CN115933668A - 移动机器人路径规划方法、系统、机器人及存储介质 - Google Patents
移动机器人路径规划方法、系统、机器人及存储介质 Download PDFInfo
- Publication number
- CN115933668A CN115933668A CN202211619962.6A CN202211619962A CN115933668A CN 115933668 A CN115933668 A CN 115933668A CN 202211619962 A CN202211619962 A CN 202211619962A CN 115933668 A CN115933668 A CN 115933668A
- Authority
- CN
- China
- Prior art keywords
- whale
- path
- individual
- individuals
- strategy
- 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
Images
Classifications
-
- 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
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种移动机器人路径规划方法、系统、机器人及存储介质,涉及路径规划技术领域。所述移动机器人路径规划方法包括:采用栅格法将地图划分成1×1的方格,分别采用预设色块表示可通行区域或障碍物;建立数学模型;鲸鱼优化算法参数初始化;采用Tent混沌序列策略对种群初始化;对所有鲸鱼个体执行线性等距插值策略添加新位置向量;计算适应度;选取适应度最小的鲸鱼个体作为当前全局最优个体;更新鲸鱼个体;当前迭代次数t达到最大迭代次数T时,输出当前全局最优个体;计算生成三次均匀B样条曲线,完成路径曲线构造。本发明所提出的移动机器人路径规划方法具有运行速度快、解的质量高、寻优能力强等特点,能够较好地解决实际问题。
Description
技术领域
本发明涉及路径规划技术领域,更具体地,涉及一种移动机器人路径规划方法、系统、机器人及存储介质。
背景技术
移动机器人广泛应用于物流运输、设备维修保养、应急救援、餐饮服务、垃圾清理等诸多领域。路径规划是移动机器人研究的重要课题,解决“去哪里”和“如何去”的问题,路径规划质量极大地影响移动机器人的服务质量。
移动机器人路径规划的主要内容是寻求一条从起始位置,到目标位置的可规避障碍物无碰撞的路径,同时优化其通过这段路程的各类性能指标,包括距离、时间以及能耗等。
鲸鱼优化算法(Whale Optimization Algorithms,WOA)属于启发式优化算法,它是Mirjalili S通过观察座头鲸群体捕食设计出的创新思维算法。现有技术中已见采用鲸鱼优化算法进行路径规划的求解方法,但其存在运行速度较慢、解的质量较差、寻优能力不够强等缺点。
发明内容
本发明为克服上述现有技术所述的运行速度较慢、解的质量较差、寻优能力不够强的缺陷,提供一种移动机器人路径规划方法、系统、机器人及存储介质。
为解决上述技术问题,本发明的技术方案如下:
第一方面,一种移动机器人路径规划方法,包括以下步骤:
S1、采用栅格法将地图划分成1×1的方格,分别采用预设色块表示可通行区域或障碍物;
S2、建立数学模型如下:
minE(r)=αV(r)+βL(r)
s.t.λ(r)>0
其中,n表示路径经过的节点数;m表示转弯次数;b表示障碍物数量;路径r由n个节点组成,k=1,2,…,n;r=1,2,…,N,N表示鲸鱼种群规模;E(r)表示路径的基于路径安全性和运输距离的评价值;V(r)表示路径r的路径平滑度;L(r)表示路径r的长度;a、β为预设常数,分别表示路径r的安全性系数、距离权重系数;(x0,y0)、(xn+1,yn+1)分别表示路径的起点、终点坐标,(xk-1,yk-1)、(xk,yk)、(xk+1,yk+1)分别表示节点和的二维坐标;表示相邻节点间的欧氏距离;θk表示相邻两点的角度变量;O={O1,O2,…,Ob}表示障碍物的集合,Oj=(xj,yj),j=1,2,…,b;为两点的直线方程;表示障碍物Oj到直线的距离;sign表示符号函数;λ(r)表示路径r是否发生碰撞,λ(r)=-1表示两物体间距离为负,已经发生碰撞,λ(r)=0表示两物体间的距离为0,也视为发生碰撞,λ(r)=1表示两物体间的距离大于0,无发生碰撞;
S3、鲸鱼优化算法参数初始化,具体为:确定鲸鱼种群规模N、初始化最大迭代次数T、鲸鱼个体在搜索空间中的维度D;设置迭代计数器t,表示当前迭代次数,初始化t=1;
S4、采用Tent混沌序列策略对种群初始化;
S5、对所有鲸鱼个体执行线性等距插值策略添加新位置向量;
fitness=E(r);
S8、更新鲸鱼个体,进一步包括:
S81、生成[0,1]上均匀分布的随机数ρ,并按下式定义分割系数A:
其中,g1为[0,2π]上均匀分布的随机值,g2为[0,π]上均匀分布的随机值;t表示当前迭代次数;
S9、迭代计数器加1,t=t+1;判断当前迭代次数t是否达到最大迭代次数T:若是,则输出当前全局最优个体,并转入步骤S10;否则返回执行步骤S5;
S10、对当前全局最优个体线性等距插值,生成新个体,根据新个体的位置向量计算三次均匀B样条曲线pathz(q),采取分段拟合策略完成路径曲线构造;其中,z=0,1,2,…,3D-1;非减参数q∈[0,1],表示曲线变量。
第二方面,一种路径规划系统,应用第一方面提出的一种移动机器人路径规划方法,包括:
地图获取模块,用于获取地图并对地图进行栅格化处理,采用预设色块表示可通行区域或障碍物;还用于设置路径起点和终点;
模型构建模块,用于以基于路径安全性和运输距离生成的评价值最小作为目标函数构建数学模型,并对模型参数进行初始化;
寻优模块,用于采用鲸鱼优化算法、Tent混沌序列策略、线性等距插值策略对所述数学模型计算求解,生成全局最优个体;
路径生成模块,用于对全局最优个体进行线性等距插值生成新个体,并根据新个体包含的位置向量生成B样条曲线;所述B样条曲线即路径曲线。
第三方面,一种移动机器人,包括机器人本体、控制单元和移动单元,所述控制单元的输出端与所述移动单元的输入端连接,所述控制单元上搭载第二方面提出的一种路径规划系统,所述控制单元控制所述移动单元执行所述路径规划系统生成的路径曲线。
第四方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如第一方面提出的一种移动机器人路径规划方法。
第五方面,一种计算机存储介质,所述计算机存储介质中存储有指令,所述指令在计算机上执行时,使得所述计算机执行如第一方面提出的一种移动机器人路径规划方法。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供了一种移动机器人路径规划方法、系统、机器人及存储介质。其中,所述方法提出了一种改进的鲸鱼优化算法,提出改进的Tent混沌序列策略映射初始化种群,提出线性等距插值策略以提高算法的全局搜索能力和局部搜索能力。本发明所提出的移动机器人路径规划方法具有运行速度快、解的质量高、寻优能力强等特点,能够较好地解决实际问题。
附图说明
图1为移动机器人路径规划方法的流程图;
图2为实施例2中生成的最优路径示意图;
图3为实施例2中采用所述路径规划方法与采用基本鲸鱼优化算法生成路径对比示意图;
图4为实施例3中路径规划系统的架构图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提出一种移动机器人路径规划方法,参阅图1,包括以下步骤:
S1、采用栅格法将地图划分成1×1的方格,分别采用预设色块表示可通行区域或障碍物;
S2、建立数学模型如下:
minE(r)=αV(r)+βL(r)
s.t.λ(r)>0
其中,n表示路径经过的节点数;m表示转弯次数;b表示障碍物数量;路径r由n个节点组成,k=1,2,…,n;r=1,2,…,N,N表示鲸鱼种群规模;E(r)表示路径的基于路径安全性和运输距离的评价值;V(r)表示路径r的路径平滑度;L(r)表示路径r的长度;a、β为预设常数,分别表示路径r的安全性系数、距离权重系数;(x0,y0)、(xn+1,yn+1)分别表示路径的起点、终点坐标,(xk-1,yk-1)、(xk,yk)、(xk+1,yk+1)分别表示节点和的二维坐标;表示相邻节点间的欧氏距离;θk表示相邻两点的角度变量;O={O1,O2,…,Ob}表示障碍物的集合,Oj=(xj,yj),j=1,2,…,b;为两点的直线方程;表示障碍物Oj到直线的距离;sign表示符号函数;λ(r)表示路径r是否发生碰撞,λ(r)=-1表示两物体间距离为负,已经发生碰撞,λ(r)=0表示两物体间的距离为0,视为发生碰撞,λ(r)=1表示两物体间的距离大于0,无发生碰撞;
S3、鲸鱼优化算法参数初始化,具体为:确定鲸鱼种群规模N、初始化最大迭代次数T、鲸鱼个体在搜索空间中的维度D;设置迭代计数器t,表示当前迭代次数,初始化t=1;
S4、采用Tent混沌序列策略对种群初始化;
S5、对所有鲸鱼个体执行线性等距插值策略添加新位置向量;
fitness=E(r);
S8、更新鲸鱼个体,进一步包括:
S81、生成[0,1]上均匀分布的随机数ρ,并按下式定义分割系数A:
其中,g1为[0,2π]上均匀分布的随机值,g2为[0,π]上均匀分布的随机值;t表示当前迭代次数;
S9、迭代计数器加1,t=t+1;判断当前迭代次数t是否达到最大迭代次数T:若是,则输出当前全局最优个体,并转入步骤S10;否则返回执行步骤S5;
S10、对当前全局最优个体线性等距插值,生成新个体,根据新个体的位置向量计算三次均匀B样条曲线pathz(q),采取分段拟合策略完成路径曲线构造;其中,z=0,1,2,…,3D-1;非减参数q∈[0,1],表示曲线变量。
鲸鱼优化算法(Whale Optimization Algorithms,WOA)属于启发式优化算法,它是Mirjalili S通过观察座头鲸群体捕食设计出的创新思维算法,具有原理和参数设置简单、函数寻优能力强等特点,本实施例中,一个鲸鱼个体代表一种路径;采用Tent混沌序列策略对种群初始化,可以丰富种群多样性。
在一优选实施例中,所述步骤S4中,采用Tent混沌序列策略对种群初始化,包括:
S42、计算余下N-1个鲸鱼个体的位置向量;
S43、将鲸鱼个体位置向量映射到解空间,映射过程表达式如下:
式中,ubv、lbv分别表示解空间的上下界,v=1,2;其中,ub1、lb1分别为x坐标值的上下界,ub2、lb2分别为y坐标值的上下界。
示范性的,ubv、lbv为实数。
在一可选实施例中,所述步骤S42中,余下N-1个鲸鱼个体的位置向量采用下式计算:
在一优选实施例中,所述步骤S5中,对所有鲸鱼执行线性等距插值策略添加新位置向量,包括:
式中,s=1,2,...,D。
c1=aτ+b(1-τ)
c2=a(1-τ)+bτ
其中,代表第t代鲸鱼个体,代表第t+1代鲸鱼个体,代表当前全局最优个体,代表从N条鲸鱼中随机选取的一条鲸鱼个体,c1和c2是通过黄金分割数得到的系数,a、u1、u2和b分别为(0,π)和(-π,0)的均匀分布随机值。
在一优选实施例中,所述步骤S10中,根据新个体的位置向量计算三次均匀B样条曲线pathz(q),采取分段拟合策略完成路径曲线构造,包括:
S101、根据新个体的位置向量生成三次均匀B样条曲线pathz(q),其是由非减参数q的序列Q:0≤q1≤q2≤...≤q10≤1所决定的三次多项式,表达式如下:
式中,q∈[0,1],预设值q1,q2,...,q10为[0,1]上递增的等差数列,将q1,q2,...,q10的值代入pathz(q)中,将获得的点集连接后得到三次均匀B样条曲线,z=0,1,2,…,3D-1,为全局最优个体线性等距插值后的新个体的第z个位置向量;
S102、采取分段拟合策略,以相邻四个位置向量绘出第z条B样条曲线,绘出共3D条曲线段,然后将绘制的各段曲线平滑连接,形成一条曲率连续的光滑曲线,即最终路径Path;最终路径Path的表达式为3D条所拟合的三次B样条曲线组成的分段函数,表达式如下:
实施例2
本实施例应用实施例1提出的一种移动机器人路径规划方法,参阅图1,包括:
S1、采用栅格法将20×40的地图划分成1×1的方格,预设白色色块代表可通行区域,预设黑色色块代表障碍物。
S2、建立数学模型:
minE(r)=αV(r)+βL(r) (1)
s.t.λ(r)>0
其中,路径经过的节点数n=14,转弯次数m=14,障碍物数量b=40,路径r的安全性系数a=0.3,距离权重系数β=0.67,路径r由n个节点组成,k=1,2,…,n,r=1,2,…,N,N为鲸鱼种群规模;E(r)表示路径的基于路径安全性和运输距离的评价值,V(r)(单位:弧度)表示路径r的路径平滑度,L(r)(单位:米)表示路径r的长度;(xk-1,yk-1)、(xk,yk)、(xk+1,yk+1)分别表示节点 和的二维坐标,路径的起点、终点分别为(1,1)、(19,39);表示相邻节点间的欧氏距离,θk表示相邻两点的角度变量;O={O1,O2,…,Ob}表示障碍物的集合,Oj=(xj,yj),j=1,2,…,b;为两点的直线方程;表示Oj到直线的距离;sign表示符号函数,λ(r)表示路径r是否发生碰撞,λ(r)=-1时表示两物体间距离为负,已经发生碰撞,λ(r)=0时表示两物体间的距离为0,也视为发生碰撞,λ(r)=1时表示两物体间的距离大于0,无发生碰撞。
S3、鲸鱼优化算法参数初始化:设置鲸鱼种群规模N=100,最大迭代次数T=100,维度D=4,当前迭代次数t=1。
S4、采用Tent混沌序列策略对种群初始化,进一步包括:
S42、按式(6)计算余下N-1个鲸鱼个体的位置向量:
S43、按式(8)将鲸鱼个体位置向量映射到解空间:
式中,v=1,2,ub1=20,ub2=40,lb1=0,lb2=0。
fitness=E(r) (10)
S8、更新鲸鱼个体,进一步包括:
S81、确定ρ、A:在[0,1]上生成均匀分布随机数ρ,并按式(11)计算分割系数A:
其中,g1为[0,2π]上均匀分布的随机值,g2为[0,π]上均匀分布的随机值,t为当前迭代次数。
c1=aτ+b(1-τ) (15)
c2=a(1-τ)+bτ (16)
其中,代表第t代鲸鱼个体,代表第t+1代鲸鱼个体,代表当前全局最优个体,代表从N条鲸鱼中随机选取的一条鲸鱼个体,c1和c2是通过黄金分割数得到的系数,a、u1、u2和b分别为(0,π)和(-π,0)的均匀分布随机值。
S10、对当前全局最优个体线性等距插值,生成新个体根据新个体的位置向量计算三次均匀B样条曲线pathz(q),采取分段拟合策略完成路径曲线构造;其中,z=0,1,2,…,3D-1;非减参数q∈[0,1],表示曲线变量;具体为:
S101、根据新个体的位置向量生成三次均匀B样条曲线pathz(q),其是由非减参数q的序列Q:0≤q1≤q2≤...≤q10≤1所决定的三次多项式,表达式如下:
式中,q∈[0,1],预设值q1,q2,...,q10为[0,1]上递增的等差数列,此处q1=0.1,q2=0.2,...,q9=0.9,q10=1,将q1,q2,...,q10的值代入pathz(q)中,将获得的点集连接得到三次均匀B样条曲线,z=0,1,2,…,3D-1,为全局最优个体线性等距插值后的新个体的第z个位置向量;
式中,q∈[0,1],预设值q1,q2,...,q10为[0,1]上递增的等差数列,将q1,q2,...,q10的值代入pathz(q)中,将获得的点集连接后得到三次均匀B样条曲线,z=0,1,2,…,3D-1,为全局最优个体线性等距插值后的新个体的第z个位置向量;
S102、采取分段拟合策略,以相邻四个位置向量绘出第z条B样条曲线,绘出共3D条曲线段;然后将绘制的各段曲线平滑连接,形成一条曲率连续的光滑曲线,即最终路径Path;最终路径Path的表达式为3D条所拟合的三次B样条曲线组成的分段函数。即,Path按下式计算:
本实施例最终输出的最优个体即最优路径如图2所示。
本实施例所应用的移动机器人路径规划方法路径采用了改进的Tent混沌序列策略映射初始化种群、改进的黄金正弦策略,提出线性等距插值策略,提高了算法的全局搜索能力和局部搜索能力。
此外,本实施例还对仅采用基本鲸鱼优化算法的路径规划方法进行了对比实验,对比结果如图3及
表1所示。
表1效果对比一览表
可以看出,相比于仅采用基本鲸鱼优化算法,本实施例所应用的移动机器人路径规划方法路径生成速度更快、解的质量更高、寻优能力更强。
实施例3
本实施例提出一种路径规划系统,应用实施例1提出的一种移动机器人路径规划方法,参阅图4,包括:
地图获取模块,用于获取地图并对地图进行栅格化处理,采用预设色块表示可通行区域或障碍物;还用于设置路径起点和终点;
模型构建模块,用于以基于路径安全性和运输距离生成的评价值最小作为目标函数构建数学模型,并对模型参数进行初始化;
寻优模块,用于采用鲸鱼优化算法、Tent混沌序列策略、线性等距插值策略对所述数学模型计算求解,生成全局最优个体;
路径生成模块,用于对全局最优个体进行线性等距插值生成新个体,并根据新个体包含的位置向量生成若干条B样条曲线,将所述B样条曲线平滑连接后得到路径曲线。
实施例4
本实施例提出一种移动机器人,包括机器人本体、控制单元和移动单元,所述控制单元的输出端与所述移动单元的输入端连接,所述控制单元上搭载实施例2中提出的一种路径规划系统,所述控制单元控制所述移动单元执行所述路径规划系统生成的路径曲线。
实施例5
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现实施例1中提出的一种移动机器人路径规划方法。
在一具体实施过程中,所述计算机设备为云端设备。
实施例6
一种计算机存储介质,所述计算机存储介质中存储有指令,所述指令在计算机上执行时,使得所述计算机执行实施例1中提出的一种移动机器人路径规划方法。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种移动机器人路径规划方法,其特征在于,包括以下步骤:
S1、采用栅格法将地图划分成1×1的方格,分别采用预设色块表示可通行区域或障碍物;
S2、建立数学模型如下:
minE(r)=αV(r)+βL(r)
s.t.λ(r)>0
其中,n表示路径经过的节点数;m表示转弯次数;b表示障碍物数量;路径r由n个节点组成,k=1,2,…,n;r=1,2,…,N,N表示鲸鱼种群规模;E(r)表示路径的基于路径安全性和运输距离的评价值;V(r)表示路径r的路径平滑度;L(r)表示路径r的长度;a、β为预设常数,分别表示路径r的安全性系数、距离权重系数;(x0,y0)、(xn+1,yn+1)分别表示路径的起点、终点坐标,(xk-1,yk-1)、(xk,yk)、(xk+1,yk+1)分别表示节点和的二维坐标;表示相邻节点间的欧氏距离;θk表示相邻两点的角度变量;O={O1,O2,…,Ob}表示障碍物的集合,Oj=(xj,yj),j=1,2,…,b;为两点的直线方程;表示障碍物Oj到直线的距离;sign表示符号函数;λ(r)表示路径r是否发生碰撞,当λ(r)=-1或0时表示发生碰撞,λ(r)=1时表示无发生碰撞;
S3、鲸鱼优化算法参数初始化,具体为:确定鲸鱼种群规模N、初始化最大迭代次数T、鲸鱼个体在搜索空间中的维度D;设置迭代计数器t,表示当前迭代次数,初始化t=1;
S4、采用Tent混沌序列策略对种群初始化;
S5、对所有鲸鱼个体执行线性等距插值策略添加新位置向量;
fitness=E(r);
S8、更新鲸鱼个体,进一步包括:
S81、生成[0,1]上均匀分布的随机数ρ,并按下式定义分割系数A:
其中,g1为[0,2π]上均匀分布的随机值,g2为[0,π]上均匀分布的随机值;t表示当前迭代次数;
S9、迭代计数器加1,t=t+1;判断当前迭代次数t是否达到最大迭代次数T:若是,则输出当前全局最优个体,并转入步骤S10;否则返回执行步骤S5;
S10、对当前全局最优个体线性等距插值,生成新个体,根据新个体的位置向量计算三次均匀B样条曲线pathz(q),采取分段拟合策略完成路径曲线构造;其中,z=0,1,2,…,3D-1;非减参数q∈[0,1],表示曲线变量。
7.根据权利要求1所述的一种移动机器人路径规划方法,其特征在于,所述步骤S10中,根据新个体的位置向量计算三次均匀B样条曲线pathz(q),采取分段拟合策略完成路径曲线构造,包括:
S101、根据新个体的位置向量生成三次均匀B样条曲线pathz(q),其是由非减参数q的序列Q:0≤q1≤q2≤...≤q10≤1所决定的三次多项式,表达式如下:
式中,q∈[0,1],预设值q1,q2,...,q10为[0,1]上递增的等差数列,将q1,q2,...,q10的值代入pathz(q)中,获得的点集连接起来得到三次均匀B样条曲线;
S102、采取分段拟合策略,以相邻四个位置向量绘出第z条B样条曲线,绘出共3D条曲线段,然后将绘制的各段曲线平滑连接,形成一条曲率连续的光滑曲线,即最终路径Path;最终路径Path的表达式为3D条所拟合的三次B样条曲线组成的分段函数,表达式如下:
8.一种路径规划系统,应用权利要求1至6中任一项所述的方法,其特征在于,
包括:
地图获取模块,用于获取地图并对地图进行栅格化处理,采用预设色块表示可通行区域或障碍物;还用于设置路径起点和终点;
模型构建模块,用于以基于路径安全性和运输距离生成的评价值最小作为目标函数构建数学模型,并对模型参数进行初始化;
寻优模块,用于采用鲸鱼优化算法、Tent混沌序列策略、线性等距插值策略对所述数学模型计算求解,生成全局最优个体;
路径生成模块,用于对全局最优个体进行线性等距插值生成新个体,并根据新个体包含的位置向量生成若干条B样条曲线,将所述B样条曲线平滑连接后得到路径曲线。
9.一种移动机器人,包括机器人本体、控制单元和移动单元,所述控制单元的输出端与所述移动单元的输入端连接,其特征在于,所述控制单元上搭载权利要求7所述的一种路径规划系统,所述控制单元控制所述移动单元执行所述路径规划系统生成的路径曲线。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有指令,所述指令在计算机上执行时,使得所述计算机执行如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211619962.6A CN115933668A (zh) | 2022-12-15 | 2022-12-15 | 移动机器人路径规划方法、系统、机器人及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211619962.6A CN115933668A (zh) | 2022-12-15 | 2022-12-15 | 移动机器人路径规划方法、系统、机器人及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115933668A true CN115933668A (zh) | 2023-04-07 |
Family
ID=86553777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211619962.6A Pending CN115933668A (zh) | 2022-12-15 | 2022-12-15 | 移动机器人路径规划方法、系统、机器人及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115933668A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117091608A (zh) * | 2023-10-17 | 2023-11-21 | 山东怀思人工智能科技有限公司 | 一种教育机器人的路径规划方法、设备及介质 |
CN117288209A (zh) * | 2023-11-27 | 2023-12-26 | 南昌工程学院 | 一种变压器声级测定方法及系统 |
CN117705123A (zh) * | 2024-02-01 | 2024-03-15 | 戴盟(深圳)机器人科技有限公司 | 一种轨迹规划方法、装置、设备及存储介质 |
-
2022
- 2022-12-15 CN CN202211619962.6A patent/CN115933668A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117091608A (zh) * | 2023-10-17 | 2023-11-21 | 山东怀思人工智能科技有限公司 | 一种教育机器人的路径规划方法、设备及介质 |
CN117091608B (zh) * | 2023-10-17 | 2023-12-29 | 山东怀思人工智能科技有限公司 | 一种教育机器人的路径规划方法、设备及介质 |
CN117288209A (zh) * | 2023-11-27 | 2023-12-26 | 南昌工程学院 | 一种变压器声级测定方法及系统 |
CN117288209B (zh) * | 2023-11-27 | 2024-01-30 | 南昌工程学院 | 一种变压器声级测定方法及系统 |
CN117705123A (zh) * | 2024-02-01 | 2024-03-15 | 戴盟(深圳)机器人科技有限公司 | 一种轨迹规划方法、装置、设备及存储介质 |
CN117705123B (zh) * | 2024-02-01 | 2024-04-09 | 戴盟(深圳)机器人科技有限公司 | 一种轨迹规划方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115933668A (zh) | 移动机器人路径规划方法、系统、机器人及存储介质 | |
WO2021135554A1 (zh) | 一种无人车全局路径规划方法和装置 | |
CN109885891B (zh) | 一种智能车gpu并行加速轨迹规划方法 | |
Song et al. | Online inspection path planning for autonomous 3D modeling using a micro-aerial vehicle | |
CN109782779B (zh) | 基于种群超启发式算法的洋流环境下auv路径规划方法 | |
CN113093727A (zh) | 一种基于深度安全强化学习的机器人无地图导航方法 | |
Deng et al. | Multi-obstacle path planning and optimization for mobile robot | |
Ho et al. | Collision-free curvature-bounded smooth path planning using composite Bezier curve based on Voronoi diagram | |
Fan et al. | The ant colony optimization for ship pipe route design in 3D space | |
Du et al. | An improved RRT-based motion planner for autonomous vehicle in cluttered environments | |
Martins et al. | An Improved multi-objective a-star algorithm for path planning in a large workspace: Design, Implementation, and Evaluation | |
Artuñedo et al. | A primitive comparison for traffic-free path planning | |
Saulnier et al. | Information theoretic active exploration in signed distance fields | |
CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
CN113190006B (zh) | 一种机器人路径规划方法、装置及存储介质 | |
CN108106624A (zh) | 一种多人预约调度路径规划方法及相关装置 | |
CN111307153A (zh) | 基于六边形栅格地图的多auv任务分配与路径规划方法 | |
Peng et al. | Three-dimensional multi-constraint route planning of unmanned aerial vehicle low-altitude penetration based on coevolutionary multi-agent genetic algorithm | |
Bouton et al. | Utility decomposition with deep corrections for scalable planning under uncertainty | |
Li et al. | Mobile robot path planning based on improved genetic algorithm with A-star heuristic method | |
CN111189455A (zh) | 一种基于改进生物地理学算法结合贝塞尔函数的无人机航路规划方法、系统及存储介质 | |
Qiu | Multi-agent navigation based on deep reinforcement learning and traditional pathfinding algorithm | |
Allahviranloo et al. | Iterative method for fuzzy equations | |
CN113721622A (zh) | 一种机器人路径规划方法 | |
Wu et al. | 3D multi-constraint route planning for UAV low-altitude penetration based on multi-agent genetic algorithm |
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 |