CN116976535A - 一种基于少数障碍侧与转向代价相融合的路径规划算法 - Google Patents
一种基于少数障碍侧与转向代价相融合的路径规划算法 Download PDFInfo
- Publication number
- CN116976535A CN116976535A CN202310767060.5A CN202310767060A CN116976535A CN 116976535 A CN116976535 A CN 116976535A CN 202310767060 A CN202310767060 A CN 202310767060A CN 116976535 A CN116976535 A CN 116976535A
- Authority
- CN
- China
- Prior art keywords
- node
- current
- sides
- path planning
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 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
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于少数障碍侧与转向代价相融合的路径规划算法,应用于运行在密集立体仓储中四向车的路径规划,获得密集立体仓储的地图环境信息;计算起点和终点连线的直线方程Ax+By+C=0,统计处于直线两侧障碍物的数量,标记障碍物较少的一侧为少数障碍物侧;记起点为当前父节点,以当前父节点为中心生成多个子节点,依据各个子节点是否位于少数障碍侧,定义其对应的优先级;按照优先级顺序,遍历各个子节点,在此期间,利用模糊逻辑控制算法动态调整启发函数的权值,并引入转向代价以构建新型评价函数,计算对应的总评价值,再以总评价值最小的子节点更新当前父节点;重复上述步骤,从起点至终点进行路径搜索,完成路径规划。
Description
技术领域
本发明属于路径规划的技术领域,涉及一种基于少数障碍侧与转向代价相融合的路径规划算法。
背景技术
随着土地和人工成本的不断上涨,自动化物流行业正迅速向着密集存储的方向发展,四向穿梭式自动化密集仓储系统是近年来一种新兴的仓储形式,具有作业效率高和空间利用率高等特点,在该系统中,四向穿梭车是关键设备之一,它可以在货架轨道上沿横向和纵向四个方向自主运行,但在横向和纵向轨道之间切换时需要一定的换向时间。此外,由于空间限制和对车辆行驶效率的考虑,一般要求每条车道都可双向通行,在垂直方向上,可与提升机进行配合,以实现三维空间中任意货位的存取。
在密集型立体仓储系统中,路径规划算法作为核心算法之一,其规划效率和效果在很大程度上影响着仓储系统的作业效率,其中A*算法凭借其高效的路径搜索能力和广泛的适用性,在智能仓储,机器人协作等领域得到了广泛的应用,目前已经成为路径规划领域的研究热点。
A*算法是一种启发式搜索算法,可以在搜索过程中根据启发函数估计每个节点到达目标的代价,并选择最优的节点进行扩展,在找到最优路径的同时有效减少了搜索过程中的节点数和计算量。此外,A*算法还具有良好的可塑性。在不同应用场景下,可以通过修改A*算法的评价函数使其所规划路径更好地适应于当前场景。
A*算法是一种在基于已知地图信息的路径规划算法,通过启发式函数对搜索过程进行指导,能够高效地找到最优路径,然而,A*算法也存在一些缺陷:
第一,A*算法中,启发函数的权值对路径规划效率和路径长度具有重要影响。当节点的启发函数值小于到终点的实际距离时,所规划路径一定为最短路径,然而此时需要遍历较多节点,路径规划效率不高;当节点的启发函数值大于到终点的实际距离时,路径规划的效率得到提升,而因为实际代价函数g(n)的占比下降,A*算法不一定能找到最短路径;
传统A*算法将启发函数权值设为1,导致其不具备适应性与灵活性,在中大型规模地图中的规划效率不高。
第二,在A*算法中,子节点的遍历顺序对所规划路径轨迹有很大影响。在密集仓储系统下,A*算法规划路径时未考虑到存放货物对四向车运行可能造成的影响。
第三,A*算法规划路径时未考虑到车辆频繁转向导致的额外时间和功率损耗,所规划路径中存在某些不必要的转向点,严重影响车辆行驶效率。
发明内容
本发明的目的在于克服传统A*算法中路径规划效率低下等技术缺陷,提供一种基于少数障碍侧与转向代价相融合的路径规划算法,首先提出了基于模糊逻辑的A*算法,以提高路径规划效率,其次提出了基于少数障碍侧的子节点遍历优先级,使所规划路径尽可能少地经过障碍物,最后在算法中引入转向代价,以减少路径中的转向点数量。
本发明可通过以下技术方案实现:
一种基于少数障碍侧与转向代价相融合的路径规划算法,应用于运行在密集立体仓储中四向车的路径规划,包括以下步骤:
S1、获得密集立体仓储的地图环境信息;
S2、计算起点和终点连线的直线方程Ax+By+C=0,统计处于直线两侧障碍物的数量,标记障碍物较少的一侧为少数障碍物侧;
S3、记起点为当前父节点,以当前父节点为中心生成四个子节点,依据各个子节点是否位于少数障碍侧,定义其对应的优先级;
S4、按照优先级顺序,遍历各个子节点,在此期间,利用模糊逻辑控制算法动态调整启发函数的权值,并引入转向代价以构建新型评价函数,计算对应的总评价值,再以总评价值最小的子节点更新当前父节点;
S5、重复步骤S3-S4,从起点至终点进行路径搜索,完成路径规划。
进一步,所述新型评价函数设置为f(n)=g(n)+w*h(n)+t(n),
其中,n表示当前子节点,g(n)表示从起点到当前子节点n的实际代价,即起点到当前子节点的距离;
w表示启发函数的权值,h(n)表示启发函数即从当前子节点n到终点的估计代价,采用曼哈顿距离计算;
t(n)表示从起点到当前子节点n的转向代价,记当前父节点为当前节点N,其父节点为F,四向车当前行驶方向用向量的方向表示,当前节点N与三个子节点构成的向量分别为其任一子节点Nx的转向代价为/>也就是当前子节点n的转动代价t(n),此处λ为转向代价系数。
进一步,采用四领域连通法,以当前父节点为中心生成上下左右四个方向的子节点,将子节点坐标代入直线方程Ax+By+C=0中计算结果,根据结果是否大于0判断该子节点是否位于少数障碍物侧,若是,则令该子节点对应的优先级Pri=0,反之Pri=1。
进一步,拥有相同优先级的子节点可以以任意顺序进行遍历。
进一步,计算起点与当前子节点的向量当前子节点与终点之间的最短距离为L1,起点到终点的向量/>及最短距离/>向量/>和/>之间的夹角α以及L1与最短距离/>的比值β,并将其作为模糊逻辑控制器的输入,求解启发函数的权值w。
进一步,利用模糊逻辑控制算法动态调整启发函数的权值方法包括以下步骤:
S41、确定模糊变量即夹角α和比值β的范围
利用如下方程式,计算夹角α和比值β
其中,α的论域为[0π],β的论域设为[10 50],权值w的论域为[1 2.5];
S42、确定模糊变量的隶属函数
选择三角形隶属函数作为模糊变量α和β的隶属函数,高斯型隶属函数作为权值w的隶属函数;
S43、建立模糊规则表如下
模糊逻辑规则表
S44、输入模糊变量α和β,并根据模糊规则表得出模糊结果,将模糊结果使用面积重心法进行去模糊后得到具体数值。
进一步,采用栅格法建立四领域连通的栅格地图模型,包括地图大小(X_length、Y_length)、起点(Start_Node)、终点(Target_Node)和所有障碍物坐标(Obs_Node_List),以此作为路径规划的环境基础。
有益效果:
第一,本发明首次提出了基于少数障碍侧的子节点优先级优化方法。该方法考虑到仓储系统中存放货物对四向车运行可能造成的影响,使路径规划算法能够在不改变路径长度的前提下,使所规划路径尽可能地避开已存放的货物。
第二,本发明使用模糊逻辑规则在路径规划过程中对A*算法的启发函数权值做出动态调整。该方法通过衡量当前节点n偏离目标方向的程度以及离目标点的远近程度来动态调整启发函数的权值,若当前方向严重偏离目标方向或当前节点离目标点较远时,则加大启发函数的权值,以快速向目标方向搜索;若当前方向与目标方向偏离程度较小,且当前节点离目标点较近时,则减小启发函数的权值,以降低所规划路径的长度。这使得路径规划规划效率大大提高,而所规划路径长度不过长。
第三,本发明综合考虑了四向车转向时的运行效率下降和能量损耗,在评价函数中引入了转向代价,使得所规划路径中转向点的数量有所下降,这减少了车辆行驶过程中不必要的转向,提高了车辆的行驶效率。
附图说明
图1为本发明的总体流程示意图;
图2为本发明的栅格地图示意图;
图3为本发明的不同子节点遍历顺序生成的路径示意图;
图4为本发明的少数障碍物侧模型示意图;
图5为本发明的利用模糊逻辑控制算法动态调整启发函数的权值的流程示意图;
图6为本发明的去模糊化后得到输出值w和输入变量α和β之间的函数关系示意图;
具体实施方式
下面结合附图,对本发明的具体实施方式做进一步阐述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
如图1所示,本发明提出了一种基于少数障碍侧与转向代价相融合的路径规划算法,具体包括以下步骤:
S1、获得密集仓储的地图环境信息;
栅格法是一种将实际环境离散化为一系列正方形栅格的建模方法。一般来说栅格值为1表示有障碍物,栅格值为0表示无障碍物,也可以通过设置不同的元素值来区分环境中的位置。
栅格地图可以适用于各种环境,并且能够在计算机中方便地进行处理和计算。但是,栅格地图的还原效果取决于划分环境的栅格大小,栅格越大对环境的还原效果越差,虽然降低了计算量,但规划出的路径比较粗糙;栅格越小对环境的还原效果越好,规划出的路径会更加准确,但会增加计算量并降低路径规划的效率。
在四向穿梭式仓储系统中,栅格地图能够精确地表示仓库中货架的位置和大小,为四向车的路径规划和自主定位提供了可靠的基础。在系统中,货架等环境因素可能会发生变化,如货物的存取,但是栅格地图可以通过更新、添加或删除栅格来适应环境变化,且四领域连通地图能更好的表达四向穿梭车的运动规律。因此本发明采用栅格法建立四领域连通的栅格地图模型,包括地图大小(X_length、Y_length)、起点(Start_Node)、终点(Target_Node)和所有障碍物坐标(Obs_Node_List),可用障碍物来表示已存放货物的位置,以此作为路径规划的环境基础。如图2所示,其中黑色表示障碍物,白色表示可通行栅格。
S2、计算起点和终点连线的直线方程Ax+By+C=0,统计处于直线两侧障碍物的数量,标记障碍物较少的一侧为少数障碍物侧;
S3、记起点为当前父节点,以当前父节点为中心生成四个子节点,依据各个子节点是否位于少数障碍侧,定义其对应的优先级;
在传统A*算法中,子节点的遍历顺序对所规划路径轨迹有很大影响。在大多数情况下最短路径的解是不唯一的,如图3所示,在10x10的地图中,起点为(2,2),终点为(10,9),不同的子节点遍历顺序会导致生成的路径有差异,这是因为在A*算法中,对于具有相同评价值的节点,会优先选择先遍历的节点。因此,在各子节点评价值相同的前提下,A*算法中子节点的遍历顺序即为子节点的优先级,本发明通过计算少数障碍侧来确定子节点的遍历顺序。在栅格地图中,用障碍物来表示已存放货物的位置,由A*算法的评价函数可知,改变子节点的遍历顺序不会改变当前节点的总评价值,因此优化后的算法不会改变规划路径的长度。
生成子节点的方法可采用四领域连通法,以当前父节点为中心生成上下左右四个方向的子节点,将子节点坐标代入直线方程Ax+By+C中计算结果,根据结果是否大于0判断该子节点是否位于少数障碍物侧,若是,则令该子节点对应的优先级Pri=0,反之Pri=1。
S4、按照优先级顺序,遍历各个子节点,在此期间,利用模糊逻辑控制算法动态调整启发函数的权值,并引入转向代价以构建新型评价函数,计算对应的总评价值,再以总评价值最小的子节点更新当前父节点。
在进行当前父节点更新时,除了起点,当前父节点均为前一父节点的子节点,所以在采用四邻域连通法新生成四个子节点时,其中一个子节点必然被当前父节点的父节点占用,因此,只会重新生成三个子节点,如图4所示,将起点和终点的连线设为L,记当前父节点为当前节点N,其当前节点N的父节点为F,其新生成的三个子节点分别为N1、N2、N3。在路径规划前,仍然可以按照步骤三先统计直线两侧的障碍物数量,并将障碍物数量较少的一侧记为少数障碍侧;再将当前节点N的子节点,分别代入直线方程中进行计算,若子节点位于少数障碍侧,则将其优先级Pri设为0,反之则设为1。
由上节讨论可知,子节点的遍历顺序不会影响规划路径的长度,对于具有同样优先级的N2和N3,遍历顺序可以是任意的,因此将三个子节点按照优先级从小到大的顺序排列后依次遍历,即优先遍历了位于少数障碍侧的子节点。
具体如下:
1)初始化两张表:Openlist和Closelist,其中Openlist包括所有可选择拓展的节点,Closelist包括所有已遍历的节点,将起点加入Closelist中,并将其记为当前父节点Node_Father。
2)初始化节点结构体变量,记录节点的各属性,其中PositionX为节点的横坐标;PositionY为节点的纵坐标;Cost_F为节点的总评价值;Cost_G为节点到起点的总距离;Cost_H为节点到终点的距离;Cost_T为节点到起点的总共转向代价值;Father为其父节点的坐标,用行向量表示;Pri为当前节点的优先级。
3)每次遍历子节点时,首先判断该子节点是否有效,若是,则跳过该子节点,若不是则计算该子节点的总评价值。
该子节点是否有效意味着需要考虑该子节点是否超出地图边界、是否为障碍物坐标、或者是否已经在Closelist中。
4)利用模糊逻辑控制算法动态调整启发函数的权值,其核心思想是计算出当前子节点n偏离目标方向的程度α以及与终点的远近程度β,若当前方向严重偏离目标方向或当前子节点离终点较远时,则加大启发函数的权值,以快速向目标方向搜索;若当前方向与目标方向偏离程度较小,且当前子节点离终点较近时,则减小启发函数的权值,以降低所规划路径的长度;如图5所示,即计算起点与当前子节点的向量当前子节点与终点之间的最短距离L1,起点到终点的向量/>及最短距离/>向量/>和/>之间的夹角α以及L1与最短距离的比值β,并将其作为模糊逻辑控制器的输入,求解启发函数的权值w。
具体如下:
S41、确定模糊变量即夹角α和比值β的范围
利用如下方程式,计算夹角α和比值β
其中,α表示当前子节点偏离目标方向的程度,其论域为[0π],β表示当前子节点距离终点的远近程度,其论域设为[10 50],权值w的论域为[1 2.5];
S42、确定模糊变量的隶属函数
模糊变量的隶属度函数是模糊逻辑系统中的重要组成部分,它描述了一个模糊变量在不同程度上属于某个模糊集合的程度。本发明选择三角形隶属函数作为模糊变量α和β的隶属函数,高斯型隶属函数作为权值w的隶属函数;
S43、建立模糊规则表如下
模糊规则表是一种描述模糊逻辑系统中输入变量和输出变量之间关系的表格。
模糊逻辑规则表
S44、输入模糊变量α和β,并根据模糊规则表得出模糊结果,将模糊结果使用面积重心法进行去模糊后得到具体数值。去模糊化后得到输出值w和输入变量α和β之间的函数关系,如图6所示。
5)计算当前子节点的Cost_G,Cost_H和Cost_T,以及总评价值Cost_F,并保存在该子节点对应的属性字段中;
利用新型评价函数计算当前子节点的总评价值Cost_F,该新型评价函数设置为f(n)=g(n)+w*h(n)+t(n),
其中,n表示当前子节点,g(n)表示从起点到当前子节点n的实际代价,即起点到当前子节点的距离即Cost_G;
w表示启发函数的权值,h(n)表示启发函数即从当前子节点n到终点的估计代价也就是当前子节点n到终点的距离Cost_H,可采用曼哈顿距离计算;
t(n)表示从起点到当前子节点n的转向代价即Cost_T,设当前节点N即当前父节点的父节点为F,四向车当前行驶方向用向量的方向表示,当前节点N与三个子节点构成的向量分别为其任一子节点Nx的转向代价为/>也就是当前子节点的转动代价t(n),此处λ为转向代价系数,需要根据实际情况来调整。如果车辆的转向在路径选择中具有较大的影响,可以适当增大转向代价系数的值,以提升转向代价对路径选择的影响。为避免路径规划陷入局部最优,λ的值不宜过大,本发明中设λ=0.5。
将引入转向代价后的算法在上文提及的30x30栅格地图中进行实验,并于改进前的算法进行比较,得到结果如下表所示。从中可知,引入转向代价后的算法所规划的路径转向次数更少,而所规划的路径长度没有发生改变,这说明改进后的算法减少了车辆行驶过程中不必要的转向,提高了车辆的行驶效率。
6)判断该子节点是否已在Openlist中,如果不是则将其加入Openlist,如果是则比较其新的总评价值是否更小,若是则更新其总评价值;
7)每次从Openlist中选择总评价值最小的子节点,将其移入Closelist后,从Openlist中删除,并将其记为当前父节点。
S5、重复步骤S3-S4,从起点至终点进行路径搜索,完成路径规划,也就是说直到将终点加入Closelist中或者Openlist为空,结束搜索。
当将终点加入Closelist后,根据各子节点的父节点逆向连接路径,直到追溯到起点时结束。若Openlist为空,则起点和终点间不存在可行路径。
为验证上述各优化方法对A*算法性能提升的有效性,将上述100x100栅格地图进行修改后,分别使用传统A*算法和综合优化后的算法进行路径规划。其中令传统A*算法启发函数权值为1,转向代价λ=0.5,得到结果如下表所示。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应该理解,这些仅是举例说明,在不违背本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改。
Claims (7)
1.一种基于少数障碍侧与转向代价相融合的路径规划算法,其特征在于,应用于运行在密集立体仓储中四向车的路径规划,包括以下步骤:
S1、获得密集立体仓储的地图环境信息;
S2、计算起点和终点连线的直线方程Ax+By+C=0,统计处于直线两侧障碍物的数量,标记障碍物较少的一侧为少数障碍物侧;
S3、记起点为当前父节点,以当前父节点为中心生成四个子节点,依据各个子节点是否位于少数障碍侧,定义其对应的优先级;
S4、按照优先级顺序,遍历各个子节点,在此期间,利用模糊逻辑控制算法动态调整启发函数的权值,并引入转向代价以构建新型评价函数,计算对应的总评价值,再以总评价值最小的子节点更新当前父节点;
S5、重复步骤S3-S4,从起点至终点进行路径搜索,完成路径规划。
2.根据权利要求1所述的基于少数障碍侧与转向代价相融合的路径规划算法,其特征在于:所述新型评价函数设置为f(n)=g(n)+w*h(n)+t(n),
其中,n表示当前子节点,g(n)表示从起点到当前子节点n的实际代价,即起点到当前子节点的距离;
w表示启发函数的权值,h(n)表示启发函数即从当前子节点n到终点的估计代价,采用曼哈顿距离计算;
t(n)表示从起点到当前子节点n的转向代价,记当前父节点为当前节点N,其父节点为F,四向车当前行驶方向用向量的方向表示,当前节点N与三个子节点构成的向量分别为其任一子节点Nx的转向代价为/>也就是当前子节点n的转动代价t(n),此处λ为转向代价系数。
3.根据权利要求2所述的基于少数障碍侧与转向代价相融合的路径规划算法,其特征在于:采用四领域连通法,以当前父节点为中心生成上下左右四个方向的子节点,将子节点坐标代入直线方程Ax+By+C=0中计算结果,根据结果是否大于0判断该子节点是否位于少数障碍物侧,若是,则令该子节点对应的优先级Pri=0,反之Pri=1。
4.根据权利要求3所述的基于少数障碍侧与转向代价相融合的路径规划算法,其特征在于:拥有相同优先级的子节点可以以任意顺序进行遍历。
5.根据权利要求1所述的基于少数障碍侧与转向代价相融合的路径规划算法,其特征在于:计算起点与当前子节点的向量当前子节点与终点之间的最短距离为L1,起点到终点的向量/>及最短距离/>向量/>和/>之间的夹角α以及L1与最短距离/>的比值β,并将其作为模糊逻辑控制器的输入,求解启发函数的权值w。
6.根据权利要求5所述的基于少数障碍侧与转向代价相融合的路径规划算法,其特征在于利用模糊逻辑控制算法动态调整启发函数的权值方法包括以下步骤:
S41、确定模糊变量即夹角α和比值β的范围
利用如下方程式,计算夹角α和比值β
其中,α的论域为[0π],β的论域设为[10 50],权值w的论域为[1 2.5];
S42、确定模糊变量的隶属函数
选择三角形隶属函数作为模糊变量α和β的隶属函数,高斯型隶属函数作为权值w的隶属函数;
S43、建立模糊规则表如下
模糊逻辑规则表
S44、输入模糊变量α和β,并根据模糊规则表得出模糊结果,将模糊结果使用面积重心法进行去模糊后得到具体数值。
7.根据权利要求1所述的基于少数障碍侧与转向代价相融合的路径规划算法,其特征在于:采用栅格法建立四领域连通的栅格地图模型,包括地图大小(X_length、Y_length)、起点(Start_Node)、终点(Target_Node)和所有障碍物坐标(Obs_Node_List),以此作为路径规划的环境基础。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310767060.5A CN116976535B (zh) | 2023-06-27 | 2023-06-27 | 一种基于少数障碍侧与转向代价相融合的路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310767060.5A CN116976535B (zh) | 2023-06-27 | 2023-06-27 | 一种基于少数障碍侧与转向代价相融合的路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976535A true CN116976535A (zh) | 2023-10-31 |
CN116976535B CN116976535B (zh) | 2024-05-17 |
Family
ID=88478796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310767060.5A Active CN116976535B (zh) | 2023-06-27 | 2023-06-27 | 一种基于少数障碍侧与转向代价相融合的路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976535B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107345815A (zh) * | 2017-07-24 | 2017-11-14 | 东北大学 | 一种基于改进a*算法的家庭服务机器人路径规划方法 |
CN108287469A (zh) * | 2017-11-28 | 2018-07-17 | 上海师范大学 | 基于人工势场引力因子的机械臂最优避障控制方法及装置 |
CN108469827A (zh) * | 2018-05-16 | 2018-08-31 | 江苏华章物流科技股份有限公司 | 一种适用于物流仓储系统的自动导引车全局路径规划方法 |
CN108803659A (zh) * | 2018-06-21 | 2018-11-13 | 浙江大学 | 基于魔方模型的多窗口启发式三维空间路径规划方法 |
WO2020135880A1 (zh) * | 2018-12-29 | 2020-07-02 | 长城汽车股份有限公司 | 车辆自动驾驶时的行车道选择方法、选择系统及车辆 |
CN112378408A (zh) * | 2020-11-26 | 2021-02-19 | 重庆大学 | 一种实现轮式移动机器人实时避障的路径规划方法 |
CN112486178A (zh) * | 2020-12-03 | 2021-03-12 | 哈尔滨理工大学 | 一种基于有向d*算法的动态路径规划方法 |
CN113064436A (zh) * | 2021-03-31 | 2021-07-02 | 翁嘉琦 | 一种agv系统中动态路径规划和去中心化避障方法 |
CN114200933A (zh) * | 2021-12-06 | 2022-03-18 | 太原科技大学 | 一种桥式起重机三维路径规划方法 |
CN114527644A (zh) * | 2022-01-12 | 2022-05-24 | 华南理工大学 | 基于模糊逻辑控制算法的a星算法改进方法、系统及介质 |
CN114564008A (zh) * | 2022-01-19 | 2022-05-31 | 南京邮电大学 | 基于改进A-Star算法的移动机器人路径规划方法 |
CN114689070A (zh) * | 2022-03-08 | 2022-07-01 | 三一重机有限公司 | 路径规划方法及装置 |
US20220284071A1 (en) * | 2020-03-04 | 2022-09-08 | Karl Louis Denninghoff | Transitory salient attention capture to draw attention to digital document parts |
CN115047880A (zh) * | 2022-06-17 | 2022-09-13 | 湖北亦煌科技有限公司 | 一种未知动态环境下机器人智能路径规划方法 |
CN115079705A (zh) * | 2022-08-08 | 2022-09-20 | 海相(江苏)科技有限公司 | 基于改进a星融合dwa优化算法的巡检机器人路径规划方法 |
CN115235452A (zh) * | 2022-07-22 | 2022-10-25 | 上海师范大学 | 基于uwb/imu和视觉信息融合的智能泊车定位系统及方法 |
CN115291597A (zh) * | 2022-05-30 | 2022-11-04 | 上海仙途智能科技有限公司 | 基于双向混合a*算法的路径规划方法及装置、终端 |
CN115454091A (zh) * | 2022-09-29 | 2022-12-09 | 长安大学 | 一种应用于机场行李托运的多车路径规划方法及系统设备 |
CN115503757A (zh) * | 2022-10-21 | 2022-12-23 | 苏州挚途科技有限公司 | 自动驾驶车辆的控制方法、装置以及自动驾驶系统 |
CN115826568A (zh) * | 2022-09-28 | 2023-03-21 | 深圳优地科技有限公司 | 机器人行进的控制方法、控制装置及机器人 |
WO2023061927A1 (en) * | 2021-10-15 | 2023-04-20 | Fusion Lab Technologies SARL | Method for notifying a visually impaired user of the presence of object and/or obstacle |
-
2023
- 2023-06-27 CN CN202310767060.5A patent/CN116976535B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107345815A (zh) * | 2017-07-24 | 2017-11-14 | 东北大学 | 一种基于改进a*算法的家庭服务机器人路径规划方法 |
CN108287469A (zh) * | 2017-11-28 | 2018-07-17 | 上海师范大学 | 基于人工势场引力因子的机械臂最优避障控制方法及装置 |
CN108469827A (zh) * | 2018-05-16 | 2018-08-31 | 江苏华章物流科技股份有限公司 | 一种适用于物流仓储系统的自动导引车全局路径规划方法 |
CN108803659A (zh) * | 2018-06-21 | 2018-11-13 | 浙江大学 | 基于魔方模型的多窗口启发式三维空间路径规划方法 |
WO2020135880A1 (zh) * | 2018-12-29 | 2020-07-02 | 长城汽车股份有限公司 | 车辆自动驾驶时的行车道选择方法、选择系统及车辆 |
US20220284071A1 (en) * | 2020-03-04 | 2022-09-08 | Karl Louis Denninghoff | Transitory salient attention capture to draw attention to digital document parts |
CN112378408A (zh) * | 2020-11-26 | 2021-02-19 | 重庆大学 | 一种实现轮式移动机器人实时避障的路径规划方法 |
CN112486178A (zh) * | 2020-12-03 | 2021-03-12 | 哈尔滨理工大学 | 一种基于有向d*算法的动态路径规划方法 |
CN113064436A (zh) * | 2021-03-31 | 2021-07-02 | 翁嘉琦 | 一种agv系统中动态路径规划和去中心化避障方法 |
WO2023061927A1 (en) * | 2021-10-15 | 2023-04-20 | Fusion Lab Technologies SARL | Method for notifying a visually impaired user of the presence of object and/or obstacle |
CN114200933A (zh) * | 2021-12-06 | 2022-03-18 | 太原科技大学 | 一种桥式起重机三维路径规划方法 |
CN114527644A (zh) * | 2022-01-12 | 2022-05-24 | 华南理工大学 | 基于模糊逻辑控制算法的a星算法改进方法、系统及介质 |
CN114564008A (zh) * | 2022-01-19 | 2022-05-31 | 南京邮电大学 | 基于改进A-Star算法的移动机器人路径规划方法 |
CN114689070A (zh) * | 2022-03-08 | 2022-07-01 | 三一重机有限公司 | 路径规划方法及装置 |
CN115291597A (zh) * | 2022-05-30 | 2022-11-04 | 上海仙途智能科技有限公司 | 基于双向混合a*算法的路径规划方法及装置、终端 |
CN115047880A (zh) * | 2022-06-17 | 2022-09-13 | 湖北亦煌科技有限公司 | 一种未知动态环境下机器人智能路径规划方法 |
CN115235452A (zh) * | 2022-07-22 | 2022-10-25 | 上海师范大学 | 基于uwb/imu和视觉信息融合的智能泊车定位系统及方法 |
CN115079705A (zh) * | 2022-08-08 | 2022-09-20 | 海相(江苏)科技有限公司 | 基于改进a星融合dwa优化算法的巡检机器人路径规划方法 |
CN115826568A (zh) * | 2022-09-28 | 2023-03-21 | 深圳优地科技有限公司 | 机器人行进的控制方法、控制装置及机器人 |
CN115454091A (zh) * | 2022-09-29 | 2022-12-09 | 长安大学 | 一种应用于机场行李托运的多车路径规划方法及系统设备 |
CN115503757A (zh) * | 2022-10-21 | 2022-12-23 | 苏州挚途科技有限公司 | 自动驾驶车辆的控制方法、装置以及自动驾驶系统 |
Non-Patent Citations (2)
Title |
---|
达克: "动态环境下移动机器人的高效路径规划", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 February 2022 (2022-02-15), pages 140 - 458 * |
韩昊旻: "基于多传感信息融合的迎宾机器人导航系统设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 08, 15 August 2019 (2019-08-15), pages 136 - 686 * |
Also Published As
Publication number | Publication date |
---|---|
CN116976535B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109945873B (zh) | 一种用于室内移动机器人运动控制的混合路径规划方法 | |
CN110231824B (zh) | 基于直线偏离度方法的智能体路径规划方法 | |
CN111174798A (zh) | 一种足式机器人路径规划方法 | |
WO2023155371A1 (zh) | 室内移动机器人的平稳移动全局路径规划方法 | |
CN108444490B (zh) | 基于可视图和a*算法深度融合的机器人路径规划方法 | |
CN111422741B (zh) | 一种桥式起重机运动路径规划方法 | |
CN112985408B (zh) | 一种路径规划优化方法及系统 | |
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 | |
CN105527964A (zh) | 一种机器人路径规划方法 | |
CN113515129B (zh) | 一种基于边界查找的双向跳点搜索无人车路径规划方法 | |
CN112327876B (zh) | 一种基于终距指数的机器人路径规划方法 | |
CN110207706A (zh) | 一种基于栅格地图的自动归位椅路径规划算法 | |
Xu et al. | A fast path planning algorithm fusing prm and p-bi-rrt | |
CN114675649A (zh) | 一种融合改进的a*与dwa算法的室内移动机器人路径规划方法 | |
CN113325839B (zh) | 一种基于改进蚁群算法的智能仓储机器人路径规划方法 | |
CN115167398A (zh) | 一种基于改进a星算法的无人船路径规划方法 | |
CN114545921B (zh) | 一种基于改进rrt算法的无人汽车路径规划算法 | |
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 | |
CN116414139B (zh) | 基于A-Star算法的移动机器人复杂路径规划方法 | |
CN112539751A (zh) | 一种机器人路径规划方法 | |
Tang et al. | On the use of ant colony algorithm with weighted penalty strategy to optimize path searching | |
Tang et al. | A reference path guided rrt* method for the local path planning of UGVS | |
CN115454070A (zh) | 一种K-Means蚁群算法多机器人路径规划方法 | |
Ran et al. | Summary of research on path planning based on A* algorithm | |
Zhi et al. | Research on path planning of mobile robot based on A* 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 |