留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种融合行人预测信息的局部路径规划算法

赵青 陈勇 罗斌 张良培

赵青, 陈勇, 罗斌, 张良培. 一种融合行人预测信息的局部路径规划算法[J]. 武汉大学学报 ● 信息科学版, 2020, 45(5): 667-675. doi: 10.13203/j.whugis20200105
引用本文: 赵青, 陈勇, 罗斌, 张良培. 一种融合行人预测信息的局部路径规划算法[J]. 武汉大学学报 ● 信息科学版, 2020, 45(5): 667-675. doi: 10.13203/j.whugis20200105
ZHAO Qing, CHEN Yong, LUO Bin, ZHANG Liangpei. A Local Path Planning Algorithm Based on Pedestrian Prediction Information[J]. Geomatics and Information Science of Wuhan University, 2020, 45(5): 667-675. doi: 10.13203/j.whugis20200105
Citation: ZHAO Qing, CHEN Yong, LUO Bin, ZHANG Liangpei. A Local Path Planning Algorithm Based on Pedestrian Prediction Information[J]. Geomatics and Information Science of Wuhan University, 2020, 45(5): 667-675. doi: 10.13203/j.whugis20200105

一种融合行人预测信息的局部路径规划算法

doi: 10.13203/j.whugis20200105
基金项目: 中央高校基本科研业务费
详细信息
    作者简介:

    赵青, 博士生, 主要研究方向为机器人视觉、路径规划、运动分割。zhaoqing@whu.edu.cn

    通讯作者: 罗斌, 博士, 教授。luob@whu.edu.cn
  • 中图分类号: P208

A Local Path Planning Algorithm Based on Pedestrian Prediction Information

Funds: The Fundamental Research Funds for the Central Universities
More Information
    Author Bio:

    ZHAO Qing, PhD candidate, specializes in robot vision, path planning and motion segmentation. E-mail:zhaoqing@whu.edu.cn

    Corresponding author: LUO Bin, PhD, professor. E-mail:luob@whu.edu.cn
  • 摘要: 随着机器人技术的不断发展与实践,大量的服务机器人出现在商场、学校、医院以及餐厅等人流量较大的应用场景中。行人在接打电话或使用手机时,难以细致观察周围路况,易与运动中的机器人发生擦碰,因此高动态的工作环境对机器人运动规划提出了较高的要求。为了提高机器人在高动态复杂场景中的运动能力和智能化水平,提出了一种融合行人预测信息的局部路径规划算法。该算法以行人相对于机器人的位置和速度作为先验输入信息,创新性地提出了随机器人与行人速度动态变化的组合椭圆行人区域概念,通过对经典动态窗口法中的评分函数进行扩展,实现机器人对行人的智能避让,最大程度地降低因机器人移动对行人原始行动意图造成的干扰。实验证明,该算法可以有效降低机器人与行人发生擦碰的风险,能够在不干扰行人运动的情况下提前做出预判并实现智能绕行。
  • 图  1  高斯分布行人区域示意图

    Figure  1.  Schematic Diagram of Gauss Pedestrian Zone

    图  2  动态组合椭圆行人区域示意图

    Figure  2.  Schematic Diagram of Dynamic Elliptical Pedestrian Zone

    图  3  不影响行人运动的机器人路径规划

    Figure  3.  Path Planning of the Robot Without Affecting Pedestrians' Movement

    图  4  仿真实验环境

    Figure  4.  Simulation Experiment Environment

    图  5  正面相遇的实验结果

    Figure  5.  Positive Meeting Results of Experiment

    图  6  侧前方相遇的实验结果

    Figure  6.  Front Side Meeting Results of Experiment

    图  7  正侧方相遇的实验结果

    Figure  7.  Vertical Meeting Results of Experiment

    表  1  两种行人区域描述方式在不同速度采样数下单次规划耗时以及与行人间的最小距离对比

    Table  1.   Comparison of Time and Minimum Distance Between Two Pedestrian Zone Description Methods in Single Local Plan Under Different Sampling Counts

    单个窗口内速度采样总数 单次规划耗时/ms 与行人间的最小距离/m
    高斯行人区域 本文行人区域 高斯行人区域 本文行人区域
    10×20 74 13 1.08 1.05
    10×50 183 31 1.03 1.04
    10×80 295 53 1.01 1.02
    20×20 146 25 1.05 1.03
    20×50 372 66 0.85 1.04
    20×80 589 104 0.73 1.05
    下载: 导出CSV

    表  2  不同路径规划算法在3种场景中与行人的最近距离

    Table  2.   Closest Distance Between Pedestrian and Robot Using Different Path Planning Algorithms in Three Scenarios

    算法 与行人的最近距离/m
    正向 侧前向 正侧向
    动态窗口法 0 0 0
    Teb算法 0 0 0
    Eband算法 0.05 0.12 0
    本文算法 1.03 1.08 1.04
    下载: 导出CSV
  • [1] 李龙委, 胡海燕, 章仁辉, 等.基于UWB室内定位迎宾机器人系统研究[J].机械与电子, 2018, 36(12):58-63 doi:  10.3969/j.issn.1001-2257.2018.12.013

    Li Longwei, Hu Haiyan, Zhang Renhui, et al. Study on Receptionist Robot System Based on UWB Indoor Localization[J].Machinery and Electronics, 2018, 36(12):58-63 doi:  10.3969/j.issn.1001-2257.2018.12.013
    [2] Wang L, Gao B, Jia Y. Landmark Design for Indoor Localization of Mobile Robots[C].Chinese Intelligent Automation Conference, Berlin, Heidelberg, German, 2013
    [3] 李帅鑫, 李广云, 王力, 等. LiDAR/IMU紧耦合的实时定位方法[J].自动化学报, 2020, DOI: 10.16383/j.aas.c190424

    Li Shuaixin, Li Guangyun, Wang Li, et al.LiDAR/IMU Tightly Coupled Real-Time Positioning Method[J]. Journal of Automatica Sinica, 2020, DOI: 10.16383/j.aas.c190424
    [4] 史进, 董瑶, 白振东, 等.移动机器人动态路径规划方法的研究与实现[J].计算机应用, 2017, 37(11):3119-3123 http://d.old.wanfangdata.com.cn/Periodical/jsjyy201711015

    Shi Jin, Dong Yao, Bai Zhendong, et al. Research and Implementation of Mobile Robot Path Planning Method[J].Journal of Computer Applications, 2017, 37(11):3119-3123 http://d.old.wanfangdata.com.cn/Periodical/jsjyy201711015
    [5] 王醒策, 张汝波, 顾国昌.基于势场栅格法的机器人全局路径规划[J].哈尔滨工程大学学报, 2003, 24(2):170-174 doi:  10.3969/j.issn.1006-7043.2003.02.013

    Wang Xingce, Zhang Rubo, Gu Guochang. Global Path Planning of Robot Based on Potential Field Grid Method[J]. Journal of Harbin Engineering University, 2003, 24(2):170-174 doi:  10.3969/j.issn.1006-7043.2003.02.013
    [6] Goldberg A V, Harrelson C.Computing the Shortest Path: A Search Meets Graph Theory[C].Sixteenth Annual ACM-SIAM Symposium on Discrete Algorithms, Vancouver, Columbia, UK, 2005
    [7] 余必秀, 初秀民, 柳晨光, 等.基于改进A*算法的无人航道测量船路径规划方法[J].武汉大学学报·信息科学版, 2019, 44(8):1258-1264 http://ch.whu.edu.cn/CN/abstract/abstract6495.shtml

    Yu Bixiu, Chu Xiumin, Liu Chenguang, et al. A Path Planning Method for Unmanned Waterway Survey Ships Based on Improved A* Algorithm[J].Geomatics and Information Science of Wuhan University, 2019, 44(8):1258-1264 http://ch.whu.edu.cn/CN/abstract/abstract6495.shtml
    [8] Khatib O. Real-Time Obstacle Avoidance for Manipulators and Mobile Robots[C]. International Conference on Robotics and Automation, Taipei, China, 2003
    [9] Quinlan S, Khatib O. Elastic Bands: Connecting Path Planning and Control[C].IEEE International Conference on Robotics and Automation, Paris, France, 1993
    [10] Ulbrich F, Goehring D, Langner T, et al. Stable Timed Elastic Bands with Loose Ends[C]. IEEE Intelligent Vehicles Symposium, Redondo Beach, California, USA, 2017
    [11] Fox D, Burgard W, Thrun S. The Dynamic Window Approach to Collision Avoidance[J]. IEEE Robotics and Automation Magazine, 1997, 4(1):23-33 doi:  10.1109/100.580977
    [12] Saranrittichai P, Niparnan N, Sudsang A. Robust Local Obstacle Avoidance for Mobile Robot Based on Dynamic Window Approach[C].International Conference on Electrical Engineering/Electronics, Krabi, Thailand, 2013
    [13] Riosmartinez J, Escobedo A, Spalanzani A, et al. Intention Driven Human Aware Navigation for Assisted Mobility[C]. Workshop on Assistance and Service Robotics in a Human Environment at Iros, Vilamoura Algarve, Portugal, 2012
    [14] Randhavane T, Bera A, Kubin E, et al. Pedestrian Dominance Modeling for Socially-Aware Robot Navigation[C]. International Conference on Robotics and Automation (ICRA), Montreal, Canada, 2019
    [15] Bera A, Randhavane T, Manocha D. Improving Socially-Aware Multi-channel Human Emotion Prediction for Robot Navigation[C]. Conference on Computer Vision and Pattern Recognition Workshops, Los Angeles, USA, 2019
    [16] Bera A, Randhavane T, Prinja R, et al. Sociosense: Robot Navigation Amongst Pedestrians with Social and Psychological Constraints[C].2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Vancouver, Canada, 2017
    [17] Jan Q H, Klein S, Berns K. Safe and Efficient Navigation of an Autonomous Shuttle in a Pedestrian Zone[C].International Conference on Robotics in Alpe-Adria Danube Region, Cham, German, 2019
    [18] Phillips M, Likhachev M. SIPP: Safe Interval Path Planning for Dynamic Environments[C].2011 IEEE International Conference on Robotics and Automation, Shanghai, China, 2011
  • [1] 毛琳, 陈思宇, 杨大伟.  引导式的卷积神经网络视频行人动作分类改进方法 . 武汉大学学报 ● 信息科学版, 2021, 46(8): 1241-1246. doi: 10.13203/j.whugis20190101
    [2] 周沙, 牛继强, 徐丰, 潘晓芳, 甄文杰, 钱颢月.  面向行人导航的注视方向估计模型 . 武汉大学学报 ● 信息科学版, 2021, 46(5): 700-705,735. doi: 10.13203/j.whugis20200465
    [3] 王树良, 李大鹏, 赵柏翔, 耿晶, 张伟, 王海雷.  聊天机器人技术浅析 . 武汉大学学报 ● 信息科学版, 2021, 46(2): 296-302. doi: 10.13203/j.whugis20190177
    [4] 周于涛, 吴华意, 成洪权, 郑杰, 李学锡.  结合自注意力机制和结伴行为特征的行人轨迹预测模型 . 武汉大学学报 ● 信息科学版, 2020, 45(12): 1989-1996. doi: 10.13203/j.whugis20200159
    [5] 李秋萍, 栾学晨, 周素红, 张星.  利用反向流和冲突消除进行人车混行疏散路网优化 . 武汉大学学报 ● 信息科学版, 2018, 43(3): 349-355. doi: 10.13203/j.whugis20150482
    [6] 方志祥, 徐虹, 萧世伦, 李清泉, 袁淑君, 李灵.  绝对空间定位到相对空间感知的行人导航研究趋势 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 2173-2182. doi: 10.13203/j.whugis20180170
    [7] 熊汉江, 郭胜, 郑先伟, 周妍.  室内行人移动行为识别及轨迹追踪 . 武汉大学学报 ● 信息科学版, 2018, 43(11): 1696-1703. doi: 10.13203/j.whugis20170066
    [8] 章登义, 王骞, 朱波, 武小平, 曹瑀, 蔡波.  利用人体部位特征重要性进行行人再识别 . 武汉大学学报 ● 信息科学版, 2017, 42(1): 84-90. doi: 10.13203/j.whugis20150551
    [9] 吕瑞, 邵振峰.  基于稀疏多尺度分割和级联形变模型的行人检测算法 . 武汉大学学报 ● 信息科学版, 2016, 41(11): 1544-1549. doi: 10.13203/j.whugis20140212
    [10] 周宝定, 李清泉, 毛庆洲, 张星.  用户行为感知辅助的室内行人定位 . 武汉大学学报 ● 信息科学版, 2014, 39(6): 719-723. doi: 10.13203/j.whugis20140100
    [11] 张星, 李清泉, 方志祥, 黄玲.  顾及地标与道路分支的行人导航路径选择算法 . 武汉大学学报 ● 信息科学版, 2013, 38(10): 1239-1242.
    [12] 胡学敏, 郑宏, 张清.  利用加权面积透视变换对地铁站台进行人群监控 . 武汉大学学报 ● 信息科学版, 2012, 37(3): 343-347.
    [13] 张星, 李清泉, 方志祥.  面向行人导航的地标链生成方法 . 武汉大学学报 ● 信息科学版, 2010, 35(10): 1240-1244.
    [14] 曹江丽, 孙潮义.  多目标遗传算法在水下机器人路径规划中的应用 . 武汉大学学报 ● 信息科学版, 2010, 35(4): 441-445.
    [15] 唐健, 史文中, 孟令奎.  基于遗传算法的时相关动态车辆路径规划模型 . 武汉大学学报 ● 信息科学版, 2008, 33(8): 875-879.
    [16] 杜欣, 赵晓光.  基于彩色图像的机器人视觉跟踪 . 武汉大学学报 ● 信息科学版, 2006, 31(2): 136-139.
    [17] 徐德, 赵晓光, 陈刚, 顾农.  基于网络的机器人跨平台远程实时控制 . 武汉大学学报 ● 信息科学版, 2003, 28(2): 248-252.
    [18] 赵晓光, 徐德, 谭民.  基于虚拟监控技术的机器人系统 . 武汉大学学报 ● 信息科学版, 2003, 28(2): 233-237.
    [19] 梅文胜, 张正禄, 郭际明, 黄全义.  测量机器人变形监测系统软件研究 . 武汉大学学报 ● 信息科学版, 2002, 27(2): 165-171.
    [20] 郭际明, 梅文胜, 张正禄, 黄全义.  测量机器人系统构成与精度研究 . 武汉大学学报 ● 信息科学版, 2000, 25(5): 421-425.
  • 加载中
图(7) / 表(2)
计量
  • 文章访问数:  1259
  • HTML全文浏览量:  286
  • PDF下载量:  143
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-04-18
  • 刊出日期:  2020-05-05

一种融合行人预测信息的局部路径规划算法

doi: 10.13203/j.whugis20200105
    基金项目:  中央高校基本科研业务费
    作者简介:

    赵青, 博士生, 主要研究方向为机器人视觉、路径规划、运动分割。zhaoqing@whu.edu.cn

    通讯作者: 罗斌, 博士, 教授。luob@whu.edu.cn
  • 中图分类号: P208

摘要: 随着机器人技术的不断发展与实践,大量的服务机器人出现在商场、学校、医院以及餐厅等人流量较大的应用场景中。行人在接打电话或使用手机时,难以细致观察周围路况,易与运动中的机器人发生擦碰,因此高动态的工作环境对机器人运动规划提出了较高的要求。为了提高机器人在高动态复杂场景中的运动能力和智能化水平,提出了一种融合行人预测信息的局部路径规划算法。该算法以行人相对于机器人的位置和速度作为先验输入信息,创新性地提出了随机器人与行人速度动态变化的组合椭圆行人区域概念,通过对经典动态窗口法中的评分函数进行扩展,实现机器人对行人的智能避让,最大程度地降低因机器人移动对行人原始行动意图造成的干扰。实验证明,该算法可以有效降低机器人与行人发生擦碰的风险,能够在不干扰行人运动的情况下提前做出预判并实现智能绕行。

English Abstract

赵青, 陈勇, 罗斌, 张良培. 一种融合行人预测信息的局部路径规划算法[J]. 武汉大学学报 ● 信息科学版, 2020, 45(5): 667-675. doi: 10.13203/j.whugis20200105
引用本文: 赵青, 陈勇, 罗斌, 张良培. 一种融合行人预测信息的局部路径规划算法[J]. 武汉大学学报 ● 信息科学版, 2020, 45(5): 667-675. doi: 10.13203/j.whugis20200105
ZHAO Qing, CHEN Yong, LUO Bin, ZHANG Liangpei. A Local Path Planning Algorithm Based on Pedestrian Prediction Information[J]. Geomatics and Information Science of Wuhan University, 2020, 45(5): 667-675. doi: 10.13203/j.whugis20200105
Citation: ZHAO Qing, CHEN Yong, LUO Bin, ZHANG Liangpei. A Local Path Planning Algorithm Based on Pedestrian Prediction Information[J]. Geomatics and Information Science of Wuhan University, 2020, 45(5): 667-675. doi: 10.13203/j.whugis20200105
  • 随着计算机、物联网、传感器和5G通信等技术的迅猛发展,服务机器人的功能更完备、性能更稳定、成本更低廉,因此大量的服务机器人出现在商场、学校、医院以及餐厅等人流量较大的场景中,为消费者提供引导带路、广告宣传、美食配送、卫生清洁等服务。与实验室环境不同,公共场景中大量的行人会导致环境的高动态变化,对机器人的定位和路径规划产生极大的干扰。目前,机器人在高动态环境中的定位问题通过辅助定位信息和多源传感器融合技术已经得到了比较完善的解决[1-3]。然而,绝大多数服务机器人的路径规划算法尚不能满足高动态场景的需求,仅仅通过边探测边规划的常规策略难以实现机器人高速灵活且安全地运动,因此需要机器人对场景中行人的运动进行预测,并将预测结果加入路径规划算法中进行最优路径的求解。

    移动机器人路径规划的相关研究种类繁多,目前主流的策略是全局路径规划与局部路径规划相结合的方式。机器人将工作环境中的物体分为两大类,一类是静态信息,反映场景中的静止障碍物,例如墙壁、走廊等;另一类是临时信息,反映场景中的动态障碍物,例如行人、车辆等[4]。机器人执行运动任务时,首先根据先验地图上标记的静态信息寻找从起点到终点的最优解,将其作为全局路径规划的结果;然后针对运动过程中感知到的障碍物,依据最低耗损原则,通过最大化预定的评判函数计算最优局部路线。全局路径规划与局部路径规划相结合的方式能够在最大程度降低计算量的同时,极大提升机器人对未知障碍物的响应能力,因此被大多数服务机器人所采用。

    全局路径规划的研究比较成熟,其中经典的算法是栅格法[5]和A*算法[6-7],二者均能快速实现无碰且最短路径的规划。在局部路径规划算法中,人工势场法[8]、弹力绳法[9-10]和动态窗口法[11]由于原理简单、算法清晰,被广泛使用。人工势场法将环境抽象为受力场,目标点产生引力,障碍物产生斥力,机器人在引力与斥力的共同作用下运动。该算法结构简单、易于部署,但在狭长的走廊中会出现摆动的现象,且与障碍物距离过近时无法生成路径。弹力绳法将起点和目标点作为弹力绳的两端,障碍物作为在绳子周围阻碍其绷直的物体,搜索弹力绳紧绷时的最短路线,将其作为局部路径规划的结果。该方法原理直观,但在较为动态的场景中最优路径变化频繁,机器人易发生摆动。动态窗口法则直接对机器人的速度进行计算,更符合机器人的控制习惯。该算法在速度空间中采样多组速度,将有限的速度和加速度等运动约束考虑到动态窗口的设计中,模拟这些速度在一定时间内的运动轨迹,再通过评价函数对这些轨迹打分,最终选出最优的速度。该算法充分考虑了机器人的物理限制、环境约束以及当前速度等因素,更加符合当前机器人路径规划的发展趋势,但是由于只生成短时间内的预测路径,因此往往在离障碍物较近的时候才开始避障,整体效果不佳。文献[12]提出了区域动态窗口法,将只涉及机器人轨迹上的障碍物扩展为临近轨迹的障碍物,以避免机器人撞到一些靠近轨迹但不在轨迹上的障碍物。该算法具有良好的鲁棒性,但仍难以解决机器人对障碍物反应不及时的问题。为了提高机器人运动的智能性,文献[13-18]提出了基于行人轨迹预测的局部路径规划算法,该算法分别通过视觉、激光等方式对行人轨迹进行预测,使机器人能够尽快驶离行人区域。

    上述基于行人预测的方法能够实现对行人障碍的提前避让,提升了机器人的智能水平,但是其采用的行人区域是以行人为中心参数固定的几何图形,在实际路径规划时往往会出现速度方向过度偏离的情况。因此,本文创新性地提出了一种随机器人与行人速度动态变化的组合椭圆行人区域,通过对经典动态窗口法中的评分函数进行扩展,实现机器人对行人的智能避让,最大程度地降低因机器人移动对行人原始行动意图造成的干扰。

    • 动态组合椭圆行人区域是在已知行人相对于机器人的位置和速度信息后,生成的以行人位置为中心的半椭圆/半圆形区域。该区域的参数和主方向随相对速度的变化而变化,与固定形状的区域相比,更加贴合真实情况。当机器人接近组合椭圆行人区域后,局部路径规划器会生成路径尽快驶离该区域,减少对行人原始运动意图的干扰,有效降低了机器人与行人发生擦碰的风险。

    • 根据社会学中的亲近力模型理论[14],人与人社会关系的远近可以通过交流时保持的舒适距离衡量。例如亲子等比较密切的关系对应的舒适距离小于0.5 m,朋友关系对应的舒适距离为0.5~1.2 m,普通同事关系对应的舒适距离是1.2~3.6 m,而陌生人之间的舒适距离则大于3.6 m。笔者在实践后认为,机器人在高动态场景中运动时需要与行人保持至少1 m的社交舒适距离, 并以此为标准构建了行人区域。

      基于行人预测的路径规划研究一般有两种预测方式,一种是预测行人的轨迹[18],通过判断生成的局部规划与行人的预测轨迹是否产生交集,来衡量该局部规划的可行性;另一种是预测行人的区域[13-17],通过判断机器人是否接近行人区域来激活行人避让响应机制。与路径预测相比,预测行人区域的方式只对机器人是否接近行人区域进行判断,计算量小,具有更高的鲁棒性和可操作性。

    • 在已知行人相对于机器人的位置和速度后,需要对预测的行人区域进行参数化描述。文献[14-17]采用固定半径的圆描述行人区域,计算简单,但是没有充分考虑行人的行走规律。在行走过程中,行人大概率会向正前方运动,向侧方以及后方运动的概率较低,相应的行人区域也应该符合基本的行走规律。文献[13]提出了一种基于高斯分布的行人区域,以行人为中心分别构建两个不同大小的半区域范围,如图 1所示,行人前方的范围面积较大。该方法符合基本的行走规律,但其主方向始终为行人的正前方,当机器人从侧面接近行人时难以产生与正面相同的预测效果。

      图  1  高斯分布行人区域示意图

      Figure 1.  Schematic Diagram of Gauss Pedestrian Zone

      本文提出了一种动态组合椭圆行人区域的描述方式,创新性地将行人相对于机器人的速度与舒适距离相结合,构建了一个随相对运动状态动态调整的行人区域,更符合基本的行走规律,当机器人从不同方向接近行人时均能够最大程度地提前进行避让,如图 2所示。

      图  2  动态组合椭圆行人区域示意图

      Figure 2.  Schematic Diagram of Dynamic Elliptical Pedestrian Zone

      组合椭圆区域由前半椭圆和后半圆组成,后半圆的半径与前半椭圆的半短轴长度相同。根据椭圆的几何性质,决定椭圆形状的关键参数是离心率(0 < e < 1),当离心率为0时,椭圆表现为圆,且离心率越大,椭圆的形状越狭长。本文将离心率的概念引入到机器人的运动空间,利用比值的形式表示行人区域的离心率,计算如下:

      $$e = \frac{{\left\| {{{\vec v}_{{\rm{person}}}}} \right\|}}{{\left\| {{{\vec v}_{{\rm{person}}\_{\rm{max}}}}} \right\|}}$$ (1)

      式中,${\left\| {{{\vec v}_{{\rm{person}}}}} \right\|}$为预测的行人速率;${\left\| {{{\vec v}_{{\rm{person}}\_{\rm{max}}}}} \right\|}$为设定的行人最大理论速度。不难看出,行人速度越快,离心率越大,前半椭圆区域越狭长,机器人可以更早做出判断。当行人静止不动时,离心率较小,前半椭圆区域接近为圆,机器人会将行人当作静态障碍物进行避让。

      在决定组合椭圆形状后,需要确定其大小,本文采用前半椭圆半短轴的长度对其进行描述。在椭圆上距离中心最近的点为短轴与椭圆的两个交点,两点间距离为半短轴的线段长度。在机器人运动空间中,本文首先利用最小社交舒适距离作为半短轴的长度,当机器人的预测轨迹进入组合椭圆区域时,机器人与行人间的距离会随着机器人规划路径尽快驶离组合椭圆区域而进一步减小,但始终不会小于半短轴的长度,该描述方式保障了机器人与行人间的社交舒适范围。

      然后需要确定的是组合椭圆的正方向,如图 2所示,红色和蓝色的箭头分别代表行人和机器人运动的速度,绿色箭头代表机器人与行人的合速度。将机器人与行人的相对速度方向作为组合椭圆的正方向,因此无论机器人与行人间的速度如何变化,椭圆的长轴方向始终指向行人相对于机器人的前进方向,能够使机器人在最早时刻对行人进行避让。

      使用动态组合椭圆描述行人区域的方法充分利用了机器人运动的空间特性与椭圆的几何特性,能够兼容运动和静止的行人,在保证最小舒适距离的同时,尽早采取行人避让策略,并且不受行人与机器人运动状态限制,为局部路径规划器提供了更加清晰明确的规划指导。

    • 已知行人相对于机器人的位置和速度等先验信息后,可以构建§1.2中提到的动态组合椭圆行人区域,使机器人在预测轨迹进入行人区域后,立即规划路径驶离该区域。由于经典动态窗口法的评价函数结构清晰,具有天然的可扩展性,因此本文在经典动态窗口法的基础上进行改进,通过扩展评价函数实现融合行人预测信息的局部路径规划算法。在对原有的局部路径规划器进行改进的过程中,需要将机器人预测轨迹是否已进入行人区域和快速驶离策略等要素作为新的评判标准。

    • 在局部路径规划器中,动态窗口法原理直观、扩展性强, 且充分考虑了机器人的机械性能,因此被广泛采用。经典动态窗口法由速度采样、预测和评价函数3部分组成。该算法对线速度v和角速度w进行采样,并以当前速度为中心构建采样速度窗口,根据加速度和最大速度等机器人机械性能对窗口进行约束。获取多组采样速度组合后,算法根据当前机器人的位置和朝向估计其在一定时间内的轨迹,然后利用评价函数对轨迹打分,采用得分最高的速度组合作为机器人的速度指令。经典动态窗口法的评价函数由3部分组成,具体计算如下:

      $$G\left( {v, \omega } \right) = \sigma \cdot \left( {\alpha \cdot h\left( {v, \omega } \right) + \beta \cdot d\left( {v, \omega } \right) + \gamma \cdot s\left( {v, \omega } \right)} \right)$$ (2)

      式中, h(vω)为第一部分评价函数项,用来评价机器人在当前设定的采样速度下达到模拟轨迹末端时的朝向与目标之间的角度差距;dvω)为第二部分评价函数项, 代表机器人在当前轨迹上与最近障碍物之间的距离,若无障碍物,则设为常数;s(vω)为第三部分评价函数项,用来评价当前规划速度的大小;αβγ分别代表各部分的权重;σ为3个评价函数的归一化参数。对上述3个评价函数分别归一化后相加, 构成了经典动态窗口法的评价函数,可以理解为让机器人朝着目标点,在尽可能增大与障碍物间距离的同时以最快速度运动。

    • 经典的动态窗口法考虑了机器人的机械性能,能够规划较为平滑的速度,但是对动态障碍物的反应能力不佳,未能考虑障碍物的移动速度,往往在距离障碍物较近时才能避让,易与行人发生擦碰。本文以行人预测结果作为输入信息,根据预测轨迹是否已进入行人区域和快速驶离策略构建新的评价函数项。

      利用§1.2中提到的动态组合椭圆行人区域,规划器可以判断当前机器人预测轨迹是否已进入行人区域,一旦进入,则立即切换至优先避让行人模式,使机器人尽快驶离行人区域。为了让机器人在工作空间中遵守社交规则,本文为其制定了快速驶离策略,要求机器人不与行人发生碰撞、不与行人抢路、不对行人的运动造成干扰,由此提出了一种简单有效的判断方法(见图 3),通过判断机器人在行人前进方向的哪一侧对快速驶离策略进行部署。

      图  3  不影响行人运动的机器人路径规划

      Figure 3.  Path Planning of the Robot Without Affecting Pedestrians' Movement

      图 3所示,机器人与行人即将相遇,此时判断机器人在行人前进方向的哪一侧,如果在左侧,则驱动机器人向行人的左手边规划路径,反之就向行人的右手边规划路径,以上两种情况均不会对行人产生干扰。可通过${\vec k}$在z方向上分量的正负判断机器人与行人的位置关系, 计算如下:

      $$\vec k = \overrightarrow {{P_{n - 1}}{P_n}} \times \overrightarrow {{P_n}{r_1}} $$ (3)

      式中,$\overrightarrow {{P_{n - 1}}{P_n}} $表示行人的前进方向;$\overrightarrow {{P_n}{r_1}} $表示行人与机器人的连线方向;${\vec k}$为两者的叉乘结果,若${\vec k}$的z分量为正,则代表在左侧,反之在右侧。

      以快速驶离策略为指导,本文扩展了经典动态窗口法的评价函数,且新增了一个驶离行人区域的评价项z(vω),计算如下:

      $$z\left( {v, \omega } \right) = \pm \left( {\alpha \cdot \left\| {v - {v_0}} \right\| + \beta \cdot {d_{{\rm{min}}}}} \right)$$ (4)

      式中,αβ分别为速度、距离的权重;v0表示机器人当前线速度;dmin表示预测轨迹末端点到行人区域的最小距离。该评价项由两部分组成,${\alpha \cdot \left\| {v - {v_0}} \right\|}$为采样线速度与机器人当前线速度的差值;${\beta \cdot {d_{{\rm{min}}}}}$为预测轨迹末端点距离行人区域边界的最小值。式(4)结果的正负由快速驶离策略结果决定,能够得到较高权值的速度采样一般与快速驶离策略方向相同,线速度较当前速度变化不大,且末端点与行人区域边界距离较近、具有较高权值的速度采样可以使机器人行进路线立即发生偏转,既能保证前进速度的平滑性,又能够向行人区域边界方向进行牵引,避免过度偏离。利用扩展后的评价函数,局部路径规划器可以在机器人预测轨迹进入行人椭圆区域后,立即向不影响行人运动的方向规划路径,使机器人快速离开该行人区域,实现融合行人预测信息的智能避让。

    • 为了验证本文算法的有效性,在机器人操作系统(robot operating system,ROS)框架下,采用Gazebo仿真的方式模拟机器人与行人相遇的情景,将机器人和行人的位置以及相对速度作为先验信息提供给局部路径规划器后,按照ROS社区中局部路径规划算法的通用规则,采用move_base导航包中局部路径规划器插件的形式实现本文算法。在动态行人区域形状的设计中,本文提出的组合椭圆区域与文献[13]中提出的高斯区域在形状上比较相似,因此设计了实验一对比二者在局部路径规划中的效果。实验二通过对比的方法,比较了在各种情况下,使用经典动态窗口法、Teb局部路径规划算法、Eband局部路径规划算法和本文提出的融合行人预测信息的局部路径规划算法的效果差异。实验二中的3种对比算法均为ROS社区中常见且应用广泛的局部路径规划器插件,具有即插即用的优良特性,方便与本文算法在相同环境中进行比较。其中,Teb算法、Eband算法均为弹力绳算法的改进算法,Teb算法更加注重运行时间的最小化,而Eband算法则更加注重局部路径规划中整体位姿序列的平滑与优化。机器人的最大运动速度设定为0.8 m/s,行人始终向正前方运动且速度大小为1.0 m/s,将本文算法中行人与机器人的最小舒适距离设置为1 m,将其他方法中行人的膨胀区域半径也设为1 m。在ROS框架下,由激光数据生成的膨胀区域由外向内共分为3层,分别为缓冲区、危险区和致命区,致命区域半径由机器人底盘半径决定,实验中设为0.325 m,为保障安全,机器人理论上不应进入致命区。仿真场景如图 4所示,图 4(a)为Rviz可视化界面,黄色的点为仿真的二维激光点,机器人和行人均通过真实模型表示;图 4(b)为Gazebo界面,能够仿真二维激光数据,并获取行人和机器人的准确位姿与速度信息。

      图  4  仿真实验环境

      Figure 4.  Simulation Experiment Environment

    • 在实验一中,比较了使用高斯行人区域和本文提出的组合椭圆行人区域对局部路径规划器性能的影响。实验结果表明,在速度采样数量较小的情况下,两种行人区域的描述方式均能够使规划器提前对行人做出避让, 并安全绕离。不过二者在完成单次轨迹评分计算所消耗的时长有所不同,机器人运动过程中与行人的最小距离以及消耗时长如表 1所示。

      表 1  两种行人区域描述方式在不同速度采样数下单次规划耗时以及与行人间的最小距离对比

      Table 1.  Comparison of Time and Minimum Distance Between Two Pedestrian Zone Description Methods in Single Local Plan Under Different Sampling Counts

      单个窗口内速度采样总数 单次规划耗时/ms 与行人间的最小距离/m
      高斯行人区域 本文行人区域 高斯行人区域 本文行人区域
      10×20 74 13 1.08 1.05
      10×50 183 31 1.03 1.04
      10×80 295 53 1.01 1.02
      20×20 146 25 1.05 1.03
      20×50 372 66 0.85 1.04
      20×80 589 104 0.73 1.05

      通过表 1可以看出, 随着单个窗口内速度采样总数的增加,两种行人区域描述方式对应的耗时也在线性增长,当速度采样总数相同时,采用高斯行人区域的方法耗时为采用组合椭圆行人区域方法的5.7倍。实验一中设置的路径规划频率为3 Hz,当速度采样总数达到20×50时,采用高斯行人区域的方法已不能得到实时规划结果,与行人间的最小距离因延时而缩短;而采用组合椭圆的方式则可以在同等采样总数下,实现15 Hz的路径规划频率,与行人间的最小距离比较稳定。导致两种不同行人区域描述方式耗时不同的主要原因是,采用式(4)计算预测轨迹末端点到行人区域边界最小距离的计算量不同。在使用组合椭圆行人区域时,可以用参数方程的形式表示椭圆,将预测轨迹末端点转换到椭圆坐标系中,根据由原点指向预测末端点的向量与x轴的夹角确定其在椭圆边界上的近似最近点,并计算点间距离,该方法的计算量较小。而采用高斯行人区域则需要求解以预测轨迹末端为圆心、与行人区域相切圆的半径来表示最近点间距离,计算量较大。单次速度窗口采样的速度组合越多,两种行人区域对应的规划所用时间差距越明显。实验一的结果表明,本文提出的动态组合椭圆行人区域更适合高动态环境下的局部路径规划。

      实验二在ROS框架下利用Gazebo仿真工具对整体环境进行仿真,分别采用4种不同的局部路径规划算法,对机器人与行人在正向、侧前向和正侧向3个方向上相遇的情况进行处理,实验结果如图 5~7所示。图 5为正向相遇情况,图 6为侧前向相遇情况,图 7为正侧向相遇情况。图 5~7中,绿色曲线为利用A*算法规划的全局路径,行人以及环境周边的蓝色区域为利用激光数据生成的致命膨胀区域。图 5(a)中的红色线段为采用动态窗口法计算得到当前分数最高速度的模拟轨迹;图 5(b)中的红色散点曲线为采用Teb局部路径规划算法动态规划的局部路径;图 5(c)中的绿色圆形序列表示利用Eband局部路径规划算法计算的局部路径上机器人的预测位姿序列;图 5(d)中的红色区域表示本文提出的动态组合椭圆行人区域,粗红线表示机器人的历史轨迹,细红线表示利用本文提出的算法计算得到当前分数最高速度的模拟轨迹。实验二的对比结果已汇总为视频形式并上传到网络,读者可访问https://www.bilibili.com/video/BV18t4y1U7SG查询。

      图  5  正面相遇的实验结果

      Figure 5.  Positive Meeting Results of Experiment

      图  6  侧前方相遇的实验结果

      Figure 6.  Front Side Meeting Results of Experiment

      图  7  正侧方相遇的实验结果

      Figure 7.  Vertical Meeting Results of Experiment

      图 5可知,当机器人正面与行人相遇时,经典动态窗口法未能提前向侧方规划路径,与行人发生碰撞;Teb方法在接近行人时规划了比较平滑的绕离路径,但由于绕离空间不足,与行人发生了碰撞;Eband方法能够提前规划绕离路径,但在具体执行过程中与行人距离较近,易发生擦碰;本文算法能够利用行人区域提前规划绕离路线,且始终与行人保持舒适距离,在绕离行人后能够快速回归全局路径。

      图 6可知,当机器人于侧前方与行人相遇时,经典动态窗口法在接近行人时,会在行人的运动方向上规划避让路径,易与行人发生碰撞;同样,Teb方法也因与行人抢路而发生碰撞;Eband方法在与行人接近时采用后退避让方式,等待行人通过后重新规划路径,未与行人发生碰撞,但由于无法探测到后方环境,一般禁止机器人后退;本文算法能够向不影响行人运动的一侧提前规划绕离路径,始终与行人保持舒适距离,并在绕离行人后快速回归全局路径。

      图 7可知,当机器人于正侧方与行人相遇时,采用经典动态窗口法、Teb方法和Eband方法均无法提前规划路径,导致其与行人发生碰撞;而采用本文算法能够向不影响行人运动的一侧提前规划绕离路径,始终与行人保持舒适距离,且绕离行人后能够快速回归全局路径。

      表 2统计了在以上3种场景中采用4种不同的局部路径规划算法时机器人与行人在运动时的最小距离。分析表 2可知,与前3种算法相比,本文算法充分考虑了行人运动的速度,能够提前对行人运动进行预判,为绕离预留充足的时间。在运动过程中,本文算法对应的机器人与行人的最小间距均大于社交舒适距离,不会对行人的运动产生干扰。

      表 2  不同路径规划算法在3种场景中与行人的最近距离

      Table 2.  Closest Distance Between Pedestrian and Robot Using Different Path Planning Algorithms in Three Scenarios

      算法 与行人的最近距离/m
      正向 侧前向 正侧向
      动态窗口法 0 0 0
      Teb算法 0 0 0
      Eband算法 0.05 0.12 0
      本文算法 1.03 1.08 1.04

      分析图 5~7表 2可以看出,经典动态窗口法未能对动态障碍物提前做出反应,且存在与行人抢路的现象,主要原因是该方法未考虑行人舒适度,将场景中所有障碍物均视为静态障碍物,而行人具有一定的速度,这导致机器人在短时间内无法规划有效路径对行人进行避让,因此易发生擦碰;Teb算法在与行人接近时能够规划平滑的绕离路径,但未考虑行人舒适度,且绕离空间不足,因此易与行人发生碰撞;Eband算法能够提前对行人规划绕离路径,但未考虑行人舒适度,易与行人抢路,发生碰撞;而本文提出的融合行人预测信息的局部路径规划算法在3组对比实验中均有出色表现,在与行人的最小距离方面始终大于社交舒适距离。通过构建动态组合椭圆行人区域,本文算法使行人区域的主方向始终指向机器人与行人的相对运动方向,而且行人运动速度越大,椭圆越狭长,无论与行人从任意方向以任意速度相遇,机器人均能提前做出预判。根据本文提出的快速驶离原则,机器人通过判断自身相对于行人的位置确定局部路径规划的正方向,使机器人向行人前进方向的侧后方规划局部路径,实现不与行人抢路的目的。利用扩展后的评价函数,在机器人的预测轨迹进入行人区域时,在尽量保持当前线速度的前提下,将机器人沿行人区域边界进行牵引,使机器人在最短时间内驶离行人区域且不会发生过度偏离。综上所述,本文算法不仅可以使机器人提前对行人做出避让,而且在规划路径时不会对行人的运动产生干扰,在实现智能避让的同时,极大降低了机器人与行人的擦碰风险。

    • 高动态场景给机器人路径规划带来了极大的挑战,采用经典的边探测边规划的方式无法满足安全避让动态障碍物的要求,因此需要在路径规划中加入行人预测信息。本文提出了一种融合行人预测信息的局部路径规划算法,将行人相对于机器人的位置和速度作为先验信息,创新性地提出了动态组合椭圆行人区域的概念,通过判断机器人预测轨迹是否进入行人区域以及制定快速驶离策略的方式对经典动态窗口法的评判函数进行扩展。实验表明,本文提出的算法能够充分考虑行人信息,提前做出避让并向不影响行人运动的方向进行路径规划,且不会对行人原始运动意图造成干扰,有效降低了机器人与行人发生擦碰的风险,显著提高了机器人在高动态场景中运动的智能水平与安全性。

参考文献 (18)

目录

    /

    返回文章
    返回