CN107085437A - 一种基于eb‑rrt的无人机航迹规划方法 - Google Patents
一种基于eb‑rrt的无人机航迹规划方法 Download PDFInfo
- Publication number
- CN107085437A CN107085437A CN201710164643.3A CN201710164643A CN107085437A CN 107085437 A CN107085437 A CN 107085437A CN 201710164643 A CN201710164643 A CN 201710164643A CN 107085437 A CN107085437 A CN 107085437A
- Authority
- CN
- China
- Prior art keywords
- point
- new
- path
- node
- grid
- 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 44
- 230000004888 barrier function Effects 0.000 claims abstract description 34
- 238000003780 insertion Methods 0.000 claims abstract description 20
- 230000037431 insertion Effects 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000011282 treatment Methods 0.000 claims abstract description 4
- 230000001965 increasing effect Effects 0.000 claims description 5
- 230000001902 propagating effect Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000007306 turnover Effects 0.000 claims 1
- 238000013439 planning Methods 0.000 description 42
- 238000012959 renal replacement therapy Methods 0.000 description 14
- 230000033001 locomotion Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 230000012010 growth Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241000270295 Serpentes Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000032823 cell division Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011349 peptide receptor radionuclide therapy Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种基于EB‑RRT的无人机航迹规划方法,对地图环境进行栅格分区处理;产生一个随机点,寻找已有节点中距离随机点最近的节点xnearst;根据步长算出插入点xnew,若根节点到xnew的距离与xnew到终点的欧氏距离之和不大于当前最优路径的长度,对xnew点是否在障碍物内进行检测,若不通过,则收集xnearst周围环境信息,在其周围free区域内随机采样一个新的插入点xnew;将xnew插入树中,并在相应的栅格内遍历寻找xnew的附近节点集并对其附近节点的路径进行优化;对插入xnew点后的两棵树进行连接检测,若不能,则交换两棵树,继续采样随机点;若能,则说明已经找到可行路径,进行降采样处理、采用贝塞尔三次插值算法优化生成新的路径。本发明收敛速度较快、灵活性较好、运行效率较高、实用性良好。
Description
技术领域
本发明属于无人机运动规划领域,具体涉及一种无人机自主航迹 规划方法。
背景技术
航迹规划是无人机导航和机器人技术中的一个重要问题,其基本 定义为:给定一个初始状态和目标状态,寻找一个可行航迹使无人机 无碰撞的从初始状态运行到目标状态。航迹规划有广泛的应用场景: GPS导航、无人驾驶汽车、计算机动画、路由问题、制造行业的机械 臂运动和生活以及工业领域的很多方面。因此对航迹规划问题的研究 近年来成为一个研究热点。
无人机航迹规划算法根据其感知能力,可以分为局部航迹规划和 全局航迹规划,其中全局航迹规划就是在已知环境地图的情况下进行 规划,预先知道环境的全局信息;而局部航迹规划只需要获得机器人 感知范围内的环境信息,主要指障碍物信息,根据局部信息完成规划。 全局航迹规划算法很多,人工势场算法是典型的航迹规划算法(参照 文献1:KP Valavanis.Advance in unmanned aerial vehicles[M].State of art and road toautonomy,2007;即无人机的研究进展),算法在环境 中建立人工势场,障碍物和环境边界具有斥力,目标区域具有引力, 无人机根据所受力向目标区域靠近。势场法不需要进行复杂的计算, 只需要计算出环境的势场即可,然而势场法在复杂环境中容易使飞行 器陷入局部最小,并不适合在复杂环境以及狭窄的通道中进行规划。 针对势场法的不足,提出了Dubins曲线算法以及细胞分裂算法(参照 文献2:A De,J Caves.Human-automationcollaborative RRT for UAV mission path planning[M].Massachusetts Institute ofTechnology,2010; 即用于无人机路径规划的人工自动化协作RRT)和Delaunay三角算法(参照文献3:HH Triharminto.,AS Prabuwono.UAV Dynamic Path Planning forIntercepting of a Moving Target:A Review[J]. Communications in Computer andInformation Science,2013, 376:206-219;即用于拦截动态目标的无人机动态路径规划)等离散化 搜索空间的算法,通过对障碍物或者环境空间进行建模的方法寻找最 优航迹。同时也有人将进化计算如遗传算法(参照文献4:JH Holland. Adaptation in naturaland artificial systems[M].MIT Press,1992;即自然 和人工系统中的适应)、粒子群算法(参照文献5:Roberge V.,Tarbouchi M.,Labonte G.Comparison of Parallel GeneticAlgorithm and Particle Swarm Optimization for Real Time UAV Path Planning[J].IEEE Transactions on Industrial Informatics,2013,9(1):132-141;即平行遗传 算法和粒子群优化作用于实时无人机路径规划的比较)用于解决航迹 规划问题,利用算法的进化操作和迭代过程找到最优航迹。然而这类 算法的计算开销特别大,算法在复杂的环境以及高维数的环境中需要 大量的时间去计算,无法直接使用在无人机的航迹规划应用中。
基于采样的航迹规划算法已被证明可以高效地解决航迹规划问题, 概率路线图算法(PRM)(参照文献6:L Kavraki.,P Svestka.Probabilistic roadmaps for pathplanning in high-dimensional configuration spaces[J]. IEEE Transactions onRobotics&Automations,1996,12(4):566-580;即 高维空间中路径规划的概率路线图)和快速扩展随机数算法(RRT)(参 照文献7:SM Lavalle.,JJ Kuffner.RandomizedKinodynamic Planning[J]. IEEE International Conference on Robotics&Automation,1999, 1(5):473-479;即随机动力学规划)是目前主要的两种采样算法。PRM算法随机在空间生成采样点,并且对这些点进行连接,最后通过图搜 索算法找到初始状态到目标区域的航迹。与RPM算法相比,RRT算 法采用树结构描述碰撞检测的次数,且树的航迹搜索比图的航迹搜索 更容易实现。然而RRT算法的收敛率太低,即需要通过大量的迭代才 能找到最优航迹,并且随着迭代次数的上升,算法也需要大量的内存。 因此人们目前提出了很多针对RRT算法的变种算法以及改进算法。 Nik A将粒子滤波与RRT算法结合提出了PRRT算法(参照文献8: NA Melchior.,R Simmons.Particle RRT for Path Planningwith Uncertainty[J].IEEE International Conference on Robotics&Automation,2007,1617–1624;即具有不确定性的粒子RRT路径规划)用于局部 航迹规划、Stephen R将泰森多边形(Voronoi)引入树的生长中提高RRT 找到可行解的速度(参照文献9:LindemannS R,Lavalle S M. Incrementally reducing dispersion by increasing Voronoi biasin RRTs[C]// IEEE International Conference on Robotics and Automation,2004.Proceedings.ICRA.IEEE,2004:3251-3257Vol.4;即增加在RRTs的 Voronoi偏见逐步减少色散)。其中应用最广并且效果最好的是Sertac Karaman提出的RRT*算法(参照文献10:Jeon J H,Karaman S,Frazzoli E.Anytime computation of time-optimal off-roadvehicle maneuvers using the RRT[J].2011,413(1):3276-3282;即使用RRT随时计算最优越野车 机动)。RRT*算法在每次迭代后对新加入的节点及其邻近节点进行优 化,这一优化操作改善了算法的收敛率,保证了算法的渐近最优性, 从而使其广泛应用在航迹规划领域并衍生出一系列变种算法。A.H. Qureshi为了加快RRT*算法的收敛速度(参照文献11:AHQureshi.,S Mumtaz.,KF Iqbal.,Y Ayaz.Triangular geometry based optimal motionplanning using RRT*-motion planner[J].IEEE International Workshop on AdvancedMotion Control,2014,380-385;即基于RRT*三角几何的最佳 运动规划),在生成随机点的同时将随机点以及目标点和初始位置三个 点构成的三角形的内心作为新的随机点加入树中,使随机点一定程度 上偏向了目标点;M.Jordan提出了利用两棵树生长寻找航迹的方法提 高了算法的收敛率(参照文献12:M Jordan.,A Perez.Optimal BidirectionalRapidly-Exploring Random Trees[R]. MIT-CSAIL-TR-2013-021,2013;即最有双向快速扩展随机生成树);X Zhang等人提出了基于自学习策略和混合偏差抽样方案以提高规划效率(参照文献13:Zhang X,Lütteke F,Ziegler C,et al.Self-learning RRT* Algorithmfor Mobile Robot Motion Planning in Complex Environments[M]//IntelligentAutonomous Systems 13.2016:57-69;即在 复杂环境中的移动机器人运动规划自学习RRT*算法);K Baizid等人 在安全性优化,提出RRS(Rapidly-Exploring Random Snakes)(参照 文献14:Baizid K,Chellali R,Luza R,et al.RRS:Rapidly-Exploring RandomSnakes a New Method for Mobile Robot Path Planning[M]// IntelligentAutonomous Systems 13.Springer International Publishing, 2014:291-305;即RRS:基于快速扩展随机生成的移动机器人蛇形路 径规划的新方法);在此基础上,人们通过对这些算法的优化来解决实 际问题。J Xiong等人基于RRT解决分段装配路径规划任务(参照文 献15:Xiong J,Hu Y,Wu B,et al.Minimum-cost rapid-growing random trees forsegmented assembly path planning[J].The International Journal of AdvancedManufacturing Technology,2015,77(5):1043-1055;即面向 分段装配路径鬼的最小代价快速增长随机树);K Yang等人采用有效 的样条曲线参数化来代替系统动力学的数值积分,保证路径曲率的连 续性(参照文献16:Yang K.An efficient Spline-based RRT pathplanner for non-holonomic robots in cluttered environments[C]//InternationalConference on Unmanned Aircraft Systems.2013:288-297;即一种高效 的基于样条的RRT路径规划,适用于混乱环境中的非完整机器人)。 这些改进算法在实现无人机的航迹规划时,仍然存在以下问题:
(1)算法的收敛速度还有很大的提升空间;
(2)算法的节点在障碍物附近地生长不具有灵活性;
(3)算法寻找附近节点集需要进行大量的遍历操作,因此算法的运 行时间较长;
(4)由于算法的航迹由树节点连接生成,最后生成的航迹不够平 滑,难以满足无人机实际应用。
发明内容
为了克服现有的无人机航迹规划方法的收敛速度较慢、灵活性较 差、运行效率较低、实用性较差的不足,本发明提供一种收敛速度较 快、灵活性较好、运行效率较高、实用性良好的基于EB-RRT的无人 机航迹规划方法。
为了解决上述技术问题本发明提供如下技术方案:
一种基于EB-RRT的无人机航迹规划方法,包括以下步骤:
Step1:导入环境信息,并对地图环境进行栅格分区处理,为后续 寻找附近节点集做准备;
Step2:产生一个随机点xrand,寻找已有节点中距离随机点最近 的节点xnearst;
Step3:根据步长算出插入点xnew,若根节点到xnew的距离与xnew到终点的欧氏距离之和大于当前最优路径的长度,则跳过本次迭代; 否则,进入Step4;
Step4:对xnew点是否在障碍物内进行检测,若不通过,则收集 xnearst周围环境信息,在其周围free区域内随机采样一个新的插入点 xnew;
Step5:将xnew插入树中,并在相应的栅格内遍历寻找xnew的附近 节点集并对其附近节点的路径进行优化;
Step6:对插入xnew点后的两棵树进行连接检测,若不能,则交换 两棵树,继续采样随机点;若能,则说明已经找到可行路径,对其路 径点集进行降采样处理,再采用贝塞尔三次插值算法优化生成新的路 径。
进一步,所述Step4中,在原xnew处于障碍物范围内时,在节点 xnearst将周围环境划分为9个区域,分别标记为1、2、3、4、5、6、 7、8、9,自身所在点为区域5,通过函数AddInform对其他8个区域 进行信息收集,区分为障碍区和非障碍区,函数ChooseDirection在剩 余的6个非障碍区内随机取一点作为新xnew,再对xnearst和xnew之间 进行障碍检测
再进一步,所述Step1中,每次插入一个新的节点xnew后,需要 通过函数NearNodes寻找一个与其欧式距离小于γ的点集V1∈V,再对 该点集中的所有点判断是否需要进行航迹修正;
每次寻找点集,都需要对生长树T中的所有旧节点进行遍历,对 二维地图进行简单的栅格划分,由细胞分解算法将整个地图空间分为 障碍区和非障碍区,将宽为W,高为H的地图空间划分为m*n个宽为 Wgrid,高为Hgrid的区域,其中
Wgrid=W/m
Hgrid=H/n
在插入新节点xnew后,只需要遍历xnew所在区域以及其周围8个 区域内的所有旧节点;为了保证距离其欧式距离小于γ的所有点均在 这9个区域内,须满足
min{Wgrid,Hgrid}>max(γ)
又因为
γ=k(logn/n)1/d
所以
γ≤k(log2/2)1/d
只需要满足
Wgrid≥k(log2/2)1/d
Hgrid≥k(log2/2)1/d
将Wgrid,Hgrid设较大值,使得m和n为整数值。
更进一步,所述Step6中,对初始轨迹点的遍历以确定是否存在 点xi,使得其与起点或者终点相连能够通过障碍检测来判断是否删除 多余轨迹点,降采样的处理过程如下:
6.1:遍历路径点,若xi能够与起点相连,并且不产生碰撞,则删 除起点到xi之间的路径点;若xi能够与终点相连,并且不产生碰撞, 则删除xi到终点之间的路径点;
6.2:对间隔span的两点进行相连并进行碰撞检测,若通过碰撞 检测,则删除该两点间的路径点;若未通过,则检测下一组间隔span 的两点;
6.3:若遍历一次没有删除路径点,则令span自增1,直到span 值大小与剩余路径点个数相同。
所述Step6中,选取在转折点处三阶贝塞尔曲线两个端点和两个 控制点的过程,xi为某一转折点,线段 再根据三次贝塞尔曲线方程
B(t)=P0(1-t)3+3P1t(1-t)2+3P2t2(1-t)+P3t3
其中,0<t<1;
计算出曲线上点,即生成曲线。
本发明的基于EB-RRT的无人机航迹规划方法,提出了一种 EB-RRT(Efficient B-RRT*)算法,提出自我避障提高算法收敛速度 并减少内存占用;采用栅格分区的方法缩短附近节点的遍历时间;最 后利用合理的降采样和三次贝塞尔插值算法对折点进行光滑化的处理, 使算法最终生成相对平滑的航迹,为无人机实际飞行提供可行航迹规 划方法,最后通过相关实验验证了算法的有效性,并与其他算法比较 验证EB-RRT的性能。
附图说明
图1是一种基于EB-RRT的无人机航迹规划方法的流程图。
图2是MB-RRT*(a)和EB-RRT(b)在障碍附近的生长情况示 意图,其中,(a)表示MB-RRT*算法,(b)表示EB-RRT算法。
图3是栅格分区的示意图。
图4是MB-RRT*和EB-RRT降采样效果图,其中,(a)表示MB-RRT*算法,(b)表示EB-RRT算法。
图5是曲线取点拟合过程示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
下面结合附图对本发明做进一步说明。
参照图1,一种基于EB-RRT的无人机航迹规划方法,包括以下 步骤:
Step1:导入环境信息,并对地图环境进行栅格分区处理,为后续 寻找附近节点集做准备。
Step2:产生一个随机点xrand,寻找已有节点中距离随机点最近 的节点xnearst。
Step3:根据步长算出插入点xnew。若根节点到xnew的距离与xnew到终点的欧氏距离之和大于当前最优路径的长度,则跳过本次迭代; 否则,进入Step4。
Step4:对xnew点是否在障碍物内进行检测,若不通过,则收集 xnearst周围环境信息,在其周围free区域内随机采样一个新的插入点 xnew。
Step5:将xnew插入树中,并在相应的栅格内遍历寻找xnew的附近 节点集并对其附近节点的路径进行优化。
Step6:对插入xnew点后的两棵树进行连接检测,若不能,则交换 两棵树,继续采样随机点;若能,则说明已经找到可行路径,对其路 径点集进行降采样处理,再采用贝塞尔三次插值算法优化生成新的路 径。
自我避障:MB-RRT*以及传统的B-RRT*等算法首先通过Sample 函数产生一个随机点xrand后,再通过NearstNode寻找树T旧节点中 距离xrand最近的节点xnearst,以矢量为方向生长。
虽然MB-RRT*采用自适应步长的方法使得在障碍物附近生长的 步长保持在范围μMin<μ<μMax,但若xrand在障碍物周围μMin范围内, 则仍然会导致生成的新节点xnew进入障碍物范围而被舍弃,使该次迭 代未插入新的节点。这种情况在狭长通道以及障碍物比较密集的空间 下发生的概率较高。
本发明提出的EB-RRT算法采用的自我避障方法能够避免这种不 必要的迭代次数的发生,使生长树每次都能探索新的空间,增大两棵 树连接的可能性,提高算法找到可行路径的效率。
图2-a为MB-RRT*的自适应步长的生长方法,可以看到在距离障 碍物的长度小于最短步长μMin时,仍然会导致新节点xnew处于障碍物 范围内而被舍弃。图2-b为EB-RRT采用自我避障方法,在原xnew处 于障碍物范围内时,在节点xnearst将周围环境划分为9个区域,分别 标记为1、2、3、4、5、6、7、8、9,自身所在点为区域5,通过函数 AddInform对其他8个区域进行信息收集,区分为障碍区和非障碍区, 图中2、3为障碍区,1、4、6、7、8、9为非障碍区,函数ChooseDirection 在剩余的6个非障碍区内随机取一点作为新xnew,再对xnearst和xnew之间进行障碍检测,防止在A区域内点作为新xnew。
采用了自我避障方法后的EB-RRT算法和引入自适应步长方法的 MB-RRT*算法相比,扩大了障碍物周围的探索范围,增强了避障的能 力,因此有效地减少找到初次可行路径的迭代次数和运行时间。
栅格分区:继承了RRT*概率完备性的B-RRT*和MB-RRT*算法 在双向树生长过程中,每次插入一个新的节点xnew后,需要通过函数NearNodes寻找一个与其欧式距离小于γ的点集V1∈V,再对该点集中 的所有点判断是否需要进行航迹修正。在这一过程中,每次寻找点集, 都需要对生长树T中的所有旧节点进行遍历。然而,随着搜索范围的 扩大,插入的节点也不断增多,遍历的时间也会呈线性增长。
针对这个问题,EB-RRT引入的栅格分区方法能够在保留概率完 备性的基础上极大地缩短遍历时间,以此来提高算法的运行效率。
为了减少加载地图信息后初始化需要的准备时间,只对二维地图 进行简单的栅格划分,不考虑障碍信息,由Ahmad Abbadi和Vaclav Prenosil提出的细胞分解算法(Celldecomposition algorithms)(参照文 献17:Abbadi A,Prenosil V.Collided PathReplanning in Dynamic Environments Using RRT and Cell DecompositionAlgorithms[M]// Modelling and Simulation for Autonomous Systems.SpringerInternational Publishing,2015:131-143;即基于RRT和细胞分裂算法在 动态环境中的碰撞路径重规划)可将整个地图空间分为障碍区和非障 碍区。图3将宽为W,高为H的地图空间划分为m*n个宽为Wgrid,高 为Hgrid的区域,其中
Wgrid=W/m
Hgrid=H/n
在插入新节点xnew后,只需要遍历xnew所在区域以及其周围8个 区域内的所有旧节点即可。为了保证距离其欧式距离小于γ的所有点 均在这9个区域内,须满足
min{Wgrid,Hgrid}>max(γ)
又因为
γ=k(logn/n)1/d
所以
γ≤k(log2/2)1/d
只需要满足
Wgrid≥k(log2/2)1/d
Hgrid≥k(log2/2)1/d
实际中为了考虑内存的开销以及便于操作,可以将Wgrid,Hgrid设 较大值,使得m,n恰好为整数值。
折点光滑:MB-RRT*算法在对最后生成的最优航迹轨迹点进行降 采样的过程虽然能够使最后的轨迹点尽量少,但是存在图4-a的这种 情况,图中黑色部分为障碍区,蓝色部分为xstart和以其为根节点的起 点生长树Tstart,绿色部分为xgoal和以其为根节点的终点生长树Tgoal, 红色部分为当前最优解的初始轨迹,灰色折线为降采样后的轨迹。通 过图4-a和图4-b的对比可以看到,在被删除的轨迹点中存在一点xi, 其与终点xgoal相连且能够通过碰撞检测,而不需要经过xi+1,…,xgoal-1, 且图4-b中的最终轨迹远小于图4-a中的航迹。
因此,EB-RRT算法采用的降采样算法可以在减少轨迹点的基础 上,适当缩减初始轨迹长度,达到优化效果。EB-RRT采用的降采样 算法是在MB-RRT*的基础上增加了对初始轨迹点的遍历以确定是否 存在点xi,使得其与起点或者终点相连能够通过障碍检测来判断是否 删除多余轨迹点。所述降采样算法的处理过程如下:
6.1:遍历路径点,若xi能够与起点相连,并且不产生碰撞,则删 除起点到xi之间的路径点;若xi能够与终点相连,并且不产生碰撞, 则删除xi到终点之间的路径点;
6.2:对间隔span的两点进行相连并进行碰撞检测,若通过碰撞 检测,则删除该两点间的路径点;若未通过,则检测下一组间隔span 的两点;
6.3:若遍历一次没有删除路径点,则令span自增1,直到span 值大小与剩余路径点个数相同。
为了使经过降采样后的折线轨迹在转折点处变得光滑,EB-RRT采 用不同于MB-RRT*算法中选取控制点的方式用贝塞尔曲线拟合。图5 为在转折点处三阶贝塞尔曲线两个端点和两个控制点的选取过程,蓝 色曲线为最后拟合出来的三阶贝塞尔曲线。其中,xi为某一转折点, 线段再根据三次贝塞尔曲线方程
B(t)=P0(1-t)3+3P1t(1-t)2+3P2t2(1-t)+P3t3
其中,0<t<1;
计算出曲线上点,即生成曲线。
可见,d越大,该转折点处路径长度就越小,同时又要满足路径 的可行性,所以只需要线段通过碰撞检测,那么生成的曲线也不 会碰到障碍物,保证了轨迹的安全性和可行性。
本发明的基于EB-RRT的无人机航迹规划方法,提出了一种 EB-RRT(Efficient B-RRT*)算法,提出自我避障提高算法收敛速度 并减少内存占用;采用栅格分区的方法缩短附近节点的遍历时间;最 后利用合理的降采样和三次贝塞尔插值算法对折点进行光滑化的处理, 使算法最终生成相对平滑的航迹,为无人机实际飞行提供可行航迹规 划方法,最后通过相关实验验证了算法的有效性,并与其他算法比较 验证EB-RRT的性能。
Claims (5)
1.一种基于EB-RRT的无人机航迹规划方法,其特征在于:包括以下步骤:
Step1:导入环境信息,并对地图环境进行栅格分区处理,为后续寻找附近节点集做准备;
Step2:产生一个随机点xrand,寻找已有节点中距离随机点最近的节点xnearst;
Step3:根据步长算出插入点xnew,若根节点到xnew的距离与xnew到终点的欧氏距离之和大于当前最优路径的长度,则跳过本次迭代;否则,进入Step4;
Step4:对xnew点是否在障碍物内进行检测,若不通过,则收集xnearst周围环境信息,在其周围free区域内随机采样一个新的插入点xnew;
Step5:将xnew插入树中,并在相应的栅格内遍历寻找xnew的附近节点集并对其附近节点的路径进行优化;
Step6:对插入xnew点后的两棵树进行连接检测,若不能,则交换两棵树,继续采样随机点;若能,则说明已经找到可行路径,对其路径点集进行降采样处理,再采用贝塞尔三次插值算法优化生成新的路径。
2.如权利要求1所述的一种基于EB-RRT的无人机航迹规划方法,其特征在于:所述Step4中,在原xnew处于障碍物范围内时,在节点xnearst将周围环境划分为9个区域,分别标记为1、2、3、4、5、6、7、8、9,自身所在点为区域5,通过函数AddInform对其他8个区域进行信息收集,区分为障碍区和非障碍区,函数ChooseDirection在剩余的6个非障碍区内随机取一点作为新xnew,再对xnearst和xnew之间进行障碍检测。
3.如权利要求1或2所述的一种基于EB-RRT的无人机航迹规划方法,其特征在于:所述Step1中,每次插入一个新的节点xnew后,需要通过函数NearNodes寻找一个与其欧式距离小于γ的点集V1∈V,再对该点集中的所有点判断是否需要进行航迹修正;
每次寻找点集,都需要对生长树T中的所有旧节点进行遍历,对二维地图进行简单的栅格划分,由细胞分解算法将整个地图空间分为障碍区和非障碍区,将宽为W,高为H的地图空间划分为m*n个宽为Wgrid,高为Hgrid的区域,其中
Wgrid=W/m
Hgrid=H/n
在插入新节点xnew后,只需要遍历xnew所在区域以及其周围8个区域内的所有旧节点;为了保证距离其欧式距离小于γ的所有点均在这9个区域内,须满足
min{Wgrid,Hgrid}>max(γ)
又因为
γ=k(log n/n)1/d
所以
γ≤k(log2/2)1/d
只需要满足
Wgrid≥k(log2/2)1/d
Hgrid≥k(log2/2)1/d
将Wgrid,Hgrid设较大值,使得m和n为整数值。
4.如权利要求1或2所述的一种基于EB-RRT的无人机航迹规划方法,其特征在于:所述Step6中,对初始轨迹点的遍历以确定是否存在点xi,使得其与起点或者终点相连能够通过障碍检测来判断是否删除多余轨迹点,降采样的处理过程如下:
6.1:遍历路径点,若xi能够与起点相连,并且不产生碰撞,则删除起点到xi之间的路径点;若xi能够与终点相连,并且不产生碰撞,则删除xi到终点之间的路径点;
6.2:对间隔span的两点进行相连并进行碰撞检测,若通过碰撞检测,则删除该两点间的路径点;若未通过,则检测下一组间隔span的两点;
6.3:若遍历一次没有删除路径点,则令span自增1,直到span值大小与剩余路径点个数相同。
5.如权利要求4所述的一种基于EB-RRT的无人机航迹规划方法,其特征在于:所述Step6中,选取在转折点处三阶贝塞尔曲线两个端点和两个控制点的过程,xi为某一转折点,线段 再根据三次贝塞尔曲线方程:
B(t)=P0(1-t)3+3P1t(1-t)2+3P2t2(1-t)+P3t3
其中,0<t<1;
计算出曲线上点,即生成曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710164643.3A CN107085437A (zh) | 2017-03-20 | 2017-03-20 | 一种基于eb‑rrt的无人机航迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710164643.3A CN107085437A (zh) | 2017-03-20 | 2017-03-20 | 一种基于eb‑rrt的无人机航迹规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107085437A true CN107085437A (zh) | 2017-08-22 |
Family
ID=59614166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710164643.3A Pending CN107085437A (zh) | 2017-03-20 | 2017-03-20 | 一种基于eb‑rrt的无人机航迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107085437A (zh) |
Cited By (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107677275A (zh) * | 2017-09-15 | 2018-02-09 | 北京航空航天大学 | 一种混合空域异质飞行器路径规划方法及装置 |
CN108196536A (zh) * | 2017-12-21 | 2018-06-22 | 同济大学 | 一种改进的无人车快速搜索随机树路径规划方法 |
CN108417264A (zh) * | 2018-02-24 | 2018-08-17 | 潘湘斌 | 一种远程监护急救系统 |
CN108507575A (zh) * | 2018-03-20 | 2018-09-07 | 华南理工大学 | 一种基于rrt算法的无人船海面路径规划方法及系统 |
CN108519773A (zh) * | 2018-03-07 | 2018-09-11 | 西安交通大学 | 一种结构化环境下无人驾驶车辆的路径规划方法 |
CN108563237A (zh) * | 2018-03-30 | 2018-09-21 | 北京润科通用技术有限公司 | 一种协同避障方法及装置 |
CN108663050A (zh) * | 2018-02-10 | 2018-10-16 | 浙江工业大学 | 一种基于模拟植物生长引导rrt算法的路径规划方法 |
CN108776492A (zh) * | 2018-06-27 | 2018-11-09 | 电子科技大学 | 一种基于双目相机的四轴飞行器自主避障与导航方法 |
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 |
CN108983780A (zh) * | 2018-07-24 | 2018-12-11 | 武汉理工大学 | 一种基于改进rrt*算法的移动机器人路径规划方法 |
CN109376900A (zh) * | 2018-09-07 | 2019-02-22 | 北京航空航天大学青岛研究院 | 基于点云的无人机轨迹生成方法 |
CN109579854A (zh) * | 2019-02-01 | 2019-04-05 | 禾多科技(北京)有限公司 | 基于快速扩展随机树的无人车避障方法 |
CN109669459A (zh) * | 2018-12-28 | 2019-04-23 | 西北工业大学 | 一种采用不变集的动态反馈路径规划方法 |
CN109798899A (zh) * | 2019-01-30 | 2019-05-24 | 广东工业大学 | 一种面向海底未知地形搜索的树扩散启发式路径规划方法 |
CN109855622A (zh) * | 2019-01-07 | 2019-06-07 | 上海岚豹智能科技有限公司 | 用于移动机器人的路径搜索方法及设备 |
CN109871021A (zh) * | 2019-03-18 | 2019-06-11 | 安徽大学 | 一种基于粒子群优化算法的机器人导航方法 |
CN110045732A (zh) * | 2019-03-28 | 2019-07-23 | 暨南大学 | 一种启发式路径规划方法 |
CN110320932A (zh) * | 2019-06-21 | 2019-10-11 | 西安电子科技大学 | 一种基于微分进化算法的编队队形重构方法 |
CN110347151A (zh) * | 2019-05-31 | 2019-10-18 | 河南科技大学 | 一种融合Bezier优化遗传算法的机器人路径规划方法 |
CN110531770A (zh) * | 2019-08-30 | 2019-12-03 | 的卢技术有限公司 | 一种基于改进的rrt路径规划方法和系统 |
CN110609569A (zh) * | 2019-09-26 | 2019-12-24 | 温岭市非普电气有限公司 | 一种应用于电力杆塔的自主控制无人机精准巡检系统和方法 |
WO2020001629A1 (zh) * | 2018-06-29 | 2020-01-02 | 深圳市大疆创新科技有限公司 | 信息处理装置、飞行路径生成方法、程序以及记录介质 |
CN110705803A (zh) * | 2019-10-11 | 2020-01-17 | 福州大学 | 基于三角形内心引导rrt算法的路径规划方法 |
CN110764527A (zh) * | 2019-10-17 | 2020-02-07 | 南京航空航天大学 | 一种无人机无动力应急返场在线航迹规划方法 |
CN110986953A (zh) * | 2019-12-13 | 2020-04-10 | 深圳前海达闼云端智能科技有限公司 | 路径规划方法、机器人及计算机可读存储介质 |
CN111045456A (zh) * | 2018-10-12 | 2020-04-21 | 极光飞行科学公司 | 用于交通工具的轨迹规划器 |
CN111752306A (zh) * | 2020-08-14 | 2020-10-09 | 西北工业大学 | 一种基于快速扩展随机树的无人机航路规划方法 |
CN111880550A (zh) * | 2020-09-17 | 2020-11-03 | 广东铁甲软件系统有限公司 | 一种agv小车的平滑路径规划方法 |
CN111897362A (zh) * | 2020-08-06 | 2020-11-06 | 南京航空航天大学 | 一种复杂环境下的翼伞组合式航迹规划方法 |
CN112113557A (zh) * | 2020-07-29 | 2020-12-22 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于插值法的多无人机相对定位预测方法及装置 |
CN112711267A (zh) * | 2020-04-24 | 2021-04-27 | 江苏方天电力技术有限公司 | 基于rtk高精度定位与机器视觉融合的无人机自主巡检方法 |
CN113129328A (zh) * | 2021-04-22 | 2021-07-16 | 中国电子科技集团公司第二十九研究所 | 一种目标热点区域精细化分析方法 |
CN113296496A (zh) * | 2021-04-05 | 2021-08-24 | 青岛科技大学 | 基于多采样点的引力自适应步长双向rrt路径规划方法 |
CN113352319A (zh) * | 2021-05-08 | 2021-09-07 | 上海工程技术大学 | 基于改进快速扩展随机树的冗余机械臂避障轨迹规划方法 |
CN113641832A (zh) * | 2021-08-16 | 2021-11-12 | 中国科学院空天信息创新研究院 | 基于知识图谱面向多源离散数据的林火救援路径规划方法 |
CN113721622A (zh) * | 2021-08-31 | 2021-11-30 | 安徽工业大学 | 一种机器人路径规划方法 |
CN114137991A (zh) * | 2022-02-08 | 2022-03-04 | 河北工业大学 | 一种基于二阶贝塞尔曲线的机器人连续路径优化方法 |
CN114577217A (zh) * | 2022-05-05 | 2022-06-03 | 季华实验室 | 基于冯洛诺伊图的路径规划方法、装置、设备及存储介质 |
CN116784975A (zh) * | 2023-04-26 | 2023-09-22 | 安徽医科大学 | 基于改进Bi-RRT算法的柔性穿刺针路径规划方法 |
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 |
US20110035087A1 (en) * | 2009-08-10 | 2011-02-10 | Samsung Electronics Co., Ltd. | Method and apparatus to plan motion path of robot |
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 |
CN104597910A (zh) * | 2014-11-27 | 2015-05-06 | 中国人民解放军国防科学技术大学 | 一种基于瞬时碰撞点的无人机非协作式实时避障方法 |
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 |
-
2017
- 2017-03-20 CN CN201710164643.3A patent/CN107085437A/zh active Pending
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 |
US20110035087A1 (en) * | 2009-08-10 | 2011-02-10 | Samsung Electronics Co., Ltd. | Method and apparatus to plan motion path of robot |
CN104597910A (zh) * | 2014-11-27 | 2015-05-06 | 中国人民解放军国防科学技术大学 | 一种基于瞬时碰撞点的无人机非协作式实时避障方法 |
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 |
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 |
Non-Patent Citations (5)
Title |
---|
DASOL LEE 等: "Path Planner Based on Bidirectional Spline-RRT for Fixed-Wing UAVs", 《2016 INTERNATIONAL CONFERENCE ON UNMANNED AIRCRAFT SYSTEMS (ICUAS)》 * |
NA LIN 等: "An Adaptive RRT Based on Dynamic Step for UAV Path Planning*", 《JOURNAL OF INFORMATION & COMPUTATIONAL SCIENCE》 * |
潘广贞 等: "动态自适应快速扩展树航迹规划算法研究", 《微电子学与计算机》 * |
秦帆 等: "改进RRT无人机航迹规划算法", 《微电子学与计算机》 * |
陈晋音 等: "基于EB-RRT*的无人机航迹规划算法研究", 《HTTPS://WWW.IXUESHU.COM/DOCUMENT/3CE252476F57C2988323D9024FB876CC.HTML》 * |
Cited By (61)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN107677275A (zh) * | 2017-09-15 | 2018-02-09 | 北京航空航天大学 | 一种混合空域异质飞行器路径规划方法及装置 |
CN108196536A (zh) * | 2017-12-21 | 2018-06-22 | 同济大学 | 一种改进的无人车快速搜索随机树路径规划方法 |
CN108663050A (zh) * | 2018-02-10 | 2018-10-16 | 浙江工业大学 | 一种基于模拟植物生长引导rrt算法的路径规划方法 |
CN108417264A (zh) * | 2018-02-24 | 2018-08-17 | 潘湘斌 | 一种远程监护急救系统 |
CN108417264B (zh) * | 2018-02-24 | 2021-11-02 | 潘湘斌 | 一种远程监护急救系统 |
CN108519773A (zh) * | 2018-03-07 | 2018-09-11 | 西安交通大学 | 一种结构化环境下无人驾驶车辆的路径规划方法 |
CN108507575A (zh) * | 2018-03-20 | 2018-09-07 | 华南理工大学 | 一种基于rrt算法的无人船海面路径规划方法及系统 |
CN108563237A (zh) * | 2018-03-30 | 2018-09-21 | 北京润科通用技术有限公司 | 一种协同避障方法及装置 |
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 |
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 |
CN108776492A (zh) * | 2018-06-27 | 2018-11-09 | 电子科技大学 | 一种基于双目相机的四轴飞行器自主避障与导航方法 |
CN108776492B (zh) * | 2018-06-27 | 2021-01-26 | 电子科技大学 | 一种基于双目相机的四轴飞行器自主避障与导航方法 |
WO2020001629A1 (zh) * | 2018-06-29 | 2020-01-02 | 深圳市大疆创新科技有限公司 | 信息处理装置、飞行路径生成方法、程序以及记录介质 |
CN111226093A (zh) * | 2018-06-29 | 2020-06-02 | 深圳市大疆创新科技有限公司 | 信息处理装置、飞行路径生成方法、程序以及记录介质 |
CN108983780A (zh) * | 2018-07-24 | 2018-12-11 | 武汉理工大学 | 一种基于改进rrt*算法的移动机器人路径规划方法 |
CN109376900A (zh) * | 2018-09-07 | 2019-02-22 | 北京航空航天大学青岛研究院 | 基于点云的无人机轨迹生成方法 |
CN111045456B (zh) * | 2018-10-12 | 2024-03-22 | 极光飞行科学公司 | 用于交通工具的轨迹规划器 |
CN111045456A (zh) * | 2018-10-12 | 2020-04-21 | 极光飞行科学公司 | 用于交通工具的轨迹规划器 |
CN109669459A (zh) * | 2018-12-28 | 2019-04-23 | 西北工业大学 | 一种采用不变集的动态反馈路径规划方法 |
CN109855622B (zh) * | 2019-01-07 | 2021-06-11 | 上海岚豹智能科技有限公司 | 用于移动机器人的路径搜索方法及设备 |
CN109855622A (zh) * | 2019-01-07 | 2019-06-07 | 上海岚豹智能科技有限公司 | 用于移动机器人的路径搜索方法及设备 |
CN109798899A (zh) * | 2019-01-30 | 2019-05-24 | 广东工业大学 | 一种面向海底未知地形搜索的树扩散启发式路径规划方法 |
CN109579854A (zh) * | 2019-02-01 | 2019-04-05 | 禾多科技(北京)有限公司 | 基于快速扩展随机树的无人车避障方法 |
CN109871021B (zh) * | 2019-03-18 | 2022-04-15 | 安徽大学 | 一种基于粒子群优化算法的机器人导航方法 |
CN109871021A (zh) * | 2019-03-18 | 2019-06-11 | 安徽大学 | 一种基于粒子群优化算法的机器人导航方法 |
CN110045732A (zh) * | 2019-03-28 | 2019-07-23 | 暨南大学 | 一种启发式路径规划方法 |
CN110347151B (zh) * | 2019-05-31 | 2022-07-12 | 河南科技大学 | 一种融合Bezier优化遗传算法的机器人路径规划方法 |
CN110347151A (zh) * | 2019-05-31 | 2019-10-18 | 河南科技大学 | 一种融合Bezier优化遗传算法的机器人路径规划方法 |
CN110320932B (zh) * | 2019-06-21 | 2021-08-31 | 西安电子科技大学 | 一种基于微分进化算法的编队队形重构方法 |
CN110320932A (zh) * | 2019-06-21 | 2019-10-11 | 西安电子科技大学 | 一种基于微分进化算法的编队队形重构方法 |
CN110531770A (zh) * | 2019-08-30 | 2019-12-03 | 的卢技术有限公司 | 一种基于改进的rrt路径规划方法和系统 |
CN110609569A (zh) * | 2019-09-26 | 2019-12-24 | 温岭市非普电气有限公司 | 一种应用于电力杆塔的自主控制无人机精准巡检系统和方法 |
CN110705803A (zh) * | 2019-10-11 | 2020-01-17 | 福州大学 | 基于三角形内心引导rrt算法的路径规划方法 |
CN110705803B (zh) * | 2019-10-11 | 2022-06-21 | 福州大学 | 基于三角形内心引导rrt算法的路径规划方法 |
CN110764527A (zh) * | 2019-10-17 | 2020-02-07 | 南京航空航天大学 | 一种无人机无动力应急返场在线航迹规划方法 |
CN110986953B (zh) * | 2019-12-13 | 2022-12-06 | 达闼机器人股份有限公司 | 路径规划方法、机器人及计算机可读存储介质 |
CN110986953A (zh) * | 2019-12-13 | 2020-04-10 | 深圳前海达闼云端智能科技有限公司 | 路径规划方法、机器人及计算机可读存储介质 |
CN112711267A (zh) * | 2020-04-24 | 2021-04-27 | 江苏方天电力技术有限公司 | 基于rtk高精度定位与机器视觉融合的无人机自主巡检方法 |
CN112113557A (zh) * | 2020-07-29 | 2020-12-22 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于插值法的多无人机相对定位预测方法及装置 |
CN111897362B (zh) * | 2020-08-06 | 2021-07-13 | 南京航空航天大学 | 一种复杂环境下的翼伞组合式航迹规划方法 |
CN111897362A (zh) * | 2020-08-06 | 2020-11-06 | 南京航空航天大学 | 一种复杂环境下的翼伞组合式航迹规划方法 |
CN111752306A (zh) * | 2020-08-14 | 2020-10-09 | 西北工业大学 | 一种基于快速扩展随机树的无人机航路规划方法 |
CN111752306B (zh) * | 2020-08-14 | 2022-07-12 | 西北工业大学 | 一种基于快速扩展随机树的无人机航路规划方法 |
CN111880550A (zh) * | 2020-09-17 | 2020-11-03 | 广东铁甲软件系统有限公司 | 一种agv小车的平滑路径规划方法 |
CN111880550B (zh) * | 2020-09-17 | 2023-10-10 | 广东铁甲软件系统有限公司 | 一种agv小车的平滑路径规划方法 |
CN113296496B (zh) * | 2021-04-05 | 2023-06-02 | 青岛科技大学 | 基于多采样点的引力自适应步长双向rrt路径规划方法 |
CN113296496A (zh) * | 2021-04-05 | 2021-08-24 | 青岛科技大学 | 基于多采样点的引力自适应步长双向rrt路径规划方法 |
CN113129328A (zh) * | 2021-04-22 | 2021-07-16 | 中国电子科技集团公司第二十九研究所 | 一种目标热点区域精细化分析方法 |
CN113352319B (zh) * | 2021-05-08 | 2022-10-21 | 上海工程技术大学 | 基于改进快速扩展随机树的冗余机械臂避障轨迹规划方法 |
CN113352319A (zh) * | 2021-05-08 | 2021-09-07 | 上海工程技术大学 | 基于改进快速扩展随机树的冗余机械臂避障轨迹规划方法 |
CN113641832B (zh) * | 2021-08-16 | 2022-05-10 | 中国科学院空天信息创新研究院 | 基于知识图谱面向多源离散数据的林火救援路径规划方法 |
CN113641832A (zh) * | 2021-08-16 | 2021-11-12 | 中国科学院空天信息创新研究院 | 基于知识图谱面向多源离散数据的林火救援路径规划方法 |
CN113721622A (zh) * | 2021-08-31 | 2021-11-30 | 安徽工业大学 | 一种机器人路径规划方法 |
CN113721622B (zh) * | 2021-08-31 | 2024-02-23 | 安徽工业大学 | 一种机器人路径规划方法 |
CN114137991B (zh) * | 2022-02-08 | 2022-04-26 | 河北工业大学 | 一种基于二阶贝塞尔曲线的机器人连续路径优化方法 |
CN114137991A (zh) * | 2022-02-08 | 2022-03-04 | 河北工业大学 | 一种基于二阶贝塞尔曲线的机器人连续路径优化方法 |
CN114577217B (zh) * | 2022-05-05 | 2022-07-29 | 季华实验室 | 基于冯洛诺伊图的路径规划方法、装置、设备及存储介质 |
CN114577217A (zh) * | 2022-05-05 | 2022-06-03 | 季华实验室 | 基于冯洛诺伊图的路径规划方法、装置、设备及存储介质 |
CN116784975A (zh) * | 2023-04-26 | 2023-09-22 | 安徽医科大学 | 基于改进Bi-RRT算法的柔性穿刺针路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107085437A (zh) | 一种基于eb‑rrt的无人机航迹规划方法 | |
CN107168305B (zh) | 路口场景下基于Bezier和VFH的无人车轨迹规划方法 | |
Geng et al. | Mission planning of autonomous UAVs for urban surveillance with evolutionary algorithms | |
Deng et al. | Multi-obstacle path planning and optimization for mobile robot | |
CN110967032B (zh) | 一种野外环境下无人车局部行驶路线实时规划方法 | |
CN109917817B (zh) | 多水下机器人协同路径规划方法 | |
CN114355981B (zh) | 一种四旋翼无人机自主探索建图的方法和系统 | |
Vemula et al. | Path planning in dynamic environments with adaptive dimensionality | |
CN109459052B (zh) | 一种扫地机全覆盖路径规划方法 | |
Fu et al. | On trajectory homotopy to explore and penetrate dynamically of multi-UAV | |
Jeauneau et al. | Path planner methods for UAVs in real environment | |
Niedoba et al. | Improving movement prediction of traffic actors using off-road loss and bias mitigation | |
CN112539750A (zh) | 一种智能运输车路径规划方法 | |
Sangeetha et al. | An intelligent gain-based ant colony optimisation method for path planning of unmanned ground vehicles | |
CN111879307A (zh) | 一种基于车身参数及工程建设信息的车辆路径规划方法 | |
Tanzmeister et al. | Path planning on grid maps with unknown goal poses | |
CN114839968A (zh) | 一种水面无人艇路径规划方法 | |
CN110411454B (zh) | 一种改进随机路径图法的移动机器人路径规划方法 | |
Wu et al. | Real-time three-dimensional smooth path planning for unmanned aerial vehicles in completely unknown cluttered environments | |
Zeng et al. | Path planning for rendezvous of multiple AUVs operating in a variable ocean | |
Ortiz-Arroyo | A hybrid 3D path planning method for UAVs | |
Economou et al. | UAV optimum energy assignment using Dijkstra's Algorithm | |
Seegmiller et al. | The Maverick planner: An efficient hierarchical planner for autonomous vehicles in unstructured environments | |
Cocaud et al. | Environment mapping using probabilistic quadtree for the guidance and control of autonomous mobile robots | |
Wang et al. | UAV online path planning based on improved genetic algorithm with optimized search region |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170822 |
|
RJ01 | Rejection of invention patent application after publication |