CN117093005B - 一种智能汽车自主避障方法 - Google Patents
一种智能汽车自主避障方法 Download PDFInfo
- Publication number
- CN117093005B CN117093005B CN202311329610.1A CN202311329610A CN117093005B CN 117093005 B CN117093005 B CN 117093005B CN 202311329610 A CN202311329610 A CN 202311329610A CN 117093005 B CN117093005 B CN 117093005B
- Authority
- CN
- China
- Prior art keywords
- obstacle avoidance
- function
- avoidance path
- obstacle
- path
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000008859 change Effects 0.000 claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 230000014509 gene expression Effects 0.000 claims description 17
- 101100379081 Emericella variicolor andC gene Proteins 0.000 claims description 3
- 230000006870 function Effects 0.000 description 68
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种智能汽车自主避障方法，包括：搭建汽车的行车环境模型；在行车环境模型中，获得起始点、障碍物、终点的位置信息；根据起始点、障碍物、终点的位置信息建立改进的势场函数，所述改进的势场函数包括吸引力函数、排斥力函数、合力函数、变速度函数；将吸引力函数、排斥力函数、合力函数、变速度函数应用于势场法中得到汽车避障路径；根据障碍物节点对得到的汽车避障路径进行分段化处理，得到分段化路径；采用最小化方法添加约束函数对分段化路径进行曲率及路径长度的约束，从而建立目标函数，再基于目标函数得到最佳避障路径。本发明能够解决现有技术在复杂障碍物场景中容易陷入极值及最优从而不能达到目标点的问题。
Description
技术领域
本发明涉及智能汽车技术领域，特别是涉及一种智能汽车自主避障方法。
背景技术
智能汽车自主避障是一种基于感知、决策、规划和控制等一系列的技术方案，其目的是可以让汽车具有局部避免碰撞障碍物的能力。其中在规划部分需要能根据不同情况规划出一条可行的避障路径，所规划出的路径需要保证平滑度、稳定性、避障效果、避障时间等一系列指标，进而获得最佳的避障路径，从而帮助智能汽车完成自动驾驶规避障碍物的任务。
势场法是目前常用的避障方法，该方法因公式简便、运算效率高及适用性强等优点被广泛运用于汽车避障算法中，但是传统的势场法在复杂障碍物环境中经常容易陷入极值及最优从而不能达到目标点。
发明内容
本发明的目的在于提供一种智能汽车自主避障方法，以解决现有技术在复杂障碍物场景中容易陷入极值及最优从而不能达到目标点的问题，提高避障效率。
一种智能汽车自主避障方法，包括以下步骤：
步骤1，搭建汽车的行车环境模型；
步骤2，在行车环境模型中，获得起始点、障碍物、终点的位置信息；
步骤3，根据起始点、障碍物、终点的位置信息建立改进的势场函数，所述改进的势场函数包括吸引力函数、排斥力函数、合力函数、变速度函数；
步骤4，将吸引力函数、排斥力函数、合力函数、变速度函数应用于势场法中得到汽车避障路径；
步骤5，根据障碍物节点对得到的汽车避障路径进行分段化处理，得到分段化路径；
步骤6，采用最小化方法添加约束函数对分段化路径进行曲率及路径长度的约束，从而建立目标函数，再基于目标函数得到最佳避障路径。
根据本发明提供的智能汽车自主避障方法，具有以下有益效果：
（1）本发明在传统势场函数的基础上，改进了吸引力函数、排斥力势场函数，新增了一个方向可变的排斥力函数，在合力函数中引入航向角，以及增加了一个变速度函数，能够有效的解决传统算法在复杂障碍物场景中容易陷入极值及最优从而不能达到目标点的问题，并且可以提高避障效率；
（2）本发明增加的变速度函数，能够根据障碍物的多少来进行速度的加减，可以有效的提高避障效率及安全性。
（3）本发明对避障路径根据障碍物节点进行分段化处理，并添加约束函数，可以提高避障路径的平滑性和可靠性，更符合现实驾驶中的需求。
此外，上述的智能汽车自主避障方法，还具有以下技术特征：
进一步的，步骤3中，吸引力函数的表达式为：
其中，F att是终点对汽车的吸引力，L是在预设搜索范围内障碍物的数量，fac att是吸引力系数，dist pg是汽车和终点的距离，n是运行迭代次数，vect pg是汽车相对终点的方向向量，e表示指数。
进一步的，步骤3中，排斥力函数的表达式为：
；
其中，是障碍物对汽车的排斥力，fac ob是排斥力系数，dist ob是障碍物与汽车的距离，L safe是预设的安全距离，vect ob是汽车相对障碍物的方向向量，/>是障碍物对汽车的方向可变排斥力，Fre_sum是排斥力合力。
进一步的，步骤3中，合力函数的表达式为：
其中，F sum是汽车所受到的合力，及/>是x和y方向的方向可变排斥力，θ是汽车的航向角。
进一步的，步骤3中，变速度函数的表达式为：
其中，v是汽车的实时速度，v 0是汽车的初速度，是汽车所受合力的负梯度函数，J是障碍物的总数量，vect sum是汽车所受合力方向向量。
进一步的，步骤5满足以下条件式：
其中，P(t)表示汽车避障路径，M表示障碍物的总数，P 1(t)、P 2(t)、P M(t)分别表示第1段避障路径、第2段避障路径、第M段避障路径，Q 1表示第1段避障路径中离散轨迹点的数目，Q 2表示第2段避障路径中离散轨迹点的数目，Q M表示第M段避障路径中离散轨迹点的数目，表示第1段避障路径中的第i个轨迹点，/>表示第2段避障路径中的第j个轨迹点，表示第M段避障路径中的第k个轨迹点，t 1、t 2、t M分别表示通过第1段避障路径、第2段避障路径、第M段避障路径所需的时间。
进一步的，步骤6中，约束函数和目标函数的表达式为：
其中，C是约束函数，和/>是加权系数，C cur和C len分别是避障路径的曲率约束和长度约束，/>是目标函数，/>、/>、/>分别是第1段避障路径中的轨迹点集合、第2段避障路径中的轨迹点集合、第M段避障路径中的轨迹点集合，/>、/>、/>分别是第1段避障路径、第2段避障路径、第M段避障路径对应的约束函数，T表示转置操作。
附图说明
图1为本发明实施例的智能汽车自主避障方法的流程图；
图2为本发明的方法与传统势场法避障效果对比示意图；
图3为汽车与障碍物的距离变化示意图；
图4为汽车速度变化示意图。
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。
请参阅图1，本发明的实施例提供了一种智能汽车自主避障方法，包括步骤1~步骤6：
步骤1，搭建汽车的行车环境模型。
步骤2，在行车环境模型中，获得起始点、障碍物、终点的位置信息。
步骤3，根据起始点、障碍物、终点的位置信息建立改进的势场函数，所述改进的势场函数包括吸引力函数、排斥力函数、合力函数、变速度函数。
步骤3中，吸引力函数的表达式为：
其中，F att是终点对汽车的吸引力，方向始终指向终点，L是在预设搜索范围内障碍物的数量，fac att是吸引力系数，dist pg是汽车和终点的距离，n是运行迭代次数，vect pg是汽车相对终点的方向向量，e表示指数。
排斥力函数的表达式为：
；
其中，是障碍物对汽车的排斥力，fac ob是排斥力系数，dist ob是障碍物与汽车的距离，L safe是预设的安全距离，vect ob是汽车相对障碍物的方向向量，/>是障碍物对汽车的方向可变排斥力，Fre_sum是排斥力合力。
合力函数的表达式为：
其中，F sum是汽车所受到的合力，及/>是x和y方向的方向可变排斥力，θ是汽车的航向角。
变速度函数的表达式为：
其中，v是汽车的实时速度，v 0是汽车的初速度，是汽车所受合力的负梯度函数，J是障碍物的总数量，vect sum是汽车所受合力方向向量。
步骤4，将吸引力函数、排斥力函数、合力函数、变速度函数应用于势场法中得到汽车避障路径。
传统势场法在复杂障碍物场景中容易陷入极值及最优从而不能达到目标点，而本发明中，吸引力函数根据迭代次数及附近障碍物数量进行改进，从而可以对吸引力大小进行自适应的调节，对排斥力函数进行改进，还引入了方向可变的排斥力，可以根据吸引力和排斥力大小的关系来自动调节排斥力方向，有助于解决极值问题，对合力函数进行改进，通过引入航向角来有效的解决极值及局部最优问题，并且提出变速度函数，提高汽车的避障效率及安全性。
步骤5，根据障碍物节点对得到的汽车避障路径进行分段化处理，得到分段化路径。
其中，步骤5满足以下条件式：
其中，P(t)表示汽车避障路径，M表示障碍物的总数，P 1(t)、P 2(t)、P M(t)分别表示第1段避障路径、第2段避障路径、第M段避障路径，Q 1表示第1段避障路径中离散轨迹点的数目，Q 2表示第2段避障路径中离散轨迹点的数目，Q M表示第M段避障路径中离散轨迹点的数目，表示第1段避障路径中的第i个轨迹点，/>表示第2段避障路径中的第j个轨迹点，表示第M段避障路径中的第k个轨迹点，t 1、t 2、t M分别表示通过第1段避障路径、第2段避障路径、第M段避障路径所需的时间。
步骤6，采用最小化方法添加约束函数对分段化路径进行曲率及路径长度的约束，从而建立目标函数，再基于目标函数得到最佳避障路径。
步骤6中，约束函数和目标函数的表达式为：
其中，C是约束函数，和/>是加权系数，C cur和C len分别是避障路径的曲率约束和长度约束，/>是目标函数，/>、/>、/>分别是第1段避障路径中的轨迹点集合、第2段避障路径中的轨迹点集合、第M段避障路径中的轨迹点集合，/>、/>、/>分别是第1段避障路径、第2段避障路径、第M段避障路径对应的约束函数，T表示转置操作。
下面将本实施例的方法与传统势场法的自主避障进行对比。
如图2所示，图2为本发明的方法与传统势场法避障效果对比示意图，仿真实验使用的是MatlabR2022a版本，验证本发明方法与传统势场法对比解决目标不可达问题及规划的避障路径更加平滑稳定。在仿真中，黑色实心小方块代表障碍物，部分障碍物坐标为（2.1，33.6），（8.4，21），（18.9，23.1），（31.5，42）；圆形为起点，坐标为（2，5）；五角星代表目标点，坐标为（47.5，47.5）；从图2可以看出，本发明的方法相比传统势场法可以有效解决目标不可达问题并且所规划的避障路径更加平滑稳定。
如图3所示，图3为汽车与障碍物的距离变化示意图，从图3可以看出，采用本发明的方法，汽车在避障过程中与所有障碍物的距离均保持在安全距离范围内，可以做到安全避障。
如图4所示，图4为汽车速度变化示意图，从图4可以看出，采用本发明的方法，汽车在避障过程中速度与搜索范围内存在障碍物的数量成反比，所以图中的有加速及减速过程，能够保证行车安全，还可以提高避障效率。
综上，本发明提供的智能汽车自主避障方法，具有以下有益效果：
（1）本发明在传统势场函数的基础上，改进了吸引力函数、排斥力势场函数，新增了一个方向可变的排斥力函数，在合力函数中引入航向角，以及增加了一个变速度函数，能够有效的解决传统算法在复杂障碍物场景中容易陷入极值及最优从而不能达到目标点的问题，并且可以提高避障效率；
（2）本发明增加的变速度函数，能够根据障碍物的多少来进行速度的加减，可以有效的提高避障效率及安全性。
（3）本发明对避障路径根据障碍物节点进行分段化处理，并添加约束函数，可以提高避障路径的平滑性和可靠性，更符合现实驾驶中的需求。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种智能汽车自主避障方法，其特征在于，包括以下步骤：
步骤1，搭建汽车的行车环境模型；
步骤2，在行车环境模型中，获得起始点、障碍物、终点的位置信息；
步骤3，根据起始点、障碍物、终点的位置信息建立改进的势场函数，所述改进的势场函数包括吸引力函数、排斥力函数、合力函数、变速度函数；
步骤4，将吸引力函数、排斥力函数、合力函数、变速度函数应用于势场法中得到汽车避障路径；
步骤5，根据障碍物节点对得到的汽车避障路径进行分段化处理，得到分段化路径；
步骤6，采用最小化方法添加约束函数对分段化路径进行曲率及路径长度的约束，从而建立目标函数，再基于目标函数得到最佳避障路径；
步骤3中，吸引力函数的表达式为：
其中，F att是终点对汽车的吸引力，L是在预设搜索范围内障碍物的数量，fac att是吸引力系数，dist pg是汽车和终点的距离，n是运行迭代次数，vect pg是汽车相对终点的方向向量，e表示指数。
2.根据权利要求1所述的智能汽车自主避障方法，其特征在于，步骤3中，排斥力函数的表达式为：
；
其中，是障碍物对汽车的排斥力，fac ob是排斥力系数，dist ob是障碍物与汽车的距离，L safe是预设的安全距离，vect ob是汽车相对障碍物的方向向量，/>是障碍物对汽车的方向可变排斥力，Fre_sum是排斥力合力。
3.根据权利要求2所述的智能汽车自主避障方法，其特征在于，步骤3中，合力函数的表达式为：
其中，F sum是汽车所受到的合力，及/>是x和y方向的方向可变排斥力，θ是汽车的航向角。
4.根据权利要求3所述的智能汽车自主避障方法，其特征在于，步骤3中，变速度函数的表达式为：
其中，v是汽车的实时速度，v 0是汽车的初速度，是汽车所受合力的负梯度函数，J是障碍物的总数量，vect sum是汽车所受合力方向向量。
5.根据权利要求4所述的智能汽车自主避障方法，其特征在于，步骤5满足以下条件式：
其中，P(t)表示汽车避障路径，M表示障碍物的总数，P 1(t)、P 2(t)、P M(t)分别表示第1段避障路径、第2段避障路径、第M段避障路径，Q 1表示第1段避障路径中离散轨迹点的数目，Q 2表示第2段避障路径中离散轨迹点的数目，Q M表示第M段避障路径中离散轨迹点的数目，表示第1段避障路径中的第i个轨迹点，/>表示第2段避障路径中的第j个轨迹点，/>表示第M段避障路径中的第k个轨迹点，t 1、t 2、t M分别表示通过第1段避障路径、第2段避障路径、第M段避障路径所需的时间。
6.根据权利要求5所述的智能汽车自主避障方法，其特征在于，步骤6中，约束函数和目标函数的表达式为：
其中，C是约束函数，和/>是加权系数，C cur和C len分别是避障路径的曲率约束和长度约束，/>是目标函数，/>、/>、/>分别是第1段避障路径中的轨迹点集合、第2段避障路径中的轨迹点集合、第M段避障路径中的轨迹点集合，/>、/>、/>分别是第1段避障路径、第2段避障路径、第M段避障路径对应的约束函数，T表示转置操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311329610.1A CN117093005B (zh) | 2023-10-16 | 2023-10-16 | 一种智能汽车自主避障方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311329610.1A CN117093005B (zh) | 2023-10-16 | 2023-10-16 | 一种智能汽车自主避障方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117093005A CN117093005A (zh) | 2023-11-21 |
| CN117093005B true CN117093005B (zh) | 2024-01-30 |
Family
ID=88770311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311329610.1A Active CN117093005B (zh) | 2023-10-16 | 2023-10-16 | 一种智能汽车自主避障方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117093005B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11348799A (ja) * | 1998-06-11 | 1999-12-21 | Honda Motor Co Ltd | 車両の障害物回避制御装置 |
| CN104029203A (zh) * | 2014-06-18 | 2014-09-10 | 大连大学 | 实现空间机械臂避障的路径规划方法 |
| CN110626339A (zh) * | 2019-07-10 | 2019-12-31 | 聊城大学 | 基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法 |
| CN111610788A (zh) * | 2020-06-13 | 2020-09-01 | 大连海事大学 | 一种分级模糊-人工势场路径规划的方法 |
| KR20210014065A (ko) * | 2019-07-29 | 2021-02-08 | 군산대학교산학협력단 | 인공 지능 심층 학습 타겟 탐지 및 속도 퍼텐셜 필드 알고리즘 기반 장애물 회피 및 자율 주행 방법 및 장치 |
| CN113031621A (zh) * | 2021-03-19 | 2021-06-25 | 山东大学 | 一种桥式起重机安全避障路径规划方法及系统 |
| WO2021196977A1 (zh) * | 2020-03-31 | 2021-10-07 | 华为技术有限公司 | 路径规划的方法、装置、控制器及移动物体 |
| JP2021189508A (ja) * | 2020-05-26 | 2021-12-13 | 学校法人早稲田大学 | ロボット、移動経路生成装置及びそのプログラム、並びに、移動予測装置 |
| CN114647245A (zh) * | 2022-03-23 | 2022-06-21 | 河南科技大学 | 一种基于人工势场的无人车弯道避障路径规划方法 |
| EP4027318A1 (en) * | 2021-01-08 | 2022-07-13 | The Boeing Company | Probability-based obstacle avoidance |
| CN114879207A (zh) * | 2022-04-28 | 2022-08-09 | 湖北汽车工业学院 | 一种用于l4级自动驾驶车辆的超声波避障方法 |
| CN115570566A (zh) * | 2022-09-28 | 2023-01-06 | 长春工业大学 | 一种改进apf-rrt算法的机器人避障路径规划方法 |
| CN115742796A (zh) * | 2022-11-30 | 2023-03-07 | 江铃汽车股份有限公司 | 电动汽车充电口、充电枪及其控制方法 |
| CN116088517A (zh) * | 2023-02-02 | 2023-05-09 | 宁波扇贝科技有限公司 | 一种考虑动态障碍物的船舶制导与路径跟踪算法 |
| CN116352714A (zh) * | 2023-04-11 | 2023-06-30 | 广东工业大学 | 一种机械臂避障路径规划方法 |
| CN116465427A (zh) * | 2023-06-20 | 2023-07-21 | 吉林大学 | 一种基于时空风险量化的智能车辆换道避障路径规划方法 |
| WO2023178910A1 (zh) * | 2022-03-21 | 2023-09-28 | 江苏集萃清联智控科技有限公司 | 一种具备多型避障方式的车辆局部轨迹规划方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6873269B2 (en) * | 2003-05-27 | 2005-03-29 | Honeywell International Inc. | Embedded free flight obstacle avoidance system |
| CN107688342B (zh) * | 2017-03-27 | 2019-05-10 | 平安科技（深圳）有限公司 | 机器人的避障控制系统及方法 |
| KR102115294B1 (ko) * | 2020-02-28 | 2020-06-02 | 주식회사 파블로항공 | 무인항공기 충돌 회피 방법 |
| TWI756647B (zh) * | 2020-03-18 | 2022-03-01 | 財團法人船舶暨海洋產業研發中心 | 基於人工勢場法的船舶避碰方法及系統 |
| CN115230729A (zh) * | 2021-04-25 | 2022-10-25 | 广州汽车集团股份有限公司 | 一种自动驾驶避障方法及系统、存储介质 |
-
2023
- 2023-10-16 CN CN202311329610.1A patent/CN117093005B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11348799A (ja) * | 1998-06-11 | 1999-12-21 | Honda Motor Co Ltd | 車両の障害物回避制御装置 |
| CN104029203A (zh) * | 2014-06-18 | 2014-09-10 | 大连大学 | 实现空间机械臂避障的路径规划方法 |
| CN110626339A (zh) * | 2019-07-10 | 2019-12-31 | 聊城大学 | 基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法 |
| KR20210014065A (ko) * | 2019-07-29 | 2021-02-08 | 군산대학교산학협력단 | 인공 지능 심층 학습 타겟 탐지 및 속도 퍼텐셜 필드 알고리즘 기반 장애물 회피 및 자율 주행 방법 및 장치 |
| WO2021196977A1 (zh) * | 2020-03-31 | 2021-10-07 | 华为技术有限公司 | 路径规划的方法、装置、控制器及移动物体 |
| JP2021189508A (ja) * | 2020-05-26 | 2021-12-13 | 学校法人早稲田大学 | ロボット、移動経路生成装置及びそのプログラム、並びに、移動予測装置 |
| CN111610788A (zh) * | 2020-06-13 | 2020-09-01 | 大连海事大学 | 一种分级模糊-人工势场路径规划的方法 |
| EP4027318A1 (en) * | 2021-01-08 | 2022-07-13 | The Boeing Company | Probability-based obstacle avoidance |
| CN113031621A (zh) * | 2021-03-19 | 2021-06-25 | 山东大学 | 一种桥式起重机安全避障路径规划方法及系统 |
| WO2023178910A1 (zh) * | 2022-03-21 | 2023-09-28 | 江苏集萃清联智控科技有限公司 | 一种具备多型避障方式的车辆局部轨迹规划方法及系统 |
| CN114647245A (zh) * | 2022-03-23 | 2022-06-21 | 河南科技大学 | 一种基于人工势场的无人车弯道避障路径规划方法 |
| CN114879207A (zh) * | 2022-04-28 | 2022-08-09 | 湖北汽车工业学院 | 一种用于l4级自动驾驶车辆的超声波避障方法 |
| CN115570566A (zh) * | 2022-09-28 | 2023-01-06 | 长春工业大学 | 一种改进apf-rrt算法的机器人避障路径规划方法 |
| CN115742796A (zh) * | 2022-11-30 | 2023-03-07 | 江铃汽车股份有限公司 | 电动汽车充电口、充电枪及其控制方法 |
| CN116088517A (zh) * | 2023-02-02 | 2023-05-09 | 宁波扇贝科技有限公司 | 一种考虑动态障碍物的船舶制导与路径跟踪算法 |
| CN116352714A (zh) * | 2023-04-11 | 2023-06-30 | 广东工业大学 | 一种机械臂避障路径规划方法 |
| CN116465427A (zh) * | 2023-06-20 | 2023-07-21 | 吉林大学 | 一种基于时空风险量化的智能车辆换道避障路径规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于混沌改进人工势场法的自动导引车避障研究;吴渊博等;科技创新导报(第17期);150-153 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117093005A (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rosolia et al. | Autonomous racing using learning model predictive control | |
| CN106325294B (zh) | 基于贝塞尔曲线转接的无人机轨迹平滑方法 | |
| CN111694364A (zh) | 一种应用于智能车路径规划的基于改进蚁群算法与动态窗口法的混合算法 | |
| CN113359718B (zh) | 移动机器人全局路径规划与局部路径规划融合方法及设备 | |
| CN112731916A (zh) | 融合跳点搜索法和动态窗口法的全局动态路径规划方法 | |
| CN112965471B (zh) | 一种考虑角速度约束和改进斥力场的人工势场路径规划方法 | |
| CN113485360B (zh) | 基于改进搜索算法的agv机器人路径规划方法及系统 | |
| CN114115362B (zh) | 一种基于双向apf-rrt*算法的无人机航迹规划方法 | |
| CN112484726B (zh) | 一种基于三维模型的无人机路径规划方法 | |
| CN113031621B (zh) | 一种桥式起重机安全避障路径规划方法及系统 | |
| Wang et al. | Research on AGV task path planning based on improved A* algorithm | |
| CN117093005B (zh) | 一种智能汽车自主避障方法 | |
| CN116202550B (zh) | 融合改进势场与动态窗口的汽车路径规划方法 | |
| Regier et al. | Improving navigation with the social force model by learning a neural network controller in pedestrian crowds | |
| Hewawasam et al. | Agoraphilic navigation algorithm in dynamic environment with obstacles motion tracking and prediction | |
| CN114548497B (zh) | 一种实现场景自适应的人群运动路径规划方法及系统 | |
| CN113625711B (zh) | 一种基于危险系数的自适应动态窗口无人车实时避障方法 | |
| CN114545971A (zh) | 一种通讯约束下多智能体分布式可飞路径规划方法、系统、计算机设备及介质 | |
| Li et al. | A novel hybrid path planning method for mobile robots | |
| Jishuang et al. | Path Planning and Motion Control Method for Sick and Dead Animal Transport Robots Integrating Improved A* Algorithm and Fuzzy PID | |
| Pereida et al. | Hybrid Dijkstra-PSO algorithm for motion planning of non-holonomic multiple-trailer platforms in dense contexts | |
| CN117193378B (zh) | 基于改进ppo算法的多无人机路径规划方法 | |
| Xu et al. | A local path planning algorithm based on improved dynamic window approach | |
| Arista et al. | Development of an efficient path planning algorithm for indoor navigation | |
| CN114184198B (zh) | 一种实时路径生成方法、装置及汽车 |
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 |