CN114859929A - 动态环境下基于改进dwa算法的agv路径规划方法 - Google Patents
动态环境下基于改进dwa算法的agv路径规划方法 Download PDFInfo
- Publication number
- CN114859929A CN114859929A CN202210544455.4A CN202210544455A CN114859929A CN 114859929 A CN114859929 A CN 114859929A CN 202210544455 A CN202210544455 A CN 202210544455A CN 114859929 A CN114859929 A CN 114859929A
- Authority
- CN
- China
- Prior art keywords
- agv
- dynamic
- algorithm
- speed
- obstacle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims abstract description 57
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 25
- 230000004888 barrier function Effects 0.000 claims description 19
- 230000014509 gene expression Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 16
- 238000005457 optimization Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000002688 persistence Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/60—Electric or hybrid propulsion means for production processes
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)
Abstract
本发明公开了一种动态环境下基于改进DWA算法的AGV路径规划方法,属于AGV路径规划技术领域;本发明首先通过获取AGV周围的局部地图信息设计局部DWA算法,对局部地图内的动态障碍物进行分类,评估动态障碍物速度,提升AGV对动态障碍物的避障判断能力,降低AGV偏离最短路径的程度;其次针对DWA算法移动到路径点需要调整方向的问题,通过优化DWA评价函数,缩短AGV在路径点的调整时间,并且通过改进的DWA算法对AGV全局路径的拐点进行优化,提高AGV运输效率;最后进行仿真验证,仿真结果表明本文提出的改进DWA算法在动态情况复杂的环境下,能够保证AGV实时避障,同时缩短了AGV的运输时间,提升了运输效率。
Description
技术领域
本发明属于AGV路径规划技术领域,更具体地说,是涉及一种动态环境下基于改进DWA算法的AGV路径规划方法。
背景技术
多品种、少批量、定制化复杂产品的生产过程属于离散型生产,例如典型的有陀螺零件的半自动化生产车间,其在装配过程中的物料运输等任务,依旧采用人工运输方式来完成,存在效率低、错误率高等问题,而随着智能制造技术的发展,这些半自动化生产企业逐渐开始对运输任务进行智能化升级,通过采用AGV替代人工运输,为智能化生产提供支撑。由于像陀螺零件这样定制化复杂产品的部分装配工序离不开手工作业,因此在生产车间内,人员流动性极强,而采用AGV对装配物料进行运输时,由于车间环境动态情况复杂,AGV在运输路径上的动态随机避障能力要求很高,因此研究一种随机避障能力强的路径规划算法尤为重要。
AGV的路径规划分为全局路径规划和局部路径规划,全局规划算法常见的有Dijkstra、A*、D*和RRT等,而A*算法由于简单有效的是目前最常用的路径规划算法;全局路径规划算法主要输出AGV路径,无法对AGV运行过程中的动态障碍物进行避障,而局部路径规划能够根据AGV自身传感器控制AGV速度使得其在动态未知环境中完成从起点到目标点的无碰撞运动。
现有技术中,目前对于AGV路径规划的研究,主要在于采用不同的规划方法搜索路径,提高路径搜索的速度,同时减少路径上的拐点,提升路径曲线的平滑度,但是对于生产车间等复杂的动态环境下,对动态障碍物进行高效避障的方法研究较少。
发明内容
本发明就是针对现有技术中存在的技术问题,提供一种动态环境下基于改进DWA算法的AGV路径规划方法。
为解决上述技术问题,为此本发明包括如下步骤:
步骤1:以生产车间为研究对象,对车间布局进行特征提取和简化,构建生产车间栅格地图,在栅格地图上预先设置起点和终点位置,并标记障碍物的位置;
步骤2:利用A*算法进行全局路径规划,将A*算法求得的路径进行关键点的提取,以此作为AGV移动的目标点,利用DWA算法进行采样轨迹预测,然后通过评价函数选出评价最高的路径所对应的AGV状态作为其下一步的运行状态;
步骤3:利用改进的DWA算法,缩小DWA对障碍物的感知区域,以步骤2所述的评价最高的路径为参考路径,从步骤1所述的起点到终点位置进行局部动态避障路径规划,为AGV规划出一条最优的动态避障路径;
步骤4:当步骤3在对动态障碍物进行识别时,改进的DWA算法需要根据动态障碍物的速度方向对动态障碍物进行分类,然后对动态障碍物的速度大小进行评估,以此来调整AGV的运动状态;
步骤5:AGV到达A*算法求得的拐点时,对DWA评价函数进行优化,增加目标方向评价函数,完成AGV路径规划。
优选的,步骤1具体包括:
对AGV所处的生产车间内部环境进行二维栅格化处理,将AGV置于平面直角坐标系中,横向为X轴,纵向为Y轴;
参照生产车间的物体实际情况,标记黑色部分为静态障碍物,标记红色部分为动态障碍物,同时栅格地图中还显示有起点位置、终点位置及规划路径。
优选的,步骤2包括以下步骤:
步骤2.1:利用A*算法进行全局路径规划,A*算法的评价函数表达式为:
f(n)=g(n)+h(n)
其中,n表示当前节点,f(n)表示从起点经由节点n到达目标点的评价函数;g(n)表示从起点到达节点n的实际代价;h(n)为估计值,表示从节点n到目标点估计代价,又称为启发函数;
步骤2.2:建立AGV运动模型,AGV运动模型的数学表达式为:
xn+1=xn+Δs*cosΔθ
yn+1=yn+Δs*sinΔθ
θn+1=θn+Δθ
其中,(xn,yn,θn)为当前时刻AGV的位置信息,(xn+1,yn+1,θn+1)为下一时刻AGV的位置信息;
步骤2.3:根据AGV当前速度及角速度,进行速度及角速度的采样,计算出可行的速度采样空间;
步骤2.4:得到AGV的采样轨迹后,通过评价函数对预测的路径进行评价。
优选的,步骤2.3中,采用过程需要满足的约束条件有:
机器人自身最大、最小速度和角速度限制范围为Ui;受到机器人自身电机增速和减速力矩影响,限制机器人当前速度和角速度范围Uj;为了机器人安全避障,考虑机器人当前状态能够安全制动范围内线速度和角速度Uk;
Ui={(v,ω)|v∈[vmin,vmax]∩ω∈[ωmin,ωmax]}
其中,vc为当前机器人的线速度,ωc为当前机器人的角速度,a1为机器人最大减速度,a2为机器人最大加速度,为机器人最大角减速度,为机器人最大角加速度,dist(v,ω)和theta(v,ω)分别为相应速度和角速度预测到的障碍物最小距离和最小夹角;
机器人的速度矢量空间为:
U=Ui∩Uj∩Uk。
优选的,步骤2中,评价函数的表达式为:
G(v,ω)=α*heading(v,ω)+β*distance(v,ω)+γ*velocity(v,ω)
其中,v、ω分别为机器人的线速度和角速度;heading(v,ω)为偏转评价函数,主要估量模拟状态下的机器人与目标点之间的矢量和机器人当前朝向的夹角;distance(v,ω)为安全评价函数,主要估量当前机器人位置和障碍物之间的距离;velocity(v,ω)为速度评价函数,其主要估量在满足条件的机器人状态中,选取速度较快的状态;α*、β*、γ*分别为评价因子的权重参数。
优选的,步骤3中,通过利用改进的局部动态窗口算法,缩小DWA对障碍物的感知区域,进而区分动态障碍物和静态障碍物;
在局部动态窗口算法中,较大的区域表示以AGV为中心长度为2L的矩形移动窗口,局部移动窗口实时捕获电子地图的信息,对障碍物类型进行分类,同时记录动态障碍物的运动方向。
优选的,步骤4包括以下步骤:
对局部DWA算法进行动态障碍物分类时,以当前AGV朝向θ为垂直基准,将AGV所处的左右划分为两大危险区域,分别为Dangerous Area a和Dangerous Area b,同时沿θ-90°和θ+90°的方向将危险区域再次划分为上下两部分,从而将动态障碍物划分为四个部分;
在对动态障碍物进行分类完毕之后,需要对动态障碍物的速度大小进行预测。
优选的,采用的预测方法为:
动态障碍物在单位时间Δt内一直保持运输运动,Δt=0...tmax;速度为vn,移动距离为Δsn,则Δsn=vn*Δt;对于AGV而言,其在单位时间内运行距离Δsk=vk*Δt;此时AGV的位置和动态障碍物的位置分别为xn+1=xn+Δsn*cosθn,yn+1=yn+Δsn*sinθn,xk+1=xk+Δsk*cosθk,yk+1=yk+Δsk*sinθk;二者之间的距离为disti,在Δt从0到tmax迭代的过程中,需要保证各个时间段内的disti>Robs,即AGV和动态障碍物不会发生碰撞,此时的动态障碍物速度vn和AGV的速度vk处于安全范围内,如果发生碰撞,则AGV状态需要进行减速调整。
优选的,优化后的DWA算法的评价函数表达式为:
G(v,ω)=α*heading(v,ω)+β*distance(v,ω)+γ*velocity(v,ω)+η*direction(v,ω)
direction(v,ω)=θgoal-θagv
其中,direction(v,ω)用于评价AGV到达目的点的方向角。
与现有技术相比,本发明具备以下有益效果:
本发明针对传统DWA算法无法区分障碍物类型,并且目标点距离起点太远时,容易造成与全局最短路径偏差太大的问题,本发明对其进行优化,首先提取局部地图信息,对动态障碍物进行分类,评估动态障碍物速度,进行局部避障,与传统的DWA算法相比,提升AGV对动态障碍物的避障判断能力,在保证动态避障效果的同时降低AGV偏离最短路径的程度;
其次针对DWA算法进行路径规划过程中,由于目标点本身带有方向角度,DWA算法在控制AGV运动到目的点时,需要进行角度校正的问题,采用添加了方向角函数的评价函数对DWA算法进行优化,在传统的DWA算法上,缩短了AGV运动时间;
由于全局路径规划搜索得到的路径,存在部分拐点,而拐点在AGV移动过程中,影响AGV运输速度,因此本发明采用优化的DWA算法对全局路径拐点进行优化,与传统的修正全局路径的方法相比,其动态避障效果更好,对AGV路径质量要求更低,同时还能缩短AGV运输时间,提高AGV运输效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述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申请的一些实施例,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为本发明路径规划流程示意图;
图2为本发明生产车间栅格电子地图;
图3为本发明AGV运动模型示意图;
图4为本发明AGV采用轨迹示意图;
图5为本发明动态障碍物运动示例;
图6为本发明局部DWA算法示意图;
图7为本发明动态障碍物分类示意图;
图8为本发明动态障碍物速度预测示意图;
图9为本发明AGV在目标点的角度偏差示意图;
图10为本发明在不同预估时间的DWA速度窗口示意图;
图11为本发明目标方向优化函数示意图;
图12为本发明传统DWA进行路径规划轨迹示意图;
图13为本发明局部DWA算法的路径规划轨迹示意图;
图14为未添加方向角的局部DWA算法在不同时刻的AGV状态示意图;
图15为本发明AGV运输速度变化曲线图;
图16为本发明AGV运输角速度变化曲线图;
图17为优化方向角的局部DWA算法在不同时刻的AGV状态示意图;
图18为本发明优化方向角的DWA算法的AGV速度变化曲线图;
图19为本发明优化方向角的DWA算法的AGV角速度变化曲线图;
图20为本发明未优化拐点算法在不同时刻的AGV状态示意图;
图21为本发明未优化拐点算法AGV运行速度变化曲线图;
图22为本发明未优化拐点算法AGV运行角速度变化曲线图;
图23为本发明优化拐点算法在不同时刻的AGV状态示意图;
图24为本发明优化拐点算法AGV运行速度变化曲线图;
图25为本发明优化拐点算法AGV运行角速度变化曲线图。
具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本申请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申请,并不用于限定本申请。
如图1所示,本发明提供一种动态环境下基于改进DWA算法的AGV路径规划方法,包括如下步骤:
步骤1:以生产车间为研究对象,对车间布局进行特征提取和简化,构建生产车间栅格地图,在栅格地图上预先设置起点和终点位置,并标记障碍物的位置;
步骤2:利用A*算法进行全局路径规划,将A*算法求得的路径进行关键点的提取,以此作为AGV移动的目标点,利用DWA算法进行采样轨迹预测,然后通过评价函数选出评价最高的路径所对应的AGV状态作为其下一步的运行状态;
步骤3:利用改进的DWA算法,缩小DWA对障碍物的感知区域,以步骤2所述的评价最高的路径为参考路径,从步骤1所述的起点到终点位置进行局部动态避障路径规划,为AGV规划出一条最优的动态避障路径;
步骤4:当步骤3在对动态障碍物进行识别时,改进的DWA算法需要根据动态障碍物的速度方向对动态障碍物进行分类,然后对动态障碍物的速度大小进行评估,以此来调整AGV的运动状态;
步骤5:AGV到达A*算法求得的拐点时,对DWA评价函数进行优化,增加目标方向评价函数,完成AGV路径规划。
实施例一:构建栅格地图
本发明以陀螺产品半自动化生产车间为研究对象,对车间的布局进行特征提取和简化,对AGV所处的生产车间内部环境进行二维栅格化处理,构建出生产车间的栅格地图,如图2所示。
图中生产车间长度约为32m,宽度约为20m,将AGV置于平面直角坐标系中,横向为X轴,纵向为Y轴;参照生产车间的物体实际情况,图中黑色方块数量最多,表示墙体、工位和其他静态障碍物,而零散的处于静态障碍物围成的空间内、数量较少的深色方块表示人或其他动态障碍物;浅色方块设置有两个,分别设置在虚线的两端部,且分别表示起点位置和终点位置;黑色交叉符号表示AGV,虚线表示经由A*求得的最短路径,实线表示AGV实际移动的路径,以栅格地图进行改进DWA算法的路径规划。
实施例二:A*算法原理
具体的,利用A*算法进行全局路径规划,A*算法主要应用在二维平面内的路径规划,是静态地图中求最短路径的最有效的直接搜索方法。A*算法是启发式算法的一种,利用启发函数引导路径的搜索方向。利用启发式搜索型路径规划算法,利用评价函数来指导节点的搜索与扩展,因此评价函数影响搜索空间的大小和算法的速度。传统A*算法的评价函数表达式如下式所示。
f(n)=g(n)+h(n)
其中,n表示当前节点,f(n)表示从起点经由节点n到达目标点的评价函数;g(n)表示从起点到达节点n的实际代价;h(n)为估计值,表示从节点n到目标点估计代价,又称为启发函数。
由启发函数h(n)的选取,可以控制节点的搜索与扩展,进而可以控制算法的速度和精度。传统A*算法常用的启发函数有曼哈顿距离、切比雪夫距离、欧几里德距离三种,三种距离的表达式如下式所示。
h(n)=w*(|start.x-dest.x|+|start.y-dest.y|)
h(n)=wdia*min(|start.x-dest.x|,|start.y-dest.y|)+
wstt*||start.x-dest.x|-|start.y-dest.y||
实施例三:DWA算法原理
DWA算法要将位置控制转化为速度控制,故需要对AGV的运动模型进行分析,本发明AGV的运动学模型如图3所示。
本发明AGV运动学模型采用的是两轮差速运动模型,假设在采样时间内,AGV位移非常小,且移动轨迹认作直线处理,此时运动模型的数学表达式为:
xn+1=xn+Δs*cosΔθ
yn+1=yn+Δs*sinΔθ
θn+1=θn+Δθ
其中,(xn,yn,θn)为当前时刻AGV的位置信息,(xn+1,yn+1,θn+1)为下一时刻AGV的位置信息。
DWA算法根据AGV当前速度及角速度,进行速度及角速度的采样,计算出可行的速度采样空间,采用过程需要满足的约束条件有:
机器人自身最大、最小速度和角速度限制范围为Ui;受到机器人自身电机增速和减速力矩影响,限制机器人当前速度和角速度范围Uj;为了机器人安全避障,考虑机器人当前状态能够安全制动范围内线速度和角速度Uk;具体表达式如下:
Ui={(v,ω)|v∈[vmin,vmax]∩ω∈[ωmin,ωmax]}
其中,vc为当前机器人的线速度;ωc为当前机器人的角速度;a1为机器人最大减速度;a2为机器人最大加速度;为机器人最大角减速度;为机器人最大角加速度;dist(v,ω)和theta(v,ω)分别为相应速度和角速度预测到的障碍物最小距离和最小夹角。
最后,机器人的速度的动态窗口限制为:
U=Ui∩Uj∩Uk
最后取动态窗口内的速度和角速度进行组合,作为机器人的运动状态,并预测在一定的仿真时间的运动轨迹,得到的采样轨迹如图4所示。
更进一步的,得到AGV的采样轨迹后,需要通过评价函数对预测的路径进行评价,选取评价最高的路径所对应的AGV的状态作为机器人下一步的运行状态。
其中评价函数表达式如下式所示。
G(v,ω)=α*heading(v,ω)+β*distance(v,ω)+γ*velocity(v,ω)
其中,v、ω分别为机器人的线速度和角速度;heading(v,ω)为偏转评价函数,主要估量模拟状态下的机器人与目标点之间的矢量和机器人当前朝向的夹角;distance(v,ω)为安全评价函数,主要估量当前机器人位置和障碍物之间的距离;velocity(v,ω)为速度评价函数,其主要估量在满足条件的机器人状态中,选取速度较快的状态;α*、β*、γ*分别为评价因子的权重参数。
实施例四:局部DWA算法
由于陀螺零件半自动生产环境动态情况复杂,如果单纯依靠A*算法,会出现动态避障效果不足的问题,因此将A*算法求得的路径进行关键点的提取,以此作AGV移动的目标点;AGV移动时,从获取到的电子地图信息,对其周围一定范围内的障碍物进行判断。
传统DWA算法,在进行路径规划的过程中,在DWA算法对障碍物进行安全评估时,传统DWA算法对于障碍物类型不做考虑,其将地图上所有障碍物建立障碍物表,以此对假设的机器人状态进行制动安全判断,评价安全系数。
但是实际运行过程中,不同状态的障碍物对于AGV的影响是不同的,静态障碍物由于位置固定,在AGV运行过程中必须进行避障,而对于动态障碍物,例如当出现如图5所示的情况时,部分动态障碍物实际运行过程中并不会对AGV运行造成影响;而在传统DWA算法中,对于障碍物类型并没有进行明显的判断,从而在进行路径规划过程中偏离最优路线的程度较大。
具体的,由于传统的DWA算法不能区分已知位置的静态障碍物和未知的动态障碍物,导致动态避障灵敏度较低,所以本发明提出利用改进的局部动态窗口算法,缩小DWA对障碍物的感知区域,进而可以区分动态障碍物和静态障碍物,从而提高对动态障碍物的预判能力。
局部动态窗口算法示意图如图6所示。
从图6中可以看出,中间较大的区域表示以AGV为中心长度为2L的矩形移动窗口,局部移动窗口实时捕获电子地图的信息,静态障碍物在电子地图中的位置信息固定,因此在移动窗口中,存在与静态障碍物坐标不同的其他障碍物信息即判断为动态障碍物,以此达到对障碍物类型进行分类的效果。
本发明通过利用局部DWA算法,只关注AGV自身周围环境的信息,对于距离AGV较远的地图信息,由于其对AGV运动影响很小,不再关注,因此减少了不必要的地图信息对DWA算法的影响;同时,在局部DWA算法中,AG V能够区分静态障碍物和动态障碍物,并且可以记录动态障碍物的运动方向,对后续的轨迹判断更加有效。
实施例五:动态障碍物评估
当在局部DWA区域识别到动态障碍物时,由于一些动态障碍物实际运动方向不会对AGV造成影响,因此局部DWA算法还需要对动态障碍物进行分类,局部DWA算法对于动态障碍物的分类主要根据速度方向。
具体的,如图7所示,在对局部DWA算法进行动态障碍物分类时,以当前AGV朝向θ为垂直基准,将AGV所处的左右划分为两大危险区域,分别为Dangerous Area a和DangerousArea b,同时沿θ-90°和θ+90°的方向将危险区域再次划分为上下两部分,即在DangerousArea a区域内,区分为Dangero us Dynamic Obstacle a和Dangerous Dynamic Obstaclec两部分,对二者的有效速度方向需要进行区分,Dangerous Dynamic Obstacle a的危险速度方向为朝向AGV方向的左半平面方向,而Dangerous Dynamic Obstacle c的危险速度方向仅为朝向机器人的1/4个平面;
同理,在Dangerous Area b区域内,区分为Dangerous Dynamic Obstacle b和Dangerous Dynamic Obstacle d两部分,也对二者的有效速度方向需要进行区分,从而将动态障碍物划分为四个部分。
更进一步的,在对动态障碍物进行分类完毕之后,如果某些动态障碍物的速度在安全范围内,故其在实际运动过程中,也不会对AGV运输造成影响,同时对于出现在AGV后方的动态障碍物,由于动态障碍物存在一定的判断能力,其对正前方的AGV也不会进行加速冲撞,因此需要对动态障碍物的速度大小进行预测。
具体的,采用的预测方法如图8所示,当AGV以当前速度vk进行减速运动时,其最大的减速时间为tmax,取单位时间△t从0到tmax进行循环判断,评估AGV和动态障碍物在单位时间△t内是否会发生碰撞。其中:
tmax=vk/a1
△t=0…tmax
动态障碍物在单位时间Δt内一直保持运输运动,速度为vn,移动距离为Δsn,则Δsn=vn*Δt;
对于AGV而言,其在单位时间内运行距离Δsk=vk*Δt,vn=vk–a1*△t;此时AGV的位置和动态障碍物的位置分别为:
xn+1=xn+Δsn*cosθn,
yn+1=yn+Δsn*sinθn,
xk+1=xk+Δsk*cosθk,
yk+1=yk+Δsk*sinθk;
在Δt从0到tmax迭代的过程中,需要保证各个时间段内的disti>Robs,即AG V和动态障碍物不会发生碰撞,此时的动态障碍物速度vn和AGV的速度vk处于安全范围内,如果发生碰撞,则AGV状态需要进行减速调整。
实施例六:DWA评价函数优化
当AGV进行路径规划时,如果单纯采用DWA算法,由于其全局规划能力较差且容易陷入局部最优,而采用A*算法融合DWA算法进行路径规划时,一般将A*算法所求得的路径点作为DWA算法的目标点。由于A*算法在进行求解时,其目标点带有一定的方向,而DWA算法控制AGV移动到该目标点时,也需要一定的时间进行校正,如图9所示,起点、终点和下一路径点均通过A*算法规划得出,AGV从起点开始,向着终点执行DWA规划算法到达终点,此时AGV速度方向与向下一路径点运动方向存在θ角的偏差,为了减少与最优路径的偏离,全向移动AGV在到达终点前进行减速,到达终点后速度为0,开始调整角度。从而传统DWA算法与A*算法在融合过程中,AGV到达A*算法求得的拐点时,需要进行适当优化,来缩短转向时间。
传统DWA算法在对机器人进行预判时,主要通过预估时间(persimtime)来决定DWA速度窗口的分散程度,如图10所示,其中Persimtimeb大于Persimtimea,由此可知,预估时间越大,DWA算法求得的速度窗口的半径越大,且偏转角度越大,即速度和角速度大小越大。
因此选择合适的预估时间会影响DWA算法结算得到的AGV偏角。
所以在对DWA算法的评价函数进行优化时,在靠近目标点的一段距离内,增加目标方向评价函数,如图11所示。
具体的,AGV从起点出发,此时DWA算法所采用的预估时间为persimtimea,一旦AGV运行到距离目标点dist距离时,调整DWA算法预估时间为persimtimeb,其中persimtimeb小于persimtimea,并且增加评价函数direction(v,ω),用于评价AGV到达目的点的方向角,direction(v,ω)的表达式如下式所示。
direction(v,ω)=θgoal-θagv
优化后的DWA算法的评价函数表达式为:
G(v,ω)=α*heading(v,ω)+β*distance(v,ω)+γ*velocity(v,ω)+η*direction(v,ω)
从而可以保证AGV在移动前期可以选择更大速度的状态,而在接近目标点时,选择更接近目标点方向的角速度的AGV状态,以此减少转角时间,提高运输效率。
至于此,面对陀螺零件半自动化加工车间的路径规划完成,路径规划流程图如图1所示,在进行AGV路径规划过程中,首先采用A*算法进行全局路径规划,由于陀螺零件半自动生产环境动态情况复杂,单纯依靠A*算法动态避障效果不足,因此将A*算法求得的路径进行关键点的提取,以此作为AGV移动的目标点;AGV移动时,从获取到的电子地图信息,对其周围一定范围内的障碍物进行判断,对地图上的动态障碍物进行分类和速度评估,如果判断障碍物对AGV当前的运动有冲突,则进行DWA避障处理,否则AGV则继续沿着A*算法求得的路径移动;由于A*算法规划出的路径平滑程度不够,因此对于A*算法路径上的拐点,AGV也进行DWA算法绕过拐点,最后完成整个路径规划。
本发明还对所提出的改进局部DWA算法进行仿真验证,具体在在R74800H平台利用Python和Matplotlib对AGV运输路径规划进行仿真,其中Matplotlib是一个开源的综合库,用于在Python中创建动画。
验证实施例一:传统DWA算法与局部DWA算法比较
在进行仿真验证前,需要进行参数设置。
AGV的运动参数如表1所示。
表1 AGV运动参数表
传统DWA算法的参数主要有角度权值α、距离权值β、速度权值γ以及预估仿真时间tsim,其中各个参数的值如表2所示。
表2传统DWA算法参数
局部DWA算法,与传统DWA算法在角度权值α、距离权值β、速度权值γ以及预估仿真时间tsim上是一致的,具体见表2;而局部DWA算法的其他参数主要为:搜索区域长度L、碰撞检测距离Robs、方向角优化预估仿真时间tsimd和方向角评价系数η,各个参数如表3所示。
表3局部DWA算法部分参数
图12为传统DWA进行路径规划轨迹示意图,具体表示为t=0s、120s、200s、240s不同时刻的AGV状态。其中,起点坐标为(2,1),以浅色方块表示,终点坐标为(5,7),同以浅色方块表示,图中黑色方块为静态障碍物,黑色方块之间零散设置的方块为动态障碍物,虚线轨迹为A*算法求得的全局最优路径,而实线轨迹为DWA算法以终点(5,7)得到的运动轨迹。
从图中可以看到,AGV在运行过程中,虽然能够有效避开障碍物,但是由于无法区分动态障碍物是否会对AGV造成影响,而使得DWA运行轨迹与A*所得的最短路径偏差较大。
图13为联合了局部DWA算法的路径规划轨迹示意图,具体表示为t=0s、150s、170s、200s不同时刻的AGV状态。
从图中可以看到,局部DWA算法使得AGV在暂未检测到有冲突的障碍物时,始终沿着A*算法进行移动,在遇到动态障碍物时,则开启局部DWA算法到达目的地,路径曲线较传统DWA算法偏差程度更小,提高了运输效率。
验证实施例二:改进的DWA算法验证
在路径规划过程中,A*算法寻得的全局路径如果太长,则导致DWA算法在移动到目的点之后需要进行角度调整,因此改进的DWA算法添加了方向角评价函数direction(v,ω),可以缩短DWA算法移动到目的地的角度偏移,增加AGV运输效率。
选择起点坐标(7,1)和目标点(13,9),分别对比在120s内未添加方向角评价函数的局部DWA算法和添加了方向角评价函数的局部DWA算法,其中未添加方向角评价函数的局部DWA算法在120s内的AGV运行状态如图14所示,分别表示t=0s、20s、40s、120s四个不同时刻的AGV状态,为了直观显示AGV运行轨迹,此时不再显示局部DWA算法搜索区域。
从图中可以看出,AGV从起点(7,1)沿着A*算法求得的最短路径开始运动时,t=20s时刻时,局部DWA算法已经检测到位于(7,3)处的动态障碍物会对AGV造成影响,因此AGV开始向左侧偏移最短路径,最终在t=120s处AGV移动到点(6,6)处。
AGV在运行过程中,其速度变化曲线如图15所示,角速度变化曲线如图16所示,通过分析AGV的速度与角速度变化曲线更能体现出其避障的具体过程。
通过变化曲线分析得知,AGV运输过程中,沿着A*寻得的路径做匀加速运动,t=10s时刻,其AGV角速度开始增大,即AGV在此时刻检测到冲突障碍物,因此在局部DWA算法下进行偏转,直到t=55s时,AGV角速度降为0(rad/s),意味着AGV到达目标点(8,4),随后进行角度校正使得机器人朝向与目标点方向一致,在t=65s完成角度校正,开始沿着A*算法的最短路径进行直线加速运动。
添加了方向角评价函数进行优化后的DWA算法的AGV在120s内的运行状态如图17所示,分别表示t=0s、20s、40s、120s四个不同时刻的AGV状态。
从图中可以看出,AGV在t=20s时刻前,已经识别到冲突动态障碍物,在t=120s时刻,AGV移动到了坐标点(6,8)处,采用了方向角优化的局部DWA算法的AGV运输距离大于未采用方向角优化的DWA算法。
AGV在运行过程中,其速度变化曲线如图18所示,角速度变化曲线如图19所示。
通过前后对比,在t=10s时刻,由于局部DWA算法检测到移动方向存在危险障碍物,于是AGV进行偏移,添加了方向角评价函数的DWA算法作用下的AGV角速度在t=15s时刻的峰值大于未添加方向角评价函数的DWA算法的AGV;t=38s时刻,添加了方向角评价函数的DWA算法作用下的AGV速度为0,即AGV移动到了中间点(8,4);t=25时刻,AGV旋转到目标点角度,开始沿着A*算法求得的最短路径进行直线运动,从图中可以看到,添加了方向角评价函数的优化DWA算法,在移动到目标点的时间比未添加方向角的局部DWA算法缩短了近20s,极大提升了AGV的运输效率。
验证实施例三:DWA算法优化路径验证
由于局部DWA算法在进行沿目标点移动时,对于A*算法的路径拐点处,同样也可以采用局部DWA进行过度,以此减少AGV在拐点的调整时间,提高运输效率。
未采用DWA算法优化拐点的路径运行轨迹如图20所示,图中分别表示t=0s、120s、300s、425s四个不同时刻的AGV状态。
AGV运行过程的速度和角速度变化曲线如图21、图22所示。
从图中可以看出,小车从起点(9,1)运行到点(25,13)处共记耗时为430s,其中在拐点处,AGV的速度为0,角速度开始变化,在A*路径的直线段处,AGV的角速度为0,速度开始变化。
对于AGV路径进行优化,本发明直接采用优化后的局部DWA算法对全局路径拐点进行优化处理,使得AGV调整运行路径的同时依旧具备较高的避障能力。
采用局部DWA算法优化拐点后的路径运行轨迹如图23所示,图中分别表示t=0s、100s、200s、340s四个不同时刻的AGV状态。
从图中可以看出,采用DWA算法优化拐点,取拐点前后两格路径点作为局部DWA算法的起点和终点,AGV运行过程中的速度和角速度变化曲线如图24、图25所示。
从图中可以看出,整个运行过程中,AGV速度降为0的情况较之前未进行拐点优化的路径时间减少,整个运输过程采用DWA算法优化拐点的总时间为340s,与未进行优化相比,移动时间缩短了85s,极大提升了AGV的运输效率。
本发明针对传统DWA算法无法区分障碍物类型,并且目标点距离起点太远时,容易造成与全局最短路径偏差太大的问题,本发明对其进行优化,首先提取局部地图信息,对动态障碍物进行分类,评估动态障碍物速度,进行局部避障,与传统的DWA算法相比,提升AGV对动态障碍物的避障判断能力,在保证动态避障效果的同时降低AGV偏离最短路径的程度;
其次针对DWA算法进行路径规划过程中,由于目标点本身带有方向角度,DWA算法在控制AGV运动到目的点时,需要进行角度校正的问题,采用添加了方向角函数的评价函数对DWA算法进行优化,在传统的DWA算法上,缩短了AGV运动时间;
由于全局路径规划搜索得到的路径,存在部分拐点,而拐点在AGV移动过程中,影响AGV运输速度,因此本发明采用优化的DWA算法对全局路径拐点进行优化,与传统的修正全局路径的方法相比,其动态避障效果更好,对AGV路径质量要求更低,同时还能缩短AGV运输时间,提高AGV运输效率。
最后本发明通过仿真验证,仿真结果表明本发明提出的改进DWA算法在动态情况复杂的环境下,能够保证AGV实时避障,同时缩短了AGV的运输时间,提升了运输效率。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.动态环境下基于改进DWA算法的AGV路径规划方法,其特征在于,包括如下步骤:
步骤1:以生产车间为研究对象,对车间布局进行特征提取和简化,构建生产车间栅格地图,在所述栅格地图上预先设置起点和终点位置,并标记障碍物的位置;
步骤2:利用A*算法进行全局路径规划,将A*算法求得的路径进行关键点的提取,以此作为AGV移动的目标点,利用DWA算法进行采样轨迹预测,然后通过评价函数选出评价最高的路径所对应的AGV状态作为其下一步的运行状态;
步骤3:利用改进的DWA算法,缩小DWA对障碍物的感知区域,以步骤2所述的评价最高的路径为参考路径,从步骤1所述的起点到终点位置进行局部动态避障路径规划,为AGV规划出一条最优的动态避障路径;
步骤4:当步骤3在对动态障碍物进行识别时,改进的DWA算法需要根据动态障碍物的速度方向对动态障碍物进行分类,然后对动态障碍物的速度大小进行评估,以此来调整AGV的运动状态;
步骤5:AGV到达A*算法求得的拐点时,对DWA评价函数进行优化,增加目标方向评价函数,完成AGV路径规划。
2.根据权利要求1所述的动态环境下基于改进DWA算法的AGV路径规划方法,其特征在于,所述步骤1具体包括:
对AGV所处的生产车间内部环境进行二维栅格化处理,将AGV置于平面直角坐标系中,横向为X轴,纵向为Y轴;
参照生产车间的物体实际情况,标记黑色部分为静态障碍物,标记红色部分为动态障碍物,同时栅格地图中还显示有起点位置、终点位置及规划路径。
3.根据权利要求1所述的动态环境下基于改进DWA算法的AGV路径规划方法,其特征在于,所述步骤2包括以下步骤:
步骤2.1:利用A*算法进行全局路径规划,A*算法的评价函数表达式为:
f(n)=g(n)+h(n)
其中,n表示当前节点,f(n)表示从起点经由节点n到达目标点的评价函数;g(n)表示从起点到达节点n的实际代价;h(n)为估计值,表示从节点n到目标点估计代价,又称为启发函数;
步骤2.2:建立AGV运动模型,AGV运动模型的数学表达式为:
xn+1=xn+Δs*cosΔθ
yn+1=yn+Δs*sinΔθ
θn+1=θn+Δθ
其中,(xn,yn,θn)为当前时刻AGV的位置信息,(xn+1,yn+1,θn+1)为下一时刻AGV的位置信息;
步骤2.3:根据AGV当前速度及角速度,进行速度及角速度的采样,计算出可行的速度采样空间;
步骤2.4:得到AGV的采样轨迹后,通过评价函数对预测的路径进行评价。
4.根据权利要求3所述的动态环境下基于改进DWA算法的AGV路径规划方法,其特征在于,所述步骤2.3中,采用过程需要满足的约束条件有:
机器人自身最大、最小速度和角速度限制范围为Ui;受到机器人自身电机增速和减速力矩影响,限制机器人当前速度和角速度范围Uj;为了机器人安全避障,考虑机器人当前状态能够安全制动范围内线速度和角速度Uk;
Ui={(v,ω)|v∈[vmin,vmax]∩ω∈[ωmin,ωmax]}
其中,vc为当前机器人的线速度,ωc为当前机器人的角速度,a1为机器人最大减速度,a2为机器人最大加速度,为机器人最大角减速度,为机器人最大角加速度,dist(v,ω)和theta(v,ω)分别为相应速度和角速度预测到的障碍物最小距离和最小夹角;
机器人的速度矢量空间为:
U=Ui∩Uj∩Uk。
5.根据权利要求1所述的动态环境下基于改进DWA算法的AGV路径规划方法,其特征在于,所述步骤2中,评价函数的表达式为:
G(v,ω)=α*heading(v,ω)+β*distance(v,ω)+γ*velocity(v,ω)
其中,v、ω分别为机器人的线速度和角速度;heading(v,ω)为偏转评价函数,主要估量模拟状态下的机器人与目标点之间的矢量和机器人当前朝向的夹角;distance(v,ω)为安全评价函数,主要估量当前机器人位置和障碍物之间的距离;velocity(v,ω)为速度评价函数,其主要估量在满足条件的机器人状态中,选取速度较快的状态;α*、β*、γ*分别为评价因子的权重参数。
6.根据权利要求1所述的动态环境下基于改进DWA算法的AGV路径规划方法,其特征在于,所述步骤3中,通过利用改进的局部动态窗口算法,缩小DWA对障碍物的感知区域,进而区分动态障碍物和静态障碍物;
在局部动态窗口算法中,较大的区域表示以AGV为中心长度为2L的矩形移动窗口,局部移动窗口实时捕获电子地图的信息,对障碍物类型进行分类,同时记录动态障碍物的运动方向。
7.根据权利要求1所述的动态环境下基于改进DWA算法的AGV路径规划方法,其特征在于,所述步骤4包括以下步骤:
对局部DWA算法进行动态障碍物分类时,以当前AGV朝向θ为垂直基准,将AGV所处的左右划分为两大危险区域,分别为Dangerous Area a和Dangerous Area b,同时沿θ-90°和θ+90°的方向将危险区域再次划分为上下两部分,从而将动态障碍物划分为四个部分;
在对动态障碍物进行分类完毕之后,需要对动态障碍物的速度大小进行预测。
8.根据权利要求7所述的动态环境下基于改进DWA算法的AGV路径规划方法,其特征在于,采用的预测方法为:
动态障碍物在单位时间Δt内一直保持运输运动,Δt=0...tmax;速度为vn,移动距离为Δsn,则Δsn=vn*Δt;对于AGV而言,其在单位时间内运行距离Δsk=vk*Δt;此时AGV的位置和动态障碍物的位置分别为xn+1=xn+Δsn*cosθn,yn+1=yn+Δsn*sinθn,xk+1=xk+Δsk*cosθk,yk+1=yk+Δsk*sinθk;二者之间的距离为disti,在Δt从0到tmax迭代的过程中,需要保证各个时间段内的disti>Robs,即AGV和动态障碍物不会发生碰撞,此时的动态障碍物速度vn和AGV的速度vk处于安全范围内,如果发生碰撞,则AGV状态需要进行减速调整。
9.根据权利要求1所述的动态环境下基于改进DWA算法的AGV路径规划方法,其特征在于,优化后的DWA算法的评价函数表达式为:
G(v,ω)=α*heading(v,ω)+β*distance(v,ω)+γ*velocity(v,ω)+η*direction(v,ω)
direction(v,ω)=θgoal-θagv
其中,direction(v,ω)用于评价AGV到达目的点的方向角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210544455.4A CN114859929A (zh) | 2022-05-19 | 2022-05-19 | 动态环境下基于改进dwa算法的agv路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210544455.4A CN114859929A (zh) | 2022-05-19 | 2022-05-19 | 动态环境下基于改进dwa算法的agv路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114859929A true CN114859929A (zh) | 2022-08-05 |
Family
ID=82638902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210544455.4A Pending CN114859929A (zh) | 2022-05-19 | 2022-05-19 | 动态环境下基于改进dwa算法的agv路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114859929A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115016510A (zh) * | 2022-08-08 | 2022-09-06 | 武汉工程大学 | 一种机器人导航避障方法、装置以及存储介质 |
CN115309161A (zh) * | 2022-08-23 | 2022-11-08 | 南京信息工程大学 | 一种移动机器人路径规划方法、电子设备及存储介质 |
CN116125995A (zh) * | 2023-04-04 | 2023-05-16 | 华东交通大学 | 一种高铁巡检机器人的路径规划方法及系统 |
CN117589188A (zh) * | 2024-01-19 | 2024-02-23 | 吉咖智能机器人有限公司 | 行车路径规划方法、装置、电子设备和存储介质 |
CN115309161B (zh) * | 2022-08-23 | 2024-06-28 | 南京信息工程大学 | 一种移动机器人路径规划方法、电子设备及存储介质 |
-
2022
- 2022-05-19 CN CN202210544455.4A patent/CN114859929A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115016510A (zh) * | 2022-08-08 | 2022-09-06 | 武汉工程大学 | 一种机器人导航避障方法、装置以及存储介质 |
CN115309161A (zh) * | 2022-08-23 | 2022-11-08 | 南京信息工程大学 | 一种移动机器人路径规划方法、电子设备及存储介质 |
CN115309161B (zh) * | 2022-08-23 | 2024-06-28 | 南京信息工程大学 | 一种移动机器人路径规划方法、电子设备及存储介质 |
CN116125995A (zh) * | 2023-04-04 | 2023-05-16 | 华东交通大学 | 一种高铁巡检机器人的路径规划方法及系统 |
CN117589188A (zh) * | 2024-01-19 | 2024-02-23 | 吉咖智能机器人有限公司 | 行车路径规划方法、装置、电子设备和存储介质 |
CN117589188B (zh) * | 2024-01-19 | 2024-04-02 | 吉咖智能机器人有限公司 | 行车路径规划方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114859929A (zh) | 动态环境下基于改进dwa算法的agv路径规划方法 | |
Stahl et al. | Multilayer graph-based trajectory planning for race vehicles in dynamic scenarios | |
CN108762264B (zh) | 基于人工势场与滚动窗口的机器人的动态避障方法 | |
CN107702716B (zh) | 一种无人驾驶路径规划方法、系统和装置 | |
CN107085938B (zh) | 基于车道线与gps跟随的智能驾驶局部轨迹容错规划方法 | |
Laghmara et al. | Obstacle avoidance, path planning and control for autonomous vehicles | |
CN112577506B (zh) | 一种自动驾驶局部路径规划方法和系统 | |
JP7130062B2 (ja) | 経路決定方法 | |
CN114237256B (zh) | 一种适用于欠驱动机器人的三维路径规划与导航方法 | |
Özdemir et al. | A hybrid obstacle avoidance method: follow the gap with dynamic window approach | |
JP2020160603A (ja) | 経路決定装置、ロボット及び経路決定方法 | |
JP2021077090A (ja) | 複数のビークルの移動制御方法、移動制御装置、移動制御システム、プログラム及び記録媒体 | |
Upadhyay et al. | A point-to-ray framework for generating smooth parallel parking maneuvers | |
Huy et al. | Dynamic and safe path planning based on support vector machine among multi moving obstacles for autonomous vehicles | |
CN115027464A (zh) | 一种基于方向包围盒的自动驾驶碰撞检测方法 | |
CN110989592A (zh) | 一种移动机器人自动建图与定位系统 | |
KR20200084938A (ko) | 차량 동작 계획방법 및 그를 위한 장치 | |
CN115857504A (zh) | 基于dwa的机器人在狭窄环境局部路径规划方法、设备和存储介质 | |
CN116331264A (zh) | 一种未知障碍物分布的避障路径鲁棒规划方法及系统 | |
CN114200945A (zh) | 一种移动机器人的安全控制方法 | |
CN115923839A (zh) | 一种车辆路径规划方法 | |
CN113341999A (zh) | 一种基于优化d*算法的叉车路径规划方法及装置 | |
Holmer | Motion planning for a reversing full-scale truck and trailer system | |
CN115755888A (zh) | 多传感器数据融合的agv障碍物检测系统及避障方法 | |
Chen et al. | From perception to control: an autonomous driving system for a formula student driverless car |
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 |