CN107885209B - 一种基于动态窗口与虚拟目标点的避障方法 - Google Patents
一种基于动态窗口与虚拟目标点的避障方法 Download PDFInfo
- Publication number
- CN107885209B CN107885209B CN201711112522.0A CN201711112522A CN107885209B CN 107885209 B CN107885209 B CN 107885209B CN 201711112522 A CN201711112522 A CN 201711112522A CN 107885209 B CN107885209 B CN 107885209B
- Authority
- CN
- China
- Prior art keywords
- robot
- target point
- obstacle
- virtual target
- dynamic window
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims description 6
- SMZOUWXMTYCWNB-UHFFFAOYSA-N 2-(2-methoxy-5-methylphenyl)ethanamine Chemical compound COC1=CC=C(C)C=C1CCN SMZOUWXMTYCWNB-UHFFFAOYSA-N 0.000 claims description 3
- NIXOWILDQLNWCW-UHFFFAOYSA-N 2-Propenoic acid Natural products OC(=O)C=C NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
Abstract
基于动态窗口与虚拟目标点的避障方法,利用虚拟目标点以引导机器人前进,结合动态窗口下达机器人的运动指令,使机器人避开障碍物到达目标点。首先,机器人根据其传感器上反馈的有关障碍物的角度与距离信息预测障碍物的运动轨迹;然后根据对障碍物的轨迹预测,结合机器人的运动状态与真实目标点的位置,生成多个虚拟目标点,并通过评价函数综合考虑机器人的朝向和虚拟目标点与真实目标点的距离,筛选出最优的虚拟目标;最后机器人根据对障碍物的轨迹预测与虚拟目标点的位置,通过动态窗口法生成机器人下一时刻的控制指令集,并通过评价函数综合考虑机器人的朝向、运行速度与其和目标点的距离,筛选出机器人下一时刻最优的控制指令。
Description
技术领域
本发明涉及动态未知环境中机器人的避障方法,针对机器人运动过程中检测到的障碍物,本发明设计的避障算法通过预测障碍物的运动轨迹,生成虚拟目标点以引导机器人前进,结合动态窗口下达机器人的运动指令,使机器人避开障碍物到达目标点。
背景技术
随着机器人技术的发展,越来越多的移动机器人应用于生产生活中,例如医疗服务机器人,家庭服务机器人等。移动机器人完成运送物品的任务,需要具备感知环境,路径规划,运动控制等功能。除此之外,移动机器人还需要应对运动过程中出现的障碍物,感知并且避开它们,保证机器人能够安全运行。
避障算法主要分为静态避障算法和动态避障算法。静态避障算法针对已知的环境信息,规划出无碰撞的路径。动态避障算法针对未知的环境,控制移动机器人向目标点运动同时避开动态障碍物。张海燕提出一种移动机器人路径规划和避障方法及系统,利用已知障碍物环境信息建立二维栅格地图,并在所述二维栅格地图中,采用跳点搜索算法确定所述起点到所述终点之间的最短路径(张海燕.移动机器人路径规划和避障方法及系统[P].广东: CN105955280A,2016-09-21.)。但是,全局路径规划算法难以适应环境的变化,可能出现碰撞的问题。费浚纯提出使用人工势场法,为未知室内环境中智能移动机器人的实时避障提供了一种适应性强、实时性好、路径较为平滑的解决方案(费浚纯.一种基于人工势场法的机器人避碰路径规划方法[P].黑龙江:CN104317291A,2015-01-28.)。但是使用人工势场法容易使机器人在障碍物密集的区域内产生局部震荡。Farah Kamil等提出一种避障算法,使机器人能在障碍物的位置、形状与运动状态未知的环境中安全工作(F.Kamil,T.S.Hong,W.Khaksar, M.Y.Moghrabiah,N.Zulkifli,S.A.Ahmad.New Robot NavigationAlgorithm for Arbitrary Unknown Dynamic Environments based on FuturePrediction and Priority Behavior.Expert Systems with Applications%@0957-4174.(2017).),然而该方法只在仿真环境中进行了测试且没有考虑机器人的运动学特性。
发明内容
本发明克服现有方法上的缺点,提出一种基于动态窗口与虚拟目标点的避障方法。
本发明通过对障碍物运动轨迹的预测,利用虚拟目标点以引导机器人前进,结合动态窗口下达机器人的运动指令,使机器人避开障碍物到达目标点。首先,机器人根据其传感器上反馈的有关障碍物的角度与距离信息预测障碍物的运动轨迹;然后根据对障碍物的轨迹预测,结合机器人的运动状态与真实目标点的位置,生成多个虚拟目标点,并通过评价函数综合考虑机器人的朝向和虚拟目标点与真实目标点的距离,筛选出最优的虚拟目标;最后机器人根据对障碍物的轨迹预测与虚拟目标点的位置,通过动态窗口法生成机器人下一时刻的控制指令集,并通过评价函数综合考虑机器人的朝向、运行速度与其和目标点的距离,筛选出机器人下一时刻最优的控制指令。本发明采用的避障策略无需环境的先验信息,充分考虑了机器人的运动学特性,能够应对未知环境中的动态避障问题。
一种基于动态窗口与虚拟目标点的避障方法,具体步骤如下:
步骤1:预测障碍物运动
本发明通过利用机器人传感器上反馈的有关障碍物的距离与角度信息预测障碍物的运动。定义在t=ti时刻机器人的坐标为其前进方向与世界坐标系x轴的夹角为θ(ti);通过机器人的传感器反馈有关障碍的信息为[α(ti) d(ti)];机器人传感器的检测范围为rd。其中,i为正整数,表示机器人处于开始工作后的第i个工作周期;xr(ti)表示t=ti时刻机器人坐标中的横坐标;yr(ti)表示t=ti时刻机器人坐标中的纵坐标;α(ti)为t=ti时刻机器人的朝向与障碍物之间的角度;d(ti)为t=ti时刻机器人与障碍物的距离。记在t=ti时刻机器人的位置为O,障碍物的位置为A;在t=ti+1时刻机器人的位置为O′,障碍物的位置为 A′,障碍物运动矢量为
步骤2:生成虚拟目标点
G1(VGj)=α1heading1(VGj)+β1 dist1(VGj)(7),
其中,
表示机器人和第j个虚拟目标点VGj的连线与j个虚拟目标点VGj和真实目标点连线的角度;表示虚拟目标点与真实目标点之间的距离。α1与β1为评价函数G1(VGj)的两个可调参数。最终选择评价函数值最小的VGj作为最优的虚拟目标点。
步骤3:生成动态窗口
定义机器人的运动学参数为:其中,υmax与ωmax分别表示机器人的最大线速度与角速度;与表示机器人的最大线加速度与角加速度;accυ与accω表示机器人线速度与角速度的最小分辨率。定义机器人在t=ti时刻的速度为 [υr(ti) ωr(ti)],则在t=ti+1时刻下,机器人速度的动态窗口υd为:
其中,△t为相邻时刻间的时间间隔。动态窗口υd的评价函数G2(υ,ω)为:
G2(υ,ω)=α2heading2(υ,ω)+β2dist2(υ,ω)+γvelocity2(υ,ω)(11),
其中,
l为动态窗口υd中备选速度的个数;γk表示第k组来自动态窗口υd的速度下机器人的朝向角与其和目标点连线夹角的角度;ρk表示第k组来自动态窗口υd的速度下机器人与最近一个障碍物的距离;υr(ti)k表示第k组来自动态窗口υd的速度下机器人的速度值。α2,β2与γ为评价函数G2(υ,ω)的三个可调参数。最终选择评价函数值最大的速度[υr(ti+1)ωr(ti+1)]作为机器人在t=ti+1时刻的控制量。
在速度控制量[υr(ti+1) ωr(ti+1)]下,机器人位姿更新如下:
当ωr(ti+1)≠0:
当ωr(ti+1)=0:
步骤4:判断是否到达目标位置
定义机器人在t=ti+1时刻,机器人与目标点的距离为d:
其中,xg为目标点的横坐标,yg为目标点的纵坐标。定义dreach为机器人与目标点的最短距离,用于判断机器人是否到达目标位置:若d≤dreach,则机器人到达目标位置,结束本避障方法;若d>dreach,则机器人还未到目标位置,需要继续迭代步骤1、步骤2与步骤3,直至d≤dreach。
本发明的优点:本发明设计的避障方法通过对障碍物的运动预测,虚拟目标点的切换与动态窗口的设计,使机器人能在障碍物位置、形状与运动状态未知的前提下,安全高效地避开障碍物,到达指定目标。在避障效果方面,与传统的动态窗口方法相比,本发明设计的避障方法,不但能让机器人迅速地逃离凹形陷阱,而且能高效地避开动态障碍物;与传统的人工势场法相比,本发明设计的避障方法,不但能让机器人穿过狭小过道,而且不会引起局部震荡。在避障算法方面,本发明设计的避障方法,机器人的控制命令由动态窗口生成,相比于向量场直方图算法,充分考虑了机器人的运动学模型,控制的准确度得到了提高。同时,虚拟目标点的引入,充分地利用机器人传感器信息,避免其陷入局部最小,提升了机器人的工作效率。
附图说明
图1是本发明的方法流程图;
图2是本发明的障碍物运动预测图;
图3是本发明的虚拟目标点评价函数说明图;
图4是本发明的动态窗口评价函数说明图;
图5是本发明的避障仿真效果图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
本发明的一种基于动态窗口与虚拟目标点的避障方法,具体过程如图1所示,包括如下步骤:
机器人的初始位置[2 1.8],目标点的位置为[5 5.5],机器人的半径rr=0.3,障碍物的初始位置[2 2.5],障碍物的朝着x轴正方向运动且速度0.25m/s,如图5所示。
步骤1:如图2所示。定义在t=ti时刻机器人的坐标为其前进方向与世界坐标系x轴的夹角为θ(ti),通过机器人的传感器反馈有关障碍的信息为[α(ti)d(ti)]。记在t=ti时刻机器人的位置为O,障碍物的位置为A;在t=ti+1时刻机器人的位置为O′,障碍物的位置为A′,障碍物运动矢量为
定义在t=ti+k时刻下障碍物的坐标为obsA(ti+k),则:
步骤2:在t=ti时刻设置m=20个虚拟目标点,其中第j个虚拟目标点的坐标为:
虚拟目标点VGj的评价函数为G1(VGj),其两个可调参数设置为α1=3,β1=1,则:
G1(VGj)=3heading1(VGj)+dist1(VGj)(7),
其中,
步骤3:定义机器人的运动学参数为:其中,υmax=1m/s与ωmax=50degree/s分别表示机器人的最大线速度与角速度;与表示机器人的最大线加速度与角加速度;accυ=0.1m/s与 accω=2degree/s表示机器人线速度与角速度的最小分辨率。定义机器人在t=ti时刻下的速度为[υr(ti) ωr(ti)],相邻时刻间的时间间隔△t=0.1s,则在t=ti+1时刻,机器人速度的动态窗口υd为:
动态窗口Vd的评价函数G2(υ,ω)为,其三个可调参数α2=0.5,β2=2,γ=1,则:
G2(υ,ω)=0.5heading2(υ,ω)+2dist2(υ,ω)+velocity2(υ,ω) (11),
其中,
如图4所示:γk表示第k组来自动态窗口υd的速度下机器人的朝向角与其和目标点连线夹角的角度,ρk表示第k组来自动态窗口υd的速度下机器人与最近一个障碍物的距离,υr(ti)k表示第k组来自动态窗口υd的速度下机器人的速度值。最终选择评价函数值最大的速度值 [υr(ti+1) ωr(ti+1)]作为机器人在t=ti+1时刻的控制量。
在速度控制量[υr(ti+1) ωr(ti+1)]下,机器人位姿更新如下:
当ωr(ti+1)≠0:
当ωr(ti+1)=0:
步骤4:定义机器人在t=ti+1时刻,机器人与目标点[5 5.5]的距离为d:
定义dreach=0.1为机器人与目标点的最短距离,用于判断机器人是否到达目标位置:若d≤0.1,则机器人到达目标位置,结束本避障方法;若d>0.1,则机器人还未到目标位置,需要继续迭代步骤1、步骤2与步骤3,直至d≤0.1。通过不断的迭代控制,移动机器人最终能够避开障碍物到达目标点。其仿真的避障效果如图2所示。
从仿真的避障结果中可以看出,在障碍物位置、形状与运动状态未知的环境中,本发明的动态避障策略可以避开路径上的障碍物顺利到达目标点。
本发明通过计算相邻时刻机器人上传感器反馈的有关于障碍物的距离与角度信息,预测障碍物的运动轨迹。根据对障碍物运动轨迹的预测,生成虚拟目标以替代真实目标,使机器人能快速地逃离凹形陷阱。本发明在传统的动态窗口法基础上,加入了对于动态障碍物的轨迹预测,引入了虚拟目标,提高了机器人在动态环境中的工作效率。同时,本发明的避障策略不依赖环境的先验信息,能够适应未知环境中的避障问题。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (3)
1.一种基于动态窗口与虚拟目标点的避障方法,具体步骤如下:
步骤1:预测障碍物运动;
通过利用机器人传感器上反馈的有关障碍物的距离与角度信息预测障碍物的运动;定义在t=ti时刻机器人的坐标为其前进方向与世界坐标系x轴的夹角为θ(ti);通过机器人的传感器反馈有关障碍的信息为[α(ti) d(ti)];机器人传感器的检测范围为rd;其中,i为正整数,表示机器人处于开始工作后的第i个工作周期;xr(ti)表示t=ti时刻机器人坐标中的横坐标;yr(ti)表示t=ti时刻机器人坐标中的纵坐标;α(ti)为t=ti时刻机器人的朝向与障碍物之间的角度;d(ti)为t=ti时刻机器人与障碍物的距离;记在t=ti时刻机器人的位置为O,障碍物的位置为A;在t=ti+1时刻机器人的位置为O′,障碍物的位置为A′,障碍物运动矢量为
步骤2:生成虚拟目标点;
G1(VGj)=α1 heading1(VGj)+β1 dist1(VGj) (7),
其中表示机器人和第j个虚拟目标点VGj的连线与第j个虚拟目标点VGj和真实目标点连线的角度;表示虚拟目标点与真实目标点之间的距离;α1与β1为评价函数G1(VGj)的两个可调参数;最终选择评价函数值最小的VGj作为最优的虚拟目标点;
步骤3:生成动态窗口;
定义机器人的运动学参数为:其中,υmax与ωmax分别表示机器人的最大线速度与角速度;与表示机器人的最大线加速度与角加速度;accυ与accω表示机器人线速度与角速度的最小分辨率;定义机器人在t=ti时刻的速度为[υr(ti) ωr(ti)],则在t=ti+1时刻下,机器人速度的动态窗口υd为:
其中,△t为相邻时刻间的时间间隔;动态窗口υd的评价函数G2(υ,ω)为:
G2(υ,ω)=α2 heading2(υ,ω)+β2 dist2(υ,ω)+γvelocity2(υ,ω) (11),
其中,l为动态窗口υd中备选速度的个数;γk表示第k组来自动态窗口υd的速度下机器人的朝向角与其和目标点连线夹角的角度;ρk表示第k组来自动态窗口υd的速度下机器人与最近一个障碍物的距离;υr(ti)k表示第k组来自动态窗口υd的速度下机器人的速度值;α2,β2与γ为评价函数G2(υ,ω)的三个可调参数;最终选择评价函数值最大的速度[υr(ti+1) ωr(ti+1)]作为机器人在t=ti+1时刻的控制量;
在速度控制量[υr(ti+1) ωr(ti+1)]下,机器人位姿更新如下:
当ωr(ti+1)≠0:
当ωr(ti+1)=0:
步骤4:判断是否到达目标位置;
定义机器人在t=ti+1时刻,机器人与目标点的距离为d:
其中,xg为目标点的横坐标,yg为目标点的纵坐标;定义dreach判断机器人是否到达目标位置:若d≤dreach,则机器人到达目标位置,结束本避障方法;若d>dreach,则机器人还未到目标位置,需要继续迭代步骤1、步骤2与步骤3,直至d≤dreach。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711112522.0A CN107885209B (zh) | 2017-11-13 | 2017-11-13 | 一种基于动态窗口与虚拟目标点的避障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711112522.0A CN107885209B (zh) | 2017-11-13 | 2017-11-13 | 一种基于动态窗口与虚拟目标点的避障方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107885209A CN107885209A (zh) | 2018-04-06 |
CN107885209B true CN107885209B (zh) | 2020-08-21 |
Family
ID=61780156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711112522.0A Active CN107885209B (zh) | 2017-11-13 | 2017-11-13 | 一种基于动态窗口与虚拟目标点的避障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107885209B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829137A (zh) * | 2018-05-23 | 2018-11-16 | 中国科学院深圳先进技术研究院 | 一种机器人目标追踪的避障方法及装置 |
JP7070295B2 (ja) * | 2018-09-27 | 2022-05-18 | オムロン株式会社 | 制御装置 |
CN111103875B (zh) * | 2018-10-26 | 2021-12-03 | 科沃斯机器人股份有限公司 | 避让的方法、设备及存储介质 |
CN111381589A (zh) * | 2018-12-29 | 2020-07-07 | 沈阳新松机器人自动化股份有限公司 | 一种机器人路径规划方法 |
CN109634286B (zh) * | 2019-01-21 | 2021-06-25 | 傲基科技股份有限公司 | 割草机器人视觉避障方法、割草机器人和可读存储介质 |
CN109597418B (zh) * | 2019-02-27 | 2021-03-02 | 福州大学 | 基于独立虚拟中心点的机器人分散式协同避障方法 |
CN110125928B (zh) * | 2019-03-27 | 2021-04-06 | 浙江工业大学 | 一种基于前后帧进行特征匹配的双目惯导slam系统 |
CN110045737A (zh) * | 2019-04-28 | 2019-07-23 | 南京邮电大学 | 基于动态窗口法的仿人足球机器人的路径规划 |
CN110018689B (zh) * | 2019-05-15 | 2020-07-07 | 福州大学 | 一种基于动态窗口的多虚拟目标点全局动态路径规划算法 |
CN110262478B (zh) * | 2019-05-27 | 2022-04-19 | 浙江工业大学 | 基于改进人工势场法的人机安全避障路径规划方法 |
CN110083167A (zh) * | 2019-06-05 | 2019-08-02 | 浙江大华技术股份有限公司 | 一种移动机器人的路径跟踪方法及装置 |
CN112424635A (zh) * | 2019-11-05 | 2021-02-26 | 深圳市大疆创新科技有限公司 | 障碍物检测方法、系统、地面端设备及自主移动平台 |
CN111007848B (zh) * | 2019-12-03 | 2022-08-16 | 中国电子科技集团公司第二十八研究所 | 一种基于有界空间的多智能体协同作业控制方法 |
CN111258316B (zh) * | 2020-01-20 | 2022-12-09 | 浙江工业大学 | 一种动态环境下趋势感知的机器人轨迹规划方法 |
CN111665847A (zh) * | 2020-06-24 | 2020-09-15 | 上海应用技术大学 | 一种基于模糊逻辑的动态窗口避障算法 |
CN111857142B (zh) * | 2020-07-17 | 2022-08-02 | 广州大学 | 一种基于强化学习的路径规划避障辅助方法 |
CN111966125B (zh) * | 2020-08-18 | 2022-11-11 | 重庆交通大学 | 一种基于改进人工势场的无人机航迹避障重构方法 |
CN112462786B (zh) * | 2020-12-03 | 2024-01-19 | 大连海事大学 | 一种基于模糊控制策略双窗口算法的无人艇避碰方法 |
CN114740854A (zh) * | 2022-04-11 | 2022-07-12 | 北京京东乾石科技有限公司 | 一种机器人避障控制方法和装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5112666B2 (ja) * | 2006-09-11 | 2013-01-09 | 株式会社日立製作所 | 移動装置 |
CN100570523C (zh) * | 2008-08-18 | 2009-12-16 | 浙江大学 | 一种基于障碍物运动预测的移动机器人避障方法 |
JP5398489B2 (ja) * | 2009-11-20 | 2014-01-29 | 村田機械株式会社 | 自律移動体とその制御方法 |
CN104317291A (zh) * | 2014-09-16 | 2015-01-28 | 哈尔滨恒誉名翔科技有限公司 | 一种基于人工势场法的机器人避碰路径规划方法 |
CN104933228B (zh) * | 2015-05-27 | 2018-03-02 | 西安交通大学 | 基于速度障碍的无人车实时轨迹规划方法 |
CN105300390B (zh) * | 2015-10-30 | 2018-02-16 | 奇瑞汽车股份有限公司 | 障碍物体运动轨迹的确定方法及装置 |
CN105223956B (zh) * | 2015-11-09 | 2018-02-27 | 中山大学 | 一种全向移动机器人的动态避障方法 |
CN105955280A (zh) * | 2016-07-19 | 2016-09-21 | Tcl集团股份有限公司 | 移动机器人路径规划和避障方法及系统 |
CN106406359B (zh) * | 2016-08-30 | 2019-08-02 | 南京航空航天大学 | 一种基于虚拟目标的固定翼无人机跟踪地面目标制导方法 |
CN106406320B (zh) * | 2016-11-29 | 2019-08-20 | 重庆重智机器人研究院有限公司 | 机器人路径规划方法及规划路线的机器人 |
-
2017
- 2017-11-13 CN CN201711112522.0A patent/CN107885209B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107885209A (zh) | 2018-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107885209B (zh) | 一种基于动态窗口与虚拟目标点的避障方法 | |
CN107562048B (zh) | 一种基于激光雷达的动态避障控制方法 | |
CN110703762B (zh) | 一种复杂环境下水面无人艇混合路径规划方法 | |
CN109163728B (zh) | 一种动态环境避障方法、控制器及机器人 | |
Liu et al. | Towards search-based motion planning for micro aerial vehicles | |
WO2021174796A1 (zh) | 用于带电作业机器人抓取支线场景下的抓取姿态计算方法 | |
CN111913484B (zh) | 一种变电站巡检机器人在未知环境下的路径规划方法 | |
CN112506199B (zh) | 一种基于动态窗口法且适用于阿克曼模型机器人的局部路径规划方法 | |
CN109991934B (zh) | 一种时间最优的在线s型加减速规划方法 | |
CN110146087B (zh) | 一种基于动态规划思想的船舶路径规划方法 | |
Li et al. | A behavior-based mobile robot navigation method with deep reinforcement learning | |
Hou et al. | Simulation research for mobile robot path planning based on improved artificial potential field method recommended by the AsiaSim | |
CN112975939A (zh) | 一种协作型机械臂的动态轨迹规划方法 | |
Shaw et al. | Development of an AI-enabled AGV with robot manipulator | |
Zhang et al. | Research on AGV navigation simulation in printing wisdom factory | |
Son et al. | Formation coordination for the propagation of a group of mobile agents via self-mobile localization | |
Takiguchi et al. | Collision avoidance algorithm using deep learning type artificial intelligence for a mobile robot | |
Lin et al. | A method of multi-USV hunting based on extended kalman filter | |
Wang et al. | Research on intelligent obstacle avoidance control method for mobile robot in multi-barrier environment | |
Jasna et al. | Remodeled A* algorithm for mobile robot agents with obstacle positioning | |
CN110597271A (zh) | 一种基于分级速度障碍算法的移动机器人避障方法 | |
Supakar et al. | PSO obstacle avoidance algorithm for robot in unknown environment | |
Yan et al. | Obstacle Avoidance Based on 2D-Lidar in Unknown Environment | |
CN114549592B (zh) | 一种非合作抛体的轨迹预测与捕获方法和装置 | |
Xu et al. | Multi-agent formation control based on virtual forces |
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 |