CN113467471A - 一种针对栅格图模型下的移动机器人路径优化方法 - Google Patents
一种针对栅格图模型下的移动机器人路径优化方法 Download PDFInfo
- Publication number
- CN113467471A CN113467471A CN202110845931.1A CN202110845931A CN113467471A CN 113467471 A CN113467471 A CN 113467471A CN 202110845931 A CN202110845931 A CN 202110845931A CN 113467471 A CN113467471 A CN 113467471A
- Authority
- CN
- China
- Prior art keywords
- points
- path
- executing
- node
- optimization
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000004888 barrier function Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004088 simulation Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004387 environmental modeling Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000000007 visual 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- 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
- 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
本发明涉及一种针对栅格图模型下的移动机器人路径优化方法,通过将路径看成一段绳子,然后从起点以及终点向外拉动,随着绳子渐渐绷直,起点至终点之间的绳长会越来越小,直到绳子无法再被拉伸,此时,起点至终点之间的绳长达到最小值,即对应路径的最小状态。大量的仿真结果表明,采取本发明优化后的栅格图下的路径长度,较之未处理前有明显地降低,且能有效地减少路径中地转向次数,更符合实际机器人移动的实际情况。
Description
技术领域
本发明涉及移动机器人路径规划技术领域,具体是一种针对栅格图模型下的移动机器人路径优化方法。
背景技术
路径规划技术是移动机器人研究领域的一个重要组成部分,主要目的是在有障碍物的环境中,根据一定的准则(如路径最短,位置拐点最少,用时最短等),寻求一条从起始位置节点到目标位置节点之间的最优或次优安全无碰路径。
路径规划技术的发展在一定程度上标志着机器人智能水平的高低,而路径规划方法的优劣直接影响路径规划效果。
目前,国内外许多专家学者都在致力于路径规划智能算法的研究,常用的智能优化算法主要有人工势场法、免疫算法、蚁群优化算法、神经网络、粒子群优化算法和遗传算法等。
而使用上述算法的一个必要前提是对环境模型进行数学建模。环境模型主要是进行环境信息的表示,它是路径规划的基础,只有建立了合适的环境模型才能高效地运用路径规划算法规划出一条合适的路径。目前环境建模的主要方法有可视图法、拓扑建模法,栅格建模法等。
其中,由于栅格法具有易建模,易编程,结果易表示等优点,故许多国内外学者在进行机器人路径规划时选用栅格图作为环境建模方法。栅格建模法的思想是将系统环境离散化,使其分解为最基础的栅格,进而通过对栅格的描述实现环境信息获取。
首先,将已知环境进行适当的增补,等间隔地分割成N*N矩形区域(这里,为了消除机器人自身尺寸对后续算法的影响,可以将机器人的长或宽,其中最大的那个,来对环境中的障碍物的边界进行放大),对于其中可通过的区域,用0来代表,而不可通过的区域,用1来代替。进而,一个环境就能被转化成一个N阶0-1数字矩阵,如图1和图2所示。
一般在栅格图模型下定义机器人的运动规则时,以每个小矩形的中心点作为机器人的运动中心,由于此时机器人的尺寸影响被忽略,故机器人为于某个位置时,其下一步的可移动范围为相邻8个矩形位置(如无边界及障碍物影响),如图3所示。
因此,基于以上策略,智能算法最终给出的路径往往是一条夹角为 45°倍数的折线段,如期刊《机械设计与制造》在2021年06卷中169-173页《人工势场引导蚁群算法的机器人导航路径规划》中文献算法所得路径,如图4所示。
观察易得栅格图模型下所得路径具有一个明显的缺点,即在分析机器人移动时,仅提供了8个可移动方向,但实际情况下机器人的移动方向是自由的,因此,若不消除该缺陷,将会使得基于栅格图模型下的路径规划所得路径包含不必要的冗余成分。基于以上存在的问题,本发明采取一种辅助优化路径策略,通过将算法初步所得路径看成一段绳子,仿真从起点与终点拉伸绳子,随着绳子渐渐绷直,起点与终点之间的绳子长度将慢慢减少,直到绳子无法再拉伸,此时起点与终点之间的绳子对应最短路径。仿真实验结果表明,采取本文优化策略,能进一步有效地削减路径长度,并且能有效地减少路径中的转向次数,避免了不必要的冗余路径成分。
发明内容
本发明的目的在于提供一种针对栅格图模型下的移动机器人路径优化方法。通过将算法初步所得路径看成一段绳子,仿真从起点与终点拉伸绳子,随着绳子渐渐绷直,起点与终点之间的绳子长度将慢慢减少,直到绳子无法再拉伸,此时起点与终点之间的绳子对应最短路径。
本发明解决其技术问题所采用的技术方案是:
首先,假定已知真实环境栅格化建模后的0-1矩阵M,以及算法初步给出的最短路径的节点列表𝐿=[(0,0),(,𝑥- 1. ,,𝑦- 1. ),(,𝑥- 2. ,,𝑦- 2 .),…(,𝑥- 𝑛 . ,,𝑦- 𝑛 .)],其中,每个元素(,𝑥- I ,,𝑦- j )代表坐标第i列第j行的节点,并定义路径节点列表中所有发生转折的节点成为转折点,如图5中圆形标志节点所示,所有与障碍物“擦肩而过”的节点称为临界点,如图5中矩形标志节点所示。考虑到这两种节点中的一部分将构成最终优化路径的转折点,下文将这两种转折点与临界点统称为奇异点。
一种针对栅格图模型下的移动机器人路径优化方法,主要包括以下步骤:
S1、找到路径节点列表中的所有奇异点,存入并输出列表L1;
S2、令i=0;
S3、并判断i≤len(L1)-2(其中len(L1)为列表L1的长度),若满足则执行S4,否则执行S9;
S4、依次从L1中取出位置为i、i+1、i+2的三个节点信息a、b、c;
S5、判断b是否为临界点,若是,则令i = i+1,并执行S2,否则执行S6;
S6、调用优化函数opt_fun(),并将返回结果存于result变量中,执行S7;
S7、判断result是否为空,若是,执行S7.1;若否,则执行S8;
S7.1、此时,代表a、c节点可以直接相连,删除节点b,并令i = i-1,执行S3;
S8、若为否,则代表a、c无法直接相连,需要添加中间节点result,即在a、b之间插入新节点result,并令i = i+1,执行S3;
S9、输出L1,即为优化后的最短路径节点信息。
其中,优化函数opt_fun()的主要步骤如下:
S1、调用is_accross_barrier(a,c)函数判断a、c两个节点是否能直接连接,并将结果存入re中,执行S2;
S2、是否re[0]=True,若是,执行S3;否则执行S4;
S3、返回值None,退出子程序。
S4、调用deep_opt(a,b,c)进行优化,并将结果存于pot中;执行S5;
S5、返回值pot,退出子程序。
关于上述is_accross_barrier(a,c)函数判断a、c两点之间是否能直接连接的原理如下:
首先,考虑到对起点至终点之间的整个线段进行优化处理显得较难分析,因此,借助分治算法的思想,通过逐个优化处理局部线段,最终将所有的局部优化结果进行组合,从而构成整体的优化最终效果。
至此,整体优化问题转化为局部的优化问题。经过一定分析可得,局部的待处理情况主要分为可直接连接与不可直接连接两种,如图6所示。
如图6所示,a图中起点S与终点T之间显然不能直接连接,而b图中是可以直接连接的。具体方法是,连接S与T,设为线段Q,则通过微元法从Q上,以S为起点,以T为终点,选取N个等间距点,先依据其坐标判定其所处的栅格的坐标,检查该栅格是否存在障碍物,若所有等间距点所处的栅格皆为非障碍物栅格,则意味着两点可以直接连接,反之,则不能直接连接。关于上述deep_opt(a,b,c)函数寻找a、c两点之间中介节点的原理如图7所示:
先连接S与T,依据公式在ST上找到M',连接MM',以M为起点,以M'为终
点,选取若干等间距点M- 1 ,,M 2 . ,M 3 ,… ,M n ,逐一取出,并判断S-M i –T是否可以直接连接,
若可以直接连接,则继续判断S-M i+1 –T,否则,当存在某一条边不能直接连接时,先找到阻隔
的障碍物栅格的位置,判断其4个顶点分别与线段SM i+1 与线段M i+1 T的距离,找到距离最小
的那个顶点,如图7中,顶点P为距离最小的顶点,因此,顶点P为中介节点。
本发明的有益效果是,通过将算法初步所得路径看成一段绳子,仿真从起点与终点拉伸绳子的过程,能够有效缩减起点至终点的绳子长度,即路径长度,从而提高了路径规划的效率。
附图说明
下面结合附图和实施例对本发明进一步说明:
图1 栅格图;
图2 0-1矩阵;
图3 机器人移动范围;
图4 文献算法所得路径;
图5 转折点与临界点示意图;
图6 局部的待处理情况;
图7 寻找中介节点示意图;
图 8 案例一路径优化结果;
图9 案例二路径优化对比;
图10 案例三路径优化对比;
图11 案例四路径优化对比;
图12 本发明主程序流程图;
图13 opt_fun()功能函数流程图。
具体实施方式
本发明的目的在于提供一种针对栅格图模型下的移动机器人路径优化方法。通过将算法初步所得路径看成一段绳子,仿真从起点与终点拉伸绳子,随着绳子渐渐绷直,起点与终点之间的绳子长度将慢慢减少,直到绳子无法再拉伸,此时起点与终点之间的绳子对应最短路径。
本发明解决其技术问题所采用的技术方案是:
首先,假定已知真实环境栅格化建模后的0-1矩阵M,以及算法初步给出的最短路径的节点列表𝐿=[(0,0),(,𝑥- 1. ,,𝑦- 1. ),(,𝑥- 2. ,,𝑦- 2 .),…(,𝑥- 𝑛 . ,,𝑦- 𝑛 .)],其中,每个元素(,𝑥- I ,,𝑦- j )代表坐标第i列第j行的节点。并定义路径节点列表中所有发生转折的节点成为转折点,如图5中圆形标志节点所示,所有与障碍物“擦肩而过”的节点称为临界点,如图5中矩形标志节点所示。并将转折点与临界点统称为奇异点。
一种针对栅格图模型下的路径的优化方法,包括以下步骤:
S1、找到路径节点列表中的所有奇异点,存入并输出列表L1;
S2、令i=0;
S3、并判断i≤len(L1)-2(其中len(L1)为列表L1的长度),若满足则执行S4,否则执行S9;
S4、依次从L1中取出位置为i、i+1、i+2的三个节点信息a、b、c;
S5、判断b是否为临界点,若是,则令i = i+1,并执行S2,否则执行S6;
S6、调用优化函数opt_fun(),并将返回结果存于result变量中,执行S7;
S7、判断result是否为空,若是,执行S7.1;若否,则执行S8;
S7.1、此时,代表a、c节点可以直接相连,删除节点b,并令i = i-1,执行S3;
S8、若为否,则代表a、c无法直接相连,需要添加中间节点result,即在a、b之间插入新节点result,并令i = i+1,执行S3;
S9、输出L1,即为优化后的最短路径节点信息。
其中,优化函数opt_fun()的主要步骤如下:
S1、调用is_accross_barrier(a,c)函数判断a、c两个节点是否能直接连接,并将结果存入re中,执行S2;
S2、是否re[0]=True,若是,执行S3;否则执行S4;
S3、返回值None,退出子程序。
S4、调用deep_opt(a,b,c)进行优化,并将结果存于pot中;执行S5;
S5、返回值pot,退出子程序。
关于上述is_accross_barrier(a,c)函数判断a、c两点之间是否能直接连接的原理如下:
首先,考虑到对起点至终点之间的整个线段进行优化处理显得较难分析,因此,借助分治算法的思想,通过逐个优化处理局部线段,最终将所有的局部优化结果进行组合,从而构成整体的优化最终效果。
至此,整体优化问题转化为局部的优化问题。经过一定分析可得,局部的待处理情况主要分为可直接连接与不可直接连接两种,如图6所示。
如图6所示,a图中起点S与终点T之间显然不能直接连接,而b图中是可以直接连接的。具体方法是,连接S与T,设为线段Q,则通过微元法从Q上,以S为起点,以T为终点,选取N个等间距点,先依据其坐标判定其所处的栅格的坐标,检查该栅格是否存在障碍物,若所有等间距点所处的栅格皆为非障碍物栅格,则意味着两点可以直接连接,反之,则不能直接连接。
关于上述deep_opt(a,b,c)函数寻找a、c两点之间中介节点的原理如下:
先连接S与T,依据公式在ST上找到M',连接MM',以M为起点,以M'为终
点,选取若干等间距点M- 1 ,,M 2 . ,M 3 ,… ,M n ,逐一取出,并判断S-M i –T是否可以直接连接,
若可以直接连接,则继续判断S-M i+1 –T,否则,当存在某一条边不能直接连接时,先找到阻隔
的障碍物栅格的位置,判断其4个顶点分别与线段SM i+1 与线段M i+1 T的距离,找到距离最小
的那个顶点,如图7中,顶点P为距离最小的顶点,因此,顶点P为中介节点。
本发明的有益效果是,通过将算法初步所得路径看成一段绳子,仿真从起点与终点拉伸绳子,能够有效缩减起点至终点的绳子长度,即路径长度,从而提高了路径规划的效率。
本发明的效果可以通过以下仿真实验进一步说明:
为验证本方法的正确性和合理性,运用python语言编程,在20×20的栅格环境模型下对该算法进行仿真,案例一选取上文所引用文献《人工势场引导蚁群算法的机器人导航路径规划》中的数据与结果,优化结果如下:
通过对比,原文献中算法给出的最终路径长度为l 1.=28.62,而经过本文优化算法处理后的新的路径长度为l 2.=27.41,可以看出,本文优化算法在缩短路径长度问题上具有可行性。为了进一步证明优化算法的有效性,分别以期刊《电子科技》在2019年32期09卷中5-9页+29页《基于改进蚁群算法的移动机器人路径规划研究》文献中数据为案例二,期刊《机电工程技术》在2020年49期12卷中97-98页+117页《基于遗传算法的移动机器人路径规划》文献中数据为案例三,期刊《机床与液压》在2019年47期21卷中5-8页《基于遗传算法的机器人路径规划的种群初始化改进》文献中数据为案例四,仿真优化结果如下:
表1 实验数据对比
通过表1的数据不难发现,本文所提优化算法处理的结果,原路径不仅长度有一定程度的减少,而且转向次数得以大幅下降。这说明了本发明提出的优化算法在路径优化方面的具备一定的实用性。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制;任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同替换、等效变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (3)
1.一种针对栅格图模型下的移动机器人路径优化方法,设定已知真实环境栅格化建模后的0-1矩阵M,以及算法初步给出的最短路径的节点列表𝐿=[(0,0),(,𝑥- 1. ,,𝑦- 1. ),(, 𝑥- 2. ,,𝑦- 2 .),…(,𝑥- 𝑛 . ,,𝑦- 𝑛 .)],其中,每个元素(,𝑥- I ,,𝑦- j )代表坐标第i列第j行的节点,并定义路径节点列表中所有发生转折的节点成为转折点,所有与障碍物“擦肩而过”的节点称为临界点,考虑到这两种节点中的一部分将构成最终优化路径的转折点,将这两种转折点与临界点统称为奇异点,其特征在于包括以下步骤:
S1、找到路径节点列表中的所有奇异点,存入并输出列表L1;
S2、令i=0;
S3、并判断i≤len(L1)-2(其中len(L1)为列表L1的长度),若满足则执行S4,否则执行S9;
S4、依次从L1中取出位置为i、i+1、i+2的三个节点信息并设为a、b、c;
S5、判断b是否为临界点,若是,则令i = i+1,并执行S2,否则执行S6;
S6、调用优化函数opt_fun(),并将返回结果存于result变量中,执行S7;
S7、判断result是否为空,若是,执行S7.1;若否,则执行S8;
S7.1、此时,代表a、c节点可以直接相连,删除节点b,并令i = i-1,执行S3;
S8、若为否,则代表a、c无法直接相连,需要添加中间节点result,即在a、b之间插入新节点result,并令i = i+1,执行S3;
S9、输出L1,即为优化后的最短路径节点信息;
其中,优化函数opt_fun()的主要步骤如下:
S1、调用is_accross_barrier(a,c)函数判断a、c两个节点是否能直接连接,并将结果存入re中,执行S2;
S2、是否re[0]=True,若是,执行S3;否则执行S4;
S3、返回值None,退出子程序;
S4、调用deep_opt(a,b,c)进行优化,并将结果存于pot中;执行S5;
S5、返回值pot,退出子程序。
2.根据权利要求1所述的一种针对栅格图模型下的移动机器人路径优化方法,其特征在于:
所述is_accross_barrier(a,c)函数判断a、c两点之间是否能直接连接的方法如下:
借助分治算法的思想,通过逐个优化处理局部线段,最终将所有的局部优化结果进行组合,从而构成整体的优化最终效果;
整体优化问题转化为局部的优化问题,经过一定分析可得,局部的待处理情况主要分为可直接连接与不可直接连接两种,具体方法是,连接S与T,设为线段Q,则通过微元法从Q上,以S为起点,以T为终点,选取N个等间距点,先依据其坐标判定其所处的栅格的坐标,检查该栅格是否存在障碍物,若所有等间距点所处的栅格皆为非障碍物栅格,则意味着两点可以直接连接,反之,则不能直接连接。
3.根据权利要求1所述的一种针对栅格图模型下的移动机器人路径优化方法,其特征在于:
所述deep_opt(a,b,c)函数寻找a、c两点之间中介节点的方法如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110845931.1A CN113467471B (zh) | 2021-07-26 | 2021-07-26 | 一种针对栅格图模型下的移动机器人路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110845931.1A CN113467471B (zh) | 2021-07-26 | 2021-07-26 | 一种针对栅格图模型下的移动机器人路径优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113467471A true CN113467471A (zh) | 2021-10-01 |
CN113467471B CN113467471B (zh) | 2022-12-09 |
Family
ID=77882480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110845931.1A Active CN113467471B (zh) | 2021-07-26 | 2021-07-26 | 一种针对栅格图模型下的移动机器人路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113467471B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006033347A1 (de) * | 2006-07-19 | 2008-01-31 | Eads Deutschland Gmbh | Verfahren zur Ermittlung optimierter Bewegungsbahnen von Fahrzeugen |
CN103198366A (zh) * | 2013-04-09 | 2013-07-10 | 北京理工大学 | 一种考虑目标节点时效性的多目标路径规划方法 |
CN105091884A (zh) * | 2014-05-08 | 2015-11-25 | 东北大学 | 基于传感器网络动态环境监测的室内移动机器人路径规划方法 |
KR20170134165A (ko) * | 2016-05-26 | 2017-12-06 | 고려대학교 산학협력단 | 이동 로봇 제어 방법 |
CN110823229A (zh) * | 2019-12-16 | 2020-02-21 | 湖北工业大学 | 一种基于优化萤火虫算法的移动机器人路径规划方法系统 |
CN112099498A (zh) * | 2020-09-08 | 2020-12-18 | 合肥学院 | 基于参数化Thiele连分式插值的路径规划方法及系统 |
CN112327876A (zh) * | 2020-11-21 | 2021-02-05 | 安徽工程大学 | 一种基于终距指数的机器人路径规划方法 |
CN112504274A (zh) * | 2020-11-06 | 2021-03-16 | 江苏师范大学 | 一种基于Dsl_GA算法的移动机器人路径规划方法 |
-
2021
- 2021-07-26 CN CN202110845931.1A patent/CN113467471B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006033347A1 (de) * | 2006-07-19 | 2008-01-31 | Eads Deutschland Gmbh | Verfahren zur Ermittlung optimierter Bewegungsbahnen von Fahrzeugen |
CN103198366A (zh) * | 2013-04-09 | 2013-07-10 | 北京理工大学 | 一种考虑目标节点时效性的多目标路径规划方法 |
CN105091884A (zh) * | 2014-05-08 | 2015-11-25 | 东北大学 | 基于传感器网络动态环境监测的室内移动机器人路径规划方法 |
KR20170134165A (ko) * | 2016-05-26 | 2017-12-06 | 고려대학교 산학협력단 | 이동 로봇 제어 방법 |
CN110823229A (zh) * | 2019-12-16 | 2020-02-21 | 湖北工业大学 | 一种基于优化萤火虫算法的移动机器人路径规划方法系统 |
CN112099498A (zh) * | 2020-09-08 | 2020-12-18 | 合肥学院 | 基于参数化Thiele连分式插值的路径规划方法及系统 |
CN112504274A (zh) * | 2020-11-06 | 2021-03-16 | 江苏师范大学 | 一种基于Dsl_GA算法的移动机器人路径规划方法 |
CN112327876A (zh) * | 2020-11-21 | 2021-02-05 | 安徽工程大学 | 一种基于终距指数的机器人路径规划方法 |
Non-Patent Citations (1)
Title |
---|
葛伟宽: "基于栅格图法的移动物流机器人全局路径规划方法", 《科技通报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113467471B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110083165B (zh) | 一种机器人在复杂狭窄环境下路径规划方法 | |
CN112229419B (zh) | 一种动态路径规划导航方法及系统 | |
CN110794842A (zh) | 基于势场的强化学习路径规划算法 | |
CN111024080B (zh) | 一种无人机群对多移动时敏目标侦察路径规划方法 | |
CN110231824A (zh) | 基于直线偏离度方法的智能体路径规划方法 | |
Raheem et al. | Path planning algorithm using D* heuristic method based on PSO in dynamic environment | |
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 | |
CN114169628B (zh) | 基于a*算法和遗传算法的舰载机调度优化方法及系统 | |
CN113311828B (zh) | 一种无人车局部路径规划方法、装置、设备及存储介质 | |
CN113219990B (zh) | 基于自适应邻域与转向代价的机器人路径规划方法 | |
CN113467471B (zh) | 一种针对栅格图模型下的移动机器人路径优化方法 | |
CN116661502B (zh) | 一种智能农业无人机路径规划方法 | |
CN117148857A (zh) | 一种应用于复杂环境检测的无人机路径规划巡检方法 | |
CN111310919B (zh) | 基于场景切分和局部路径规划的驾驶控制策略训练方法 | |
Yu et al. | SOF-RRT*: An improved path planning algorithm using spatial offset sampling | |
CN115454085B (zh) | 基于导航地图的自动驾驶控制方法及自动驾驶控制装置 | |
CN115016461B (zh) | 一种基于动态终点策略的IA-Star算法的机器人路径规划方法 | |
Zha et al. | Wind farm water area path planning algorithm based on A* and reinforcement learning | |
Li et al. | Research on Multi-robot Path Planning Method Based on Improved MADDPG Algorithm | |
Shiltagh et al. | A comparative study: Modified particle swarm optimization and modified genetic algorithm for global mobile robot navigation | |
Shi et al. | Improvement of Path Planning Algorithm based on Small Step Artificial Potential Field Method | |
CN110986981B (zh) | 面向多机器人路径规划的增设路径障碍方法 | |
Suo et al. | Raster map path planning based on intelligent optimization algorithms | |
CN118394109B (zh) | 基于多智能体强化学习的模拟对抗训练方法 | |
Li et al. | Multi-objective path planning for the mobile robot |
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 |