CN114740858A - 一种采用人工鱼群模型的机器人路径规划方法 - Google Patents

一种采用人工鱼群模型的机器人路径规划方法 Download PDF

Info

Publication number
CN114740858A
CN114740858A CN202210416784.0A CN202210416784A CN114740858A CN 114740858 A CN114740858 A CN 114740858A CN 202210416784 A CN202210416784 A CN 202210416784A CN 114740858 A CN114740858 A CN 114740858A
Authority
CN
China
Prior art keywords
artificial fish
control function
interval control
function
robot
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
Application number
CN202210416784.0A
Other languages
English (en)
Inventor
姚正华
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.)
Yangtze Normal University
Original Assignee
Yangtze Normal 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 Yangtze Normal University filed Critical Yangtze Normal University
Priority to CN202210416784.0A priority Critical patent/CN114740858A/zh
Publication of CN114740858A publication Critical patent/CN114740858A/zh
Pending legal-status Critical Current

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
    • G05D1/0212—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

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)
  • Manipulator (AREA)

Abstract

本发明提供了一种采用人工鱼群模型的机器人路径规划方法，属于机器人应用技术领域，本发明通过对人工鱼视野和步长的变化区间进行设置，限定整个算法执行过程中人工鱼视野和步长的变化范围，且不受算法迭代次数的影响，实现了人工鱼视野和步长在可调区间内按照设定的精确变化范围进行改进，提高了机器人路径规划的精确度。

Description

一种采用人工鱼群模型的机器人路径规划方法
技术领域
本发明属于机器人应用技术领域，具体涉及一种采用人工鱼群模型的机器人路径规划方法。
背景技术
机器人路径规划是指在满足一定的物理约束条件下，为机器人完成设定任务和动作所设计的运动序列安排。可以通过人工鱼群原理实现机器人路径规划。基本人工鱼群算法中参数固定，导致出现人工鱼视野和步长过大或过小两种可能，参数鲁棒性极差。当人工鱼视野和步长过大时，算法前期在聚群行为和追尾行为的作用下人工鱼能快速向最优解邻域聚集，算法后期，人工鱼出现觅食障碍，产生振荡现象，优化精度较低。当视野和步长设置过小时，人工鱼的觅食行为占据主导，移动速度较慢，人工鱼搜索区域较小，会出现无法全局收敛，陷入局部最优的现象。算法后期，人工鱼可能在局部最优区域反复搜索，导致被局部最优干扰。人工鱼视野过大或过小，都会对寻优效果造成影响，出现收敛速度和解的精度不能兼顾的矛盾。
现有的一种采用自适应函数对人工鱼的视野和步长进行衰减的改进人工鱼群原理，由于没有进行人工鱼视野和步长自适应定量控制，人工鱼视野和步长变化区间不能根据优化对象的特点进行事先设定，优化过程中不能精确控制人工鱼视野和步长变化，参数变化受迭代次数影响较大,优化结果存在陷入局部最优的可能，导致算法早熟，不能定量分析人工鱼视野和步长对算法性能的影响。对机器人路径规划的准确性有一定影响。
发明内容
为了克服上述现有技术存在的不足，本发明提供了一种采用人工鱼群模型的机器人路径规划方法。
为了实现上述目的，本发明提供如下技术方案：
一种采用人工鱼群模型的机器人路径规划方法，包括以下步骤：
根据机器人运动的起点位置、终点位置和运动范围，建立二维坐标系；
在二维坐标系内以Y轴为基准，均匀划分多条平行线，在每条平行线上取一点作为初始参考点；
依据二维坐标系建立人工鱼群模型，设置人工鱼群模型中的区间控制函数f()、迭代次数的最大值max_gen和初始值，迭代区间控制函数f()控制人工鱼的视野和人工鱼的步长；
将每个初始参考点的纵坐标作为每条人工鱼的初始参数，执行觅食、追尾和聚群行为，计算所述觅食、追尾和聚群行为的适应度，根据适应度控制人工鱼移动，根据每条人工鱼实时的纵坐标改变每条人工鱼的参数；
以所有人工鱼的横坐标和纵坐标为依据，确定多个路径参考点，依次连接多个路径参考点获得机器人运动路径，以机器人运动路径的长度为评价依据，将机器人运动路径长度最短的运动路径作为机器人运动的最终路径。
优选的，所述区间控制函数f()控制人工鱼的视野和人工鱼的步长的具体步骤包括：
给人工鱼的视野和步长赋相同的初始值initial；
各条人工鱼分别执行觅食、追尾、聚群和随机行为，比较各种行为执行后的适应度，执行最高适应度对应的行为；
在最高适应度对应的行为下，直至人工鱼个体适应度满足公告牌更新条件，将该条件下人工鱼的视野和步长作为最终人工鱼的视野和步长adap；否则重复对人工鱼的视野和步长的操作。
优选的，
所述区间控制函数f()每次迭代后的函数值均小于迭代前的函数值。
优选的，所述最终人工鱼的视野和步长adap的确定包括：：
利用下式计算人工的鱼视野和人工鱼的步长的终值adap，
adap＝initial*f(iter)
其中，iter为当前的迭代次数。
优选的，
所述区间控制函数f()为幂函数型区间控制函数，
f(iter)＝K*iterb
式中，
K＝max_y
Figure BDA0003606371530000031
幂函数型区间控制函数的具体表达式如下，
Figure BDA0003606371530000032
其中，iter为当前的迭代次数；max_y为所述区间控制函数f()初次迭代后的函数值；min_y为所述区间控制函数f()在当前的迭代次数下最后一次迭代后的函数值。
优选的，
所述区间控制函数f()为线性函数型区间控制函数，
f(iter)＝K*iter+b
式中，
Figure BDA0003606371530000033
Figure BDA0003606371530000034
线性函数型区间控制函数的具体表达式如下，
Figure BDA0003606371530000035
其中，iter为当前的迭代次数；max_y为所述区间控制函数f()初次迭代后的函数值；min_y为所述区间控制函数f()在当前的迭代次数下最后一次迭代后的函数值。
优选的，
所述区间控制函数f()为指数函数型区间控制函数，
f(iter)＝K*biter
式中，
Figure BDA0003606371530000041
Figure BDA0003606371530000042
指数函数型区间控制函数的具体表达式如下，
Figure BDA0003606371530000043
其中，iter为当前的迭代次数；max_y为所述区间控制函数f()初次迭代后的函数值；min_y为所述区间控制函数f()在当前的迭代次数下最后一次迭代后的函数值。
优选的，依据下式获得机器人运动路径长度：
Figure BDA0003606371530000044
式中，
xi＝xs+i*(xT-xs)
式中，(xs,ys)为机器人运动的起点坐标，(xT,yT)为机器人运动的终点坐标，yi为第i条人工鱼的纵坐标，(xi,yi)为第i个路径参考点的二维坐标。
优选的，还包括：
在人工鱼移动过程中，每移动一次，对人工鱼二维坐标进行检测，若超出二维坐标系的运动范围，则令该人工鱼二维坐标为运动范围的边界值。
优选的，还包括：
将二维坐标系内的区域划分为可移动区域和不可移动区域；
在人工鱼移动过程中，每移动一次，对人工鱼二维坐标进行检测，直至任意相邻的两条人工鱼的二维坐标的连线位于可移动区域内，否则，重复更新人工鱼的位置。
本发明提供的采用人工鱼群模型的机器人路径规划方法具有以下有益效果：本发明通过对人工鱼视野和步长的变化区间进行设置，限定整个算法执行过程中人工鱼视野和步长的变化范围，且不受算法迭代次数的影响，实现了人工鱼视野和步长在可调区间内按照设定的精确变化范围进行改进，提高了机器人路径规划的精确度。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，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1的采用人工鱼群模型的机器人路径规划方法的结构示意图；
图2为本发明实施例1的对区间控制函数进行迭代的方法流程图；
图3为本发明实施例1的具体路线规划示意图；
图4为本发明实施例1的采用基本鱼群算法规划的机器人路径的示意图；
图5为本发明实施例1的规划的机器人路径的示意图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、“周向”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的技术方案和简化描述，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。
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定或限定，术语“相连”、“连接”应作广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体式连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以是通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上，在此不再详述。
实施例1
本发明提供了一种采用人工鱼群模型的机器人路径规划方法，具体如图1所示，包括以下步骤：根据机器人运动的起点位置、终点位置和运动范围，建立二维坐标系；在二维坐标系内以Y轴为基准，均匀划分多条平行线，在每条平行线上取一点作为初始参考点；依据二维坐标系建立人工鱼群模型，设置人工鱼群模型中的区间控制函数f()、迭代次数的最大值max_gen和初始值，迭代区间控制函数f()控制人工鱼的视野和人工鱼的步长；将每个初始参考点的纵坐标作为每条人工鱼的初始参数，执行觅食、追尾和聚群行为，计算觅食、追尾和聚群行为的适应度，根据适应度控制人工鱼移动，根据每条人工鱼实时的纵坐标改变每条人工鱼的参数；以所有人工鱼的横坐标和纵坐标为依据，确定多个路径参考点，依次连接多个路径参考点获得机器人运动路径，以机器人运动路径的长度为评价依据，将机器人运动路径长度最短的运动路径作为机器人运动的最终路径。
参阅图2，在本实施例中，区间控制函数f()控制人工鱼的视野和人工鱼的步长的具体步骤包括：给人工鱼的视野和步长赋相同的初始值initial；各条人工鱼分别执行觅食、追尾、聚群和随机行为，比较各种行为执行后的适应度，执行最高适应度对应的行为；在最高适应度对应的行为下，直至人工鱼个体适应度满足公告牌更新条件，将该条件下人工鱼的视野和步长作为最终人工鱼的视野和步长adap；否则重复对人工鱼的视野和步长的操作。区间控制函数f()每次迭代后的函数值均小于迭代前的函数值。
具体的，最终人工鱼的视野和步长adap的确定包括：利用下式计算人工的鱼视野和人工鱼的步长的终值adap，
adap＝initial*f(iter)
其中，iter为当前的迭代次数。
在本实施例中，区间控制函数f()为幂函数型区间控制函数，
f(iter)＝K*iterb
式中，
K＝max_y
Figure BDA0003606371530000071
幂函数型区间控制函数的具体表达式如下，
Figure BDA0003606371530000072
其中，iter为当前的迭代次数；max_y为区间控制函数f()初次迭代后的函数值；min_y为区间控制函数f()在当前的迭代次数下最后一次迭代后的函数值。
具体的，依据下式获得机器人运动路径长度：
Figure BDA0003606371530000073
式中，
xi＝xs+i*(xT-xs)
式中，(xs,ys)为机器人运动的起点坐标，(xT,yT)为机器人运动的终点坐标，yi为第i条人工鱼的纵坐标，(xi,yi)为第i个路径参考点的二维坐标。
为了使机器人实现避障功能。在人工鱼移动过程中，每移动一次，对人工鱼二维坐标进行检测，若超出二维坐标系的运动范围，则令该人工鱼二维坐标为运动范围的边界值。同时，将二维坐标系内的区域划分为可移动区域和不可移动区域；在人工鱼移动过程中，每移动一次，对人工鱼二维坐标进行检测，直至任意相邻的两条人工鱼的二维坐标的连线位于可移动区域内，否则，重复更新人工鱼的位置。
参阅图3，在本实施例中，将不可移动区域通过凸多边形和圆形进行表示。对于多边形障碍而言，首先判断多边形各个顶点与该段路径两个端点的横坐标之间的关系。处于路径端点横坐标之外的多边形顶点，则对路径无影响。在路径端点横坐标之间的多边形顶点，若是分布在该段路径的同侧，则对路径也无影响。当多边形顶点分布在路径两侧时，说明该段路径与不可移动区域有重合，该路径不可行，须调整参考点位置。设第i个中心为(xRi,yRi)的不可移动区域与第j个参考点(xj,yj)满足：
Figure BDA0003606371530000081
则可满足参考点在可移动区域内。其中△为可设定安全距离裕量，机器人被抽象成移动质点，设定一定的裕量保证机器人行走路径与不可移动区域有一定的安全距离。当参考点均处于可移动区域内，路径连线仍可能有部分处于不可移动区域内。当参考点均在安全区域内时，对起点、参考点和终点两个相邻点之间的路径连线，若任意不可移动区域中心到该连线的垂足不在该连线上，则该段路径必不经过该不可移动区域内。若垂足处于该段路径内，对第j段路径上的垂足(xdj,ydj)满足：
Figure BDA0003606371530000082
即可满足该段路径在可移动区域内。
下面通过具体的数据比较说明本申请的优越性。在本实例中，机器人路径优化区域为100×100，起点S(10,10)，终点T(100,100)，鱼群规模N＝20，最大迭代次数max_gen＝250，人工鱼个体视野为20，移动步长为5，觅食尝试次数为100，拥挤度因子为0.618，采用基本鱼群算法和区间可调的鱼群算法对路径模型进行规划研究，分别运算25次。
表1基本人工鱼群原理与本申请的结果对比表
Figure BDA0003606371530000091
参阅图4和图5，基本鱼群算法规划的路径距离较长，路径不够平滑，因为基本鱼群算法存在精度不足的缺陷。区间可调的人工鱼群原理在算法后期进行了精细化搜索，得到了距离更短，更为平滑的路径。区间可调的人工鱼群原理强化了局部细致搜索，得到的路径距离更短，人工鱼进行寻优的效率更高。
实施例2
在本实施例中，区间控制函数f()为线性函数型区间控制函数，
f(iter)＝K*iter+b
式中，
Figure BDA0003606371530000092
Figure BDA0003606371530000093
线性函数型区间控制函数的具体表达式如下，
Figure BDA0003606371530000094
其中，iter为当前的迭代次数；max_y为区间控制函数f()初次迭代后的函数值；min_y为区间控制函数f()在当前的迭代次数下最后一次迭代后的函数值。
其余内容与实施例1相同，不再赘述。
实施例3
在本实施例中，区间控制函数f()为指数函数型区间控制函数，
f(iter)＝K*biter
式中，
Figure BDA0003606371530000101
Figure BDA0003606371530000102
指数函数型区间控制函数的具体表达式如下，
Figure BDA0003606371530000103
其中，iter为当前的迭代次数；max_y为区间控制函数f()初次迭代后的函数值；min_y为区间控制函数f()在当前的迭代次数下最后一次迭代后的函数值。
其余内容与实施例1相同，不再赘述。
以上实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

Claims (10)

1.一种采用人工鱼群模型的机器人路径规划方法，其特征在于，包括以下步骤：
根据机器人运动的起点位置、终点位置和运动范围，建立二维坐标系；
在二维坐标系内以Y轴为基准，均匀划分多条平行线，在每条平行线上取一点作为初始参考点；
依据二维坐标系建立人工鱼群模型，设置人工鱼群模型中的区间控制函数f()、迭代次数的最大值max_gen和初始值，迭代区间控制函数f()控制人工鱼的视野和人工鱼的步长；
将每个初始参考点的纵坐标作为每条人工鱼的初始参数，执行觅食、追尾和聚群行为，计算所述觅食、追尾和聚群行为的适应度，根据适应度控制人工鱼移动，根据每条人工鱼实时的纵坐标改变每条人工鱼的参数；
以所有人工鱼的横坐标和纵坐标为依据，确定多个路径参考点，依次连接多个路径参考点获得机器人运动路径，以机器人运动路径的长度为评价依据，将机器人运动路径长度最短的运动路径作为机器人运动的最终路径。
2.根据权利要求1所述的采用人工鱼群模型的机器人路径规划方法，其特征在于，所述区间控制函数f()控制人工鱼的视野和人工鱼的步长的具体步骤包括：
给人工鱼的视野和步长赋相同的初始值initial；
各条人工鱼分别执行觅食、追尾、聚群和随机行为，比较各种行为执行后的适应度，执行最高适应度对应的行为；
在最高适应度对应的行为下，直至人工鱼个体适应度满足公告牌更新条件，将该条件下人工鱼的视野和步长作为最终人工鱼的视野和步长adap；否则重复对人工鱼的视野和步长的操作。
3.根据权利要求2所述的采用人工鱼群模型的机器人路径规划方法，其特征在于，
所述区间控制函数f()每次迭代后的函数值均小于迭代前的函数值。
4.根据权利要求2所述的采用人工鱼群模型的机器人路径规划方法，其特征在于，所述最终人工鱼的视野和步长adap的确定包括：
利用下式计算人工的鱼视野和人工鱼的步长的终值adap，
adap＝initial*f(iter)
其中，iter为当前的迭代次数。
5.根据权利要求2所述的采用人工鱼群模型的机器人路径规划方法，其特征在于，
所述区间控制函数f()为幂函数型区间控制函数，
f(iter)＝K*iterb
式中，
K＝max_y
Figure FDA0003606371520000021
幂函数型区间控制函数的具体表达式如下，
Figure FDA0003606371520000022
其中，iter为当前的迭代次数；max_y为所述区间控制函数f()初次迭代后的函数值；min_y为所述区间控制函数f()在当前的迭代次数下最后一次迭代后的函数值。
6.根据权利要求2所述的采用人工鱼群模型的机器人路径规划方法，其特征在于，
所述区间控制函数f()为线性函数型区间控制函数，
f(iter)＝K*iter+b
式中，
Figure FDA0003606371520000023
Figure FDA0003606371520000024
线性函数型区间控制函数的具体表达式如下，
Figure FDA0003606371520000031
其中，iter为当前的迭代次数；max_y为所述区间控制函数f()初次迭代后的函数值；min_y为所述区间控制函数f()在当前的迭代次数下最后一次迭代后的函数值。
7.根据权利要求2所述的采用人工鱼群模型的机器人路径规划方法，其特征在于，
所述区间控制函数f()为指数函数型区间控制函数，
f(iter)＝K*biter
式中，
Figure FDA0003606371520000032
Figure FDA0003606371520000035
指数函数型区间控制函数的具体表达式如下，
Figure FDA0003606371520000033
其中，iter为当前的迭代次数；max_y为所述区间控制函数f()初次迭代后的函数值；min_y为所述区间控制函数f()在当前的迭代次数下最后一次迭代后的函数值。
8.根据权利要求1所述的采用人工鱼群模型的机器人路径规划方法，其特征在于，依据下式获得机器人运动路径长度：
Figure FDA0003606371520000034
式中，
xi＝xs+i*(xT-xs)
式中，(xs,ys)为机器人运动的起点坐标，(xT,yT)为机器人运动的终点坐标，yi为第i条人工鱼的纵坐标，(xi,yi)为第i个路径参考点的二维坐标。
9.根据权利要求1所述的采用人工鱼群模型的机器人路径规划方法，其特征在于，还包括：
在人工鱼移动过程中，每移动一次，对人工鱼二维坐标进行检测，若超出二维坐标系的运动范围，则令该人工鱼二维坐标为运动范围的边界值。
10.根据权利要求1所述的采用人工鱼群模型的机器人路径规划方法，其特征在于，还包括：
将二维坐标系内的区域划分为可移动区域和不可移动区域；
在人工鱼移动过程中，每移动一次，对人工鱼二维坐标进行检测，直至任意相邻的两条人工鱼的二维坐标的连线位于可移动区域内，否则，重复更新人工鱼的位置。
CN202210416784.0A 2022-04-20 2022-04-20 一种采用人工鱼群模型的机器人路径规划方法 Pending CN114740858A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210416784.0A CN114740858A (zh) 2022-04-20 2022-04-20 一种采用人工鱼群模型的机器人路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210416784.0A CN114740858A (zh) 2022-04-20 2022-04-20 一种采用人工鱼群模型的机器人路径规划方法

Publications (1)

Publication Number Publication Date
CN114740858A true CN114740858A (zh) 2022-07-12

Family

ID=82284489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210416784.0A Pending CN114740858A (zh) 2022-04-20 2022-04-20 一种采用人工鱼群模型的机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN114740858A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115639828A (zh) * 2022-12-23 2023-01-24 河北科技大学 基于改进人工鱼群算法的机器人路径规划方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115639828A (zh) * 2022-12-23 2023-01-24 河北科技大学 基于改进人工鱼群算法的机器人路径规划方法及装置

Similar Documents

Publication Publication Date Title
CN110083165B (zh) 一种机器人在复杂狭窄环境下路径规划方法
CN111536964B (zh) 机器人定位方法及装置、存储介质
CN108664022B (zh) 一种基于拓扑地图的机器人路径规划方法及系统
US9573273B2 (en) Robot simulation device for generating motion path of robot
CN108680155B (zh) 基于部分感知马氏决策过程的机器人最优路径规划方法
US8774968B2 (en) Trajectory planning method, trajectory planning system and robot
CN110045731B (zh) 一种路径规划方法、电子装置及计算机可读存储介质
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
CN109202904A (zh) 一种机械臂运动路径的确定方法及确定系统
CN113110522A (zh) 一种基于复合式边界检测的机器人自主探索方法
CN109214596B (zh) 求取具有方向约束和障碍限制的栅格最短路径规划方法
CN110031007B (zh) 一种航迹规划方法、装置及计算机可读存储介质
CN111649758B (zh) 一种动态环境下基于强化学习算法的路径规划方法
CN114740858A (zh) 一种采用人工鱼群模型的机器人路径规划方法
CN109341698B (zh) 一种移动机器人的路径选择方法及装置
CN111427341B (zh) 一种基于概率地图的机器人最短预期时间目标搜索方法
CN106681135B (zh) 一种基于混合水滴算法的线缆布线路径搜索方法
Huadong et al. A path planning method of robot arm obstacle avoidance based on dynamic recursive ant colony algorithm
Couceiro et al. Analysis and parameter adjustment of the RDPSO towards an understanding of robotic network dynamic partitioning based on Darwin's theory
CN113467445A (zh) 一种基于视觉与路径规划的四足机器人摆动腿避障方法
CN113375686A (zh) 路径规划的方法、装置以及智能输送系统
KR20190136770A (ko) Ｇｍａ 용접에서의 비드 형상 예측 방법 및 장치
CN115344046A (zh) 一种基于改进深度q网络算法的移动机器人路径规划
CN113790729B (zh) 一种基于强化学习算法的无人天车路径规划方法及装置
WO2022110928A1 (zh) 机器人的建图方法、机器人、存储介质、电子装置

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