CN113325845B - 一种基于混合apf和rrt的无人驾驶路径规划方法 - Google Patents

一种基于混合apf和rrt的无人驾驶路径规划方法 Download PDF

Info

Publication number
CN113325845B
CN113325845B CN202110599719.1A CN202110599719A CN113325845B CN 113325845 B CN113325845 B CN 113325845B CN 202110599719 A CN202110599719 A CN 202110599719A CN 113325845 B CN113325845 B CN 113325845B
Authority
CN
China
Prior art keywords
new
node
point
obstacle
sampling
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
CN202110599719.1A
Other languages
English (en)
Other versions
CN113325845A (zh
Inventor
秦童
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.)
Dilu Technology Co Ltd
Original Assignee
Dilu Technology Co Ltd
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 Dilu Technology Co Ltd filed Critical Dilu Technology Co Ltd
Priority to CN202110599719.1A priority Critical patent/CN113325845B/zh
Publication of CN113325845A publication Critical patent/CN113325845A/zh
Application granted granted Critical
Publication of CN113325845B publication Critical patent/CN113325845B/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
    • G05D1/0212—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
    • G05D1/0212—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本发明公开了一种基于混合APF和RRT的无人驾驶路径规划方法，包括步骤如下：(1)初始化起点、终点和障碍物；(2)采用碰撞检测方法选取采样点；(3)利用RRT算法从当前节点找到距离采样点最近的节点；(4)采用避障策略生成新节点；(5)通过最小代价路径判断新节点是否需要重选父节点；(6)通过最小代价路径判断新节点邻域内的“邻居”节点是否需要重布线；(7)判断步骤(4)中得到的新节点与终点之间的距离是否小于步长s；如小于步长s，路径规划结束；否则，重新回到步骤(2)选取采样点。本发明在随机树新节点生成中，加入目标对其的吸引作用和新节点避障策略，减少了因随机性和随机树慢速生长而提高的时间成本。

Description

一种基于混合APF和RRT的无人驾驶路径规划方法
技术领域
本发明涉及无人驾驶路径规划方法，尤其涉及一种基于混合APF和RRT的无人驾驶路径规划方法。
背景技术
目前无人驾驶搜索算法一般分为结构化道路和非结构化道路，结构化道路一般描绘车辆在路间行驶，车辆速度快，规划算法对实时性要求较高；对于田野、园区等非结构化区域，路径规划算法无明显参考信息，此种情况下对算法的精度和效率要求较高。
RRT(Rapid-exploration Random Tree快速扩展随机树)算法也存在一些缺点，它是一种纯粹的随机搜索算法对环境类型不敏感，当C-空间中包含大量障碍物或狭窄通道约束时，算法的收敛速度慢，效率会大幅下降。RRT的一个弱点是难以在有狭窄通道的环境找到路径，因为狭窄通道面积小，被搜索到的概率低。APF(Artificial Potential Field人工势场法)就是在已知起点、终点和障碍物位置的情况下，构建一个人工势场来模仿这种作用机制。人工势场法的优点在于，它其实是一种反馈控制策略，对控制和传感误差有一定的鲁棒性；缺点在于存在局部极小值问题，因此不能保证一定能找到问题的解。
现有技术方案采用随机采样搜索、或者随机树随机成长，此类技术在一般行人、车辆不多的非机构化道路应用时，首先对障碍物周边区域进行膨胀，增加车辆通行时的安全性，然后对所在区域进行随机采样搜索，然后根据随机生成的道路进行路径可行性评价，最后确定一条可行驶路径。但是存在搜索无目的性，效率低；在车辆、行人多或者狭窄的复杂路况，无法提供搜索结果，导致路径规划失败的现象。
发明内容
发明目的：本发明的目的是提供一种有目的性的设置采样点、提高时间成本的基于混合APF和RRT的无人驾驶路径规划方法。
技术方案：本发明的的无人驾驶路径规划方法，包括步骤如下：
(1)初始化起点、终点和障碍物；
(2)采用碰撞检测方法在当前节点与终点连线的垂直线上选取采样点；
(3)利用RRT算法从当前节点找到距离采样点最近的节点；
(4)采用避障策略生成新节点；
(5)通过最小代价路径判断新节点是否需要重选父节点；
(6)通过最小代价路径判断新节点邻域内的“邻居”节点是否需要重布线；
(7)判断步骤(4)中得到的新节点与终点之间的距离是否小于步长s；如小于步长s，路径规划结束；否则，重新回到步骤(2)选取采样点。
进一步，所述步骤(2)中，起点和终点的中间点为所需要的临时采样点，紧接着需要判断该临时采样点处是否恰好存在障碍物，为碰撞检测；若不存在障碍物，则该临时采样点就设为采样点nrand；若存在障碍物，则需要重新选取采样点；
通过临时采样点做垂直于起点和终点连接线的直线L，在直线上两端分别取距离临时采样点为m*s的点为新的采样点，其中s为步长,m为超出障碍物的最小整数；
设起始点坐标为(xinit，yinit)，终点坐标为(xgoal，ygoal)，垂直于起点和终点连线的直线L的方程为：
Figure BDA0003092479830000021
其中，k为直线的斜率；选取直线L上距离中点m*s处的点为暂时的新采样点，m初始值为1，取到的新采样点再与障碍物进行碰撞检测，新的采样点作为候选采样点；
若两个候选采样点都仍处于障碍物中，将m的值累加1后重新取采样点，继续进行碰撞检测，直到寻找到处于障碍物外的候选采样点停止；此时的采样点不再是临时采样点，而是所需的采样点nrand；
若两个候选采样点进行碰撞检测后都不处于障碍物里，随机选择其中的一个候选采样点为所需的采样点nrand。
进一步，所述步骤(4)中，当采样点为起点和终点的中点时，所取采样点处不存在障碍物，随机树直接往采样点方向以步长扩展；当采样点不在起点与终点的中点时，引入终点由最近随机树节点nnear到终点的方向以及当前节点到采样点方向共同决定，以此来引导随机树往目标点扩展；
当采样点nrand为起点ninit与终点ngoal连线的中点，采样点所处位置不存在障碍物，则新节点nnew节点的坐标公式由采样点确定，沿采样点方向分布的新节点公式：
Figure BDA0003092479830000022
当采样点nrand不在起点ninit与终点ngoal的连线上，引入终点对新节点引力作用后，则得到新节点的公式：
Figure BDA0003092479830000023
其中，g是大于零的引力系数；紧接着再将避障策略融入新节点的生成中，将随机树节点nnear与新节点nnew的连线进行碰撞检测：
若不能规避障碍物，则重新选择新的采样点，再进行新的节点生成；
若可以成功规避障碍物，则随机树进行扩展。
进一步，所述步骤(5)中，当新节点nnew与最邻近随机树节点nnear的连线与障碍物进行碰撞检测后：
若检测结果为不存在障碍物，直接将最近邻节点nnear作为新节点nnew的父节点进行随机树扩展；
若检测结果为存在障碍物，则做以临时新节点nnew为圆心，h*s为半径的半圆，h为顺利通过碰撞检测的最小正整数，并且半圆的直径垂直于最近邻节点与临时新节点的连线；将半圆平均划分为6等份，分别选取圆周上五个采样点nnew1、nnew2、nnew3、nnew4、nnew5作为候选新节点；分别将这五个候选新节点与最近邻节点nnear的连线与障碍物进行碰撞检测，选取候选新节点中无碰撞且最靠近最近邻节点nnear的采样点为新的新节点nnew；若这五个候选新节点在与障碍物进行碰撞检测后，仍然处于会碰撞状态，则将初始值为1的h自动加1，直到这五个候选节点中出现能顺利通过碰撞检测的节点，此时将该候选新节点设置为新的新节点nnew。
本发明与现有技术相比，其显著效果如下：1、本发明改变采样点的随机性，有目的性的设置采样点；2、在随机树新节点生成中，加入目标对其的吸引作用和新节点避障策略，减少因为随机性和随机树慢速生长而提高的时间成本；3、本发明中启发式代价估值函数采用曼哈顿距离能加快运算，不仅加快了算法的收敛时间，且规划的路径质量得到保障，是一种有效的路径规划算法。
附图说明
图1为本发明的总体流程图；
图2为本发明的采样点的选取示意图；
图3为本发明的带目标引力的新节点生长图；
图4为本发明的新节点的生长与避障策略图；
图5为本发明的实施例中狭窄路段车辆行驶路径示意图；
图6中(a)为简单环境下现有技术的运行效果图，(b)为本发明的方法在简单环境下的运行效果图；
图7中(a)为复杂环境下现有技术的运行效果图，(b)为本发明的方法在复杂环境下的运行效果图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步详细描述。
本发明的方法能应用于无人驾驶中非结构化道路的路径规划，特别是针对障碍物众多、狭窄等比较极端的无人驾驶场景：比如狭窄通道、老旧小区内泊车等复杂自动驾驶场景的通过。
在实际应用中，本发明需结合的模块如下：
感知模块：用来感知周边车辆、行人、墙壁、栅栏等具体实际信息。
地图定位模块：提供周边环境的地图以及本车辆在地图中的位置。
决策模块：决定每次车辆运动的具体指令。
规划模块：提供到达目的地的详细路径规划。
控制模块：根据路径控制车辆沿着规划的线路到达目的地。
车辆感知模块获取到前方限宽桩的位置和限宽带的宽带；结合地图和定位信息，获取到本车和限宽桩的地图位置。现以狭窄路段为例，石墩中间可通行宽度比车宽多20cm。如果运用RRT*算法，由于是随机搜索，精度较低，所以此时会被评判为不可通行。使用本发明的方法，通过有目的的搜索，精确度和效率都较高，能规划出可行驶路径，自定义如下：
nrand：在当前节点与终点连线的垂直线上选取的采样点；
s：生成nrand的步长；
nnear：利用RRT*算法随机生成的采样点，即随机树节点。
如图1所示为总流程图，详细实现步骤如下：
步骤1，初始化起点、终点以及障碍物。
结合地图和定位信息，获取到本车和限宽桩的地图位置。
步骤2，在当前节点与终点连线的垂直线上选取采样点nrand。
因为地图中的起始点和终点都属于先验知识。因此，在此基础上，本发明直接定义起始点和终点的中间点为所需要的临时采样点。紧接着需要判断该临时采样点处是否恰好存在障碍物，即碰撞检测。若不存在障碍物，则该临时采样点就设为采样点nrand。若存在障碍物，则需要重新选取采样点。通过采样点nrand做垂直于起点和终点连接线的直线L，在直线上两端分别取距离采样点nrand为m*s的点为新的采样点，其中s为步长，m为整数(超出障碍物的最小整数)，如图2所示。
采样点选取的具体策略为，起始点坐标为(xinit，yinit)，终点坐标为(xgoal，ygoal)，垂直于起点和终点连线的直线L公式为：
Figure BDA0003092479830000041
公式(1)中，k为直线的斜率；选取直线L上距离中点m*s远的点为暂时的新的采样点，m初始为1，取到的新的采样点再与障碍物进行碰撞检测，新的采样点作为候选采样点。若两个候选采样点都仍处于障碍物中，将m的值累加1后重新取采样点后，继续进行碰撞检测，直到寻找到处于障碍物外的候选采样点停止。此时的采样点不再是临时采样点，而是所需的采样点nrand。若两个候选采样点进行碰撞检测后都不处于障碍物里，随机选择一个即可。本发明中新的采样点的选取比RRT*算法更具有目标性，也多了约束性，可以更容易的确定采样点，减少了算法的随机性，同时也加快了算法的收敛。
步骤3，利用RRT*算法的基本步骤，从当前节点随机生成新的采样点，并找到距离当前节点最近的采样节点nnear。
步骤4，新节点的生成。
人工势场算法的基本思想是，移动机器人在虚拟的环境力场中朝着目标运动。目标点对移动机器人有着吸引力的作用，而障碍物对其有着排斥力作用，在二者的合力作用下使机器人向着目标点方向移动。本发明将人工势场与避障策略的思想融入新节点的生成策略，引导随机树往目标点方向扩展。以此来减少RRT*算法中随机树扩展、搜索的随机性，减少不必要的冗余计算和路径规划所需要的时间代价。
当采样点为起点和终点的中点时，即所取采样点处不存在障碍物，随机树直接往采样点方向以步长s扩展；当采样点不在起点与终点的中点时，引入终点具有吸引力的思想后，随机树的生长方向将不再仅仅由采样点决定，而是由最近随机树节点nnear到终点的方向以及当前节点采样点方向共同决定，以此来引导随机树往终点扩展。如图3所示，其中nrand为采样点，ngaol为终点，s为随机树扩展步长，g是大于零的引力系数，nnew为终点和采样点共同作用下生成的新节点。新节点明显具有向终点靠近的偏向性。
若采样点nrand为起点ninit与终点ngoal连线的中点，即采样点所处位置不存在障碍物，则新节点nnew节点的坐标公式仅由采样点确定，其沿采样点方向分布的新节点公式如下：
Figure BDA0003092479830000051
若采样点nrand不在起点ninit与终点ngoal的连线上，引入终点对新节点引力作用后，则得到新节点的公式如下：
Figure BDA0003092479830000052
紧接着再将避障策略融入新节点的生成中。在RRT*算法中，将随机树节点nnear与新节点nnew的连线进行碰撞检测。若不能规避障碍物，则进行重新选择新的采样点，再进行新的节点生成；若可以成功规避障碍物，则随机树进行扩展。如此，将导致随机树的新节点和随机树的扩展速度缓慢。本发明对新节点的选取的加入了避障策略，如图4所示，其中s为步长。
RRT*算法中将启发式函数用作估值函数减少不必要的采样。本发明将曼哈顿距离代替欧氏距离作为代价函数。由式(4)可知点p(x1，y1)与点q(x2，y2)的欧氏距离表示该两点之间的直线距离，公式(5)为曼哈顿距离表示该两点横纵坐标之差绝对值的和，由公式(5)的计算方法即可看出曼哈顿距离在计算方便性方面比欧式距离更加出众，也可以避免浮点运算，从而加快运算速度。
Figure BDA0003092479830000061
dis＝|x1-x2|+|y1-y2| (5)
步骤5，通过最小代价路径判断新节点是否需要重选父节点(规定范围内)。
当新节点nnew与最邻近随机树节点nnear的连线与障碍物进行碰撞检测后，若检测结果为不存在障碍物，直接将最近随机树节点nnear作为新节点nnew的父节点进行随机树扩展；若检测结果为存在障碍物，则做以临时新节点nnew为圆心，h*s为半径的半圆(h为顺利通过碰撞检测的最小正整数)，并且半圆的直径垂直于最近邻节点与临时新节点的连线。将半圆平均划分为6等份，分别选取圆周上五个采样点nnew1、nnew2、nnew3、nnew4、nnew5作为候选新节点。分别将这五个候选新节点与最近邻随机树节点nnear的连线与障碍物进行碰撞检测，选取候选新节点中无碰撞且最靠近最近随机树节点nnear的采样点为新的新节点nnew。若这五个候选新节点在与障碍物进行碰撞检测后，仍然处于会碰撞状态，则将初始值为1的h自动加1，直到这五个候选节点中出现可以顺利通过碰撞检测的节点，此时将该候选新节点设置为新的新节点nnew。紧接着便按照RRT*算法中的方法将最近邻节点作为新节点的父节点进行随机树扩展。
此后，新节点的选取就按最小代价路径的方法进行，比RRT*算法中先返回重选采样点阶段再选取新节点要更加的快速性。
步骤6，根据RRT*算法中的步骤，采用最小代价路径进行判断新节点邻域内的“邻居”节点是否需要重布线。
步骤7，判断步骤4得到的新节点与终点之间的距离是否小于步长s。如小于步长s，路径规划到此结束；否则，重新回到步骤(2)选取采样点nrand。
如图5所示为本发明的在狭窄路段车辆行驶路径示意图。如图6(a)和图6(b)为本发明的方法与现有技术在简单环境下运行效果对比图，图7(a)和图7(b)为本发明的方法与现有技术在复杂环境下运行效果对比图。由图6(a)、图6(b)和图7(a)、图7(b)运行效果对比图可知，本发明通过改变采样点的随机性，有目的性的设置采样点；在随机树新节点生成中，加入目标对其的吸引作用和新节点避障策略，减少因为随机性和随机树慢速生长而提高的时间成本；本发明采用启发式代价估值函数采用曼哈顿距离加快了运算，不仅加快了算法的收敛时间，且规划的路径质量得到保障，是一种有效的路径规划算法。

Claims (1)

1.一种基于混合APF和RRT的无人驾驶路径规划方法，其特征在于，包括步骤如下：
(1)初始化起点、终点和障碍物；
(2)采用碰撞检测方法在当前节点与终点连线的垂直线上选取采样点；
(3)利用RRT算法从当前节点找到距离采样点最近的节点；
(4)采用避障策略生成新节点；
(5)通过最小代价路径判断新节点是否需要重选父节点；
(6)通过最小代价路径判断新节点邻域内的“邻居”节点是否需要重布线；
(7)判断步骤(4)中得到的新节点与终点之间的距离是否小于步长s；如小于步长s，路径规划结束；否则，重新回到步骤(2)选取采样点；
所述步骤(2)中，起点和终点的中间点为所需要的临时采样点，紧接着需要判断该临时采样点处是否恰好存在障碍物，为碰撞检测；若不存在障碍物，则该临时采样点就设为采样点nrand；若存在障碍物，则需要重新选取采样点；
通过临时采样点做垂直于起点和终点连接线的直线L，在直线上两端分别取距离临时采样点为m*s的点为新的采样点，其中s为步长,m为超出障碍物的最小整数；
设起始点坐标为(xinit，yinit)，终点坐标为(xgoal，ygoal)，垂直于起点和终点连线的直线L的方程为：
Figure FDA0003739176330000011
其中，k为直线的斜率；选取直线L上距离中点m*s处的点为暂时的新采样点，m初始值为1，取到的新采样点再与障碍物进行碰撞检测，新的采样点作为候选采样点；
若两个候选采样点都仍处于障碍物中，将m的值累加1后重新取采样点，继续进行碰撞检测，直到寻找到处于障碍物外的候选采样点停止；此时的采样点不再是临时采样点，而是所需的采样点nrand；
若两个候选采样点进行碰撞检测后都不处于障碍物里，随机选择其中的一个候选采样点为所需的采样点nrand；
所述步骤(4)中，当采样点为起点和终点的中点时，所取采样点处不存在障碍物，随机树直接往采样点方向以步长扩展；当采样点不在起点与终点的中点时，引入终点由最近随机树节点nnear到终点的方向以及当前节点到采样点方向共同决定，以此来引导随机树往目标点扩展；
当采样点nrand为起点ninit与终点ngoal连线的中点，采样点所处位置不存在障碍物，则新节点nnew节点的坐标公式由采样点确定，沿采样点方向分布的新节点公式：
Figure FDA0003739176330000021
当采样点nrand不在起点ninit与终点ngoal的连线上，引入终点对新节点引力作用后，则得到新节点的公式：
Figure FDA0003739176330000022
其中，g是大于零的引力系数；紧接着再将避障策略融入新节点的生成中，将随机树节点nnear与新节点nnew的连线进行碰撞检测：
若不能规避障碍物，则重新选择新的采样点，再进行新的节点生成；
若可以成功规避障碍物，则随机树进行扩展；
所述步骤(5)中，当新节点nnew与最邻近随机树节点nnear的连线与障碍物进行碰撞检测后：
若检测结果为不存在障碍物，直接将最近邻节点nnear作为新节点nnew的父节点进行随机树扩展；
若检测结果为存在障碍物，则做以临时新节点nnew为圆心，h*s为半径的半圆，h为顺利通过碰撞检测的最小正整数，并且半圆的直径垂直于最近邻节点与临时新节点的连线；将半圆平均划分为6等份，分别选取圆周上五个采样点nnew1、nnew2、nnew3、nnew4、nnew5作为候选新节点；分别将这五个候选新节点与最近邻节点nnear的连线与障碍物进行碰撞检测，选取候选新节点中无碰撞且最靠近最近邻节点nnear的采样点为新的新节点nnew；若这五个候选新节点在与障碍物进行碰撞检测后，仍然处于会碰撞状态，则将初始值为1的h自动加1，直到这五个候选节点中出现能顺利通过碰撞检测的节点，此时将该候选新节点设置为新的新节点nnew。
CN202110599719.1A 2021-05-31 2021-05-31 一种基于混合apf和rrt的无人驾驶路径规划方法 Active CN113325845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110599719.1A CN113325845B (zh) 2021-05-31 2021-05-31 一种基于混合apf和rrt的无人驾驶路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110599719.1A CN113325845B (zh) 2021-05-31 2021-05-31 一种基于混合apf和rrt的无人驾驶路径规划方法

Publications (2)

Publication Number Publication Date
CN113325845A CN113325845A (zh) 2021-08-31
CN113325845B true CN113325845B (zh) 2022-09-23

Family

ID=77422507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110599719.1A Active CN113325845B (zh) 2021-05-31 2021-05-31 一种基于混合apf和rrt的无人驾驶路径规划方法

Country Status (1)

Country Link
CN (1) CN113325845B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112904869B (zh) * 2021-01-29 2022-04-29 华中科技大学 基于多树rrt的无人艇加权迭代路径规划方法及设备
CN114061606B (zh) * 2021-11-10 2024-04-12 京东鲲鹏(江苏)科技有限公司 路径规划方法、装置、电子设备及存储介质
CN114355956A (zh) * 2021-12-27 2022-04-15 武汉理工大学 一种基于三维点云的水下机器人路径规划方法
CN114594778A (zh) * 2022-03-17 2022-06-07 华侨大学 一种基于二分法和路径融合的全局避障路径规划方法
CN115421520A (zh) * 2022-10-14 2022-12-02 深圳市华赛睿飞智能科技有限公司 一种无人机路径规划方法、无人机及存储介质
CN115683149A (zh) * 2022-11-14 2023-02-03 武汉轻工大学 一种基于地图信息的交互式智能路径规划方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101667030B1 (ko) * 2009-08-10 2016-10-17 삼성전자 주식회사 로봇의 경로 계획 장치 및 그 방법
CN106896812B (zh) * 2017-01-11 2019-11-15 西北工业大学 一种存在测量不确定性下的反馈路径规划方法
CN106970648B (zh) * 2017-04-19 2019-05-14 北京航空航天大学 城市低空环境下无人机多目标路径规划联合搜索方法
CN111141304B (zh) * 2019-12-30 2021-11-02 福州大学 一种基于同心圆采样引导rrt算法的路径规划方法
CN111678523B (zh) * 2020-06-30 2022-05-17 中南大学 一种基于star算法优化的快速bi_rrt避障轨迹规划方法

Also Published As

Publication number Publication date
CN113325845A (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN113325845B (zh) 一种基于混合apf和rrt的无人驾驶路径规划方法
CN112964271B (zh) 一种面向多场景的自动驾驶规划方法及系统
CN106647769B (zh) 基于a*提取引导点的agv路径跟踪与避障协调方法
CN110262518A (zh) 基于轨迹拓扑地图和避障的车辆导航方法、系统及介质
CN110908386B (zh) 一种无人车分层路径规划方法
KR20210121595A (ko) 최적 경로 탐색 장치 및 이의 동작 방법
CN112590775A (zh) 一种自动泊车方法、装置、车辆及存储介质
Artuñedo et al. Smooth path planning for urban autonomous driving using OpenStreetMaps
CN113485360B (zh) 基于改进搜索算法的agv机器人路径规划方法及系统
CN111207767A (zh) 一种基于rrt算法改进的车辆规划算法
CN116360457A (zh) 一种基于自适应栅格和改进a*-dwa融合算法的路径规划方法
CN112833904A (zh) 一种基于自由空间与快速搜索随机树算法的无人车动态路径规划方法
CN114237302B (zh) 一种基于滚动时域的三维实时rrt*航路规划方法
CN112947491A (zh) 一种无人车快速轨迹规划方法
Meng et al. Improved hybrid A-star algorithm for path planning in autonomous parking system based on multi-stage dynamic optimization
Ön et al. A comparative study of smooth path planning for a mobile robot considering kinematic constraints
CN116243724A (zh) 基于A*算法与改进最小化snap的无人飞行器路径规划方法
CN113485378B (zh) 基于交通规则的移动机器人路径规划方法、系统及存储介质
KR20170071712A (ko) 이동 로봇의 주행 경로 계획 방법 및 장치
CN112432652B (zh) 路径规划系统及路径规划方法
Spanogianopoulos et al. RRT-based Path Planning for Car-Like Vehicles with Nonholonomic Constraints
CN115900720A (zh) 矿井下狭窄通道自动驾驶车辆的掉头规划方法
CN114545921B (zh) 一种基于改进rrt算法的无人汽车路径规划算法
Li et al. DF-FS based path planning algorithm with sparse waypoints in unstructured terrain
Yuanhao et al. Application of 3-D Path Planning and Obstacle Avoidance Algorithms on Obstacle-Overcoming Robots

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