CN115032992A - 一种移动机器人路径规划方法、装置及电子设备 - Google Patents
一种移动机器人路径规划方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115032992A CN115032992A CN202210612869.6A CN202210612869A CN115032992A CN 115032992 A CN115032992 A CN 115032992A CN 202210612869 A CN202210612869 A CN 202210612869A CN 115032992 A CN115032992 A CN 115032992A
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- target point
- temporary
- path
- potential
- 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 79
- 230000002457 bidirectional effect Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 15
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 10
- 230000010355 oscillation Effects 0.000 claims description 9
- 230000004888 barrier function Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 26
- 238000012545 processing Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 230000005484 gravity Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000013515 script 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
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
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)
- Manipulator (AREA)
Abstract
本申请提供了一种移动机器人路径规划方法、装置及电子设备。所述方法包括：基于目标点对移动机器人的引力形成的引力势场和障碍物对所述移动机器人的斥力形成的斥力势场，构建势力场；更新所述引力势场和所述斥力势场，得到更新后的势力场；基于所述更新后的势力场确定所述移动机器人的行驶路径。本申请基于更新后的势力场进行移动机器人路径规划方法，可以解决移动机器人目标不可达的问题，提高移动机器人路径规划的成功率和可靠性。
Description
技术领域
本申请涉及一种移动机器人路径规划领域，尤其涉及一种移动机器人路径规划方法、装置及电子设备。
背景技术
在人工智能的热潮下，移动机器人技术得到快速发展。其中，移动机器人的自主导航技术是移动机器人领域中一个重要研究方向，而路径规划是实现自主导航的核心内容之一。
目前移动机器人路径规划的主要研究方向是动态不确定环境下的实时避障。动态不确定环境通常包括运动轨迹不定的移动障碍物和位置未知的静止障碍物。常用的路径规划算法主要有：RRT(Rapidly-exploring Random Tree，快速扩展随机树)算法、蚁群算法、遗传算法和APF(Artifical Potential Field，人工势场)法等。
人工势场法是将智能体在环境中的运动虚拟为一种在人工势场的运动的一种虚拟力场法。在人工势场法中，机器人的运动同时受引力和斥力的控制，其中，目标点对机器人产生引力，障碍物对机器人产生斥力，引力和斥力的合力控制机器人的运动。虽然，人工势场法因其数学分析简单、计算量小、路径光滑等优点被广泛应用在实时避障和路径规划领域。但是人工势场法极易陷入局部最小值陷阱，而且，当目标点附近障碍物较多时，非常容易出现目标不可达的问题。如何设计一种移动机器人路径规划方法以解决人工势场法的局部最小值陷阱问题和目标不可达问题，是本申请研究的关键。
发明内容
本申请所要解决的技术问题：为了解决传统人工势场法中目标不可达的问题，同时，可以使机器人跳出局部最小值陷阱，以提高机器人路径规划的成功率和可靠性。
本申请为解决以上技术问题而采用的技术方案是这样实现的：
第一方面，本申请提出一种移动机器人路径规划方法，包括：
基于目标点对移动机器人的引力形成的引力势场和障碍物对所述移动机器人的斥力形成的斥力势场，构建势力场；
更新所述引力势场和所述斥力势场，得到更新后的势力场；
基于所述更新后的势力场确定所述移动机器人的行驶路径。
在上述方案中，所述基于所述更新后的势力场确定所述移动机器人的行驶路径，包括：
当所述移动机器人陷入局部最小值陷阱时，确定临时回退点和临时目标点；
确定所述移动机器人从所述临时回退点的位置到所述临时目标点之间的临时行驶路径；
基于所述更新后的势力场确定从所述临时目标点到所述目标点的目标行驶路径。
在上述方案中，所述当所述移动机器人陷入局部最小值陷阱时，确定临时回退点和临时目标点，包括：
当所述移动机器人陷入局部最小值陷阱时，回退预设的路径到达所述临时回退点，基于所述临时回退点和所述目标点确定所述临时目标点。
在上述方案中，所述确定所述移动机器人从所述临时回退点到所述临时目标点之间的临时行驶路径；基于更新后的势力场确定从所述临时目标点到所述目标点的目标行驶路径，包括
当所述移动机器人到达的临时中间点与所述临时目标点之间的距离小于预设的阈值时，基于所述更新后的势力场确定所述移动机器人从所述临时回退点到所述临时中间点之间的临时行驶路径；
基于所述更新后的势力场确定从所述临时中间点到所述目标点的目标行驶路径。
在上述方案中，所述更新所述引力势场和所述斥力势场，得到更新后的势力场，包括：
确定所述移动机器人至所述目标点之间的矢量在第一区间时，所述引力势场的负梯度与第一引力系数相关；
确定所述移动机器人至所述目标点之间的矢量在第二区间时，所述引力势场的负梯度与第二引力系数相关；
所述第一引力系数的值大于所述第二引力系数的值。
在上述方案中，所述移动机器人至所述目标点之间的矢量在第一区间时，所述引力势场的负梯度等于所述第一系数乘以所述移动机器人的位置坐标与所述目标点的位置坐标之间的欧几里得距离。
在上述方案中，所述移动机器人至所述目标点之间的矢量在第二区间时，所述引力势场的负梯度等于所述第二系数乘以所述移动机器人的位置坐标与所述目标点的位置坐标之间的欧几里得距离。
在上述方案中，所述更新所述引力势场和所述斥力势场，得到更新后的势力场，包括：
确定所述移动机器人至所述障碍物之间的矢量在第三区间时，所述斥力势场的负梯度与第三引力系数、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的倒数与第三区间中最大值的倒数之间的差、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的倒数的平方、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的偏导、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的反正切函数的值相关；
确定所述移动机器人至所述目标点之间的矢量在第四区间时，所述斥力势场的负梯度为0。
在上述方案中，所述确定所述移动机器人至所述目标点之间的矢量在第三区间时，所述斥力势场的负梯度等于所述第三引力系数与所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的倒数与所述第三区间中最大值的倒数之间的差、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的平方的倒数、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的偏导、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的反正切函数的值之间的乘积。
在上述方案中，所述方案还包括：
判断所述移动机器人在任意路径点的震荡次数是否超过预设的阈值；
若所述移动机器人在路径点的震荡次数超过预设的阈值，确定所述移动机器人陷入局部最小值陷阱。
在上述方案中，所述当所述移动机器人陷入局部最小值陷阱时，回退预设的路径到达所述临时回退点，基于所述临时回退点和所述目标点确定所述临时目标点，包括：
将所述临时回退点和所述目标点，分别作为双向快速随机拓展树的两个起始节点；
对所述两个起始节点分别对应的树进行节点采样，更新所述双向快速随机拓展树的可行节点；
若所述可行节点能够将两个起始节点分别对应的树连接形成通路，且能够通过路径检查，则确定所述可行节点为所述临时目标点。
在上述方案中，所述对所述两个起始节点分别对应的树进行节点采样，更新所述双向快速随机拓展树的可行节点，包括：
获取所述双向快速随机拓展树上与采样点之间的距离最短的最近节点；
将所述采样点与所述最近节点做方向向量，将所述最近节点沿着所述方向向量的方向移动预设步长值的距离，获得所述双向快速随机拓展树的候选节点；
若所述候选节点位于地图之内以及在所述障碍物之外，则确定所述候选节点为所述双向快速随机拓展树的可行节点。
在上述方案中，所述若所述可行节点能够将两个起始节点分别对应的树连接形成通路，且能够通过路径检查，则确定所述可行节点为所述临时目标点，包括：
将所述可行节点进行所述路径检查，若所述可行节点在地图之内以及所述障碍物之外，且路径检查无障碍，则确定所述可行节点通过所述路径检查。
第二方面，本申请还提出一种机器人路径规划装置，所述移动机器人路径规划装置包括：
势力场构建模块，用于基于目标点对移动机器人的引力形成的引力势场和障碍物对移动机器人的斥力形成的斥力势场，构建势力场；
更新势力场模块，用于更新所述引力势场和所述斥力势场，得到更新后的势力场；
行驶路径确定模块，用于基于所述更新后的势力场确定所述移动机器人的行驶路径。
第三方面，本申请进一步提出一种电子设备，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请所公开的机器人路径规划方法。
第四方面，本申请最后提出一种计算机可读存储介质，所述存储介质包括一组计算机可执行指令，当所述指令被执行时用于执行本申请所公开的机器人路径规划方法。
本发明采用以上技术方案，与现有技术相比具有以下技术效果：
本申请提供的机器人路径规划方法，基于目标点对移动机器人的引力形成的引力势场和障碍物对所述移动机器人的斥力形成的斥力势场，构建势力场；更新所述引力势场和所述斥力势场，得到更新后的势力场；基于所述更新后的势力场确定所示移动机器人的行驶路径。本申请提供的移动机器人基于更新后的势力场进行路径规划的方法，当目标点附近存在障碍物干扰引力势场时，能够减少障碍物的斥力势场对移动机器人在可行路径下产生的干扰，解决移动机器人目标不可达的问题。同时，本申请提供的路径规划方法可以使机器人跳出局部最小值陷阱，提高了机器人路径规划的成功率和可靠性。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例提供的机器人路径规划方法的一种可选处理流程示意图；
图2是本申请实施例提供的路径规划方法的地图环境；
图3是本申请实施例提供的基于原始人工势场的路径规划的路径图；
图4是本申请实施例提供的基于原始人工势场的路径规划的势场路径图；
图5是本申请实施例提供的移动机器人路径规划方法的路径图；
图6是本申请实施例提供的移动机器人路径规划方法的另一路径图；
图7是本申请实施例提供的移动机器人路径规划方法的势力场路径图；
图8是本申请实施例提供的移动机器人路径规划方法的系统工作流程图；
图9是本申请实施例提供的移动机器人路径规划装置的结构示意图；
图10是本申请实施例提供的移动机器人路径规划方法的一种电子设备的框图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
将介绍本申请实施例提供的一种机器人路径规划方法，参见图1，图1是本申请实施例提供的机器人路径规划方法的一种可选处理流程的示意图，下面将结合图1示出的机器人路径规划方法的流程示意图，并结合图2-图7进行说明。
步骤S101，基于目标点对移动机器人的引力形成的引力势场和障碍物对所述移动机器人的斥力形成的斥力势场，构建势力场。
在一些实施例中，可以构建一个二维地图，图2示出的是本申请实施例提供的路径规划方法的地图环境。通过对二维地图进行二值化处理，可以得到图2中500*500的二维矩阵，在二维矩阵中，可以用1表示障碍物，0表示非障碍物。作为示例，在图2中的黑色部分的区域表示障碍物。
在一些实施例中，势力场由引力势场和斥力势场叠加而成。其中，目标点对移动机器人提供引力，形成引力势场；障碍物对移动机器人提供斥力，形成斥力势场。
在一些实施例中，基于目标点对移动机器人的引力形成的引力势场和障碍物对移动机器人的斥力形成的斥力势场，构建势力场的具体过程为：
引力势场的函数如公式(1)所示。
Uatt(q)＝Katt*ρ2(q，qg) (1)
其中，Uatt(q)表示为目标点在位置坐标q产生的引力势场；Katt是一个正比例增益系数，表示为目标点的引力系数，引力系数越大说明目标点具有更强的吸引力；q表示为移动机器人的位置坐标；qg表示为目标点位置坐标；ρ(q，qg)为一个矢量，矢量方向是从移动机器人的位置坐标q指向目标点位置坐标qg，矢量大小表示移动机器人的位置坐标q和目标点位置坐标qg之间的欧几里得距离|q-qg|。
对引力势场Uatt(q)求负梯度便可得引力函数，如公式(2)所示。
Fatt(q)＝-Uatt(q)＝Kattρ(q，qg) (2)
同样的，Fatt(q)表示目标点对移动机器人在位置坐标q的引力；Katt是一个正比例增益系数，表示目标点的引力系数，引力系数越大说明目标点具有更强的吸引力；q表示移动机器人的位置坐标；qg表示目标点位置坐标；ρ(q，qg)为一个矢量，矢量方向是从移动机器人的位置坐标q指向目标点位置坐标qg，矢量大小表示移动机器人的位置坐标q和目标点位置坐标qg之间的欧几里得距离|q-qg|。
可以基于障碍物的位置构建斥力势场，斥力势场的影响因素是移动机器人与障碍物之间的距离，当移动机器人进入障碍物的影响范围时，移动机器人与障碍物之间的距离越小，斥力势场就越大，反之越小；当移动机器人在障碍物影响范围之外时，斥力势场为0。
斥力势场的函数如公式(3)所示。
其中，Kreq是一个正比例增益系数，表示障碍物的斥力系数，斥力越大说明障碍物周围具有更强的排斥力；q表示移动机器人的位置坐标；q0表示障碍物位置坐标；ρ(q，q0)表示一个矢量，矢量方向是从障碍物位置坐标q0指向移动机器人位置坐标q，矢量大小表示移动机器人与障碍物间的欧几里得距离|q-q0|；ρ0是一常数，表示障碍物对移动机器人产生作用的最大距离。
对斥力势场Ureq(q)求负梯度便可获得斥力函数，斥力函数如公式(4)所示。
其中，Freq(q)表示障碍物在位置坐标q处产生的斥力；Kreq是一个正比例增益系数，表示障碍物的斥力系数，斥力越大说明障碍物周围具有更强的排斥力；q表示移动机器人的位置坐标；q0表示障碍物位置坐标；ρ(q，q0)表示一个矢量，矢量方向是从障碍物位置坐标q0指向移动机器人位置坐标q，矢量大小表示移动机器人与障碍物间的欧几里得距离|q-q0|；ρ0可以为一常数，表示障碍物对移动机器人产生作用的最大距离。
移动机器人在引力与斥力的共同作用下移动如图3所示，其合力公式如公式(5)所示。
其中，F(q)表示移动机器人在位置坐标q处受到的引力和斥力的合力。
图3示出的是本申请实施例提供的基于原始人工势场的路径规划的路径图。即根据上述构建的势力场进行移动机器人路径规划的移动机器人的路径图。其中，A点的位置坐标表示机器人的起点，B点的位置坐标表示机器人的目标点。从图3中可以确定，在基于上述构建的势力场进行移动机器人路径规划时，机器人会出现无法到达目标点的情况。图4示出了本申请实施例提供的基于原始人工势场的路径规划的势场路径图，即基于上述构建的势力场进行移动机器人路径规划的势场路径图。其中A点的位置表示机器人的起点位置坐标，B点的位置表示机器人的目标点位置坐标，图4中所示的箭头长度表示该箭头位置坐标处的势场力的大小，图4中所示的箭头方向表示该箭头位置坐标处的势场力的方向。其中，势场力是引力和斥力的合力。从图4中可以看出，使用上述方法构建的势力场，移动机器人会出现目标不可达的情形。为了避免这种情况发生，需要对势力场进行进一步的改进。
步骤S102，更新所述引力势场和所述斥力势场，得到更新后的势力场。
在一些实施例中，可以对引力势场和斥力势场分别进行改进，得到改进后的势力场，使机器人在改进后的势力场的作用下寻找目标点。其中，改进后的势力场也可以称为更新后的势力场。
在一些实施例中，对引力势场进行改进的方法可以通过引入自适应策略实现。其中，自适应策略具体为：当移动机器人至目标点之间的矢量在第一区间时，引力势场的负梯度与第一引力系数相关，引力势场的负梯度等于第一系数乘以机器人的位置坐标与目标点的位置坐标之间的欧几里得距离；当移动机器人至目标点之间的矢量在第二区间时，引力势场的负梯度与第二引力系数相关，引力势场的负梯度等于第二系数乘以移动机器人的位置坐标与目标点的位置坐标之间的欧几里得距离；第一引力系数的值大于第二引力系数的值。
目标点对移动机器人的引力Fatt(q)为引力势场的负梯度，如公式(6)所示：
其中，Fatt(q)表示目标点在位置坐标q对移动机器人产生的引力；Katt表示第一引力系数、Tatt表示第二引力系数，Katt＞＞Tatt；q表示移动机器人的位置坐标；qg表示目标点位置坐标；ρ(q，qg)表示一个矢量，矢量方向是从移动机器人的位置坐标q指向目标点位置坐标qg，矢量大小表示移动机器人的位置坐标q和目标点位置坐标qg之间的欧几里得距离|q-qg|。0≤ρ(q-qg)≤p0为第一区间，ρ(q-qg)＞p0为第二区间；ρ0可以为一个常数，表示障碍物对移动机器人产生作用的最大距离。
在改进后的引力势场下，当目标点在障碍物斥力势场范围内，且路径可行的情况下，目标点对移动机器人的引力将远大于斥力。作为示例，第一引力系数可以是第二引力系数的至少100倍。当目标点附近存在障碍物干扰引力势场时，改进后的引力势场能够减少障碍物斥力势场对移动机器人在可行路径下的干扰。
在一些实施例中，对斥力势场的改进如下所述：
当移动机器人至所述障碍物之间的矢量在第三区间时，斥力势场的负梯度与第三引力系数、移动机器人的位置坐标与障碍物的位置坐标之间的欧几里得距离的倒数与第三区间中最大值的倒数之间的差、移动机器人的位置坐标与障碍物的位置坐标之间的欧几里得距离的倒数的平方、移动机器人的位置坐标与障碍物的位置坐标之间的欧几里得距离的偏导、移动机器人的位置坐标与障碍物的位置坐标之间的欧几里得距离的反正切函数的值相关。斥力势场的负梯度等于第三引力系数与移动机器人的位置坐标与障碍物的位置坐标之间的欧几里得距离的倒数与第三区间中最大值的倒数之间的差、移动机器人的位置坐标与障碍物的位置坐标之间的欧几里得距离的平方的倒数、移动机器人的位置坐标与障碍物的位置坐标之间的欧几里得距离的偏导、移动机器人的位置坐标与障碍物的位置坐标之间的欧几里得距离的反正切函数的值之间的乘积。
当移动机器人至所述目标点之间的矢量在第四区间时，所述斥力势场的负梯度为0。
障碍物对移动机器人的斥力Freq(q)为斥力场的负梯度，如公式(7)所示：
其中，Freq(q)表示障碍物在位置坐标q处对移动机器人产生的斥力；Kreq表示第三引力系数，Kreq表示障碍物的斥力系数，斥力系数越大说明障碍物周围具有更强的排斥力；q表示移动机器人的位置坐标；q0表示障碍物位置坐标；ρ(q，q0)表示一个矢量，矢量方向是从障碍物位置坐标q0指向移动机器人位置坐标q，矢量大小表示移动机器人与障碍物间的欧几里得距离|q-q0|；ρ0可以为一常数，表示障碍物对移动机器人产生作用的最大距离。
对斥力引入arctan(ρ(q,qg))函数，既保证了斥力势场内对移动机器人的斥力大小可控，又能够对目标点附近的障碍物有一定的距离约束，当移动机器人距离目标点越近，障碍物的斥力场越小。
在一些实施例中，将引力势场更新为改进后的引力势场，将斥力势场更新为改进后的斥力势场，可以得到更新后的势力场。
在一些实施例中，可以基于上述更新后的势力场确定移动机器人的行驶路径，移动机器人按照更新后的势力场的合力方向朝目标点行驶。基于更新后的势力场进行移动机器人的路径规划，有利减小了目标点附近障碍物的斥力势场对移动机器人在可行路径下的干扰，使得目标点在障碍物斥力势场范围内且路径可行的情况下，移动机器人距离目标点越近，目标点对移动机器人的引力越会远大于斥力。解决了移动机器人在障碍物的斥力势场干扰下目标不可达的问题。
在一些实施例中，当移动机器人的可行路径中某一位置坐标处的引力与斥力的合力为0时，移动机器人会陷入局部最小值陷阱，无法向目标点行驶。在移动机器人陷入局部最小值陷阱之前，移动机器人通常会发生震荡，可以通过判断移动机器人在路径点发生的震荡次数是否超过预设的阈值，来确定移动机器人是否陷入局部最小值陷阱。若移动机器人在路径点的震荡次数超过预设的阈值，则确定所述移动机器人陷入局部最小值陷阱。
在一些实施例中，若移动机器人陷入局部最小值陷阱时，可以回退预设的路径到达临时回退点，预设的路径可以根据实际需求确定，例如预设的路径可以是移动机器人所移动的路径的1/4。
在一些实施例中，当移动机器人从局部最小值陷阱的位置基于预设的路径到达回退点时，可以基于回退点和目标点，确定移动机器人的临时目标点。
其中，确定移动机器人的临时目标的过程可以为：
步骤1、将临时回退点和目标点，分别作为双向快速随机拓展树的两个起始节点。
步骤2、对两个起始节点分别对应的树进行节点采样，计算采样点与双向快速随机拓展树的节点的距离，获得双向快速随机拓展树上与采样点之间的距离最短的最近节点。
步骤3、将采样点与步骤2中得到的最近节点做方向向量，将所述节点沿着方向向量的方向移动预设步长值的距离，获得双向快速随机拓展树的候选节点。
步骤4、对步骤3中得到的候选节点进行路径检查，分别检查候选节点是否在地图之内以及是否在障碍物之外。若候选节点位于地图之内以及障碍物之外，则确定候选节点为双向快速随机拓展树的可行节点。若候选节点没有通过路径检查，则再次执行步骤2-步骤4寻找可行节点。
步骤5、将步骤4中得到的可行节点作为双向快速随机拓展树的新节点，若新节点能够将快速随机拓展树的两个起始节点分别对应的树连接形成通路，且能够通过路径检查，即新节点在地图之内以及障碍物之外，且所述通路无障碍，则确定步骤4中得到的节点为临时目标点；否则，依次循环步骤2-步骤5，直到得到临时目标点。
其中，使用双向快速随机拓展树获得临时目标点的方法，可以高效快速准确的确定临时目标点，解决了基于势力场进行移动机器人路径规划过程中的局部最小值陷阱问题，满足了移动机器人在行驶过程中动态避障的要求。
在一些实施例中，可以确定移动机器人从临时回退点到临时目标点之间的临时行驶路径，再基于更新后的势力场确定从临时目标点到目标点的目标行驶路径。
在一些场景中，移动机器人在实际行驶过程中无法精确到达上述得到的临时目标点，可以基于更新后的势力场，在移动机器人从临时回退点向临时目标点行驶时，当移动机器人到达的临时中间点与临时目标点之间的距离小于预设的阈值时，确定移动机器人从临时回退点到临时中间点之间的路径为临时行驶路径。再基于更新后的势力场，确定移动机器人从临时中间点到目标点的目标行驶路径。
在一些实施例中，移动机器人从起点到目标点的行驶路径可以包括以下至少一种情况：
移动机器人从起点准确行驶到目标点；
移动机器人从起点行驶到局部最小值陷阱，从局部最小值陷阱回退到临时回退点，从临时回退点行驶到与临时目标点的距离小于预设的阈值的临时中间点，从临时中间点行驶到目标点；
移动机器人从起点行驶到局部最小值陷阱，从局部最小值陷阱回退到临时回退点，从临时回退点行驶到临时目标点，从临时目标点行驶到目标点。
其中，移动机器人在行驶过程中，可能会经过一个或者多个局部最小值陷阱。
移动机器人路径规划方法的路径图如图5所示。图5中的地图与图3中相同。图3中的移动机器人应用原始人工势场法无法到达目标点，而在图5中，移动机器人从A位置坐标处朝目标点B位置坐标处移动。其中，当移动机器人陷入局部最小值陷阱C位置坐标时，移动机器人会回退到D位置坐标，再从D位置坐标行驶到B位置坐标。
图6示出的是在另一个二维地图中利用移动机器人路径规划方法路径图，图6中，移动机器人从A位置坐标行驶到目标点B位置坐标。具体的图7所示，图7示出了与图6中相同二维地图中的移动机器人路径规划方法的势力场路径图。在图7中，移动机器人从A位置坐标行驶到目标点B位置坐标，其中，移动机器人在陷入局部最小值陷阱C位置坐标时，会先按照已经行驶的路径回退预设的路径达到临时回退点D位置坐标，基于临时回退点D位置坐标和目标点B位置坐标，确定临时目标点F位置坐标，在更新后的势力场作用下，当移动机器人到达的临时中间点E位置坐标与临时目标点F位置坐标之间的距离小于预设的阈值时，移动机器人再基于更新后的势力场从临时中间点E位置坐标经过路径点F位置坐标行驶到目标点B。
下面说明本申请实施例提供的移动机器人路径规划方法的系统工作流程图。如图8所示。
步骤801、更新势力场。分别更新目标点对移动机器人的引力形成的引力势场，以及更新障碍物对移动机器人的斥力形成的斥力势场，得到更新后的势力场。在势力场更新完毕后，执行步骤802。
步骤802、移动机器人规划路径。基于步骤801更新后的势力场，按照更新后的势力场的合力方向确定移动机器人的行驶路径。在行驶路径中，执行步骤803。
步骤803、判断是否陷入局部最小值陷阱。若移动机器人在路径点的震荡次数超过预设的阈值，则确定移动机器人陷入局部最小值陷阱。在移动机器人陷入局部最小值陷阱时，执行步骤803，否则执行步骤805。
步骤804、寻找临时目标点。当移动机器人陷入局部最小值陷阱时，回退预设的路径到达临时回退点，基于临时回退点和目标点确定临时目标点。在达到临时目标点或者达到与临时目标点在预设的距离之内的临时中间点之后，继续执行步骤802。
步骤805、判断是否到达目标点。若移动机器人到达目标点，则终止程序，若移动机器人没有到达目标点，则继续执行步骤802。
图9为本申请实施例提供的移动机器人路径规划装置的一种可选装置结构示意图，移动机器人路径规划装置900包括势力场构建模块901、更新势力场模块902和行驶路径确定模块903。其中，
势力场构建模块901，用于基于目标点对移动机器人的引力形成的引力势场和障碍物对移动机器人的斥力形成的斥力势场，构建势力场；
更新势力场模块902，用于更新所述引力势场和所述斥力势场，得到更新后的势力场；
行驶路径确定模块903，用于基于所述更新后的势力场确定所述移动机器人的行驶路径。
在一些实施例中，更新势力场模块902用于确定所述移动机器人至所述目标点之间的矢量在第一区间时，所述引力势场的负梯度与第一引力系数相关；确定所述移动机器人至所述目标点之间的矢量在第二区间时，所述引力势场的负梯度与第二引力系数相关；所述第一引力系数的值大于所述第二引力系数的值。
其中，所述移动机器人至所述目标点之间的矢量在第一区间时，所述引力势场的负梯度等于所述第一系数乘以所述移动机器人的位置坐标与所述目标点的位置坐标之间的欧几里得距离；所述移动机器人至所述目标点之间的矢量在第二区间时，所述引力势场的负梯度等于所述第二系数乘以所述移动机器人的位置坐标与所述目标点的位置坐标之间的欧几里得距离。
在一些实施例中，更新势力场模块902用于确定所述移动机器人至所述障碍物之间的矢量在第三区间时，所述斥力势场的负梯度与第三引力系数、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的倒数与第三区间中最大值的倒数之间的差、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的倒数的平方、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的偏导、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的反正切函数的值相关；
确定所述移动机器人至所述目标点之间的矢量在第四区间时，所述斥力势场的负梯度为0。
其中，所述确定所述移动机器人至所述目标点之间的矢量在第三区间时，所述斥力势场的负梯度等于所述第三引力系数与所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的倒数与所述第三区间中最大值的倒数之间的差、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的平方的倒数、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的偏导、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的反正切函数的值之间的乘积。
在一些实施例中，行驶路径确定模块903用于基于所述更新后的势力场确定所述移动机器人的行驶路径；当所述移动机器人陷入局部最小值陷阱时，确定临时回退点和临时目标点；确定所述移动机器人从所述临时回退点到所述临时目标点之间的临时行驶路径；基于所述更新后的势力场确定从所述临时目标点到所述目标点的目标行驶路径。
在一些实施例中，行驶路径确定模块903用于当所述移动机器人陷入局部最小值陷阱时，回退预设的路径到达所述临时回退点，基于所述临时回退点和所述目标点确定所述临时目标点。
在一些实施例中，行驶路径确定模块903还用于基于所述更新后的势力场，当所述移动机器人到达的临时中间点与所述临时目标点之间的距离小于预设的阈值时，确定所述移动机器人从所述临时回退点到所述临时中间点之间的临时行驶路径；基于所述更新后的势力场确定从所述临时中间点到所述目标点的目标行驶路径。
在一些实施例中，行驶路径确定模块903还用于判断所述移动机器人在任意路径点的震荡次数是否超过预设的阈值；若所述移动机器人在路径点的震荡次数超过预设的阈值，则确定所述移动机器人陷入局部最小值陷阱。
在一些实施例中，行驶路径确定模块903用于将所述临时回退点和所述目标点，分别作为双向快速随机拓展树的两个起始节点；对所述两个起始节点分别对应的树进行节点采样，更新所述双向快速随机拓展树的可行节点；若所述可行节点能够将两个起始节点分别对应的树连接形成通路，且能够通过路径检查，则确定所述可行节点为所述临时目标点。
行驶路径确定模块903还用于获取所述双向快速随机拓展树上与采样点之间的距离最短的最近节点；将所述采样点与所述最近节点做方向向量，所述最近节点沿着所述方向向量的方向移动预设步长值的距离，获得所述双向快速随机拓展树的候选节点；若所述候选节点位于地图之内以及在所述障碍物之外，则确定所述候选节点为所述双向快速随机拓展树的可行节点。
行驶路径确定模块903还用于将所述可行节点进行所述路径检查，若所述可行节点在地图之内以及在所述障碍物之外，且所述通路无障碍，则确定所述可行节点通过所述路径检查。
需要说明的是，本申请实施例的移动机器人路径规划装置与上述移动机器人路径规划方法实施例的描述是类似的，具有与方法实施例相似的有益效果，因此不做赘述。对于本申请实施例提供的机器人路径规划装置中未尽的技术细节，可以根据图1至图7中任一附图的说明而理解。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备1000用于实施本公开实施例的机器人路径规划方法。在一些可选实施例中，电子设备1000可以通过运行计算机程序来实现本申请实施例提供的机器人路径规划方法，例如，计算机程序可以是操作系统中的软件模块；可以是本地(Native)应用程序(Application，APP)，即需要在操作系统中安装才能运行的程序；也可以是小程序，即只需要下载到浏览器环境中就可以运行的程序；还可以是能够嵌入至任意APP中的小程序。总而言之，上述计算机程序可以是任意形式的应用程序、模块或插件。
在实际应用中，电子设备1000可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器，其中，云技术(Cloud Technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。电子设备1000可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能电视、智能手表等，但并不局限于此。
电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备、车载终端和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图10所示，电子设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元10010，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如机器人路径规划方法。例如，在一些可选实施例中，机器人路径规划方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些可选实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的机器人路径规划方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为机器人路径规划方法。
本申请实施例提供一种存储有可执行指令的计算机可读存储介质，其中存储有可执行指令，当可执行指令被处理器执行时，将引起处理器执行本申请实施例提供的机器人路径规划方法。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
应理解，在本申请的各种实施例中，各实施过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
以上，仅为本申请的实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本申请的保护范围之内。
Claims (16)
1.一种移动机器人路径规划方法，其特征在于，所述方法包括：
基于目标点对移动机器人的引力形成的引力势场和障碍物对所述移动机器人的斥力形成的斥力势场，构建势力场；
更新所述引力势场和所述斥力势场，得到更新后的势力场；
基于所述更新后的势力场确定所述移动机器人的行驶路径。
2.根据权利要求1所述的方法，其特征在于，所述基于所述更新后的势力场确定所述移动机器人的行驶路径，包括：
当所述移动机器人陷入局部最小值陷阱时，确定临时回退点和临时目标点；
确定所述移动机器人从所述临时回退点到所述临时目标点之间的临时行驶路径；
基于所述更新后的势力场确定从所述临时目标点到所述目标点的目标行驶路径。
3.根据权利要求2所述的方法，其特征在于，所述当所述移动机器人陷入局部最小值陷阱时，确定临时回退点和临时目标点，包括：
当所述移动机器人陷入局部最小值陷阱时，回退预设的路径到达所述临时回退点，基于所述临时回退点和所述目标点确定所述临时目标点。
4.根据权利要求2所述的方法，其特征在于，所述确定所述移动机器人从陷入所述临时回退点到所述临时目标点之间的临时行驶路径；基于所述更新后的势力场确定从所述临时目标点到所述目标点的目标行驶路径，包括
基于所述更新后的势力场，当所述移动机器人到达的临时中间点与所述临时目标点之间的距离小于预设的阈值时，确定所述移动机器人从所述临时回退点到所述临时中间点之间的临时行驶路径；
基于所述更新后的势力场确定从所述临时中间点到所述目标点的目标行驶路径。
5.根据权利要求1所述的方法，其特征在于，所述更新所述引力势场和所述斥力势场，得到更新后的势力场，包括：
确定所述移动机器人至所述目标点之间的矢量在第一区间时，所述引力势场的负梯度与第一引力系数相关；
确定所述移动机器人至所述目标点之间的矢量在第二区间时，所述引力势场的负梯度与第二引力系数相关；
所述第一引力系数的值大于所述第二引力系数的值。
6.根据权利要求5所述的方法，其特征在于，所述移动机器人至所述目标点之间的矢量在第一区间时，所述引力势场的负梯度等于所述第一系数乘以所述移动机器人的位置坐标与所述目标点的位置坐标之间的欧几里得距离。
7.根据权利要求5所述的方法，其特征在于，所述移动机器人至所述目标点之间的矢量在第二区间时，所述引力势场的负梯度等于所述第二系数乘以所述移动机器人的位置坐标与所述目标点的位置坐标之间的欧几里得距离。
8.根据权利要求1所述的方法，其特征在于，所述更新所述引力势场和所述斥力势场，得到更新后的势力场，包括：
确定所述移动机器人至所述障碍物之间的矢量在第三区间时，所述斥力势场的负梯度与第三引力系数、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的倒数与第三区间中最大值的倒数之间的差、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的倒数的平方、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的偏导、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的反正切函数的值相关；
确定所述移动机器人至所述目标点之间的矢量在第四区间时，所述斥力势场的负梯度为0。
9.根据权利要求8所述的方法，所述确定所述移动机器人至所述目标点之间的矢量在第三区间时，所述斥力势场的负梯度等于所述第三引力系数与所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的倒数与所述第三区间中最大值的倒数之间的差、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的平方的倒数、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的偏导、所述移动机器人的位置坐标与所述障碍物的位置坐标之间的欧几里得距离的反正切函数的值之间的乘积。
10.根据权利要求2所述的方法，其特征在于，所述方法还包括：
判断所述移动机器人在任意路径点的震荡次数是否超过预设的阈值；
若所述移动机器人在路径点的震荡次数超过预设的阈值，则确定所述移动机器人陷入局部最小值陷阱。
11.根据权利要求3所述的方法，其特征在于，所述当所述移动机器人陷入局部最小值陷阱时，回退预设的路径到达所述临时回退点，基于所述临时回退点和所述目标点确定所述临时目标点，包括：
将所述临时回退点和所述目标点，分别作为双向快速随机拓展树的两个起始节点；
对所述两个起始节点分别对应的树进行节点采样，更新所述双向快速随机拓展树的可行节点；
若所述可行节点能够将两个起始节点分别对应的树连接形成通路，且能够通过路径检查，则确定所述可行节点为所述临时目标点。
12.根据权利要求11所述的方法，其特征在于，所述对所述两个起始节点分别对应的树进行节点采样，更新所述双向快速随机拓展树的可行节点，包括：
获取所述双向快速随机拓展树上与采样点之间的距离最短的最近节点；
将所述采样点与所述最近节点做方向向量，所述最近节点沿着所述方向向量的方向移动预设步长值的距离，获得所述双向快速随机拓展树的候选节点；
若所述候选节点位于地图之内以及在所述障碍物之外，则确定所述候选节点为所述双向快速随机拓展树的可行节点。
13.根据权利要求11所述的方法，其特征在于，所述若所述可行节点能够将两个起始节点分别对应的树连接形成通路，且能够通过路径检查，则确定所述可行节点为所述临时目标点，包括：
将所述可行节点进行所述路径检查，若所述可行节点在地图之内以及在所述障碍物之外，且所述通路无障碍，则确定所述可行节点通过所述路径检查。
14.一种移动机器人路径规划装置，其特征在于，所述装置包括：
势力场构建模块，用于基于目标点对移动机器人的引力形成的引力势场和障碍物对移动机器人的斥力形成的斥力势场，构建势力场；
更新势力场模块，用于更新所述引力势场和所述斥力势场，得到更新后的势力场；
行驶路径确定模块，用于基于所述更新后的势力场确定所述移动机器人的行驶路径。
15.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-13中任一项所述的方法。
16.一种计算机可读存储介质，其特征在于，所述存储介质包括一组计算机可执行指令，当所述指令被执行时用于执行权利要求1-13任一项所述的移动机器人路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210612869.6A CN115032992A (zh) | 2022-05-31 | 2022-05-31 | 一种移动机器人路径规划方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210612869.6A CN115032992A (zh) | 2022-05-31 | 2022-05-31 | 一种移动机器人路径规划方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115032992A true CN115032992A (zh) | 2022-09-09 |
Family
ID=83123899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210612869.6A Pending CN115032992A (zh) | 2022-05-31 | 2022-05-31 | 一种移动机器人路径规划方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115032992A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117369482A (zh) * | 2023-12-06 | 2024-01-09 | 华润数字科技有限公司 | 移动机器人的路径规划方法、装置、设备及存储介质 |
-
2022
- 2022-05-31 CN CN202210612869.6A patent/CN115032992A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117369482A (zh) * | 2023-12-06 | 2024-01-09 | 华润数字科技有限公司 | 移动机器人的路径规划方法、装置、设备及存储介质 |
| CN117369482B (zh) * | 2023-12-06 | 2024-03-12 | 华润数字科技有限公司 | 移动机器人的路径规划方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11537719B2 (en) | Deep neural network system for similarity-based graph representations | |
| Lei et al. | Dynamic path planning of unknown environment based on deep reinforcement learning | |
| CN108701251B (zh) | 使用优势估计强化学习 | |
| US12045061B2 (en) | Multi-AGV motion planning method, device and system | |
| Chen et al. | Delay-aware model-based reinforcement learning for continuous control | |
| CA3004885C (en) | Asynchronous deep reinforcement learning | |
| US9858525B2 (en) | System for training networks for semantic segmentation | |
| CN110088774A (zh) | 使用强化学习的环境导航 | |
| Choi et al. | Deformable motion: Squeezing into cluttered environments | |
| Yi et al. | Path planning of a manipulator based on an improved P_RRT* algorithm | |
| Zhang et al. | The robot path planning based on improved artificial fish swarm algorithm | |
| US11380086B2 (en) | Point cloud based 3D semantic segmentation | |
| JP6817456B2 (ja) | ニューラルエピソード制御 | |
| US20210319578A1 (en) | Unsupervised depth prediction neural networks | |
| Darbandi et al. | involving Kalman filter technique for increasing the reliability and efficiency of cloud computing | |
| WO2023160051A1 (zh) | 虚拟对象的蒙皮处理方法、装置、电子设备、存储介质及计算机程序产品 | |
| CN115032992A (zh) | 一种移动机器人路径规划方法、装置及电子设备 | |
| US20230139187A1 (en) | Method and apparatus for determining information, electronic device and storage medium | |
| Das et al. | A modified real time A* algorithm and its performance analysis for improved path planning of mobile robot | |
| Sarmiento et al. | An efficient strategy for rapidly finding an object in a polygonal world | |
| KR102565438B1 (ko) | 자연어에 기반하는 실내 자율 내비게이팅 | |
| CN109189082A (zh) | 用于控制移动机器人的方法、装置和控制系统 | |
| CN117406725A (zh) | 路径规划方法、装置、设备及存储介质 | |
| Mirshamsi et al. | A 3D path planning algorithm based on PSO for autonomous UAVs navigation | |
| Huaimin et al. | Cloud robotics: a distributed computing view |
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 |