CN112631294B - 一种移动机器人智能路径规划方法 - Google Patents
一种移动机器人智能路径规划方法 Download PDFInfo
- Publication number
- CN112631294B CN112631294B CN202011485421.XA CN202011485421A CN112631294B CN 112631294 B CN112631294 B CN 112631294B CN 202011485421 A CN202011485421 A CN 202011485421A CN 112631294 B CN112631294 B CN 112631294B
- Authority
- CN
- China
- Prior art keywords
- robot
- path
- obstacle
- dynamic
- speed
- 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
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G01C21/20—Instruments for performing navigational calculations
Abstract
本发明公开了一种移动机器人智能路径规划方法,建立静态二维栅格地图,利用改进蚁群算法进行全局路径规划;移动机器人传感器模块检测未知障碍物信息,计算障碍物运动轨迹和机器人运动轨迹,采用优化动态窗口法进行局部动态避障,以机器人当前位置为起始点,全局规划路径上的最临近关键节点为临时目标点动态避障;机器人沿着规划路径行驶并且安全到达目的地。本发明综合考虑了地图环境中的静态障碍物以及动态障碍物的实际问题,改进蚁群算法的启发函数,调整信息素更新规则进行全局路径规划,机器人行驶过程中遇到动态障碍物采用优化的动态窗口法进行避障,完成局部路径规划,机器人在实际地图运行有比较高的实用性和研究价值。
Description
技术领域
本发明涉及机器人路径规划领域,特别涉及一种移动机器人智能路径规划方法。
背景技术
机器人实际运行的地图环境中存在两种类型的障碍,一种是已知静态的障碍,一种是随机出现的未知障碍物。全局路径规划是指在给定的环境障碍条件下,选择一条从起始点到目标点的路径,使机器人可以安全、无碰撞地通过所有的障碍。这种自主地躲避障碍并完成作业任务的方法,是机器人研究和应用中的一个重要内容。
静态障碍物的地图,常见的机器人全局路径规划方法有A*算法、Dijkstra算法、遗传算法、粒子群算法和蚁群算法等。其中A*算法,Dijkstra算法的复杂度较低,计算量相对其他算法都较小,但是在自动化任务要求更高,环境更复杂的情况下难以满足任务需求。仿生智能算法越来越受到关注,特别是蚁群算法,由于该算法自组织,分布式,正反馈等优点广泛应用到机器人路径规划中。
在实际环境中,可能会随机出现未知动态障碍物,针对动态环境目前常见的方法有人工势场法和动态窗口法等,由于人工势场法容易陷入局部最优出现震荡,寻优失败的问题。动态窗口法由于考虑车辆运动模型,同时结合车辆的运动学约束,能够根据障碍物预测轨迹进行建模,提高动态环境下对障碍物的避障能力。因此本文采用优化动态窗口法进行动态避障。
发明内容
为了克服现有技术中的不足,本发明提供一种移动机器人智能路径规划方法,通过改进蚁群算法,启发函数引入目标点,提高算法收敛的速度;在避障路径规划过程中,通过将拐点评价函数作为路径信息素更新影响因素,减少规划路径的拐点数目,提高搜索路径的光滑性,减少了机器人碰撞的风险以及降低机器人行驶的转弯能耗。检测到动态障碍物利用优化动态窗口算法有效的避开障碍物,从而实现移动机器人的智能路径规划。
为了达到上述发明目的,解决其技术问题所采用的技术方案如下:
一种移动机器人智能路径规划方法,包括以下步骤:
步骤1:根据已知静态二维空间建立栅格地图,设置栅格序号,选择起始点S和目标点E;
步骤2:改进蚁群算法进行全局路径规划;
步骤3:移动机器人在全局规划的路径上行驶,移动机器人传感器模块检测未知障碍物,并且获取障碍物大小和速度信息;
步骤4:如果传感器检测未知障碍物距离机器人小于安全距离S1,则机器人立刻刹车并停靠,再根据障碍物运动情况是否重新规划路径;如果动态障碍物远离机器人或者障碍行驶轨迹不与机器人规划路径有交集,则继续行驶;如果动态障碍物靠近机器人或者停靠在全局规划的路径上,则控制器发出预警,机器人回退并且重新规划路径;
步骤5:如果传感器检测未知障碍物距离机器人大于安全距离S1,利用感知到障碍物信息,计算障碍物运动轨迹和机器人运动轨迹,采用优化动态窗口法进行局部动态避障,以机器人当前位置为起始点,全局规划路径上的最临近关键节点为临时目标点动态避障;
步骤6:采用动态窗口法机器人完成避障到达临近关键节点,然后重复步骤3-5,直到机器人沿着规划路径行驶并且安全到达目的地。
进一步的,步骤2蚁群算法转移概率中的启发函数引入目标点E,提高算法收敛速度,转移概率函数加入变异因子,提高解的多样性避免算法陷入局部最优:
将当前节点L到待选节点M的真实代价dij以及待选节点M到目标点(的预估代价dje作为启发函数:
其中,τij表示路径(i,j)信息素浓度,dij是当前节点i到待选节点j的欧氏距离,dje是待选节点M到目标节点(预估的欧氏距离,ηij是启发函数,α为信息素启发因子,表示信息素浓度对转移概率影响;β为期望启发因子,ζ表示路径信息对转移概率的影响;
其中,Pk代表蚂蚁K从当前节点i到待选节点j的转移概率,代表无变异情况下的转移概率公式通过公式(1-1)计算得到,rand代表变异概率,每次转移都会生成一个(0,1)范围内的随机数,Pvar代表变异因子,如果rand小于变异因子则表明发生变异,即当前蚂蚁概率转移发生改变。
进一步的,步骤2中改进蚁群算法信息素更新规则:
信息素更新规则引入拐点评价函数,可以使所寻路径更加平滑,节省机器人行走时间和功耗,机器人行走路径有不同的拐角,拐角大小也代表不同的功耗;
所有的蚂蚁完成一次迭代之后,路径上信息素挥发处理,在t+1时刻路径(i,j)上信息素更新方式如下:
τij(t+1)=(-ρ)*τij(t)+Δτij(t) (1-5)
其中,Q为信息素强度为固定常数,Lk表示蚂蚁k在本轮迭代中所走过的路径总长度,为规划路径拐角的大小,机器人移动过程中左右拐角大小一致都是0°,(0,45°],(45°,90°],(90°,180°],为拐角评价函数,ξ为拐角影响系数。
进一步的,步骤5建立机器人运动轨迹,预测障碍物轨迹,假设机器人不能全向移动,即不能有横向的速度,只有前进的线速度和旋转角速度即(v,ω):
设动态障碍物的运动模型为:
将方程组联立求解,如果方程组无解则表明两个方程没有交集,即当前路径不会存在危险,机器人不会与动态障碍物发生碰撞;若方程组有解则表明两个轨迹有交集(xi,yi,ti)(i=0,1,2…),即在t=ti(i=0,1,2…)时刻机器人将会与动态障碍物发生碰撞,按照当前路径行驶存在危险,需要进行动态避障。
进一步的,步骤5建立机器人速度约束函数:
1)机器人速度限制,机器人最大和最小速度的限制:
Vm={v∈[vmin,vmax],ω∈[ωmin,ωmax]} (1-11)
其中,vmin、vmax分别是最小、最大线速度;ωmin、ωmax分别是最小、最大角速度;
2)加速度限制,机器人的由于电机驱动性能限制,所能达到的最大与最小加速度,在Δt时间内最大,最小线速度和最大,最小角速度共同组合生成一个速度动态窗口:
3)安全距离限制,机器人能够在最大减速的条件下,在撞到障碍物前停下来的速度约束:
其中,dist(v,ω)为速度(v,ω)对应轨迹上离障碍物最近的距离;
满足以上约束条件的速度空间为:
进一步的,步骤5动态窗口法避障,优化评价函数G,对每条速度对应的轨迹进行评价:
其中,heading(v,ω)为方位角评价函数,表示测量机器人在当前设定的采样速度下,达到预测轨迹末端时的朝向和目标之间的角度差距,角度差距越小,heading(v,ω)越大,dist(v,ω)表示轨迹曲率与最近障碍物相交的距离,距离越远dist(v,ω)越大,如果没有障碍物则设置一个较大的常数,velocity(v,ω)为机器人在相应轨迹上速度的大小,quatity(v,ω)为障碍物数量评价函数,表示机器人周围障碍物数量的多少,数量越多函数值越小,α为方向角影响因子,β为距离安全系数,γ为速率影响因子,λ为障碍物数量影响因子。
本发明由于采用以上技术方案,使之与现有技术相比,具有以下的优点和积极效果:
1、本发明基于改进蚁群全局路径规划,针对未知障碍物采取优化的局部动态窗口法避障,提高机器人实时避障能力。
2、本发明综合考虑了地图环境中的静态障碍物以及动态障碍物的实际问题,改进蚁群算法的启发函数,调整信息素更新规则进行全局路径规划,机器人行驶过程中遇到动态障碍物采用优化的动态窗口法进行避障,完成局部路径规划,机器人在实际地图运行有比较高的实用性和研究价值。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见,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。附图中:
图1是本发明一个实例中提供的移动机器人智能路径规划方法的流程图;
图2是静态20*20栅格地图中改进蚁群算法与基本蚁群算法全局路径规划结果对比;
图3是机器人感知障碍物分布示意图;
图4是机器人运动学模型;
图5是机器人运行到某个节点检测到期望路径上有未知动态障碍物时采用局部动态窗口法进行局部避障仿真示意图。
具体实施方式
以下将结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整的描述和讨论,显然,这里所描述的仅仅是本发明的一部分实例,并不是全部的实例,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的前提下所获得的所有其他实施例,都属于本发明的保护范围。
如图1-5所示,本实施例公开了一种移动机器人智能路径规划方法,包括以下步骤:
步骤1:根据已知静态二维空间建立栅格地图,设置栅格序号,选择起始点S和目标点E;
步骤2:改进蚁群算法进行全局路径规划;
步骤3:移动机器人在全局规划的路径上行驶,移动机器人传感器模块检测未知障碍物,并且获取障碍物大小、速度等信息;
步骤4:如果传感器检测未知障碍物距离机器人小于安全距离S1,则机器人立刻刹车并停靠,再根据障碍物运动情况是否重新规划路径;如果动态障碍物远离机器人或者障碍行驶轨迹不与机器人规划路径有交集,则继续行驶;如果动态障碍物靠近机器人或者停靠在全局规划的路径上,则控制器发出预警,机器人回退并且重新规划路径;
步骤5:如果传感器检测未知障碍物距离机器人大于安全距离S1,利用感知到障碍物信息,计算障碍物运动轨迹和机器人运动轨迹,采用优化动态窗口法进行局部动态避障,以机器人当前位置为起始点,全局规划路径上的最临近关键节点为临时目标点动态避障;
步骤6:采用动态窗口法机器人完成避障到达临近关键节点,然后重复步骤3-5,直到机器人沿着规划路径行驶并且安全到达目的地。
进一步的,步骤2蚁群算法转移概率中的启发函数引入目标点E,提高算法收敛速度,转移概率函数加入变异因子,提高解的多样性避免算法陷入局部最优:
将当前节点i到待选节点j的真实代价dij以及待选节点j到目标点E的预估代价dje作为启发函数:
其中,τij表示路径(i,j)信息素浓度,dij是当前节点i到待选节点j的欧氏距离,dje是待选节点j到目标节点E预估的欧氏距离,ηij是启发函数,α为信息素启发因子,表示信息素浓度对转移概率影响;β为期望启发因子,ζ表示路径信息对转移概率的影响;
其中,Pk代表蚂蚁K从当前节点i到待选节点j的转移概率,代表无变异情况下的转移概率公式通过公式(1-1)计算得到,rand代表变异概率,每次转移都会生成一个(0,1)范围内的随机数,Pvar代表变异因子,如果rand小于变异因子则表明发生变异,即当前蚂蚁概率转移发生改变。
进一步的,步骤2中改进蚁群算法信息素更新规则:
信息素更新规则引入拐点评价函数,可以使所寻路径更加平滑,节省机器人行走时间和功耗,机器人行走路径有不同的拐角,拐角大小也代表不同的功耗;
所有的蚂蚁完成一次迭代之后,路径上信息素挥发处理,在t+1时刻路径(i,j)上信息素更新方式如下:
τij(t+1)=(1-ρ)*τij(t)+Δτij(t) (1-5)
其中,Q为信息素强度为固定常数,Lk表示蚂蚁k在本轮迭代中所走过的路径总长度,为规划路径拐角的大小,机器人移动过程中左右拐角大小一致都是0°,(0,45°],(45°,90°],(90°,180°],为拐角评价函数,ξ为拐角影响系数。
进一步的,步骤5建立机器人运动轨迹,预测障碍物轨迹,假设机器人不能全向移动,即不能有横向的速度,只有前进的线速度和旋转角速度即(vω):
设动态障碍物的运动模型为:
将方程组联立求解,如果方程组无解则表明两个方程没有交集,即当前路径不会存在危险,机器人不会与动态障碍物发生碰撞;若方程组有解则表明两个轨迹有交集(xiyi,ti)(i=0,1,2…),即在t=ti(i=0,1,2…)时刻机器人将会与动态障碍物发生碰撞,按照当前路径行驶存在危险,需要进行动态避障。
进一步的,步骤5建立机器人速度约束函数:
1)机器人速度限制,机器人最大和最小速度的限制:
Vm={v∈[vmin,vmax],ω∈[ωmin,ωmax]} (1-11)
其中,vmin、vmax分别是最小、最大线速度;ωmin、ωmax分别是最小、最大角速度;
2)加速度限制,机器人的由于电机驱动性能限制,所能达到的最大与最小加速度,在Δt时间内最大,最小线速度和最大,最小角速度共同组合生成一个速度动态窗口:
3)安全距离限制,机器人能够在最大减速的条件下,在撞到障碍物前停下来的速度约束:
其中,dist(v,ω)为速度(v,ω)对应轨迹上离障碍物最近的距离;
满足以上约束条件的速度空间为:
V=Vm∩Vd∩Vsofe (1-14)。
进一步的,步骤5动态窗口法避障,优化评价函数G,对每条速度对应的轨迹进行评价:
其中,heading(v,ω)为方位角评价函数,表示测量机器人在当前设定的采样速度下,达到预测轨迹末端时的朝向和目标之间的角度差距,角度差距越小,heading(v,ω)越大,dist(v,ω)表示轨迹曲率与最近障碍物相交的距离,距离越远dist(v,ω)越大,如果没有障碍物则设置一个较大的常数,velocity(v,ω)为机器人在相应轨迹上速度的大小,quatity(v,ω)为障碍物数量评价函数,表示机器人周围障碍物数量的多少,数量越多函数值越小,α为方向角影响因子,β为距离安全系数,γ为速率影响因子,λ为障碍物数量影响因子。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种移动机器人智能路径规划方法,其特征在于,包括以下步骤:
步骤1:根据已知静态二维空间建立栅格地图,设置栅格序号,选择起始点S和目标点E;
步骤2:改进蚁群算法进行全局路径规划;
步骤3:移动机器人在全局规划的路径上行驶,移动机器人传感器模块检测未知障碍物,并且获取障碍物大小和速度信息;
步骤4:如果传感器检测未知障碍物距离机器人小于安全距离S1,则机器人立刻刹车并停靠,再根据障碍物运动情况是否重新规划路径;如果动态障碍物远离机器人或者障碍行驶轨迹不与机器人规划路径有交集,则继续行驶;如果动态障碍物靠近机器人或者停靠在全局规划的路径上,则控制器发出预警,机器人回退并且重新规划路径;
步骤5:如果传感器检测未知障碍物距离机器人大于安全距离S1,利用感知到障碍物信息,计算障碍物运动轨迹和机器人运动轨迹,采用优化动态窗口法进行局部动态避障,以机器人当前位置为起始点,全局规划路径上的最临近关键节点为临时目标点动态避障;
步骤5中动态窗口法避障,优化评价函数G,对每条速度对应的轨迹进行评价:
其中,heading(v,ω)为方位角评价函数,表示测量机器人在当前设定的采样速度(v,ω)下,达到预测轨迹末端时的朝向和目标之间的角度差距,角度差距越小,heading(v,ω)越大,dist(v,ω)表示机器人轨迹曲率与最近障碍物相交的距离,距离越远dist(v,ω)越大,如果没有障碍物则设置一个较大的常数,velocity(v,ω)为机器人在相应轨迹上速度的大小,quatity(v,ω)为障碍物数量评价函数,表示机器人周围障碍物数量的多少,数量越多函数值越小,α为方向角影响因子,β为距离安全系数,γ为速率影响因子,λ为障碍物数量影响因子;
步骤6:采用动态窗口法机器人完成避障到达临近关键节点,然后重复步骤3-5,直到机器人沿着规划路径行驶并且安全到达目的地。
2.根据权利要求1所述的一种移动机器人智能路径规划方法,其特征在于,步骤2蚁群算法转移概率中的启发函数ηij引入目标点E,提高算法收敛速度,转移概率函数加入变异因子Pvar,提高解的多样性避免算法陷入局部最优:
将当前节点i到待选节点j的真实代价di j以及待选节点j到目标点E的预估代价dje作为启发函数ηij:
其中,τij表示路径(i,j)信息素浓度,dij是当前节点i到待选节点j的欧氏距离,dje是待选节点j到目标节点E预估的欧氏距离,ηij是启发函数,α为信息素启发因子,表示信息素浓度对转移概率影响;β为期望启发因子,ζ表示路径信息对转移概率的影响;
3.根据权利要求2所述的一种移动机器人智能路径规划方法,其特征在于,步骤2中改进蚁群算法信息素更新规则:
所有的蚂蚁完成一次迭代之后,路径上信息素挥发处理,在t+1时刻路径(i,j)上信息素τij(t+1)更新方式如下:
τij(t+1)=(1-ρ)*τij(t)+Δτij(t) (1-5)
4.根据权利要求1所述的一种移动机器人智能路径规划方法,其特征在于,步骤5建立机器人运动轨迹,预测障碍物轨迹,假设机器人不能全向移动,即不能有横向的速度,只有前进的线速度和旋转角速度即(v,ω),机器人运动方程f(x,y,θ)如下:
设动态障碍物的运动模型为f0(x0,y0):
将方程f(x,y,θ)和f0(x0,y0)联立求解,如果方程组无解则表明两个方程没有交集,即当前路径不会存在危险,机器人不会与动态障碍物发生碰撞;若方程组有解则表明机器人和动态障碍物轨迹有交集(xi,yi,ti)(i=0,1,2…),即在t=ti(i=0,1,2…)时刻机器人将会与动态障碍物发生碰撞,按照当前路径行驶存在危险,需要进行动态避障。
5.根据权利要求1所述的一种移动机器人智能路径规划方法,其特征在于,步骤5建立机器人速度约束函数:
1)机器人速度限制,机器人最大和最小速度的限制:
Vm={v∈[vmin,vmax],ω∈[ωmin,ωmax]} (1-11)
其中,vm i n、vmax分别是最小、最大线速度;ωmin、ωmax分别是最小、最大角速度;
2)加速度限制,机器人的由于电机驱动性能限制,所能达到的最大与最小加速度,在Δt时间内最大,最小线速度和最大,最小角速度共同组合生成一个速度动态窗口Vd:
3)安全距离限制,机器人能够在最大减速的条件下,在撞到障碍物前停下来的速度约束Vsafe:
其中,dist(v,ω)为机器人速度(v,ω)对应轨迹上离障碍物最近的距离;
满足以上约束条件的机器人速度空间为V:
V=Vm∩Vd∩Vsafe (1-14)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485421.XA CN112631294B (zh) | 2020-12-16 | 2020-12-16 | 一种移动机器人智能路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011485421.XA CN112631294B (zh) | 2020-12-16 | 2020-12-16 | 一种移动机器人智能路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112631294A CN112631294A (zh) | 2021-04-09 |
CN112631294B true CN112631294B (zh) | 2022-06-28 |
Family
ID=75313668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011485421.XA Active CN112631294B (zh) | 2020-12-16 | 2020-12-16 | 一种移动机器人智能路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112631294B (zh) |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156886A (zh) * | 2021-04-30 | 2021-07-23 | 南京理工大学 | 一种智能物流路径规划方法及系统 |
CN113359705A (zh) * | 2021-05-17 | 2021-09-07 | 浙江华消科技有限公司 | 一种路径规划方法、编队协同作业方法及其设备 |
CN113359714B (zh) * | 2021-05-25 | 2022-07-08 | 国网江苏省电力有限公司电力科学研究院 | 基于粒子滤波算法的巡检机器人动态路径规划方法及装置 |
CN113359718B (zh) * | 2021-05-26 | 2022-11-22 | 西安理工大学 | 移动机器人全局路径规划与局部路径规划融合方法及设备 |
CN113341991B (zh) * | 2021-06-18 | 2022-08-09 | 重庆大学 | 一种基于动态窗口和冗余节点过滤的路径优化方法 |
CN113320543B (zh) * | 2021-06-29 | 2024-03-22 | 东软睿驰汽车技术(沈阳)有限公司 | 行车方法、装置、车辆及存储介质 |
CN113359757B (zh) * | 2021-06-30 | 2022-07-01 | 湖北汽车工业学院 | 一种无人驾驶车辆路径规划与轨迹跟踪方法 |
CN113608531B (zh) * | 2021-07-26 | 2023-09-12 | 福州大学 | 基于安全a*引导点的无人车实时全局路径规划方法 |
CN113780072B (zh) * | 2021-08-02 | 2023-11-28 | 五邑大学 | 摔倒检测方法、系统和计算机可读存储介质 |
CN113619815B (zh) * | 2021-08-04 | 2022-07-12 | 西北工业大学 | 一种航天器集群动态路径规划方法 |
CN113515131B (zh) * | 2021-08-27 | 2022-12-27 | 苏州大学 | 基于条件变分自动编码器的移动机器人避障方法及系统 |
CN113721615B (zh) * | 2021-08-27 | 2023-08-15 | 广州大学 | 一种基于机器视觉的海航路径规划方法及系统 |
CN113741448A (zh) * | 2021-08-30 | 2021-12-03 | 苏州同元软控信息技术有限公司 | 火星车的全自动控制方法及装置 |
CN113938924A (zh) * | 2021-09-30 | 2022-01-14 | 中国联合网络通信集团有限公司 | 一种网络测量方法及装置 |
CN114035569B (zh) * | 2021-11-09 | 2023-06-27 | 中国民航大学 | 一种航站楼载人机器人路径拓展通行方法 |
CN114199266A (zh) * | 2021-11-25 | 2022-03-18 | 江苏集萃智能制造技术研究所有限公司 | 一种基于导诊服务机器人的目标被占用的路径规划方法 |
CN114237256B (zh) * | 2021-12-20 | 2023-07-04 | 东北大学 | 一种适用于欠驱动机器人的三维路径规划与导航方法 |
CN114296455B (zh) * | 2021-12-27 | 2023-11-10 | 东南大学 | 一种基于行人预测的移动机器人避障方法 |
CN114397896B (zh) * | 2022-01-10 | 2023-07-14 | 贵州大学 | 一种改进粒子群算法的动态路径规划方法 |
CN114527746A (zh) * | 2022-01-12 | 2022-05-24 | 燕山大学 | 一种智能汽车路径规划及避障跟踪方法 |
CN114740849B (zh) * | 2022-04-07 | 2023-07-04 | 哈尔滨工业大学(深圳) | 基于行人步行决策规则的移动机器人自主导航方法及装置 |
CN114863714B (zh) * | 2022-04-18 | 2023-04-21 | 桂林电子科技大学 | 一种地下停车位智能引导系统及停车后反向寻车方法 |
CN114543815B (zh) * | 2022-04-25 | 2022-07-19 | 汕头大学 | 基于基因调控网络的多智能体导航控制方法、设备及介质 |
CN114967680B (zh) * | 2022-05-06 | 2024-04-12 | 安徽理工大学 | 基于蚁群算法和卷积神经网络的移动机器人路径规划方法 |
CN114625150B (zh) * | 2022-05-17 | 2022-08-19 | 南京汇与信息科技有限公司 | 基于危险系数和距离函数的快速蚁群无人艇动态避障方法 |
CN114690728A (zh) * | 2022-05-18 | 2022-07-01 | 山东大学 | 一种用于物料快速运输的双向可调agv路径规划方法 |
CN114895691B (zh) * | 2022-07-13 | 2022-12-02 | 深之蓝(天津)水下智能科技有限公司 | 泳池清洁机器人的路径规划方法和装置 |
CN115167459B (zh) * | 2022-08-05 | 2024-05-07 | 江苏海洋大学 | 一种融合空洞修复和信息采集的水下机器人路径规划方法 |
CN115357031B (zh) * | 2022-10-19 | 2023-01-03 | 武汉理工大学 | 一种基于改进蚁群算法的船舶路径规划方法及系统 |
CN115560774B (zh) * | 2022-10-24 | 2023-11-17 | 重庆邮电大学 | 一种面向动态环境的移动机器人路径规划方法 |
CN115877853B (zh) * | 2023-03-03 | 2023-05-02 | 天津牛磨王科技有限公司 | 一种智慧仓储物流路径规划系统及方法 |
CN116125995B (zh) * | 2023-04-04 | 2023-07-28 | 华东交通大学 | 一种高铁巡检机器人的路径规划方法及系统 |
CN116880513B (zh) * | 2023-09-06 | 2023-11-17 | 广州慧洋信息科技有限公司 | 基于数据分析的水下机器人运行监控管理系统 |
CN117435998B (zh) * | 2023-12-21 | 2024-03-08 | 天津博优智能科技有限公司 | 一种智能机器人的故障检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083167A (zh) * | 2019-06-05 | 2019-08-02 | 浙江大华技术股份有限公司 | 一种移动机器人的路径跟踪方法及装置 |
CN110703762A (zh) * | 2019-11-04 | 2020-01-17 | 东南大学 | 一种复杂环境下水面无人艇混合路径规划方法 |
CN111665847A (zh) * | 2020-06-24 | 2020-09-15 | 上海应用技术大学 | 一种基于模糊逻辑的动态窗口避障算法 |
CN111694364A (zh) * | 2020-06-30 | 2020-09-22 | 山东交通学院 | 一种应用于智能车路径规划的基于改进蚁群算法与动态窗口法的混合算法 |
-
2020
- 2020-12-16 CN CN202011485421.XA patent/CN112631294B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083167A (zh) * | 2019-06-05 | 2019-08-02 | 浙江大华技术股份有限公司 | 一种移动机器人的路径跟踪方法及装置 |
CN110703762A (zh) * | 2019-11-04 | 2020-01-17 | 东南大学 | 一种复杂环境下水面无人艇混合路径规划方法 |
CN111665847A (zh) * | 2020-06-24 | 2020-09-15 | 上海应用技术大学 | 一种基于模糊逻辑的动态窗口避障算法 |
CN111694364A (zh) * | 2020-06-30 | 2020-09-22 | 山东交通学院 | 一种应用于智能车路径规划的基于改进蚁群算法与动态窗口法的混合算法 |
Non-Patent Citations (3)
Title |
---|
Improved Dynamic Window Approach for Dynamic Obstacle Avoidance of Quadruped Robots;Chen zhiming,et al.;《IECON 2020 The 46th Annual Conference of the IEEE Industrial Electronics Society》;20200918;全文 * |
Local Path Planning Algorithm for Blind-guiding Robot Based on Improved DWA Algorithm;LIU Tianyu,et al.;《2019 Chinese Control And Decision Conference (CCDC)》;20190912;全文 * |
改进蚁群算法在机器人路径规划上的研究;马向华,张谦;《计算机工程与应用》;20201028;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112631294A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112631294B (zh) | 一种移动机器人智能路径规划方法 | |
Faust et al. | Prm-rl: Long-range robotic navigation tasks by combining reinforcement learning and sampling-based planning | |
Chai et al. | Design and experimental validation of deep reinforcement learning-based fast trajectory planning and control for mobile robot in unknown environment | |
Chen et al. | Mobile robot path planning using ant colony algorithm and improved potential field method | |
Wei et al. | A point-based MDP for robust single-lane autonomous driving behavior under uncertainties | |
CN105629974A (zh) | 一种基于改进型人工势场法的机器人路径规划方法及系统 | |
Dong et al. | A hybrid approach of virtual force and A∗ search algorithm for UAV path re-planning | |
CN106919181A (zh) | 一种无人机避障方法 | |
CN112810630A (zh) | 一种自动驾驶车辆轨迹规划方法及系统 | |
Luo et al. | Reliable path planning algorithm based on improved artificial potential field method | |
Bartashevich et al. | Energy-saving decision making for aerial swarms: PSO-based navigation in vector fields | |
CN115933648A (zh) | 一种机器人动态避障方法及系统 | |
Chen et al. | Obstacle avoidance strategy for quadrotor UAV based on improved particle swarm optimization algorithm | |
CN114442628B (zh) | 基于人工势场法的移动机器人路径规划方法、装置及系统 | |
Karahan et al. | Path planning and collision avoidance with artificial intelligence for a quadrotor UAV | |
Zhenyang et al. | Mobile robot path planning based on fusion of improved A* algorithm and adaptive DWA algorithm | |
CN111121804A (zh) | 一种具有安全性约束的智能车辆路径规划方法及系统 | |
CN115586774A (zh) | 基于改进动态窗口法的移动机器人避障方法 | |
CN115454083A (zh) | 基于快速扩展随机树与动态窗口法的双层路径规划方法 | |
Zhang et al. | 2D map building and path planning based on LiDAR | |
Ma et al. | Receding Horizon Control with Extended Solution for UAV Path Planning | |
He et al. | Intelligent navigation of indoor robot based on improved DDPG algorithm | |
Wang et al. | Collision detection and avoidance for multi-UAV based on deep reinforcement learning | |
Cheng et al. | Real-time Map Construction and Emergency Obstacle Avoidance Algorithm for Mobile Robot | |
Shi et al. | Path planning for deep sea mining robot based on ACO-PSO hybrid algorithm |
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 |