CN117369480B - 一种室内复杂环境下轮腿机器人路径规划方法与系统 - Google Patents
一种室内复杂环境下轮腿机器人路径规划方法与系统 Download PDFInfo
- Publication number
- CN117369480B CN117369480B CN202311649479.7A CN202311649479A CN117369480B CN 117369480 B CN117369480 B CN 117369480B CN 202311649479 A CN202311649479 A CN 202311649479A CN 117369480 B CN117369480 B CN 117369480B
- Authority
- CN
- China
- Prior art keywords
- path
- leg robot
- dimensional
- node
- point cloud
- 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 60
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 40
- 238000001914 filtration Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000005021 gait Effects 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037230 mobility Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种室内复杂环境下轮腿机器人路径规划方法与系统,涉及非电变量的控制或调节领域。本发明根据轮腿机器人的通过性能过滤初始点云信息,能够极大降低算力需求,提升路径可行性。并且,本发明采用算法基于投影得到的二维平面以及三维栅格地图,实现轮腿机器人的全局规划路径的生成,能够将轮腿机器人在3D环境下的路径规划问题简化为在2D平面内的规划问题,大大减少了搜索节点,极大地提升了路径规划效率。最后采用优化模型对全局规划路径进行优化,以得到轮腿机器人在室内复杂环境下的最佳路径,能够进一步保证运动路径的平滑度。
Description
技术领域
本发明涉及非电变量的控制或调节领域,特别是涉及一种室内复杂环境下轮腿机器人路径规划方法与系统。
背景技术
轮腿机器人具有多模态运动能力,可以实现复杂环境的导航,满足多元化任务需要。并且机器人路径规划作为实现自主能力的一个重要环节,有广阔的发展空间。机器人在3D空间地形中的运动、探索与规划极具挑战。这些挑战首先是机器人自身,机器人需要保护自身免受碰撞、损坏或过度应力的影响,路径规划算法需要考虑轮腿机器人的尺寸、形状和动力学特性,以确保机器人能够安全地移动;其次是复杂环境,机器人需要避免与环境中的障碍物、墙壁或其他物体发生碰撞,计算出通过它们的最佳路径;最后是算力需求,在3D空间内的探索信息量大,所需算力大。
当前机器人的室内导航过程大多约束在二维平面内,而轮腿机器人具有较强机动能力,能够打破在平面内运动的约束,可以通过台阶、斜坡等地形。现有采用的轮腿机器人路径规划方法一般采用传统3D栅格地图路径规划的方式,这种方法需要搜索的范围大,算力要求高,实时性差,难以在真实环境下部署算法。并且考虑到环境内复杂空间,包含台阶等地形的轨迹生成具有挑战性。
发明内容
为解决现有技术存在的上述问题,本发明提供了一种室内复杂环境下轮腿机器人路径规划方法与系统。
为实现上述目的,本发明提供了如下方案。
一种室内复杂环境下轮腿机器人路径规划方法,包括:获取室内环境的初始点云信息。
根据轮腿机器人的通过性能过滤所述初始点云信息,得到过滤后的点云信息。
基于过滤后的点云信息生成三维栅格地图;所述三维栅格地图中的每一三维节点的节点信息均包括节点坐标信息以及用于路径规划的代价函数值。
将所述三维栅格地图的三维节点投影为二维平面的二维节点。
采用算法基于所述代价函数值在二维平面探索得到全局规划路径,并采用向上查询方法获得轮腿机器人在三维栅格地图中的全局最优路径。
在考虑轮腿机器人运动时间因素以及路径平滑度的条件下,构建优化模型。
采用所述优化模型优化轮腿机器人在三维栅格地图中的全局最优路径得到轮腿机器人的路径规划结果。
可选地,根据轮腿机器人的通过性能过滤所述初始点云信息,得到过滤后的点云信息,具体包括:以轮腿机器人的质心为圆心,生成设定半径的圆圈。
以地面为基准,采用所述圆圈按照轮腿机器人的行驶方向对所述初始点云信息进行滚动过滤,以过滤掉圆圈范围内垂直地面方向的点云信息以及超出轮腿机器人越障能力的点云信息,得到过滤后的点云信息。
可选地,将轮腿机器人步态的最高跨越高度值作为所述设定半径。
可选地,用于路径规划的代价函数值的确定公式为:。
式中,为第/>个节点用于路径规划的代价函数值,/>从起始节点到第/>个节点的代价函数值,/>为从第/>个节点到目标节点的最小路径代价的启发式函数值。
可选地,采用算法基于所述代价函数值在二维平面探索得到全局规划路径,并采用向上查询方法获得轮腿机器人在三维栅格地图中的全局最优路径,具体包括:在二维平面中,设置未探索节点,将轮腿机器人的当前位置作为初始节点,采用/>算法从所述初始节点向目标节点进行探索,在每一步探索过程中,选取未探索节点中代价函数值最小的节点,当未探索节点中代价函数值最小的节点在目标节点的限定区域内时,在所述三维栅格地图中查询得到与未探索节点中代价函数值最小的节点所对应的三维节点,连接查询得到的三维节点,得到轮腿机器人在三维栅格地图中的全局最优路径。
可选地,所述优化模型为:。
式中,为三维节点/>的路径总代价,/>为三维节点/>的时间代价,为三维节点/>的路径平滑度,/>为时间代价的权重,/>为路径平滑度的权重,min表示取最小值。
可选地,采用激光雷达采集室内环境的初始点云信息。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明根据轮腿机器人的通过性能过滤所述初始点云信息,能够极大降低算力需求,提升路径可行性。并且,本发明采用算法基于投影得到的二维平面以及三维栅格地图,实现轮腿机器人的全局规划路径的生成,能够将轮腿机器人在3D环境下的路径规划问题简化为在2D平面内的规划问题,大大减少了搜索节点,极大地提升了路径规划效率。最后采用优化模型对全局规划路径进行优化,以得到轮腿机器人在室内复杂环境下的最佳路径,能够进一步保证运动路径的平滑度。
进一步,本发明还提供了一种室内复杂环境下轮腿机器人路径规划系统,该系统包括:激光雷达、存储器和处理器。
激光雷达,用于采集室内环境的初始点云信息。
存储器,用于存储计算机程序;所述计算机程序用于实施上述提供的室内复杂环境下轮腿机器人路径规划方法。
处理器,分别与所述激光雷达和所述存储器连接,用于调取并执行所述计算机程序,以基于所述初始点云信息得到轮腿机器人的路径规划结果。
可选地,所述激光雷达、所述存储器和所述处理器均设置在所述轮腿机器人上。
可选地,所述处理器包括:点云信息获取模块、点云信息过滤模块、三维地图构建模块、二维地图投影模块、全局路径生成模块、优化模型构建模块和路径结果优化模块。
点云信息获取模块,用于获取室内环境的初始点云信息。
点云信息过滤模块,用于根据轮腿机器人的通过性能过滤所述初始点云信息,得到过滤后的点云信息。
三维地图构建模块,用于基于过滤后的点云信息生成三维栅格地图;所述三维栅格地图中的每一三维节点的节点信息均包括节点坐标信息以及用于路径规划的代价函数值。
二维地图投影模块,用于将所述三维栅格地图的三维节点投影为二维平面的二维节点。
全局路径生成模块,用于采用算法基于所述代价函数值在二维平面探索得到全局规划路径,并采用向上查询方法获得轮腿机器人在三维栅格地图中的全局最优路径。
优化模型构建模块,用于在考虑轮腿机器人运动时间因素以及路径平滑度的条件下,构建优化模型。
路径结果优化模块,用于采用所述优化模型优化轮腿机器人在三维栅格地图中的全局最优路径得到轮腿机器人的路径规划结果。
因本发明提供的系统实现的技术效果与本发明上述提供的室内复杂环境下轮腿机器人路径规划方法实现的效果相同,故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的室内复杂环境下轮腿机器人路径规划方法的流程图。
图2为本发明提供的轮腿机器人跨越台阶时的点云过滤示意图。
图3为本发明提供的3D地形向下投影到2D平面示意图。
图4为本发明提供的采用算法进行节点扩展与路径生成流程图。
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。
本发明的目的是提供一种室内复杂环境下轮腿机器人路径规划方法与系统,能够在大大减少搜索节点的条件下,得到轮腿机器人在室内复杂环境下的最佳路径,进而极大地提升了路径规划效率,降低了路径规划的算力需求。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的室内复杂环境下轮腿机器人路径规划方法,包括以下步骤100至步骤106。
步骤100:获取室内环境的初始点云信息。
在实际应用过程中,初始点云信息可以采用激光雷达在复杂室内环境下进行感知得到。
步骤101:根据轮腿机器人的通过性能过滤初始点云信息,得到过滤后的点云信息。
在实际应用过程中,轮腿机器人保留有轮式机器人和足式机器人的运动特点,具有平坦路面轮式行进、能耗低以及上台阶步态行进、通过性能高的特点。轮腿机器人在平面采用轮式运动,在台阶等复杂地形采用步态运动。其中,轮腿机器人步态可以跨越障碍物的最高高度为。
针对轮腿机器人的通过性能,对以下情况的点云进行过滤:(1)过滤垂直路面方向点云,比如墙壁、台阶的侧壁等。(2)过滤超出轮腿机器人越障能力的点云。
例如,以如图2所示的台阶地形为例,对步骤101的实现过程进行说明,以轮腿机器人的质心为圆心,生成半径为的圆圈,将这一圆圈紧贴地面进行滚动过滤,过滤掉垂直地面方向的点云信息和超出轮腿机器人越障能力的点云信息。图2中标号为A的部分就是需要过滤的点云信息。
步骤102:基于过滤后的点云信息生成三维栅格地图。三维栅格地图中的每一三维节点的节点信息均包括节点坐标信息以及用于路径规划的代价函数值。其中,用于路径规划的代价函数值通过代价函数确定得到。
在实际应用过程中,代价函数的确定过程为:设定目标节点为,在三维(3D)空间内有/>,其中,/>为3D空间的平面节点。
算法是一种启发式的最佳优先搜索算法,可以在栅格图上找到总代价最低的路径,基于此,在第/>个节点的代价函数为:/>。
式中,为第/>个节点用于路径规划的代价函数值,/>从起始节点到第/>个节点的代价函数值,/>为从第/>个节点到目标节点的最小路径代价的启发式函数值。
针对轮腿机器人越障能耗和行驶距离能耗考虑,定义从起始节点到第个节点的代价函数值/>的计算公式为:/>。
式中,为轮腿机器人在运动到第/>个节点时的能量效率,/>为轮腿机器人在运动到达第/>个节点时的失败风险(滑移、侧翻等)。其中,权重/>,可以人为进行调节。例如,增大权重/>,则轮腿机器人路径生成态势趋于平缓,路程增加、能耗较少。减小权重/>,则轮腿机器人路径生成态势区域激进,路程减小、能耗较高。
同样的,启发式函数需要考虑空间距离因素,基于此,启发式函数为:。
式中,为第/>个节点到目标节点/>的预估能耗系数,/>为第/>个节点到目标节点/>的欧式距离。
步骤103:将三维栅格地图的三维节点投影为二维平面的二维节点。
在实际应用过程中,如图3所示,通过将三维栅格地图向下投影得到二维(2D)平面。例如,在三维栅格地图中所处的3D空间中的每个节点可以用来表示,其中,,每个节点存储其三维坐标信息/>和用于路径规划代价函数值/>。将节点/>向下投影到2D平面上得到平面节点/>,其中,/>,每个节点/>存储其二维坐标信息/>和用于路径规划的代价函数值/>。
步骤104:采用算法基于代价函数值在二维平面探索得到全局规划路径,并采用向上查询方法获得轮腿机器人在三维栅格地图中的全局最优路径。
在实际应用过程中,将3D空间下的节点均向下投影,得到2D平面下的各个节点/>,之后在二维平面上进行/>算法的节点扩展与路径生成,具体流程如图4所示。
具体地,导入2D平面节点信息,通过导入向下投影后的节点信息开始算法的寻路过程。设置未探索节点open list以及已探索节点close list。从当前位置开始探索,其中,将轮腿机器人当前位置作为初始节点/>,并从初始节点/>向目标节点/>进行探索,目标节点/>为设定的3D空间中目标节点/>向下投影得到的二维节点。在每一步探索过程中,选取在第/>个节点时未探索节点open list中代价函数值最小时对应的节点(即找到代价函数值最小的节点)。判断节点/>是否在目标节点/>的限定区域内(即/>),其中,/>为人为设定的目标点范围阈值,用于表示目标节点/>的限定区域。如果节点/>不在目标节点/>的限定区域内,则重新设置未探索节点openlist以及已探索节点close list,基于重新设置的未探索节点open list以及已探索节点close list继续探索。如果节点/>在目标节点/>的限定区域内,则将节点/>向上查询出三维节点/>。最后进行路径重溯,连接起每个节点/>,生成全局最优路径。
步骤105:在考虑轮腿机器人运动时间因素以及路径平滑度的条件下,构建优化模型。
其中,构建得到的优化模型为:。
式中,为三维节点/>的路径总代价,/>为三维节点/>的时间代价,为三维节点/>的路径平滑度,/>为时间代价的权重,/>为路径平滑度的权重,min表示取最小值。
进一步,在该步骤中采用时间代价是为了对整体路径时间最小化,所以,在实际应用过程中,需要最小化/>,其中/>为节点数量,/>为节点间运动时间。
采用路径平滑度是为了保证路径足够平滑并且可以被轮腿机器人执行。应用时,采用路径的三阶导数(加加速度)作为控制输入,对路径平滑度/>进行积分优化。
步骤106:采用优化模型优化轮腿机器人在三维栅格地图中的全局最优路径得到轮腿机器人的路径规划结果。
在实际应用过程中,考虑到轮腿机器人后续轨迹跟踪效果,才采用步骤105对生成的全局路径进行进一步优化。
进一步,本发明还提供了一种室内复杂环境下轮腿机器人路径规划系统,该系统包括:激光雷达、存储器和处理器。
激光雷达用于采集室内环境的初始点云信息。
存储器用于存储计算机程序。计算机程序用于实施上述提供的室内复杂环境下轮腿机器人路径规划方法。
处理器分别与激光雷达和存储器连接。处理器主要用于调取并执行计算机程序,以基于初始点云信息得到轮腿机器人的路径规划结果。
在实际应用过程中,本发明采用的激光雷达、存储器和处理器均设置在轮腿机器人上。
进一步,处理器可以包括:点云信息获取模块、点云信息过滤模块、三维地图构建模块、二维地图投影模块、全局路径生成模块、优化模型构建模块和路径结果优化模块。
点云信息获取模块用于获取室内环境的初始点云信息。
点云信息过滤模块用于根据轮腿机器人的通过性能过滤初始点云信息,得到过滤后的点云信息。
三维地图构建模块用于基于过滤后的点云信息生成三维栅格地图。三维栅格地图中的每一三维节点的节点信息均包括节点坐标信息以及用于路径规划的代价函数值。
二维地图投影模块用于将三维栅格地图的三维节点投影为二维平面的二维节点。
全局路径生成模块用于采用算法基于代价函数值在二维平面探索得到全局规划路径,并采用向上查询方法获得轮腿机器人在三维栅格地图中的全局最优路径。
优化模型构建模块用于在考虑轮腿机器人运动时间因素以及路径平滑度的条件下,构建优化模型。
路径结果优化模块用于采用优化模型优化轮腿机器人在三维栅格地图中的全局最优路径得到轮腿机器人的路径规划结果。
此外,上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种室内复杂环境下轮腿机器人路径规划方法,其特征在于,包括:
获取室内环境的初始点云信息;
根据轮腿机器人的通过性能过滤所述初始点云信息,得到过滤后的点云信息;
基于过滤后的点云信息生成三维栅格地图;所述三维栅格地图中的每一三维节点的节点信息均包括节点坐标信息以及用于路径规划的代价函数值;
将所述三维栅格地图的三维节点投影为二维平面的二维节点;
采用A*算法基于所述代价函数值在二维平面探索得到全局规划路径,并采用向上查询方法获得轮腿机器人在三维栅格地图中的全局最优路径;
在考虑轮腿机器人运动时间因素以及路径平滑度的条件下,构建优化模型;所述优化模型为:
min J(Si)=λtHt(Si)+λsJs(Si);式中,J(Si)为三维节点Si的路径总代价,Jt(Si)为三维节点Si的时间代价,Js(Si)为三维节点Si的路径平滑度,λt为时间代价的权重,λs为路径平滑度的权重,min表示取最小值;
采用所述优化模型优化轮腿机器人在三维栅格地图中的全局最优路径得到轮腿机器人的路径规划结果;
其中,采用A*算法基于所述代价函数值在二维平面探索得到全局规划路径,并采用向上查询方法获得轮腿机器人在三维栅格地图中的全局最优路径,具体包括:
在二维平面中,设置未探索节点,将轮腿机器人的当前位置作为初始节点,采用A*算法从所述初始节点向目标节点进行探索,以得到全局规划路径,并在每一步探索过程中,选取未探索节点中代价函数值最小的节点,当未探索节点中代价函数值最小的节点在目标节点的限定区域内时,在所述三维栅格地图中查询得到与未探索节点中代价函数值最小的节点所对应的三维节点,连接查询得到的三维节点,得到轮腿机器人在三维栅格地图中的全局最优路径。
2.根据权利要求1所述的室内复杂环境下轮腿机器人路径规划方法,其特征在于,根据轮腿机器人的通过性能过滤所述初始点云信息,得到过滤后的点云信息,具体包括:
以轮腿机器人的质心为圆心,生成设定半径的圆圈;
以地面为基准,采用所述圆圈按照轮腿机器人的行驶方向对所述初始点云信息进行滚动过滤,以过滤掉圆圈范围内垂直地面方向的点云信息以及超出轮腿机器人越障能力的点云信息,得到过滤后的点云信息。
3.根据权利要求2所述的室内复杂环境下轮腿机器人路径规划方法,其特征在于,将轮腿机器人步态的最高跨越高度值作为所述设定半径。
4.根据权利要求1所述的室内复杂环境下轮腿机器人路径规划方法,其特征在于,用于路径规划的代价函数值的确定公式为:
f(i)=g(i)+h(i);
式中,f(i)为第i个节点用于路径规划的代价函数值,g(i)从起始节点到第i个节点的代价函数值,h(i)为从第i个节点到目标节点的最小路径代价的启发式函数值。
5.根据权利要求1所述的室内复杂环境下轮腿机器人路径规划方法,其特征在于,采用激光雷达采集室内环境的初始点云信息。
6.一种室内复杂环境下轮腿机器人路径规划系统,其特征在于,所述系统包括:
激光雷达,用于采集室内环境的初始点云信息;
存储器,用于存储计算机程序;所述计算机程序用于实施如权利要求1-5任意一项所述的室内复杂环境下轮腿机器人路径规划方法;
处理器,分别与所述激光雷达和所述存储器连接,用于调取并执行所述计算机程序,以基于所述初始点云信息得到轮腿机器人的路径规划结果。
7.根据权利要求6所述的室内复杂环境下轮腿机器人路径规划系统,其特征在于,所述激光雷达、所述存储器和所述处理器均设置在所述轮腿机器人上。
8.根据权利要求6所述的室内复杂环境下轮腿机器人路径规划系统,其特征在于,所述处理器包括:
点云信息获取模块,用于获取室内环境的初始点云信息;
点云信息过滤模块,用于根据轮腿机器人的通过性能过滤所述初始点云信息,得到过滤后的点云信息;
三维地图构建模块,用于基于过滤后的点云信息生成三维栅格地图;所述三维栅格地图中的每一三维节点的节点信息均包括节点坐标信息以及用于路径规划的代价函数值;
二维地图投影模块,用于将所述三维栅格地图的三维节点投影为二维平面的二维节点;
全局路径生成模块,用于采用A*算法基于所述代价函数值在二维平面探索得到全局规划路径,并采用向上查询方法获得轮腿机器人在三维栅格地图中的全局最优路径;
优化模型构建模块,用于在考虑轮腿机器人运动时间因素以及路径平滑度的条件下,构建优化模型;
路径结果优化模块,用于采用所述优化模型优化轮腿机器人在三维栅格地图中的全局最优路径得到轮腿机器人的路径规划结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311649479.7A CN117369480B (zh) | 2023-12-05 | 2023-12-05 | 一种室内复杂环境下轮腿机器人路径规划方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311649479.7A CN117369480B (zh) | 2023-12-05 | 2023-12-05 | 一种室内复杂环境下轮腿机器人路径规划方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117369480A CN117369480A (zh) | 2024-01-09 |
CN117369480B true CN117369480B (zh) | 2024-02-23 |
Family
ID=89398804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311649479.7A Active CN117369480B (zh) | 2023-12-05 | 2023-12-05 | 一种室内复杂环境下轮腿机器人路径规划方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117369480B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118067133B (zh) * | 2024-04-18 | 2024-06-18 | 北京理工大学 | 一种应用于单轮腿机器人的跳跃轨迹生成方法及设备 |
CN118092144B (zh) * | 2024-04-18 | 2024-06-21 | 北京理工大学 | 一种轮腿机器人运动控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103869820A (zh) * | 2014-03-18 | 2014-06-18 | 北京控制工程研究所 | 一种巡视器地面导航规划控制方法 |
CN113269837A (zh) * | 2021-04-27 | 2021-08-17 | 西安交通大学 | 一种适用于复杂三维环境的定位导航方法 |
CN114237256A (zh) * | 2021-12-20 | 2022-03-25 | 东北大学 | 一种适用于欠驱动机器人的三维路径规划与导航方法 |
CN115170772A (zh) * | 2022-05-18 | 2022-10-11 | 上海大学 | 一种基于点云地图交互式可通过性分析的三维路径规划方法 |
CN116678394A (zh) * | 2023-05-10 | 2023-09-01 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 基于多传感器信息融合实时动态智能路径规划方法及系统 |
WO2023193424A1 (zh) * | 2022-04-07 | 2023-10-12 | 哈尔滨工业大学(深圳) | 人机共存环境中遵循行人规范的移动机器人全局导航方法 |
-
2023
- 2023-12-05 CN CN202311649479.7A patent/CN117369480B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103869820A (zh) * | 2014-03-18 | 2014-06-18 | 北京控制工程研究所 | 一种巡视器地面导航规划控制方法 |
CN113269837A (zh) * | 2021-04-27 | 2021-08-17 | 西安交通大学 | 一种适用于复杂三维环境的定位导航方法 |
CN114237256A (zh) * | 2021-12-20 | 2022-03-25 | 东北大学 | 一种适用于欠驱动机器人的三维路径规划与导航方法 |
WO2023193424A1 (zh) * | 2022-04-07 | 2023-10-12 | 哈尔滨工业大学(深圳) | 人机共存环境中遵循行人规范的移动机器人全局导航方法 |
CN115170772A (zh) * | 2022-05-18 | 2022-10-11 | 上海大学 | 一种基于点云地图交互式可通过性分析的三维路径规划方法 |
CN116678394A (zh) * | 2023-05-10 | 2023-09-01 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 基于多传感器信息融合实时动态智能路径规划方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117369480A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117369480B (zh) | 一种室内复杂环境下轮腿机器人路径规划方法与系统 | |
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 | |
CN112230678B (zh) | 基于粒子群算法的三维无人机路径规划方法及规划系统 | |
CN110471426B (zh) | 基于量子狼群算法的无人驾驶智能车自动避碰方法 | |
CN108333931B (zh) | 一种面向崎岖地形的四足机器人双层结构步态规划方法 | |
CN112284393B (zh) | 一种智能移动机器人全局路径规划方法和系统 | |
JP5381679B2 (ja) | 経路探索システム、方法、プログラム、並びに移動体 | |
Gan et al. | Research on robot motion planning based on RRT algorithm with nonholonomic constraints | |
CN105843222B (zh) | 一种六轮/腿机器人复合运动路径规划方法 | |
CN115639823B (zh) | 崎岖起伏地形下机器人地形感知与移动控制方法及系统 | |
CN104992466B (zh) | 一种三维场景的即时寻径方法 | |
Yan et al. | 3D PRM based real-time path planning for UAV in complex environment | |
CN114296474A (zh) | 一种基于路径时间代价的无人机路径规划方法及系统 | |
CN113311828A (zh) | 一种无人车局部路径规划方法、装置、设备及存储介质 | |
CN113467445B (zh) | 一种基于视觉与路径规划的四足机器人摆动腿避障方法 | |
CN116859975A (zh) | 基于bp神经网络的轮腿机器人轮-足切换控制方法 | |
CN111664851A (zh) | 基于序列优化的机器人状态规划方法、装置及存储介质 | |
CN114791734A (zh) | 一种基于语义信息串联的履带车辆的控制方法及系统 | |
Pivtoraiko et al. | Differentially constrained motion replanning using state lattices with graduated fidelity | |
CN116147653B (zh) | 一种面向无人驾驶车辆的三维参考路径规划方法 | |
Zhou et al. | 3D traversability map generation for mobile robots based on point cloud | |
CN116136417B (zh) | 一种面向越野环境的无人驾驶车辆局部路径规划方法 | |
CN110750095A (zh) | 一种基于5g通讯的机器人集群运动控制优化方法及系统 | |
CN117950395A (zh) | 轨迹规划方法及装置、移动工具、存储介质 | |
Zhang et al. | A hybrid max–min ant system by levy flight and opposition-based learning |
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 |