CN113485369A - 改进a*算法的室内移动机器人路径规划和路径优化方法 - Google Patents
改进a*算法的室内移动机器人路径规划和路径优化方法 Download PDFInfo
- Publication number
- CN113485369A CN113485369A CN202110914076.5A CN202110914076A CN113485369A CN 113485369 A CN113485369 A CN 113485369A CN 202110914076 A CN202110914076 A CN 202110914076A CN 113485369 A CN113485369 A CN 113485369A
- Authority
- CN
- China
- Prior art keywords
- path
- point
- node
- algorithm
- jumping
- 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 30
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 230000009191 jumping Effects 0.000 claims abstract description 55
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000003068 static effect Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000011218 segmentation 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
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
本发明公开了改进A*算法的室内移动机器人路径规划和路径优化方法,包括:S1,获取室内场景的全局静态栅格地图,栅格地图的每个节点代表当前位置是障碍物或可通行区域,并确认起始点和目标点;S2,对栅格地图预处理,分别计算每个可通行节点的最近的跳点距离;S3,基于跳点搜索的改进A*全局路径规划算法进行寻路,根据当前寻路方向以及获得的跳点距离,获得对应方向上的搜索节点,从而获得规划路径,S4,基于贝塞尔曲线优化路径。采用本发明的一种改进A*算法的室内移动机器人路径规划和路径优化方法,使得规划的路径满足机器人的转弯要求,降低计算冗余和内存负载,并可获得更加符合实际移动的全局轨迹。
Description
技术领域
本发明涉及移动机器人导航和路径规划领域,具体涉及一种改进A*算法的室内移动机器人路径规划和路径优化方法
背景技术
路径规划是移动机器人控制研究的核心问题之一,通常是指移动机器人参考某个参数指标(如选择的路径最短、运行时间最短等),通过路径规划算法计算出一条从起点到终点的可行路径,使移动机器人能沿着该路径移动到目标位置。当前常用的路径规划算法包括传统路径规划算法和智能仿生算法:传统的路径规划算法有Dijkstra算法,Floyd算法,A*算法等,智能仿生算法包括遗传算法、蚁群算法、人工智能算法等。
在搜索速度上Dijkstra算法和蚁群算法比较慢,而遗传算法和蚁群算法都可能陷入局部收敛而不能保证全局最优,A*算法综合性最好,在机器人全局路径规划中应用比较广泛。但是A*算法对节点的全部相邻节点都要进行搜索,造成大量不必要的节点被搜索,导致计算量和内存消耗的增大,在室内要求快速响应的场景下实时性不能得到保证。
针对A*算法的计算冗余量大的缺点,Daniel Harabor等人提出了跳点搜索(JPS)算法,在路径搜索的时候,根据当前移动方向只对必要的方向进行搜索,降低计算冗余,提高计算效率。跳点搜索算法的计算瓶颈在于跳点的判断上,在大型地图中跳点的判断将花费较大时间,影响寻路速度。
对于室内静态场景,全局路径规划获得的原始路径是折线型,转弯角度过于机械,而室内移动机器人往往有自身的转弯半径和曲率,机械的折线路径不适合移动机器人的移动,将造成全局规划的路径在实际场景中无效的问题。
发明内容
针对上述现有的路径规划方法中计算效率低而内存要求高,且规划的路径难以满足实际的室内移动机器人运动学和动力学模型的问题,本发明为了克服以上技术的不足,提供了改进A*算法的室内移动机器人路径规划和路径优化方法,计算获取栅格地图时参考机器人的转弯半径和曲率进行栅格划分,使得规划的路径满足机器人的转弯要求;对栅格地图预处理,计算直线和对角线方向上的跳点距离,降低计算冗余和内存负载;基于贝塞尔曲线优化路径,获得更加符合实际移动的全局轨迹。
本发明克服其技术问题所采用的技术方案是:本发明提出的改进A*算法的室内移动机器人路径规划和路径优化方法,具体包括,S1,获取室内场景的全局静态栅格地图,栅格地图的每个节点代表当前位置是障碍物或可通行区域,并确认起始点和目标点;S2,对栅格地图预处理,分别计算每个可通行节点的最近的跳点距离;S3,基于跳点搜索的改进A*全局路径规划算法进行寻路,根据当前寻路方向以及获得的跳点距离,获得对应方向上的搜索节点,从而获得规划路径。
进一步的,步骤S1具体包括:基于机器人转弯半径划分栅格粒度,形成R*C的栅格地图,其中R为栅格地图的栅格行数,C为栅格地图的栅格列数;基于栅格是空闲的概率,从而确定栅格地图的每个节点代表当前的位置是障碍物或可通行区域;将起始点和目标点坐标转换为栅格地图上的坐标。
其中,空闲的概率指的是三维点云地图映射到二维栅格地图上时,根据划分栅格的尺度计算每个栅格上不存在障碍物的概率,得到该栅格是空闲的概率。
进一步的,所述步骤S2中对栅格地图预处理至少包括跳点判断和跳点距离回溯,所述跳点判断具体包括:判断每个可通行点的直线运动的4个方向上是否为跳点。
跳点指的是存在强迫邻居的可通行节点,是路径过程中真正需要计算代价的节点。
进一步的,所述跳点距离回溯具体包括:基于判断得到的跳点,计算节点上直线和对角线共8个方向上的最近的跳点距离,其中,直线方向上根据判断好的跳点位置计算得到其最近的跳点的距离;对角线方向上根据节点的水平和垂直方向上跳点距离判断是否是跳点,并计算出对角线方向上跳点距离。
进一步的,所述跳点搜索的改进A*路径规划算法中,应用指数加权的代价函数进行代价值计算,其中,f(n)表示当前节点的总代价,g(n)表示当前节点的真实代价,h(n)表示当前节点的预估代价,h(n-1)表示当前节点父节点的预估代价。
加权思路为随着寻路的进行,真实代价应该占据越大的比例,预估代价应该占据更小的比例。
进一步的,还包括步骤S4,对规划路径进行优化,删除规划路径中共线的中间节点,只保留转折点,对分割后的路径进行贝塞尔曲线优化。
对规划路径进行优化可以获得转角更小更适合机器人移动的路径。
进一步的,步骤S3中,基于跳点搜索的改进A*全局路径规划算法进行寻路,具体包括,将起始点加入open_set,从open_set中取出代价值最小的节点;其中,open_set表示还需要探索的节点集合,closed_set表示已经确定了起始点到该点最优最短路径的节点的集合;若取得的节点为起始点,则从直线和对角线共8个方向分别获得最近的跳点;若不是起始点,则根据其父节点确定当前方向,获得当前方向将自然邻居和强迫邻居方向的跳点;若获得的跳点若在closed_set中,则不处理该跳点,若获得的跳点在open_set中,则更新其代价值,否则将该跳点加入open_set中;重复上述步骤直到找到目标点。
本发明的有益效果是:
1、对栅格地图参考机器人的转弯半径和曲率进行栅格划分,使得规划的路径满足机器人的转弯要求;
2、计算直线和对角线方向上的跳点距离,降低计算冗余和内存负载;
3、基于贝塞尔曲线优化路径,获得更加符合实际移动的全局轨迹。
附图说明
图1为本发明实施例的路径规划和路径优化方法流程示意图;
图2为本发明实施例的栅格地图移动示意图;
图3为本发明实施例的栅格地图直线方向关键跳点判断示意图;
图4为本发明实施例的各方向跳点距离计算结果示意图;
图5为本发明实施例的路径规划示意图;
图6为本发明实施例的路径规划流程图;
图7为本发明实施例的贝塞尔曲线优化示意图;
图8为本发明实施例的路径规划和优化效果对比图。
具体实施方式
为了便于本领域人员更好的理解本发明,下面结合附图和具体实施例对本发明做进一步详细说明,下述仅是示例性的不限定本发明的保护范围。
如图1所示,本实施例所述的改进A*算法的室内移动机器人路径规划和路径优化方法的流程示意图,具体包括,S1,获取室内场景的全局静态栅格地图,栅格地图的每个节点代表当前位置是障碍物或可通行区域,并确认起始点和目标点;S2,对栅格地图预处理,分别计算每个可通行节点的最近的跳点距离;S3,基于跳点搜索的改进A*全局路径规划算法进行寻路,根据当前寻路方向以及获得的跳点距离,获得对应方向上的搜索节点,从而获得规划路径。
在本发明的一个实施例中,栅格地图的移动示意图如2所示,栅格地图中包括8个邻居节点,根据栅格地图中的对称原则,可以将栅格地图中的移动分为直线移动和对角线移动。
S1,获取室内场景的全局静态栅格地图,栅格地图的每个节点代表当前位置是障碍物或可通行区域,并确认起始点和目标点。
为了避免重复计算部分节点,我们在选择节点x的邻居节点n时,只选择通过x到n的路径比任何不通过x到n的路径都短的节点,即邻居节点n需要满足条件:L(<p(x),…,n|x>)>L(<p(x),x,n>),,函数L()表示路径的长度,<p(x),…,n|x>表示p(x)为起始节点,n为目标节点且不经过x的路径,<p(x),x,n>表示p(x)→x→n的路径,p(x)表示节点x的父节点。
这类需要通过x搜索的节点n被成为节点x的邻居。将邻居节点分为自然邻居和强迫邻居两种:自然邻居指节点x周围没有障碍物时需要通过节点x拓展的相邻节点,强迫邻居指节点x因为周围的障碍物而多出来的需要拓展的相邻节点。图2为栅格地图上直线移动和对角线移动示意图,其中黑色栅格表示障碍物,浅灰色栅格表示自然邻居,深灰色栅格表示强迫邻居。例如图2(a)中的栅格4表示自然邻居,例如图2(b)中的栅格4表示自然邻居,栅格3表示强迫邻居。
S2,对栅格地图预处理,分别计算每个可通行节点的最近的跳点距离。
对栅格地图的预处理主要是计算每个跳点的各个方向上最近的下一个跳点的距离,图3和图4是栅格地图预处理示意图,图中起始点和目标点,它们都是跳点。图3展示了栅格地图预处理中直线方向关键跳点判断,节点内上下左右位置上的数字分别表示对应直线方向上该节点是否为跳点,其中0表示不是跳点,1表示跳点;图4是在判断好跳点的基础上,从直线和对角线方向上分别计算最近的跳点距离,0表示该方向上不存在跳点。
S3,基于跳点搜索的改进A*全局路径规划算法进行寻路,根据当前寻路方向以及获得的跳点距离,获得对应方向上的搜索节点,从而获得规划路径。
在预处理后的栅格地图上进行路径规划,规划的过程见图5,其中,规划过程拓展了一些节点如图5所示。基于跳点搜索的A*路径规划流程见图6,首先将起始点加入open_set中,每次从open_set中取出代价值最小的节点cur,如果cur节点为起始点,则从cur节点的8个方向分别拓展寻找跳点,否则根据cur节点的父节点计算当前方向,若为直线方向,则需要拓展的方向为当前方向和强迫邻居方向;若为对角线方向,则需要拓展的方向为斜方向同向的水平和垂直方向以及当前斜方向。其中,open_set表示还需要探索的节点集合,closed_set表示已经确定了起始点到该点最优最短路径的节点的集合。代价值指总的代价函数f(n)计算的结果值,每个节点都能计算出具体的代价值,每次选取open_set集合中总代价值最小的cur节点进行寻路拓展。
从cur节点的各个拓展方向分别寻找第一个跳点next,该跳点有以下三种情况:若next在closed_set中,则不处理该跳点;若next在open_set中,则计算出从cur到该跳点的新的代价,若新的代价小于原始代价,则更新该跳点的父节点和代价值;否则next既不在open_set又不在closed_set中,此时将该跳点加入open_set中。在open_set变为空之前如果找到终点,则路径规划成功,否则路径规划失败。
在本申请的实施例中,栅格根据机器人转弯半径和曲率划分栅格粒度,每个栅格长度等于机器人的拐弯半径,使得在此粒度下规划的全局路径能够满足机器人的转弯要求,曲率指的是实际生成的路径曲线上每个点上的曲率半径的倒数。
S4,对规划路径进行优化,删除规划路径中共线的中间节点,只保留转折点,对分割后的路径进行贝塞尔曲线优化。
本实施例中,路径优化通过贝塞尔曲线完成,n阶贝塞尔曲线表达式为: 贝塞尔曲线通过两点之间的控制点进行插值,获得光滑的连通起始点和终止点的曲线。通过贝塞尔曲线对规划的路径优化有两种方式,如图7所示,方式一如图7(a),路径上所有点都作为锚点,优化的曲线路径通过原路径上所有节点;方式二如图7(b),路径上部分点作为锚点,锚点中间的点作为控制点,优化的曲线路径只穿过原路径上部分点。本实施例优化结合上述两种方法,每次选择原始路径上的两段或三段路径通过方式二进行优化,如果方式二优化的路径会通过不可通行区域或者路径曲率超出曲率约束,则选择方式一进行优化,直到原始路径的目标点,优化过程完成。具体的优化步骤如下:
步骤1:分割路径点,遍历规划路径所有节点,将两节点间同一方向上的多余节点全部删除;
步骤2:对步骤1获得的分割路径点进行贝塞尔曲线优化,选取连续的3个路径点进行2阶贝塞尔优化,如果当前只剩最后4个路径点,则全部选择进行3阶贝塞尔优化;
步骤3:如果步骤2中优化的曲线满足曲率要求和动力学约束,且优化的路径不通过不可行区域,则跳到步骤5,否则跳到步骤4;
步骤4:当前2阶贝塞尔优化失败,分别对2段路径计算各自控制点进行3阶贝塞尔优化;
步骤5:从优化后的最后一个路径点开始选择后面连续的3个路径点,不断循环执行步骤2-4,直到终点,循环结束,返回优化后的所有路径节点。
如图8所示,为采用本申请的改进A*算法的室内移动机器人路径规划和路径优化方法与传统的A*算法路径规划对比示意图,采用本申请得到的规划路径,更能满足机器人的转弯要求,全局轨迹更加符合实际移动。
上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (8)
1.改进A*算法室内移动机器人路径规划和路径优化方法,其特征在于,具体包括:
S1,获取室内场景的全局静态栅格地图,栅格地图的每个节点代表当前位置是障碍物或可通行区域,并确认起始点和目标点;
S2,对栅格地图预处理,分别计算每个可通行节点的最近的跳点距离;
S3,基于跳点搜索的改进A*全局路径规划算法进行寻路,根据当前寻路方向以及获得的跳点距离,获得对应方向上的搜索节点,从而获得规划路径。
2.根据权利要求1所述的改进A*算法室内移动机器人路径规划和路径优化方法,其特征在于,步骤S1具体包括:
基于机器人转弯半径划分栅格粒度,形成R*C的栅格地图,其中R为栅格地图的栅格行数,C为栅格地图的栅格列数;
基于栅格是空闲的概率,从而确定栅格地图的每个节点代表当前的位置是障碍物或可通行区域;
将起始点和目标点坐标转换为栅格地图上的坐标。
3.根据权利要求1所述的改进A*算法的室内移动机器人路径规划和路径优化方法,其特征在于,所述步骤S2中对栅格地图预处理至少包括跳点判断和跳点距离回溯,所述跳点判断具体包括:判断每个可通行点的直线运动的4个方向上是否为跳点。
4.根据权利要求3所述的改进A*算法室内移动机器人路径规划和路径优化方法,其特征在于,所述跳点距离回溯具体包括:基于判断得到的跳点,计算节点上直线和对角线共8个方向上的最近的跳点距离,其中,直线方向上根据判断好的跳点位置计算得到其最近的跳点的距离;对角线方向上根据节点的水平和垂直方向上跳点距离判断是否是跳点,并计算出对角线方向上跳点距离。
6.根据权利要求1所述的改进A*算法的室内移动机器人路径规划和路径优化方法,其特征在于,还包括步骤S4,对规划路径进行优化,删除规划路径中共线的中间节点,只保留转折点,对分割后的路径进行贝塞尔曲线优化。
7.根据权利要求6所述的改进A*算法的室内移动机器人路径规划和路径优化方法,其特征在于,对分割后的路径进行优化,具体包括:选择2段或3段路径基于2阶或3阶贝塞尔曲线采用通过部分路径点方式优化,若路径会通过不可通行区域则采用通过所有路径点的方式优化。
8.根据权利要求6所述的改进A*算法的室内移动机器人路径规划和路径优化方法,其特征在于,步骤S3中,基于跳点搜索的改进A*全局路径规划算法进行寻路,具体包括,
将起始点加入open_set,从open_set中取出代价值最小的节点,其中,open_set表示还需要探索的节点集合,closed_set表示已经确定了起始点到该点最优最短路径的节点的集合;
若取得的节点为起始点,则从直线和对角线共8个方向分别获得最近的跳点;若不是起始点,则根据其父节点确定当前方向,获得当前方向将自然邻居和强迫邻居方向的跳点;
若获得的跳点若在closed_set中,则不处理该跳点,若获得的跳点在open_set中,则更新其代价值,否则将该跳点加入open_set中;
重复上述步骤直到找到目标点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110914076.5A CN113485369A (zh) | 2021-08-03 | 2021-08-03 | 改进a*算法的室内移动机器人路径规划和路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110914076.5A CN113485369A (zh) | 2021-08-03 | 2021-08-03 | 改进a*算法的室内移动机器人路径规划和路径优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113485369A true CN113485369A (zh) | 2021-10-08 |
Family
ID=77946307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110914076.5A Pending CN113485369A (zh) | 2021-08-03 | 2021-08-03 | 改进a*算法的室内移动机器人路径规划和路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113485369A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN114155214A (zh) * | 2021-11-24 | 2022-03-08 | 黑龙江省农业科学院 | 一种农业种植园区信息管理*** |
CN114281084A (zh) * | 2021-12-28 | 2022-04-05 | 太原市威格传世汽车科技有限责任公司 | 一种基于改进a*算法的智能车全局路径规划方法 |
CN114353814A (zh) * | 2021-12-06 | 2022-04-15 | 重庆邮电大学 | 基于Angle-Propagation Theta*算法改进的JPS路径优化方法 |
CN114564023A (zh) * | 2022-03-11 | 2022-05-31 | 哈尔滨理工大学 | 一种动态场景下的跳点搜索路径规划方法 |
CN114925937A (zh) * | 2022-06-27 | 2022-08-19 | 东北大学 | 一种舞台场景点云扫描站点选取与路径规划方法 |
CN115562255A (zh) * | 2022-09-13 | 2023-01-03 | 中国安全生产科学研究院 | 基于空地协同的多智能消防机器人消防水带防缠绕方法 |
CN116069040A (zh) * | 2023-03-06 | 2023-05-05 | 之江实验室 | 一种管道曲面约束的爬壁机器人路径规划方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111026131A (zh) * | 2019-12-30 | 2020-04-17 | 深圳前海达闼云端智能科技有限公司 | 一种膨胀区域的确定方法、确定装置、机器人和存储介质 |
CN111811514A (zh) * | 2020-07-03 | 2020-10-23 | 大连海事大学 | 一种基于正六边形栅格跳点搜索算法的路径规划方法 |
CN111811517A (zh) * | 2020-07-15 | 2020-10-23 | 中国科学院上海微***与信息技术研究所 | 一种动态局部路径规划方法及*** |
-
2021
- 2021-08-03 CN CN202110914076.5A patent/CN113485369A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111026131A (zh) * | 2019-12-30 | 2020-04-17 | 深圳前海达闼云端智能科技有限公司 | 一种膨胀区域的确定方法、确定装置、机器人和存储介质 |
CN111811514A (zh) * | 2020-07-03 | 2020-10-23 | 大连海事大学 | 一种基于正六边形栅格跳点搜索算法的路径规划方法 |
CN111811517A (zh) * | 2020-07-15 | 2020-10-23 | 中国科学院上海微***与信息技术研究所 | 一种动态局部路径规划方法及*** |
Non-Patent Citations (2)
Title |
---|
牟春鹏等: "室内移动机器人运动规划与导航算法优化", 《兵器自动化》, vol. 40, no. 7, pages 87 - 92 * |
马小陆;梅宏;: "双向跳点搜索算法的移动机器人全局路径规划研究", 机械科学与技术, no. 10, pages 1624 - 1631 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN114155214A (zh) * | 2021-11-24 | 2022-03-08 | 黑龙江省农业科学院 | 一种农业种植园区信息管理*** |
CN114353814A (zh) * | 2021-12-06 | 2022-04-15 | 重庆邮电大学 | 基于Angle-Propagation Theta*算法改进的JPS路径优化方法 |
CN114353814B (zh) * | 2021-12-06 | 2023-11-17 | 重庆邮电大学 | 基于Angle-Propagation Theta*算法改进的JPS路径优化方法 |
CN114281084A (zh) * | 2021-12-28 | 2022-04-05 | 太原市威格传世汽车科技有限责任公司 | 一种基于改进a*算法的智能车全局路径规划方法 |
CN114281084B (zh) * | 2021-12-28 | 2023-02-21 | 太原市威格传世汽车科技有限责任公司 | 一种基于改进a*算法的智能车全局路径规划方法 |
CN114564023A (zh) * | 2022-03-11 | 2022-05-31 | 哈尔滨理工大学 | 一种动态场景下的跳点搜索路径规划方法 |
CN114564023B (zh) * | 2022-03-11 | 2022-11-08 | 哈尔滨理工大学 | 一种动态场景下的跳点搜索路径规划方法 |
CN114925937A (zh) * | 2022-06-27 | 2022-08-19 | 东北大学 | 一种舞台场景点云扫描站点选取与路径规划方法 |
CN115562255A (zh) * | 2022-09-13 | 2023-01-03 | 中国安全生产科学研究院 | 基于空地协同的多智能消防机器人消防水带防缠绕方法 |
CN116069040A (zh) * | 2023-03-06 | 2023-05-05 | 之江实验室 | 一种管道曲面约束的爬壁机器人路径规划方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113485369A (zh) | 改进a*算法的室内移动机器人路径规划和路径优化方法 | |
CN111811514B (zh) | 一种基于正六边形栅格跳点搜索算法的路径规划方法 | |
CN112985408B (zh) | 一种路径规划优化方法及*** | |
CN110006430B (zh) | 一种航迹规划算法的优化方法 | |
WO2023155371A1 (zh) | 室内移动机器人的平稳移动全局路径规划方法 | |
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 | |
CN112229419B (zh) | 一种动态路径规划导航方法及*** | |
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 | |
CN110006429A (zh) | 一种基于深度优化的无人船航迹规划方法 | |
CN110487290B (zh) | 基于变步长a星搜索的无人驾驶汽车局部路径规划方法 | |
CN114675649A (zh) | 一种融合改进的a*与dwa算法的室内移动机器人路径规划方法 | |
CN114440916A (zh) | 一种导航方法、装置、设备及存储介质 | |
CN115167474A (zh) | 一种移动机器人路径规划优化方法 | |
Jiang et al. | Global path planning of mobile robot based on improved JPS+ algorithm | |
Zhang et al. | A-star algorithm for expanding the number of search directions in path planning | |
CN114326726B (zh) | 一种基于a*与改进人工势场法的编队路径规划控制方法 | |
CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
CN113325834A (zh) | 一种基于图形预处理的改进a*算法的路径规划方法 | |
CN116558527B (zh) | 井下变电所巡检清扫机器人路径规划方法 | |
CN116414139B (zh) | 基于A-Star算法的移动机器人复杂路径规划方法 | |
CN117249842A (zh) | 一种基于轨迹平滑优化的无人车混合轨迹规划方法 | |
CN114353814B (zh) | 基于Angle-Propagation Theta*算法改进的JPS路径优化方法 | |
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*** | |
CN110975288A (zh) | 基于跳点路径搜索的几何容器数据压缩方法及*** |
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 |