CN108253984A - 一种基于改进a星算法的移动机器人路径规划方法 - Google Patents
一种基于改进a星算法的移动机器人路径规划方法 Download PDFInfo
- Publication number
- CN108253984A CN108253984A CN201711374451.1A CN201711374451A CN108253984A CN 108253984 A CN108253984 A CN 108253984A CN 201711374451 A CN201711374451 A CN 201711374451A CN 108253984 A CN108253984 A CN 108253984A
- Authority
- CN
- China
- Prior art keywords
- path
- planning
- node
- pdnext
- barrier
- 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 66
- 230000006872 improvement Effects 0.000 title description 4
- 230000004888 barrier function Effects 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000009499 grossing Methods 0.000 claims abstract description 20
- 239000000126 substance Substances 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
Abstract
本发明涉及一种基于改进A星算法的移动机器人路径规划方法,属于移动机器人路径规划领域。本发明首先在静态障碍物环境中进行全局路径预规划;然后就全局路径预规划的路径点进行二次平滑处理,得到预规划路径;最后采用人工势场法与在静态障碍物环境中进行全局路径预规划的方法在遇到动态障碍物时进行局部路径规划。本发明不再局限于栅格中点,在寻径过程中,连接当前节点与拓展节点,通过判断路径点连线与障碍物边线是否有交点检测障碍物。
Description
技术领域
本发明涉及一种基于改进A星算法的移动机器人路径规划方法,属于移动机器人路径规划领域。
背景技术
路径规划是移动机器人控制领域研究的一个重要方向,它是指依据某些指标在一个障碍物环境下搜寻一条从起点到目标点的最优或近似最优无碰撞路径。依据环境信息,大体上可将路径规划分为环境信息已知的全局路径规划和基于传感器感知的局部路径规划。其中,全局路径规划能处理障碍物的信息已知情况下的路径规划,当出现动态障碍物时,规划效果不理想;局部路径规划能够通过传感器反馈的信息规避环境中的动态障碍物。
A星算法是一种经典启发式搜索算法,适用环境已知的全局路径规划,它具备最优性、完备性和高效性,利用A星算法可以得到较好路径规划效果。但是由于A星算法的计算特点,规划出的路径点一般存在折线多、累计转折角度大等问题。
发明内容
本发明提供了一种基于改进A星算法的移动机器人路径规划方法,以用于通过全局路径规划与局部路径规划结合,完成移动机器人实时路径规划。
本发明的技术方案是:一种基于改进A星算法的移动机器人路径规划方法,首先在静态障碍物环境中进行全局路径预规划;然后就全局路径预规划的路径点进行二次平滑处理,得到预规划路径;最后采用人工势场法与在静态障碍物环境中进行全局路径预规划的方法在遇到动态障碍物时进行局部路径规划。
所述在静态障碍物环境中进行全局路径预规划具体为:
步骤S1.1、首先进行初始化:创建open list和close list,pen list和close list初始值均为空,open list用来保存已经生成但是未使用的节点,close list用来保存障碍物和已经使用的节点;将障碍物加入close list;将起点设为当前节点;
步骤S1.2、检测当前节点是否为目标点:如果是则根据父节点递推出路径,输出路径点;如果不是目标点则将当前节点的传统A星算法8个方向拓展节点加入open list,并将其与目标点方向步长为1个栅格的拓展节点加入open list;
步骤S1.3、判断open list是否为空:如果为空,标记没有路径,结束算法;如果openlist不为空,将计算出open list中总启发代价最小值点f(X)设为当前节点,将当前节点从open list移动到close list,记录其父节点,接着执行步骤s1.2,直到当前节点是目标点,输出路径点;
f(X)= g(X)+ h(X);
其中,X是当前节点,f(X)是当前节点的总启发代价;g(X)是起点到当前节点的实际路径代价,h(X)是当前节点到目标点的估计路径代价。
所述就全局路径预规划的路径点进行二次平滑处理具体为:
步骤2.1:从起点开始依次分析;将起点设为PCurrent;PCurrent下一节点设为PNext;PNext下一节点设为PDNext;执行Check(PCurrent,PDNext,barrier list)方法获得返回值,如果PCurrent和PDNext连线与障碍物边线相交,返回0,将PNext赋值给PCurrent,PDNext赋值给PNext,PDNext下一节点赋值给PDNext;如果PCurrent与PDNext连线不与障碍物边线相交,将PNext删除,将PDNext赋值给PNext,PDNext下一节点赋值给PDNext,如果PDNext不是目标点输出,执行Check(PCurrent,PDNext,barrier list)方法,直到PDNext为目标点,输出一次平滑路径;
步骤2.2:对步骤2.1的结果再采用步骤2.1的方法进行一次平滑处理,进一步消除冗余节点,输出二次平滑处理后预规划路径。
所述采用人工势场法与在静态障碍物环境中进行全局路径预规划的方法在遇到动态障碍物时进行局部路径规划具体为:
机器人在预规划路径上运动,如果检测到动态障碍物,采用人工势场法进行动态路径规划,得到动态规划路径;如果陷入局部极小值,采用在静态障碍物环境中进行全局路径预规划的方法跳出局部极小值,否则回到动态路径上没有障碍物的下一个节点;避开障碍物后,再回到预规划路径上没有障碍物的下一节点。
如果陷入局部极小值,表示在动态规划路径上检测到当前节点前一个节点与后一个节点之间的距离小于阀值。
采用在静态障碍物环境中进行全局路径预规划的方法跳出局部极小值,具体为:以局部极小值为当前节点,预规划路径中没有障碍物的下一节点为目标点,移动到搜素邻域中总启发代价最小值点从而脱离该极小值点。
本发明的有益效果是:
1.加入当前节点与目标点角度方向步长为1的拓展节点,如果当前节点与目标点距离小于1时,则视为直接到达,将目标点方向拓展节点为目标点;改进后的A星算法路径点不再局限于栅格中点,且角度不再限制为π/4的整数倍,路径长度和转折角度有效减少。
2.加入拓展节点后,改进的A星算法路径点不再局限于栅格中点,在寻径过程中,连接当前节点与拓展节点,通过判断路径点连线与障碍物边线是否有交点检测障碍物。
3.当检测到动态障碍物时,采用人工势场法与A星算法结合的路径规划方法避开障碍物,再回到预规划路径。
附图说明
图1是本发明总体流程图;
图2是改进后A星算法搜素邻域;
图3是二次平滑处理与原路径及一次平滑路径对比图;
图4是传统平滑A星算法路径图;
图5是拓展搜索邻域的平滑A星算法路径图。
具体实施方式
实施例1:如图1-5所示,一种基于改进A星算法的移动机器人路径规划方法,首先在静态障碍物环境中进行全局路径预规划;然后就全局路径预规划的路径点进行二次平滑处理,得到预规划路径;最后采用人工势场法与在静态障碍物环境中进行全局路径预规划的方法在遇到动态障碍物时进行局部路径规划。
进一步地,可以设置所述在静态障碍物环境中进行全局路径预规划具体为:
步骤S1.1、首先进行初始化:创建open list和close list,pen list和close list初始值均为空,open list用来保存已经生成但是未使用的节点,close list用来保存障碍物和已经使用的节点;将障碍物加入close list;将起点设为当前节点;
步骤S1.2、检测当前节点是否为目标点:如果是则根据父节点递推出路径,输出路径点;如果不是目标点则将当前节点的传统A星算法8个方向拓展节点加入open list,并将其与目标点方向步长为1个栅格的拓展节点加入open list;
步骤S1.3、判断open list是否为空:如果为空,标记没有路径,结束算法;如果openlist不为空,将计算出open list中总启发代价最小值点f(X)设为当前节点,将当前节点从open list移动到close list,记录其父节点,接着执行步骤s1.2,直到当前节点是目标点,输出路径点;
f(X)= g(X)+ h(X);
其中,X是当前节点,f(X)是当前节点的总启发代价;g(X)是起点到当前节点的实际路径代价,h(X)是当前节点到目标点的估计路径代价。
进一步地,可以设置所述就全局路径预规划的路径点进行二次平滑处理具体为:
步骤2.1:从起点开始依次分析;将起点设为PCurrent;PCurrent下一节点设为PNext;PNext下一节点设为PDNext;执行Check(PCurrent,PDNext,barrier list)方法获得返回值,如果PCurrent和PDNext连线与障碍物边线相交,返回0,将PNext赋值给PCurrent,PDNext赋值给PNext,PDNext下一节点赋值给PDNext;如果PCurrent与PDNext连线不与障碍物边线相交,将PNext删除,将PDNext赋值给PNext,PDNext下一节点赋值给PDNext,如果PDNext不是目标点输出,执行Check(PCurrent,PDNext,barrier list)方法,直到PDNext为目标点,输出一次平滑路径;
步骤2.2:对步骤2.1的结果再采用步骤2.1的方法进行一次平滑处理,进一步消除冗余节点,输出二次平滑处理后预规划路径。
进一步地,可以设置所述采用人工势场法与在静态障碍物环境中进行全局路径预规划的方法在遇到动态障碍物时进行局部路径规划具体为:
步骤3:机器人在预规划路径上运动,如果检测到动态障碍物,采用人工势场法进行动态路径规划,得到动态规划路径;如果陷入局部极小值,采用在静态障碍物环境中进行全局路径预规划的方法跳出局部极小值,否则回到动态路径上没有障碍物的下一个节点;避开障碍物后,再回到预规划路径上没有障碍物的下一节点。
如果陷入局部极小值,表示在动态规划路径上检测到当前节点前一个节点与后一个节点之间的距离小于阀值。
采用在静态障碍物环境中进行全局路径预规划的方法跳出局部极小值,具体为:以局部极小值为当前节点,预规划路径没有障碍物的下一节点为目标点,移动到搜素邻域中总启发代价最小值点从而脱离该极小值点。
实施例2:如图1-5所示,一种基于改进A星算法的移动机器人路径规划方法,所述方法的具体步骤如下:
步骤1:在静态障碍物环境中进行全局路径预规划:
步骤1.1、首先进行初始化:如图3所示,构建6×6栅格环境,黑色为障碍物,白色为可通行路径,起点为栅格中A点,目标点为栅格中H点,创建open list和close list,open list和close list初始值均为空,open list用来保存已经生成但是未使用的节点,close list用来保存障碍物和已经使用的节点;将障碍物加入close list;将起点设为当前节点;
步骤1.2、检测当前节点是否为目标点:如果是则根据父节点递推出路径,输出路径点;如果不是目标点则将当前节点的传统A星算法8个方向拓展节点加入open list,并将其与目标点方向步长为1个栅格的拓展节点加入open list;如图2所示,当前点的与X轴夹角π/4整数倍方向8个节点为传统A星算法拓展节点,Target方向为本文提出的拓展节点;
步骤1.3、判断open list是否为空:如果为空,标记没有路径,结束算法;如果openlist不为空,将计算出open list中总启发代价最小值点f(X)设为当前节点,将当前节点从open list移动到close list,记录其父节点,接着执行步骤1.2,直到当前节点是目标点,输出路径点;
f(X)= g(X)+ h(X);
其中,X是当前节点,f(X)是当前节点的总启发代价;g(X)是起点到当前节点的实际路径代价,h(X)是当前节点到目标点的估计路径代价。
在寻经过程中加入本方法提出的目标点方向步长为1的拓展节点后,路径点不再局限于栅格中点,且角度不再限制为π/4的整数倍,路径长度和转折角度有效减少;如果当前节点与目标点距离小于1时,则视为直接到达,将目标点方向拓展节点为目标点;
比如基于图3的栅格环境,运用步骤1以后可以得到ABCDEFGH;
步骤2:将步骤1得到的路径点取出进行如图5所示二次平滑处理:
从当前点开始,依次连接之后节点,检测这些点连线的状态;判断是否与障碍物有交点,舍弃中间节点,进行两次平滑处理;图5中实线部分是原始路径,虚线部分是传统平滑处理后路径,点线部分是本方法中二次平滑处理后路径;对比图可看出,传统平滑处理后路径存在冗余转折点,本方法二次平滑处理后得到的路径,有效消除冗余节点;其具体过程如下:
步骤2.1:从起点开始依次分析;将起点设为PCurrent;PCurrent下一节点设为PNext;PNext下一节点设为PDNext;执行Check(PCurrent,PDNext,barrier list)方法获得返回值,如果为0则PCurrent和PDNext连线与障碍物边线相交,将PNext赋值给PCurrent,PDNext赋值给PNext,PDNext下一节点赋值给PDNext;如果为1则PCurrent与PDNext连线不与障碍物相交,删除中间节点PNext,将PDNext赋值给PNext,PDNext下一节点赋值给PDNext;如果PDNext不是目标点输出,执行Check(PCurrent,PDNext,barrier list)方法,直到PDNext为目标点,输出一次平滑路径,再进行一次平滑处理,进一步消除冗余节点,输出二次平滑处理后预规划路径;
其中函数Check(PCurrent,PDNext,barrier list)是检测PCurrent和PDNext连线与障碍物边线是否相交,如果不相交返回1,否则返回0;barrier list为障碍物列表;通过Check(PCurrent,PDNext,barrier list)函数舍弃中间节点,进行二次平滑处理,有效消除冗余转折点;
步骤2.2:进行平滑处理后可能依然存在冗余节点再进行一次步骤2.1中平滑处理可以进一步消除冗余节点;
如图3中给出的栅格环境,对于步骤1得到的路径ABCDEFGH运用该步骤进行一次平滑后得到虚线ABCDGH,有效消除冗余节点EF,但是进行一次平滑处理后路径点中可能仍在存在冗余节点,如图C点和E点连线与障碍物边线相交,D点不可删除,但是经平滑处理后E、F点被删除C点与G点连线不与障碍物边线相交,再次进行平滑处理,得到ABCGH,进一步消除冗余节点;
步骤3:机器人在步骤2预规划的路径上运动,如果检测到动态障碍物,采用人工势场法进行动态路径规划,人工势场法在机器人运动空间构造虚拟的力势场,通过目标点引力和障碍物斥力的作用来寻找一个从初始点到目标点的安全无碰撞路径,规划过程中,可能存在某些点由于受多个力共同的作用,造成了斥力和引力相互抵消从而合力为0,机器人在该点反复震荡或行动缓慢,形成局部极小值点;
本方法人工势场法局部极小值的检测采用一定间隔内机器人所走的距离和阀值进行比较的方法;该方法首先根据机器人移动的步长和障碍物影响范围的大小来设置一个阀值T,然后检测当前节点前一个节点与后一个节点之间的距离并和这个阀值T进行比较;若距离小于阀值T,可以认为机器人陷入了局部极小值点,本文经过大量实验后设T为0.8个步长,检测到移动机器人陷入局部极小值点时,对局部极小值点用步骤1中A星算法进行一次规划,即设该极小值点为当前节点,预规划路径中没有障碍物的下一节点为目标点,移动到搜素邻域中估价函数f(X)最小值点从而脱离该极小值点,脱离局部极小值点后回到人工势场法;通过人工势场法避开障碍物后,再回到预规划路径上没有障碍物的下一节点;直到达到目标点,输出路径。
图4、图5分别是传统平滑A星算法和本文步骤1、2结合方法路径规划对比;对比图可看出,与平滑A星算法相比,本文改进算法路径长度,累计转折次数,累计转折角度都有明显减少。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (6)
1.一种基于改进A星算法的移动机器人路径规划方法,其特征在于:首先在静态障碍物环境中进行全局路径预规划;然后就全局路径预规划的路径点进行二次平滑处理,得到预规划路径;最后采用人工势场法与在静态障碍物环境中进行全局路径预规划的方法在遇到动态障碍物时进行局部路径规划。
2.根据权利要求1所述的基于改进A星算法的移动机器人路径规划方法,其特征在于:所述在静态障碍物环境中进行全局路径预规划具体为:
步骤S1.1、首先进行初始化:创建open list和close list,pen list和close list初始值均为空,open list用来保存已经生成但是未使用的节点,close list用来保存障碍物和已经使用的节点;将障碍物加入close list;将起点设为当前节点;
步骤S1.2、检测当前节点是否为目标点:如果是则根据父节点递推出路径,输出路径点;如果不是目标点则将当前节点的传统A星算法8个方向拓展节点加入open list,并将其与目标点方向步长为1个栅格的拓展节点加入open list;
步骤S1.3、判断open list是否为空:如果为空,标记没有路径,结束算法;如果openlist不为空,将计算出open list中总启发代价最小值点f(X)设为当前节点,将当前节点从open list移动到close list,记录其父节点,接着执行步骤s1.2,直到当前节点是目标点,输出路径点;
f(X)= g(X)+ h(X);
其中,X是当前节点,f(X)是当前节点的总启发代价;g(X)是起点到当前节点的实际路径代价,h(X)是当前节点到目标点的估计路径代价。
3.根据权利要求1所述的基于改进A星算法的移动机器人路径规划方法,其特征在于:所述就全局路径预规划的路径点进行二次平滑处理具体为:
步骤2.1:从起点开始依次分析;将起点设为PCurrent;PCurrent下一节点设为PNext;PNext下一节点设为PDNext;执行Check(PCurrent,PDNext,barrier list)方法获得返回值,如果PCurrent和PDNext连线与障碍物边线相交,返回0,将PNext赋值给PCurrent,PDNext赋值给PNext,PDNext下一节点赋值给PDNext;如果PCurrent与PDNext连线不与障碍物边线相交,将PNext删除,将PDNext赋值给PNext,PDNext下一节点赋值给PDNext,如果PDNext不是目标点输出,执行Check(PCurrent,PDNext,barrier list)方法,直到PDNext为目标点,输出一次平滑路径;
步骤2.2:对步骤2.1的结果再采用步骤2.1的方法进行一次平滑处理,进一步消除冗余节点,输出二次平滑处理后预规划路径。
4.根据权利要求1所述的基于改进A星算法的移动机器人路径规划方法,其特征在于:所述采用人工势场法与在静态障碍物环境中进行全局路径预规划的方法在遇到动态障碍物时进行局部路径规划具体为:
机器人在预规划路径上运动,如果检测到动态障碍物,采用人工势场法进行动态路径规划,得到动态规划路径;如果陷入局部极小值,采用在静态障碍物环境中进行全局路径预规划的方法跳出局部极小值,否则回到动态路径上没有障碍物的下一个节点;避开障碍物后,再回到预规划路径上没有障碍物的下一节点。
5.根据权利要求4所述的基于改进A星算法的移动机器人路径规划方法,其特征在于:如果陷入局部极小值,表示在动态规划路径上检测到当前节点前一个节点与后一个节点之间的距离小于阀值。
6.根据权利要求4所述的基于改进A星算法的移动机器人路径规划方法,其特征在于:采用在静态障碍物环境中进行全局路径预规划的方法跳出局部极小值,具体为:以局部极小值为当前节点,预规划路径中没有障碍物的下一节点为目标点,移动到搜素邻域中总启发代价最小值点从而脱离该极小值点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711374451.1A CN108253984A (zh) | 2017-12-19 | 2017-12-19 | 一种基于改进a星算法的移动机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711374451.1A CN108253984A (zh) | 2017-12-19 | 2017-12-19 | 一种基于改进a星算法的移动机器人路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108253984A true CN108253984A (zh) | 2018-07-06 |
Family
ID=62723673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711374451.1A Pending CN108253984A (zh) | 2017-12-19 | 2017-12-19 | 一种基于改进a星算法的移动机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108253984A (zh) |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983789A (zh) * | 2018-08-20 | 2018-12-11 | 广东华中科技大学工业技术研究院 | 一种无人艇的路径规划和布放调度方法 |
CN109116841A (zh) * | 2018-07-23 | 2019-01-01 | 昆明理工大学 | 一种基于蚁群算法的路径规划平滑优化方法 |
CN109508016A (zh) * | 2018-12-26 | 2019-03-22 | 北京工商大学 | 水质采样巡航船路径规划最优化方法 |
CN109781126A (zh) * | 2018-12-30 | 2019-05-21 | 芜湖哈特机器人产业技术研究院有限公司 | 一种基于矢量法的全局静态路径规划方法 |
CN109798909A (zh) * | 2019-02-01 | 2019-05-24 | 安徽达特智能科技有限公司 | 一种全局路径规划的方法 |
CN109947120A (zh) * | 2019-04-29 | 2019-06-28 | 西安电子科技大学 | 仓储系统中的路径规划方法 |
CN109945885A (zh) * | 2019-04-16 | 2019-06-28 | 清华大学 | 无人摩托的动态障碍物避障路径规划计算方法 |
CN110207706A (zh) * | 2019-05-30 | 2019-09-06 | 浙江圣奥家具制造有限公司 | 一种基于栅格地图的自动归位椅路径规划算法 |
CN110442125A (zh) * | 2019-07-15 | 2019-11-12 | 电子科技大学 | 一种移动机器人的动态路径规划方法 |
CN110456789A (zh) * | 2019-07-23 | 2019-11-15 | 中国矿业大学 | 一种清洁机器人的全覆盖路径规划方法 |
CN110470305A (zh) * | 2019-08-23 | 2019-11-19 | 沈阳航空航天大学 | 一种动态环境下无人机避障航迹规划方法 |
CN110487290A (zh) * | 2019-07-29 | 2019-11-22 | 中国人民解放军军事科学院国防科技创新研究院 | 基于变步长a星搜索的无人驾驶汽车局部路径规划方法 |
CN110543190A (zh) * | 2018-12-10 | 2019-12-06 | 西安电子科技大学 | 智能目标搜索中无人设备的路径规划方法 |
CN110686695A (zh) * | 2019-10-30 | 2020-01-14 | 南京邮电大学 | 基于目标评价因子的自适应蚁群a星混合算法 |
CN110717003A (zh) * | 2019-09-27 | 2020-01-21 | 四川长虹电器股份有限公司 | 基于路径规划的智能购物车自主导航与自动跟随方法 |
CN111008607A (zh) * | 2019-12-11 | 2020-04-14 | 南京航空航天大学 | 一种视觉伺服飞机舱门缝隙自动化激光扫描方法和系统 |
CN111024082A (zh) * | 2019-12-02 | 2020-04-17 | 深圳优地科技有限公司 | 一种规划机器人局部路径的方法、装置及机器人 |
CN111307156A (zh) * | 2020-03-09 | 2020-06-19 | 中振同辂(江苏)机器人有限公司 | 适用于车型机器人的覆盖路径规划方法 |
CN111338359A (zh) * | 2020-04-30 | 2020-06-26 | 武汉科技大学 | 一种基于距离判断和角度偏转的移动机器人路径规划方法 |
CN111412918A (zh) * | 2020-03-13 | 2020-07-14 | 天津大学 | 无人艇全局安全路径规划方法 |
CN111427346A (zh) * | 2020-03-09 | 2020-07-17 | 中振同辂(江苏)机器人有限公司 | 适用于车型机器人的局部路径规划与追踪方法 |
CN111857160A (zh) * | 2020-08-17 | 2020-10-30 | 武汉中海庭数据技术有限公司 | 一种无人车路径规划方法和装置 |
CN112256040A (zh) * | 2020-11-05 | 2021-01-22 | 哈尔滨理工大学 | 一种基于改进a*算法的自主导航智能轮椅路径规划方法 |
WO2021012125A1 (en) * | 2019-07-19 | 2021-01-28 | Huawei Technologies Co., Ltd. | Global path planning using piecewise sigmoid curves |
CN112378402A (zh) * | 2020-11-11 | 2021-02-19 | 四川长虹电器股份有限公司 | 自适应调整路径点容差的移动机器人路径规划方法及装置 |
CN112415999A (zh) * | 2020-10-29 | 2021-02-26 | 浙江吉利控股集团有限公司 | 自动驾驶路径点的处理方法、装置、设备及存储介质 |
CN112835364A (zh) * | 2020-12-30 | 2021-05-25 | 浙江大学 | 一种基于冲突检测的多机器人路径规划方法 |
CN112917476A (zh) * | 2021-01-26 | 2021-06-08 | 安徽工程大学 | 一种三维地形下轮式机器人作业路径平滑的改进lazy theta方法 |
CN113710431A (zh) * | 2019-04-17 | 2021-11-26 | 株式会社途伟尼 | 使用基于采样的最优树的路径规划方法、存储用于实现该方法的程序的记录介质以及存储在介质中以实现该方法的计算机程序 |
CN113935516A (zh) * | 2021-09-07 | 2022-01-14 | 亚太卫星宽带通信(深圳)有限公司 | 一种机载天线快速寻星跟踪定位方法 |
CN113960996A (zh) * | 2020-07-20 | 2022-01-21 | 华为技术有限公司 | 行驶装置的避障路径的规划方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823466A (zh) * | 2013-05-23 | 2014-05-28 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
CN105955262A (zh) * | 2016-05-09 | 2016-09-21 | 哈尔滨理工大学 | 一种基于栅格地图的移动机器人实时分层路径规划方法 |
CN107037812A (zh) * | 2017-03-31 | 2017-08-11 | 南京理工大学 | 一种基于仓储无人车的车辆路径规划方法 |
-
2017
- 2017-12-19 CN CN201711374451.1A patent/CN108253984A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823466A (zh) * | 2013-05-23 | 2014-05-28 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
CN105955262A (zh) * | 2016-05-09 | 2016-09-21 | 哈尔滨理工大学 | 一种基于栅格地图的移动机器人实时分层路径规划方法 |
CN107037812A (zh) * | 2017-03-31 | 2017-08-11 | 南京理工大学 | 一种基于仓储无人车的车辆路径规划方法 |
Non-Patent Citations (4)
Title |
---|
姚远等: "基于稀疏A*搜索和改进人工势场的无人机动态航迹规划", 《控制理论与应用》 * |
王红卫等: "基于平滑A*算法的移动机器人路径规划", 《同济大学学报(自然科学版)》 * |
程国秀: "基于六自由度机械臂的避障路径规划研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
隋玲玲: "复杂未知环境下机器人路径规划算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109116841A (zh) * | 2018-07-23 | 2019-01-01 | 昆明理工大学 | 一种基于蚁群算法的路径规划平滑优化方法 |
CN108983789A (zh) * | 2018-08-20 | 2018-12-11 | 广东华中科技大学工业技术研究院 | 一种无人艇的路径规划和布放调度方法 |
CN110543190A (zh) * | 2018-12-10 | 2019-12-06 | 西安电子科技大学 | 智能目标搜索中无人设备的路径规划方法 |
CN109508016A (zh) * | 2018-12-26 | 2019-03-22 | 北京工商大学 | 水质采样巡航船路径规划最优化方法 |
CN109781126A (zh) * | 2018-12-30 | 2019-05-21 | 芜湖哈特机器人产业技术研究院有限公司 | 一种基于矢量法的全局静态路径规划方法 |
CN109798909A (zh) * | 2019-02-01 | 2019-05-24 | 安徽达特智能科技有限公司 | 一种全局路径规划的方法 |
CN109945885A (zh) * | 2019-04-16 | 2019-06-28 | 清华大学 | 无人摩托的动态障碍物避障路径规划计算方法 |
CN113710431B (zh) * | 2019-04-17 | 2023-12-22 | 株式会社途伟尼 | 使用基于采样的最优树的路径规划方法以及记录介质 |
CN113710431A (zh) * | 2019-04-17 | 2021-11-26 | 株式会社途伟尼 | 使用基于采样的最优树的路径规划方法、存储用于实现该方法的程序的记录介质以及存储在介质中以实现该方法的计算机程序 |
CN109947120A (zh) * | 2019-04-29 | 2019-06-28 | 西安电子科技大学 | 仓储系统中的路径规划方法 |
CN109947120B (zh) * | 2019-04-29 | 2021-03-23 | 西安电子科技大学 | 仓储系统中的路径规划方法 |
CN110207706A (zh) * | 2019-05-30 | 2019-09-06 | 浙江圣奥家具制造有限公司 | 一种基于栅格地图的自动归位椅路径规划算法 |
CN110442125A (zh) * | 2019-07-15 | 2019-11-12 | 电子科技大学 | 一种移动机器人的动态路径规划方法 |
WO2021012125A1 (en) * | 2019-07-19 | 2021-01-28 | Huawei Technologies Co., Ltd. | Global path planning using piecewise sigmoid curves |
CN110456789A (zh) * | 2019-07-23 | 2019-11-15 | 中国矿业大学 | 一种清洁机器人的全覆盖路径规划方法 |
CN110487290B (zh) * | 2019-07-29 | 2020-05-19 | 中国人民解放军军事科学院国防科技创新研究院 | 基于变步长a星搜索的无人驾驶汽车局部路径规划方法 |
CN110487290A (zh) * | 2019-07-29 | 2019-11-22 | 中国人民解放军军事科学院国防科技创新研究院 | 基于变步长a星搜索的无人驾驶汽车局部路径规划方法 |
CN110470305A (zh) * | 2019-08-23 | 2019-11-19 | 沈阳航空航天大学 | 一种动态环境下无人机避障航迹规划方法 |
CN110717003A (zh) * | 2019-09-27 | 2020-01-21 | 四川长虹电器股份有限公司 | 基于路径规划的智能购物车自主导航与自动跟随方法 |
CN110686695A (zh) * | 2019-10-30 | 2020-01-14 | 南京邮电大学 | 基于目标评价因子的自适应蚁群a星混合算法 |
CN111024082A (zh) * | 2019-12-02 | 2020-04-17 | 深圳优地科技有限公司 | 一种规划机器人局部路径的方法、装置及机器人 |
CN111024082B (zh) * | 2019-12-02 | 2021-12-17 | 深圳优地科技有限公司 | 一种规划机器人局部路径的方法、装置及机器人 |
CN111008607A (zh) * | 2019-12-11 | 2020-04-14 | 南京航空航天大学 | 一种视觉伺服飞机舱门缝隙自动化激光扫描方法和系统 |
CN111307156A (zh) * | 2020-03-09 | 2020-06-19 | 中振同辂(江苏)机器人有限公司 | 适用于车型机器人的覆盖路径规划方法 |
CN111427346A (zh) * | 2020-03-09 | 2020-07-17 | 中振同辂(江苏)机器人有限公司 | 适用于车型机器人的局部路径规划与追踪方法 |
CN111412918A (zh) * | 2020-03-13 | 2020-07-14 | 天津大学 | 无人艇全局安全路径规划方法 |
CN111412918B (zh) * | 2020-03-13 | 2022-01-07 | 天津大学 | 无人艇全局安全路径规划方法 |
CN111338359A (zh) * | 2020-04-30 | 2020-06-26 | 武汉科技大学 | 一种基于距离判断和角度偏转的移动机器人路径规划方法 |
CN113960996A (zh) * | 2020-07-20 | 2022-01-21 | 华为技术有限公司 | 行驶装置的避障路径的规划方法和装置 |
WO2022016941A1 (zh) * | 2020-07-20 | 2022-01-27 | 华为技术有限公司 | 行驶装置的避障路径的规划方法和装置 |
CN111857160A (zh) * | 2020-08-17 | 2020-10-30 | 武汉中海庭数据技术有限公司 | 一种无人车路径规划方法和装置 |
CN112415999A (zh) * | 2020-10-29 | 2021-02-26 | 浙江吉利控股集团有限公司 | 自动驾驶路径点的处理方法、装置、设备及存储介质 |
CN112256040A (zh) * | 2020-11-05 | 2021-01-22 | 哈尔滨理工大学 | 一种基于改进a*算法的自主导航智能轮椅路径规划方法 |
CN112378402A (zh) * | 2020-11-11 | 2021-02-19 | 四川长虹电器股份有限公司 | 自适应调整路径点容差的移动机器人路径规划方法及装置 |
CN112378402B (zh) * | 2020-11-11 | 2022-02-22 | 四川长虹电器股份有限公司 | 自适应调整路径点容差的移动机器人路径规划方法及装置 |
CN112835364A (zh) * | 2020-12-30 | 2021-05-25 | 浙江大学 | 一种基于冲突检测的多机器人路径规划方法 |
CN112917476A (zh) * | 2021-01-26 | 2021-06-08 | 安徽工程大学 | 一种三维地形下轮式机器人作业路径平滑的改进lazy theta方法 |
CN113935516A (zh) * | 2021-09-07 | 2022-01-14 | 亚太卫星宽带通信(深圳)有限公司 | 一种机载天线快速寻星跟踪定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108253984A (zh) | 一种基于改进a星算法的移动机器人路径规划方法 | |
CN109976350B (zh) | 多机器人调度方法、装置、服务器及计算机可读存储介质 | |
CN108896052A (zh) | 一种基于动态复杂环境下的移动机器人平滑路径规划方法 | |
CN106444755B (zh) | 基于改进遗传算法的移动机器人路径规划方法 | |
CN110497403A (zh) | 一种改进双向rrt算法的机械臂运动规划方法 | |
CN103365293B (zh) | 一种基于动态区域划分的机器人安全路径规划方法 | |
CN110231824B (zh) | 基于直线偏离度方法的智能体路径规划方法 | |
CN108549388A (zh) | 一种基于改进a星策略的移动机器人路径规划方法 | |
CN109459031A (zh) | 一种基于贪心算法的无人机rrt路径优化方法 | |
CN109059924A (zh) | 基于a*算法的伴随机器人增量路径规划方法及系统 | |
CN107943053A (zh) | 一种移动机器人的路径规划方法 | |
CN111174798A (zh) | 一种足式机器人路径规划方法 | |
CN106774347A (zh) | 室内动态环境下的机器人路径规划方法、装置和机器人 | |
CN109445444A (zh) | 一种障碍物集中环境下的机器人路径生成方法 | |
CN110353579A (zh) | 一种清洁机器人自动规划路径方法 | |
CN108762270A (zh) | 变概率双向快速搜索随机树改进路径规划算法 | |
Yang | Anytime synchronized-biased-greedy rapidly-exploring random tree path planning in two dimensional complex environments | |
CN110006429A (zh) | 一种基于深度优化的无人船航迹规划方法 | |
CN108195383A (zh) | 一种基于改进rrt算法的地下无人铲运机路径规划方法 | |
CN113189988B (zh) | 一种基于Harris算法与RRT算法复合的自主路径规划方法 | |
CN103713640B (zh) | 一种移动无线传感器网络节点运动行为控制方法 | |
CN107357295B (zh) | 一种基于栅格地图的路径搜索方法和芯片及机器人 | |
US20220203534A1 (en) | Path planning method and biped robot using the same | |
CN107544502A (zh) | 一种已知环境下的移动机器人规划方法 | |
CN109737980A (zh) | 一种导航方法及其对应的机器人 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |