CN106931970A - 一种动态环境中机器人安全自主规划导航方法 - Google Patents
一种动态环境中机器人安全自主规划导航方法 Download PDFInfo
- Publication number
- CN106931970A CN106931970A CN201511019140.4A CN201511019140A CN106931970A CN 106931970 A CN106931970 A CN 106931970A CN 201511019140 A CN201511019140 A CN 201511019140A CN 106931970 A CN106931970 A CN 106931970A
- Authority
- CN
- China
- Prior art keywords
- time
- state
- sipp
- robot
- algorithms
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Manipulator (AREA)
Abstract
本发明提供了一种动态环境中机器人安全自主规划导航方法,属于机器人导航领域;其特征在于主要包括如下步骤:动态障碍物表示法、表示法和假设、ASIPP算法、理论分析及时限图表示5个步骤;通过结合ARA*(实时A*规划方案)和用SIPP运行weight A*搜索能力把SIPP扩展成实时搜索,显著地提高了在大规模环境中的规划速度。除了提供实时规划方案之外,还提供了对解决方案代价的完整性和次优性理论的保证;在实际操作上,本发明在有着50个动态障碍物的巨大地图上规划时间并参数化路径,结果显示本发明能够基于时间范围为0.05秒内得到初始解决方案并且能够给予充足的时间来提升解决方案使其达到最优化。
Description
技术领域
本发明属于机器人导航领域,尤其涉及一种动态环境中机器人安全自主规划导航方法。
背景技术
无论是自主巡航的机动车还是无人驾驶飞机,几乎所有的机器人都应该具备在人,宠物,汽车等移动个体面前从一个地方到另一个地方安全导航的能力。为了实现这个功能,机器人应该对动态障碍物近期可能处于的位置进行预判并同时产生一段的能够避免碰撞的路径。同时,由于机器人对动态障碍物轨迹的预测在持续变化,因此机器人也需要在很短的时间里来规划这些路径。如何在动态环境中以有限的时间规划可靠的路径显得至关重要。动态环境在时间域规划上构成实时约束。如果一个规划方案需要很长的时间来得到一个新路径,那么机器人很有可能和一个移动的障碍物发生碰撞。
许多对动态障碍物的处理方法是将它们模型化成初始运行轨迹下的具有高代价的短窗口静态障碍物。这个方法非常有效率,但存在次优性的缺点;还有的方法是只在执行路径规划的情形下和使用相邻障碍物避免方法下来考虑动态障碍物(仍然将它们看作静态障碍物),但是可能在局部小范围会出现停滞和卡顿;另一个对局部规划方案的替代方法是采用速度障碍物,速度障碍物能够决定和引导与移动障碍物碰撞的控制,尽管这个方法相对来说更加准确,但是它仍然会引起局部小范围问题;
有一些方法在全面的时间-空间规划寻找路径。Silver’s HCA*算法是用来为多个机器人实现规划,但是只适用于很少的动态障碍物情形下,正如SIPP方法下的实验结果,而且该算法所花费的时间比实时时间要长。SIPP在动态环境下是一种快速的优化方案,由于对每个空间位置来说时间步长的数量是无限的,因此在状态空间中对时间进行划分来作为一个明确的维度相对相对较慢。SIPP把时间步长压缩成相邻的安全时间间隔指数。因此对于每个安全时间间隔和每个空间位置只有一个单独的状态。
在线实现用时间来进行规划并同时需要处理动态障碍物是十分困难的,因为二次规划的连续需求在执行周期中强制形成严格的约束条件。为了明确实时约束条件,一系列的方法被用于牺牲其次优性来保证效率。RRT-variants在能够处理更多复杂机器人动态运动学约束下的高维度搜索空间来实现快速规划。然而,这些基于采样的方法不能够保证所争取的优化性。RRT*是一种近期任何时候基于采样的方法,这种方法在限制条件下能够得出优化方案。然而,当规划时间结束时,这个算法不能提供关于这个方案到底有多合适的任何相关信息,另一方面,对于每个解决方案,实时搜索策略在次优性与优化方案相比下有数值的上界。
发明内容
本发明的目的在于针对上述技术中存在的缺陷,提出了一种动态环境中机器人安全自主规划导航方法。通过结合ARA*(实时A*规划方案)和用SIPP运行weight A*搜索能力把SIPP扩展成实时搜索,在实时SIPP规划方案之上,从时间界限网格中采取时间范围。显著提高了机器人在大规模环境中规划速度;本发明除了提供实时规划方案之外,还提供了对解决方案代价的完整性和次优性理论的保证。
为了实现上述目的,本发明提供的技术方案如下:一种动态环境中机器人安全自主规划导航方法,其特征在于包括如下步骤:
步骤1、动态障碍物表示法:用特定的方法来表示环境中动态障碍物并统一这一表示;
所述特定方法为:假设存在另一个能够跟踪环境中动态障碍物的***,该***存在一系列动态障碍物并且把每个障碍物看成具有运动轨迹和半径的球体,一条轨迹是由一系列的点组成,而每个点有表明其构成和时间的状态变量,这些轨迹中的点按照时间顺序排列,通过读取这些点的顺序来预测未来一段时间障碍物的运动轨迹并进行统一表示;
步骤2、表示法和假设:该步骤中描述了如何表示和解释机器人的路径规划算法;
步骤2.1、描述了机器人在环境中的空间构型以及表示方法,假设规划问题是用图来表示,每个在图中的状态量s由两部分组成:机器人的空间构型向量记作x(s)和标量安全时间间隔指数记作interval(s);
步骤2.2、定义了机器人在搜寻路径过程中的一系列参数:其中包括状态量s的定义,在机器人的搜寻路径过程中,每个状态量s有一个变量记作g(s),这个变量是从初始状态到s状态的最出名路径所花费的代价;
启发式函数h(s)是从s状态到目标状态的代价估计,假设这个启发式函数是一个常量,这意味着它不会大于到目的点的代价并且满足三角不等式;
状态转变所花费的时间代价c(s,s’),从s状态到其中一个继承状态s’的转变或者边缘代价记作c(s,s’);
步骤2.3、表明ASIPP算法和SIPP具备相同的假设前提:c(s,s’)等价于从s状态到s’状态的行动执行时间;
步骤3、ASIPP算法:ASIPP算法是ARA*算法和SIPP算法二者的结合并进行一些扩展和修改的算法,紧接着提出了两个算法;
步骤3.1、算法1是ARA*算法的主体循环并得出目前所得到的解决方案的次优性范围;
步骤3.1.1、初始显示用户提供的初始参数ε的初始搜索机制,之后减少ε的值(用户可以自定义减少的值)并且再运行搜索直到到达最优解(ε=1);
步骤3.1.2、在步骤3.1.1每次搜索过程中,INCONS列表会被找到的成本更低的路径的状态填满,由于它们已经很接近因此不会被用于再扩展;
步骤3.1.3、步骤3.1.2中所述成本更低的路径的状态需要在下一次搜索迭代中被再次扩展,同时,这些被放入OPEN列表的状态有机会在下一次搜索迭代中被扩展,最后计算ε’的值,得出目前所找到的解决方案的次优性范围。
步骤3.2、算法2是一个单独的在SIPP下实现的weighted A*搜索机制;
步骤3.2.1、通常在weighted A*中,在OPEN列表的状态中,有着最小f值的状态被扩展直到目标值在OPEN列表中有代价最小的f值,一个状态s的f值是g(s)和h(s)的一个函数,当s在OPEN列表中,起扩展状态s的优先权的作用;
步骤3.2.2、一个状态s扩展过程开始时,此处迭代循环所有可能的移动基元,这些移动基元能够在没有与静态环境发生碰撞的情况下被采用,变量x’是进行移动m后到状态s的空间构型x(s)之后的机器人结束时所处的空间构型;
步骤3.2.3、创建了最小的和最大的机器人能够基于它能够离开安全间隔s最早和最晚的次数来到达x’次数;
步骤3.2.4、算法2通过一个等待操作,然后再移动m,将一个后继在尽可能早的时间放到位于x’的每个安全间隔;
步骤4、理论分析:主要是通过提出两个定理来验证算法的完整性和最优性;
步骤4.1、定理1:任何时候SIPP算法是完整的,当算法结束时,它对于动态障碍物和静态障碍物分别返回了一个到目标点的安全距离,其前提是这样的一条路径存在于给定规划问题的图形表示;
步骤4.2、定理2:当规划时间结束时,通过任何时候SIPP算法返回的结果所花费的代价不会比ε’倍最优解所花费的代价大;
步骤5、时限图表示:当规划方案处于动态或者不确定的环境中,它通常不会在未来很长的时间内依赖于预测的障碍物行为,时限图就是基于上述理论创建出一个由两种状态组成的图:一个状态是由结构和时间间隔所决定,即高维度状态;另一个状态只由空间构型决定,即低维度状态。
所述的步骤5中还可以考虑用SIPP和任何时候SIPP把时限表达方式放进基于安全区间的图形表示方法中,限制对应的截断动态障碍物预测轨迹的持续时间的SIPP中的时间范围以达到不超过时间范围的目的。
本发明具有如下有益效果:
1)本发明通过结合ARA*(实时A*规划方案)和用SIPP运行weight A*搜索能力把SIPP扩展成实时搜索,在实时SIPP规划方案之上,从时间界限网格中采取时间范围;在时间范围之后的状态用来为它们的空间坐标做规划,由于时间维度只存在机器人时间附近,因此以这种方式在大规模环境中规划速度会得到显著地提高。
2)本发明除了提供实时规划方案之外,还提供了对解决方案代价的完整性和次优性理论的保证;在实际操作上,本发明展示了规划方案在无人驾驶飞机领域实时能力,在有着50个动态障碍物的巨大地图上规划时间并参数化路径,结果显示本发明能够基于时间范围为0.05秒内得到初始解决方案并且能够给予充足的时间来提升解决方案使其达到最优化。
附图说明
图1为本发明所述的动态环境中机器人安全自主规划导航方法的流程图。
具体实施方式
下面结合附图对本发明做进一步的说明。
一种动态环境中机器人安全自主规划导航方法,该方法包括以下步骤:如附图1所示,步骤1、动态障碍物表示法:用特定的方法来表示环境中动态障碍物并统一这一表示;本发明中假设存在另一个能够跟踪环境中动态障碍物的***,该***存在一系列动态障碍物并且把每个障碍物看成具有运动轨迹和半径的球体,一条轨迹是由一系列的点组成,而每个点有表明其构成和时间的状态变量,这些轨迹中的点按照时间顺序排列,通过读取这些点的顺序来预测未来一段时间障碍物的运动轨迹并进行统一表示;
步骤2、表示法和假设:该步骤中描述了如何表示和解释机器人的路径规划算法;
步骤2.1、描述了机器人在环境中的空间构型以及表示方法,假设规划问题是用图来表示,每个在图中的状态量s由两部分组成:机器人的空间构型向量记作x(s)和标量安全时间间隔指数记作interval(s);连续安全时间间隔指数是指一段时间内没有动态障碍物的特定位置的时间间隔。例如,如果只有一个动态障碍物经过一个特定位置x(s),那么此处只有两个安全时间间隔(在障碍物经过之前和之后)。这意味着只存在两个状态有x(s)的值,一个状态是interval(s)=0,另一个是interval(s)=1。对于一个给定的x(s)时间步长,这大大低于许多状态副本。状态之间的边缘是连接对应构型的短运动,基于构型空间的表达方式,这些可能是适用于动态运动的移动基元或者是有着常曲率的曲线的简单片段。
步骤2.2、定义了机器人在搜寻路径过程中的一系列参数:其中包括状态量s的定义,在机器人的搜寻路径过程中,每个状态量s有一个变量记作g(s),这个变量是从初始状态到s状态的最出名路径所花费的代价;
启发式函数h(s)是从s状态到目标状态的代价估计,假设这个启发式函数是一个常量,这意味着它不会大于到目的点的代价并且满足三角不等式;
状态转变所花费的时间代价c(s,s’),从s状态到其中一个继承状态s’的转变或者边缘代价记作c(s,s’);
步骤2.3、表明ASIPP算法和SIPP具备相同的假设前提:c(s,s’)等价于从s状态到s’状态的行动执行时间;
步骤3、ASIPP算法:ASIPP算法是ARA*算法和SIPP算法二者的结合并进行一些扩展和修改的算法;
紧接着提出了两个算法;
步骤3.1、算法1是ARA*算法的主体循环并得出目前所得到的解决方案的次优性范围;首先用户提供一个初始的ε的值并首次调用算法2的ImprovePath()函数方法,接着利用ε’=min(ε,g(sgoal)/mins∈OPEN∪INCONS(g(s)+h(s))),计算对应的ε’的值并且发布当前次优方案ε’,其中,ε’能得出在目前所找到的解决方案的次优性范围;如果ε的值大于1,那么以用户定义的值减少ε的值,在此循环中,将状态从INCONS列表转移到OPEN列表同时对于所有OPEN列表中的所有的s∈OPEN根据f(s)的值更新所有状态的优先顺序,而这些被放入OPEN列表的状态可能在下一次迭代中被再次扩展,当ε=1的时整个循环体结束。
步骤3.2、ImprovePath(算法2)是一个单独的在SIPP下实现的weighted A*搜索机制;通常在weighted A*中,在OPEN列表中的状态中有着最小f值的状态被用于扩展直到目标值在OPEN列表中有代价最小的f值。一个状态s的f值是g(s)和h(s)的一个函数,当s在OPEN列表中,它能够优先扩展状态s,首先迭代循环所有可能的移动基元,这些移动基元能够在没有与静态环境发生碰撞的情况下被采用;变量x’是进行移动m到状态s的空间构型x(s)之后的机器人结束时所处的空间构型。
算法2接着创建了最小的和最大的机器人能够基于它能够离开安全间隔s最早和最晚的次数来到达x’次数;然后算法2将一个后继在尽可能早的时间放到位于x’的每个安全间隔,其实现方法是采用一个等待操作,然后再移动m(等待时间可以为0因此它能够马上适用于机器人移动)。
为了保证当ε>1时的完整性的次优界定,算法对每个状态采用两个版本,最优和次优,如果扩展的状态是最优的,那么对于每个后继(s’和s”),它会生成两个相同的版本:最优变量O(s’)被设为真,另一个有O(s”)被设为假;如果扩展的状态是次优的,那么它能够保证更多的次优状态,次优状态通常以f(s’)=g(s’)+ε*h(s’)被放入OPEN列表里,而最优状态以f(s’)=ε*(g(s’)+h(s’))被放入OPEN列表里。OPEN列表保存了在最优状态中的最优扩展顺序(因为f与一个标量相乘),但是也有将之后的最优状态放入OPEN列表中涉及次佳的状态,因为两者都被扩大了而不是一个。这意味着在许多时间情况下,只有次优状态被扩展,这样的结果导致足够多的最优状态被扩展用于对weighted A*搜索期望的理论支持和保证(次优性的完整和界定)。
步骤4、理论分析:主要是通过提出两个定理来验证算法的完整性和最优性;
步骤4.1、定理1:任何时候SIPP算法是完整的,当算法结束时,它对于动态障碍物和静态障碍物分别返回了一个到目标点的安全距离,其前提是这样的一条路径存在于给定规划问题的图形表示;
步骤4.2、定理2:当规划时间结束时,通过任何时候SIPP算法返回的结果所花费的代价不会比ε’倍最优解所花费的代价大;
步骤5、时限图表示:当规划方案处于动态或者不确定的环境中,它通常不会在未来很长的时间内依赖于预测的障碍物行为,时限图就是基于上述理论创建出一个由两种状态组成的图:一个状态是由结构和时间间隔所决定,即高维度状态;另一个状态只由空间构型决定,即低维度状态。高维度状态出现在机器人附近,这些状态只能在给定的时间范围内从机器人状态到达。在时限网格图中,时间步长与时间范围相等的状态能够转变成不包括时间的状态,即低维度状态。因此,一旦时间步长到达给定的时间范围,状态就会变成“不受时间影响的”。
在此步骤5中还可以考虑用SIPP和任何时候SIPP把时限表达方式放进基于安全区间的图形表示方法中,限制对应的截断动态障碍物预测轨迹的持续时间的SIPP中的时间范围以达到不超过时间范围的目的。因此,在SIPP和任何SIPP下,有限时间范围的实现已经通过截断动态障碍物的预测轨迹的持续时间实现。
任何时候规划方案的一个重要的特点是它能够很快地得到初始解决方案。当我们改变初始的ε值和时间范围时,算法得到初始解决方案总共所花费的时间。表1的参数是经过超过40次运算后对于4种不同的时间范围SIPP和任何时候SIPP的规划时间的分布,这些结果都是利用最优SIPP(ε=1)得到初始解决方案所花费的时间。从表1中,可以很明显的得出任何时候SIPP提供规划时间比最优SIPP至少少两个数量级。表1的结果显示:为了快速地得到一个解决方案,一个有权重的搜索是必不可少的,本发明中所省略的是扩展状态的数量,因为这反映的是规划时间(仅仅是标量的乘积)。
如果规划方案所需的时间比这个还要多,本发明将采用ARA*算法提高解决方案的质量。在这个实验中,次优性范围ε在连续的ARA*算法迭代中减少了0.2。一旦ε的值到达1,解决方案被证实是最优的。
表1 SIPP和ASIPP规划时间分布
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内的所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种动态环境中机器人安全自主规划导航方法,其特征在于,包括如下步骤:
步骤1、动态障碍物表示法:用特定的方法来表示环境中动态障碍物并统一这一表示;
所述特定方法为:假设存在另一个能够跟踪环境中动态障碍物的***,该***存在一系列动态障碍物并且把每个障碍物看成具有运动轨迹和半径的球体,一条轨迹是由一系列的点组成,而每个点有表明其构成和时间的状态变量,这些轨迹中的点按照时间顺序排列,通过读取这些点的顺序来预测未来一段时间障碍物的运动轨迹并进行统一表示;
步骤2、表示法和假设:该步骤中描述了如何表示和解释机器人的路径规划算法;
步骤2.1、描述了机器人在环境中的空间构型以及表示方法,假设规划问题是用图来表示,每个在图中的状态量s由两部分组成:机器人的空间构型向量记作x(s)和标量安全时间间隔指数记作interval(s);
步骤2.2、定义了机器人在搜寻路径过程中的一系列参数:其中包括状态量s的定义,在机器人的搜寻路径过程中,每个状态量s有一个变量记作g(s),这个变量是从初始状态到s状态的最出名路径所花费的代价;
启发式函数h(s)是从s状态到目标状态的代价估计,假设这个启发式函数是一个常量,这意味着它不会大于到目的点的代价并且满足三角不等式;
状态转变所花费的时间代价c(s,s’),从s状态到其中一个继承状态s’的转变或者边缘代价记作c(s,s’);
步骤2.3、表明ASIPP算法和SIPP具备相同的假设前提:c(s,s’)等价于从s状态到s’状态的行动执行时间;
步骤3、ASIPP算法:ASIPP算法是ARA*算法和SIPP算法二者的结合并进行一些扩展和修改的算法,紧接着提出了两个算法;
步骤3.1、算法1是ARA*算法的主体循环并得出目前所得到的解决方案的次优性范围;
步骤3.1.1、初始显示用户提供的初始参数ε的初始搜索机制,之后减少ε的值(用户可以自定义减少的值)并且再运行搜索直到到达最优解(ε=1);
步骤3.1.2、在步骤3.1.1每次搜索过程中,INCONS列表会被找到的成本更低的路径的状态填满,由于它们已经很接近因此不会被用于再扩展;
步骤3.1.3、步骤3.1.2中所述成本更低的路径的状态需要在下一次搜索迭代中被再次扩展,同时,这些被放入OPEN列表的状态有机会在下一次搜索迭代中被扩展,最后计算ε’的值,得出目前所找到的解决方案的次优性范围。
步骤3.2、算法2是一个单独的在SIPP下实现的weighted A*搜索机制;
步骤3.2.1、通常在weighted A*中,在OPEN列表的状态中,有着最小f值的状态被扩展直到目标值在OPEN列表中有代价最小的f值,一个状态s的f值是g(s)和h(s)的一个函数,当s在OPEN列表中,起扩展状态s的优先权的作用;
步骤3.2.2、一个状态s扩展过程开始时,此处迭代循环所有可能的移动基元,这些移动基元能够在没有与静态环境发生碰撞的情况下被采用,变量x’是进行移动m后到状态s的空间构型x(s)之后的机器人结束时所处的空间构型;
步骤3.2.3、创建了最小的和最大的机器人能够基于它能够离开安全间隔s最早和最晚的次数来到达x’次数;
步骤3.2.4、算法2通过一个等待操作,然后再移动m,将一个后继在尽可能早的时间放到位于x’的每个安全间隔;
步骤4、理论分析:主要是通过提出两个定理来验证算法的完整性和最优性;
步骤4.1、定理1:任何时候SIPP算法是完整的,当算法结束时,它对于动态障碍物和静态障碍物分别返回了一个到目标点的安全距离,其前提是这样的一条路径存在于给定规划问题的图形表示;
步骤4.2、定理2:当规划时间结束时,通过任何时候SIPP算法返回的结果所花费的代价不会比ε’倍最优解所花费的代价大;
步骤5、时限图表示:当规划方案处于动态或者不确定的环境中,它通常不会在未来很长的时间内依赖于预测的障碍物行为,时限图就是基于上述理论创建出一个由两种状态组成的图:一个状态是由结构和时间间隔所决定,即高维度状态;另一个状态只由空间构型决定,即低维度状态。
2.根据权利要求1所述的动态环境中机器人安全自主规划导航方法,其特征在于:所述的步骤5中还可以考虑用SIPP和任何时候SIPP把时限表达方式放进基于安全区间的图形表示方法中,限制对应的截断动态障碍物预测轨迹的持续时间的SIPP中的时间范围以达到不超过时间范围的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511019140.4A CN106931970A (zh) | 2015-12-30 | 2015-12-30 | 一种动态环境中机器人安全自主规划导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511019140.4A CN106931970A (zh) | 2015-12-30 | 2015-12-30 | 一种动态环境中机器人安全自主规划导航方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106931970A true CN106931970A (zh) | 2017-07-07 |
Family
ID=59441434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511019140.4A Pending CN106931970A (zh) | 2015-12-30 | 2015-12-30 | 一种动态环境中机器人安全自主规划导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106931970A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241369A (zh) * | 2017-12-20 | 2018-07-03 | 北京理工华汇智能科技有限公司 | 机器人躲避静态障碍的方法及装置 |
CN109117986A (zh) * | 2018-07-17 | 2019-01-01 | 广州视源电子科技股份有限公司 | 运动规划方法、装置、设备及计算机可读存储介质 |
CN109213153A (zh) * | 2018-08-08 | 2019-01-15 | 东风汽车有限公司 | 一种车辆自动驾驶方法及电子设备 |
CN109445444A (zh) * | 2018-12-25 | 2019-03-08 | 同济大学 | 一种障碍物集中环境下的机器人路径生成方法 |
CN109782763A (zh) * | 2019-01-18 | 2019-05-21 | 中国电子科技集团公司信息科学研究院 | 一种动态环境下的移动机器人路径规划方法 |
CN110297490A (zh) * | 2019-06-17 | 2019-10-01 | 西北工业大学 | 基于强化学习算法的异构模块化机器人自重构规划方法 |
CN110597271A (zh) * | 2019-10-12 | 2019-12-20 | 河北工业大学 | 一种基于分级速度障碍算法的移动机器人避障方法 |
CN110598957A (zh) * | 2019-09-30 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 路径规划方法、装置、计算机设备及存储介质 |
WO2020133118A1 (en) * | 2018-12-27 | 2020-07-02 | Beijing Voyager Technology Co., Ltd. | Systems and methods for path determination |
US10948300B2 (en) | 2018-12-27 | 2021-03-16 | Beijing Voyager Technology Co., Ltd. | Systems and methods for path determination |
CN112612273A (zh) * | 2020-12-21 | 2021-04-06 | 南方电网电力科技股份有限公司 | 一种巡检机器人避障路径规划方法、***、设备和介质 |
CN113741179A (zh) * | 2021-11-08 | 2021-12-03 | 北京理工大学 | 一种面向异构车辆的统一运动规划方法和*** |
CN115507858A (zh) * | 2022-11-24 | 2022-12-23 | 青岛中德智能技术研究院 | 单机器人、多机器人行驶路径导航方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738195A (zh) * | 2009-12-24 | 2010-06-16 | 厦门大学 | 基于环境建模与自适应窗口的移动机器人路径规划方法 |
CN103278164A (zh) * | 2013-06-13 | 2013-09-04 | 北京大学深圳研究生院 | 一种复杂动态场景下机器人仿生路径规划方法及仿真平台 |
CN103605368A (zh) * | 2013-12-04 | 2014-02-26 | 苏州大学张家港工业技术研究院 | 一种动态未知环境中路径规划方法及装置 |
CN103994768A (zh) * | 2014-05-23 | 2014-08-20 | 北京交通大学 | 动态时变环境下寻求全局时间最优路径的方法 |
-
2015
- 2015-12-30 CN CN201511019140.4A patent/CN106931970A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738195A (zh) * | 2009-12-24 | 2010-06-16 | 厦门大学 | 基于环境建模与自适应窗口的移动机器人路径规划方法 |
CN103278164A (zh) * | 2013-06-13 | 2013-09-04 | 北京大学深圳研究生院 | 一种复杂动态场景下机器人仿生路径规划方法及仿真平台 |
CN103605368A (zh) * | 2013-12-04 | 2014-02-26 | 苏州大学张家港工业技术研究院 | 一种动态未知环境中路径规划方法及装置 |
CN103994768A (zh) * | 2014-05-23 | 2014-08-20 | 北京交通大学 | 动态时变环境下寻求全局时间最优路径的方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241369B (zh) * | 2017-12-20 | 2021-11-30 | 北京理工华汇智能科技有限公司 | 机器人躲避静态障碍的方法及装置 |
CN108241369A (zh) * | 2017-12-20 | 2018-07-03 | 北京理工华汇智能科技有限公司 | 机器人躲避静态障碍的方法及装置 |
CN109117986A (zh) * | 2018-07-17 | 2019-01-01 | 广州视源电子科技股份有限公司 | 运动规划方法、装置、设备及计算机可读存储介质 |
CN109117986B (zh) * | 2018-07-17 | 2021-01-22 | 广州视源电子科技股份有限公司 | 运动规划方法、装置、设备及计算机可读存储介质 |
CN109213153A (zh) * | 2018-08-08 | 2019-01-15 | 东风汽车有限公司 | 一种车辆自动驾驶方法及电子设备 |
CN109213153B (zh) * | 2018-08-08 | 2022-01-07 | 东风汽车有限公司 | 一种车辆自动驾驶方法及电子设备 |
CN109445444A (zh) * | 2018-12-25 | 2019-03-08 | 同济大学 | 一种障碍物集中环境下的机器人路径生成方法 |
CN109445444B (zh) * | 2018-12-25 | 2021-05-11 | 同济大学 | 一种障碍物集中环境下的机器人路径生成方法 |
US10948300B2 (en) | 2018-12-27 | 2021-03-16 | Beijing Voyager Technology Co., Ltd. | Systems and methods for path determination |
WO2020133118A1 (en) * | 2018-12-27 | 2020-07-02 | Beijing Voyager Technology Co., Ltd. | Systems and methods for path determination |
CN109782763B (zh) * | 2019-01-18 | 2021-11-23 | 中国电子科技集团公司信息科学研究院 | 一种动态环境下的移动机器人路径规划方法 |
CN109782763A (zh) * | 2019-01-18 | 2019-05-21 | 中国电子科技集团公司信息科学研究院 | 一种动态环境下的移动机器人路径规划方法 |
CN110297490A (zh) * | 2019-06-17 | 2019-10-01 | 西北工业大学 | 基于强化学习算法的异构模块化机器人自重构规划方法 |
CN110297490B (zh) * | 2019-06-17 | 2022-06-07 | 西北工业大学 | 基于强化学习算法的异构模块化机器人自重构规划方法 |
CN110598957A (zh) * | 2019-09-30 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 路径规划方法、装置、计算机设备及存储介质 |
CN110598957B (zh) * | 2019-09-30 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 路径规划方法、装置、计算机设备及存储介质 |
CN110597271A (zh) * | 2019-10-12 | 2019-12-20 | 河北工业大学 | 一种基于分级速度障碍算法的移动机器人避障方法 |
CN112612273A (zh) * | 2020-12-21 | 2021-04-06 | 南方电网电力科技股份有限公司 | 一种巡检机器人避障路径规划方法、***、设备和介质 |
CN112612273B (zh) * | 2020-12-21 | 2021-08-24 | 南方电网电力科技股份有限公司 | 一种巡检机器人避障路径规划方法、***、设备和介质 |
CN113741179A (zh) * | 2021-11-08 | 2021-12-03 | 北京理工大学 | 一种面向异构车辆的统一运动规划方法和*** |
CN113741179B (zh) * | 2021-11-08 | 2022-03-25 | 北京理工大学 | 一种面向异构车辆的统一运动规划方法和*** |
CN115507858A (zh) * | 2022-11-24 | 2022-12-23 | 青岛中德智能技术研究院 | 单机器人、多机器人行驶路径导航方法 |
CN115507858B (zh) * | 2022-11-24 | 2023-03-03 | 青岛中德智能技术研究院 | 单机器人、多机器人行驶路径导航方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106931970A (zh) | 一种动态环境中机器人安全自主规划导航方法 | |
US11262764B2 (en) | Computer-implemented method and a system for defining a path for a vehicle within an environment with obstacles | |
Lu et al. | Layered costmaps for context-sensitive navigation | |
Wang et al. | Tractable Multi-Agent Path Planning on Grid Maps. | |
CN108775902A (zh) | 基于障碍物虚拟膨胀的伴随机器人路径规划方法及*** | |
CN110320930B (zh) | 基于Voronoi图的多无人机编队队形可靠变换方法 | |
JP2022516383A (ja) | 自律型車両の計画 | |
CN103278164B (zh) | 一种复杂动态场景下机器人仿生路径规划方法及仿真平台 | |
CN109724612A (zh) | 一种基于拓扑地图的agv路径规划方法及设备 | |
Kallmann et al. | Navigation meshes and real-time dynamic planning for virtual worlds | |
Schauer et al. | Collision detection between point clouds using an efficient kd tree implementation | |
CN100524363C (zh) | 一种用于动态实体的分层避障方法 | |
CN105717926A (zh) | 基于改进蚁群算法的移动机器人旅行商优化方法 | |
Janchiv et al. | Complete coverage path planning for multi-robots based on | |
CN112229419B (zh) | 一种动态路径规划导航方法及*** | |
KR20130133778A (ko) | 트레이싱 정보에 기초한 충돌 회피 방식을 사용하여 캐릭터들을 애니메이팅하기 위한 방법 | |
CN111649758B (zh) | 一种动态环境下基于强化学习算法的路径规划方法 | |
CN105426992A (zh) | 移动机器人旅行商优化方法 | |
CN114281084B (zh) | 一种基于改进a*算法的智能车全局路径规划方法 | |
CN101650189A (zh) | 行走路径规划方法与避开动态障碍物的导航方法 | |
CN110954124A (zh) | 一种基于a*-pso算法的自适应路径规划方法及*** | |
Wang et al. | Multi-robot path planning with the spatio-temporal A* algorithm and its variants | |
Edelkamp et al. | Multi-goal motion planning with physics-based game engines | |
Şenbaşlar et al. | Dream: Decentralized real-time asynchronous probabilistic trajectory planning for collision-free multi-robot navigation in cluttered environments | |
JP2003029833A (ja) | 移動体の自律走行経路の生成法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170707 |