本發(fā)明屬于地面輪式機(jī)器人的自主導(dǎo)航領(lǐng)域，特別涉及一種室內(nèi)移動機(jī)器人增量式環(huán)境信息采樣的最優(yōu)路徑規(guī)劃方法。

背景技術(shù)：

隨著人工智能技術(shù)的迅速發(fā)展和人們對高質(zhì)量生活的需求，機(jī)器人技術(shù)如今越來越受到商業(yè)界和企業(yè)界的重視，逐漸從工業(yè)應(yīng)用走到人民大眾的生活中來。移動服務(wù)機(jī)器人為其中一種最常見的生活服務(wù)機(jī)器人，它能夠完成一些有益于人類健康的服務(wù)工作，如家務(wù)勞動、照料病人等。在服務(wù)工作過程中，移動服務(wù)機(jī)器人通常無法預(yù)先獲取所有環(huán)境信息，并可能處于不可預(yù)測或動態(tài)變化的環(huán)境中?？紤]到裝備的環(huán)境感知設(shè)備有限和環(huán)境感知過程中的噪聲干擾,移動服務(wù)機(jī)器人的安全自主工作面臨著極大的挑戰(zhàn)。在移動服務(wù)機(jī)器人系統(tǒng)中，自主導(dǎo)航及路徑規(guī)劃是其能夠自主完成任務(wù)的核心和大腦。

通常來說，路徑規(guī)劃是在給定的環(huán)境中找出從給定起始狀態(tài)到給定目標(biāo)狀態(tài)的無碰撞軌跡或控制器信號的過程。若路徑規(guī)劃算法能夠至少找出一條路徑或者返回?zé)o法找到路徑的提示，則說明該算法是完整的。近些年來,路徑規(guī)劃技術(shù)發(fā)展迅速，涌現(xiàn)出了許多規(guī)劃算法。常見的路徑規(guī)劃算法如人工勢場法,蟻群算法，遺傳算法等，在解決一些規(guī)劃問題時有其優(yōu)越性。但由于它們計算復(fù)雜度高，不適用于多障礙物的復(fù)雜動態(tài)環(huán)境下的機(jī)器人規(guī)劃問題的求解。另外，基于前向圖搜索的路徑規(guī)劃算法，如A*、D*和神經(jīng)動力學(xué)等，在規(guī)劃時雖然能滿足最優(yōu)性和實時性的要求，但是其處理高維問題的計算瓶頸問題，使得其應(yīng)用具有一定的限制。因此，研究具有學(xué)習(xí)能力的路徑規(guī)劃算法成為現(xiàn)階段實時動態(tài)路徑規(guī)劃研究的一個主流趨勢。而設(shè)計一種簡單可靠、實時性好、便于實現(xiàn)、能夠應(yīng)付多類動態(tài)未知環(huán)境的室內(nèi)移動機(jī)器人規(guī)劃方法是保證服務(wù)工作正常有效進(jìn)行的關(guān)鍵技術(shù)和現(xiàn)實難題。

技術(shù)實現(xiàn)要素：

本發(fā)明針對上述現(xiàn)有技術(shù)中現(xiàn)在路徑規(guī)劃方法中難以同時滿足動態(tài)未知環(huán)境規(guī)劃和實時規(guī)劃的要求，提出了一種室內(nèi)移動機(jī)器人增量式環(huán)境信息采樣的最優(yōu)路徑規(guī)劃方法，采用增量式環(huán)境信息采樣的最優(yōu)路徑規(guī)劃方法，隨著室內(nèi)移動機(jī)器人的移動，不斷加深理解新獲得的周圍環(huán)境信息，迭代擴(kuò)展搜索樹，選取代價函數(shù)最小的路徑為當(dāng)前時刻最優(yōu)的路徑。

一種室內(nèi)移動機(jī)器人增量式環(huán)境信息采樣的最優(yōu)路徑規(guī)劃方法，包括以下幾個步驟：

步驟1：建立已探測區(qū)域障礙物碰撞風(fēng)險的評估概率模型；

步驟2：進(jìn)行基于增量式環(huán)境信息采樣的最優(yōu)路徑規(guī)劃；

在地圖范圍內(nèi)以起點為搜索樹第一個點，以步驟1獲得的評估概率模型生成的隨機(jī)采樣狀態(tài)點進(jìn)行增量式迭代擴(kuò)展，產(chǎn)生新的樹節(jié)點，并計算新的樹節(jié)點的代價函數(shù)，以樹節(jié)點的最小代價函數(shù)修改樹結(jié)構(gòu)，直到生成的路徑數(shù)達(dá)到設(shè)定路徑數(shù)Path_n，以所有生成路徑中路徑代價函數(shù)最小的路徑作為潛在最優(yōu)路徑；

步驟3：依據(jù)步驟2得到的潛在最優(yōu)路徑和室內(nèi)移動機(jī)器人的當(dāng)前位置和速度矢量，判斷室內(nèi)移動機(jī)器人的偏轉(zhuǎn)角φ_t是否滿足輪式機(jī)器人不能側(cè)向滑動的非完整約束，從而確定室內(nèi)移動機(jī)器人是否按照最優(yōu)路徑方向移動；

若室內(nèi)移動機(jī)器人的偏轉(zhuǎn)角φ_t不滿足輪式機(jī)器人不能側(cè)向滑動的非完整約束，則返回步驟2；

若滿足，則沿當(dāng)前時刻規(guī)劃出的潛在最優(yōu)路徑方向移動，進(jìn)入下一時刻的路徑規(guī)劃，t＝t+1，返回步驟1，直到室內(nèi)移動機(jī)器人移動到目標(biāo)位置，完成路徑規(guī)劃；

所述室內(nèi)移動機(jī)器人的偏轉(zhuǎn)角φ_t滿足輪式機(jī)器人不能側(cè)向滑動的非完整約束是指：φ_t∈[0,60°]∪[120°,180°]；

其中，p_t和p_t-1分別為室內(nèi)移動機(jī)器人當(dāng)前位置和上一時刻所在位置，為在t時刻，即室內(nèi)移動機(jī)器人在t+1時刻的預(yù)抵達(dá)位置；

p_t-1由p_t-1＝p_t-vt得到，v為設(shè)定的室內(nèi)移動機(jī)器人移動速度。

所述步驟2中最優(yōu)路徑的規(guī)劃過程如下：

步驟2.1：令k＝1，k表示迭代次數(shù)；

步驟2.2：依據(jù)步驟1建立的障礙物碰撞風(fēng)險的評估概率模型指導(dǎo)地圖中隨機(jī)采樣的過程，獲得隨機(jī)采樣狀態(tài)點p_rand(k)；

依據(jù)步驟1建立的障礙物碰撞風(fēng)險的評估概率模型指導(dǎo)地圖中隨機(jī)采樣能夠以一定概率避免直接采到障礙物區(qū)域的狀態(tài)點；

步驟2.3：遍歷已生成樹{G＝(p,e)}找出距離隨機(jī)采樣狀態(tài)點p_rand(k)最近的樹上節(jié)點p_nearest(k)，進(jìn)入步驟2.4；

步驟2.4：從樹上距離最近的節(jié)點p_nearest(k)向隨機(jī)采樣狀態(tài)節(jié)點p_rand(k)方向，以步長為S_e生長出新的節(jié)點p_new(k)，將節(jié)點p_new(k)添加至已生成樹中{G＝(p,e)}，計算節(jié)點p_new(k)的代價函數(shù)，并記錄相應(yīng)節(jié)點之間的父子關(guān)系，father(p_new(k))＝p_nearest(t)；

其中，樹上任意節(jié)點的代價函數(shù)按以下公式計算：

其中，k_a為障礙物影響的放大系數(shù)，取值范圍為[50,1000]；C為由節(jié)點p_G到其父節(jié)點father(p_G)的路徑點集合；father(p_G)為p_G的父節(jié)點；F(X,Y)表示已探測區(qū)域障礙物碰撞風(fēng)險的評估概率；

樹節(jié)點的代價函數(shù)采用由節(jié)點之間的歐式距離和連接路徑上的累計危險度概率值組成；

步驟2.5：在已生成樹{G＝(p,e)}中找出所有處于以節(jié)點p_new(k)為圓心，r_n為半徑內(nèi)的節(jié)點集合{p_near}，分別測試p_new(k)若以集合{p_near}中的節(jié)點為父節(jié)點是否會得到更小的代價函數(shù)，若更小，則以最小代價函數(shù)對應(yīng)的節(jié)點作為p_new(k)的父節(jié)點，并更新節(jié)點p_new(k)的代價函數(shù)，進(jìn)入步驟2.6；否則，直接進(jìn)入步驟2.6；

步驟2.6：判斷新增節(jié)點p_new(k)與目標(biāo)位置的距離是否小于樹的生長步長S_e，若小于該步長且兩點之間的線段無碰撞障礙，則直接將目標(biāo)位置相連，形成新的路徑，且以當(dāng)前新增節(jié)點的代價函數(shù)作為最新路徑的代價函數(shù)，路徑計數(shù)器Path+1，進(jìn)入步驟2.7；否則，直接進(jìn)入步驟2.7；

步驟2.7：測試集合{p_near}中節(jié)點若以p_new(k)為父節(jié)點是否會得到更小的代價函數(shù)，若更小，則更改該節(jié)點的父節(jié)點為p_new(k)并更新相應(yīng)節(jié)點的代價函數(shù)。

步驟2.8：判斷路徑計數(shù)器Path是否達(dá)到設(shè)定的產(chǎn)生路徑數(shù)Path_n，若達(dá)到，則退出迭代過程，進(jìn)入步驟2.9，若沒達(dá)到，則k＝k+1，返回步驟2.2；

步驟2.9：在已生成路徑中，選擇路徑代價函數(shù)最小的路徑作為當(dāng)前時刻t的潛在最優(yōu)規(guī)劃路徑。

所述步驟1的具體過程如下：

首先，通過室內(nèi)移動機(jī)器人自身攜帶的聲吶傳感器，獲得室內(nèi)移動機(jī)器人的周圍環(huán)境信息；其次，將室內(nèi)移動機(jī)器人所經(jīng)過的區(qū)域作為已探測區(qū)域，依據(jù)所述的周圍環(huán)境信息建立已探測區(qū)域障礙物碰撞風(fēng)險的評估概率模型，并依據(jù)聲吶傳感器實時采集的周圍環(huán)境信息實時更新已探測區(qū)域障礙物碰撞風(fēng)險的評估概率模型；

所述已探測區(qū)域障礙物碰撞風(fēng)險的評估概率如下：

其中，室內(nèi)移動機(jī)器人工作空間信息集合為所述空間信息包括所有目標(biāo)位置及所有障礙物位置；{(X,Y)}為已探測區(qū)域，在的地圖上探測到有M個障礙物，f_i(X,Y)為第i個障礙物的對室內(nèi)移動機(jī)器人路徑選擇的影響函數(shù)，采用正態(tài)分布表示如下：

其中，σ_i為第i個障礙物的影響范圍系數(shù)，取值范圍為[0,1]；D_i為第i個障礙物到已探測區(qū)域內(nèi)所有位置的距離矩陣，矩陣大小與地圖大小一致為N×N。

所述步驟2中基于障礙物碰撞風(fēng)險的評估概率模型指導(dǎo)地圖中隨機(jī)采樣，其采樣的過程如下：

其中，N(·)為歸一化處理，F(xiàn)(X,Y)為障礙物碰撞風(fēng)險的評估概率。

所述步驟1中室內(nèi)移動機(jī)器人自身所攜帶聲吶傳感器是指所采用底盤Pioneer-2DX自身攜帶的聲吶探測雷達(dá)。

有益效果

與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點在于：

1、本發(fā)明建立基于障礙物碰撞風(fēng)險的評估概率模型，將室內(nèi)移動機(jī)器人與探測到障礙物直接的碰撞風(fēng)險通過概率的方式構(gòu)建影響模型，使障礙物對周圍環(huán)境構(gòu)成連續(xù)的影響，并且這種影響只針對室內(nèi)移動機(jī)器人已探測過的區(qū)域；

2、本發(fā)明與以往傳統(tǒng)的移動機(jī)器人路徑規(guī)劃相比，通過設(shè)計帶有障礙碰撞風(fēng)險的代價函數(shù)，縮減了在搜索樹擴(kuò)展過程中，碰撞檢測的次數(shù)，大幅度縮減了計算時間，提高了算法效率；，保證了室內(nèi)移動機(jī)器人的靜態(tài)障礙下的良好避障性能，而且滿足了動態(tài)障礙出現(xiàn)時的實時規(guī)劃功能，達(dá)到具有較高智能化的室內(nèi)移動機(jī)器人的自主導(dǎo)航和路徑規(guī)劃方法。

3、本發(fā)明設(shè)計了搜索樹擴(kuò)展過程中的兩次修正過程，保證了最優(yōu)路徑的獲得。

附圖說明

圖1是本發(fā)明所述方法的流程圖；

圖2是室內(nèi)移動機(jī)器人硬件系統(tǒng)結(jié)構(gòu)示意圖；

圖3是室內(nèi)移動機(jī)器人非完整約束示意圖；

圖4是采用本發(fā)明所述方法在動態(tài)和靜態(tài)環(huán)境下的路徑規(guī)劃效果圖，其中，圖(a)增量式環(huán)境信息采樣的最優(yōu)路徑規(guī)劃方法躲避動態(tài)障礙時的效果圖；圖(b)增量式環(huán)境信息采樣的最優(yōu)路徑規(guī)劃方法躲避靜態(tài)障礙時的搜索樹效果圖；圖(c)增量式環(huán)境信息采樣的最優(yōu)路徑規(guī)劃方法最終完成時的效果圖。

具體實施方式

以下將結(jié)合附圖和具體實施案例對本發(fā)明做進(jìn)一步說明。

如圖1所示，本發(fā)明為一種室內(nèi)移動機(jī)器人增量式環(huán)境信息采樣的最優(yōu)路徑規(guī)劃方法，包括以下幾個步驟：

步驟1：建立已探測區(qū)域障礙物碰撞風(fēng)險的評估概率模型；

首先，通過室內(nèi)移動機(jī)器人自身攜帶的聲吶傳感器，獲得室內(nèi)移動機(jī)器人的周圍環(huán)境信息；其次，將室內(nèi)移動機(jī)器人所經(jīng)過的區(qū)域作為已探測區(qū)域，依據(jù)所述的周圍環(huán)境信息建立已探測區(qū)域障礙物碰撞風(fēng)險的評估概率模型，并依據(jù)聲吶傳感器實時采集的周圍環(huán)境信息實時更新已探測區(qū)域障礙物碰撞風(fēng)險的評估概率模型；

所述步驟1中室內(nèi)移動機(jī)器人自身所攜帶聲吶傳感器是指所采用底盤Pioneer-2DX自身攜帶的聲吶探測雷達(dá)，如圖2所示，。所述已探測區(qū)域障礙物碰撞風(fēng)險的評估概率如下：

其中，室內(nèi)移動機(jī)器人工作空間信息集合為所述空間信息包括所有目標(biāo)位置及所有障礙物位置；{(X,Y)}為已探測區(qū)域，在的地圖上探測到有M個障礙物，f_i(X,Y)為第i個障礙物的對室內(nèi)移動機(jī)器人路徑選擇的影響函數(shù)，采用正態(tài)分布表示如下：

其中，σ_i為第i個障礙物的影響范圍系數(shù)，取值范圍為[0,1]；D_i為第i個障礙物到已探測區(qū)域內(nèi)所有位置的距離矩陣，矩陣大小與地圖大小一致為N*N；

步驟2：進(jìn)行基于增量式環(huán)境信息采樣的最優(yōu)路徑規(guī)劃；

在地圖范圍內(nèi)以起點為搜索樹第一個點，以步驟1獲得的評估概率模型生成的隨機(jī)采樣狀態(tài)點進(jìn)行增量式迭代擴(kuò)展，產(chǎn)生新的樹節(jié)點，并計算新的樹節(jié)點的代價函數(shù)，以樹節(jié)點的最小代價函數(shù)修改樹結(jié)構(gòu)，直到生成的路徑數(shù)達(dá)到設(shè)定路徑數(shù)Path_n，以所有生成路徑中路徑代價函數(shù)最小的路徑作為潛在最優(yōu)路徑；

具體過程如下：

步驟2.1：令k＝1，k表示迭代次數(shù)；

步驟2.2：依據(jù)步驟1建立的障礙物碰撞風(fēng)險的評估概率模型指導(dǎo)地圖中隨機(jī)采樣的過程，獲得隨機(jī)采樣狀態(tài)點p_rand(k)；

依據(jù)步驟1建立的障礙物碰撞風(fēng)險的評估概率模型指導(dǎo)地圖中隨機(jī)采樣能夠以一定概率避免直接采到障礙物區(qū)域的狀態(tài)點；

步驟2.3：遍歷已生成樹{G＝(p,e)}找出距離隨機(jī)采樣狀態(tài)點p_rand(k)最近的樹上節(jié)點p_nearest(k)，進(jìn)入步驟2.4；

步驟2.4：從樹上距離最近的節(jié)點p_nearest(k)向隨機(jī)采樣狀態(tài)節(jié)點p_rand(k)方向，以步長為S_e生長出新的節(jié)點p_new(k)，將節(jié)點p_new(k)添加至已生成樹中{G＝(p,e)}，計算節(jié)點p_new(k)的代價函數(shù)，并記錄相應(yīng)節(jié)點之間的父子關(guān)系，father(p_new(k))＝p_nearest(t)；

其中，樹上任意節(jié)點的代價函數(shù)按以下公式計算：

其中，k_a為障礙物影響的放大系數(shù)，取值范圍為[50,1000]；C為由節(jié)點p_G到其父節(jié)點father(p_G)的路徑點集合；father(p_G)為p_G的父節(jié)點；F(X,Y)表示已探測區(qū)域障礙物碰撞風(fēng)險的評估概率；

樹節(jié)點的代價函數(shù)采用由節(jié)點之間的歐式距離和連接路徑上的累計危險度概率值組成；

步驟2.5：在已生成樹{G＝(p,e)}中找出所有處于以節(jié)點p_new(k)為圓心，r_n為半徑內(nèi)的節(jié)點集合{p_near}，分別測試p_new(k)若以集合{p_near}中的節(jié)點為父節(jié)點是否會得到更小的代價函數(shù)，若更小，則以最小代價函數(shù)對應(yīng)的節(jié)點作為p_new(k)的父節(jié)點，并更新節(jié)點p_new(k)的代價函數(shù)，進(jìn)入步驟2.6；否則，直接進(jìn)入步驟2.6；

步驟2.6：判斷新增節(jié)點p_new(k)與目標(biāo)位置的距離是否小于樹的生長步長S_e，若小于該步長且兩點之間的線段無碰撞障礙，則直接將目標(biāo)位置相連，形成新的路徑，且以當(dāng)前新增節(jié)點的代價函數(shù)作為最新路徑的代價函數(shù)，路徑計數(shù)器Path+1，進(jìn)入步驟2.7；否則，直接進(jìn)入步驟2.7；

步驟2.7：測試集合{p_near}中節(jié)點若以p_new(k)為父節(jié)點是否會得到更小的代價函數(shù)，若更小，則更改該節(jié)點的父節(jié)點為p_new(k)并更新相應(yīng)節(jié)點的代價函數(shù)。

步驟2.8：判斷路徑計數(shù)器Path是否達(dá)到設(shè)定的產(chǎn)生路徑數(shù)Path_n，若達(dá)到，則退出迭代過程，進(jìn)入步驟2.9，若沒達(dá)到，則k＝k+1，返回步驟2.2；

步驟2.9：在已生成路徑中，選擇路徑代價函數(shù)最小的路徑作為當(dāng)前時刻t的潛在最優(yōu)規(guī)劃路徑。

步驟3：依據(jù)步驟2得到的潛在最優(yōu)路徑和室內(nèi)移動機(jī)器人的位置和速度矢量判斷室內(nèi)移動機(jī)器人的偏轉(zhuǎn)角φ_t是否滿足輪式機(jī)器人不能側(cè)向滑動的非完整約束，確定室內(nèi)移動機(jī)器人是否按照潛在最優(yōu)路徑方向移動。若不滿足，則返回步驟2。若滿足，則沿當(dāng)前時刻規(guī)劃出的最佳路徑方向移動，進(jìn)入下一時刻的路徑規(guī)劃，t＝t+1，返回步驟1，直到室內(nèi)移動機(jī)器人移動到目標(biāo)位置，完成路徑規(guī)劃；

所述室內(nèi)移動機(jī)器人的偏轉(zhuǎn)角φ_t滿足輪式機(jī)器人不能側(cè)向滑動的非完整約束是指：φ_t∈[0,60°]∪[120°,180°]，如圖3所示；

其中，p_t和p_t-1分別為室內(nèi)移動機(jī)器人當(dāng)前位置和上一時刻所在位置，為在t時刻，即室內(nèi)移動機(jī)器人在t+1時刻的預(yù)抵達(dá)位置；

p_t-1由p_t-1＝p_t-vt得到，v為設(shè)定的室內(nèi)移動機(jī)器人移動速度。

算法性能分析

1、收斂性分析

與快速擴(kuò)展隨機(jī)樹(RRT)相同，增量式環(huán)境信息采樣規(guī)劃算法，其概率采樣的狀態(tài)空間是有限的。但不同的是，增量式環(huán)境信息采樣規(guī)劃算法的采樣有一定的概率不采有碰撞危險的機(jī)器人狀態(tài)節(jié)點，而在樹的擴(kuò)展過程中沒有碰撞檢測的篩選，并不像RRT那樣將有碰撞危險的節(jié)點剔除在樹外。因此，可以得出。

引理1在t時刻，對于本文構(gòu)建的搜索樹{G＝(p,e)}，樹上所有節(jié)點

引理1是應(yīng)用在增量式環(huán)境信息采樣規(guī)劃算法和快速擴(kuò)展隨機(jī)樹同樣迭代次數(shù)下并且都找到路徑完成搜索的情況。增量式環(huán)境信息采樣規(guī)劃算法的完整性與RRT類似，為概率完整性。RRT算法的概率完整性有以下的特性：

定理1如果有限大小的地圖中確實存在一個可行的路徑到目標(biāo)位置，則當(dāng)?shù)螖?shù)k趨于無窮時，目標(biāo)位置必然被采樣采到，即其中p_goal為目標(biāo)位置。

定理2如果存在一個長度為l的集序列{A}＝({A₀},{A₁},...,{A_l})，其中{A₀}為初始位置，令為在信息空間內(nèi)取到集{A_l}的概率，則i次迭代后，RRT算法無法找到路徑的概率低于e^-0.5(ipl-2l)。

以下用一個具體的應(yīng)用實例對本發(fā)明的操作進(jìn)行詳細(xì)描述，本發(fā)明的增量式環(huán)境信息采樣的最優(yōu)路徑規(guī)劃方法主要應(yīng)用于室內(nèi)移動機(jī)器人的自主導(dǎo)航和避障規(guī)劃中，這里主要針對靜態(tài)和動態(tài)兩類障礙物環(huán)境中的目標(biāo)點抵達(dá)來體現(xiàn)其性能。具體設(shè)置如下：

實驗環(huán)境設(shè)置為柵格地圖，地圖大小N＝50m，地圖中兼具動態(tài)和靜態(tài)兩類障礙，動態(tài)障礙初始位于(5,10)，以速度1m/s在(5,10)與(15,10)之間往返運(yùn)動，靜態(tài)障礙物為L形障礙，其中靜態(tài)障礙物1的三個頂點分別為(18,20)，(25,20)，(25,10)，靜態(tài)障礙物2的三個頂點分別為(30,40)，(30,35)，(38,35)。室內(nèi)移動機(jī)器人只能通過其底盤攜帶的八個聲吶傳感器獲得移動前方八個方向的地圖障礙物信息。障礙物影響放大系數(shù)k_m＝200，障礙物影響范圍σ_i＝1，i＝1,2,..,M，室內(nèi)移動機(jī)器人的探測范圍R_detect＝10m，基礎(chǔ)移動速度v₀＝2m/s，室內(nèi)移動機(jī)器人起始點為(0,0)，目標(biāo)點為(48,48)。

如圖4所示，給出了室內(nèi)移動機(jī)器人在兼具動態(tài)和靜態(tài)環(huán)境中的實時動態(tài)路徑規(guī)劃軌跡。其中，圖(a)增量式環(huán)境信息采樣的最優(yōu)路徑規(guī)劃方法躲避動態(tài)障礙時的效果圖；圖(b)增量式環(huán)境信息采樣的最優(yōu)路徑規(guī)劃方法躲避靜態(tài)障礙時的搜索樹效果圖；圖(c)增量式環(huán)境信息采樣的最優(yōu)路徑規(guī)劃方法最終完成時的效果圖；“○”代表機(jī)器人移動路徑，“□”代表障礙物，“*”代表目標(biāo)位置。從圖中可以看出，在給出目標(biāo)位置后，盡管室內(nèi)移動機(jī)器人對環(huán)境中的障礙物信息獲取不全，且存在動態(tài)障礙，其依靠增量式環(huán)境信息采樣的最優(yōu)路徑規(guī)劃方法能夠?qū)崿F(xiàn)良好的目標(biāo)抵達(dá)和避障功能，具有較好的規(guī)劃效率和避障功能。

以上所述僅是本發(fā)明技術(shù)的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進(jìn)和替換，這些改進(jìn)和替換也應(yīng)視為本發(fā)明的保護(hù)范圍。