CN113110492A - 一种路径规划方法 - Google Patents

一种路径规划方法 Download PDF

Info

Publication number
CN113110492A
CN113110492A CN202110494874.7A CN202110494874A CN113110492A CN 113110492 A CN113110492 A CN 113110492A CN 202110494874 A CN202110494874 A CN 202110494874A CN 113110492 A CN113110492 A CN 113110492A
Authority
CN
China
Prior art keywords
map
path
path planning
planning method
algorithm
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
CN202110494874.7A
Other languages
English (en)
Other versions
CN113110492B (zh
Inventor
孙荣川
吴俊毅
郁树梅
陈国栋
孙立宁
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.)
Suzhou University
Original Assignee
Suzhou 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 Suzhou University filed Critical Suzhou University
Priority to CN202110494874.7A priority Critical patent/CN113110492B/zh
Publication of CN113110492A publication Critical patent/CN113110492A/zh
Priority to US17/910,842 priority patent/US11906977B2/en
Priority to PCT/CN2022/091415 priority patent/WO2022233332A1/zh
Application granted granted Critical
Publication of CN113110492B publication Critical patent/CN113110492B/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
    • G05D1/20—Control system inputs
    • G05D1/24—Arrangements for determining position or orientation
    • G05D1/246—Arrangements for determining position or orientation using environment maps, e.g. simultaneous localisation and mapping [SLAM]
    • 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
    • G05D1/0214—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
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
    • 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
    • G05D1/0268—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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to 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
    • G05D1/20—Control system inputs
    • G05D1/22—Command input arrangements
    • 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
    • G05D1/20—Control system inputs
    • G05D1/24—Arrangements for determining position or orientation
    • 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
    • G05D1/20—Control system inputs
    • G05D1/24—Arrangements for determining position or orientation
    • G05D1/243—Means capturing signals occurring naturally from the environment, e.g. ambient optical, acoustic, gravitational or magnetic signals
    • G05D1/2437—Extracting relative motion information

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Navigation (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种路径规划方法，其包括如下步骤：基于情景记忆模型，使用RatSLAM算法建立经验地图和相应的情景认知地图；通过Canny算子提取历史记忆图像中的道路边缘；将基于所述道路边缘从像素坐标系转换到世界坐标系下，根据所述道路边缘的斜率对连通性做初步判断；根据对潜在路径的持续观测，不断向所述潜在路径检测网络注入能量，以对道路连通性做进一步判断；将检测到的所述潜在路径与原有的所述情景认知地图融合，并对经验地图进行相应的更新；基于更新后的所述情景认知地图进行路径规划。本发明能够检测环境中潜在的安全路径，基于更新后的情景记忆模型规划出更优的路径。

Description

一种路径规划方法
技术领域
本发明属于移动机器人路径规划领域，具体涉及一种基于记忆融合的情景记忆路径规划方法。
背景技术
移动机器人在陌生环境中对环境进行建模时，需要规划出一条通往目标的安全路径以开展相关导航任务。由于现实中实际环境的复杂性，需要算法对环境中的动态信息有一定的适应能力，传统的路径规划算法如A*(A-Star，A*)、人工势场法以及快速搜索随机树(Rapidly-exploring Random Trees，RRT)等算法的性能会受到较大的限制，在复杂环境中的路径规划效果并不理想。其中，A*算法规划出的路径不够平滑，人工势场法易陷入局部最优，RRT算法搜索效率较低，且规划出的并不是最优路径。
许多自然界中的生物都可以对环境进行认知学习，并在复杂的动态场景中高效地完成导航任务，这种生物拥有的特殊导航本领极大地提高了研究人员对于认知启发的兴趣。研究表明，在规划路径时海马体内的情景记忆机制起到了极大的作用。在进行环境认知的过程中，海马体对过去经历的各种情景进行记忆；当给定导航任务时，通过提取与任务相关的记忆片段规划出一条最优路径。
基于情景记忆的路径规划算法可以基于已有的认知地图规划出最优路径，但该路径规划方法缺少对地图的理解，在全局上可能不是最短的。为了提高机器人的导航效率，需要增加其对认知地图的理解，探索环境中潜在的安全路径。将检测到的潜在路径与原地图融合后，可以为移动机器人规划出一条更优的路径。
因此，研究从环境中寻找潜在的安全路径从而完善认知地图，对于优化基于情景记忆模型规划的路径具有着重要意义。
发明内容
本发明目的是：提供一种新的基于记忆融合的情景记忆路径规划方法，以规划出一条更优的路径。
本发明可采用如下技术方案：
一种路径规划方法，其包括如下步骤：
基于情景记忆模型，使用RatSLAM算法建立经验地图和相应的情景认知地图；
通过Canny算子提取历史记忆图像中的道路边缘；
将基于所述道路边缘从像素坐标系转换到世界坐标系下，根据所述道路边缘的斜率对连通性做初步判断；
根据对潜在路径的持续观测，不断向所述潜在路径检测网络注入能量，以对道路连通性做进一步判断；
将检测到的所述潜在路径与原有的所述情景认知地图融合，并对经验地图进行相应的更新；
基于更新后的所述情景认知地图进行路径规划。
进一步的，所述RatSLAM算法是一种仿生导航算法，所述使用RatSLAM算法建立经验地图包括：通过单目相机采集的RGB图像信息建立二维经验地图。
进一步的，所述情景记忆模型是一种路径规划算法。
进一步的，所述情景认知地图是一种二维增量式矩阵，由离散有限的事件空间和事件转移集合组成。
进一步的，所述Canny算子是一种边缘提取算法。上文中，Canny算子对噪声有较强的抗干扰能力，可以适应不同的环境，并具有良好的检测性能，所以选择Canny算子作为边缘检测算法。基于Canny算子的检测结果具有丰富的环境结构边缘信息，但在开展路径规划时只需要道路边缘信息，所以需要对其它冗余的边缘进行剔除。通过设定合适的检测区域对图像中最长的两条边缘进行检测，从而检测道路边缘信息。
进一步的，所述道路边缘的斜率对连通性做初步判断，包括：当所述道路边缘的斜率之差的绝对值小于设定的阈值时，判断两点之间存在连通的可能性。
进一步的，所述潜在路径检测网络是受RatSLAM模型中连续吸引子网络启发提出的一种二维网络结构，用于模拟生物判断道路是否连通的过程。
进一步的，所述更新后的情景认知地图是指根据检测到的所述潜在路径对原有的所述情景认知地图中事件转移权值进行修正后得到的新地图。
本发明上述技术方案，使用潜在路径检测网络寻找环境中潜在的安全路径，相比于原来的仅包含过去的时空中移动机器人经历过的轨迹的情景记忆模型，融合潜在路径检测网络后的情景记忆模型，可以为移动机器人规划出一条更优的路径。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1为本发明一实施例的路径规划方法的流程示意图。
图2为移动机器人运动轨迹示意图。
图3为使用RatSLAM算法建立的经验地图示意图。
图4为基于Canny算子的道路边缘检测效果示意图。
图5为潜在路径检测网络示意图。
图6为基于情景记忆模型得到的原有的情景认知地图示意图。
图7为融合潜在路径检测网络后得到的更新后的情景认知地图示意图。
图8为RatSLAM算法基于潜在路径检测网络生成的更新后的经验地图示意图。
具体实施方式
下面将结合附图以及实施例，对本公开做进一步说明。
如图1所示，在本发明的其中一种实施方式中提供一种路径规划方法，本实施例中，该路径规划方法是基于记忆融合的情景记忆路径规划方法，该路径规划方法包括如下步骤：
S1:基于情景记忆模型，使用RatSLAM算法建立经验地图和相应的情景认知地图；
S2:通过Canny算子提取历史记忆图像中的道路边缘；
S3:将基于所述道路边缘从像素坐标系转换到世界坐标系下，根据所述道路边缘的斜率对连通性做初步判断；
S4:根据对潜在路径的持续观测，不断向所述潜在路径检测网络注入能量，以对道路连通性做进一步判断；
S5:将检测到的所述潜在路径与原有的所述情景认知地图融合，并对经验地图进行相应的更新；
S6:基于更新后的所述情景认知地图进行路径规划。
步骤S1中，RatSLAM算法是一种仿生导航算法；使用RatSLAM算法建立经验地图包括：通过单目相机采集的RGB图像信息建立二维经验地图。情景记忆模型是一种路径规划算法；情景认知地图是一种二维增量式矩阵，由离散有限的事件空间和事件转移集合组成。如图2所示为移动机器人运动轨迹100示意图，其中虚线代表潜在路径200。如图3所示是使用RatSLAM算法建立的经验地图示意图。
步骤S2中，Canny算子是一种边缘提取算法。如图4所示为基于Canny算子成功检测出走廊的道路边缘300。上文中，Canny算子对噪声有较强的抗干扰能力，可以适应不同的环境，并具有良好的检测性能，所以选择Canny算子作为边缘检测算法。基于Canny算子的检测结果具有丰富的环境结构边缘信息，但在开展路径规划时只需要道路边缘信息，所以需要对其它冗余的边缘进行剔除。通过设定合适的检测区域对图像中最长的两条边缘进行检测，从而检测道路边缘信息。
步骤S3中，道路边缘300的斜率对连通性做初步判断，包括：当所述道路边缘300的斜率之差的绝对值小于设定的阈值时，初步判断两点之间存在连通的可能性。
步骤S4中，潜在路径200是指潜在的安全路径，潜在路径检测网络是受RatSLAM模型中连续吸引子网络启发提出的一种二维网络结构，用于模拟生物判断道路是否连通的过程。如图5所示，是潜在路径检测网络的示意图。
步骤S6中，所述更新后的情景认知地图是指根据检测到的所述潜在路径200对原有的所述情景认知地图中事件转移权值进行修正后得到的新地图。
如图6所示，是S1中基于情景记忆模型得到的原有的情景认知地图示意图。如图7所示，是原有的情景认知地图融合潜在路径检测网络后得到的更新后的情景认知地图示意图。如图8所示，是RatSLAM算法基于潜在路径检测网络生成的更新后的经验地图示意图。
本发明的上述实施例，使用潜在路径检测网络寻找环境中潜在的安全路径，相比于原来的仅包含过去的时空中移动机器人经历过的轨迹的情景记忆模型，融合潜在路径检测网络后的情景记忆模型，可以为移动机器人规划出一条更优的路径。
当然上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明主要技术方案的精神实质所做的修饰，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种路径规划方法，其特征在于，包括如下步骤：
基于情景记忆模型，使用RatSLAM算法建立经验地图和相应的情景认知地图；
通过Canny算子提取历史记忆图像中的道路边缘；
将基于所述道路边缘从像素坐标系转换到世界坐标系下，根据所述道路边缘的斜率对连通性做初步判断；
根据对潜在路径的持续观测，不断向所述潜在路径检测网络注入能量，以对道路连通性做进一步判断；
将检测到的所述潜在路径与原有的所述情景认知地图融合，并对经验地图进行相应的更新；
基于更新后的所述情景认知地图进行路径规划。
2.根据权利要求1所述的路径规划方法，其特征在于：所述RatSLAM算法是一种仿生导航算法，所述使用RatSLAM算法建立经验地图包括：通过单目相机采集的RGB图像信息建立二维经验地图。
3.根据权利要求1所述的路径规划方法，其特征在于：所述情景记忆模型是一种路径规划算法。
4.根据权利要求1或3所述的路径规划方法，其特征在于：所述情景认知地图是一种二维增量式矩阵，由离散有限的事件空间和事件转移集合组成。
5.根据权利要求1所述的路径规划方法，其特征在于：所述Canny算子是一种边缘提取算法。
6.根据权利要求1或5所述的路径规划方法，其特征在于：所述道路边缘的斜率对连通性做初步判断，包括：当所述道路边缘的斜率之差的绝对值小于设定的阈值时，判断两点之间存在连通的可能性。
7.根据权利要求1或2所述的路径规划方法，其特征在于：所述潜在路径检测网络是受RatSLAM模型中连续吸引子网络启发提出的一种二维网络结构，用于模拟生物判断道路是否连通的过程。
8.根据权利要求1所述的路径规划方法，其特征在于：所述更新后的情景认知地图是指根据检测到的所述潜在路径对原有的所述情景认知地图中事件转移权值进行修正后得到的新地图。
CN202110494874.7A 2021-05-07 2021-05-07 一种路径规划方法 Active CN113110492B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110494874.7A CN113110492B (zh) 2021-05-07 2021-05-07 一种路径规划方法
US17/910,842 US11906977B2 (en) 2021-05-07 2022-05-07 Path planning method
PCT/CN2022/091415 WO2022233332A1 (zh) 2021-05-07 2022-05-07 一种路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110494874.7A CN113110492B (zh) 2021-05-07 2021-05-07 一种路径规划方法

Publications (2)

Publication Number Publication Date
CN113110492A true CN113110492A (zh) 2021-07-13
CN113110492B CN113110492B (zh) 2022-06-21

Family

ID=76721227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110494874.7A Active CN113110492B (zh) 2021-05-07 2021-05-07 一种路径规划方法

Country Status (3)

Country Link
US (1) US11906977B2 (zh)
CN (1) CN113110492B (zh)
WO (1) WO2022233332A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022233332A1 (zh) * 2021-05-07 2022-11-10 苏州大学 一种路径规划方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699125A (zh) * 2013-12-09 2014-04-02 北京工业大学 一种基于鼠脑海马导航的机器人仿真导航方法
CN106814737A (zh) * 2017-01-20 2017-06-09 安徽工程大学 一种基于啮齿类动物模型和RTAB‑Map闭环检测算法的SLAM方法
CN107363834A (zh) * 2017-07-20 2017-11-21 电子科技大学 一种基于认知地图的机械臂抓取方法
CN208126153U (zh) * 2018-04-23 2018-11-20 安徽工程大学 一种基于仿生slam的移动机器人特能分析实验平台
CN109668566A (zh) * 2018-12-05 2019-04-23 大连理工大学 一种基于鼠脑定位细胞的机器人情景认知地图的构建与导航方法
CN111376273A (zh) * 2020-04-23 2020-07-07 大连理工大学 一种类脑启发的机器人认知地图构建方法
CN111474932A (zh) * 2020-04-23 2020-07-31 大连理工大学 一种集成情景经验的移动机器人建图与导航方法
CN111813113A (zh) * 2020-07-06 2020-10-23 安徽工程大学 仿生视觉自运动感知地图绘制方法、存储介质及设备
CN111860643A (zh) * 2020-07-20 2020-10-30 苏州大学 基于调频模型的视觉模板匹配的鲁棒性提升方法
CN112097769A (zh) * 2020-08-05 2020-12-18 北京航空航天大学 仿信鸽脑-海马的无人机同时定位与建图导航系统及方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7467115B2 (en) * 2004-07-15 2008-12-16 Neurosciences Research Foundation, Inc. Mobile brain-based device having a simulated nervous system based on the hippocampus
US7765029B2 (en) * 2005-09-13 2010-07-27 Neurosciences Research Foundation, Inc. Hybrid control device
US8103602B2 (en) * 2006-12-29 2012-01-24 Neurosciences Research Foundation, Inc. Solving the distal reward problem through linkage of STDP and dopamine signaling
CN101701830A (zh) * 2009-11-30 2010-05-05 四川虹微技术有限公司 一种导航终端的导航方法
CN106125730B (zh) * 2016-07-10 2019-04-30 北京工业大学 一种基于鼠脑海马空间细胞的机器人导航地图构建方法
CN106949896B (zh) 2017-05-14 2020-05-08 北京工业大学 一种基于鼠脑海马的情景认知地图构建及导航方法
CN113110492B (zh) * 2021-05-07 2022-06-21 苏州大学 一种路径规划方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699125A (zh) * 2013-12-09 2014-04-02 北京工业大学 一种基于鼠脑海马导航的机器人仿真导航方法
CN106814737A (zh) * 2017-01-20 2017-06-09 安徽工程大学 一种基于啮齿类动物模型和RTAB‑Map闭环检测算法的SLAM方法
CN107363834A (zh) * 2017-07-20 2017-11-21 电子科技大学 一种基于认知地图的机械臂抓取方法
CN208126153U (zh) * 2018-04-23 2018-11-20 安徽工程大学 一种基于仿生slam的移动机器人特能分析实验平台
CN109668566A (zh) * 2018-12-05 2019-04-23 大连理工大学 一种基于鼠脑定位细胞的机器人情景认知地图的构建与导航方法
CN111376273A (zh) * 2020-04-23 2020-07-07 大连理工大学 一种类脑启发的机器人认知地图构建方法
CN111474932A (zh) * 2020-04-23 2020-07-31 大连理工大学 一种集成情景经验的移动机器人建图与导航方法
CN111813113A (zh) * 2020-07-06 2020-10-23 安徽工程大学 仿生视觉自运动感知地图绘制方法、存储介质及设备
CN111860643A (zh) * 2020-07-20 2020-10-30 苏州大学 基于调频模型的视觉模板匹配的鲁棒性提升方法
CN112097769A (zh) * 2020-08-05 2020-12-18 北京航空航天大学 仿信鸽脑-海马的无人机同时定位与建图导航系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
M.J.MILFORD 等: "RatSLAM on the edge:R e-vealing a coherent representation from an overloaded rat brain", 《INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 *
MENGYUAN CHEN: "Bionic Slam based on mems pose measurement and rtab-map closed loop detection algorithm", 《SPRINGER》 *
QIANG ZOU 等: "Robotic Path Planning Based on Episodic-cognitive Map", 《INTERNATIONAL JOURNAL OF CONTROL, AUTOMATION AND SYSTEMS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022233332A1 (zh) * 2021-05-07 2022-11-10 苏州大学 一种路径规划方法
US11906977B2 (en) 2021-05-07 2024-02-20 Soochow University Path planning method

Also Published As

Publication number Publication date
US20230195134A1 (en) 2023-06-22
US11906977B2 (en) 2024-02-20
CN113110492B (zh) 2022-06-21
WO2022233332A1 (zh) 2022-11-10

Similar Documents

Publication Publication Date Title
CN112859859B (zh) 一种基于三维障碍物体素对象映射的动态栅格地图更新方法
CN112132893B (zh) 一种适用于室内动态环境的视觉slam方法
CN111210518B (zh) 基于视觉融合地标的拓扑地图生成方法
CN110285813B (zh) 一种室内移动机器人人机共融导航装置及方法
CN112767373B (zh) 一种基于单目相机的机器人室内复杂场景避障方法
Mancini et al. J-mod 2: Joint monocular obstacle detection and depth estimation
CN103389699B (zh) 基于分布式智能监测控制节点的机器人监控及自主移动系统的运行方法
CN106949893A (zh) 一种三维避障的室内机器人导航方法和系统
CN109163722B (zh) 一种仿人机器人路径规划方法及装置
CN110986953B (zh) 路径规划方法、机器人及计算机可读存储介质
CN111795700A (zh) 一种无人车强化学习训练环境构建方法及其训练系统
CN111814823B (zh) 一种基于场景模板生成的迁移学习方法
CN113110492B (zh) 一种路径规划方法
CN111258311A (zh) 一种基于智能视觉的井下移动机器人避障方法
CN110986945A (zh) 基于语义高度地图的局部导航方法和系统
CN114815810A (zh) 无人机协同的水上清洁机器人路径规划方法及设备
CN115311538A (zh) 一种基于场景先验的智能体目标搜索的方法
CN114690769A (zh) 路径规划方法、电子设备及存储介质、计算机程序产品
CN113961013A (zh) 一种基于rgb-d slam的无人机路径规划方法
CN114935341B (zh) 一种新型slam导航计算视频识别方法及装置
CN116518973A (zh) 一种适用于现实室内环境的机器人视觉语言导航方法
CN116403174A (zh) 一种端到端自动驾驶方法、系统、仿真系统及存储介质
CN102467751A (zh) 一种三维虚拟场景快速路径规划的橡皮筋算法
CN115049825A (zh) 水面清洁方法、装置、设备及计算机可读存储介质
CN114459483A (zh) 基于机器人导航用地标导航地图构建与应用方法、系统

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