CN116414139A - 基于A-Star算法的移动机器人复杂路径规划方法 - Google Patents
基于A-Star算法的移动机器人复杂路径规划方法 Download PDFInfo
- Publication number
- CN116414139A CN116414139A CN202310668448.XA CN202310668448A CN116414139A CN 116414139 A CN116414139 A CN 116414139A CN 202310668448 A CN202310668448 A CN 202310668448A CN 116414139 A CN116414139 A CN 116414139A
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- point
- path
- current 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000009499 grossing Methods 0.000 claims abstract description 12
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于A‑Star算法的移动机器人复杂路径规划方法,包括步骤:获取环境地图并栅格化,在环境地图上标记障碍物、移动机器人的起点A和终点B;同时以A和B为起始节点、以对向的当前节点为目标节点,展开双向搜索,搜索的时候,仅保留部分子节点,且采用核心衰减系数作为动态权重计算启发函数,并对初步路径进行曲线平滑,得到路径轨迹。本发明引入动态权重、启发函数不唯一、并引入角度对当前节点到目标节点方向进行约束,能减少运算量、提高搜索效率、优化规划路径。
Description
技术领域
本发明涉及机器人路径规划领域,尤其涉及一种基于A-Star算法的移动机器人复杂路径规划方法。
背景技术
随着智慧城市的不断建设,智能设备不断普及,越来越多的领域开始应用移动机器人。比如食品物流运输,无人机和自动驾驶等。移动机器人的技术核心在于路径规划,该算法可以保证机器人高效率地,安全地完成作业。辅助机器人从起点开始避开道路中障碍物并快速地到达目的地。路径规划主要分为全局路径规划和局部路径规划,全局路径规划用于静态路面环境,在配合激光雷达生成的已知静态路面环境下进行路径规划,从而找到最优路径。局部路径规划多是用于存在动态障碍的路面环境下的局部避障控制,能够在短距离内进行路径的再优化,即动态路径规划。传统算法有A*算法、D*算法、Dijkstra等算法,智能轨迹规划算法有蚁群算法、粒子群算法、神经网络等算法。智能寻路算法会多次进行迭代来寻找最优路径,这个过程,伴随有大量的随机运动,导致寻优效率底下,相比之下,传统路径规划算法具有良好的适用性和可拓展性,以A*算法为代表。
A*算法也称为A-Star算法、A星算法,是一种求解最短路径最有效的直接搜索方法,也是许多其他问题的常用启发式算法,其原理为,每一步巡径时,以当前所述位置的节点为当前节点,向周围拓展子节点,与当前节点相邻的8个节点,都为子节点。然后计算每个子节点的代价评价函数f(n),将f(n)最小的子节点作为最优节点,在一步拓展中,将该最优节点,作为下一步拓展的父节点,也就是下一步的当前节点。
发明内容
本发明的目的就在于提供一种解决上述所述的搜索效率低、拐点不平滑、拓展冗余点多等问题,能优化巡径、巡径效率高、路径更合理、更符合移动机器人的物理运动性的,基于A-Star算法的移动机器人复杂路径规划方法。
为了实现上述目的,本发明采用的技术方案是这样的:一种基于A-Star算法的移动机器人复杂路径规划方法,包括以下步骤:
(1)获取环境地图并栅格化为c1行c2列的栅格图,在栅格图上标记障碍物、移动机器人的起点A和终点B;
(2)同时以A和B为起始节点、以对向的当前节点为目标节点,展开双向搜索,其中,A1出发为正向,B1出发为反向,包括步骤(21)-(23);
(21)分别为正向和反向的当前节点拓展子节点;
第n步时,正向和反向的当前节点An和Bn,为前一步拓展得到的最优节点,且当n=1时,A1=A,B1=B;
(22)作An和Bn的连线;
(23)从子节点中选择待选点;
对正向当前节点,找到其被连线穿过的子节点,保留该子节点和与它距离最近的2~4个子节点作为待选点,其余删除;对反向当前节点,找到其被连线穿过的子节点,保留该子节点和与它距离最近的2~4个子节点作为待选点,其余删除;
(24)为正向搜索和反向搜索拓展最优节点,二者拓展方式相同,其中正向搜索的拓展方式包括步骤(a1)~(a4);
(a1)设置第一代价评价函数f1(n)和第二代价评价函数f2(n);
(a2)对An,计算每个待选点的f1(n);
(a3)选f1(n)值最小的待选点,分别与Bn和B连线,并计算两条连线的夹角θ;
(a4)若θ<90°,则f1(n)值最小的待选点为最优节点,否则作An和B的连线,并按步骤(23)重新选择待选点,并计算每个待选点的f2(n),将f2(n)值最小的待选点为最优节点;
(a5)正向的起始节点经每一步正向的当前节点后与最优节点的连线,构成正向的规划路径;
(3)每拓展一步最优节点,判断一次正向搜索和反向搜索是否相遇,若未相遇,重复步骤(2),否者从相遇处开始,向起点和终点回溯,绘制出初步路径;
(4)对初步路径进行曲线平滑,得到路径轨迹。
作为优选:步骤(a2)中,g(n)、p(n)分别采用下式计算;
作为优选:步骤(3)中,满足下列任一情况,则判断正向搜索和反向搜索相遇;
情况一:正向和反向的两个最优节点相遇;
情况二:正向的最优节点与反向的规划路径相遇;
情况三:反向的最优节点与正向的规划路径相遇。
作为优选:所述曲线平滑为采用贝塞尔曲线平滑。
与现有技术相比,本发明的优点在于:
(1)本发明在A-Star算法的启发函数中引入核心衰减系数a(g(n))作为改进后的动态权重,权重随着当前点与目标点距离而动态变化,距离越近权重越大,搜索更快。同时,启发函数不唯一,而是引入了角度判断来选择启发函数,本发明中,θ<90°时采用第一代价评价函数f1(n)作为启发函数,θ≥90°时第二代价评价函数f2(n)作为启发函数。θ的目的是加入当前节点到目标节点的约束,保持规划路线的大致方向,从而进一步提高A-Star算法的搜索效率。
(2)本发明在进行进行路径搜寻中,对当前节点的子节点进行了优化,在不被障碍物阻挡的条件下,优化掉部分子节点,仅保留少部分节点作为待选点,能节约资源的占用,提高算法的运行效率。待选点的选择,我们先默认An和Bn的连线来选择待选点,同时加入了角度判定。若该连线选出的f1(n)值最小的待选点,得到的夹角θ≥90°了,就要重新使用An和B的连线来选择待选点,从而保证保留下来的子节点相对准确。
(3)本发明还引入了动态双向搜索,同时以终点和起点出发向对向巡径,配合动态权重的启发函数以及搜索优化,增大了前期的搜寻范围,减少了算法遍历点数,提高了算法搜索效率。
(4)对初步路径进行曲线平滑:通过Bezier曲线对已经规划出的最优路径进行平滑处理,使得拐角处的拐角处平滑化,更符合机器人运动特性。A-Star算法的改进后在减少耗时跟路径寻优上都有较好效果。
附图说明
图1为本发明流程图;
图2为给当前节点拓展子节点的示意图;
图3为按本发明步骤(22)(23)选择待选点的示意图;
图4是实施例2在20×20的栅格图,障碍物占比0.2的路面环境得到的路径仿真图;
图5为实施例2在60×60的栅格图,障碍物占比0.2的路面环境得到的路径仿真图;
图6为实施例2在60×60的栅格图,障碍物占比0.3的路面环境得到的路径仿真图;
图7为在60×60的栅格图,障碍物占比0.3的一种路面环境中采用现有A-Star路径规划得到的路径仿真图;
图8为对图7中地图采用本发明方法得到的路径仿真图;
图9为60×60的栅格图,障碍物占比0.3的另一种路面环境中采用现有A-Star路径规划得到的路径仿真图;
图10为对图9中地图采用本发明方法得到的路径仿真图;
图11为本发明基于A-Star算法的算法流程图。
具体实施方式
下面将结合附图对本发明作进一步说明。
实施例1:参见图1、图2、图3和图11,一种基于A-Star算法的移动机器人复杂路径规划方法,包括以下步骤:
(1)获取环境地图并栅格化为c1行c2列的栅格图,在栅格图上标记障碍物、移动机器人的起点A和终点B;
(2)同时以A和B为起始节点、以对向的当前节点为目标节点,展开双向搜索,其中,A1出发为正向,B1出发为反向,包括步骤(21)-(23);
(21)分别为正向和反向的当前节点拓展子节点;
第n步时,正向和反向的当前节点An和Bn,为前一步拓展得到的最优节点,且当n=1时,A1=A,B1=B;
(22)作An和Bn的连线;
(23)从子节点中选择待选点;
对正向当前节点,找到其被连线穿过的子节点,保留该子节点和与它距离最近的2~4个子节点作为待选点,其余删除;对反向当前节点,找到其被连线穿过的子节点,保留该子节点和与它距离最近的2~4个子节点作为待选点,其余删除;
(24)为正向搜索和反向搜索拓展最优节点,二者拓展方式相同,其中正向搜索的拓展方式包括步骤(a1)~(a4);
(a1)设置第一代价评价函数f1(n)和第二代价评价函数f2(n);
(a2)对An,计算每个待选点的f1(n);
(a3)选f1(n)值最小的待选点,分别与Bn和B连线,并计算两条连线的夹角θ;
(a4)若θ<90°,则f1(n)值最小的待选点为最优节点,否则作An和B的连线,并按步骤(23)重新选择待选点,并计算每个待选点的f2(n),将f2(n)值最小的待选点为最优节点;
(a5)正向的起始节点经每一步正向的当前节点后与最优节点的连线,构成正向的规划路径;
(3)每拓展一步最优节点,判断一次正向搜索和反向搜索是否相遇,若未相遇,重复步骤(2),否者从相遇处开始,向起点和终点回溯,绘制出初步路径;
(4)对初步路径进行曲线平滑,得到路径轨迹。
步骤(a2)中,g(n)、p(n)分别采用下式计算;
步骤(3)中,满足下列任一情况,则判断正向搜索和反向搜索相遇;
情况一:正向和反向的两个最优节点相遇;
情况二:正向的最优节点与反向的规划路径相遇;
情况三:反向的最优节点与正向的规划路径相遇。
所述曲线平滑为采用贝塞尔曲线平滑。
关于子节点和待选点:如图2所示,子节点为与当前节点相邻的8个节点,正向的当前节点An对应8个子节点,分别标记为1-8,反向的当前节点Bn对应8个子节点,也分别标记为1-8。假设本实施例中,待选点为与子节点距离最近的2个子节点,按步骤(22)连接An和Bn,得到一条连线,对An来说,标记3的子节点被连线穿过,所以保留标记3、2、4三个子节点作为待选点;对Bn来说,标记7的子节点被连线穿过,所以保留标记7、6、8三个子节点作为待选点。当然,若待选点为与子节点距离最近的3个或4个子节点,我们根据距离排序,取距离最近的前3个或前4个子节点即可。
关于夹角θ,参见图3,本发明就是判断图3中的夹角θ是否超过90,若超过,则需要按步骤(a4)重新选择待选点。
本发明的算法基于A-Star算法,A-Star算法的预处理包括:
S1-1:将地图栅格化,每个正方形格子的中央成为节点
S1-2:确定起始节点和目标节点;
S1-3:设定setOpen列表和setClosed列表,setOpen列表中存放已拓展但未访问过的节点,setClosed列表中存放已访问过的节点;
S1-4:初始时,定义起点为父节点,存入setClosed列表中;
S1-5:父节点周围共8个节点,定义为子节点,存入setOpen列表中。
而本发明是在A-Star算法基础上的改进,所以其理论框架基于A-Star算法。在进行节点拓展时,基于本发明方法,其拓展的方式参见图11,具体如下:
S2-1:将地图栅格化,每个正方形格子的中央成为节点;
S2-2:确定起始节点和目标节点,本发明是双向巡径,所以同时以A和B为起始节点、以对向的当前节点为目标节点;
S2-3:设定setOpen列表和setClosed列表,setOpen列表中用于存放已拓展但未访问过的节点,setClosed列表中用于存放已访问过的节点,开始时setOpen列表为起始节点、setClosed列表为空;
S2-4:双向搜索时,两边拓展的方法是一样的,我们以单边搜索为例,初始第一步时,将起始节点作为父节点,存入setClosed列表中,并从setOpen列表中删除该起始节点,然后通过本发明方法,拓扑得到最优节点,再将最优节点放入setClosed列表,更新其方向和代价信息,并作为新的父节点,同时将其从setOpen列表中删去;
在正向搜索和反向搜索都完成一次,拓展出最优节点,也就是下一步的父节点后,我们需要判断一次双向巡径是否相遇,若相遇则搜索结束,回溯得到回溯,若未相遇,则进行下一次搜索,具体下下面步骤S2-5。
S2-5:以第n步为例,在第n步时,正向搜索和反向搜索都分别进行第n次拓展,两边搜索方法相同,我们还是以一个单边为例。首先按步骤(22)做An和Bn的连线,按步骤(23)选择待选点,按步骤(24)拓展待选点,将待选点存入setOpen列表中,从待选点中得到最优节点,并将最优节点存入setClosed列表,更新其方向和代价信息,并作为新的父节点,同时将其从setOpen列表中删去。
实施例2:参见图1到图6,为了说明本发明效果,我们将不同的路面环境,按大小的栅格化为尺寸不同的栅格图,其中,在20×20的栅格图、障碍物占比0.2的路面环境中采用本发明方法进行复杂路径规划仿真,得到图5。在60×60的栅格图、障碍物占比0.2的路面环境中采用本发明方法进行复杂路径规划仿真,得到图6。在60×60的栅格图、障碍物占比0.3的路面环境中采用本发明方法进行复杂路径规划仿真,得到图6。
从图4,图5,图6可以看到,随着栅格图模拟的地图范围的增大,障碍物的存在形式更加多变,路线相比小范围地图更复杂,同时障碍物占比的增加,同样会增大路径的寻优难度,因此,保障前期的路径寻优很重要。
实施例3:参见图1到图10,为了说明本发明的效果,我们采用下表中6种路径规划方法对同一张40x40栅格的复杂路面环境进行路径规划,得到下表1:
表1 多种算路径规划方法仿真对比
从表1可以看出,传统A-Star算法在加上权值系数的优化后在时间上有了一定的减少,但是所规划得到的最优路径的概率大大降低,而采用动态权值优化在时间上相对普通权值系数运行时间有所增加,但是寻优率得到了更好的改善,取得的路径相对更好,并且时间上比传统A-Star算法更快,与权值A-Star效率相差无几。加入搜索向优化后,让算法在无死路的情况下避免走回头路,大大减少冗余点的遍历。最后加入双向搜索,让算法运行效率进一步提升,搜索效率相比传统A-Star降低大约40%,步长相比普通的权值优化更好,极大减少了遍历点数,加快算法搜索效率,在复杂空间内具有良好的效果,既保证了运行效率又保证了路径的相对优秀,在更为开阔的环境下,带来的效果。
对比实验:
我们采用方法一和方法二,对两幅相同的地图进行了模拟对比实验。方法一为使用固定权值系数的双向A-Star路径规划算法,方法二为本发明方法。得到图7、图8、图9、图10,从图中可以看出,采用本发明方法所得到的路径在路径更优,遍历点数少,转折点相对更少。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于A-Star算法的移动机器人复杂路径规划方法,其特征在于,包括以下步骤:
(1)获取环境地图并栅格化为c1行c2列的栅格图,在栅格图上标记障碍物、移动机器人的起点A和终点B;
(2)同时以A和B为起始节点、以对向的当前节点为目标节点,展开双向搜索,其中,A1出发为正向,B1出发为反向,包括步骤(21)-(23);
(21)分别为正向和反向的当前节点拓展子节点;
第n步时,正向和反向的当前节点An和Bn,为前一步拓展得到的最优节点,且当n=1时,A1=A,B1=B;
(22)作An和Bn的连线;
(23)从子节点中选择待选点;
对正向当前节点,找到其被连线穿过的子节点,保留该子节点和与它距离最近的2~4个子节点作为待选点,其余删除;对反向当前节点,找到其被连线穿过的子节点,保留该子节点和与它距离最近的2~4个子节点作为待选点,其余删除;
(24)为正向搜索和反向搜索拓展最优节点,二者拓展方式相同,其中正向搜索的拓展方式包括步骤(a1)~(a4);
(a1)设置第一代价评价函数f1(n)和第二代价评价函数f2(n);
(a2)对An,计算每个待选点的f1(n);
(a3)选f1(n)值最小的待选点,分别与Bn和B连线,并计算两条连线的夹角θ;
(a4)若θ<90°,则f1(n)值最小的待选点为最优节点,否则作An和B的连线,并按步骤(23)重新选择待选点,并计算每个待选点的f2(n),将f2(n)值最小的待选点为最优节点;
(a5)正向的起始节点经每一步正向的当前节点后与最优节点的连线,构成正向的规划路径;
(3)每拓展一步最优节点,判断一次正向搜索和反向搜索是否相遇,若未相遇,重复步骤(2),否者从相遇处开始,向起点和终点回溯,绘制出初步路径;
(4)对初步路径进行曲线平滑,得到路径轨迹。
3.根据权利要求1所述的基于A-Star算法的移动机器人复杂路径规划方法,其特征在于,步骤(3)中,满足下列任一情况,则判断正向搜索和反向搜索相遇;
情况一:正向和反向的两个最优节点相遇;
情况二:正向的最优节点与反向的规划路径相遇;
情况三:反向的最优节点与正向的规划路径相遇。
4.根据权利要求1所述的基于A-Star算法的移动机器人复杂路径规划方法,其特征在于,所述曲线平滑为采用贝塞尔曲线平滑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310668448.XA CN116414139B (zh) | 2023-06-07 | 2023-06-07 | 基于A-Star算法的移动机器人复杂路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310668448.XA CN116414139B (zh) | 2023-06-07 | 2023-06-07 | 基于A-Star算法的移动机器人复杂路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116414139A true CN116414139A (zh) | 2023-07-11 |
CN116414139B CN116414139B (zh) | 2023-08-11 |
Family
ID=87056348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310668448.XA Active CN116414139B (zh) | 2023-06-07 | 2023-06-07 | 基于A-Star算法的移动机器人复杂路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116414139B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709839A (zh) * | 2024-02-04 | 2024-03-15 | 华芯(嘉兴)智能装备有限公司 | 基于任务时限要求的天车路径规划方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101987868B1 (ko) * | 2018-11-29 | 2019-06-11 | 주식회사 트위니 | 시간상태 영역에서의 장애물 회피 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
CN110780671A (zh) * | 2019-10-30 | 2020-02-11 | 华南理工大学 | 一种基于全局视觉的仓储导航智能车调度方法 |
US20200149906A1 (en) * | 2017-08-31 | 2020-05-14 | Guangzhou Xiaopeng Motors Technology Co., Ltd. | Path planning method, system and device for autonomous driving |
CN113359757A (zh) * | 2021-06-30 | 2021-09-07 | 湖北汽车工业学院 | 一种改进型混合a*算法的无人驾驶车辆路径规划与轨迹跟踪方法 |
CN114721401A (zh) * | 2022-05-23 | 2022-07-08 | 重庆邮电大学 | 一种基于改进a*算法的高效路径规划方法 |
-
2023
- 2023-06-07 CN CN202310668448.XA patent/CN116414139B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200149906A1 (en) * | 2017-08-31 | 2020-05-14 | Guangzhou Xiaopeng Motors Technology Co., Ltd. | Path planning method, system and device for autonomous driving |
KR101987868B1 (ko) * | 2018-11-29 | 2019-06-11 | 주식회사 트위니 | 시간상태 영역에서의 장애물 회피 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램 |
CN110780671A (zh) * | 2019-10-30 | 2020-02-11 | 华南理工大学 | 一种基于全局视觉的仓储导航智能车调度方法 |
CN113359757A (zh) * | 2021-06-30 | 2021-09-07 | 湖北汽车工业学院 | 一种改进型混合a*算法的无人驾驶车辆路径规划与轨迹跟踪方法 |
CN114721401A (zh) * | 2022-05-23 | 2022-07-08 | 重庆邮电大学 | 一种基于改进a*算法的高效路径规划方法 |
Non-Patent Citations (4)
Title |
---|
CHUNBAO WANG 等: "Path planning of automated guided vehicles based on improved A-Star algorithm", 2015 IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION * |
WAN WEI 等: "Research on optimal path search algorithm adopting union optimization method", COMPUTER ENGINEERING AND APPLICATIONS * |
YASSINE DABACHINE 等: "Bidirectional Search Algorithm for Airport Ground Movement", 2018 INTERNATIONAL ARAB CONFERENCE ON INFORMATION TECHNOLOGY * |
李珍惜: "基于激光导航AGV路径规划与避障算法的研究", 中国优秀硕士学位论文全文数据库 信息科技辑 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709839A (zh) * | 2024-02-04 | 2024-03-15 | 华芯(嘉兴)智能装备有限公司 | 基于任务时限要求的天车路径规划方法及装置 |
CN117709839B (zh) * | 2024-02-04 | 2024-04-23 | 华芯(嘉兴)智能装备有限公司 | 基于任务时限要求的天车路径规划方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116414139B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109115226B (zh) | 基于跳点搜索的多机器人冲突避免的路径规划方法 | |
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 | |
CN110006430B (zh) | 一种航迹规划算法的优化方法 | |
CN114510056A (zh) | 室内移动机器人的平稳移动全局路径规划方法 | |
CN108827335B (zh) | 一种基于单向搜索模型的最短路径规划方法 | |
CN112985408B (zh) | 一种路径规划优化方法及系统 | |
CN103344248B (zh) | 一种车辆导航系统的最佳路径计算方法 | |
CN114440916B (zh) | 一种导航方法、装置、设备及存储介质 | |
CN110006429A (zh) | 一种基于深度优化的无人船航迹规划方法 | |
CN116414139B (zh) | 基于A-Star算法的移动机器人复杂路径规划方法 | |
CN112539750B (zh) | 一种智能运输车路径规划方法 | |
CN113074728A (zh) | 基于跳点寻路与协同避障的多agv路径规划方法 | |
CN114815802A (zh) | 一种基于改进蚁群算法的无人天车路径规划方法和系统 | |
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 | |
CN111080786A (zh) | 基于bim的室内地图模型构建方法及装置 | |
CN111024088A (zh) | 一种激光叉车路径规划方法 | |
Bassel | A hybrid technique for single-source shortest path-based on A* algorithm and ant colony optimization | |
CN115167398A (zh) | 一种基于改进a星算法的无人船路径规划方法 | |
CN111337047A (zh) | 基于多任务点约束的非结构化道路宏观路径规划方法 | |
CN105698796A (zh) | 一种多机器人调度系统的路径搜索方法 | |
CN117249842A (zh) | 一种基于轨迹平滑优化的无人车混合轨迹规划方法 | |
CN112539751A (zh) | 一种机器人路径规划方法 | |
CN116465425A (zh) | 一种局部优化和双向计算的启发式路径规划方法 | |
US7831386B2 (en) | Loop-based route finding and navigation | |
CN116976535B (zh) | 一种基于少数障碍侧与转向代价相融合的路径规划方法 |
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 |