CN110032182A - 一种融合可视图法和稳定稀疏随机快速树机器人规划算法 - Google Patents

一种融合可视图法和稳定稀疏随机快速树机器人规划算法 Download PDF

Info

Publication number
CN110032182A
CN110032182A CN201910181584.XA CN201910181584A CN110032182A CN 110032182 A CN110032182 A CN 110032182A CN 201910181584 A CN201910181584 A CN 201910181584A CN 110032182 A CN110032182 A CN 110032182A
Authority
CN
China
Prior art keywords
algorithm
tree
path
point
node
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
Application number
CN201910181584.XA
Other languages
English (en)
Other versions
CN110032182B (zh
Inventor
黄凯
单云霄
刘妮
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen 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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201910181584.XA priority Critical patent/CN110032182B/zh
Publication of CN110032182A publication Critical patent/CN110032182A/zh
Application granted granted Critical
Publication of CN110032182B publication Critical patent/CN110032182B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle

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)
  • Feedback Control In General (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及一种融合可视图法和稳定稀疏随机快速树机器人规划算法。包括以下步骤：S1.基于可视图法构建拓扑图对环境进行建模；S2.利用dijkstra算法得到最短路径，并作为参考路径；S3.对参考路径进行分割，结合SST算法利用平均采样策略在参考路径一定范围内随机采样；S4.利用Bias‑goal提高算法效率；S5.在当前拓展范围内，根据Dubins距离选择离当前采样点区域范围内的最近树节点；S6.采用横向控制策略选取控制量对***模型进行积分，耗散最优的节点优先拓展；S7.若拓展过程无碰撞，考察生成的新节点是否在局部邻域内是最优节点；若最优则加入树结构，并修剪当前区域的主导节点。本发明利用稳定稀疏随机快速树算法对可视图法生成的路径进行优化，以得到符合非完整性约束机器人约束的最优路径。

Description

一种融合可视图法和稳定稀疏随机快速树机器人规划算法
技术领域
本发明属于人工智能自动控制领域，更具体地，涉及一种融合可视图法和稳定稀疏随机快速树机器人规划算法。
背景技术
可视图法(Visibility Graph)是由Lozano和Wesley提出的。可视图法将所有实际的障碍物等效成投影在平面内的多边形集合。并将起始点和目标点在空间中对应的点扩充到多边形集合中，然后将所有障碍物的顶点(设V0是所有障碍物的顶点构成的集合)、起始点s和目标点g用直线组合相连，同时要求3者之间的连线不能穿越障碍物，即直线是“可视的“，给图中的边赋权值，构造图G(V,E)，节点集V＝V0∪(s,g)，E为所有弧段(Pi，Pj)即边的集合，其中连接G中第i和第j个结点的线段与任何障碍物均不相交。因为图中相邻的顶点能相互看到，所以G(V,E)称为可视图。然后采用某种算法(如Dijkstra算法)搜索从起始点s到目标点g的最优路径。规划最优路径的问题就转化为从起始点到目标点经过这些可视直线的最短距离问题。
可视图法的优点是概念直观，简单，可得到起始点到目标点的最近路径；缺点是灵活性不好，目标点或障碍物或起始点发生改变的时候，重新构造可视图较麻烦，但是在任何时候都可以获得最优路径。
随机快速树算法(Rapidly-exploring Random Tree,RRT)是一种通过随机构建空间填充树来有效搜索非凸，高维空间的算法。树是从搜索空间中随机抽取的样本逐步构建的，并且本质上倾向于朝向大部分未探测区域生长。该算法的优势主要体现在模型兼容性好、不受网格分辨率影响和兼容动态环境等方面，然而，RRT算法的应用受限于路径质量问题，无法随着采样数量的增加而优化。
稳定稀疏随机快速树算法(Stable Sparse RRT，SST)是一种渐优的随机采样算法，是对RRT算法的选择母节点、拓展过程进行改进和提高，并增加了树修剪过程得到的。SST选择母节点过程是一个优化选择过程，其遵循优化优先的策略。在当前拓展范围内，在随机点δBN的区域范围内，耗散最优的节点优先拓展。在拓展环节，SST基于蒙特卡洛方法随机在控制域内选择控制量，然后对***模型进行积分。如果拓展过程无碰撞，考察xnew是否在局部邻域δs内是最优节点。如果最优，那么将其加入树结构，并修剪在δs域内占据主导地位的已存在节点。修剪是SST算法优化的核心过程，其利用s域将C空间划分为有限个小空间，并在每一次迭代中检查s域内的节点是否是局部优化的。通过这一过程，SST维持在现有迭代规模下，s域内节点的优化属性。这种优化可否决次优节点的加入，同时鼓励优化节点进行更多拓展从而达到全局优化的目的。
对于非结构化道路环境下非完整约束的机器人的规划问题，目前没有完整成熟的技术，现有的技术存在以下几点问题：1.无法确保生成的路径尽可能最短；2.生成的路径不满足机器人的非完整性约束；3.算法收敛速度慢。
RRT算法构建过程无法准确反映***的约束。对于非完整性约束***，例如车辆***在运动过程中需沿着车轮前进方向滚动，不可横向滑动。由于滚动接触的原因，车轮受到了速度的约束，而这种约束无法减少***的自由度，使***的控制变量少于***维度。这种***约束对RRT算法的主要影响是最近节点判断。欧式距离无法反映受微分约束的两点之间真实距离。这里涉及到影响RRT性能的一个重要因素，距离尺度的选择。RRT每次连接距离随机点最近的树节点以降低连接失败的概率(近距离存在障碍物的概率低于远距离)，使树结构可快速覆盖所有无障碍空间。一般情况下，欧式距离是首选。但对于受到非完整性微分约束的车辆***，欧式距离不适用。欧式距离很近的两个点，机器人可能要绕一大圈才可从一个点到达另一个点。
RRT算法的应用受限于路径质量问题，无法随着采样数量的增加而优化；RRT算法生成的路径不是最优的，且受制于随机采样，每次生成的路径都是不同的，无法保证路径质量。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷，提供一种融合可视图法和稳定稀疏随机快速树机器人规划算法，利用稳定稀疏随机快速树算法(SST)对可视图法生成的路径进行优化，以得到符合非完整性约束机器人约束的最优路径。
为解决上述技术问题，本发明采用的技术方案是：一种融合可视图法和稳定稀疏随机快速树机器人规划算法，包括以下步骤：
S1.基于可视图法构建拓扑图对环境进行建模；
S2.利用dijkstra算法得到最短路径，并以该路径为参考路径；
S3.对参考路径进行分割，结合SST算法利用平均采样策略在参考路径一定范围内逐步采样；
S4.利用Bias-goal提高算法效率，为了提高采样效率和生成路径数量，在原算法的基础上通过随机函数加参数Bias-goal来判断当前目标点是参考路径上随机点还是最终目标点，这样就能更有效率的找到目标点；参数Bias-goal的选取是为了表示算法认定当前目标点为最终目标点的几率，如果Bias-goal大于算法产生的随机值，就选取目标点为最终目标点，否则选取随机点；这个方法在不影响概率完整性的前提下能够大大提高算法的速度；
S5.在当前拓展范围内，根据Dubins距离选择离当前采样点的δBN区域范围内的最近(耗散最优)树节点；Dubins曲线是在满足曲率约束和规定的始端和末端的切线方向的条件下，连接两个二维平面(即X-Y平面)的最短路径，并假设车辆行驶的道路只能向前行进；对于轮式机器人，最大转弯速率对应于某个最小转弯半径(以及等效的最大曲率)；规定的初始和终端切线方向对应于初始和终端坐标；Dubins路径给出了两个定向点的最短路径，这对于轮式机器人模型是可实际运行路线；
S6.采用横向控制策略选取控制量对***模型进行积分，耗散最优的节点优先拓展；
S7.如果拓展过程无碰撞，考察生成的新节点xnew是否在局部邻域内是最优节点；如果最优，那么将其加入树结构，并修剪在当前域内占据主导地位的已存在节点。
该算法在维持现有迭代规模下，保证了当前邻域的优化属性，这种优化可以否决次优节点的加入，同时鼓励优化节点进行拓展从而达到全局优化的目的。
进一步的，所述的S3步骤具体包括：首先随机选取参考路径上一点，以该点为局部目标点，在其周围以r为半径的范围内利用平均采样策略进行随机采样，选取无碰撞的采样点。
进一步的，所述的S6步骤具体包括：拓展过程中，首先根据生成的轨迹选择控制量，采用横向控制策略，将机器人正交地投影到参考轨迹的最近点上，虚拟机器人的偏航与轨迹在机器人后轴中心投影点的切线对齐；投影的前轮被转动，因此其转弯半径与参考轨迹在机器人后轴中心投影点处的曲率一致，这确保其始终处于参考轨迹上，而控制速度根据实际情况选择随机量。
与现有技术相比，有益效果是：本发明提供的一种融合可视图法和稳定稀疏随机快速树机器人规划算法，创造了一种解决非结构化环境下的规划方法和适用于非完整性约束的机器人的最短路径规划方法；对渐优随机采样类算法在无人驾驶的应用提出了一种启发加速的方法；该方法采用融合近点优先和优化优先的母节点选择策略来保证算法的渐优特性，同时还结合Dubins曲线优化的拓展策略提高树的拓展效率，对生成的树进行修剪以保证树的稀疏性，降低算法复杂度。
附图说明
图1是本发明的方法流程图。
图2是非完整性约束***的参数示意图。
图3是可视图法构建障碍物环境的拓扑图示意图。
图4是利用dijkstra从拓扑图中找到的最短路径图。
图5是随机选取参考路径分割点对其一定范围均匀采样示意图。
图6是参考路径采样点示意图。
图7是Dubins距离示意图。
图8是横向控制策略模型示意图。
图9是拓展修剪过程示意图。
图10是最终优化通行道路和参考路径对比图。
具体实施方式
附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。
实施例1：
本发明融合可视图法及SST法对非结构化道路下的非完整约束机器人进行路径规划。
对于非完整条件约束的***中，我们既需要考虑障碍物的约束，还要考虑非完整约束相关的参数约束。
如图2所示，机器人的状态可以用q(x，y，θ)来表示。用input(V，Φ)来表示输入的控制变量。***受到的非完整约束可以表示为：
dxsinθ-dycosθ＝0
其中，θ为机器人和X轴夹角；φ为首向角；V为前轮速度；L为前后轮距离；δ为V相对X轴正向的夹角。
考虑到机器人的非完整约束，本发明采用Dubins曲线近似代表机器人的转向极限运动。并采用以下方法规划路径：
步骤1.首先基于可视图法构建拓扑图对环境进行建模，如图3所示。
步骤2.利用diikstra算法得到最短路径，并以该路径为参考路径；如图4所示。
步骤3.以最短路径为参考路径，对其进行每隔30米的分割，结合SST算法利用平均采样策略在参考路径一定范围内逐步采样：首先随机选取参考路径上一点，以该点为局部目标点，在其周围以r为半径的范围内利用平均采样策略进行随机采样，对采样点进行碰撞检测，以判断当前采样点是否无碰撞；如图5所示，以图中的粗实线为最短路径，以作为参考路径。
步骤4.利用Bias-goal提高算法效率，在原算法的基础上通过随机函数加参数Bias-goal来判断当前目标点是参考路径上随机点还是最终目标点；如果Bias-goal大于算法产生的随机值，就选取目标点为最终目标点，否则选取随机点；如图6所示。
步骤5.当前采样点合法的情况下，根据Dubins距离选择离当前采样点最近的树节点：Dubins曲线是在满足曲率约束和规定的始端和末端的切线方向的条件下，连接两个二维平面(即X-Y平面)的最短路径，并假设车辆行驶的道路只能向前行进。对于轮式机器人，最大转弯速率对应于某个最小转弯半径(以及等效的最大曲率)。规定的初始和终端切线方向对应于初始和终端坐标。Dubins路径给出了两个定向点的最短路径，这对于轮式机器人模型是可实际运行路线。如图7所示。
步骤6.在当前拓展范围内，在采样点的δBN区域范围内，耗散最优的节点优先拓展。拓展过程中，首先根据生成的轨迹选择控制量，采用横向控制策略，如图8所示；将机器人正交地投影到参考轨迹的最近点上，后轴中心O被投影到R上，且虚拟机器人的偏航与轨迹在R初的切线对齐。投影的前轮被转动，因此其转弯半径与参考轨迹在R处的曲率一致，这确保其始终处于参考轨迹上。而控制速度根据实际情况选择随机量。
步骤7.进一步对***模型进行积分，如果拓展过程无碰撞，考察生成的新节点xnew是否在局部邻域内是最优节点。如果最优，那么将其加入树结构，并修剪在当前域内占据主导地位的已存在节点。该算法在维持现有迭代规模下，保证了当前邻域的优化属性，这种优化可以否决次优节点的加入，同时鼓励优化节点进行拓展从而达到全局优化的目的。如图9、10所示。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (3)

1.一种融合可视图法和稳定稀疏随机快速树机器人规划算法，其特征在于，包括以下步骤：
S1.基于可视图法构建拓扑图对环境进行建模；
S2.利用dijkstra算法得到最短路径，并以该路径为参考路径；
S3.对参考路径进行分割，结合SST算法利用平均采样策略在参考路径一定范围内逐步采样；
S4.利用Bias-goal提高算法效率，在原算法的基础上通过随机函数加参数Bias-goal来判断当前目标点是参考路径上随机点还是最终目标点；如果Bias-goal大于算法产生的随机值，就选取目标点为最终目标点，否则选取随机点；
S5.在当前拓展范围内，根据Dubins距离选择离当前采样点的δBN区域范围内的最近树节点；
S6.采用横向控制策略选取控制量对***模型进行积分，耗散最优的节点优先拓展；
S7.如果拓展过程无碰撞，考察生成的新节点xnew是否在局部邻域内是最优节点；如果最优，那么将其加入树结构，并修剪在当前域内占据主导地位的已存在节点。
2.根据权利要求1所述的一种融合可视图法和稳定稀疏随机快速树机器人规划算法，其特征在于，所述的S3步骤具体包括：首先随机选取参考路径上一点，以该点为局部目标点，在其周围以r为半径的范围内利用平均采样策略进行随机采样，选取无碰撞的采样点。
3.根据权利要求2所述的一种融合可视图法和稳定稀疏随机快速树机器人规划算法，其特征在于，所述的S6步骤具体包括：拓展过程中，首先根据生成的轨迹选择控制量，采用横向控制策略，将机器人正交地投影到参考轨迹的最近点上，虚拟机器人的偏航与轨迹在机器人后轴中心投影点的切线对齐；投影的前轮被转动，其转弯半径与参考轨迹在机器人后轴中心投影点处的曲率一致。
CN201910181584.XA 2019-03-11 2019-03-11 一种融合可视图法和稳定稀疏随机快速树机器人规划算法 Active CN110032182B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910181584.XA CN110032182B (zh) 2019-03-11 2019-03-11 一种融合可视图法和稳定稀疏随机快速树机器人规划算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910181584.XA CN110032182B (zh) 2019-03-11 2019-03-11 一种融合可视图法和稳定稀疏随机快速树机器人规划算法

Publications (2)

Publication Number Publication Date
CN110032182A true CN110032182A (zh) 2019-07-19
CN110032182B CN110032182B (zh) 2022-02-11

Family

ID=67235202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910181584.XA Active CN110032182B (zh) 2019-03-11 2019-03-11 一种融合可视图法和稳定稀疏随机快速树机器人规划算法

Country Status (1)

Country Link
CN (1) CN110032182B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110609547A (zh) * 2019-08-21 2019-12-24 中山大学 一种基于可视图引导的移动机器人规划方法
CN110653805A (zh) * 2019-10-10 2020-01-07 西安科技大学 笛卡尔空间下的七自由度冗余机械臂任务约束路径规划方法
CN111707264A (zh) * 2020-05-30 2020-09-25 同济大学 一种改进拓展式rrt路径规划方法、***及装置
CN113641832A (zh) * 2021-08-16 2021-11-12 中国科学院空天信息创新研究院 基于知识图谱面向多源离散数据的林火救援路径规划方法
CN114035572A (zh) * 2021-10-09 2022-02-11 中电海康慧联科技(杭州)有限公司 一种割草机器人的避障巡回方法及***
WO2022267558A1 (zh) * 2021-06-25 2022-12-29 南方科技大学 基于树结构的模拟电路自动设计方法、装置、设备及介质
US11640489B2 (en) 2021-06-25 2023-05-02 Southern University Of Science And Technology Method, apparatus, computer device, and storage medium for automatic design of analog circuits based on tree structure

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101122800A (zh) * 2007-08-24 2008-02-13 北京航空航天大学 一种复合式视觉导航方法与装置
CN106406338A (zh) * 2016-04-14 2017-02-15 中山大学 一种基于激光测距仪的全向移动机器人的自主导航装置及其方法
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
CN108983780A (zh) * 2018-07-24 2018-12-11 武汉理工大学 一种基于改进rrt*算法的移动机器人路径规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101122800A (zh) * 2007-08-24 2008-02-13 北京航空航天大学 一种复合式视觉导航方法与装置
CN106406338A (zh) * 2016-04-14 2017-02-15 中山大学 一种基于激光测距仪的全向移动机器人的自主导航装置及其方法
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
CN108983780A (zh) * 2018-07-24 2018-12-11 武汉理工大学 一种基于改进rrt*算法的移动机器人路径规划方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ALIASGHAR ARAB 等: "Motion planning for aggressive autonomous vehicle maneuvers", 《IEEE》 *
余卓平 等: "无人车运动规划算法综述", 《同济大学学报(自然科学版)》 *
单云霄 等: "渐优随机采样算法在结构化道路无人驾驶中的应用", 《中国公路学报》 *
庄雷雨: "典型路况下无人驾驶车辆局部路径规划方法研究", 《万方数据库在线》 *
徐娜 等: "非完整约束下的机器人运动规划算法", 《机器人》 *
杨俊超 等: "一种人_自动化***协作的无人机航迹规划方法", 《计算机测量与控制》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110609547A (zh) * 2019-08-21 2019-12-24 中山大学 一种基于可视图引导的移动机器人规划方法
CN110653805A (zh) * 2019-10-10 2020-01-07 西安科技大学 笛卡尔空间下的七自由度冗余机械臂任务约束路径规划方法
CN111707264A (zh) * 2020-05-30 2020-09-25 同济大学 一种改进拓展式rrt路径规划方法、***及装置
WO2022267558A1 (zh) * 2021-06-25 2022-12-29 南方科技大学 基于树结构的模拟电路自动设计方法、装置、设备及介质
US11640489B2 (en) 2021-06-25 2023-05-02 Southern University Of Science And Technology Method, apparatus, computer device, and storage medium for automatic design of analog circuits based on tree structure
CN113641832A (zh) * 2021-08-16 2021-11-12 中国科学院空天信息创新研究院 基于知识图谱面向多源离散数据的林火救援路径规划方法
CN113641832B (zh) * 2021-08-16 2022-05-10 中国科学院空天信息创新研究院 基于知识图谱面向多源离散数据的林火救援路径规划方法
CN114035572A (zh) * 2021-10-09 2022-02-11 中电海康慧联科技(杭州)有限公司 一种割草机器人的避障巡回方法及***
CN114035572B (zh) * 2021-10-09 2023-08-01 凤凰智能电子(杭州)有限公司 一种割草机器人的避障巡回方法及***

Also Published As

Publication number Publication date
CN110032182B (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN110032182A (zh) 一种融合可视图法和稳定稀疏随机快速树机器人规划算法
CN111780777B (zh) 一种基于改进a*算法和深度强化学习的无人车路径规划方法
CN109764886A (zh) 一种路径规划方法
CN110231824B (zh) 基于直线偏离度方法的智能体路径规划方法
CN108444490B (zh) 基于可视图和a*算法深度融合的机器人路径规划方法
CN107168305A (zh) 路口场景下基于Bezier和VFH的无人车轨迹规划方法
CN109753072A (zh) 一种移动机器人混合路径规划方法
CN114281084B (zh) 一种基于改进a*算法的智能车全局路径规划方法
Huang et al. Research on path planning algorithm of autonomous vehicles based on improved RRT algorithm
WO2022173880A9 (en) System, method, and computer program product for topological planning in autonomous driving using bounds representations
CN116331264A (zh) 一种未知障碍物分布的避障路径鲁棒规划方法及***
CN114706400A (zh) 一种越野环境下基于改进的a*算法的路径规划方法
Shang et al. Research on path planning of autonomous vehicle based on RRT algorithm of Q-learning and obstacle distribution
CN114545921B (zh) 一种基于改进rrt算法的无人汽车路径规划算法
CN114967701A (zh) 一种动态环境下移动机器人自主导航方法
CN117075607A (zh) 一种适用于复杂环境的改进jps的无人车路径规划方法
CN117109620A (zh) 基于采样的车辆行为与环境交互的自动驾驶路径规划方法
CN109362115B (zh) 一种基于视距衰落模型的车载网路由方法
CN114353814B (zh) 基于Angle-Propagation Theta*算法改进的JPS路径优化方法
CN113848925A (zh) 一种基于slam的无人碾压动态路径自主规划方法
Pivtoraiko et al. Optimal, smooth, nonholonomic mobile robot motion planning in state lattices
Wang et al. APG-RRT: Sampling-Based Path Planning Method for Small Autonomous Vehicle in Closed Scenarios
Huang et al. Research progress of automatic driving path planning
Li et al. An efficient sampling-based hybrid a* algorithm for intelligent vehicles
Fu et al. Unmanned driving technology in coal mine based on semantic information method

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