CN115061467A - 基于改进高斯采样prm算法和狭窄通道识别的路径规划方法 - Google Patents
基于改进高斯采样prm算法和狭窄通道识别的路径规划方法 Download PDFInfo
- Publication number
- CN115061467A CN115061467A CN202210730956.1A CN202210730956A CN115061467A CN 115061467 A CN115061467 A CN 115061467A CN 202210730956 A CN202210730956 A CN 202210730956A CN 115061467 A CN115061467 A CN 115061467A
- Authority
- CN
- China
- Prior art keywords
- point
- sampling
- narrow channel
- narrow
- algorithm
- 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
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000003016 pheromone Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000002966 stenotic effect Effects 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
- G05D1/0221—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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Image Analysis (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了基于改进高斯采样PRM算法和狭窄通道识别的路径规划方法,通过改进高斯采样增大狭窄通道内的采样点数以保证机器人在含有狭窄通道的地图中规划的实施效率,属于路径规划的技术领域。所述方法首先对路况的地图进行栅格化处理,得到栅格地图模型,设置规划的起始点和目标点;改进高斯采样应用于栅格地图狭窄通道的局部采样,增加狭窄通道的路标点数量;对局部路标点进行聚类识别处理,识别出狭窄通道;接着利用PRM算法根据路标点生成无向图;最后在无向图中根据要求查询最优路径。本发明改进PRM算法的采样策略,实现狭窄通道环境中的路径规划,增加了PRM算法在狭窄通道环境中采样点数,提高了PRM算法在狭窄通道下路径搜索的效率。
Description
技术领域
本发明涉及机器人路径规划技术领域,尤其是基于改进高斯采样PRM算法和狭窄通道识别的路径规划方法。
背景技术
PRM算法是一种基于随机概率图的路径规划方法,当环境中存在诸如狭窄通道环境时,PRM算法的性能急剧下降,虽然可以通过大量采样进行弥补狭窄通道采样概率低的问题,但是这增加了离线学习阶段构建高连通性路线图的计算时间,导致PRM算法的效率低下。为了提高路线图狭窄通道环境的实施效率,学者们提出了许多针对PRM算法的改进。中国专利CN110411454A提出一种改进随机路径图法的移动机器人路径规划方法,使用自适应采样和高斯采样相结合的方法提高在狭窄通道的采样点数量,从而提高机器人在含有困难区域(如狭窄通道)地图路径规划的实时效率,该方法利用地图环境中的障碍物密度进行自适应采样,虽然提高了狭窄通道内的采样点密度,但是在障碍物周围也会存在大量的采样点,降低算法性能。中国专利CN109683630A提出了基于粒子群和PRM算法的无人机航迹规划方法,该方法针对传统PRM算法中对于狭窄通道路径搜索覆盖范围低的问题,在PRM采样阶段,对落在障碍物内的采样点不是直接舍弃,而是在其周围搜索不在障碍物内的点,从而在采样过程中增加在障碍物附近的采样点数量,但是该方法虽然增加了狭窄通道中的采样点密度,但是在非狭窄通道的采样点密度同样增加,这样在路线图的构建阶段会影响算法性能。中国专利CN113778090A提出基于蚁群优化和PRM算法的移动机器人路径规划方法,针对规划的路径需要通过密集的障碍物或者需要经过狭窄的通道时,PRM算法的效率变低下的问题,将蚁群算法的信息浓度与PRM算法相结合,将PRM生成的随机采样点通过比较信息素浓度进一步筛选有效的采样点,从而进行路径规划,可更加快速地寻找最佳路径。但是该方法是对信息浓度的依赖程度较大,这样会导致搜索过程中出现局部最优情况的出现,不利于路径的规划。
发明内容
为了克服上述现有技术中的缺陷,本发明提供基于改进高斯采样PRM算法和狭窄通道识别的路径规划方法,通过改进高斯采样算法结合基于DBSCAN聚类实现狭窄通道的识别,增大狭窄通道内的采样点,从而解决传统的PRM算法在狭窄通道下路径规划效率低和狭窄通道识别困难的问题。
为实现上述目的,本发明采用以下技术方案,包括:
基于改进高斯采样PRM算法和狭窄通道识别的路径规划方法,在高斯采样阶段限制其采样点分布的位置,增加PRM算法在狭窄通道的采样点数量;提出基于密度的聚类识别狭窄通道的方法,将环境中的狭窄通道准确的识别出来。
优选的,根据狭窄通道的几何特征,对于高斯采样算法中的每一采样点,通过在障碍物空间的采样点A(x1,y1)和自由空间的采样点B(x2,y2)的有向线段的延长线上选取一点C(x3,y3),若点C位于障碍物空间上,则自由空间的采样点B同时位于狭窄通道;
狭窄通道采样点的获取方式如下所示:
S2,根据步骤S1的直线方程和参数α得到点C,判断C的位置,如果C位于障碍物空间,则将点B作为狭窄通道采样点加入狭窄通道样本集,否则更新点A和点B进行下一次的选择;
S3,按照以下步骤循环:
更新点A和点B,并通过更新的点A和点B重复进行步骤S1~S2;
S4,当所述狭窄通道内的采样点个数达到预先设定的狭窄通道采样点阈值时,停止检测。
优选的,
S5,使用基于密度的聚类算法DBSCAN对狭窄通道样本集中的采样点进行识别处理,设置聚类算法中的密度区域ξ和区域样本个数minPts,区分出噪声点,识别出狭窄通道;
S6,得到狭窄通道处理后的样本集。
优选的,在非狭窄通道进行均匀采样,得到非狭窄通道样本集,狭窄通道的样本集和均匀采样得到的样本集添加到总样本集中,根据总样本集生成连通图,在连通图中进行PRM路径规划。
本发明的优点在于:
在机器人的路径规划采用的概率路线图(PRM)算法中的采样策略决定采样点数量,从而和路径规划的效率联系在一起。现有的采样大多是基于均匀采样的算法实现,当存在狭窄通道或者复杂地图时,概率路线图的规划效率会急剧下降,传统的高斯采样算法虽然可以增加狭窄通道的采样密度,但是其所有障碍物周围都会存在大量采样点,造成了采样点的冗余。本发明针对机器人路径规划问题,改进高斯采样策略应用到概率路线图中,增加了狭窄通道的采样点密度,减少了采样点的冗余,解决概率路线图在狭窄通道地图中效率低下的问题。针对环境中的狭窄通道的识别问题,提出基于DBASCAN聚类的方法,可以实现对狭窄通道的精确识别,有效的去除了非狭窄通道的采样点,提高了路径规划的计算效率,减少计算冗余,具有高效性的优点。本发明可以应用于在狭窄通道路径规划的场景。
附图说明
图1为本发明的方法流程图;
图2为地图划分示意图;
图3为改进高斯采样算法的示意图;
图4为改进高斯采样结果;
图5为DBASCAN聚类算法识别结果;
图6为狭窄通道识别示意图;
图7为最终路径示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
由图1所示,基于高斯采样的PRM算法和狭窄通道识别的路径规划方法,包括以下步骤;
S1,读取地图:首先使用栅格法对地图进行预处理,将环境地图划分为自由空间和障碍物空间。其中障碍物空间表示机器人不能到达的位置,自由空间表示机器人可以到达自由行走的位置,如图2所示。
S2,初始化机器人的起点Qstart和终点Qgoal,起点和终点的位置均位于自由空间内。
S3,使用改进高斯采样算法对机器人进行路径规划,所述改进算法包括:
S31,根据栅格地图设置改进高斯采样规模N1,初始化高斯采样参数σ=7,初始化总样本集S,狭窄通道样本集S1,非狭窄通道样本集S2,狭窄通道处理后的样本集为S3;
S32,根据采样规模N1和初始化参数使用改进高斯采样算法进行采样,根据狭窄通道的几何特征,如图3所示,对于高斯采样算法中的每一采样点,通过在障碍物空间的采样点A(x1,y1)和自由空间的采样点B(x2,y2)的线段延长线上(方向为)选取一点C(x3,y3),若C点位于障碍物空间上,则自由空间的采样点B同时位于狭窄通道。假设A(x1,y1)点和B(x2,y2)点分别位于障碍物空间和自由空间,如果B点位于狭窄通道,则在上有斜率Kab:
将满足条件的样本添加到狭窄通道样本集S1;
S33,重复执行步骤S32,直至狭窄通道采样样本集个数S1>N1,其采样结果如图4所示。
S34,基于步骤S33的狭窄通道样本集S1,使用一种基于密度的聚类方法对狭窄通道样本集S1行处理,由图4得到,其狭窄通道中的采样点个数集中且数量较多,且狭窄通道中的采样点范围较广,根据密度聚类的算法原理,其分类结果主要由密度区域ξ和区域样本个数minPts所影响,根据步骤S3得到的狭窄通道样本集S1设置聚类算法中参数ξ=90,聚类区域样本个数minPts=5,精确得到位于狭窄通道的采样样本,识别规划空间的狭窄通道,将非狭窄通道和狭窄通道的采样点区分,如图5所示,将狭窄通道的采样点和非狭窄通道的采样点进行正确的区分,其中,将非狭窄通道的样本标记为噪音点,并将狭窄通道进行标记。将处理后的精确位于狭窄通道的采样点添加到样本集S3。
S4,对步骤S1中栅格处理的地图非狭窄通道使用均匀采样,将起始点和目标点与狭窄通道更好的连接。非狭窄通道的均匀采样如下所示:
S41,设置均匀采样规模为N2,初始化采样种子Rand,非狭窄通道样本集S2即为均匀采样的样本集;
S42,根据采样规模N2在非狭窄通道进行均匀采样,在采样过程判断采样点是否位于自由空间中,将位于障碍物空间的采样点删除,位于自由空间的样本添加到样本集S2;
S43,根据S42的方法循环进行采样,得到满足条件的采样点,直至自由空间Cfree的样本个数S2>N2停止。
S5,将处理的位于狭窄通道的样本集S3和均匀采样得到的样本集S2添加到总样本集S中;
S6,根据总样本集S生成连通图,在连通图中进行PRM路径规划;
S7,计算步骤S6得到的所有的路径,并且计算起始点Qstar到目标点Qgoal之间的距离Dist,其计算方法为:设X(x1,x2)和Y(y1,y2)的欧式距离d(x,y)的计算公式:
S8,根据步骤S7找到最短的距离Dist的最终路径。
图6为准确识别出的狭窄通道的采样点分布,图7为设置起始点和目标点进行规划的最终路径。
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (4)
1.基于改进高斯采样PRM算法和狭窄通道识别的路径规划方法,其特征在于,在高斯采样阶段限制其采样点分布的位置,增加PRM算法在狭窄通道的采样点数量;提出基于密度的聚类识别狭窄通道的方法,将环境中的狭窄通道准确的识别出来。
2.根据权利要求1所述的基于改进高斯采样PRM算法和狭窄通道识别的路径规划方法,其特征在于,
根据狭窄通道的几何特征,对于高斯采样算法中的每一采样点,通过在障碍物空间的采样点A(x1,y1)和自由空间的采样点B(x2,y2)的有向线段的延长线上选取一点C(x3,y3),若点C位于障碍物空间上,则自由空间的采样点B同时位于狭窄通道;
狭窄通道采样点的获取方式如下所示:
S2,根据步骤S1的直线方程和参数α得到点C,判断C的位置,如果C位于障碍物空间,则将点B作为狭窄通道采样点加入狭窄通道样本集,否则更新点A和点B进行下一次的选择;
S3,按照以下步骤循环:
更新点A和点B,并通过更新的点A和点B重复进行步骤S1~S2;
S4,当所述狭窄通道内的采样点个数达到预先设定的狭窄通道采样点阈值时,停止检测。
3.根据权利要求1或2所述的基于改进高斯采样PRM算法和狭窄通道识别的路径规划方法,其特征在于,
S5,使用基于密度的聚类算法DBSCAN对狭窄通道样本集中的采样点进行识别处理,设置聚类算法中的密度区域ξ和区域样本个数minPts,区分出噪声点,识别出狭窄通道;
S6,得到狭窄通道处理后的样本集。
4.根据权利要求1或2所述的基于改进高斯采样PRM算法和狭窄通道识别的路径规划方法,其特征在于,在非狭窄通道进行均匀采样,得到非狭窄通道样本集,狭窄通道的样本集和均匀采样得到的样本集添加到总样本集中,根据总样本集生成连通图,在连通图中进行PRM路径规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210730956.1A CN115061467B (zh) | 2022-06-24 | 2022-06-24 | 基于改进高斯采样prm算法和狭窄通道识别的路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210730956.1A CN115061467B (zh) | 2022-06-24 | 2022-06-24 | 基于改进高斯采样prm算法和狭窄通道识别的路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115061467A true CN115061467A (zh) | 2022-09-16 |
CN115061467B CN115061467B (zh) | 2024-07-19 |
Family
ID=83203030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210730956.1A Active CN115061467B (zh) | 2022-06-24 | 2022-06-24 | 基于改进高斯采样prm算法和狭窄通道识别的路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115061467B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117553820A (zh) * | 2024-01-12 | 2024-02-13 | 北京理工大学 | 一种越野环境中路径规划方法、系统及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110411454A (zh) * | 2019-08-19 | 2019-11-05 | 西安工业大学 | 一种改进随机路径图法的移动机器人路径规划方法 |
EP3904834A1 (en) * | 2020-04-29 | 2021-11-03 | Robert Bosch GmbH | Method and device for deterministic sampling-based motion planning |
-
2022
- 2022-06-24 CN CN202210730956.1A patent/CN115061467B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110411454A (zh) * | 2019-08-19 | 2019-11-05 | 西安工业大学 | 一种改进随机路径图法的移动机器人路径规划方法 |
EP3904834A1 (en) * | 2020-04-29 | 2021-11-03 | Robert Bosch GmbH | Method and device for deterministic sampling-based motion planning |
Non-Patent Citations (2)
Title |
---|
YUNZHI HUANG 等: "Robot path planning in narrow passages based on improved PRM method", INTELLIGENT SERVICE ROBOTICS, 27 February 2024 (2024-02-27) * |
李敏;周远远;黄鲁;: "基于距离变换的PRM路径规划算法", 信息技术与网络安全, no. 03, 10 March 2018 (2018-03-10) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117553820A (zh) * | 2024-01-12 | 2024-02-13 | 北京理工大学 | 一种越野环境中路径规划方法、系统及设备 |
CN117553820B (zh) * | 2024-01-12 | 2024-04-05 | 北京理工大学 | 一种越野环境中路径规划方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115061467B (zh) | 2024-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636829B (zh) | 一种基于语义信息和场景信息的多目标跟踪方法 | |
CN111610786B (zh) | 基于改进rrt算法的移动机器人路径规划方法 | |
CN104951764B (zh) | 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 | |
CN110135450B (zh) | 一种基于密度聚类的热点路径分析方法 | |
CN106093946B (zh) | 一种适用于场面监视雷达的目标凝聚方法及装置 | |
CN109085569B (zh) | 一种基于区域划分的多雷达航迹关联方法 | |
CN115061467A (zh) | 基于改进高斯采样prm算法和狭窄通道识别的路径规划方法 | |
CN112052802A (zh) | 一种基于机器视觉的前方车辆行为识别方法 | |
CN113110507A (zh) | 一种自主避障的路径规划方法 | |
CN115236627B (zh) | 一种基于多帧多普勒速度扩维的毫米波雷达数据聚类方法 | |
CN115423019A (zh) | 一种基于密度的模糊聚类方法及装置 | |
CN110095788A (zh) | 一种基于灰狼优化算法的rbpf-slam改进方法 | |
CN113325867B (zh) | 一种无人航行器搜寻的路径规划方法、装置和无人航行器 | |
CN117109625B (zh) | 一种基于改进prm算法的无人驾驶路径规划方法 | |
CN114638934A (zh) | 一种3D激光slam建图中动态障碍物的后处理方法 | |
CN111123953A (zh) | 人工智能大数据下粒子化移动机器人组及其控制方法 | |
Li et al. | Exploring label probability sequence to robustly learn deep convolutional neural networks for road extraction with noisy datasets | |
CN115980738B (zh) | 一种基于动静分离的多目标跟踪方法 | |
WO2023108930A1 (zh) | 一种基于点云速度的毫米波雷达大车识别方法 | |
CN115980783A (zh) | 一种基于激光雷达点云的高架边墙提取方法 | |
CN115933749A (zh) | 一种面向设备目标驱动的变电站巡检航线生成方法 | |
CN116012628A (zh) | 一种毫米波雷达点云聚类和多目标识别机器学习方法 | |
CN105654498A (zh) | 基于动态局部搜索和免疫克隆自动聚类的图像分割方法 | |
CN116244391A (zh) | 一种海量航迹目标典型阵位提取方法 | |
CN115741686A (zh) | 一种基于变概率约束采样的机器人路径规划方法 |
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 |