CN118819140A - Amr移动机器人的顶升机构控制方法、系统、电子设备 - Google Patents
Amr移动机器人的顶升机构控制方法、系统、电子设备 Download PDFInfo
- Publication number
- CN118819140A CN118819140A CN202410772217.8A CN202410772217A CN118819140A CN 118819140 A CN118819140 A CN 118819140A CN 202410772217 A CN202410772217 A CN 202410772217A CN 118819140 A CN118819140 A CN 118819140A
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- data
- amr
- environment
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000001960 triggered effect Effects 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 86
- 230000008447 perception Effects 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 21
- 230000033001 locomotion Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 14
- 230000002787 reinforcement Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 230000003068 static effect Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 7
- 230000009194 climbing Effects 0.000 claims 2
- 230000007613 environmental effect Effects 0.000 description 31
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 239000010720 hydraulic oil Substances 0.000 description 3
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 2
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004387 environmental modeling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000002366 time-of-flight method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/40—Control within particular dimensions
- G05D1/43—Control of position or course in two dimensions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/60—Intended control result
- G05D1/617—Safety or protection, e.g. defining protection zones around obstacles or avoiding hazards
- G05D1/622—Obstacle avoidance
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本公开的实施例公开了一种基于AMR移动机器人的顶升机构控制方法及系统、电子设备，通过初始化机器人与顶升机构、实时监测环境并融合多传感器数据获取障碍物信息，规划无碰撞避障路径并指导机器人移动，到达目标位置后，分析顶升机构状态并判断安全性，满足条件则执行顶升，否则触发警报。本发明提高了AMR移动机器人顶升操作的安全性和效率。
Description
技术领域
本公开的实施例涉及自动控制领域，特别是涉及一种AMR移动机器人的顶升机构控制方法、系统、电子设备。
背景技术
随着自动化和智能化技术的不断发展，AMR自主移动机器人在工业、物流、医疗等领域的应用越来越广泛。AMR移动机器人具有自主导航、避障、搬运等功能，可以大大提高工作效率和安全性。然而，在某些复杂场景中，AMR移动机器人不仅需要实现基本的移动和避障功能，还需要进行精确的顶升操作，如货架的存取、货物的搬运等。这就要求AMR移动机器人具备更高的智能化水平和更复杂的控制系统。
传统的AMR移动机器人在进行顶升操作时，往往依赖于预设的程序和固定的路径规划，无法很好地适应动态变化的环境和复杂的任务需求。此外，传统的控制方法在安全性方面也存在一定的局限性，无法及时应对突发情况和未知障碍物，容易导致事故的发生。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了AMR移动机器人的顶升机构控制方法、系统、电子设备，来解决以上背景技术部分提到的技术问题中的一项或多项。
为实现所述目的，第一方面，本公开的一些实施例提供了一种AMR移动机器人的顶升机构控制方法，该方法包括以下步骤：
S1、初始化AMR移动机器人及其顶升机构，通过执行自检程序确保工作组件处于正常工作状态，并建立与控制系统的通信连接；
S2、通过集成在AMR移动机器人上的多种传感器实时监测周围环境，将所述多种传感器采集到的数据进行融合处理以获取障碍物信息，所述障碍物信息包括障碍物的位置、形状和动态信息；
S3、利用路径规划算法，根据所述障碍物信息和目标位置生成无碰撞的避障路径，并基于所述避障路径生成控制指令，通过控制系统指导AMR移动机器人沿所述避障路径移动；
S4、当AMR移动机器人到达所述目标位置后，响应于所述控制系统接收到顶升指令，分析顶升机构的状态参数，判断顶升机构是否满足预设的安全条件；
S5、若顶升机构被判定为满足安全条件，则控制系统生成相应的顶升控制指令；和/或，若不满足安全条件，则触发警报系统并立即停止顶升操作。
作为本文的一个实施例，所述S1包括以下步骤：
S11、启动AMR移动机器人，执行自检程序，所述自检程序包括电源状态检查、机械部件完整性验证、传感器校准以及通信系统测试；
S12、通过加密协议建立AMR移动机器人与控制系统的无线通信连接；
S13、控制顶升机构执行初始化操作，所述初始化操作包括电机测试、限位开关检查以及安全机制的激活。
作为本文的一个实施例，上述S2包括以下步骤：
S21、使用激光雷达传感器进行360度环境扫描，获取障碍物的距离和角度数据；
S22、利用高分辨率相机捕捉周围环境的详细图像，通过图像处理算法提取障碍物的轮廓和特征；
S23、结合激光雷达传感器的距离数据和相机的图像信息，通过数据融合算法生成障碍物地图。
作为本文的一个实施例，上述S3包括以下步骤：
S31、采用基于Dijkstra算法的路径规划方法，根据障碍物地图和目标位置计算出最优避障路径；
S32、将计算出的避障路径转换为避障控制指令，所述避障控制指令包括速度、转向和加速度参数；
S33、通过控制系统实时跟踪AMR移动机器人的位置和姿态，动态调整避障控制指令以确保机器人沿所述避障路径移动。
作为本文的一个实施例，上述S5包括以下步骤：
S51、定义安全条件为顶升机构的位置误差小于预设阈值、速度在预设范围内且负载不超过最大允许值；
S52、利用实时获取的顶升机构状态数据，通过式(1)计算安全指数，所述顶升机构状态数据包括位置、速度和负载信息，
S＝|P-Pt|<ε∧Vmin≤V≤Vmax∧L≤Lmax (1)
其中，P为当前位置，Pt为目标位置，V为当前速度，Vmin和Vmax为速度范围的最小值和最大值，L为当前负载，Lmax为最大允许负载；
S53、如果所述安全指数计算结果为真，则判定顶升机构处于安全状态，并允许执行顶升操作。
作为本文的一个实施例，上述方法还包括：
S61、利用激光雷达传感器进行环境扫描，获取障碍物的距离和角度数据；
S62、利用深度相机捕捉环境的详细图像信息；
S63、通过SLAM技术将激光雷达和深度相机的数据进行融合，构建并实时更新包含障碍物位置、形状及可行走区域的三维环境地图；
S64、建立环境地图数据库，将静态障碍物信息以及可行走区域信息存储于其中，并根据环境的变化实时更新所述地图数据库；
S65、在AMR移动机器人工作过程中，基于AMR移动机器人的运动模型和传感器采集到的实时数据，通过数据融合算法计算机器人的位置和姿态，生成AMR移动机器人的导航策略。
作为本文的一个实施例，上述方法还包括：
S651、收集历史导航场景数据，包括AMR移动机器人在不同环境下的路径规划、控制指令及对应的环境感知信息；
S652、利用强化学习算法，将收集到的所述历史导航场景数据作为训练集，构建并训练导航策略模型，所述导航策略模型的训练集包括AMR移动机器人在不同环境下的路径规划结果、控制指令序列以及对应的环境感知信息，所述导航策略模型的输入为环境感知信息，输出为路径规划结果或控制指令；
S653、根据当前环境状态，采用梯度下降算法计算损失函数对模型参数进行更新；
S654、根据路径长度、碰撞风险等因素定义奖励函数，利用奖励函数评估生成路径或控制指令的优劣，并通过与环境的交互进行模型参数的更新；
S655、将训练得到的导航策略模型部署到AMR移动机器人的控制系统中。
作为本文的一个实施例，上述方法还包括：
S71、利用激光雷达传感器或深度相机获取环境的原始感知数据，所述原始感知数据包括三维点云数据；
S72、对原始感知数据进行预处理，所述预处理包括滤波、去噪和数据配准；
S73、结合预处理后的所述感知数据，通过点云处理算法进行环境分割和特征提取，识别出环境中的静态障碍物和可行走区域；
S74、将识别出的静态障碍物信息和可行走区域信息融合到已有的环境地图中，更新地图数据以反映环境变化；
S75、在AMR移动机器人导航过程中，实时将新的感知数据与更新后的地图数据进行匹配，实现精确的定位和障碍物避障。
第二方面，本公开的一些实施例提供了AMR移动机器人的顶升机构控制系统，该系统包括：
初始化模块，用于初始化AMR移动机器人及其顶升机构，通过执行自检程序确保工作组件处于正常工作状态，并建立与控制系统的通信连接；
环境感知模块，用于通过集成在AMR移动机器人上的多种传感器实时监测周围环境，将所述多种传感器采集到的数据进行融合处理以获取障碍物信息，所述障碍物信息包括障碍物的位置、形状和动态信息；
路径规划模块，用于利用路径规划算法，根据所述障碍物信息和目标位置生成无碰撞的避障路径，并基于所述避障路径生成控制指令，通过控制系统指导AMR移动机器人沿所述避障路径移动；第一控制模块，用于当AMR移动机器人到达所述目标位置后，响应于所述控制系统接收到顶升指令，分析顶升机构的状态参数，判断顶升机构是否满足预设的安全条件；第二控制模块，若顶升机构被判定为满足安全条件，则控制系统生成相应的顶升控制指令；和/或，若不满足安全条件，则触发警报系统并立即停止顶升操作。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面中任一实现方式所描述的方法。
应理解，本申请的第二方面提供的AMR移动机器人的顶升机构控制系统、第三方面提供的电子设备与本申请第一方面的技术方案一致，其具体内容以及有益效果可参考上述第一方面中提供的显示屏亮度补偿方法，此处不再进行赘述。
与现有技术相比，本申请的有益效果是：
通过集成多种传感器，并结合实时数据处理技术，增强了AMR移动机器人在复杂多变环境中的感知能力和适应性，实现了无碰撞的路径生成和智能导航。不仅提高了AMR移动机器人的工作效率，还降低了能耗和机械磨损，延长了机器人的使用寿命。此外通过实时监测和分析顶升机构的状态参数，控制系统能够在任何潜在的安全风险出现之前作出预警和干预，从而确保了整个操作过程的安全性和稳定性。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本发明实施例的AMR移动机器人的顶升机构控制方法的流程图；
图2是根据本发明实施例的AMR移动机器人的顶升机构控制系统的原理框图。
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
在一种可能的应用场景中，图1示出了根据本公开的AMR移动机器人的顶升机构控制方法的一些实施例的流程S0。该AMR移动机器人的顶升机构控制方法，包括以下步骤：
S1、初始化AMR移动机器人及其顶升机构，通过执行自检程序确保工作组件处于正常工作状态，并建立与控制系统的通信连接；
需要说明的是，在实施基于AMR移动机器人的顶升机构控制方法之前，首先需要对AMR移动机器人及其顶升机构进行初始化操作。这一步骤确保了机器人在开始工作之前处于最佳状态，并且能够准确地响应控制系统的指令。
在一些实施例中，初始化过程包括执行自检程序，该程序会检查AMR移动机器人的各个工作组件，如电机、传感器、电池等，以及顶升机构的各个部件，如升降平台、驱动装置、安全装置等。自检程序会检测这些组件的工作状态，确认它们是否处于正常工作范围内，以及是否存在任何故障或异常情况。
在一些实施例中，如果自检程序发现任何组件存在问题，控制系统会生成相应的故障报告，并提示操作人员进行必要的维修或更换。只有在确保所有工作组件都处于正常工作状态后，初始化过程才能顺利完成。初始化过程还需要建立AMR移动机器人及其顶升机构与控制系统的通信连接。这通常通过无线通信网络实现，确保控制系统能够实时接收机器人的状态信息，并向机器人发送控制指令。通信连接的建立是机器人与控制系统之间协同工作的基础，它保证了信息的准确传输和实时响应。完成初始化操作后，AMR移动机器人及其顶升机构就处于待命状态，随时准备接受控制系统的指令，开始执行后续的导航、避障和顶升任务。
包括以下步骤：
在一些实施例中，S1还可以包括以下步骤：
S11、启动AMR移动机器人，执行自检程序，所述自检程序包括电源状态检查、机械部件完整性验证、传感器校准以及通信系统测试；
在一些实施例中，电源状态检查，是为了验证电池电量是否充足，以及电源系统是否正常工作，确保机器人在执行任务期间不会因电源问题而中断。机械部件完整性验证，可以包括检查机器人的轮子、轴承、连接件等是否牢固无损坏。任何机械故障都可能导致机器人在运行过程中出现问题。传感器校准可以确保机器人能够准确感知其环境并进行精确定位。在这一过程中，机器人的各种传感器(如激光雷达、超声波传感器、红外传感器等)将被校准，以确保它们提供的数据是准确可靠的。通信系统测试，可以验证AMR移动机器人与控制系统之间的无线通信是否正常。可以包括检查信号强度、数据传输速率和通信协议的兼容性等方面。
S12、通过加密协议建立AMR移动机器人与控制系统的无线通信连接；
在一些实施例中，为了确保数据传输的安全性和完整性，AMR移动机器人与控制系统之间的无线通信连接需要通过加密协议进行建立。这可以防止未经授权的访问和数据泄露，同时确保控制指令能够准确无误地传达到机器人。在这一步骤中，控制系统和AMR移动机器人将使用预先配置的加密密钥和身份验证程序来建立安全的通信连接。一旦连接建立成功，控制系统就可以开始向机器人发送控制指令，并实时接收机器人的状态信息和反馈数据。
S13、控制顶升机构执行初始化操作，所述初始化操作包括电机测试、限位开关检查以及安全机制的激活。
在一些实施例中，在AMR移动机器人完成自检和无线通信连接建立后，接下来需要控制顶升机构执行初始化操作。这一步骤的目的是确保顶升机构在开始工作之前处于正确的位置和状态，并且所有相关系统都已准备就绪。初始化操作包括电机测试，通过向电机发送测试信号来验证其是否正常工作。同时还会检查限位开关是否准确可靠，这些开关用于在顶升机构达到最大或最小高度时触发停止动作，以防止机械损坏或安全事故发生。安全机制的激活也是初始化操作的重要组成部分。这包括启用急停按钮、过载保护以及防坠落装置等安全功能，以确保在紧急情况下能够迅速停止顶升机构的动作并保护操作人员和设备的安全。
S2、通过集成在AMR移动机器人上的多种传感器实时监测周围环境，将所述多种传感器采集到的数据进行融合处理以获取障碍物信息，所述障碍物信息包括障碍物的位置、形状和动态信息；
在一些实施例中，为了确保AMR移动机器人在执行任务时能够实时、准确地感知周围环境，并作出相应的导航和避障决策，本实施方式中，机器人集成了多种传感器以实现对周围环境的全方位监测。机器人配备了激光雷达传感器，它能够以高速旋转的方式发射激光束并接收反射回来的信号，从而精确测量机器人与周围物体之间的距离。通过激光雷达传感器的扫描，机器人可以获得周围环境的二维或三维地图，并识别出障碍物的位置和形状。此外，机器人还集成了超声波传感器，这些传感器通过发射超声波并监听其回声来测量与障碍物的距离。超声波传感器对于检测近距离的障碍物特别有效，并且能够在光线不足或黑暗环境中正常工作。为了进一步增强机器人对环境的感知能力，还可以配备红外传感器和视觉传感器。红外传感器能够检测物体发出的红外辐射，从而识别出热源或特定类型的障碍物。视觉传感器则通过摄像头捕捉周围环境的图像，并利用图像处理技术提取出障碍物的位置、形状和动态信息。在数据采集阶段，各种传感器会同时工作，将采集到的原始数据发送到机器人的控制系统。控制系统会对这些数据进行融合处理，结合不同传感器的优势和特点，以获取更全面、准确的障碍物信息。融合处理的方法可以包括数据滤波、权重分配、卡尔曼滤波等算法，以确保最终得到的障碍物信息具有高度的可靠性和精度。通过实时监测和融合处理多种传感器采集到的数据，AMR移动机器人能够准确识别周围环境中的障碍物，并为后续的导航和避障决策提供有力的支持。
在一些实施例中，S2还可以包括以下步骤：
S21、使用激光雷达传感器进行360度环境扫描，获取障碍物的距离和角度数据；
在一些实施例中，AMR移动机器人首先会启动其集成的激光雷达传感器，该传感器具有360度的扫描能力，可以全面覆盖机器人周围的环境。激光雷达传感器会发射激光束，并测量激光束从发射到被障碍物反射回来的时间，从而精确计算出机器人与障碍物之间的距离激光雷达传感器还可以记录每个激光束的发射角度，能够获取到障碍物相对于机器人的方位信息。通过连续扫描和数据处理，激光雷达传感器能够生成一个包含障碍物距离和角度数据的点云图，为后续的环境建模和导航提供基础数据。
S22、利用高分辨率相机捕捉周围环境的详细图像，通过图像处理算法提取障碍物的轮廓和特征；
在一些实施例中，除了激光雷达传感器外，AMR移动机器人还配备有高分辨率相机。这些相机被用来捕捉机器人周围环境的详细图像，以提供更丰富的视觉信息。相机通过镜头捕捉到的图像会被传输到机器人的图像处理系统中。在该系统中，会运用各种图像处理算法对图像进行预处理、增强和分析。这些算法能够提取出图像中的边缘、纹理和特征点等关键信息，从而识别出障碍物的轮廓和特征。通过图像处理算法的处理，机器人能够获得一个更加直观和详细的障碍物视觉模型，这有助于机器人更准确地理解周围环境，并做出更精确的导航和避障决策。
S23、结合激光雷达传感器的距离数据和相机的图像信息，通过数据融合算法生成障碍物地图。
在一些实施例中，在获取了激光雷达传感器的距离数据和相机的图像信息后，AMR移动机器人会将这些数据进行融合处理。数据融合算法会综合考虑不同传感器的数据特点和优势，将它们融合在一起，以生成一个更全面、准确的障碍物地图。具体来说，数据融合算法会将激光雷达传感器提供的障碍物距离和角度数据与相机提供的障碍物轮廓和特征信息进行匹配和关联。通过数据校准和权重分配等处理步骤，算法能够生成一个包含障碍物位置、形状和大小等信息的二维或三维地图。
S3、利用路径规划算法，根据所述障碍物信息和目标位置生成无碰撞的避障路径，并基于所述避障路径生成控制指令，通过控制系统指导AMR移动机器人沿所述避障路径移动；
在一些实施例中，在获取了周围环境中的障碍物信息后，AMR移动机器人需要利用这些信息以及目标位置来规划一条无碰撞的避障路径。这一步骤是确保机器人能够安全、高效地到达目的地的关键。首先，机器人会运行路径规划算法，这些算法可以是基于图搜索的算法(如A*算法、Dijkstra算法等)，也可以是基于采样的算法(如RRT算法、PRM算法等)，或者是基于优化的算法(如人工势场法、动态窗口法等)。具体选择哪种算法取决于应用场景的复杂性和实时性要求。路径规划算法会根据障碍物信息和目标位置，在机器人的可达空间中搜索一条从当前位置到目标位置的无碰撞路径。在搜索过程中，算法会考虑机器人的运动学约束和动力学约束，以确保生成的路径是机器人能够实际执行的。一旦找到一条无碰撞路径，路径规划算法会将其输出为一系列的路径点或轨迹。这些路径点或轨迹会作为控制指令的一部分，被发送到机器人的控制系统。控制系统在接收到路径点或轨迹后，会将其转换为具体的速度指令和转向指令。这些指令会被发送到AMR移动机器人的驱动系统，从而控制机器人的轮子转速和转向角度，使机器人能够沿着规划好的避障路径移动。在机器人移动的过程中，控制系统还会实时监测机器人的位置和姿态，以及周围环境的变化。如果检测到任何可能导致碰撞的障碍物或变化，控制系统会立即调整机器人的速度和转向，以确保机器人能够安全地避开障碍物并继续沿着路径移动。通过这种方式，AMR移动机器人能够在复杂的环境中实现自主导航和避障，以完成各种任务。
在一些实施例中，S3还可以包括以下步骤：
S31、采用基于Dijkstra算法的路径规划方法，根据障碍物地图和目标位置计算出最优避障路径；
在一些实施例中，在AMR移动机器人的导航过程中，为了实现从当前位置到目标位置的无碰撞移动，首先需要利用已知的障碍物地图来规划出一条最优的避障路径。本实施方式中，我们采用基于Dijkstra算法的路径规划方法来完成这一任务。Dijkstra算法通过为每个节点分配一个暂时的距离值来工作，该距离值表示从起始节点到该节点的当前最短路径的估计成本。算法开始时，起始节点的距离值被设置为0，所有其他节点的距离值被设置为无穷大。然后，算法反复选择距离值最小的未处理节点，并更新其邻居节点的距离值。这个过程一直持续到目标节点的距离值被计算出来，或者所有节点都被处理过为止。在本实施方式中，我们将障碍物地图表示为一个带权图，其中每个节点代表地图上的一个位置，每个边代表两个位置之间的可行移动，边的权重表示移动的成本(例如距离、时间等)。起始节点对应AMR移动机器人的当前位置，目标节点对应机器人的目标位置。通过运行Dijkstra算法，我们能够找到一条从起始节点到目标节点的最优路径，该路径具有最小的总移动成本，并且能够有效地避开障碍物。
S32、将计算出的避障路径转换为避障控制指令，所述避障控制指令包括速度、转向和加速度参数；
在一些实施例中，通过Dijkstra算法计算出了最优避障路径之后，接下来需要将其转换为AMR移动机器人能够执行的控制指令。这些指令需要详细描述机器人在沿着路径移动时应该采取的速度、转向和加速度等动作。首先，根据路径上相邻节点之间的距离和方向变化，我们可以计算出机器人在每个节点处应该达到的速度和转向角度。这些速度和转向角度将被编码为具体的控制指令，并发送到机器人的驱动系统。此外，为了确保机器人在移动过程中的平稳性和安全性，还可以计算加速度参数。这些参数将用于控制机器人在加速和减速过程中的速率变化，以避免突然的启动或停止对机器人和周围环境造成潜在的损害。
S33、通过控制系统实时跟踪AMR移动机器人的位置和姿态，动态调整避障控制指令以确保机器人沿所述避障路径移动。
在一些实施例中，在AMR移动机器人开始执行避障控制指令后，其控制系统会实时跟踪机器人的位置和姿态信息。这通常通过集成在机器人上的定位传感器(如惯性测量单元、轮速传感器等)来实现。这些传感器能够提供机器人关于其当前位置、速度和方向的精确测量数据。控制系统会不断将这些实时测量数据与预期的避障路径进行比较，以检测任何偏差或误差。如果发现机器人偏离了预期路径，控制系统会立即调整避障控制指令中的速度、转向和加速度参数，以纠正这些偏差并确保机器人能够重新回到正确的路径上。这种动态调整过程将持续进行，直到机器人成功到达目标位置为止。
S4、当AMR移动机器人到达所述目标位置后，响应于所述控制系统接收到顶升指令，分析顶升机构的状态参数，判断顶升机构是否满足预设的安全条件；
在一些实施例中，当AMR移动机器人按照预设的路径导航并成功到达目标位置后，它会准备执行后续的任务，如物品搬运、货架升降等。在这些任务中，顶升机构扮演着至关重要的角色，因为它负责提升和降低负载。因此，在执行顶升操作之前，必须对顶升机构的状态进行仔细检查，以确保其满足安全条件。一旦AMR移动机器人的控制系统接收到顶升指令，它会首先触发一个状态检查程序。这个程序会访问顶升机构的多个传感器和监控系统，收集关于机构当前状态的各种参数，如电机温度、液压油位、结构完整性指标等。这些参数是评估顶升机构是否准备好进行安全操作的关键依据。控制系统会利用预设的安全阈值和算法来分析这些状态参数。例如，它会检查电机温度是否过高，因为过热可能导致电机性能下降或故障。类似地，液压油位过低可能表明液压系统存在问题，而结构完整性指标超出范围则可能意味着机构存在物理损伤或疲劳。如果所有状态参数都在安全阈值范围内，控制系统将判断顶升机构满足预设的安全条件，并准备执行顶升操作。然而，如果任何一个参数超出安全范围，控制系统将触发一个警报，并可能禁止执行顶升操作，以防止潜在的安全事故。在这种情况下，操作人员或维护人员需要被通知，以便他们可以检查并修复顶升机构的问题。一旦问题得到解决，并且所有状态参数都恢复到安全范围内，AMR移动机器人就可以继续执行顶升操作了。通过这种实施例公开的方式，AMR移动机器人在执行任务时能够确保顶升机构的安全性和可靠性，从而保护操作人员、负载以及机器人本身免受潜在的损害。
S5、若顶升机构被判定为满足安全条件，则控制系统生成相应的顶升控制指令；和/或，若不满足安全条件，则触发警报系统并立即停止顶升操作。
在一些实施例中，在AMR移动机器人到达目标位置并准备进行顶升操作时，控制系统会根据之前对顶升机构状态参数的分析结果来做出决策。如果所有关键参数都在预设的安全范围内，表明顶升机构当前处于良好的工作状态，可以安全地进行顶升操作。在这种情况下，控制系统会生成相应的顶升控制指令。这些指令包括但不限于电机启动命令、液压油泵激活命令、升降速度设定命令以及任何必要的同步或协调命令。这些指令会精确地控制顶升机构的各个部件，以确保负载能够平稳、准确地被提升到指定高度。
在一些实施例中，如果控制系统检测到顶升机构的任何一个或多个状态参数超出安全阈值，它会立即判断顶升机构不满足安全条件。在这种情况下，控制系统会立即停止生成顶升控制指令，以防止潜在的安全事故。为了及时通知操作人员并采取必要的应急措施，控制系统还会触发警报系统。这通常包括发出声音警报、闪烁灯光警报以及在操作界面上显示错误消息等。这些警报信号会迅速吸引操作人员的注意，并引导他们进行进一步的检查和干预。在触发警报系统后，控制系统可能还会自动执行一些紧急停止程序，如切断电源、应用制动器等，以确保顶升机构在不安全状态下不会继续运行。这些紧急措施有助于最大限度地减少潜在的风险和损害。
在一些实施例中，S5还可以包括以下步骤：
S51、定义安全条件为顶升机构的位置误差小于预设阈值、速度在预设范围内且负载不超过最大允许值；
在一些实施例中，在执行顶升操作之前，必须明确定义顶升机构的安全条件。这些条件是基于对顶升机构性能和安全性的全面评估而制定的，以确保在操作过程中不会发生意外或损坏。本实施方式中，安全条件被定义为以下三个方面：
位置误差：顶升机构的当前位置与目标位置之间的误差必须小于一个预设的阈值。这是为了确保顶升机构能够准确地到达并停留在指定的目标位置，避免由于位置偏差而导致的操作失误或安全事故
速度范围：顶升机构的当前速度必须在一个预设的范围内。这个范围是根据顶升机构的设计规格和操作要求而确定的，以确保机构在操作过程中能够保持平稳且可控的速度，避免由于速度过快或过慢而导致的安全问题。
负载限制：顶升机构所承受的负载不得超过其最大允许值。这是为了保护机构免受过载损坏，并确保在负载范围内机构能够正常工作。最大允许负载是根据顶升机构的结构强度、电机功率和稳定性等因素而确定的。
S52、利用实时获取的顶升机构状态数据，通过式(1)计算安全指数，所述顶升机构状态数据包括位置、速度和负载信息，
S＝|P-Pt|<ε∧Vmin≤V≤Vax∧L≤Lmax (1)
需要说明的是，式(1)中的每个部分都对应一个特定的安全条件，只有当所有条件同时满足时，整个表达式的结果才为真(True)，表示顶升机构处于安全状态，具体的，
P表示顶升机构的当前位置；
Pt表示顶升机构的目标位置；
ε表示一个预设的位置误差阈值；
|P-Pt|表示计算当前位置与目标位置之间的绝对差值(距离)；
|P-Pt|<ε表示判断这个绝对差值是否小于预设的阈值ε，如果是，则这个条件为真，表示位置误差在可接受的范围内。
V表示顶升机构的当前速度；
Vmin表示速度范围的最小值；
Vmax表示速度范围的最大值；
Vmin≤V≤Vmax表示判断当前速度V是否在预设的最小速度Vmin和最大速度Vmax之间(包括边界值)。如果是，则这个条件为真，表示速度在安全的范围；
L表示顶升机构当前承受的负载；
Lmax表示顶升机构的最大允许负载；
L≤Lmax表示判断当前负载L是否小于或等于最大允许负载Lmax，如果是，则这个条件为真，表示负载在安全范围内，没有超过顶升机构的承受能力。
∧表示逻辑与(AND)运算。它要求所有与之相连的条件都必须同时满足，整个表达式的结果才为真，如果任何一个条件不满足(即为假)，则整个表达式的结果也为假。
S53、如果所述安全指数计算结果为真，则判定顶升机构处于安全状态，并允许执行顶升操作。
在一些实施例中，控制系统根据式(1)计算得出的安全指数来判断顶升机构是否处于安全状态。如果安全指数的值为真(即所有安全条件都得到满足)，则判定顶升机构处于安全状态，控制系统会生成相应的顶升控制指令并执行顶升操作。如果安全指数的值为假(即有一个或多个安全条件不满足)，则判定顶升机构不处于安全状态。在这种情况下，控制系统会触发警报系统并立即停止顶升操作，以避免潜在的安全风险。同时，操作人员会被通知以进行进一步的检查和调整，直至所有安全条件得到满足后再重新启动顶升操作。
在一些实施例中，所述方法还可以包括：
S61、利用激光雷达传感器进行环境扫描，获取障碍物的距离和角度数据；
需要说明的是，激光雷达传感器，也称为LiDAR(Light Detection and Ranging)，通过发射激光束并测量反射光的时间来确定障碍物的距离。AMR移动机器人的激光雷达传感器通常以一定的角速度进行旋转，以便在360度范围内扫描周围环境。在扫描过程中，激光雷达不仅记录每个激光束的反射时间(用于计算距离)，还记录激光束的发射角度(用于确定障碍物的方位)。这些数据被实时传输到机器人的控制系统，并通过特定的算法进行处理和分析。控制系统可以根据激光雷达的数据计算出障碍物的精确位置和形状，从而为后续的导航和避障提供关键信息。
S62、利用深度相机捕捉环境的详细图像信息；
在一些实施例中，深度相机是一种能够测量场景中物体距离的特殊相机。与传统的RGB相机不同，深度相机可以捕捉场景的深度信息，即物体与相机之间的距离。这种深度信息对于机器人来说非常有价值，因为它可以帮助机器人更准确地理解场景的三维结构。在AMR移动机器人中，深度相机通常被安装在机器人的前部或顶部，以便捕捉前方的环境信息。深度相机以一定的帧率捕捉场景的图像，并将这些图像传输到机器人的控制系统。控制系统可以利用深度相机的数据来识别场景中的物体、障碍物和可行走区域，并为后续的导航和决策提供支持。
S63、通过SLAM技术将激光雷达和深度相机的数据进行融合，构建并实时更新包含障碍物位置、形状及可行走区域的三维环境地图；
需要说明的是，SLAM(Simultaneous Localization and Mapping)技术是一种允许机器人在未知环境中同时进行自我定位和地图构建的技术。在AMR移动机器人中，SLAM技术被用来融合激光雷达和深度相机的数据，以构建一个准确且全面的环境地图。具体来说，当激光雷达和深度相机同时工作时，它们会分别提供关于周围环境的距离和图像信息。这些信息被传输到机器人的控制系统，并通过SLAM算法进行处理和融合。SLAM算法会根据激光雷达的数据计算出障碍物的位置和形状，同时根据深度相机的数据识别出场景中的物体和可行走区域。然后，SLAM算法会将这些信息融合到一个统一的环境地图中。这个环境地图不仅包含了障碍物的位置和形状信息，还包含了可行走区域的边界和连通性信息。此外，由于SLAM技术具有实时性，因此环境地图可以随着机器人的移动和环境的变化而实时更新。
S64、建立环境地图数据库，将静态障碍物信息以及可行走区域信息存储于其中，并根据环境的变化实时更新所述地图数据库；
在一些实施例中，在环境地图被构建完成后，AMR移动机器人会将其存储在一个环境地图数据库中。这个数据库是一个包含多个环境地图的集合，每个环境地图都对应着机器人所处环境的一个特定区域或时间段。环境地图数据库不仅存储了静态障碍物的信息(如墙壁、家具等的位置和形状)，还存储了动态障碍物的信息(如行人、车辆等的移动轨迹和速度)。此外，环境地图数据库还包含了可行走区域的信息，如走廊、房间等的空间布局和连通性。随着环境的变化(如障碍物的移动、新障碍物的出现或消失等)，AMR移动机器人会利用激光雷达传感器和深度相机持续进行环境扫描和数据采集。这些新采集的数据会被传输到控制系统，并通过特定的算法进行处理和分析。然后，控制系统会根据新数据更新环境地图数据库中的相应区域或时间段的环境地图。这种实时更新的机制确保了环境地图的准确性和时效性，从而为机器人的自主导航和决策提供了可靠的支持。
S65、在AMR移动机器人工作过程中，基于AMR移动机器人的运动模型和传感器采集到的实时数据，通过数据融合算法计算机器人的位置和姿态，生成AMR移动机器人的导航策略。
在一些实施例中，AMR移动机器人工作过程中，为了实现自主导航和避障，机器人需要不断地计算机自身的位置和姿态(即位姿)。这是通过结合机器人的运动模型(如差速驱动模型、全向移动模型等)和传感器采集到的实时数据(包括激光雷达和深度相机的数据以及可能的其他传感器如IMU(Inertial Measurement Unit)等提供的数据)来实现的。具体来说，控制系统会根据机器人的运动模型和传感器数据计算出机器人当前的位置和姿态估计值。然后，控制系统会根据这些估计值以及环境地图数据库中的信息生成导航策略。导航策略是一个指导机器人从当前位置移动到目标位置的行动计划。它通常包括一系列中间目标点和相应的运动指令(如速度、方向等)。在生成导航策略时，控制系统会考虑多种因素，如障碍物的位置、可行走区域的边界、机器人的运动能力等。通过优化这些因素之间的权衡关系，控制系统可以生成一个高效且安全的导航策略，从而指导机器人顺利地完成各种任务。
在一些实施例中，上述方法还可以包括：
S651、收集历史导航场景数据，包括AMR移动机器人在不同环境下的路径规划、控制指令及对应的环境感知信息；
在一些实施例中，为了训练一个有效的导航策略模型，首先需要收集大量的历史导航场景数据。这些数据包括AMR移动机器人在不同环境下的路径规划结果、控制指令序列以及对应的环境感知信息。环境感知信息可以通过激光雷达传感器、深度相机等传感器获取，包括障碍物的位置、形状、大小以及可行走区域的边界等信息。路径规划结果和控制指令序列则是机器人在这些环境下进行自主导航时所产生的数据。这些数据可以通过在实际环境中运行AMR移动机器人进行收集，也可以通过仿真平台进行模拟收集。收集到的数据需要进行预处理和标注，以便后续的训练使用。
S652、利用强化学习算法，将收集到的所述历史导航场景数据作为训练集，构建并训练导航策略模型，所述导航策略模型的训练集包括AMR移动机器人在不同环境下的路径规划结果、控制指令序列以及对应的环境感知信息，所述导航策略模型的输入为环境感知信息，输出为路径规划结果或控制指令；
在一些实施例中，强化学习是一种通过与环境进行交互来学习最优决策策略的机器学习方法。在AMR移动机器人的导航策略训练中，可以采用强化学习算法来构建并训练导航策略模型。
具体来说，可以将收集到的历史导航场景数据作为训练集，输入到强化学习算法中。强化学习算法会根据这些数据学习一个策略，该策略将环境感知信息作为输入，输出路径规划结果或控制指令。在训练过程中，强化学习算法会不断地与环境进行交互，并根据交互结果调整策略的参数，以最大化累积奖励。为了训练一个有效的导航策略模型，需要选择合适的强化学习算法和模型架构，并设置合理的超参数。同时，还需要定义合适的奖励函数来评估生成路径或控制指令的优劣，并根据评估结果进行模型参数的更新。
S653、根据当前环境状态，采用梯度下降算法计算损失函数对模型参数进行更新；
在一些实施例中，在强化学习算法的训练过程中，需要根据当前环境状态计算损失函数，并采用梯度下降算法对模型参数进行更新。损失函数是衡量模型预测结果与实际结果之间差距的指标，梯度下降算法则是一种通过计算损失函数对模型参数的梯度来更新模型参数的方法。
具体来说，在每个训练步骤中，强化学习算法会根据当前环境状态和环境感知信息输出一个路径规划结果或控制指令。然后，算法会根据这个输出和实际结果计算损失函数，并采用梯度下降算法对模型参数进行更新，以最小化损失函数。这个过程会不断重复，直到模型收敛或达到预设的训练轮数。
S654、根据路径长度、碰撞风险等因素定义奖励函数，利用奖励函数评估生成路径或控制指令的优劣，并通过与环境的交互进行模型参数的更新；
在一些实施例中，在强化学习算法的训练过程中，需要定义合适的奖励函数来评估生成路径或控制指令的优劣。奖励函数可以根据路径长度、碰撞风险等因素进行定义，以反映生成路径或控制指令的实际效果。例如，较短的路径和较低的碰撞风险可以获得较高的奖励值。通过与环境的交互，强化学习算法可以根据奖励函数对生成路径或控制指令进行评估，并根据评估结果进行模型参数的更新。具体来说，在每个训练步骤中，算法会根据当前环境状态和环境感知信息输出一个路径规划结果或控制指令，并将其应用到环境中。然后，算法会根据环境的反馈(如是否发生碰撞、路径长度等)计算奖励值，并根据奖励值对模型参数进行更新。这个过程会不断重复，直到模型收敛或达到预设的训练轮数。
S655、将训练得到的导航策略模型部署到AMR移动机器人的控制系统中。
在一些实施例中，当导航策略模型训练完成后，可以将其部署到AMR移动机器人的控制系统中。具体来说，可以将训练得到的模型参数和模型架构集成到机器人的控制系统中，以便在实际导航过程中使用。在部署过程中，需要确保模型与机器人硬件和软件的兼容性，并进行必要的调试和测试以确保模型的正确性和可靠性。一旦部署完成，AMR移动机器人就可以利用训练得到的导航策略模型进行自主导航和决策。
在一些实施例中，所述方法还可以包括：
S71、利用激光雷达传感器或深度相机获取环境的原始感知数据，所述原始感知数据包括三维点云数据；
在一些实施例中，AMR移动机器人配备激光雷达传感器和深度相机，以获取环境的原始感知数据。激光雷达通过快速扫描周围环境，获取物体的距离信息并形成三维点云数据。深度相机则捕捉场景的深度图像，提供物体与相机之间的距离信息。这些数据是后续环境感知和导航的基础。激光雷达通常进行360度的扫描，获取周围环境的详细距离信息。这些数据以点云的形式表示，每个点都代表环境中的一个物体或表面的一部分，并包含其三维坐标(x,y,z)和反射强度等信息。深度相机使用特定的技术(如结构光、时间飞行法等)来测量场景中物体与相机之间的距离。这些技术通常基于光学原理，通过分析光线的传播和变形来获取深度信息。深度相机捕获的图像中，每个像素都包含深度信息，表示该像素点对应的物体与相机之间的距离。这些深度图像可以直接转换为三维点云数据，用于后续的环境感知和导航处理。
S72、对原始感知数据进行预处理，所述预处理包括滤波、去噪和数据配准；
在一些实施例中，为确保数据质量，原始感知数据需要经过预处理。首先，应用滤波技术去除数据中的高频噪声和异常值，使点云数据更加平滑。其次，采用去噪算法进一步处理数据，减少噪声对后续分析的影响。最后，进行数据配准，将不同传感器或不同时间获取的点云数据对齐和融合，确保数据的准确性和一致性。
具体来说，对点云数据进行滤波处理，以去除噪声和离群点。常用的滤波方法包括统计滤波(去除离群点)、体素滤波(降低点云密度)等。去噪处理是进一步处理滤波后的数据，以消除残留噪声。这可能涉及使用更高级的算法，如基于机器学习的方法，来识别和去除噪声点。将不同传感器或不同时间获取的点云数据进行对齐和融合。这通常涉及使用配准算法(如ICP算法)来估计传感器之间的变换矩阵，并将点云数据转换到统一的坐标系下。
S73、结合预处理后的所述感知数据，通过点云处理算法进行环境分割和特征提取，识别出环境中的静态障碍物和可行走区域；
在一些实施例中，预处理后的点云数据被输入到点云处理算法中。这些算法能够根据点云的空间分布和属性信息，将环境分割成不同的区域和物体。同时，算法提取每个区域和物体的特征信息，如形状、大小、位置等。这些特征信息对于机器人的导航决策至关重要，帮助机器人识别障碍物和可行走区域。将点云数据分割成不同的区域或物体。这可以通过基于聚类的方法(如K-means、DBSCAN等)或基于模型的方法(如RANSAC等)来实现。分割后的区域可以表示环境中的不同物体或表面。从分割后的区域中提取有用的特征信息。这些特征可以包括形状、大小、位置、方向等几何特征，以及颜色、纹理等视觉特征。这些特征信息对于后续的导航决策和障碍物识别至关重要。
S74、将识别出的静态障碍物信息和可行走区域信息融合到已有的环境地图中，更新地图数据以反映环境变化；
在一些实施例中，识别出的静态障碍物信息和可行走区域信息被融合到已有的环境地图中。这些信息以特定的数据格式存储和表示，确保机器人能够快速访问和使用。环境地图是一个持续更新的数据结构，随着环境的变化而实时更新。这种更新机制确保机器人在导航过程中始终拥有最新、最准确的环境信息。环境地图通常以二维或三维的形式表示，其中包含环境中的障碍物、可行走区域以及其他相关信息。这些地图可以使用不同的数据结构来表示，如栅格地图、拓扑地图或语义地图等。将识别出的静态障碍物信息和可行走区域信息融合到已有的环境地图中。这可能涉及更新地图中的障碍物位置、形状和大小等信息，以及更新可行走区域的边界和连通性等信息。通过融合这些信息，可以确保机器人在导航过程中拥有最新、最准确的环境信息。
S75、在AMR移动机器人导航过程中，实时将新的感知数据与更新后的地图数据进行匹配，实现精确的定位和障碍物避障。
在一些实施例中，在AMR移动机器人导航过程中，控制系统实时将新的感知数据与更新后的地图数据进行匹配。通过特定的算法，如最近邻迭代算法或蒙特卡洛定位算法，确保机器人在环境中的精确定位。同时，结合识别出的障碍物信息和可行走区域信息，控制系统生成相应的导航指令和避障策略。这些指令和策略指导机器人在环境中安全、高效地移动，完成各种复杂的导航任务。通过实时匹配和决策，机器人能够准确感知环境变化，并做出相应调整，确保导航的准确性和安全性。
机器人需要实时将新的感知数据与更新后的地图数据进行匹配。这可以通过使用定位算法(如蒙特卡洛定位、扩展卡尔曼滤波等)来实现。这些算法利用感知数据和地图数据之间的关联来估计机器人的当前位置和方向。通过数据匹配，机器人可以实现精确定位，并确定自身在环境中的准确位置。同时，结合识别出的障碍物信息和可行走区域信息，机器人可以生成相应的避障策略和导航指令，以确保在环境中安全、高效地移动。这些策略和指令可能涉及规划最优路径、调整移动速度或方向等。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种AMR移动机器人的顶升机构控制系统的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该AMR移动机器人的顶升机构控制系统具体可以应用于各种电子设备中。
如图2所示，一些实施例的一种AMR移动机器人的顶升机构控制系统200，该系统包括：初始化模块201，用于初始化AMR移动机器人及其顶升机构，通过执行自检程序确保工作组件处于正常工作状态，并建立与控制系统的通信连接；环境感知模块202，用于通过集成在AMR移动机器人上的多种传感器实时监测周围环境，将所述多种传感器采集到的数据进行融合处理以获取障碍物信息，所述障碍物信息包括障碍物的位置、形状和动态信息；路径规划模块203，用于利用路径规划算法，根据所述障碍物信息和目标位置生成无碰撞的避障路径，并基于所述避障路径生成控制指令，通过控制系统指导AMR移动机器人沿所述避障路径移动；第一控制模块204，用于当AMR移动机器人到达所述目标位置后，响应于所述控制系统接收到顶升指令，分析顶升机构的状态参数，判断顶升机构是否满足预设的安全条件；第二控制模块205，若顶升机构被判定为满足安全条件，则控制系统生成相应的顶升控制指令；和/或，若不满足安全条件，则触发警报系统并立即停止顶升操作。
可以理解的是，该AMR移动机器人的顶升机构控制系统200中记载的诸模块与参考图1描述的AMR移动机器人的顶升机构控制方法中的各个步骤相对应。由此，上文针对AMR移动机器人的顶升机构控制方法描述的操作、特征以及产生的有益效果同样适用于AMR移动机器人的顶升机构控制系统200及其中包含的模块，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的终端设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中还可以包括计算机可读介质，计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：初始化AMR移动机器人及其顶升机构，通过执行自检程序确保工作组件处于正常工作状态，并建立与控制系统的通信连接；通过集成在AMR移动机器人上的多种传感器实时监测周围环境，将所述多种传感器采集到的数据进行融合处理以获取障碍物信息，所述障碍物信息包括障碍物的位置、形状和动态信息；利用路径规划算法，根据所述障碍物信息和目标位置生成无碰撞的避障路径，并基于所述避障路径生成控制指令，通过控制系统指导AMR移动机器人沿所述避障路径移动；当AMR移动机器人到达所述目标位置后，响应于所述控制系统接收到顶升指令，分析顶升机构的状态参数，判断顶升机构是否满足预设的安全条件；若顶升机构被判定为满足安全条件，则控制系统生成相应的顶升控制指令；和/或，若不满足安全条件，则触发警报系统并立即停止顶升操作。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一解密单元、第二解密单元、输入单元、校验单元和发送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待校验信息、第一加密安全解锁信息集和第二加密安全解锁信息集的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于AMR移动机器人的顶升机构控制方法，其特征在于，包括以下步骤：
S1、初始化AMR移动机器人及其顶升机构，通过执行自检程序确保工作组件处于正常工作状态，并建立与控制系统的通信连接；
S2、通过集成在AMR移动机器人上的多种传感器实时监测周围环境，将所述多种传感器采集到的数据进行融合处理以获取障碍物信息，所述障碍物信息包括障碍物的位置、形状和动态信息；
S3、利用路径规划算法，根据所述障碍物信息和目标位置生成无碰撞的避障路径，并基于所述避障路径生成控制指令，通过控制系统指导AMR移动机器人沿所述避障路径移动；
S4、当AMR移动机器人到达所述目标位置后，响应于所述控制系统接收到顶升指令，分析顶升机构的状态参数，判断顶升机构是否满足预设的安全条件；
S5、若顶升机构被判定为满足安全条件，则控制系统生成相应的顶升控制指令；和/或，
若不满足安全条件，则触发警报系统并立即停止顶升操作。
2.根据权利要求1所述的一种基于AMR移动机器人的顶升机构控制方法，其特征在于，所述S1包括以下步骤：
S11、启动AMR移动机器人，执行自检程序，所述自检程序包括电源状态检查、机械部件完整性验证、传感器校准以及通信系统测试；
S12、通过加密协议建立AMR移动机器人与控制系统的无线通信连接；
S13、控制顶升机构执行初始化操作，所述初始化操作包括电机测试、限位开关检查以及安全机制的激活。
3.根据权利要求1所述的一种基于AMR移动机器人的顶升机构控制方法，其特征在于，所述S2包括以下步骤：
S21、使用激光雷达传感器进行360度环境扫描，获取障碍物的距离和角度数据；
S22、利用高分辨率相机捕捉周围环境的详细图像，通过图像处理算法提取障碍物的轮廓和特征；
S23、结合激光雷达传感器的距离数据和相机的图像信息，通过数据融合算法生成障碍物地图。
4.根据权利要求1所述的一种基于AMR移动机器人的顶升机构控制方法，其特征在于，所述S3包括以下步骤：
S31、采用基于Dijkstra算法的路径规划方法，根据障碍物地图和目标位置计算出最优避障路径；
S32、将计算出的避障路径转换为避障控制指令，所述避障控制指令包括速度、转向和加速度参数；
S33、通过控制系统实时跟踪AMR移动机器人的位置和姿态，动态调整避障控制指令以确保AMR移动机器人沿所述避障路径移动。
5.根据权利要求1所述的一种基于AMR移动机器人的顶升机构控制方法，其特征在于，所述S5包括以下步骤：
S51、定义安全条件为顶升机构的位置误差小于预设阈值、速度在预设范围内且负载不超过最大允许值；
S52、利用实时获取的顶升机构状态数据，通过式(1)计算安全指数，所述顶升机构状态数据包括位置、速度和负载信息，
S＝|P-Pt|<ε∧Vmin≤V≤Vmax∧L≤Lmax (1)
其中，P为当前位置，Pt为目标位置，V为当前速度，Vmin和Vmax为速度范围的最小值和最大值，L为当前负载，Lmax为最大允许负载，ε为预设位置误差阈值；
S53、如果所述安全指数计算结果为真，则判定顶升机构处于安全状态，并允许执行顶升操作。
6.根据权利要求1所述的一种基于AMR移动机器人的顶升机构控制方法，其特征在于，所述方法还包括：
S61、利用激光雷达传感器进行环境扫描，获取障碍物的距离和角度数据；
S62、利用深度相机捕捉环境的详细图像信息；
S63、通过SLAM技术将激光雷达和深度相机的数据进行融合，构建并实时更新包含障碍物位置、形状及可行走区域的三维环境地图；
S64、建立环境地图数据库，将静态障碍物信息以及可行走区域信息存储于其中，并根据环境的变化实时更新所述地图数据库；
S65、在AMR移动机器人工作过程中，基于AMR移动机器人的运动模型和传感器采集到的实时数据，通过数据融合算法计算AMR移动机器人的位置和姿态，生成AMR移动机器人的导航策略。
7.根据权利要求6所述的一种基于AMR移动机器人的顶升机构控制方法，其特征在于，所述方法还包括：
S651、收集历史导航场景数据，包括AMR移动机器人在不同环境下的路径规划、控制指令及对应的环境感知信息；
S652、利用强化学习算法，将收集到的所述历史导航场景数据作为训练集，构建并训练导航策略模型，所述导航策略模型的训练集包括AMR移动机器人在不同环境下的路径规划结果、控制指令序列以及对应的环境感知信息，所述导航策略模型的输入为环境感知信息，输出为路径规划结果或控制指令；
S653、根据当前环境状态，采用梯度下降算法计算损失函数对模型参数进行更新；
S654、根据路径长度、碰撞风险等因素定义奖励函数，利用奖励函数评估生成路径或控制指令的优劣，并通过与环境的交互进行模型参数的更新；
S655、将训练得到的导航策略模型部署到AMR移动机器人的控制系统中。
8.根据权利要求7所述的一种基于AMR移动机器人的顶升机构控制方法，其特征在于，所述方法还包括：
S71、利用激光雷达传感器或深度相机获取环境的原始感知数据，所述原始感知数据包括三维点云数据；
S72、对原始感知数据进行预处理，所述预处理包括滤波、去噪和数据配准；
S73、结合预处理后的所述感知数据，通过点云处理算法进行环境分割和特征提取，识别出环境中的静态障碍物和可行走区域；
S74、将识别出的静态障碍物信息和可行走区域信息融合到已有的环境地图中，更新地图数据以反映环境变化；
S75、在AMR移动机器人导航过程中，实时将新的感知数据与更新后的地图数据进行匹配，实现精确的定位和障碍物避障。
9.一种基于AMR移动机器人的顶升机构控制系统，用于实现权利要求1-8中任一项所述的基于AMR移动机器人的顶升机构控制方法，其特征在于，包括：
初始化模块，用于初始化AMR移动机器人及其顶升机构，通过执行自检程序确保工作组件处于正常工作状态，并建立与控制系统的通信连接；
环境感知模块，用于通过集成在AMR移动机器人上的多种传感器实时监测周围环境，将所述多种传感器采集到的数据进行融合处理以获取障碍物信息，所述障碍物信息包括障碍物的位置、形状和动态信息；
路径规划模块，用于利用路径规划算法，根据所述障碍物信息和目标位置生成无碰撞的避障路径，并基于所述避障路径生成控制指令，通过控制系统指导AMR移动机器人沿所述避障路径移动；
第一控制模块，用于当AMR移动机器人到达所述目标位置后，响应于所述控制系统接收到顶升指令，分析顶升机构的状态参数，判断顶升机构是否满足预设的安全条件；
第二控制模块，若顶升机构被判定为满足安全条件，则控制系统生成相应的顶升控制指令；和/或，若不满足安全条件，则触发警报系统并立即停止顶升操作。
10.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410772217.8A CN118819140A (zh) | 2024-06-14 | 2024-06-14 | Amr移动机器人的顶升机构控制方法、系统、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410772217.8A CN118819140A (zh) | 2024-06-14 | 2024-06-14 | Amr移动机器人的顶升机构控制方法、系统、电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118819140A true CN118819140A (zh) | 2024-10-22 |
Family
ID=93072236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410772217.8A Pending CN118819140A (zh) | 2024-06-14 | 2024-06-14 | Amr移动机器人的顶升机构控制方法、系统、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118819140A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN120269577A (zh) * | 2025-06-10 | 2025-07-08 | 成都福誉科技有限公司 | 六轴机械运动自动化控制中的前瞻性预处理方法及系统 |
-
2024
- 2024-06-14 CN CN202410772217.8A patent/CN118819140A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN120269577A (zh) * | 2025-06-10 | 2025-07-08 | 成都福誉科技有限公司 | 六轴机械运动自动化控制中的前瞻性预处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Proximity prediction of mobile objects to prevent contact-driven accidents in co-robotic construction | |
| Lampinen et al. | Autonomous robotic rock breaking using a real‐time 3D visual perception system | |
| JP2022548009A (ja) | 物体移動システム | |
| Santos et al. | A sensor fusion layer to cope with reduced visibility in SLAM | |
| Lee et al. | Intelligent robot for worker safety surveillance: Deep learning perception and visual navigation | |
| CN118819140A (zh) | Amr移动机器人的顶升机构控制方法、系统、电子设备 | |
| CN116629106A (zh) | 移动机器人运行场景的准数字孪生方法、系统、设备及介质 | |
| CN116804552A (zh) | 多仿生机器狗跨楼层立体巡检方法及系统 | |
| Al-Hussaini et al. | Seeking human help to manage plan failure risks in semi-autonomous mobile manipulation | |
| Tavasoli et al. | Autonomous post‐disaster indoor navigation and survivor detection using low‐cost micro aerial vehicles | |
| CN120069259A (zh) | 一种剧院演出舞台设备安全调节控制系统 | |
| Zhang et al. | Digital technologies for enhancing crane safety in construction: a combined quantitative and qualitative analysis | |
| Peng et al. | An autonomous Unmanned Aerial Vehicle exploration platform with a hierarchical control method for post‐disaster infrastructures | |
| Fetzner et al. | A 3D representation of obstacles in the robots reachable area considering occlusions | |
| CN119181131A (zh) | 一种受限空间作业人员姿态异常预警方法及系统 | |
| Yang et al. | Research into the application of AI robots in community home leisure interaction | |
| CN117762158A (zh) | 异常巡检方法、装置、设备及存储介质 | |
| CN117392241A (zh) | 自动驾驶中的传感器标定方法、装置及电子设备 | |
| CN115661966A (zh) | 一种基于增强现实的巡检系统和方法 | |
| Andonovski et al. | Towards a development of robotics tower crane system | |
| De Santis | Autonomous mobile robots: configuration of an automated inspection system | |
| Ganai et al. | Real-Time Out-of-Distribution Failure Prevention via Multi-Modal Reasoning | |
| Shou | Obstacle avoidance path planning algorithm of an embedded robot based on machine vision | |
| WO2018168537A1 (en) | Learning target apparatus and operating method | |
| KR102650464B1 (ko) | 자율 주행 로봇을 이용한 이미지 학습 기반 지도 업데이트 방법 및 이를 활용한 주행 모니터링 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |