CN112462785A - 一种移动机器人路径规划方法、装置及存储介质 - Google Patents

一种移动机器人路径规划方法、装置及存储介质 Download PDF

Info

Publication number
CN112462785A
CN112462785A CN202011409963.9A CN202011409963A CN112462785A CN 112462785 A CN112462785 A CN 112462785A CN 202011409963 A CN202011409963 A CN 202011409963A CN 112462785 A CN112462785 A CN 112462785A
Authority
CN
China
Prior art keywords
path
mobile robot
node
search tree
layer
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
Application number
CN202011409963.9A
Other languages
English (en)
Other versions
CN112462785B (zh
Inventor
齐洁
赵国霖
孙海信
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN202011409963.9A priority Critical patent/CN112462785B/zh
Publication of CN112462785A publication Critical patent/CN112462785A/zh
Application granted granted Critical
Publication of CN112462785B publication Critical patent/CN112462785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
    • G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Optics & Photonics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种移动机器人路径规划方法、装置及存储介质，通过基于移动机器人车载激光雷达获取的环境信息构建环境地图，进行栅格地图建模，每个栅格根据环境信息被标记为障碍区和自由空间，设定起始点和目标点；建立第一层RRT*搜索树，第一层RRT*搜索树以起始点为根节点进行搜索，并采用基于反馈的目标偏向的采样策略在自由空间生成随机采样点，得到初始路径；对初始路径进行分段剪枝和平滑处理，将处理后的初始路径作为移动机器人的全局路径进行执行；建立第二层RRT*搜索树，第二层RRT*搜索树采用反向维护策略以目标点为根节点进行搜索，并通过基于欧氏距离和轨迹角度构建的代价函数优化全局路径中剩余路径的路径代价，生成最佳运动路径。

Description

一种移动机器人路径规划方法、装置及存储介质
技术领域
本发明涉及路径规划领域，具体涉及一种移动机器人路径规划方法、装置及存储介质。
背景技术
自从1961年诞生世界第一台工业机器人以来，机器人技术得到飞速发展，并且广泛应用于军事与机械制造业、农业、医疗、物流运输业等民用行业。机器人技术的研发、制造以及应用成为衡量一个国家科技创新能力、国民经济现代化和智能化的重要标志。随着物联网、5G等高新技术的成熟，移动机器人的应用场景也会越来越广阔。
移动机器人的导航系统是支撑机器人高效完成各项任务的基础，导航系统的关键技术就在于路径规划。机器人在复杂的空间中，利用自身的传感器对周围环境进行探测，构建环境地图信息。通过路径规划技术进行路径的规划与优化，最终通过运动控制达到目标位置完成导航任务。在复杂的火灾现场、地下探测、海底勘探等危险领域，要求移动机器人能够实时规划的路径。
改进的快速随机搜索树(RRT*)算法通过对状态空间中的采样点进行碰撞检测，避免了对环境的建模，能够有效地解决高维空间和复杂约束的路径规划问题，这类方法的特点是能够快速有效地进行路径规划。基于RRT*的一系列变体算法，存在以下问题：1)采样点的选取方式为在自由空间内随机采样，因此会导致一些不必要的重复采样，增加RRT*的获取路径规划的计算时间；2)获取的路径一般是较为复杂的曲折路径，实际的移动机器人需要得到尽可能平滑的路径，减少机械损耗；3)需要预先获取环境信息，在复杂障碍物的环境下难以适用。
有鉴于此，建立一种移动机器人路径规划方法和装置是非常具有意义的。
发明内容
针对上述提到现有的路径规划算法在复杂环境下容易难以适用，速度慢等问题。本申请的实施例的目的在于提出了一种移动机器人路径规划方法、装置及存储介质来解决以上背景技术部分提到的技术问题。
第一方面，本申请的实施例提供一种移动机器人路径规划方法，包括以下步骤：
S1：基于移动机器人车载激光雷达获取的环境信息构建环境地图，进行栅格地图建模，每个栅格根据环境信息被标记为障碍区和自由空间，设定起始点和目标点；
S2：建立第一层RRT*搜索树，第一层RRT*搜索树以起始点为根节点进行搜索，并采用基于反馈的目标偏向的采样策略在自由空间生成随机采样点，得到初始路径；
S3：对初始路径进行分段剪枝和平滑处理，将处理后的初始路径作为移动机器人的全局路径进行执行；以及
S4：建立第二层RRT*搜索树，第二层RRT*搜索树采用反向维护策略以目标点为根节点进行搜索，并通过基于欧氏距离和轨迹角度构建的代价函数优化全局路径中剩余路径的路径代价，生成最佳运动路径。
在一些实施例中，步骤S2具体包括：
S21：以概率k1将上一次添加到第一层RRT*搜索树中的节点qprev作为参考，通过节点 qprev和目标点qgoal的相对位置缩小随机采样点qrand的采样区域；
S22：通过节点qprev与目标点qgoal的相互关系作为下次取点的参考，选择以节点qprev为圆心，节点qprev和目标点qgoal之间的距离为半径的四分之一圆区域为采样点选择区域，得到初始路径。
通过以上方法可以增强目标点的启发性。
在一些实施例中，采样点获取方式通过以下公式得到：
Figure RE-GDA0002906714270000021
令节点qprev和目标点qgoal的距离为d，式中r的值为(0,d]的随机值，θ为四分之一圆区域的随机值，xrand、yrand分别表示所述采样点qrand的x坐标和y坐标，xprev、yprev分别表示所述节点qprev的x坐标和y坐标。
在保证随机采样的前提下，有概率k1的机会可以获得具有偏向性的采样点，避免不必要的过度搜索，加快初始路径的获取。
在一些实施例中，步骤S3具体包括：
S31：选取初始路径中所有节点的中点位置的节点，以中点位置的节点将初始路径分为两段，分别对两段节点进行贪婪剪枝处理，去除冗余节点；
S32：对剪枝后的初始路径采用牵引B样条策略进行平滑处理。
采用分段剪枝策略可以去除初始路径的冗余节点，采用牵引B样条策略可以平滑路径。
在一些实施例中，步骤S32具体包括，在原有节点Pi-1，Pi，Pi+1形成的三次B样条曲线的基础上加入新控制节点Pins1和Pins2，通过以下公式对剪枝后的初始路径进行平滑处理：
Figure RE-GDA0002906714270000031
其中，式中θi为Pi-1 Pi与Pi Pi+1的夹角，η为与平滑曲线的曲率的取值成反比的常数值。
平滑曲线的曲率与η的取值成反比，即η越小，曲线越贴近原始路径。η可以根据实际无人车辆尺寸以及安全距离进行调整。
在一些实施例中，步骤S4具体包括：
S41：以目标点qgoal作为第二层RRT*搜索树的根节点进行扩展，获得剩余路径的路径代价；
S42：利用初始路径提供的启发信息，以概率k2将初始路径节点作为参考节点qref，通过参考节点qref与当前移动机器人坐标的相对位置获取采样点；
S43：在第二层RRT*搜索树的采样点的重新连线过程中通过基于节点间的欧式距离和轨迹角度建立代价函数，生成最佳运动路径。
第二层RRT*搜索树在第一层RRT*搜索树的基础上采用反向维护策略，并通过引入改进的代价函数，不断优化剩余路径的路径代价，获得更加准确的规划路径。
在一些实施例中，代价函数通过以下公式计算：
Figure RE-GDA0002906714270000032
λd+λθ＝1；
λd,λθ∈[0,1]；
其中，
Figure RE-GDA0002906714270000033
为新节点qnew与节点qi之间的欧氏距离，dmax与dmin分别表示qnew与附近节点间的最大和最小距离，
Figure RE-GDA0002906714270000034
为新节点qnew与节点之间路径的角度值，θmax与θmin分别表示附近节点间路径的角度值的最大和最小距离，λd和λθ分别为距离以及角度在代价函数中的权重。通过修改不同的权值可以使代价函数适合不同的距离和路径平滑要求。每个节点的代价值即为当前节点至根节点的代价累计和。
第二方面，本申请的实施例中还提出了一种移动机器人路径规划装置，包括：
地图建立模块，被配置为基于移动机器人车载激光雷达获取的环境信息构建环境地图，进行栅格地图建模，每个栅格根据环境信息被标记为障碍区和自由空间，设定起始点和目标点；
初始路径生成模块，被配置为建立第一层RRT*搜索树，第一层RRT*搜索树以起始点为根节点进行搜索，并采用基于反馈的目标偏向的采样策略在自由空间生成随机采样点，得到初始路径；
处理模块，被配置为对初始路径进行分段剪枝和平滑处理，将处理后的初始路径作为移动机器人的全局路径进行执行；以及
最佳运动路径生成模块，被配置为建立第二层RRT*搜索树，第二层RRT*搜索树采用反向维护策略以目标点为根节点进行搜索，并通过基于欧氏距离和轨迹角度构建的代价函数优化全局路径中剩余路径的路径代价，生成最佳运动路径。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请的实施例提出了一种移动机器人路径规划方法、装置及存储介质，基于RRT*算法，构建两层RRT*搜索树，第一层RRT*搜索树采用基于反馈的目标偏向的采样策略获取初始路径，提高了初始路径的获取速度。然后采用分段剪枝策略去除初始路径的冗余节点，采用牵引B样条策略平滑路径；第二层RRT*搜索树对初始路径进行在线优化，在第一层 RRT*搜索树的基础上，基于反向维护策略在线优化路径，解决了在复杂环境下的路径的维护优化问题。该方案可用于复杂环境下的无人驾驶路径规划领域。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例可以应用于其中的示例性装置架构图；
图2为本发明的实施例的移动机器人路径规划方法的流程示意图；
图3为本发明的实施例的移动机器人路径规划方法的步骤S2的流程示意图；
图4为本发明的实施例的移动机器人路径规划方法的步骤S2的基于反馈的目标偏向的采样示意图；
图5为本发明的实施例的移动机器人路径规划方法的步骤S3的流程示意图；
图6为本发明的实施例的移动机器人路径规划方法的步骤S3的分段剪枝策略示意图；
图7为本发明的实施例的移动机器人路径规划方法的步骤S3的牵引B样条策略示意图；
图8为本发明的实施例的移动机器人路径规划方法的步骤S4的流程示意图；
图9为本发明的实施例的移动机器人路径规划装置的示意图；
图10为本发明的实施例的移动机器人路径规划方法的第一层RRT*搜索树路径规划结果图；
图11为本发明的实施例的移动机器人路径规划方法的第二层RRT*搜索树路径规划结果图；
图12是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示出了可以应用本申请实施例的移动机器人路径规划方法或移动机器人路径规划装置的示例性装置架构100。
如图1所示，装置架构100可以包括终端设备101、102、103，网络104和服务器 105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103 为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
需要说明的是，本申请实施例所提供的移动机器人路径规划方法可以由服务器105 执行，也可以由终端设备101、102、103执行，相应地，移动机器人路径规划装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
图2示出了本申请的实施例公开一种移动机器人路径规划方法，包括以下步骤：
S1：基于移动机器人车载激光雷达获取的环境信息构建环境地图，进行栅格地图建模，每个栅格根据环境信息被标记为障碍区和自由空间，设定起始点和目标点。
在具体的实施例中，起始点表示为qstart和目标点表示为qgoal。
S2：建立第一层RRT*搜索树，第一层RRT*搜索树以起始点为根节点进行搜索，并采用基于反馈的目标偏向的采样策略在自由空间生成随机采样点，得到初始路径。
在具体的实施例中，如图3所示，步骤S2具体包括：
S21：以概率k1将上一次添加到第一层RRT*搜索树中的节点qprev作为参考，通过节点 qprev和目标点qgoal的相对位置缩小随机采样点qrand的采样区域；
S22：通过节点qprev与目标点qgoal的相互关系作为下次取点的参考，选择以节点qprev为圆心，节点qprev和目标点qgoal之间的距离为半径的四分之一圆区域为采样点选择区域，得到初始路径。
其中，步骤S21中通过节点qprev和目标点qgoal的相对位置来缩小qrand的采样区域，以增强目标点qgoal的启发性。在保证随机采样的前提下，有概率k1的机会可以获得具有偏向性的采样点，避免不必要的过度搜索，加快初始路径的获取。最终得到如图4的初始路径结果。
在优选的实施例中，采样点获取方式通过以下公式得到：
Figure RE-GDA0002906714270000071
令节点qprev和目标点qgoal的距离为d，式中r的值为(0,d]的随机值，θ为四分之一圆区域的随机值，xrand、yrand分别表示所述采样点qrand的x坐标和y坐标，xprev、yprev分别表示所述节点qprev的x坐标和y坐标。
S3：对初始路径进行分段剪枝和平滑处理，将处理后的初始路径作为移动机器人的全局路径进行执行。
在具体的实施例中，如图5所示，步骤S3具体包括：
S31：选取初始路径中所有节点的中点位置的节点，以中点位置的节点将初始路径分为两段，分别对两段节点进行贪婪剪枝处理，去除冗余节点；
S32：对剪枝后的初始路径采用牵引B样条策略进行平滑处理。
在优选的实施例中，步骤S31具体包括：选取路径所有节点的中点位置的节点将初始路径的每个路径分为两段，一段从起点至中点，一段从中点至终点。分别对这两段节点进行贪婪剪枝处理，保留能够满足构成最远无碰撞路线的节点，减少路径不必要的曲折。以中点至终点段为例，如图6所示，首先判断q5与q9能否连接，若连线非法，则继续判断q5与q8连线，以此类推。
在具体的实施例中，如图7所示，牵引B样条策略在三次B样条曲线的基础上，添加控制点，使三次B样条曲线更贴近于原始路径。步骤S32具体包括，在原有节点Pi-1，Pi， Pi+1间加入新控制节点Pins1和Pins2，通过以下公式对剪枝后的初始路径进行平滑处理：
Figure RE-GDA0002906714270000072
其中，式中θi为Pi-1 Pi与Pi Pi+1的夹角，η为与平滑曲线的曲率的取值成反比的常数值。
平滑曲线的曲率与η的取值成反比，即η越小，曲线越贴近原始路径。η可以根据实际无人车辆尺寸以及安全距离进行调整。
S4：建立第二层RRT*搜索树，第二层RRT*搜索树采用反向维护策略以目标点为根节点进行搜索，并通过基于欧氏距离和轨迹角度构建的代价函数优化全局路径中剩余路径的路径代价，生成最佳运动路径。
在具体的实施例中，如图8所示，步骤S4具体包括：
S41：以目标点qgoal作为第二层RRT*搜索树的根节点进行扩展，获得剩余路径的路径代价；
S42：利用初始路径提供的启发信息，以概率k2将初始路径节点作为参考节点qref，通过参考节点qref与当前移动机器人坐标的相对位置获取采样点；以及
S43：在第二层RRT*搜索树的采样点的重新连线过程中通过基于节点间的欧式距离和轨迹角度建立代价函数，生成最佳运动路径。
第二层RRT*搜索树在第一层RRT*搜索树的基础上采用反向维护策略，并通过引入改进的代价函数，不断优化剩余路径的路径代价，获得更加准确的规划路径。
在具体的实施例中，代价函数通过以下公式计算：
Figure RE-GDA0002906714270000081
λd+λθ＝1；
λd,λθ∈[0,1]；
其中，
Figure RE-GDA0002906714270000082
为新节点qnew与节点qi之间的欧氏距离，dmax与dmin分别表示qnew与附近节点间的最大和最小距离，
Figure RE-GDA0002906714270000083
为新节点qnew与节点之间路径的角度值，θmax与θmin分别表示附近节点间路径的角度值的最大和最小距离，λd和λθ分别为距离以及角度在代价函数中的权重。通过修改不同的权值可以使代价函数适合不同的距离和路径平滑要求。每个节点的代价值即为当前节点至根节点的代价累计和。
第一层RRT*搜索树与第一层RRT*搜索树的关系如下：
1、两者的目的不一样：第一层RRT*搜索树起到快速获取初始路径的目的，第二层搜索树起到优化路径的目的；
2、第二层RRT*搜索树会利用第一层搜索树的节点(提供的初始路径信息)作为初始化搜索树，进而去维护第一层RRT*搜索树的路径。
进一步参考图9，作为对上述各图所示方法的实现，本申请提供了一种移动机器人路径规划装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
本申请的实施例中还提出了一种移动机器人路径规划装置，包括：
地图建立模块1，被配置为基于移动机器人车载激光雷达获取的环境信息构建环境地图，进行栅格地图建模，每个栅格根据环境信息被标记为障碍区和自由空间，设定起始点和目标点；
初始路径生成模块2，被配置为建立第一层RRT*搜索树，第一层RRT*搜索树以起始点为根节点进行搜索，并采用基于反馈的目标偏向的采样策略在自由空间生成随机采样点，得到初始路径；
处理模块3，被配置为对初始路径进行分段剪枝和平滑处理，将处理后的初始路径作为移动机器人的全局路径进行执行；以及
最佳运动路径生成模块4，被配置为建立第二层RRT*搜索树，第二层RRT*搜索树采用反向维护策略以目标点为根节点进行搜索，并通过基于欧氏距离和轨迹角度构建的代价函数优化全局路径中剩余路径的路径代价，生成最佳运动路径。
为了验证本发明基于改进的双层RRT*的移动机器人在线路径规划算法的有效性和可行性，在i7-8700CPU,16G内存的硬件环境下，利用Matlab 2020a，进行模拟仿真。仿真地图的尺寸为500×500，图中障碍物为黑色区域，自由空间为白色区域。起始点位于左上角(30，470)，目标点位于右下角(470，30)。在复杂障碍环境下使用本发明基于改进的双层RRT*的移动机器人在线路径规划算法的实验结果如图10、11所示。
本申请的实施例提出了一种移动机器人路径规划方法、装置及存储介质，基于RRT*算法，构建两层RRT*搜索树，第一层RRT*搜索树采用基于反馈的目标偏向的采样策略获取初始路径，提高了初始路径的获取速度。然后用分段剪枝策略去除初始路径的冗余节点、牵引B样条策略平滑路径；第二层RRT*搜索树对初始路径进行在线优化，在第一层RRT*搜索树的基础上，基于反向维护策略在线优化路径，解决了在复杂环境下的路径的维护优化问题。该方案可用于复杂环境下的无人驾驶路径规划领域。
下面参考图12，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置1200的结构示意图。图12示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图12所示，计算机装置1200包括中央处理单元(CPU)1201和图形处理器(GPU)1202，其可以根据存储在只读存储器(ROM)1203中的程序或者从存储部分1209加载到随机访问存储器(RAM)1206中的程序而执行各种适当的动作和处理。在RAM 1204 中，还存储有装置1200操作所需的各种程序和数据。CPU 1201、GPU1202、ROM 1203 以及RAM 1204通过总线1205彼此相连。输入/输出(I/O)接口1206也连接至总线 1205。
以下部件连接至I/O接口1206：包括键盘、鼠标等的输入部分1207；包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分1208；包括硬盘等的存储部分1209；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1210。通信部分1210 经由诸如因特网的网络执行通信处理。驱动器1211也可以根据需要连接至I/O接口 1206。可拆卸介质1212，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1211上，以便于从其上读出的计算机程序根据需要被安装入存储部分1209。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1210从网络上被下载和安装，和/或从可拆卸介质1212被安装。在该计算机程序被中央处理单元(CPU)1201和图形处理器 (GPU)1202执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：基于移动机器人车载激光雷达获取的环境信息构建环境地图，进行栅格地图建模，每个栅格根据环境信息被标记为障碍区和自由空间，设定起始点和目标点；建立第一层RRT*搜索树，第一层RRT*搜索树以起始点为根节点进行搜索，并采用基于反馈的目标偏向的采样策略在自由空间生成随机采样点，得到初始路径；对初始路径进行分段剪枝和平滑处理，将处理后的初始路径作为移动机器人的全局路径进行执行；以及建立第二层RRT*搜索树，第二层RRT*搜索树采用反向维护策略以目标点为根节点进行搜索，并通过基于欧氏距离和轨迹角度构建的代价函数优化全局路径中剩余路径的路径代价，生成最佳运动路径。
应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于) 具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种移动机器人路径规划方法，其特征在于，包括以下步骤：
S1：基于移动机器人车载激光雷达获取的环境信息构建环境地图，进行栅格地图建模，每个栅格根据所述环境信息被标记为障碍区和自由空间，设定起始点和目标点；
S2：建立第一层RRT*搜索树，所述第一层RRT*搜索树以所述起始点为根节点进行搜索，并采用基于反馈的目标偏向的采样策略在所述自由空间生成随机采样点，得到初始路径；
S3：对所述初始路径进行分段剪枝和平滑处理，将处理后的所述初始路径作为所述移动机器人的全局路径进行执行；以及
S4：建立第二层RRT*搜索树，所述第二层RRT*搜索树采用反向维护策略以所述目标点为根节点进行搜索，并通过基于欧氏距离和轨迹角度构建的代价函数优化所述全局路径中的剩余路径的路径代价，生成最佳运动路径。
2.根据权利要求1所述的移动机器人路径规划方法，其特征在于，所述步骤S2具体包括：
S21：以概率k1将上一次添加到所述第一层RRT*搜索树中的节点qprev作为参考，通过所述节点qprev和所述目标点qgoal的相对位置缩小所述随机采样点qrand的采样区域；
S22：通过所述节点qprev与目标点qgoal的相互关系作为下次取点的参考，选择以所述节点qprev为圆心，所述节点qprev和所述目标点qgoal之间的距离为半径的四分之一圆区域为采样点选择区域，得到所述初始路径。
3.根据权利要求2所述的移动机器人路径规划方法，其特征在于，所述采样点获取方式通过以下公式得到：
Figure FDA0002817156830000011
令所述节点qprev和所述目标点qgoal的距离为d，式中r的值为(0,d]的随机值，θ为四分之一圆区域的随机值，xrand、yrand分别表示所述采样点qrand的x坐标和y坐标，xprev、yprev分别表示所述节点qprev的x坐标和y坐标。
4.根据权利要求1所述的移动机器人路径规划方法，其特征在于，所述步骤S3具体包括：
S31：选取所述初始路径中所有节点的中点位置的节点，以所述中点位置的节点将所述初始路径分为两段，分别对两段节点进行贪婪剪枝处理，去除冗余节点；
S32：对剪枝后的所述初始路径采用牵引B样条策略进行平滑处理。
5.根据权利要求4所述的移动机器人路径规划方法，其特征在于，所述步骤S32具体包括，在原有节点Pi-1，Pi，Pi+1形成的三次B样条曲线的基础上加入新控制节点Pins1和Pins2，通过以下公式对所述剪枝后的初始路径进行平滑处理：
Figure FDA0002817156830000021
其中，式中θi为Pi-1 Pi与Pi Pi+1的夹角，η为与平滑曲线的曲率的取值成反比的常数值。
6.根据权利要求1所述的移动机器人路径规划方法，其特征在于，所述步骤S4具体包括：
S41：以所述目标点qgoal作为所述第二层RRT*搜索树的根节点进行扩展，获得剩余路径的路径代价；
S42：利用所述初始路径提供的启发信息，以概率k2将所述初始路径节点作为参考节点qref，通过所述参考节点qref与当前移动机器人坐标的相对位置获取采样点；
S43：在所述第二层RRT*搜索树的所述采样点的重新连线过程中通过基于节点间的欧式距离和轨迹角度建立代价函数，生成所述最佳运动路径。
7.根据权利要求6所述的移动机器人路径规划方法，其特征在于，所述代价函数通过以下公式计算：
Figure FDA0002817156830000022
λd+λθ＝1；
λd,λθ∈[0,1]；
其中，dqnew,qi为新节点qnew与节点qi之间的欧氏距离，dmax与dmin分别表示qnew与附近节点间的最大和最小距离，θqnew,qi为新节点qnew与节点之间路径的角度值，θmax与θmin分别表示附近节点间路径的角度值的最大和最小距离，λd和λθ分别为距离以及角度在代价函数中的权重。
8.一种移动机器人路径规划装置，其特征在于，包括：
地图建立模块，被配置为基于移动机器人车载激光雷达获取的环境信息构建环境地图，进行栅格地图建模，每个栅格根据所述环境信息被标记为障碍区和自由空间，设定起始点和目标点；
初始路径生成模块，被配置为建立第一层RRT*搜索树，所述第一层RRT*搜索树以所述起始点为根节点进行搜索，并采用基于反馈的目标偏向的采样策略在所述自由空间生成随机采样点，得到初始路径；
处理模块，被配置为对所述初始路径进行分段剪枝和平滑处理，将处理后的所述初始路径作为所述移动机器人的全局路径进行执行；以及
最佳运动路径生成模块，被配置为建立第二层RRT*搜索树，所述第二层RRT*搜索树采用反向维护策略以所述目标点为根节点进行搜索，并通过基于欧氏距离和轨迹角度构建的代价函数优化所述全局路径中剩余路径的路径代价，生成最佳运动路径。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202011409963.9A 2020-12-04 2020-12-04 一种移动机器人路径规划方法、装置及存储介质 Active CN112462785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011409963.9A CN112462785B (zh) 2020-12-04 2020-12-04 一种移动机器人路径规划方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011409963.9A CN112462785B (zh) 2020-12-04 2020-12-04 一种移动机器人路径规划方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112462785A true CN112462785A (zh) 2021-03-09
CN112462785B CN112462785B (zh) 2022-06-03

Family

ID=74805850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011409963.9A Active CN112462785B (zh) 2020-12-04 2020-12-04 一种移动机器人路径规划方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112462785B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255257A (zh) * 2021-05-26 2021-08-13 山东大学 基于工艺库的s盒电路的优化方法及系统
CN113359796A (zh) * 2021-06-08 2021-09-07 同济大学 一种地下多分支洞穴的无人机探寻方法
CN113433936A (zh) * 2021-06-02 2021-09-24 北京迈格威科技有限公司 移动设备绕障方法、装置、移动设备及存储介质
CN113467455A (zh) * 2021-07-06 2021-10-01 河北工业大学 多工况未知复杂环境下智能小车路径规划方法及设备
CN113485240A (zh) * 2021-07-27 2021-10-08 华南理工大学 基于带标志位分层搜索树的机器人在线焊接路径规划方法
CN113503884A (zh) * 2021-04-13 2021-10-15 上海擎朗智能科技有限公司 路径规划方法、装置、设备和存储介质
CN113671969A (zh) * 2021-08-25 2021-11-19 齐鲁工业大学 二维静态环境下的路径规划方法、系统、介质及存储设备
CN113721622A (zh) * 2021-08-31 2021-11-30 安徽工业大学 一种机器人路径规划方法
CN113749915A (zh) * 2021-10-13 2021-12-07 中国计量大学 一种场景复现的导盲方法与系统
CN113934206A (zh) * 2021-07-22 2022-01-14 浙江科技学院 移动机器人路径规划方法、装置、计算机设备和存储介质
CN114812593A (zh) * 2022-04-21 2022-07-29 中国第一汽车股份有限公司 生成车辆路径方法、装置、存储介质、处理器及电子装置
CN114935928A (zh) * 2021-11-02 2022-08-23 哈尔滨工程大学 基于采样路径优化的改进rrt算法在火灾环境下对船舶人员的路径规划方法、系统及装置
CN115077556A (zh) * 2022-07-26 2022-09-20 中国电子科技集团公司第二十八研究所 一种基于多维度地图的无人车野战路径规划方法
CN115860431A (zh) * 2023-02-07 2023-03-28 广东技术师范大学 基于异构感知的多机器人智能调度方法、系统、机器人及介质
WO2023155923A1 (zh) * 2022-02-21 2023-08-24 中兴通讯股份有限公司 路径规划方法及装置、可读存储介质
CN117032231A (zh) * 2023-08-10 2023-11-10 海南大学 一种基于改进rrt的多智能体路径规划方法
CN117762149A (zh) * 2024-02-22 2024-03-26 本溪钢铁（集团）信息自动化有限责任公司 一种捞渣机器人控制方法、装置、设备及介质
CN118067130A (zh) * 2024-04-16 2024-05-24 江苏苏亿盟智能科技有限公司 基于数据融合的机器人高精度运动规划方法及系统
CN118067130B (zh) * 2024-04-16 2024-07-09 江苏苏亿盟智能科技有限公司 基于数据融合的机器人高精度运动规划方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110035087A1 (en) * 2009-08-10 2011-02-10 Samsung Electronics Co., Ltd. Method and apparatus to plan motion path of robot
US20170241790A1 (en) * 2016-02-24 2017-08-24 Honda Motor Co., Ltd. Path plan generating apparatus for mobile body
US20170255745A1 (en) * 2016-03-01 2017-09-07 Siemens Healthcare Gmbh System and Method for Medical Image Based Cardio-Embolic Stroke Risk Prediction
CN107943053A (zh) * 2017-12-15 2018-04-20 陕西理工大学 一种移动机器人的路径规划方法
CN108196536A (zh) * 2017-12-21 2018-06-22 同济大学 一种改进的无人车快速搜索随机树路径规划方法
CN108983780A (zh) * 2018-07-24 2018-12-11 武汉理工大学 一种基于改进rrt*算法的移动机器人路径规划方法
CN109520507A (zh) * 2018-12-05 2019-03-26 智灵飞（北京）科技有限公司 一种基于改进rrt的无人机实时路径规划方法
CN109540159A (zh) * 2018-10-11 2019-03-29 同济大学 一种快速完备的自动驾驶轨迹规划方法
CN110032187A (zh) * 2019-04-09 2019-07-19 清华大学 无人摩托静态障碍避障路径规划计算方法
CN110531782A (zh) * 2019-08-23 2019-12-03 西南交通大学 用于社区配送的无人机航迹路径规划方法
CN111141304A (zh) * 2019-12-30 2020-05-12 福州大学 一种基于同心圆采样引导rrt算法的路径规划方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110035087A1 (en) * 2009-08-10 2011-02-10 Samsung Electronics Co., Ltd. Method and apparatus to plan motion path of robot
US20170241790A1 (en) * 2016-02-24 2017-08-24 Honda Motor Co., Ltd. Path plan generating apparatus for mobile body
US20170255745A1 (en) * 2016-03-01 2017-09-07 Siemens Healthcare Gmbh System and Method for Medical Image Based Cardio-Embolic Stroke Risk Prediction
CN107943053A (zh) * 2017-12-15 2018-04-20 陕西理工大学 一种移动机器人的路径规划方法
CN108196536A (zh) * 2017-12-21 2018-06-22 同济大学 一种改进的无人车快速搜索随机树路径规划方法
CN108983780A (zh) * 2018-07-24 2018-12-11 武汉理工大学 一种基于改进rrt*算法的移动机器人路径规划方法
CN109540159A (zh) * 2018-10-11 2019-03-29 同济大学 一种快速完备的自动驾驶轨迹规划方法
CN109520507A (zh) * 2018-12-05 2019-03-26 智灵飞（北京）科技有限公司 一种基于改进rrt的无人机实时路径规划方法
CN110032187A (zh) * 2019-04-09 2019-07-19 清华大学 无人摩托静态障碍避障路径规划计算方法
CN110531782A (zh) * 2019-08-23 2019-12-03 西南交通大学 用于社区配送的无人机航迹路径规划方法
CN111141304A (zh) * 2019-12-30 2020-05-12 福州大学 一种基于同心圆采样引导rrt算法的路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIE QI 等: "《MOD-RRT*: A Sampling-Based Algorithm for Robot Path Planning in Dynamic Environment》", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 *
杜明博 等: "《复杂环境下基于RRT 的智能车辆运动规划算法》", 《机器人》 *

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113503884B (zh) * 2021-04-13 2023-09-15 上海擎朗智能科技有限公司 路径规划方法、装置、设备和存储介质
CN113503884A (zh) * 2021-04-13 2021-10-15 上海擎朗智能科技有限公司 路径规划方法、装置、设备和存储介质
CN113255257A (zh) * 2021-05-26 2021-08-13 山东大学 基于工艺库的s盒电路的优化方法及系统
CN113433936A (zh) * 2021-06-02 2021-09-24 北京迈格威科技有限公司 移动设备绕障方法、装置、移动设备及存储介质
CN113359796A (zh) * 2021-06-08 2021-09-07 同济大学 一种地下多分支洞穴的无人机探寻方法
CN113359796B (zh) * 2021-06-08 2022-09-06 同济大学 一种地下多分支洞穴的无人机探寻方法
CN113467455A (zh) * 2021-07-06 2021-10-01 河北工业大学 多工况未知复杂环境下智能小车路径规划方法及设备
CN113934206A (zh) * 2021-07-22 2022-01-14 浙江科技学院 移动机器人路径规划方法、装置、计算机设备和存储介质
CN113934206B (zh) * 2021-07-22 2024-01-16 浙江科技学院 移动机器人路径规划方法、装置、计算机设备和存储介质
CN113485240B (zh) * 2021-07-27 2022-07-01 华南理工大学 基于带标志位分层搜索树的机器人在线焊接路径规划方法
CN113485240A (zh) * 2021-07-27 2021-10-08 华南理工大学 基于带标志位分层搜索树的机器人在线焊接路径规划方法
CN113671969B (zh) * 2021-08-25 2024-04-05 齐鲁工业大学 二维静态环境下的路径规划方法、系统、介质及存储设备
CN113671969A (zh) * 2021-08-25 2021-11-19 齐鲁工业大学 二维静态环境下的路径规划方法、系统、介质及存储设备
CN113721622A (zh) * 2021-08-31 2021-11-30 安徽工业大学 一种机器人路径规划方法
CN113721622B (zh) * 2021-08-31 2024-02-23 安徽工业大学 一种机器人路径规划方法
CN113749915A (zh) * 2021-10-13 2021-12-07 中国计量大学 一种场景复现的导盲方法与系统
CN113749915B (zh) * 2021-10-13 2023-09-01 中国计量大学 一种场景复现的导盲方法与系统
CN114935928A (zh) * 2021-11-02 2022-08-23 哈尔滨工程大学 基于采样路径优化的改进rrt算法在火灾环境下对船舶人员的路径规划方法、系统及装置
WO2023155923A1 (zh) * 2022-02-21 2023-08-24 中兴通讯股份有限公司 路径规划方法及装置、可读存储介质
CN114812593A (zh) * 2022-04-21 2022-07-29 中国第一汽车股份有限公司 生成车辆路径方法、装置、存储介质、处理器及电子装置
CN115077556B (zh) * 2022-07-26 2022-11-18 中国电子科技集团公司第二十八研究所 一种基于多维度地图的无人车野战路径规划方法
CN115077556A (zh) * 2022-07-26 2022-09-20 中国电子科技集团公司第二十八研究所 一种基于多维度地图的无人车野战路径规划方法
CN115860431A (zh) * 2023-02-07 2023-03-28 广东技术师范大学 基于异构感知的多机器人智能调度方法、系统、机器人及介质
CN117032231A (zh) * 2023-08-10 2023-11-10 海南大学 一种基于改进rrt的多智能体路径规划方法
CN117762149A (zh) * 2024-02-22 2024-03-26 本溪钢铁（集团）信息自动化有限责任公司 一种捞渣机器人控制方法、装置、设备及介质
CN117762149B (zh) * 2024-02-22 2024-05-17 本溪钢铁（集团）信息自动化有限责任公司 一种捞渣机器人控制方法、装置、设备及介质
CN118067130A (zh) * 2024-04-16 2024-05-24 江苏苏亿盟智能科技有限公司 基于数据融合的机器人高精度运动规划方法及系统
CN118067130B (zh) * 2024-04-16 2024-07-09 江苏苏亿盟智能科技有限公司 基于数据融合的机器人高精度运动规划方法及系统

Also Published As

Publication number Publication date
CN112462785B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN112462785B (zh) 一种移动机器人路径规划方法、装置及存储介质
US10466058B2 (en) Navigation for vehicles
Li et al. Autonomous underwater vehicle optimal path planning method for seabed terrain matching navigation
CN108645411B (zh) 基于粒子群算法的机器人路径规划方法、装置及终端设备
Xu et al. Heuristic and random search algorithm in optimization of route planning for Robot’s geomagnetic navigation
CN110926491A (zh) 一种用于最短路径的规划方法和系统
WO2015179289A1 (en) Routing with data version stitching
CN114771551A (zh) 自动驾驶车辆轨迹规划方法、装置和自动驾驶车辆
CN113033925A (zh) 用于控制自动驾驶车辆行驶、装置、电子设备和介质
CN110377041A (zh) 参考线生成方法、装置、终端设备及存储介质
CN110749325B (zh) 航迹规划方法和装置
Chen et al. Unmanned ship path planning based on RRT
CN116878532A (zh) 移动对象的路径规划方法、装置以及相关设备
EP4040113A2 (en) Method and apparatus for road guidance, and electronic device
CN114838737B (zh) 一种行驶路径的确定方法、装置、电子设备及存储介质
CN115328118A (zh) 路径确定方法、装置、可读存储介质及电子设备
Roth A viterbi-like approach for trajectory planning with different Maneuvers
CN115032992A (zh) 一种移动机器人路径规划方法、装置及电子设备
Zhang et al. Intelligent path planning by an improved RRT algorithm with dual grid map
CN113776547A (zh) 路径规划方法、装置、设备及存储介质
CN112729349A (zh) 里程计在线标定的方法、装置、电子设备及存储介质
Chen et al. B-Spline Fusion Line of Sight Algorithm for UAV Path Planning
Peng et al. Autonomous Navigation for Mobile Robot
CN114661842B (zh) 地图匹配方法、装置和电子设备
CN117889866B (zh) 导航路径规划方法、设备及存储介质

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