CN116125995A - 一种高铁巡检机器人的路径规划方法及系统 - Google Patents
一种高铁巡检机器人的路径规划方法及系统 Download PDFInfo
- Publication number
- CN116125995A CN116125995A CN202310349256.2A CN202310349256A CN116125995A CN 116125995 A CN116125995 A CN 116125995A CN 202310349256 A CN202310349256 A CN 202310349256A CN 116125995 A CN116125995 A CN 116125995A
- Authority
- CN
- China
- Prior art keywords
- inspection robot
- speed
- path
- function
- obstacle
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 144
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 64
- 230000003068 static effect Effects 0.000 claims abstract description 52
- 238000005265 energy consumption Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 56
- 238000005070 sampling Methods 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 47
- 238000011156 evaluation Methods 0.000 claims description 44
- 230000001133 acceleration Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 14
- 230000000739 chaotic effect Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000013138 pruning Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 101150064138 MAP1 gene Proteins 0.000 claims 1
- 101150077939 mapA gene Proteins 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000001276 controlling effect Effects 0.000 description 11
- 230000004888 barrier function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
-
- 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)
- 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)
Abstract
本发明公开一种高铁巡检机器人的路径规划方法及系统，方法包括：获取高铁站的环境信息，根据环境信息构建点云地图，其中，点云地图中包含静态障碍物点云和动态障碍物点云提取静态障碍物点云，根据静态障碍物点云构建2D栅格地图，并在2D栅格地图中使用改进的
算法进行全局路径规划，生成全局最优路径；对巡检机器人进行运动学建模，并基于改进的DWA算法控制巡检机器人在沿着全局最优路径巡检时躲避局部动态障碍物，使得到最终巡检路线。提高了巡检路径生成速率，增强了对动态障碍物躲避能力，控制了巡检机器人能量消耗，有利于高铁站巡检机器人的应用。
Description
技术领域
本发明属于路径优化技术领域，尤其涉及一种高铁巡检机器人的路径规划方法及系统。
背景技术
高铁站数量多、建筑规模大 、现场环境复杂。传统仅靠肉眼巡视的模式，不仅工作量大、信息传递慢、效率低、维护成本高，且一旦危险发生时不能及时响应处理，高铁站巡检机器人的出现有效缓解了这些问题，所以高铁站巡检机器人是近几年的研究热点。国内外学者在巡检机器人方面，进行了大量的研究，巡检机器人是一种能够自主运动，识别障碍物，生成运动轨迹并按照轨迹运动的智能系统，路径规划是巡检机器人诸多技术中不可或缺的重要组成部分，目的是在含障碍物空间中规划出一条无碰撞且距离最近的路径。
根据目前的研究成果来看，RRT算法是一种经典的基于图采样算法，同样可以应用于路径规划问题；然而，RRT算法存在以下不足：（1）不是最优解；（2）节点采样效率低下；（3）路径不平滑；（4）无法躲避局部动态障碍；因此，RRT算法仍然存在有一些缺陷，使得算法容易陷入局部最优，在进行巡检机器人路径规划时，往往达不到理想的路径规划效果。
为此，本发明提出了一种高铁巡检机器人的路径规划方法及系统。
发明内容
本发明提供一种高铁巡检机器人的路径规划方法及系统，克服了传统RRT算法存在的几点不足，显著减少随机采样点，缩短路径生成时间同时有效的躲避动态障碍物。
第一方面，本发明提供一种高铁巡检机器人的路径规划方法，包括：获取高铁站的环境信息，根据所述环境信息构建点云地图，其中，所述点云地图中包含静态障碍物点云和动态障碍物点云；提取所述静态障碍物点云，根据所述静态障碍物点云构建2D栅格地图，并在所述2D栅格地图中使用改进的算法进行全局路径规划，生成全局最优路径；对巡检机器人进行运动学建模，并基于改进的DWA算法控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物，使得到最终巡检路线，其中，得到最终巡检路线过程具体包括：
在全局化时生成的栅格地图上加入动态障碍物信息，同时将全局最优路径中的个路径点坐标存入集合中，并根据预设选取公式在集合中选取预设个数的路径点作为局部路径规划的临时目标点，其中，预设选取公式为：
，
式中，为临时目标点坐标，为临时目标节点筛选系数，为第个路径点坐标，为静态障碍物权值，为动态障碍物权值，为巡检机器人的质量；
计算预设个数的表达式为：
，
式中，为目标点个数权重，为第个路径点坐标，为第个路径点坐标，为起始节点，为目标点；
通过调节左右轮驱动速度来控制巡检机器人沿着局部路径规划的临时目标点移动，并对巡检机器人进行运动学建模，其中，运动学建模中包含巡检机器人的最大速度、最大加速度、线速度和角速度；
融合人工势场算法，给局部动态障碍物增加斥力场，约束巡检机器人的最大速度和最大加速度；
根据获取的动态障碍物信息预测动态障碍物的速度和航向，根据所述动态障碍物的速度和航向优化巡检机器人的线速度和角速度，其中，预测动态障碍物的速度和航向的表达式为：
，
，
，
式中，为动态障碍物的线速度，为线速度预测系数，为动态障碍物第个位置和第个位置，为预测时间，为线速度调节比例，为动态障碍物的角速度，为角速度预测系数，为动态障碍物第个角度和第个角度，为角速度调节比例，为动态障碍物的航向，为航向预测系数，为动态障碍物第个航向和第个航向，为航向调节比例；
优化巡检机器人的线速度和角速度的表达式为：
，
，
式中，为线速度增益权重，为角速度增益权重，为线速度优化比例，为角速度优化比例，为巡检机器人当前线速度，为巡检机器人当前角速度，为巡检机器人航向，为优化后的巡检机器人的线速度，为优化后的巡检机器人角速度；
根据改进的DWA算法的评价函数控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物，使得到最终巡检路线。
第二方面，本发明提供一种高铁巡检机器人的路径规划系统，包括：获取模块，配置为获取高铁站的环境信息，根据所述环境信息构建点云地图，其中，所述点云地图中包含静态障碍物点云和动态障碍物点云；构建模块，配置为提取所述静态障碍物点云，根据所述静态障碍物点云构建2D栅格地图，并在所述2D栅格地图中使用改进的算法进行全局路径规划，生成全局最优路径；生成模块，配置为对巡检机器人进行运动学建模，并基于改进的DWA算法控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物，使得到最终巡检路线，其中，得到最终巡检路线过程具体包括：
在全局化时生成的栅格地图上加入动态障碍物信息，同时将全局最优路径中的个路径点坐标存入集合中，并根据预设选取公式在集合中选取预设个数的路径点作为局部路径规划的临时目标点，其中，预设选取公式为：
，
式中，为临时目标点坐标，为临时目标节点筛选系数，为第个路径点坐标，为静态障碍物权值，为动态障碍物权值，为巡检机器人的质量；
计算预设个数的表达式为：
，
式中，为目标点个数权重，为第个路径点坐标，为第个路径点坐标，为起始节点，为目标点；
通过调节左右轮驱动速度来控制巡检机器人沿着局部路径规划的临时目标点移动，并对巡检机器人进行运动学建模，其中，运动学建模中包含巡检机器人的最大速度、最大加速度、线速度和角速度；
融合人工势场算法，给局部动态障碍物增加斥力场，约束巡检机器人的最大速度和最大加速度；
根据获取的动态障碍物信息预测动态障碍物的速度和航向，根据所述动态障碍物的速度和航向优化巡检机器人的线速度和角速度，其中，预测动态障碍物的速度和航向的表达式为：
，
，
，
式中，为动态障碍物的线速度，为线速度预测系数，为动态障碍物第个位置和第个位置，为预测时间，为线速度调节比例，为动态障碍物的角速度，为角速度预测系数，为动态障碍物第个角度和第个角度，为角速度调节比例，为动态障碍物的航向，为航向预测系数，为动态障碍物第个航向和第个航向，为航向调节比例；
优化巡检机器人的线速度和角速度的表达式为：
，
，
式中，为线速度增益权重，为角速度增益权重，为线速度优化比例，为角速度优化比例，为巡检机器人当前线速度，为巡检机器人当前角速度，为巡检机器人航向，为优化后的巡检机器人的线速度，为优化后的巡检机器人角速度。
根据改进的DWA算法的评价函数控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物，使得到最终巡检路线。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的高铁巡检机器人的路径规划方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的高铁巡检机器人的路径规划方法的步骤。
本申请的高铁巡检机器人的路径规划方法及系统，提高了巡检路径生成速率，增强了对动态障碍物躲避能力，控制了巡检机器人能量消耗，有利于高铁站巡检机器人的应用。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1为本发明一实施例提供的一种高铁巡检机器人的路径规划方法的流程图；
图2是本发明实施的改进算法流程图；
图3是本发明实施的重选父节点和剪枝示意图；
图4是本发明实施的采样区域图；
图5是本发明实施的去冗余示意图；
图6为本发明一实施例提供的一种高铁巡检机器人的路径规划系统的结构框图；
图7是本发明一实施例提供的电子设备的结构示意图。
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。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。
实施例一
请参阅图1，其示出了本申请的一种高铁巡检机器人的路径规划方法的流程图。
如图1所示，步骤S101，获取高铁站的环境信息，根据所述环境信息构建点云地图，其中，所述点云地图中包含静态障碍物点云和动态障碍物点云；
步骤S102，提取所述静态障碍物点云，根据所述静态障碍物点云构建2D栅格地图，并在所述2D栅格地图中使用改进的算法进行全局路径规划，生成全局最优路径；
步骤S103，对巡检机器人进行运动学建模，并基于改进的DWA算法控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物，使得到最终巡检路线。
在本实施例中，在全局化时生成的栅格地图上加入动态障碍物信息，同时将全局最优路径中的个路径点坐标存入集合中，并根据预设选取公式在集合中选取预设个数的路径点作为局部路径规划的临时目标点，其中，预设选取公式为：
，
式中，为临时目标点坐标，为临时目标节点筛选系数，为第个路径点坐标，为静态障碍物权值，为动态障碍物权值，为巡检机器人的质量；
计算预设个数的表达式为：
，
式中，为目标点个数权重，为第个路径点坐标，为第个路径点坐标，为起始节点，为目标点；
通过调节左右轮驱动速度来控制巡检机器人沿着局部路径规划的临时目标点移动，并对巡检机器人进行运动学建模，其中，运动学建模中包含巡检机器人的最大速度、最大加速度、线速度和角速度；
融合人工势场算法，给局部动态障碍物增加斥力场，约束巡检机器人的最大速度和最大加速度；
根据获取的动态障碍物信息预测动态障碍物的速度和航向，根据所述动态障碍物的速度和航向优化巡检机器人的线速度和角速度，其中，预测动态障碍物的速度和航向的表达式为：
，
，
，
式中，为动态障碍物的线速度，为线速度预测系数，为动态障碍物第个位置和第个位置，为预测时间，为线速度调节比例，为动态障碍物的角速度，为角速度预测系数，为动态障碍物第个角度和第个角度，为角速度调节比例，为动态障碍物的航向，为航向预测系数，为动态障碍物第个航向和第个航向，为航向调节比例；
优化巡检机器人的线速度和角速度的表达式为：
，
，
式中，为线速度增益权重，为角速度增益权重，为线速度优化比例，为角速度优化比例，为巡检机器人当前线速度，为巡检机器人当前角速度，为巡检机器人航向，为优化后的巡检机器人的线速度，为优化后的巡检机器人角速度；
根据改进的DWA算法的评价函数控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物，使得到最终巡检路线。
本实施例的方法，提高了巡检路径生成速率，增强了对动态障碍物躲避能力，控制了巡检机器人能量消耗，有利于高铁站巡检机器人的应用。
实施例二
本发明提出高铁站巡检机器人的路径规划方法，具体包括以下步骤：
S1，机载深度相机提取高铁站环境，获取含障碍物地图模型，区分静态障碍物与动态碍物。
在本实施例中，机载深度相机提取高铁站环境，获取含障碍物地图模型，区分静态障碍物与动态碍物；在巡检机器人上安装奥比中光Astar Pro深度相机，对高铁站进行采样，生成点云地图，高铁站环境复杂，面向场景多样，建筑规模庞大，当对其进行建模时，需要区分静态障碍物和动态障碍物，静态障碍物为：墙体，座椅，供电设备，安检机器等，动态障碍物主要是人。
S2，在栅格化地图中使用改进算法进行全局路径规划，生成全局最优路径。
在本实施例中，在栅格化地图中使用改进算法进行全局路径规划，生成全局最优路径，如图2所示，具体步骤为：
步骤S2.1、提取高铁站点云地图中静态障碍物点云，生成不含动态障碍物的2D栅格地图，增加膨胀距离，具体内容指：由于全局规划算法无法在含有动态障碍物地图中进行路径规划，需对静态障碍物点云提取，生成只含静态障碍物点云地图，将其进行栅格化，进行栅格化地图时需要对静态障碍物增加膨胀距离，静态障碍物膨胀距离和动态障碍物膨胀距离不同，需要根据巡检机器人巡航速度和巡检机器人最大加速度amax来计算：
，
式中，为安全距离，为巡检机器人的巡航速度，为巡检机器人的最大加速度。
步骤S2.2、固定最大迭代次数，迭代次数对算法起着决定性的作用，迭代次数越多，生成路径越优，当迭代次数超出一定的数量级之后，超出的迭代次数可能对路径的修剪效果微乎其微，却对计算机的计算量和内存带来负担，所以需要提前设置一个最大迭代次数，使生成较优路径的同时节约计算机内存。
步骤S2.3、融合混沌算法生成随机采样节点，防止算法在采样空间采样时陷入局部最优，具体内容指：混沌运动是非线性系统中存在的一种现象，混沌算法可以在采样空间中不重复的遍历所有点，具有随机性和遍历性，其通常是使用Logistic映射：
，
式中，为控制参数，为下一个混沌矢量，为当前混沌矢量，，为矢量索下标，为矢量总数；
Logistic将产生混沌现象，随着迭代的进行，将遍历整个(0,1)，由混沌算法随机生成一个二维向量,将二维向量,按照映射到相应的采样空间，为二维向量的分量，、均为尺度变换常数，随机生成采样点，可以防止在狭小采样空间中采不到点，避免陷入局部最优。
步骤S2.4、采用自适应采样函数，约束初始路径生成之前的采样空间，具体内容指：将临时起始点、临时目标点和所述2D栅格地图的坐标信息输入函数，将采样空间约束在起始点周围且包括临时起始点，大小为2D栅格地图的1/4区域内，即为采样空间；当生成随机树超过采样空间，将临时目标点设置成有效采样点，其中，自适应采样函数的表达式为：
，
式中，为随机数，表示栅格地图边长比例。
步骤S2.5、融合RRT-connect算法，从起始点和目标点同时生长快速随机搜索树，加快路径生成速度，具体内容指：从起始点生长的树Tree1在所述采样空间中，以目标点为临时目标点，根据混沌序列生成一个有效采样节点，在树Tree1找到新节点，对新节点进行碰撞检测，如果不发生碰撞则将生成的树枝和节点加入树Tree1；再从目标点生长的树Tree2在所述采样空间中，以树Tree1中新节点为临时目标点，根据混沌算法生成另一个有效采样节点，在树Tree2找到新节点，对新节点进行碰撞检测，如果不发生碰撞则将生成的树枝和节点加入树Tree2，树Tree1和树Tree2向着彼此的方向生长，直至连接成初始路径。
步骤S2.6、增加重选父节点和剪枝函数，优化随机树的节点与树枝，具体内容指：根据重选父节点函数和剪枝函数对随机树的节点与树枝进行优化，其中，优化过程包括：重选父节点函数，当新找到的节点加入随机树后，以节点为圆心形成一个圆，计算圆中覆盖的节点与节点的距离出，并将距离最短点与节点连接起来，将距离最短点与节点加入随机树；当节点已经加入随机树，在圆中寻找是否有其他节点与节点连接之后，形成到起始节点的新路径，比与父节点相连时路径短，若存在就将其他节点与节点相连，将其他节点与父节点之间的树枝去除，如图3所示。
步骤S2.7、通过启发式采样函数，将初始路径后的采样空间限制在一个椭圆采样空间内部，具体内容指：当RRT*算法生成第一条路径之后将采样空间限制在一个椭圆采样空间内部，以起始点和目标点为焦点，由椭圆的性质可知，椭圆内的点与两焦点的距离长度之和小于椭圆上的点与两焦点的距离长度之和：
，
，
式中，a为长轴的一半,b为短轴的一半，c为焦点的横坐标；
Informed-RRT*算法的核心实现是先在单位圆中随机采样，经过矩阵运算，旋转等可以获得椭圆随机采样区域样本子集:
,
,
式中，为椭圆随机采样区域样本子集，为单位圆随机采样区域样本子集，L为单位圆转换椭圆的系数，为起始点与目标点的中点，如图4所示。
步骤S2.8、融合贪心算法选择出在当前状况下的最优父节点，进行碰撞检测，生成去冗余路径，具体内容指：贪心算法是一种快速、性能好，广泛用来求解最短路径的算法，贪心算法会选择出在当前状况下的最优父节点，对它所选择的父节点进行碰撞检测，故最终生成的路径不会与障碍物碰撞，如图5所示。
步骤S2.9、考虑巡检机器人的运动学特性，融合B样条对已经去冗余路径进行平滑性约束，具体内容指：B样条曲线可以将去冗余路径的关键点作为B样条曲线基函数控制点，生成曲率连续的平滑路径; 设存在n+1个控制点，k阶B样条曲线定义为：
，
，
式中，为B样条曲线函数，为k次B样条基函数，为组合数，计算方式为， 为节点向量，为B样条的幂次，为次B样条基函数的数量，为k次B样条基函数的系数；
采用三次 B样条曲线函数平滑约束去冗余路径，并融合障碍物碰撞检测函数，得到全局最优路径，其中，三次 B样条曲线函数的表达式为：
，
式中，为改进三次B样条曲线函数，为障碍物评价系数，为障碍物的边缘与路径之间的夹角。
步骤S2.10、将生成的全局最优路径中的关键节点提取，为后面改进DWA算法提供临时目标点。
S3，对巡检机器人进行运动学建模，融合改进DWA算法，巡检机器人沿着全局最优路径巡检时躲避局部动态障碍物。优选地，机载深度相机提取高铁站环境，获取含障碍物地图模型，区分静态障碍物与动态碍物；在巡检机器人上安装奥比中光Astar Pro深度相机，对高铁站进行采样，生成点云地图，高铁站环境复杂，面向场景多样，建筑规模庞大，当对其进行建模时，需要区分静态障碍物和动态障碍物，静态障碍物为：墙体，座椅，供电设备，安检机器等，动态障碍物主要是人。
在本实施例中，对巡检机器人进行运动学建模，融合改进DWA算法，巡检机器人沿着全局最优路径巡检时躲避局部动态障碍物，具体步骤包括：
步骤S3.1、在全局化时生成的栅格地图上加入全局路径提供的临时目标点，同时加入动态障碍物信息，具体内容指：提取全局最优路径中的关键点，将其作为局部路径规划的临时目标点，加入动态障碍物信息，对其增加膨胀距离，静态障碍物膨胀距离和动态障碍物膨胀距离不同，动态障碍物的膨胀系数为1.5倍安全距离。
步骤S3.2、巡检机器人运动学建模，具体内容指：速度建模移动机器人常见的运动方式分为两大类，一类是差速驱动机器人模型，另一类为全向移动机器人模型。本申请选用差速驱动机器人模型，通过调节左右轮驱动速度来控制机器人的运动。对其进行运动学建模，将其线速度和角速度进行采样。如下公式所示机器人模型在一段时间内做匀速运动：
，
式中， 、、为时刻机器人在世界坐标系的位姿，、、为时刻机器人在世界坐标系的位姿，为时刻线速度，为时刻角速度，为一段时间；
步骤S3.3、融合人工势场算法，给局部动态障碍物增加斥力场，约束移动机器人的最大速度和加速度，具体内容指：由于高铁站中动态障碍物主要是人，躲避动态障碍物时需要算法限制移动机器人的最大，最小速度，以防止巡检机器人将人撞伤，将临时目标点上加上引力场，动态障碍物上加上斥力场，传统的引力场的表达式：
，
式中，为引力场数值，为到目标位置的距离，为引力增益常数；传统的斥力场的表达式：
，
式中，为斥力场数值，为与障碍物的距离，为斥力增益常数，为障碍物的影响范围；
运动的方向由力场函数取负梯度产生：
，
，
式中，为引力，为斥力，为调节因子；
巡检机器人受到的总势能和总合力为:
，
；
式中，为势能的梯度；
结合自身模型的限制，硬件的上限，环境的约束，可得出最大和最小速度范围：
，
式中，为人工势场约束线速度的加权系数，为人工势场约束角速度的加权系数，为最大速度，为最小速度，为最大线速度，为最小线速度，为巡检机器人当前线速度；
巡检机器人运动是靠电机驱动，存在速度约束，在DWA算法中，机器人模型受加速度的影响的最大和最小速度范围：
，
式中，为人工势场约束线加速度的加权系数，为人工势场约束角加速度的加权系数，为线加速度，为角加速度, 为当前线速度，为当前角速度，为巡检机器人当前线速度，为巡检机器人当前角速度；
步骤S3.4改进DWA算法评价函数，具体内容指：评价函数的表达式为：
，
式中，为方位角评价子函数，为距离评价子函数，为速度评价子函数，为能耗评价子函数，为转弯评价子函数，为平滑函数，分别为方位角评价子函数的加权系数、距离评价子函数的加权系数、速度评价子函数的加权系数、能耗评价子函数的加权系数，为转弯评价子函数的加权系数，为巡检机器人当前线速度；
其中，方位角评价子函数的表达式为：
，
，
式中，为修正系数，为权值，为巡检机器人位置指向目标角度，为巡检机器人的朝向，为时间间隔个数，为系数，为移出距离，为取整函数，为巡检机器人当前线速度；
距离评价子函数的表达式为：
，
式中，为巡检机器人距离障碍物的最小距离，为距离修正系数，R为巡检机器人半径；
速度评价子函数的表达式为：
，
，
式中，为线速度评价系数，为角速度评分，分别为巡检机器人第t-2时刻、第t-1时刻和第t时刻的角速度，均为速度评价系数，为角速度评价权值，为巡检机器人当前线速度；
能耗评价子函数的表达式为：
，
式中，为巡检机器人第i个采样点的线速度，为巡检机器人第i个采样点的角速度；
转弯评价子函数的表达式为：
，
式中，为转弯评价权值。
步骤S3.5 巡检机器人融合改进DWA算法最终生成的路径即为巡检机器人最终巡检路线。
实施例三
请参阅图6，其示出了本申请的一种高铁巡检机器人的路径规划系统的结构框图。
如图6所示，路径规划系统200，包括获取模块210、构建模块220以及生成模块230。
其中，获取模块210，配置为获取高铁站的环境信息，根据所述环境信息构建点云地图，其中，所述点云地图中包含静态障碍物点云和动态障碍物点云；构建模块220，配置为提取所述静态障碍物点云，根据所述静态障碍物点云构建2D栅格地图，并在所述2D栅格地图中使用改进的Informed-RRT*算法进行全局路径规划，生成全局最优路径；生成模块230，配置为对巡检机器人进行运动学建模，并基于改进的DWA算法控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物，使得到最终巡检路线。
应当理解，图6中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图6中的诸模块，在此不再赘述。
实施例四
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的高铁巡检机器人的路径规划方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
获取高铁站的环境信息，根据所述环境信息构建点云地图，其中，所述点云地图中包含静态障碍物点云和动态障碍物点云；
提取所述静态障碍物点云，根据所述静态障碍物点云构建2D栅格地图，并在所述2D栅格地图中使用改进的Informed-RRT*算法进行全局路径规划，生成全局最优路径；
对巡检机器人进行运动学建模，并基于改进的DWA算法控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物，使得到最终巡检路线。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据高铁巡检机器人的路径规划系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至高铁巡检机器人的路径规划系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图7是本发明实施例提供的电子设备的结构示意图，如图7所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图7中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例高铁巡检机器人的路径规划方法。输入装置330可接收输入的数字或字符信息，以及产生与高铁巡检机器人的路径规划系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于高铁巡检机器人的路径规划系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
获取高铁站的环境信息，根据所述环境信息构建点云地图，其中，所述点云地图中包含静态障碍物点云和动态障碍物点云；
提取所述静态障碍物点云，根据所述静态障碍物点云构建2D栅格地图，并在所述2D栅格地图中使用改进的Informed-RRT*算法进行全局路径规划，生成全局最优路径；
对巡检机器人进行运动学建模，并基于改进的DWA算法控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物，使得到最终巡检路线。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种高铁巡检机器人的路径规划方法，其特征在于，包括：
获取高铁站的环境信息，根据所述环境信息构建点云地图，其中，所述点云地图中包含静态障碍物点云和动态障碍物点云；
提取所述静态障碍物点云，根据所述静态障碍物点云构建2D栅格地图，并在所述2D栅格地图中使用改进的算法进行全局路径规划，生成全局最优路径；
对巡检机器人进行运动学建模，并基于改进的DWA算法控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物，使得到最终巡检路线，其中，得到最终巡检路线过程具体包括：
在全局化时生成的栅格地图上加入动态障碍物信息，同时将全局最优路径中的个路径点坐标存入集合中，并根据预设选取公式在集合中选取预设个数的路径点作为局部路径规划的临时目标点；
通过调节左右轮驱动速度来控制巡检机器人沿着局部路径规划的临时目标点移动，并对巡检机器人进行运动学建模，其中，运动学建模中包含巡检机器人的最大速度、最大加速度、线速度和角速度；
融合人工势场算法，给局部动态障碍物增加斥力场，约束巡检机器人的最大速度和最大加速度；
根据获取的动态障碍物信息预测动态障碍物的速度和航向，根据所述动态障碍物的速度和航向优化巡检机器人的线速度和角速度；
根据改进的DWA算法的评价函数控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物，使得到最终巡检路线。
2.根据权利要求1所述的一种高铁巡检机器人的路径规划方法，其特征在于，其中，预设选取公式为：
，
式中，为临时目标点坐标，为临时目标节点筛选系数，为第个路径点坐标，为静态障碍物权值，为动态障碍物权值，为巡检机器人的质量；
计算预设个数的表达式为：
，
式中，为目标点个数权重，为第个路径点坐标，为第个路径点坐标，为起始节点，为目标点。
3.根据权利要求1所述的一种高铁巡检机器人的路径规划方法，其特征在于，其中，预测动态障碍物的速度和航向的表达式为：
，
，
，
式中，为动态障碍物的线速度，为线速度预测系数，为动态障碍物第个位置和第个位置，为预测时间，为线速度调节比例，为动态障碍物的角速度，为角速度预测系数，为动态障碍物第个角度和第个角度，为角速度调节比例，为动态障碍物的航向，为航向预测系数，为动态障碍物第个航向和第个航向，为航向调节比例；
优化巡检机器人的线速度和角速度的表达式为：
，
，
式中，为线速度增益权重，为角速度增益权重，为线速度优化比例，为角速度优化比例，为巡检机器人当前线速度，为巡检机器人当前角速度，为巡检机器人航向，为优化后的巡检机器人的线速度，为优化后的巡检机器人角速度。
4.根据权利要求1所述的一种高铁巡检机器人的路径规划方法，其特征在于，其中，所述静态障碍物点云包括墙体点云，座椅点云，供电设备点云和安检机器点云；所述动态障碍物点云包括人员点云。
5.根据权利要求1所述的一种高铁巡检机器人的路径规划方法，其特征在于，所述提取所述静态障碍物点云，根据所述静态障碍物点云构建2D栅格地图包括：
提取所述静态障碍物点云，并生成只含所述静态障碍物点云的静态障碍物点云地图；
对所述静态障碍物点云地图进行栅格化并对所述静态障碍物点云增加膨胀距离，得到2D栅格地图，其中，计算所述膨胀距离的表达式为：
，
式中，为安全距离，为巡检机器人的巡航速度，为巡检机器人的最大加速度。
6.根据权利要求1所述的一种高铁巡检机器人的路径规划方法，其特征在于，所述在所述2D栅格地图中使用改进的算法进行全局路径规划，生成全局最优路径包括：
设置最大迭代次数；
采用自适应采样函数约束初始路径生成之前的采样空间；
根据预设的混沌算法在所述采样空间中生成随机采样节点，其中所述混沌算法的Logistic映射的表达式为：
，
式中，为控制参数，为下一个混沌矢量，为当前混沌矢量，为矢量索下标，为矢量总数；
从起始点生长的树Tree1开始，在所述采样空间中以目标点为临时目标点，根据混沌序列生成一个有效采样节点，在树Tree1找到新节点，对新节点进行碰撞检测，如果不发生碰撞则将生成的树枝和节点加入树Tree1；再从目标点生长的树Tree2开始，在所述采样空间中以树Tree1中新节点为临时目标点，根据混沌算法生成另一个有效采样节点，在树Tree2找到新节点，对新节点进行碰撞检测，如果不发生碰撞则将生成的树枝和节点加入树Tree2，树Tree1和树Tree2向着彼此的方向生长，直至连接成初始路径；
根据重选父节点函数和剪枝函数对随机树的节点与树枝进行优化，其中，优化过程包括：重选父节点函数，当新找到的节点加入随机树后，以节点为圆心形成一个圆，计算圆中覆盖的节点与节点的距离，并将距离最短的节点与节点连接起来，将距离最短的节点与节点加入随机树；当节点已经加入随机树，在圆中寻找是否有其他节点与节点连接之后，形成到起始节点的新路径，比与父节点相连时路径短，若存在就将其他节点与节点相连，将其他节点与父节点之间的树枝去除；
通过启发式采样函数，将所述初始路径后的采样空间限制在一个椭圆采样空间内部；
根据融合贪心算法选择出在当前状况下的最优父节点，进行碰撞检测，生成去冗余路径；
考虑巡检机器人的运动学特性，融合B样条曲线对所述去冗余路径进行平滑性约束，得到全局最优路径，其中，得到全局最优路径的过程具体包括：将去冗余路径的关键点作为B样条曲线基函数控制点，生成曲率连续的平滑路径；设存在n+1个控制点，k阶B样条曲线定义为：
，
，
式中，为B样条曲线函数，为k次B样条基函数，为组合数，计算方式为， 为节点向量，为B样条的幂次，为次B样条基函数的数量，为k次B样条基函数的系数；
采用三次 B样条曲线函数平滑约束去冗余路径，并融合障碍物碰撞检测函数，得到全局最优路径，其中，三次 B样条曲线函数的表达式为：
，
式中，为改进三次B样条曲线函数，为障碍物评价系数，为障碍物的边缘与路径之间的夹角。
7.根据权利要求6所述的一种高铁巡检机器人的路径规划方法，其特征在于，所述采用自适应采样函数约束初始路径生成之前的采样空间包括：
将临时起始点、临时目标点和所述2D栅格地图的坐标信息输入函数，将采样空间约束在起始点周围且包括临时起始点，大小为2D栅格地图的1/4区域内，即为采样空间；当生成随机树超过采样空间，将临时目标点设置成有效采样点，其中，自适应采样函数的表达式为：
，
式中，为随机数，表示栅格地图边长比例。
8.根据权利要求1所述的一种高铁巡检机器人的路径规划方法，其特征在于，其中，所述评价函数的表达式为：
，
式中，为方位角评价子函数，为距离评价子函数，为速度评价子函数，为能耗评价子函数，为转弯评价子函数，为平滑函数，分别为方位角评价子函数的加权系数、距离评价子函数的加权系数、速度评价子函数的加权系数、能耗评价子函数的加权系数，为转弯评价子函数的加权系数；
其中，方位角评价子函数的表达式为：
，
，
式中，为修正系数，为权值，为巡检机器人位置指向目标角度，为巡检机器人的朝向，为时间间隔个数，为系数，为移出距离，为取整函数；
距离评价子函数的表达式为：
，
式中，为巡检机器人距离障碍物的最小距离，为距离修正系数，R为巡检机器人半径；
速度评价子函数的表达式为：
，
，
式中，为线速度评价系数，为角速度评分，分别为巡检机器人第t-2时刻、第t-1时刻和第t时刻的角速度，均为速度评价系数，为角速度评价权值；
能耗评价子函数的表达式为：
，
式中，为巡检机器人第i个采样点的线速度，为巡检机器人第i个采样点的角速度；
转弯评价子函数的表达式为：
，
式中，为转弯评价权值。
9.一种高铁巡检机器人的路径规划系统，其特征在于，包括：
获取模块，配置为获取高铁站的环境信息，根据所述环境信息构建点云地图，其中，所述点云地图中包含静态障碍物点云和动态障碍物点云；
构建模块，配置为提取所述静态障碍物点云，根据所述静态障碍物点云构建2D栅格地图，并在所述2D栅格地图中使用改进的算法进行全局路径规划，生成全局最优路径；
生成模块，配置为对巡检机器人进行运动学建模，并基于改进的DWA算法控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物，使得到最终巡检路线，其中，得到最终巡检路线过程具体包括：
在全局化时生成的栅格地图上加入动态障碍物信息，同时将全局最优路径中的个路径点坐标存入集合中，并根据预设选取公式在集合中选取预设个数的路径点作为局部路径规划的临时目标点；
通过调节左右轮驱动速度来控制巡检机器人沿着局部路径规划的临时目标点移动，并对巡检机器人进行运动学建模，其中，运动学建模中包含巡检机器人的最大速度、最大加速度、线速度和角速度；
融合人工势场算法，给局部动态障碍物增加斥力场，约束巡检机器人的最大速度和最大加速度；
根据获取的动态障碍物信息预测动态障碍物的速度和航向，根据所述动态障碍物的速度和航向优化巡检机器人的线速度和角速度；
根据改进的DWA算法的评价函数控制所述巡检机器人在沿着所述全局最优路径巡检时躲避局部动态障碍物，使得到最终巡检路线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310349256.2A CN116125995B (zh) | 2023-04-04 | 2023-04-04 | 一种高铁巡检机器人的路径规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310349256.2A CN116125995B (zh) | 2023-04-04 | 2023-04-04 | 一种高铁巡检机器人的路径规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116125995A true CN116125995A (zh) | 2023-05-16 |
| CN116125995B CN116125995B (zh) | 2023-07-28 |
Family
ID=86310285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310349256.2A Active CN116125995B (zh) | 2023-04-04 | 2023-04-04 | 一种高铁巡检机器人的路径规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116125995B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117022715A (zh) * | 2023-10-09 | 2023-11-10 | 国网山东省电力公司沂水县供电公司 | 一种巡检无人机电能补给方法 |
| CN117470252A (zh) * | 2023-12-28 | 2024-01-30 | 中闽(福清)风电有限公司 | 基于rrt*算法的风电场升压站机器人巡检局部路径规划方法 |
| CN117553802A (zh) * | 2024-01-08 | 2024-02-13 | 民航成都电子技术有限责任公司 | 一种航站楼巡检路径规划方法、装置、设备及存储介质 |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6980656B1 (en) * | 1998-07-17 | 2005-12-27 | Science Applications International Corporation | Chaotic communication system and method using modulation of nonreactive circuit elements |
| KR20100081824A (ko) * | 2009-01-07 | 2010-07-15 | 삼성전자주식회사 | 로봇의 경로계획장치 및 그 방법 |
| KR20110048330A (ko) * | 2009-11-02 | 2011-05-11 | 삼성전자주식회사 | 로봇의 경로 계획 장치 및 그 방법 |
| JP2011107984A (ja) * | 2009-11-17 | 2011-06-02 | Toyota Motor Corp | 経路探索システム、経路探索方法、経路探索プログラム、及び移動体 |
| CN106708054A (zh) * | 2017-01-24 | 2017-05-24 | 贵州电网有限责任公司电力科学研究院 | 结合地图栅格与势场法避障的巡检机器人路径规划方法 |
| US20170193705A1 (en) * | 2015-12-31 | 2017-07-06 | Daqri, Llc | Path visualization for motion planning |
| CN109542106A (zh) * | 2019-01-04 | 2019-03-29 | 电子科技大学 | 一种移动机器人多约束条件下的路径规划方法 |
| CN110501020A (zh) * | 2019-08-28 | 2019-11-26 | 湖南大学 | 一种多目标三维路径规划方法 |
| US20200081444A1 (en) * | 2018-01-12 | 2020-03-12 | Hong Huang | Cleaning method capable of automatically planning path |
| US20200401148A1 (en) * | 2018-01-24 | 2020-12-24 | Ford Global Technologies, Llc | Path planning for autonomous moving devices |
| CN112631294A (zh) * | 2020-12-16 | 2021-04-09 | 上海应用技术大学 | 一种移动机器人智能路径规划方法 |
| WO2021159901A1 (zh) * | 2020-02-12 | 2021-08-19 | 华为技术有限公司 | 一种路径规划方法及相关设备 |
| WO2022016941A1 (zh) * | 2020-07-20 | 2022-01-27 | 华为技术有限公司 | 行驶装置的避障路径的规划方法和装置 |
| CN114371716A (zh) * | 2022-01-20 | 2022-04-19 | 红骐科技(杭州)有限公司 | 一种用于消防机器人的自动驾驶巡检方法 |
| CN114740862A (zh) * | 2022-04-24 | 2022-07-12 | 深圳粒子群智能科技有限公司 | 一种用于自动采血机器人的路径规划方法及系统 |
| CN114859929A (zh) * | 2022-05-19 | 2022-08-05 | 哈尔滨工业大学（威海） | 动态环境下基于改进dwa算法的agv路径规划方法 |
| CN114973443A (zh) * | 2022-05-19 | 2022-08-30 | 杭州中威电子股份有限公司 | 一种基于巡检机器人的复杂气体环境巡检系统及其方法 |
| CN115309161A (zh) * | 2022-08-23 | 2022-11-08 | 南京信息工程大学 | 一种移动机器人路径规划方法、电子设备及存储介质 |
| CN115454107A (zh) * | 2022-09-08 | 2022-12-09 | 哈尔滨工程大学 | 一种近海巡检型auv的路径规划方法 |
| CN115560774A (zh) * | 2022-10-24 | 2023-01-03 | 重庆邮电大学 | 一种面向动态环境的移动机器人路径规划方法 |
| CN115631651A (zh) * | 2022-09-23 | 2023-01-20 | 北京理工大学 | 一种无管控路口环境的自动驾驶决策规划系统和方法 |
| EP4141474A1 (en) * | 2021-08-25 | 2023-03-01 | Hexagon Geosystems Services AG | System for 3d surveying by an autonomous robotic vehicle using lidar-slam and an estimated point distribution map for path planning |
| CN115870990A (zh) * | 2023-01-03 | 2023-03-31 | 西南交通大学 | 一种机械臂避障路径规划方法 |
-
2023
- 2023-04-04 CN CN202310349256.2A patent/CN116125995B/zh active Active
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6980656B1 (en) * | 1998-07-17 | 2005-12-27 | Science Applications International Corporation | Chaotic communication system and method using modulation of nonreactive circuit elements |
| KR20100081824A (ko) * | 2009-01-07 | 2010-07-15 | 삼성전자주식회사 | 로봇의 경로계획장치 및 그 방법 |
| KR20110048330A (ko) * | 2009-11-02 | 2011-05-11 | 삼성전자주식회사 | 로봇의 경로 계획 장치 및 그 방법 |
| JP2011107984A (ja) * | 2009-11-17 | 2011-06-02 | Toyota Motor Corp | 経路探索システム、経路探索方法、経路探索プログラム、及び移動体 |
| US20170193705A1 (en) * | 2015-12-31 | 2017-07-06 | Daqri, Llc | Path visualization for motion planning |
| CN106708054A (zh) * | 2017-01-24 | 2017-05-24 | 贵州电网有限责任公司电力科学研究院 | 结合地图栅格与势场法避障的巡检机器人路径规划方法 |
| US20200081444A1 (en) * | 2018-01-12 | 2020-03-12 | Hong Huang | Cleaning method capable of automatically planning path |
| US20200401148A1 (en) * | 2018-01-24 | 2020-12-24 | Ford Global Technologies, Llc | Path planning for autonomous moving devices |
| CN109542106A (zh) * | 2019-01-04 | 2019-03-29 | 电子科技大学 | 一种移动机器人多约束条件下的路径规划方法 |
| CN110501020A (zh) * | 2019-08-28 | 2019-11-26 | 湖南大学 | 一种多目标三维路径规划方法 |
| WO2021159901A1 (zh) * | 2020-02-12 | 2021-08-19 | 华为技术有限公司 | 一种路径规划方法及相关设备 |
| WO2022016941A1 (zh) * | 2020-07-20 | 2022-01-27 | 华为技术有限公司 | 行驶装置的避障路径的规划方法和装置 |
| CN112631294A (zh) * | 2020-12-16 | 2021-04-09 | 上海应用技术大学 | 一种移动机器人智能路径规划方法 |
| EP4141474A1 (en) * | 2021-08-25 | 2023-03-01 | Hexagon Geosystems Services AG | System for 3d surveying by an autonomous robotic vehicle using lidar-slam and an estimated point distribution map for path planning |
| CN114371716A (zh) * | 2022-01-20 | 2022-04-19 | 红骐科技(杭州)有限公司 | 一种用于消防机器人的自动驾驶巡检方法 |
| CN114740862A (zh) * | 2022-04-24 | 2022-07-12 | 深圳粒子群智能科技有限公司 | 一种用于自动采血机器人的路径规划方法及系统 |
| CN114859929A (zh) * | 2022-05-19 | 2022-08-05 | 哈尔滨工业大学（威海） | 动态环境下基于改进dwa算法的agv路径规划方法 |
| CN114973443A (zh) * | 2022-05-19 | 2022-08-30 | 杭州中威电子股份有限公司 | 一种基于巡检机器人的复杂气体环境巡检系统及其方法 |
| CN115309161A (zh) * | 2022-08-23 | 2022-11-08 | 南京信息工程大学 | 一种移动机器人路径规划方法、电子设备及存储介质 |
| CN115454107A (zh) * | 2022-09-08 | 2022-12-09 | 哈尔滨工程大学 | 一种近海巡检型auv的路径规划方法 |
| CN115631651A (zh) * | 2022-09-23 | 2023-01-20 | 北京理工大学 | 一种无管控路口环境的自动驾驶决策规划系统和方法 |
| CN115560774A (zh) * | 2022-10-24 | 2023-01-03 | 重庆邮电大学 | 一种面向动态环境的移动机器人路径规划方法 |
| CN115870990A (zh) * | 2023-01-03 | 2023-03-31 | 西南交通大学 | 一种机械臂避障路径规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 何佳等: "基于RRT路径规划算法的改进方法研究", 智能王联汽车, no. 22, pages 39 - 42 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117022715A (zh) * | 2023-10-09 | 2023-11-10 | 国网山东省电力公司沂水县供电公司 | 一种巡检无人机电能补给方法 |
| CN117022715B (zh) * | 2023-10-09 | 2024-02-06 | 国网山东省电力公司沂水县供电公司 | 一种巡检无人机电能补给方法 |
| CN117470252A (zh) * | 2023-12-28 | 2024-01-30 | 中闽(福清)风电有限公司 | 基于rrt*算法的风电场升压站机器人巡检局部路径规划方法 |
| CN117553802A (zh) * | 2024-01-08 | 2024-02-13 | 民航成都电子技术有限责任公司 | 一种航站楼巡检路径规划方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116125995B (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116125995B (zh) | 一种高铁巡检机器人的路径规划方法及系统 | |
| CN109520507B (zh) | 一种基于改进rrt的无人机实时路径规划方法 | |
| CN108196536A (zh) | 一种改进的无人车快速搜索随机树路径规划方法 | |
| Bai et al. | UAV Path Planning Based on Improved A ∗ and DWA Algorithms | |
| CN106989748A (zh) | 一种基于云模型的农业移动机器人人机合作路径规划方法 | |
| CN109685237B (zh) | 一种基于Dubins路径和分支限界的无人机航迹实时规划方法 | |
| CN103365293A (zh) | 一种基于动态区域划分的机器人安全路径规划方法 | |
| CN106371439A (zh) | 一种统一的自动驾驶横向规划方法与系统 | |
| CN110045738A (zh) | 基于蚁群算法和Maklink图的机器人路径规划方法 | |
| CN115143970A (zh) | 一种基于威胁度评估的水下航行器避障方法和系统 | |
| CN116501030A (zh) | 基于改进人工势场法的自动驾驶车辆路径规划方法 | |
| Li et al. | Real-time local path planning for intelligent vehicle combining tentacle algorithm and B-spline curve | |
| Zhao et al. | Autonomous Exploration Method for Fast Unknown Environment Mapping by Using UAV Equipped with Limited FOV Sensor | |
| Ying et al. | Path planning of mobile robot based on Improved RRT Algorithm | |
| Geng et al. | Robo-Centric ESDF: A Fast and Accurate Whole-Body Collision Evaluation Tool for Any-Shape Robotic Planning | |
| Li | A hierarchical autonomous driving framework combining reinforcement learning and imitation learning | |
| Ghnatios et al. | Optimal velocity planning based on the solution of the Euler-Lagrange equations with a neural network based velocity regression | |
| Shi et al. | Research on Path Planning Strategy of Rescue Robot Based on Reinforcement Learning | |
| Dong et al. | Path Planning Research for Outdoor Mobile Robot | |
| Zhang et al. | Autonomous car motion prediction based on hybrid resnet model | |
| Fan et al. | On evolutionary genetic algorithm in path planning for a USV collision avoidance | |
| Wang et al. | Reference path correction for autonomous ground vehicles driving over rough terrain | |
| Shi et al. | Improvement of Path Planning Algorithm based on Small Step Artificial Potential Field Method | |
| Zhou et al. | Real-time Multiple Path Prediction and Planning for Autonomous Driving aided by FCN | |
| Ren et al. | Automatic Obstacle Avoidance Path Planning Method for Unmanned Ground Vehicle Based on Improved Bee Colony 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |