主动感知的任务路径规划方法、系统、机器人及控制器

1.本发明涉及机器人技术领域，特别是涉及机器人任务处理技术领域。


背景技术：

2.移动机器人是一个可以实现环境感知，动态决策，行动规划、控制与执行的综合系统。随着计算机科学技术的提升，人工智能、传感器技术、通信技术的发展，移动机器人技术也取得了长足的发展。相较于传统的工业机器人而言，拥有感知、自主决策和执行功能的移动机器人拥有更加广阔的前景。他们可以在高重复性、高危险性及高复杂性的领域里代替人类完成作业任务，使用移动机器人能获得更好的效果和更高的效率。
3.机器人的任务规划与运动规划是机器人研究中的两个基本问题。目前对于机器人的运动规划及控制都有了长足的进步，可以完成类似于“从a到b避开障碍物c”、“抓取物体d”等点到点的特定的简单任务，但是相关理论在工业生产的实际应用中却仍然不尽人意。主要原因是对于具有时间序列关系的复杂任务事件，这类点到点的指令太过于简单，而采用启发式算法则难以将这些事件用数学微分方程式灵活的表达出来，而且降低了系统运行的稳定性和灵活性。
4.此外对于大多数的任务规划研究中会假设机器人在运动过程中能获得全局的环境信息，任务的规划决策也是基于高精度的全局信息。然而在实际的任务过程中，这种假设的理想环境难以复现。考虑到环境对机器人行为的干扰、环境的变化、传感器的感知距离以及高精度传感器一直处于感知状态的能量损耗等一系列问题，机器人获得准确的信息难度非常巨大，往往无法满足条件。而移动机器人无法获得高精度的环境的全部信息时，其基于全局信息的决策就将无法实现。
5.随着需要移动机器人完成任务的难度的增加，环境中的不可控因素也越来越多，则对于系统的可靠性与可分析性也越来越高；因此，需要对现有的任务规划方法进一步提升和改进。


技术实现要素：

6.鉴于以上所述现有技术的缺点，本发明的目的在于提供一种主动感知的任务路径规划方法、系统、机器人及控制器，用于解决现有技术无法移动机器人对复杂任务的路径规划消耗大，可靠性低的技术问题。
7.为实现上述目的及其他相关目的，本发明提供一种主动感知的任务路径规划方法，包括：建立移动机器人的形式化模型与线性时序逻辑，形成任务的自动机；基于所述自动机构建状态网络，并基于主动感知形成对构建的状态网络进行扩展，获得带有主动感知策略的分支网络；计算所述带有主动感知策略的分支网络中各个状态到可结束状态的距离，形成任务路径。
8.于本发明的一实施例中，所述移动机器人的形式化模型的一种表示方式为：
9.g＝(s,a,s0,δ,ap,l)；
10.其中，s为机器人的状态；a为不包括主动感知行为的机器人能采取的行动；s0为机器人的初始状态；δ为转移函数，表示机器人在当前状态采取某个行动后能够到达的下一个状态；ap为用于表征机器人在某些状态所具有的属性的一系列原子命题；l为标记函数。
11.于本发明的一实施例中，所述线性时序逻辑对任务进行描述的内容包括：巡逻、顺序访问、条件访问以及避障。
12.于本发明的一实施例中，所述计算所述带有主动感知策略的分支网络中各个状态到可结束状态的距离，形成任务路径的一种实现方式为：从可接受的状态节点出发，向初始状态节点回溯，获得各个状态节节点之间的距离；从所述初始状态节点出发，获取到达所述可接受状态节点的距离的最短路径，形成所述任务路径。
13.于本发明的一实施例中，所述距离包括两个状态节点之间的实际路径距离和主动感知代价。
14.为实现上述目的及其他相关目的，本发明还提供一种主动感知的任务路径规划系统，包括：自动机构建模块，所述自动机构建模块用于建立移动机器人的形式化模型与线性时序逻辑，形成任务的自动机；扩展模块，所述扩展模块基于所述自动机构建状态网络，并基于主动感知形成对构建的状态网络进行扩展，获得带有主动感知策略的分支网络；任务路径形成模块，所述任务路径形成模块计算所述带有主动感知策略的分支网络中各个状态到可结束状态的距离，形成任务路径。
15.于本发明的一实施例中，所述移动机器人的形式化模型的一种表示方式为：
16.g＝(s,a,s0,δ,ap,l)；
17.其中，s为机器人的状态；a为不包括主动感知行为的机器人能采取的行动；s0为机器人的初始状态；δ为转移函数，表示机器人在当前状态采取某个行动后能够到达的下一个状态；ap为用于表征机器人在某些状态所具有的属性的一系列原子命题；l为标记函数。
18.于本发明的一实施例中，所述任务路径形成模块包括：节点距离获取单元，所述节点距离获取单元从可接受的状态节点出发，向初始状态节点回溯，获得各个状态节节点之间的距离；最短路径获取单元，所述最短路径获取单元从所述初始状态节点出发，获取到达所述可接受状态节点的距离的最短路径，形成所述任务路径。
19.为实现上述目的及其他相关目的，本发明还提供一种控制器，包括存储器，用于存储计算机程序；处理器，用于运行所述计算机程序以实现如上所述的主动感知的任务路径规划方法的步骤。
20.为实现上述目的及其他相关目的，本发明还提供一种移动机器人，应用如上所述的控制器。
21.如上所述，本发明的主动感知的任务路径规划方法、系统、机器人及控制器具有以下有益效果：
22.1、本发明综合考虑主动感知策略与移动策略，能够较好的平衡二者的关系，使得移动机器人能够部分可观的环境中完成所需的复杂任务的同时，能够使得总的消耗最小，完成任务的代价最小。
23.2、本发明利用线性时序逻辑能够描述复杂的时序任务，而传统的启发式算法则较难灵活描述，并且合成自动机的过程不需要人为干预，更具可靠性。
24.3、本发明考虑到在部分可观的环境中进行任务，与现实情况更加接近，更具有实
用性和通用性。
附图说明
25.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
26.图1显示为本申请一实施例中的主动感知的任务路径规划方法的整体流程示意图。
27.图2显示为本申请一实施例中的主动感知的任务路径规划方法中形成的自动机的示意图。
28.图3显示为本申请一实施例中的主动感知的任务路径规划方法中不考虑主动感知时的状态网络图；
29.图4显示为本申请一实施例中的主动感知的任务路径规划方法中考虑主动感知时的状态网络图；
30.图5显示为本申请一实施例中的主动感知的任务路径规划方法中形成任务路径的一种实现方式流程图。
31.图6显示为本申请一实施例中的主动感知的任务路径规划方法中工作空间示意图。
32.图6a显示为对图6中工作空间采用无主动感知策略时生成的线路图。
33.图6b显示为对图6中工作空间采用能用主动感知行动时就采取主动感知行动时生成的线路图。
34.图6c显示为对图6中工作空间采用本实施例的主动感知的任务路径规划方法时生成的线路图。
35.图7显示为本申请一实施例中的主动感知的任务路径规划系统的原理框图。
36.图8显示为本申请一实施例中的主动感知的任务路径规划系统中任务路径形成模块的原理框图。
37.图9显示为本申请一实施例中的控制器的原理框图。
38.元件标号说明
39.100
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
主动感知的任务路径规划系统
40.110
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
自动机构建模块
41.120
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
扩展模块
42.130
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
任务路径形成模块
43.131
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
节点距离获取单元
44.132
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
最短路径获取单元
45.101
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
控制器
46.1001
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
处理器
47.1002
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
存储器
48.s100～s300
ꢀꢀꢀꢀ
步骤
49.s310～s320
ꢀꢀꢀꢀ
步骤
具体实施方式
50.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
51.本实施例的目的在于提供一种主动感知的任务路径规划方法、系统、机器人及控制器，用于解决现有技术无法移动机器人对复杂任务的路径规划消耗大，可靠性低的技术问题。
52.本实施例提供的主动感知的任务路径规划方法是一种基于线性时序逻辑与主动感知的移动机器人复杂任务规划方法，本实施例的目的是设计带有主动感知行为的控制器，使得移动机器人在对环境部分可观测时能够利用主动感知行为获取信息完成任务的同时，能够使得完成任务的代价最小。
53.以下将详细阐述本发明的主动感知的任务路径规划方法、系统、机器人及控制器的原理及实施方式，使本领域技术人员不需要创造性劳动即可理解本发明的主动感知的任务路径规划方法、系统、机器人及控制器。
54.实施例1
55.具体地，如图1所示，本实施例提供一种主动感知的任务路径规划方法，所述主动感知的任务路径规划方法包括：
56.步骤s100，建立移动机器人的形式化模型与线性时序逻辑，形成任务的自动机；
57.步骤s200，基于所述自动机构建状态网络，并基于主动感知形成对构建的状态网络进行扩展，获得带有主动感知策略的分支网络；
58.步骤s300，计算所述带有主动感知策略的分支网络中各个状态到可结束状态的距离，形成任务路径。
59.以下对本实施例的主动感知的任务路径规划方法的步骤s100至步骤s300进行详细说明。
60.步骤s100，建立移动机器人的形式化模型与线性时序逻辑，形成任务的自动机。
61.要想合成完成任务的自动机，需要先进行抽象建模。移动机器人的形式化模型用转移系统表示。具体地，于本实施例中，所述移动机器人的形式化模型的一种表示方式为：
62.g＝(s,a,s0,δ,ap,l)；
63.其中，s为机器人的状态；a为不包括主动感知行为的机器人能采取的行动；s0为机器人的初始状态；δ为转移函数，表示机器人在当前状态采取某个行动后能够到达的下一个状态；ap为用于表征机器人在某些状态所具有的属性的一系列原子命题；l为标记函数。
64.于本实施例中，所述线性时序逻辑可以用于准确的描述包含时序的任务。利用线性时序逻辑能够描述复杂的时序任务，而传统的启发式算法则较难灵活描述，并且合成自动机的过程不需要人为干预，更具可靠性。
65.于本实施例中，所述线性时序逻辑对任务进行描述的语法构成为：
[0066][0067]
也可以定义其他的运算符如
◇
(最终)以及
□
(总是)
[0068]
于本实施例中，所述线性时序逻辑对任务进行描述的内容包括但不限于：巡逻、顺序访问、条件访问以及避障。具体地，将自然语言描述的各类任务表达成ltl语言的一种示例如下：
[0069]
(1)巡逻：无限循环遍历p1，p2，p3，p4□◇
p1∧
□◇
p2∧
□◇
p3∧
□◇
p4；
[0070]
(2)顺序访问：先到p4区域，再到p9区域
◇
p4∧
◇
p9；
[0071]
(3)条件访问：当机器人上装载了货物时，到p9区域
◇
(a∧p9)；
[0072]
(4)避障：不能去p7区域
[0073]
本实施例中，通过建立移动机器人的形式化模型与线性时序逻辑，形成的任务的自动机请参阅图2。如图2所示的自动机，s0表示初始状态；a,b分别表示为采取的行动；s5表示任务接受状态，s1～s4分别表示为中间过渡状态。
[0074]
本实施例的主动感知的任务路径规划方法通过运用线性时序逻辑可以用精确的数学语言描述指定的复杂任务，并在可行的情况下通过一定的算法将这些规范转换为自动机，用于机器人控制器的合成构建，用户通过这种形式化方法对任务进行规范，而不是对实际实现进行推理，从而减少了实现的错误率，为整个机器人的行动提供了保证。
[0075]
步骤s200，基于所述自动机构建状态网络，并基于主动感知形成对构建的状态网络进行扩展，获得带有主动感知策略的分支网络。
[0076]
环境信息是决策的关键，移动机器人所获得的环境信息越多越精确，约有利于其做出行动决策。先假设移动机器人可以随时获取全部的准确信息，在这种情况下合成完成任务所需的自动机可以获得必胜策略。之后将这个全部可观必胜策略转化为部分可观的必胜策略。
[0077]
考虑到移动机器人获取环境信息的代价，我们将环境信息的获取分为两种。第一种是低精度的信息，移动机器人获取这类信息所需的传感器的消耗较小，对于整个任务的完成来说可以忽略不记，因此假设机器人可以随时、无代价的获得此类信息帮助做出决策，仅靠这类信息机器人也有可能完成相应的任务，但是付出的代价可能巨大。第二类是高精度信息，机器人采取特定的主动感知行动，并付出一定的代价来获得，有了这类信息对机器人的任务完成可能会有帮助，机器人可以有选择的在特定的情况下使用主动感知的行为。
[0078]
其中，基于主动感知形成对构建的状态网络进行扩展，获得带有主动感知策略的分支网络的原理如下：任务的完成需要首先考虑的是安全因素，因此当某个动作可能带来高收益但是也有概率导致系统进入危险状态时，该行动需要被禁止。而很多情况下，当前的状态是允许做出这种行动，该行动有风险是因为对当前的状态估计不够准确，在这种情况下考虑使用主动感知策略，对状态进行准确估计，某些高收益的状态将不会带来危险的后果，从而对构建的状态网络进行扩展。
[0079]
请参阅图3，显示为不考虑主动感知时的状态网络图。同时请参阅图4，显示为考虑主动感知时的状态网络图。如图3所示，当不考虑主动感知时，从初始状态出发，采取行动a之后，系统将出现在s1或者s2这两个状态，此时没有主动感知策略，系统无法得知具体的状态，因此即使行动b是有更高的收益在构建状态网络图时依旧将其排除在外，选取行动a到
达一个收益小但是保证安全的状态s3。在考虑了主动感知之后，机器人可以利用得到的信息判断当前所在的具体状态，如图4所示，如果处于s2，此时采取行动b将不再有危险且收益将变高，当然机器人也可以选择不采用主动感知行为，因此在保留原来的状态网络图的基础上将其扩展为带有主动感知的状态策略图。
[0080]
本实施例中首先利用部分可观的策略构建出新的自动机，然后将其进行扩展到带有主动感知策略的分支网络。
[0081]
步骤s300，计算所述带有主动感知策略的分支网络中各个状态到可结束状态的距离，形成任务路径。
[0082]
具体地，于本实施例中，如图5所示，所述计算所述带有主动感知策略的分支网络中各个状态到可结束状态的距离，形成任务路径的一种实现方式为：
[0083]
步骤s310，从可接受的状态节点出发，向初始状态节点回溯，获得各个状态节节点之间的距离；
[0084]
步骤s320，从所述初始状态节点出发，获取到达所述可接受状态节点的距离的最短路径，形成所述任务路径。
[0085]
其中，于本实施例中，所述距离包括两个状态节点之间的实际路径距离和主动感知代价。
[0086]
即本实施例中，在得到带有主动感知分支的网络之后，从可接受的状态节点出发，向初始状态节点回溯，获得各个状态节点之间的距离，该距离由两个状态之间的实际路径距离及感动感知代价两部分组成。在获得每个状态节点的代价之后，从初始状态节点出发，获取到达可接受状态的距离的最短路径，形成所述任务路径。
[0087]
所以本实施例的主动感知的任务路径规划方法中综合考虑主动感知策略与移动策略，能够较好的平衡二者的关系，使得移动机器人能够部分可观的环境中完成所需的复杂任务的同时，能够使得总的消耗最小，完成任务的代价最小。
[0088]
图6显示为移动机器人的一种工作空间示意图。其中两个圆圈为初始位置，可能是其中的任一个，在不使用主动感知策略时机器人不知道处于具体的哪一个。黑色的方格为障碍物，机器人在不使用主动感知时可以感知到。在中间的竖条纹方格里，环境会对机器人的行动做出干扰，使得机器人不知道自身在做出动作后如果不使用主动感知时不知道处于{(4,3),(4,5)}这两个方格哪一个。灰色的格子为危险区域，任务中机器人不能进入，事先知道且不能感知到。五角星为目标点，机器人的任务是到这个位置获取物资。
[0089]
图6a～图6c为不同策略时的路线图。图6a为无主动感知策略。图6b能用主动感知行动时就采取主动感知行动。图6c为采用本实施例的方法获得的策略。图6a为无主动感知策略的路线图，在初始状态不确定的情况下采取向右的行动是危险的，因此通过绕行的方式往目标点前进，同样在通过竖条纹方格后因为位置的不确定性依旧采取保守的策略绕道而行。图6b的策略是能使用主动感知就采取主动感知策略，即使在条纹方格后采取主动感知策略的代价是十分巨大，机器人也选择采取主动感知策略，也就是说一旦机器人系统对当前的状态存在疑虑时就采取主动感知策略来消除疑虑，因此采用这种策略总能发现最短的路径，但是其代价不一定是最低的，当主动感知的消耗过高时可能导致最终的消耗比无主动感知策略更低。图6c为采用本实施例的方法获得的策略，在初始状态时采用主动感知策略消除不确定性获得代价低且路程短的行为，而在条纹方格后因为主动感知的代价变大
选择稳妥的绕路，选择长的道路来降低感知消耗，使得总体的代价变小。对比前两种的策略，本实施例的策略可以平衡主动感知与路径的代价关系，综合二者获得一个总体的代价更小的感知与路径规划方案。
[0090]
实施例2
[0091]
如图7所示，本实施例提供一种主动感知的任务路径规划系统100，所述主动感知的任务路径规划系统100包括：自动机构建模块110，扩展模块120以及任务路径形成模块130。
[0092]
于本实施例中，所述自动机构建模块110用于建立移动机器人的形式化模型与线性时序逻辑，形成任务的自动机。
[0093]
具体地，于本实施例中，所述移动机器人的形式化模型的一种表示方式为：
[0094]
g＝(s,a,s0,δ,ap,l)；
[0095]
其中，s为机器人的状态；a为不包括主动感知行为的机器人能采取的行动；s0为机器人的初始状态；δ为转移函数，表示机器人在当前状态采取某个行动后能够到达的下一个状态；ap为用于表征机器人在某些状态所具有的属性的一系列原子命题；l为标记函数。
[0096]
于本实施例中，所述线性时序逻辑可以用于准确的描述包含时序的任务。利用线性时序逻辑能够描述复杂的时序任务，而传统的启发式算法则较难灵活描述，并且合成自动机的过程不需要人为干预，更具可靠性。
[0097]
于本实施例中，所述线性时序逻辑对任务进行描述的内容包括但不限于：巡逻、顺序访问、条件访问以及避障。
[0098]
本实施例中，通过建立移动机器人的形式化模型与线性时序逻辑，形成的任务的自动机请参阅图2。
[0099]
于本实施例中，所述扩展模块120基于所述自动机构建状态网络，并基于主动感知形成对构建的状态网络进行扩展，获得带有主动感知策略的分支网络。
[0100]
于本实施例中，所述任务路径形成模块130计算所述带有主动感知策略的分支网络中各个状态到可结束状态的距离，形成任务路径。
[0101]
其中，如图8所示，所述任务路径形成模块130包括：节点距离获取单元131和最短路径获取单元132。
[0102]
于本实施例中，所述节点距离获取单元131从可接受的状态节点出发，向初始状态节点回溯，获得各个状态节节点之间的距离；
[0103]
于本实施例中，所述最短路径获取单元132从所述初始状态节点出发，获取到达所述可接受状态节点的距离的最短路径，形成所述任务路径。其中，于本实施例中，所述距离包括两个状态节点之间的实际路径距离和主动感知代价。
[0104]
本实施例的主动感知的任务路径规划系统100具体实现的技术特征与前述实施例1中的主动感知的任务路径规划方法基本相同，实施例间可以通用的技术内容不作重复赘述。
[0105]
需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，某一模块可以
为单独设立的处理元件，也可以集成在控制器的某一个芯片中实现，此外，也可以以程序代码的形式存储于控制器的存储器中，由控制器的某一个处理元件调用并执行以上某一模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
[0106]
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，简称asic)，或，一个或多个微处理器(digital singnal processor，简称dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，简称fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，简称cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system
‑
on
‑
a
‑
chip，简称soc)的形式实现。
[0107]
实施例3
[0108]
如图9所示，本实施例提供一种控制器101，所述控制器101包括：处理器1001及存储器1002；所述存储器1002用于存储计算机程序；所述处理器1001用于执行所述存储器1002存储的计算机程序，以使所述控制器101执行如实施例1中主动感知的任务路径规划方法的步骤。由于主所述动感知的任务路径规划方法的步骤的具体实施过程已经在实施例1中进行了详细说明，在此不再赘述。
[0109]
处理器1001为(central processing unit，中央处理器)。存储器1002通过系统总线与处理器1001连接并完成相互间的通信，存储器1002用于存储计算机程序，处理器1001用于运行计算机程序，以使所述处理器1001执行所述的主动感知的任务路径规划方法。存储器1002可能包含随机存取存储器(random access memory，简称ram)，也可能还包括非易失性存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。
[0110]
此外，本实施例还提供一种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1001执行时实现实施例1中所述的主动感知的任务路径规划方法中的步骤。实施例1已经对所述主动感知的任务路径规划方法进行了详细说明，在此不再赘述。
[0111]
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0112]
综上所述，本发明综合考虑主动感知策略与移动策略，能够较好的平衡二者的关系，使得移动机器人能够部分可观的环境中完成所需的复杂任务的同时，能够使得总的消耗最小，完成任务的代价最小；本发明利用线性时序逻辑能够描述复杂的时序任务，而传统的启发式算法则较难灵活描述，并且合成自动机的过程不需要人为干预，更具可靠性；本发明考虑到在部分可观的环境中进行任务，与现实情况更加接近，更具有实用性和通用性。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
[0113]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因
此，举凡所属技术领域中包括通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。