CN113219990A - 基于自适应邻域与转向代价的机器人路径规划方法 - Google Patents
基于自适应邻域与转向代价的机器人路径规划方法 Download PDFInfo
- Publication number
- CN113219990A CN113219990A CN202110613791.5A CN202110613791A CN113219990A CN 113219990 A CN113219990 A CN 113219990A CN 202110613791 A CN202110613791 A CN 202110613791A CN 113219990 A CN113219990 A CN 113219990A
- Authority
- CN
- China
- Prior art keywords
- grid
- robot
- path
- search range
- passable
- 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 45
- 230000003044 adaptive effect Effects 0.000 title claims description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 abstract description 20
- 238000004088 simulation Methods 0.000 abstract description 19
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G05D1/0212—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)
Abstract
本发明公开了一种基于自适应邻域与转向代价的机器人路径规划方法。其实现步骤为:(1)构建正方形栅格地图;(2)判断栅格地图中的每个栅格内是否存在障碍物,若是,则将该栅格判定为不可通行栅格;否则,为可通行栅格;(3)采用自适应邻域策略确定搜索范围;(4)构建评价函数;(5)确定下一个路径点;(6)判断所确定的下一个路径点是否为机器人拟行驶路径的终点,若是,则执行步骤(7),否则,执行步骤(3);(7)将机器人起点至终点的路径点顺序连接得到机器人的最优行驶路径。本发明与现有路径规划算法对比,具有冗余点少,路径平滑,运行效率高优点。
Description
技术领域
本发明属于物理技术领域,更进一步涉及路径规划技术领域中的一种基于自适应邻域与转向代价的机器人路径规划方法。本发明可以规划出机器人在运动过程中前往目的地的路径。
背景技术
机器人路径规划属于机器人广泛应用于机器人智能巡检、自动驾驶等领域。机器人路径规划是指在存在障碍物的空间中,对地图等先验信息和传感器所感知的数据进行分析处理,感知机器人周围环境状态。在对周围环境完成感知后,通过设计好的策略寻找到一条从起始节点到目标节点的符合某种评价指标的最优路径,确保按照该路径进行行驶时可以绕过障碍物,顺利到达目的地。机器人的路径规划中,主要实现三个目标:规划一条从起点到目标点的路径;在沿着该路径行驶的过程中机器人不会遇到障碍物;在满足以上两个目标的基础上,尽量使规划路径满足全局最优性。目前,解决这类问题的方法通常有:快速扩展随机树的RRT(Rapidly exploring Random Tree)算法与启发式搜索算法。
RRT算法是一种基于随机采样的单查询路径规划方法,通过快速扩张随机树对未知空间进行探索,并从中找到可通行的路径。例如:
大连理工大学在其申请的专利文献“一种基于RRT算法改进的车辆规划算法”(申请号:202010104879X,申请公布号:CN111207767A)中公开了一种基于RRT算法改进的车辆规划方法。该方法包括两个阶段,第一阶段找到一定数量的引导根节点。首先,已知在地图上的障碍物的数量、分布情况,起始节点与目标节点,通过计算和碰撞检测得到引导根节点的集合,该引导根节点分布在起始节点指向目标节点的路径上,具有导向性且不与周围的障碍物发生碰撞。第二阶段,将起始节点、目标节点和引导根节点放入一个根节点的集合中,逐个开始扩展节点,当两棵树的叶子节点的最近距离小于等于步长,就将两棵树合并为一棵树。当所有的树合并成为一棵树,即同时含有起始节点与目标节点,则寻路成功。该方法虽然同样可以用于机器人的路径规划,但是,用于机器人的路径规划时该方法存在的不足之处是:该方法虽然是一种概率完备且具有良好扩展性的路径规划方法,但是,由于机器人的工作环境中还存在多个障碍物,为避开障碍物,RRT算法规划的路径会包含许多的冗余转折点,导致规划后的路径不平滑。
启发式搜索算法是一种基于启发信息的路径规划方法,利用问题自身所携带的启发式信息引导算法朝着最有希望的方向搜索,从而达到缩小搜索范围的效果。例如:
上海海事大学在其申请的专利文献“基于改进Astar算法的港口无人机巡检路径规划方法”(申请号:202010558369X,申请公布号:CN111625023A)中公开了一种基于改进Astar算法的港口无人机巡检路径规划方法。该方法其采用改进的Astar算法进行起点和任务点的路径规划,将当前节点固定邻域范围内节点遍历一遍,逐个进行评估,剔除不必要搜索的网络节点,减少计算量,直到找到最优节点,再从该节点向周围节点进行扩展搜索,搜索到目标节点后算法结束。该算法虽然同样可以用于机器人的路径规划时具有原理简单,搜索最优路径的能力强的特点,但是,该算法用于机器人的路径规划时存在的不足之处是:受到固定邻域搜索节点策略的约束,导致规划路径不满足全局最优性,并且规划的路径转折点较多,导致机器人实际运行过程中需要不断转向,严重影响移动机器人的运行效率。
发明内容
本发明的目的是针对上述现有技术存在的不足,提出一种基于自适应邻域与转向代价的机器人路径规划方法,旨在解决路径规划中规划路径冗余点较多,路径不平滑以及转向过多影响机器人运行效率的问题。
实现本发明目的的思路是:在当前路径点搜索下一路径点时,采用自适应邻域策略进行搜索,根据路径点周围障碍物的分布情况,自适应调整下一路径点的搜索范围,摆脱现有路径规划方法中固定邻域的束缚,解决路径规划中冗余点较多,路径不平滑的问题。在搜索范围确定后,通过评价函数对搜索范围内的每个可通行栅格进行评价,通过在评价函数中加入转向代价函数,使路径规划方法倾向于选定转向较小的路径点,解决路径转向过多影响机器人运行效率的问题。
实现本发明目的的具体步骤如下:
(1)构建正方形栅格地图:
根据机器人拟行驶的途径构建一个正方形栅格地图,每个正方形栅格的边长等于机器人的左右轮的间距;
(2)将栅格地图中存在障碍物的每个栅格判定为不可通行栅格;不存在障碍物的每个栅格判定为可通行栅格;
(3)以机器人当前所在栅格为中心,搜索与其相邻8个栅格中是否存在至少一个不可通行的栅格,若是,则将搜索范围设置为相邻8个栅格后执行步骤(6);否则,执行步骤(4);
(4)以机器人当前所在栅格为中心,搜索与其相邻24个栅格是否存在至少一个不可通行的栅格,若是,则将搜索范围设置为相邻24个栅格后执行步骤(6);否则,执行步骤(5);
(5)以机器人当前所在栅格为中心,将搜索范围设置为相邻48个栅格。
(6)计算每个可通行栅格的评价值:
(6a)判断机器人当前所在栅格是否为机器人拟行驶途径的起始栅格,若是,则执行步骤(6b),否则,执行步骤(6c);
(6b)利用评价函数Fi=Gi+Hi,计算起始栅格的搜索范围内每个可通行栅格的评价值,其中,Fi表示起始栅格的搜索范围内第i个可通行栅格的评价值,Gi表示机器人从起始栅格行驶至起始栅格的搜索范围内第i个可通行栅格的路径长度,Hi表示起始栅格的搜索范围内第i个可通行栅格的启发值,Hi=|xd-xi|+|yd-yi|,|·|表示取绝对值操作,xd表示机器人拟行驶途径终点栅格的横坐标值,xi表示起始栅格的搜索范围内第i个可通行栅格的横坐标值,yd表示机器人拟行驶途径终点栅格的纵坐标值,yi表示起始栅格的搜索范围内第i个可通行栅格的纵坐标值;
(6c)利用评价函数Fj'=Gj+Hj+Tj,计算搜索范围内每个可通行栅格的评价值,其中,Fj'表示搜索范围内第j个可通行栅格的评价值,Tj表示机器人由当前所在栅格行驶至搜索范围内第j个可通行栅格的转向代价;
(7)确定下一个路径点:
将搜索范围内所有评价值最小的栅格作为机器人行驶的下一个路径点;
(8)判断所确定的下一个路径点是否为机器人拟行驶路径的终点,若是,则执行步骤(9),否则,执行步骤(3);
(9)将机器人起点至终点的路径点顺序连接得到机器人的最优行驶路径。
与现有技术相比,本发明具有以下优点:
第一,本发明通过采用自适应邻域策略确定搜索范围,根据路径点周围障碍物的分布情况,自适应调整下一路径点的搜索范围,克服了现有技术规划的路径会包含许多的冗余转折点,导致规划后的路径不平滑的问题,使得本发明提高了规划的机器人行驶的路径平滑度,减少规划路径的总长度。
第二,本发明通过构建评价函数,在评价函数中加入转向代价函数,使路径规划方法倾向于选定搜索范围内进行较少转向可到达的路径点作为下一路径点,克服了现有技术规划的路径转折点较多,严重影响移动机器人运行效率的问题,使得本发明规划的路径减少了机器人行驶的转向花费与行驶时间,提高了机器人移动的运行效率。
附图说明
图1是本发明的流程图;
图2是本发明的栅格邻域范围的示意图;
图3是本发明的实验仿真图。
具体实施方式
下面结合附图对本发明做进一步的详细描述。
参照附图1,对本发明的实现步骤做进一步的详细描述。
步骤1,构建正方形栅格地图。
根据机器人拟行驶的途径构建一个正方形栅格地图,每个正方形栅格的边长等于机器人的左右轮的间距。
步骤2,将栅格地图中存在障碍物的每个栅格判定为不可通行栅格;不存在障碍物的每个栅格判定为可通行栅格。
参照附图2,对本发明确定搜索范围的实现步骤做进一步的详细描述。
图2中箭头的起始点所在的黑色圆点为机器人当前所在的路径点,每个箭头指向的黑色圆点为本步骤确定的搜索邻域范围。
图2(a)是步骤3中确定的搜索范围参照图,图2(b)是步骤4中确定的搜索范围参照图,图2(c)是步骤5的确定的搜索范围参照图。
步骤3,以机器人当前所在栅格为中心,搜索与其相邻8个栅格中是否存在至少一个不可通行的栅格,若是,则将搜索范围设置为相邻8个栅格后执行步骤6;否则,执行步骤4。
步骤4,以机器人当前所在栅格为中心,搜索与其相邻24个栅格是否存在至少一个不可通行的栅格,若是,则将搜索范围设置为相邻24个栅格后执行步骤6;否则,执行步骤5。
步骤5,以机器人当前所在栅格为中心,将搜索范围设置为相邻48个栅格。
步骤6,计算每个可通行栅格的评价值。
第一步,判断机器人当前所在栅格是否为机器人拟行驶途径的起始栅格,若是,则执行本步骤的第二步,否则,执行本步骤的第三步。
第二步,利用评价函数Fi=Gi+Hi,计算搜索范围内每个可通行栅格的评价值后执行步骤5,其中,Fi表示搜索范围内第i个可通行栅格的评价值,Gi表示机器人从拟行驶途径的起始栅格行驶至搜索范围内第i个可通行栅格的路径长度,Hi表示搜索范围内第i个可通行栅格的启发值,Hi=|xd-xi|+|yd-yi|,|·|表示取绝对值操作,xd表示机器人拟行驶途径终点栅格的横坐标值,xi表示搜索范围内第i个可通行栅格的横坐标值,yd表示机器人拟行驶途径终点栅格的纵坐标值,yi表示搜索范围内第i个可通行栅格的纵坐标值。
第三步,利用评价函数Fj'=Gj+Hj+Tj,计算搜索范围内每个可通行栅格的评价值,其中,Fj'表示搜索范围内第j个可通行栅格的评价值,Tj表示机器人由当前所在栅格行驶至搜索范围内第j个可通行栅格的转向代价,π表示圆周率,ε表示机器人行驶中的转向代价参数,通常设置为0.03,βj表示从机器人当前所在栅格行驶至搜索范围内第j个可通行栅格的转向角。
步骤7,确定下一个路径点。
将搜索范围内评价值最小的栅格作为机器人行驶的下一个路径点。
步骤8,判断所确定的下一个路径点是否为机器人拟行驶路径的终点,若是,则执行步骤9,否则执行步骤3。
步骤9,将机器人起点至终点的路径点顺序连接得到机器人的最优行驶路径。
下面结合仿真仿真实验,对本发明的效果做进一步的说明。
1.仿真实验条件:
本发明仿真实验的硬件平台为:处理器为Intel Core i5-6300HQ CPU,主频为2.30GHz,内存8GB。
本发明的仿真实验的软件平台为:Windows10操作***和Matlab R2018a。
本发明仿真实验所使用的栅格地图为仿真前预先设定完成的栅格地图,其中,栅格地图规格为19m*19m,每个栅格边长为1m,地图中的可通行栅格与不可通行栅格的分布为手动设定。
2.仿真实验内容及结果分析:
本发明的仿真实验采用本发明的方法和一个现有技术基于A*算法的路径规划方法分别对预先设定完成的栅格地图的路径规划进行仿真。
在仿真实验中,采用的一个现有技术是指:
现有技术基于A*算法的路径规划方法是指,Gelperin等人在“On the optimalityof A[J].Artificial Intelligence,1977,8(1):69-76.”中提出的路径规划方法,简称基于A*算法的路径规划方法。
参照附图3,对本发明的仿真结果做进一步的描述。
图3为本发明仿真实验图,图3中左上角的矩形为机器人移动的起始位置,右下角的五角星为机器人移动行驶的终点位置。图3中的黑色栅格表示不可通行栅格,白色栅格表示可通行栅格。图3中地图坐标系以地图左上角为原点,x轴表示路径点距离原点的横向距离,y轴表示路径点距离原点的纵向距离,机器人转向代价参数ε设置为0.03。
图3(a)为进行路径规划前的栅格地图;图3(b)为采用基于A*算法的路径规划方法进行路径规划的仿真结果图,图3(c)为本发明的路径规划方法进行路径规划的仿真结果图。图3(b)与图3(c)中的黑色圆点表示路径点,黑色折线表示规划的路径。
从仿真实验结果可以看出,自适应邻域搜索节点策略突破了固定8邻域搜索路径点的约束,如图3(c)中第二个路径点搜索第三个路径点时,搜索范围自适应调整至24邻域,减少了路径规划中的冗余点,使路径更加平滑。通过对比图3(b)与图3(c),可看出加入转向代价函数后,相较于基于A*算法的路径规划方法规划的路径,路径转折点数量明显减少。
为了对本发明仿真实验中两种方法的效果进行评价,分别计算本发明方法与现有技术方法得到的规划路径的直行代价、转向代价、总代价、转折点数量四个指标,其结果如表1所示。其中,路径的直行代价为机器人直行的路径长度,路径的转向代价根据公式计算得出,路径的总代价为路径的直行代价与转向代价之和,路径转折点数量为路径中转折点的总数。
表1:仿真实验中本发明和现有技术路径规划结果的定量分析表
结合表1可以看出,本发明的路径规划方法,较于基于A*算法的路径规划方法,路径总代价减少了19.3%,直行代价减少了2.9%,转向代价减少了56%,转折点数量减少了4个。可见本发明的规划路径的直行代价、转向代价、总代价、转折点数量四项指标均高于现有技术的方法,证明采用本发明的方法可以得到更优的规划路径。
以上仿真实验表明:本发明通过采用自适应邻域搜索策略与加入转向代价的方法,减少了路径规划中的冗余点,提高路径平滑度,降低了规划路径总代价,提高了机器人移动的运行效率。
Claims (2)
1.一种基于自适应邻域与转向代价的机器人路径规划方法,其特征在于,在机器人行驶的每个路径点,采用自适应邻域策略与加入转向代价函数的方法搜索下一路径点;该方法的步骤包括如下:
(1)构建正方形栅格地图:
根据机器人拟行驶的途径构建一个正方形栅格地图,每个正方形栅格的边长等于机器人的左右轮的间距;
(2)将栅格地图中存在障碍物的每个栅格判定为不可通行栅格;不存在障碍物的每个栅格判定为可通行栅格;
(3)以机器人当前所在栅格为中心,搜索与其相邻8个栅格中是否存在至少一个不可通行的栅格,若是,则将搜索范围设置为相邻8个栅格后执行步骤(6);否则,执行步骤(4);
(4)以机器人当前所在栅格为中心,搜索与其相邻24个栅格是否存在至少一个不可通行的栅格,若是,则将搜索范围设置为相邻24个栅格后执行步骤(6);否则,执行步骤(5);
(5)以机器人当前所在栅格为中心,将搜索范围设置为相邻48个栅格;
(6)计算每个可通行栅格的评价值:
(6a)判断机器人当前所在栅格是否为机器人拟行驶途径的起始栅格,若是,则执行步骤(6b),否则,执行步骤(6c);
(6b)利用评价函数Fi=Gi+Hi,计算起始栅格的搜索范围内每个可通行栅格的评价值,其中,Fi表示起始栅格的搜索范围内第i个可通行栅格的评价值,Gi表示机器人从起始栅格行驶至起始栅格的搜索范围内第i个可通行栅格的路径长度,Hi表示起始栅格的搜索范围内第i个可通行栅格的启发值,Hi=|xd-xi|+|yd-yi|,|·|表示取绝对值操作,xd表示机器人拟行驶途径终点栅格的横坐标值,xi表示起始栅格的搜索范围内第i个可通行栅格的横坐标值,yd表示机器人拟行驶途径终点栅格的纵坐标值,yi表示起始栅格的搜索范围内第i个可通行栅格的纵坐标值;
(6c)利用评价函数F′j=Gj+Hj+Tj,计算搜索范围内每个可通行栅格的评价值,其中,F′j表示搜索范围内第j个可通行栅格的评价值,Tj表示机器人由当前所在栅格行驶至搜索范围内第j个可通行栅格的转向代价;
(7)确定下一个路径点:
将搜索范围内所有评价值最小的栅格作为机器人行驶的下一个路径点;
(8)判断所确定的下一个路径点是否为机器人拟行驶路径的终点,若是,则执行步骤(9),否则,执行步骤(3);
(9)将机器人起点至终点的路径点顺序连接得到机器人的最优行驶路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110613791.5A CN113219990B (zh) | 2021-06-02 | 2021-06-02 | 基于自适应邻域与转向代价的机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110613791.5A CN113219990B (zh) | 2021-06-02 | 2021-06-02 | 基于自适应邻域与转向代价的机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113219990A true CN113219990A (zh) | 2021-08-06 |
CN113219990B CN113219990B (zh) | 2022-04-26 |
Family
ID=77082339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110613791.5A Active CN113219990B (zh) | 2021-06-02 | 2021-06-02 | 基于自适应邻域与转向代价的机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113219990B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114355926A (zh) * | 2021-12-29 | 2022-04-15 | 深圳市云鼠科技开发有限公司 | 一种路径规划方法、装置、机器人及存储介质 |
CN117553804A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市普渡科技有限公司 | 路径规划方法、装置、计算机设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427592A (zh) * | 2015-11-03 | 2016-03-23 | 中原智慧城市设计研究院有限公司 | 基于浮动车的导航电子地图转向代价计算方法 |
CN108389255A (zh) * | 2018-02-12 | 2018-08-10 | 西安电子科技大学 | 基于分层高程云图的地形几何参数提取方法 |
CN110456789A (zh) * | 2019-07-23 | 2019-11-15 | 中国矿业大学 | 一种清洁机器人的全覆盖路径规划方法 |
CN111422741A (zh) * | 2020-03-24 | 2020-07-17 | 苏州西弗智能科技有限公司 | 一种桥式起重机运动路径规划方法 |
US20200284883A1 (en) * | 2019-03-08 | 2020-09-10 | Osram Gmbh | Component for a lidar sensor system, lidar sensor system, lidar sensor device, method for a lidar sensor system and method for a lidar sensor device |
CN112606830A (zh) * | 2020-12-29 | 2021-04-06 | 吉林大学 | 一种基于混合a*算法的两段式自主泊车路径规划方法 |
CN112833905A (zh) * | 2021-01-08 | 2021-05-25 | 北京大学 | 基于改进a*算法的分布式多agv无碰撞路径规划方法 |
CN112857384A (zh) * | 2021-01-18 | 2021-05-28 | 西安电子科技大学 | 基于改进启发函数的a*算法的移动机器人路径规划方法 |
-
2021
- 2021-06-02 CN CN202110613791.5A patent/CN113219990B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427592A (zh) * | 2015-11-03 | 2016-03-23 | 中原智慧城市设计研究院有限公司 | 基于浮动车的导航电子地图转向代价计算方法 |
CN108389255A (zh) * | 2018-02-12 | 2018-08-10 | 西安电子科技大学 | 基于分层高程云图的地形几何参数提取方法 |
US20200284883A1 (en) * | 2019-03-08 | 2020-09-10 | Osram Gmbh | Component for a lidar sensor system, lidar sensor system, lidar sensor device, method for a lidar sensor system and method for a lidar sensor device |
CN110456789A (zh) * | 2019-07-23 | 2019-11-15 | 中国矿业大学 | 一种清洁机器人的全覆盖路径规划方法 |
CN111422741A (zh) * | 2020-03-24 | 2020-07-17 | 苏州西弗智能科技有限公司 | 一种桥式起重机运动路径规划方法 |
CN112606830A (zh) * | 2020-12-29 | 2021-04-06 | 吉林大学 | 一种基于混合a*算法的两段式自主泊车路径规划方法 |
CN112833905A (zh) * | 2021-01-08 | 2021-05-25 | 北京大学 | 基于改进a*算法的分布式多agv无碰撞路径规划方法 |
CN112857384A (zh) * | 2021-01-18 | 2021-05-28 | 西安电子科技大学 | 基于改进启发函数的a*算法的移动机器人路径规划方法 |
Non-Patent Citations (4)
Title |
---|
BAOYAN ZHU等: ""A∗ algorithm of global path planning based on the grid map and V-graph environmental model for the mobile robot"", 《2017 CHINESE AUTOMATION CONGRESS (CAC)》 * |
张帆等: ""基于遗传算法的移动机器人路径规划仿真"", 《微计算机信息》 * |
徐宏宇等: ""基于改进蚁群算法的移动机器人路径规划"", 《沈阳航空航天大学学报》 * |
马向华等: ""改进A*算法在桥式起重机中的应用"", 《自动化仪表》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114355926A (zh) * | 2021-12-29 | 2022-04-15 | 深圳市云鼠科技开发有限公司 | 一种路径规划方法、装置、机器人及存储介质 |
CN114355926B (zh) * | 2021-12-29 | 2022-10-14 | 深圳市云鼠科技开发有限公司 | 一种路径规划方法、装置、机器人及存储介质 |
CN117553804A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市普渡科技有限公司 | 路径规划方法、装置、计算机设备和存储介质 |
CN117553804B (zh) * | 2024-01-11 | 2024-04-09 | 深圳市普渡科技有限公司 | 路径规划方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113219990B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109976350B (zh) | 多机器人调度方法、装置、服务器及计算机可读存储介质 | |
CN112650237B (zh) | 基于聚类处理和人工势场的船舶路径规划方法和装置 | |
CN113110522B (zh) | 一种基于复合式边界检测的机器人自主探索方法 | |
CN113219990B (zh) | 基于自适应邻域与转向代价的机器人路径规划方法 | |
CN109579854B (zh) | 基于快速扩展随机树的无人车避障方法 | |
CN110908386B (zh) | 一种无人车分层路径规划方法 | |
CN110006430B (zh) | 一种航迹规划算法的优化方法 | |
CN115079705A (zh) | 基于改进a星融合dwa优化算法的巡检机器人路径规划方法 | |
CN113625716B (zh) | 一种多智能体动态路径规划方法 | |
CN101604166A (zh) | 一种基于粒子群优化算法的移动机器人路径规划方法 | |
CN112033413A (zh) | 一种结合环境信息的改进a*算法 | |
CN110956161B (zh) | 一种自主建图方法、装置及智能机器人 | |
CN109655063B (zh) | 大型水陆两栖飞机海上搜索航路规划方法 | |
CN112286202A (zh) | 一种非均匀采样fmt*的移动机器人路径规划方法 | |
CN114625150B (zh) | 基于危险系数和距离函数的快速蚁群无人艇动态避障方法 | |
CN115167398A (zh) | 一种基于改进a星算法的无人船路径规划方法 | |
CN115077553A (zh) | 基于栅格搜索轨迹规划方法、***、汽车、设备及介质 | |
CN113701777B (zh) | 基于空间向量的高精地图车道关联轨迹线自动生成方法 | |
CN116734877A (zh) | 基于改进a*算法与动态窗口法的机器人动态避障方法 | |
CN110726416A (zh) | 一种基于障碍区域扩张策略的强化学习路径规划方法 | |
CN111310919B (zh) | 基于场景切分和局部路径规划的驾驶控制策略训练方法 | |
CN116560360A (zh) | 面向复杂动态场景的医用护理机器人实时动态路径规划方法及*** | |
CN116700284A (zh) | 一种基于改进自适应权重a*算法的agv路径规划方法 | |
Tang et al. | A reference path guided rrt* method for the local path planning of UGVS | |
CN111580563B (zh) | 一种基于种子搜索的无人机自主避障飞行方法 |
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 |