CN112486183B - 一种室内移动机器人的路径规划算法 - Google Patents
一种室内移动机器人的路径规划算法 Download PDFInfo
- Publication number
- CN112486183B CN112486183B CN202011449595.0A CN202011449595A CN112486183B CN 112486183 B CN112486183 B CN 112486183B CN 202011449595 A CN202011449595 A CN 202011449595A CN 112486183 B CN112486183 B CN 112486183B
- Authority
- CN
- China
- Prior art keywords
- robot
- mobile robot
- acceleration
- speed
- max
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 21
- 230000001133 acceleration Effects 0.000 claims abstract description 50
- 238000005070 sampling Methods 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 41
- 230000036461 convulsion Effects 0.000 claims description 11
- 230000010355 oscillation Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G05D1/0212—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
- 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
-
- 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
- G05D1/0276—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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种室内移动机器人的路径规划算法,包括:根据已知地图信息建立全局规划地图;利用A*算法规划出从起始点到目标点的全局路径;提取出全局路径上动态的关键点;根据已知地图信息建立局部规划地图;利用改进的DWA算法,根据室内移动机器人的运动约束规划出可行的加速度采样空间,选出使评价函数总分最高的加速度并作用于速度采样空间,根据采样速度模拟轨迹并根据计算各条轨迹的改进评价函数,选出到上述全局路径动态关键点的最优轨迹。获得加速度连续的轨迹,规划出了速度连续、加速度连续并且不易陷入局部最优问题的轨迹。
Description
技术领域
本发明涉及一种室内移动机器人的路径规划算法,属于移动机器人导航领域。
背景技术
在当下机器人大力发展的时代,移动机器人现已可以在许多场合下代替人力完成各项任务,是一种高度自规划、自组织、自适应能力的机械,可在各种复杂、危险环境中工作,目前被广泛应用于物流、探测、服务等领域。路径规划综合各种运动约束条件,进行全局和局部的规划,使得机器人可以安全高效的移动行走,是移动机器人的核心技术,也是机器人领域内的热点研究问题。
发明内容
本发明要解决的技术问题是:对室内机器人移动路径进行规划,获取机器人速度连续、加速度连续的轨迹。
为了解决上述问题,本发明的技术方案是提供了一种室内移动机器人的路径规划算法,其特征在于,包括如下步骤:
步骤一、根据已知地图中障碍物和非障碍物的位置信息以及机器人的长宽尺寸建立障碍物膨胀尺寸较大的全局规划地图;
步骤二、利用经典A*算法进行全局路径规划,根据当前位置和目标位置,规划出全局路径;
步骤三、提取出机器人当前位置附近区域中全局路径序号最接近目标点序号的全局路径点,将此点作为全局路径的动态关键点Local_Goal;
步骤四、根据已知地图中障碍物和非障碍物的位置信息、机器人的长宽尺寸和全局规划地图的膨胀参数,建立障碍物膨胀尺寸较小的局部规划地图;
步骤五、建立室内移动机器人运动模型;
步骤六、根据室内移动机器人运动模型和运动参数约束,计算出可行的加速度矢量空间Ar;
步骤七、根据步骤五中得到的加速度矢量空间Ar和运动模型及运动参数约束,计算出可行的速度采样空间Vr;
步骤八、将速度采样空间Vr按采样时间间隔dt进行速度采样,进而将采样速度代入移动机器人运动模型中,进行时间T内的仿真模拟,然后将模拟结果带入到改进评价函数Fn进行计算,选出到动态关键点Local_Goal的最优的速度轨迹。
优选地,所述步骤六中的运动参数包括室内移动机器人的加加速度矢量和加速度矢量,所述步骤七中的运动参数包括室内移动机器人的加速度矢量和速度矢量。
优选地,所述步骤五中移动机器人运动模型:
x(t+1)=xt+v*dt*cosθt
y(t+1)=yt+v*dt*sinθt
θ(t+1)=θt+dt*ω
其中,[xt,yt,θt]为当前时刻的机器人位姿信息,[xt+1,yt+1,θt+1]为下一时刻的机器人位姿,dt为采样时间,v和ω分别为机器人的线速度值和角速度值。优选地,所述步骤六中可行的加速度矢量空间Ar表示搜索的加速度矢量空间,
Ar=As∩Ad,
其中As表示参数设置中可达到的加速度矢量集合;Ad表示符合加加速度要求的全部加速度矢量集合;
AS={(av,aw)|av∈[0,avmax],aw∈[-awmax,awmax]};
Ad={(av,aw)|av∈[av0-aαv·dt,av0+aαv·dt],aw∈[aw0-aαv·dt,aw0+aαv·dt]};
其中,avmax为机器人最大可达到的平移加速度;awmax为最大旋转加速度;aαv和aαw分别为最大平移加加速度和最大旋转加加速度;av0和aw0分别为当前时刻的加平移速度和旋转加速度;dt为采样周期间隔。
优选地,所述步骤七中可行的速度采样空间Vr表示搜索的速度矢量空间,
Vr=Vs∩Va∩Vd;
其中,Vs表示可达到的速度矢量集合;Va表示可安全避开障碍物的速度矢量集合;Vd表示符合加速度要求的全部速度矢量集合;
VS={(v,w)|v∈[0,vmax],w∈[-wmax,wmax]};
Vd={(v,w)|v∈[v0-αv·dt,v0+αv·dt],w∈[w0-αv·dt,w0+αv·dt]};
其中,vmax为机器人最大可达到的平移速度;wmax为最大旋转速度;dist(v,w)表示机器人运动模型以运动学参数v和w模拟出的轨迹位置与障碍物之间的最小距离;αv和αw分别为步骤六中计算出的Ar里的最大平移加速度和最大旋转加速度;v0和w0分别为当前时刻的平移速度和旋转速度;dt为采样周期间隔。
优选地,所述步骤七中所述评价函数Fn:
Fn=a*Nor(heading)+b*Nor(obstacledist)+c*Nor(vel)+d*Nor(oscillation)
其中,a、b、c、d为权重参数,Nor代表正则化;heading代表当前位置动态关键点Local_Goal连线角度与当前位姿角度的差值角Δθ的指标,obstacledist代表当前最近障碍物点与Local_Goal之间的距离Δl的指标,Ta、Tb为可变参数,C为机器人半径,vel代表速度v的指标,max v是机器人最大线速度。
优选地,所述步骤一中膨胀尺寸为机器人半径值,所述步骤四中膨胀尺寸为小于机器人半径的常数值的值。
优选地,所述步骤三将以移动机器人当前位置为中心,移动机器人半径加上1m为半径的圆作为当前位置附近区域。
与现有技术相比,本发明的有益效果是:
本发明通过A*算法获得全局路径,在此基础上利用改进的DWA算法,根据室内移动机器人的运动约束规划出可行的加速度采样空间,选出使评价函数总分最高的加速度并作用于速度采样空间,根据采样速度模拟轨迹并根据计算各条轨迹的改进评价函数,选出到上述全局路径动态关键点的最优轨迹。获得加速度连续的轨迹,规划出了速度连续、加速度连续并且不易陷入局部最优问题的轨迹。
附图说明
图1为本发明一种室内移动机器人的路径规划算法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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他实施例,都属于本发明保护的范围。
如图1所示,本发明的具体实施包括以下步骤:
步骤一、根据已知地图信息中障碍物和非障碍物的位置信息、机器人尺寸大小(长:0.8m;宽:0.6m),建立分辨率为0.02,障碍物膨胀比例为42:1的全局规划地图。
步骤二、利用A*算法进行全局路径规划,根据当前位置和目标位置,规划出全局路径。
步骤三、将以当前位置为中心,机器人半径加上1m为半径的圆作为当前位置附近区域,提取出当前位置附近区域中全局路径序号最接近目标点序号的全局路径点,将此点作为全局路径的动态关键点Local_Goal。
步骤四、根据已知地图中障碍物和非障碍物的位置信息、机器人长宽尺寸大小和全局规划地图的膨胀参数,建立膨胀比例为40:1的局部规划地图。
步骤五、建立室内移动机器人运动模型:
x(t+1)=xt+v*dt*cosθt
y(t+1)=yt+v*dt*sinθt
θ(t+1)=θt+dt*ω
其中,[xt,yt,θt]为当前时刻的机器人位姿信息,[xt+1,yt+1,θt+1]为下一时刻的机器人位姿,dt为采样时间,v和ω分别为机器人的线速度值和角速度值。
步骤六、根据室内移动机器人运动模型和运动参数(包括加加速度矢量、加速度矢量)约束,算出可行的加速度矢量空间Ar。
Ar表示搜索的加速度矢量空间,As表示参数设置中可达到的加速度矢量集合;Ad表示符合加加速度要求的全部加速度矢量集合。则Ar表示为:
Ar=As∩Ad
AS={(av,aw)|av∈[0,avmax],aw∈[-awmax,awmax]}
Ad={(av,aw)|av∈[av0-aαv·dt,av0+aαv·dt],aw∈[aw0-aαv·dt,aw0+aαv·dt]}
其中,avmax为机器人最大可达到的平移加速度1.5m/s;awmax为最大旋转速度280°/s;aαv和aαw分别为最大平移加加速度0.4m/s2和最大旋转加加速度45°/s2;av0和aw0分别为当前时刻的加平移速度和旋转加速度;dt为采样周期间隔0.3s。
步骤七,根据步骤六中得到的加速度矢量空间Ar和运动模型及运动参数(包括加速度矢量、速度矢量)约束,计算出可行的速度采样空间Vr。
Vr表示搜索的速度矢量空间,Vs表示可达到的速度矢量集合;Va表示可安全避开障碍物的速度矢量集合;Vd表示符合加速度要求的全部速度矢量集合。则Vr表示为:
Vr=Vs∩Va∩Vd
VS={(v,w)|v∈[0,vmax],w∈[-wmax,wmax]}
Vd={(v,w)|v∈[v0-αv·dt,v0+αv·dt],w∈[w0-αv·dt,w0+αv·dt]}
其中,vmax为机器人最大可达到的平移速度1.5m/s;wmax为最大旋转速度280°/s;dist(v,w)表示机器人运动模型以运动学参数v和w模拟出的轨迹位置与障碍物之间的最小距离;αv和αw分别为步骤六中计算出的Ar里的最大平移加速度和最大旋转加速度;v0和w0分别为当前时刻的平移速度和旋转速度;dt为采样周期间隔0.3s。
步骤八、将速度采样空间Vr按采样时间间隔dt进行速度采样,进而将采样速度代入移动机器人运动模型中,进行时间T内的仿真模拟,然后将模拟结果带入到改进评价函数Fn进行计算,选出到动态关键点Local_Goal的最优的速度轨迹。
评价函数Fn:
Fn=a*Nor(heading)+b*Nor(dist)+c*Nor(vel)+d*Nor(oscillation)
Fn=a*Nor(heading)+b*Nor(obstacledist)+c*Nor(vel)+d*Nor(oscillation)
其中,a、b、c、d为权重参数,Nor代表正则化;heading代表当前位置动态关键点Local_Goal连线角度与当前位姿角度的差值角Δθ的指标,obstacledist代表当前最近障碍物点与Local_Goal之间的距离Δl的指标,Ta、Tb为可变参数,在本例中分别取为1.43、3;C为机器人半径,本例取0.5m;vel代表速度v的指标,max v是机器人最大线速度。
oscillation是本发明评价函数里的改进指标项,即横向摆动代价,若当前点到Local_Goal的变化趋势与下一时刻点到Local_Goal的变化趋势一致,则此参数为0,若不一致则此参数为负数。此项评分函数的加入使得改进DWA算法可以很大程度的减少轨迹形成环路的概率,进而降低了陷入最小局部问题的概率。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
本说明书中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种室内移动机器人的路径规划算法,其特征在于,包括如下步骤:
步骤一、根据已知地图中障碍物和非障碍物的位置信息以及机器人的长宽尺寸建立障碍物膨胀尺寸较大的全局规划地图;
步骤二、利用经典A*算法进行全局路径规划,根据当前位置和目标位置,规划出全局路径;
步骤三、提取出机器人当前位置附近区域中全局路径序号最接近目标点序号的全局路径点,将此点作为全局路径的动态关键点Local_Goal;
步骤四、根据已知地图中障碍物和非障碍物的位置信息、机器人的长宽尺寸和全局规划地图的膨胀参数,建立障碍物膨胀尺寸较小的局部规划地图;
步骤五、建立室内移动机器人运动模型;
步骤六、根据室内移动机器人运动模型和运动参数约束,计算出可行的加速度矢量空间Ar;
步骤七、根据步骤五中得到的加速度矢量空间Ar和运动模型及运动参数约束,计算出可行的速度采样空间Vr;
步骤八、将速度采样空间Vr按采样时间间隔dt进行速度采样,进而将采样速度代入移动机器人运动模型中,进行时间T内的仿真模拟,然后将模拟结果带入到改进评价函数Fn进行计算,选出到动态关键点Local_Goal的最优的速度轨迹;
所述评价函数Fn:
Fn=a*Nor(heading)+b*Nor(obstacledist)+c*Nor(vel)+d*Nor(oscillation)
其中,a、b、c、d为权重参数,Nor代表正则化;heading代表当前位置动态关键点Local_Goal连线角度与当前位姿角度的差值角Δθ的指标,obstacledist代表当前最近障碍物点与Local_Goal之间的距离Δl的指标,Ta、Tb为可变参数,C为机器人半径,vel代表速度v的指标,maxv是机器人最大线速度;
oscillation是横向摆动代价,若当前点到Local_Goal的变化趋势与下一时刻点到Local_Goal的变化趋势一致,则此参数为0,若不一致则此参数为负数。
2.如权利要求1所述的一种室内移动机器人的路径规划算法,其特征在于:所述步骤六中的运动参数包括室内移动机器人的加加速度矢量和加速度矢量,所述步骤七中的运动参数包括室内移动机器人的加速度矢量和速度矢量。
3.如权利要求1所述的一种室内移动机器人的路径规划算法,其特征在于:所述步骤五中移动机器人运动模型:
x(t+1)=xt+v*dt*cosθt
y(t+1)=yt+v*dt*sinθt
θ(t+1)=θt+dt*ω
其中,[xt,yt,θt]为当前时刻的机器人位姿信息,[xt+1,yt+1,θt+1]为下一时刻的机器人位姿,dt为采样时间,v和ω分别为机器人的线速度值和角速度值。
4.如权利要求1所述的一种室内移动机器人的路径规划算法,其特征在于:所述步骤六中可行的加速度矢量空间Ar表示搜索的加速度矢量空间,
Ar=As∩Ad,
其中As表示参数设置中可达到的加速度矢量集合;Ad表示符合加加速度要求的全部加速度矢量集合;
AS={(av,aw)|av∈[0,avmax],aw∈[-awmax,awmax]};
Ad={(av,aw)|av∈[av0-aαv·dt,av0+aαv·dt],aw∈[aw0-aαv·dt,aw0+aαv·dt]};
其中,avmax为机器人最大可达到的平移加速度;awmax为最大旋转加速度;aαv和aαw分别为最大平移加加速度和最大旋转加加速度;av0和aw0分别为当前时刻的平移加速度和旋转加速度;dt为采样周期间隔。
5.如权利要求1所述的一种室内移动机器人的路径规划算法,其特征在于:所述步骤七中可行的速度采样空间Vr表示搜索的速度矢量空间,
Vr=Vs∩Va∩Vd;
其中,Vs表示可达到的速度矢量集合;Va表示可安全避开障碍物的速度矢量集合;Vd表示符合加速度要求的全部速度矢量集合;
VS={(v,w)|v∈[0,vmax],w∈[-wmax,wmax]};
Vd={(v,w)|v∈[v0-αv·dt,v0+αv·dt],w∈[w0-αw·dt,w0+αw·dt]};
其中,vmax为机器人最大可达到的平移速度;wmax为最大旋转速度;dist(v,w)表示机器人运动模型以运动学参数v和w模拟出的轨迹位置与障碍物之间的最小距离;αv和αw分别为步骤六中计算出的Ar里的平移加速度和旋转加速度;v0和w0分别为当前时刻的平移速度和旋转速度;dt为采样周期间隔。
6.如权利要求1所述的一种室内移动机器人的路径规划算法,其特征在于:所述步骤一中膨胀尺寸为机器人半径值,所述步骤四中膨胀尺寸为小于机器人半径的常数值的值。
7.如权利要求1所述的一种室内移动机器人的路径规划算法,其特征在于:所述步骤三将以移动机器人当前位置为中心,移动机器人半径加上1m为半径的圆作为当前位置附近区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011449595.0A CN112486183B (zh) | 2020-12-09 | 2020-12-09 | 一种室内移动机器人的路径规划算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011449595.0A CN112486183B (zh) | 2020-12-09 | 2020-12-09 | 一种室内移动机器人的路径规划算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112486183A CN112486183A (zh) | 2021-03-12 |
CN112486183B true CN112486183B (zh) | 2022-11-18 |
Family
ID=74941733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011449595.0A Active CN112486183B (zh) | 2020-12-09 | 2020-12-09 | 一种室内移动机器人的路径规划算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112486183B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113534789B (zh) * | 2021-05-18 | 2024-04-05 | 杭州壹悟科技有限公司 | 移动机器人三次多项式速度曲线实时规划方法及装置 |
CN113359740A (zh) * | 2021-06-18 | 2021-09-07 | 广州蓝胖子移动科技有限公司 | 一种轮式移动机器人及其控制方法、控制系统、存储介质 |
CN113359773B (zh) * | 2021-07-07 | 2024-08-09 | 大连海事大学 | 一种无人船航行路径决策方法及系统 |
CN114578808A (zh) * | 2022-01-10 | 2022-06-03 | 美的集团(上海)有限公司 | 路径规划方法、电子设备、计算机程序产品及存储介质 |
CN115016463A (zh) * | 2022-05-11 | 2022-09-06 | 阿里巴巴达摩院(杭州)科技有限公司 | 车辆控制方法及装置 |
CN115586770A (zh) * | 2022-09-15 | 2023-01-10 | 南京师范大学 | 基于龙芯嵌入式系统部署ros的机器人路径规划方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3076498A1 (en) * | 2017-09-22 | 2019-03-28 | Locus Robotics Corp. | Dynamic window approach using optimal reciprocal collision avoidance cost-critic |
CN110471441A (zh) * | 2019-08-12 | 2019-11-19 | 南京理工大学 | 一种基于激光探测的四旋翼无人机避障方法 |
-
2020
- 2020-12-09 CN CN202011449595.0A patent/CN112486183B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3076498A1 (en) * | 2017-09-22 | 2019-03-28 | Locus Robotics Corp. | Dynamic window approach using optimal reciprocal collision avoidance cost-critic |
CN110471441A (zh) * | 2019-08-12 | 2019-11-19 | 南京理工大学 | 一种基于激光探测的四旋翼无人机避障方法 |
Non-Patent Citations (5)
Title |
---|
Local Path Planning Algorithm for Blind-guiding Robot Based on Improved DWA Algorithm;LIU Tianyu;《2019 Chinese Control And Decision Conference (CCDC)》;20190912;正文第4.3节 * |
于洋.融合A* 算法和动态窗口法的全局动态路径规划方法.《沈阳理工大学学报》.2020, * |
基于改进动态窗口法的户外清扫机器人局部路径规划;张瑜等;《机器人》;20200526(第05期);第617-625页 * |
改进动态窗口法的阿克曼移动机器人局部路径规划器;徐保来等;《机电工程技术》;20160922(第09期);第21-26页 * |
融合A* 算法和动态窗口法的全局动态路径规划方法;于洋;《沈阳理工大学学报》;20201031;正文第1-4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112486183A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112486183B (zh) | 一种室内移动机器人的路径规划算法 | |
CN110703762B (zh) | 一种复杂环境下水面无人艇混合路径规划方法 | |
Li et al. | Path planning based on combinaion of improved A-STAR algorithm and DWA algorithm | |
CN112731916A (zh) | 融合跳点搜索法和动态窗口法的全局动态路径规划方法 | |
CN112378408A (zh) | 一种实现轮式移动机器人实时避障的路径规划方法 | |
Li et al. | A mobile robot path planning algorithm based on improved A* algorithm and dynamic window approach | |
CN111240319A (zh) | 室外多机器人协同作业系统及其方法 | |
CN106406338A (zh) | 一种基于激光测距仪的全向移动机器人的自主导航装置及其方法 | |
CN113759900B (zh) | 基于障碍区域预测的巡检机器人轨迹规划与实时避障方法及系统 | |
CN115639823B (zh) | 崎岖起伏地形下机器人地形感知与移动控制方法及系统 | |
CN115309161B (zh) | 一种移动机器人路径规划方法、电子设备及存储介质 | |
Gao et al. | Multi-mobile robot autonomous navigation system for intelligent logistics | |
CN114077256A (zh) | 一种水上无人船路径规划方法 | |
CN115857504A (zh) | 基于dwa的机器人在狭窄环境局部路径规划方法、设备和存储介质 | |
Hu et al. | Optimal path planning for mobile manipulator based on manipulability and localizability | |
CN115388892A (zh) | 一种基于改进rbpf-slam算法的多传感器融合slam方法 | |
CN114564008A (zh) | 基于改进A-Star算法的移动机器人路径规划方法 | |
CN117452965A (zh) | 一种变构型无人机穿越狭长通道的轨迹规划方法 | |
CN113296519A (zh) | 一种基于麦克纳姆轮的移动机器人运动规划方法及系统 | |
CN116477505A (zh) | 一种基于深度学习的塔机实时路径规划系统及方法 | |
Omar et al. | 3D path planning for unmanned aerial vehicles using visibility line based method | |
CN114578824B (zh) | 一种适用于空地两用机器人的未知环境自主探索方法 | |
CN116714780A (zh) | 一种旋翼飞行机械臂及空中快速抓取的规划和控制方法 | |
CN116009558A (zh) | 一种结合运动学约束的移动机器人路径规划方法 | |
CN116242348A (zh) | 一种室内移动机器人自动导航系统及其导航方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |