CN111504325B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111504325B
CN111504325B CN202010352685.1A CN202010352685A CN111504325B CN 111504325 B CN111504325 B CN 111504325B CN 202010352685 A CN202010352685 A CN 202010352685A CN 111504325 B CN111504325 B CN 111504325B
Authority
CN
China
Prior art keywords
node
algorithm
path
neighborhood
current node
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
CN202010352685.1A
Other languages
English (en)
Other versions
CN111504325A (zh
Inventor
刘海涛
常晨
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.)
Nanjing University
Original Assignee
Nanjing University
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 Nanjing University filed Critical Nanjing University
Priority to CN202010352685.1A priority Critical patent/CN111504325B/zh
Publication of CN111504325A publication Critical patent/CN111504325A/zh
Application granted granted Critical
Publication of CN111504325B publication Critical patent/CN111504325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Abstract

本发明公开了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，包括步骤：步骤S1，根据传感器采取的点云信息进行环境建模，采用栅格法建立二维环境模型；步骤S2，优化扩大搜索邻域的加权A*算法的路径规划的估算函数f(n)中的目标代价估计函数h(n)，加入距离信息和角度信息，并进行加权衡量；步骤S3，对A*算法的当前节点的可搜索邻域进行扩展；步骤S4，根据步骤S3所得到可搜索邻域按照步骤S2所定义的计算A*算法的估算函数代价值，依次选取全局评估代价值最小的节点作为下个节点，直到目标点为止，这条路径即为最短路径。本发明通过设计新的启发函数和扩大搜索邻域的操作，使优化后的A*算法相对原有算法，路径长度更优，平滑性更好，寻路时间更短，且能够适用于障碍物较多的情况。

Description

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
技术领域
本发明涉及于路径规划技术领域，特别是基于改进A*算法的全局路径规划方法。
背景技术
全局路径规划是移动机器人导航研究的重要内容之一，指的是基于先验完全信息的环境建模后从起点到终点为机器人规划一条有效路径，并保证机器人与地图中的障碍物不发生碰撞。
栅格法将机器人运行环境特征信息转换为具有二值信息的单元网格存储，因其简便、易处理的特点在环境建模中具有显著优势。
A*算法是一种具有启发式特征的搜索算法，因其简单高效、可操作性强和准确性高的特点而被广泛应用于解决静态全局路径规划问题。但A*算法受节点搜索策略影响，运动角度限制为45°的整数倍，存在规划路径不是理论上的最优路径、路径拐点过多，且当环境信息过于复杂时算法搜索效率降低的缺陷。
发明内容
本发明鉴于现有技术的上述不足，其目的是提供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，以减短规划路径长度、减少路径拐点、缩短路径规划时间。
本发明的目的是这样实现的，包括步骤：
步骤S1，根据传感器采取的点云信息进行环境建模，采用栅格法建立二维环境模型，地图信息包括：起始点、地图长宽、以0和1代表是否为障碍物的矩阵。
步骤S2，优化扩大搜索邻域的加权A*算法的路径规划的估算函数f(n)中的目标代价估计函数h(n)，加入距离信息和角度信息，并进行加权衡量；
f(n)＝g(n)+h(n)
X1＝|n.x-goal.x|
X2＝|start.x-goal.x|
Y1＝|n.y-goal.y|
Y2＝|start.y-goal.y|
其中：f(n)为经过当前节点n的全局评估代价值；g(n)为起始节点到当前节点n的真实代价值；h(n)为当前节点n到目标节点的代价估计；n为当前计算节点；start为起始节点；goal为目标节点；x、y为定义的节点坐标；a、b、w是权值，cross为start节点到goal节点和n节点到goal节点的向量叉积。
目标代价估计函数中距离信息的权值a、b是能够指引路径向终点方向行进且路径长度和搜索时间最好的选择，w则由地图大小决定目需要平衡距离信息和角度信息，因此a＝8.b＝10，
步骤S3，对A*算法的当前节点的可搜索邻域进行扩展，将当前节点n的下一个可到达节点的区域定义为[n.x±2，n.y±2]，其中n.x为当前节点在栅格地图中的横坐标，n.y为当前节点格地图中的纵坐标。
能够加入当前节点的有效的邻居节点必须符合以下要求：邻居节点和当前节点横纵坐标相差绝对值不超过k；邻居节点不是障碍物且在地图中有效；邻居节点和当前节点的连线不经过内层节点；邻居节点和当前节点为对角线所经过的栅格中不存在障碍物。
步骤S4，根据步骤S3所得到可搜索邻域按照步骤S2所定义的计算A*算法的估算函数代价值，依次选取全局评估代价值最小的节点作为下个节点，直到目标点为止，这条路径即为最短路径。
其中，步骤S4具体包含以下步骤：
步骤S401，创建open列表和close列表，open列表记录所有待检查节点，并用最小二叉树的结构来存储，close列表记录所有已访问过无需考察的节点；
步骤S402，将起点和其邻居节点加入open列表，将起点加入close列表。
步骤S403，按照权利要求1和3所述的计算或更新open列表中节点的代价值f(n)、g(n)、h(n)。然后取其中f(n)值最小的节点作为下一个计算节点，将其从open列表移至close列表，并存储其父节点。
步骤S404，重复步骤S402直到搜索到终点，最后从终点追溯其父节点获取规划路径。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明方法的流程图；
图2本发明展示了距离信息的加权对路径规划下一节点方向的引导作用示意图；
图3是本发明基于加权了距离和角度信息的启发函数和传统A*算法对比的效果仿真图，(a)为传统算法的启发函数得到的路径规划结果，(b)为优化后的启发函数得到的路径规划结果；
图4是本发明采用的扩大搜索邻域之后当前节点的待判断邻居节点示意图；
图5是本发明采取的传统A*算法(a)和基于扩大搜索邻域的加权A*算法(b)的全局路径规划方法的仿真路径图。
具体实施方式
为使本发明的目的、技术方案和相关优点更加清楚明了，本发明之较佳实例在附图中示出，并结合附图对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，需要理解的是，涉及到方位的描述，例如，上、下、左、右均为基于附图所示的方位和位置关系，因此不能理解为对本发明的限制。
参照图1，本发明的实例，基于扩大搜索邻域的加权A*算法的全局路径规划方法，包括以下步骤：
步骤S1，根据传感器采取的点云信息进行环境建模，采用栅格法建立二维环境模型，地图信息包括：起始点、地图长宽、以0和1代表是否为障碍物的矩阵。
步骤S2，优化扩大搜索邻域的加权A*算法的路径规划的估算函数f(n)中的目标代价估计函数h(n)，加入距离信息和角度信息，并进行加权衡量；
f(n)＝g(n)+h(n)
X1＝|n.x-goal.x|
X2＝|start.x-goal.x|
Y1＝|n.y-goal.y|
Y2＝|start.y-goal.y|
其中：f(n)为经过当前节点n的全局评估代价值；g(n)为起始节点到当前节点n的真实代价值；h(n)为当前节点n到目标节点的代价估计；n为当前计算节点；start为起始节点；goa|为目标节点；x、y为定义的节点坐标；a、b、w是权值，cross为start节点到goal节点和n节点到goal节点的向量叉积。
图2展示了a和b的大小关系对寻找下一节点方向指引的作用，如图所示以X＝Y作为分割线，在X1＜Y1的部分，我们希望估计距离成本较低的节点如箭头所示，在节点下面的方向。因此，X1的权值应大于Y1，即b＜a。在X1＞Y1的部分，我们有类似的推论。
目标代价估计函数中距离信息的权值a、b是能够指引路径向终点方向行进且路径长度和搜索时间最好的选择，w则由地图大小决定且需要平衡距离信息和角度信息，因此a＝8，b＝10，图3展示了加权了距离和角度信息的启发函数和传统A*算法路径规划和搜索区域对比的效果仿真图，可以发现优化后的启发函数更明确的终点，且搜索区域比传统启发函数小。
步骤S3，对A*算法的当前节点的可搜索邻域进行扩展，将当前节点n的下一个可到达节点的区域定义为[n.x±2，n.y±2]，其中n.x为当前节点在栅格地图中的横坐标，n.y为当前节点格地图中的纵坐标。图4展示了扩大可搜索邻域后的待判断邻居节点。
能够加入当前节点的有效的邻居节点必须符合以下要求：邻居节点和当前节点横纵坐标相差绝对值不超过k；邻居节点不是障碍物且在地图中有效；邻居节点和当前节点的连线不经过内层节点；邻居节点和当前节点为对角线所经过的栅格中不存在障碍物。
步骤S4，根据步骤S3所得到可搜索邻域按照步骤S2所定义的计算A*算法的估算函数代价值，依次选取全局评估代价值最小的节点作为下个节点，直到目标点为止，这条路径即为最短路径。
其中，步骤S4具体包含以下步骤：
步骤S401，创建open列表和close列表，open列表记录所有待检查节点，并用最小二叉树的结构来存储，close列表记录所有已访问过无需考察的节点；
步骤S402，将起点和其邻居节点加入open列表，将起点加入close列表。
步骤S403，按照权利要求1和3所述的计算或更新open列表中节点的代价值f(n)、g(n)、h(n)。然后取其中f(n)值最小的节点作为下一个计算节点，将其从open列表移至close列表，并存储其父节点。
步骤S404，重复步骤S402直到搜索到终点，最后从终点追溯其父节点获取规划路径。
表1不同地图条件下两种算法的路径规划结果信息对比表
表1展示了两组地图信息，多障碍物情况的地图信息相对于无障碍物的地图信息多了大量矩形障碍物。从表1通过观察数据可以发现本发明算法获得的路径长度比传统A*算法规划的路径长度短，路径节点大量减少，且规划用时少。图5展示了优化后的A*算法和传统A*算法规划的路径图。实验结果表明：改进的A*算法与传统A*算法相比，路径长度更优，平滑性更好，寻路时间更短，且能够适用于障碍物较多的情况。

Claims (5)

1.一种基于扩大搜索邻域的加权A*算法的全局路径规划方法，其特征在于，包括步骤：
步骤S1，根据传感器采取的点云信息进行环境建模，采用栅格法建立二维环境模型；
步骤S2，优化扩大搜索邻域的加权A*算法的路径规划的估算函数f(n)中的目标代价估计函数h(n)，加入距离信息和角度信息，并进行加权衡量；
f(n)＝g(n)+h(n)
X1＝|n.x-goal.x|
X2＝|start.x-goal.x|
Y1＝|n.y-goal.y|
Y2＝|start.y-goal.y|
其中：f(n)为经过当前节点n的全局评估代价值；g(n)为起始节点到当前节点n的真实代价值；h(n)为当前节点n到目标节点的代价估计；n为当前计算节点；start为起始节点；goal为目标节点；x、y为定义的节点坐标；a、b、w是权值，其中a和b的大小关系对寻找下一节点有方向指引的作用，以二维坐标系中X＝Y作为分割线，在X1＜Y1的部分，X1的权值应大于Y1，即b＜a，而在X1＞Y1的部分，我们有类似的推论；cross为start节点到goal节点和n节点到goal节点的向量叉积；
步骤S3，对A*算法的当前节点的可搜索邻域进行扩展，将当前节点n的下一个可到达节点的区域定义为[n.x±2，n.y±2]，其中：n.x为当前节点在栅格地图中的横坐标，n.y为当前节点格地图中的纵坐标；
步骤S4，根据步骤S3所得到可搜索邻域按照步骤S2所定义的计算A*算法的估算函数代价值，依次选取全局评估代价值最小的节点作为下个节点，直到目标点为止，这条路径即为最短路径。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，建立二维栅格地图需要包含的环境信息有起始点坐标、地图长宽、以0和1代表是否为障碍物的矩阵。
3.根据权利要求1所述的方法，其特征在于，步骤S2中，目标代价估计函数中距离信息的权值a、b是能够指引路径向终点方向行进且路径长度和搜索时间最好的选择，w则由地图大小决定且需要平衡距离信息和角度信息，因此a＝8，b＝10，
4.根据权利要求1所述的方法，其特征在于，步骤S3中，能够加入当前节点的有效的邻居节点必须符合以下要求：邻居节点和当前节点横纵坐标相差绝对值不超过k；邻居节点不是障碍物且在地图中有效；邻居节点和当前节点的连线不经过内层节点；邻居节点和当前节点为对角线所经过的栅格中不存在障碍物。
5.根据权利要求1、3和4任一项所述的基于扩大搜索邻域的加权A*算法的路径规划方法.其特征在于，步骤S4包括：
步骤S401，创建open列表和close列表，open列表记录所有待检查节点，并用最小二叉树的结构来存储，close列表记录所有已访问过无需考察的节点；
步骤S402，将起点和其邻居节点加入open列表，将起点加入close列表；
步骤S403，按照权利要求1和3所述的计算或更新open列表中节点的代价值f(n)、g(n)、h(n)。然后取其中f(n)值最小的节点作为下一个计算节点，将其从open列表移至close列表，并存储其父节点；
步骤S404，重复步骤S402直到搜索到终点，最后从终点追溯其父节点获取规划路径。
CN202010352685.1A 2020-04-29 2020-04-29 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 Active CN111504325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010352685.1A CN111504325B (zh) 2020-04-29 2020-04-29 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010352685.1A CN111504325B (zh) 2020-04-29 2020-04-29 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

Publications (2)

Publication Number Publication Date
CN111504325A CN111504325A (zh) 2020-08-07
CN111504325B true CN111504325B (zh) 2023-09-26

Family

ID=71870682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010352685.1A Active CN111504325B (zh) 2020-04-29 2020-04-29 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

Country Status (1)

Country Link
CN (1) CN111504325B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111897365B (zh) * 2020-08-27 2022-09-02 中国人民解放军国防科技大学 一种等高线引导线的自主车三维路径规划方法
CN112033413B (zh) * 2020-09-07 2023-06-16 北京信息科技大学 一种基于结合环境信息的改进a*算法的路径规划方法
CN112070166A (zh) * 2020-09-09 2020-12-11 深圳市城市规划设计研究院有限公司 一种基于临近矩形的哈密顿路径快速求解方法
WO2022056770A1 (zh) * 2020-09-17 2022-03-24 华为技术有限公司 一种路径规划方法和路径规划装置
CN112325892B (zh) * 2020-10-10 2023-08-25 南京理工大学 一种基于改进a*算法的类三维路径规划方法
CN112631306B (zh) * 2020-12-28 2021-12-14 深圳市普渡科技有限公司 机器人移动路径规划方法、装置及机器人
CN112731941B (zh) * 2020-12-29 2024-03-05 深圳市优必选科技股份有限公司 双足机器人路径规划方法、装置和双足机器人
CN112683278B (zh) * 2021-01-08 2024-01-30 东南大学 一种基于改进a*算法和贝塞尔曲线的全局路径规划方法
CN112807682B (zh) * 2021-01-18 2023-06-27 尚娱软件（深圳）有限公司 路径找寻方法、终端及计算机可读存储介质
CN112857384B (zh) * 2021-01-18 2022-07-26 西安电子科技大学 基于改进启发函数的a*算法的移动机器人路径规划方法
CN112985408B (zh) * 2021-02-25 2022-02-11 南京航空航天大学 一种路径规划优化方法及系统
CN113156970B (zh) * 2021-05-08 2023-06-09 珠海一微半导体股份有限公司 一种通行区域的路径融合规划方法、机器人及芯片
CN113421316B (zh) * 2021-06-30 2023-03-28 亿图软件(湖南)有限公司 连接线路径构建方法、装置、计算机设备及可读存储介质
CN113821039A (zh) * 2021-09-27 2021-12-21 歌尔股份有限公司 基于时间窗的路径规划方法、装置、设备及存储介质
CN113804213A (zh) * 2021-10-14 2021-12-17 南京芯传汇电子科技有限公司 一种AStar快速路径规划改进算法
CN114527788A (zh) * 2022-01-12 2022-05-24 华南理工大学 基于动态权重的a星算法改进方法、系统、装置及介质
CN114879674A (zh) * 2022-05-12 2022-08-09 安徽大学绿色产业创新研究院 一种预制构件堆场中巡检机器人调度与路径规划方法
CN115344049B (zh) * 2022-09-14 2023-08-29 江苏天一航空工业股份有限公司 一种旅客登机车自动路径规划及车辆控制方法及装置
CN116753970A (zh) * 2023-03-06 2023-09-15 北京京东乾石科技有限公司 路径规划方法、装置、电子设备及存储介质
CN116520855A (zh) * 2023-07-03 2023-08-01 华侨大学 一种履带式移动工程机械及其移动控制方法、装置和介质
CN117193288A (zh) * 2023-07-28 2023-12-08 安元科技股份有限公司 基于ai算法的工业安全智能巡检机器狗及巡检方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106441303A (zh) * 2016-09-30 2017-02-22 哈尔滨工程大学 一种基于可搜索连续邻域a*算法的路径规划方法
CN108549378A (zh) * 2018-05-02 2018-09-18 长沙学院 一种基于栅格地图的混合路径规划方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106441303A (zh) * 2016-09-30 2017-02-22 哈尔滨工程大学 一种基于可搜索连续邻域a*算法的路径规划方法
CN108549378A (zh) * 2018-05-02 2018-09-18 长沙学院 一种基于栅格地图的混合路径规划方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张敬寒，陶兆胜，彭澎，王丽华.基于扩大搜索邻域A*算法的平滑路径规划.长春理工大学学报（自然科学版）.2018,第41卷(6),124-127. *

Also Published As

Publication number Publication date
CN111504325A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
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
CN108705532B (zh) 一种机械臂避障路径规划方法、设备及存储设备
Li et al. Path planning of mobile robots based on an improved A* algorithm
Carsten et al. 3d field d: Improved path planning and replanning in three dimensions
CN112033413B (zh) 一种基于结合环境信息的改进a*算法的路径规划方法
CN112783169B (zh) 一种路径规划方法、设备及计算机可读存储介质
CN109163722B (zh) 一种仿人机器人路径规划方法及装置
CN111880561B (zh) 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法
CN110319837A (zh) 一种服务机器人室内复杂状况路径规划方法
CN107607120A (zh) 基于改进修复式Anytime稀疏A*算法的无人机动态航迹规划方法
CN114440916B (zh) 一种导航方法、装置、设备及存储介质
CN112985408B (zh) 一种路径规划优化方法及系统
Zhu et al. A* algorithm of global path planning based on the grid map and V-graph environmental model for the mobile robot
CN106931978B (zh) 自动构建路网的室内地图生成的方法
CN112000126A (zh) 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法
CN116182859A (zh) 路径规划方法及装置、设备、存储介质
CN111815684B (zh) 基于统一残差模型的空间多元特征配准优化方法及装置
CN111695281A (zh) 一种四面体网格划分有限元粒子模拟的粒子快速定位方法
Deng et al. Robotic manipulation planning using dynamic RRT
Opoku et al. The Ar-Star (Ar) Pathfinder
CN108731688A (zh) 导航方法和装置
Qin et al. Dynamic detection of topological information from grid-based generalized Voronoi diagrams
CN115195706A (zh) 一种泊车路径规划方法、装置
Tang et al. Hexagon-based generalized Voronoi diagrams generation for path planning of intelligent agents
CN114442629A (zh) 一种基于图像处理的移动机器人路径规划方法

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