CN111506073A - 一种融合膜计算和rrt的移动机器人路径规划方法 - Google Patents

一种融合膜计算和rrt的移动机器人路径规划方法 Download PDF

Info

Publication number
CN111506073A
CN111506073A CN202010377731.3A CN202010377731A CN111506073A CN 111506073 A CN111506073 A CN 111506073A CN 202010377731 A CN202010377731 A CN 202010377731A CN 111506073 A CN111506073 A CN 111506073A
Authority
CN
China
Prior art keywords
membrane
film
basic
waypoint
sampling points
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
Application number
CN202010377731.3A
Other languages
English (en)
Other versions
CN111506073B (zh
Inventor
兰世豪
黄友锐
韩涛
徐善永
唐超礼
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.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and 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 Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202010377731.3A priority Critical patent/CN111506073B/zh
Publication of CN111506073A publication Critical patent/CN111506073A/zh
Application granted granted Critical
Publication of CN111506073B publication Critical patent/CN111506073B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及一种融合膜计算和RRT的移动机器人路径规划方法。该方法在原有RRT算法基础上引用膜计算对其进行优化，设定膜计算结构，在每个基本膜内单独扩展随机树，并增加各基本膜内随机树扩展时采样点的个数；设定膜间交流规则来更新各基本膜输出的采样点和其父节点的对应关系，并将更新后的结果返回到相应基本膜中继续扩展随机树。整个膜系统中的随机树不断迭代扩展，直至有一个基本膜内的随机树达到终点，停止扩展。该方法通过在各基本膜内随机树扩展时增加采样点个数和设定膜间交流规则，使膜内随机树扩展更具有方向性，进而增加移动机器人规划路径的实时性和合理性。

Description

一种融合膜计算和RRT的移动机器人路径规划方法
技术领域
本发明涉及移动机器人路径规划领域，具体是一种融合膜计算和RRT的移动机器人路径规划方法。
背景技术
随着社会生产生活的智能化程度不断提高，智能移动机器人的研发与应用逐渐被人们所重视。自主导航技术是移动机器人技术研究的核心，良好的路径规划是实现移动机器人自主导航的关键，智能高效的路径规划算法能够使移动机器人更加准确合理的进行自主导航。
路径规划的主要任务是根据已知环境数据，规划出一条合理的，无碰撞的，从起点至终点的路径。随着移动机器人应用场景的增多，所处的环境变的越来越复杂，移动机器人导航就必须要求路径规划算法具有很好的实时性和合理性。一般路径规划算法都需要在算法执行之前进行预处理，给算法的运行提供相应的条件，这就使算法总体的运行速度变慢，路径规划的实时性和合理性降低。
快速扩展随机树法(RRT)是一种高效的数据结构和算法，在算法执行前不需要进行预处理，直接通过随机扩展节点的方式搜索整个状态空间，能适应动态环境，具备快速重规划能力。但传统RRT算法扩展节点单一，节点扩展规则随机性太强，搜索没有目的性，在复杂环境中算法运算量大，规划路径合理性较差。
发明内容
本发明的目的是提供一种融合膜计算和RRT算法的移动机器人路径规划方法；该方法利用膜计算分布式和并行计算的特点，建立基本膜计算结构，每个基本膜内单独扩展随机树，并增加各基本膜内随机树扩展时采样点的个数。通过设定膜间交流规则来更新各基本膜输出的采样点和父节点的关系，并将更新后的结果返回到相应基本膜中继续扩展随机树，整个膜系统中的随机树不断迭代扩展，直至有一个基本膜内的随机树达到终点，停止扩展。该方法通过在各基本膜内随机树扩展时增加采样点个数和设定膜间交流规则，使每个基本膜内随机树扩展更具有方向性，多个基本膜并行搜索实现多条树同时进行扩展，从而增加移动机器人利用RRT算法规划路径的实时性和合理性。
为了实现上述目的，本发明采用如下技术方案：
一种融合膜计算和RRT的移动机器人路径规划方法，其特征在于，所述方法包括如下步骤：
步骤1：初始化起始路点Xinit，目标路点Xgoal，机器人扩展步长ρ和环境信息；
步骤2：初始化膜计算中膜结构为[[]1,[]2,[]3,[]4]0；
步骤3：以起始点Xinit为父节点，随机生成四个采样点，并从Xinit以ρ为扩展步长向每个采样点方向进行扩展，形成四个新的有效路点Xnew；
步骤4：将四个有效路点
Figure BDA0002480647310000021
(
Figure BDA0002480647310000022
表示第i个基本膜内的第1个有效路点)平均分配到四个基本膜中，将每个基本膜中的
Figure BDA0002480647310000023
看作相应基本膜内的第一个路点；
步骤5：在各基本膜中，随机生成4个采样点
Figure BDA0002480647310000024
(
Figure BDA0002480647310000025
表示第i个基本膜内第j个采样点)，计算
Figure BDA0002480647310000026
到Xgoal的欧式距离为
Figure BDA0002480647310000027
将最小
Figure BDA0002480647310000028
对应的采样点作为有效采样点，记为Xrandi(i＝1,2,3,4)(Xrandi表示第i个基本膜内的有效采样点)，选取离Xrandi最近的路点Xneari作为其父节点，并将Xrandi和Xneari输出到表层膜中；
步骤6：根据相应规则更新各采样点与其父节点的对应关系，并将更新后的采样点返回到其更新后对应父节点的对应基本膜中；
步骤7：在各基本膜中，从父节点以ρ为扩展步长向返回后的采样点方向进行扩展，如果在扩展的过程中没有遇到障碍物，则生成新路点
Figure BDA0002480647310000029
(
Figure BDA00024806473100000210
表示第i个基本膜中的第n个路点)，返回步骤5，继续选取有效采样点和对应父节点并输出到表层膜中进行更新，否则执行步骤8；
步骤8：舍弃原来的采样点，并随机生成新采样点，从父节点以ρ为扩展步长向新采样点方向进行扩展，如果扩展的过程中碰到障碍物则重新开始步骤8，否则生成新路点
Figure BDA00024806473100000211
返回步骤5，继续选取有效采样点并输出到表层膜中进行更新；
步骤9：计各基本膜内新路点
Figure BDA00024806473100000212
到目标路点Xgoal的欧式距离为D(Xnewm,Xgoal)，在不断进行迭代搜索的同时，进行如下判断：
若D(Xnewm,Xgoal)≥ρ，则继续搜索；
若D(Xnewm,Xgoal)＜ρ，则停止搜索，并将第i个基本膜内的n个路点
Figure BDA00024806473100000213
起始路点Xinit，目标路点Xgoal按照
Figure BDA00024806473100000214
的顺序连接起来；
作为优选，本发明提供的一种初始化膜计算中膜结构为[[]1,[]2,[]3,[]4]0具体包括：
设置1个表层膜和4个基本膜，4个基本膜内同时进行搜索，并将搜索产生的结果输出到表层膜中根据相应规则进行更新，并将更新完成后的结果根据相应规则返回到各基本膜中；
作为优选，本发明提供的一种根据相应规则更新表层膜中的采样点方法具体包括：
(1)计算表层膜内有效路点Xnear1，Xnear2，Xnear3，Xnear4分别到Xgoal的欧式距离，并按照从小到大的顺序进行排列，依次标记为ST，SR，LR，LT；
(2)计算表层膜内有效采样点Xrand1，Xrand2，Xrand3，Xrand4分别到Xgoal的欧式距离，并按照从小到大的顺序进行排列，依次标记为ST，SR，LR，LT；
(3)将与有效路点标记相同的有效采样点更新为各有效采样点的新父节点，并将各有效采样点返回到更新后各有效采样点对应的父节点所在的基本膜中。
本发明的有益效果体现在：
本发明将RRT算法和膜计算进行结合，利用膜计算分布式和并行计算的特点，在多个基本膜内同时进行随机树的扩展和增加随机树扩展时采样点数量，在不影响随机树扩展速度的同时，增加了随机树的搜索范围；通过设定膜计算的膜间交流规则来更新各采样点与父节点的对应关系，使各基本膜内的随机树更大概率向目标点进行扩展，避免随机树盲目扩展导致规划路径不合理和实时性差的问题；因此，整个算法可以在提升路径规划实时性的同时，让移动机器人规划的路径更加合理。
附图说明
图1是本发明算法的算法工作流程图；
图2是本发明算法所用膜结构和工作流程示意图；
具体实施方式
以下结合附图对本发明做进一步解释说明。
如图1所示，一种融合膜计算和RRT的移动机器人路径规划方法，包括以下步骤：
步骤1：初始化起始路点Xinit，目标路点Xgoal，机器人扩展步长ρ和环境信息；
步骤2：初始化膜计算中膜结构为[[]1,[]2,[]3,[]4]0；
步骤3：以起始点Xinit为父节点，随机生成四个采样点，并从Xinit以ρ为扩展步长向每个采样点方向进行扩展，形成四个新的有效路点Xnew；
步骤4：将四个有效路点
Figure BDA0002480647310000041
(
Figure BDA0002480647310000042
表示第i个基本膜内的第1个有效路点)平均分配到四个基本膜中，将每个基本膜中的
Figure BDA0002480647310000043
看作相应基本膜内的第一个路点；
步骤5：在各基本膜中，随机生成4个采样点
Figure BDA0002480647310000044
(
Figure BDA0002480647310000045
表示第i个基本膜内第j个采样点)，计算
Figure BDA0002480647310000046
到Xgoal的欧式距离为
Figure BDA0002480647310000047
将最小
Figure BDA0002480647310000048
对应的采样点作为有效采样点，记为Xrandi(i＝1,2,3,4)(Xrandi表示第i个基本膜内的有效采样点)，如图2所示，在各基本膜中选取离Xrandi最近的路点Xneari作为其父节点，并将Xrandi和Xneari输出到表层膜0中；
步骤6：根据相应规则更新各采样点与其父节点的对应关系，并将更新后的采样点返回到其更新后对应父节点的对应基本膜中；
步骤7：在各基本膜中，从父节点以ρ为扩展步长向返回后的采样点方向进行扩展，如果在扩展的过程中没有遇到障碍物，则生成新路点
Figure BDA0002480647310000049
(
Figure BDA00024806473100000410
表示第i个基本膜中的第n个路点)，返回步骤5，继续选取有效采样点和对应父节点并输出到表层膜中进行更新，否则执行步骤8；
步骤8：舍弃原来的采样点，并随机生成新采样点，从父节点以ρ为扩展步长向新采样点方向进行扩展，如果扩展的过程中碰到障碍物则重新开始步骤8，否则生成新路点
Figure BDA00024806473100000411
返回步骤5，继续选取有效采样点并输出到表层膜中进行更新；
步骤9：计各基本膜内新路点
Figure BDA00024806473100000412
到目标路点Xgoal的欧式距离为D(Xnewm,Xgoal)，在不断进行迭代搜索的同时，进行如下判断：
若D(Xnewm,Xgoal)≥ρ，则继续搜索；
若D(Xnewm,Xgoal)＜ρ，则停止搜索，并将第i个基本膜内的n个路点
Figure BDA00024806473100000413
起始路点Xinit，目标路点Xgoal按照
Figure BDA00024806473100000414
的顺序连接起来，即移动机器人从起始点到终点的所规划路径；
在以上步骤中，本发明提供的一种初始化膜计算中膜结构为[[]1,[]2,[]3,[]4]0具体包括：
如图2所示，设置表层膜0和基本膜1、2、3、4，4个基本膜内同时进行搜索，并将搜索产生的结果Xrandi和Xneari输出到表层膜0中根据相应规则进行更新，并将更新完成后的各采样点Xrandi返回到其更新后对应父节点的基本膜中；
在以上步骤中，本发明提供的一种根据相应规则更新表层膜中的采样点方法具体包括：
(1)计算表层膜内有效路点Xnear1，Xnear2，Xnear3，Xnear4分别到Xgoal的欧式距离，并按照从小到大的顺序进行排列，依次标记为ST，SR，LR，LT；
(2)计算表层膜内有效采样点Xrand1，Xrand2，Xrand3，Xrand4分别到Xgoal的欧式距离，并按照从小到大的顺序进行排列，依次标记为ST，SR，LR，LT；
(3)将与有效路点标记相同的有效采样点更新为各有效采样点的新父节点，并将各有效采样点返回到更新后各有效采样点对应的父节点所在的基本膜中。
整个方法可以使RRT算法在规划路径保证实时性的同时更具有方向性，使移动机器人实际规划的路径更加合理。

Claims (3)

1.一种融合膜计算和RRT的移动机器人路径规划方法，其特征在于，所述方法包括如下步骤：
步骤1：初始化起始路点Xinit，目标路点Xgoal和机器人扩展步长ρ；
步骤2：初始化膜计算中膜结构为[[]1,[]2,[]3,[]4]0；
步骤3：以起始点Xinit为父节点，随机生成四个采样点，并从Xinit以ρ为扩展步长向每个采样点方向进行扩展，形成四个新的有效路点Xnew；
步骤4：将四个有效路点
Figure FDA0002480647300000011
(
Figure FDA0002480647300000012
表示第i个基本膜内的第1个有效路点)分别分配到四个基本膜中，将每个基本膜中的
Figure FDA0002480647300000013
看作相应基本膜内的第一个路点；
步骤5：在各基本膜中，随机生成4个采样点
Figure FDA0002480647300000014
(
Figure FDA0002480647300000015
表示第i个基本膜内第j个采样点)，计算
Figure FDA0002480647300000016
到Xgoal的欧式距离为
Figure FDA0002480647300000017
将最小
Figure FDA0002480647300000018
对应的采样点作为有效采样点，记为Xrandi(i＝1,2,3,4)(Xrandi表示第i个基本膜内的有效采样点)，选取离Xrandi最近的路点Xneari作为其父节点，并将Xrandi和Xneari输出到表层膜中；
步骤6：根据相应规则更新各采样点与其父节点的对应关系，并将更新后的采样点返回到其更新后对应父节点的对应基本膜中；
步骤7：在各基本膜中，从父节点以ρ为扩展步长向返回后的采样点方向进行扩展，如果在扩展的过程中没有遇到障碍物，则生成新路点
Figure FDA0002480647300000019
(
Figure FDA00024806473000000110
表示第i个基本膜中的第n个路点)，返回步骤5，继续选取有效采样点和对应父节点并输出到表层膜中进行更新，否则执行步骤8；
步骤8：舍弃原来的采样点，并随机生成新采样点，从父节点以ρ为扩展步长向新采样点方向进行扩展，如果扩展的过程中碰到障碍物则重新开始步骤8，否则生成新路点
Figure FDA00024806473000000111
返回步骤5，继续选取有效采样点和对应父节点并输出到表层膜中进行更新；
步骤9：计各基本膜内新路点
Figure FDA00024806473000000112
到目标路点Xgoal的欧式距离为D(Xnewm,Xgoal)，在不断进行迭代搜索的同时，进行如下判断：
若D(Xnewm,Xgoal)≥ρ，则继续搜索；
若D(Xnewm,Xgoal)＜ρ，则停止搜索，并将第i个基本膜内的n个路点
Figure FDA00024806473000000113
起始路点Xinit，目标路点Xgoal按照
Figure FDA0002480647300000021
的顺序连接起来。
2.根据权利要求1所述的一种融合膜计算和RRT的移动机器人路径规划方法，其特征在于,根据所述初始化膜计算中膜结构为[[]1,[]2,[]3,[]4]0具体包括：
设置1个表层膜和4个基本膜，4个基本膜内同时进行搜索，并将搜索产生的结果输出到表层膜中根据相应规则进行更新，并将更新完成后的结果根据相应规则返回到各基本膜中。
3.根据权利要求1所述的一种融合膜计算和RRT的移动机器人路径规划方法，其特征在于,根据所述根据相应规则更新表层膜中的采样点具体包括：
(1)计算表层膜内有效路点Xnear1，Xnear2，Xnear3，Xnear4分别到Xgoal的欧式距离，并按照从小到大的顺序进行排列，依次标记为ST，SR，LR，LT；
(2)计算表层膜内有效采样点Xrand1，Xrand2，Xrand3，Xrand4分别到Xgoal的欧式距离，并按照从小到大的顺序进行排列，依次标记为ST，SR，LR，LT；
(3)将与有效路点标记相同的有效采样点更新为各有效采样点的新父节点，并将各有效采样点返回到更新后各有效采样点对应的父节点所在的基本膜中。
CN202010377731.3A 2020-05-07 2020-05-07 一种融合膜计算和rrt的移动机器人路径规划方法 Active CN111506073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010377731.3A CN111506073B (zh) 2020-05-07 2020-05-07 一种融合膜计算和rrt的移动机器人路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010377731.3A CN111506073B (zh) 2020-05-07 2020-05-07 一种融合膜计算和rrt的移动机器人路径规划方法

Publications (2)

Publication Number Publication Date
CN111506073A true CN111506073A (zh) 2020-08-07
CN111506073B CN111506073B (zh) 2022-04-19

Family

ID=71877215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010377731.3A Active CN111506073B (zh) 2020-05-07 2020-05-07 一种融合膜计算和rrt的移动机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN111506073B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112379688A (zh) * 2020-10-26 2021-02-19 武汉科技大学 一种基于膜计算的多机器人有限时间同步控制方法
CN113485363A (zh) * 2021-08-02 2021-10-08 安徽理工大学 基于膜计算和rrt的煤矿井下机器人多步长路径规划方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110048330A (ko) * 2009-11-02 2011-05-11 삼성전자주식회사 로봇의 경로 계획 장치 및 그 방법
CN104516356A (zh) * 2015-01-08 2015-04-15 西北工业大学 基于rrt的动态障碍规避算法
CN105382833A (zh) * 2014-09-02 2016-03-09 丰田自动车株式会社 行进机器人和用于行进机器人的运动规划方法
CN110275528A (zh) * 2019-06-04 2019-09-24 合肥工业大学 针对rrt算法改进的路径优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110048330A (ko) * 2009-11-02 2011-05-11 삼성전자주식회사 로봇의 경로 계획 장치 및 그 방법
CN105382833A (zh) * 2014-09-02 2016-03-09 丰田自动车株式会社 行进机器人和用于行进机器人的运动规划方法
CN104516356A (zh) * 2015-01-08 2015-04-15 西北工业大学 基于rrt的动态障碍规避算法
CN110275528A (zh) * 2019-06-04 2019-09-24 合肥工业大学 针对rrt算法改进的路径优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
IGNACIO PÉREZ-HURTADO,ET AL.: "Robot path planning using rapidly-exploring random trees: A membrane computing approach", 《2018 7TH INTERNATIONAL CONFERENCE ON COMPUTERS COMMUNICATIONS AND CONTROL (ICCCC)》 *
XU JIACHANG,ET AL.: "A Path Optimization Algorithm for the Mobile Robot of Coal Mine", 《ICITEE ’18》 *
袁静妮 等: "基于改进 RRT*与行驶轨迹优化的智能汽车运动规划", 《自动化学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112379688A (zh) * 2020-10-26 2021-02-19 武汉科技大学 一种基于膜计算的多机器人有限时间同步控制方法
CN112379688B (zh) * 2020-10-26 2022-05-17 武汉科技大学 一种基于膜计算的多机器人有限时间同步控制方法
CN113485363A (zh) * 2021-08-02 2021-10-08 安徽理工大学 基于膜计算和rrt的煤矿井下机器人多步长路径规划方法
CN113485363B (zh) * 2021-08-02 2024-02-20 安徽理工大学 基于膜计算和rrt的煤矿井下机器人多步长路径规划方法

Also Published As

Publication number Publication date
CN111506073B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN111506073B (zh) 一种融合膜计算和rrt的移动机器人路径规划方法
Forman Putting metaclasses to work
CN107065885B (zh) 一种机器人变栅格地图路径规划优化方法和系统
CN109831236B (zh) 一种基于蒙特卡洛树搜索辅助的波束选择方法
CN110598804B (zh) 一种基于聚类和膜计算的改进FastSLAM方法
CN112887903B (zh) 一种基于软信息融合的通信定位感知一体化方法
CN101251592A (zh) 一种无线传感器网络的节点定位方法
CN108304542B (zh) 一种时间依赖路网中的连续k近邻查询方法
CN113763551B (zh) 一种基于点云的大规模建图场景的快速重定位方法
CN109211242B (zh) 一种融合rrt与蚁群算法的三维空间多目标路径规划方法
CN115454068A (zh) 一种考虑障碍物信息的基于采样的路径规划方法
CN113188555A (zh) 一种移动机器人路径规划方法
CN114967680A (zh) 基于蚁群算法和卷积神经网络的移动机器人路径规划方法
CN113485367B (zh) 一种舞台多功能移动机器人的路径规划方法
CN114705196A (zh) 一种用于机器人的自适应启发式全局路径规划方法与系统
CN113449910B (zh) 一种基于顺序存储二叉树的航线自动生成方法
CN109189871A (zh) 一种建筑物室内路径规划的方法和装置
CN112484733A (zh) 一种基于拓扑图的强化学习室内导航方法
CN106646347B (zh) 基于小生境差分进化的多重信号分类谱峰搜索方法
Javed et al. Position Vectors Based Efficient Indoor Positioning System.
CN111928851A (zh) 基于tma技术的多自主水下机器人集群协同导航方法
CN108731688A (zh) 导航方法和装置
CN115465125A (zh) 一种基于无线充电技术的auv集群水下能量救援方法
CN114509085A (zh) 一种结合栅格和拓扑地图的快速路径搜索方法
CN114355913A (zh) 基于时空自适应双向蚁群算法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