CN117451057A - 基于改进a*算法无人机三维路径规划方法、设备和介质 - Google Patents
基于改进a*算法无人机三维路径规划方法、设备和介质 Download PDFInfo
- Publication number
- CN117451057A CN117451057A CN202311786383.5A CN202311786383A CN117451057A CN 117451057 A CN117451057 A CN 117451057A CN 202311786383 A CN202311786383 A CN 202311786383A CN 117451057 A CN117451057 A CN 117451057A
- Authority
- CN
- China
- Prior art keywords
- node
- algorithm
- nodes
- aerial vehicle
- unmanned aerial
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 37
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000013138 pruning Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
基于改进A*算法无人机三维路径规划方法、设备和介质,属于无人机路径规划技术领域,解决现有路径规划不清准和算法搜索效率低问题。本发明的方法包括:提出自适应膨胀卷积的搜索方式,根据无人机的运动学模型,当无人机到障碍物的距离大于设定值时,膨胀率变大,扩大搜索步长;当无人机到障碍物的距离小于设定值时,膨胀率变小,缩小搜索步长,在保证无人机的安全飞行的同时,加快搜索速度。针对A*算法在三维复杂环境下规划路径时间过长的问题,对A*算法中的代价函数进行优化。在A*算法初步搜索完成后,对节点再一次进行筛选,以检测规划完成的路径节点是否为冗余节点。本发明适用于无人机在复杂三维环境中的全局路径规划问题。
Description
技术领域
本申请涉及无人机路径规划技术领域,尤其涉及基于改进A*算法无人机三维路径规划。
背景技术
目前路径规划经典算法有A*算法、人工势场法和RRT算法,智能优化算法有蚁群算法、遗传算法、粒子群算法等,其中A*算法在无人机路径规划领域,具有算法简单、规划路径最佳的优点,但是在应用中的具体缺陷是当应用在二维空间中,搜索方向只需要考虑8个方向,但在三维空间中,需要考虑26个方向,极大的增加了中间节点的计算量。A*算法由于节点之间的关联性强,导致算法搜索缓慢。
在二维地图中,搜索方式通常采用四邻域或者八邻域拓展,针对A*算法固定单一步长的搜索方式。但是在三维地图中,当膨胀率过大时,会产生两种情况,第一种情况是在搜索节点时无法检测到目标点,从而导致路径规划失败;第二种情况是在搜索节点时能够检测到目标点,但无人机会与障碍物发生碰撞,膨胀率过大如图2所示。
发明内容
本发明目的是为了解决现有路径规划不精准和算法搜索效率低的问题,提供了基于改进A*算法无人机三维路径规划方法、设备和介质。
本发明是通过以下技术方案实现的,本发明一方面,提供一种基于改进A*算法的无人机三维路径规划方法,所述方法包括:
步骤1、将起始点P放入到开放列表中;
步骤2、确定终点,具体包括:
步骤2.1、判断当前节点与障碍物的最近距离是否大于设定值,若大于设定值,膨胀步长,反之,收缩步长;
步骤2.2、遍历开放列表,计算列表中每一个节点的评价函数,查找评价函数值最小的节点,将所述评价函数值最小的节点作为当前要处理的节点;
步骤2.3、对当前节点中,与之相邻的其他节点b、c和d做如下操作:
若节点b是不可抵达的或者在关闭列表,不进行操作;否则,进行下一步操作;
若节点c不在开放列表中,则将其加入开放列表,并将当前节点n设置为其父亲节点;计算节点c的f(c),g(c)和h(c),其中f(c)表示节点c的评价函数,g(c)表示起点到节点c的实际移动代价,h(c)表示节点c到目标点的预估移动代价;
若节点d已经在开放列表中,则判断节点n到节点d的路径是否更好,参考指标为g(d)值,若g(d)更小,则说明路径更好;若节点d的路径更好,则将节点d的父亲节点e设置为当前节点,并重新计算g(e)和f(e);
步骤2.4、将节点n移动到关闭列表中;
步骤2.5、重复步骤2.1至2.4,当满足如下条件中的一个时,重复终止:
条件一:将终点加入到开放列表中;
条件二:无法查找到终点,并且此时开放列表是空列表;
步骤3、若终点已经找到,查找最短路径;
步骤4、利用路径剪枝优化初始路径。
进一步地,步骤2.1中,所述膨胀步长的搜索方法为在不增加搜索节点数量的基础上,将普通八邻域3×3的搜索范围进行膨胀,具体包括:
获取第一次循环所搜索到的子节点和父亲节点;
选取第一次循环中评价函数值最小的节点作为第二次循环的父亲节点;
获取第二次循环的子节点,当搜索到目标点时,回溯父亲节点,直至起始点。
进一步地,步骤2.2中,所述评价函数为:
其中,g(n)代表起点到当前节点的实际移动代价,h(n)代表当前节点到目标点的预估移动代价,为g(n)的权值系数,/>为h(n)的权值系数。
进一步地,步骤2.2中,所述评价函数为:
其中,为g(n)的权值系数,/>为h(n)的权值系数,/>表示第n个节点的坐标,/>表示目标点的坐标,/>表示节点,通过调节权值系数的比例,来设计合理的路径;其中,h(n)在评价函数f(n)中的权值系数越大,A*算法的收敛速度越快;h(n)在评价函数f(n)中的权值系数越小,A*算法的收敛速度就会越慢。
进一步地,步骤3中,所述最短路径具体为:从终点开始,每个节点都沿着父亲节点移动,直到起点。
进一步地,步骤4,具体包括:
判断两节点的连线上的任意一点是否在障碍物的范围内,若有一点在障碍物内,则就可以判断出这两节点连线的路径与障碍物产生碰撞,这两个节点中存在冗余节点,将所述冗余节点删除。
进一步地,步骤4还包括坐标变换,具体为:
球坐标转换直角坐标公式:
直角坐标转换球坐标公式:
其中,(x,y,z)表示在空间直角坐标下点的坐标,表示当前节点到后续节点的距离,/>表示与正z轴的夹角,/>表示与正x轴的水平夹角。
第二方面,本发明提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时执行如上文所述的一种基于改进A*算法的无人机三维路径规划方法的步骤。
第三方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质中存储有多条计算机指令,所述多条计算机指令用于使计算机执行如上文所述的一种基于改进A*算法的无人机三维路径规划方法。
第四方面,本发明提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上文所述的一种基于改进A*算法的无人机三维路径规划方法。
本发明的有益效果:
本发明提出自适应膨胀卷积的搜索方式,根据无人机的运动学模型,当无人机到障碍物的距离大于设定值时,膨胀率变大,扩大搜索步长;当无人机到障碍物的距离小于设定值时,膨胀率变小,缩小搜索步长,在保证无人机的安全飞行的同时,加快搜索速度。
本发明针对A*算法在三维复杂环境下规划路径时间过长的问题,对A*算法中的评价函数进行优化。
本发明在A*算法初步搜索完成后,对节点再一次进行筛选,以检测规划完成的路径节点是否为冗余节点。
本发明适用于无人机在复杂三维环境中的全局路径规划问题,使得无人机能够避开障碍物,到达目标点。
附图说明
为了更清楚地说明本申请的技术方案,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,对于本领域普通技术人员而言,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d=2的搜索方式;
图2为膨胀率过大的两种情况,其中,(a)为无法检测到目标点情况,(b)为路径穿越障碍物情况;
图3为本发明的坐标转换示意图;
图4为本发明的路径剪枝示意图;
图5为本发明基于改进A*算法无人机三维路径规划方法的流程图;
图6为传统A*算法和本发明改进A*算法膨胀算法产生拓展节点数量验证实验;
图7为路径优化前后效果比较。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
实施方式一、一种基于改进A*算法的无人机三维路径规划方法,所述方法包括:
步骤1、将起始点P放入到开放列表中;
步骤2、确定终点,具体包括:
步骤2.1、判断当前节点与障碍物的最近距离是否大于设定值,若大于设定值,膨胀步长,反之,收缩步长;
步骤2.2、遍历开放列表,计算列表中每一个节点的评价函数,查找评价函数值最小的节点,将所述评价函数值最小的节点作为当前要处理的节点;
步骤2.3、对当前节点中,与之相邻的其他节点b、c和d做如下操作:
若节点b是不可抵达的或者在关闭列表,不进行操作;否则,进行下一步操作;
若节点c不在开放列表中,则将其加入开放列表,并将当前节点n设置为其父亲节点;计算节点c的f(c),g(c)和h(c),其中f(c)表示节点c的评价函数,g(c)表示起点到节点c的实际移动代价,h(c)表示节点c到目标点的预估移动代价;
若节点d已经在开放列表中,则判断节点n到节点d的路径是否更好,参考指标为g(d)值,若g(d)更小,则说明路径更好;若节点d的路径更好,则将节点d的父亲节点e设置为当前节点,并重新计算g(e)和f(e);
步骤2.4、将节点n移动到关闭列表中;
步骤2.5、重复步骤2.1至2.4,当满足如下条件中的一个时,重复终止:
条件一:将终点加入到开放列表中;
条件二:无法查找到终点,并且此时开放列表是空列表;
需要说明的是,重复终止后获取起始点到目标点的中间节点,作用是寻找起始点到目标点的最短路径的中间节点。
步骤3、若终点已经找到,查找最短路径;
步骤4、利用路径剪枝优化初始路径。
本实施方式中,提出自适应膨胀卷积的搜索方式,根据无人机的运动学模型,当无人机到障碍物的距离大于设定值时,膨胀率变大,扩大搜索步长;当无人机到障碍物的距离小于设定值时,膨胀率变小,缩小搜索步长,在保证无人机的安全飞行的同时,加快搜索速度。针对A*算法在三维复杂环境下规划路径时间过长的问题,对A*算法中的评价函数进行优化。在A*算法初步搜索完成后,对节点再一次进行筛选,以检测规划完成的路径节点是否为冗余节点。
实施方式二,本实施方式是对实施方式一所述的基于改进A*算法的无人机三维路径规划方法的进一步限定,本实施方式中,对步骤2.1中,所述膨胀步长的搜索方法,做了进一步限定,具体包括:
步骤2.1中,所述膨胀步长的搜索方法为在不增加搜索节点数量的基础上,将普通八邻域3×3的搜索范围进行膨胀,具体包括:
获取第一次循环所搜索到的子节点和父亲节点;
选取第一次循环中评价函数值最小的节点作为第二次循环的父亲节点;
获取第二次循环的子节点,当搜索到目标点时,回溯父亲节点,直至起始点。
本实施方式中,在二维地图中,搜索方式通常采用四邻域或者八邻域拓展,针对A*算法固定单一步长的搜索方式,本实施方式基于膨胀卷积的思想。但是在三维地图中当膨胀率过大时,会产生两种情况,第一种情况是在搜索节点时无法检测到目标点,从而导致路径规划失败;第二种情况是在搜索节点时能够检测到目标点,但无人机会与障碍物发生碰撞,膨胀率过大如图2所示。针对上述两种情况,本实施方式以此搜索方式为基础,提出自适应膨胀卷积的搜索方式,根据无人机的运动学模型,当无人机到障碍物的距离大于设定值时,膨胀率变大,扩大搜索步长;当无人机到障碍物的距离小于设定值时,膨胀率变小,缩小搜索步长,在保证无人机的安全飞行的同时,加快搜索速度。
实施方式三,本实施方式是对实施方式一所述的基于改进A*算法的无人机三维路径规划方法的进一步限定,本实施方式中,对步骤2.2中,所述评价函数,做了进一步限定,具体包括:
步骤2.2中,所述评价函数为:
其中,g(n)代表起点到当前节点的实际移动代价,h(n)代表当前节点到目标点的预估移动代价,为g(n)的权值系数,/>为h(n)的权值系数。
本实施方式中,给出了评价函数,可以用于获取当前要处理的节点。
实施方式四,本实施方式是对实施方式一所述的基于改进A*算法的无人机三维路径规划方法的进一步限定,本实施方式中,对步骤2.2中,所述评价函数,做了进一步限定,具体包括:
步骤2.2中,所述评价函数为:
其中,为g(n)的权值系数,/>为h(n)的权值系数,/>表示第n个节点的坐标,/>表示目标点的坐标,/>表示节点,通过调节权值系数的比例,来设计合理的路径;其中,h(n)在评价函数f(n)中的权值系数越大,A*算法的收敛速度越快;h(n)在评价函数f(n)中的权值系数越小,A*算法的收敛速度就会越慢。
本实施方式中,针对A*算法在三维复杂环境下规划路径时间过长的问题,采用上述公式对A*算法中的评价函数进行优化,在保证路径最优的情况下,减少搜索时间。
实施方式五,本实施方式是对实施方式一所述的基于改进A*算法的无人机三维路径规划方法的进一步限定,本实施方式中,对步骤3中,所述最短路径,做了进一步限定,具体包括:
步骤3中,所述最短路径具体为:从终点开始,每个节点都沿着父亲节点移动,直到起点。
实施方式六,本实施方式是对实施方式一所述的基于改进A*算法的无人机三维路径规划方法的进一步限定,本实施方式中,对步骤4,做了进一步限定,具体包括:
步骤4,具体包括:
判断两节点的连线上的任意一点是否在障碍物的范围内,若有一点在障碍物内,则就可以判断出这两节点连线的路径与障碍物产生碰撞,这两个节点中存在冗余节点,将所述冗余节点删除。
本实施方式中,为了检测规划完成的路径节点是否为冗余节点,在A*算法初步搜索完成后,对节点再一次进行筛选,首先要判断两点的连线是否与障碍物发生碰撞,碰撞检测思想就是两节点的连线上的任意一点是否在障碍物的范围内,若有一点在障碍物内,则就可以判断出这两节点连线的路径与障碍物产生碰撞,说明这两个节点中存在冗余节点,通过删除冗余点,可以减少实际路径中不必要的节点,优化路径长度。
实施方式七,本实施方式是对实施方式六所述的基于改进A*算法的无人机三维路径规划方法的进一步限定,本实施方式中,对步骤4,做了进一步限定,具体包括:
步骤4还包括坐标变换,具体为:
球坐标转换直角坐标公式:
直角坐标转换球坐标公式:
其中,(x,y,z)表示在空间直角坐标下点的坐标,表示当前节点到后续节点的距离,/>表示与正z轴的夹角,/>表示与正x轴的水平夹角。
本实施方式将直角坐标系进行转换为球坐标系,作用是加快在两个节点连线上任意一点的坐标计算,使得在空间直角坐标系和球坐标系之间进行转换,从而更加好地描述和计算在三维空间中点的位置。
实施方式八,本实施方式是对如上文所述的基于改进A*算法的无人机三维路径规划方法的实施例,具体包括:
步骤一:将起始点P放入到“开放列表”(open list)中,
步骤二:重复如下过程:
(1)判断当前节点与障碍物的最近距离是否大于设定值,若大于设定值,膨胀步长,反之,收缩步长。
(2)遍历开放列表,计算列表中每一个节点的评价函数。查找f(n)值最小的节点n,把它作为当前要处理的节点。
评价函数:
(1)
g(n)代表起点到当前节点的实际移动代价,h(n)代表当前节点到目标点的预估移动代价,为g(n)的权值系数,/>为h(n)的权值系数,通过调节权值系数的比例,来设计合理的路径。
(3)对当前节点中,与之相邻的其他所有节点,做如下操作:
若节点b是不可抵达的,或者在关闭列表(closed list)中,忽略它。否则,做如下操作。
若节点c不在开放列表中,则将其加入开放列表,并将当前节点n设置为其父亲节点。计算节点c的f(c),g(c)和h(c),其中f(c)表示节点c的评价函数,g(c)表示起点到节点c的实际移动代价,h(c)表示节点c到目标点的预估移动代价。
若节点d已经在开放列表中,则需要检查节点n到节点d的路径是否更好。参考指标为g值,若g更小,则说明路径更好。若这条路径更好,则将它的父亲节点(设为节点e)设置为当前节点,并重新计算g(e)和f(e)。
(4)将节点n移动到“关闭列表”(closed list)中。关闭列表中的所有元素已经不需要被关注。
步骤三: 当满足如下条件中的一个时,程序终止。
将终点加入到了开放列表中(此时路径已经找到了)。
无法查找到终点,并且此时开放列表是空列表(此时没有路径)。
步骤四:若终点已经找到,查找最短路径:从终点开始,每个节点都沿着父亲节点移动,直到起点。
步骤五:利用路径剪枝优化初始路径。整体方法流程如图5所示。
其中,还包括:
(1)自适应膨胀步长的搜索方式
在二维地图中,搜索方式通常采用四邻域或者八邻域拓展,针对A*算法固定单一步长的搜索方式,本实施例基于膨胀卷积的思想,在不增加搜索节点数量的基础上,将普通八邻域3×3的搜索范围进行膨胀。膨胀率d=2的搜素方式如图1所示。a1-a7表示第一次循环所搜索到的子节点,其父亲节点为P;选取第一次循环中评价函数的值最小的节点a7或a3作为第二次循环的父亲节点,本次选取a7作为第二次循环的父亲节点,b1-b4和G表示第二次循环的子节点,当搜索到目标点时,回溯父亲节点,直至起始点。当到达目标点时,通过回溯每个节点的父亲节点,一直回溯到起始点,最后构建出最短路径。
d表示膨胀率;在二维地图中,当d=1时,搜索节点数为9个,搜索范围是3×3,当d=2时,搜索节点数还是9个,但搜索范围变为5×5,当d=4时,搜索节点数还是9个,但搜索范围变为7×7;本发明有二维平面变成三维空间,在三维空间中,当d=1时,搜索节点数为27个,搜索范围为3×3×3,当d=2时,搜索节点还是27个,但搜索范围变为5×5×5,当d=4时,搜索节点还是27个,但搜索范围变为7×7×7。在增大搜索范围的同时,搜索节点数量不会增多,能够更快到达指定的目标点。
但是当膨胀率过大时,会产生两种情况,第一种情况是在搜索节点时无法检测到目标点,从而导致路径规划失败;第二种情况是在搜索节点时能够检测到目标点,但无人机会与障碍物发生碰撞,膨胀率过大如图2所示。针对上述两种情况,本实施例以此搜索方式为基础,提出自适应膨胀卷积的搜索方式,根据无人机的运动学模型,当无人机到障碍物的距离大于设定值时,膨胀率变大,扩大搜索步长;当无人机到障碍物的距离小于设定值时,膨胀率变小,缩小搜索步长,在保证无人机的安全飞行的同时,加快搜索速度。
(2)优化评价函数
针对A*算法在三维复杂环境下规划路径时间过长的问题,采用公式(2)(3)(4)(5)对A*算法中的评价函数进行优化:
(2)
(3)
(4)
(5)
其中,为g(n)的权值系数,/>为h(n)的权值系数,/>表示第n个节点的坐标,/>表示目标点的坐标,/>表示节点n。
通过调节权值系数的比例,来设计合理的路径。其中h(n)在评价函数f(n)中的权值系数越大,A*算法的收敛速度越快;h(n)在评价函数f(n)中的权值系数越小,A*算法的收敛速度就会越慢。
(3)优化生成路径
为了检测规划完成的路径节点是否为冗余节点,在A*算法初步搜索完成后,对节点再一次进行筛选,首先要判断两点的连线是否与障碍物发生碰撞,碰撞检测思想就是两节点的连线上的任意一点是否在障碍物的范围内,若有一点在障碍物内,则就可以判断出这两节点连线的路径与障碍物产生碰撞,说明这两个节点中存在冗余节点。坐标转换如图3所示。
球坐标转换直角坐标公式:
(6)
直角坐标转换球坐标公式:
(7)
其中,(x,y,z)表示在空间直角坐标下点的坐标,表示当前节点到后续节点的距离,/>表示与正z轴的夹角,/>表示与正x轴的水平夹角。
利用碰撞检测算法检测路径点n1与后续n2、n3、n4、n5、n6的连线是否穿越障碍物。当检测到与n3的连线n1→n3不穿越障碍且与n4的连线n1→n4穿越障碍时,将路径n1→n2→n3修剪为n1→n3,即将路径点n2和n3从路径集合Path中删除。按照上述方式,完成剩余节点的修剪,路径剪枝如下图4所示。
在相同的障碍物环境下,分别对其使用传统A*算法和本申请改进A*算法对地图进行路径规划,如图6所示。当使用传统A*算法时,从图6(a)中可以看出传统A*算法产生大量的扩展节点,导致搜索时间变长,实时性下降;当使用本发明的改进算法时,从图6(b)中可以明显的看出扩展节点明显变得更少,导致搜索时间变短,实时性上升。
图7(a)为路径剪枝前改进A*算法规划出的一条路径,生成的初始路径的节点数较多,其中可见明显看出还有节点可以进行剔除;图7(b)为路径剪枝后产生路径,初始路径的节点经过碰撞函数的判断,从中可以看出剔除了不必要的节点。
Claims (8)
1.一种基于改进A*算法的无人机三维路径规划方法,其特征在于,所述方法包括:
步骤1:将起始点P放入到开放列表中;
步骤2:确定终点,具体包括:
步骤2.1:判断当前节点与障碍物的最近距离是否大于设定值,若大于设定值,膨胀步长,反之,收缩步长;
步骤2.2:遍历开放列表,计算列表中每一个节点的评价函数,查找评价函数值最小的节点,将所述评价函数值最小的节点作为当前要处理的节点;
步骤2.3:对当前节点中,与之相邻的其他节点b、c和d做如下操作:
若节点b是不可抵达的或者在关闭列表,不进行操作;否则,进行下一步操作;
若节点c不在开放列表中,则将其加入开放列表,并将当前节点n设置为其父亲节点;计算节点c的f(c),g(c)和h(c),其中f(c)表示节点c的评价函数,g(c)表示起点到节点c的实际移动代价,h(c)表示节点c到目标点的预估移动代价;
若节点d已经在开放列表中,则判断节点n到节点d的路径是否更好,参考指标为g(d)值,若g(d)更小,则说明路径更好;若节点d的路径更好,则将节点d的父亲节点e设置为当前节点,并重新计算g(e)和f(e);
步骤2.4:将节点n移动到关闭列表中;
步骤2.5:重复步骤2.1至2.4,当满足如下条件中的一个时,重复终止:
条件一:将终点加入到开放列表中;
条件二:无法查找到终点,并且此时开放列表是空列表;
步骤3:若终点已经找到,查找最短路径;
步骤4:利用路径剪枝优化初始路径;
所述评价函数为:
其中,为g(n)的权值系数,/>为h(n)的权值系数,/>表示第n个节点的坐标,表示目标点的坐标,/>表示节点,通过调节权值系数的比例,来设计合理的路径;其中,h(n)在评价函数f(n)中的权值系数越大,A*算法的收敛速度越快;h(n)在评价函数f(n)中的权值系数越小,A*算法的收敛速度就会越慢。
2.根据权利要求1所述的基于改进A*算法的无人机三维路径规划方法,其特征在于,步骤2.1中,所述膨胀步长的搜索方法为在不增加搜索节点数量的基础上,将普通八邻域3×3的搜索范围进行膨胀,具体包括:
获取第一次循环所搜索到的子节点和父亲节点;
选取第一次循环中评价函数值最小的节点作为第二次循环的父亲节点;
获取第二次循环的子节点,当搜索到目标点时,回溯父亲节点,直至起始点。
3.根据权利要求1所述的基于改进A*算法的无人机三维路径规划方法,其特征在于,步骤3中,所述最短路径具体为:从终点开始,每个节点都沿着父亲节点移动,直到起点。
4.根据权利要求1所述的基于改进A*算法的无人机三维路径规划方法,其特征在于,步骤4,具体包括:
判断两节点的连线上的任意一点是否在障碍物的范围内,若有一点在障碍物内,则就可以判断出这两节点连线的路径与障碍物产生碰撞,这两个节点中存在冗余节点,将所述冗余节点删除。
5.根据权利要求4所述的基于改进A*算法的无人机三维路径规划方法,其特征在于,步骤4还包括坐标变换,具体为:
球坐标转换直角坐标公式:
直角坐标转换球坐标公式:
其中,(x,y,z)表示在空间直角坐标下点的坐标,表示当前节点到后续节点的距离,/>表示与正z轴的夹角,/>表示与正x轴的水平夹角。
6.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,当所述处理器运行所述存储器存储的计算机程序时执行权利要求1至5中任一项所述的方法的步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有多条计算机指令,所述多条计算机指令用于使计算机执行权利要求1至5中任一项所述的方法。
8.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311786383.5A CN117451057B (zh) | 2023-12-25 | 2023-12-25 | 基于改进a*算法无人机三维路径规划方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311786383.5A CN117451057B (zh) | 2023-12-25 | 2023-12-25 | 基于改进a*算法无人机三维路径规划方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117451057A true CN117451057A (zh) | 2024-01-26 |
CN117451057B CN117451057B (zh) | 2024-03-12 |
Family
ID=89593281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311786383.5A Active CN117451057B (zh) | 2023-12-25 | 2023-12-25 | 基于改进a*算法无人机三维路径规划方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117451057B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07129238A (ja) * | 1993-11-01 | 1995-05-19 | Fujitsu Ltd | 障害物回避経路生成方式 |
JP2000020117A (ja) * | 1998-06-29 | 2000-01-21 | Yaskawa Electric Corp | ロボットの動作経路計画方法およびその装置 |
WO2017173990A1 (zh) * | 2016-04-07 | 2017-10-12 | 北京进化者机器人科技有限公司 | 一种机器人避障中的最短路径规划方法 |
JP2020004421A (ja) * | 2019-08-01 | 2020-01-09 | エヌイーシー ラボラトリーズ ヨーロッパ ゲーエムベーハー | 1個以上の障害物を回避して始状態から終状態集合まで移動する物体の経路を決定する方法およびシステム |
CN112033413A (zh) * | 2020-09-07 | 2020-12-04 | 北京信息科技大学 | 一种结合环境信息的改进a*算法 |
CN113467456A (zh) * | 2021-07-07 | 2021-10-01 | 中国科学院合肥物质科学研究院 | 一种未知环境下用于特定目标搜索的路径规划方法 |
CN113515129A (zh) * | 2021-08-23 | 2021-10-19 | 哈尔滨理工大学 | 一种基于边界查找的双向跳点搜索无人车路径规划方法 |
CN114199270A (zh) * | 2021-12-14 | 2022-03-18 | 安徽理工大学 | 融合双向搜索机制与改进a*算法的机器人路径规划方法 |
CN114234991A (zh) * | 2021-11-25 | 2022-03-25 | 中国南方电网有限责任公司 | 导航路径规划方法、装置、计算机设备和存储介质 |
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 |
CN115328208A (zh) * | 2022-09-21 | 2022-11-11 | 西华大学 | 一种实现全局动态路径规划的无人机路径规划方法 |
WO2023155371A1 (zh) * | 2022-02-21 | 2023-08-24 | 上海机器人产业技术研究院有限公司 | 室内移动机器人的平稳移动全局路径规划方法 |
CN116795120A (zh) * | 2023-07-25 | 2023-09-22 | 中国地质大学(武汉) | 改进a*算法和动态窗口法的移动机器人混合路径规划方法 |
CN116817947A (zh) * | 2023-05-30 | 2023-09-29 | 北京航空航天大学 | 一种基于变步长机制的任意时路径规划方法 |
US20230339112A1 (en) * | 2023-03-17 | 2023-10-26 | University Of Electronic Science And Technology Of China | Method for robot assisted multi-view 3d scanning measurement based on path planning |
-
2023
- 2023-12-25 CN CN202311786383.5A patent/CN117451057B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07129238A (ja) * | 1993-11-01 | 1995-05-19 | Fujitsu Ltd | 障害物回避経路生成方式 |
JP2000020117A (ja) * | 1998-06-29 | 2000-01-21 | Yaskawa Electric Corp | ロボットの動作経路計画方法およびその装置 |
WO2017173990A1 (zh) * | 2016-04-07 | 2017-10-12 | 北京进化者机器人科技有限公司 | 一种机器人避障中的最短路径规划方法 |
JP2020004421A (ja) * | 2019-08-01 | 2020-01-09 | エヌイーシー ラボラトリーズ ヨーロッパ ゲーエムベーハー | 1個以上の障害物を回避して始状態から終状態集合まで移動する物体の経路を決定する方法およびシステム |
CN112033413A (zh) * | 2020-09-07 | 2020-12-04 | 北京信息科技大学 | 一种结合环境信息的改进a*算法 |
CN113467456A (zh) * | 2021-07-07 | 2021-10-01 | 中国科学院合肥物质科学研究院 | 一种未知环境下用于特定目标搜索的路径规划方法 |
CN113515129A (zh) * | 2021-08-23 | 2021-10-19 | 哈尔滨理工大学 | 一种基于边界查找的双向跳点搜索无人车路径规划方法 |
CN114234991A (zh) * | 2021-11-25 | 2022-03-25 | 中国南方电网有限责任公司 | 导航路径规划方法、装置、计算机设备和存储介质 |
CN114199270A (zh) * | 2021-12-14 | 2022-03-18 | 安徽理工大学 | 融合双向搜索机制与改进a*算法的机器人路径规划方法 |
WO2023155371A1 (zh) * | 2022-02-21 | 2023-08-24 | 上海机器人产业技术研究院有限公司 | 室内移动机器人的平稳移动全局路径规划方法 |
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 |
CN115328208A (zh) * | 2022-09-21 | 2022-11-11 | 西华大学 | 一种实现全局动态路径规划的无人机路径规划方法 |
US20230339112A1 (en) * | 2023-03-17 | 2023-10-26 | University Of Electronic Science And Technology Of China | Method for robot assisted multi-view 3d scanning measurement based on path planning |
CN116817947A (zh) * | 2023-05-30 | 2023-09-29 | 北京航空航天大学 | 一种基于变步长机制的任意时路径规划方法 |
CN116795120A (zh) * | 2023-07-25 | 2023-09-22 | 中国地质大学(武汉) | 改进a*算法和动态窗口法的移动机器人混合路径规划方法 |
Non-Patent Citations (3)
Title |
---|
李得伟;韩宝明;韩宇;: "一种逆向改进型A*路径搜索算法", 系统仿真学报, no. 22, 20 November 2007 (2007-11-20) * |
赵德群;段建英;陈鹏宇;苏晋海;: "基于A~*算法的三维地图最优路径规划", 计算机系统应用, no. 07, 15 July 2017 (2017-07-15) * |
魏为民;陆致静;叶语亭;: "一种基于A~*算法改进的最短路径搜索方法", 上海电力学院学报, no. 02, 15 April 2018 (2018-04-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117451057B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111504325B (zh) | 一种基于扩大搜索邻域的加权a*算法的全局路径规划方法 | |
CN110509279B (zh) | 一种仿人机械臂的运动路径规划方法及系统 | |
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 | |
CN111752306B (zh) | 一种基于快速扩展随机树的无人机航路规划方法 | |
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 | |
CN110744543B (zh) | 基于ur3机械臂的改进式prm避障运动规划方法 | |
CN111811514A (zh) | 一种基于正六边形栅格跳点搜索算法的路径规划方法 | |
CN111251306B (zh) | 一种带有底盘误差的机械臂路径规划方法 | |
CN113296520B (zh) | 融合a*与改进灰狼算法的巡检机器人路径规划方法 | |
CN110275528B (zh) | 针对rrt算法改进的路径优化方法 | |
CN112731941B (zh) | 双足机器人路径规划方法、装置和双足机器人 | |
CN114161416A (zh) | 基于势函数的机器人路径规划方法 | |
CN112947489A (zh) | 复杂环境下焊接机器人无碰撞路径规划方法及装置 | |
CN114705196B (zh) | 一种用于机器人的自适应启发式全局路径规划方法与系统 | |
CN115167398A (zh) | 一种基于改进a星算法的无人船路径规划方法 | |
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 | |
CN114428499A (zh) | 一种融合Astar与DWA算法的移动小车路径规划方法 | |
CN117451057B (zh) | 基于改进a*算法无人机三维路径规划方法、设备和介质 | |
CN113721622A (zh) | 一种机器人路径规划方法 | |
CN113111553B (zh) | 一种基于插值变形网格的大变形运动数值模拟方法 | |
CN115533912A (zh) | 一种基于快速拓展随机树改进的机械臂运动规划方法 | |
CN112432652A (zh) | 路径规划系统及路径规划方法 | |
CN114310904B (zh) | 一种适用于机械臂关节空间路径规划的新型双向rrt*方法 | |
CN115723125B (zh) | 一种机械臂重复操作运动规划方法 | |
Li et al. | Improving Heu-ristic Functions in A* Algorithm Path Planning |
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 |