使用规划的机器人行进路径的导航的制作方法

本发明涉及机器人导航，并且更具体地涉及动态更新规划的机器人行进路径并将规划行进路径的成本图像(costimage)叠加在用于机器人导航的地图上。

背景技术：

通过互联网订购产品以便送货上门是极其受欢迎的购物方式。至少可以说，以及时、准确和高效的方式履行这些订单对后勤构成挑战。点击虚拟购物车中的“结账”按钮创建“订单”。该订单包括将被运送到特定地址的物品的清单。“履行”的过程涉及从大型仓库中物理地取走或“拣选”这些物品、对它们进行包装并且将它们运送到指定的地址。因此，订单履行过程的重要目标是在尽可能短的时间内运送尽可能多的物品。

订单履行过程通常发生在包含许多产品(包括订单中列出的产品)的大型仓库中。因此，订单履行的任务之一是遍历仓库以寻找并收集订单中列出的各种物品。另外，最终将被运送的产品需要首先被容纳在仓库中，并且在整个仓库中以有序方式被存储或“放置”在存储仓中，使得能够容易地取回它们以进行运送。

在大型仓库中，正在交付和订购的货物可以彼此相隔非常远地被存储在仓库中并且分散在大量的其他货物当中。仅利用人操作员拣选和放置货物的订单履行过程需要操作员进行大量的步行，并且可能是低效且耗时的。由于履行过程的效率是每单位时间运送的物品数量的函数，因此增加的时间会降低拣选/放置效率。

为了提高效率，可以使用机器人执行人的功能，或者可以使用机器人补充人的活动。例如，可以指定机器人将多个物品“放置”在分散在整个仓库中的不同位置，或者从不同位置“拣选”物品以进行包装和运送。机器人可以单独地或者在人操作员的帮助下完成拣选和放置。例如，在拣选操作的情况下，人操作员从货架上拣选物品并将它们放置在机器人上，或者在放置操作的情况下，人操作员从机器人拣选物品并将它们放置在货架上。

在繁忙的操作中，许多机器人可能需要快速航行到仓库空间，同时避开固定障碍物(诸如货架和墙壁)以及动态障碍物(诸如人操作员和其他机器人)。为此，机器人可以利用机载激光雷达和被称为同步定位与地图构建(slam，其是构建或更新环境的地图的计算问题)的地图技术。当机器人开始遍历环境(例如，仓库)时，它使用激光雷达来确定其路径是否存在任何障碍物(无论是固定的还是动态的)，并且将其路径迭代更新到其目的地以避开观察到的物体。机器人可以每秒多次(例如，大约每50毫秒一次)评估并且重新规划其路径。

对于机器人而言，这可能是复杂且在计算上具有挑战性的过程，并且可能导致许多路径变化以及在机器人选择的路径中低效地到达其目的地。

技术实现要素：

在一个方面，本发明公开了一种生成环境的导航地图的方法，其中，多个机器人将在该环境中航行。该方法包括获取环境的图像，该图像由多个像素限定，并且每个像素具有与其相关联的成本值。环境的图像包括至少一个固定物体的图像，该至少一个固定物体的图像包括在与至少一个固定物体在环境中的位置相对应的像素集。与至少一个固定物体的位置相对应的像素集具有第一定义成本值。该方法包括获取环境中的多个机器人的规划路径图像，该规划路径图像包括针对每个机器人的与每个机器人在环境中的位置相对应的第一像素集，和邻近于第一像素集并沿着每个机器人朝向目的地的规划行进路径延伸的第二像素集。每个机器人的第一像素集中的像素具有第一定义成本值，并且每个机器人的第二像素集中的像素具有第二定义成本值。第二定义成本值小于第一定义成本值。

在本发明的其他方面中，可以包括以下特征中的一个或更多个。包括至少一个固定物体的图像的环境的图像可以本地存储于多个机器人中的每一个。多个机器人中的每一个可以产生自己的规划路径并将其自己的规划路径传送到多个机器人中的其他机器人。每个机器人可以将包含至少一个固定物体的图像的环境的图像与表示从多个机器人中的其他机器人接收到的规划路径图像相结合，以形成导航地图。每个机器人可以使用导航地图来规划从其当前位置到其目的地的路径。多个机器人中的每一个可以在遍历其到目的地的路径时以规则的时间间隔产生其自己的更新后的规划路径，并以这样的规则间隔将其自己更新后的规划路径传送给多个机器人中的其他机器人；并且其中，每个机器人可以使用多个机器人中的其他机器人的更新后的规划路径来产生更新后的导航地图，并使用更新后的导航地图更新其到目的地的规划路径。

在本发明的其他方面中，可以包括以下特征中的一个或更多个。每个机器人的第二像素集可以包括具有小于第一成本值的多个成本值的像素，并且其中，随着像素沿着每个机器人朝向目的地的规划行进路径从邻近于第一像素集向外延伸，像素的成本值可以按比例减小。每个机器人的第二像素集可以通过沿着每个机器人朝向目的地的规划行进路径产生多个区域而形成，并且其中，每个区域可以连续地包括具有小于在先区域的像素值的像素。该区域可以是圆形的，并且该区域的半径可以与机器人的尺寸相对应。环境可以是仓库。

在另一方面，本发明公开了一种将环境中的机器人从当前位置导航到目的地的方法。该环境至少包括一个固定物体和至少一个其他机器人。该方法包括获取环境的图像，该图像有多个像素限定，每个像素具有与其相关联的成本值。环境的图像包括至少一个固定物体的图像，该至少一个固定物体的图像包括与至少一个固定物体在环境中的位置相对应的像素集。与至少一个固定物体的位置相对应的像素集具有第一定义成本值。该方法包括获取环境中的至少一个其他机器人的图像，该至少一个其他机器人的图像包括与至少一个其他机器人在环境中的位置相对应的第一像素集。存在第二组像素集，其与第一像素集相邻并且沿着至少一个其他机器人朝向目的地的规划行进路径延伸。至少一个其他机器人的第一像素集中的像素具有第一定义成本值，并且至少一个其他机器人的第二像素集中的像素具有第二定义成本值。第二定义成本值小于第一定义成本值。该方法还包括基于至少一个固定物体的图像和至少一个其他机器人的图像，规划从机器人的当前位置到机器人的目的地的路径。

在本发明的另外方面，可以包括以下特征中的一个或更多个。包括至少一个固定物体的图像的环境的图像可以本地存储于机器人内。至少一个其他机器人可以产生从当前位置到目的地的其自己的规划路径，并将其自己的规划路径传送给机器人。机器人可以将包括至少一个固定物体的图像的环境的图像与从至少一个其他机器人接收到的规划路径的图像相结合，以形成导航地图。机器人可以使用导航地图来规划从其当前位置到其目的地的路径。

在本发明的另外方面，可以包括以下特征中的一个或更多个。至少一个其他机器人可以在遍历其到目的的路径时以规则的时间间隔产生其自己的更新后的规划路径，并以这样的规则间隔将其自己的更新后的规划路径传送给该机器人。机器人可以使用至少一个其他机器人的更新后的规划路径来产生更新后的导航地图，并使用更新后的导航地图更新其到目的地的规划路径。至少一个其他机器人的第二像素集可以包括具有小于第一成本值的多个成本值的像素，并且其中，随着像素沿着至少一个其他机器人朝向其目的地的规划行进路径从邻近于第一像素集向外延伸，像素的成本值可以成比例地减小。可以通过沿着至少一个其他机器人朝向其目的地的规划路径产生多个区域来形成至少一个其他机器人的第二像素集，其中，每个区域可以连续地包括具有小于在先区域的像素值的像素。区域可以是圆形的，并且区域的半径可以与机器人的尺寸相对应。环境可以是仓库。

在另一方面，本发明公开了一种机器人，其被配置为在环境中航行，该环境包括至少一个固定物体和多个其他机器人。机器人包括用于在整个环境中推进机器人的移动底座和能够在该机器人和多个其他机器人之间进行通信的通信设备。还存在处理器，该处理器与通信设备进行通信。处理器被配置为获取环境的图像。图像由多个像素限定，每个像素具有与其相关联的成本值。环境的图像包括至少一个固定物体的图像，该至少一个固定物体的图像包括与至少一个固定物体在环境中的位置相对应的像素集。与至少一个固定物体的位置相对应的像素集具有第一定义成本值。处理器被配置为获取环境中多个其他机器人的图像，该图像包括针对每个机器人的与每个机器人在环境中的位置相对应的第一像素集。存在第二像素集，其与第一像素集相邻并且沿每个其他机器人朝向目的地的规划行进路径延伸。每个其他机器人的第一像素集中的像素具有第一定义成本值，并且每个其他机器人的第二像素集包括具有第二定义成本值的像素。第二定义成本值小于第一定义成本值。处理器还被配置为基于至少一个固定物体的图像和多个其他机器人的图像，规划从机器人的当前位置到机器人的目的地的路径。

在本发明的其他方面中，还可以包括以下特征中的一个或更多个。包括至少一个固定物体的图像的环境的图像可以被本地存储于多个机器人中的每一个。多个其他机器人中的每一个可以被配置为产生其自己的规划路径并且使用其通信设备将其自己的规划路径传送到多个机器人中的其他机器人。处理器可以被配置为将包括至少一个固定物体的图像的环境的图像与从多个机器人中的其他机器人接收到的规划路径的图像相结合，以形成导航地图。处理器可以被配置为使用导航地图来规划从机器人的当前位置到机器人的目的地的路径。处理器可以被配置为当每个其他机器人遍历到其到目的地的路径时，以规则的时间间隔从多个其他机器人中的每一个接收更新后的规划路径。处理器可以被配置为使用多个机器人中的其他机器人的更新后的规划路径来产生更新后的导航地图，并可以使用更新后的导航地图更新机器人到目的地的规划路径。

在本发明的其他方面中，还可以包括以下特征中的一个或更多个。多个其他机器人中的每一个的第二像素集可以包括具有小于第一成本值的多个成本值的像素。随着像素沿着每个机器人朝向目的地的规划行进路径从相邻的第一像素集向外延伸，像素的成本值可以按比例减小。可以通过沿着多个其他机器人中的每一个朝向其目的地的规划行进路径产生多个区域来形成每个机器人的第二像素集，并且每个区域可以连续地包括具有小于在先区域的像素值的像素。区域可以是圆形的，并且区域的半径可以与机器人的尺寸相对应。环境可以是仓库。

根据下面的详细描述和附图，将清楚本发明的这些和其他特征，其中：

附图说明

图1是订单履行仓库的俯视图；

图2是图1中示出的仓库中使用的机器人之一的底座的透视图；

图3是示出停驻在图1中示出的货架前方并且配备有电枢的图2中的机器人的透视图；

图4是使用机器人上的激光雷达产生的图1的仓库的局部地图；

图5是描绘用于定位分散在整个仓库中的基准标记并且存储基准标记姿势的过程的流程图；

图6是基准标识到姿势的映射的表格；

图7是仓位到基准标识的映射的表格；

图8是描绘产品sku到姿势的映射过程的流程图；

图9是根据本发明的具有机器人规划行进路径的叠加成本图像的导航地图；

图10是描绘用于产生图9的导航地图的过程的流程图；

图11a和图11b描绘了如图9所示的构建机器人规划行进路径的叠加成本图的方式；以及

图12是描绘根据本发明的用于产生机器人规划路径的叠加成本图像的过程的流程图。

具体实施方式

参照图1，典型的订单履行仓库10包括货架12，货架12装有订单16中可能包括的各种物品。在操作中，来自仓库管理服务器15的订单16抵达订单服务器14。订单服务器14将订单16传达给从漫步于仓库10的多个机器人中选择的机器人18。

在优选的实施例中，图2中示出的机器人18包括具有激光雷达22的自主轮式底座20。底座20还以收发器24和相机26为特征，收发器24使机器人18能够接收来自订单服务器14的指令。如图3所示，底座20还以处理器32和存储器34为特征，处理器32接收来自激光雷达22和相机26的数据，以捕获代表机器人的环境的信息，处理器32和存储器34协作以执行与仓库10内的导航关联的各种任务以及导航到放置在货架12上的基准标记30。基准标记30(例如，二维条形码)与所订购物品的仓/位置相对应。下面针对图4至图11详细地描述本发明的导航方法。

虽然本文中提供的初始描述集中在从仓库中的仓位拣选物品以履行运送给客户的订单，但是该系统同样适用于将容纳到仓库中的物品存储或放置在整个仓库中的仓位，以便稍后被取回并运送给客户。本发明还可用于与这种仓库系统关联的库存控制任务，诸如产品的整合、计数、验证、检查和清理。

再次参照图2，底座20的上表面36以联合件38为特征，联合件38接合多个可互换电枢40(图3示出了这些可互换电枢40中的一个)中的任一个。图3中的特定电枢40以用于运载容纳物品的容器(tote)44的容器支架42和用于支撑平板电脑48的平板电脑支架46为特征。在一些实施例中，电枢40支撑用于运载所容纳的物品的一个或更多个容器44。在其他实施例中，底座20支撑用于运载所容纳的物品的一个或更多个容器。如本文中使用的，术语“容器”包括但不限于货物支架、仓、笼子、货架、可以悬挂物品的杆、罐、板条箱、机架、架子、搁板、容器、盒子、桶、器皿和储物器。

虽然机器人18擅长在仓库10中四处移动，但是由于与机器人操纵物体关联的技术难度，导致利用当前的机器人技术不能快速且高效地从货架上拣选物品并且将其放置在容器44上。拣选物品的更高效方式是利用本地操作员50(通常是人)执行从货架12上物理地取下所订购的物品并且将它放置在机器人上(例如，容器44中)的任务。机器人18经由本地操作员50可以读取的平板电脑48或者通过将订单发送到本地操作员50所使用的手持设备来将订单传达给本地操作员50。

在从订单服务器14接收到订单16时，机器人18行进至例如图3中示出的第一仓库位置。这样操作是基于存储在存储器34中并且由处理器32执行的导航软件。导航软件依赖于如激光雷达22所收集的有关环境的数据、存储器34中的内部表格和相机26来导航，该内部表格标识与仓库10中的可以发现特定物品的位置相对应的基准标记30的基准标识(“id”)。

在到达正确位置时，机器人18将自身停驻在物品存储在其上的货架12的前方，等待本地操作员50从货架12上取回物品并且将其放置在容器44中。如果机器人18要取回其他物品，则它行进到那些位置。然后，将机器人18取回的物品递送到包装站100(图1)，在包装站100处，对物品进行包装并运送。

本领域的技术人员应该理解，每个机器人都可以履行一个或更多个订单并且每个订单可以由一个或更多个物品组成。通常，将包括某些形式的路线优化软件，以提高效率，但是这超出了本发明的范围，因此不在本文中进行描述。

为了简化本发明的描述，描述了单个机器人18和操作员50。然而，从图1中可以看出，典型的履行操作包括许多机器人和操作员在仓库中彼此协作工作，以履行连续的订单流。

下面针对图4至图11来详细描述本发明的导航方法以及待取回物品的sku到与该物品所处的仓库中的基准标记关联的基准id/姿势(pose)的语义映射。

使用一个或更多个机器人18，必须创建和动态地更新仓库10的地图，以确定(包括静态和动态)物体的位置以及分散在整个仓库中的各种基准标记的位置。为此，机器人18利用其激光雷达22和同步定位与地图构建(slam)(这是构建或更新未知环境的地图的计算问题)来进行仓库初始导航并且构建/更新地图10a(图4)。普及的slam近似解法包括粒子滤波器和扩展卡尔曼滤波器。优先的方法是slamgmapping方法，但是可以使用任何合适的slam方法。

随着激光雷达扫描环境，当机器人18基于其接收到的反射在整个空间中行进以对空间中的开放空间112、墙壁114、物体116和诸如货架12的其他静态障碍物进行识别时，机器人18利用其激光雷达22来创建/更新仓库10的地图10a。

在构建/更新地图10a时，机器人18利用相机26扫描环境来定位接近其中存储有物品的仓(诸如，图3中的32和34)的货架上的分散在整个仓库中的基准标记(二维条形码)而导航通过仓库10。机器人18使用诸如原点110的已知起点或原点作为参考。当机器人18使用其相机26来定位基准标记(诸如，图3和图4中的基准标记30)时，确定仓库中的相对于原点110的位置。

通过使用轮编码器和航向传感器，可以确定矢量120和机器人在仓库10中的位置。使用所捕获的基准标记/二维条形码的图像及其已知大小，机器人18使用现有技术可以确定相对于基准标记/二维条形码的机器人的取向和距基准标记/二维条形码的机器人的距离(矢量130)。在矢量120和130已知的情况下，可以确定原点110和基准标记30之间的矢量140。根据矢量140和所确定的基准标记/二维条形码相对于机器人18的取向，可以确定用四元数(x，y，z，w)定义的基准标记30的姿势(位置和取向)。

流程图200(图5)描述了基准标记定位过程。该过程以初始映射模式执行，并且当机器人18在执行拣选、放置和/或其他任务时，在仓库中遇到新的基准标记。在步骤202中，使用相机26的机器人18捕获图像，并且在步骤204中，该机器人搜索所捕获图像内的基准标记。在步骤206中，如果在图像中发现基准标记(步骤204)，则确定该基准标记是否已经被存储在位于机器人18的存储器34中的基准表300(图6)中。如果该基准信息已经被存储在存储器中，则流程图返回步骤202，以捕获另一个图像。如果该基准信息不在存储器中，则根据上述过程来确定姿势，并且在步骤208中，将该姿势添加到基准与姿势的查询表300。

在可以存储在每个机器人的存储器中的查询表300中，存在包括基准标识1、2、3等的每个基准标记和与每个基准标识关联的基准标记/条形码的姿势。该姿势由仓库中的x、y、z坐标连同取向或四元数(x，y，z，w)组成。

在也可以存储在每个机器人的存储器中的另一个查询表400(图7)中，存在与特定基准id404(例如，编号“11”)相关的仓库10内的仓位(例如，402a-f)的清单。在该示例中，仓位由七个字母数字字符组成。前六个字符(例如，l01001)属于仓库内的货架位置，最后一个字符(例如，a-f)标识货架位置处的特定仓。在这个示例中，存在与基准id“11”关联的六个不同的仓位。可以存在与每个基准id/标记关联的一个或更多个仓。

字母数字仓位能被人(例如，图3中的操作员50)理解为对应于其中存储有物品的仓库10中的物理位置。然而，他们对机器人18而言没有意义。通过将位置映射为基准id，机器人18可以使用查询表300(图6)中的信息来确定基准id的姿势，然后导航到如本文中描述的姿势。

在流程图500(图8)中描绘了根据本发明的订单履行过程。在步骤502中，仓库管理系统15(图1)获取订单，该订单可以由一个或更多个待取回的物品组成。在步骤504中，由仓库管理系统15确定物品的sku编号，并且在步骤506中，根据sku编号确定仓位。然后，将订单的仓位列表发送到机器人18。在步骤508中，机器人18将仓位与基准id关联，并且在步骤510中，根据基准id获取每个基准id的姿势。在步骤512中，机器人18导航到如图3所示的姿势，其中，操作员可以从适合的仓中拣选待取回的物品并且将其放置在机器人上。

仓库管理系统15获取的物品特定信息(诸如，sku编号和仓位)可以被发送到机器人18上的平板电脑48，使得当机器人抵达每个基准标记位置时，可以告知操作员50待取回的特定物品。

在已知slam地图和基准id的姿势的情况下，机器人18可以容易地使用各种机器人导航技术导航到基准id中的任一个。优选的方法涉及：在了解了仓库10中的开放空间112和墙壁114、货架(诸如货架12)和其他障碍物116的情况下，设置到基准标记姿势的初始路线。当机器人使用其激光雷达26开始遍历仓库时，它确定在其路径中是否存在固定的或动态的任何障碍物(诸如，其他机器人18和/或操作员50)并且重复更新其到基准标记的姿势的路径。机器人大约每50毫秒重新规划一次其路线，不断搜索最有效的路径，同时避开障碍物。

利用本文中描述的产品sku/基准id到基准姿势的映射技术结合slam导航技术，机器人18能够非常有效地进行仓库空间导航，而不必使用通常使用的牵涉到用于确定仓库内位置的网格线和中间基准标记的较复杂的导航方法。

鉴于繁忙运行的仓库的动态环境，许多机器人需要在仓库空间中快速导航，同时避开固定障碍物(诸如货架和墙壁)以及动态障碍物(诸如人操作员和其他机器人)。对于机器人而言，这可能是复杂且在计算上具有挑战性的过程，并且可能导致许多路径变化以及在机器人选择的路径中低效地到达其目的地。

当机器人穿过仓库时，机器人可以使用动态更新的地图进行导航。机器人用于规划其路径的地图可以是二维的并且包括多个像素，其中，各个像素被指定颜色以指示特定区域中物体的存在或者不存在。黑色可以用于指示实体物体的存在，而白色指示没有实体物体或者开放空间。像素的颜色也与机器人用于评估风险的数值相关联。黑像素，即指示实体物体，被指定为指示最高风险或“成本”的最高数值。白像素，即指示开放空间，被指定为指示最低风险或成本的最低数值。还可以使用各种灰度阴影的像素，并且各种灰度阴影的像素被指定从最低(最接近白色的阴影)到最高(最接近黑色)的数值，以指示与每个像素相关联的“成本”或风险。例如，数值范围从0到255的像素可以用于指示最低到最高的成本值。

当机器人评估他们可以从一个点到另一个点的潜在路径时，该机器人不仅可以基于路径距离还可以基于与每个路径相关的成本或风险来确定最佳可能路径。换而言之，沿每个路径的各个像素的数字成本值可以相加，并且总和将提供与路径相关的总成本或风险。然后，可以基于每个路径的长度和成本来选择优化的路径。基于路径距离和路径成本来选择优化的路径过程是众所周知的，并且可以使用任何标准过程(包括a*路径查找过程)。

在使用这样的优化过程中，已知在机器人使用的地图中包括静态信息(诸如货架和墙壁等固定物体)、“禁止进入”区域(诸如预定义的机器人禁区)以及动态信息(诸如机器人和人操作员的位置)。然而，为了在仓库空间内增强机器人导航并使机器人导航更有效，当前方法包括建立具有实时信息的地图，该地图不仅关于各种机器人的当前位置，还关于机器人的规划行进路径。考虑到机器人在前往自己的目的地中其它机器人穿过其路径的可能性，这使得每个机器人更加主动地规划其从当前位置到目的地的路径。

诸如地图的示例在图9中被示出为地图600。地图600包括货架单元602、604及606，由于这些货架单元是固定的物体并且需要机器人避开，所以这些货架单元被着色为黑色以指示最高成本或风险。行608和610位于货架之间，其为白色，以指示低成本或风险以及机器人可以在假设不存在其他物体的情况下以相对低的风险行进的区域。区域612和614靠近货架单元的端盖，其也为白色，以指示机器人可以假设不存在其他物体的情况下以相对低的风险行进。

此外，地图600显示了机器人620和622分别在区域612和614中的当前位置。机器人620和622的最终目的地分别是位置624和626。叠加成本图像630被示出沿着机器人620的规划行进路线，叠加成本图像630从其当前位置跨越到行608中的其目的地624。叠加成本图像632被示出沿着机器人622的规划行进路径，叠加成本图像632从其当前位置跨越到行610中的其目的地626。

叠加成本图像630和632包括接近机器人620和622的当前位置的更暗/更高成本值的像素，以及沿着朝向其目的地的规划路径变亮的颜色和更低的成本值的像素。叠加成本图像的宽度与机器人的宽度有关，以考虑其尺寸加上缓冲区来确保有足够的间隙。对于当前应用设想的机器人尺寸，半径为一米的“缓冲区”被叠加在机器人上。由于沿着规划路径使用该宽度，因此叠加成本图像的宽度约为二米。

在地图600上还示出了另一个机器人640。由于该地图是用于机器人640规划其行程的地图，所以该规划路径的叠加成本图像并不包括在该地图内。因此，用于规划其行程的每个机器人的地图包括所有其他机器人的叠加成本图像，但不包括其自身的规划行进路径。当机器人640使用例如a*路径寻找过程规划其行进路径时，机器人640分别考虑机器人620和622的叠加成本图像630和632。因此，对于可能与叠加成本图像630或632相交的机器人640的任何潜在路径，路径优化算法将会考虑这种叠加成本图像的相交像素的数值。如果所提出的路径与靠近机器人的位置的叠加成本图像相交，则数字成本值将更高，从而指示更高的碰撞风险。如果所提出的路径与远离机器人的位置的叠加成本图像相交，则数字成本值更低，从而指示更低的碰撞风险。

在图10的流程图650中描绘了用于导航地图构建的过程。地图可以由每个机器人在本地构建，或者由仓库管理系统集中构建并提供给机器人。在本说明书中，假设由每个机器人在本地构建地图。在步骤652处，获取仓库的静态地图，并且在步骤654处，获取仓库的“禁止进入”地图。这些地图先前已在本地创建并被存储在每个机器人上。在步骤656处，获取所有其他机器人的当前行进路径。路径由每个机器人生成，并通过wifi传输到其他机器人。在步骤658处，通过叠加静态地图、接收到的禁止进入地图和当前路径来创建合并的导航地图。在步骤660处，使用当前导航地图运行路径优化算法以更新机器人的路径。在步骤662处，每个机器人更新其行进路径并将该路径发送到其他机器人。在步骤664处，如果机器人尚未到达目的地，则该过程循环回到步骤656以进行下一次迭代。如果已到达目的地，则机器人确定其下一个目的地。

机器人通常将每秒多次(例如，以每秒5-10次的速率或更高的速率)重新评估它们的行进路径并且生成更新后的路径。因此，每个机器人路径被更新并以该速率发送到其他机器人。

图11至图12示出了用叠加成本图像构建各个机器人行进路径的过程。在图11a中，示出了沿路径704去往位置702的机器人700。首先将路径704划分为多个增量或点，每个增量或点沿着路径704间隔距离“d”。使用的距离“d”约为五(5)厘米，但这可以根据应用和数据捕获速率的变化而变化。在沿着路径的每个增量/点处，设置有以该点为中心并且半径约为一(1)米的圆。如上所述，这是为在指定机器人尺寸的机器人周围提供足够的缓冲区。鉴于圆的大小和用于定位每个圆中心的5厘米增量，存在大量重叠的圆。

如图11b所示，然后基于圆中心距离机器人的当前位置的距离，用成本值(颜色)填充圆。在机器人700附近可以看出，在区域706中，以高成本值填充圆并因此将圆着色为黑色，而在位置702处接近目的地的区域708中，以较低的成本值填充圆并且因此将圆着色为浅灰色或白色。

图12的流程图720描绘了为每个机器人创建叠加成本图像的过程。在步骤722处，确定机器人的当前位置，并且在步骤724处，机器人将从其当前位置行进到其目的地的规划路径被分为多个点。在步骤726处，确定沿路径的下一个点。例如，在图11中，起点可以是点710。在步骤728处，将确定从机器人到该点的距离。对于点710，该距离可以是距离“d”。在步骤730处，将创建半径大约为1米的圆(参见圆712)，并且在步骤732处，计算要应用于该圆中的像素的成本值。

成本值可以以如下方式计算：

cost∝1/e^{distance_to_pt}

该计算方法提供了成本值，该成本值与沿当前路径距机器人的当前位置的距离(即，“distance_to_pt”)成比例。在步骤734处，基于可用像素值的范围(在该示例中为0-255)，用与在步骤732处计算的成本值相对应的数值填充包括在圆内的像素。在步骤736处，确定是否存在沿剩余路径的另外的点，如果确认存在沿剩余路径的另外的点，则该过程返回到步骤726。如果不存在沿剩余路径的另外的点，则已完成了用于规划行进路径的叠加成本图像，并且在步骤738处，将新的路径地图发送(根据图10的步骤662)到其他机器人。

或者，为了减少通过wifi传输的数据量，在步骤724后，可以将点的坐标(沿着每个机器人的分段行进路径的点的坐标)传输到其他机器人，而不传输行进路径的全部成本图像。根据从每个机器人接收到的行进路径坐标，接收机器人可以执行步骤726至步骤736，并在其导航地图上本地生成并叠加每个机器人行进路径的成本图像。

将显而易见的是，叠加成本图像将包括沿着机器人的规划路径从最高到最低(255-0)的数值/颜色的梯度。应到注意的是，在步骤722处，当确定了机器人的当前位置时，将创建半径约为1米的圆(参见关于机器人700的圆)，该圆的成本值等于255(即，相当于固定物体)并将应用于该圆中的像素。因此，梯度从成本值255(相当于固定物体)开始，并且随着该点沿着其规划行进路径远离机器人而减小。

如上所述，沿着路径形成的圆存在着显著量的重叠，并且每个连续的圆将包含不同数值的像素。解决该问题的一种方法是：对于与先前圆重叠的每个圆，可以用针对新重叠圆确定的值，重写先前圆的像素的值。

声明为新的并且由专利证书提供保证的是已经描述的本发明及其优选的实施例。