CN113821029A - 一种路径规划方法、装置、设备及存储介质 - Google Patents
一种路径规划方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113821029A CN113821029A CN202111014702.1A CN202111014702A CN113821029A CN 113821029 A CN113821029 A CN 113821029A CN 202111014702 A CN202111014702 A CN 202111014702A CN 113821029 A CN113821029 A CN 113821029A
- Authority
- CN
- China
- Prior art keywords
- robot
- determining
- point
- current position
- position point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 239000003016 pheromone Substances 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 241000257303 Hymenoptera Species 0.000 claims description 26
- 230000005484 gravity Effects 0.000 claims description 12
- 230000003068 static effect Effects 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 239000005712 elicitor Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 18
- 230000004888 barrier function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method 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 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
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
- G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons 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
- G05D1/0238—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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- 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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- 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
-
- 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
- G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
Abstract
本发明实施例提供了一种路径规划方法、装置、设备及存储介质，该方法包括：确定机器人在地图中的当前位置点；基于当前位置点与目标点之间的最优可行驶距离确定机器人受到目标点的引力；确定障碍物对所述机器人的斥力，并基于所述引力以及斥力确定所述机器人在当前位置点的合力；基于所述合力、归一化指数函数以及信息素的更新策略对蚁群算法进行改进，基于改进的蚁群算法在所述地图中确定当前位置与目标点之间的最优路径。本发明实施例提供的技术方案可以提高计算效率，可以提高路径规划的精度。
Description
技术领域
本发明实施例涉及机器人技术领域，尤其涉及一种路径规划方法、装置、设备及存储介质。
背景技术
路径规划、障碍物规避、自动导航、机器人控制等是机器人的核心功能，其中，路径规划决定了机器人是否以最快的速度安全到达目标点(目的地所处的位置点)，故是十分重要的功能部分。
相关技术中，针对路径规划存在较多方法，但是相关技术中的方法路径规划精度不高，合理性有待提高。
发明内容
本发明实施例提供了一种路径规划方法、装置、设备及存储介质，可以提高计算效率，可以提高路径规划的精度。
第一方面，本发明实施例提供了一种路径规划方法，包括：
确定机器人在地图中的当前位置点；
基于当前位置点与目标点之间的最优可行驶距离确定机器人受到目标点的引力；
确定障碍物对所述机器人的斥力，并基于所述引力以及斥力确定所述机器人在当前位置点的合力；
基于所述合力、归一化指数函数以及信息素的更新策略对蚁群算法进行改进，基于改进的蚁群算法在所述地图中确定当前位置与目标点之间的最优路径。
第二方面，本发明实施例还提供了一种路径规划装置，包括：
位置点确定模块，用于确定机器人在地图中的当前位置点；
引力确定模块，用于基于当前位置点与目标点之间的最优可行驶距离确定机器人受到目标点的引力；
合力确定模块，用于确定障碍物对所述机器人的斥力，并基于所述引力以及斥力确定所述机器人在当前位置点的合力；
路径确定模块，用于基于所述合力归一化指数函数以及信息素的更新策略对蚁群算法进行改进，基于改进的蚁群算法在所述地图中确定当前位置与目标点之间的最优路径。
第三方面，本发明实施例提供了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例提供的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现本发明实施例提供的方法。
本发明实施例提供的技术方案，通过机器人当前位置点与目标点之间的最优可行驶路径确定机器人受到目标点的引力，从而确定机器人在当前位置点的合力，通过该合力、归一化指数函数以及信息素的更新策略对蚁群算法进行改进，通过改进的蚁群算法确定最优路径，可以提高计算效率，可以提高路径规划的精度。
附图说明
图1a是本发明实施例提供的一种路径规划方法流程图；
图1b是通过传统方法得到合力示意图；
图1c是通过本发明实施例方法得到合力示意图；
图1d是通过传统蚁群算法得到最优路径示意图；
图1e是通过本发明实施例提供的方法得到最优路径示意图；
图2是本发明实施例提供的一种路径规划方法流程图；
图3是本发明实施例提供的一种路径规划方法流程图；
图4是本发明实施例提供的一种路径规划装置结构框图；
图5是本发明实施例提供的一种电子设备结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1a是本发明实施例提供的一种路径规划方法流程图，所述方法可以由路径规划装置来执行，所述装置可以由软件和/或硬件来实现，所述装置可以集成在机器人中，或者也可以集成在云端设备中。所述方法应用于针对室内最优路径规划的场景中，具体可以应用于搬运场景中，或者其他需要路径规划的场景中。
如图1a所示，本发明实施例提供的技术方案包括：
S110：确定机器人在地图中的当前位置点。
在本发明实施例中，地图可以是栅格地图，可以是基于机器人的工作环境构建的地图。
在本发明实施例的一个实施方式中，可选的，所述确定机器人的当前位置点，包括：基于蓝牙信标设备确定机器人所在的区域；基于超声定位设备在所述区域确定机器人的当前位置点。其中，蓝牙信标设备可以包括蓝牙传感器阵列和蓝牙信号接收器；超声波设备包括超声波发射器和超声波接收器。具体的，在室内关键路线的天花板或者其他位置可以设置蓝牙传感器阵列，并与设置在机器人上的蓝牙信号接收器相互配合实现机器人的初始定位，可以得到机器人所在的区域，可以通过几何定位方法计算机器人的初始定位的区域位置。同时根据蓝牙信号的强度激活该区域内的超声波发射器，设置于在机器人上的超声波接收器接收到超声波，以蓝牙信号发送时间作为初始时间，以超声波接收时间作为终止时间，得到超声波的传播时长，再利用超声波在空气中的传播速度计算得到超声波发射点位置与机器人之间的直线距离，选择蓝牙信号最强的区域内至少3个超声波发射点，计算得到至少3个距离参数，利用三边定位法得到机器人的精确位置点。
需要说明的是，除了上述确定机器人的当前位置点的方法之外，还可以采用相关技术中的方法确定机器人在地图中的当前位置点。
S120：基于当前位置点与目标点之间的最优可行驶距离确定机器人受到目标点的引力。
在本发明实施例中的一个实施方式中，可选的，所述基于当前位置点与目标点之间的最优可行驶距离确定机器人受到目标点的引力，包括：
基于如下公式确定机器人受到目标点的引力：
Fatt＝K1·LA,G；其中，Fatt是机器人受到的来自于目标点的引力；K1为引力场调制系数，A为机器人当前位置点，G为目标点；LA,G是所述机器人与目标点的最优可行驶距离。其中，LA,G可以是采用相关技术中的蚁群算法(常规蚁群算法)迭代计算得到的初始最优路径。其中，当目标点与机器人的距离越远时，机器人受到目标点的引力越大，当目标点与机器人的距离越近时，机器人受到目标点的引力越小。
相关技术中，在常规人工势场法中引力Fatt是由机器人与目标点的欧氏距离dA,G计算得到的，即目标点与机器人之间的直线距离，但在实际中只有两者位于可通行的直线路线上时，机器人的行驶路径才等于dA,G，否则行驶路径大于dA,G，导致引力减少而无法快速将机器人导向目标点，采用本发明实施例中的LA,G计算引力可避免上述问题。其中，引力Fatt为矢量，其方向为机器人当前位置点指向最优初始路径上离机器人最近的位置点，保证引力可以将机器人引入正确的路线，避免陷入局部最优解。
S130：确定障碍物对所述机器人的斥力，并基于所述引力以及斥力确定所述机器人在当前位置点的合力。
在本发明实施例中的一个实施方式中，可选的，所述确定障碍物对所述机器人的斥力，包括：基于如下公式确定障碍物对机器人的斥力：
在本发明实施例中，可以基于如下公式确定机器人在当前位置点的合力F：F＝Fatt+Freq。相关技术中，通过传统欧式距离引力和本发明实施例提供的方法计算引力的方法不相同，从而通过矢量合成的合力也并不相同。具体的，如图1b所示，机器人的当前位置点为点A，通过传统欧式距离得到引力的方向由点A指向点G，通过矢量合成得到的合力可以参考图1b所示。如图1c所示，机器人当前的位置点依然为点A，通过最优初始路径得到引力的方向由点A指向点(A+1)，通过矢量合成得到的合力可以参考图1c。由此可见，通过上述两种方法计算得到的合力并不相同，从而人工势场对蚁群算法的影响也并不相同。
S140：基于所述合力归一化指数函数以及信息素的更新策略对蚁群算法进行改进，基于改进的蚁群算法在所述地图中确定当前位置与目标点之间的最优路径。
在本发明实施例的一个实施方式中，可选的，所述基于所述合力归一化指数函数以及信息素的更新策略对蚁群算法进行改进，基于改进的蚁群算法在所述地图中确定当前位置与目标点之间的最优路径，包括：在所述地图中设置起点以及目标点，并设置最大迭代次数以及对信息素表进行初始化；在本次迭代中，将m只蚂蚁设置于所述起点，将蚂蚁的当前位置点加入禁忌表；基于如下公式确定第t轮迭代第k只蚂蚁从当前位置点i选择下一位置点j的状态转移概率：
其中，
为第t轮迭代第k只蚂蚁从当前位置点i选择下一位置点j的状态转移概率；allowed表征第k只蚂蚁没有走过的位置点集合；α为信息素启发因子；
其中，F为在当前位置点的合力，θ是当前位置节点指向下一位置点的矢量与当前位置点与目标点G的矢量之间的夹角，dij为蚂蚁的当前位置点i到下一位置点j的欧氏距离，其中，ηij与合力大小和角度均成正比，即合力越大、夹角越小，ηij越大，位置点j被选中的可能性越大；ηij与距离dij成反比，即下一位置点j的距离越远，下一位置点j被选中的可能性越小；β为期望启发因子，
Tabu为信息素表；h为从当前位置点i到下一个位置点的位置点总个数；若蚂蚁到达下一位置点j，将下一位置点j加入禁忌表以更新禁忌表；若判断所有蚂蚁从起点到达目标点，基于信息素更新策略更新信息素表，并清空禁忌表；判断迭代次数是否达到最大迭代次数；若是，基于所述信息素表中的信息素输出最优路径；若否，返回将m只蚂蚁设置于所述起点，将蚂蚁的当前位置点加入禁忌表的操作，直至迭代次数达到最大迭代次数。
在本发明实施例的一个实施方式中，可选的，所述基于信息素更新策略更新信息素表，包括：基于如下公式更新信息素表：
其中，τij(t+1)是t轮迭代结束，位置点i到位置点j上的信息素；ρ是信息素挥发系数；其中，0＜ρ＜1；其中，
为t轮迭代结束后经过路径(i，j)的所有蚂蚁在该路径上留下的信息素总和，其中，
其中，
是本轮迭代结束后前g只最优蚂蚁在路径(i，j)上留下的信息素总和，其中，
其中，g＝m·20％；es为最优蚂蚁信息素调整因子，即在最优蚂蚁中排名第s的蚂蚁额外留下信息素的比例；其中，
Q为常量。
具体的，设置信息素表Tau(n×n规模矩阵，n表示位置点个数，也称为节点个数)，并设置所有初始值都为0或相同大小的较小值作为每个位置点的初始信息素，设置最大迭代次数Ncmax。
迭代开始，设置路径禁忌表Tabu(m×n规模)；将m只蚂蚁都放在运送路径的起点处，并将蚂蚁的当前位置点加入禁忌表Tabu，通过上述实施例中
的计算公式来计算状态转移概率，其中，
的计算中采用softmax()方法(也称为归一化指数函数)，从而加大高信息素路径被选中的概率，加速模型收敛速度。当所有的蚂蚁从起点到达目标点后，基于上述信息素表更新的公式对信息素进行更新，并清空禁忌表；判断迭代次数Nc是否大于或者等于最大迭代次数Ncmax，若是，迭代结束，输出最优路径，否则继续迭代循环。其中，通过传统蚁群算法得到最优路径请参考图1d，通过本发明实施例提供的方法得到最优路径请参考图1e。如图1d和图1e所示，两者路径并不相同，通过本发明实施例提供的路径精确度更高。
相关技术中，可以通过A*、PRM、Dijkstra等算法进行路径规划，这些方法可以将机器人视为质点，障碍物视为多边形，将路径规划视为从质点到终点的最短线段组合。相关技术中，还可以通过人工势场法主要用于局部路径规划，将障碍物视为斥力源，将目标点视为引力源，在两者的合力作用下机器人沿着局部最优路径避开障碍物向目标点运动。相关技术中，还可以以蚁群算法和遗传算法为代表的启发式算法，将路径规划问题转化为群体寻优问题实现路径寻优。但是以A*、PRM、Dijkstra等算法，由于搜索路径是连接障碍物顶点的线段，机器人易与障碍物发生碰撞，当障碍物、特征信息量较多时，搜索时间较长，且无法保证是全局最优解；人工势场法不具备全局寻优功能，且非常容易陷入障碍物圈而无法抵达终点；以蚁群算法和遗传算法为代表的启发式算法可能陷入局部最优解，同时对于多节点情况存在搜索时间过长的问题。本发明实施例提供的方法通过最优可行驶距离计算引力，从而对人工势场法进行改进，通过改进的人工势场以及改进的蚁群算法可以对全局路径进行规划，克服搜索时间过长的问题，可以提高计算效率，可以克服精度较低的问题，提高路径规划的精度。
本发明实施例提供的技术方案，通过机器人当前位置点与目标点之间的最优可行驶路径确定机器人受到目标点的引力，从而确定机器人在当前位置点的合力，通过该合力、归一化指数函数以及信息素的更新策略对蚁群算法进行改建，通过改进的蚁群算法确定最优路径，可以提高计算效率，可以提高路径规划的精度。
图2是本发明实施例提供的一种路径规划方法流程图，在本实施例中，可选的，在所述确定机器人在地图中的当前位置点之前，还包括：
将室内区域运用网格法进行划分，建立栅格形式的地图；
将静态障碍区、楼层标志、电梯标志作为属性添加到所述地图中，并将所述静态障碍区以及电梯标志添加不可通行的标识。
如图2所示，本发明实施例提供的技术方案包括：
S210：将室内区域运用网格法进行划分，建立栅格形式的地图。
在本发明实施例中，对室内区域的工作环境采用栅格法进行建模，形成地图。
S220：将静态障碍区、楼层标志、电梯标志作为属性添加到所述地图中，并将所述静态障碍区以及电梯标志添加不可通行的标识。
在本发明实施例中，静态障碍区可以包括柱子、墙壁、围栏、设备等区域。在栅格形式的地图中，每个网格点包括五个要素，分别为横坐标xi，纵坐标yi，楼层标志fi(楼层数)，电梯标志li(取0或1，1为有电梯，0为没有电梯)，可通行节点标志oi(取0或1，1为可通行，0为不可通行)，即(xi,yi,fi,li,oi)。其中，将楼层标记和电梯标记的添加到地图中，可以解决跨楼层运送时需要通过电梯的问题。其中，电梯作为最优路径中必须经过的节点，在地图中增加是否可行节标识，可以限制路径寻优空间。可选的，在地图中，需要设置障碍物膨胀系数S1，即控制障碍物范围之外一定空间作为不可行区域，也可以设置机器人膨胀系数S2，即控制机器人范围之外一定空间作为机器人安全区域。由此，通过将静态障碍区、楼层标志、电梯标志作为属性添加到地图中，可以便于路径寻优，从而找到更合力的路径，通过设置膨胀系数，可以保证机器人的安全，避免产生碰撞。
S230：确定机器人在地图中的当前位置点。
S240：实时对移动障碍物进行探测，将探测到的移动障碍物的位置信息更新至所述地图中，并添加不可通行的标识。
在本发明实施例中，机器人可以实时对移动障碍物进行探测，将探测到的移动障碍物的位置信息更新至地图中，并添加不可通行的标识。其中，机器人上可以设置超声波装置，通过超声波装置探测移动障碍物，其中，移动障碍物可以包括行人、室内运送车、垃圾桶等非静态障碍物。超声波装置主要包括超声波发射模块、接收模块和测距模块，通过超声波装置实时探测在机器人前进方向不定时出现的移动障碍物，从而确定移动障碍物朝向机器人一侧的外轮廓关键点，并计算移动障碍物相对机器人的距离以及角度，通过进一步计算得到机器人的当前位置信息，将移动障碍物的外轮廓关键点的位置信息更新至地图中，并在对应位置进行不可通行的标识。通过对地图进行更新，可以使机器人对移动障碍物进行及时避障，保证安全。其中，对于行人的检测还可以通过数据处理速率(Processing DataRate，PDR)算法。在机器人上安装微机电系统设备(Micro-Electro-Mechanical System，MEMS)，采用PDR算法对行人步伐、步长和走向进行检测，主要包括采用中值滤波对加速度传感器数据进行非线性平滑处理，以减小数据波动，提高稳定性；采用prominence和peak_widths相结合的方法进行波峰检测计算步伐，利用线性估计计算步长，采用坐标变换法计算三轴加速度和三轴地磁传感器数据计算行人的走向。
S250：基于当前位置点与目标点之间的最优可行驶距离确定机器人受到目标点的引力。
S260：确定障碍物对所述机器人的斥力，并基于所述引力以及斥力确定所述机器人在当前位置点的合力。
S270：基于所述合力、归一化指数函数以及信息素的更新策略对蚁群算法进行改进，基于改进的蚁群算法在所述地图中确定当前位置与目标点之间的最优路径。
其中，S230-S260的介绍可以参考上述实施例的介绍。
需要说明的是，在确定最优路径之后，在基于所述地图上的最优路径运动过程中，还可以实时对移动障碍物进行探测；将探测到的移动障碍物的位置信息更新至所述地图中，并添加不可通行的标识，从而可以对移动障碍物及时躲避，保证安全。
为了更清楚的表述本发明实施例提供的技术方案，如图3所示，本发明实施例提供的技术方案可以包括如下：
制定全局栅格地图，确定膨胀系数，多数据融合定位，实时障碍物探测，并更新至地图中；通过传统蚁群算法计算初始最优路径，通过改进的人工势场法计算势场；信息素等参数初始化，建议禁忌表；将m只蚂蚁置于起点，根据改进的蚁群算法计算状态转移概率；判断是否到达终点，若是，清空禁忌表，若否，禁忌表更新。判断迭代次数是否达到最大迭代次数，若是，输出最优路径，若否，返回将“将m只蚂蚁置于起点”的操作。
相关技术中，室内导航主要包括两类方法，其中，第一类是将室内定位和导航地图相结合，通过实时计算机器人当前位置实现自动导航。其中，例如，基于航迹推算的定位技术，无需外部传感器，实时计算走过的路径长度和方向来决定下一步的走向；基于地图的导航方法，将整个工作空间转化为数字地图，如拓扑地图和几何地图，再结合搜索算法寻找最优解。第二类主要通过多传感器来识别当前位置和方向实现导航。例如，以超声波、激光雷达、毫米波雷达为主的信号灯定位方法，通过安装固定的信号发射装置与机器人上的接收装置相互配合实现导航定位；例如，基于视觉的定位方法用计算机视觉功能获取实时环境信息，分析出道路和障碍，进而根据任务实现路径规划。另外，还可以包括路标导航法、基于智能终端设备的方法、基于第三方服务的导航方法等。但是基于航迹推算的定位技术，但存在误差累积的缺点，不适宜长时间和长距离导航；基于地图的导航方法，缺点是精度不够，难以应对复杂场景。以超声波、激光雷达、毫米波雷达为主的信号灯定位方法，但成本高昂，维护代价大；基于视觉的定位方法要求有足够的光线和高速的处理器。其中，路标导航法，要求有足够丰富和准确的路标，且必须具备精准的路标识别功能。基于智能终端设备的方法、基于第三方服务的导航等方法都要求有快速的网络传输和高效的数据处理功能，可靠性和稳定性难以保证。本发明实施例提供的方法通过将静态障碍区、楼层标志、电梯标志等添加到地图中，并通过多种数据融合实现定位，可以实现高精确定位，通过改进的人工势场法和改进的蚁群算法提高路径规划的精度和计算效率。通过实时探测移动障碍物，并将移动障碍物的位置更新至地图中，并进行不可通行的标识，通过与最优路径的寻优算法相结合可以计算动态最优路径，从而对移动障碍物进行躲避。
图4是本发明实施例提供的一种路径规划装置结构框图，如图4所示，所述装置包括位置点确定模块410、引力确定模块420、合力确定模块430和路径确定模块440。
位置点确定模块410，用于确定机器人在地图中的当前位置点；
引力确定模块420，用于基于当前位置点与目标点之间的最优可行驶距离确定机器人受到目标点的引力；
合力确定模块430，用于确定障碍物对所述机器人的斥力，并基于所述引力以及斥力确定所述机器人在当前位置点的合力；
路径确定模块440，用于基于所述合力归一化指数函数以及信息素的更新策略对蚁群算法进行改进，基于改进的蚁群算法在所述地图中确定当前位置与目标点之间的最优路径。
可选的，路径确定模块440，用于：
在所述地图中设置起点以及目标点，并设置最大迭代次数以及对信息素表进行初始化；
在本次迭代中，将m只蚂蚁设置于所述起点，将蚂蚁的当前位置点加入禁忌表；
基于如下公式确定第k只蚂蚁从当前位置点i选择下一位置点j的状态转移概率：
其中，
为第t轮迭代第k只蚂蚁从当前位置点i选择下一位置点j的状态转移概率；allowed表征第k只蚂蚁没有走过的位置点集合；α为信息素启发因子；
其中，F为在当前位置点的合力，θ是当前位置节点指向下一位置点的矢量，与当前位置点指向目标点G的矢量之间的夹角，dij为蚂蚁的当前位置点i到下一位置点j的欧氏距离；β为期望启发因子，
其中，τij(t)为第t轮迭代的上一轮迭代结束后更新的信息素；
若蚂蚁到达下一位置点j，将下一位置点j加入禁忌表以更新禁忌表；
若判断所有蚂蚁从起点到达目标点，基于信息素更新策略更新信息素表，并清空禁忌表；
判断迭代次数是否达到最大迭代次数；
若是，基于所述信息素表中的信息素输出最优路径；若否，返回将m只蚂蚁设置于所述起点，将蚂蚁的当前位置点加入禁忌表的操作，直至迭代次数达到最大迭代次数。
可选的，所述基于信息素更新策略更新信息素表，包括：
基于如下公式更新信息素表：
其中，τij(t+1)是t轮迭代结束，位置点i到位置点j上的信息素；ρ是信息素挥发系数；其中，0＜ρ＜1；
其中，
为t轮迭代结束后经过路径(i，j)的所有蚂蚁在该路径上留下的信息素总和，其中，
其中，
是t轮迭代结束后，前g只最优蚂蚁在路径(i，j)上留下的信息素总和，其中
其中，g＝m·20％；es为最优蚂蚁信息素调整因子，其中，
可选的，所述确定机器人的当前位置点，包括：
基于蓝牙信标设备确定机器人所在的区域；
基于超声定位设备在所述区域确定机器人的当前位置点。
可选的，所述基于当前位置点与目标点之间的最优可行驶距离确定机器人受到目标点的引力，包括：
基于如下公式确定机器人受到目标点的引力：
Fatt＝K1·LA,G；
其中，Fatt是机器人受到的来自于目标点的引力；K1为引力场调制系数，A为机器人当前位置点，G为目标点；LA,G是所述机器人与目标点的最优可行驶距离。
可选的，所述确定障碍物对所述机器人的斥力，包括：
基于如下公式确定障碍物对机器人的斥力：
其中，Frep为障碍物对所述机器人的斥力；K2为斥力场调制系数，dA,q为所述机器人与障碍物之间的欧氏距离，d0为障碍物的最大影响半径。
可选的，所述装置还包括地图建立模块，用于在所述确定机器人在地图中的当前位置点之前，将室内区域运用网格法进行划分，建立栅格形式的地图；
将静态障碍区、楼层标志、电梯标志作为属性添加到所述地图中，并将所述静态障碍区以及电梯标志添加不可通行的标识；
所述装置还包括更新模块，用于在确定机器人在地图中的当前位置点之后，
实时对移动障碍物进行探测，将探测到的移动障碍物的位置信息更新至所述地图中，并添加不可通行的标识。
上述装置可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
图5是本发明实施例提供的一种电子设备结构示意图，如图5所示，该设备包括：
一个或多个处理器510，图5中以一个处理器510为例；
存储器520；
所述设备还可以包括：输入装置530和输出装置540。
所述设备中的处理器510、存储器520、输入装置530和输出装置540可以通过总线或者其他方式连接，图5中以通过总线连接为例。
存储器520作为一种非暂态计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种路径规划方法对应的程序指令/模块(例如，附图4所示的位置点确定模块410、引力确定模块420、合力确定模块430和路径确定模块440)。处理器510通过运行存储在存储器520中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述方法实施例的一种路径规划方法，即：
确定机器人在地图中的当前位置点；
基于当前位置点与目标点之间的最优可行驶距离确定机器人受到目标点的引力；
确定障碍物对所述机器人的斥力，并基于所述引力以及斥力确定所述机器人在当前位置点的合力；
基于所述合力、归一化指数函数以及信息素的更新策略对蚁群算法进行改进，基于改进的蚁群算法在所述地图中确定当前位置与目标点之间的最优路径。
存储器520可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器520可以包括高速随机存取存储器，还可以包括非暂态性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态性固态存储器件。在一些实施例中，存储器520可选包括相对于处理器510远程设置的存储器，这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例提供的一种路径规划方法：
确定机器人在地图中的当前位置点；
基于当前位置点与目标点之间的最优可行驶距离确定机器人受到目标点的引力；
确定障碍物对所述机器人的斥力，并基于所述引力以及斥力确定所述机器人在当前位置点的合力；
基于所述合力、归一化指数函数以及信息素的更新策略对蚁群算法进行改进，基于改进的蚁群算法在所述地图中确定当前位置与目标点之间的最优路径。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种路径规划方法，其特征在于，包括：
确定机器人在地图中的当前位置点；
基于当前位置点与目标点之间的最优可行驶距离确定机器人受到目标点的引力；
确定障碍物对所述机器人的斥力，并基于所述引力以及斥力确定所述机器人在当前位置点的合力；
基于所述合力、归一化指数函数以及信息素的更新策略对蚁群算法进行改进，基于改进的蚁群算法在所述地图中确定当前位置与目标点之间的最优路径。
2.根据权利要求1所述的方法，其特征在于，所述基于所述合力、归一化指数函数以及信息素的更新策略对蚁群算法进行改进，基于改进的蚁群算法在所述地图中确定当前位置与目标点之间的最优路径，包括：
在所述地图中设置起点以及目标点，并设置最大迭代次数以及对信息素表进行初始化；
在本次迭代中，将m只蚂蚁设置于所述起点，将蚂蚁的当前位置点加入禁忌表；
基于如下公式确定第k只蚂蚁从当前位置点i选择下一位置点j的状态转移概率：
其中，
为第t轮迭代第k只蚂蚁从当前位置点i选择下一位置点j的状态转移概率；allowed表征第k只蚂蚁没有走过的位置点集合；α为信息素启发因子；
其中，F为在当前位置点的合力，θ是当前位置节点指向下一位置点的矢量，与当前位置点指向目标点G的矢量之间的夹角，dij为蚂蚁的当前位置点i到下一位置点j的欧氏距离；β为期望启发因子，
Tabu为信息素表；其中，τij(t)为第t轮迭代的上一轮迭代结束后更新的信息素；
若蚂蚁到达下一位置点j，将下一位置点j加入禁忌表以更新禁忌表；
若判断所有蚂蚁从起点到达目标点，基于信息素更新策略更新信息素表，并清空禁忌表；
判断迭代次数是否达到最大迭代次数；
若是，基于所述信息素表中的信息素输出最优路径；若否，返回将m只蚂蚁设置于所述起点，将蚂蚁的当前位置点加入禁忌表的操作，直至迭代次数达到最大迭代次数。
3.根据权利要求2所述的方法，其特征在于，所述基于信息素更新策略更新信息素表，包括：
基于如下公式更新信息素表：
其中，τij(t+1)是t轮迭代结束，位置点i到位置点j上的信息素；ρ是信息素挥发系数；其中，0＜ρ＜1；
其中，
为t轮迭代结束后经过路径(i，j)的所有蚂蚁在该路径上留下的信息素总和，其中，
其中，
是t轮迭代结束后，前g只最优蚂蚁在路径(i，j)上留下的信息素总和，其中
其中，g＝m·20％；es为最优蚂蚁信息素调整因子，其中，
4.根据权利要求1所述的方法，其特征在于，所述确定机器人的当前位置点，包括：
基于蓝牙信标设备确定机器人所在的区域；
基于超声定位设备在所述区域确定机器人的当前位置点。
5.根据权利要求1所述的方法，其特征在于，所述基于当前位置点与目标点之间的最优可行驶距离确定机器人受到目标点的引力，包括：
基于如下公式确定机器人受到目标点的引力：
Fatt＝K1·LA,G；
其中，Fatt是机器人受到的来自于目标点的引力；K1为引力场调制系数，A为机器人当前位置点，G为目标点；LA,G是所述机器人与目标点的最优可行驶距离。
6.根据权利要求1所述的方法，其特征在于，所述确定障碍物对所述机器人的斥力，包括：
基于如下公式确定障碍物对机器人的斥力：
其中，Frep为障碍物对所述机器人的斥力；K2为斥力场调制系数，dA,q为所述机器人与障碍物之间的欧氏距离，d0为障碍物的最大影响半径。
7.根据权利要求1所述的方法，其特征在于，在所述确定机器人在地图中的当前位置点之前，还包括：
将室内区域运用网格法进行划分，建立栅格形式的地图；
将静态障碍区、楼层标志、电梯标志作为属性添加到所述地图中，并将所述静态障碍区以及电梯标志添加不可通行的标识；
在确定机器人在地图中的当前位置点之后，还包括：
实时对移动障碍物进行探测，将探测到的移动障碍物的位置信息更新至所述地图中，并添加不可通行的标识。
8.一种路径规划装置，其特征在于，包括：
位置点确定模块，用于确定机器人在地图中的当前位置点；
引力确定模块，用于基于当前位置点与目标点之间的最优可行驶距离确定机器人受到目标点的引力；
合力确定模块，用于确定障碍物对所述机器人的斥力，并基于所述引力以及斥力确定所述机器人在当前位置点的合力；
路径确定模块，用于基于所述合力归一化指数函数以及信息素的更新策略对蚁群算法进行改进，基于改进的蚁群算法在所述地图中确定当前位置与目标点之间的最优路径。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111014702.1A CN113821029B (zh) | 2021-08-31 | 2021-08-31 | 一种路径规划方法、装置、设备及存储介质 |
| PCT/CN2021/127233 WO2023029188A1 (zh) | 2021-08-31 | 2021-10-29 | 路径规划方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111014702.1A CN113821029B (zh) | 2021-08-31 | 2021-08-31 | 一种路径规划方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113821029A true CN113821029A (zh) | 2021-12-21 |
| CN113821029B CN113821029B (zh) | 2022-05-10 |
Family
ID=78913935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111014702.1A Active CN113821029B (zh) | 2021-08-31 | 2021-08-31 | 一种路径规划方法、装置、设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113821029B (zh) |
| WO (1) | WO2023029188A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114440916A (zh) * | 2022-03-09 | 2022-05-06 | 中国农业银行股份有限公司 | 一种导航方法、装置、设备及存储介质 |
| CN115351803A (zh) * | 2022-10-20 | 2022-11-18 | 湖北信通通信有限公司 | 仓储物流机器人的路径规划方法及装置 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116562490A (zh) * | 2023-07-12 | 2023-08-08 | 埃睿迪信息技术（北京）有限公司 | 一种任务的处理方法、装置及系统 |
| CN117132009B (zh) * | 2023-09-07 | 2024-02-09 | 云南电网有限责任公司电力科学研究院 | 一种基于配网智慧运维的临近环网线路规划方法 |
| CN117387628B (zh) * | 2023-12-11 | 2024-02-23 | 深圳大学 | 一种基于有向质点蚁群的水下机器人路径规划方法及设备 |
| CN117387631B (zh) * | 2023-12-12 | 2024-03-22 | 青岛科技大学 | 一种机器人的路径规划方法、设备及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107917711A (zh) * | 2017-11-14 | 2018-04-17 | 重庆邮电大学 | 一种基于优化混合蚁群算法的机器人路径规划算法 |
| CN107943053A (zh) * | 2017-12-15 | 2018-04-20 | 陕西理工大学 | 一种移动机器人的路径规划方法 |
| CN107992067A (zh) * | 2017-11-24 | 2018-05-04 | 贵州电网有限责任公司 | 基于集成吊舱和ai技术的无人机巡检故障诊断系统 |
| CN110220525A (zh) * | 2019-05-14 | 2019-09-10 | 昆明理工大学 | 一种基于势场蚁群算法的路径规划方法 |
| CN110796198A (zh) * | 2019-10-30 | 2020-02-14 | 西安电子科技大学 | 基于混合蚁群优化算法的高维特征筛选方法 |
| CN110928295A (zh) * | 2019-10-16 | 2020-03-27 | 重庆邮电大学 | 一种融合人工势场与对数蚁群算法的机器人路径规划方法 |
| CN110989612A (zh) * | 2019-12-17 | 2020-04-10 | 哈工大机器人（合肥）国际创新研究院 | 一种基于蚁群算法的机器人路径规划方法及装置 |
| CN111784079A (zh) * | 2020-07-28 | 2020-10-16 | 上海海事大学 | 一种基于人工势场和蚁群算法的无人机路径规划方法 |
| CN112033403A (zh) * | 2020-05-06 | 2020-12-04 | 东华大学 | 一种基于势场改进蚁群算法的无人机最优路径搜索方法 |
| CN112230665A (zh) * | 2020-10-29 | 2021-01-15 | 广西科技大学 | 一种基于aco的ros机器人全局路径优化方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718997B (zh) * | 2016-01-15 | 2019-02-15 | 中国民航管理干部学院 | 基于人工势场法与蚁群算法的混合多飞行器冲突解脱方法 |
| 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 |
| CN110442135B (zh) * | 2019-08-06 | 2020-08-21 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
-
2021
- 2021-08-31 CN CN202111014702.1A patent/CN113821029B/zh active Active
- 2021-10-29 WO PCT/CN2021/127233 patent/WO2023029188A1/zh unknown
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107917711A (zh) * | 2017-11-14 | 2018-04-17 | 重庆邮电大学 | 一种基于优化混合蚁群算法的机器人路径规划算法 |
| CN107992067A (zh) * | 2017-11-24 | 2018-05-04 | 贵州电网有限责任公司 | 基于集成吊舱和ai技术的无人机巡检故障诊断系统 |
| CN107943053A (zh) * | 2017-12-15 | 2018-04-20 | 陕西理工大学 | 一种移动机器人的路径规划方法 |
| CN110220525A (zh) * | 2019-05-14 | 2019-09-10 | 昆明理工大学 | 一种基于势场蚁群算法的路径规划方法 |
| CN110928295A (zh) * | 2019-10-16 | 2020-03-27 | 重庆邮电大学 | 一种融合人工势场与对数蚁群算法的机器人路径规划方法 |
| CN110796198A (zh) * | 2019-10-30 | 2020-02-14 | 西安电子科技大学 | 基于混合蚁群优化算法的高维特征筛选方法 |
| CN110989612A (zh) * | 2019-12-17 | 2020-04-10 | 哈工大机器人（合肥）国际创新研究院 | 一种基于蚁群算法的机器人路径规划方法及装置 |
| CN112033403A (zh) * | 2020-05-06 | 2020-12-04 | 东华大学 | 一种基于势场改进蚁群算法的无人机最优路径搜索方法 |
| CN111784079A (zh) * | 2020-07-28 | 2020-10-16 | 上海海事大学 | 一种基于人工势场和蚁群算法的无人机路径规划方法 |
| CN112230665A (zh) * | 2020-10-29 | 2021-01-15 | 广西科技大学 | 一种基于aco的ros机器人全局路径优化方法 |
Non-Patent Citations (4)
| Title |
|---|
| V SANGEETHA 等: "A Modified Ant Colony Optimisation based Optimal Path Finding on a Thematic Map", 《2019 IEEE INTERNATIONAL CONFERENCE ON INTELLIGENT TECHNIQUES IN CONTROL, OPTIMIZATION AND SIGNAL PROCESSING (INCOS)》 * |
| XIAOXIA ZHENG 等: "Ant Colony Optimization Algorithm Based on Immune Strategy", 《2011 FOURTH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DESIGN》 * |
| 冷冰涵: "移动机器人路径规划与自主避障研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 江杰等: "关于移动机器人路径最优规划研究", 《计算机仿真》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114440916A (zh) * | 2022-03-09 | 2022-05-06 | 中国农业银行股份有限公司 | 一种导航方法、装置、设备及存储介质 |
| CN114440916B (zh) * | 2022-03-09 | 2024-04-02 | 中国农业银行股份有限公司 | 一种导航方法、装置、设备及存储介质 |
| CN115351803A (zh) * | 2022-10-20 | 2022-11-18 | 湖北信通通信有限公司 | 仓储物流机器人的路径规划方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113821029B (zh) | 2022-05-10 |
| WO2023029188A1 (zh) | 2023-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113821029B (zh) | 一种路径规划方法、装置、设备及存储介质 | |
| US11796332B2 (en) | Generation of optimal trajectories for navigation of vehicles | |
| CN110609557B (zh) | 无人车混合路径规划方法 | |
| US20230080764A1 (en) | Deep learning for object detection using pillars | |
| WO2018176594A1 (zh) | 一种面向无人自行车的人工势场路径规划法 | |
| US11255679B2 (en) | Global and local navigation for self-driving | |
| KR20230074694A (ko) | Radar를 사용한 확장 대상체 추적 | |
| CN113359718B (zh) | 移动机器人全局路径规划与局部路径规划融合方法及设备 | |
| CN113196011A (zh) | 运动图构建和车道级路线规划 | |
| US11803184B2 (en) | Methods for generating maps using hyper-graph data structures | |
| CN113359768A (zh) | 一种基于改进的a*算法的路径规划方法 | |
| JP7330142B2 (ja) | 車両のｕターン経路を決定する方法、装置、デバイスおよび媒体 | |
| WO2020146447A1 (en) | Field theory based perception for autonomous vehicles | |
| CN111413965A (zh) | 一种基于uav协同感知的ugv行驶路径规划方法 | |
| CN114440916B (zh) | 一种导航方法、装置、设备及存储介质 | |
| Yusof et al. | Path planning for visually impaired people in an unfamiliar environment using particle swarm optimization | |
| WO2022173880A9 (en) | System, method, and computer program product for topological planning in autonomous driving using bounds representations | |
| EP3648021A1 (en) | Generation of optimal trajectories for navigation of vehicles | |
| CN108919805A (zh) | 一种车辆无人驾驶辅助系统 | |
| Benelmir et al. | An efficient autonomous vehicle navigation scheme based on LiDAR sensor in vehicular network | |
| Shahi et al. | A comparative study on efficient path finding algorithms for route planning in smart vehicular networks | |
| KR20200068772A (ko) | 차선 인식 실패 대응 자율 주행 방법 및 자율주행 차량 주행 가이드 데이터 구축 방법 | |
| CN114048917A (zh) | 基于位置的人群疏散路径推荐方法及系统 | |
| US20220153296A1 (en) | Trajectory planning with obstacle avoidance for autonomous driving vehicles | |
| Hongbo et al. | Relay navigation strategy study on intelligent drive on urban roads |
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 |