CN114545921A - 一种基于改进rrt算法的无人汽车路径规划算法 - Google Patents
一种基于改进rrt算法的无人汽车路径规划算法 Download PDFInfo
- Publication number
- CN114545921A CN114545921A CN202111597200.6A CN202111597200A CN114545921A CN 114545921 A CN114545921 A CN 114545921A CN 202111597200 A CN202111597200 A CN 202111597200A CN 114545921 A CN114545921 A CN 114545921A
- Authority
- CN
- China
- Prior art keywords
- node
- sampling
- path
- target
- algorithm
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 60
- 238000005070 sampling Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect 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
- G05D1/0212—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, 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Feedback Control In General (AREA)
Abstract
本发明属于无人驾驶路径规划领域，一种基于改进RRT算法的无人汽车路径规划算法。初始化地图空间，起始点和目标点的位置和航向角，汽车基本参数，算法参数以及环境中障碍物信息。引入目标概率采样策略获取随机采样点Xrand的位置。使用多信息融合的评价方法定义最临近节点Xnear。使用目标偏置扩展的方式对随机树进行扩展，并在节点连接过程中使用贝塞尔曲线进行光滑连接。重复上述步骤，直到随机树扩展至目标点的可连接范围，使用Reeds‑Shepp曲线直接将随机树和目标点进行连接。本发明能有效提高算法的收敛速度、缩短路径长度、提高路径的平滑度和降低内存占用，并且考虑了智能汽车运动学约束，具有较好的工程实用价值。
Description
技术领域
本发明属于无人驾驶路径规划领域，涉及到一种快速扩展随机树 (rapidly-exploring random tree，RRT)算法的改进，尤其涉及到一种基于RRT 算法改进的无人汽车路径规划算法
背景技术
随着智能驾驶技术的蓬勃发展，无人汽车也逐渐进入了大众视野中。路径规划是无人汽车的重要核心技术之一，其可以在整个位姿空间内找到一条从初始位姿到目标位姿的连续无碰撞路径，同时该路径还满足环境约束、计算时间约束和车辆运动学约束等约束条件。目前应用广泛的路径规划算法有A*算法、遗传算法、蚁群算法、人工势场法、快速扩展随机数算法等。其中RRT算法，采用随机采样的规划方式，不需要对空间进行预处理、具备概率完备性并且该算法也不要求状态之间精确连接，是智能汽车路径规划较好的解决方案。但RRT 算法仍然存在搜索效率低、路径不平滑且不满足车辆约束等问题，无法应用于智能汽车领域。
对于RRT算法的改进目前也有非常多种，Lavalle在《RRT-connect:An efficientapproach to single-query path planning》提出了RRT-connect以提高节点扩展效率。Karaman在《Sampling-based Algorithms for Optimal Motion Planning》提出具备渐进最优性的RRT*算法，该算法引入了路径代价信息和重布线操作，虽然得到的路径质量更优，但是算法的收敛时间也随之增加。LeiZuo在《A hierarchical path planning approachbased on A and least-squares policy iteration for mobile robots》中将A*算法的启发式方式引入到RRT算法中，在搜索路径时以路径长度作为评价标准，使规划结果接近于最优解。冯来春在《基于A*引导域的RRT智能车辆路径规划算法》提出将A*算法和RRT算法结合的方法，利用 A*算法在格栅图中生成的最短路径来引导RRT算法的扩展，但是算法需要额外建立环境信息的格栅图。Shunyu Huang在《Path Planning Based on MixedAlgorithm of RRT and Artificial Potential Field Method》中将人工势场法引入到RRT算法中，通过建立障碍物斥力场来限制障碍物附近的搜索区域，并在随机树的扩展中添加引力分量加快算法的收敛速度。但是这种方法过分依赖于目标点的信息，在随机树节点扩展过程中可能会陷入局部陷阱。朱冰在《基于安全场改进RRT*算法的智能汽车路径规划方法》中提出基于安全场和角度约束的 RRT*算法。
发明内容
本发明的主要目的是：本发明针对RRT算法中存在的算法搜索时间长，路径过长、占用内存过大以及不满足车辆运动学约束的问题，提出一种应用于智能汽车领域的改进的RRT路径规划算法。
本发明的技术方案：
一种基于改进RRT算法的无人汽车路径规划算法，步骤如下：
步骤一：初始化地图空间，起始点和目标点的位姿，汽车基本参数，算法参数以及环境中障碍物信息。
步骤二：引入目标概率采样策略获取随机采样点Xrand的位置。
步骤三：使用多信息融合的评价方法定义最临近节点Xnear。
步骤四：使用目标偏置扩展的方式对随机树进行扩展，并在节点连接过程中使用贝塞尔曲线进行光滑连接。
步骤五：重复上述步骤二至步骤四，直到随机树扩展至目标点的可连接范围，使用Reeds-Shepp曲线直接将随机树和目标点进行连接。
步骤六：对得到的初始路径进行路径修剪优化。
本发明的有益效果：本发明针对RRT算法在智能汽车路径规划领域存在的问题，提出一种综合改进算法。首先引入目标概率采样和目标引力策略，提高了算法的搜索效率，减少冗余节点的产生，内存占用更少；然后提出了一种多信息融合的最临近节点的定义方法，使随机树节点的扩展更适应于汽车路径规划；其次在新节点生成时，使用贝塞尔曲线进行平滑连接，保证曲率连续要求；最后当随机树扩展到目标点可连接范围时，直接使用Reeds-Shepp曲线连接，进一步提高算法效率。本发明能有效提高算法的收敛速度、缩短路径长度、提高路径的平滑度和降低内存占用，并且考虑了智能汽车运动学约束，具有较好的工程实用价值。
附图说明
图1为本发明算法流程图。
图2为汽车运动学约束示意图。
图3为目标偏向扩展策略示意图。
图4为贝塞尔曲线平滑连接图。
图5为Reeds-Sheep曲线在实验中的应用图。
图6为实验环境图。
图7为实验结果图。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
一种基于改进RRT算法的无人汽车路径规划算法，步骤如下：
步骤一：初始化地图空间，起始点和目标点的位姿、汽车基本参数、算法参数以及环境中障碍物信息；
步骤一，初始化地图空间，输入无人汽车的起点Xinit和终点Xgoal以及分布在环境中的障碍物信息；输入无人汽车基本参数信息，包括最小转弯半径Rmin、最大前轮转角
和轴距L，使车辆在行驶过程中满足运动学约束，运动学约束示意图如图2所示。即前轮转角
小于
路径曲率k小于最大转弯曲率 kmax，其中
初始化随机树T，扩展步长d，采样轮次初始值n＝0，采样轮次上限M；其中，从起始节点Xinit开始，以起始节点为根节点构造随机树T；扩展步长d为随机树每一步扩展的长度；采样轮次n初始值为0，每确定一个随机采样点Xrand，采样轮次只都加1；当n>M时，采样超时终止；
步骤二：引入目标概率采样策略获取随机采样点Xrand的位置；
在RRT算法的随机采样时引入了目标概率采样；目标概率采样首先设置一个目标采样阈值pbias，且满足0<pbias<1；然后在每次采样前都会在0到1之间选取一个随机值p；如果随机值p小于pbias，则将目标点作为采样点，否则就随机产生采样点Xrand；
步骤三：使用多信息融合的评价方法定义最临近节点Xnear；
循环计算随机树的每个节点到步骤二确定的Xrand的欧氏距离和角度，d1i表示随机树中第i个节点到Xrand的距离，并记录d1i的最大值为d1max，θi为树中第 i个节点的计算结果，并记录θi的最大值为θmax；
循环计算随机树的每个节点到Xgoal的欧氏距离，d2i表示树中第i个节点到 Xgoal的距离，并记录d2i的最大值为d2max；
将计算到的d1i、d2i和θi进行归一化处理，即d1i、d2i和θi分别除以对应的最大值，归一化的结果记为D1、D2和A；将D1、D2和A分别乘以各自的权重相加得到最终的节点评价分数D；新的最临近节点的评价函数定义如式 D＝w1D1+w2D2+w3A；对节点进行升序排序，按顺序依次对节点做转角约束判断；如果和Xrand节点之间的夹角大于最大前轮转角
则将节点抛弃并判断下一个节点，直到找到第一个满足转角约束的节点作为最临近节点Xnear；
步骤四：使用目标偏置扩展的方式对随机树进行扩展，并在节点连接过程中使用贝塞尔曲线进行光滑连接；
在节点扩展时引入目标偏向扩展策略，该扩展策略通过调整采样点和目标点的权重，使得新节点的扩展方向不再是单纯沿着随机点方向，而是有意偏向目标点进行扩展，目标偏向扩展示意图如图3所示；定义wg为目标偏向权重， ngoal为Xnear到目标点方向单位矢量，nrand为Xnear到采样点方向的单位矢量；则通过扩展公式得到新树节点Xnew的位置为：Xnew＝Xnear+d(wgngoal+(1-wg)nrand)；由于贝塞尔曲线保证始末位姿和曲率连续，则在节点连接阶段采用两段三阶贝塞尔曲线进行Xnear到Xnew的平滑连接，贝塞尔曲线节点连接的效果图如图4所示，n 阶贝塞尔曲线表达式为
其中Pi代表贝塞尔曲线的控制点，u代表贝塞尔曲线的参数且，Bi,n为n次Bernstein基函数，且满足：
步骤五：重复步骤二至步骤四，直到随机树扩展至目标点的可连接范围，使用Reeds-Shepp曲线直接将随机树和目标点进行连接；
Reeds-Shepp曲线是由多段半径固定的圆弧曲线或直线拼接而成，其中圆弧曲线的半径为智能车辆的最小转弯半径；并且Reeds-Shepp曲线满足车辆在终点位置的位姿要求；采用Reeds-Shepp曲线来代替原RRT算法的目标点连接方式，实现对目标点直接连接而不需要反复搜索以调整位姿。通常Reeds-Shepp曲线的连接范围可以设置为15倍的扩展步长，这样以来就能减少大量搜索时间和扩展的节点，有效的提升搜索效率实验中RS曲线的应用效果图如图5所示。
步骤六：对得到的初始路径进行路径修剪优化。
通过上述优化过程的可以得到算法的初步规划路径，然后从路径的第三个节点开始依次迭代遍历路径节点集合；假设将当前迭代节点从路径中去除，判断新的路径能否不与障碍物相交并且满足路径转角是否小于最大前轮转角；如果上述都满足则可以将该节点从路径节点集合中去除，并使用贝塞尔曲线完成对已删除节点的前后节点的连接；迭代执行上述操作，直到优化后的路径可以连接到目标状态位置。
采用地图大小500m*500m的简单障碍物地图环境，障碍物示意图如图7所示。以图片左下角为原点，规定向右为x轴正方向，向上为y轴正方向。车辆的初始位置Xinit和目标位置Xgoal的坐标分别为(450，50)和(50，450)。仿真实验采用汽车模型的基本参数为：轴距L为3米，最小转弯半径Rmin为5.2米，最大前轮转角
为30°。扩展步长d为20米，采样轮次上限M为1000次。目标概率采样的概率阈值pbias设置为0.1。最临近节点评价函数的权重参数分别为：w1＝0.7，w2＝0.15，w3＝0.15；目标偏向扩展的权重参数wg为0.2；实验结果如图7所示。
Claims (1)
1.一种基于改进RRT算法的无人汽车路径规划算法，其特征在于，步骤如下：
步骤一：初始化地图空间，起始点和目标点的位姿、汽车基本参数、算法参数以及环境中障碍物信息；
步骤一，初始化地图空间，输入无人汽车的起点Xinit和终点Xgoal以及分布在环境中的障碍物信息；输入无人汽车基本参数信息，包括最小转弯半径Rmin、最大前轮转角
和轴距L，使车辆在行驶过程中满足运动学约束，即前轮转角
小于
路径曲率k小于最大转弯曲率kmax，其中
初始化随机树T，扩展步长d，采样轮次初始值n＝0，采样轮次上限M；其中，从起始节点Xinit开始，以起始节点为根节点构造随机树T；扩展步长d为随机树每一步扩展的长度；采样轮次n初始值为0，每确定一个随机采样点Xrand，采样轮次只都加1；当n>M时，采样超时终止；
步骤二：引入目标概率采样策略获取随机采样点Xrand的位置；
在RRT算法的随机采样时引入了目标概率采样；目标概率采样首先设置一个目标采样阈值pbias，且满足0<pbias<1；然后在每次采样前都会在0到1之间选取一个随机值p；如果随机值p小于pbias，则将目标点作为采样点，否则就随机产生采样点Xrand；
步骤三：使用多信息融合的评价方法定义最临近节点Xnear；
循环计算随机树的每个节点到步骤二确定的Xrand的欧氏距离和角度，d1i表示随机树中第i个节点到Xrand的距离，并记录d1i的最大值为d1max，θi为树中第i个节点的计算结果，并记录θi的最大值为θmax；
循环计算随机树的每个节点到Xgoal的欧氏距离，d2i表示树中第i个节点到Xgoal的距离，并记录d2i的最大值为d2max；
将计算到的d1i、d2i和θi进行归一化处理，即d1i、d2i和θi分别除以对应的最大值，归一化的结果记为D1、D2和A；将D1、D2和A分别乘以各自的权重相加得到最终的节点评价分数D；新的最临近节点的评价函数定义如式D＝w1D1+w2D2+w3A；对节点进行升序排序，按顺序依次对节点做转角约束判断；如果和Xrand节点之间的夹角大于最大前轮转角
则将节点抛弃并判断下一个节点，直到找到第一个满足转角约束的节点作为最临近节点Xnear；
步骤四：使用目标偏置扩展的方式对随机树进行扩展，并在节点连接过程中使用贝塞尔曲线进行光滑连接；
在节点扩展时引入目标偏向扩展策略，该扩展策略通过调整采样点和目标点的权重，使得新节点的扩展方向不再是单纯沿着随机点方向，而是有意偏向目标点进行扩展；定义wg为目标偏向权重，ngoal为Xnear到目标点方向单位矢量，nrand为Xnear到采样点方向的单位矢量；则通过扩展公式得到新树节点Xnew的位置为：Xnew＝Xnear+d(wgngoal+(1-wg)nrand)；由于贝塞尔曲线保证始末位姿和曲率连续，则在节点连接阶段采用两段三阶贝塞尔曲线进行Xnear到Xnew的平滑连接，n阶贝塞尔曲线表达式为
其中Pi代表贝塞尔曲线的控制点，u代表贝塞尔曲线的参数且，Bi,n为n次Bernstein基函数，且满足：
步骤五：重复步骤二至步骤四，直到随机树扩展至目标点的可连接范围，使用Reeds-Shepp曲线直接将随机树和目标点进行连接；
Reeds-Shepp曲线是由多段半径固定的圆弧曲线或直线拼接而成，其中圆弧曲线的半径为智能车辆的最小转弯半径；并且Reeds-Shepp曲线满足车辆在终点位置的位姿要求；采用Reeds-Shepp曲线来代替原RRT算法的目标点连接方式，实现对目标点直接连接而不需要反复搜索以调整位姿；
步骤六：对得到的初始路径进行路径修剪优化；
通过上述优化过程的可以得到算法的初步规划路径，然后从路径的第三个节点开始依次迭代遍历路径节点集合；假设将当前迭代节点从路径中去除，判断新的路径能否不与障碍物相交并且满足路径转角是否小于最大前轮转角；如果上述都满足则可以将该节点从路径节点集合中去除，并使用贝塞尔曲线完成对已删除节点的前后节点的连接；迭代执行上述操作，直到优化后的路径连接到目标状态位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111597200.6A CN114545921B (zh) | 2021-12-24 | 2021-12-24 | 一种基于改进rrt算法的无人汽车路径规划算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111597200.6A CN114545921B (zh) | 2021-12-24 | 2021-12-24 | 一种基于改进rrt算法的无人汽车路径规划算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114545921A true CN114545921A (zh) | 2022-05-27 |
| CN114545921B CN114545921B (zh) | 2024-05-28 |
Family
ID=81670120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111597200.6A Active CN114545921B (zh) | 2021-12-24 | 2021-12-24 | 一种基于改进rrt算法的无人汽车路径规划算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114545921B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115520218A (zh) * | 2022-09-27 | 2022-12-27 | 李晓赫 | 自动驾驶车辆四点转弯轨迹规划方法 |
| CN115755908A (zh) * | 2022-11-17 | 2023-03-07 | 中国矿业大学 | 一种基于JPS引导Hybrid A*的移动机器人路径规划方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170143133A (ko) * | 2016-06-20 | 2017-12-29 | 서울대학교산학협력단 | 장애물 회피 경로 생성 및 제어에 의한 협업 비행 운송 시스템 및 방법 |
| CN111879307A (zh) * | 2020-06-22 | 2020-11-03 | 国网河北省电力有限公司信息通信分公司 | 一种基于车身参数及工程建设信息的车辆路径规划方法 |
| CN113219998A (zh) * | 2021-06-15 | 2021-08-06 | 合肥工业大学 | 一种基于改进双向informed-RRT*的车辆路径规划方法 |
| CN113359746A (zh) * | 2021-06-21 | 2021-09-07 | 桂林电子科技大学 | 基于改进双向RRT和Dijkstra融合算法的路径规划方法和装置 |
-
2021
- 2021-12-24 CN CN202111597200.6A patent/CN114545921B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170143133A (ko) * | 2016-06-20 | 2017-12-29 | 서울대학교산학협력단 | 장애물 회피 경로 생성 및 제어에 의한 협업 비행 운송 시스템 및 방법 |
| CN111879307A (zh) * | 2020-06-22 | 2020-11-03 | 国网河北省电力有限公司信息通信分公司 | 一种基于车身参数及工程建设信息的车辆路径规划方法 |
| CN113219998A (zh) * | 2021-06-15 | 2021-08-06 | 合肥工业大学 | 一种基于改进双向informed-RRT*的车辆路径规划方法 |
| CN113359746A (zh) * | 2021-06-21 | 2021-09-07 | 桂林电子科技大学 | 基于改进双向RRT和Dijkstra融合算法的路径规划方法和装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115520218A (zh) * | 2022-09-27 | 2022-12-27 | 李晓赫 | 自动驾驶车辆四点转弯轨迹规划方法 |
| CN115755908A (zh) * | 2022-11-17 | 2023-03-07 | 中国矿业大学 | 一种基于JPS引导Hybrid A*的移动机器人路径规划方法 |
| CN115755908B (zh) * | 2022-11-17 | 2023-10-27 | 中国矿业大学 | 一种基于JPS引导Hybrid A*的移动机器人路径规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114545921B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113219998B (zh) | 一种基于改进双向informed-RRT*的车辆路径规划方法 | |
| CN111785045B (zh) | 基于演员-评论家算法的分布式交通信号灯联合控制方法 | |
| CN111098852B (zh) | 一种基于强化学习的泊车路径规划方法 | |
| CN110609547B (zh) | 一种基于可视图引导的移动机器人规划方法 | |
| CN110231824B (zh) | 基于直线偏离度方法的智能体路径规划方法 | |
| CN114545921A (zh) | 一种基于改进rrt算法的无人汽车路径规划算法 | |
| CN111780777A (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 | |
| CN112378408A (zh) | 一种实现轮式移动机器人实时避障的路径规划方法 | |
| 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 | |
| CN110032182B (zh) | 一种融合可视图法和稳定稀疏随机快速树机器人规划算法 | |
| CN113435025B (zh) | 一种结合多级优化模型的机器人高性能轨迹自动生成方法 | |
| CN112327856A (zh) | 一种基于改进A-star算法的机器人路径规划方法 | |
| CN112683290A (zh) | 一种车辆轨迹规划方法、电子设备及计算机可读存储介质 | |
| CN110954124A (zh) | 一种基于a*-pso算法的自适应路径规划方法及系统 | |
| CN114859905A (zh) | 一种基于人工势场法和强化学习的局部路径规划方法 | |
| CN115493597A (zh) | 一种基于sac算法的auv路径规划控制方法 | |
| CN114115271A (zh) | 一种改进rrt的机器人路径规划方法和系统 | |
| CN115373384A (zh) | 一种基于改进rrt的车辆动态路径规划方法及系统 | |
| Tang et al. | Integrated decision making and planning framework for autonomous vehicle considering uncertain prediction of surrounding vehicles | |
| CN112612267B (zh) | 自动驾驶的路径规划方法和装置 | |
| CN113721622A (zh) | 一种机器人路径规划方法 | |
| CN110849385B (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 | |
| CN116852367A (zh) | 一种基于改进RRTstar的六轴机械臂避障路径规划方法 | |
| CN115202357A (zh) | 一种基于脉冲神经网络的自主建图方法 | |
| CN115079693A (zh) | 基于改进遗传算法和b样条拟合的无人车路径规划方法 |
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 |