CN116652927A - 路径规划方法及装置、可读存储介质 - Google Patents
路径规划方法及装置、可读存储介质 Download PDFInfo
- Publication number
- CN116652927A CN116652927A CN202210156637.4A CN202210156637A CN116652927A CN 116652927 A CN116652927 A CN 116652927A CN 202210156637 A CN202210156637 A CN 202210156637A CN 116652927 A CN116652927 A CN 116652927A
- Authority
- CN
- China
- Prior art keywords
- tree
- tree node
- node
- exploration
- target
- 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 77
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000013016 learning Effects 0.000 claims abstract description 41
- 230000033001 locomotion Effects 0.000 claims abstract description 18
- 230000004888 barrier function Effects 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 87
- 238000004590 computer program Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000008685 targeting Effects 0.000 abstract description 5
- 101100273916 Schizosaccharomyces pombe (strain 972 / ATCC 24843) wip1 gene Proteins 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009326 social learning Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
- B25J9/1666—Avoiding collision or forbidden zones
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种路径规划方法及装置、计算机可读存储介质，其中，方法包括：获取移动对象的运动空间、起点位置、终点位置以及障碍物信息；在运动空间内，从起点位置开始构建第一探索树，从终点位置开始构建第二探索树，第一探索树与第二探索树根据障碍物信息相向生长；当第一探索树生长的第一树节点与第二探索树生长的第二树节点之间的距离不大于预设步长，连接第一探索树和第二探索树，得到移动对象的规划路径。本发明实施例中，采用随机学***衡树节点生长的随机性和目标性，降低树节点与障碍物的碰撞可能，使得探索树更快地向目标收敛，从而降低路径规划时间，得到更加优化的无碰撞连续路径。
Description
技术领域
本发明实施例涉及路径导航技术领域，尤其涉及一种路径规划方法及装置、计算机可读存储介质。
背景技术
随着科技的进步，工业移动对象发展迅速，不但可以提高生产效率还可以降低劳动成本，在人类生活中被广泛使用。移动对象诸如机械臂、机器人等的路径规划是工业控制的重要部分，主要指在满足环境约束和移动对象本身要求的情况下，在位姿空间找到一条从起始点到目标点的连续无碰撞路径。目前主流的路径规划算法主要为以快速扩展树算法(Rapid-exploration Random Tree，RRT)为代表的基于采样的规划算法，该算法的随机性强但构建路径用时较长，无法满足当前路径规划要求。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本发明实施例提供了一种路径规划方法及装置、计算机可读存储介质，能够降低路径规划时间，能够满足路径规划要求。
第一方面，本发明实施例提供了一种路径规划方法，包括：
获取移动对象的运动空间、起点位置、终点位置以及障碍物信息；
在所述运动空间内，从所述起点位置开始构建第一探索树，以及从所述终点位置开始构建第二探索树，其中，所述第一探索树与所述第二探索树根据所述障碍物信息相向生长；
当所述第一探索树生长的第一树节点与所述第二探索树生长的第二树节点之间的距离不大于预设步长，连接所述第一探索树和所述第二探索树，得到所述移动对象的规划路径；
其中，所述第二树节点按照以下方式生长：
从所述第二探索树的节点集合中，选出距目标采样点最近的树节点为第三树节点，以及选出所述第一探索树上距所述第二探索树最近的树节点为目标树节点，其中，所述目标采样点为沿上一次生长的所述第二树节点扩展采样得到；当所述第三树节点到所述障碍物的最近距离不小于预设间距阈值，根据所述第三树节点朝所述目标采样点的方向以及所述第三树节点朝所述目标树节点的方向，生长一个树节点作为所述第二树节点。
第二方面，本发明实施例还提供了一种路径规划装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面所述的路径规划方法。
第三方面，本发明实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上第一方面所述的路径规划方法。
本发明实施例包括：获取移动对象的运动空间、起点位置、终点位置以及障碍物信息；在运动空间内，从起点位置开始构建第一探索树，以及从终点位置开始构建第二探索树，其中，第一探索树与第二探索树根据障碍物信息相向生长；当第一探索树生长的第一树节点与第二探索树生长的第二树节点之间的距离不大于预设步长，连接第一探索树和第二探索树，得到移动对象的规划路径；其中，第二树节点按照以下方式生长：从第二探索树的节点集合中，选出距目标采样点最近的树节点为第三树节点，以及选出第一探索树上距第二探索树最近的树节点为目标树节点，其中，目标采样点为沿上一次生长的第二树节点扩展采样得到；当第三树节点到障碍物的最近距离不小于预设间距阈值，根据第三树节点朝目标采样点的方向以及第三树节点朝目标树节点的方向，生长一个树节点作为第二树节点。根据本发明实施例提供的方案，采用第一探索树与第二探索树相向生长的方式寻求路径规划空间，并通过连接第一探索树和第二探索树而得到移动对象的规划路径，能够有效提升构建路径的避障效果，并且考虑相对障碍物的距离影响，采用随机学***衡树节点生长的随机性和目标性，有效降低生成的树节点与障碍物的碰撞可能，使得探索树能够更快地向目标收敛，从而降低路径规划时间，得到更加优化的无碰撞连续路径，能够满足路径规划要求。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，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的技术方案，并不构成对本发明技术方案的限制。
图1是本发明一个实施例提供的路径规划方法的流程图；
图2是本发明一个实施例提供的路径规划方法中，生长第一树节点的流程图；
图3是本发明一个实施例提供的路径规划方法中，构建第一探索树的流程图；
图4是本发明另一个实施例提供的路径规划方法中，构建第一探索树的流程图；
图5是本发明一个实施例提供的路径规划方法中，生长第二树节点的流程图；
图6是本发明另一个实施例提供的路径规划方法中，生长第二树节点的流程图；
图7是本发明一个实施例提供的路径规划方法中，构建第二探索树的流程图；
图8是本发明另一个实施例提供的路径规划方法中，构建第二探索树的流程图；
图9是本发明一个实施例提供的路径规划方法中，得到移动对象的规划路径的流程图；
图10是本发明一个实施例提供的第一探索树和第二探索树的生长扩展示意图；
图11是基于本发明一个实施例提供的路径规划方法所确定的二维路径，与基于相关技术中的路径规划方法所确定的二维路径的对比示意图；
图12是基于本发明一个实施例提供的路径规划方法所确定的三维路径，与基于相关技术中的路径规划方法所确定的三维路径的对比示意图；
图13是本发明一个实施例提供的路径规划装置的示意图。
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。应当理解，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。
需要注意的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本发明提供了一种路径规划方法及装置、计算机可读存储介质，采用第一探索树与第二探索树相向生长的方式寻求路径规划空间，并通过连接第一探索树和第二探索树而得到移动对象的规划路径，能够有效提升构建路径的避障效果，并且考虑相对障碍物的距离影响，采用随机学***衡树节点生长的随机性和目标性，有效降低生成的树节点与障碍物的碰撞可能，使得探索树能够更快地向目标收敛，从而降低路径规划时间，得到更加优化的无碰撞连续路径，能够满足路径规划要求。
下面结合附图，对本发明实施例作进一步阐述。
如图1所示，图1是本发明一个实施例提供的路径规划方法的流程图，该路径规划方法包括但不限于步骤S100至S300。
步骤S100：获取移动对象的运动空间、起点位置、终点位置以及障碍物信息。
在一实施例中，移动对象的起点位置和终点位置即分别为待构建的规划路径的起点和终点，可以为二维、三维甚至更多维下的表示；移动对象的运动空间表征该移动对象的活动空间，用于约束待构建的规划路径的整体范围，使得不会出现超出移动对象的运动空间的情况，可以为二维、三维甚至更多维下的表示；障碍物与移动对象所对应，为移动对象进行移动的阻碍，所设计的规划路径的一个要求即为避开障碍物，因此通过获取障碍物信息可以为生长的树节点的碰撞检测提供依据，以便于设计出符合要求的规划路径。
可以理解地是，移动对象的类型可以为多种，在工业领域中常用的需要进行移动的智能对象均可以为本实施例中的移动对象，比如可以但不限于为机械臂、机器人以及机控车等，具体的移动对象可以在相关应用场景下进行选择设置，这在本实施例中并未限制。
步骤S200：在运动空间内，从起点位置开始构建第一探索树，以及从终点位置开始构建第二探索树，其中，第一探索树与第二探索树根据障碍物信息相向生长；
其中，第二探索树生长的第二树节点可以但不限于按照以下方式生长：
从第二探索树的节点集合中，选出距目标采样点最近的树节点为第三树节点，以及选出第一探索树距第二探索树最近的树节点为目标树节点，其中，目标采样点为沿上一次生长的第二树节点扩展采样得到；
当第三树节点到障碍物的最近距离不小于预设间距阈值，根据第三树节点朝目标采样点的方向以及第三树节点朝目标树节点的方向，生长一个树节点作为第二树节点。
在一实施例中，考虑相对障碍物的距离影响，采用随机学***衡树节点生长的随机性和目标性，有效降低生成的树节点与障碍物的碰撞可能，使得探索树能够更快地向目标收敛，从而降低路径规划时间，得到更加优化的无碰撞连续路径，能够满足路径规划要求。
可以理解地是，第一探索树沿起点位置逐步朝第二探索树拓展生长第一树节点，第二探索树沿终点位置逐步朝第一探索树拓展生长第二树节点，即第一树节点和第二树节点可以为多个且均为逐步扩展得到的，多个第一树节点的集合即为第一探索树的节点集合，多个第二树节点的集合即为第二探索树的节点集合，相应地，目标采样点也可以为多个，每个目标采样点为沿上一次生长的第二树节点扩展采样得到，最终两棵探索树能够不断地相向交替生长而达到收敛，可以看作为一整棵生长树不断地进行生长，直至满足相关条件则可确认生长树生长完毕，进而藉于该生长树就能够得到移动对象的规划路径。
需要说明的是，可以从第一探索树开始生长，也可以从第二探索树开始生长，这对于本发明的各个实施例均适用；当生成第二树节点之后，若需要继续在该第二探索树进行生长，则以当前得到的第二树节点作为生长下一个第二树节点的基础，即可以是循环进行的，例如当前的目标采样点为沿终点位置扩展采样得到，那么类似的，下一次的目标采样点可以基于当前得到的第二树节点扩展采样得到，同样可以基于类似的方式生长得到下一个第二树节点，可以理解地是，生长第一树节点也可以采用循环的方式，不再赘述；通过上述流程所示的循环交替生长，最终能够得到满足要求的第一探索树和第二探索树。
在一实施例中，目标采样点沿终点位置扩展采样的方式可以为多种，本领域技术人员可以根据具体应用场景进行选择，例如，在无障碍区域，可以基于目标偏置进行随机采样，即根据均匀概率分布预先生成一个均匀概率P，当预生成的P小于第一预设概率阈值，则目标采样点xrand等于当前目标点，即选出目标树节点为目标采样点xrand，反之，目标采样点xrand在沿上一次生长的第二树节点扩展的运动空间的范围内随机选取，目标采样点xrand的具体生成公式如下所示：
其中，Uniform(·)为均匀采样函数，P为[0，1]的随机数，gais表示目标偏置概率值，可以但不限于设置为0.05，xgoal为目标解空间，xfree为移动对象的运动空间。
可以理解地是，第二探索树当前生长的目标节点即为第一探索树上距第二探索树当前最近的树节点，因此可以通过第一探索树的生长树节点以确定第二探索树的目标树节点，在后续说明书中将给出具体示例进行详细说明。
在一实施例中，第三树节点到障碍物的最近距离表征相应的最近邻节点与障碍物之间的相对位置关系；当第三树节点到障碍物的最近距离不小于预设间距阈值，则表明最近邻节点位于远离障碍物区域，此时可以通过增大新生长节点的目标学习方面，即增大沿第三树节点朝目标树节点的方向的目标学习部分，同时结合新生长节点的随机学习方面，即保留沿第三树节点朝目标采样点的方向的随机学习部分，使得新生长节点快速地向目标收敛，有利于提高收敛速率，使得移动对象成功避开障碍物快速到达目标。
可以理解地是，预设间距阈值、第一预设概率阈值的具体取值不限制，可以根据实际应用场景进行设置，例如可以但不限于基于障碍物信息、移动对象的运动空间等进行考虑设置，这在本实施例中并未限制。
在图2的示例中，第一探索树生长的第一树节点可以但不限于按照以下方式生长：
步骤S400：从第一探索树的节点集合中，确定距开始采样点最近的树节点为第四树节点，其中，开始采样点为沿上一次生长的第一树节点扩展采样得到；
步骤S500：沿第四树节点朝开始采样点的方向，按照预设步长生长一个树节点作为第一树节点。
在一实施例中，通过采样得到开始采样点，进而从第一探索树的节点集合中，确定开始采样点的最近邻节点为第四树节点，从而能够基于第四树节点朝开始采样点的方向进行随机生长，得到相应的第一树节点，即采用随机生长的方式以确定第一树节点，以使得所构建的规划路径具有一定的概率完备性。
在一实施例中，开始采样点在无障碍物区域可以但不限于按照以下步骤生成：根据均匀概率分布生成开始采样概率；当开始采样概率小于第二预设概率阈值，从第二探索树的节点集合中选出开始树节点为开始采样点，其中，开始树节点为第二探索树上距第一探索树最近的树节点；当开始采样概率大于或等于第二预设概率阈值，沿上一次生长的第一树节点扩展随机选出开始采样点。可以理解地是，开始采样点的获取方式与目标采样点的获取方式类似且原理相同，由于前述实施例已经详细描述了目标采样点的获取方式，因此为免冗余，在此对其不作赘述。
可以理解地是，预设步长为探索树上按顺序生长的两个树节点之间的长度，其具体数值可以不限制，由本领域技术人员在实际应用场景中进行选择，在一些场景中，当确定预设步长之后，第一探索树和第二探索树中的所有树节点均可以依据预设步长进行生长。
在图3的示例中，步骤S200中的“从起点位置开始构建第一探索树”，包括但不限于步骤S210。
步骤S210：当确定存在第一树节点与障碍物发生碰撞的情况，丢弃第一树节点，生长第二探索树的第二树节点。
在一实施例中，当确定存在第一树节点与障碍物发生碰撞的情况，则说明当前生长的第一树节点不符合路径要求，因此丢弃第一树节点，不将该第一树节点作为第一探索树的一部分，同时转为从另一侧的第二探索树进行第二树节点的生长，从而实现第一探索树与第二探索树的相向交替生长。
在图4的示例中，步骤S200中的“从起点位置开始构建第一探索树”，还包括但不限于步骤S220。
步骤S220：当确定存在第一树节点与障碍物未发生碰撞的情况，将第一树节点添加到第一探索树的节点集合中。
在一实施例中，当确定存在第一树节点与障碍物未发生碰撞的情况，则说明当前生长的第一树节点符合路径要求，因此可以保留当前生长的第一树节点并将其添加到第一探索树的节点集合中，以之作为第一探索树的一部分，并能够继续沿着该第一树节点进行第一探索树的生长，直至出现第一树节点与障碍物发生碰撞为止，因此可以实现第一探索树的生长扩展。
在一实施例中，判断第一树节点是否与障碍物发生碰撞的方式可以为多种，例如，可以首先判定生成的第一树节点是否处于障碍物的位置范围之内，若否，则可以进一步判断最近邻接点与生成的第一树节点之间的连线是否与障碍物发生碰撞；若是，则含弃该生成的第一树节点，换到第二探索树进行生长，否则将该第一树节点添加到第一探索树的节点集合中，成为第一探索树的一部分，即以之作为规划路径的一部分。
在图5的示例中，步骤S200中的“根据第三树节点朝目标采样点的方向以及第三树节点朝目标树节点的方向，生长一个树节点作为第二树节点”，包括但不限于步骤S230至S260。
步骤S230：沿第三树节点朝目标采样点的方向，生长一个随机学习向量；
步骤S240：沿第三树节点朝目标树节点的方向，生长一个目标学习向量；
步骤S250：将随机学习向量和目标学习向量相加得到综合学习向量；
步骤S260：沿综合学习向量的方向，按照预设步长生长一个树节点作为第二树节点。
在一实施例中，参考粒子群算法(Particle Swarm Optimization，PSO)，沿第三树节点朝目标采样点的方向生长一个随机学习向量，相当于在沿第三树节点朝目标采样点的方向生长一个随机学习节点，同时沿第三树节点朝目标树节点的方向生长一个目标学习向量，相当于在沿第三树节点朝目标树节点的方向生长一个目标学习节点，即结合随机学习和目标学习的思想以基于第三树节点生长第二树节点，不仅继承了RRT随机性强的优点，还具有PSO收敛速度快的优点，使第二探索树能够更快速的向目标节点生长，减少规划路径长度。
在一实施例中，所生成的第二树节点即考虑了随机学习向量的影响，也考虑了目标学习向量的影响，因此从实际构建路径上具体呈现为：第三树节点朝第二树节点的方向，位于第三树节点朝目标采样点的方向、第三树节点朝目标树节点的方向之间，从该部分内容可以看出两棵探索树之间的最近邻节点之间的距离会缩短，因此能够减少规划路径长度。
在图6的示例中，第二树节点还可以但不限于按照以下方式生长：
步骤S270：当第三树节点到障碍物的最近距离小于预设间距阈值，沿第三树节点朝目标采样点的方向，按照预设步长生长一个树节点作为第二树节点。
在一实施例中，第三树节点到障碍物的最近距离表征相应的最近邻节点与障碍物之间的相对位置关系；当第三树节点到障碍物的最近距离小于预设间距阈值，则表明最近邻节点位于靠近障碍物区域，此时可以通过增大新生长节点的随机学习方面，即增大沿第三树节点朝目标采样点的方向的随机学习部分，使得新生长节点快速地向目标收敛，有利于提高收敛速率，使得移动对象成功避开障碍物快速到达目标。
在图7的示例中，步骤S200中的“从终点位置开始构建第二探索树”，包括但不限于步骤S280。
步骤S280：当确定存在第二树节点与障碍物发生碰撞的情况，丢弃第二树节点，生长第一探索树的第一树节点。
在一实施例中，当确定存在第二树节点与障碍物发生碰撞的情况，则说明当前生长的第二树节点不符合路径要求，因此丢弃第二树节点，不将该第二树节点作为第二探索树的一部分，同时转为从另一侧的第一探索树进行第一树节点的生长，从而实现第一探索树与第二探索树的相向交替生长。
在图8的示例中，步骤S200中的“从终点位置开始构建第二探索树”，还包括但不限于步骤S290。
步骤S290：当确定存在第二树节点与障碍物未发生碰撞的情况，将第二树节点添加到第二探索树的节点集合中。
在一实施例中，当确定存在第二树节点与障碍物未发生碰撞的情况，则说明当前生长的第二树节点符合路径要求，因此可以保留当前生长的第二树节点，并将其添加到第二探索树的节点集合中，以之作为第二探索树的一部分，并能够继续沿着该第二树节点进行第二探索树的生长，直至出现第二树节点与障碍物发生碰撞为止，因此可以实现第二探索树的生长扩展。
在一实施例中，判断第二树节点是否与障碍物发生碰撞的方式可以为多种，例如，可以首先判定生成的第二树节点是否处于障碍物的位置范围之内，若否，则可以进一步判断最近邻接点与生成的第二树节点之间的连线是否与障碍物发生碰撞，若是则含弃该生成的第二树节点，换到第一探索树进行生长，否则将该第二树节点添加到第二探索树的节点集合中，成为第二探索树的一部分，即以之作为规划路径的一部分。
步骤S300：当第一探索树生长的第一树节点与第二探索树生长的第二树节点之间的距离不大于预设步长，连接第一探索树和第二探索树，得到移动对象的规划路径。
在一实施例中，采用第一探索树与第二探索树相向生长的方式以寻求路径规划空间，并且通过连接第一探索树和第二探索树而得到移动对象的规划路径，能够有效提升构建路径的避障效果，并且考虑相对障碍物的距离影响，采用随机学***衡树节点生长的随机性和目标性，有效降低生成的树节点与障碍物的碰撞可能，使得探索树能够更快地向目标收敛，从而降低路径规划时间，得到更加优化的无碰撞连续路径，能够满足路径规划要求。
在图9的示例中，步骤S300中包括但不限于步骤S310。
步骤S310：按照树节点生长顺序分别连接第一探索树和第二探索树，并连接第一树节点与第二树节点，得到移动对象的规划路径。
在一实施例中，在确定存在第一树节点与第二树节点之间的距离不大于预设步长的情况，则可以将第一探索树上的按照扩展顺序依次循环生长的各个第一树节点进行连接，以及将第二探索树上的按照扩展顺序依次循环生长的各个第二树节点进行连接，最后将两个探索树的最近节点，即，将距离最近的第一树节点与第二树节点进行连接，从而得到整体上连续的无碰撞规划路径。
以下给出具体示例以上说明上述各实施例的工作原理流程。
示例一：
如图10所示，图10是本发明一个实施例提供的第一探索树和第二探索树的生长扩展示意图，其中，图10示出的为二维条件下的示意图，其他的三维乃至更多维条件的情况可以依此类推，本示例仅以二维的扩展生长情况进行说明
结合图10的示例，以机械臂为例，本发明提供的路径规划方法可以按照如下流程执行：
首先，设置待构建路径的问题定义，包括机械臂的运动空间、开始位置、目标位置和障碍物信息。
然后，确定第一探索树T1和第二探索树T2：随机采样可以为在双向快速扩展随机树(Rapid-exploration Random Tree Connect，RRT-Connect)的基础上加入目标偏置部分，并且将机械臂的开始位置作为T1的开始节点χT1，start，并将χT1，start加到T1的节点集合E1中，目标位置xgoal作为T2的开始节点χT2，start，并将χT2，start加到T2的节点集合E2中。
1)生长树Tree为当前正在生长的树，先将Tree设置为T1。
针对T1进行生长的过程，包括：
步骤1、在无碰撞的环境中生成开始采样点，如图10中的χT1，rand1，基于目标偏置进行随机采样，即预先生成一个均匀概率P1，当预生成的P1小于阈值，则开始采样点χT1，rand1等于当前目标点，反之，开始采样点χT1，rand1在沿上一次生长的第一树节点扩展的运动空间的范围内随机选取；
步骤2、如图10所示，在Tree的节点集合中，根据欧氏距离寻找距离χT1，rand1最近的邻节点χnearest1，由于χT1，rand1的最近邻节点为χT1，start，因此可以确定χT1，start为xnearest1，相关的欧式距离的度量函数如下所示：
ρ(x1，x2)＝||x2-x1||；
其中，x1和x2表示Tree中的任意两个节点，ρ(x1，x2)表示x1和x2之间的距离；
步骤3、χnearest1在χT1，rand1方向上以一定的步长生成一个新节点χT1，new1；
步骤4、对新节点χT1，new1进行碰撞检测，若确定新节点χT1，new1未与障碍物发生碰撞，则将χT1，new1添加到Ttee的节点集合中，否则含弃该节点。
2)Tree换到T2进行生长的过程，包括：
步骤5、在无碰撞的环境中生成目标采样点，如图10中的χT2，rand1，基于目标偏置进行随机采样，即预先生成一个均匀概率P2，当预生成的P2小于阈值，则目标采样点χT2，rand1等于当前目标点，反之，目标采样点χT2，rand1在沿上一次生长的第二树节点扩展的运动空间的范围内随机选取；
步骤6、如图10所示，在Tree的节点集合中，根据欧氏距离寻找距离χT2，rand1最近的邻节点χnearest2，由于χT2，rand1的最近邻节点为χT2，start，因此可以确定χT2，start为χnearest2；
步骤7、判断χnearest2到最近障碍物的距离d，当大于预设阈值dmin时，根据PSO生成新节点χT2，new1，反之则随机生成另一个新节点，具体地：
如图10所示，计算χnearest2到最近障碍物的距离d，若小于dmin，则增大随机性，在χT2，rand1方向上以一定的步长生成一个新节点；若大于dmin，则参考PSO的自我学习、社会学习部分的思想，由随机学习和目标学习两部分扩展生长新节点χT2，new1，在新节点χT2，new1方向上以一定的步长生长，即χT2，new1由(χT2，rand1-χT2，start)随机学习部分和(χT1，new1-χT2，start)目标学习部分组成，具体计算公式如下所示：
其中，dmin的值大小与障碍物的尺寸有关，Δt为预设步长step，c1、c2为加速度因子，x′goal为Tree的目标树节点，即第一探索树当前生长的目标节点χT1，new1，为第二探索树距第一探索树当前最近的目标树节点；
步骤8、对新节点χT2，new1进行碰撞检测，若确定新节点χT2，new1未与障碍物发生碰撞，则将χT2，new1添加到Tree的节点集合中，否则含弃该节点，再重复步骤1至4继续生长；
步骤9、判断两棵探索树的最近邻节点之间的距离是否小于或等于预设步长step，若小于或等于预设步长step，则可将两棵探索树连接，输出一条从开始位置到目标位置的无碰撞路径，否则重复步骤3继续搜索生长Tree，直到满足终止条件跳出循环，最终输出一条机械臂的从开始位置到目标位置的无碰撞路径。
可以理解地是，除了相比于RRT和改进的RRT-Connect存在优势之外，即使针对常用的以A*算法为代表的基于搜索的规划算法、以遗传算法为代表的基于启发式的规划算法，本示例基于粒子群双向快速扩展随机树(Particle-swarm Rapid-exploration RandomTtee Connect，P-RRT-Connect)进行路径规划，具有良好的概率完备性，可以避免陷入局部最优，且能够优化朝向目标收敛的速度，不仅保证了具备有效的避障能力，同时也提高了收敛速率，使机械臂成功避开障碍物快速到达目标。
为了更好的证明上述实施例的应用效果，以下给出具体试验结果进行对比说明。
示例二：
如图11所示，图11是在二维空间实例中，基于本发明一个实施例提供的路径规划方法所确定路径，与基于相关技术中的路径规划方法所确定路径的对比示意图，其中，图11示出的为二维条件下的实例示意图，相关技术中的路径规划方法以RRT-Connect为例。
如图11所示，机械臂末端的开始位置设置为(0，0)，目标位置设置为(100，100)，环境边界为x∈[-20，120]，y∈[-20，120]，障碍物坐标为(50，50)，半径为20，对比参数参见如下表1。
表1 P-RRT-Connect和RRT-Connect在二维空间实例的路径相关参数对比表
| 采用算法 | 运算时间(ms) | 路径长度 | 路径节点数 |
| RRT-Connect | 1.65 | 176 | 250 |
| P-RRT-Connect | 1.35 | 171 | 243 |
为了证明本发明采用的P-RRT-Connect的有效可行性，将P-RRT-Connect和RRT-Connect应用于上述二维空间实例，各自重复运行100次，在同等搜索步长条件下，对算法的运算时间、路径长度和路径节点树的平均值做了对比，从表1中可以看出，本发明的P-RRT-Connect的运算时间、路径长度和路径节点数均比相关技术的RRT-Connect要少，其中，平均的路径规划时间比RRT-Connect约少18％，平均的路径长度比RRT-Connect约少2％，平均的路径节点数比RRT-Connect大约少2％，这直观地说明了P-RRT-Connect的寻优能力、收敛速度都比RRT-Connect好，可行性更高。
示例三：
如图12所示，图12是在三维空间实例中，基于本发明一个实施例提供的路径规划方法所确定路径，与基于相关技术中的路径规划方法所确定路径的对比示意图，其中，图12示出的为三维条件下的实例示意图，相关技术中的路径规划方法以RRT-Connect为例。
如图12所示，机械臂末端的开始位置设置为(0，0，0)，目标位置设置为(80，80，80)，环境边界为x∈[-20，100]，y∈[-20，100]，z∈[-20，100]，障碍物坐标为(40，40，40)，半径为30，对比参数参见如下表2。
表2 P-RRT-Connect和RRT-Connect在三维空间实例的路径相关参数对比表
| 采用算法 | 运算时间(ms) | 路径长度 | 路径节点数 |
| RRT-Connect | 2.9 | 225 | 172 |
| P-RRT-Connect | 2.0 | 190 | 145 |
为了证明本发明采用的P-RRT-Connect的有效可行性，将P-RRT-Connect和RRT-Connect应用于上述三维空间实例，各自重复运行多次，在同等搜索步长条件下，对算法的运算时间、路径长度和路径节点树的平均值做了对比，从表2中可以看出，本发明的P-RRT-Connect的运算时间、路径长度和路径节点数均比相关技术的RRT-Connect要少，其中，平均的路径规划时间比RRT-Connect约少25％，平均的路径长度比RRT-Connect约少20％，平均的路径节点数比RRT-Connect大约少12％，这直观地说明了P-RRT-Connect的寻优能力、收敛速度都比RRT-Connect好，可行性更高。
综上所述，从各个实施例和示例中可以得出以下结论：
本发明基于P-RRT-Connect实现路径规划，从移动对象的起点位置和终点位置同时生长两棵快速扩展随机树来搜索状态空间，新生长的节点采用随机学习和目标学习相结合的思想，可以加快收敛速度，减少路径长度，同时通过计算新生长的节点到最近障碍物的距离，可以有效的减少新生长的节点的碰撞次数，减少规划时间，最终快速的为移动对象规划出一条较短的优化路径。因此，本发明的路径规划方法具备：
合理性，即所确定的路径能够完成避障任务，每一次算法返回的规划结果可以被移动对象跟踪执行；
概率完备性，若搜索空间存在从起点至终点的无碰撞连续路径，则只要规划时间够长，本发明一定能返回一条合理的规划路径；
优化性，所返回的规划路径在时间花费、路径长度和创建节点数上相比于相关技术的规划方式性能更优。
另外，参照图13，本发明的一个实施例还提供了一种路径规划装置，该路径规划装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
处理器和存储器可以通过总线或者其他方式连接。
实现上述实施例的路径规划方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述各实施例的路径规划方法，例如，执行以上描述的图1中的方法步骤S100至S300、图2中的方法步骤S400至S500、图3中的方法步骤S210、图4中的方法步骤S220、图5中的方法步骤S230至S260、图6中的方法步骤S270、图7中的方法步骤S280、图8中的方法步骤S290或图9中的方法步骤S310。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的路径规划方法，例如，执行以上描述的图1中的方法步骤S100至S300、图2中的方法步骤S400至S500、图3中的方法步骤S210、图4中的方法步骤S220、图5中的方法步骤S230至S260、图6中的方法步骤S270、图7中的方法步骤S280、图8中的方法步骤S290或图9中的方法步骤S310。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包括计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本发明的较佳实施方式进行的具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包括在本发明权利要求所限定的范围内。
Claims (13)
1.一种路径规划方法，包括：
获取移动对象的运动空间、起点位置、终点位置以及障碍物信息；
在所述运动空间内，从所述起点位置开始构建第一探索树，以及从所述终点位置开始构建第二探索树，其中，所述第一探索树与所述第二探索树根据所述障碍物信息相向生长；
当所述第一探索树生长的第一树节点与所述第二探索树生长的第二树节点之间的距离不大于预设步长，连接所述第一探索树和所述第二探索树，得到所述移动对象的规划路径；
其中，所述第二树节点按照以下方式生长：
从所述第二探索树的节点集合中，选出距目标采样点最近的树节点为第三树节点，以及选出所述第一探索树上距所述第二探索树最近的树节点为目标树节点，其中，所述目标采样点为沿上一次生长的所述第二树节点扩展采样得到；
当所述第三树节点到所述障碍物的最近距离不小于预设间距阈值，根据所述第三树节点朝所述目标采样点的方向以及所述第三树节点朝所述目标树节点的方向，生长一个树节点作为所述第二树节点。
2.根据权利要求1所述的路径规划方法，其特征在于，所述根据所述第三树节点朝所述目标采样点的方向以及所述第三树节点朝所述目标树节点的方向，生长一个树节点作为所述第二树节点，包括：
沿所述第三树节点朝所述目标采样点的方向，生长一个随机学习向量；
沿所述第三树节点朝所述目标树节点的方向，生长一个目标学习向量；
将所述随机学习向量和所述目标学习向量相加得到综合学习向量；
沿所述综合学习向量的方向，按照预设步长生长一个树节点作为所述第二树节点。
3.根据权利要求1所述的路径规划方法，其特征在于，所述第二树节点还按照以下方式生长：
当所述第三树节点到所述障碍物的最近距离小于预设间距阈值，沿所述第三树节点朝所述目标采样点的方向，按照预设步长生长一个树节点作为所述第二树节点。
4.根据权利要求1所述的路径规划方法，其特征在于，所述从所述终点位置开始构建第二探索树，包括：
当确定存在所述第二树节点与所述障碍物发生碰撞的情况，丢弃所述第二树节点，生长所述第一探索树的所述第一树节点。
5.根据权利要求4所述的路径规划方法，其特征在于，所述从所述终点位置开始构建第二探索树，还包括：
当确定存在所述第二树节点与所述障碍物未发生碰撞的情况，将所述第二树节点添加到所述第二探索树的节点集合中。
6.根据权利要求1所述的路径规划方法，其特征在于，所述方法还包括在无障碍物区域生成目标采样点的步骤；所述在无障碍物区域生成目标采样点，包括：
根据均匀概率分布生成目标采样概率；
当所述目标采样概率小于第一预设概率阈值，选出所述目标树节点为所述目标采样点；
当所述目标采样概率大于或等于所述第一预设概率阈值，沿上一次生长的所述第二树节点扩展随机选出所述目标采样点。
7.根据权利要求1所述的路径规划方法，其特征在于，所述第一树节点按照以下方式生长：
从所述第一探索树的节点集合中，确定距开始采样点最近的树节点为第四树节点，其中，所述开始采样点为沿上一次生长的所述第一树节点扩展采样得到；
沿所述第四树节点朝所述开始采样点的方向，按照预设步长生长一个树节点作为所述第一树节点。
8.根据权利要求7所述的路径规划方法，其特征在于，所述方法还包括在无障碍物区域生成开始采样点的步骤；所述在无障碍物区域生成开始采样点，包括：
根据均匀概率分布生成开始采样概率；
当所述开始采样概率小于第二预设概率阈值，从所述第二探索树的节点集合中选出开始树节点为所述开始采样点，其中，所述开始树节点为所述第二探索树上距所述第一探索树最近的树节点；
当所述开始采样概率大于或等于所述第二预设概率阈值，沿上一次生长的所述第一树节点扩展随机选出所述开始采样点。
9.根据权利要求1所述的路径规划方法，其特征在于，所述从所述起点位置开始构建第一探索树，包括：
当确定存在所述第一树节点与所述障碍物发生碰撞的情况，丢弃所述第一树节点，生长所述第二探索树的所述第二树节点。
10.根据权利要求9所述的路径规划方法，其特征在于，所述从所述起点位置开始构建第一探索树，还包括：
当确定存在所述第一树节点与所述障碍物未发生碰撞的情况，将所述第一树节点添加到所述第一探索树的节点集合中。
11.根据权利要求1至10任意一项所述的路径规划方法，其特征在于，所述连接所述第一探索树和所述第二探索树，得到所述移动对象的规划路径，包括：
按照树节点生长顺序分别连接所述第一探索树和所述第二探索树，并连接所述第一树节点与所述第二树节点，得到所述移动对象的规划路径。
12.一种路径规划装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至11中任意一项所述的路径规划方法。
13.一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行权利要求1至11中任意一项所述的路径规划方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210156637.4A CN116652927A (zh) | 2022-02-21 | 2022-02-21 | 路径规划方法及装置、可读存储介质 |
| PCT/CN2023/077432 WO2023155923A1 (zh) | 2022-02-21 | 2023-02-21 | 路径规划方法及装置、可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210156637.4A CN116652927A (zh) | 2022-02-21 | 2022-02-21 | 路径规划方法及装置、可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116652927A true CN116652927A (zh) | 2023-08-29 |
Family
ID=87577613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210156637.4A Pending CN116652927A (zh) | 2022-02-21 | 2022-02-21 | 路径规划方法及装置、可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116652927A (zh) |
| WO (1) | WO2023155923A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117773911B (zh) * | 2023-11-03 | 2024-05-17 | 广东工业大学 | 一种复杂环境下工业机器人避障方法 |
| CN118010032B (zh) * | 2024-04-09 | 2024-06-28 | 中油管道物资装备有限公司 | 一种运输车路径规划方法、装置及设备 |
| CN118171725B (zh) * | 2024-05-13 | 2024-07-05 | 南京华康智能科技有限公司 | 一种改进型机器人路径规划rrt算法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009211571A (ja) * | 2008-03-06 | 2009-09-17 | Sony Corp | 軌道計画装置及び軌道計画方法、並びにコンピュータ・プログラム |
| KR101667031B1 (ko) * | 2009-11-02 | 2016-10-17 | 삼성전자 주식회사 | 로봇의 경로 계획 장치 및 그 방법 |
| JP5774361B2 (ja) * | 2011-04-28 | 2015-09-09 | 本田技研工業株式会社 | 軌道計画方法、軌道計画システム及び軌道計画・制御システム |
| CN109839110B (zh) * | 2019-01-09 | 2020-07-24 | 浙江大学 | 一种基于快速随机搜索树的多目标点路径规划方法 |
| CN110509279B (zh) * | 2019-09-06 | 2020-12-08 | 北京工业大学 | 一种仿人机械臂的运动路径规划方法及*** |
| CN112462785B (zh) * | 2020-12-04 | 2022-06-03 | 厦门大学 | 一种移动机器人路径规划方法、装置及存储介质 |
| CN112923944A (zh) * | 2021-01-29 | 2021-06-08 | 的卢技术有限公司 | 一种自动驾驶路径规划方法、***及计算机可读存储介质 |
| CN113204238B (zh) * | 2021-04-22 | 2023-09-12 | 武汉理工大学 | 一种移动机器人的路径规划方法、设备及存储介质 |
| CN113934206B (zh) * | 2021-07-22 | 2024-01-16 | 浙江科技学院 | 移动机器人路径规划方法、装置、计算机设备和存储介质 |
-
2022
- 2022-02-21 CN CN202210156637.4A patent/CN116652927A/zh active Pending
-
2023
- 2023-02-21 WO PCT/CN2023/077432 patent/WO2023155923A1/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023155923A1 (zh) | 2023-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116652927A (zh) | 路径规划方法及装置、可读存储介质 | |
| CN110962130B (zh) | 基于目标偏向寻优的启发式rrt机械臂运动规划方法 | |
| US10365110B2 (en) | Method and system for determining a path of an object for moving from a starting state to an end state set avoiding one or more obstacles | |
| CN106041931B (zh) | 一种多障碍空间多agv机器人协作防碰撞路径优化方法 | |
| Gan et al. | Research on robot motion planning based on RRT algorithm with nonholonomic constraints | |
| JP6711949B2 (ja) | １個以上の障害物を回避して始状態から終状態集合まで移動する物体の経路を決定する方法およびシステム | |
| Peng et al. | Robot path planning based on improved A* algorithm | |
| Tahirovic et al. | Rapidly-exploring random vines (RRV) for motion planning in configuration spaces with narrow passages | |
| CN114489052B (zh) | 一种改进rrt算法重连策略的路径规划方法 | |
| Yang et al. | A novel path planning algorithm for warehouse robots based on a two-dimensional grid model | |
| CN114705196A (zh) | 一种用于机器人的自适应启发式全局路径规划方法与*** | |
| CN114427866A (zh) | 路径规划方法、电子设备以及存储介质 | |
| CN114593743A (zh) | 一种基于改进双向rrt算法的路径规划方法及装置 | |
| CN116300932A (zh) | 基于改进RRT-Connect算法的机器人运动路径规划方法及*** | |
| CN113934206B (zh) | 移动机器人路径规划方法、装置、计算机设备和存储介质 | |
| CN115195706A (zh) | 一种泊车路径规划方法、装置 | |
| CN115047880A (zh) | 一种未知动态环境下机器人智能路径规划方法 | |
| CN111531550A (zh) | 运动规划方法及装置、存储介质、电子装置 | |
| CN116852367A (zh) | 一种基于改进RRTstar的六轴机械臂避障路径规划方法 | |
| CN115167466B (zh) | 一种移动机器人标准控制集局部路径规划方法及*** | |
| CN114911233A (zh) | 基于多优化快速拓展随机树的足球机器人路径规划方法 | |
| CN116300883A (zh) | 基于改进RRT-Connect算法的智能体路径规划方法 | |
| CN115056222A (zh) | 一种基于改进rrt算法的机械臂路径规划方法 | |
| CN115167388A (zh) | 一种基于目标引导的rrt多机器人编队路径规划算法 | |
| CN116135159A (zh) | 三维路径规划方法、装置、设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |