CN115454062A - 一种基于贝兹曲线的机器人动态路径规划方法及*** - Google Patents
一种基于贝兹曲线的机器人动态路径规划方法及*** Download PDFInfo
- Publication number
- CN115454062A CN115454062A CN202211051854.3A CN202211051854A CN115454062A CN 115454062 A CN115454062 A CN 115454062A CN 202211051854 A CN202211051854 A CN 202211051854A CN 115454062 A CN115454062 A CN 115454062A
- Authority
- CN
- China
- Prior art keywords
- path
- robot
- mobile robot
- curve
- priority
- 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 35
- 230000007246 mechanism Effects 0.000 claims abstract description 26
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 31
- 238000005265 energy consumption Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims 2
- 230000006872 improvement Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research 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
- G05D1/0214—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
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
-
- 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)
- Numerical Control (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于贝兹曲线的机器人动态路径规划方法,包括以下步骤:步骤100、获取移动机器人的路径数据,初始化移动机器人的工作空间,设定每个机器人的工作任务及移动参数值;步骤200、根据贝兹曲线融合改进遗传算法为各移动机器人规划出一条最优可行路径;步骤300、根据各个移动机器人的最优可行路径以及工作任务的重要性设定各自的优先级;步骤400、从优先级最低的移动机器人开始对其他机器人进行碰撞预测,采用冲突消解机制进行局部路径修正,获取每个机器人的全局无碰撞最优路径,提高了移动机器人路径规划问题中的通用性和优化程度,能够很好地应用于多移动机器人路径规划问题的实际场景。
Description
技术领域
本发明实施例涉及机器人动态路径规划技术领域,具体涉及一种基于贝兹曲线的机器人动态路径规划方法及***。
背景技术
近些年来,移动机器人的路径规划技术在国内外的研究迅速升温,移动机器人的路径规划问题是利用某种算法规划出移动机器人在起始点和目标点之间的最优可行路径,根据对环境的掌握程度可以将路径规划分为已知环境下的全局路径规划和未知环境下的局部路径规划;根据环境信息是否随时间变化又可将路径规划分为静态路径规划和动态路径规划,不同的规划方法导致机器人的运动路径不一,现有用于机器人动态路径规划方法还存在如下缺陷:
(1)现有用于机器人动态路径规划主要是根据移动机器人的任务重要性或者初始规划路径的长度事先分配一个固定的优先级大小,在预测到即将发生碰撞时优先级高的移动机器人具有优先行驶的权利,而优先级低的移动机器人则将优先级高的机器人视为障碍物,这种固定优先级大小的策略往往在解决某些碰撞问题时有其难以修正的局限性,导致算法计算量过大,运算效率不高,对最优路径的衡量指标仅仅局限于路径长度和运行时间,导致机器人路径规划较为复杂,规划得出的最优路径性能也有待提髙;
(2)在移动机器人的路径规划问题中,每一个移动机器人除了要避免和运行环境中的障碍物相撞,还要注意规避和其他运行中的移动机器人发生碰撞的可能性,现有技术中采取的避障机制主要以不发生碰撞为主,未考虑路径优化。
发明内容
为此,本发明实施例提供一种基于贝兹曲线的机器人动态路径规划方法及***,以解决现有技术中对于规划最优路径性能以及路径规划问题中存在避障机制的问题。
为了实现上述目的,本发明的实施方式提供如下技术方案:
一种基于贝兹曲线的机器人动态路径规划方法,包括以下步骤:
步骤100、获取移动机器人的路径数据,初始化移动机器人的工作空间,设定每个机器人的工作任务及移动参数值;
步骤200、根据贝兹曲线融合改进遗传算法为各移动机器人规划出一条最优可行路径;
步骤300、根据各个移动机器人的最优可行路径以及工作任务的重要性设定各自的优先级;
步骤400、从优先级最低的移动机器人开始对其他机器人进行碰撞预测,采用冲突消解机制进行局部路径修正,获取每个机器人的全局无碰撞最优路径。
作为本发明的一种优选方案,在步骤100中,根据移动机器人路径数据对平面环境进行栅格化处理,建立直角坐标系,设定每一个栅格节点的序列号N与一个路径点坐标(x,y)相对应,获取移动机器人运行环境模型。
作为本发明的一种优选方案,依据所述移动机器人运行环境模型,采用改进遗传算法生成一条最优折线路径,然后采取平滑优化操作,以折线路径上的路径节点作为贝兹曲线的控制点生成曲线路径,所述改进遗传算法具体步骤如下;
步骤201、建立直角坐标系,设定每一个栅格节点的序列号N与一个路径点坐标(x,y)相对应;
步骤202、利用启发式中值***法建立初始种群,生成M条初始可行路径,根据多目标适应度函数计算每条初始路径的适应度值;
步骤203、将路径适应度值排序,采用分层法选择优势路径个体直接遗传到下一代,据交叉概率选择一定数量的路径个体进行单点交叉操作;
步骤204、根据变异概率选择一定数量的路径个体进行八邻域单点变异操作,初始可行路径经过遗传操作后生成子代路径,计算子代路径个体的适应度值,输出最优折线路径。
作为本发明的一种优选方案,在步骤202中,所述多目标适应度函数基于移动机器人的路径长度、路径安全性及路径能耗,所述路径长度采用所有相邻节点间的欧氏距离之和,其具体表达式为:
其中,L(N)为路径长度函数,S(N)为路径安全性函数,E(N)为路径能耗函数,a、b、c是三个指标的权重。
作为本发明的一种优选方案,在步骤204中,依据所述适应度值将栅格节点分为数据点和控制点,利用数据点确定曲线的起始与结束位置,利用控制点确定曲线的弯曲程度,得到n阶贝兹曲线,其参数表达式为:
其中,t表示归一化时间变量,Pi为节点坐标,Bi,n(t)为n次伯恩斯坦多项式。
作为本发明的一种优选方案,依据所述贝兹曲线通过加控制点数量平滑优化曲线路径,获取最优路径。
作为本发明的一种优选方案,依据最优路径采用动态优先级策略获取全局无碰撞最优路径,所述动态优先级策略步骤如下:
步骤301、根据移动机器人的初始运行路径长度和重要性计算优先级函数,其具体表达式为:
f(Ri)=ω1Li+ω2Si
ω1+ω2=1
其中,f(Ri)为移动机器人Ri的优先级函数值,Li为机器人初始规划路径的长度,Si为机器人规划任务的重要性,ω1、ω2是这两个参数的权重值;
步骤302、根据优先级函数计算得出移动机器人的优先级大小,从优先级最小的机器人开始对其他机器人进行碰撞预测。
作为本发明的一种优选方案,结合所述动态优先级策略采取等待机制进行局部避障,所述等待机制具体步骤为:
首先,获取优先级低的移动机器人等待优先级高的行驶过路径冲突点所需要的运行距离Lω;
其次,依据移动机器人的运行速度v获取等待时间Tω。
作为本发明的一种优选方案,依据所述等待机制对优先级低的移动机器人进行局部路径修正,所述局部路径修正通过修正全局路径长度和,影响全局运行时间已修正路径。
一种根据权利要求1-9所述的基于贝兹曲线的机器人动态路径规划***,包括:
数据采集模块,获取移动机器人的实时运行数据,根据传感信息与机器人设置的决策程序共同判断移动机器人的下一步动作;
运动控制模块,将传感器采集的数据信息传输给各个电路模块,通过各种电路模块反馈给运动控制模块激励信号;
主控模块,将激励信号转化成控制指令给各种控件,控制移动机器人运行路径;
用户感知模块,采用RVIZ 3D软件创建可视化界面实时显示移动机器人运行路径。
本发明的实施方式具有如下优点:
(1)本发明采用贝兹曲线融合改进算法规划出每个移动机器人的全局初始可行路径,然后根据移动机器人之间的协调避碰机制,对发生碰撞的区域进行局部规划消除碰撞隐患,最终得出全局无碰撞最优路径,以解决多移动机器人动态路径规划问题,提高了移动机器人路径规划问题中的通用性和优化程度。
(2)本发明通过计算移动机器人路径长度、运行时间、路径平滑性等参量,将分层路径规划算法应用于多移动机器人路径规划问题中,通过复杂环境中多移动机器人的分层路径规划出每个移动机器人的全局无碰撞最优路径,能够很好地应用于多移动机器人路径规划问题的实际场景。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施方式中的机器人动态路径规划方法的流程示意图。
图2为本发明实施方式中的机器人动态路径规划***结构框。
图中的标号分别表示如下:
1-数据采集模块;2-运动控制模块;3-主控模块;4-用户感知模块块。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1和图2所示,本发明提供了一种基于贝兹曲线的机器人动态路径规划方法及***,本实施方式采取贝兹曲线融合的改进遗传算法规划移动机器人的路径,不仅控制简单,还能平滑连接位置点、很好地描述路径曲线,获取无碰撞最最优路径,提高移动机器人的避障能力以及运行稳定性。
具体包括以下步骤:
步骤100、获取移动机器人的路径数据,初始化移动机器人的工作空间,设定每个机器人的工作任务及移动参数值;
步骤200、根据贝兹曲线融合改进遗传算法为各移动机器人规划出一条最优可行路径;
步骤300、根据各个移动机器人的最优可行路径以及工作任务的重要性设定各自的优先级;
步骤400、从优先级最低的移动机器人开始对其他机器人进行碰撞预测,采用冲突消解机制进行局部路径修正,获取每个机器人的全局无碰撞最优路径。
在步骤100中,根据移动机器人路径数据对平面环境进行栅格化处理,建立直角坐标系,设定每一个栅格节点的序列号N与一个路径点坐标 (x,y)相对应,获取移动机器人运行环境模型。
本实施例中,使用栅格法对环境进行建模,能够简单有效的将未知的运行空间表示成清晰直观的栅格地图,并根据栅格法将障碍物映射成相应的障碍栅格,通过直接坐标系中一个栅格节点的序列号N对应路径点坐标(x,y)规划机器人路径,通过优化栅格长度以提高路径规划精度。
本实施例中,在确定栅格地图的大小n*n(表示n行n列)、移动机器人路径规划的起始点S、目标点G以及障碍栅格的数目f后,生成M个从起始点S到目标点G的路径染色体,其中起始点S始终是染色体的第一个基因,目标点G始终是染色体的最后一个基因,随机生成一个栅格序号Ni,其中Ni不属于起点、终点或障碍栅格,此时机器人的路径可表示为S-Ni-G,根据相邻路径点Ni和Ni+1的直角坐标判断路径中相邻节点是否连续。
依据所述移动机器人运行环境模型,采用改进遗传算法生成一条最优折线路径,然后采取平滑优化操作,以折线路径上的路径节点作为贝兹曲线的控制点生成曲线路径,所述改进遗传算法具体步骤如下;
步骤201、建立直角坐标系,设定每一个栅格节点的序列号N与一个路径点坐标(x,y)相对应;
步骤202、利用启发式中值***法建立初始种群,生成M条初始可行路径,根据多目标适应度函数计算每条初始路径的适应度值;
步骤203、将路径适应度值排序,采用分层法选择优势路径个体直接遗传到下一代,据交叉概率选择一定数量的路径个体进行单点交叉操作;
步骤204、根据变异概率选择一定数量的路径个体进行八邻域单点变异操作,初始可行路径经过遗传操作后生成子代路径,计算子代路径个体的适应度值,输出最优折线路径。
在步骤202中,所述多目标适应度函数基于移动机器人的路径长度、路径安全性及路径能耗,所述路径长度采用所有相邻节点间的欧氏距离之和,其具体表达式为:
其中,L(N)为路径长度函数,S(N)为路径安全性函数,E(N)为路径能耗函数,a、b、c是三个指标的权重。
本实施例中,机器人在移动过程中与障碍物之间的距离远近直接影响了其安全性,距离过近则有可能发生擦碰或者影响机器人的移动速度,但也不是离障碍物越远越好,过分远离障碍物可能会造成路径长度偏长,本实施例以路径节点的八领域作为衡量该点与周围障碍物之间的安全距离标准,如果某一路径节点的八领域中不存在障碍栅格,则该点为安全移动点,否则该点存在安全隐患。
本实施例中,移动机器人的路径能耗主要是指机器人在行驶过程中所消耗的电量,机器人做直线运动时单位距离耗用的电能是相同的,最耗电的过程是机器人变换运动方向时发生的拐弯运动,因此路径能耗实则与其拐弯次数与拐弯角度相关,且只有始终朝着目标点方向前进才是耗能最少的。
本实施例中,在判断路径中相邻节点是否连续时,如计算得出的栅格序号Ni°为自由栅格则直接***到Ni和Ni+1之间,否则随机选取Ni°的八邻域节点中的自由栅格作为新***的节点,若Ni°的八邻域中没有自由栅格则表明本次操作无效,直接舍弃该个体,重复上述***步骤,以生成一条连续的可行路径。
本实施例中,多目标适应度函数主要用来计算每一个个体的性能,从而判定它们的优劣,以确保算法复杂度较小的同时加快遗传算法的收敛,维持个体之间的合理差距,找出能够平稳避开障碍物且快速到达目标点的最优路径。
在步骤204中,依据所述适应度值将栅格节点分为数据点和控制点,利用数据点确定曲线的起始与结束位置,利用控制点确定曲线的弯曲程度,得到n阶贝兹曲线,其参数表达式为:
其中,t表示归一化时间变量,Pi为节点坐标,Bi,n(t)为n次伯恩斯坦多项式。
依据所述贝兹曲线通过加控制点数量平滑优化曲线路径,获取最优路径。
依据最优路径采用动态优先级策略获取全局无碰撞最优路径,所述动态优先级策略步骤如下:
步骤301、根据移动机器人的初始运行路径长度和重要性计算优先级函数,其具体表达式为:
f(Ri)=ω1Li+ω2Si
ω1+ω2=1
其中,f(Ri)为移动机器人Ri的优先级函数值,Li为机器人初始规划路径的长度,Si为机器人规划任务的重要性,ω1、ω2是这两个参数的权重值;
步骤302、根据优先级函数计算得出移动机器人的优先级大小,从优先级最小的机器人开始对其他机器人进行碰撞预测。
本实施例中,贝兹曲线由线段与节点构成,通过一系列节点控制曲线的状态。
结合所述动态优先级策略采取等待机制进行局部避障,所述等待机制具体步骤为:
首先,获取优先级低的移动机器人等待优先级高的行驶过路径冲突点所需要的运行距离Lω;
其次,依据移动机器人的运行速度v获取等待时间Tω。
本实施例中,所述等待机制是在不改变全局路径总长度的前提下增加一定的等待时间,以规划路径。
本实施例中,所述动态优先级策略首先根据移动机器人的任务重要性或者初始规划路径的长度事先分配一个固定的优先级大小,在固定优先级的基础上,设置等待避碰机制使得优先级低的需要等待优先级高的移动机器人率先驶过碰撞区域,动态修正优先级后再进行局部规划能够确保规划的最优性。
本实施例中,为了保证全局运行最优,按照优先级函数值从大到小排序,优先级函数值越大移动机器人的优先级越高,从优先级最小的机器人开始对其他机器人进行碰撞预测,在检测到有碰撞可能时先判定冲突类型,以确保规划的最优性。
依据所述等待机制对优先级低的移动机器人进行局部路径修正,所述局部路径修正通过修正全局路径长度和,影响全局运行时间已修正路径。
本实施例中,局部路径修正机制是指在检测到碰撞时,优先级高的移动机器人按照原路径继续行驶,优先级低的移动机器人则重新规划出一条新的无碰撞最优路径,局部路径修正机制既会改变代价函数中的全局路径长度和,也会影响全局运行最长时间,但对全局运行最长时间的影响力小于等待机制。
本实施例中,通过动态优先级策略确保运行路径受其他机器人目标点影响的移动机器人拥有较高优先级,然后采用等待机制进行局部避障处理,如果优先级低的移动机器人等待时长超过自身运行时间,则考虑让优先级高的移动机器人启动局部路径修正机制,判断两种机制对代价函数的影响程度,选择影响程度较小的。
一种根据权利要求1-9所述的基于贝兹曲线的机器人动态路径规划***,包括:
数据采集模块1,获取移动机器人的实时运行数据,根据传感信息与机器人设置的决策程序共同判断移动机器人的下一步动作;
运动控制模块2,将传感器采集的数据信息传输给各个电路模块,通过各种电路模块反馈给运动控制模块激励信号;
主控模块3,将激励信号转化成控制指令给各种控件,控制移动机器人运行路径;
用户感知模块4,采用RVIZ3D软件创建可视化界面实时显示移动机器人运行路径。
本实施例中,通过RVIZ3D可视化软件构建用户感知模块4,进行移动机器人的定位,即确定起点位置,启动数据采集模块1进行实时探测,判断机器人周围是否可通行,指定目标点位置,移动机器人根据贝兹曲线融合算法进行全局路径规划,通过主控模,3控制机器人按照全局路径行驶,机器人行驶过程中通过数据采集模块1实时检测周围信息,如果出现动态障碍物或者未知的障碍物,调用等待机制及局部路径修正方法进行局部避障,到达目标点路径规划结束。
因此本实施方式采用贝兹曲线融合改进算法规划出每个移动机器人的全局初始可行路径,然后根据移动机器人之间的协调避碰机制,对发生碰撞的区域进行局部规划消除碰撞隐患,最终得出全局无碰撞最优路径,以解决多移动机器人动态路径规划问题,提高了移动机器人路径规划问题中的通用性和优化程度。
因此作为本发明的另一创新点,本实施方式通过计算移动机器人路径长度、运行时间、路径平滑性等参量,将分层路径规划算法应用于多移动机器人路径规划问题中,通过复杂环境中多移动机器人的分层路径规划出每个移动机器人的全局无碰撞最优路径,能够很好地应用于多移动机器人路径规划问题的实际场景。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种基于贝兹曲线的机器人动态路径规划方法,其特征在于,包括以下步骤:
步骤100、获取移动机器人的路径数据,初始化移动机器人的工作空间,设定每个机器人的工作任务及移动参数值;
步骤200、根据贝兹曲线融合改进遗传算法为各移动机器人规划出一条最优可行路径;
步骤300、根据各个移动机器人的最优可行路径以及工作任务的重要性设定各自的优先级;
步骤400、从优先级最低的移动机器人开始对其他机器人进行碰撞预测,采用冲突消解机制进行局部路径修正,获取每个机器人的全局无碰撞最优路径。
2.根据权利要求1所述的一种基于贝兹曲线的机器人动态路径规划方法,其特征在于,在步骤100中,根据移动机器人路径数据对平面环境进行栅格化处理,建立直角坐标系,设定每一个栅格节点的序列号N与一个路径点坐标(x,y)相对应,获取移动机器人运行环境模型。
3.根据权利要求2所述的一种基于贝兹曲线的机器人动态路径规划方法,其特征在于,依据所述移动机器人运行环境模型,采用改进遗传算法生成一条最优折线路径,然后采取平滑优化操作,以折线路径上的路径节点作为贝兹曲线的控制点生成曲线路径,所述改进遗传算法具体步骤如下;
步骤201、建立直角坐标系,设定每一个栅格节点的序列号N与一个路径点坐标(x,y)相对应;
步骤202、利用启发式中值***法建立初始种群,生成M条初始可行路径,根据多目标适应度函数计算每条初始路径的适应度值;
步骤203、将路径适应度值排序,采用分层法选择优势路径个体直接遗传到下一代,据交叉概率选择一定数量的路径个体进行单点交叉操作;
步骤204、根据变异概率选择一定数量的路径个体进行八邻域单点变异操作,初始可行路径经过遗传操作后生成子代路径,计算子代路径个体的适应度值,输出最优折线路径。
6.根据权利要求5所述的一种基于贝兹曲线的机器人动态路径规划方法,其特征在于,依据所述贝兹曲线通过加控制点数量平滑优化曲线路径,获取最优路径。
7.根据权利要求6所述的一种基于贝兹曲线的机器人动态路径规划方法,其特征在于,依据最优路径采用动态优先级策略获取全局无碰撞最优路径,所述动态优先级策略步骤如下:
步骤301、根据移动机器人的初始运行路径长度和重要性计算优先级函数,其具体表达式为:
f(Ri)=ω1Li+ω2Si
ω1+ω2=1
其中,f(Ri)为移动机器人Ri的优先级函数值,Li为机器人初始规划路径的长度,Si为机器人规划任务的重要性,ω1、ω2是这两个参数的权重值;
步骤302、根据优先级函数计算得出移动机器人的优先级大小,从优先级最小的机器人开始对其他机器人进行碰撞预测。
8.根据权利要求7所述的一种基于贝兹曲线的机器人动态路径规划方法,其特征在于,结合所述动态优先级策略采取等待机制进行局部避障,所述等待机制具体步骤为:
首先,获取优先级低的移动机器人等待优先级高的行驶过路径冲突点所需要的运行距离Lω;
其次,依据移动机器人的运行速度v获取等待时间Tω。
9.根据权利要求7所述的一种基于贝兹曲线的机器人动态路径规划方法,其特征在于,依据所述等待机制对优先级低的移动机器人进行局部路径修正,所述局部路径修正通过修正全局路径长度和,影响全局运行时间已修正路径。
10.一种根据权利要求1-9所述的基于贝兹曲线的机器人动态路径规划***,其特征在于,包括:
数据采集模块(1),获取移动机器人的实时运行数据,根据传感信息与机器人设置的决策程序共同判断移动机器人的下一步动作;
运动控制模块(2),将传感器采集的数据信息传输给各个电路模块,通过各种电路模块反馈给运动控制模块激励信号;
主控模块(3),将激励信号转化成控制指令给各种控件,控制移动机器人运行路径;
用户感知模块(4),采用RVIZ 3D软件创建可视化界面实时显示移动机器人运行路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211051854.3A CN115454062A (zh) | 2022-08-31 | 2022-08-31 | 一种基于贝兹曲线的机器人动态路径规划方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211051854.3A CN115454062A (zh) | 2022-08-31 | 2022-08-31 | 一种基于贝兹曲线的机器人动态路径规划方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115454062A true CN115454062A (zh) | 2022-12-09 |
Family
ID=84301109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211051854.3A Pending CN115454062A (zh) | 2022-08-31 | 2022-08-31 | 一种基于贝兹曲线的机器人动态路径规划方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115454062A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116166027A (zh) * | 2023-02-28 | 2023-05-26 | 安徽常云科技服务有限公司 | 一种用于仓储物流的智能机器人控制方法及*** |
CN117573308A (zh) * | 2023-11-15 | 2024-02-20 | 中国三峡建工(集团)有限公司 | 一种任务中断仲裁方法、***、芯片以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106444755A (zh) * | 2016-09-22 | 2017-02-22 | 江苏理工学院 | 基于改进遗传算法的移动机器人路径规划方法及*** |
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 |
-
2022
- 2022-08-31 CN CN202211051854.3A patent/CN115454062A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106444755A (zh) * | 2016-09-22 | 2017-02-22 | 江苏理工学院 | 基于改进遗传算法的移动机器人路径规划方法及*** |
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 |
Non-Patent Citations (3)
Title |
---|
李开荣等: "融合Bezier遗传算法的移动机器人路径规划", 《扬州大学学报》, vol. 24, no. 5, 31 October 2021 (2021-10-31), pages 58 - 64 * |
肖宏图: "基于改进A*算法的室内移动机器人路径规划方法研究", 中国优秀硕士学位论文全文数据库 信息科技辑》, no. 02, 15 February 2021 (2021-02-15), pages 140 - 872 * |
胡倩倩: "基于贝兹曲线融合改进遗传算法的多移动机器人分层路径规划方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 09, 15 September 2021 (2021-09-15), pages 140 - 13 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116166027A (zh) * | 2023-02-28 | 2023-05-26 | 安徽常云科技服务有限公司 | 一种用于仓储物流的智能机器人控制方法及*** |
CN116166027B (zh) * | 2023-02-28 | 2023-12-26 | 湛江诚通物流有限公司 | 一种用于仓储物流的智能机器人控制方法及*** |
CN117573308A (zh) * | 2023-11-15 | 2024-02-20 | 中国三峡建工(集团)有限公司 | 一种任务中断仲裁方法、***、芯片以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112904842B (zh) | 一种基于代价势场的移动机器人路径规划与优化方法 | |
CN115454062A (zh) | 一种基于贝兹曲线的机器人动态路径规划方法及*** | |
CN110221614B (zh) | 一种基于快速探索随机树的多机器人地图探索方法 | |
CN106873599A (zh) | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 | |
CN109947120B (zh) | 仓储***中的路径规划方法 | |
CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
CN110243373B (zh) | 一种动态仓储自动引导车的路径规划方法、装置和*** | |
JP2005032196A (ja) | 移動ロボット用経路計画システム | |
CN110763247A (zh) | 基于可视图和贪心算法结合的机器人路径规划方法 | |
CN114427866A (zh) | 路径规划方法、电子设备以及存储介质 | |
CN114764239A (zh) | 清扫机器人控制方法、装置、计算机设备及存储介质 | |
CN114721402A (zh) | 一种基于改进蚁群算法的泊车路径规划方法及*** | |
Ou et al. | GPU-based global path planning using genetic algorithm with near corner initialization | |
CN115829179A (zh) | 一种舰船路径规划方法及装置 | |
CN115187944A (zh) | 一种车道线检测方法及装置 | |
CN116625395A (zh) | 基于二维栅格地图的多目标路径规划方法 | |
CN116872915A (zh) | 一种基于遗传算法的自动泊车多目标自适应轨迹优化方法 | |
CN114692357B (zh) | 基于改进元胞自动机算法的三维航路网络规划***及方法 | |
CN116009552A (zh) | 一种路径规划方法、装置、设备及存储介质 | |
CN113792109B (zh) | 路径规划方法、路径规划***、机器人及存储介质 | |
CN111596668B (zh) | 基于逆向强化学习的移动机器人拟人化路径规划方法 | |
CN113627646A (zh) | 一种基于神经网络的路径规划方法、装置、设备及介质 | |
CN114167860A (zh) | 一种自动驾驶最优轨迹生成方法及装置 | |
CN112214037A (zh) | 一种基于野外台站的无人机遥感组网航迹规划方法 |
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 |