CN111736611B - 一种基于a*算法和人工势场算法的移动机器人路径规划方法 - Google Patents
一种基于a*算法和人工势场算法的移动机器人路径规划方法 Download PDFInfo
- Publication number
- CN111736611B CN111736611B CN202010639974.XA CN202010639974A CN111736611B CN 111736611 B CN111736611 B CN 111736611B CN 202010639974 A CN202010639974 A CN 202010639974A CN 111736611 B CN111736611 B CN 111736611B
- Authority
- CN
- China
- Prior art keywords
- robot
- algorithm
- target point
- path planning
- distance
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 101100412093 Schizosaccharomyces pombe (strain 972 / ATCC 24843) rec16 gene Proteins 0.000 claims description 6
- 239000000956 alloy Substances 0.000 claims 1
- 229910045601 alloy Inorganic materials 0.000 claims 1
- 230000006870 function Effects 0.000 description 19
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 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
- G05D1/0214—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
-
- 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
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
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)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提出了一种基于A*算法和人工势场算法的移动机器人路径规划方法,首先指定机器人移动的初始起点和最终目标点;采用A*算法进行全局路径规划,利用加权思想改进评价函数,剔除多余冗余点平滑处理,得到期望轨迹;机器人沿路径规划移动,遇到动态障碍时采用人工势场算法进行局部路径规划,在斥力函数中引入机器人与目标点距离因子,解决目标不可达问题;最后机器人到达指定目标点,得到最优规划轨迹。路径规划算法流程图如图1所示。本发明有效提高了轨迹的便捷性和平滑性,能确保机器人安全抵达指定目标点。
Description
技术领域
本发明涉及机器人路径规划技术领域,特别涉及一种A*算法和人工势场算法的移动机器人路径规划方法。
背景技术
近年来,移动机器人的路径规划问题成为研究热点,其主要思路是根据能耗、路程、时间等性能指标,保证在存在障碍物的环境下,规划出一条从初始位置到目标位置的最优路径。根据环境信息的完全已知、部分未知和完全未知等不同特点,把移动机器人的路径规划分为两部分:全局路径规划和局部路径规划。
常见的全局路径规划算法有A*算法、Dijkstra算法、粒子群算法等,常见的局部路径规划算法有遗传算法、人工势场算法和模糊逻辑算法等。
A*算法作为传统的启发式算法,由尼尔森提出,广泛地应用于机器人导航领域。A*算法在启发函数的引导下可以减少搜索空间,快速搜索路径,避免了BFS、Dijkstra算法的盲目性,缺点是在对较大场景进行路径规划时存在多余冗余点和拐点、计算量大、内存消耗严重等问题。
人工势场算法具有计算量小、规划时间短、便于实现底层控制等特点,然而当机器人所处环境复杂多变时,传统的人工势场算法容易出现目标不可达问题,导致移动机器人无法正常移动至目标点。
发明内容
针对现有技术的上述不足之处,本发明提出了一种基于A*算法和人工势场算法的移动机器人路径规划方法,能够有效解决A*算法中冗余点的问题,平滑轨迹,解决人工势场算法中目标不可达问题,规划出一条最优路径。
为了达到上述发明的目的,本发明采用的技术方案为:一种基于A*算法和人工势场算法的移动机器人路径规划方法,包括以下步骤:
步骤一:在栅格地图中指定机器人移动的初始起点和最终目标点。
步骤二:根据A*算法进行全局路径规划,利用加权思想改进评价函数,剔除多余冗余点平滑处理,得到期望轨迹。
步骤三:机器人沿路径规划移动,遇到动态障碍时采用人工势场算法局部路径规划,在斥力函数中引入机器人与目标点距离因子,解决目标不可达问题。
步骤四:机器人到达指定目标点,得到最优规划轨迹。
按上述方案,所述步骤三中,利用加权思想改进评价函数,去除多余冗余点,所述的具体数学函数表达式如下:
其中,r为当前点到目标点的距离;R为起始点到目标点的距离。
按上述方案,所述步骤四中,人工势场算法在原有斥力函数基础上添加目标点和机器人距离对机器人的影响,得到新的斥力势场函数如下:
其中,μ是一个增益函数;ρ0表示机器人与障碍物之间安全距离的阈值;ρ(I,I0)是一个矢量代表机器人与障碍物之间的距离,其大小是I-I0即机器人与障碍物边沿最近的距离,这里的距离取得是欧式距离,方向为障碍物指向机器人的方向。
相应的斥力函数如下:
其中,Frep1(I),Frep2(I)分别是Urep(I)对ρ(I,I0),(X-Xg)的求导,其大小可由以下公式表示:
其中,Frep1(I)的方向是由障碍物指向机器人,Frep2(I)的方向是由机器人指向目标点。
本发明的优点在于
(1)本发明针对移动机器人路径规划问题,解决了机器人利用传统A*算法进行路径规划时冗余点多、计算量大等问题。
(2)解决了机器人利用传统人工势场算法进行路径规划时目标不可达问题。
(3)有效提高了轨迹的便捷性和平滑性,能确保机器人安全快速的达到目标位置,是一种高效、科学的路径规划方法。
附图说明
图1为本发明的路径规划算法流程图;
图2为本发明移动机器人的人工势场受力分析图;
图3为本发明移动机器人的改进人工势场受力分析图。
具体实施方式
下面结合本发明实施实例中的附图,对本发明实施例中的技术方案作进一步详细说明。
如图1所示,一种基于A*算法和人工势场算法的移动机器人路径规划方法,针对移动机器人路径规划问题,提出了改进A*算法规划全局路径,平滑优化算法剔除多余冗余点,改进人工势场算法规划局部路径,在斥力函数中引入机器人与目标点的距离因子,解决目标不可达问题,从而规划出一条最优路径。具体步骤及过程方法如下:
步骤一:在栅格地图中指定机器人移动的初始起点和最终目标点。
步骤二:根据A*算法进行全局路径规划,利用加权思想改进评价函数,剔除多余冗余点平滑处理,得到期望轨迹。
步骤三:机器人沿路径规划移动,遇到动态障碍时采用人工势场算法局部路径规划,在斥力函数中引入机器人与目标点距离因子,解决目标不可达问题。
步骤四:机器人到达指定目标点,得到最优规划轨迹。
本发明实施例提供的技术方案,在具体应用中,机器人首先利用携带的传感器,激光雷达和深度相机探测周围环境,建立全局栅格地图,在栅格地图中指定机器人移动的起始点和目标点,机器人先移动到指定的起始点,然后利用A*算法和人工势场算法结合起始位置和目标点位置,规划出一条可行性路径,最后机器人按照规划出的路径到达指定的目标点。
如上所述的方法,具体的在步骤2中根据A*算法,改进评价函数,去除多余冗余点,平滑轨迹,具体函数公式为:
其中,r为当前点到目标点的距离;R为起始点到目标点的距离。
如上所述的方法,具体的在步骤3中,根据人工势场算法,在原有斥力函数的基础上添加目标点和机器人距离对机器人的影响,解决目标不可达问题,如图2所示,得到新的斥力势场函数如下:
其中,μ是一个增益函数;ρ0表示机器人与障碍物之间安全距离的阈值;ρ(I,I0)是一个矢量代表机器人与障碍物之间的距离,其大小是|I-I0|即机器人与障碍物边沿最近的距离,这里的距离取得是欧式距离,方向为障碍物指向机器人的方向。
如图3所示,相应斥力函数如下:
其中,Frep1(I),Frep2(I)分别是Urep(I)对ρ(I,I0),(X-Xg)的求导,其大小可由以下公式表示:
其中,Frep1(I)的方向是由障碍物指向机器人,Frep2(I)的方向是由机器人指向目标点。
综上所述,针对移动机器人路径规划问题,提出了基于A*算法改进评价函数,去除多余冗余点平滑轨迹,并基于人工势场算法改进斥力函数,解决目标不可达问题,从而决策出一条最优路径。
Claims (2)
1.一种基于A*算法和人工势场算法的移动机器人路径规划方法,其特征在于,该方法具体包括以下步骤:
步骤一:在栅格地图中指定机器人移动的初始起点和最终目标点;
步骤二:根据A*算法进行全局路径规划,利用加权思想改进评价函数,剔除多余冗余点平滑处理,得到期望轨迹;
步骤三:机器人沿路径规划移动,遇到动态障碍时采用人工势场算法局部路径规划,在斥力函数中引入机器人与目标点距离因子,解决目标不可达问题;
在原有斥力函数的基础上添加目标点和机器人距离对机器人的影响,得到新的斥力势场函数如下:
其中,μ是一个增益函数;ρ0表示机器人与障碍物之间安全距离的阈值;ρ(I,I0)是一个矢量代表机器人与障碍物之间的距离,其大小是|I-I0|即机器人与障碍物边沿最近的距离,这里的距离取得是欧式距离,方向为障碍物指向机器人的方向;
由斥力势场函数得到相应的斥力函数如下:
其中,Frep1(I),Frep2(I)分别是Frep(I)对ρ(I,I0),(X-Xg)的求导,其大小由以下公式表示:
其中,Frep1(I)的方向是由障碍物指向机器人,Frep2(I)的方向是由机器人指向目标点;
步骤四:机器人到达指定目标点,得到最优规划轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010639974.XA CN111736611B (zh) | 2020-07-06 | 2020-07-06 | 一种基于a*算法和人工势场算法的移动机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010639974.XA CN111736611B (zh) | 2020-07-06 | 2020-07-06 | 一种基于a*算法和人工势场算法的移动机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111736611A CN111736611A (zh) | 2020-10-02 |
CN111736611B true CN111736611B (zh) | 2023-03-24 |
Family
ID=72653383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010639974.XA Active CN111736611B (zh) | 2020-07-06 | 2020-07-06 | 一种基于a*算法和人工势场算法的移动机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111736611B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112526988B (zh) * | 2020-10-30 | 2022-04-22 | 西安交通大学 | 一种自主移动机器人及其路径导航和路径规划方法、系统 |
CN112327856B (zh) * | 2020-11-13 | 2022-12-06 | 云南电网有限责任公司保山供电局 | 一种基于改进A-star算法的机器人路径规划方法 |
CN112549028A (zh) * | 2020-12-02 | 2021-03-26 | 中国科学院自动化研究所 | 基于动态运动基元和人工势场的双臂机器人轨迹规划方法 |
CN112577491A (zh) * | 2020-12-14 | 2021-03-30 | 上海应用技术大学 | 一种基于改进人工势场法的机器人路径规划方法 |
CN112965471B (zh) * | 2021-02-10 | 2022-02-18 | 大连理工大学 | 一种考虑角速度约束和改进斥力场的人工势场路径规划方法 |
CN113848889A (zh) * | 2021-09-09 | 2021-12-28 | 武汉工程大学 | 一种基于鲸鱼优化算法和人工势场法结合的路径规划方法 |
CN113805597B (zh) * | 2021-09-28 | 2023-04-11 | 福州大学 | 基于粒子群算法的障碍物自我保护人工势场法局部路径规划方法 |
CN113791627B (zh) * | 2021-11-16 | 2022-02-11 | 中国科学院自动化研究所 | 一种机器人导航方法、设备、介质和产品 |
CN114489040A (zh) * | 2021-12-13 | 2022-05-13 | 中煤科工集团信息技术有限公司 | 基于改进a*算法与人工势场算法的混合路径规划方法 |
CN114326726B (zh) * | 2021-12-24 | 2024-05-17 | 杭州电子科技大学 | 一种基于a*与改进人工势场法的编队路径规划控制方法 |
CN114610076B (zh) * | 2022-05-10 | 2022-07-29 | 四川大学 | 结合人工势场法与A-star算法角度约束的航迹规划方法 |
CN117369482B (zh) * | 2023-12-06 | 2024-03-12 | 华润数字科技有限公司 | 移动机器人的路径规划方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105629974B (zh) * | 2016-02-04 | 2018-12-04 | 重庆大学 | 一种基于改进型人工势场法的机器人路径规划方法及系统 |
CN105955262A (zh) * | 2016-05-09 | 2016-09-21 | 哈尔滨理工大学 | 一种基于栅格地图的移动机器人实时分层路径规划方法 |
CN106708054B (zh) * | 2017-01-24 | 2019-12-13 | 贵州电网有限责任公司电力科学研究院 | 结合地图栅格与势场法避障的巡检机器人路径规划方法 |
CN110531762A (zh) * | 2019-08-21 | 2019-12-03 | 东南大学 | 一种基于改进人工势场法的机器人路径规划方法 |
CN110928295B (zh) * | 2019-10-16 | 2022-08-23 | 重庆邮电大学 | 一种融合人工势场与对数蚁群算法的机器人路径规划方法 |
CN111207756B (zh) * | 2020-03-19 | 2022-08-23 | 重庆邮电大学 | 一种基于改进人工势场算法的移动机器人路径规划方法 |
-
2020
- 2020-07-06 CN CN202010639974.XA patent/CN111736611B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111736611A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111736611B (zh) | 一种基于a*算法和人工势场算法的移动机器人路径规划方法 | |
Zheng et al. | AGV path planning based on improved A-star algorithm | |
CN112013846B (zh) | 一种结合动态步长rrt*算法和势场法的路径规划方法 | |
CN106647769A (zh) | 基于a*提取引导点的agv路径跟踪与避障协调方法 | |
CN112731916A (zh) | 融合跳点搜索法和动态窗口法的全局动态路径规划方法 | |
Ni et al. | Path planning of mobile robot based on improved artificial potential field method | |
CN112965471B (zh) | 一种考虑角速度约束和改进斥力场的人工势场路径规划方法 | |
CN113703450B (zh) | 基于平滑因素改进蚁群算法的移动机器人路径规划方法 | |
CN112799405B (zh) | 基于动态障碍物环境下的无人船路径规划方法 | |
Do et al. | Narrow passage path planning using fast marching method and support vector machine | |
Yang et al. | Mobile robot path planning based on enhanced dynamic window approach and improved a algorithm | |
CN114489040A (zh) | 基于改进a*算法与人工势场算法的混合路径规划方法 | |
Wang et al. | Path planning method of mobile robot using improved deep reinforcement learning | |
Zhang et al. | An improved dynamic window approach integrated global path planning | |
CN114442628B (zh) | 基于人工势场法的移动机器人路径规划方法、装置及系统 | |
Yu et al. | A traversal multi-target path planning method for multi-unmanned surface vessels in space-varying ocean current | |
CN113325867B (zh) | 一种无人航行器搜寻的路径规划方法、装置和无人航行器 | |
CN117434950A (zh) | 一种基于哈里斯鹰启发式混合算法的移动机器人动态路径规划方法 | |
CN116477505A (zh) | 一种基于深度学习的塔机实时路径规划系统及方法 | |
Yan et al. | A Path Planning Algorithm based on Artificial Potential Field Method and Ant Colony Algorithm | |
CN114545971A (zh) | 一种通讯约束下多智能体分布式可飞路径规划方法、系统、计算机设备及介质 | |
Ying et al. | Research on monster path planning scheme in horror game based on whale optimization algorithm | |
Wang et al. | Dynamic path planning based on the fusion of improved RRT and DWA algorithms | |
Li et al. | Path Planning of Underwater Vehicles Based on Improved Whale Optimization Algorithm | |
Yang et al. | The fusion-based Path Planning for Near Seabed Autonomous Underwater Vehicles |
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 |