CN106168801B - 智能语音导游机器人的路径寻优方法 - Google Patents
智能语音导游机器人的路径寻优方法 Download PDFInfo
- Publication number
- CN106168801B CN106168801B CN201610225748.0A CN201610225748A CN106168801B CN 106168801 B CN106168801 B CN 106168801B CN 201610225748 A CN201610225748 A CN 201610225748A CN 106168801 B CN106168801 B CN 106168801B
- Authority
- CN
- China
- Prior art keywords
- sight spot
- sight
- ant
- spot
- information
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Abstract
本发明涉及一种智能语音导游机器人的路径寻优方法,包括如下步骤:将所在景区的所有景点的坐标信息录入到智能语音导游机器人的控制系统中,地图建模,对环境信息进行坐标处理;利用景点的坐标信息,计算景点间的相互距离,根据距离信息初始化信息素矩阵;设置初始参数;蚂蚁随机置于不同的景点,按照概率随机选择下一个待访问的景点,直到访问完所有的景点;蚂蚁在释放信息素的同时,各个景点间连接路径上的信息素逐渐消失,因此,当所有蚂蚁完成一次循环后,各个景点间连接路径上的信息素浓度需进行实时更新;若没有达到最大迭代次数,继续更新;否则,终止迭代,输出最优解,也即输出最优路线L。
Description
技术领域
本发明涉及机器人应用领域,尤其涉及了一种智能语音导游机器人及其路径寻优方法。
背景技术
随着现代机器人技术的快速发展,原本遥不可及的机器人现在已经开始慢慢渗透到我们的日常生活中。机器人不只是传统意义上的应用于工业领域,它正朝着民用化,小型化,智能化的方向发展,并不断服务于人类生产生活的各个领域。同时随着经济的发展,人们的生活水平也在日益提高,在这个温饱已不能满足人们的日常需求的年代,越来越多的人已经着眼于提高生活质量,享受生活乐趣,随之而来也就推动着旅游业的迅速发展。如果每个规模稍大的景区都要安排许许多多的导游的话,那必将耗费大量的人力物力财力,导游的工作量大,耗费时间,而且难免有时会带些个人情绪的因素,这些弊端都将暴露无遗。导游的作用也就是将旅客带到各个景点,然后介绍这个景点这一系列机械化的过程,这样单一内容的工作极大的浪费资源。
发明内容
本发明要解决的技术问题是针对现代旅游业聘用大量导游而导致浪费大量的人力物力财力所带来的一系列问题,提出了一种体积小、结构简单、操作方便、实用性强、人机交互性能优良的智能语音导游机器人的路径寻优方法。
实现本发明目的的技术方案之一是提供一种智能语音导游机器人的路径寻优方法,包括如下几个步骤:
A、将所在景区的所有景点的坐标信息录入到智能语音导游机器人的控制系统中,智能语音导游机器人的控制系统对这些坐标信息进行地图建模,对环境信息进行坐标处理;
B、利用景点的坐标信息,计算景点间的相互距离,根据距离信息初始化信息素矩阵;
C、设置初始参数,包括蚁群规模、信息素重要程度因子、启发函数重要程度因子、信息素挥发因子、信息素释放总量、最大迭代次数和迭代次数初值;
D、将蚂蚁随机置于不同的景点,按照概率随机选择下一个待访问的景点,直到访问完所有的景点;其中,蚂蚁k在t时刻从景点i转移到景点j的概率为:
式中:allowk(k=1,2,...,m)为蚂蚁k待访问景点的集合,开始时,allowk中有(n-1)个元素,即包括除了蚂蚁k出发景点的其他所有景点,随着时间的推进,allowk中的元素逐渐减少,直至为空,即表示所有的景点均访问完毕;ηij(t)为启发函数,表示t时刻蚂蚁从景点i转移到景点j的期望程度,计算公式如下:ηij(t)=c/dij,c为一常数,c的作用加强了下一步转移中选择距离当前栅格较近的栅格的概率;α为信息素重要程度因子,其值越大,表示信息素的浓度在转移中起的作用越大;β为启发函数重要程度因子,其值越大,表示启发函数在转移中的作用越大,即蚂蚁会以较大的概率转移到距离短的景点;τij(t)表示在t时刻景点i、j间路径上的信息素浓度;τis(t)表示在t时刻景点i、s间路径上的信息素浓度;ηis(t)表示t时刻蚂蚁从景点i转移到景点s的期望程度;
E、蚂蚁在释放信息素的同时,各个景点间连接路径上的信息素逐渐消失,因此,当所有蚂蚁完成一次循环后,各个景点间连接路径上的信息素浓度需进行实时更新;
F、若没有达到最大迭代次数,转至步骤D;否则,终止迭代,输出最优解,也即输出最优路线L。
进一步的,步骤B中,根据距离信息初始化信息素矩阵的初始化方法如下:
式中,dij为景点i与景点j之间距离,为两两景点间距离的平均值,M为景点i与景点j之间距离占平均距离的比重,n为所在景区的景点的总数量,λ为权重系数;τij(0)表示初始化的信息素矩阵。
进一步的,步骤E中,各个景点间连接路径上的信息素浓度需进行实时更新的更新原则如下:
τij(t+1)=(1-ρ)τij(t)+△τij,
式中,τij(t+1)表示t+1时刻景点i、j间的信息素浓度;△τij表示所有蚂蚁在景点i与景点j连接路径上释放的信息素浓度之和,表示第k只蚂蚁在景点i与景点j连接路径上释放的信息素浓度,ξ为权重系数,Q为常数,表示蚂蚁循环一次所释放的信息素总量;Lk为第k只蚂蚁经过路径的长度;ρ为信息素挥发系数,计算公式如下:
式中,T1,T2分别为区分前期和后期的临界时间点;A,B,C是属于(0,1)的一个比例系数,A较大,C较小,B介于A,C之间,表明挥发系数ρ在寻优初期较大,给予蚂蚁更大的概率去选择不同的路径,后期逐渐减小,增强算法的全局收敛能力。
实现本发明目的的技术方案之二是提供一种基于改进蚁群算法的智能语音导游机器人的路径寻优方法,包括如下几个步骤:
S01:根据景点位置信息进行环境建模;
S02:根据景点间距离信息初始化信息素矩阵;
S03:初始化其他参数信息,包括蚁群规模、信息素重要程度因子、启发函数重要程度因子、信息素挥发因子、信息素释放总量、最大迭代次数和迭代次数初值;
S04:将蚂蚁随机置于某个景点作为起始点,根据概率公式选择下一景点;其中,蚂蚁k在t时刻从景点i转移到景点j的概率为:
式中:allowk(k=1,2,...,m)为蚂蚁k待访问景点的集合,开始时,allowk中有(n-1)个元素,即包括除了蚂蚁k出发景点的其他所有景点,随着时间的推进,allowk中的元素逐渐减少,直至为空,即表示所有的景点均访问完毕;ηij(t)为启发函数,表示t时刻蚂蚁从景点i转移到景点j的期望程度,计算公式如下:ηij(t)=c/dij,c为一常数,c的作用加强了下一步转移中选择距离当前栅格较近的栅格的概率;α为信息素重要程度因子,其值越大,表示信息素的浓度在转移中起的作用越大;β为启发函数重要程度因子,其值越大,表示启发函数在转移中的作用越大,即蚂蚁会以较大的概率转移到距离短的景点;τij(t)表示在t时刻景点i、j间路径上的信息素浓度;τis(t)表示在t时刻景点i、s间路径上的信息素浓度;ηis(t)表示t时刻蚂蚁从景点i转移到景点s的期望程度;
S05:所有蚂蚁都完成本轮迭代后,进行全局信息素更新,得到本轮最优路径;
S06:判断迭代次数是否达到最大迭代次数,若没有达到,转S04:否则转S07;
S07:终止迭代,输出最优路径。
本发明具有积极的效果:(1)本发明提出了一种操作方便、实用性强、人机交互性能优良的智能语音导游机器人的路径寻优方法,对于机器人向着小型化、智能化发展具有重要推动作用。
(2)本发明采用蚁群算法进行路径寻优,将问题化解为普通的旅行商问题,智能语音导游机器人按着规划好的最优路线将游客依次带到各个景点,让游客能在最短的时间内参观完所有的景点,节约了大量的时间,同时也节省了大量的人力物力。
(3)本发明对旅游业的改造具有重要意义,为景区减少了大量的劳动力,同时也只需支出初期成本,后期节省了大量劳动力的工资,对于旅游业的长足发展具有战略意义。
附图说明
图1为本发明的智能语音导游机器人的结构示意图;
图2为本发明的智能语音导游机器人的电路系统结构框图;
图3为本发明的智能语音导游机器人的路径规划流程图。
上述附图中的标记如下:
红外感应器1,声呐环2,摄像头3,控制器4,录放音模块5,底盘6,电机驱动器7,蓄电池组8,电机9,电源转换模块10,万向轮11,驱动轮12。
具体实施方式
(实施例1)
见图1,本实施例的智能语音导游机器人(以下简称机器人)是采用车轮驱动的车型机器人,如图1所示的本实施例的智能语音导游机器人的左部为车尾、右部为车头,本实施例的智能语音导游机器人采用上下两层式的车身设计,车身上层设有摄像头3、声呐环2、红外感应器1、录放音模块5以及控制器4,车身下层设有底盘6、电机9、电机驱动器7、蓄电池组8、电源转换模块10、驱动轮12以及万向轮11。
本实施例的智能语音导游机器人的电路系统结构框图如图2所述,声呐环2、红外感应器1、摄像头3以及录放音模块5分别与控制器4电连接通信;控制器4还与电机驱动器7电连接、控制器4输出驱动信号至电机驱动器7;电机驱动器7驱动电机9从而带动驱动轮12运动;蓄电池组8和电源转换模块10组成电源模块,蓄电池组8通过电源转换模块10给红外感应器1、声呐环2、摄像头3、控制器4、录放音模块5、电机驱动器7及电机9供电。控制器4采用高性能32位SH2系列可编程控制器。
仍见图1,本实施例中,驱动轮12设置为前轮,即本实施例的智能语音导游机器人采用前轮驱动的形式,后轮采用中央单个万向轮11或对称双万向轮11的形式。
声呐环2采用8个声呐组成,用于物体检测、距离检测、自动避障、定位和导航,8个声呐以车头的中央轴线为对称中心左右对称设置在车头的左部和右部,相邻2个声呐之间的中心角均为20度,这样保证了4个声呐位于车头的中央轴线的左侧,另外4个声呐位于车头的中央轴向的右侧,这种声呐阵的布置可以为机器人提供360度无缝检测,机器人在工作时,前方视野非常开阔,可以实现运行过程中的自动定位以及导航,尤其前方遇到障碍物的时候可以实现自动避障。红外感应器1设置于车头的最前部正中央,本实施例中红外感应器1设置于弧形分布的声呐环2的正中央空旷处;红外感应器1通过发出的红外光线可以对行进中的机器人进行实时测速,一旦机器人速度超过限定速度时,红外感应器1会将信号发送至控制器4,控制器4会发出控制信号至电机驱动器7,从而控制机器人停止向前行进,这就能使机器人合理地控制其行进速度。
摄像头3采用PTZ摄像头,PTZ摄像头在目标出现后可以进行自主自动的PTZ跟踪,并自动控制PTZ摄像机的云台进行全方位旋转,以确保跟踪目标持续出现在镜头中央。摄像头3设置在车头的前部中央最上方,本实施例中摄像头3设置在红外感应器1和声呐环2的上方,且摄像头3与红外感应器1均位于车身的中央轴线上。录放音模块5的内存中存有景区各个景点的语音介绍信息。摄像头3用于在机器人到达相应景点后,通过捕捉相应景点处的预设标识物来确定已经到达相应景点,然后向控制器4发送确认信息,控制器4收到后向录放音模块5发送命令,录放音模块5在每到一处景点就会收到控制器4发送过来的命令而播放事先录好的该处景点介绍的录音,这样就克服了难免存在的人为情绪因素。
所述蓄电池组8采用铝酸电池。电源转换模块10用于将蓄电池组8的输出电流进行转换后给各模块供电。
本实施例的智能语音导游机器人在工作前先由工作人员将所用景区各个景点的语音介绍信息存入录放音模块5的内存中,以便机器人工作时随时调用,同时将进行坐标处理过的景点位置信息输入到机器人的控制系统中,机器人的控制系统通过路径寻优方法得到行进路线,运用蚁群算法对行走路线进行规划,寻找出一条节约时间的最优路线L。准备就绪后,待游客到位,机器人就可以根据最优路线L带着游客去参观该景区的每个景点,通过声呐环2、红外感应器1、摄像头3来控制机器人行进的速度以及合理的进行避障,机器人每到一个景点,录放音模块5自动开启,机器人就会自动播放介绍该景点的语音介绍信息,播放完毕后,机器人会在这个景点逗留一段可设置的时间后前往下个景点,直至带游客参观完最优路线L上的所有的景点。
本实施例的智能语音导游机器人的控制系统的路径寻优方法包括如下几个步骤:
A、将所在景区的所有景点的坐标信息录入到机器人的控制器4的存储器中,机器人的控制系统对这些坐标信息进行地图建模,对环境信息进行坐标处理;
B、利用景点的坐标信息,计算景点间的相互距离,根据距离信息初始化信息素矩阵;
其中,初始化方法如下:
式中,dij为景点i与景点j之间距离,为两两景点间距离的平均值,M为景点i与景点j之间距离占平均距离的比重,n为所在景区的景点的总数量,λ为权重系数。τij(0)表示初始化的信息素矩阵。
C、设置初始参数,包括蚁群规模、信息素重要程度因子、启发函数重要程度因子、信息素挥发因子、信息素释放总量、最大迭代次数和迭代次数初值;
D、将蚂蚁随机置于不同的景点,按照全局路程最短化的需求通过概率随机选择下一个待访问的景点,直到访问完所有的景点;
其中,蚂蚁k在t时刻从景点i转移到景点j的概率为:
式中:allowk(k=1,2,...,m)为蚂蚁k待访问景点的集合,开始时,allowk中有(n-1)个元素,即包括除了蚂蚁k出发景点的其他所有景点,随着时间的推进,allowk中的元素逐渐减少,直至为空,即表示所有的景点均访问完毕;ηij(t)为启发函数,表示t时刻蚂蚁从景点i转移到景点j的期望程度,计算公式如下:ηij(t)=c/dij,c为一常数,c的作用加强了下一步转移中选择距离当前栅格较近的栅格的概率;α为信息素重要程度因子,其值越大,表示信息素的浓度在转移中起的作用越大;β为启发函数重要程度因子,其值越大,表示启发函数在转移中的作用越大,即蚂蚁会以较大的概率转移到距离短的景点;τij(t)表示在t时刻景点i、j间路径上的信息素浓度;τis(t)表示在t时刻景点i、s间路径上的信息素浓度;ηis(t)表示t时刻蚂蚁从景点i转移到景点s的期望程度。
E、蚂蚁在释放信息素的同时,各个景点间连接路径上的信息素逐渐消失,因此,当所有蚂蚁完成一次循环后,各个景点间连接路径上的信息素浓度需进行实时更新,更新原则如下:
τij(t+1)=(1-ρ)τij(t)+△τij,
式中,τij(t+1)表示t+1时刻景点i、j间的信息素浓度;△τij表示所有蚂蚁在景点i与景点j连接路径上释放的信息素浓度之和,表示第k只蚂蚁在景点i与景点j连接路径上释放的信息素浓度,ξ为权重系数,Q为常数,表示蚂蚁循环一次所释放的信息素总量;Lk为第k只蚂蚁经过路径的长度;ρ为信息素挥发系数,计算公式如下:
式中,T1,T2分别为区分前期和后期的临界时间点;A,B,C是属于(0,1)的一个比例系数,A较大,C较小,B介于A,C之间,表明挥发系数ρ在寻优初期较大,给予蚂蚁更大的概率去选择不同的路径,后期逐渐减小,增强算法的全局收敛能力。
F、若没有达到最大迭代次数,转至步骤D;否则,终止迭代,输出最优解,也即输出最优路线L;
如图3所示,路径寻优方法的流程如下:
S01:根据景点位置信息进行环境建模;
S02:根据景点间距离信息初始化信息素矩阵;
S03:初始化其他参数信息;
S04:将蚂蚁随机置于某个景点作为起始点,根据概率公式选择下一景点;
S05:所有蚂蚁都完成本轮迭代后,进行全局信息素更新,得到本轮最优路径;
S06:判断迭代次数是否达到最大迭代次数,若没有达到,转S04:否则转S07;
S07:终止迭代,输出最优路径。
从以上不难发现,该智能语音导游机器人结构简单,操作方便,易于上手,且智能化程度较高,非常迎合如今发展的信息智能化时代,对于推动我国机器人朝着小型化、智能化方向发展有着重要意义。
显然,上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而这些属于本发明的精神所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (1)
1.一种智能语音导游机器人的路径寻优方法,其特征在于包括如下几个步骤:
A、将所在景区的所有景点的坐标信息录入到智能语音导游机器人的控制系统中,智能语音导游机器人的控制系统对这些坐标信息进行地图建模,对环境信息进行坐标处理;
B、利用景点的坐标信息,计算景点间的相互距离,根据距离信息初始化信息素矩阵;
C、设置初始参数,包括蚁群规模、信息素重要程度因子、启发函数重要程度因子、信息素挥发因子、信息素释放总量、最大迭代次数和迭代次数初值;
D、将蚂蚁随机置于不同的景点,按照概率随机选择下一个待访问的景点,直到访问完所有的景点;其中,蚂蚁k在t时刻从景点i转移到景点j的概率为:
式中:allowk为蚂蚁k待访问景点的集合,k=1,2,...,m,开始时,allowk中有(n-1)个元素,即包括除了蚂蚁k出发景点的其他所有景点,随着时间的推进,allowk中的元素逐渐减少,直至为空,即表示所有的景点均访问完毕;ηij(t)为启发函数,表示t时刻蚂蚁从景点i转移到景点j的期望程度,计算公式如下:ηij(t)=c/dij,c为一常数,c的作用加强了下一步转移中选择距离当前栅格较近的栅格的概率;α为信息素重要程度因子,其值越大,表示信息素的浓度在转移中起的作用越大;β为启发函数重要程度因子,其值越大,表示启发函数在转移中的作用越大,即蚂蚁会以较大的概率转移到距离短的景点;τij(t)表示在t时刻景点i、j间路径上的信息素浓度;τis(t)表示在t时刻景点i、s间路径上的信息素浓度;ηis(t)表示t时刻蚂蚁从景点i转移到景点s的期望程度;
E、蚂蚁在释放信息素的同时,各个景点间连接路径上的信息素逐渐消失,因此,当所有蚂蚁完成一次循环后,各个景点间连接路径上的信息素浓度需进行实时更新;
F、若没有达到最大迭代次数,转至步骤D;否则,终止迭代,输出最优解,也即输出最优路线L;
其中步骤B中,根据距离信息初始化信息素矩阵的初始化方法如下:
式中,dij为景点i与景点j之间距离,为两两景点间距离的平均值,M为景点i与景点j之间距离占平均距离的比重,n为所在景区的景点的总数量,λ为权重系数;τij(0)表示初始化的信息素矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610225748.0A CN106168801B (zh) | 2016-04-12 | 2016-04-12 | 智能语音导游机器人的路径寻优方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610225748.0A CN106168801B (zh) | 2016-04-12 | 2016-04-12 | 智能语音导游机器人的路径寻优方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106168801A CN106168801A (zh) | 2016-11-30 |
CN106168801B true CN106168801B (zh) | 2019-07-02 |
Family
ID=57359093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610225748.0A Active CN106168801B (zh) | 2016-04-12 | 2016-04-12 | 智能语音导游机器人的路径寻优方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106168801B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045656B (zh) * | 2017-02-23 | 2021-05-25 | 沈阳理工大学 | 一种基于改进蚁群算法的智能景区游览路线规划方法 |
CN108156643B (zh) * | 2017-12-26 | 2020-06-02 | 中国联合网络通信集团有限公司 | 一种路由选择方法及系统 |
CN108230972A (zh) * | 2018-01-02 | 2018-06-29 | 昆明理工大学 | 一种基于智能手机app应用的景区导览系统 |
CN108600501A (zh) * | 2018-03-05 | 2018-09-28 | 昆明理工大学 | 一种基于智能手机app应用的景区导览系统 |
CN108972565A (zh) * | 2018-09-27 | 2018-12-11 | 安徽昱康智能科技有限公司 | 机器人指令动作控制方法及其系统 |
CN109726851A (zh) * | 2018-11-30 | 2019-05-07 | 平安科技(深圳)有限公司 | 基于改进蚁群算法的路线规划方法、装置、终端及介质 |
CN110765361A (zh) * | 2019-12-30 | 2020-02-07 | 恒大智慧科技有限公司 | 一种基于用户信息的景点推荐方法、装置及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102278996A (zh) * | 2011-04-29 | 2011-12-14 | 西南交通大学 | 一种大规模多目标智能移动路径选择的蚁群优化处理方法 |
CN102609763A (zh) * | 2012-01-19 | 2012-07-25 | 东南大学 | 基于蚁群算法的多自应力模态杆系结构稳定性的判别方法 |
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
CN103760866A (zh) * | 2014-01-24 | 2014-04-30 | 成都万先自动化科技有限责任公司 | 导游服务机器人 |
CN103823466A (zh) * | 2013-05-23 | 2014-05-28 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
CN105278532A (zh) * | 2015-11-04 | 2016-01-27 | 中国科学技术大学 | 个性化机器人导游导览自主解说方法 |
CN105302153A (zh) * | 2015-10-19 | 2016-02-03 | 南京航空航天大学 | 异构多无人机协同察打任务的规划方法 |
CN105426992A (zh) * | 2015-11-09 | 2016-03-23 | 江苏理工学院 | 移动机器人旅行商优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060161405A1 (en) * | 2004-06-04 | 2006-07-20 | Munirajan Vignesh K | Methods for locating targets and simmulating mine detection via a cognitive, swarm intelligence-based approach |
-
2016
- 2016-04-12 CN CN201610225748.0A patent/CN106168801B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102278996A (zh) * | 2011-04-29 | 2011-12-14 | 西南交通大学 | 一种大规模多目标智能移动路径选择的蚁群优化处理方法 |
CN102609763A (zh) * | 2012-01-19 | 2012-07-25 | 东南大学 | 基于蚁群算法的多自应力模态杆系结构稳定性的判别方法 |
CN103823466A (zh) * | 2013-05-23 | 2014-05-28 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
CN103760866A (zh) * | 2014-01-24 | 2014-04-30 | 成都万先自动化科技有限责任公司 | 导游服务机器人 |
CN105302153A (zh) * | 2015-10-19 | 2016-02-03 | 南京航空航天大学 | 异构多无人机协同察打任务的规划方法 |
CN105278532A (zh) * | 2015-11-04 | 2016-01-27 | 中国科学技术大学 | 个性化机器人导游导览自主解说方法 |
CN105426992A (zh) * | 2015-11-09 | 2016-03-23 | 江苏理工学院 | 移动机器人旅行商优化方法 |
Non-Patent Citations (2)
Title |
---|
一种改进的蚁群算法及其最短路径问题中的应用;宋锦娟;《 中国优秀硕士学位论文全文数据库 信息科技辑》;20130815(第8期);第I140-135页 * |
利用蚁群算法求解机器人路径规划问题;程春英,等;《电子制作》;20151231;第152-153页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106168801A (zh) | 2016-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106168801B (zh) | 智能语音导游机器人的路径寻优方法 | |
CN105955252A (zh) | 智能语音导游机器人及其路径寻优方法 | |
US10012995B2 (en) | Autonomous vehicle routing and navigation using passenger docking locations | |
US9625906B2 (en) | Passenger docking location selection | |
CN110281928A (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
US20160209848A1 (en) | Associating passenger docking locations with destinations | |
KR20160132789A (ko) | 사회적 자율주행 교통장치 | |
JP2019528499A (ja) | 軌跡決定のためのシステム及び方法 | |
CN109159127A (zh) | 一种基于蚁群算法的双焊接机器人智能路径规划方法 | |
CN104914866A (zh) | 基于拓扑点分类的巡检机器人全局路径规划方法及系统 | |
CN105116881B (zh) | 一种基于在线学习机制的轮式机器人自适应导航方法 | |
CN111290403B (zh) | 搬运自动导引运输车的运输方法和搬运自动导引运输车 | |
CN105620306A (zh) | 基于剩余电量检测的自动充电式电动车 | |
CN115578711A (zh) | 自动换道方法、装置及存储介质 | |
CN112684791A (zh) | 一种基于5g的无人驾驶物流车 | |
CN110517527A (zh) | 异构多源无线传感网络及其自主无人泊车方法 | |
CN113759901A (zh) | 一种基于深度强化学习的移动机器人自主避障方法 | |
Liu et al. | The multi-sensor fusion automatic driving test scene algorithm based on cloud platform | |
CN112987713A (zh) | 自动驾驶设备的控制方法、装置及存储介质 | |
CN112051818A (zh) | 一种机器人的本地递送调度方法、装置和机器人 | |
CN111508263A (zh) | 停车场智能引导机器人及智能引导方法 | |
CN114184203B (zh) | 路径规划方法、电子设备及移动装置 | |
CN114625137A (zh) | 一种基于agv的智能停车路径规划方法及系统 | |
CN210307794U (zh) | 一种展厅服务机器人 | |
CN112857373A (zh) | 一种最小化无用动作的节能性无人车路径导航方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |