CN108775902A - 基于障碍物虚拟膨胀的伴随机器人路径规划方法及系统 - Google Patents

基于障碍物虚拟膨胀的伴随机器人路径规划方法及系统 Download PDF

Info

Publication number
CN108775902A
CN108775902A CN201810826714.6A CN201810826714A CN108775902A CN 108775902 A CN108775902 A CN 108775902A CN 201810826714 A CN201810826714 A CN 201810826714A CN 108775902 A CN108775902 A CN 108775902A
Authority
CN
China
Prior art keywords
path
point
robot
grid
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
Application number
CN201810826714.6A
Other languages
English (en)
Inventor
张慧
荣学文
李贻斌
李彬
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 CN201810826714.6A priority Critical patent/CN108775902A/zh
Publication of CN108775902A publication Critical patent/CN108775902A/zh
Pending legal-status Critical Current

Links

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
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • 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
    • G05D1/12—Target-seeking control

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了基于障碍物虚拟膨胀的伴随机器人路径规划方法及系统，包括：构建环境地图：根据实际场景构建二维占据栅格地图，将每一个栅格标记为障碍区域或可行区域；在栅格地图中设定伴随机器人和可移动目标点的初始坐标位置；为机器人建立滑动窗口；对障碍区域进行膨胀处理：按照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，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标记障碍物虚拟膨胀栅格受障碍物影响的危险等级；基于A*算法和增量路径规划方法对伴随机器人的路径进行规划。采用上一时刻路径进行增量式路径更新，节省路径规划的时间，提升伴随机器人的反应速度。

Description

基于障碍物虚拟膨胀的伴随机器人路径规划方法及系统
技术领域
本发明涉及机器人技术领域，特别是涉及基于障碍物虚拟膨胀的伴随机器人路径规划方法及系统。
背景技术
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距离最优路径。
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。该种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。然而外形为长方形的机器人，如四足机器人，其障碍物的膨胀半径较难选择，如若选择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，然而如果选择最大距离又容易堵塞狭窄通道。
同时，A*算法是一种静态搜索算法，这意味着当路径重规划时该算法不得不从起点开始重新规划。特别是在机器人跟随领航员进行伴随行走条件下，路径规划相邻时刻的机器人及目标点所处的位置变化很小，因而其所处的环境信息很难发生剧烈的变化。所以在路径更新时若机器人每次都从起点对路径进行重规划则会使得新旧路径具有较多的重复部分，从而导致路径搜索效率的下降，增加机器人自身的能耗损失。
发明内容
为了解决现有技术的不足，本发明提供了基于障碍物虚拟膨胀的伴随机器人路径规划方法及系统，尤其适用于以四足机器人为载体，以跟随行走为运动方式时的特殊应用环境。
为了解决上述技术问题，本发明采用如下技术方案：
作为本发明的第一方面，提供了基于障碍物虚拟膨胀的伴随机器人路径规划方法；
基于障碍物虚拟膨胀的伴随机器人路径规划方法，包括：
构建环境地图：根据实际场景构建二维占据栅格地图，将每一个栅格标记为障碍区域或可行区域；
伴随机器人以及可移动目标点的初始化：在栅格地图中设定伴随机器人和可移动目标点的初始坐标位置；为机器人建立滑动窗口；
对障碍区域进行膨胀处理：按照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，标记障碍物虚拟膨胀栅格受障碍物影响的的危险等级；
伴随机器人的路径规划步骤：
步骤(1)：伴随机器人将可移动目标点的当前位置在滑动窗口中的投影点作为新目标点，基于栅格的通行代价值，伴随机器人按照A*算法进行路径搜索得到伴随机器人与新目标点之间的最优路径；伴随机器人根据最优路径进行行走；滑动窗口以伴随机器人为基准，随着伴随机器人的移动而移动；
步骤(2)：按照设定时间间隔，对滑动窗口内的栅格地图进行更新，对可移动目标点的当前位置在滑动窗口中的投影点进行更新，将最优路径在滑动窗口内进行平移；
步骤(3)：伴随机器人判断更新后的滑动窗口内的栅格地图是否存在最小不可通过区域阻断路径；如果存在，就返回步骤(1)；如果不存在，就进入步骤(4)；
步骤(4)：基于栅格的通行代价值，按照增量规划路径方式，对伴随机器人平移后在滑动窗口内剩余路径点中通行代价值最小的点与更新的投影点之间的路径进行重新规划，找到新的最优路径，将新的最优路径与伴随机器人当前路径进行连接形成新的推荐路径；伴随机器人按照新的推荐路径进行行走；返回步骤(2)。
进一步的，所述滑动窗口的构建过程，包括：
在栅格地图中以伴随机器人当前位置为原点建立二维坐标平面；在二维坐标平面中选择2N*2N的栅格区域为滑动窗口；所述滑动窗口在二维坐标平面第一象限的栅格区域为N*2N；所述滑动窗口在二维坐标平面第二象限的栅格区域为N*2N；所述滑动窗口的底边经过原点；N表示栅格个数。
进一步的，栅格的通行代价值的具体计算公式为：
式中，g(s)表示从起点到栅格s的通行代价值，g(s-1)表示从起点到栅格s-1的通行代价值，c(s-1,s)表示栅格s-1到栅格s的通行代价值，d(s)表示虚拟膨胀栅格s受障碍物影响的危险等级，d(s-1)表示虚拟膨胀栅格s-1受障碍物影响的危险等级，α表示路径远离障碍物一个栅格条件下所需的额外代价。
障碍物虚拟膨胀栅格属于可行区域。
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，所述步骤(1)伴随机器人将可移动目标点的当前位置在滑动窗口中的投影点作为新目标点，基于栅格的通行代价值，伴随机器人按照A*算法进行路径搜索得到伴随机器人与新目标点之间的最优路径的具体步骤为：
当可移动目标点在滑动窗口内，以伴随机器人当前位置为起点，以可移动目标点当前位置为终点，依据栅格的通行代价值，采用A*算法进行计算，得到最优路径；
当可移动目标点在滑动窗口外，且伴随机器人与可移动目标点的连线与滑动窗口的交点处没有障碍物时；以伴随机器人当前位置为起点，以可移动目标点在滑动窗口中的投影坐标为终点，依据栅格的通行代价值，采用A*算法进行计算，得到最优路径；
当可移动目标点在滑动窗口外，且伴随机器人与可移动目标点的连线与滑动窗口的交点处有障碍物时；
以该交点为中心分别向滑动窗两侧进行寻找直到找到非障碍点；将找到的非障碍点为终点；以伴随机器人当前位置为起点，依据栅格的通行代价值，采用A*算法进行计算，得到最优路径。
进一步的，所述步骤(2)的具体内容为：
对滑动窗口内的障碍物位置进行更新，对滑动窗口内可移动目标点的投影位置进行更新。按照伴随机器人位置变化对已规划的最优路径进行平移操作，删除移出滑动窗边界的路径点，保留滑动窗内的路径点，记为r。
进一步的，所述步骤(4)中，基于栅格的通行代价值，按照增量规划路径方式对伴随机器人平移后在滑动窗口内剩余路径点中代价值最小的点与更新的投影点之间的路径进行重新规划，找到新的最优路径的具体步骤为：
伴随机器人更新步骤(2)中平移后滑动窗口内剩余路径点的评价函数：
g'(r)＝g(r)-g(rb)+d(rb)*α (2)
h'(r)＝|xt-xr|+|yt-yr| (3)
f'(r)＝g'(r)+h'(r) (4)
其中，rb为平移后路径r的起始点，g(r)表示上次规划从起始点到路径r的路径点的代价值,g(rb)为上次规划从起始点到路径点rb的代价值，d(rb)表示路径起点rb受障碍物影响的危险等级；g'(r)为本次更新后从起始点rb到路径r的路径点的代价值；xt表示当前目标投影点的在栅格地图中的x坐标，yt表示当前目标投影点的在栅格地图中的y坐标，xr为路径r的路径点的x坐标，yr为路径r的路径点的y坐标；h'(r)为本次更新后路径r的路径点到目标投影点的代价值，f'(r)为本次更新后从起始点rb经由路径r到目标投影点的代价值；
从路径点r的最后一个点开始，依次倒序比较路径点r的n个路径点的代价值f'(r)，并找出代价值f'(r)最小的路径点re；代价值f'(r)最小的路径点re作为重新规划的起点；若f'(r)出现相等情况时，将倒数第n个路径点作为重新规划的起点；然后，依据栅格的通行代价值，采用A*算法规划从重新规划的起点re到更新的目标投影点的新路径l；最后，新路径l与路径r进行拼接，从而构成新的推荐路径R。
所述拼接通过对l的g值更新实现：
g'(l)＝g(l)+g(re)-d(re)*α (5)
f'(l)＝g'(l)+h(l) (6)
其中，g(re)表示从起始点rb到路径点re的路径代价值，g(l)为以re为起点所规划的路径l的路径点的代价值，d(re)表示路径起点re受障碍物影响的危险等级，g'(l)为从路径r的起始点rb到路径l的路径点的代价值,h(l)为路径l的路径点到目标投影点的代价值，f'(l)为路径l与路径r拼接后其路径点到目标投影点的代价值。R＝{r,l}为新的推荐路径，g(R)＝{g'(r),g'(l)}将进入下一轮路径搜索。
作为本发明的第二方面，提供了基于障碍物虚拟膨胀和增量式A*的路径规划系统；
基于障碍物虚拟膨胀和增量式A*的路径规划系统，包括：存储器、处理器以及存储在存储上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时完成上述任一方法所述的步骤。
作为本发明的第三方面，提供了一种计算机可读存储介质；
一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器运行时，完成上述任一方法所述的步骤。
与现有技术相比，本发明的有益效果是：
本申请提出了具有障碍物栅格虚拟膨胀功能的增量式A*算法。该算法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，因而可在驱使机器人远离障碍物的同时避免了狭窄通道的堵塞问题。同时，采用增量式路径规划思路，在保留前期规划路径的基础上，对原有路径进行增量式更新，解决了重规划时A*算法从起点进行规划所引起的效率低的问题。
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是本发明的流程图；
图2(a)-图2(d)是障碍物描述；
图3(a)和图3(b)是障碍物膨胀后的期望路径；
图4(a)和图4(b)是改进算法规划路径展示；
图5(a)-图5(c)是所提路径规划算法规划过程展示。
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。
如图1所示，作为本发明的第一个实施例，提供了基于障碍物虚拟膨胀的伴随机器人路径规划方法；
基于障碍物虚拟膨胀的伴随机器人路径规划方法，包括：
构建环境地图：根据实际场景构建二维占据栅格地图，将每一个栅格标记为障碍区域或可行区域；
伴随机器人以及可移动目标点的初始化：在栅格地图中设定伴随机器人和可移动目标点的初始坐标位置；为机器人建立滑动窗口；
所述滑动窗口的构建过程，包括：
在栅格地图中以伴随机器人当前位置为原点建立二维坐标平面；在二维坐标平面中选择2N*2N的栅格区域为滑动窗口；所述滑动窗口在二维坐标平面第一象限的栅格区域为N*2N；所述滑动窗口在二维坐标平面第二象限的栅格区域为N*2N；所述滑动窗口的底边经过原点；N表示栅格个数。
对障碍区域进行膨胀处理：按照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，标记障碍物虚拟膨胀栅格受障碍物影响的的危险等级；
伴随机器人的路径规划步骤：
步骤(1)：伴随机器人将可移动目标点的当前位置在滑动窗口中的投影点作为新目标点，基于栅格的通行代价值，伴随机器人按照A*算法进行路径搜索得到伴随机器人与新目标点之间的最优路径；伴随机器人根据最优路径进行行走；滑动窗口以伴随机器人为基准，随着伴随机器人的移动而移动；
栅格的通行代价值的具体计算公式为：
式中，g(s)表示从起点到栅格s的通行代价值，g(s-1)表示从起点到栅格s-1的通行代价值，c(s-1,s)表示栅格s-1到栅格s的通行代价值，d(s)表示虚拟膨胀栅格s受障碍物影响的危险等级，d(s-1)表示虚拟膨胀栅格s-1受障碍物影响的危险等级，α表示路径远离障碍物一个栅格条件下所需的额外代价。
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。
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。
当可移动目标点在滑动窗口内，以伴随机器人当前位置为起点，以可移动目标点当前位置为终点，依据栅格的通行代价值，采用A*算法进行计算，得到最优路径；
当可移动目标点在滑动窗口外，且伴随机器人与可移动目标点的连线与滑动窗口的交点处没有障碍物时；以伴随机器人当前位置为起点，以可移动目标点在滑动窗口中的投影坐标为终点，依据栅格的通行代价值，采用A*算法进行计算，得到最优路径；
当可移动目标点在滑动窗口外，且伴随机器人与可移动目标点的连线与滑动窗口的交点处有障碍物时；
以该交点为中心分别向滑动窗两侧进行寻找直到找到非障碍点；将找到的非障碍点为终点；以伴随机器人当前位置为起点，依据栅格的通行代价值，采用A*算法进行计算，得到最优路径。
步骤(2)：按照设定时间间隔，对滑动窗口内的栅格地图进行更新，对可移动目标点的当前位置在滑动窗口中的投影点进行更新，将最优路径在滑动窗口内进行平移；
对滑动窗口内的障碍物位置进行更新，对滑动窗口内可移动目标点的投影位置进行更新。按照伴随机器人位置变化对已规划的最优路径进行平移操作，删除移出滑动窗边界的路径点，保留滑动窗内的路径点，记为r。
步骤(3)：伴随机器人判断更新后的滑动窗口内的栅格地图是否存在最小不可通过区域阻断路径r；如果存在，就返回步骤(1)；如果不存在，就进入步骤(4)；
步骤(4)：基于栅格的通行代价值，按照增量规划路径方式，对伴随机器人平移后在滑动窗口内剩余路径点中通行代价值最小的点与更新的投影点之间的路径进行重新规划，找到新的最优路径，将新的最优路径与伴随机器人当前路径进行连接形成新的推荐路径；伴随机器人按照新的推荐路径进行行走；返回步骤(2)；
基于栅格的通行代价值，按照增量规划路径方式对伴随机器人平移后在滑动窗口内剩余路径点中代价值最小的点与更新的投影点之间的路径进行重新规划，找到新的最优路径的具体步骤为：
伴随机器人更新步骤(2)中平移后滑动窗口内剩余路径点的评价函数：
g'(r)＝g(r)-g(rb)+d(rb)*α (2)
h'(r)＝|xt-xr|+|yt-yr| (3)
f'(r)＝g'(r)+h'(r) (4)
其中，rb为平移后路径r的起始点，g(r)表示上次规划从起始点到路径r的路径点的代价值,g(rb)为上次规划从起始点到路径点rb的代价值，d(rb)表示路径起点rb受障碍物影响的危险等级；g'(r)为本次更新后从起始点rb到路径r的路径点的代价值；xt表示当前目标投影点的在栅格地图中的x坐标，yt表示当前目标投影点的在栅格地图中的y坐标，xr为路径r的路径点的x坐标，yr为路径r的路径点的y坐标；h'(r)为本次更新后路径r的路径点到目标投影点的代价值，f'(r)为本次更新后从起始点rb经由路径r到目标投影点的代价值；从路径点r的最后一个点开始，依次倒序比较路径点r的n个路径点的代价值f'(r)，并找出代价值f'(r)最小的路径点re；代价值f'(r)最小的路径点re作为重新规划的起点；若f'(r)出现相等情况时，将倒数第n个路径点作为重新规划的起点；然后，依据栅格的通行代价值，采用A*算法规划从重新规划的起点re到更新的目标投影点的新路径l；最后，新路径l与路径r进行拼接，从而构成新的推荐路径R。
所述拼接通过对l的g值更新实现：
g'(l)＝g(l)+g(re)-d(re)*α (5)
f'(l)＝g'(l)+h(l) (6)
其中，g(re)表示从起始点rb到路径点re的路径代价值，g(l)为以re为起点所规划的路径l的路径点的代价值，d(re)表示路径起点re受障碍物影响的危险等级，g'(l)为从起始点rb到路径l的路径点的代价值,h(l)为路径l的路径点到目标投影点的代价值，f'(l)为路径l与路径r拼接后其路径点到目标投影点的代价值。
R＝{r,l}为新的推荐路径，g(R)＝{g'(r),g'(l)}将进入下一轮路径搜索。
作为本发明的第二个实施例，提供了基于障碍物虚拟膨胀和增量式A*的路径规划系统；
基于障碍物虚拟膨胀和增量式A*的路径规划系统，包括：存储器、处理器以及存储在存储上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时完成上述任一方法所述的步骤。
作为本发明的第三个实施例，提供了一种计算机可读存储介质；
一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器运行时，完成上述任一方法所述的步骤。
1、修改A*算法代价值计算方法，实现障碍物虚拟膨胀功能。
基于栅格的路径规划算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。黑色圆表示所规划的路径。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。
然而某些具有长方形外形的机器人，如四足机器人，则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。如若选择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，然而如果选择最大距离又容易环境地图中狭窄通道的阻塞问题，如图2(c)和图2(d)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，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。为了便于下文描述方便，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：
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。
然后对A*算法的代价函数f(s)
f(s)＝g(s)+h(s) (9)
进行修改。式中f(s)表示所搜索到的栅格点s的代价值，h(s)为栅格点s到目标点的代价值，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。一次完整的A*算法搜索过程如图3(a)所示，图中栅格的尺寸为10*10cm。A*算法遍历栅格时所出的g值、h值及f值分别标注在栅格的左下角、右下角及左上角。
将
修改为
α值的确定由图3(b)进行了展示，可知所标注的栅格代价值应满足
f+a1＝g+h+0＞f1+10＝g1+h+10＝g+ε+h+10 (12)
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 (13)
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膨胀后的路径规划效果。图4(a)为障碍物虚拟膨胀1层时的路径规划结果，图4(b)为障碍物虚拟膨胀2层时的通过狭窄区域的路径规划效果，从图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。
2、构建增量式规划函数，实现路径的增量式更新。
基于上述改进后的代价函数，引入增量式规划方法进行路径重规划，具体策略为：
首先机器人在初始时刻依据栅格的通行代价公式(14)，进行A*路径搜索得到最优路径R，如图5(a)所示。然后在重规划时，首先根据机器人位置变化对上一时刻路径R及地图信息进行平移并保留机器人尚未到达的路径点r，如图5(b)所示。然后其评价函数进行更新：
g'(r)＝g(r)-g(rb)+d(rb)*α (2)
h'(r)＝|xt-xr|+|yt-yr| (3)
f'(r)＝g'(r)+h'(r) (4)
从路径点r的最后一个点开始，依次倒序比较路径点r的n个路径点的代价值f'(r)，并找出代价值f'(r)最小的路径点re；代价值f'(r)最小的路径点re作为重新规划的起点；若f'(r)出现相等情况时，将倒数第n个路径点作为重新规划的起点；然后，依据栅格的通行代价值，采用A*算法规划从重新规划的起点re到更新的目标投影点的新路径l；最后，新路径l与路径r进行拼接，从而构成新的推荐路径R，如图5(c)所示。
所述拼接通过对l的g值更新实现：
g'(l)＝g(l)+g(re)-d(re)*α (5)
f'(l)＝g'(l)+h(l) (6)
R＝{r,l}为新的推荐路径，g(R)＝{g'(r),g'(l)}将进入下一轮路径搜索。
随着环境信息的变化，若原有路径受到障碍影响时，则依据栅格的通行代价值，重新采用A*路径搜索得到最优路径，否则将继续采用增量式方法进行路径规更新。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.基于障碍物虚拟膨胀的伴随机器人路径规划方法，其特征是，包括：
构建环境地图：根据实际场景构建二维占据栅格地图，将每一个栅格标记为障碍区域或可行区域；
伴随机器人以及可移动目标点的初始化：在栅格地图中设定伴随机器人和可移动目标点的初始坐标位置；为机器人建立滑动窗口；
对障碍区域进行膨胀处理：按照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，标记障碍物虚拟膨胀栅格受障碍物影响的的危险等级；
伴随机器人的路径规划。
2.如权利要求1所述的基于障碍物虚拟膨胀的伴随机器人路径规划方法，其特征是，伴随机器人的路径规划的具体步骤为：
步骤(1)：伴随机器人将可移动目标点的当前位置在滑动窗口中的投影点作为新目标点，基于栅格的通行代价值，伴随机器人按照A*算法进行路径搜索得到伴随机器人与新目标点之间的最优路径；伴随机器人根据最优路径进行行走；滑动窗口以伴随机器人为基准，随着伴随机器人的移动而移动；
步骤(2)：按照设定时间间隔，对滑动窗口内的栅格地图进行更新，对可移动目标点的当前位置在滑动窗口中的投影点进行更新，将最优路径在滑动窗口内进行平移；
步骤(3)：伴随机器人判断更新后的滑动窗口内的栅格地图是否存在最小不可通过区域阻断路径；如果存在，就返回步骤(1)；如果不存在，就进入步骤(4)；
步骤(4)：基于栅格的通行代价值，按照增量规划路径方式，对伴随机器人平移后在滑动窗口内剩余路径点中通行代价值最小的点与更新的投影点之间的路径进行重新规划，找到新的最优路径，将新的最优路径与伴随机器人当前路径进行连接形成新的推荐路径；伴随机器人按照新的推荐路径进行行走；返回步骤(2)。
3.如权利要求1所述的基于障碍物虚拟膨胀的伴随机器人路径规划方法，其特征是，
所述滑动窗口的构建过程，包括：
在栅格地图中以伴随机器人当前位置为原点建立二维坐标平面；在二维坐标平面中选择2N*2N的栅格区域为滑动窗口；所述滑动窗口在二维坐标平面第一象限的栅格区域为N*2N；所述滑动窗口在二维坐标平面第二象限的栅格区域为N*2N；所述滑动窗口的底边经过原点；N表示栅格个数。
4.如权利要求2所述的基于障碍物虚拟膨胀的伴随机器人路径规划方法，其特征是，
栅格的通行代价值的具体计算公式为：
式中，g(s)表示从起点到栅格s的通行代价值，g(s-1)表示从起点到栅格s-1的通行代价值，c(s-1,s)表示栅格s-1到栅格s的通行代价值，d(s)表示虚拟膨胀栅格s受障碍物影响的危险等级，d(s-1)表示虚拟膨胀栅格s-1受障碍物影响的危险等级，α表示路径远离障碍物一个栅格条件下所需的额外代价；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。
5.如权利要求2所述的基于障碍物虚拟膨胀的伴随机器人路径规划方法，其特征是，
所述步骤(1)伴随机器人将可移动目标点的当前位置在滑动窗口中的投影点作为新目标点，基于栅格的通行代价值，伴随机器人按照A*算法进行路径搜索得到伴随机器人与新目标点之间的最优路径的具体步骤为：
当可移动目标点在滑动窗口内，以伴随机器人当前位置为起点，以可移动目标点当前位置为终点，依据栅格的通行代价值，采用A*算法进行计算，得到最优路径；
当可移动目标点在滑动窗口外，且伴随机器人与可移动目标点的连线与滑动窗口的交点处没有障碍物时；以伴随机器人当前位置为起点，以可移动目标点在滑动窗口中的投影坐标为终点，依据栅格的通行代价值，采用A*算法进行计算，得到最优路径；
当可移动目标点在滑动窗口外，且伴随机器人与可移动目标点的连线与滑动窗口的交点处有障碍物时；
以该交点为中心分别向滑动窗两侧进行寻找直到找到非障碍点；将找到的非障碍点为终点；以伴随机器人当前位置为起点，依据栅格的通行代价值，采用A*算法进行计算，得到最优路径。
6.如权利要求2所述的基于障碍物虚拟膨胀的伴随机器人路径规划方法，其特征是，
所述步骤(2)的具体内容为：
对滑动窗口内的障碍物位置进行更新，对滑动窗口内可移动目标点的投影位置进行更新；按照伴随机器人位置变化对已规划的最优路径进行平移操作，删除移出滑动窗边界的路径点，保留滑动窗内的路径点，记为r。
7.如权利要求2所述的基于障碍物虚拟膨胀的伴随机器人路径规划方法，其特征是，
所述步骤(4)中，基于栅格的通行代价值，按照增量规划路径方式对伴随机器人平移后在滑动窗口内剩余路径点中代价值最小的点与更新的投影点之间的路径进行重新规划，找到新的最优路径的具体步骤为：
伴随机器人更新步骤(2)中平移后滑动窗口内剩余路径点的评价函数：
g'(r)＝g(r)-g(rb)+d(rb)*α (2)
h'(r)＝|xt-xr|+|yt-yr| (3)
f'(r)＝g'(r)+h'(r) (4)
其中，rb为平移后路径r的起始点，g(r)表示上次规划从起始点到路径r的路径点的代价值,g(rb)为上次规划从起始点到路径点rb的代价值，d(rb)表示路径起点rb受障碍物影响的危险等级，g'(r)为本次更新后从起始点rb到路径r的路径点的代价值；xt表示当前目标投影点的在栅格地图中的x坐标，yt表示当前目标投影点的在栅格地图中的y坐标，xr为路径r的路径点的x坐标，yr为路径r的路径点的y坐标；h'(r)为本次更新后路径r的路径点到目标投影点的代价值，f'(r)为本次更新后从起始点rb经由路径r到目标投影点的代价值；从路径点r的最后一个点开始，依次倒序比较路径点r的n个路径点的代价值f'(r)，并找出代价值f'(r)最小的路径点re；代价值f'(r)最小的路径点re作为重新规划的起点；若f'(r)出现相等情况时，将倒数第n个路径点作为重新规划的起点；然后，依据栅格的通行代价值，采用A*算法规划从重新规划的起点re到更新的目标投影点的新路径l；最后，新路径l与路径r进行拼接，从而构成新的推荐路径R。
8.如权利要求7所述的基于障碍物虚拟膨胀的伴随机器人路径规划方法，其特征是，
所述拼接通过对l的g值更新实现：
g'(l)＝g(l)+g(re)-d(re)*α (5)
f'(l)＝g'(l)+h(l) (6)
其中，g(re)表示从起始点rb到路径点re的路径代价值，g(l)为以re为起点所规划的路径l的路径点的代价值，d(re)表示路径起点re受障碍物影响的危险等级，g'(l)为从路径r的起始点rb到路径l的路径点的代价值,h(l)为路径l的路径点到目标投影点的代价值，f'(l)为路径l与路径r拼接后其路径点到目标投影点的代价值；R＝{r,l}为新的推荐路径，g(R)＝{g'(r),g'(l)}将进入下一轮路径搜索。
9.基于障碍物虚拟膨胀和增量式A*的路径规划系统，其特征是，包括：存储器、处理器以及存储在存储上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时完成上述权利要求1-8任一方法所述的步骤。
10.一种计算机可读存储介质，其特征是，其上存储有计算机指令，所述计算机指令被处理器运行时，完成上述权利要求1-8任一方法所述的步骤。
CN201810826714.6A 2018-07-25 2018-07-25 基于障碍物虚拟膨胀的伴随机器人路径规划方法及系统 Pending CN108775902A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810826714.6A CN108775902A (zh) 2018-07-25 2018-07-25 基于障碍物虚拟膨胀的伴随机器人路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810826714.6A CN108775902A (zh) 2018-07-25 2018-07-25 基于障碍物虚拟膨胀的伴随机器人路径规划方法及系统

Publications (1)

Publication Number Publication Date
CN108775902A true CN108775902A (zh) 2018-11-09

Family

ID=64030080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810826714.6A Pending CN108775902A (zh) 2018-07-25 2018-07-25 基于障碍物虚拟膨胀的伴随机器人路径规划方法及系统

Country Status (1)

Country Link
CN (1) CN108775902A (zh)

Cited By (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109374006A (zh) * 2018-12-06 2019-02-22 兰州交通大学 多目标的危险品道路运输路径规划方法
CN109828579A (zh) * 2019-02-25 2019-05-31 广东工业大学 一种目标增量移动的移动机器人路径规划方法
CN109839936A (zh) * 2019-03-04 2019-06-04 中新智擎科技有限公司 一种大环境下的自动导航方法、机器人及存储介质
CN109947118A (zh) * 2019-04-19 2019-06-28 南京大学 一种使用gpu加速的代价地图快速更新方法
CN110045731A (zh) * 2019-03-26 2019-07-23 深圳先进技术研究院 一种路径规划方法、电子装置及计算机可读存储介质
CN110207707A (zh) * 2019-05-30 2019-09-06 四川长虹电器股份有限公司 基于粒子滤波器的快速初始定位方法及机器人设备
CN110221601A (zh) * 2019-04-30 2019-09-10 南京航空航天大学 一种多agv系统动态障碍物实时避障方法及避障系统
CN110244743A (zh) * 2019-07-03 2019-09-17 浙江大学 一种融合多传感器信息的移动机器人自主脱困方法
CN110262567A (zh) * 2019-06-27 2019-09-20 深圳市道通智能航空技术有限公司 一种路径中继点空间生成方法、装置和无人机
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
CN110471421A (zh) * 2019-08-27 2019-11-19 广州小鹏汽车科技有限公司 一种车辆安全行驶的路径规划方法及路径规划系统
CN110488837A (zh) * 2019-08-28 2019-11-22 哈尔滨工业大学 一种气体源伪源确认方法
CN110530390A (zh) * 2019-09-16 2019-12-03 哈尔滨工程大学 一种在狭窄环境下的非质点车辆路径规划方法
CN110543174A (zh) * 2019-09-10 2019-12-06 速感科技（北京）有限公司 可通行区域图的建立方法、处理方法、装置和可移动设备
CN110632921A (zh) * 2019-09-05 2019-12-31 北京百度网讯科技有限公司 机器人路径规划方法、装置、电子设备和存储介质
CN110658819A (zh) * 2019-09-30 2020-01-07 北京猎户星空科技有限公司 一种避障方法、装置、电子设备和存储介质
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
CN110696823A (zh) * 2019-10-15 2020-01-17 浙江吉利汽车研究院有限公司 一种预估车辆发生碰撞时间的方法、系统及车辆
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
CN111026131A (zh) * 2019-12-30 2020-04-17 深圳前海达闼云端智能科技有限公司 一种膨胀区域的确定方法、确定装置、机器人和存储介质
CN111121750A (zh) * 2019-12-26 2020-05-08 广东博智林机器人有限公司 室内的路径获取方法和装置
CN111209357A (zh) * 2019-12-19 2020-05-29 广州南方卫星导航仪器有限公司 一种无人船区域布线方法及存储介质
CN111210061A (zh) * 2019-12-31 2020-05-29 咪咕文化科技有限公司 指引方法、设备、系统和计算机可读存储介质
CN111308997A (zh) * 2018-12-11 2020-06-19 北京京东尚科信息技术有限公司 用于生成行驶路径的方法和装置
CN111329398A (zh) * 2020-03-27 2020-06-26 上海高仙自动化科技发展有限公司 机器人控制方法、机器人、电子设备和可读存储介质
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
CN111380532A (zh) * 2018-12-29 2020-07-07 深圳市优必选科技有限公司 路径规划方法、装置、终端及计算机存储介质
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
CN111728535A (zh) * 2020-06-22 2020-10-02 上海高仙自动化科技发展有限公司 一种生成清扫路径的方法、装置、电子设备及存储介质
CN111964682A (zh) * 2020-08-10 2020-11-20 北京轩宇空间科技有限公司 适应未知动态空间的快速路径规划方法、装置及存储介质
CN111966090A (zh) * 2020-07-17 2020-11-20 深圳拓邦股份有限公司 机器人边界地图构建方法、装置及机器人
CN111998864A (zh) * 2020-08-11 2020-11-27 东风柳州汽车有限公司 无人车局部路径规划方法、装置、设备及存储介质
CN112083722A (zh) * 2020-08-27 2020-12-15 广州赛特智能科技有限公司 一种移动机器人多机多楼层调度系统及调度方法
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
CN112325857A (zh) * 2020-10-22 2021-02-05 中国电子科技集团公司第五十四研究所 基于倾斜摄影的无人机障碍预警方法
CN112462763A (zh) * 2020-11-18 2021-03-09 河北工业大学 一种基于栅格地图的割草机器人路径规划方法
CN112568831A (zh) * 2019-09-29 2021-03-30 深圳赤马人工智能有限公司 智能机器人的补扫方法、芯片以及扫地机
CN112666937A (zh) * 2020-12-07 2021-04-16 中国科学院深圳先进技术研究院 一种与图像骨架结合的最优路径规划方法
CN113156970A (zh) * 2021-05-08 2021-07-23 珠海市一微半导体有限公司 一种通行区域的路径融合规划方法、机器人及芯片
CN113256029A (zh) * 2021-06-23 2021-08-13 合肥量圳建筑科技有限公司 建筑内寻路方法、装置、设备及存储介质
CN113447029A (zh) * 2021-08-31 2021-09-28 湖北第二师范学院 一种基于大型卫星地图的安全路径搜索方法
CN113624230A (zh) * 2021-06-22 2021-11-09 安克创新科技股份有限公司 用于移动机器人的导航路径生成方法和移动机器人
WO2021227313A1 (en) * 2020-05-11 2021-11-18 Huawei Technologies Co., Ltd. Method and system for generating an importance occupancy grid map
CN113917912A (zh) * 2020-07-08 2022-01-11 珠海格力电器股份有限公司 一种全局路径规划方法、装置、终端及可读存储介质
CN113970321A (zh) * 2021-10-21 2022-01-25 北京房江湖科技有限公司 一种户型动线的计算方法及装置
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
CN114424265A (zh) * 2019-09-25 2022-04-29 索尼集团公司 信号处理设备、信号处理方法、程序和移动设备
CN114415678A (zh) * 2021-12-31 2022-04-29 深圳市普渡科技有限公司 机器人的路径规划方法、装置、机器人和存储介质
CN114442629A (zh) * 2022-01-25 2022-05-06 吉林大学 一种基于图像处理的移动机器人路径规划方法
CN115183793A (zh) * 2022-09-14 2022-10-14 毫末智行科技有限公司 一种障碍物膨胀的规划方法、系统、电子设备及存储介质
CN115454042A (zh) * 2021-05-20 2022-12-09 中移系统集成有限公司 巡检机器人的路径决策方法、装置、设备及存储介质
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
CN116804556A (zh) * 2023-05-11 2023-09-26 之江实验室 一种任意凸多边形机器人的概率最大化路径规划方法
CN117472067A (zh) * 2023-12-27 2024-01-30 江苏中科重德智能科技有限公司 基于多层栅格地图的机器人过窄通道的方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010061442A (ja) * 2008-09-04 2010-03-18 Murata Machinery Ltd 自律移動装置
CN101738195A (zh) * 2009-12-24 2010-06-16 厦门大学 基于环境建模与自适应窗口的移动机器人路径规划方法
KR101105325B1 (ko) * 2009-09-08 2012-01-16 부산대학교 산학협력단 실제 로봇의 다중 경로계획 방법
CN103365293A (zh) * 2013-05-08 2013-10-23 北京大学深圳研究生院 一种基于动态区域划分的机器人安全路径规划方法
KR20140003249A (ko) * 2012-06-29 2014-01-09 인텔렉추얼디스커버리 주식회사 이동로봇 및 이동로봇의 온라인 전역경로 커버 제어방법
CN103529843A (zh) * 2013-10-17 2014-01-22 电子科技大学中山学院 Lambda*路径规划算法
CN104950883A (zh) * 2015-05-14 2015-09-30 西安电子科技大学 一种基于距离网格地图的移动机器人路径规划方法
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
JP2010061442A (ja) * 2008-09-04 2010-03-18 Murata Machinery Ltd 自律移動装置
KR101105325B1 (ko) * 2009-09-08 2012-01-16 부산대학교 산학협력단 실제 로봇의 다중 경로계획 방법
CN101738195A (zh) * 2009-12-24 2010-06-16 厦门大学 基于环境建模与自适应窗口的移动机器人路径规划方法
KR20140003249A (ko) * 2012-06-29 2014-01-09 인텔렉추얼디스커버리 주식회사 이동로봇 및 이동로봇의 온라인 전역경로 커버 제어방법
CN103365293A (zh) * 2013-05-08 2013-10-23 北京大学深圳研究生院 一种基于动态区域划分的机器人安全路径规划方法
CN103529843A (zh) * 2013-10-17 2014-01-22 电子科技大学中山学院 Lambda*路径规划算法
CN104950883A (zh) * 2015-05-14 2015-09-30 西安电子科技大学 一种基于距离网格地图的移动机器人路径规划方法
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 等: "Path planning based on sliding window and variant A-star algorithm for quadruped robot", 《HIGH TECHNOLOGY LETTERS》 *
张慧: "四足机器人环境感知、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》 *

Cited By (84)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109374006A (zh) * 2018-12-06 2019-02-22 兰州交通大学 多目标的危险品道路运输路径规划方法
CN111308997B (zh) * 2018-12-11 2024-04-16 北京京东尚科信息技术有限公司 用于生成行驶路径的方法和装置
CN111308997A (zh) * 2018-12-11 2020-06-19 北京京东尚科信息技术有限公司 用于生成行驶路径的方法和装置
CN111380532B (zh) * 2018-12-29 2022-06-28 深圳市优必选科技有限公司 路径规划方法、装置、终端及计算机存储介质
CN111380532A (zh) * 2018-12-29 2020-07-07 深圳市优必选科技有限公司 路径规划方法、装置、终端及计算机存储介质
CN109828579A (zh) * 2019-02-25 2019-05-31 广东工业大学 一种目标增量移动的移动机器人路径规划方法
CN109828579B (zh) * 2019-02-25 2021-09-24 广东工业大学 一种目标增量移动的移动机器人路径规划方法
CN109839936A (zh) * 2019-03-04 2019-06-04 中新智擎科技有限公司 一种大环境下的自动导航方法、机器人及存储介质
CN110045731A (zh) * 2019-03-26 2019-07-23 深圳先进技术研究院 一种路径规划方法、电子装置及计算机可读存储介质
CN110045731B (zh) * 2019-03-26 2022-04-12 深圳市中科晟达互联智能科技有限公司 一种路径规划方法、电子装置及计算机可读存储介质
CN109947118A (zh) * 2019-04-19 2019-06-28 南京大学 一种使用gpu加速的代价地图快速更新方法
CN109947118B (zh) * 2019-04-19 2021-10-26 南京大学 一种使用gpu加速的代价地图快速更新方法
CN110221601A (zh) * 2019-04-30 2019-09-10 南京航空航天大学 一种多agv系统动态障碍物实时避障方法及避障系统
CN110207707A (zh) * 2019-05-30 2019-09-06 四川长虹电器股份有限公司 基于粒子滤波器的快速初始定位方法及机器人设备
CN110207707B (zh) * 2019-05-30 2022-04-12 四川长虹电器股份有限公司 基于粒子滤波器的快速初始定位方法及机器人设备
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
CN110262567A (zh) * 2019-06-27 2019-09-20 深圳市道通智能航空技术有限公司 一种路径中继点空间生成方法、装置和无人机
CN110262567B (zh) * 2019-06-27 2022-04-15 深圳市道通智能航空技术股份有限公司 一种路径中继点空间生成方法、装置和无人机
CN110244743B (zh) * 2019-07-03 2022-02-01 浙江大学 一种融合多传感器信息的移动机器人自主脱困方法
CN110244743A (zh) * 2019-07-03 2019-09-17 浙江大学 一种融合多传感器信息的移动机器人自主脱困方法
CN110471421A (zh) * 2019-08-27 2019-11-19 广州小鹏汽车科技有限公司 一种车辆安全行驶的路径规划方法及路径规划系统
CN110471421B (zh) * 2019-08-27 2022-03-18 广州小鹏汽车科技有限公司 一种车辆安全行驶的路径规划方法及路径规划系统
CN110488837A (zh) * 2019-08-28 2019-11-22 哈尔滨工业大学 一种气体源伪源确认方法
CN110632921A (zh) * 2019-09-05 2019-12-31 北京百度网讯科技有限公司 机器人路径规划方法、装置、电子设备和存储介质
CN110543174A (zh) * 2019-09-10 2019-12-06 速感科技（北京）有限公司 可通行区域图的建立方法、处理方法、装置和可移动设备
CN110530390A (zh) * 2019-09-16 2019-12-03 哈尔滨工程大学 一种在狭窄环境下的非质点车辆路径规划方法
CN114424265A (zh) * 2019-09-25 2022-04-29 索尼集团公司 信号处理设备、信号处理方法、程序和移动设备
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
CN112568831A (zh) * 2019-09-29 2021-03-30 深圳赤马人工智能有限公司 智能机器人的补扫方法、芯片以及扫地机
CN110658819A (zh) * 2019-09-30 2020-01-07 北京猎户星空科技有限公司 一种避障方法、装置、电子设备和存储介质
CN110658819B (zh) * 2019-09-30 2022-04-15 北京猎户星空科技有限公司 一种避障方法、装置、电子设备和存储介质
CN110696823A (zh) * 2019-10-15 2020-01-17 浙江吉利汽车研究院有限公司 一种预估车辆发生碰撞时间的方法、系统及车辆
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
CN110823240B (zh) * 2019-11-19 2021-05-11 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
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
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
CN111209357A (zh) * 2019-12-19 2020-05-29 广州南方卫星导航仪器有限公司 一种无人船区域布线方法及存储介质
CN111121750A (zh) * 2019-12-26 2020-05-08 广东博智林机器人有限公司 室内的路径获取方法和装置
CN111026131A (zh) * 2019-12-30 2020-04-17 深圳前海达闼云端智能科技有限公司 一种膨胀区域的确定方法、确定装置、机器人和存储介质
CN111026131B (zh) * 2019-12-30 2023-03-14 达闼机器人股份有限公司 一种膨胀区域的确定方法、确定装置、机器人和存储介质
CN111210061A (zh) * 2019-12-31 2020-05-29 咪咕文化科技有限公司 指引方法、设备、系统和计算机可读存储介质
CN111329398A (zh) * 2020-03-27 2020-06-26 上海高仙自动化科技发展有限公司 机器人控制方法、机器人、电子设备和可读存储介质
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
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
US11815897B2 (en) 2020-05-11 2023-11-14 Huawei Technologies Co., Ltd. Method and system for generating an importance occupancy grid map
WO2021227313A1 (en) * 2020-05-11 2021-11-18 Huawei Technologies Co., Ltd. Method and system for generating an importance occupancy grid map
CN111728535A (zh) * 2020-06-22 2020-10-02 上海高仙自动化科技发展有限公司 一种生成清扫路径的方法、装置、电子设备及存储介质
CN113917912A (zh) * 2020-07-08 2022-01-11 珠海格力电器股份有限公司 一种全局路径规划方法、装置、终端及可读存储介质
WO2022007350A1 (zh) * 2020-07-08 2022-01-13 格力电器（武汉）有限公司 一种全局路径规划方法、装置、终端及可读存储介质
CN111966090A (zh) * 2020-07-17 2020-11-20 深圳拓邦股份有限公司 机器人边界地图构建方法、装置及机器人
CN111966090B (zh) * 2020-07-17 2024-02-06 深圳拓邦股份有限公司 机器人边界地图构建方法、装置及机器人
CN111964682A (zh) * 2020-08-10 2020-11-20 北京轩宇空间科技有限公司 适应未知动态空间的快速路径规划方法、装置及存储介质
CN111998864A (zh) * 2020-08-11 2020-11-27 东风柳州汽车有限公司 无人车局部路径规划方法、装置、设备及存储介质
CN111998864B (zh) * 2020-08-11 2023-11-07 东风柳州汽车有限公司 无人车局部路径规划方法、装置、设备及存储介质
CN112083722B (zh) * 2020-08-27 2023-08-04 广州赛特智能科技有限公司 一种移动机器人多机多楼层调度系统及调度方法
CN112083722A (zh) * 2020-08-27 2020-12-15 广州赛特智能科技有限公司 一种移动机器人多机多楼层调度系统及调度方法
CN112325857A (zh) * 2020-10-22 2021-02-05 中国电子科技集团公司第五十四研究所 基于倾斜摄影的无人机障碍预警方法
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
CN112462763A (zh) * 2020-11-18 2021-03-09 河北工业大学 一种基于栅格地图的割草机器人路径规划方法
CN112666937A (zh) * 2020-12-07 2021-04-16 中国科学院深圳先进技术研究院 一种与图像骨架结合的最优路径规划方法
CN113156970A (zh) * 2021-05-08 2021-07-23 珠海市一微半导体有限公司 一种通行区域的路径融合规划方法、机器人及芯片
CN113156970B (zh) * 2021-05-08 2023-06-09 珠海一微半导体股份有限公司 一种通行区域的路径融合规划方法、机器人及芯片
CN115454042A (zh) * 2021-05-20 2022-12-09 中移系统集成有限公司 巡检机器人的路径决策方法、装置、设备及存储介质
CN113624230B (zh) * 2021-06-22 2023-07-18 安克创新科技股份有限公司 用于移动机器人的导航路径生成方法和移动机器人
CN113624230A (zh) * 2021-06-22 2021-11-09 安克创新科技股份有限公司 用于移动机器人的导航路径生成方法和移动机器人
CN113256029A (zh) * 2021-06-23 2021-08-13 合肥量圳建筑科技有限公司 建筑内寻路方法、装置、设备及存储介质
CN113447029B (zh) * 2021-08-31 2021-11-16 湖北第二师范学院 一种基于大型卫星地图的安全路径搜索方法
CN113447029A (zh) * 2021-08-31 2021-09-28 湖北第二师范学院 一种基于大型卫星地图的安全路径搜索方法
CN113970321A (zh) * 2021-10-21 2022-01-25 北京房江湖科技有限公司 一种户型动线的计算方法及装置
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
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
CN114415678B (zh) * 2021-12-31 2024-01-16 深圳市普渡科技有限公司 机器人的路径规划方法、装置、机器人和存储介质
CN114415678A (zh) * 2021-12-31 2022-04-29 深圳市普渡科技有限公司 机器人的路径规划方法、装置、机器人和存储介质
CN114442629A (zh) * 2022-01-25 2022-05-06 吉林大学 一种基于图像处理的移动机器人路径规划方法
CN114442629B (zh) * 2022-01-25 2022-08-09 吉林大学 一种基于图像处理的移动机器人路径规划方法
CN115183793A (zh) * 2022-09-14 2022-10-14 毫末智行科技有限公司 一种障碍物膨胀的规划方法、系统、电子设备及存储介质
CN115183793B (zh) * 2022-09-14 2022-12-23 毫末智行科技有限公司 一种障碍物膨胀的规划方法、系统、电子设备及存储介质
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
CN116804556A (zh) * 2023-05-11 2023-09-26 之江实验室 一种任意凸多边形机器人的概率最大化路径规划方法
CN117472067A (zh) * 2023-12-27 2024-01-30 江苏中科重德智能科技有限公司 基于多层栅格地图的机器人过窄通道的方法及系统

Similar Documents

Publication Publication Date Title
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
CN109059924A (zh) 基于a*算法的伴随机器人增量路径规划方法及系统
CN106527448B (zh) 适用于仓库环境的改进a*机器人最优路径规划方法
CN106371445B (zh) 一种基于拓扑地图的无人车规划控制方法
Silver Cooperative pathfinding
Konolige et al. Navigation in hybrid metric-topological maps
CN110231824B (zh) 基于直线偏离度方法的智能体路径规划方法
CN101241507B (zh) 一种地图寻路方法及系统
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
CN108646765A (zh) 基于改进a*算法的四足机器人路径规划方法及系统
CN107402018A (zh) 一种基于连续帧的导盲仪组合路径规划方法
CN110006429A (zh) 一种基于深度优化的无人船航迹规划方法
CN109828579B (zh) 一种目标增量移动的移动机器人路径规划方法
CN112229419B (zh) 一种动态路径规划导航方法及系统
CN104548598A (zh) 一种虚拟现实场景中寻路的方法
CN111080786B (zh) 基于bim的室内地图模型构建方法及装置
CN109520507A (zh) 一种基于改进rrt的无人机实时路径规划方法
CN103529843A (zh) Lambda*路径规划算法
CN113359718B (zh) 移动机器人全局路径规划与局部路径规划融合方法及设备
CN110909961B (zh) 基于bim的室内路径查询方法及装置
CN106323293A (zh) 基于多目标搜索的两群多向机器人路径规划方法
CN104992466B (zh) 一种三维场景的即时寻径方法
CN114281084B (zh) 一种基于改进a*算法的智能车全局路径规划方法
Pettré et al. Crowds of moving objects: Navigation planning and simulation
Huang et al. Path planning for coherent and persistent groups

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: 20181109