CN111895999A - 一种基于结构化数据的路径规划方法 - Google Patents
一种基于结构化数据的路径规划方法 Download PDFInfo
- Publication number
- CN111895999A CN111895999A CN202010607328.5A CN202010607328A CN111895999A CN 111895999 A CN111895999 A CN 111895999A CN 202010607328 A CN202010607328 A CN 202010607328A CN 111895999 A CN111895999 A CN 111895999A
- Authority
- CN
- China
- Prior art keywords
- node
- candidate
- global path
- candidate track
- robot
- 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
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
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
Abstract
本发明涉及机器人导航路径规划方法领域，具体是公开一种基于结构化数据的路径规划方法，方法过程如下，(1)、全局路径规划首先根据结构化数据进行路网构建；读取结构化路网数据进行解析，构建出在路网数据结构中的车道线和路沿；(2)、候选轨迹生成，(3)、候选轨迹评价，(4)、候选轨迹防抖滤波。上述路径规划方法通过结构化路网数据方式，定义了车道线、路沿等环境元素，通过在点云地图的坐标系上绘制各地图元素，构建机器人的可通行与不可通行区域，该方法结构轻量简单、占用资源小、响应迅速，对给定目标点的运动任务能够根据路网数据实现室外机器人在大范围场景下的路径规划，有效解决了室外大范围场景下路径规划的性能瓶颈问题。
Description
技术领域
本发明涉及机器人导航路径规划方法领域。
背景技术
路径规划是机器人导航的基本组成部分，是解决机器人如何找到从当前位置到达目标位置的最短运动路径，并使机器人在运动过程中能无碰撞地绕过障碍物的方法。路径规划根据环境信息的掌握情况和响应时效的不同，主要可划分为全局路径规划与局部路径规划，全局路径规划基于已知的静态环境信息构建从起始位置到目标位置的最短路径，具有全局最优的特点；局部路径规划基于规划出的全局路径，生成实时响应动态环境的局部候选轨迹，并根据评价系统选择最优轨迹。前者是一种事前规划，系统的实时计算能力要求较低，虽然规划结果是全局，但是对动态环境及噪声的鲁棒性较差，后者对环境信息完全未知或部分已知，着重应对当前的局部环境，使机器人具有良好的绕障能力。
在移动机器人的路径规划算法中，应用较为广泛的如基于栅格的A*算法，它是一种静态路网中求解最短路径的启发式算法，可用于全局与局部路径规划，其代价函数表示为：f(n)＝g(n)+h(n)。
其中：f(n)表示为从初始位置经过位置n到达目标位置的估计代价，g(n)表示为从初始位置到位置n的实际代价，h(n)表示为从位置n到目标位置的估计代价；
主要工作流程如下：
a)把起点加入“开放列表”；
b)遍历“开放列表”，依次取得f(n)最小的节点，作为当前处理的节点NodeP；
c)把当前节点NodeP放入“封闭列表”；
d)遍历当前节点周围的8个相邻节点NodeX，如果处于“封闭列表”或不可通行区域，则忽略；
e)NodeX如果不在“开放列表”，则加入“开放列表”，并把当前节点NodeP作为NodeX的父节点，记录NodeX的F、H、G代价。
f)如果NodeX已经存在于“开放列表”，则检查该路径是否更好(G代价更小)，如果是，则把NodeP作为NodeX的父节点，更新它的G和F代价；
g)直到目标点加入“开放列表”，路径已经找到，此时沿着父节点回溯至初始位置，即为路径(如果“开放列表”为空，则无可达路径)；
A*算法通过比较当前路径的8个邻近节点的启发式函数值F来逐步确定下一个路径节点，当存在多个最小值时A*算法不能保证搜索的路径最优。对于室外场景，范围往往较大，如果通过选择大于实际距离的h(n)，来减少搜索点数，提高效率，则会导致无法得到最优解。
发明内容
本发明的目的在于提供一种基于结构化数据的路径规划方法，该方法结构轻量简单、占用资源小、响应迅速，对给定目标点的运动任务能够根据路网数据实现室外机器人在大范围场景下的路径规划，有效解决了室外大范围场景下路径规划的性能瓶颈问题。
为实现上述目的，本发明的技术方案是：一种基于结构化数据的路径规划方法，方法过程如下
(1)、全局路径规划首先根据结构化数据进行路网构建；结构化路网数据主要包括车道线和路沿，车道线结构化路网数据的字段包括节点ID，基于点云地图坐标系的X、Y、Z，前置节点的PID，后置节点的PID字段；路沿结构化路网数据的字段包括节点ID，基于点云地图坐标系的X、Y、Z，前置节点的PID，后置节点的PID，宽度，高度字段；建立运动目标点的队列,根据执行规则执行队列中的目标点；
全局路径规划的工作过程：读取结构化路网数据进行解析，并根据其节点类型，前置节点的PID和后置节点的PID关系，构建出在路网数据结构中的车道线和路沿；
修正重叠或距离较小的节点，平滑构建车道线和路沿；
接收机器人当前位姿，接收目标点，从目标点队列缓存中弹出队首元素为当前执行目标点G，
遍历路网数据结构，得到与当前机器人位姿最接近的起始节点，得到与目标点G最近接近的终点节点，根据所述起始节点从该点出发，结合前置节点的PID和后置节点的PID，递推至所述终点节点，得到当前目标点的全局路径为初始全局路径，均匀处理初始全局路径的节点间距，重新生成全局路径为二次全局路径，平滑处理二次全局路径得到最终全局路径，发布最终全局路径。
(2)、候选轨迹生成，接收最终全局路径输入，机器人当前位姿输入，遍历最终全局路径，查找最接近机器人当前位姿的节点，并截取以机器人当前位姿前方为正方向，后方为负方向的最终全局路径上的一段距离范围区间内的路径为全局路径片段，以用于局部候选轨迹的规划生成；
构造分布于机器人当前左右两侧的候选轨迹间距记为Density，当前位姿左侧为正，右侧为负，用于生成多条候选轨迹，确定过渡部分节点数记为Count，计算全局路径片段记为PointPathSection相对于当前位姿的侧向偏移量记为HOffset；
计算各候选轨迹过渡部分侧向增量：Diff[i]＝(Density[i]+HOffset)/Count，其中i取值范围为对应生成的多条候选轨迹，
候选轨迹过渡部分节点计算：
PointTrajectory[i][j].y＝PointPathSection[j].y–(HOffset-Diff[i]*j)*sin(PointPathSection[j].yaw+Pi/2)；
PointTrajectory[i][j].x＝PointPathSection[j].x–(HOffset-Diff[i]*j)*cos(PointPathSection[j].yaw+Pi/2)；
其中j取值范围[0,Count-1]，PointTrajectory[i][j]为第i条候选轨迹的第j个点，PointPathSection[j]为被规划候选轨迹的全局路径片段的第j个点，x、y、yaw分别表示节点的坐标和偏航；
候选轨迹平行部分节点计算：
PointTrajectory[i][k].y＝PointPathSection[k].y+Density[i]*
sin(PointPathSection[k].yaw+Pi/2)；
PointTrajectory[i][k].x＝PointPathSection[k].x+Density[i]*
cos(PointPathSection[k].yaw+Pi/2)；
其中k的取值范围[Count,PathSection.size()]，PointTrajectory[i][k]为第i条候选轨迹的第k个点，PointPathSection[k]为被规划候选轨迹的全局路径片段的第k个点；
(3)、候选轨迹评价，在候选轨迹生成完成后，根据障碍物信息进行的评价，接收最终全局路径输入，机器人当前位姿输入，上述(2)生成的多条候选轨迹输入，障碍物轮廓点集输入；
遍历各个障碍物轮廓点，计算机器人当前位姿与障碍物各个轮廓点沿最终全局路径方向的距离；
遍历各障碍物轮廓点与各候选轨迹，计算各障碍物轮廓点与各候选轨迹的侧向距离；
根据机器人膨胀层的宽度进行候选轨迹的可通行性判定，判定候选轨迹与障碍物的间距是否大于机器人膨胀层宽度的一半，小于则进入阻塞状态；
(4)、候选轨迹防抖滤波：初始化上次各候选轨迹阻塞状态，障碍物与各候选轨迹最小距离；
遍历各候选轨迹，跳过处于阻塞状态的候选轨迹；
遍历各候选轨迹，对处于非阻塞状态的候选轨迹，其上次阻塞状态为非阻塞，则跳过；
遍历各候选轨迹，对处于非阻塞状态的候选轨迹，其上次阻塞状态为阻塞的，则检查其与障碍物的最小距离，如果大于安全间距阈值，则跳过，否则修改为阻塞状态。
通过采用上述技术方案，本发明的有益效果是：上述路径规划方法通过结构化路网数据方式，采用寻迹的思想，定义了车道线、路沿等环境元素，通过在点云地图的坐标系上绘制各地图元素，即可构建机器人的可通行区域与不可通行区域，相比基于栅格的A*算法，大大减少了计算量，提高了系统的响应速度，对给定目标点的运动任务，能够根据路网数据实现室外移动机器人在大范围场景下的路径规划，且因其结构简单，足够轻量，具有占用资源小，响应迅速的特点，特别适用于室外移动机器人，可应用于较大场景的路径规划，能够有效解决了室外大范围场景下路径规划的性能瓶颈问题，并能有着姣好的实时性，支持一般目标点与特勤目标点，提高了上层的可用性，轨迹评价防抖滤波保证了路径选择的稳定性，防止在路径选择时，因障碍物轮廓点处于临界状态而波动，导致路径的频繁切换问题。
附图说明
图1是本发明涉及的全局路径规划的流程图；
图2是本发明涉及的候选轨迹生成的流程图；
图3是本发明涉及的候选轨迹评价的流程图；
图4是本发明涉及的候选轨迹防抖滤波处理的流程图。
具体实施方式
为了进一步解释本发明的技术方案，下面通过具体实施例来对本发明进行详细阐述。
一种基于结构化数据的路径规划方法，方法过程包括
全局路径规划，基于已知的静态环境信息或路网数据构建从起始位置到目标位置的最短路径。
候选轨迹生成，基于已规划出的全局路径，截取其部分，生成以该部分全局路径片段为中心轨迹的多条局部候选轨迹。；
候选轨迹评价，结合障碍物信息，对生成的各条候选轨迹进行可通行性判定，进行评价择优，即评价得出能无碰撞避开障碍物且代价最小的运动轨迹；
候选轨迹防抖滤波；对各条候选导航轨迹进行再次判断可行性，防止在候选轨迹评价中选择候选导航轨迹路径时，因障碍物轮廓点处于临界状态而波动，导致候选导航轨迹路径的选择频繁切换。
方法过程具体如下：
(1)、全局路径规划首先根据结构化数据进行路网构建；如图1所示，结构化路网数据主要包括车道线和路沿，车道线结构化路网数据的主要字段包括PID(节点ID)，基于点云地图坐标系的X、Y、Z，BPID(前置节点的PID)，EPID(后置节点的PID)等字段；路沿结构化路网数据的主要字段包括PID(节点ID)，基于点云地图坐标系的X、Y、Z，BPID(前置节点的PID)，EPID(后置节点的PID)，宽度，高度等字段；建立运动目标点的队列，在工作时接收目标点，如果接收的为一般目标点，则入目标点队列缓存，逐一执行目标点队列中的目标点；如果接收的目标点为特勤目标点，则清除目标点队列缓存中未执行的目标点，并将特勤目标点入队列缓存，同时立即重新规划路径，建立运动目标点的队列也可根据机器人实际工作需要来调整，前述内容是本发明公开的一种目标点确认的方式，主要跟机器人的工作任务相关采用的方式。
全局路径规划的工作过程：读取结构化路网数据进行解析，并根据其节点类型(节点类型是指车道线或路沿)，BPID(前置节点的PID)和EPID(后置节点的PID)关系，构建出在路网数据结构中的车道线和路沿；
修正重叠或距离较小的节点，平滑构建车道线和路沿；
接收机器人当前位姿，接收目标点，从目标点队列缓存中弹出队首元素为当前执行目标点G，
遍历路网数据结构，得到与当前机器人位姿最接近的起始节点，得到与目标点G最近接近的终点节点，根据所述起始节点从该点出发，结合BPID(前置节点的PID)和EPID(后置节点的PID)，递推至所述终点节点，得到当前目标点的全局路径为初始全局路径，均匀处理初始全局路径的节点间距，重新生成全局路径为二次全局路径，平滑处理二次全局路径得到最终全局路径，发布最终全局路径。
(2)、候选轨迹生成，如图2所示，接收最终全局路径输入，机器人当前位姿输入，遍历最终全局路径，查找最接近机器人当前位姿的节点，并截取以机器人当前位姿前方为正方向，后方为负方向的最终全局路径上的一段距离范围区间内的路径为全局路径片段；以用于局部候选轨迹的规划生成，，例如截取范围在(-10m,100m)，截取长度根据实际情况判断；
构造分布于机器人当前左右两侧的候选轨迹间距(候选轨迹间距表示为Density)，当前位姿左侧为正，右侧为负，例如间距为一米，用于生成六条候选轨迹，其在系统中表示为(3，2，1，0，-1，-2，-3)，确定过渡部分节点数(节点数表示为Count)，这里过渡部分是指机器人当前位置至候选轨迹平行部分的部分，节点数为该过渡部分在最终全局路径上对应的节点数量，计算全局路径片段(全局路径片段表示为PointPathSection)相对于当前位姿的侧向偏移量(侧向偏移量表示为HOffset)；
计算各候选轨迹过渡部分侧向增量：Diff[i]＝(Density[i]+HOffset)/Count，其中i取值范围为[0,6]，对应上述的7条路径的7个值，
候选轨迹过渡部分节点计算：
PointTrajectory[i][j].y＝PointPathSection[j].y–(HOffset-Diff[i]*j)*sin(PointPathSection[j].yaw+Pi/2)；
PointTrajectory[i][j].x＝PointPathSection[j].x–(HOffset-Diff[i]*j)*cos(PointPathSection[j].yaw+Pi/2)；
其中j取值范围[0,Count-1]，PointTrajectory[i][j]为第i条候选轨迹的第j个点，PointPathSection[j]为被规划候选轨迹的全局路径片段的第j个点，x、y、yaw分别表示节点的坐标和偏航；
候选轨迹平行部分节点计算：
PointTrajectory[i][k].y＝PointPathSection[k].y+Density[i]*
sin(PointPathSection[k].yaw+Pi/2)；
PointTrajectory[i][k].x＝PointPathSection[k].x+Density[i]*
cos(PointPathSection[k].yaw+Pi/2)；
其中k的取值范围[Count,PathSection.size()]，PointTrajectory[i][k]为第i条候选轨迹的第k个点，PointPathSection[k]为被规划候选轨迹的全局路径片段的第k个点。
(3)、候选轨迹评价，在候选轨迹生成完成后，根据障碍物信息进行的评价，如图3所示：接收最终全局路径输入，机器人当前位姿输入，上述(2)生成的多条候选轨迹输入，障碍物轮廓点集输入；
遍历各个障碍物轮廓点，计算机器人当前位姿与障碍物各个轮廓点沿最终全局路径方向的距离；
遍历各障碍物轮廓点与各候选轨迹，计算各障碍物轮廓点与各候选轨迹的侧向距离；
根据机器人膨胀层(机器人膨胀层是机器人设定的碰撞保险范围，该范围是大于机器人外轮廓的，故称为膨胀层，在触及膨胀层机器人即判断有碰撞的可能停止运动)的宽度进行候选轨迹的可通行性判定，即候选轨迹与障碍物的间距是否大于机器人膨胀层宽度的一半，小于则进入阻塞状态，即该条候选轨迹判断为不可通行。
(4)、候选轨迹防抖滤波：如图4所示，初始化上次各候选轨迹阻塞状态，障碍物与各候选轨迹最小距离；
遍历各候选轨迹，跳过处于阻塞状态的候选轨迹；
遍历各候选轨迹，对处于非阻塞状态的候选轨迹，其上次阻塞状态为非阻塞，则跳过；
遍历各候选轨迹，对处于非阻塞状态的候选轨迹，其上次阻塞状态为阻塞的，则检查其与障碍物的最小距离，如果大于安全间距阈值，则跳过，否则修改为阻塞状态。
通过候选轨迹防抖滤波保证了路径选择的稳定性，防止在路径选择时，因障碍物轮廓点处于临界状态而波动，导致路径的频繁切换问题。
上述实施例和图式并非限定本发明的产品形态和式样，任何所属技术领域的普通技术人员对其所做的适当变化或修饰，皆应视为不脱离本发明的专利范畴。
Claims (1)
1.一种基于结构化数据的路径规划方法，其特征在于，方法过程如下
(1)、全局路径规划首先根据结构化数据进行路网构建；结构化路网数据主要包括车道线和路沿，车道线结构化路网数据的字段包括节点ID，基于点云地图坐标系的X、Y、Z，前置节点的PID，后置节点的PID字段；路沿结构化路网数据的字段包括节点ID，基于点云地图坐标系的X、Y、Z，前置节点的PID，后置节点的PID，宽度，高度字段；建立运动目标点的队列,根据执行规则执行队列中的目标点；
全局路径规划的工作过程：读取结构化路网数据进行解析，并根据其节点类型，前置节点的PID和后置节点的PID关系，构建出在路网数据结构中的车道线和路沿；
修正重叠或距离较小的节点，平滑构建车道线和路沿；
接收机器人当前位姿，接收目标点，从目标点队列缓存中弹出队首元素为当前执行目标点G，
遍历路网数据结构，得到与当前机器人位姿最接近的起始节点，得到与目标点G最近接近的终点节点，根据所述起始节点从该点出发，结合前置节点的PID和后置节点的PID，递推至所述终点节点，得到当前目标点的全局路径为初始全局路径，均匀处理初始全局路径的节点间距，重新生成全局路径为二次全局路径，平滑处理二次全局路径得到最终全局路径，发布最终全局路径。
(2)、候选轨迹生成，接收最终全局路径输入，机器人当前位姿输入，遍历最终全局路径，查找最接近机器人当前位姿的节点，并截取以机器人当前位姿前方为正方向，后方为负方向的最终全局路径上的一段距离范围区间内的路径为全局路径片段，以用于局部候选轨迹的规划生成；
构造分布于机器人当前左右两侧的候选轨迹间距记为Density，当前位姿左侧为正，右侧为负，用于生成多条候选轨迹，确定过渡部分节点数记为Count，计算全局路径片段记为PointPathSection相对于当前位姿的侧向偏移量记为HOffset；
计算各候选轨迹过渡部分侧向增量：Diff[i]＝(Density[i]+HOffset)/Count，其中i取值范围为对应生成的多条候选轨迹，
候选轨迹过渡部分节点计算：
PointTrajectory[i][j].y＝PointPathSection[j].y–(HOffset-Diff[i]*j)*sin(PointPathSection[j].yaw+Pi/2)；
PointTrajectory[i][j].x＝PointPathSection[j].x–(HOffset-Diff[i]*j)*cos(PointPathSection[j].yaw+Pi/2)；
其中j取值范围[0,Count-1]，PointTrajectory[i][j]为第i条候选轨迹的第j个点，PointPathSection[j]为被规划候选轨迹的全局路径片段的第j个点，x、y、yaw分别表示节点的坐标和偏航；
候选轨迹平行部分节点计算：
PointTrajectory[i][k].y＝PointPathSection[k].y+Density[i]*
sin(PointPathSection[k].yaw+Pi/2)；
PointTrajectory[i][k].x＝PointPathSection[k].x+Density[i]*
cos(PointPathSection[k].yaw+Pi/2)；
其中k的取值范围[Count,PathSection.size()]，PointTrajectory[i][k]为第i条候选轨迹的第k个点，PointPathSection[k]为被规划候选轨迹的全局路径片段的第k个点；
(3)、候选轨迹评价，在候选轨迹生成完成后，根据障碍物信息进行的评价，接收最终全局路径输入，机器人当前位姿输入，上述(2)生成的多条候选轨迹输入，障碍物轮廓点集输入；
遍历各个障碍物轮廓点，计算机器人当前位姿与障碍物各个轮廓点沿最终全局路径方向的距离；
遍历各障碍物轮廓点与各候选轨迹，计算各障碍物轮廓点与各候选轨迹的侧向距离；
根据机器人膨胀层的宽度进行候选轨迹的可通行性判定，判定候选轨迹与障碍物的间距是否大于机器人膨胀层宽度的一半，小于则进入阻塞状态；
(4)、候选轨迹防抖滤波：初始化上次各候选轨迹阻塞状态，障碍物与各候选轨迹最小距离；
遍历各候选轨迹，跳过处于阻塞状态的候选轨迹；
遍历各候选轨迹，对处于非阻塞状态的候选轨迹，其上次阻塞状态为非阻塞，则跳过；
遍历各候选轨迹，对处于非阻塞状态的候选轨迹，其上次阻塞状态为阻塞的，则检查其与障碍物的最小距离，如果大于安全间距阈值，则跳过，否则修改为阻塞状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010607328.5A CN111895999B (zh) | 2020-06-29 | 2020-06-29 | 一种基于结构化数据的路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010607328.5A CN111895999B (zh) | 2020-06-29 | 2020-06-29 | 一种基于结构化数据的路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111895999A true CN111895999A (zh) | 2020-11-06 |
| CN111895999B CN111895999B (zh) | 2022-03-15 |
Family
ID=73207237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010607328.5A Active CN111895999B (zh) | 2020-06-29 | 2020-06-29 | 一种基于结构化数据的路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111895999B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112859848A (zh) * | 2021-01-06 | 2021-05-28 | 国电内蒙古东胜热电有限公司 | 管道机器人的无线导航方法及系统 |
| CN113093763A (zh) * | 2021-04-13 | 2021-07-09 | 塔米智能科技（北京）有限公司 | 一种移动机器人调度系统和方法 |
| CN114296457A (zh) * | 2021-12-29 | 2022-04-08 | 中国一冶集团有限公司 | 手绘轨迹控制抹灰机器人移动的方法 |
| CN113124891B (zh) * | 2021-04-20 | 2023-05-16 | 东软睿驰汽车技术（沈阳）有限公司 | 一种行驶路径规划方法及相关装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101283376A (zh) * | 2005-10-14 | 2008-10-08 | 微软公司 | 使用轨迹分段分析的双向跟踪 |
| CN102169524A (zh) * | 2010-02-26 | 2011-08-31 | 同济大学 | 城市轨道交通网络客流分布的分阶段多路径模型算法 |
| CN102636175A (zh) * | 2011-02-14 | 2012-08-15 | 株式会社电装 | 路径引导系统 |
| CN103325248A (zh) * | 2012-03-21 | 2013-09-25 | 爱信艾达株式会社 | 交通信息创建装置和交通信息创建方法 |
| KR20130106161A (ko) * | 2012-03-19 | 2013-09-27 | 노틸러스효성 주식회사 | 이동식 로봇의 전역경로 최적화 방법 |
| CN104376729A (zh) * | 2014-09-11 | 2015-02-25 | 同济大学 | 一种基于车车通信的高速公路对向车道拥塞提示方法 |
| KR20170050166A (ko) * | 2015-10-29 | 2017-05-11 | 한국과학기술연구원 | 로봇의 구동 경로를 계획하기 위한 로봇 제어 시스템 및 로봇 구동 경로 계획방법 |
| US20170199525A1 (en) * | 2016-01-08 | 2017-07-13 | King Fahd University Of Petroleum And Minerals | Apparatus and method for deploying sensors |
| CN109961175A (zh) * | 2019-03-05 | 2019-07-02 | 福建工程学院 | 一种乘客拥挤度识别方法和系统 |
-
2020
- 2020-06-29 CN CN202010607328.5A patent/CN111895999B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101283376A (zh) * | 2005-10-14 | 2008-10-08 | 微软公司 | 使用轨迹分段分析的双向跟踪 |
| CN102169524A (zh) * | 2010-02-26 | 2011-08-31 | 同济大学 | 城市轨道交通网络客流分布的分阶段多路径模型算法 |
| CN102636175A (zh) * | 2011-02-14 | 2012-08-15 | 株式会社电装 | 路径引导系统 |
| KR20130106161A (ko) * | 2012-03-19 | 2013-09-27 | 노틸러스효성 주식회사 | 이동식 로봇의 전역경로 최적화 방법 |
| CN103325248A (zh) * | 2012-03-21 | 2013-09-25 | 爱信艾达株式会社 | 交通信息创建装置和交通信息创建方法 |
| CN104376729A (zh) * | 2014-09-11 | 2015-02-25 | 同济大学 | 一种基于车车通信的高速公路对向车道拥塞提示方法 |
| KR20170050166A (ko) * | 2015-10-29 | 2017-05-11 | 한국과학기술연구원 | 로봇의 구동 경로를 계획하기 위한 로봇 제어 시스템 및 로봇 구동 경로 계획방법 |
| US20170199525A1 (en) * | 2016-01-08 | 2017-07-13 | King Fahd University Of Petroleum And Minerals | Apparatus and method for deploying sensors |
| CN109961175A (zh) * | 2019-03-05 | 2019-07-02 | 福建工程学院 | 一种乘客拥挤度识别方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 彭晓燕: "无人驾驶汽车局部路径规划算法研究", 《汽车工程》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112859848A (zh) * | 2021-01-06 | 2021-05-28 | 国电内蒙古东胜热电有限公司 | 管道机器人的无线导航方法及系统 |
| CN112859848B (zh) * | 2021-01-06 | 2023-03-10 | 国电内蒙古东胜热电有限公司 | 管道机器人的无线导航方法及系统 |
| CN113093763A (zh) * | 2021-04-13 | 2021-07-09 | 塔米智能科技（北京）有限公司 | 一种移动机器人调度系统和方法 |
| CN113124891B (zh) * | 2021-04-20 | 2023-05-16 | 东软睿驰汽车技术（沈阳）有限公司 | 一种行驶路径规划方法及相关装置 |
| CN114296457A (zh) * | 2021-12-29 | 2022-04-08 | 中国一冶集团有限公司 | 手绘轨迹控制抹灰机器人移动的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111895999B (zh) | 2022-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111895999B (zh) | 一种基于结构化数据的路径规划方法 | |
| CN109976350B (zh) | 多机器人调度方法、装置、服务器及计算机可读存储介质 | |
| CN111024092B (zh) | 一种多约束条件下智能飞行器航迹快速规划方法 | |
| CN106525047B (zh) | 一种基于floyd算法的无人机路径规划方法 | |
| CN109115226B (zh) | 基于跳点搜索的多机器人冲突避免的路径规划方法 | |
| CN108241375B (zh) | 一种自适应蚁群算法在移动机器人路径规划中的应用方法 | |
| CN110231824B (zh) | 基于直线偏离度方法的智能体路径规划方法 | |
| CN112229419B (zh) | 一种动态路径规划导航方法及系统 | |
| Willms et al. | Real-time robot path planning via a distance-propagating dynamic system with obstacle clearance | |
| CN110989352B (zh) | 一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法 | |
| CN110006429A (zh) | 一种基于深度优化的无人船航迹规划方法 | |
| CN110687923A (zh) | 无人机长距离循迹飞行方法、装置、设备及存储介质 | |
| CN110531770A (zh) | 一种基于改进的rrt路径规划方法和系统 | |
| CN112859866A (zh) | 机器人滚动路径规划方法、系统、存储介质、设备及应用 | |
| CN108268042A (zh) | 一种基于改进可视图构造的路径规划算法 | |
| CN112379697B (zh) | 轨迹规划方法、装置、轨迹规划器、无人机及存储介质 | |
| CN114815802A (zh) | 一种基于改进蚁群算法的无人天车路径规划方法和系统 | |
| CN111006667A (zh) | 高速场景下的自动驾驶轨迹生成系统 | |
| CN109579848B (zh) | 一种保持全局路径下机器人的中间规划方法 | |
| Tang et al. | Route coverage testing for autonomous vehicles via map modeling | |
| CN109341698B (zh) | 一种移动机器人的路径选择方法及装置 | |
| CN110954124A (zh) | 一种基于a*-pso算法的自适应路径规划方法及系统 | |
| CN114913386A (zh) | 一种多目标跟踪模型的训练方法以及多目标跟踪方法 | |
| CN113390417A (zh) | 机器人及其导航方法、装置和计算机可读存储介质 | |
| 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 |
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 |