CN116817884A - 一种面向多栖机器人的自适应低耗能导航方法及装置 - Google Patents
一种面向多栖机器人的自适应低耗能导航方法及装置 Download PDFInfo
- Publication number
- CN116817884A CN116817884A CN202310656783.8A CN202310656783A CN116817884A CN 116817884 A CN116817884 A CN 116817884A CN 202310656783 A CN202310656783 A CN 202310656783A CN 116817884 A CN116817884 A CN 116817884A
- Authority
- CN
- China
- Prior art keywords
- path
- air
- ground
- amphibious robot
- state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005265 energy consumption Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 description 18
- 238000005457 optimization Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 235000017399 Caesalpinia tinctoria Nutrition 0.000 description 1
- 241000388430 Tara Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种面向多栖机器人的自适应低耗能导航方法及装置,方法包括采集多栖机器人当前的全局点云信息和实时定位信息,建立三维占据概率栅格地图和二维可通行地图;通过基于三维占据概率栅格地图的全局路径规划算法得到三维全局路径,将三维全局路径投影至二维可通行地图后生成地面移动路径和空中飞行路径;切换多栖机器人的地空状态,在空中飞行状态时,基于空中飞行路径运行前端局部规划器,将得到的空中前端路径输入后端局部规划器,输出空中后端路径用于多栖机器人导航;在地面移动状态时,基于地面移动路径运行地面局部规划器,输出地面后端路径用于多栖机器人导航。本发明提供一种简单、高效、实用的面向多栖机器人的导航方法。
Description
技术领域
本发明属于机器视觉测量技术领域,具体涉及一种面向多栖机器人的自适应低耗能导航方法及装置。
背景技术
多栖机器人是具备垂直起降飞行能力、地面行驶能力的新型机器人。其空中飞行能力由多旋翼飞行系统来实现,地面移动能力由轮式行驶系统来实现。
多栖机器人的导航任务是在复杂环境中生成一条满足陆空状态切换功能、机器人运动学/动力学、无碰撞约束、光滑性约束的路径。多栖机器人导航方法包括全局规划算法、陆空状态切换算法和局部规划算法。多栖机器人的全局规划算法得到一条三维的可通行路径,包括基于采样/搜索的路径规划算法。基于采样的路径规划算法在空间中随机采样,将采样点加入包含路径点的树结构中,并选择更优的父节点与其连接;基于搜索的路径规划算法通过启发式函数与广度优先算法结合的方式进行搜索工作,得到最优路径。全局规划算法为陆空状态切换提供判断条件,为局部规划提供了优化初值。
对多栖机器人的导航方法,近年来的研究主要围绕在陆空状态切换的导航方法,缺乏一种考虑低功耗与陆空状态切换结合的通用且易于实现的导航方法。
现有的技术中,例如论文David D.F,Rohan Thakker,Tara B.,Meriem B.M,LeonK.,E.A.T.,Aliakbar A.,Autonomous Hybrid Ground/Aerial Mobility in UnknownEnvironments,IEEE/RSJ International Conference on Intelligent Robots andSystems(IROS)IEEE,2019.中提出了利用A*搜索几何路径作为引导;通过增加空中节点的额外能量消耗,使其优先搜索地面路径;通过选择引导路径的点,作为局部规划器的目标点;局部规划其生成一组最小摄动轨迹,并以预定义的代价对每个轨迹进行评分,以选择最佳轨迹。
但是该论文中提出的方法存在4个问题:(1)空中节点的额外消耗作为优化项,增加算力的要求。(2)没有考虑地面运动的非完整约束。(3)在局部规划器中没有对轨迹进行后细化,无法保证轨迹的平滑性和动态可行性。(4)缺乏动态模型,路径搜索方法过于粗糙。因此,有必要提出一种环境自适应且低能耗的多栖机器人导航方法,从而提高机器人自适应陆空切换能力、自主性和续航能力。
发明内容
本发明的目的之一在于提供一种面向多栖机器人的自适应低耗能导航方法,提供一种简单、高效、实用的面向多栖机器人的导航方法。
为实现上述目的,本发明所采取的技术方案为:
一种面向多栖机器人的自适应低耗能导航方法,所述面向多栖机器人的自适应低耗能导航方法,包括:
采集多栖机器人当前的全局点云信息和实时定位信息,建立三维占据概率栅格地图和二维可通行地图;
通过基于三维占据概率栅格地图的全局路径规划算法,得到三维全局路径,并将所述三维全局路径投影至所述二维可通行地图,根据可通行情况和投影路径生成地面移动路径和空中飞行路径;
根据多栖机器人的实时定位信息切换多栖机器人的地空状态,在所述地空状态为空中飞行状态时,基于空中飞行路径运行前端局部规划器,将得到的空中前端路径输入后端局部规划器,输出空中后端路径用于多栖机器人导航;在所述地空状态为地面移动状态时,基于地面移动路径运行地面局部规划器,输出地面后端路径用于多栖机器人导航。
以下还提供了若干可选方式,但并不作为对上述总体方案的额外限定,仅仅是进一步的增补或优选,在没有技术或逻辑矛盾的前提下,各可选方式可单独针对上述总体方案进行组合,还可以是多个可选方式之间进行组合。
作为优选,所述根据可通行情况和投影路径生成地面移动路径和空中飞行路径,包括:
根据可通行情况将投影路径分割为地面移动路径和空中移动路径;
将所述空中移动路径通过索引三维全局路径得到空中飞行路径。
作为优选,所述全局路径规划算法为A星算法。
作为优选,所述根据多栖机器人的实时定位信息切换多栖机器人的地空状态,包括:
读取多栖机器人的实时定位信息;
若实时定位信息位于地面移动路径上,则多栖机器人的地空状态为地面移动状态;
或者,若实时定位信息位于地面移动路径和空中飞行路径的交叉点且下一段路径为空中飞行路径,则多栖机器人的地空状态为空中飞行状态;
或者,若实时定位信息位于空中飞行路径上,则多栖机器人的地空状态为空中飞行状态;
或者,若实时定位信息位于空中飞行路径和地面移动路径的交叉点且下一段路径为地面移动路径,则多栖机器人的地空状态为地面移动状态。
作为优选,所述基于空中飞行路径运行前端局部规划器,包括:
获取实时定位信息,并将空中飞行路径上相对于实时定位信息的下一个位置点作为目标点位置;
建立无障碍物约束的空中前端路径如下:
p(t)=c5t5+c4t4+c3t3+c2t2+c1t+c0
x(start)=positionstart
v(start)=0
a(start)=0
x(end)=positionend
v(end)=0
a(end)=0
式中,p(t)为空中前端路径,c0,c1,c2,c3,c4,c5为五次多项式的系数,t为当前时间,x(start)为当前位置,x(end)为目标位置,v(start)为当前速度,v(end)为目标速度,a(start)为当前加速度,a(end)为目标加速度,positionstart为实时定位信息,positionend为目标点位置,T为前端局部规划器执行一次路径规划的时间。
作为优选,所述后端局部规划器采用B样条曲线插值方法对所述空中前端路径进行优化并输出空中后端路径。
作为优选,所述地面局部规划器采用多项式曲线插值方法基于地面移动路径输出地面后端路径。
本发明提供的一种面向多栖机器人的自适应低耗能导航方法,通过三维全局路径映射在二维可通行地图的方法,获得地面和空中的路径,使得地空状态可根据环境变化进行切换,且规划算法优先考虑地面移动,提高了机器人的续航能力,相较于基于陆空并行计算轨迹并选取最优轨迹的导航方法,具有自适应环境变化且低能耗的优点。
本发明的目的之二在于提供一种面向多栖机器人的自适应低耗能导航装置,包括处理器以及存储有若干计算机指令的存储器,所述计算机指令被处理器执行时实现所述面向多栖机器人的自适应低耗能导航方法的步骤。
附图说明
图1为本发明的一种面向多栖机器人的自适应低耗能导航方法的流程图;
图2为本发明的地面移动路径和空中飞行路径划分的一种实施例示意图。
具体实施方式
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,所描述的实施例仅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做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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本发明。
为了克服现有技术中对多栖机器人路径规划存在无法较好适应环境且未考虑能耗的问题,本实施例提出一种面向多栖机器人的自适应低耗能导航方法。
如图1所示,本实施例的面向多栖机器人的自适应低耗能导航方法,包括:
步骤1、根据位置信息建图:采集多栖机器人当前的全局点云信息和实时定位信息,建立三维占据概率栅格地图和二维可通行地图。
本实施例使用三维占据概率栅格地图来描述三维环境信息。在通常的尺度地图中,对于一个点,要么有障碍物,要么没有障碍物。因此在占据概率栅格地图中,对于一个点,用p(s=1)来表示它是free状态的概率,用p(s=0)来表示它是occupied的状态的概率,两者的和为1,即占据概率栅格地图采用二值化的方式表示每个栅格被占据的概率。
在已知多栖机器人全局点云信息和实时定位信息的情况下,通过带噪声的传感器,如单目相机、双目相机、激光雷达等测量数据生成三维占据概率栅格地图。本实施例中全局点云信息和实时定位信息均由常规设备采集即可,例如深度相机、GPS、激光扫描仪等。并且生成三维占据概率栅格地图也是常规过程,例如采用栅格地图算法(Occupancy GridMap)生成。
另外,本实施例使用二维可通行地图来表示二维可通行区域信息。在已知多栖机器人全局点云信息和实时定位信息的情况下,通过带噪声的传感器,如单目相机、双目相机、激光雷达等测量数据,依据多栖机器人对地形高度、坡度、粗糙度的可通行性,以二值化的方式生成二维二值化栅格地图作为二维可通行地图。
本实施例中得到的三维占据概率栅格地图与二维可通行地图分别于多栖机器人在空中和地面状态下实时更新,其地图信息分别以向量列表和字节列表的形式进行存储。在执行路径规划时,通过查询相应栅格的索引值来判断对应栅格的占用情况。
步骤2、区分地面和空中路径:通过基于三维占据概率栅格地图的全局路径规划算法,得到三维全局路径,并将三维全局路径投影至所述二维可通行地图,根据可通行情况和投影路径生成地面移动路径和空中飞行路径。
为了得到全局最优路径,本实施例首先进行三维路径规划,然后将三维全局路径投影至二维可通行地图上,根据可通行情况(即占用栅格分割情况)对投影路径进行分段,分割为地面移动路径和空中移动路径,从而保证地面运动为第一优先级,降低了因飞行中多栖机器人克服重力产生的能耗。
在得到空中移动路径后,将空中移动路径通过索引三维全局路径得到空中飞行路径。为了便于后续对路径的取用,在对投影得到的路径进行分割时,对分割后的每段路径进行顺序排列并编号。在得到地面移动路径和空中飞行路径后根据编号将地面移动路径添加至地面列表中,将空中飞行路径的编号添加至空中列表中。如图2所示,将完整投影路径分割为两条地面移动路径和一条空中飞行路径,并根据顺序将两条地面移动路径分别编号为1和3,将空中飞行路径编号为2,因此得到地面列表(地面移动路径点表)为[1,3],得到空中列表(空中飞行路径点边)为[2]。
本实施例中采用的全局路径规划算法为A星算法(A*算法)。在其他实施例中,还可以替换为其他的全局路径规划算法,例如蚁群算法、动态规划算法和Dijkstra算法等。
步骤3、根据地面和空中路径实现多栖机器人导航。
步骤3.1、根据多栖机器人的实时定位信息切换多栖机器人的地空状态。
本实施例通过基于地空路径划分的地空状态切换算法,满足动/静态障碍物的避障要求。其中,每个状态只运行一个规划器,节省了计算资源。
读取多栖机器人的实时定位信息以及步骤2中得到的地面列表和空中列表,然后判断多栖机器人的地空状态如下:
若实时定位信息位于地面移动路径上,则多栖机器人的地空状态为地面移动状态;或者,若实时定位信息位于地面移动路径和空中飞行路径的交叉点且下一段路径为空中飞行路径,则该交叉点为空中飞行路径的起始点,多栖机器人的地空状态为空中飞行状态;或者,若实时定位信息位于空中飞行路径上,则多栖机器人的地空状态为空中飞行状态;或者,若实时定位信息位于空中飞行路径和地面移动路径的交叉点且下一段路径为地面移动路径,则该交叉点为地面移动路径的起始点,多栖机器人的地空状态为地面移动状态。
本实施例根据投影路径分割后的每段路径的顺序依次读取每段路径进行多栖机器人导航控制。对应至地面列表和空中列表,即依次按照列表顺序执行地空状态判断,直至地面列表和空中列表为空列表。
步骤3.2、在地空状态为空中飞行状态时,基于空中飞行路径运行前端局部规划器,将得到的空中前端路径输入后端局部规划器,输出空中后端路径用于多栖机器人导航;在地空状态为地面移动状态时,基于地面移动路径运行地面局部规划器,输出地面后端路径用于多栖机器人导航。
本实施例在多栖机器人处于地面移动状态,运行二维的地面局部规划器,在多栖机器人处于空中飞行状态,运行三维的前端局部规划器和后端局部规划器。当执行地面移动路径或空中飞行路径时,通过地空路径引导多栖机器人移动,由局部规划器规划局部轨迹避开障碍物。针对空中飞行路径时,局部规划器考虑采用前端路径规划算法,即使用前端局部规划器得到符合多栖机器人运动学约束的路径。
前端局部规划器运行的前端路径规划算法可以是任意的局部路径规划算法,例如势场法、贝塞尔曲线等。本发明为了获取较优的规划路径,采用多项式曲线法进行路径规划,获取空中飞行状态下当前的实时定位信息,并将空中飞行路径上相对于实时定位信息的下一个位置点作为目标点位置,将起末点位置、速度、加速度信息带入五次多项式,获得无障碍物约束的路径如下:
p(t)=c5t5+c4t4+c3t3+c2t2+c1t+c0
x(start)=positionstart;v(start)=0;a(start)=0;
x(end)=positionena;v(end)=0;a(end)=0;
式中,p(t)为空中前端路径,c0,c1,c2,c3,c4,c5为五次多项式的系数,t为当前时间,x(start)为当前位置,x(end)为目标位置,v(start)为当前速度,v(end)为目标速度,a(start)为当前加速度,a(end)为目标加速度,positionstart为实时定位信息,positionend为目标点位置,T为前端局部规划器执行一次路径规划的时间。
为了提高路径规划效果,本实施例通过后端轨迹优化算法对之前得到的路径进行优化。针对空中飞行状态时,后端局部规划器采用B样条曲线插值方法对空中前端路径进行优化并输出空中后端路径。在利用B样条曲线插值方法进行路径优化时,可以直接根据B样条执行路径规划,也可以基于B样条结合所需的约束条件进行路径规划,得到满足平滑、动力学等约束条件的最优轨迹,。
为了便于理解,本实施例提供一种结合B样条和约束条件的示例。在进行优化时,将空中前端路径转化为控制点的N阶B样条,由约束条件和B样条建立目标函数:
f=μsfs+μcfc+μ(fa+fv)
式中,f为目标函数,fs为平滑成本函数,μs为平滑成本函数的参数,得到一条平滑的轨迹;fc为碰撞成本函数,μc为碰撞成本函数的参数,使轨迹远离障碍物;fa、fv分别为动力学成本函数,μ为动力学成本函数的参数,使轨迹的速度和加速度满足机器人的物理限制。
该目标函数通过基于梯度下降的优化方法,获取其函数值下降的方向,进而优化控制点的位置,将机器人局部轨迹指令输出到运动控制端。另外关于平滑成本函数和碰撞成本函数可根据实际需要自定义,也可以直接取现有的函数。
另外,针对地面移动状态时,地面局部规划器采用多项式曲线插值方法基于地面移动路径输出地面后端路径。在利用多项式曲线插值方法进行路径优化时,可以直接根据多项式曲线执行路径规划,也可以基于多项式曲线结合所需的约束条件进行路径规划。
为了便于理解,本实施例提供一种结合多项式曲线和约束条件的示例。地面移动状态的前端路径为连接当前点和目标点的多项式插值路径,然后构建以路径点和增量时间为优化变量,加入避障、速度与加速度限制、运动学约束、非完整性约束条件,建立目标函,通过优化器优化其路径点的位置,使目标函数值最小,得到满足约束条件的轨迹。其中的约束条件可以根据实际需要自定义,也可以直接取现有的函数。
需要说明的是,本实施例的局部轨迹规划是指取已知一条或一段路径上的相邻两个点,针对这两个点之间的路径进行规划优化,然后将规划优化后的路径发送至控制器控制多栖机器人导航行驶。
本发明构建二维可通行地图并采用地面规划优先的地空路径划分算法,降低了因飞行中机器人克服重力产生的能耗。本发明空中飞行状态的前端局部规划器的前端路径搜索算法获得一条五次多项式的前端空中路径,地空状态的局部避障规划器的后端轨迹优化算法分别对地面移动路径和前端空中路径进行优化,轨迹满足无碰撞约束、动力学约束、运动学约束、非完整性约束等约束条件,使轨迹可行且平滑。整个导航方法实现了地空路径的分割与规划,具备环境自适应且运行过程低功耗的能力。
在另一个实施例中,本申请还提供了一种面向多栖机器人的自适应低耗能导航装置,包括处理器以及存储有若干计算机指令的存储器,所述计算机指令被处理器执行时实现所述面向多栖机器人的自适应低耗能导航方法的步骤。
关于一种面向多栖机器人的自适应低耗能导航装置的具体限定可以参见上文中对于一种面向多栖机器人的自适应低耗能导航方法的限定,在此不再赘述。
存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器中存储有可在处理器上运行的计算机程序,所述处理器通过运行存储在存储器内的计算机程序,从而实现本发明实施例中的方法。
其中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器用于存储程序,所述处理器在接收到执行指令后,执行所述程序。
所述处理器可能是一种集成电路芯片,具有数据的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。
Claims (8)
1.一种面向多栖机器人的自适应低耗能导航方法,其特征在于,所述面向多栖机器人的自适应低耗能导航方法,包括:
采集多栖机器人当前的全局点云信息和实时定位信息,建立三维占据概率栅格地图和二维可通行地图;
通过基于三维占据概率栅格地图的全局路径规划算法,得到三维全局路径,并将所述三维全局路径投影至所述二维可通行地图,根据可通行情况和投影路径生成地面移动路径和空中飞行路径;
根据多栖机器人的实时定位信息切换多栖机器人的地空状态,在所述地空状态为空中飞行状态时,基于空中飞行路径运行前端局部规划器,将得到的空中前端路径输入后端局部规划器,输出空中后端路径用于多栖机器人导航;在所述地空状态为地面移动状态时,基于地面移动路径运行地面局部规划器,输出地面后端路径用于多栖机器人导航。
2.如权利要求1所述的面向多栖机器人的自适应低耗能导航方法,其特征在于,所述根据可通行情况和投影路径生成地面移动路径和空中飞行路径,包括:
根据可通行情况将投影路径分割为地面移动路径和空中移动路径;
将所述空中移动路径通过索引三维全局路径得到空中飞行路径。
3.如权利要求1所述的面向多栖机器人的自适应低耗能导航方法,其特征在于,所述全局路径规划算法为A星算法。
4.如权利要求1所述的面向多栖机器人的自适应低耗能导航方法,其特征在于,所述根据多栖机器人的实时定位信息切换多栖机器人的地空状态,包括:
读取多栖机器人的实时定位信息;
若实时定位信息位于地面移动路径上,则多栖机器人的地空状态为地面移动状态;
或者,若实时定位信息位于地面移动路径和空中飞行路径的交叉点且下一段路径为空中飞行路径,则多栖机器人的地空状态为空中飞行状态;
或者,若实时定位信息位于空中飞行路径上,则多栖机器人的地空状态为空中飞行状态;
或者,若实时定位信息位于空中飞行路径和地面移动路径的交叉点且下一段路径为地面移动路径,则多栖机器人的地空状态为地面移动状态。
5.如权利要求1所述的面向多栖机器人的自适应低耗能导航方法,其特征在于,所述基于空中飞行路径运行前端局部规划器,包括:
获取实时定位信息,并将空中飞行路径上相对于实时定位信息的下一个位置点作为目标点位置;
建立无障碍物约束的空中前端路径如下:
p(t)=c5t5+c4t4+c3t3+c2t2+c1t+c0
x(start)=positionstart
v(start)=0
a(start)=0
x(end)=positionend
v(end)=0
a(end)=0
式中,p(t)为空中前端路径,c0,c1,c2,c3,c4,c5为五次多项式的系数,t为当前时间,x(start)为当前位置,x(end)为目标位置,v(start)为当前速度,v(end)为目标速度,a(start)为当前加速度,a(end)为目标加速度,positionstart为实时定位信息,positionend为目标点位置,T为前端局部规划器执行一次路径规划的时间。
6.如权利要求1所述的面向多栖机器人的自适应低耗能导航方法,其特征在于,所述后端局部规划器采用B样条曲线插值方法对所述空中前端路径进行优化并输出空中后端路径。
7.如权利要求1所述的面向多栖机器人的自适应低耗能导航方法,其特征在于,所述地面局部规划器采用多项式曲线插值方法基于地面移动路径输出地面后端路径。
8.一种面向多栖机器人的自适应低耗能导航装置,包括处理器以及存储有若干计算机指令的存储器,其特征在于,所述计算机指令被处理器执行时实现权利要求1至权利要求7中任意一项所述面向多栖机器人的自适应低耗能导航方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310656783.8A CN116817884A (zh) | 2023-06-05 | 2023-06-05 | 一种面向多栖机器人的自适应低耗能导航方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310656783.8A CN116817884A (zh) | 2023-06-05 | 2023-06-05 | 一种面向多栖机器人的自适应低耗能导航方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116817884A true CN116817884A (zh) | 2023-09-29 |
Family
ID=88119580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310656783.8A Pending CN116817884A (zh) | 2023-06-05 | 2023-06-05 | 一种面向多栖机器人的自适应低耗能导航方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116817884A (zh) |
-
2023
- 2023-06-05 CN CN202310656783.8A patent/CN116817884A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10705528B2 (en) | Autonomous visual navigation | |
CN113110457B (zh) | 在室内复杂动态环境中智能机器人的自主覆盖巡检方法 | |
Chitsaz et al. | Time-optimal paths for a Dubins airplane | |
US20180100743A1 (en) | Computer-Implemented Method and a System for Guiding a Vehicle Within a Scenario with Obstacles | |
CN110262518A (zh) | 基于轨迹拓扑地图和避障的车辆导航方法、系统及介质 | |
KR101339480B1 (ko) | Rrt 기반의 듀얼 트리 구조를 이용한 이동 로봇의 궤적 계획 방법 | |
CN107436148A (zh) | 一种基于多地图的机器人导航方法及装置 | |
EP3605261A1 (en) | Virtual track design system for moving device and method for achieving same | |
CN111694356A (zh) | 一种行驶控制方法、装置、电子设备及存储介质 | |
Ab Wahab et al. | Path planning for mobile robot navigation in unknown indoor environments using hybrid PSOFS algorithm | |
CN114355981B (zh) | 一种四旋翼无人机自主探索建图的方法和系统 | |
Respall et al. | Fast sampling-based next-best-view exploration algorithm for a MAV | |
KR20210121595A (ko) | 최적 경로 탐색 장치 및 이의 동작 방법 | |
CN112660148A (zh) | 确定车辆的调头路径的方法、装置、设备和介质 | |
Kala et al. | Planning of multiple autonomous vehicles using rrt | |
Petrlík et al. | Coverage optimization in the cooperative surveillance task using multiple micro aerial vehicles | |
WO2023147769A1 (en) | Systems, methods, and computer-readable media for spatio-temporal motion planning | |
CN113819917A (zh) | 自动驾驶路径规划方法、装置、设备及存储介质 | |
Sundarraj et al. | Route planning for an autonomous robotic vehicle employing a weight-controlled particle swarm-optimized Dijkstra algorithm | |
Wu et al. | Real-time three-dimensional smooth path planning for unmanned aerial vehicles in completely unknown cluttered environments | |
Rocha et al. | Plannie: A benchmark framework for autonomous robots path planning algorithms integrated to simulated and real environments | |
Paliwal | A survey of a-star algorithm family for motion planning of autonomous vehicles | |
Gottlieb et al. | Multi-target motion planning amidst obstacles for autonomous aerial and ground vehicles | |
CN116817884A (zh) | 一种面向多栖机器人的自适应低耗能导航方法及装置 | |
WO2023039707A1 (en) | Motion planning using spatio-temporal convex corridors |
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 |