CN111504321A - 一种基于扩展维诺图特征的可复用搜索树方法 - Google Patents
一种基于扩展维诺图特征的可复用搜索树方法 Download PDFInfo
- Publication number
- CN111504321A CN111504321A CN202010277152.1A CN202010277152A CN111504321A CN 111504321 A CN111504321 A CN 111504321A CN 202010277152 A CN202010277152 A CN 202010277152A CN 111504321 A CN111504321 A CN 111504321A
- Authority
- CN
- China
- Prior art keywords
- feature
- map
- node
- voronoi diagram
- search tree
- 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.)
- Granted
Links
- 238000010586 diagram Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000007670 refining Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 9
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
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
- G01C21/20—Instruments for performing navigational calculations
-
- 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
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)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于扩展维诺图特征的可复用搜索树方法,包括以下步骤:S1:提取环境地图的扩展维诺图;S2:使用尺度滤波器对扩展维诺图进行特征初步提取,获得初始特征GPF;S3:使用环境结构滤波器对初始特征GPF进行进一步提取,获得最终特征GAF;S4:使用欧氏距离细化特征地图MF,完成扩展维诺图的特征提取;S5:根据起点、终点及细化后的特征地图MF形成扩展维诺图的特征搜索树,输出路径;其优点在于,在路径规划的搜索过程中,仅需遍历GVD特征节点,而不是遍历所有的地图栅格点,大大降低了遍历的复杂度,保证了路径规划的实时性。
Description
技术领域
本发明属于移动机器人路径规划领域,尤其是涉及一种基于扩展维诺图特征的可复用搜索树方法。
背景技术
移动型机器人路径规划是指在无人干预的条件下,机器人根据环境地图、起点和终点等信息,形成一条连接起点位置和终点位置的序列点的过程。当前,主要的路径规划算法可以大致分为四种:基于栅格的路径规划算法、基于人工势场的路径规划算法、基于奖赏的路径规划算法和基于随机采样的运动规划算法。在这四类算法中,基于随机采样的路径计划算法避免了对状态空间的建模,极大地减少了规划时间和内存成本,保障了路径规划的实时性。在这类算法中,如快速搜索随机树(Rapidly-exploring Random Trees,RRT),概率路线图(Probabilistic Roadmap,PRM)及其扩展算法,已在移动机器人路径规划领域得到广泛应用。
基于随机采样的路径规划算法可大致分为初始化、随机采样、寻找生长点、碰撞检测、重新布线等五个部分。在初始化的过程中,首先将起点放入随机树中,形成树的根节点。接下来,在环境地图中随机采样,获取一个候选节点,然后在候选节点的邻近区域,选取距离候选节点成本最低的节点作为生长点,继而对生长点和候选节点之间的连线进行碰撞检测,如果没有碰撞,即将候选节点加入到树中,负责则重新进行采样。当有候选节点加入到树上时,根据新加入节点对新节点邻近区域进行重新布线。重复以上过程直到树生长到终点为止。
基于随机采样的路径规划算法未对环境建模,候选节点是独立于环境地图随机获得的。当环境的地图比较复杂时,如迷宫、S弯道、狭缝等,可行区域在整个地图中的占比大大减少,随机采样到可行区域的概率随之下降,导致路径的规划时间变长甚至规划失败。
因此,研究快速找出可行区域的候选节点是优化基于采样的路径规划算法的关键,对于提高移动机器人的智能化有着重要意义。
发明内容
为了解决上述技术问题,本发明提供一种基于扩展维诺图特征的可复用搜索树方法。
本发明的技术方案是:一种基于扩展维诺图特征的可复用搜索树方法,包括以下步骤:
S1:提取环境地图的扩展维诺图;
S2:使用尺度滤波器对扩展维诺图进行特征初步提取,获得初始特征GPF;
S3:使用环境结构滤波器对初始特征GPF进行进一步提取,获得最终特征GAF;
S4:使用欧氏距离细化特征地图MF,完成扩展维诺图的特征提取;
S5:根据起点、终点及细化后的特征地图MF形成扩展维诺图的特征搜索树,输出路径。
作为优选的技术方案,步骤S1中所述环境地图为二维栅格地图;所述扩展维诺图由一组节点G组成,该组节点定义为到最近障碍物的距离相同的点,每个节点都有一个对应半径,即为节点到最近障碍物的距离Gi=(xi,yi,ri),其中,x、y表示节点的位置,r表示节点对应到最近障碍物的距离。
作为优选的技术方案,步骤S2中使用尺度滤波器对扩展维诺图进行特征初步提取的方法如下:
S21:初始化特征地图MF为一个同等地图大小的二维零矩阵,初始化初始特征GPF为空集;
S22:判断扩展维诺图的节点集合G是否为空,如果为空,则将初始特征GPF和特征地图MF带入步骤S3;如果不为空,则进行步骤S23;
S23:从节点集合G中选取半径最大的节点Gm=(xm,ym,rm),将Gm加入到初始特征GPF中;选取以(xm,ym)为圆心、以rm为半径的对应区域Rm,在特征地图MF中,更新Rm区域对应值为(xm,ym);
S24:从节点集合G中移除Rm区域中的所有扩展维诺图节点Gin;选取Gin对应区域Rin,在特征地图MF中,更新Rin区域对应值为(xm,ym);
S25:返回步骤S22。
作为优选的技术方案,步骤S3中使用环境结构滤波器对初步特征进行进一步提取的方法如下:
S31:初始化最终特征GAF为初始特征GPF;
S32:判断初始特征GPF是否为空,如果为空,则将最终特征GAF和特征地图MF带入步骤S4;如果不为空,则进行步骤S33;
S33:从初始特征GPF中选取半径最大的节点Gn=(xn,yn,rn),提取Gn的相邻特征节点集合GNX;
S34:判断相邻特征节点集合GNX是否为空,如果为空,则进行步骤S38;如果不为空,则进行步骤S35;
S35:取GNX的第一个节点Gnx,提取特征地图MF中值为(xnx,ynx)的点Mi;对Mi和Gn之间的连线在地图上做碰撞检测,如果所有的Mi都能通过碰撞检测,则进行步骤S36;否则从GNX中移除Gnx,并返回步骤S34;
S36:从初始特征GPF中提取Gnx的相邻特征节点Gnxy;对Gnxy和Gn之间的连线在地图上做碰撞检测,如果所有的Gnxy都能通过碰撞检测,则进行步骤S37;否则返回步骤S34;
S37:从最终特征GAF中移除Gnx;在特征地图MF中提取所有值为(xnx,ynx)的点,更新其值为MF(xn,yn);
S38:从初始特征GPF中移除Gn;返回步骤S32。
作为优选的技术方案,步骤S4中使用欧氏距离细化特征地图MF的方法如下:
S41:选取地图中可行区域的点的集合PF;
S42:判断PF是否为空,如果是,则进行步骤S5;否则进行步骤S43;
S43:选取集合PF中的一点P,读取其特征地图MF中对应的特征节点坐标MF(P);
S44:计算P点到MF(P)的欧氏距离为d,以P点为圆心,以d为半径作圆,获得区域A,提取A内的距离P点最近的特征节点Ain;
S45:如果Ain为空,则将P点从PF中移除,并进行步骤S42;否则进行步骤46;
S46:对Ain和P之间的连线在地图上做碰撞检测,如果碰撞检测通过,则用Ain的坐标位置替换MF(P);
S47:将P点从PF中移除,返回步骤S42。
作为优选的技术方案,步骤S5中扩展维诺图GVD特征搜索树生长过程包括以下步骤:
S51:在特征地图MF中找到起点位置对应的特征节点,并将其加入到特征搜索树T中,完成特征搜索树T的初始化;初始化开放节点集合为Topen=T;
S52:判断开放节点的个数是否大于零,如果是,则进行步骤S53;如果否,则进行步骤S59;
S53:提取第一个开放节点topen,将topen从开放节点集合Topen中移除;
S54:从特征地图MF中提取topen的兴趣区域AOI;
S55:在兴趣区域AOI中提取topen的所有相邻特征节点Xnew;
S56:判断相邻特征节点集合Xnew是否为空,如果为空,则进行步骤S52;如果不为空,则进行步骤S57;
S57:取Xnew的第一个节点xnew,在特征搜索树T上寻找xnew的最近邻点xparent,判断xparent是否存在,如果不存在,则将xnew从Xnew中移除,并返回步骤S56;如果存在,则进行S58;
S58:将xnew加入到特征搜索树T和开放节点集合Topen中,将xnew从Xnew中移除,返回步骤S56;
S59:在特征地图MF中找到终点位置对应的特征节点,通过反向搜索特征树T,找到从起点到终点的路径。
作为优选的技术方案,步骤S54中从特征地图MF中提取topen的兴趣区域AOI的具体方法如下:
在特征地图MF中,搜索所有值为topen的点,记录所有点中坐标的极限值:xmin,xmax,ymin,ymax,选取坐标极限值对应的方形区域为兴趣区域AOI。
本发明的优点是:
1.本发明通过提取扩展维诺图特征对地图进行了更为简洁的表达,表达后的特征地图保留了环境的结构信息,去除了冗余信息,在路径规划的搜索过程中,仅需遍历GVD特征节点,而不是遍历所有的地图栅格点,大大降低了遍历的复杂度,保证了路径规划的实时性;
2.本发明提出的搜索树在生长的过程中,从根节点(起点)开始依次向外扩张生长,将兴趣区域的相邻节点作为候选节点,保障了所有可行区域的节点都能够被加入到树中;相对于现有方法中的随机产生候选节点而言,本发明确保了复杂环境中路径规划的效率和成功率;
3.此外,GVD特征提取和特征地图的创建过程可以离线进行,提取和创建完成后,在不同起/终点的路径规划中可以重复利用。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1为本发明实施例一的方法流程图;
图2为扩展维诺图(GVD)示意图;
图3为使用尺度滤波器提取的初始特征示意图;
图4为使用环境结构滤波器提取的最终特征示意图;
图5为优化后的特征地图和最终特征示意图;
图6为基于兴趣区域的GVD特征搜索过程示意图;
图7为GVD特征搜索树及生成路径示意图。
具体实施方式
实施例一:如图1所示,一种基于扩展维诺图特征的可复用搜索树方法,包括以下步骤:
步骤S1:提取环境地图的扩展维诺图,其中所述环境地图为二维栅格地图;所述扩展维诺图由一组节点G组成,该组节点定义为到最近障碍物的距离相同的点,每个节点都有一个对应半径,即为节点到最近障碍物的距离Gi=(xi,yi,ri),其中,x、y表示节点的位置,r表示节点对应到最近障碍物的距离;参照图2所示,该图为环境地图中提取出来的扩展维诺图(Generalized Voronoi Diagram,简称GVD),其中,黑色区域表示地图中障碍物区域,蓝色表示扩展维诺图上的节点;以节点为圆心,节点到障碍物的距离为半径做红色圆圈,红色表示GVD节点圆圈;由于GVD节点个数极多,红色圆圈重叠,将整个可行区域覆盖了;该扩展维诺图直接由现有成熟算法获取。
步骤S2:使用尺度滤波器对扩展维诺图进行特征初步提取,获得初始特征GPF;具体方法如下:
S21:初始化特征地图MF为一个同等地图大小的二维零矩阵,初始化初始特征GPF为空集;
S22:判断扩展维诺图的节点集合G是否为空,如果为空,则将初始特征GPF和特征地图MF带入步骤S3;如果不为空,则进行步骤S23;
S23:从节点集合G中选取半径最大的节点Gm=(xm,ym,rm),将Gm加入到初始特征GPF中;选取以(xm,ym)为圆心、以rm为半径的对应区域Rm,在特征地图MF中,更新Rm区域对应值为(xm,ym);
S24:从节点集合G中移除Rm区域中的所有扩展维诺图节点Gin;选取Gin对应区域Rin,在特征地图MF中,更新Rin区域对应值为(xm,ym);
S25:返回步骤S22。
如图3所示,其中图3(a)中蓝色点表示提取后的初始特征节点,红色圆形表示特征点对应的特征半径;其中图3(b)中彩色区域表示初步特征地图;通过尺度滤波器,特征节点个数明显减少。特征点之间通过以特征地图相连接;特征地图是一个和地图同尺寸的二维矩阵,存储着每一个地图上的栅格点对应的特征点的x、y坐标;栅格点和其对应的特征点之间是没有障碍物的。
步骤S3:使用环境结构滤波器对初始特征GPF进行进一步提取,获得最终特征GAF;具体方法如下:
S31:初始化最终特征GAF为初始特征GPF;
S32:判断初始特征GPF是否为空,如果为空,则将最终特征GAF和特征地图MF带入步骤S4;如果不为空,则进行步骤S33;
S33:从初始特征GPF中选取半径最大的节点Gn=(xn,yn,rn),提取Gn的相邻特征节点集合GNX;
S34:判断相邻特征节点集合GNX是否为空,如果为空,则进行步骤S38;如果不为空,则进行步骤S35;
S35:取GNX的第一个节点Gnx,提取特征地图MF中值为(xnx,ynx)的点Mi;对Mi和Gn之间的连线在地图上做碰撞检测,如果所有的Mi都能通过碰撞检测,则进行步骤S36;否则从GNX中移除Gnx,并返回步骤S34;
S36:从初始特征GPF中提取Gnx的相邻特征节点Gnxy;对Gnxy和Gn之间的连线在地图上做碰撞检测,如果所有的Gnxy都能通过碰撞检测,则进行步骤S37;否则返回步骤S34;
S37:从最终特征GAF中移除Gnx;在特征地图MF中提取所有值为(xnx,ynx)的点,更新其值为MF(xn,yn);
S38:从初始特征GPF中移除Gn;返回步骤S32。
如图4所示,其中图4(a)中蓝色节点为使用结构滤波器获得的最终特征;其中图4(b)图中彩色区域为其对应的特征地图;结构滤波器核心思想是,判断去掉某一个初始特征节点是否影响剩余初始特征节点之间的连接关系,如果不影响,则将这个特征节点去掉,将其特征地图上对应的特征点改为其相邻点;通过冗余点的去除,结构滤波器能够更为精炼地表示环境结构,如图4(b)中的狭长走廊,仅用一个特征节点即可表示。
步骤S4:使用欧氏距离细化特征地图MF,完成扩展维诺图的特征提取;具体方法如下:
S41:选取地图中可行区域的点的集合PF;
S42:判断PF是否为空,如果是,则进行步骤S5;否则进行步骤S43;
S43:选取集合PF中的一点P,读取其特征地图MF中对应的特征节点坐标MF(P);
S44:计算P点到MF(P)的欧氏距离为d,以P点为圆心,以d为半径作圆,获得区域A,提取A内的距离P点最近的特征节点Ain;
S45:如果Ain为空,则将P点从PF中移除,并进行步骤S42;否则进行步骤46;
S46:对Ain和P之间的连线在地图上做碰撞检测,如果碰撞检测通过,则用Ain的坐标位置替换MF(P);
S47:将P点从PF中移除,返回步骤S42。
如图5所示,该图为优化后的特征地图和最终特征示意图;不同特征点对应的特征地图用不同的颜色表示;特征地图上同一颜色的点都可以用该区域内的特征点表示。
步骤S5:根据起点、终点及细化后的特征地图MF形成扩展维诺图的特征搜索树,输出路径;
其中扩展维诺图GVD特征搜索树生长过程包括以下步骤:
S51:在特征地图MF中找到起点位置对应的特征节点,并将其加入到特征搜索树T中,完成特征搜索树T的初始化;初始化开放节点集合为Topen=T;
S52:判断开放节点的个数是否大于零,如果是,则进行步骤S53;如果否,则进行步骤S59;
S53:提取第一个开放节点topen,将topen从开放节点集合Topen中移除;
S54:从特征地图MF中提取topen的兴趣区域AOI,具体方法如下:在特征地图MF中,搜索所有值为topen的点,记录所有点中坐标的极限值:xmin,xmax,ymin,ymax,选取坐标极限值对应的方形区域为兴趣区域AOI;
S55:在兴趣区域AOI中提取topen的所有相邻特征节点Xnew;
S56:判断相邻特征节点集合Xnew是否为空,如果为空,则进行步骤S52;如果不为空,则进行步骤S57;
S57:取Xnew的第一个节点xnew,在特征搜索树T上寻找xnew的最近邻点xparent,判断xparent是否存在,如果不存在,则将xnew从Xnew中移除,并返回步骤S56;如果存在,则进行S58;
S58:将xnew加入到特征搜索树T和开放节点集合Topen中,将xnew从Xnew中移除,返回步骤S56;
S59:在特征地图MF中找到终点位置对应的特征节点,通过反向搜索特征树T,找到从起点到终点的路径。
如图6(a-j)所示,为一个基于兴趣区域的邻近特征点搜索过程示意图,该图中黑色节点表示当前开放节点,红色区域表示特征地图上所有对应此开放节点的区域,白色区域为特征地图上对应其他特征节点的区域。通过白色区域反推其对应的节点,在图6中用绿色三角形表示,这些节点即为候选节点。通过碰撞检测,不断地把这些节点加入到特征搜索树上,完成特征搜索树的创建,得到如图7中绿色虚线所示的搜索树,进而得到图7中红线所示的可行路径。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (7)
1.一种基于扩展维诺图特征的可复用搜索树方法,其特征在于,包括以下步骤:
S1:提取环境地图的扩展维诺图;
S2:使用尺度滤波器对扩展维诺图进行特征初步提取,获得初始特征GPF;
S3:使用环境结构滤波器对初始特征GPF进行进一步提取,获得最终特征GAF;
S4:使用欧氏距离细化特征地图MF,完成扩展维诺图的特征提取;
S5:根据起点、终点及细化后的特征地图MF形成扩展维诺图的特征搜索树,输出路径。
2.根据权利要求1所述的基于扩展维诺图特征的可复用搜索树方法,其特征在于,步骤S1中所述环境地图为二维栅格地图;所述扩展维诺图由一组节点G组成,该组节点定义为到最近障碍物的距离相同的点,每个节点都有一个对应半径,即为节点到最近障碍物的距离Gi=(xi,yi,ri),其中,x、y表示节点的位置,r表示节点对应到最近障碍物的距离。
3.根据权利要求1所述的基于扩展维诺图特征的可复用搜索树方法,其特征在于,步骤S2中使用尺度滤波器对扩展维诺图进行特征初步提取的方法如下:
S21:初始化特征地图MF为一个同等地图大小的二维零矩阵,初始化初始特征GPF为空集;
S22:判断扩展维诺图的节点集合G是否为空,如果为空,则将初始特征GPF和特征地图MF带入步骤S3;如果不为空,则进行步骤S23;
S23:从节点集合G中选取半径最大的节点Gm=(xm,ym,rm),将Gm加入到初始特征GPF中;选取以(xm,ym)为圆心、以rm为半径的对应区域Rm,在特征地图MF中,更新Rm区域对应值为(xm,ym);
S24:从节点集合G中移除Rm区域中的所有扩展维诺图节点Gin;选取Gin对应区域Rin,在特征地图MF中,更新Rin区域对应值为(xm,ym);
S25:返回步骤S22。
4.根据权利要求1所述的基于扩展维诺图特征的可复用搜索树方法,其特征在于,步骤S3中使用环境结构滤波器对初步特征进行进一步提取的方法如下:
S31:初始化最终特征GAF为初始特征GPF;
S32:判断初始特征GPF是否为空,如果为空,则将最终特征GAF和特征地图MF带入步骤S4;如果不为空,则进行步骤S33;
S33:从初始特征GPF中选取半径最大的节点Gn=(xn,yn,rn),提取Gn的相邻特征节点集合GNX;
S34:判断相邻特征节点集合GNX是否为空,如果为空,则进行步骤S38;如果不为空,则进行步骤S35;
S35:取GNX的第一个节点Gnx,提取特征地图MF中值为(xnx,ynx)的点Mi;对Mi和Gn之间的连线在地图上做碰撞检测,如果所有的Mi都能通过碰撞检测,则进行步骤S36;否则从GNX中移除Gnx,并返回步骤S34;
S36:从初始特征GPF中提取Gnx的相邻特征节点Gnxy;对Gnxy和Gn之间的连线在地图上做碰撞检测,如果所有的Gnxy都能通过碰撞检测,则进行步骤S37;否则返回步骤S34;
S37:从最终特征GAF中移除Gnx;在特征地图MF中提取所有值为(xnx,ynx)的点,更新其值为MF(xn,yn);
S38:从初始特征GPF中移除Gn;返回步骤S32。
5.根据权利要求1所述的基于扩展维诺图特征的可复用搜索树方法,其特征在于,步骤S4中使用欧氏距离细化特征地图MF的方法如下:
S41:选取地图中可行区域的点的集合PF;
S42:判断PF是否为空,如果是,则进行步骤S5;否则进行步骤S43;
S43:选取集合PF中的一点P,读取其特征地图MF中对应的特征节点坐标MF(P);
S44:计算P点到MF(P)的欧氏距离为d,以P点为圆心,以d为半径作圆,获得区域A,提取A内的距离P点最近的特征节点Ain;
S45:如果Ain为空,则将P点从PF中移除,并进行步骤S42;否则进行步骤46;
S46:对Ain和P之间的连线在地图上做碰撞检测,如果碰撞检测通过,则用Ain的坐标位置替换MF(P);
S47:将P点从PF中移除,返回步骤S42。
6.根据权利要求1所述的基于扩展维诺图特征的可复用搜索树方法,其特征在于,步骤S5中扩展维诺图GVD特征搜索树生长过程包括以下步骤:
S51:在特征地图MF中找到起点位置对应的特征节点,并将其加入到特征搜索树T中,完成特征搜索树T的初始化;初始化开放节点集合为Topen=T;
S52:判断开放节点的个数是否大于零,如果是,则进行步骤S53;如果否,则进行步骤S59;
S53:提取第一个开放节点topen,将topen从开放节点集合Topen中移除;
S54:从特征地图MF中提取topen的兴趣区域AOI;
S55:在兴趣区域AOI中提取topen的所有相邻特征节点Xnew;
S56:判断相邻特征节点集合Xnew是否为空,如果为空,则进行步骤S52;如果不为空,则进行步骤S57;
S57:取Xnew的第一个节点xnew,在特征搜索树T上寻找xnew的最近邻点xparent,判断xparent是否存在,如果不存在,则将xnew从Xnew中移除,并返回步骤S56;如果存在,则进行S58;
S58:将xnew加入到特征搜索树T和开放节点集合Topen中,将xnew从Xnew中移除,返回步骤S56;
S59:在特征地图MF中找到终点位置对应的特征节点,通过反向搜索特征树T,找到从起点到终点的路径。
7.根据权利要求6所述的基于扩展维诺图特征的可复用搜索树方法,其特征在于,步骤S54中从特征地图MF中提取topen的兴趣区域AOI的具体方法如下:
在特征地图MF中,搜索所有值为topen的点,记录所有点中坐标的极限值:xmin,xmax,ymin,ymax,选取坐标极限值对应的方形区域为兴趣区域AOI。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010277152.1A CN111504321B (zh) | 2020-04-10 | 2020-04-10 | 一种基于扩展维诺图特征的可复用搜索树方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010277152.1A CN111504321B (zh) | 2020-04-10 | 2020-04-10 | 一种基于扩展维诺图特征的可复用搜索树方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111504321A true CN111504321A (zh) | 2020-08-07 |
CN111504321B CN111504321B (zh) | 2022-03-18 |
Family
ID=71869329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010277152.1A Active CN111504321B (zh) | 2020-04-10 | 2020-04-10 | 一种基于扩展维诺图特征的可复用搜索树方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111504321B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112783169A (zh) * | 2020-12-31 | 2021-05-11 | 科大讯飞(苏州)科技有限公司 | 一种路径规划方法、设备及计算机可读存储介质 |
CN115469662A (zh) * | 2022-09-13 | 2022-12-13 | 苏州大学 | 一种环境探索方法、装置及应用 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359473A (zh) * | 2014-10-24 | 2015-02-18 | 南京航空航天大学 | 一种动态环境下无人机编队飞行的协同航迹智能规划方法 |
CN105955254A (zh) * | 2016-04-25 | 2016-09-21 | 广西大学 | 一种适用于机器人路径搜索的改进的a*算法 |
CN106682787A (zh) * | 2017-01-09 | 2017-05-17 | 北京航空航天大学 | 一种基于wavefront算法的快速生成广义维诺图的方法 |
CN108873876A (zh) * | 2017-05-09 | 2018-11-23 | 恒大法拉第未来智能汽车(广东)有限公司 | 无人车行车轨迹规划方法及装置 |
US10412544B1 (en) * | 2019-02-04 | 2019-09-10 | The Florida International University Board Of Trustees | Voronoi diagram-based algorithm for efficient progressive continuous range query for moving objects |
CN110285802A (zh) * | 2019-06-11 | 2019-09-27 | 安徽理工大学 | 快速扩展随机树路径光滑方法 |
CN110853150A (zh) * | 2019-11-18 | 2020-02-28 | 山东师范大学 | 适用于虚拟漫游系统的实际与虚拟空间的映射方法及系统 |
-
2020
- 2020-04-10 CN CN202010277152.1A patent/CN111504321B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104359473A (zh) * | 2014-10-24 | 2015-02-18 | 南京航空航天大学 | 一种动态环境下无人机编队飞行的协同航迹智能规划方法 |
CN105955254A (zh) * | 2016-04-25 | 2016-09-21 | 广西大学 | 一种适用于机器人路径搜索的改进的a*算法 |
CN106682787A (zh) * | 2017-01-09 | 2017-05-17 | 北京航空航天大学 | 一种基于wavefront算法的快速生成广义维诺图的方法 |
CN108873876A (zh) * | 2017-05-09 | 2018-11-23 | 恒大法拉第未来智能汽车(广东)有限公司 | 无人车行车轨迹规划方法及装置 |
US10412544B1 (en) * | 2019-02-04 | 2019-09-10 | The Florida International University Board Of Trustees | Voronoi diagram-based algorithm for efficient progressive continuous range query for moving objects |
CN110285802A (zh) * | 2019-06-11 | 2019-09-27 | 安徽理工大学 | 快速扩展随机树路径光滑方法 |
CN110853150A (zh) * | 2019-11-18 | 2020-02-28 | 山东师范大学 | 适用于虚拟漫游系统的实际与虚拟空间的映射方法及系统 |
Non-Patent Citations (2)
Title |
---|
JIANKUN WANG等: "Optimal Path Planning Using Generalized Voronoi Graph and Multiple Potential Functions", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
徐政超: "基于voronoi图算法的航路规划方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112783169A (zh) * | 2020-12-31 | 2021-05-11 | 科大讯飞(苏州)科技有限公司 | 一种路径规划方法、设备及计算机可读存储介质 |
CN115469662A (zh) * | 2022-09-13 | 2022-12-13 | 苏州大学 | 一种环境探索方法、装置及应用 |
Also Published As
Publication number | Publication date |
---|---|
CN111504321B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11182612B2 (en) | Systems and methods for place recognition based on 3D point cloud | |
Bassier et al. | Classification of sensor independent point cloud data of building objects using random forests | |
CN111504321B (zh) | 一种基于扩展维诺图特征的可复用搜索树方法 | |
Thorpe et al. | Vision and navigation for the Carnegie Mellon Navlab | |
Wang et al. | Efficient object search with belief road map using mobile robot | |
WO2023016101A1 (zh) | 一种基于启发式偏置采样的室内环境机器人探索方法 | |
CN112802204B (zh) | 未知环境下三维空间场景先验的目标语义导航方法及系统 | |
CN113110482B (zh) | 基于先验信息启发式的室内环境机器人探索方法及系统 | |
CN110909961B (zh) | 基于bim的室内路径查询方法及装置 | |
CN111080786B (zh) | 基于bim的室内地图模型构建方法及装置 | |
CN113704381B (zh) | 路网数据处理方法、装置、计算机设备和存储介质 | |
CN113612528B (zh) | 一种无人机集群数字孪生仿真系统网络连通性修复方法 | |
CN107103603A (zh) | 一种倾斜测量场景的地物提取方法 | |
Xu et al. | An efficient algorithm for environmental coverage with multiple robots | |
CN106204719A (zh) | 基于二维邻域检索的三维场景中海量模型实时调度方法 | |
CN113032404B (zh) | 一种面向地表覆盖数据的图斑变化轨迹提取方法与系统 | |
CN112428271B (zh) | 基于多模态信息特征树的机器人实时运动规划方法 | |
CN113485373A (zh) | 一种基于高斯混合模型的机器人实时运动规划方法 | |
Reza et al. | Reinforcement learning for semantic segmentation in indoor scenes | |
CN115759199A (zh) | 基于层次化图神经网络的多机器人环境探索方法及系统 | |
CN115129064A (zh) | 基于改进萤火虫算法与动态窗口法融合的路径规划方法 | |
CN110143293B (zh) | 一种可变构微纳卫星形态拓扑重建和变构方法 | |
CN113837049A (zh) | 基于卷积神经网络和遗传算法的智能路面清洁方法 | |
CN113011516A (zh) | 基于图拓扑的三维网格模型分类方法、装置和存储介质 | |
Tapus et al. | Towards a multilevel cognitive probabilistic representation of space |
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 |