CN108508893A - 一种基于改进a算法的机器人能效最优路径规划方法 - Google Patents
一种基于改进a算法的机器人能效最优路径规划方法 Download PDFInfo
- Publication number
- CN108508893A CN108508893A CN201810246665.9A CN201810246665A CN108508893A CN 108508893 A CN108508893 A CN 108508893A CN 201810246665 A CN201810246665 A CN 201810246665A CN 108508893 A CN108508893 A CN 108508893A
- Authority
- CN
- China
- Prior art keywords
- robot
- algorithm
- algorithms
- point
- path planning
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000006872 improvement Effects 0.000 title claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000005183 dynamical system Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000007306 turnover Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012876 topography 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
- G05D1/02—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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于机器人路径规划技术领域，公开了一种基于改进A算法的机器人能效最优路径规划方法，根据三维地形环境的坡度特征和机器人运动几何学特性，建立能量代价消耗模型，并确立起始点和目标点；结合A*算法的基本原理与过程描述，确定A*算法的启发式估价函数；改进传统A*算法搜索邻节点的方式，即多邻域搜索，将传统的8邻域扩展改为24邻域扩展；执行改进的A*算法，输出能效最优路径。本发明减少路径的转折次数，提出了一种多邻域搜索的改进策略，改进之后的A*算法在寻得能效最优路径时，相比传统A*算法，能量消耗更少，路径的转折次数也相对较少，并具有有效性和可靠性。
Description
技术领域
本发明属于机器人路径规划技术领域，尤其涉及一种基于改进A算法的机器人能效最优路径规划方法。
背景技术
目前，业内常用的现有技术是这样的：路径规划是智能交通、通信路由、决策管理等研究领域的重要分支，随着科技的进步和人类各种需求的日益增长，其应用范围也在不断扩展，逐步成为某些专业领域内的核心技术。机器人路径规划便是路径规划研究领域一个重要组成部分，也是机器人学相关领域的研究热点。机器人工作的环境往往是复杂不均匀的，尤其是在野外执行某些任务时。在平坦的地形下，行驶路径长度最短或许是最佳的评加指标，但要是穿越一些复杂不均匀的地形，最短路径可能需要消耗更大的能量。而绝大多数机器人只会携带类似电池这样的便捷式能量源，动力系统能量的不足会影响工作的时长以及任务的完成。因此，在机器人路径规划中考虑能效，是一个关键且必要的问题。路径规划的核心是算法，其目的是在某种外部环境下，根据事先预定好的评价标准和一些约束条件，寻找一条从起始点到目标点的最优或次优路径。路径规划算法的分类有很多种，根据外部环境信息是否已知，可分为全局路径规划算法和局部路径规划算法；而根据算法的搜索方式，也可分为盲目式搜索算法和启发式搜索算法。盲目式搜索注重搜索的过程而不是搜索目标，往往伴随着巨大的搜索空间，导致消耗大量内存资源且效率低下，具体的有广度优先算法、深度优先算法和Dijkstra算法等。启发式搜索在搜索的过程中，根据与问题相关的启发式信息，朝着有利的方向展开搜索，可以避免许多无意义的搜索路径，大大减少搜索范围、降低问题的复杂度，常见的有贪心最好优先搜索算法(GBFS)和A*算法。而A*算法作为一种被广泛使用的启发式搜索算法，同时兼顾了Dijkstra算法和GBFS算法的优点，它既可以保证找到一条最优路径，又能使搜索方向更加明确，从而搜索空间越小、搜索速度越快。传统A*算法在搜索过程中扩展相邻节点时，只是以当前节点为中心向外扩展一层，即当前节点邻近的8个节点，此时机器人的运动方向的角度就会被限制成的整数倍。行动方向受到了限制，那么根据传统A*算法的邻节点扩展方式，实际环境中的机器人路径规划所得到的最终路径可能不是最优的。
综上所述，现有技术存在的问题是：传统A*算法在搜索过程中扩展相邻节点时，只是以当前节点为中心向外扩展一层，即当前节点邻近的8个节点，此时机器人的运动方向的角度就会被限制成45度的整数倍，也就是说算法在搜索的过程中方向受到了限制，导致某些最优的节点可能没有被选中。所以实际环境中的机器人路径规划所得到的最终路径可能不是最优的，会使机器人消耗更多的能量，影响其持久的工作和任务的完成。
解决上述技术问题的难度和意义：需要对传统A*算法扩展邻节点的方式进行改进，改进之后分为两个阶段，第一阶段扩展1-8邻节点，第二阶段扩展9-24邻节点，还得分别计算各个节点所包含的启发式信息值，在计算上需要一定的时间。但可以在搜索路径的过程中让更多的节点参与考察，确保能效最优路径的生成。
发明内容
针对现有技术存在的问题，本发明提供了一种基于改进A算法的机器人能效最优路径规划方法。
本发明是这样实现的，一种基于改进A算法的机器人能效最优路径规划方法，所述基于改进A算法的机器人能效最优路径规划方法根据三维地形环境的坡度特征和机器人运动几何学特性，建立能量代价消耗模型，并确立起始点和目标点；结合A*算法的基本原理与过程描述，确定A*算法的启发式估价函数；改进传统A*算法搜索邻节点的方式，即多邻域搜索，将传统的8邻域扩展改为24邻域扩展；执行改进的A*算法，输出能效最优路径。
进一步，所述基于改进A算法的机器人能效最优路径规划方法包括以下步骤：
步骤一，根据三维地形环境的坡度特征和机器人运动几何学特性，建立能量代价消耗模型，并确立起始点和目标点；
步骤二，结合A*算法的基本原理与过程描述，确定A*算法的启发式估价函数f(n)＝g(n)+h(n)；g(n)代表搜索过程中到达当前节点n的实际能量消耗代价，直接计算得出，h(n)代表当前节点到达目标点所消耗能量的估计值；
步骤三，A*算法搜索邻节点的方式为24邻域扩展；
步骤四，执行改进的A*算法，输出能效最优路径。
进一步，所述步骤一中的能量代价模型为：
式中，m为机器人的质量，g为重力加速度，s(n,nc)代表n和nc两点间的距离，θ为两点间的坡度角，θm和θs分别是机器人在行进过程中坡度角的两个临界值，当坡度角大于θm时，机器人由于自身物理特性限制，不可穿越过去；θs是机器人受力合力为0时的坡度角，当坡度角小于θs时，便不再使用动力系统消耗能量，能量消耗为0；Eturn为机器人在转向时的能量损耗。
进一步，能效最优A*算法启发式估价函数中h(nc)为：
式中的第2、3分式是基于能量代价模型直接得出的，而第1分式可单独拿出来分析，即：
mg(μcosθm+sinθm)Δ(nc,ng)/sinθm；
在式中，Δ(nc,ng)为点nc和目标点ng的海拔高度差；由于当点nc与目标点ng间直接连线的坡度角大于θm时，借道其它节点间接到达目标点ng；在点nc所在的平面上选择一点nt，同时满足nt和目标点ng两点的坡度角正好等于θm且∠ntncng＝90°，nc到达ng处的能量估计便可用nt到ng的能量消耗来表示。
进一步，所述多邻域搜索的扩展相邻节点函数的扩展方式由以下两个部分组成：判断第1层的所有节点，1-8邻域；先遍历CLOSED表，邻节点存在于CLOSED表，说明已经访问过，便不扩展该点；不存在于CLOSED表中，则分别计算该点所包含的相关信息；判断第2层的所有节点，9-24邻域；扩展的过程与上面一致，也是先判断是否存在于CLOSED表中，再作相应的处理。
进一步，所述基于改进A算法的机器人能效最优路径规划方法具体包括以下步骤：
输入：起点坐标S、终点坐标D、OPEN空表、CLOSED空表；
输出：能效最优路径；
初始化：将起点加入OPEN表，计算该点处能量代价估计值；
当OPEN表不为空时，执行以下循环：
步骤一，找出OPEN表中值最小的节点，为终点，则搜索成功，使用回溯法求得最终路径并输出；否则将其移入CLOSED表；
步骤二，采用改进的多邻域搜索来扩展当前节点的24个邻节点，并计算节点相关信息值，保存在集合TEMP中；
步骤三，对TEMP中的每个元素执行下列查找：
(1)遍历OPEN表，存在于OPEN表中，则比较它们的新旧值；TEMP
集合中节点的值更小，则更新到OPEN表中；否则不变；
(2)不存在于OPEN表中，将其放入OPEN表中；
步骤四，继续执行步骤一。
本发明的另一目的在于提供一种应用所述基于改进A算法的机器人能效最优路径规划方法的机器人路径规划系统。
综上所述，本发明的优点及积极效果为：建立一种新型的能量代价模型，根据该模型设计A*算法的启发式信息，引导产生一条能量消耗最少即能效最优的可行路径。此外，为了进一步优化A*算法的最终结果，减少路径的转折次数，提出了一种多邻域搜索的改进策略，改进之后的A*算法在寻得能效最优路径时，相比传统A*算法，能量消耗更少，路径的转折次数也相对较少。
本发明的摈弃了传统的以距离最短作为最优路径的评价标准，结合机器人复杂不均匀的工作环境和机器人动力系统的能量受限，把能量消耗最少作为优化目的，寻得一条能效最优的可行路径。本发明根据三维地形环境的坡度特征和机器人运动几何学特性，建立了一种新的能量代价模型，并基于此设计了A*算法的启发式估价函数。本发明通过改进A*算法在搜索过程中的搜索策略，提出了一种多邻域搜索A*算法，与传统的A*算法相比，减少了最优路径的能量消耗值，并在最终路径的转折点个数、路径平滑性等指标上有了明显好转。
附图说明
图1是本发明实施例提供的基于改进A算法的机器人能效最优路径规划方法流程图。
图2是本发明实施例提供的基于改进A算法的机器人能效最优路径规划方法实现流程图。
图3是本发明实施例提供的机器人物理模型受力分析图。
图4是本发明实施例提供的机器人转向耗能示意图。
图5是本发明实施例提供的改进A算法多邻域搜索示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明摈弃以往距离最优路径，而是能效最优路径；传统A*算法的单邻域扩展影响最优路径的结果，改进的多邻域搜索A*算法使路径结果更优。
如图1所示，本发明实施例提供的基于改进A算法的机器人能效最优路径规划方法包括以下步骤：
S101：根据三维地形环境的坡度特征和机器人运动几何学特性，建立能量代价消耗模型，并确立起始点和目标点；
S102：结合A*算法的基本原理与过程描述，设计A*算法的启发式估价函数；
S103：改进传统A*算法搜索邻节点的方式，即多邻域搜索，将传统的8邻域扩展改为24邻域扩展；
S104：执行改进的A*算法，输出能效最优路径。
下面结合附图对本发明的应用原理作进一步的描述。
本发明针对机器人在复杂不均匀的三维地形环境中路径规划的能效问题，以及A*算法因搜索邻域的限制而导致无法产生最优路径的问题，提出了一种基于改进A*算法的能效最优路径规划方法。该方法先是建立一种新型的能量代价模型，根据该模型设计A*算法的启发式信息，引导产生一条能量消耗最少即能效最优的可行路径。此外，为了进一步优化A*算法的最终结果，减少路径的转折次数，提出了一种多邻域搜索的改进策略，改进之后的A*算法在寻得能效最优路径时，相比传统A*算法，能量消耗更少，路径的转折次数也相对较少。
如图2所示，在三维地形环境中，基于改进A*算法的机器人能效最优路径规划方法的流程为：
步骤1：根据三维地形环境的坡度特征及图3所示的机器人几何受力分析图，建立能量代价消耗模型，并确立起始点和目标点；
步骤2：结合A*算法的基本原理与过程描述，设计A*算法的启发式估价函数f(n)＝g(n)+h(n)。由于g(n)代表搜索过程中到达当前节点n的实际能量消耗代价，可直接计算得出，而h(n)代表当前节点到达目标点所消耗能量的估计值，对A*算法的成功运行起决定性作用，因此这里只需要设计合理的h(n)即可；
步骤3：改进传统A*算法搜索邻节点的方式，即多邻域搜索，将传统的8邻域扩展改为24邻域扩展；
步骤4：执行改进的A*算法，输出能效最优路径。
传统以距离最短为目标的机器人路径规划中，选择合适的距离计算公式就可以了，但在三维地形环境中进行机器人能效最优的路径规划，则需要以能量消耗为目标，找到一条能量消耗最小的可行路径。据此，本发明具体的实施方式主要有以下几步。
(1)构建能量代价模型
图3给出了机器人物理模型受力分析图，结合机器人所受到的两个主要的外力，重力和摩擦力，可以得到克服重力和摩擦力做功的公式：
Ep＝mgs(μcosθ+sinθ) (1)
此外，本发明还考虑了机器人转向时所消耗的能量。由于搜索的过程是具有方向性的，结合图4分析一下这里考虑机器人转向耗能的必要性。当前节点向其邻节点搜索扩展时，若A、B均是代价最小的点时，选择B点需要转向45度，而选择A点则不需要转向，继续朝着原有运动方向行进，那么毫无疑问，A点将是最合适的下一节点。如果没有考虑转向代价，B点就有可能被错误的选中。
机器人在行进过程中可分为上坡和下坡两个过程，上坡过程显然是消耗能量的，但当坡度上升到一定程度，机器人由于自身物理特性限制，便不会通过；相反地，当下坡时到一定的坡度角时，便不需要额外的能量消耗了，即消耗为零。综上，能量代价模型可定义为：
式(2)中，m为机器人的质量，g为重力加速度，s(n,nc)代表n和nc两点间的距离，θ为两点间的坡度角，θm和θs分别是机器人在行进过程中坡度角的两个临界值，当坡度角大于θm时，机器人由于自身物理特性限制，不可穿越过去；θs是机器人受力合力为0时的坡度角，当坡度角小于θs时，便不再使用动力系统消耗能量。Eturn机器人在转向时的能量损耗。
(2)设计A*算法的启发式信息h(nc)；
根据上述能量代价模型，A*算法启发式估价函数中h(nc)部分可设计为：
式(3)中的第2、3分式是基于步骤1中的能量代价模型直接得出的，而第1分式可单独拿出来分析，即式(4)：
mg(μcosθm+sinθm)Δ(nc,ng)/sinθm (4)
在式(4)中，Δ(nc,ng)为点nc和目标点ng的海拔高度差。由于当点nc与目标点ng间直接连线的坡度角大于θm时，虽然不可直接穿越到达，但还是可以借道其他节点间接到达目标点ng。可在点nc所在的平面上选择一点nt，需同时满足nt和目标点ng两点的坡度角正好等于θm且∠ntncng＝90°，此时nc到达ng处的能量估计便可用nt到ng的能量消耗来表示，而nt到ng处的能量消耗是一个有限值，可用式(2)直接计算出来的。
(3)改进A*算法提升最优路径效果
把A*算法中传统的8邻域扩展改为24邻域扩展，也即多邻域搜索。多邻域搜索主要体现在A*算法的扩展相邻节点函数上，结合图5，多邻域搜索由以下两个部分组成：
(1)首先判断第1层的所有节点，即1-8邻域。先遍历CLOSED表，如果该邻节点存在于CLOSED表，则说明已经访问过，便不扩展该点；若不存在于CLOSED表中，则分别计算该点所包含的相关信息；
(2)然后判断第2层的所有节点，即9-24邻域。扩展的过程与上面一致，也是先判断是否存在于CLOSED表中，再作相应的处理。
综合以上三个实施步骤，如图2所示，本发明的一种改进A*算法流程如下：
(4)仿真实现
将本申请的改进A*算法在两种不同的三维地形中进行仿真验证，并与传统A*算法进行比较，仿真结果如下表所示：
表1不同地形模型下的能效最优路径结果
表2不同类型A*算法下的能效最优路径结果
表1是不同地形模型下的能效最优路径结果，通过表1发现距离最优的A*算法虽然寻得的路径距离较短，但需要消耗更多的能量，Model B中的能量消耗值还是无穷大，说明寻得的路径是不可通过的。而能效最优的A*算法无论在什么地形模型中，都能寻得一条能效最优的路径，且在路径长度上也没有较大的差距。
表2是本发明改进A*算法和传统A*算法的对比，由表2可以看出，本发明改进A*算法不仅在能效最优路径的结果上有更好的表现，还能减少路径转折次数，达到路径平滑的效果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于改进A算法的机器人能效最优路径规划方法，其特征在于，所述基于改进A算法的机器人能效最优路径规划方法根据三维地形环境的坡度特征和机器人运动几何学特性，建立能量代价消耗模型，并确立起始点和目标点；结合A*算法的基本原理与过程描述，确定A*算法的启发式估价函数；改进传统A*算法搜索邻节点的方式多邻域搜索；执行改进的A*算法，输出能效最优路径。
2.如权利要求1所述的基于改进A算法的机器人能效最优路径规划方法，其特征在于，所述基于改进A算法的机器人能效最优路径规划方法包括以下步骤：
步骤一，根据三维地形环境的坡度特征和机器人运动几何学特性，建立能量代价消耗模型，并确立起始点和目标点；
步骤二，结合A*算法的基本原理与过程描述，确定A*算法的启发式估价函数f(n)＝g(n)+h(n)；g(n)代表搜索过程中到达当前节点n的实际能量消耗代价，直接计算得出，h(n)代表当前节点到达目标点所消耗能量的估计值；
步骤三，A*算法搜索邻节点的方式为24邻域扩展；
步骤四，执行改进的A*算法，输出能效最优路径。
3.如权利要求2所述的基于改进A算法的机器人能效最优路径规划方法，其特征在于，所述步骤一中的能量代价模型为：
式中，m为机器人的质量，g为重力加速度，s(n,nc)代表n和nc两点间的距离，θ为两点间的坡度角，θm和θs分别是机器人在行进过程中坡度角的两个临界值，当坡度角大于θm时，机器人由于自身物理特性限制，不可穿越过去；θs是机器人受力合力为0时的坡度角，当坡度角小于θs时，便不再使用动力系统消耗能量，能量消耗为0；Eturn为机器人在转向时的能量损耗。
4.如权利要求2所述的基于改进A算法的机器人能效最优路径规划方法，其特征在于，能效最优A*算法启发式估价函数中h(nc)为：
式中的第2、3分式是基于能量代价模型直接得出的，而第1分式可单独拿出来分析，即：
mg(μcosθm+sinθm)Δ(nc,ng)/sinθm；
在式中，Δ(nc,ng)为点nc和目标点ng的海拔高度差；由于当点nc与目标点ng间直接连线的坡度角大于θm时，借道其它节点间接到达目标点ng；在点nc所在的平面上选择一点nt，同时满足nt和目标点ng两点的坡度角正好等于θm且∠ntncng＝90°，nc到达ng处的能量估计便可用nt到ng的能量消耗来表示。
5.如权利要求2所述的基于改进A算法的机器人能效最优路径规划方法，其特征在于，所述多邻域搜索的扩展相邻节点函数的扩展方式由以下两个部分组成：判断第1层的所有节点，1-8邻域；先遍历CLOSED表，邻节点存在于CLOSED表，说明已经访问过，便不扩展该点；不存在于CLOSED表中，则分别计算该点所包含的相关信息；判断第2层的所有节点，9-24邻域；扩展的过程与上面一致，也是先判断是否存在于CLOSED表中，再作相应的处理。
6.如权利要求1所述的基于改进A算法的机器人能效最优路径规划方法，其特征在于，所述基于改进A算法的机器人能效最优路径规划方法具体包括以下步骤：
输入：起点坐标S、终点坐标D、OPEN空表、CLOSED空表；
输出：能效最优路径；
初始化：将起点加入OPEN表，计算该点处能量代价估计值；
当OPEN表不为空时，执行以下循环：
步骤一，找出OPEN表中值最小的节点，为终点，则搜索成功，使用回溯法求得最终路径并输出；否则将其移入CLOSED表；
步骤二，采用改进的多邻域搜索来扩展当前节点的24个邻节点，并计算节点相关信息值，保存在集合TEMP中；
步骤三，对TEMP中的每个元素执行下列查找：
(1)遍历OPEN表，存在于OPEN表中，则比较它们的新旧值；TEMP
集合中节点的值更小，则更新到OPEN表中；否则不变；
(2)不存在于OPEN表中，将其放入OPEN表中；
步骤四，继续执行步骤一。
7.一种应用权利要求1～6任意一项所述基于改进A算法的机器人能效最优路径规划方法的机器人路径规划系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810246665.9A CN108508893A (zh) | 2018-03-23 | 2018-03-23 | 一种基于改进a算法的机器人能效最优路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810246665.9A CN108508893A (zh) | 2018-03-23 | 2018-03-23 | 一种基于改进a算法的机器人能效最优路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108508893A true CN108508893A (zh) | 2018-09-07 |
Family
ID=63378440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810246665.9A Pending CN108508893A (zh) | 2018-03-23 | 2018-03-23 | 一种基于改进a算法的机器人能效最优路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108508893A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598374A (zh) * | 2018-11-21 | 2019-04-09 | 华南理工大学 | 一种关键设施实物保护系统的启发式有效性分析方法 |
| CN109618401A (zh) * | 2019-01-29 | 2019-04-12 | 吉林工程技术师范学院 | 基于双向并行a星算法的体域网能量感知自适应优化方法 |
| CN109724606A (zh) * | 2019-01-23 | 2019-05-07 | 北京信息科技大学 | 基于改进的a*算法的矿井突水避灾路径规划方法和装置 |
| CN109782779A (zh) * | 2019-03-19 | 2019-05-21 | 电子科技大学 | 基于种群超启发式算法的洋流环境下auv路径规划方法 |
| CN109933089A (zh) * | 2019-03-25 | 2019-06-25 | 北京邮电大学 | 基于最小化最大能量消耗的多无人机任务规划方法及装置 |
| CN109978272A (zh) * | 2019-03-30 | 2019-07-05 | 华南理工大学 | 一种基于多个全向移动机器人的路径规划系统及方法 |
| CN110471426A (zh) * | 2019-09-02 | 2019-11-19 | 哈尔滨工程大学 | 基于量子狼群算法的无人驾驶智能车自动避碰方法 |
| CN110497419A (zh) * | 2019-07-15 | 2019-11-26 | 广州大学 | 建筑废弃物分拣机器人 |
| CN110567477A (zh) * | 2019-09-27 | 2019-12-13 | 五邑大学 | 基于改进a*算法的路径规划方法、装置及机器人 |
| CN111158366A (zh) * | 2019-12-31 | 2020-05-15 | 湖南大学 | 基于图搜索和几何曲线融合的路径规划方法 |
| CN111176273A (zh) * | 2019-12-24 | 2020-05-19 | 中国科学院合肥物质科学研究院 | 无人机动平台在多域地形环境下的全局路径规划方法 |
| 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 |
| CN111422741A (zh) * | 2020-03-24 | 2020-07-17 | 苏州西弗智能科技有限公司 | 一种桥式起重机运动路径规划方法 |
| CN111912407A (zh) * | 2019-05-08 | 2020-11-10 | 胡贤良 | 一种多机器人系统的路径规划方法 |
| CN112015183A (zh) * | 2020-09-08 | 2020-12-01 | 安徽工程大学 | 一种能耗约束下在具有凹凸地形中移动机器人避障方法 |
| CN112595324A (zh) * | 2020-12-10 | 2021-04-02 | 安徽工程大学 | 一种能耗最优下最优节点轮式移动机器人路径规划方法 |
| CN112666948A (zh) * | 2020-12-21 | 2021-04-16 | 燕山大学 | 一种基于信道建模的自主水下航行器路径规划方法 |
| CN112985408A (zh) * | 2021-02-25 | 2021-06-18 | 南京航空航天大学 | 一种路径规划优化方法及系统 |
| CN114428499A (zh) * | 2021-12-16 | 2022-05-03 | 哈尔滨理工大学 | 一种融合Astar与DWA算法的移动小车路径规划方法 |
| CN117243694A (zh) * | 2023-10-19 | 2023-12-19 | 河北港口集团有限公司秦皇岛中西医结合医院 | 基于ct影像的穿刺路线规划方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106527448A (zh) * | 2016-12-16 | 2017-03-22 | 浙江工业大学 | 适用于仓库环境的改进a*机器人最优路径规划方法 |
| CN106989748A (zh) * | 2017-05-16 | 2017-07-28 | 南京农业大学 | 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 |
| CN107727099A (zh) * | 2017-09-29 | 2018-02-23 | 山东大学 | 一种工厂内物料运输多agv调度及路径规划方法 |
-
2018
- 2018-03-23 CN CN201810246665.9A patent/CN108508893A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106527448A (zh) * | 2016-12-16 | 2017-03-22 | 浙江工业大学 | 适用于仓库环境的改进a*机器人最优路径规划方法 |
| CN106989748A (zh) * | 2017-05-16 | 2017-07-28 | 南京农业大学 | 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 |
| CN107727099A (zh) * | 2017-09-29 | 2018-02-23 | 山东大学 | 一种工厂内物料运输多agv调度及路径规划方法 |
Non-Patent Citations (3)
| Title |
|---|
| NUWAN GANGANATH等: "A constraint-aware heuristic path planner for finding energy-efficient paths on uneven terrains", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
| 徐培培: "复杂动态环境下移动机器人的全局路径规划算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 王淼弛: "基于A*算法的移动机器人路径规划", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598374A (zh) * | 2018-11-21 | 2019-04-09 | 华南理工大学 | 一种关键设施实物保护系统的启发式有效性分析方法 |
| CN109724606A (zh) * | 2019-01-23 | 2019-05-07 | 北京信息科技大学 | 基于改进的a*算法的矿井突水避灾路径规划方法和装置 |
| CN109618401A (zh) * | 2019-01-29 | 2019-04-12 | 吉林工程技术师范学院 | 基于双向并行a星算法的体域网能量感知自适应优化方法 |
| CN109618401B (zh) * | 2019-01-29 | 2021-07-27 | 吉林工程技术师范学院 | 基于双向并行a星算法的体域网能量感知自适应优化方法 |
| CN109782779B (zh) * | 2019-03-19 | 2020-11-06 | 电子科技大学 | 基于种群超启发式算法的洋流环境下auv路径规划方法 |
| CN109782779A (zh) * | 2019-03-19 | 2019-05-21 | 电子科技大学 | 基于种群超启发式算法的洋流环境下auv路径规划方法 |
| CN109933089A (zh) * | 2019-03-25 | 2019-06-25 | 北京邮电大学 | 基于最小化最大能量消耗的多无人机任务规划方法及装置 |
| CN109978272A (zh) * | 2019-03-30 | 2019-07-05 | 华南理工大学 | 一种基于多个全向移动机器人的路径规划系统及方法 |
| CN109978272B (zh) * | 2019-03-30 | 2022-11-18 | 华南理工大学 | 一种基于多个全向移动机器人的路径规划系统及方法 |
| CN111912407B (zh) * | 2019-05-08 | 2022-05-17 | 胡贤良 | 一种多机器人系统的路径规划方法 |
| CN111912407A (zh) * | 2019-05-08 | 2020-11-10 | 胡贤良 | 一种多机器人系统的路径规划方法 |
| CN110497419A (zh) * | 2019-07-15 | 2019-11-26 | 广州大学 | 建筑废弃物分拣机器人 |
| CN110471426A (zh) * | 2019-09-02 | 2019-11-19 | 哈尔滨工程大学 | 基于量子狼群算法的无人驾驶智能车自动避碰方法 |
| CN110567477A (zh) * | 2019-09-27 | 2019-12-13 | 五邑大学 | 基于改进a*算法的路径规划方法、装置及机器人 |
| CN111176273B (zh) * | 2019-12-24 | 2022-03-11 | 中国科学院合肥物质科学研究院 | 无人机动平台在多域地形环境下的全局路径规划方法 |
| CN111176273A (zh) * | 2019-12-24 | 2020-05-19 | 中国科学院合肥物质科学研究院 | 无人机动平台在多域地形环境下的全局路径规划方法 |
| CN111158366B (zh) * | 2019-12-31 | 2021-11-05 | 湖南大学 | 基于图搜索和几何曲线融合的路径规划方法 |
| CN111158366A (zh) * | 2019-12-31 | 2020-05-15 | 湖南大学 | 基于图搜索和几何曲线融合的路径规划方法 |
| 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 |
| 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 |
| CN111422741B (zh) * | 2020-03-24 | 2022-02-11 | 苏州西弗智能科技有限公司 | 一种桥式起重机运动路径规划方法 |
| CN111422741A (zh) * | 2020-03-24 | 2020-07-17 | 苏州西弗智能科技有限公司 | 一种桥式起重机运动路径规划方法 |
| CN112015183B (zh) * | 2020-09-08 | 2022-02-08 | 安徽工程大学 | 一种能耗约束下在具有凹凸地形中移动机器人避障方法 |
| CN112015183A (zh) * | 2020-09-08 | 2020-12-01 | 安徽工程大学 | 一种能耗约束下在具有凹凸地形中移动机器人避障方法 |
| CN112595324A (zh) * | 2020-12-10 | 2021-04-02 | 安徽工程大学 | 一种能耗最优下最优节点轮式移动机器人路径规划方法 |
| CN112666948A (zh) * | 2020-12-21 | 2021-04-16 | 燕山大学 | 一种基于信道建模的自主水下航行器路径规划方法 |
| CN112666948B (zh) * | 2020-12-21 | 2022-07-01 | 燕山大学 | 一种基于信道建模的自主水下航行器路径规划方法 |
| CN112985408A (zh) * | 2021-02-25 | 2021-06-18 | 南京航空航天大学 | 一种路径规划优化方法及系统 |
| CN114428499A (zh) * | 2021-12-16 | 2022-05-03 | 哈尔滨理工大学 | 一种融合Astar与DWA算法的移动小车路径规划方法 |
| CN117243694A (zh) * | 2023-10-19 | 2023-12-19 | 河北港口集团有限公司秦皇岛中西医结合医院 | 基于ct影像的穿刺路线规划方法 |
| CN117243694B (zh) * | 2023-10-19 | 2024-03-12 | 河北港口集团有限公司秦皇岛中西医结合医院 | 基于ct影像的穿刺路线规划方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108508893A (zh) | 一种基于改进a算法的机器人能效最优路径规划方法 | |
| CN110487279B (zh) | 一种基于改进a＊算法的路径规划方法 | |
| Arslan et al. | Use of relaxation methods in sampling-based algorithms for optimal motion planning | |
| CN109764886A (zh) | 一种路径规划方法 | |
| CN104457775A (zh) | 路径确定方法、装置和导航仪 | |
| CN104732192B (zh) | 一种建筑图纸墙体识别方法和装置 | |
| CN109990796A (zh) | 基于双向扩展随机树的智能车路径规划方法 | |
| CN107943053A (zh) | 一种移动机器人的路径规划方法 | |
| CN101685016B (zh) | 基于矢量电子海图的二维航迹规划方法 | |
| Xue et al. | Path planning of mobile robot based on improved ant colony algorithm for logistics | |
| Antsfeld et al. | Finding multi-criteria optimal paths in multi-modal public transportation networks using the transit algorithm | |
| CN103226581A (zh) | 一种基于方向寻优的启发式最短路径搜索方法 | |
| CN103425753A (zh) | 一种基于方向寻优的启发式最短路径搜索方法 | |
| CN107544502A (zh) | 一种已知环境下的移动机器人规划方法 | |
| CN108572999A (zh) | 兴趣面aoi轮廓的搜索方法及装置 | |
| CN106323324B (zh) | 基于路链的快速最短路径规划方法 | |
| Peres et al. | A central limit theorem for biased random walks on Galton–Watson trees | |
| CN116734856A (zh) | 一种考虑洋流影响的水下机器人路径规划方法 | |
| Efentakis et al. | GRASP. Extending graph separators for the single-source shortest-path problem | |
| CN113808424B (zh) | 基于双向Dijkstra的城市路网K条最短路径的获取方法 | |
| CN109798899B (zh) | 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 | |
| CN109781126A (zh) | 一种基于矢量法的全局静态路径规划方法 | |
| CN108112018A (zh) | 一种移动通信网络待优化区域边界的确定办法及装置 | |
| CN108731688A (zh) | 导航方法和装置 | |
| CN114510053A (zh) | 机器人规划路径校验方法、装置、存储介质及电子设备 |
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: 20180907 |
|
| RJ01 | Rejection of invention patent application after publication |