[发明专利]一种机器人动态避障方法及系统

说明书

本发明公开了一种机器人动态避障方法及系统，包括：S1检测周围环境，初始化确定起始点和目标点，并生成点云；S2将点云输入同步定位与地图绘制模块，生成机器人位姿，并维护三维概率图；S3根据快速随机搜索树和三维概率图生成全局路径，根据点云生成局部地图与障碍物预测轨迹；S4根据障碍物预测轨迹和全局路径生成局部轨迹，并发送运动指令至机器人；S5机器人根据运动指令沿局部轨迹移动；本发明通过根据点云生成局部地图与障碍物预测轨迹，根据障碍物预测轨迹和全局路径生成局部轨迹的设置，预测了障碍物的轨迹，因此能够预先做出规避动作，具有更好的安全性；相比于模型预测控制+障碍物曲线拟合的方法，本发明的障碍物预测的准确性较高。

技术领域

本发明涉及机器人的运动规划领域，特别是涉及一种机器人动态避障方法及系统。

背景技术

针对路灯，路障等静态障碍物和行人，机动车，狗等日常生活中常见的动态障碍物，需要一个具有鲁棒性，安全性同时兼顾效率的路径规划算法来使得无人车能够规划一条无碰撞的路径从而避开这两类障碍物。因此，开发这种规避动态障碍物的路径规划算法，并将这种算法应用到无人车上去，将对商场，校园，机场，办公场所等场景具有极大的应用价值。

机器人的运动规划通常可以划分为全局规划和局部规划。全局规划是指在大尺度的静态场景(如大于100m*100m)下生成一条最优(如长度最短或耗时最少)的参考路径；局部规划是指在较小尺度的场景下(如小于100m*100m)，能够避开复杂的障碍物，并生成一条无碰撞的运动轨迹。相对来说，全局规划的参考轨迹的生成较为费时，因此更新频率较低，而局部规划确保了机器人的安全性，通过生成实时的运动指令驱动机器人运动。

局部规划根据实现方法的不同可以分为基于搜索的、基于采样的和基于优化的方法。基于搜索的算法包括：混合A-star算法，DWA算法(dynamic window approach)；基于采样的算法包括混合RRT算法(Rapidly-exploring Random Trees)，混合RRT-star算法等；基于优化的算法包括MPC算法(Model Predictive Control模型预测控制)，LQR算法(Linear–quadratic regulator，线性二次调解器)等。

现有技术公开了一种动态环境下基于改进DWA算法的AGV(Automated GuidedVehicle，自动导引车)路径规划方法，属于AGV路径规划技术领域；该方法首先通过获取AGV周围的局部地图信息设计局部DWA算法，对局部地图内的动态障碍物进行分类，评估动态障碍物速度，提升AGV对动态障碍物的避障判断能力，降低AGV偏离最短路径的程度；其次针对DWA算法移动到路径点需要调整方向的问题，通过优化DWA评价函数，缩短AGV在路径点的调整时间，并且通过改进的DWA算法对AGV全局路径的拐点进行优化，提高AGV运输效率；最后进行仿真验证，仿真结果表明该方法提出的改进DWA算法在动态情况复杂的环境下，能够保证AGV实时避障，同时缩短了AGV的运输时间，提升了运输效率。

但是DWA的算法原理主要是在速度空间中采样多组速度，并模拟出这些速度在一定时间内的运动轨迹。由于采样的机制，并不能保证路径的最优性；对于动态障碍物状态的判断过于粗糙，不能很准确的得到障碍物在未来时域的速度和位置，这使得避障的时候安全性降低。

现有技术还提供了一种基于动态障碍物运动信息的室内移动机器人局部轨迹规划方法，其特征在于：在结合AMCL(adaptive Monte Carlo Localization，自适应蒙特卡洛定位)算法基础上通过单线激光雷达获取所有障碍物点云的位置信息，再对所有激光点云进行分割与直线拟合并去除地图中已知的障碍，并用合适大小的圆圈标记新出现的可能的动态障碍，再通过圆圈圆心坐标变化进行动态障碍物检测，不断获取动态障碍的圆心坐标并利用最小二乘求解其运动方程，最后扩大动态障碍物速度方向代价地图，通过结合DWA算法实现安全避开动态障碍。针对目前的局部轨迹规划算法在躲避动障碍物时都是将其当成瞬时的静态障碍物进行避障，缺乏主动性与安全性，利用该方法能够更安全的避障。