CN108762264B - 基于人工势场与滚动窗口的机器人的动态避障方法 - Google Patents

基于人工势场与滚动窗口的机器人的动态避障方法 Download PDF

Info

Publication number
CN108762264B
CN108762264B CN201810496257.9A CN201810496257A CN108762264B CN 108762264 B CN108762264 B CN 108762264B CN 201810496257 A CN201810496257 A CN 201810496257A CN 108762264 B CN108762264 B CN 108762264B
Authority
CN
China
Prior art keywords
obstacle
robot
current
dynamic
distance
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
CN201810496257.9A
Other languages
English (en)
Other versions
CN108762264A (zh
Inventor
魏新
周详宇
张毅
王斌
方继康
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201810496257.9A priority Critical patent/CN108762264B/zh
Publication of CN108762264A publication Critical patent/CN108762264A/zh
Application granted granted Critical
Publication of CN108762264B publication Critical patent/CN108762264B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • 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)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Electromagnetism (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种基于人工势场与滚动窗口的机器人的动态避障方法，机器人路径规划技术领域，该方法包含如下步骤S1：设置机器人运动时与障碍物的绝对安全距离D以及目的地的位置坐标信息X(x，y)；S2：通过机器人的历史里程计数据与当前环境信息E0i来判定当前机器人在全局坐标系中的位姿
Figure DDA0001669252430000011
S3：利用A星寻路算法初步规划出当前视窗下的一条最优路线Sfirst并且开始执行；S4：利用滚动窗口法，时刻扫描并更新当前窗口下的实时环境信息E1i，计算出Δt时间窗口内的环境中是否有障碍物的存在；S5：判断障碍物的距离是否在设置的绝对安全距离以内；S6：判断是否已经到达目的地坐标位置X(x，y)，若到达则结束导航。本发明方法有效地提升了动态中全局路径规划最优性。

Description

基于人工势场与滚动窗口的机器人的动态避障方法
技术领域
本发明属于机器人路径规划技术领域，涉及一种基于人工势场与滚动窗口的机器人的动态避障方法。
背景技术
路径规划是自主移动机器人的关键要素之一，希望移动机器人能够尽量快速准确地到达目的地，同时也需要机器人能够安全有效的躲避环境中的障碍物。在已知的静态环境中安全有效的躲避障碍物并准确地到达目的地已经有较多较好的解决方案。但是在环境中存在的障碍物是运动的，并且障碍物的位置与速度时刻都在发生变化时，这就对机器人的导航过程的避障算法的实时性和准确性都比静态环境中的要求更高，如果继续使用静态环境中的算法来进行动态环境的导航与避障，那么极大可能会使得避障失败导致最终导航失败。
针对移动机器人的动态避障的研究主要是要对障碍物进行有效的检测和碰撞躲避控制算法设计，使机器人能够准确快速的完成导航任务。对于对障碍物的检测，需要利用机器人自身所带的测量传感器，对障碍物进行距离与位置的测量以及运动状态的判断。目前对于这类传感器的使用一般有超声波传感器、红外传感器、激光传感器、视觉传感器等。
在动态避障算法的研究上，比较常用的方法有人工势场法、VFH类算法、神经网络、遗传算法、模糊逻辑法以及滚动窗口法等。
人工势场法是一种虚拟力场法，及障碍物产生一个对机器人的斥力使机器人与障碍物保持安全距离，目标点产生一个对机器人的引力，使得机器人驶向目标点，引力和斥力的合力决定着机器人的运动方向及速度，该方法计算量小实时性好，但容易出现局部极小值点。
滚动窗口法是一种利用传感器时刻检测机器人视窗范围内的环境信息来进行对障碍物的躲避和导航的，滚动窗口动态路径规划是一种实时在线的路径规划方法，其不进行离线的路径规划，只通过每一步长的窗口子目标点来确定其前进方向；而子目标点只是通过避让窗口内静态、动态障碍物，并到目标点最短距离来确定的，该方法未考虑到全局的优化目标。若将该方法应用在复杂的广阔环境中，得到的全局优化结果会很不理想。
发明内容
有鉴于此，本发明在动态障碍物的状态检测上利用激光传感器来实时扫描移动机器人导航中环境信息，首先存入一个静态全局信息，再在动态避障控制算法上对人工势场法与滚动窗口法相结合控制方法，提供一种基于人工势场与滚动窗口的机器人的动态避障方法。
为达到上述目的，本发明提供如下技术方案：
基于人工势场与滚动窗口的机器人的动态避障方法，该方法包含如下步骤
S1：设置机器人运动时与障碍物的绝对安全距离D以及目的地的位置坐标信息X(x，y)；
S2：通过机器人的历史里程计数据与当前环境信息E0i来判定当前机器人在全局坐标系中的位姿
Figure BDA0001669252410000021
S3：根据当前机器人位姿、当前的环境特征信息、目的地坐标以及全局坐标信息利用A星寻路算法得到一条静态初始最优路径路线Sfirst，并且开始执行；
S4：利用滚动窗口法，时刻扫描并更新当前窗口下的实时环境信息E1i，实时计算出Δt时间窗口内的环境中是否有障碍物的存在，并判定是否有障碍物：
如果没有障碍物存在，则继续执行Sfirst，更新并保存当前环境信息数据E0i＝E1i(i1，2，3...，n)，其中n为正整数，并执行S6；
如果有障碍物存在，则执行S5；
S5：判断障碍物的距离是否在设置的绝对安全距离以内，如果不在则执行S6；
如果在绝对安全距离以内，则处理后进行路径重新规划更新Sfirst，然后执行S2；
S6：判断是否已经到达目的地坐标位置X(x，y)，如果到达则结束本次导航，如果没有到达，则返回S2继续执行。
进一步，步骤S2具体为，通过机器人的历史里程计数据结合当前环境信息E0i与地图环境模型进行匹配，定位当前机器人在全局坐标系中的位姿
Figure BDA0001669252410000022
根据Eti与
Figure BDA0001669252410000023
判断t时刻环境中的障碍物的全局坐标为Ooti(Xti，Xti)，满足：
Figure BDA0001669252410000024
其中，(xt，yt)为t时刻机器人的全局坐标，d0i为第i个障碍物到机器的距离，θt为机器人t时刻位姿角度，k是障碍物和机器人位姿指向之间的夹角。
进一步，步骤S5具体为：
S51：根据障碍物坐标Oo0i(X0i，Y0i)与Oo1i(X1i，Y1i)对当前环境中的障碍物进行分类，满足：
Figure BDA0001669252410000025
其中，Zso0i表示静态障碍物，Zdo0i表示动态障碍物，l+m≤n，ΔS表示障碍物在t时间内所变化的距离，ΔS＝S1i-S0i，
Figure BDA0001669252410000026
表示障碍物t时刻的位置，S0i表示障碍物初始时刻位置；
S52：根据障碍物类型进行判定，若为静态障碍物，则将静态障碍物与机器人之间的距离dso与绝对安全距离D进行比较，Δd＝dso-D，若Δd＞0，则继续按照规划的路线Sfirst前进，若Δd＜0，则重新规划Snew，避开静态障碍物，更新Sfirst＝Snew；
若为动态障碍物，则根据当前动态障碍物的运动状态v1与Sfirst判断该动态障碍物是否对机器人当前的路线存在危险，若不存在危险，则继续按照规划的路线Sfirst前进，若存在危险，则根据影响情况重新规划Snew，避开动态障碍物，更新Sfirst＝Snew。
进一步，步骤S52中根据当前动态障碍物的运动状态v1与Sfirst判断该动态障碍物是否对机器人当前的路线存在危险具体为：
设动态障碍物的运动轨迹参数方程为：
Figure BDA0001669252410000031
当前导航路线Sfirst下机器人的运动轨迹参数方程为：
Figure BDA0001669252410000032
联立方程fo(t)与方程fr(t)进行求解，并判定：
若方程组有解则表明两个方程有交点(xi,yi,ti)(i＝0,1,…)，即在t＝ti(i＝0,1,…)两个方程在点(xi,yi)(i＝0,1,…)相交，机器人将会与动态障碍物发生碰撞，则当前路线存在危险，需要重新规划；
若方程组无解则表明两个方程没有交点，即当前路线不存在危险，不会与动态障碍物发生碰撞。
进一步，若当前路线存在危险，需要重新规划，避开障碍物重新规划的具体方法满足：当把可能的危险交点(xi,yi)(i＝0,1,…)代入到原来的静态地图中以后，得到一个新的静态地图，然后利用人工势场法，先得到局部最优方向，然后沿着这方向使用A星寻路算法得到新的路径规划Snew，更新Sfirst＝Snew。
本发明的有益效果在于：
本发明提供了一种基于激光传感器的人工势场与动态窗口相结合的移动机器人动态避障方法，加入了全局静态信息，从而弥补了局部动态避障导航中缺少全局信息而导致的局部最优而全局性较差的缺点，局部与全局相结合，有效地提升了动态中全局路径规划最优性。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明流程图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
如图1所示，在进行步骤S1前，我们需要将环境的静态地图特征信息进行构建并存储到移动机器人内部。
S1：进行参数输入，即移动机器人与障碍物之间的绝对安全距离D和导航的目标点在构建的地图中的坐标信息X(x，y)。
S2：根据机器人的里程计的历史数据即∞→0时刻的里程计数据，然后再结合激光传感器此时扫描的环境特征信息E0i(i＝1,2,…，n)与地图环境模型进行匹配，定位出机器人当前的位姿
Figure BDA0001669252410000041
由Eti(i＝1,2,…，n)与
Figure BDA0001669252410000042
可以判断t时刻环境中的障碍物的全局坐标为Ooti(Xti,Yti)：
Figure BDA0001669252410000043
式中，(xt,yt)是t时刻机器人的全局坐标，doi是第i个障碍物到机器的距离，θt是机器人t时刻位姿角度，k是障碍物和机器人位姿指向之间的夹角。
于是可以由E0i(i＝1,2,…，n)与
Figure BDA0001669252410000044
计算出t＝0时刻环境中的障碍物的全局坐标为Oo0i(X0i,Y0i)(i＝1,2,…，n)。
S3：根据当前机器人位姿
Figure BDA0001669252410000045
当前的环境特征信息E0i(i＝1,2,…，n)、目的地坐标X以及全局地图信息初步规划出当前视窗下的一条最优路线Sfirst(假设不存在动态障碍物)，并且开始执行Sfirst。
S4，激光扫描得到的当前的窗口中的环境数据信息E1i(i＝1,2,…，n)，判断Δt时间窗口内是否存在障碍物：如果没有障碍物则更新当前视窗下的最优路径Sfirst，同时更新并保存当前的环境信息数据，即令E0i＝E1i(i＝1,2,…，n)，然后跳到步骤S6继续执行；如果有障碍物则执行步骤S5。
S5，根据障碍物z1i(i＝1,2,…，n)的坐标
Figure BDA0001669252410000056
与障碍物z0i(i＝1,2,…，n)的坐标
Figure BDA0001669252410000057
判断出当前环境中的静态障碍物Zso0i(i＝1,2,…，l；l+m≤n)与动态障碍物Zdo0j(j＝1,2,…，m；l+m≤n)分别为：
Figure BDA0001669252410000051
假设障碍物i在一个较短时间内做匀变速直线运动，则由运动学公式可得t时刻的速度与0～t时间内所运动的路程分别为vti＝v0i+ait与
Figure BDA0001669252410000052
ΔS＝S1i-S0i。
再根据障碍物类型进行分别做出判断：
1)静态障碍物情况：将障碍物与机器人的距离dso与绝对安全距离D将比较Δd＝dso-D，如果Δd≥0则继续按照之前的路径规划Sfirst进行前进，当Δd＜0则需要进行重新规划Snew，绕开当前障碍物，并更新Sfirst＝Snew；
2)动态障碍物情况：根据得到的当前障碍物的运动状态v1，将v1与Sfirst判断出该动态障碍物是否对机器人当前的路线存在危险，
设障碍物的运动轨迹参数方程为
Figure BDA0001669252410000053
当前导航路线Sfirst下机器人的运动轨迹参数方程为
Figure BDA0001669252410000054
那么，对方程fo(t)与方程fr(t)进行联立方程组进行求解：
如果方程组有解则表明两个方程有交点(xi,yi,ti)(i＝0,1,…)，即在t＝ti(i＝0,1,…)两个方程在点(xi,yi)(i＝0,1,…)相交，机器人将会与动态障碍物发生碰撞，当前路线存在危险，需要重新规划；
如果方程组无解则表明两个方程没有交点，即当前路线不存在危险，不会与动态障碍物发生碰撞。
如果路线Sfirst存在危险，则需要对路线进行重新规划：根据方程组求得的交点(xi,yi)(i＝0,1,…)，将其以障碍物点代入原来的静态地图信息中，避开障碍物然后再进行一次路径规划。避开障碍物重新规划的具体方法：当把可能的危险交点(xi,yi)(i＝0,1,…)代入到原来的静态地图中以后，得到一个新的静态地图，然后利用人工势场法，先得到局部最优方向，然后沿着这方向使用A星寻路算法得到新的路径规划Snew，更新Sfirst＝Snew。
S6：根据机器人的当前位姿
Figure BDA0001669252410000055
判断当前坐标xt(xt,yt)是否等于目标点坐标X(x,y)：相等则表明已经到达，结束此次导航；不相等则未到达，返回步骤S2继续执行，直到达到目标的。
最后说明的是，以上优选实施例仅用以说明发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (3)

1.基于人工势场与滚动窗口的机器人的动态避障方法，其特征在于：该方法包含如下步骤
S1：设置机器人运动时与障碍物的绝对安全距离D以及目的地的位置坐标信息X(x，y)；
S2：通过机器人的历史里程计数据与当前环境信息E0i来判定当前机器人在全局坐标系中的位姿
Figure FDA0002728897020000011
具体地，通过机器人的历史里程计数据结合当前环境信息E0i与地图环境模型进行匹配，定位当前机器人在全局坐标系中的位姿
Figure FDA0002728897020000012
根据Eti与
Figure FDA0002728897020000013
判断t时刻环境中的障碍物的全局坐标为Ooti(Xti，Yti)，满足：
Figure FDA0002728897020000014
其中，(xt，yt)为t时刻机器人的全局坐标，d0i为第i个障碍物到机器的距离，θt为机器人t时刻位姿角度，k是障碍物和机器人位姿指向之间的夹角；
S3：根据当前机器人位姿、当前的环境特征信息、目的地坐标以及全局坐标信息利用A星寻路算法得到一条静态初始最优路径路线Sfirst，并且开始执行；
S4：利用滚动窗口法时刻扫描并更新当前窗口下的实时环境信息E1i，实时计算出Δt时间窗口内的环境中是否有障碍物的存在，并判定是否有障碍物：
如果没有障碍物存在，则继续执行Sfirst，更新并保存当前环境信息数据E0i＝E1i(i＝1，2，3...，n)，其中n为正整数，并执行S6；
如果有障碍物存在，则执行S5；
S5：判断障碍物的距离是否在设置的绝对安全距离以内，
具体地：
S51：根据障碍物坐标Oo0i(X0i，Y0i)与Oo1i(X1i，Y1i)对当前环境中的障碍物进行分类，满足：
Figure FDA0002728897020000015
其中，Zso0i表示静态障碍物，Zdo0i表示动态障碍物，l+m≤n，ΔS表示障碍物在t时间内所变化的距离，ΔS＝S1i-S0i，
Figure FDA0002728897020000016
表示障碍物t时刻的位置，S0i表示障碍物初始时刻位置；
S52：根据障碍物类型进行判定，若为静态障碍物，则将静态障碍物与机器人之间的距离dso与绝对安全距离D进行比较，Δd＝dso-D，若Δd＞0，则继续按照规划的路线Sfirst前进，若Δd＜0，则重新规划Snew，避开静态障碍物，更新Sfirst＝Snew；
若为动态障碍物，则根据当前动态障碍物的运动状态v1与Sfirst判断该动态障碍物是否对机器人当前的路线存在危险，若不存在危险，则继续按照规划的路线Sfirst前进，若存在危险，则根据影响情况重新规划Snew，避开动态障碍物，更新Sfirst＝Snew；
如果不在则执行S6；
如果在绝对安全距离以内，则处理后进行路径重新规划更新Sfirst，然后执行S2；
S6：判断是否已经到达目的地坐标位置X(x，y)，如果到达则结束本次导航，如果没有到达，则返回S2继续执行。
2.根据权利要求1所述的基于人工势场与滚动窗口的机器人的动态避障方法，其特征在于：步骤S52中根据当前动态障碍物的运动状态v1与Sfirst判断该动态障碍物是否对机器人当前的路线存在危险具体为：
设动态障碍物的运动轨迹参数方程为：
Figure FDA0002728897020000021
当前导航路线Sfirst下机器人的运动轨迹参数方程为：
Figure FDA0002728897020000022
联立方程fo(t)与方程fr(t)进行求解，并判定：
若方程组有解则表明两个方程有交点(xi，yi，ti)(i＝0，1，…)，即在t＝ti(i＝0，1，…)两个方程在点(xi，yi)(i＝0，1，…)相交，机器人将会与动态障碍物发生碰撞，则当前路线存在危险，需要重新规划；
若方程组无解则表明两个方程没有交点，即当前路线不存在危险，不会与动态障碍物发生碰撞。
3.根据权利要求2所述的基于人工势场与滚动窗口的机器人的动态避障方法，其特征在于：若当前路线存在危险，需要重新规划，避开障碍物重新规划的具体方法满足：当把可能的危险交点(xi，yi)(i＝0，1，…)代入到原来的静态地图中以后，得到一个新的静态地图，然后利用人工势场法，先得到局部最优方向，然后沿着这方向使用A星寻路算法得到新的路径规划Snew，更新Sfirst＝Snew。
CN201810496257.9A 2018-05-22 2018-05-22 基于人工势场与滚动窗口的机器人的动态避障方法 Active CN108762264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810496257.9A CN108762264B (zh) 2018-05-22 2018-05-22 基于人工势场与滚动窗口的机器人的动态避障方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810496257.9A CN108762264B (zh) 2018-05-22 2018-05-22 基于人工势场与滚动窗口的机器人的动态避障方法

Publications (2)

Publication Number Publication Date
CN108762264A CN108762264A (zh) 2018-11-06
CN108762264B true CN108762264B (zh) 2021-05-04

Family

ID=64008600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810496257.9A Active CN108762264B (zh) 2018-05-22 2018-05-22 基于人工势场与滚动窗口的机器人的动态避障方法

Country Status (1)

Country Link
CN (1) CN108762264B (zh)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109445440B (zh) * 2018-12-13 2022-03-22 重庆邮电大学 基于传感器融合与改进q学习算法的动态避障方法
CN111381589A (zh) * 2018-12-29 2020-07-07 沈阳新松机器人自动化股份有限公司 一种机器人路径规划方法
CN109828588A (zh) * 2019-03-11 2019-05-31 浙江工业大学 一种基于多传感器融合的机器人室内路径规划方法
CN109976343B (zh) * 2019-03-26 2020-03-27 电子科技大学 一种基于动态窗口法的主动避障方法
CN110221613B (zh) * 2019-06-12 2020-04-17 北京洛必德科技有限公司 基于改进型人工势场法的机器人路径规划方法和装置
CN110345948A (zh) * 2019-08-16 2019-10-18 重庆邮智机器人研究院有限公司 基于神经网络与q学习算法结合的动态避障方法
CN111121804B (zh) * 2019-12-03 2023-09-26 重庆邮电大学 一种具有安全性约束的智能车辆路径规划方法及***
CN111338359B (zh) * 2020-04-30 2022-11-01 武汉科技大学 一种基于距离判断和角度偏转的移动机器人路径规划方法
CN111633646B (zh) * 2020-05-22 2021-08-27 北京理工大学 基于DMPs和修正避障算法的机器人运动规划方法
CN112540609A (zh) * 2020-07-30 2021-03-23 深圳优地科技有限公司 路径规划方法、装置、终端设备及存储介质
CN112099486A (zh) * 2020-08-04 2020-12-18 西安电子科技大学 任意位置多机器人编队成形控制方法、***、设备及应用
CN114136318A (zh) * 2020-08-13 2022-03-04 科沃斯商用机器人有限公司 一种机器智能导航方法和装置
CN112130559A (zh) * 2020-08-21 2020-12-25 同济大学 一种基于uwb与激光雷达的室内行人跟随与避障方法
CN112013866A (zh) * 2020-08-31 2020-12-01 电子科技大学 一种基于智能导览***的路径规划方法
CN112130562B (zh) * 2020-09-04 2023-01-17 浙江嘉蓝海洋电子有限公司 基于多滚动窗口的人工势场无人水面艇避障方法
CN112099501B (zh) * 2020-09-15 2022-10-28 哈尔滨工程大学 一种基于势场参数优化的无人艇路径规划方法
CN112269381B (zh) * 2020-10-20 2022-06-17 安徽工程大学 基于改进人工鱼群算法的移动机器人路径规划方法
CN112378408B (zh) * 2020-11-26 2023-07-25 重庆大学 一种实现轮式移动机器人实时避障的路径规划方法
CN112665592B (zh) * 2020-12-16 2023-10-20 郑州大学 一种基于多智能体的时空路径规划方法
CN112731944B (zh) * 2021-01-15 2022-02-18 同济大学 一种无人驾驶压路机自主避障方法
CN112859866A (zh) * 2021-01-18 2021-05-28 西安电子科技大学 机器人滚动路径规划方法、***、存储介质、设备及应用
CN113034579B (zh) * 2021-03-08 2023-11-24 江苏集萃微纳自动化***与装备技术研究所有限公司 一种移动机器人基于激光数据的动态障碍物轨迹预测方法
CN114035568A (zh) * 2021-03-27 2022-02-11 浙江大学 可燃冰试采区地层钻探机器人路径规划方法
CN113515131B (zh) * 2021-08-27 2022-12-27 苏州大学 基于条件变分自动编码器的移动机器人避障方法及***
CN113778119B (zh) * 2021-09-26 2022-10-21 江西理工大学 一种无人机控制路径优化方法
CN113848933B (zh) * 2021-10-11 2024-04-26 徐州徐工环境技术有限公司 一种清扫机器人的全方位避障方法及装置
CN113934219B (zh) * 2021-12-16 2022-04-05 宏景科技股份有限公司 一种机器人自动避障方法、***、设备及介质
CN114995421B (zh) * 2022-05-31 2024-06-18 重庆长安汽车股份有限公司 自动驾驶避障方法、装置、电子设备、存储介质及程序产品
CN114879701A (zh) * 2022-06-23 2022-08-09 池州市安安新材科技有限公司 一种机器人轨道避障方法及***
CN115755890B (zh) * 2022-11-01 2023-04-07 南京傲翼飞控智能科技有限公司 基于数据处理的除草任务路径规划方法及装置
CN116307334B (zh) * 2023-05-17 2023-08-15 广州一链通互联网科技有限公司 一种内贸集运航线动态规划方法、***及计算机设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN103823466A (zh) * 2013-05-23 2014-05-28 电子科技大学 一种动态环境下移动机器人路径规划方法
CN105717929A (zh) * 2016-04-29 2016-06-29 中国人民解放军国防科学技术大学 一种多分辨率障碍物环境下移动机器人混合路径规划方法
CN107015563A (zh) * 2016-12-29 2017-08-04 北京航空航天大学 移动机器人路径规划方法及装置
CN107091643A (zh) * 2017-06-07 2017-08-25 旗瀚科技有限公司 一种基于多台3d结构光相机拼接的室内导航方法
CN107883962A (zh) * 2017-11-08 2018-04-06 南京航空航天大学 一种多旋翼无人机在三维环境下的动态航路规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9436187B2 (en) * 2015-01-15 2016-09-06 The United States Of America As Represented By The Secretary Of The Navy System and method for decentralized, multi-agent unmanned vehicle navigation and formation control

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103823466A (zh) * 2013-05-23 2014-05-28 电子科技大学 一种动态环境下移动机器人路径规划方法
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
CN105717929A (zh) * 2016-04-29 2016-06-29 中国人民解放军国防科学技术大学 一种多分辨率障碍物环境下移动机器人混合路径规划方法
CN107015563A (zh) * 2016-12-29 2017-08-04 北京航空航天大学 移动机器人路径规划方法及装置
CN107091643A (zh) * 2017-06-07 2017-08-25 旗瀚科技有限公司 一种基于多台3d结构光相机拼接的室内导航方法
CN107883962A (zh) * 2017-11-08 2018-04-06 南京航空航天大学 一种多旋翼无人机在三维环境下的动态航路规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Dynamic Obstacle avoidance based on multi-sensor fusion and Q-learning Algorithm;Yi Zhang;《ITNEC》;20191231;第1569-1573页 *
Tangent navigated robot path planning strategy using particle swarm optimized artificial potential field;Zhiyu Zhou;《Optik》;20180430;第639-651页 *
基于改进遗传算法的移动机器人路径规划;张毅 等;《计算机测量与控制》;20160125;第313-316页 *
移动机器人动态路径规划方法的研究与实现;史进 等;《计算机应用》;20171110;第3119-3123页 *

Also Published As

Publication number Publication date
CN108762264A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
CN108762264B (zh) 基于人工势场与滚动窗口的机器人的动态避障方法
CN110262495B (zh) 可实现移动机器人自主导航与精确定位的控制***及方法
CN109947123A (zh) 一种基于视线导引律的无人机路径跟踪与自主避障方法
US11604469B2 (en) Route determining device, robot, and route determining method
CN103324196A (zh) 基于模糊逻辑的多机器人路径规划与协调避碰方法
Özdemir et al. A hybrid obstacle avoidance method: follow the gap with dynamic window approach
CN107560620B (zh) 一种路径导航方法和芯片及机器人
WO2020136978A1 (ja) 経路決定方法
KR20120098152A (ko) 이동 로봇의 경로 생성 시스템
CN109445440A (zh) 基于传感器融合与改进q学习算法的动态避障方法
CN113467476B (zh) 考虑转角约束的无碰撞检测快速随机树全局路径规划方法
Li et al. A behavior-based mobile robot navigation method with deep reinforcement learning
Chen et al. Collision-free UAV navigation with a monocular camera using deep reinforcement learning
CN114371716A (zh) 一种用于消防机器人的自动驾驶巡检方法
Nakhaeinia et al. A behavior-based approach for collision avoidance of mobile robots in unknown and dynamic environments
CN114932562A (zh) 一种基于激光雷达的地下电缆隧道巡检机器人及实现方法
CN113341999A (zh) 一种基于优化d*算法的叉车路径规划方法及装置
CN111045428B (zh) 避障方法、移动机器人及计算机可读存储介质
Lai et al. Hierarchical incremental path planning and situation-dependent optimized dynamic motion planning considering accelerations
JP7258046B2 (ja) 経路決定装置、ロボット及び経路決定方法
CN114378830B (zh) 一种机器人腕关节奇异规避方法及***
Bai et al. Relative navigation control of articulated vehicle based on LTV-MPC
JP2020149095A (ja) 倒立振子型ロボット
Wang et al. Research on intelligent obstacle avoidance control method for mobile robot in multi-barrier environment
Xie et al. An improved obstacle avoidance method for robot based on constraint of obstacle boundary condition

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