“姚陈鹏”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]一种狭窄通道环境下的并行路径搜索方法、系统及装置-CN202010480412.5有效
发明人：刘成菊;姚陈鹏;陈启军 -专利权人：同济大学
申请日： 2020-05-30 - 公布日： 2022-09-16 - 主分类号： G06F9/50 文献下载
摘要：本发明涉及一种狭窄通道环境下的并行路径搜索方法、系统及装置，方法包括：主线程：将起点加入主随机树开启主线程建立主随机树，建立过程中不断生成主线程随机点，可直接加入至主随机树的主线程随机点直接加入主随机树中，不可直接加入至主随机树的主线程随机点触发一个相应的子线程工作，子线程用于生成包含相应主线程随机点的子随机树；子线程：将触发该子线程的主线程随机点在主随机树中的最近的节点作为起点加入子随机树开启子线程建立子随机树，并将子随机树加入至主随机树；主线程和多个子线程并行运行直至目标点出现在主随机树中，提取从起点到目标点的路径作为最终路径。与现有技术相比，本发明实时性强，对狭窄通道的搜索速度快。
一种狭窄通道环境并行路径搜索方法系统装置

[发明专利]一种基于强化学习的移动机器人路径规划方法-CN201911001136.3有效
发明人：刘成菊;孙晓娴;姚陈鹏;陈启军 -专利权人：同济大学
申请日： 2019-10-21 - 公布日： 2021-11-09 - 主分类号： G05D1/02 文献下载
摘要：本发明涉及一种基于强化学习的移动机器人路径规划方法，该方法采用预训练后的改进A*算法，在任意环境中进行路径规划，所述改进A*算法的预训练过程包括以下步骤：S1：获取路径的起点、目标点和路径所在的已知环境，初始化改进A*算法；S2：采用改进A*算法进行路径规划，计算并保存路径规划过程中的搜索点和奖励值；S3：基于每个搜索点及其与目标点间所有搜索点的奖励值，计算每个搜索点对应的长期回报，获取训练数据；S4：基于训练数据，更新强化学习算法，获取每个搜索点的修正值，更新改进A*算法中的引导函数；S5：重复步骤S2至S4，直到满足预设的停止条件。与现有技术相比，本发明具有路径规划速度快、规划结果更优，且稳定性高的优点。
一种基于强化学习移动机器人路径规划方法

[发明专利]一种障碍物集中环境下的机器人路径生成方法-CN201811592363.3有效
发明人：刘成菊;姚陈鹏 -专利权人：同济大学
申请日： 2018-12-25 - 公布日： 2021-05-11 - 主分类号： G05D1/02 文献下载
摘要：本发明涉及一种障碍物集中环境下的机器人路径生成方法，该方法首先使用RRT算法进行路径搜索；当随机点无效时，区别于传统RRT算法直接舍弃该点，而进行进一步判断；若该随机点与目标点连线上的最长有效距离小于阈值则转换成A*算法进行搜索至结束，否则继续进行RRT算法搜索，并重复上述判断；最终路径由RRT搜索所得路径和A*搜索所得路径组成。与现有技术相比，本发明在障碍物集中环境下将A*与RRT算法的优势相结合，克服各自的短板，使得整个规划算法具有效率高、搜索时间短等优点。
一种障碍物集中环境机器人路径生成方法

[发明专利]一种改进拓展式RRT路径规划方法、系统及装置-CN202010480397.4在审
发明人：刘成菊;姚陈鹏;陈启军 -专利权人：同济大学
申请日： 2020-05-30 - 公布日： 2020-09-25 - 主分类号： G01C21/20 文献下载
摘要：本发明涉及一种改进拓展式RRT路径规划方法、系统及装置。所述的改进拓展式RRT路径规划方法包括如下步骤：步骤S1、将起点xstart加入随机树；步骤S2、生成随机点xrand并判断其是否有效，有效则将随机点xrand加入随机树，否则舍弃该随机点xrand并重复步骤S2直至获取有效的随机点xrand；步骤S3、以步骤S2获得的有效的随机点xrand为中心向周侧进行随机点拓展，并将拓展的有效随机点加入随机树中，判断目标点xgoal是否在随机树中，若是，则执行步骤S4，否则，返回步骤S2；步骤S4、从目标点xgoal开始向起点xstart追溯父节点作为最终路径。与现有技术相比，本发明具有效率高、搜索速度快、在狭窄通道情况下的成功率高等优点。
一种改进拓展 rrt 路径规划方法系统装置

[发明专利]一种基于“门”点的路径规划方法-CN201910497456.6在审
发明人：刘成菊;姚陈鹏 -专利权人：同济人工智能研究院（苏州）有限公司
申请日： 2019-06-10 - 公布日： 2019-10-18 - 主分类号： G01C21/34 文献下载
摘要：本发明涉及一种基于“门”点的路径规划方法，用于获得控制机器人的最优路径，该方法首先通过模型训练得到神经网络模型，再根据神经网络模型提取关键点，利用图搜索算法进行路径规划，所述的神经网络模型的输入为地图，输出为地图中的“门”和“门”点，所述的模型训练包括以下步骤：11)生成多张随机地图；12)将标记有“门”和“门”点的多张随机地图作为训练样本存于训练集中；13)利用步骤12)中的训练集对目标识别网络进行训练；14)得到训练完成的神经网络模型，与现有技术相比，本发明具有快速、精确和路径最优等优点。
神经网络模型路径规划模型训练控制机器人目标识别搜索算法训练样本最优路径关键点训练集输出网络