面向复杂环境的移动机器人可切换运动规划方法

本技术涉及移动机器人自主感知与规划控制，特别是涉及一种面向复杂环境的移动机器人可切换运动规划方法。

背景技术：

1、随着机器人技术的不断发展，以移动机器人为核心的工业现场巡检系统正在受到越来越多的关注。移动巡检机器人因负载设备多、续航要求高，通常具有较大的质量和尺寸，使得其在复杂的工业现场环境，尤其是障碍物分布复杂、通行受限的狭窄空间内难以通过自主导航安全精确地到达目标位姿并采集数据，降低了巡检机器人可达范围与任务适应性。机器人自主导航系统通常由感知、全局路径规划与运动规划这三大部分组成，感知定位用于建立包含静态障碍的环境地图、估计机器人在环境地图中的位姿，并实时感知跟踪环境中的非预期障碍物；全局规划用于在环境地图上规划出全局参考路径；运动规划以全局参考路径为基础，结合感知定位信息，计算并输出实时速度控制量，三个部分共同作用，驱动机器人无碰撞、高精度地到达目标位姿。为提升巡检机器人对复杂结构化工业现场环境的适应能力，其自主导航系统除基础功能外，还需具备以下特性：1.在遇到人、临时障碍物等非预期障碍物时，能预测障碍物运动轨迹，并控制移动机器人前瞻地绕行障碍物；2.在障碍物密集或通行困难的狭窄空间中，仍能控制移动机器人无碰撞地安全通过；3.在接近目标点位姿时，能控制机器人在安全无碰撞地前提下，精确到达目标点邻域内停车，位置误差应尽可能小。

2、现有技术中，通常使用激光雷达(lidar)，结合同步定位与建图(slam)算法进行建图定位，障碍物通常使用栅格地图或点云的形式表示；在全局规划方面，通常使用a*算法及其变种在slam建出的环境栅格地图上规划可行全局参考路径；在运动规划方面，通常使用时间弹性带法(teb)或动态窗口法(dwa)，结合机器人传感器数据及感知定位信息，实时规划计算速度控制量。teb通过求解稀疏模型多目标优化问题完成运动控制，具备一定的前瞻性与较强的避障效果，但其速度和角度波动较大、控制稳定性较差，且控制精度不够高，在狭窄的空间容易发生死锁或碰撞；dwa算法在完成运动控制时具有实现简单的优点，但在采样阶段通过前向仿真预测机器人未来轨迹时存在局限性。具体而言，dwa通过枚举不同的速度，假设机器人以这些速度持续运行在预设的前向仿真时间内。这种方法导致每条预测轨迹上的速度被视为恒定，从而简化了运动模型。因此，这种枚举和恒速假设使得推导出的轨迹较为粗糙，缺乏对未来状态变化的有效预测，容易陷入局部最优解，动态避障能力不佳，并在复杂环境中的通过性受限。

3、因此，相关技术中，亟需一种能够提高机器人运动规划灵活性、精确性与安全性的方式。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高机器人运动规划灵活性、精确性与安全性的面向复杂环境的移动机器人可切换运动规划方法。

2、第一方面，本技术提供了一种面向复杂环境的移动机器人可切换运动规划方法。所述方法包括：

3、获取全局环境地图、障碍物信息和机器人实时位姿；

4、基于所述全局环境地图、障碍物信息和机器人实时位姿确定先验障碍物和非预期障碍物；

5、基于所述全局环境地图、先验障碍物和导航目标位姿采用全局路径规划算法规划得到全局参考路径；

6、执行所述全局参考路径，若所述机器人实时位姿与导航目标位姿的距离大于预设阈值，基于所述先验障碍物、非预期障碍物和机器人实时位姿采用结合离散控制障碍函数的非线性模型预测控制策略规划得到机器人速度，驱动机器人在不与所述先验障碍物和非预期障碍物发生碰撞的前提下遵循所述全局参考路径行驶；

7、若所述机器人实时位姿与导航目标位姿的距离不大于预设阈值，则基于所述机器人实时位姿、先验障碍物和导航目标位姿采用结合离散控制障碍函数的基于采样的目标位姿接近控制策略规划得到机器人速度，驱动机器人接近导航目标位姿并精确停车。

8、可选的，在本技术的一个实施例中，所述获取全局环境地图、障碍物信息和机器人实时位姿包括：

9、采用激光雷达扫描获取全局环境地图和全局环境地图中的障碍物信息；

10、基于所述全局环境地图定位获取机器人实时位姿。

11、可选的，在本技术的一个实施例中，所述基于所述全局环境地图、障碍物信息和机器人实时位姿确定先验障碍物和非预期障碍物包括：

12、基于所述障碍物信息进行几何参数化，得到障碍物凸多边形几何表示，确定先验障碍物；

13、基于所述机器人实时位姿信息确定局部环境地图，基于所述全局环境地图和局部环境地图的重叠关系确定非预期障碍物信息，基于所述非预期障碍物信息进行几何参数化，得到非预期障碍物最小包围圆表示，确定非预期障碍物。

14、可选的，在本技术的一个实施例中，所述基于所述全局环境地图、障碍物信息和机器人实时位姿确定先验障碍物和非预期障碍物还包括：

15、跟踪所述非预期障碍物并预测其未来航迹。

16、可选的，在本技术的一个实施例中，所述基于所述先验障碍物、非预期障碍物和机器人实时位姿采用结合离散控制障碍函数的非线性模型预测控制策略规划得到机器人速度包括：

17、基于所述机器人实时位姿建立机器人运动学模型；

18、基于所述先验障碍物、非预期障碍物和机器人实时位姿确定机器人安全状态集；

19、基于所述机器人运动学模型和机器人安全状态集确定安全控制障碍函数约束，基于所述安全控制障碍函数约束使用非线性模型预测控制方法确定机器人速度。

20、可选的，在本技术的一个实施例中，所述基于所述先验障碍物、非预期障碍物和机器人实时位姿确定机器人安全状态集包括：

21、基于所述先验障碍物和机器人的凸多边形集合表示确定先验障碍物和机器人的距离；

22、基于所述非预期障碍物和机器人的最小包围圆确定非预期障碍物和机器人的距离。

23、可选的，在本技术的一个实施例中，所述基于所述机器人实时位姿、先验障碍物和导航目标位姿采用结合离散控制障碍函数的基于采样的目标位姿接近控制策略规划得到机器人速度包括：

24、基于所述机器人实时位姿、先验障碍物和导航目标位姿确定局部控制障碍函数约束，基于所述局部控制障碍函数约束使用基于采样的方法确定机器人速度。

25、第二方面，本技术还提供了面向复杂环境的移动机器人可切换运动规划装置。所述装置包括：

26、信息获取模块，用于获取全局环境地图、障碍物信息和机器人实时位姿；

27、障碍物确定模块，用于基于所述全局环境地图、障碍物信息和机器人实时位姿确定先验障碍物和非预期障碍物；

28、全局规划模块，用于基于所述全局环境地图、先验障碍物和导航目标位姿采用全局路径规划算法规划得到全局参考路径；

29、安全优先运动规划模块，用于执行所述全局参考路径，若所述机器人实时位姿与导航目标位姿的距离大于预设阈值，基于所述先验障碍物、非预期障碍物和机器人实时位姿采用结合离散控制障碍函数的非线性模型预测控制策略规划得到机器人速度，驱动机器人在不与所述先验障碍物和非预期障碍物发生碰撞的前提下遵循所述全局参考路径行驶；

30、末端目标接近高精度运动规划模块，用于若所述机器人实时位姿与导航目标位姿的距离不大于预设阈值，则基于所述机器人实时位姿、先验障碍物和导航目标位姿采用结合离散控制障碍函数的基于采样的目标位姿接近控制策略规划得到机器人速度，驱动机器人接近导航目标位姿并精确停车。

31、第三方面，本技术还提供了一种机器人控制器设备。所述机器人控制器设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行上述各个实施例所述方法的步骤。

32、第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各个实施例所述方法的步骤。

33、上述面向复杂环境的移动机器人可切换运动规划方法，首先，获取全局环境地图、障碍物信息和机器人实时位姿；之后，基于所述全局环境地图、障碍物信息和机器人实时位姿确定先验障碍物和非预期障碍物；之后，基于所述全局环境地图、先验障碍物和导航目标位姿采用全局路径规划算法规划得到全局参考路径；之后，执行所述全局参考路径，若所述机器人实时位姿与导航目标位姿的距离大于预设阈值，基于所述先验障碍物、非预期障碍物和机器人实时位姿采用结合离散控制障碍函数的非线性模型预测控制策略规划得到机器人速度，驱动机器人在不与所述先验障碍物和非预期障碍物发生碰撞的前提下遵循所述全局参考路径行驶；最后，若所述机器人实时位姿与导航目标位姿的距离不大于预设阈值，则基于所述机器人实时位姿、先验障碍物和导航目标位姿采用结合离散控制障碍函数的基于采样的目标位姿接近控制策略规划得到机器人速度，驱动机器人接近导航目标位姿并精确停车。也就是说，在机器人自主导航应用中，通过激光雷达获取不同的障碍物信息，并使用障碍物参数化算法，将障碍物使用几何参数表示，以精简障碍物描述，在自主导航运动规划层面，基于离散控制障碍函数(discrete-time control barrier function，dcbf)的安全控制思想与基于非线性模型预测控制(nmpc)及基于采样的运动规划技术，作为一种安全优先-高精度双模策略可切换的运动规划方法，以机器人实时位姿与目标位姿的距离作为切换条件，自动切换运动规划模式，使机器人能够安全地绕过意外障碍物、通过受限环境并精确到达目标位姿停车，兼顾了机器人自主导航运动规划地灵活性、精确性，同时保障了安全性，大大提升了机器人在复杂环境内的任务适应能力。