CN113341957A - 一种基于痕迹地图A_star算法的多机器人路径规划方法 - Google Patents

一种基于痕迹地图A_star算法的多机器人路径规划方法 Download PDF

Info

Publication number
CN113341957A
CN113341957A CN202110557527.4A CN202110557527A CN113341957A CN 113341957 A CN113341957 A CN 113341957A CN 202110557527 A CN202110557527 A CN 202110557527A CN 113341957 A CN113341957 A CN 113341957A
Authority
CN
China
Prior art keywords
grid
robot
coordinate
map
list
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.)
Pending
Application number
CN202110557527.4A
Other languages
English (en)
Inventor
陈强
马健
何熊熊
吴春
李胜
欧县华
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202110557527.4A priority Critical patent/CN113341957A/zh
Publication of CN113341957A publication Critical patent/CN113341957A/zh
Pending legal-status Critical Current

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
    • G05D1/0221—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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

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)
  • Numerical Control (AREA)
  • Manipulator (AREA)

Abstract

一种基于痕迹地图A_star算法的多机器人路径规划方法，先对数据列表进行初始化，设定各机器人的优先级，按照优先级由高到低对机器人进行路径规划，将痕迹地图中的值加入估价函数中计算(当机器人优先级最高时痕迹地图值为0),当扩展栅格坐标等于终点栅格坐标时该优先级机器人路径规划结束，将路径规划完成后的机器人路径栅格坐标在痕迹地图上标记并赋值，机器人优先级降1，循环直至所有的机器人找到终点。本发明通过痕迹地图中的值来影响估价函数的值，通过增加痕迹地图降低多条路径的重合率，最终使多个机器人在同一地图中生成的多条路径尽量避免重合，间接降低同一时刻多个机器人在同一路径上运行时间，并减少在实际运行中的碰撞。

Description

一种基于痕迹地图A_star算法的多机器人路径规划方法
技术领域
本发明属于自主移动机器人路径规划领域，特别涉及一种基于痕迹地图A_star算法的多机器人路径规划方法。
背景技术
随着智能化技术的发展，移动机器人的应用越来越广泛。路径规划已经成为移动机器人智能导航的核心技术。移动机器人路径规划，是当移动机器人处于已知或未知的环境中，其根据自身传感器反馈的信息来感知环境，从而避开障碍物自行规划出一条最优安全运行路线。
目前，路径规划算法被广泛应用，常用的有人工势场法、概率路图法、A_star算法、Dijkstra算法、遗传算法和蚁群算法等。在众多传统算法中，A_star算法是一种基于栅格地图的路径规划算法，A_star算法采用了启发式的搜索方式具有较好的实时性，被广泛用于移动机器人路径规划上。但是，传统的A_star算法存在以下问题:对于多目标路径规划时产生不同的路径会发生重叠，这些路径重合会导致机器人在实际运行时产生碰撞。
发明内容
为了克服现有技术的不足，本发明提供一种基于痕迹地图A_star算法的多机器人路径规划方法，使多个机器人在同一地图中生成的多条路径尽量避免重合，通过增加痕迹地图降低多条路径的重合率，从而间接降低同一时刻多个机器人在同一路径上运行时间，并减少在实际运行中的碰撞。
本发明为实现上述发明目的采用的技术方案如下：
一种基于痕迹地图A_star算法的多机器人路径规划方法，包括以下步骤：
步骤1，建立数据列表MoveList,OpenList,CloseList,Parent,OrderList，以及TraceList栅格地图和Map栅格地图，其中TraceList栅格地图与Map栅格地图的大小一致且栅格坐标一一对应；
步骤2，将起点坐标和终点坐标以及地图信息上传至机器人，机器人将地图二值化处理后按照所需精度栅格化并存入Map栅格地图中，将机器人起点栅格坐标和终点栅格坐标依次存入OpenList列表中；
步骤3，将TraceList栅格地图与Map栅格地图直角坐标系化，将起点栅格坐标和终点栅格坐标分别存入OpenList列表，将机器人Robot(1)，Robot(2)，…，Robot(m)按照优先级由高到低排序后存入OrderList中，赋予Robot(1)优先级指针值为1，Robot(2)优先级指针值为2,…,Robot(m)优先级指针值为m，其中，Robot(1)，Robot(2)，…，Robot(m)分别表示第1、2、…、m号机器人；
步骤4，构建机器人待检测栅格坐标并按照k1(·),k2(·),...,k12(·)顺序依次存入MoveList列表，机器人依次在MoveList中选取待检测栅格坐标，待检测栅格坐标分别为k1(x-1,y),k2(x+1,y),k3(x,y-1),k4(x,y+1),k5(x-1,y-1),k6(x-1,y+1),k7(x+1,y-1),k8(x+1,y+1),k9(x-2,y),k10(x+2,y),k11(x,y+2),k12(x,y-2)，其中,k1(·),k2(·),...,k12(·)为待检测栅格坐标，x,y分别为直角坐标系中的X轴坐标和Y轴坐标，-1,+1,-2,+2分别是相对父节点的栅格坐标，单位为1刻度；
步骤5，依次对Robot(1)，Robot(2)，…，Robot(m)号机器人进行规划，选取当前优先级指针值对应的机器人的父节点，按照存入顺序依次在MoveList列表中提取待检测栅格坐标，将提取的栅格坐标分别与CloseList，OpenList列表中的栅格坐标对比，如果CloseList列表中有相同坐标则跳过该栅格坐标继续提取下一个栅格坐标并再次检测是否有相同直至提取的栅格坐标不在CloseList中，如果OpenList列表中有相同坐标则跳至步骤7，反之计算该栅格坐标点的评估函数值，其表达式为：
Figure BDA0003077714760000021
其中，i＝1,2,...,m，表示机器人个数，n＝1,2,...,12，表示待检测栅格坐标在MoveList列表中的序号，fi(n)表示第i个机器人在第n个栅格坐标处的评估函数，gi(n)表示第i个机器人从起始栅格坐标到当前第n个栅格坐标的实际代价；
Figure BDA0003077714760000022
代表1,2,...,i个机器人在TraceList栅格地图中第n个栅格坐标处的痕迹代价之和；hi(n)代表第i个机器人从当前第n个栅格坐标到终点栅格坐标的启发式评估代价函数的值，启发式评估代价函数表达式为：
hi(n)＝(|n.x-goali.x|+|n.y-goali.y|) (2)
其中，设第n个栅格坐标在直角坐标系的X轴坐标为n.x，Y轴坐标为n.y，第i个机器人的终点栅格坐标goali在直角坐标系中的X轴坐标为goali.x，Y轴坐标为goali.y；
步骤6，将检测后的栅格坐标存入CloseList列表中，重复步骤5直至Movelist中的栅格坐标被取空；选取k1(·),k2(·),...,k12(·)栅格坐标对应的评估函数值最小的点为父节点，存入Parent列表中,再以评估函数值最小的栅格坐标为父节点进行扩展，跳至步骤4；
步骤7，当前机器人搜索结束，优先级指针值加1，将当前机器人生成的Parent列表中的栅格坐标在Map栅格地图上标记，同时将Parent列表中栅格坐标在TraceList栅格地图上标记并将这些栅格坐标对应的栅格赋值为2，清空Parent列表；
步骤8，再次重复步骤4-步骤7，直至优先级指针值最大的机器人找到终点坐标；
步骤9，根据Map栅格地图中的标记生成各个机器人的行驶路径。
本发明相比现有技术，具有以下有益效果:在机器人未移动前对所有机器人进行全局的路径规划，在对评估函数进行增加痕迹地图代价后，可以在全局规划层减少路径的重叠率，降低同一时刻多个机器人在同一路径上的运行时间，从而减少在实际运行中碰撞的概率。
附图说明
图1为本发明的控制流程图。
图2为传统的多机器人路径规划图,其中(a)图为简化路径图，图中*号代表起点，五角星代表终点，点划线、虚线、实线、点虚线、点线分别代表路径1-5。图(b)为实际路径图，其中白色栅格代表空白无障碍区域，黑色栅格代表障碍，浅灰色栅格代表起点，深灰色代表终点，带箭头的实现代表路径图。
图3为增加痕迹地图后的多机器人路径规划图，其中(a)图为简化路径图，图中*号代表起点，五角星代表终点，点划线、虚线、实线、点虚线、点线分别代表路径1-5。图(b)为实际路径图，其中白色栅格代表空白无障碍区域，黑色栅格代表障碍，浅灰色栅格代表起点，深灰色代表终点，带箭头的实现代表路径图。
具体实施方案
下面结合附图对本发明做进一步说明。
参照图1-图3，一种基于痕迹地图A算法的多机器人路径规划方法，包括以下步骤：
步骤1，建立数据列表MoveList,OpenList,CloseList,Parent,OrderList，以及TraceList栅格地图和Map栅格地图，其中TraceList栅格地图与Map栅格地图的大小一致且栅格坐标一一对应；
步骤2，将起点坐标和终点坐标以及地图信息上传至机器人，机器人将地图二值化处理后按照所需精度栅格化并存入Map栅格地图中，将机器人起点栅格坐标和终点栅格坐标依次存入OpenList列表中；
步骤3，将TraceList栅格地图与Map栅格地图直角坐标系化，将起点栅格坐标和终点栅格坐标分别存入OpenList列表，将机器人Robot(1)，Robot(2)，…，Robot(m)按照优先级由高到低排序后存入OrderList中，赋予Robot(1)优先级指针值为1，Robot(2)优先级指针值为2,…,Robot(m)优先级指针值为m，其中，Robot(1)，Robot(2)，…，Robot(m)分别表示第1、2、…、m号机器人；
步骤4，构建机器人待检测栅格坐标并按照k1(·),k2(·),...,k12(·)顺序依次存入MoveList列表，机器人依次在MoveList中选取待检测栅格坐标，待检测栅格坐标分别为k1(x-1,y),k2(x+1,y),k3(x,y-1),k4(x,y+1),k5(x-1,y-1),k6(x-1,y+1),k7(x+1,y-1),k8(x+1,y+1),k9(x-2,y),k10(x+2,y),k11(x,y+2),k12(x,y-2)，其中,k1(·),k2(·),...,k12(·)为待检测栅格坐标，x,y分别为直角坐标系中的X轴坐标和Y轴坐标，-1,+1,-2,+2分别是相对父节点的栅格坐标，单位为1刻度；
步骤5，依次对Robot(1)，Robot(2)，…，Robot(m)号机器人进行规划，选取当前优先级指针值对应的机器人的父节点，按照存入顺序依次在MoveList列表中提取待检测栅格坐标，将提取的栅格坐标分别与CloseList，OpenList列表中的栅格坐标对比，如果CloseList列表中有相同坐标则跳过该栅格坐标继续提取下一个栅格坐标并再次检测是否有相同直至提取的栅格坐标不在CloseList中，如果OpenList列表中有相同坐标则跳至步骤7，反之计算该栅格坐标点的评估函数值，其表达式为：
Figure BDA0003077714760000051
其中，i＝1,2,...,m，表示机器人个数，n＝1,2,...,12，表示待检测栅格坐标在MoveList列表中的序号，fi(n)表示第i个机器人在第n个栅格坐标处的评估函数，gi(n)表示第i个机器人从起始栅格坐标到当前第n个栅格坐标的实际代价；
Figure BDA0003077714760000052
代表1,2,...,i个机器人在TraceList栅格地图中第n个栅格坐标处的痕迹代价之和；hi(n)代表第i个机器人从当前第n个栅格坐标到终点栅格坐标的启发式评估代价函数的值，启发式评估代价函数表达式为：
hi(n)＝(|n.x-goali.x|+|n.y-goali.y|) (2)
其中，设第n个栅格坐标在直角坐标系的X轴坐标为n.x，Y轴坐标为n.y，第i个机器人的终点栅格坐标goali在直角坐标系中的X轴坐标为goali.x，Y轴坐标为goali.y；
步骤6，将检测后的栅格坐标存入CloseList列表中，重复步骤5直至Movelist中的栅格坐标被取空；选取k1(·),k2(·),...,k12(·)栅格坐标对应的评估函数值最小的点为父节点，存入Parent列表中,再以评估函数值最小的栅格坐标为父节点进行扩展，跳至步骤4；
步骤7，当前机器人搜索结束，优先级指针值加1，将当前机器人生成的Parent列表中的栅格坐标在Map栅格地图上标记，同时将Parent列表中栅格坐标在TraceList栅格地图上标记并将这些栅格坐标对应的栅格赋值为2，清空Parent列表；
步骤8，再次重复步骤4-步骤7，直至优先级指针值最大的机器人找到终点坐标；
步骤9，根据Map栅格地图中的标记生成各个机器人的行驶路径。
为了验证本发明的可行性和有效性，采用相同大小的地图选择不同数量的机器人进行仿真实验。用于仿真的计算机性能参数为：AMD Ryzen 5 4600U with RadeonGraphics 2.10GHz，内存大小为16GB运行在Window10，利用Matlab2020b软件进行仿真实验，在50×50的栅格地图上对3、5个机器人的路径规划效果进行验证。
在相同地图环境和相同数量的机器人的条件下，分别用传统的方法和本文的方法进行仿真实验实验结果如图2和图3所示；
实验结果表明在相同条件下，增加痕迹地图后规划出路径的重合率较小如图3所示，所以本发明方法是优于传统的多机器人路径规划方法。
以上所述是本发明的实施方式，应当指出，对于本技术领域的技术人员来说在不脱离本发明的远离外对其进行润色改编都视为在本发明的保护范围之内。

Claims (1)

1.一种基于痕迹地图A_star算法的多机器人路径规划方法，其特征在于，所述方法包括以下步骤：
步骤1，建立数据列表MoveList,OpenList,CloseList,Parent,OrderList，以及TraceList栅格地图和Map栅格地图，其中TraceList栅格地图与Map栅格地图的大小一致且栅格坐标一一对应；
步骤2，将起点坐标和终点坐标以及地图信息上传至机器人，机器人将地图二值化处理后按照所需精度栅格化并存入Map栅格地图中，将机器人起点栅格坐标和终点栅格坐标依次存入OpenList列表中；
步骤3，将TraceList栅格地图与Map栅格地图直角坐标系化，将起点栅格坐标和终点栅格坐标分别存入OpenList列表，将机器人Robot(1)，Robot(2)，…，Robot(m)按照优先级由高到低排序后存入OrderList中，赋予Robot(1)优先级指针值为1，Robot(2)优先级指针值为2,…,Robot(m)优先级指针值为m，其中，Robot(1)，Robot(2)，…，Robot(m)分别表示第1、2、…、m号机器人；
步骤4，构建机器人待检测栅格坐标并按照k1(·),k2(·),...,k12(·)顺序依次存入MoveList列表，机器人依次在MoveList中选取待检测栅格坐标，待检测栅格坐标分别为k1(x-1,y),k2(x+1,y),k3(x,y-1),k4(x,y+1),k5(x-1,y-1),k6(x-1,y+1),k7(x+1,y-1),k8(x+1,y+1),k9(x-2,y),k10(x+2,y),k11(x,y+2),k12(x,y-2)，其中,k1(·),k2(·),...,k12(·)为待检测栅格坐标，x,y分别为直角坐标系中的X轴坐标和Y轴坐标，-1,+1,-2,+2分别是相对父节点的栅格坐标，单位为1刻度；
步骤5，依次对Robot(1)，Robot(2)，…，Robot(m)号机器人进行规划，选取当前优先级指针值对应的机器人的父节点，按照存入顺序依次在MoveList列表中提取待检测栅格坐标，将提取的栅格坐标分别与CloseList，OpenList列表中的栅格坐标对比，如果CloseList列表中有相同坐标则跳过该栅格坐标继续提取下一个栅格坐标并再次检测是否有相同直至提取的栅格坐标不在CloseList中，如果OpenList列表中有相同坐标则跳至步骤7，反之计算该栅格坐标点的评估函数值，其表达式为：
Figure FDA0003077714750000011
其中，i＝1,2,...,m，表示机器人个数，n＝1,2,...,12，表示待检测栅格坐标在MoveList列表中的序号，fi(n)表示第i个机器人在第n个栅格坐标处的评估函数，gi(n)表示第i个机器人从起始栅格坐标到当前第n个栅格坐标的实际代价；
Figure FDA0003077714750000021
代表1,2,...,i个机器人在TraceList栅格地图中第n个栅格坐标处的痕迹代价之和；hi(n)代表第i个机器人从当前第n个栅格坐标到终点栅格坐标的启发式评估代价函数的值，启发式评估代价函数表达式为：
hi(n)＝(|n.x-goali.x|+|n.y-goali.y|) (2)
其中，设第n个栅格坐标在直角坐标系的X轴坐标为n.x，Y轴坐标为n.y，第i个机器人的终点栅格坐标goali在直角坐标系中的X轴坐标为goali.x，Y轴坐标为goali.y；
步骤6，将检测后的栅格坐标存入CloseList列表中，重复步骤5直至Movelist中的栅格坐标被取空；选取k1(·),k2(·),...,k12(·)栅格坐标对应的评估函数值最小的点为父节点，存入Parent列表中,再以评估函数值最小的栅格坐标为父节点进行扩展，跳至步骤4；
步骤7，当前机器人搜索结束，优先级指针值加1，将当前机器人生成的Parent列表中的栅格坐标在Map栅格地图上标记，同时将Parent列表中栅格坐标在TraceList栅格地图上标记并将这些栅格坐标对应的栅格赋值为2，清空Parent列表；
步骤8，再次重复步骤4-步骤7，直至优先级指针值最大的机器人找到终点坐标；
步骤9，根据Map栅格地图中的标记生成各个机器人的行驶路径。
CN202110557527.4A 2021-05-21 2021-05-21 一种基于痕迹地图A_star算法的多机器人路径规划方法 Pending CN113341957A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110557527.4A CN113341957A (zh) 2021-05-21 2021-05-21 一种基于痕迹地图A_star算法的多机器人路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110557527.4A CN113341957A (zh) 2021-05-21 2021-05-21 一种基于痕迹地图A_star算法的多机器人路径规划方法

Publications (1)

Publication Number Publication Date
CN113341957A true CN113341957A (zh) 2021-09-03

Family

ID=77470616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110557527.4A Pending CN113341957A (zh) 2021-05-21 2021-05-21 一种基于痕迹地图A_star算法的多机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN113341957A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172399A (zh) * 2023-11-02 2023-12-05 成都飞机工业（集团）有限责任公司 一种基于启发式算法的自动铺丝轨迹规划方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105716613A (zh) * 2016-04-07 2016-06-29 北京进化者机器人科技有限公司 一种机器人避障中的最短路径规划方法
CN107990903A (zh) * 2017-12-29 2018-05-04 东南大学 一种基于改进a*算法的室内agv路径规划方法
CN108549378A (zh) * 2018-05-02 2018-09-18 长沙学院 一种基于栅格地图的混合路径规划方法和系统
CN108549388A (zh) * 2018-05-24 2018-09-18 苏州智伟达机器人科技有限公司 一种基于改进a星策略的移动机器人路径规划方法
CN111426328A (zh) * 2020-03-03 2020-07-17 青岛联合创智科技有限公司 一种静态场景的机器人路径规划方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105716613A (zh) * 2016-04-07 2016-06-29 北京进化者机器人科技有限公司 一种机器人避障中的最短路径规划方法
CN107990903A (zh) * 2017-12-29 2018-05-04 东南大学 一种基于改进a*算法的室内agv路径规划方法
CN108549378A (zh) * 2018-05-02 2018-09-18 长沙学院 一种基于栅格地图的混合路径规划方法和系统
CN108549388A (zh) * 2018-05-24 2018-09-18 苏州智伟达机器人科技有限公司 一种基于改进a星策略的移动机器人路径规划方法
CN111426328A (zh) * 2020-03-03 2020-07-17 青岛联合创智科技有限公司 一种静态场景的机器人路径规划方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
楼观涛: ""基于步进式搜索的多AGV路径规划方法及其应用研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *
潘成浩: ""仓储物流机器人拣选路径规划仿真研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172399A (zh) * 2023-11-02 2023-12-05 成都飞机工业（集团）有限责任公司 一种基于启发式算法的自动铺丝轨迹规划方法
CN117172399B (zh) * 2023-11-02 2024-03-15 成都飞机工业（集团）有限责任公司 一种基于启发式算法的自动铺丝轨迹规划方法

Similar Documents

Publication Publication Date Title
CN109782763B (zh) 一种动态环境下的移动机器人路径规划方法
CN111290385B (zh) 一种机器人路径规划方法、机器人、电子设备及存储介质
CN109597425B (zh) 基于强化学习的无人机导航和避障方法
CN112595337B (zh) 避障路径规划方法、装置、电子装置、车辆及存储介质
CN106647744B (zh) 一种机器人路径规划方法及装置
US11373412B2 (en) Obstacle map generating method and apparatus
EP3828587A1 (en) Method for determining the position of a vehicle
JP6810432B2 (ja) 物体の条件に応じてモードを切り換えることができるｃｎｎ基盤で軍事目的、スマートフォン又は仮想走行に使用される疑似３ｄバウンディングボックスを検出する方法及びこれを利用した装置
CN112344938B (zh) 基于指向和势场参数的空间环境路径生成及规划方法
CN111427341B (zh) 一种基于概率地图的机器人最短预期时间目标搜索方法
Tanaka et al. Incremental ransac for online relocation in large dynamic environments
CN113341957A (zh) 一种基于痕迹地图A_star算法的多机器人路径规划方法
CN114879660A (zh) 一种基于目标驱动的机器人环境感知方法
Chatzisavvas et al. Implementation of agricultural path planning with unmanned ground vehicles (UGV) based on enhanced A* algorithm
CN112950782A (zh) 机器人自主漫游方法和装置及设备
CN116560362A (zh) 一种自动导航的路径规划跟踪方法及系统
CN113505836B (zh) 基于大数据的船舶航线自动生成方法
CN112379692B (zh) 无人机航线的确定方法、装置、设备及存储介质
US20220300002A1 (en) Methods and systems for path planning in a known environment
CN111507154B (zh) 使用横向滤波器掩膜来检测车道线元素的方法和装置
CN113776535A (zh) 一种基于栅格化电子海图的无人艇航路规划方法
Baltzakis et al. Closing multiple loops while mapping features in cyclic environments
US20200012975A1 (en) Route determination
CN113791610B (zh) 一种移动机器人全局路径规划方法
CN118014174B (zh) 对象搜寻路径处理方法、装置及设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210903