CN117109625A - 一种基于改进prm算法的无人驾驶路径规划方法 - Google Patents

一种基于改进prm算法的无人驾驶路径规划方法 Download PDF

Info

Publication number
CN117109625A
CN117109625A CN202311363688.5A CN202311363688A CN117109625A CN 117109625 A CN117109625 A CN 117109625A CN 202311363688 A CN202311363688 A CN 202311363688A CN 117109625 A CN117109625 A CN 117109625A
Authority
CN
China
Prior art keywords
circle
minimum
coordinate
distance
path planning
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
Application number
CN202311363688.5A
Other languages
English (en)
Other versions
CN117109625B (zh
Inventor
梁桥康
吴宏城
肖海华
秦海
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.)
Hunan University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN202311363688.5A priority Critical patent/CN117109625B/zh
Publication of CN117109625A publication Critical patent/CN117109625A/zh
Application granted granted Critical
Publication of CN117109625B publication Critical patent/CN117109625B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于改进PRM算法的无人驾驶路径规划方法，包括：针对无人驾驶范围内的障碍物，将其划分几何图形并根据最小外接圆圆心构建kdtree搜索树；遍历路径规划范围内的坐标点，利用kdtree对其与外接圆之间基于外接圆半径进行碰撞检测，将不发生碰撞的坐标点集合记为自由空间；计算自由空间点到最近外接圆圆心和到路径起终点直线的距离，根据两个距离确定各点采样概率并采样，再基于kdtree对采样点连线进行碰撞检测，并删除有碰撞的连线，生成无向路图；借助A*搜索算法在无向路图上进行搜索，获得最短避障路径。本发明通过搜索圆心代替所有障碍物点，显著减少搜索数量，提高查询效率，提高路径规划效率。

Description

一种基于改进PRM算法的无人驾驶路径规划方法
技术领域
本发明属于自动驾驶技术领域，具体涉及一种基于改进PRM算法的无人驾驶路径规划方法。
背景技术
随着人工智能技术快速发展、不断成熟，以及当前对非接触业务需求，促进无人机器人在社会各领域应用，自动驾驶能赋予机器人更大的活动空间，受到了社会和学界空前的关注。
PRM算法基于空间采样，能够在大面积、高纬度复杂约束的空间中快速生成路径。PRM算法主要步骤包括：采样、碰撞检测、路径查询，三个阶段一起决定算法的效率。采样点的数量和分布对算法时间复杂度有很大影响，对寻路的成功率有很大影响，传统PRM算法采用均匀采样或者随机采样方式获得采样点，这两种方式存在没有针对性的缺点，狭窄区域通过性较差。在靠近障碍物处要更小心处理碰撞，因此要求采样点更密集，利于路径生成，而空旷处只需要更少的采样点，可以降低采样点数量进而降低计算时间。在采样、生成无向路图阶段都需要做碰撞检测，传统PRM碰撞检测需要搜索所有障碍物点，碰撞检测效率制约路径规划效率。
发明内容
本发明提供一种基于改进PRM算法的无人驾驶路径规划方法，用最小外接圆重构障碍物，构建外接包围圆圆心KDtree，通过搜索圆心代替所有障碍物点，显著减少搜索数量，提高查询效率进而提高路径规划效率。
为实现上述技术目的，本发明采用如下技术方案：
一种基于改进PRM算法的无人驾驶路径规划方法，包括：
S1，针对无人驾驶范围内的每个障碍物，将其划分为若干个规则的几何图形，并根据所有几何图形的最小外接圆的圆心构建kdtree搜索树；
S2，遍历路径规划范围内的每个坐标点，利用kdtree搜索树对其与外接圆之间进行碰撞检测，若存在碰撞则剔除该坐标点；最终将遍历完所有坐标点后未剔除的坐标点集合记为Cfree；
其中，对坐标点与外接圆之间进行碰撞检测，具体为：搜索kdtree上与坐标点最近邻的若干个最小外接圆，并按距离从小到大的顺序，依次对各最小外接圆与坐标点之间基于外接圆半径进行碰撞检测；记坐标点到kdtree上最近邻的最小外接圆圆心的距离为d；
S3，连接无人驾驶路径的起点和目标点得到直线l，计算集合Cfree中所有坐标点到直线l的距离h，再根据距离d与距离h的加权和确定集合Cfree中所有坐标点的采样概率；
S4，按照采样概率进行空间采样，并将每个采样点与其K个最近采样点连接，对连线上的Z个插值坐标点分别与外接圆之间进行碰撞检测，若存在碰撞则删除该连线；最终生成无向路图；
S5，借助A*搜索算法在无向路图上进行搜索，获得最短避障路径L。
进一步的，在碰撞检测搜索最小外接圆时，搜索范围为Rmax+M，Rmax表示障碍物划分所得所有几何图像的最小外接圆的最大半径，M表示车辆宽度。
进一步的，路径规划范围内的坐标点，是指：通过做辅助线法将***禁止约束下的***轮廓简化为多边形，进而将该多边形内的地图栅格坐标点定义为路径规划范围内的坐标点。
进一步的，采用迭代法查找规则几何图形的最小外接圆；
从规则几何图形上任意取不在一条直线上的3个不同点，基于该3个不同点做圆，判断当前第i次迭代所得圆的半径Ri是否小于当前最小半径Rmin：
若Ri<Rmin，则将当前最小外接圆更新为当前第i次迭代所得圆，且将当前最小外接圆半径更新为Rmin=Ri；
否则，重复上述步骤进行第i+1次迭代查找最小外接圆，直到完成设置的迭代次数，将当前最小外接圆确定为该规则几何图形的最小外接圆。
进一步的，对各最小外接圆与坐标点之间基于外接圆半径进行碰撞检测时，若γn≤Rn+M，则判定坐标点与最小外接圆存在碰撞，否则判定不存在碰撞；其中，γn为坐标点与最小外接圆圆心之间的距离，Rn为最小外接圆的半径，M为车辆宽度。
进一步的，提出根据距离确定集合Cfree中所有坐标点的采样概率计算式为：
式中，是集合中第个坐标点的采样概率；是坐标点到最近邻最小 外接圆圆心的欧式距离，表征坐标点靠近障碍物程度；是坐标点到直线l的欧式距 离，表征坐标点靠近启发方向程度；是坐标点靠近障碍物距离程度与靠近启发方向 直线距离的加权和；、是距离权重系数；是集合中所有坐标点的中的最大 值；N是集合中的坐标点数。
进一步的，在按计算式计算得到采样概率后，进一步进行非线性和归一化处 理，步骤S4再按归一化后的采样概率进行空间采样；其中，非线性和归一化处理表示为：
式中，是系数，表征对采样概率pcj的放大倍数；Pcj是归一化后的采样概率。
有益效果
本发明在环境建模阶段，提出用最小外接圆重构障碍物的方法，高效实现采样点与障碍物的碰撞检测；在采样阶段，根据坐标点与障碍物距离的远近程度和到起终点直线的距离加权值，获得坐标点的有偏采样概率，以实现障碍物附近采样密度高、空旷区采样密度低的采样环境，并引导采样点沿起终点方向分布。因此，本发明可以提升在应用PRM算法时在相同采样点环境下的搜索效率，降低行驶路径规划失效的概率，最终获得更为有效避障的机器人行驶路径。
附图说明
图1是本申请实施例所述方法的流程图；
图2激光雷达生成的原始地图；
图3重构后的地图；
图4圆心KDtree二维分割地图；
图5圆心KDtree二维树；
图6碰撞检测模型；
图7基于有偏采样的采样点分布；
图8改进PRM生成避障路径。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
参照图1所示，本实施例提供一种基于改进PRM算法的无人驾驶路径规划方法，包括以下步骤：
S1，针对无人驾驶范围内的每个障碍物，将其划分为若干个规则的几何图形，并根据所有几何图形的最小外接圆的圆心构建kdtree搜索树。
在具体实例中，先采用激光雷达扫描公园环境获得无人驾驶车行驶的障碍物坐标地图，初始化起点位置Ps和目标点位置Pg，如图2所示。
设定无人驾驶车的***轮廓，借助做辅助线法将不规则的***轮廓构造成多边形，即取轮廓线上的转角点，把转角点用直线段连接起来，从而把轮廓曲线都变成直线段，由直线段连接而成得到多边形。然后将该多边形内的地图栅格坐标点定义为路径规划范围内的坐标点。
对于***轮廓内的障碍物，本步骤借助割图法将其规则化处理成若干个受预设尺寸约束且相对较为规则的几何图形，比如三角形、正方形、圆形等。然后对每个处理得到的几何图形，均采用迭代法查找其最小外接圆，在每次迭代过程中：从规则几何图形上任意取不在一条直线上的3个不同点，基于该3个不同点做圆，判断当前第i次迭代所得圆的半径Ri是否小于当前最小半径Rmin：若Ri<Rmin，则将当前最小外接圆更新为当前第i次迭代所得圆，且将当前最小外接圆半径更新为Rmin=Ri；否则，重复上述步骤进行第i+1次迭代查找最小外接圆，直到完成设置的迭代次数，将当前最小外接圆确定为该规则几何图形的最小外接圆。
求出障碍物所有几何图形的最小外接圆的半径R和圆心O，根据所有圆心构建得到kdtree搜索树，如图3所示。圆心点在二维地图中分割和创建的二维树如图4、图5所示。
S2，遍历路径规划范围内的每个坐标点，利用kdtree搜索树对其与外接圆之间进行碰撞检测，若存在碰撞则剔除该坐标点；最终将遍历完所有坐标点后未剔除的坐标点集合记为Cfree。
其中，对坐标点与kdtree之间进行碰撞检测，具体为：搜索kdtree上与坐标点最近邻的若干个最小外接圆，并按距离从小到大的顺序，依次对各最小外接圆与坐标点之间基于外接圆半径进行碰撞检测；其中搜索所述若干个最小外接圆的搜索范围为Rmax+M，Rmax表示障碍物划分所得所有几何图像的最小外接圆的最大半径，M表示车辆宽度。碰撞模型如图6所示。
其中在搜索范围内搜索最小外接圆的数量，可能会出现数量较多，造成碰撞检测效率降低，本实施例另外设置了数量限制N，若搜索到的数量大于N则只取仅距离最近的N个最小外接圆进行碰撞检测，否则取搜索到的所有最小外接圆进行碰撞检测。
假设某坐标点Q（3.8，-6.6），所有最小外接圆中的最大半径为Rmax=4.2m，车辆宽度M=1.3m，车辆在任意坐标点Q上，只需要在Rmax+M范围内搜索确定是否存在碰撞，因此设定搜索范围为Rmax+M=5.5m，设定搜索外接包围圆圆心个数N=5，当外接包围圆圆心数量少于N，则取全部圆心，当数量大于等于N，则取N个圆心，这里在搜索范围内只有2个最近邻圆心O1、O2 ，并进一步得到采样点与2个最近邻外接圆圆心距离(γ1,γ2…,γN )∈π集合。
设坐标点至搜索所得若干个最小外接圆圆心的距离从小到大依次为γ1<γ2<…<γn<…，若γn≤Rn+M，则判定坐标点与对应最小外接圆存在碰撞，否则判定不存在碰撞；其中，γn为坐标点与第n个最近邻外接圆圆心欧式距离，Rn为当前判断最小外接圆的半径，M为车辆宽度。另外记坐标点到kdtree上最近邻的最小外接圆圆心的距离为d。
S3，连接无人驾驶路径的起点和目标点得到直线l，计算集合Cfree中所有坐标点到直线l的距离h，再根据距离d与距离h的加权和确定集合Cfree中所有坐标点的采样概率。
其中根据距离确定集合Cfree中所有坐标点的采样概率计算式为：
式中，是集合中第个坐标点的采样概率；是坐标点到最近邻最小 外接圆圆心的欧式距离，表征坐标点靠近障碍物程度；是坐标点到直线l的欧式距 离，表征坐标点靠近启发方向程度；是坐标点靠近障碍物距离程度与靠近启发方向 直线距离的加权和；、是距离权重系数；是集合中所有坐标点的中的最大 值；N是集合中的坐标点数。
另外由于集合中的坐标点数量众多，导致各坐标点的采样概率都很小，区分 度不大，因此在更优的方案中可通过e的指数非线性处理，再做归一化，以使高概率和低概 率区别开来，非线性和归一化处理具体公式如下：
式中，是系数，表征对采样概率pcj的放大倍数；Pcj是归一化后的采样概率。
S4，按照非线性和归一化处理后的采样概率进行空间采样，并将每个采样点与 其K个最近采样点连接，对连线上的Z个插值坐标点分别与外接圆之间进行碰撞检测，若存 在碰撞则删除该连线；最终生成无向路图。
本实施例采样分布如图7所示，采样点在靠近障碍物区域更密集，空旷区域更稀疏，可以在更少的采样点情况下获得很高的搜索成功率，且计算时间更短。
S5，借助A*搜索算法在无向路图上进行搜索，获得最短避障路径L，如图8所示。
本实施例中借助A*搜索算法在无向路图上进行搜索获得最短避障路径，采用现有技术实现，本文不做详细阐述。
以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (7)

1.一种基于改进PRM算法的无人驾驶路径规划方法，其特征在于，包括：
S1，针对无人驾驶范围内的每个障碍物，将其划分为若干个规则的几何图形，并根据所有几何图形的最小外接圆的圆心构建kdtree搜索树；
S2，遍历路径规划范围内的每个坐标点，利用kdtree搜索树对其与外接圆之间进行碰撞检测，若存在碰撞则剔除该坐标点；最终将遍历完所有坐标点后未剔除的坐标点集合记为Cfree；
其中，对坐标点与外接圆之间进行碰撞检测，具体为：搜索kdtree上与坐标点最近邻的若干个最小外接圆，并按距离从小到大的顺序，依次对各最小外接圆与坐标点之间基于外接圆半径进行碰撞检测；记坐标点到kdtree上最近邻的最小外接圆圆心的距离为d；
S3，连接无人驾驶路径的起点和目标点得到直线l，计算集合Cfree中所有坐标点到直线l的距离h，再根据距离d与距离h的加权和确定集合Cfree中所有坐标点的采样概率；
S4，按照采样概率进行空间采样，并将每个采样点与其K个最近采样点连接，对连线上的Z个插值坐标点分别与外接圆之间进行碰撞检测，若存在碰撞则删除该连线；最终生成无向路图；
S5，借助A*搜索算法在无向路图上进行搜索，获得最短避障路径L。
2.根据权利要求1所述的基于改进PRM算法的无人驾驶路径规划方法，其特征在于，在碰撞检测搜索最小外接圆时，搜索范围为Rmax+M，Rmax表示障碍物划分所得所有几何图像的最小外接圆的最大半径，M表示车辆宽度。
3.根据权利要求1所述的基于改进PRM算法的无人驾驶路径规划方法，其特征在于，路径规划范围内的坐标点，是指：通过做辅助线法将***禁止约束下的***轮廓简化为多边形，进而将该多边形内的地图栅格坐标点定义为路径规划范围内的坐标点。
4.根据权利要求1所述的基于改进PRM算法的无人驾驶路径规划方法，其特征在于，采用迭代法查找规则几何图形的最小外接圆；
从规则几何图形上任意取不在一条直线上的3个不同点，基于该3个不同点做圆，判断当前第i次迭代所得圆的半径Ri是否小于当前最小半径Rmin：
若Ri<Rmin，则将当前最小外接圆更新为当前第i次迭代所得圆，且将当前最小外接圆半径更新为Rmin=Ri；
否则，重复上述步骤进行第i+1次迭代查找最小外接圆，直到完成设置的迭代次数，将当前最小外接圆确定为该规则几何图形的最小外接圆。
5.根据权利要求1所述的基于改进PRM算法的无人驾驶路径规划方法，其特征在于，对各最小外接圆与坐标点之间基于外接圆半径进行碰撞检测时，若γn≤Rn+M，则判定坐标点与最小外接圆存在碰撞，否则判定不存在碰撞；其中，γn为坐标点与最小外接圆圆心之间的距离，Rn为最小外接圆的半径，M为车辆宽度。
6.根据权利要求1所述的基于改进PRM算法的无人驾驶路径规划方法，其特征在于，根据距离确定集合Cfree中所有坐标点的采样概率计算式为：
；
；
式中，是集合/>中第/>个坐标点/>的采样概率；/>是坐标点/>到最近邻最小外接圆圆心/>的欧式距离，表征坐标点/>靠近障碍物程度；/>是坐标点/>到直线l的欧式距离，表征坐标点/>靠近启发方向程度；/>是坐标点/>靠近障碍物距离程度/>与靠近启发方向直线距离/>的加权和；/>、/>是距离权重系数；/>是集合/>中所有坐标点的/>中的最大值；N是集合/>中的坐标点数。
7.根据权利要求6所述的基于改进PRM算法的无人驾驶路径规划方法，其特征在于，在按计算式计算得到采样概率后，进一步进行非线性和归一化处理，步骤S4再按归一化后的采样概率进行空间采样；其中，非线性和归一化处理表示为：
；
式中，是系数，表征对采样概率pcj的放大倍数；Pcj是归一化后的采样概率。
CN202311363688.5A 2023-10-20 2023-10-20 一种基于改进prm算法的无人驾驶路径规划方法 Active CN117109625B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311363688.5A CN117109625B (zh) 2023-10-20 2023-10-20 一种基于改进prm算法的无人驾驶路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311363688.5A CN117109625B (zh) 2023-10-20 2023-10-20 一种基于改进prm算法的无人驾驶路径规划方法

Publications (2)

Publication Number Publication Date
CN117109625A true CN117109625A (zh) 2023-11-24
CN117109625B CN117109625B (zh) 2024-01-16

Family

ID=88805856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311363688.5A Active CN117109625B (zh) 2023-10-20 2023-10-20 一种基于改进prm算法的无人驾驶路径规划方法

Country Status (1)

Country Link
CN (1) CN117109625B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117553820A (zh) * 2024-01-12 2024-02-13 北京理工大学 一种越野环境中路径规划方法、***及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180100743A1 (en) * 2016-10-06 2018-04-12 The Boeing Company Computer-Implemented Method and a System for Guiding a Vehicle Within a Scenario with Obstacles
CN109839110A (zh) * 2019-01-09 2019-06-04 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
CN110530384A (zh) * 2019-07-17 2019-12-03 江苏大学 一种采用混合势场蚁群算法的车辆路径规划方法
CN111220157A (zh) * 2020-01-10 2020-06-02 重庆康爵特智能科技有限公司 基于区域分割的导航路径规划方法及计算机可读存储介质
US20200208992A1 (en) * 2019-01-02 2020-07-02 Here Global B.V. Supervised point map matcher

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180100743A1 (en) * 2016-10-06 2018-04-12 The Boeing Company Computer-Implemented Method and a System for Guiding a Vehicle Within a Scenario with Obstacles
US20200208992A1 (en) * 2019-01-02 2020-07-02 Here Global B.V. Supervised point map matcher
CN109839110A (zh) * 2019-01-09 2019-06-04 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
CN110530384A (zh) * 2019-07-17 2019-12-03 江苏大学 一种采用混合势场蚁群算法的车辆路径规划方法
CN111220157A (zh) * 2020-01-10 2020-06-02 重庆康爵特智能科技有限公司 基于区域分割的导航路径规划方法及计算机可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHEN YIN 等: "A modified partial robust M-regression to improve prediction performance for data with outliers", 《2013 IEEE INTERNATIONAL SYMPOSIUM ON INDUSTRIAL ELECTRONICS》, pages 1 - 6 *
罗国荣: "基于概率线路图的仓库移动机器人避障路径跟踪研究", 《武汉交通职业学院学报》, vol. 23, no. 1, pages 97 - 103 *
陈琳;韦志琪;戴骏;莫超亮;潘海鸿;: "基于概率地图的工业机器人路径搜索优化算法", 武汉理工大学学报, no. 04, pages 90 - 95 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117553820A (zh) * 2024-01-12 2024-02-13 北京理工大学 一种越野环境中路径规划方法、***及设备
CN117553820B (zh) * 2024-01-12 2024-04-05 北京理工大学 一种越野环境中路径规划方法、***及设备

Also Published As

Publication number Publication date
CN117109625B (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
CN111610786B (zh) 基于改进rrt算法的移动机器人路径规划方法
CN117109625B (zh) 一种基于改进prm算法的无人驾驶路径规划方法
CN110196602B (zh) 目标导向集中优化的快速水下机器人三维路径规划方法
CN111880561B (zh) 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法
CN111750869A (zh) 一种实时重构Voronoi图的无人机路径规划方法
CN113867368A (zh) 一种基于改进海鸥算法的机器人路径规划方法
CN108334080A (zh) 一种针对机器人导航的虚拟墙自动生成方法
CN114489052B (zh) 一种改进rrt算法重连策略的路径规划方法
Li et al. Lode: Locally conditioned eikonal implicit scene completion from sparse lidar
CN115195706A (zh) 一种泊车路径规划方法、装置
CN116400737B (zh) 一种基于蚁群算法的安全路径规划***
Yuhang et al. An Adaptive evolutionary multi-objective estimation of distribution algorithm and its application to multi-UAV path planning
Hao et al. Automatic recharging path planning for cleaning robots
Yu et al. SOF-RRT*: An improved path planning algorithm using spatial offset sampling
CN117289301A (zh) 一种未知越野场景下空地无人平台协同路径规划方法
CN115061467B (zh) 基于改进高斯采样prm算法和狭窄通道识别的路径规划方法
CN116300883A (zh) 基于改进RRT-Connect算法的智能体路径规划方法
CN114357843B (zh) 一种针对风电装备运输进行数值碰撞实验模拟的方法
Huang et al. Adaptive Informed RRT*: Asymptotically Optimal Path Planning With Elliptical Sampling Pools in Narrow Passages
Chen et al. An improved RRT* algorithm for mobile robots path planning
Shi et al. Local path planning of unmanned vehicles based on improved RRT algorithm
CN115290098B (zh) 一种基于变步长的机器人定位方法和***
CN117951240B (zh) 全局三维点云地图存储和实时体素检索方法、装置及设备
Wu et al. Complete Coverage Path Planning Based on Improved Genetic Algorithm for Unmanned Surface Vehicle
Li et al. Path Planning of Composite Trackless AGV Considering Map Preprocessing

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