CN110609547B - 一种基于可视图引导的移动机器人规划方法 - Google Patents
一种基于可视图引导的移动机器人规划方法 Download PDFInfo
- Publication number
- CN110609547B CN110609547B CN201910773994.3A CN201910773994A CN110609547B CN 110609547 B CN110609547 B CN 110609547B CN 201910773994 A CN201910773994 A CN 201910773994A CN 110609547 B CN110609547 B CN 110609547B
- Authority
- CN
- China
- Prior art keywords
- path
- random tree
- node
- planning
- visual
- 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 63
- 230000000007 visual effect Effects 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims description 18
- 230000004888 barrier function Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003252 repetitive effect Effects 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
- G05D1/0221—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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
Abstract
本发明涉及机器人技术领域，更具体地，涉及一种基于可视图引导的移动机器人规划方法。利用可视图法建立规划引导区域限制快速随机扩展树(RRT)扩展，通过建立小车运动学模型，约束随机树生成形状，同时利用8邻域最近邻节点查找方法加速随机树生成，获得随机树后通过计算得到符合移动机器人运动规律的路径，最后对路径优化提高路径质量。在传统的速随机扩展树规划算法中，规划的路径无法满足轮式机器人的运动学约束，同时随着随机树的结构变大，随机树生成效率低。因此对无人车进行运动学建模，然后结合8邻域最近邻节点查找方法，短时间内获得符合无人车运动学模型的随机树，并通过路径优化得到起点到终点的最优路径。
Description
技术领域
本发明涉及机器人技术领域，更具体地，涉及一种基于可视图引导的移动机器人规划方法。
背景技术
移动机器人因其具备替代人类完成危险和重复性工作的能力而具有十分重要的科学研究价值。而在移动机器人领域上，路径规划一直是机器人自主导航中一项关键技术，然而复杂的外部环境，实时的计算要求等对移动机器人的路径规划算法提出了较高的挑战。针对移动机器人的路径规划方法应能应对复杂多变的环境的同时响应多样化的决策需求，提出了一种针对移动机器人的路径规划方法。
发明内容
本发明为克服上述现有技术中的缺陷，提供一种基于可视图引导的移动机器人规划方法，能够提高规划路径的质量。
为解决上述技术问题，本发明采用的技术方案是：一种基于可视图引导的移动机器人规划方法，包括可视图引导域生成、改进的快速扩展随机树(RRT)和路径优化；
所述的可视图引导域生成基于可视图法对障碍物环境进行建模，然后通过最短路径搜索方法获取起点到终点的参考路径，然后生成参考区域即可视图引导域；
所述的改进的快速扩展随机树基于快速扩展随机树规划方法，首先建立无人车规划运动模型，先随机获取采样点，通过8邻域最近邻节点方法确定采样点与随机树中最近的节点，然后根据无人车运动模型判断新节点是否插入随机树；
所述的路径优化基于前面两个部分得到随机树后获取规划路径，然后通过路径简化和路径平滑对初步路径进行优化，以提高规划路径质量。
本发明是基于快速随机扩展树(RRT)算法，结合可视图法生成引导域的移动机器人规划算法。本发明建立了移动机器人的运动模型，并利用可视图法建立引导区域，同时改进传统RRT算法流程，最后通过对规划路径进行简化与平滑，得到了规划效率高的机器人路径规划算法，能够在一定时间内获得符合机器人运动学规律的路径。
传统RRT算法探索环境时具有盲目性，过度探索无关区域，因此利用可视图法建立初步规划路径区域；在本发明中，建立小车运动学模型是关键一步，根据模型，建立的随机树形态必须满足无人车运动模型，使规划的路径可用；随机树建立是个随机过程，规划的路径为多弯曲路径，因此利用路径简化步骤，简化不必要的路径点，缩短路径长度，提高路径质量；RRT算法规划的路径为折线路径，无法满足机器人运动学规律，因此利用B样条函数对折线路径进行平滑，使路径切实可用。
进一步的，本发明提出的基于可视图引导的移动机器人规划方法具体包括以下步骤：
S1.从移动机器人预制环境地图和起始点信息，根据可视图法建立可视图引导区域；
S2.获取引导域后利用改进的RRT算法在引导域内建立随机树；
S3.根据随机树获取从起点到终点的规划路径，通过对规划路径进行路径简化和平滑获取最后路径。
进一步的，所述的步骤S1具体包括：
S11.在路径规划前规划算法需获得环境障碍物信息与规划算法所需的起点位置Pstart和终点位置Pgoal；
S12.根据可视图法规则，可视图法通过将障碍物等效成多边形然后通过多边形然后通过多变形顶点进行路径规划，但是障碍物并非规则多边形，因此首先需对多边形进行膨胀，将不规则多边形膨胀成规则矩形；
S13.根据规则多边形顶点信息，考虑移动机器人体积问题，将顶点进行外延，避免机器人在顶点位置发生碰撞；
S14.根据外延顶点信息建立顶点图，建立过程为将顶点两两进行连线，然后将与障碍物相交的连线去除，留下的顶点与连线组成可视图；
S15.根据起点位置和终点位置与步骤S11-S14所建立的可视图规划出从起点位置到终点位置的引导路径；
S16.根据引导路径外扩形成可视图引导域。
进一步的，所述的步骤S2具体包括：
S21.以起点位置Pstart作为随机树的根节点；
S22.在引导区域内随机选取一点，成为随机采样点Psample；
S23.根据Psample采样点信息与随机树，通过8邻域最近邻节点查找方法查找Psample与随机树中最近的节点Pnearest；传统RRT算法在搜索最近邻节点的效率随着随机树结构增大而降低，因此利用8邻域邻节点搜索方法，提高随机树建立效率；
S24.根据获取的最近邻节点Pnearest，将Pnearest与Psample之间连线并在连线上获取距离Pnearest特定距离d的新采样点Pnew；获取新节点Pnew后，计算Pnew与其父节点的连线与x轴正方向的夹角θnew和Pnew的父节点与其父节点的连线与x轴正方向的夹角θnear之差，即：
△θ＝θnear–θnew
对于不同的机器人来说，机器人的前轮不可能无限转向，具有最大转向角度θmax，因此在插入新的节点时需判断△θ与θmax的大小关系，若|△θ|>θmax则新节点无法满足机器人运动学模型，应将辞典放弃；如果△θ满足要求，则将Pnew插入随机树中；
S25.重复步骤S21-S24直到随机树扩展到终点位置，至此，随机树建立完毕；
S26.根据获得的随机树以及起始点信息获取从起点到终点的初始路径。
进一步的，所述的步骤S23具体包括：首先将环境进行栅格化，根据障碍物信息将栅格分为障碍物栅格与空白栅格，当Psample寻找随机树中最近邻节点Pnearest时，先寻找Psample所在栅格以及邻近8个栅格中的空白栅格内的节点，找到其中最邻近的节点作为最近邻节点Pnearest，若所在栅格以及邻近8个栅格的空白栅格无随机树节点，则整个随机树进行搜索获取Pnearest。
进一步的，所述的步骤S3具体包括：
S31.获得初始路径后首先对路径进行简化，去除多余的节点；
S32.获得简化路径之后，利用B样条曲线函数将折线路径函数化，利用简化路径的节点作为B样条函数的控制节点，然后对B样条函数进行采样，获取最终平滑的路径。
进一步的，所述的步骤S31中对路径进行简化的方法具体包括：首先从起点开始，依次从终点开始判断起点到终点的直接连线是否与障碍物碰撞，若发生碰撞，则从终点前移一个节点继续判断直到与起点重合，此时将起点往后移一个节点，重新依次从终点开始判断；如果连线不与任一障碍物发生碰撞，则将连线之间所有节点去除；经过路径简化后获得简化路径。
与现有技术相比，有益效果是：
1.本发明提出的可视图引导域的方法，能够大大地降低了RRT规划算法的盲目性，为传统随机规划算法提供引导作用，提高了整体规划算法的效率与规划路径的质量；
2.本发明提出可视图引导的随机树生成方法，通过可视图引导域约束和移动机器人运动学模型约束，限制随机树的形态，使随机树规划路径满足移动机器人的运动要求；
3.本发明在随机树建立的过程中利用8邻域最近邻节点搜索方法加快最近邻节点的搜索速度，减少随机树过程中邻节点搜索的次数，最终加快规划算法的效率；
4.本发明提出对规划路径进行简化和平滑，解决折线路径机器人行驶困难的问题，同时提高了规划路径的质量。
附图说明
图1是本发明整体方法流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。
实施例1：
如图1所示，一种基于可视图引导的移动机器人规划方法，包括可视图引导域生成、改进的快速扩展随机树(RRT)和路径优化；
所述的可视图引导域生成基于可视图法对障碍物环境进行建模，然后通过最短路径搜索方法获取起点到终点的参考路径，然后生成参考区域即可视图引导域；
所述的改进的快速扩展随机树基于快速扩展随机树规划方法，首先建立无人车规划运动模型，先随机获取采样点，通过8邻域最近邻节点方法确定采样点与随机树中最近的节点，然后根据无人车运动模型判断新节点是否插入随机树；
所述的路径优化基于前面两个部分得到随机树后获取规划路径，然后通过路径简化和路径平滑对初步路径进行优化，以提高规划路径质量。
本发明提出的基于可视图引导的移动机器人规划方法具体包括以下步骤：
步骤1.从移动机器人预制环境地图和起始点信息，根据可视图法建立可视图引导区域；具体包括：
S11.在路径规划前规划算法需获得环境障碍物信息与规划算法所需的起点位置Pstart和终点位置Pgoal；
S12.根据可视图法规则，可视图法通过将障碍物等效成多边形然后通过多边形然后通过多变形顶点进行路径规划，但是障碍物并非规则多边形，因此首先需对多边形进行膨胀，将不规则多边形膨胀成规则矩形；
S13.根据规则多边形顶点信息，考虑移动机器人体积问题，将顶点进行外延，避免机器人在顶点位置发生碰撞；
S14.根据外延顶点信息建立顶点图，建立过程为将顶点两两进行连线，然后将与障碍物相交的连线去除，留下的顶点与连线组成可视图；
S15.根据起点位置和终点位置与步骤S11-S14所建立的可视图规划出从起点位置到终点位置的引导路径；
S16.根据引导路径外扩形成可视图引导域。
步骤2.获取引导域后利用改进的RRT算法在引导域内建立随机树；具体包括：
S21.以起点位置Pstart作为随机树的根节点；
S22.在引导区域内随机选取一点，成为随机采样点Psample；
S23.根据Psample采样点信息与随机树，通过8邻域最近邻节点查找方法查找Psample与随机树中最近的节点Pnearest；其中，首先将环境进行栅格化，根据障碍物信息将栅格分为障碍物栅格与空白栅格，当Psample寻找随机树中最近邻节点Pnearest时，先寻找Psample所在栅格以及邻近8个栅格中的空白栅格内的节点，找到其中最邻近的节点作为最近邻节点Pnearest，若所在栅格以及邻近8个栅格的空白栅格无随机树节点，则整个随机树进行搜索获取Pnearest。
S24.根据获取的最近邻节点Pnearest，将Pnearest与Psample之间连线并在连线上获取距离Pnearest特定距离d的新采样点Pnew；获取新节点Pnew后，计算Pnew与其父节点的连线与x轴正方向的夹角θnew和Pnew的父节点与其父节点的连线与x轴正方向的夹角θnear之差，即：
△θ＝θnear–θnew
对于不同的机器人来说，机器人的前轮不可能无限转向，具有最大转向角度θmax，因此在插入新的节点时需判断△θ与θmax的大小关系，若|△θ|>θmax则新节点无法满足机器人运动学模型，应将辞典放弃；如果△θ满足要求，则将Pnew插入随机树中；
S25.重复步骤S21-S24直到随机树扩展到终点位置，至此，随机树建立完毕；
S26.根据获得的随机树以及起始点信息获取从起点到终点的初始路径。
步骤3.根据随机树获取从起点到终点的规划路径，通过对规划路径进行路径简化和平滑获取最后路径；具体包括：
S31.获得初始路径后首先对路径进行简化，去除多余的节点；其中对路径进行简化的方法具体包括：首先从起点开始，依次从终点开始判断起点到终点的直接连线是否与障碍物碰撞，若发生碰撞，则从终点前移一个节点继续判断直到与起点重合，此时将起点往后移一个节点，重新依次从终点开始判断；如果连线不与任一障碍物发生碰撞，则将连线之间所有节点去除；经过路径简化后获得简化路径。
S32.获得简化路径之后，利用B样条曲线函数将折线路径函数化，利用简化路径的节点作为B样条函数的控制节点，然后对B样条函数进行采样，获取最终平滑的路径。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (3)
1.一种基于可视图引导的移动机器人规划方法，其特征在于，包括可视图引导域生成、改进的快速扩展随机树和路径优化；
所述的可视图引导域生成基于可视图法对障碍物环境进行建模，然后通过最短路径搜索方法获取起点到终点的参考路径，然后生成参考区域即可视图引导域；
所述的改进的快速扩展随机树基于快速扩展随机树规划方法，首先建立无人车规划运动模型，先随机获取采样点，通过8邻域最近邻节点方法确定采样点与随机树中最近的节点，然后根据无人车运动模型判断新节点是否插入随机树；
所述的路径优化基于前面两个部分得到随机树后获取规划路径，然后通过路径简化和路径平滑对初步路径进行优化，以提高规划路径质量；
具体包括以下步骤：
S1.从移动机器人预制环境地图和起始点信息，根据可视图法建立可视图引导区域；步骤S1具体包括：
S11.在路径规划前规划算法需获得环境障碍物信息与规划算法所需的起点位置Pstart和终点位置Pgoal；
S12.根据可视图法规则，可视图法通过将障碍物等效成多边形然后通过多边形然后通过多变形顶点进行路径规划，但是障碍物并非规则多边形，因此首先需对多边形进行膨胀，将不规则多边形膨胀成规则矩形；
S13.根据规则多边形顶点信息，考虑移动机器人体积问题，将顶点进行外延，避免机器人在顶点位置发生碰撞；
S14.根据外延顶点信息建立顶点图，建立过程为将顶点两两进行连线，然后将与障碍物相交的连线去除，留下的顶点与连线组成可视图；
S15.根据起点位置和终点位置与步骤S11-S14所建立的可视图规划出从起点位置到终点位置的引导路径；
S16.根据引导路径外扩形成可视图引导域；
S2.获取引导域后利用改进的RRT算法在引导域内建立随机树；步骤S2具体包括：
S21.以起点位置Pstart作为随机树的根节点；
S22.在引导区域内随机选取一点，成为随机采样点Psample；
S23.根据Psample采样点信息与随机树，通过8邻域最近邻节点查找方法查找Psample与随机树中最近的节点Pnearest；
S24.根据获取的最近邻节点Pnearest，将Pnearest与Psample之间连线并在连线上获取距离Pnearest特定距离d的新采样点Pnew；获取新节点Pnew后，计算Pnew与其父节点的连线与x轴正方向的夹角θnew和Pnew的父节点与其父节点的连线与x轴正方向的夹角θnear之差，即：
△θ＝θnear–θnew
对于不同的机器人来说，机器人的前轮不可能无限转向，具有最大转向角度θmax，因此在插入新的节点时需判断△θ与θmax的大小关系，若|△θ|>θmax则新节点无法满足机器人运动学模型，应将此点 放弃；如果△θ满足要求，则将Pnew插入随机树中；
S25.重复步骤S21-S24直到随机树扩展到终点位置，至此，随机树建立完毕；
S26.根据获得的随机树以及起始点信息获取从起点到终点的初始路径；
S3.根据随机树获取从起点到终点的规划路径，通过对规划路径进行路径简化和平滑获取最后路径；步骤S3具体包括：
S31.获得初始路径后首先对路径进行简化，去除多余的节点；
S32.获得简化路径之后，利用B样条曲线函数将折线路径函数化，利用简化路径的节点作为B样条函数的控制节点，然后对B样条函数进行采样，获取最终平滑的路径。
2.根据权利要求1所述的基于可视图引导的移动机器人规划方法，其特征在于，所述的步骤S23具体包括：首先将环境进行栅格化，根据障碍物信息将栅格分为障碍物栅格与空白栅格，当Psample寻找随机树中最近邻节点Pnearest时，先寻找Psample所在栅格以及邻近8个栅格中的空白栅格内的节点，找到其中最邻近的节点作为最近邻节点Pnearest，若所在栅格以及邻近8个栅格的空白栅格无随机树节点，则整个随机树进行搜索获取Pnearest。
3.根据权利要求1所述的基于可视图引导的移动机器人规划方法，其特征在于，所述的步骤S31中对路径进行简化的方法具体包括：首先从起点开始，依次从终点开始判断起点到终点的直接连线是否与障碍物碰撞，若发生碰撞，则从终点前移一个节点继续判断直到与起点重合，此时将起点往后移一个节点，重新依次从终点开始判断；如果连线不与任一障碍物发生碰撞，则将连线之间所有节点去除；
经过路径简化后获得简化路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910773994.3A CN110609547B (zh) | 2019-08-21 | 2019-08-21 | 一种基于可视图引导的移动机器人规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910773994.3A CN110609547B (zh) | 2019-08-21 | 2019-08-21 | 一种基于可视图引导的移动机器人规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110609547A CN110609547A (zh) | 2019-12-24 |
| CN110609547B true CN110609547B (zh) | 2022-12-06 |
Family
ID=68890844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910773994.3A Active CN110609547B (zh) | 2019-08-21 | 2019-08-21 | 一种基于可视图引导的移动机器人规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110609547B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111515503B (zh) * | 2020-04-30 | 2021-03-02 | 华东理工大学 | 一种弧焊机器人无碰撞路径规划方法 |
| CN111938513B (zh) * | 2020-06-30 | 2021-11-09 | 珠海市一微半导体有限公司 | 一种机器人越障的沿边路径选择方法、芯片及机器人 |
| CN112148003B (zh) * | 2020-09-01 | 2023-05-09 | 湖南格兰博智能科技有限责任公司 | 一种基于机器人的路径优化方法、系统及电子设备 |
| CN112197783B (zh) * | 2020-09-30 | 2022-08-02 | 哈尔滨工程大学 | 一种考虑车头指向的两阶段多抽样的rrt路径规划方法 |
| CN112650219A (zh) * | 2020-12-05 | 2021-04-13 | 合肥工业大学 | 一种基于全覆盖算法的无人移动平台路径规划方法 |
| CN112734079A (zh) * | 2020-12-11 | 2021-04-30 | 江苏大学 | 一种基于优化路径规划算法的刚性折纸折叠方法 |
| CN112809665B (zh) * | 2020-12-16 | 2022-06-07 | 安徽工业大学 | 一种基于改进rrt算法的机械臂运动规划方法 |
| CN114035572B (zh) * | 2021-10-09 | 2023-08-01 | 凤凰智能电子(杭州)有限公司 | 一种割草机器人的避障巡回方法及系统 |
| CN114115271B (zh) * | 2021-11-25 | 2024-04-26 | 江苏科技大学 | 一种改进rrt的机器人路径规划方法和系统 |
| CN114442629B (zh) * | 2022-01-25 | 2022-08-09 | 吉林大学 | 一种基于图像处理的移动机器人路径规划方法 |
| CN114593744B (zh) * | 2022-03-04 | 2024-04-26 | 河北工业大学 | 一种基于探路者算法的改进rrt路径规划方法 |
| CN117032231A (zh) * | 2023-08-10 | 2023-11-10 | 海南大学 | 一种基于改进rrt的多智能体路径规划方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106843211B (zh) * | 2017-02-07 | 2019-11-08 | 东华大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
| CN108444488B (zh) * | 2018-02-05 | 2021-09-28 | 天津大学 | 基于等步采样a*算法的无人驾驶局部路径规划方法 |
| CN108983780A (zh) * | 2018-07-24 | 2018-12-11 | 武汉理工大学 | 一种基于改进rrt*算法的移动机器人路径规划方法 |
| CN108896052A (zh) * | 2018-09-20 | 2018-11-27 | 鲁东大学 | 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 |
| CN110032182B (zh) * | 2019-03-11 | 2022-02-11 | 中山大学 | 一种融合可视图法和稳定稀疏随机快速树机器人规划算法 |
-
2019
- 2019-08-21 CN CN201910773994.3A patent/CN110609547B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110609547A (zh) | 2019-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110609547B (zh) | 一种基于可视图引导的移动机器人规划方法 | |
| CN108196536B (zh) | 一种改进的无人车快速搜索随机树路径规划方法 | |
| CN110962130B (zh) | 基于目标偏向寻优的启发式rrt机械臂运动规划方法 | |
| CN112013846B (zh) | 一种结合动态步长rrt*算法和势场法的路径规划方法 | |
| Kobayashi et al. | Local path planning: Dynamic window approach with virtual manipulators considering dynamic obstacles | |
| Yang | Anytime synchronized-biased-greedy rapidly-exploring random tree path planning in two dimensional complex environments | |
| CN112650256A (zh) | 一种基于改进双向rrt机器人路径规划方法 | |
| Yang et al. | Mobile robot path planning based on enhanced dynamic window approach and improved a algorithm | |
| CN115755908B (zh) | 一种基于JPS引导Hybrid A*的移动机器人路径规划方法 | |
| CN114545921B (zh) | 一种基于改进rrt算法的无人汽车路径规划算法 | |
| CN115167398A (zh) | 一种基于改进a星算法的无人船路径规划方法 | |
| CN113359721B (zh) | 一种结合运动控制的改进a*的agv路径规划方法 | |
| CN117260735A (zh) | 一种机器人深框抓取的路径规划方法 | |
| Chen et al. | Combining space exploration and heuristic search in online motion planning for nonholonomic vehicles | |
| CN116852367A (zh) | 一种基于改进RRTstar的六轴机械臂避障路径规划方法 | |
| CN117032231A (zh) | 一种基于改进rrt的多智能体路径规划方法 | |
| CN115328111A (zh) | 一种用于自动驾驶车辆的避障路径规划方法 | |
| Li et al. | An Efficient Sampling-Based Hybrid A* Algorithm for Intelligent Vehicles | |
| Zhao et al. | Improved Path Planning Algorithm Based on RRT Algorithm and Quintic B-spline Curve | |
| Wang et al. | Dynamic path planning based on the fusion of improved RRT and DWA algorithms | |
| Wang et al. | Improved RRT Algorithm for Field Environment Tends to Smooth Path | |
| Wang et al. | Global trajectory planning for Autonomous Valet Parking with segmentation, rewind and relaxation | |
| CN112945254B (zh) | 一种基于快速拓展随机树的无人车曲率连续路径规划方法 | |
| CN115454106B (zh) | 一种基于双向搜索rrt*的auv回坞路径规划方法 | |
| Zhu et al. | Obstacle-Avoidance Path Planning of Unmanned Vehicles based on Polynomial Optimization |
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 |