CN115200584A - 一种路径规划方法、装置、设备及可读存储介质 - Google Patents
一种路径规划方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115200584A CN115200584A CN202210629217.3A CN202210629217A CN115200584A CN 115200584 A CN115200584 A CN 115200584A CN 202210629217 A CN202210629217 A CN 202210629217A CN 115200584 A CN115200584 A CN 115200584A
- Authority
- CN
- China
- Prior art keywords
- node
- path
- random
- point
- global
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005070 sampling Methods 0.000 claims abstract description 39
- 230000003068 static effect Effects 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010076 replication Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种路径规划方法、装置、设备及可读存储介质,所述方法包括:获取全局静态地图;将所述全局静态地图转化为二维灰度图,在所述二维灰度图内进行随机点的采样,得到随机点的位置信息;基于路径起点的位置信息、路径终点的位置信息、所述随机点的位置信息生成全局路径;利用三次B样条曲线法对所述全局路径进行轨迹优化,得到优化后的全局路径。本发明规划出的全局路径相较于传统算法具有路径长度较短、规划时间较短、存储资源消耗少、全局轨迹平滑度较好的优点。因此当此本发明运用到实际的移动机器人中时,机器人的运动耗能、耗时都会减少,运动轨迹也会更加合理,也更加有利于移动机器人的辅助工作。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种路径规划方法、装置、设备及可读存储介质。
背景技术
目前,移动机器人的全局路径规划问题近年来受到很多学者的关注,也陆续提出了很多经典的算法。但是,当前对于移动机器人的路径规划研究依然存在诸多问题,例如在较复杂环境中寻路时间复杂度高、最终规划路径部分路线偏离正常路线、最终规划的全局路径不够平滑。
发明内容
本发明的目的在于提供一种路径规划方法、装置、设备及可读存储介质,以改善上述问题。
为了实现上述目的,本申请实施例提供了如下技术方案:
一方面,本申请实施例提供了一种路径规划方法,所述方法包括:
获取全局静态地图;
将所述全局静态地图转化为二维灰度图,在所述二维灰度图内进行随机点的采样,得到随机点的位置信息;
基于路径起点的位置信息、路径终点的位置信息、所述随机点的位置信息生成全局路径;
利用三次B样条曲线法对所述全局路径进行轨迹优化,得到优化后的全局路径。
第二方面,本申请实施例提供了一种路径规划装置,所述装置包括获取模块、采样模块、计算模块和优化模块。
获取模块,用于获取全局静态地图;
采样模块,用于将所述全局静态地图转化为二维灰度图,在所述二维灰度图内进行随机点的采样,得到随机点的位置信息;
计算模块,用于基于路径起点的位置信息、路径终点的位置信息、所述随机点的位置信息生成全局路径;
优化模块,用于利用三次B样条曲线法对所述全局路径进行轨迹优化,得到优化后的全局路径。
第三方面,本申请实施例提供了一种路径规划设备,所述设备包括存储器和处理器。存储器用于存储计算机程序;处理器用于执行所述计算机程序时实现上述路径规划方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述路径规划方法的步骤。
本发明的有益效果为:
1、本发明在传统全局路径规划快速随机扩展树算法(RRT)的基础上做了相关改进,在父节点在选取方式上加入了启发式函数。加入启发式函数的目的是为了让随机树尽快的的朝着目标点生长,新生节点到起点的路程要尽量的短且避免新生节点过于密集导致规划效率差的问题。
2、本发明在最终规划出的全局路径基础上采用三次B样条曲线法对路径进行平滑处理,使得最终轨迹具有较好的平滑度。
3、本发明在最终的全局路径基础上采用三次B样条曲线法进行路径处理,进一步平滑了全局轨迹。优化后的全局轨迹有小概率发生碰撞障碍物的情况,因为B样条曲线算法具有可局部修改的特性,通过复制控制点的方式加强单个控制点对局部优化曲线的控制的同时也避免了全局优化曲线的变化,从而有效解决碰撞障碍物的问题。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本发明实施例中所述的路径规划方法流程示意图;
图2是本发明实施例中所述的路径规划装置结构示意图;
图3是本发明实施例中所述的路径规划设备结构示意图。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号或字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
交通运输客运站作为人流密集场所,越来越需要移动机器人参与进行辅助工作,比如消毒、测温等,进行智能化防控。本实施例中的路径规划方法即为用于移动机器人上的路径规划方法。
如图1所示,本实施例提供了一种路径规划方法,该方法包括步骤S1、步骤S2和步骤S3。
步骤S1、获取全局静态地图;
在本步骤中,获取全局静态地图的方法可以是直接调用系统预存的全局静态地图,也可以是在移动设备上安装摄像头等图像采集装置,使移动设备走遍其需要行驶环境,然后根据图像采集装置采集到的数据生成全局静态地图;
步骤S2、将所述全局静态地图转化为二维灰度图,在所述二维灰度图内进行随机点的采样,得到随机点的位置信息;
在本步骤中,转化为二维灰度图后,首先在二维灰度图内随机采取一个随机点再进入步骤S3;当后面的计算步骤中需要返回此步骤时,则又重新随机采取一个随机点,重新采样后又再次进入步骤S3;
步骤S3、基于路径起点的位置信息、路径终点的位置信息、所述随机点的位置信息生成全局路径;
步骤S3还可以包括步骤S31和步骤S32,具体为:
步骤S31、基于路径起点的位置信息,将所述路径的起点作为随机树的根节点,将所述根节点加入所述随机树的节点存储列表中,并将所述根节点作为最优父节点;
在本步骤中,在第一次计算时,将所述路径的起点作为随机树的根节点,将所述根节点加入所述随机树的节点存储列表中,并直接将所述根节点作为最优父节点;
步骤S32、根据所述最优父节点和所述随机点的位置信息生成新节点,判断所述新节点的合法性,若合法则将所述新节点加入所述随机树的节点存储列表中,并判断利用所述新节点是否可以生成全局路径,若可以则得到所述全局路径,若不能则返回在所述二维灰度图内进行随机点的采样的步骤,再重新确定最优父节点,直到生成所述全局路径;
所述步骤S32,还可以包括步骤S321、步骤S322、步骤S323、步骤S324、步骤S325、步骤S326和步骤S327,具体为:
步骤S321、连接所述随机点与所述最优父节点,若所述随机点与所述最优父节点的距离小于或等于一个步长则以所述随机点为新节点;若大于一个步长则以第一节点为新生节点,所述第一节点位于所述最优父节点到所述随机点之间且所述第一节点与所述最优父节点的距离为一个步长;
步骤S322、连接所述新节点与所述最优父节点,若所述新节点与所述最优父节点连线之间的任意一处与障碍物相交,则所述新节点是不合法的,舍去所述新节点并返回在所述二维灰度图内进行随机点的采样的步骤;否则所述新节点合法,将所述新节点加入所述随机树的节点存储列表中;
步骤S323、连接所述新节点与所述路径的终点,基于所述新节点的位置信息和所述路径终点的位置信息计算连线距离;
本步骤中,根据新节点的位置信息和路径终点的位置信息则可以计算连线距离;
步骤S324、对所述连线距离进行分析,其中,若所述连线距离大于一个步长,则判断不能生成全局路径,返回在所述二维灰度图内进行随机点的采样的步骤;若所述连线距离小于或等于一个步长则判断所述新节点与所述路径的终点连线之间的任意点是否与所述障碍物相交,有相交则返回在所述二维灰度图内进行随机点的采样的步骤,无相交则生成全局路径;
在上述步骤中,当需要返回在所述二维灰度图内进行随机点的采样的步骤时,返回后,具体步骤为:
步骤S325、在所述二维灰度图内进行随机点的采样,得到新的随机点的位置信息;
步骤S325为重新在二维灰度图内进行随机点的采样;
步骤S326、判断所述随机树的节点存储列表中节点的数量,若数量大于2,则基于所述新的随机点的位置信息和启发式函数在所述随机树的节点存储列表中选取一个节点作为新的最优父节点;
本步骤为针对节点存储列表中的每一个节点n(包括根节点),都利用启发式函数F(n)进行计算,启发式函数F(n)为: F(n)=σ(αφ(n)+βψ(n)+ωλ(n)),其中,φ(n)表示以此节点为最优父节点产生的新节点到起点的路程,ψ(n)表示以此节点为最优父节点产生的新节点到目标点(也就是路径终点)的距离,λ(n)表示此节点周围一个生长步长距离内的节点数量,α为φ(n)的比例系数,β,为ψ(n)的比例系数,ω为λ(n)的比例系数,这些比例系数可以根据用户需求自定义设置,在本实施例中,α为1,β,为7,ω为287,σ表示对φ(n)、ψ(n)、λ(n) 的归一化操作;
上述公式中的α,β,ω通过以下方法进行确定,具体为:
用户在特定场景下的多次重复实验得到相对最优的比例关系,实验设置α:β与β:ω中固定一个比值大小不变,变化另一个比值大小,设置不同的起点与终点,进行多轮试验得到最小平均路径规划用时、最小平均路径长度和最小平均随机数中节点存储数量(例如,首先确定α:β的比值为1,然后再设定β:ω的比值为2,在此种条件下,设置不同的起点与终点,最终就可以得出一个平均的路径规划用时、平均路径长度和平均随机数中节点存储数量,按照此种逻辑进行大量的实验,就可以得出最小平均路径规划用时、最小平均路径长度和最小平均随机数中节点存储数量),然后将当前比值下的平均路径规划用时、平均路径长度和平均随机数中节点存储数量带入以下公式,计算得到G值,选取G值最小时所对应的α,β,ω的值作为最终的比例系数。
公式中TIMEi表示当前比值情况下平均路径规划用时,LENi表示当前比值情况下的平均路径长度,NODECOUNTi表示当前比值情况下的平均随机数中节点存储数量,MINITIME表示最小平均路径规划用时、MINILEN表示最小平均路径长度、MININODECOUNT表示最小平均随机数中节点存储数量。
在计算φ(n)、ψ(n)中的步骤中,均有新节点,此处的新节点为一个假设的新节点,并未加入节点存储列表,此处的假设的新节点的生成方法为:连接目前采样得到的随机点与此节点,若所述随机点与此节点的距离小于或等于一个步长则以目前采样得到的随机点作为这个假设的新节点;若大于一个步长则以第一节点为假设的新节点,所述第一节点位于此节点到目前采样得到的随机点之间且所述第一节点与此节点的距离为一个步长;
经过上述公式计算后,每一个节点都有对应的一个F值,然后选取F值最小所对应的节点作为新的最优父节点;
步骤S327、根据所述新的最优父节点和所述新的随机点的位置信息生成另一新节点,判断所述另一新节点的合法性,若合法则将所述另一新节点加入所述随机树的节点存储列表中,并判断利用所述另一新节点是否可以生成全局路径,若可以则得到所述全局路径,若不能则返回在所述二维灰度图内进行随机点的采样的步骤,直到生成所述全局路径。
本步骤在传统全局路径规划快速随机扩展树算法(RRT)的基础上做了相关改进,在父节点在选取方式上加入了启发式函数。启发函数包括新生节点到起点的路程、到目标节点的距离、新生节点周围节点的数量这三项。前两项使得新生节点到起点的路程加上到目标节点的距离最小,这不仅加快了随机树朝着目标节点的生长,也使得相关路径在长度上达到相对最优的状态。第三项是为了防止新生节点聚集的现象,避免生成大量无用节点,浪费存储空间以及寻路时间。因此,加入启发式函数的目的是为了让随机树尽快的的朝着目标点生长,新生节点到起点的路程要尽量的短且避免新生节点过于密集导致规划效率差的问题;
步骤S4、利用三次B样条曲线法对所述全局路径进行轨迹优化,得到优化后的全局路径。
所述步骤S4,还可以包括步骤S41、步骤S42和步骤S43。
步骤S41、将所述全局路径中包括的节点作为三次B样条曲线的控制点并将全部的控制点进行集合,得到控制点集合;
步骤S42、基于所述三次B样条曲线法和所述控制点集合中的各控制点计算得到优化后的轨迹;
步骤S42可以理解为:
假如生成的全局路径中共有n+1个节点,将这n+1个节点作为三次B样条曲线的控制点,分别为P0、P1、P2...Pn;同时人为的设置 m+1个时间节点,这些时间节点为优化后的轨迹上的时间节点,分别为t0、t1、t2...tm,设置优化后的轨迹最高次数为3;
使用以下公式计算t时刻的优化轨迹坐标B(t);
其中,Pi为控制点,Wi,k代表k次曲线下第i个控制点的曲线权重,此时次数k取3;
Wi,k计算规则如下:
其中,Wi,0(t)代表t时刻时0次曲线下第i个控制点的曲线权重, ti代表第i个时间节点的值;ti+1代表第i+1个时间节点的值;Wi,k(t)代表t时刻时k次曲线下第i个控制点的曲线权重,Wi,k-1(t)代表t时刻时 k-1次曲线下第i个控制点的曲线权重,Wi+1,k-1(t)代表t时刻时k-1次曲线下第i+1个控制点的曲线权重;ti+k代表第i+k个时间节点的值; ti+k+1代表第i+k+1个时间节点的值;
通过上述计算公式计算到每个时刻的优化轨迹坐标后即可得到优化后的轨迹;
步骤S43、判断所述优化后的轨迹是否与障碍物发生碰撞,得到判断结果,并根据所述判断结果得到优化后的全局路径轨迹。
所述步骤S43,还可以包括步骤S431、步骤S432和步骤S433。
步骤S431、判断优化后的轨迹是否与障碍物发生碰撞,若未发生碰撞,则将优化后的轨迹记为优化后的全局路径轨迹;若发生障碍物的碰撞,则寻找与障碍物发生碰撞的轨迹段,所述优化后的轨迹包含所述轨迹段,查找控制所述轨迹段的控制点;
步骤S432、将控制所述轨迹段的控制点中的第一个控制点复制一份,将复制得到的控制点加入到所述控制点集合中,得到更新后的控制点集合;
步骤S432中,将控制所述轨迹段的控制点中的第一个控制点复制一份可以理解为:假如由控制点1、控制点2、控制点3和控制点 4控制所述轨迹段,则将第一个控制点,也就是控制点1进行复制后再将复制的控制点控制点1’放入控制点集合中,再进行轨迹优化。
步骤S433、基于所述更新后的控制点集合中的每一个控制点得到所述优化后的全局路径轨迹。
步骤S4在最终的全局路径基础上采用三次B样条曲线法进行路径处理,进一步平滑了全局轨迹。优化后的全局轨迹有小概率发生碰撞障碍物的情况,因为B样条曲线算法具有可局部修改的特性,通过复制控制点的方式加强单个控制点对局部优化曲线的控制的同时也避免了全局优化曲线的变化,从而有效解决碰撞障碍物的问题。
通过上述步骤规划出的全局路径相较于传统算法具有以下优势:路径长度较短、规划时间较短、存储资源消耗少、全局轨迹平滑度较好。因此当此改进算法运用到实际的移动机器人中时,机器人的运动耗能、耗时都会减少,运动轨迹也会更加合理,也更加有利于移动机器人的辅助工作。
实施例2
如图2所示,本实施例提供了一种路径规划装置,所述装置包括获取模块701、采样模块702、计算模块703和优化模块704。
获取模块701,用于获取全局静态地图;
采样模块702,用于将所述全局静态地图转化为二维灰度图,在所述二维灰度图内进行随机点的采样,得到随机点的位置信息;
计算模块703,用于基于路径起点的位置信息、路径终点的位置信息、所述随机点的位置信息生成全局路径;
优化模块704,用于利用三次B样条曲线法对所述全局路径进行轨迹优化,得到优化后的全局路径。
本实施例在传统全局路径规划快速随机扩展树算法(RRT)的基础上做了相关改进,在父节点在选取方式上加入了启发式函数。加入启发式函数的目的是为了让随机树尽快的的朝着目标点生长,新生节点到起点的路程要尽量的短且避免新生节点过于密集导致规划效率差的问题。本实施例在最终规划出的全局路径基础上采用三次B样条曲线法对路径进行平滑处理,使得最终轨迹具有较好的平滑度。本实施例针对优化轨迹小概率碰撞障碍物的情况,提出了添加控制点的方式,即将碰撞轨迹的第一个控制点复制一份,添加到控制列表,进行重新的轨迹优化操作。
在本公开的一种具体实施方式中,所述计算模块703,还包括加入单元7031和第一计算单元7032。
加入单元7031,用于基于路径起点的位置信息,将所述路径的起点作为随机树的根节点,将所述根节点加入所述随机树的节点存储列表中,并将所述根节点作为最优父节点;
第一计算单元7032,用于根据所述最优父节点和所述随机点的位置信息生成新节点,判断所述新节点的合法性,若合法则将所述新节点加入所述随机树的节点存储列表中,并判断利用所述新节点是否可以生成全局路径,若可以则得到所述全局路径,若不能则返回在所述二维灰度图内进行随机点的采样的步骤,再重新确定最优父节点,直到生成所述全局路径。
在本公开的一种具体实施方式中,第一计算单元7032,还包括第一计算子单元70321和第二计算子单元70322。
第一计算子单元70321,用于连接所述随机点与所述最优父节点,若所述随机点与所述最优父节点的距离小于或等于一个步长则以所述随机点为新节点;若大于一个步长则以第一节点为新生节点,所述第一节点位于所述最优父节点到所述随机点之间且所述第一节点与所述最优父节点的距离为一个步长;
第二计算子单元70322,用于连接所述新节点与所述最优父节点,若所述新节点与所述最优父节点连线之间的任意一处与障碍物相交,则所述新节点是不合法的,舍去所述新节点并返回在所述二维灰度图内进行随机点的采样的步骤;否则所述新节点合法,将所述新节点加入所述随机树的节点存储列表中。
在本公开的一种具体实施方式中,第一计算单元7032,还包括第三计算子单元70323和第四计算子单元70324。
第三计算子单元70323,用于连接所述新节点与所述路径的终点,基于所述新节点的位置信息和所述路径终点的位置信息计算连线距离;
第四计算子单元70324,用于对所述连线距离进行分析,其中,若所述连线距离大于一个步长,则判断不能生成全局路径,返回在所述二维灰度图内进行随机点的采样的步骤;若所述连线距离小于或等于一个步长则判断所述新节点与所述路径的终点连线之间的任意点是否与所述障碍物相交,有相交则返回在所述二维灰度图内进行随机点的采样的步骤,无相交则生成全局路径。
在本公开的一种具体实施方式中,第一计算单元7032,还包括采样子单元70325、第一判断子单元70326和第五计算子单元70327。
采样子单元70325,用于在所述二维灰度图内进行随机点的采样,得到新的随机点的位置信息;
第一判断子单元70326,用于判断所述随机树的节点存储列表中节点的数量,若数量大于2,则基于所述新的随机点的位置信息和启发式函数在所述随机树的节点存储列表中选取一个节点作为新的最优父节点;
第五计算子单元70327,用于根据所述新的最优父节点和所述新的随机点的位置信息生成另一新节点,判断所述另一新节点的合法性,若合法则将所述另一新节点加入所述随机树的节点存储列表中,并判断利用所述另一新节点是否可以生成全局路径,若可以则得到所述全局路径,若不能则返回在所述二维灰度图内进行随机点的采样的步骤,直到生成所述全局路径。
在本公开的一种具体实施方式中,优化模块704,还包括集合单元7041、第二计算单元7042和判断单元7043。
集合单元7041,用于将所述全局路径中包括的节点作为三次B 样条曲线的控制点并将全部的控制点进行集合,得到控制点集合;
第二计算单元7042,用于基于所述三次B样条曲线法和所述控制点集合中的各控制点计算得到优化后的轨迹;
判断单元7043,用于判断所述优化后的轨迹是否与障碍物发生碰撞,得到判断结果,并根据所述判断结果得到优化后的全局路径轨迹。
在本公开的一种具体实施方式中,判断单元7043,还包括判第二断子单元70431、复制子单元70432和第六计算子单元70433。
第二判断子单元70431,用于判断优化后的轨迹是否与障碍物发生碰撞,若未发生碰撞,则将优化后的轨迹记为优化后的全局路径轨迹;若发生障碍物的碰撞,则寻找与障碍物发生碰撞的轨迹段,所述优化后的轨迹包含所述轨迹段,查找控制所述轨迹段的控制点;
复制子单元70432,用于将控制所述轨迹段的控制点中的第一个控制点复制一份,将复制得到的控制点加入到所述控制点集合中,得到更新后的控制点集合;
第六计算子单元70433,用于基于所述更新后的控制点集合中的每一个控制点得到所述优化后的全局路径轨迹。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例,本公开实施例还提供了路径规划设备,下文描述的路径规划设备与上文描述的路径规划方法可相互对应参照。
图3是根据一示例性实施例示出的路径规划设备800的框图。如图3所示,该路径规划设备800可以包括:处理器801,存储器802。该路径规划设备800还可以包括多媒体组件803,输入/输出(I/O)接口 804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该路径规划设备800的整体操作,以完成上述的路径规划方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该路径规划设备800的操作,这些数据例如可以包括用于在该路径规划设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器 (Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称 EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803 可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该路径规划设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或 4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,该路径规划设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件 (Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的路径规划方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的路径规划方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由该路径规划设备800的处理器801执行以完成上述的路径规划方法。
实施例4
相应于上面的方法实施例,本公开实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的路径规划方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的路径规划方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器 (Read-Only Memory,ROM)、随机存取存储器(Random Access Memory, RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种路径规划方法,其特征在,包括:
获取全局静态地图;
将所述全局静态地图转化为二维灰度图,在所述二维灰度图内进行随机点的采样,得到随机点的位置信息;
基于路径起点的位置信息、路径终点的位置信息、所述随机点的位置信息生成全局路径;
利用三次B样条曲线法对所述全局路径进行轨迹优化,得到优化后的全局路径。
2.根据权利要求1所述的路径规划方法,其特征在于,基于路径起点的位置信息、所述路径终点的位置信息、所述随机点的位置信息生成全局路径,包括:
基于路径起点的位置信息,将所述路径的起点作为随机树的根节点,将所述根节点加入所述随机树的节点存储列表中,并将所述根节点作为最优父节点;
根据所述最优父节点和所述随机点的位置信息生成新节点,判断所述新节点的合法性,若合法则将所述新节点加入所述随机树的节点存储列表中,并判断利用所述新节点是否可以生成全局路径,若可以则得到所述全局路径,若不能则返回在所述二维灰度图内进行随机点的采样的步骤,再重新确定最优父节点,直到生成所述全局路径。
3.根据权利要求2所述的路径规划方法,其特征在于,根据所述最优父节点和所述随机点的位置信息生成新节点,判断所述新节点的合法性,若合法则将所述新节点加入所述随机树的节点存储列表中,包括:
连接所述随机点与所述最优父节点,若所述随机点与所述最优父节点的距离小于或等于一个步长则以所述随机点为新节点;若大于一个步长则以第一节点为新生节点,所述第一节点位于所述最优父节点到所述随机点之间且所述第一节点与所述最优父节点的距离为一个步长;
连接所述新节点与所述最优父节点,若所述新节点与所述最优父节点连线之间的任意一处与障碍物相交,则所述新节点是不合法的,舍去所述新节点并返回在所述二维灰度图内进行随机点的采样的步骤;否则所述新节点合法,将所述新节点加入所述随机树的节点存储列表中。
4.根据权利要求2所述的路径规划方法,其特征在于,判断利用所述新节点是否可以生成全局路径,若可以则得到所述全局路径,若不能则返回在所述二维灰度图内进行随机点的采样的步骤,包括:
连接所述新节点与所述路径的终点,基于所述新节点的位置信息和所述路径终点的位置信息计算连线距离;
对所述连线距离进行分析,其中,若所述连线距离大于一个步长,则判断不能生成全局路径,返回在所述二维灰度图内进行随机点的采样的步骤;若所述连线距离小于或等于一个步长则判断所述新节点与所述路径的终点连线之间的任意点是否与所述障碍物相交,有相交则返回在所述二维灰度图内进行随机点的采样的步骤,无相交则生成全局路径。
5.一种路径规划装置,其特征在,包括:
获取模块,用于获取全局静态地图;
采样模块,用于将所述全局静态地图转化为二维灰度图,在所述二维灰度图内进行随机点的采样,得到随机点的位置信息;
计算模块,用于基于路径起点的位置信息、路径终点的位置信息、所述随机点的位置信息生成全局路径;
优化模块,用于利用三次B样条曲线法对所述全局路径进行轨迹优化,得到优化后的全局路径。
6.根据权利要求5所述的路径规划装置,其特征在于,计算模块,包括:
加入单元,用于基于路径起点的位置信息,将所述路径的起点作为随机树的根节点,将所述根节点加入所述随机树的节点存储列表中,并将所述根节点作为最优父节点;
第一计算单元,用于根据所述最优父节点和所述随机点的位置信息生成新节点,判断所述新节点的合法性,若合法则将所述新节点加入所述随机树的节点存储列表中,并判断利用所述新节点是否可以生成全局路径,若可以则得到所述全局路径,若不能则返回在所述二维灰度图内进行随机点的采样的步骤,再重新确定最优父节点,直到生成所述全局路径。
7.根据权利要求6所述的路径规划装置,其特征在于,第一计算单元,包括:
第一计算子单元,用于连接所述随机点与所述最优父节点,若所述随机点与所述最优父节点的距离小于或等于一个步长则以所述随机点为新节点;若大于一个步长则以第一节点为新生节点,所述第一节点位于所述最优父节点到所述随机点之间且所述第一节点与所述最优父节点的距离为一个步长;
第二计算子单元,用于连接所述新节点与所述最优父节点,若所述新节点与所述最优父节点连线之间的任意一处与障碍物相交,则所述新节点是不合法的,舍去所述新节点并返回在所述二维灰度图内进行随机点的采样的步骤;否则所述新节点合法,将所述新节点加入所述随机树的节点存储列表中。
8.根据权利要求6所述的路径规划装置,其特征在于,第一计算单元,包括:
第三计算子单元,用于连接所述新节点与所述路径的终点,基于所述新节点的位置信息和所述路径终点的位置信息计算连线距离;
第四计算子单元,用于对所述连线距离进行分析,其中,若所述连线距离大于一个步长,则判断不能生成全局路径,返回在所述二维灰度图内进行随机点的采样的步骤;若所述连线距离小于或等于一个步长则判断所述新节点与所述路径的终点连线之间的任意点是否与所述障碍物相交,有相交则返回在所述二维灰度图内进行随机点的采样的步骤,无相交则生成全局路径。
9.一种路径规划方法设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述路径规划方法的步骤。
10.一种可读存储介质,其特征在于:所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述路径规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210629217.3A CN115200584B (zh) | 2022-05-30 | 一种路径规划方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210629217.3A CN115200584B (zh) | 2022-05-30 | 一种路径规划方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115200584A true CN115200584A (zh) | 2022-10-18 |
CN115200584B CN115200584B (zh) | 2024-07-26 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116795108A (zh) * | 2023-06-09 | 2023-09-22 | 西南交通大学 | 基于多源感知信号的智能无人车配送方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070198178A1 (en) * | 2004-03-31 | 2007-08-23 | Trimby Martin W | Pathfinding system |
KR20150121931A (ko) * | 2014-04-22 | 2015-10-30 | 부산대학교 산학협력단 | 하이브리드 경로 생성 방법을 이용한 무인 지상 차량 경로 제어 시스템 |
CN107085438A (zh) * | 2017-04-28 | 2017-08-22 | 中国船舶重工集团公司第七0九研究所 | 基于准均匀样条曲线的无人机路径修正方法及系统 |
US20200088536A1 (en) * | 2018-09-19 | 2020-03-19 | Robert Bosch Gmbh | Method for trajectory planning of a movable object |
CN112683290A (zh) * | 2020-12-29 | 2021-04-20 | 的卢技术有限公司 | 一种车辆轨迹规划方法、电子设备及计算机可读存储介质 |
CN113352319A (zh) * | 2021-05-08 | 2021-09-07 | 上海工程技术大学 | 基于改进快速扩展随机树的冗余机械臂避障轨迹规划方法 |
CN113984080A (zh) * | 2021-10-26 | 2022-01-28 | 西安交通大学 | 一种适用于大型复杂场景下的分层局部路径规划方法 |
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070198178A1 (en) * | 2004-03-31 | 2007-08-23 | Trimby Martin W | Pathfinding system |
KR20150121931A (ko) * | 2014-04-22 | 2015-10-30 | 부산대학교 산학협력단 | 하이브리드 경로 생성 방법을 이용한 무인 지상 차량 경로 제어 시스템 |
CN107085438A (zh) * | 2017-04-28 | 2017-08-22 | 中国船舶重工集团公司第七0九研究所 | 基于准均匀样条曲线的无人机路径修正方法及系统 |
US20200088536A1 (en) * | 2018-09-19 | 2020-03-19 | Robert Bosch Gmbh | Method for trajectory planning of a movable object |
CN112683290A (zh) * | 2020-12-29 | 2021-04-20 | 的卢技术有限公司 | 一种车辆轨迹规划方法、电子设备及计算机可读存储介质 |
CN113352319A (zh) * | 2021-05-08 | 2021-09-07 | 上海工程技术大学 | 基于改进快速扩展随机树的冗余机械臂避障轨迹规划方法 |
CN113984080A (zh) * | 2021-10-26 | 2022-01-28 | 西安交通大学 | 一种适用于大型复杂场景下的分层局部路径规划方法 |
Non-Patent Citations (5)
Title |
---|
LI, XC等: "Smooth and collision-free trajectory generation in cluttered environments using cubic B-spline form", MECHANISM AND MACHINE THEORY, 31 March 2022 (2022-03-31) * |
YANG YAO等: "AGV Path Planned with Heuristic RRT", COMPUTER ENGINEERING AND APPLICATIONS, 15 June 2020 (2020-06-15), pages 125 - 133 * |
罗小元;葛尚博;闫敬;: "障碍物与多目标约束下主动传感器网络自组织运动规划", 燕山大学学报, no. 02, 31 March 2018 (2018-03-31), pages 77 - 85 * |
钟瑛;陈凌峰;朱顺痣;: "改进A*算法在游戏地图路径搜索中的应用研究", 网络安全技术与应用, no. 08, 15 August 2013 (2013-08-15), pages 54 - 56 * |
陈龙;李清泉;毛庆洲;: "基于成像模型的车道线检测与跟踪方法", 中国公路学报, no. 06, 15 November 2011 (2011-11-15), pages 96 - 102 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116795108A (zh) * | 2023-06-09 | 2023-09-22 | 西南交通大学 | 基于多源感知信号的智能无人车配送方法 |
CN116795108B (zh) * | 2023-06-09 | 2023-12-01 | 西南交通大学 | 基于多源感知信号的智能无人车配送方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101886373B1 (ko) | 딥러닝 인공신경망 기반의 타스크 제공 플랫폼 | |
US10593110B2 (en) | Method and device for computing a path in a game scene | |
CN110166650B (zh) | 视频集的生成方法及装置、计算机设备与可读介质 | |
US11100646B2 (en) | Future semantic segmentation prediction using 3D structure | |
WO2012066951A1 (ja) | データ処理装置、データ処理方法、およびプログラム | |
CN110097193B (zh) | 训练模型的方法及系统和预测序列数据的方法及系统 | |
CN111044045B (zh) | 基于神经网络的导航方法、装置及终端设备 | |
CN110971659A (zh) | 推荐消息的推送方法、装置及存储介质 | |
CN112686428A (zh) | 基于地铁线网站点相似性的地铁客流预测方法及装置 | |
US20200265353A1 (en) | Intelligent workflow advisor for part design, simulation and manufacture | |
US8122002B2 (en) | Information processing device, information processing method, and program | |
EP3847583A1 (en) | Determining control policies by minimizing the impact of delusion | |
CN111566728A (zh) | 能够实现用户意图和机器服务之间的语义理解映射的对话系统 | |
CN111160049B (zh) | 文本翻译方法、装置、机器翻译系统和存储介质 | |
KR20230065339A (ko) | 모델 데이터 처리 방법, 장치, 전자 기기 및 컴퓨터 판독 가능 매체 | |
CN112394982B (zh) | 生成语音识别系统的方法、装置、介质及电子设备 | |
WO2024007807A1 (zh) | 一种误差校正方法、装置及移动设备 | |
CN115200584A (zh) | 一种路径规划方法、装置、设备及可读存储介质 | |
CN115200584B (zh) | 一种路径规划方法、装置、设备及可读存储介质 | |
CN116795971A (zh) | 一种基于生成式语言模型的人机对话场景构建系统 | |
US20200293183A1 (en) | Methods and Devices for Capturing Heuristic Information via a Weighting Tool | |
CN111241236A (zh) | 任务导向性问答方法、系统、电子设备、可读存储介质 | |
CN115049797A (zh) | 地图处理方法、电子设备以及存储介质 | |
CN114065640B (zh) | 联邦树模型的数据处理方法、装置、设备及存储介质 | |
CN111124387A (zh) | 机器学习平台的建模系统、方法、计算机设备及存储介质 |
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 | ||
GR01 | Patent grant |