CN115576333A - 最优向避障策略 - Google Patents
最优向避障策略 Download PDFInfo
- Publication number
- CN115576333A CN115576333A CN202211569098.3A CN202211569098A CN115576333A CN 115576333 A CN115576333 A CN 115576333A CN 202211569098 A CN202211569098 A CN 202211569098A CN 115576333 A CN115576333 A CN 115576333A
- Authority
- CN
- China
- Prior art keywords
- optimal
- obstacle
- footprint
- obstacle avoidance
- node
- 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
- 239000002245 particle Substances 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 48
- 230000000875 corresponding effect Effects 0.000 description 30
- 238000005457 optimization Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000013598 vector Substances 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
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请公开了最优向避障策略，包括如下步骤：根据不同的障碍地形，引入难度系数，并设置种群个数、行进次数及步长，所述行进次数嵌套所述种群个数；初始化所述种群位置，基于成本函数寻优最佳粒子；更新所述种群方程；重复上述寻优过程并更新所述最佳粒子；将满足碰撞检测要求的所述最佳粒子对应节点按照所述行进次数依次加入足迹；自起始点将所述足迹的最佳节点与所述最佳粒子的对应节点依次连接，持续迭代有效行进，直至到达目标点以形成最优向避障路径，本申请的实施例可以实现路径的无分枝最优性有益效果。
Description
技术领域
本申请属于智能制造及交通领域，具体涉及最优向避障策略。
背景技术
路径规划算法作为机器人、无人驾驶、增材制造等领域的核心，优异的避障策略可以节约大量时间及成本，同时减少损耗。对我国制造业的智能化发展具有重要意义。
目前常用的规划算法有三类，第一类是传统启发算法如A*；第二类为智能仿生算法如神经网络、PSO、遗传算法等；第三类基于采样算法如RRT等；随着技术的发展和需求的增加，传统算法已无法满足复杂环境条件同时不利于高纬路径规划，受到了极大限制，尽管其具备完备与最优性，然而第一类耗时长，第二类具有渐进最优性，第三类具有随机性非最优性等问题依然难以克服。
诸多学者从不同角度进行了系列改进，却未从根本上解决无分枝最优性问题。因此，改变现有避障策略，从根本上改变现有RRT算法的随机采样，调用智能算法智能避障进而实现最优向避障策略极为关键和必要，以智能算法（PSO）的适应度函数实现寻优策略与避障监测可极大地节约成本和时间，同时具有实时性。
发明内容
本申请实施例的目的是提供最优向避障策略，能够解决现有技术中无法无分枝最优向的问题，同时可以保证运行过程中的实时性。
为了解决上述技术问题，本申请是这样实现的：
本申请实施例提供了最优向避障策略，包括如下步骤：
根据不同的障碍地形，引入难度系数，并设置种群个数、行进次数及步长，所述行进次数嵌套所述种群个数；
初始化所述种群位置，基于成本函数寻优最佳粒子；
更新所述种群方程；重复上述寻优过程并更新所述最佳粒子；
将满足碰撞检测要求的所述最佳粒子对应节点按照所述行进次数依次加入足迹；
自起始点将所述足迹的最佳节点与所述最佳粒子的对应节点依次连接，持续迭代有效行进，直至到达目标点以形成最优向避障路径。
优选地，所述难度系数是反映所述地形复杂程度的量，所述难度系数的计算参数包括所述地形的形状或颜色；
所述形状包括体积或面积、障碍物的体积或面积、障碍物的表面积或周长、障碍物的个数。
优选地，所述难度系数的计算包括所述障碍物的体积或面积/所述地形的体积或面积*障碍物的表面积或周长。
优选地，所述碰撞检测是当前粒子的所述对应节点及所述足迹中最佳节点的连线与障碍物的碰撞检测。
优选地，所述碰撞检测在所述种群个数循环内或行进次数中至少发生一次。
优选地，所述成本函数至少包括牵引函数。
优选地，所述牵引函数包括目标偏置或路径成本，所述路径成本包括所述种群内当前粒子对应节点与所述目标点的距离。
优选地，对所述足迹中的最优路径的所述节点进行曲线拟合，所述曲线拟合方法包括B样条或最小二乘法或多项式。
优选地，所述对应节点位置的计算包括在所述粒子与所述足迹中最佳节点方向上，自所述足迹中最佳节点起一个所述步长的距离的点。
优选地，所述足迹由满足所述碰撞检测要求的所述成本函数的最佳粒子所对应的节点组成；
所述足迹中最佳节点基于所述足迹的节点到达所述对应节点的最小距离或所述足迹中的起始点到所述对应节点的成本最小产生。
在本申请实施例中，可以通过设置难度系数区分不同的障碍地形，并根据不同的障碍地形设置程序从而实现不同复杂条件下均快速、低成本到达目标点，其次充分吸收粒子群算法的优势，以成本函数实现最优向选择，进而结合随机扩散树实现到达目标点策略的快速逼近和最优逼近；最后以平滑曲线拟合路径实现机器人、驾驶等稳定性；本申请的避障综合考虑环境复杂程度、采样点附近的障碍信息及路径代价，在采样初期完成碰撞检测减少计算量，实现更高的效率，通过深度融合从根本上实现了路径的无分枝最优性，避免了冗余采样，同时多次重复实验具有鲁棒性，更为可贵的是，本算法可实现在获取全局信息下实时避障。
附图说明
图1是本申请实施例中最优向避障策略的流程示意图。
图2是本申请实施例中最优向避障策略在不同地图中的路径图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的最优向避障策略进行详细地说明。
参见图1-图2，本申请的实施例提供了最优向避障策略，所述最优向避障策略包括如下步骤：
步骤S100：根据不同的障碍地形，引入难度系数，并设置种群个数、行进次数及步长，所述行进次数嵌套所述种群个数；
上述步骤可以通过难度系数衡量地形或地图，实现最优化程序迭代与种群规模，从而较快速度到达目标点。
需要说明的是，现有算法鲜有根据障碍的复杂程度进行程序调节，均人为设定相应的迭代及经验值，这样容易导致复杂的地图（如迷宫）因迭代次数少而无法到达目标点；同样简单的障碍可能会出现计算冗余，不利于时间的节约，因此，本申请提出难度系数的概念，根据捕获的数据按照相应的算法计算难度系数，从而实现不同地形的快速行进，具体函数参考下文。
需要说明的是，本申请中实施例捕获的数据包括障碍物的周长、表面积、体积、个数等物理量，运用这些物理量可以实现在复杂地形中难度系数大，而简单地形难度系数小，进而在复杂地形中实现迭代次数和种群规模较大，而简单地形则迭代次数和种群规模较小，从而实现不同复杂程度的地形实现较好衔接。
需要说明的是，获取地形或地图的方式或手段不限于工业相机、雷达传感、红外等手段，亦可将地图或地形数据输入应用领域物体中，如机器人系统、驾驶车辆等。
需要说明的是，所述获取的数据根据颜色或形状等判断和识别为障碍物，如，高速相机识别到特定形状的物体而定义为障碍物或红外热成像仪识别到具有高于环境温度的物体识别为人或动物为障碍物等等常规技术手段，识别完成后根据本算法的难度系数进行统计和衡量即可。
需要说明的是，所述种群个数是粒子群的数目，其本质是通过大量的粒子根据适应度函数寻优。所述行进次数是指每次种群寻优完成后，种群位置更新而进行的重复寻优的次数。所述步长是指每次行进迭代所走的距离的度量。
步骤S200：初始化所述种群位置，基于成本函数寻优最佳粒子；
上述步骤的目的是对初始种群选出最优值，选择的方法是基于成本函数，在其他算法中又被称作适应度函数。种群初始化的值通过在地形中的随机数产生。
需要说明的是，所述适应度函数是本申请的成本函数，所述成本函数的自变量为种群产生的随机值，因变量为极值；常规条件下，将所有种群的随机值带入成本函数而得到的值最小则为本申请所需的最佳粒子。
需要说明的是，所述成本函数决定最优向。在快速扩展随机数（RRT）算法中，随机点的产生依托随机数，由此会产生较多的分枝结构及较长的时间代价，因此，从起始点至目标点，在行进避障过程中，方向的选择至关重要，本申请的策略则通过调用成本函数实现最优向避障，从而实现较低的路径成本、快速达到目标点和几乎不存在分枝结构。
需要说明的是，本步骤可在种群中选择最优的一个粒子，并以该粒子的对应节点作为由图2中每种地图左上角A点前进到右下角B点的第一步。选择最优的限制条件为成本函数。
步骤S300：更新所述种群方程；重复上述寻优过程并更新所述最佳粒子；
上述步骤中，更新所述种群方程参考下述公式：
V
(d)
=w*v
(d-1)
+C
1
*r
1
*(pbest
(d)
-x
(d)
)+C
2
*r
2
*(gbest
(d)
-x
(d)
); 公式1
X
(d)
=x
(d-1)
+v
(d-1)
*t; 公式2
本公式基于本领域公知常识，将根据种群和行进迭代产生每个粒子的更新值，在粒子群算法中，权重因子（w）与学习因子（C 1、 C 2 ）均为设定的经验值，在本申请中，可以根据适应度函数设定经验值，也可以将这几个数值定义为函数，实现不同的迭代数值发生变化，亦可根据难度系数建立对应的表达关系函数，所述函数关系式的建立目的以快速实现最优向为目的。
需要说明的是，重复上述寻优过程是指该循环迭代为种群内迭代，同样依托调用成本函数实现极值，从而选择出最优向粒子，即所述最佳粒子。
需要说明的是，最佳粒子的选择通过对比当前粒子而实现。
需要说明的是，上述步骤可实现初始的粒子依据更新公式飞向另外的一个位置，并在另一个位置上进行所有粒子的寻优。
步骤S400：将满足碰撞检测要求的所述最佳粒子对应节点按照所述行进次数依次加入足迹；
上述步骤中引入碰撞检测则可实现快速避障，通过寻优产生最佳粒子，进而根据对应节点函数找到所需要的节点，该节点不仅满足避障而且方向为最优，将该节点加入足迹，整个足迹的所有节点相连接行进便是所求的轨迹。
需要说明的是，整个足迹的所有节点是根据迭代次数依次加入的，而且是根据迭代对应节点依次从起始点按照对应步长达到目标点。
需要说明的是，上述碰撞检测发生的区域包含种群内或外，在种群内优选为成本函数中，在种群外则发生在加入足迹之前。
上述步骤可实现满足要求的粒子根据行进迭代逐步加入到足迹中，加入到足迹的粒子均满足碰撞检测的要求。这些足迹的粒子即是所搜寻的足迹，最终形成轨迹。
步骤S500：自起始点将所述足迹的最佳节点与所述最佳粒子的对应节点依次连接，持续迭代有效行进，直至到达目标点以形成最优向避障路径。
上述步骤中所述足迹的最佳节点是已经加入到足迹的节点，所述最佳节点的产生依据下文的定义限定，所述最佳粒子的对应节点的产生则同样下文有限定；所述两者的连线视为一个步，连线的两端则为上一个有效迭代步和下一个有效迭代步产生的，如同按照步长依次形成的足迹。
本实施例设置四种地图，分别命名为宽阔（图2中的（a）图）、通道（图2中的（b）图）、栅格（图2中的（c）图）、迷宫（图2中的（d）图）。其中栅格与迷宫地图复杂度高于宽阔、通道地图；依据本地图算法计算的难度系数分别为391.85、333.24、1413、1562。
需要说明的是，根据本算法可实现在不同地图或地形中的路径由qstart（0,500）到qgoal（500，0）的最优路径（如图2中的（a）-（d）所示），且无分枝结构。其他算法如RRT、RRT*、BiRRT等均存在较多分枝、较长时间等问题。
需要说明的是，在机械臂运动时，本算法因无分支结构，可将寻优节点实时发送至机械臂进而驱动机械臂同时避障，有效避免了分枝结构带来的时间等待，提高了实时性。
需要说明的是，本算法在图2每种地图中，均是5次重复实验的路径图。
需要说明的是，将本算法置入机器人中可驱动机器人按照本算法躲避障碍物进行前进、置入车辆中可实现避免碰撞而实现较好的无人驾驶。驱动所述机器人或车辆即可实现按照本算法形成的轨迹进行前进。
优选地，所述难度系数是反映所述地形复杂程度的量，所述难度系数的计算参数包括所述地形的形状或颜色；
所述形状包括体积或面积、障碍物的体积或面积、障碍物的表面积或周长、障碍物的个数。
在本申请中，所述难度系数的计算参数依据图像数据的捕捉产生，优选为形状识别，形状识别可根据捕捉的图像数据进行相应的性质计算，所述颜色识别是在特殊环境下同样可以根据颜色进行识别，如遇黄色指示牌均标记为障碍等等。所述不同的识别方法最终的目的是区分不同地形的难度。
可选地，所述难度系数的计算包括所述障碍物的体积或面积/所述地形的体积或面积*障碍物的表面积或周长。
需要说明的是，在二维地图中，所述难度系数的计算为障碍物的面积/所述地形的面积*障碍物的周长；在三维地形中，所述难度系数的计算为障碍物的体积/所述地形的体积*障碍物的表面积。
需要说明的是，上述公式的变体形式，如增加系数或引入障碍物个数等行为均可视为本申请的扩展形式，受本申请的保护。
需要说明的是，难度系数在公式中随地形的复杂将变大。
需要说明的是，颜色识别局限于障碍物与通道有较大差别。
优选地，所述碰撞检测是当前粒子的所述对应节点及所述足迹中最佳节点的连线与障碍物的碰撞检测。
基于上文解释，碰撞检测根据发生的位置不同为所有种群可能的步长方向或最优向步长方向。
所述碰撞检测通过所述连线方向再细分小步对应的节点与障碍物判断是否在障碍物内。
优选地，所述碰撞检测在所述种群个数循环内或行进次数中至少发生一次。
所述碰撞检测发生在种群个数循环内，碰撞函数包括置于成本函数中；发生在行进次数中，碰撞函数包括置于加入足迹之前；
所述碰撞检测用于实现粒子的最优向，可重复检测，但寻优时间会增强。
优选地，所述成本函数至少包括牵引函数。
所述牵引函数是指牵引对应节点根据行进次数逐步向目标点靠近的函数。
优选地，所述牵引函数包括目标偏置或路径成本，所述路径成本包括所述种群内当前粒子对应节点与所述目标点的距离。
目标偏置则根据当前粒子对应节点与所述足迹的最佳节点方向、目标点与起始点方向，两个方向向量之间的夹角最小。
优选地，对所述足迹中的最优路径的所述节点进行曲线拟合，所述曲线拟合方法包括B样条或最小二乘法或多项式。
无论机器人还是无人驾驶，对足迹中的节点进行曲线拟合均可以实现平滑运动，从而利于平稳。
需要说明的是，在曲线拟合的过程中可以重新寻优，即选择更节约成本而且避障的路径相连接。
优选地，所述对应节点位置的计算包括在所述粒子与所述足迹中最佳节点方向上，自所述足迹中最佳节点起一个所述步长的距离的点。
所述粒子寻优是寻找路径的最佳方向，而对应节点的确定则根据步长进行逐步行进。
优选地，所述足迹由满足所述碰撞检测要求的所述成本函数的最佳粒子所对应的节点组成；
所述足迹中最佳节点基于所述足迹的节点到达所述对应节点的最小距离或所述足迹中的起始点到所述对应节点的成本最小产生。
由于本申请中方向的最优性，可以区别与目前针对随机点的目标偏置改进，具有更快的速度和无分枝结构。
在本申请实施例中，上述策略不仅实现了无分枝最优向避障，而且在计算效率和路径质量等方面都有明显改善，这使机械臂实时避障成为可能。
实施例
如本实施例算法的伪代码如下所示，Sobs为避障地图，Aobs为障碍物总面积，Pobs为障碍物总周长，Amap为地图的面积，首先计算难度系数K，K的计算方程如上文定义所述，初始化种群，种群粒子的坐标随机生成，种群的规模基于K值确定，本算法选用K的整数作为种群规模（Nk），调用成本函数以选择出最优向粒子，成本函数包括牵引函数和碰撞函数，牵引函数选用当前迭代（Mk）随机粒子对应节点（qnew）与目标点（qgoal）的距离值，碰撞函数为当前迭代（Mk）随机粒子对应节点（qnew）与上一步中（Mk-1）树（T）的最佳节点（qnear）之间是否碰撞进行检测（常规手段），初始化过程中的上一步（Mk-1）为开始值（qstart），如果碰撞检测到障碍物，则碰撞函数设置为一个惩罚值，若未检测到障碍物则返回为0，以实现有障碍物则成本函数的数值因包含惩罚者则较大，无障碍物则成本函数的数值较小，因此该点更容易成为最优点。
选择出最优点后，根据公式1和2进行粒子的位置更新，当然也可以基于公式1-2进行改进，以实现所有粒子的位置更新到更有利的位置，进而再次对比选择，将选择出的最优点（pg）与对应节点（qnear），计算（qnew），将对应节点（qnew）加入到数（T）中，V为树中的节点，判断是否到达目标点（qgoal），如果到达则程序停止，如果未到达则重复计算，直至满足目标。
依据本算法可以实现每次迭代产生的（qnew）直接发送给设备（如机械臂），进而驱动设备（机械臂）实时的避障运动。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
Claims (10)
1.最优向避障策略，其特征在于，所述最优向避障策略，包括如下步骤：
根据不同的障碍地形，引入难度系数，并设置种群个数、行进次数及步长，所述行进次数嵌套所述种群个数；
初始化种群位置，基于成本函数寻优最佳粒子；
更新种群方程；重复上述寻优过程并更新所述最佳粒子；
将满足碰撞检测要求的所述最佳粒子对应节点按照所述行进次数依次加入足迹；
自起始点将所述足迹的最佳节点与所述最佳粒子的对应节点依次连接，持续迭代有效行进，直至到达目标点以形成最优向避障路径。
2.根据权利要求1所述的最优向避障策略，其特征在于，所述难度系数是反映所述地形复杂程度的量，所述难度系数的计算参数包括所述地形的形状或颜色；
所述形状包括体积或面积、障碍物的体积或面积、障碍物的表面积或周长、障碍物的个数。
3.根据权利要求2所述的最优向避障策略，其特征在于，所述难度系数的计算包括所述障碍物的体积或面积/所述地形的体积或面积*障碍物的表面积或周长。
4.根据权利要求1所述的最优向避障策略，其特征在于，所述碰撞检测是当前粒子的所述对应节点及所述足迹中最佳节点的连线与障碍物的碰撞检测。
5.根据权利要求1所述的最优向避障策略，其特征在于，所述碰撞检测在所述种群个数循环内或行进次数中至少发生一次。
6.根据权利要求1所述的最优向避障策略，其特征在于，所述成本函数至少包括牵引函数。
7.根据权利要求6所述的最优向避障策略，其特征在于，所述牵引函数包括目标偏置或路径成本，所述路径成本包括所述种群内当前粒子对应节点与所述目标点的距离。
8.根据权利要求1所述的最优向避障策略，其特征在于，对所述足迹中的最优路径的所述节点进行曲线拟合，所述曲线拟合方法包括B样条或最小二乘法或多项式。
9.根据权利要求1所述的最优向避障策略，其特征在于，所述对应节点位置的计算包括在所述粒子与所述足迹中最佳节点方向上，自所述足迹中最佳节点起一个所述步长的距离的点。
10.根据权利要求1所述的最优向避障策略，其特征在于，所述足迹由满足所述碰撞检测要求的所述成本函数的最佳粒子所对应的节点组成；
所述足迹中最佳节点基于所述足迹的节点到达所述对应节点的最小距离或所述足迹中的起始点到所述对应节点的成本最小产生。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211569098.3A CN115576333B (zh) | 2022-12-08 | 2022-12-08 | 最优向避障策略 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211569098.3A CN115576333B (zh) | 2022-12-08 | 2022-12-08 | 最优向避障策略 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115576333A true CN115576333A (zh) | 2023-01-06 |
| CN115576333B CN115576333B (zh) | 2023-05-05 |
Family
ID=84590201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211569098.3A Active CN115576333B (zh) | 2022-12-08 | 2022-12-08 | 最优向避障策略 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115576333B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116460830A (zh) * | 2023-03-17 | 2023-07-21 | 北京信息科技大学 | 基于人工智能的机器人智能控制系统及控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113534790A (zh) * | 2021-05-18 | 2021-10-22 | 广西综合交通大数据研究院 | 路径规划方法、装置、电子设备及计算机可读存储介质 |
| CN113805597A (zh) * | 2021-09-28 | 2021-12-17 | 福州大学 | 基于粒子群算法的障碍物自我保护人工势场法局部路径规划方法 |
| CN114740873A (zh) * | 2022-04-13 | 2022-07-12 | 青岛科技大学 | 一种基于多目标改进粒子群算法的自主式水下机器人的路径规划方法 |
| CN115016508A (zh) * | 2022-07-29 | 2022-09-06 | 陕西师范大学 | 基于区域分割的多目标粒子群优化算法的机器人路径规划方法 |
| CN115357050A (zh) * | 2022-09-19 | 2022-11-18 | 安徽大学 | 一种基于分层粒子群算法的无人机路径规划方法及其应用 |
-
2022
- 2022-12-08 CN CN202211569098.3A patent/CN115576333B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113534790A (zh) * | 2021-05-18 | 2021-10-22 | 广西综合交通大数据研究院 | 路径规划方法、装置、电子设备及计算机可读存储介质 |
| CN113805597A (zh) * | 2021-09-28 | 2021-12-17 | 福州大学 | 基于粒子群算法的障碍物自我保护人工势场法局部路径规划方法 |
| CN114740873A (zh) * | 2022-04-13 | 2022-07-12 | 青岛科技大学 | 一种基于多目标改进粒子群算法的自主式水下机器人的路径规划方法 |
| CN115016508A (zh) * | 2022-07-29 | 2022-09-06 | 陕西师范大学 | 基于区域分割的多目标粒子群优化算法的机器人路径规划方法 |
| CN115357050A (zh) * | 2022-09-19 | 2022-11-18 | 安徽大学 | 一种基于分层粒子群算法的无人机路径规划方法及其应用 |
Non-Patent Citations (2)
| Title |
|---|
| 国海涛等: "随机树与微粒群融合的机器人路径规划新算法", 《计算机测量与控制》 * |
| 朱战霞等: "基于碰撞检测的空间冗余机械臂避障路径规划", 《西北工业大学学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116460830A (zh) * | 2023-03-17 | 2023-07-21 | 北京信息科技大学 | 基于人工智能的机器人智能控制系统及控制方法 |
| CN116460830B (zh) * | 2023-03-17 | 2023-10-20 | 北京信息科技大学 | 基于人工智能的机器人智能控制系统及控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115576333B (zh) | 2023-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108664022B (zh) | 一种基于拓扑地图的机器人路径规划方法及系统 | |
| 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 | |
| Kim et al. | PLGRIM: Hierarchical value learning for large-scale exploration in unknown environments | |
| CN110887484A (zh) | 基于改进遗传算法的移动机器人路径规划方法及存储介质 | |
| CN107703945A (zh) | 一种多目标融合的智能农用机械路径规划方法 | |
| CN111323016A (zh) | 一种基于自适应蚁群算法的移动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 | |
| CN108827311B (zh) | 一种制造车间无人搬运系统路径规划方法 | |
| CN112683275B (zh) | 一种栅格地图的路径规划方法 | |
| CN111429563A (zh) | 基于深度学习的管道三维重建方法、系统、介质及设备 | |
| CN105607646B (zh) | 一种障碍环境下有必经点的uuv航路规划方法 | |
| Ding et al. | An improved RRT* algorithm for robot path planning based on path expansion heuristic sampling | |
| Ioannidis et al. | A path planning method based on cellular automata for cooperative robots | |
| Chen et al. | An enhanced dynamic Delaunay triangulation-based path planning algorithm for autonomous mobile robot navigation | |
| CN115576333B (zh) | 最优向避障策略 | |
| Jian et al. | Putn: A plane-fitting based uneven terrain navigation framework | |
| CN112612290A (zh) | 一种考虑洋流的水下航行器三维多任务路径规划方法 | |
| Chen et al. | Multiagent path finding using deep reinforcement learning coupled with hot supervision contrastive loss | |
| CN114494329B (zh) | 用于移动机器人在非平面环境自主探索的导引点选取方法 | |
| CN112857370A (zh) | 一种基于时序信息建模的机器人无地图导航方法 | |
| CN117315025A (zh) | 一种基于神经网络的机械臂6d位姿抓取方法 | |
| CN116069040B (zh) | 一种管道曲面约束的爬壁机器人路径规划方法和装置 | |
| CN114594776B (zh) | 一种基于层次化和模块化学习的导航避障方法 | |
| CN114661054A (zh) | 一种基于图像处理的移动机器人的路径规划与优化方法 | |
| Tran et al. | An Enhanced Sampling-Based Method with Modified Next-Best View Strategy For 2D Autonomous Robot Exploration |
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 |