CN113359756B - 一种基于栅格法实现全向移动机器人避障路径实时规划的方法 - Google Patents
一种基于栅格法实现全向移动机器人避障路径实时规划的方法 Download PDFInfo
- Publication number
- CN113359756B CN113359756B CN202110723785.5A CN202110723785A CN113359756B CN 113359756 B CN113359756 B CN 113359756B CN 202110723785 A CN202110723785 A CN 202110723785A CN 113359756 B CN113359756 B CN 113359756B
- Authority
- CN
- China
- Prior art keywords
- robot
- obstacle
- mobile robot
- speed
- speed increment
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000004888 barrier function Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000000694 effects Effects 0.000 claims description 10
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 230000001846 repelling effect Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage 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
- G05D1/0214—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
- G05D1/0223—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)
- Manipulator (AREA)
Abstract
本发明公开了一种基于栅格法实现全向移动机器人避障路径实时规划的方法,包括如下步骤:S1、建立坐标系;S2、栅格法构建地图并对栅格进行二值化处理;S3、进行障碍物栅格搜索;S4、计算当前移动机器人中心点位置f(t)到目标点之间的距离dg(t)和角度θg(t);S5、根据距离关系通过速度增量函数给机器人提供速度增量;S6、得到移动机器人穿越障碍物的实时轨迹曲线,得到移动机器人下一时刻位置和方向;S7、判断机器人是否到达目标点,若到达,搜索停止,结束计算;若没到达,重复执行步骤S3~S6。本发明所述方法,吸收了势场法和栅格法的优点,实现了避障路径的实时规划、提高了运算效率、有效降低路径长度、适用于工程实践。
Description
技术领域
本发明是涉及一种基于栅格法实现全向移动机器人避障路径实时规划的方法,属于避障路径规划技术领域。
背景技术
移动机器人是实现智能制造的重要支撑。不管是应对复杂而繁重的设备搬运任务,还是爆发式增长的物流快件分拣任务,移动机器人依托高效的数字化管理可以做到响应快速,运动精确,极大地降低工业现场对劳动力的依赖,极高了企业的智能化水平。目前移动机器人因其优异的移动性能已经在物流仓储、探险抢险、农业生产、娱乐服务等生产生活的方方面面发挥着作用。复杂工作环境对移动机器人的智能化水平提出了更高的要求,避障路径规划就是一项重要且具有挑战性的任务。随着对移动机器人关键技术的研究不断地深入,移动机器人避障路径规划问题成为国内外研究的热点。
避障路径规划算法有栅格法、人工势场法、蚁群算法、神经网络避障、遗传算法等,其中栅格法和人工势场法是现今较为流行的算法。栅格法将地图全域划分为一定密度的栅格单元,通过栅格搜索寻找目标点,直接应用这种方法不考虑机器人和障碍物的外形特点时,规划出的路线较为曲折,缺少平顺性。而人工势场法是简单易实现的避障方法,其基本思想是机器人被目标点吸引,被障碍物排斥,应用人工势场法规划出来的路径是比较平滑和安全的,但是存在障碍物附近不可达和局部极小点等问题。
关于势场法的机器人避障路径规划文献层出不穷,但是很少考虑到工程实践的整套流程。格蒂尼亚海事大学的Lazarowska A教授在文献《Discrete Artificial PotentialField Approach to Mobile Robot Path Planning》中将栅格思想融入人工势场法,构造了离散势场,考虑了动态障碍物,并根据算法的路径长度和运行时间获得了有效的解,获得了安全、平滑的无碰撞避障路径。AZZABI A在文献《an Advanced Potential Field MethodProposed for Mobile Robot Path》针对局部极小值问题和附近障碍物不可达问题,提出了一种新的排斥势函数,当检测到局部极小值时,通过激活虚拟逃逸力来脱离局部极小点。ZHANG N等在《Path planning of six-DOF serial robots based on improvedartificial potential field method》一文中提出在人工势场算法的基础上,设计新的势能函数以减少运动过程中计算势场对智能体作用力合力的繁琐步骤,提高了算法效率。吉林大学汽车仿真与控制国家级实验室团队在《A Motion Planning and TrackingFramework for Autonomous Vehicles Based on Artificial Potential FieldElaborated Resistance Network Approach》一文中采用人工势场(APF)方法为不同的障碍物和道路边界分配不同的势函数,同时根据势函数对可驾驶区域进行网格化,并在每条边分配阻力值,采用局部电流比较法寻找无冲突路径,并通过对不同场景的研究,验证了该方法在自动决策避障和最快运动方面的可行性。
发明内容
针对现有技术存在的上述问题,本发明的目的是提供一种基于栅格法实现全向移动机器人避障路径实时规划的方法,以实现避障路径的实时规划、提高运算效率、有效降低路径长度、适用于工程实践。
为实现上述发明目的,本发明采用的技术方案如下:
一种基于栅格法实现全向移动机器人避障路径实时规划的方法,包括如下步骤:
S1、建立坐标系:根据摄像机获取的环境图像,确定机器人的中心点位置f(t)坐标、机器人运动的目标点g(t)坐标、障碍物区域位置的坐标,建立坐标系XOY,并根据机器人的中心点位置f(t)坐标得到机器人外轮廓上的点的坐标;
S2、采用栅格法构建机器人工作环境的地图,并对每个栅格进行二值化处理,栅格数值为0表示有障碍物,栅格数值为1表示无障碍物;
S3、选取机器人外轮廓上的点向外沿着给定方向进行障碍物栅格搜索,若搜索到1,继续搜索并累加1的个数;搜索到0或者地图边界,搜索停止,回报搜索步数,搜索方向的个数为j,记录第j个搜索方向上移动机器人到障碍物表面的距离dbj(t)和角度θbj(t);
S4、计算当前移动机器人中心点位置f(t)到目标点之间的距离dg(t)和角度θg(t);
S5、根据距离关系通过速度增量函数给机器人提供速度增量;根据目标点对机器人有吸引作用的思想定义正速度增量、障碍物对机器人有排斥作用的思想定义负速度增量合成速度增量函数(即:速度势函数),通过速度增量函数给机器人提供速度增量;
S6、设定移动机器人的运动学方程,将速度增量函数引入移动机器人的运动学方程,得到移动机器人的速度矩阵,通过速度矩阵得到移动机器人穿越障碍物的实时轨迹曲线,得到移动机器人下一时刻位置和方向;
S7、判断机器人是否到达目标点,若到达,搜索停止,结束计算;若没到达,重复执行步骤S3~S6。
一种实施方案,步骤S5的具体操作如下:
S51、将目标点对机器人的吸引作用定义为正速度增量av,定义目标点对机器人的速度增量矩阵为:
为防止因距离过远导致吸引势过小,引入最小吸引势速度增量矩阵为避免机器人接近目标点时,速度增量趋于无穷,引入目标点附近的距离阈值dgm,当dg(t)<dgm时,dg(t)=dgm;得到新的速度增量矩阵:
S52、将障碍物对机器人的排斥作用定义为负速度增量aw,定义障碍物对机器人的速度增量矩阵为:
式中j为测量的方向的个数;β为排斥势的程度参数;ηj为各排斥势的影响比例因子,与障碍物的形状和大小有关;dm为障碍物***的最小安全距离,可防止机器人因为惯性发生碰撞;awx(t)和awy(t)分别为aw(t)在x方向和y方向上的速度增量;dbj(t)和θbj(t)为第j个方向上当前机器人位置与障碍物接触点的距离和角度;
一种优选方案,步骤S53中,合成速度增量函数后,为防止速度增量累加产生零势点,使机器人陷入局部极小点,引入最小合成速度增量当机器人陷入局部极小点时,最小合成速度增量会帮助机器人离开零势点区域,得到新的速度增量矩阵a(t):
一种实施方案,步骤S6的具体操作为:
首先,设定移动机器人t时刻中心点位置(即:移动机器人t时刻位姿)为f(t)=[x(t)y(t)θ(t)]T,其中[x(t)y(t)]T∈R2表示中心点f在XOY中的实时位置,θ(t)示机器人前进方向与x轴之间的实时夹角,假设移动机器人驱动轮与地面不滑移,其运动学方程可表示如下:
其次,设定当前速度矢量为p(t)=[v(t) ω(t)]T,t时刻到t+1时刻的时间微分为dt,将速度增量函数代入,即得到t+1时刻机器人的速度矩阵为:
最后,通过速度矩阵,可以得到移动机器人穿越障碍物的实时轨迹曲线:
机器人下一时刻的方位角为:
与现有技术相比,本发明具有如下显著性有益效果:
本发明提供的基于栅格法实现全向移动机器人避障路径实时规划的方法,针对未知且复杂多变的障碍物环境,利用栅格法对全向移动机器人的运动环境、机器人本身和障碍物进行二值化处理,从机器人外轮廓上的栅格点向四周搜索来计算机器人到障碍物表面的距离和角度,引入速度势函数产生实时速度和方向同时根据目标点对机器人有吸引作用的思想定义正速度增量,障碍物对机器人有排斥作用的思想定义负速度增量,且在生成速度势函数时将机器人与障碍物的最小安全距离考虑进来该方法吸收了势场法和栅格法的优点,充分考虑了避障过程中机器人和障碍物外形特点,具有更好的实时性和容错性;总之,本发明所述方法完全建立在运动学的基础之上,省去了复杂的动力学求解,可以提高运算效率,有效降低路径长度,适用于工程实践,相较于现有技术,取得了显著性进步和出乎意料的技术效果。
附图说明
图1为本发明所述方法的基本流程图;
图2为移动机器人工作场景示意图与坐标系;
图3为栅格地图的构建与二值化;
图4为速度势场分布示意图;
图5为圆形障碍物环境避障路径;
图6为图5所示障碍物环境的避障路径曲线特征;
图7为方形障碍物环境避障路径;
图8为图7所示障碍物环境的避障路径曲线特征。
具体实施方式
请参见图1所示,本发明提供的一种基于栅格法实现全向移动机器人避障路径实时规划的方法,包括如下步骤:
S1、建立坐标系:根据摄像机获取的环境图像,确定机器人的中心点位置f(t)坐标、机器人运动的目标点g(t)坐标、障碍物区域位置的坐标,建立坐标系XOY(如图2所示),并根据机器人的中心点位置f(t)坐标得到机器人外轮廓上的点的坐标(具体的,是从机器人的中心点通过给方向划线即得到机器人外轮廓上的点);
S2、采用栅格法构建机器人工作环境的地图,并对每个栅格进行二值化处理,栅格数值为0表示有障碍物,栅格数值为1表示无障碍物(如图3所示);
S3、选取机器人外轮廓上的点(从外轮廓开始搜索避障,充分考虑到了机器人的外形因素,搜索结果更为准确)向外沿着给定方向进行障碍物栅格搜索,若搜索到1,继续搜索并累加1的个数;搜索到0或者地图边界,搜索停止,回报搜索步数,搜索方向的个数为j,记录第j个搜索方向上移动机器人到障碍物表面的距离dbj(t)和角度θbj(t);
S5、根据距离关系通过速度增量函数给机器人提供速度增量;根据目标点对机器人有吸引作用的思想定义正速度增量、障碍物对机器人有排斥作用的思想定义负速度增量(如图4所示)合成速度增量函数(即图1中的速度势函数),通过速度增量函数给机器人提供速度增量,具体操作如下:
S51、将目标点对机器人的吸引作用定义为正速度增量av,定义目标点对机器人的速度增量矩阵为:
为防止因距离过远导致吸引势过小,引入最小吸引势速度增量矩阵为避免机器人接近目标点时,速度增量趋于无穷,引入目标点附近的距离阈值dgm,当dg(t)<dgm时,dg(t)=dgm;得到新的速度增量矩阵:
S52、将障碍物对机器人的排斥作用定义为负速度增量aw,定义障碍物对机器人的速度增量矩阵为:
式中j为测量的方向的个数;β为排斥势的程度参数;ηj为各排斥势的影响比例因子,与障碍物的形状和大小有关;dm为障碍物***的最小安全距离,可防止机器人因为惯性发生碰撞;awx(t)和awy(t)分别为aw(t)在x方向和y方向上的速度增量;dbj(t)和θbj(t)为第j个方向上当前机器人位置与障碍物接触点的距离和角度;
S53、合成速度增量函数此外,为防止速度增量累加产生零势点,使机器人陷入局部极小点,引入最小合成速度增量当机器人陷入局部极小点时,最小合成速度增量会帮助机器人离开零势点区域,得到新的速度增量矩阵a(t):
S6、设定移动机器人的运动学方程,将速度增量函数引入移动机器人的运动学方程,得到移动机器人的速度矩阵,通过速度矩阵得到移动机器人穿越障碍物的实时轨迹曲线,得到移动机器人下一时刻位置和方向;
具体操作如下:
首先,设定移动机器人t时刻中心点位置(即:移动机器人t时刻位姿)为f(t)=[x(t) y(t) θ(t)]T,其中[x(t) y(t)]T∈R2表示中心点f在XOY中的实时位置,θ(t)示机器人前进方向与x轴之间的实时夹角,假设移动机器人驱动轮与地面不滑移,其运动学方程可表示如下:
其次,设定当前速度矢量为p(t)=[v(t) ω(t)]T,t时刻到t+1时刻的时间微分为dt,将速度增量函数代入,即得到t+1时刻机器人的速度矩阵为:
最后,通过速度矩阵,可以得到移动机器人穿越障碍物的实时轨迹曲线:
机器人下一时刻的方位角为:
S7、判断机器人是否到达目标点,若到达,搜索停止,结束计算;若没到达,重复执行步骤S3~S6,从而完成全向移动机器人实时避障的路径规划。
为了验证本发明方法的有效性和效果,下面结合具体实施例对本发明技术方案做进一步详细、完整地说明。
实施例1
本实施例中在一个50m*50m的作业范围内,通过密度为500*500的栅格进行划分,针对不同障碍物条件进行了试验,具体的试验步骤如S1~S7所示。
本实施例的试验条件、初始值设置、最终的试验结果如下:
1)试验条件(具体参数选择):
机器人的大小:0.1m*0.1m;
障碍物的大小:根据实际障碍物形状;
吸引势和排斥势影响比例因子:300000;
吸引势和排斥势的程度:3;
障碍物最小安全距离:0.5m;
机器人最大速度:0.1m/s;
机器人最大输出角速度:pi/18rad/s;
机器人最大速度增量:0.1m2/s;
机器人最小速度增量:0.005m2/s;
2)初始值设置:
机器人初始位置坐标:(20,20);
机器人目标位置坐标:(450,450);
机器人初始转角:pi/8;
机器人初始速度:0m/s;
障碍物位置:障碍物位置和形状分两种情况(如图5和图7所示);
3)试验结果及分析:
试验结果如图5至图8所示,其中,图5为圆形表面障碍物路径规划图,图6为图5对应的路径曲线;图7为方形表面障碍物路径规划图,图8为图7对应的路径曲线;图5和图7中,路径中的小方块表示机器人的实际形状,黑色的物块表示障碍物的形状和位置.
由图5至图8所给出的实时规划路径可见,本发明所述方法能够从机器人中心点出发,通过栅格搜索求得到各个障碍物之间的距离和角度,进而利用实施步骤S5所给出的速度势函数和计算方法,基于机器人的运动学方程规划得到下一时刻的位置和方向,进而完成避障路径的实时规划,最终不同时刻的位置被记录在地图中,形成了机器人的避障路径。
最后需要在此指出的是:以上仅是本发明的部分优选实施例,不能理解为对本发明保护范围的限制,本领域的技术人员根据本发明的上述内容做出的一些非本质的改进和调整均属于本发明的保护范围。
Claims (2)
1.一种基于栅格法实现全向移动机器人避障路径实时规划的方法,其特征在于,包括如下步骤:
S1、建立坐标系:根据摄像机获取的环境图像,确定机器人的中心点位置f(t)坐标、机器人运动的目标点g(t)坐标、障碍物区域位置的坐标,建立坐标系XOY,并根据机器人的中心点位置f(t)坐标得到机器人外轮廓上的点的坐标;
S2、采用栅格法构建机器人工作环境的地图,并对每个栅格进行二值化处理,栅格数值为0表示有障碍物,栅格数值为1表示无障碍物;
S3、选取机器人外轮廓上的点向外沿着给定方向进行障碍物栅格搜索,若搜索到1,继续搜索并累加1的个数;搜索到0或者地图边界,搜索停止,回报搜索步数,搜索方向的个数为j,记录第j个搜索方向上移动机器人到障碍物表面的距离dbj(t)和角度θbj(t);
S5、根据距离关系通过速度增量函数给机器人提供速度增量;根据目标点对机器人有吸引作用的思想定义正速度增量、障碍物对机器人有排斥作用的思想定义负速度增量合成速度增量函数,通过速度增量函数给机器人提供速度增量;具体操作如下:
S51、将目标点对机器人的吸引作用定义为正速度增量av,定义目标点对机器人的速度增量矩阵为:
为防止因距离过远导致吸引势过小,引入最小吸引势速度增量矩阵为避免机器人接近目标点时,速度增量趋于无穷,引入目标点附近的距离阈值dgm,当dg(t)<dgm时,dg(t)=dgm;得到新的速度增量矩阵:
S52、将障碍物对机器人的排斥作用定义为负速度增量aw,定义障碍物对机器人的速度增量矩阵为:
式中j为测量的方向的个数;β为排斥势的程度参数;ηj为各排斥势的影响比例因子,与障碍物的形状和大小有关;dm为障碍物***的最小安全距离,可防止机器人因为惯性发生碰撞;awx(t)和awy(t)分别为aw(t)在x方向和y方向上的速度增量;dbj(t)和θbj(t)为第j个方向上当前机器人位置与障碍物接触点的距离和角度;
S6、设定移动机器人的运动学方程,将速度增量函数引入移动机器人的运动学方程,得到移动机器人的速度矩阵,通过速度矩阵得到移动机器人穿越障碍物的实时轨迹曲线,得到移动机器人下一时刻位置和方向;具体操作为:
首先,设定移动机器人t时刻中心点位置为f(t)=[x(t) y(t) θ(t)]T,其中[x(t) y(t)]T∈R2表示中心点f在XOY中的实时位置,θ(t)示机器人前进方向与x轴之间的实时夹角,假设移动机器人驱动轮与地面不滑移,其运动学方程可表示如下:
其次,设定当前速度矢量为p(t)=[v(t) ω(t)]T,t时刻到t+1时刻的时间微分为dt,将速度增量函数代入,即得到t+1时刻机器人的速度矩阵为:
最后,通过速度矩阵,可以得到移动机器人穿越障碍物的实时轨迹曲线:
机器人下一时刻的方位角为:
S7、判断机器人是否到达目标点,若到达,搜索停止,结束计算;若没到达,重复执行步骤S3~S6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110723785.5A CN113359756B (zh) | 2021-06-29 | 2021-06-29 | 一种基于栅格法实现全向移动机器人避障路径实时规划的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110723785.5A CN113359756B (zh) | 2021-06-29 | 2021-06-29 | 一种基于栅格法实现全向移动机器人避障路径实时规划的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113359756A CN113359756A (zh) | 2021-09-07 |
CN113359756B true CN113359756B (zh) | 2022-06-28 |
Family
ID=77536919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110723785.5A Active CN113359756B (zh) | 2021-06-29 | 2021-06-29 | 一种基于栅格法实现全向移动机器人避障路径实时规划的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113359756B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114446121B (zh) * | 2022-02-24 | 2024-03-05 | 汕头市快畅机器人科技有限公司 | 一种生命搜索集群教育机器人的控制方法 |
CN117055559A (zh) * | 2023-08-30 | 2023-11-14 | 苏州大成运和智能科技有限公司 | 一种改进人工势场法的自动驾驶车辆避障方法 |
CN117472066B (zh) * | 2023-12-27 | 2024-03-26 | 成都流体动力创新中心 | 一种航向角速度局部最优的避障控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110928295A (zh) * | 2019-10-16 | 2020-03-27 | 重庆邮电大学 | 一种融合人工势场与对数蚁群算法的机器人路径规划方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4241673B2 (ja) * | 2005-06-17 | 2009-03-18 | 本田技研工業株式会社 | 移動体の経路生成装置 |
CN105511457B (zh) * | 2014-09-25 | 2019-03-01 | 科沃斯机器人股份有限公司 | 机器人静态路径规划方法 |
CN106708054B (zh) * | 2017-01-24 | 2019-12-13 | 贵州电网有限责任公司电力科学研究院 | 结合地图栅格与势场法避障的巡检机器人路径规划方法 |
CN108326849B (zh) * | 2018-01-04 | 2019-08-30 | 浙江大学 | 一种基于改进人工势场法的多自由度机械臂动态避障路径规划方法 |
CN108932216B (zh) * | 2018-06-22 | 2022-06-21 | 上海工程技术大学 | 一种基于粒子群优化算法的机器人逆运动学求解方法 |
CN111506083A (zh) * | 2020-05-19 | 2020-08-07 | 上海应用技术大学 | 基于人工势场法的工业机器人安全避障方法 |
-
2021
- 2021-06-29 CN CN202110723785.5A patent/CN113359756B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110928295A (zh) * | 2019-10-16 | 2020-03-27 | 重庆邮电大学 | 一种融合人工势场与对数蚁群算法的机器人路径规划方法 |
Non-Patent Citations (2)
Title |
---|
基于人工势场法的多机器人协同避障;陈骏岭;《计算机科学》;20201231;第47卷(第11期);全文 * |
改进的势场栅格法在机器人路径规划中的应用;雷艳敏;《长春大学学报》;20091231;第19卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113359756A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113359756B (zh) | 一种基于栅格法实现全向移动机器人避障路径实时规划的方法 | |
Zhen et al. | Rotary unmanned aerial vehicles path planning in rough terrain based on multi-objective particle swarm optimization | |
CN107168305B (zh) | 路口场景下基于Bezier和VFH的无人车轨迹规划方法 | |
CN104267728B (zh) | 一种基于可达区域质心矢量的移动机器人避障方法 | |
CN112684807A (zh) | 无人机集群三维编队方法 | |
CN110908373A (zh) | 一种基于改进人工势场的智能车辆轨迹规划方法 | |
CN105511457A (zh) | 机器人静态路径规划方法 | |
CN106371445A (zh) | 一种基于拓扑地图的无人车规划控制方法 | |
CN109947136A (zh) | 一种面向无人机群体快速目标搜索的协同主动感知方法 | |
CN104501816A (zh) | 一种多无人飞行器协调避碰导引规划方法 | |
CN113345008B (zh) | 考虑轮式机器人位姿估计的激光雷达动态障碍物检测方法 | |
CN113485371B (zh) | 一种基于改进麻雀搜索算法的水下多auv路径规划方法 | |
CN114442628B (zh) | 基于人工势场法的移动机器人路径规划方法、装置及*** | |
CN114755373B (zh) | 一种基于多机器人编队的空气污染源预警定位方法 | |
CN111123953B (zh) | 人工智能大数据下粒子化移动机器人组及其控制方法 | |
CN114967701A (zh) | 一种动态环境下移动机器人自主导航方法 | |
CN108227718B (zh) | 一种自适应切换的自动搬运小车路径规划方法 | |
Wang et al. | Research on autonomous planning method based on improved quantum Particle Swarm Optimization for Autonomous Underwater Vehicle | |
Alsaab et al. | Improving velocity obstacle approach for obstacle avoidance in indoor environments | |
CN111007848A (zh) | 一种基于有界空间的多智能体协同作业控制方法 | |
Chen | UUV path planning algorithm based on virtual obstacle | |
Zhang et al. | Research on complete coverage path planning for unmanned surface vessel | |
Dirafzoon et al. | Virtual force based individual particle optimization for coverage in wireless sensor networks | |
CN115047871A (zh) | 动态目标的多无人车协同搜索方法、装置、设备及介质 | |
Shi et al. | Mobile robot path planning in three-dimensional environment based on ACO-PSO hybrid algorithm |
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 |