CN108646765A - 基于改进a*算法的四足机器人路径规划方法及系统 - Google Patents

基于改进a*算法的四足机器人路径规划方法及系统 Download PDF

Info

Publication number
CN108646765A
CN108646765A CN201810827669.6A CN201810827669A CN108646765A CN 108646765 A CN108646765 A CN 108646765A CN 201810827669 A CN201810827669 A CN 201810827669A CN 108646765 A CN108646765 A CN 108646765A
Authority
CN
China
Prior art keywords
grid
barrier
point
target
quadruped robot
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
Application number
CN201810827669.6A
Other languages
English (en)
Inventor
张慧
李彬
荣学文
李贻斌
刘斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN201810827669.6A priority Critical patent/CN108646765A/zh
Publication of CN108646765A publication Critical patent/CN108646765A/zh
Pending legal-status Critical Current

Links

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
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process

Abstract

本发明公开了一种基于改进A*算法的四足机器人路径规划方法及系统。其中，该方法包括构建环境栅格地图，将四足机器人及目标位置均通过栅格坐标表示；按照四足机器人中心与机体边缘的最短距离对障碍物所处的栅格进行初始膨胀，障碍物与初始膨胀后的栅格共同构成最小不可通过区域；依据四足机器人实际运行时所需的安全距离，在最小不可通行区域基础上确定出外扩的栅格层数，将外扩后区域内的栅格作为障碍物虚拟膨胀栅格；利用改进A*算法确定出从初始栅格点到目标栅格点的通行代价值，判定从初始栅格点到目标栅格点的通行代价值最小时所对应的路径为最优路径。其可在驱使四足机器人远离障碍物的同时避免了狭窄通道的堵塞问题。

Description

基于改进A*算法的四足机器人路径规划方法及系统
技术领域
本发明属于机器人技术领域，尤其涉及一种基于改进A*算法的四足机器人路径规划方法及系统。
背景技术
四足机器人如BigDog，LS3，HyQ及Scalf等与轮式或履带式机器人相比具有更好的地形适应性、机动性和灵活性。当该类机器人在室外非结构化环境下自主运行时，如何快速有效的进行路径规划成了必须解决的问题。
目前机器人领域普遍采用基于栅格的路径规划算法，该种规划方法将环境用规则化的栅格进行表示，并把路径规划转化为对联通栅格的搜索问题。A*算法是该类算法中应用最广泛的一种，它可以搜索出连接起始点与目标点的最优路径。但基于栅格的环境描述方法往往将机器人等同为质点，并将障碍物按照特定尺寸进行膨胀来满足机器人的避障需要。但是，A*算法适用于圆形或方形机器人，因为可以选择机器人的半径或机器人中心与机体边缘的最大距离作为障碍物膨胀半径。然而四足机器人外形往往是长方形，这导致障碍物的膨胀半径较难选择，如若选则机器人中心与边缘的最小距离作为膨胀半径则容易让机器人与障碍距离过近从而引发发生碰撞，然而如果选则最大距离又容易堵塞狭窄通道，因此如何改进环境描述方法并找出一种安全可靠的路径搜索方法是提升四足机器人环境适应性的关键。
发明内容
为了解决现有技术的不足，本发明的第一目的是提供一种基于改进A*算法的四足机器人路径规划方法，其能够在驱使四足机器人远离障碍物的同时避免了狭窄通道的堵塞问题，安全可靠搜索出最优路径。
本发明的一种基于改进A*算法的四足机器人路径规划方法，包括：
构建环境栅格地图，将四足机器人及目标位置均通过栅格坐标表示；
按照四足机器人中心与机体边缘的最短距离对障碍物所处的栅格进行初始膨胀，障碍物与初始膨胀后的栅格共同构成最小不可通过区域；
依据四足机器人实际运行时所需的安全距离，在最小不可通行区域基础上确定出外扩的栅格层数，将外扩后区域内的栅格作为障碍物虚拟膨胀栅格；
利用改进A*算法确定出从初始栅格点到目标栅格点的通行代价值，判定从初始栅格点到目标栅格点的通行代价值最小时所对应的路径为最优路径；
其中，改进A*算法确定出从初始栅格点到目标栅格点的通行代价值，即为从初始栅格点到目标栅格点的路径长度，且等于从初始栅格点到目标栅格点的前一个栅格点的距离、目标栅格点的前一个栅格点到目标栅格点的通行代价值以及目标栅格点距离值的额外增量三者累加之后，再减去目标栅格点的前一个栅格点距离值的额外增量；
目标栅格点距离值的额外增量等于障碍物虚拟膨胀栅格受障碍物影响的危险等级与路径远离障碍物一个栅格条件下所需的额外代价的乘积；
障碍物虚拟膨胀栅格受障碍物影响的危险等级等于外扩的栅格层数减去当前栅格与障碍物虚拟膨胀栅格的距离之后再加1。
进一步的，路径远离障碍物一个栅格条件下所需的额外代价大于相邻栅格距离值的最小增量与栅格边长之和。
进一步的，从初始栅格点到目标栅格点的前一个栅格点的距离采用Manhattan函数进行计算。
进一步的，当前栅格与障碍物虚拟膨胀栅格的距离采用Manhattan函数进行计算。
本发明的第二目的是提供一种基于改进A*算法的四足机器人路径规划系统，其能够在驱使四足机器人远离障碍物的同时避免了狭窄通道的堵塞问题，安全可靠搜索出最优路径。
本发明的一种基于改进A*算法的四足机器人路径规划系统，包括路径规划处理器，所述路径规划处理器包括：
环境栅格地图构建模块，其被配置为构建环境栅格地图，将四足机器人及目标位置均通过栅格坐标表示；
最小不可通过区域构建模块，其被配置为按照四足机器人中心与机体边缘的最短距离对障碍物所处的栅格进行初始膨胀，障碍物与初始膨胀后的栅格共同构成最小不可通过区域；
障碍物虚拟膨胀栅格设置模块，其被配置为依据四足机器人实际运行时所需的安全距离，在最小不可通行区域基础上确定出外扩的栅格层数，将外扩后区域内的栅格作为障碍物虚拟膨胀栅格；
最优路径判定模块，其被配置为利用改进A*算法确定出从初始栅格点到目标栅格点的通行代价值，判定从初始栅格点到目标栅格点的通行代价值最小时所对应的路径为最优路径；
在所述最优路径判定模块中，改进A*算法确定出从初始栅格点到目标栅格点的通行代价值，即为从初始栅格点到目标栅格点的路径长度，且等于从初始栅格点到目标栅格点的前一个栅格点的距离、目标栅格点的前一个栅格点到目标栅格点的通行代价值以及目标栅格点距离值的额外增量三者累加之后，再减去目标栅格点的前一个栅格点距离值的额外增量；
目标栅格点距离值的额外增量等于障碍物虚拟膨胀栅格受障碍物影响的危险等级与路径远离障碍物一个栅格条件下所需的额外代价的乘积；
障碍物虚拟膨胀栅格受障碍物影响的危险等级等于外扩的栅格层数减去当前栅格与障碍物虚拟膨胀栅格的距离之后再加1。
进一步的，在所述最优路径判定模块中，路径远离障碍物一个栅格条件下所需的额外代价大于相邻栅格距离值的最小增量与栅格边长之和。
进一步的，在所述最优路径判定模块中，从初始栅格点到目标栅格点的前一个栅格点的距离采用Manhattan函数进行计算。
进一步的，在所述最优路径判定模块中，当前栅格与障碍物虚拟膨胀栅格的距离采用Manhattan函数进行计算。
与现有技术相比，本发明的有益效果是：
本发明采用增大栅格代价值的方式实现对障碍物的虚拟膨胀，由于仅改变了栅格的通行代价值而非将其视为不可通行的障碍栅格，因而可在驱使四足机器人远离障碍物的同时避免了狭窄通道的堵塞问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是一种基于改进A*算法的四足机器人路径规划方法流程图；
图2(a)是包含障碍物的环境地图；
图2(b)是机器人与障碍距离过近而发生碰撞的示意图；
图2(c)是障碍物膨胀导致的狭窄通道的阻塞示意图；
图3(a)是本发明的方法规划的路径；
图3(b)是期望路径；
图4(a)是扩展一个栅格后的路径示意图；
图4(b)是通过狭窄通道的路径示意图；
图5是一种基于改进A*算法的四足机器人路径规划系统结构示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
基于栅格的路径规划方法往往把机器人等同于质点，然后将障碍物按照机器人尺寸进行膨胀，进而生成如图2(a)所示的环境地图及路径，图中菱形栅格为障碍物，其膨胀后所影响的区域如黑色栅格所示，障碍物与膨胀后的栅格共同构成不可通过区域。该种障碍物处理方式较适用于圆形或方形机器人，因为可以选择机器人半径或机器人中心与边缘距离的最大值作为障碍膨胀半径。
然而对于腿足式机器人其形状往往为长方形，这使得机器人中心与边缘距离的变化比较明显，从而增加了膨胀半径的选择难度。如若选则机器人中心与边缘的最小距离作为膨胀半径则容易让机器人与障碍距离过近从而引发发生碰撞，如图2(b)所示，然而如果选则最大距离又容易导致环境地图中狭窄通道的阻塞问题，如图2(c)所示。针对此问题该部分提出了具有障碍物栅格虚拟膨胀功能的改进A*算法。
图1是一种基于改进A*算法的四足机器人路径规划方法流程图。
如图1所示，本发明的一种基于改进A*算法的四足机器人路径规划方法，包括：
构建环境栅格地图，将四足机器人及目标位置均通过栅格坐标表示；
按照四足机器人中心与机体边缘的最短距离对障碍物所处的栅格进行初始膨胀，障碍物与初始膨胀后的栅格共同构成最小不可通过区域；
依据四足机器人实际运行时所需的安全距离，在最小不可通行区域基础上确定出外扩的栅格层数，将外扩后区域内的栅格作为障碍物虚拟膨胀栅格；
利用改进A*算法确定出从初始栅格点到目标栅格点的通行代价值，判定从初始栅格点到目标栅格点的通行代价值最小时所对应的路径为最优路径。
在具体实施例中，本发明的一种基于改进A*算法的四足机器人路径规划方法的具体实施方案为：
首先构建环境栅格地图，机器人及目标点的位置通过栅格坐标表示，进而将路径规划问题转化为栅格8邻域区间的连通性问题。
例如：定义单个栅格物理尺寸为10*10cm。障碍物所处的栅格按照机器人中心与机体边缘的最短距离进行初始膨胀，障碍物与膨胀后的栅格共同构成最小不可通过区域。
然后，依据机器人实际运行时所需的安全距离，在上述最小不可通行区域基础上确定需进一步外扩的栅格层数n，将此区域内的栅格作为障碍物虚拟膨胀栅格，并确定其通行代价值，具体计算方法为：
引入d(s)存储虚拟膨胀栅格受障碍物影响的危险等级，其值为：
d(s)＝n-l(s)+1 (1)
式中s表示当前所处的栅格，l(s)为当前栅格与障碍栅格的距离，其值为
式中xs，ys为当前栅格的坐标，xobst，yobst为障碍栅格的坐标。
然后针对A*算法的代价函数f(s)。
f(s)＝g(s)+h(s) (3)
式中f(s)表示所搜索到的栅格点s的代价值，g(s)反映了从起点到栅格点s的路径长度，h(s)为栅格点s到目标点的路径长度，通常采用Manhattan函数进行计算，则目标点处的f值即为最优路径的长度。
其中
将公式(4)修改为公式(5)：
式中c(s-1,s)表示栅格s-1到栅格s的代价值，其只e(s)＝d(s)*α表示当前栅格g值的额外增量，α表示路径远离障碍物一个栅格条件下所需的额外代价。α值的确定由图3(a)和图3(b)进行了展示，其中图3(a)为原始路径，图3(b)为远离障碍物一个栅格后的路径，可知所标注的栅格代价值应满足
f+a1＝g+h+α＞f1+10＝g1+h+10＝g+ε+h+10 (6)
式中ε表示相邻栅格g值的最小增量，10表示栅格地图中单个栅格的边长。
进而可得：
α＞ε+10 (7)
在栅格尺寸为10*10cm时，该值为4。因而取α＝14.01即可满足要求。
最终可得改进后的g(s)表达式为：
图4(a)和图4(b)展示了通过上述公式将障碍物进行虚拟扩展后的路径规划效果。图4(a)为障碍物虚拟扩展1层时的路径规划结果，图4(b)为障碍物虚拟扩展2层时的通过狭窄区域的路径规划效果，从图4(b)可知：狭窄通道虽处于障碍物虚拟膨胀区域，但其可通过性并没有受到影响。
本发明采用增大栅格代价值的方式实现对障碍物的虚拟膨胀，由于仅改变了栅格的通行代价值而非将其视为不可通行的障碍栅格，因而可在驱使四足机器人远离障碍物的同时避免了狭窄通道的堵塞问题。
图5是一种基于改进A*算法的四足机器人路径规划系统结构示意图。
如图5所示，本发明的一种基于改进A*算法的四足机器人路径规划系统，包括路径规划处理器，所述路径规划处理器包括：
(1)环境栅格地图构建模块，其被配置为构建环境栅格地图，将四足机器人及目标位置均通过栅格坐标表示；
(2)最小不可通过区域构建模块，其被配置为按照四足机器人中心与机体边缘的最短距离对障碍物所处的栅格进行初始膨胀，障碍物与初始膨胀后的栅格共同构成最小不可通过区域；
(3)障碍物虚拟膨胀栅格设置模块，其被配置为依据四足机器人实际运行时所需的安全距离，在最小不可通行区域基础上确定出外扩的栅格层数，将外扩后区域内的栅格作为障碍物虚拟膨胀栅格；
(4)最优路径判定模块，其被配置为利用改进A*算法确定出从初始栅格点到目标栅格点的通行代价值，判定从初始栅格点到目标栅格点的通行代价值最小时所对应的路径为最优路径；
在所述最优路径判定模块中，改进A*算法确定出从初始栅格点到目标栅格点的通行代价值，即为从初始栅格点到目标栅格点的路径长度，且等于从初始栅格点到目标栅格点的前一个栅格点的距离、目标栅格点的前一个栅格点到目标栅格点的通行代价值以及目标栅格点距离值的额外增量三者累加之后，再减去目标栅格点的前一个栅格点距离值的额外增量；
目标栅格点距离值的额外增量等于障碍物虚拟膨胀栅格受障碍物影响的危险等级与路径远离障碍物一个栅格条件下所需的额外代价的乘积；
障碍物虚拟膨胀栅格受障碍物影响的危险等级等于外扩的栅格层数减去当前栅格与障碍物虚拟膨胀栅格的距离之后再加1。
在所述最优路径判定模块中，路径远离障碍物一个栅格条件下所需的额外代价大于相邻栅格距离值的最小增量与栅格边长之和。
在所述最优路径判定模块中，从初始栅格点到目标栅格点的前一个栅格点的距离采用Manhattan函数进行计算。
在所述最优路径判定模块中，当前栅格与障碍物虚拟膨胀栅格的距离采用Manhattan函数进行计算。
本发明采用增大栅格代价值的方式实现对障碍物的虚拟膨胀，由于仅改变了栅格的通行代价值而非将其视为不可通行的障碍栅格，因而可在驱使四足机器人远离障碍物的同时避免了狭窄通道的堵塞问题。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.一种基于改进A*算法的四足机器人路径规划方法，其特征在于，包括：
构建环境栅格地图，将四足机器人及目标位置均通过栅格坐标表示；
按照四足机器人中心与机体边缘的最短距离对障碍物所处的栅格进行初始膨胀，障碍物与初始膨胀后的栅格共同构成最小不可通过区域；
依据四足机器人实际运行时所需的安全距离，在最小不可通行区域基础上确定出外扩的栅格层数，将外扩后区域内的栅格作为障碍物虚拟膨胀栅格；
利用改进A*算法确定出从初始栅格点到目标栅格点的通行代价值，判定从初始栅格点到目标栅格点的通行代价值最小时所对应的路径为最优路径；
其中，改进A*算法确定出从初始栅格点到目标栅格点的通行代价值，即为从初始栅格点到目标栅格点的路径长度，且等于从初始栅格点到目标栅格点的前一个栅格点的距离、目标栅格点的前一个栅格点到目标栅格点的通行代价值以及目标栅格点距离值的额外增量三者累加之后，再减去目标栅格点的前一个栅格点距离值的额外增量；
目标栅格点距离值的额外增量等于障碍物虚拟膨胀栅格受障碍物影响的危险等级与路径远离障碍物一个栅格条件下所需的额外代价的乘积；
障碍物虚拟膨胀栅格受障碍物影响的危险等级等于外扩的栅格层数减去当前栅格与障碍物虚拟膨胀栅格的距离之后再加1。
2.如权利要求1所述的一种基于改进A*算法的四足机器人路径规划方法，其特征在于，路径远离障碍物一个栅格条件下所需的额外代价大于相邻栅格距离值的最小增量与栅格边长之和。
3.如权利要求1所述的一种基于改进A*算法的四足机器人路径规划方法，其特征在于，从初始栅格点到目标栅格点的前一个栅格点的距离采用Manhattan函数进行计算。
4.如权利要求3所述的一种基于改进A*算法的四足机器人路径规划方法，其特征在于，当前栅格与障碍物虚拟膨胀栅格的距离采用Manhattan函数进行计算。
5.一种基于改进A*算法的四足机器人路径规划系统，其特征在于，包括路径规划处理器，所述路径规划处理器包括：
环境栅格地图构建模块，其被配置为构建环境栅格地图，将四足机器人及目标位置均通过栅格坐标表示；
最小不可通过区域构建模块，其被配置为按照四足机器人中心与机体边缘的最短距离对障碍物所处的栅格进行初始膨胀，障碍物与初始膨胀后的栅格共同构成最小不可通过区域；
障碍物虚拟膨胀栅格设置模块，其被配置为依据四足机器人实际运行时所需的安全距离，在最小不可通行区域基础上确定出外扩的栅格层数，将外扩后区域内的栅格作为障碍物虚拟膨胀栅格；
最优路径判定模块，其被配置为利用改进A*算法确定出从初始栅格点到目标栅格点的通行代价值，判定从初始栅格点到目标栅格点的通行代价值最小时所对应的路径为最优路径；
在所述最优路径判定模块中，改进A*算法确定出从初始栅格点到目标栅格点的通行代价值，即为从初始栅格点到目标栅格点的路径长度，且等于从初始栅格点到目标栅格点的前一个栅格点的距离、目标栅格点的前一个栅格点到目标栅格点的通行代价值以及目标栅格点距离值的额外增量三者累加之后，再减去目标栅格点的前一个栅格点距离值的额外增量；
目标栅格点距离值的额外增量等于障碍物虚拟膨胀栅格受障碍物影响的危险等级与路径远离障碍物一个栅格条件下所需的额外代价的乘积；
障碍物虚拟膨胀栅格受障碍物影响的危险等级等于外扩的栅格层数减去当前栅格与障碍物虚拟膨胀栅格的距离之后再加1。
6.如权利要求5所述的一种基于改进A*算法的四足机器人路径规划系统，其特征在于，在所述最优路径判定模块中，路径远离障碍物一个栅格条件下所需的额外代价大于相邻栅格距离值的最小增量与栅格边长之和。
7.如权利要求5所述的一种基于改进A*算法的四足机器人路径规划系统，其特征在于，在所述最优路径判定模块中，从初始栅格点到目标栅格点的前一个栅格点的距离采用Manhattan函数进行计算。
8.如权利要求7所述的一种基于改进A*算法的四足机器人路径规划系统，其特征在于，在所述最优路径判定模块中，当前栅格与障碍物虚拟膨胀栅格的距离采用Manhattan函数进行计算。
CN201810827669.6A 2018-07-25 2018-07-25 基于改进a*算法的四足机器人路径规划方法及系统 Pending CN108646765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810827669.6A CN108646765A (zh) 2018-07-25 2018-07-25 基于改进a*算法的四足机器人路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810827669.6A CN108646765A (zh) 2018-07-25 2018-07-25 基于改进a*算法的四足机器人路径规划方法及系统

Publications (1)

Publication Number Publication Date
CN108646765A true CN108646765A (zh) 2018-10-12

Family

ID=63760165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810827669.6A Pending CN108646765A (zh) 2018-07-25 2018-07-25 基于改进a*算法的四足机器人路径规划方法及系统

Country Status (1)

Country Link
CN (1) CN108646765A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109947100A (zh) * 2019-03-12 2019-06-28 深圳优地科技有限公司 路径规划方法、系统及终端设备
CN110262518A (zh) * 2019-07-22 2019-09-20 上海交通大学 基于轨迹拓扑地图和避障的车辆导航方法、系统及介质
CN110298267A (zh) * 2019-06-11 2019-10-01 北京百度网讯科技有限公司 路径处理方法、设备和存储介质
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
CN110702133A (zh) * 2019-09-29 2020-01-17 安克创新科技股份有限公司 路径规划方法、机器人以及具有存储功能的装置
CN110823240A (zh) * 2019-11-19 2020-02-21 齐鲁工业大学 一种具有航向约束的跟随机器人路径规划方法及系统
CN110967032A (zh) * 2019-12-03 2020-04-07 清华大学 一种野外环境下无人车局部行驶路线实时规划方法
CN111035930A (zh) * 2019-12-06 2020-04-21 珠海海鸟科技有限公司 地图数据处理方法及装置
CN111341136A (zh) * 2020-02-11 2020-06-26 浙江吉利汽车研究院有限公司 一种基于车路协同的代客泊车方法、系统及存储介质
CN111338384A (zh) * 2019-12-17 2020-06-26 北京化工大学 一种仿蛇机器人自适应路径跟踪方法
CN111399516A (zh) * 2020-03-31 2020-07-10 深圳市银星智能科技股份有限公司 一种机器人路径规划方法、装置以及机器人
CN111781936A (zh) * 2020-08-07 2020-10-16 深圳中智永浩机器人有限公司 机器人路径规划方法、装置、机器人及计算机可读存储介质
CN112099498A (zh) * 2020-09-08 2020-12-18 合肥学院 基于参数化Thiele连分式插值的路径规划方法及系统
CN112327856A (zh) * 2020-11-13 2021-02-05 云南电网有限责任公司保山供电局 一种基于改进A-star算法的机器人路径规划方法
CN112703144A (zh) * 2020-12-21 2021-04-23 华为技术有限公司 控制方法、相关设备及计算机可读存储介质
CN113895729A (zh) * 2021-10-11 2022-01-07 上海第二工业大学 装箱方法、装箱控制系统
CN114397893A (zh) * 2021-12-28 2022-04-26 深圳市银星智能科技股份有限公司 路径规划方法、机器人清扫方法及相关设备
CN114594761A (zh) * 2022-01-05 2022-06-07 美的集团(上海)有限公司 机器人的路径规划方法、电子设备及计算机可读存储介质
CN115406459A (zh) * 2022-09-09 2022-11-29 中国第一汽车股份有限公司 路径确定方法、装置、非易失性存储介质及计算机设备
CN115629612A (zh) * 2022-12-19 2023-01-20 科大讯飞股份有限公司 一种避障方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120283948A1 (en) * 2011-05-03 2012-11-08 University Of Southern California Hierarchical and Exact Fastest Path Computation in Time-dependent Spatial Networks
CN103279113A (zh) * 2013-06-27 2013-09-04 山东大学 一种分布式液压四足机器人控制系统及控制方法
CN103955221A (zh) * 2014-05-05 2014-07-30 北京理工大学 带任务时效性的多平台协作路径规划系统和方法
KR20150121931A (ko) * 2014-04-22 2015-10-30 부산대학교 산학협력단 하이브리드 경로 생성 방법을 이용한 무인 지상 차량 경로 제어 시스템
CN105929843A (zh) * 2016-04-22 2016-09-07 天津城建大学 一种基于改进蚁群算法的机器人路径规划方法
CN106647769A (zh) * 2017-01-19 2017-05-10 厦门大学 基于a*提取引导点的agv路径跟踪与避障协调方法
CN107990903A (zh) * 2017-12-29 2018-05-04 东南大学 一种基于改进a*算法的室内agv路径规划方法
CN108303098A (zh) * 2018-02-09 2018-07-20 上海思岚科技有限公司 机器人路径规划方法及设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120283948A1 (en) * 2011-05-03 2012-11-08 University Of Southern California Hierarchical and Exact Fastest Path Computation in Time-dependent Spatial Networks
CN103279113A (zh) * 2013-06-27 2013-09-04 山东大学 一种分布式液压四足机器人控制系统及控制方法
KR20150121931A (ko) * 2014-04-22 2015-10-30 부산대학교 산학협력단 하이브리드 경로 생성 방법을 이용한 무인 지상 차량 경로 제어 시스템
CN103955221A (zh) * 2014-05-05 2014-07-30 北京理工大学 带任务时效性的多平台协作路径规划系统和方法
CN105929843A (zh) * 2016-04-22 2016-09-07 天津城建大学 一种基于改进蚁群算法的机器人路径规划方法
CN106647769A (zh) * 2017-01-19 2017-05-10 厦门大学 基于a*提取引导点的agv路径跟踪与避障协调方法
CN107990903A (zh) * 2017-12-29 2018-05-04 东南大学 一种基于改进a*算法的室内agv路径规划方法
CN108303098A (zh) * 2018-02-09 2018-07-20 上海思岚科技有限公司 机器人路径规划方法及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张慧: "四足机器人地环境感知、识别与领航员跟随算法研究", 《中国博士学位论文全文数据库 信息科技辑》 *
邓博文，等: "局部路径规划在无人工程机械作业中的应用", 《兵工自动化》 *

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109947100A (zh) * 2019-03-12 2019-06-28 深圳优地科技有限公司 路径规划方法、系统及终端设备
CN109947100B (zh) * 2019-03-12 2022-05-24 深圳优地科技有限公司 路径规划方法、系统及终端设备
CN110298267B (zh) * 2019-06-11 2021-12-14 北京百度网讯科技有限公司 路径处理方法、设备和存储介质
CN110298267A (zh) * 2019-06-11 2019-10-01 北京百度网讯科技有限公司 路径处理方法、设备和存储介质
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
CN110262518A (zh) * 2019-07-22 2019-09-20 上海交通大学 基于轨迹拓扑地图和避障的车辆导航方法、系统及介质
CN110702133A (zh) * 2019-09-29 2020-01-17 安克创新科技股份有限公司 路径规划方法、机器人以及具有存储功能的装置
CN110702133B (zh) * 2019-09-29 2021-11-12 安克创新科技股份有限公司 路径规划方法、机器人以及具有存储功能的装置
CN110823240A (zh) * 2019-11-19 2020-02-21 齐鲁工业大学 一种具有航向约束的跟随机器人路径规划方法及系统
CN110967032A (zh) * 2019-12-03 2020-04-07 清华大学 一种野外环境下无人车局部行驶路线实时规划方法
CN110967032B (zh) * 2019-12-03 2022-01-04 清华大学 一种野外环境下无人车局部行驶路线实时规划方法
CN111035930B (zh) * 2019-12-06 2024-04-19 珠海海鸟科技有限公司 地图数据处理方法及装置
CN111035930A (zh) * 2019-12-06 2020-04-21 珠海海鸟科技有限公司 地图数据处理方法及装置
CN111338384B (zh) * 2019-12-17 2021-06-08 北京化工大学 一种仿蛇机器人自适应路径跟踪方法
CN111338384A (zh) * 2019-12-17 2020-06-26 北京化工大学 一种仿蛇机器人自适应路径跟踪方法
CN111341136A (zh) * 2020-02-11 2020-06-26 浙江吉利汽车研究院有限公司 一种基于车路协同的代客泊车方法、系统及存储介质
CN111399516B (zh) * 2020-03-31 2021-07-02 深圳市银星智能科技股份有限公司 一种机器人路径规划方法、装置以及机器人
CN111399516A (zh) * 2020-03-31 2020-07-10 深圳市银星智能科技股份有限公司 一种机器人路径规划方法、装置以及机器人
CN111781936A (zh) * 2020-08-07 2020-10-16 深圳中智永浩机器人有限公司 机器人路径规划方法、装置、机器人及计算机可读存储介质
CN112099498A (zh) * 2020-09-08 2020-12-18 合肥学院 基于参数化Thiele连分式插值的路径规划方法及系统
CN112327856A (zh) * 2020-11-13 2021-02-05 云南电网有限责任公司保山供电局 一种基于改进A-star算法的机器人路径规划方法
CN112327856B (zh) * 2020-11-13 2022-12-06 云南电网有限责任公司保山供电局 一种基于改进A-star算法的机器人路径规划方法
CN112703144A (zh) * 2020-12-21 2021-04-23 华为技术有限公司 控制方法、相关设备及计算机可读存储介质
CN113895729B (zh) * 2021-10-11 2023-02-03 上海第二工业大学 装箱方法、装箱控制系统
CN113895729A (zh) * 2021-10-11 2022-01-07 上海第二工业大学 装箱方法、装箱控制系统
CN114397893A (zh) * 2021-12-28 2022-04-26 深圳市银星智能科技股份有限公司 路径规划方法、机器人清扫方法及相关设备
CN114397893B (zh) * 2021-12-28 2024-02-02 深圳银星智能集团股份有限公司 路径规划方法、机器人清扫方法及相关设备
CN114594761A (zh) * 2022-01-05 2022-06-07 美的集团(上海)有限公司 机器人的路径规划方法、电子设备及计算机可读存储介质
CN115406459A (zh) * 2022-09-09 2022-11-29 中国第一汽车股份有限公司 路径确定方法、装置、非易失性存储介质及计算机设备
CN115629612A (zh) * 2022-12-19 2023-01-20 科大讯飞股份有限公司 一种避障方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN108646765A (zh) 基于改进a*算法的四足机器人路径规划方法及系统
CN107990903B (zh) 一种基于改进a*算法的室内agv路径规划方法
CN108549385B (zh) 一种结合a*算法和vfh避障算法的机器人动态路径规划方法
Li et al. Eecbs: A bounded-suboptimal search for multi-agent path finding
CN112034836B (zh) 一种改进a*算法的移动机器人路径规划方法
CN108775902A (zh) 基于障碍物虚拟膨胀的伴随机器人路径规划方法及系统
CN106647769B (zh) 基于a*提取引导点的agv路径跟踪与避障协调方法
Wang et al. The EBS-A* algorithm: An improved A* algorithm for path planning
CN111811514B (zh) 一种基于正六边形栅格跳点搜索算法的路径规划方法
Kallmann et al. Navigation meshes and real-time dynamic planning for virtual worlds
CN108444490B (zh) 基于可视图和a*算法深度融合的机器人路径规划方法
CN103529843A (zh) Lambda*路径规划算法
CN106931970A (zh) 一种动态环境中机器人安全自主规划导航方法
CN111781925A (zh) 路径规划方法、装置、机器人及存储介质
CN103324796B (zh) 一种大规模集成电路设计中的绕障直角斯坦纳树构造方法
Janchiv et al. Complete coverage path planning for multi-robots based on
CN113515129B (zh) 一种基于边界查找的双向跳点搜索无人车路径规划方法
CN112033413A (zh) 一种结合环境信息的改进a*算法
CN114089765A (zh) 一种面向城市绿地的割草机器人遍历路径规划方法
CN109374005B (zh) 一种基于船舶vr模型的船舶内部路径规划方法
CN112284393A (zh) 一种智能移动机器人全局路径规划方法和系统
Fermin-Leon et al. TIGRE: Topological graph based robotic exploration
Seder et al. Hierarchical path planning of mobile robots in complex indoor environments
CN114281084A (zh) 一种基于改进a*算法的智能车全局路径规划方法
Le et al. Search-based planning and replanning in robotics and autonomous systems

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: 20181012

RJ01 Rejection of invention patent application after publication