WO2023155371A1 - 室内移动机器人的平稳移动全局路径规划方法 - Google Patents

室内移动机器人的平稳移动全局路径规划方法 Download PDF

Info

Publication number
WO2023155371A1
WO2023155371A1 PCT/CN2022/105471 CN2022105471W WO2023155371A1 WO 2023155371 A1 WO2023155371 A1 WO 2023155371A1 CN 2022105471 W CN2022105471 W CN 2022105471W WO 2023155371 A1 WO2023155371 A1 WO 2023155371A1
Authority
WO
WIPO (PCT)
Prior art keywords
path
node
search
list
point
Prior art date
Application number
PCT/CN2022/105471
Other languages
English (en)
French (fr)
Inventor
周梅杰
刘碧珊
付仕凯
王昶茹
Original Assignee
上海机器人产业技术研究院有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 上海机器人产业技术研究院有限公司 filed Critical 上海机器人产业技术研究院有限公司
Publication of WO2023155371A1 publication Critical patent/WO2023155371A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Definitions

  • the invention relates to a robot navigation technology, in particular to a global path planning method for a smooth movement of an indoor mobile robot.
  • a robot with the ability to move autonomously has at least the capabilities of positioning, mapping, and path planning.
  • the path planning technology integrates various performance evaluation indicators, and finds a path in the map space that allows the robot to walk safely and efficiently. According to different grasps of environmental information, path planning can be divided into global path planning and local path planning. Global path planning The suboptimal or optimal path can be found by using the prior information of the map, and the global path will directly affect the work efficiency of the mobile robot, which is the core technology and important research issue of the autonomous mobile robot.
  • the technical solution of the present invention is: a global path planning method for the smooth movement of an indoor mobile robot, which initializes the grid map according to known map information; preprocesses all required data structures of the initialized grid map during the search process; Start the two-way search from the starting point and the target point, calculate the child nodes in the eight neighborhoods of the starting point and the target point that are open spaces, expand all child nodes according to the search rules, and estimate all the nodes to be traversed by using the extended node evaluation function f during the search
  • the priority of the node judge whether the optimal path is found according to the results of the two-way search, and if the optimal path is found, the search will be ended directly, otherwise the subsequent search process will be continued; the node with the smallest value f value of the extended node evaluation function in the previous search process will be selected as the next node
  • the node to be traversed is searched.
  • the node After the search is completed, the node is no longer considered and whether to repeat the search step is judged according to the termination condition; after the search is completed, all paths satisfying the minimum number of turns are evaluated according to the evaluation method, and the minimum turning times are obtained simultaneously. times and the path with the minimum actual moving cost g is taken as the final global optimal path.
  • the coordinates of the starting point (x start , y start ), the coordinates of the target point (x target , y target ), the coordinates of the current extended node (x n , y n ), f(n) is the estimated value of node n, representing Select the priority of the next traversal node
  • g(n) is the actual moving cost of node n from the starting point of each search
  • the starting point includes the starting target point and turning point
  • the abstract function h is a heuristic function, when node n is When the starting point is an extended node, h(n) is the estimated movement cost from n to the target point, and when node n is the extended node of the target point, h(n) is the estimated movement cost from n to the target point.
  • the expansion is performed according to the search rules, specifically:
  • x n+1 2 ⁇ x n -x n-1
  • y n+1 2 ⁇ y n -y n-1
  • the coordinates of the next extended node are (x n+1 , y n+1 ), the coordinates of the current node are (x n , y n ), the coordinates of the previous node are (x n-1 , y n-1 ), and the row is
  • the length of the map, col is the width of the map.
  • the global path planning method for the smooth movement of the indoor mobile robot specifically includes the following steps:
  • Preprocess all required data structures in the global planning map search process after initialization including: use the structure to initialize the container open_list, and the members of the structure are the positions of the nodes to be traversed and the nodes that have been traversed, and the estimated value of the nodes f.
  • the actual moving cost value g of the node from the starting point of each search and the estimated moving cost value h of the node to the target point and then store the starting point and the target point in the open_list, use the two-dimensional list to initialize the container close_list, and use the structure
  • the body initializes a container path to indicate the path of the traversed node and the actual moving cost g to reach the node.
  • the structure members are the node collection and g value for storing the path.
  • a two-dimensional list is used to initialize a container confluence_list to indicate the position of the path turning point and turn times;
  • step 6) Repeat step 5) until open_list is empty;
  • the beneficial effects of the present invention are: the global path planning method for the smooth movement of the indoor mobile robot of the present invention expands and optimizes the existing optimal shortest path planning technology based on graph search, not only considering the shortest walking path of the robot, but also considering the motion process continuity; the global path planning method proposed in the present invention can automatically plan a path that satisfies the minimum number of turns and the minimum actual moving cost g in the grid map environment, and remembers the path turning nodes during the search process position, which provides the possibility for more efficient path smoothing. Obtain the global path that makes the robot's movement process smoothest and can simplify the smoothing operation.
  • Fig. 1 is a flow chart of the global path planning method for smooth movement of an indoor mobile robot according to the present invention.
  • the flow chart of the global path planning method for the smooth movement of the indoor mobile robot comprises the following steps:
  • Step 1 Initialize the grid map. Assign multiple states to each grid, including: open space, static obstacles, starting point, target point, and planned path. The obstacles are scaled according to the position information of the known obstacles occupying the grid map. For 40:1 expansion, initialize the current position and the position of the target point in the expanded map and judge whether each point and its eight neighbors are completely occupied by obstacles. If neither of the two points is an obstacle node in the map and their respective existence states are The eight-neighborhood sub-nodes of the open space are considered to be initialized successfully, and a global planning map with a sub-scale rate of 0.05m is established;
  • Step 2 Preprocess all required data structures in the global planning map search process after initialization, including: use the structure to initialize the container open_list, and the members of the structure are the positions of nodes to be traversed and nodes that have been traversed, and the nodes' The estimated value f, the actual moving cost value g of the node from the starting point of each search, and the estimated moving cost value h of the node to the target point, and then store the starting point and the target point in the open_list, and use the two-dimensional list to initialize the container close_list, Use the position of the traversed point as the index to store the g value, use the structure to initialize a container path to represent the path of the traversed node and the actual moving cost g to reach the node, and the members of the structure are the node set and g value for storing the path , use a two-dimensional list to initialize a container confluence_list to indicate the position and number of turns of the path turning point;
  • Step 3 Start a two-way search from the starting point and the target point, calculate the child nodes of the eight neighbors of the starting point and the target point whose state is open space, put them into the open_list as nodes to be traversed, and take the starting point and the target point out of the open_list and put them in Enter the close_list, and expand along the straight line for all child nodes to meet the obstacle area or map boundary as the termination condition: 0 ⁇ x n+1 ⁇ row, 0 ⁇ y n+1 ⁇ col and (x n+1 , y n+ 1 ) The node is not occupied by an obstacle:
  • x n+1 2 ⁇ x n -x n-1
  • y n+1 2 ⁇ y n -y n-1
  • the coordinates of the next extended node are (x n+1 , y n+1 ), the coordinates of the current node are (x n , y n ), the coordinates of the previous node are (x n-1 , y n-1 ), and the row is
  • the length of the map, col is the width of the map.
  • the coordinates of the starting point (x start , y start ), the coordinates of the target point (x target , y target ), the coordinates of the current extended node (x n , y n ), f(n) is the estimated value of node n, representing Select the priority of the next traversal node;
  • g(n) is the actual moving cost of node n from the starting point of each search (including: initial target point and turning point);
  • the abstract function h is a heuristic function, when node n is When the starting node is an extended node, h(n) is the estimated movement cost from n to the target point, and when node n is the extended node of the target point, h(n) is the estimated movement cost from n to the target point.
  • Step 4 Judging according to the two-way search results, if there is an intersection point between the extended node at the starting point and the extended node at the target point, it means that a feasible path has been successfully searched.
  • the two-way search successfully finds a feasible path. Among the found paths, there must be an optimal path that satisfies the minimum number of turns and the minimum actual moving cost g at the same time. After step 4, go directly to step 7 to evaluate and find the optimal path.
  • the two-way search has not found any feasible path, and after the extended search ends, there is no intersection point between the extended node at the starting point and the extended node at the target point, and then step 5 is entered after step 4 is completed;
  • Step 5 Select the node with the smallest f value in the open_list as the turning point to search, store the position and turning times of the turning point in the confluence_list, calculate the child nodes whose turning point status is open space, and find all child nodes in the open_list Nodes, obstacle areas, or map boundaries that exist in and extend along a straight line for the termination condition:
  • x n+1 2 ⁇ x n -x n-1
  • y n+1 2 ⁇ y n -y n-1
  • the coordinates of the next extended node are (x n+1 , y n+1 )), the coordinates of the current node are (x n , y n )), and the coordinates of the previous node are (x n-1 , y n-1 ))
  • row is the length of the map
  • col is the width of the map.
  • Step 6 Repeat step 5 until the open_list is empty
  • Step 7 retrieve the turn times of the intersections of the extension nodes of the starting point and the extension nodes of the target point from the confluence_list, and then retrieve the path and movement cost g corresponding to the intersection points from the path.
  • the path is the optimal path, or when there are multiple paths with the minimum turning times, the path with the smallest g is the optimal path, and then the global path that makes the robot's moving process the most stable is obtained.

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Manipulator (AREA)

Abstract

一种室内移动机器人的平稳移动全局路径规划方法，从起始点和目标点开始进行双向搜索，依据搜索规则进行扩展，利用搜索过程中扩展节点估价函数f估计所有待遍历节点的优先级；根据评价方法对所有满足最小转向次数的路径进行评估，获得同时满足最小转向次数和最小实际移动代价g的路径作为最终全局最优路径。对现有基于图搜索的最优的最短路径规划技术扩展优化，不仅考虑了机器人行走路径最短，还考虑了运动过程的连续性；该方法能够在栅格地图环境中自动化地规划一条同时满足最小转向次数和最小实际移动代价g的路径，同时在搜索过程中记住了路径转向的节点位置，为更高效的路径平滑处理提供了可能。

Description

室内移动机器人的平稳移动全局路径规划方法 技术领域
本发明涉及一种机器人导航技术，特别涉及一种室内移动机器人的平稳移动全局路径规划方法。
背景技术
自主定位导航是移动机器人的发展趋势，随着相关核心技术的日渐成熟，如今移动机器人在无人工干预的情况下能在各种复杂场景中实现智能移动。具备自主移动能力的机器人至少拥有定位、建图及路径规划的能力。路径规划技术综合各种性能评价指标，在地图空间中找到一条使机器人可以安全高效行走的路径，根据对环境信息的掌握不同，可将路径规划分为全局路径规划和局部路径规划，全局路径规划利用地图的先验信息可以找到次优或最优路径，全局路径将直接影响移动机器人的工作效率，是自主移动机器人的核心技术和重要研究问题。
发明内容
针对现有全局路径规划技术在栅格地图环境下规划出的路径存在折线多、不平滑的问题，提出了一种室内移动机器人的平稳移动全局路径规划方法，目标实现移动机器人规划出最平稳全局路径，同时满足最小转向次数和最小移动代价的最优路径。
本发明的技术方案为：一种室内移动机器人的平稳移动全局路径规划方法，根据已知地图信息初始化栅格地图；对初始化后栅格地图在搜索过程中全部所需数据结构进行预处理；从起始点和目标点开始进行双向搜索，计算起始点和目标点八邻域状态为空地的子节点，对所有子节点分别依据搜索规则进行扩展，利用搜索过程中扩展节点估价函数f估计所有待遍历节点的优先级；根据双向搜索结果判断是否找到最优路径，如果找到最优路径则直接结束搜索，否则继续执行后续搜索过程；选择前搜索过程中扩展节点估价函数f值最小的节点作为下一个待遍历的节点并展开搜索，搜索完成后不再考虑该节点并根据终止条件判断是否重复执行搜索步骤；完成搜索后，根据评价方法对所有满足最小转向次数的路径进 行评估，获得同时满足最小转向次数和最小实际移动代价g的路径作为最终全局最优路径。
进一步，所述扩展节点估价函数f如下：
f(n)＝g(n)+h(n)，
Figure PCTCN2022105471-appb-000001
Figure PCTCN2022105471-appb-000002
其中起始点坐标(x start，y start)，目标点坐标(x target，y target)，当前扩展节点坐标(x n，y n)，f(n)为节点n的估价值，代表搜索过程中选择下一个遍历节点的优先级，g(n)为节点n距离每次搜索的起始点的实际移动代价，起始点包括起始目标点和转向点；抽象函数h为启发函数，当节点n为起始点的扩展节点时h(n)为n到目标点的估计移动代价，当节点n为目标点的扩展节点时h(n)为n到目标点的估计移动代价。
进一步，所述依据搜索规则进行扩展，具体为：
0＜x n+1＜row，0＜y n+1＜col且(x n+1，y n+1)节点未被障碍物占据：
x n+1＝2×x n-x n-1
y n+1＝2×y n-y n-1
其中下一个扩展节点坐标为(x n+1，y n+1)，当前节点坐标为(x n，y n)，上一节点坐标为(x n-1，y n-1)，row为地图长度，col为地图宽度。
进一步，所述室内移动机器人的平稳移动全局路径规划方法，具体包括如下步骤：
1)初始化栅格地图，对每个栅格赋予多个状态包括：空地、静态障碍、起始点、目标点和规划路径，根据已知占据栅格地图中障碍物的位置信息，对障碍物进行膨胀，在膨胀地图中初始化当前位置和目标点位置并判断各点及其八邻域是否完全被障碍物占据，如果两点在地图中皆不为障碍物节点且各自存在状态为空地的 八邻域子节点则视作初始化成功，建立全局规划地图；
2)对初始化后全局规划地图搜索过程中全部所需数据结构进行预处理，包括：使用结构体初始化容器open_list，结构体成员为待遍历的节点和已经遍历过的节点的位置及节点的估价值f、节点距离每次搜索的起始点的实际移动代价值g和节点到目标点的估计移动代价值h，然后将起始点和目标点存入open_list中，使用二维列表初始化容器close_list，使用结构体初始化一个容器path用来表示遍历过的节点的路径及到达该节点实际移动代价g，结构体成员为存放路径的节点集合及g值，使用二维列表初始化一个容器confluence_list表示路径转向点的位置和转向次数；
3)从起始点和目标点开始进行双向搜索，分别计算起始点和目标点八邻域状态为空地的子节点，作为待遍历节点放入open_list，并将起始点和目标点从open_list取出放入close_list，对所有子节点以遇到障碍物区域或地图边界为终止条件沿直线扩展：扩展过程中计算出的扩展节点及其f值、g值和h值放入open_list，并将从起始点和目标点到达扩展节点的路径节点集合和对应g值存入path中，所有子节点完成扩展后双向搜索结束；
4)根据双向搜索结果进行判断，如果起始点的扩展节点与目标点的扩展节点存在交汇点则表示成功搜索到可行路径，进入步骤7)；如双向搜索未到任何可行路径，进入步骤5)；
5)选择open_list中拥有最小f值的节点作为转向点进行搜索，将转向点的位置和转向次数存入confluence_list中，计算转向点状态为空地的子节点并对所有子节点以遇到在open_list中存在的节点、障碍物区域或地图边界和为终止条件沿直线扩展；
将扩展节点与对应的f值、g值和h值存入open_list并将从转向点到达扩展节点的路径节点集合和对应g值存入path中，搜索过程结束后将转向点从open_list取出并存入close_list中不再进行考虑，当搜索到起始点的扩展节点与目标点的扩展节点的交汇点后，更新该点在confluence_list中的转向次数和path中的路径集合及对应移动代价g；
6)重复执行步骤5)直到open_list为空；
7)从confluence_list中检索所有起始点的扩展节点与目标点的扩展节点的交汇点的转向次数，然后从path中检索交汇点对应的路径和移动代价g，对于存在唯 一最小转向次数的路径是该路径为最优路径，或存在多个最小转向次数的路径时其中g最小的路径为最优路径，进而获得了使机器人移动过程最平稳的全局路径。
进一步，所述步骤4)中如果成功搜索到可行路径，则在可行路径中一定存在同时满足最小转向次数和最小实际移动代价g的最优路径。
本发明的有益效果在于：本发明室内移动机器人的平稳移动全局路径规划方法，对现有基于图搜索的最优的最短路径规划技术扩展优化，不仅考虑了机器人行走路径最短，还考虑了运动过程的连续性；本发明中提出的全局路径规划方法能够在栅格地图环境中自动化地规划一条同时满足最小转向次数和最小实际移动代价g的路径，同时在搜索过程中记住了路径转向的节点位置，为更高效的路径平滑处理提供了可能。获得使机器人移动过程最平稳且能够简化平滑处理操作的全局路径。
附图说明
图1为本发明室内移动机器人的平稳移动全局路径规划方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示室内移动机器人的平稳移动全局路径规划方法流程图，本发明的具体实施方法包括以下步骤：
步骤一、初始化栅格地图对每个栅格赋予多个状态包括：空地、静态障碍、起始点、目标点和规划路径，根据已知占据栅格地图中障碍物的位置信息对障碍物以比例为40∶1膨胀，在膨胀地图中初始化当前位置和目标点位置并判断各点及其八邻域是否完全被障碍物占据，如果两点在地图中皆不为障碍物节点且各自存在状态为空地的八邻域子节点则视作初始化成功，建立分表率为0.05m的全局规划地图；
步骤二、对初始化后的全局规划地图搜索过程中全部所需数据结构进行预处理，包括：使用结构体初始化容器open_list，结构体成员为待遍历的节点和已经 遍历过的节点的位置及节点的估价值f、节点距离每次搜索的起始点的实际移动代价值g和节点到目标点的估计移动代价值h，然后将起始点和目标点存入open_list中，使用二维列表初始化容器close_list，以遍历过的点的位置为索引存放g值，使用结构体初始化一个容器path用来表示遍历过的节点的路径及到达该节点实际移动代价g，结构体成员为存放路径的节点集合及g值，使用二维列表初始化一个容器confluence_list表示路径转向点的位置和转向次数；
步骤三、从起始点和目标点开始进行双向搜索，分别计算起始点和目标点八邻域状态为空地的子节点，作为待遍历节点放入open_list，并将起始点和目标点从open_list取出放入close_list，对所有子节点以遇到障碍物区域或地图边界为终止条件沿直线扩展：0＜x n+1＜row，0＜y n+1＜col且(x n+1，y n+1)节点未被障碍物占据：
x n+1＝2×x n-x n-1
y n+1＝2×y n-y n-1
其中下一个扩展节点坐标为(x n+1，y n+1)，当前节点坐标为(x n，y n)，上一节点坐标为(x n-1，y n-1)，row为地图长度，col为地图宽度。扩展过程中计算扩展节点的f值：
f(n)＝g(n)+h(n)
Figure PCTCN2022105471-appb-000003
Figure PCTCN2022105471-appb-000004
其中起始点坐标(x start，y start)，目标点坐标(x target，y target)，当前扩展节点坐标(x n，y n)，f(n)为节点n的估价值，代表搜索过程中选择下一个遍历节点的优先级；g(n)为节点n距离每次搜索的起始点(包括：起始目标点和转向点)的实际移动代价；抽象函数h为启发函数，当节点n为起始节点的扩展节点时h(n)为n到目标点的估计移动代价，当节点n为目标点的扩展节点时h(n)为n到目标点 的估计移动代价。将计算出的扩展节点及其f值、g值和h值放入open_list(以节点的位置为索引)，并将从起始点和目标点到达扩展节点的路径节点集合和对应g值存入path中，所有子节点完成扩展后双向搜索结束；
步骤四、根据双向搜索结果进行判断，如果起始点的扩展节点与目标点的扩展节点存在交汇点则表示成功搜索到可行路径。双向搜索成功搜索到可行路径，找到的路径中一定存在同时满足最小转向次数和最小实际移动代价g的最优路径，进而步骤四结束后直接进入步骤七评估并找出最优路径。双向搜索未到任何可行路径，扩展搜索结束后起始点的扩展节点与目标点的扩展节点不存在交汇点，进而步骤四结束后进入步骤五；
步骤五、选择open_list中拥有最小f值的节点作为转向点进行搜索，将转向点的位置和转向次数存入confluence_list中，计算转向点状态为空地的子节点并对所有子节点以遇到在open_list中存在的节点、障碍物区域或地图边界和为终止条件沿直线扩展：
0＜x n+1＜row，0＜y n+1＜col，(x n+1，y n+1)节点未被障碍物占据且(x n+1，y n+1)不存在于open_list：
x n+1＝2×x n-x n-1
y n+1＝2×y n-y n-1
其中下一个扩展节点坐标为(x n+1，y n+1))，当前节点坐标为(x n，y n))，上一节点坐标为(x n-1，y n-1))，row为地图长度，col为地图宽度。将扩展节点与对应的f值、g值和h值存入open_list并将从转向点到达扩展节点的路径节点集合和对应g值存入path中，搜索过程结束后将转向点从open_list取出并存入close_list中不再进行考虑，当搜索到起始点的扩展节点与目标点的扩展节点的交汇点后更新该点在confluence_list中的转向次数和path中的路径集合及对应移动代价g，连接从起始点和目标点到达交汇点的路径并对实际移动代价g求和；
步骤六、重复执行步骤五直到open_list为空；
步骤七、从confluence_list中检索所有起始点的扩展节点与目标点的扩展节点的交汇点的转向次数，然后从path中检索交汇点对应的路径和移动代价g，对于存在唯一最小转向次数的路径的情况则该路径为最优路径，或存在多个最小转 向次数的路径时其中g最小的路径为最优路径，进而获得了使机器人移动过程最平稳的全局路径。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (5)

  1. 一种室内移动机器人的平稳移动全局路径规划方法，其特征在于，根据已知地图信息初始化栅格地图；对初始化后栅格地图在搜索过程中全部所需数据结构进行预处理；从起始点和目标点开始进行双向搜索，计算起始点和目标点八邻域状态为空地的子节点，对所有子节点分别依据搜索规则进行扩展，利用搜索过程中扩展节点估价函数f估计所有待遍历节点的优先级；根据双向搜索结果判断是否找到最优路径，如果找到最优路径则直接结束搜索，否则继续执行后续搜索过程；选择前搜索过程中扩展节点估价函数f值最小的节点作为下一个待遍历的节点并展开搜索，搜索完成后不再考虑该节点并根据终止条件判断是否重复执行搜索步骤；完成搜索后，根据评价方法对所有满足最小转向次数的路径进行评估，获得同时满足最小转向次数和最小实际移动代价g的路径作为最终全局最优路径。
  2. 根据权利要求1所述室内移动机器人的平稳移动全局路径规划方法，其特征在于，所述扩展节点估价函数f如下：
    f(n)＝g(n)+h(n)，
    Figure PCTCN2022105471-appb-100001
    Figure PCTCN2022105471-appb-100002
    其中起始点坐标(x start，y start)，目标点坐标(x target，y target)，当前扩展节点坐标(x n，y n)，f(n)为节点n的估价值，代表搜索过程中选择下一个遍历节点的优先级，g(n)为节点n距离每次搜索的起始点的实际移动代价，起始点包括起始目标点和转向点；抽象函数h为启发函数，当节点n为起始点的扩展节点时h(n)为n到目标点的估计移动代价，当节点n为目标点的扩展节点时h(n)为n到目标点的估计移动代价。
  3. 根据权利要求2所述室内移动机器人的平稳移动全局路径规划方法，其特征在于，所述依据搜索规则进行扩展，具体为：
    0＜x n+1＜row，0＜y n+1＜col且(x n+1，y n+1)节点未被障碍物占据：
    x n+1＝2×x n-x n-1
    y n+1＝2×y n-y n-1
    其中下一个扩展节点坐标为(x n+1，y n+1)，当前节点坐标为(x n，y n)，上一节点坐标为(x n-1，y n-1)，row为地图长度，col为地图宽度。
  4. 根据权利要求3所述室内移动机器人的平稳移动全局路径规划方法，其特征在于，具体包括如下步骤：
    1)初始化栅格地图，对每个栅格赋予多个状态包括：空地、静态障碍、起始点、目标点和规划路径，根据已知占据栅格地图中障碍物的位置信息，对障碍物进行膨胀，在膨胀地图中初始化当前位置和目标点位置并判断各点及其八邻域是否完全被障碍物占据，如果两点在地图中皆不为障碍物节点且各自存在状态为空地的八邻域子节点则视作初始化成功，建立全局规划地图；
    2)对初始化后全局规划地图搜索过程中全部所需数据结构进行预处理，包括：使用结构体初始化容器open_list，结构体成员为待遍历的节点和已经遍历过的节点的位置及节点的估价值f、节点距离每次搜索的起始点的实际移动代价值g和节点到目标点的估计移动代价值h，然后将起始点和目标点存入open_list中，使用二维列表初始化容器close_list，使用结构体初始化一个容器path用来表示遍历过的节点的路径及到达该节点实际移动代价g，结构体成员为存放路径的节点集合及g值，使用二维列表初始化一个容器confluence_list表示路径转向点的位置和转向次数；
    3)从起始点和目标点开始进行双向搜索，分别计算起始点和目标点八邻域状态为空地的子节点，作为待遍历节点放入open_list，并将起始点和目标点从open_list取出放入close_list，对所有子节点以遇到障碍物区域或地图边界为终止条件沿直线扩展：扩展过程中计算出的扩展节点及其f值、g值和h值放入open_list，并将从起始点和目标点到达扩展节点的路径节点集合和对应g值存入path中，所有子节点完成扩展后双向搜索结束；
    4)根据双向搜索结果进行判断，如果起始点的扩展节点与目标点的扩展节点存在交汇点则表示成功搜索到可行路径，进入步骤7)；如双向搜索未到任何可行 路径，进入步骤5)；
    5)选择open_list中拥有最小f值的节点作为转向点进行搜索，将转向点的位置和转向次数存入confluence_list中，计算转向点状态为空地的子节点并对所有子节点以遇到在open_list中存在的节点、障碍物区域或地图边界和为终止条件沿直线扩展；
    将扩展节点与对应的f值、g值和h值存入open_list并将从转向点到达扩展节点的路径节点集合和对应g值存入path中，搜索过程结束后将转向点从open_list取出并存入close_list中不再进行考虑，当搜索到起始点的扩展节点与目标点的扩展节点的交汇点后，更新该点在confluence_list中的转向次数和path中的路径集合及对应移动代价g；
    6)重复执行步骤5)直到open_list为空；
    7)从confluence_list中检索所有起始点的扩展节点与目标点的扩展节点的交汇点的转向次数，然后从path中检索交汇点对应的路径和移动代价g，对于存在唯一最小转向次数的路径是该路径为最优路径，或存在多个最小转向次数的路径时其中g最小的路径为最优路径，进而获得了使机器人移动过程最平稳的全局路径。
  5. 根据权利要求4所述室内移动机器人的平稳移动全局路径规划方法，其特征在于，所述步骤4)中如果成功搜索到可行路径，则在可行路径中一定存在同时满足最小转向次数和最小实际移动代价g的最优路径。
PCT/CN2022/105471 2022-02-21 2022-07-13 室内移动机器人的平稳移动全局路径规划方法 WO2023155371A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210154718.0 2022-02-21
CN202210154718.0A CN114510056A (zh) 2022-02-21 2022-02-21 室内移动机器人的平稳移动全局路径规划方法

Publications (1)

Publication Number Publication Date
WO2023155371A1 true WO2023155371A1 (zh) 2023-08-24

Family

ID=81552271

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/105471 WO2023155371A1 (zh) 2022-02-21 2022-07-13 室内移动机器人的平稳移动全局路径规划方法

Country Status (2)

Country Link
CN (1) CN114510056A (zh)
WO (1) WO2023155371A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116922398A (zh) * 2023-09-15 2023-10-24 华侨大学 一种绳索机器人及其路径规划方法和装置
CN116952249A (zh) * 2023-09-18 2023-10-27 中煤科工机器人科技有限公司 轮式巡检机器人自主导航方法
CN117055591A (zh) * 2023-10-11 2023-11-14 青岛哈尔滨工程大学创新发展中心 综合洋流影响和机动性约束的auv全局路径规划方法
CN117091608A (zh) * 2023-10-17 2023-11-21 山东怀思人工智能科技有限公司 一种教育机器人的路径规划方法、设备及介质
CN117308965A (zh) * 2023-11-28 2023-12-29 华南农业大学 基于滑动窗口算法的收获机器人自主卸粮路径规划方法
CN117451057A (zh) * 2023-12-25 2024-01-26 长春理工大学 基于改进a*算法无人机三维路径规划方法、设备和介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114510056A (zh) * 2022-02-21 2022-05-17 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
CN114705196B (zh) * 2022-06-07 2022-08-30 湖南大学 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
CN115860409A (zh) * 2022-12-20 2023-03-28 深圳运捷迅信息系统有限公司 港口运行调度方法、系统、电子设备及可读存储介质
CN116185043B (zh) * 2023-04-17 2023-07-18 北京航空航天大学 一种基于非连通图的机器人全局路径规划方法和装置
CN116858254A (zh) * 2023-09-01 2023-10-10 青岛中德智能技术研究院 单舵轮agv路径规划方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007249632A (ja) * 2006-03-16 2007-09-27 Fujitsu Ltd 障害物のある環境下で自律移動する移動ロボットおよび移動ロボットの制御方法。
US20110035087A1 (en) * 2009-08-10 2011-02-10 Samsung Electronics Co., Ltd. Method and apparatus to plan motion path of robot
CN106441303A (zh) * 2016-09-30 2017-02-22 哈尔滨工程大学 一种基于可搜索连续邻域a*算法的路径规划方法
CN108896052A (zh) * 2018-09-20 2018-11-27 鲁东大学 一种基于动态复杂环境下的移动机器人平滑路径规划方法
CN110220528A (zh) * 2019-06-10 2019-09-10 福州大学 一种基于a星算法的自动驾驶无人车双向动态路径规划方法
CN113359718A (zh) * 2021-05-26 2021-09-07 西安理工大学 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
CN114510056A (zh) * 2022-02-21 2022-05-17 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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007249632A (ja) * 2006-03-16 2007-09-27 Fujitsu Ltd 障害物のある環境下で自律移動する移動ロボットおよび移動ロボットの制御方法。
US20110035087A1 (en) * 2009-08-10 2011-02-10 Samsung Electronics Co., Ltd. Method and apparatus to plan motion path of robot
CN106441303A (zh) * 2016-09-30 2017-02-22 哈尔滨工程大学 一种基于可搜索连续邻域a*算法的路径规划方法
CN108896052A (zh) * 2018-09-20 2018-11-27 鲁东大学 一种基于动态复杂环境下的移动机器人平滑路径规划方法
CN110220528A (zh) * 2019-06-10 2019-09-10 福州大学 一种基于a星算法的自动驾驶无人车双向动态路径规划方法
CN113359718A (zh) * 2021-05-26 2021-09-07 西安理工大学 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
CN114510056A (zh) * 2022-02-21 2022-05-17 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WANG SI-XIN; TAN GONG-QUAN; JIANG QIN; SU CHANG: "Path Planning for Mobile Robot Based on Improved A Algorithm", JISUANJI-FANGZHEN = COMPUTER SIMULATION, ZHONGGUO HANGTIAN GONGYE ZONGGONGSI, CN, vol. 38, no. 9, 30 September 2021 (2021-09-30), CN , pages 386 - 389, 404, XP009548158, ISSN: 1006-9348 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116922398A (zh) * 2023-09-15 2023-10-24 华侨大学 一种绳索机器人及其路径规划方法和装置
CN116922398B (zh) * 2023-09-15 2023-12-22 华侨大学 一种绳索机器人及其路径规划方法和装置
CN116952249A (zh) * 2023-09-18 2023-10-27 中煤科工机器人科技有限公司 轮式巡检机器人自主导航方法
CN116952249B (zh) * 2023-09-18 2023-12-08 中煤科工机器人科技有限公司 轮式巡检机器人自主导航方法
CN117055591A (zh) * 2023-10-11 2023-11-14 青岛哈尔滨工程大学创新发展中心 综合洋流影响和机动性约束的auv全局路径规划方法
CN117055591B (zh) * 2023-10-11 2024-03-15 青岛哈尔滨工程大学创新发展中心 综合洋流影响和机动性约束的auv全局路径规划方法
CN117091608A (zh) * 2023-10-17 2023-11-21 山东怀思人工智能科技有限公司 一种教育机器人的路径规划方法、设备及介质
CN117091608B (zh) * 2023-10-17 2023-12-29 山东怀思人工智能科技有限公司 一种教育机器人的路径规划方法、设备及介质
CN117308965A (zh) * 2023-11-28 2023-12-29 华南农业大学 基于滑动窗口算法的收获机器人自主卸粮路径规划方法
CN117308965B (zh) * 2023-11-28 2024-03-12 华南农业大学 基于滑动窗口算法的收获机器人自主卸粮路径规划方法
CN117451057A (zh) * 2023-12-25 2024-01-26 长春理工大学 基于改进a*算法无人机三维路径规划方法、设备和介质
CN117451057B (zh) * 2023-12-25 2024-03-12 长春理工大学 基于改进a*算法无人机三维路径规划方法、设备和介质

Also Published As

Publication number Publication date
CN114510056A (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
WO2023155371A1 (zh) 室内移动机器人的平稳移动全局路径规划方法
CN109115226B (zh) 基于跳点搜索的多机器人冲突避免的路径规划方法
CN109976350B (zh) 多机器人调度方法、装置、服务器及计算机可读存储介质
CN107990903B (zh) 一种基于改进a*算法的室内agv路径规划方法
CN109059924B (zh) 基于a*算法的伴随机器人增量路径规划方法及系统
CN111811514B (zh) 一种基于正六边形栅格跳点搜索算法的路径规划方法
CN111708364B (zh) 一种基于a*算法改进的agv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
CN113341991B (zh) 一种基于动态窗口和冗余节点过滤的路径优化方法
WO2022237321A1 (zh) 一种通行区域的路径融合规划方法、机器人及芯片
JP5381679B2 (ja) 経路探索システム、方法、プログラム、並びに移動体
CN110220528A (zh) 一种基于a星算法的自动驾驶无人车双向动态路径规划方法
CN113189988B (zh) 一种基于Harris算法与RRT算法复合的自主路径规划方法
WO2022142893A1 (zh) 双足机器人路径规划方法、装置和双足机器人
CN109341698B (zh) 一种移动机器人的路径选择方法及装置
CN115164907A (zh) 基于动态权重的a*算法的森林作业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
CN114578828A (zh) 一种基于空间约束a星算法的移动机器人路径规划方法
CN114815801A (zh) 一种基于策略-价值网络及mcts的自适应环境路径规划方法
Paliwal A survey of a-star algorithm family for motion planning of autonomous vehicles
CN113375686A (zh) 路径规划的方法、装置以及智能输送系统
CN116414139B (zh) 基于A-Star算法的移动机器人复杂路径规划方法
CN116149314A (zh) 机器人全覆盖作业方法、装置及机器人
CN111736580A (zh) 扫地设备的避障脱困方法、装置、电子设备及存储介质
CN115950444A (zh) 一种基于a星优化算法的智慧轮椅寻路方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22926677

Country of ref document: EP

Kind code of ref document: A1