CN106502250A - 三维空间内多机器人编队的路径规划算法 - Google Patents
三维空间内多机器人编队的路径规划算法 Download PDFInfo
- Publication number
- CN106502250A CN106502250A CN201611046478.3A CN201611046478A CN106502250A CN 106502250 A CN106502250 A CN 106502250A CN 201611046478 A CN201611046478 A CN 201611046478A CN 106502250 A CN106502250 A CN 106502250A
- Authority
- CN
- China
- Prior art keywords
- robot
- formation
- straight line
- plane
- time
- 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.)
- Granted
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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
本发明提供了一种基于市场拍卖法和切线圆法的三维空间内多机器人编队的路径规划算法,属于智能算法优化领域,实现了四个机器人形成空间四面体编队的运动仿真。本方法利用市场拍卖法进行任务分配,使各个机器人在多机器人系统低能耗和低费时条件下获得任务坐标方位;基于传统的切线圆法提出三维空间内的切线圆法,规划各个机器人的运动路径,最终形成编队形状并且使得各个机器人拥有相同的运动姿态。仿真研究表明,该方法编队时间短,系统能耗较低,能够实现三维空间内的多机器人编队的路径规划任务,验证了算法的有效性和实用性。
Description
技术领域
本发明属于智能算法优化领域,涉及一种基于市场拍卖法的多机器人系统编队任务分配算法和基于切线圆法的多机器人编队路径规划算法。
背景技术
编队控制方法是指多机器人系统在到达目标位置的过程中既保持某种队形又可以适应环境约束的控制方法。由于多机器人编队的作业任务和环境各不相同,科研人员提出了多种机器人编队的控制方法,其中最为常用的方法有基于领航者-跟随者的方法、虚拟结构法、基于行为的方法、基于图论的方法和强化学习的方法。
领航者-跟随者方法的基本思想是在多机器人组成的编队系统中,可以存在一个或者多个领航机器人(Leader),其他非领航者机器人即为跟随机器人(Follower),跟随机器人以相对其领航机器人的位置(相对距离L、相对角度φ)作为输入控制量,使得跟随机器人与领航机器人的相对位置无限逼近目标值。领航跟随方法的控制结构比较简单,但是由于领航机器人和跟随机器人之间没有位置反馈,并且是领航者机器人单点控制,导致容易出现机器人掉队等情况,系统的鲁棒性较差。
虚拟结构法的基本思想是将多机器人组成的系统看成一个假想的刚体结构,各个机器人在参考坐标系下的坐标不变,即机器人之间的相对位置不变。
基于行为的方法的基本思想是将多机器人编队的各个环节看成由单个机器人的多个基本行为构成,只需要研究各个基本行为的控制方法即可通过基本行为的组合控制多机器人形成编队。基本行为一般包括目标跟踪、避免障碍、避免碰撞、编队生成和编队保持等。基于行为的方法由各个机器人相互感知控制,系统比较容易实现分布式控制,具有很好的鲁棒性。但是由于无法结合准确的数学模型分析,导致不能十分有效的保证系统的可靠性。
基于图论的方法的基本思想是结合图论的知识,将各个机器人看成节点,然后节点之间按照一定的规则相互连通,控制指令在节点之间按照一定的方向“传递”,使得整个多机器人系统形成一种网状的拓扑结构。
强化学习的方法是一种比较新兴的研究方法,基本思想是结合机器学习的理论,对机器人在学习阶段的行为进行评估,如果机器人的行为符合预期设定则奖励为正,那么机器人将在以后的动作行为中更加偏向使用该行为,反之这种行为的出现概率将会越来越低,甚至消失。通过有效的设定行为奖惩规则,可以使得各个机器人能够按照设定进行长时间的“训练”,最终可以实现编队效果。
经过对现有多机器人编队控制方法的对比,可以看出国内外学者对多机器人的编队控制方法研究多应用于解决二维平面内的编队控制问题,或者只考虑编队形状而不考虑形成编队时各个机器人的姿态问题。目前,三维空间内的编队控制方法主要是简化为二维平面内的编队问题来处理,而且三维空间内的编队控制算法复杂度太高,很难实现对多机器人系统的准确编队控制。因此,现有的编队控制方法不能很好的适用于解决多机器人在三维空间内的编队控制问题。针对上述问题,提出一种基于市场拍卖法和切线圆法的新型路径规划算法,解决多机器人三维空间内的编队路径规划问题。
发明内容
为解决上述问题,本专利提供一种基于市场拍卖法的多机器人系统编队的任务分配算法和基于切线圆法的多机器人编队路径规划算法。
基于市场拍卖法的多机器人系统编队的任务分配算法包括,由目标状态矩阵ST可以通过市场拍卖法的方式将各坐标分配给各个机器人,并形成路径,使各个机器人跟踪参考路径向形成编队形状的各个目标位置运动。传统的市场拍卖法仅仅根据目标点与当前各个机器人的距离远近进行坐标分配,当多机器人系统中的机器人个数比较少时,传统的坐标分配方法可能产生比较小的误差,但是当机器人个数明显增加时,传统的方法很可能导致多机器人系统形成编队所需要的时间更长、耗能更多。
本文提出一种改进的市场拍卖算法进行多机器人编队系统中各个坐标的分配计算,综合考虑所有机器人向形成编队的目标位置运动路程之和Sumdistance,机器人从接收到形成编队指令到形成编队所需要的时间Tcost(每个机器人的姿态调整时间Ta和机器人运动到指定位置时间Tb之和的最大值),分别使用Ka,Kb设置Sumdistance和Tcost的权值参数,在不同环境下可选择不同的权值参数。
为了保证编队任务的连续性,需要在形成编队形状时各个机器人有相同的速度Vg和姿态角θg,因此需要计算各个机器人运动到指定坐标点所需要的时间Ti的最小值min{Ti},设机器人角速度为ω,Li为机器人Ri到形成编队形状需要运动的路程,则
因此得Tcost=max{Ti},则每个机器人运动到指定目标点的平均速度:
故需要根据目标速度Vg和运动时间Tcost,结合机器人的动力学公式,对机器人的速度进行运动学控制,使各个机器人都能在规定时间内以准确的速度和姿态到达指定位置。
设编队形成过程效率指标为η,则:k表示第k种坐标分配方案,0≤ηk≤2。
通过设置合适的权值参数Ka、Kb可以选择不同的编队分配方案作为任务要求下的最优解。
基于切线圆法的多机器人编队路径规划算法应用于解决三维空间内的多机器人编队的路径规划和位姿控制,三维空间内的切线圆法原理图如图1所示。
步骤1:通过程序算法计算机器人Ri到达指定目标位置所需要的时间ti;
步骤2:用表示机器人Ri的目标点,在图1中绘出的位置,并结合目标位置的姿态角方向向量ri和机器人Ri的初始位置坐标可以构建一个平面H;在平面H内,以为切点可以做目标点运动轨迹直线的两个外切圆外切圆半径为机器人Ri的预设转弯半径ri;
步骤3:在平面H内,由机器人初始位置向作切线,易知有四种解法路径直线l1、l2、l3、l4,满足机器人运动学要求的是直线l2、l3,计算易知直线l2路径最优;
步骤4:由机器人初始位置Ri的初始姿态角,及直线l2可得一个平面,记为平面P,则需要在平面P内找到一条路径使得机器人Ri可以沿此路径进入到l2;
步骤5:在P平面内,过点,在直线l2侧做外切圆外切圆半径为ri;在直线l2上下两侧分别作出圆与圆直线l2相切,如图1所示,仅有圆满足要求,故可构建路径如图1虚线所示。以为例计算路径曲线。
过x轴、点和ri可做平面则由空间平面方程求解。
平面法向量:
则平面的方程为:
设ri与nx的夹角为δ,则:
在XOY平面作出以δ为方向角的直线l0,如图2所示,并作相切圆
则圆的方程可写成:r为转弯半径。
则圆的圆心(a,b)由下式定义:
则圆的方程可写成:
则切点P1坐标定义如下:
设平面与平面XOY的夹角为γ,则:
则由坐标旋转公式,绕x轴旋转后新坐标满足:
故可得在平面中圆的方程为:
圆的方程为:
附图说明
图1为三维空间内的切线圆法原理图
图2为平面XOY上几何关系图
图3为编队任务分配仿真图
图4为空间四面体编队模型图
图5为四面体编队仿真图
具体实施方式
定义机器人的坐标和姿态用矩阵表示,x,y,z表示机器人在笛卡尔直角坐标系下的位置,θ,表示机器人在笛卡尔直角坐标系下的姿态方向。
以四个机器人形成一个四面体形的多机器人编队形状为例。
初始坐标为:
目标编队形状各顶点坐标为:
四机器人编队系统中的所有任务分配方法如表1所示。
表1四机器人编队系统中的所有任务分配方法
k | Sumdistance(m) | Tcost(s) | η |
1 | 44.9762 | 20.5921 | 0.8845 |
2 | 46.0676 | 21.4316 | 0.9133 |
3 | 52.5190 | 21.5433 | 0.9783 |
4 | 51.6614 | 24.6755 | 1.0382 |
5 | 50.6772 | 24.6755 | 1.0286 |
6 | 52.6262 | 21.5433 | 0.9793 |
7 | 46.0676 | 20.5921 | 0.8950 |
8 | 47.1590 | 21.4316 | 0.9239 |
9 | 51.6614 | 20.5921 | 0.9493 |
10 | 53.1851 | 24.7952 | 1.0556 |
11 | 52.2009 | 24.7952 | 1.0460 |
12 | 51.7686 | 21.4316 | 0.9686 |
13 | 50.6772 | 20.5921 | 0.9397 |
14 | 52.2009 | 24.7952 | 1.0460 |
15 | 52.6262 | 21.5433 | 0.9793 |
16 | 51.7686 | 24.6755 | 1.0392 |
17 | 56.3782 | 24.6755 | 1.0839 |
18 | 58.7594 | 24.7952 | 1.1096 |
19 | 50.2268 | 24.7952 | 1.0269 |
20 | 49.7946 | 21.4316 | 0.9495 |
21 | 57.7696 | 24.7952 | 1.1000 |
22 | 55.3884 | 24.6755 | 1.0743 |
23 | 49.7946 | 24.6755 | 1.0201 |
24 | 51.7435 | 21.5433 | 0.9708 |
由表中数据可得,当I=0.8845时,系统有最优解,此时花费时间20.5921s,总运动路程44.9762m。
通过MATLAB仿真可得任务分配如图3所示,实心圆点为各个机器人的初始位置,空心圆点为目标点位置。此种解法为给定初始状态和目标位置的最优解,证明了多机器人编队过程的任务分配算法的有效性。
以四面体编队为例,最终形成的四面体编队形状如图4中所示四面体G0G1G2G3,并沿x轴正向向目标点Gt运动。
目标状态矩阵:
编队形成过程的问题即转化为使用算法使得ST=S,为了保证目标矩阵的单一性,便于计算,做如下规定依次由的大小确定目标矩阵ST的行向量,列坐标小的行向量在前。
运用基于改进市场拍卖法的多机器人编队坐标分配方法,将形成编队形状的G1、G2、G3坐标分配给R1、R2、R3机器人。
运用基于切线圆法的三维平面内路径规划算法和位姿控制方法,计算各个机器人的编队路径。
最终得到仿真图如图5所示。
从图5可以看出,各个机器人在初始各自不同的姿态方向运动情况下,可以使用切线圆法规划出运动路线和调整运动姿态,并最终和其他机器人以相同的运动姿态形成四面体编队形状,验证了多机器人编队过程的路径规划和位姿控制算法的有效性。
Claims (2)
1.一种基于市场拍卖法的多机器人编队过程任务分配方法,其特征在于,包括:
步骤1-1,由目标状态矩阵ST可以通过市场拍卖法的方式将各坐标分配给各个机器人,并形成路径,使各个机器人跟踪参考路径向形成编队形状的各个目标位置运动;综合考虑所有机器人向形成编队的目标位置运动路程之和Sumdistance,机器人从接收到形成编队指令到形成编队所需要的时间Tcost(每个机器人的姿态调整时间Ta和机器人运动到指定位置时间Tb之和的最大值),分别使用Ka,Kb设置Sumdistance和Tcost的权值参数,在不同环境下可选择不同的权值参数;
步骤1-2,需要计算各个机器人运动到指定坐标点所需要的时间Ti的最小值min{Ti},得Tcost=max{Ti},则每个机器人运动到指定目标点的平均速度
步骤1-3,根据目标速度Vg和运动时间Tcost,结合机器人的动力学公式,对机器人的速度进行运动学控制,使各个机器人都能在规定时间内以准确的速度和姿态到达指定位置;
步骤1-4,设编队形成过程效率指标为η,则:k表示第k种坐标分配方案,0≤ηk≤2。通过设置合适的权值参数Ka、Kb可以选择不同的编队分配方案作为任务要求下的最优解。
2.一种基于切线圆法的多机器人编队过程路径规划和位姿控制方法,其特征在于,包括:
步骤2-1:通过程序算法计算机器人Ri到达指定目标位置所需要的时间ti;
步骤2-2:用表示机器人Ri的目标点,标出的位置,并结合目标位置的姿态角方向向量ri和机器人Ri的初始位置坐标可以构建一个平面H;在平面H内,以为切点可以做目标点运动轨迹直线的两个外切圆外切圆半径为机器人Ri的预设转弯半径ri;
步骤2-3:在平面H内,由机器人初始位置向作切线,易知有四种解法路径直线l1、l2、l3、l4,满足机器人运动学要求的是直线l2、l3,计算易知直线l2路径最优;
步骤2-4:由机器人初始位置Ri的初始姿态角,及直线l2可得一个平面,记为平面P,则需要在平面P内找到一条路径使得机器人Ri可以沿此路径进入到l2;
步骤2-5:在P平面内,过点,在直线l2侧做外切圆外切圆半径为ri;在直线l2上下两侧分别作出圆与圆直线l2相切,仅有圆满足要求,故可构建路径实现机器人形成编队形状和调整统一的姿态方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611046478.3A CN106502250B (zh) | 2016-11-23 | 2016-11-23 | 三维空间内多机器人编队的路径规划算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611046478.3A CN106502250B (zh) | 2016-11-23 | 2016-11-23 | 三维空间内多机器人编队的路径规划算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106502250A true CN106502250A (zh) | 2017-03-15 |
CN106502250B CN106502250B (zh) | 2019-03-26 |
Family
ID=58328584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611046478.3A Active CN106502250B (zh) | 2016-11-23 | 2016-11-23 | 三维空间内多机器人编队的路径规划算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106502250B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106813667A (zh) * | 2017-02-20 | 2017-06-09 | 北京经纬恒润科技有限公司 | 一种基于禁飞区约束的航路规划方法与装置 |
CN107562047A (zh) * | 2017-08-02 | 2018-01-09 | 中国科学院自动化研究所 | 无人驾驶设备编队方法以及存储装置、处理装置 |
CN107992035A (zh) * | 2017-11-15 | 2018-05-04 | 西北工业大学 | 一种基于室内全局定位的多移动机器人编队控制方法 |
CN109116854A (zh) * | 2018-09-16 | 2019-01-01 | 南京大学 | 一种基于强化学习的多组机器人协作控制方法及控制系统 |
CN109270934A (zh) * | 2018-11-01 | 2019-01-25 | 中国科学技术大学 | 基于领航者切换的多机器人编队续航方法 |
CN109917817A (zh) * | 2019-05-06 | 2019-06-21 | 中国海洋大学 | 多水下机器人协同路径规划方法 |
CN109933089A (zh) * | 2019-03-25 | 2019-06-25 | 北京邮电大学 | 基于最小化最大能量消耗的多无人机任务规划方法及装置 |
CN110147101A (zh) * | 2019-05-13 | 2019-08-20 | 中山大学 | 一种基于深度强化学习的端到端分布式多机器人编队导航方法 |
CN110488807A (zh) * | 2018-05-15 | 2019-11-22 | 罗伯特·博世有限公司 | 用于运行机器人的方法、机器人和多智能体系统 |
CN111221354A (zh) * | 2019-11-26 | 2020-06-02 | 南京航空航天大学 | 一种基于改进的转弯半径的固定翼编队控制方法 |
CN111580514A (zh) * | 2020-05-07 | 2020-08-25 | 中国船舶重工集团公司第七一六研究所 | 基于联合编队的移动机器人最优路径覆盖方法 |
CN112130582A (zh) * | 2020-09-10 | 2020-12-25 | 北京理工大学 | 一种多智能体编队形成方法 |
CN116224837A (zh) * | 2023-05-06 | 2023-06-06 | 湖南致同工程科技有限公司 | 一种可抗通信延迟的多无人压路车协同控制仿真系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110054684A1 (en) * | 2009-09-01 | 2011-03-03 | Electronics And Telecommunications Research Institute | Method and system for transferring/acquiring operation right of moving robot in multi-operator multi-robot environment |
CN103324196A (zh) * | 2013-06-17 | 2013-09-25 | 南京邮电大学 | 基于模糊逻辑的多机器人路径规划与协调避碰方法 |
CN105955274A (zh) * | 2016-05-25 | 2016-09-21 | 重庆大学 | 基于分布式圆心和半径估计的多机器人圆形编队控制方法 |
-
2016
- 2016-11-23 CN CN201611046478.3A patent/CN106502250B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110054684A1 (en) * | 2009-09-01 | 2011-03-03 | Electronics And Telecommunications Research Institute | Method and system for transferring/acquiring operation right of moving robot in multi-operator multi-robot environment |
CN103324196A (zh) * | 2013-06-17 | 2013-09-25 | 南京邮电大学 | 基于模糊逻辑的多机器人路径规划与协调避碰方法 |
CN105955274A (zh) * | 2016-05-25 | 2016-09-21 | 重庆大学 | 基于分布式圆心和半径估计的多机器人圆形编队控制方法 |
Non-Patent Citations (4)
Title |
---|
YONGNAN JIA,GUANGMING XIE,LONG WANG: "Path Planning for Robot Fish in Water-Polo Game:Tangent Circle Method", 《PROCEEDINGS OF THE 8TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 * |
YU ZHANG,MAX Q.-H.MENG: "Comparison of Auction-based Methods for Task Allocation Problem in Multi-robot Systems", 《PROCEEDING OF THE IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS(ROBIO)》 * |
周代忠,张安,陶勇: "无人战斗机航路规划圆切线算法", 《火力与指挥控制》 * |
苏丽颖,么立双,李小鹏,杜峰: "多机器人系统任务分配问题的建模与求解", 《中南大学学报(自然科学版)》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106813667B (zh) * | 2017-02-20 | 2019-08-30 | 北京经纬恒润科技有限公司 | 一种基于禁飞区约束的航路规划方法与装置 |
CN106813667A (zh) * | 2017-02-20 | 2017-06-09 | 北京经纬恒润科技有限公司 | 一种基于禁飞区约束的航路规划方法与装置 |
CN107562047A (zh) * | 2017-08-02 | 2018-01-09 | 中国科学院自动化研究所 | 无人驾驶设备编队方法以及存储装置、处理装置 |
CN107992035A (zh) * | 2017-11-15 | 2018-05-04 | 西北工业大学 | 一种基于室内全局定位的多移动机器人编队控制方法 |
CN110488807A (zh) * | 2018-05-15 | 2019-11-22 | 罗伯特·博世有限公司 | 用于运行机器人的方法、机器人和多智能体系统 |
CN109116854A (zh) * | 2018-09-16 | 2019-01-01 | 南京大学 | 一种基于强化学习的多组机器人协作控制方法及控制系统 |
CN109270934A (zh) * | 2018-11-01 | 2019-01-25 | 中国科学技术大学 | 基于领航者切换的多机器人编队续航方法 |
CN109270934B (zh) * | 2018-11-01 | 2020-05-12 | 中国科学技术大学 | 基于领航者切换的多机器人编队续航方法 |
CN109933089A (zh) * | 2019-03-25 | 2019-06-25 | 北京邮电大学 | 基于最小化最大能量消耗的多无人机任务规划方法及装置 |
CN109917817A (zh) * | 2019-05-06 | 2019-06-21 | 中国海洋大学 | 多水下机器人协同路径规划方法 |
CN110147101A (zh) * | 2019-05-13 | 2019-08-20 | 中山大学 | 一种基于深度强化学习的端到端分布式多机器人编队导航方法 |
CN110147101B (zh) * | 2019-05-13 | 2020-05-22 | 中山大学 | 一种基于深度强化学习的端到端分布式多机器人编队导航方法 |
CN111221354A (zh) * | 2019-11-26 | 2020-06-02 | 南京航空航天大学 | 一种基于改进的转弯半径的固定翼编队控制方法 |
CN111580514A (zh) * | 2020-05-07 | 2020-08-25 | 中国船舶重工集团公司第七一六研究所 | 基于联合编队的移动机器人最优路径覆盖方法 |
CN112130582A (zh) * | 2020-09-10 | 2020-12-25 | 北京理工大学 | 一种多智能体编队形成方法 |
CN116224837A (zh) * | 2023-05-06 | 2023-06-06 | 湖南致同工程科技有限公司 | 一种可抗通信延迟的多无人压路车协同控制仿真系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106502250B (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106502250A (zh) | 三维空间内多机器人编队的路径规划算法 | |
YongBo et al. | Three-dimensional unmanned aerial vehicle path planning using modified wolf pack search algorithm | |
Sang et al. | The hybrid path planning algorithm based on improved A* and artificial potential field for unmanned surface vehicle formations | |
CN107491086B (zh) | 时变网络拓扑下的无人机编队避障方法及系统 | |
CN109871032A (zh) | 一种基于模型预测控制的多无人机编队协同控制方法 | |
Zhu et al. | Task assignment and path planning of a multi-AUV system based on a Glasius bio-inspired self-organising map algorithm | |
CN108073185A (zh) | 多无人机同时到达协同控制方法 | |
CN104501816A (zh) | 一种多无人飞行器协调避碰导引规划方法 | |
Hao et al. | Dynamic path planning of a three-dimensional underwater AUV based on an adaptive genetic algorithm | |
CN112363517B (zh) | 一种水下滑翔机的编队控制方法 | |
Xu et al. | Two-layer distributed hybrid affine formation control of networked Euler–Lagrange systems | |
CN107168309A (zh) | 一种基于行为的多水下机器人路径规划方法 | |
CN106527438A (zh) | 机器人导航控制方法和装置 | |
CN115509251A (zh) | 基于mappo算法的多无人机多目标协同跟踪控制方法 | |
CN112363532B (zh) | 一种基于quatre算法的多无人机同时起飞集结方法 | |
Ni et al. | An improved real-time path planning method based on dragonfly algorithm for heterogeneous multi-robot system | |
Zeng et al. | Optimal path planning based on annular space decomposition for AUVs operating in a variable environment | |
CN111157002A (zh) | 基于多智能体进化算法的飞行器3d路径规划方法 | |
CN113759935B (zh) | 基于模糊逻辑的智能群体编队移动控制方法 | |
CN111007848A (zh) | 一种基于有界空间的多智能体协同作业控制方法 | |
Xu et al. | Trajectory planning of Unmanned Aerial Vehicle based on A* algorithm | |
CN112161626B (zh) | 一种基于航路跟踪映射网络的高可飞性航路规划方法 | |
Guo et al. | Path planning for autonomous underwater vehicles based on an improved artificial jellyfish search algorithm in multi-obstacle ocean current environment | |
Zhou et al. | Study on composing dense formations in a dynamic environment of multirotor UAVs by distributed control | |
CN110703792B (zh) | 基于增强学习的水下机器人姿态控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |