CN114047762A - 一种基于蚁群算法的激光雷达空间测量路径规划方法及系统 - Google Patents
一种基于蚁群算法的激光雷达空间测量路径规划方法及系统 Download PDFInfo
- Publication number
- CN114047762A CN114047762A CN202111350906.2A CN202111350906A CN114047762A CN 114047762 A CN114047762 A CN 114047762A CN 202111350906 A CN202111350906 A CN 202111350906A CN 114047762 A CN114047762 A CN 114047762A
- Authority
- CN
- China
- Prior art keywords
- path
- space
- measurement
- ant
- laser radar
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000003016 pheromone Substances 0.000 claims abstract description 37
- 241000257303 Hymenoptera Species 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000003068 static effect Effects 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 210000000707 wrist Anatomy 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 3
- 210000003857 wrist joint Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature 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
- G05D1/0231—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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于蚁群算法的激光雷达空间测量路径规划方法及系统,根据待测对象空间分布特点及待测对象测量约束确定激光雷达空间测量站位,然后根据测量站位初始位置和姿态数据设定蚂蚁数量,根据每个蚂蚁到下一个待访问的测量站位的路径,获取所有蚂蚁到所有的测量站位的路径,然后选择长度最短的路径作为当次迭代参数,更新各个测量站位连接路径上的信息素,得到激光雷达空间测量路径,通过将空间测量路径转化为平面位置,调节平面可行集,在保证测量精度的前提下实现了测量路径从空间到平面的映射;采用蚁群算法可以对运动路径上的不断堆积信息素浓度做出反馈,使路径搜寻过程快速收敛,可以加快路径优化进程。
Description
技术领域
本发明属于空间测量领域,具体涉及一种基于蚁群算法的激光雷达空间测量路径规划方法及系统。
背景技术
激光雷达在汽车、飞机等大尺寸对象测量过程中,需要进行多次转站测量,以保证大尺寸对象待测特征的可达性和可测性。目前,大尺寸对象测量多采用人工辅助转站的方式进行测量,存在测量过程效率低和安全性差的问题。为了解决大尺寸对象测量过程效率瓶颈,将激光雷达搭载到移动工业机器人平台上,搭配机器人手臂,不仅可以增加测量系统的柔性程度,还便于对机器人进行自主路径的控制,而测量系统在大尺寸对象测量实施过程中,移动工业机器人平台测量路径的规划和优化对于测量系统的效率尤为重要,测量系统测量路径规划过程中,一方面考虑转站参考工具球的布设和测量,参考工具球的布设出于成本和场地因素有数量限制,另一方面,测量路径规划中规划的测量站位必须通过参考工具球的测量数据拟合才能完成坐标系的转换,导致系统冗余,降低了测量效率。
发明内容
本发明的目的在于提供一种基于蚁群算法的激光雷达空间测量路径规划方法及系统,以克服现有技术的不足。
为达到上述目的,本发明采用如下技术方案:
一种基于蚁群算法的激光雷达空间测量路径规划方法,其特征在于,包括以下步骤:;
S1,建立待测对象空间自由栅格以及静态障碍栅格;
S2,基于建立的待测对象空间自由栅格以及静态障碍栅格,根据待测对象空间分布特点及待测对象测量约束确定激光雷达空间测量站位,然后根据测量站位初始位置和姿态数据设定蚂蚁数量;
S3,将各个蚂蚁随机地放置于不同的测量站位,计算每个蚂蚁到下一个待访问的测量站位的路径,获取所有蚂蚁到所有的测量站位的路径;
S4,根据各蚂蚁访问的测量站位的路径,计算各个蚂蚁到测量站位经过的路径长度,将测量站位上的所有路径进行比较,选择长度最短的路径作为当次迭代参数,更新各个测量站位连接路径上的信息素,得到激光雷达空间测量路径;
S5,将激光雷达空间测量路径转化为平面位置,然后根据机器人工作空间模型解算全向车平面移动位置集合,根据全向车平面移动位置集合确定全向车规划路径,以全向车规划路径进行站位测量。
进一步的,蚂蚁数量为测量目标数的0.85-1.2倍。
进一步的,采用状态转移概率方程计算蚂蚁到达各个测量站位的概率:
i,j分别为测量站位的起点和终点,ηij(t)=1/dij是两点i,j路径距离的倒数,τij(t)为时间t时从点i到点j的信息素,allowedk为尚未访问过的节点的集合,启发函数ηij(t)=1/dij用于表示蚂蚁从i到j的能见度,α为信息素因子、β为启发函数因子、t为最大迭代次数。
进一步的,采用蚁周模型,完成一次路径循环释放一次信息素。
进一步的,各个测量站位连接路径上的信息素更新:
τij(t+1)=(1-ρ)τij(t)+Δτij(t,t+1)
Q为信息素常数,Lk表示本次循环中蚂蚁K所经过的路径长度,1-ρ表示信息素保留程度。
进一步的,更新各个测量站位连接路径上的信息素的迭代次数到达设定的迭代次数,则停止迭代,否则进行下一次迭代。
进一步的,将激光雷达空间测量路径转化为平面位置:
5-1:将机器人工作参数代入根据机器人工作空间方程:
其中,cθi代表cos(θi),sθi代表sin(θi),关节转角θi满足θi min<θi<θi max。c1代表cos(θ1),s1代表sin(θ1),s23代表sin(θ2+θ3),c23代表cos(θ2+θ3);
5-2:根据θ1=0时工作空间边界求出工作空间W0(Pw)关键点的z坐标;
5-5:按照机器人工作参数离散增大θ1的值,转入步骤5-1,直至到达θ1取值设定阈值,则完成。
进一步的,根据全向车平面移动位置集合确定全向车规划路径:
6-1:将全向车平面移动位置集合中每一个位置对应于一只蚂蚁,建立初始蚁群;
6-2:令初始距离1=0和循环次数Nc=0,设置最大循环次数Ncmax并初始化参数d、β、r;
6-3:开始循环,循环次数NC->Nc+1,蚂蚁数目k->k+1;
6-4:根据距离公式得到当前全向车位置到各个移动位置的信息量;
6-6:若满足结束条件,即如果循环次数Nc≥Ncmax,则结束循环,并输出平面位置序列,否则转步骤6-3。
一种激光雷达空间测量路径规划系统,包括空间模块,蚂蚁群模块,蚁群优化模块,信息素更新模块和路径规划模块;
空间模块用于建立并存储待测对象空间自由栅格以及静态障碍栅格;
蚂蚁群模块用于根据待测对象空间自由栅格以及静态障碍栅格的待测对象空间分布特点及待测对象测量约束确定激光雷达空间测量站位,然后根据测量站位初始位置和姿态数据设定蚂蚁数量;
蚁群优化模块用于将各个蚂蚁随机地放置于不同的测量站位,计算每个蚂蚁到下一个待访问的测量站位的路径,获取所有蚂蚁到所有的测量站位的路径;
信息素更新模块用于根据各蚂蚁访问的测量站位的路径,计算各个蚂蚁到测量站位经过的路径长度,将测量站位上的所有路径进行比较,选择长度最短的路径作为当次迭代参数,更新各个测量站位连接路径上的信息素,得到激光雷达空间测量路径;
路径规划模块用于将激光雷达空间测量路径转化为平面位置,然后根据机器人工作空间模型解算全向车平面移动位置集合,根据全向车平面移动位置集合确定全向车规划路径。
进一步的,蚂蚁数量为测量目标数的0.85-1.2倍。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种基于蚁群算法的激光雷达空间测量路径规划方法,基于建立的待测对象空间自由栅格以及静态障碍栅格,根据待测对象空间分布特点及待测对象测量约束确定激光雷达空间测量站位,然后根据测量站位初始位置和姿态数据设定蚂蚁数量,根据每个蚂蚁到下一个待访问的测量站位的路径,获取所有蚂蚁到所有的测量站位的路径,然后选择长度最短的路径作为当次迭代参数,更新各个测量站位连接路径上的信息素,得到激光雷达空间测量路径,通过将空间测量路径转化为平面位置,调节平面可行集,在保证测量精度的前提下实现了测量路径从空间到平面的映射;采用蚁群算法可以对运动路径上的不断堆积信息素浓度做出反馈,使路径搜寻过程快速收敛,可以加快路径优化进程。
进一步的,采用蚂蚁对路径的搜寻,每条路径上的信息素实时更新,避免搜寻过程过早收敛,有利于并行实现、提高算法的可靠性和全局搜寻能力。此外,测量系统测量路径规划过程中,还必须考虑转站参考工具球的布设和测量。
进一步的,通过空间路径寻优及空间位置的平面映射优化的两层的路径优化缩短了全向车寻径时间,使得全向车在测量路径寻径过程更加合理,保证了测量路径的可实施性。
附图说明
图1为本发明实施例中具体流程图。
图2为本发明实施例中腕关节工作空间图,图2(a)中内外两个曲面之间的空间区域,图2(b)为腕关节工作空间截面图,图2(c)为腕关节工作空间远端截图,图2(d)为腕关节工作空间近端截图。
图3为本发明实施例中腕部中心点与工作空间示意图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图1所示,一种基于蚁群算法的激光雷达空间测量路径规划方法,用于大尺寸对象AGV小车负载激光雷达完成空间测量过程,包括如下步骤:
S1,建立待测对象空间自由栅格以及静态障碍栅格;
S2,初始化蚁群各参数:基于建立的待测对象空间自由栅格以及静态障碍栅格,根据待测对象空间分布特点及待测对象测量约束确定激光雷达空间测量站位,然后根据测量站位初始位置和姿态数据设定蚂蚁数量为k。
具体的,测量站位个数小于等于50,根据实验得出蚂蚁数量k∈[0.85m,1.2m]时,可得到较优的结果,具体的,蚂蚁数量k设为测量目标数m的0.9倍。
S3,构建解空间:将各个蚂蚁随机地放置于不同的测量站位,计算每个蚂蚁k(k=1,2,……,m)到下一个待访问的测量站位的路径,获取所有蚂蚁到所有的测量站位的路径;其中,蚂蚁到达各个测量站位的概率为状态转移概率方程:
i,j分别为测量站位的起点和终点,ηij(t)=1/dij是两点i,j路径距离的倒数,τij(t)为时间t时从点i到点j的信息素,allowedk为尚未访问过的节点的集合,启发函数ηij(t)=1/dij用于表示蚂蚁从i到j的能见度,α为信息素因子、β为启发函数因子、t为最大迭代次数。
S4,更新信息素:根据各蚂蚁访问的测量站位的路径,计算各个蚂蚁到测量站位经过的路径长度L,将测量站位上的所有路径进行比较,选择长度最短的路径作为当次迭代参数,更新各个测量站位连接路径上的信息素,得到激光雷达空间测量路径;
本发明采用蚁周模型,完成一次路径循环释放一次信息素;
新增信息素含量Δτij等于M只蚂蚁i,j路径上留下的信息素总和。
各个测量站位连接路径上的信息素更新:
τij(t+1)=(1-ρ)τij(t)+Δτij(t,t+1)
Q为信息素常数,Lk表示本次循环中蚂蚁K所经过的路径长度,1-ρ表示信息素保留程度。
若当前迭代次数到达设定的迭代次数,则停止迭代,否则进行下一次迭代。
S5,将激光雷达空间测量路径转化为平面位置,然后根据机器人工作空间模型(即机器人末端位置)解算全向车平面移动位置集合,根据全向车平面移动位置集合Pi w确定全向车规划路径,以全向车规划路径进行站位测量。
具体的包括以下步骤:
5-1:将机器人工作参数代入根据机器人工作空间方程:
其中,cθi代表cos(θi),sθi代表sin(θi),其余类同,关节转角θi满足θi min<θi<θi max。c1代表cos(θ1),s1代表sin(θ1),s23代表sin(θ2+θ3),c23代表cos(θ2+θ3),其余类同。
5-2:根据θ1=0时工作空间边界求出工作空间W0(Pw)关键点的z坐标,这些关键点为θ1=0时工作空间内外边界z坐标最大和最小的点以及边界表达式发生变化处点的z坐标,记为Z1,Z2…,Z7。
5-5:按照机器人工作参数离散增大θ1的值,直至到达θ1取值设定阈值,则完成。
具体的,考虑工业机器人绕O0Z0轴的旋转,即当θ1由-π连续变化到π时,可得到工业机器人腕关节坐标系原点Pw在机器人坐标系Ob-XbYbZb中形成的工作空间边界,如图2所示,其中腕关节工作空间为图2(a)中内外两个曲面之间的空间区域,图2(b)为腕关节工作空间截面图,图2(c)为腕关节工作空间远端截图,图2(d)为腕关节工作空间近端截图。
腕关节坐标系原点Pi w到机器人坐标系z轴的距离Di,以及在对应Pi w的z坐标处工作空间W0(Pw)的内外边界到机器人坐标系z轴的距离和如果有成立,则Pi w在工作空间W0(Pw)内部。腕部中心点Pi w与工作空间W0(Pw)关系如图3所示。
具体的,根据全向车平面移动位置集合Pi w确定全向车规划路径具体步骤如下:
6-1:将全向车平面移动位置集合中每一个位置对应于一只蚂蚁,建立初始蚁群。
6-2:令初始距离1=0和循环次数Nc=0,设置最大循环次数Ncmax并初始化参数d、β、r。
6-3:开始循环,循环次数NC->Nc+1,蚂蚁数目k->k+1。
6-4:根据距离公式得到当前全向车位置到各个移动位置的信息量。
6-6:若满足结束条件,即如果循环次数Nc≥Ncmax,则结束循环,并输出平面位置序列,否则转步骤6-3。
全向车根据全向车规划路径将激光雷达运送到测量站位进行测量。
本发明提供的基于蚁群算法的激光雷达空间测量路径规划方法通过将空间测量位置转化为空间路径规划和平面位置路径优化,对空间测量位置通过蚁群算法获取最优的路径移动矩阵排列,并对空间测量位置对应的平面位置集合进行最佳位置更新以便更有效的对激光雷达空间测量路径进行移动规划。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于蚁群算法的激光雷达空间测量路径规划方法,其特征在于,包括以下步骤:;
S1,建立待测对象空间自由栅格以及静态障碍栅格;
S2,基于建立的待测对象空间自由栅格以及静态障碍栅格,根据待测对象空间分布特点及待测对象测量约束确定激光雷达空间测量站位,然后根据测量站位初始位置和姿态数据设定蚂蚁数量;
S3,将各个蚂蚁随机地放置于不同的测量站位,计算每个蚂蚁到下一个待访问的测量站位的路径,获取所有蚂蚁到所有的测量站位的路径;
S4,根据各蚂蚁访问的测量站位的路径,计算各个蚂蚁到测量站位经过的路径长度,将测量站位上的所有路径进行比较,选择长度最短的路径作为当次迭代参数,更新各个测量站位连接路径上的信息素,得到激光雷达空间测量路径;
S5,将激光雷达空间测量路径转化为平面位置,然后根据机器人工作空间模型解算全向车平面移动位置集合,根据全向车平面移动位置集合确定全向车规划路径,以全向车规划路径进行站位测量。
2.根据权利要求1所述的一种基于蚁群算法的激光雷达空间测量路径规划方法,其特征在于,蚂蚁数量为测量目标数的0.85-1.2倍。
4.根据权利要求1所述的一种基于蚁群算法的激光雷达空间测量路径规划方法,其特征在于,采用蚁周模型,完成一次路径循环释放一次信息素。
6.根据权利要求1所述的一种基于蚁群算法的激光雷达空间测量路径规划方法,其特征在于,更新各个测量站位连接路径上的信息素的迭代次数到达设定的迭代次数,则停止迭代,否则进行下一次迭代。
7.根据权利要求1所述的一种基于蚁群算法的激光雷达空间测量路径规划方法,其特征在于,将激光雷达空间测量路径转化为平面位置:
5-1:将机器人工作参数代入根据机器人工作空间方程:
其中,cθi代表cos(θi),sθi代表sin(θi),关节转角θi满足θi min<θi<θi max;c1代表cos(θ1),s1代表sin(θ1),s23代表sin(θ2+θ3),c23代表cos(θ2+θ3);
5-2:根据θ1=0时工作空间边界求出工作空间W0(Pw)关键点的z坐标;
5-5:按照机器人工作参数离散增大θ1的值,转入步骤5-1,直至到达θ1取值设定阈值,则完成。
8.根据权利要求1所述的一种基于蚁群算法的激光雷达空间测量路径规划方法,其特征在于,根据全向车平面移动位置集合确定全向车规划路径:
6-1:将全向车平面移动位置集合中每一个位置对应于一只蚂蚁,建立初始蚁群;
6-2:令初始距离l=0和循环次数Nc=0,设置最大循环次数Ncmax并初始化参数α、β、r;
6-3:开始循环,循环次数NC->Nc+1,蚂蚁数目k->k+1;
6-4:根据距离公式得到当前全向车位置到各个移动位置的信息量;
6-6:若满足结束条件,即如果循环次数Nc≥Ncmax,则结束循环,并输出平面位置序列,否则转步骤6-3。
9.一种用于权利要求1所述基于蚁群算法的激光雷达空间测量路径规划方法的激光雷达空间测量路径规划系统,其特征在于,包括空间模块,蚂蚁群模块,蚁群优化模块,信息素更新模块和路径规划模块;
空间模块用于建立并存储待测对象空间自由栅格以及静态障碍栅格;
蚂蚁群模块用于根据待测对象空间自由栅格以及静态障碍栅格的待测对象空间分布特点及待测对象测量约束确定激光雷达空间测量站位,然后根据测量站位初始位置和姿态数据设定蚂蚁数量;
蚁群优化模块用于将各个蚂蚁随机地放置于不同的测量站位,计算每个蚂蚁到下一个待访问的测量站位的路径,获取所有蚂蚁到所有的测量站位的路径;
信息素更新模块用于根据各蚂蚁访问的测量站位的路径,计算各个蚂蚁到测量站位经过的路径长度,将测量站位上的所有路径进行比较,选择长度最短的路径作为当次迭代参数,更新各个测量站位连接路径上的信息素,得到激光雷达空间测量路径;
路径规划模块用于将激光雷达空间测量路径转化为平面位置,然后根据机器人工作空间模型解算全向车平面移动位置集合,根据全向车平面移动位置集合确定全向车规划路径。
10.根据权利要求9所述的一种基于蚁群算法的激光雷达空间测量路径规划系统,其特征在于,蚂蚁数量为测量目标数的0.85-1.2倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111350906.2A CN114047762A (zh) | 2021-11-15 | 2021-11-15 | 一种基于蚁群算法的激光雷达空间测量路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111350906.2A CN114047762A (zh) | 2021-11-15 | 2021-11-15 | 一种基于蚁群算法的激光雷达空间测量路径规划方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114047762A true CN114047762A (zh) | 2022-02-15 |
Family
ID=80209300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111350906.2A Pending CN114047762A (zh) | 2021-11-15 | 2021-11-15 | 一种基于蚁群算法的激光雷达空间测量路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114047762A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116625242A (zh) * | 2023-07-26 | 2023-08-22 | 青岛科技大学 | 光学三坐标测量机路径规划方法、系统、电子设备及介质 |
CN116707684A (zh) * | 2023-08-01 | 2023-09-05 | 中国人民解放军战略支援部队航天工程大学 | 一种基于无人机平台的三维频谱占用测量方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559536A (zh) * | 2013-11-12 | 2014-02-05 | 杭州银江智慧城市技术集团有限公司 | 一种基于新概率转移函数的照明通信动态寻径蚁群算法 |
CN110375759A (zh) * | 2019-07-15 | 2019-10-25 | 天津大学 | 基于蚁群算法的多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 |
CN111428334A (zh) * | 2020-01-17 | 2020-07-17 | 西北工业大学 | 激光雷达测量中机器人站位规划方法 |
CN112650242A (zh) * | 2020-12-22 | 2021-04-13 | 天津理工大学 | 一种基于混合算法的移动机器人路径规划方法 |
CN112925315A (zh) * | 2021-01-25 | 2021-06-08 | 河海大学 | 一种基于改进蚁群算法和a*算法的履带车路径规划方法 |
-
2021
- 2021-11-15 CN CN202111350906.2A patent/CN114047762A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559536A (zh) * | 2013-11-12 | 2014-02-05 | 杭州银江智慧城市技术集团有限公司 | 一种基于新概率转移函数的照明通信动态寻径蚁群算法 |
CN110375759A (zh) * | 2019-07-15 | 2019-10-25 | 天津大学 | 基于蚁群算法的多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 |
CN111428334A (zh) * | 2020-01-17 | 2020-07-17 | 西北工业大学 | 激光雷达测量中机器人站位规划方法 |
CN112650242A (zh) * | 2020-12-22 | 2021-04-13 | 天津理工大学 | 一种基于混合算法的移动机器人路径规划方法 |
CN112925315A (zh) * | 2021-01-25 | 2021-06-08 | 河海大学 | 一种基于改进蚁群算法和a*算法的履带车路径规划方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116625242A (zh) * | 2023-07-26 | 2023-08-22 | 青岛科技大学 | 光学三坐标测量机路径规划方法、系统、电子设备及介质 |
CN116625242B (zh) * | 2023-07-26 | 2023-10-03 | 青岛科技大学 | 光学三坐标测量机路径规划方法、系统、电子设备及介质 |
CN116707684A (zh) * | 2023-08-01 | 2023-09-05 | 中国人民解放军战略支援部队航天工程大学 | 一种基于无人机平台的三维频谱占用测量方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110927740B (zh) | 一种移动机器人定位方法 | |
Zhang et al. | 2D Lidar‐Based SLAM and Path Planning for Indoor Rescue Using Mobile Robots | |
CN109571466B (zh) | 一种基于快速随机搜索树的七自由度冗余机械臂动态避障路径规划方法 | |
CN110653805B (zh) | 笛卡尔空间下的七自由度冗余机械臂任务约束路径规划方法 | |
CN114047762A (zh) | 一种基于蚁群算法的激光雷达空间测量路径规划方法及系统 | |
CN110744543B (zh) | 基于ur3机械臂的改进式prm避障运动规划方法 | |
CN110930495A (zh) | 基于多无人机协作的icp点云地图融合方法、系统、装置及存储介质 | |
CN111546347A (zh) | 一种适用于动态环境下的机械臂路径规划方法 | |
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 | |
CN110187348A (zh) | 一种激光雷达定位的方法 | |
CN114147708B (zh) | 基于改进的天牛须搜索算法的机械臂避障路径规划方法 | |
CN113733088B (zh) | 一种基于双目视觉的机械臂运动学自标定方法 | |
CN113442140B (zh) | 一种基于Bezier寻优的笛卡尔空间避障规划方法 | |
Chen et al. | Path planning of the fruit tree pruning manipulator based on improved RRT-Connect algorithm | |
CN115167398A (zh) | 一种基于改进a星算法的无人船路径规划方法 | |
CN112857370A (zh) | 一种基于时序信息建模的机器人无地图导航方法 | |
CN113681559B (zh) | 一种基于标准圆柱的线激光扫描机器人手眼标定方法 | |
CN117705123B (zh) | 一种轨迹规划方法、装置、设备及存储介质 | |
Chen et al. | Optimizing the obstacle avoidance trajectory and positioning error of robotic manipulators using multigroup ant colony and quantum behaved particle swarm optimization algorithms | |
Zhang et al. | Optimal inspection path planning of substation robot in the complex substation environment | |
Zhuang et al. | Obstacle avoidance path planning for apple picking robotic arm incorporating artificial potential field and a* algorithm | |
CN116872212A (zh) | 一种基于A-Star算法和改进人工势场法的双机械臂避障规划方法 | |
CN116576868A (zh) | 一种多传感器融合精确定位及自主导航方法 | |
CN113043278B (zh) | 一种基于改进型鲸鱼搜索方法的机械臂轨迹规划方法 | |
CN113515112A (zh) | 机器人移动方法、装置、计算机设备和存储介质 |
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 |