CN114115283A - 基于改进的对向并行算法的机器人路径规划方法和系统 - Google Patents

基于改进的对向并行算法的机器人路径规划方法和系统 Download PDF

Info

Publication number
CN114115283A
CN114115283A CN202111456337.XA CN202111456337A CN114115283A CN 114115283 A CN114115283 A CN 114115283A CN 202111456337 A CN202111456337 A CN 202111456337A CN 114115283 A CN114115283 A CN 114115283A
Authority
CN
China
Prior art keywords
robot
grid
shortest path
path
initial position
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
CN202111456337.XA
Other languages
English (en)
Other versions
CN114115283B (zh
Inventor
唐卓
程欣威
曹嵘晖
纪军刚
尹旦
宋柏森
朱纯霞
赵环
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.)
Hunan University
Shenzhen Zhengtong Electronics Co Ltd
Original Assignee
Hunan University
Shenzhen Zhengtong Electronics Co Ltd
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 Hunan University, Shenzhen Zhengtong Electronics Co Ltd filed Critical Hunan University
Priority to CN202111456337.XA priority Critical patent/CN114115283B/zh
Publication of CN114115283A publication Critical patent/CN114115283A/zh
Application granted granted Critical
Publication of CN114115283B publication Critical patent/CN114115283B/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
    • G05D1/0231—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, 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
    • G05D1/0257—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
    • G05D1/0276—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, 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
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Numerical Control (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种加速算法与对向并行算法的机器人路径规划方法，其特征在于，包括：通过机器人的传感器获取机器人周围的环境数据，并使用栅格法对该环境数据进行处理，以得到栅格地图；选取割线将得到的栅格地图分割成相应的条带状的子图，通过并行化处理的方式得到的子图两端割线上的任意两个边界点之间的最短路径，同时从初始位置和目标位置沿着各个子图两端割线上的任意两个边界点之间的最短路径开始对向搜索，一旦搜索到同一割线上的边界点，则停止搜索，并且合并搜索得到的两个对向路径以得到最短路径，并使机器人从初始位置沿着该最短路径向目标位置运动。本发明能够解决现有串行最短路径加速算法的执行效率低的技术问题。

Description

基于改进的对向并行算法的机器人路径规划方法和系统
技术领域
本发明属于机器人路径规划技术领域，更具体地，涉及一种基于改进的对向并行算法的机器人路径规划方法和系统。
背景技术
路径规划算法一直是移动机器人在实际应用领域中的研究重点问题，路径规划是指在实际工作环境中，在连接起点和目标的众多无碰撞路径中，寻找一条满足实际目标的最优或次优的路径，最常见的优化目标例如最短长度、最小碰撞概率、通过特定地点等。
现有的主要路径规划的加速算法一般以路径最短长度为目标，主要分为遍历式加速算法和智能加速算法两类。常见的遍历式加速算法主要有dijkstra算法、Floyd-Warshall算法、SPFA算法等，一般来说遍历式加速算法以起始点为中心向外层层扩展，直到扩展到终点为止，需要通过遍历所有可行节点以找到最短路径，所以最终的结果是最优但是时间开销较大；常见的智能加速算法有A*算法、遗传算法、蚁群算法等各种加速算法，这类算法就是在从起始点向终点的扩展过程中，利用一定规则或者利用一些先验知识来评价选取的路径，从而进行有方向的扩展节点，所以最终的结果是不一定是最优但是换取了一定的时间开销。
然而，上述两类路径规划的加速算法都共同存在两个不可忽略的缺陷，第一，遍历式加速算法的执行效率低，虽然智能算法相较于遍历式加速算法有较大的改善，但依旧改变不了作为串行算法的本质，只能达到理论极值；第二，遍历式加速算法与智能加速算法对于动态环境适用性不好，两种路径规划算法都是依照静态环境作为前提条件，当出现障碍物可变或移动的多变环境下时，每次都需要从起始点到目标点重新规划路径，时间开销大。第三，遍历式加速算法与智能加速算法的单体局限性，遍历式加速算法可能更适合障碍物较多、可行的路径不多的情况，而智能加速算法适合障碍物少、可行路径较多的情况，但是当环境为部分区域障碍物多，部分区域障碍物少的情况，当单独使用任意一种加速算法可能都不能十分贴合实际环境。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于改进的对向并行算法的机器人路径规划方法和系统，其目的在于，解决现有遍历式加速算法的执行效率低的技术问题，以及现有遍历式加速算法与智能加速算法对于动态环境适用性不好，时间开销大的技术问题，以及现有遍历式加速算法与智能加速算法在环境为部分区域障碍物多、部分区域障碍物少时，并不适用的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种加速算法与对向并行算法的机器人路径规划方法，包括以下步骤：
(1)通过机器人的传感器获取机器人周围的环境数据，并使用栅格法对该环境数据进行处理，以得到栅格地图；
(2)选取割线将步骤(1)得到的栅格地图分割成相应的条带状的子图，通过并行化处理的方式得到的子图两端割线上的任意两个边界点之间的最短路径。
(3)同时从初始位置和目标位置沿着步骤(2)确定的各个子图两端割线上的任意两个边界点之间的最短路径开始对向搜索，一旦搜索到同一割线上的边界点，则停止搜索，并且合并搜索得到的两个对向路径以得到最短路径，并使机器人从初始位置沿着该最短路径向目标位置运动。
优选地，步骤(1)具体包括以下步骤：
(1-1)通过机器人的传感器获取机器人周围的环境数据，并使用获取的环境数据构建对应的环境平面图。
(1-2)将步骤(1-1)得到的环境平面图划分成多个网格单元。
(1-3)对步骤(1-2)得到的所有网格单元进行标记，从而得到栅格地图。其中如果一个网格单元内没有障碍物，则将该网格单元标记为自由栅格；如果一个网格单元内存在障碍物，则将该网格单元标记为障碍栅格。
优选地，环境数据包括周围障碍物与机器人的距离、障碍物大小、GPS数据等。
优选地，步骤(2)包括以下子步骤：
(2-1)将步骤(1)得到的栅格地图，以机器人所在位置和目标位置的连线方向为轴，选取多条与该轴垂直的割线，将整个栅格地图分成若干个子图，其中被割线所分割的自由栅格称为边界点。
(2-2)针对步骤(2-1)得到的每个子图而言，选定该子图两端割线所分割的任意两个边界点，并行化地利用最短路径求解加速算法获得该子图两端割线上的任意两个边界点之间的最短路径。
优选地，步骤(2-1)中割线的选取参照以下原则：首先，划分子图时，使得每个子图中单元格个数相对一致，使得并行效率理论上最高；其次，划分子图时，尽量使得割线上的自由栅格数量尽量少，减少后续步骤的归并搜索最短路径的开销；最后，在划分子图时，可以为了满足处理动态的复杂环境，将障碍物经常出现移动，需要动态规划路程的区域划分在一个区域，方便动态规划路径。
优选地，步骤(3)中，机器人初始位置为v0，目标位置为vn，共有k条割线将原始的栅格地图分割为k+1个子图，从初始位置向目标位置方向，依次标记为第1，2,…k条割线，其中第k条割线上的边界点为vk1,vk2,...,vkm，vki和vkj两个边界点的最短的路径长度表示为cost{vki,vkj}，相应的最短的路径为e{vki-＞vkj}，m表示第k条割线上边界点的总数。
优选地，步骤(3)包括以下子步骤：
(3-1)设置计数器j＝k/2，用于表示停止搜索时搜索到的割线的序号。
(3-2)判断是从目标位置出发搜索，还是从初始位置出发，如果是从初始位置出发，则进入步骤(3-3)，否则进入步骤(3-7)。
(3-3)设置计数器i＝1，用于表示搜索过的割线数量；
(3-4)判断i是否等于j(即判断从初始位置是否搜索到第j条割线)，如果是则转入步骤(3-11)，否则转入步骤(3-5)；
(3-5)获取第i条割线上的每个边界点到初始位置的最短距离，即cost{v0,vix}＝min{cost{v0,v(i-1)y}+cost{v(i-1)y,viy}}，其中(x,y∈[1,m])；
(3-6)设置计数器i＝i+1，并返回步骤(3-4)；
(3-7)设置计数器i＝k；
(3-8)判断i是否等于j(即判断从目标位置是否搜索到第j条割线时)，如果是则转入(3-11)，否则返回步骤(3-5)；
(3-9)获取得到第i条割线上的每个边界点到目标位置的最短距离，即cost{vn,vix}＝min{cost{vi,v(i+1)y}+cost{v(i+1)y,viy}}，其中(x,y∈[1,m])；
(3-10)设置计数器i＝i-1，并返回步骤(3-7)；
(3-11)将第j条割线上的每个边界点到初始位置的路径与该边界点到目标位置的路径进行合并，从而得到多个最短路径，从这些最短路径中获取最小值，即cost{v0,vn}＝min{cost{v0,vky}+cost{vky,vn}}，并使机器人从初始位置沿着该最小值所在的最短路径向目标位置运动。
按照本发明的另一方面，提供了一种加速算法与对向并行算法的机器人路径规划系统，包括：
第一模块，用于通过机器人的传感器获取机器人周围的环境数据，并使用栅格法对该环境数据进行处理，以得到栅格地图；
第二模块，用于选取割线将第一模块得到的栅格地图分割成相应的条带状的子图，通过并行化处理的方式得到的子图两端割线上的任意两个边界点之间的最短路径。
第三模块，用于同时从初始位置和目标位置沿着第二模块确定的各个子图两端割线上的任意两个边界点之间的最短路径开始对向搜索，一旦搜索到同一割线上的边界点，则停止搜索，并且合并搜索得到的两个对向路径以得到最短路径，并使机器人从初始位置沿着该最短路径向目标位置运动。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明由于采用了步骤(2)和步骤(3)，利用数据分割的方法，一方面将完整的串行的最短路径的算法转化为计算每个分割的子图中两端任意两个边界点之间的最短路径，另一方面在得到每个分割的子图中两端任意两个边界点之间的最短路径后，同时从起始位置和目标位置两端同时并行对向算法搜索最短路径，从两个方面将串行路径规划方法并行化，相较智能算法的执行效率进一步提高，因此能够解决了遍历式加速算法的执行效率低的问题；
2、本发明由于采用了步骤(2-1)的数据分割过程，将一个完整的路径规划问题划分为了多个路径规划的子问题，当遇到部分环境动态多变时，可以将该动态环境划分进入同一个子图，当环境改变时，只需要重新规划该子图区域的路径，减少重新规划路径的开销，从而解决遍历式加速算法与智能加速算法对于动态环境适用性不好的问题；
3、本发明由于采用了步骤(2)，将一个完整的路径规划问题划分为了多个路径规划的子问题，所以可以结合遍历式算法和智能算法，在不同的子问题中使用不同的算法，增加算法的适用性，从而解决遍历式加速算法与智能加速算法的单体局限性；
4、本发明由于采用了步骤(2-1)，在数据分割时，提出了合适的分割方法，将并行化进程的各个计算量做了平衡，使得并行的效率能达到最高。
附图说明
图1是本发明基于改进的对向并行算法的机器人路径规划方法的流程示意图；
图2是本发明基于改进的对向并行算法的机器人路径规划方法的细化流程示意图；
图3是本发明步骤(2-1)中将栅格地图分成若干个子图的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的基本思路在于，提供一种高效的机器人路径规划系统。使得机器人能够在获取周围环境信息后，利用栅格法处理为栅格地图，通过划分出若干个栅格子图的方式，并行处理多个子图的加速算法的方式，得到子图两端割线上的任意两个边界点之间的最短路径，再利用分别从起始位置和目标位置对向并行搜索最短路径，当搜索到同一条割线时，比较该割线的通过各个边界点的最短路径，最终得到起始位置到目标位置的最短路径。由于通过数据分割的并行化处理，相较于串行搜索遍历最短路径，极大提高了运行效率，并由于通过子图划分的方式，对于复杂多变区域的适应度更好。
如图1和图2所示，本发明提供了一种加速算法与对向并行算法的机器人路径规划方法，包括以下步骤：
(1)通过机器人的传感器获取机器人周围的环境数据，并使用栅格法对该环境数据进行处理，以得到栅格地图；
本步骤具体包括以下步骤：
(1-1)通过机器人的传感器获取机器人周围的环境数据，并使用获取的环境数据构建对应的环境平面图。
具体而言，传感器可以是红外线传感器、雷达传感器、GPS传感器等；环境数据包括周围障碍物与机器人的距离、障碍物大小、GPS数据等。
(1-2)将步骤(1-1)得到的环境平面图划分成多个网格单元。
具体而言，网格单元的划分需要考虑到机器人的尺寸问题，为了保险起见，以机器人的俯视图中，长和宽中长的一段作为网格单元(正方形)的边长。
(1-3)对步骤(1-2)得到的所有网格单元进行标记，从而得到栅格地图。其中如果一个网格单元内没有障碍物，则将该网格单元标记为自由栅格；如果一个网格单元内存在障碍物，则将该网格单元标记为障碍栅格。
具体而言，障碍物需要充分考虑到例如机器人的高度，地面的平整程度等影响机器人平衡性的因素。
(2)选取割线将步骤(1)得到的栅格地图分割成相应的条带状的子图，通过并行化处理的方式得到的子图两端割线上的任意两个边界点之间的最短路径。
本步骤包括以下子步骤：
(2-1)将步骤(1)得到的栅格地图，以机器人所在位置和目标位置的连线方向为轴，选取多条与该轴垂直的割线，将整个栅格地图分成若干个子图，其中被割线所分割的自由栅格称为边界点。
具体而言，割线应与割线垂直。而割线的选取参照以下原则：首先，划分子图时，使得每个子图中单元格个数相对一致，使得并行效率理论上最高；其次，划分子图时，尽量使得割线上的自由栅格数量尽量少，减少后续步骤的归并搜索最短路径的开销。最后，在划分子图时，可以为了满足处理动态的复杂环境，将障碍物经常出现移动，需要动态规划路程的区域划分在一个区域，方便动态规划路径。三个原则应该适当取舍，如图3所示，该机器人的所在位置的机器人的初始位置为X，目标位置为Y，以XY连线为轴。根据选取原则的统筹规划，最终选择了两条割线L1和L2。考察L1的选择原因，相较于割线L3，虽然选择L3割线最终子图的单元个数的相较于L1更平均，但是L3割线上的自由栅格有5个，远大于L1的2个；其次，对于割线L4，其上的自由栅格个数也只有2个，但是最终子图的单元个数的平均程度远不如割线L1，所以最终选择了割线L1。
本子步骤的优点在于，将一个完整的大问题利用数据分割的方式拆分为多个小问题，解决了串行路径规划算法的效率限制问题，并且通过合适的方法努力地提升并行化处理的效率。
(2-2)针对步骤(2-1)得到的每个子图而言，选定该子图两端割线所分割的任意两个边界点，并行化地利用最短路径求解加速算法获得该子图两端割线上的任意两个边界点之间的最短路径。
具体而言，常见的最短路径求解加速算法有dijkstra算法，Floyd-Warshall算法、SPFA算法、Bellman-Ford算法、启发式算法、遗传算法、蚁群算法等其中的一种或多种的任意组合；
本子步骤的优点在于，分割后的子图可以使用不同的路径加速算法，提升路径规划的速度和准确度，解决了单体加速算法的局限性。
(3)同时从初始位置和目标位置沿着步骤(2)确定的各个子图两端割线上的任意两个边界点之间的最短路径开始对向搜索，一旦搜索到同一割线上的边界点，则停止搜索，并且合并搜索得到的两个对向路径以得到最短路径，并使机器人从初始位置沿着该最短路径向目标位置运动。
具体的，首先将(2)的结果形式化：设机器人初始位置为v0，目标位置为vn，共有k条割线将原始的栅格地图分割为k+1个子图，从初始位置向目标位置方向，依次标记为第1，2,…k条割线，其中第k条割线上的边界点为vk1,vk2,...,vkm，vki和vkj两个边界点的最短的路径长度表示为cost{vki,vkj}，相应的最短的路径为e{vki-＞vkj}，m表示第k条割线上边界点的总数。
步骤(3)包括以下子步骤：
(3-1)设置计数器j＝k/2，用于表示停止搜索时搜索到的那条割线的序号，即第j条割线。
(3-2)判断是从目标位置出发搜索，还是从初始位置出发，如果是从初始位置出发，则进入步骤(3-3)，否则进入步骤(3-7)。
(3-3)设置计数器i＝1，用于表示搜索过的割线数量；
(3-4)判断i是否等于j(即判断从初始位置是否搜索到第j条割线)，如果是则转入步骤(3-11)，否则转入步骤(3-5)；
(3-5)获取第i条割线上的每个边界点到初始位置的最短距离，即cost{v0,vix}＝min{cost{v0,v(i-1)y}+cost{v(i-1)y,viy}}，其中(x,y∈[1,m])；
(3-6)设置计数器i＝i+1，并返回步骤(3-4)；
(3-7)设置计数器i＝k；
(3-8)判断i是否等于j(即判断从目标位置是否搜索到第j条割线时)，如果是则转入(3-11)，否则返回步骤(3-5)；
(3-9)获取得到第i条割线上的每个边界点到目标位置的最短距离，即cost{vn,vix}＝min{cost{vi,v(i+1)y}+cost{v(i+1)y,viy}}，其中(x,y∈[1,m])；
(3-10)设置计数器i＝i-1，并返回步骤(3-7)；
(3-11)将第j条割线上的每个边界点到初始位置的路径与该边界点到目标位置的路径进行合并，从而得到多个最短路径，从这些最短路径中获取最小值，即cost{v0,vn}＝min{cost{v0,vky}+cost{vky,vn}}，并使机器人从初始位置沿着该最小值所在的最短路径向目标位置运动。
上述步骤(3-1)到(3-11)的优点在于，其从起始位置和目标位置两端同时并行对向算法搜索最短路径，相对于从起始位置单向搜索最短路经时间效率能极大提升。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种加速算法与对向并行算法的机器人路径规划方法，其特征在于，包括以下步骤：
(1)通过机器人的传感器获取机器人周围的环境数据，并使用栅格法对该环境数据进行处理，以得到栅格地图；
(2)选取割线将步骤(1)得到的栅格地图分割成相应的条带状的子图，通过并行化处理的方式得到的子图两端割线上的任意两个边界点之间的最短路径。
(3)同时从初始位置和目标位置沿着步骤(2)确定的各个子图两端割线上的任意两个边界点之间的最短路径开始对向搜索，一旦搜索到同一割线上的边界点，则停止搜索，并且合并搜索得到的两个对向路径以得到最短路径，并使机器人从初始位置沿着该最短路径向目标位置运动。
2.根据权利要求1所述的加速算法与对向并行算法的机器人路径规划方法，其特征在于，步骤(1)具体包括以下步骤：
(1-1)通过机器人的传感器获取机器人周围的环境数据，并使用获取的环境数据构建对应的环境平面图。
(1-2)将步骤(1-1)得到的环境平面图划分成多个网格单元。
(1-3)对步骤(1-2)得到的所有网格单元进行标记，从而得到栅格地图。其中如果一个网格单元内没有障碍物，则将该网格单元标记为自由栅格；如果一个网格单元内存在障碍物，则将该网格单元标记为障碍栅格。
3.根据权利要求1或2所述的加速算法与对向并行算法的机器人路径规划方法，其特征在于，环境数据包括周围障碍物与机器人的距离、障碍物大小、GPS数据等。
4.根据权利要求1至3中任意一项所述的加速算法与对向并行算法的机器人路径规划方法，其特征在于，步骤(2)包括以下子步骤：
(2-1)将步骤(1)得到的栅格地图，以机器人所在位置和目标位置的连线方向为轴，选取多条与该轴垂直的割线，将整个栅格地图分成若干个子图，其中被割线所分割的自由栅格称为边界点。
(2-2)针对步骤(2-1)得到的每个子图而言，选定该子图两端割线所分割的任意两个边界点，并行化地利用最短路径求解加速算法获得该子图两端割线上的任意两个边界点之间的最短路径。
5.根据权利要求4所述的加速算法与对向并行算法的机器人路径规划方法，其特征在于，步骤(2-1)中割线的选取参照以下原则：首先，划分子图时，使得每个子图中单元格个数相对一致，使得并行效率理论上最高；其次，划分子图时，尽量使得割线上的自由栅格数量尽量少，减少后续步骤的归并搜索最短路径的开销；最后，在划分子图时，可以为了满足处理动态的复杂环境，将障碍物经常出现移动，需要动态规划路程的区域划分在一个区域，方便动态规划路径。
6.根据权利要求1所述的加速算法与对向并行算法的机器人路径规划方法，其特征在于，步骤(3)中，机器人初始位置为v0，目标位置为vn，共有k条割线将原始的栅格地图分割为k+1个子图，从初始位置向目标位置方向，依次标记为第1，2,…k条割线，其中第k条割线上的边界点为vk1,vk2,...,vkm，vki和vkj两个边界点的最短的路径长度表示为cost{vki,vkj}，相应的最短的路径为e{vki-＞vkj}，m表示第k条割线上边界点的总数。
7.根据权利要求6所述的加速算法与对向并行算法的机器人路径规划方法，其特征在于，步骤(3)包括以下子步骤：
(3-1)设置计数器j＝k/2，用于表示停止搜索时搜索到的割线的序号。
(3-2)判断是从目标位置出发搜索，还是从初始位置出发，如果是从初始位置出发，则进入步骤(3-3)，否则进入步骤(3-7)。
(3-3)设置计数器i＝1，用于表示搜索过的割线数量；
(3-4)判断i是否等于j(即判断从初始位置是否搜索到第j条割线)，如果是则转入步骤(3-11)，否则转入步骤(3-5)；
(3-5)获取第i条割线上的每个边界点到初始位置的最短距离，即cost{v0,vix}＝min{cost{v0,v(i-1)y}+cost{v(i-1)y,viy}}，其中(x,y∈[1,m])；
(3-6)设置计数器i＝i+1，并返回步骤(3-4)；
(3-7)设置计数器i＝k；
(3-8)判断i是否等于j(即判断从目标位置是否搜索到第j条割线时)，如果是则转入(3-11)，否则返回步骤(3-5)；
(3-9)获取得到第i条割线上的每个边界点到目标位置的最短距离，即cost{vn,vix}＝min{cost{vi,v(i+1)y}+cost{v(i+1)y,viy}}，其中(x,y∈[1,m])；
(3-10)设置计数器i＝i-1，并返回步骤(3-7)；
(3-11)将第j条割线上的每个边界点到初始位置的路径与该边界点到目标位置的路径进行合并，从而得到多个最短路径，从这些最短路径中获取最小值，即cost{v0,vn}＝min{cost{v0,vky}+cost{vky,vn}}，并使机器人从初始位置沿着该最小值所在的最短路径向目标位置运动。
8.一种加速算法与对向并行算法的机器人路径规划系统，其特征在于，包括：
第一模块，用于通过机器人的传感器获取机器人周围的环境数据，并使用栅格法对该环境数据进行处理，以得到栅格地图；
第二模块，用于选取割线将第一模块得到的栅格地图分割成相应的条带状的子图，通过并行化处理的方式得到的子图两端割线上的任意两个边界点之间的最短路径。
第三模块，用于同时从初始位置和目标位置沿着第二模块确定的各个子图两端割线上的任意两个边界点之间的最短路径开始对向搜索，一旦搜索到同一割线上的边界点，则停止搜索，并且合并搜索得到的两个对向路径以得到最短路径，并使机器人从初始位置沿着该最短路径向目标位置运动。
CN202111456337.XA 2021-12-02 2021-12-02 基于改进的对向并行算法的机器人路径规划方法和系统 Active CN114115283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111456337.XA CN114115283B (zh) 2021-12-02 2021-12-02 基于改进的对向并行算法的机器人路径规划方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111456337.XA CN114115283B (zh) 2021-12-02 2021-12-02 基于改进的对向并行算法的机器人路径规划方法和系统

Publications (2)

Publication Number Publication Date
CN114115283A true CN114115283A (zh) 2022-03-01
CN114115283B CN114115283B (zh) 2023-09-19

Family

ID=80369837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111456337.XA Active CN114115283B (zh) 2021-12-02 2021-12-02 基于改进的对向并行算法的机器人路径规划方法和系统

Country Status (1)

Country Link
CN (1) CN114115283B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118067122A (zh) * 2023-12-13 2024-05-24 北京国知智通科技有限公司 一种机器人搬运的最短时间规划方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120091937A (ko) * 2011-02-10 2012-08-20 고려대학교 산학협력단 시맨틱 격자 지도 생성 방법 및 시맨틱 격자 지도를 활용한 시맨틱 격자 지도 기반 탐사 방법
CN104615138A (zh) * 2015-01-14 2015-05-13 上海物景智能科技有限公司 一种划分移动机器人室内区域动态覆盖方法及其装置
US20160210864A1 (en) * 2015-01-16 2016-07-21 Fuji Jukogyo Kabushiki Kaisha Route point setting device and route point setting program
CN109557912A (zh) * 2018-10-11 2019-04-02 同济大学 一种自动驾驶特种作业车辆的决策规划方法
CN109557928A (zh) * 2019-01-17 2019-04-02 湖北亿咖通科技有限公司 基于矢量地图和栅格地图的自动驾驶车辆路径规划方法
CN109571482A (zh) * 2019-01-02 2019-04-05 京东方科技集团股份有限公司 清扫机器人路径规划方法及相关系统、可读存储介质
CN111176286A (zh) * 2020-01-06 2020-05-19 重庆邮电大学 一种基于改进D*lite算法的移动机器人路径规划方法及系统
CN112214560A (zh) * 2019-07-09 2021-01-12 苏州科瓴精密机械科技有限公司 栅格地图的更新方法及更新系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120091937A (ko) * 2011-02-10 2012-08-20 고려대학교 산학협력단 시맨틱 격자 지도 생성 방법 및 시맨틱 격자 지도를 활용한 시맨틱 격자 지도 기반 탐사 방법
CN104615138A (zh) * 2015-01-14 2015-05-13 上海物景智能科技有限公司 一种划分移动机器人室内区域动态覆盖方法及其装置
US20160210864A1 (en) * 2015-01-16 2016-07-21 Fuji Jukogyo Kabushiki Kaisha Route point setting device and route point setting program
CN109557912A (zh) * 2018-10-11 2019-04-02 同济大学 一种自动驾驶特种作业车辆的决策规划方法
CN109571482A (zh) * 2019-01-02 2019-04-05 京东方科技集团股份有限公司 清扫机器人路径规划方法及相关系统、可读存储介质
WO2020140682A1 (zh) * 2019-01-02 2020-07-09 京东方科技集团股份有限公司 与机器人服务有关的方法及相关系统、可读存储介质
CN109557928A (zh) * 2019-01-17 2019-04-02 湖北亿咖通科技有限公司 基于矢量地图和栅格地图的自动驾驶车辆路径规划方法
CN112214560A (zh) * 2019-07-09 2021-01-12 苏州科瓴精密机械科技有限公司 栅格地图的更新方法及更新系统
CN111176286A (zh) * 2020-01-06 2020-05-19 重庆邮电大学 一种基于改进D*lite算法的移动机器人路径规划方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王徽: "室内环境下移动机器人地图构建与路径规划技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 140 - 400 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118067122A (zh) * 2023-12-13 2024-05-24 北京国知智通科技有限公司 一种机器人搬运的最短时间规划方法和系统

Also Published As

Publication number Publication date
CN114115283B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN109115226B (zh) 基于跳点搜索的多机器人冲突避免的路径规划方法
Zhu et al. DSVP: Dual-stage viewpoint planner for rapid exploration by dynamic expansion
Wang et al. Path planning of automated guided vehicles based on improved A-Star algorithm
CN111532641B (zh) 仓储分拣中自动引导车的并行路径规划方法
CN106643783B (zh) 基于最短路径泰森多边形的电动汽车充电站搜索方法
CN111007862B (zh) 一种多agv协同工作的路径规划方法
CN110006429A (zh) 一种基于深度优化的无人船航迹规划方法
CN105635962A (zh) 自动wlan射电图构建方法和系统
CN113671985A (zh) 一种分阶段多基地无人机任务分配和航迹规划方法
CN113131985B (zh) 一种基于信息年龄最优路径规划的多无人机数据收集方法
CN112229419B (zh) 一种动态路径规划导航方法及系统
CN112197778A (zh) 基于改进a*算法的轮式机场巡界机器人路径规划方法
CN109271467B (zh) 一种方向感知的路网移动对象k近邻查询方法
CN110515094A (zh) 基于改进rrt*的机器人点云地图路径规划方法及系统
CN101900565A (zh) 路径确定方法和装置
CN107917716B (zh) 固定线路导航方法、装置、终端及计算机可读存储介质
CN105740964A (zh) 一种城市路网数据组织与最短路径快速计算方法
CN109269518A (zh) 一种基于智能体的可移动装置有限空间路径生成方法
CN113449910B (zh) 一种基于顺序存储二叉树的航线自动生成方法
CN113703452A (zh) 一种用于大型仓储环境的agv路径规划方法
CN114690787B (zh) 一种多移动机器人路径规划方法、系统、计算机设备及存储介质
CN108536704A (zh) 一种轨迹查询方法、系统及装置
CN114740898B (zh) 一种基于自由空间与a*算法的三维航迹规划方法
CN114115283A (zh) 基于改进的对向并行算法的机器人路径规划方法和系统
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

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