CN115016482A - 一种改进室内移动机器人全局和局部路径协调优化方法 - Google Patents

一种改进室内移动机器人全局和局部路径协调优化方法 Download PDF

Info

Publication number
CN115016482A
CN115016482A CN202210690562.8A CN202210690562A CN115016482A CN 115016482 A CN115016482 A CN 115016482A CN 202210690562 A CN202210690562 A CN 202210690562A CN 115016482 A CN115016482 A CN 115016482A
Authority
CN
China
Prior art keywords
robot
path
value
speed
global
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.)
Withdrawn
Application number
CN202210690562.8A
Other languages
English (en)
Inventor
李跃华
顾铭岑
朱泽同
石顾鹏
曹博文
石子信
陈阔
顾煜洋
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.)
Nantong University
Original Assignee
Nantong 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 Nantong University filed Critical Nantong University
Priority to CN202210690562.8A priority Critical patent/CN115016482A/zh
Publication of CN115016482A publication Critical patent/CN115016482A/zh
Withdrawn legal-status Critical Current

Links

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
    • 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)
  • Numerical Control (AREA)

Abstract

本发明提供了一种改进室内移动机器人全局和局部路径协调优化方法，属于移动机器人路径规划技术领域。解决了室内移动机器人的全局路径规划靠障碍物过近、路径规划拐点过多、局部路径缺少引导以及室内移动机器人行进时速度不平稳的问题。其技术方案为：包括以下步骤：S1、载入已经建好的栅格地图；S2、使用改进后的A*算法在栅格地图上进行全局路径规划；S3、采用Bezier曲线路径平滑策略对全局规划路径进行平滑处理；S4、通过改进的DWA算法选择实体机器人的具体行进路线。本发明的有益效果为：通过改进室内移动机器人全局和局部路径协调优化方法，提高机器人行进路线的安全性和平滑度、保证行进速度的同时提高其平稳性。

Description

一种改进室内移动机器人全局和局部路径协调优化方法
技术领域
本发明涉及移动机器人路径规划技术领域，尤其涉及一种改进室内移动机器人全局和局部路径协调优化方法。
背景技术
在智能机器人领域，路径规划问题占据着重要地位。路径规划问题指在有障碍物的环境中，寻找从机器人初始位置到期望位置的安全路径。它要求机器人根据给予的指令及环境信息自主的决定路径，避开障碍物，实现任务目标。路径规划是移动机器人完成任务的安全保障，同时也是移动机器人智能化程度的重要标志。
目前，A*算法全局路径规划算法与DWA局部路径规划算法相配合是智能机器人常用的路径规划算法。传统A*算法只为在静态地图中找到一条最短的安全路径，这样就存在路径与障碍物过近、路径转折点较多和面对随机出现的障碍物无法实现动态路径规划的问题。在实际环境中全局路径的可信度不够，大部分的路线需要DWA局部路径规划算法进行重新的规划，这样不仅花费更多的时间，而且会使机器人行走出现卡顿，甚至会导致机器人过于靠边而进入死路无法避障的情况。
传统DWA算法主要是在速度(v，w)空间中采样多组速度，并模拟机器人在这些速度下一定时间内的轨迹，在得到多组轨迹后对这些轨迹进行评价，选取最优轨迹来驱动机器人运动。传统的DWA算法存在着一定的局限性。首先，当机器人处于相对比较复杂的环境时，无法有效的进行路径规划，容易导致机器人陷入局部最小问题。此外，该算法由于速度经常变化，导致机器人行进速度不平滑。
发明内容
本发明的目的在于提供一种改进室内移动机器人全局和局部路径协调优化方法，主要解决现有路径规划方法中移动机器人规划路径效率低、拐点频繁、路径过于靠边和机器人行驶不流畅的问题；同时改进全局路径规划和局部路径规划，提高路径规划的安全系数和路径平滑程度，优化的全局路径给局部路径做引导，稳定机器人行进速度，从而使机器人有更好的行进路线。
为了实现上述发明目的，本发明采用技术方案具体为：一种改进室内移动机器人全局和局部路径协调优化方法，包括以下步骤：
S1、载入已经建好的栅格地图；
S2、使用改进后的A*算法在栅格地图上进行全局路径规划；
(1)确定起始点和目标点，定义open列表和close列表，open列表中存放待处理的节点，closed列表中存放已经处理好的节点；
(3)把起点加入open列表；
(3)遍历open列表，查找F值最小的节点，把它作为当前要处理的节点，F的计算公
式如下：
F(n)＝G(n)+H(n)
上述为传统A*算法F值的计算公式，其中，
H(n)＝|xn-xgoal|+|yn-ygoal|
其中F(n)为节点n的评价函数，G(n)是在状态空间中从初始节点到节点n的移动代价，H(n)是从节点n到目标节点的最佳路径的估计代价，以下是改进后的A*算法F值计算公式；
F(n)＝G(n)+H(n)+U(n)
其中，
Figure BDA0003699410000000021
U(n)是斥力函数，离障碍物距离较近时会产生斥力，D(n)是点n与其最近障碍物的距离，η为斥力增益，Q*为障碍物的作用距离阈值，大于此距离的障碍物不会产生斥力影响。
(4)把这个节点放入close列表。
(5)对当前节点的8个相邻方格分别进行处理：
如果它是不可抵达的或者它在close列表中则忽略它。否则，做如下操作：
如果它不在open列表中，把它加入open列表，并且把当前方格设置为它的父亲，记录该方格的F、G、H和U值。如果它已经在open列表中，检查这条经由当前方格的路径是否更好，用G值作参考。更小的G值表示这是更好的路径。如果是这样，把它的父亲设置为当前方格，并重新计算它的G和F值。
(6)循环步骤(3)-(5)当终点加入了open列表则路径查找成功，若查找终点失败，并且open列表是空的，则表明没有路径。
(7)保存路径。
S3、采用Bezier曲线路径平滑策略对全局规划路径进行平滑处理。
S4、通过改进的DWA算法选择实体机器人的具体行进路线。
(4)推导机器人的运动模型。
(5)在有限制的空间进行机器人速度组合(v，w)采样并对每一个速度组合模拟生成机器人的运动轨迹。
(6)对模拟生成的所有运动轨迹进行评估，选出最为安全和可靠的局部路径，并将该条轨迹对应的采样速度值作为机器人的运动控制速度。传统的DWA评估函数如下：
G(v，w)＝σ(α·heading(v，w)+β·dist(v，w)+γ·vel(v，w))
其中，
Figure BDA0003699410000000031
式中，heading(v，w)代表的是方位角评价函数，该参数表示的是机器人使用当前采样速度运动至模拟运动轨迹终点时，机器人的朝向与目标点之间的夹角θ，计算得到的该夹角值越小，评价函数最终的计算值则就越大；当θ的取值为0时，heading(v，w)取最大值，此时代表机器人直接向目标点前进，dist(v，w)表示机器人在当前采样速度模拟出的运动轨迹上，与其最近的障碍物之间的距离值；如果机器人当前模拟生成的运动轨迹上不存在任何障碍物，则dist(v，w)值为恒定的常数，vel(v，w)表示当前模拟生成运动轨迹上的采样线速度和角速度。
a，β，γ分别为方位角、机器人与障碍物的距离以及当前轨迹采样速度评价因子的加权系数值，其取值范围为[0，1]，三者之间的关系为：a+β+γ＝1；σ表示对以上三个评价因子进行归一化处理，归一化处理可以有效避免评价函数中的某一个评价因子数值太大而占优势的情况。
以下为改进后的DWA评估函数：
G(v，w)＝α·gdist(v，w)+β·dist(v，w)+γ·vel(v，w)+δ·svel(v，w)
其中gdist(v，w)为模拟生成运动轨迹终点到全局路径的距离，dist(v，w)表示机器人在当前采样速度模拟出的运动轨迹上，与其最近的障碍物之间的距离值，vel(v，w)代表机器人当前的线速度和角速度，svel(v，w)是平滑速度评价函数。
与现有技术相比，本发明的有益效果为：
1、全局路径部分，本发明优化了传统全局路径规划算法A*算法，在其估价函数中加入U(n)斥力函数，该函数的作用是在一定范围内有障碍物时离障碍物越近斥力越大，这样使得全局路径能与障碍物保持足够的安全距离；这不仅改善了传统A*算法离障碍物过近的问题，而且为之后的路径平滑处理留有更多的空间；在改进A*算法的基础上增加了路径平滑策略；采用Beziter路径平滑策略对全局规划路径进行平滑处理，解决了传统A*算法规划路径出现大量的转折点导致机器人行进时出现的卡顿问题和重新规划路线导致多余的计算时常问题。
2、局部路径部分，本发明优化了传统DWA算法使其更好的配合全局路径规划，首先根据机器人自身重量和动力的情况进行速度(v，w)采样范围的限制，然后在该范围内进行速度采样并模拟机器人的行进路线，最后通过优化后的DWA算法评估函数对每条路线进行评分，路径平滑后的全局路径有较高的可信度，因此改进的评估函数更侧重于贴近全局路径，减少重新规划的时间；与此同时，在评估函数中更改了部分函数变量并添加了平滑速度评价函数，使得与前一时刻速度相近的路线有更大的可能被选中，有效解决了机器人行进速度不平滑导致的卡顿现象。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明中机器人运动模型坐标图。
图2为本发明中全局路径规划流程图。
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。当然，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
参见图1、图2，本发明的实施例包括两部分：全局路径规划、局部路径规划；全局路径规划部分，以传统的A*算法为基础，通过提供的栅格地图规划一条更加安全的路径，最后对这条路径进行平滑处理；局部路径规划部分通过改良的DWA算法使其局部路径在不影响避障的情况下更加的贴合全局路径，提高机器人行进的流畅度。
下面结合附图，对本发明提供的一种改进室内移动机器人全局和局部路径协调优化方法做详细描述。
包括以下步骤：
S1、载入已经建好的栅格地图；
S2、使用改进后的A*算法在栅格地图上进行全局路径规划；
(1)确定起始点和目标点，定义open列表和close列表，open列表中存放待处理的节点，closed列表中存放已经处理好的节点；
(2)把起点加入open列表；
(3)遍历open列表，查找F值最小的节点，把它作为当前要处理的节点，F的计算公
式如下：
F(n)＝G(n)+H(n)
上述为传统A*算法F值的计算公式，其中，
H(n)＝|xn-xgoal|+|yn-ygoal|
其中F(n)为节点n的评价函数，G(n)是在状态空间中从初始节点到节点n的移动代价，H(n)是从节点n到目标节点的最佳路径的估计代价，该公式使用的是Manhattan距离，仅作横向和纵向移动，并且忽略沿途的障碍物，以下是改进后的A*算法F值计算公式，
F(n)＝G(n)+H(n)+U(n)
其中，
Figure BDA0003699410000000051
其中G(n)和H(n)并未做出改变，在此基础上添加了U(n)斥力函数，当前点与障碍物的距离D(n)小于等于障碍物作用距离阈值Q*时，会根据与障碍物距离D(n)的大小产生相应的斥力，距离越近产生的斥力越大；η为斥力增益，大于障碍物作用距离阈值Q*时不会产生斥力影响，这样可以使全局路径中节点的选择具有更高的安全性，与障碍物隔开一定距离也为之后的路径平滑模块提供便利；
(4)把这个节点放入close列表；
(5)对当前节点的8个相邻方格分别进行处理：
如果它是不可抵达的或者它在close列表中则忽略它，否则，做如下操作：如果它不在open列表中，把它加入open列表，并且把当前方格设置为它的父亲，记录该方格的F、G、H和U值，如果它已经在open列表中，检查这条经由当前方格的路径是否更好，用G值作参考；更小的G值表示这是更好的路径，如果是这样，把它的父亲设置为当前方格，并重新计算它的G和F值。
(6)循环步骤(3)-(5)当终点加入了open列表则路径查找成功，若查找终点失败，并且open列表是空的，则表明没有路径。
(7)保存路径。
S3、采用Bezier曲线路径平滑策略对全局规划路径进行平滑处理。
将全局路径中选择的点的坐标作为给定平面里的n+1个点的位置矢量Pi(i＝0，1，2，3，...，n)，将其带入Bezier曲线段的参数方程：
Figure BDA0003699410000000061
其中Bi，n(t)是基函数，具体公式如下：
Figure BDA0003699410000000062
最终会得到一个平滑的曲线。此时使用的是全局路径所有的路径点，但当遇到庞大且复杂的室内地图时会导致Bezier曲线的函数次数过大导致计算过慢的问题。此问题可以通过判断全局路径进行状态是直行还是拐弯来对全局路径进行分割，只有进行拐弯时才进行Bezier曲线路径平滑策略，能有效的降低计算量，达到较好的平滑效果。
S4、通过改进的DWA算法选择实体机器人的具体行进路线。
(1)推导机器人的运动模型，在采样之前需要知道机器人的运动模型，首先假设机器人是可以全向移动的，即既能纵向移动，又能前进和旋转，此时的速度为(v，w)，可将线速度按纵向和横向分为vx和vy，计算机器人轨迹时，先考虑两个相邻时刻，需将该段距离从极坐标系投影到世界坐标系x轴和y轴上就能得到t+1时刻相对于t时刻机器人在世界坐标系中坐标移动的位移Δx和Δy，将之前移动的距离叠加即可得到公式：
x＝x+vxΔtcos(θt)-vyΔtsin(θt)
y＝y+vxΔtsin(θt)+vyΔtcos(θt)
θt＝θt+wΔt
(2)在有限制的空间进行机器人速度组合(v，w)采样并对每一个速度组合模拟生成机器人的运动轨迹；
①受机器人自身与环境的需求，机器人的角速度和线速度存在上限，其约束可表示为：
Vm＝{v∈[vmin，vmax]，w∈[wmin，wmax]}
其中，vmin表示机器人可以达到的最小线速度，vmax表示机器人可以达到的最大线速度；wmin表示机器人可以达到的最小角速度，wmax表示机器人可以达到的最大角速度；
②根据机器人电机的性能的限制，机器人存在最大加速度和最大减速度，因此机器人在模拟的一个时间周期内存在一个动态窗口，该窗口内的速度的机器人能够实际达到的速度：
Figure BDA0003699410000000071
其中vc和wc分别代表机器人当前时刻的线速度和角速度，
Figure BDA0003699410000000072
和
Figure BDA0003699410000000073
分别表示线速度和角速度的最大减速度值，
Figure BDA0003699410000000074
和
Figure BDA0003699410000000075
分别表示线速度和角速度的最大加速度值。
③基于安全考虑，为了保证机器人能在碰到障碍物之前停下，因此在最大减速度的情况下速度要有一个限制范围：
Figure BDA0003699410000000076
其中，dist(v，w)为当前采样速度(v，w)对应轨迹上里障碍物最近的距离，通过此项约束计算每个速度对相应的运动轨迹，以此判断是否舍弃轨迹；如果机器人会与障碍物碰撞，而且碰撞发生前机器人无法停止运动避免与障碍物碰撞，则轨迹被放弃。
最终，DWA算法的速度矢量空间就是需要同时满足上述三项约束的集合：
Vr＝Vm∩Vd∩Va
(3)使用改进后的DWA评价函数对模拟生成的所有运动轨迹进行评估，选出最为安全和可靠的局部路径，并将该条轨迹对应的采样速度值作为机器人的运动控制速度，传统的DWA评估函数如下：
G(v,w)＝σ(α·heading(v,w)+β·dist(v,w)+γ·vel(v,w))
其中，
Figure BDA0003699410000000077
式中，heading(v,w)代表的是方位角评价函数，该参数表示的是机器人使用当前采样速度运动至模拟运动轨迹终点时，机器人的朝向与目标点之间的夹角θ，计算得到的该夹角值越小，评价函数最终的计算值则就越大；当θ的取值为0时，heading(v,w)取最大值，此时代表机器人直接向目标点前进；dist(v,w)表示机器人在当前采样速度模拟出的运动轨迹上，与其最近的障碍物之间的距离值；如果机器人当前模拟生成的运动轨迹上不存在任何障碍物，则dist(v,w)值为恒定的常数，vel(v,w)表示当前模拟生成运动轨迹上的采样线速度和角速度。
a，β，γ分别为方位角、机器人与障碍物的距离以及当前轨迹采样速度评价因子的加权系数值，其取值范围为[0，1]，三者之间的关系为：a+β+γ＝1；σ表示对以上三个评价因子进行归一化处理，归一化处理可以有效避免评价函数中的某一个评价因子数值太大而占优势的情况。
以下为改进后的DWA评估函数：
G(v，w)＝α·gdist(v，w)+β·dist(v，w)+γ·vel(v，w)+δ·svel(v，w)
其中，
Figure BDA0003699410000000081
svel(v，w)＝a·|vc-vt|+b·|wc-wt|
式中gdist(v，w)为模拟生成运动轨迹终点到全局路径的距离，(xg，yg)为模型计算所得的局部路径端点的坐标，(xp，yp)为A*算法规划的全局路径上的坐标点；dist(v，w)表示机器人在当前采样速度模拟出的运动轨迹上，与其最近的障碍物之间的距离值，vel(v，w)代表机器人当前的线速度和角速度，svel(v，w)是平滑速度评价函数，(vc，wc)为上一个时刻点的速度，(vt，wt)表示当前的采样速度的限速的和角速度，a、b为该函数的系数；当采样速度与上一时刻的速度差异过大会对评估函数产生影响，这样可以使速度变化更小的采样组有更好的得分，进一步加强行进的稳定性。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种改进室内移动机器人全局和局部路径协调优化方法，其特征在于，包括以下步骤：
S1、载入已经建好的栅格地图；
S2、使用改进后的A*算法在栅格地图上进行全局路径规划；
(1)确定起始点和目标点，定义open列表和close列表，open列表中存放待处理的节点，closed列表中存放已经处理好的节点；
(2)把起点加入open列表；
(3)遍历open列表，查找F值最小的节点，把它作为当前要处理的节点，F的计算公式如下：
F(n)＝G(n)+H(n)
上述为传统A*算法F值的计算公式，其中，
H(n)＝|xn-xgoal|+|yn-ygoal|
其中F(n)为节点n的评价函数，G(n)是在状态空间中从初始节点到节点n的移动代价，H(n)是从节点n到目标节点的最佳路径的估计代价，以下是改进后的A*算法F值计算公式；
F(n)＝G(n)+H(n)+U(n)
其中，
Figure FDA0003699409990000011
U(n)是斥力函数，离障碍物距离较近时会产生斥力，D(n)是点n与其最近障碍物的距离，η为斥力增益，Q*为障碍物的作用距离阈值，大于此距离的障碍物不会产生斥力影响；
(4)把这个节点放入close列表；
(5)对当前节点的8个相邻方格分别进行处理：
如果它是不可抵达的或者它在close列表中则忽略它，否则，做如下操作：
如果它不在open列表中，把它加入open列表，并且把当前方格设置为它的父亲，记录该方格的F、G、H和U值，如果它已经在open列表中，检查这条经由当前方格的路径是否更好，用G值作参考，更小的G值表示这是更好的路径，如果是这样，把它的父亲设置为当前方格，并重新计算它的G和F值；
(6)循环步骤(3)-(5)，当终点加入了open列表则路径查找成功，若查找终点失败，并且open列表是空的，则表明没有路径；
(7)保存路径；
S3、采用Bezier曲线路径平滑策略对全局规划路径进行平滑处理；
S4、通过改进的DWA算法选择实体机器人的具体行进路线；
(1)推导机器人的运动模型；
(2)在有限制的空间进行机器人速度组合(v，w)采样并对每一个速度组合模拟生成机器人的运动轨迹；
(3)对模拟生成的所有运动轨迹进行评估，选出最为安全和可靠的局部路径，并将该条轨迹对应的采样速度值作为机器人的运动控制速度，传统的DWA评估函数如下：
G(v，w)＝σ(α·heading(v，w)+β·dist(v，w)+γ·vel(v，w))
其中，
Figure FDA0003699409990000021
式中，heading(v，w)代表的是方位角评价函数，该参数表示的是机器人使用当前采样速度运动至模拟运动轨迹终点时，机器人的朝向与目标点之间的夹角θ，计算得到的该夹角值越小，评价函数最终的计算值则就越大；当θ的取值为0时，heading(v，w)取最大值，此时代表机器人直接向目标点前进，dist(v，w)表示机器人在当前采样速度模拟出的运动轨迹上，与其最近的障碍物之间的距离值，如果机器人当前模拟生成的运动轨迹上不存在任何障碍物，则dist(v，w)值为恒定的常数，vel(v，w)表示当前模拟生成运动轨迹上的采样线速度和角速度；
a,β,γ分别为方位角、机器人与障碍物的距离以及当前轨迹采样速度评价因子的加权系数值，其取值范围为[0,1]，三者之间的关系为:a+β+γ＝1，σ表示对以上三个评价因子进行归一化处理；
以下为改进后的DWA评估函数：
G(v，w)＝α·gdist(v，w)+β·dist(v，w)+γ·vel(v，w)+δ·svel(v，w)
其中gdist(v，w)为模拟生成运动轨迹终点到全局路径的距离，dist(v，w)表示机器人在当前采样速度模拟出的运动轨迹上，与其最近的障碍物之间的距离值，vel(v，w)代表机器人当前的线速度和角速度，svel(v，w)是平滑速度评价函数。
CN202210690562.8A 2022-06-17 2022-06-17 一种改进室内移动机器人全局和局部路径协调优化方法 Withdrawn CN115016482A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210690562.8A CN115016482A (zh) 2022-06-17 2022-06-17 一种改进室内移动机器人全局和局部路径协调优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210690562.8A CN115016482A (zh) 2022-06-17 2022-06-17 一种改进室内移动机器人全局和局部路径协调优化方法

Publications (1)

Publication Number Publication Date
CN115016482A true CN115016482A (zh) 2022-09-06

Family

ID=83074850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210690562.8A Withdrawn CN115016482A (zh) 2022-06-17 2022-06-17 一种改进室内移动机器人全局和局部路径协调优化方法

Country Status (1)

Country Link
CN (1) CN115016482A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115328208A (zh) * 2022-09-21 2022-11-11 西华大学 一种实现全局动态路径规划的无人机路径规划方法
CN116560382A (zh) * 2023-07-11 2023-08-08 安徽大学 一种基于混合智能算法的移动机器人路径规划方法
CN117111617A (zh) * 2023-10-23 2023-11-24 山东优宝特智能机器人有限公司 考虑感知盲区碰撞不确定性的机器人路径规划方法及***

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115328208A (zh) * 2022-09-21 2022-11-11 西华大学 一种实现全局动态路径规划的无人机路径规划方法
CN116560382A (zh) * 2023-07-11 2023-08-08 安徽大学 一种基于混合智能算法的移动机器人路径规划方法
CN117111617A (zh) * 2023-10-23 2023-11-24 山东优宝特智能机器人有限公司 考虑感知盲区碰撞不确定性的机器人路径规划方法及***

Similar Documents

Publication Publication Date Title
CN115016482A (zh) 一种改进室内移动机器人全局和局部路径协调优化方法
CN112631294B (zh) 一种移动机器人智能路径规划方法
CN111845774B (zh) 一种基于横纵向协调的自动驾驶汽车动态轨迹规划及跟踪方法
CN109375632B (zh) 自动驾驶车辆实时轨迹规划方法
CN114234998A (zh) 基于语义道路地图的无人驾驶多目标点轨迹并行规划方法
CN112810630B (zh) 一种自动驾驶车辆轨迹规划方法及***
CN106647769A (zh) 基于a*提取引导点的agv路径跟踪与避障协调方法
CN112731916A (zh) 融合跳点搜索法和动态窗口法的全局动态路径规划方法
Lai et al. Enhanced center constraint weighted A* algorithm for path planning of petrochemical inspection robot
CN116804879B (zh) 一种改进蜣螂算法融合dwa算法的机器人路径规划框架方法
CN112577506B (zh) 一种自动驾驶局部路径规划方法和***
CN115309161B (zh) 一种移动机器人路径规划方法、电子设备及存储介质
CN113296523A (zh) 一种移动机器人避障路径规划方法
CN114237256B (zh) 一种适用于欠驱动机器人的三维路径规划与导航方法
CN115454083A (zh) 基于快速扩展随机树与动态窗口法的双层路径规划方法
Hu et al. Optimal path planning for mobile manipulator based on manipulability and localizability
CN113296519A (zh) 一种基于麦克纳姆轮的移动机器人运动规划方法及***
CN112082555A (zh) 狭窄通道环境下基于自适应动态窗口法的曲率一致性路径规划算法
CN114995391A (zh) 一种改进a*算法的4阶b样条曲线路径规划方法
CN114047759A (zh) 一种基于dwa与人工势场融合的局部路径规划方法
Han et al. Moving Horizon path planning for intelligent vehicle oriented to dynamic obstacle avoidance
Belker et al. Local action planning for mobile robot collision avoidance
Huang et al. Research progress of automatic driving path planning
CN117451068A (zh) 一种基于改进a*算法和动态窗口法的混合路径规划方法
Zhuang et al. Adaptive Stanley Control Method Based on Dynamic Window 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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220906

WW01 Invention patent application withdrawn after publication