CN111897328A - 一种基于改进人工势场法的路径规划方法、装置及设备 - Google Patents

一种基于改进人工势场法的路径规划方法、装置及设备 Download PDF

Info

Publication number
CN111897328A
CN111897328A CN202010690134.6A CN202010690134A CN111897328A CN 111897328 A CN111897328 A CN 111897328A CN 202010690134 A CN202010690134 A CN 202010690134A CN 111897328 A CN111897328 A CN 111897328A
Authority
CN
China
Prior art keywords
mobile robot
node
potential field
current
path
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
CN202010690134.6A
Other languages
English (en)
Other versions
CN111897328B (zh
Inventor
徐劲力
许建宁
黄丰云
江仕球
李征瑞
曹其
江昱
陈俊松
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202010690134.6A priority Critical patent/CN111897328B/zh
Publication of CN111897328A publication Critical patent/CN111897328A/zh
Application granted granted Critical
Publication of CN111897328B publication Critical patent/CN111897328B/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, 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
    • G05D1/0221—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, 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
    • G05D1/0276—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)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于改进人工势场法的路径规划方法、装置及设备，方法包括：S1、对移动机器人的运动环境进行建模；S2、通过改进人工势场法计算出移动机器人在当前节点所受的引力、斥力以及合力；S3、确认出移动机器人的当前运动方向；S4、判断移动机器人的当前节点是否陷入局部最优解节点处，如果不是，则执行步骤S5，否则采用变步长的模拟退火算法跳出所述局部最优解节点处，并在跳出后执行步骤S2；S5、得出所述移动机器人的下一节点，并判断下一节点是否为目标点，如果是，则根据移动机器人从起点到目标点之间的各个节点的坐标，规划出移动机器人的行走路径。本发明避免陷入局部最优解以及障碍物附近目标不可达的问题。

Description

一种基于改进人工势场法的路径规划方法、装置及设备
技术领域
本发明涉及路径规划技术领域，特别涉及一种基于改进人工势场法的路径规划方法、装置、设备及存储介质。
背景技术
路径规划技术是移动机器人领域的关键技术，是其自主移动完成各种任务的保障，也是所有移动机器人进行智能化应用研究的一切前提。近年来，国内外学者提出一系列算法应用在路径规划研究当中，主要包括人工势场法、蚁群算法、遗传算法、粒子群算法、A*算法、RRT算法等等，但是这些算法又存在着不足点。
与其他算法相比人工势场法算法相对简单，计算量也较小，规划出来的路径相对较为平滑，但是也存在障碍物附近目标不可达以及陷入局部最优解时导致无法运动等缺陷。
因而现有技术还有待改进和提高。
发明内容
鉴于上述现有技术的不足之处，本发明的目的在于提供一种基于改进人工势场法的路径规划方法、装置、设备及存储介质，以解决目前采用人工势场法时，存在障碍物附近目标不可达以及陷入局部最优解时导致无法运动的问题。
为了达到上述目的，本发明采取了以下技术方案：
第一方面，本发明提供了一种基于改进人工势场法的路径规划方法，包括如下步骤：
S1、对移动机器人的运动环境进行建模，在建立的模型中设置好移动机器人的起点、目标点、障碍物位置以及障碍物的影响距离后，初始化所述移动机器人的步长；
S2、通过改进人工势场法计算出所述移动机器人在当前节点所受的引力、斥力以及合力；
S3、根据所述移动机器人在当前节点所受的合力方向确认出所述移动机器人的当前运动方向；
S4、判断所述移动机器人的当前节点是否陷入局部最优解节点处，如果不是，则执行步骤S5，否则采用变步长的模拟退火算法跳出所述局部最优解节点处，并在跳出后执行步骤S2；
S5、根据所述移动机器人的步长以及当前运动方向，得出所述移动机器人的下一节点，并判断所述下一节点是否为目标点，如果不是，则执行步骤S2，如果是，则根据获得的移动机器人从起点到目标点之间的各个节点的坐标，规划出所述移动机器人的行走路径。
第二方面，本发明提供了一种基于改进人工势场法的路径规划装置，包括：
建模模块，用于对移动机器人的运动环境进行建模，在建立的模型中设置好移动机器人的起点、目标点、障碍物位置以及障碍物的影响距离后，初始化所述移动机器人的步长；
受力计算模块，用于通过改进人工势场法计算出所述移动机器人在当前节点所受的引力、斥力以及合力；
运动方向确认模块，用于根据所述移动机器人在当前节点所受的合力方向确认出所述移动机器人的当前运动方向；
局部最优解处理模块，用于判断所述移动机器人的当前节点是否陷入局部最优解节点处，如果是则采用变步长的模拟退火算法跳出所述局部最优解节点处；
行走路径规划模块，用于根据所述移动机器人的步长以及当前运动方向，得出所述移动机器人的下一节点，并判断所述下一节点是否为目标点，如果是，则根据获得的移动机器人从起点到目标点之间的各个节点的坐标，规划出所述移动机器人的行走路径。
第三方面，本发明提供了一种基于改进人工势场法的路径规划设备，包括处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如上所述的基于改进人工势场法的路径规划方法中的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的基于改进人工势场法的路径规划方法中的步骤。
相较于现有技术，本发明提供的基于改进人工势场法的路径规划方法、装置、设备及存储介质，为处理采用人工势场法时所出现的的局部最小值问题导致机器人不可移动的情况，采用变步长的模拟退火算法逃逸当前局部最优解位置，进而避免出现机器人在障碍物附近目标不可达或者陷入局部最优解时无法移动的问题。
附图说明
图1为本发明提供的基于改进人工势场法的路径规划方法的一较佳实施例的流程图；
图2为传统人工势场法中移动机器人受力示意图；
图3为本发明改进人工势场法中移动机器人受力示意图；
图4为复杂障碍物环境下采用本发明提供的基于改进人工势场法的路径规划方法进行路径规划的路径轨迹示意图；
图5为随机障碍物环境下采用本发明提供的基于改进人工势场法的路径规划方法进行路径规划的路径轨迹示意图。
具体实施方式
本发明提供一种基于改进人工势场法的路径规划方法、装置、设备及存储介质，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明实施例提供的基于改进人工势场法的路径规划方法，包括如下步骤：
S1、对移动机器人的运动环境进行建模，在建立的模型中设置好移动机器人的起点、目标点、障碍物位置以及障碍物的影响距离后，初始化所述移动机器人的步长。
具体实施时，可采用栅格法等方法来实现移动机器人的运动环境的建模，易于实现，并且建模的精度高，可加强路径规划的准确性，其中，移动机器人的步长λ0可自主设置。
S2、通过改进人工势场法计算出所述移动机器人在当前节点所受的引力、斥力以及合力。
具体来说，人工势场法是通过在机器人进行运动时建立势力场，并使得在目标点处的合势力为全局最优值。对于移动机器人在二维空间中任意一点，传统人工势场法通过在空间中目标点建立引力势场，对于任一个在各个障碍物处建立斥力势场，在目标点引力以及障碍物排斥力的作用下，通过两者的合力，确定了移动机器人下一步的运动方向，如图2所示。此种方法极可能出现障碍物附近目标不可达的问题。故本发明具体对斥力的计算模型进行改进，以解决障碍物附近目标不可达的问题。
具体的，所述步骤S2中，所述移动机器人在当前节点所受的引力的计算公式为：
Figure BDA0002589055120000051
其中，Fatt(q)为移动机器人在节点q所受的引力，Uatt(q)为节点q的引力势场，Katt为所述引力势场的增益系数，Umin为最小引力势能，q为当前节点在二维空间中的坐标，qg为目标点在二维空间中的坐标。
进一步的，为解决障碍物附近目标不可达问题，将机器人与障碍物的欧几里得距离引入人工势场函数，其受力示意图如图3所示，改进后的斥力计算公式为：
Figure BDA0002589055120000052
其中，Freq(q)为所述移动机器人在当前节点所受的斥力，Ureq(q)为节点q的斥力势场，ρ为所述移动机器人从当前节点q到障碍物点q0的直线距离，ρ0为障碍物的影响距离，Freq2为所述移动机器人在当前节点与障碍物点的连线方向上的斥力，Freq1为所述移动机器人在当前节点与目标点的连线方向上的斥力。
进一步来说，当计算出引力和斥力后，即可通过引力和斥力计算出所述移动机器人在当前节点所受的合力，具体的，所述移动机器人在当前节点所受的合力的计算公式为：
F＝Fatt(q)+Freq(q)，
其中，F为所述移动机器人在节点q所受的合力，Fatt(q)为移动机器人在节点q所受的引力。
S3、根据所述移动机器人在当前节点所受的合力方向确认出所述移动机器人的当前运动方向。其中，所述移动机器人的合力方向即为所述移动机器人避障行走的方向。
S4、判断所述移动机器人的当前节点是否陷入局部最优解节点处，如果不是，则执行步骤S5，否则采用变步长的模拟退火算法跳出所述局部最优解节点处，并在跳出后执行步骤S2。
具体来说，由于移动机器人可能陷入到局部最优解，此时，会导致移动机器人无法移动，所以需首先判断移动机器人是否陷入局部最优解，当所述移动机器人陷入局部最优解时，采用变步长的模拟退火算法跳出所述局部最优解节点处，具体的，采用变步长的模拟退火算法跳出所述局部最优解节点处的步骤包括：
S41、初始化模拟退火算法中的初始工作温度T以及退火速率α，本实施例中，初始工作温度T＝10、退火速率α＝0.9；
S42、在预设范围内(本实施例中为[0,2π])给所述移动机器人一随机角度θ和随机步长λ＝βλ0，其中β为步长增益系数，判断所述移动机器人以所述随机角度和随机步长运动后是否与障碍物碰撞，如果是，则使所述移动机器人以新的随机角度和随机步长运动，直至所述移动机器人不与障碍物发生碰撞；
S43、当所述移动机器人不与障碍物发生碰撞时，计算所述移动机器人运动后的随机节点的合势能Urand以及前一个节点的合势能Ubef，并根据随机节点的合势能Urand以及前一个节点的合势能Ubef计算出势能变化量ΔU＝Urand-Ubef；其中，所述随机节点的合势能Urand以及前一个节点的合势能Ubef的计算方法与机器人当前的引力势场计算方式类似，在此不再赘述；
S44、根据所述势能变化量，利用模拟退火算法准则判断是否可以接收当前随机解，如果能ΔU＜0，则接受当前随机解，如果不能则产生一个随机数r，若exp(-ΔU/T)＞r，则接受当前随机解，否则重新产生一随机数直至可接收当前随机解为止；
S45、当可以接收当前随机解时，按照退火策略T＝αT更新参数，判断是否跳出局部最优解节点处，如果已逃逸，则退出模拟退火算法，如果没有，则重复步骤S42至S44，直至跳出局部最优解节点处。
S5、根据所述移动机器人的步长以及当前运动方向，得出所述移动机器人的下一节点，并判断所述下一节点是否为目标点，如果不是，则执行步骤S2，如果是，则根据获得的移动机器人从起点到目标点之间的各个节点的坐标，规划出所述移动机器人的行走路径。
具体的，如果移动机器人没有陷入局部最优解，则可根据移动机器人的步长以及当前运动方向得出移动机器人的下一节点，然后重复步骤S2，直至移动机器人从起点到目标点的所有节点均被得出后，即可根据获得的移动机器人从起点到目标点之间的各个节点的坐标，规划出所述移动机器人的行走路径。
优选的实施例中，由于改进人工势场法中获得的路径点存在冗余的路径点与振荡点，当运动到障碍物附近时合力产生突变，生成的路径点存在振荡的情况，生成的路径点在实际中无法应用，因此本发明研究提出一种路径优化平滑算法，在通过改进人工势场法与模拟退火算法融合获得路径节点的基础上，对当前路径节点中的冗余点以及振荡点进行删除，在剩余的节点连成的路径中利用四次贝塞尔样条插值进行平滑处理，最终获得一条平滑的路径。
具体的，所述步骤S5之后还包括：
S6、对规划处的所述移动机器人的行走路径进行平滑处理，以得到平滑的行走路径。
具体的，所述步骤S6包括：
S61、获取移动机器人从起点到目标点的无碰撞路路径点序列，并记为Qj(xj,yj)，其中j为路径点的总数，并初始化空数组LQ；
S62、设障碍物点为Ci,i∈[0,N],其中N为障物的数目，路径起点A为Qm,其中m＝1，选取路径起点的后两个点B为Qn,其中n＝m+2，计算点Ci到直线AB的距离，若大于给定距离参数，则令n＝n+1，否则判断CiA与CiB的夹角，若为锐角，则令n＝n+1，否则，将Qm放入数组LQ中，并令m＝m+1；
S63、判断m是否等于j，如果不是则重复步骤S62，直至m＝j后，获得折线路径；
S64、将获得的折线路径的拐角左右两条折线上取得的中点以及靠近拐点的四等分点，通过四次贝塞尔样条插值进行平滑处理；
S65、输出路径节点信息，以得到平滑的行走路径。
其中，所述步骤S64中，进行平滑处理时采用的曲线方程式为：
Figure BDA0002589055120000081
式中：P(i)(i＝0,1,2…n)为控制点,Ni,p(t)为p次B样条基函数。
为了验证本发明中的基于改进人工势场法的路径规划方法，如图4和图5所示，分别在复杂障碍物环境和随机障碍物环境下进行仿真实验时，获得的移动机器人的行走路径为平滑的最优路径，本发明中改进人工势场法的路径规划方法避免了出现机器人在障碍物附近目标不可达或者陷入局部最优解时无法移动的问题。
基于上述基于改进人工势场法的路径规划方法，本发明还相应的提供一种基于改进人工势场法的路径规划装置，包括：
建模模块，用于对移动机器人的运动环境进行建模，在建立的模型中设置好移动机器人的起点、目标点、障碍物位置以及障碍物的影响距离后，初始化所述移动机器人的步长；
受力计算模块，用于通过改进人工势场法计算出所述移动机器人在当前节点所受的引力、斥力以及合力；
运动方向确认模块，用于根据所述移动机器人在当前节点所受的合力方向确认出所述移动机器人的当前运动方向；
局部最优解处理模块，用于判断所述移动机器人的当前节点是否陷入局部最优解节点处，如果是则采用变步长的模拟退火算法跳出所述局部最优解节点处；
行走路径规划模块，用于根据所述移动机器人的步长以及当前运动方向，得出所述移动机器人的下一节点，并判断所述下一节点是否为目标点，如果是，则根据获得的移动机器人从起点到目标点之间的各个节点的坐标，规划出所述移动机器人的行走路径。
本实施例提供的基于改进人工势场法的路径规划装置，用于实现基于改进人工势场法的路径规划方法，因此，上述基于改进人工势场法的路径规划方法所具备的技术效果，基于改进人工势场法的路径规划装置同样具备，在此不再赘述。
基于上述机器人规划方法，本发明还相应的提供了一种基于改进人工势场法的路径规划设备，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述实施例所述的基于改进人工势场法的路径规划方法。
本实施例提供的基于改进人工势场法的路径规划设备，用于实现基于改进人工势场法的路径规划方法，因此，上述基于改进人工势场法的路径规划方法所具备的技术效果，基于改进人工势场法的路径规划设备同样具备，在此不再赘述。
综上所述，本发明提供的基于改进人工势场法的路径规划方法、装置、设备及存储介质，为处理采用人工势场法时所出现的的局部最小值问题导致机器人不可移动的情况，采用变步长的模拟退火算法逃逸当前局部最优解位置，进而避免出现机器人在障碍物附近目标不可达或者陷入局部最优解时无法移动的问题。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种基于改进人工势场法的路径规划方法，其特征在于，包括如下步骤：
S1、对移动机器人的运动环境进行建模，在建立的模型中设置好移动机器人的起点、目标点、障碍物位置以及障碍物的影响距离后，初始化所述移动机器人的步长；
S2、通过改进人工势场法计算出所述移动机器人在当前节点所受的引力、斥力以及合力；
S3、根据所述移动机器人在当前节点所受的合力方向确认出所述移动机器人的当前运动方向；
S4、判断所述移动机器人的当前节点是否陷入局部最优解节点处，如果不是，则执行步骤S5，否则采用变步长的模拟退火算法跳出所述局部最优解节点处，并在跳出后执行步骤S2；
S5、根据所述移动机器人的步长以及当前运动方向，得出所述移动机器人的下一节点，并判断所述下一节点是否为目标点，如果不是，则执行步骤S2，如果是，则根据获得的移动机器人从起点到目标点之间的各个节点的坐标，规划出所述移动机器人的行走路径。
2.根据权利要求1所述的基于改进人工势场法的路径规划方法，其特征在于，所述步骤S2中，所述移动机器人在当前节点所受的引力的计算公式为：
Figure FDA0002589055110000011
Figure FDA0002589055110000012
其中，Fatt(q)为移动机器人在节点q所受的引力，Uatt(q)为节点q的引力势场，Katt为所述引力势场的增益系数，Umin为最小引力势能，q为当前节点在二维空间中的坐标，qg为目标点在二维空间中的坐标。
3.根据权利要求2所述的基于改进人工势场法的路径规划方法，其特征在于，所述步骤S2中，所述移动机器人在当前节点所受的斥力的计算公式为：
Figure FDA0002589055110000021
Figure FDA0002589055110000022
Figure FDA0002589055110000023
其中，Freq(q)为所述移动机器人在当前节点所受的斥力，Ureq(q)为节点q的斥力势场，ρ为所述移动机器人从当前节点q到障碍物点qo的直线距离，ρ0为障碍物的影响距离，Freq2为所述移动机器人在当前节点与障碍物点的连线方向上的斥力，Freq1为所述移动机器人在当前节点与目标点的连线方向上的斥力。
4.根据权利要求3所述的基于改进人工势场法的路径规划方法，其特征在于，所述步骤S2中，所述移动机器人在当前节点所受的合力的计算公式为：
F＝Fatt(q)+Freq(q)，
其中，F为所述移动机器人在节点q所受的合力，Fatt(q)为移动机器人在节点q所受的引力。
5.根据权利要求1所述的基于改进人工势场法的路径规划方法，其特征在于，所述步骤S4中，采用变步长的模拟退火算法跳出所述局部最优解节点处的步骤包括：
S41、初始化模拟退火算法中的初始工作温度T以及退火速率α；
S42、在预设范围内给所述移动机器人一随机角度和随机步长，判断所述移动机器人以所述随机角度和随机步长运动后是否与障碍物碰撞，如果是，则使所述移动机器人以新的随机角度和随机步长运动，直至所述移动机器人不与障碍物发生碰撞；
S43、当所述移动机器人不与障碍物发生碰撞时，计算所述移动机器人运动后的随机节点的合势能Urand以及前一个节点的合势能Ubef，并根据随机节点的合势能Urand以及前一个节点的合势能Ubef计算出势能变化量ΔU＝Urand-Ubef；
S44、根据所述势能变化量，利用模拟退火算法准则判断是否可以接收当前随机解，如果能ΔU＜0，则接受当前随机解，如果不能则产生一个随机数r，若exp(-ΔU/T)＞r，则接受当前随机解，否则重新产生一随机数直至可接收当前随机解为止；
S45、当可以接收当前随机解时，按照退火策略T＝αT更新参数，判断是否跳出局部最优解节点处，如果已逃逸，则退出模拟退火算法，如果没有，则重复步骤S42至S44，直至跳出局部最优解节点处。
6.根据权利要求1所述的基于改进人工势场法的路径规划方法，其特征在于，所述步骤S5后还包括：
S6、对规划处的所述移动机器人的行走路径进行平滑处理，以得到平滑的行走路径。
7.根据权利要求6所述的基于改进人工势场法的路径规划方法，其特征在于，所述步骤S6具体包括：
S61、获取移动机器人从起点到目标点的无碰撞路路径点序列，并记为Qj(xj,yj)，其中j为路径点的总数，并初始化空数组LQ；
S62、设障碍物点为Ci,i∈[0,N],其中N为障物的数目，路径起点A为Qm,其中m＝1，选取路径起点的后两个点B为Qn,其中n＝m+2，计算点Ci到直线AB的距离，若大于给定距离参数，则令n＝n+1，否则判断CiA与CiB的夹角，若为锐角，则令n＝n+1，否则，将Qm放入数组LQ中，并令m＝m+1；
S63、判断m是否等于j，如果不是则重复步骤S62，直至m＝j后，获得折线路径；
S64、将获得的折线路径的拐角左右两条折线上取得的中点以及靠近拐点的四等分点，通过四次贝塞尔样条插值进行平滑处理；
S65、输出路径节点信息，以得到平滑的行走路径。
8.一种基于改进人工势场法的路径规划装置，其特征在于，包括：
建模模块，用于对移动机器人的运动环境进行建模，在建立的模型中设置好移动机器人的起点、目标点、障碍物位置以及障碍物的影响距离后，初始化所述移动机器人的步长；
受力计算模块，用于通过改进人工势场法计算出所述移动机器人在当前节点所受的引力、斥力以及合力；
运动方向确认模块，用于根据所述移动机器人在当前节点所受的合力方向确认出所述移动机器人的当前运动方向；
局部最优解处理模块，用于判断所述移动机器人的当前节点是否陷入局部最优解节点处，如果是则采用变步长的模拟退火算法跳出所述局部最优解节点处；
行走路径规划模块，用于根据所述移动机器人的步长以及当前运动方向，得出所述移动机器人的下一节点，并判断所述下一节点是否为目标点，如果是，则根据获得的移动机器人从起点到目标点之间的各个节点的坐标，规划出所述移动机器人的行走路径。
9.一种基于改进人工势场法的路径规划设备，其特征在于，包括处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如权利要求1-8任意一项所述的基于改进人工势场法的路径规划方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-8任意一项所述的基于改进人工势场法的路径规划方法中的步骤。
CN202010690134.6A 2020-07-17 2020-07-17 一种基于改进人工势场法的路径规划方法、装置及设备 Active CN111897328B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010690134.6A CN111897328B (zh) 2020-07-17 2020-07-17 一种基于改进人工势场法的路径规划方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010690134.6A CN111897328B (zh) 2020-07-17 2020-07-17 一种基于改进人工势场法的路径规划方法、装置及设备

Publications (2)

Publication Number Publication Date
CN111897328A true CN111897328A (zh) 2020-11-06
CN111897328B CN111897328B (zh) 2022-02-15

Family

ID=73189428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010690134.6A Active CN111897328B (zh) 2020-07-17 2020-07-17 一种基于改进人工势场法的路径规划方法、装置及设备

Country Status (1)

Country Link
CN (1) CN111897328B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112923944A (zh) * 2021-01-29 2021-06-08 的卢技术有限公司 一种自动驾驶路径规划方法、系统及计算机可读存储介质
CN112965496A (zh) * 2021-02-23 2021-06-15 武汉理工大学 基于人工势场算法的路径规划方法、装置及存储介质
CN113050652A (zh) * 2021-03-25 2021-06-29 上海海事大学 一种用于智能船舶自动靠泊的轨迹规划方法
CN113110604A (zh) * 2021-04-28 2021-07-13 江苏方天电力技术有限公司 一种基于人工势场的路径动态规划方法
CN113204238A (zh) * 2021-04-22 2021-08-03 武汉理工大学 一种移动机器人的路径规划方法、设备及存储介质
CN113485388A (zh) * 2021-07-27 2021-10-08 天津城建大学 基于碰撞检测模型和人工势场法的auv局部避障方法
CN113485356A (zh) * 2021-07-27 2021-10-08 西北工业大学 一种机器人快速运动规划方法
CN113534790A (zh) * 2021-05-18 2021-10-22 广西综合交通大数据研究院 路径规划方法、装置、电子设备及计算机可读存储介质
CN115493593A (zh) * 2022-08-20 2022-12-20 安徽工程大学 一种基于迭代策略的改进人工势场的移动机器人路径规划方法
CN115686020A (zh) * 2022-11-10 2023-02-03 安徽工程大学 一种基于iapf-a*融合算法的机器人路径规划

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104035438A (zh) * 2013-11-14 2014-09-10 扬州西岐自动化科技有限公司 一种基于种群多样性的自适应多目标机器人避障算法
CN107015563A (zh) * 2016-12-29 2017-08-04 北京航空航天大学 移动机器人路径规划方法及装置
CN107357293A (zh) * 2017-07-31 2017-11-17 上海应用技术大学 移动机器人路径规划方法和系统
CN108614561A (zh) * 2018-05-31 2018-10-02 重庆大学 一种适用于全向轮移动机器人的人工势场避障方法
CN109987092A (zh) * 2017-12-28 2019-07-09 郑州宇通客车股份有限公司 一种车辆避障换道时机的确定方法及避障换道的控制方法
CN110275526A (zh) * 2019-05-16 2019-09-24 贵州大学 一种基于改进遗传算法的移动机器人路径规划方法
CN110333727A (zh) * 2019-08-01 2019-10-15 上海钛米机器人科技有限公司 机器人路径规划方法、装置、设备及介质
CN110347151A (zh) * 2019-05-31 2019-10-18 河南科技大学 一种融合Bezier优化遗传算法的机器人路径规划方法
CN110471429A (zh) * 2019-09-19 2019-11-19 华南农业大学 基于改进人工势场法的割草机器人实时避障方法
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
CN110928295A (zh) * 2019-10-16 2020-03-27 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
CN111207756A (zh) * 2020-03-19 2020-05-29 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

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104035438A (zh) * 2013-11-14 2014-09-10 扬州西岐自动化科技有限公司 一种基于种群多样性的自适应多目标机器人避障算法
CN107015563A (zh) * 2016-12-29 2017-08-04 北京航空航天大学 移动机器人路径规划方法及装置
CN107357293A (zh) * 2017-07-31 2017-11-17 上海应用技术大学 移动机器人路径规划方法和系统
CN109987092A (zh) * 2017-12-28 2019-07-09 郑州宇通客车股份有限公司 一种车辆避障换道时机的确定方法及避障换道的控制方法
CN108614561A (zh) * 2018-05-31 2018-10-02 重庆大学 一种适用于全向轮移动机器人的人工势场避障方法
CN110275526A (zh) * 2019-05-16 2019-09-24 贵州大学 一种基于改进遗传算法的移动机器人路径规划方法
CN110347151A (zh) * 2019-05-31 2019-10-18 河南科技大学 一种融合Bezier优化遗传算法的机器人路径规划方法
CN110333727A (zh) * 2019-08-01 2019-10-15 上海钛米机器人科技有限公司 机器人路径规划方法、装置、设备及介质
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
CN110471429A (zh) * 2019-09-19 2019-11-19 华南农业大学 基于改进人工势场法的割草机器人实时避障方法
CN110928295A (zh) * 2019-10-16 2020-03-27 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
CN111207756A (zh) * 2020-03-19 2020-05-29 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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
M.G.PARK等: "Experimental Evaluation of Robot Path Planning by Artificial ]Potential Field Approach with Simulated Annealing", 《 PROCEEDINGS OF THE 41ST SICE ANNUAL CONFERENCE》 *
QIDAN ZHU等: "Robot Path Planning Based on Artificial Potential Field Approach with Simulated Annealing", 《SIXTH INTERNATIONAL CONFERENCE ON INTELLIGENT SYSTEMS DESIGN AND APPLICATIONS》 *
巩敦卫等: "基于改进模拟退火算法的机器人全局路径规划", 《系统仿真学报》 *
张培艳等: "基于模拟退火-人工势场法的足球机器人路径规划研究", 《机械科学与技术》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112923944A (zh) * 2021-01-29 2021-06-08 的卢技术有限公司 一种自动驾驶路径规划方法、系统及计算机可读存储介质
CN112965496A (zh) * 2021-02-23 2021-06-15 武汉理工大学 基于人工势场算法的路径规划方法、装置及存储介质
CN113050652B (zh) * 2021-03-25 2022-08-23 上海海事大学 一种用于智能船舶自动靠泊的轨迹规划方法
CN113050652A (zh) * 2021-03-25 2021-06-29 上海海事大学 一种用于智能船舶自动靠泊的轨迹规划方法
CN113204238B (zh) * 2021-04-22 2023-09-12 武汉理工大学 一种移动机器人的路径规划方法、设备及存储介质
CN113204238A (zh) * 2021-04-22 2021-08-03 武汉理工大学 一种移动机器人的路径规划方法、设备及存储介质
CN113110604B (zh) * 2021-04-28 2022-08-23 江苏方天电力技术有限公司 一种基于人工势场的路径动态规划方法
CN113110604A (zh) * 2021-04-28 2021-07-13 江苏方天电力技术有限公司 一种基于人工势场的路径动态规划方法
CN113534790A (zh) * 2021-05-18 2021-10-22 广西综合交通大数据研究院 路径规划方法、装置、电子设备及计算机可读存储介质
CN113485356B (zh) * 2021-07-27 2022-06-21 西北工业大学 一种机器人快速运动规划方法
CN113485388B (zh) * 2021-07-27 2022-07-29 天津城建大学 基于碰撞检测模型和人工势场法的auv局部避障方法
CN113485356A (zh) * 2021-07-27 2021-10-08 西北工业大学 一种机器人快速运动规划方法
CN113485388A (zh) * 2021-07-27 2021-10-08 天津城建大学 基于碰撞检测模型和人工势场法的auv局部避障方法
CN115493593A (zh) * 2022-08-20 2022-12-20 安徽工程大学 一种基于迭代策略的改进人工势场的移动机器人路径规划方法
CN115493593B (zh) * 2022-08-20 2024-06-11 安徽工程大学 一种基于迭代策略的改进人工势场的移动机器人路径规划方法
CN115686020A (zh) * 2022-11-10 2023-02-03 安徽工程大学 一种基于iapf-a*融合算法的机器人路径规划
CN115686020B (zh) * 2022-11-10 2024-04-26 安徽工程大学 一种基于iapf-a*融合算法的机器人路径规划

Also Published As

Publication number Publication date
CN111897328B (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN111897328B (zh) 一种基于改进人工势场法的路径规划方法、装置及设备
CN109491389B (zh) 一种具有速度约束的机器人轨迹跟踪方法
Huang et al. Particle swarm optimization for solving the inverse kinematics of 7-DOF robotic manipulators
CN112684794B (zh) 基于元强化学习的足式机器人运动控制方法、装置及介质
CN110530373B (zh) 一种机器人路径规划方法、控制器及系统
CN113414761B (zh) 一种冗余机械臂运动轨迹优化的方法
CN116533249A (zh) 基于深度强化学习的机械臂控制方法
CN115256395B (zh) 基于控制障碍函数的模型不确定机器人安全控制方法
CN111207756A (zh) 一种基于改进人工势场算法的移动机器人路径规划方法
CN115493597A (zh) 一种基于sac算法的auv路径规划控制方法
CN115091469A (zh) 一种基于最大熵框架的深度强化学习机械臂运动规划方法
CN112000116A (zh) 一种基于改进萤火虫pid方法的自主水下航行器航向角控制方法
CN110597067B (zh) 一种多移动机器人的群集控制方法及系统
Kim et al. Dynamic bipedal walking using real-time optimization of center of mass motion and capture point-based stability controller
CN114019798B (zh) 机器人轨迹跟踪控制方法、磁性医疗机器人及存储介质
Tazaki et al. Constraint-based prioritized trajectory planning for multibody systems
CN116690557A (zh) 基于点云的仿人三维扫描运动控制方法及装置
CN116423516A (zh) 基于改进的白鲨优化算法的机械臂轨迹规划方法及系统
Naderi et al. Learning physically based humanoid climbing movements
CN113967909B (zh) 基于方向奖励的机械臂智能控制方法
Liu Trajectory planning and control algorithm of industrial robot manipulator
Yongqiang et al. Path‐Integral‐Based Reinforcement Learning Algorithm for Goal‐Directed Locomotion of Snake‐Shaped Robot
Tao et al. A Multiobjective Collaborative Deep Reinforcement Learning Algorithm for Jumping Optimization of Bipedal Robot
Shiltagh et al. A comparative study: Modified particle swarm optimization and modified genetic algorithm for global mobile robot navigation
TWI829561B (zh) 機械臂動態環境路徑規劃之方法與系統

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