CN117021094A - 一种适用于狭窄空间的盾构机换刀机器人路径规划方法 - Google Patents
一种适用于狭窄空间的盾构机换刀机器人路径规划方法 Download PDFInfo
- Publication number
- CN117021094A CN117021094A CN202311049941.XA CN202311049941A CN117021094A CN 117021094 A CN117021094 A CN 117021094A CN 202311049941 A CN202311049941 A CN 202311049941A CN 117021094 A CN117021094 A CN 117021094A
- Authority
- CN
- China
- Prior art keywords
- channel
- tool changing
- node
- changing channel
- width
- 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 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 60
- 238000005070 sampling Methods 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
Abstract
本发明涉及一种适用于狭窄空间的盾构机换刀机器人路径规划方法。所述方法包括:首先,初始化地图信息和随机树,设置通道阈值,根据随机点和步长选择公式生成新生节点;其次,通过入口识别算法判断换刀通道类型,若为安全通道,继续判断是否为凹形陷阱,若为狭窄通道则先通过计算代价函数判断是否为极限通道,并比较采样次数与采样阈值,再通过比较极限换刀通道的权重比,选择权重比大的通道;最后,重复上述步骤直到满足新生节点和目标节点之间的距离小于距离阈值,对输出路径进行优化。本发明能够在狭窄空间选择安全通道,并有效提升了节点搜索效率,降低路径长度,提高了盾构机换刀机器人在复杂环境工作的安全性和效率。
Description
技术领域
本发明属于机器人路径规划领域,涉及一种盾构机换刀机器人路径规划方法,尤其是基于狭窄空间下盾构机换刀机器人路径规划方法技术领域。
背景技术
随着城市轨道交通,城市地下管廊,公路铁路隧道等建设中大量中,长隧道的开挖,具有挖掘速度快,施工周期短,自动化程度高等优点的盾构法施工得到广泛应用。如何利用机器人进行“高效,安全”的盾构自动化换刀已成为业界的研究热点。然而,盾构机换刀机器人的特殊工作环境,换刀作业需要在狭窄的隧道内进行,因此在狭窄的空间内对于保证换刀作业的顺利进行至关重要。而盾构机内空间狭窄,障碍众多,对换刀机器人的结构设计,路径规划技术提出了新的挑战,成为亟待解决的技术难题。
目前,较为常用的路径规划方法有人工势场法,A*算法,遗传算法,神经网络算法,这些算法要求在机械手的构型空间中对障碍物模型进行精确的描述,而计算复杂度随机械手自由度的增加呈指数增长。这些算法不适用于求解多自由度机械手的路径规划,而RRT算法因运算速度快,搜索能力强,结构简单等优点广泛应用于机器人的路径规划。
目前RRT算法在狭窄空间下的机器人路径规划研究存在如下问题:
(1)狭窄空间通常限制了盾构机换刀机器人的自由运动,换刀机器人关节和连接可能无法在狭小的空间中完全展开或旋转,而目前的算法可以识别通道但无法准确避开狭窄通道,例如,论文《基于改进RRT算法的路径规划研究》;
(2)目前改进算法通过加入了采样范围的限制和贪婪算法等策略以优化采样点的采样效率以及提升规划路径的质量,但有如下问题:路径规划过程中可能有多种狭窄通道经过,当区域障碍物狭窄或过多时,无法识别安全通道,当有多种狭窄通道时,如何进行狭窄通道选择,例如,专利号:CN202110774053.9《一种基于动态变采样区域的概率目标偏置快速扩展随机树(RRT)无人车路径规划方法》。
发明内容
本发明创造目的在于,提供一种改进快速扩展随机树算法,在狭窄路径下,通过计算通道的代价函数将狭窄空间分为安全换刀通道,极限换刀通道和危险换刀通道,选择安全的换刀通道,提高盾构机换刀机器人通过复杂环境的安全性和效率;在对多条极限通道进行最优选择时,设置采样阈值,通过比较采样系数和采样阈值,避免在多条极限换刀通道进行最优选择时陷入局部区域;在安全换刀通道遇见凹形障碍物时,引入随机点重构,防止随机树进入到障碍物内部容易陷入其中,造成局部震荡。
为实现上述目的,本发明采用如下技术方案:
S1:初始化地图和随机树,根据随机点和步长选择公式生成新节点;
S1.1:初始化地图信息,初始化随机树,设置盾构机换刀通道宽度阈值;
S1.2:采样区域范围内取随机采样点Xrand,寻找所有节点集Xnodes中距离随机采样点Xrand最近的点作为最近节点Xnear;
S1.3:根据随机点选择函数重构随机点,随机点Xrand选择公式为:
式中:Xstart为起始节点,Xend为目标节点,nar为狭窄通道检测结果(nar=0狭窄通道,nar=1安全换刀通道),flag为通行标志(flag=1允许通行,flag=0禁止通行),ω为目标权重因子,β为随机数,ε为概率因子,Spi为碰撞检测是否为凹形障碍物;
S1.4:根据步长选择公式,构建新生节点并将新生节点Xnew存入有效节点集Xnodes中,其中步长选择公式ρ和新生节点Xnew公式分别为:
式中:ρ1为安全换刀通道的步长,ρ2为狭窄换刀通道的步长,nar为狭窄通道检测结果(nar=0狭窄通道,nar=1安全换刀通道);
式中:Xrand为随机采样点,Xnear为离随机采样点最近的节点;
S2:判断换刀通道类型并选择安全换刀通道;
S2.1:利用入口识别算法判断盾构机换刀通道是否是安全通道,若是继续前行,否则停止前进使flag=0进入S2.3,安全换刀通道判断条件为:
式中:nar=0表示狭窄换刀通道,nar=1表示安全换刀通道,max_width为宽度阈值,cur_width为当前位置换刀通道的宽度;
S2.2:判断安全换刀通道是否是凹形陷阱,若安全换刀通道是凹形陷阱,则进入S1.3,否则进入S3.1;
S2.3:计算当前换刀通道的代价函数,进入S2.4,代价函数cost公式为:
cost=(max_width-cur_width)/max_width (5)
式中:max_width为宽度阈值,cur_width为当前位置换刀通道的宽度;
S2.4:通过换刀通道的代价函数cost判断狭窄换刀通道是否是极限换刀通道,若为极限换刀通道,则进入S2.5,否则进行人工换刀操作;
S2.5:判断采样次数k是否超过区域采样阈值K,若采样次数k没有超过采样阈值K,则进入S2.6,否则进入S2.7;
S2.6:记录此时通道的极限位置Xnewnode1的坐标(x,y),并使flag=1,使节点继续扩展,并将计算到的代价值映射到概率权重,进入S1.3,为了确保较高的带价值对应较低概率权重,使用递减函数进行映射,概率权重weight公式:
weight=1/(1+λcost) (6)
式中:cost是计算得到的代价值,λ是调整参数,用于控制映射的曲率;
S2.7:通过比较每条狭窄换刀通道的概率权重,选择最优通道,如果有安全换刀通道,则会直接通过安全换刀通道进行工作;
S3:生成路径并进行逆向寻优;
S3.1:判断新生节点Xnew是否满足||Xend-Xnew||≤radius,是则进入S3.2,否则返回S1.3,其中,||Xend-Xnew||为计算目标节点Xend和新生节点Xnew的距离公式,radius为范围阈值;
S3.2:在有效节点集Xnodes中根据各个节点间的关系,逆行连接有效节点集Xnodes中的各个节点,输出初始路径;
S3.3:利用逆向寻优的方法対生成路径进行初步优化,首先判断起始节点Xstart和目标节点Xend间是否存在障碍物,若没有障碍物,则起始节Xstart和目标节点Xend间为最佳路径;若存在障碍物,则选取目标节点Xend的前一节点Xnode1,判断该节点与起始节点Xstart是否存在障碍物,若没有障碍物,则直接将起始节点Xstart作为该节点的父节点,若不符合条件则继续向前寻找节点Xnode2,重复上述操作直到完成整条路径优化。
本发明具有如下有益效果:
(1)本发明所述狭窄空间的盾构机换刀机器人路径规划方法,在规划最优路径时考虑通道的安全风险,将通道分为安全换刀通道,极限换刀通道和危险换刀通道,当没有安全通道时选择权重比大的通道,并且构建随机点重构函数,提高了换刀机器人通过复杂环境的安全性和效率。仿真证明,在运行时间方面,本发明改进的RRT算法相比带偏向RRT算法(Bisa-RRT)和Mix-RRT算法分别降低82.63%,57.00%;在路径方面,本发明改进的RRT算法相比带偏向RRT算法(Bisa-RRT)和Mix-RRT算法分别减少384.8123m,268.0379m;
(2)在对多条极限换刀通道进行最优选择时,设置采样阈值,通过比较采样系数和采样阈值,避免在多条极限通道进行最优选择时陷入局部区域,在成功率方面,带偏向RRT算法(Bisa-RRT)成功率为65%,Mix-RRT的成功率为91%,本发明改进的RRT算法为99%;
(3)在安全换刀通道遇见凹形障碍物时,引入随机点重构,防止随机树进入到障碍物内部容易陷入其中,造成效率大幅下滑。仿真证明,在迭代次数方面,本发明改进的RRT算法相比带偏向RRT算法(Bisa-RRT)和Mix-RRT算法分别降低了78.20%,50.44%。
附图说明
图1是适用狭窄空间的盾构机换刀机器人路径规划方法总体流程图;
图2是包含安全换刀通道的多条狭窄通道路径规划方法结果图;
图3是未包含安全换刀通道的狭窄通道路径规划方法结果图;
图4换刀机器人通道入口识别算法图;
图5是本发明算法路径规划结果图;
图6是本发明算法路径优化结果图;
图7是在狭窄通道未考虑安全通道路径规划方法算法结果图;
图8是在狭窄通道考虑安全通道路径规划方法结果图;
图9是利用逆向寻优的方法対生成路径进行优化结果图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚,完整地描述,本发明涉及一种适用于狭窄空间的盾构机换刀机器人路径规划方法。
实施例:如图1所示,首先,初始化地图和随机树,设置通道阈值,生成新生节点;其次,判断换刀通道类型,若为安全通道,继续判断是否为凹形陷阱,若为狭窄通道则先判断是否为极限通道,并比较采样次数与采样阈值,再通过比较极限换刀通道的权重比,选择权重比大的通道,如图2所示;若只有狭窄通道则判断是否为极限通道,并比较采样次数与采样阈值,再通过比较极限换刀通道的权重比,选择权重比大的通道如图3所示;最后,重复上述步骤直到满足新生节点和目标节点之间的距离小于距离阈值,对输出路径进行优化。其具体包括如下步骤:
S1:初始化地图和随机树,根据随机点和步长选择公式生成新节点;
S1.1:初始化地图信息,并将地图信息二值化,设定地图大小为500×500,地图长度比例系数K1=0.05,地图宽度比例系数K2=0.05,起始节点为Xstart=(50,50),目标节点为Xend=(450,450),概率因子ρ=0.4,目标权重因子ω=0.6,调整参数λ=2,宽度阈值max_width=30,区域采样阈值K=400,安全换刀通道的步长ρ1=18,狭窄通道的步长ρ2=8,终点距离阈值radius=40,初始化flag=1,nar=0;
S1.2:采样区域范围内取随机采样点Xrand,寻找所有节点集Xnodes中距离随机采样点Xrand最近的点作为最近节点Xnear;
S1.3:根据随机点选择函数重构随机点,随机点选择公式为:
式中:Xstart为起始节点,Xend为目标节点,nar为狭窄通道检测结果(nar=0狭窄通道,nar=1安全换刀通道),flag为通行标志(flag=1允许通行,flag=0禁止通行),ω为目标权重因子,β为随机数,ε为概率因子,Spi为碰撞检测是否是凹形障碍物;
S1.4:根据步长选择公式,构建新生节点并将新生节点Xnew存入有效节点集Xnodes中,其中步长选择公式ρ和新生节点Xnew公式分别为:
式中:ρ1为安全换刀通道的步长,ρ2为狭窄换刀通道的步长,nar为狭窄通道检测结果(nar=0狭窄通道,nar=1安全换刀通道);
式中:Xrand为随机采样点,Xnear为离随机采样点最近的点;
S2:判断换刀通道类型并选择安全换刀通道;
S2.1:通过入口识别算法判断换刀通道是否为狭窄换刀通道,对于随机树上最外层节点Xnewnode计算当前位置周围的环境宽度,设其为圆心,产生一个虚拟的检测圆,其半径设定R,此时以圆心C为端点产生两条夹角为θ,长度为R的射线,射线会分别与障碍物产生交点A(xa,ya)和交点B(xb,yb),连接点A与点B,如图4所示,计算两点之间的距离cur_width,判断是否为安全通道,若是则继续前行,否则停止前进使flag=0进入S2.3,其中检测圆半径R:
R=K1×X+K2×Y (10)
式中:X为地图的长度,Y为地图的宽度,K1为地图长度比例系数,K2为地图宽度比例系数;
安全换刀通道判断条件为:
式中:nar=0表示狭窄换刀通道,nar=1表示安全换刀通道,max_width为宽度阈值,cur_width为当前换刀通道的宽度;
S2.2:判断安全换刀通道是否是凹形通道,随机树进入障碍物内部容易陷入其中,造成局部震荡,Xnewnode沿A,B中点方向扩展R/2长度,对此点进行碰撞检测,若出现障碍物说明此处扩展陷入凹陷阱,进入S1.3,否则进入S3.1;
式中:flag表示碰撞检测结果,flag=0时表示未检测到碰撞,flag=1表示检测到碰撞,Spi=1表示碰撞检测结果为凹形障碍物,Spi=0表示正常;
S2.3:计算当前换刀通道的代价函数,对于每条路径,通过计算当前换刀通道的宽度和通道阈值,如果当前宽度小于狭窄通道的宽度阈值,给予一个较高的代价值,代价函数cost为:
cost=(max_width-cur_width)/max_width (13)
式中:max_width为宽度阈值,cur_width为当前位置换刀通道的宽度;
S2.4:判断狭窄换刀通道是否是极限换刀通道,若0<cost<1/2为极限换刀通道,则进入S2.5,若1/2<cost为危险换刀通道则进行人工换刀操作;
S2.5:判断采样次数k是否超过区域采样阈值K,若采样次数k没有超过采样阈值K,则进入S2.6,否则进入S2.7;
S2.6:记录此时换刀通道的极限位置Xnewnode1的坐标(x,y),并使flag=1,使节点继续扩展,并将计算到的代价值映射到概率权重,使用递减函数weight进行映射,映射后的概率权重趋向于在较高代价值处较低,从而降低换刀机器人选择通过狭窄通道的概率,概率权重weight公式为:
weight=1/(1+λcost)。 (14)
式中:cost是计算得到的代价值,λ是调整参数,用于控制映射的曲率;
S2.7:通过比较每条狭窄换刀通道的概率权重,选择最优通道,如果有安全换刀通道,则会直接通过安全换刀通道进行工作;
S3:生成路径并进行逆向寻优;
S3.1:判断Xnew是否满足公式||Xend-Xnew||≤radius,是则继续进入S3.2,否则进入S1.3,其中,||Xend-Xnew||为计算目标节点Xend和新生节点Xnew的距离公式,radius为范围阈值;
S3.2:在有效节点集Xnodes中根据各个节点间的关系,逆行连接有效节点集Xnodes中的各个节点,输出初始路径;
S3.3:利用逆向寻优的方法対生成路径进行初步优化,首先判断起始节点Xstart和目标节点Xend间是否存在障碍物,若没有障碍物,则起始节Xstart和目标节点Xend间为最佳路径;若存在障碍物,则选取目标节点Xend的前一节点Xnode1,判断该节点与起始节点Xstart是否存在障碍物,若没有障碍物,则直接将起始节点Xstart作为该节点的父节点,若不符合条件则继续向前寻找节点Xnode2,重复上述操作直到完成整条路径优化。
为了进一步验证前述方案的实际效果,下面以Matlab进行仿真实验。为验证改进RRT算法在狭窄空间的适应性,对比原始RRT算法,带偏向RRT算法(Bisa-RRT)和Mix-RRT算法,保证地图是一样的,如图5所示,算法路径优化结果图如图6所示,在地图中多次重复实验,得到仿真数据如表1所示。
表1四种算法实验数据图
由表可知,改进的RRT算法比原始RRT算法,带偏向RRT算法(Bisa-RRT)和Mix-RRT算法在狭窄环境中有显著的提升:
(1)在运行时间方面,本发明改进的RRT算法相较于原始RRT算法降低了94.05%,与带偏向RRT算法(Bisa-RRT)相比降低了82.63%,与Mix-RRT算法相比降低了57.00%,运行时间方面,改进算法的运行时间大幅度降低。
(2)在迭代次数方面,本发明改进的RRT算法相较于原始RRT算法降低了89.05%,与带偏向RRT算法(Bisa-RRT)相比降低了78.20%,与Mix-RRT算法相比降低了50.44%,本发明改进的RRT能有效识别狭窄通道内最优路径。
(3)在路径长度方面,本发明改进的RRT算法比原始RRT算法,带偏向RRT算法(Bisa-RRT)和Mix-RRT算法分别减少605.6127m,384.8123m,268.0379m。改进的RRT算法有效的降低了路径的长度,提高了路径的质量。
(4)成功率方面,原始RRT成功率为23%,带偏向RRT算法(Bisa-RRT)成功率为65%,Mix-RRT的成功率为91%,本发明改进的RRT算法为99%。
当在狭窄通道未考虑安全通道路径规划时,仿真结果如图7所示,当在狭窄通道考虑安全通道路径规划时,仿真结果如图8所示,利用逆向寻优的方法対生成路径进行优化如图9所示。如果规划路径在有安全通道情况下仍通过狭窄通道到达终点,则会大大提高换刀机器人在狭窄空间内工作的危险性,不符合实际应用要求,所以在多条通道下选择安全通道是有必要的。
最后需要说明的是,以上实施例仅用于说明本发明的技术方案,而并非限制,尽管参照较佳的实施例对本发明的技术方案进行了详细说明,本领域技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明的宗旨和范围,其均应涵盖在本发明的保护范围当中。
Claims (1)
1.一种适用于狭窄空间的盾构机换刀机器人路径规划方法,包括如下步骤:
S1:初始化地图和随机树,根据随机点和步长选择公式生成新节点;
S1.1:初始化地图信息,初始化随机树,设置盾构机换刀通道宽度阈值,表示盾构机换刀机器人安全工作的宽度;
S1.2:采样区域范围内取随机采样点Xrand,寻找所有节点集Xnodes中距离随机采样点Xrand最近的点作为最近节点Xnear;
S1.3:根据随机点选择函数重构随机点Xrand,随机点选择公式为:
式中:Xstart为起始节点,Xend为目标节点,nar为狭窄通道检测结果(nar=0狭窄通道,nar=1安全换刀通道),flag为通行标志(flag=1允许通行,flag=0禁止通行),ω为目标权重因子,β为随机数,ε为概率因子,Spi为凹形障碍物检测结果;
S1.4:根据步长选择公式,构建新生节点并将新生节点Xnew存入有效节点集Xnodes中,其中步长ρ的选择公式和新生节点Xnew的公式分别为:
式中:ρ1为安全换刀通道的步长,ρ2为狭窄换刀通道的步长,nar为狭窄通道检测结果(nar=0狭窄通道,nar=1安全换刀通道);
式中:Xrand为随机采样点,Xnear为离随机采样点最近的节点;
S2:判断换刀通道类型并选择安全换刀通道;
S2.1:利用入口识别算法判断盾构机换刀通道是否是安全通道,若是则继续前行,否则停止前进使flag=0进入S2.3,安全换刀通道判断条件为:
式中:nar=0表示狭窄换刀通道,nar=1表示安全换刀通道,max_width为宽度阈值,cur_width为当前位置换刀通道的宽度;
S2.2:判断安全换刀通道是否是凹形陷阱,若安全换刀通道是凹形陷阱,则进入S1.3,否则进入S3.1;
S2.3:计算当前换刀通道的代价函数,进入S2.4,代价函数cost为:
cost=(max_width-cur_width)/max_width (5)
式中:max_width为宽度阈值,cur_width为当前位置换刀通道的宽度;
S2.4:判断狭窄换刀通道是否是极限换刀通道,若为极限换刀通道,则进入S2.5,否则进行人工换刀操作;
S2.5:判断采样次数k是否超过区域采样阈值K,若采样次数k没有超过采样阈值K,则进入S2.6,否则进入S2.7;
S2.6:记录此时通道位置Xnewnode1坐标(x,y),并使flag=1,使节点继续扩展,并将计算到的代价值映射到概率权重,进入S1.3,概率权重weight公式:
weight=1/(1+λcost) (6)
式中:cost是计算得到的代价值,λ是调整参数,用于控制映射的曲率;
S2.7:通过比较每条狭窄换刀通道的概率权重,选择最优通道;
S3:生成路径并进行逆向寻优;
S3.1:判断新生节点Xnew是否满足||Xend-Xnew||≤radius,是进入S3.2,否进入S1.3,其中,||Xend-Xnew||为计算目标节点Xend和新生节点Xnew的距离公式,radius为范围阈值;
S3.2:逆行连接有效节点集Xnodes中的各个节点,输出初始路径;
S3.3:利用逆向寻优的方法対生成路径进行初步优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311049941.XA CN117021094B (zh) | 2023-08-20 | 2023-08-20 | 一种适用于狭窄空间的盾构机换刀机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311049941.XA CN117021094B (zh) | 2023-08-20 | 2023-08-20 | 一种适用于狭窄空间的盾构机换刀机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117021094A true CN117021094A (zh) | 2023-11-10 |
CN117021094B CN117021094B (zh) | 2024-04-26 |
Family
ID=88644678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311049941.XA Active CN117021094B (zh) | 2023-08-20 | 2023-08-20 | 一种适用于狭窄空间的盾构机换刀机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117021094B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112033659A (zh) * | 2020-09-04 | 2020-12-04 | 盾构及掘进技术国家重点实验室 | 一种盾构机刀具的管理系统及方法 |
CN113359775A (zh) * | 2021-07-08 | 2021-09-07 | 哈尔滨理工大学 | 一种动态变采样区域rrt无人车路径规划方法 |
CN114995416A (zh) * | 2022-05-30 | 2022-09-02 | 深圳市优必选科技股份有限公司 | 全局路径导航方法、装置、终端设备及存储介质 |
WO2022237321A1 (zh) * | 2021-05-08 | 2022-11-17 | 珠海一微半导体股份有限公司 | 一种通行区域的路径融合规划方法、机器人及芯片 |
WO2023071959A1 (zh) * | 2021-10-26 | 2023-05-04 | 中国第一汽车股份有限公司 | 避障方法、装置、电子设备和存储介质 |
CN116576844A (zh) * | 2023-05-08 | 2023-08-11 | 吉林大学 | 一种考虑狭窄通道的移动机器人路径规划方法及系统 |
-
2023
- 2023-08-20 CN CN202311049941.XA patent/CN117021094B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112033659A (zh) * | 2020-09-04 | 2020-12-04 | 盾构及掘进技术国家重点实验室 | 一种盾构机刀具的管理系统及方法 |
WO2022237321A1 (zh) * | 2021-05-08 | 2022-11-17 | 珠海一微半导体股份有限公司 | 一种通行区域的路径融合规划方法、机器人及芯片 |
CN113359775A (zh) * | 2021-07-08 | 2021-09-07 | 哈尔滨理工大学 | 一种动态变采样区域rrt无人车路径规划方法 |
WO2023071959A1 (zh) * | 2021-10-26 | 2023-05-04 | 中国第一汽车股份有限公司 | 避障方法、装置、电子设备和存储介质 |
CN114995416A (zh) * | 2022-05-30 | 2022-09-02 | 深圳市优必选科技股份有限公司 | 全局路径导航方法、装置、终端设备及存储介质 |
CN116576844A (zh) * | 2023-05-08 | 2023-08-11 | 吉林大学 | 一种考虑狭窄通道的移动机器人路径规划方法及系统 |
Non-Patent Citations (3)
Title |
---|
栾添添 等: "基于动态变采样区域RRT的无人车路径规划", 《控制与决策》, vol. 38, no. 6, 30 June 2023 (2023-06-30) * |
栾添添 等: "狭窄空间的位姿辅助点TEB 无人车导航方法", 《仪器仪表学报》, vol. 44, no. 4, 30 April 2023 (2023-04-30) * |
沈刚: "基于多传感器信息融合的智能泊车路径规划与跟踪方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 February 2021 (2021-02-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117021094B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110509279B (zh) | 一种仿人机械臂的运动路径规划方法及系统 | |
CN103455034B (zh) | 一种基于最近距离向量场直方图的避障路径规划方法 | |
CN110609547B (zh) | 一种基于可视图引导的移动机器人规划方法 | |
CN113110522B (zh) | 一种基于复合式边界检测的机器人自主探索方法 | |
CN101650189B (zh) | 行走路径规划方法与避开动态障碍物的导航方法 | |
CN106647754A (zh) | 一种果园履带机器人路径规划方法 | |
CN115079705A (zh) | 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 | |
CN112506199B (zh) | 一种基于动态窗口法且适用于阿克曼模型机器人的局部路径规划方法 | |
CN113189988B (zh) | 一种基于Harris算法与RRT算法复合的自主路径规划方法 | |
CN113359775B (zh) | 一种动态变采样区域rrt无人车路径规划方法 | |
CN116125995B (zh) | 一种高铁巡检机器人的路径规划方法及系统 | |
CN109754130A (zh) | 基于拓扑地图的悬臂式掘进机截割轨迹规划方法 | |
CN112344938B (zh) | 基于指向和势场参数的空间环境路径生成及规划方法 | |
CN116276955A (zh) | 一种钻锚机器人钻臂轨迹规划方法、系统及电子设备 | |
CN117021094B (zh) | 一种适用于狭窄空间的盾构机换刀机器人路径规划方法 | |
CN114877905A (zh) | 一种双向动态生长的Informed-RRT*路径规划方法 | |
Gao et al. | A multiobjective hybrid optimization algorithm for path planning of coal mine patrol robot | |
CN112977443B (zh) | 一种井下无人驾驶无轨胶轮车的路径规划方法 | |
CN112519783B (zh) | 一种智能驾驶的自底向上平滑轨迹生成方法及系统 | |
Shang et al. | Research on path planning of autonomous vehicle based on RRT algorithm of Q-learning and obstacle distribution | |
CN117075607A (zh) | 一种适用于复杂环境的改进jps的无人车路径规划方法 | |
CN116627132A (zh) | 基于rrt改进的移动机器人路径规划方法 | |
CN113515111A (zh) | 一种车辆避障路径规划方法及装置 | |
CN113358129A (zh) | 基于Voronoi图的避障最短路径规划方法 | |
Qi et al. | Navigation Fusion Algorithm Based on Improved A* Algorithm and Dynamic Window Approach |
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 |