申请/专利权人：北京大学

申请日：2024-02-29

公开（公告）日：2024-05-24

公开（公告）号：CN117806333B

主分类号：G05D1/43

分类号：G05D1/43;G05D1/243;G05D1/633;G05D1/644;G05D1/648;G05D109/12

优先权：

专利状态码：有效-授权

法律状态：2024.05.24#授权;2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明属于控制系统领域，为了解决现有技术无法做到实时轨迹规划的问题，本发明提供了复杂环境中保持可见性的目标追踪轨迹规划方法及装置，包括：机器人通过板载传感器检测目标，获得对目标的观测值；通过扩展卡尔曼滤波，获得对目标状态的估计；通过历史的目标状态，预测当前以及未来目标运动的控制输入；采用模型预测控制MPC的框架，通过优化机器人未来N步的控制输入，来最小化目标函数，同时满足约束，并使用顺序凸规划的范式求解优化问题；通过底层的控制器执行轨迹规划中得到的当步控制指令，追踪目标。机器人能够在障碍物杂乱的环境及机器人运动和传感器的噪声较高的不利条件下，对运动高度随机的目标进行实时、安全、稳健的追踪。

主权项：1.一种复杂环境中保持可见性的目标追踪轨迹规划方法，其特征在于，包括：S101，机器人通过板载传感器检测目标，获得对目标的观测值；S103，机器人通过扩展卡尔曼滤波，获得对目标状态的估计；S105，机器人通过历史的目标状态，预测当前以及未来目标运动的控制输入；S107，采用模型预测控制MPC的框架，通过优化机器人未来N步的控制输入，来最小化目标函数，同时满足约束，并使用顺序凸规划的范式求解优化问题；S109，机器人通过底层的控制器执行轨迹规划中得到的当步控制指令，追踪目标；步骤S107中，模型预测控制MPC问题建模如下： 其中包含从时刻a到时刻b的所有时刻；目标置信状态为目标状态的概率分布，包括该时刻的均值和协方差；机器人的置信状态编码了机器人状态的均值和协方差；分别代表机器人置信状态预测函数和目标置信状态预测函数，代表k+i时刻机器人与第j个障碍物的碰撞风险；ur[k]代表机器人的控制输入，代表目标函数；在步骤S107的MPC问题中，目标函数采用在未来N步内机器人观测到目标的累积概率的负值： 其中表示机器人在k时刻观测到目标的概率；在步骤S107的MPC问题中，第一个约束式代表机器人状态预测的约束，其通过扩展卡尔曼滤波的预测步得出，即 其中是机器人运动学模型，是机器人运动学的雅克比矩阵，是机器人运动过程噪声的协方差矩阵；在步骤S107的MPC问题中，第二个约束式通过EKF变体计算，将可见概率引入EKF的框架，目标状态预测方法包括：预测步： 其中是目标运动学模型，是目标运动学的雅克比矩阵，是目标过程噪声的协方差矩阵；ut[k]为目标的控制输入；估计可见概率；更新步： 是机器人观测模型的雅克比矩阵，是传感器噪声的协方差矩阵；在步骤S107的MPC问题中，第四个约束式是避障约束，采用机会约束的方式建模避障约束，即，要求机器人与图中障碍物碰撞的概率小于设定的阈值，即第四个约束式可化为。

全文数据：

权利要求：

百度查询： 北京大学 复杂环境中保持可见性的目标追踪轨迹规划方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD