CN110488839A - 一种基于切线交叉法的足式机器人路径规划方法及装置 - Google Patents
一种基于切线交叉法的足式机器人路径规划方法及装置 Download PDFInfo
- Publication number
- CN110488839A CN110488839A CN201910817671.XA CN201910817671A CN110488839A CN 110488839 A CN110488839 A CN 110488839A CN 201910817671 A CN201910817671 A CN 201910817671A CN 110488839 A CN110488839 A CN 110488839A
- Authority
- CN
- China
- Prior art keywords
- point
- tangent line
- path
- barrier
- interior extrapolation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000013213 extrapolation Methods 0.000 title claims abstract description 35
- 230000004888 barrier function Effects 0.000 claims abstract description 74
- 230000007613 environmental effect Effects 0.000 claims abstract description 14
- 238000004387 environmental modeling Methods 0.000 claims abstract description 13
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013459 approach Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 7
- 238000002156 mixing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G05D1/0251—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 extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
-
- 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)
- Manipulator (AREA)
Abstract
一种基于切线交叉法的足式机器人路径规划方法,包括以下步骤:首先进行环境建模,通过构建障碍物表达模型来描述环境信息,然后在此模型上构造可视切线形成交点网络,最后利用评估函数从交点网络中搜索出一条代价最小的安全通行路径。环境建模之后,再利用切线交叉法构建起始点和目标点与环境模型中各个障碍物区域的切线,然后将切线和切线与切线之间的交点作为关键元素构造路径搜索空间,用椭圆来表示障碍物区域为后续的路径规划提供便利,本发明的方法路径规划的效率较高,能够满足机器人在需要以较快速度运动的场合下获取路径的要求,而且切线交叉法的优势明显,所得路径长度和安全性也较好。
Description
技术领域
本发明属于机器人领域,涉及一种基于切线交叉法的足式机器人路径规划方法及装置。
背景技术
作为足式机器人领域最基本也是最主要的研究课题之一,路径规划的本质要求是在某一环境中规划出一条或者多条连接两点的可通行路径,然后再依据一定的标准从中选出一条最适合机器人运动的路径作为最终路径。目前,路径评判标准主要包括路径长度、路径搜索时间和安全性等内容,这些标准分别代表了路径的各个方面的特性,路径规划规划过程中有时只考虑其中一个标准,但也常常相互组合起来综合评估路径的优劣[1]。
现有的路径规划方法按照不同的规则可以分为以下几类:基于节点的规划方法,主要以Dijkstra和A*算法等为代表;基于环境模型的规划方法,则有人工势场法(APF)和动态窗格法(DWA)等;还有基于生物启发的规划方法,包括神经网络方法和蚁群算法(ACO)等[2,3,4],虽然路径规划方法的分类较多,但这些方法本质上大致可归纳为全局和局部规划两大类。
(1)全局路径规划是指机器人对整个环境信息完全掌握,然后利用路径搜索算法在已知环境模型中寻找一条满足一定要求的从起始点到目标点的最佳路径,机器人沿这条路径到达目的地,在此期间机器人不再进行路径规划,因此该方法也被称为离线或静态的路径规划方法[5]。(2)局部路径规划是指环境信息部分已知,即机器人依赖自身传感器实时获取的有限外界信息来完成相应的规划任务,该方法可以实现实时避障,由于机器人是边走边进行路径规划,所以该方法也被称为在线或者动态规划方法[6]。而判断路径规划算法的优劣方面有算法效率、路径长度、平滑性、安全性、环境适应性、应用环境等,每种算法有着其特有的优点与不足,所以面对不同环境,应该选用不同的算法进行路径规划。大多数的算法研究的是全局的规划,此种方法计算时间长,不太适用于实施路径规划,缺乏了实时性。
[1]刘晓磊,蒋林,金祖飞,等.非结构化环境中基于栅格法环境建模的移动机器人路径规划[J].机床与液压,2016,17(44):1-7.
[2]陈洋,赵新刚,韩建达.移动机器人3维路径规划方法综述[J].机器人,2010,32(4):578-576.
[3]潘杰,王雪松,程玉虎.基于改进蚁群算法的移动机器人路径规划[J].中国矿业大学学报,2012,41(1):108-113.
[4]Montiel O.,Sepglveda R..Optimal path planning generation formobile robots using paraUel evolutionary artificial potential field[J].Journal of Intelligent&Robotic Systems,2015,V79(2):1-21.
[5]李爱萍,李元宗.机器人路径规划方法的研究[J].机械工程与自动化,2009,5(1):94-96.
[6]周自维.基于立体视觉的环境构建及机器人路径规划研究[D].哈尔滨:哈尔滨工业大学,2014.
发明内容
本发明的目的在于针对上述现有技术中路径规划的效率较低,无法满足机器人在需要以较快速度运动的场合下获取路径要求的问题,提供一种基于切线交叉法的足式机器人路径规划方法及装置,路径规划的效率高,机器人在快速运动的场合下获取的路径准确。
为了实现上述目的,本发明有如下的技术方案:
一种基于切线交叉法的足式机器人路径规划方法,包括以下步骤:首先进行环境建模,通过构建障碍物表达模型来描述环境信息,然后在此模型上构造可视切线形成交点网络,最后利用评估函数从交点网络中搜索出一条代价最小的安全通行路径。
进一步的,本发明环境建模的具体方法为:
首先,计算障碍物区域的内接椭圆;然后,根据障碍物区域的外接矩形顶点位置计算内接椭圆的相似椭圆,找出能够完全包围障碍物区域的相似椭圆,表示障碍物区域。
进一步的,本发明构造可视切线的具体方法为:
首先,从起始点和目标点分别向环境中各个障碍物的相似椭圆引出切线,环境中切线的数量为2*N,N为障碍物个数;然后,求解所有切线之间处于位于起始点与目标点中间区域的交点,根据切点分布将切点分为两类,一类处于自由区域,另一类处于椭圆障碍物区域,将处于椭圆障碍物区域的切点从路径搜索空间中剔除;最后,筛选出位于自由区域的路径点为可通行路径点,由可通行路径点和可视切线组成的网络为交点网络。
进一步的,本发明利用切线交叉法构建起始点和目标点与环境模型中各个障碍物区域的切线,然后将切线和切线与切线之间的交点作为关键元素构造路径搜索空间,具体过程如下:
Step1、对表示障碍物区域的椭圆进行编号;
Step2、用直线连接起始点与目标点,如果直线不与障碍物相交,而且分布在该直线两侧、距离该直线最近的障碍物到该直线的距离大于安全阈值时,则驱动机器人沿着该直线行进,直至到达目的地,路径规划完成;否则,判定起始点与目标点无直接路径可达;
Step3、从起始点和目标点分别向环境中各个障碍物的相似椭圆引出切线;
Step4、确定所有切线位于起始点与目标点之间的区域的交点,并根据其位置分为可选路径点和不可选路径点,可选路径点处于自由区域,不可选路径点处于椭圆障碍物区域;
Step5、从可选路径点中,选取一个与起始点存在切线连接关系的路径点,判断二者之间的连线是否穿过障碍物,如果不穿过,则认为两点之间存在通路,然后利用最短路径评估函数计算其通过代价,这样依次计算与起始点都存在切线关系的可选路径点,最后从这些候选路径点中选出最小通过代价的路径点作为下一步最优路径点;如果穿过,则认为两点之间隔绝无法通行;如果下一路径点为目标点,则算法结束,否则重复执行Step5。
本发明还提供了一种基于切线交叉法的足式机器人路径规划装置,包括:
环境建模子模块,通过构建障碍物表达模型来描述环境信息;
路径搜素空间确定模块,构造能够表示障碍物区域的相似椭圆,并能够从起始点和目标点分别向环境中各个障碍物的相似椭圆引出切线,形成可通行路径点以及交点网络;
最优路径搜索模块,通过评估函数从交点网络中搜索出一条代价最小的安全通行路径;
行走控制模块,用于根据搜索出的安全通行路径,控制机器人进行行走。
本发明还提供了一种终端设备:
包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行计算机程序时实现上述基于切线交叉法的足式机器人路径规划方法的步骤。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于切线交叉法的足式机器人路径规划方法的步骤。
相较于现有技术,本发明能够实现如下的技术效果:
相比于其他现有的路径规划方法,本发明提出了一种新的路径规划方法,即切线交叉法,切线交叉法的主要思想是通过构建起始点和目标点与障碍物的可视切线,然后利用这些切线彼此之间的交点来构建路径搜索空间,最后通过相关的路径评估标准来筛选出最优路径。传统障碍物表示方法为用多边形表示障碍物区域,由于多边形的顶点和边界较多,因此由这些多边形构建而成的切线网络将变得比较复杂,并且还会随着环境中障碍物数量的增加而急剧增加,这无疑会增大后续路径的搜索压力。本发明采用椭圆表示法,用椭圆来替代矩形方框,之所以选择椭圆是根据相机采集的图像信息特点来确定的,由于足式机器人的相机安装高度一般为80~110cm,根据相机成像原理,障碍物在图像中成像形状一般为长宽比较大的矩形,如果选择圆形来表示障碍物,则会造成很大面积的自由区域被视为障碍物,这必然会使路径的搜索空间缩小,影响路径的最优性。另外,用椭圆来表示障碍物区域也可以为后续的路径规划提供便利。经过第一步的环境建模之后,再利用切线交叉法构建起始点和目标点与环境模型中各个障碍物区域的切线,然后将切线和切线与切线之间的交点作为关键元素构造路径搜索空间。本发明的方法路径规划的效率较高,能够满足机器人在需要以较快速度运动的场合下获取路径的要求。而且切线交叉法的优势明显,所得路径长度和安全性也较好。
附图说明
图1环境建模结果图:(a)传统障碍物表示形式;(b)本发明椭圆表示法;
图2路径搜索空间的构建图:(a)构建Start—Goal路径;(b)绘制切线;(c)标识切线交点;(d)交点分类;
图3切线交叉法路径规划结果图;
图4本发明切线交叉法流程图;
图5对比实验一路径规划示意图:(a)改进A*算法;(b)改进的APF法;(c)融合算法;(d)本发明切线交叉法;
图6对比实验二路径规划示意图:(a)改进A*算法;(b)改进的APF法;(c)融合算法;(d)本发明切线交叉法;
图7对比实验三路径规划示意图:(a)改进A*算法;(b)改进的APF法;(c)融合算法;(d)本发明切线交叉法。
具体实施方式
下面结合附图以及实施例对本发明做进一步的详细说明。
本发明的一种基于切线交叉法的足式机器人路径规划方法,能够解决目前多种路径规划算法的效率不高问题,提出了一种新型路径规划方法—切线交叉法。切线交叉法的主要思想是通过构建起始点和目标点与障碍物的可视切线,然后利用这些切线彼此之间的交点来构建路径搜索空间,最后通过相关路径评估标准来筛选出最优路径。切线交叉法的实现过程主要分为以下三步,首先通过构建新的障碍物表达模型来描述环境信息,然后在此模型上构造可视切线形成交点网络,最后利用评估函数从交点网络中搜索出一条代价最小的安全通行路径。
具体包括以下步骤:
(1)环境建模;
传统障碍物表示方法为用多边形表示障碍物区域,由于多边形的顶点和边界较多,因此由这些多边形构建而成的切线网络将变得比较复杂,并且还会随着环境中障碍物数量的增加而急剧增加,这无疑会增大后续路径的搜索压力,为了解决这一问题,本发明提出一种椭圆表示法的新障碍物表示方法。所述椭圆表示法就是用椭圆来替代上文提到的矩形方框。之所以选择椭圆是根据相机采集的图像信息特点来确定的。由于足式机器人的相机安装高度一般为80~110cm,根据相机成像原理,障碍物在图像中成像形状一般为长宽比较大的矩形,如果选择圆形来表示障碍物,则会造成很大面积的自由区域被视为障碍物,这必然会使路径的搜索空间缩小,影响路径的最优性。另外,用椭圆来表示障碍物区域也可以为后续的路径规划提供便利。椭圆表示法中各个椭圆的确定仍需依据障碍物的外接矩形尺寸。
由于矩形的外接椭圆不唯一,本发明为了降低计算复杂度和准确表达障碍物区域,首先通过计算其内接椭圆,如图1(a)与图1(b)所示为椭圆表示法的环境建模结果。
对比传统障碍物表示方法与本发明椭圆表示法构建的环境模型,图中矩形框内细线椭圆为矩形的内接椭圆,矩形框外粗线椭圆为相似椭圆,由图可知,相似椭圆不仅可以完全覆盖障碍物区域,还会与其边界保持一定距离,这对于后续提高路径的安全性非常有利。
虽然这种建模方法仍会牺牲一部分自由区域,但这些自由区域大都分布在障碍物周围,其路径代价高于其他距离障碍物较远的自由区域,属于次危险区域,一般在路径点筛选时并不是最优选择,因此,这一部分区域对最终的规划路径影响较小。
(2)构建路径搜素空间;
首先,从起始点和目标点分别向环境中各个障碍物的相似椭圆引出切线的过程,环境中切线的数量为2*N(N为障碍物个数),然后求解所有切线之间处于位于起始点与目标点中间区域的交点,切点分布可以分为两类,一类处于自由区域,另一类处于椭圆障碍物区域,很明显后者属于不可通行路径点,需要从路径搜索空间中剔除,最后,筛选出位于自由区域的路径点,这样由可通行路径点和可视切线组成的网络即为最终的路径搜素空间。
本发明在图1所示的环境中进行了构建路径搜索空间的仿真实验,实验结果如图2所示。
(3)搜素最优路径;
以某一评价标准在上述路径是空间中搜素一条连接起始点和目标点的最优路径,图3中点1,2,3组成的折线段为最终的搜索结果。
综上,经过第一步的环境建模之后,再利用切线交叉法构建起始点和目标点与环境模型中各个障碍物区域的切线,然后将切线和切线与切线之间的交点作为关键元素构造路径搜索空间,如图4所示,本发明规划最优路径的具体过程描述如下:
Step1、利用椭圆表示法标识障碍物区域并编号;
Step2、用直线连接起始点与目标点,如果直线不与障碍物相交,而且分布在该直线两侧距离该直线最近的障碍物到该直线的距离大于安全阈值时,则驱动机器人沿着该直线行进,直至到达目的地,路径规划完成,算法结束;否则,则认为起始点与目标点无直接路径可达;
Step3、分别构建起始点和目标点与各个障碍物的相似椭圆的的切线;
Step4、确定所有切线位于起始点与目标点之间的区域的交点,并根据其位置分为可选路径点和不可选路径点;
Step5、从可选路径点中,选取一个与起始点存在切线连接关系的路径点,判断二者之间的连线是否穿过障碍物,如果不穿过,则认为两点之间存在通路,然后利用最短路径评估函数计算其通过代价,这样依次计算与起始点都存在切线关系的可选路径点,最后从这些候选路径点中选出最小通过代价的路径点作为下一步最优路径点;如果穿过,则认为两点之间隔绝无法通行。如果下一路径点为目标点,则算法结束,否则重复执行Step5。
为了进一步验证切线交叉法的可行性和高效率,本发明设计了以下实验,分别利用改进的A*算法、改进的APF和融合算法与本发明切线交叉法在相同的实验环境中进行路径规划实验,结果如图5(a)~图5(d),图6(a)~图6(d),图7(a)~图7(d)所示。
在图5-7中,(a)为改进A*算法的规划结果,(b)改进的APF的规划结果,(c)为融合算法的规划结果,(d)为切线交叉算法的规划结果。由上述实验结果可知,四种方法都能成功规划出可通行路径,实验中所用的三种环境代表了环境复杂度从简单到复杂的变化,这也表明这些方法均有能力完成在不同环境下进行路径规划的能力。
为了更加明确的显示所述四种方法的性能,本发明统计了这些方法关于规划路径好坏的三个主要衡量指标的数值,统计结果如表1所示。
表1实验结果统计表
从表1可以看出,在同一实验环境中,融合算法的规划时间最长,融合算法由改进A*算法和DWA融合而成,由于改进A*耗时较长,再加上DWA的完成时间,因此造成融合算法最终耗时最多,该方法虽然效率不高,但可以获取近乎全局最优的路径,而且还可以应对动态环境,另外路径安全性也较好,是一种比较适合低速运行的机器人的路径规划方法。改进A*算法虽然在实时性和路径安全性方面不占优势,但可以规划出全局最优路径,比较在适合在复杂固定的环境中应用。改进APF相比于前两种方法在算法耗时和路径安全性上都有非常好表现,但是所得路径并非最优,路径较长,而且在复杂环境中,一旦陷入极小值区域,则需要通过其他方法才能逃离,这无疑会降低算法效率,并且会进一步增大路径长度,这也是制约改进APF扩大应用范围的重要因素。本发明所采用的切线交叉法耗时最小,平均用时大约仅为改进A*算法的10%和改进APF的22%,算法效率优势明显。
Claims (7)
1.一种基于切线交叉法的足式机器人路径规划方法,其特征在于,包括以下步骤:首先进行环境建模,通过构建障碍物表达模型来描述环境信息,然后在此模型上构造可视切线形成交点网络,最后利用评估函数从交点网络中搜索出一条代价最小的安全通行路径。
2.根据权利要求1所述基于切线交叉法的足式机器人路径规划方法,其特征在于:
环境建模的具体方法为:
首先,计算障碍物区域的内接椭圆;然后,根据障碍物区域的外接矩形顶点位置计算内接椭圆的相似椭圆,找出能够完全包围障碍物区域的相似椭圆,表示障碍物区域。
3.根据权利要求2所述基于切线交叉法的足式机器人路径规划方法,其特征在于:
构造可视切线的具体方法为:
首先,从起始点和目标点分别向环境中各个障碍物的相似椭圆引出切线,环境中切线的数量为2*N,N为障碍物个数;然后,求解所有切线之间处于位于起始点与目标点中间区域的交点,根据切点分布将切点分为两类,一类处于自由区域,另一类处于椭圆障碍物区域,将处于椭圆障碍物区域的切点从路径搜索空间中剔除;最后,筛选出位于自由区域的路径点为可通行路径点,由可通行路径点和可视切线组成的网络为交点网络。
4.根据权利要求2或3所述基于切线交叉法的足式机器人路径规划方法,其特征在于:
Step1、对表示障碍物区域的椭圆进行编号;
Step2、用直线连接起始点与目标点,如果直线不与障碍物相交,而且分布在该直线两侧、距离该直线最近的障碍物到该直线的距离大于安全阈值时,则驱动机器人沿着该直线行进,直至到达目的地,路径规划完成;否则,判定起始点与目标点无直接路径可达;
Step3、从起始点和目标点分别向环境中各个障碍物的相似椭圆引出切线;
Step4、确定所有切线位于起始点与目标点之间的区域的交点,并根据其位置分为可选路径点和不可选路径点,可选路径点处于自由区域,不可选路径点处于椭圆障碍物区域;
Step5、从可选路径点中,选取一个与起始点存在切线连接关系的路径点,判断二者之间的连线是否穿过障碍物,如果不穿过,则认为两点之间存在通路,然后利用最短路径评估函数计算其通过代价,这样依次计算与起始点都存在切线关系的可选路径点,最后从这些候选路径点中选出最小通过代价的路径点作为下一步最优路径点;如果穿过,则认为两点之间隔绝无法通行;如果下一路径点为目标点,则算法结束,否则重复执行Step5。
5.一种基于切线交叉法的足式机器人路径规划装置,其特征在于,包括:
环境建模子模块,通过构建障碍物表达模型来描述环境信息;
路径搜素空间确定模块,构造能够表示障碍物区域的相似椭圆,并能够从起始点和目标点分别向环境中各个障碍物的相似椭圆引出切线,形成可通行路径点以及交点网络;
最优路径搜索模块,通过评估函数从交点网络中搜索出一条代价最小的安全通行路径;
行走控制模块,用于根据搜索出的安全通行路径,控制机器人进行行走。
6.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述基于切线交叉法的足式机器人路径规划方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于切线交叉法的足式机器人路径规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910817671.XA CN110488839A (zh) | 2019-08-30 | 2019-08-30 | 一种基于切线交叉法的足式机器人路径规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910817671.XA CN110488839A (zh) | 2019-08-30 | 2019-08-30 | 一种基于切线交叉法的足式机器人路径规划方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110488839A true CN110488839A (zh) | 2019-11-22 |
Family
ID=68555836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910817671.XA Pending CN110488839A (zh) | 2019-08-30 | 2019-08-30 | 一种基于切线交叉法的足式机器人路径规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110488839A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111283688A (zh) * | 2020-03-23 | 2020-06-16 | 深圳科瑞技术股份有限公司 | 机器人的避障方法及机器人设备 |
CN111351489A (zh) * | 2020-04-29 | 2020-06-30 | 金陵科技学院 | 一种基于CNN与改进A-Star算法的护理机器人路径规划方法 |
CN112179351A (zh) * | 2020-09-30 | 2021-01-05 | 上海电机学院 | 一种基于预规划路径优化rrt算法的三维避障航迹规划方法 |
CN112797983A (zh) * | 2020-12-31 | 2021-05-14 | 广州极飞科技股份有限公司 | 路径规划方法、装置、无人设备及存储介质 |
CN113475976A (zh) * | 2020-03-16 | 2021-10-08 | 珠海格力电器股份有限公司 | 机器人可通行区域确定方法、装置、存储介质及机器人 |
CN113936493A (zh) * | 2020-03-04 | 2022-01-14 | 北京百度网讯科技有限公司 | 用于自动驾驶的图像处理方法、装置、计算机设备和介质 |
CN115509240A (zh) * | 2022-11-21 | 2022-12-23 | 合肥井松智能科技股份有限公司 | 一种基于可通行区域的路径规划方法 |
CN115993830A (zh) * | 2023-03-21 | 2023-04-21 | 佛山隆深机器人有限公司 | 一种基于障碍物躲避的路径规划方法、装置以及机器人 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2863177A1 (en) * | 2013-10-18 | 2015-04-22 | AEVO GmbH | Method of calculation a path for use in a vehicle |
US9081092B1 (en) * | 2011-08-03 | 2015-07-14 | Lockheed Martin Corporation | Covariance rotation with perspective projection for creating radar search volumes from remote cues |
CN106774329A (zh) * | 2016-12-29 | 2017-05-31 | 大连理工大学 | 一种基于椭圆切线构造的机器人路径规划方法 |
-
2019
- 2019-08-30 CN CN201910817671.XA patent/CN110488839A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9081092B1 (en) * | 2011-08-03 | 2015-07-14 | Lockheed Martin Corporation | Covariance rotation with perspective projection for creating radar search volumes from remote cues |
EP2863177A1 (en) * | 2013-10-18 | 2015-04-22 | AEVO GmbH | Method of calculation a path for use in a vehicle |
CN106774329A (zh) * | 2016-12-29 | 2017-05-31 | 大连理工大学 | 一种基于椭圆切线构造的机器人路径规划方法 |
Non-Patent Citations (3)
Title |
---|
刘罡等: "基于可视切线图的未知环境建模新方法研究", 《高技术通讯》 * |
吴峰光等: "一种新的基于切线的路径规划方法", 《机器人》 * |
程福等: "基于极限环导航方法的移动机器人动态避障路径规划", 《科学技术与工程》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936493A (zh) * | 2020-03-04 | 2022-01-14 | 北京百度网讯科技有限公司 | 用于自动驾驶的图像处理方法、装置、计算机设备和介质 |
CN113936493B (zh) * | 2020-03-04 | 2022-11-04 | 北京百度网讯科技有限公司 | 用于自动驾驶的图像处理方法、装置、计算机设备和介质 |
CN113475976A (zh) * | 2020-03-16 | 2021-10-08 | 珠海格力电器股份有限公司 | 机器人可通行区域确定方法、装置、存储介质及机器人 |
CN111283688A (zh) * | 2020-03-23 | 2020-06-16 | 深圳科瑞技术股份有限公司 | 机器人的避障方法及机器人设备 |
CN111283688B (zh) * | 2020-03-23 | 2021-08-10 | 深圳市科瑞技术科技有限公司 | 机器人的避障方法及机器人设备 |
CN111351489A (zh) * | 2020-04-29 | 2020-06-30 | 金陵科技学院 | 一种基于CNN与改进A-Star算法的护理机器人路径规划方法 |
CN112179351A (zh) * | 2020-09-30 | 2021-01-05 | 上海电机学院 | 一种基于预规划路径优化rrt算法的三维避障航迹规划方法 |
CN112179351B (zh) * | 2020-09-30 | 2023-03-28 | 上海电机学院 | 一种基于预规划路径优化rrt算法的三维避障航迹规划方法 |
CN112797983A (zh) * | 2020-12-31 | 2021-05-14 | 广州极飞科技股份有限公司 | 路径规划方法、装置、无人设备及存储介质 |
CN112797983B (zh) * | 2020-12-31 | 2023-10-03 | 广州极飞科技股份有限公司 | 路径规划方法、装置、无人设备及存储介质 |
CN115509240A (zh) * | 2022-11-21 | 2022-12-23 | 合肥井松智能科技股份有限公司 | 一种基于可通行区域的路径规划方法 |
CN115993830A (zh) * | 2023-03-21 | 2023-04-21 | 佛山隆深机器人有限公司 | 一种基于障碍物躲避的路径规划方法、装置以及机器人 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110488839A (zh) | 一种基于切线交叉法的足式机器人路径规划方法及装置 | |
CN108444482B (zh) | 一种无人机自主寻路避障方法及系统 | |
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 | |
CN108680163A (zh) | 一种基于拓扑地图的无人艇路径搜索系统及方法 | |
CN109798909A (zh) | 一种全局路径规划的方法 | |
CN109059924A (zh) | 基于a*算法的伴随机器人增量路径规划方法及系统 | |
CN106052701B (zh) | 一种交通溢流状态下车辆路径选择的方法 | |
CN102496187B (zh) | 一种基于三角形网格的追踪等值线至边界及断层的方法 | |
CN103994768A (zh) | 动态时变环境下寻求全局时间最优路径的方法 | |
WO2009092327A1 (zh) | 一种地图寻路方法及系统 | |
CN110220521A (zh) | 一种高精地图的生成方法和装置 | |
CN109556622A (zh) | 一种兴趣点查找方法和装置 | |
CN112114584A (zh) | 一种球形两栖机器人的全局路径规划方法 | |
CN109902711A (zh) | 一种时间依赖路网上的移动对象k近邻查询算法 | |
CN106780058A (zh) | 动态网络的社团划分方法及装置 | |
CN111337047B (zh) | 基于多任务点约束的非结构化道路宏观路径规划方法 | |
CN114296474A (zh) | 一种基于路径时间代价的无人机路径规划方法及系统 | |
CN109816131B (zh) | 路径规划方法、路径规划装置及计算机可读存储介质 | |
CN108595631A (zh) | 基于图谱理论的三维cad模型双层检索方法 | |
CN109798899A (zh) | 一种面向海底未知地形搜索的树扩散启发式路径规划方法 | |
Zhang et al. | Optimal inspection path planning of substation robot in the complex substation environment | |
CN116009552A (zh) | 一种路径规划方法、装置、设备及存储介质 | |
CN115143980A (zh) | 基于剪枝Voronoi图的增量式拓扑地图构建方法 | |
Mekni et al. | Hierarchical path planning for multi-agent systems situated in informed virtual geographic environments | |
Liu et al. | Collaboration and Management of Heterogeneous Robotic Systems for Road Network Construction, Management, and Maintenance under the Vision of" BIM+ GIS" Technology. |
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: 20191122 |