一种轮式植保机器人的路径规划方法发明专利

专利名称：一种轮式植保机器人的路径规划方法

专利类型：发明专利

专利申请号：CN202410336368.9

专利申请（专利权）人：天水师范学院
权利人地址：甘肃省天水市秦州区藉河南路

专利发明（设计）人：牛晶,申传燕,马浩浩

专利摘要：本发明提供了一种轮式植保机器人的路径规划方法，首先通过激光雷达获取果园环境信息，应用体素化网格法精简点云密度，利用栅格法分割地面点云，并聚类提取出机器人行间通行区域；再结合植保机器人的运动学模型及作业规范约束，采用基于模型预测的方式来生成一系列待选轨迹集合，从而对传统的基于蚁群算法路径规划进行了改进，将机器人的通行成本融入节点搜索，从而有效提高了算法的运行效率，减少了机器人在障碍物外绕行的距离，也保证了机器人行驶的安全性。

主权利要求：
1.一种轮式植保机器人的路径规划方法，其特征在于：具体包括以下步骤：步骤一、由激光雷达获取机器人作业环境的栅格地图信息，定位机器人运动起始点和目标点；获取空间中所有机器人运动的状态节点信息，计算用于蚁群算法的相邻矩阵和启发式信息矩阵；
步骤二、对蚁群算法的各参数进行初始化，包括设定迭代次数为N、蚁群规模M、信息启发式因子α、期望启发式因子β、信息素挥发系数ρ以及信息素浓度τ；
步骤三、实时计算障碍物密度、机器人与各障碍物的实际距离和方位；
步骤四、执行蚁群算法更新路径：查询相邻矩阵，获取当前状态节点i运动至下一状态节点可行的节点集合，基于所述启发式信息矩阵计算第m只蚂蚁选择相邻状态节点的状态转移概率，并基于状态转移概率生成运动路径；在此更新过程中依据捕获的地图信息，以障碍物密度、机器人与各障碍物的实际距离和方位信息判断是否进入障碍物密集区：若进入，则继续执行后续步骤五～步骤七；若不进入，则使将要通过步骤五动态更新的权重系数全部做定值处理；
步骤五、在全局路径规划节点中剔除机器人与障碍物间的直线距离dist(ua,ωr)大于阈值的节点集合，并使蚂蚁序号更新，其中ua为机器人纵向速度，ωr为横摆角速度；车载处理器计算各障碍物之间的距离Dij和机器人穿行机能数Ds，获得其最大值和最小值Dmax和最小值Dmin，并计算更新信息素；加权融合机器人运动速度、航向及碰撞安全性构建路径规划的目标函数，并对目标函数中的各权重系数动态更新；
步骤六、获取机器人备选的速度空间，并基于所述目标函数获得下一时刻机器人的最优速度集合；
步骤七、使机器人执行最优速度，并判断是否到达目标点；若是，则结束迭代过程；否则返回步骤一。
2.如权利要求1所述的方法，其特征在于：步骤一中获取机器人作业环境的栅格地图信息的具体过程包括：首先利用激光雷达所采集的空间点云构建栅格地图，各激光点坐标Pω(xω,yω,zω)与所属栅格单元的转换g(r,c)关系为：式中，floor()为向下取整函数，r、c分别表示行和列，xω、yω、zω分别为空间直角坐标系各轴坐标；
计算每个栅格单元的高度差、高度方差和高度梯度并与各自的阈值比较，将满足条件的栅格单元划分为地面区域，建立点云地面投影；
再采用K‑mean聚类算法提取机器人在果树行间通行的主干区域：设获取的地面点云集合为S，则对于其中任意点(xi,yi)与其相邻点(xj,yj)之间的欧式距离表示如下：对果树行点云数量估计设置以下k值：
式中，h为激光雷达基准线离地高度，lp为估算的果树株间距；对每个地面点云样本点计算到k个聚类中心点的距离，并将样本点归至与之距离最小的那个中心点的簇；
经聚类后第i个聚类的中心点为：
式中，Si为第i个点云簇中点云的个数，Xi为第i个点云簇的聚类中心点的横坐标，x为第i个点云簇中任意点的横坐标；
算法的聚类准则为：
3.如权利要求2所述的方法，其特征在于：步骤二中在对蚁群算法初始化时，为确保机器人和障碍物之间的距离不会太近，并且机器人作业过程中不会绕行，首先将膨胀半径值设为0.3，栅格地图中有100个单元格，分辨率取机器人线速度和角速度的百分之一，从而保证每个单元都有一个状态节点；线速度和角速度的分辨率分别为0.03和0.2；根据机器人初始线速度的水平和栅格地图的大小，考虑到路径规划的最长范围，设定仿真测试时间值为
4s；设定迭代次数N取100～500，蚁群规模M取10～50，信息启发式因子α取值范围为[1,4]，期望启发式因子β取值范围为[3,5]，信息素挥发系数ρ以及信息素浓度τ则根据经验选取。
4.如权利要求3所述的方法，其特征在于：步骤四中具体定义t时刻由状态节点i运动到相邻状态节点j的状态转移率 为：式中， 是路径(i,j)上的信息素浓度， 是第m只蚂蚁在状态节点i处选择相邻m状态节点j的启发函数，U为蚂蚁尚未访问的下一节点集合，s为与当前位置相邻的可选节点集合， 为第m只蚂蚁在当前状态节点i与各相邻状态节点之间的信息素浓度， 为第m只蚂蚁在当前节点i与各相邻状态节点之间的启发函数；
第m只蚂蚁当前循环经过路径(i,j)状态节点的集合为X{(i,j)|i＝1,2,…,n；j＝1,
2,…,n}，则该蚂蚁从t‑1时刻到t时刻从状态节点i运动到相邻状态节点j的路径信息素浓度增量为：式中，Q为信息素强度，是大于0的常数。
5.如权利要求4所述的方法，其特征在于：步骤五中在计算各障碍物之间的距离Dij和机器人穿行机能数Ds时，先根据机器人行驶方向区域内的障碍物数量与阈值比较来判断该区域是否为障碍密集区；对于障碍密集区，定义第i个障碍物与第j个障碍物之间的最短距离为所述距离Dij：考虑到机器人在障碍物间穿行的安全性和机动性，为了衡量机器人在两障碍物间的可通过性，定义其穿行机能数Ds为：其中，ωrmax为横摆角速度ωr的最大值，θmax为航向角θi的最大值，a和b为常数；由上式看出，航向角越大，机器人越容易穿行；而机器人的横摆角速度越大，则操纵稳定性变差，行驶安全性降低；
考虑到障碍物的膨胀半径，引入膨胀半径影响系数σ，则机器人在两障碍物间能够安全通行的条件是：由此信息素通过以下公式动态更新：
式中，δ＝Dmax‑Dmin，ε是第n次迭代接受的误差，为一常数。
6.如权利要求5所述的方法，其特征在于：步骤五中所构建的目标函数具体采用以下形式：G(uad,ωrd)＝l·θ+m·dist(ua,ωr)+n·uamax式中，θ表示机器人行驶方向与目标线之间的夹角；l、m、n分别是3个权重系数。
7.如权利要求6所述的方法，其特征在于：步骤六中通过以下步骤获取所述备选的速度空间U(ua,ωr)：基于机器人运动轨迹节点周围障碍物的物理约束，确定纵向速度和机器人横摆角速度限制构成的速度集合Us(ua,ωr)须满足：US＝{(ua,ωr)|0≤ua≤uamax'‑ωrmax≤ωr≤ωrmax}其中，ua为机器人纵向速度；
假设机器人的行驶轨迹是由n个时间段的n段折线段组成，折线段的连接点处被认为是在满足障碍物膨胀尺寸限制的前提下，极限靠近障碍物所在位置；为保证机器人运动过程中遇到障碍物不发生碰撞，由运动学条件限制得到时间dt后的速度集合Ua须满足：假设机器人当前时刻的速度集合为(uacurr,ωrcurr)，则下一时刻的速度集合Ud必须满足：则最终确定速度集合U为：
U＝US∩Ua∩Ud
在基于所述目标函数获得下一时刻机器人的最优速度集合时，具体将各权重系数做归一化处理为[0,1]之间的常系数。 说明书 : 一种轮式植保机器人的路径规划方法技术领域[0001] 本发明属于机器人路径规划技术领域，具体涉及一种轮式植保机器人的路径规划方法。背景技术[0002] 目前，植保机器人多采用GNSS导航系统提供路径全局定位，并由激光雷达进行局部环境参数的感知，以补偿在山地果园等场景中GNSS信号信号不稳定的影响。现有技术针对机器人的局部作业路径规划，主要采用的解决手段是先对空间点云进行体素网格化的处理降低点云密度，使计算量精简；再将空间点云坐标变换至图像坐标系形成地面点云；之后依次执行点云信息分割和聚类算法并最终提取出机器人行间通行的主干区域。在一些经典的局部路径规划算法(DynamicWindowApproaches，DWA)中，将机器人的位置控制转换成速度控制，从而将避障问题描述为机器人速度空间带约束的优化问题，所设计的约束包括速度、航向及周围环境障碍物的位置约束等。然而，这种方式在机器人运动速度较高且周围障碍物密度较大时，通过性会明显下降，也可能导致规划路径过长、不平滑和机器人在多个障碍物间振荡等问题。造成这些问题的本质在于速度规划目标函数中的权重系数一旦确定，即不足以适应各种复杂多变的环境因素。由此可见，本领域中尚缺乏能较好地应用于山地等非标准果园场景的轮式植保机器人路径规划方法，以解决因果园枝叶郁闭所造成视觉信息误判，作业地形复杂造成机器人避障不及时等问题。发明内容[0003] 有鉴于此，针对本领域中所存在的技术问题，本发明提供了一种轮式植保机器人的路径规划方法，具体包括以下步骤：[0004] 步骤一、由激光雷达获取机器人作业环境的栅格地图信息，定位机器人运动起始点和目标点；获取空间中所有机器人运动的状态节点信息，计算用于蚁群算法的相邻矩阵和启发式信息矩阵；[0005] 步骤二、对蚁群算法的各参数进行初始化，包括设定迭代次数为N、蚁群规模M、信息启发式因子α、期望启发式因子β、信息素挥发系数ρ以及信息素浓度τ；[0006] 步骤三、实时计算障碍物密度、机器人与各障碍物的实际距离和方位；[0007] 步骤四、执行蚁群算法更新路径：查询相邻矩阵，获取当前状态节点i运动至下一状态节点可行的节点集合，基于所述启发式信息矩阵计算第m只蚂蚁选择相邻状态节点的状态转移概率，并基于状态转移概率生成运动路径；在此更新过程中依据捕获的地图信息，以障碍物密度、机器人与各障碍物的实际距离和方位等信息判断是否进入障碍物密集区：若进入，则继续执行后续步骤五～步骤七；若不进入，则使将要通过步骤五动态更新的权重系数全部做定值处理；[0008] 步骤五、在全局路径规划节点中剔除机器人与障碍物间的直线距离dist(ua,ωr)大于阈值的节点集合，并使蚂蚁序号更新；车载处理器计算各障碍物之间的距离Dij和机器人穿行机能数Ds，获得其最大值和最小值Dmax和最小值Dmin，并计算更新信息素；加权融合机器人运动速度、航向及碰撞安全性构建路径规划的目标函数，并对目标函数中的各权重系数动态更新；[0009] 步骤六、获取机器人备选的速度空间，并基于所述目标函数获得下一时刻机器人的最优速度集合；[0010] 步骤七、使机器人执行最优速度，并判断是否到达目标点；若是，则结束迭代过程；否则返回步骤一。[0011] 进一步地，步骤一中获取机器人作业环境的栅格地图信息的具体过程包括：[0012] 首先利用激光雷达所采集的空间点云构建栅格地图，各激光点坐标Pω(xω,yω,zω)与所属栅格单元的转换g(r,c)关系为：[0013][0014] 式中，floor()为向下取整函数，r、c分别表示行和列，xω、yω、zω分别为空间直角坐标系各轴坐标；[0015] 计算每个栅格单元的高度差、高度方差和高度梯度并与各自的阈值比较，将满足条件的栅格单元划分为地面区域，建立点云地面投影；[0016] 再采用K‑mean聚类算法提取机器人在果树行间通行的主干区域：[0017] 设获取的地面点云集合为S，则对于其中任意点(xi,yi)与其相邻点(xj,yj)之间的欧式距离表示如下：[0018][0019] 对果树行点云数量估计设置以下k值：[0020][0021] 式中，h为激光雷达基准线离地高度，lp为估算的果树株间距；对每个地面点云样本点计算到k个聚类中心点的距离，并将样本点归至与之距离最小的那个中心点的簇；[0022] 经聚类后第i个聚类的中心点为：[0023][0024] 式中，Si为第i个点云簇中点云的个数，Xi为第i个点云簇的聚类中心点的横坐标，x为第i个点云簇中任意点的横坐标。[0025] 算法的聚类准则为：[0026][0027] 进一步地，步骤二中在对蚁群算法初始化时，为确保机器人和障碍物之间的距离不会太近，并且机器人作业过程中不会绕行，首先将膨胀半径值设为0.3，栅格地图中有100个单元格，分辨率取机器人线速度和角速度的百分之一，从而保证每个单元都有一个状态节点；线速度和角速度的分辨率分别为0.03和0.2；根据机器人初始线速度的水平和栅格地图的大小，考虑到路径规划的最长范围，设定仿真测试时间值为4s；设定迭代次数N取100～500，蚁群规模M取10～50，信息启发式因子α取值范围为[1,4]，期望启发式因子β取值范围为[3,5]，信息素挥发系数ρ以及信息素浓度τ则根据经验选取。[0028] 进一步地，步骤四中具体定义t时刻由状态节点i运动到相邻状态节点j的状态转移率 为：[0029][0030] 式中， 是路径(i,j)上的信息素浓度， 是第m只蚂蚁在状态节点i处选择m相邻状态节点j的启发函数，U 为蚂蚁尚未访问的下一节点集合，s为与当前位置相邻的可选节点集合， 为第m只蚂蚁在当前状态节点i与各相邻状态节点之间的信息素浓度，为第m只蚂蚁在当前节点i与各相邻状态节点之间的启发函数；[0031] 第m只蚂蚁当前循环经过路径(i,j)状态节点的集合为X{(i,j)|i＝1,2,…,n；j＝1,2,…,n}，则该蚂蚁从t‑1时刻到t时刻从状态节点i运动到相邻状态节点j的路径信息素浓度增量为：[0032][0033] 式中，Q为信息素强度，是大于0的常数。[0034] 进一步地，步骤五中在计算各障碍物之间的距离Dij和机器人穿行机能数Ds时，先根据机器人行驶方向区域内的障碍物数量与阈值比较来判断该区域是否为障碍密集区；对于障碍密集区，定义第i个障碍物与第j个障碍物之间的最短距离为所述距离Dij：[0035][0036] 考虑到机器人在障碍物间穿行的安全性和机动性，为了衡量机器人在两障碍物间的可通过性，定义其穿行机能数Ds为：[0037][0038] 其中，ωrmax为横摆角速度ωr的最大值，θmax为航向角θi的最大值，a和b为常数；由上式可以看出，航向角越大，机器人越容易穿行；而机器人的横摆角速度越大，则操纵稳定性变差，行驶安全性降低。[0039] 考虑到障碍物的膨胀半径，引入膨胀半径影响系数σ，则机器人在两障碍物间能够安全通行的条件是：[0040][0041] 由此信息素可通过以下公式动态更新：[0042][0043] 式中，δ＝Dmax‑Dmin，ε是第n次迭代可以接受的误差，为一常数。[0044] 进一步地，步骤五中所构建的目标函数具体采用以下形式：[0045] G(uad,ωrd)＝l·θ+m·dist(ua,ωr)+n·uamax[0046] 式中，θ表示机器人行驶方向与目标线之间的夹角；l、m、n分别是3个权重系数。[0047] 进一步地，步骤六中通过以下步骤获取所述备选的速度空间U(ua,ωr)：[0048] 基于机器人运动轨迹节点周围障碍物的物理约束，确定纵向速度和机器人横摆角速度限制构成的速度集合Us(ua,ωr)须满足：[0049] US＝{(ua,ωr)|0≤ua≤uamax'‑ωrmax≤ωr≤ωrmax}[0050] 其中，ua为机器人纵向速度；[0051] 假设机器人的行驶轨迹是由n个时间段的n段折线段组成，折线段的连接点处被认为是在满足障碍物膨胀尺寸限制的前提下，极限靠近障碍物所在位置；为保证机器人运动过程中遇到障碍物不发生碰撞，由运动学条件限制可以得到时间dt后的速度集合Ua须满足：[0052][0053] 假设机器人当前时刻的速度集合为(uacurr,ωrcurr)，则下一时刻的速度集合Ud必须满足：[0054][0055] 则最终确定速度集合U为：[0056] U＝US∩Ua∩Ud[0057] 在基于所述目标函数获得下一时刻机器人的最优速度集合时，具体将各权重系数做归一化处理为[0,1]之间的常系数。[0058] 上述本发明所提供的轮式植保机器人的路径规划方法，首先通过激光雷达获取果园环境信息，应用体素化网格法精简点云密度，利用栅格法分割地面点云，并聚类提取出机器人行间通行区域；再结合植保机器人的运动学模型及作业规范约束，采用基于模型预测的方式来生成一系列待选轨迹集合，从而对传统的基于蚁群算法路径规划进行了改进，将机器人的通行成本融入节点搜索，从而有效提高了算法的运行效率，减少了机器人在障碍物外绕行的距离，也保证了机器人行驶的安全性。附图说明[0059] 图1为本发明所提供方法的流程示意图。具体实施方式[0060] 下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0061] 本发明所提供的轮式植保机器人的路径规划方法，如图1所示，具体包括以下步骤：[0062] 步骤一、由激光雷达获取机器人作业环境的栅格地图信息，定位机器人运动起始点和目标点；获取空间中所有机器人运动的状态节点信息，计算用于蚁群算法的相邻矩阵和启发式信息矩阵；[0063] 步骤二、对蚁群算法的各参数进行初始化，包括设定迭代次数为N、蚁群规模M、信息启发式因子α、期望启发式因子β、信息素挥发系数ρ以及信息素浓度τ；[0064] 步骤三、实时计算障碍物密度、机器人与各障碍物的实际距离和方位；[0065] 步骤四、执行蚁群算法更新路径：查询相邻矩阵，获取当前状态节点i运动至下一状态节点可行的节点集合，基于所述启发式信息矩阵计算第m只蚂蚁选择相邻状态节点的状态转移概率，并基于状态转移概率生成运动路径；在此更新过程中依据捕获的地图信息，以障碍物密度、机器人与各障碍物的实际距离和方位等信息判断是否进入障碍物密集区：若进入，则继续执行后续步骤五～步骤七；若不进入，则使将要通过步骤五动态更新的权重系数全部做定值处理；[0066] 步骤五、在全局路径规划节点中剔除机器人与障碍物间的直线距离dist(ua,ωr)大于阈值的节点集合，并使蚂蚁序号更新；车载处理器计算各障碍物之间的距离Dij和机器人穿行机能数Ds，获得其最大值和最小值Dmax和最小值Dmin，并计算更新信息素；加权融合机器人运动速度、航向及碰撞安全性构建路径规划的目标函数，并对目标函数中的各权重系数动态更新；[0067] 步骤六、获取机器人备选的速度空间，并基于所述目标函数获得下一时刻机器人的最优速度集合；[0068] 步骤七、使机器人执行最优速度，并判断是否到达目标点；若是，则结束迭代过程；否则返回步骤一。[0069] 在本发明的优选实施方式中，步骤一中获取机器人作业环境的栅格地图信息的具体过程包括：[0070] 首先利用激光雷达所采集的空间点云构建栅格地图，各激光点坐标Pω(xω,yω,zω)与所属栅格单元的转换g(r,c)关系为：[0071][0072] 式中，floor()为向下取整函数，r、c分别表示行和列，xω、yω、zω分别为空间直角坐标系各轴坐标；[0073] 计算每个栅格单元的高度差、高度方差和高度梯度并与各自的阈值比较，将满足条件的栅格单元划分为地面区域，建立点云地面投影；[0074] 再采用K‑mean聚类算法提取机器人在果树行间通行的主干区域：[0075] 设获取的地面点云集合为S，则对于其中任意点(xi,yi)与其相邻点(xj,yj)之间的欧式距离表示如下：[0076][0077] 对果树行点云数量估计设置以下k值：[0078][0079] 式中，h为激光雷达基准线离地高度，lp为估算的果树株间距；对每个地面点云样本点计算到k个聚类中心点的距离，并将样本点归至与之距离最小的那个中心点的簇；[0080] 经聚类后第i个聚类的中心点为：[0081][0082] 式中，Si为第i个点云簇中点云的个数，Xi为第i个点云簇的聚类中心点的横坐标，x为第i个点云簇中任意点的横坐标。[0083] 算法的聚类准则为：[0084][0085] 在本发明的优选实施方式中，步骤二中在对蚁群算法初始化时，为确保机器人和障碍物之间的距离不会太近，并且机器人作业过程中不会绕行，首先将膨胀半径值设为0.3，栅格地图中有100个单元格，分辨率取机器人线速度和角速度的百分之一，从而保证每个单元都有一个状态节点；各算法参数的初始值设定如以下表1所示：[0086] 表1改进的ACO‑DWA算法初始化参数[0087][0088] 在本发明的优选实施方式中，步骤四中具体定义t时刻由状态节点i运动到相邻状态节点j的状态转移率 为：[0089][0090] 式中， 是路径(i,j)上的信息素浓度， 是第m只蚂蚁在状态节点i处选择m相邻状态节点j的启发函数，U 为蚂蚁尚未访问的下一节点集合，s为与当前位置相邻的可选节点集合， 为第m只蚂蚁在当前状态节点i与各相邻状态节点之间的信息素浓度，为第m只蚂蚁在当前节点i与各相邻状态节点之间的启发函数；[0091] 第m只蚂蚁当前循环经过路径(i,j)状态节点的集合为X{(i,j)|i＝1,2,…,n；j＝1,2,…,n}，则该蚂蚁从t‑1时刻到t时刻从状态节点i运动到相邻状态节点j的路径信息素浓度增量为：[0092][0093] 式中，Q为信息素强度，是大于0的常数。[0094] 在本发明的优选实施方式中，步骤五中在计算各障碍物之间的距离Dij和机器人穿行机能数Ds时，先根据机器人行驶方向区域内的障碍物数量与阈值比较来判断该区域是否为障碍密集区；对于障碍密集区，定义第i个障碍物与第j个障碍物之间的最短距离为所述距离Dij：[0095][0096] 考虑到机器人在障碍物间穿行的安全性和机动性，为了衡量机器人在两障碍物间的可通过性，定义其穿行机能数Ds为：[0097][0098] 其中，ωrmax为横摆角速度ωr的最大值，θmax为航向角θi的最大值，a和b为常数；由上式可以看出，航向角越大，机器人越容易穿行；而机器人的横摆角速度越大，则操纵稳定性变差，行驶安全性降低。[0099] 考虑到障碍物的膨胀半径，引入膨胀半径影响系数σ，则机器人在两障碍物间能够安全通行的条件是：[0100][0101] 由此信息素可通过以下公式动态更新：[0102][0103] 式中，δ＝Dmax‑Dmin，ε是第n次迭代可以接受的误差，为一常数。[0104] 在本发明的优选实施方式中，步骤五中所构建的目标函数具体采用以下形式：[0105] G(uad,ωrd)＝l·θ+m·dist(ua,ωr)+n·uamax[0106] 式中，θ表示机器人行驶方向与目标线之间的夹角；l、m、n分别是3个权重系数。[0107] 在本发明的优选实施方式中，步骤六中通过以下步骤获取所述备选的速度空间U(ua,ωr)：[0108] 基于机器人运动轨迹节点周围障碍物的物理约束，确定纵向速度和机器人横摆角速度限制构成的速度集合Us(ua,ωr)须满足：[0109] US＝{(ua,ωr)|0≤ua≤uamax'‑ωrmax≤ωr≤ωrmax}[0110] 其中，ua为机器人纵向速度；[0111] 假设机器人的行驶轨迹是由n个时间段的n段折线段组成，折线段的连接点处被认为是在满足障碍物膨胀尺寸限制的前提下，极限靠近障碍物所在位置；为保证机器人运动过程中遇到障碍物不发生碰撞，由运动学条件限制可以得到时间dt后的速度集合Ua须满足：[0112][0113] 假设机器人当前时刻的速度集合为(uacurr,ωrcurr)，则下一时刻的速度集合Ud必须满足：[0114][0115] 则最终确定速度集合U为：[0116] U＝US∩Ua∩Ud[0117] 在基于所述目标函数获得下一时刻机器人的最优速度集合时，具体将各权重系数做归一化处理为[0,1]之间的常系数。[0118] 应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。[0119] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

专利地区：甘肃

专利申请日期：2024-03-22

专利公开日期：2024-09-13

专利公告号：2024-09-13