桥式起重机的路径规划方法及装置与流程

1.本发明涉及一种起重机控制技术领域，特别是一种桥式起重机的路径规划方法。


背景技术：

2.目前常见的桥式起重机路径规划方法有以下几种：蚁群算法、遗传算法、粒子群算法和rrt算法。
3.蚁群算法是模拟蚂蚁觅食过程的智能算法，一些发明将其应用到路径规划领域，首先基于障碍物分布的先验信息，得到全局障碍物分布图，并使用栅格法进行环境建模，然后使用算法进行路径规划，其特征在于：用蚂蚁行走路径表示可行解，在行走过程中通过释放信息素传递信息，形成正反馈机制，则整个蚁群便可沿最短路径达到食物源。但算法需要较长时间才能发挥正反馈的作用。故算法初期收敛速度较慢。
4.遗传算法思想是模拟自然进化过程搜索最优解，应用于起重机路径规划领域，同样需要建立栅格地图，算法将求解路径最短过程转化为染色体基因的交叉、变异、选择等过程。其特征在于：算法不能直接处理问题的参数，必须经过编码转换求解问题，且算法在进化搜索解过程中一般不需要其他外部信息，仅依靠评价函数。此算法存在编码不准确性问题，且效率较低。
5.粒子群算法思想是基于鸟类觅食行为而发展起来的群体协作随机搜索算法。其应用在路径规划领域，其特征在于搜索速度快，和遗传算法不同，其没有交叉和变异运算，所调整参数较少。但算法仍不能有效解决路径节点的组合优化问题，易陷入局部最优，且收敛精度较低。
6.rrt算法是基于概率采样的搜索方法，采用特殊的增量方式进行构造，能迅速缩短一个随机状态点与树的期望距离。其特征在于能快速有效的搜索高维空间，通过状态空间的随机采样点，搜索空白区域，从而寻找到一条从起始点到目标点的规划路径。但算法难以获得最优解，且收敛速率未知，存在“长尾”效应。
7.以上四种算法是起重机路径规划领域常用的算法，一般是针对算法的不足进行改进，再根据障碍物数据建立二维栅格地图或者三维地图，通过固定起重机的运行高度，来规划出一条无碰撞运移路线，但规划的路径拐点较多，或所得路径并非最短路径，路径不够平滑。本发明充分考虑到桥式起重机运行特性，综合考虑路线光滑度、运行时间、障碍物危险程度、能量消耗等因素，在三维环境空间中提出一种能智能根据障碍物高度作上升或下降变化的改进人工蜂群算法，提高起重机路径规划的避障精度，加快规划速度，且规划的路径足够平滑，减少起重机大小车频繁制动，更加符合实际环境中起重机的吊装路径，提高生产效率，保证安全生产。


技术实现要素：

8.本发明提供一种桥式起重机的路径规划方法，用于解决现有算法是起重机路径规划的路径拐点较多，或所得路径并非最短路径，路径不够平滑的问题。
9.根据本发明的一个方面，提供了一种桥式起重机的路径规划方法，在已知三维环境下采用蜂群算法，该方法包括：
10.步骤s10，基于空间中障碍物分布信息，使用三维等分网格法建立空间地图模型，作为路径规划的基础；
11.步骤s20，算法参数初始化，算法参数包括蜜源数n、算法最大迭代次数maxcycle、蜂群在适应值不变的蜜源处搜索的限制次数limit，其中蜜源数与蜂群数相等，雇佣蜂和守望蜂各占一半，一个蜜源代表一条可行路径，蜜源根据公式(1)生成，式中，j取值{1,2,
…
,d}，j为d维解向量的某个分量，与为第j维的上下限，rand(0,1)为[0,1]之间随机数；
[0012]
步骤s30，雇佣蜂开始搜索，每个雇佣蜂各自选择一条路径进行优化，按照公式(2)进行搜索，所有雇佣蜂搜索完毕后，计算每个雇佣蜂优化后的蜜源适应度值，优于当前蜜源则替代，否则蜜源不变的次数加1，次数等于limit时，放弃此蜜源，按公式(3)xi(n)＝x
min
rand(0，1)(x
max-x
min
) trial≥limit全局搜索新蜜源；
[0013]
步骤s40，守望蜂依选择机制跟随雇佣蜂，雇佣蜂搜索完毕后，守望蜂需根据轮盘赌与反轮盘赌并行机制，选择要跟随的雇佣蜂，继续对雇佣蜂所优化的蜜源继续搜索；
[0014]
其中所述轮盘赌与反轮盘赌并行机制包括：
[0015]
步骤s41，首先计算各蜜源适应度值占总蜜源适应度值的概率，将其拼成一个轮盘，并随机生成一个(0,1)范围的随机数，此数落在哪个区间，守望蜂便选择其对应的雇佣蜂；
[0016]
步骤s42，再计算各蜜源适应度值倒数占总蜜源适应度值倒数和的概率，拼成轮盘后，依轮盘机制，守望蜂再选择一个要跟随的雇佣蜂；
[0017]
步骤s43,同时对两雇佣蜂搜索的蜜源再次按公式(2)进行搜索，然后比较原蜜源和新产生的两个蜜源，依据贪心准则，保留适应度较小的蜜源；
[0018]
步骤s50，侦察蜂搜索，侦察蜂负责在全局搜索新蜜源，在雇佣蜂和守望蜂搜索的蜜源适应度值不变次数达到上限limit后，则选择放弃此蜜源，侦察蜂依公式(3)搜索新蜜源。
[0019]
步骤s60，人工蜂搜索完毕后，记录最好蜜源，根据步骤30、步骤40、步骤50依次循环迭代，每次都记录当前最好蜜源，并与最好蜜源比较，保留较好的；
[0020]
步骤s70，判断迭代次数，如果迭代次数小于maxcycle上限，返回执行步骤30，如果迭代次数等于maxcycle上限，执行步骤80；
[0021]
步骤s80，把最好蜜源代表的路径在三维地图上表示出来，此为一次优化路径。
[0022]
进一步的，还包括：
[0023]
步骤s90，利用节点筛选法则，剔除一次路径中的冗余节点；
[0024]
节点筛选法则为：
[0025]
步骤s91，首先定义距离s，从起点开始，计算当前点到下一点的距离与下一点到终点的距离，这些点都是当前最优路径中的节点，当前点为(xa,ya,za),下一点为(xb,yb,zb),终点为(xc,yc,zc)；
[0026]
步骤s92，当满足公式(4)时，利用公式(5)
[0027]
计算dn，确保下一点位于当前点前方且靠近终点，为使当前点与下一点的连线不经过障碍物，下一点必须在离当前点s的范围内，当前点s距离内的所有优化点均作为下一点的可行解，此时取dn值小的点作为下一点，dn值越小，该点到当前点和终点加权最优。
[0028]
进一步的，还包括：
[0029]
步骤s100，利用贝塞尔曲线公式p(t),对二次优化路径进行平滑处理,贝塞尔曲线公式p(t)为
[0030][0031]
进一步的，还包括：
[0032]
步骤s21，在步骤s30之前，判断障碍物高度，当障碍物高度在一定阈值内，起重机可智能选择绕行还是跨越。
[0033]
进一步的，还包括：
[0034]
步骤s22，在步骤s30之前，判断凹形障碍物，如果为凹形障碍物，将其虚拟填充。
[0035]
一种桥式起重机的路径规划装置，其特征在于，在已知三维环境下采用蜂群算法，该装置包括：
[0036]
三维地图构建模块，所述三维地图构建模块基于空间中障碍物分布信息，使用三维等分网格法建立空间地图模型，作为路径规划的基础；
[0037]
参数初始化模块，所述参数初始化模块用于算法参数初始化，算法参数包括蜜源数n、算法最大迭代次数maxcycle、蜂群在适应值不变的蜜源处搜索的限制次数limit，其中蜜源数与蜂群数相等，雇佣蜂和守望蜂各占一半，一个蜜源代表一条可行路径，蜜源根据公式(1)生成，式中，j取值{1,2,
…
,d}，j为d维解向量的某个分量，与为第j维的上下限，rand(0,1)为[0,1]之间随机数；
[0038]
第一搜索模块，所述第一搜索模块用于雇佣蜂搜索，每个雇佣蜂各自选择一条路径进行优化，按照公式(2)进行搜索，所有雇佣蜂搜索完毕后，计算每个雇佣蜂优化后的蜜源适应度值，优于当前蜜源则替代，否则蜜源不变的次数加1，次数等于limit时，放弃此蜜源，按公式(3)xi(n)＝x
min
rand(0，1)(x
max-x
min
)trial≥limit全局搜索新蜜源；
[0039]
第二搜索模块，所述第二搜索模块用于守望蜂搜索，守望蜂依选择机制跟随雇佣蜂，雇佣蜂搜索完毕后，守望蜂需根据轮盘赌与反轮盘赌并行机制，选择要跟随的雇佣蜂，继续对雇佣蜂所优化的蜜源继续搜索；
[0040]
其中第二搜索模块包括第一计算模块、第二计算模块和第一比较模块；
[0041]
所述第一计算模块用于计算各蜜源适应度值占总蜜源适应度值的概率，将其拼成一个轮盘，并随机生成一个(0,1)范围的随机数，此数落在哪个区间，守望蜂便选择其对应的雇佣蜂；
[0042]
所述第二计算模块用于计算各蜜源适应度值倒数占总蜜源适应度值倒数和的概率，拼成轮盘后，依轮盘机制，守望蜂再选择一个要跟随的雇佣蜂；
[0043]
所述第一比较模块用于同时对两雇佣蜂搜索的蜜源再次按公式(2)进行搜索，然后比较原蜜源和新产生的两个蜜源，依据贪心准则，保留适应度较小的蜜源；
[0044]
第三搜索模块，所述第三搜索模块用于侦察蜂搜索，侦察蜂负责在全局搜索新蜜源，在雇佣蜂和守望蜂搜索的蜜源适应度值不变次数达到上限limit后，则选择放弃此蜜源，侦察蜂依公式(3)搜索新蜜源。
[0045]
第一记录模块，所述第一记录模块用于人工蜂搜索完毕后，记录最好蜜源，根据步骤30、步骤40、步骤50依次循环迭代，每次都记录当前最好蜜源，并与最好蜜源比较，保留较好的；
[0046]
第一判断模块，所述第一判断模块用于判断迭代次数，如果迭代次数小于maxcycle上限，返回执行步骤30，如果迭代次数等于maxcycle上限，执行步骤80；
[0047]
标识模块，所述标识模块用于把最好蜜源代表的路径在三维地图上表示出来，此为一次优化路径。
[0048]
进一步的，还包括：
[0049]
第一优化模块，所述第一优化模块利用节点筛选法则，剔除一次路径中的冗余节点；
[0050]
第一优化模块包括：
[0051]
第三计算模块，首先定义距离s，从起点开始，所述第三计算模块计算当前点到下一点的距离与下一点到终点的距离，这些点都是当前最优路径中的节点，当前点为(xa,ya,za),下一点为(xb,yb,zb),终点为(xc,yc,zc)；
[0052]
第四计算模块，当满足公式(4)时，第四计算模块利用公式(5)计算dn，确保下一点位于当前点前方且靠近终点，为使当前点与下一点的连线不经过障碍物，下一点必须在离当前点s的范围内，当前点s距离内的所有优化点均作为下一点的可行解，此时取dn值小的点作为下一点，dn值越小，该点到当前点和终点加权最优，以此法筛选节点，优化路径长度。通过调节距离s，可控制剩余路径中节点数。
[0053]
进一步的，还包括：
[0054]
第二优化模块，所述第二优化模块利用贝塞尔曲线公式p(t),对二次优化路径进行平滑处理,贝塞尔曲线公式p(t)为
[0055][0056]
进一步的，还包括：
[0057]
第二判断模块，所述第二判断模块用于判断障碍物高度，当障碍物高度在一定阈值内，起重机可智能选择绕行还是跨越。
[0058]
进一步的，还包括：
[0059]
第三判断模块，所述第三判断模块用于判断凹形障碍物，如果为凹形障碍物，将其虚拟填充。
[0060]
本发明的有益效果
[0061]
提供了一种桥式起重机在三维环境下的蜂群算法，本方法适用于障碍物较复杂的三维环境，具有搜索速度快、参数少、鲁棒性强的特点。搜索得到的路径长度短且平滑，符合桥式起重机运行特性，首先建立三维障碍物空间地图模型，定义起始点和目标点，再对算法进行参数初始化，生成多条初始路径，雇佣蜂先对初始路径进行优化，然后守望蜂以轮盘赌和反轮盘赌并行选择机制，选择要跟随的雇佣蜂，对雇佣蜂所选择优化的路径再次进行优化，守望蜂优化完毕后，侦查蜂根据路径值不变的次数，选择是否放弃原路径，从而在全局环境重新搜索生成一条路径，避免算法陷入局部最优解。然后找出最好的路径并记录，不断循环迭代，更新最短路径，得到一条一次优化路径。
附图说明
[0062]
构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0063]
图1为本发明一具体实施方式桥式起重机的路径规划方法的步骤流程图；
[0064]
图2为本发明一具体实施方式桥式起重机的路径规划方法的运动轨迹的第一次优化后的三维视图；
[0065]
图3为本发明一具体实施方式桥式起重机的路径规划方法的运动轨迹的第二次优化后的三维视图；
[0066]
图4为本发明一具体实施方式桥式起重机的路径规划方法的运动轨迹的第三次优化后的三维视图；
[0067]
图5为本发明另一具体实施方式桥式起重机的路径规划方法的步骤流程图；
[0068]
图6为本发明一具体实施方式桥式起重机的路径规划装置的结构框架图；
[0069]
图7为本发明另一具体实施方式桥式起重机的路径规划装置的结构框架图；
[0070]
图中：10-三维地图构建模块；20-参数初始化模块；21-第二判断模块；22-第三判断模块；30-第一搜索模块；40-第二搜索模块；50-第三搜索模块；60-第一记录模块；70-第
一判断模块；80-标识模块；90-第一优化模块；100-第二优化模块。
具体实施方式
[0071]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
[0072]
需要指出的是，除非另有指明，本技术使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
[0073]
在本发明中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的，或者是针对部件本身在竖直、垂直或重力方向上而言的；同样地，为便于理解和描述，“内、外”是指相对于各部件本身的轮廓的内、外，但上述方位词并不用于限制本发明。
[0074]
请参阅图1所示，为本发明一种桥式起重机的路径规划方法的一具体实施方式。
[0075]
一种桥式起重机的路径规划方法，在已知三维环境下采用蜂群算法，该方法包括：
[0076]
步骤s10，基于空间中障碍物分布信息，使用三维等分网格法建立空间地图模型，作为路径规划的基础；
[0077]
步骤s20，算法参数初始化，算法参数包括蜜源数n、算法最大迭代次数maxcycle、蜂群在适应值不变的蜜源处搜索的限制次数limit，其中蜜源数与蜂群数相等，雇佣蜂和守望蜂各占一半，一个蜜源代表一条可行路径，蜜源根据公式(1)生成，式中，j取值{1,2,
…
,d}，j为d维解向量的某个分量，与为第j维的上下限，rand(0,1)为[0,1]之间随机数；
[0078]
步骤s30，雇佣蜂开始搜索，每个雇佣蜂各自选择一条路径进行优化，按照公式(2)进行搜索，所有雇佣蜂搜索完毕后，计算每个雇佣蜂优化后的蜜源适应度值，优于当前蜜源则替代，否则蜜源不变的次数加1，次数等于limit时，放弃此蜜源，按公式(3)xi(n)＝x
min
rand(0，1)(x
max-x
min
)trial≥limit全局搜索新蜜源；
[0079]
步骤s40，守望蜂依选择机制跟随雇佣蜂，雇佣蜂搜索完毕后，守望蜂需根据轮盘赌与反轮盘赌并行机制，选择要跟随的雇佣蜂，继续对雇佣蜂所优化的蜜源继续搜索；
[0080]
其中所述轮盘赌与反轮盘赌并行机制包括：
[0081]
步骤s41，首先计算各蜜源适应度值占总蜜源适应度值的概率，将其拼成一个轮盘，并随机生成一个(0,1)范围的随机数，此数落在哪个区间，守望蜂便选择其对应的雇佣蜂；
[0082]
步骤s42，再计算各蜜源适应度值倒数占总蜜源适应度值倒数和的概率，拼成轮盘后，依轮盘机制，守望蜂再选择一个要跟随的雇佣蜂；
[0083]
步骤s43,同时对两雇佣蜂搜索的蜜源再次按公式(2)进行搜索，然后比较原蜜源和新产生的两个蜜源，依据贪心准则，保留适应度较小的蜜源；
[0084]
步骤s50，侦察蜂搜索，侦察蜂负责在全局搜索新蜜源，在雇佣蜂和守望蜂搜索的蜜源适应度值不变次数达到上限limit后，则选择放弃此蜜源，侦察蜂依公式(3)搜索新蜜源。
[0085]
步骤s60，人工蜂搜索完毕后，记录最好蜜源，根据步骤30、步骤40、步骤50依次循
环迭代，每次都记录当前最好蜜源，并与最好蜜源比较，保留较好的；
[0086]
步骤s70，判断迭代次数，如果迭代次数小于maxcycle上限，返回执行步骤30，如果迭代次数等于maxcycle上限，执行步骤80；
[0087]
步骤s80，请参阅图2所示，把最好蜜源代表的路径在三维地图上表示出来，此为一次优化路径。
[0088]
提供了一种桥式起重机在三维环境下的蜂群算法，本方法适用于障碍物较复杂的三维环境，具有搜索速度快、参数少、鲁棒性强的特点。搜索得到的路径长度短且平滑，符合桥式起重机运行特性，首先建立三维障碍物空间地图模型，定义起始点和目标点，再对算法进行参数初始化，生成多条初始路径，雇佣蜂先对初始路径进行优化，然后守望蜂以轮盘赌和反轮盘赌并行选择机制，选择要跟随的雇佣蜂，对雇佣蜂所选择优化的路径再次进行优化，守望蜂优化完毕后，侦查蜂根据路径值不变的次数，选择是否放弃原路径，从而在全局环境重新搜索生成一条路径，避免算法陷入局部最优解。然后找出最好的路径并记录，不断循环迭代，更新最短路径，得到一条一次优化路径。
[0089]
进一步的，桥式起重机的路径规划方法还包括：
[0090]
步骤s90，请参阅图3所示，利用节点筛选法则，剔除一次路径中的冗余节点；
[0091]
节点筛选法则为：
[0092]
步骤s91，首先定义距离s，从起点开始，计算当前点到下一点的距离与下一点到终点的距离，这些点都是当前最优路径中的节点，当前点为(xa,ya,za),下一点为(xb,yb,zb),终点为(xc,yc,zc)；
[0093]
步骤s92，当满足公式(4)时，利用公式(5)
[0094]
计算dn，确保下一点位于当前点前方且靠近终点，为使当前点与下一点的连线不经过障碍物，下一点必须在离当前点s的范围内，当前点s距离内的所有优化点均作为下一点的可行解，此时取dn值小的点作为下一点，dn值越小，该点到当前点和终点加权最优，以此法筛选节点，优化路径长度。通过调节距离s，可控制剩余路径中节点数。
[0095]
使用节点筛选法则剔除这条路径中的冗余节点，完成二次优化，路径节点数量减少，长度再次缩短。
[0096]
进一步的，桥式起重机的路径规划方法还包括：
[0097]
步骤s100，请参阅图4所示，利用贝塞尔曲线公式对二次优化路径进行平滑优化，经过冗余节点剔除后的路径，所含节点已减少，使用多段三次贝塞尔曲线进行平滑处理。贝塞尔曲线以路径节点为控制点，按照公式(6)
[0098]
[0099]
对二次优化路径进行平滑处理。
[0100]
结合贝塞尔曲线，以路径节点作为三次贝塞尔曲线的控制点，使用多段三次贝塞尔曲线进行优化，最终得到的路径更短更平滑，符合桥式起重机运动特性，提高起重机路径规划的避障精度，加快规划速度，提高生产效率，保证安全生产。
[0101]
进一步的，桥式起重机的路径规划方法还包括：
[0102]
步骤s21，请参阅图5所示，在步骤s30之前，判断障碍物高度，当障碍物高度在一定阈值内，起重机可智能选择绕行还是跨越。
[0103]
进一步的，桥式起重机的路径规划方法还包括：
[0104]
步骤s22，请参阅图5所示，在步骤s30之前，判断凹形障碍物，如果为凹形障碍物，将其虚拟填充。
[0105]
请参阅图6所示，一种桥式起重机的路径规划装置，在已知三维环境下采用蜂群算法，该装置包括：
[0106]
三维地图构建模块10，所述三维地图构建模块10基于空间中障碍物分布信息，使用三维等分网格法建立空间地图模型，作为路径规划的基础；
[0107]
参数初始化模块20，所述参数初始化模块20用于算法参数初始化，算法参数包括蜜源数n、算法最大迭代次数maxcycle、蜂群在适应值不变的蜜源处搜索的限制次数limit，其中蜜源数与蜂群数相等，雇佣蜂和守望蜂各占一半，一个蜜源代表一条可行路径，蜜源根据公式(1)生成，式中，j取值{1,2,
…
,d}，j为d维解向量的某个分量，与为第j维的上下限，rand(0,1)为[0,1]之间随机数；
[0108]
第一搜索模块30，所述第一搜索模块30用于雇佣蜂搜索，每个雇佣蜂各自选择一条路径进行优化，按照公式(2)进行搜索，所有雇佣蜂搜索完毕后，计算每个雇佣蜂优化后的蜜源适应度值，优于当前蜜源则替代，否则蜜源不变的次数加1，次数等于limit时，放弃此蜜源，按公式(3)xi(n)＝x
min
rand(0，1)(x
max-x
min
)trial≥limit全局搜索新蜜源；
[0109]
第二搜索模块40，所述第二搜索模块40用于守望蜂搜索，守望蜂依选择机制跟随雇佣蜂，雇佣蜂搜索完毕后，守望蜂需根据轮盘赌与反轮盘赌并行机制，选择要跟随的雇佣蜂，继续对雇佣蜂所优化的蜜源继续搜索；
[0110]
其中第二搜索模块40包括第一计算模块、第二计算模块和第一比较模块；
[0111]
所述第一计算模块用于计算各蜜源适应度值占总蜜源适应度值的概率，将其拼成一个轮盘，并随机生成一个(0,1)范围的随机数，此数落在哪个区间，守望蜂便选择其对应的雇佣蜂；
[0112]
所述第二计算模块用于计算各蜜源适应度值倒数占总蜜源适应度值倒数和的概率，拼成轮盘后，依轮盘机制，守望蜂再选择一个要跟随的雇佣蜂；
[0113]
所述第一比较模块用于同时对两雇佣蜂搜索的蜜源再次按公式(2)进行搜索，然后比较原蜜源和新产生的两个蜜源，依据贪心准则，保留适应度较小的蜜源；
[0114]
第三搜索模块50，所述第三搜索模块50用于侦察蜂搜索，侦察蜂负责在全局搜索新蜜源，在雇佣蜂和守望蜂搜索的蜜源适应度值不变次数达到上限limit后，则选择放弃此蜜源，侦察蜂依公式(3)搜索新蜜源。
[0115]
第一记录模块60，所述第一记录模块60用于人工蜂搜索完毕后，记录最好蜜源，根据步骤30、步骤40、步骤50依次循环迭代，每次都记录当前最好蜜源，并与最好蜜源比较，保留较好的；
[0116]
第一判断模块70，所述第一判断模块70用于判断迭代次数，如果迭代次数小于maxcycle上限，返回执行步骤30，如果迭代次数等于maxcycle上限，执行步骤80；
[0117]
标识模块80，所述标识模块80用于把最好蜜源代表的路径在三维地图上表示出来，此为一次优化路径。
[0118]
进一步的，桥式起重机的路径规划装置还包括：
[0119]
第一优化模块90，所述第一优化模块90利用节点筛选法则，剔除一次路径中的冗余节点；
[0120]
第一优化模块90包括：
[0121]
第三计算模块，首先定义距离s，从起点开始，所述第三计算模块计算当前点到下一点的距离与下一点到终点的距离，这些点都是当前最优路径中的节点，当前点为(xa,ya,za),下一点为(xb,yb,zb),终点为(xc,yc,zc)；
[0122]
第四计算模块，当满足公式(4)时，第四计算模块利用公式(5)计算dn，确保下一点位于当前点前方且靠近终点，为使当前点与下一点的连线不经过障碍物，下一点必须在离当前点s的范围内，当前点s距离内的所有优化点均作为下一点的可行解，此时取dn值小的点作为下一点，dn值越小，该点到当前点和终点加权最优，以此法筛选节点，优化路径长度。通过调节距离s，可控制剩余路径中节点数。
[0123]
进一步的，桥式起重机的路径规划装置还包括：
[0124]
第二优化模块100，第二优化模块100利用贝塞尔曲线对二次优化路径进行平滑优化。经过冗余节点剔除后的路径，所含节点已减少，使用多段三次贝塞尔曲线进行平滑处理。贝塞尔曲线以路径节点为控制点，按照公式(6)
[0125][0126]
对路径进行平滑处理。
[0127]
进一步的，桥式起重机的路径规划装置还包括：
[0128]
第二判断模块21，请参阅图7所示，第二判断模块21用于判断障碍物高度，当障碍物高度在一定阈值内，起重机可智能选择绕行还是跨越。
[0129]
进一步的，桥式起重机的路径规划装置还包括：
[0130]
第三判断模块22，请参阅图7所示，第三判断模块22用于判断凹形障碍物，如果为
凹形障碍物，将其虚拟填充。
[0131]
显然，上述所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0132]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、工作、器件、组件和/或它们的组合。
[0133]
需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
[0134]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。