CN107356258B - 点移动机器人在概率路线图中路径规划的神经网络方法 - Google Patents

点移动机器人在概率路线图中路径规划的神经网络方法 Download PDF

Info

Publication number
CN107356258B
CN107356258B CN201710591569.3A CN201710591569A CN107356258B CN 107356258 B CN107356258 B CN 107356258B CN 201710591569 A CN201710591569 A CN 201710591569A CN 107356258 B CN107356258 B CN 107356258B
Authority
CN
China
Prior art keywords
node
feasible
path
nodes
mobile robot
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.)
Active
Application number
CN201710591569.3A
Other languages
English (en)
Other versions
CN107356258A (zh
Inventor
禹继国
陈艳
李帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qufu Normal University
Original Assignee
Qufu Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qufu Normal University filed Critical Qufu Normal University
Priority to CN201710591569.3A priority Critical patent/CN107356258B/zh
Publication of CN107356258A publication Critical patent/CN107356258A/zh
Application granted granted Critical
Publication of CN107356258B publication Critical patent/CN107356258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Feedback Control In General (AREA)

Abstract

一种点移动机器人在概率路线图中路径规划的神经网络方法，通过路径检查为选取一可行节点
Figure 100004_DEST_PATH_IMAGE002
及另一可行节点
Figure 100004_DEST_PATH_IMAGE004
之间路径（
Figure 100004_DEST_PATH_IMAGE006
）上的M个节点进行碰撞检测，若这M个节点均为可行节点，则路径（
Figure 862988DEST_PATH_IMAGE006
）即可判定为可行路径。并对
Figure 100004_DEST_PATH_IMAGE008
个可行节点中的每一个可行节点创建包含该节点所有可行路径的一个邻居集
Figure 100004_DEST_PATH_IMAGE012
，通过欧几里得距离算法计算每个可行节点的邻居集
Figure 186653DEST_PATH_IMAGE012
中所有可行路径的距离长度
Figure 100004_DEST_PATH_IMAGE014
，在可行节点
Figure 933767DEST_PATH_IMAGE002
的邻居集
Figure 63397DEST_PATH_IMAGE012
中选取具有
Figure 100004_DEST_PATH_IMAGE016
的可行节点
Figure 100004_DEST_PATH_IMAGE018
为规划路径上的当前可行节点
Figure 815452DEST_PATH_IMAGE002
的下一个节点。通过选取出最优化的可行节点
Figure 372335DEST_PATH_IMAGE018
，从而得到最优化的路径为（
Figure 373789DEST_PATH_IMAGE002
，

Description

点移动机器人在概率路线图中路径规划的神经网络方法
技术领域
本发明涉及点机器人路径规划领域，具体涉及一种点移动机器人在概率路线图中路径规划的神经网络方法。
背景技术
点移动机器人由于具有可移动性，可以代替人执行一些操作在危险、恶劣环境（如辐射、有毒等）或者复杂环境（如宇宙空间、水下等）中的任务，比如采矿、建筑、排险等。经过专家和学者多年的努力，点移动机器人已经开始普遍运用于原子能、工厂自动化、军事、服务、农业等方面，目前已经存在相当多的实例诸如使用点移动机器人提高工厂生产效率或者替代工人作业等，并且在一些具有重大战略意义的工程中（如军事，国防等），对于点移动机器人的需求也日益增长。随着科技的快速发展，点移动机器人在宇宙探测、海洋开发、原子能等领域发挥着巨大的潜力，并体现出广泛的应用前景。点机器人因地图中节点数量过多以及变化环境的限制，通常不具有在动态环境中追踪移动目标的能力，也即，点机器人可能只是在静态环境中规划出最短路径来追踪目标。在变化多样的环境中，点机器人可能因为工作地图中可行节点的数量巨大以及节点之间因为距离导致的网络通信延迟而难以规划出追踪目标的最优路径，最近提出的偏倚最小共识算法提供了使用控制理论工具进行路径规划的新维度，然而，研究的结果仅限于静止环境，并且可能会在存在动态障碍物的情况下失败。
发明内容
本发明为了克服以上技术的不足，提供了一种无论是在静态环境还是在变化的环境中或是追踪静止的目标还是移动的目标都能较好地完成最优路径规划任务的点移动机器人在概率路线图中路径规划的神经网络方法。
本发明克服其技术问题所采用的技术方案是：
一种点移动机器人在概率路线图中路径规划的神经网络方法，包括如下步骤：
a)点移动机器人通过碰撞检测在地图上随机生成
Figure 100002_DEST_PATH_IMAGE002
个节点，位于地图内且与障碍物没有发生碰撞的
Figure 100002_DEST_PATH_IMAGE004
个节点均判定为可行节点，碰撞检测前点移动机器人原点位置定义为机器人节点，点移动机器人在地图上将要达到的终点定义为目标节点，机器人节点及目标节点为附加节点，在地图中迭代添加
Figure 100002_DEST_PATH_IMAGE006
Figure 100002_DEST_PATH_IMAGE008
；
b)
Figure 592098DEST_PATH_IMAGE006
Figure 243660DEST_PATH_IMAGE008
中的每个可行节点与其他
Figure DEST_PATH_IMAGE010
个节点通过路径检查判断每个节点的邻接信息，所述路径检查为选取一可行节点
Figure 100002_DEST_PATH_IMAGE012
及另一可行节点
Figure 100002_DEST_PATH_IMAGE014
之间路径（
Figure 100002_DEST_PATH_IMAGE016
）上的M个点，对M个点分别进行碰撞检测，如果M个点均为可行节点，则判定该路径（
Figure 429921DEST_PATH_IMAGE016
）为可行路径，如果M个点中有不可行节点，则舍弃该路径（
Figure 559551DEST_PATH_IMAGE016
）；
c)重复步骤b)中的路径检查，分别对
Figure 108344DEST_PATH_IMAGE006
Figure 166693DEST_PATH_IMAGE008
中的每一个可行节点创建包含该节点所有可行路径的一个邻居集
Figure 100002_DEST_PATH_IMAGE018
；
d)通过欧几里得距离算法计算每个邻居集
Figure 636988DEST_PATH_IMAGE018
中所有可行路径的距离长度
Figure DEST_PATH_IMAGE020
；
e) 根据距离长度D的大小，确定距离每个可行节点
Figure 304730DEST_PATH_IMAGE012
最近的
Figure DEST_PATH_IMAGE022
个邻居节点，然后结合每个邻居节点的状态值
Figure 100002_DEST_PATH_IMAGE024
，在可行节点
Figure 911292DEST_PATH_IMAGE012
的邻居集
Figure 639076DEST_PATH_IMAGE018
中选取具有
Figure DEST_PATH_IMAGE026
的可行节点
Figure DEST_PATH_IMAGE028
为规划路径上的当前可行节点
Figure 331089DEST_PATH_IMAGE012
的下一个节点。
本发明的有益效果是：通过选取出最优化的可行节点
Figure 802521DEST_PATH_IMAGE028
，从而得到最优化的路径为（
Figure 558863DEST_PATH_IMAGE012
，
Figure 457548DEST_PATH_IMAGE028
），因此点移动机器人不论实在静态环境还是在变化的环境中或者不论是追踪静止的目标还是移动的目标都能较好地完成最优路径的规划任务。
具体实施方式
下面对本发明做进一步说明。
一种点移动机器人在概率路线图中路径规划的神经网络方法，包括如下步骤：
a)点移动机器人通过碰撞检测在地图上随机生成
Figure 433595DEST_PATH_IMAGE002
个节点，位于地图内且与障碍物没有发生碰撞的
Figure 443139DEST_PATH_IMAGE004
个节点均判定为可行节点，碰撞检测前点移动机器人原点位置定义为机器人节点，点移动机器人在地图上将要达到的终点定义为目标节点，机器人节点及目标节点为附加节点，在地图中迭代添加
Figure 821031DEST_PATH_IMAGE006
Figure 890618DEST_PATH_IMAGE008
；
b)
Figure 88381DEST_PATH_IMAGE006
Figure 901616DEST_PATH_IMAGE008
中的每个可行节点与其他
Figure 134015DEST_PATH_IMAGE010
个节点通过路径检查判断每个节点的邻接信息，所述路径检查为选取一可行节点
Figure 374503DEST_PATH_IMAGE012
及另一可行节点
Figure 59562DEST_PATH_IMAGE014
之间路径（
Figure 676488DEST_PATH_IMAGE016
）上的M个点，对M个点分别进行碰撞检测，如果M个点均为可行节点，则判定该路径（
Figure 763393DEST_PATH_IMAGE016
）为可行路径，如果M个点中有不可行节点，则舍弃该路径（
Figure 941827DEST_PATH_IMAGE016
）；
c)重复步骤b)中的路径检查，分别对
Figure 114182DEST_PATH_IMAGE006
Figure 269220DEST_PATH_IMAGE008
中的每一个可行节点创建包含该节点所有可行路径的一个邻居集
Figure 210631DEST_PATH_IMAGE018
；
d)通过欧几里得距离算法计算每个邻居集
Figure 58502DEST_PATH_IMAGE018
中所有可行路径的距离长度
Figure 718153DEST_PATH_IMAGE020
；
e) 根据距离长度D的大小，确定距离每个可行节点
Figure 676882DEST_PATH_IMAGE012
最近的
Figure 472799DEST_PATH_IMAGE022
个邻居节点，然后结合每个邻居节点的状态值
Figure 225992DEST_PATH_IMAGE024
，在可行节点
Figure 107360DEST_PATH_IMAGE012
的邻居集
Figure 869780DEST_PATH_IMAGE018
中选取具有
Figure 785783DEST_PATH_IMAGE026
的可行节点
Figure 709877DEST_PATH_IMAGE028
为规划路径上的当前可行节点
Figure 577076DEST_PATH_IMAGE012
的下一个节点。通过选取出最优化的可行节点
Figure 877608DEST_PATH_IMAGE028
，从而得到最优化的路径为（
Figure 913697DEST_PATH_IMAGE012
，
Figure 8692DEST_PATH_IMAGE028
），因此点移动机器人不论实在静态环境还是在变化的环境中或者不论是追踪静止的目标还是移动的目标都能较好地完成最优路径的规划任务。

Claims (1)

1.一种点移动机器人在概率路线图中路径规划的神经网络方法，其特征在于，包括如下步骤：
a)点移动机器人通过碰撞检测在地图上随机生成
Figure DEST_PATH_IMAGE002
个节点，位于地图内且与障碍物没有发生碰撞的
Figure DEST_PATH_IMAGE004
个节点均判定为可行节点，碰撞检测前点移动机器人原点位置定义为机器人节点，点移动机器人在地图上将要达到的终点定义为目标节点，机器人节点及目标节点为附加节点，在地图中迭代添加
Figure DEST_PATH_IMAGE006
Figure DEST_PATH_IMAGE008
；
b)
Figure DEST_PATH_IMAGE006A
Figure DEST_PATH_IMAGE008A
中的每个可行节点与其他
Figure DEST_PATH_IMAGE012
个节点通过路径检查判断每个节点的邻接信息，所述路径检查为选取一可行节点
Figure DEST_PATH_IMAGE014
及另一可行节点
Figure DEST_PATH_IMAGE016
之间路径（
Figure DEST_PATH_IMAGE018
）上的M个点，对M个点分别进行碰撞检测，如果M个点均为可行节点，则判定该路径（
Figure DEST_PATH_IMAGE018A
）为可行路径，如果M个点中有不可行节点，则舍弃该路径（
Figure DEST_PATH_IMAGE018AA
）；
c)重复步骤b)中的路径检查，分别对
Figure DEST_PATH_IMAGE006AA
Figure DEST_PATH_IMAGE008AA
中的每一个可行节点创建包含该节点所有可行路径的一个邻居集
Figure DEST_PATH_IMAGE024
；
d)通过欧几里得距离算法计算每个邻居集
Figure DEST_PATH_IMAGE024A
中所有可行路径的距离长度
Figure DEST_PATH_IMAGE027
；
e) 根据距离长度D的大小，确定距离每个可行节点
Figure DEST_PATH_IMAGE014A
最近的
Figure DEST_PATH_IMAGE030
个邻居节点，然后结合每个邻居节点的状态值
Figure DEST_PATH_IMAGE032
，在可行节点
Figure DEST_PATH_IMAGE014AA
的邻居集
Figure DEST_PATH_IMAGE024AA
中选取具有
Figure DEST_PATH_IMAGE036
的可行节点
Figure DEST_PATH_IMAGE038
为规划路径上的当前可行节点
Figure DEST_PATH_IMAGE014AAA
的下一个节点。
CN201710591569.3A 2017-07-19 2017-07-19 点移动机器人在概率路线图中路径规划的神经网络方法 Active CN107356258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710591569.3A CN107356258B (zh) 2017-07-19 2017-07-19 点移动机器人在概率路线图中路径规划的神经网络方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710591569.3A CN107356258B (zh) 2017-07-19 2017-07-19 点移动机器人在概率路线图中路径规划的神经网络方法

Publications (2)

Publication Number Publication Date
CN107356258A CN107356258A (zh) 2017-11-17
CN107356258B true CN107356258B (zh) 2020-06-05

Family

ID=60285411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710591569.3A Active CN107356258B (zh) 2017-07-19 2017-07-19 点移动机器人在概率路线图中路径规划的神经网络方法

Country Status (1)

Country Link
CN (1) CN107356258B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4862373A (en) * 1987-05-13 1989-08-29 Texas Instruments Incorporated Method for providing a collision free path in a three-dimensional space
CN103529843B (zh) * 2013-10-17 2016-07-13 电子科技大学中山学院 Lambda*路径规划算法
CN104050390B (zh) * 2014-06-30 2017-05-17 西南交通大学 一种基于可变维粒子群膜算法的移动机器人路径规划方法
US10723024B2 (en) * 2015-01-26 2020-07-28 Duke University Specialized robot motion planning hardware and methods of making and using same
CN105867381B (zh) * 2016-04-25 2019-03-29 广西大学 一种基于概率地图的工业机器人路径搜索优化算法
CN106896812B (zh) * 2017-01-11 2019-11-15 西北工业大学 一种存在测量不确定性下的反馈路径规划方法

Also Published As

Publication number Publication date
CN107356258A (zh) 2017-11-17

Similar Documents

Publication Publication Date Title
CN108549378B (zh) 一种基于栅格地图的混合路径规划方法和***
CN112859859B (zh) 一种基于三维障碍物体素对象映射的动态栅格地图更新方法
CN104050390B (zh) 一种基于可变维粒子群膜算法的移动机器人路径规划方法
CN106695802A (zh) 基于多自由度机械臂的改进式rrt*的避障运动规划方法
Gao et al. Autonomous indoor exploration via polygon map construction and graph-based SLAM using directional endpoint features
Lu et al. Incremental multi-scale search algorithm for dynamic path planning with low worst-case complexity
Ben Amarat et al. 3D path planning, routing algorithms and routing protocols for unmanned air vehicles: a review
Artuñedo et al. Smooth path planning for urban autonomous driving using OpenStreetMaps
CN113050684B (zh) 一种面向突发威胁的无人机航迹规划算法
CN104390648A (zh) 一种基于人工势场的煤矿救灾机器人路径规划方法
Gu et al. Path planning for mobile robot in a 2.5‐dimensional grid‐based map
Zeng et al. Robotic global path-planning based modified genetic algorithm and A* algorithm
Yoon et al. Collaborative mission and route planning of multi-vehicle systems for autonomous search in marine environment
CN114967701A (zh) 一种动态环境下移动机器人自主导航方法
Teng et al. A dynamic path planning method for terrain-aided navigation of autonomous underwater vehicles
CN110209171A (zh) 一种基于人工势场法的路径规划方法
Yong et al. An autonomous navigation strategy based on improved hector slam with dynamic weighted a* algorithm
CN107356258B (zh) 点移动机器人在概率路线图中路径规划的神经网络方法
Safaruddin et al. Multi-objectives path planning using Bézier curve
Jafarzadeh et al. An exact geometry–based algorithm for path planning
Fusic et al. Autonomous vehicle path planning for smart logistics mobile applications based on modified heuristic algorithm
Cowlagi et al. Multi-resolution path planning: Theoretical analysis, efficient implementation, and extensions to dynamic environments
CN116341344A (zh) 一种不确定测量下工业移动目标混合优化无线定位方法
Marbate et al. Role of voronoi diagram approach in path planning
CN113358129B (zh) 基于Voronoi图的避障最短路径规划方法

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
GR01 Patent grant
GR01 Patent grant