一种应用于仓储机器人静态路径规划方法及系统

1.本发明涉及机器人静态环境下路径规划技术领域，具体而言，涉及一种应用于仓储机器人静态路径规划方法及系统。


背景技术：

2.路径规划是机器人自主无碰行动的核心内容之一，路径规划常常由地图和在地图上执行的搜索算法组成。尤其对于仓储机器人来说，路径规划问题是机器人领域的核心问题之一，根据机器人对空间环境的已知程度，路径规划问题可以被分为静态路径规划和动态路径规划。
3.在静态路径规划中，对于静态仓储环境下，为了能够在地图上快速地找到一条从起点出发到达终点的最优或最短路径，研究者们提出了诸如dijkstra算法，蚁群算法和a*算法等经典算法。其中，a*算法属于启发式搜索算法，相比于dijkstra算法添加了启发函数，在路径搜索过程引入了终点信息加以引导。但传统的a-star算法，存在路径长度较长，拐点和访问节点数过多的问题，会使机器人的工作效率降低的问题。


技术实现要素：

4.本发明要解决的技术问题是：
5.为了解决传统的a-star算法，存在路径长度较长，拐点和访问节点数过多，会使机器人的工作效率降低的问题。
6.本发明为解决上述技术问题所采用的技术方案：
7.本发明提供了一种应用于仓储机器人静态路径规划方法，包括以下步骤：
8.步骤一、获取并输入起点、目标点和地图信息，将起点添加进开放列表中；
9.步骤二、去除与目标节点方向不一致、被障碍物占据以及处于关闭列表中的相邻节点，将除上述节点外的其他相邻节点称作相邻可达节点；
10.步骤三、获取路径，包括以下步骤，
11.(1)对于步骤二获取的相邻可达节点判断其是否在开放列表中，若在，记录相邻节点中最小g(n)值的节点，将当前节点作为该最小g(n)值相邻节点的父节点；若不在则将相邻可达节点放入开放列表中，判断开放列表是否为空，若开放列表为空则表示无法找到路径，规划结束，若开放列表不为空则判断相邻节点是否为终点，即目标点或目标节点，若相邻节点为终点则保存路径为最终路径并结束循环；若相邻节点不是终点则将当前节点作为父节点；
12.(2)将(1)得到的当前节点移入关闭列表中；
13.(3)计算相邻可达节点的f(n)值，f(n)为评价函数值，选择f(n)值最小的节点作为下一当前节点；
14.(4)重复步骤二、步骤三(1)-(3)至步骤三(1)中的开放列表为空显示无法找到路径，或步骤三(1)中的相邻节点为终点，得到最终路径；
15.步骤四、对获取到的路径进行路径再处理，包括去除两类非必要节点。
16.进一步地，在步骤二中，确定相邻节点与目标节点方向是否一致的方法为，将当前节点的中心分别与目标点和待搜索节点的中心相连，计算其夹角θ，设当前节点的坐标为(xc,yc)，待搜索节点的坐标为(x
c1
,y
c1
)，目标节点坐标为(xg,yg)，夹角θ计算公式如(1)所示：
[0017][0018]
当夹角小于等于90
°
时判定该节点相对于当前节点与目标点的方向相同，将该节点加入开放列表并计算其代价函数的值；当夹角大于90
°
时判定该节点相对于当前节点与目标点的反方向相反，舍弃该节点。
[0019]
进一步地，在步骤二中，判断定义扩展节点方向与目标点方向一致的方法为，连接起点与目标点，过当前节点做直线l与该线段垂直，直线l将平面分为两个部分，分别为包含目标点的部分和不包含目标点的部分，若待扩展结点处于包含目标点部分，则该节点方向与目标点方向相同，否则该节点方向与目标点方向相反。
[0020]
进一步地，在步骤四中，判断是否为第一类节点的方法为，计算该节点前一段路径和后一段路径的斜率是否相同，设待判定路径点c的坐标为(xc,yc)，其前一个路径点p1的坐标为(x
p1
,y
p1
)，后一个路径点p2的坐标为(x
p2
,y
p2
)，则这两段路径的斜率k1和k2分别为如式(2)和(3)所示：
[0021][0022][0023]
若k1与k2相同则判定该路径点为第一类节点，将其去除，若k1与k2不同，则保留该节点。
[0024]
进一步地，在步骤四中，判断是否为第二类节点方法为，首先将起点与目标点相连得到直线，若该直线未经过障碍物则判定起点与目标点之间的路径点为第二类节点，将其去除，保留直线作为最终路径；若该直线经过障碍物，则将起点与倒数第二个路径点相连得到直线，若直线未经过障碍物则判定起点与倒数第二个路径点之间的路径点为第二类节点，将其去除，再将倒数第二个节点与目标点相连，确定最终路径；若直线经过障碍物，则将起点与倒数第三个路径点相连，以此类推，直到将起点与终点无障碍的连接起来。
[0025]
一种应用于仓储机器人静态路径规划系统，该系统具有与上述步骤对应的程序模块，运行时执行上述的应用于仓储机器人静态路径规划方法中的步骤。
[0026]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现应用于仓储机器人静态路径规划方法的步骤。
[0027]
相较于现有技术，本发明的有益效果是：
[0028]
本发明一种应用于仓储机器人静态路径规划方法及系统，在传统a-star算法的基础上，引入了聚焦搜索方向和路径再处理的方法，编写了基于搜索方向与路径再处理的改进a-star算法，去除了非必要节点，以此为仓储机器人规划出一条最优路径，有效减少了转弯次数，进而减少了路径长度，提高机器人的工作效率；
[0029]
本发明一种应用于仓储机器人静态路径规划方法及系统，与对比的四种算法在不同的地图环境中性能比较中可看出本发明的改进a-star算法较稳定，其中路径中的拐点数与路径长度对机器人工作效率的影响最大，而本发明提出的改进a-star算法在这两个指标下性能最优，其中拐点数减少了50％-83.3％，路径长度最多缩短了2.9％；在计算时间上，为缩短路径长度、减少拐点数所增加的计算量使本发明提出的改进a-star算法通常长于传统a-star算法，但增加的数值较小，可满足实时性，因此以提高机器人的工作效率为目的，综合考虑，本发明提出的算法性能最优。
附图说明
[0030]
图1为本发明实施例中一种应用于仓储机器人静态路径规划方法的流程图；
[0031]
图2为本发明实施例中待搜索节点的判断示意图；
[0032]
图3为本发明实施例中径再处理方法的示意图；
[0033]
图4为本发明实施例中障碍物密集地图环境、障碍物适中地图环境和障碍物稀疏地图环境下算法1、算法2、传统a-star算法和改进a-star算法的路径对比图；
[0034]
图5为本发明实施例中障碍物密集地图环境、障碍物适中地图环境和障碍物稀疏地图环境下算法1、算法2、传统a-star算法和改进a-star算法的性能横向对比图。
具体实施方式
[0035]
在本发明的描述中，应当说明的是，在本发明的实施例中所提到的术语“第一”、“第二”、“第三”仅用于描述目的，并不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者多个该特征。
[0036]
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
[0037]
具体实施方案一：结合图1至图5所示，本发明提供一种应用于仓储机器人静态路径规划方法，包括以下步骤：
[0038]
步骤一、获取并输入起点、目标点和地图信息，将起点添加进开放列表中；
[0039]
步骤二、去除与目标节点方向不一致、被障碍物占据以及处于关闭列表中的相邻节点，将除上述节点外的其他相邻节点称作相邻可达节点；
[0040]
确定相邻节点与目标节点方向是否一致的方法为，将当前节点的中心分别与目标点和待搜索节点的中心相连，计算其夹角θ，设当前节点的坐标为(xc,yc)，待搜索节点的坐标为目标节点坐标为(xg,yg)，夹角θ计算公式如(1)所示：
[0041][0042]
当夹角小于等于90
°
时判定该节点相对于当前节点与目标点的方向相同，将该节点加入开放列表并计算其代价函数的值；当夹角大于90
°
时判定该节点相对于当前节点与目标点的反方向相反，舍弃该节点，代价函数的计算公式如(2)所示：
[0043]
f(n)＝h(n)+g(n)
ꢀꢀ
(2)
[0044]
其中，g(n)为起点到节点n的观测评估值，h(n)为节点n到终点的估计评估值，f(n)为起点经由节点n到达终点的估计评估值；
[0045]
步骤三、获取路径，包括以下步骤，
[0046]
(1)对于步骤二获取的相邻可达节点判断其是否在开放列表中，若在，记录相邻节点中最小g(n)值的节点，将当前节点作为该最小g(n)值相邻节点的父节点；若不在则将相邻可达节点放入开放列表中，判断开放列表是否为空，若开放列表为空则表示无法找到路径，规划结束，若开放列表不为空则判断相邻节点是否为终点，即目标点或目标节点，若相邻节点为终点则保存路径为最终路径并结束循环；若相邻节点不是终点则将当前节点作为父节点；
[0047]
(2)将(1)得到的当前节点移入关闭列表中；
[0048]
(3)计算相邻可达节点的f(n)值，f(n)为评价函数值，选择f(n)值最小的节点作为下一当前节点；
[0049]
(4)重复步骤二、步骤三(1)-(3)至步骤三(1)中的开放列表为空显示无法找到路径，或步骤三(1)中的相邻节点为终点，得到最终路径；
[0050]
步骤四、在完成路径规划后，需要去除非必要节点；
[0051]
对于去除非必要节点可通过判断是否为第一类节点和第二类节点并将以上两类节点去除的方法来实现，其中，第一类节点不论去除还是保留对路径都没有影响，第二类节点去除后机器人不会与障碍物发生碰撞，且路径长度缩短，转弯次数减少；
[0052]
判断是否为第一类节点的方法为，计算该节点前一段路径和后一段路径的斜率是否相同，设待判定路径点c的坐标为(xc,yc)，其前一个路径点p1的坐标为(x
p1
,y
p1
)，后一个路径点p2的坐标为(x
p2
,y
p2
)，则这两段路径的斜率k1和k2分别为如式(3)和(4)所示：
[0053][0054][0055]
若k1与k2相同则判定该路径点为第一类节点，将其去除，若k1与k2不同，则保留该节点；
[0056]
判断是否为第二类节点方法为，首先将起点与目标点相连得到直线，若该直线未经过障碍物则判定起点与目标点之间的路径点为第二类节点，将其去除，保留直线作为最终路径；若该直线经过障碍物，则将起点与倒数第二个路径点相连得到直线，若直线未经过障碍物则判定起点与倒数第二个路径点之间的路径点为第二类节点，将其去除，再将倒数第二个节点与目标点相连，确定最终路径；若直线经过障碍物，则将起点与倒数第三个路径点相连，以此类推，直到将起点与终点无障碍的连接起来；
[0057]
去除第二类节点后，即完成了本文对路径的再处理，有效减少了路径的转弯次数，从而缩短了路径长度。
[0058]
优选地，在步骤二中，判断定义待搜索节点方向与目标点方向是否一致的方法为：连接起点与目标点，过当前节点做直线l与该线段垂直，直线l将平面分为两个部分，分别为包含目标点的部分和不包含目标点的部分，若待扩展结点处于包含目标点部分，则该节点方向与目标点方向相同，否则该节点方向与目标点方向相反。
[0059]
在判断步骤二中的相邻节点与目标节点方向是否一致时，举例如下，
[0060]
对待搜索节点进行判断的示意图如图2所示，假设相邻8个节点中不包含障碍物。图中点s为起点，点g为目标点，点c为当前节点，其中，在对点c6进行判断时，计算直线cc6和直线cg之间的夹角θ6，角θ6大于90
°
，将点c6舍弃；在对点c7进行判断时，计算直线cc7和直线cg之间的夹角θ7，角θ7小于90
°
，将点c7加入开放列表。以此类推，最终加入开放列表的节点为点c3、c5、c7和c8。
[0061]
在判断步骤四中路径点是否为非必要节点时，举例如下，
[0062]
路径再处理方法示例如图3所示，图中路径[acfdeb]为初次规划所得路径，其中点c的前一段路径[ac]和后一段路径[cf]的斜率不同，因此保留路径点c，同理，将路径点d和e保留。而点f的前一段路径[cf]和后一段路径[fd]的斜率相同，因此路径点f为第一类节点，将其去除，保留下来的路径为[acdeb]。在该路径的基础上继续对路径点进行判断，首先将路径点a与点b相连，连线经过障碍物，则将点a与点e相连，连线仍经过障碍物，继续将点a与点d相连，连线未经过障碍物，则判定点c为第二类节点，将其去除；再将点d与目标点b相连，未经过障碍物，判定点e为第二类节点，将其去除，最终保留下来的路径为[adb]。
[0063]
实施例
[0064]
由于算法性能会受到地图中障碍物密集程度的影响，本发明共设计了三种不同的地图环境，在障碍物面积相同的情况下通过改变地图尺寸来改变障碍物占比，尺寸最小的地图为20m
×
20m，为障碍物密集环境，尺寸为30m
×
30m的地图为障碍物适中环境，尺寸为50m
×
50m地图为障碍物稀疏环境，其配置如表1所示：
[0065]
表1不同地图环境配置
[0066]
编号地图大小/m2障碍物占比起点坐标终点坐标120
×
207.0％(3,2)(18,18)230
×
303.1％(3,1)(27,29)350
×
501.1％(3,1)(48,49)
[0067]
本发明将基于搜索方向和路径再处理的改进a-star算法与其他三种对比算法在前文构建的地图环境中进行路径规划，得到的路径如图4所示，
[0068]
其中对比算法1首先对评价函数进行改进，使其权重可根据地图信息进行动态调节，改进的评价函数如式(5)所示：
[0069]
f(n)＝a*g(n)+b*h(n)
ꢀꢀ
(5)
[0070]
其中
[0071]
b＝[c/(1-c)]*[(d
ie
+d
is
)/d
se
]
ꢀꢀ
(6)
[0072][0073]
dist1＝|x
i-xe|
ꢀꢀ
(8)
[0074]
dist2＝|y
i-ye|
ꢀꢀ
(9)
[0075]
其中d
ie
为当前节点到目标点的距离，d
is
为当前节点到起点的距离，d
se
为起点到目标点的距离，(xi,yi)为当前节点的坐标，(xe,ye)为目标节点的坐标，dist1为当前节点与目标节点横坐标差的绝对值，dist2为当前节点与目标点纵坐标差的绝对值，参数a取值为0.8，参数c取值为0.4；
[0076]
为搜索到更优路径文中对16个相邻节点进行了搜索。
[0077]
对比算法2首先将路径起点和终点相连，若直线ab未经过障碍物，则将它确定为最终路径；若直线经过障碍物，则确定障碍物与直线ab的交点，并确定局部路径的起点与终点，局部路径采用改进的a-star算法来进行规划，最终将多段局部路径与直线ab结合，得到完整路径。
[0078]
对比算法2在a-star算法的评价函数中引入了β作为h(n)的参数，并且增加了当前节点向相邻节点的扩展方向。改进的评价函数如式(10)所示：
[0079]
f(n)＝g(n)+β
·
h(n)(10)
[0080]
其中，选取参数β的取值为1，向相邻节点扩展的方向数为16。
[0081]
分别在上述环境下对算法性能进行分析可知：
[0082]
(1)障碍物密集地图
[0083]
障碍物密集地图下4种算法所得拐点数、路径长度、访问节点数、计算时间的数据及评估指标值如表2所示，
[0084]
表2障碍物密集地图下不同算法性能比较
[0085][0086]
在拐点数方面，本发明提出的改进a-star算法在此地图环境中拐点数最少，相比于传统a-star算法减少了50％，相比于对比算法2减少了60％。这主要是因为在对初次得到的路径进行再处理时本文提出的改进a-star算法去除了第一类节点与第二类节点，由于对比算法1同样考虑了路径中拐点数量的问题，去除了其中的冗余转折点，在当前地图中其规划路径的拐点数与本研究提出的改进算法数量相同。
[0087]
在路径长度方面，当前地图环境下本发明提出的改进a-star算法所规划的路径长度最短，相比于传统a-star算法长度减少了2.9％，相比于对比算法1减少了0.5％，相比于对比算法2减少了1.3％。这是因为根据两点之间直线最短的原理，本发明提出的改进a-star算法去除路径中的拐点时，路径长度也会相应地缩短。对比算法1虽然也去除了冗余转折点，但由于初次规划的路径较长，最终得到的路径也长于本发明提出的算法，对比算法2在未遇到障碍物时所用直线路径是最短的，但在绕过障碍物时所花费的路径较多，完整路径也较长。
[0088]
在访问节点的数量方面，本发明提出的改进a-star算法访问节点数相比传统a-star算法和对比算法1分别减少了22.2％和1.5％，仅次于对比算法2。这主要是因为本发明提出的改进a-star算法采用了聚焦搜索方向的方法，减少了搜索节点数，而对比算法2仅在需要绕过障碍物的局部路径使用了其改进的a-star算法，在没有遇到障碍物的路径中不需要对节点进行搜索。但减少搜索节点数的初衷是减少计算的时间，而对比算法2计算所需时
间十分依赖障碍物的数量，当障碍物数量较多时，为了绕开障碍物，需花费的时间就会明显增加，不适合本发明给出的地图环境。
[0089]
在计算时间方面，本发明提出的改进a-star算法在计算时间上与对比算法1相同，少于比对算法2，相比于传统a-star算法增加了50％，但由于数值基数较小，实际增加的时间较短，为0.001s。虽然本发明提出的改进a-star算法中减少访问节点数节省了计算时间，但路径再处理时还需花费时间进行计算，故所需的时间较长。而事实证明，通过路径再处理，本发明提出的改进a-star算法所规划路径在路径长度和总拐点数方面都取得了优越的性能，因此而增加的计算时间也在满足实时性要求的范围内，综合考虑减少路径长度和拐点数给机器人带来效率的提升，对于路径进行再处理是很有必要的。
[0090]
(2)障碍物适中地图
[0091]
障碍物适中地图下4种算法所得拐点数、路径长度、访问节点数及计算时间的数据及评估指标值如表3所示，
[0092]
表3障碍物适中地图下不同算法性能比较
[0093][0094]
在拐点数方面，去除第一类节点与第二类节点后，本发明提出的改进a-star算法在当前地图下拐点数仍最少，相比于传统a-star算法减少了50％，相比于对比算法2减少了83.33％。由于对比算法1同样对路径中的冗余点进行了处理，当前地图中本研究提出的改进a-star算法与其拐点数相同。
[0095]
在路径长度方面，障碍物适中地图下，本发明提出的改进a-star算法在路径长度上相比于传统a-star算法，对比算法2分别缩短了2.0％和1.5％，相比于对比算法1增加了0.15％，增加长度较少且结合计算时间来看本文提出的算法使机器人完成任务的效率更高。
[0096]
在访问节点数方面，障碍物适中地图下，本发明提出的改进a-star算法访问节点数相比于传统a-star算法和对比算法1分别减少了16.0％和3.0％，其数量仅多于对比算法2，但在计算时间上本文提出的算法占很大优势。
[0097]
在计算时间方面，本发明提出的改进a-star算法仅长于传统a-star算法，数值上相差较小，为0.001s，而相比于对比算法1和对比算法2，所需计算时间分别减少了50％和98％。
[0098]
(3)障碍物稀疏地图
[0099]
障碍物稀疏地图下4种算法所得拐点数、路径长度、访问节点数及计算时间的数据及评估指标值如表4所示，
[0100]
表4障碍物稀疏地图下不同算法性能比较
[0101][0102]
在拐点数方面，障碍物稀疏地图下，本发明提出的改进a-star算法与对比算法1所规划路径中的拐点数相同，均最少，相比于传统a-star算法和对比算法2分别减少了75％和80％。
[0103]
在路径长度方面，本发明提出的改进a-star算法在当前地图中路径长度最短，相比于传统a-star算法，对比算法1和对比算法2分别减少了1.3％，0.2％和0.1％。
[0104]
在访问节点数方面，障碍物稀疏地图中，本发明提出的改进a-star算法相比于传统a-star算法和对比算法1访问节点数分别减少了16.8％和1.8％。由于路径起点与终点相连的直线经过障碍物的边缘位置，对比算法2绕过障碍物时采用a-star算法的部分大大减少，其访问节点数也明显减少，而由于地图尺寸较大，本发明提出的改进a-star算法r算法访问节点数较多，与对比算法2相差较大，但在计算所需时间上本发明提出的改进a-star算法仍远小于对比算法2。
[0105]
在计算时间方面，本发明提出的改进a-star算法相比于对比算法1和对比算法2所需时间分别减少了7.7％和93.6％，仅长于传统a-star算法。
[0106]
(4)不同地图环境下算法性能横向对比
[0107]
图5中给出了不同地图环境下不同算法所得拐点数、路径长度、访问节点数和计算时间横向对比的柱状图，
[0108]
在拐点数方面，由5(a)可知，本发明提出的改进a-star算法在三种不同地图中所规划路径的拐点数都是最少的，性能较稳定。
[0109]
在路径长度方面，由图5(b)可知，本发明提出的改进a-star算法仅在障碍物适中地图中稍长于对比算法1，在其他两种地图中路径长度最短，随着地图规模增大路径长度变长。
[0110]
在访问节点数方面，由图5(c)可知，在三种地图中本发明提出的改进a-star算法所需访问的节点数仅次于对比算法2。随地图规模变大，本发明提出的改进a-star算法、传统a-star算法和对比算法1访问节点数都逐渐增多，由于对比算法2只在绕过障碍物的部分使用a-star算法，其访问节点数取决于绕过障碍物的次数及连接起点与终点的直线与障碍物交点的位置。
[0111]
在计算时间方面，由图5(d)可知，在三种不同的地图中传统a-star算法所需的计算时间都是最短的，比对算法1与本文提出的改进算法所需计算时间稍长，两者相差不多，计算时间最长的为对比算法2。
[0112]
综上所述，本发明所对比的四种算法在不同的地图环境中性能较稳定，其中路径中的拐点数与路径长度对机器人工作效率的影响最大，而本发明提出的改进a-star算法在
这两个指标下性能最优，其中拐点数减少了50％-83.3％，路径长度最多缩短了2.9％。在计算时间上，为缩短路径长度，减少拐点数所增加的计算量使本文提出的改进a-star算法通常长于传统a-star算法，但增加的数值较小，可满足实时性。因此以提高机器人的工作效率为目的，综合考虑，本文提出的算法性能最优。
[0113]
具体实施方案二：结合图1至图5所示，本发明提供一种应用于仓储机器人静态路径规划系统，该系统具有与上述步骤对应的程序模块，运行时执行上述的应用于仓储机器人静态路径规划方法中的步骤。本实施方案的其他组合和连接关系与具体实施方案一相同。
[0114]
具体实施方案三：结合图1至图5所示，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现应用于仓储机器人静态路径规划方法的步骤。本实施方案的其他组合和连接关系与具体实施方案二相同。
[0115]
虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本发明领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

技术特征：
1.一种应用于仓储机器人静态路径规划方法，其特征在于，包括以下步骤：步骤一、获取并输入起点、目标点和地图信息，将起点添加进开放列表中；步骤二、去除与目标节点方向不一致、被障碍物占据以及处于关闭列表中的相邻节点，将除上述节点外的其他相邻节点称作相邻可达节点；步骤三、获取路径，包括以下步骤，(1)对于步骤二获取的相邻可达节点判断其是否在开放列表中，若在，记录相邻节点中最小g(n)值的节点，将当前节点作为该最小g(n)值相邻节点的父节点；若不在则将相邻可达节点放入开放列表中，判断开放列表是否为空，若开放列表为空则表示无法找到路径，规划结束，若开放列表不为空则判断相邻节点是否为终点，即目标点或目标节点，若相邻节点为终点则保存路径为最终路径并结束循环；若相邻节点不是终点则将当前节点作为父节点；(2)将(1)得到的当前节点移入关闭列表中；(3)计算相邻可达节点的f(n)值，f(n)为评价函数值，选择f(n)值最小的节点作为下一当前节点；(4)重复步骤二、步骤三(1)-(3)至步骤三(1)中的开放列表为空显示无法找到路径，或步骤三(1)中的相邻节点为终点，得到最终路径；步骤四、对获取到的路径进行路径再处理，包括去除两类非必要节点。2.根据权利要求1所述的一种应用于仓储机器人静态路径规划方法，其特征在于：在步骤二中，确定相邻节点与目标节点方向是否一致的方法为，将当前节点的中心分别与目标点和待搜索节点的中心相连，计算其夹角θ，设当前节点的坐标为(x
c
,y
c
)，待搜索节点的坐标为目标节点坐标为(x
g
,y
g
)，夹角θ计算公式如(1)所示：当夹角小于等于90
°
时判定该节点相对于当前节点与目标点的方向相同，将该节点加入开放列表并计算其代价函数的值；当夹角大于90
°
时判定该节点相对于当前节点与目标点的反方向相反，舍弃该节点。3.根据权利要求2所述的一种应用于仓储机器人静态路径规划方法，其特征在于：在步骤二中，判断定义扩展节点方向与目标点方向一致的方法为，连接起点与目标点，过当前节点做直线l与该线段垂直，直线l将平面分为两个部分，分别为包含目标点的部分和不包含目标点的部分，若待扩展结点处于包含目标点部分，则该节点方向与目标点方向相同，否则该节点方向与目标点方向相反。4.根据权利要求3所述的一种应用于仓储机器人静态路径规划方法，其特征在于：在步骤四中，判断是否为第一类节点的方法为，计算该节点前一段路径和后一段路径的斜率是否相同，设待判定路径点c的坐标为(x
c
,y
c
)，其前一个路径点p1的坐标为(x
p1
,y
p1
)，后一个路径点p2的坐标为(x
p2
,y
p2
)，则这两段路径的斜率k1和k2分别为如式(2)和(3)所示：分别为如式(2)和(3)所示：
若k1与k2相同则判定该路径点为第一类节点，将其去除，若k1与k2不同，则保留该节点。5.根据权利要求4所述的一种应用于仓储机器人静态路径规划方法，其特征在于：在步骤四中，判断是否为第二类节点方法为，首先将起点与目标点相连得到直线，若该直线未经过障碍物则判定起点与目标点之间的路径点为第二类节点，将其去除，保留直线作为最终路径；若该直线经过障碍物，则将起点与倒数第二个路径点相连得到直线，若直线未经过障碍物则判定起点与倒数第二个路径点之间的路径点为第二类节点，将其去除，再将倒数第二个节点与目标点相连，确定最终路径；若直线经过障碍物，则将起点与倒数第三个路径点相连，以此类推，直到将起点与终点无障碍的连接起来。6.一种应用于仓储机器人静态路径规划系统，其特征在于：该系统具有与上述权利要求1-5任一项权利要求的步骤对应的程序模块，运行时执行上述的应用于仓储机器人静态路径规划方法中的步骤。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存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求1-5中任一项所述的应用于仓储机器人静态路径规划方法的步骤。

技术总结
本发明提供了一种应用于仓储机器人静态路径规划方法及系统，属于静态环境下机器人路径规划技术领域。为了解决传统的A-Star算法，存在路径长度较长，拐点和访问节点数过多，会使机器人的工作效率降低的问题。本发明在传统A-Star算法的基础上，引入了聚焦搜索方向和路径再处理的方法，编写了基于搜索方向与路径再处理的改进A-Star算法，去除了两类非必要节点，以此为仓储机器人规划出一条最优路径，有效减少了转弯次数，进而缩短了路径长度，可满足实时性，有效提高机器人的工作效率。有效提高机器人的工作效率。有效提高机器人的工作效率。


技术研发人员：焉晓贞 丁若晨 罗清华 贾广乐 王晨旭 周志权
受保护的技术使用者：哈尔滨工业大学（威海）
技术研发日：2023.06.30
技术公布日：2023/9/14