CN112033413B - 一种基于结合环境信息的改进a*算法的路径规划方法 - Google Patents
一种基于结合环境信息的改进a*算法的路径规划方法 Download PDFInfo
- Publication number
- CN112033413B CN112033413B CN202010930986.8A CN202010930986A CN112033413B CN 112033413 B CN112033413 B CN 112033413B CN 202010930986 A CN202010930986 A CN 202010930986A CN 112033413 B CN112033413 B CN 112033413B
- Authority
- CN
- China
- Prior art keywords
- node
- current
- obstacle
- value
- 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.)
- Active
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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于结合环境信息的改进A*算法的路径规划方法,其包括:将地图进行自适应膨胀处理:获取机器人所处环境的栅格地图,对障碍点坐标进行初始标记;获得障碍点的坐标后,填充机器人传感器位置到障碍点之间的栅格以及该障碍点栅格的初始代价值;对障碍点进行自适应膨胀处理,根据栅格代价值填充障碍点周围膨胀区栅格的代价值,完成对代价地图的膨胀处理;在经过自适应膨胀处理的地图上采用改进A*算法进行路径搜索。本发明能在无障碍物环境有效提高搜索效率,避免路径通过障碍物顶点。
Description
技术领域
本发明涉及一种移动机器人路径规划领域,特别是关于一种基于结合环境信息的改进A*算法的路径规划方法。
背景技术
A*(A-Star)算法综合了BFS(广度优先搜索)和Dijkstra(深度优先搜索)算法的优点,是一种静态路网中求解最短路径最有效的直接搜索方法,也是解决许多搜索问题的有效算法。传统A*算法在路径规划时没有考虑到环境信息的影响,在追求最短路径的时候带来了一定问题。一是无障碍物区域和临近目标区域规划出的路径存在多次无意义的转向,二是路径规划会穿过障碍物节点的顶点,存在碰撞风险。
发明内容
针对上述问题,本发明的目的是提供一种基于结合环境信息的改进A*算法的路径规划方法,其能提高搜索效率,避免路径通过障碍物顶点。
为实现上述目的,本发明采取以下技术方案:一种基于结合环境信息的改进A*算法的路径规划方法,其包括以下步骤:1)将地图进行自适应膨胀处理:1.1)获取机器人所处环境的栅格地图,对障碍点坐标进行初始标记;1.2)获得障碍点的坐标后,填充机器人传感器位置到障碍点之间的栅格以及该障碍点栅格的初始代价值;1.3)对障碍点进行自适应膨胀处理,根据栅格代价值填充障碍点周围膨胀区栅格的代价值,完成对代价地图的膨胀处理;2)在经过自适应膨胀处理的地图上采用改进A*算法进行路径搜索。
进一步,所述步骤3)中,自适应膨胀处理包括以下步骤:
3.1)由初始障碍点构造膨胀点优先队列inflation_cells;
3.2)将队列inflation_cells的第一个节点作为当前处理节点,计算当前处理节点的父节点的衰减系数coef;
3.3)若当前处理节点为障碍点,则以其为中心在栅格地图上构建七宫图;反之,若当前处理节点不是障碍点,则继承其当前处理障碍点On的衰减因子sp,并根据计算其衰减系数coef和衰减因子sp的乘积coef·sp,进入步骤3.4);
3.4)判断d(qn)<coef·sp·rc是否成立,若成立,则将当前处理障碍点On的上下左右四个子节点加入队列inflation_cells,否则不做处理;
3.5)由自适应膨胀半径栅格代价值计算函数f(qn)计算出当前处理节点的代价值,与该处理节点的原始代价值比较,取最大值作为当前处理节点的代价值;
3.6)从队列inflation_cells中移除当前处理节点即障碍点,返回步骤3.2)对下一个节点进行处理。
进一步,所述步骤3.2)中,衰减系数coef计算方法为:
3.2.1)判断该当前处理节点是否为障碍点,若是,则将该当前处理节点自身作为父节点,此时的父节点即为当前处理障碍点On;若不是障碍点,则记离该当前处理节点最近的障碍点作为父节点;
进一步,当前处理障碍点On的衰减系数coef为:
式中,ri表示机器人地面投影轮廓的内切圆半径;rc表示外接圆半径;qn为栅格;Dmax为距机器人最远障碍点的距离;n表示障碍点的个数;e为自然对数函数的底数;为当前处理障碍点On与机器人之间的栅格距离。
进一步,所述步骤3.3)中,衰减因子sp的计算方法为:依次得到七宫图中的其余48个栅格代价值,累计得出值为FREE_SPACE的栅格数量nF和值为LETHAL_OBSTACLE的栅格数量nL,则衰减因子sp为:
进一步,所述步骤3.4)中,对加入队列inflation_cells的子节点进行如下处理:将四个子节点依次作为当前处理节点,判断其与父节点的距离是否在膨胀半径内,在内则继续将该点的子节点加入膨胀队列,此时记其父节点仍然为之前的当前处理障碍点On,在外则不做处理;每处理完一个节点后计算并填充该节点的代价值,最后从膨胀队列中移除这个节点。
进一步,所述自适应膨胀半径栅格代价值计算函数f(qn)为:
式中,ra表示每个栅格的边长;rm表示人为规定的代价地图膨胀半径;w表示代价值下降权重;d(qn)为当前节点与其父节点之间的距离;ri表示机器人地面投影轮廓的内切圆半径;rc表示外接圆半径。
进一步,所述改进A*算法进行路径搜索的方法包括以下步骤:
2.1)构造两个优先列表:open_list和close_list;将起点加入open_list列表中,记其f(n)值为0;
2.2)选择open_list中f(n)值最小的节点为当前节点,记录其子节点的障碍点个数t,若t>0,则子节点存在障碍点,则将其归为非空旷区域;若t=0,则子节点中不存在障碍点,则将其归为空旷区域;
2.3)根据当前节点坐标与起点和目标点坐标计算当前节点与其起点的距离ds、当前节点与目标点的距离dg,构建权重函数;
2.4)若当前节点归为空旷区域,把不是障碍点的子节点加入open_list中,则在其所有子节点代价值f(n)计算中,将启发函数h(n)乘上权重值w(n);若当前节点归为非空旷区域,则在其代价值f(n)计算中,保持估价函数g(n)与启发函数h(n)相同的权重值;
2.5)遍历open_list,若目标点在其中,则路径规划成功;若open_list为空,则路径规划失败,则将该节点加入close_list,选择open_list中f(n)值最小的子节点作为当前节点,返回步骤2.2)。
进一步,所述权重函数为:
进一步,所述步骤2.4)中,若该子节点已经在open_list中,检查这条路径是否更好,这个子节点当前算出来的g(n)值与已经存在open_list中的这个子节点的g(n)值相比较,如果这次算出来的g(n)值小,则这条路径更好;如果是这样,把该子节点的父亲设置为当前方格,并重新计算它的g(n)和f(n)值。
本发明由于采取以上技术方案,其具有以下优点:本发明利用设置启发式函数权重以及子节点选择优化,采用A*路径规划算法的估价函数,根据环境信息设置动态衡量启发函数,在无障碍物环境有效提高搜索效率。并进一步优化子节点的选择,避免路径通过障碍物顶点。
附图说明
图1是迭代节点关系图。
图2是本发明实施例中的传统A*算法在随机障碍物情况下需求最短路径示意图。
图3是本发明实施例中的改进A*算法在随机障碍物情况下需求最短路径示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本发明提供一种基于结合环境信息的改进A*算法的路径规划方法,其包括以下步骤:
1)将地图进行自适应膨胀处理;
2)在经过自适应膨胀处理的地图上采用改进A*算法进行路径搜索。
上述步骤1)中,将地图进行自适应膨胀处理包括以下步骤:
1.1)获取机器人所处环境的栅格地图,对障碍点坐标进行初始标记;优选的,采用Bresenham算法对障碍点坐标进行标记。
1.2)获得障碍点的坐标后,填充机器人传感器位置到障碍点之间的栅格以及该障碍点栅格的初始代价值;
代价地图中的一个栅格在计算机内存中占用一个字节,可以表示0-255中的任意数字,称为栅格代价值。
1.3)对障碍点进行自适应膨胀处理,根据栅格代价值填充障碍点周围膨胀区栅格的代价值,完成对代价地图的膨胀处理。
上述步骤1.3)中,自适应膨胀处理包括以下步骤:
1.3.1)由初始障碍点构造膨胀点优先队列inflation_cells;
1.3.2)将队列inflation_cells的第一个节点作为当前处理节点,计算当前处理节点的父节点的衰减系数coef;
具体方法为:
1.3.2.1)判断该当前处理节点是否为障碍点,若是,则将该当前处理节点自身作为父节点,此时的父节点即为当前处理障碍点On;若不是障碍点,则记离该当前处理节点最近的障碍点作为父节点;
当前处理障碍点On的衰减系数coef为:
式中,ri表示机器人地面投影轮廓的内切圆半径;rc表示外接圆半径;qn为栅格;Dmax为距机器人最远障碍点的距离;n表示障碍点的个数;e为自然对数函数的底数。
1.3.3)若当前处理节点为障碍点,则以其为中心在栅格地图上构建七宫图;反之,若当前处理节点不是障碍点,则继承其当前处理障碍点On的衰减因子sp,并计算其衰减系数coef和衰减因子sp的乘积coef·sp,进入步骤3.4);
衰减因子sp的计算方法为:
依次得到七宫图中的其余48个栅格代价值,累计得出值为FREE_SPACE的栅格数量nF和值为LETHAL_OBSTACLE的栅格数量nL,则衰减因子sp为:
1.3.4)判断d(qn)<coef·sp·rc是否成立,若成立,则将当前处理障碍点On的上下左右四个子节点加入队列inflation_cells,否则不做处理。
对加入队列inflation_cells的子节点进行如下处理:
将四个子节点依次作为当前处理节点,判断其与父节点的距离是否在膨胀半径内,在内则继续将该点的子节点加入膨胀队列(记其父节点仍然为之前的当前处理障碍点On),在外则不做处理。每处理完一个节点后计算并填充该节点的代价值,最后从膨胀队列中移除这个节点。
例如,如图1所示,首先把某一障碍点On作为父节点,计算子节点(O1、O2、O3、O4)与On的距离d(qn);然后判断每个子节点的d(qn)是否符合d(qn)<coef·sp·rc,若成立则将其子节点作为父节点进行迭代,否则不做处理;最后由当前节点的d(qn)计算并填充当前节点的代价值。
需要注意的是,膨胀范围内非障碍点的父节点都是距离它最近的一个障碍点;
初始障碍点为中心的膨胀半径范围内的栅格点都会进入膨胀队列进行处理,是一个不断迭代加入新点和移除已处理点的过程。
1.3.5)由自适应膨胀半径栅格代价值计算函数f(qn)计算出当前处理节点的代价值,与该处理节点的原始代价值比较,取最大值作为当前处理节点的代价值;
其中,原始代价值是指未进行膨胀处理前的栅格地图上的代价值,其含有简单信息,即障碍点,无障碍,未知区域。
1.3.6)从队列inflation_cells中移除当前处理节点即障碍点,返回步骤1.3.2)对下一个节点进行处理;
当所有与父节点距离在膨胀半径内的节点都加入膨胀半径经过处理后,膨胀队列会为逐渐为空(因为在膨胀半径外的点不会再加入,处理完一个点后会移除这个点,所以最后膨胀队列里面只有没有点的增加,只有点的移除),即完成了一次对一个障碍点的膨胀操作。
上述实施例中,自适应膨胀半径栅格代价值计算函数f(qn)为:
式中,ra表示每个栅格的边长;rm表示人为规定的代价地图膨胀半径;w表示代价值下降权重。
设栅格地图分辨率为Δ,机器人与任一栅格的距离l转换成栅格距离d为:
上述实施例中,针对机器人紧贴障碍物边缘行驶的情况,进行自适应调整膨胀半径的方法为:在未紧贴障碍物行驶时保留更多的安全行驶空间,在紧贴障碍物行驶时再给出最低限度安全行驶空间。
上述步骤2)中,改进A*算法是在原经典A*算法搜索广度和搜索深度权重一致的分配规则下,在空旷环境下增大搜索深度的权重值,即增大h(n)函数的权重,让搜索方向的选择偏重于目标点的方向,减少对周围节点的不必要搜索;其中,h(n)是从节点n到目标点最佳路径的估计代价。改进A*算法具体包括以下步骤:
2.1)构造两个优先列表:open_list和close_list。将起点加入open_list列表中,记其f(n)值为0;f(n)是节点n从起始点到目标点的估价函数。
2.2)选择open_list中f(n)值最小的节点为当前节点,记录其子节点的障碍点个数t,若子节点存在障碍点(即t>0),则将其归为非空旷区域,若子节点中不存在障碍点(即t=0),则将其归为空旷区域。
2.3)根据当前节点坐标与起点和目标点坐标计算当前节点与其起点的距离ds、当前节点与目标点的距离dg,构建权重函数:
2.4)若当前节点归为空旷区域,把不是障碍点的子节点(若子节点是障碍点或者在close_list中,则忽略该节点)加入open_list中,则在其所有子节点代价值f(n)计算中(忽略为障碍点的子节点),将启发函数h(n)乘上权重值w(n)。若当前节点归为非空旷区域,则在其代价值f(n)计算中,保持估价函数g(n)与启发函数h(n)相同的权重值。即:
其中,g(n)是在状态空间中从初始节点到节点n的实际代价,
在本实施例中,若该子节点已经在open_list中,检查这条路径(即经由当前节点到达该子节点)是否更好,更小的g(n)值表示这是更好的路径,即这个子节点当前算出来的g(n)值与已经存在open_list中的这个子节点的g(n)值相比较(同一个),如果这次算出来的g(n)值小,则这条路径更好。如果是这样,把该子节点的父亲设置为当前方格,并重新计算它的g(n)和f(n)值。
2.5)遍历open_list,若目标点在其中,则路径规划成功;若open_list为空,则路径规划失败,则将该节点加入close_list,选择open_list中f(n)值最小的子节点作为当前节点,返回步骤2.2)。
实施例:
在Matlab中建立60×60大小的栅格地图作为搜索区域,将结合环境信息的改进A*算法与传统A*算法进行对比仿真测试,如图2、图3所示。无色方格为无障碍区域,有色方格为障碍物。
如图3所示,可以看出结合环境信息的改进A*算法相比传统方法转向次数明显减少,规划路径不再穿过障碍物的顶点(如图2所示圆圈处),更加平滑。在接近目标点时的空旷区域,改进后的算法没有出现无意义的小范围转向。
综上,本发明采用的自适应膨胀地图在能让移动机器人在导航过程中自适应的改变膨胀地图上障碍物膨胀地图的大小,以此使得机器人在全局路径规划上能避开远方危险的行驶区域;在局部路径规划上获得更大的行驶空间,从而增加移动机器人导航过程中的鲁棒性和安全性。传统的路径规划旨在获得最短的路径,对环境信息缺少判断能力,往往会穿过复杂障碍物区域,因此需求算法在搜索广度和搜索效率上达到平衡。本发明采用自适应膨胀地图后,由于障碍物密集区域的膨胀半径被自适应放大,全局路径规划会避开障碍物区域,留给其规划的空间往往是障碍物分布稀少的空旷环境。如果使用传统的A*算法,在搜索广度和深度上都使用相同的权重,在空旷区域较多的情况下,使用较多的广度搜索会降低搜索效率。因此在搜索广度和搜索深度权重上需要应对此种环境作出相应的改变,采用改进A*算法,在空旷空间增加搜索深度的权重;在遇到障碍物的情况下增加搜索广度的权重。以此和自适应膨胀地图相配合,提高搜索效率。
进一步,本发明通过对传统A*算法中的启发式函数和子节点选择进行改进,选择子节点时增加了对环境信息的判断,加入权函数适当增加了处于无障碍物区域时启发式函数的权重,增加了在无障碍物区域的搜索效率;通过优化子节点选择方法,避免了路径穿过障碍物顶点,路径更平滑。本发明的改进A*算法以增加小部分路径长度为代价,解决了规划后路径穿过障碍物顶点的问题,增加了规划后路径的安全性;在空旷区域较少了无意义的小范围转向,提高了无障碍物区域的搜索效率。
上述各实施例仅用于说明本发明,各个步骤都是可以有所变化的,在本发明技术方案的基础上,凡根据本发明原理对个别步骤进行的改进和等同变换,均不应排除在本发明的保护范围之外。
Claims (2)
1.一种基于结合环境信息的改进A*算法的路径规划方法,其特征在于,包括以下步骤:
1)将地图进行自适应膨胀处理:
1.1)获取机器人所处环境的栅格地图,对障碍点坐标进行初始标记;
1.2)获得障碍点的坐标后,填充机器人传感器位置到障碍点之间的栅格以及该障碍点栅格的初始代价值;
1.3)对障碍点进行自适应膨胀处理,根据栅格代价值填充障碍点周围膨胀区栅格的代价值,完成对代价地图的膨胀处理;
2)在经过自适应膨胀处理的地图上采用改进A*算法进行路径搜索;
所述步骤1.3)中,自适应膨胀处理包括以下步骤:
1.3.1)由初始障碍点构造膨胀点优先队列inflation_cells;
1.3.2)将队列inflation_cells的第一个节点作为当前处理节点,计算当前处理节点的父节点的衰减系数coef;
1.3.3)若当前处理节点为障碍点,则以其为中心在栅格地图上构建七宫图;反之,若当前处理节点不是障碍点,则继承其当前处理障碍点On的衰减因子sp,并根据计算其衰减系数coef和衰减因子sp的乘积coef·sp,进入步骤3.4);
1.3.4)判断d(qn)<coef·sp·rc是否成立,若成立,则将当前处理障碍点On的上下左右四个子节点加入队列inflation_cells,否则不做处理;
1.3.5)由自适应膨胀半径栅格代价值计算函数f(qn)计算出当前处理节点的代价值,与该处理节点的原始代价值比较,取最大值作为当前处理节点的代价值;
1.3.6)从队列inflation_cells中移除当前处理节点即障碍点,返回步骤3.2)对下一个节点进行处理;
所述步骤1.3.2)中,衰减系数coef计算方法为:
1.3.2.1)判断该当前处理节点是否为障碍点,若是,则将该当前处理节点自身作为父节点,此时的父节点即为当前处理障碍点On;若不是障碍点,则记离该当前处理节点最近的障碍点作为父节点;
当前处理障碍点On的衰减系数coef为:
式中,ri表示机器人地面投影轮廓的内切圆半径;rc表示外接圆半径;qn为栅格;Dmax为距机器人最远障碍点的距离;n表示障碍点的个数;e为自然对数函数的底数;为当前处理障碍点On与机器人之间的栅格距离;
所述步骤1.3.3)中,衰减因子sp的计算方法为:依次得到七宫图中的其余48个栅格代价值,累计得出值为FREE_SPACE的栅格数量nF和值为LETHAL_OBSTACLE的栅格数量nL,则衰减因子sp为:
所述步骤1.3.4)中,对加入队列inflation_cells的子节点进行如下处理:
将四个子节点依次作为当前处理节点,判断其与父节点的距离是否在膨胀半径内,在内则继续将该点的子节点加入膨胀队列,此时记其父节点仍然为之前的当前处理障碍点On,在外则不做处理;每处理完一个节点后计算并填充该节点的代价值,最后从膨胀队列中移除这个节点;
所述自适应膨胀半径栅格代价值计算函数f(qn)为:
式中,ra表示每个栅格的边长;rm表示人为规定的代价地图膨胀半径;w表示代价值下降权重;d(qn)为当前节点与其父节点之间的距离;ri表示机器人地面投影轮廓的内切圆半径;rc表示外接圆半径;
所述改进A*算法进行路径搜索的方法包括以下步骤:根据环境信息设置动态衡量启发函数;
2.1)构造两个优先列表:open_list和close_list;将起点加入open_list列表中,记其f(n)值为0;
2.2)选择open_list中f(n)值最小的节点为当前节点,记录其子节点的障碍点个数t,若t>0,则子节点存在障碍点,则将其归为非空旷区域;若t=0,则子节点中不存在障碍点,则将其归为空旷区域;
2.3)根据当前节点坐标与起点和目标点坐标计算当前节点与其起点的距离ds、当前节点与目标点的距离dg,构建权重函数:
2.4)若当前节点归为空旷区域,把不是障碍点的子节点加入open_list中,则在其所有子节点代价值f(n)计算中,将启发函数h(n)乘上权重值w(n);若当前节点归为非空旷区域,则在其代价值f(n)计算中,保持估价函数g(n)与启发函数h(n)相同的权重值;即:
其中,g(n)是在状态空间中从初始节点到节点n的实际代价;
2.5)遍历open_list,若目标点在其中,则路径规划成功;若open_list为空,则路径规划失败,则将该节点加入close_list,选择open_list中f(n)值最小的子节点作为当前节点,返回步骤2.2)。
2.如权利要求1所述基于结合环境信息的改进A*算法的路径规划方法,其特征在于,所述步骤2.4)中,若该子节点已经在open_list中,检查这条路径是否更好,这个子节点当前算出来的g(n)值与已经存在open_list中的这个子节点的g(n)值相比较,如果这次算出来的g(n)值小,则这条路径更好;如果是这样,把该子节点的父亲设置为当前方格,并重新计算它的g(n)和f(n)值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010930986.8A CN112033413B (zh) | 2020-09-07 | 2020-09-07 | 一种基于结合环境信息的改进a*算法的路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010930986.8A CN112033413B (zh) | 2020-09-07 | 2020-09-07 | 一种基于结合环境信息的改进a*算法的路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112033413A CN112033413A (zh) | 2020-12-04 |
CN112033413B true CN112033413B (zh) | 2023-06-16 |
Family
ID=73585513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010930986.8A Active CN112033413B (zh) | 2020-09-07 | 2020-09-07 | 一种基于结合环境信息的改进a*算法的路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112033413B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112698653A (zh) * | 2020-12-23 | 2021-04-23 | 南京中朗智能技术有限公司 | 基于深度学习的机器人自主导航控制方法及系统 |
CN112734878B (zh) * | 2020-12-31 | 2023-06-20 | 南昌工学院 | 大型栅格地图两点之间连通性检测方法、设备及存储介质 |
CN114973443B (zh) * | 2022-05-19 | 2024-04-12 | 杭州中威电子股份有限公司 | 一种基于巡检机器人的复杂气体环境巡检系统及其方法 |
CN115855030B (zh) * | 2023-02-28 | 2023-06-27 | 麦岩智能科技(北京)有限公司 | 一种障碍物留存方法、存储介质、设备 |
CN116225942B (zh) * | 2023-03-08 | 2023-11-10 | 深圳指尖互娱科技有限公司 | 基于运行分析的游戏引擎开发测试系统 |
CN117109597B (zh) * | 2023-10-23 | 2023-12-29 | 北京卓翼智能科技有限公司 | 基于改进a星算法的无人机路径规划方法和装置 |
CN117451057B (zh) * | 2023-12-25 | 2024-03-12 | 长春理工大学 | 基于改进a*算法无人机三维路径规划方法、设备和介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106774347A (zh) * | 2017-02-24 | 2017-05-31 | 安科智慧城市技术(中国)有限公司 | 室内动态环境下的机器人路径规划方法、装置和机器人 |
CN107091642A (zh) * | 2017-05-15 | 2017-08-25 | 东南大学 | 一种基于异平面锚节点映射及栅格化纠偏的室内定位方法 |
CN108908330A (zh) * | 2018-06-28 | 2018-11-30 | 中国人民解放军国防科技大学 | 一种基于虚拟现实的机器人行为控制方法 |
CN108955694A (zh) * | 2018-08-15 | 2018-12-07 | 北京理工大学 | 一种面向生存能力增强的多地面单元协同路径规划方法 |
CN109708636A (zh) * | 2017-10-26 | 2019-05-03 | 广州极飞科技有限公司 | 导航图配置方法、避障方法以及装置、终端、无人飞行器 |
CN109916393A (zh) * | 2019-03-29 | 2019-06-21 | 电子科技大学 | 一种基于机器人位姿的多重栅格值导航方法及其应用 |
CN109947118A (zh) * | 2019-04-19 | 2019-06-28 | 南京大学 | 一种使用gpu加速的代价地图快速更新方法 |
CN110108284A (zh) * | 2019-05-24 | 2019-08-09 | 西南交通大学 | 一种顾及复杂环境约束的无人机三维航迹快速规划方法 |
CN110470308A (zh) * | 2019-09-06 | 2019-11-19 | 北京云迹科技有限公司 | 一种避障系统及方法 |
CN111026131A (zh) * | 2019-12-30 | 2020-04-17 | 深圳前海达闼云端智能科技有限公司 | 一种膨胀区域的确定方法、确定装置、机器人和存储介质 |
CN111338384A (zh) * | 2019-12-17 | 2020-06-26 | 北京化工大学 | 一种仿蛇机器人自适应路径跟踪方法 |
CN111504325A (zh) * | 2020-04-29 | 2020-08-07 | 南京大学 | 一种基于扩大搜索邻域的加权a*算法的全局路径规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014011990A1 (en) * | 2012-07-13 | 2014-01-16 | International Electronic Machines Corp. | Straight line path planning |
-
2020
- 2020-09-07 CN CN202010930986.8A patent/CN112033413B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106774347A (zh) * | 2017-02-24 | 2017-05-31 | 安科智慧城市技术(中国)有限公司 | 室内动态环境下的机器人路径规划方法、装置和机器人 |
CN107091642A (zh) * | 2017-05-15 | 2017-08-25 | 东南大学 | 一种基于异平面锚节点映射及栅格化纠偏的室内定位方法 |
CN109708636A (zh) * | 2017-10-26 | 2019-05-03 | 广州极飞科技有限公司 | 导航图配置方法、避障方法以及装置、终端、无人飞行器 |
CN108908330A (zh) * | 2018-06-28 | 2018-11-30 | 中国人民解放军国防科技大学 | 一种基于虚拟现实的机器人行为控制方法 |
CN108955694A (zh) * | 2018-08-15 | 2018-12-07 | 北京理工大学 | 一种面向生存能力增强的多地面单元协同路径规划方法 |
CN109916393A (zh) * | 2019-03-29 | 2019-06-21 | 电子科技大学 | 一种基于机器人位姿的多重栅格值导航方法及其应用 |
CN109947118A (zh) * | 2019-04-19 | 2019-06-28 | 南京大学 | 一种使用gpu加速的代价地图快速更新方法 |
CN110108284A (zh) * | 2019-05-24 | 2019-08-09 | 西南交通大学 | 一种顾及复杂环境约束的无人机三维航迹快速规划方法 |
CN110470308A (zh) * | 2019-09-06 | 2019-11-19 | 北京云迹科技有限公司 | 一种避障系统及方法 |
CN111338384A (zh) * | 2019-12-17 | 2020-06-26 | 北京化工大学 | 一种仿蛇机器人自适应路径跟踪方法 |
CN111026131A (zh) * | 2019-12-30 | 2020-04-17 | 深圳前海达闼云端智能科技有限公司 | 一种膨胀区域的确定方法、确定装置、机器人和存储介质 |
CN111504325A (zh) * | 2020-04-29 | 2020-08-07 | 南京大学 | 一种基于扩大搜索邻域的加权a*算法的全局路径规划方法 |
Non-Patent Citations (10)
Title |
---|
A novel obstacle avoidance method based on multi-information inflation map;Yuan,RP等;INDUSTRIAL ROBOT-THE INTERNATIONAL JOURNAL OF ROBOTICS RESARCH AND APPLICATION;253-265 * |
Visual navigation for mobile robot with Kinect camera in dynamic environment;Jing Xin等;2016 35th Chinese Control Conference (CCC);4757-4764 * |
利用七宫格的遮挡车辆凹性检测与分割;刘万军等;中国图象图形学报;第19卷(第1期);45-53 * |
基于ROS的自主移动机器人系统设计与实现;沈俊;中国优秀硕士学位论文全文数据库 (信息科技辑);I140-823 * |
基于三维建图与虚拟现实的人-机器人交互技术研究;王盼;中国优秀硕士学位论文全文数据库 (信息科技辑);I138-2110 * |
基于动态加权A*算法的AGV路径规划研究;许建波等;中国科技论文在线精品论文;第13卷(第2期);115-126 * |
基于改进A*算法的导盲避障路径规划策略研究;张一豆等;航空兵器;86-92 * |
基于车辆轮廓凹陷区域的分割算法;张栩华等;电子设计工程;第27卷(第24期);157-160+166 * |
小型无人机地面站软件设计;邢镇;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑);C031-56 * |
智能空间中的服务机器人路径规划;薛英花;智能系统学报;第5卷(第3期);260-265 * |
Also Published As
Publication number | Publication date |
---|---|
CN112033413A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112033413B (zh) | 一种基于结合环境信息的改进a*算法的路径规划方法 | |
CN111504325B (zh) | 一种基于扩大搜索邻域的加权a*算法的全局路径规划方法 | |
CN111679692A (zh) | 一种基于改进A-star算法的无人机路径规划方法 | |
CN108664022B (zh) | 一种基于拓扑地图的机器人路径规划方法及系统 | |
CN112985408B (zh) | 一种路径规划优化方法及系统 | |
CN111880561B (zh) | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 | |
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 | |
CN113865589B (zh) | 一种基于地形坡度的长距离快速路径规划方法 | |
CN114440916B (zh) | 一种导航方法、装置、设备及存储介质 | |
LU102942B1 (en) | Path planning method based on improved a* algorithm in off-road environment | |
CN114625150B (zh) | 基于危险系数和距离函数的快速蚁群无人艇动态避障方法 | |
CN112066976B (zh) | 一种自适应膨胀处理方法、系统、机器人及存储介质 | |
CN112748732B (zh) | 基于改进Kstar算法和深度学习的实时路径规划方法 | |
CN115218916A (zh) | 一种安全性路径规划方法、装置 | |
CN115268441A (zh) | 基于改进a*算法的动态路径规划方法及系统 | |
Wu et al. | A Non-rigid hierarchical discrete grid structure and its application to UAVs conflict detection and path planning | |
CN116182859A (zh) | 路径规划方法及装置、设备、存储介质 | |
CN114625162A (zh) | 基于混合算法的无人机最优路径规划方法、系统及介质 | |
CN117367433A (zh) | 低空无人机路径规划方法、装置、无人机及可读存储介质 | |
CN110749325B (zh) | 航迹规划方法和装置 | |
CN117289301A (zh) | 一种未知越野场景下空地无人平台协同路径规划方法 | |
CN111598941A (zh) | 一种杆塔倾斜度测量方法、装置、设备及存储介质 | |
CN108074253B (zh) | 一种基于Delaunay三角剖分的多层级矢量道路网匹配方法 | |
CN116560360A (zh) | 面向复杂动态场景的医用护理机器人实时动态路径规划方法及系统 | |
CN115619953A (zh) | 一种面向崎岖地形的移动机器人地形建图方法及系统 |
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 |