CN115237117A - 基于变异自适应粒子群算法的移动机器人路径规划方法 - Google Patents
基于变异自适应粒子群算法的移动机器人路径规划方法 Download PDFInfo
- Publication number
- CN115237117A CN115237117A CN202210470270.3A CN202210470270A CN115237117A CN 115237117 A CN115237117 A CN 115237117A CN 202210470270 A CN202210470270 A CN 202210470270A CN 115237117 A CN115237117 A CN 115237117A
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- path
- algorithm
- evaluation function
- dwa
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 title claims description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 50
- 238000005070 sampling Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 239000003245 coal Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research 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
-
- 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
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (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
本发明公开一种基于变异自适应粒子群算法的移动机器人路径规划方法,首先根据采集到的目标点和障碍物的位置信息构建环境地图,利用DWA‑VSPSO(Dynamic Window Approach‑Variation Self‑Adaptive Particle Swarm Optimization Algorithm)算法生成一条综合代价最小的原始路径,然后重新定义DWA(Dynamic Window Approach,DWA)算法的评价函数,在评价函数中增加移动机器人轨迹到原始路径的距离评价子函数,当改进的评价函数的值最小时,DWA算法规划出的轨迹即为最优路径,为移动机器人在复杂环境下规划最优路径提供了一种新思路。
Description
技术领域
本发明涉及移动机器人路径规划技术领域,尤其涉及一种基于变异自适应粒子群算法的移动机器人路径规划方法。
背景技术
移动机器人路径规划技术是机器人研究领域的核心内容之一,针对机器人路径规划技术,存在一种粒子群优化算法。传统的粒子群优化算法虽然收敛性较好以及需要调整的参数较少,但本身存在容易陷入局部最小值以及收敛速度较慢的问题。
为此,本发明给出一种基于变异自适应粒子群算法的移动机器人路径规划方法,首先根据采集到的目标点和障碍物的位置信息构建环境地图,利用DWA-VSPSO(DynamicWindow Approach-Variation Self-Adaptive Particle Swarm OptimizationAlgorithm)算法生成一条综合代价最小的原始路径,然后重新定义DWA(Dynamic WindowApproach,DWA)算法的评价函数,在评价函数中增加移动机器人轨迹到原始路径的距离评价子函数,当改进的评价函数的值最小时,DWA算法规划出的轨迹即为最优路径,为移动机器人在复杂环境下规划最优路径提供了一种新思路。
发明内容
本发明的目的在于提供一种基于变异自适应粒子群算法的移动机器人路径规划方法,用于移动机器人的路径规划,为实现高效准确路径规划提供保障。
为了达成上述目的,本发明的解决方案是:
基于变异自适应粒子群算法的矿井移动机器人路径规划方法,包括以下步骤(1)~(3):
(1)采用激光传感器和RGB相机采集煤矿井下障碍物和目标点的位置信息,利用Gampping算法将激光传感器采集的激光位置信息生成二维激光栅格地图,利用ORB算法将RGB相机采集的深度位置信息生成三维点云地图,通过融合更新公式,将这两种地图进行融合,得到可用于导航的环境地图;
(2)利用步骤(1)确定的环境地图,使用DWA-VSPSO(Dynamic Window Approach-Variation Self-Adaptive Particle Swarm Optimization Algorithm)算法生成一条综合代价最小的原始路径;具体步骤为:在DWA-VSPSO算法的惯性权重公式中引入平均适应值,用以获得改进的惯性权重公式,在步骤1搭建的环境地图中随机生成多条路径;通过评估姿态耗费和地质耗费,建立综合代价模型,选取综合代价最小的路径为原始路径;
(3)利用步骤(2)确定的原始路径,重新定义DWA(Dynamic Window Approach,DWA)算法的评价函数,在评价函数中增加移动机器人轨迹到原始路径的距离评价子函数,用以获得改进后的评价函数,当改进的评价函数的值最小时,规划的轨迹即为最优路径。
本发明的基于变异自适应粒子群算法的移动机器人路径规划方法,所述步骤(1)中通过融合更新公式,将这两种地图进行融合,得到可用于导航的环境地图,具体步骤为∶
(2.1)利用移动机器人操作***ROS(Robot Operating System)中的Octomap-server功能,将三维点云地图投影转化,生成投影的二维栅格地图;
(2.2)基于两种栅格地图数据中坐标的比较,形成两幅地图之间对应栅格的坐标映射关系;
(2.3)对处于占据状态的栅格,考察其临近栅格的状态,若其中处于占据状态的栅格数大于某一阈值,则判定该栅格为占据状态,否则判定为空闲状态;
(2.4)对激光与视觉地图中相同位置的栅格进行融合,融合更新公式如下: 其中,Ps是指传感器测量的栅格单元为占据状态的条件概率,Pm是先验栅格地图中处于占据状态单元的先验概率,P是一个传感器测量距离R的更新估计值或者逆传感器模型的占据栅格单元的条件概率。
本发明的基于变异自适应粒子群算法的移动机器人路径规划方法,所述步骤(2)中在DWA-VSPSO算法的惯性权重公式中引入平均适应值,其改进后的惯性权重公式如下:其中,fave是平均适应值,Qmax和Qmin分别为惯性权重的最大值和最小值,fmax和fmin是每代粒子中的最大适应值和最小适应值,fitness(i)为每代第i个粒子的适应值。
本发明的变异自适应粒子群算法的移动机器人路径规划方法,所述步骤(3)中重新定义DWA算法的评价函数,在评价函数中增加移动机器人轨迹到原始路径的距离评价子函数,其改进的评价函数为:G(v,w)=k(α·Heading(v,w)+β·Goal(v,w)+γ·Path(v,w)+σ·Dist(v,w)),其中,k是平滑系数,α、β、γ、σ是各子函数的加权系数,v是移动机器人采样的线速度,w是移动机器人采样的角速度,Heading(v,w)是移动机器人方位角不断地朝向终点位置函数,Goal(v,w)是移动机器人轨迹末端点到终点的距离函数,Path(v,w)是移动机器人轨迹到障碍物距离函数,Dist(v,w)是移动机器人轨迹到原始路径的距离评价函数。
本发明的基于变异自适应粒子群算法的移动机器人路径规划方法,所述步骤(3)中,当改进的评价函数的值最小时,规划的轨迹即为最优路径,具体步骤为:
(5.1)在移动机器人编码器的一个采样周期内,将移动机器人运动所产生的距离投影在世界坐标系中,建立移动机器人的运动学模型;
(5.2)基于移动机器人自身的速度限制、电机转矩限制和避障要求三个因素,取以上三个因素所约束的线速度和角速度范围的交集,建立速度矢量空间;
(5.3)将步骤(5.2)建立的矢量空间的速度矢量离散化,得到离散的采样点,并根据步骤(5.1)建立的移动机器人运动学模型,规划编码器下个采样周期的多条轨迹的生成;
(5.4)利用步骤(3)中改进后的评价函数,对步骤(5.3)规划的多条轨迹进行评价,当改进后的评价函数的值最小时,规划的轨迹即为最优路径。
附图说明
图1是基于变异自适应粒子群算法的移动机器人路径规划方法。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明。
本发明提供一种基于变异自适应粒子群算法的移动机器人路径规划方法,其总体思路为:首先根据采集到的目标点和障碍物的位置信息构建环境地图,利用DWA-VSPSO(Dynamic Window Approach-Variation Self-Adaptive Particle Swarm OptimizationAlgorithm)算法生成一条综合代价最小的原始路径,然后重新定义DWA(Dynamic WindowApproach,DWA)算法的评价函数,在评价函数中增加移动机器人轨迹到原始路径的距离评价子函数,当改进的评价函数的值最小时,DWA算法规划出的轨迹即为最优路径。
如图1所示,本发明的基于变异自适应粒子群算法的移动机器人路径规划方法,具体实施包括以下步骤(1)~(3):
(1)采用激光传感器和RGB相机采集煤矿井下障碍物和目标点的位置信息,利用Gampping算法将激光传感器采集的激光位置信息生成二维激光栅格地图,利用ORB算法将RGB相机采集的深度位置信息生成三维点云地图,通过融合更新公式,将这两种地图进行融合,得到可用于导航的环境地图,具体实现为:
(1.1)利用移动机器人操作***ROS(Robot Operating System)中的Octomap-server功能,将三维点云地图投影转化,生成投影的二维栅格地图;
(1.2)基于两种栅格地图数据中坐标的比较,形成两幅地图之间对应栅格的坐标映射关系;
(1.3)对处于占据状态的栅格,考察其临近栅格的状态,若其中处于占据状态的栅格数大于某一阈值,则判定该栅格为占据状态,否则判定为空闲状态;
(1.4)对激光与视觉地图中相同位置的栅格进行融合,融合更新公式如下: 其中,Ps是指传感器测量的栅格单元为占据状态的条件概率,Pm是先验栅格地图中处于占据状态单元的先验概率,P是一个传感器测量距离R的更新估计值或者逆传感器模型的占据栅格单元的条件概率。
(2)利用步骤(1)确定的环境地图,使用DWA-VSPSO(Dynamic Window Approach-Variation Self-Adaptive Particle Swarm Optimization Algorithm)算法生成一条综合代价最小的原始路径;具体步骤为:在DWA-VSPSO算法的惯性权重公式中引入平均适应值,用以获得改进的惯性权重公式,在步骤1搭建的环境地图中随机生成多条路径;通过评估姿态耗费和地质耗费,建立综合代价模型,选取综合代价最小的路径为原始路径;
对于上文提到的在DWA-VSPSO算法的惯性权重公式中引入平均适应值,其改进后的惯性权重公式如下:其中,fave是平均适应值,Qmax和Qmin分别为惯性权重的最大值和最小值,fmax和fmin是每代粒子中的最大适应值和最小适应值,fitness(i)为每代第i个粒子的适应值。
(3)利用步骤(2)确定的原始路径,重新定义DWA(Dynamic Window Approach,DWA)算法的评价函数,在评价函数中增加移动机器人轨迹到原始路径的距离评价子函数,用以获得改进的评价函数,使用改进后的DWA算法重新规划一条新的路径,评价函数的值最小时,规划的路径即为最优路径,具体实现为:
对于上文提到的重新定义DWA(Dynamic Window Approach,DWA)算法的评价函数,在评价函数中增加移动机器人轨迹到原始路径的距离评价子函数,其改进后的评价函数为:G(v,w)=k(α·Heading(v,w)+β·Goal(v,w)+γ·Path(v,w)+σ·Dist(v,w)),其中,k是平滑系数,α、β、γ、σ是各子函数的加权系数,v是移动机器人采样的线速度,w是移动机器人采样的角速度,Heading(v,w)是移动机器人方位角不断地朝向终点位置函数,Goal(v,w)是移动机器人轨迹末端点到终点的距离函数,Path(v,w)是移动机器人轨迹到障碍物距离函数,Dist(v,w)是移动机器人轨迹到原始路径的距离评价函数。
(3.1)在移动机器人编码器的一个采样周期内,将移动机器人运动所产生的距离投影在世界坐标系中,建立移动机器人的运动学模型;
(3.2)基于移动机器人自身的速度限制、电机转矩限制和避障要求三个因素,取以上三个因素所约束的线速度和角速度范围的交集,建立速度矢量空间;
(3.3)将步骤(3.2)建立的矢量空间的速度矢量离散化,得到离散的采样点,并根据步骤(3.1)建立的移动机器人运动学模型,规划编码器下个采样周期的多条轨迹的生成;
(3.4)利用步骤(3)中改进后的评价函数,对步骤(3.3)规划的多条轨迹进行评价,当改进后的评价函数的值最小时,规划的轨迹即为最优路径。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (5)
1.一种基于变异自适应粒子群算法的矿井移动机器人路径规划方法,其特征在于,包括以下步骤:
(1)采用激光传感器和RGB相机采集煤矿井下障碍物和目标点的位置信息,利用Gampping算法将激光传感器采集的激光位置信息生成二维激光栅格地图,利用ORB算法将RGB相机采集的深度位置信息生成三维点云地图,通过融合更新公式,将这两种地图进行融合,得到可用于导航的环境地图;
(2)利用步骤(1)确定的环境地图,使用DWA-VSPSO(Dynamic Window Approach-Variation Self-Adaptive Particle Swarm Optimization Algorithm)算法生成一条综合代价最小的原始路径;具体步骤为:在DWA-VSPSO算法的惯性权重公式中引入平均适应值,用以获得改进的惯性权重公式,在步骤1搭建的环境地图中随机生成多条路径;通过评估姿态耗费和地质耗费,建立综合代价模型,选取综合代价最小的路径为原始路径;
(3)利用步骤(2)确定的原始路径,重新定义DWA(Dynamic Window Approach,DWA)算法的评价函数,在评价函数中增加移动机器人轨迹到原始路径的距离评价子函数,用以获得改进后的评价函数,当改进的评价函数的值最小时,规划的轨迹即为最优路径。
2.如权利要求1所述基于变异自适应粒子群算法的移动机器人路径规划方法,其特征在于,所述步骤(1)中通过融合更新公式,将这两种地图进行融合,得到可用于导航的环境地图,具体步骤为:
(2.1)利用移动机器人操作***ROS(Robot Operating System)中的Octomap-server功能,将三维点云地图投影转化,生成投影的二维栅格地图;
(2.2)基于两种栅格地图数据中坐标的比较,形成两幅地图之间对应栅格的坐标映射关系;
(2.3)对处于占据状态的栅格,考察其临近栅格的状态,若其中处于占据状态的栅格数大于某一阈值,则判定该栅格为占据状态,否则判定为空闲状态;
4.如权利要求1所述基于变异自适应粒子群算法的移动机器人路径规划方法,其特征在于,所述步骤(3)中重新定义DWA算法的评价函数,在评价函数中增加移动机器人轨迹到原始路径的距离评价子函数,其改进后的评价函数为:G(v,w)=k(α·Heading(v,w)+β·Goal(v,w)+γ·Path(v,w)+σ·Dist(v,w)),其中,k是平滑系数,α、β、γ、σ是各子函数的加权系数,v是移动机器人采样的线速度,w是移动机器人采样的角速度,Heading(v,w)是移动机器人方位角不断地朝向终点位置函数,Goal(v,w)是移动机器人轨迹末端点到终点的距离函数,Path(v,w)是移动机器人轨迹到障碍物距离函数,Dist(v,w)是移动机器人轨迹到原始路径的距离评价函数。
5.如权利要求1所述基于变异自适应粒子群算法的移动机器人路径规划方法,其特征在于,所述步骤(3)中,当改进的评价函数的值最小时,规划的轨迹即为最优路径,具体步骤为:
(5.1)在移动机器人编码器的一个采样周期内,将移动机器人运动产生的距离投影在世界坐标系中,建立移动机器人的运动学模型;
(5.2)基于移动机器人自身的速度限制、电机转矩限制和避障要求三个因素,取以上三个因素所约束的线速度和角速度范围的交集,建立速度矢量空间;
(5.3)将步骤(5.2)建立的矢量空间的速度矢量离散化,得到离散的采样点,并根据步骤(5.1)建立的移动机器人运动学模型,规划编码器下个采样周期的多条轨迹的生成;
(5.4)利用步骤(3)中改进后的评价函数,对步骤(5.3)规划的多条轨迹进行评价,当改进后的评价函数的值最小时,规划的轨迹即为最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210470270.3A CN115237117B (zh) | 2022-04-28 | 2022-04-28 | 基于变异自适应粒子群算法的移动机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210470270.3A CN115237117B (zh) | 2022-04-28 | 2022-04-28 | 基于变异自适应粒子群算法的移动机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115237117A true CN115237117A (zh) | 2022-10-25 |
CN115237117B CN115237117B (zh) | 2024-05-07 |
Family
ID=83668060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210470270.3A Active CN115237117B (zh) | 2022-04-28 | 2022-04-28 | 基于变异自适应粒子群算法的移动机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115237117B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
WO2018176596A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 基于权重改进粒子群算法的无人自行车路径规划方法 |
CN109799822A (zh) * | 2019-01-30 | 2019-05-24 | 中国石油大学(华东) | 移动机器人全局平滑路径规划方法 |
CN112325884A (zh) * | 2020-10-29 | 2021-02-05 | 广西科技大学 | 一种基于dwa的ros机器人局部路径规划方法 |
CN113219982A (zh) * | 2021-05-17 | 2021-08-06 | 安徽理工大学 | 一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法 |
-
2022
- 2022-04-28 CN CN202210470270.3A patent/CN115237117B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
WO2018176596A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 基于权重改进粒子群算法的无人自行车路径规划方法 |
CN109799822A (zh) * | 2019-01-30 | 2019-05-24 | 中国石油大学(华东) | 移动机器人全局平滑路径规划方法 |
CN112325884A (zh) * | 2020-10-29 | 2021-02-05 | 广西科技大学 | 一种基于dwa的ros机器人局部路径规划方法 |
CN113219982A (zh) * | 2021-05-17 | 2021-08-06 | 安徽理工大学 | 一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法 |
Non-Patent Citations (3)
Title |
---|
TIAN, J;HU, W;WANG, YH;LI, L;KE, P;ZHANG, K: "A Novel PSO Based Task Scheduling Algorithm for Multi-core Systems", SMART COMPUTING AND COMMUNICATION, SMARTCOM 2016, 31 December 2017 (2017-12-31) * |
李林,李建兵,牛鹏超: "基于粒子群算法的RBF神经网络的优化方法", 山东电力高等专科学校学报, vol. 13, no. 01, 31 December 2010 (2010-12-31) * |
雷开友;邱玉辉;刘博勤;贺一;: "基于改进粒子群算法的移动机器人全局路径规划", 西南师范大学学报(自然科学版), no. 02, 28 April 2006 (2006-04-28) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN115237117B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Geometric A-star algorithm: An improved A-star algorithm for AGV path planning in a port environment | |
CN112378408A (zh) | 一种实现轮式移动机器人实时避障的路径规划方法 | |
CN110632931A (zh) | 动态环境下基于深度强化学习的移动机器人避碰规划方法 | |
CN105955273A (zh) | 室内机器人导航***及方法 | |
CN108195376B (zh) | 小型无人机自主导航定位方法 | |
CN105629974A (zh) | 一种基于改进型人工势场法的机器人路径规划方法及*** | |
CN202216696U (zh) | 基于信息融合的煤矿救灾机器人导航装置 | |
CN106919181A (zh) | 一种无人机避障方法 | |
CN104406589B (zh) | 一种飞行器穿越雷达区的飞行方法 | |
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 | |
CN111949032A (zh) | 一种基于强化学习的3d避障导航***及方法 | |
CN112284376A (zh) | 一种基于多传感器融合的移动机器人室内定位建图方法 | |
CN111060099A (zh) | 一种无人驾驶汽车实时定位方法 | |
Chen et al. | Tracking with UAV using tangent-plus-Lyapunov vector field guidance | |
CN115145315A (zh) | 一种改进a*算法的适合杂乱环境的无人机路径规划方法 | |
CN115237117B (zh) | 基于变异自适应粒子群算法的移动机器人路径规划方法 | |
Hu et al. | Optimal path planning for mobile manipulator based on manipulability and localizability | |
Zhao et al. | Autonomous exploration method for fast unknown environment mapping by using UAV equipped with limited FOV sensor | |
Deng et al. | Research on target recognition and path planning for EOD robot | |
CN113589809A (zh) | 可避障的挖掘机工作装置作业轨迹规划方法及装置 | |
CN111427368A (zh) | 一种改进的多目标无人智能车避碰行驶方法 | |
CN112015199A (zh) | 应用于煤矿井下智能巡检无人机的航迹规划方法及装置 | |
CN115454061B (zh) | 一种基于3d技术的机器人路径避障方法及*** | |
CN116772846A (zh) | 一种无人机航迹规划方法、装置、设备及介质 | |
CN116477505A (zh) | 一种基于深度学习的塔机实时路径规划***及方法 |
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 |