CN113359746A - 基于改进双向RRT和Dijkstra融合算法的路径规划方法和装置 - Google Patents
基于改进双向RRT和Dijkstra融合算法的路径规划方法和装置 Download PDFInfo
- Publication number
- CN113359746A CN113359746A CN202110686148.5A CN202110686148A CN113359746A CN 113359746 A CN113359746 A CN 113359746A CN 202110686148 A CN202110686148 A CN 202110686148A CN 113359746 A CN113359746 A CN 113359746A
- Authority
- CN
- China
- Prior art keywords
- random
- point
- points
- path
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 50
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 161
- 230000015654 memory Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 11
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000001788 irregular Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 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
-
- 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
- G05D1/0223—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, 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
-
- 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
- G05D1/0257—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, 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
- G05D1/0259—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, 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于改进双向RRT和Dijkstra融合算法的路径规划方法和装置,该方法包括:加载初始化栅格地图,确定起始点和目标点,分别以起始点和目标点为起点构建两棵随机树;基于目标约束采样策略生成随机采样点;根据随机采样点,基于目标偏置扩展策略对应生成两棵随机树的新扩展点;判断两个新扩展点的距离是否小于预定距离阈值且能够无障碍连接;若是,连接两个所述新扩展点,得到从起始点到目标点的完整路径;采用Dijkstra算法对完整路径进行最短路径搜索,得到最短路径。该方法可解决传统双向RRT算法随机采样点利用率低、随机树盲目生长的问题,使路径规划的搜索效率有所提高,且进一步融合Dijkstra算法优化路径,使得规划的完整路径变得更短,避免过于冗长。
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双向RRT和Dijkstra融合算法的路径规划方法、装置、计算机可读存储介质和智能移动设备。
背景技术
近年来,随着自主导航技术的高速发展,无人机和机器人等智能移动设备的应用越来越广泛,此类智能设备自主探索未知环境的技术正在不断扩展到越来越多的应用领域。进行自主探索的首要任务就是进行路径规划,路径规划的目标是在有大量障碍物的复杂地理环境中,以最快的速度规划出一条连接起点位置和目标点位置的路径,并且该路径能够很好的满足移动设备的运动学约束,使得移动设备能够有效的规避障碍物进行自主探索。
目前许多学者们热衷于研究的路径规划算法主要有RRT算法、D*算法等搜索算法,A*算法、Dijkstra算法等最短路径算法,以及蚁群算法、遗传算法等智能仿生算法。
双向快速搜索随机树算法(B-RRT)是一种传统的路径规划算法,它是基于一种树形结构的典型算法,其具有灵活强大的搜索能力,能够用于许多复杂大环境下的路径规划,但B-RRT算法也存在一些缺陷,比如采样效率较低、规划所得的路径并不是最优路径等问题。
因此,亟需一种改进的路径规划算法,以解决B-RRT算法在路径规划过程中采样点利用率低,随机树盲目生长问题,以及RRT算法规划得到的路径过于冗长的问题。
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双向RRT和Dijkstra融合算法的路径规划方法及对应的装置、计算机可读存储介质和智能移动设备。
本发明的实施例根据一个方面,提供了一种基于改进双向RRT和Dijkstra融合算法的路径规划方法,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,分别以所述起始点和所述目标点为起点构建两棵随机树;
基于预设的目标约束采样策略生成两棵随机树各自的随机采样点;
根据所述随机采样点,基于预设的目标偏置扩展策略对应生成两棵随机树各自的新扩展点;
判断两个所述新扩展点的距离是否小于预定距离阈值且能够无障碍连接;若是,连接两个所述新扩展点,得到从所述起始点到所述目标点的完整路径;若否,返回所述基于预设的目标约束采样策略生成两棵随机树各自的随机采样点的步骤并继续执行;
采用Dijkstra算法对所述完整路径进行最短路径搜索,得到最短路径。
优选地,所述基于预设的目标约束采样策略生成两棵随机树各自的随机采样点,包括:
获取两棵随机树各自的目标偏置概率值和随机概率值;
分别判断每棵随机树的所述随机概率值是否小于其所述目标偏置概率值;若是,将另一棵随机树最新的新扩展点作为该棵随机树的随机采样点;若否,基于预设约束采样条件随机采样生成该棵随机树的随机采样点。
优选地,所述基于预设约束采样条件随机采样生成该棵随机树的随机采样点,包括:
随机采样生成多个随机点;
从所述多个随机点中确定比该棵随机树的前一个随机采样点距离另一棵随机树更近的合格随机点;
将距离另一棵随机树最新的新扩展点最近的合格随机点作为该棵随树的随机采样点。
优选地,所述根据所述随机采样点,基于预设的目标偏置扩展策略对应生成两棵随机树各自的新扩展点,包括:
获取两棵随机树各自的随机采样点方向和目标方向的权重值;
分别根据每棵随机树的所述权重值加权运算生成该棵随机树的新扩展点;其中,所述目标方向为另一棵树最新的新扩展点方向。
优选地,所述根据每棵随机树的所述权重值加权运算生成该棵随机树的新扩展点采用的加权运算公式为:
Nodesnew=Nodesnearest+xstep·[vj·Nx+(1-vj)·Nrand];
其中,Nodesnew是新扩展点,Nodesnearest是该棵随机树待延伸生成所述新扩展点的当前位置点,xstep是扩展步长,vj是用于确定所述权重值的权重因子,Nx是目标方向单位矢量,Nrand是随机采样点方向单位矢量。
优选地,所述采用Dijkstra算法对所述完整路径进行最短路径搜索,得到最短路径,包括:
提取所述完整路径中的节点;
对两节点之间没有障碍物的节点进行连接,生成多个局部可行路径;
采用Dijkstra算法对所述多个局部可行路径进行松弛运算,得到最短路径。
优选地,所述采用Dijkstra算法对所述完整路径进行最短路径搜索,得到最短路径之后,还包括:
采用B样条算法对所述最短路径进行平滑处理,得到最终路径。
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双向RRT和Dijkstra融合算法的路径规划装置,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,分别以所述起始点和所述目标点为起点构建两棵随机树;
随机采样点生成模块,用于基于预设的目标约束采样策略生成两棵随机树各自的随机采样点;
新扩展点生成模块,用于根据所述随机采样点,基于预设的目标偏置扩展策略对应生成两棵随机树各自的新扩展点;
完整路径生成模块,用于判断两个所述新扩展点的距离是否小于预定距离阈值且能够无障碍连接;若是,连接两个所述新扩展点,得到从所述起始点到所述目标点的完整路径;若否,返回所述基于预设的目标约束采样策略生成两棵随机树各自的随机采样点的步骤并继续执行;
最短路径生成模块,用于采用Dijkstra算法对所述完整路径进行最短路径搜索,得到最短路径。
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双向RRT和Dijkstra融合算法的路径规划方法。
本发明的实施例根据再一个方面,提供了一种智能移动设备,所述计算机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双向RRT和Dijkstra融合算法的路径规划方法。
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双向RRT和Dijkstra融合算法的路径规划方法、装置、计算机可读存储介质和智能移动设备,通过设置目标约束采样策略和目标偏置扩展策略使得随机采样点和新扩展点的生成具有目标导向性,有效解决传统双向RRT算法随机采样点利用率低、随机树盲目生长的问题,使得路径规划的搜索效率有所提高,且进一步融合Dijkstra算法优化路径,使得规划的完整路径变得更短,避免过于冗长,可减少智能移动设备的能源损耗。
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双向RRT和Dijkstra融合算法的路径规划方法的方法流程图;
图2为本发明实施例提供的基于预设约束采样条件生成随机采样点的示意图;
图3为本发明实施例提供的加权运算生成新扩展点的示意图;
图4为本发明实施例提供的另一种基于改进双向RRT和Dijkstra融合算法的路径规划方法的方法流程图;
图5为本发明实施例提供的路径平滑前后对比图;
图6(a)为传统双向RRT算法搜索过程的示意图;
图6(b)为本发明实施例提供的改进双向RRT算法搜索过程的示意图;
图7为本发明实施例提供的Dijkstra算法优化前后对比图;
图8(a)为不规则随机障碍物环境下传统双向RRT算法搜索过程的示意图;
图8(b)为不规则随机障碍物环境下改进双向RRT和Dijkstra融合算法搜索过程的示意图;
图9(a)为狭窄通道较多的复杂环境下传统双向RRT算法搜索过程的示意图;
图9(b)为狭窄通道较多的复杂环境下改进双向RRT和Dijkstra融合算法搜索过程的示意图;
图10(a)为单通道迷宫环境下传统双向RRT算法搜索过程的示意图;
图10(b)为单通道迷宫环境下改进双向RRT和Dijkstra融合算法搜索过程的示意图;
图11为本发明实施例提供的一种基于改进双向RRT和Dijkstra融合算法的路径规划装置的结构示意图;
图12为本发明实施例提供的另一种基于改进双向RRT和Dijkstra融合算法的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双向RRT和Dijkstra融合算法的路径规划方法,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,分别以所述起始点和所述目标点为起点构建两棵随机树。
对于本实施例,在实际应用场景中,智能移动设备,例如无人机、机器人等为了生成全局路径,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,具体地,将环境地图导入,把环境地图处理为一个信息数组,先将地图栅格化处理,图中黑色块为障碍物,白色区域为可通行区域,在数组障碍物区域处理为数值1,可通行区域处理为数值0。
对于本实施例,全局路径规划采用的是改进的双向RRT算法,即双向快速搜索随机树算法。全局路径规划为智能移动设备的起始点到目标点之间的路径规划,在加载初始化栅格地图之后确定在所述初始化栅格地图中的起始点和目标点。
所述分别以所述起始点和所述目标点为起点构建两棵随机树,具体为,以所述起始点为起点构建第一随机树,记作Tstart,以所述目标点为起点构建第二随机树,记作Tgoal。两棵随机树按后续步骤分别从所述起始点和所述目标点相向生长,最终连接得到从起始点到目标点之间的路径。
步骤S120:基于预设的目标约束采样策略生成两棵随机树各自的随机采样点。
传统的双向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,而后续步骤中随机树生长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,设置目标约束采样策略,所述目标约束采样策略用于约束两棵随机树按一定概率朝着其相向的目标树方向进行采样,生成两棵随机树各自的随机采样点。
具体地,在生成随机采样点的过程中,第一随机树Tstart以第二随机树Tgoal为目标树,按一定概率朝着第二随机树Tgoal方向进行采样,生成第一随机树Tstart的随机采样点;相应地,第二随机树Tgoal以第一随机树Tstart为目标树,按一定概率朝着第一随机树Tstart方向进行采样,生成第二随机树Tgoal的随机采样点。通过采用预设的目标约束采样策略生成随机采用点,能够减少算法在采样过程中的随机性。
步骤S130:根据所述随机采样点,基于预设的目标偏置扩展策略对应生成两棵随机树各自的新扩展点。
对于本实施例,所述目标偏置扩展策略用于使两棵随机树偏向其相向的目标树方向生长。具体地,在生成新扩展点的过程中,第一随机树Tstart以第二随机树Tgoal为目标树,根据步骤S120生成的第一随机树Tstart的随机采样点并偏向第二随机树Tgoal方向生成第一随机树Tstart的新扩展点;相应地,第二随机树Tgoal以第一随机树Tstart为目标树,根据步骤S120生成的第二随机树Tgoal的随机采样点并偏向第一随机树Tstart方向生成第二随机树Tgoal的新扩展点。所述目标偏置扩展策略使得随机树的扩展方向,即随机树的各个新扩展点不再单纯地由随机采样点决定,而是由随机采样点和目标树的节点来共同决定,实现随机树扩展具有目标导向性。
步骤S140:判断两个所述新扩展点的距离是否小于预定距离阈值且能够无障碍连接;若是,执行步骤S150:连接两个所述新扩展点,得到从所述起始点到所述目标点的完整路径;若否,返回所述步骤S120:基于预设的目标约束采样策略生成两棵随机树各自的随机采样点的步骤并继续执行。
对于本实施例,重复执行步骤S120生成随机采样点和步骤S130生成新扩展点的步骤,直至两棵随机树扩展出一条从所述起始点到所述目标点的完整路径。当第一随机树Tstart的新扩展点与第二随机树Tgoal的新扩展点之间的距离小于预定距离阈值且能够无障碍连接时,则终止上述重复执行的步骤,连接两个所述新扩展点,得到从所述起始点到所述目标点的完整路径。其中,所述预定距离阈值应小于随机树的扩展步长。
步骤S160:采用Dijkstra算法对所述完整路径进行最短路径搜索,得到最短路径。
对于本实施例,将改进的双向RRT算法融合Dijkstra算法以进一步优化路径规划,采用Dijkstra算法对步骤S150得到的完整路径进行最短路径搜索,得到最短路径。
本发明实施例提供的基于改进双向RRT和Dijkstra融合算法的路径规划方法,通过设置目标约束采样策略和目标偏置扩展策略使得随机采样点和新扩展点的生成具有目标导向性,有效解决传统双向RRT算法随机采样点利用率低、随机树盲目生长的问题,使得路径规划的搜索效率有所提高,且进一步融合Dijkstra算法优化路径,使得规划的完整路径变得更短,避免过于冗长,可减少智能移动设备的能源损耗。
在一些实施例中,所述步骤S120基于预设的目标约束采样策略生成两棵随机树各自的随机采样点,包括:获取两棵随机树各自的目标偏置概率值和随机概率值;分别判断每棵随机树的所述随机概率值是否小于其所述目标偏置概率值;若是,将另一棵随机树最新的新扩展点作为该棵随机树的随机采样点;若否,基于预设约束采样条件随机采样生成该棵随机树的随机采样点。
对于本实施例,预先设有两棵随机树各自的目标偏置概率值,分别为第一随机树Tstart的目标偏置概率值Pstart-bias、第二随机树Tgoal的目标偏置概率值Pgoal-bias。所述目标偏置概率值Pstart-bias为第一随机树Tstart朝着第二随机树Tgoal方向采样、生长的偏置概率值,所述目标偏置概率值Pgoal-bias为第二随机树Tgoal朝着第一随机树Tstart方向采样、生长的偏置概率值。
每次需要生成两棵随机树各自的随机采样点之前,获取两棵随机树各自的目标偏置概率值,并分别按照均匀概率随机产生两棵随机树各自的随机概率值,分别为第一随机树Tstart的随机概率值Prand-start,第二随机树Tgoal的随机概率值Prand-goal。
对于第一随机树Tstart,判断第一随机树Tstart的随机概率值Prand-start是否小于其目标偏置概率值Pstart-bias;若第一随机树Tstart的随机概率值Prand-start小于其目标偏置概率值Pstart-bias,则将第一随机树Tstart的目标树,即第二随机树Tgoal最新的新扩展点Nodesgoal作为第一随机树Tstart的随机采样点;若第一随机树Tstart的随机概率值Prand-start大于等于其目标偏置概率值Pstart-bias,则基于预设约束采样条件,在自由空间中随机采样生成第一随机树Tstart的随机采样点。第二随机树Tgoal所述最新的新扩展点为第二随机树Tgoal上一搜索循环中生成的新扩展点。基于预设的目标约束采样策略生成第一随机树Tstart的随机采样点的公式为:
对于第二随机树Tgoal,判断第二随机树Tgoal的随机概率值Prand-goal是否小于其目标偏置概率值Pgoal-bias;若第二随机树Tgoal的随机概率值Prand-goal小于其目标偏置概率值Pgoal-bias,则将第二随机树Tgoal目标树,即第一随机树Tstart最新的新扩展点Nodesstart作为第二随机树Tgoal的随机采样点;若第二随机树Tgoal的随机概率值prand-goal大于等于其目标偏置概率值Pgoal-bias,则基于预设约束采样条件,在自由空间中随机采样生成第二随机树Tgoal的随机采样点。第一随机树Tstart最新的新扩展点为第二随机树Tgoal上一搜索循环中生成的新扩展点。基于预设的目标约束采样策略生成第二随机树Tgoal的随机采样点的公式为:
其中,Prand-start、Pstart-bias、Prand-goal、Pgoal-bias的取值范围均为[0,1],两式中Nodesrand为随机采用点,RandSimple()为随机采样函数。
在本实施例中,通过采用预设的目标约束采样策略生成随机采用点,能够减少算法在采样过程中的随机性。
进一步地,在一些实施例中,所述基于预设约束采样条件随机采样生成该棵随机树的随机采样点,包括:随机采样生成多个随机点;从所述多个随机点中确定比该棵随机树的前一个随机采样点距离另一棵随机树更近的合格随机点;将距离另一棵随机树最新的新扩展点最近的合格随机点作为该棵随树的随机采样点。
对于本实施例,如图2所示,为基于预设约束采样条件生成随机采样点的示意图。具体地,首先依据设定的随机采样条件生成一组随机点,如图中的rand1、rand2、rand3,其次对生成的多个随机点的位置进行判断,判断随机点在x方向或者在y方向上是否比前一个随机采样点更加靠近目标树最新的新扩展点,若满足上述条件则视为合格随机点,并将最靠近目标树最新的新扩展点的合格随机点作为基于预设约束采样条件随机采样生成的随机采样点。
在本实施例中,在基于预设约束采样条件生成随机采样点时,通过设置约束条件,选取最靠近目标树的随机点作为随机采样点,使得在随机采样生成随机采样点的情况下仍可使随机树在一定程度上朝着其相向的目标树方向进行采样,减少算法在采样过程中的随机性。
在一些实施例中,所述步骤S130根据所述随机采样点,基于预设的目标偏置扩展策略对应生成两棵随机树各自的新扩展点之前,还包括:判定所述随机采样点没有与障碍物发生碰撞。
对于本实施例,在执行步骤S130之前需要判断所述随机采样点是否没有与障碍物发生碰撞。当判定所述随机采样点没有与障碍物发生碰撞时,才执行根据所述随机采样点,基于预设的目标偏置扩展策略对应新扩展点的步骤。当判定所述随机采样点有与障碍物发生碰撞时,则舍弃该随机采样点,且返回步骤S120重新生成该随机树的随机采样点,直至生成的随机采样点没有与障碍物发生碰撞。
在一些实施例中,所述步骤S130根据所述随机采样点,基于预设的目标偏置扩展策略对应生成两棵随机树各自的新扩展点,包括:获取两棵随机树各自的随机采样点方向和目标方向的权重值;分别根据每棵随机树的所述权重值加权运算生成该棵随机树的新扩展点;其中,所述目标方向为另一棵树最新的新扩展点方向。
对于本实施例,针对每棵随机树,通过给其随机采样点方向和目标方向,即目标树最新的新扩展点方向分配不同的权重值,在随机采样点和目标树最新的新扩展点之间生成该随机树的一个新扩展节点,该扩展点按照一定的权重偏向于与其相向生长的目标树,使得新扩展点的扩展方向不再单纯由随机采样点决定,而是由随机采样点和各自目标树最新的新扩展点来共同决定。
在本实施例中,通过设置合适的权重值就能够使得随机树的新扩展点不断朝着目标树方向扩展,使得每一次扩展都能够有效地接近目标树的新扩展点,从而加快路径的搜索速度。
在一些实施例中,所述根据每棵随机树的所述权重值加权运算生成该棵随机树的新扩展点采用的加权运算公式为:
Nodesnew=Nodesnearest+xstep·[vj·Nx+(1-vj)·Nrand];
其中,Nodesnew是新扩展点,Nodesnearest是该棵随机树待延伸生成所述新扩展点的当前位置点,xstep是扩展步长,vj是用于确定所述权重值的权重因子,取值范围为(0,1],Nx是目标方向单位矢量,Nrand是随机采样点方向单位矢量,Nrand的公式具体为
对于第一随机树Tstart,其以第二随机树Tgoal为目标树,则目标方向单位矢量Nx具体为第二随机树Tgoal最新的新扩展点方向单位矢量Nodesgoal,则根据权重值加权运算生成第一随机树Tstart的新扩展点采用的加权运算公式具体为:
Nodesnew=Nodesnearest+xstep·[vj·Ngoal+(1-vj)·Nrand];
如图3所示,为加权运算生成第一随机树Tstart的新扩展点的示意图。
对于第二随机树Tgoal,其以第一随机树Tstart为目标树,则目标方向单位矢量Nx具体为第一随机树Tstart最新的新扩展点方向单位矢量Nodesstart,则根据权重值加权运算生成第二随机树Tgoal的新扩展点采用的加权运算公式具体为:
Nodesnew=Nodesnearest+xstep·[vj·Nstart+(1-vj)·Nrand];
若目标方向单位矢量的权重值为1,则随机树的新扩展点径直地朝着其目标树的方向扩展;若目标方向单位矢量的权重值为0,则随机树的新扩展点不具有目标导向性。本实施例通过设置合适的权重值使得随机树的新扩展点不断朝着目标树方向扩展,使得每一次扩展都能够有效地接近目标树的新扩展点,从而加快路径的搜索速度。
在一些实施例中,所述步骤S140判断两个所述新扩展点的距离是否小于预定距离阈值且能够无障碍连接之前,还包括:判定所述新扩展点没有与障碍物发生碰撞。
对于本实施例,在执行步骤S140之前需要判断所述新扩展点是否没有与障碍物发生碰撞。当判定所述新扩展点没有与障碍物发生碰撞时,才更新该棵随机树,并可将该新扩展点用于执行判断两个所述新扩展点的距离是否小于预定距离阈值且能够无障碍连接的步骤。当判定所述新扩展点有与障碍物发生碰撞时,则舍弃该新扩展点,且返回步骤S120重新生成该随机树的随机采样点及新扩展点,直至生成的新扩展点没有与障碍物发生碰撞。
在一些实施例中,所述步骤S160采用Dijkstra算法对所述完整路径进行最短路径搜索,得到最短路径,包括:提取所述完整路径中的节点;对两节点之间没有障碍物的节点进行连接,生成多个局部可行路径;采用Dijkstra算法对所述多个局部可行路径进行松弛运算,得到最短路径。
对于本实施例,将改进的双向RRT算法融合Dijkstra算法以进一步优化路径规划,采用Dijkstra算法对步骤S150得到的完整路径进行最短路径搜索,从而得到最短路径。具体地,先提取完整路径中的节点坐标,并在完整路径的节点间进行多路径连接操作,即将相间隔的可行节点尝试进行连接,并且连接路径中无障碍物产生碰撞,由此产生多个局部可行路径。当多个局部可行路径模型建立,采用采用Dijkstra算法进行松弛运算,得到一条最短路径。
在一些实施例中,如图4所示,所述步骤S160采用Dijkstra算法对所述完整路径进行最短路径搜索,得到最短路径之后,还包括:
步骤S170:采用B样条算法对所述最短路径进行平滑处理,得到最终路径。
对于本实施例,B样条曲线是一种变化灵活的曲线,曲线的局部形状受相应顶点的控制,如果在曲线的转折点一定范围内选择合适的控制顶点,可以在该段折线范围内得到满足一定要求的光滑曲线。具体地,B样条算法的数学表达式为:
式中,0≤t≤1,i=1,2,…,m,分别表示第i段B样条曲线;n表示样条曲线为n次参数曲线;Pi+k表示第i段B样条曲线的第k个控制点。Fk,n(u)为n次B样条的基函数,其表达式为:
式中,0≤μ≤1,k=0,1,2…,n。
由上式可知,当曲线的阶次确定下来后,在本实施例中的阶次采用3阶曲线的基函数也随之得到确定,可通过改变曲线路径中转折点附近控制点的选取来控制曲线的形状。因此采用B样条理论通过改变折线路径中转折点附近的采样点的选取,进而通过这些控制点将转折点两端的线段进行平滑处理,最终得到平滑的可行路径,从而解决传统双向RRT算法所得路径存在很多锯齿状的折线转弯路径的问题。
图5为路径平滑前后对比图,图中的虚线加点的线“-.”代表经过平滑处理前的路径,实线代表经过平滑处理后的最终路径,可见通过采用B样条算法对所述最短路径进行平滑处理,能够得到平滑的最终路径。
图6(a)和图6(b)分别为传统双向RRT算法搜索过程的示意图和本发明实施例提供的改进双向RRT算法搜索过程的示意图,图中实线代表以起始点为起点的第一随机树搜索过程,虚线加点的线“-.”代表以目标点为起点的第二随机树搜索过程,通过对比从图中可以明显看出改进双向RRT算法搜索过程中的新扩展点利用率高,且随机树生长的方向具有目标导向性。
图7为本发明实施例提供的改进双向RRT路径经过Dijkstra算法优化前后的对比图,图中虚线加点的线“-.”代表改进双向RRT算法搜索得到的完整路径,实线代表所述完整路径经过Dijkstra算法优化后得到的最短路径,从图中可以看出优化后的路径有明显缩短。
图8至10分别为不规则随机障碍物环境、狭窄通道较多的复杂环境、非常具有挑战性的单通道迷宫环境下进行的数例实验。环境地图尺寸大小均为[500,500]。仿真实验中的所有起始点坐标为(10,490),目标点坐标为(490,10)。图8至10中(a)图均为传统双向RRT算法搜索得到的路径,(b)图中虚线表示改进双向RRT算法搜索得到的路径,虚线加点的线“-.”表示经过Dijkstra算法优化后的最短路径,实线表示经过B样条算法优化后的最终路径。
通过在三种不同环境下与传统双向RRT算法的对比仿真实验,结果表明本发明提供的算法在节点利用率方面提高了1倍,扩展节点减少了49%,内存占用更少,搜索时间缩短33%,路径缩短7.9%,最终的路径也更加平滑,优化效果更好。实验证明本发明所提供的算法具有显著的优越性和有效性。
此外,本发明实施例提供了一种基于改进双向RRT和Dijkstra融合算法的路径规划装置,如图11所示,所述装置包括:初始化模块11、随机采样点生成模块12、新扩展点生成模块13、完整路径生成模块14和最短路径生成模块15;其中,
所述初始化模块11,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,分别以所述起始点和所述目标点为起点构建两棵随机树;
所述随机采样点生成模块12,用于基于预设的目标约束采样策略生成两棵随机树各自的随机采样点;
所述新扩展点生成模块13,用于根据所述随机采样点,基于预设的目标偏置扩展策略对应生成两棵随机树各自的新扩展点;
所述完整路径生成模块14,用于判断两个所述新扩展点的距离是否小于预定距离阈值且能够无障碍连接;若是,连接两个所述新扩展点,得到从所述起始点到所述目标点的完整路径;若否,返回所述基于预设的目标约束采样策略生成两棵随机树各自的随机采样点的步骤并继续执行;
所述最短路径生成模块15,用于采用Dijkstra算法对所述完整路径进行最短路径搜索,得到最短路径。
在一些实施例中,所述随机采样点生成模块12,具体用于:
获取两棵随机树各自的目标偏置概率值和随机概率值;
分别判断每棵随机树的所述随机概率值是否小于其所述目标偏置概率值;若是,将另一棵随机树最新的新扩展点作为该棵随机树的随机采样点;若否,基于预设约束采样条件随机采样生成该棵随机树的随机采样点。
在一些实施例中,所述随机采样点生成模块12用于基于预设约束采样条件随机采样生成该棵随机树的随机采样点时,具体用于:
随机采样生成多个随机点;
从所述多个随机点中确定比该棵随机树的前一个随机采样点距离另一棵随机树更近的合格随机点;
将距离另一棵随机树最新的新扩展点最近的合格随机点作为该棵随树的随机采样点。
在一些实施例中,所述新扩展点生成模块13,具体用于:
获取两棵随机树各自的随机采样点方向和目标方向的权重值;
分别根据每棵随机树的所述权重值加权运算生成该棵随机树的新扩展点;其中,所述目标方向为另一棵树最新的新扩展点方向。
在一些实施例中,所述根据每棵随机树的所述权重值加权运算生成该棵随机树的新扩展点采用的加权运算公式为:
Nodesnew=Nodesnearest+xstep·[vj·Nx+(1-vj)·Nrand];
其中,Nodesnew是新扩展点,Nodesnearest是该棵随机树待延伸生成所述新扩展点的当前位置点,xstep是扩展步长,vj是用于确定所述权重值的权重因子,Nx是目标方向单位矢量,Nrand是随机采样点方向单位矢量。
在一些实施例中,所述最短路径生成模块15,具体用于:
提取所述完整路径中的节点;
对两节点之间没有障碍物的节点进行连接,生成多个局部可行路径;
采用Dijkstra算法对所述多个局部可行路径进行松弛运算,得到最短路径。
在一些实施例中,如图12所示,基于改进双向RRT和Dijkstra融合算法的路径规划装置还包括平滑处理模块16;
所述平滑处理模块16,在采用Dijkstra算法对所述完整路径进行最短路径搜索,得到最短路径之后,用于:采用B样条算法对所述最短路径进行平滑处理,得到最终路径。
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双向RRT和Dijkstra融合算法的路径规划方法。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(Random AcceSS 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 ProgrammableRead-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智能移动设备,所述智能移动设备能够按规划的路径运动,所述智能移动设备可以是无人机或者机器人等。
所述智能移动设备包括: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双向RRT和Dijkstra融合算法的路径规划方法。
本发明方法实施例的内容均适用于本智能移动设备实施例,本智能移动设备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)
1.一种基于改进双向RRT和Dijkstra融合算法的路径规划方法,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,分别以所述起始点和所述目标点为起点构建两棵随机树;
基于预设的目标约束采样策略生成两棵随机树各自的随机采样点;
根据所述随机采样点,基于预设的目标偏置扩展策略对应生成两棵随机树各自的新扩展点;
判断两个所述新扩展点的距离是否小于预定距离阈值且能够无障碍连接;若是,连接两个所述新扩展点,得到从所述起始点到所述目标点的完整路径;若否,返回所述基于预设的目标约束采样策略生成两棵随机树各自的随机采样点的步骤并继续执行;
采用Dijkstra算法对所述完整路径进行最短路径搜索,得到最短路径。
2.根据权利要求1所述的基于改进双向RRT和Dijkstra融合算法的路径规划方法,其特征在于,所述基于预设的目标约束采样策略生成两棵随机树各自的随机采样点,包括:
获取两棵随机树各自的目标偏置概率值和随机概率值;
分别判断每棵随机树的所述随机概率值是否小于其所述目标偏置概率值;若是,将另一棵随机树最新的新扩展点作为该棵随机树的随机采样点;若否,基于预设约束采样条件随机采样生成该棵随机树的随机采样点。
3.根据权利要求2所述的基于改进双向RRT和Dijkstra融合算法的路径规划方法,其特征在于,所述基于预设约束采样条件随机采样生成该棵随机树的随机采样点,包括:
随机采样生成多个随机点;
从所述多个随机点中确定比该棵随机树的前一个随机采样点距离另一棵随机树更近的合格随机点;
将距离另一棵随机树最新的新扩展点最近的合格随机点作为该棵随树的随机采样点。
4.根据权利要求1所述的基于改进双向RRT和Dijkstra融合算法的路径规划方法,其特征在于,所述根据所述随机采样点,基于预设的目标偏置扩展策略对应生成两棵随机树各自的新扩展点,包括:
获取两棵随机树各自的随机采样点方向和目标方向的权重值;
分别根据每棵随机树的所述权重值加权运算生成该棵随机树的新扩展点;其中,所述目标方向为另一棵树最新的新扩展点方向。
5.根据权利要求4所述的基于改进双向RRT和Dijkstra融合算法的路径规划方法,其特征在于,所述根据每棵随机树的所述权重值加权运算生成该棵随机树的新扩展点采用的加权运算公式为:
Nodesnew=Nodesnearest+xstep·[vj·Nx+(1-vj)·Nrand];
其中,Nodesnew是新扩展点,Nodesnearest是该棵随机树待延伸生成所述新扩展点的当前位置点,xstep是扩展步长,vj是用于确定所述权重值的权重因子,Nx是目标方向单位矢量,Nrand是随机采样点方向单位矢量。
6.根据权利要求1所述的基于改进双向RRT和Dijkstra融合算法的路径规划方法,其特征在于,所述采用Dijkstra算法对所述完整路径进行最短路径搜索,得到最短路径,包括:
提取所述完整路径中的节点;
对两节点之间没有障碍物的节点进行连接,生成多个局部可行路径;
采用Dijkstra算法对所述多个局部可行路径进行松弛运算,得到最短路径。
7.根据权利要求1所述的基于改进双向RRT和Dijkstra融合算法的路径规划方法,其特征在于,所述采用Dijkstra算法对所述完整路径进行最短路径搜索,得到最短路径之后,还包括:
采用B样条算法对所述最短路径进行平滑处理,得到最终路径。
8.一种基于改进双向RRT和Dijkstra融合算法的路径规划装置,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,分别以所述起始点和所述目标点为起点构建两棵随机树;
随机采样点生成模块,用于基于预设的目标约束采样策略生成两棵随机树各自的随机采样点;
新扩展点生成模块,用于根据所述随机采样点,基于预设的目标偏置扩展策略对应生成两棵随机树各自的新扩展点;
完整路径生成模块,用于判断两个所述新扩展点的距离是否小于预定距离阈值且能够无障碍连接;若是,连接两个所述新扩展点,得到从所述起始点到所述目标点的完整路径;若否,返回所述基于预设的目标约束采样策略生成两棵随机树各自的随机采样点的步骤并继续执行;
最短路径生成模块,用于采用Dijkstra算法对所述完整路径进行最短路径搜索,得到最短路径。
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双向RRT和Dijkstra融合算法的路径规划方法。
10.一种智能移动设备,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双向RRT和Dijkstra融合算法的路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110686148.5A CN113359746A (zh) | 2021-06-21 | 2021-06-21 | 基于改进双向RRT和Dijkstra融合算法的路径规划方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110686148.5A CN113359746A (zh) | 2021-06-21 | 2021-06-21 | 基于改进双向RRT和Dijkstra融合算法的路径规划方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113359746A true CN113359746A (zh) | 2021-09-07 |
Family
ID=77535362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110686148.5A Pending CN113359746A (zh) | 2021-06-21 | 2021-06-21 | 基于改进双向RRT和Dijkstra融合算法的路径规划方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113359746A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114427866A (zh) * | 2022-01-24 | 2022-05-03 | 桂林电子科技大学 | 路径规划方法、电子设备以及存储介质 |
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 |
CN114545921A (zh) * | 2021-12-24 | 2022-05-27 | 大连理工大学人工智能大连研究院 | 一种基于改进rrt算法的无人汽车路径规划算法 |
CN114700937A (zh) * | 2022-01-13 | 2022-07-05 | 深圳市越疆科技有限公司 | 机械臂及其运动路径规划方法、控制系统、介质及机器人 |
CN114812593A (zh) * | 2022-04-21 | 2022-07-29 | 中国第一汽车股份有限公司 | 生成车辆路径方法、装置、存储介质、处理器及电子装置 |
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 |
CN116400733A (zh) * | 2023-05-06 | 2023-07-07 | 北京理工大学 | 侦察无人机自适应调整随机树全覆盖路径规划方法 |
Citations (2)
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 |
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 |
-
2021
- 2021-06-21 CN CN202110686148.5A patent/CN113359746A/zh active Pending
Patent Citations (2)
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 |
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 |
Non-Patent Citations (3)
Title |
---|
张亚宾: "基于改进双树RRT算法的串联操作臂避障运动规划研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
张伟民,等: "基于改进RRT*算法的移动机器人路径规划", 《华中科技大学学报(自然科学版)》 * |
李磊,等: "基于改进RRT-Connect算法的机械臂抓取路径规划", 《机器人技术与应用》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114545921A (zh) * | 2021-12-24 | 2022-05-27 | 大连理工大学人工智能大连研究院 | 一种基于改进rrt算法的无人汽车路径规划算法 |
CN114545921B (zh) * | 2021-12-24 | 2024-05-28 | 大连理工大学人工智能大连研究院 | 一种基于改进rrt算法的无人汽车路径规划算法 |
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 |
CN114489052B (zh) * | 2021-12-31 | 2024-05-28 | 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 |
CN114700937B (zh) * | 2022-01-13 | 2024-02-13 | 深圳市越疆科技有限公司 | 机械臂及其运动路径规划方法、控制系统、介质及机器人 |
CN114700937A (zh) * | 2022-01-13 | 2022-07-05 | 深圳市越疆科技有限公司 | 机械臂及其运动路径规划方法、控制系统、介质及机器人 |
CN114427866A (zh) * | 2022-01-24 | 2022-05-03 | 桂林电子科技大学 | 路径规划方法、电子设备以及存储介质 |
CN114812593A (zh) * | 2022-04-21 | 2022-07-29 | 中国第一汽车股份有限公司 | 生成车辆路径方法、装置、存储介质、处理器及电子装置 |
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 |
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 |
CN116400733B (zh) * | 2023-05-06 | 2023-10-20 | 北京理工大学 | 侦察无人机自适应调整随机树全覆盖路径规划方法 |
CN116400733A (zh) * | 2023-05-06 | 2023-07-07 | 北京理工大学 | 侦察无人机自适应调整随机树全覆盖路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113359746A (zh) | 基于改进双向RRT和Dijkstra融合算法的路径规划方法和装置 | |
Lei et al. | Dynamic path planning of unknown environment based on deep reinforcement learning | |
Cao et al. | Target search control of AUV in underwater environment with deep reinforcement learning | |
CN108458717A (zh) | 一种迭代的快速扩展随机树irrt的无人机路径规划方法 | |
CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
CN110986953B (zh) | 路径规划方法、机器人及计算机可读存储介质 | |
CN112987799B (zh) | 一种基于改进rrt算法的无人机路径规划方法 | |
CN112362066A (zh) | 一种基于改进的深度强化学习的路径规划方法 | |
CN108413963B (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
CN110530373B (zh) | 一种机器人路径规划方法、控制器及系统 | |
CN112947591A (zh) | 基于改进蚁群算法的路径规划方法、装置、介质及无人机 | |
CN112161627A (zh) | 一种消防机器人智能路径规划方法 | |
CN112902971B (zh) | 基于高斯采样和目标偏向引导的快速扩展随机树算法的机器人运动轨迹计算方法、电子设备及存储介质 | |
CN116300932A (zh) | 基于改进RRT-Connect算法的机器人运动路径规划方法及系统 | |
Rocha et al. | A uav global planner to improve path planning in unstructured environments | |
CN113848911B (zh) | 基于Q-learning和RRT*的移动机器人全局路径规划方法 | |
Qiu et al. | Autonomous robot navigation in dynamic environment using deep reinforcement learning | |
CN117471919A (zh) | 一种基于改进鹈鹕优化算法的机器人路径规划方法 | |
Vonásek et al. | Searching multiple approximate solutions in configuration space to guide sampling-based motion planning | |
Qiao et al. | Sample-based frontier detection for autonomous robot exploration | |
CN109977455B (zh) | 一种适用于带地形障碍三维空间的蚁群优化路径构建方法 | |
Gul et al. | Efficient environment exploration for multi agents: A novel framework | |
Yu et al. | AGV multi-objective path planning method based on improved cuckoo algorithm | |
Ma et al. | Robot path planning using fusion algorithm of ant colony optimization and genetic algorithm | |
Tang et al. | On the use of ant colony algorithm with weighted penalty strategy to optimize path searching |
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: 20210907 |