CN113341984A - 基于改进rrt算法的机器人路径规划方法和装置 - Google Patents
基于改进rrt算法的机器人路径规划方法和装置 Download PDFInfo
- Publication number
- CN113341984A CN113341984A CN202110662621.6A CN202110662621A CN113341984A CN 113341984 A CN113341984 A CN 113341984A CN 202110662621 A CN202110662621 A CN 202110662621A CN 113341984 A CN113341984 A CN 113341984A
- Authority
- CN
- China
- Prior art keywords
- point
- robot
- random sampling
- generating
- path
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
Abstract
本发明提供基于改进RRT算法的机器人路径规划方法,包括:加载初始化栅格地图,确定起始点和目标点并初始化随机树;基于目标导向策略随机采样函数生成随机采样点;获取随机采样点方向和目标点方向的权重值,根据权重值加权运算生成新扩展点;判定新扩展点没有发生碰撞,根据新扩展点更新随机树;判断新扩展点与目标点的距离是否小于第一距离阈值;若是,生成全局路径;若否,返回所述基于预设的目标导向策略随机采样函数生成随机采样点的步骤并继续执行。该方法能够减少算法采样性问题,保证新扩展点以最大概率接近目标点,避免单一的以指定步长向随机采样点前进生成新扩展节点以及算法路径结果转折点多、转角大的问题,显著提高算法的搜索速度。
Description
技术领域
本发明涉及自主导航技术领域,具体而言,本发明涉及一种基于改进RRT算法的机器人路径规划方法、装置、计算机可读存储介质和机器人。
背景技术
移动机器人技术近年来在自动驾驶、运输、医疗、农业等领域得到了广泛应用,成为了研究的热点。路径规划算法作为移动机器人的核心内容,要保证移动机器人可以在环境空间内安全行驶,必须规划出一条合理可行的路径。目前移动机器人路径规划算法主要分为全局路径规划和本地路径规划。常见的全局路径规划算法有以Dijkstra和A*为代表的搜索类算法,还有以RRT为代表的采样类算法。结合机器人传感器信息,常见的本地路径规划方法有人工势场法和动态窗口法。
Dijkstra算法是基于广度优先搜索的路径搜索方法,它采用遍历的方式,导致搜索了大量无用节点,占用内存较大。A*算法在Dijkstra算法的基础上加入了启发式函数,解决了盲目搜索问题,从而大大提高了搜索效率。Dijkstra和A*算法都属于搜索类算法,首次规划全局路径时间长,而RRT(Rapidly-exploring Random Trees,快速搜索随机树)算法则是基于随机采样思想,能够在相对更短的时间内规划处全局路径,但存在单一地以指定步长向随机采样点前进生成新扩展节点的问题,算法路径结果转折点多、转角大且算法的搜索效率低。综上所述,亟需一种改进RRT算法解决传统RRT算法在机器人路径规划过程中转角过大、搜索效率低的问题。
发明内容
为至少能解决上述的技术缺陷之一,本发明提供了以下技术方案的基于改进RRT算法的机器人路径规划方法及对应的装置、计算机可读存储介质和机器人。
本发明的实施例根据一个方面,提供了一种基于改进RRT算法的机器人路径规划方法,包括如下步骤:
加载初始化栅格地图,确定在所述初始化栅格地图中的起始点和目标点并初始化随机树;
基于预设的目标导向策略随机采样函数生成随机采样点;
获取随机采样点方向和目标点方向的权重值,根据所述权重值加权运算生成新扩展点;判定所述新扩展点没有发生碰撞,根据所述新扩展点更新所述随机树;
判断所述新扩展点与所述目标点的距离是否小于第一距离阈值;若是,生成全局路径;若否,返回所述基于预设的目标导向策略随机采样函数生成随机采样点的步骤并继续执行。
优选地,所述目标导向策略随机采样函数的公式为:
其中,xrand是随机采样点,xgoal是目标点,p是预设概率值,p(xrand)是随机生成概率值。
优选地,所述根据所述权重值加权运算生成新扩展点采用的加权运算公式为:
xnew=x+k·[ω·nrand+(1-ω)·ngoal];
其中,xnew是新扩展点,x是待延伸生成所述新扩展点的当前位置点,k是指定步长,ω是用于确定所述权重值的权重因子,nrand是随机采样点方向单位矢量,ngoal是目标点方向单位矢量。
优选地,所述获取随机采样点方向和目标点方向的权重值,根据所述权重值加权运算生成新扩展点之后,还包括:
判定所述新扩展点有发生碰撞,返回所述基于预设的目标导向策略随机采样函数生成随机采样点的步骤并继续执行。
优选地,所述生成全局路径之后,还包括:
在机器人根据所述全局路径运动过程中,基于动态窗口算法在速度空间范围内采样多组速度;
基于机器人运动模型对应所述多组速度进行轨迹预测;
基于预设的评价函数从预测得到的多个轨迹中筛选出局部最优路径;其中,所述评价函数的值与所述全局路径相关联。
优选地,所述基于预设的评价函数从预测得到的多个轨迹中筛选出局部最优路径之后,还包括:
使机器人根据所述局部最优路径运动;
判断机器人与所述目标点的距离是否小于第二距离阈值;若是,使机器人结束运动;若否,返回所述基于动态窗口算法在速度空间范围内采样多组速度的步骤并继续执行。
优选地,所述评价函数的公式为:
G(v,w)=k[αHeading(v,w)+βGoal(v,w)+γPath(v,w)+σOcc(v,w)];
其中,v是机器人运动线速度,w是机器人运动角速度,G(v,w)是评价函数值,k是路径平滑参数,α、β、γ、σ是加权系数,Heading(v,w)表示机器人所处位置与所述目标点的方位角,Goal(v,w)表示机器人预测轨迹末端点到所述目标点的距离,Path(v,w)表示预测轨迹末端点到所述全局路径的距离,Occ(v,w)表示机器人预测轨迹到附近障碍物的距离。
此外,本发明的实施例根据另一个方面,提供了一种基于改进RRT算法的机器人路径规划装置,包括:
初始化模块,用于加载初始化栅格地图,确定在所述初始化栅格地图中的起始点和目标点并初始化随机树;
随机采样点生成模块,用于基于预设的目标导向策略随机采样函数生成随机采样点;
新扩展点生成模块,用于获取随机采样点方向和目标点方向的权重值,根据所述权重值加权运算生成新扩展点;判定所述新扩展点没有发生碰撞,根据所述新扩展点更新所述随机树;
全局路径生成模块,用于判断所述新扩展点与所述目标点的距离是否小于第一距离阈值;若是,生成全局路径;若否,返回所述基于预设的目标导向策略随机采样函数生成随机采样点的步骤并继续执行。
本发明的实施例根据又一个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质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上述的基于改进RRT算法的机器人路径规划方法。
本发明的实施例根据再一个方面,提供了一种机器人,所述机器人包括一个或多个处理器;存储器;一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个计算机程序配置用于:执行上述的基于改进RRT算法的机器人路径规划方法。
本发明与现有技术相比,具有以下有益效果:
本发明提供的基于改进RRT算法的机器人路径规划方法、装置、计算机可读存储介质和机器人,通过基于设置的目标导向策略随机采样函数生成随机采样点,减少算法采样性问题,在此基础上,进一步将人工势场思想引入RRT算法的扩展点生成过程,通过给随机采样点方向和目标点方向分配不同的权重值并加权算法生成新扩展节点,避免死角情况,保证在每一次扩展时,都能以最大概率接近目标点,避免了传统RRT算法单一的以指定步长向随机采样点前进生成新扩展节点问题以及算法路径结果转折点多、转角大的问题,显著提高算法的搜索速度。
此外,还利用动态窗口算法可解决在复杂环境下转角过大和动态环境下的实时避障问题,在机器人按照基于改进RRT算法规划得的全局路径执行过程中,通过把全局路径规划和局部路径规划结合,将改进的RRT算法进行全局路径规划与动态窗口算法融合,保证了动态环境下的全局最优性。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例提供的一种基于改进RRT算法的机器人路径规划方法的方法流程图;
图2为本发明实施例提供的加权运算生成新扩展节点的示意图;
图3为本发明实施例提供的另一种基于改进RRT算法的机器人路径规划方法的方法流程图;
图4为本发明实施例提供的动态窗口算法的速度空间示意图;
图5为本发明实施例提供的轨迹预测示意图;
图6为本发明实施例提供的又一个基于改进RRT算法的机器人路径规划方法的方法流程图;
图7为本发明实施例提供的全局路径和预测轨迹距离示意图;
图8为本发明实施例提供的机器人运动方位角示意图;
图9为本发明实施例提供的一种基于改进RRT算法的机器人路径规划装置的结构示意图;
图10为本发明实施例提供的另一种基于改进RRT算法的机器人路径规划装置的结构示意图;
图11为本发明实施例提供的又一种基于改进RRT算法的机器人路径规划装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本发明实施例提供了一种基于改进RRT算法的机器人路径规划方法,如图1所示,该方法包括:
步骤S110:加载初始化栅格地图,确定在所述初始化栅格地图中的起始点和目标点并初始化随机树。
对于本实施例,在实际应用场景中,机器人,例如室内机器人为了生成全局路径,可通过传感器监测周围环境信息,其中,所述传感器可以是激光雷达传感器、毫米波雷达传感器、相机等。根据监测得的周围环境信息,针对环境空间构建并加载初始化栅格地图。全局路径规划为机器人的起始点到目标点之间的路径规划,确定在所述初始化栅格地图中的起始点和目标点并初始化随机树,初始化状态下的随机树只包括所述起始点。
步骤S120:基于预设的目标导向策略随机采样函数生成随机采样点。
传统的RRT算法的随机采样点是在环境空间内进行均匀随机产生的,而后续步骤所要生成的新扩展点依赖于随机采样点,本发明对随机采样点的选取上进行优化,将所述目标点为先验信息加入随机采样策略,设置目标导向策略随机采样函数,并基于所述目标导向策略随机采样函数生成随机采样点,减少算法在采样过程中的随机性。
步骤S130:获取随机采样点方向和目标点方向的权重值,根据所述权重值加权运算生成新扩展点。
传统的RRT算法的新扩展点完全由随机采样点决定产生,本发明实施例将人工势场法的思想引入RRT算法的新扩展点产生过程中。
人工势场法将机器人在周围环境中的运动设计成一种抽象的人造引力场中的运动,目标点对机器人产生“引力”,障碍物对移动机器人产生“斥力”,最后通过求合力来控制机器人的运动,该方法存在局部最优点问题。而本发明实施例采用的权重值加权运算是对人工势场法的改进,其主要思想是通过给随机采样点方向和目标点方向分配不同的权重值,对随机采样点和目标点共同加权决定新扩展点,保证在每一次生成新扩展点时,避免了机器人进入角落区域而产生转角过大问题,同时能以最大概率接近目标点,从而加快算法的搜索速度。
例如,在机器人障碍物少的地方,分配给目标点方向的权重值比较大,在机器人障碍物多的地方,分配给目标点方向的权重值比较小,这样能够显著提高所规划的机器人可行路径的安全性。
步骤S140:判定所述新扩展点没有发生碰撞,根据所述新扩展点更新所述随机树。
对于本实施例,机器人起始点到目标点之间的路径规划需避免与障碍物发生碰撞,因此在生成一个新扩展点之后,需判断其是否没有与障碍物发生碰撞。仅在判定新扩展点没有与障碍物发生碰撞时,才将该新扩展点列入构成全局路径的一个点,更新随机树。
在一些实施例中,若判定新扩展点有与障碍物发生碰撞时,则返回所述步骤S120并继续执行,重复步骤S120生成新的随机采样点和步骤S130生成新扩展点的过程,直至新扩展点没有与障碍物发生碰撞。
步骤S150:判断所述新扩展点与所述目标点的距离是否小于第一距离阈值。若是,执行步骤S160:生成全局路径;若否,返回步骤S120:所述基于预设的目标导向策略随机采样函数生成随机采样点的步骤并继续执行。
对于本实施例,当新扩展点到达目标点时,则完成了从起始点到目标点之间的随机树构建,生成全局路径。
然而在实际应用场景中,新扩展点不一定能够与目标点完成重合,故设定当新扩展点距离目标点在合理距离范围内时则视为新扩展点到达目标点。
具体地,通过预先设定第一距离阈值来限定该合理距离范围,所述第一距离阈值一般小于生成新扩展点的指定步长。若新扩展点与目标点的距离小于第一距离阈值,即新扩展点到达目标点,则生成全局路径;当新扩展点与目标点的距离大于等于第一距离阈值,即新扩展点尚未到达目标点,则返回所述步骤S120并继续执行,重复步骤S120生成新的随机采样点、步骤S130生成新扩展点和步骤S140判定无碰撞和S150判断距离的过程,直至新扩展点到达目标点。
本发明实施例提供的基于改进RRT算法的机器人路径规划方法,通过基于设置的目标导向策略随机采样函数生成随机采样点,减少算法采样性问题,在此基础上,进一步将人工势场思想引入RRT算法的扩展点生成过程,通过给随机采样点方向和目标点方向分配不同的权重值并加权算法生成新扩展节点,避免死角情况,保证在每一次扩展时,都能以最大概率接近目标点,避免了传统RRT算法单一的以指定步长向随机采样点前进生成新扩展节点问题以及算法路径结果转折点多、转角大的问题,显著提高算法的搜索速度。
在一些实施例中,所述步骤S120:基于预设的目标导向策略随机采样函数生成随机采样点的步骤,包括:获取随机生成概率值和预设概率值;判断所述随机生成概率值是否小于所述预设概率值;若是,将所述目标点作为随机采样点;若否,随机采样生成一个随机采样点。
具体地,因为在环境空间内,起始点和目标点都是已知参数,所以为了减少随机采样点的随机性,首先对随机采样函数加入目标导向策略,设置一个启发式概率,即预设概率值p(0<p<1),然后在环境空间内均匀随机产生随机采样点xrand。通过随机函数生成随机生成概率值p(xrand),若随机生成概率值p(xrand)<预设概率值p,则将目标点xGoal作为随机采样点xrand,否则就在环境空间内随机产生随机采样点xrand,所述目标导向策略随机采样函数公式表示为:
在一些实施例中,步骤S130中根据所述权重值加权运算生成新扩展点采用的加权运算公式表示为:
xnew=x+k·[ω·nrand+(1-ω)·ngoal];
其中,xnew是新扩展点,x是待延伸生成所述新扩展点的当前位置点,k是指定步长,ω是用于确定所述权重值的权重因子,nrand是随机采样点方向单位矢量,其具体形式为ngoal是目标点方向单位矢量,其具体形式为
参见图2,为加权运算生成新扩展节点的示意图。权重值加权运算是对人工势场法的改进,通过给随机采样点方向和目标点方向分配不同的权重值,对随机采样点和目标点共同加权决定新扩展点,保证在每一次生成新扩展点时,避免了机器人进入角落区域而产生转角过大问题,同时能以最大概率接近目标点,从而加快算法的搜索速度。
在一些实施例中,如图3所示,步骤S160生成全局路径之后,还包括:
步骤S310:在机器人根据所述全局路径运动过程中,基于动态窗口算法在速度空间范围内采样多组速度。
在实际应用场景中,机器人,例如室内机器人进行路径规划时,面对的周围环境是十分复杂的,全局路径规划算法规划的路径结果可能存在转折点多、转角大且不适合动态环境等问题,机器人很有可能很陷入角落区域,导致转角过大、在原地转圈的情况,同时动态障碍物会影响机器人进行路径规划的实时性。为解决上述问题,进一步完善机器人路径规划,本发明实施例将动态窗口算法与上述实施例提供的改进的RRT算法融合。
具体地,动态窗口算法根据机器人自身携带的传感器连续扫描获取周围环境信息,通过在线实时进行局部路径规划,从而解决机器人动态避障问题。在获得周围环境的栅格地图后,通过改进的RRT算法规划出全局路径并将信息下发给机器人,机器人底盘收到执行命令后控制自身运动。其中,所述传感器可以是激光雷达传感器、毫米波雷达传感器、相机等。
对于本实施例,在速度空间内,理论上可以采样到无穷多组速度,但是由于机器人动力学约束和环境空间限制,可预先设定合适的速度范围,只在预设的速度空间范围内采样速度。
动态窗口算法通过对速度空间中采样多组速度,并在后续步骤针对多组速度分别模拟一段时间内的前向运动轨迹,可将机器人避障问题转化为在预设的速度空间内求解最优速度问题。
步骤S320:基于机器人运动模型对应所述多组速度进行轨迹预测。
在动态窗口算法中,要通过对速度采样模拟机器人的运动轨迹,首先需要知道机器人运动模型。机器人采用的是四轮差速模型,v(t)和ω(t)分别代表在周围环境栅格地图坐标系下的速度和角速度,假设机器人不是全向移动的,即只能做前进和旋转运动。为了简化运动模型,在Δ(t)时间内,机器人两相邻点之间可以看作是匀速直线运动,则机器人运动模型为:
基于机器人运动模型对采样所得的多组速度进行向前轨迹模拟预测,得到对应多组速度的多个轨迹。
步骤S330:基于预设的评价函数从预测得到的多个轨迹中筛选出局部最优路径;其中,所述评价函数的值与所述全局路径相关联。
对于本实施例,在预设的速度空间范围内,不止存在一条可行轨迹,因此需要通过评价函数对每条轨迹进行评价,筛选出最优的轨迹作为局部最优路径。为了保证在局部路径规划中,局部最优路径靠近上述实施例提供的改进RRT算法得出的全局路径,完成实时避障且快速向着目标点运动,设置所述评价函数的值与所述全局路径相关联。
具体地,所述评价函数中包括用于描述轨迹与全局路径关系的子函数,所述子函数的值影响所述评价函数的值。通过所述评价函数对每条轨迹进行评价,其中,用于描述轨迹与全局路径关系的子函数对应每条轨迹的值体现该轨迹是否靠近所述全局路径,最终根据评价函数对应每条轨迹的值筛选出局部最优路径。通过在机器人按照基于改进RRT算法规划得的全局路径执行过程中,持续基于动态窗口算法实时确定局部最优路径,规划出保证动态环境下的全局最优性路径。
在本实施例中,利用动态窗口算法可解决在复杂环境下转角过大和动态环境下的实时避障问题,在机器人按照基于改进RRT算法规划得的全局路径执行过程中,通过把全局路径规划和局部路径规划结合,将改进的RRT算法进行全局路径规划与动态窗口算法融合,保证了动态环境下的全局最优性。本发明实施例提供的机器人路径规划方法能够有效解决机器人路径规划过程中转角过大和搜索路径时间过长的问题,还能够提高机器人在室内的实时动态避障性能,提高了整体系统的机动性;改进RRT算法根据全局周围环境信息规划全局路径,动态窗口算法根据全局路径进行在线实时局部路径规划,各算法之间独立工作,互不影响,能够提高系统的稳定性和抗干扰性,该方法在搜索路径时间和实时动态性上优于传统的RRT算法。
在一些实施例中,动态窗口算法的速度空间示意图如图4所示,横坐标和纵坐标分别表示机器人运动角速度ω和线速度v。在速度空间内,理论上可以采样到无穷多组速度,但是由于机器人动力学约束和环境空间限制,存在最大线速度vmax和最大角速度ωmax,所以采样速度空间必须满足:Vs={(v,ω)|vmin≤v≤vmax,ωmin≤ω≤ωmax}。
由于机器人的电机力矩有限,在采样周期Δ(t)内存在最大、最小的加减速限制v和ω,因此需要对动态窗口大小进一步限制,此窗口内速度为机器人实际可达到速度。假设当前线速度和角速度分别为vc和ωc,则下一时刻动态窗口Vd大小应满足:
基于对机器人安全的考虑,整个机器人的模拟运动轨迹都可以看作是直线或者圆弧运动,为了使机器人在碰到障碍物前速度减为0,因此在最大减速度条件下,机器人的线速度和角速度集合Va必须满足:
综上所述,由上面3个速度限制条件,最终确定动态窗口速度采样空间范围Vr为:Vr=Vs∩Va∩Vd。
在速度空间Vr中,将连续的速度空间根据线速度、角速度指定采样点数进行离散化,得到离散的(v,ω)。对于每一个离散空间的采样点,根据上述机器人运动模型进行前向预测生成下一个运动轨迹,如图5所示。
在一些实施例中,如图6所示,所述步骤S330基于预设的评价函数从预测得到的多个轨迹中筛选出局部最优路径之后,还包括:
步骤S610:使机器人根据所述局部最优路径运动。
步骤S620:判断机器人与所述目标点的距离是否小于第二距离阈值;若是,执行步骤S630:使机器人结束运动;若否,返回所述步骤S310:基于动态窗口算法在速度空间范围内采样多组速度的步骤并继续执行。
对于本实施例,在根据机器人当前所处位置、线速度和角速度计算出采样周期内的运动轨迹并进行发布,通过评价函数对所有轨迹进行筛选,丢掉所有与障碍物发生碰撞和不合理的运动轨迹,将筛选出的局部最优路径下发给机器人底盘,命令机器人根据所述局部最优路径运动。
当机器人到达目标点时,则完成了从起始点运动到目标点的任务,可使机器人结束运动。然而在实际应用场景中,机器人到达的位置点不一定能够与目标点完成重合,故设定当机器人距离目标点在合理距离范围内时则视为机器人到达目标点。
具体地,通过预先设定第二离阈值来限定该合理距离范围,所述第二距离阈值一般小于生成新扩展点的指定步长。若机器人与目标点的距离小于第二距离阈值,即机器人到达目标点,则使机器人结束运动;当机器人与目标点的距离大于等于第二距离阈值,即机器人尚未到达目标点,则返回所述步骤S310并继续执行,重复步骤S310采样多组速度、步骤S320轨迹预测和步骤S330筛选局部最优路径的过程,直至机器人到达目标点。本实施例通过把全局路径规划和局部路径规划结合,将改进的RRT算法进行全局路径规划与动态窗口算法融合,保证了动态环境下的全局最优性。
在一些实施例中,所述评价函数包括包括用于描述轨迹与全局路径关系的子函数Path(v,w),所述步骤S330中评价函数的公式表示为:
G(v,w)=k[α Heading(v,w)+β Goal(v,w)+γPath(v,w)+σOcc(v,w)];
其中,v是机器人运动线速度,w是机器人运动角速度,G(v,w)是评价函数值,k是路径平滑参数,α、β、γ、σ是加权系数,Heading(v,w)表示机器人所处位置与所述目标点的方位角,Goal(v,w)表示机器人预测轨迹末端点到所述目标点的距离,Path(v,w)表示预测轨迹末端点到所述全局路径的距离,Occ(v,w)表示机器人预测轨迹到附近障碍物的距离。
综合以上因素,当总的评价函数值G(v,w)最小,此时的路径为局部最优路径。保证了在局部路径规划中,局部最优路径靠近上述实施例提供的改进RRT算法得出的全局路径,完成实时避障且快速向着目标点运动。
通过改进的RRT算法规划出周围环境的全局路径,如图7中黑色实线所示,一条预测轨迹为虚线所示,两者之间的距离通过以下公式计算:式中,(x1,y1)为机器人前向预测轨迹末端点坐标,(x2,y2)为全局路径坐标。
Heading(v,w)表示机器人在向着目标点前进的过程中,与目标点位置的方位角θ大小,如图8所示,计算公式为Heading(v,w)=180°-θ。
在本实施例中,为了保证在局部路径规划中,局部最优路径靠近上述实施例提供的改进RRT算法得出的全局路径,完成实时避障且快速向着目标点运动,设置所述评价函数的值与所述全局路径相关联。
此外,本发明实施例提供了一种基于改进RRT算法的机器人路径规划装置,如图9所示,所述装置包括:初始化模块91、随机采样点生成模块92、新扩展点生成模块93和全局路径生成模块94;其中,
所述初始化模块91,用于加载初始化栅格地图,确定在所述初始化栅格地图中的起始点和目标点并初始化随机树;
所述随机采样点生成模块92,用于基于预设的目标导向策略随机采样函数生成随机采样点;
所述新扩展点生成模块93,用于获取随机采样点方向和目标点方向的权重值,根据所述权重值加权运算生成新扩展点;判定所述新扩展点没有发生碰撞,根据所述新扩展点更新所述随机树;
所述全局路径生成模块94,用于判断所述新扩展点与所述目标点的距离是否小于第一距离阈值;若是,生成全局路径;若否,返回所述基于预设的目标导向策略随机采样函数生成随机采样点的步骤并继续执行。
在一些实施例中,所述随机采样点生成模块92中采用的所述目标导向策略随机采样函数的公式为:
其中,xrand是随机采样点,xgoal是目标点,p是预设概率值,p(xrand)是随机生成概率值。
在一些实施例中,所述新扩展点生成模块93用于根据所述权重值加权运算生成新扩展点采用的加权运算公式为:
xnew=x+k·[ω·nrand+(1-ω)·ngoal];
其中,xnew是新扩展点,x是待延伸生成所述新扩展点的当前位置点,k是指定步长,ω是用于确定所述权重值的权重因子,nrand是随机采样点方向单位矢量,ngoal是目标点方向单位矢量。
在一些实施例中,所述新扩展点生成模块93在获取随机采样点方向和目标点方向的权重值,根据所述权重值加权运算生成新扩展点之后,还用于:
判定所述新扩展点有发生碰撞,返回所述基于预设的目标导向策略随机采样函数生成随机采样点的步骤并继续执行。
在一些实施例中,如图10所示,所述基于改进RRT算法的机器人路径规划装置,还包括:速度采样模块101、轨迹预测模块102和局部最优路径模块103;其中,
所述速度采样模块101,用于在机器人根据所述全局路径运动过程中,基于动态窗口算法在速度空间范围内采样多组速度;
轨迹预测模块102,用于基于机器人运动模型对应所述多组速度进行轨迹预测;
局部最优路径模块103,用于基于预设的评价函数从预测得到的多个轨迹中筛选出局部最优路径;其中,所述评价函数的值与所述全局路径相关联。
在一些实施例中,如图11所示,所述基于改进RRT算法的机器人路径规划装置,还包括:运动控制模块111、结束运动判定模块112;其中,
所述运动控制模块111,在基于预设的评价函数从预测得到的多个轨迹中筛选出局部最优路径之后,用于:使机器人根据所述局部最优路径运动;
所述结束运动判定模块112,用于判断机器人与所述目标点的距离是否小于第二距离阈值;若是,使机器人结束运动;若否,返回所述基于动态窗口算法在速度空间范围内采样多组速度的步骤并继续执行。
在一些实施例中,所述局部最优路径模块103采用的评价函数的公式为:
G(v,w)=k[α Heading(v,w)+βGoal(v,w)+γPath(v,w)+σOcc(v,w)];
其中,v是机器人运动线速度,w是机器人运动角速度,G(v,w)是评价函数值,k是路径平滑参数,α、β、γ、σ是加权系数,Heading(v,w)表示机器人所处位置与所述目标点的方位角,Goal(v,w)表示机器人预测轨迹末端点到所述目标点的距离,Path(v,w)表示预测轨迹末端点到所述全局路径的距离,Occ(v,w)表示机器人预测轨迹到附近障碍物的距离。
本发明方法实施例的内容均适用于本装置实施例,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同,具体请参见方法实施例中的说明,在此不再赘述。
此外,本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质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上实施例所述的基于改进RRT算法的机器人路径规划方法。其中,所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(RandomAcceSS Memory,随即存储器)、EPROM(EraSable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically EraSable Programmable Read-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,存储设备包括由设备(例如,计算机、手机)以能够读的形式存储或传输信息的任何介质,可以是只读存储器,磁盘或光盘等。
本发明方法实施例的内容均适用于本存储介质实施例,本存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同,具体请参见方法实施例中的说明,在此不再赘述。
此外,本发明实施例还提供了一种机器人,所述机器人为移动机器人,能够按规划的路径运动。
所述机器人包括:一个或多个处理器,存储器,一个或多个计算机程序,其中所述一个或多个计算机程序被存储在存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个计算机程序配置用于执行以上任一实施例所述的基于改进RRT算法的机器人路径规划方法。
本发明方法实施例的内容均适用于本机器人实施例,本机器人实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同,具体请参见方法实施例中的说明,在此不再赘述。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于改进RRT算法的机器人路径规划方法,其特征在于,包括如下步骤:
加载初始化栅格地图,确定在所述初始化栅格地图中的起始点和目标点并初始化随机树;
基于预设的目标导向策略随机采样函数生成随机采样点;
获取随机采样点方向和目标点方向的权重值,根据所述权重值加权运算生成新扩展点;判定所述新扩展点没有发生碰撞,根据所述新扩展点更新所述随机树;
判断所述新扩展点与所述目标点的距离是否小于第一距离阈值;若是,生成全局路径;若否,返回所述基于预设的目标导向策略随机采样函数生成随机采样点的步骤并继续执行。
3.根据权利要求1所述的基于改进RRT算法的机器人路径规划方法,其特征在于,所述根据所述权重值加权运算生成新扩展点采用的加权运算公式为:
xnew=x+k·[ω·nrand+(1-ω)·ngoal];
其中,xnew是新扩展点,x是待延伸生成所述新扩展点的当前位置点,k是指定步长,ω是用于确定所述权重值的权重因子,nrand是随机采样点方向单位矢量,ngoal是目标点方向单位矢量。
4.根据权利要求1所述的基于改进RRT算法的机器人路径规划方法,其特征在于,所述获取随机采样点方向和目标点方向的权重值,根据所述权重值加权运算生成新扩展点之后,还包括:
判定所述新扩展点有发生碰撞,返回所述基于预设的目标导向策略随机采样函数生成随机采样点的步骤并继续执行。
5.根据权利要求1至4任一项所述的基于改进RRT算法的机器人路径规划方法,其特征在于,所述生成全局路径之后,还包括:
在机器人根据所述全局路径运动过程中,基于动态窗口算法在速度空间范围内采样多组速度;
基于机器人运动模型对应所述多组速度进行轨迹预测;
基于预设的评价函数从预测得到的多个轨迹中筛选出局部最优路径;其中,所述评价函数的值与所述全局路径相关联。
6.根据权利要求5所述的基于改进RRT算法的机器人路径规划方法,其特征在于,所述基于预设的评价函数从预测得到的多个轨迹中筛选出局部最优路径之后,还包括:
使机器人根据所述局部最优路径运动;
判断机器人与所述目标点的距离是否小于第二距离阈值;若是,使机器人结束运动;若否,返回所述基于动态窗口算法在速度空间范围内采样多组速度的步骤并继续执行。
7.根据权利要求5所述的基于改进RRT算法的机器人路径规划方法,其特征在于,所述评价函数的公式为:
G(v,w)=k[αHeading(v,w)+βGoal(v,w)+γPath(v,w)+σOcc(v,w)];
其中,v是机器人运动线速度,w是机器人运动角速度,G(v,w)是评价函数值,k是路径平滑参数,α、β、γ、σ是加权系数,Heading(v,w)表示机器人所处位置与所述目标点的方位角,Goal(v,w)表示机器人预测轨迹末端点到所述目标点的距离,Path(v,w)表示预测轨迹末端点到所述全局路径的距离,Occ(v,w)表示机器人预测轨迹到附近障碍物的距离。
8.一种基于改进RRT算法的机器人路径规划装置,其特征在于,包括:
初始化模块,用于加载初始化栅格地图,确定在所述初始化栅格地图中的起始点和目标点并初始化随机树;
随机采样点生成模块,用于基于预设的目标导向策略随机采样函数生成随机采样点;
新扩展点生成模块,用于获取随机采样点方向和目标点方向的权重值,根据所述权重值加权运算生成新扩展点;判定所述新扩展点没有发生碰撞,根据所述新扩展点更新所述随机树;
全局路径生成模块,用于判断所述新扩展点与所述目标点的距离是否小于第一距离阈值;若是,生成全局路径;若否,返回所述基于预设的目标导向策略随机采样函数生成随机采样点的步骤并继续执行。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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权利要求1至7任一项所述的基于改进RRT算法的机器人路径规划方法。
10.一种机器人,其特征在于,其包括:
一个或多个处理器;
存储器;
一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个计算机程序配置用于:执行根据权利要求1至7任一项所述的基于改进RRT算法的机器人路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110662621.6A CN113341984A (zh) | 2021-06-15 | 2021-06-15 | 基于改进rrt算法的机器人路径规划方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110662621.6A CN113341984A (zh) | 2021-06-15 | 2021-06-15 | 基于改进rrt算法的机器人路径规划方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113341984A true CN113341984A (zh) | 2021-09-03 |
Family
ID=77477253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110662621.6A Pending CN113341984A (zh) | 2021-06-15 | 2021-06-15 | 基于改进rrt算法的机器人路径规划方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113341984A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113771035A (zh) * | 2021-09-24 | 2021-12-10 | 河北工业大学 | 基于rrt*算法的冗余多自由度机械臂避障路径优化方法 |
CN114115239A (zh) * | 2021-11-03 | 2022-03-01 | 中国科学院重庆绿色智能技术研究院 | 一种机器人路径规划方法、系统、设备及介质 |
CN114161416A (zh) * | 2021-12-06 | 2022-03-11 | 贵州大学 | 基于势函数的机器人路径规划方法 |
CN114355909A (zh) * | 2021-12-22 | 2022-04-15 | 的卢技术有限公司 | 一种路径规划的方法、装置、计算机设备和存储介质 |
CN114489052A (zh) * | 2021-12-31 | 2022-05-13 | 杭州电子科技大学 | 一种改进rrt算法重连策略的路径规划方法 |
CN115016510A (zh) * | 2022-08-08 | 2022-09-06 | 武汉工程大学 | 一种机器人导航避障方法、装置以及存储介质 |
CN115903918A (zh) * | 2023-01-05 | 2023-04-04 | 中国人民解放军军事科学院系统工程研究院 | 一种无人系统韧性控制方法及装置 |
CN115950439A (zh) * | 2023-03-15 | 2023-04-11 | 季华实验室 | 双向rrt路径规划方法、装置、电子设备及存储介质 |
WO2023093378A1 (zh) * | 2021-11-29 | 2023-06-01 | 中移(成都)信息通信科技有限公司 | 路径规划方法及装置、设备、存储介质 |
CN116578121A (zh) * | 2023-07-10 | 2023-08-11 | 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 |
CN117762149A (zh) * | 2024-02-22 | 2024-03-26 | 本溪钢铁(集团)信息自动化有限责任公司 | 一种捞渣机器人控制方法、装置、设备及介质 |
CN117762149B (zh) * | 2024-02-22 | 2024-05-17 | 本溪钢铁(集团)信息自动化有限责任公司 | 一种捞渣机器人控制方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108983780A (zh) * | 2018-07-24 | 2018-12-11 | 武汉理工大学 | 一种基于改进rrt*算法的移动机器人路径规划方法 |
CN110509279A (zh) * | 2019-09-06 | 2019-11-29 | 北京工业大学 | 一种仿人机械臂的运动路径规划方法及系统 |
CN110703762A (zh) * | 2019-11-04 | 2020-01-17 | 东南大学 | 一种复杂环境下水面无人艇混合路径规划方法 |
CN111650941A (zh) * | 2020-06-10 | 2020-09-11 | 湖南爱米家智能科技有限公司 | 基于RRT-Connect改进的医用移动机器人路径规划方法、装置、介质及设备 |
CN112000099A (zh) * | 2020-08-26 | 2020-11-27 | 大连理工大学 | 动态环境下协作机器人柔性路径规划方法 |
CN112230634A (zh) * | 2019-06-26 | 2021-01-15 | 北京海益同展信息科技有限公司 | 一种机器人避障方法和装置 |
CN112327885A (zh) * | 2020-12-01 | 2021-02-05 | 大连海事大学 | 一种无人船自适应全局-局部混合路径规划的方法 |
-
2021
- 2021-06-15 CN CN202110662621.6A patent/CN113341984A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983780A (zh) * | 2018-07-24 | 2018-12-11 | 武汉理工大学 | 一种基于改进rrt*算法的移动机器人路径规划方法 |
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 |
CN112230634A (zh) * | 2019-06-26 | 2021-01-15 | 北京海益同展信息科技有限公司 | 一种机器人避障方法和装置 |
CN110509279A (zh) * | 2019-09-06 | 2019-11-29 | 北京工业大学 | 一种仿人机械臂的运动路径规划方法及系统 |
CN110703762A (zh) * | 2019-11-04 | 2020-01-17 | 东南大学 | 一种复杂环境下水面无人艇混合路径规划方法 |
CN111650941A (zh) * | 2020-06-10 | 2020-09-11 | 湖南爱米家智能科技有限公司 | 基于RRT-Connect改进的医用移动机器人路径规划方法、装置、介质及设备 |
CN112000099A (zh) * | 2020-08-26 | 2020-11-27 | 大连理工大学 | 动态环境下协作机器人柔性路径规划方法 |
CN112327885A (zh) * | 2020-12-01 | 2021-02-05 | 大连海事大学 | 一种无人船自适应全局-局部混合路径规划的方法 |
Non-Patent Citations (2)
Title |
---|
郭枭鹏: "基于改进人工势场法的路径规划算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
高佳佳: "基于全局地图的移动机器人路径规划研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113771035A (zh) * | 2021-09-24 | 2021-12-10 | 河北工业大学 | 基于rrt*算法的冗余多自由度机械臂避障路径优化方法 |
CN114115239A (zh) * | 2021-11-03 | 2022-03-01 | 中国科学院重庆绿色智能技术研究院 | 一种机器人路径规划方法、系统、设备及介质 |
CN114115239B (zh) * | 2021-11-03 | 2024-04-12 | 中国科学院重庆绿色智能技术研究院 | 一种机器人路径规划方法、系统、设备及介质 |
WO2023093378A1 (zh) * | 2021-11-29 | 2023-06-01 | 中移(成都)信息通信科技有限公司 | 路径规划方法及装置、设备、存储介质 |
CN114161416A (zh) * | 2021-12-06 | 2022-03-11 | 贵州大学 | 基于势函数的机器人路径规划方法 |
CN114355909A (zh) * | 2021-12-22 | 2022-04-15 | 的卢技术有限公司 | 一种路径规划的方法、装置、计算机设备和存储介质 |
CN114489052A (zh) * | 2021-12-31 | 2022-05-13 | 杭州电子科技大学 | 一种改进rrt算法重连策略的路径规划方法 |
CN115016510A (zh) * | 2022-08-08 | 2022-09-06 | 武汉工程大学 | 一种机器人导航避障方法、装置以及存储介质 |
CN115903918A (zh) * | 2023-01-05 | 2023-04-04 | 中国人民解放军军事科学院系统工程研究院 | 一种无人系统韧性控制方法及装置 |
CN115950439B (zh) * | 2023-03-15 | 2023-06-02 | 季华实验室 | 双向rrt路径规划方法、装置、电子设备及存储介质 |
CN115950439A (zh) * | 2023-03-15 | 2023-04-11 | 季华实验室 | 双向rrt路径规划方法、装置、电子设备及存储介质 |
CN116578121A (zh) * | 2023-07-10 | 2023-08-11 | 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 |
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 |
CN117762149A (zh) * | 2024-02-22 | 2024-03-26 | 本溪钢铁(集团)信息自动化有限责任公司 | 一种捞渣机器人控制方法、装置、设备及介质 |
CN117762149B (zh) * | 2024-02-22 | 2024-05-17 | 本溪钢铁(集团)信息自动化有限责任公司 | 一种捞渣机器人控制方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113341984A (zh) | 基于改进rrt算法的机器人路径规划方法和装置 | |
Chen et al. | Mobile robot path planning using ant colony algorithm and improved potential field method | |
US11618168B2 (en) | Dynamic region division and region passage identification methods and cleaning robot | |
Zengin et al. | Real-time target tracking for autonomous UAVs in adversarial environments: A gradient search algorithm | |
CN106774347A (zh) | 室内动态环境下的机器人路径规划方法、装置和机器人 | |
CN110986953B (zh) | 路径规划方法、机器人及计算机可读存储介质 | |
Flint et al. | Cooperative path-planning for autonomous vehicles using dynamic programming | |
Wang et al. | Distributed collision avoidance of multiple robots with probabilistic buffered voronoi cells | |
CN109871031A (zh) | 一种固定翼无人机的轨迹规划方法 | |
CN112947594B (zh) | 一种面向无人机的航迹规划方法 | |
CN115167478B (zh) | 基于深度强化学习的机器人无地图路径规划方法及系统 | |
Chiang et al. | Stochastic ensemble simulation motion planning in stochastic dynamic environments | |
CN114594756A (zh) | 动态障碍环境下的多车协同编队控制方法、终端及介质 | |
CN115268448A (zh) | 一种基于冲突搜索和速度障碍的多机器人路径规划方法 | |
CN114442628A (zh) | 基于人工势场法的移动机器人路径规划方法、装置及系统 | |
CN116804879A (zh) | 一种改进蜣螂算法融合dwa算法的机器人路径规划框架方法 | |
CN113934219B (zh) | 一种机器人自动避障方法、系统、设备及介质 | |
Maoudj et al. | Q-learning-based navigation for mobile robots in continuous and dynamic environments | |
Li et al. | An efficient deep reinforcement learning algorithm for Mapless navigation with gap-guided switching strategy | |
Abiyev et al. | Improved path-finding algorithm for robot soccers | |
CN114564008A (zh) | 基于改进A-Star算法的移动机器人路径规划方法 | |
Jacobs et al. | Robust collision avoidance in unknown domestic environments | |
CN113311862B (zh) | 机器人规避障碍物的运动规划方法 | |
CN113885522B (zh) | 水面机器人避障方法、装置、设备及可读存储介质 | |
Deguchi et al. | Enhancement of Robot Navigation Systems via Human Pointing Instruction |
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 |