CN113341999A - 一种基于优化d*算法的叉车路径规划方法及装置 - Google Patents
一种基于优化d*算法的叉车路径规划方法及装置 Download PDFInfo
- Publication number
- CN113341999A CN113341999A CN202110728647.6A CN202110728647A CN113341999A CN 113341999 A CN113341999 A CN 113341999A CN 202110728647 A CN202110728647 A CN 202110728647A CN 113341999 A CN113341999 A CN 113341999A
- Authority
- CN
- China
- Prior art keywords
- forklift
- path
- surrounding environment
- environment map
- expanded
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000009499 grossing Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims 2
- 210000004027 cell Anatomy 0.000 description 15
- 210000002457 barrier cell Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 102100022148 G protein pathway suppressor 2 Human genes 0.000 description 1
- 101000900320 Homo sapiens G protein pathway suppressor 2 Proteins 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Forklifts And Lifting Vehicles (AREA)
Abstract
本发明提供了一种基于优化D*算法的叉车路径规划方法及装置,属于叉车路径规划技术领域。该方法包括:建立当前叉车周围环境地图;基于叉车运动学模型的限制,在当前叉车周围环境地图上利用D*算法规划出从当前位置到目标位置的多条路径;在膨胀后的叉车周围环境地图上,按照路径与膨胀后的障碍物不相交且路径长度最短的原则对规划出的多条路径进行筛选;对筛选出的路径进行平滑处理,得到当前最优路径;控制叉车沿当前最优路径行驶,行驶过程中实时更新叉车周围环境地图,若当前最优路径上出现新的障碍物就重新规划路径,直至叉车到达目标位置。该方法能在动态环境下实时规划叉车路径,使叉车在规划好的路径上能高效通过。
Description
技术领域
本发明涉及一种基于优化D*算法的叉车路径规划方法及装置,属于叉车路径规划技术领域。
背景技术
近年来,自动化仓储及物流输送需求被越来越多的工业企业采用,智能叉车的投入量也越来越多,智能叉车工作效率高、物流柔性强等优点也得到了更多的认可。智能叉车在工作中势必会遇到障碍物,需避开障碍物继续前进,最终到达目标点,完成运输任务。智能叉车的路径规划能力,决定了其能否在复杂环境中胜任高难度的工作。
路径规划的目的是在一定的约束条件下,规划出连接车辆当前位置和目标位置的无碰撞路径。针对无人车的路径规划问题,国内外学者提出了多种方法,如:人工势场法、A*算法、D*算法等。其中,人工势场法结构简单,有利于实时控制,在无人车避障和轨迹平滑方向上具有广泛的应用,但该方法容易陷入局部最小值,并且不适合在自由度较高的情况下进行规划,在满足无人车约束方向上效果不理想;A*算法适合于静态环境;D*算法适合于动态环境。
由于智能叉车所处的环境时刻在变化,这就要求智能叉车路径重新规划的速度要足够快,以满足叉车行驶实时性的需求,D*类算法作为A*类算法的改进,在环境变化时,会利用先前的搜索信息来提高本次搜索效率,与重复使用A*类算法进行重规划相比,搜索效率更高,因此D*算法更适合于解决智能叉车的动态路径规划问题。但直接将D*算法应用于智能叉车路径规划的效果并不好,常常会出现规划路径不可行驶的情况,路径通过率低。
发明内容
本发明的目的在于提供一种基于优化D*算法的叉车路径规划方法及装置,能够提高路径通过率,使叉车在规划好的路径上能高效通过。
为了实现上述目的,本发明提供了一种基于优化D*算法的叉车路径规划方法,该方法包括以下步骤:
步骤1、获取叉车的当前位置和目标位置,并获取叉车当前位置的周围环境信息,基于叉车当前位置的周围环境信息建立当前叉车周围环境地图;
步骤2、基于叉车运动学模型的限制,在当前叉车周围环境地图上利用D*算法规划出从当前位置到目标位置的多条路径;
步骤3、在膨胀后的叉车周围环境地图上,按照路径与膨胀后的障碍物不相交且路径长度最短的原则对步骤2规划出的多条路径进行筛选;所述膨胀后的叉车周围环境地图通过对当前叉车周围环境地图中的障碍物进行膨胀处理得到;
步骤4、对步骤3筛选出的路径进行平滑处理,得到当前最优路径;
步骤5、控制叉车沿所述当前最优路径行驶,行驶过程中实时更新叉车周围环境地图,利用实时更新的叉车周围环境地图判断所述当前最优路径上是否出现新的障碍物,若出现新的障碍物就返回到步骤2继续执行,直至叉车到达目标位置。
本发明基于优化D*算法的叉车路径规划方法的有益效果是:该方法首先在当前叉车周围环境地图上利用D*算法规划出从当前位置到目标位置的多条路径,然后在膨胀后的叉车周围环境地图上,按照路径与膨胀后的障碍物不相交且路径长度最短的原则对D*算法规划出的多条路径进行筛选,一方面通过保证筛选出的路径与膨胀后的障碍物不相交,进而保证筛选出的路径与当前叉车周围环境地图上的真实障碍物不相交,提高叉车沿最优路径行驶的通过率;另一方面通过保证筛选出的路径长度最短,进而保证叉车沿最优路径行驶的时间最短;并且,在行驶过程中还实时更新叉车周围环境地图,若当前最优路径上出现新的障碍物就重新进行路径规划,能在动态环境下实时规划叉车路径,进一步提高路径通过率,使叉车在规划好的路径上能高效通过。
进一步地,在上述方法中,所述步骤3通过以下步骤实现:首先确定所述膨胀后的叉车周围环境地图有效域内膨胀后障碍物的关键节点,所述膨胀后障碍物的关键节点为膨胀后障碍物的边界点;然后,利用有效域内膨胀后障碍物的关键节点对步骤2规划出的多条路径进行筛选,将步骤2规划出的多条路径中与膨胀后障碍物关键节点所构成的区域不相交的路径作为与膨胀后的障碍物不相交的路径;最后,从与膨胀后的障碍物不相交的路径中筛选出路径长度最短的路径作为步骤3筛选出的路径。
进一步地,在上述方法中,所述膨胀后的叉车周围环境地图通过以下步骤得到:对所述当前叉车周围环境地图进行栅格化,对栅格化后的叉车周围环境地图中的障碍物进行膨胀处理,得到膨胀后的叉车周围环境地图。
进一步地,在上述方法中,所述膨胀后的叉车周围环境地图通过以下步骤得到:对所述当前叉车周围环境地图中的障碍物进行膨胀处理,对膨胀处理后的叉车周围环境地图进行栅格化,得到膨胀后的叉车周围环境地图。
进一步地,为了确保叉车能安全无碰撞地通过,在上述方法中,进行膨胀处理时,将障碍物的膨胀半径设定为叉车宽度的一半以上。
进一步地,在上述方法中,所述叉车运动学模型为:
进一步地,在上述方法中,利用路径平滑度函数对步骤3筛选出的路径进行平滑处理,所述路径平滑度函数为:
式中,μ为环境因子,用来描述不同环境下已知障碍物对环境的影响信息,随着障碍物所占环境地图面积比率的不同而不同,θ代表当前节点修正前的叉车航向角,f(θi)代表当前节点修正后的叉车航向角。
进一步地,在上述方法中,还利用梯度下降法对路径平滑度函数处理后的路径进行平滑处理。
本发明还提供了一种基于优化D*算法的叉车路径规划装置,该装置包括环境感知***和控制器,所述环境感知***用于获取叉车的当前位置和叉车当前位置的周围环境信息,并发送给所述控制器,所述控制器基于环境感知***发送的数据实现上述的基于优化D*算法的叉车路径规划方法。
本发明基于优化D*算法的叉车路径规划装置的有益效果是:利用该装置能在动态环境下实时规划叉车路径,提高路径通过率,使叉车在规划好的路径上能高效通过。
进一步地,在上述装置中,所述环境感知***包括多线激光雷达、主GPS、副GPS、惯性测量单元和测距型扫描传感器,所述多线激光雷达安装在叉车顶部的中间位置,到叉车四周的距离相等;两个GPS安装在叉车顶部,前后各一个,且与多线激光雷达同在叉车的纵向方向上,并共线;惯性测量单元安装在叉车驾驶座椅后方;测距型扫描传感器安装在叉车前头中间位置。
附图说明
图1为本发明装置实施例中基于优化D*算法的叉车路径规划方法流程图;
图2为本发明装置实施例中膨胀前障碍物元胞示意图;
图3为本发明装置实施例中膨胀后障碍物元胞示意图;
图4为本发明装置实施例中叉车的侧视图;
图5为本发明装置实施例中叉车的俯视图;
图中,1为多线激光雷达,2为主GPS,3为副GPS,4为惯性测量单元,5为测距型扫描传感器。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
装置实施例:
本实施例的基于优化D*算法的叉车路径规划装置包括:环境感知***和控制器。其中,叉车上的环境感知***布置见图4、图5,环境感知***使用的传感器包括:多线激光雷达1、主GPS2、副GPS3、惯性测量单元4和测距型扫描传感器5。其中,多线激光雷达1安装在叉车顶部的中间位置,到叉车四周的距离相等,传感器坐标轴横轴正向为叉车前进方向,待建立全局坐标系后,此方向与全局坐标系横轴正方向的夹角即为车身方向角;两个GPS安装在叉车顶部,前后各一个,且与多线激光雷达同在叉车的纵向方向上,并共线;惯性测量单元4安装在叉车驾驶座椅后方;测距型扫描传感器5安装在叉车前头中间位置,扫描范围一般设置在0度到180度。
其中,环境感知***用于获取叉车的当前位置和叉车当前位置的周围环境信息,并发送给控制器,控制器基于环境感知***发送的数据实现如图1所示的基于优化D*算法的叉车路径规划方法(以下简称叉车路径规划方法)。
如图1所示,本实施例的叉车路径规划方法包括以下步骤:
步骤1、获取叉车的当前位置和目标位置,并获取叉车当前位置的周围环境信息,基于叉车当前位置的周围环境信息建立当前叉车周围环境地图;
步骤2、基于叉车运动学模型的限制,在当前叉车周围环境地图上利用D*算法规划出从当前位置到目标位置的多条路径;
步骤3、在膨胀后的叉车周围环境地图上,按照路径与膨胀后的障碍物不相交且路径长度最短的原则对步骤2规划出的多条路径进行筛选;
其中,膨胀后的叉车周围环境地图通过对当前叉车周围环境地图中的障碍物进行膨胀处理得到,膨胀处理的时间可以在步骤2之前,也可以在步骤2之后,根据实际情况确定。
步骤4、对步骤3筛选出的路径进行平滑处理,得到当前最优路径;
步骤5、控制叉车沿步骤4中的当前最优路径行驶,行驶过程中实时更新叉车周围环境地图,利用实时更新的叉车周围环境地图判断所述当前最优路径上是否出现新的障碍物,若出现新的障碍物就返回到步骤2继续执行,直至叉车到达目标位置。
其中,步骤1的具体实施过程如下:
利用叉车上布置的环境感知***获取叉车的当前位置和叉车当前位置的周围环境信息,基于获取的叉车当前位置的周围环境信息构建当前叉车周围环境地图;其中,利用多线激光雷达扫描当前叉车周围环境建立笛卡尔全局坐标系,再以多线激光雷达和GPS获得的当前全局位置信息和车身尺寸参数以及各传感器之间的位置关系,推算出各传感器当前位置点的全局坐标,再将多线激光雷达获得的周围物体相对坐标转化成全局坐标。利用测距型扫描传感器探测障碍物到叉车的距离,结合多线激光雷达、GPS和惯性测量单元探测到的信息获取叉车的当前位置,结合多线激光雷达和测距型扫描传感器探测叉车周围的障碍物形状、位置和大小。
步骤2的具体实施过程如下:
基于叉车运动学模型的限制,在当前叉车周围环境地图上利用D*算法规划出从当前位姿Xs=(xs,ys,θs)到目标位姿Xe=(xe,ye,θe)的多条路径,每条路径由一系列的车辆位姿表示。
其中,假设叉车只在平面上运动,车轮相对地面无滑动,则叉车运动学模型为:
利用D*算法规划路径的具体方法为现有技术,本实施例仅对D*算法的启发式搜索函数进行简单介绍,其余不再赘述。
D*算法的启发式搜索函数为:f(n)=g(n)+h(n),式中,n表示待扩展的元胞,f(n)为该节点的代价值,g(n)表示从起点沿着已规划出的路径到元胞n的移动代价,这个值一般取道路的物理长度,h(n)表示从元胞n到目标点的估计移动代价。D*算法的开列表中存放有规划路径上每个节点到目标节点的最短路径信息、每个节点的父节点、f(n)、g(n)、h(n)、以及父节点到当前节点的轨迹。当父节点扩展到子节点时,常规的方法每个节点只包含车辆的坐标信息,以父节点(x,y)为中心点,往上、下、左、右4个方向或上、下、左、右、左上、左下、右上、右下8个方向扩展子节点(x’,y’)。
本实施例中,膨胀后的叉车周围环境地图通过以下步骤得到:
(1)对当前叉车周围环境地图进行栅格化得到栅格化后的叉车周围环境地图(以下简称栅格地图,见图2),根据元胞法,将栅格地图的每个网格定义为一个元胞,在有效域内提取障碍物元胞;
具体地,根据栅格地图有效域内的障碍物形状、位置和大小提取障碍物元胞,有效域指:以叉车当前位置为圆心,以叉车当前位置到目标位置之间的距离为半径作圆而形成的有效区域。
(2)使用膨胀处理方法对栅格地图中的障碍物元胞进行膨胀处理,得到膨胀后的栅格地图(即膨胀后的叉车周围环境地图),如图3所示。
其中,障碍物的膨胀半径设定为叉车宽度的一半以上,以确保叉车能安全无碰撞地通过。
本实施例中先对当前叉车周围环境地图进行栅格化得到栅格地图,再对栅格地图中的障碍物进行膨胀处理得到膨胀后的栅格地图,将膨胀后的栅格地图作为膨胀后的叉车周围环境地图;作为其他实施方式,还可以先对当前叉车周围环境地图中的障碍物进行膨胀处理,再对膨胀处理后的地图进行栅格化得到膨胀后的栅格地图。作为其他实施方式,还可以省略栅格化的步骤,只对当前叉车周围环境地图中的障碍物进行膨胀处理得到膨胀后的叉车周围环境地图。
步骤3的具体实施过程如下:
(1)确定膨胀后的栅格地图有效域内膨胀后的障碍物元胞的关键节点(即有效域内膨胀后障碍物的关键节点);
其中,膨胀后障碍物的关键节点为膨胀后障碍物的边界点,具体地,将膨胀后的障碍物近似为四边形元胞,以膨胀后的障碍物元胞边界与周围元胞的四个交点作为关键节点,如图3所示,图3中有两个膨胀后的障碍物元胞,将每个障碍物元胞的关键节点进行编号,左上方障碍物元胞的关键节点分别为p7、p8、p9、p10,右下方障碍物元胞的关键节点分别为p1、p2、p3、p4、p5、p6。利用这10个关键节点来表示膨胀后的栅格地图有效域内膨胀后障碍物的位置信息。
(2)利用有效域内膨胀后障碍物的关键节点对步骤2规划出的多条路径进行筛选,将步骤2规划出的多条路径中与膨胀后障碍物关键节点所构成的区域不相交的路径作为与膨胀后的障碍物不相交的路径;
(3)从与膨胀后的障碍物不相交的路径中筛选出路径长度最短的路径作为步骤3筛选出的路径。
步骤4的具体实施过程如下:
利用路径平滑度函数及梯度下降法对步骤3筛选出的路径进行平滑处理,剔除冗余点,得到当前最优路径。
其中,路径平滑度函数为:
式中,μ为环境因子,用来描述不同环境下已知障碍物对环境的影响信息,随着障碍物所占环境地图面积比率的不同而不同,θ代表当前节点修正前的叉车航向角,f(θi)代表当前节点修正后的叉车航向角。
为了减少可能出现的无效转弯现象,引入路径平滑度函数对筛选出的路径偏离理想路径(理想路径为当前位置与目标位置的连线)的程度进行惩罚,得到偏移程度较小的路径,从而尽可能的避免无效转弯。
采用梯度下降法,使能量分摊到每个路径点上,先求一阶导数:
Dxi=0(i=1,2,3…N)
i=2Repeat
curretDxi=-4×(xi+1-2xi+xi-1)
succDxi+1=2×(xi+1-2xi+xi-1)
prev Dxi-1=2×(xi+1-2xi+xi-1)
Dxi-1=Dxi-1+prev Dxi-1
Dxi=Dxi+curretDxi
Dxi+1=Dxi+1+succDxi+1
Until>N-1
选定一常数μ,计算i=1
Repeat
xi=xi-μ×Dxi
until i>N
重复上述两个循环,直到前一次能量函数的值和后一次能量函数的值相减的绝对值小于预设ε为止。
其中,能量函数为其中N为路径点的数量,Δxi+1=xi+1-xi,Δxi=xi-xi-1,Dxi、Dxi+1、Dxi-1分别代表第i个点、第i+1个点、第i-1个点的能量,(这里的能量也可以理解为距离)。梯度下降法的处理流程是:设定一个值ε,通过对当前点的能量和下一个点的能量进行比较,两者差值的绝对值小于ε即为到达目标点。
步骤5的具体实施过程如下:
控制叉车沿步骤4中的当前最优路径行驶,行驶过程中实时更新叉车周围环境地图,利用实时更新的叉车周围环境地图判断当前最优路径上是否出现新的障碍物,若没有出现新障碍物就继续沿当前最优路径行驶,若出现新的障碍物就返回到步骤2继续执行,直至叉车到达目标位置,以完成实时路径规划任务。
综上所述,本实施例的叉车路径规划方法首先在当前叉车周围环境地图上利用D*算法规划出从当前位置到目标位置的多条路径,然后在膨胀后的叉车周围环境地图上,按照路径与膨胀后的障碍物不相交且路径长度最短的原则对D*算法规划出的多条路径进行筛选,一方面通过保证筛选出的路径与膨胀后的障碍物不相交,进而保证筛选出的路径与当前叉车周围环境地图上的真实障碍物不相交,提高叉车沿最优路径行驶的通过率;另一方面通过保证筛选出的路径长度最短,进而保证叉车沿最优路径行驶的时间最短;并且,在行驶过程中还实时更新叉车周围环境地图,若当前最优路径上出现新的障碍物就重新进行路径规划,能在动态环境下实时规划叉车路径,进一步提高路径通过率,使叉车在规划好的路径上能高效通过。
Claims (10)
1.一种基于优化D*算法的叉车路径规划方法,其特征在于,该方法包括以下步骤:
步骤1、获取叉车的当前位置和目标位置,并获取叉车当前位置的周围环境信息,基于叉车当前位置的周围环境信息建立当前叉车周围环境地图;
步骤2、基于叉车运动学模型的限制,在当前叉车周围环境地图上利用D*算法规划出从当前位置到目标位置的多条路径;
步骤3、在膨胀后的叉车周围环境地图上,按照路径与膨胀后的障碍物不相交且路径长度最短的原则对步骤2规划出的多条路径进行筛选;所述膨胀后的叉车周围环境地图通过对当前叉车周围环境地图中的障碍物进行膨胀处理得到;
步骤4、对步骤3筛选出的路径进行平滑处理,得到当前最优路径;
步骤5、控制叉车沿所述当前最优路径行驶,行驶过程中实时更新叉车周围环境地图,利用实时更新的叉车周围环境地图判断所述当前最优路径上是否出现新的障碍物,若出现新的障碍物就返回到步骤2继续执行,直至叉车到达目标位置。
2.根据权利要求1所述的基于优化D*算法的叉车路径规划方法,其特征在于,所述步骤3通过以下步骤实现:首先确定所述膨胀后的叉车周围环境地图有效域内膨胀后障碍物的关键节点,所述膨胀后障碍物的关键节点为膨胀后障碍物的边界点;然后,利用有效域内膨胀后障碍物的关键节点对步骤2规划出的多条路径进行筛选,将步骤2规划出的多条路径中与膨胀后障碍物关键节点所构成的区域不相交的路径作为与膨胀后的障碍物不相交的路径;最后,从与膨胀后的障碍物不相交的路径中筛选出路径长度最短的路径作为步骤3筛选出的路径。
3.根据权利要求2所述的基于优化D*算法的叉车路径规划方法,其特征在于,所述膨胀后的叉车周围环境地图通过以下步骤得到:对所述当前叉车周围环境地图进行栅格化,对栅格化后的叉车周围环境地图中的障碍物进行膨胀处理,得到膨胀后的叉车周围环境地图。
4.根据权利要求2所述的基于优化D*算法的叉车路径规划方法,其特征在于,所述膨胀后的叉车周围环境地图通过以下步骤得到:对所述当前叉车周围环境地图中的障碍物进行膨胀处理,对膨胀处理后的叉车周围环境地图进行栅格化,得到膨胀后的叉车周围环境地图。
5.根据权利要求3或4所述的基于优化D*算法的叉车路径规划方法,其特征在于,进行膨胀处理时,将障碍物的膨胀半径设定为叉车宽度的一半以上。
8.根据权利要求7所述的基于优化D*算法的叉车路径规划方法,其特征在于,还利用梯度下降法对路径平滑度函数处理后的路径进行平滑处理。
9.一种基于优化D*算法的叉车路径规划装置,其特征在于,该装置包括环境感知***和控制器,所述环境感知***用于获取叉车的当前位置和叉车当前位置的周围环境信息,并发送给所述控制器,所述控制器基于环境感知***发送的数据实现如权利要求1-8任一项所述的基于优化D*算法的叉车路径规划方法。
10.根据权利要求9所述的基于优化D*算法的叉车路径规划装置,其特征在于,所述环境感知***包括多线激光雷达、主GPS、副GPS、惯性测量单元和测距型扫描传感器,所述多线激光雷达安装在叉车顶部的中间位置,到叉车四周的距离相等;两个GPS安装在叉车顶部,前后各一个,且与多线激光雷达同在叉车的纵向方向上,并共线;惯性测量单元安装在叉车驾驶座椅后方;测距型扫描传感器安装在叉车前头中间位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110728647.6A CN113341999A (zh) | 2021-06-29 | 2021-06-29 | 一种基于优化d*算法的叉车路径规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110728647.6A CN113341999A (zh) | 2021-06-29 | 2021-06-29 | 一种基于优化d*算法的叉车路径规划方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113341999A true CN113341999A (zh) | 2021-09-03 |
Family
ID=77481436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110728647.6A Pending CN113341999A (zh) | 2021-06-29 | 2021-06-29 | 一种基于优化d*算法的叉车路径规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113341999A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113867347A (zh) * | 2021-09-24 | 2021-12-31 | 深圳优艾智合机器人科技有限公司 | 机器人路径规划方法、装置、管理***及计算机存储介质 |
CN114378834A (zh) * | 2022-03-23 | 2022-04-22 | 季华实验室 | 机械臂避障路径规划方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106774329A (zh) * | 2016-12-29 | 2017-05-31 | 大连理工大学 | 一种基于椭圆切线构造的机器人路径规划方法 |
CN108073176A (zh) * | 2018-02-10 | 2018-05-25 | 西安交通大学 | 一种改进型D*Lite车辆动态路径规划方法 |
DE102016223829A1 (de) * | 2016-11-30 | 2018-05-30 | Robert Bosch Gmbh | Verfahren zur rechenzeiteffizienten Kollisionsprüfung bei einer Pfadplanung für ein Fahrzeug |
CN112486178A (zh) * | 2020-12-03 | 2021-03-12 | 哈尔滨理工大学 | 一种基于有向d*算法的动态路径规划方法 |
CN112783144A (zh) * | 2019-10-22 | 2021-05-11 | 舜宇光学(浙江)研究院有限公司 | 路径生成方法和路径规划方法及其***和设备 |
-
2021
- 2021-06-29 CN CN202110728647.6A patent/CN113341999A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016223829A1 (de) * | 2016-11-30 | 2018-05-30 | Robert Bosch Gmbh | Verfahren zur rechenzeiteffizienten Kollisionsprüfung bei einer Pfadplanung für ein Fahrzeug |
CN106774329A (zh) * | 2016-12-29 | 2017-05-31 | 大连理工大学 | 一种基于椭圆切线构造的机器人路径规划方法 |
CN108073176A (zh) * | 2018-02-10 | 2018-05-25 | 西安交通大学 | 一种改进型D*Lite车辆动态路径规划方法 |
CN112783144A (zh) * | 2019-10-22 | 2021-05-11 | 舜宇光学(浙江)研究院有限公司 | 路径生成方法和路径规划方法及其***和设备 |
CN112486178A (zh) * | 2020-12-03 | 2021-03-12 | 哈尔滨理工大学 | 一种基于有向d*算法的动态路径规划方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113867347A (zh) * | 2021-09-24 | 2021-12-31 | 深圳优艾智合机器人科技有限公司 | 机器人路径规划方法、装置、管理***及计算机存储介质 |
CN114378834A (zh) * | 2022-03-23 | 2022-04-22 | 季华实验室 | 机械臂避障路径规划方法、装置、电子设备及存储介质 |
CN114378834B (zh) * | 2022-03-23 | 2022-06-17 | 季华实验室 | 机械臂避障路径规划方法、装置、电子设备及存储介质 |
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 | |
CN110703762B (zh) | 一种复杂环境下水面无人艇混合路径规划方法 | |
CN106926844B (zh) | 一种基于实时环境信息的动态自动驾驶换道轨迹规划方法 | |
CN110361013B (zh) | 一种用于车辆模型的路径规划***及方法 | |
WO2019042295A1 (zh) | 一种无人驾驶路径规划方法、***和装置 | |
CN108073176A (zh) | 一种改进型D*Lite车辆动态路径规划方法 | |
CN106843223A (zh) | 一种智能化避障agv小车***及避障方法 | |
CN111907516B (zh) | 一种全自动泊车方法和*** | |
CN110036353A (zh) | 用于跟踪路线的地面车辆中的自适应控制方法和***,尤其是在自动驾驶场景中 | |
CN105043376B (zh) | 一种适用于非全向移动车辆的智能导航方法及*** | |
CN112141091B (zh) | 解决车位偏移和定位偏移的二次泊车方法、***及车辆 | |
CN110307850A (zh) | 航迹推算定位方法及自动泊车*** | |
Zheng et al. | RRT based path planning for autonomous parking of vehicle | |
KR101133037B1 (ko) | 자율이동차량용 충돌회피를 위한 경로갱신방법 및 그 장치 | |
CN104897168A (zh) | 基于道路危险评估的智能车路径搜索方法及*** | |
CN113341999A (zh) | 一种基于优化d*算法的叉车路径规划方法及装置 | |
CN112284393A (zh) | 一种智能移动机器人全局路径规划方法和*** | |
CN113741454B (zh) | 一种基于搜索的多智能体路径规划方法及*** | |
Zhuge et al. | A novel dynamic obstacle avoidance algorithm based on collision time histogram | |
CN114200945B (zh) | 一种移动机器人的安全控制方法 | |
CN113515111B (zh) | 一种车辆避障路径规划方法及装置 | |
Fu et al. | Path planning and decision making for autonomous vehicle in urban environment | |
CN113467476A (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 | |
CN114964267A (zh) | 一种无人牵引车在多任务点环境下的路径规划方法 | |
Pérez-Morales et al. | Autonomous parking using a sensor based approach |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210903 |