态人员检出。进一步,深度相机采用模板匹配的方法对动态人员的轮廓外形进行识别,与用户数据库对比,区分出用户和无关行人。
[0049] 步骤6,目标位置的确定和切换。步骤5未探测到用户时,暂定探索目标位置,以在前进中寻找用户。传感器探测到用户时,则切换线程,以用户为目标位置。
[0050] 第三部分,导航规划。
[0051] 步骤7,全局路径规划器启动,获得至目标点的全局路径。获得目标位置的输入后,在总成本地图C总上使用改进的全局规划算法,启发式函数部分加入人员成本,基于栅格地图的成本进行路径搜索。
[0052] 进一步地,步骤7所述全局规划策略详细如下:
[0053] (1)地图服务器接收成本地图信息;一旦获得目标位置的输入,利用传感器观测,基于蒙特卡洛自主定位,获得服务机器人当前位置及当前位姿朝向;全局规划器按规划频率更新用户相对于机器人的位置,人员影响成本也在此阶段更新,寄存用户信息。
[0054] (2)全局路径规划器启动,在总成本地图C总上进行路径搜索。以八连通栅格为搜索策略,传统A*算法在此处被优化改进,其启发式函数h部分最初是服务机器人当前位置到目标位置的距离估价。在此基础上,h也修改为距离成本和人员影响成本之和,还对动态成本加权以为加快搜索过程。最终获得全局路线。如式(3)所示。
[0055] f=g+h+δh1   (3)
[0056] 其中,f为服务机器人从初始位置到目标位置的移动成本函数,g为从初始点到当前点的实际消耗成本,h为从当前位置到目标位置的距离估价,h1为栅格的人员影响成本,δ为加权系数,取经验值。
[0057] 步骤8,局部规划器启动,避障行进。令局部算法跟随全局路径,优化轨迹预测评分机制,利用传感器实时观测避开局部障碍,并选择最优的规划速度发送给执行机构。
[0058] 进一步地,步骤8所述局部规划策略详细如下:
[0059] (1)全局路线发布为参考路径至局部规划器;同时传感器进行实时观测,扫描障碍物、人员检测信息。
[0060] (2)在最大最小速度限制、电机转矩限制、停车距离限制所形成对速度空间内进行(线速度v,角速度w)组的采样过程;依照该速度组和规划时间间隔ΔT前向模拟轨迹;对轨迹进行评分,评分项:目标朝向角大小、速度大小、与最近障碍物距离大小,外加本发明优化的与全局路径的最短距离大小;选择评分最高的模拟轨迹对应的规划速度(v0,w0)。
[0061] (3)最后,直接将(v0,w0)发送给移动底盘,由执行机构进行速度平滑输出。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈