CN112197783A - 一种考虑车头指向的两阶段多抽样的rrt路径规划方法 - Google Patents
一种考虑车头指向的两阶段多抽样的rrt路径规划方法 Download PDFInfo
- Publication number
- CN112197783A CN112197783A CN202011059189.3A CN202011059189A CN112197783A CN 112197783 A CN112197783 A CN 112197783A CN 202011059189 A CN202011059189 A CN 202011059189A CN 112197783 A CN112197783 A CN 112197783A
- Authority
- CN
- China
- Prior art keywords
- sampling
- point
- random
- tree
- 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
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
- G01C21/26—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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于无人车路径规划技术领域,具体涉及一种考虑车头指向的两阶段多抽样的RRT路径规划方法。本发明以传统RRT路径规划方法作为主体流程,采用两阶段多抽样的随机采样点采集方法,并且考虑安全距离和路径平滑,尤其是考虑了车头的指向,使得本方法更加适合于无人车寻路。本发明用了两阶段多抽样的方法确定随机采样点,缩短了规划路径的总长度。本发明在路径规划过程中考虑了车头指向并对规划出的路径做了平滑处理,使输出的规划路径结果更加适合于无人车寻路并且可以缩短规划路径的总长度,得到更加接近实际的行驶路径。
Description
技术领域
本发明属于无人车路径规划技术领域,具体涉及一种考虑车头指向的两阶段多抽样的RRT路径规划方法。
背景技术
目前,在以大数据和云计算等新技术推动的新一轮技术革命的背景下,无人驾驶技术正在迅猛发展。无人车的路径规划是指已知车辆的起点、终点以及环境中的障碍物分布,规划出一条从起点至终点的与障碍物不相碰撞的路径,路径规划是无人车技术中的关键技术之一。
为了满足无人车路径规划的特点,相关研究者也进行了大量的工作。Dijkstra算法发明很早,用于最短路径的搜索,但搜索过程中过多无关节点的扩展会极大降低算法效率。A*是一种启发式最优搜索算法,其框架与Dijkstra基本一致,但增加了对当前节点到目标节点最低代价的估计函数,从而使靠近目标节点的节点获得优先扩展机会,但当搜索栅格较多时,需处理的节点数目过多,算法效率不高。基于仿生优化算法(诸如蜂群、蚁群等)的路径规划,通常需要对大量参数进行训练,而这些参数与场景紧密耦合,移植性不强。RRT(Rapid-exploration Random Tree,快速扩展随机树)的基本思想是以产生随机点的方式通过一个固定步长向目标点搜索前进,有效躲避障碍物,避免路径陷入局部极小值,收敛速度快。但是随着采样点数目的增加,树最终会稠密地充满整个状态空间自由区域,算法效率很低,尤其是未考虑车头的指向。对于车辆而言,通常会选择小角度转向而不会采用倒车往反方向运动,因此传统RRT算法往往规划出的路线与实际运动规律不符。
发明内容
本发明的目的在于提供解决已知车辆的起点、终点以及环境中的障碍物分布,在考虑车头指向的条件下,规划出一条从起点至终点的与障碍物不相碰撞的平滑路径的问题的一种考虑车头指向的两阶段多抽样的RRT路径规划方法。
本发明的目的通过如下技术方案来实现:包括以下步骤:
步骤1:初始化地图空间,输入无人车的起点Pinit、终点Pgoal以及环境中的障碍物分布信息;初始化随机树T、步长L、采样轮次k=0及采样轮次上限M;设定安全距离SD;其中,以起点Pinit作为随机树T的根节点;步长L为无人车每一步运动的长度;采样轮次k初始值为0,每确定一个随机采样点Prand,采样轮次k的值都加1,当k>M时,采样终止;
步骤2:确定随机采样点Prand进行RRT树节点预扩展;
步骤2.1:设定在地图空间中任意位置随机取点作为一号临时采样点TP1的概率为p11;设定在地图空间中自起点至终点的线段上随机取点作为一号临时采样点TP1的概率为p12;执行第一阶段抽样,确定一号临时采样点TP1;
步骤2.2:查找随机树T中离一号临时采样点TP1最近的树节点Pnear作为本次树节点扩展的原点;
步骤2.3:执行第二阶段抽样;以一号临时采样点TP1为原点,以随机树T中离一号临时采样点TP1最近的树节点Pnear和一号临时采样点TP1的连线为横轴,设定常数a,顺时针每隔a°确定一个候选临时采样点CTPi,共确定360/a个候选临时采样点,构成集合CTP;
步骤2.4:从候选临时采样点集合CTP中,剔除掉碰撞障碍物的候选临时采样点,剩余的n个候选临时采样点的集合为S;
步骤2.5:从集合S中随机选择二号临时采样点TP2;
步骤2.6:以随机树T中离一号临时采样点TP1最近的树节点Pnear为起点,向Pnear和二号临时采样点TP2的连线方向延伸步长L,此线段的终点为此两阶段所确定的随机采样点Prand;
步骤2.7:随机树T向随机采样点Prand进行预扩展;
步骤3:无人车从随机树T中离一号临时采样点TP1最近的树节点Pnear运行到随机采样点Prand的过程中,判断无人车与障碍物是否无碰撞、无人车与障碍物是否满足安全距离SD、无人车转向角α是否满足α<90°;若三个条件判断结果都为真,则执行步骤4;否则,执行步骤8;
步骤4:随机树T向随机采样点Prand进行扩展,将树节点与对应的边添加到随机树T中,同时采样轮次k+1;
步骤5:判断终点Pgoal是否包含在随机树T中;若终点Pgoal包含在随机树T中,则执行步骤6;否则,执行步骤8;
步骤6:对步骤5输出的路径做平滑处理;
步骤7:判断平滑后的路径是否满足安全距离SD;若平滑后的路径满足安全距离SD,则跳执行步骤9;否则,执行步骤8;
步骤8:判断当前采样轮次k是否大于采样轮次上限M;若k>M,则判断无符合要求的路径;否则,返回步骤2;
步骤9:输出满足要求的平滑路径,完成路径规划。
本发明还可以包括:
所述的步骤3中无人车的转向角α具体为:以随机树T中离一号临时采样点TP1最近的树节点Pnear为原点向其前驱节点Ppioneer方向引出的射线与以树节点Pnear为原点向随机采样点Prand方向引出的射线,两条射线的夹角即为无人车转向角α;若树节点Pnear为起点Pinit,则以树节点Pnear为原点向终点Pgoal方向引出的射线与以树节点Pnear为原点向随机采样点Prand方向引出的射线,两条射线的夹角即为无人车转向角α。
本发明的有益效果在于:
本发明以传统RRT路径规划方法作为主体流程,采用两阶段多抽样的随机采样点采集方法,并且考虑安全距离和路径平滑,尤其是考虑了车头的指向,使得本方法更加适合于无人车寻路。本发明用了两阶段多抽样的方法确定随机采样点,缩短了规划路径的总长度。本发明在路径规划过程中考虑了车头指向并对规划出的路径做了平滑处理,使输出的规划路径结果更加适合于无人车寻路并且可以缩短规划路径的总长度,得到更加接近实际的行驶路径。
附图说明
图1为本发明的总体流程图。
图2为本发明中两阶段多抽样方法的流程图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明属于路径规划领域,主要是一种考虑车头指向的两阶段多抽样的RRT路径规划方法,使输出的规划路径结果更加适合于无人车寻路并且可以缩短规划路径的总长度。该方法以传统RRT路径规划方法作为主体流程,采用两阶段多抽样的随机采样点采集方法,并且考虑安全距离和路径平滑,尤其是考虑了车头的指向,使得本方法更加适合于无人车寻路。本发明能降低路径总长度,得到更加接近实际的行驶路径。
本发明旨在解决已知车辆的起点、终点以及环境中的障碍物分布,在考虑车头指向的条件下,规划出一条从起点至终点的与障碍物不相碰撞的平滑路径的问题。
实施例1:
一种考虑车头指向的两阶段多抽样的RRT路径规划方法,包括以下步骤:
(1)沿用传统的RRT方法初始化地图空间,初始化随机树T、步长L、采样轮次k=0及采样轮次上限M,将起点Pinit加入到随机树T中;
初始化地图空间具体包括:
绘制一张图片格式的图像,作为规划的构型空间,为了便于进行碰撞检测,将其二值化。选择起点Pinit和终点Pgoal。初始化随机树T,以起点Pinit作为随机树T的根节点,步长L为无人车每一步运动的长度,采样轮次k初始值为0,每确定一个随机采样点Prand,采样轮次k的值都加1,定义采样轮次上限为M,当k>M时,即使还未找到符合要求的路径,采样也会终止。
(2)采用一种两阶段多抽样方法,确定随机采样点Prand进行RRT树节点预扩展;
两阶段多抽样方法包括:
(2.1)执行第一阶段抽样。具体而言,设定在地图空间中任意位置随机取点作为一号临时采样点TP1的概率为p11,p11=0.5;设定在地图空间中自起点至终点的线段上随机取点作为一号临时采样点TP1的概率为p12,p12=0.5,概率确定一号临时采样点TP1;
(2.2)查找随机树T中离一号临时采样点TP1最近的树节点Pnear作为本次树节点扩展的原点;
(2.3)执行第二阶段抽样。具体而言,以一号临时采样点TP1为原点,以随机树T中离一号临时采样点TP1最近的树节点Pnear和一号临时采样点TP1的连线为横轴,顺时针每隔45°共确定八个候选临时采样点CTPi(i=1,2…8),构成集合CTP;
(2.4)从候选临时采样点集合CTP中,剔除掉碰撞障碍物的候选临时采样点,剩余的n个候选临时采样点的集合为S;
(2.5)随机选择二号临时采样点TP2∈S作为二号临时采样点TP2,其中S为不发生碰撞的剩余的n个候选临时采样点的集合,每个集合S中的点被选中的概率为p2=1/n;
(2.6)以随机树T中离一号临时采样点TP1最近的树节点Pnear为起点,向Pnear和二号临时采样点TP2的连线方向延伸步长L,此线段的终点为此两阶段所确定的随机采样点Prand;
(2.7)随机树T向随机采样点Prand进行预扩展;
(3)无人车从随机树T中离一号临时采样点TP1最近的树节点Pnear运行到随机采样点Prand的过程中,判断无人车与障碍物是否无碰撞,判断无人车与障碍物是否满足安全距离SD,执行无人车转向判断方法判断无人车转向角α是否满足α<90°,若三个条件判断结果都为真,则跳转到步骤(4);若三个条件判断结果不都为真,则跳转到步骤(8);
无人车转向角α定义如下:以随机树T中离一号临时采样点TP1最近的树节点Pnear为原点向其前驱节点Ppioneer方向引出的射线与以树节点Pnear为原点向随机采样点Prand方向引出的射线,两条射线的夹角即为无人车转向角α。若树节点Pnear为起点Pinit,则以树节点Pnear为原点向终点Pgoal方向引出的射线与以树节点Pnear为原点向随机采样点Prand方向引出的射线,两条射线的夹角即为无人车转向角α。若此转向角α<90°,则此判断返回真;若此转向角α≥90°,则此判断返回假。
(4)随机树T向随机采样点Prand进行扩展,将树节点与对应的边添加到随机树T中,同时采样轮次k+1;
(5)判断终点Pgoal是否包含在随机树T中,若包含,则跳转到步骤(6);若不包含,则跳转到步骤(8);
(6)使用已有的贝塞尔曲线法对步骤(5)输出的路径做平滑处理;
(7)使用已有的障碍栅格膨胀化处理方法判断步骤(6)输出的平滑后的路径是否满足安全距离SD,SD是一个预先设定的常数,通常是一个车身宽度。若满足安全距离SD,则跳转到步骤(9);若不满足安全距离SD,则跳转到步骤(8);
(8)判断当前采样轮次k是否大于采样轮次上限M,若k>M,则跳转到步骤(10);若k≤M,则跳转到步骤(2);
(9)输出满足要求的平滑路径;
(10)无符合要求的路径,通知系统管理员重新规划。
本发明在路径规划过程中考虑了车头指向并对规划出的路径做了平滑处理,使输出的规划路径结果更加适合于无人车寻路。本发明用了两阶段多抽样的方法确定随机采样点,缩短了规划路径的总长度。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种考虑车头指向的两阶段多抽样的RRT路径规划方法,其特征在于,包括以下步骤:
步骤1:初始化地图空间,输入无人车的起点Pinit、终点Pgoal以及环境中的障碍物分布信息;初始化随机树T、步长L、采样轮次k=0及采样轮次上限M;设定安全距离SD;其中,以起点Pinit作为随机树T的根节点;步长L为无人车每一步运动的长度;采样轮次k初始值为0,每确定一个随机采样点Prand,采样轮次k的值都加1,当k>M时,采样终止;
步骤2:确定随机采样点Prand进行RRT树节点预扩展;
步骤2.1:设定在地图空间中任意位置随机取点作为一号临时采样点TP1的概率为p11;设定在地图空间中自起点至终点的线段上随机取点作为一号临时采样点TP1的概率为p12;执行第一阶段抽样,确定一号临时采样点TP1;
步骤2.2:查找随机树T中离一号临时采样点TP1最近的树节点Pnear作为本次树节点扩展的原点;
步骤2.3:执行第二阶段抽样;以一号临时采样点TP1为原点,以随机树T中离一号临时采样点TP1最近的树节点Pnear和一号临时采样点TP1的连线为横轴,设定常数a,顺时针每隔a°确定一个候选临时采样点CTPi,共确定360/a个候选临时采样点,构成集合CTP;
步骤2.4:从候选临时采样点集合CTP中,剔除掉碰撞障碍物的候选临时采样点,剩余的n个候选临时采样点的集合为S;
步骤2.5:从集合S中随机选择二号临时采样点TP2;
步骤2.6:以随机树T中离一号临时采样点TP1最近的树节点Pnear为起点,向Pnear和二号临时采样点TP2的连线方向延伸步长L,此线段的终点为此两阶段所确定的随机采样点Prand;
步骤2.7:随机树T向随机采样点Prand进行预扩展;
步骤3:无人车从随机树T中离一号临时采样点TP1最近的树节点Pnear运行到随机采样点Prand的过程中,判断无人车与障碍物是否无碰撞、无人车与障碍物是否满足安全距离SD、无人车转向角α是否满足α<90°;若三个条件判断结果都为真,则执行步骤4;否则,执行步骤8;
步骤4:随机树T向随机采样点Prand进行扩展,将树节点与对应的边添加到随机树T中,同时采样轮次k+1;
步骤5:判断终点Pgoal是否包含在随机树T中;若终点Pgoal包含在随机树T中,则执行步骤6;否则,执行步骤8;
步骤6:对步骤5输出的路径做平滑处理;
步骤7:判断平滑后的路径是否满足安全距离SD;若平滑后的路径满足安全距离SD,则跳执行步骤9;否则,执行步骤8;
步骤8:判断当前采样轮次k是否大于采样轮次上限M;若k>M,则判断无符合要求的路径;否则,返回步骤2;
步骤9:输出满足要求的平滑路径,完成路径规划。
2.根据权利要求1所述的一种考虑车头指向的两阶段多抽样的RRT路径规划方法,其特征在于:所述的步骤3中无人车的转向角α具体为:以随机树T中离一号临时采样点TP1最近的树节点Pnear为原点向其前驱节点Ppioneer方向引出的射线与以树节点Pnear为原点向随机采样点Prand方向引出的射线,两条射线的夹角即为无人车转向角α;若树节点Pnear为起点Pinit,则以树节点Pnear为原点向终点Pgoal方向引出的射线与以树节点Pnear为原点向随机采样点Prand方向引出的射线,两条射线的夹角即为无人车转向角α。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011059189.3A CN112197783B (zh) | 2020-09-30 | 2020-09-30 | 一种考虑车头指向的两阶段多抽样的rrt路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011059189.3A CN112197783B (zh) | 2020-09-30 | 2020-09-30 | 一种考虑车头指向的两阶段多抽样的rrt路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112197783A true CN112197783A (zh) | 2021-01-08 |
CN112197783B CN112197783B (zh) | 2022-08-02 |
Family
ID=74008209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011059189.3A Active CN112197783B (zh) | 2020-09-30 | 2020-09-30 | 一种考虑车头指向的两阶段多抽样的rrt路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112197783B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112965476A (zh) * | 2021-01-22 | 2021-06-15 | 西安交通大学 | 一种基于多窗口抽样的高速无人车轨迹规划系统及方法 |
CN114038203A (zh) * | 2022-01-12 | 2022-02-11 | 成都四方伟业软件股份有限公司 | 一种交通仿真中两点路口车道的曲线拟合方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011019810A1 (en) * | 2009-08-11 | 2011-02-17 | Certusview Technologies, Llc | Locating equipment equipped with a mobile/portable device |
WO2015008032A1 (en) * | 2013-07-15 | 2015-01-22 | Bae Systems Plc | Route planning |
CN107883961A (zh) * | 2017-11-06 | 2018-04-06 | 哈尔滨工程大学 | 一种基于Smooth‑RRT算法的水下机器人路径优化方法 |
CN108240818A (zh) * | 2016-12-27 | 2018-07-03 | 中国移动通信有限公司研究院 | 一种路径确定方法及其装置 |
CN108846400A (zh) * | 2018-04-19 | 2018-11-20 | 哈尔滨工程大学 | 一种基于梯度分析的海水温度场采样方法 |
CN109813332A (zh) * | 2017-11-20 | 2019-05-28 | 华为技术有限公司 | 添加虚拟引导线的方法和装置 |
CN109940614A (zh) * | 2019-03-11 | 2019-06-28 | 东北大学 | 一种融合记忆机制的机械臂多场景快速运动规划方法 |
CN110187372A (zh) * | 2019-06-20 | 2019-08-30 | 北京联合大学 | 一种低速无人车园区内组合导航方法及系统 |
CN110609547A (zh) * | 2019-08-21 | 2019-12-24 | 中山大学 | 一种基于可视图引导的移动机器人规划方法 |
CN111161384A (zh) * | 2019-12-06 | 2020-05-15 | 南京理工大学 | 一种参与介质的路径引导方法 |
CN111707264A (zh) * | 2020-05-30 | 2020-09-25 | 同济大学 | 一种改进拓展式rrt路径规划方法、系统及装置 |
-
2020
- 2020-09-30 CN CN202011059189.3A patent/CN112197783B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011019810A1 (en) * | 2009-08-11 | 2011-02-17 | Certusview Technologies, Llc | Locating equipment equipped with a mobile/portable device |
WO2015008032A1 (en) * | 2013-07-15 | 2015-01-22 | Bae Systems Plc | Route planning |
CN108240818A (zh) * | 2016-12-27 | 2018-07-03 | 中国移动通信有限公司研究院 | 一种路径确定方法及其装置 |
CN107883961A (zh) * | 2017-11-06 | 2018-04-06 | 哈尔滨工程大学 | 一种基于Smooth‑RRT算法的水下机器人路径优化方法 |
CN109813332A (zh) * | 2017-11-20 | 2019-05-28 | 华为技术有限公司 | 添加虚拟引导线的方法和装置 |
CN108846400A (zh) * | 2018-04-19 | 2018-11-20 | 哈尔滨工程大学 | 一种基于梯度分析的海水温度场采样方法 |
CN109940614A (zh) * | 2019-03-11 | 2019-06-28 | 东北大学 | 一种融合记忆机制的机械臂多场景快速运动规划方法 |
CN110187372A (zh) * | 2019-06-20 | 2019-08-30 | 北京联合大学 | 一种低速无人车园区内组合导航方法及系统 |
CN110609547A (zh) * | 2019-08-21 | 2019-12-24 | 中山大学 | 一种基于可视图引导的移动机器人规划方法 |
CN111161384A (zh) * | 2019-12-06 | 2020-05-15 | 南京理工大学 | 一种参与介质的路径引导方法 |
CN111707264A (zh) * | 2020-05-30 | 2020-09-25 | 同济大学 | 一种改进拓展式rrt路径规划方法、系统及装置 |
Non-Patent Citations (3)
Title |
---|
SAURABH AGARWAL等: ""Potential and Sampling Based RRT Star for Real-Time Dynamic Motion Planning Accounting for Momentum in Cost Function"", 《NEURAL INFORMATION PROCESSING》, vol. 11307, 31 December 2018 (2018-12-31), pages 209 - 221 * |
李创业,等: ""基于Sobol序列与快速扩展随机树的机械臂路径规划"", 《第31届中国过程控制会议(CPCC 2020)摘要集》, 30 July 2020 (2020-07-30), pages 253 * |
辛亭,等: ""一种改进的快速扩展随机树航迹规划算法"", 《航空电子技术》, vol. 39, no. 4, 31 December 2008 (2008-12-31), pages 39 - 43 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112965476A (zh) * | 2021-01-22 | 2021-06-15 | 西安交通大学 | 一种基于多窗口抽样的高速无人车轨迹规划系统及方法 |
CN112965476B (zh) * | 2021-01-22 | 2022-06-07 | 西安交通大学 | 一种基于多窗口模型的高速无人车轨迹规划系统及方法 |
CN114038203A (zh) * | 2022-01-12 | 2022-02-11 | 成都四方伟业软件股份有限公司 | 一种交通仿真中两点路口车道的曲线拟合方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112197783B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102326256B1 (ko) | 고정밀도 이미지를 분석하는 딥러닝 네트워크의 학습에 이용하기 위한 트레이닝 이미지를 오토 라벨링하기 위한 방법 및 이를 이용한 오토 라벨링 장치 | |
CN108469822B (zh) | 一种室内导盲机器人在动态环境下的路径规划方法 | |
US12038753B2 (en) | Speed planning method and apparatus, electronic device and storage medium | |
CN109509210B (zh) | 障碍物跟踪方法和装置 | |
CN111158365B (zh) | 一种路径规划方法、装置、机器人及存储介质 | |
CN109579854B (zh) | 基于快速扩展随机树的无人车避障方法 | |
CN108519094B (zh) | 局部路径规划方法及云处理端 | |
CN112904869B (zh) | 基于多树rrt的无人艇加权迭代路径规划方法及设备 | |
CN112197783B (zh) | 一种考虑车头指向的两阶段多抽样的rrt路径规划方法 | |
WO2023045029A1 (zh) | 海盗区域船舶航线规划方法、系统、电子设备及存储介质 | |
CN107631734A (zh) | 一种基于D*_lite算法的动态平滑路径规划方法 | |
CN110956161B (zh) | 一种自主建图方法、装置及智能机器人 | |
CN111830979A (zh) | 一种轨迹优化方法和装置 | |
CN111680747B (zh) | 用于占据栅格子图的闭环检测的方法和装置 | |
CN112880694B (zh) | 确定车辆的位置的方法 | |
CN107289938B (zh) | 一种地面无人平台局部路径规划方法 | |
EP4047554A1 (en) | Training method for multi-object tracking model and multi-object tracking method | |
CN109341698B (zh) | 一种移动机器人的路径选择方法及装置 | |
CN111507161B (zh) | 利用合并网络进行异质传感器融合的方法和装置 | |
Huang et al. | An online multi-lidar dynamic occupancy mapping method | |
CN113515111B (zh) | 一种车辆避障路径规划方法及装置 | |
CN113325389A (zh) | 一种无人车激光雷达定位方法、系统及存储介质 | |
CN109855640B (zh) | 一种基于自由空间与人工蜂群算法的路径规划方法 | |
WO2022007227A1 (zh) | 一种自动泊车的方法和车辆 | |
CN116736864B (zh) | 一种自主航行控制方法及系统 |
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 |