CN113791610A - 一种移动机器人全局路径规划方法 - Google Patents

一种移动机器人全局路径规划方法 Download PDF

Info

Publication number
CN113791610A
CN113791610A CN202110872923.6A CN202110872923A CN113791610A CN 113791610 A CN113791610 A CN 113791610A CN 202110872923 A CN202110872923 A CN 202110872923A CN 113791610 A CN113791610 A CN 113791610A
Authority
CN
China
Prior art keywords
point
obstacle
grid
barrier
barrier block
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
Application number
CN202110872923.6A
Other languages
English (en)
Other versions
CN113791610B (zh
Inventor
王磊
李卓恒
王毓
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.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
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 Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN202110872923.6A priority Critical patent/CN113791610B/zh
Publication of CN113791610A publication Critical patent/CN113791610A/zh
Application granted granted Critical
Publication of CN113791610B publication Critical patent/CN113791610B/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
    • G05D1/0221—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

本发明提供了一种移动机器人全局路径规划方法，包括以下操作步骤：S1、二维地图栅格化，同时映射障碍物于对应栅格内，构建“障碍物块”结构体系；S2、利用障碍物块与“起点‑终点”连线的位置关系绘制边缘栅格点映射角，比较映射角大小筛选出障碍物块的左、右登陆点；S3、对所有障碍物块登陆点进行N邻域扩展，以扩展结点为顶点，利用碰撞检测法构建赋权图；S4、引入Dijkstra算法计算图中起点至终点的最短路径并输出结果。本发明设计了一种活跃于障碍物块边缘区域的结点扩展规则，通过寻找位于障碍物块边缘的登陆点来限定结点搜索范围，目的是改进A*的无差别大规模扩展策略，提高大场景下的路径规划效率，提升机器人响应速度。

Description

一种移动机器人全局路径规划方法
技术领域
本发明涉及智能机器人技术领域，具体涉及一种移动机器人全局路径规划方法。
背景技术
人工智能时代的到来已经深刻改变了人类的生活，机器人已不再是简单的指令执行角色，而是通过对环境的感知朝着更加智能的方向不断发展。当前，移动机器人已经在各行各业得到广泛应用，如搬运机器人、送餐机器人、扫地机器人、救援机器人等在执行任务时均要通过路径规划准确、高效的计算移动路线。其中，常用的路径规划算法有遗传算法、蜂群算法、蚁群算法、人工势场法、A*算法等等，不同算法适用场景各有差异，但是在大场景地图中现有算法均存在着搜索效率低的问题。为此，国内外学者已做了大量工作，但仍存在一些缺陷，如搜索空间大、算法复杂度高等问题。
A*算法以环境适应能力强的特性获得了非常广泛的应用，它是 Dijkstra算法与BFS算法的结合，利用启发函数指导寻路过程，通过计算各结点的代价值，选取待扩展的最佳结点，直至找到最终目标点位置，但缺点是随着地图规模的扩大，算法效率大幅下降。
发明内容
为解决上述问题，本发明提供一种移动机器人全局路径规划方法，本发明设计了一种活跃于障碍物块边缘区域的结点扩展规则，通过寻找位于障碍物块边缘的登陆点来限定结点搜索范围，目的是改进A*的无差别大规模扩展策略，提高大场景下的路径规划效率，提升机器人响应速度。
本发明为解决上述技术问题采用的技术方案是：一种移动机器人全局路径规划方法，包括以下操作步骤：
S1、二维地图栅格化，同时映射障碍物于对应栅格内，构建“障碍物块”结构体系；
S2、利用障碍物块与“起点-终点”连线的位置关系绘制边缘栅格点映射角，比较映射角大小筛选出障碍物块的左、右登陆点；
S3、对所有障碍物块登陆点进行N邻域扩展，以扩展结点为顶点，利用碰撞检测法构建赋权图；
S4、引入Dijkstra算法计算图中起点至终点的最短路径并输出结果。
进一步的，S1包括如下步骤：
S11、已知地图大小及障碍物具体分布情况；
S12、依据机器人实际尺寸定义地图栅格大小，忽略机器人高度，以机器人最长边作为地图栅格边长；
S13、地图栅格共定义4种类型：起点、终点、自由、障碍；
S14、将地图中相互邻接的障碍栅格划分为一个整体，定义为“障碍物块”。
进一步的，S14中“障碍物块”结构体系构建方法如下：
S141、定义栅格地图对应的二维数组为T并全部赋值为false、存放待检测结点列表为Lobstacle、当前障碍物块为Bobstacle、障碍物块列表为LOB；
S142、检测当前栅格点，如果是障碍物，则将当前栅格点存入列表Lobstacle中，并将当前栅格点在数组T的相应位置写入true；
S143、检测列表Lobstacle，如Lobstacle为空，则进入S144，否则检测Lobstacle中第一个结点的8邻域栅格点，如检测到障碍物且该障碍物在数组T中的对应值为false，则将该障碍物插入列表Lobstacle中，并将数组T的对应位设置为true，同时将Lobstacle的第一个结点加入Bobstacle中，然后删除Lobstacle中第一个结点，循环执行S143；
S144、将Bobstacle插入列表LOB，如数组T中所有值均为true，则程序结束，否则进入S142。
进一步的，S2具体包括以下内容：
定义起点为S、终点为G，检测与SG发生碰撞的第一个障碍物块，绘制出该障碍物块边缘栅格到S与G的映射角，通过排序筛选出最大映射角，该映射角对应的障碍栅格即为障碍物块的登陆点，具体内容如下：
S21、连接起点S至终点G，检测射线
Figure RE-GDA0003340348390000031
碰撞的第一个障碍物块，依据两点式直线方程进行碰撞检测。首先计算直线SG方程，如公式(1)所示，由起点向终点方向移动检测，检测直线上的点(xi,yi) 是否位于障碍物栅格内，设移动步长为λ，可计算出检测点(xi,yi)的公式(2)，当点(xi,yi)位于障碍物区域内部时，则检测到碰撞，执行步骤S22；如移动到终点G仍未发现障碍物栅格，则无碰撞，返回上一层递归。
Figure RE-GDA0003340348390000041
Figure RE-GDA0003340348390000042
其中，i＝0,1,2…n，XS为起点x轴坐标，YS为起点y轴坐标，XG为终点x轴坐标，YG为终点y轴坐标。
S22、绘制障碍物映射角，通过比较大小，筛选出障碍物块的左、右登陆点，具体方法如下：
首先标记出待处理的障碍物边缘栅格点Oi，分别连接Oi与S，Oi与G，形成夹角∠OiSG，则∠OiSG即为障碍物映射角。利用“点积”概念公式(3)计算夹角∠OiSG，再对∠OiSG进行排序，选取SG两侧最大的∠OiSG，则maxL∠OiSG与maxR∠OiSG对应的栅格结点分别为障碍物块的左登陆点与右登陆点。以左登陆点为起点S，目标点为终点G，递归执行步骤S21；以右登陆点为起点S，目标点为终点G，递归执行步骤S21。
Figure RE-GDA0003340348390000043
进一步的，S3中的具体内容如下：遍历地图中所有障碍物块登陆点，分别进行N邻域扩展，搜索登陆点N邻域内的所有自由结点，并进行标记、存储，作为路径规划的扩展结点。将所有扩展结点作为图的顶点，利用公式(2)进行碰撞检测，如两顶点之间无障碍物，则利用公式(4)计算其欧几里得距离作为两顶点的边进行存储；如两顶点连线与障碍物发生碰撞，则两顶点间不存在直接通路。通过以上操作，建立赋权图。
Figure RE-GDA0003340348390000051
本发明的有益效果为：本发明改进了传统A*算法的无差别扩展策略，通过检测障碍物登陆点将搜索区域限定于障碍物块边缘附近，有效减少了待处理结点数量，提高大场景地图中机器人的路径规划效率。
附图说明
图1是本发明的算法流程图；
图2是本发明的碰撞检测示意图；
图3是本发明的障碍物映射角示意图；
图4是本发明的登陆点分布图；
图5是本发明的非负赋权图；
图6是A型100×100栅格地图环境下传统A*算法路径规划仿真图；
图7是本发明的A型100×100栅格地图环境下机器人路径规划仿真图；
图8是B型100×100栅格地图环境下传统A*算法路径规划仿真图；
图9是本发明的B型100×100栅格地图环境下机器人路径规划仿真图；
图10是C型100×100栅格地图环境下传统A*算法路径规划仿真图；
图11是本发明的C型100×100栅格地图环境下机器人路径规划仿真图。
具体实施方式
结合附图对本发明实施例加以详细说明，本实施例以本发明技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种移动机器人全局路径规划方法，包括以下操作步骤：
S1、二维地图栅格化，同时映射障碍物于对应栅格内，构建“障碍物块”结构体系；
S2、利用障碍物块与“起点-终点”连线的位置关系绘制边缘栅格点映射角，比较映射角大小筛选出障碍物块的左、右登陆点；
S3、对所有障碍物块登陆点进行N邻域扩展，以扩展结点为顶点，利用碰撞检测法构建赋权图；
S4、引入Dijkstra算法计算图中起点至终点的最短路径并输出结果。
进一步的，S1包括如下步骤：
S11、已知地图大小及障碍物具体分布情况；
S12、依据机器人实际尺寸定义地图栅格大小，忽略机器人高度，以机器人最长边作为地图栅格边长；
S13、地图栅格共定义4种类型：起点、终点、自由、障碍；
S14、将地图中相互邻接的障碍栅格划分为一个整体，定义为“障碍物块”。
进一步的，S14中“障碍物块”结构体系构建方法如下：
S141、定义栅格地图对应的二维数组为T并全部赋值为false、存放待检测结点列表为Lobstacle、当前障碍物块为Bobstacle、障碍物块列表为LOB；
S142、检测当前栅格点，如果是障碍物，则将当前栅格点存入列表Lobstacle中，并将当前栅格点在数组T的相应位置写入true；
S143、检测列表Lobstacle，如Lobstacle为空，则进入S144，否则检测Lobstacle中第一个结点的8邻域栅格点，如检测到障碍物且该障碍物在数组T中的对应值为false，则将该障碍物插入列表Lobstacle中，并将数组T的对应位设置为true，同时将Lobstacle的第一个结点加入Bobstacle中，然后删除Lobstacle中第一个结点，循环执行S143；
S144、将Bobstacle插入列表LOB，如数组T中所有值均为true，则程序结束，否则进入S142。
进一步的，S2具体包括以下内容：
定义起点为S、终点为G，检测与SG发生碰撞的第一个障碍物块，绘制出该障碍物块边缘栅格到S与G的映射角，通过排序筛选出最大映射角，该映射角对应的障碍栅格即为障碍物块的登陆点，具体内容如下：
S21、连接起点S至终点G，检测射线
Figure RE-GDA0003340348390000081
碰撞的第一个障碍物块，依据两点式直线方程进行碰撞检测。首先计算直线SG方程，如公式(1)所示，由起点向终点方向移动检测，检测直线上的点(xi,yi) 是否位于障碍物栅格内，设移动步长为λ，可计算出检测点(xi,yi)的公式(2)，当点(xi,yi)位于障碍物区域内部时，则检测到碰撞，执行步骤S22；如移动到终点G仍未发现障碍物栅格，则无碰撞，返回上一层递归。
Figure RE-GDA0003340348390000082
Figure RE-GDA0003340348390000083
其中，i＝0,1,2…n，XS为起点x轴坐标，YS为起点y轴坐标，XG为终点x轴坐标，YG为终点y轴坐标。
S22、绘制障碍物映射角，通过比较大小，筛选出障碍物块的左、右登陆点，具体方法如下：
首先标记出待处理的障碍物边缘栅格点Oi，分别连接Oi与S，Oi与 G，形成夹角∠OiSG，则∠OiSG即为障碍物映射角。利用“点积”概念公式(3)计算夹角∠OiSG，再对∠OiSG进行排序，选取SG两侧最大的∠OiSG，则maxL∠OiSG与maxR∠OiSG对应的栅格结点分别为障碍物块的左登陆点与右登陆点。以左登陆点为起点S，目标点为终点G，递归执行步骤S21；以右登陆点为起点S，目标点为终点G，递归执行步骤S21。
Figure RE-GDA0003340348390000091
进一步的，S3中的具体内容如下：遍历地图中所有障碍物块登陆点，分别进行N邻域扩展，搜索登陆点N邻域内的所有自由结点，并进行标记、存储，作为路径规划的扩展结点。将所有扩展结点作为图的顶点，利用公式(2)进行碰撞检测，如两顶点之间无障碍物，则利用公式(4)计算其欧几里得距离作为两顶点的边进行存储；如两顶点连线与障碍物发生碰撞，则两顶点间不存在直接通路。通过以上操作，建立赋权图。
Figure RE-GDA0003340348390000092
实施例1
本发明提供了一种基于障碍物登陆点检测的机器人路径规划方法。附图1所示为本发明算法流程图，该流程图展示了最短路径的求解过程，具体步骤如下：
S1、二维地图栅格化，同时构建“障碍物块”结构体系，具体内容如下：
S11、机器人控制系统获取地图信息；S12、以机器人最长边作为栅格边长，对地图进行栅格划分；S13、设置地图起点与终点，可自由移动栅格为自由点，存在障碍物的栅格为障碍点；S14、以8邻域栅格作为相邻结点，对邻接的障碍栅格进行归类、组合，形成“障碍物块”。
S14中，“障碍物块”结构体系构建方法如下：
S141、建立布尔类型的栅格地图二维数组T，初始化为false，存放待检测结点列表为Lobstacle，当前障碍物块为Bobstacle，障碍物块列表为LOB；
S142、检测当前栅格点，如果是障碍物，则将当前栅格点存入列表Lobstacle中，并将当前栅格点在数组T的相应位置写入true；
S143、检测列表Lobstacle，如Lobstacle为空，则进入S144，否则检测Lobstacle中第一个结点的8邻域栅格点，如检测到障碍物且该障碍物在数组T中的对应值为false，则将该障碍物插入列表Lobstacle中，并将数组T的对应位设置为true，同时将Lobstacle的第一个结点加入Bobstacle中，然后删除Lobstacle中第一个结点，循环执行S143；
S144、将Bobstacle插入列表LOB，如数组T中所有值均为true，则程序结束，否则进入S142。
S2、检测与起点S到终点G连线发生碰撞的第一个障碍物块，绘制出该障碍物块边缘栅格到S与G的映射角，通过排序筛选出最大映射角，该映射角对应的障碍栅格即为障碍物块的登陆点，具体内容如下：
S21、连接起点S至终点G，检测射线
Figure RE-GDA0003340348390000101
碰撞的第一个障碍物块，依据两点式直线方程进行碰撞检测。具体内容如下：
检测过程如附图2所示，首先计算直线SG方程，如公式(1)所示，由起点向终点方向移动检测，检测直线上的点(xi,yi)是否位于障碍物栅格内，设移动步长为0.1，可计算出检测点(xi,yi)的公式(2)。当2.5≤x≤3.5,且2.5≤y≤3.5时，则检测到碰撞，执行步骤S22；如移动到终点G仍未发现障碍物栅格，则无碰撞，返回上一层递归。
Figure RE-GDA0003340348390000111
Figure RE-GDA0003340348390000112
其中，i＝0,1,2…n，XS为起点x轴坐标，YS为起点y轴坐标，XG为终点x轴坐标，YG为终点y轴坐标。
S22、绘制障碍物映射角，通过比较大小，筛选出障碍物块的左、右登陆点，具体方法如下：
首先标记出待处理的障碍物边缘栅格点Oi，分别连接Oi与S，Oi与 G，形成夹角∠OiSG，则∠OiSG即为障碍物映射角，如附图3所示。利用“点积”概念公式(3)计算夹角∠OiSG，再对∠OiSG进行排序，选取SG两侧最大的∠OiSG，则maxL∠OSiG与maxR∠OiSG对应的栅格结点分别为障碍物块的左登陆点与右登陆点。以左登陆点为起点S，目标点为终点G，递归执行步骤S21；以右登陆点为起点S，目标点为终点G，递归执行步骤S21。
Figure RE-GDA0003340348390000113
S3、通过以上递归过程，得到地图中所有相关障碍物块的登陆点，如附图4所示，然后对所有登陆点进行8邻域扩展，将扩展到的自由结点作为顶点，构建赋权图，具体内容如下：
首先设置地图中所有登陆点集合V，设置空集合VE，其中VE为扩展结点集，Vi为第i个登陆点，然后对Vi进行N邻域扩展，定义整型变量q与u，N邻域扩展过程伪代码如下：
Figure RE-GDA0003340348390000121
通过以上步骤可得到扩展结点集VE，接下来建立赋权图，如附图5 所示。首先将VE中所有结点作为图的顶点，然后利用公式(2)进行碰撞检测，如两顶点之间无障碍物，则计算其欧几里得距离作为两顶点的边，如公式(4)所示；如两顶点连线与障碍物发生碰撞，则两顶点间不存在直接通路。
Figure RE-GDA0003340348390000122
S4、引入Dijkstra算法计算起点至终点的最短路径，具体内容如下：
(1)初始化。设置起点为s，dt是从起点s到点t的最短路径长度， pt表示从s到t的最短路径中t点的前一个点。令dS＝0，pS为空，所有其他点di＝∞，对起点s进行标记，令k＝s，其他所有点设为未标记；
(2)计算从所有已标记的点k到其他直接连接的未标记的点j的距离，并设置：dj＝min[dj,dk+w(k,j)]，其中w(k,j)是点k到j的路径长度；
(3)选取下一个点。从所有未标记的点中选取最小的点i，点i被选为最短路径中的一点，并设置为已标记；
(4)找到点i的前一点。从已经标记的点集合中找到直接连接到点i的点，并标记为pi；
(5)标记点i。如果所有的点已标记，则算法结束。否则，记k＝i，转到(2)继续。
为验证本发明在机器人路径规划中的有效性和优越性，分别在三种不同环境的100×100栅格地图中进行仿真实验，与传统A*算法的仿真结果进行对比，如附图6、附图7、附图8所示。
A、B、C分别为三种100×100栅格地图的不同环境。其中，左侧圆形结点为起点，右侧三角形结点为终点，黑色栅格为障碍物，浅绿色栅格为A*算法的扩展结点，红色栅格为本文算法的扩展登陆点，红色折线为最优路径。A*算法路径规划距离比本文算法略长。在三种地图中，本文算法的运行效率比传统A*算法大幅提升。在附图6 中，本文算法运行时间是传统A*算法的5.38％；在附图7中，本文算法运行时间是传统A*算法的13.51％；在附图8中，本文算法运行时间是传统A*算法的8.64％。
下表所示为3种100×100栅格地图环境中，使用传统A*算法和基于障碍物登陆点检测算法对机器人路径规划过程进行仿真实验的数据。
Figure RE-GDA0003340348390000141
综合不同地图环境下的机器人路径规划仿真实验数据，可得到如下结论：
(1)基于障碍物登陆点检测算法的扩展结点数量比传统A*算法大幅减少，运算效率大幅提升；
(2)基于障碍物登陆点检测算法将扩展登陆点的连线作为最优路径，打破了传统N邻域扩展的角度限制，可规划任意角度，因而比传统A*算法的规划路径更短。
以上实施例仅用以说明本发明的技术方案而非限制，仅仅参照较佳实施例对本发明进行了详细说明。本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种移动机器人全局路径规划方法，其特征在于：包括以下操作步骤：
S1、二维地图栅格化，同时映射障碍物于对应栅格内，构建“障碍物块”结构体系；
S2、利用障碍物块与“起点-终点”连线的位置关系绘制边缘栅格点映射角，比较映射角大小筛选出障碍物块的左、右登陆点；
S3、对所有障碍物块登陆点进行N邻域扩展，以扩展结点为顶点，利用碰撞检测法构建赋权图；
S4、引入Dijkstra算法计算图中起点至终点的最短路径并输出结果。
2.根据权利要求1所述的一种移动机器人全局路径规划方法，其特征在于：S1包括如下步骤：
S11、已知地图大小及障碍物具体分布情况；
S12、依据机器人实际尺寸定义地图栅格大小，忽略机器人高度，以机器人最长边作为地图栅格边长；
S13、地图栅格共定义4种类型：起点、终点、自由、障碍；
S14、将地图中相互邻接的障碍栅格划分为一个整体，定义为“障碍物块”。
3.根据权利要求2所述的一种移动机器人全局路径规划方法，其特征在于：S14中“障碍物块”结构体系构建方法如下：
S141、定义栅格地图对应的二维数组为T并全部赋值为false、存放待检测结点列表为Lobstacle、当前障碍物块为Bobstacle、障碍物块列表为LOB；
S142、检测当前栅格点，如果是障碍物，则将当前栅格点存入列表Lobstacle中，并将当前栅格点在数组T的相应位置写入true；
S143、检测列表Lobstacle，如Lobstacle为空，则进入S144，否则检测Lobstacle中第一个结点的8邻域栅格点，如检测到障碍物且该障碍物在数组T中的对应值为false，则将该障碍物插入列表Lobstacle中，并将数组T的对应位设置为true，同时将Lobstacle的第一个结点加入Bobstacle中，然后删除Lobstacle中第一个结点，循环执行S143；
S144、将Bobstacle插入列表LOB，如数组T中所有值均为true，则程序结束，否则进入S142。
4.根据权利要求1所述的一种移动机器人全局路径规划方法，其特征在于：S2具体包括以下内容：
定义起点为S、终点为G，检测与SG发生碰撞的第一个障碍物块，绘制出该障碍物块边缘栅格到S与G的映射角，通过排序筛选出最大映射角，该映射角对应的障碍栅格即为障碍物块的登陆点，具体内容如下：
S21、连接起点S至终点G，检测射线
Figure RE-FDA0003340348380000021
碰撞的第一个障碍物块，依据两点式直线方程进行碰撞检测。首先计算直线SG方程，如公式(1)所示，由起点向终点方向移动检测，检测直线上的点(xi,yi)是否位于障碍物栅格内，设移动步长为λ，可计算出检测点(xi,yi)的公式(2)，当点(xi,yi)位于障碍物区域内部时，则检测到碰撞，执行步骤S22；如移动到终点G仍未发现障碍物栅格，则无碰撞，返回上一层递归。
Figure RE-FDA0003340348380000031
Figure RE-FDA0003340348380000032
其中，i＝0,1,2…n，XS为起点x轴坐标，YS为起点y轴坐标，XG为终点x轴坐标，YG为终点y轴坐标。
S22、绘制障碍物映射角，通过比较大小，筛选出障碍物块的左、右登陆点，具体方法如下：
首先标记出待处理的障碍物边缘栅格点Oi，分别连接Oi与S，Oi与G，形成夹角∠OiSG，则∠OiSG即为障碍物映射角。利用“点积”概念公式(3)计算夹角∠OiSG，再对∠OiSG进行排序，选取SG两侧最大的∠OiSG，则maxL∠OiSG与maxR∠OiSG对应的栅格结点分别为障碍物块的左登陆点与右登陆点。以左登陆点为起点S，目标点为终点G，递归执行步骤S21；以右登陆点为起点S，目标点为终点G，递归执行步骤S21。
Figure RE-FDA0003340348380000033
5.根据权利要求1所述的一种移动机器人全局路径规划方法，其特征在于：S3中的具体内容如下：遍历地图中所有障碍物块登陆点，分别进行N邻域扩展，搜索登陆点N邻域内的所有自由结点，并进行标记、存储，作为路径规划的扩展结点。将所有扩展结点作为图的顶点，利用公式(2)进行碰撞检测，如两顶点之间无障碍物，则利用公式(4)计算其欧几里得距离作为两顶点的边进行存储；如两顶点连线与障碍物发生碰撞，则两顶点间不存在直接通路。通过以上操作，建立赋权图。
Figure FDA0003189825860000041
CN202110872923.6A 2021-07-30 2021-07-30 一种移动机器人全局路径规划方法 Active CN113791610B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110872923.6A CN113791610B (zh) 2021-07-30 2021-07-30 一种移动机器人全局路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110872923.6A CN113791610B (zh) 2021-07-30 2021-07-30 一种移动机器人全局路径规划方法

Publications (2)

Publication Number Publication Date
CN113791610A true CN113791610A (zh) 2021-12-14
CN113791610B CN113791610B (zh) 2024-04-26

Family

ID=79181439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110872923.6A Active CN113791610B (zh) 2021-07-30 2021-07-30 一种移动机器人全局路径规划方法

Country Status (1)

Country Link
CN (1) CN113791610B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007257276A (ja) * 2006-03-23 2007-10-04 Toyota Motor Corp 移動経路作成方法、自律移動体および自律移動体制御システム
JP2011227807A (ja) * 2010-04-22 2011-11-10 Toyota Motor Corp 経路探索システム、経路探索方法、及び移動体
CN104102219A (zh) * 2014-07-09 2014-10-15 大连理工大学 智能导购车行驶路径的规划方法、装置及智能导购车
CN107526360A (zh) * 2017-09-26 2017-12-29 河南科技学院 一种未知环境下排爆机器人多阶自主导航探测系统及方法
KR20180117967A (ko) * 2017-04-20 2018-10-30 아주대학교산학협력단 드론 비행 금지 구역 회피 경로 제공 방법 및 장치
CN109871021A (zh) * 2019-03-18 2019-06-11 安徽大学 一种基于粒子群优化算法的机器人导航方法
CN110231824A (zh) * 2019-06-19 2019-09-13 东北林业大学 基于直线偏离度方法的智能体路径规划方法
US20190286145A1 (en) * 2018-03-14 2019-09-19 Omron Adept Technologies, Inc. Method and Apparatus for Dynamic Obstacle Avoidance by Mobile Robots
CN110320933A (zh) * 2019-07-29 2019-10-11 南京航空航天大学 一种巡航任务下无人机避障运动规划方法
CN110763247A (zh) * 2019-10-21 2020-02-07 上海海事大学 基于可视图和贪心算法结合的机器人路径规划方法
EP3623759A1 (en) * 2018-09-14 2020-03-18 The Boeing Company A computer-implemented method and a system for defining a path for a vehicle within an environment with obstacles
CN111240334A (zh) * 2020-01-18 2020-06-05 山东交通学院 一种船舶航行自动避碰航路规划方法及模型
CN112034836A (zh) * 2020-07-16 2020-12-04 北京信息科技大学 一种改进a*算法的移动机器人路径规划方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007257276A (ja) * 2006-03-23 2007-10-04 Toyota Motor Corp 移動経路作成方法、自律移動体および自律移動体制御システム
JP2011227807A (ja) * 2010-04-22 2011-11-10 Toyota Motor Corp 経路探索システム、経路探索方法、及び移動体
CN104102219A (zh) * 2014-07-09 2014-10-15 大连理工大学 智能导购车行驶路径的规划方法、装置及智能导购车
KR20180117967A (ko) * 2017-04-20 2018-10-30 아주대학교산학협력단 드론 비행 금지 구역 회피 경로 제공 방법 및 장치
CN107526360A (zh) * 2017-09-26 2017-12-29 河南科技学院 一种未知环境下排爆机器人多阶自主导航探测系统及方法
US20190286145A1 (en) * 2018-03-14 2019-09-19 Omron Adept Technologies, Inc. Method and Apparatus for Dynamic Obstacle Avoidance by Mobile Robots
EP3623759A1 (en) * 2018-09-14 2020-03-18 The Boeing Company A computer-implemented method and a system for defining a path for a vehicle within an environment with obstacles
CN109871021A (zh) * 2019-03-18 2019-06-11 安徽大学 一种基于粒子群优化算法的机器人导航方法
CN110231824A (zh) * 2019-06-19 2019-09-13 东北林业大学 基于直线偏离度方法的智能体路径规划方法
CN110320933A (zh) * 2019-07-29 2019-10-11 南京航空航天大学 一种巡航任务下无人机避障运动规划方法
CN110763247A (zh) * 2019-10-21 2020-02-07 上海海事大学 基于可视图和贪心算法结合的机器人路径规划方法
CN111240334A (zh) * 2020-01-18 2020-06-05 山东交通学院 一种船舶航行自动避碰航路规划方法及模型
CN112034836A (zh) * 2020-07-16 2020-12-04 北京信息科技大学 一种改进a*算法的移动机器人路径规划方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
I. NOREEN, ET AL.: "Optimal Path Planning for Mobile Robots Using Memory Efficient A*", 2016 INTERNATIONAL CONFERENCE ON FRONTIERS OF INFORMATION TECHNOLOGY (FIT), pages 142 - 146 *
周良: "基于类三维地图的无人机路径规划", 计算机测量与控制, no. 11, pages 197 - 199 *
张琦: "基于简化可视图的环境建模方法", 东北大学学报(自然科学版), no. 10, pages 17 - 20 *
陈至坤;郭宝军;王淑香;: "移动机器人目标路径规划的仿真研究", 计算机仿真, no. 05, 15 May 2016 (2016-05-15), pages 296 - 300 *
陈雨童等: "受限航路空域自主航迹规划与冲突管理技术", 航空学报, vol. 41, no. 09, pages 253 - 270 *

Also Published As

Publication number Publication date
CN113791610B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN109976350B (zh) 多机器人调度方法、装置、服务器及计算机可读存储介质
Zhu et al. DSVP: Dual-stage viewpoint planner for rapid exploration by dynamic expansion
CN112000754B (zh) 地图构建方法、装置、存储介质及计算机设备
CN109059924B (zh) 基于a*算法的伴随机器人增量路径规划方法及系统
CN111811514B (zh) 一种基于正六边形栅格跳点搜索算法的路径规划方法
CN113156886A (zh) 一种智能物流路径规划方法及系统
Pirzadeh et al. A unified solution to coverage and search in explored and unexplored terrains using indirect control
CN112683275B (zh) 一种栅格地图的路径规划方法
CN111679692A (zh) 一种基于改进A-star算法的无人机路径规划方法
CN109189074B (zh) 一种用于仓储环境的室内自主建图方法
CN115079705A (zh) 基于改进a星融合dwa优化算法的巡检机器人路径规划方法
CN109163722B (zh) 一种仿人机器人路径规划方法及装置
CN111595356B (zh) 一种激光导航机器人的工作区域构建方法
CN108334080A (zh) 一种针对机器人导航的虚拟墙自动生成方法
CN113189988B (zh) 一种基于Harris算法与RRT算法复合的自主路径规划方法
Rodenberg et al. Indoor A* pathfinding through an octree representation of a point cloud
CN114740898B (zh) 一种基于自由空间与a*算法的三维航迹规划方法
Xu et al. An efficient algorithm for environmental coverage with multiple robots
CN114692357A (zh) 基于改进元胞自动机算法的三维航路网络规划系统及方法
CN114690769A (zh) 路径规划方法、电子设备及存储介质、计算机程序产品
CN113791610A (zh) 一种移动机器人全局路径规划方法
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
Chin et al. Vision guided AGV using distance transform
Hernandez et al. A path planning algorithm for an AUV guided with homotopy classes
CN115993817A (zh) 张量场驱动分层路径规划的自主探索方法、装置及介质

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