CN107703948A - 基于自适应动态窗口的移动机器人局部动态路径规划方法 - Google Patents
基于自适应动态窗口的移动机器人局部动态路径规划方法 Download PDFInfo
- Publication number
- CN107703948A CN107703948A CN201711119755.3A CN201711119755A CN107703948A CN 107703948 A CN107703948 A CN 107703948A CN 201711119755 A CN201711119755 A CN 201711119755A CN 107703948 A CN107703948 A CN 107703948A
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- speed
- obstacle
- dynamic
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 16
- 230000004888 barrier function Effects 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 45
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000005457 optimization Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 238000012803 optimization experiment Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012216 screening Methods 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
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)
- Manipulator (AREA)
Abstract
本发明公开了一种基于自适应动态窗口的移动机器人局部动态路径规划方法,包括以下步骤:计算动态范围阈值Dscale;判断是否进入密集障碍物区域;当判断为进入密集障碍物区域时,计算线速度v的动态权值γd;计算障碍物的间距Intij,并判断能否穿越密集障碍物区域;当判断为能够穿过密集障碍物区域时,搜索备选速度空间,得到不发生碰撞时的允许速度(v,ω);对目标函数的三个输入heading、dist和vel分别做归一化,将动态权值γd以及允许速度(v,ω)代入目标函数中,通过目标函数得到最优速度组合(vt+1,ωt+1)作为t+1时刻机器人运行的速度;执行最优速度,判断是否到达目标点,若判断为到达则结束让机器人停止移动,若否则回到第一步,重新开始后续步骤。
Description
技术领域
本发明涉及一种局部动态环境避障法,具体涉及一种基于自适应 动态窗口的移动机器人局部动态路径规划方法。
背景技术
自主导航是移动机器人必备核心技术之一,在实际环境中,特别 是人机共存的复杂环境下,机器人可以获取环境大致地图信息,但由 于存在移动物体、人或者其他易变因素,因此,很难获得环境的完整 信息。在局部地图信息已知的情况下,局部动态路径规划方法是实现 智能机器人自主导航的首选方法。
最简单的思路是沿着起始点与目标点的连线运动,遇到障碍物 时,沿着障碍物边缘绕行,但导致路径不圆滑,总长度增加。人工势 场法易让机器人陷入局部极值点,例如多个相近障碍物间可能无法找 到路径,在狭隘的通道中会产生振荡,生成的路径明显不合理。 Borenstein等人提出的基于向量场直方图的VFH算法,此方法没有 考虑机器人的尺寸、动力学和运动学等特性。Simmons等人提出了曲 率速度法(Curvature VelocityMethod-CVM)方法,将避障问题描述 为速度空间带约束的优化问题,考虑了机器人的速度和加速度等物理 限制和障碍物的环境约束。在满足所有约束情况下,建立了包含速度、 安全性和路径三个因素的优化目标函数。
在CVM的基础上,Fox等人提出了更完善的动态窗口法(DWA), 充分考虑了机器人的物理限制、环境约束以及当前速度等因素。DWA 方法根据当前速度和加速度首先建立一个预选速度窗口,再通过目标 函数优化得到下一时刻的最优速度(包括速度和方向)。目标函数综 合考虑了航向角、速率和障碍物距离三个因素,同时考虑了真实机器 人自身物理约束(最大线速度、最大角度)、环境约束,能够直接获 得机器人的期望线速度和角速度,得到的轨迹比较平滑,适合真实移 动机器人的运行,有效解决了围绕障碍物绕行问题。但是,现有的 DWA方法依然存在以下问题:1、对于复杂环境,机器人得到的轨迹 不够平滑,在障碍物较稠密区域,机器人可能不会从稠密区中选择短 路径通过,而是绕开稠密区域从而导致路径过长;2、当DWA目标函 数中的速度权值较大时,通过两个障碍物中间或者狭窄通道时,机器 人太靠近某一障碍物,如果是行人或者运动的物体,容易出现碰撞, 导致安全性和舒适性大幅降低;当速度权值较小时,路径安全合理, 但导致整个行程速度明显偏低,总体运行时间变长。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种基于自 适应动态窗口的移动机器人局部动态路径规划方法。
本发明提供了一种基于自适应动态窗口的移动机器人局部动态 路径规划方法,依次根据移动机器人上设置的传感器获得的当前时刻 t障碍物与移动机器人之间的距离D及方位θ计算得到下一时刻t+1 的最优速度,并让移动机器人按照该最优速度依次移动直到到达目标 点,具有这样的特征,包括:包括以下步骤:
步骤1,根据下式(1)计算动态范围阈值Dscale,
式(1)中,vmax为移动机器人的最高线速度,为移动机器人的 线加速度,l为预设的第一参数;
步骤2,根据当前的全部障碍物的距离D和方位θ判断是否进入 密集障碍物区域;
步骤3,当判断为进入密集障碍物区域时,根据全部障碍物的距 离D计算获得机器人与局部区域内所有障碍物的实际最短距离值 Dmin,并根据下式(2)计算线速度v的动态权值γd,
式(2)中,Dmin为移动机器人离最近障碍物的距离,b为预设的 指数,k为预设的第二参数,权值γd范围为[γmin,γmax],其中γmax为最 短时间通过障碍物密集区域的对应值,γmin为通过狭窄通道且最安全 的对应值;
步骤4,根据下式(3)计算障碍物的间距Intij,并判断能否穿越 密集障碍物区域,
式(3)中,Di为第i个障碍物与移动机器人的距离,Dj为第j 个障碍物与移动机器人的距离,θi为第i个障碍物与移动机器人之间 的方位角,θj为第j个障碍物与移动机器人之间的方位角,当Intij的值大于Dscale时则判断为能穿过,当Intij的值小于Dscale时则判断为不能穿过;
步骤5,当判断为能够穿过密集障碍物区域时,搜索备选速度空 间,得到不发生碰撞时的允许速度(v,ω);
步骤6,对目标函数的三个输入heading、dist和vel分别做归一 化,将动态权值γd以及允许速度(v,ω)代入下式(4)所示的目标 函数中,通过目标函数得到最优速度组合(vt+1,ωt+1)作为t+1时刻 机器人运行的速度,
G(v,ω)=α·heading(v,ω)+β·dist(v,ω)+γd·vel(v,ω) (4)
式(4)中,heading=π-θ,是用来衡量移动机器人对目标的方向 性,当移动机器人运动方向完全指向目标点时即θ=0时,它的值最大; dist表示预轨迹中距离障碍物的最小距离;vel表示圆弧轨迹中t+1时 刻的线速度,α和β为权值参数;
步骤7,执行步骤6中得到的最优速度,然后根据传感器得到的 当前的障碍物与移动机器人之间的距离D及方位θ判断是否到达目标 点,若判断为到达则结束让机器人停止移动,若否则回到步骤1,重 新开始步骤2至步骤7。
在本发明提供的基于自适应动态窗口的移动机器人局部动态路 径规划方法中,还可以具有这样的特征:其中,步骤2包括如下子步 骤:在t时刻,选取移动机器人运行方向的具有一定角度的扇形区域, 作为局部密集障碍物的计算依据,设扇形区域的障碍物个数为M、第i个障碍物与移动机器人的距离为Di和方位角为θi,当M大于阈值 Dscale时,判断移动机器人进入障碍密集区。
在本发明提供的基于自适应动态窗口的移动机器人局部动态路 径规划方法中,还可以具有这样的特征:其中,步骤5包括如下子步 骤:
步骤5-1,形成圆弧轨迹,圆弧轨迹由二维的速度空间(v,ω) 确定,v表示线速度、ω表示角速度;
步骤5-2,根据移动机器人当前速度和加速度,获得在下一个时 刻能够达到的速度并记为当前可达速度,所有可达速度形成一个动态 窗口;
步骤5-3,确定允许速度(v,ω),允许速度(v,ω)包括不可 能碰撞轨迹的速度以及可能碰撞轨迹但移动机器人能够及时制动停 下的速度,组合成全部的允许速度。
在本发明提供的基于自适应动态窗口的移动机器人局部动态路 径规划方法中,还可以具有这样的特征:其中,式(4)中的权值函 数α的取值范围为0≤α≤1。
在本发明提供的基于自适应动态窗口的移动机器人局部动态路 径规划方法中,还可以具有这样的特征:其中,式(4)中的权值函 数β的取值范围为0≤β≤1。
发明的作用与效果
根据本发明所涉及的基于自适应动态窗口的移动机器人局部动 态路径规划方法,因为所采用的改进的算法符合人的思维逻辑,能够 根据不同环境,自适应地调整移动机器人运行中的速度和轨迹,所以 同时保证了高速性和安全性。因为所采用的改进的算法在相同安全性 下,移动机器人从起始点到目标点运行的总体效率得到了明显提升, 所以运行步数和运行时间都减少了,且运行轨迹平滑。因此,本发明 的基于自适应动态窗口的移动机器人局部动态路径规划方法能够适 应环境的动态变化,获得移动机器人的最佳运行时速度,且兼顾合理 性、安全性和最优性。
附图说明
图1是本发明的实施例中的实验仿真环境地图;
图2(a)是本发明的实施例一中的速度空间示意图;
图2(b)是本发明的实施例一中的忽略加速度约束时目标函数的3D 图;
图3(a)是本发明的实施例二中的移动机器人离障碍物较远时目标 函数3D示意图;
图3(b)是本发明的实施例中实施例二中的移动机器人离障碍物较 近时目标函数3D图;
图4(a)是本发明的实施例中实施例三中的移动机器人离障碍物较 远时目标函数3D图;
图4(b)是本发明的实施例中实施例三中的移动机器人离障碍物较 近时目标函数3D图;
图5(a)是本发明的实施例中实施例四中的距离障碍物较远时基于 动态速度权值的目标函数3D图;
图5(b)是本发明的实施例中实施例四中的距离障碍物较远时基于 动态速度权值的目标函数3D图;
图6(a)是本发明的实施例中实施例五中的预设指数为0.5的轨迹 图;
图6(b)是本发明的实施例中实施例五中的预设指数为1的轨迹图;
图6(c)是本发明的实施例中实施例五中的预设指数为1.5的轨迹 图;
图6(d)是本发明的实施例中实施例五中的预设指数为2的轨迹图;
图7(a)是本发明的实施例中实施例六中的固定高权值的运行轨迹 图;
图7(b)是本发明的实施例中实施例六中的固定低权值的运行轨迹 图;
图7(c)是本发明的实施例中实施例六中的动态权值时运行轨迹图;
图7(d)是本发明的实施例中实施例六中的不同权值轨迹对比图;
图8(a)是本发明的实施例中实施例七中的移动机器人沿密集障碍 物区域外部绕行图;
图8(b)是本发明的实施例中实施例七中的移动机器人局部轨迹不 平滑图;
图8(c)是本发明的实施例中实施例七中的基于自适应DWA方法的 轨迹图。
具体实施方式
为了使本发明实现的技术手段与功效易于明白了解,以下结合实 施例及附图对本发明作具体阐述。
一种基于自适应动态窗口法的移动机器人局部动态路径规划方 法,依次根据移动机器人上设置的传感器获得的当前时刻t障碍物与 移动机器人之间的距离D及方位θ计算得到下一时刻t+1的最优速度, 并让移动机器人按照该最优速度依次移动直到到达目标点,包括以下 步骤:
步骤1,根据下式(1)计算动态范围阈值Dscale,
式(1)中,vmax为移动机器人的最高线速度,为移动机器人的 线加速度,l为预设的第一参数。
步骤2,根据当前的全部障碍物的距离D和方位θ判断是否进入 密集障碍物区域。
步骤2包括如下子步骤:
在t时刻,选取移动机器人运行方向的具有一定角度的扇形区域, 作为局部密集障碍物的计算依据,设扇形区域的障碍物个数为M、第 i个障碍物与移动机器人的距离为Di和方位角为θi,
当M大于阈值Dscale时,判断移动机器人进入障碍密集区。
步骤3,当判断为进入密集障碍物区域时,根据全部障碍物的距 离D计算获得机器人与局部区域内所有障碍物的实际最短距离值Dmin,并根据下式(2)计算线速度v的动态权值γd,
式(2)中,Dmin为移动机器人离最近障碍物的距离,b为预设的 指数,k为预设的第二参数,权值γd范围为[γmin,γmax],其中γmax为最 短时间通过障碍物密集区域的对应值,γmin为通过狭窄通道且最安全 的对应值。
步骤4,根据下式(3)计算障碍物的间距Intij,并判断能否穿越 密集障碍物区域,
式(3)中,Di为第i个障碍物与移动机器人的距离,Dj为第j 个障碍物与移动机器人的距离,θi为第i个障碍物与移动机器人之间 的方位角,θj为第j个障碍物与移动机器人之间的方位角,当Intij的 值大于Dscale时则判断为能穿过,当Intij的值小于Dscale时则判断为不 能穿过。
步骤5,当判断为能够穿过密集障碍物区域时,搜索备选速度空 间,得到不发生碰撞时的允许速度(v,ω)。
步骤5包括如下子步骤:
步骤5-1,形成圆弧轨迹,圆弧轨迹由二维的速度空间(v,ω) 确定,v表示线速度、ω表示角速度。
步骤5-2,根据移动机器人当前速度和加速度,获得在下一个时 刻能够达到的速度并记为当前可达速度,所有可达速度形成一个动态 窗口。
步骤5-3,确定允许速度(v,ω),允许速度(v,ω)包括不可 能碰撞轨迹的速度以及可能碰撞轨迹但移动机器人能够及时制动停 下的速度,组合成全部的允许速度。
步骤6,对目标函数的三个输入heading、dist和vel分别做归一 化,将动态权值γd以及允许速度(v,ω)代入下式(4)所示的目标 函数中,通过目标函数得到最优速度组合(vt+1,ωt+1)作为t+1时刻 机器人运行的速度,
G(v,ω)=α·heading(v,ω)+β·dist(v,ω)+γd·vel(v,ω) (4)
式(4)中,heading=π-θ,是用来衡量移动机器人对目标的方向 性,当移动机器人运动方向完全指向目标点时即θ=0时,它的值最大; dist表示预轨迹中距离障碍物的最小距离;vel表示圆弧轨迹中t+1时 刻的线速度,α和β为权值参数。
式(4)中的权值函数α的取值范围为0≤α≤1。
式(4)中的权值函数β的取值范围为0≤β≤1。
步骤7,执行步骤6中得到的最优速度,然后根据传感器得到的 当前的障碍物与移动机器人之间的距离D及方位θ判断是否到达目标 点,若判断为到达则结束让机器人停止移动,若否则回到步骤1,重 新开始步骤2至步骤7。
实施例一:目标函数优化
图2(a)是本发明的实施例一中的速度空间示意图,图2(b) 是本发明的实施例一中的忽略加速度约束时目标函数的3D图。
为得到t+1时刻最优速度,首先对三个输入heading、dist、vel 分别做归一化,然后通过目标函数G(v,ω)中筛选出t+1时刻的最优速 度。
为了保证整个目标函数,假设移动机器人t时刻的加速度能够从 0到任意大,线速度取[0,100]、角速度取[-50,50],我们绘制了 在此种情况下,t时刻的3D目标函数,如图2(b)所示,此时移动 机器人位姿(x,y,θ)t=(4.6833,5.7965,0.6807),速度(v,ω)t=(100,4)。对 比图2(a)的速度空间图,可以看到图2(a)中黑色区域(碰撞速 度)对应图2(b)的目标函数值等于0,表示不可达速度。非黑色区 域的目标函数值大于0,表示可达速度,其值越高,对应的速度组合 就越合理,值最高的点对应的速度即为最优速度,被选为t+1时刻机器人的执行速度。
图2(a)中,Vs表示整个速度空间,其范围是[-50 50;0 100];Vd是一个动态窗口,表示下一时刻即t+1时刻的可达速度,如图中黑色 方框区域;Va表示整个速度空间中去除黑色区域的部分即灰色小点和 白色部分,Vr是所有区域相交得到的灰色区域,表示t+1时刻可行速 度。
实施例二:验证速度项权值γ为低权值时移动机器人距离障碍物 的远近对速度优化的影响
图1是本发明的实施例中的实验仿真环境地图,图3(a)是本 发明的实施例二中的移动机器人离障碍物较远时目标函数3D示意 图;图3(b)是本发明的实施例中实施例二中的移动机器人离障碍 物较近时目标函数3D图。
图3(a)是本发明的实施例二中的移动机器人离障碍物较远时 目标函数3D示意图,图3(b)是本发明的实施例中实施例二中的移 动机器人离障碍物较近时目标函数3D图。
当移动机器人离障碍物较远时如图1中的A1,γ=2,机器人位姿 (x,y,θ)t=(4.6833,5.7965,0.6807),速度(v,ω)t=(100,4),同时考虑移 动机器人加速度约束情况下,DWA算法得到的目标函数如图3(a)所 示。图3(a)中凸起区域是动态窗口区域(在图2(b)中依据当前 速度和加速度截取一个窗口,两幅图函数值大小不同,因为图2(b) 中使用整个速度空间中所有速度做归一化,而图3(a)中只使用速 度窗口中的速度做归一化),表示t+1时刻的可达速度,其中包含备 选速度和碰撞速度,该备选速度的函数值大于0,该碰撞速度的函数 值等于0,当动态窗口不接触x、y轴时,域中心点就是t时刻的机器 人实际速度;非凸起区域是动态窗口之外区域,表示t+1时刻不可达 速度,其函数值小于0。设t时刻的线速度为100,动态速度窗口中 的线速度、角速度范围分别是(96,100)和(-4,12),备选速度中 最大函数值对应的(v,ω)即为最优速度如图3(a)中黑点所示,函数 值为0.7462,对应速度为(96,4),即vt+1<vt,并将其选为t+1时刻的 执行速度。vt+1=96,从图3(a)中可以看出最优的线速度是动态窗口 中最低线速度。由此可得,速度权值γ低且移动机器人离障碍物远时, t+1时刻的最优结果获得了动态速度窗口中的较低线速度。
当t时刻移动机器人离障碍物较近时如图1中的A2,γ=2,并且 机器人位姿(x,y,θ)t=(5.5357,6.5348,0.7505),速度(v,ω)t=(48,2),得 到一个动态窗口目标函数,如图3(b)所示。优化后得到的t+1时 刻最优速度是(44,2),即vt+1<vt。由此可得,当速度权值γ低且移动机 器人离障碍物较近时,t+1时刻的最优线速度是当前窗口中较低线速 度。
实施例三:速度权值γ高时原DWA优化实验
图4(a)是本发明的实施例中实施例三中的移动机器人离障碍 物较远时目标函数3D图,图4(b)是本发明的实施例中实施例三中 的移动机器人离障碍物较近时目标函数3D图。
当t时刻移动机器人离障碍物较远时如图1中的A1,γ=20,移动 机器人位姿(x,y,θ)t=(4.6833,5.7965,0.6807),速度(v,ω)t=(100,4),DWA 得到的目标函数如图4(a)所示。优化后的t+1时刻最优速度是(100,4), 即vt+1=vt,也是移动机器人最高线速度。由此可得,当速度权值γ高且 移动机器人离障碍物较近时,t+1时刻的最优线速度是当前窗口中较 高线速度。
当t时刻移动机器人离障碍物较近时如图1中的A2,γ=20,移动 机器人位姿(x,y,θ)t=(5.5357,6.5348,0.7505),速度(v,ω)t=(48,2),得 到的动态窗口目标函数如图4(b)中所示。优化后得到的t+1时刻最 优速度是(52,2),即vt+1>vt。由此可见,速度权值高且移动机器人离 障碍物较近时,得到t+1时刻最优线速度是当前窗口中较高的线速度。
实施例四:基于速度权值的动态变化的自适应DWA优化实验
图5(a)是本发明的实施例中实施例四中的距离障碍物较远时 基于动态速度权值的目标函数3D图;图5(b)是本发明的实施例中 实施例四中的距离障碍物较远时基于动态速度权值的目标函数3D 图。
当t时刻移动机器人距离障碍物较远时如图1中的A1,γ为动态 权值时,移动机器人位姿(x,y,θ)t=(4.6833,5.7965,0.6807),速度 (v,ω)t=(100,4),同时考虑移动机器人加速度限制的情况下,自适应 动态窗口法得到的目标函数如图5(a)所示。优化后的t+1时刻最优 速度是(100,4),即vt+1=vt,为窗口中最高线速度,也是移动机器人最 高线速度。因此,当采用动态权值γd且移动机器人离障碍物远时,t+1 时刻最优速度的线速度是当前窗口中较高的线速度。
当t时刻移动机器人离障碍物较近时如图1中的A2,γ=γd, γd∈[2 20],机器人位姿(x,y,θ)t=(5.5357,6.5348,0.7505),速度 (v,ω)t=(48,2),得到的动态窗口目标函数如图5(b)所示。优化后 得到的t+1时刻最优速度是(44,2),即vt+1<vt。由此可见,当采用动 态权值γd且移动机器人离障碍物近时,t+1时刻的最优线速度是当前 窗口中较低的线速度。
为更加清晰地显示算法改进前后的对比效果,我们将γ分别为低、 高和动态三种情况的目标函数优化结果列入表1中。
表1不同速度权值对比效果
实施例五:动态权值γd函数参数选择
图6(a)是本发明的实施例中实施例五中的预设指数为0.5的 轨迹图,图6(b)是本发明的实施例中实施例五中的预设指数为1 的轨迹图,图6(c)是本发明的实施例中实施例五中的预设指数为 1.5的轨迹图,图6(c)是本发明的实施例中实施例五中的预设指数 为2的轨迹图。
为了选取目标函数中合适的k与b值,设m=k·(Dmin/Dscale)b, p=Dmin/Dscale,则m=k·pb,上式中b为自变量,m为因变量。令 m1=f(b1),m2=f(b2),当0<b1<b2且p∈(0,1),则m1>m2,m是 关于b的单调递减函数。当移动机器人接近障碍物,速度应较低,因 此速度权值需减小,对应的m值应该较小,则α应该较大,但是当α大 于一定值时,会造成动态权值γd过小,从而导致在接近障碍物时速度 过低,整个运行时间过长,从而影响移动机器人效率,因此a需要在 一个合理的范围内。为简单起见,设k=1,b﹥0,b分别取不同的值 进行对比实验如图6所示。
图6(a)是在k=1、b=0.5得到的轨迹图。从图中可以看出,此 时运行步数少为149步、时间短只有15.1779秒。但是在狭窄通道A 处,机器人过于靠近一侧障碍物,安全性较低。
图6(b)是在k=1、b=1时得到的轨迹图。从图中可以看出,此 时运行步数为155步,较图6(a)增大、时间变长有15.7823秒。 且在狭窄通道A处,移动机器人靠近一侧障碍物,安全性也不是很好, 但是比图6(a)情况好一些。
图6(c)是在k=1、b=1.5时得到的轨迹图。从图中可以看出, 此时运行步数为173步,比图6(b)多、时间变长有17.6023秒。 但是在狭窄通道A处,移动机器人路径较优,安全性高。
图6(d)是在k=1、b=2时得到的轨迹图。从图中可以看出,此 时运行步数为189步,比图6(c)增多、时间变长有19.2523秒。在 狭窄通道A处,移动机器人路径合理,与图6(c)中的A处轨迹几 乎相同,安全性没有进一步提高,说明图6(c)中安全性已经足够 好。因此,当a大于一定程度,安全性已经很好,但是移动机器人运 行步数和时间却大大提高,降低了算法的有效性。
为得到定量的对比,我们设定k=1,1≤b≤1.6,做了7组实验,列 入表2中。
表2不同b时的实验对比(k=1)
b=1 | b=1.1 | b=1.2 | b=1.3 | b=1.4 | b=1.5 | b=1.6 | |
步数 | 155 | 155 | 162 | 165 | 170 | 173 | 176 |
距离(米) | 13.616 | 13.632 | 13.672 | 13.684 | 13.696 | 13.686 | 13.672 |
时间(秒) | 15.7823 | 15.7819 | 16.4867 | 16.7899 | 17.2967 | 17.6023 | 17.9098 |
安全性 | 差 | 不好 | 较好 | 好 | 优秀 | 优秀 | 优秀 |
从表2中可以得出,当b<1.1时,速度性虽然好,但安全性很差; 随着b逐渐变大,速度性下降,但安全性得到提高;当b≥1.5时,安 全性已经不能提高,但速度性却降低,因此b的较合理的取值范围为 [1.3,1.5]。
实施例六:算法改进前后避障效果对比
图7(a)是本发明的实施例中实施例六中的固定高权值的运行 轨迹图,图7(b)是本发明的实施例中实施例六中的固定低权值的 运行轨迹图,图7(c)是本发明的实施例中实施例六中的动态权值 时运行轨迹图,图7(d)是本发明的实施例中实施例六中的不同权值轨迹对比图。
改善基于固定权值的原DWA方法在安全性和速度性不能同时兼 顾的问题。
如图7(a)所示,目标函数速度项的权值γ=20时,移动机器人 运行轨迹图,整个轨迹长度13.592米,运行步数为148步,其中从 t时刻到t+1时刻的优化过程为一步,时间为15.0778秒。在通过狭 窄通道A处移动机器人过于接近障碍物,安全性较低。
如图7(b)所示,目标函数速度权值γ=2时,移动机器人运行 轨迹图,整个轨迹长度13.646米,运行步数为223步,时间为22.5875 秒,步数和时间远高于高权值γ=20时的运行时间。但是在通过狭窄 通道A处移动机器人从障碍物中间通过,安全性较高。
当采用动态的速度权值时,移动机器人运行轨迹如图7(c)所 示,整个轨迹长度13.686米,运行步数为173步,时间为17.6023 秒。和图7(a)对比,保证了较高的速度,同时在狭窄通道A处移 动机器人从障碍物中间通过,路径安全性高。和图7(b)对比,兼 顾了安全性的同时,运行步数、时间都得到降低。图7(d)是三种 不同权值的运行轨迹图,其中γ=2时与γ=γd时机器人路径几乎重合, 路径合理。将以上实验结果汇总到表3:
表3算法改进前后数据对比
实施例七:算法改进前后的轨迹对比
图8(a)是本发明的实施例中实施例七中的移动机器人沿密集 障碍物区域外部绕行图,图8(b)是本发明的实施例中实施例七中 的移动机器人局部轨迹不平滑图,图8(c)是本发明的实施例中实 施例七中的基于自适应DWA方法的轨迹图。
如图图8(a)、图8(b)和图8(c)所示,对比图8(c)和图 8(a)、图8(b)可以看出,算法改进后,相同环境下,移动机器人 可以实现从密集障碍物区域之间穿行,且轨迹非常平滑。不再出现图 8(a)和图8(b)中移动机器人路径不平滑、环绕障碍物***运行 的现象。与图8(b)对比,运行步数从224减少到176步,运行时 间从22.7448秒减少到17.9053秒。
实施例的作用与效果
根据实施例一的图2(a)和图2(b)可以得知,非黑色区域的 目标函数值大于0,表示可达速度,其值越高,对应的速度组合就越 合理,值最高的点对应的速度即为最优速度,被选为t+1时刻机器人 的执行速度。
根据实施例二的图3(a)和图3(b)可以看出,当目标函数中 速度项的权值γ较低时,不管移动机器人距离障碍物多远,t+1时刻最 优速度的线速度是备选速度中较低的线速度。
根据实施例三的图4(a)和图4(b)可以看出,当目标函数中 速度项的权值γ较高时,不管移动机器人距离障碍物多远,t+1时刻最 优线速度是备选速度中较高的线速度。
根据实施例四的图5(a)和图5(b)可以看出,当速度权值为 动态权值时,移动机器人离障碍物远时,得到t+1时刻最优线速度是 备选速度中较高的线速度;而离障碍物近时,t+1时刻最优线速度是 备选速度中较低的线速度。
且从表1中可以清楚地看出:算法修改后,离障碍物较远时移动 机器人选择窗口中的较高速,以提高速度性;离障碍物较近选择窗口 中的较低速,以保证安全性。完全符合人的思维逻辑,根据不同环境, 自适应地调整移动机器人运行中的速度和轨迹,同时保证了高速性和 安全性。
根据实施例五的表2中可以得出,当b<1.1时,速度性虽然好, 但安全性很差;随着a逐渐变大,速度性下降,但安全性得到提高; 当b≥1.5时,安全性已经不能提高,但速度性却降低,因此b的较 合理的取值范围为[1.3,1.5]。
根据实施例六的表3中可以看出,算法改进后,在相同安全性下, 移动机器人从起始点到目标点运行的总体效率得到了明显提升,迭代 次数降低了22.42%,总运行时间下降22.07%。
根据实施例七的图8(a)、图8(b)和图8(c)中可以看出, 算法改进后运行步数和运行时间都减少了,且运行轨迹平滑。
实施例一至七所涉及的基于自适应动态窗口的移动机器人局部 动态路径规划方法,因为所采用的改进的算法符合人的思维逻辑,能 够根据不同环境,自适应地调整移动机器人运行中的速度和轨迹,所 以同时保证了高速性和安全性。因为所采用的改进的算法在相同安全 性下,移动机器人从起始点到目标点运行的总体效率得到了明显提 升,所以运行步数和运行时间都减少了,且运行轨迹平滑。因此,本 实施例的基于自适应动态窗口的移动机器人局部动态路径规划方法 能够适应环境的动态变化,获得移动机器人的最佳运行时速度,且兼 顾合理性、安全性和最优性。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护 范围。
Claims (5)
1.一种基于自适应动态窗口的移动机器人局部动态路径规划方法,依次根据移动机器人上设置的传感器获得的当前时刻t障碍物与所述移动机器人之间的距离D及方位θ计算得到下一时刻t+1的最优速度,并让所述移动机器人按照该最优速度依次移动直到到达目标点,其特征在于,包括以下步骤:
步骤1,根据下式(1)计算动态范围阈值Dscale,
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>s</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>l</mi>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>max</mi>
</msub>
<mo>/</mo>
<mover>
<mi>v</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中,vmax为移动机器人的最高线速度,为移动机器人的线加速度,l为预设的第一参数;
步骤2,根据当前的全部障碍物的所述距离D和所述方位θ判断是否进入密集障碍物区域;
步骤3,当判断为进入所述密集障碍物区域时,根据所述全部障碍物的所述距离D计算获得所述机器人与局部区域内所有障碍物的实际最短距离值Dmin,并根据下式(2)计算线速度v的动态权值γd,
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&gamma;</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&gamma;</mi>
<mi>min</mi>
</msub>
<mo>+</mo>
<mi>k</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&gamma;</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&gamma;</mi>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>D</mi>
<mi>min</mi>
</msub>
<msub>
<mi>D</mi>
<mrow>
<mi>s</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mi>b</mi>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mi>min</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>s</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&gamma;</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&gamma;</mi>
<mi>min</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mi>min</mi>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>s</mi>
<mi>c</mi>
<mi>a</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式(2)中,Dmin为移动机器人离最近障碍物的距离,b为预设的指数,k为预设的第二参数,权值γd范围为[γmin,γmax],其中γmax为最短时间通过障碍物密集区域的对应值,γmin为通过狭窄通道且最安全的对应值;
步骤4,根据下式(3)计算所述障碍物的间距Intij,并判断能否穿越密集障碍物区域,
其中Di≤Dj (3)
式(3)中,Di为第i个障碍物与所述移动机器人的距离,Dj为第j个障碍物与所述移动机器人的距离,θi为第i个障碍物与所述移动机器人之间的方位角,θj为第j个障碍物与所述移动机器人之间的方位角,当Intij的值大于Dscale时则判断为能穿过,当Intij的值小于Dscale时则判断为不能穿过;
步骤5,当判断为能够穿过所述密集障碍物区域时,搜索备选速度空间,得到不发生碰撞时的允许速度(v,ω);
步骤6,对所述目标函数的三个输入heading、dist和vel分别做归一化,将所述动态权值γd以及所述允许速度(v,ω)代入下式(4)所示的目标函数中,通过所述目标函数得到最优速度组合(vt+1,ωt+1)作为t+1时刻机器人运行的速度,
G(v,ω)=α·heading(v,ω)+β·dist(v,ω)+γd·vel(v,ω) (4)
式(4)中,heading=π-θ,是用来衡量移动机器人对目标的方向性,当移动机器人运动方向完全指向目标点时即θ=0时,它的值最大;dist表示预轨迹中距离障碍物的最小距离;vel表示圆弧轨迹中t+1时刻的线速度,α和β为权值参数;
步骤7,执行所述步骤6中得到的所述最优速度,然后根据所述传感器得到的当前的障碍物与所述移动机器人之间的距离D及方位θ判断是否到达所述目标点,若判断为到达则结束让所述机器人停止移动,若否则回到所述步骤1,重新开始所述步骤2至所述步骤7。
2.根据权利要求1所述的基于自适应动态窗口的移动机器人局部动态路径规划方法,其特征在于:
其中,所述步骤2包括如下子步骤:
在t时刻,选取所述移动机器人运行方向的具有一定角度的扇形区域,作为局部密集障碍物的计算依据,设所述扇形区域的障碍物个数为M、第i个障碍物与所述移动机器人的距离为Di和方位角为θi,
当M大于所述阈值Dscale时,判断所述移动机器人进入障碍密集区。
3.根据权利要求1所述的基于自适应动态窗口的移动机器人局部动态路径规划方法,其特征在于:
其中,所述步骤5包括如下子步骤:
步骤5-1,形成圆弧轨迹,所述圆弧轨迹由二维的速度空间(v,ω)确定,v表示线速度、ω表示角速度;
步骤5-2,根据所述移动机器人当前速度和加速度,获得在下一个时刻能够达到的速度并记为当前可达速度,所有可达速度形成一个动态窗口;
步骤5-3,确定所述允许速度(v,ω),所述允许速度(v,ω)包括不可能碰撞轨迹的速度以及可能碰撞轨迹但所述移动机器人能够及时制动停下的速度,组合成全部的允许速度。
4.根据权利要求1所述的基于自适应动态窗口的移动机器人局部动态路径规划方法,其特征在于:
其中,所述式(4)中的所述权值函数α的取值范围为0≤α≤1。
5.根据权利要求1所述的基于自适应动态窗口的移动机器人局部动态路径规划方法,其特征在于:
其中,所述式(4)中的所述权值函数β的取值范围为0≤β≤1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711119755.3A CN107703948B (zh) | 2017-11-14 | 2017-11-14 | 基于自适应动态窗口的移动机器人局部动态路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711119755.3A CN107703948B (zh) | 2017-11-14 | 2017-11-14 | 基于自适应动态窗口的移动机器人局部动态路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107703948A true CN107703948A (zh) | 2018-02-16 |
CN107703948B CN107703948B (zh) | 2020-09-29 |
Family
ID=61179382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711119755.3A Active CN107703948B (zh) | 2017-11-14 | 2017-11-14 | 基于自适应动态窗口的移动机器人局部动态路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107703948B (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108628318A (zh) * | 2018-06-28 | 2018-10-09 | 广州视源电子科技股份有限公司 | 拥堵环境检测方法、装置、机器人及存储介质 |
CN108780320A (zh) * | 2018-06-15 | 2018-11-09 | 深圳前海达闼云端智能科技有限公司 | 机器人运动控制方法、装置、存储介质及机器人 |
CN108873907A (zh) * | 2018-07-11 | 2018-11-23 | 山东大学 | 基于向量场的多非完整型机器人巡逻护航任务的协同控制方法 |
CN108873915A (zh) * | 2018-10-12 | 2018-11-23 | 湖南万为智能机器人技术有限公司 | 动态避障方法及其全向安防机器人 |
CN108958282A (zh) * | 2018-06-21 | 2018-12-07 | 浙江大学 | 基于动态球形窗口的三维空间路径规划方法 |
CN109062227A (zh) * | 2018-09-25 | 2018-12-21 | 电子科技大学 | 一种基于动态窗口的多曲线局部路径规划方法 |
CN110045737A (zh) * | 2019-04-28 | 2019-07-23 | 南京邮电大学 | 基于动态窗口法的仿人足球机器人的路径规划 |
CN110162063A (zh) * | 2019-06-12 | 2019-08-23 | 北京洛必德科技有限公司 | 一种用于机器人自动充电的路径规划方法和装置 |
CN110275549A (zh) * | 2019-06-11 | 2019-09-24 | 深圳大学 | 一种多智能体自主式跟踪方法、装置及计算机可存储介质 |
CN110852244A (zh) * | 2019-11-06 | 2020-02-28 | 深圳创维数字技术有限公司 | 车辆控制方法、装置及计算机可读存储介质 |
CN110906934A (zh) * | 2019-11-29 | 2020-03-24 | 华中科技大学 | 一种基于碰撞危险系数的无人艇避障方法和*** |
CN111338384A (zh) * | 2019-12-17 | 2020-06-26 | 北京化工大学 | 一种仿蛇机器人自适应路径跟踪方法 |
CN111352416A (zh) * | 2019-12-29 | 2020-06-30 | 的卢技术有限公司 | 一种基于运动模型的动态窗口局部轨迹规划方法及*** |
CN111665847A (zh) * | 2020-06-24 | 2020-09-15 | 上海应用技术大学 | 一种基于模糊逻辑的动态窗口避障算法 |
CN111813100A (zh) * | 2019-07-04 | 2020-10-23 | 中国科学技术大学 | 一种局部路径规划算法及装置 |
CN112148002A (zh) * | 2020-08-31 | 2020-12-29 | 西安交通大学 | 一种局部轨迹规划方法、***及装置 |
CN112462786A (zh) * | 2020-12-03 | 2021-03-09 | 大连海事大学 | 一种基于模糊控制策略双窗口算法的无人艇避碰方法 |
CN112506199A (zh) * | 2020-12-12 | 2021-03-16 | 江西洪都航空工业集团有限责任公司 | 一种基于动态窗口法且适用于阿克曼模型机器人的局部路径规划方法 |
CN112596513A (zh) * | 2020-10-30 | 2021-04-02 | 芜湖哈特机器人产业技术研究院有限公司 | Agv导航***及agv小车 |
CN112711255A (zh) * | 2020-12-24 | 2021-04-27 | 南方科技大学 | 移动机器人避障方法、控制设备及存储介质 |
CN113050646A (zh) * | 2021-03-22 | 2021-06-29 | 西安工业大学 | 一种用于室内移动机器人动态环境路径规划方法 |
CN113050648A (zh) * | 2021-03-24 | 2021-06-29 | 珠海市一微半导体有限公司 | 一种机器人避障方法和*** |
CN113916234A (zh) * | 2021-10-25 | 2022-01-11 | 中国人民解放军海军大连舰艇学院 | 一种复杂动态条件下的船舶避碰航线自动规划方法 |
WO2022017295A1 (zh) * | 2020-07-20 | 2022-01-27 | 炬星科技(深圳)有限公司 | 一种避障规划方法、***及设备 |
CN114115293A (zh) * | 2021-12-21 | 2022-03-01 | 上海擎朗智能科技有限公司 | 机器人避障方法、装置、设备及存储介质 |
CN114415670A (zh) * | 2021-12-28 | 2022-04-29 | 广州赛特智能科技有限公司 | 一种局部路径规划方法、装置、机器人及存储介质 |
CN114454162A (zh) * | 2022-01-10 | 2022-05-10 | 广东技术师范大学 | 一种移动机器人复杂路口防碰撞方法及*** |
CN114639088A (zh) * | 2022-03-23 | 2022-06-17 | 姜妹英 | 大数据自动导航方法 |
Citations (9)
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 |
CN103455034A (zh) * | 2013-09-16 | 2013-12-18 | 苏州大学张家港工业技术研究院 | 一种基于最近距离向量场直方图的避障路径规划方法 |
US20140148989A1 (en) * | 2011-07-15 | 2014-05-29 | Hitachi, Ltd. | Autonomous Moving Device and Control Method Thereof |
KR20150104484A (ko) * | 2014-03-05 | 2015-09-15 | 국방과학연구소 | 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치 |
CN105223956A (zh) * | 2015-11-09 | 2016-01-06 | 中山大学 | 一种全向移动机器人的动态避障方法 |
CN106708059A (zh) * | 2017-01-24 | 2017-05-24 | 厦门万久科技股份有限公司 | 一种基于通道选择的移动机器人实时运动规划方法 |
CN106843230A (zh) * | 2017-03-24 | 2017-06-13 | 上海思岚科技有限公司 | 应用于移动设备的虚拟墙***及其实现方法 |
CN107272680A (zh) * | 2017-06-16 | 2017-10-20 | 华南理工大学 | 一种基于ros机器人操作***的机器人自动跟随方法 |
-
2017
- 2017-11-14 CN CN201711119755.3A patent/CN107703948B/zh active Active
Patent Citations (9)
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 |
US20140148989A1 (en) * | 2011-07-15 | 2014-05-29 | Hitachi, Ltd. | Autonomous Moving Device and Control Method Thereof |
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 |
CN103455034A (zh) * | 2013-09-16 | 2013-12-18 | 苏州大学张家港工业技术研究院 | 一种基于最近距离向量场直方图的避障路径规划方法 |
KR20150104484A (ko) * | 2014-03-05 | 2015-09-15 | 국방과학연구소 | 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치 |
CN105223956A (zh) * | 2015-11-09 | 2016-01-06 | 中山大学 | 一种全向移动机器人的动态避障方法 |
CN106708059A (zh) * | 2017-01-24 | 2017-05-24 | 厦门万久科技股份有限公司 | 一种基于通道选择的移动机器人实时运动规划方法 |
CN106843230A (zh) * | 2017-03-24 | 2017-06-13 | 上海思岚科技有限公司 | 应用于移动设备的虚拟墙***及其实现方法 |
CN107272680A (zh) * | 2017-06-16 | 2017-10-20 | 华南理工大学 | 一种基于ros机器人操作***的机器人自动跟随方法 |
Non-Patent Citations (4)
Title |
---|
LIU HAI-FENG.ETC: "《Delay-Dependent Exponential Stability of Stochastic Delayed Recurrent Neural Networks with Markovian Switching》", 《JOURNAL OF DONGHUAUNIVERSITY》 * |
WANG YONGXIONG.ETC: "《Movability of the tracked pipeline-robot based on hierarchical fuzzy control》", 《HIGH TECHNOLOGY LETIERS》 * |
庄严等: "《基于障碍预估与概率方向权值的移动机器人动态路径规划》", 《控制理论与应用》 * |
王飞等: "《基于分块的核窗宽调整mean-shift 跟踪算法》", 《光电工程》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108780320A (zh) * | 2018-06-15 | 2018-11-09 | 深圳前海达闼云端智能科技有限公司 | 机器人运动控制方法、装置、存储介质及机器人 |
CN108958282A (zh) * | 2018-06-21 | 2018-12-07 | 浙江大学 | 基于动态球形窗口的三维空间路径规划方法 |
CN108628318A (zh) * | 2018-06-28 | 2018-10-09 | 广州视源电子科技股份有限公司 | 拥堵环境检测方法、装置、机器人及存储介质 |
CN108628318B (zh) * | 2018-06-28 | 2021-10-22 | 广州视源电子科技股份有限公司 | 拥堵环境检测方法、装置、机器人及存储介质 |
CN108873907A (zh) * | 2018-07-11 | 2018-11-23 | 山东大学 | 基于向量场的多非完整型机器人巡逻护航任务的协同控制方法 |
CN109062227A (zh) * | 2018-09-25 | 2018-12-21 | 电子科技大学 | 一种基于动态窗口的多曲线局部路径规划方法 |
CN108873915B (zh) * | 2018-10-12 | 2021-08-20 | 长沙万为机器人有限公司 | 动态避障方法及其全向安防机器人 |
CN108873915A (zh) * | 2018-10-12 | 2018-11-23 | 湖南万为智能机器人技术有限公司 | 动态避障方法及其全向安防机器人 |
CN110045737A (zh) * | 2019-04-28 | 2019-07-23 | 南京邮电大学 | 基于动态窗口法的仿人足球机器人的路径规划 |
CN110275549A (zh) * | 2019-06-11 | 2019-09-24 | 深圳大学 | 一种多智能体自主式跟踪方法、装置及计算机可存储介质 |
CN110275549B (zh) * | 2019-06-11 | 2022-03-11 | 深圳大学 | 一种多智能体自主式跟踪方法、装置及计算机可存储介质 |
CN110162063A (zh) * | 2019-06-12 | 2019-08-23 | 北京洛必德科技有限公司 | 一种用于机器人自动充电的路径规划方法和装置 |
CN111813100A (zh) * | 2019-07-04 | 2020-10-23 | 中国科学技术大学 | 一种局部路径规划算法及装置 |
CN110852244A (zh) * | 2019-11-06 | 2020-02-28 | 深圳创维数字技术有限公司 | 车辆控制方法、装置及计算机可读存储介质 |
CN110906934A (zh) * | 2019-11-29 | 2020-03-24 | 华中科技大学 | 一种基于碰撞危险系数的无人艇避障方法和*** |
CN111338384A (zh) * | 2019-12-17 | 2020-06-26 | 北京化工大学 | 一种仿蛇机器人自适应路径跟踪方法 |
CN111352416A (zh) * | 2019-12-29 | 2020-06-30 | 的卢技术有限公司 | 一种基于运动模型的动态窗口局部轨迹规划方法及*** |
CN111665847A (zh) * | 2020-06-24 | 2020-09-15 | 上海应用技术大学 | 一种基于模糊逻辑的动态窗口避障算法 |
WO2022017295A1 (zh) * | 2020-07-20 | 2022-01-27 | 炬星科技(深圳)有限公司 | 一种避障规划方法、***及设备 |
CN112148002A (zh) * | 2020-08-31 | 2020-12-29 | 西安交通大学 | 一种局部轨迹规划方法、***及装置 |
CN112148002B (zh) * | 2020-08-31 | 2021-12-28 | 西安交通大学 | 一种局部轨迹规划方法、***及装置 |
CN112596513A (zh) * | 2020-10-30 | 2021-04-02 | 芜湖哈特机器人产业技术研究院有限公司 | Agv导航***及agv小车 |
CN112462786B (zh) * | 2020-12-03 | 2024-01-19 | 大连海事大学 | 一种基于模糊控制策略双窗口算法的无人艇避碰方法 |
CN112462786A (zh) * | 2020-12-03 | 2021-03-09 | 大连海事大学 | 一种基于模糊控制策略双窗口算法的无人艇避碰方法 |
CN112506199A (zh) * | 2020-12-12 | 2021-03-16 | 江西洪都航空工业集团有限责任公司 | 一种基于动态窗口法且适用于阿克曼模型机器人的局部路径规划方法 |
CN112506199B (zh) * | 2020-12-12 | 2022-12-02 | 江西洪都航空工业集团有限责任公司 | 一种基于动态窗口法且适用于阿克曼模型机器人的局部路径规划方法 |
CN112711255A (zh) * | 2020-12-24 | 2021-04-27 | 南方科技大学 | 移动机器人避障方法、控制设备及存储介质 |
CN112711255B (zh) * | 2020-12-24 | 2024-01-19 | 南方科技大学 | 移动机器人避障方法、控制设备及存储介质 |
CN113050646B (zh) * | 2021-03-22 | 2022-09-23 | 西安工业大学 | 一种用于室内移动机器人动态环境路径规划方法 |
CN113050646A (zh) * | 2021-03-22 | 2021-06-29 | 西安工业大学 | 一种用于室内移动机器人动态环境路径规划方法 |
CN113050648A (zh) * | 2021-03-24 | 2021-06-29 | 珠海市一微半导体有限公司 | 一种机器人避障方法和*** |
CN113916234A (zh) * | 2021-10-25 | 2022-01-11 | 中国人民解放军海军大连舰艇学院 | 一种复杂动态条件下的船舶避碰航线自动规划方法 |
CN113916234B (zh) * | 2021-10-25 | 2024-04-02 | 中国人民解放军海军大连舰艇学院 | 一种复杂动态条件下的船舶避碰航线自动规划方法 |
CN114115293A (zh) * | 2021-12-21 | 2022-03-01 | 上海擎朗智能科技有限公司 | 机器人避障方法、装置、设备及存储介质 |
CN114415670B (zh) * | 2021-12-28 | 2024-04-16 | 广州赛特智能科技有限公司 | 一种局部路径规划方法、装置、机器人及存储介质 |
CN114415670A (zh) * | 2021-12-28 | 2022-04-29 | 广州赛特智能科技有限公司 | 一种局部路径规划方法、装置、机器人及存储介质 |
CN114454162A (zh) * | 2022-01-10 | 2022-05-10 | 广东技术师范大学 | 一种移动机器人复杂路口防碰撞方法及*** |
CN114454162B (zh) * | 2022-01-10 | 2023-05-26 | 广东技术师范大学 | 一种移动机器人复杂路口防碰撞方法及*** |
CN114639088A (zh) * | 2022-03-23 | 2022-06-17 | 姜妹英 | 大数据自动导航方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107703948B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107703948B (zh) | 基于自适应动态窗口的移动机器人局部动态路径规划方法 | |
CN109885066B (zh) | 一种运动轨迹预测方法及装置 | |
US11390300B2 (en) | Method for using lateral motion to optimize trajectories for autonomous vehicles | |
KR102463720B1 (ko) | 차량의 경로 생성 시스템 및 방법 | |
US20230098550A1 (en) | Vehicle system for recognizing objects | |
CN106548660B (zh) | 确定车辆的理论轨迹 | |
CN113050646B (zh) | 一种用于室内移动机器人动态环境路径规划方法 | |
EP4089369A1 (en) | Path selection method and path selection device | |
KR20190039457A (ko) | 자동차의 블라인드 스팟 모니터링 방법 및 이를 이용한 블라인드 스팟 모니터 | |
CN112334368A (zh) | 车辆控制***及控制车辆运动的控制方法 | |
WO2015155833A1 (ja) | 衝突防止装置 | |
CN106873599A (zh) | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 | |
US20190344797A1 (en) | Method and system for customizing a driving behavior of an autonomous vehicle | |
CN112506199B (zh) | 一种基于动态窗口法且适用于阿克曼模型机器人的局部路径规划方法 | |
CN110703804A (zh) | 一种固定翼无人机集群的分层防撞控制方法 | |
US20240043034A1 (en) | Method and system for conditional operation of an autonomous agent | |
WO2016104265A1 (ja) | 移動体 | |
US12012123B2 (en) | Method and system for impact-based operation of an autonomous agent | |
JP2011054082A (ja) | 自律移動装置 | |
US20220165010A1 (en) | Systems and methods for monocular based object detection | |
WO2022151666A1 (en) | Systems, methods, and media for evaluation of trajectories and selection of a trajectory for a vehicle | |
CN113110521A (zh) | 移动机器人路径规划控制方法及其控制装置、存储介质 | |
US11400593B2 (en) | Method of avoiding collision, robot and server implementing thereof | |
CN113701780A (zh) | 基于a星算法的实时避障规划方法 | |
Liu et al. | PNNUAD: Perception neural networks uncertainty aware decision-making for autonomous vehicle |
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 |