CN114281084A - 一种基于改进a*算法的智能车全局路径规划方法 - Google Patents
一种基于改进a*算法的智能车全局路径规划方法 Download PDFInfo
- Publication number
- CN114281084A CN114281084A CN202111624901.4A CN202111624901A CN114281084A CN 114281084 A CN114281084 A CN 114281084A CN 202111624901 A CN202111624901 A CN 202111624901A CN 114281084 A CN114281084 A CN 114281084A
- Authority
- CN
- China
- Prior art keywords
- path
- algorithm
- node
- improved
- road
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于改进A*算法的智能车全局路径规划方法,包括:载入预定义的栅格地图,提取所述栅格地图中的关键点,所述关键点包括道路转向节点、道路死角节点;通过目标车辆当前所处位置和所述栅格地图,确定目标点位置,在所述目标点导向机制下结合改进的A*算法进行路径拓展,生成初始路径;对生成的所述初始路径中的转向节点处进行路径平滑操作,输出最终路径信息。本发明方法相比传统算法具有更高的搜索效率,所规划路径的物理性能也优于传统路径,更能够适应于封闭园区环境下智能车的行驶需求。
Description
技术领域
本发明涉及智能网联汽车技术领域,特别是涉及一种基于改进A*算法的智能车全局路径规划方法。
背景技术
现代生活中,汽车发挥着举足轻重的作用,但与此同时,汽车也造成了诸多的社会问题。人类多样化的驾驶方式,既导致了能源的低效应用,也导致了极高的事故率,车祸早已成为了现代社会中人类生命财产的巨大威胁,但人类对于车辆的高依赖性导致人类无法脱离汽车。因此,无人驾驶技术应运而生。智能汽车相比人类更遵守规则,更理解汽车,因此其不仅能够实现高效的驾驶,同时也能最大化避免交通事故的发生。作为智能汽车的核心部分,路径规划系统在其中所发挥的作用是不可忽视的。
根据对外界环境的认知程度可以将路径规划划分为全局路径规划和局部路径规划。其中,全局路径规划是在先验地图信息的基础上对全局路径进行规划,目前常用的全局路径规划算法有A*算法、RRT算法、神经网络算法、遗传算法等。A*算法因其环境建模简单,规划路径效率高而被广泛应用。如中国专利申请号为201910494421.7的专利中提出了一种基于A*算法的自动驾驶无人车双向动态路径规划算法,该方法在传统A*算法的基础上,改进了双向搜索规则,有效地缩短了算法的规划时长,但是该算法所规划的路径仍存在转折点较多、生成路径紧贴障碍物边缘和生成路径曲率不连续等缺陷,同时该方法的规划时长随着栅格地图规模的增加也将呈现指数化增长趋势,因此在实际应用中仍存在壁垒。又如中国专利申请号为202110024447.2的专利中提出了一种基于改进A*算法和贝塞尔曲线的全局路径规划方法,该方法将传统A*算法中的四邻域或八邻域调整为24邻域,进一步增加了A*算法规划出的道路可行驶角度范围,同时使用动态调节因子对A*算法规划过程进行调节,在对生成的路径进行冗余点去除后,采用贝塞尔曲线对路径进行平滑处理,该方法相比传统A*算法,生成的路径更加平滑,路径规划效率也得到了进一步的提升。但由该方法规划的路径仍然存在转折点过多且与障碍物距离较近的缺陷,同时因为该方法扩大了A*算法在搜索过程中的扩展节点数量,这也将会导致算法规模的进一步增加,随着栅格地图规模的增大,规划时长将呈现指数化增长趋势。
传统A*算法在进行规划时,其主要依据对扩展节点代价函数的选择增量式提取最优节点,在计算扩展节点代价时,传统的A*算法仅考虑了实际走过的距离和扩展节点至目标节点的估算距离,此代价函数可以使A*算法以最快的速度趋近取目标节点,同时也可保证A*算法走过的路径最短。但是由于算法的目标趋向性,也会导致算法在寻路过程中趋近障碍物边界,在道路岔口的选择环节中,也会导致频繁转向现象的发生,同时经由A*算法规划的路径曲率不连续,无法直接提供给智能汽车控制系统所使用。由此可见,目前的A*算法在应用中仍然存在诸多缺陷,这些缺陷也成为了限制智能汽车快速发展的根本原因所在。
发明内容
针对现有技术中算法所存在的缺陷,本发明提供一种基于改进A*算法的智能车全局路径规划方法。
为实现上述目的,本发明提供了如下方案:
一种基于改进A*算法的智能车全局路径规划方法,包括:
载入预定义的栅格地图,提取所述栅格地图中的关键点,所述关键点包括道路转向节点、道路死角节点;
通过目标车辆当前所处位置和所述栅格地图,确定目标点位置,在所述目标点导向机制下结合改进的A*算法进行路径拓展,生成初始路径;
对生成的所述初始路径中的转向节点处进行路径平滑操作,输出最终路径信息。
优选地,所述栅格地图分辨率为1m,栅格地图尺寸为a*b,其中a、b分别表示栅格地图中每行、每列的栅格的个数,其中,每个栅格表示一种区域,包括可行区域和不可行区域。
优选地,载入所述栅格地图后,对所述栅格地图进行检测,所述检测过程包括对所述道路转向节点和所述道路死角节点进行筛选,同时提取道路边界邻近区域并保存到相应的数据列表中。
优选地,所述初始路径的规划过程包括:
确定所述目标车辆当前位置与用户指定位置向量关系,得到目标向量,并判断沿所述目标向量方向是否存在可行道路转向节点,若存在,则选择满足目标向量约束的转向节点;若不存在,则选择其他可行节点进行路径规划;其中,所述目标车辆仅在以当前栅格节点与所选择的所述满足目标向量约束的转向节点两点之间距离及前后各延伸1/2栅格总长为长,道路边界宽度为宽的矩形区域内进行路径规划。
优选地,判断当前所述路径规划区域内是否存在障碍物,若存在,则判断障碍物类型,调用改进A*算法在当前区域内生成可行路径,行驶至所述满足目标向量约束的转向节点,若无障碍物,则将所述目标车辆直接从当前节点移动至所述满足目标向量约束的转向节点。
优选地,所述判断障碍物类型的过程包括:
首先根据不同障碍物移动概率和形状尺寸进行分类,构建不同类型的碰撞场模型,所述障碍物包括三种,分别为:道路边界、移动概率高但形状尺寸较小的障碍物和移动概率高但形状尺寸较大的障碍物,其中道路边界选用固定距离碰撞场模型,针对另外两类障碍物类型,则根据发生紧急制动转向情况时所需的最小安全距离构建相应的碰撞场模型;其中,沿道路宽度方向投影长度l,1m<l<2m的物体,即为形状尺寸较大的障碍物;沿道路宽度方向投影长度l,0m<l<1m的物体,即为形状尺寸较小的障碍物。
优选地,所述安全距离计算公式如下:
其中,ds是不同类型障碍物的安全距离,k是不同类型障碍物安全距离计算公式权重,v是车辆当前行驶速度,μ是车辆当前所在路面的附着系数,g是重力加速度,取10m/s2,da表示单位距离,此处取值为1m。
优选地,所述改进的A*算法函数包括:
f(n)=g(n)+k1*h(n)+k2*o(n) (2)
其中,f(n)是扩展节点的代价值,g(n)是扩展节点与起始节点的实际距离,h(n)是扩展节点距离目标节点的估计距离,采用Manhattan函数进行计算,o(n)是不同障碍物的碰撞场距离代价,k1、k2为不同代价函数的权重。
优选地,生成所述初始路径后,提取初始路径中所包含的转向节点,并在所述转向节点处前后各拓展两个节点,应用三次准均匀B样条曲线对路径进行平滑处理,用于进一步提升路径可行性,输出最终路径信息。
本发明的有益效果为:
(1)本发明通过限定搜索区域的大小和进入改进A*算法搜索的次数,进一步提升搜索效率,当地图规模急剧增大时,本发明方法的性能将得到更明显的体现;
(2)本发明的改进A*算法通过引入转向限制规则,保证在可行条件下使得车辆尽量保持直行,更加适应复杂多变的驾驶场景,同时改进A*算法引入了基于制动转向所需的安全距离的碰撞场模型,使得车辆始终能够与障碍物保持一定距离,进一步提升了算法的可靠性和安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的方法流程图;
图2(a)为本发明实施例中所应用的在意向路径方向上无死角节点的栅格地图,图2(b)为本发明实施例中所应用的在意向路径方向上包含死角节点的栅格地图;
图3(a)为本发明实施例中当前车辆搜索域示意图,图3(b)为本发明实施例中当前车辆搜索域示意图;
图4为本发明实施例中在可行路径中存在障碍物情形下,沿当前方向直行可能发生碰撞现象示意图;
图5为本发明实施例在搜索区域存在障碍物时所规划出的路径示意图;
图6为本发明实施例中改进A*算法的流程图;
图7为本发明实施例的最终所生成的平滑路径(包含死角节点)示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本实施例的一种基于关键点信息的改进A*算法的智能车全局路径规划方法,主要通过应用地图预览模块获取地图关键信息,在关键点信息和目标向量引导机制下,依据当前节点选择当前搜索域。在当前搜索域中,依据障碍物存在情况判断是否开启A*增量式搜索,以此类推,直至到达目标位置。
本实施例的一种基于关键点信息的改进A*算法的智能车全局路径规划方法,其主要包括如下步骤:
步骤S1:初始化,将原始栅格地图由上层建图系统加载至本发明所应用的规划系统中,确认当前车辆所处位置S,同时接收用户输入指令并确定目标位置G。
原始栅格地图由用户自定义生成,栅格地图分辨率为1m,栅格地图尺寸为a*b,其中a、b分别表示栅格地图中每行、每列的栅格的个数,本实施例中a=b=50。每个栅格有且仅有一种状态,可行或不可行,白色表示可行区域,黑色表示不可行区域,所有不可行区域所在位置坐标均置于obstacle列表中。车辆首先确定车辆当前在栅格地图中所处的位置,同时接收用户下发的目标位置指令,并将当前位置信息和目标位置信息发送至路径规划模块,供规划模块应用。如图2(a)所示,即为本实施例中所应用的意向路径方向上无死角节点的原始栅格地图,如图2(b)所示,即为本实施例中所应用的意向路径上包含死角节点的原始栅格地图。其中*节点表示死角节点,六角形节点表示转向节点。
步骤S2:由地图预览模块对原始地图进行检测,提取地图中的转向节点、死角节点和道路边界临近区域。
在步骤S2中地图预览模块也将对道路边界临近区域进行提取,并将其置入相应的数据列表中。
步骤S3:确定车辆当前位置与用户指定目标位置向量关系,并判断沿向量方向是否存在可行转向节点,若存在,则优先选择满足向量约束的转向节点N;若不存在,则选择其他可行节点N。
关键点主要包括转向节点和死角节点,车辆在目标向量指导下会优先选择满足目标向量约束的节点,但如果满足目标向量约束的节点为死角节点,则不会被选择,在没有满足目标向量约束节点或满足目标向量约束的节点为死角节点的条件下,车辆会选择其他可行节点。由图2(a)可知在目标向量约束下的意向路径中并不存在死角节点,由图2(b)在目标向量约束下的意向路径存在死角节点。因此在图2(a)的情形下,算法将会优先选择地图中左上方的关键转向节点,从而使得规划路径更快到达目标点位置。而在图2(b)中,因为存在死角节点,所以算法将会选择其他可行节点。
步骤S4:以车辆当前位置为起点,节点N为中间目标节点,确定以两点之间距离及前后各延伸1/2栅格总长为长,当前节点所在道路边界宽度为宽的矩形区域作为路径规划区域;如图3(a)及图3(b)所示,当车辆位于起始点时,此时矩形框显示区域即为车辆当前搜索域。
步骤S5:判断当前规划区域内是否存在障碍物,若有,判断障碍物类型,调用改进A*算法在当前区域内生成可行路径,行驶至节点N处,反之则不需要调用A*算法,直接将车辆从当前节点移动至N点即可。
所述判断障碍物类型的过程包括:
首先根据不同障碍物移动概率和形状尺寸进行分类,构建不同类型的碰撞场模型,所述障碍物包括三种,分别为:道路边界、移动概率高但形状尺寸较小的障碍物和移动概率高但形状尺寸较大的障碍物,其中道路边界选用固定距离碰撞场模型,针对另外两类障碍物类型,则根据发生紧急制动转向情况时所需的最小安全距离构建相应的碰撞场模型。
其中,对于不同类型障碍无的定义如下:
沿道路宽度方向投影长度1m<l<2m的物体,即为形状尺寸较大的障碍物,如道路侧方的静止车辆等,其移动概率较低,一般不会发生突然运动;
沿道路宽度方向投影长度0m<l<1m的物体,即为形状尺寸较小的障碍无,如道路边沿的静止行人等,其移动概率较高,很容易发生突然运动。
仅以存在死角节点情形为例,车辆在行驶过程中覆盖宽度为车身宽度,一般车辆宽度在1600mm至1800mm之间,如图4所示,当车辆行驶至N点时,可行路径前方存在障碍物,车辆如果不进行及时避让,将会发生碰撞现象,不利于车辆的安全行驶。此时车辆将基于本发明所提出的基于安全距离的碰撞场模型,对此类障碍物进行碰撞场计算,当车辆速度为10m/s,此时所在路面附着系数为0.8时,针对此类大型障碍物取权重因子k=1.5,将相关参数带入安全距离计算公式可得,此时:
其中,ds是不同类型障碍物的安全距离,k是不同类型障碍物安全距离计算公式权重,此处取值为1.5,v是车辆当前行驶速度,μ是车辆当前所在路面的附着系数,g是重力加速度,取10m/s2。
因此将安全距离作为代价值赋值于障碍物经扩展一层后的外层栅格,而这一障碍物代价将被应用于A*算法的规划过程中,结合道路边界所给定的固定距离代价,可以得到如图5所示的部分无碰撞路径。在选择转向关键节点时,直行保护机制将会保证备选路径尽可能减少转向次数。
在步骤S5中,应用的改进A*算法流程如图6所示,具体过程如下:
步骤S5.1:初始化open列表、close列表,确认当前位置起点,并将起点坐标存入open列表中。
步骤S5.2:依据目标向量约束选择下一当前目标节点,确定当前搜索域。
步骤S5.3:判断open列表是否为空,若是,则退出规划,报告错误信息,反之,则进入步骤S5.4。
步骤S5.4:判断当前搜索区域内的障碍物类型,计算障碍物碰撞场模型,为障碍物临近区域内相应栅格赋予相应的代价值。
步骤S5.5:依据改进A*算法代价函数对处于open列表中的各个节点计算代价值,并将代价值最小节点T从open列表移至close列表中。
步骤S5.6:判断到达节点是否为目标节点位置,若是,则跳出搜索,通过从close列表中的父子关系进行回溯,得到最终路径,反之,则以当前代值最小的节点T作为父节点进行四邻域节点扩展。
步骤S5.7:判断新的扩展节点N是否处于close列表中,若是,则忽略该节点,继续进行迭代,直至扩展节点迭代完成;反之,则进一步判断当前节点是否处于open列表中,若不是,则将当前节点加入open列表中,计算其代价值,逐个判断,直至所有扩展节点迭代完成;反之,则则进一步判断新的节点的代价值是否小于其原有的代价值,若不是,则忽略该节点,反之,则需要更换此节点的父节点为当前节点N。
步骤S5.8:当所有扩展节点迭代完成后,返回步骤S5.5,直至到达目标点位置,跳出规划环节,并将路径列表发送路径平滑模块,对路径进行平滑即可。
上述改进A*算法中,代价函数如下:
f(n)=g(n)+k1*h(n)+k2*o(n) (2)
其中,f(n)是扩展节点的代价值,g(n)是扩展节点与起始节点的实际距离,h(n)是扩展节点距离目标节点的估计距离,采用Manhattan函数进行计算,o(n)是不同障碍物的碰撞场距离代价,k1、k2为不同代价函数的权重,其中k1值越大,路径趋向目标点的速率就越快,计算时间也会随之减少,但这将会导致路径不一定是最优,而k2取值则会直接影响规划路径距离各类型障碍物边界的距离,进而影响车辆行驶安全性。。
经公式(1)计算的安全距离值将作为代价值赋给障碍物临近区域,c=ds/10为两类障碍物区域碰撞代价值外扩层数,依照计算代价c等分分别赋值于车辆指向障碍物区域中的c层栅格。
步骤S6:判断节点N是否为目标位置节点,若是,则退出规划过程,回溯路径,反之则返回步骤S3;
步骤S7:应用三次准均匀B样条曲线对生成的路径进行平滑,并将最终得到的平滑路径下发至控制模块。
在步骤S7中,生成初始路径后,结合地图预览模块,提取初始路径中所包含的转向节点,从转向节点前后各拓展一定距离得到五个原始路径节点,并应用三次准均匀B样条曲线对路径进行平滑处理,如图7所示,即为应用本发明所提供的一种基于关键点信息的改进A*算法的智能车全局路径规划方法,所规划出的平滑路径。
本发明方法在传统A*算法的基础上增加了地图预览模块,地图预览模块可以实现对地图中关键节点信息的提取,包括转向关键节点和死角关键节点。改进A*算法将不在完整地图范围内展开增量式搜索,而是通过关键节点和目标向量引导信息进行无碰撞低转向次数的路径规划,最终生成的路径结合关键转向节点进行平滑,进一步保证了路径的可行性。改进A*算法相比传统算法具有更高的搜索效率,所规划路径的物理性能也优于传统路径,更能够适应于封闭园区环境下智能车的行驶需求。
与现有技术相比,本发明的有益效果是:
1.传统A*算法基于栅格地图进行搜索,栅格地图的规模将会直接影响搜索效率,而采用一种基于关键点信息的改进A*算法的智能车全局路径规划方法,仅在当前搜索区域存在某类型障碍物时调用改进A*算法,否则直接连接当前点与下一可行关键转向节点。同时,关键死角节点的应用,也进一步避免了算法生成不可行路径。本发明通过限定搜索区域的大小和进入改进A*算法搜索的次数,进一步提升搜索效率,当地图规模急剧增大时,本发明的性能将得到更明显的体现。
2.传统A*算法在目标导向机制下,将会导致在道路分岔口出现频繁转向的现象,改进算法通过引入转向限制规则,保证在可行条件下使得车辆尽量保持直行,更加适应复杂多变的驾驶场景。同时改进算法引入了基于制动转向所需的安全距离的碰撞场模型,使得车辆始终能够与障碍物保持一定距离,进一步提升了算法的可靠性和安全性。
3.本发明在经由改进A*算法生成的路径前提下,结合地图预览模块获取的关键转向节点信息,在关键转向节点处从两侧进行拓展,并对拓展后的节点采用三次转均匀B样条曲线进行了路径平滑,既保证了直行路段的需求,同时也满足了转向过程的曲率连续需求,更加适用于复杂多变的道路工况。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (9)
1.一种基于改进A*算法的智能车全局路径规划方法,其特征在于,包括:
载入预定义的栅格地图,提取所述栅格地图中的关键点,所述关键点包括道路转向节点、道路死角节点;
通过目标车辆当前所处位置和所述栅格地图,确定目标点位置,在所述目标点导向机制下结合改进的A*算法进行路径拓展,生成初始路径;
对生成的所述初始路径中的转向节点处进行路径平滑操作,输出最终路径信息。
2.根据权利要求1所述的基于改进A*算法的智能车全局路径规划方法,其特征在于,所述栅格地图分辨率为1m,栅格地图尺寸为a*b,其中a、b分别表示栅格地图中每行、每列的栅格的个数,其中,每个栅格表示一种区域,包括可行区域和不可行区域。
3.根据权利要求1所述的基于改进A*算法的智能车全局路径规划方法,其特征在于,载入所述栅格地图后,对所述栅格地图进行检测,所述检测过程包括对所述道路转向节点和所述道路死角节点进行筛选,同时提取道路边界邻近区域并保存到相应的数据列表中。
4.根据权利要求1所述的基于改进A*算法的智能车全局路径规划方法,其特征在于,所述初始路径的规划过程包括:
确定所述目标车辆当前位置与用户指定位置向量关系,得到目标向量,并判断沿所述目标向量方向是否存在可行道路转向节点,若存在,则选择满足目标向量约束的转向节点;若不存在,则选择其他可行节点进行路径规划;其中,所述目标车辆仅在以当前栅格节点与所选择的所述满足目标向量约束的转向节点两点之间距离及前后各延伸1/2栅格总长为长,道路边界宽度为宽的矩形区域内进行路径规划。
5.根据权利要求4所述的基于改进A*算法的智能车全局路径规划方法,其特征在于,判断当前所述路径规划区域内是否存在障碍物,若存在,则判断障碍物类型,调用改进A*算法在当前区域内生成可行路径,行驶至所述满足目标向量约束的转向节点,若无障碍物,则将所述目标车辆直接从当前节点移动至所述满足目标向量约束的转向节点。
6.根据权利要求5所述的基于改进A*算法的智能车全局路径规划方法,其特征在于,所述判断障碍物类型的过程包括:
首先根据不同障碍物移动概率和形状尺寸进行分类,构建不同类型的碰撞场模型,所述障碍物包括三种,分别为:道路边界、移动概率高但形状尺寸较小的障碍物和移动概率高但形状尺寸较大的障碍物,其中道路边界选用固定距离碰撞场模型,针对另外两类障碍物类型,则根据发生紧急制动转向情况时所需的最小安全距离构建相应的碰撞场模型;其中,沿道路宽度方向投影长度l,1m<l<2m的物体,即为形状尺寸较大的障碍物;沿道路宽度方向投影长度l,0m<l<1m的物体,即为形状尺寸较小的障碍物。
8.根据权利要求1所述的基于改进A*算法的智能车全局路径规划方法,其特征在于,所述改进的A*算法函数包括:
f(n)=g(n)+k1*h(n)+k2*o(n) (2)
其中,f(n)是扩展节点的代价值,g(n)是扩展节点与起始节点的实际距离,h(n)是扩展节点距离目标节点的估计距离,采用Manhattan函数进行计算,o(n)是不同障碍物的碰撞场距离代价,k1、k2为不同代价函数的权重。
9.根据权利要求1所述的基于改进A*算法的智能车全局路径规划方法,其特征在于,生成所述初始路径后,提取初始路径中所包含的转向节点,并在所述转向节点处前后各拓展两个节点,应用三次准均匀B样条曲线对路径进行平滑处理,用于进一步提升路径可行性,输出最终路径信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624901.4A CN114281084B (zh) | 2021-12-28 | 2021-12-28 | 一种基于改进a*算法的智能车全局路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111624901.4A CN114281084B (zh) | 2021-12-28 | 2021-12-28 | 一种基于改进a*算法的智能车全局路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114281084A true CN114281084A (zh) | 2022-04-05 |
CN114281084B CN114281084B (zh) | 2023-02-21 |
Family
ID=80877569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111624901.4A Active CN114281084B (zh) | 2021-12-28 | 2021-12-28 | 一种基于改进a*算法的智能车全局路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114281084B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114995429A (zh) * | 2022-06-09 | 2022-09-02 | 北京信息科技大学 | 火星探测器路径规划方法及装置 |
CN115683107A (zh) * | 2022-09-27 | 2023-02-03 | 深圳市智莱科技股份有限公司 | 自动导航方法、装置、无人车及存储介质 |
CN115829175A (zh) * | 2022-11-10 | 2023-03-21 | 太原福莱瑞达物流设备科技有限公司 | 密集仓库的货物存储运行路线选取方法、装置、系统及介质 |
CN116337103A (zh) * | 2023-05-17 | 2023-06-27 | 中国地质大学(武汉) | 基于区域分类的分层泛在导航方法、装置及计算机设备 |
CN116588573A (zh) * | 2023-04-28 | 2023-08-15 | 北京云中未来科技有限公司 | 一种仓储智能起重系统的散料抓取控制方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107063280A (zh) * | 2017-03-24 | 2017-08-18 | 重庆邮电大学 | 一种基于控制采样的智能车辆路径规划系统及方法 |
CN107345815A (zh) * | 2017-07-24 | 2017-11-14 | 东北大学 | 一种基于改进a*算法的家庭服务机器人路径规划方法 |
CN111397622A (zh) * | 2020-03-26 | 2020-07-10 | 江苏大学 | 基于改进A*算法与Morphin算法的智能汽车局部路径规划方法 |
CN111780777A (zh) * | 2020-07-13 | 2020-10-16 | 江苏中科智能制造研究院有限公司 | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 |
CN111857160A (zh) * | 2020-08-17 | 2020-10-30 | 武汉中海庭数据技术有限公司 | 一种无人车路径规划方法和装置 |
CN111982142A (zh) * | 2020-07-31 | 2020-11-24 | 华南理工大学 | 一种基于改进a星算法的智能车全局路径规划方法 |
CN112197778A (zh) * | 2020-09-08 | 2021-01-08 | 南京理工大学 | 基于改进a*算法的轮式机场巡界机器人路径规划方法 |
CN112344942A (zh) * | 2020-11-11 | 2021-02-09 | 国网上海市电力公司 | 一种基于三次均匀b样条的机器人路径规划方法及装置 |
CN113359768A (zh) * | 2021-07-05 | 2021-09-07 | 哈尔滨理工大学 | 一种基于改进的a*算法的路径规划方法 |
CN113485369A (zh) * | 2021-08-03 | 2021-10-08 | 浙江大学 | 改进a*算法的室内移动机器人路径规划和路径优化方法 |
-
2021
- 2021-12-28 CN CN202111624901.4A patent/CN114281084B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107063280A (zh) * | 2017-03-24 | 2017-08-18 | 重庆邮电大学 | 一种基于控制采样的智能车辆路径规划系统及方法 |
CN107345815A (zh) * | 2017-07-24 | 2017-11-14 | 东北大学 | 一种基于改进a*算法的家庭服务机器人路径规划方法 |
CN111397622A (zh) * | 2020-03-26 | 2020-07-10 | 江苏大学 | 基于改进A*算法与Morphin算法的智能汽车局部路径规划方法 |
CN111780777A (zh) * | 2020-07-13 | 2020-10-16 | 江苏中科智能制造研究院有限公司 | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 |
CN111982142A (zh) * | 2020-07-31 | 2020-11-24 | 华南理工大学 | 一种基于改进a星算法的智能车全局路径规划方法 |
CN111857160A (zh) * | 2020-08-17 | 2020-10-30 | 武汉中海庭数据技术有限公司 | 一种无人车路径规划方法和装置 |
CN112197778A (zh) * | 2020-09-08 | 2021-01-08 | 南京理工大学 | 基于改进a*算法的轮式机场巡界机器人路径规划方法 |
CN112344942A (zh) * | 2020-11-11 | 2021-02-09 | 国网上海市电力公司 | 一种基于三次均匀b样条的机器人路径规划方法及装置 |
CN113359768A (zh) * | 2021-07-05 | 2021-09-07 | 哈尔滨理工大学 | 一种基于改进的a*算法的路径规划方法 |
CN113485369A (zh) * | 2021-08-03 | 2021-10-08 | 浙江大学 | 改进a*算法的室内移动机器人路径规划和路径优化方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114995429A (zh) * | 2022-06-09 | 2022-09-02 | 北京信息科技大学 | 火星探测器路径规划方法及装置 |
CN115683107A (zh) * | 2022-09-27 | 2023-02-03 | 深圳市智莱科技股份有限公司 | 自动导航方法、装置、无人车及存储介质 |
CN115829175A (zh) * | 2022-11-10 | 2023-03-21 | 太原福莱瑞达物流设备科技有限公司 | 密集仓库的货物存储运行路线选取方法、装置、系统及介质 |
CN115829175B (zh) * | 2022-11-10 | 2023-11-24 | 太原福莱瑞达物流设备科技有限公司 | 密集仓库的货物存储运行路线选取方法、装置、系统及介质 |
CN116588573A (zh) * | 2023-04-28 | 2023-08-15 | 北京云中未来科技有限公司 | 一种仓储智能起重系统的散料抓取控制方法及系统 |
CN116588573B (zh) * | 2023-04-28 | 2024-02-02 | 北京云中未来科技有限公司 | 一种仓储智能起重系统的散料抓取控制方法及系统 |
CN116337103A (zh) * | 2023-05-17 | 2023-06-27 | 中国地质大学(武汉) | 基于区域分类的分层泛在导航方法、装置及计算机设备 |
CN116337103B (zh) * | 2023-05-17 | 2023-08-29 | 中国地质大学(武汉) | 基于区域分类的分层泛在导航方法、装置及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114281084B (zh) | 2023-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114281084B (zh) | 一种基于改进a*算法的智能车全局路径规划方法 | |
CN109540159B (zh) | 一种快速完备的自动驾驶轨迹规划方法 | |
JP7532615B2 (ja) | 自律型車両の計画 | |
CN111780777B (zh) | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 | |
KR102306939B1 (ko) | V2x 통신 및 이미지 처리를 이용한 정보 융합을 통해 자율 주행의 단기 경로를 플래닝하기 위한 방법 및 장치 | |
US20230159056A1 (en) | Method and apparatus for planning obstacle avoidance path of traveling apparatus | |
CN110389581A (zh) | 用于为自动驾驶车辆生成障碍物的预测轨迹的方法 | |
CN112590775B (zh) | 一种自动泊车方法、装置、车辆及存储介质 | |
CN112284393B (zh) | 一种智能移动机器人全局路径规划方法和系统 | |
CN107063280A (zh) | 一种基于控制采样的智能车辆路径规划系统及方法 | |
CN108444490B (zh) | 基于可视图和a*算法深度融合的机器人路径规划方法 | |
CN114815802A (zh) | 一种基于改进蚁群算法的无人天车路径规划方法和系统 | |
CN114919578B (zh) | 智能车行为决策方法、规划方法、系统及存储介质 | |
CN112612267B (zh) | 自动驾驶的路径规划方法和装置 | |
CN114428499A (zh) | 一种融合Astar与DWA算法的移动小车路径规划方法 | |
CN114763133A (zh) | 车辆泊车规划方法、装置、设备及计算机存储介质 | |
CN114404985A (zh) | 虚拟角色的路径规划方法及装置、电子设备、存储介质 | |
CN110849385A (zh) | 基于双层启发搜索共轭梯度下降的轨迹规划方法及系统 | |
JP2023531927A (ja) | 運転意思決定方法および運転意思決定装置ならびにチップ | |
KR20170070488A (ko) | 주행경로 자동생성방법 및 장치 | |
CN115840454B (zh) | 非结构化道路冲突区域的多车轨迹协同规划方法及装置 | |
CN114187781B (zh) | 一种分布式多车协同行为决策方法和系统 | |
CN116518977A (zh) | 一种无人机路径规划方法、系统及设备 | |
CN114117944B (zh) | 一种模型更新方法、装置、设备及可读存储介质 | |
CN115092141A (zh) | 应用于自动驾驶车辆变道超车的轨迹规划方法及设备 |
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 |