CN108490939B - 在局部感知能力下的势流法的避障方法 - Google Patents
在局部感知能力下的势流法的避障方法 Download PDFInfo
- Publication number
- CN108490939B CN108490939B CN201810255846.8A CN201810255846A CN108490939B CN 108490939 B CN108490939 B CN 108490939B CN 201810255846 A CN201810255846 A CN 201810255846A CN 108490939 B CN108490939 B CN 108490939B
- Authority
- CN
- China
- Prior art keywords
- robot
- obstacle
- axis
- target point
- velocity
- 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 61
- 230000008447 perception Effects 0.000 title claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 11
- 239000012530 fluid Substances 0.000 claims description 10
- 230000004888 barrier function Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing 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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
- G05D1/02—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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种在局部感知能力下的势流法的避障方法,属于避障方法技术领域。所述方法模拟了自然环境下的水流模型,在只有局部感知能力下检测到障碍物时,对检测得障碍物进行模型构造优化,并采取一种避障策略可以平滑、非震荡的避开障碍达到目标点。该避障方法相对现有的技术,譬如相对蚁群算法来说,计算简单、易于实现。相对传统的人工势场法来说,可以有效的防止陷入局部最小值和目标不可达的现象,便于广泛的应用于实践工程上。
Description
技术领域
本发明涉及一种在局部感知能力下的势流法的避障方法,属于避障方法技术领域。
背景技术
机器人的实时避障是机器人自动能力的关键问题之一,近年来有大量海内外学者都投入研究。避障规划不同于路径规划,路径规划一般是已获知环境的全局信息。而避障规划通常是根据传感器实时检测到的局部信息,调整轨迹以避免发生碰撞。所以在未知环境的情况下,避障对于智能机器人的自主行动能力显得尤为重要。
目前传统的避障方法主要分为:可视图法、VFH(Vector field histogram直方图法)、动态窗口法、人工势场法等。但是各些方法都有各自的优缺点。譬如,可视图法虽然算法简单,可是缺乏灵活性,对障碍物形状有要求,局限性太大。栅格法中栅格大小是影响它避障效果的主要问题,并且伴随有局部极小值的现象。人工势场法既可以用来避障也可以用来路径规划,但是伴随的问题是避障过程中容易陷入局部极小值问题,还存在着目标不可达的问题。在现有的避障算法中都或多或少存在着一些问题。
发明内容
本发明提出了一种在局部感知能力下的势流法的避障方法,旨在未知环境下为有一定感知能力的机器人解决避障规划问题,有效地防止进入局部极值,可以平滑地绕开障碍物以达到目标点。
本发明为解决其技术问题采用如下技术方案:
一种在局部感知能力下的势流法的避障方法,包括以下步骤:
(1)构造在感知范围内的障碍物模型;
(2)构造机器人在势流法中受目标点影响的引力速度;
(3)构造机器人在势流法中受障碍干扰时的流体速度;
(4)在各种障碍环境中避障规划的仿真结果。
步骤(1)中构造在感知范围内的障碍物模型的具体步骤如下:
设定Pobject=(xobj,yobj),Pobject代表下标object的位置,xobj,yobj分别代表object的x轴、y轴的坐标;设机器人的当前位置为Pr=(xr,yr),出发点Ps=(xs,ys),目标点为Pt=(xt,yt),其中:xr、yr为机器人的x轴、y轴的坐标,xs、ys为出发点的x轴、y轴的坐标,xt、yt为目标点的x轴、y轴的坐标;机器人的感知范围是以自身当前位置Pr为中心,以Rmax为感知的最大半径;Rs为机器人结构最大外接圆半径,即安全距离;在检测范围R<Rmax内检测障碍物的点为Pobs(i)=(xi,yi),xi、yi为第i个障碍物的x轴、y轴的坐标;Pobs(i,j)代表检测第i,j障碍物之间的距离;若在检测范围内检测障碍物的任意两个点小于2Rs,即其中i≠j,则认为两点间的连线为新添加虚拟障碍物点Pobs+(n)=(xn,yn),xn、yn为第n的新添加虚拟障碍物的x轴、y轴的坐标。
步骤(2)中所述构造机器人在势流法中受目标点影响的引力速度的具体步骤如下:
在没有障碍物干扰的情况下,目标点对机器人的吸引单位速度向量为:其中:xt、yt为目标点的x轴、y轴的坐标,xr、yr为机器人的x轴、y轴的坐标, 为目标点位置Pt与机器人位置Pr的方向矢量,Pt为目标点的位置,Pr为机器人的当前位置,表示的模;吸引速度向量为:式中C为常量,用来确定目标点对机器人吸引速度单位大小;这样就在没有障碍物影响的情况下形成了一种类似于由高地势往低地势流入的速度流场,速度流场上的速度即对机器人的期望速度。
其特征在于,步骤(3)中所述构造机器人在势流法中受障碍干扰时的流体速度的具体步骤如下:
假设r为机器人检测范围,若在r≤Rmax内检测到障碍,Rmax为机器人感知的最大半径,则距离机器人最近的障碍物Po=(xmin,ymin)会对机器人起干扰作用,使机器人从障碍物旁边以流水型的方式绕过障碍;机器人位置Pr与最近障碍物位置Po的位置关系为:即xmin,ymin分别代表距离机器人最近的障碍物的x轴、y轴上的坐标,xr、yr为机器人的x轴、y轴的坐标,xro为的x轴坐标,yro为的y轴坐标,表示距离机器人最近障碍物位置Po与机器人位置Pr的方向矢量;最近障碍物Po使机器人Pr的流体速度为 代表垂直切线方向的单位速度矢量,具体方向取决于上一时刻速度的方向;代表方向的单位速度矢量;代表吸引力方向的单位速度矢量,α、β、δ分别为 的参数,C为速度常量,表示距离机器人最近障碍物位置Po与机器人位置Pr的方向矢量,表示机器人位置Pr与目标点位置Pt的方向矢量。
本发明的有益效果如下:
1、本发明是在未知环境中,以机器人为中心的局部感知的条件下,利用现有的障碍检测信息去确定下一步机器人的速度,以达到避开障碍物的结果。相比较传统的避障方法,算法简单明了,易于实现,工程上的应用更合理、更广泛。解决了现有避障技术在未知环境下难以实施的问题。
2、本发明提出的一种新型的速度势流场方法。本发明相对于传统的人工势场法、栅格法、bug法在控制上更加容易实现。临时构建的速度流场。不会产生太多冗余数据。而由于算法的简易性,可以保证在工程上的处理速度快,系统响应快,使机器人的避障的实时性更加可靠。
3、本发明在速度势流场上的速度函数构造,使机器人比较合理的响应最近障碍物信息。机器人会以自己当前位置和速度为基础规划出下一步比较合理的速度,更加贴合实际。创新性的以水流绕开障碍物为模型构建速度函数。通过仿真结果可知:在未知环境下,从检测到障碍物到绕过障碍物,机器人规划的路径都相对来说比较平滑、合理。
附图说明
图1是避障方法流程图。
图2是障碍物1的形状图。
图3是障碍物1构造后的形状图。
图4是障碍物2的形状图。
图5是障碍物2构造后的形状图。
图6是避障规划情况1示意图。
图7是避障规划情况2示意图。
图8是避障规划情况3示意图。
图9是避障规划情况4示意图。
具体实现方式
下面结合附图对本发明创造做进一步详细说明。其中Rmax为机器人感知的最大半径;Rs为机器人结构最大外接圆半径,即安全距离;Ps为出发点位置,Pt为目标点位置,Pr为机器人的位置。Pobs为检测范围以内检测到的障碍物。
图1为本文阐述的势流法避障方法的流程图。
图2为Rmax=30;Rs=4;Pr=(45,65)时检测到的障碍物1的形状,圆心是机器人的位置,直线圆是机器人检测范围:以Rmax为半径的圆。星点是在检测范围以内检测到的障碍物Pobs。图3中的圆点是构造出新添加的障碍物Pobs+。同理图4、图5分别为Rmax=30;Rs=4;Pr=(45,65)时检测到的障碍物2的形状和构造出新添加的障碍物。
图6为障碍物为分散点时,机器人的避障情况:Rmax=5;Rs=2时,三角形是出发点Ps=(0,0),正方形是目标点Pt=(100,100),虚线是机器人行驶的路线,星点是障碍物。仿真显示:机器人的路径较为合理地到达目标点。
图7当障碍物通道类型时,机器人的避障情况:Rmax=5;Rs=2时,三角形是出发点Ps=(0,0),正方形是目标点Pt=(70,150),虚线是机器人行驶的路线,星点是障碍物。仿真显示:机器人在经过通道时路线比较平滑,基本不会震荡。
图8表示当障碍物有小于2Rs的安全距离的通道,机器人的避障情况:Rmax=5;Rs=2时,三角形是出发点Ps=(20,0),正方形是目标点Pt=(70,150),虚线是机器人行驶的路线,星点是障碍物。仿真显示:当障碍物有小于2Rs的安全距离的通道时,机器人不能通过,则会把通道添加成新的障碍物,并绕开障碍物,防止发生碰撞。
图9表示当障碍物为凹型时,机器人的避障情况:Rmax=5;Rs=2时,三角形是出发点Ps=(40,0),正方形是目标点Pt=(70,150),虚线是机器人行驶的路线,星点是障碍物。仿真显示:当障碍物为凹型时,机器人比较合理的绕开障碍物,到达目标点。并不会陷入局部极值。
(1)构造在感知范围内的障碍物模型:
假设机器人的当前位置为Pr=(xr,yr),出发点为Ps=(xs,ys),目标点为Pt=(xt,yt),其中:xr、yr为机器人的x轴、y轴的坐标,xs、ys为出发点的x轴、y轴的坐标,xt、yt为目标点的x轴、y轴的坐标。机器人的感知范围是以自身当前位置Pr为中心,以Rmax为感知的最大半径;Rc为危险半径;Rs为机器人结构最大外接圆半径,即安全距离。在检测范围R<Rmax内检测障碍物的点为Pobs(i)=(xi,yi),i为检测的第i个障碍物,xi为第i个障碍物的x轴的坐标,yi为第i个障碍物的y轴的坐标。Pobs(i,j)代表检测第i,j障碍物之间的距离,且i≠j。若在检测范围内检测障碍物的任意两个点小于2Rs,即则认为两点间的连线点为新添加虚拟障碍物点Pobs+(n)=(xn,yn),n为添加的第n个虚拟障碍物,xn为第n个虚拟障碍物的x轴的坐标,yn为第n个障碍物的y轴的坐标。这样的障碍物构造设定会防止机器人进入危险的通道。并且会对障碍物的边界进行一个平滑作用,避免机器人路径震荡。
(2)构造机器人在势流法中受目标点影响的引力速度:
机器人的初始速度为:其中:C为速度常数,xs为出发点x轴的坐标,ys为出发点y轴的坐标。xt为目标点x轴的坐标,yt为目标点y轴的坐标。Pt为目标点位置,Ps为出发点位置,代表Pt和Ps之间的位置向量。在没有障碍物干扰的情况下,对机器人的吸引单位速度向量:其中:xr为机器人的当前位置x轴的坐标,yr为机器人的当前位置y轴的坐标,Pt为目标点的位置,Pr为机器人的当前位置,代表Pt和Pr之间的位置向量。;吸引速度向量为:式中C为常量,用来确定目标点对机器人吸引速度单位大小。这样就在没有障碍物影响的情况下形成了一种类似于由高地势(即机器人出发点)往低地势(目标点)流入的速度流场。速度流场上的速度即对机器人的期望速度。假设机器人从当前速度到期望速度的响应时间忽略不计。机器人在此作用下会以速度匀速地到达目标点。
(3)构造机器人在势流法中受障碍干扰时的流体速度:
若在机器人检测范围Rmax内检测到障碍,则距离机器人最近的障碍物Po=(xmin,ymin)会对机器人起干扰作用,使机器人从障碍物旁边以流水型的方式绕过障碍。机器人位置Pr与最近障碍物位置Po的位置关系为:即其中:为Po和Pr之间的位置向量,xro为的x轴坐标,yro为的y轴坐标,xmin为距离机器人最近的障碍物Po的x轴坐标,ymin为距离机器人最近的障碍物Po的y轴坐标,xr为机器人的当前位置x轴的坐标,yr为机器人的当前位置y轴的坐标;它们之间的距离为:其中:Rro为Po和Pr之间的距离。最近障碍物Po对机器人Pr的流体速度为 代表垂直切线方向的单位速度矢量,具体方向取决于上一时刻速度的方向;代表方向的单位速度矢量;代表吸引力方向的单位速度矢量。而α,β,δ代表各部分的加权值,且α+β+δ=1。
其中:
障碍物Po对机器人Pr的流体速度主要分为两种状态:
其中:
其中:
上式中Rmax为机器人感知的最大半径;Rc为危险半径;Rs为机器人结构最大外接圆半径,即安全距离。 代表Rrt当前一小段时间内的导数。当且时,代表机器人朝着靠近目标点的方向前进且障碍物在机器人前方时,机器人采取绕开障碍物的策略;当且时,代表机器人朝着靠近目标点的方向前进且障碍物在机器人后方时,障碍物对机器人并没有威胁,所以速度直接以为方向驶向目标点。当时,代表机器人受障碍物影响往远离目标点的方向前进,则机器人会沿着障碍物直到绕开障碍物。
(4)在各种障碍环境中避障规划的仿真结果
经过仿真证明由于Rs<Rro≤Rc时,障碍物Po对机器人作用的速度矢量中有排斥的速度分量,并且随着Rro的减小而增大,在假设机器人响应速度的时间t可以忽略不计时,机器人不会碰撞到障碍物。
当Rc<Rro≤Rmax且时,代表机器人在靠近目标点,即往目标点方向前进。障碍物Po对机器人作用的速度矢量中有垂直于的速度分量和平行于的速度分量当Rro越小,垂直于的速度分量就越大,平行于的速度分量就越小。所以当机器人在距离障碍物较近的时候且平行于的速度分量方向满足时,它们的距离Rro会收敛在Rc处,即机器人会沿着垂直于的方向绕开障碍物。
而当Rc<Rro≤Rmax且时,代表机器人往远离目标的方向行驶,说明机器人是在障碍物的影响下才作用的。这时候机器人则只有垂直于的速度分量因为在局部感知的情况下,障碍物是机器人唯一的信息。当机器人在障碍物的作用下,往远离目标点的方向行驶,说明了机器人正在逃离凹型障碍物。则机器人在脱离这段过程中不能失去障碍物的边界信息,否则很可能陷入局部最优解。所以障碍物作用机器人的速度矢量中只有垂直于的速度分量
通过matlab仿真得到结果证明该方法是可行且理想的,势流法可以理想地使机器人受最近的障碍物影响,平滑的绕开障碍物驶向目标点。避免了很多局部最优值的情况,并且路径局部不会震荡,总体来说比较合理。因此本发明具有更广泛的应用领域。
Claims (2)
1.一种在局部感知能力下的势流法的避障方法,包括以下步骤:
(1)构造在感知范围内的障碍物模型;
(2)构造机器人在势流法中受目标点影响的引力速度;
(3)构造机器人在势流法中受障碍干扰时的流体速度;
(4)在各种障碍环境中避障规划的仿真结果;
步骤(1)中构造在感知范围内的障碍物模型的具体步骤如下:
设定Pobject=(xobj,yobj),Pobject代表下标object的位置,xobj,yobj分别代表object的x轴、y轴的坐标;设机器人的当前位置为Pr=(xr,yr),出发点Ps=(xs,ys),目标点为Pt=(xt,yt),其中:xr、yr为机器人的x轴、y轴的坐标,xs、ys为出发点的x轴、y轴的坐标,xt、yt为目标点的x轴、y轴的坐标;机器人的感知范围是以自身当前位置Pr为中心,以Rmax为感知的最大半径;Rs为机器人结构最大外接圆半径,即安全距离;在检测范围R<Rmax内检测障碍物的点为Pobs(i)=(xi,yi),xi、yi为第i个障碍物的x轴、y轴的坐标;Pobs(i,j)代表检测第i,j障碍物之间的距离;若在检测范围内检测障碍物的任意两个点小于2Rs,即其中i≠j,则认为两点间的连线为新添加虚拟障碍物点xn、yn为第n的新添加虚拟障碍物的x轴、y轴的坐标;
步骤(2)中所述构造机器人在势流法中受目标点影响的引力速度的具体步骤如下:
在没有障碍物干扰的情况下,目标点对机器人的吸引单位速度向量为:其中:xt、yt为目标点的x轴、y轴的坐标,xr、yr为机器人的x轴、y轴的坐标, 为目标点位置Pt与机器人位置Pr的方向矢量,Pt为目标点的位置,Pr为机器人的当前位置,表示的模;吸引速度向量为:式中C为常量,用来确定目标点对机器人吸引速度单位大小;这样就在没有障碍物影响的情况下形成了一种类似于由高地势往低地势流入的速度流场,速度流场上的速度即对机器人的期望速度;
其特征在于,步骤(3)中所述构造机器人在势流法中受障碍干扰时的流体速度的具体步骤如下:
假设r为机器人检测范围,若在r≤Rmax内检测到障碍,Rmax为机器人感知的最大半径,则距离机器人最近的障碍物Po=(xmin,ymin)会对机器人起干扰作用,使机器人从障碍物旁边以流水型的方式绕过障碍;机器人位置Pr与最近障碍物位置Po的位置关系为:即xmin,ymin分别代表距离机器人最近的障碍物的x轴、y轴上的坐标,xr、yr为机器人的x轴、y轴的坐标,xro为的x轴坐标,yro为的y轴坐标,表示距离机器人最近障碍物位置Po与机器人位置Pr的方向矢量;最近障碍物Po使机器人Pr的流体速度为 代表垂直切线方向的单位速度矢量,具体方向取决于上一时刻速度的方向;代表方向的单位速度矢量;代表吸引力方向的单位速度矢量,α、β、δ分别为 的参数,C为速度常量,表示距离机器人最近障碍物位置Po与机器人位置Pr的方向矢量,表示机器人位置Pr与目标点位置Pt的方向矢量;而α,β,δ代表各部分的加权值,且α+β+δ=1;
其中:
障碍物Po对机器人Pr的流体速度主要分为两种状态:
其中:
其中:
2.根据权利要求1中所述的在局部感知能力下的势流法的避障方法,其特征在于,步骤(4)在所述障碍环境中避障规划的仿真结果为:由于Rs<Rro≤Rc时,其中:Rc为危险半径;Rs为机器人结构最大外接圆半径,即安全距离,Rro为机器人与距离机器人最近的障碍物的距离,障碍物Po对机器人作用的速度矢量中有排斥的速度分量,并且随着Rro的减小而增大,在假设机器人响应速度的时间t忽略不计时,机器人不会碰撞到障碍物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810255846.8A CN108490939B (zh) | 2018-03-27 | 2018-03-27 | 在局部感知能力下的势流法的避障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810255846.8A CN108490939B (zh) | 2018-03-27 | 2018-03-27 | 在局部感知能力下的势流法的避障方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108490939A CN108490939A (zh) | 2018-09-04 |
CN108490939B true CN108490939B (zh) | 2021-04-20 |
Family
ID=63337453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810255846.8A Active CN108490939B (zh) | 2018-03-27 | 2018-03-27 | 在局部感知能力下的势流法的避障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108490939B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018122376B3 (de) * | 2018-09-13 | 2019-11-07 | Pilz Gmbh & Co. Kg | Verfahren und Vorrichtung zur kollisionsfreien Bewegungsplanung eines Manipulators |
CN112799385B (zh) * | 2019-10-25 | 2021-11-23 | 中国科学院沈阳自动化研究所 | 一种基于引导域人工势场的智能体路径规划方法 |
CN111784079A (zh) * | 2020-07-28 | 2020-10-16 | 上海海事大学 | 一种基于人工势场和蚁群算法的无人机路径规划方法 |
CN112325884B (zh) * | 2020-10-29 | 2023-06-27 | 广西科技大学 | 一种基于dwa的ros机器人局部路径规划方法 |
CN113189992B (zh) * | 2021-04-26 | 2023-05-12 | 四川大学 | 一种基于局部定向的群体智能避障方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025628A (zh) * | 2007-03-23 | 2007-08-29 | 北京大学 | 一种基于流场的智能机器人避障方法 |
GB2441643A (en) * | 2006-09-05 | 2008-03-12 | Honeywell Int Inc | A collision avoidance system for unmanned aircraft |
CN102541056A (zh) * | 2010-12-16 | 2012-07-04 | 莱克电气股份有限公司 | 机器人的障碍物处理方法 |
CN102749080A (zh) * | 2012-06-18 | 2012-10-24 | 北京航空航天大学 | 一种基于流体力学的无人机三维航路生成方法 |
CN103713642A (zh) * | 2013-12-24 | 2014-04-09 | 北京航空航天大学 | 一种基于扰动流体动态系统的无人机三维航路规划方法 |
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 |
CN104390640A (zh) * | 2014-11-13 | 2015-03-04 | 沈阳航空航天大学 | 一种基于理想流体数值计算的无人机三维航路规划方法 |
-
2018
- 2018-03-27 CN CN201810255846.8A patent/CN108490939B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2441643A (en) * | 2006-09-05 | 2008-03-12 | Honeywell Int Inc | A collision avoidance system for unmanned aircraft |
CN101025628A (zh) * | 2007-03-23 | 2007-08-29 | 北京大学 | 一种基于流场的智能机器人避障方法 |
CN102541056A (zh) * | 2010-12-16 | 2012-07-04 | 莱克电气股份有限公司 | 机器人的障碍物处理方法 |
CN102749080A (zh) * | 2012-06-18 | 2012-10-24 | 北京航空航天大学 | 一种基于流体力学的无人机三维航路生成方法 |
CN103713642A (zh) * | 2013-12-24 | 2014-04-09 | 北京航空航天大学 | 一种基于扰动流体动态系统的无人机三维航路规划方法 |
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 |
CN104390640A (zh) * | 2014-11-13 | 2015-03-04 | 沈阳航空航天大学 | 一种基于理想流体数值计算的无人机三维航路规划方法 |
Non-Patent Citations (6)
Title |
---|
Three-dimensional path planning for unmanned aerial vehicle based on interfered fluid dynamical system;WangHonglun,LyuWentao,YaoPenga,LiangXiao,LiuChang;《Chinese Journal of Aeronautics》;20150228;第28卷(第1期);全文 * |
UAV feasible path planning based on disturbed fluid and trajectory propagation;Yao Peng, Wang Honglun, Su Zikang;《Chinese Journal of Aeronautics》;20150831;第28卷(第4期) * |
Yao Peng, Wang Honglun, Su Zikang.UAV feasible path planning based on disturbed fluid and trajectory propagation.《Chinese Journal of Aeronautics》.2015,第28卷(第4期), * |
一种改进的势场法路径规划算法;胡小平,李泽玉;《机械科学与技术》;20171031;第36卷(第10期);全文 * |
基于流体扰动算法的农用植保无人机避障航路规划与仿真;范思儀,陈铭,丁念;《农业信息化》;20180331;全文 * |
基于流水避石原理的无人机三维航路规划方法;梁宵,王宏伦,李大伟,吕文涛;《航空学报》;20130731;第34卷(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108490939A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108490939B (zh) | 在局部感知能力下的势流法的避障方法 | |
CN108303972A (zh) | 移动机器人的交互方法及装置 | |
CN110908373B (zh) | 一种基于改进人工势场的智能车辆轨迹规划方法 | |
CN109144102A (zh) | 一种基于改进蝙蝠算法的无人机航路规划方法 | |
CN107885209B (zh) | 一种基于动态窗口与虚拟目标点的避障方法 | |
CN106989748A (zh) | 一种基于云模型的农业移动机器人人机合作路径规划方法 | |
CN107168324B (zh) | 一种基于anfis模糊神经网络的机器人路径规划方法 | |
Borenstein et al. | The vector field histogram-fast obstacle avoidance for mobile robots | |
CN102323819B (zh) | 一种基于协调控制的智能轮椅室外导航方法 | |
CN108549403B (zh) | 一种协同避障方法及装置 | |
CN105717923B (zh) | 基于椭圆聚类-碰撞锥推演的无人艇海洋动态避障控制算法 | |
CN102541057B (zh) | 一种基于激光测距仪的移动机器人避障方法 | |
CN109318890A (zh) | 一种基于动态窗口及障碍物势能场的无人车动态避障方法 | |
CN105807769B (zh) | 无人水下航行器ivfh避碰方法 | |
CN103995984A (zh) | 一种基于椭圆约束的机器人路径规划方法和装置 | |
CN104375505A (zh) | 一种基于激光测距的机器人自主寻路方法 | |
CN104750110A (zh) | 一种无人机的飞行方法 | |
CN105182973A (zh) | 多机器人追捕者围捕单移动目标的自适应围捕装置与方法 | |
CN111381600B (zh) | 一种基于粒子群算法的uuv路径规划方法 | |
CN105204520B (zh) | 一种无人飞行器的控制方法 | |
CN103984342B (zh) | 移动机器人的多脉冲神经网络控制器导航控制方法 | |
CN104281052A (zh) | 一种基于行为的领航者-跟随者多智能体队形控制方法 | |
CN109272527A (zh) | 一种三维场景中随机运动目标的跟踪控制方法及装置 | |
CN113253717B (zh) | 一种基于动态障碍物的室内移动机器人局部路径规划方法 | |
CN110262523A (zh) | 一种分布式群体机器人的自主避障蜂拥控制方法 |
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 |