机器人路径规划:基于迪杰斯特拉算法(Dijkstra)的机器人路径规划(提供Python代码)

迪杰斯特拉算法(Dijkstra)是由荷兰计算机科学家狄克斯特拉于1959年提出的,因此又叫狄克斯特拉算法。是从一个顶点到其余各顶点的最短路径算法,解决的是有权图中最短路径问题。迪杰斯特拉算法主要特点是从起始点开始,采用贪心算法策略,每次遍历到始点距离最近且未访问过的顶点的邻接节点,直到扩展到终点为止。它可以找到从一个起始节点到其他所有节点的最短路径。

一、算法介绍

Dijkstra算法采用贪心策略,通过逐步扩展已知最短路径集合来逐步确定最短路径。它使用一个距离数组来记录从起始节点到其他节点的当前最短距离,并通过不断更新距离数组来逐步确定最短路径。

二、算法描述

  1. 创建一个距离数组dist[],用于记录起始节点到其他节点的当前最短距离。初始化dist[],将起始节点的距离设为0,其他节点的距离设为无穷大。

  2. 创建一个集合visited[],用于记录已经确定最短路径的节点。

  3. 重复以下步骤,直到visited[]包含所有节点:

a. 从未访问的节点中选择一个距离最小的节点u,将其加入visited[]。

b. 对于节点u的所有邻居节点v,更新其距离数组dist[]:

  • 如果通过节点u可以获得更短的路径,则更新dist[v]为新的最短距离。
  1. 最终,dist[]数组中记录了起始节点到其他所有节点的最短距离。

三、算法流程

  1. 初始化dist[]数组和visited[]集合。

  2. 将起始节点的距离设为0。

  3. 重复以下步骤,直到visited[]包含所有节点:

a. 从未访问的节点中选择一个距离最小的节点u。

b. 将节点u加入visited[]。

c. 对于节点u的所有邻居节点v,更新其距离数组dist[]:

  • 如果通过节点u可以获得更短的路径,则更新dist[v]为新的最短距离。
  1. 返回dist[]数组作为最短路径结果。

四、部分代码

复制代码
import matplotlib.pyplot as plt
import math

show_animation = True


class Dijkstra:

    def __init__(self, ox, oy, resolution, robot_radius):
        """
        Initialize map for a star planning

        ox: x position list of Obstacles [m]
        oy: y position list of Obstacles [m]
        resolution: grid resolution [m]
        rr: robot radius[m]
        """

        self.min_x = None
        self.min_y = None
        self.max_x = None
        self.max_y = None
        self.x_width = None
        self.y_width = None
        self.obstacle_map = None

        self.resolution = resolution
        self.robot_radius = robot_radius
        self.calc_obstacle_map(ox, oy)
        self.motion = self.get_motion_model()

    class Node:
        def __init__(self, x, y, cost, parent_index):
            self.x = x  # index of grid
            self.y = y  # index of grid
            self.cost = cost
            self.parent_index = parent_index  # index of previous Node

        def __str__(self):
            return str(self.x) + "," + str(self.y) + "," + str(
                self.cost) + "," + str(self.parent_index)

五、部分结果

六、完整Python代码

见下方联系方式

相关推荐
星期天要睡觉1 分钟前
(纯新手教学)计算机视觉(opencv)实战十四——模板与多个对象匹配
人工智能·opencv·计算机视觉
一株月见草哇3 分钟前
(一)昇腾AI处理器技术
人工智能·ai·芯片
xieyan08114 分钟前
论文阅读_大模型情绪分析预测股票趋势
人工智能
小白开始进步5 分钟前
机器人集群调度算法简介与实现思路
算法·机器人
mortimer10 分钟前
一次 ModelScope 替代 Hugging Face 的模型下载实战指南
人工智能·llm
好易学·数据结构17 分钟前
可视化图解算法60: 矩阵最长递增路径
数据结构·算法·leetcode·力扣·递归·回溯算法·牛客
柠檬味拥抱23 分钟前
2000 张人脸眼部检测数据集 | 标注规范、数据划分与应用场景
人工智能
芒果快进我嘴里32 分钟前
超球损失函数
人工智能·机器学习
荼蘼34 分钟前
openCV 角点检测与 SIFT 特征提取:原理与实战解析
人工智能·opencv·计算机视觉