CN109116841A - 一种基于蚁群算法的路径规划平滑优化方法 - Google Patents
一种基于蚁群算法的路径规划平滑优化方法 Download PDFInfo
- Publication number
- CN109116841A CN109116841A CN201810810542.3A CN201810810542A CN109116841A CN 109116841 A CN109116841 A CN 109116841A CN 201810810542 A CN201810810542 A CN 201810810542A CN 109116841 A CN109116841 A CN 109116841A
- Authority
- CN
- China
- Prior art keywords
- path
- barrier
- node
- space
- point
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 230000004888 barrier function Effects 0.000 claims abstract description 49
- 239000003016 pheromone Substances 0.000 claims description 15
- 238000010845 search algorithm Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 230000007717 exclusion Effects 0.000 claims description 2
- 241000257303 Hymenoptera Species 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于蚁群算法的路径规划平滑优化方法,属于智能机器人路径规划领域。本发明在已知的周围环境下,识别获取智能机器人周围的工作环境信息,进行栅格化matlab建模。将智能机器人的初始点、目标点与工作环境作为路径规划的初始参数;判断已知环境中障碍物的覆盖率,采用两种路径平滑优化算法来针对障碍物覆盖率多或少的两种不同状况。能够快速搜索出一条从起点到终点的最优路径,在运行时间、最短距离、迭代次数、转折角度以及平滑度上都有很大的改进,从而生成一条连接智能机器人初始点和目标点的最优路径。本发明在智能机器人路径规划领域能够有效地提高路径搜索效率,加强避障能力。
Description
技术领域
本发明涉及一种基于蚁群算法的路径规划平滑优化方法,属于智能机器人路径规划领域。
背景技术
最近几年,随着科技的飞跃,特别是在传感器、驱动和计算机方面,移动机器人发挥着越来越重要的作用。智能机器人在移动过程中不可避免会遇到各式各样的障碍物,灵活、实时的躲开这些障碍物是衡量其性能的关键指标。具有避障功能的智能机器人拥有相当高的社会价值,被大量应用于航天、军事、制造业、医疗等领域。路径规划技术是智能机器人领域中的核心问题之一,近年来受到外界广泛关注。
蚁群算法是一种受到蚁群觅食行为的启发而来的启发式搜索算法,蚂蚁会在寻找食物的途中留下一种称为信息素的化学物质,信息素的浓度会随着经过此条路径的蚂蚁数量的增加而增强。信息素浓度越大,该条路径被选择的概率越大。基于蚁群算法的路径规划,蚂蚁会根据路径的长短释放信息素,路径较短时释放较多的信息素,路径不好时,释放的信息素会减少。算法可以根据环境的变化动态的调整路径,最终找出最优的路径。蚁群算法在进行路径规划时存在搜索停滞、局部收敛、收敛速度慢,路径生成速度慢等问题。蚁群算法的缺陷是搜索初期存在一定的盲目性,全局搜索能力不强,易陷入局部最优。
发明内容
本发明的目的在于解决当前技术不足之处,提出一种基于蚁群算法的路径规划平滑优化方法,可有效地提高路径搜索效率,加强避障能力。
本发明的技术方案为:一种基于蚁群算法的路径规划平滑优化方法,本发明在可监视区域内,先识别获取智能机器人周围的工作环境信息,将智能机器人的初始点、目标点与工作环境作为路径规划的初始参数;判断障碍物覆盖率的多或少,分别采用不同的路径索搜方法和平滑优化算法进行搜索优化。从而生成一条连接智能机器人初始点和目标点的最优或次优路径。
具体步骤如下:
建立路径规划的初始参数:
首先设置智能机器人所处的状态空间C(工作环境)中的静态障碍物随机分布,大小不一;再确定智能机器人在状态空间C中的初始点xi和目标点xg位置。其中,状态空间C指代工作环境;状态空间C由自由空间和障碍空间构成,障碍空间由静态障碍物构成,自由空间表示除障碍空间之外的空间;初始点xi和目标点xg位于自由空间。
判断障碍空间占据整个状态空间C的比例,从而进行采用不同的搜索策略以及平滑优化方式。
当判断出障碍物较少时,低于整个状态空降的50%,采用第一种基于改进蚁群算法的路径搜索算法:采用双向蚁群搜索算法,既所有蚂蚁分成数量相同的两组,分别从起始点和终止点同时相向搜索路径。在搜索中,若两组蚂蚁中有蚂蚁相遇,则连接相遇蚂蚁所走的路径即为一条可行路径;或者有蚂蚁自己走完从起始点到终止点的某一条全程路径,则该路径也可作为可行路径。
对于障碍物覆盖率比较低的,为了获得更好的路径规划效果,对蚁群算法得到的最优路径进行平滑处理。将路径中的两个不在同一条直线上的节点连线,判断当前连线是否穿越障碍物,如果不穿越障碍物,则此连线就是新的路径,并将中间节点剔除,否则路径不作更改。按此方法,依次判断路径中所有符合条件的节点,并剔除不必要的连接节点。路径中是否存在障碍物是依据以下步骤判断:
其中Rx(i)和Ry(i)分别为路径中节点i的横坐标和纵坐标,Rx(j)和Ry(j)分别为路径中的节点j的横坐标和纵坐标,Rx(m)和Ry(m)分别为障碍物点中心点m的横坐标和纵坐标;k为节点i和节点j连城的直线的斜率,b为该直线截距系数;
D为障碍物中心点m到节点i和节点j连接的直线的距离,通过D的大小可以判断该路径是否穿越障碍物,当L为1时表示新路径不穿越过障碍物,等于0时表示穿过障碍物,新路径则无法生成。
当判断出障碍物较多时,高于整个状态空降的50%,采用第二种基于改进蚁群算法的路径搜索算法:更改信息素更新方式,设置封闭路径中的信息素值为零,这样蚂蚁在下一轮的搜索中,就不会选择这条信息素几乎为零的道路。这样就大大的缩小蚂蚁搜索的时间,提高算法的运行效率。
搜索一切结束之后,会得到一条完整的路径之后,在路径中一定会有很多的转折次数,并且转折角度有大有小,对路径距离上有很大影响。对这些转角做第二种方式平滑处理,增大转角度数,降低转角次数,有效降低路径长度,从而使路径尽可能显得平滑,达到缩短起点到终点的距离的目的。判断当前节点与前后两节点是否在同一条直线上,若不在同一条直线上,计算出前后路径中的夹角,若小于155°,取前有两条线段的中点进行连接,判断路径夹角是否小于155°,若还低于155°,再取新路径连接线段的中点进行连接,直到角度大于155°。
本发明的有益效果:本发明在传统蚁群算法上进行了改进,添加了两种不同的蚁群算法搜索策略,在搜索出一条从起始点到目标点的无碰撞路径后,根据周边的环境不同,采用两种不同的平滑处理方式,能够快速搜索出一条从起点到终点的最优路径,在运行时间、最短距离、迭代次数、转折角度以及平滑度上都有很大的改进,从而生成一条连接智能机器人初始点和目标点的最优路径。该算法有效的提高了路径搜索能力,减小了算法搜索时间,提高路径搜索效率,缩短了从起始点到目标点的路径距离,加强避障能力,解决了传统蚁群算法中生成速度偏慢,算法效率和收敛速度慢的问题,提高算法的搜索效率,充分发挥蚁群的相互协作性。
附图说明
图1为根据本发明提出的基于蚁群算法的路径规划平滑优化方法的流程图;
图2为工作环境matlab建模图;
图3为双向蚁群算法搜索策略过程图;
图4为在少障碍物传统蚁群算法搜索结果图;
图5为在少障碍物下改进蚁群算法的平滑优化算法结果图;
图6为求点到线的距离结果图;
图7为在多障碍物改进蚁群算法搜索过程图;
图8为在多障碍物传统蚁群算法搜索结果图;
图9为在多障碍物下改进蚁群算法的平滑优化算法结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明提出一种基于蚁群算法的路径规划平滑优化方法,其流程图如图1所示,具体步骤如下:
一种基于蚁群算法的路径规划平滑优化算法,其特征在于:本发明在可监视区域内,先识别获取智能机器人周围的工作环境信息,将智能机器人的初始点、目标点与工作环境作为路径规划的初始参数;
设置路径规划的初始参数:首先设置智能机器人所处的状态空间C(工作环境)中的静态障碍物;再确定智能机器人在状态空间C中的初始点xi和目标点xg位置。其中,状态空间C指代工作环境;状态空间C由自由空间和障碍空间构成,障碍空间由静态障碍物构成,自由空间表示除障碍空间之外的空间;初始点xi和目标点xg位于自由空间。虚拟工作环境如图2所示,智能机器人所处的状态空间C为矩形区域,初始点xi和目标点xg分别在状态空间C中的左下角与右上角,障碍物为
黑色模块。
采用双向蚁群搜索算法,既所有蚂蚁分成数量相同的两组,分别从起始点和终止点同时相向搜索路径。在搜索中,若两组蚂蚁中有蚂蚁相遇,则连接相遇蚂蚁所走的路径即为一条可行路径;或者有蚂蚁自己走完从起始点到终止点的某一条全程路径,则该路径也可作为可行路径。双向搜索策略如图3所示。
当判断出障碍物较少时,低于整个状态空降的50%,采用第一种基于改进蚁群算法的路径搜索算法:
图4是传统蚁群算法在低障碍物下搜索出一条从起始点到目标点的无障碍路径。
图5是改进后的蚁群算法加上平滑优化算法搜索出一条从起始点到目标点的无障碍路径。跟传统蚁群算法相比,搜索时间上和距离上都大大缩短。具体方法如下所示:
通过蚁群算法得到的路径规划结果,机器人所走的路径节点都是自由栅格中心点,这样就造成了机器人出现不必要的转弯和多余路径。对于障碍物覆盖率比较低的的,为了获得更好的路径规划效果,对蚁群算法得到的最优路径进行平滑处理。将路径中的两个不在同一条直线上的节点连线,以第四个节点为当前结点,判断前后节点是否在同一条直线上,将路径中的两个不在同一条直线上的节点连线,判断是否穿越障碍物,直到当前结点为目标点,优化出最优路径。在图5中,将第 1 个节点与第4个节点连线,需要判断连线上是否穿越障碍物。如果不存在障碍物,生成新的路径,并剔除 2、3 节点;否则,将第 2 个节点与第4个节点连线,判断连线上是否穿越障碍物,依次往后,最坏的结果就是第三个节点与第四个节点相连接,路径保持不变。
判断是否穿越障碍物,采用的是点到直线的距离,如图5所示,第1个节点与第4个节点连接,判断障碍物中心点到该两点连线的距离,如图6所示,求中心点A到节点1和节点4连接线段的垂直距离AB。根据两点的坐标可以确定连线的斜率k和b,根据点到直线的距离公式:
其中Rx(i)和Ry(i)分别为路径中节点i的横坐标和纵坐标,Rx(j)和Ry(j)分别为路径中的节点j的横坐标和纵坐标,Rx(m)和Ry(m)分别为障碍物点中心点m的横坐标和纵坐标;k为节点i和节点j连成的直线的斜率,b为该直线截距系数;
D为障碍物中心点m到节点i和节点j连接的直线的距离,通过D的大小可以判断该路径是否穿越障碍物,当L为1时表示新路径不穿越过障碍物,等于0时表示穿过障碍物,新路径则无法生成。
本实施例中可得到D=1.2005,即得出L=1,表示节点1和节点4连接的直线没有穿过障碍物,生成新路径替代原来路径。
当判断出障碍物较多时,高于或者等于整个状态空间C的50%,采用第二种基于改进蚁群算法的路径搜索算法:
更改信息素更新方式,设置封闭路径中的信息素值为零,这样蚂蚁在下一轮的搜索中,就不会选择这条信息素几乎为零的道路。这样就大大的缩小蚂蚁搜索的时间,提高算法的运行效率。如图7所示,浅灰色地方就是经过第一次迭代之后发现的环境中的封闭路径。
图8是传统蚁群算法在多障碍物下搜索出一条从起始点到目标点的无障碍路径。
图9是改进后的蚁群算法加上平滑优化算法搜索出一条从起始点到目标点的无障碍路径。跟传统蚁群算法相比,搜索时间上和距离上都大大缩短。具体方法如下所示:
搜索一切结束之后,会得到一条完整的路径之后,由于障碍物较多,在路径中一定会有很多的转折次数,并且转折角度有大有小,对路径距离上有很大影响。对这些转角做第二种方式平滑处理,增大转角度数。判断不再同一条直线上的两条路径的夹角,改进后蚁群算法搜索出的路径夹角都是低于或等于145°的。我们将路径中的夹角进行大于155°的优化。
判断当前节点与前后两节点是否在同一条直线上,若不在同一条直线上,计算出前后路径中的夹角,若小于155°,取前有两条线段的中点进行连接,判断路径夹角是否小于155°,若还低于155°,再取新路径连接线段的中点进行连接,直到角度大于155°。直到当前结点为目标点,优化出最优路径。
将实验仿真所得数据与未改进的传统蚁群算法实验仿真数据进行对比,如表1所示,可以看出不管障碍物是多是少,本发明规划的路径更能快速达到最优解,能有效地提高路径搜索效率,搜索出最优路径,加强避障能力。
表1 改进前与改进后的蚁群算法实验仿真数据对比表
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做出各种变化。
Claims (4)
1.一种基于蚁群算法的路径规划平滑优化方法,其特征在于:首先建立路径规划模型设置初始参数,采用栅格法表示机器人的工作环境,对机器人的工作环境进行matlab建模,确定障碍物的大小与地理位置,将智能机器人的初始点、目标点与工作环境作为路径规划的初始参数;然后判断工作环境中障碍物的覆盖率,针对障碍物覆盖率多和少的两种不同状况采用对应的路径平滑优化算法来搜索出一条从初始点到目标点的最优路径,当障碍物覆盖率小于50%时,采用双向蚁群搜索算法得到最优路径,并对最优路径进行平滑处理,当障碍物覆盖率大于或等于50%时,更改信息素更新方式,设置封闭路径中的信息素值为零,搜索得到完整的路径,对路径中的转角做平滑处理。
2.根据权利要求1所述的基于蚁群算法的路径规划平滑优化方法,其特征在于,所述方法的具体步骤如下:
Step1、首先设置智能机器人所处的状态空间C中的静态障碍物随机分布,大小不一;再确定智能机器人在状态空间C中的初始点xi和目标点xg位置,其中,状态空间C指代工作环境;状态空间C由自由空间和障碍空间构成,障碍空间由静态障碍物构成,自由空间表示除障碍空间之外的空间;初始点xi和目标点xg位于自由空间内;
Step2、判断障碍空间占据整个状态空间C的比例,从而采用不同的搜索策略以及平滑优化方式;
当判断出静态障碍物较少时,即障碍空间低于整个状态空间C的50%,采用双向蚁群搜索算法得到最优路径,并对最优路径进行平滑处理,将路径中的两个不在同一条直线上的节点连线,判断当前连线是否穿越障碍物,如果不穿越障碍物,则此连线就是新的路径,并将中间节点剔除,否则路径不作更改,按此方法,依次判断路径中所有符合条件的节点,并剔除不必要的连接节点;
当判断出静态障碍物较多时,即障碍空间高于或等于整个状态空间C的50%,更改信息素更新方式,设置封闭路径中的信息素值为零,搜索结束之后,得到一条完整的路径,对路径中的转角做平滑处理,增大转角度数,降低转角次数,降低路径长度。
3.根据权利要求2所述的基于蚁群算法的路径规划平滑优化方法,其特征在于,所述判断当前连线是否穿越障碍物,采用的是点到直线的距离,
其中Rx(i)和Ry(i)分别为路径中节点i的横坐标和纵坐标,Rx(j)和Ry(j)分别为路径中的节点j的横坐标和纵坐标, Rx(m)和Ry(m)分别为障碍物点中心点m的横坐标和纵坐标;k为节点i和节点j连城的直线的斜率,b为该直线截距系数;
D为障碍物中心点m到节点i和节点j连接的直线的距离,通过D的大小可以判断该路径是否穿越障碍物,当L为1时表示新路径不穿越过障碍物,等于0时表示穿过障碍物,新路径则无法生成。
4.根据权利要求2所述的基于蚁群算法的路径规划平滑优化方法,其特征在于,所述对路径中的转角做平滑处理的具体过程为:判断当前节点与前后两节点是否在同一条直线上,若不在同一条直线上,计算出前后路径中的夹角,若小于155°,取前后两条线段的中点进行连接,判断路径夹角是否小于155°,若低于155°,再取新路径连接线段的中点进行连接,直到角度大于155°。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810810542.3A CN109116841B (zh) | 2018-07-23 | 2018-07-23 | 一种基于蚁群算法的路径规划平滑优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810810542.3A CN109116841B (zh) | 2018-07-23 | 2018-07-23 | 一种基于蚁群算法的路径规划平滑优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109116841A true CN109116841A (zh) | 2019-01-01 |
CN109116841B CN109116841B (zh) | 2021-09-14 |
Family
ID=64862993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810810542.3A Active CN109116841B (zh) | 2018-07-23 | 2018-07-23 | 一种基于蚁群算法的路径规划平滑优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109116841B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110118559A (zh) * | 2019-04-30 | 2019-08-13 | 厦门大学 | 一种基于变概率策略的导览机器人动态避障方法和装置 |
CN110737264A (zh) * | 2019-09-11 | 2020-01-31 | 北京戴纳实验科技有限公司 | 一种实验室远程监控系统 |
CN110989612A (zh) * | 2019-12-17 | 2020-04-10 | 哈工大机器人(合肥)国际创新研究院 | 一种基于蚁群算法的机器人路径规划方法及装置 |
CN111639811A (zh) * | 2020-06-01 | 2020-09-08 | 中国农业大学 | 基于改进蚁群算法的多农机协同作业远程管理调度方法 |
CN111982125A (zh) * | 2020-08-31 | 2020-11-24 | 长春工业大学 | 一种基于改进蚁群算法的路径规划方法 |
CN112068553A (zh) * | 2020-08-20 | 2020-12-11 | 上海姜歌机器人有限公司 | 机器人避障处理方法、装置及机器人 |
CN112327876A (zh) * | 2020-11-21 | 2021-02-05 | 安徽工程大学 | 一种基于终距指数的机器人路径规划方法 |
CN112991800A (zh) * | 2021-03-03 | 2021-06-18 | 合肥工业大学 | 基于角度限制和双向搜索的城市路网最短路径获取方法 |
CN113492411A (zh) * | 2021-09-10 | 2021-10-12 | 季华实验室 | 机器人抓取路径规划方法、装置、电子设备及存储介质 |
CN113577772A (zh) * | 2021-09-27 | 2021-11-02 | 深圳易帆互动科技有限公司 | 基于瓦片地图的单位移动方法、装置及可读存储介质 |
CN114690728A (zh) * | 2022-05-18 | 2022-07-01 | 山东大学 | 一种用于物料快速运输的双向可调agv路径规划方法 |
CN115454061A (zh) * | 2022-08-31 | 2022-12-09 | 安徽机电职业技术学院 | 一种基于3d技术的机器人路径避障方法及系统 |
CN117705124A (zh) * | 2024-02-05 | 2024-03-15 | 青岛冠成软件有限公司 | 一种物流机器人的路径规划方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070237152A1 (en) * | 2003-01-20 | 2007-10-11 | Nanyang Polytechnic | Path Searching System Using Multiple Groups Of Cooperating Agents And Method Thereof |
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 |
CN108180914A (zh) * | 2018-01-09 | 2018-06-19 | 昆明理工大学 | 一种基于蚁群改进和尖峰平滑的移动机器人路径规划方法 |
CN108253984A (zh) * | 2017-12-19 | 2018-07-06 | 昆明理工大学 | 一种基于改进a星算法的移动机器人路径规划方法 |
-
2018
- 2018-07-23 CN CN201810810542.3A patent/CN109116841B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070237152A1 (en) * | 2003-01-20 | 2007-10-11 | Nanyang Polytechnic | Path Searching System Using Multiple Groups Of Cooperating Agents And Method Thereof |
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 |
CN108253984A (zh) * | 2017-12-19 | 2018-07-06 | 昆明理工大学 | 一种基于改进a星算法的移动机器人路径规划方法 |
CN108180914A (zh) * | 2018-01-09 | 2018-06-19 | 昆明理工大学 | 一种基于蚁群改进和尖峰平滑的移动机器人路径规划方法 |
Non-Patent Citations (2)
Title |
---|
杨乐 等: "基于改进蚁群算法快速求解迷宫路径问题研究", 《软件导刊》 * |
王红君 等: "基于平滑蚁群算法的机器人路径规划", 《燕山大学学报》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110118559A (zh) * | 2019-04-30 | 2019-08-13 | 厦门大学 | 一种基于变概率策略的导览机器人动态避障方法和装置 |
CN110118559B (zh) * | 2019-04-30 | 2021-05-25 | 厦门大学 | 一种基于变概率策略的导览机器人动态避障方法和装置 |
CN110737264B (zh) * | 2019-09-11 | 2022-09-06 | 北京戴纳实验科技有限公司 | 一种实验室远程监控系统 |
CN110737264A (zh) * | 2019-09-11 | 2020-01-31 | 北京戴纳实验科技有限公司 | 一种实验室远程监控系统 |
CN110989612A (zh) * | 2019-12-17 | 2020-04-10 | 哈工大机器人(合肥)国际创新研究院 | 一种基于蚁群算法的机器人路径规划方法及装置 |
CN111639811A (zh) * | 2020-06-01 | 2020-09-08 | 中国农业大学 | 基于改进蚁群算法的多农机协同作业远程管理调度方法 |
CN111639811B (zh) * | 2020-06-01 | 2023-10-31 | 中国农业大学 | 基于改进蚁群算法的多农机协同作业远程管理调度方法 |
CN112068553A (zh) * | 2020-08-20 | 2020-12-11 | 上海姜歌机器人有限公司 | 机器人避障处理方法、装置及机器人 |
CN111982125A (zh) * | 2020-08-31 | 2020-11-24 | 长春工业大学 | 一种基于改进蚁群算法的路径规划方法 |
CN112327876B (zh) * | 2020-11-21 | 2022-02-01 | 安徽工程大学 | 一种基于终距指数的机器人路径规划方法 |
CN112327876A (zh) * | 2020-11-21 | 2021-02-05 | 安徽工程大学 | 一种基于终距指数的机器人路径规划方法 |
CN112991800A (zh) * | 2021-03-03 | 2021-06-18 | 合肥工业大学 | 基于角度限制和双向搜索的城市路网最短路径获取方法 |
CN113492411A (zh) * | 2021-09-10 | 2021-10-12 | 季华实验室 | 机器人抓取路径规划方法、装置、电子设备及存储介质 |
CN113492411B (zh) * | 2021-09-10 | 2021-11-30 | 季华实验室 | 机器人抓取路径规划方法、装置、电子设备及存储介质 |
CN113577772A (zh) * | 2021-09-27 | 2021-11-02 | 深圳易帆互动科技有限公司 | 基于瓦片地图的单位移动方法、装置及可读存储介质 |
CN114690728A (zh) * | 2022-05-18 | 2022-07-01 | 山东大学 | 一种用于物料快速运输的双向可调agv路径规划方法 |
CN115454061A (zh) * | 2022-08-31 | 2022-12-09 | 安徽机电职业技术学院 | 一种基于3d技术的机器人路径避障方法及系统 |
CN115454061B (zh) * | 2022-08-31 | 2024-03-29 | 安徽机电职业技术学院 | 一种基于3d技术的机器人路径避障方法及系统 |
CN117705124A (zh) * | 2024-02-05 | 2024-03-15 | 青岛冠成软件有限公司 | 一种物流机器人的路径规划方法 |
CN117705124B (zh) * | 2024-02-05 | 2024-05-03 | 青岛冠成软件有限公司 | 一种物流机器人的路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109116841B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109116841A (zh) | 一种基于蚁群算法的路径规划平滑优化方法 | |
CN112325884B (zh) | 一种基于dwa的ros机器人局部路径规划方法 | |
CN108241375B (zh) | 一种自适应蚁群算法在移动机器人路径规划中的应用方法 | |
CN107450535B (zh) | 一种智能运载机器人最优路径混合图论控制规划方法 | |
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 | |
Gao et al. | A global path planning algorithm for robots using reinforcement learning | |
CN109945873A (zh) | 一种用于室内移动机器人运动控制的混合路径规划方法 | |
CN106843216A (zh) | 一种基于回溯搜索的生物激励机器人完全遍历路径规划方法 | |
CN113625716B (zh) | 一种多智能体动态路径规划方法 | |
CN110531770A (zh) | 一种基于改进的rrt路径规划方法和系统 | |
CN105929843A (zh) | 一种基于改进蚁群算法的机器人路径规划方法 | |
CN107943053A (zh) | 一种移动机器人的路径规划方法 | |
CN109542117A (zh) | 基于改进rrt的水下航行器滚动规划算法 | |
CN110471426A (zh) | 基于量子狼群算法的无人驾驶智能车自动避碰方法 | |
Yang et al. | LF-ACO: an effective formation path planning for multi-mobile robot | |
Chowdhury et al. | RGSO-UAV: Reverse Glowworm Swarm Optimization inspired UAV path-planning in a 3D dynamic environment | |
CN107833239A (zh) | 一种基于加权模型约束的寻优匹配目标跟踪方法 | |
Poncela et al. | Efficient integration of metric and topological maps for directed exploration of unknown environments | |
CN108985516A (zh) | 基于元胞自动机的室内路径规划方法 | |
Lin et al. | Wall-following and navigation control of mobile robot using reinforcement learning based on dynamic group artificial bee colony | |
CN108426579A (zh) | 一种楼层内部路径网自动生成方法 | |
CN109885082A (zh) | 一种基于任务驱动下的无人机航迹规划的方法 | |
CN114489040A (zh) | 基于改进a*算法与人工势场算法的混合路径规划方法 | |
CN115757604A (zh) | 一种基于夜光影像数据的gdp时空演变分析方法 | |
CN104793492B (zh) | 一种基于熵和灰关联度的室内环境特征提取方法 |
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 |