CN112857384B - 基于改进启发函数的a*算法的移动机器人路径规划方法 - Google Patents

基于改进启发函数的a*算法的移动机器人路径规划方法 Download PDF

Info

Publication number
CN112857384B
CN112857384B CN202110061657.9A CN202110061657A CN112857384B CN 112857384 B CN112857384 B CN 112857384B CN 202110061657 A CN202110061657 A CN 202110061657A CN 112857384 B CN112857384 B CN 112857384B
Authority
CN
China
Prior art keywords
mobile robot
node
path
equal
cost
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
Application number
CN202110061657.9A
Other languages
English (en)
Other versions
CN112857384A (zh
Inventor
张静
吴俊�
刘曾缘
申枭
李云松
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202110061657.9A priority Critical patent/CN112857384B/zh
Publication of CN112857384A publication Critical patent/CN112857384A/zh
Application granted granted Critical
Publication of CN112857384B publication Critical patent/CN112857384B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34Route searching; Route guidance
    • G01C21/3446Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes

Landscapes

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

Abstract

本发明提出了一种基于改进启发函数的A*算法的移动机器人路径规划方法,旨在保证能规划出最短路径的前提下,通过减小路径的累计转折角度,提高移动机器人路径规划的效率,实现步骤为:构建移动机器人路径规划场景模型;初始化参数并计算起始标记节点Astart的代价值;移动机器人对Close集合Ck进行更新;移动机器人基于改进启发函数的A*算法计算节点P的邻域节点的代价值;移动机器人对Open集合Ok、代价值集合F和路径树T进行更新;移动机器人判断路径规划是否成功;移动机器人对路径树T'进行回溯以得到路径规划结果。

Description

基于改进启发函数的A*算法的移动机器人路径规划方法
技术领域
本发明属于路径规划技术领域,涉及一种移动机器人路径规划方法,具体涉及一种基于改进启发函数的A*算法的移动机器人路径规划方法。
背景技术
移动机器人在执行任务的过程中,往往需要从一个位置移动到另一个指定的位置。在这一过程中,如何让移动机器人快速、安全地到达指定位置,是任务执行能否成功的关键之一,这就涉及到移动机器人在执行任务过程中所使用的路径规划方法。随着人们的不断研究,很多优秀的算法被提出并应用于解决实际问题,如Dijkstra算法、A*算法、蚁群算法和遗传算法等。
A*算法于上世纪七十年代首次提出[Peter E.Hart,Nils J.Nilsson,BertramRaphael.Correction to“A Formal Basis for the Heuristic DeterminationofMinimum Cost Paths”,1972,:28-29.],A*算法综合了BFS(广度优先搜索)和Dijkstra(深度优先搜索)算法的优点,是一种启发式的搜索算法。A*算法利用启发函数减小搜索空间,提高搜索的酰氯,因此,启发函数在A*算法中发挥着关键的作用。同时,由于传统A*算法在路径规划时没有考虑到环境中的障碍信息的影响,因此使用传统A*算法规划出的路径存在折线多、累计转折角度大的问题。
为了解决A*算法存在的问题,提高算法的效率,人们对A*算法进行了很多的改进。例如,申请公布号为CN105844364A,名称为“基于启发函数的服务机器人最优路径规划方法”的专利申请,公开一种基于启发函数的移动式服务机器人的路径规划方法,该方法提出了包含方向和距离两个因素的启发函数,利用启发函数,减小搜索空间,提高搜索效率。但该方法在设计启发函数中的方向因素时,仅仅考虑了起始目标点和终止目标点,没有考虑到环境中的障碍物位置信息,规划出的路径存在转折角度过大的问题,导致路径规划的效率较低。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷,提出一种基于改进启发函数的A*算法的移动机器人路径规划方法,旨在保证能规划出最短路径的前提下,通过减小路径的累计转折角度,提高移动机器人路径规划的效率。
为实现上述目的,本发明采取的技术方案包括如下步骤:
步骤1)构建移动机器人路径规划场景模型:
(1a)采用栅格法将移动机器人所在的二维直角坐标系XOY平面划分为C×R个栅格,得到栅格集合Δ,每个栅格Δc,r代表一个节点,其中:
Figure BDA0002902902200000021
其中,C和R分别表示栅格集合的行数和列数,C≥2,R≥2,Δc,r表示第c行第r列个栅格,1≤c≤C,1≤r≤R;
(1b)将Δ中M个障碍物所在的栅格作为障碍物节点,将其余C×R-M个栅格作为移动机器人可以通行的可行节点,并对M个障碍物节点,以及可行节点中移动机器人的起始节点和目标节点进行标注,得到由障碍物标记节点集合B={Bk|1≤k≤M},以及坐标为(xstart,ystart)的起始标记节点Astart和坐标为(xend,yend)的目标标记节点Aend组成的移动机器人路径规划场景模型,其中M>1,Bk表示第k个障碍物标记节点;
步骤2)初始化参数并计算起始标记节点Astart的代价值:
初始化用于存放已经生成但是还没有被访问过的节点的Open集合Ok、用于存放已经访问过的节点的Close集合Ck,以及用于记录路径并以起始标记节点Astart为根节点的路径树T,初始化栅格集合Δ中每个栅格Δc,r代表的节点的代价值集合F={F(Δc,r)|F(Δc,r)=C×R},并将Astart加入到集合Ok中,同时计算起始标记节点Astart的代价值F(Astart);
步骤3)移动机器人对Close集合Ck进行更新:
移动机器人检索Open集合Ok中的每一个节点,并在代价值集合F中查找节点的代价值,找出Ok中代价值最小的节点P,并将P加入到Close集合Ck中,得到更新后的Close集合Ck';
步骤4)移动机器人基于改进启发函数的A*算法计算节点P的邻域节点的代价值:
(4a)移动机器人初始化节点P的邻域节点N={Ni|1≤i≤8},Ni表示第i个邻域节点;
(4b)移动机器人基于改进启发函数的A*算法计算节点P的每个邻域节点Ni的代价值FP(Ni):
FP(Ni)=G(Ni)+H(Ni)+V(Ni)
Figure BDA0002902902200000031
Figure BDA0002902902200000032
Figure BDA0002902902200000033
Figure BDA0002902902200000034
其中,G(Ni)、H(Ni)和V(Ni)分别表示Ni的实际代价、预估代价和障碍代价,
Figure BDA0002902902200000035
表示坐标点P所受到的势场力,||·||表示取模值,θ(Ni)表示P点和邻域节点Ni点所连成的直线NiP与
Figure BDA0002902902200000036
之间的夹角,
Figure BDA0002902902200000037
表示目标标记节点Aend对P点的吸引力,
Figure BDA0002902902200000038
表示障碍物标记节点Bk对P点的排斥力,α和β分别表示
Figure BDA0002902902200000039
Figure BDA00029029022000000310
的权重,且α≥1,β≥1,
Figure BDA00029029022000000311
表示对所有属于集合B的元素Bk进行求和,xp和yp分别表示P点的横坐标和纵坐标,xstart和ystart分别表示起点Astart的横坐标和纵坐标,
Figure BDA00029029022000000312
Figure BDA00029029022000000313
分别表示移动机器人路径规划场景模型中X轴的方向向量和Y轴的方向向量,xBk和yBk分别表示Bk的横坐标和纵坐标,m表示Bk的距离阈值,m≥2;
步骤5)移动机器人对Open集合Ok、代价值集合F和路径树T进行更新:
(5a)移动机器人对Open集合Ok进行更新:
(5a1)移动机器人将节点P从Open集合Ok中移除,并令i=1;
(5a2)移动机器人判断Ni是否存在于Open集合Ok中,若是,执行步骤(5a3),否则,将Ni加入Open集合Ok,并执行步骤(5a3);
(5a3)移动机器人判断i=8是否成立,若是,得到更新后的Open集合Ok',否则,令i=i+1,并执行步骤(5a2);
(5d)移动机器人令代价集合F中Ni的代价值F(Ni)=min{F(Ni),FP(Ni)},得到更新后的代价值集合F',其中,min{}表示取最小值;
(5e)移动机器人将N加入到路径树T中并作为P的叶子节点,得到更新后的路径树T';
步骤6)移动机器人判断路径规划是否成功:
移动机器人检查集合Ok'中是否已经包含目标标记节点Aend,若是,执行步骤(7),否则,令T=T',F=F',Ok=Ok',并执行步骤(3);
步骤7)移动机器人对路径树T'进行回溯以得到路径规划结果:
移动机器人对路径树T'从目标标记节点Aend回溯至起始标记节点Astart,得到路径点集合{Astart,...,AP,...,Aend},并将这些路径点的连线作为移动机器人的规划路径。
本发明与现有技术相比,具有如下优点:
本发明采用基于改进启发函数的A*算法计算每个邻域节点的实际代价、预估代价和障碍代价,实际代价能够保证规划出最短的路径,包含距离因素的预估代价和包含障碍物信息的障碍代价构成每个邻域节点的启发代价,在障碍代价中构造了目标标记节点对移动机器人的吸引力和障碍物标记节点对机器人的排斥力,通过设计“虚拟力”的方式,让障碍代价中包含了方向信息,从而让启发代价包含更多启发信息,缩小了搜索空间,能够避免规划出的路径存在转折角度过大的缺陷,与现有技术相比,在保证规划路径最短的前提下,有效提高了移动机器人路径规划的效率。
附图说明
图1是本发明的实现流程图。
图2是本发明构建的移动机器人路径规划场景模型图。
图3是本发明的路径规划结果图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步的详细描述。
参照图1,本发明包括如下步骤:
步骤1)构建移动机器人路径规划场景模型:
(1a)采用栅格法将移动机器人所在的二维直角坐标系XOY平面划分为C×R个栅格,得到栅格集合Δ,每个栅格Δc,r代表一个节点,其中:
Figure BDA0002902902200000051
其中,C和R分别表示栅格集合的行数和列数,C≥2,R≥2,Δc,r表示第c行第r列个栅格,1≤c≤C,1≤r≤R,本实施例中,C=39,R=39。
(1b)将Δ中M个障碍物所在的栅格作为障碍物节点,将其余C×R-M个栅格作为移动机器人可以通行的可行节点,并对M个障碍物节点,以及可行节点中移动机器人的起始节点和目标节点进行标注,得到由障碍物标记节点集合B={Bk|1≤k≤M},以及坐标为(xstart,ystart)的起始标记节点Astart和坐标为(xend,yend)的目标标记节点Aend组成的移动机器人路径规划场景模型,其中M>1,Bk表示第k个障碍物标记节点,本实施例中,M=495。
参照图2,本实施例构建的移动机器人路径规划场景模型包含39×39个栅格;图中的黑色方块表示障碍物标记节点,一共有495个障碍物标记节点,这些障碍物标记节点构成本实施例中的障碍物标记节点集合B;图中的白色方块表示可行节点,一共有39×39-495个可通行节点;图中菱形块所在的节点为标注的起始标记节点Astart,坐标为(24,36);图中圆形所在的节点为标注的目标标记节点Aend,坐标为(4,35)。
步骤2)初始化参数并计算起始标记节点Astart的代价值:
初始化用于存放已经生成但是还没有被访问过的节点的Open集合Ok、用于存放已经访问过的节点的Close集合Ck,以及用于记录路径并以起始标记节点Astart为根节点的路径树T,初始化栅格集合Δ中每个栅格Δc,r代表的节点的代价值集合F={F(Δc,r)|F(Δc,r)=C×R},并将Astart加入到集合Ok中,同时计算起始标记节点Astart的代价值F(Astart);
F(Astart)计算公式为:
F(Astart)=|xstart-xend|+|ystart-yend|
其中,xstart和ystart分别表示Astart的横坐标和纵坐标,xend和yend分别表示Aend的横坐标和纵坐标。
本实施例中,Astart的坐标为(24,36),Aend的坐标为(4,35),因此,本实施例中的F(Astart)=|24-4|+|36-35|=21。
步骤3)移动机器人对Close集合Ck进行更新:
移动机器人检索Open集合Ok中的每一个节点,并在代价值集合F中查找节点的代价值,找出Ok中代价值最小的节点P,并将P加入到Close集合Ck中,得到更新后的Close集合Ck';
步骤4)移动机器人基于改进启发函数的A*算法计算节点P的邻域节点的代价值:
(4a)移动机器人初始化节点P的邻域节点N={Ni|1≤i≤8},Ni表示第i个邻域节点;
(4b)移动机器人基于改进启发函数的A*算法计算节点P的每个邻域节点Ni的代价值FP(Ni):
FP(Ni)=G(Ni)+H(Ni)+V(Ni)
Figure BDA0002902902200000071
Figure BDA0002902902200000072
Figure BDA0002902902200000073
Figure BDA0002902902200000074
其中,G(Ni)、H(Ni)和V(Ni)分别表示Ni的实际代价、预估代价和障碍代价,
Figure BDA0002902902200000075
表示坐标点P所受到的势场力,||·||表示取模值,θ(Ni)表示P点和邻域节点Ni点所连成的直线NiP与
Figure BDA0002902902200000076
之间的夹角,
Figure BDA0002902902200000077
表示目标标记节点Aend对P点的吸引力,
Figure BDA0002902902200000078
表示障碍物标记节点Bk对P点的排斥力,α和β分别表示
Figure BDA0002902902200000079
Figure BDA00029029022000000710
的权重,且α≥1,β≥1,
Figure BDA00029029022000000711
表示对所有属于集合B的元素Bk进行求和,xp和yp分别表示P点的横坐标和纵坐标,xstart和ystart分别表示起点Astart的横坐标和纵坐标,
Figure BDA00029029022000000712
Figure BDA00029029022000000713
分别表示移动机器人路径规划场景模型中X轴的方向向量和Y轴的方向向量,xBk和yBk分别表示Bk的横坐标和纵坐标,m表示Bk的距离阈值,m≥2,本实施例中,α=5,β=2,m=2。
本发明对A*算法改进为:在代价函数中加入了障碍代价,改进后的代价函数包括实际代价G(Ni)、预估代价H(Ni)和障碍代价V(Ni),将H(Ni)和V(Ni)的和H(Ni)+V(Ni)作为改进A*算法中的启发函数,这一启发函数不仅考虑了距离因素,还考虑了障碍物的信息,包含更多启发信息。实际代价G(Ni)和预估代价H(Ni),计算公式分别为:
Figure BDA0002902902200000081
Figure BDA0002902902200000082
其中,xp和yp分别表示坐标点P的横坐标和纵坐标,xNi和yNi分别表示邻域节点Ni的横坐标和纵坐标,xend和yend分别表示Aend的横坐标和纵坐标,min{}表示取最小值。
例如,在本实例中,当P的坐标为(22,35),Ni的坐标为(23,35),G(P)的值为16时,可以计算出实际代价
Figure BDA0002902902200000083
预估代价
Figure BDA0002902902200000084
步骤5)移动机器人对Open集合Ok、代价值集合F和路径树T进行更新:
(5a)移动机器人对Open集合Ok进行更新:
(5a1)移动机器人将节点P从Open集合Ok中移除,并令i=1;
由于节点P已经完成了搜索,因此将节点从Ok中移除,以确保移动机器人下一次不会再搜索到此节点。
(5a2)移动机器人判断Ni是否存在于Open集合Ok中,若是,执行步骤(5a3),否则,将Ni加入Open集合Ok,并执行步骤(5a3);
(5a3)移动机器人判断i=8是否成立,若是,得到更新后的Open集合Ok',否则,令i=i+1,并执行步骤(5a2);
如果i=8,说明移动机器人对N中所有的元素都完成了判断,那么,对Ok的更新也就完成了,因此得到更新后的Open集合Ok',否则,还需要对其他元素进行判断。
(5d)移动机器人令代价集合F中Ni的代价值F(Ni)=min{F(Ni),FP(Ni)},得到更新后的代价值集合F',其中,min{}表示取最小值;
(5e)移动机器人将N加入到路径树T中并作为P的叶子节点,得到更新后的路径树T';
步骤6)移动机器人判断路径规划是否成功:
移动机器人检查集合Ok'中是否已经包含目标标记节点Aend,若是,令T=T',并执行步骤(7),否则,令T=T',F=F',Ok=Ok',并执行步骤(3);
若集合Ok'中已经包含目标点Aend,说明移动机器人已经搜索到了目标标记节点Aend,已经成功找到了一条从起始标记节点到目标标记节点的路径;否则,还需要继续进行搜索,因此需要用更新后的Open集合Ok'、代价值集合F'和路径树T'替换原来的Open集合Ok、代价值集合F和路径树T,并开始下一次搜索。
步骤7)移动机器人对路径树T'进行回溯以取路径规划结果:
移动机器人对路径树T'从目标标记节点Aend回溯至起始标记节点Astart,得到路径点集合{Astart,...,AP,...,Aend},并将这些路径点的连线作为移动机器人的规划路径,本实施例中移动机器人规划的路径如图3所示,图3中的·表示路径点,路径点之间的连线就是本实施例中移动机器人规划的路径,从图中可以看出移动机器人规划出了最短的路径,且路径没有冗余的转折点,总转折角度较小。

Claims (3)

1.一种基于改进启发函数的A*算法的移动机器人路径规划方法,其特征在于,包括如下步骤:
(1)构建移动机器人路径规划场景模型:
(1a)采用栅格法将移动机器人所在的二维直角坐标系XOY平面划分为C×R个栅格,得到栅格集合Δ,每个栅格Δc,r代表一个节点,其中:
Figure FDA0003689140470000011
其中,C和R分别表示栅格集合的行数和列数,C≥2,R≥2,Δc,r表示第c行第r列个栅格,1≤c≤C,1≤r≤R;
(1b)将Δ中M个障碍物所在的栅格作为障碍物节点,将其余C×R-M个栅格作为移动机器人可以通行的可行节点,并对M个障碍物节点,以及可行节点中移动机器人的起始节点和目标节点进行标注,得到由障碍物标记节点集合B={Bk|1≤k≤M},以及坐标为(xstart,ystart)的起始标记节点Astart和坐标为(xend,yend)的目标标记节点Aend组成的移动机器人路径规划场景模型,其中M>1,Bk表示第k个障碍物标记节点;
(2)初始化参数并计算起始标记节点Astart的代价值:
初始化用于存放已经生成但是还没有被访问过的节点的Open集合Ok、用于存放已经访问过的节点的Close集合Ck,以及用于记录路径并以起始标记节点Astart为根节点的路径树T,初始化栅格集合Δ中每个栅格Δc,r代表的节点的代价值集合F={F(Δc,r)|F(Δc,r)=C×R},并将Astart加入到集合Ok中,同时计算起始标记节点Astart的代价值F(Astart);
(3)移动机器人对Close集合Ck进行更新:
移动机器人检索Open集合Ok中的每一个节点,并在代价值集合F中查找节点的代价值,找出Ok中代价值最小的节点P,并将P加入到Close集合Ck中,得到更新后的Close集合Ck';
(4)移动机器人基于改进启发函数的A*算法计算节点P的邻域节点的代价值:
(4a)移动机器人初始化节点P的邻域节点N={Ni|1≤i≤8},Ni表示第i个邻域节点;
(4b)移动机器人基于改进启发函数的A*算法计算节点P的每个邻域节点Ni的代价值FP(Ni):
FP(Ni)=G(Ni)+H(Ni)+V(Ni)
Figure FDA0003689140470000021
Figure FDA0003689140470000022
Figure FDA0003689140470000023
Figure FDA0003689140470000024
其中,G(Ni)、H(Ni)和V(Ni)分别表示Ni的实际代价、预估代价和障碍代价,
Figure FDA0003689140470000025
表示坐标点P所受到的势场力,||·||表示取模值,θ(Ni)表示P点和邻域节点Ni点所连成的直线NiP与
Figure FDA0003689140470000026
之间的夹角,
Figure FDA0003689140470000027
表示目标标记节点Aend对P点的吸引力,
Figure FDA0003689140470000028
表示障碍物标记节点Bk对P点的排斥力,α和β分别表示
Figure FDA0003689140470000029
Figure FDA00036891404700000210
的权重,且α≥1,β≥1,
Figure FDA00036891404700000211
表示对所有属于集合B的元素Bk进行求和,xp和yp分别表示P点的横坐标和纵坐标,xstart和ystart分别表示起点Astart的横坐标和纵坐标,
Figure FDA0003689140470000031
Figure FDA0003689140470000032
分别表示移动机器人路径规划场景模型中X轴的方向向量和Y轴的方向向量,
Figure FDA0003689140470000033
Figure FDA0003689140470000034
分别表示Bk的横坐标和纵坐标,m表示Bk的距离阈值,m≥2;
(5)移动机器人对Open集合Ok、代价值集合F和路径树T进行更新:
(5a)移动机器人对Open集合Ok进行更新:
(5a1)移动机器人将节点P从Open集合Ok中移除,并令i=1;
(5a2)移动机器人判断Ni是否存在于Open集合Ok中,若是,执行步骤(5a3),否则,将Ni加入Open集合Ok,并执行步骤(5a3);
(5a3)移动机器人判断i=8是否成立,若是,得到更新后的Open集合Ok',否则,令i=i+1,并执行步骤(5a2);
(5d)移动机器人令代价集合F中Ni的代价值F(Ni)=min{F(Ni),FP(Ni)},得到更新后的代价值集合F',其中,min{}表示取最小值;
(5e)移动机器人将N加入到路径树T中作为P的叶子节点,得到更新后的路径树T';
(6)移动机器人判断路径规划是否成功:
移动机器人检查集合Ok'中是否已经包含目标标记节点Aend,若是,执行步骤(7),否则,令T=T',F=F',Ok=Ok',并执行步骤(3);
(7)移动机器人对路径树T'进行回溯以得到路径规划结果:
移动机器人对路径树T'从目标标记节点Aend回溯至起始标记节点Astart,得到路径点集合{Astart,...,AP,...,Aend},并将这些路径点的连线作为移动机器人的规划路径。
2.根据权利要求1所述的基于改进启发函数的A*算法的移动机器人路径规划方法,其特征在于,步骤(2)中计算起始标记节点Astart的代价值F(Astart),计算公式为:
F(Astart)=|xstart-xend|+|ystart-yend|
其中,xstart和ystart分别表示Astart的横坐标和纵坐标,xend和yend分别表示Aend的横坐标和纵坐标。
3.根据权利要求1所述的基于改进启发函数的A*算法的移动机器人路径规划方法,其特征在于,步骤(4b)中的Ni的实际代价G(Ni)和预估代价H(Ni),计算公式分别为:
Figure FDA0003689140470000041
Figure FDA0003689140470000042
其中,xp和yp分别表示坐标点P的横坐标和纵坐标,
Figure FDA0003689140470000043
Figure FDA0003689140470000044
分别表示邻域节点Ni的横坐标和纵坐标,xend和yend分别表示Aend的横坐标和纵坐标,min{}表示取最小值。
CN202110061657.9A 2021-01-18 2021-01-18 基于改进启发函数的a*算法的移动机器人路径规划方法 Active CN112857384B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110061657.9A CN112857384B (zh) 2021-01-18 2021-01-18 基于改进启发函数的a*算法的移动机器人路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110061657.9A CN112857384B (zh) 2021-01-18 2021-01-18 基于改进启发函数的a*算法的移动机器人路径规划方法

Publications (2)

Publication Number Publication Date
CN112857384A CN112857384A (zh) 2021-05-28
CN112857384B true CN112857384B (zh) 2022-07-26

Family

ID=76006279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110061657.9A Active CN112857384B (zh) 2021-01-18 2021-01-18 基于改进启发函数的a*算法的移动机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN112857384B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113219990B (zh) * 2021-06-02 2022-04-26 西安电子科技大学 基于自适应邻域与转向代价的机器人路径规划方法
CN113551682B (zh) * 2021-07-19 2022-07-08 大连理工大学 一种考虑地形与地势影响的两栖无人战车的路径规划方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102520718A (zh) * 2011-12-02 2012-06-27 上海大学 一种基于物理建模的机器人避障路径规划方法
CN106708054A (zh) * 2017-01-24 2017-05-24 贵州电网有限责任公司电力科学研究院 结合地图栅格与势场法避障的巡检机器人路径规划方法
CN108195375A (zh) * 2017-12-07 2018-06-22 东莞深圳清华大学研究院创新中心 一种非对称各项异性的全方位移动机器人的路径规划方法
CN108896052A (zh) * 2018-09-20 2018-11-27 鲁东大学 一种基于动态复杂环境下的移动机器人平滑路径规划方法
CN110442125A (zh) * 2019-07-15 2019-11-12 电子科技大学 一种移动机器人的动态路径规划方法
CN110543190A (zh) * 2018-12-10 2019-12-06 西安电子科技大学 智能目标搜索中无人设备的路径规划方法
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
CN112013846A (zh) * 2020-08-18 2020-12-01 南京信息工程大学 一种结合动态步长rrt*算法和势场法的路径规划方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4103057B2 (ja) * 1998-06-29 2008-06-18 株式会社安川電機 ロボットの動作経路計画方法およびその装置
KR101901958B1 (ko) * 2012-03-26 2018-11-08 한국전자통신연구원 휴리스틱 함수의 학습을 이용한 고속 경로를 탐색을 위한 장치 및 그 방법
JP6606442B2 (ja) * 2016-02-24 2019-11-13 本田技研工業株式会社 移動体の経路計画生成装置
US10539967B2 (en) * 2016-08-23 2020-01-21 King Fahd University Of Petroleum And Minerals GPS-free robots
CN110045732B (zh) * 2019-03-28 2022-06-07 暨南大学 一种启发式路径规划方法
CN110928295B (zh) * 2019-10-16 2022-08-23 重庆邮电大学 一种融合人工势场与对数蚁群算法的机器人路径规划方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102520718A (zh) * 2011-12-02 2012-06-27 上海大学 一种基于物理建模的机器人避障路径规划方法
CN106708054A (zh) * 2017-01-24 2017-05-24 贵州电网有限责任公司电力科学研究院 结合地图栅格与势场法避障的巡检机器人路径规划方法
CN108195375A (zh) * 2017-12-07 2018-06-22 东莞深圳清华大学研究院创新中心 一种非对称各项异性的全方位移动机器人的路径规划方法
CN108896052A (zh) * 2018-09-20 2018-11-27 鲁东大学 一种基于动态复杂环境下的移动机器人平滑路径规划方法
CN110543190A (zh) * 2018-12-10 2019-12-06 西安电子科技大学 智能目标搜索中无人设备的路径规划方法
CN110442125A (zh) * 2019-07-15 2019-11-12 电子科技大学 一种移动机器人的动态路径规划方法
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
CN112013846A (zh) * 2020-08-18 2020-12-01 南京信息工程大学 一种结合动态步长rrt*算法和势场法的路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Erke Shang ; Bin Dai ; Yiming Nie ; Qi Zhu ; Liang Xiao ; Dawei Zhao.A Guide-line and Key-point based A-star Path Planning Algorithm For Autonomous Land Vehicles.《2020 IEEE 23rd International Conference on Intelligent Transportation Systems》.2020,全文. *
基于改进势场栅格法的全局路径规划与平滑;陈呈,王直;《信息通信》;20180630(第6期);全文 *

Also Published As

Publication number Publication date
CN112857384A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN110487279B (zh) 一种基于改进a*算法的路径规划方法
CN113219998B (zh) 一种基于改进双向informed-RRT*的车辆路径规划方法
CN112857384B (zh) 基于改进启发函数的a*算法的移动机器人路径规划方法
CN110231824B (zh) 基于直线偏离度方法的智能体路径规划方法
CN110095122B (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
CN106525047B (zh) 一种基于floyd算法的无人机路径规划方法
CN112327856B (zh) 一种基于改进A-star算法的机器人路径规划方法
WO2023155371A1 (zh) 室内移动机器人的平稳移动全局路径规划方法
CN108827335B (zh) 一种基于单向搜索模型的最短路径规划方法
CN108413963B (zh) 基于自学习蚁群算法的条形机器人路径规划方法
CN112327876B (zh) 一种基于终距指数的机器人路径规划方法
CN110802601B (zh) 一种基于果蝇优化算法的机器人路径规划方法
CN113485369A (zh) 改进a*算法的室内移动机器人路径规划和路径优化方法
CN108827311A (zh) 一种制造车间无人搬运系统路径规划方法
CN113703450B (zh) 基于平滑因素改进蚁群算法的移动机器人路径规划方法
CN115167474A (zh) 一种移动机器人路径规划优化方法
CN113325799B (zh) 一种曲面工件的点焊机器人操作空间平滑路径规划方法
CN114545921B (zh) 一种基于改进rrt算法的无人汽车路径规划算法
CN114326726B (zh) 一种基于a*与改进人工势场法的编队路径规划控制方法
CN112099501A (zh) 一种基于势场参数优化的无人艇路径规划方法
CN114705196A (zh) 一种用于机器人的自适应启发式全局路径规划方法与系统
CN110705803A (zh) 基于三角形内心引导rrt算法的路径规划方法
CN113721622A (zh) 一种机器人路径规划方法
CN116734877A (zh) 基于改进a*算法与动态窗口法的机器人动态避障方法
CN112484733B (zh) 一种基于拓扑图的强化学习室内导航方法

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