CN112013846A - 一种结合动态步长rrt*算法和势场法的路径规划方法 - Google Patents
一种结合动态步长rrt*算法和势场法的路径规划方法 Download PDFInfo
- Publication number
- CN112013846A CN112013846A CN202010830649.1A CN202010830649A CN112013846A CN 112013846 A CN112013846 A CN 112013846A CN 202010830649 A CN202010830649 A CN 202010830649A CN 112013846 A CN112013846 A CN 112013846A
- Authority
- CN
- China
- Prior art keywords
- new
- node
- nearest
- tree
- point
- 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
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种结合动态步长RRT*算法和势场法的路径规划方法,该方法通过构建目标点吸力势场和障碍物斥力势场,引导扩展树向目标点方向扩展,减少了冗余通路,提高了路径规划效率;同时根据最近点与障碍物的最近欧氏距离计算扩展树的扩展步长,兼顾算法收敛速度和路径平滑的,提高了机器人避障的灵活性。
Description
技术领域
本发明属于机器人自主导航技术领域,具体涉及一种能够避障的路径规划方法。
背景技术
随着机器人技术的不断发展,对机器人的研究不断深入以及其不断增长的市场应用,使得机器人学正成为国内外热门的研究学科。路径规划作为移动机器人自动导航的重要组成部分,向来是机器人学领域的重点与热点方向。有效的路径规划是机器人完成各项作业和任务的前提。按照算法特性的不同,路径规划可以分为基于传统算法的规划方法和基于智能算法的规划方法。传统算法大多是基于计算机图论基础或构建相关几何模型。智能算法则是近年来新兴的仿生优化算法,模仿自然界生物群体的经验或特性具有优秀的非线性逼近能力,RRT(Rapidly exploring Random Tree)快速搜索随机树算法便是其中之一。
RRT算法扩展流程类似树枝的生长过程,通过随机采样将扩展树的生长方向引导向空白区域空间,最终探索到目标点区域。其原理简单明确,但由于其采样的随机性和步长的固定性,规划出的路径常常不是最优路径,并且路径也不够平滑。另一方面扩展树没有关于目标点方向的导向,导致产生许多冗长路径,增大计算量。虽然RRT*算法在原算法基础上,通过重新选择父节点和重布线这两个过程,在一定程度上减少了路径代价和冗余通路,但固定步长导致的路径不平滑和目标点没有对扩展树扩展产生导向这两个问题,依旧可能会导致扩展树对目标点的收敛速度非常慢。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供了一种合动态步长RRT*算法和势场法的路径规划方法,该方法解决了目标点对于扩展树扩展没有导向作用的问题,减少了冗余通路,提高了机器人路径规划的效率,且通过动态步长提高了避障灵活性。
技术方案:本发明采用如下技术方案:
一种结合动态步长RRT*算法和势场法的路径规划方法,包括:
S1、确定机器人的起始点q_start、目标点q_Goal的位置坐标,确定障碍物的位置和轮廓;确定RRT*基准步长ε;
如果从q_start到q_Goal的直线路径没有碰触障碍物,则规划的路径为从q_start到q_Goal的直线段;否则,将机器人的起始点q_start作为RRT*算法中扩展树的根节点,根据步骤S2-S8确定规划路径:
S2、在机器人运动区域内通过随机采样的方式获取随机状态点q_random,在扩展树上查找距随机状态点q_random距离最近的节点q_nearest;
其中α表示引力增益系数,ρ(q_nearest,q_Goal)为树节点q_nearest的到目标点q_Goal的欧氏距离,d*为预设的树节点到目标点的距离阈值;
其中β为斥力增益系数,dis=ρ(q_nearest,Obstacle)为树节点q_nearest到障碍物Obstacle轮廓的最近欧氏距离,ρ0为预设的障碍物斥力作用范围距离;
计算q_nearest受到的合力:
计算扩展树的扩展步长εnew:
其中k为调节因子,控制步长的调整幅度,0<k<1;ρsafe为预设的树节点与障碍物间的安全距离;
S4、扩展树以最近点q_nearest为父节点沿搜索方向θ扩展长度εnew得到新节点q_new,新节点q_new的位置:
判断新节点与原扩展树最近点q_nearest之间的直线段是否会碰触障碍物,若会碰触障碍物则跳转到步骤S2重新获取随机状态点q_random,否则将新节点q_new添加到扩展树中形成新的扩展树;
S5、重新确定新节点q_new的父节点;
S6、对扩展树重新布线;
S7、如果新节点q_new到q_Goal的路径没有碰触障碍物,且直线距离小于ε,将目标点q_Goal添加到扩展树,其父节点为q_new,扩展树扩展结束;否则跳转至步骤S2进行下一次扩展;
S8、从目标点开始逆向遍历扩展树,层层迭代直至起始点为止,得到从起始点到目标点的机器人移动路径。
所述步骤S5具体包括:
S51、以新节点q_new为圆心,预设长度P为半径,确定q_new的邻域圆,位于所述邻域圆内的扩展树节点构成近邻节点集合S_newneighbor;
S52、依次计算集合S_newneighbor中每个近邻节点q_newneighbor[i]到起始点q_start的路径代价CostFromStart(i);i=1,2,...,N,N为集合S_newneighbor中元素的个数;
计算新节点到每个近邻节点的路径代价Cost(new,i);
计算新节点到起始点的路径代价CostFromStart(q_new);
S53、如果CostFromStart(i)+Cost(new,i)≤CostFromStart(q_new),将新节点q_new的父节点更改为q_newneighbor[i];如果有多个近邻节点满足CostFromStart(i)+Cost(new,i)≤CostFromStart(q_new),选择其中CostFromStart(i)+Cost(new,i)最小的近邻节点作为q_new的父节点。
所述步骤S6具体包括:
S61、重新计算集合S_newneighbor中每个近邻节点q_newneighbor[i]到起始点q_start的路径代价CostFromStart(i);
计算新节点到每个近邻节点的路径代价Cost(new,i);
计算新节点到起始点的路径代价CostFromStart(q_new);
S62、如果CostFromStart(q_new)+Cost(new,i)≤CostFromStart(i),将集合S_newneighbor中第i个近邻节点q_newneighbor[i]的父节点更改为q_new。
所述路径代价为路径长度。
所述预设长度P为RRT*基准步长ε的2倍:P=2ε。
有益效果:与现有技术相比,本发明公开的路径规划方法具有以下有益效果:
(1)本发明结合了智能算法中的RRT*算法和传统算法中的势场法,在RRT*算法的基础上在目标点处对扩展树产生一个引力吸引,在障碍物处对扩展树产生一个斥力排斥,使得搜索树向目标点方面进行搜索扩展,解决了目标点对于扩展树扩展没有导向作用的问题,减少了冗余通路,提高了机器人路径规划的效率;(2)本发明同时引入了动态步长,在随机树离障碍物较远时采用基准步长,加快算法收敛速度,当随机数生长到障碍物附近阈值范围内时,采用小步长,确保新生成轨迹的平滑度;使步长随着与障碍物之间的距离而变化,更好地解决实时性与平滑度之间的矛盾与原RRT*算法相比,提高了避障的灵活性。
附图说明
图1为本发明公开的路径规划方法的流程图;
图2为根据环境信息建立人工势场示意图;
图3为重新选择父节点和重新布线行为的示意图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。
本发明公开了一种结合动态步长RRT*算法和势场法的路径规划方法,如图1所示,包括:
S1、确定机器人的起始点q_start、目标点q_Goal的位置坐标,确定障碍物的位置和轮廓;确定RRT*基准步长ε;本实施例中,设置ε=5;
如果从q_start到q_Goal的直线路径没有碰触障碍物,则规划的路径为从q_start到q_Goal的直线段;否则,将机器人的起始点q_start作为RRT*算法中扩展树的根节点,根据步骤S2-S8确定规划路径:
S2、在机器人运动区域内通过随机采样的方式获取随机状态点q_random,在扩展树上查找距随机状态点q_random距离最近的节点q_nearest;
S3、在目标点处构建一个引力势场,使目标点对树节点产生引力,使扩展树向目标点方向扩展。树节点所受引力大小与其到目标点距离成正比,方向为从树节点指向目标点,目标点对最近点q_nearest的引力大小为:
其中α表示引力增益系数,ρ(q_nearest,q_Goal)为树节点q_nearest的到目标点q_Goal的欧氏距离,d*为预设的树节点到目标点的距离阈值,本实施例中,设定α=1;d*=8;
在障碍物处构建一个斥力势场,使障碍物对树节点产生斥力,使扩展树远离障碍物方向。树节点所受斥力大小与其到障碍物的距离成反比,方向从障碍物指向树节点,障碍物对最近点q_nearest的斥力的大小计算如下:
其中β为斥力增益系数,dis=ρ(q_nearest,Obstacle)为树节点q_nearest到障碍物Obstacle轮廓的最近欧氏距离,ρ0为预设的障碍物斥力作用范围距离;本实施例中,设定β=0.5;ρ0=8;
计算q_nearest受到的合力:
本发明中扩展树采用动态扩展步长,在扩展树离障碍物较远时,没有到达安全阈值时采用基准步长ε,加快算法收敛。当扩展树扩展到障碍物附近阈值范围内时采用小步长,确保轨迹平滑度。扩展树的动态扩展步长εnew为:
其中k为调节因子,控制步长的调整幅度,0<k<1;ρsafe为预设的树节点与障碍物间的安全距离;本实施例中,k=0.8;ρsafe=15;
判断新节点与原扩展树最近点q_nearest之间的直线段是否会碰触障碍物,若会碰触障碍物则跳转到步骤S2重新获取随机状态点q_random,否则将新节点q_new添加到扩展树中形成新的扩展树;
S5、重新确定新节点q_new的父节点,具体包括:
S51、以新节点q_new为圆心,预设长度P为半径,确定q_new的邻域圆,位于所述邻域圆内的扩展树节点构成近邻节点集合S_newneighbor;本实施例中,预设长度P为RRT*基准步长ε的2倍:P=2ε;
S52、依次计算集合S_newneighbor中每个近邻节点q_newneighbor[i]到起始点q_start的路径代价CostFromStart(i);i=1,2,...,N,N为集合S_newneighbor中元素的个数;本实施例中,所述路径代价为路径长度。
计算新节点到每个近邻节点的路径代价Cost(new,i);
计算新节点到起始点的路径代价CostFromStart(q_new);
S53、如果CostFromStart(i)+Cost(new,i)>CostFromStart(q_new),新节点qnew的父节点仍为最近点q_nearest;
如果CostFromStart(i)+Cost(new,i)≤CostFromStart(q_new),将新节点q_new的父节点更改为q_newneighbor[i];如果有多个近邻节点满足CostFromStart(i)+Cost(new,i)≤CostFromStart(q_new),选择其中CostFromStart(i)+Cost(new,i)最小的近邻节点作为q_new的父节点。
如图3所示,图中q_new邻域圆内有2个近邻节点q_newneighbor[1]和q_newneighbor[2],通过更新新节点的父节点,减小新节点到起始点的路径代价。
S6、对扩展树重新布线,具体包括:
S61、重新计算集合S_newneighbor中每个近邻节点q_newneighbor[i]到起始点q_start的路径代价CostFromStart(i);
计算新节点到每个近邻节点的路径代价Cost(new,i);
计算新节点到起始点的路径代价CostFromStart(q_new);
S62、如果CostFromStart(q_new)+Cost(new,i)≤CostFromStart(i),将集合S_newneighbor中第i个近邻节点q_newneighbor[i]的父节点更改为q_new。
S7、如果新节点q_new到q_Goal的路径没有碰触障碍物,且直线距离小于ε,将目标点q_Goal添加到扩展树,其父节点为q_new,扩展树扩展结束;否则跳转至步骤S2进行下一次扩展;
S8、从目标点开始逆向遍历扩展树,层层迭代直至起始点为止,得到从起始点到目标点的机器人移动路径。
Claims (5)
1.一种结合动态步长RRT*算法和势场法的路径规划方法,其特征在于,包括:
S1、确定机器人的起始点q_start、目标点q_Goal的位置坐标,确定障碍物的位置和轮廓;确定RRT*基准步长ε;
如果从q_start到q_Goal的直线路径没有碰触障碍物,则规划的路径为从q_start到q_Goal的直线段;否则,将机器人的起始点q_start作为RRT*算法中扩展树的根节点,根据步骤S2-S8确定规划路径:
S2、在机器人运动区域内通过随机采样的方式获取随机状态点q_random,在扩展树上查找距随机状态点q_random距离最近的节点q_nearest;
其中α表示引力增益系数,ρ(q_nearest,q_Goal)为树节点q_nearest的到目标点q_Goal的欧氏距离,d*为预设的树节点到目标点的距离阈值;
其中β为斥力增益系数,dis=ρ(q_nearest,Obstacle)为树节点q_nearest到障碍物Obstacle轮廓的最近欧氏距离,ρ0为预设的障碍物斥力作用范围距离;
计算q_nearest受到的合力:
计算扩展树的扩展步长εnew:
其中k为调节因子,控制步长的调整幅度,0<k<1;ρsafe为预设的树节点与障碍物间的安全距离;
判断新节点与原扩展树最近点q_nearest之间的直线段是否会碰触障碍物,若会碰触障碍物则跳转到步骤S2重新获取随机状态点q_random,否则将新节点q_new添加到扩展树中形成新的扩展树;
S5、重新确定新节点q_new的父节点;
S6、对扩展树重新布线;
S7、如果新节点q_new到q_Goal的路径没有碰触障碍物,且直线距离小于ε,将目标点q_Goal添加到扩展树,其父节点为q_new,扩展树扩展结束;否则跳转至步骤S2进行下一次扩展;
S8、从目标点开始逆向遍历扩展树,层层迭代直至起始点为止,得到从起始点到目标点的机器人移动路径。
2.根据权利要求1所述的路径规划方法,其特征在于,所述步骤S5具体包括:
S51、以新节点q_new为圆心,预设长度P为半径,确定q_new的邻域圆,位于所述邻域圆内的扩展树节点构成近邻节点集合S_newneighbor;
S52、依次计算集合S_newneighbor中每个近邻节点q_newneighbor[i]到起始点q_start的路径代价CostFromStart(i);i=1,2,...,N,N为集合S_newneighbor中元素的个数;
计算新节点到每个近邻节点的路径代价Cost(new,i);
计算新节点到起始点的路径代价CostFromStart(q_new);
S53、如果CostFromStart(i)+Cost(new,i)≤CostFromStart(q_new),将新节点q_new的父节点更改为q_newneighbor[i];如果有多个近邻节点满足CostFromStart(i)+Cost(new,i)≤CostFromStart(q_new),选择其中CostFromStart(i)+Cost(new,i)最小的近邻节点作为q_new的父节点。
3.根据权利要求2所述的路径规划方法,其特征在于,所述步骤S6具体包括:
S61、重新计算集合S_newneighbor中每个近邻节点q_newneighbor[i]到起始点q_start的路径代价CostFromStart(i);
计算新节点到每个近邻节点的路径代价Cost(new,i);
计算新节点到起始点的路径代价CostFromStart(q_new);
S62、如果CostFromStart(q_new)+Cost(new,i)≤CostFromStart(i),将集合S_newneighbor中第i个近邻节点q_newneighbor[i]的父节点更改为q-new。
4.根据权利要求2所述的路径规划方法,其特征在于,所述路径代价为路径长度。
5.根据权利要求2所述的路径规划方法,其特征在于,所述预设长度P为RRT*基准步长ε的2倍:P=2ε。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010830649.1A CN112013846B (zh) | 2020-08-18 | 2020-08-18 | 一种结合动态步长rrt*算法和势场法的路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010830649.1A CN112013846B (zh) | 2020-08-18 | 2020-08-18 | 一种结合动态步长rrt*算法和势场法的路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112013846A true CN112013846A (zh) | 2020-12-01 |
CN112013846B CN112013846B (zh) | 2022-03-04 |
Family
ID=73504869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010830649.1A Active CN112013846B (zh) | 2020-08-18 | 2020-08-18 | 一种结合动态步长rrt*算法和势场法的路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112013846B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112809665A (zh) * | 2020-12-16 | 2021-05-18 | 安徽工业大学 | 一种基于改进rrt算法的机械臂运动规划方法 |
CN112828889A (zh) * | 2021-01-05 | 2021-05-25 | 佛山科学技术学院 | 一种六轴协作机械臂路径规划方法及系统 |
CN112857384A (zh) * | 2021-01-18 | 2021-05-28 | 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 |
CN112904869A (zh) * | 2021-01-29 | 2021-06-04 | 华中科技大学 | 基于多树rrt的无人艇加权迭代路径规划方法及设备 |
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 |
CN112987724A (zh) * | 2021-02-04 | 2021-06-18 | 京东数科海益信息科技有限公司 | 路径优化方法、装置、机器人及存储介质 |
CN113375686A (zh) * | 2021-04-26 | 2021-09-10 | 北京旷视机器人技术有限公司 | 路径规划的方法、装置以及智能输送系统 |
CN113448336A (zh) * | 2021-08-30 | 2021-09-28 | 天津施格机器人科技有限公司 | 3d避障路径规划方法 |
CN114115271A (zh) * | 2021-11-25 | 2022-03-01 | 江苏科技大学 | 一种改进rrt的机器人路径规划方法和系统 |
CN114323028A (zh) * | 2022-03-16 | 2022-04-12 | 中南大学 | 自适应地图的路径规划方法、系统、设备及介质 |
CN116793377A (zh) * | 2023-05-18 | 2023-09-22 | 河南工业大学 | 一种用于固定场景的路径规划方法 |
CN117387631A (zh) * | 2023-12-12 | 2024-01-12 | 青岛科技大学 | 一种机器人的路径规划方法、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170241790A1 (en) * | 2016-02-24 | 2017-08-24 | Honda Motor Co., Ltd. | Path plan generating apparatus for mobile body |
CN108444489A (zh) * | 2018-03-07 | 2018-08-24 | 北京工业大学 | 一种改进rrt算法的路径规划方法 |
CN108981704A (zh) * | 2018-07-13 | 2018-12-11 | 昆明理工大学 | 一种基于动态步长的目标引力双向rrt路径规划方法 |
CN109737970A (zh) * | 2019-03-21 | 2019-05-10 | 集美大学 | 一种基于改进rrt算法的水面无人艇路径规划方法 |
-
2020
- 2020-08-18 CN CN202010830649.1A patent/CN112013846B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170241790A1 (en) * | 2016-02-24 | 2017-08-24 | Honda Motor Co., Ltd. | Path plan generating apparatus for mobile body |
CN108444489A (zh) * | 2018-03-07 | 2018-08-24 | 北京工业大学 | 一种改进rrt算法的路径规划方法 |
CN108981704A (zh) * | 2018-07-13 | 2018-12-11 | 昆明理工大学 | 一种基于动态步长的目标引力双向rrt路径规划方法 |
CN109737970A (zh) * | 2019-03-21 | 2019-05-10 | 集美大学 | 一种基于改进rrt算法的水面无人艇路径规划方法 |
Non-Patent Citations (5)
Title |
---|
YALONG ZHANG等: "《A New Adaptive Artificial Potential Field and Rolling Window Method for Mobile Robot Path Planning》", 《2017 29TH CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
刘成菊等: "基于改进RRT算法的RoboCup机器人动态路径规划", 《机器人》 * |
张殿富等: "基于人工势场法的路径规划方法研究及展望", 《计算机工程与科学》 * |
徐晓慧等: "基于人工势场引导的改进RRT机器人路径规划算法", 《仪器仪表用户》 * |
熊超等: "基于碰撞锥改进人工势场的无人机避障路径规划", 《计算机工程》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112809665B (zh) * | 2020-12-16 | 2022-06-07 | 安徽工业大学 | 一种基于改进rrt算法的机械臂运动规划方法 |
CN112809665A (zh) * | 2020-12-16 | 2021-05-18 | 安徽工业大学 | 一种基于改进rrt算法的机械臂运动规划方法 |
CN112828889A (zh) * | 2021-01-05 | 2021-05-25 | 佛山科学技术学院 | 一种六轴协作机械臂路径规划方法及系统 |
CN112857384A (zh) * | 2021-01-18 | 2021-05-28 | 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 |
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 |
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 |
CN112904869B (zh) * | 2021-01-29 | 2022-04-29 | 华中科技大学 | 基于多树rrt的无人艇加权迭代路径规划方法及设备 |
CN112904869A (zh) * | 2021-01-29 | 2021-06-04 | 华中科技大学 | 基于多树rrt的无人艇加权迭代路径规划方法及设备 |
CN112987724A (zh) * | 2021-02-04 | 2021-06-18 | 京东数科海益信息科技有限公司 | 路径优化方法、装置、机器人及存储介质 |
CN112987724B (zh) * | 2021-02-04 | 2023-05-02 | 京东科技信息技术有限公司 | 路径优化方法、装置、机器人及存储介质 |
CN113375686A (zh) * | 2021-04-26 | 2021-09-10 | 北京旷视机器人技术有限公司 | 路径规划的方法、装置以及智能输送系统 |
CN113448336A (zh) * | 2021-08-30 | 2021-09-28 | 天津施格机器人科技有限公司 | 3d避障路径规划方法 |
CN114115271A (zh) * | 2021-11-25 | 2022-03-01 | 江苏科技大学 | 一种改进rrt的机器人路径规划方法和系统 |
CN114115271B (zh) * | 2021-11-25 | 2024-04-26 | 江苏科技大学 | 一种改进rrt的机器人路径规划方法和系统 |
CN114323028A (zh) * | 2022-03-16 | 2022-04-12 | 中南大学 | 自适应地图的路径规划方法、系统、设备及介质 |
CN116793377A (zh) * | 2023-05-18 | 2023-09-22 | 河南工业大学 | 一种用于固定场景的路径规划方法 |
CN117387631A (zh) * | 2023-12-12 | 2024-01-12 | 青岛科技大学 | 一种机器人的路径规划方法、设备及介质 |
CN117387631B (zh) * | 2023-12-12 | 2024-03-22 | 青岛科技大学 | 一种机器人的路径规划方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112013846B (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112013846B (zh) | 一种结合动态步长rrt*算法和势场法的路径规划方法 | |
CN110609547B (zh) | 一种基于可视图引导的移动机器人规划方法 | |
CN112904842B (zh) | 一种基于代价势场的移动机器人路径规划与优化方法 | |
CN107607120B (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 | |
CN108444489A (zh) | 一种改进rrt算法的路径规划方法 | |
CN112904869B (zh) | 基于多树rrt的无人艇加权迭代路径规划方法及设备 | |
CN111678523B (zh) | 一种基于star算法优化的快速bi_rrt避障轨迹规划方法 | |
CN112068588A (zh) | 一种基于飞行走廊和贝塞尔曲线的无人飞行器轨迹生成方法 | |
CN113885535B (zh) | 一种冲击约束的机器人避障和时间最优轨迹规划方法 | |
CN113867368B (zh) | 一种基于改进海鸥算法的机器人路径规划方法 | |
CN114161416B (zh) | 基于势函数的机器人路径规划方法 | |
CN111736611A (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 | |
CN109520507A (zh) | 一种基于改进rrt的无人机实时路径规划方法 | |
CN114115362B (zh) | 一种基于双向apf-rrt*算法的无人机航迹规划方法 | |
CN112650256A (zh) | 一种基于改进双向rrt机器人路径规划方法 | |
CN113435025B (zh) | 一种结合多级优化模型的机器人高性能轨迹自动生成方法 | |
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 | |
CN113359775B (zh) | 一种动态变采样区域rrt无人车路径规划方法 | |
CN113485369A (zh) | 改进a*算法的室内移动机器人路径规划和路径优化方法 | |
CN114675649A (zh) | 一种融合改进的a*与dwa算法的室内移动机器人路径规划方法 | |
CN113485367A (zh) | 一种舞台多功能移动机器人的路径规划方法 | |
CN114995431A (zh) | 一种改进a-rrt的移动机器人路径规划方法 | |
Oleiwi et al. | Multi objective optimization of trajectory planning of non-holonomic mobile robot in dynamic environment using enhanced GA by fuzzy motion control and A | |
Zhang et al. | A-star algorithm for expanding the number of search directions in path planning | |
CN110262473B (zh) | 一种基于改进Bi-RRT算法的无人艇自动避碰方法 |
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 |