CN112731941A - 双足机器人路径规划方法、装置和双足机器人 - Google Patents

双足机器人路径规划方法、装置和双足机器人 Download PDF

Info

Publication number
CN112731941A
CN112731941A CN202011598911.0A CN202011598911A CN112731941A CN 112731941 A CN112731941 A CN 112731941A CN 202011598911 A CN202011598911 A CN 202011598911A CN 112731941 A CN112731941 A CN 112731941A
Authority
CN
China
Prior art keywords
node
candidate
biped robot
nodes
candidate node
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
CN202011598911.0A
Other languages
English (en)
Other versions
CN112731941B (zh
Inventor
麻星星
陈春玉
葛利刚
刘益彰
王鸿舸
白杰
谢铮
周江琛
张美辉
张硕
熊友军
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.)
Ubtech Robotics Corp
Original Assignee
Ubtech Robotics Corp
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 Ubtech Robotics Corp filed Critical Ubtech Robotics Corp
Priority to CN202011598911.0A priority Critical patent/CN112731941B/zh
Publication of CN112731941A publication Critical patent/CN112731941A/zh
Priority to US17/516,729 priority patent/US20220203534A1/en
Priority to PCT/CN2021/132993 priority patent/WO2022142893A1/zh
Application granted granted Critical
Publication of CN112731941B publication Critical patent/CN112731941B/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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • B25J9/1666—Avoiding collision or forbidden zones
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D57/00—Vehicles characterised by having other propulsion or other ground- engaging means than wheels or endless track, alone or in addition to wheels or endless track
    • B62D57/02—Vehicles characterised by having other propulsion or other ground- engaging means than wheels or endless track, alone or in addition to wheels or endless track with ground-engaging propulsion means, e.g. walking members
    • B62D57/032—Vehicles characterised by having other propulsion or other ground- engaging means than wheels or endless track, alone or in addition to wheels or endless track with ground-engaging propulsion means, e.g. walking members with alternately or sequentially lifted supporting base and legs; with alternately or sequentially lifted feet or skid
    • 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
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • 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
    • G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
    • 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
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
    • 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
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291—Fleet control
    • G05D1/0295—Fleet control by at least one leading vehicle of the fleet

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Chemical & Material Sciences (AREA)
  • Robotics (AREA)
  • Manipulator (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明实施例提供一种双足机器人路径规划方法、装置和双足机器人，该方法包括：利用双足机器人的自身参数和在当前节点的关节运动信息生成下一落脚点的候选节点集，并将候选节点集中的有效候选节点添加至优先级队列中以选取最优节点以实现下一节点扩展，输出的这些最优节点生成从初始节点到达目标节点的落脚点序列，这样可以大大减少双足机器人的双腿交叉落地时的路径节点搜索量，从而提高路径规划的效率等。

Description

双足机器人路径规划方法、装置和双足机器人
技术领域
本发明涉及机器人导航技术领域，尤其涉及一种双足机器人路径规划方法、装置和双足机器人。
背景技术
对于轮式机器人而言，通常通过质心跟随轨迹的方式来实现导航。在路线规划过程中，通常将该轮式机器人视为一个点，并对于地图中存在的障碍物可按照机器人的横向尺寸来进行膨胀，以实现避障路线的选取。然而，对于具有左右腿的双足机器人，其需要通过规划交叉的左右腿落脚点来完成导航。因此，传统的轮式机器人的规划方法并不适合双足机器人。
发明内容
有鉴于此，本发明的目的是为了克服现有技术中的不足，提供一种双足机器人路径规划方法、装置和双足机器人。
本发明的实施例提供一种双足机器人路径规划方法，包括：
根据该双足机器人的自身参数和在当前节点的关节运动信息生成下一落脚点的候选节点集，并根据障碍物信息将所述候选节点集中与障碍物无碰撞的有效候选节点添加至优先级队列中，计算所述优先级队列中每个候选节点的代价值并选取出代价值最小的候选节点作为最优节点输出；
判断当前输出的最优节点与目标节点是否满足预设距离条件，若不满足，则返回上述的生成下一落脚点的候选节点集的步骤，直到最新输出的最优节点满足所述预设距离条件时停止；
根据每次输出的所述最优节点生成一落脚点序列，以使该双足机器人按照所述落脚点序列从初始节点到达所述目标节点。
在一些实施例中，所述根据该双足机器人的自身参数和在当前节点的关节运动信息生成下一落脚点的候选节点集之前，该双足机器人路径规划方法还包括：
接收导航信息，所述导航信息包括该双足机器人行走的全局地图，所述全局地图包括所述障碍物信息、所述初始节点和所述目标节点。
在一些实施例中，所述优先级队列是利用构建的代价评估函数计算优先级队列中的候选节点的代价值并按照代价值由小到大排序的数据结构。
在一些实施例中，该双足机器人路径规划方法还包括：
根据所述导航信息和预设的该双足机器人的膨胀半径基于预设路径规划算法生成一条从所述初始节点到所述目标节点的全局路径；所述全局路径用于优化所述代价评估函数和/或减少所述候选节点集中候选节点的数量。
在一种实施例中，所述代价评估函数包括当前候选节点到所述目标节点的启发值和从所述初始节点到当前候选节点的已耗成本值，利用所述全局路径优化所述代价评估函数，包括：
利用所述全局路径计算所述优先级队列中的候选节点的所述启发值；其中，计算对应候选节点的启发值时，从所述初始节点开始，遍历所述全局路径上的节点，当所述全局路径上的对应节点与当前候选节点的连线垂直于所述全局路径上对应节点的切线方向时，计算所述连线的长度和所述全局路径上该对应节点到所述目标节点的距离，将所述连线的长度和所述距离之和作为所述启发值。
在一种实施例中，利用所述全局路径减少所述候选节点集中候选节点的数量，包括：
基于该双足机器人的机身宽度信息设定分别位于所述全局路径两侧的第一边界和第二边界；
对于根据该双足机器人的自身参数和在当前节点的关节运动信息生成的下一落脚点的候选节点集，将所述候选节点集中的位于所述第一边界和所述第二边界范围之外的候选节点滤除。
在一种实施例中，利用所述全局路径减少所述候选节点集中候选节点的数量，包括：
基于该双足机器人的机身宽度信息设定分别位于所述全局路径两侧的第一边界和第二边界；
将所述第一边界和所述第二边界作为约束条件，根据该双足机器人的自身参数、在当前节点的关节运动信息和所述约束条件生成所述下一落脚点的候选节点集。
在一种实施例中，所述候选节点集中每一候选节点的信息包括候选节点在所述全局地图中的二维坐标和该双足机器人落脚时的姿态角；利用所述全局路径减少所述候选节点集中候选节点的数量，包括：
根据所述二维坐标和所述全局路径上对应节点的切线方向确定具有所述二维坐标的候选节点的唯一姿态角；
判断所述候选节点集中是否存在具有所述二维坐标和所述唯一姿态角的候选节点；
若不存在，则将所述候选节点集中具有相同所述二维坐标的已有候选节点滤除，并添加具有所述二维坐标和所述唯一姿态角的候选节点；
若存在，则将所述候选节点集中具有相同所述二维坐标但姿态角与所述唯一姿态角不相等的其他候选节点滤除。
在一种实施例中，所述接收导航信息之后，所述方法还包括：
将所述初始节点添加至所述优先级队列中作为首个候选节点；
当判断出所述优先级队列中仅包括所述首个候选节点时，直接将所述初始节点输出，然后执行上述的根据该双足机器人的自身参数和在当前节点的关节运动信息生成下一落脚点的候选节点集的步骤。
本发明的实施例还提供一种双足机器人路径规划装置，包括：
选取模块，用于根据该双足机器人的自身参数和在当前节点的关节运动信息生成下一落脚点的候选节点集，并根据障碍物信息将所述候选节点集中的与障碍物无碰撞的有效候选节点添加至优先级队列中，还用于计算所述优先级队列中每个候选节点的代价值并选取出代价值最小的候选节点作为最优节点输出；
判断模块，用于判断当前输出的最优节点与目标节点是否满足预设距离条件，若不满足，则返回所述生成模块执行生成下一落脚点的候选节点集的步骤，直到最新输出的最优节点满足所述预设距离条件时停止；
执行模块，用于根据每次输出的所述最优节点生成一落脚点序列，以使该双足机器人按照所述落脚点序列从初始节点到达所述目标节点。
本发明的实施例还提供一种双足机器人，所述双足机器人包括处理器和存储器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施上述的双足机器人路径规划方法。
本发明的实施例还提供一种可读存储介质，其存储有计算机程序，所述计算机程序被执行时，实施上述的双足机器人路径规划方法。
本发明的实施例具有如下有益效果：
本申请实施例的双足机器人路径规划方法提出利用优先级队列进行从初始节点到目标节点依次进行路径节点搜索的同时，依照双足机器人的自身参数和在当前节点处的关节运动信息生成下一落脚点的候选节点集(也称脚印集)进行下一节点扩展，通过结合双足机器人的自身参数、关节运动信息及障碍物环境信息等进行节点搜索，可以大大减少双足机器人的左右腿在交叉落地时的路径节点搜索量，从而提高路径规划效率等。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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相关的附图。
图1示出了本发明实施例的双足机器人路径规划方法的第一流程示意图；
图2示出了本发明实施例的双足机器人路径规划方法的第二流程示意图；
图3示出了本发明实施例的双足机器人路径规划方法的脚印集示意图；
图4示出了本发明实施例的双足机器人路径规划方法的第三流程示意图；
图5示出了本发明实施例的双足机器人路径规划方法的基于全局路径计算启发值的应用示意图；
图6示出了本发明实施例的双足机器人路径规划方法的基于全局路径减少子节点的应用示意图；
图7示出了本发明实施例的双足机器人路径规划方法的基于全局路径减少子节点的一流程示意图；
图8示出了本发明实施例的双足机器人路径规划方法的基于全局路径减少子节点的另一应用示意图；
图9示出了本发明实施例的双足机器人路径规划装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图，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。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域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，都属于本发明保护的范围。
对于传统的轮式机器人或无人驾驶汽车等，其进行地图中导航时，往往需要利用路径规划算法来实现，如A星算法及基于A星算法改进的算法等。其中，A星算法是一种求解静态地图中最短路径较有效的直接搜索算法，对于轮式机器人导航或汽车导航等场景，由于这类对象可视为一个质心的移动，因此在地图上的各个路径节点(以下简称节点)搜索时只需在当前节点的周围相邻节点进行子节点的搜索。通常地，为准确地描述地图中的障碍物等位置信息，可利用方形网格等作为该地图的最小单元进行描述，其中，各个方形网格的中心可视为地图中的各个节点。可知，对于上述的只在当前节点的周围节点上进行图搜索的情况，其搜索计算量较小。
然而，对于双足机器人，由于其支撑腿与摆动腿之间可以在地图上进行跨节点行走，这就会导致在采用A星算法进行路径规划时，其节点的搜索范围将不再仅限于周围的节点，即此时的搜索量大大增加，意味着其计算量将急剧增大，进而导致搜索速度大大降低，尤其是对于实时性要求较高的双足机器人，这将大大制约了A星算法在双足机器人的使用等。
为此，本实施例提出一种双足机器人路径规划方法，通过结合双足机器人自身参数及实时运动信息来进行下一节点的扩展搜索，从而大大减少了节点的扩展数量，故而大大提高搜索效率及规划速度等。下面结合具体的实施例进行详细说明。
实施例1
图1示出了本申请实施例的双足机器人路径规划方法的第一种流程示意图。本实施例的方法利用根据双足机器人的脚印集对路径上的节点依次进行子节点搜索，不仅可以实现双足机器人从起点到终点的路径规划，由于结合了基于双足机器人的自身信息和两腿的关节运动信息等生成的脚印集来进行子节点扩展，可大大减少节点搜索量等。
本实施例中，执行下列步骤S110之前，该方法还包括：
接收导航信息，该导航信息包括该双足机器人行走的全局地图，该全局地图包括障碍物信息、指定的初始节点和目标节点。
通常地，当双足机器人接收到导航信息时，可从该导航信息中获取到全局地图和位于该地图中的初始节点(即起点)、目标节点(即终点)及障碍物等位置信息。进而，双足机器人根据全局地图及初始节点、目标节点及障碍物在地图中的位置信息来进行路径搜索。
可选地，若该双足机器人的导航场所比较固定，如存货仓库、商场引导等，则可预先将上述的包括障碍物信息的全局地图存储在机器人的存储器中，而初始节点和目标节点则可根据实际场景来设定。
示范性地，如图2所示，双足机器人将根据初始节点的位置及双足机器在初始节点的姿态(即初始节点的位姿)以及目标节点位姿来初始化初始节点和目标节点，同时还构建一个优先级队列和代价评估函数来进行路径上的节点搜索。可以理解，路径上的节点是一种包含了双足机器人落脚时的位置和姿态角(简称位姿信息)和节点的代价值的数据结构。优先级队列是一种利用构建的代价评估函数来计算优先级队列中的节点的代价值并按照代价值由小到大排序的数据结构。
其中，上述的代价评估函数用于计算若将当前候选节点作为该双足机器人在全局地图中的下一落脚点时的代价值。在一种实施方式中，该代价评估函数F的表达式如下：F(i)＝H(i)+G(i)，其中，H(i)和G(i)分别表示第i个候选节点的启发值和已耗成本值，启发值是指从该当前候选节点到目标节点的预测代价，已耗成本值是指初始节点到该当前候选节点已耗费的成本。
通常地，接收到上述导航信息并构建完优先级队列之后，本实施例先将初始节点添加至优先级队列中作为首个候选节点，由于此时的优先级队列中仅包括该首个候选节点时，因此，可直接将优先级队列中的该初始节点输出作为该双足机器人的初始落脚点。
由于作为初始落脚点的初始节点与目标节点之间的距离较远，故从初始节点开始，到达目标节点之前，需要依次对当前节点的下一节点进行搜索。
本实施例中，如图1所示，该双足机器人路径规划方法，包括：
步骤S110，根据该双足机器人的自身参数和在当前节点的关节运动信息生成下一落脚点的候选节点集，并根据障碍物信息将候选节点集中与障碍物无碰撞的有效候选节点添加至优先级队列中，计算优先级队列中每个候选节点的代价值并选取出代价值最小的候选节点作为最优节点输出。
示范性地，从初始节点起，对于初始节点及后续节点的候选节点搜索，可根据该双足机器人在当前节点的关节运动信息及该双足机器人的自身参数等通过机器人的运动学和动力学计算得到下一落脚点的候选节点集(亦称脚印集)。通常地，该脚印集包括双足机器人当前摆动腿能够到达的多个脚印，其中，每个脚印即对应于地图中的一个节点，由于下一落脚点将从这些节点中选取，因此，该脚印集中每个脚印即为下一落脚点的候选节点。
例如，当双足机器人的左腿当前作为支撑腿落地时，如图3所示，0代表作为支撑腿的左腿，1代表当前作为摆动腿的右腿，则可根据该双足机器人的各个关节运动信息及自身参数等可以计算出右腿1能够到达的多个候选节点，这些候选节点的集合即为上述的候选节点集。
其中，上述的自身参数可包括但不限于包括该双足机器人各个关节连杆的长度等，例如，连杆的长度可作为两腿能够到达的最大距离的限定等。上述的关节运动信息包括该双足机器人各个关节的位置、速度和加速度等，具体可从机器人的行走速度过快而会导致失稳、部分姿态无法到达等多个运动学和动力学角度来进行落脚点的约束限制，对于这些约束条件的设置可根据实际运用场合等相应设置。
于是，在生成候选节点集后，将候选节点集中的与全局地图中的障碍物会产生碰撞的节点滤除，而仅将有效候选节点添加到优先级队列中。可以理解，通过结合机器人的自身信息、关节运动信息和地图环境信息来确定待搜索的节点，可以大大减少节点的搜索数量，从而提高搜索效率等。
通常地，优先级队列先判断队列当前是否为空，并在判断出不为空时，则对优先级队列中的所有候选节点进行代价值计算。可选地，若判断出优先级队列当前为空时，则停止搜索。
对于优先级队列中的各个候选节点，示范性地，可通过上述的代价评估函数对优先级队列中的每个候选节点进行代价值计算，从而将代价值最小的候选节点作为最优节点输出。其中，输出的该最优节点将作为当前节点的下一落脚点，用于更新到双足机器人的落脚点序列。通常地，当优先级队列输出了一个最优节点后，则该最优节点将从该优先级队列中删除。
步骤S120，判断当前输出的最优节点与目标节点是否满足预设距离条件，若不满足，则返回上述的生成下一落脚点的候选节点集的步骤，直到最新输出的最优节点满足预设距离条件时停止。
为判断是否到达目标节点，故需要对每次输出的最优节点进行判断。其中，上述的预设距离条件可为，若当前输出的最优节点与目标节点之间距离在预设距离范围内，即表明足够接近目标节点，则判断满足该预设距离条件；否则判断不满足，即表明距离目标节点还有一定距离，因此，将返回上述步骤S130，即在当前节点处继续进行下一落脚点的候选节点扩展及最优节点选取。直到最新输出的最优节点与目标节点足够接近时，此时停止节点搜索。
步骤S130，根据每次输出的最优节点生成一落脚点序列，以使该双足机器人按照落脚点序列从初始节点到达目标节点。
示范性地，双足机器人根据每次输出的最优节点更新到一落脚点序列，从而得到从初始节点到目标节点的落脚点序列，可以理解，在全局地图中的这些落脚点所组成的路线即作为规划路径。于是，双足机器人可根据发布的落脚点序列执行从初始节点到达目标节点的任务。
本实施例的双足机器人路径规划方法进行路径节点搜索时，根据双足机器人在当前节点处的关节运动信息、自身参数及环境信息等生成下一落脚点的候选节点集，可以大大减少双足机器人的左右腿在交叉落地时的路径节点搜索量，从而提高搜索效率等。
实施例2
请参照图4，本实施例提出的双足机器人路径规划方法与上述实施例1的方法的区别在于，本实施例还通过全局路径来优化上述的路径节点搜索过程，从而加快路径搜索速度，进而提高路径规划效率等。
示范性地，该方法还包括：根据接收到的导航信息和预设的该双足机器人的膨胀半径基于预设路径规划算法生成一条从初始节点到目标节点的全局路径。其中，该全局路径能够用于优化上述的代价评估函数和/或减少上述的候选节点集中候选节点的数量。
示范性地，在生成全局路径时，可将该双足机器人视为一个质心但具有一个较大的膨胀半径，此时可按照传统的轮式机器人的路径规划算法，如A星算法等快速生成一条从初始节点到目标节点的避开障碍物的连续路径。其中，该膨胀半径可基于该双足机器人的实际横向尺寸等来设定。
对于路径规划的优化过程，以优化上述的代价评估函数为例，在一种实施例中，对于利用全局路径优化代价评估函数，包括：利用该全局路径计算优先级队列中的候选节点的启发值。
在A星算法中，通常计算候选节点到目标节点之间的欧氏距离作为启发值。而本实施例中，利用全局路径来计算各个候选节点的启发值，这样将全局路径作为引导路径，可引导最优节点的选取朝着该全局路径所在的引导方向前进，从而进一步加快子节点的搜索速度等。
示范性地，在计算对应候选节点的启发值时，可从初始节点开始，遍历该全局路径上的节点，如图5所示，当该全局路径上的对应节点与当前候选节点的连线垂直于该全局路径上对应节点的切线方向时，计算该连线的长度d1和该全局路径上该对应节点到目标节点的弧线距离d2，此时，该当前候选节点的启发值H即为该连线的长度d1和弧线距离d2之和。
以减少候选节点集中候选节点的数量为例，在第二种实施例中，对于利用全局路径减少候选节点集中候选节点的数量，包括：基于该双足机器人的机身宽度信息设定分别位于全局路径两侧的第一边界和第二边界。进而，结合该第一边界和第二边界来限定候选节点的扩展。
示范性地，以该双足机器人在两腿站立时的机身宽度为基准，通过对该机身宽度进行预设宽度系数(通常大于1)调整以使该第一边界到第二边界的宽度略大于该双足机器人的机身宽度。
在一种实施方式中，对于根据该双足机器人的自身参数和在当前节点的关节运动信息生成的下一落脚点的候选节点集，可将候选节点集中的位于第一边界和第二边界范围之外的候选节点滤除。
例如，通过上述实施例1的方法生成下一落脚点的候选节点集后，可判断这些候选节点是否分别存在位于第一边界和第二边界范围内，对于在两边界范围内的候选节点，视为有效候选节点，反之，则视为无效候选节点并进行滤除。如图6所示，靠最右边的两个候选节点的中心位置位于第二边界范围之外，则视为无效的候选节点。
可以理解，此时的第一边界和第二边界是在计算得到候选节点集之后再对该候选节点集中的无效节点进行滤除，可以减少下一节点的扩展数量。
而在另一种实施方式中，可将第一边界和第二边界作为计算候选节点集时的约束条件，即根据该双足机器人的自身参数、在当前节点的关节运动信息和该约束条件生成下一落脚点的候选节点集。
例如，在得到全局路径后，基于机身宽度信息可计算得到第一边界和第二边界。进而，结合双足机器人当前落脚点的位置及第一边界和第二边界等来求解下一落脚点的脚印集。通常地，一个候选节点包括该节点在全局地图中的二维坐标和机器人落地时的姿态角等信息。例如，若当前节点位于全局路径与其中一边界之内，对于下一落脚点，则可考虑位于全局路径与另一边界之间的情况，对于其二维坐标超过该另一边界的候选节点则可不进行具体计算等。可以理解，此时的第一边界和第二边界是在计算候选节点集时作为一约束条件，从而减少候选节点的生成数量，进而提高搜索效率等。
通常地，生成的候选节点的信息包括该候选节点在全局地图中的二维坐标和该双足机器人落地时的姿态角，例如，可记为(x,y,θ)，其中，(x，y)为该候选节点的二维坐标，θ为姿态角。在第三种实施例中，为减少候选节点的数量，如图7所示，对于利用全局路径减少候选节点集中候选节点的数量，包括：
步骤S210，根据二维坐标和全局路径上对应节点的切线方向确定具有该二维坐标的候选节点的唯一姿态角。
通常地，该脚印集中包括有多个脚印，对于同一二维坐标的节点，由于双足机器人落地的姿态角的不同，其对应的脚印也不同。此时，可通过节点的二维坐标和全局路径来实现降维。
示范性地，如图8所示，0和1分别表示支撑腿和摆动腿，对于下一落脚点1，其中的一候选节点1-1的二维坐标若为(x1,y1)，此时可根据全局路径上的点对应点的切线方向来计算该候选节点的唯一姿态角，例如，根据该切线方向与坐标轴方向的夹角作为该候选节点1-1的唯一姿态角θ1，即可得到唯一的具有二维坐标若为(x1,y1)的候选节点(x1,y1,θ1)。同理，对于候选节点1-2、候选节点1-3等，可分别计算得到具有唯一姿态角的候选节点(x2,y2,θ2)和(x3,y3,θ3)等。
步骤S220，判断候选节点集中是否存在具有该二维坐标和该唯一姿态角的候选节点。若不存在，则执行步骤S230，否则，执行步骤S240。
步骤S230，若不存在，则将候选节点集中具有相同该二维坐标的已有候选节点滤除，并添加具有该二维坐标和该唯一姿态角的候选节点。
步骤S240，若存在，则将候选节点集中具有相同该二维坐标但姿态角与该唯一姿态角不相等的其他候选节点滤除。
以上述的下一落脚点1的候选节点1-1为例，在求解得到上述的唯一姿态角θ1后，可判断该候选节点集中的多个候选节点中是否存在(x1,y1,θ1)，若存在，则将该候选节点(x1,y1,θ1)保留，同时将具有该二维坐标(x1,y1)和其他姿态角的候选节点滤除。若不存在，则将该(x1,y1,θ1)添加至该候选节点集中，而对于具有该二维坐标(x1,y1)和其他姿态角的候选节点全部滤除。可以理解，通过全局路径的节点的切线方向进行降维，对于不同二维坐标的候选节点，其将仅保留一个唯一的候选节点并添加到优先级队列中的候选节点，这样大大减少子节点的护数量。
可以理解，上述的利用全局路径进行优化的几种方案，可以是单独使用，也可以是同时使用以便从多个角度来共同优化。本实施例在利用脚印集进行节点搜索的基础上通过结合全局路径来加快路径节点搜索，从而提高路径规划效率等。值得注意的是，虽然将双足机器人视为质心而生成的全局路径会低估了双足机器人的运动能力，但通过结合脚印集进行子节点扩展又可考虑到双足机器人的关节运动信息，因此可以较好地改善由全局路径带来的上述问题。
实施例3
请参照图9，基于上述实施例1的方法，本实施例提出一种双足机器人路径规划装置100。示范性地，该双足机器人路径规划装置100包括：
选取模块110，用于根据该双足机器人的自身参数和在当前节点的关节运动信息生成下一落脚点的候选节点集，并根据障碍物信息将所述候选节点集中与障碍物无碰撞的有效候选节点添加至优先级队列中，还用于计算所述优先级队列中每个候选节点的代价值并选取出代价值最小的候选节点作为最优节点输出。其中，所述优先级队列是利用构建的代价评估函数计算优先级队列中的候选节点的代价值并按照代价值由小到大排序的数据结构。
判断模块120，用于判断当前输出的最优节点与目标节点是否满足预设距离条件，若不满足，则返回所述选取模块130执行生成下一落脚点的候选节点集的步骤，直到最新输出的最优节点满足所述预设距离条件时停止。
执行模块130，用于根据每次输出的所述最优节点生成一落脚点序列，以使该双足机器人按照所述落脚点序列从初始节点到达所述目标节点。
进一步地，该双足机器人路径规划装置100还包括接收模块；
接收模块用于接收导航信息，所述导航信息包括该双足机器人行走的全局地图，该全局地图包括上述的障碍物信息、初始节点和目标节点。
进一步地，该双足机器人路径规划装置100还包括：求解模块和优化模块。其中，求解模块用于根据所述导航信息和预设的该双足机器人的膨胀半径基于预设路径规划算法生成一条从所述初始节点到所述目标节点的全局路径；优化模块用于利用所述全局路径优化所述代价评估函数和/或减少所述候选节点集中候选节点的数量。
可以理解，本实施例的各模块对应于上述实施例1的各步骤，上述实施例1或2的可选项同样适用于本实施例，故在此不再重复描述。
本申请实施例还提出一种双足机器人，示范性地，该双足机器人包括处理器和存储器，其中，存储器存储有计算机程序，所述计算机程序在处理器上执行时，实施上述实施例1或2的双足机器人路径规划方法。
本申请实施例还提出一种可读存储介质，其存储有计算机程序，所述计算机程序在处理器上执行时，实施上述实施例1或2的双足机器人路径规划方法或上述双足机器人路径规划装置中的各个模块的功能。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、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，所述模块、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，在作为替换的实现方式中，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，两个连续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，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例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-Only Memory)、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。
以上所述，仅为本发明的具体实施方式，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (11)

1.一种双足机器人路径规划方法，其特征在于，包括：
根据该双足机器人的自身参数和在当前节点的关节运动信息生成下一落脚点的候选节点集；
根据障碍物信息将所述候选节点集中的与障碍物无碰撞的有效候选节点添加至优先级队列中，计算所述优先级队列中每个候选节点的代价值并选取出代价值最小的候选节点作为最优节点输出；
判断当前输出的最优节点与目标节点是否满足预设距离条件，若不满足，则返回上述的生成下一落脚点的候选节点集的步骤，直到最新输出的最优节点满足所述预设距离条件时停止；
根据每次输出的所述最优节点生成一落脚点序列，以使该双足机器人按照所述落脚点序列从初始节点到达所述目标节点。
2.根据权利要求1所述的双足机器人路径规划方法，其特征在于，所述根据该双足机器人的自身参数和在当前节点的关节运动信息生成下一落脚点的候选节点集之前，所述方法还包括：
接收导航信息，所述导航信息包括该双足机器人行走的全局地图，所述全局地图包括所述障碍物信息、所述初始节点和所述目标节点。
3.根据权利要求2所述的双足机器人路径规划方法，其特征在于，所述优先级队列是利用构建的代价评估函数计算所述优先级队列中的候选节点的代价值并按照代价值由小到大排序的数据结构，所述方法还包括：
根据所述导航信息和预设的该双足机器人的膨胀半径基于预设路径规划算法生成一条从所述初始节点到所述目标节点的全局路径，所述全局路径用于优化所述代价评估函数和/或减少所述候选节点集中候选节点的数量。
4.根据权利要求3所述的双足机器人路径规划方法，其特征在于，所述代价评估函数包括当前候选节点到所述目标节点的启发值和从所述初始节点到当前候选节点的已耗成本值，利用所述全局路径优化所述代价评估函数，包括：
利用所述全局路径计算所述优先级队列中的候选节点的所述启发值；其中，计算对应候选节点的启发值时，从所述初始节点开始，遍历所述全局路径上的节点，当所述全局路径上的对应节点与当前候选节点的连线垂直于所述全局路径上对应节点的切线方向时，计算所述连线的长度和所述全局路径上该对应节点到所述目标节点的距离，将所述连线的长度和所述距离之和作为所述启发值。
5.根据权利要求3所述的双足机器人路径规划方法，其特征在于，利用所述全局路径减少所述候选节点集中候选节点的数量，包括：
基于该双足机器人的机身宽度信息设定分别位于所述全局路径两侧的第一边界和第二边界；
对于根据该双足机器人的自身参数和在当前节点的关节运动信息生成的下一落脚点的候选节点集，将所述候选节点集中的位于所述第一边界和所述第二边界范围之外的候选节点滤除。
6.根据权利要求3所述的双足机器人路径规划方法，其特征在于，利用所述全局路径减少所述候选节点集中候选节点的数量，包括：
基于该双足机器人的机身宽度信息设定分别位于所述全局路径两侧的第一边界和第二边界；
将所述第一边界和所述第二边界作为约束条件，根据该双足机器人的自身参数、在当前节点的关节运动信息和所述约束条件生成所述下一落脚点的候选节点集。
7.根据权利要求3所述的双足机器人路径规划方法，其特征在于，所述候选节点集中每一候选节点的信息包括候选节点在所述全局地图中的二维坐标和该双足机器人落脚时的姿态角；利用所述全局路径减少所述候选节点集中候选节点的数量，包括：
根据所述二维坐标和所述全局路径上对应节点的切线方向确定具有所述二维坐标的候选节点的唯一姿态角；
判断所述候选节点集中是否存在具有所述二维坐标和所述唯一姿态角的候选节点；
若不存在，则将所述候选节点集中具有相同所述二维坐标的已有候选节点滤除，并添加具有所述二维坐标和所述唯一姿态角的候选节点；
若存在，则将所述候选节点集中具有相同所述二维坐标但姿态角与所述唯一姿态角不相等的其他候选节点滤除。
8.根据权利要求2至7中任一项所述的双足机器人路径规划方法，其特征在于，所述接收导航信息之后，所述方法还包括：
将所述初始节点添加至所述优先级队列中作为首个候选节点；
当判断出所述优先级队列中仅包括所述首个候选节点时，直接将所述初始节点输出，然后执行上述的根据该双足机器人的自身参数和在当前节点的关节运动信息生成下一落脚点的候选节点集的步骤。
9.一种双足机器人路径规划装置，其特征在于，包括：
选取模块，用于根据该双足机器人的自身参数和在当前节点的关节运动信息生成下一落脚点的候选节点集，并根据障碍物信息将所述候选节点集中的与障碍物无碰撞的有效候选节点添加至优先级队列中，还用于计算所述优先级队列中每个候选节点的代价值并选取出代价值最小的候选节点作为最优节点输出；
判断模块，用于判断当前输出的最优节点与目标节点是否满足预设距离条件，若不满足，则返回所述选取模块执行生成下一落脚点的候选节点集的步骤，直到最新输出的最优节点满足所述预设距离条件时停止；
执行模块，用于根据每次输出的所述最优节点生成一落脚点序列，以使该双足机器人按照所述落脚点序列从初始节点到达所述目标节点。
10.一种双足机器人，其特征在于，所述双足机器人包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序在所述处理器执行时，实施权利要求1-8中任一项所述的双足机器人路径规划方法。
11.一种可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序在处理器上执行，实施根据权利要求1-8中任一项所述的双足机器人路径规划方法。
CN202011598911.0A 2020-12-29 2020-12-29 双足机器人路径规划方法、装置和双足机器人 Active CN112731941B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011598911.0A CN112731941B (zh) 2020-12-29 2020-12-29 双足机器人路径规划方法、装置和双足机器人
US17/516,729 US20220203534A1 (en) 2020-12-29 2021-11-02 Path planning method and biped robot using the same
PCT/CN2021/132993 WO2022142893A1 (zh) 2020-12-29 2021-11-25 双足机器人路径规划方法、装置和双足机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011598911.0A CN112731941B (zh) 2020-12-29 2020-12-29 双足机器人路径规划方法、装置和双足机器人

Publications (2)

Publication Number Publication Date
CN112731941A true CN112731941A (zh) 2021-04-30
CN112731941B CN112731941B (zh) 2024-03-05

Family

ID=75611481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011598911.0A Active CN112731941B (zh) 2020-12-29 2020-12-29 双足机器人路径规划方法、装置和双足机器人

Country Status (3)

Country Link
US (1) US20220203534A1 (zh)
CN (1) CN112731941B (zh)
WO (1) WO2022142893A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113467445A (zh) * 2021-06-17 2021-10-01 南京蔚蓝智能科技有限公司 一种基于视觉与路径规划的四足机器人摆动腿避障方法
CN113633219A (zh) * 2021-07-23 2021-11-12 美智纵横科技有限责任公司 回充路径确定方法、装置、设备及计算机可读存储介质
WO2022142893A1 (zh) * 2020-12-29 2022-07-07 深圳市优必选科技股份有限公司 双足机器人路径规划方法、装置和双足机器人

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115164907B (zh) * 2022-09-06 2022-12-02 南京理工大学 基于动态权重的a*算法的森林作业机器人路径规划方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020095774A (ko) * 2001-06-15 2002-12-28 한국과학기술원 동작 포착 데이터를 이용한 이동 동작 계획에 대한 확률적접근 방법
KR20100005942A (ko) * 2008-07-08 2010-01-18 한국과학기술연구원 보행로봇의 최적경로 계획방법
CN111174798A (zh) * 2020-01-17 2020-05-19 长安大学 一种足式机器人路径规划方法
CN111290389A (zh) * 2020-02-25 2020-06-16 北京理工大学 一种双足机器人落脚位置控制系统与方法
CN111504325A (zh) * 2020-04-29 2020-08-07 南京大学 一种基于扩大搜索邻域的加权a*算法的全局路径规划方法
CN111830986A (zh) * 2020-07-24 2020-10-27 北京理工大学 一种用于双足机器人的三维路径规划方法
CN112051797A (zh) * 2020-09-07 2020-12-08 腾讯科技（深圳）有限公司 足式机器人运动控制方法、装置、设备及介质
CN112114589A (zh) * 2020-09-07 2020-12-22 腾讯科技（深圳）有限公司 足式机器人运动控制方法、装置、设备及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109987169B (zh) * 2017-12-29 2021-01-08 深圳市优必选科技有限公司 双足机器人的步态控制方法、装置、终端设备及介质
CN108333931B (zh) * 2018-01-25 2020-10-02 北京理工大学 一种面向崎岖地形的四足机器人双层结构步态规划方法
CN110806218B (zh) * 2019-11-29 2021-09-07 北京京东乾石科技有限公司 泊车路径规划方法、装置和系统
CN112731941B (zh) * 2020-12-29 2024-03-05 深圳市优必选科技股份有限公司 双足机器人路径规划方法、装置和双足机器人

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020095774A (ko) * 2001-06-15 2002-12-28 한국과학기술원 동작 포착 데이터를 이용한 이동 동작 계획에 대한 확률적접근 방법
KR20100005942A (ko) * 2008-07-08 2010-01-18 한국과학기술연구원 보행로봇의 최적경로 계획방법
CN111174798A (zh) * 2020-01-17 2020-05-19 长安大学 一种足式机器人路径规划方法
CN111290389A (zh) * 2020-02-25 2020-06-16 北京理工大学 一种双足机器人落脚位置控制系统与方法
CN111504325A (zh) * 2020-04-29 2020-08-07 南京大学 一种基于扩大搜索邻域的加权a*算法的全局路径规划方法
CN111830986A (zh) * 2020-07-24 2020-10-27 北京理工大学 一种用于双足机器人的三维路径规划方法
CN112051797A (zh) * 2020-09-07 2020-12-08 腾讯科技（深圳）有限公司 足式机器人运动控制方法、装置、设备及介质
CN112114589A (zh) * 2020-09-07 2020-12-22 腾讯科技（深圳）有限公司 足式机器人运动控制方法、装置、设备及介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022142893A1 (zh) * 2020-12-29 2022-07-07 深圳市优必选科技股份有限公司 双足机器人路径规划方法、装置和双足机器人
CN113467445A (zh) * 2021-06-17 2021-10-01 南京蔚蓝智能科技有限公司 一种基于视觉与路径规划的四足机器人摆动腿避障方法
CN113633219A (zh) * 2021-07-23 2021-11-12 美智纵横科技有限责任公司 回充路径确定方法、装置、设备及计算机可读存储介质
WO2023000680A1 (zh) * 2021-07-23 2023-01-26 美智纵横科技有限责任公司 回充路径确定方法、装置、设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN112731941B (zh) 2024-03-05
US20220203534A1 (en) 2022-06-30
WO2022142893A1 (zh) 2022-07-07

Similar Documents

Publication Publication Date Title
CN112731941B (zh) 双足机器人路径规划方法、装置和双足机器人
CN111811514B (zh) 一种基于正六边形栅格跳点搜索算法的路径规划方法
CN110806218B (zh) 泊车路径规划方法、装置和系统
CN109542117B (zh) 基于改进rrt的水下航行器滚动规划算法
JP6606442B2 (ja) 移動体の経路計画生成装置
EP3201709B1 (en) Method and system for determining a path of an object for moving from a starting state to an end state set avoiding one or more obstacles
KR102049962B1 (ko) 샘플링기반의 최적 트리를 이용한 경로 계획 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램
CN112284393B (zh) 一种智能移动机器人全局路径规划方法和系统
JP5381679B2 (ja) 経路探索システム、方法、プログラム、並びに移動体
JP2009053849A (ja) 経路探索システム、経路探索方法、及び自律移動体
JP6711949B2 (ja) １個以上の障害物を回避して始状態から終状態集合まで移動する物体の経路を決定する方法およびシステム
CN111664851B (zh) 基于序列优化的机器人状态规划方法、装置及存储介质
CN109341698B (zh) 一种移动机器人的路径选择方法及装置
CN115237135A (zh) 一种基于冲突的移动机器人路径规划方法及系统
CN114115271A (zh) 一种改进rrt的机器人路径规划方法和系统
CN114689070A (zh) 路径规划方法及装置
CN113244619A (zh) 数据处理方法、装置、设备及存储介质
Cupec et al. Step sequence planning for a biped robot by means of a cylindrical shape model and a high-resolution 2.5 D map
CN113885531B (zh) 用于移动机器人的方法、移动机器人、电路、介质和程序
CN114237303B (zh) 一种基于蒙特卡洛树搜索的无人机路径规划方法及装置
Chestnutt Navigation and gait planning
CN115158299A (zh) 一种泊车路径规划方法、装置、车辆和可读存储介质
KR102324099B1 (ko) 실내 이동체의 경로 계획 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램
Ali et al. Global mobile robot path planning using laser simulator
Hooks et al. Online trajectory optimization for legged robotics incorporating vision for dynamically efficient and safe footstep locations

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