CN113296520A - 融合a*与改进灰狼算法的巡检机器人路径规划方法 - Google Patents
融合a*与改进灰狼算法的巡检机器人路径规划方法 Download PDFInfo
- Publication number
- CN113296520A CN113296520A CN202110575692.2A CN202110575692A CN113296520A CN 113296520 A CN113296520 A CN 113296520A CN 202110575692 A CN202110575692 A CN 202110575692A CN 113296520 A CN113296520 A CN 113296520A
- Authority
- CN
- China
- Prior art keywords
- wolf
- node
- algorithm
- feasible
- grids
- 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
Links
- 241000282461 Canis lupus Species 0.000 title claims abstract description 113
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000007689 inspection Methods 0.000 title claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 8
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000011161 development Methods 0.000 description 4
- 240000007651 Rubus glaucus Species 0.000 description 3
- 235000011034 Rubus glaucus Nutrition 0.000 description 3
- 235000009122 Rubus idaeus Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 241000124033 Salix Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明为融合A*与改进灰狼算法的巡检机器人路径规划方法,该方法包括以下内容:创建环境地图,运行A*算法,确定可行栅格节点的评价函数F(n)值;单独设置一个矩阵存放F(n)的数据,直到进行灰狼初始化之前,该矩阵的地址不能释放;比较起始点周围所有可行栅格的评价函数F(n)值,将评价函数F(n)值自大到小排列,并且将F(n)值前三位可行栅格初始化为狼群的α狼、β狼、γ狼,其余可行栅格作为ω狼;运行改进灰狼算法,更新位置向量及拓展节点,遍历至终止点后,输出最优路径。该方法将灰狼算法的寻优机制与传统A*算法结合,一定程度上改善了传统A*算法在路径长度过长以及机器人运行过程中转折角度过大的问题。
Description
技术领域
本发明涉及路径规划技术领域,具体涉及一种融合A*与改进灰狼算法的巡检机器人路径规划方法。
背景技术
随着近几年机器人行业的快速发展,自主移动机器人成为了机器人行业发展和投资的一个热点,也是机器人技术发展的必然趋势。自主移动机器人能够通过传感器感知周围陌生环境和估计自身所处位置的状态,在一个有障碍物的陌生环境中实现一个由出发点驶向目标点的自主移动,从而实现人们的作业需求。相比较其他类型机器人,自主移动机器人具有小巧灵活、操作简单等优点,可以广泛的应用于军事、医疗和其他日常生产生活中。
路径规划是实现移动机器人智能化操作的重要技术,一直以来也是机器人控制领域的一个重要研究热点。所谓机器人路径规划,就是指机器人依据一个或者多个评价指标,在所应用的路径规划环境中找到一条从起始点到目标点无碰撞的最优或次优路径。目前,常用的路径规划指标有最短路径距离、最短运行时间、最少运动耗能等。
自1970年代路径规划问题被提出以来,许多学者开始大量投入对此问题的研究和探讨,根据机器人对外界环境的感知程度,路径规划问题可以分成两类:一类是指机器人在已知全部环境信息的基础上进行的全局路径规划;另一种是指机器人在已知部分环境信息的基础上进行的局部路径规划,也被称为在线路径规划。此外,根据使用算法的不同,也可分为传统算法和智能算法两类。其中传统算法主要有栅格地图法、Dijkstra法、动态窗口法、人工势场法等。随着高精度传感器、计算机技术和人工智能的迅速发展,路径规划算法早已取得了大量的研究成果,但是,实际应用在具体的路径规划算法设计中,每种算法均有其自身的缺点和局限性。作为一种启发式算法,A*算法是在静态环境中用于求解最优路径的最有效的直接搜索算法之一,因此在室内机器人的路径规划领域中得到了广泛应用。A*算法在小环境中搜索效率高,并且能够搜索到最优路径,但是,由于其本身计算方法的局限性,导致搜索出的路径转折角度太大,不利于直接应用在实际工作中。
发明内容
针对现有技术存在的缺陷,本发明的目的在于,对传统的A*算法和灰狼优化算法进行优化改进,提供一种融合A*与改进灰狼算法的巡检机器人路径规划方法,该规划方法为融合A*与改进灰狼算法的混合型全局路径规划算法(GWOMA*),该方法分析群体智能算法灰狼优化算法(GWO)的数学模型和仿生原理,确定距离权重系数,优化A*算法原有的启发式搜索方式。将灰狼算法的寻优机制与传统A*算法结合,一定程度上改善了传统A*算法在路径长度过长以及机器人运行过程中转折角度过大的问题。
为了实现上述目的,本发明采用如下技术方案:
一种融合A*与改进灰狼算法的巡检机器人路径规划方法,该方法包括以下内容:
创建环境地图,运行A*算法,确定可行栅格节点的评价函数F(n)值;单独设置一个矩阵存放F(n)的数据,直到进行灰狼初始化之前,该矩阵的地址不能释放;
比较起始点周围所有可行栅格的评价函数F(n)值,将评价函数F(n)值自大到小排列,并且将F(n)值前三位可行栅格初始化为狼群的α狼、β狼、γ狼,其余可行栅格作为ω狼;
运行改进灰狼算法,更新位置向量及拓展节点,遍历至终止点后,输出最优路径。
该规划方法具体步骤是:
步骤一、首先使用栅格法创建环境地图,黑色栅格代表障碍物,白色栅格代表可通行区域,设置机器人运动的起始点与终止点。
步骤二、创建一个列表Openlist,存放当前位置栅格在搜索路径时所需要考虑的位置栅格。
步骤三、创建一个列表Closelist,存放已经搜索过的栅格及障碍物栅格。
步骤四、将起始点放入Openlist,初始化G(n)、H(n)准备开始第一次搜索,其中,G(n)为机器人运动起始点到节点n的实际距离,H(n)为节点n到终止点的估计距离。
步骤五、判断起始点周围的可行路径,即判断起始点周围的节点是障碍物栅格还是可行栅格,如为障碍物栅格,则将节点直接放入Closelist列表中,若为可行栅格则判断节点是否在Openlist列表中,如不在则将节点加入Openlist列表,并计算该节点的评价函数F(n)值,并将起始点放入Closelist中;若节点在在Openlist列表中,则执行步骤六;
步骤六、比较起始点周围所有可行栅格的评价函数F(n)值,将评价函数F(n)值自大到小排列,并且将F(n)值前三位可行栅格初始化为狼群的α狼、β狼、γ狼,其余可行栅格作为ω狼,要单独设置一个矩阵存放F(n)的数据,直到进行灰狼初始化之前,该矩阵的地址不能释放,以保证灰狼初始化时能够得到最优的初值;
步骤七、计算其余个体与α狼、β狼、γ狼之间的距离,更新位置向量及拓展节点。
步骤八、判断拓展节点是否在Closelist列表中,如不在,则从步骤五开始循环直到将终止点加入Closelist列表中。否则,搜索结束,得到最优路径。
步骤九、输出得到的最优路径。
其中,所述的评价函数为:
F(n)=G(n)+H(n)
其中,G(n)为机器人运动起始点到节点n的实际距离,H(n)为节点n到终止点的估计距离,也称作启发函数,通常选择对角线距离、曼哈顿距离或欧几里得距离作为启发函数。
其中,所述的启发函数即欧几里得距离为:
其中,xs为目标点的横坐标;ys为目标点的纵坐标;xn为节点n的横坐标;yn为节点n的纵坐标。
其中,步骤七中距离计算和位置向量计算公式分别为公式(1)和公式(6):
其中,t为当前进行的迭代次数,XP为猎物(终止点)的位置向量,X为当前灰狼的位置向量,D代表的是将di排序后选出的三个最优的距离,即候选狼与最优三头狼之间的距离,M为最大迭代次数,Ai为成员i与相应最优狼之间的位置调节系数,C为距离调节系数,N1、N2、N3为排名前三的距离权重系数,Ni为成员i与相应最优狼之间的距离权重系数,di为成员i与相应最优狼之间的距离。X1、X2、X3为距离权重系数靠前的前三成员的位置向量,i为ω狼的所有群体,即除去α狼、β狼、γ狼以外的剩下个体;为更新之后的灰狼位置向量。改进的灰狼算法,引入距离权重系数概念,增加了算法的收敛程度,避免出现局部极值,能够给出最优路径。
该规划方法适用于大地图复杂环境,也适用于小地图简单环境,仿真中的地图复杂程度以障碍物占总栅格数量的百分比及地图边长决定,实验中的地图复杂程度通过障碍物的数量决定,长短距离为机器人实际走过的路径;大地图复杂环境下障碍物占总栅格数量的百分比不小于40%,栅格地图大小不小于50m×50m。
与现有技术相比,本发明的有益效果是:
本发明构建了一种将传统A*算法与改进后的灰狼优化算法相结合的新型混合算法(GWOMA*),用于解决巡检机器人的路径规划问题,将传统A*计算出的F(n)值前三位栅格初始化为狼群的α狼、β狼、γ狼,其次通过对公式(3)(4)(5)的修改增强算法的目标搜索能力,提升规划时对终止点的敏感度。仿真结果表明本发明构建的新型算法无论在路径长度还是在路径转折角度上相比于传统A*算法均有较大提升,尤其是在大地图复杂环境下可有效减少机器人运行时的转折角度使得原A*算法存在的问题得到了较好的改善,算法表现出了更好的路径规划性能。同时在Turtlebot3-Burger上进行的实验也证明了本发明在实际应用中也可以表现出较好的路径规划性能。
本申请在A*算法运行至步骤六时,将A*算法中的寻找扩展节点的步骤作为灰狼算法的初始化种群步骤,在对F(n)的值进行排序处理后,要单独设置一个矩阵存放F(n)的数据,直到进行灰狼初始化之前,该矩阵的地址不能释放,不对每次A*算法所得到的F(n)的数据地址进行处理,以保证灰狼初始化时能够得到最优的初值,解决了由于A*是一种离散型算法,不能连续求取OPEN1IST中的启发函数值而且每次求得F(n)的值后,马上会将其内存释放,而灰狼算法属于群智能算法,初值的选择会很大程度上影响算法的计算结果,而导致地算法会出现陷入局部极值的问题。
附图说明
图1是本发明提出的融合A*与改进灰狼算法的巡检机器人路径规划方法的原理图。
图2是本发明提出的融合A*与改进灰狼算法的巡检机器人路径规划方法的流程图
图3是小地图简单环境下传统A*与改进后算法所规划出的路径仿真对比。
图4是小地图复杂环境下传统A*算法及改进后算法规划出的路径仿真对比。
图5是大地图简单环境下传统A*算法及改进后算法规划出的路径仿真对比。
图6是大地图复杂环境下传统A*算法及改进后算法规划出的路径仿真对比。
图7是短距离简单环境下传统A*算法所规划出的路径。
图8是短距离简单环境下本文算法(GWOMA*)所规划出的路径。
图9是长距离复杂环境下传统A*算法所规划出的路径。
图10是长距离复杂环境下本文算法(GWOMA*)所规划出的路径。
图11是实验平台结构图。
图12是实验平台实物图。
具体实施方式
下面结合附图对本发明进行详细说明:
实施例:
本实施例提供了一种融合A*与改进灰狼算法的巡检机器人路径规划方法,如图1和图2,该方法包括:
(1)首先使用栅格法创建环境地图,黑色栅格代表障碍物,白色栅格代表可通行区域,为了进行全局路径规划,首先使用基本SLAM功能包GMapping建立试验场地的2D栅格地图。设置机器人运动的起始点与终止点,通过点击2D New Goal设定起始点和终止点。选择使用Willow Garage公司出品的Turtlebot3-Burger机器人平台进行实验,Turtlebot3-Burger机器人平台的结构示意图参见图11和图12,包括传感器(2D激光雷达)、树莓派3b、OpenCR控制板、左侧舵机和右侧舵机,树莓派3b采集传感器数据,然后树莓派3b根据采集的传感器数据给到OpenCR控制板相应指令,进而能控制左右侧舵机工作,左右侧舵机的实时工作信息又可给到OpenCR控制板。
(2)创建一个列表Openlist,存放当前位置栅格在搜索路径时所需要考虑的位置栅格。创建一个列表Closelist,存放已经搜索过的栅格及障碍物栅格。将起始点放入Openlist,初始化G(n)、H(n)准备开始第一次搜索。
(3)判断起始点周围的可行路径,即判断起始点周围的节点是障碍物栅格还是可行栅格,如为障碍物栅格,则将其直接放入Closelist,若为可行栅格则判断其是否在Openlist中,如不在则将其加入Openlist,并计算该节点的评价函数F(n)值,并将起始点放入Closelist中。
(4)比较起始点周围可行栅格的F(n)值,将F(n)自大到小排列,并且将F(n)值前三位栅格初始化为狼群的α狼、β狼、γ狼,其余栅格作为ω狼。计算其余个体与α狼、β狼、γ狼之间的距离,更新位置向量及拓展节点。要单独设置一个矩阵存放F(n)的数据,直到进行灰狼初始化之前,该矩阵的地址不能释放,以保证灰狼初始化时能够得到最优的初值。
(5)判断拓展节点是否在Closelist,如不在,则从步骤(3)开始循环直到将终止点加入Closelist。否则,搜索结束,得到最优路径。
(6)输出得到的最终路径。
本发明规划方法的原理是:该规划方法包括初始化过程、迭代过程、判断终止条件过程,其中初始化过程是:开始运行,设定地图规模、离散维度及其他参数,运行A*算法,将A*算法的结果存入初代头狼。
迭代过程是:设置好初代头狼后,选择第i条狼,通过头狼更新位置,修正变异(公式(4)-(6)),判断是否是最后一条狼,如果是则进入判断终止条件,如果不是,则选择下一条狼,令i=i+1,返回选择第i条狼。
判断终止条件过程是:在迭代确定为最后一条狼后,选举头狼,判断是否达到最大迭代次数,如果没有达到,则开始下一次迭代,令i=1,t=t+1,返回选择下一条狼;若达到最大迭代次数,则输出最优路径,结束过程。
为了测试本文算法在多种环境下的性能,分别在短距离和长距离、简单和复杂的环境中使用传统A*算法及本文改进算法进行了仿真和实验。
仿真中的地图复杂程度以障碍物占总栅格数量的百分比及地图边长决定,实验中的地图复杂程度通过障碍物的数量决定。长短距离为机器人实际走过的路径。
小地图简单环境下栅格地图大小设置为30m×30m,障碍物占总栅格数量的百分比设置为20%,起始点为[0,5],目标点为[27,20],小地图复杂环境下障碍物占总栅格数量的百分比设置为40%,其余参数保持不变。大地图简单环境下栅格地图大小设置为50m×50m,障碍物占总栅格数量的百分比设置为20%,起始点为[0,5],目标点为[27,20],大地图复杂环境下障碍物占总栅格数量的百分比设置为40%,其余参数保持不变。
仿真结果如图3、图4、图5、图6,实验结果如图7、图8、图9、图10。图7、图8对应室内短距离简单环境的实验。图9、图10对应室内长距离复杂环境的试验。图7、图9使用A*算法进行实验,图8、图10使用本申请方法进行试验。图7、图8、图9、图10中的左图通过摆放障碍物的多少可以模拟地图复杂程度,右图为机器人平台实际运行的路径,黑色线条为算法规划的路径,加粗黑色箭头为终止点。
表1仿真数据对比结果
从上述的仿真结果和实验结果可明显看出本申请方法所规划的路径更短,转角更小。
需要强调的是,本发明所述的实施例是优选实施例,不是限定性的,因此本实施例包括并不限于具体实施方式中所述的实施例,凡是本领域技术人员在本发明的原则之内,根据本实施例的技术方案得出的其他实施方式,同样属于本发明保护的范围。
本发明未述及之处适用于现有技术。
Claims (5)
1.一种融合A*与改进灰狼算法的巡检机器人路径规划方法,该方法包括以下内容:
创建环境地图,运行A*算法,确定可行栅格节点的评价函数F(n)值;单独设置一个矩阵存放F(n)的数据,直到进行灰狼初始化之前,该矩阵的地址不能释放;
比较起始点周围所有可行栅格的评价函数F(n)值,将评价函数F(n)值自大到小排列,并且将F(n)值前三位可行栅格初始化为狼群的α狼、β狼、γ狼,其余可行栅格作为ω狼;
运行改进灰狼算法,更新位置向量及拓展节点,遍历至终止点后,输出最优路径。
2.根据权利要求1所述的路径规划方法,其特征在于,所述改进灰狼算法中距离计算和位置向量计算公式分别为公式(1)和公式(6):
其中,
4.一种融合A*与改进灰狼算法的巡检机器人路径规划方法,其特征在于,该规划方法的具体步骤是:
步骤一、首先使用栅格法创建环境地图,黑色栅格代表障碍物,白色栅格代表可通行区域,设置机器人运动的起始点与终止点;
步骤二、创建一个列表Openlist,存放当前位置栅格在搜索路径时所需要考虑的位置栅格;
步骤三、创建一个列表Closelist,存放已经搜索过的栅格及障碍物栅格;
步骤四、将起始点放入Openlist,初始化G(n)、H(n)准备开始第一次搜索,其中,G(n)为机器人运动起始点到节点n的实际距离,H(n)为节点n到终止点的估计距离;
步骤五、判断起始点周围的可行路径,即判断起始点周围的节点是障碍物栅格还是可行栅格,如为障碍物栅格,则将节点直接放入Closelist列表中,若为可行栅格则判断节点是否在Openlist列表中,如不在则将节点加入Openlist列表,并计算该节点的评价函数F(n)值,并将起始点放入Closelist中;若节点在在Openlist列表中,则执行步骤六;
步骤六、单独设置一个矩阵存放F(n)的数据,直到进行灰狼初始化之前,该矩阵的地址不能释放,以保证灰狼初始化时能够得到最优的初值,比较起始点周围所有可行栅格的评价函数F(n)值,将评价函数F(n)值自大到小排列,并且将F(n)值前三位可行栅格初始化为狼群的α狼、β狼、γ狼,其余可行栅格作为ω狼;
步骤七、计算其余个体与α狼、β狼、γ狼之间的距离,更新位置向量及拓展节点;
步骤八、判断拓展节点是否在Closelist列表中,如不在,则从步骤五开始循环直到将终止点加入Closelist列表中;否则,搜索结束,得到最优路径;
步骤九、输出得到的最优路径。
5.根据权利要求1-4任一所述的规划方法,其特征在于,该规划方法适用于大地图复杂环境,也适用于小地图简单环境,仿真中的地图复杂程度以障碍物占总栅格数量的百分比及地图边长决定,实验中的地图复杂程度通过障碍物的数量决定,长短距离为机器人实际走过的路径;大地图复杂环境下障碍物占总栅格数量的百分比不小于40%,栅格地图大小不小于50m×50m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110575692.2A CN113296520B (zh) | 2021-05-26 | 2021-05-26 | 融合a*与改进灰狼算法的巡检机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110575692.2A CN113296520B (zh) | 2021-05-26 | 2021-05-26 | 融合a*与改进灰狼算法的巡检机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113296520A true CN113296520A (zh) | 2021-08-24 |
CN113296520B CN113296520B (zh) | 2023-07-14 |
Family
ID=77325070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110575692.2A Active CN113296520B (zh) | 2021-05-26 | 2021-05-26 | 融合a*与改进灰狼算法的巡检机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113296520B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113759915A (zh) * | 2021-09-08 | 2021-12-07 | 广州杰赛科技股份有限公司 | 一种agv小车路径规划方法、装置、设备及存储介质 |
CN114047770A (zh) * | 2022-01-13 | 2022-02-15 | 中国人民解放军陆军装甲兵学院 | 一种多内心搜寻改进灰狼算法的移动机器人路径规划方法 |
CN114115301A (zh) * | 2022-01-26 | 2022-03-01 | 河北工业大学 | 基于狼群算法和人工势场的移动机器人改进a*算法 |
CN115248591A (zh) * | 2021-12-28 | 2022-10-28 | 齐齐哈尔大学 | 基于混合初始化灰狼粒子群算法的uuv路径规划方法 |
CN115437386A (zh) * | 2022-11-03 | 2022-12-06 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息融合的无人车路径规划方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083156A (zh) * | 2019-04-25 | 2019-08-02 | 北京航空航天大学 | 基于狼群算法的穿刺机器人柔性针运动路径规划装置及方法 |
CN110647147A (zh) * | 2019-09-10 | 2020-01-03 | 青岛理工大学 | 基于灰狼算法优化pid的路径跟踪控制方法 |
CN111679692A (zh) * | 2020-08-04 | 2020-09-18 | 上海海事大学 | 一种基于改进A-star算法的无人机路径规划方法 |
CN111723945A (zh) * | 2020-06-03 | 2020-09-29 | 杭州欣禾圣世科技有限公司 | 一种基于改进灰狼算法的bp神经网络优化方法 |
CN112013841A (zh) * | 2020-08-26 | 2020-12-01 | 南京工业大学 | 一种室内动态环境下的语义slam服务机器人导航方法 |
-
2021
- 2021-05-26 CN CN202110575692.2A patent/CN113296520B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110083156A (zh) * | 2019-04-25 | 2019-08-02 | 北京航空航天大学 | 基于狼群算法的穿刺机器人柔性针运动路径规划装置及方法 |
CN110647147A (zh) * | 2019-09-10 | 2020-01-03 | 青岛理工大学 | 基于灰狼算法优化pid的路径跟踪控制方法 |
CN111723945A (zh) * | 2020-06-03 | 2020-09-29 | 杭州欣禾圣世科技有限公司 | 一种基于改进灰狼算法的bp神经网络优化方法 |
CN111679692A (zh) * | 2020-08-04 | 2020-09-18 | 上海海事大学 | 一种基于改进A-star算法的无人机路径规划方法 |
CN112013841A (zh) * | 2020-08-26 | 2020-12-01 | 南京工业大学 | 一种室内动态环境下的语义slam服务机器人导航方法 |
Non-Patent Citations (9)
Title |
---|
CHENGZHI QU等: "A novel hybrid grey wolf optimizer algorithm for unmanned aerial vehicle (UAV) path planning", 《KNOWLEDGE-BASED SYSTEMS》 * |
CHENGZHI QU等: "A novel hybrid grey wolf optimizer algorithm for unmanned aerial vehicle (UAV) path planning", 《KNOWLEDGE-BASED SYSTEMS》, 28 January 2020 (2020-01-28), pages 1 - 14 * |
刘宁宁 等: "基于改进灰狼优化算法的移动机器人路径规划", 《电测与仪表》 * |
刘宁宁 等: "基于改进灰狼优化算法的移动机器人路径规划", 《电测与仪表》, vol. 57, no. 1, 10 January 2020 (2020-01-10), pages 76 - 83 * |
孙嘉明 等: "基于距离抑制向量的机器人动态路径规划方法", 《燕山大学学报》, vol. 46, no. 5, pages 408 - 416 * |
李靖 等: "基于IGWO-A* 算法的无人机农田喷洒航迹规划", 《沈阳农业大学学报》 * |
李靖 等: "基于IGWO-A* 算法的无人机农田喷洒航迹规划", 《沈阳农业大学学报》, 15 April 2020 (2020-04-15), pages 231 - 237 * |
李靖等: "基于改进灰狼优化算法的区域监测机器人路径规划", 《科学技术与工程》 * |
李靖等: "基于改进灰狼优化算法的区域监测机器人路径规划", 《科学技术与工程》, no. 15, 28 May 2020 (2020-05-28), pages 241 - 248 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113759915A (zh) * | 2021-09-08 | 2021-12-07 | 广州杰赛科技股份有限公司 | 一种agv小车路径规划方法、装置、设备及存储介质 |
CN113759915B (zh) * | 2021-09-08 | 2023-09-15 | 广州杰赛科技股份有限公司 | 一种agv小车路径规划方法、装置、设备及存储介质 |
CN115248591A (zh) * | 2021-12-28 | 2022-10-28 | 齐齐哈尔大学 | 基于混合初始化灰狼粒子群算法的uuv路径规划方法 |
CN114047770A (zh) * | 2022-01-13 | 2022-02-15 | 中国人民解放军陆军装甲兵学院 | 一种多内心搜寻改进灰狼算法的移动机器人路径规划方法 |
CN114047770B (zh) * | 2022-01-13 | 2022-03-29 | 中国人民解放军陆军装甲兵学院 | 一种多内心搜寻改进灰狼算法的移动机器人路径规划方法 |
CN114115301A (zh) * | 2022-01-26 | 2022-03-01 | 河北工业大学 | 基于狼群算法和人工势场的移动机器人改进a*算法 |
CN114115301B (zh) * | 2022-01-26 | 2022-04-22 | 河北工业大学 | 基于狼群算法和人工势场的移动机器人改进a*算法 |
CN115437386A (zh) * | 2022-11-03 | 2022-12-06 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息融合的无人车路径规划方法 |
CN115437386B (zh) * | 2022-11-03 | 2023-02-24 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息融合的无人车路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113296520B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113296520A (zh) | 融合a*与改进灰狼算法的巡检机器人路径规划方法 | |
CN110083165B (zh) | 一种机器人在复杂狭窄环境下路径规划方法 | |
CN110378439B (zh) | 基于Q-Learning算法的单机器人路径规划方法 | |
CN110321666B (zh) | 基于先验知识与dqn算法的多机器人路径规划方法 | |
CN112650229B (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
CN113172631B (zh) | 一种基于改进式rrt算法的机械臂自主避障方法 | |
CN110006429A (zh) | 一种基于深度优化的无人船航迹规划方法 | |
CN107169557A (zh) | 一种对布谷鸟优化算法进行改进的方法 | |
CN105527964A (zh) | 一种机器人路径规划方法 | |
CN108958238B (zh) | 一种基于协变代价函数的机器人点到区路径规划方法 | |
CN113110520B (zh) | 一种多智能优化并行算法的机器人路径规划方法 | |
CN112161627A (zh) | 一种消防机器人智能路径规划方法 | |
Su et al. | Mobile robot path planning based on improved ant colony algorithm | |
Li et al. | Mobile robot path planning based on improved genetic algorithm with A-star heuristic method | |
Wang | Path planning of mobile robot based on a* algorithm | |
Bai et al. | Design and Simulation of a Collision-free Path Planning Algorithm for Mobile Robots Based on Improved Ant Colony Optimization. | |
CN115129064A (zh) | 基于改进萤火虫算法与动态窗口法融合的路径规划方法 | |
CN113359721B (zh) | 一种结合运动控制的改进a*的agv路径规划方法 | |
Cheng et al. | An improved RRT-Connect path planning algorithm of robotic arm for automatic sampling of exhaust emission detection in Industry 4.0 | |
Cui et al. | Multi-strategy adaptable ant colony optimization algorithm and its application in robot path planning | |
Chen et al. | Deep reinforcement learning-based robot exploration for constructing map of unknown environment | |
CN116592890B (zh) | 一种采摘机器人路径规划方法、系统、电子设备及介质 | |
Han et al. | Autoexplorer: Autonomous exploration of unknown environments using fast frontier-region detection and parallel path planning | |
CN117471919A (zh) | 一种基于改进鹈鹕优化算法的机器人路径规划方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |