CN114967701A - 一种动态环境下移动机器人自主导航方法 - Google Patents

一种动态环境下移动机器人自主导航方法 Download PDF

Info

Publication number
CN114967701A
CN114967701A CN202210667982.4A CN202210667982A CN114967701A CN 114967701 A CN114967701 A CN 114967701A CN 202210667982 A CN202210667982 A CN 202210667982A CN 114967701 A CN114967701 A CN 114967701A
Authority
CN
China
Prior art keywords
dynamic
cost map
robot
obstacle
path planning
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
Application number
CN202210667982.4A
Other languages
English (en)
Other versions
CN114967701B (zh
Inventor
吴保磊
赵子豪
郭义鑫
张文琪
王军
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202210667982.4A priority Critical patent/CN114967701B/zh
Publication of CN114967701A publication Critical patent/CN114967701A/zh
Application granted granted Critical
Publication of CN114967701B publication Critical patent/CN114967701B/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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar

Abstract

本发明公开了一种动态环境下移动机器人自主导航方法，属于人工智能领域，首先构建点云地图，根据点云地图构建分层代价地图；在传统A*算法的基础上增加起始点角度约束、转向角度约束与目标点角度约束，实现在分层代价地图上的全局路径规划。在传统DWA算法的轨迹评价环节，使用自适应预测时间生成预测轨迹，实现在分层代价地图上的局部路径规划；最后，在动态环境下，结合全局路径规划与局部路径规划完成移动机器人的自主导航。本发明能够在动态环境下安全可靠的实现移动机器人自主导航，避障效果好，实时性高。

Description

一种动态环境下移动机器人自主导航方法
技术领域
本发明属于人工智能领域，具体涉及一种动态环境下移动机器人自主导航方法。
背景技术
随着智能感知和智能控制技术的快速发展，机器人自主能力也随之得到提高，并在日常生产、智慧物流和军事作战等领域得到广泛的应用。而智能机器人的自主导航能力是其智能化的关键技术之一，目前已有的导航方法大多数都是基于固定的场景，在面对动态场景下存在实时移动的动态障碍物，机器人不能够有效地实现动态场景自主导航功能。因此，本发明设计了一种动态环境下移动机器人自主导航方法。
发明内容
本发明的目的是解决移动机器人在动态环境中自主导航问题，提出了一种动态环境下移动机器人自主导航方法。
实现本发明目的的技术解决方案为：一种动态环境下移动机器人自主导航方法，具体步骤如下：
步骤S1，采集激光雷达三维点云数据，将采集到的三维点云数据进行降采样与地面分割，得到非地面三维点云数据，并结合机器人实时位姿，构建点云地图，同时，识别出静态障碍物与动态障碍物，进入步骤S2；
步骤S2，利用识别出的静态障碍物与动态障碍物对点云地图进行处理，构建分层代价地图，分层代价地图包括静态障碍物层代价地图、动态障碍物层代价地图、动态障碍物预测层代价地图和膨胀层代价地图，进入步骤S3；
步骤S3，根据得到的分层代价地图，在传统A*算法的基础上增加起始点和目标点角度约束、转向角度约束以及从起始点和目标点双向搜索方式，实现全局路径规划，进入步骤S4；
步骤S4，根据全局路径规划搜索得到的路径，在传统DWA算法的轨迹评价环节，使用自适应预测时间生成预测轨迹，结合分层代价地图，实现局部路径规划，进入步骤S5；
步骤S5，结合全局路径规划与局部路径规划，实现移动机器人自主导航。
本发明与现有技术相比，其显著优点在于：
(1)现有方法中，移动机器人只针对已知的静态环境，构建的分层代价地图只包括静态障碍物层与膨胀层，不能处理动态环境，且自主导航过程中的全局路径规划与局部路径规划往往进入局部最优，不能够有效安全的避障与导航。
(2)本发明能够解决动态环境中的自主导航问题，构建包括静态障碍物层、动态障碍物层、动态障碍物预测层和膨胀层的分层代价地图，在分层代价地图中，结合传统A*算法增加转向角度约束、起始点和目标点角度约束，实现双向搜索机制，提高全局寻路的效率，且在传统DWA算法的轨迹评价环节，增加自适应预测时间生成预测轨迹，实现安全高效局部规划。
附图说明
图1为本发明构建分层代价地图的流程图。
图2为动态障碍物及其预测轨迹图。
图3为转向角度约束示意图，其中图(a)为前向运动，图(b)斜向运动。
图4为基于角度约束的双向A*算法流程图。
图5为本发明移动机器人路径规划流程图。
图6为本发明一种动态环境下移动机器人自主导航方法流程图。
具体实施方式
下面结合具体实施方式对本发明做进一步详细的说明。
结合图6，本发明所述的一种动态环境下移动机器人自主导航方法，步骤如下：
步骤S1，采集激光雷达三维点云数据，将采集到的三维点云数据进行降采样与地面分割，得到非地面三维点云数据，并结合机器人实时位姿，构建点云地图，同时，识别出静态障碍物与动态障碍物，进入步骤S2。
步骤S2，利用识别出的静态障碍物与动态障碍物对点云地图进行处理，构建分层代价地图，分层代价地图包括静态障碍物层代价地图、动态障碍物层代价地图、动态障碍物预测层代价地图和膨胀层代价地图，进入步骤S3。
作为对本发明的优选步骤S2，利用识别出的静态障碍物与动态障碍物对点云地图进行处理，构建分层代价地图，分层代价地图包括静态障碍物层代价地图、动态障碍物层代价地图、动态障碍物预测层代价地图和膨胀层代价地图，具体如下：
步骤S2.1，根据识别出的静态障碍物，构建静态障碍物层代价地图，进入步骤S2.2。
步骤S2.2，将识别出的动态障碍物映射到世界坐标系中，构建动态障碍物层代价地图，进入步骤S2.3。
步骤S2.3，在动态障碍物层代价地图中，记录多个扫描周期中动态障碍物的中心坐标在世界坐标系下实际坐标(x(t),y(t))，利用最小二乘法构建误差函数：
Figure BDA0003693646980000031
其中，Fx(w)是关于实际横坐标x(t)误差函数，Fy(w)是关于实际纵坐标y(t)误差函数，轨迹点时间构成的矩阵
Figure BDA0003693646980000032
wx为动态障碍物实际横坐标的拟合轨迹参数，wx＝[x0,vx,ax]T，x0为动态障碍物初始横坐标，vx为动态障碍物在x轴的初始速度，ax为动态障碍物在x轴的加速度，x由动态障碍物的在t1至tn时刻横坐标组成，x＝[x1 x2…xn]T，wy为动态障碍物实际纵坐标的拟合轨迹参数，wy＝[y0,vy,ay]T，y0为动态障碍物初始纵坐标，vy为动态障碍物在y轴的初始速度，ay为动态障碍物在y轴的加速度，y由动态障碍物的在t1至tn时刻横坐标组成，y＝[y1 y2…yn]T，进入步骤S2.4。
步骤S2.4，计算误差函数的偏导数为零时的动态障碍物实际横坐标的拟合轨迹参数wx：
Figure BDA0003693646980000033
wx＝(T1 TT1)-1T1 Tx
同理得误差函数实际纵坐标的拟合轨迹参数：wy＝(T1 TT1)-1T1 Ty，进入步骤S2.5。
步骤S2.5，根据wx、wy求解动态障碍物拟合运动轨迹方程：
Figure BDA0003693646980000041
其中，x(t)为动态障碍物实际横坐标，y(t)为动态障碍物实际纵坐标，ax为动态障碍物在x轴的加速度，ay为动态障碍物在y轴上的加速度，vx为动态障碍物在x轴的初始速度，vy为动态障碍物在y轴的初始速度，(x0，y0)为动态障碍物初始坐标，进入步骤S2.6。
步骤S2.6，利用求解得到的动态障碍物拟合运动轨迹方程，预测动态障碍物的运动轨迹，构建动态障碍物预测层代价地图，进入步骤S2.7。
步骤S2.7，利用得到静态障碍物层代价地图、动态障碍物层代价地图、动态障碍物预测层代价地图，对上述每层代价地图的邻近区域分别做膨胀处理，得到膨胀层代价地图。
步骤S3，根据得到的分层代价地图，在传统A*算法的基础上增加起始点和目标点角度约束、转向角度约束以及从起始点和目标点双向搜索方式，实现全局路径规划，进入步骤S4。
作为对本发明的优选，步骤S3，根据得到的分层代价地图，在传统A*算法的基础上增加起始点和目标点角度约束、转向角度约束以及从起始点和目标点双向搜索方式，实现全局路径规划，具体如下：
步骤S3.1，将静态障碍物层代价地图栅格化，设机器人的中心坐标为(x,y)，运动中能到达邻域为上、下、左、右、左上、左下、右上、右下八个方向，邻域坐标集合为{(x-1,y)，(x+1,y)，(x,y-1)，(x,y+1)，(x-1,y-1)，(x+1,y-1)，(x-1,y+1)，(x+1,y+1)}，进入步骤S3.2。
步骤S3.2，对机器人连续两次移动的过程中的角度变化范围进行约束，即运动中能到达邻域约束为运动方向上的三个邻域，实现转向角度约束，进入步骤S3.3。
步骤S3.3，将机器人起始点的角度约束为机器人的当前前进方向，机器人目标点的角度约束要求机器人按照特定的角度到达目标点，进入步骤S3.4。
步骤S3.4，将转向角度约束加入到正向搜索列表open_listS、close_listS和计算得到的正向启发函数hs_G，同时加入到反向搜索列表open_listG、close_listG和计算得到的反向启发函数hG_s，
Figure BDA0003693646980000051
Figure BDA0003693646980000052
其中，h为启发函数，h＝hs_G＝hG_s，(xs，ys)为起始节点s的坐标，(xG，yG)为目标节点G的坐标，Δx为起始节点s与目标节点G的横坐标差，Δy为起始节点s与目标节点G的纵坐标差，min(Δx,Δy)为Δx、Δy中最小值，进入步骤S3.5。
步骤S3.5，当正向搜索的扩展节点nS在列表close_listG中且满足转向角度约束，或反向搜索的扩展节点nG在列表close_listS中且满足转向角度约束，进入步骤S3.6。
步骤S3.6，分别向起始点、目标点回溯，把两条路径合并得到最终的全局路径。
步骤S4，根据全局路径规划搜索得到的路径，在传统DWA算法的轨迹评价环节，使用自适应预测时间生成预测轨迹，结合分层代价地图，实现局部路径规划，进入步骤S5。
作为对本发明的优选，步骤S4，根据全局路径规划搜索得到的路径，在传统DWA算法的轨迹评价环节，使用自适应预测时间生成预测轨迹，结合分层代价地图，实现局部路径规划，具体如下：
步骤S4.1，将全局路径规划过程中的转向节点转化为局部目标点集合tmp_goal＝{g1,g2,……,gn}，g1为第1个局部目标点，g2为第2个局部目标点，gn为第n个局部目标点，进入步骤S4.2；
步骤S4.2，计算DWA自适应预测时间tpre：
Figure BDA0003693646980000053
其中，Tconst为常量，dis(state,goal)为机器人的当前位置和目标位置之间的距离，v为机器人的线速度，min为两者最小值，进入步骤S4.3；
步骤S4.3，将计算得到自适应预测时间tpre加到传统DWA算法中，实现机器人发送线速度与角速度指令，进入步骤S4.4；
步骤S4.4，机器人接受线速度与角速度指令依次到达局部目标点g1,g2,……,gn，实现机器人局部路径规划。
步骤S5，结合全局路径规划与局部路径规划，实现移动机器人自主导航。
实施例1
本发明采用的速腾聚创32线激光雷达，360°重复扫描，空旷区域最远测距200米，安装高度1.8米。
如图1所示，通过速腾32线激光雷达构建包括静态障碍物层、动态障碍物层、动态障碍物预测层和膨胀层的分层代价地图构建。
如图2所示，根据拟合后得到动态障碍物运动轨迹，预测该障碍物在1s后的位置，其中，本次实验采用的拟合后得到动态障碍物运动轨迹方程为：
Figure BDA0003693646980000061
如图3所示，转向角度约束示意图，黑色箭头表示移动机器人的运动方向，机器人位于中间栅格，箭头指向当前机器人的运动方向，黑色栅格为机器人的可选方向。
如图4所示，基于角度约束的双向A*算法流程图。在传统A*算法的基础上增加起始点和目标点角度约束、转向角度约束以及从起始点和目标点双向搜索方式，实现全局路径规划。
如图5所示，移动机器人路径规划流程图。在基于角度约束的双向A*算法全局路径规划搜索到全局路径后，在DWA算法的轨迹评价环节，使用自适应预测时间生成预测轨迹，完成移动机器人的自主导航。
上述具体实施方式为本发明最佳的实施例及运用技术原理，但本发明的实施例方式并不受上述实施例的限制，其他不违背本发明的原理下所做的改变、修饰、替代、组合、简化，均应为等效的置换方式，都在本发明的保护范围之内。

Claims (4)

1.一种动态环境下移动机器人自主导航方法，其特征在于，步骤如下：
步骤S1，采集激光雷达三维点云数据，将采集到的三维点云数据进行降采样与地面分割，得到非地面三维点云数据，并结合机器人实时位姿，构建点云地图，同时，识别出静态障碍物与动态障碍物，进入步骤S2；
步骤S2，利用识别出的静态障碍物与动态障碍物对点云地图进行处理，构建分层代价地图，分层代价地图包括静态障碍物层代价地图、动态障碍物层代价地图、动态障碍物预测层代价地图和膨胀层代价地图，进入步骤S3；
步骤S3，根据得到的分层代价地图，在传统A*算法的基础上增加起始点和目标点角度约束、转向角度约束以及从起始点和目标点双向搜索方式，实现全局路径规划，进入步骤S4；
步骤S4，根据全局路径规划搜索得到的路径，在传统DWA算法的轨迹评价环节，使用自适应预测时间生成预测轨迹，结合分层代价地图，实现局部路径规划，进入步骤S5；
步骤S5，结合全局路径规划与局部路径规划，实现移动机器人自主导航。
2.根据权利要求1所述的一种动态环境下移动机器人自主导航方法，其特征在于，步骤S2，利用识别出的静态障碍物与动态障碍物对点云地图进行处理，构建分层代价地图，分层代价地图包括静态障碍物层代价地图、动态障碍物层代价地图、动态障碍物预测层代价地图和膨胀层代价地图，具体如下：
步骤S2.1，根据识别出的静态障碍物，构建静态障碍物层代价地图，进入步骤S2.2；
步骤S2.2，将识别出的动态障碍物映射到世界坐标系中，构建动态障碍物层代价地图，进入步骤S2.3；
步骤S2.3，在动态障碍物层代价地图中，记录多个扫描周期中动态障碍物的中心坐标在世界坐标系下实际坐标(x(t),y(t))，利用最小二乘法构建误差函数：
Figure FDA0003693646970000011
其中，Fx(wx)是关于实际横坐标x(t)误差函数，Fy(wy)是关于实际纵坐标y(t)误差函数，轨迹点时间构成的矩阵
Figure FDA0003693646970000021
wx为动态障碍物实际横坐标的拟合轨迹参数，wx＝[x0,vx,ax]T，x0为动态障碍物初始横坐标，vx为动态障碍物在x轴的初始速度，ax为动态障碍物在x轴的加速度，x由动态障碍物的在t1至tn时刻横坐标组成，x＝[x1 x2…xn]T，wy为动态障碍物实际纵坐标的拟合轨迹参数，wy＝[y0,vy,ay]T，y0为动态障碍物初始纵坐标，vy为动态障碍物在y轴的初始速度，ay为动态障碍物在y轴的加速度，y由动态障碍物的在t1至tn时刻横坐标组成，y＝[y1 y2…yn]T，进入步骤S2.4；
步骤S2.4，计算误差函数的偏导数为零时的动态障碍物实际横坐标的拟合轨迹参数wx：
Figure FDA0003693646970000022
wx＝(T1 TT1)-1T1 Tx
同理得误差函数实际纵坐标的拟合轨迹参数：wy＝(T1 TT1)-1T1 Ty，进入步骤S2.5；
步骤S2.5，根据wx、wy求解动态障碍物拟合运动轨迹方程：
Figure FDA0003693646970000023
其中，x(t)为动态障碍物实际横坐标，y(t)为动态障碍物实际纵坐标，ax为动态障碍物在x轴的加速度，ay为动态障碍物在y轴上的加速度，vx为动态障碍物在x轴的初始速度，vy为动态障碍物在y轴的初始速度，(x0，y0)为动态障碍物初始坐标，进入步骤S2.6；
步骤S2.6，利用求解得到的动态障碍物拟合运动轨迹方程，预测动态障碍物的运动轨迹，构建动态障碍物预测层代价地图，进入步骤S2.7；
步骤S2.7，利用得到静态障碍物层代价地图、动态障碍物层代价地图、动态障碍物预测层代价地图，对上述每层代价地图的邻近区域分别做膨胀处理，得到膨胀层代价地图。
3.根据权利要求2所述的一种动态环境下移动机器人自主导航方法，其特征在于，步骤S3，根据得到的分层代价地图，在传统A*算法的基础上增加起始点和目标点角度约束、转向角度约束以及从起始点和目标点双向搜索方式，实现全局路径规划，具体如下：
步骤S3.1，将静态障碍物层代价地图栅格化，设机器人的中心坐标为(x,y)，运动中能到达邻域为上、下、左、右、左上、左下、右上、右下八个方向，邻域坐标集合为{(x-1,y)，(x+1,y)，(x,y-1)，(x,y+1)，(x-1,y-1)，(x+1,y-1)，(x-1,y+1)，(x+1,y+1)}，进入步骤S3.2；
步骤S3.2，对机器人连续两次移动的过程中的角度变化范围进行约束，即运动中能到达邻域约束为运动方向上的三个邻域，实现转向角度约束，进入步骤S3.3；
步骤S3.3，将机器人起始点的角度约束为机器人的当前前进方向，机器人目标点的角度约束要求机器人按照特定的角度到达目标点，进入步骤S3.4；
步骤S3.4，将转向角度约束加入到正向搜索列表open_listS、close_listS和计算得到的正向启发函数hs_G，同时加入到反向搜索列表open_listG、close_listG和计算得到的反向启发函数hG_s，
Figure FDA0003693646970000031
Figure FDA0003693646970000032
其中，h为启发函数，h＝hs_G＝hG_s，(xs，ys)为起始节点s的坐标，(xG，yG)为目标节点G的坐标，Δx为起始节点s与目标节点G的横坐标差，Δy为起始节点s与目标节点G的纵坐标差，min(Δx,Δy)为Δx、Δy中最小值，进入步骤S3.5；
步骤S3.5，当正向搜索的扩展节点nS在列表close_listG中且满足转向角度约束，或反向搜索的扩展节点nG在列表close_listS中且满足转向角度约束，进入步骤S3.6；
步骤S3.6，分别向起始点、目标点回溯，把两条路径合并得到最终的全局路径。
4.根据权利要求3所述的一种动态环境下移动机器人自主导航方法，其特征在于，步骤S4，根据全局路径规划搜索得到的路径，在传统DWA算法的轨迹评价环节，使用自适应预测时间生成预测轨迹，结合分层代价地图，实现局部路径规划，具体如下：
步骤S4.1，将全局路径规划过程中的转向节点转化为局部目标点集合tmp_goal＝{g1,g2,……,gn}，g1为第1个局部目标点，g2为第2个局部目标点，gn为第n个局部目标点，进入步骤S4.2；
步骤S4.2，计算DWA自适应预测时间tpre：
Figure FDA0003693646970000041
其中，Tconst为常量，dis(state,goal)为机器人的当前位置和目标位置之间的距离，v为机器人的线速度，min为两者最小值，进入步骤S4.3；
步骤S4.3，将计算得到自适应预测时间tpre加到传统DWA算法中，实现机器人发送线速度与角速度指令，进入步骤S4.4；
步骤S4.4，机器人接受线速度与角速度指令依次到达局部目标点g1,g2,……,gn，实现机器人局部路径规划。
CN202210667982.4A 2022-06-14 2022-06-14 一种动态环境下移动机器人自主导航方法 Active CN114967701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210667982.4A CN114967701B (zh) 2022-06-14 2022-06-14 一种动态环境下移动机器人自主导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210667982.4A CN114967701B (zh) 2022-06-14 2022-06-14 一种动态环境下移动机器人自主导航方法

Publications (2)

Publication Number Publication Date
CN114967701A true CN114967701A (zh) 2022-08-30
CN114967701B CN114967701B (zh) 2023-06-09

Family

ID=82960977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210667982.4A Active CN114967701B (zh) 2022-06-14 2022-06-14 一种动态环境下移动机器人自主导航方法

Country Status (1)

Country Link
CN (1) CN114967701B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115639827A (zh) * 2022-12-22 2023-01-24 华北科技学院(中国煤矿安全技术培训中心) 一种结构化环境下机器人路径规划方法和系统
CN115711624A (zh) * 2022-10-18 2023-02-24 中国科学院半导体研究所 运动代价地图构建方法、装置、无人设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110285813A (zh) * 2019-07-01 2019-09-27 东南大学 一种室内移动机器人人机共融导航装置及方法
CN111426326A (zh) * 2020-01-17 2020-07-17 深圳市镭神智能系统有限公司 一种导航方法、装置、设备、系统及存储介质
CN111664843A (zh) * 2020-05-22 2020-09-15 杭州电子科技大学 一种基于slam的智能仓储盘点方法
CN112183221A (zh) * 2020-09-04 2021-01-05 北京科技大学 一种基于语义的动态物体自适应轨迹预测方法
CN114610076A (zh) * 2022-05-10 2022-06-10 四川大学 结合人工势场法与A-star算法角度约束的航迹规划方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110285813A (zh) * 2019-07-01 2019-09-27 东南大学 一种室内移动机器人人机共融导航装置及方法
CN111426326A (zh) * 2020-01-17 2020-07-17 深圳市镭神智能系统有限公司 一种导航方法、装置、设备、系统及存储介质
CN111664843A (zh) * 2020-05-22 2020-09-15 杭州电子科技大学 一种基于slam的智能仓储盘点方法
CN112183221A (zh) * 2020-09-04 2021-01-05 北京科技大学 一种基于语义的动态物体自适应轨迹预测方法
CN114610076A (zh) * 2022-05-10 2022-06-10 四川大学 结合人工势场法与A-star算法角度约束的航迹规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAN GAO 等: ""A Fusion Approach for Mobile Robot Path Planning Based on Improved A* Algorithm and Adaptive Dynamic Window Approach"" *
SANGHYUN HONG 等: ""Following A Dynamic Object Through A Transient Response Adjustable MPC (Extended Version)"" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115711624A (zh) * 2022-10-18 2023-02-24 中国科学院半导体研究所 运动代价地图构建方法、装置、无人设备及存储介质
CN115639827A (zh) * 2022-12-22 2023-01-24 华北科技学院(中国煤矿安全技术培训中心) 一种结构化环境下机器人路径规划方法和系统

Also Published As

Publication number Publication date
CN114967701B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
Tang et al. Geometric A-star algorithm: An improved A-star algorithm for AGV path planning in a port environment
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
CN107168305B (zh) 路口场景下基于Bezier和VFH的无人车轨迹规划方法
CN112378408B (zh) 一种实现轮式移动机器人实时避障的路径规划方法
CN110609552B (zh) 一种水下无人航行器编队平面航迹规划方法
CN114967701A (zh) 一种动态环境下移动机器人自主导航方法
CN110362083B (zh) 一种基于多目标跟踪预测的时空地图下自主导航方法
WO2018176596A1 (zh) 基于权重改进粒子群算法的无人自行车路径规划方法
CN108983777A (zh) 一种基于自适应前沿探索目标点选取的自主探索与避障方法
CN114384920A (zh) 一种基于局部栅格地图实时构建的动态避障方法
Bai et al. UAV Path Planning Based on Improved A ∗ and DWA Algorithms
Ji et al. Improvement and fusion of A* algorithm and dynamic window approach considering complex environmental information
Chen et al. Tracking with UAV using tangent-plus-Lyapunov vector field guidance
Yang et al. Mobile robot motion control and autonomous navigation in GPS-denied outdoor environments using 3D laser scanning
Mouhagir et al. A markov decision process-based approach for trajectory planning with clothoid tentacles
Yan et al. Reinforcement learning-based autonomous navigation and obstacle avoidance for USVs under partially observable conditions
CN115268448A (zh) 一种基于冲突搜索和速度障碍的多机器人路径规划方法
CN113391633A (zh) 一种面向城市环境的移动机器人融合路径规划方法
CN113589809B (zh) 可避障的挖掘机工作装置作业轨迹规划方法及装置
CN114815899A (zh) 基于3d激光雷达传感器的无人机三维空间路径规划方法
Dong et al. Path Planning Research for Outdoor Mobile Robot
Wang et al. Research on SLAM road sign observation based on particle filter
Zhang et al. A Robot Navigation System in Complex Terrain Based on Statistical Features of Point Clouds
Wang et al. Dynamic path planning algorithm for autonomous vehicles in cluttered environments
Oyana et al. Three-layer multi-uavs path planning based on ROBL-MFO

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