CN115164907B - 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
CN115164907B
CN115164907B CN202211082515.1A CN202211082515A CN115164907B CN 115164907 B CN115164907 B CN 115164907B CN 202211082515 A CN202211082515 A CN 202211082515A CN 115164907 B CN115164907 B CN 115164907B
Authority
CN
China
Prior art keywords
node
path
nodes
forest
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.)
Active
Application number
CN202211082515.1A
Other languages
English (en)
Other versions
CN115164907A (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 DEST_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 DEST_PATH_IMAGE002
，即森林作业机器人不可通行，
Figure DEST_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 DEST_PATH_IMAGE004
，
Figure DEST_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 DEST_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 DEST_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 DEST_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 100002_DEST_PATH_IMAGE009
表示，其中N=m×n，矩阵元素
Figure DEST_PATH_IMAGE010
的坐标
Figure 341122DEST_PATH_IMAGE011
与序号
Figure DEST_PATH_IMAGE012
之间的关系由下式确定：
Figure 133628DEST_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 DEST_PATH_IMAGE014
Figure 788732DEST_PATH_IMAGE015
Figure 100002_DEST_PATH_IMAGE017
Figure DEST_PATH_IMAGE018
Figure 100002_DEST_PATH_IMAGE019
Figure DEST_PATH_IMAGE020
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE023
为全局代价函数；
Figure DEST_PATH_IMAGE024
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 939266DEST_PATH_IMAGE025
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 DEST_PATH_IMAGE026
为起始节点S基于二维栅格地图模型的坐标，
Figure DEST_PATH_IMAGE028
为当前节点n基于二维栅格地图模型的坐标，
Figure DEST_PATH_IMAGE029
为目标节点G基于二维栅格地图模型的坐标，
Figure DEST_PATH_IMAGE030
为当前节点n的父节点基于二维栅格地图模型的坐标，
Figure 566688DEST_PATH_IMAGE031
为父节点的父节点基于二维栅格地图模型的坐标；
Figure DEST_PATH_IMAGE032
为向上取整函数；
Figure DEST_PATH_IMAGE034
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 343145DEST_PATH_IMAGE035
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 DEST_PATH_IMAGE036
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 DEST_PATH_IMAGE038
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 688807DEST_PATH_IMAGE039
为森林作业机器人转过
Figure DEST_PATH_IMAGE040
角的次数，
Figure 622128DEST_PATH_IMAGE041
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 DEST_PATH_IMAGE042
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 DEST_PATH_IMAGE044
，惩罚函数
Figure 369635DEST_PATH_IMAGE045
；
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 176048DEST_PATH_IMAGE047
Figure 992695DEST_PATH_IMAGE049
其中，
Figure DEST_PATH_IMAGE050
为规范化后的理想路径的方向向量；
若
Figure 870652DEST_PATH_IMAGE051
等于0，
Figure DEST_PATH_IMAGE053
等于0，则结束寻路；若
Figure DEST_PATH_IMAGE054
等于0，
Figure DEST_PATH_IMAGE056
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 DEST_PATH_IMAGE058
、
Figure DEST_PATH_IMAGE060
、
Figure DEST_PATH_IMAGE061
、
Figure 98764DEST_PATH_IMAGE063
、
Figure DEST_PATH_IMAGE064
；若
Figure DEST_PATH_IMAGE065
不等于0，
Figure DEST_PATH_IMAGE066
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 DEST_PATH_IMAGE068
、
Figure DEST_PATH_IMAGE070
、
Figure 244505DEST_PATH_IMAGE071
、
Figure DEST_PATH_IMAGE072
、
Figure DEST_PATH_IMAGE074
；若
Figure 423814DEST_PATH_IMAGE075
不等于0，
Figure 511987DEST_PATH_IMAGE077
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 217775DEST_PATH_IMAGE079
、
Figure 756203DEST_PATH_IMAGE081
、
Figure DEST_PATH_IMAGE083
、
Figure DEST_PATH_IMAGE085
、
Figure DEST_PATH_IMAGE087
；
定义搜索优先邻域中障碍物树木计数为
Figure DEST_PATH_IMAGE089
，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 DEST_PATH_IMAGE091
，若否，则
Figure 111224DEST_PATH_IMAGE092
值不变；
步骤S3.5，判断障碍物树木计数
Figure 3087DEST_PATH_IMAGE092
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 563382DEST_PATH_IMAGE092
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 DEST_PATH_IMAGE093
Figure DEST_PATH_IMAGE095
其中：
Figure DEST_PATH_IMAGE096
Figure DEST_PATH_IMAGE097
式中：
Figure DEST_PATH_IMAGE099
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 DEST_PATH_IMAGE101
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 305335DEST_PATH_IMAGE102
为参数化节点矢量；
Figure DEST_PATH_IMAGE103
为动态权重，与控制节点相联系；
Figure 131340DEST_PATH_IMAGE104
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 DEST_PATH_IMAGE105
是由参数化节点矢量
Figure 889211DEST_PATH_IMAGE106
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 569591DEST_PATH_IMAGE108
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 DEST_PATH_IMAGE109
Figure DEST_PATH_IMAGE111
Figure DEST_PATH_IMAGE113
Figure 251153DEST_PATH_IMAGE114
式中，
Figure DEST_PATH_IMAGE115
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 564454DEST_PATH_IMAGE116
式中，
Figure DEST_PATH_IMAGE117
，
Figure 1383DEST_PATH_IMAGE118
与
Figure DEST_PATH_IMAGE119
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 349318DEST_PATH_IMAGE120
，得到如下线性方程组：
Figure DEST_PATH_IMAGE121
其中：
Figure 338134DEST_PATH_IMAGE122
Figure DEST_PATH_IMAGE123
Figure 404310DEST_PATH_IMAGE124
Figure DEST_PATH_IMAGE125
Figure 503984DEST_PATH_IMAGE126
Figure DEST_PATH_IMAGE127
Figure DEST_PATH_IMAGE128
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 DEST_PATH_IMAGE129
，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 316214DEST_PATH_IMAGE130
，即森林作业机器人不可通行，
Figure DEST_PATH_IMAGE131
，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 741510DEST_PATH_IMAGE132
，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 DEST_PATH_IMAGE133
，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 29403DEST_PATH_IMAGE134
，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 DEST_PATH_IMAGE135
，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 DEST_PATH_IMAGE136
即14，如图3所示，即往不同的方向拓展时，真实代价函数
Figure DEST_PATH_IMAGE137
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 808134DEST_PATH_IMAGE138
Figure DEST_PATH_IMAGE139
Figure 130662DEST_PATH_IMAGE140
Figure DEST_PATH_IMAGE141
Figure 195701DEST_PATH_IMAGE142
Figure DEST_PATH_IMAGE143
Figure 970891DEST_PATH_IMAGE144
其中，
Figure DEST_PATH_IMAGE145
为全局代价函数；
Figure 802580DEST_PATH_IMAGE146
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 DEST_PATH_IMAGE147
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 991334DEST_PATH_IMAGE148
为起始节点S基于二维栅格地图模型的坐标，
Figure DEST_PATH_IMAGE149
为当前节点n基于二维栅格地图模型的坐标，
Figure 227274DEST_PATH_IMAGE150
为目标节点G基于二维栅格地图模型的坐标，
Figure DEST_PATH_IMAGE151
为当前节点n的父节点基于二维栅格地图模型的坐标，
Figure DEST_PATH_IMAGE152
为父节点的父节点基于二维栅格地图模型的坐标；
Figure DEST_PATH_IMAGE153
为向上取整函数；
Figure DEST_PATH_IMAGE154
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 DEST_PATH_IMAGE155
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 506071DEST_PATH_IMAGE156
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 DEST_PATH_IMAGE157
和距离
Figure 751239DEST_PATH_IMAGE158
示意图如图6所示；
Figure DEST_PATH_IMAGE159
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 517200DEST_PATH_IMAGE160
为森林作业机器人转过
Figure DEST_PATH_IMAGE161
角的次数，
Figure 455201DEST_PATH_IMAGE162
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 DEST_PATH_IMAGE163
，
Figure 486873DEST_PATH_IMAGE164
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 DEST_PATH_IMAGE165
，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 535731DEST_PATH_IMAGE166
，惩罚函数
Figure DEST_PATH_IMAGE167
；
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 421779DEST_PATH_IMAGE168
，进行规范化处理：
Figure DEST_PATH_IMAGE169
Figure 265101DEST_PATH_IMAGE170
其中，
Figure DEST_PATH_IMAGE171
为规范化后的理想路径的方向向量；
若
Figure 236599DEST_PATH_IMAGE172
等于0，
Figure DEST_PATH_IMAGE173
等于0，则结束寻路；若
Figure DEST_PATH_IMAGE174
等于0，
Figure DEST_PATH_IMAGE175
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 964515DEST_PATH_IMAGE176
、
Figure DEST_PATH_IMAGE177
、
Figure DEST_PATH_IMAGE178
、
Figure DEST_PATH_IMAGE179
、
Figure 834296DEST_PATH_IMAGE180
；若
Figure DEST_PATH_IMAGE181
不等于0，
Figure 848519DEST_PATH_IMAGE182
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 DEST_PATH_IMAGE183
、
Figure 307314DEST_PATH_IMAGE184
、
Figure DEST_PATH_IMAGE185
、
Figure 822608DEST_PATH_IMAGE186
、
Figure DEST_PATH_IMAGE187
；若
Figure 683248DEST_PATH_IMAGE188
不等于0，
Figure DEST_PATH_IMAGE189
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 133952DEST_PATH_IMAGE190
、
Figure DEST_PATH_IMAGE191
、
Figure 80043DEST_PATH_IMAGE192
、
Figure DEST_PATH_IMAGE193
、
Figure 8816DEST_PATH_IMAGE194
；
定义搜索优先邻域中障碍物树木计数为
Figure DEST_PATH_IMAGE195
，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 989541DEST_PATH_IMAGE196
，若否，则
Figure DEST_PATH_IMAGE197
值不变；
步骤S3.5，判断障碍物树木计数
Figure 345567DEST_PATH_IMAGE197
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 451057DEST_PATH_IMAGE196
，若否，则
Figure 370472DEST_PATH_IMAGE197
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 877808DEST_PATH_IMAGE198
Figure DEST_PATH_IMAGE199
其中：
Figure 404735DEST_PATH_IMAGE200
Figure DEST_PATH_IMAGE201
式中：
Figure 590997DEST_PATH_IMAGE202
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 DEST_PATH_IMAGE203
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 861573DEST_PATH_IMAGE204
为参数化节点矢量；
Figure DEST_PATH_IMAGE205
为动态权重，与控制节点相联系；
Figure 285732DEST_PATH_IMAGE206
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 DEST_PATH_IMAGE207
是由参数化节点矢量
Figure 639353DEST_PATH_IMAGE208
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 DEST_PATH_IMAGE209
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 793471DEST_PATH_IMAGE210
式中，
Figure DEST_PATH_IMAGE211
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 DEST_PATH_IMAGE212
式中，
Figure DEST_PATH_IMAGE213
，
Figure 8683DEST_PATH_IMAGE214
与
Figure DEST_PATH_IMAGE215
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 287348DEST_PATH_IMAGE216
，可得如下线性方程组：
Figure DEST_PATH_IMAGE217
其中：
Figure 421658DEST_PATH_IMAGE218
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 (6)

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；
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：
使用深度相机和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 548229DEST_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 403053DEST_PATH_IMAGE002
，即森林作业机器人不可通行，
Figure 120473DEST_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 187786DEST_PATH_IMAGE004
，
Figure 205421DEST_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 965567DEST_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 435862DEST_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 572445DEST_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 DEST_PATH_IMAGE009
表示，其中N=m×n，矩阵元素
Figure 116690DEST_PATH_IMAGE010
的坐标
Figure 782158DEST_PATH_IMAGE011
与序号
Figure 474171DEST_PATH_IMAGE012
之间的关系由下式确定：
Figure 148865DEST_PATH_IMAGE013
。
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：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 609934DEST_PATH_IMAGE014
Figure DEST_PATH_IMAGE015
Figure DEST_PATH_IMAGE017
Figure DEST_PATH_IMAGE019
Figure 536650DEST_PATH_IMAGE020
Figure 715959DEST_PATH_IMAGE022
Figure 928765DEST_PATH_IMAGE024
其中，
Figure 509919DEST_PATH_IMAGE025
为全局代价函数；
Figure 782769DEST_PATH_IMAGE026
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 183794DEST_PATH_IMAGE027
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 200292DEST_PATH_IMAGE028
为起始节点S基于二维栅格地图模型的坐标，
Figure 635952DEST_PATH_IMAGE029
为当前节点n基于二维栅格地图模型的坐标，
Figure 345282DEST_PATH_IMAGE030
为目标节点G基于二维栅格地图模型的坐标，
Figure 233604DEST_PATH_IMAGE031
为当前节点n的父节点基于二维栅格地图模型的坐标，
Figure 53792DEST_PATH_IMAGE032
为父节点的父节点基于二维栅格地图模型的坐标；
Figure 343960DEST_PATH_IMAGE033
为向上取整函数；
Figure 83245DEST_PATH_IMAGE034
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 458863DEST_PATH_IMAGE035
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 817163DEST_PATH_IMAGE036
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 227416DEST_PATH_IMAGE037
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 278549DEST_PATH_IMAGE038
为森林作业机器人转过
Figure 141462DEST_PATH_IMAGE039
角的次数，
Figure 303453DEST_PATH_IMAGE040
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 37054DEST_PATH_IMAGE041
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 259088DEST_PATH_IMAGE042
，惩罚函数
Figure 609298DEST_PATH_IMAGE043
；
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 574980DEST_PATH_IMAGE044
Figure 694246DEST_PATH_IMAGE045
其中，
Figure 821602DEST_PATH_IMAGE046
为规范化后的理想路径的方向向量；
若
Figure 659108DEST_PATH_IMAGE047
等于0，
Figure DEST_PATH_IMAGE048
等于0，则结束寻路；若
Figure 100585DEST_PATH_IMAGE049
等于0，
Figure 339936DEST_PATH_IMAGE050
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 372614DEST_PATH_IMAGE051
、
Figure 697416DEST_PATH_IMAGE052
、
Figure 270480DEST_PATH_IMAGE053
、
Figure 833179DEST_PATH_IMAGE054
、
Figure 556198DEST_PATH_IMAGE055
；若
Figure 102717DEST_PATH_IMAGE056
不等于0，
Figure 213893DEST_PATH_IMAGE057
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 162257DEST_PATH_IMAGE059
、
Figure 67896DEST_PATH_IMAGE060
、
Figure 101712DEST_PATH_IMAGE061
、
Figure 485420DEST_PATH_IMAGE062
、
Figure 288290DEST_PATH_IMAGE063
；若
Figure 364831DEST_PATH_IMAGE064
不等于0，
Figure 885942DEST_PATH_IMAGE065
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 932395DEST_PATH_IMAGE066
、
Figure 855352DEST_PATH_IMAGE067
、
Figure 102794DEST_PATH_IMAGE068
、
Figure 111201DEST_PATH_IMAGE070
、
Figure 102291DEST_PATH_IMAGE071
；
定义搜索优先邻域中障碍物树木计数为
Figure 879754DEST_PATH_IMAGE072
，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 32518DEST_PATH_IMAGE073
，若否，则
Figure 262642DEST_PATH_IMAGE074
值不变；
步骤S3.5，判断障碍物树木计数
Figure 57423DEST_PATH_IMAGE074
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 423813DEST_PATH_IMAGE074
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。
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：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 13057DEST_PATH_IMAGE075
Figure 996057DEST_PATH_IMAGE077
其中：
Figure DEST_PATH_IMAGE078
Figure 266632DEST_PATH_IMAGE079
式中：
Figure DEST_PATH_IMAGE080
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 690792DEST_PATH_IMAGE081
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 DEST_PATH_IMAGE082
为参数化节点矢量；
Figure 388620DEST_PATH_IMAGE083
为动态权重，与控制节点相联系；
Figure 858916DEST_PATH_IMAGE084
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 729920DEST_PATH_IMAGE085
是由参数化节点矢量
Figure 70903DEST_PATH_IMAGE086
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 267529DEST_PATH_IMAGE087
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 959541DEST_PATH_IMAGE088
Figure 645955DEST_PATH_IMAGE089
Figure 107023DEST_PATH_IMAGE090
Figure 474551DEST_PATH_IMAGE091
式中，
Figure 388280DEST_PATH_IMAGE092
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 866666DEST_PATH_IMAGE093
式中，
Figure 306874DEST_PATH_IMAGE094
，
Figure 720669DEST_PATH_IMAGE095
与
Figure 246329DEST_PATH_IMAGE096
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 262826DEST_PATH_IMAGE097
，得到如下线性方程组：
Figure 698487DEST_PATH_IMAGE098
其中：
Figure 142238DEST_PATH_IMAGE099
Figure 30559DEST_PATH_IMAGE100
Figure 850748DEST_PATH_IMAGE101
Figure 140915DEST_PATH_IMAGE102
Figure 21146DEST_PATH_IMAGE103
Figure 396764DEST_PATH_IMAGE104
Figure 755064DEST_PATH_IMAGE105
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。
4.一种基于动态权重的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1-3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。
5.一种计算机设备，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1-3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1-3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 CN115164907A (zh) 2022-10-11
CN115164907B true 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)

Families Citing this family (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
CN115993843B (zh) * 2023-03-23 2023-05-30 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
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
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

Citations (4)

* 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
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110926476B (zh) * 2019-12-04 2023-09-01 三星电子（中国）研发中心 一种智能机器人的伴随服务方法及装置
CN112731941B (zh) * 2020-12-29 2024-03-05 深圳市优必选科技股份有限公司 双足机器人路径规划方法、装置和双足机器人

Patent Citations (4)

* 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
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
果园监控机器人自主行驶及视觉导航系统研究;金李 等;《林业机械与木工设备》;20220731;第50卷(第7期);第26页第2栏第1.3节及第2.1节 *

Also Published As

Publication number Publication date
CN115164907A (zh) 2022-10-11

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
CN110501017A (zh) 一种基于orb_slam2的移动机器人导航地图生成方法
CN110231824B (zh) 基于直线偏离度方法的智能体路径规划方法
CN114510056A (zh) 室内移动机器人的平稳移动全局路径规划方法
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
CN106647754A (zh) 一种果园履带机器人路径规划方法
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
CN108180921A (zh) 利用gps数据的ar-hud导航系统及其导航方法
CN114281084B (zh) 一种基于改进a*算法的智能车全局路径规划方法
CN113819917A (zh) 自动驾驶路径规划方法、装置、设备及存储介质
CN108489501A (zh) 一种基于智能绕过障碍的快速路径搜索算法
CN108827311A (zh) 一种制造车间无人搬运系统路径规划方法
CN104992466A (zh) 一种三维场景的即时寻径方法
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
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
Si et al. TOM-odometry: A generalized localization framework based on topological map and odometry
CN108731688A (zh) 导航方法和装置
CN113467480B (zh) 一种用于无人驾驶方程式的全局路径规划算法
CN112286211A (zh) 一种不规则布局车间的环境建模及agv路径规划方法
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

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