CN111289005B - 一种基于a星优化算法的寻路方法 - Google Patents

一种基于a星优化算法的寻路方法 Download PDF

Info

Publication number
CN111289005B
CN111289005B CN202010182339.3A CN202010182339A CN111289005B CN 111289005 B CN111289005 B CN 111289005B CN 202010182339 A CN202010182339 A CN 202010182339A CN 111289005 B CN111289005 B CN 111289005B
Authority
CN
China
Prior art keywords
point
node
path
value
nodes
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
Application number
CN202010182339.3A
Other languages
English (en)
Other versions
CN111289005A (zh
Inventor
刘冉冉
颜海彬
吴施鹏
郑恩兴
蒋益锋
李丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Technology
Original Assignee
Jiangsu University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Technology filed Critical Jiangsu University of Technology
Priority to CN202010182339.3A priority Critical patent/CN111289005B/zh
Publication of CN111289005A publication Critical patent/CN111289005A/zh
Application granted granted Critical
Publication of CN111289005B publication Critical patent/CN111289005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Navigation (AREA)

Abstract

本发明提供了一种基于A星优化算法的寻路方法，给出地图的网格图，并确定相应障碍点的位置坐标，确定起始点和目标点坐标；构建起始点和目标点之间的直线函数，求出直线与网格相交的关键点，再求出相关毗邻的节点，判断这些节点中是否有与障碍点重合的节点；若节点与障碍节点不重合，则寻找的最佳路径就是汽车起始点和目标点之间的一条直线；若遇到障碍点，就内部调用A星算法，将该点周围非障碍节点放入open列表中；判断open列表是否为空；从open列表中取出一个f值最小的点，作为寻找路径的下一步；判断该点是否是目标点，如果是，则寻路成功，算法结束；否则继续寻路，将该点设为当前点，继续如上的寻路过程。本发明通过一个对障碍物的预处理，进行算法的优化，减少节点的搜索时间和计算内存。

Description

一种基于A星优化算法的寻路方法
技术领域
本发明涉及无人驾驶汽车技术领域，尤其涉及一种基于A星优化算法的寻路方法。
背景技术
无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。无人驾驶汽车集自动控制、体系结构、人工智能和视觉计算等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的产物，也是衡量一个国家科研实力和工业水平的一个重要标志，在国防和国民经济领域具有广阔的应用前景。
其中寻路作为无人驾驶车辆基本的问题之一，即车辆按照程序指定的合适的路径从地图的A点抵达B点，根据车辆对周围环境的了解程度的不同，分为全局路径规划和局部路径规划两种方法。随着网络的快速发展，寻路技术已经成为无人驾驶汽车的核心组成部分，物体按照某种指定方式移动，就要求程序必须能够找到一条从起点到目标点的最佳路径，这条路径应该是绕过障碍物并且到达目的地的最短的路径。
目前应用最为广泛的寻路方法为启发式A星搜索算法，就是有启发地寻找目标结束点，并且在基于最小成本的情况下，尽可能的找到通向目标点的最合适最短的路径。但是传统启发式A星搜索算法在面对障碍时会进行许多无用节点的搜索，国内外的学者也对此进行了大量的研究，例如：王善坤等根据改进的人工势场法让绕过障碍物的曲线更加平滑，但是依然需要在障碍物周围进行搜索；蔡方方等根据双层A星算法进行二次搜索来绕过障碍物，虽然可以避开障碍物，但是增加了A星算法的搜索时间；高庆吉等引入了“人工搜索标记”起到预先判断或者逃离障碍物的作用，但是需要对障碍物周围进行无用节点的预搜索处理。
综上所述，虽然目前学者们做出了许多研究，但是依然存在搜索过程中无用节点的搜索，导致增加了搜索的时间和计算的内存。
发明内容
本发明提供的一种基于A星优化算法的寻路方法，解决了传统启发式A星搜索算法在面对障碍时会进行许多无用节点搜索，导致增加搜索时间和计算内存的问题，使无人驾驶汽车能顺利的绕开障碍，减少了搜索所用的时间和计算内存。
为达到上述目的，本发明的技术方案具体是这样实现的：
本发明公开一种基于A星优化算法的寻路方法，包括以下步骤：
给出地图的网格图，并确定相应障碍点的位置坐标，确定起始点和目标点坐标；
构建起始点和目标点之间的直线函数，根据所连直线的倾角，判断采用横向遍历还是纵向遍历，求出直线与网格相交的关键点，再求出相关毗邻的节点，判断这些节点中是否有与障碍点重合的节点；
若节点与障碍节点不重合，则寻找的最佳路径就是汽车起始点和目标点之间的一条直线；
若遇到障碍点，就内部调用A星算法：
f(n)＝g(n)+h(n)
其中f(n)是估价函数，g(n)是起始点到当前点之间的代价值，h(n)是从当前点到目标点的最短路径的启发值。将当前节点放入close列表中，周围节点放入到open列表中，所述open列表中存储当前节点周围的节点，不包括障碍节点和已经存在于close列表中的节点；所述close列表用来存储路径确定的相关节点。计算出当前节点的邻近点的f值，选择f值最小的节点作为下一个父节点，将其放在close列表中；
判断open列表是否为空，如果不为空，说明在达到结束点前已经找到所有可能路径点，寻路失败，算法结束，否则继续寻路；
从open列表中拿出一个f值最小的点，作为寻找路径的下一步；
判断该点是否是目标点，如果是，则寻路成功，算法结束；否则继续寻路，将该点设为当前点。
进一步地，所述相关相毗邻节点，通常有四种形式：
第一种：关键点的x,y值都不是整数，则这个关键点只有一个节点；
第二种：关键点的x值为整数，y值不是整数，则这个关键点的节点在网格横向相邻的邻边上；
第三种：关键点的y值为整数，x值不是整数，则这个关键点的节点在网格纵向相邻的邻边上；
第四种：x,y同时为整数，则这个关键点同时拥有四个节点。
进一步地，所述f值最小的点是由g值和h值相加确定的，其中g值的大小是从进入A星算法的起始点到当前节点的代价值，h值采用对角线距离，其计算公式如下：
Figure BDA0002412996760000031
有益技术效果：
本发明公开一种基于A星优化算法的寻路方法，包括以下步骤，给出地图的网格图，并确定相应障碍点的位置坐标，确定起始点和目标点坐标；构建起始点和目标点之间的直线函数，根据所连直线的倾角，判断采用横向遍历还是纵向遍历，求出直线与网格相交的关键点，再求出相关毗邻的节点，判断这些节点中是否有与障碍点重合的节点；若节点与障碍节点不重合，则寻找的最佳路径就是汽车起始点和目标点之间的一条直线；若遇到障碍点，就内部调用A星算法，将该点周围节点放入open列表中，所述open列表中存储当前节点周围的节点，不包括障碍节点和已经存在于close列表中的节点，所述close列表用来存储路径。计算出当前节点的邻近点的f值，选择f值最小的节点作为下一个父节点，将其放在close列表中
判断open列表是否为空，如果不为空，说明在达到结束点前已经找到所有可能路径点，寻路失败，算法结束，否则继续寻路；从open列表中拿出一个f值最小的点，作为寻找路径的下一步；判断该点是否是目标点，如果是，则寻路成功，算法结束；否则继续寻路，将该点设为当前点；解决了传统启发式A星搜索算法在面对障碍时会进行许多无用节点搜索，导致增加搜索时间和计算内存的问题，使无人驾驶汽车能顺利的绕开障碍，减少了搜索所用的时间和计算内存。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1为本发明一种A星优化算法的基本原理示意图；
图2为本发明一种A星优化算法的预处理流程图；
图3为本发明一种A星优化算法的具体流程图；
图4为本发明一种A星优化算法的网格效果图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
下面结合附图对本发明的实施方式进行详细说明。
无人驾驶车辆在行驶时需要规划出一条合理的路径，路径规划的方法是在有障碍物的环境下，按照一定的评价标准规划出一条从起始状态到目标位置的无碰撞路径，主要考虑局部移动主体和障碍物之间的几何关系，找到一条不发生碰撞的路径。
A星算法作为一种常用的寻路算法，还存在着对无用节点进行搜索，导致增加搜索时间及计算内存，本发明通过一个对障碍物的预处理，进行算法的优化，减少节点的搜索时间和计算内存。
A星算法的函数为
f(n)＝g(n)+h(n)
其中f(n)是估价函数，g(n)是起始点到当前点之间的代价值，h(n)是从当前点到目标点的最短路径的启发值。通过计算f值来确定下一个节点的位置。为了让物体移动的方向可以除了正方向外，还可以对角运动，h(n)值的计算采用对角线距离作为新的估价函数。
设置走单格直线的代价值为D，走单格对角线的代价值为D2，基于网格的关系，D2与D之间有如下关系：
D2＝sqrt(2)D
先计算当前节点n和目标节点goal之间沿斜线可以移动的步数，建立函数h_diagonal(n)表示沿斜线方向可以移动的步数，其公式如下：
h_diagonal(n)＝min(abs(n.x-goal.x),abs(n.y-goal.y))
再计算当前节点n和目标节点goal之间沿直线可以移动的步数，根据曼哈顿距离，建立函数h_straight(n)表示沿直线可以移动的步数，其公式如下：
h_straight(n)＝(abs(n.x-goal.x)+abs(n.y-goal.y))
其中，n.x和goal.x分别表示节点n和节点goal的横坐标；n.y和goal.y分别表示节点n和节点goal的纵坐标。
合并这两项，确定最终h(n)的函数，其函数如下：
h(n)＝D2*h_diagonal(n)+D*(h_straight(n)-2*h_diagonal(n))
其中，D是代价值，h_diagonal(c)是沿斜线可以移动的步数，h_strainght(c)是直线移动的步数。
同时采用open和close两个列表来存储节点，其中open中存储当前节点周围的节点，不包括障碍节点和已经存在于close列表中的节点；close列表用来存储路径确定的相关节点。
具体地，本发明的一种基于A星优化算法的寻路方法，包括以下步骤：
给出地图的网格图，并确定相应障碍点的位置坐标，确定起始点和目标点坐标；
作为本发明的一个实施例，具体地，将地图划分为多个正方形网格，同时表明其中的起始点、目标点以及搜索域中无法通过的障碍节点的位置，同时将起始点放入到close列表中。
构建起始点和目标点之间的直线函数，根据所连直线的倾角，判断采用横向遍历还是纵向遍历，求出直线与网格相交的关键点，再求出相关毗邻的节点，判断这些节点中是否有与障碍点重合的节点；
作为本发明的一个实施例，具体地，构建无人驾驶汽车起始点和目标点之间的数学函数y＝kx+b，根据起始点和目标点的位置求出函数中的参数，在根据直线的倾斜角判断是采用横向遍历还是纵向遍历的方式。根据网格的单位确定直线和网格相交的关键点，根据直线的斜率确定倾角的大小，从而确定遍历方向，当倾角大于45°时，则采用纵向遍历，即根据y的值求出x的值，当倾角小于45°时，则采用横向遍历，即根据x的值求出y的值。从而确定直线与网格之间的相交的关键点，再根据这些关键点求出相关节点所毗邻的所有节点。
作为本发明的一个实施例，起始点和目标点之间存在障碍物，根据经过的首个障碍节点，计算出周围的比邻节点，从这些比邻节点中选择代价值f最小的节点作为下一个搜索的父节点。此时再计算当前节点和目标节点之间是否有障碍物存在。没有障碍物，就生成一条从当前节点直接到目标节点的路径则寻路成功；若还有障碍物存在，则从当前节点开始，从障碍物周围的非障碍物节点中选择到目标节点代价值最小的节点，作为寻路的下个起始节点。
作为本发明的一个实施例，得到关键点后，求出它相毗邻的所有节点，通常有四种形式：
第一种：关键点的x,y值都不是整数，则这个关键点只有一个节点；
第二种：关键点的x值为整数，y值不是整数，则这个关键点的节点在网格横向相邻的邻边上；
第三种：关键点的y值为整数，x值不是整数，则这个关键点的节点在网格纵向相邻的邻边上；
第四种：x,y同时为整数，则这个关键点同时拥有四个节点；
根据一个关键点求出它毗邻的节点有几个，是哪些，同时判断这些节点是否和障碍点是否发生重合。
若节点与障碍节点不重合，则寻找的最佳路径就是汽车起始点和目标点之间的一条直线。
若遇到障碍点，就内部调用A星算法：
f(n)＝g(n)+h(n)
其中f(n)是估价函数，g(n)是起始点到当前点之间的代价值，h(n)是从当前点到目标点的最短路径的启发值，将该点放入open列表中，搜寻该点的邻近点，相邻的网格为起点所在网格的上下左右以及左上、左下、右上、右下八个方向的网格，起点通过网格进行上下左右以及斜线的网格移动，当移动为直线的时候，代价值D取1；当移动为斜线的时候，代价值D2取1.2；根据起点的移动路径计算起点相邻的网格点和目标点的距离，假如邻近点既没有在open列表中，也没有在close列表中，则计算出该点的邻近点的f值，并作为父节点，将其放在open列表中；
判断open列表是否为空，如果没有，说明在达到结束点前已经找到所有可能路径点，寻路失败，算法结束，否则继续寻路；
从open列表中拿出一个f值最小的点，作为寻找路径的下一步；
作为本发明的一个实施例，具体地，最小f值的确定是由g值和h值相加确定的，其中g值的大小是从进入A星算法的起始点到当前节点的代价值，h值采用对角线距离，其计算公式如下：
Figure BDA0002412996760000081
在采用A星算法之前，先进行一个预处理，判断起始点和目标点之间是否可以直接走直线，合理的利用A星算法，提高整个搜索效率。在搜索过程中，当遇到相同的最小f值时，安排续后进的节点作为下一个继续搜索的节点，解决搜索过程中的不确定性。
判断该点是否是目标点，如果是，则寻路成功，算法结束；否则继续寻路，将该点设为当前点。
以上的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通工程技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (2)

1.一种基于A星优化算法的寻路方法，其特征在于，包括以下步骤：
给出地图的网格图，并确定相应障碍节点的位置坐标，确定起始点和目标点坐标；
构建起始点和目标点之间的直线函数，根据所连直线的倾角，判断采用横向遍历还是纵向遍历，求出直线与网格相交的关键点，再求出相关毗邻的节点，判断这些节点中是否有与障碍节点重合的节点；
若节点与障碍节点不重合，则寻找的最佳路径就是汽车起始点和目标点之间的一条直线；
若遇到障碍节点，则障碍节点与目标点之间调用A星算法：
f(n)＝g(n)+h(n)
其中f(n)是估价函数，g(n)是起始点到当前点之间的代价值，h(n)是从当前点到目标点的最短路径的启发值，将当前节点放入close列表中，周围节点放入到open列表中，所述open列表中存储当前节点周围的节点，不包括障碍节点和已经存在于close列表中的节点；所述close列表用来存储路径确定的相关节点；计算出当前节点的邻近点的f值，选择f值最小的节点作为下一个父节点，将其放在close列表中；
判断open列表是否为空，如果不为空，说明在达到结束点前已经找到所有可能路径点，寻路失败，算法结束，否则继续寻路；
从open列表中取出一个f值最小的点，作为寻找路径的下一步；
判断该点是否是目标点，如果是，则寻路成功，算法结束；否则继续寻路，将该点设为当前点；
所述相关毗邻节点根据构建的无人驾驶汽车起始点和目标点之间的数学函数y＝kx+b得到，有四种形式：
第一种：关键点的x,y值都不是整数，则这个关键点只有一个节点；
第二种：关键点的x值为整数，y值不是整数，则这个关键点的节点在网格横向相邻的邻边上；
第三种：关键点的y值为整数，x值不是整数，则这个关键点的节点在网格纵向相邻的邻边上；
第四种：x,y同时为整数，则这个关键点同时拥有四个节点。
2.根据权利要求1所述的一种基于A星优化算法的寻路方法，其特征在于，所述f值最小的点是由g值和h值相加确定的，其中g值的大小是从进入A星算法的起始点到当前节点的代价值，h值采用对角线距离，其计算公式如下：
Figure FDA0003158940720000021
其中，h(n)是从当前点到目标点的最短路径的启发值，D是代价值，h_diagonal(c)是沿斜线可以移动的步数，h_strainght(c)是直线移动的步数。
CN202010182339.3A 2020-03-16 2020-03-16 一种基于a星优化算法的寻路方法 Active CN111289005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010182339.3A CN111289005B (zh) 2020-03-16 2020-03-16 一种基于a星优化算法的寻路方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010182339.3A CN111289005B (zh) 2020-03-16 2020-03-16 一种基于a星优化算法的寻路方法

Publications (2)

Publication Number Publication Date
CN111289005A CN111289005A (zh) 2020-06-16
CN111289005B true CN111289005B (zh) 2021-09-28

Family

ID=71020785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010182339.3A Active CN111289005B (zh) 2020-03-16 2020-03-16 一种基于a星优化算法的寻路方法

Country Status (1)

Country Link
CN (1) CN111289005B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327931B (zh) * 2020-12-01 2022-11-29 天津基点科技有限公司 一种基于sdf地图的无人机三维路径快速规划方法
CN112657190A (zh) * 2020-12-28 2021-04-16 北京像素软件科技股份有限公司 一种游戏角色的寻路方法、装置及计算机设备
CN112833905B (zh) * 2021-01-08 2022-09-27 北京大学 基于改进a*算法的分布式多agv无碰撞路径规划方法
CN112686476A (zh) * 2021-01-26 2021-04-20 广东省博瑞海曼科技有限公司 一种应用于地图的路径生成方法、系统、设备和存储介质
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
CN113238549A (zh) * 2021-03-31 2021-08-10 珠海市一微半导体有限公司 机器人基于可直达的节点的路径规划方法、芯片及机器人
CN112947486A (zh) * 2021-03-31 2021-06-11 珠海市一微半导体有限公司 移动机器人的路径规划方法、芯片及移动机器人
CN113657636B (zh) * 2021-06-18 2024-03-01 广东电网有限责任公司佛山供电局 一种电网运行方式图的自动规划生成算法
CN113935516B (zh) * 2021-09-07 2022-10-04 亚太卫星宽带通信（深圳）有限公司 一种机载天线快速寻星跟踪定位方法
CN113577772B (zh) * 2021-09-27 2022-01-11 深圳易帆互动科技有限公司 基于瓦片地图的单位移动方法、装置及可读存储介质
CN116764225A (zh) * 2023-06-09 2023-09-19 广州三七极梦网络技术有限公司 一种高效寻路的处理方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844364A (zh) * 2016-04-08 2016-08-10 上海派毅智能科技有限公司 基于启发函数的服务机器人最优路径规划方法
CN108983789A (zh) * 2018-08-20 2018-12-11 广东华中科技大学工业技术研究院 一种无人艇的路径规划和布放调度方法
CN109341698A (zh) * 2018-11-29 2019-02-15 深圳市银星智能科技股份有限公司 一种移动机器人的路径选择方法及装置
CN110333659A (zh) * 2019-07-15 2019-10-15 中国人民解放军军事科学院国防科技创新研究院 一种基于改进a星搜索的无人驾驶汽车局部路径规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844364A (zh) * 2016-04-08 2016-08-10 上海派毅智能科技有限公司 基于启发函数的服务机器人最优路径规划方法
CN108983789A (zh) * 2018-08-20 2018-12-11 广东华中科技大学工业技术研究院 一种无人艇的路径规划和布放调度方法
CN109341698A (zh) * 2018-11-29 2019-02-15 深圳市银星智能科技股份有限公司 一种移动机器人的路径选择方法及装置
CN110333659A (zh) * 2019-07-15 2019-10-15 中国人民解放军军事科学院国防科技创新研究院 一种基于改进a星搜索的无人驾驶汽车局部路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于栅格化视觉的机器人路径优化研究";刘梅;《计算机与数字工程》;20181231(第8期);正文第1548-1551页 *

Also Published As

Publication number Publication date
CN111289005A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN111289005B (zh) 一种基于a星优化算法的寻路方法
CN111504325B (zh) 一种基于扩大搜索邻域的加权a*算法的全局路径规划方法
CN106125764B (zh) 基于a*搜索的无人机路径动态规划方法
CN110006430B (zh) 一种航迹规划算法的优化方法
CN102435200B (zh) 一种路径快速规划方法
CN101694749A (zh) 一种路径推测方法及装置
CN111811514A (zh) 一种基于正六边形栅格跳点搜索算法的路径规划方法
CN106525047A (zh) 一种基于floyd算法的无人机路径规划方法
CN109839110A (zh) 一种基于快速随机搜索树的多目标点路径规划方法
CN111982142B (zh) 一种基于改进a星算法的智能车全局路径规划方法
CN112325892A (zh) 一种基于改进a*算法的类三维路径规划方法
CN109240290A (zh) 一种电力巡检机器人返航路径确定方法
CN114440916B (zh) 一种导航方法、装置、设备及存储介质
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
CN112212878A (zh) 一种导航路径计算方法、装置及手机、车辆
CN107544502A (zh) 一种已知环境下的移动机器人规划方法
CN115164907A (zh) 基于动态权重的a*算法的森林作业机器人路径规划方法
CN115903818A (zh) 一种变电站巡检机器人路径规划方法
CN109798899B (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
CN114379569A (zh) 一种生成驾驶参考线的方法及装置
CN114428499A (zh) 一种融合Astar与DWA算法的移动小车路径规划方法
CN116414139B (zh) 基于A-Star算法的移动机器人复杂路径规划方法
CN113219990A (zh) 基于自适应邻域与转向代价的机器人路径规划方法
CN114674336A (zh) 基于线段的路径规划方法
CN115950444A (zh) 一种基于a星优化算法的智慧轮椅寻路方法

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