CN109839118A - 路径规划方法、系统、机器人和计算机可读存储介质 - Google Patents

Abstract

本公开涉及一种路径规划方法、系统、机器人和计算机可读存储介质，涉及机器人领域。路径规划方法包括：基于设置在机器人上的激光雷达所获取的环境信息，根据仓库面积采用相应的建图方法来离线构建仓库的激光地图；通过融合设置在所述机器人上的里程计和惯性传感器所获取的位置信息和姿态信息、以及所述环境信息，利用适应性蒙特卡洛定位方法来定位所述机器人；在所述激光地图上，根据指定的巡检目标点和巡检顺序来动态地规划所述机器人的巡检路径。根据本公开，能够容易地实现机器人的室内巡检。

Description

路径规划方法、系统、机器人和计算机可读存储介质

技术领域

本公开涉及机器人领域，特别涉及一种路径规划方法、系统、机器人和计算机可读存储介质。

背景技术

随着传感器技术、人工智能等技术的发展，机器人领域成为一个蓬勃发展的新兴领域。巡检机器人作为一个重要的应用，得到越来越多的关注。

较为成熟的相关技术主要是室外巡检机器人。但是对于室内巡检机器人而言，目前还没有成熟的解决方案。

发明内容

本公开的发明人认为：室内巡检机器人的困难主要在于室内环境封闭无GPS信号、室内环境较室外环境更复杂、巡检的要求更高等方面。这些导致室内巡检时机器人的路径规划非常困难，尤其是对于仓库这种环境复杂的室内巡检将尤为困难。针对上述技术问题，本公开提出了一种容易实现的室内巡检方案。

根据本公开的一些实施例，提供了一种路径规划方法，包括：基于设置在机器人上的激光雷达所获取的环境信息，根据仓库面积采用相应的建图方法来离线构建仓库的激光地图；通过融合设置在所述机器人上的里程计和惯性传感器所获取的位置信息和姿态信息、以及所述环境信息，利用适应性蒙特卡洛定位方法来定位所述机器人；在所述激光地图上，根据指定的巡检目标点和巡检顺序来动态地规划所述机器人的巡检路径。

可选地，对于面积小的仓库，采用gmapping建图方法离线构建仓库的激光地图，包括：根据所述里程计和所述激光雷达所获取的位置信息和环境信息，利用粒子滤波器来估计所述机器人的位置和姿态；对于用栅格占据法表示的仓库地图，根据所述激光雷达的激光是否多次到达同一个栅格来确定每一个栅格上是否存在障碍物，从而构建所述激光地图。

可选地，对于面积大的仓库，采用cartographer建图方法离线构建仓库的激光地图，包括：根据所述激光雷达的数据，利用图优化模型来估计所述机器人的位置和姿态；累加用所述激光雷达的激光扫描得到的单帧数据，以构建所述仓库的多个局部地图；通过拼接所述多个局部地图来构建全局地图；将所述全局地图转换为与所述定位方法适应的栅格激光地图。

可选地，所述环境信息包括货架特征和货物特征，在定位所述机器人时使货架特征在粒子滤波器的权重大于货物特征在粒子滤波器的权重。

可选地，所述路径规划方法还包括：控制机器人根据规划的巡检路径进行巡检，并且在特定的巡检目标点执行特定的动作。

可选地，基于A*算法和动态窗口算法来动态地规划所述机器人的巡检路径。

根据本公开的另一些实施例，提供一种路径规划系统，包括：激光雷达，被配置为获取机器人所在的环境信息；里程计，被配置为获取所述机器人的位置信息；惯性传感器，被配置为获取所述机器人的姿态信息；和控制器。控制器被配置为：基于所述环境信息，根据仓库面积采用相应的建图方法来离线构建仓库的激光地图；通过融合所述位置信息、姿态信息和所述环境信息，利用适应性蒙特卡洛定位方法来定位所述机器人；在所述激光地图上，根据指定的巡检目标点和巡检顺序来动态地规划所述机器人的巡检路径。

可选地，对于面积小的仓库，采用gmapping建图方法离线构建仓库的激光地图，包括：根据所述里程计和所述激光雷达所获取的位置信息和环境信息，利用粒子滤波器来估计所述机器人的位置和姿态；对于用栅格占据法表示的仓库地图，根据所述激光雷达的激光是否多次到达同一个栅格来确定每一个栅格上是否存在障碍物，从而构建所述激光地图。

可选地，对于面积大的仓库，采用cartographer建图方法离线构建仓库的激光地图，包括：根据所述激光雷达的数据，利用图优化模型来估计所述机器人的位置和姿态；累加用所述激光雷达的激光扫描得到的单帧数据，以构建所述仓库的多个局部地图；通过拼接所述多个局部地图来构建全局地图；将所述全局地图转换为与所述定位方法适应的栅格激光地图。

可选地，所述环境信息包括货架特征和货物特征，在定位所述机器人时使货架特征在粒子滤波器的权重大于货物特征在粒子滤波器的权重。

可选地，所述控制器还被配置为控制机器人根据规划的巡检路径进行巡检，并且在特定的巡检目标点执行特定的动作。

可选地，基于A*算法和动态窗口算法来动态地规划所述机器人的巡检路径。

根据本公开的又一些实施例，提供一种路径规划系统，包括：存储器以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器装置中的指令，执行上述任一个实施例所述的路径规划方法。

根据本公开的再一些实施例，一种路径规划系统，包括：用于执行上述任一个实施例所述的路径规划方法的装置。

根据本公开的一些实施例，提供一种机器人，包括上述任一个实施例所述的路径规划系统。

根据本公开的另一些实施例，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一个实施例所述的路径规划方法。

在上述实施例中，根据仓库面积采用相应的建图方法来离线构建仓库的激光地图，通过融合设置里程计、惯性传感器和激光雷达所获取的位置信息、姿态信息和环境信息来定位机器人，根据指定的巡检目标点和巡检顺序来动态地规划机器人的巡检路径。这样可以容易地实现机器人的室内巡检。

附图说明

构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：

图1示出根据本公开的路径规划方法的一些实施例的流程图。

图2A示出根据本公开的构建激光地图的方法的一些实施例的流程图。

图2B示出根据本公开的构建激光地图的方法的另一些实施例的流程。

图3示出根据图2A所示的方法构建的激光地图的示意图。

图4示出根据本公开的路径规划系统的一些实施例的框图。

图5示出根据本公开的路径规划系统的又一些实施例的框图。

图6示出根据本公开的机器人的一些实施例的框图。

具体实施方式

现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

图1示出根据本公开的路径规划方法的一些实施例的流程图。

如图1所示，路径规划方法包括：步骤110，构建仓库的激光地图；步骤120，定位机器人；和步骤130，动态地规划机器人的巡检路径。

首先，在步骤110中，基于设置在机器人上的激光雷达所获取的环境信息，根据仓库面积采用相应的建图方法来离线构建仓库的激光地图。这里，环境信息例如包括仓库中的货架特征和货架上的货物特征，激光地图例如可以采用栅格占据法来表示。

gmapping建图方法由于建图速度快、参数易于调节，比较适合小的场景。因此，对于面积小的仓库，可以采用gmapping建图方法离线构建仓库的激光地图。图2A示出根据本公开的采用gmapping建图方法构建激光地图的一些实施例的流程图。

gmapping建图方法需要里程计和激光雷达的数据。惯性传感器的数据可以作为辅助，但不是必需的。如图2所示，gmapping建图方法包括：步骤211A，利用粒子滤波器来估计机器人的位置和姿态；和步骤214A，确定地图的每一个栅格上是否存在障碍物，从而构建栅格激光地图。

在步骤211A中，根据里程计和激光雷达所获取的位置信息和环境信息，利用粒子滤波器来估计机器人的位置和姿态。

在步骤214A中，对于用栅格占据法表示的仓库地图，根据所激光雷达的激光是否多次到达同一个栅格来确定每一个栅格上是否存在障碍物，从而构建激光地图。可以将是否存在障碍物的栅格标记为不同颜色，或者作出不同标记来构建激光地图。例如，可以将存在障碍物的栅格标记为黑色或灰色，而将不存在障碍物的栅格标记为白色或不进行标记。在整个建图过程中都可以根据需要调节gmapping参数。

图3示出根据图2A所示的方法构建的仓库的激光地图的示意图。

如图3所示，存在障碍物的栅格被标记，而不存在障碍物的栅格未被标记，由此形成对比鲜明的仓库地图。

发明人还发现：对于大的场景，采用cartographer建图构建激光地图更有效，因为采用cartographer建图可以不依赖于里程计的数据，这样就不会累计其带来的误差。因此，对于面积大的仓库，可以采用cartographer建图方法离线构建仓库的激光地图。图2B示出采用gmapping建图方法构建激光地图的另一些实施例的流程图。

cartographer建图仅需要激光雷达的数据，惯性传感器的数据和里程计的数据都不是必需的。如图2B所示，cartographer建图方法包括：步骤211B，利用图优化模型来估计机器人的位置和姿态；步骤212B，构建局部地图；步骤213B，拼接局部地图来构建全局地图；和步骤214B，转换全局地图的格式，构建栅格激光地图。

在步骤211B中，根据激光雷达的数据，利用图优化模型来估计机器人的位置和姿态。

在步骤212B中，使用激光扫描的单帧数据，通过累加来构建局部地图。例如，使用Ceres激光匹配构建多个局部地图。

在步骤213B中，通过拼接构建出的多个局部地图来构建全局地图。这里，可以通过闭环(Loop closing)来消除拼接过程中产生的累计误差。

在步骤214B中，将全局地图转换为与定位方法适应的栅格激光地图。通过这样的格式转换得到的栅格地图，可以改善定位的准确性。

在已经构建好仓库的激光地图之后，可以定位机器人，以便进行路径规划。返回参考图1描述定位机器人的步骤120和进行路径规划的步骤130。

在步骤120中，通过融合设置在机器人上的里程计和惯性传感器所获取的位置信息和姿态信息、以及环境信息，利用适应性蒙特卡洛(AMCL)定位方法来定位机器人。AMCL定位方法依据构建好的激光地图，配合激光扫描特征，使用粒子滤波获得最佳的定位点。

对于既包括货架又包括货物的仓库而言，可以使货架特征在粒子滤波器的权重大于货物特征在粒子滤波器的权重，来减轻货架上货物的变化对机器人定位的影响。也就是说，通过提取货架特征，并且在匹配激光扫描出的特征时增加其在粒子滤波器的权重，使得定位较依赖货架而不是货架上的货物，从而减轻货物的变化对机器人定位的影响。

在步骤130中，在激光地图上，根据指定的巡检目标点和巡检顺序来动态地规划机器人的巡检路径。

一条完整的路径通常包括起点、各个目标点和终点。巡检路径的起点和终点一般可以选为自动充电点。巡检目标点可以根据仓库的安全需要来选择。路径的规划通常指依据某些优化准则(例如行走路径最短、行走时间最短等)，在地图上找到一个从起点到目标点能避开障碍物的最优路径。

在一些实施例中，巡检路径的规划包括在接收到指定的巡检目标点和各个目标点之间的巡检顺序之后，规划各个点之间的最短路径，尤其是各个目标点之间的最短路径。例如，可以基于A*算法和动态窗口算法来动态地规划机器人的巡检路径。

对于仓库的巡检目标点比较少的情况，例如在20个左右，指定巡检顺序比采用机器人在多个巡检目标点之间寻找最短的路径效率更高。并且，由于目标巡检点大部分都位于仓库的主干道上，仅有很小一部分在货架之间的道路上，而在主干道行走对于机器人而言货架特征明显，更易于定位。因此，指定巡检顺序可以尽量让机器人在主干道行走，从而减少机器人的定位误差。

机器人在巡检过程中接收到增减巡检目标点或修改巡检路径的指令后，能够自动进行新的路径规划，即动态地规划巡检路径。在仓库的环境没有大的改变的情况下，当规划新的巡检路径时无需采用新的地图。这减少了再次建图的麻烦。

在一些实施例中，路径规划方法还可以包括：步骤140，控制机器人根据规划的巡检路径进行巡检。

机器人根据规划的巡检路径进行巡检包括从起点(例如充电点)按巡检顺序移动到指定的各个巡检目标点。机器人在移动过程中，通过计算在激光地图(例如栅格地图)中各个巡检目标点的坐标与机器人的坐标之间的距离，来判断机器人是否到达目标点。在距离满足一定要求时，例如小于0.01m时，判断机器人到达目标点。

虽然规划巡检路径时已经考虑障碍物的影响，但是在实际巡检时机器人仍会实时检测周围的障碍物，并通过实时的路径规划来实现避障。例如，机器人通过激光将检测到的障碍物映射到栅格地图中，考虑机器人前方一定距离(例如几米)以内的障碍物，通过实时的路径规划实现避障。也就是说，机器人在巡检过程中，虽然整体的巡检顺序不会改变，但是巡检目标点之间的路径会根据障碍物的情况改变。

在一些实施例中，步骤140还可以包括控制机器人在特定的巡检目标点执行特定的动作。

以检查巡检目标点A处货架顶层的货物为例，相应的巡检指令至少包含以下信息：机器人的位置和航向、摄像头云台的电机的旋转角度和方向。机器人在巡检的过程中实时比较自己当前的位置和目标点的位置，当判断到了目标点A的位置并且达到目标点A的航向要求后，查询相应的巡检要求，控制摄像头云台运动来检查货架顶层的货物。

图4示出根据本公开的路径规划系统4的一些实施例的框图。

如图4所示，路径规划系统4包括：激光雷达41、里程计42和惯性传感器43。激光雷达41、里程计42和惯性传感器43都可以设置在机器人上，分别被配置为获取机器人所在的环境信息、机器人的位置信息和姿态信息。

如图所示，路径规划系统4还包括控制器44。控制器44也可以设置在机器人上，用于处理从激光雷达41、里程计42和惯性传感器43获取的数据，从而控制机器人的行动。

在一些实施例中，控制器44被配置为：基于环境信息，根据仓库面积采用相应的建图方法来离线构建仓库的激光地图；通过融合位置信息、姿态信息和所述环境信息，利用适应性蒙特卡洛定位方法来定位机器人；和在激光地图上，根据指定的巡检目标点和巡检顺序来动态地规划机器人的巡检路径。

在一些实施例中，控制器44还被配置为控制机器人根据规划的巡检路径进行巡检，并且在特定的巡检目标点执行特定的动作。

图5示出本公开的路径规划系统的又一些实施例的结构图。

如图5所示，该实施例的装置5包括：存储器51以及耦接至该存储器51的处理器52，处理器52被配置为基于存储在存储器51中的指令，执行本公开中任意一些实施例中的路径规划方法。

存储器51例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)、数据库以及其他程序等。

图6示出根据本公开的机器人6的一些实施例的框图。

如图6所示，机器人6包括路径规划系统61和机械本体62。路径规划系统61可以是上述实施例中任意一种路径规划系统。在一些实施例中，机械本体包括马达、驱动轮和减速器等机构。在机器人采用差分运动原理时，机械本体可以包括两个主动轮、两个从动万向轮、两个直流电机等结构来实现运动的控制。

本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

至此，已经详细描述了根据本公开的路径规划方法、装置和计算机可读存储介质。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

可能以许多方式来实现本公开的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。

虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。

Claims (16)

1.一种路径规划方法，包括：

基于设置在机器人上的激光雷达所获取的环境信息，根据仓库面积采用相应的建图方法来离线构建仓库的激光地图；

通过融合设置在所述机器人上的里程计和惯性传感器所获取的位置信息和姿态信息、以及所述环境信息，利用适应性蒙特卡洛定位方法来定位所述机器人；和

在所述激光地图上，根据指定的巡检目标点和巡检顺序来动态地规划所述机器人的巡检路径。

2.根据权利要求1所述的路径规划方法，其中，对于面积小的仓库，采用gmapping建图方法离线构建仓库的激光地图，包括：

根据所述里程计和所述激光雷达所获取的位置信息和环境信息，利用粒子滤波器来估计所述机器人的位置和姿态；

对于用栅格占据法表示的仓库地图，根据所述激光雷达的激光是否多次到达同一个栅格来确定每一个栅格上是否存在障碍物，从而构建所述激光地图。

3.根据权利要求1所述的路径规划方法，其中，对于面积大的仓库，采用cartographer建图方法离线构建仓库的激光地图，包括：

根据所述激光雷达的数据，利用图优化模型来估计所述机器人的位置和姿态；

累加用所述激光雷达的激光扫描得到的单帧数据，以构建所述仓库的多个局部地图；

通过拼接所述多个局部地图来构建全局地图；

将所述全局地图转换为与所述定位方法适应的栅格激光地图。

4.根据权利要求1所述的路径规划方法，其中，所述环境信息包括货架特征和货物特征，在定位所述机器人时使货架特征在粒子滤波器的权重大于货物特征在粒子滤波器的权重。

5.根据权利要求1所述的路径规划方法，还包括：控制机器人根据规划的巡检路径进行巡检，并且在特定的巡检目标点执行特定的动作。

6.根据权利要求1-5中任一项所述的路径规划方法，其中，基于A*算法和动态窗口算法来动态地规划所述机器人的巡检路径。

7.一种路径规划系统，包括：

激光雷达，被配置为获取机器人所在的环境信息；

里程计，被配置为获取所述机器人的位置信息；

惯性传感器，被配置为获取所述机器人的姿态信息；和

控制器，被配置为

基于所述环境信息，根据仓库面积采用相应的建图方法来离线构建仓库的激光地图，

通过融合所述位置信息、姿态信息和所述环境信息，利用适应性蒙特卡洛定位方法来定位所述机器人，

在所述激光地图上，根据指定的巡检目标点和巡检顺序来动态地规划所述机器人的巡检路径。

8.根据权利要求7所述的路径规划系统，其中，对于面积小的仓库，采用gmapping建图方法离线构建仓库的激光地图，包括：

根据所述位置信息和所述环境信息，利用粒子滤波器来估计所述机器人的位置和姿态；

对于用栅格占据法表示的仓库地图，根据所述激光雷达的激光是否多次到达同一个栅格来确定每一个栅格上是否存在障碍物，从而构建所述激光地图。

9.根据权利要求7所述的路径规划系统，其中，对于面积大的仓库，采用cartographer建图方法离线构建仓库的激光地图，包括：

根据所述激光雷达的数据，利用图优化模型来估计所述机器人的位置和姿态；

累加用所述激光雷达的激光扫描得到的单帧数据，以构建所述仓库的多个局部地图；

通过拼接所述多个局部地图来构建全局地图；

将所述全局地图转换为与所述定位方法适应的栅格激光地图。

10.根据权利要求7所述的路径规划系统，其中，所述环境信息包括货架特征和货物特征，在定位所述机器人时使货架特征在粒子滤波器的权重大于货物特征在粒子滤波器的权重。

11.根据权利要求7所述的路径规划系统，其中，所述控制器还被配置为控制机器人根据规划的巡检路径进行巡检，并且在特定的巡检目标点执行特定的动作。

12.根据权利要求7-11中任一项所述的路径规划系统，其中，基于A*算法和动态窗口算法来动态地规划所述机器人的巡检路径。

13.一种路径规划系统，包括：用于执行如权利要求1-6中任一项所述的路径规划方法的装置。

14.一种路径规划系统，包括：

存储器；和

耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器装置中的指令，执行如权利要求1-6中任一项所述的路径规划方法。

15.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-6中任一项所述的路径规划方法。

16.一种机器人，包括如权利要求7-14中任一项所述的路径规划系统。