CN115164907A - 基于动态权重的a*算法的森林作业机器人路径规划方法 - Google Patents

基于动态权重的a*算法的森林作业机器人路径规划方法 Download PDF

Info

Publication number
CN115164907A
CN115164907A CN202211082515.1A CN202211082515A CN115164907A CN 115164907 A CN115164907 A CN 115164907A CN 202211082515 A CN202211082515 A CN 202211082515A CN 115164907 A CN115164907 A CN 115164907A
Authority
CN
China
Prior art keywords
node
path
forest
nodes
grid map
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
CN202211082515.1A
Other languages
English (en)
Other versions
CN115164907B (zh
Inventor
方斌
屈天柱
曹金宇
张雨婷
刘阳
彭富明
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202211082515.1A priority Critical patent/CN115164907B/zh
Publication of CN115164907A publication Critical patent/CN115164907A/zh
Application granted granted Critical
Publication of CN115164907B publication Critical patent/CN115164907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于动态权重的A*算法的森林作业机器人路径规划方法，使用双目深度相机和多线激光雷达，采集森林作业机器人运行时的森林地图信息，构建二维的栅格地图模型；基于二维栅格地图模型，确定森林作业机器人的起始节点S和目标节点G；循环执行基于搜索优先邻域A*算法，在二维栅格地图模型上搜索路径，获得规划路径；基于动态权重的非均匀有理B样条曲线对规划路径进行平滑处理，得到最终路径。本发明提高了森林作业机器人的工作效率、减少了搜索节点，使路径更平滑且更符合森林作业机器人的行驶路径。

Description

基于动态权重的A*算法的森林作业机器人路径规划方法
技术领域
本发明属于移动机器人导航和路径规划领域，具体涉及一种基于动态权重的A*算法的森林作业机器人路径规划方法。
技术背景
由于我国林业生产经营多在偏远山区，林间环境复杂、运行条件困难等，使得传统农机穿行困难，同时环境信号覆盖率低，对森林作业机器人信号传输和处理有一定的挑战。随着科学技术的发展，对于森林作业机器人，主要的研究方向有北斗卫星定位技术、无线通讯技术、智能控制技术与模式识别等高新技术，通过这些技术，可以解决林业作业过程中目标识别、避障、路径规划、智能控制等科学问题，促进了信息获取、通讯处理、控制应用等林业机械信息学的应用，推动了现代信息及控制技术与农机装备融合发展。而路径规划作为森林作业机器人实现智能化的关键技术。
根据是否已知运行环境信息，可将路径规划算法分为全局路径规划算法和局部路径规划算法；在全局路径规划算方法中，启发式A*搜索算法应用地最为广泛，传统的启发式A*搜索算法在面对拥有较多障碍物的复杂环境时，会进行较多无用节点的搜索，导致运算量过大、占用计算内存过多和寻路时间长等问题，并且容易陷入局部极小而无法搜索全局最优解、存在路径转角过大等问题。
发明内容
本发明的目的在于提出一种基于动态权重的A*算法的森林作业机器人路径规划方法。
实现本发明目的的技术解决方案为：一种基于动态权重的A*算法的森林作业机器人路径规划方法，具体包括如下步骤：
S1，使用双目深度相机和多线激光雷达，采集森林作业机器人运行时的森林地图信息，构建二维的栅格地图模型；
S2，基于二维栅格地图模型，确定森林作业机器人的起始节点S和目标节点G；
S3，循环执行基于搜索优先邻域A*算法，在二维栅格地图模型上搜索路径，获得规划路径；
S4，基于动态权重的非均匀有理B样条曲线对规划路径进行平滑处理，得到最终路径。
进一步的，S1，使用双目深度相机和多线激光雷达采集森林作业机器人运行时的森林地图信息，构建二维的栅格-拓扑双层地图模型，具体方法为：
使用奥比中光Astra Pro深度相机和镭神16线激光雷达采集森林作业机器人运行时的森林地图信息，包括树木、坡度和坑洼信息，构建二维的栅格地图模型，所述栅格地图模型以左下角为坐标原点，横向为X轴，纵向为Y轴；
采用位置节点映射矩阵存储栅格地图模型，位置节点映射矩阵表示为
Figure 410626DEST_PATH_IMAGE001
，m为矩阵的行数，n为矩阵的列数，m×n为采集到的森林地图的大小，障碍物树木所在的位置节点表示为
Figure 560722DEST_PATH_IMAGE002
，即森林作业机器人不可通行，
Figure 809301DEST_PATH_IMAGE003
，n t 为障碍物树木的数量，山坡、坑洼所在的位置节点表示为
Figure 876614DEST_PATH_IMAGE004
，
Figure 159828DEST_PATH_IMAGE005
为森林作业机器人通过山坡、坑洼时的实际等效路径长度，
Figure 716711DEST_PATH_IMAGE006
，n h 为山坡、坑洼的数量，栅格地图模型上其他的位置节点表示为
Figure 655848DEST_PATH_IMAGE007
，即森林作业机器人通过这些位置节点时的实际路径长度为10，
Figure 822125DEST_PATH_IMAGE008
，n o 为二维栅格地图模型上除了树木、山坡和坑洼之外的位置节点的数量；
将位置节点映射矩阵元素用栅格序号
Figure 225424DEST_PATH_IMAGE009
表示，其中N=m×n，矩阵元素
Figure 687630DEST_PATH_IMAGE010
的坐标
Figure 114063DEST_PATH_IMAGE011
与序号
Figure 585496DEST_PATH_IMAGE012
之间的关系由下式确定：
Figure 577722DEST_PATH_IMAGE013
。
进一步的，S3，循环执行基于搜索优先邻域A*算法，在二维栅格地图模型上搜索路径，获得规划路径，具体方法为：
步骤S3.1，分别建立OPEN和CLOSE两个列表，用于储存待检测节点和已检测节点或不需要检测的节点，将起始节点S放入OPEN表中；
步骤S3.2，判断OPEN列表是否为空，若OPEN表中无节点，则表示路径规划失败，结束寻路；若OPEN表中有节点，则转至步骤S3.3；
步骤S3.3，判断目标节点G是否在OPEN列表中，若是，则转至步骤S3.6；若否，则计算OPEN列表中节点的全局代价函数F(n)值，将具有最小F(n)值的节点从OPEN列表中删除，将其放入CLOSE列表中，此时CLOSE列表中最后一个节点即为当前节点n；
其中，引入动态权重、惩罚函数确定全局代价函数F(n)，表达式为：
Figure 178206DEST_PATH_IMAGE014
Figure 888673DEST_PATH_IMAGE015
Figure 632638DEST_PATH_IMAGE016
Figure 10530DEST_PATH_IMAGE017
Figure 814538DEST_PATH_IMAGE018
Figure 215563DEST_PATH_IMAGE019
Figure 763219DEST_PATH_IMAGE020
其中，
Figure 511731DEST_PATH_IMAGE021
为全局代价函数；
Figure 752219DEST_PATH_IMAGE022
为真实代价函数，表示起始节点S到当前节点n的实际路径长度；
Figure 374961DEST_PATH_IMAGE023
为启发函数，表示从当前节点n到目标节点G的估计路径长度，采用欧几里得距离；
Figure 726308DEST_PATH_IMAGE024
为起始节点S基于二维栅格地图模型的坐标，
Figure 813213DEST_PATH_IMAGE025
为当前节点n基于二维栅格地图模型的坐标，
Figure 224603DEST_PATH_IMAGE026
为目标节点G基于二维栅格地图模型的坐标，
Figure 833176DEST_PATH_IMAGE027
为当前节点n的父节点基于二维栅格地图模型的坐标，
Figure 722635DEST_PATH_IMAGE028
为父节点的父节点基于二维栅格地图模型的坐标；
Figure 929625DEST_PATH_IMAGE029
为向上取整函数；
Figure 511917DEST_PATH_IMAGE030
分别为动态权重，由起始节点S、当前节点n和目标节点G确定；
Figure 109251DEST_PATH_IMAGE031
为起始节点S指向当前节点n的方向向量与起始节点S指向目标节点G的方向向量之间的夹角，
Figure 802401DEST_PATH_IMAGE032
为当前节点n指向目标节点G的方向向量与起始节点S指向目标节点G的方向向量之间的夹角；
Figure 598318DEST_PATH_IMAGE033
为惩罚函数，由障碍物树木、森林作业机器人转向角度和当前节点n与理想路径之间的距离l(n)确定，所谓理想路径即起始节点S通往目标节点G的直线路径，K1、K2、K3为正的惩罚系数，
Figure 53308DEST_PATH_IMAGE034
为森林作业机器人转过
Figure 200256DEST_PATH_IMAGE035
角的次数，
Figure 900358DEST_PATH_IMAGE036
为父节点指向任意两个拓展节点方向向量之间的最大转折角，
Figure 19624DEST_PATH_IMAGE037
为父节点指向任意两个相邻拓展节点方向向量之间的转折角，s为可拓展节点数量的最大值，对于起始节点S，其父节点，
Figure 911095DEST_PATH_IMAGE038
，惩罚函数
Figure 748601DEST_PATH_IMAGE039
；
步骤S3.4，以当前节点n为父节点，根据搜索优先邻域对父节点进行拓展，其中，搜索优先邻域由理想路径确定，具体方法为：
基于二维栅格地图模型，求出理想路径的方向向量，进行规范化处理：
Figure 252394DEST_PATH_IMAGE040
Figure 226166DEST_PATH_IMAGE041
其中，
Figure 321161DEST_PATH_IMAGE042
为规范化后的理想路径的方向向量；
若
Figure 353620DEST_PATH_IMAGE043
等于0，
Figure 129946DEST_PATH_IMAGE044
等于0，则结束寻路；若
Figure 223804DEST_PATH_IMAGE045
等于0，
Figure 660340DEST_PATH_IMAGE046
不等于0，则以当前节点n为父节点，根据理想路径的规范化方向向量依次得到搜索优先邻域中基于父节点的优先拓展节点
Figure 206859DEST_PATH_IMAGE047
、
Figure 114772DEST_PATH_IMAGE048
、
Figure 63136DEST_PATH_IMAGE049
、
Figure 467311DEST_PATH_IMAGE050
、
Figure 235546DEST_PATH_IMAGE051
；若
Figure 681571DEST_PATH_IMAGE052
不等于0，
Figure 218863DEST_PATH_IMAGE053
等于0，则搜索优先邻域中基于父节点的优先拓展节点依次为
Figure 92141DEST_PATH_IMAGE054
、
Figure 846208DEST_PATH_IMAGE055
、
Figure 830345DEST_PATH_IMAGE056
、
Figure 487722DEST_PATH_IMAGE057
、
Figure 266322DEST_PATH_IMAGE058
；若
Figure 71467DEST_PATH_IMAGE059
不等于0，
Figure 593715DEST_PATH_IMAGE060
不等于0，则搜索优先邻域中基于父节点的优先拓展节点依次为
Figure 598275DEST_PATH_IMAGE061
、
Figure 547777DEST_PATH_IMAGE062
、
Figure 309059DEST_PATH_IMAGE063
、
Figure 900578DEST_PATH_IMAGE064
、
Figure 63706DEST_PATH_IMAGE065
；
定义搜索优先邻域中障碍物树木计数为
Figure 184108DEST_PATH_IMAGE066
，依次判断优先拓展节点映射的矩阵元素值是否等于Inf，若是，则障碍物树木计数值加一，即
Figure 400064DEST_PATH_IMAGE067
，若否，则
Figure 264115DEST_PATH_IMAGE068
值不变；
步骤S3.5，判断障碍物树木计数
Figure 281749DEST_PATH_IMAGE068
值是否小于5，若是，则将得到的搜索优先邻域中的优先拓展节点放入OPEN列表，并转至步骤S3.3；否则，根据节点拓展关系以当前节点n为父节点，依次拓展除搜索优先邻域外其它的节点，并根据拓展节点映射的矩阵元素值是否等于Inf，更新
Figure 104212DEST_PATH_IMAGE068
值，将得到的拓展节点放入OPEN列表，并转至步骤S3.3；
步骤S3.6，在CLOSE列表中根据节点父子关系进行回溯，得到从起始节点S至目标节点G的规划路径，寻路完成。
进一步的，S4，基于动态权重的非均匀有理B样条曲线对规划路径进行平滑处理，得到最终路径，具体方法为：
步骤S4.1，将规划路径代入非均匀有理B样条曲线中，利用积累弦长法计算参数值，从而得到参数化节点矢量，其中非均匀有理B样条曲线表达式为：
Figure 840087DEST_PATH_IMAGE069
Figure 507828DEST_PATH_IMAGE070
其中：
Figure 583232DEST_PATH_IMAGE071
Figure 809551DEST_PATH_IMAGE072
式中：
Figure 32722DEST_PATH_IMAGE073
为非均匀有理B样条曲线上的位置向量；c i 为非均匀有理B样条曲线的控制节点；
Figure 504155DEST_PATH_IMAGE074
为当前控制节点基于二维栅格地图模型的坐标；u i 为与控制节点相对应的参数化点，集合
Figure 496382DEST_PATH_IMAGE075
为参数化节点矢量；
Figure 395068DEST_PATH_IMAGE076
为动态权重，与控制节点相联系；
Figure 43218DEST_PATH_IMAGE077
为当前控制节点指向上一个控制节点的方向矢量和指向下一个控制节点的方向矢量之间的夹角；k为基函数的次数；
Figure 52762DEST_PATH_IMAGE078
是由参数化节点矢量
Figure 663610DEST_PATH_IMAGE079
按德布尔-考克斯递推公式决定的k次规范B样条基函数，其递推公式为：
Figure 733197DEST_PATH_IMAGE080
规定
Figure 930960DEST_PATH_IMAGE081
，将起始节点S和目标节点G的重复度取为4，对积累弦长参数化法进行规范化处理，得到参数化节点矢量U：
Figure 478616DEST_PATH_IMAGE082
Figure 648697DEST_PATH_IMAGE083
Figure 623607DEST_PATH_IMAGE084
Figure 574245DEST_PATH_IMAGE085
式中，
Figure 429986DEST_PATH_IMAGE086
为规划路径中基于二维栅格地图模型的各路径节点的位置信息；
步骤S4.2，利用切矢条件确定边界条件，切矢条件满足方程组：
Figure 454574DEST_PATH_IMAGE087
式中，
Figure 865964DEST_PATH_IMAGE088
，
Figure 38319DEST_PATH_IMAGE089
与
Figure 131040DEST_PATH_IMAGE090
分别为起始节点S和目标节点G的切矢量；
步骤S4.3，采用切矢边界条件得到带权控制节点矩阵，求解全部控制节点，具体方法为：
对于三次非均匀有理B样条曲线，起始节点S和目标节点G为规划路径首末端的控制节点，即,
Figure 305407DEST_PATH_IMAGE091
，得到如下线性方程组：
Figure 825382DEST_PATH_IMAGE092
其中：
Figure 688295DEST_PATH_IMAGE093
Figure 850286DEST_PATH_IMAGE094
Figure 879160DEST_PATH_IMAGE095
Figure 570036DEST_PATH_IMAGE096
Figure 123508DEST_PATH_IMAGE097
Figure 587725DEST_PATH_IMAGE098
Figure 706991DEST_PATH_IMAGE099
求解线性方程组，得到全部控制节点；
步骤S4.4，采用De-Boor递推公式拟合三次非均匀有理B样条曲线，得到最终路径。
一种基于动态权重的A*算法的森林作业机器人路径规划系统，基于所述的森林作业机器人路径规划方法，实现基于动态权重的A*算法的森林作业机器人路径规划。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，基于所述的森林作业机器人路径规划方法，实现基于动态权重的A*算法的森林作业机器人路径规划。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，基于所述的森林作业机器人路径规划方法，实现基于动态权重的A*算法的森林作业机器人路径规划。
本发明与现有技术相比，其显著优点在于：1）采用双目深度相机和多线激光雷达进行环境建模，使获得的环境地图更为准确。2）采用基于搜索优先邻域A*算法搜索路径，搜索节点更加合理，减少了不必要的内存消耗，提高了算法搜索效率。3）考虑到森林作业机器人的最小转向半径，采用基于动态权重的非均匀有理B样条曲线对规划路径进行平滑处理，得到的最终路径更可靠且更符合森林作业机器人的行驶轨迹。
附图说明
图1为实施例中的总体流程图；
图2为实施例中将坡度与坑洼等效为球体部分图；
图3为实施例中拓展方向及相应的路径代价图；
图4为实施例中森林作业机器人运行环境的二维栅格地图模型图；
图5为实施例中基于搜索优先邻域A*算法的路径规划流程图；
图6为实施例中各动态权重和距离l(n)示意图；
图7为实施例中各转折角示意图；
图8为实施例中基于二维栅格地图的搜索优先邻域图；
图9为实施例中基于动态权重的非均匀有理B样条曲线的路径优化流程图；
图10为实施例中非均匀有理B样条曲线的动态权重示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，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。
本发明一种基于动态权重的A*算法的森林作业机器人路径规划方法，实现总体流程图如图1所示，具体包括以下步骤：
S1，使用双目深度相机和多线激光雷达采集森林作业机器人运行时的森林地图信息，基于采集到的地图信息构建二维的栅格地图模型，具体包括以下过程：
使用奥比中光Astra Pro深度相机和镭神16线激光雷达采集森林作业机器人运行时的森林地图信息，包括树木、坡度和坑洼等信息，基于以上采集到的信息，构建二维的栅格地图模型，在该地图模型中以左下角为坐标原点，横向为X轴，纵向为Y轴；采用矩阵存储栅格地图模型，栅格地图模型中每一个位置节点映射矩阵中的第i行、第j列的元素，表示为
Figure 834347DEST_PATH_IMAGE100
，m为矩阵的行数，n为矩阵的列数，m×n为采集到的森林地图的大小，障碍物树木在矩阵中表示为
Figure 468590DEST_PATH_IMAGE101
，即森林作业机器人不可通行，
Figure 706805DEST_PATH_IMAGE102
，n t 为障碍物树木的数量；针对山坡、坑洼等较为复杂的环境，将山坡、坑洼等效为球体的一部分，如图2所示，通过计算球体的圆弧长度，可以得到经过该山坡或者坑洼的等效路径长度，它们的等效路径长度是相同的，在本实施例中取
Figure 993428DEST_PATH_IMAGE103
，此时等效路径长度为16，即该类位置节点在矩阵中表示为
Figure 291685DEST_PATH_IMAGE104
，n h 为山坡、坑洼等的数量；栅格地图模型上其他的位置节点在矩阵中表示为
Figure 413225DEST_PATH_IMAGE105
，即森林作业机器人通过这些位置节点时的实际路径长度为10，
Figure 189551DEST_PATH_IMAGE106
，n o 为二维栅格地图模型上除了障碍物、山坡和坑洼之外的位置节点的数量；又根据拓展规则，可拓展节点的最大值为8，其拓展方向有8个方向，令沿Y轴正向为上，X轴正向为右，则8个拓展方向为上、下、左、右、左上、左下、右上、右下，其中往上、下、左、右等方向拓展时森林作业机器人通过的实际路径长度为10，拓展方向为左上、左下、右上、右下方向时森林作业机器人通过的实际路径长度为
Figure 80147DEST_PATH_IMAGE107
即14，如图3所示，即往不同的方向拓展时，真实代价函数
Figure 346043DEST_PATH_IMAGE108
根据通过环境的不同，需加上上述的实际路径长度或者等效路径长度；可以得到最终建立的二维栅格地图模型，如图4所示，其中圆圈代表障碍物树木等，不可通行，填充颜色深浅不同的圆表示山坡或坑洼；
S2，基于二维栅格地图模型，确定森林作业机器人的起始节点S和目标节点G；
S3，循环执行基于搜索优先邻域A*算法，在二维栅格地图模型上搜索路径，获得规划路径，流程图如图5所示，具体包括以下过程：
步骤S3.1，分别建立OPEN和CLOSE两个列表，用于储存待检测节点和已检测节点或不需要检测的节点，将起始节点S放入OPEN表中；
步骤S3.2，判断OPEN列表是否为空，若OPEN表中无节点，则表示路径规划失败，结束寻路；若OPEN表中有节点，则转至步骤S3.3；
步骤S3.3，判断目标节点G是否在OPEN列表中，若是，则转至步骤S3.6；若否，则计算OPEN列表中节点的全局代价函数F(n)值，将具有最小F(n)值的节点从OPEN列表中删除，将其放入CLOSE列表中，此时CLOSE列表中最后一个节点即为当前节点n；
其中，引入动态权重、惩罚函数确定全局代价函数F(n)，表达式为：
Figure 922256DEST_PATH_IMAGE109
Figure 767852DEST_PATH_IMAGE110
Figure 247375DEST_PATH_IMAGE111
Figure 684172DEST_PATH_IMAGE112
Figure 514725DEST_PATH_IMAGE113
Figure 429591DEST_PATH_IMAGE114
Figure 29200DEST_PATH_IMAGE116
其中，
Figure 338696DEST_PATH_IMAGE117
为全局代价函数；
Figure 390966DEST_PATH_IMAGE118
为真实代价函数，表示起始节点S到当前节点n的实际路径长度；
Figure 375103DEST_PATH_IMAGE119
为启发函数，表示从当前节点n到目标节点G的估计路径长度，采用欧几里得距离；
Figure 829218DEST_PATH_IMAGE120
为起始节点S基于二维栅格地图模型的坐标，
Figure 607818DEST_PATH_IMAGE121
为当前节点n基于二维栅格地图模型的坐标，
Figure 350646DEST_PATH_IMAGE122
为目标节点G基于二维栅格地图模型的坐标，
Figure 371429DEST_PATH_IMAGE123
为当前节点n的父节点基于二维栅格地图模型的坐标，
Figure 680051DEST_PATH_IMAGE124
为父节点的父节点基于二维栅格地图模型的坐标；
Figure 895131DEST_PATH_IMAGE125
为向上取整函数；
Figure 656414DEST_PATH_IMAGE126
分别为动态权重，由起始节点S、当前节点n和目标节点G确定；
Figure 185616DEST_PATH_IMAGE127
为起始节点S指向当前节点n的方向向量与起始节点S指向目标节点G的方向向量之间的夹角，
Figure 348744DEST_PATH_IMAGE128
为当前节点n指向目标节点G的方向向量与起始节点S指向目标节点G的方向向量之间的夹角，动态权重
Figure 734726DEST_PATH_IMAGE129
和距离
Figure 753278DEST_PATH_IMAGE130
示意图如图6所示；
Figure 617329DEST_PATH_IMAGE131
为惩罚函数，由障碍物树木、森林作业机器人转向角度和当前节点n与理想路径之间的距离l(n)确定，所谓理想路径即起始节点S通往目标节点G的直线路径，K1、K2、K3为正的惩罚系数，
Figure 838226DEST_PATH_IMAGE132
为森林作业机器人转过
Figure 395109DEST_PATH_IMAGE133
角的次数，
Figure 130984DEST_PATH_IMAGE134
为父节点指向任意两个拓展节点方向向量之间的最大转折角，本实施例中取
Figure 798726DEST_PATH_IMAGE135
，
Figure 936446DEST_PATH_IMAGE136
为父节点指向任意两个相邻拓展节点方向向量之间的转折角，本实施例中取
Figure 366028DEST_PATH_IMAGE137
，s为可拓展节点的最大值，本实施例中s=8，各转折角如图7所示；
对于起始节点S，其父节点
Figure 323620DEST_PATH_IMAGE138
，惩罚函数
Figure 60632DEST_PATH_IMAGE139
；
步骤S3.4，以当前节点n为父节点，根据搜索优先邻域对父节点进行拓展，其中，搜索优先邻域由理想路径确定，搜索优先邻域示意图如图8所示，具体方法为：
基于二维栅格地图模型，求出理想路径的方向向量
Figure 52858DEST_PATH_IMAGE140
，进行规范化处理：
Figure 685965DEST_PATH_IMAGE141
Figure 599694DEST_PATH_IMAGE142
其中，
Figure 107774DEST_PATH_IMAGE042
为规范化后的理想路径的方向向量；
若
Figure 220086DEST_PATH_IMAGE143
等于0，
Figure 289673DEST_PATH_IMAGE144
等于0，则结束寻路；若
Figure 425120DEST_PATH_IMAGE145
等于0，
Figure 238355DEST_PATH_IMAGE146
不等于0，则以当前节点n为父节点，根据理想路径的规范化方向向量依次得到搜索优先邻域中基于父节点的优先拓展节点
Figure 470753DEST_PATH_IMAGE147
、
Figure 147460DEST_PATH_IMAGE148
、
Figure 98098DEST_PATH_IMAGE149
、
Figure 918287DEST_PATH_IMAGE150
、
Figure 208454DEST_PATH_IMAGE151
；若
Figure 823106DEST_PATH_IMAGE152
不等于0，
Figure 691399DEST_PATH_IMAGE153
等于0，则搜索优先邻域中基于父节点的优先拓展节点依次为
Figure 518541DEST_PATH_IMAGE154
、
Figure 132056DEST_PATH_IMAGE155
、
Figure 947303DEST_PATH_IMAGE156
、
Figure 810217DEST_PATH_IMAGE157
、
Figure 972208DEST_PATH_IMAGE158
；若
Figure 971388DEST_PATH_IMAGE159
不等于0，
Figure 488695DEST_PATH_IMAGE160
不等于0，则搜索优先邻域中基于父节点的优先拓展节点依次为
Figure 307746DEST_PATH_IMAGE161
、
Figure 70166DEST_PATH_IMAGE162
、
Figure 923852DEST_PATH_IMAGE163
、
Figure 113525DEST_PATH_IMAGE164
、
Figure 482190DEST_PATH_IMAGE165
；
定义搜索优先邻域中障碍物树木计数为
Figure 15677DEST_PATH_IMAGE166
，依次判断优先拓展节点映射的矩阵元素值是否等于Inf，若是，则障碍物树木计数值加一，即
Figure 723870DEST_PATH_IMAGE167
，若否，则
Figure 818865DEST_PATH_IMAGE168
值不变；
步骤S3.5，判断障碍物树木计数
Figure 409246DEST_PATH_IMAGE168
值是否小于5，若是，则将得到的搜索优先邻域中的优先拓展节点放入OPEN列表，并转至步骤S3.3；若否，则根据节点拓展关系以当前节点n为父节点，依次拓展除搜索优先邻域外其它的节点，并判断拓展节点映射的矩阵元素值是否等于Inf，若是，则障碍物树木计数值加1，即
Figure 513469DEST_PATH_IMAGE167
，若否，则
Figure 138485DEST_PATH_IMAGE168
值不变；将得到的拓展节点放入OPEN列表，并转至步骤S3.3；
步骤S3.6，在CLOSE列表中根据节点父子关系进行回溯，得到从起始节点S至目标节点G的规划路径，寻路完成；
S4，基于动态权重的非均匀有理B样条曲线(NURBS)对规划路径进行平滑处理，得到最终路径，图9为对规划路径平滑处理流程图，具体包括以下过程：
步骤S4.1，将得到的规划路径代入非均匀有理B样条曲线(NURBS)中，利用积累弦长法计算参数值，从而得到参数化节点矢量，其中非均匀有理B样条曲线表达式为：
Figure 404381DEST_PATH_IMAGE169
Figure 189715DEST_PATH_IMAGE170
其中：
Figure 566470DEST_PATH_IMAGE171
Figure 311572DEST_PATH_IMAGE172
式中：
Figure 748370DEST_PATH_IMAGE173
为参数为u时非均匀有理B样条曲线上的位置向量；c i 为非均匀有理B样条曲线的控制节点；
Figure 516606DEST_PATH_IMAGE174
为当前控制节点i基于二维栅格地图模型的坐标；u i 为与控制节点相对应的参数化点，节点的集合
Figure 697051DEST_PATH_IMAGE175
为参数化节点矢量；
Figure 795195DEST_PATH_IMAGE176
为动态权重，与控制节点相联系；
Figure 402894DEST_PATH_IMAGE177
为当前控制节点i指向上一个控制节点i-1的方向矢量和指向下一个控制节点i+1的方向矢量之间的夹角，如图10所示；k为基函数的次数；
Figure 455164DEST_PATH_IMAGE178
是由参数化节点矢量
Figure 439300DEST_PATH_IMAGE179
按德布尔-考克斯递推公式决定的k次规范B样条基函数，其递推公式为
Figure 96677DEST_PATH_IMAGE180
规定
Figure 875278DEST_PATH_IMAGE081
，将规划路径中起始节点和目标节点的重复度设置为4，对积累弦长参数化法进行规范化处理，可得参数化节点矢量U：
Figure 149264DEST_PATH_IMAGE181
式中，
Figure 435627DEST_PATH_IMAGE182
为规划路径中基于二维栅格地图模型的各路径节点的位置信息；
步骤S4.2，利用切矢条件确定边界条件，切矢条件满足方程组：
Figure 744248DEST_PATH_IMAGE183
式中，
Figure 897012DEST_PATH_IMAGE184
，
Figure 923874DEST_PATH_IMAGE185
与
Figure 984234DEST_PATH_IMAGE186
分别为起始节点S和目标节点G的切矢量，本实施例中规划路径中起始节点S的切矢量为(0，1)，目标节点G的切矢量为(-1，0)；
步骤S4.3，采用切矢边界条件可得带权控制节点矩阵，求解线性方程组，得到全部控制节点，具体方法为：
对于三次NURBS曲线，起始节点S和目标节点G为规划路径首末端的控制节点，即
Figure 678520DEST_PATH_IMAGE187
，可得如下线性方程组：
Figure 798923DEST_PATH_IMAGE188
其中：
Figure 546037DEST_PATH_IMAGE189
其中，求解线性方程组，可得全部控制节点；
步骤S4.4，采用De-Boor递推公式拟合三次非均匀有理B样条曲线，得到最终路径，考虑到森林作业机器人的最小转向半径，得到的最终路径更符合森林作业机器人的行驶路径。
本发明还提出一种基于动态权重的A*算法的森林作业机器人路径规划系统，基于所述的森林作业机器人路径规划方法，实现基于动态权重的A*算法的森林作业机器人路径规划。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，基于所述的森林作业机器人路径规划方法，实现基于动态权重的A*算法的森林作业机器人路径规划。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，基于所述的森林作业机器人路径规划方法，实现基于动态权重的A*算法的森林作业机器人路径规划。
综上所述，本发明使森林作业机器人在树木等障碍物较多的复杂森林环境下也能得到理想的路径，搜索节点更加合理，减少了不必要的内存消耗，提高了算法搜索效率，考虑到森林作业机器人的最小转向半径，利用基于动态权重的非均匀有理B样条曲线对规划路径进行平滑处理，得到的最终路径更平滑且更符合森林作业机器人的行驶轨迹，极大提高了机器人的工作效率。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (7)

1.一种基于动态权重的A*算法的森林作业机器人路径规划方法，其特征在于，具体包括如下步骤：
S1，使用双目深度相机和多线激光雷达，采集森林作业机器人运行时的森林地图信息，构建二维的栅格地图模型；
S2，基于二维栅格地图模型，确定森林作业机器人的起始节点S和目标节点G；
S3，循环执行基于搜索优先邻域A*算法，在二维栅格地图模型上搜索路径，获得规划路径；
S4，基于动态权重的非均匀有理B样条曲线对规划路径进行平滑处理，得到最终路径。
2.根据权利要求1所述的基于动态权重的A*算法的森林作业机器人路径规划方法，其特征在于：S1，使用双目深度相机和多线激光雷达采集森林作业机器人运行时的森林地图信息，构建二维的栅格-拓扑双层地图模型，具体方法为：
使用奥比中光Astra Pro深度相机和镭神16线激光雷达采集森林作业机器人运行时的森林地图信息，包括树木、坡度和坑洼信息，构建二维的栅格地图模型，所述栅格地图模型以左下角为坐标原点，横向为X轴，纵向为Y轴；
采用位置节点映射矩阵存储栅格地图模型，位置节点映射矩阵表示为
Figure 166393DEST_PATH_IMAGE001
，m为矩阵的行数，n为矩阵的列数，m×n为采集到的森林地图的大小，障碍物树木所在的位置节点表示为
Figure 254173DEST_PATH_IMAGE002
，即森林作业机器人不可通行，
Figure 565069DEST_PATH_IMAGE003
，n t 为障碍物树木的数量，山坡、坑洼所在的位置节点表示为
Figure 101223DEST_PATH_IMAGE004
，
Figure 446754DEST_PATH_IMAGE005
为森林作业机器人通过山坡、坑洼时的实际等效路径长度，
Figure 675741DEST_PATH_IMAGE006
，n h 为山坡、坑洼的数量，栅格地图模型上其他的位置节点表示为
Figure 473933DEST_PATH_IMAGE007
，即森林作业机器人通过这些位置节点时的实际路径长度为10，
Figure 79358DEST_PATH_IMAGE008
，n o 为二维栅格地图模型上除了树木、山坡和坑洼之外的位置节点的数量；
将位置节点映射矩阵元素用栅格序号
Figure 279395DEST_PATH_IMAGE009
表示，其中N=m×n，矩阵元素
Figure 443398DEST_PATH_IMAGE010
的坐标
Figure 728885DEST_PATH_IMAGE011
与序号
Figure 606843DEST_PATH_IMAGE012
之间的关系由下式确定：
Figure 661386DEST_PATH_IMAGE013
。
3.根据权利要求1所述的基于动态权重的A*算法的森林作业机器人路径规划方法，其特征在于：S3，循环执行基于搜索优先邻域A*算法，在二维栅格地图模型上搜索路径，获得规划路径，具体方法为：
步骤S3.1，分别建立OPEN和CLOSE两个列表，用于储存待检测节点和已检测节点或不需要检测的节点，将起始节点S放入OPEN表中；
步骤S3.2，判断OPEN列表是否为空，若OPEN表中无节点，则表示路径规划失败，结束寻路；若OPEN表中有节点，则转至步骤S3.3；
步骤S3.3，判断目标节点G是否在OPEN列表中，若是，则转至步骤S3.6；若否，则计算OPEN列表中节点的全局代价函数F(n)值，将具有最小F(n)值的节点从OPEN列表中删除，将其放入CLOSE列表中，此时CLOSE列表中最后一个节点即为当前节点n；
其中，引入动态权重、惩罚函数确定全局代价函数F(n)，表达式为：
Figure 497755DEST_PATH_IMAGE014
Figure 270539DEST_PATH_IMAGE015
Figure 952188DEST_PATH_IMAGE016
Figure 126817DEST_PATH_IMAGE018
Figure 367043DEST_PATH_IMAGE019
Figure 627123DEST_PATH_IMAGE020
Figure 112462DEST_PATH_IMAGE021
其中，
Figure 141598DEST_PATH_IMAGE022
为全局代价函数；
Figure 319770DEST_PATH_IMAGE023
为真实代价函数，表示起始节点S到当前节点n的实际路径长度；
Figure 801567DEST_PATH_IMAGE024
为启发函数，表示从当前节点n到目标节点G的估计路径长度，采用欧几里得距离；
Figure 949651DEST_PATH_IMAGE025
为起始节点S基于二维栅格地图模型的坐标，
Figure 708660DEST_PATH_IMAGE026
为当前节点n基于二维栅格地图模型的坐标，
Figure 182366DEST_PATH_IMAGE027
为目标节点G基于二维栅格地图模型的坐标，
Figure 519502DEST_PATH_IMAGE028
为当前节点n的父节点基于二维栅格地图模型的坐标，
Figure 471277DEST_PATH_IMAGE029
为父节点的父节点基于二维栅格地图模型的坐标；
Figure 350371DEST_PATH_IMAGE030
为向上取整函数；
Figure 994979DEST_PATH_IMAGE031
分别为动态权重，由起始节点S、当前节点n和目标节点G确定；
Figure 326735DEST_PATH_IMAGE032
为起始节点S指向当前节点n的方向向量与起始节点S指向目标节点G的方向向量之间的夹角，
Figure 82201DEST_PATH_IMAGE033
为当前节点n指向目标节点G的方向向量与起始节点S指向目标节点G的方向向量之间的夹角；
Figure 550223DEST_PATH_IMAGE034
为惩罚函数，由障碍物树木、森林作业机器人转向角度和当前节点n与理想路径之间的距离l(n)确定，所谓理想路径即起始节点S通往目标节点G的直线路径，K1、K2、K3为正的惩罚系数，
Figure 365732DEST_PATH_IMAGE035
为森林作业机器人转过
Figure 683318DEST_PATH_IMAGE036
角的次数，
Figure 242476DEST_PATH_IMAGE037
为父节点指向任意两个拓展节点方向向量之间的最大转折角，
Figure 96162DEST_PATH_IMAGE038
为父节点指向任意两个相邻拓展节点方向向量之间的转折角，s为可拓展节点数量的最大值，对于起始节点S，其父节点，
Figure 551414DEST_PATH_IMAGE039
，惩罚函数
Figure 857762DEST_PATH_IMAGE040
；
步骤S3.4，以当前节点n为父节点，根据搜索优先邻域对父节点进行拓展，其中，搜索优先邻域由理想路径确定，具体方法为：
基于二维栅格地图模型，求出理想路径的方向向量，进行规范化处理：
Figure 95976DEST_PATH_IMAGE041
Figure 663224DEST_PATH_IMAGE042
其中，
Figure 554957DEST_PATH_IMAGE043
为规范化后的理想路径的方向向量；
若
Figure 847135DEST_PATH_IMAGE044
等于0，
Figure 748095DEST_PATH_IMAGE045
等于0，则结束寻路；若
Figure 45216DEST_PATH_IMAGE046
等于0，
Figure 373429DEST_PATH_IMAGE047
不等于0，则以当前节点n为父节点，根据理想路径的规范化方向向量依次得到搜索优先邻域中基于父节点的优先拓展节点
Figure 388789DEST_PATH_IMAGE048
、
Figure 827861DEST_PATH_IMAGE049
、
Figure 510646DEST_PATH_IMAGE050
、
Figure 9760DEST_PATH_IMAGE051
、
Figure 10952DEST_PATH_IMAGE052
；若
Figure 988136DEST_PATH_IMAGE053
不等于0，
Figure 259848DEST_PATH_IMAGE054
等于0，则搜索优先邻域中基于父节点的优先拓展节点依次为
Figure 929864DEST_PATH_IMAGE055
、
Figure 919817DEST_PATH_IMAGE056
、
Figure 700691DEST_PATH_IMAGE057
、
Figure 92489DEST_PATH_IMAGE058
、
Figure 933406DEST_PATH_IMAGE059
；若
Figure 915049DEST_PATH_IMAGE060
不等于0，
Figure 499614DEST_PATH_IMAGE061
不等于0，则搜索优先邻域中基于父节点的优先拓展节点依次为
Figure 745919DEST_PATH_IMAGE062
、
Figure 757738DEST_PATH_IMAGE063
、
Figure 456703DEST_PATH_IMAGE064
、
Figure 579380DEST_PATH_IMAGE065
、
Figure 945770DEST_PATH_IMAGE066
；
定义搜索优先邻域中障碍物树木计数为
Figure 862911DEST_PATH_IMAGE067
，依次判断优先拓展节点映射的矩阵元素值是否等于Inf，若是，则障碍物树木计数值加一，即
Figure 439386DEST_PATH_IMAGE068
，若否，则
Figure 739655DEST_PATH_IMAGE069
值不变；
步骤S3.5，判断障碍物树木计数
Figure 819606DEST_PATH_IMAGE069
值是否小于5，若是，则将得到的搜索优先邻域中的优先拓展节点放入OPEN列表，并转至步骤S3.3；否则，根据节点拓展关系以当前节点n为父节点，依次拓展除搜索优先邻域外其它的节点，并根据拓展节点映射的矩阵元素值是否等于Inf，更新
Figure 314173DEST_PATH_IMAGE069
值，将得到的拓展节点放入OPEN列表，并转至步骤S3.3；
步骤S3.6，在CLOSE列表中根据节点父子关系进行回溯，得到从起始节点S至目标节点G的规划路径，寻路完成。
4.根据权利要求1所述的基于动态权重的A*算法的森林作业机器人路径规划方法，其特征在于：S4，基于动态权重的非均匀有理B样条曲线对规划路径进行平滑处理，得到最终路径，具体方法为：
步骤S4.1，将规划路径代入非均匀有理B样条曲线中，利用积累弦长法计算参数值，从而得到参数化节点矢量，其中非均匀有理B样条曲线表达式为：
Figure 112364DEST_PATH_IMAGE070
Figure 717789DEST_PATH_IMAGE071
其中：
Figure 652247DEST_PATH_IMAGE072
Figure 317715DEST_PATH_IMAGE073
式中：
Figure 603203DEST_PATH_IMAGE074
为非均匀有理B样条曲线上的位置向量；c i 为非均匀有理B样条曲线的控制节点；
Figure 245274DEST_PATH_IMAGE075
为当前控制节点基于二维栅格地图模型的坐标；u i 为与控制节点相对应的参数化点，集合
Figure 299818DEST_PATH_IMAGE076
为参数化节点矢量；
Figure 870608DEST_PATH_IMAGE077
为动态权重，与控制节点相联系；
Figure 377812DEST_PATH_IMAGE078
为当前控制节点指向上一个控制节点的方向矢量和指向下一个控制节点的方向矢量之间的夹角；k为基函数的次数；
Figure 325040DEST_PATH_IMAGE079
是由参数化节点矢量
Figure 499669DEST_PATH_IMAGE080
按德布尔-考克斯递推公式决定的k次规范B样条基函数，其递推公式为：
Figure 241360DEST_PATH_IMAGE081
规定
Figure 501440DEST_PATH_IMAGE082
，将起始节点S和目标节点G的重复度取为4，对积累弦长参数化法进行规范化处理，得到参数化节点矢量U：
Figure 485315DEST_PATH_IMAGE083
Figure 514450DEST_PATH_IMAGE084
Figure 427043DEST_PATH_IMAGE085
Figure 174419DEST_PATH_IMAGE086
式中，
Figure 463449DEST_PATH_IMAGE087
为规划路径中基于二维栅格地图模型的各路径节点的位置信息；
步骤S4.2，利用切矢条件确定边界条件，切矢条件满足方程组：
Figure 347091DEST_PATH_IMAGE088
式中，
Figure 696164DEST_PATH_IMAGE089
，
Figure 665257DEST_PATH_IMAGE090
与
Figure 274091DEST_PATH_IMAGE091
分别为起始节点S和目标节点G的切矢量；
步骤S4.3，采用切矢边界条件得到带权控制节点矩阵，求解全部控制节点，具体方法为：
对于三次非均匀有理B样条曲线，起始节点S和目标节点G为规划路径首末端的控制节点，即,
Figure 12240DEST_PATH_IMAGE092
，得到如下线性方程组：
Figure 266635DEST_PATH_IMAGE094
其中：
Figure 723024DEST_PATH_IMAGE095
Figure 353857DEST_PATH_IMAGE096
Figure 212092DEST_PATH_IMAGE097
Figure 902967DEST_PATH_IMAGE098
Figure 846652DEST_PATH_IMAGE099
Figure 514132DEST_PATH_IMAGE100
Figure 226873DEST_PATH_IMAGE101
求解线性方程组，得到全部控制节点；
步骤S4.4，采用De-Boor递推公式拟合三次非均匀有理B样条曲线，得到最终路径。
5.一种基于动态权重的A*算法的森林作业机器人路径规划系统，其特征在于，基于权利要求1-4任一项所述的森林作业机器人路径规划方法，实现基于动态权重的A*算法的森林作业机器人路径规划。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，基于权利要求1-4任一项所述的森林作业机器人路径规划方法，实现基于动态权重的A*算法的森林作业机器人路径规划。
7.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，基于权利要求1-4任一项所述的森林作业机器人路径规划方法，实现基于动态权重的A*算法的森林作业机器人路径规划。
CN202211082515.1A 2022-09-06 2022-09-06 基于动态权重的a*算法的森林作业机器人路径规划方法 Active CN115164907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211082515.1A CN115164907B (zh) 2022-09-06 2022-09-06 基于动态权重的a*算法的森林作业机器人路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211082515.1A CN115164907B (zh) 2022-09-06 2022-09-06 基于动态权重的a*算法的森林作业机器人路径规划方法

Publications (2)

Publication Number Publication Date
CN115164907A true CN115164907A (zh) 2022-10-11
CN115164907B CN115164907B (zh) 2022-12-02

Family

ID=83480862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211082515.1A Active CN115164907B (zh) 2022-09-06 2022-09-06 基于动态权重的a*算法的森林作业机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN115164907B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860409A (zh) * 2022-12-20 2023-03-28 深圳运捷迅信息系统有限公司 港口运行调度方法、系统、电子设备及可读存储介质
CN115993843A (zh) * 2023-03-23 2023-04-21 西北工业大学深圳研究院 一种应用于群体智能系统的最优编队控制方法
CN117260744A (zh) * 2023-11-21 2023-12-22 张家港保税区长江国际港务有限公司 一种基于人工智能的机械手路线规划方法
CN117870653A (zh) * 2024-03-13 2024-04-12 中国科学技术大学 一种二维差分欧几里得符号距离场地图的建立与更新方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112034836A (zh) * 2020-07-16 2020-12-04 北京信息科技大学 一种改进a*算法的移动机器人路径规划方法
CN112197778A (zh) * 2020-09-08 2021-01-08 南京理工大学 基于改进a*算法的轮式机场巡界机器人路径规划方法
CN112683278A (zh) * 2021-01-08 2021-04-20 东南大学 一种基于改进a*算法和贝塞尔曲线的全局路径规划方法
US20210172741A1 (en) * 2019-12-04 2021-06-10 Samsung Electronics Co., Ltd. Accompanying service method and device for intelligent robot
CN113359757A (zh) * 2021-06-30 2021-09-07 湖北汽车工业学院 一种改进型混合a*算法的无人驾驶车辆路径规划与轨迹跟踪方法
US20220203534A1 (en) * 2020-12-29 2022-06-30 Ubtech Robotics Corp Ltd Path planning method and biped robot using the same

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210172741A1 (en) * 2019-12-04 2021-06-10 Samsung Electronics Co., Ltd. Accompanying service method and device for intelligent robot
CN112034836A (zh) * 2020-07-16 2020-12-04 北京信息科技大学 一种改进a*算法的移动机器人路径规划方法
CN112197778A (zh) * 2020-09-08 2021-01-08 南京理工大学 基于改进a*算法的轮式机场巡界机器人路径规划方法
US20220203534A1 (en) * 2020-12-29 2022-06-30 Ubtech Robotics Corp Ltd Path planning method and biped robot using the same
CN112683278A (zh) * 2021-01-08 2021-04-20 东南大学 一种基于改进a*算法和贝塞尔曲线的全局路径规划方法
CN113359757A (zh) * 2021-06-30 2021-09-07 湖北汽车工业学院 一种改进型混合a*算法的无人驾驶车辆路径规划与轨迹跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金李 等: "果园监控机器人自主行驶及视觉导航系统研究", 《林业机械与木工设备》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860409A (zh) * 2022-12-20 2023-03-28 深圳运捷迅信息系统有限公司 港口运行调度方法、系统、电子设备及可读存储介质
CN115993843A (zh) * 2023-03-23 2023-04-21 西北工业大学深圳研究院 一种应用于群体智能系统的最优编队控制方法
CN117260744A (zh) * 2023-11-21 2023-12-22 张家港保税区长江国际港务有限公司 一种基于人工智能的机械手路线规划方法
CN117260744B (zh) * 2023-11-21 2024-02-02 张家港保税区长江国际港务有限公司 一种基于人工智能的机械手路线规划方法
CN117870653A (zh) * 2024-03-13 2024-04-12 中国科学技术大学 一种二维差分欧几里得符号距离场地图的建立与更新方法
CN117870653B (zh) * 2024-03-13 2024-05-14 中国科学技术大学 一种二维差分欧几里得符号距离场地图的建立与更新方法

Also Published As

Publication number Publication date
CN115164907B (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
CN115164907B (zh) 基于动态权重的a*算法的森林作业机器人路径规划方法
CN108444482B (zh) 一种无人机自主寻路避障方法及系统
CN111811514B (zh) 一种基于正六边形栅格跳点搜索算法的路径规划方法
WO2023155371A1 (zh) 室内移动机器人的平稳移动全局路径规划方法
CN111289005B (zh) 一种基于a星优化算法的寻路方法
CN108444490B (zh) 基于可视图和a*算法深度融合的机器人路径规划方法
CN111880561B (zh) 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法
CN113110455B (zh) 一种未知初始状态的多机器人协同探索方法、装置及系统
CN113819917A (zh) 自动驾驶路径规划方法、装置、设备及存储介质
CN114281084B (zh) 一种基于改进a*算法的智能车全局路径规划方法
CN108489501A (zh) 一种基于智能绕过障碍的快速路径搜索算法
CN115167398A (zh) 一种基于改进a星算法的无人船路径规划方法
CN116880497A (zh) 一种自动化农业机械的全覆盖路径规划方法、装置和设备
CN115435803A (zh) 车辆的全局路网规划方法、装置、车辆及存储介质
Rekleitis et al. Efficient topological exploration
CN114485611A (zh) 基于北斗网格码的三维空间最短路径规划方法和装置
CN109307513B (zh) 一种基于行车记录的实时道路匹配方法及系统
CN116414139B (zh) 基于A-Star算法的移动机器人复杂路径规划方法
CN117419738A (zh) 基于可视图与D*Lite算法的路径规划方法及系统
CN108731688A (zh) 导航方法和装置
CN115540852A (zh) 电子栅格地图构建方法、装置、电子设备及存储介质
Wellhausen et al. Efficient grid map data structures for autonomous driving in large-scale environments
CN116185043B (zh) 一种基于非连通图的机器人全局路径规划方法和装置
CN114281915B (zh) 一种生成几何路网的方法、装置、设备及存储介质
CN115238525A (zh) 一种用于行人仿真客流组织的可行路径搜索方法

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