CN112731916A - 融合跳点搜索法和动态窗口法的全局动态路径规划方法 - Google Patents
融合跳点搜索法和动态窗口法的全局动态路径规划方法 Download PDFInfo
- Publication number
- CN112731916A CN112731916A CN202011139688.3A CN202011139688A CN112731916A CN 112731916 A CN112731916 A CN 112731916A CN 202011139688 A CN202011139688 A CN 202011139688A CN 112731916 A CN112731916 A CN 112731916A
- Authority
- CN
- China
- Prior art keywords
- point
- robot
- node
- list
- current
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 230000009191 jumping Effects 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 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
- G05D1/0223—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
- G05D1/0212—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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
本发明涉及一种融合跳点搜索法和动态窗口法的全局路径规划方法,包括以下步骤:步骤S1:初始化起点,并建立机器人的运动模型;步骤S2:根据外部环境,在速度空间中采样多组速度并预设约束;步骤S3:基于运动模型以及采样到的速度模拟出一系列轨迹;步骤S4:搜索最优路径点;步骤S5:构建全局最优的评价函数,并基于该评价函数对模拟的轨迹进行评价,选择出一条全局最优的轨迹;步骤S5:将得到的最优轨迹的相关参数信息发送给机器人,使之沿着最优路径移动;步骤S6:判断是否到达目标点,如果是,则路径规划成功,得到最优路径,如果否,则返回至步骤S2,重复步骤S2‑S6直至到达目标点。本发明能够保证搜索到的路径具有平滑性和实时避障能力。
Description
技术领域
本发明涉及路径规划领域,具体涉及一种融合跳点搜索法和动态窗口法的全局路径规划方法。
背景技术
路径规划是自主移动机器人领域的关键技术之一,针对这一技术目前已经开展了大量的研究工作。自主移动机器人的路径规划可以分为静态路径规划和动态路径规划。其中A*算法、Dijkstra算法等目前主要应用于已知的静态场景中,而人工势场法、D*算法、动态窗口法等则大多应用于环境未知动态场景中。同时,随着近几年人工智能的迅速发展,蚁群算法、遗传算法、神经网络算法等智能算法也开始广泛的应用于移动机器人的路径规划中。
发明内容
有鉴于此,本发明的目的在于提供一种融合跳点搜索法和动态窗口法的全局路径规划方法,
为实现上述目的,本发明采用如下技术方案:
一种融合跳点搜索法和动态窗口法的全局路径规划方法,包括以下步骤:
步骤S1:初始化起点,根据机器人的线速度、角速度的变化,计算并建立机器人的运动模型;
步骤S2:根据机器人自身及所处的外部环境,在速度空间中采样多组速度(vt,ωt)并预设约束;
步骤S3:基于运动模型以及采样到的速度模拟出一系列轨迹;
步骤S4:基于跳点搜索法搜索全局最优路径点;
步骤S5:基于全局最优路径点与动态窗口法评价函数构建全局最优的评价函数,并基于该评价函数对模拟的轨迹进行评价,选择出一条全局最优的轨迹;
步骤S6:将得到的最优轨迹的相关参数信息发送给机器人,使之沿着最优路径移动;
步骤S7:判断是否到达目标点,如果是,则路径规划成功,得到最优路径,如果否,则返回至步骤S2,重复步骤S2-S6直至到达目标点。
进一步的,所述机器人的运动模型具体为:
xt+1=xt+vxtΔtcosθt-vytΔtsinθt
yt+1=yt+vxtΔtsinθt+vytΔtcosθt
θt+1=θt+ωΔt
其中,xt、yt和θt为机器人在t时刻所处的坐标位置与方位角,机器人在t+1时刻所处的坐标位置与方位角则用xt+1、yt+1和θt+1来表示,vxt和vyt分别为t时刻机器人横向与纵向的速度分量,ω为机器人在t时刻的旋转角速度。
进一步的,所述预设约束包括:
机器人受到自身物理结构的约束所能达到的最大最小速度:
Vm={(v,ω)|v∈[vmin,vmax],ω∈[ωmin,ωmax]}
其中,Vmax和Vmin为机器人所能达到的最大、最小的线速度,ωmax和ωmin为机器人所能达到的最大、最小角速度。
由于电机自身存在的物理约束,机器人在模拟运动过程中存在最大加速度下的实际所能达到的最大、最小速度:
Vd={(v,ω)|v∈[vc-v'·t,vc+v'·t]∧ω∈[ωc-ω'·t,ωc+ω'·t]}
其中,t为在加速度v'和角加速度ω'作用下所用的时间,vc、ωc表示机器人当前的速度和角速度;
在最大减速度条件下,让机器人在碰到障碍物之前速度减为0,则:
其中,dist(v,ω)表示速度矢量(v,ω)对应轨迹离最近障碍物的距离。
进一步的,所述步骤S4具体为:
步骤1:定义从起始点到达当前点的代价估计函数G(m)和从当前点到达终点的代价估计函数H(m);
步骤2:根据得到的G(m)和H(m),构建启发式函数 F(m)=G(m)+H(m);
步骤3:分别创建一个开启列表和关闭列表并进行初始化,并将起始点作为跳点添加到开启列表中,开启列表用来存放搜索到的跳点,关闭列表用来存放开启列表中F值最小的节点;
步骤4:检查开启列表是否为空列表,如果是,则算法结束,如果否,则继续执行步骤5;
步骤5:计算开启列表中的各节点的F值,选择F值最小的节点,将其从开启列表中删除,并放入关闭列表中,并将该节点更新为父节点;
步骤6:检查当前放入关闭列表中的节点是否为终点,如果是,则得到由一系列最优跳点形成的全局最优路径点,如果否,则继续执行步骤7;
步骤7:根据父节点的方向沿着水平和竖直方向搜索跳点;
步骤8:判断当前搜索的节点是否到达地图边界或遇到障碍物,如果是,则继续执行步骤9,如果否,则继续跳转至步骤10;
步骤9:根据父节点方向沿着对角线方向搜索跳点;
步骤10:判断当前搜索的节点是否为跳点,如果是,则执行步骤 11,如果否,则忽略该节点,返回到步骤7,重新执步骤7至步骤11;
步骤11:将搜索到的跳点添加到开启列表中,返回至步骤5,循环5至11,直至步骤6中,当前放入关闭列表的节点为终点,则得到全局最优路径点。
进一步的,所述步骤1具体为:
步骤111:采用欧氏距离定义从起始点到达当前点的代价估计函数G(m):
G(m)=((Mx-Sx)2+(My-Sy)2)1/2
其中,Mx,My为当前点的横、纵坐标,Sx,Sy为起始点的横、纵坐标;
步骤112:综合曼哈顿距离和欧氏距离,定义从当前点到达终点的代价估计函数H(m):
其中,Dx(m)=|Ex-Mx|,Dy(m)=|Ey-My|,Mx,My为当前点的横、纵坐标,Ex,Ey为终点的横、纵坐标。
进一步的,所述评价函数具体为:
G(v,ω)=σ(α·PHeading(v,ω)+β·dist(v,ω)+γ·vel(v,ω))
其中,PHeading(v,ω)为当前模拟轨迹方向与当前目标点之间的方位角偏差,当前目标点为机器人在当前运动轨迹上与当前点距离最近的跳点,dist(v,ω)为当前模拟轨迹上与最近障碍物之间的距离,vel(v,ω)为机器人在相应轨迹上的速度大小,α、β、γ为这三者的权重系数,σ是平滑函数。
本发明与现有技术相比具有以下有益效果:
本发明能够保证搜索到的路径具有平滑性和实时避障能力,还在确保全局最优的基础上提高了寻路效率。
附图说明
图1是本发明跳点搜索法流程图。
图2是本发明方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种融合跳点搜索法和动态窗口法的全局路径规划方法,包括以下步骤:
步骤S1:初始化起点,根据机器人的线速度、角速度的变化,计算并建立机器人的运动模型:
xt+1=xt+vxtΔtcosθt-vytΔtsinθt
yt+1=yt+vxtΔtsinθt+vytΔtcosθt
θt+1=θt+ωΔt
其中,xt、yt和θt为机器人在t时刻所处的坐标位置与方位角,机器人在t+1时刻所处的坐标位置与方位角则用xt+1、yt+1和θt+1来表示,vxt和vyt分别为t时刻机器人横向与纵向的速度分量,ω为机器人在t时刻的旋转角速度。
步骤S2:根据机器人自身及所处的外部环境,在速度空间中采样多组速度(vt,ωt)并预设约束;
步骤S3:基于运动模型以及采样到的速度模拟出一系列轨迹;
步骤S4:基于跳点搜索法搜索全局最优路径点;
步骤S5:基于全局最优路径点与动态窗口法评价函数构建全局最优的评价函数,并基于该评价函数对模拟的轨迹进行评价,选择出一条全局最优的轨迹;
步骤S6:将得到的最优轨迹的相关参数信息发送给机器人,使之沿着最优路径移动;
步骤S7:判断是否到达目标点,如果是,则路径规划成功,得到最优路径,如果否,则返回至步骤S2,重复步骤S2-6直至到达目标点。
在本实施例中,优选的,所述预设约束包括:
机器人受到自身物理结构的约束所能达到的最大最小速度:
Vm={(v,ω)|v∈[vmin,vmax],ω∈[ωmin,ωmax]}
其中,Vmax和Vmin为机器人所能达到的最大、最小的线速度,ωmax和ωmin为机器人所能达到的最大、最小角速度。
由于电机自身存在的物理约束,机器人在模拟运动过程中存在最大加速度下的实际所能达到的最大、最小速度:
Vd={(v,ω)|v∈[vc-v'·t,vc+v'·t]∧ω∈[ωc-ω'·t,ωc+ω'·t]}
其中,t为在加速度v'和角加速度ω'作用下所用的时间,vc、ωc表示机器人当前的速度和角速度;
在最大减速度条件下,让机器人在碰到障碍物之前速度减为0,则:
其中,dist(v,ω)表示速度矢量(v,ω)对应轨迹离最近障碍物的距离。
在本实施例中,所述步骤S4具体为:
步骤1:采用欧氏距离定义从起始点到达当前点的代价估计函数 G(m):
G(m)=((Mx-Sx)2+(My-Sy)2)1/2
其中,Mx,My为当前点的横、纵坐标,Sx,Sy为起始点的横、纵坐标;
综合曼哈顿距离和欧氏距离,定义从当前点到达终点的代价估计函数H(m):
其中,Dx(m)=|Ex-Mx|,Dy(m)=|Ey-My|,Mx,My为当前点的横、纵坐标,Ex,Ey为终点的横、纵坐标。
步骤2:根据得到的G(m)和H(m),构建启发式函数 F(m)=G(m)+H(m);
步骤3:分别创建一个开启列表和关闭列表并进行初始化,并将起始点作为跳点添加到开启列表中,开启列表用来存放搜索到的跳点,关闭列表用来存放开启列表中F值最小的节点;
步骤4:检查开启列表是否为空列表,如果是,则算法结束,如果否,则继续执行步骤5;
步骤5:检查开启列表是否为空列表,如果是,则算法结束,如果否,则继续执行步骤4,计算开启列表中的各节点的F值,选择F值最小的节点,将其从开启列表中删除,并放入关闭列表中,并将该节点更新为父节点;
步骤6:检查当前放入关闭列表中的节点是否为终点,如果是,则得到由一系列最优跳点形成的全局最优路径点,如果否,则继续执行步骤7;
步骤7:根据父节点的方向沿着水平和竖直方向搜索跳点;
步骤8:判断当前搜索的节点是否到达地图边界或遇到障碍物,如果是,则继续执行步骤9,如果否,则继续跳转至步骤10;
步骤9:根据父节点方向沿着对角线方向搜索跳点;
步骤10:判断当前搜索的节点是否为跳点,如果是,则执行步骤 11,如果否,则忽略该节点,返回到步骤7,重新执步骤7至步骤11;
步骤11:将搜索到的跳点添加到开启列表中,返回至步骤5,循环5至11,直至步骤6中,当前放入关闭列表的节点为终点,则得到全局最优路径点。
优选的,在本实施例中,所述评价函数具体为:
G(v,ω)=σ(α·PHeading(v,ω)+β·dist(v,ω)+γ·vel(v,ω))
其中,PHeading(v,ω)为当前模拟轨迹方向与当前目标点之间的方位角偏差,当前目标点为机器人在当前运动轨迹上与当前点距离最近的跳点,dist(v,ω)为当前模拟轨迹上与最近障碍物之间的距离, vel(v,ω)为机器人在相应轨迹上的速度大小,α、β、γ为这三者的权重系数,σ是平滑函数。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (6)
1.一种融合跳点搜索法和动态窗口法的全局路径规划方法,其特征在于,包括以下步骤:
步骤S1:初始化起点,根据机器人的线速度、角速度的变化,计算并建立机器人的运动模型;
步骤S2:根据机器人自身及所处的外部环境,在速度空间中采样多组速度(vt,ωt)并预设约束;
步骤S3:基于运动模型以及采样到的速度模拟出一系列轨迹;
步骤S4:基于跳点搜索法搜索全局最优路径点;
步骤S5:基于全局最优路径点与动态窗口法评价函数构建全局最优的评价函数,并基于该评价函数对模拟的轨迹进行评价,选择出一条全局最优的轨迹;
步骤S6:将得到的最优轨迹的相关参数信息发送给机器人,使之沿着最优路径移动;
步骤S7:判断是否到达目标点,如果是,则路径规划成功,得到最优路径,如果否,则返回至步骤S2,重复步骤S2-S6直至到达目标点。
2.根据权利要求1所述的一种融合跳点搜索法和动态窗口法的全局路径规划方法,其特征在于,所述机器人的运动模型具体为:
xt+1=xt+vxtΔt cosθt-vytΔt sinθt
yt+1=yt+vxtΔt sinθt+vytΔt cosθt
θt+1=θt+ωΔt
其中,xt、yt和θt为机器人在t时刻所处的坐标位置与方位角,机器人在t+1时刻所处的坐标位置与方位角则用xt+1、yt+1和θt+1来表示,vxt和vyt分别为t时刻机器人横向与纵向的速度分量,ω为机器人在t时刻的旋转角速度。
3.根据权利要求1所述的一种融合跳点搜索法和动态窗口法的全局路径规划方法,其特征在于,所述预设约束包括:
机器人受到自身物理结构的约束所能达到的最大最小速度:
Vm={(v,ω)|v∈[vmin,vmax],ω∈[ωmin,ωmax]}
其中,Vmax和Vmin为机器人所能达到的最大、最小的线速度,ωmax和ωmin为机器人所能达到的最大、最小角速度。
由于电机自身存在的物理约束,机器人在模拟运动过程中存在最大加速度下的实际所能达到的最大、最小速度:
Vd={(v,ω)|v∈[vc-v'·t,vc+v'·t]∧ω∈[ωc-ω'·t,ωc+ω'·t]}
其中,t为在加速度v'和角加速度ω'作用下所用的时间,vc、ωc表示机器人当前的速度和角速度;
在最大减速度条件下,让机器人在碰到障碍物之前速度减为0,则:
其中,dist(v,ω)表示速度矢量(v,ω)对应轨迹离最近障碍物的距离。
4.根据权利要求1所述的一种融合跳点搜索法的改进A*算法和动态窗口法的全局路径规划方法,其特征在于,所述步骤S4具体为:
步骤1:定义从起始点到达当前点的代价估计函数G(m)和从当前点到达终点的代价估计函数H(m);
步骤2:根据得到的G(m)和H(m),构建启发式函数F(m)=G(m)+H(m);
步骤3:分别创建一个开启列表和关闭列表并进行初始化,并将起始点作为跳点添加到开启列表中,开启列表用来存放搜索到的跳点,关闭列表用来存放开启列表中F值最小的节点;
步骤4:检查开启列表是否为空列表,如果是,则算法结束,如果否,则继续执行步骤5;
步骤5:计算开启列表中的各节点的F值,选择F值最小的节点,将其从开启列表中删除,并放入关闭列表中,并将该节点更新为父节点;
步骤6:检查当前放入关闭列表中的节点是否为终点,如果是,则得到由一系列最优跳点形成的全局最优路径点,如果否,则继续执行步骤7;
步骤7:根据父节点的方向沿着水平和竖直方向搜索跳点;
步骤8:判断当前搜索的节点是否到达地图边界或遇到障碍物,如果是,则继续执行步骤9,如果否,则继续跳转至步骤10;
步骤9:根据父节点方向沿着对角线方向搜索跳点;
步骤10:判断当前搜索的节点是否为跳点,如果是,则执行步骤11,如果否,则忽略该节点,返回到步骤7,重新执步骤7至步骤11;
步骤11:将搜索到的跳点添加到开启列表中,返回至步骤5,循环5至11,直至步骤6中,当前放入关闭列表的节点为终点,则得到全局最优路径点。
6.根据权利要求1所述的一种融合跳点搜索法和动态窗口法的全局路径规划方法,其特征在于,所述评价函数具体为:
G(v,ω)=σ(α·PHeading(v,ω)+β·dist(v,ω)+γ·vel(v,ω))
其中,PHeading(v,ω)为当前模拟轨迹方向与当前目标点之间的方位角偏差,当前目标点为机器人在当前运动轨迹上与当前点距离最近的跳点,dist(v,ω)为当前模拟轨迹上与最近障碍物之间的距离,vel(v,ω)为机器人在相应轨迹上的速度大小,α、β、γ为这三者的权重系数,σ是平滑函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011139688.3A CN112731916A (zh) | 2020-10-22 | 2020-10-22 | 融合跳点搜索法和动态窗口法的全局动态路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011139688.3A CN112731916A (zh) | 2020-10-22 | 2020-10-22 | 融合跳点搜索法和动态窗口法的全局动态路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112731916A true CN112731916A (zh) | 2021-04-30 |
Family
ID=75597298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011139688.3A Pending CN112731916A (zh) | 2020-10-22 | 2020-10-22 | 融合跳点搜索法和动态窗口法的全局动态路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731916A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113296519A (zh) * | 2021-05-26 | 2021-08-24 | 上海大学 | 一种基于麦克纳姆轮的移动机器人运动规划方法及系统 |
CN113359715A (zh) * | 2021-05-26 | 2021-09-07 | 上海大学 | 基于麦克纳姆轮的移动机器人局部轨迹规划方法及系统 |
CN113515129A (zh) * | 2021-08-23 | 2021-10-19 | 哈尔滨理工大学 | 一种基于边界查找的双向跳点搜索无人车路径规划方法 |
CN113625703A (zh) * | 2021-06-30 | 2021-11-09 | 苏州艾吉威机器人有限公司 | 一种动态路径跟踪方法 |
CN113867336A (zh) * | 2021-09-09 | 2021-12-31 | 山东山速机器人科技有限公司 | 一种适用于复杂场景下移动机器人路径导航及规划方法 |
CN114089774A (zh) * | 2022-01-14 | 2022-02-25 | 中国科学院微电子研究所 | 一种仓储环境下agv路径规划方法和装置 |
CN114779772A (zh) * | 2022-04-13 | 2022-07-22 | 泉州装备制造研究所 | 一种融合全局及局部算法的路径规划方法及装置 |
CN115016510A (zh) * | 2022-08-08 | 2022-09-06 | 武汉工程大学 | 一种机器人导航避障方法、装置以及存储介质 |
CN115826586A (zh) * | 2023-02-14 | 2023-03-21 | 泉州装备制造研究所 | 一种融合全局算法和局部算法的路径规划方法及系统 |
CN116922398A (zh) * | 2023-09-15 | 2023-10-24 | 华侨大学 | 一种绳索机器人及其路径规划方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105955280A (zh) * | 2016-07-19 | 2016-09-21 | Tcl集团股份有限公司 | 移动机器人路径规划和避障方法及系统 |
-
2020
- 2020-10-22 CN CN202011139688.3A patent/CN112731916A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105955280A (zh) * | 2016-07-19 | 2016-09-21 | Tcl集团股份有限公司 | 移动机器人路径规划和避障方法及系统 |
Non-Patent Citations (6)
Title |
---|
ZEYA ZHU等: "Global Dynamic Path Planning Based on Fusion of A* Algorithm and Dynamic Window Approach", 《2019 CHINESE AUTOMATION CONGRESS (CAC)》 * |
张凡等: "基于改进JPS算法的电站巡检机器人路径规划", 《电子测量技术》 * |
王吉祥: "基于AGV系统的路径规划技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
程传奇等: "融合改进A~*算法和动态窗口法的全局动态路径规划", 《西安交通大学学报》 * |
陶凯: "基于双目视觉室内环境的机器人导航和避障算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
马小陆等: "双向跳点搜索算法的移动机器人全局路径规划研究", 《机械科学与技术》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359715A (zh) * | 2021-05-26 | 2021-09-07 | 上海大学 | 基于麦克纳姆轮的移动机器人局部轨迹规划方法及系统 |
CN113296519A (zh) * | 2021-05-26 | 2021-08-24 | 上海大学 | 一种基于麦克纳姆轮的移动机器人运动规划方法及系统 |
CN113625703A (zh) * | 2021-06-30 | 2021-11-09 | 苏州艾吉威机器人有限公司 | 一种动态路径跟踪方法 |
CN113625703B (zh) * | 2021-06-30 | 2024-04-30 | 苏州艾吉威机器人有限公司 | 一种动态路径跟踪方法 |
CN113515129A (zh) * | 2021-08-23 | 2021-10-19 | 哈尔滨理工大学 | 一种基于边界查找的双向跳点搜索无人车路径规划方法 |
CN113515129B (zh) * | 2021-08-23 | 2022-02-11 | 哈尔滨理工大学 | 一种基于边界查找的双向跳点搜索无人车路径规划方法 |
CN113867336B (zh) * | 2021-09-09 | 2024-04-19 | 山东山速机器人科技有限公司 | 一种适用于复杂场景下移动机器人路径导航及规划方法 |
CN113867336A (zh) * | 2021-09-09 | 2021-12-31 | 山东山速机器人科技有限公司 | 一种适用于复杂场景下移动机器人路径导航及规划方法 |
CN114089774A (zh) * | 2022-01-14 | 2022-02-25 | 中国科学院微电子研究所 | 一种仓储环境下agv路径规划方法和装置 |
CN114089774B (zh) * | 2022-01-14 | 2022-04-12 | 中国科学院微电子研究所 | 一种仓储环境下agv路径规划方法和装置 |
CN114779772A (zh) * | 2022-04-13 | 2022-07-22 | 泉州装备制造研究所 | 一种融合全局及局部算法的路径规划方法及装置 |
CN114779772B (zh) * | 2022-04-13 | 2023-08-08 | 泉州装备制造研究所 | 一种融合全局及局部算法的路径规划方法及装置 |
CN115016510A (zh) * | 2022-08-08 | 2022-09-06 | 武汉工程大学 | 一种机器人导航避障方法、装置以及存储介质 |
CN115826586A (zh) * | 2023-02-14 | 2023-03-21 | 泉州装备制造研究所 | 一种融合全局算法和局部算法的路径规划方法及系统 |
CN116922398A (zh) * | 2023-09-15 | 2023-10-24 | 华侨大学 | 一种绳索机器人及其路径规划方法和装置 |
CN116922398B (zh) * | 2023-09-15 | 2023-12-22 | 华侨大学 | 一种绳索机器人及其路径规划方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN112631294A (zh) | 一种移动机器人智能路径规划方法 | |
CN112577491A (zh) | 一种基于改进人工势场法的机器人路径规划方法 | |
CN110703762A (zh) | 一种复杂环境下水面无人艇混合路径规划方法 | |
CN112486183B (zh) | 一种室内移动机器人的路径规划算法 | |
CN113359718B (zh) | 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 | |
CN110146087B (zh) | 一种基于动态规划思想的船舶路径规划方法 | |
CN112965471B (zh) | 一种考虑角速度约束和改进斥力场的人工势场路径规划方法 | |
CN113296523A (zh) | 一种移动机器人避障路径规划方法 | |
CN111857142B (zh) | 一种基于强化学习的路径规划避障辅助方法 | |
CN111578926A (zh) | 一种基于自动驾驶平台的地图生成与导航避障的方法 | |
CN115047878A (zh) | 一种基于dm-dqn的移动机器人路径规划方法 | |
CN113391633A (zh) | 一种面向城市环境的移动机器人融合路径规划方法 | |
CN115016482A (zh) | 一种改进室内移动机器人全局和局部路径协调优化方法 | |
Hu et al. | Optimal path planning for mobile manipulator based on manipulability and localizability | |
CN114879660A (zh) | 一种基于目标驱动的机器人环境感知方法 | |
Regier et al. | Improving navigation with the social force model by learning a neural network controller in pedestrian crowds | |
CN114089774B (zh) | 一种仓储环境下agv路径规划方法和装置 | |
Smit et al. | Informed sampling-based trajectory planner for automated driving in dynamic urban environments | |
CN114047759A (zh) | 一种基于dwa与人工势场融合的局部路径规划方法 | |
CN112904855B (zh) | 基于改进动态窗口的跟随机器人局部路径规划方法 | |
CN115061470A (zh) | 适用狭窄空间的无人车改进teb导航方法 | |
Li et al. | A novel hybrid path planning method for mobile robots | |
CN117093005B (zh) | 一种智能汽车自主避障方法 | |
CN113311862B (zh) | 机器人规避障碍物的运动规划方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210430 |