CN110221613B - 基于改进型人工势场法的机器人路径规划方法和装置 - Google Patents
基于改进型人工势场法的机器人路径规划方法和装置 Download PDFInfo
- Publication number
- CN110221613B CN110221613B CN201910508729.2A CN201910508729A CN110221613B CN 110221613 B CN110221613 B CN 110221613B CN 201910508729 A CN201910508729 A CN 201910508729A CN 110221613 B CN110221613 B CN 110221613B
- Authority
- CN
- China
- Prior art keywords
- robot
- potential field
- target point
- time window
- local
- 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 66
- 230000001133 acceleration Effects 0.000 claims description 19
- 230000004888 barrier function Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 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
- G05D1/0212—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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- 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
- G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种基于改进型人工势场法的机器人路径规划方法和装置。方法包括:确定机器人的初始起点、最终目标点,以及机器人的决策时间窗口长度和窗口时长,并将时间针的初始值设置为第一个决策时间窗口期;在时间针的时间窗口内确定机器人的局部起点和要到达的局部目标点,基于改进型人工势场法生成周围环境的势场;根据周围环境的势场驱动机器人移动,在该时间针的时间窗口内从局部起点和到达局部目标点;判断该局部目标点是否为机器人要到达的最终目标点,若为是,则完成路径规划,若为否,则将时间针设置为机器人的下一个决策时间窗口期,继续执行下一轮循环。本发明提供的技术方案可驱动机器人有效避开障碍物位置,且快速到达目标位置。
Description
技术领域
本发明涉及机器人路径规划技术领域,特别涉及一种基于改进型人工势场法的机器人路径规划方法和装置。
背景技术
目前智能机器人技术得到快速的发展,实施路径规划与导航是移动机器人必备的功能。而在复杂的环境之中,让机器人使用一种简便、高效且实用的路径规划算法尤为重要。
如何让机器人携带雷达等多种设备实现对周围环境的检测,并根据环境信息,规划出一条能够避开障碍物且最快到达目标位置的路径规划方法,是目前智能机器人技术研究的热点问题。现有技术中常用的动态窗口神经网络算法,其运算比较复杂,传统的人工势场方法在应用当中往往又容易陷入局部极小值的问题。因此,现有技术的路径规划的算法存在运算复杂,解决复杂环境内的路径规划的实效性差的问题。
发明内容
本发明的实施例提供一种基于改进型人工势场法的机器人路径规划方法和装置,用以驱动机器人有效避开障碍物位置,且快速到达目标位置。
为达到上述目的,本发明的实施例采用如下技术方案:
第一方面,本发明实施例提供一种基于改进型人工势场法的机器人路径规划方法,包括:
S1、确定机器人的初始起点和最终目标点;
S2、根据机器人的初始起点和最终目标点,确定机器人的决策时间窗口长度和窗口时长,并将时间针的初始值设置为第一个决策时间窗口期;
S3、在时间针的时间窗口内确定机器人的局部起点和要到达的局部目标点,并获取周围环境信息;
S4、根据获取的周围环境信息,基于改进型人工势场法生成周围环境的势场;
S5、根据周围环境的势场驱动机器人移动,在该时间针的时间窗口内从局部起点和到达局部目标点;
S6、判断该局部目标点是否为机器人要到达的最终目标点,若为是,则完成路径规划,若为否,则执行S7;
S7、将时间针设置为机器人的下一个决策时间窗口期,继续执行S3。
如上所述的方法,具体的,在S4中所述基于改进型人工势场法生成周围环境的势场,包括:
建立机器人到局部目标点的引力函数和引力势场函数;
建立障碍物对机器人造成的人工斥力模型和人工斥力势场模型;
计算机器人的引力和斥力的合力;
由计算出的机器人的合力控制机器人的加速度。
如上所述的方法,进一步的,建立的机器人到局部目标点的引力函数为:
式中,amax为机器人能达到的最大加速度,m为机器人自身重量。
如上所述的方法,再进一步的,建立的机器人到局部目标点的引力函数为:
建立的机器人到局部目标点的引力势场函数为:
式中,amax为机器人能达到的最大加速度,m为机器人自身重量。
如上所述的方法,再进一步的,建立的障碍物对机器人造成的人工斥力模型为:
如上所述的方法,再进一步的,斥力系数c的计算公式为:
式中,vmax为机器人的最大速度,amax为机器人的最大加速度,l0为机器人的安全范围距离,m为机器人的质量。
如上所述的方法,再进一步的,机器人的安全范围距离l0的计算公式为:
式中,vmax为机器人的最大速度,amax为机器人的最大加速度。
如上所述的方法,再进一步的,建立的障碍物对机器人造成的人工斥力势场模型为:
如上所述的方法,再进一步的,机器人的引力和斥力的合力的大小的计算公式为:
式中,为机器人到局部目标点的引力函数,为障碍物对机器人造成的人工斥力模型,vmax为机器人的最大速度,vt为机器人的当前速度,l0为机器人的安全范围距离,ρt为时间窗口期t内检测的环境中机器人到最近障碍物的欧式距离,ε为环境调整系数,该数值为矫正在实际环境中的复杂情况,在实际应用中通过多次测试结果来确定该数值。
第二方面,本发明实施例提供一种基于改进型人工势场法的机器人路径规划装置,包括:
初始化模块,用于确定机器人的初始起点和最终目标点;
处理模块,用于根据机器人的初始起点和最终目标点,确定机器人的决策时间窗口长度和窗口时长,并将时间针的初始值设置为第一个决策时间窗口期;
所述处理模块还用于在时间针的时间窗口内确定机器人的局部起点和要到达的局部目标点,并获取周围环境信息;
所述处理模块还用于根据获取的周围环境信息,基于改进型人工势场法生成周围环境的势场;
驱动模块,用于根据周围环境的势场驱动机器人移动,在该时间针的时间窗口内从局部起点和到达局部目标点;
判断模块,用于判断该局部目标点是否为机器人要到达的最终目标点;
所述处理模块还用于将时间针设置为机器人的下一个决策时间窗口期。
与现有技术相比,本发明实施例提供的技术方案的优点和积极效果在于:
1、解决了机器人利用传统人工势场法进行路径规划时运算复杂的问题;
2、解决了机器人利用传统人工势场法进行路径规划时容易陷入环境局部极小值的问题;
3、可驱动机器人有效避开障碍物位置,且快速到达目标位置,是一种高效、科学的路径规划方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于改进型人工势场法的机器人路径规划方法的流程图;
图2为本发明提供的应用实施例的流程示意图;
图3为本发明提供的应用实施例中机器人在环境中的引力和斥力的示意图;
图4为本发明提供的应用实施例中在滑动的时间窗口中合力控制机器人运动的示例图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明提供的基于改进型人工势场法的机器人路径规划方法的流程图,该方法可以由基于改进型人工势场法的机器人路径规划装置来执行,该规划装置可以通过软件方式实现,配置于机器人设备中。如图1所示,本实施例的方法可以包括以下内容。
S1、确定机器人的初始起点和最终目标点。
S2、根据机器人的初始起点和最终目标点,确定机器人的决策时间窗口长度和窗口时长,并将时间针的初始值设置为第一个决策时间窗口期。
S3、在时间针的时间窗口内确定机器人的局部起点和要到达的局部目标点,并获取周围环境信息。
S4、根据获取的周围环境信息,基于改进型人工势场法生成周围环境的势场。
S5、根据周围环境的势场驱动机器人移动,在该时间针的时间窗口内从局部起点和到达局部目标点。
S6、判断该局部目标点是否为机器人要到达的最终目标点,若为是,则完成路径规划,若为否,则执行S7。
S7、将时间针设置为机器人的下一个决策时间窗口期,继续执行S3。
本发明实施例提供的技术方案,在具体应用中,机器人可首先利用携带的激光雷达探测周围环境,在其可探测范围内找到局部目标点;然后利用该改进型人工势场法结合当前位置与局部目标点的位置,规划出可避障的合理路径;最后机器人按照规划出的路径到达局部目标点,再按照上述步骤去往下一个局部目标点,直到到达最终的目标位置。
如上所述的方法,具体的,在S4中所述基于改进型人工势场法生成周围环境的势场,包括:
建立机器人到局部目标点的引力函数和引力势场函数;
建立障碍物对机器人造成的人工斥力模型和人工斥力势场模型;
计算机器人的引力和斥力的合力;
由计算出的机器人的合力控制机器人的加速度。
本实施例中用的人工势场法是利用电磁学理论中的势场定义,以假想的电场、磁场形成的库仑力与洛伦兹力驱动机器人改变速度与角速度,有效解决传统势场法出现的局部极小点问题,该方法高效、科学、环境适应性强。
如上所述的方法,进一步的,建立的机器人到局部目标点的引力函数为:
式中,amax为机器人能达到的最大加速度,m为机器人自身重量。
如上所述的方法,再进一步的,建立的机器人到局部目标点的引力函数为:
建立的机器人到局部目标点的引力势场函数为:
式中,amax为机器人能达到的最大加速度,m为机器人自身重量。
如上所述的方法,再进一步的,建立的障碍物对机器人造成的人工斥力模型为:
如上所述的方法,再进一步的,斥力系数c的计算公式为:
式中,vmax为机器人的最大速度,amax为机器人的最大加速度,l0为机器人的安全范围距离,m为机器人的质量。
如上所述的方法,再进一步的,机器人的安全范围距离l0的计算公式为:
式中,vmax为机器人的最大速度,amax为机器人的最大加速度。
如上所述的方法,再进一步的,建立的障碍物对机器人造成的人工斥力势场模型为:
如上所述的方法,再进一步的,机器人的引力和斥力的合力的大小的计算公式为:
式中,为机器人到局部目标点的引力函数,为障碍物对机器人造成的人工斥力模型,vmax为机器人的最大速度,vt为机器人的当前速度,l0为机器人的安全范围距离,ρt为时间窗口期t内检测的环境中机器人到最近障碍物的欧式距离,ε为环境调整系数,该数值为矫正在实际环境中的复杂情况,在实际应用中通过多次测试结果来确定该数值。
下面给出的是本发明实施例提供的技术方案的一个应用实施例。图2为本发明提供的应用实施例的流程示意图。参考图2所示,该应用实施例具体可以包括如下步骤:
步骤1,进行操作环境初始化,输入机器人一些基本参数,包括机器人的最大加速度,最大速度,机器人的质量等参数,设置机器人识别范围、安全范围信息,确定决策时间窗口长度,时间针设置为第一时间窗口期;
步骤2,在该时间窗口内确定起始位置和要到达的目标位置,获取周围的环境信息;
步骤3,根据获取的环境信息,利用改进型人工势场法生成周围环境的势场;
步骤4,根据环境势场驱动机器人移动,在该时间窗口内到达一个局部目标点;
步骤5,判断该局部目标点是否为机器人要达到的目标点,若是,则完成该规划路径,若否,则执行步骤6。
步骤6,将时间针设置为下一决策时间窗口期,执行步骤2。
步骤3中所述利用改进型人工势场法生成周围环境的势场,具体包括:
步骤301,机器人能达到的最大加速度为amax,机器人自身重量为m,建立机器人到目标点的引力函数:
建立机器人到目标点的引力势场函数:
步骤302,根据该时间窗口(设置时间窗口为t,t={1,......})内检测的环境中机器人到最近障碍物的欧式距离ρt,按照以下斥力函数建立障碍物对机器人造成的人工斥力模型:
建立障碍物对机器人造成的人工斥力势场模型;
式中:
c:相应的斥力系数,该系数根据机器人的基本参数:机器人的最大速度vmax,机器人的最大加速度amax,机器人的安全范围距离l0,机器人的质量m,根据下式推算得到c:
推导过程:
步骤303,上述产生的引力与斥力均为带有方向的矢量,其中引力的方向为机器人位置指向目标点位置,斥力的方向为距离机器人最近障碍物的位置指向机器人的方向,按照以下公式计算时间窗口内的合力的大小:
式中,当机器人的引力和斥力的合力为零时,即达到确定势场局部极小点,机器人需根据当前速度和距离最近障碍物的距离进一步调整斥力场,以解决传统势场法对机器人进行路径规划出现的局部极小点问题。图2为本发明提供的应用实施例中机器人在环境中的引力和斥力的示意图,图3为本发明提供的应用实施例中在滑动的时间窗口中合力控制机器人运动的示例图。参考图3和图4所示,该改进方法以安全性为更高优先级别的目标,当出现局部极小点时,适当增大障碍物所产生的斥力使得机器人离开势场局部极小点位置,而且当前速度越大,即vt越大,就越大,产生的斥力越大,越会“避开”障碍物,当前距离最近障碍物的距离越小,即ρt越小,就越大,产生的斥力也越大,也越会“避开”障碍物。ε为环境调整系数,该数值为矫正在实际环境中的复杂情况,在实际应用中通过多次测试结果来确定该数值。
步骤304,由产生的合力转化为控制机器人的加速度,从而控制机器的速度驱动机器人沿路径行进。
本发明实施例提供的基于改进型人工势场法的机器人路径规划装置包括:初始化模块、处理模块、驱动模块和判断模块。其中,初始化模块用于确定机器人的初始起点和最终目标点;处理模块用于根据机器人的初始起点和最终目标点,确定机器人的决策时间窗口长度和窗口时长,并将时间针的初始值设置为第一个决策时间窗口期;所述处理模块还用于在时间针的时间窗口内确定机器人的局部起点和要到达的局部目标点,并获取周围环境信息;所述处理模块还用于根据获取的周围环境信息,基于改进型人工势场法生成周围环境的势场;驱动模块用于根据周围环境的势场驱动机器人移动,在该时间针的时间窗口内从局部起点和到达局部目标点;判断模块用于判断该局部目标点是否为机器人要到达的最终目标点;所述处理模块还用于将时间针设置为机器人的下一个决策时间窗口期。
本实施例的基于改进型人工势场法的机器人路径规划可以用于执行图1所示方法实施例的方法,其实现原理和所要达到的技术效果类似,在此不再赘述。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (1)
1.一种基于改进型人工势场法的机器人路径规划方法,其特征在于,包括:
S1、确定机器人的初始起点和最终目标点;
S2、根据机器人的初始起点和最终目标点,确定机器人的决策时间窗口长度和窗口时长,并将时间针的初始值设置为第一个决策时间窗口期;
S3、在时间针的时间窗口内确定机器人的局部起点和要到达的局部目标点,并获取周围环境信息;
S4、根据获取的周围环境信息,基于改进型人工势场法生成周围环境的势场;
S5、根据周围环境的势场驱动机器人移动,在该时间针的时间窗口内从局部起点和到达局部目标点;
S6、判断该局部目标点是否为机器人要到达的最终目标点,若为是,则完成路径规划,若为否,则执行S7;
S7、将时间针设置为机器人的下一个决策时间窗口期,继续执行S3;
在S4中所述基于改进型人工势场法生成周围环境的势场,包括:
建立机器人到局部目标点的引力函数和引力势场函数;
建立障碍物对机器人造成的人工斥力模型和人工斥力势场模型;
计算机器人的引力和斥力的合力;
由计算出的机器人的合力控制机器人的加速度;
建立的机器人到局部目标点的引力函数为:
式中,amax为机器人能达到的最大加速度,m为机器人自身重量;
建立的机器人到局部目标点的引力势场函数为:
式中,amax为机器人能达到的最大加速度,m为机器人自身重量;
建立的障碍物对机器人造成的人工斥力模型为:
斥力系数c的计算公式为:
式中,vmax为机器人的最大速度,amax为机器人的最大加速度,l0为机器人的安全范围距离,m为机器人的质量;
机器人的安全范围距离l0的计算公式为:
式中,vmax为机器人的最大速度,amax为机器人的最大加速度;
建立的障碍物对机器人造成的人工斥力势场模型为:
机器人的引力和斥力的合力的大小的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910508729.2A CN110221613B (zh) | 2019-06-12 | 2019-06-12 | 基于改进型人工势场法的机器人路径规划方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910508729.2A CN110221613B (zh) | 2019-06-12 | 2019-06-12 | 基于改进型人工势场法的机器人路径规划方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110221613A CN110221613A (zh) | 2019-09-10 |
CN110221613B true CN110221613B (zh) | 2020-04-17 |
Family
ID=67816775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910508729.2A Active CN110221613B (zh) | 2019-06-12 | 2019-06-12 | 基于改进型人工势场法的机器人路径规划方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110221613B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110673604A (zh) * | 2019-10-31 | 2020-01-10 | 北京洛必德科技有限公司 | 移动机器人自动入库控制方法、系统及移动机器人 |
CN113050648B (zh) * | 2021-03-24 | 2024-07-09 | 珠海一微半导体股份有限公司 | 一种机器人避障方法和系统 |
CN113190006B (zh) * | 2021-05-08 | 2023-10-20 | 北京洛必德科技有限公司 | 一种机器人路径规划方法、装置及存储介质 |
CN115480591B (zh) * | 2022-10-20 | 2023-09-12 | 广东电网有限责任公司云浮供电局 | 一种配电网设备环境巡检无人机安全避障方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105629974A (zh) * | 2016-02-04 | 2016-06-01 | 重庆大学 | 一种基于改进型人工势场法的机器人路径规划方法及系统 |
CN106708054A (zh) * | 2017-01-24 | 2017-05-24 | 贵州电网有限责任公司电力科学研究院 | 结合地图栅格与势场法避障的巡检机器人路径规划方法 |
CN108646761A (zh) * | 2018-07-12 | 2018-10-12 | 郑州大学 | 基于ros的机器人室内环境探索、避障和目标跟踪方法 |
CN108693879A (zh) * | 2018-04-28 | 2018-10-23 | 上海理工大学 | 基于改进人工势场法的移动机器人路径规划方法 |
CN108762264A (zh) * | 2018-05-22 | 2018-11-06 | 重庆邮电大学 | 基于人工势场与滚动窗口的机器人的动态避障方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9436187B2 (en) * | 2015-01-15 | 2016-09-06 | The United States Of America As Represented By The Secretary Of The Navy | System and method for decentralized, multi-agent unmanned vehicle navigation and formation control |
-
2019
- 2019-06-12 CN CN201910508729.2A patent/CN110221613B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105629974A (zh) * | 2016-02-04 | 2016-06-01 | 重庆大学 | 一种基于改进型人工势场法的机器人路径规划方法及系统 |
CN106708054A (zh) * | 2017-01-24 | 2017-05-24 | 贵州电网有限责任公司电力科学研究院 | 结合地图栅格与势场法避障的巡检机器人路径规划方法 |
CN108693879A (zh) * | 2018-04-28 | 2018-10-23 | 上海理工大学 | 基于改进人工势场法的移动机器人路径规划方法 |
CN108762264A (zh) * | 2018-05-22 | 2018-11-06 | 重庆邮电大学 | 基于人工势场与滚动窗口的机器人的动态避障方法 |
CN108646761A (zh) * | 2018-07-12 | 2018-10-12 | 郑州大学 | 基于ros的机器人室内环境探索、避障和目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
一种基于改进人工势场法的路径规划技术;蔡浩 等;《科技创新与应用》;20160630(第17期);19-20 * |
基于改进人工势场的水下机器人路径规划;王芳 等;《华中科技大学学报(自然科学版)》;20111130;第39卷;184-187 * |
Also Published As
Publication number | Publication date |
---|---|
CN110221613A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110221613B (zh) | 基于改进型人工势场法的机器人路径规划方法和装置 | |
Wen et al. | Elman fuzzy adaptive control for obstacle avoidance of mobile robots using hybrid force/position incorporation | |
Dimitrova et al. | Towards low-latency high-bandwidth control of quadrotors using event cameras | |
CN109291055A (zh) | 机器人运动控制方法、装置、计算机设备和存储介质 | |
Fu et al. | Vision-based obstacle avoidance for flapping-wing aerial vehicles | |
CN113190004A (zh) | 一种基于算法融合的无人驾驶车辆避碰路径规划方法 | |
Tung et al. | Socially aware robot navigation using deep reinforcement learning | |
Lee et al. | Random force based algorithm for local minima escape of potential field method | |
Chen et al. | Quadruped guidance robot for the visually impaired: A comfort-based approach | |
CN105867134B (zh) | 双框架飞机蒙皮检测机器人连续切换运动的控制方法 | |
US20230409035A1 (en) | Method for building controller for robot, method, device for controlling motion of robot, and robot | |
Siradjuddin et al. | A real-time model based visual servoing application for a differential drive mobile robot using beaglebone black embedded system | |
Jiang et al. | Mobile robot path planning based on dynamic movement primitives | |
Hewawasam et al. | Agoraphilic navigation algorithm under dynamic environment | |
Gao et al. | Toward obstacle avoidance for mobile robots using deep reinforcement learning algorithm | |
Wang et al. | Hand movement prediction based collision-free human-robot interaction | |
Dong et al. | Balance between efficient and effective learning: Dense2Sparse reward shaping for robot manipulation with environment uncertainty | |
Li et al. | A novel hybrid path planning method for mobile robots | |
Haniff et al. | An improved global particle swarm optimization for faster optimization process | |
US20200409317A1 (en) | Information processing device and information processing method | |
Pathak et al. | Da-bsp: Towards data association aware belief space planning for robust active perception | |
CN115502961B (zh) | 基于人体手臂运动信息预测的人机在线避障方法及系统 | |
CN111168681A (zh) | 面向人机安全交互的机械臂智能避障方法、系统及机器人 | |
Shehata et al. | Reactive algorithm for mobile robot path planning among moving target/obstacles by means of dynamic virtual obstacle concept | |
CN104002948A (zh) | 二自由度仿生机器鱼携带目标的控制方法 |
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 |