CN110389587A - 一种目标点动态变化的机器人路径规划新方法 - Google Patents
一种目标点动态变化的机器人路径规划新方法 Download PDFInfo
- Publication number
- CN110389587A CN110389587A CN201910416767.5A CN201910416767A CN110389587A CN 110389587 A CN110389587 A CN 110389587A CN 201910416767 A CN201910416767 A CN 201910416767A CN 110389587 A CN110389587 A CN 110389587A
- Authority
- CN
- China
- Prior art keywords
- robot
- firefly
- target point
- path planning
- value
- 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
Links
- 238000013439 planning Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000004888 barrier function Effects 0.000 claims abstract description 27
- 241000131894 Lampyris noctiluca Species 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000012512 characterization method Methods 0.000 claims abstract description 4
- 238000013178 mathematical model Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 3
- 241000254158 Lampyridae Species 0.000 claims description 75
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 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
- G05D1/0214—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, 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
- G05D1/0212—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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
一种目标点动态变化的机器人路径规划新方法,包括以下步骤:利用相机作为主要传感器对实际环境进行检测,运用图像处理技术表征环境的数学模型;路径规划模型与萤火虫算法参数的初始化;在相机的检测范围内探测机器人与障碍物的距离,并设计机器人移动策略:当前方障碍物的距离大于安全距离,机器人朝着目标点直线移动,否则,启动萤火虫算法,构建一种新的适应度函数来计算下一步最佳位置,并更新机器人位置和动态目标点位置;直到机器人到达动态目标点后,停止更新。本发明构建的适应度函数依据动态目标点和障碍物情况实时更新,具有很好的动态实用性,且启动两种路径规划策略,提高了规划效率,具有很好的追踪动态目标点的路径规划能力。
Description
技术领域
本发明涉及一种路径规划智能方法,尤其涉及一种目标点动态变化的萤火虫路径动态规划新方法。
背景技术
机器人在许多的基本社会活动中取代了人类。然而,为移动机器人设计一种有效的导航策略并确保其安全性是自主机器人中最重要的问题。因此,路径规划问题是机器人运动的最重要的问题之一。
在实际机器人的服务过程中,经常会出现目标点动态变化的场景。比如说在餐厅使用移动机器人来配送食物,当顾客换了座子之后,就相当于机器人的目标点发生改变,必须要动态追踪目标点,并及时规划新的路径。同理,在一些物流配送过程中,也会出现目标点移动的情况。如何使得机器人能自适应目标点变化而准确移动到新的目标是一个具有挑战的问题。
由于这种目标点的不确定性,静态环境下的全局路径规划方法不能适用。许多学者探索了大量路径规划方法,可以概括为四大类方法:人工势场法、启发式智能方法、基于数学优化的方法和一些几何方法。这几类方法各有优缺点,人工势场法使用非常普遍,但在不确定环境中进行运动规划时存在目标点不可达的缺陷。近年来,启发式智能方法引起了学者的注意,许多学者开始探索启发式群智能方法在路径规划中的应用。启发式群智能方法包括粒子群算法、蚁群算法、遗传算法及萤火虫算法等。萤火虫算法凭借其参数少,且迭代模型中引入了一个随机参数,能够克服智能算法过于早熟的缺陷,找到好的优化解。在路径规划问题上能够使得机器人不会停滞在某个点不继续移动,移动路径长度也能较短,已有文献表明:静态环境下使用萤火虫算法的路径规划具有较好的效果。
由于目标点的变动,机器人在移动过程中既要避开环境中已有的障碍物,又要根据目标点的变化调整移动方向,同时考虑当前移动路线是优化解,因此,构建萤火虫的适应度函数必需关联障碍物和目标点;萤火虫算法同其它启发式智能方法一样,普遍存在的一个问题是计算效率比较低,为了提高路径规划的运算效率,该发明在路径规划过程中引入策略选择技术。这是该专利的两个主要创新点。
发明内容
本发明主要解决的技术问题是为了克服现有技术的不足,在目标点动态不确定移动的情景下,提供一种可行性强、能准确到达动态目标点的萤火虫路径规划方法。
为解决上述技术问题,本发明提出的技术方案为一种目标点动态变化的机器人路径规划新方法,包括以下步骤,
第一步:构建路径规划环境模型:采用2维平面中的图像像素点表征环境模型中的障碍物空间、自由移动空间和可运动的最大场景边界;
第二步:路径规划参数与萤火虫算法参数的初始化:包括机器人起点位置、移动步长及机器人的安全距离范围D,初始目标点位置、目标点移动步长及运动方向,萤火虫的种群大小N、迭代次数、光吸收系数γ、萤火虫最大吸引度因子β0、萤火虫移动步长因子α及萤火虫个体的生成范围;
第三步:检测前方障碍物:按照机器人运动方向的正前方、正前方向左偏转θ角度和正前方向右偏转θ角度的方位检测障碍物,并记录障碍物与机器人当前位置的距离dis;
第四步:机器人移动策略设计:若距离值dis大于安全距离D,则机器人继续朝着目标点直线移动,否则,启动萤火虫路径规划算法进行移动位置寻优;
第五步:构建新的适应度函数:基于萤火虫个体与最近障碍物间的距离Dfo和萤火虫与目标点间的距离Dfg来构建萤火虫优化算法的适应度函的数学模型,即:
其中,K1与K2分别为适应度参数,为常数, xo与yo分别表示距离该萤火虫最近的障碍物的x与y值,与分别表示萤火虫fi在环境图中坐标值x与y的值;xg与yg分别表示目标点的x与y值;
第六步:在机器人前方动态规划计算域中随机撒入一定数量的萤火虫,剔除障碍物区域的萤火虫,每个萤火虫按照标准萤火虫更新迭代公式运算,再用适应度函数计算每个萤火虫的适应度函数值,获得最佳萤火虫位置;
第七步:更新机器人位置: 其中,step为机器人移动步长,为当前机器人位置与最佳萤火虫位置的方向连线,其连线与y轴正方向的偏转值,只取正值,i=0,1,2…n;
第八步:自适应调节机器人移动速度:移动速度采用比列反馈控制,机器人移动速度与距离障碍物远近成正比例关系;
第九步:按照给定步长和移动方位角更新目标位置:xgi+1=xgi+ν×sin(ω),ygi+1=ygi+ν×cos(ω),其中,ν为目标点移动步长,ω为移动方向与x轴正方向的偏转值;
第十步:重复第三步~第九步移动机器人,到达目标点后终止运算。
上述的构建路径规划环境模型方法,优选的,所述构建环境模型的具体操作包括以下步骤:
1)利用单目或双目摄像机获得实际机器人运动场景图像;
2)利用Python语言读入摄像机图像,将彩色图像转化为灰度图像,并对图像阈值处理,其中像素点数值为0的代表障碍物区域,像素点为255区域表征自由运动区域,并约定机器人的最大运动边界。
上述的更新机器人位置,优选的,所述偏转角的值为:偏转角为亮度最大的萤火虫所在方位与y轴正方向的夹角,取绝对值。
与现有技术相比,本发明的优点在于:本发明涉及一种目标点动态变化的机器人路径规划新方法,构建了一种新的萤火虫算法适应度函数,使得该方法不仅有很好的避障功能,相比于常用的人工势场法具有更好的路径规划效果(路径更短),且能更好的追踪动态目标点。借助于现有的移动智能小车,利用简易的Python语言将该方法嵌入移动智能小车工业控制中,并采用相机作为主要传感器测量障碍物与小车之间的距离,该方法可以在实际移动机器人中应用。
附图说明
图1为本发明实施例中目标点动态变化的萤火虫路径规划技术流程图。
图2为本发明实施例中机器人路径规划的二维环境模型。
图3为本发明实施例中使用该发明新方法的路径规划效果图。
图4为本发明实施例中目标点动态变化的人工势场法路径规划效果图。
具体实施方式
为了便于理解本发明,下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述,但本发明的保护范围并不限于以下具体的实施例。
除非另有定义,下文中所使用的所有专业术语与本领域技术人员通常理解的含义相同。本文中所使用的专业术语只是为了描述具体实施例的目的,并不是旨在限制本发明的保护范围。
实施例:
如图1至图3所示的一种目标点动态变化的机器人路径规划新方法,路径规划的环境模型为二维平面的正方形,障碍物为静态障碍物,可以根据实际场景描述;机器人和目标移动轨迹用小正方形移动轨迹描述;机器人和目标点移动速度不同,路径规划的总体技术图,见图1。
本实施例的目标点动态变化的机器人路径规划新方法,包括以下步骤:
第一步:构建路径规划环境模型:本实施例中,采用2维平面模型来表征机器人运动的环境模型,利用单目或双目相机获得实际机器人运动场景图像,利用Python语言读取相机图像,将彩色图像转化为灰度图像,并对图像进行阈值处理。比如,图像中像素点值为0的位置表征环境模型中的障碍物空间,像素点为255区域表征自由移动空间,整个路径规划计算域为边长500*500的像素点正方形,定义每个像素到相邻像素点的距离代表1cm物理空间长度,即环境地图大小为500cm*500cm的正方形,具体案例环境地图模型,见图2,图中黑色形状物体为障碍物,并以水平向右为横坐标正方向,竖直向下为纵坐标正方向。
第二步:路径规划参数和萤火虫算法参数的初始化,其中包括机器人、目标点与萤火虫算法的基本参数初始化:
1)机器人初始化:机器人起点位置在环境地图(50,50)处,移动步长为step=10cm,机器人的安全距离范围为D=20cm。
2)目标点初始化:初始目标点位置在环境地图(450,450)处,移动步长为ν=1cm,方向为水平向左,即ω=pi。
3)萤火虫算法初始化:萤火虫的种群大小为N=50,迭代次数为50次,光吸收系数γ=0.5,萤火虫的最大吸引度因子β0=0.3,萤火虫移动公式中的步长因子α=0.5,并设置萤火虫个体的生成范围在机器人正前方10cm的半圆内,且生成位置不含有障碍物存在。
第三步:检测前方障碍物:按照机器人运动方向的正前方、正前方向左偏转45°和正前方向右偏转45°的方位检测障碍物,并记录障碍物与机器人当前位置的距离dis。
第四步:机器人移动策略设计:若距离值dis大于安全距离20cm,则机器人继续朝着目标点直线移动,否则,启动萤火虫路径规划算法进行移动位置寻优。
第五步:构建新的适应度函数:基于萤火虫个体与最近障碍物间的距离Dfo和萤火虫与目标点间的距离Dfg来构建萤火虫优化算法的适应度函的数学模型,即:
其中,适应度参数K1=0.、5K2=0.001, xo与yo分别表示距离该萤火虫最近的障碍物在环境图中坐标值x与y值,与分别表示萤火虫fi在环境图中坐标值x与y的值;xg与yg分别表示目标点在环境图中坐标值的x与y值。
第六步:在机器人前方动态规划计算域中随机撒入一定数量的萤火虫,剔除障碍物区域的萤火虫,每个萤火虫按照标准萤火虫更新迭代公式运算,再用适应度函数计算每个萤火虫的适应度函数值,获得最佳萤火虫位置,具体包括以下步骤:
1)在机器人正前方半径为10cm的半圆计算域内随机撒入50个萤火虫,并剔除障碍物区域的萤火虫;
2)萤火虫位置的更新:当萤火虫i的亮度强于萤火虫j的亮度,那么萤火虫j将朝着萤火虫i运动;
2.1)计算萤火虫i与萤火虫j之间的距离:其中,(xni,yni) 为萤火虫i的x,y轴坐标值,(xnj,ynj)为萤火虫j的x,y轴坐标值;
2.2)计算萤火虫i与萤火虫j之间吸引力为:其中β0=0.3,γ=0.5;
2.3)萤火虫j向萤火虫i移动:其中,萤火虫j的x、y值的更新公式分别为: xnj=xnj+βij×(xni-xnj)+α×(rand-0.5),ynj=ynj+βij×(yni-ynj)+α×(rand-0.5),步长因子α=0.5,rand为范围在[0,1]之间的随机数;
3)重新计算萤火虫j的适应度函数值:采用步骤五中公式分别计算萤火虫j与障碍物的距离Dfo、萤火虫j与目标点的距离Dfg,然后通过适应度函数计算萤火虫j的适应度值。
第七步:更新机器人位置:
1)计算偏转角 为当前机器人位置与最佳萤火虫位置的方向连线,其连线与y轴正方向的偏转角度。在实际场景中,舵机控制机器人的转动,而舵机每秒能转动的角度具有局限性,便在机器人每次的行进步长里,设置最大的偏转角即当偏转角偏转角
2)机器人位置的更新:机器人x、y值的更新公式分别为: 其中,机器人移动步长step=10,i=0,1,2…n。
第八步:自适应调节机器人移动速度:移动速度采用比列反馈控制,机器人移动速度与距离障碍物远近成正比例关系。
第九步:按照给定步长和移动方位角更新目标位置:xgi+1=xgi+ν×sin(ω),ygi+1=ygi+ν×cos(ω),其中,目标点移动步长ν=1,目标点移动方向与x轴正方向的偏转角ω=pi。
第十步:重复第三步~第九步移动机器人,到达目标点后终止运算。
本发明实施例中目标点动态变化的萤火虫路径规划效果,见图3,基于该发明提出的目标点动态变化的路径规划新方法能够获得较好的路径规划效果;并在同场景下运用常规的人工势场法路径规划进行对比研究,实现结果见图4,人工势场法具有明显的目标点不可达特性。本实施例中,将程序以Python语言的方式嵌入机器人系统中,根据实际相机传感器获取机器人与障碍物的距离信息,分别通过舵机与电机控制机器人的转动与移动,已经该发明的路径规划方法,便能在目标点不确定的环境中完成路径规划。
Claims (3)
1.一种目标点动态变化的机器人路径规划新方法,其特征在于,包括以下步骤:
第一步:构建路径规划环境模型:采用2维平面中的图像像素点表征环境模型中的障碍物空间、自由移动空间和可运动的最大场景边界;
第二步:路径规划参数与萤火虫算法参数的初始化:包括机器人起点位置、移动步长及机器人的安全距离范围D,初始目标点位置、目标点移动步长及运动方向,萤火虫的种群大小N、迭代次数、光吸收系数γ、萤火虫最大吸引度因子β0、萤火虫移动步长因子α及萤火虫个体的生成范围;
第三步:检测前方障碍物:按照机器人运动方向的正前方、正前方向左偏转θ角度和正前方向右偏转θ角度的方位检测障碍物,并记录障碍物与机器人当前位置的距离dis;
第四步:机器人移动策略设计:若距离值dis大于安全距离D,则机器人继续朝着目标点直线移动,否则,启动萤火虫路径规划算法进行移动位置寻优;
第五步:构建新的适应度函数:基于萤火虫个体与最近障碍物间的距离Dfo和萤火虫与目标点间的距离Dfg来构建萤火虫优化算法的适应度函的数学模型,即:
其中,K1与K2分别为适应度参数,为常数, xo与yo分别表示距离该萤火虫最近的障碍物的横、纵坐标x与y值,与分别表示萤火虫fi在地图坐标系中x与y的值;xg与yg分别表示目标点的x与y值;
第六步:在机器人前方动态规划计算域中随机撒入一定数量的萤火虫,剔除障碍物区域的萤火虫,每个萤火虫按照标准萤火虫更新迭代公式运算,再用公式(1)计算每个萤火虫的适应度函数值,获得最佳萤火虫位置;
第七步:更新机器人位置:其中,step为机器人移动步长,为当前机器人位置与最佳萤火虫位置的方向连线,其连线与y轴正方向的偏转值,只取正值,i=0,1,2…n;
第八步:自适应调节机器人移动速度:移动速度采用比列反馈控制,机器人移动速度与距离障碍物远近成正比例关系;
第九步:按照给定步长和移动方位角更新目标位置:xgi+1=xgi+ν×sin(ω),ygi+1=ygi+ν×cos(ω),其中,ν为目标点移动步长,ω为移动方向与x轴正方向的偏转值;
第十步:重复第三步~第九步移动机器人,到达目标点后终止运算。
2.根据权利要求1所述的一种目标点动态变化的机器人路径规划新方法,其特征在于,上述第一步的具体操作包括以下步骤:
1)利用单目或双目摄像机获得机器人实际运动场景图像;
2)利用Python语言读入摄像机图像,将彩色图像转化为灰度图像,并对图像进行阈值处理,其中像素点数值为0的代表障碍物区域,像素点为255区域表征自由运动区域,并约定机器人的最大运动边界。
3.根据权利要求1所述的目标点动态变化的机器人路径规划新方法,其特征在于,所述上述第七步的偏转角为亮度最大的萤火虫所在方位与y轴正方向的夹角,取绝对值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910416767.5A CN110389587A (zh) | 2019-05-20 | 2019-05-20 | 一种目标点动态变化的机器人路径规划新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910416767.5A CN110389587A (zh) | 2019-05-20 | 2019-05-20 | 一种目标点动态变化的机器人路径规划新方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110389587A true CN110389587A (zh) | 2019-10-29 |
Family
ID=68285332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910416767.5A Pending CN110389587A (zh) | 2019-05-20 | 2019-05-20 | 一种目标点动态变化的机器人路径规划新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110389587A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110039540A (zh) * | 2019-05-27 | 2019-07-23 | 聊城大学 | 一种多目标同时优化的服务机器人路径规划方法 |
CN110823229A (zh) * | 2019-12-16 | 2020-02-21 | 湖北工业大学 | 一种基于优化萤火虫算法的移动机器人路径规划方法系统 |
CN112526983A (zh) * | 2020-09-11 | 2021-03-19 | 深圳市银星智能科技股份有限公司 | 一种机器人的路径规划方法、主控芯片及机器人 |
CN112947403A (zh) * | 2019-11-22 | 2021-06-11 | 医达科技公司 | 用于障碍物规避的确定性机器人路径规划 |
CN113341975A (zh) * | 2021-06-08 | 2021-09-03 | 长沙理工大学 | 基于变目标函数萤火虫优化路径的机器人移动方法 |
CN115657654A (zh) * | 2022-07-26 | 2023-01-31 | 东莞康视达自动化科技有限公司 | 一种用于送餐机器人的视觉识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768536A (zh) * | 2012-07-20 | 2012-11-07 | 哈尔滨工程大学 | 一种基于多目标萤火虫算法的路径规划方法 |
CN105911992A (zh) * | 2016-06-14 | 2016-08-31 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
CN106094833A (zh) * | 2016-07-19 | 2016-11-09 | 重庆邮电大学 | 一种基于混沌萤火虫算法的移动机器人路径规划方法 |
CN108334092A (zh) * | 2018-03-01 | 2018-07-27 | 深圳汇创联合自动化控制有限公司 | 一种自动规划路径的移动机器人 |
CN109297498A (zh) * | 2018-10-11 | 2019-02-01 | 南昌工程学院 | 一种基于改进多目标萤火虫算法的机器人路径规划方法 |
CN109542106A (zh) * | 2019-01-04 | 2019-03-29 | 电子科技大学 | 一种移动机器人多约束条件下的路径规划方法 |
-
2019
- 2019-05-20 CN CN201910416767.5A patent/CN110389587A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768536A (zh) * | 2012-07-20 | 2012-11-07 | 哈尔滨工程大学 | 一种基于多目标萤火虫算法的路径规划方法 |
CN105911992A (zh) * | 2016-06-14 | 2016-08-31 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
CN106094833A (zh) * | 2016-07-19 | 2016-11-09 | 重庆邮电大学 | 一种基于混沌萤火虫算法的移动机器人路径规划方法 |
CN108334092A (zh) * | 2018-03-01 | 2018-07-27 | 深圳汇创联合自动化控制有限公司 | 一种自动规划路径的移动机器人 |
CN109297498A (zh) * | 2018-10-11 | 2019-02-01 | 南昌工程学院 | 一种基于改进多目标萤火虫算法的机器人路径规划方法 |
CN109542106A (zh) * | 2019-01-04 | 2019-03-29 | 电子科技大学 | 一种移动机器人多约束条件下的路径规划方法 |
Non-Patent Citations (1)
Title |
---|
B.K.PATLE ETC: ""Path planning in uncertain environment by using firefly algorithm"", 《DEFENCE TECHNOLOGY》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110039540A (zh) * | 2019-05-27 | 2019-07-23 | 聊城大学 | 一种多目标同时优化的服务机器人路径规划方法 |
CN112947403A (zh) * | 2019-11-22 | 2021-06-11 | 医达科技公司 | 用于障碍物规避的确定性机器人路径规划 |
CN110823229A (zh) * | 2019-12-16 | 2020-02-21 | 湖北工业大学 | 一种基于优化萤火虫算法的移动机器人路径规划方法系统 |
CN112526983A (zh) * | 2020-09-11 | 2021-03-19 | 深圳市银星智能科技股份有限公司 | 一种机器人的路径规划方法、主控芯片及机器人 |
CN112526983B (zh) * | 2020-09-11 | 2022-10-28 | 深圳银星智能集团股份有限公司 | 一种机器人的路径规划方法、主控芯片及机器人 |
CN113341975A (zh) * | 2021-06-08 | 2021-09-03 | 长沙理工大学 | 基于变目标函数萤火虫优化路径的机器人移动方法 |
CN115657654A (zh) * | 2022-07-26 | 2023-01-31 | 东莞康视达自动化科技有限公司 | 一种用于送餐机器人的视觉识别方法 |
CN115657654B (zh) * | 2022-07-26 | 2023-12-08 | 东莞康视达自动化科技有限公司 | 一种用于送餐机器人的视觉识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110389587A (zh) | 一种目标点动态变化的机器人路径规划新方法 | |
CN111399505B (zh) | 一种基于神经网络的移动机器人避障方法 | |
Kümmerle et al. | A navigation system for robots operating in crowded urban environments | |
Ali et al. | Path planning and control of mobile robot in road environments using sensor fusion and active force control | |
CN108983781A (zh) | 一种无人车目标搜索系统中的环境探测方法 | |
CN107491070A (zh) | 一种移动机器人路径规划方法及装置 | |
CN107092264A (zh) | 面向银行厅堂环境的服务机器人自主导航与自动充电方法 | |
Sales et al. | Adaptive finite state machine based visual autonomous navigation system | |
Chatterjee et al. | Mobile robot navigation | |
Niijima et al. | Real-time autonomous navigation of an electric wheelchair in large-scale urban area with 3D map | |
Fu et al. | Path planning and decision making for autonomous vehicle in urban environment | |
CN115639823A (zh) | 崎岖起伏地形下机器人地形感知与移动控制方法及系统 | |
CN110346799A (zh) | 一种障碍物检测方法及设备 | |
CN114494329B (zh) | 用于移动机器人在非平面环境自主探索的导引点选取方法 | |
Zhu et al. | A path planning algorithm based on fusing lane and obstacle map | |
CN113096190A (zh) | 基于视觉建图的全向移动机器人导航方法 | |
CN118020038A (zh) | 两轮自平衡机器人 | |
CN112964263B (zh) | 自动建图方法、装置、移动机器人及可读存储介质 | |
Ali et al. | Development of an autonomous robotics platform for road marks painting using laser simulator and sensor fusion technique | |
CN117289301A (zh) | 一种未知越野场景下空地无人平台协同路径规划方法 | |
Song et al. | Critical rays self-adaptive particle filtering SLAM | |
Han et al. | Mobile robot navigation by circular path planning algorithm using camera and ultrasonic sensor | |
Hongbo et al. | Relay navigation strategy study on intelligent drive on urban roads | |
Castejón et al. | Traversable region modeling for outdoor navigation | |
Niijima et al. | Autonomous navigation of electric wheelchairs in urban areas on the basis of self-generated 2D drivable maps |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191029 |