CN109358618B - 一种移动机器人的路径规划方法 - Google Patents
一种移动机器人的路径规划方法 Download PDFInfo
- Publication number
- CN109358618B CN109358618B CN201811135374.9A CN201811135374A CN109358618B CN 109358618 B CN109358618 B CN 109358618B CN 201811135374 A CN201811135374 A CN 201811135374A CN 109358618 B CN109358618 B CN 109358618B
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- obstacle
- moving
- cluster
- elastic force
- 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 37
- 239000002245 particle Substances 0.000 claims abstract description 34
- 238000005265 energy consumption Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 29
- 230000001133 acceleration Effects 0.000 claims description 12
- 108050006002 RNA polymerase sigma factor FliA Proteins 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 6
- 230000004888 barrier function Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种移动机器人的路径规划方法,所述移动机器人的路径规划方法包括:首先初始化移动机器人的移动状态,构建弹性粒子模型,规划移动机器人在所述弹性粒子模型下的运动状态,计算移动机器人的实时累计能耗和复杂度。本发明考虑了移动机器人与障碍物之间的相互作用力,避免了远距离目标之间的相互作用,使移动机器人不必陷入局部平衡位置,主动性强,可以应用到任意目标位置。同时也有效地降低了移动机器人的能量损耗,有利于移动机器人路径规划的实现。利用弹性粒子模型有效地降低了路径规划实时计算的复杂度,同时缩短了移动路径,节省了移动机器人的能量损耗。
Description
技术领域
本发明属于机器人人工智能技术领域,特别是涉及一种移动机器人的路径规划方法。
背景技术
移动机器人广泛应用于各种领域,如路径检测、图像采集、障碍物检测、家庭服务等。在这些应用中,路径规划是移动机器人控制系统中最基本、最重要的组成部分,一直是移动机器人领域的研究热点。在许多物理场景中,移动机器人配备了计算和存储能力以及受限的电源。因此,路径规划的主要目标是从最小能量消耗的角度找到移动机器人从初始位置到目标位置的有效路径,保证移动机器人在障碍环境中的安全性。
随着人工智能技术的不断发展,人们提出了许多方法,如人工势场法、神经网络算法、蚁群算法、遗传算法等智能路径规划。这些方法会存在一些问题。例如基于传统的人工势场法和蚁群算法都会使移动机器人比较容易的陷入局部最优位置,从而达不到真实的目标位置;基于传统的神经网络算法,需要冗余的计算资源,不能满足机器人对变化环境的处理要求。
因此传统的移动机器人的路径规划算法存在计算复杂,易陷入局部最优等问题,导致最终结果精度下降。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种移动机器人的路径规划方法,用于解决现有技术中计算复杂,移动过程中多余能量损耗的不足,有效提高了移动机器人的运动效率。
为实现上述目的及其他相关目的,本发明提供一种移动机器人的路径规划方法,包括以下操作步骤:
S1、初始化移动机器人的移动状态;
S2、构建弹性粒子模型;
S3、规划移动机器人在所述弹性粒子模型下的运动状态;
S4、计算移动机器人的实时累计能耗和计算复杂度。
作为本发明的一种优选方案,步骤S1具体包括以下操作步骤:
初始化移动机器人的移动状态,所述移动机器人的移动状态包括移动机器人的初始速度、加速度、移动趋势、移动路径;
移动趋势设置为移动机器人当前位置点指向目标点之间的连线,所述移动机器人当前位置点指向目标点之间的连线Lmt的直线方程为:
Lmt:Ax+By+C=0
其中,A、B、C为直线方程的系数,均为实数;x为连线Lmt上的点在平面坐标系的横坐标,y为连线Lmt上的点在平面坐标系的纵坐标;
移动机器人在当前位置可按照移动趋势移动的标准设置为:
SM<δ||ok-Lmt||
为便于建模,将移动机器人和障碍物在平面坐标系的投影统一用圆形来表示,SM为该圆形的直径,移动机器人和障碍物的位置坐标,指的是该圆心的坐标。
其中,SM表示移动机器人和障碍物标准形状的尺寸大小;ok表示移动机器人附近的第k个障碍物位置;||ok-Lmt||表示障碍物ok到所述移动机器人当前位置点指向目标点之间的连线Lmt的垂线距离;δ表示增益因子,且δ>1;
障碍物位置被标记的标准设置为:
其中,xok表示障碍物ok在平面坐标系的横坐标,yok表示障碍物ok在平面坐标系的纵坐标;θ为设定的阈值。
作为本发明的一种优选方案,步骤S2具体包括以下操作步骤:
移动机器人在移动的路径中,被标记的障碍物位置集合表示为O:
O={o1,o2,…,ok-1,ok,…,oM}
其中,ok表示第k个障碍物位置,第k个障碍物位置的横坐标为xok,第k个障碍物位置的纵坐标为yok;M表示障碍物的个数;
移动机器人的位置集合表示为:
P={p1,p2,…,pi-1,pi…,pN}
其中,pi表示第i时刻移动机器人的位置,移动机器人的横坐标为xi,移动机器人的纵坐标为yi;N表示移动机器人采样位置点的个数;
第k个障碍物的位置与第i时刻移动机器人的位置之间的距离表示为:
移动机器人受到的虚拟弹性力为:
F=-k0(d-l)
其中,F表示移动机器人受到当前障碍物的弹性力,k0表示虚拟弹簧的弹性常数,l表示虚拟弹簧的初始长度;
移动机器人受到的虚拟弹性合力为:
FR=∑Fp+∑Fc+∑Ff
移动机器人在一个采样周期内将受到三种弹性力,∑Fp表示移动机器人在移动过程中已路过的障碍物集群的弹性力,∑Fc表示移动机器人所在的当前障碍物集群的弹性力,∑Ff表示移动机器人在移动趋势下将要路过的障碍物集群的弹性力;
因此,移动机器人受到的虚拟弹性合力为:
作为本发明的一种优选方案,步骤S3具体包括以下操作步骤:
移动机器人在弹性粒子模型下的运动状态表示为:
FR=ma(t)
其中,m表示移动机器人的质量,m为常数;t表示时间变量,为当前时刻;ΔT表示采样时间间隔,t+ΔT表示下一次采样时刻;a表示移动机器人的加速度;a(t)表示移动机器人的加速度是关于时间变量t的函数,代表当前时刻t的加速度;S表示移动机器人在弹性粒子模型下的累计移动的距离,S(t)表示移动机器人在弹性粒子模型下的累计移动的距离是关于时间变量t的函数,代表移动机器人在当前时刻t累计移动的距离;S(t+ΔT)表示到下一次采样时刻t+ΔT时,移动机器人累计移动的距离;V表示移动机器人在弹性粒子模型下的移动速度,V(t)表示移动机器人在弹性粒子模型下的移动速度是关于时间变量t的函数,代表移动机器人在当前时刻t的移动速度;V(t+ΔT)表示到下一次采样时刻t+ΔT时,移动机器人的移动速度;ξ表示积分变量,取值从积分下限值t一直取到积分上限值t+ΔT;
运动状态的离散形式为:
S(t+ΔT)=S(t)+V(t)ΔT
V(t+ΔT)=V(t)+a(t)ΔT
移动机器人在一个采样间隔内的运动可以表示为:
移动机器人在初始时刻即t=0运动状态为:S(t)=0、V(t)=0,在第一个采样间隔内运动状态可以表示为:
一个采样周期结束的标准设置为:
||oc-Lc||=l
其中,oc表示移动机器人在当前时刻要穿过的障碍物集群的中心位置,Lc表示移动机器人当前所在位置,l表示虚拟弹簧初始长度;Fi p表示移动机器人在移动过程中,受到的已路过障碍物集群中第i个障碍物的弹性力;i的取值从1到K1,K1表示已路过障碍物集群中的障碍物数量;表示移动机器人在移动过程中,受到的当前所在障碍物集群中第j个障碍物的弹性力;j的取值从1到K2,K2表示当前所在障碍物集群中的障碍物数量;表示移动机器人在移动过程中,受到的后续将要路过障碍物集群中第k个障碍物的弹性力;k的取值从1到K3,K3表示后续将要路过障碍物集群中的障碍物数量;m表示移动机器人的质量,m为常数。
作为本发明的一种优选方案,步骤S4具体包括以下操作步骤:
移动机器人单位距离的平均能耗为Em,移动机器人的实时累计能耗为:
每个障碍物的计算复杂度表示为ο(1),计算复杂度与障碍物的数量成比例,并假定其他因素忽略不计,总体计算复杂度为:
ο=(K1+K2+K3)ο(1)。
如上所述,本发明的一种移动机器人的路径规划方法,具有以下有益效果:
1、本发明考虑了移动机器人与障碍物之间的相互作用力,避免了远距离目标之间的相互作用,使移动机器人不必陷入局部平衡位置,主动性强,可以应用到任意目标位置。同时也有效地降低了移动机器人的能量损耗,有利于移动机器人路径规划的实现。
2、利用弹性粒子模型有效地降低了路径规划实时计算的复杂度,同时缩短了移动路径,节省了移动机器人的能量损耗。
附图说明
图1显示为本发明的移动机器人的路径规划方法的流程示意图。
图2显示为本发明的弹性粒子模型结构图。
图3显示为本发明的移动机器人在任意采样周期内移动的轨迹图。
图4显示为本发明的移动机器人在Matlab仿真下固定路径规划测试图。
图5显示为本发明的移动机器人在Matlab仿真下任意路径规划测试图。
图6显示为本发明的不同障碍物下人工势场法和弹性粒子模型法的平均能耗对比图。
元件标号说明
S1~S4 步骤
具体实施方式
下面对照附图,对本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理等作进一步的详细说明:
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1所示,本实施例提供一种移动机器人的路径规划方法,包括以下操作步骤:
S1、初始化移动机器人的移动状态;
S2、构建弹性粒子模型;
构建弹性粒子模型,模型结构如图2所示,p表示移动机器人的位置,o表示障碍物位置,移动机器人在移动过程中受到障碍物提供的虚拟弹性力,力的大小由两者间的距离d来决定,力的方向由障碍物集群与移动机器人之间的相互位置来决定。在一个采样周期内,机器人将受到来自三组障碍物集群的虚拟弹性力,在这三种力驱动下,移动机器人能够较为准确的到达目标位置,如图3所示。
S3、规划移动机器人在所述弹性粒子模型下的运动状态;
实验设计在Matlab上进行,在0-100的栅格地图中,分别测试了移动机器人在固定初始位置与任意初始位置下的路径规划,如图4和图5所示。
S4、计算移动机器人的实时累计能耗和计算复杂度。
对比在不同数量的障碍物下,弹性粒子模型与人工势场法两种方法所需的单位能量损耗。结果如图6所示,从图中可以看出,弹性粒子模型具有较高的能量转换率,可以有效减少移动机器人的能量损耗,提高机器人的移动效率。
具体的,初始化移动机器人的移动状态具体包括以下操作步骤:
初始化移动机器人的移动状态,所述移动机器人的移动状态包括移动机器人的初始速度、加速度、移动趋势、移动路径;
移动趋势设置为机器人当前位置点指向目标点之间的连线,该连线Lmt的直线方程为:
Lmt:Ax+By+C=0
其中,A、B、C为直线方程的系数,均为实数;x为连线Lmt上的点在平面坐标系的横坐标,y为连线Lmt上的点在平面坐标系的纵坐标;
移动机器人在当前位置可按照移动趋势移动的标准设置为:
SM<δ||ok-Lmt||
其中,SM为移动机器人和障碍物标准形状的尺寸大小;ok表示为移动机器人附近的第k个障碍物位置;||ok-Lmt||表示障碍物ok到所述移动机器人当前位置点指向目标点之间的连线Lmt的垂线距离;δ表示增益因子,且δ>1。
障碍物位置被标记的标准设置为:
其中,xok表示障碍物ok在平面坐标系的横坐标,yok表示障碍物ok在平面坐标系的纵坐标;θ为设定的阈值。
构建弹性粒子模型具体包括以下操作步骤:
移动机器人在移动的路径中,被标记的障碍物位置集合表示为O:
O={o1,o2,…,ok-1,ok,…,oM}
其中,ok表示第k个障碍物位置,第k个障碍物位置的横坐标为xok,第k个障碍物位置的纵坐标为yok;M表示障碍物的个数;
移动机器人的位置集合表示为:
P={p1,p2,…,pi-1,pi…,pN}
其中,pi表示第i时刻移动机器人的位置,移动机器人的横坐标为xi,移动机器人的纵坐标为yi;N表示移动机器人采样位置点的个数;
第k个障碍物的位置与第i时刻移动机器人的位置之间的距离表示为:
移动机器人受到的虚拟弹性力为:
F=-k0(d-l)
其中,F表示移动机器人受到当前障碍物的弹性力,k0表示虚拟弹簧的弹性常数,l表示虚拟弹簧的初始长度。
移动机器人受到的虚拟弹性合力为:
FR=∑Fp+∑Fc+∑Ff
移动机器人在一个采样周期内将受到三种弹性力,∑Fp表示移动机器人在移动过程中已路过的障碍物集群的弹性力,∑Fc表示移动机器人所在的当前障碍物集群的弹性力,∑Ff表示移动机器人在移动趋势下将要路过的障碍物集群的弹性力;
因此,移动机器人受到的虚拟弹性合力为:
规划移动机器人在所述弹性粒子模型下的运动状态具体包括以下操作步骤:
移动机器人在弹性粒子模型下的运动状态表示为:
FR=ma(t)
其中,m表示移动机器人的质量,m为常数;t表示时间变量,为当前时刻;ΔT表示采样时间间隔,t+ΔT表示下一次采样时刻;a表示移动机器人的加速度;a(t)表示移动机器人的加速度是关于时间变量t的函数,代表当前时刻t的加速度;S表示移动机器人在弹性粒子模型下的累计移动的距离,S(t)表示移动机器人在弹性粒子模型下的累计移动的距离是关于时间变量t的函数,代表移动机器人在当前时刻t累计移动的距离;S(t+ΔT)表示到下一次采样时刻t+ΔT时,移动机器人累计移动的距离;V表示移动机器人在弹性粒子模型下的移动速度,V(t)表示移动机器人在弹性粒子模型下的移动速度是关于时间变量t的函数,代表移动机器人在当前时刻t的移动速度;V(t+ΔT)表示到下一次采样时刻t+ΔT时,移动机器人的移动速度;ξ表示积分变量,取值从积分下限值t一直取到积分上限值t+ΔT;
运动状态的离散形式为:
S(t+ΔT)=S(t)+V(t)ΔT
V(t+ΔT)=V(t)+a(t)ΔT
移动机器人在一个采样间隔内的运动可以表示为:
移动机器人在初始时刻即t=0运动状态为:S(t)=0、V(t)=0,在第一个采样间隔内运动状态可以表示为:
一个采样周期结束的标准设置为:
||oc-Lc||=l
其中,oc表示移动机器人在当前时刻要穿过的障碍物集群的中心位置,Lc表示移动机器人当前所在位置,l表示虚拟弹簧初始长度;Fi p表示移动机器人在移动过程中,受到的已路过障碍物集群中第i个障碍物的弹性力;i的取值从1到K1,K1表示已路过障碍物集群中的障碍物数量;表示移动机器人在移动过程中,受到的当前所在障碍物集群中第j个障碍物的弹性力;j的取值从1到K2,K2表示当前所在障碍物集群中的障碍物数量;表示移动机器人在移动过程中,受到的后续将要路过障碍物集群中第k个障碍物的弹性力;k的取值从1到K3,K3表示后续将要路过障碍物集群中的障碍物数量;m表示移动机器人的质量,m为常数。
计算移动机器人的实时累计能耗和计算复杂度具体包括以下操作步骤:
移动机器人单位距离的平均能耗为Em,移动机器人的实时累计能耗为:
每个障碍物的计算复杂度表示为ο(1),计算复杂度与障碍物的数量成比例,并假定其他因素忽略不计,总体计算复杂度为:
ο=(K1+K2+K3)ο(1)。
本发明公开了一种基于弹性粒子模型的路径规划方法,该模型有效地降低了路径规划实时计算的复杂度,同时缩短了移动路径,节省了移动机器人的能量损耗。
综上所述,本发明提出的弹性粒子模型与人工势场法相比,考虑了移动机器人与障碍物之间的相互作用力,避免了远距离目标之间的相互作用,使移动机器人不必陷入局部平衡位置,主动性强,可以应用到任意目标位置。同时也有效降低了移动机器人的能量损耗,有利于移动机器人路径规划的实现。
以上内容是结合具体的优选实施方式对本发明作的进一步详细说明,不能认定本发明的具体实施方式只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明的技术方案下得出的其他实施方式,均应包含在本发明的保护范围内。
Claims (2)
1.一种移动机器人的路径规划方法,其特征在于,包括以下操作步骤:
S1、初始化移动机器人的移动状态;
S2、构建弹性粒子模型;
S3、规划移动机器人在所述弹性粒子模型下的运动状态;
S4、计算移动机器人的实时累计能耗和计算复杂度;
步骤S1具体包括以下操作步骤:
初始化移动机器人的移动状态,所述移动机器人的移动状态包括移动机器人的初始速度、加速度、移动趋势、移动路径;
移动趋势设置为移动机器人当前位置点指向目标点之间的连线,所述移动机器人当前位置点指向目标点之间的连线Lmt的直线方程为:
Lmt:Ax+By+C=0
其中,A、B、C为直线方程的系数,均为实数;x为连线Lmt上的点在平面坐标系的横坐标,y为连线Lmt上的点在平面坐标系的纵坐标;
移动机器人在当前位置可按照移动趋势移动的标准设置为:
SM<δ||ok-Lmt||
其中,SM表示移动机器人和障碍物标准形状的尺寸大小;ok表示移动机器人附近的第k个障碍物位置;||ok-Lmt||表示障碍物ok到所述移动机器人当前位置点指向目标点之间的连线Lmt的垂线距离;δ表示增益因子,且δ>1;
障碍物位置被标记的标准设置为:
其中,xok表示障碍物ok在平面坐标系的横坐标,yok表示障碍物ok在平面坐标系的纵坐标;θ为设定的阈值;
步骤S2具体包括以下操作步骤:
移动机器人在移动的路径中,被标记的障碍物位置集合表示为O:
O={o1,o2,…,ok-1,ok,…,oM}
其中,ok表示第k个障碍物位置,第k个障碍物位置的横坐标为xok,第k个障碍物位置的纵坐标为yok;M表示障碍物的个数;
移动机器人的位置集合表示为:
P={p1,p2,…,pi-1,pi…,pN}
其中,pi表示第i时刻移动机器人的位置,移动机器人的横坐标为xi,移动机器人的纵坐标为yi;N表示移动机器人采样位置点的个数;
第k个障碍物的位置与第i时刻移动机器人的位置之间的距离表示为:
移动机器人受到的虚拟弹性力为:
F=-k0(d-l)
其中,F表示移动机器人受到当前障碍物的弹性力,k0表示虚拟弹簧的弹性常数,l表示虚拟弹簧的初始长度;
移动机器人受到的虚拟弹性合力为:
FR=∑Fp+∑Fc+∑Ff
移动机器人在一个采样周期内将受到三种弹性力,∑Fp表示移动机器人在移动过程中已路过的障碍物集群的弹性力,∑Fc表示移动机器人所在的当前障碍物集群的弹性力,∑Ff表示移动机器人在移动趋势下将要路过的障碍物集群的弹性力;
因此,移动机器人受到的虚拟弹性合力为:
步骤S3具体包括以下操作步骤:
移动机器人在弹性粒子模型下的运动状态表示为:
FR=ma(t)
其中,m表示移动机器人的质量,m为常数;t表示时间变量,为当前时刻;ΔT表示采样时间间隔,t+ΔT表示下一次采样时刻;a表示移动机器人的加速度;a(t)表示移动机器人的加速度是关于时间变量t的函数,代表当前时刻t的加速度;S表示移动机器人在弹性粒子模型下的累计移动的距离,S(t)表示移动机器人在弹性粒子模型下的累计移动的距离是关于时间变量t的函数,代表移动机器人在当前时刻t累计移动的距离;S(t+ΔT)表示到下一次采样时刻t+ΔT时,移动机器人累计移动的距离;V表示移动机器人在弹性粒子模型下的移动速度,V(t)表示移动机器人在弹性粒子模型下的移动速度是关于时间变量t的函数,代表移动机器人在当前时刻t的移动速度;V(t+ΔT)表示到下一次采样时刻t+ΔT时,移动机器人的移动速度;ξ表示积分变量,取值从积分下限值t一直取到积分上限值t+ΔT;
运动状态的离散形式为:
S(t+ΔT)=S(t)+V(t)ΔT
V(t+ΔT)=V(t)+a(t)ΔT
移动机器人在一个采样间隔内的运动可以表示为:
移动机器人在初始时刻即t=0运动状态为:S(t)=0、V(t)=0,在第一个采样间隔内运动状态可以表示为:
一个采样周期结束的标准设置为:
||oc-Lc||=l
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811135374.9A CN109358618B (zh) | 2018-09-28 | 2018-09-28 | 一种移动机器人的路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811135374.9A CN109358618B (zh) | 2018-09-28 | 2018-09-28 | 一种移动机器人的路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109358618A CN109358618A (zh) | 2019-02-19 |
CN109358618B true CN109358618B (zh) | 2021-10-26 |
Family
ID=65348091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811135374.9A Active CN109358618B (zh) | 2018-09-28 | 2018-09-28 | 一种移动机器人的路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109358618B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112917476B (zh) * | 2021-01-26 | 2022-03-11 | 安徽工程大学 | 一种三维地形下轮式机器人作业路径平滑的改进lazy theta方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8050863B2 (en) * | 2006-03-16 | 2011-11-01 | Gray & Company, Inc. | Navigation and control system for autonomous vehicles |
US9020637B2 (en) * | 2012-11-02 | 2015-04-28 | Irobot Corporation | Simultaneous localization and mapping for a mobile robot |
JP5897517B2 (ja) * | 2013-08-21 | 2016-03-30 | シャープ株式会社 | 自律移動体 |
CN107861508B (zh) * | 2017-10-20 | 2021-04-20 | 纳恩博(北京)科技有限公司 | 一种移动机器人局部运动规划方法及装置 |
-
2018
- 2018-09-28 CN CN201811135374.9A patent/CN109358618B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109358618A (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110561417B (zh) | 一种多智能体无碰撞轨迹规划方法 | |
CN108564600B (zh) | 运动物体姿态跟踪方法及装置 | |
Rabah et al. | Heterogeneous parallelization for object detection and tracking in UAVs | |
Guan et al. | Robot formation control based on internet of things technology platform | |
CN107222873A (zh) | 一种面向三维有向感知模型的wmsn全目标覆盖方法 | |
Weng et al. | Graph-based task-specific prediction models for interactions between deformable and rigid objects | |
CN109358618B (zh) | 一种移动机器人的路径规划方法 | |
CN114310888B (zh) | 一种协作机器人可变刚度运动技能学习与调控方法及系统 | |
CN111309035A (zh) | 多机器人协同移动与动态避障方法、装置、设备及介质 | |
CN117077727A (zh) | 基于时空注意力机制和神经常微分方程的轨迹预测方法 | |
CN114037050B (zh) | 一种基于脉冲神经网络内在可塑性的机器人退化环境避障方法 | |
Bartashevich et al. | PSO-based Search mechanism in dynamic environments: Swarms in Vector Fields | |
CN106127119A (zh) | 基于彩色图像和深度图像多特征的联合数据关联方法 | |
CN112684709B (zh) | 一种集群跟踪运动学建模方法、设备及存储介质 | |
CN114170454A (zh) | 基于关节分组策略的智能体元动作学习方法 | |
CN112329627B (zh) | 一种高空抛掷物判别方法 | |
Ren et al. | Fast-learning grasping and pre-grasping via clutter quantization and Q-map masking | |
Li et al. | Robot path planning using improved artificial bee colony algorithm | |
CN111007848B (zh) | 一种基于有界空间的多智能体协同作业控制方法 | |
CN113011081B (zh) | 一种基于元学习的无人机导航方法 | |
CN113910221B (zh) | 一种机械臂自主运动规划方法、装置、设备及存储介质 | |
CN112861332B (zh) | 一种基于图网络的集群动力学预测方法 | |
CN109085751B (zh) | 一种基于多粒度强化学习的六足机器人导航方法 | |
CN114563011A (zh) | 一种用于无地图导航的主动听觉定位方法 | |
CN110058593B (zh) | 一种干扰环境下的多智能体队形控制方法及系统 |
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 |