CN115016458B - 基于rrt算法的地洞勘探机器人路径规划方法 - Google Patents
基于rrt算法的地洞勘探机器人路径规划方法 Download PDFInfo
- Publication number
- CN115016458B CN115016458B CN202210479510.6A CN202210479510A CN115016458B CN 115016458 B CN115016458 B CN 115016458B CN 202210479510 A CN202210479510 A CN 202210479510A CN 115016458 B CN115016458 B CN 115016458B
- Authority
- CN
- China
- Prior art keywords
- path
- point
- turning point
- algorithm
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000002245 particle Substances 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 5
- 230000033001 locomotion Effects 0.000 claims description 14
- 230000009191 jumping Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 239000013589 supplement Substances 0.000 abstract description 2
- 230000001360 synchronised effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G05D1/0231—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, 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
Abstract
本发明公开一种基于RRT算法的地洞勘探机器人路径规划方法，首先使用激光传感器深度相机采集地洞环境的障碍物信息，然后对控制器中的信息在MATLAB平台下用激光同步定位与建图框架来搭建地洞勘探下的环境地图；然后用基于蒙特卡洛的改进粒子滤波算法经过贝叶斯重要性采样完成目标跟踪与定位工作；接着利用PTP‑RRT算法产生一条快速搜索随机树节点更少的初步路径，然后使用A*算法在构建好的环境地图上搜索一条确定路径的起点B1与路径终点Bs的初始路径route1，然后提取初始路径的起点、终点与转折点并使用转折点优化方法提取关键路标；然后将坐标离散化，将这些离散点利用高斯函数对数据点集进行函数逼近的拟合来得到曲线F(x)，然后与地图中的障碍物进行碰撞检测；删除冗余节点，若一次平滑无碰撞就是最优路径，如果有碰撞，就选择碰撞处的最短转折点增补为关键路标转折点，生成最优平滑路径route2。最终实现了一种基于RRT算法的地洞勘探机器人路径规划方法。
Description
技术领域
本发明涉及机器人路径规划技术领域，尤其涉及一种基于RRT算法的地洞勘探机器人路径规划方法方法。
背景技术
随着一些国家对地洞矿物资源的开采，矿物安全生产问题引起了社会的广泛关注，灾害发生后，在其救援过程中最危险也是最为重要的的阶段就是灾害现场勘察部分，这时候救援人对地洞区域情况不明，如果贸然救援很容易发生二次事故，这时候对地洞的地形环境了解显得更加重要，急需一种探测机器人进入现场采集数据传回指挥中心展开后续的救援。此外，人类对外太空未知区域资源的探索也更需要更先进的智能勘探机器人。目前利用传统的RRT算法在复杂未知的环境下进行路径规划不仅会耗费大量的时间且不容易达到预期的效果。因此，对于进一步提高复杂地洞环境下对环境勘探的机器人路径规划效果成为本技术领域亟需解决的问题。
为此，本发明给出一种基于RRT算法的地洞勘探机器人路径规划方法。同时也为复杂环境下的路径规划提供了一种新的思路。
发明内容
本发明的目的在于提供一种基于RRT算法的地洞勘探机器人路径规划方法，用于地洞勘探机器人的路径规划，可以提高在复杂环境下对地洞周围信息的提取的能力，提高资源开采或救援的效率。
为了达成上述目的，本发明的解决方案是：
基于RRT算法的地洞勘探机器人路径规划方法，包括以下步骤(1)～(4)：
(1)采用型号为RPLIDAR A3的激光传感器深度相机采集地洞环境的障碍物信息，然后将收集到的障碍物信息数据存储在激光传感器的控制器当中，然后对控制器中存储的信息在MATLAB平台下用激光同步定位与建图(Simultaneous localization and mapping，SLAM)框架来搭建地洞勘探下的环境地图；鉴于地洞勘探下的环境复杂情况，然后运用基于蒙特卡洛的改进粒子滤波算法经过贝叶斯重要性采样完成目标跟踪与定位工作；其具体步骤如下：先获取数据，初始化粒子群，在整个地洞场地内，将总粒子数为N进行均匀分布，然后按照控制给定的叠加了控制噪声的运动方程进行运动，到达另一个位置后，传感器会测量到当前位置，接着把粒子群里的全部粒子带到机器人的“运动方程”里，得到下一步位置，同时，计算此时每个粒子的位置和测量得到的小车位置；然后将这两个位置之间的几何距离按照距离的不同给每个粒子添加一个权重，用于重采样；下一步，得到全部粒子的权重后，将它们进行归一化；接下来重复上述步骤，直至机器人周围的点综合起来，完成地图的构建。
(2)利用PTP-RRT算法产生一条快速搜索随机树节点更少的初步路径route1，PTP-RRT路径转折点(Path Turning Point,PTP)算法是PTP算法和RRT算法的融合，具体步骤为：利用快速搜索随机树(the Rapidly exploring Random Tree，RRT)的路径规划算法，在步骤(1)中搭建的环境地图中产生一条单向快速搜索随机树，接下来通过单向快速搜索随机树节点的扩展进行路径搜索，使用A*算法在构建好的环境地图上搜索一条确定路径的起点B1与路径终点Bs的初始路径，然后提取初始路径的起点、终点与转折点B1，B2，B3……Bi……，Bi+k……Bs(其中i、k均为正整数，其中i+k<s)。
(3)利用步骤(2)中产生的路径节点，然后使用转折点优化方法提取关键路标方法细化以下步骤：
step1：从B1开始判断路径线段是不是与障碍物相碰，若/>与障碍物相交，则进行step2,若/>不与障碍物相交，跳转step3；
step2：进行用Bi+1代替原来的转折起点Bi成为新的转折起点然后跳转step1；
step3：判断Bi+2等不等于Bs，如果等于，删除转折点Bi-1，转折点优化结束，如果不等于，则继续判断路径线段是不是与环境地图中的障碍物相交，若相交，则删除转折点Bi+1,用Bi+2代替原来的转折点成为新的转折点起点跳转到step1，若不相交，则继续下一步step4；step4：Bi+3等不等于Bs，若等于，转折点优化结束，若不等于，则继续寻优，判断是否与地图中的障碍物相交，如果相交，则删除转折点Bi+1、Bi+2,用Bi+3代替原来的转折点成为新的转折起点并跳转step1，若不相交，则跳转step5；
……
Step(k+1)：直到Bi+k＝Bs时，关键路径节点提取结束。
(4)将步骤(3)中坐标离散化，通过激光雷达对地洞的边缘进行扫描，以机器人朝向的方向为正向基准，以竖直方向为Y轴，以水平方向为X轴建立平面坐标系，节点坐标为(xi，yi)(i＝1，2，···，c)，c为节点坐标总数，然后将这些离散点利用高斯函数对数据点集进行函数逼近的拟合来得到曲线F(x),然后与地图中的障碍物进行碰撞检测；删除冗余节点，最终一次平滑无碰撞就是最优路径route2。
本发明的一种基于RRT算法的地洞勘探机器人路径规划方法，所述步骤(1)中的重要性采样公式为其中采样次数为n,q(z)表示随机变量z的概率分布，加权的分母是所有重要性权重ωn的和，f(zn)为采样的每个数据对应的值，E[f]代表整个概率分布的期望；此处不再赘述。
本发明的一种基于RRT算法的地洞勘探机器人路径规划方法，所述步骤(1)中所述的构建RRT算法使用的公式为欧式距离规则,计算公式如下：p表示点(x2,y2)与点(x1,y1)之间的距离。
本发明的一种基于RRT算法的地洞勘探机器人路径规划方法，步骤(4)中所述的“最优”曲线F(x)可以用高斯函数表示式中待估参数ymax、xi和s分别为高斯曲线的峰值、峰值位置和半宽度信息。
附图说明
图1是一种基于RRT算法的地洞勘探机器人路径规划方法流程图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明。
本发明公开一种基于RRT算法的地洞勘探机器人路径规划方法，首先使用激光传感器深度相机采集地洞环境的障碍物信息，然后对控制器中的信息在MATLAB平台下用激光同步定位与建图框架来搭建地洞勘探下的环境地图；然后用基于蒙特卡洛的改进粒子滤波算法经过贝叶斯重要性采样完成目标跟踪与定位工作；接着利用PTP-RRT算法产生一条快速搜索随机树节点更少的初步路径，然后使用A*算法在构建好的环境地图上搜索一条确定路径的起点B1与路径终点Bs的初始路径route1，然后提取初始路径的起点、终点与转折点并使用转折点优化方法提取关键路标；然后将坐标离散化，将这些离散点利用高斯函数对数据点集进行函数逼近的拟合来得到曲线F(x)，然后与地图中的障碍物进行碰撞检测；删除冗余节点，若一次平滑无碰撞就是最优路径，如果有碰撞，就选择碰撞处的最短转折点增补为关键路标转折点，生成最优平滑路径route2。最终实现了一种基于RRT算法的地洞勘探机器人路径规划方法。
如图1所示，本发明的一种基于RRT算法的地洞勘探机器人路径规划方法，具体实施包括以下步骤(1)～(4)：
(1)采用型号为RPLIDAR A3的激光传感器深度相机采集地洞环境的障碍物信息，然后将收集到的障碍物信息数据存储在激光传感器的控制器当中，然后对控制器中存储的信息在MATLAB平台下用激光同步定位与建图(Simultaneous localization and mapping，SLAM)框架来搭建地洞勘探下的环境地图；鉴于地洞勘探下的环境复杂情况，然后用基于蒙特卡洛的改进粒子滤波算法经过贝叶斯重要性采样完成目标跟踪与定位工作；其具体步骤如下：
(1.1)在整个地洞场地内，将障碍物模拟成粒子，总数为N，然后进行滤波得到系统初始状态的粒子均匀分布，机器人坐标系XOY取原点在两后轮的中轴的中点处，X轴沿机器人车体从后轮指向前轮，Y轴与其平面垂直，坐标系采用右手笛卡尔坐标系；用传感器获得移动机器人的初始位置坐标；
(1.2)按照给定运动方程进行运动，传感器会测量到当前位置，接着把粒子群里的全部粒子带到机器人的运动方程里，得到粒子群的位置，同时，计算此时每个粒子的位置和测量得到的小车位置之间的距离；
机器人车体运动时所携带的传感器通常都带有噪声且运动的不确定信息，如轮子打滑等，为此引入噪声w(t),可得到以下运动方程：t代表时刻，L是车体长度，x,y表示横纵坐标，/>表示前轮转角，指令的时间间隔为ΔT，机器人获得相对于坐标系原点的速度V和前轮的转向角α，指令输入为u(t)＝(V(t),α(t))；
(1.3)采用拓展卡尔曼滤波进行粒子的状态预测，状态方程为k表示采样时刻点，/>表示k-1时刻的状态矩阵，f表示移动机器人的运动状态转移函数，然后更新粒子的状态，状态方程/>Kk为卡尔曼增益；/>为第k时刻采集的粒子索引序列号m,h是移动机器人观测函数，zk是第k时刻移动机器人系统观测方程；
(1.4)将粒子和机器人之间的几何距离按照距离大小给每个粒子添加一个权重ω，权重和距离关系的函数，这里采用高斯分布钟形曲线的右侧，即随距离增大，权重单调递减,得到全部粒子s的权重后进行归一化粒子的加权值；然后将上述更新后的粒子数s重采样得到新的粒子的个数；上述计算距离使用的距离计算公式如下：p表示点(x2,y2)与点(x1,y1)之间的距离；这里的重要性采样公式为/>其中采样次数为n,q(z)表示随机变量z的概率分布，加权的分母是所有重要性权重ωn的和，f(zn)为采样的每个数据对应的值，E[f]代表整个概率分布的期望；此处不再赘述；
(1.5)最后输出移动机器人在当前时刻k的位姿信息，用
(1.6)接下来重复上述(1.2)到(1.5)步骤，把机器人周围的点综合起来，完成地图的构建。
(2)利用PTP-RRT算法产生一条快速搜索随机树节点更少的初步路径route1，PTP-RRT路径转折点(Path Turning Point,PTP)算法是PTP算法和RRT算法的融合，具体步骤为：利用快速搜索随机树(the Rapidly exploring Random Tree，RRT)的路径规划算法，在步骤(1)中搭建的环境地图中产生一条单向快速搜索随机树，接下来通过快速搜索随机树节点的扩展进行路径搜索，使用A*算法在构建好的环境地图上搜索一条确定路径的起点B1与路径终点Bs的初始路径，然后提取初始路径的起点、终点与转折点B1，B2，B3……Bi……，Bi+k……Bs(其中i、k均为正整数，其中i+k<s)。
(3)利用步骤(2)中产生的路径节点，然后使用路径转折点优化方法提取关键路标方法细化以下步骤：
step1：从B1开始判断路径线段是不是与障碍物相碰，若/>与障碍物相交，则进行step2,若/>不与障碍物相交，跳转step3；
step2：进行用Bi+1代替原来的转折起点Bi成为新的转折起点然后跳转step1；
step3：判断Bi+2等不等于Bs，如果等于，略去转折点Bi-1，转折点优化结束，如果不等于，则继续判断路径线段是不是与环境地图中的障碍物相交，若相交，则略去转折点Bi+1,用Bi+2代替原来的转折点成为新的转折点起点跳转到step1，若不相交，则继续下一步step4；step4：Bi+3等不等于Bs，若等于，转折点优化结束，若不等于，则继续寻优，判断是否与地图中的障碍物相交，如果相交，则略去转折点Bi+1、Bi+2,用Bi+3代替原来的转折点成为新的转折起点并跳转step1，若不相交，则跳转step5；
……
Step(k+1)：直到Bi+k＝Bs时，关键路径节点提取结束；k表示步数。
(4)将步骤(3)中坐标离散化，通过激光雷达对地洞的边缘进行扫描，以机器人朝向的方向为正向基准，以竖直方向为Y轴，以水平方向为X轴建立平面坐标系，节点坐标为(xi，yi)(i＝1，2，……，c)，c为节点坐标总数，然后将这些离散点利用高斯函数对数据点集进行函数逼近的拟合来得到曲线F(x),曲线F(x)可以用高斯函数表示式中待估参数ymax、xmax和s分别为高斯曲线的峰值、峰值位置和半宽度信息；然后与地图中的障碍物进行碰撞检测；删除冗余节点，最终一次平滑无碰撞就是最优路径route2。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (3)
1.一种基于RRT算法的地洞勘探机器人路径规划方法，其特征在于，包括以下步骤：
(1)采用型号为RPLIDAR A3的激光传感器深度相机采集地洞环境的障碍物信息，然后将收集到的障碍物信息数据存储在激光传感器的控制器当中，然后对控制器中存储的信息在MATLAB平台下用激光同步定位与建图(Simultaneous localization and mapping，SLAM)框架来搭建地洞勘探下的环境地图；鉴于地洞勘探下的环境复杂情况，然后用基于蒙特卡洛的改进粒子滤波算法经过贝叶斯重要性采样完成目标跟踪与定位工作；其具体步骤如下：
(1.1)在整个地洞场地内，将障碍物模拟成粒子，总数为N，然后进行滤波得到系统初始状态的粒子均匀分布，机器人坐标系XOY取原点在两后轮的中轴的中点处，X轴沿机器人车体从后轮指向前轮，Y轴与其平面垂直，坐标系采用右手笛卡尔坐标系；用传感器获得移动机器人的初始位置坐标；
(1.2)按照给定运动方程进行运动，传感器会测量到当前位置，接着把粒子群里的全部粒子带到机器人的运动方程里，得到粒子群的位置，同时，计算此时每个粒子的位置和测量得到的小车位置之间的距离；
机器人车体运动时所携带的传感器通常都带有噪声且运动的不确定信息，为此引入噪声w(t),可得到以下运动方程：t代表时刻，L是车体长度，x,y表示横纵坐标，/>表示前轮转角，指令的时间间隔为ΔT，机器人获得相对于坐标系原点的速度V和前轮的转向角α，指令输入为u(t)＝(V(t),α(t))；
(1.3)采用拓展卡尔曼滤波进行粒子的状态预测，状态方程为k表示采样时刻点，/>表示k-1时刻的状态矩阵，f表示移动机器人的运动状态转移函数，然后更新粒子的状态，状态方程/>Kk为卡尔曼增益；/>为第k时刻采集的粒子索引序列号m,h是移动机器人观测函数，zk是第k时刻移动机器人系统观测方程；
(1.4)将粒子和机器人之间的几何距离按照距离大小给每个粒子添加一个权重ω，权重和距离关系的函数，这里采用高斯分布钟形曲线的右侧，即随距离增大，权重单调递减,得到全部粒子s的权重后进行归一化粒子的加权值；然后将上述更新后的粒子数s重采样得到新的粒子的个数；重要性采样公式为其中采样次数为n,q(z)表示随机变量z的概率分布，加权的分母是所有重要性权重ωn的和，f(zn)为采样的每个数据对应的值，E[f]代表整个概率分布的期望；
(1.5)最后输出移动机器人在当前时刻k的位姿信息，用
(1.6)接下来重复上述(1.2)到(1.5)步骤，把机器人周围的点综合起来，完成地图的构建；
(2)利用PTP-RRT算法产生一条快速搜索随机树节点更少的初步路径，PTP-RRT路径转折点(Path Turning Point,PTP)算法是PTP算法和RRT算法的融合，具体步骤为：利用快速搜索随机树(the Rapidly exploring Random Tree，RRT)的路径规划算法，在步骤(1)中搭建的环境地图中产生一条单向快速搜索随机树，接下来通过快速搜索随机树节点的扩展进行路径搜索，使用A*算法在构建好的环境地图上搜索一条确定路径的起点B1与路径终点Bs的初始路径route1，然后提取初始路径的起点、终点与转折点B1，B2，B3……Bi……，Bi+k……Bs，其中i、k均为正整数，其中i+k<s；
(3)利用步骤(2)中产生的路径节点，然后使用路径转折点优化方法提取关键路标方法细化以下步骤：
step1：从B1开始判断路径线段是不是与障碍物相碰，若/>与障碍物相交，则进行
step2,若不与障碍物相交，跳转step3；
step2：进行用Bi+1代替原来的转折起点Bi成为新的转折起点然后跳转step1；
step3：判断Bi+2等不等于Bs，如果等于，略去转折点Bi-1，转折点优化结束，如果不等于，则继续判断路径线段是不是与环境地图中的障碍物相交，若相交，则略去转折点Bi+1,用Bi+2代替原来的转折点成为新的转折点起点跳转到step1，若不相交，则继续下一步step4；
step4：Bi+3等不等于Bs，若等于，转折点优化结束，若不等于，则继续寻优，判断是否与地图中的障碍物相交，如果相交，则略去转折点Bi+1、Bi+2,用Bi+3代替原来的转折点成为新的转折起点并跳转step1，若不相交，则跳转step5；
……
Step(k+1)：直到Bi+k＝Bs时，关键路径节点提取结束；k表示步数；
(4)将步骤(3)中坐标离散化，通过激光雷达对地洞的边缘进行扫描，以机器人朝向的方向为正向基准，以竖直方向为Y轴，以水平方向为X轴建立平面坐标系，节点坐标为(xi，yi)，i＝1，2，……，c，c为节点坐标总数，然后将这些离散点利用高斯函数对数据点集进行函数逼近的拟合来得到曲线F(x),然后与地图中的障碍物进行碰撞检测；删除冗余节点，最终一次平滑无碰撞就是最优路径route2。
2.如权利要求1所述一种基于RRT算法的地洞勘探机器人路径规划方法，其特征在于，步骤(1.4)中构建RRT算法使用的距离规则,计算公式如下：p表示点(x2,y2)与点(x1,y1)之间的距离。
3.如权利要求1所述一种基于RRT算法的地洞勘探机器人路径规划方法，其特征在于，步骤(4)中所述的曲线F(x)用高斯函数表示式中待估参数ymax、xmax和s分别为高斯曲线的峰值、峰值位置和半宽度信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210479510.6A CN115016458B (zh) | 2022-05-05 | 2022-05-05 | 基于rrt算法的地洞勘探机器人路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210479510.6A CN115016458B (zh) | 2022-05-05 | 2022-05-05 | 基于rrt算法的地洞勘探机器人路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115016458A CN115016458A (zh) | 2022-09-06 |
| CN115016458B true CN115016458B (zh) | 2024-04-16 |
Family
ID=83066560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210479510.6A Active CN115016458B (zh) | 2022-05-05 | 2022-05-05 | 基于rrt算法的地洞勘探机器人路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115016458B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116540763B (zh) * | 2023-07-04 | 2023-09-08 | 天之翼(苏州)科技有限公司 | 一种无人机飞行姿态的智能监测管理方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005032196A (ja) * | 2003-07-11 | 2005-02-03 | Japan Science & Technology Agency | 移動ロボット用経路計画システム |
| CN110057362A (zh) * | 2019-04-26 | 2019-07-26 | 安徽理工大学 | 有限单元地图的移动机器人路径规划方法 |
| CN111610786A (zh) * | 2020-05-28 | 2020-09-01 | 沈阳理工大学 | 基于改进rrt算法的移动机器人路径规划方法 |
| CN113110491A (zh) * | 2021-05-07 | 2021-07-13 | 安徽理工大学 | 一种基于brrt算法的矿井救援机器人路径规划方法 |
-
2022
- 2022-05-05 CN CN202210479510.6A patent/CN115016458B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005032196A (ja) * | 2003-07-11 | 2005-02-03 | Japan Science & Technology Agency | 移動ロボット用経路計画システム |
| CN110057362A (zh) * | 2019-04-26 | 2019-07-26 | 安徽理工大学 | 有限单元地图的移动机器人路径规划方法 |
| CN111610786A (zh) * | 2020-05-28 | 2020-09-01 | 沈阳理工大学 | 基于改进rrt算法的移动机器人路径规划方法 |
| CN113110491A (zh) * | 2021-05-07 | 2021-07-13 | 安徽理工大学 | 一种基于brrt算法的矿井救援机器人路径规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| DP-B样条移动机器人路径光滑算法;姜媛媛 等;《机械科学与技术》;20200430;第39卷(第4期);第554-560页 * |
| Robotic Path Planning Based on a Triangular Mesh Map;Yanbin Liu et al.;《International Journal of Control, Automation and Systems》;20201231;第1-9页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115016458A (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vivacqua et al. | Self-localization based on visual lane marking maps: An accurate low-cost approach for autonomous driving | |
| CN114812581B (zh) | 一种基于多传感器融合的越野环境导航方法 | |
| Weng et al. | Pole-based real-time localization for autonomous driving in congested urban scenarios | |
| CN110264721B (zh) | 一种城市交叉口周边车辆轨迹预测方法 | |
| CN113867334B (zh) | 一种移动机械无人驾驶的路径规划方法和系统 | |
| Zhao et al. | Dynamic motion planning for autonomous vehicle in unknown environments | |
| CN112762957B (zh) | 一种基于多传感器融合的环境建模及路径规划方法 | |
| CN103926925A (zh) | 一种基于改进的vfh算法的定位与避障方法及机器人 | |
| CN116678394A (zh) | 基于多传感器信息融合实时动态智能路径规划方法及系统 | |
| KR20160048530A (ko) | 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치 | |
| CN115016458B (zh) | 基于rrt算法的地洞勘探机器人路径规划方法 | |
| CN112184736A (zh) | 一种基于欧式聚类的多平面提取方法 | |
| CN113009912A (zh) | 一种基于混合a星的低速商用无人车路径规划算法 | |
| Haddeler et al. | Explore bravely: Wheeled-legged robots traverse in unknown rough environment | |
| CN112947533B (zh) | 复杂小天体表面移动序列轨迹规划方法 | |
| CN116136417B (zh) | 一种面向越野环境的无人驾驶车辆局部路径规划方法 | |
| CN116795101A (zh) | 一种融合改进a*与改进dwa算法的运动规划方法 | |
| CN110750100B (zh) | 基于流函数法的水下搜救机器人路径规划方法 | |
| Fang et al. | Self-localization of intelligent vehicles based on environmental contours | |
| CN112802095B (zh) | 定位方法、装置及设备、以及自动驾驶定位系统 | |
| Kessler et al. | Roadgraph generation and free-space estimation in unknown structured environments for autonomous vehicle motion planning | |
| Wang et al. | Stable Obstacle Avoidance Strategy for Crawler-Type Intelligent Transportation Vehicle in Non-Structural Environment Based on Attention-Learning | |
| CN116147653B (zh) | 一种面向无人驾驶车辆的三维参考路径规划方法 | |
| CN116518975A (zh) | 一种面向导航可利性的月面南极巡视器自主路径规划方法 | |
| Trehard et al. | Credibilist slam performances with different laser set-ups |
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 |