CN115167474A - 一种移动机器人路径规划优化方法 - Google Patents
一种移动机器人路径规划优化方法 Download PDFInfo
- Publication number
- CN115167474A CN115167474A CN202210998215.1A CN202210998215A CN115167474A CN 115167474 A CN115167474 A CN 115167474A CN 202210998215 A CN202210998215 A CN 202210998215A CN 115167474 A CN115167474 A CN 115167474A
- Authority
- CN
- China
- Prior art keywords
- node
- path
- point
- nodes
- path planning
- 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 27
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000003068 static effect Effects 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
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
本发明公开了一种移动机器人路径规划优化方法,步骤如下:获取静态栅格地图,栅格地图的每个节点代表当前位置为障碍物或可通行区域,并确定起点和终点;对传统路径规划算法的代价函数加入节点距离信息,并在栅格地图上进行改进路径规划算法的全局路径规划;利用关键点提取策略对上述全局路径进行关键点提取,得到只包含起点、终点和关键点的集合;对上述集合中的节点按照顺序进行连接,得到一条平滑的全局路径。本发明通过引入节点距离信息提高路径搜索的效率;对获取的全局路径进行关键点的提取,获取更加符合机器人实际移动的全局路径,在路径的搜索时间、拐点数量、遍历节点数及路径长度上均取得重大提升。
Description
技术领域
本发明涉及机器人路径规划技术领域,具体涉及一种移动机器人路径规划优化方法。
背景技术
目前,移动机器人普遍使用的是较为传统的算法,例如人工势场法、A*、快速扩展随机树和Dijkstra算法。传统A*是路径规划算法中较为经典的启发式搜索算法,将其应用到移动机器人的实际运行中,暴露了传统A*算法在路径搜索上的不足,在这种搜索方式下,导致规划的路径拐点较多,不利于机器人的正常移动,而且随着地图规模的扩大,搜索效率明显降低。随着移动机器人不断被普及和应用,若移动机器行驶路径效率不高,则会严重影响其工作质量。因此,如何使移动机器人快速地规划出一条有效且安全稳定的路径极具研究意义与实际应用价值。
发明内容
本发明的目的是为了克服传统A*算法的不足,提出了一种移动机器人路径规划优化方法,通过引入节点距离信息提高路径搜索的效率;对获取的全局路径进行关键点的提取,获取更加符合机器人实际移动的全局路径。本发明在路径的搜索时间、拐点数量、遍历节点数及路径长度上均取得重大提升。
本发明的目的可以通过采取如下技术方案达到:
一种移动机器人路径规划优化方法,所述优化方法包括以下步骤:
S1、初始化:获取静态栅格地图,栅格地图的每个节点代表当前位置为障碍物或可通行区域,并确定起点和终点;
S2、路径规划:形成具有节点距离信息的代价函数,并在栅格地图上进行改进A*算法的全局路径规划;
S3、关键点提取:利用关键点提取策略对上述全局路径进行关键点提取,得到只包含起点、终点和关键点的集合;
S4、连接关键点:对上述集合中的节点按照顺序进行连接,得到一条平滑的全局路径。
进一步地,所述具有节点距离信息的代价函数f(n)的表达式如下:
式中:dnt是当前节点n与目标节点之间的长度;dst为起始点与目标节点之间的长度;g(n)为起点到当前位置n的实际代价;h(n)为当前节点n到目标节点的估计代价;
式中:nx、ny分别表示当前节点的x、y坐标值,gx、gy分别表示目标节点的x、y坐标值。
由于传统A*算法的问题以及影响该算法的关键在于h(n),因此,可以根据不同的情况下,对h(n)的权重进行不同的取值,实现权重的自适应,而提高算法的搜索性能。
自适应权重的基本思想是在当前节点离目标节点较远时,实际代价g(n)值远大于估计代价h(n)值,此时搜索范围广以及扩展节点多,故应该增加h(n)的权重值;在当前节点逐渐接近目标节点时,估计代价h(n)值也随之增大,所以为了避免其过大而陷入局部最优状态,应当减小其权重值。采用上述的代价函数,通过引入节点距离信息以指数衰减函数的形式作为h(n)的权重,实现权重的自适应,从而减少路径搜索时间,有效提高算法的搜索效率。
进一步地,所述步骤S3中利用关键点提取策略对上述全局路径进行关键点提取过程如下:
(1)当两向量的夹角为零时,说明这三个节点是处于一条直线上,则节点P2是多余的共线节点,需要进行移除;
(2)当两向量的夹角不为零时,说明这三个节点不处于一条直线上,此时可通过构建直线方程L(P1P3),判断该直线到周围障碍物的距离是否大于预设的安全距离,若大于的话,说明P2是多余的转折点,需要进行移除,否则说明P2是必要的转折点,需要保留。
针对传统的A*算法搜索到的全局路径存在较多冗余节点的问题,不利于机器人在真实环境中的流畅度,因此,为了提高机器人在实际环境中能够在遵循全局路径的基础上进行平滑地移动,采用上述路径平滑策略,在获取到A*算法规划的最优路径节点之后,剔除冗余节点,只保留必要的关键点,实现对传统A*算法路径的优化,提高机器人在移动过程中的工作效率。
本发明相对于现有技术具有如下的优点及效果:
1)对A*算法的代价函数引入距离信息的指数函数作为权重值,实现权重自适应,有利于提高传统A*算法路径的搜索时间及遍历的节点数。
2)对获取的全局路径进行关键点的提取,获取一条平滑的全局路径,使得机器人行驶更加平滑稳定。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例中公开的一种移动机器人路径规划优化方法的流程图;
图2是本发明实施例1中的20×20静态栅格地图示意图;
图3是本发明实施例1中传统A*算法路径规划结果示意图;
图4是本发明实施例1中使用改进后的A*算法进行全局路径规划的仿真结果图;
图5是本发明实施例1中对路径的节点进行提取后得到路径的关键节点示意图;
图6是本发明实施例1中对所有的关键点进行连接得到的一条平滑路径示意图;
图7是本发明实施例2中传统A*算法路径规划结果示意图;
图8是本发明实施例2中使用改进后的A*算法进行全局路径规划的仿真结果图;
图9是本发明实施例2中对路径的节点进行提取后得到路径的关键节点示意图;
图10是本发明实施例2中对所有的关键点进行连接得到的一条平滑路径示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
实施例1
本实施例公开了一种移动机器人路径规划优化方法,包括以下四个步骤:初始化、路径规划、关键点提取、连接关键点,如图1所示。该移动机器人路径规划优化方法的应用领域,如服务业、工业制造、物流行业的智能移动机器人自主导航等多个领域。
S1、初始化:获取静态栅格地图,栅格地图的每个节点代表当前位置为障碍物或可通行区域,并确定起点和终点;
在本实施例中,20*20的栅格地图示意图如图2所示,栅格地图中的黑色方格代表障碍物,白色方格代表可通行区域,圆形符号表示起点,三角形符号表示终点。
S2、路径规划:对传统A*算法的代价函数加入节点距离信息,并在栅格地图上进行改进A*算法的全局路径规划,得到全局路径;
传统A*算法路径规划结果如图3所示,图中灰色方块代表着路径搜索过程中搜索到的节点,起点至终点的曲线为最终搜索到的最优路径。传统A*算法中,节点的代价值是有成本评价函数计算。其基本思想是通过代价值根据搜索方向向周围寻找下一个代价值最小的节点并将其作为下一次要搜索的节点,依次类推,直到搜索到终点,从而找到最优的路径。传统A*算法的评价函数如下:f(n)=g(n)+h(n)
式中:h(n)表示机器人从当前位置n到目标位置的估计代价;g(n)为当前位置n到目标位置的实际代价;f(n)为当前位置n到的成本代价;
影响A*搜索效率的关键在于h(n),通过根据不同情况改变h(n)的取值以及权重值,实现搜索性能的提高。本次实例中所使用的是四轮驱动机器人,该机器人的移动方向不受限制,可使用欧几里得距离来表示h(n),从而更加接近实例的距离。h(n)表达式如下:
为了实现h(n)权重的自适应,从而提高算法的搜索效率,根据在当前节点n逐渐接近终点位置的时候,h(n)的值也跟着逐渐增大,此时应当减小其权重值,所以通过引入距离信息为参数的指数函数作为权重值,实现权重的自适应。
式中:dnt是当前节点n与目标节点之间的长度;dst为起始点与目标节点之间的长度;
添加作为h(n)的权重值的基本思想是随着路径搜索的进行,实际代价g(n)应该占据较大比例,而估计代价h(n)应该占据更小的比例。使用改进后的A*算法进行全局路径规划的仿真结果如图4所示,图中灰色方块数量明显减少,说明改进后的A*算法有实际的可行性。
S3、关键点提取:利用关键点提取策略对上述全局路径进行关键点提取,得到只包含起点、终点和关键点的集合;
在图4中的路径中可以看出,传统A*算法存在冗余的节点,这些节点会明显影响移动机器人实际行走的稳定性,所以需要剔除。
在本次实施例1中根据关键点提取策略,具体实现包括:
(1)当两向量的夹角为零时,说明这三个节点是处于一条直线上,则节点P2可认为是多余的共线节点,需要进行移除。
(2)当两向量的夹角不为零时,说明这三个节点不处于一条直线上,此时可通过构建直线方程L(P1P3),判断该直线到周围障碍物的距离是否大于预设的安全距离。若大于的话,说明P2是多余的转折点,需要进行移除,否则说明P2是必要的转折点,需要保留。
对路径的节点根据上述两种情况循环进行节点的提取,从而得到路径的关键节点,如图5中星号所示。
S4、连接关键点:根据上述关键点提取之后,对所有的关键点进行连接,从而得到一条平滑的路径,如图6所示。本次实施例共进行了50次,根据算法搜索时间,路径拐点数,路径长度,遍历节点数进行改进算法性能的分析,最终获取的实验数据取平均值,如表1所示,在图2的20×20栅格地图中,本发明改进的A*算法的搜索时间、遍历节点数量、拐点数量和路径长度相比传统的A*算法都有明显的优化,从而验证了本发明的路径规划优化方法具有可行性和有效性。
表1. 20×20栅格地图全局路径规划仿真实验结果表
实施例2
基于上述实施例1,本实施例继续公开了一种移动机器人中线路径规划方法,仍然包括以下四个步骤:初始化、路径规划、关键点提取和连接关键点,过程如下:
S1、初始化:获取静态栅格地图,栅格地图的每个节点代表当前位置为障碍物或可通行区域,并确定起点和终点;
在本实施例2中,采用30*30的栅格地图,并确定与实施1中不同的起点和终点。
S2、路径规划:对传统A*算法的代价函数加入节点距离信息,并在栅格地图上进行改进A*算法的全局路径规划,得到全局路径,得到传统A*算法路径规划结果如图7所示,参照实施例1中的S2步骤,得到改进A*算法路径规划结果如图8所示;
S3、关键点提取:利用关键点提取策略对上述全局路径进行关键点提取,得到只包含起点、终点和关键点的集合,参照实施例1中的S3,得到路径的关键点示意图如图9所示;
S4、连接关键点:根据上述关键点提取之后,对所有的关键点进行连接,从而得到一条平滑的路径,如图10所示。本次实施例共进行了50次,根据算法搜索时间,路径拐点数,路径长度,遍历节点数进行改进算法性能的分析,最终获取的实验数据取平均值,如表2所示,在图7的30×30栅格地图中,本发明改进的A*算法的搜索时间、遍历节点数量、拐点数量和路径长度相比传统的A*算法都有明显的优化,从而验证了本发明的路径规划优化方法具有可行性和有效性。
表2. 30×30栅格地图全局路径规划仿真实验结果表
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种移动机器人路径规划优化方法,其特征在于,所述优化方法包括以下步骤:
S1、初始化:获取静态栅格地图,栅格地图的每个节点代表当前位置为障碍物或可通行区域,并确定起点和终点;
S2、路径规划:形成具有节点距离信息的代价函数,并在栅格地图上进行改进A*算法的全局路径规划;
S3、关键点提取:利用关键点提取策略对上述全局路径进行关键点提取,得到只包含起点、终点和关键点的集合;
S4、连接关键点:对上述集合中的节点按照顺序进行连接,得到一条平滑的全局路径。
2.根据权利要求1所述的一种移动机器人路径规划优化方法,其特征在于,所述步骤S1具体包括:
将二维环境栅格化,即按照设定的分辨率划分为相互独立的栅格,每一个栅格中都有对应的概率值表示,并且代表实际环境的大小视地图分辨率而定。假设第i个栅格为mi,栅格总数为N,则栅格地图可表示为:
m={mi|i=1,2,...,N} (3-2)
其中,每一个栅格mi中的状态是由3个不同的概率值表示,mi=1表示该栅格被障碍物占用,对应在真实环境中是禁止通行区域,mi=0表示该栅格无障碍物占用,对应在真实环境中是可通行的区域,并将起始点与目标点的坐标转换到二维栅格地图中。
4.根据权利要求1所述的一种移动机器人路径规划优化方法,其特征在于,所述步骤S2中改进A*算法进行A*路径规划具体实现过程如下:
(1)初始化环境地图,确定起始点和目标点的坐标信息,并设定Openlist表和Closelist表,将起始点设定为当前节点,并保存到Openlist表中,Closelist表置为空;
(2)开始搜索的时候,由于已经访问过起始节点,所以将其从Openlist表中删除,加入到Closelist表中,之后重复搜索,寻找目标节点;
(3)判断当前节点是否为目标点,如果不是就调用扩展节点函数,寻找出当前节点相邻且可扩展的所有节点,如果这些节点不在Openlist表中,则将它们存储在Openlist表中,并将当前节点作为这些相邻节点的父节点,同时记录这些节点的f(n)值;如果是目标点,则表示已经找到最优路径;
(4)如果某个相邻节点已在Openlist中,则判断其f(n)值是否大于新的相邻节点,如果是,则进行替换,否则不做处理;
(5)将Openlist表中的所有节点的f(n)值排序,选取出f(n)值最小的节点存储在Closelist表中,并在Openlist表中删除,且将其设置为当前节点;
重复以上过程,直到搜索到目标点。当搜索到目标节点,表示已经找到最优路径,而如果Openlist为空,则表示没有路径到达目标节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210998215.1A CN115167474A (zh) | 2022-08-19 | 2022-08-19 | 一种移动机器人路径规划优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210998215.1A CN115167474A (zh) | 2022-08-19 | 2022-08-19 | 一种移动机器人路径规划优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115167474A true CN115167474A (zh) | 2022-10-11 |
Family
ID=83481109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210998215.1A Pending CN115167474A (zh) | 2022-08-19 | 2022-08-19 | 一种移动机器人路径规划优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115167474A (zh) |
Cited By (4)
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 |
CN117093012A (zh) * | 2023-08-04 | 2023-11-21 | 广东工业大学 | 一种面向海洋环境改进a*算法的水下机器人路径规划方法 |
CN117308965A (zh) * | 2023-11-28 | 2023-12-29 | 华南农业大学 | 基于滑动窗口算法的收获机器人自主卸粮路径规划方法 |
CN117470247A (zh) * | 2023-12-19 | 2024-01-30 | 珠海云洲智能科技股份有限公司 | 一种路径规划方法及路径规划控制器 |
-
2022
- 2022-08-19 CN CN202210998215.1A patent/CN115167474A/zh active Pending
Cited By (7)
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 |
CN117093012A (zh) * | 2023-08-04 | 2023-11-21 | 广东工业大学 | 一种面向海洋环境改进a*算法的水下机器人路径规划方法 |
CN117093012B (zh) * | 2023-08-04 | 2024-02-02 | 广东工业大学 | 一种面向海洋环境改进a*算法的水下机器人路径规划方法 |
CN117308965A (zh) * | 2023-11-28 | 2023-12-29 | 华南农业大学 | 基于滑动窗口算法的收获机器人自主卸粮路径规划方法 |
CN117308965B (zh) * | 2023-11-28 | 2024-03-12 | 华南农业大学 | 基于滑动窗口算法的收获机器人自主卸粮路径规划方法 |
CN117470247A (zh) * | 2023-12-19 | 2024-01-30 | 珠海云洲智能科技股份有限公司 | 一种路径规划方法及路径规划控制器 |
CN117470247B (zh) * | 2023-12-19 | 2024-05-03 | 珠海云洲智能科技股份有限公司 | 一种路径规划方法及路径规划控制器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115167474A (zh) | 一种移动机器人路径规划优化方法 | |
CN109976350B (zh) | 多机器人调度方法、装置、服务器及计算机可读存储介质 | |
CN111504325B (zh) | 一种基于扩大搜索邻域的加权a*算法的全局路径规划方法 | |
CN110006430B (zh) | 一种航迹规划算法的优化方法 | |
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 | |
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 | |
CN110319837A (zh) | 一种服务机器人室内复杂状况路径规划方法 | |
CN112327876B (zh) | 一种基于终距指数的机器人路径规划方法 | |
CN113485369A (zh) | 改进a*算法的室内移动机器人路径规划和路径优化方法 | |
CN114440916B (zh) | 一种导航方法、装置、设备及存储介质 | |
CN112161631B (zh) | 一种基于大型卫星栅格地图的安全路径规划方法 | |
CN111104471B (zh) | 基于跳点路径搜索的模式数据库信息压缩方法及系统 | |
CN108827311A (zh) | 一种制造车间无人搬运系统路径规划方法 | |
CN116203965A (zh) | 一种基于agv的改进蚁群算法的路径规划算法 | |
KR100994075B1 (ko) | 보행로봇의 최적경로 계획방법 | |
CN106204719A (zh) | 基于二维邻域检索的三维场景中海量模型实时调度方法 | |
CN112987735B (zh) | 一种基于Delaunay三角形的移动机器人安全路径规划方法 | |
CN110975288B (zh) | 基于跳点路径搜索的几何容器数据压缩方法及系统 | |
CN112857384B (zh) | 基于改进启发函数的a*算法的移动机器人路径规划方法 | |
CN115167476A (zh) | 一种基于深度强化学习的无人系统路径规划方法 | |
CN115129064A (zh) | 基于改进萤火虫算法与动态窗口法融合的路径规划方法 | |
CN114721370A (zh) | 基于双启发函数的机器人快速最优路径规划方法 | |
CN114564023A (zh) | 一种动态场景下的跳点搜索路径规划方法 | |
CN113791610B (zh) | 一种移动机器人全局路径规划方法 | |
CN114924575B (zh) | 移动机器人路径规划方法、装置、电子设备及存储介质 |
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 |