CN104155974A - 一种用于机器人快速避碰的路径规划方法及设备 - Google Patents
一种用于机器人快速避碰的路径规划方法及设备 Download PDFInfo
- Publication number
- CN104155974A CN104155974A CN201310323865.7A CN201310323865A CN104155974A CN 104155974 A CN104155974 A CN 104155974A CN 201310323865 A CN201310323865 A CN 201310323865A CN 104155974 A CN104155974 A CN 104155974A
- Authority
- CN
- China
- Prior art keywords
- rand
- new
- length
- node
- position shape
- 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
Landscapes
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明实施例提供一种用于机器人快速避碰的路径规划方法,本发明利用BBRrt算法和基于凸集理论的碰撞检测算法,同时从初始位形和目标位形交替向对方位形扩展,构成两棵平衡RRT树,能够迅速地在位形空间寻找到一条连接起始位形和目标位形的无碰撞运动路径,有效通过狭窄通道,且有效地避免与环境中的障碍物发生碰撞,并充分利用多步扩展方法和带有启发性目的的平衡扩展方式,从而有效地改善RRT算法的收敛性和重复性;基于凸集理论,提出一种基于线性不等式方式组所构成的凸包快速碰撞检测算法,可以有效改进避碰路径规划方法中碰撞检测模块的效率和性能。本发明提出的方法可以推广到高维机器人多树RRT路径规划。
Description
技术领域
本发明涉及高维机器人领域,尤其涉及到一种用于机器人快速避碰的路径规划方法及设备。
背景技术
高维机器人深度融合了人工智能、智能控制、信息处理、先进制造和计算软件等方面的技术,其发展将对社会、经济、科学和国防等产生重大影响,已成为各国高新技术竞相研究的战略性目标。避碰路径规划是高维机器人研究的核心关键技术,受到国内外学者的普遍关注。
典型的路径规划方法包括:(1)传统方法,如,栅格法、拓扑降维法、人工势场法、多边形拟合法等;(2)基于图搜索的方法,如Dijkstra算法、Voronoi图、A*算法和D*算法等;(3)基于智能算法的方法,如,模糊规则法、神经网络算法、遗传算法、蚁群优化算法、模拟退火算法、粒子群优化等;(4)基于随机采样的方法,例如,概率地图法(PRM)和快速探索随机树法(RRT)。
RRT方法采用随机采样,仅需对C-空间采样点进行碰撞检测,避免了在C-空间中对机器人和障碍物的复杂建模,且采用树型结构存储基于随机采样扩展生成的机器人构型节点,其相邻节点之间生成的轨迹符合机器人运动学、动力学和避碰要求,适合解决含有运动动力学约束的非完整冗余高维复杂环境下的路径规划问题,因而得到研究者普遍关注。但因RRT基于随机采样法,该算法存在费时、收敛速度慢、实时性较差、路径规划可重复性差、经常远离最短路径或最优路径、碰撞检测频繁且代价较大等方面的问题。
发明内容
本发明实施例提供了一种用于机器人快速避碰的路径规划方法,旨在解决如何使用简单的算法使得机器人快速避碰的问题。
一种用于机器人快速避碰的路径规划方法,所述方法包括:
确定起始位形θstart、目标位形θgoal、和单步扩展步长λ、当前迭代次数;以θstart为快速随机搜索树RRTTa的根节点、以θgoal为Ta的目标位形点,初始化树Ta;以θgoal为Tb的根节点、以Ta树扩展生成的新位形θnew为Tb的目标位形点,初始化树Tb;
在位形空间随机采样选取θrand,在Ta搜索离θrand距离最近的位形节点Ta从向θrand扩展一个步长λ;在Tb中搜索离θrand距离最近的位形节点Tb从向θrand扩展多个步长λ直至遇到障碍物或者到达θrand或者与θrand之间距离小于所述步长λ;
当Ta和Tb最近节点之间的距离小于或等于λ时,则获取机器人避碰的路径。
所述方法还包括:
当Ta和Tb最近节点之间的距离大于λ时,则交换Ta和Tb,继续在位形空间随机采样选择θrand,在Tb搜索离θrand距离最近的位形节点Tb从向θrand扩展一个步长λ;在Ta中搜索离θrand距离最近的位形节点Ta从向θrand扩展多个步长λ直至遇到障碍物或者到达θrand或者与θrand之间距离小于所述步长λ,并将所述当前迭代次数增加1。
所述方法在当Ta和Tb最近节点之间的距离小于或等于λ时,则获取机器人避碰的路径之前,还包括:
判断当前迭代次数是否大于最大迭代次数K;
所述方法还包括:
若当前迭代次数大于预先设置的迭代最大次数K时,则无法确定所述机器人避碰的路径。
所述Tb向θrand扩展多个步长λ直至遇到障碍物或者到达θrand或者与θrand小于所述步长λ,包括:
在Tb中获取离θrand最近的一个位形节点θnearest;
θnearest向θrand移动一个步长λ获得新的位形节点θnew;
检测所述新的位形节点θnew是否与所述障碍物碰撞;
若所述新的位形节点θnew与所述障碍物碰撞,则所述新的位形节点θnew不能向θrand再扩展一个步长λ;或者,
若θnew与θrand的距离小于或者等于步长λ,则θnew已到达θrand,所述新的位形节点θnew不能向θrand再扩展一个步长λ;或者,
若θnew未与所述障碍物碰撞或者未到达θrand,则θnew再向θrand扩展一个步长λ。
所述检测所述新的位形节点θnew是否与所述障碍物碰撞,包括:
将所述机器人在位形空间中的每个位形点表示为笛卡尔空间的由线性不等式方式组所构成的多个凸包集合;
将在所述位形空间中的障碍物表示为笛卡尔空间的由线性不等式方式组所构成的多个凸包集合;
若所述机器人与所述障碍物发生碰撞,则所述机器人的多个凸包和所述障碍物的多个凸包之间有碰撞。
所述设备包括:
初始化单元,用于确定起始位形θstart、目标位形θgoal、和单步扩展步长λ;以θstart为快速随机搜索树RRTTa的根节点、以θgoal为Ta的目标位形点,初始化树Ta;以θgoal为Tb的根节点、以Ta树扩展生成的新位形θnew为Tb的目标位形点,初始化树Tb;
随机采样单元,用于从位形空间随机采样选取θrand;
搜索单元,用于在Ta搜索离θrand距离最近的位形节点在Tb中搜索离θrand距离最近的位形节点
扩展单元,用于Ta从向θrand扩展一个步长λ,Tb从向θrand扩展多个步长λ直至遇到障碍物或者到达θrand或者与θrand小于所述步长λ;
获取路径解单元,用于当Ta和Tb最近节点之间的距离小于或等于λ时,则获取机器人避碰的路径。
所述设备还包括交换单元,所述交换单元具体用于:
当Ta和Tb最近节点之间的距离大于λ时,重新返回继续执行随机采样单元以随机选取θrand,交换Ta和Tb;然后执行搜索单元,在Tb搜索离θrand最近的位形节点Tb从向θrand扩展一个步长λ;在Ta中搜索离θrand最近的位形节点Ta从向θrand扩展多个步长λ直至遇到障碍物或者到达θrand或者与θrand小于所述步长,并且将所述当前迭代次数增加1。
所述设备还包括最大迭代次数单元和路径规划结束单元,所述最大迭代次
数单元具体用于判断所述当前迭代次数是否大于最大迭代次数K,当所述当
前迭代次数大于最大迭代次数K时,则所述路径规划结束单元用于结束所
述机器人避碰的路径的获取。
所述扩展单元,具体用于:
在Tb中获取离θrand最近的一个位形节点θnearest;
θnearest向θrand移动一个步长λ获得新的位形节点θnew;
检测所述新的位形节点θnew是否与所述障碍物碰撞;
若所述新的位形节点θnew与所述障碍物碰撞,则所述新的位形节点θnew不能向θrand再扩展一个步长λ;或者,
若θnew与θrand的距离小于或者等于步长λ,则θnew已到达θrand,所述新的位形节点θnew不能向θrand再扩展一个步长λ;或者,
若θnew未与所述障碍物碰撞或者未到达θrand,则θnew再向θrand扩展一个步长λ。
所述扩展单元中包括碰撞检测单元,所述碰撞检测单元具体用于:
将所述机器人在位形空间中的每个位形点表示为笛卡尔空间的由线性不等式方式组所构成的多个凸包集合;
将在所述位形空间中的障碍物表示为笛卡尔空间的由线性不等式方式组所构成的多个凸包集合;
若所述机器人与所述障碍物发生碰撞,则所述机器人的多个凸包和所述障碍物的多个凸包之间有碰撞。
本发明实施例提供一种用于机器人快速避碰的路径规划方法,本发明利用BBRrt算法和基于凸集理论的碰撞检测算法,同时从初始位形和目标位形交替向对方扩展,构成两棵平衡RRT,能够迅速地在位形空间寻找到一条连接起始位形到目标位形的无碰撞运动路径,有效通过狭窄通道,并充分利用多步扩展方法和带有启发性目的的平衡扩展方式,可以有效地改善RRT算法的收敛性和重复性,并从理论和仿真实验上证明了本发明提出算法的完备性;用凸集理论,提出一种基于凸包的快速碰撞检测算法,可以有效改进避碰路径规划的效率和性能。仿真结果表明,该算法在复杂障碍物环境下,既提高了算法的执行效率,同时保证了运动路径的相对稳定性和重复性。本发明所提出的算法可以推广到高维机器人多树RRT路径规划。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种用于机器人快速避碰的方法示意图;
图2是本发明实施例提供的一种用于机器人快速避碰的方法流程图;
图3是本发明实施例提供的一种机器人初始位形、目标位形和规划中间位形所展示的虚拟仿真环境示意图;
图4是本发明实施例提供的一种双向平衡RRT树;
图5是三次样条法优化后的动态规划路径示意图;
图6是局部放大观察双向平衡RRT树效果图;
图7是BBRrt规划算法获得的原始可行路径显示的机器人关节角时序图;
图8是三次样条法优化后获得的优化路径所表示的关节角时序图;
图9是本发明实施例提供的一种用于机器人快速避碰的设备结构图。
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作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。
参考图1,图1是本发明实施例提供的一种用于机器人快速避碰的方法示意图。如图1所示,BBRrt算法是正向RRT搜索和后向RRT搜索的组合。一棵树从初始位形开始生长,而另一棵树从目标位形开始生长。相对于单树RRT路径规划来说,利用双向RRT进行路径规划将更快捷、更有效。这是因为双向搜索树不只从初始点开始,而且还要以目标点为根,分别交替构造两棵快速扩展的搜索树,并通过判断两棵树之间是否存在交叉点,来确定可行路径的存在与否。对于双向平衡RRT来说,不仅要保证其快速扩展的特性,还必须考虑两棵生成树的交叉连接问题。另外,还要确保两棵生成树的平衡生长问题,只有这样才能保证两棵树在构造时间和空间上的一致性。
在基本的单树RRT算法中,当位形空间C中包含大量障碍物和狭窄通道约束,算法的效率会大幅下降,有必要在RRT算法的连接和采样等方面,进行改进,实现BBRrt算法,其原理图如图1所示。θstart、θgoal和θrand分别表示初始位形点、目标位形点和随机采样位形点,λ表示扩展步长,θnearest是RRT树中离θrand最近的位形节点,每棵RRT树都是一个拓扑图T=G(V,E),图顶点V∈F表示随机采样的自由位形点,图中的边E表示连接相邻位形点的可行局部路径。Ta和Tb分别表示以θstart和θgoal为根节点的随机树。在路径规划的每次迭代过程中,都会有一个顶点V=θnew和一条边E=(θnearest,θnew)加入到拓扑图G中,构成新的随机树RRT。设为拓扑图G中所有能达到位形点的集合,因每个ei∈E是一条路径,则
参考图2,图2是本发明实施例提供的一种用于机器人快速避碰的方法流程图。如图2所示,所述方法包括以下关键步骤:
步骤201,确定起始位置θstart、目标位置θgoal、和单步扩展步长λ、当前迭代次数;
步骤202,以θstart为快速随机搜索树RRTTa的根节点、以θgoal为目标位形点,初始化树Ta;以θgoal为Tb的根节点、以Ta树扩展生成的新位形θnew为Tb的目标位形点,初始化树Tb;
步骤203,在位形空间随机采样选取θrand,在Ta搜索离θrand距离最近的位形节点Ta从向θrand扩展一个步长λ;在Tb中搜索离θrand距离最近的位形节点Tb从向θrand扩展多个步长λ直至遇到障碍物或者到达θrand或者与θrand之间距离小于所述步长λ;
具体的,平衡双向RRT算法的伪代码如下所示。
函数Result Expansion()的功能主要负责完成双向RRT树交替迭代的每次扩展。首先调用RandConfiguration()函数在位形空间C中均匀随机采样获得位形点θrand;然后调用Result Extend()函数使Ta向θrand扩展一个步长λ;再调用Result Connect()函数使Tb尽可能向θrand扩展多个步长λ。
使用函数Result Extend()使得Ta向θrand扩展一个步长λ,函数Result Extend()的功能主要负责在位形空间C中使T向θrand扩展一个步长λ。调用
NearestNeighbor()在T中寻找距离θrand最近的一个位形节点θnearest。调用
NewConfiguration()使θnearest向θrand移动一个步长λ获得θnew:
函数Result Extend()算法可以表示如下:
使用函数Result Connect()使得Tb向θrand扩展多个步长λ直至遇到障碍物或者到达θrand或者与θrand小于所述步长λ。
函数Result Connect()主要功能使T向θrand扩展多个步长λ,直到遇到障碍、到达θrand或与θrand的距离小于扩展步长λ。
函数Result Connect()算法可以表示如下:
具体的,所述Tb向θrand扩展多个步长λ直至遇到障碍物或者到达θrand或者与θrand小于所述步长λ,包括:
在Tb中获取离θrand最近的一个位形节点θnearest;
θnearest向θrand移动一个步长λ获得新的位形节点θnew;
检测所述新的位形节点θnew是否与所述障碍物碰撞;
若所述新的位形节点θnew与所述障碍物碰撞,则所述新的位形节点θnew不能向θrand再扩展一个步长λ;或者,
若θnew与θrand的距离小于或者步长λ,则θnew已到达θrand,所述新的位形节点θnew不能向θrand再扩展一个步长λ;或者,
若θnew未与所述障碍物碰撞或者未到达θrand,则θnew再向θrand扩展一个步长λ。
具体的,所述检测所述新的位形节点θnew是否与所述障碍物碰撞,包括:
将所述机器人在位形空间中的每个位形点表示为笛卡尔空间的由线性不等式方式组所构成的多个凸包集合;
将在所述位形空间中的障碍物表示为笛卡尔空间的由线性不等式方式组所构成的多个凸包集合;
若所述机器人与所述障碍物发生碰撞,则所述机器人的多个凸包和所述障碍物的多个凸包之间有碰撞。
使用isCollision((θnew),n)检测新位形节点θnew是否与障碍Cobs碰撞,若发生碰撞返回true,否则返回false。当θnew与Cobs发生碰撞时,Extend()返回Trapped,表示当前树节点θnearest不能再往前扩展一个步长λ,出现这种情况表明θnearest可能位于障碍Cobs或约束区域附近。当θnew∈F时,则将其作为新位形节点其添加到T中,并将直线段(θnearest,θnew)作为边添加到T中。若θnew与θrand的距离测度小于步长λ,表明θnew已达到θrand,则Extend()返回Reached;若θnew尚未到达θrand,则Extend()返回Advanced,表明θnew还可能向θrand扩展一个以上步长λ。
若令高维机器人空间中任意两个凸包分别命名为ΔA和ΔB,则可以用线性不等式方程组描述凸包,进而将任意两个凸包ΔA和ΔB是否发生碰撞的问题可归结为判定构成的集合H是否为空的问题。考虑到该类问题的普遍性和通用性,本专利针对n个变量的情况,将两个任意两个凸包ΔA和ΔB不等式组构成的集合可抽象成:从而可将判定笛卡尔空间中任意两个凸包ΔA和ΔB是否发生碰撞的问题,归结为判定所构成的凸集是否非空的问题。
令表示由任意两个凸包表示的不等式式构成的集合,n表示不等式组集合中的变量的个数(取值为大于等于零的整数),SI表示自然数集合的子集,则碰撞检测方法isCollision的算法可以如下:
步骤204,当Ta和Tb最近节点之间的距离小于或等于λ时,则获取机器人避碰的路径。
BBRrt()算法的输入参数包括:起始位形点θstart、目标位形点θgoal、随机搜索最大迭代次数K和单步扩展步长。首先,进行初始化Ta、Tb和path,分别以θstart和θgoal为根节点构造两棵树Ta和Tb。然后进入循环双向扩展Expansion()交换Swap()迭代过程:先调用RandConfiguration在位形空间C随机选取θrand;其次调用Extend使Ta向θrand扩展一个步长λ;再调用Connect()函数使Tb尽可能向θrand扩展多个步长λ。如果Ta和Tb能够完全连接,则获得可行路径解Path(Ta,Tb);否则,调用Swap()函数交换两棵树Ta和Tb,重新执行下次迭代,直至获得可行路径解,或者到达迭代最大次数K,搜索失败。
该算法引人的提高算法速度的机制包括:
(1)Connect()函数在每次迭代中比Extend()扩展更多个步长,从而树的扩展速度更快。
(2)通过构造两棵RRT树,使每棵树朝向对方交替扩展,因而不再是随机的扩展方式,而是带有启发性目的的扩展方式。
因此,BBRrt()算法的综合性能比传统单树RRT算法更高。尤其是当输入的一对起始和目标位形点θstart和θgoal均位于约束区域中时,两棵树可以通过朝向对方快速扩展而逃离这些区域,因而比单树RRT算法更具优势。
作为一种可选的实施例,所述方法还包括:
当Ta和Tb最近节点之间的距离大于λ时,则以θstart为快速随机搜索树RRTTb的根节点、以θgoal为目标位形点,以θgoal为Ta的根节点、以θstart为目标位形点;
返回执行随机选取θrand,Ta向θrand扩展一个步长λ,Tb向θrand扩展多个步长λ直至遇到障碍物或者到达θrand或者与θrand小于所述步长,并将所述当前迭代次数增加1。
作为另一种可选的实施例,所述方法在当Ta和Tb最近节点之间的距离小于或等于λ时,则获取机器人避碰的路径之前,还包括:
判断当前迭代次数是否大于最大迭代次数K;
所述方法还包括:
若当前迭代次数大于最大迭代次数K,则无法确定所述机器人避碰的路径。
本发明实施例提供一种用于机器人快速避碰的路径规划方法,本发明利用BBRrt算法和基于凸集理论的碰撞检测算法,同时从初始位形和目标位形交替向对方扩展,构成两棵平衡RRT,能够迅速地在位形空间寻找到一条连接起始位形到目标位形的无碰撞运动路径,有效通过狭窄通道,并充分利用多步扩展函数和带有启发性目的的平衡扩展方式,可以有效地改善RRT算法的收敛性和重复性,并从理论和仿真实验上证明了本发明所提出算法的完备性;基于凸集理论,提出一种基于凸包的快速碰撞检测算法,可以有效改进避碰路径规划的效率和性能。仿真结果表明,该算法在复杂障碍物环境下,既提高了算法的执行效率,同时保证了运动路径的相对稳定性和重复性。本发明所提出的算法可以推广到高维机器人多树RRT路径规划。
设BBRrt算法的随机扩展采样步长λ为0.04,最大采样数K=50000,位形点随机采样概率Prob=0.1;KUKA机器人起始位形θstart=[83.62,-57.27,90.64,-11.48,-33.90,-80.43]T,目标位形θgoal=[-84.73,-41.67,91.55,0.00,40.12,264.73]T,从起始位形θstart到目标位形θgoal,避免与存在多个障碍物和狭窄通道的复杂环境发生碰撞,采用本发明提出避碰BBRrt规划方法的仿真结果如图3-8所示。图3主要表现机器人初始位形、目标位形和规划中间位形所展示的虚拟仿真环境。图4显示利用本发明提出算法所生成的双向平衡RRT树。图5是采用三次样条法优化后的动态规划过程。图6是局部放大观察双向平衡RRT树效果图。图7是采用BBRrt规划算法获得的原始可行路径显示的机器人关节角时序历程。图8是采用三次样条法优化后获得的优化路径所表示的关节角时序历程。本发明提出算法与基本RRT算法、RRT-Connect算法进行了对比,结果如表1所示。根据规划算法的不同问题规模对本发明提出的碰撞检测算法所测试的结果如表2所示。
表1
表2
从大量的计算仿真结果和算法关键性能指标(运行时间、总节点数和碰撞检测次数)来看,本发明提出的BBRrt算法与现有的典型算法相比,收敛速度(运行时间)和稳定性得到显著提高,同时验证了基于凸集理论的碰撞检测算法的可靠性和高效性。
参考图9,图9是本发明实施例提供的一种用于机器人快速避碰的设备结构图。如图9所示,所述设备包括:
初始化单元901,用于确定起始位形θstart、目标位形θgoal、和单步扩展步长λ、当前迭代次数;
以θstart为快速随机搜索树RRTTa的根节点、以θgoal为目标位形点,以θgoal为Tb的根节点、以θstart为目标位形点;
随机采样单元902,用于从位形空间随机采样选取θrand;
搜索单元903,用于在Ta搜索离θrand距离最近的位形节点在Tb中搜索离θrand距离最近的位形节点
扩展单元904,用于Ta从向θrand扩展一个步长λ,Tb从向θrand扩展多个步长λ直至遇到障碍物或者到达θrand或者与θrand小于所述步长λ;
其中,平衡双向RRT算法、函数Result Expansion()、函数Result Extend()、函数Result Connect()的算法描述可以参考方法实施例的描述,在此不再赘述。
具体的,所述扩展单元904具体用于:
在Tb中获取离θrand最近的一个位形节点θnearest;
θnearest向θrand移动一个步长λ获得新的位形节点θnew;
检测所述新的位形节点θnew是否与所述障碍物碰撞;
若所述新的位形节点θnew与所述障碍物碰撞,则所述新的位形节点θnew不能向θrand再扩展一个步长λ;或者,
若θnew与θrand的距离小于或者步长λ,则θnew已到达θrand,所述新的位形节点θnew不能向θrand再扩展一个步长λ;或者,
若θnew未与所述障碍物碰撞或者未到达θrand,则θnew再向θrand扩展一个步长λ。
具体的,所述扩展单元904中包括碰撞检测单元904a,所述碰撞检测单元904a具体用于:
将所述机器人在位形空间中的每个位形点表示为笛卡尔空间的由线性不等式方式组构成的多个凸包集合;
将在所述位形空间中的障碍物表示为笛卡尔空间的由线性不等式方式组构成的多个凸包集合;
若所述机器人与所述障碍物发生碰撞,则所述机器人的多个凸包和所述障碍物的多个凸包之间有碰撞。
获取路径解单元905,用于当Ta和Tb最近节点之间的距离小于或等于λ并且当前迭代次数小于或者等于最大迭代次数K时,则获取机器人避碰的路径。
BBRrt()算法的输入参数包括:起始位形点θstart、目标位形点θgoal、随机搜索最大迭代次数K和单步扩展步长。首先,进行初始化Ta、Tb和path,分别以θstart和θgoal为根节点构造两棵树Ta和Tb。然后进入循环双向扩展Expansion()交换Swap()迭代过程:先调用RandConfiguration在位形空间C随机选取θrand;其次调用Extend使Ta向θrand扩展一个步长λ;再调用Connect()函数使Tb尽可能向θrand扩展多个步长λ。如果Ta和Tb能够完全连接,则获得可行路径解Path(Ta,Tb);否则,调用Swap()函数交换两棵树Ta和Tb,重新执行下次迭代,直至获得可行路径解,或者到达迭代最大次数K,搜索失败。
该算法引人的提高算法速度的机制包括:
(1)Connect()函数在每次迭代中比Extend()扩展更多个步长,从而树的扩展速度更快。
(2)通过构造两棵RRT树,使每棵树朝向对方交替扩展,因而不再是随机的扩展方式,而是带有启发性目的的扩展方式。
因此,BBRrt()算法的综合性能比传统单树RRT算法更高。尤其是当输入的一对起始和目标位形点θstart和θgoal均位于约束区域中时,两棵树可以通过朝向对方快速扩展而逃离这些区域,因而比单树RRT算法更具优势。
作为一种可选的实施例,所述设备还包括交换单元906,所述交换单元906具体用于:
当Ta和Tb最近节点之间的距离大于λ时,则以θstart为快速随机搜索树RRTTb的根节点、以θgoal为目标位形点,以θgoal为Ta的根节点、以θstart为目标位形点;
返回执行随机选取θrand,Ta向θrand扩展一个步长λ,Tb向θrand扩展多个步长λ直至遇到障碍物或者到达θrand或者与θrand小于所述步长,并且将所述当前迭代次数增加1。
作为另一种可选的实施例,所述设备还包括最大迭代次数单元907和路径规划结束单元908,所述最大迭代次数单元907具体用于判断所述当前迭代次数是否大于最大迭代次数K,当所述当前迭代次数大于最大迭代次数K时,则所述路径规划结束单元908用于结束所述机器人避碰的路径的获取。
本发明实施例提供一种用于机器人快速避碰的路径规划设备,本发明利用BBRrt算法和基于凸集理论的碰撞检测算法,同时从初始位形和目标位形交替向对方扩展,构成两棵平衡RRT,能够迅速地在位形空间寻找到一条连接起始位形到目标位形的无碰撞运动路径,有效通过狭窄通道,并充分利用多步扩展函数和带有启发性目的的平衡扩展方式,可以有效地改善RRT算法的收敛性和重复性,并从理论和仿真实验上证明了本发明所提出算法的完备性;基于凸集理论,提出一种基于凸包的快速碰撞检测算法,可以有效改进避碰路径规划的效率和性能。仿真结果表明,该算法在复杂障碍物环境下,既提高了算法的执行效率,同时保证了运动路径的相对稳定性和重复性。本发明所提出的算法可以推广到高维机器人多树RRT路径规划。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种用于机器人快速避碰的路径规划方法,其特征在于,所述方法包括:
确定起始位形θstart、目标位形θgoal、和单步扩展步长λ、当前迭代次数;
以θstart为快速随机搜索树RRTTa的根节点、以θgoal为Ta的目标位形点,初始化树Ta;以θgoal为Tb的根节点、以Ta树扩展生成的新位形θnew为Tb的目标位形点,初始化树Tb;
在位形空间随机采样选取θrand,在Ta搜索离θrand距离最近的位形节点Ta从向θrand扩展一个步长λ;在Tb中搜索离θrand距离最近的位形节点Tb从向θrand扩展多个步长λ直至遇到障碍物或者到达θrand或者与θrand之间距离小于所述步长λ;
当Ta和Tb最近节点之间的距离小于或等于λ时,则获取机器人避碰的路径。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当Ta和Tb最近节点之间的距离大于λ时,则交换Ta和Tb,继续在位形空间随机采样选择θrand,在Tb搜索离θrand距离最近的位形节点Tb从向θrand扩展一个步长λ;在Ta中搜索离θrand距离最近的位形节点Ta从向θrand扩展多个步长λ直至遇到障碍物或者到达θrand或者与θrand之间距离小于所述步长λ,并将所述当前迭代次数增加1。
3.根据权利要求2所述的方法,其特征在于,所述方法在当Ta和Tb最近节点之间的距离小于或等于λ时,则获取机器人避碰的路径之前,还包括:
判断当前迭代次数是否大于最大迭代次数K;
所述方法还包括:
若当前迭代次数大于最大迭代次数K,则无法确定所述机器人避碰的路径。
4.根据权利要求3所述的方法,其特征在于,所述Tb向θrand扩展多个步长λ直至遇到障碍物或者到达θrand或者与θrand小于所述步长λ,包括:
在Tb中获取离θrand最近的一个位形节点θnearest;
θnearest向θrand移动一个步长λ获得新的位形节点θnew;
检测所述新的位形节点θnew是否与所述障碍物碰撞;
若所述新的位形节点θnew与所述障碍物碰撞,则所述新的位形节点θnew不能向θrand再扩展一个步长λ;或者,
若θnew与θrand的距离小于或等于步长λ,则θnew已到达θrand,所述新的位形节点θnew不能向θrand再扩展一个步长λ;或者,
若θnew未与所述障碍物碰撞或者未到达θrand,则θnew再向θrand扩展一个步长λ。
5.根据权利要求4所述的方法,其特征在于,所述检测所述新的位形节点θnew是否与所述障碍物碰撞,包括:
将所述机器人在位形空间中的每个位形点表示为笛卡尔空间的由线性不等式方式组所构成多个凸包集合;
将在所述位形空间中的障碍物表示为笛卡尔空间的由线性不等式方式组所构成多个凸包集合;
若所述机器人与所述障碍物发生碰撞,则所述机器人的多个凸包和所述障碍物的多个凸包之间有碰撞。
6.一种用于机器人快速避碰的设备,其特征在于,所述设备包括:
初始化单元,用于初始化起始位形θstart、目标位形θgoal和单步扩展步长λ和当前迭代次数;以θstart为快速随机搜索树RRTTa的根节点、以θgoal为目标位形点,初始化树Ta;以θgoal为Tb的根节点、以Ta树扩展生成的新位形θnew为Tb的目标位形点,初始化树Tb;
随机采样单元,用于从位形空间随机采样选取θrand;
搜索单元,用于在Ta搜索离θrand距离最近的位形节点在Tb中搜索离θrand距离最近的位形节点
扩展单元,用于Ta从向θrand扩展一个步长λ,Tb从向θrand扩展多个步长λ直至遇到障碍物或者到达θrand或者与θrand小于所述步长λ;
获取路径解单元,用于当Ta和Tb最近节点之间的距离小于或等于λ并且当前迭代次数小于或者等于最大迭代次数K时,则获取机器人避碰的路径。
7.根据权利要求6所述的设备,其特征在于,所述设备还包括交换单元,所述交换单元具体用于:
当Ta和Tb最近节点之间的距离大于λ时,重新返回继续执行随机采样单元以随机选取θrand,交换Ta和Tb;然后执行搜索单元,在Tb搜索离θrand最近的位形节点Tb从向θrand扩展一个步长λ;在Ta中搜索离θrand最近的位形节点Ta从向θrand扩展多个步长λ直至遇到障碍物或者到达θrand或者与θrand小于所述步长,并且将所述当前迭代次数增加1。
8.根据权利要求6或7所述的设备,其特征在于,所述设备还包括最大迭代次数单元和路径规划结束单元,所述最大迭代次数单元具体用于判断所述当前迭代次数是否大于最大迭代次数K,当所述当前迭代次数大于最大迭代次数K时,则所述路径规划结束单元用于结束所述机器人避碰的路径的获取。
9.根据权利要求8所述的设备,其特征在于,所述扩展单元,具体用于:
在Tb中获取离θrand最近的一个位形节点θnearest;
θnearest向θrand移动一个步长λ获得新的位形节点θnew;
检测所述新的位形节点θnew是否与所述障碍物碰撞;
若所述新的位形节点θnew与所述障碍物碰撞,则所述新的位形节点θnew不能向θrand再扩展一个步长λ;或者,
若θnew与θrand的距离小于或者等于步长λ,则θnew已到达θrand,所述新的位形节点θnew不能向θrand再扩展一个步长λ;或者,
若θnew未与所述障碍物碰撞或者未到达θrand,则θnew再向θrand扩展一个步长λ。
10.根据权利要求9所述的设备,其特征在于,所述扩展单元中包括碰撞检测单元,所述碰撞检测单元具体用于:
将所述机器人在位形空间中的每个位形点表示为笛卡尔空间的由线性不等式方式组所构成的多个凸包集合;
将在所述位形空间中的障碍物表示为笛卡尔空间的由线性不等式方式组所构成的多个凸包集合;
若所述机器人与所述障碍物发生碰撞,则所述机器人的多个凸包和所述障碍物的多个凸包之间有碰撞。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310323865.7A CN104155974B (zh) | 2013-07-29 | 2013-07-29 | 一种用于机器人快速避碰的路径规划方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310323865.7A CN104155974B (zh) | 2013-07-29 | 2013-07-29 | 一种用于机器人快速避碰的路径规划方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104155974A true CN104155974A (zh) | 2014-11-19 |
CN104155974B CN104155974B (zh) | 2017-05-17 |
Family
ID=51881498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310323865.7A Expired - Fee Related CN104155974B (zh) | 2013-07-29 | 2013-07-29 | 一种用于机器人快速避碰的路径规划方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104155974B (zh) |
Cited By (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104457775A (zh) * | 2014-12-12 | 2015-03-25 | 北京航天宏图信息技术有限责任公司 | 路径确定方法、装置和导航仪 |
CN104516356A (zh) * | 2015-01-08 | 2015-04-15 | 西北工业大学 | 基于rrt的动态障碍规避算法 |
CN105487537A (zh) * | 2015-11-06 | 2016-04-13 | 福州华鹰重工机械有限公司 | 一种车辆运动规划方法和无人车 |
CN105573323A (zh) * | 2016-01-12 | 2016-05-11 | 福州华鹰重工机械有限公司 | 自动驾驶轨迹生成方法及装置 |
CN105867381A (zh) * | 2016-04-25 | 2016-08-17 | 广西大学 | 一种基于概率地图的工业机器人路径搜索优化算法 |
CN106444740A (zh) * | 2016-07-15 | 2017-02-22 | 浙江工业大学 | 基于mb‑rrt的无人机二维航迹规划方法 |
CN106444769A (zh) * | 2016-10-31 | 2017-02-22 | 湖南大学 | 一种室内移动机器人增量式环境信息采样的最优路径规划方法 |
CN106569496A (zh) * | 2016-11-14 | 2017-04-19 | 中国船舶工业集团公司第七0八研究所 | 一种运动路径的规划方法 |
CN107063280A (zh) * | 2017-03-24 | 2017-08-18 | 重庆邮电大学 | 一种基于控制采样的智能车辆路径规划系统及方法 |
CN107065865A (zh) * | 2017-03-21 | 2017-08-18 | 北京航空航天大学 | 一种基于剪枝快速随机搜索树算法的路径规划方法 |
CN107943053A (zh) * | 2017-12-15 | 2018-04-20 | 陕西理工大学 | 一种移动机器人的路径规划方法 |
CN108195383A (zh) * | 2018-03-13 | 2018-06-22 | 济南大学 | 一种基于改进rrt算法的地下无人铲运机路径规划方法 |
CN108458717A (zh) * | 2018-05-07 | 2018-08-28 | 西安电子科技大学 | 一种迭代的快速扩展随机树irrt的无人机路径规划方法 |
CN108762270A (zh) * | 2018-06-01 | 2018-11-06 | 上海理工大学 | 变概率双向快速搜索随机树改进路径规划算法 |
CN108818530A (zh) * | 2018-06-12 | 2018-11-16 | 西安交通大学 | 基于改进rrt算法的机械臂抓取散乱堆放活塞运动规划方法 |
CN108839019A (zh) * | 2018-06-25 | 2018-11-20 | 广州视源电子科技股份有限公司 | 机械臂的运动路径的确定方法和装置 |
CN108876024A (zh) * | 2018-06-04 | 2018-11-23 | 清华大学深圳研究生院 | 路径规划、路径实时优化方法及装置、存储介质 |
CN109269507A (zh) * | 2018-11-26 | 2019-01-25 | 张家港江苏科技大学产业技术研究院 | 机器人路径规划方法及装置 |
CN109445444A (zh) * | 2018-12-25 | 2019-03-08 | 同济大学 | 一种障碍物集中环境下的机器人路径生成方法 |
CN109683630A (zh) * | 2019-01-25 | 2019-04-26 | 南京邮电大学 | 基于粒子群和prm算法的无人机航迹规划方法 |
CN109947129A (zh) * | 2019-03-29 | 2019-06-28 | 华南理工大学 | 基于Dijkstra与改进粒子群算法的旋翼无人机路径规划方法 |
CN109991977A (zh) * | 2019-03-04 | 2019-07-09 | 斯坦德机器人(深圳)有限公司 | 机器人的路径规划方法及装置 |
CN110370274A (zh) * | 2019-07-03 | 2019-10-25 | 浙江大学 | 一种基于快速行进树的机械臂动态避障控制方法 |
CN110456792A (zh) * | 2019-08-06 | 2019-11-15 | 清华大学 | 动态环境下的多智能体群系统导航与避障方法及装置 |
CN110788861A (zh) * | 2019-11-15 | 2020-02-14 | 上海新时达机器人有限公司 | 机器人翻转折弯的方法及折弯机器人 |
CN111060125A (zh) * | 2019-12-30 | 2020-04-24 | 深圳一清创新科技有限公司 | 碰撞检测方法、装置、计算机设备和存储介质 |
CN111580548A (zh) * | 2020-04-17 | 2020-08-25 | 中山大学 | 一种基于样条-rrt和速度障碍的无人机避障方法 |
CN111707264A (zh) * | 2020-05-30 | 2020-09-25 | 同济大学 | 一种改进拓展式rrt路径规划方法、系统及装置 |
CN111906765A (zh) * | 2020-07-31 | 2020-11-10 | 平安科技(深圳)有限公司 | 应用于路径规划的空间采样方法、装置、设备及介质 |
CN112677153A (zh) * | 2020-12-16 | 2021-04-20 | 东北林业大学 | 一种改进的rrt算法及工业机器人路径避障规划方法 |
CN112987799A (zh) * | 2021-04-16 | 2021-06-18 | 电子科技大学 | 一种基于改进rrt算法的无人机路径规划方法 |
CN113211447A (zh) * | 2021-05-27 | 2021-08-06 | 山东大学 | 一种基于双向rrt*算法的机械臂实时感知规划方法及系统 |
CN113359775A (zh) * | 2021-07-08 | 2021-09-07 | 哈尔滨理工大学 | 一种动态变采样区域rrt无人车路径规划方法 |
WO2022198993A1 (zh) * | 2021-03-22 | 2022-09-29 | 深圳市优必选科技股份有限公司 | 一种机械臂运动规划方法、装置、可读存储介质及机械臂 |
US20220379478A1 (en) * | 2021-05-28 | 2022-12-01 | Mitsubishi Electric Research Laboratories, Inc. | Object manipulation with collision avoidance using complementarity constraints |
CN115903830A (zh) * | 2022-12-07 | 2023-04-04 | 杭州丰坦机器人有限公司 | 基于激光测距导航功能的建筑agv底盘 |
CN116038708A (zh) * | 2023-01-30 | 2023-05-02 | 北京大学 | 基于内部预演的机械手臂趋近规划方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100174435A1 (en) * | 2009-01-07 | 2010-07-08 | Samsung Electronics Co., Ltd. | Path planning apparatus of robot and method thereof |
US20110106306A1 (en) * | 2009-11-02 | 2011-05-05 | Samsung Electronics Co., Ltd. | Path planning apparatus of robot and method and computer-readable medium thereof |
CN102375416A (zh) * | 2010-08-13 | 2012-03-14 | 同济大学 | 基于快速搜索树的人型机器人踢球动作信息处理方法 |
CN103365293A (zh) * | 2013-05-08 | 2013-10-23 | 北京大学深圳研究生院 | 一种基于动态区域划分的机器人安全路径规划方法 |
CN103941737A (zh) * | 2014-05-09 | 2014-07-23 | 济南大学 | 一种复杂环境下拖挂式移动机器人的运动规划与控制方法 |
-
2013
- 2013-07-29 CN CN201310323865.7A patent/CN104155974B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100174435A1 (en) * | 2009-01-07 | 2010-07-08 | Samsung Electronics Co., Ltd. | Path planning apparatus of robot and method thereof |
US20110106306A1 (en) * | 2009-11-02 | 2011-05-05 | Samsung Electronics Co., Ltd. | Path planning apparatus of robot and method and computer-readable medium thereof |
CN102375416A (zh) * | 2010-08-13 | 2012-03-14 | 同济大学 | 基于快速搜索树的人型机器人踢球动作信息处理方法 |
CN103365293A (zh) * | 2013-05-08 | 2013-10-23 | 北京大学深圳研究生院 | 一种基于动态区域划分的机器人安全路径规划方法 |
CN103941737A (zh) * | 2014-05-09 | 2014-07-23 | 济南大学 | 一种复杂环境下拖挂式移动机器人的运动规划与控制方法 |
Non-Patent Citations (4)
Title |
---|
LA VALLE S M,ET: "Rapidly-Exploring Random Trees:Progress and Prospects", 《PROCEEDINGS OF WORKSHOP ON ALGORITHMIC FOUNDATIONS OF ROBOTICS》 * |
彭飞等: "基于约束通道的船舶装配拆卸双向RRT路径规划", 《中国造船》 * |
李华忠等: "基于RRT的机器人避碰运动规划算法研究", 《深圳信息职业技术学院学报》 * |
王维等: "基于RRT的虚拟人双臂操控规划方法", 《系统仿真学报》 * |
Cited By (56)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104457775A (zh) * | 2014-12-12 | 2015-03-25 | 北京航天宏图信息技术有限责任公司 | 路径确定方法、装置和导航仪 |
CN104516356A (zh) * | 2015-01-08 | 2015-04-15 | 西北工业大学 | 基于rrt的动态障碍规避算法 |
CN105487537B (zh) * | 2015-11-06 | 2018-01-26 | 福州华鹰重工机械有限公司 | 一种车辆运动规划方法 |
CN105487537A (zh) * | 2015-11-06 | 2016-04-13 | 福州华鹰重工机械有限公司 | 一种车辆运动规划方法和无人车 |
CN105573323A (zh) * | 2016-01-12 | 2016-05-11 | 福州华鹰重工机械有限公司 | 自动驾驶轨迹生成方法及装置 |
CN105867381A (zh) * | 2016-04-25 | 2016-08-17 | 广西大学 | 一种基于概率地图的工业机器人路径搜索优化算法 |
CN105867381B (zh) * | 2016-04-25 | 2019-03-29 | 广西大学 | 一种基于概率地图的工业机器人路径搜索优化算法 |
CN106444740A (zh) * | 2016-07-15 | 2017-02-22 | 浙江工业大学 | 基于mb‑rrt的无人机二维航迹规划方法 |
CN106444740B (zh) * | 2016-07-15 | 2019-03-12 | 浙江工业大学 | 基于mb-rrt的无人机二维航迹规划方法 |
CN106444769A (zh) * | 2016-10-31 | 2017-02-22 | 湖南大学 | 一种室内移动机器人增量式环境信息采样的最优路径规划方法 |
CN106569496A (zh) * | 2016-11-14 | 2017-04-19 | 中国船舶工业集团公司第七0八研究所 | 一种运动路径的规划方法 |
CN107065865A (zh) * | 2017-03-21 | 2017-08-18 | 北京航空航天大学 | 一种基于剪枝快速随机搜索树算法的路径规划方法 |
CN107063280A (zh) * | 2017-03-24 | 2017-08-18 | 重庆邮电大学 | 一种基于控制采样的智能车辆路径规划系统及方法 |
CN107943053A (zh) * | 2017-12-15 | 2018-04-20 | 陕西理工大学 | 一种移动机器人的路径规划方法 |
CN108195383A (zh) * | 2018-03-13 | 2018-06-22 | 济南大学 | 一种基于改进rrt算法的地下无人铲运机路径规划方法 |
CN108458717A (zh) * | 2018-05-07 | 2018-08-28 | 西安电子科技大学 | 一种迭代的快速扩展随机树irrt的无人机路径规划方法 |
CN108762270A (zh) * | 2018-06-01 | 2018-11-06 | 上海理工大学 | 变概率双向快速搜索随机树改进路径规划算法 |
CN108762270B (zh) * | 2018-06-01 | 2021-04-27 | 上海理工大学 | 变概率双向快速搜索随机树改进路径规划算法 |
CN108876024A (zh) * | 2018-06-04 | 2018-11-23 | 清华大学深圳研究生院 | 路径规划、路径实时优化方法及装置、存储介质 |
CN108876024B (zh) * | 2018-06-04 | 2021-09-28 | 清华大学深圳研究生院 | 路径规划、路径实时优化方法及装置、存储介质 |
CN108818530B (zh) * | 2018-06-12 | 2020-05-15 | 西安交通大学 | 基于改进rrt算法的机械臂抓取散乱堆放活塞运动规划方法 |
CN108818530A (zh) * | 2018-06-12 | 2018-11-16 | 西安交通大学 | 基于改进rrt算法的机械臂抓取散乱堆放活塞运动规划方法 |
CN108839019A (zh) * | 2018-06-25 | 2018-11-20 | 广州视源电子科技股份有限公司 | 机械臂的运动路径的确定方法和装置 |
CN108839019B (zh) * | 2018-06-25 | 2020-09-01 | 广州视源电子科技股份有限公司 | 机械臂的运动路径的确定方法和装置 |
CN109269507A (zh) * | 2018-11-26 | 2019-01-25 | 张家港江苏科技大学产业技术研究院 | 机器人路径规划方法及装置 |
CN109445444A (zh) * | 2018-12-25 | 2019-03-08 | 同济大学 | 一种障碍物集中环境下的机器人路径生成方法 |
CN109445444B (zh) * | 2018-12-25 | 2021-05-11 | 同济大学 | 一种障碍物集中环境下的机器人路径生成方法 |
CN109683630A (zh) * | 2019-01-25 | 2019-04-26 | 南京邮电大学 | 基于粒子群和prm算法的无人机航迹规划方法 |
CN109683630B (zh) * | 2019-01-25 | 2021-11-09 | 南京邮电大学 | 基于粒子群和prm算法的无人机航迹规划方法 |
CN109991977A (zh) * | 2019-03-04 | 2019-07-09 | 斯坦德机器人(深圳)有限公司 | 机器人的路径规划方法及装置 |
CN109991977B (zh) * | 2019-03-04 | 2022-04-29 | 斯坦德机器人(深圳)有限公司 | 机器人的路径规划方法及装置 |
CN109947129A (zh) * | 2019-03-29 | 2019-06-28 | 华南理工大学 | 基于Dijkstra与改进粒子群算法的旋翼无人机路径规划方法 |
CN110370274A (zh) * | 2019-07-03 | 2019-10-25 | 浙江大学 | 一种基于快速行进树的机械臂动态避障控制方法 |
CN110456792A (zh) * | 2019-08-06 | 2019-11-15 | 清华大学 | 动态环境下的多智能体群系统导航与避障方法及装置 |
CN111830983A (zh) * | 2019-08-06 | 2020-10-27 | 清华大学 | 动态环境下的多智能体群系统导航与避障方法及装置 |
CN110788861A (zh) * | 2019-11-15 | 2020-02-14 | 上海新时达机器人有限公司 | 机器人翻转折弯的方法及折弯机器人 |
CN111060125B (zh) * | 2019-12-30 | 2021-09-17 | 深圳一清创新科技有限公司 | 碰撞检测方法、装置、计算机设备和存储介质 |
CN111060125A (zh) * | 2019-12-30 | 2020-04-24 | 深圳一清创新科技有限公司 | 碰撞检测方法、装置、计算机设备和存储介质 |
CN111580548B (zh) * | 2020-04-17 | 2021-10-19 | 中山大学 | 一种基于样条-rrt和速度障碍的无人机避障方法 |
CN111580548A (zh) * | 2020-04-17 | 2020-08-25 | 中山大学 | 一种基于样条-rrt和速度障碍的无人机避障方法 |
CN111707264A (zh) * | 2020-05-30 | 2020-09-25 | 同济大学 | 一种改进拓展式rrt路径规划方法、系统及装置 |
CN111906765A (zh) * | 2020-07-31 | 2020-11-10 | 平安科技(深圳)有限公司 | 应用于路径规划的空间采样方法、装置、设备及介质 |
CN111906765B (zh) * | 2020-07-31 | 2022-07-12 | 平安科技(深圳)有限公司 | 应用于路径规划的空间采样方法、装置、设备及介质 |
CN112677153A (zh) * | 2020-12-16 | 2021-04-20 | 东北林业大学 | 一种改进的rrt算法及工业机器人路径避障规划方法 |
CN112677153B (zh) * | 2020-12-16 | 2022-09-06 | 东北林业大学 | 一种改进的rrt算法及工业机器人路径避障规划方法 |
WO2022198993A1 (zh) * | 2021-03-22 | 2022-09-29 | 深圳市优必选科技股份有限公司 | 一种机械臂运动规划方法、装置、可读存储介质及机械臂 |
CN112987799B (zh) * | 2021-04-16 | 2022-04-05 | 电子科技大学 | 一种基于改进rrt算法的无人机路径规划方法 |
CN112987799A (zh) * | 2021-04-16 | 2021-06-18 | 电子科技大学 | 一种基于改进rrt算法的无人机路径规划方法 |
CN113211447A (zh) * | 2021-05-27 | 2021-08-06 | 山东大学 | 一种基于双向rrt*算法的机械臂实时感知规划方法及系统 |
CN113211447B (zh) * | 2021-05-27 | 2023-10-27 | 山东大学 | 一种基于双向rrt*算法的机械臂实时感知规划方法及系统 |
US20220379478A1 (en) * | 2021-05-28 | 2022-12-01 | Mitsubishi Electric Research Laboratories, Inc. | Object manipulation with collision avoidance using complementarity constraints |
US11883962B2 (en) * | 2021-05-28 | 2024-01-30 | Mitsubishi Electric Research Laboratories, Inc. | Object manipulation with collision avoidance using complementarity constraints |
CN113359775B (zh) * | 2021-07-08 | 2022-01-18 | 哈尔滨理工大学 | 一种动态变采样区域rrt无人车路径规划方法 |
CN113359775A (zh) * | 2021-07-08 | 2021-09-07 | 哈尔滨理工大学 | 一种动态变采样区域rrt无人车路径规划方法 |
CN115903830A (zh) * | 2022-12-07 | 2023-04-04 | 杭州丰坦机器人有限公司 | 基于激光测距导航功能的建筑agv底盘 |
CN116038708A (zh) * | 2023-01-30 | 2023-05-02 | 北京大学 | 基于内部预演的机械手臂趋近规划方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104155974B (zh) | 2017-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104155974A (zh) | 一种用于机器人快速避碰的路径规划方法及设备 | |
Yakovlev et al. | Any-angle pathfinding for multiple agents based on SIPP algorithm | |
CN110231824B (zh) | 基于直线偏离度方法的智能体路径规划方法 | |
Kim et al. | Path planning for a tethered mobile robot | |
CN103529843B (zh) | Lambda*路径规划算法 | |
CN110509279A (zh) | 一种仿人机械臂的运动路径规划方法及系统 | |
CN105955262A (zh) | 一种基于栅格地图的移动机器人实时分层路径规划方法 | |
CN106041931A (zh) | 一种多障碍空间多agv机器人协作防碰撞路径优化方法 | |
Zhou et al. | Lifting path planning of mobile cranes based on an improved RRT algorithm | |
CN109443364A (zh) | 基于a*算法的路径规划方法 | |
CN104298239A (zh) | 一种室内移动机器人增强地图学习路径规划方法 | |
CN109240290A (zh) | 一种电力巡检机器人返航路径确定方法 | |
CN105867370A (zh) | 一种移动机器人全覆盖遍历混沌路径规划方法 | |
Kala | Homotopic roadmap generation for robot motion planning | |
Liu et al. | Warehouse-oriented optimal path planning for autonomous mobile fire-fighting robots | |
Li et al. | A hierarchical motion planning for mobile manipulator | |
CN106625661B (zh) | 一种基于osg的自适应虚拟夹具的构造方法 | |
Pandey et al. | Multi-robot exploration with communication requirement to a moving base station | |
CN102289553B (zh) | 产品零部件的拆卸路径求解方法及装置 | |
Caihong et al. | A complete coverage path planning algorithm for mobile robot based on FSM and rolling window approach in unknown environment | |
CN116698066A (zh) | 基于邻域扩展和边界点改进A-star算法的机器人路径规划方法及系统 | |
CN105425830A (zh) | 一种空间机械臂的任务规划方法及系统 | |
Ruifang et al. | Application of improved dijkstra algorithm in two-dimensional path planning problem | |
Zhao et al. | Path planning in large-scale indoor environment using RRT | |
Zhao et al. | Improved ant colony optimization algorithm and its application for path planning of mobile robot in 3-D space |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170517 Termination date: 20190729 |
|
CF01 | Termination of patent right due to non-payment of annual fee |