CN114610076B - 结合人工势场法与A-star算法角度约束的航迹规划方法 - Google Patents

结合人工势场法与A-star算法角度约束的航迹规划方法 Download PDF

Info

Publication number
CN114610076B
CN114610076B CN202210504573.2A CN202210504573A CN114610076B CN 114610076 B CN114610076 B CN 114610076B CN 202210504573 A CN202210504573 A CN 202210504573A CN 114610076 B CN114610076 B CN 114610076B
Authority
CN
China
Prior art keywords
cost function
star algorithm
track
aerial vehicle
unmanned aerial
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.)
Active
Application number
CN202210504573.2A
Other languages
English (en)
Other versions
CN114610076A (zh
Inventor
韦雅媛
李辉
邓书超
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202210504573.2A priority Critical patent/CN114610076B/zh
Publication of CN114610076A publication Critical patent/CN114610076A/zh
Application granted granted Critical
Publication of CN114610076B publication Critical patent/CN114610076B/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
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft

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)
  • Navigation (AREA)

Abstract

本发明公开了结合人工势场法与A‑star算法角度约束的航迹规划方法，涉及航迹规划技术领域，该方法将人工势场法与改进A‑star算法结合分别指导全局路径与局部路径：采用人工势场法进行全局路径规划，无人机的飞行方向由引力场控制，采用改进的A‑star算法进行局部路径规划，避让大型障碍物，通过提高避障效果，缩短寻路时间来优化规划路径、提高规划效率，且利用双向搜索模型解决了端点进入角度的约束，更符合实际应用。

Description

结合人工势场法与A-star算法角度约束的航迹规划方法
技术领域
本发明涉及航迹规划技术领域，具体涉及结合人工势场法与A-star算法角度约束的航迹规划方法。
背景技术
无人机航迹规划，是指为无人机规划出一条航迹，该航迹应在满足如无人飞行器到达时间、燃料消耗、威胁以及飞行区域等条件的基础上使规划出的航迹最优，或是达到一定的要求，以确保飞行任务的顺利完成。因为无人机应用环境复杂多变，且无人机自身性能存在约束，为了保证完成预定任务，无人机规划航迹应能最大程度上适应环境，避开威胁，提高其安全性，尽可能地减少航程与燃料消耗。
按照规划决策可以将路径规划算法分为现代智能算法以及传统经典算法。常用到的现代智能算法有A-star算法、粒子群算法、蚁群算法、遗传算法等，其中A-star算法更为简单高效，但随着搜索空间增大，A-star算法的计算量会呈指数增长，导致规划时间过长。常用的传统经典算法包括Dijkstra算法、人工势场法、模拟退火算法，其中人工势场法算法简明、实时性好、规划速度快、易于实现，但该方法在相近的障碍物面前难以发现路径，在狭窄通道内存在摆动现象，且具有局部最优问题。除此之外，在实际的环境中进行航迹规划时，无人飞行器为了躲避威胁区域或者攻击掩体背后的目标，还需要满足从特定飞行方向接近目标的约束，即规划出的航迹要满足端点方向约束，从起点的特定方向出发，并从目标点的威胁规避角度进行攻击。目前在解决具有端点进入角度约束的问题时，一般通过在目标点周围增加高威胁代价区域的方式实现，这样做不仅具有很大的局限性，也增加了航迹规划的时间，降低了规划效率。
针对上述问题，本发明提出将人工势场法与改进A-star算法结合分别指导全局路径与局部路径：采用人工势场法进行全局路径规划，无人机的飞行方向由引力场控制，采用改进的A-star算法进行局部路径规划，避让大型障碍物，并且利用双向搜索模型解决端点进入角度的约束。本发明可以通过提高避障效果，缩短寻路时间来优化规划路径、提高规划效率，同时航迹还满足了威胁规避角度约束，更符合实际应用。
发明内容
本发明的目的在于克服现有技术的不足，提供结合人工势场法与A-star算法角度约束的航迹规划方法，包括以下步骤：
步骤1：根据地图建立航迹坐标系；
步骤2：以无人机当前位置为起始点，以目标位置为终止点，获取起始点坐标、终止点坐标，判断地图中障碍物个数是否小于规划威胁阈值，若是，则采用双向搜索模型计算威胁规避角度，无人机沿威胁规避角度的航迹进入目标点，完成航迹规划，若否，则进入步骤3；
步骤3：根据人工势场法建立引力场，无人机依据引力场向终止点移动，判断动作过程中是否存在影响距离超过阈值的障碍物，若是，则进入步骤4，若否，则返回步骤2；
步骤4：对地图进行栅格化，确定起始点和终止点，采用改进A-star算法生成航迹路径，无人机沿航迹路径向终止点移动，无人机完成航迹路径后返回步骤2。
优选的，所述步骤2中，采用双向搜索模型计算威胁规避角度时，具体包括有以下步骤。
步骤201：对双向搜索模型进行参数初始化；
步骤202：以起始点指向终止点为正方向，从起始点沿正方向搜索第一航点，搜索路程为第一航迹，同时从终止点沿逆方向搜索第二航点，搜索路程为第二航迹，判断第一航迹、第二航迹是否交汇，若是，则进入步骤203，若否，则重复搜索过程；
步骤203：将两段航迹连成具有威胁规避角度的闭合航迹。
优选的，所述步骤201中的双向搜索模型为：
Figure 628030DEST_PATH_IMAGE001
；
Figure 534806DEST_PATH_IMAGE002
为双向搜索模型；
Figure 221002DEST_PATH_IMAGE003
为改进后A-star算法的代价函数，
Figure 693572DEST_PATH_IMAGE004
为改进后的实际代价函数，
Figure 134918DEST_PATH_IMAGE005
为估算代价函数，
Figure 325728DEST_PATH_IMAGE006
、
Figure 753298DEST_PATH_IMAGE007
、
Figure 80374DEST_PATH_IMAGE008
为权重系数，
Figure 364725DEST_PATH_IMAGE009
；
Figure 105148DEST_PATH_IMAGE010
为角度偏差代价；
Figure 398726DEST_PATH_IMAGE011
Figure 783571DEST_PATH_IMAGE012
表示沿正方向搜索的当前节点与沿逆方向搜索的当前节点速度方向的夹角，
Figure 238823DEST_PATH_IMAGE013
表示沿正方向搜索的当前节点的速度方向与航迹坐标系X轴正半轴的夹角。
引入角度偏差代价的主要目的为引导双向搜索尽快闭合，待拓展点的
Figure 138646DEST_PATH_IMAGE010
值越小，那么该拓展点被选择的可能性就越大。
优选的，所述规划威胁阈值设为三个。
优选的，所述人工势场法建立引力场的表达公式为：
Figure 32652DEST_PATH_IMAGE014
其中，
Figure 599900DEST_PATH_IMAGE015
为无人机所受引力场，
Figure 163736DEST_PATH_IMAGE016
为无人机当前坐标，
Figure 550855DEST_PATH_IMAGE017
为终止点坐标 ，
Figure 186236DEST_PATH_IMAGE018
为障碍物坐标，
Figure 404728DEST_PATH_IMAGE019
为引力系数，
Figure 467362DEST_PATH_IMAGE020
为障碍物的影响距离阈值；
当无人机与障碍物之间的距离小于等于
Figure 279460DEST_PATH_IMAGE020
时，则无人机将停止移动，进行避让，否则，无人机将受到人工势场法的引力作用，不断向目标位置移动。
优选的，所述改进A-star算法的具体改进方式包括以下步骤。
步骤401：引入障碍物扩展策略；
步骤402：修改A-star算法中的实际代价函数，生成A-star算法的改进代价函数；
步骤403：设定实际代价函数、估算代价函数的权重；
步骤404：利用通视性检查方法删除A-star算法生成的航迹路径中的无用点。
优选的，所述步骤402中，改进后的实际代价函数和改进后A-star算法的代价函数如下所示：
改进后A-star算法的代价函数为：
Figure 452952DEST_PATH_IMAGE021
；
式中，
Figure 729213DEST_PATH_IMAGE004
为改进后的实际代价函数，
Figure 25065DEST_PATH_IMAGE005
为估算代价函数，
Figure 386776DEST_PATH_IMAGE006
、
Figure 98380DEST_PATH_IMAGE007
、
Figure 166830DEST_PATH_IMAGE008
为权重系数，
Figure 571267DEST_PATH_IMAGE009
；
Figure 482591DEST_PATH_IMAGE010
为角度偏差代价；
Figure 732307DEST_PATH_IMAGE011
Figure 983160DEST_PATH_IMAGE012
表示沿正方向搜索的当前节点与沿逆方向搜索的当前节点速度方向的夹角，
Figure 496181DEST_PATH_IMAGE013
表示沿正方向搜索的当前节点的速度方向与航迹坐标系X轴正半轴的夹角。
地图栅格化后，设
Figure 832484DEST_PATH_IMAGE022
为无人机当前所在点
Figure 885891DEST_PATH_IMAGE023
的坐标，其中，改进后的实际代价函数
Figure 53567DEST_PATH_IMAGE024
可表示为：
Figure 799806DEST_PATH_IMAGE025
。
优选的，所述步骤403中，设定权重后的代价函数如下所示：
Figure 295509DEST_PATH_IMAGE026
Figure 152607DEST_PATH_IMAGE027
其中，
Figure 112473DEST_PATH_IMAGE028
为自变量，取值范围为
Figure 91930DEST_PATH_IMAGE029
。
本发明的有益效果是：
（1）将人工势场法与改进A-star算法结合分别指导全局路径与局部路径：采用人工势场法进行全局路径规划，无人机的飞行方向由引力场控制，采用改进的A-star算法进行局部路径规划，避让大型障碍物，通过提高避障效果，缩短寻路时间来优化规划路径、提高规划效率。
（2）利用双向搜索模型解决了威胁规避角度的约束，更符合实际应用。
附图说明
图1显示为结合人工势场法与A-star算法角度约束的航迹规划方法的流程图；
图2显示为结合人工势场法与A-star算法角度约束的航迹规划方法的双向搜索模型流程图；
图3显示为结合人工势场法与A-star算法角度约束的航迹规划方法的双向搜索模型示意图；
图4显示为结合人工势场法与A-star算法角度约束的航迹规划方法的双向搜索模型角度偏差示意图；
图5显示为结合人工势场法与A-star算法角度约束的航迹规划方法的改进的A-star算法流程图。
具体实施方式
下面结合本发明的附图1-附图5，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。
在本发明的描述中，需要理解的是，术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以下结合实施例对本发明的特征和性能做进一步的详细描述。
结合人工势场法与A-star算法角度约束的航迹规划方法，如图1所示，包括以下步骤：
步骤1：根据地图建立航迹坐标系；
步骤2：以无人机当前位置为起始点，以目标位置为终止点，获取起始点坐标、终止点坐标，判断地图中障碍物个数是否小于规划威胁阈值，若是，则采用双向搜索模型计算威胁规避角度，无人机沿威胁规避角度的航迹进入目标点，完成航迹规划，若否，则进入步骤3；
步骤3：根据人工势场法建立引力场，无人机依据引力场向终止点移动，判断动作过程中是否存在影响距离超过阈值的障碍物，若是，则进入步骤4，若否，则返回步骤2；
步骤4：对地图进行栅格化，确定起始点和终止点，采用改进A-star算法生成航迹路径，无人机沿航迹路径向终止点移动，无人机完成航迹路径后返回步骤2。
进一步的，所述步骤2中，采用双向搜索模型计算威胁规避角度时，具体包括有以下步骤。如图2所示。
步骤201：对双向搜索模型进行参数初始化；
步骤202：以起始点指向终止点为正方向，从起始点沿正方向搜索第一航点，搜索路程为第一航迹，同时从终止点沿逆方向搜索第二航点，搜索路程为第二航迹，判断第一航迹、第二航迹是否交汇，若是，则进入步骤203，若否，则重复搜索过程；如图3所示；
步骤203：将两段航迹连成具有威胁规避角度的闭合航迹。
进一步的，所述步骤201中的双向搜索模型为：
Figure 402826DEST_PATH_IMAGE001
；
Figure 1297DEST_PATH_IMAGE002
为双向搜索模型；
Figure 550090DEST_PATH_IMAGE003
为改进后A-star算法的代价函数，
Figure 903711DEST_PATH_IMAGE004
为改进后的实际代价函数，
Figure 498641DEST_PATH_IMAGE005
为估算代价函数，
Figure 963120DEST_PATH_IMAGE006
、
Figure 569682DEST_PATH_IMAGE007
、
Figure 828625DEST_PATH_IMAGE008
为权重系数，
Figure 848533DEST_PATH_IMAGE009
；
Figure 913441DEST_PATH_IMAGE010
为角度偏差代价；
Figure 702406DEST_PATH_IMAGE011
Figure 132250DEST_PATH_IMAGE012
表示沿正方向搜索的当前节点与沿逆方向搜索的当前节点速度方向的夹角，
Figure 311559DEST_PATH_IMAGE013
表示沿正方向搜索的当前节点的速度方向与航迹坐标系X轴正半轴的夹角。如图4所示。
引入角度偏差代价的主要目的为引导双向搜索尽快闭合，待拓展点的
Figure 117841DEST_PATH_IMAGE010
值越小，那么该拓展点被选择的可能性就越大。
进一步的，本实施例中优选所述规划威胁阈值设为三个。
当地图中障碍物的数量小于三个时，双向搜索模型的规划效率最高，规划出的轨迹能够更加符合无人机在航行过程中的安全性和约束要求，且障碍物半径越小，双向搜索模型的规划效率越高。
进一步的，所述人工势场法建立引力场的表达公式为：
Figure 100927DEST_PATH_IMAGE014
其中，
Figure 701672DEST_PATH_IMAGE015
为无人机所受引力场，
Figure 633856DEST_PATH_IMAGE016
为无人机当前坐标，
Figure 712671DEST_PATH_IMAGE017
为终止点坐标 ，
Figure 476227DEST_PATH_IMAGE018
为障碍物坐标，
Figure 310191DEST_PATH_IMAGE019
为引力系数，
Figure 791988DEST_PATH_IMAGE020
为障碍物的影响距离阈值；
当无人机与障碍物之间的距离小于等于
Figure 877756DEST_PATH_IMAGE020
时，则无人机将停止移动，进行避让，否则，无人机将受到人工势场法的引力作用，不断向目标位置移动。
进一步的，所述改进A-star算法的具体改进方式包括以下步骤。如图5所示。
步骤401：引入障碍物扩展策略；
步骤402：修改A-star算法中的实际代价函数，生成A-star算法的改进代价函数；
步骤403：设定实际代价函数、估算代价函数的权重；
步骤404：利用通视性检查方法删除A-star算法生成的航迹路径中的无用点。
在步骤401中，所述障碍物扩展策略为：逐一检查所有栅格区域时，将处于障碍物所在区间的栅格的邻近8个栅格均设为障碍物扩展区域，并为其赋予障碍物栅格一样的属性。
在步骤402中，A-star算法的改进代价函数能够使得每个区间的搜索计算量降低，以减少寻路时间，提高算法的搜索效率。
在步骤404中，利用通视性检查方法删除A-star算法生成的航迹路径中的无用点时，具体包括以下步骤。
步骤4041：改进A-star算法生成航迹路径后，从航迹路径起始点作为当前节点，以起始点指向终止点为正方向，进入步骤4042；
步骤4042：从当前节点开始，沿正方向判断航迹路径中任一节点与当前节点间相连的线段是否与障碍物相交，若否，则保留该节点，并删除该节点与当前节点之间的其余节点，并进入步骤4043，若是，则进入步骤4044；
步骤4043：判断航迹路径中节点是否均检查完毕，若是，则停止检查，输出检查后的航迹路径，若否，则返回步骤4042；
步骤4044：保留该节点，并将该节点作为当前节点，返回步骤4042。
进一步的，所述步骤402中，改进后的实际代价函数和改进后A-star算法的代价函数如下所示：
改进后A-star算法的代价函数为：
Figure 230240DEST_PATH_IMAGE021
其中，
Figure 438367DEST_PATH_IMAGE004
为改进后的实际代价函数，
Figure 204198DEST_PATH_IMAGE005
为估算代价函数，
Figure 890394DEST_PATH_IMAGE006
、
Figure 362964DEST_PATH_IMAGE007
、
Figure 414096DEST_PATH_IMAGE008
为权重系数，
Figure 604906DEST_PATH_IMAGE009
；
Figure 157110DEST_PATH_IMAGE010
为角度偏差代价；
Figure 484186DEST_PATH_IMAGE011
Figure 34116DEST_PATH_IMAGE012
表示沿正方向搜索的当前节点与沿逆方向搜索的当前节点速度方向的夹角，
Figure 649906DEST_PATH_IMAGE013
表示沿正方向搜索的当前节点的速度方向与航迹坐标系X轴正半轴的夹角。
地图栅格化后，设
Figure 677904DEST_PATH_IMAGE022
为无人机当前所在点
Figure 859487DEST_PATH_IMAGE023
的坐标，其中，改进后的实际代价函数
Figure 642635DEST_PATH_IMAGE024
可表示为：
Figure 808037DEST_PATH_IMAGE025
其中，
Figure 577410DEST_PATH_IMAGE005
通常采用欧氏距离计算得来：
Figure 613499DEST_PATH_IMAGE030
Figure 505232DEST_PATH_IMAGE031
是目标点
Figure 220247DEST_PATH_IMAGE032
坐标。
进一步的，所述步骤403中，设定权重后的代价函数如下所示：
Figure 590049DEST_PATH_IMAGE026
Figure 949486DEST_PATH_IMAGE027
其中，
Figure 746540DEST_PATH_IMAGE028
为自变量，取值范围为
Figure 620956DEST_PATH_IMAGE029
。
Figure 122344DEST_PATH_IMAGE028
的取值探索应该从1开始拓展，经过加权求平均最终取得合适值。

Claims (2)

1.结合人工势场法与A-star算法角度约束的航迹规划方法，其特征在于，包括以下步骤：
步骤1：根据地图建立航迹坐标系；
步骤2：以无人机当前位置为起始点，以目标位置为终止点，获取起始点坐标、终止点坐标，判断地图中障碍物个数是否小于规划威胁阈值，若是，则采用双向搜索模型计算威胁规避角度，无人机沿威胁规避角度的航迹进入目标点，完成航迹规划，若否，则进入步骤3；
步骤3：根据人工势场法建立引力场，无人机依据引力场向终止点移动，判断动作过程中是否存在影响距离超过阈值的障碍物，若是，则进入步骤4，若否，则返回步骤2；
步骤4：对地图进行栅格化，确定起始点和终止点，采用改进A-star算法生成航迹路径，无人机沿航迹路径向终止点移动，无人机完成航迹路径后返回步骤2；
所述步骤2中，采用双向搜索模型计算威胁规避角度时，具体包括有以下步骤：
步骤201：对双向搜索模型进行参数初始化；
步骤202：以起始点指向终止点为正方向，从起始点沿正方向搜索第一航点，搜索路程为第一航迹，同时从终止点沿逆方向搜索第二航点，搜索路程为第二航迹，判断第一航迹、第二航迹是否交汇，若是，则进入步骤203，若否，则重复搜索过程；
步骤203：将两段航迹连成具有威胁规避角度的闭合航迹；
所述步骤201中的双向搜索模型为：
Figure DEST_PATH_IMAGE001
；
Figure 92853DEST_PATH_IMAGE002
为改进后A-star算法的代价函数，
Figure DEST_PATH_IMAGE003
为改进后的实际代价函数，
Figure 504DEST_PATH_IMAGE004
为估算代价函数，
Figure DEST_PATH_IMAGE005
、
Figure 55048DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE007
为权重系数，
Figure 32362DEST_PATH_IMAGE008
；
Figure DEST_PATH_IMAGE009
为角度偏差代价；
Figure 447557DEST_PATH_IMAGE010
；
Figure DEST_PATH_IMAGE011
表示沿正方向搜索的当前节点与沿逆方向搜索的当前节点速度方向的夹角，
Figure 253839DEST_PATH_IMAGE012
表示沿正方向搜索的当前节点的速度方向与航迹坐标系X轴正半轴的夹角；
所述人工势场法建立引力场的表达公式为：
Figure DEST_PATH_IMAGE013
其中，
Figure 444780DEST_PATH_IMAGE014
为无人机所受引力场，
Figure DEST_PATH_IMAGE015
为无人机当前坐标，
Figure 950585DEST_PATH_IMAGE016
为终止点坐标 ，
Figure DEST_PATH_IMAGE017
为障碍物坐标，
Figure 476244DEST_PATH_IMAGE018
为引力系数，
Figure DEST_PATH_IMAGE019
为障碍物的影响距离阈值；
所述改进A-star算法的具体改进方式包括以下步骤；
步骤401：引入障碍物扩展策略；
步骤402：修改A-star算法中的实际代价函数，生成A-star算法的改进代价函数；
步骤403：设定实际代价函数、估算代价函数的权重；
步骤404：利用通视性检查方法删除A-star算法生成的航迹路径中的无用点；
改进后的实际代价函数和改进后A-star算法的代价函数如下所示：
改进后A-star算法的代价函数为：
Figure 102529DEST_PATH_IMAGE020
式中，
Figure 928402DEST_PATH_IMAGE003
为改进后的实际代价函数，
Figure 168891DEST_PATH_IMAGE004
为估算代价函数，
Figure 693763DEST_PATH_IMAGE005
、
Figure 169744DEST_PATH_IMAGE006
、
Figure 725490DEST_PATH_IMAGE007
为权重系数，
Figure 746667DEST_PATH_IMAGE008
；
Figure 778077DEST_PATH_IMAGE009
为角度偏差代价；
Figure 401956DEST_PATH_IMAGE010
Figure 717269DEST_PATH_IMAGE011
表示沿正方向搜索的当前节点与沿逆方向搜索的当前节点速度方向的夹角，
Figure 158615DEST_PATH_IMAGE012
表示沿正方向搜索的当前节点的速度方向与航迹坐标系X轴正半轴的夹角；
地图栅格化后，设
Figure DEST_PATH_IMAGE021
为无人机当前所在点
Figure 365736DEST_PATH_IMAGE022
的坐标，其中，改进后的实际代价函数
Figure DEST_PATH_IMAGE023
可表示为：
Figure 386782DEST_PATH_IMAGE024
；
所述步骤403中，设定权重后的代价函数如下所示：
Figure DEST_PATH_IMAGE025
Figure 621847DEST_PATH_IMAGE026
其中，
Figure DEST_PATH_IMAGE027
为自变量，取值范围为
Figure 453668DEST_PATH_IMAGE028
。
2.根据权利要求1所述的结合人工势场法与A-star算法角度约束的航迹规划方法，其特征在于，所述规划威胁阈值设为三个。
CN202210504573.2A 2022-05-10 2022-05-10 结合人工势场法与A-star算法角度约束的航迹规划方法 Active CN114610076B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210504573.2A CN114610076B (zh) 2022-05-10 2022-05-10 结合人工势场法与A-star算法角度约束的航迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210504573.2A CN114610076B (zh) 2022-05-10 2022-05-10 结合人工势场法与A-star算法角度约束的航迹规划方法

Publications (2)

Publication Number Publication Date
CN114610076A CN114610076A (zh) 2022-06-10
CN114610076B true CN114610076B (zh) 2022-07-29

Family

ID=81869598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210504573.2A Active CN114610076B (zh) 2022-05-10 2022-05-10 结合人工势场法与A-star算法角度约束的航迹规划方法

Country Status (1)

Country Link
CN (1) CN114610076B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114967701B (zh) * 2022-06-14 2023-06-09 中国矿业大学 一种动态环境下移动机器人自主导航方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880186A (zh) * 2012-08-03 2013-01-16 北京理工大学 基于稀疏a*算法和遗传算法的航迹规划方法
CN103901892A (zh) * 2014-03-04 2014-07-02 清华大学 无人机的控制方法及系统
CN107577241A (zh) * 2017-07-13 2018-01-12 西北工业大学 一种基于避障系统的消防无人机航迹规划方法
CN110977967A (zh) * 2019-11-29 2020-04-10 天津博诺智创机器人技术有限公司 一种基于深度强化学习的机器人路径规划方法
CN111024085A (zh) * 2019-12-18 2020-04-17 四川大学 一种具有端点方向和时间约束的无人机航迹规划方法
CN113485360A (zh) * 2021-07-29 2021-10-08 福州大学 基于改进搜索算法的agv机器人路径规划方法及系统
CN114020015A (zh) * 2021-10-29 2022-02-08 国网电力科学研究院武汉南瑞有限责任公司 基于障碍物地图双向搜索的无人机路径规划系统及方法
CN114199270A (zh) * 2021-12-14 2022-03-18 安徽理工大学 融合双向搜索机制与改进a*算法的机器人路径规划方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3010005B1 (en) * 2014-10-14 2021-05-19 The Boeing Company Method for creating and choosing a determinate piloting strategy for an aircraft
US11231715B2 (en) * 2018-05-22 2022-01-25 King Fahd University Of Petroleum And Minerals Method and system for controlling a vehicle
CN111736611B (zh) * 2020-07-06 2023-03-24 中国计量大学 一种基于a*算法和人工势场算法的移动机器人路径规划方法
CN114115362B (zh) * 2021-11-30 2023-12-26 沈阳航空航天大学 一种基于双向apf-rrt*算法的无人机航迹规划方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880186A (zh) * 2012-08-03 2013-01-16 北京理工大学 基于稀疏a*算法和遗传算法的航迹规划方法
CN103901892A (zh) * 2014-03-04 2014-07-02 清华大学 无人机的控制方法及系统
CN107577241A (zh) * 2017-07-13 2018-01-12 西北工业大学 一种基于避障系统的消防无人机航迹规划方法
CN110977967A (zh) * 2019-11-29 2020-04-10 天津博诺智创机器人技术有限公司 一种基于深度强化学习的机器人路径规划方法
CN111024085A (zh) * 2019-12-18 2020-04-17 四川大学 一种具有端点方向和时间约束的无人机航迹规划方法
CN113485360A (zh) * 2021-07-29 2021-10-08 福州大学 基于改进搜索算法的agv机器人路径规划方法及系统
CN114020015A (zh) * 2021-10-29 2022-02-08 国网电力科学研究院武汉南瑞有限责任公司 基于障碍物地图双向搜索的无人机路径规划系统及方法
CN114199270A (zh) * 2021-12-14 2022-03-18 安徽理工大学 融合双向搜索机制与改进a*算法的机器人路径规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Bi-Directional Adaptive A* Algorithm Toward Optimal Path Planning for Large-Scale UAV Under Multi-Constraints;Xueli Wu，等;《IEEE Access》;20201231;第8卷;全文 *
Global Dynamic Path Planning based on Fusion Improved A-star And Dynamic Window Method;Qiang Fu，等;《 2021 IEEE 5th Information Technology,Networking,Electronic and Automation Control Conference (ITNEC)》;20211231;全文 *
基于双向搜索改进A*算法的自动导引车路径规划;陈德童，等;《计算机应用》;20211231;全文 *
避障最优路径系统研究;唐焱，等;《计算机技术与应用》;20171231;全文 *

Also Published As

Publication number Publication date
CN114610076A (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN113359757B (zh) 一种无人驾驶车辆路径规划与轨迹跟踪方法
CN106444740B (zh) 基于mb-rrt的无人机二维航迹规划方法
CN107608372B (zh) 一种基于改进rrt算法与改进ph曲线相结合的多无人机协同航迹规划方法
CN108444488A (zh) 基于等步采样a*算法的无人驾驶局部路径规划方法
CN107085437A (zh) 一种基于eb‑rrt的无人机航迹规划方法
CN107504972A (zh) 一种基于鸽群算法的飞行器航迹规划方法及装置
CN111930121B (zh) 一种室内移动机器人的混合路径规划方法
CN109685237B (zh) 一种基于Dubins路径和分支限界的无人机航迹实时规划方法
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
CN114610076B (zh) 结合人工势场法与A-star算法角度约束的航迹规划方法
CN113848919A (zh) 一种基于蚁群算法的室内agv路径规划方法
CN112379697B (zh) 轨迹规划方法、装置、轨迹规划器、无人机及存储介质
CN106774425A (zh) 一种无人机飞行导航的方法及系统
CN112947594B (zh) 一种面向无人机的航迹规划方法
CN111897362B (zh) 一种复杂环境下的翼伞组合式航迹规划方法
CN110470305B (zh) 一种动态环境下无人机避障航迹规划方法
CN114675649A (zh) 一种融合改进的a*与dwa算法的室内移动机器人路径规划方法
CN109613921A (zh) 基于快速移动萤火虫算法的无人船舶局部路径规划方法
Gao et al. A fusion approach for mobile robot path planning based on improved A* algorithm and adaptive dynamic window approach
CN116804879A (zh) 一种改进蜣螂算法融合dwa算法的机器人路径规划框架方法
CN111561933A (zh) 双重改进a星最短航路规划方法
CN113467476A (zh) 考虑转角约束的无碰撞检测快速随机树全局路径规划方法
CN114779772A (zh) 一种融合全局及局部算法的路径规划方法及装置
CN115328208A (zh) 一种实现全局动态路径规划的无人机路径规划方法
Zhao et al. Autonomous exploration method for fast unknown environment mapping by using UAV equipped with limited FOV sensor

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