CN112393739A - 大面积环境中的改进型快速搜索随机树路径规划方法 - Google Patents
大面积环境中的改进型快速搜索随机树路径规划方法 Download PDFInfo
- Publication number
- CN112393739A CN112393739A CN202011179457.5A CN202011179457A CN112393739A CN 112393739 A CN112393739 A CN 112393739A CN 202011179457 A CN202011179457 A CN 202011179457A CN 112393739 A CN112393739 A CN 112393739A
- Authority
- CN
- China
- Prior art keywords
- point
- search tree
- path
- sampling point
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005070 sampling Methods 0.000 claims abstract description 106
- 238000001514 detection method Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101100391182 Dictyostelium discoideum forI gene Proteins 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
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)
- Manipulator (AREA)
Abstract
本发明实施方式提供一种大面积环境中的改进型快速搜索随机树路径规划方法,属于机器人路径规划技术领域。本发明提供的大面积环境中的改进型快速搜索随机树路径规划方法通过将在规划空间中寻找采样点,在起始点和采样点、采样点和起始点、采样点和目标点、目标点和采样点之间分别建立搜索树进行路径搜索。将大面积环境的路径规划问题转化为多个路径规划问题,降低了路径规划算法的复杂度,提高了路径规划算法的执行效率。
Description
技术领域
本发明涉及移动机器人路径规划技术领域,具体地涉及一种大面积环境中的改进型快速搜索随机树路径规划方法。
背景技术
随着人类生活水平的不断提高以及工业自动化、智能化程度的迅速发展,机器人的应用越来越广泛,研究也越来越深入。智能移动机器人在农业、工业、服务业、航天、医疗、军事等不同的领域发展迅猛并被广泛运用,具有很大的社会价值。机器人在移动过程中,会遇到许多障碍物,而如何在复杂多变的工作环境中规划一条从起点到终点的无碰撞的路径,是移动机器人研究的一大课题。
机器人的运动规划在长久的发展过程中,形成了基于图搜素的办法、基于空间采样的办法、基于人工势场的办法等等许多不一样的规划方法。目前常用的规划算法有A*、人工势场法、动态窗口法、快速搜索随机树以及它们的变形优化算法等,其中快速搜索随机树作为一种迭代的增量式搜索算法,因其概率完整性以及适用于高维空间的特性,受到相关行业人员的广泛关注和研究。
在大面积复杂环境中的路径搜索,目前的基于快速搜索随机树的改进算法的时间性能较低的问题并没有被很好地解决。
发明内容
本发明实施方式的目的是提供一种大面积环境中的改进型快速搜索随机树路径规划方法,该方法能够克服现有技术中随机搜索树无法适应大面积环境的技术缺陷。
为了实现上述目的,本发明实施方式提供一种大面积环境中的改进型快速搜索随机树路径规划方法,所述方法包括:
确定整个规划空间的可通行区域和障碍物区域;
以起始点为圆心、所述起始点与目标点的距离的一半为半径作圆弧;
以预设的弧度间隔在所述圆弧上随机选取采样点;
判断选取的采样点是否在所述障碍物区域;
在判断选取的采样点在所述障碍物区域的情况下,再次以预设的弧度间隔在所述圆弧上随机选取采样点,并执行所述方法的相应步骤,直到判断选取的采样点不在所述障碍物区域;
在判断选取的采样点不在所述障碍物区域的情况下,在所述起始点和选取的采样点建立第一棵搜索树,在选取的采样点和所述起始点之间建立第二棵搜索树,在选取的采样点和所述目标点之间建立第三棵搜索树,在所述目标点和选取的采样点之间建立第四棵搜索树;
判断所述第一棵搜索树的扩展点和所述第二棵搜索树的扩展点之间的距离是否小于或等于预设的阈值距离;
在判断所述第一棵搜索树的扩展点和所述第二棵搜索树的扩展点之间的距离小于预设的阈值距离的情况下,将所述第一棵搜索树当前的路径和所述第二棵搜索树当前的路径组合以得到所述起始点和选取的采样点之间的路径;
判断所述第三棵搜索树的扩展点和所述第四棵搜索树的扩展点之间的距离是否小于所述预阈值距离;
在判断所述第三棵搜索树的扩展点和所述第四棵搜索树的扩展点之间的距离小于所述预阈值距离的情况下,将所述第三棵搜索树当前的路径和所述第四棵搜索树当前的路径组合以得到选取的采样点和所述目标点之间的路径;
将所述起始点和选取的采样点之间的路径和选取的采样点和所述目标点之间的路径组合以得到所述起始点和所述目标点之间的路径。
可选地,所述以预设的弧度间隔在所述圆弧上随机选取采样点具体包括:
首个采样点为所述起始点和所述目标点的连线中点。
可选地,所述第一棵搜索树、所述第二棵搜索树、所述第三棵搜索树以及所述第四棵搜索树具体包括:
在规划空间内随机选择一个采样点;
判断选择的采样点是否处于所述障碍物区域内;
在判断选择的采样点处于障碍物区域内的情况下,再次在规划空间内随机选择一个采样点,直到判断选择的采样点处于所述障碍物区域外;
在判断选择的采样点处于所述障碍物区域外的情况下,确定在搜索树中与选择的采样点距离最小的最近点;
根据公式(1)确定所述搜索树当前的扩展点,
Xnew=Xnearest+r·er+k·eg, (1)
其中,Xnew表示所述扩展点的坐标,Xnearest表示所述最近点的坐标,er为从所述最近点到选择的采样点方向上的单位向量,eg为从所述最近点到所述搜索树对应的终点方向上的单位向量,r、k分别为对应的权重值;
计算最近点Xnearest和扩展点Xnew之间的路径的代价值以作为第一代价值;
以扩展点Xnew为圆心,预设值ri为半径建立扩展点Xnew的父节点集合;
从所述父节点集合中随机选择一个潜在父节点;
计算选取的所述潜在父节点和扩展点Xnew之间的路径的代价值以作为第二代价值;
选择所述第一代价值和所述第二代价值中的较小者对应的节点进行碰撞检测;
在所述碰撞检测通过的情况下,将所述较小者作为所述第一代价值;
判断所述父节点集合中是否还存在未被选择的所述潜在父节点;
在判断所述父节点集合中存在未被选择的所述潜在父节点的情况下,再次从所述父节点集合中随机选择一个潜在父节点,并执行所述方法的相应步骤;
在判断所述父节点集合中不存在未被选择的所述潜在父节点的情况下,将当前的所述第一代价值对应的节点与扩展点Xnew的路径加入所述搜索树中,再次从在规划空间内随机选择一个采样点,并执行所述方法的相应步骤。
可选地,所述碰撞检测包括:
取待检测的两点的中点;
判断所述中点是否处于障碍物区域内;
在判断所述中点处于障碍物区域内的情况下,确定所述碰撞检测不通过;
在判断所述中点处于障碍物区域外的情况下,将所述中点分别和所述两点中的一点作为新的两点,并执行所述碰撞检测的相应步骤。
另一方面,本发明还提供一种大面积环境中的改进型快速搜索随机树路径规划系统,所述系统包括:
环境信息获取模块,用于获取规划空间内的环境信息;
路径生成模块,用于根据所述环境信息采用如上述任一所述的方法生成路径。
再一方面,本发明还提供一种机器人,所述机器人包括机器人本体和如上述所述的系统。
再一方面,本发明还提供一种存储介质,所述存储介质存储有指令,所述指令用于被机器读取以使得所述机器执行如上述任一所述的方法。
通过上述技术方案,本发明提供的大面积环境中的改进型快速搜索随机树路径规划方法通过将在规划空间中寻找采样点,在起始点和采样点、采样点和起始点、采样点和目标点、目标点和采样点之间分别建立搜索树进行路径搜索。将大面积环境的路径规划问题转化为多个路径规划问题,降低了路径规划算法的复杂度,提高了路径规划算法的执行效率。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是根据本发明的一个实施方式的大面积环境中的改进型快速搜索随机树路径规划方法的流程图;
图2是根据本发明的一个实施方式的搜索树的工作方式的流程图;以及
图3是根据本发明的一个实施方式的碰撞检测的方法的流程图。
具体实施方式
以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施方式,并不用于限制本发明实施方式。
在本发明实施方式中,在未作相反说明的情况下,使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。
另外,若本发明实施方式中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施方式之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
如图1所示是根据本发明的一个实施方式的大面积环境中的改进型快速搜索随机树路径规划方法的流程图。在图1中,该方法可以包括:
在步骤S10中,确定整个规划空间的可通行区域和障碍物区域。
在步骤S11中,以起始点为圆心、起始点与目标点的距离的一半为半径作圆弧。
在步骤S12中,以预设的弧度间隔在圆弧上随机选取采样点。
在步骤S13中,判断选取的采样点是否在障碍物区域。
在判断选取的采样点在障碍物区域的情况下,再次以预设的弧度间隔在圆弧上随机选取采样点,并执行该方法的相应步骤,直到判断选取的采样点不在障碍物区域。
在步骤S10至步骤S13中,发明人发现,传统的路径规划算法在面对大面积环境的条件时,由于扩展点的数量庞大,算法的复杂度会大大增加。而在现有技术的背景下,路径规划算法通常是作为机器人的预置算法,机器人本身所搭载的设备计算力有限。在这样的背景下,传统的路径规划算法显然难以适应这样的技术条件。因此,在本发明提供的方案中,发明人针对大面积环境的特殊条件,通过选取特殊的采样点,将原本的规划空间划分为两个空间,从而达到降低后续的路径规划算法复杂度的目的。
其中,对于选取该采样点的方法,虽然可以是本领域人员所知的多种形式,但是如果该采样点选取不当,例如选取的采样点距离起始点或采样点过近,就会导致无法降低后续的路径规划算法的复杂度。而如果直接以起始点和采样点的连线中点为该采样点,则又无法保证该采样点一定是处于障碍物区域之外。因此,发明人设计了步骤S11和步骤S12中选取方法。在步骤S11至步骤S12中,首先以起始点为圆心、起始点与目标点的距离的一半为半径作圆弧,再以预设的弧度间隔在该圆弧上选取采样点。选取完采样点后,再对选取的采样点进行障碍物区域检测,从而保留非障碍物区域的采样点。另外,对于该弧度间隔的确定方式,也可以是针对障碍物区域和可通行区域的面积比来确定。在本发明的一个示例中,以该面积比为1:1为例,该弧度间隔的取值区间则可以为如果该面积比大于1,此时说明在该规划空间内,障碍物区域的面积相对较大,选取的采样点很可能处于障碍物区域中。因此,该取值区间则可以为相反地,如果该面积比小于1的情况下,此时说明该规划空间内的可通行区域面积较大,选取的采样点很可能处于可通行区域中。因此,该取值区间则可以为其中,弧度间隔是为了保证选取的采样点的数量不小于12个。
进一步地,在考虑路径最短的情况下,起始点和目标点的连线中点为理想状态下的最优点。因此,在选取采样点时,首个采样点可以为该连线中点。
在步骤S14中,在判断选取的采样点不在障碍物区域的情况下,在起始点和选取的采样点建立第一棵搜索树,在选取的采样点和起始点之间建立第二棵搜索树,在选取的采样点和目标点之间建立第三棵搜索树,在目标点和选取的采样点之间建立第四棵搜索树。
在步骤S15中,判断第一棵搜索树的扩展点和第二棵搜索树的扩展点之间的距离是否小于或等于预设的阈值距离。
在步骤S16中,在判断第一棵搜索树的扩展点和第二棵搜索树的扩展点之间的距离小于预设的阈值距离的情况下,将第一棵搜索树当前的路径和第二棵搜索树当前的路径组合以得到起始点和选取的采样点之间的路径。
在步骤S17中,判断第三棵搜索树的扩展点和第四棵搜索树的扩展点之间的距离是否小于预阈值距离。
在步骤S18中,在判断第三棵搜索树的扩展点和第四棵搜索树的扩展点之间的距离小于预阈值距离的情况下,将第三棵搜索树当前的路径和第四棵搜索树当前的路径组合以得到选取的采样点和目标点之间的路径。
在步骤S19中,将起始点和选取的采样点之间的路径和选取的采样点和目标点之间的路径组合以得到起始点和目标点之间的路径。
在该步骤S14至步骤S19中,选取完采样点后,原本的大面积环境的路径规划问题被分成了两个路径规划子问题,即起始点到采样点以及采样点到目标点。这样的方式虽然可以一定程度上降低算法的复杂度,但是在实际处理的过程中,如果该大面积环境的面积过大,仍可能会出现算法复杂度过高的问题。因此,发明人在起始点到采样点、采样点到起始点、采样点到目标点、目标点到采样点之间分别建立搜索树,向各自的目标进行搜索。相较于现有技术中采用的路径规划算法而言,其算法的复杂度、迭代的速度能够提高4倍。
其中,对于每棵搜索树的具体工作方式,可以是如图3中所示出的方法。在图3中,该工作方式可以包括:
在步骤S20中,在规划空间内随机选择一个采样点。
在步骤S21中,判断选择的采样点是否处于障碍物区域内。
在判断选择的采样点处于障碍物区域内的情况下,再次在规划空间内随机选择一个采样点,直到判断选择的采样点处于障碍物区域外。
在步骤S22中,在判断选择的采样点处于障碍物区域外的情况下,确定在搜索树中与选择的采样点距离最小的最近点。
在步骤S23中,根据公式(1)确定搜索树当前的扩展点,
Xnew=Xnearest+r·er+k·eg, (1)
其中,Xnew表示扩展点的坐标,Xnearest表示最近点的坐标,er为从最近点到选择的采样点方向上的单位向量,eg为从最近点到搜索树对应的终点方向上的单位向量,r、k分别为对应的权重值。其中,权重值r可以为该搜索树的避障权重,增大该权重值则可以使得该搜索树在搜索路径时更加倾向于避障。而权重值k可以为该搜索树的目标权重,增大该权重值则可以使得该搜索树在搜索路径时更加倾向于最快达到目标点。
在步骤S24中,计算最近点Xnearest和扩展点Xnew之间的路径的代价值以作为第一代价值。其中,对于该代价值的计算方式,可以是本领域人员所知的多种形式,应当为本领域人员所知。
在步骤S25中,以扩展点Xnew为圆心,预设值ri为半径建立扩展点Xnew的父节点集合。其中,该预设值ri可以是根据父节点集合中可能包括的节点数来设置。在本发明的一个示例中,该预设值ri可以是在保证父节点集合中包括至少两个节点的范围内设置。
在步骤S26中,从父节点集合中随机选择一个潜在父节点。
在步骤S27中,计算选取的潜在父节点和扩展点Xnew之间的路径的代价值以作为第二代价值。其中,该第二代价值的计算方式可以是该潜在父节点与扩展点Xnew之间的距离加上该潜在父节点到当前搜索树的起点的代价值。
在步骤S28中,选择第一代价值和第二代价值中的较小者对应的节点进行碰撞检测。对于该碰撞检测,可以是本领域人员所知的多种形式。在本发明的一个优选示例中,该碰撞检测可以包括如图3中所示出的方法。在图3中,该碰撞检测可以包括:
在步骤S40中,取待检测的两点的中点。
在步骤S41中,判断中点是否处于障碍物区域内。
在步骤S42中,在判断中点处于障碍物区域内的情况下,确定碰撞检测不通过。
在步骤S43中,在判断中点处于障碍物区域外的情况下,将中点分别和两点中的一点作为新的两点,并执行该碰撞检测的该方法的相应步骤。
在碰撞检测未通过的情况下,此时说明该较小者对应的节点不满足路径规划的要求,因此,可以返回执行步骤S26。
在步骤S29中,在碰撞检测通过的情况下,将较小者作为第一代价值。
在步骤S30中,判断父节点集合中是否还存在未被选择的潜在父节点。
在判断父节点集合中存在未被选择的潜在父节点的情况下,再次从父节点集合中随机选择一个潜在父节点(即返回执行步骤S26),并执行该方法的相应步骤。
在步骤S31中,在判断父节点集合中不存在未被选择的潜在父节点的情况下,将当前的第一代价值对应的节点与扩展点Xnew的路径加入搜索树中,再次从在规划空间内随机选择一个采样点(即返回执行步骤S20),并执行该方法的相应步骤。
另一方面,本发明还提供一种大面积环境中的改进型快速搜索随机树路径规划系统,该系统可以包括:
环境信息获取模块,用于获取规划空间内的环境信息;
路径生成模块,用于根据环境信息采用如上述任一所述的方法生成路径。
再一方面,本发明还提供一种机器人,该机器人可以包括机器人本体和如上述所述的系统。
再一方面,本发明还提供一种存储介质,该存储介质可以存储有指令,该指令可以用于被机器读取以使得机器执行如上述任一所述的方法。
通过上述技术方案,本发明提供的大面积环境中的改进型快速搜索随机树路径规划方法通过将在规划空间中寻找采样点,在起始点和采样点、采样点和起始点、采样点和目标点、目标点和采样点之间分别建立搜索树进行路径搜索。将大面积环境的路径规划问题转化为多个路径规划问题,降低了路径规划算法的复杂度,提高了路径规划算法的执行效率。
以上结合附图详细描述了本发明例的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个可以是单片机,芯片等或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施方式的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施方式的思想,其同样应当视为本发明实施方式所公开的内容。
Claims (7)
1.一种大面积环境中的改进型快速搜索随机树路径规划方法,其特征在于,所述方法包括:
确定整个规划空间的可通行区域和障碍物区域;
以起始点为圆心、所述起始点与目标点的距离的一半为半径作圆弧;
以预设的弧度间隔在所述圆弧上随机选取采样点;
判断选取的采样点是否在所述障碍物区域;
在判断选取的采样点在所述障碍物区域的情况下,再次以预设的弧度间隔在所述圆弧上随机选取采样点,并执行所述方法的相应步骤,直到判断选取的采样点不在所述障碍物区域;
在判断选取的采样点不在所述障碍物区域的情况下,在所述起始点和选取的采样点建立第一棵搜索树,在选取的采样点和所述起始点之间建立第二棵搜索树,在选取的采样点和所述目标点之间建立第三棵搜索树,在所述目标点和选取的采样点之间建立第四棵搜索树;
判断所述第一棵搜索树的扩展点和所述第二棵搜索树的扩展点之间的距离是否小于或等于预设的阈值距离;
在判断所述第一棵搜索树的扩展点和所述第二棵搜索树的扩展点之间的距离小于预设的阈值距离的情况下,将所述第一棵搜索树当前的路径和所述第二棵搜索树当前的路径组合以得到所述起始点和选取的采样点之间的路径;
判断所述第三棵搜索树的扩展点和所述第四棵搜索树的扩展点之间的距离是否小于所述预阈值距离;
在判断所述第三棵搜索树的扩展点和所述第四棵搜索树的扩展点之间的距离小于所述预阈值距离的情况下,将所述第三棵搜索树当前的路径和所述第四棵搜索树当前的路径组合以得到选取的采样点和所述目标点之间的路径;
将所述起始点和选取的采样点之间的路径和选取的采样点和所述目标点之间的路径组合以得到所述起始点和所述目标点之间的路径。
2.根据权利要求1所述的方法,其特征在于,所述以预设的弧度间隔在所述圆弧上随机选取采样点具体包括:
首个采样点为所述起始点和所述目标点的连线中点。
3.根据权利要求1所述的方法,其特征在于,所述第一棵搜索树、所述第二棵搜索树、所述第三棵搜索树以及所述第四棵搜索树具体包括:
在规划空间内随机选择一个采样点;
判断选择的采样点是否处于所述障碍物区域内;
在判断选择的采样点处于障碍物区域内的情况下,再次在规划空间内随机选择一个采样点,直到判断选择的采样点处于所述障碍物区域外;
在判断选择的采样点处于所述障碍物区域外的情况下,确定在搜索树中与选择的采样点距离最小的最近点;
根据公式(1)确定所述搜索树当前的扩展点,
Xnew=Xnearest+r·er+k·eg, (1)
其中,Xnew表示所述扩展点的坐标,Xnearest表示所述最近点的坐标,er为从所述最近点到选择的采样点方向上的单位向量,eg为从所述最近点到所述搜索树对应的终点方向上的单位向量,r、k分别为对应的权重值;
计算最近点Xnearest和扩展点Xnew之间的路径的代价值以作为第一代价值;
以扩展点Xnew为圆心,预设值ri为半径建立扩展点Xnew的父节点集合;
从所述父节点集合中随机选择一个潜在父节点;
计算选取的所述潜在父节点和扩展点Xnew之间的路径的代价值以作为第二代价值;
选择所述第一代价值和所述第二代价值中的较小者对应的节点进行碰撞检测;
在所述碰撞检测通过的情况下,将所述较小者作为所述第一代价值;
判断所述父节点集合中是否还存在未被选择的所述潜在父节点;
在判断所述父节点集合中存在未被选择的所述潜在父节点的情况下,再次从所述父节点集合中随机选择一个潜在父节点,并执行所述方法的相应步骤;
在判断所述父节点集合中不存在未被选择的所述潜在父节点的情况下,将当前的所述第一代价值对应的节点与扩展点Xnew的路径加入所述搜索树中,再次从在规划空间内随机选择一个采样点,并执行所述方法的相应步骤。
4.根据权利要求3所述的方法,其特征在于,所述碰撞检测包括:
取待检测的两点的中点;
判断所述中点是否处于障碍物区域内;
在判断所述中点处于障碍物区域内的情况下,确定所述碰撞检测不通过;
在判断所述中点处于障碍物区域外的情况下,将所述中点分别和所述两点中的一点作为新的两点,并执行所述碰撞检测的相应步骤。
5.一种大面积环境中的改进型快速搜索随机树路径规划系统,其特征在于,所述系统包括:
环境信息获取模块,用于获取规划空间内的环境信息;
路径生成模块,用于根据所述环境信息采用如权利要求1至4任一所述的方法生成路径。
6.一种机器人,其特征在于,所述机器人包括机器人本体和如权利要求5所述的系统。
7.一种存储介质,其特征在于,所述存储介质存储有指令,所述指令用于被机器读取以使得所述机器执行如权利要求1至4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011179457.5A CN112393739B (zh) | 2020-10-29 | 2020-10-29 | 大面积环境中的改进型快速搜索随机树路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011179457.5A CN112393739B (zh) | 2020-10-29 | 2020-10-29 | 大面积环境中的改进型快速搜索随机树路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112393739A true CN112393739A (zh) | 2021-02-23 |
CN112393739B CN112393739B (zh) | 2022-07-29 |
Family
ID=74597639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011179457.5A Active CN112393739B (zh) | 2020-10-29 | 2020-10-29 | 大面积环境中的改进型快速搜索随机树路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112393739B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115950439A (zh) * | 2023-03-15 | 2023-04-11 | 季华实验室 | 双向rrt路径规划方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5170353A (en) * | 1988-11-17 | 1992-12-08 | U.S. Philips Corporation | Bucket-oriented route planning method, and navigation system comprising a route planner for carrying out such a method |
US20100174435A1 (en) * | 2009-01-07 | 2010-07-08 | Samsung Electronics Co., Ltd. | Path planning apparatus of robot and method thereof |
CN104154917A (zh) * | 2013-11-19 | 2014-11-19 | 深圳信息职业技术学院 | 一种机器人避碰路径的规划方法、装置 |
CN106444769A (zh) * | 2016-10-31 | 2017-02-22 | 湖南大学 | 一种室内移动机器人增量式环境信息采样的最优路径规划方法 |
US20170241790A1 (en) * | 2016-02-24 | 2017-08-24 | Honda Motor Co., Ltd. | Path plan generating apparatus for mobile body |
CN109782756A (zh) * | 2018-12-29 | 2019-05-21 | 国网安徽省电力有限公司检修分公司 | 具有自主绕障行走功能的变电站巡检机器人 |
CN110497403A (zh) * | 2019-08-05 | 2019-11-26 | 上海大学 | 一种改进双向rrt算法的机械臂运动规划方法 |
CN111650941A (zh) * | 2020-06-10 | 2020-09-11 | 湖南爱米家智能科技有限公司 | 基于RRT-Connect改进的医用移动机器人路径规划方法、装置、介质及设备 |
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 |
CN111752306A (zh) * | 2020-08-14 | 2020-10-09 | 西北工业大学 | 一种基于快速扩展随机树的无人机航路规划方法 |
-
2020
- 2020-10-29 CN CN202011179457.5A patent/CN112393739B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5170353A (en) * | 1988-11-17 | 1992-12-08 | U.S. Philips Corporation | Bucket-oriented route planning method, and navigation system comprising a route planner for carrying out such a method |
US20100174435A1 (en) * | 2009-01-07 | 2010-07-08 | Samsung Electronics Co., Ltd. | Path planning apparatus of robot and method thereof |
CN104154917A (zh) * | 2013-11-19 | 2014-11-19 | 深圳信息职业技术学院 | 一种机器人避碰路径的规划方法、装置 |
US20170241790A1 (en) * | 2016-02-24 | 2017-08-24 | Honda Motor Co., Ltd. | Path plan generating apparatus for mobile body |
CN106444769A (zh) * | 2016-10-31 | 2017-02-22 | 湖南大学 | 一种室内移动机器人增量式环境信息采样的最优路径规划方法 |
CN109782756A (zh) * | 2018-12-29 | 2019-05-21 | 国网安徽省电力有限公司检修分公司 | 具有自主绕障行走功能的变电站巡检机器人 |
CN110497403A (zh) * | 2019-08-05 | 2019-11-26 | 上海大学 | 一种改进双向rrt算法的机械臂运动规划方法 |
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 |
CN111650941A (zh) * | 2020-06-10 | 2020-09-11 | 湖南爱米家智能科技有限公司 | 基于RRT-Connect改进的医用移动机器人路径规划方法、装置、介质及设备 |
CN111752306A (zh) * | 2020-08-14 | 2020-10-09 | 西北工业大学 | 一种基于快速扩展随机树的无人机航路规划方法 |
Non-Patent Citations (2)
Title |
---|
AKIHISA KATO; HIROHITO KAWAHARA; KOICHIRO YAMAUCHI: "Incremental learning on a budget and a quick calculation method using a tree-search algorithm", 《2015 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 * |
陈敏,李笑,武交峰: "基于改进RRT算法的差动机器人路径规划", 《计算机应用与软件》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115950439A (zh) * | 2023-03-15 | 2023-04-11 | 季华实验室 | 双向rrt路径规划方法、装置、电子设备及存储介质 |
CN115950439B (zh) * | 2023-03-15 | 2023-06-02 | 季华实验室 | 双向rrt路径规划方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112393739B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10070264B2 (en) | Automated WLAN radio map construction method and system | |
CN109163722B (zh) | 一种仿人机器人路径规划方法及装置 | |
US11919170B2 (en) | Fast method for robot path planning with obstacle avoidance | |
Kwon et al. | Renderable neural radiance map for visual navigation | |
CN112683278B (zh) | 一种基于改进a*算法和贝塞尔曲线的全局路径规划方法 | |
Shi et al. | Spark PRM: Using RRTs within PRMs to efficiently explore narrow passages | |
CN111650941A (zh) | 基于RRT-Connect改进的医用移动机器人路径规划方法、装置、介质及设备 | |
CN115423846A (zh) | 多目标轨迹跟踪方法以及装置 | |
da Silva Lubanco et al. | A novel frontier-based exploration algorithm for mobile robots | |
Dönmez et al. | Bi-RRT path extraction and curve fitting smooth with visual based configuration space mapping | |
CN112633590B (zh) | 一种用于四向穿梭车的智能入库方法及系统 | |
Denny et al. | Adapting RRT growth for heterogeneous environments | |
CN109341698B (zh) | 一种移动机器人的路径选择方法及装置 | |
CN112393739B (zh) | 大面积环境中的改进型快速搜索随机树路径规划方法 | |
CN114705196B (zh) | 一种用于机器人的自适应启发式全局路径规划方法与系统 | |
CN111045433B (zh) | 一种机器人的避障方法、机器人及计算机可读存储介质 | |
CN113108806B (zh) | 路径规划方法、装置、设备及介质 | |
Wang et al. | Target-biased informed trees: Sampling-based method for optimal motion planning in complex environments | |
Vonásek et al. | Computing multiple guiding paths for sampling-based motion planning | |
Min et al. | The multi-robot coverage problem for optimal coordinated search with an unknown number of robots | |
Yuan et al. | A knowledge-based fast motion planning method through online environmental feature learning | |
US20230084278A1 (en) | System and method for hypergraph-based multi-agent battlefield situation awareness | |
Zhang et al. | Improve RRT algorithm for path planning in complex environments | |
JP2010262546A (ja) | 2次元図形マッチング方法 | |
Yan et al. | Weighted multi-tree RRT algorithm for efficient path-planning of mobile robots |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: No. 397, Tongcheng South Road, Baohe District, Hefei City, Anhui Province 230061 Patentee after: Super high voltage branch of State Grid Anhui Electric Power Co.,Ltd. Address before: No. 397, Tongcheng South Road, Baohe District, Hefei City, Anhui Province 230061 Patentee before: STATE GRID ANHUI POWER SUPPLY COMPANY OVERHAUL BRANCH |