CN112344938B - 基于指向和势场参数的空间环境路径生成及规划方法 - Google Patents
基于指向和势场参数的空间环境路径生成及规划方法 Download PDFInfo
- Publication number
- CN112344938B CN112344938B CN202011198047.5A CN202011198047A CN112344938B CN 112344938 B CN112344938 B CN 112344938B CN 202011198047 A CN202011198047 A CN 202011198047A CN 112344938 B CN112344938 B CN 112344938B
- Authority
- CN
- China
- Prior art keywords
- path
- rand
- sampling
- point
- unmanned system
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Abstract
本发明属于人工智能路径规划领域,具体涉及一种无人系统的基于指向和势场参数的空间环境路径生成及规划方法。本发明包括:初始化环境信息和空间地图;创建初始无人系统种群;判断无人系统与障碍物的距离是否满足安全距离要求;输出路径,做平滑处理;判断平滑后的路径是否满足安全距离;判断当前采样轮次是否大于采样轮次上限;输出平滑路径,根据路径评价函数值选择最佳路径,完成路径规划。发明以快速扩展随机树生成路径作为主体流程,采用两阶段多抽样的随机采样点并通过引力和斥力增益系数进行路径规划,同时考虑了无人系统的整体运动指向,更适合无人系统寻路,缩短了路径规划的总长度,更接近实际行驶路径。
Description
技术领域
本发明属于人工智能路径规划领域,具体涉及一种无人系统的基于指向和势场参数的空间环境路径生成及规划方法。
背景技术
近年来,随着无人驾驶、航行技术等研究的深入,以云计算和大数据推动的新一轮技术革命技术正在迅猛发展。研究路径规划的也越来越成为智能交通的热点。路径规划是指已知无人系统的起始位置和目的地通过探测环境中的障碍物分布,规划出一条可行的安全行驶路径。路径规划是无人车、无人机、无人艇等技术中的技术核心,也是无人系统安全的基本保障。寻找一种合理、高效的路径规划方法是目前研究的主要方向之一。
申请号201310195535.4公开了一种基于全局路径规划和局部滚动预测避碰规划相结合的双层规划方法,来解决动态环境下移动机器人路径规划问题。该方法主要包括两部分:全局路径规划和局部滚动预测避碰规划。本发明能够更好地实现机器人导航,提高机器人的智能性。运用双层规划方法能够避免规划初始的盲目性,减小问题的搜索空间;针对动态障碍物运行方向的不确定性,采用两种碰撞预测策略及两种相应的碰撞避免策略,能够很好地避开动态障碍物;特别地,为更好地适应环境的变化,在第二层规划中,加入基于行为方法中的Follow_wall(沿墙)行为,可使得在环境发生变化时,移动机器人仍能够安全无碰地到达目标点。但是该专利存在极小值问题,会使得无人系统路径规划失败。
申请号201510190322.1公开了一种基于目标方向约束的路径规划算法,在路径搜索过程中,只保留当前节点与目标节点在同一方向上的可扩展节点,并将这些可扩展节点加入可扩展节点的状态空间,对状态空间中的每一个可扩展节点进行评估,得到估价函数值最小的可扩展节点作为下一个当前节点,重复路径搜索,直到状态空间中估价函数值最小的可扩展节点为目标节点,得到最优路径。本发明在路径搜索过程中,只保留当前节点与目标节点在同一方向上的可扩展节点,减少了当前节点的扩展节点的状态空间中的节点数量,降低了算法的搜索规模,减少了内存资源的占用,提高了算法的搜索效率,适用于各种实时性要求比较高的场景的路径搜索。但是该方法系统指向,因此有可能规划出与实际运动规律不符的路线。
发明内容
本发明的目的在于提供一种基于指向和势场参数的空间环境路径生成及规划方法。
本发明的目的是这样实现的:
一种基于指向和势场参数的空间环境路径生成及规划方法,包括如下步骤:
(1)初始化环境信息和空间地图,包括遗传算法中随机树T、采样轮次K及采样轮次上限M、输入无人系统的起始点坐标Pstart(x0,y0,z0)、目的地坐标Pend(xe,ye,ze)以及障碍物坐标Pob(xob,yob,zob)、障碍物的最大影响半径Rinf、安全距离SD、无人系统的步长L;以起始点Pstart作为随机树T的根节点;K的初始值为0;每确定一个随机采样点Prand(xrand,yrand,zrand),K的值加1,当K>M时,采样终止;
(2)创建初始无人系统种群,其中最大的遗传代数G、初始种群中个体数目N,每个个体为一组引力增益和斥力增益组合的数据,(ki,ηi),i=1,2,…,N,根据随机采样点随机采样点Prand(xrand,yrand,zrand)进行快速扩展随机树的树节点预扩展;
(3)无人系统从随机树T中距离第一采样点SP1最近的树节点Pne(xne,yne,zne)运行到随机采样点Prand,判断无人系统与障碍物的距离是否满足安全距离SD要求,无人系统转向角β是否小于90°;若两个条件均满足,则执行步骤(4);否则,执行步骤(8);
(4)随机树T向随机采样点Prand(xrand,yrand,zrand)进行扩展,将Prand(xrand,yrand,zrand)添加到随机树T中,采样轮次加1;
(5)判断Pend(xe,ye,ze)是否包含在随机树T中;若包含在T中,则执行步骤(6);否则,执行步骤(8);
(6)输出路径,做平滑处理;
(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,则执行步骤(9);否则,执行步骤(8);
(8)判断当前采样轮次是否大于采样轮次上限M;若大于采样轮次上限M,则判断为无符合要求的路径,结束规划;若小于等于采样轮次上限M,执行步骤(2);
(9)输出平滑路径,根据路径评价函数值选择最佳路径,完成路径规划。
所述的步骤(1)包括,将环境信息和空间地图,作为规划的构型空间,进行二值化,采样轮次K初始值为0,每进行一次采样,K值都加1。
所述的步骤(2)中根据随机采样点Prand进行快速扩展随机树的树节点预扩展,包括:
(2.1)取环境空间中任意位置作为第一采样点SP1的概率为p11;从起始点到目的地的路径上通过SP1的概率为p12;进行第一次抽样,确定第一采样点SP1;
(2.2)寻找随机树T中距离第一采样点SP1最近的树节点Pne(xne,yne,zne)为此次树节点预扩展的原点;
(2.4)从集合SP中,删除在以障碍物坐标Pob(xob,yob,zob)为圆点以安全距离SD为半径的区域内的采样点,剩余的s个采样点的集合为S;
(2.5)从集合S中随机选择第二采样点SP2;
(2.6)以Pne(xne,yne,zne)为起点,Pne(xne,yne,zne)到SP2连线方向从SP2延伸一个步长L,步长线段的另一个端点为两次采样确定的随机采样点Prand;
所述步骤(3)中无人系统转向角β为:以随机树T中离第一采样点SP1最近的树节点Pne(xne,yne,zne)为原点向前驱节点Ppi(xpi,ypi,zpi)方向引出的射线与以Pne(xne,yne,zne)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系统转向角β;若Pne(xne,yne,zne)为起始点,则以Pne(xne,yne,zne)为原点向目的地Pend(xe,ye,ze)方向引出的射线与以Pne(xne,yne,zne)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系统转向角β;若此转向角β<90°,则转向角β为真;若此转向角β≥90°,则转向角β为假。
所述的安全距离SD的值取无人系统的宽度。
所述的输出路径包括:
对于种群中任意个体(ki,ηi),输出的路径为{X(xij,yij,zij)};j为路径点标号,j=1,2,3…nj;nj为随机树T中树节点的总数,
(6.1)计算第j个路径点与障碍物之间的距离:
(6.2)计算目的地产生的虚拟引力场对无人系统产生的坐标系三个方向的虚拟引力:
Fe(xij)=ki(xe-xij)
Fe(yij)=ki(ye-yij)
Fe(zij)=ki(ze-zij)
(6.3)计算障碍物所产生虚拟斥力场对无人系统产生的坐标系三个方向的虚拟斥力:
(6.4)计算无人系统受到的驱动合力及角度:
F=Fe+Fob
Fe=Fe(xij)+Fe(yij)+Fe(zij);Fob=Fob(xij)+Fob(yij)+Fob(zij)
(6.5)确定下一个路径点坐标后,将所有路径点连接,形成输出路径:
xij+1=xij+Lcosβijsinγij
yij+1=yij+Lsinβijcosγij
zij+1=zij+Ltanβijcotγij
βij为第i个个体第j个路径的转向角。
所述的根据路径评价函数值Fi选择最佳路径
(9.1)确认无人系统的避碰系数:
gi1=max(γij)
(9.2)确认无人系统的长度系数:
gi2=njL
(9.3)确认无人系统的转角系数:
(9.4)路径评价函数值Fi:
Fi=agi1+bgi2+cgi3
a为避碰系数的权重,b为长度系数的权重,c为转角系数的权重;
(9.5)选择评价函数值最高的个体规划的路径作为最佳路径。
本发明的有益效果在于:
本发明以快速扩展随机树生成路径作为主体流程,采用两阶段多抽样的随机采样点并通过引力和斥力增益系数进行路径规划,通过避碰系数、长度系数和转角系数对路径进行评价性选择,规划出的路径避免了局部极小点问题,同时考虑了无人系统的整体运动指向,更适合无人系统寻路,缩短了路径规划的总长度,更接近实际行驶路径。
附图说明
图1为本发明的流程图。
图2为无人系统的受力图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明属于智能无人系统(如无人机、无人艇、无人车)路径规划领域,旨在解决已知无人系统的起始点、目的地以及环境或者电子地图中的障碍物,在考虑无人系统指向的条件下,规划出一条安全的平滑路径的问题的基于指向和势场参数的空间环境路径生成及规划方法。本方法能降低规划的路径总长度,得到更加接近实际的行驶路径。具体流程如图1所示。
实施例1
一种基于指向和势场参数的空间环境路径生成及规划方法,包括如下步骤:
(1)初始化环境信息和空间地图,包括遗传算法中随机树T、采样轮次K及采样轮次上限M、输入无人系统的起始点坐标Pstart(x0,y0,z0)、目的地坐标Pend(xe,ye,ze)以及障碍物坐标Pob(xob,yob,zob)、障碍物的最大影响半径Rinf、安全距离SD、无人系统的步长L;以起始点Pstart作为随机树T的根节点;K的初始值为0;每确定一个随机采样点Prand(xrand,yrand,zrand),K的值加1,当K>M时,采样终止;所述环境信息和空间地图,作为规划的构型空间,进行二值化,采样轮次K初始值为0,每进行一次采样,K值都加1。安全距离SD的值取无人系统的宽度。
(2)创建初始无人系统种群,其中最大的遗传代数G、初始种群中个体数目N,每个个体为一组引力增益和斥力增益组合的数据,(ki,ηi),i=1,2,…,N,根据随机采样点随机采样点Prand(xrand,yrand,zrand)进行快速扩展随机树的树节点预扩展;包括:
(2.1)取环境空间中任意位置作为第一采样点SP1的概率为p11;从起始点到目的地的路径上通过SP1的概率为p12;进行第一次抽样,确定第一采样点SP1;
(2.2)寻找随机树T中距离第一采样点SP1最近的树节点Pne(xne,yne,zne)为此次树节点预扩展的原点;
(2.4)从集合SP中,删除在以障碍物坐标Pob(xob,yob,zob)为圆点以安全距离SD为半径的区域内的采样点,剩余的s个采样点的集合为S;
(2.5)从集合S中随机选择第二采样点SP2;
(2.6)以Pne(xne,yne,zne)为起点,Pne(xne,yne,zne)到SP2连线方向从SP2延伸一个步长L,步长线段的另一个端点为两次采样确定的随机采样点Prand;
(3)无人系统从随机树T中距离第一采样点SP1最近的树节点Pne(xne,yne,zne)运行到随机采样点Prand,判断无人系统与障碍物的距离是否满足安全距离SD要求,无人系统转向角β是否小于90°;若两个条件均满足,则执行步骤(4);否则,执行步骤(8);无人系统转向角β为:以随机树T中离第一采样点SP1最近的树节点Pne(xne,yne,zne)为原点向前驱节点Ppi(xpi,ypi,zpi)方向引出的射线与以Pne(xne,yne,zne)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系统转向角β;若Pne(xne,yne,zne)为起始点,则以Pne(xne,yne,zne)为原点向目的地Pend(xe,ye,ze)方向引出的射线与以Pne(xne,yne,zne)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系统转向角β;若此转向角β<90°,则转向角β为真;若此转向角β≥90°,则转向角β为假。
步骤(2)和步骤(3)相比于现有技术通过快速扩展随机树规划路径,同时考虑了无人系统指向角的问题,优化了路径规划的实际性,提高了路径规划的准确度。由于该步骤是本领域技术人员无法通过现有技术获得的,又具有上述有益效果,因此具有突出的实质性特点和显著的技术进步,是本发明具有创造性的第一个区别技术特征。
(4)随机树T向随机采样点Prand(xrand,yrand,zrand)进行扩展,将Prand(xrand,yrand,zrand)添加到随机树T中,采样轮次加1;
(5)判断Pend(xe,ye,ze)是否包含在随机树T中;若包含在T中,则执行步骤(6);否则,执行步骤(8);
(6)输出路径,做平滑处理;包括:
对于种群中任意个体(ki,ηi),输出的路径为{X(xij,yij,zij)};j为路径点标号,j=1,2,3…nj;nj为随机树T中树节点的总数,
(6.1)计算第j个路径点与障碍物之间的距离:
(6.2)计算目的地产生的虚拟引力场对无人系统产生的坐标系三个方向的虚拟引力:
Fe(xij)=ki(xe-xij)
Fe(yij)=ki(ye-yij)
Fe(zij)=ki(ze-zij)
(6.3)计算障碍物所产生虚拟斥力场对无人系统产生的坐标系三个方向的虚拟斥力:
(6.4)计算无人系统受到的驱动合力及角度:
F=Fe+Fob
Fe=Fe(xij)+Fe(yij)+Fe(zij);Fob=Fob(xij)+Fob(yij)+Fob(zij)
(6.5)确定下一个路径点坐标后,将所有路径点连接,形成输出路径:
xij+1=xij+Lcosβijsinγij
yij+1=yij+Lsinβijcosγij
zij+1=zij+Ltanβijcotγij
βij为第i个个体第j个路径的转向角。
与现有技术相比,本发明通过目标点虚拟引力和障碍物虚拟斥力配合无人系统驱动力,在快速扩展随机树规划路径内通过转向角参考得到规划路径,该技术特征是本领域技术人员通过对比文件无法得到的,而该技术特征可以带来避免局部极小点问题,提高路径规划精度和速度,因此具有突出的实质性特点和显著的技术进步,是本发明具有创造性的第二个区别技术特征。如图2所示。
(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,则执行步骤(9);否则,执行步骤(8);
(8)判断当前采样轮次是否大于采样轮次上限M;若大于采样轮次上限M,则判断为无符合要求的路径,结束规划;若小于等于采样轮次上限M,执行步骤(2);
(9)根据路径评价函数值选择最佳路径,完成路径规划,包括:
(9.1)确认无人系统的避碰系数:
gi1=max(γij)
(9.2)确认无人系统的长度系数:
gi2=njL
(9.3)确认无人系统的转角系数:
(9.4)路径评价函数值Fi:
Fi=agi1+bgi2+cgi3
a为避碰系数的权重,b为长度系数的权重,c为转角系数的权重;
(9.5)选择评价函数值最高的个体规划的路径作为最佳路径。
与现有技术相比,通过无人系统的避碰系数、长度系数和转角系数,计算路径评价函数值,通过评价函数选择最佳规划路径,进一步提高了无人系统路径选择的精度,缩短了路径选择的速度。该特征相比于现有技术,是本领域技术人员无法获得的,因此具有突出的实质性特点和显著的进步,是本发明具有创造性的第三个区别技术特征。
Claims (2)
1.一种基于指向和势场参数的空间环境路径生成及规划方法,其特征在于,包括如下步骤:
(1)初始化环境信息和空间地图,包括遗传算法中随机树T、采样轮次K及采样轮次上限M、输入无人系统的起始点坐标Pstart(x0,y0,z0)、目的地坐标Pend(xe,ye,ze)以及障碍物坐标Pob(xob,yob,zob)、障碍物的最大影响半径Rinf、安全距离SD、无人系统的步长L;以起始点坐标Pstart(x0,y0,z0)作为随机树T的根节点;K的初始值为0;每确定一个随机采样点Prand(xrand,yrand,zrand),K的值加1,当K>M时,采样终止;
(2)创建初始无人系统种群,其中最大的遗传代数G、初始种群中个体数目N,每个个体为一组引力增益ki和斥力增益ηi组合的数据,(ki,ηi),i=1,2,…,N,根据随机采样点Prand(xrand,yrand,zrand)进行快速扩展随机树的树节点预扩展;
(3)无人系统从随机树T中距离第一采样点SP1最近的树节点Pne(xne,yne,zne)运行到随机采样点Prand(xrand,yrand,zrand),判断无人系统与障碍物的距离是否满足安全距离SD要求,无人系统转向角β是否小于90°;若两个条件均满足,则执行步骤(4);否则,执行步骤(8);
(4)随机树T向随机采样点Prand(xrand,yrand,zrand)进行扩展,将Prand(xrand,yrand,zrand)添加到随机树T中,采样轮次加1;
(5)判断Pend(xe,ye,ze)是否包含在随机树T中;若包含在T中,则执行步骤(6);否则,执行步骤(8);
(6)输出路径,做平滑处理;
(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,则执行步骤(9);否则,执行步骤(8);
(8)判断当前采样轮次是否大于采样轮次上限M;若大于采样轮次上限M,则判断为无符合要求的路径,结束规划;若小于等于采样轮次上限M,执行步骤(2);
(9)输出平滑路径,根据路径评价函数值选择最佳路径,完成路径规划;
所述的步骤(2)中根据随机采样点Prand(xrand,yrand,zrand)进行快速扩展随机树的树节点预扩展,包括:
(2.1)取环境空间中任意位置作为第一采样点SP1的概率为p11;从起始点到目的地的路径上通过SP1的概率为p12;进行第一次抽样,确定第一采样点SP1;
(2.2)寻找随机树T中距离第一采样点SP1最近的树节点Pne(xne,yne,zne)为此次树节点预扩展的原点;
(2.4)从集合SP中,删除在以障碍物坐标Pob(xob,yob,zob)为圆点以安全距离SD为半径的区域内的采样点,剩余的s个采样点的集合为S;
(2.5)从集合S中随机选择第二采样点SP2;
(2.6)以Pne(xne,yne,zne)为起点,Pne(xne,yne,zne)到SP2连线方向从SP2延伸一个步长L,步长线段的另一个端点为两次采样确定的随机采样点Prand(xrand,yrand,zrand);
所述步骤(3)中无人系统转向角β为:以随机树T中离第一采样点SP1最近的树节点Pne(xne,yne,zne)为原点向前驱节点Ppi(xpi,ypi,zpi)方向引出的射线与以Pne(xne,yne,zne)为原点向随机采样点Prand(xrand,yrand,zrand)方向引出的射线,两条射线的夹角即为无人系统转向角β;若Pne(xne,yne,zne)为起始点,则以Pne(xne,yne,zne)为原点向目的地坐标Pend(xe,ye,ze)方向引出的射线与以Pne(xne,yne,zne)为原点向随机采样点Prand(xrand,yrand,zrand)方向引出的射线,两条射线的夹角即为无人系统转向角β;若此转向角β<90°,则转向角β为真;若此转向角β≥90°,则转向角β为假;
所述的安全距离SD的值取无人系统的宽度;
所述的输出路径包括:
对于种群中任意个体(ki,ηi),输出的路径为{X(xij,yij,zij)};j为路径点标号,j=1,2,3…nj;nj为随机树T中树节点的总数,
(6.1)计算第j个路径点与障碍物之间的距离:
(6.2)计算目的地产生的虚拟引力场对无人系统产生的坐标系三个方向的虚拟引力:
Fe(xij)=ki(xe-xij)
Fe(yij)=ki(ye-yij)
Fe(zij)=ki(ze-zij)
(6.3)计算障碍物所产生虚拟斥力场对无人系统产生的坐标系三个方向的虚拟斥力:
(6.4)计算无人系统受到的驱动合力及角度:
F=Fe+Fob
Fe=Fe(xij)+Fe(yij)+Fe(zij);Fob=Fob(xij)+Fob(yij)+Fob(zij)
(6.5)确定下一个路径点坐标后,将所有路径点连接,形成输出路径:
xij+1=xij+Lcosβijsinγij
yij+1=yij+Lsinβijcosγij
zij+1=zij+Ltanβijcotγij
βij为第i个个体第j个路径的转向角;
所述的根据路径评价函数值Fi选择最佳路径,包括如下步骤:
(9.1)确认无人系统的避碰系数:
gi1=max(γij)
(9.2)确认无人系统的长度系数:
gi2=njL
(9.3)确认无人系统的转角系数:
(9.4)路径评价函数值Fi:
Fi=agi1+bgi2+cgi3
a为避碰系数的权重,b为长度系数的权重,c为转角系数的权重;
(9.5)选择评价函数值最高的个体规划的路径作为最佳路径。
2.根据权利要求1所述的一种基于指向和势场参数的空间环境路径生成及规划方法,其特征在于,所述的步骤(1)包括,将环境信息和空间地图,作为规划的构型空间,进行二值化,采样轮次K初始值为0,每进行一次采样,K值都加1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011198047.5A CN112344938B (zh) | 2020-10-31 | 2020-10-31 | 基于指向和势场参数的空间环境路径生成及规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011198047.5A CN112344938B (zh) | 2020-10-31 | 2020-10-31 | 基于指向和势场参数的空间环境路径生成及规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112344938A CN112344938A (zh) | 2021-02-09 |
CN112344938B true CN112344938B (zh) | 2022-07-19 |
Family
ID=74357124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011198047.5A Active CN112344938B (zh) | 2020-10-31 | 2020-10-31 | 基于指向和势场参数的空间环境路径生成及规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112344938B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114003047B (zh) * | 2021-12-31 | 2022-04-08 | 山东科技大学 | 一种小型无人船路径规划方法 |
CN115562291B (zh) * | 2022-10-19 | 2023-12-12 | 哈尔滨理工大学 | 基于人工势场法改进势场动力系数的路径规划方法 |
CN117346796B (zh) * | 2023-12-05 | 2024-03-08 | 武汉理工大学三亚科教创新园 | 一种基于航路网络的智能航线规划方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0556031A2 (en) * | 1992-02-10 | 1993-08-18 | Honda Giken Kogyo Kabushiki Kaisha | System for obstacle avoidance path planning for multiple-degree-of-freedom mechanism |
CN108762270A (zh) * | 2018-06-01 | 2018-11-06 | 上海理工大学 | 变概率双向快速搜索随机树改进路径规划算法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360214B (zh) * | 2011-09-02 | 2013-03-06 | 哈尔滨工程大学 | 一种基于萤火虫算法的舰船路径规划方法 |
KR102165437B1 (ko) * | 2014-05-02 | 2020-10-14 | 한화디펜스 주식회사 | 이동 로봇의 경로 계획 장치 |
CN106843235B (zh) * | 2017-03-31 | 2019-04-12 | 深圳市靖洲科技有限公司 | 一种面向无人自行车的人工势场路径规划法 |
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 |
CN108896052A (zh) * | 2018-09-20 | 2018-11-27 | 鲁东大学 | 一种基于动态复杂环境下的移动机器人平滑路径规划方法 |
CN109343528A (zh) * | 2018-10-30 | 2019-02-15 | 杭州电子科技大学 | 一种节能的无人机路径规划避障方法 |
CN109940614B (zh) * | 2019-03-11 | 2021-01-22 | 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 |
CN110111880B (zh) * | 2019-04-22 | 2021-09-28 | 北京航空航天大学 | 柔性针的基于障碍分级的人工势场路径规划方法及装置 |
CN110646006A (zh) * | 2019-09-02 | 2020-01-03 | 平安科技(深圳)有限公司 | 装配路径规划方法及相关装置 |
CN110609552B (zh) * | 2019-09-12 | 2022-08-02 | 哈尔滨工程大学 | 一种水下无人航行器编队平面航迹规划方法 |
CN111515503B (zh) * | 2020-04-30 | 2021-03-02 | 华东理工大学 | 一种弧焊机器人无碰撞路径规划方法 |
-
2020
- 2020-10-31 CN CN202011198047.5A patent/CN112344938B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0556031A2 (en) * | 1992-02-10 | 1993-08-18 | Honda Giken Kogyo Kabushiki Kaisha | System for obstacle avoidance path planning for multiple-degree-of-freedom mechanism |
CN108762270A (zh) * | 2018-06-01 | 2018-11-06 | 上海理工大学 | 变概率双向快速搜索随机树改进路径规划算法 |
Also Published As
Publication number | Publication date |
---|---|
CN112344938A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112344938B (zh) | 基于指向和势场参数的空间环境路径生成及规划方法 | |
CN112393728B (zh) | 一种基于a*算法和rrt*算法的移动机器人路径规划方法 | |
CN110146085B (zh) | 基于建图和快速探索随机树的无人机实时规避重规划方法 | |
CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
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 | |
CN108827335B (zh) | 一种基于单向搜索模型的最短路径规划方法 | |
CN112432648A (zh) | 一种移动型机器人安全运动轨迹的实时规划方法 | |
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 | |
CN113359775B (zh) | 一种动态变采样区域rrt无人车路径规划方法 | |
CN113961004A (zh) | 海盗区域船舶航线规划方法、系统、电子设备及存储介质 | |
CN111880561A (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 | |
CN112000126B (zh) | 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法 | |
CN113359808A (zh) | 一种无人机电力巡检多级路径规划方法及相关装置 | |
CN114489052A (zh) | 一种改进rrt算法重连策略的路径规划方法 | |
CN115562272A (zh) | 机器人行进路径的规划方法及装置 | |
CN114428499A (zh) | 一种融合Astar与DWA算法的移动小车路径规划方法 | |
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 | |
CN116817947B (zh) | 一种基于变步长机制的任意时路径规划方法 | |
CN109977455B (zh) | 一种适用于带地形障碍三维空间的蚁群优化路径构建方法 | |
CN112799420B (zh) | 一种基于多传感器无人机的实时航迹规划的方法 | |
CN116136417A (zh) | 一种面向越野环境的无人驾驶车辆局部路径规划方法 | |
Wang et al. | UAV online path planning based on improved genetic algorithm with optimized search region | |
CN115826586A (zh) | 一种融合全局算法和局部算法的路径规划方法及系统 | |
CN115195706A (zh) | 一种泊车路径规划方法、装置 | |
CN113341957A (zh) | 一种基于痕迹地图A_star算法的多机器人路径规划方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220628 Address after: 237000 building A7, Lu'an University Science Park, Sanshipu Town, Jin'an District, Lu'an City, Anhui Province Applicant after: Anhui Zhongke Yuanqi Technology Co.,Ltd. Address before: 150001 No. 145-1, Nantong Avenue, Nangang District, Heilongjiang, Harbin Applicant before: HARBIN ENGINEERING University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |