CN112884256B - 路径规划方法、装置、计算机设备和存储介质 - Google Patents
路径规划方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112884256B CN112884256B CN202110462795.8A CN202110462795A CN112884256B CN 112884256 B CN112884256 B CN 112884256B CN 202110462795 A CN202110462795 A CN 202110462795A CN 112884256 B CN112884256 B CN 112884256B
- Authority
- CN
- China
- Prior art keywords
- path
- node
- reconstruction
- preset
- degree
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000005457 optimization Methods 0.000 claims abstract description 71
- 238000005070 sampling Methods 0.000 claims abstract description 66
- 238000012216 screening Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 118
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 abstract description 8
- 238000009499 grossing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000000052 comparative effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 101150096839 Fcmr gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G05D1/0202—Control of position or course in two dimensions specially adapted to aircraft
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
- B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D47/00—Equipment not otherwise provided for
- B64D47/08—Arrangements of cameras
-
- 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
- G05D1/0011—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement
- G05D1/0038—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement by providing the operator with simple or augmented images from one or more cameras located onboard the vehicle, e.g. tele-operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
- B64U2101/32—UAVs specially adapted for particular uses or applications for imaging, photography or videography for cartography or topography
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2201/00—UAVs characterised by their flight controls
- B64U2201/10—UAVs characterised by their flight controls autonomous, i.e. by navigating independently from ground or air stations, e.g. by using inertial navigation systems [INS]
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Studio Devices (AREA)
Abstract
本申请涉及一种路径规划方法、装置、计算机设备和存储介质。所述方法基于快速随机拓展树设计优化函数以规划路径,当判断预设采样点的重建度达到预设要求时,根据包括重建完整性优化函数、路径有效性优化函数和路径平滑函数的目标函数,从随机树中筛选出最优路径。上述方法,摒除了传统的以视点为优化对象的做法,以路径为优化对象,设计了路径平滑性优化函数,考虑了路径平滑程度对采集时间和能耗的影响,使得规划出的路径更短且更为平滑,进而节约数据采集的时间和能耗。同时,设计了路径有效性优化函数和重建完整性优化函数,能够进一步提高采集的数据的有效性和质量。综上所述,本申请提供的方法能够有效提高数据采集的效率。
Description
技术领域
本申请涉及路径规划技术领域,特别是涉及一种路径规划方法、装置、计算机设备和存储介质。
背景技术
随着无人机技术的快速发展,基于无人机的照片采集技术趋近成熟,成为研究的焦点。
现有的面向目标场景重建的路径规划方法,均先基于目标场景的三维先验几何信息计算出最优的采集照片的视点集合,再用其他诸如旅行商人问题算法将优化的视点集合连接成路径,并最终得到规划出的、提供给无人机完成采集任务所使用的路径。这种采取先确定采集照片的视点再将其连接成路径的策略,使得规划出的路径忽视了从一个视点到下一个视点的路径中可能存在的、有助于提高重建质量的采集视点,造成资源浪费。且规划路径过程中的优化对象是视点,这也让路径的平滑性很难在规划过程中得到保障或者调整,存在规划出的路径过长,使得无人机的能耗较高,从而拉长了数据采集的时间,影响数据采集的高效性。
由此可见,现有的路径规划方法存在数据采集效率太低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高数据采集效率的路径规划方法、装置、计算机设备和存储介质。
一种路径规划方法,所述方法包括:
获取场景先验几何信息和随机树;
判断场景先验几何信息上的预设采样点的重建度是否达到预设要求;
当预设采样点的重建度未达到预设要求时,则在预设无障碍区域随机生成新增节点;
在随机树中寻找位于新增节点的预设范围内的节点,得到节点集合;
当节点集合不为空时,从节点集合中筛选出目标节点,将新增节点连接至目标节点,目标节点为使以新增节点为终点的路径对应的预设目标函数达到最大值的节点;
对新增节点进行子树重连接操作,更新随机树,返回至判断场景先验几何信息上的预设采样点的重建度是否达到预设要求的步骤;
当预设采样点的重建度达到预设要求时,则从最新的随机树中筛选出最优路径,最优路径为使预设目标函数达到最大值的路径;
其中,预设目标函数包括重建完整性优化函数、路径有效性优化函数以及路径平滑性优化函数。
在一个实施例中,从最新的随机树中筛选出最优路径包括:
针对最新的随机树中的可行路径,获取各可行路径的重建贡献度、行驶转向消耗值以及行驶距离消耗值,可行路径为对预设采样点的覆盖度达到预设要求的路径;
基于重建贡献度、行驶转向消耗值以及行驶距离消耗值,结合重建完整性优化函数、路径有效性优化函数以及路径平滑性优化函数,得到各可行路径对应的目标函数值;
将目标函数值最大的可行路径确定为最优路径。
在一个实施例中,获取各可行路径的重建贡献度包括:
获取已知的重建贡献度集合;
从重建贡献度集合中,查找与当前图像采集设备距离最近的图像采集设备所对应的重建贡献度,得到目标重建贡献度;
将目标重建贡献度确定为当前图像采集设备的重建贡献度;
基于各可行路径上的图像采集设备的重建贡献度,得到各可行路径的重建贡献度。
在一个实施例中,获取各可行路径的行驶转向消耗值包括:
确定各可行路径上的各节点的镜头朝向;
根据各节点的镜头朝向,获取各可行路径的行驶转向消耗值。
在一个实施例中,确定可行路径上各节点的镜头朝向包括:
获取图像采集设备镜头参数和预设镜头朝向;
当图像采集设备镜头参数表征为多镜头时,则将当前节点的镜头朝向确定为预设镜头朝向;
当图像采集设备镜头参数表征为单镜头时,获取当前节点的位置信息以及当前节点的父节点的位置信息和镜头朝向,基于当前节点的位置信息以及当前节点的父节点的位置信息和镜头朝向,执行预设的镜头朝向计算策略,确定当前节点的镜头朝向,进而确定可行路径上各节点的镜头朝向。
在一个实施例中,在随机树中寻找位于新增节点的预设范围内的节点,得到节点集合之后,还包括:
当节点集合为空时,则筛选出随机树中与新增节点的距离最近的节点,将新增节点连接至节点。
在一个实施例中,获取随机树包括:
获取起始航点以及起始航点对应的镜头朝向;
将起始航点和起始航点对应的镜头朝向作为根节点,初始化随机树。
一种路径规划装置,所述装置包括:
数据获取模块,用于获取场景先验几何信息和随机树;
重建度判断模块,用于判断场景先验几何信息上的预设采样点的重建度是否达到预设要求;
节点生成模块,用于当预设采样点的重建度未达到预设要求时,则在预设无障碍区域随机生成新增节点;
节点查找模块,用于在随机树中寻找位于新增节点的预设范围内的节点,得到节点集合;
节点连接模块,用于根据预设目标函数从节点集合中筛选出目标节点,将新增节点连接至目标节点,目标节点为使以新增节点为终点的路径对应的预设目标函数达到最大值的节点;
子树重连模块,用于对新增节点进行子树重连接操作,更新随机树,唤醒判断模块执行判断场景先验几何信息上的预设采样点的重建度是否达到预设要求的操作;
路径筛选模块,用于当预设采样点的重建度达到预设要求时,则从最新的随机树中筛选出最优路径,最优路径为使预设目标函数达到最大值的路径;
其中,预设目标函数包括重建完整性优化函数、路径有效性优化函数以及路径平滑性优化函数。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取场景先验几何信息和随机树;
判断场景先验几何信息上的预设采样点的重建度是否达到预设要求;
当预设采样点的重建度未达到预设要求时,则在预设无障碍区域随机生成新增节点;
在随机树中寻找位于新增节点的预设范围内的节点,得到节点集合;
从节点集合中筛选出目标节点,将新增节点连接至目标节点,目标节点为使以新增节点为终点的路径对应的预设目标函数达到最大值的节点;
对新增节点进行子树重连接操作,更新随机树,返回至判断场景先验几何信息上的预设采样点的重建度是否达到预设要求的步骤;
当预设采样点的重建度达到预设要求时,则从最新的随机树中筛选出最优路径,最优路径为使预设目标函数达到最大值的路径;
其中,预设目标函数包括重建完整性优化函数、路径有效性优化函数以及路径平滑性优化函数。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取场景先验几何信息和随机树;
判断场景先验几何信息上的预设采样点的重建度是否达到预设要求;
当预设采样点的重建度未达到预设要求时,则在预设无障碍区域随机生成新增节点;
在随机树中寻找位于新增节点的预设范围内的节点,得到节点集合;
从节点集合中筛选出目标节点,将新增节点连接至目标节点,目标节点为使以新增节点为终点的路径对应的预设目标函数达到最大值的节点;
对新增节点进行子树重连接操作,更新随机树,返回至判断场景先验几何信息上的预设采样点的重建度是否达到预设要求的步骤;
当预设采样点的重建度达到预设要求时,则从最新的随机树中筛选出最优路径,最优路径为使预设目标函数达到最大值的路径;
其中,预设目标函数包括重建完整性优化函数、路径有效性优化函数以及路径平滑性优化函数。
上述路径规划方法、装置、计算机设备和存储介质,基于快速随机拓展树设计优化函数以规划路径,当判断预设采样点的重建度达到预设要求时,根据包括重建完整性优化函数、路径有效性优化函数和路径平滑函数的目标函数,从随机树中筛选出最优路径。上述方法,摒除了传统的以视点为优化对象的做法,以路径为优化对象,设计了路径平滑性优化函数,考虑了路径平滑程度对采集时间和能耗的影响,使得规划出的路径更短且更为平滑,进而节约数据采集的时间和能耗。同时,设计了路径有效性优化函数和重建完整性优化函数,能够进一步提高采集的数据的有效性和质量。综上所述,本申请提供的方法能够有效提高数据采集的效率。
附图说明
图1为一个实施例中路径规划方法的流程示意图;
图2为一个实施例中相机对采样点进行采样的示意图;
图3为另一个实施例中路径规划方法的详细流程示意图;
图4为一个实施例中从最新的随机树中筛选出最优路径步骤的流程示意图;
图5(a)为一个实施例中仿真实验中本申请与现有技术规划出的路径和场景重建结果对比图;
图5(b)为一个实施例中真实实验中本申请与现有技术规划出的路径和场景重建结果对比图;
图6为一个实施例中场景重建数据采集装置的结构框图;
图7为另一个实施例中场景重建数据采集装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种路径规划方法,本实施例以该方法应用于服务器为例进行说明。可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本申请提供的路径规划算法,基于无人机进行规划,也可基于地面机器人进行规划。主要以配备多镜头相机及单镜头相机的无人机为主要讨论对象,但同时也适用于搭载其他镜头数量、镜头类型的无人机。具体方法采用快速随机拓展树(RRT,rapidly exploring random tree)作为主要优化器,同时根据重建完整性、效率性、平滑性设计了三个优化项,三个优化项可根据不同的目的进行权重调度以达到任务目的。本实施例中,该方法包括以下步骤:
步骤202,获取场景先验几何信息和随机树。
场景先验几何信息即指待重建的目标场景的先验几何信息,包括场景中的待重建目标的三维表示数据和采样点(即场景的局部区域)等。随机树记为G=<V,E>,其中,V←为随机树的节点列表,E←φ表示节点之间的扩展关系。
如图1所示,在一个实施例中,获取随机树包括:获取起始航点以及起始航点对应的镜头朝向,将起始航点和起始航点对应的镜头朝向作为根节点,初始化随机树。
本实施例中,可以是根据场景先验几何信息生成起始航点,或者随机生成一个起始航点,记为。在实际应用中,每个航点都会记录该航点位置上的镜头朝向,本实施例中,可以是将起始航点和该起始航点上的镜头朝向作为根节点,初始化随机树,之后,进入扩展随机树的过程。
步骤204,判断场景先验几何信息上的预设采样点的重建度是否达到预设要求。
在已知需要重建的目标场景的先验粗糙几何信息的情况下,需要判断目标场景的每一个采样点(局部区域)是否可以被很好的重建。基于此目的,本实施例中,定义一个度量公式用以预测某一个特定的局部即预设采样点是否可以被已有的图片很好的重建。具体可参见图2,其中,表示相机,表示先验粗糙几何上的采样点,表示相机对及其周围局部的贡献度。如图2所示,一个相机可能对多个采样局部区域有重建贡献度,一个采样局部区域的重建贡献度来源于多个相机。是以()与半球H的交点为圆心的圆,半径计算基于以及()与法向量的夹角。
除此之外,为使得在规划过程中得到的路径尽量平滑、沿路径的采集效率尽量高,定义下列消耗函数:
其中为路径在航线点处的转向角度,为行驶转向消耗函数,为行驶距离消耗函数。然后,基于上述消耗函数和重建完整性优化函数,定义了旨在让采集路径更有效的路径有效性优化函数以及旨在让采集路径更平滑的路径平滑性优化函数
本实施例中,可根据上述定义的相机的重建贡献度,计算路径段对预设采样点的重建贡献度,若预设采样点的重建贡献度大于预设的重建贡献度阈值,则判断预设采样点的重建度达到预设要求,进入步骤214。否则,则判断预设采样点的重建度未达到预设要求,进入步骤206。
步骤206,当预设采样点的重建度未达到预设要求时,则在预设无障碍区域随机生成新增节点。
步骤208,在随机树中寻找位于新增节点的预设范围内的节点,得到节点集合。
当生成新增节点后,需要将新增节点连接至随机树中的节点,以扩展随机树,便于最优路径的输出。具体的,可以是在随机树中节点列表V中寻找位于新增节点的预设范围内的节点,得到节点集合N。
步骤210,从节点集合中筛选出目标节点,将新增节点连接至目标节点,目标节点为使以新增节点为终点的路径对应的预设目标函数达到最大值的节点。
为保证规划出的路径为最优路径,需从随机树的节点列表中选择出一个最佳节点与新增节点连接。可以是选择使得以起始航点至这段路径{}所对应的目标函数达到最大值的节点。具体的,针对随机树中节点列表的每一个节点,获取计算预设目标函数所需的参数,如重建贡献度、距离以及镜头转向角度等参数,将上述参数代入到目标函数的表达式,计算得到各节点至新增节点的路径段对应的目标函数的值,然后,比较各函数值,筛选出函数值最大,标记为目标节点,再将新增节点连接至,使得通过连接至随机树。
如图3所示,在一个实施例中,在随机树中寻找位于新增节点的预设范围内的节点,得到节点集合之后,还包括步骤220:
当节点集合为空时,则筛选出随机树中与新增节点的距离最近的节点,将新增节点连接至节点。
在扩展随机树的过程中,若在随机树的节点列表中未查找到位于新增节点的预设范围内的节点,即节点集合N为空时,则在随机树的节点列表中选择离新增节点距离最近的节点作为目标节点,将新增节点连接至该目标节点,进入步骤212。
步骤212,对新增节点进行子树重连接操作,更新随机树,返回至步骤204。
新增节点连接至随机树中,同样的,将新增节点的子树进行重连接操作。具体的,获取随机树<V,E>及其中将待重连接的节点w,初始化队列Q={w},将Q中第一个元素取出,记作w*,初始化i=1,在V中寻找位于w*的预设r范围内但不是w*的祖先节点的节点,得到节点集合M={w_1,...,w_n},计算所有通过w_i(0<i<n)节点的路径所对应的目标函数E(T)值,将E(T)的最大值记作v_old,再计算若将w_i连接至w*后,所有通过w_i节点的路径所取得的E(T)的最大值记作v_new,若v_new大于v_old,则将w_i重连到w*上,否则i=i+1,返回至计算所有通过w_i(0<i<n)节点的路径所对应的目标函数E(T)值的步骤,直至完成重连接操作,更新随机树,再返回至步骤204。
步骤214,当预设采样点的重建度达到预设要求时,则从最新的随机树中筛选出最优路径,最优路径为使预设目标函数达到最大值的路径。
完成新增节点的子树重连接操作后,当预设采样点的重建度达到预设要求及预设采样点能够被良好覆盖,此时,随机树中含多条能够覆盖的路径,根据目标函数E(T),从众多的路径选择出能使目标函数达到最大值的路径作为最优路径。
上述路径规划方法,基于快速随机拓展树设计优化函数以规划路径,基于快速随机拓展树设计优化函数以规划路径,当判断预设采样点的重建度达到预设要求时,根据包括重建完整性优化函数、路径有效性优化函数和路径平滑函数的目标函数,从随机树中筛选出最优路径。上述方法,摒除了传统的以视点为优化对象的做法,以路径为优化对象,设计了路径平滑性优化函数,考虑了路径平滑程度对采集时间和能耗的影响,使得规划出的路径更短且更为平滑,进而节约数据采集的时间和能耗。同时,设计了路径有效性优化函数和重建完整性优化函数,能够进一步提高采集的数据的有效性和质量。综上所述,本申请提供的方法能够有效提高数据采集的效率。
如图4所示,在一个实施例中,从最新的随机树中筛选出最优路径包括:
步骤224,针对最新的随机树中的可行路径,获取各可行路径的重建贡献度、行驶转向消耗值以及行驶距离消耗值,可行路径为对预设采样点的覆盖度达到预设要求的路径;
步骤244,基于重建贡献度、行驶转向消耗值以及行驶距离消耗值,结合重建完整性优化函数、路径有效性优化函数以及路径平滑性优化函数,得到各可行路径对应的目标函数值;
步骤264,将目标函数值最大的可行路径确定为最优路径。
以无人机为例,行驶转向消耗值则为飞行转向消耗值,行驶距离消耗值则为飞行距离消耗值。具体实施时,一条路径上有若干相机,筛选最优路径可以是将每条路径以航点为分割点,将该路径分为多个路径段,如表示一段结束于航线点的路径段。获取每个路径段上各可行路径的重建贡献度,进而将所有相机点的重建贡献度求和,得到该路径段对预设采样点的重建贡献度,进而得到整条路径对应的重建贡献度。同样的,获取各航点上的镜头转向和航点之间的距离,结合行驶转向消耗函数和行驶距离消耗函数,得到各路径的飞行转向消耗值和飞行距离消耗值,进而得到路径有效性优化函数的值和路径平滑性优化函数的值,然后,按照的函数表达式,求得每条路径的目标函数的值。最后,再将目标函数值最大的路径确定为最优路径。本实施例中,设计了三个优化函数,能够使得规划出的最优路径为最高效的路径。进一步的,根据重建完整性、效率性、平滑性设计了三个优化函数,三个优化函数可根据不同的目的进行权重调度以达到任务目的。
在一个实施例中,获取各可行路径的重建贡献度包括:获取已知的重建贡献度集合,从重建贡献度集合中,查找与当前图像采集设备距离最近的图像采集设备所对应的重建贡献度,得到目标重建贡献度;将目标重建贡献度确定为当前图像采集设备的重建贡献度;基于各可行路径上的图像采集设备的重建贡献度,得到各可行路径的重建贡献度。
重建贡献度集合亦可称为视野信息域字典(VIF,view information)。图像采集设备包括摄像头或相机等用于采集图像数据的设备,本实施例中以相机为例,在实际应用中,由于目标函数值的计算较为复杂,耗时较长,为了对计算进行加速,节约时间,设计了视野信息域字典。由此,在计算过程中,不再真实地去计算节点实际位置和朝向带来的重建贡献度。取而代之地,基于路径中的各相机,在信息域字典中查找与当前相机距离最近的相机点的重建贡献度,进而将查找出的重建贡献度作为当前相机的重建贡献度,以此方式,得到该路径中每一个相机点的重建贡献度,进而得到各可行路径的重建贡献度,提升算法速度。
如图3所示,在一个实施例中,获取各可行路径的行驶转向消耗值包括:确定各可行路径上的各节点的镜头朝向;根据各节点的镜头朝向,获取各可行路径的行驶转向消耗值。
在实际应用中,无人机配备多镜头相机及单镜头相机,故路径规划可细分为多镜头路径规划算法和单镜头路径规划算法。其中,对于多镜头相机,由于镜头本身不移动,可以在规划过程中忽略它的镜头朝向,其镜头朝向默认为设置的镜头朝向值。而对于单镜头相机的路径规划中,无人机相机的镜头朝向需要被确定。此处,根节点的航点的镜头朝向是预先确定的,那么在每一次加入新节点(航点)时,需要确定新节点的镜头朝向,且每次当随机树中已存在的节点需要被重新连接到其他节点时,也需要更新该节点的镜头朝向。因此,在将新增节点连接至目标节点时,需要确定新增节点的镜头朝向。基于行驶转向消耗函数可知,要得到各路径的目标函数值,需知晓各节点上的镜头朝向,以便规划最优路径。
在一个实施例中,确定可行路径上各节点的镜头朝向包括:获取图像采集设备镜头参数和预设镜头朝向,当图像采集设备镜头参数表征为多镜头时,则将当前节点的镜头朝向确定为预设镜头朝向;当图像采集设备镜头参数表征为单镜头时,获取当前节点的位置信息以及当前节点的父节点的位置信息和镜头朝向,基于当前节点的位置信息以及当前节点的父节点的位置信息和镜头朝向,执行预设的镜头朝向计算策略,确定当前节点的镜头朝向,进而确定可行路径上各节点的镜头朝向。
具体的,图像采集设备镜头参数包括相机镜头参数。镜头朝向计算策略如下:单镜头相机的航点之间的镜头朝向通过与前后航点的距离插值决定。具体的,获取父节点w_a的坐标及其镜头朝向水平角a_1与竖直角a_2,以及子节点w_b的坐标,初始化该路径段最大重建贡献度v_max=0,以及初始化对应子节点w_b的相机角度(b_1,b_2)=(0,90),初始化临时相机角度(b*_1,b*_2)=(0,90),将临时相机角度依次增加45度旋转,将路径段(w_a,w_b)以及无人机拍照距离分为视角点集合{ w_1,…,w_n },根据距离以及w_a的相机角度(a_1,a_2)和w_b的相机角度(b_1,b_2)插值出视角点集合中每个视角点的镜头角度,计算该路径段的重建贡献度v=,若v大于当前的最大重建贡献度v_max,则v_max=v,(b_1,b_2)=(b*_1,b*_2),确定w_b的镜头朝向。承接上述实施例,具体到确定新增节点w_new的镜头朝向中,可将新增节点w_new视为子节点,目标节点视为父节点,按镜头朝向计算策略,确定新增节点的镜头朝向。在将新增节点连接至目标节点后,获取相机镜头参数和预设镜头朝向,识别相机是单镜头相机还是多镜头相机。若为多镜头相机,则新增节点的镜头朝向仍默认为预设的镜头朝向。若为单镜头相机,则获取新增节点的位置,以及目标节点的位置信息和镜头朝向,基于新增节点的位置信息,以及目标节点的位置信息和镜头朝向,执行预设的镜头朝向计算策略,确定新增节点的镜头朝向。本实施例中,根据距离插值决定节点的镜头朝向,能够简单快速确定各节点的镜头朝向,进而快速得到目标函数的值,规划出最优路径,提升算法速度。
为了验证本申请中所提出的路径规划方法的有效性和优越性,对本申请提供的路径规划方法分别进行了仿真实验和真实实验。
仿真实验:在虚拟环境中针对给定的虚拟场景使用本算法进行路径规划,并使用商业软件对采集到的照片进行重建,重建结果如图5(a)所示。图5(a)中的第一行:本申请和现有方法规划出的路径的对比图;图5(a)中第二行:是本申请和现有方法对场景的重建结果的对比图;图5(a)中第三行:a部分展示的是本申请和现有方法对第二行中的细节A的对比放大图,其中,aa对应的是本申请对细节A的对比放大图,b部分展示的是本申请和现有方法对第二行中的细节B的对比放大图,其中,bb对应的是本申请对细节B的对比放大图。
真实实验:真实场景相较于模拟场景更加复杂,以某个真实区域为重建的目标区域进行路径规划,将采集到的照片用商业软件进行重建,得到重建结果如图5(b)所示。图5(b)中第一行:左为本申请的路径规划算法规划出的数据采集航线,右为倾斜摄影方法规划出的数据采集航线;图5(b)中第二行:基于本申请的路径规划算法采集的照片的重建结果;图5(b)中第二行:基于倾斜摄影方法采集的照片的重建结果。
由上述图5(a)和图5(b)可知,基于本申请提供的路径规划算法进行连续拍照,极少遗漏场景信息,因而采用本申请的路径规划方法可规划出一条高采集质量、高效率、低能耗的采集路径,进而使得依赖本申请提供的路径规划方法重建出的场景会比其他方法更加完整、可靠。
应该理解的是,虽然上述实施例涉及的各流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述实施例涉及的各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种路径规划装置,包括:数据获取模块510、重建度判断模块520、节点生成模块530、节点查找模块540、节点连接模块550、子树重连模块560和路径筛选模块570,其中:
数据获取模块510,用于获取场景先验几何信息和随机树。
重建度判断模块520,用于判断场景先验几何信息上的预设采样点的重建度是否达到预设要求。
节点生成模块530,用于当预设采样点的重建度未达到预设要求时,则在预设无障碍区域随机生成新增节点。
节点查找模块540,用于在随机树中寻找位于新增节点的预设范围内的节点,得到节点集合。
节点连接模块550,用于根据预设目标函数从节点集合中筛选出目标节点,将新增节点连接至目标节点,目标节点为使以新增节点为终点的路径对应的预设目标函数达到最大值的节点。
子树重连模块560,用于对新增节点进行子树重连接操作,更新随机树,唤醒判断模块执行判断场景先验几何信息上的预设采样点的重建度是否达到预设要求的操作。
路径筛选模块570,用于当预设采样点的重建度达到预设要求时,则从最新的随机树中筛选出最优路径,最优路径为使预设目标函数达到最大值的路径;
其中,预设目标函数包括重建完整性优化函数、路径有效性优化函数以及路径平滑性优化函数。
在一个实施例中,路径筛选模块570还用于针对最新的随机树中的可行路径,获取各可行路径的重建贡献度、行驶转向消耗值以及行驶距离消耗值,可行路径为对预设采样点的覆盖度达到预设要求的路径,基于重建贡献度、行驶转向消耗值以及行驶距离消耗值,结合重建完整性优化函数、路径有效性优化函数以及路径平滑性优化函数,得到各可行路径对应的目标函数值,将目标函数值最大的可行路径确定为最优路径。
在一个实施例中,路径筛选模块570还用于获取已知的重建贡献度集合,从重建贡献度集合中,查找与当前图像采集设备距离最近的图像采集设备所对应的重建贡献度,得到目标重建贡献度,将目标重建贡献度确定为当前图像采集设备的重建贡献度,基于各可行路径上的图像采集设备的重建贡献度,得到各可行路径的重建贡献度。。
如图7所示,在一个实施例中,所述装置还包括镜头朝向确定模块555,用于确定各可行路径上的各节点的镜头朝向,根据各节点的镜头朝向,获取各可行路径的行驶转向消耗值。
在一个实施例中,镜头朝向确定模块555还用于获取图像采集设备镜头参数和预设镜头朝向,当图像采集设备镜头参数表征为多镜头时,则将当前节点的镜头朝向确定为预设镜头朝向,当图像采集设备镜头参数表征为单镜头时,获取当前节点的位置信息以及当前节点的父节点的位置信息和镜头朝向,基于当前节点的位置信息以及当前节点的父节点的位置信息和镜头朝向,执行预设的镜头朝向计算策略,确定当前节点的镜头朝向,进而确定可行路径上各节点的镜头朝向。
在一个实施例中,节点连接模块550还用于当节点集合为空时,则筛选出随机树中与新增节点的距离最近的节点,将新增节点连接至节点。
如图7所示,在一个实施例中,所述装置还包括初始化模块500,用于获取起始航点以及起始航点对应的镜头朝向,将起始航点和起始航点对应的镜头朝向作为根节点,初始化随机树。
关于路径规划装置的具体实施例可以参见上文中对于路径规划方法的实施例,在此不再赘述。上述场景重建数据采集装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储场景先验几何信息和随机树等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种路径规划方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述路径规划方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述路径规划方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种路径规划方法,其特征在于,所述方法包括:
获取场景先验几何信息和随机树;
判断所述场景先验几何信息上的预设采样点的重建度是否达到预设要求;
当所述预设采样点的重建度未达到预设要求时,则在预设无障碍区域随机生成新增节点;
在所述随机树中寻找位于所述新增节点的预设范围内的节点,得到节点集合;
从所述节点集合中筛选出目标节点,将所述新增节点连接至所述目标节点,所述目标节点为使以所述新增节点为终点的路径对应的预设目标函数达到最大值的节点;
对所述新增节点进行子树重连接操作,更新所述随机树,返回至所述判断所述场景先验几何信息上的预设采样点的重建度是否达到预设要求的步骤;
当所述预设采样点的重建度达到预设要求时,从最新的随机树中筛选出最优路径,所述最优路径为使预设目标函数达到最大值的路径;
其中,所述预设目标函数包括重建完整性优化函数、路径有效性优化函数以及路径平滑性优化函数,预设采样点的重建度基于最新的随机树中的可行路径对预设采样点的重建贡献度预测得到,可行路径对预设采样点的重建贡献度定义如下:
2.根据权利要求1所述的方法,其特征在于,所述从最新的随机树中筛选出最优路径包括:
针对最新的随机树中的可行路径,获取各可行路径对预设采样点的重建贡献度、行驶转向消耗值以及行驶距离消耗值,所述可行路径为对所述预设采样点的覆盖度达到预设要求的路径;
基于所述各可行路径对预设采样点的重建贡献度、所述行驶转向消耗值以及所述行驶距离消耗值,结合所述重建完整性优化函数、所述路径有效性优化函数以及所述路径平滑性优化函数,得到各可行路径对应的目标函数值;
将目标函数值最大的可行路径确定为最优路径。
3.根据权利要求2所述的方法,其特征在于,所述获取各可行路径的重建贡献度包括:
获取已知的重建贡献度集合;
从所述重建贡献度集合中,查找与当前图像采集设备距离最近的图像采集设备所对应的重建贡献度,得到目标重建贡献度;
将所述目标重建贡献度确定为当前图像采集设备的重建贡献度;
基于各可行路径上的图像采集设备的重建贡献度,得到各可行路径的重建贡献度。
4.根据权利要求2所述的方法,其特征在于,获取各可行路径的行驶转向消耗值包括:
确定可行路径上各节点的镜头朝向;
根据各节点的镜头朝向,得到各可行路径的行驶转向消耗值。
5.根据权利要求4所述的方法,其特征在于,所述确定可行路径上各节点的镜头朝向包括:
获取图像采集设备镜头参数和预设镜头朝向;
当所述图像采集设备镜头参数表征为多镜头时,则将当前节点的镜头朝向确定为所述预设镜头朝向;
当所述图像采集设备镜头参数表征为单镜头时,获取当前节点的位置信息以及所述当前节点的父节点的位置信息和镜头朝向,基于所述当前节点的位置信息以及所述当前节点的父节点的位置信息和镜头朝向,执行预设的镜头朝向计算策略,确定所述当前节点的镜头朝向,进而确定可行路径上各节点的镜头朝向。
6.根据权利要求1所述的方法,其特征在于,所述在所述随机树中寻找位于所述新增节点的预设范围内的节点,得到节点集合之后,还包括:
当所述节点集合为空时,则筛选出所述随机树中与所述新增节点的距离最近的节点,将所述新增节点连接至所述节点。
7.根据权利要求1所述的方法,其特征在于,获取随机树包括:
获取起始航点以及所述起始航点对应的镜头朝向;
将所述起始航点和所述起始航点对应的镜头朝向作为根节点,初始化随机树。
8.一种路径规划装置,其特征在于,所述装置包括:
数据获取模块,用于获取场景先验几何信息和随机树;
重建度判断模块,用于判断所述场景先验几何信息上的预设采样点的重建度是否达到预设要求;
节点生成模块,用于当预设采样点的重建度未达到预设要求时,则在预设无障碍区域随机生成新增节点;
节点查找模块,用于在所述随机树中寻找位于所述新增节点的预设范围内的节点,得到节点集合;
节点连接模块,用于根据预设目标函数从所述节点集合中筛选出目标节点,将所述新增节点连接至所述目标节点,所述目标节点为使以所述新增节点为终点的路径对应的预设目标函数达到最大值的节点;
子树重连模块,用于对所述新增节点进行子树重连接操作,更新所述随机树,唤醒所述判断模块执行所述判断所述场景先验几何信息上的预设采样点的重建度是否达到预设要求的操作;
路径筛选模块,用于当所述预设采样点的重建度达到预设要求时,则从最新的随机树中筛选出最优路径,所述最优路径为使预设目标函数达到最大值的路径;
其中,所述预设目标函数包括重建完整性优化函数、路径有效性优化函数以及路径平滑性优化函数,预设采样点的重建度基于最新的随机树中的可行路径对预设采样点的重建贡献度预测得到,可行路径对预设采样点的重建贡献度定义如下:
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110462795.8A CN112884256B (zh) | 2021-04-28 | 2021-04-28 | 路径规划方法、装置、计算机设备和存储介质 |
US17/566,221 US20220350333A1 (en) | 2021-04-28 | 2021-12-30 | Method and apparatus for continuous path planning, computer device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110462795.8A CN112884256B (zh) | 2021-04-28 | 2021-04-28 | 路径规划方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112884256A CN112884256A (zh) | 2021-06-01 |
CN112884256B true CN112884256B (zh) | 2021-07-27 |
Family
ID=76040728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110462795.8A Active CN112884256B (zh) | 2021-04-28 | 2021-04-28 | 路径规划方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220350333A1 (zh) |
CN (1) | CN112884256B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050689B (zh) * | 2023-01-18 | 2023-11-17 | 中南大学 | 一种广域空间铁路线路智能搜索方法、系统、终端及介质 |
CN116051776B (zh) * | 2023-03-28 | 2023-08-01 | 广东广宇科技发展有限公司 | 一种无人机水利信息采集的倾斜摄影建模系统及方法 |
CN116433853B (zh) * | 2023-06-15 | 2023-11-17 | 深圳大学 | 一种基于实景模型的航测航点生成方法及装置 |
CN116578121B (zh) * | 2023-07-10 | 2023-11-03 | 广东电网有限责任公司云浮供电局 | 基于约束采样的扩展随机树的生成方法及轨迹规划方法 |
CN117124335B (zh) * | 2023-10-25 | 2024-01-05 | 山东工商学院 | 一种基于路径标记回溯策略的改进式rrt路径规划方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107063258A (zh) * | 2017-03-07 | 2017-08-18 | 重庆邮电大学 | 一种基于语义信息的移动机器人室内导航方法 |
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 |
CN109764886A (zh) * | 2019-01-15 | 2019-05-17 | 成都信息工程大学 | 一种路径规划方法 |
CN109807886A (zh) * | 2019-01-15 | 2019-05-28 | 西北工业大学 | 一种基于预测的空间非合作目标抓捕策略 |
CN109990796A (zh) * | 2019-04-23 | 2019-07-09 | 成都信息工程大学 | 基于双向扩展随机树的智能车路径规划方法 |
CN110873565A (zh) * | 2019-11-21 | 2020-03-10 | 北京航空航天大学 | 用于城市场景重建的无人机实时路径规划方法 |
EP3746855A1 (en) * | 2018-02-28 | 2020-12-09 | Five AI Limited | Path planning in mobile robots |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019241022A1 (en) * | 2018-06-13 | 2019-12-19 | Nvidia Corporation | Path detection for autonomous machines using deep neural networks |
US20200249674A1 (en) * | 2019-02-05 | 2020-08-06 | Nvidia Corporation | Combined prediction and path planning for autonomous objects using neural networks |
-
2021
- 2021-04-28 CN CN202110462795.8A patent/CN112884256B/zh active Active
- 2021-12-30 US US17/566,221 patent/US20220350333A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107063258A (zh) * | 2017-03-07 | 2017-08-18 | 重庆邮电大学 | 一种基于语义信息的移动机器人室内导航方法 |
EP3746855A1 (en) * | 2018-02-28 | 2020-12-09 | Five AI Limited | Path planning in mobile robots |
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 |
CN109764886A (zh) * | 2019-01-15 | 2019-05-17 | 成都信息工程大学 | 一种路径规划方法 |
CN109807886A (zh) * | 2019-01-15 | 2019-05-28 | 西北工业大学 | 一种基于预测的空间非合作目标抓捕策略 |
CN109990796A (zh) * | 2019-04-23 | 2019-07-09 | 成都信息工程大学 | 基于双向扩展随机树的智能车路径规划方法 |
CN110873565A (zh) * | 2019-11-21 | 2020-03-10 | 北京航空航天大学 | 用于城市场景重建的无人机实时路径规划方法 |
Non-Patent Citations (2)
Title |
---|
"An Artificially Weighted Spanning Tree Coverage Algorithm for Decentralized Flying Robots";Wei Dong;《IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING》;20201030;第1689-1698页 * |
"面向地图构建的移动机器人局部路径自主规划";李朋;《控制理论与应用》;20181231;第1765-1771页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112884256A (zh) | 2021-06-01 |
US20220350333A1 (en) | 2022-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884256B (zh) | 路径规划方法、装置、计算机设备和存储介质 | |
US11313684B2 (en) | Collaborative navigation and mapping | |
CN108520554B (zh) | 一种基于orb-slam2的双目三维稠密建图方法 | |
CN110910493B (zh) | 三维重建方法、装置及电子设备 | |
CN109163722B (zh) | 一种仿人机器人路径规划方法及装置 | |
CN110132242B (zh) | 多摄像机即时定位与地图构建的三角化方法及其运动体 | |
CN113916243A (zh) | 目标场景区域的车辆定位方法、装置、设备和存储介质 | |
CN111626500A (zh) | 一种基于改进人工蜂群算法的路径规划方法 | |
CN112947591A (zh) | 基于改进蚁群算法的路径规划方法、装置、介质及无人机 | |
CN109155846B (zh) | 一种场景的三维重建方法、装置、电子设备及存储介质 | |
CN108803659B (zh) | 基于魔方模型的多窗口启发式三维空间路径规划方法 | |
CN113223078A (zh) | 标志点的匹配方法、装置、计算机设备和存储介质 | |
CN113096181B (zh) | 设备位姿的确定方法、装置、存储介质及电子装置 | |
CN112819937B (zh) | 一种自适应多对象光场三维重建方法、装置及设备 | |
CN112950710A (zh) | 位姿确定方法、装置、电子设备和计算机可读存储介质 | |
CN113761647B (zh) | 一种无人集群系统的仿真方法及系统 | |
CN108332721B (zh) | 航空影像并行空三与递归式融合方法 | |
CN111105459A (zh) | 描述子地图生成方法、定位方法、装置、设备和存储介质 | |
CN112668596B (zh) | 三维物体识别方法及装置、识别模型训练方法及装置 | |
CN117029861A (zh) | 一种全局路径规划方法、装置、系统及存储介质 | |
CN113129422A (zh) | 一种三维模型构建方法、装置、存储介质和计算机设备 | |
CN115655291A (zh) | 激光slam闭环建图的方法、装置、移动机器人、设备及介质 | |
CN115586767A (zh) | 一种多机器人路径规划方法和装置 | |
CN110580737B (zh) | 图像处理方法、系统以及具有存储功能的装置 | |
CN114119757A (zh) | 图像处理方法、装置、设备、介质和计算机程序产品 |
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 |