CN106873599A - 基于蚁群算法和极坐标变换的无人自行车路径规划方法 - Google Patents
基于蚁群算法和极坐标变换的无人自行车路径规划方法 Download PDFInfo
- Publication number
- CN106873599A CN106873599A CN201710210979.9A CN201710210979A CN106873599A CN 106873599 A CN106873599 A CN 106873599A CN 201710210979 A CN201710210979 A CN 201710210979A CN 106873599 A CN106873599 A CN 106873599A
- Authority
- CN
- China
- Prior art keywords
- pheromones
- bicycle
- value
- group algorithm
- ant group
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 31
- 239000003016 pheromone Substances 0.000 claims abstract description 85
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000003044 adaptive effect Effects 0.000 claims abstract description 4
- 238000004387 environmental modeling Methods 0.000 claims abstract description 4
- 230000004888 barrier function Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000008187 granular material Substances 0.000 claims description 3
- 230000008929 regeneration Effects 0.000 claims description 3
- 238000011069 regeneration method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
基于蚁群算法和极坐标变换的无人自行车路径规划方法,包括如下步骤:(1)利用栅格法进行环境建模;(2)设置蚁群算法的详细参数;(3)设定极坐标的长度、探测最大角度和最小角度;(4)蚁群的初始化,并设定信息素位置范围和速度范围;(5)极坐标和直角坐标之间变换,判断信息素是否有效,直到保证所有信息素有效,检查信息素位置和障碍物位置;(6)计算每个信息素的适应度值并处理;(7)将信息素历史最优适应值数组中最小值与当前全局历史最优值比较并处理;(8)更新信息素的位置和速度信息;(9)将本次迭代的信息素最优值与之前结果比较并处理;(10)最大迭代次数后平滑处理,修改路径并显示结果。
Description
技术领域
本发明涉及无人自行车技术,特别是一种面向无人自行车的基于蚁群算法和极坐标变换的路径规划方法。
背景技术
自20世纪60年代移动机器人诞生以来,研究人员一直梦想研究无人智能交通工具,作为智能交通系统的重要组成部分,无人自行车排除了人为不确定因素的影响,不仅可以提高驾驶安全性,而且可以解决交通拥堵,提高能源利用率,百度曾宣布开发复杂人工智能无人自行车,该产品是具备环境感知、规划和自平衡控制等复杂人工智能的无人自行车,主要集合了百度在人工智能、深度学习、大数据和云计算技术的成就,然而对技术细节没有任何披露。目前大多采用采用覆盖面广、成本低,且针对性强的运动干预服务系统,对无人自行车的运动进行符合实际情况的干预,有望解决自行车避障等问题。
作为无人自行车的智能核心,避障路径规划系统决定车辆如何在多种约束条件和路径障碍物条件下到达目标位置,这些约束包括体现为安全性的环境约束,体现可行性的系统运动学约束,体现平顺性和稳定性的系统动力学约束以及特定的优化指标约束,如最短时间或最短距离等。在无人自行车应用中,这些约束集中在全局路径规划中得到满足,全局路径规划问题等同于起点和终点间路径生成的问题,解决全局路径规划问题一般要求提前获知完成的典型道路及其数字化存储方式,也就是环境地图,当环境变化或其他因素导致规划结果不可行时,需要重启全局规划得到新的可行路径才能继续行使。
然而,现有的路径规划方法算法收敛性不够良好,并且初始分布是正态分布时,计算时间比较长,不利于快速响应障碍物。
发明内容
本发明的目的在于提供一种面向无人自行车的基于蚁群算法和极坐标变换的路径规划方法,包括如下步骤:
(1)根据无人自行车的工作环境,利用栅格法进行环境建模;
(2)设置蚁群算法的详细参数:信息素维度D、最大迭代次数M、信息素数N、信息素变量的最大速度Vmax、学习因子c1,c2和惯性权重W,这三个参数按照一般的蚁群算法选取,信息素维度则由以下参数决定:D≈distance(path)bike_length,信息素变量的最大速度为:
Vmax=0.1(αmax-αmin)/D;
(3)设定极坐标的长度、探测最大角度和最小角度,探测最大角度和最小角度一般取0~π/2;
(4)根据均匀分布生成随机数的方法,进行蚁群的初始化,并设定环境地图位置范围内的信息素位置范围和速度范围;
(5)进行极坐标和直角坐标之间的变换,获得路径x,y坐标值,根据信息素的约束条件判断信息素是否有效,无效则重新初始化,直到保证所有信息素有效,检查信息素位置和障碍物位置;
(6)采用路径规划的适应度函数,计算每个信息素的适应度值,将信息素的个体历史最优值和当前信息素适应度值进行比较,若当前的适应度值比历史最优值小,则用当前的适应度值替换个体历史最优值;
(7)将信息素历史最优适应值数组中最小值与当前的全局历史最优值进行比较,若其值小于全局最优值,则用最小值替换全局最优值,否则不替换,根据信息素上次取得的迭代历史最优值和当前迭代历史最优值,计算并保存两者之间的最优值;
(8)更新种群中信息素的位置和速度信息,若信息素搜索的位置超过了已设定的空间范围,则选取最大位置;
(9)将本次迭代的信息素最优值与之前连续迭代结果进行比较,若未发生变化则采用以前优化值,并检查是否达到最大迭代次数,若未达到则反复计算。
(10)到达最大迭代次数后,采用舒曼滤波法进行平滑处理,对算出的路径进行修改,显示计算结果与最优路径。
优选的,步骤(1)中栅格粒度大小的确定是根据无人自行车自身的尺寸大小以及障碍物的面积大小来设置。
优选的,所述无人自行车前进的方向上设置三个模拟传感器,以探测前方到障碍物的距离情况。
优选的,所述信息素构成信息素表,每个元素代表一定距离下选择沿一角度运动的信息素强度,采用矩阵A表示信息素表,将无人自行车与地面障碍物距离在初始距离与地面目标之差上10等分,而无人自行车单次移动方向选择相对于障碍物连线夹角的-90度-90度上角度18等分,并选择其中的17个作为搜索方向,从而确定340个元素作为信息素表的各个元素,将无人自行车与地面站该物初始距离与地面目标之差定义为M,无人自行车与障碍物目标连线角度设定为α。
优选的,在完成若干轮单次迭代后,若按每次新信息素表出发的无人自行车都能成功避开障碍物,则判定算法结束。
优选的,所述信息素更新用于无人自行车释放信息素的过程,分为两个阶段进行,第一个阶段是在无人自行车追踪地面障碍物的阶段,第二个阶段是在无人自行车在保持与地面障碍物安全距离的阶段。
优选的,所述第一个阶段的信息素更新方法是:在每个时间片内,如果单次前进方向连续若干次都是所有方向中使无人自行车与地面障碍物目标距离减小最多的那个方向,结合其距离在信息素表中找到对应信息素,进行更新即累加操作。
优选的,所述第二个阶段的信息素更新方法是按照一定的时间间隔实时判断与地面障碍物的距离,并在一定区域范围内对选择的移动方向对应的位置信息素全部进行更新。
优选的,对于使无人自行车靠近地面障碍物的角度,进行信息素挥发操作,减小无人自行车选择该条路径作为前进方向的概率。
优选的,当无人自行车与障碍物处于一个实际的状态,无人自行车通过信息表决定下一步的移动方向,首先判断无人自行车与障碍物的距离,并根据距离在信息素表中相应的行去查找,移动角度的选择根据随机数方法按照每个角度的发生概率选择,仅在无人自行车的距离发生跨越时才重新选择移动角度。
采用本发明的避障局部路径规划方法,可使得自行车严格按照规划路径行驶,并且车速自动根据路径曲率调整,遇到移动或者固定障碍物的情况下,可以提前进行避障路径规划。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。本发明的目标及特征考虑到如下结合附图的描述将更加明显,附图中:
图1为根据本发明实施例的前进搜索方向示意图;
图2为根据本发明实施例的信息素仿真迭代矩阵图;
图3为根据本发明实施例的方法流程图。
具体实施方式
结合附图如下详细说明一种面向无人自行车的基于蚁群算法和极坐标变换的路径规划方法,如图3所示包括如下步骤:
(1)根据无人自行车的工作环境,利用栅格法进行环境建模,栅格粒度大小的确定是根据无人自行车自身的尺寸大小以及障碍物的面积大小来设置,其中前进搜索方向如图1所示;
(2)设置蚁群算法的详细参数:信息素维度D、最大迭代次数M、信息素数N、信息素变量的最大速度Vmax、学习因子c1,c2和惯性权重W,这三个参数按照一般的蚁群算法选取,信息素维度则由以下参数决定:D≈distance(path)bike_length,信息素变量的最大速度为:
Vmax=0.1(αmax-αmin)/D;
(3)设定极坐标的长度、探测最大角度和最小角度,探测最大角度和最小角度一般取0~π/2;
(4)根据均匀分布生成随机数的方法,进行蚁群的初始化,并设定环境地图位置范围内的信息素位置范围和速度范围;
(5)进行极坐标和直角坐标之间的变换,获得路径x,y坐标值,根据信息素的约束条件判断信息素是否有效,无效则重新初始化,直到保证所有信息素有效,检查信息素位置和障碍物位置;
(6)采用路径规划的适应度函数,计算每个信息素的适应度值,将信息素的个体历史最优值和当前信息素适应度值进行比较,若当前的适应度值比历史最优值小,则用当前的适应度值替换个体历史最优值;
(7)将信息素历史最优适应值数组中最小值与当前的全局历史最优值进行比较,若其值小于全局最优值,则用最小值替换全局最优值,否则不替换,根据信息素上次取得的迭代历史最优值和当前迭代历史最优值,计算并保存两者之间的最优值;
(8)更新种群中信息素的位置和速度信息,若信息素搜索的位置超过了已设定的空间范围,则选取最大位置;
(9)将本次迭代的信息素最优值与之前连续迭代结果进行比较,若未发生变化则采用以前优化值,并检查是否达到最大迭代次数,若未达到则反复计算。
(10)到达最大迭代次数后,采用舒曼滤波法进行平滑处理,对算出的路径进行修改,显示计算结果与最优路径。
在无人自行车前进的方向上设置三个模拟传感器,以探测前方到障碍物的距离情况。信息素构成信息素表,每个元素代表一定距离下选择沿一角度运动的信息素强度,采用矩阵A表示信息素表,将无人自行车与地面障碍物距离在初始距离与地面目标之差上10等分,而无人自行车单次移动方向选择相对于障碍物连线夹角的-90度-90度上角度18等分,并选择其中的17个作为搜索方向,从而确定340个元素作为信息素表的各个元素,将无人自行车与地面站该物初始距离与地面目标之差定义为M,无人自行车与障碍物目标连线角度设定为α。在完成若干轮单次迭代后,若按每次新信息素表出发的无人自行车都能成功避开障碍物,则判定算法结束。
在路径规划过程中,信息素更新用于无人自行车释放信息素的过程,分为两个阶段进行,第一个阶段是在无人自行车追踪地面障碍物的阶段,第一个阶段的信息素更新方法是:在每个时间片内,如果单次前进方向连续若干次都是所有方向中使无人自行车与地面障碍物目标距离减小最多的那个方向,结合其距离在信息素表中找到对应信息素,进行更新即累加操作;第二个阶段是在无人自行车在保持与地面障碍物安全距离的阶段,第二个阶段的信息素更新方法是按照一定的时间间隔实时判断与地面障碍物的距离,并在一定区域范围内对选择的移动方向对应的位置信息素全部进行更新。
对于使无人自行车靠近地面障碍物的角度,进行信息素挥发操作,减小无人自行车选择该条路径作为前进方向的概率。并且,当无人自行车与障碍物处于一个实际的状态,无人自行车通过信息表决定下一步的移动方向,首先判断无人自行车与障碍物的距离,并根据距离在信息素表中相应的行去查找,移动角度的选择根据随机数方法按照每个角度的发生概率选择,仅在无人自行车的距离发生跨越时才重新选择移动角度。
针对无人自行车避障这个具体问题,算法操作步骤为:
第一步:初始化信息素表;
第二步:初始化无人机与地面目标;
第三步:无人自行车根据信息素表使用方法不断调整改变前进方向,其间依据更新和挥发准则对信息素表进行修改;
第四步:若无人自行车出现距离障碍物过近的情况,进行相应的信息素挥发操作,回到第二步,若无人自行车已经成功绕开障碍物,进入第五步;
第五步:判断是否已经到达设定障碍物安全距离范围内,如果到达设定障碍物安全距离范围内,算法结束,若未达到设定安全距离范围内,回到步骤二。
仿真过程中地面障碍物移动策略是在未进入无人自行车危险范围内时,沿着与无人自行车沿线方向尽可能远离无人自行车,进入无人自行车危险距离范围后,会快速靠近无人自行车,无人自行车持续进行仿真时间片的选择以及障碍物与无人自行车之间安全距离范围的选择,其中时间片的选择按照随机数生成原则,迭代了接近千次后得到的具体信息素矩阵如图2所示。算法仿真结果可以看到该方法可以解决快速避障和移动避障问题,取得了很好的效果,与传统解决路径规划的比例导引算法相比较,对于固定和移动障碍物情况下的路径快速规划有很好的效果。
虽然本发明已经参考特定的说明性实施例进行了描述,但是不会受到这些实施例的限定而仅仅受到附加权利要求的限定。本领域技术人员应当理解可以在不偏离本发明的保护范围和精神的情况下对本发明的实施例能够进行改动和修改。
Claims (10)
1.基于蚁群算法和极坐标变换的无人自行车路径规划方法,其特征在于包括如下步骤:
(1)根据无人自行车的工作环境,利用栅格法进行环境建模;
(2)设置蚁群算法的详细参数:信息素维度D、最大迭代次数M、信息素数N、信息素变量的最大速度Vmax、学习因子c1,c2和惯性权重W,这三个参数按照一般的蚁群算法选取,信息素维度则由以下参数决定:D≈distance(path)bike_length,信息素变量的最大速度为:
Vmax=0.1(αmax-αmin)/D;
(3)设定极坐标的长度、探测最大角度和最小角度,探测最大角度和最小角度一般取0~π/2;
(4)根据均匀分布生成随机数的方法,进行蚁群的初始化,并设定环境地图位置范围内的信息素位置范围和速度范围;
(5)进行极坐标和直角坐标之间的变换,获得路径x,y坐标值,根据信息素的约束条件判断信息素是否有效,无效则重新初始化,直到保证所有信息素有效,检查信息素位置和障碍物位置;
(6)采用路径规划的适应度函数,计算每个信息素的适应度值,将信息素的个体历史最优值和当前信息素适应度值进行比较,若当前的适应度值比历史最优值小,则用当前的适应度值替换个体历史最优值;
(7)将信息素历史最优适应值数组中最小值与当前的全局历史最优值进行比较,若其值小于全局最优值,则用最小值替换全局最优值,否则不替换,根据信息素上次取得的迭代历史最优值和当前迭代历史最优值,计算并保存两者之间的最优值;
(8)更新种群中信息素的位置和速度信息,若信息素搜索的位置超过了已设定的空间范围,则选取最大位置;
(9)将本次迭代的信息素最优值与之前连续迭代结果进行比较,若未发生变化则采用以前优化值,并检查是否达到最大迭代次数,若未达到则反复计算。
(10)到达最大迭代次数后,采用舒曼滤波法进行平滑处理,对算出的路径进行修改,显示计算结果与最优路径。
2.根据权利要求1的基于蚁群算法和极坐标变换的无人自行车路径规划方法,其特征在于:步骤(1)中栅格粒度大小的确定是根据无人自行车自身的尺寸大小以及障碍物的面积大小来设置。
3.根据权利要求1的基于蚁群算法和极坐标变换的无人自行车路径规划方法,其特征在于:所述无人自行车前进的方向上设置三个模拟传感器,以探测前方到障碍物的距离情况。
4.根据权利要求1的基于蚁群算法和极坐标变换的无人自行车路径规划方法,其特征在于:所述信息素构成信息素表,每个元素代表一定距离下选择沿一角度运动的信息素强度,采用矩阵A表示信息素表,将无人自行车与地面障碍物距离在初始距离与地面目标之差上10等分,而无人自行车单次移动方向选择相对于障碍物连线夹角的-90度-90度上角度18等分,并选择其中的17个作为搜索方向,从而确定340个元素作为信息素表的各个元素,将无人自行车与地面站该物初始距离与地面目标之差定义为M,无人自行车与障碍物目标连线角度设定为α。
5.根据权利要求4的基于蚁群算法和极坐标变换的无人自行车路径规划方法,其特征在于:在完成若干轮单次迭代后,若按每次新信息素表出发的无人自行车都能成功避开障碍物,则判定算法结束。
6.根据权利要求1的基于蚁群算法和极坐标变换的无人自行车路径规划方法,其特征在于:所述信息素更新用于无人自行车释放信息素的过程,分为两个阶段进行,第一个阶段是在无人自行车追踪地面障碍物的阶段,第二个阶段是在无人自行车在保持与地面障碍物安全距离的阶段。
7.根据权利要求6的基于蚁群算法和极坐标变换的无人自行车路径规划方法,其特征在于:所述第一个阶段的信息素更新方法是:在每个时间片内,如果单次前进方向连续若干次都是所有方向中使无人自行车与地面障碍物目标距离减小最多的那个方向,结合其距离在信息素表中找到对应信息素,进行更新即累加操作。
8.根据权利要求6的基于蚁群算法和极坐标变换的无人自行车路径规划方法,其特征在于:所述第二个阶段的信息素更新方法是按照一定的时间间隔实时判断与地面障碍物的距离,并在一定区域范围内对选择的移动方向对应的位置信息素全部进行更新。
9.根据权利要求1的一基于蚁群算法和极坐标变换的无人自行车路径规划方法,其特征在于:对于使无人自行车靠近地面障碍物的角度,进行信息素挥发操作,减小无人自行车选择该条路径作为前进方向的概率。
10.根据权利要求1的基于蚁群算法和极坐标变换的无人自行车路径规划方法,其特征在于:当无人自行车与障碍物处于一个实际的状态,无人自行车通过信息表决定下一步的移动方向,首先判断无人自行车与障碍物的距离,并根据距离在信息素表中相应的行去查找,移动角度的选择根据随机数方法按照每个角度的发生概率选择,仅在无人自行车的距离发生跨越时才重新选择移动角度。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710210979.9A CN106873599A (zh) | 2017-03-31 | 2017-03-31 | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 |
PCT/CN2017/084509 WO2018176595A1 (zh) | 2017-03-31 | 2017-05-16 | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710210979.9A CN106873599A (zh) | 2017-03-31 | 2017-03-31 | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106873599A true CN106873599A (zh) | 2017-06-20 |
Family
ID=59159971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710210979.9A Pending CN106873599A (zh) | 2017-03-31 | 2017-03-31 | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106873599A (zh) |
WO (1) | WO2018176595A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303508A (zh) * | 2018-02-06 | 2018-07-20 | 武汉理工大学 | 基于激光雷达和深度学习路径寻优的生态预警系统及方法 |
CN108413963A (zh) * | 2018-02-12 | 2018-08-17 | 淮安信息职业技术学院 | 基于自学习蚁群算法的条形机器人路径规划方法 |
CN109062213A (zh) * | 2018-08-16 | 2018-12-21 | 郑州轻工业学院 | 一种基于修正比例导引的智能车自动驾驶的方法 |
CN109324620A (zh) * | 2018-09-25 | 2019-02-12 | 北京主线科技有限公司 | 基于车道线平行偏移进行避障及超车的动态轨迹规划方法 |
CN110160546A (zh) * | 2019-05-10 | 2019-08-23 | 安徽工程大学 | 一种移动机器人路径规划方法 |
CN110245202A (zh) * | 2019-06-03 | 2019-09-17 | 哈尔滨工程大学 | 一种基于迭代临近搜索的极坐标系目标栅格集合求解方法 |
CN110842912A (zh) * | 2019-10-12 | 2020-02-28 | 广州大学 | 基于机器人的工件加工方法、装置和存储介质 |
CN113496065A (zh) * | 2021-06-29 | 2021-10-12 | 西北工业大学 | 一种快速高精度的网络区域动态覆盖轨迹生成方法 |
CN114035605A (zh) * | 2021-10-25 | 2022-02-11 | 中国电子科技集团公司第二十研究所 | 一种基于比例导引的飞行器避障方法 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726852A (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 |
CN110320907B (zh) * | 2019-06-03 | 2022-07-15 | 哈尔滨工程大学 | 一种基于改进蚁群算法和椭圆碰撞锥推演模型的无人水面艇双层避碰方法 |
CN110608740A (zh) * | 2019-09-06 | 2019-12-24 | 遵义师范学院 | 一种无人船舰路径规划方法 |
CN111240326B (zh) * | 2020-01-15 | 2023-05-16 | 重庆邮电大学 | 一种基于异构双种群蚁群算法的移动机器人路径规划方法 |
CN111738396B (zh) * | 2020-06-01 | 2023-09-26 | 北京中安智能信息科技有限公司 | 一种应用于潜艇路径规划的自适应栅格颗粒度蚁群方法 |
CN113219993B (zh) * | 2021-06-04 | 2024-06-07 | 深圳飞鼠动力科技有限公司 | 一种路径规划方法及清洁机器人 |
CN114578845B (zh) * | 2021-09-03 | 2024-05-17 | 长春工业大学 | 一种基于改进蚁群算法的无人机航迹规划方法 |
CN114154394B (zh) * | 2021-11-03 | 2024-02-20 | 河南科技大学 | 一种基于改进蚁群算法的并行时间窗车辆路径规划方法 |
CN114323019A (zh) * | 2021-11-30 | 2022-04-12 | 潍坊中科晶上智能装备研究院有限公司 | 一种复杂环境下农用机械全覆盖路径规划方法 |
CN114489120B (zh) * | 2021-12-31 | 2024-05-14 | 杭州电子科技大学 | 一种面向移动网络的无人机部署与跟踪控制方法 |
CN115542892A (zh) * | 2022-01-29 | 2022-12-30 | 安徽工程大学 | 一种基于多步长蚁群算法的移动机器人路径规划方法 |
CN114610030B (zh) * | 2022-03-08 | 2024-05-28 | 山东大学 | 基于组合智能算法的作业调配路径规划方法及系统 |
CN115494840B (zh) * | 2022-08-20 | 2024-04-12 | 安徽工程大学 | 一种基于蒙特卡洛因子的mc-iaco的焊接机器人路径规划方法 |
CN116795108B (zh) * | 2023-06-09 | 2023-12-01 | 西南交通大学 | 基于多源感知信号的智能无人车配送方法 |
CN117474422B (zh) * | 2023-09-28 | 2024-04-09 | 华中农业大学 | 一种智能山地果园运输系统 |
CN117314283B (zh) * | 2023-10-16 | 2024-04-19 | 暨南大学 | 混流装配车间的物料配送方法、装置、系统及存储介质 |
CN117516548B (zh) * | 2023-12-29 | 2024-04-12 | 广东技术师范大学 | 一种自主移动机器人的路径规划方法 |
CN117556979B (zh) * | 2024-01-11 | 2024-03-08 | 中国科学院工程热物理研究所 | 基于群体智能搜索的无人机平台与载荷一体化设计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1494919A1 (en) * | 2002-04-12 | 2005-01-12 | Honeywell International Inc. | Virtual reaction wheel array using control moment gyros |
DE102005002760A1 (de) * | 2004-01-20 | 2005-08-11 | Volkswagen Ag | Vorrichtung und Verfahren zur Unfallvermeidung bei Kraftfahrzeugen |
CN101122974A (zh) * | 2007-09-13 | 2008-02-13 | 北京航空航天大学 | 基于Voronoi图和蚁群优化算法的无人机航路规划方法 |
CN102288192A (zh) * | 2011-07-01 | 2011-12-21 | 重庆邮电大学 | 基于Ad Hoc网络的多机器人路径规划方法 |
CN103295080A (zh) * | 2013-06-14 | 2013-09-11 | 西安工业大学 | 基于高程图和蚁群寻食的三维路径规划方法 |
CN105589461A (zh) * | 2015-11-18 | 2016-05-18 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101372482B1 (ko) * | 2007-12-11 | 2014-03-26 | 삼성전자주식회사 | 이동 로봇의 경로 계획 방법 및 장치 |
CN103823466B (zh) * | 2013-05-23 | 2016-08-10 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
CN103336526B (zh) * | 2013-06-20 | 2015-08-05 | 苏州经贸职业技术学院 | 基于协同进化粒子群滚动优化的机器人路径规划方法 |
CN103439972B (zh) * | 2013-08-06 | 2016-06-29 | 重庆邮电大学 | 一种动态复杂环境下的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 |
CN106200650A (zh) * | 2016-09-22 | 2016-12-07 | 江苏理工学院 | 基于改进蚁群算法的移动机器人路径规划方法及系统 |
-
2017
- 2017-03-31 CN CN201710210979.9A patent/CN106873599A/zh active Pending
- 2017-05-16 WO PCT/CN2017/084509 patent/WO2018176595A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1494919A1 (en) * | 2002-04-12 | 2005-01-12 | Honeywell International Inc. | Virtual reaction wheel array using control moment gyros |
DE102005002760A1 (de) * | 2004-01-20 | 2005-08-11 | Volkswagen Ag | Vorrichtung und Verfahren zur Unfallvermeidung bei Kraftfahrzeugen |
CN101122974A (zh) * | 2007-09-13 | 2008-02-13 | 北京航空航天大学 | 基于Voronoi图和蚁群优化算法的无人机航路规划方法 |
CN102288192A (zh) * | 2011-07-01 | 2011-12-21 | 重庆邮电大学 | 基于Ad Hoc网络的多机器人路径规划方法 |
CN103295080A (zh) * | 2013-06-14 | 2013-09-11 | 西安工业大学 | 基于高程图和蚁群寻食的三维路径规划方法 |
CN105589461A (zh) * | 2015-11-18 | 2016-05-18 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
Non-Patent Citations (5)
Title |
---|
WANG ZHANGQI,ZHU XIAOGUANG,HAN QINGYAO: "Mobile Robot Path Planning based on Parameter Optimization Ant Colony Algorithm", 《ADVANCED IN CONTROL ENGINEERING AND INFORMATION SCIENCE》 * |
李仁府, 独孤明哲, 胡麟, 汉哲勋: "基于QPSO算法移动机器人轨迹规划与实验", 《控制与决策》 * |
郑玥,王宏伦: "基于蚁群算法的无人机动态路径规划", 《控制与应用第十三届学术年会2-30》 * |
陈雄,袁杨: "一种机器人路径规划的蚁群算法", 《系统工程与电子技术》 * |
黄风山,方忆湘,姜腾,靳江艳: "规则约束和蚁群算法三坐标测量路径规划研究", 《机械设计与制造》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303508A (zh) * | 2018-02-06 | 2018-07-20 | 武汉理工大学 | 基于激光雷达和深度学习路径寻优的生态预警系统及方法 |
CN108413963A (zh) * | 2018-02-12 | 2018-08-17 | 淮安信息职业技术学院 | 基于自学习蚁群算法的条形机器人路径规划方法 |
CN108413963B (zh) * | 2018-02-12 | 2021-06-08 | 淮安信息职业技术学院 | 基于自学习蚁群算法的条形机器人路径规划方法 |
CN109062213A (zh) * | 2018-08-16 | 2018-12-21 | 郑州轻工业学院 | 一种基于修正比例导引的智能车自动驾驶的方法 |
CN109324620A (zh) * | 2018-09-25 | 2019-02-12 | 北京主线科技有限公司 | 基于车道线平行偏移进行避障及超车的动态轨迹规划方法 |
CN110160546B (zh) * | 2019-05-10 | 2022-05-20 | 安徽工程大学 | 一种移动机器人路径规划方法 |
CN110160546A (zh) * | 2019-05-10 | 2019-08-23 | 安徽工程大学 | 一种移动机器人路径规划方法 |
CN110245202A (zh) * | 2019-06-03 | 2019-09-17 | 哈尔滨工程大学 | 一种基于迭代临近搜索的极坐标系目标栅格集合求解方法 |
CN110245202B (zh) * | 2019-06-03 | 2023-07-21 | 哈尔滨工程大学 | 一种基于迭代临近搜索的极坐标系目标栅格集合求解方法 |
CN110842912A (zh) * | 2019-10-12 | 2020-02-28 | 广州大学 | 基于机器人的工件加工方法、装置和存储介质 |
CN113496065B (zh) * | 2021-06-29 | 2023-04-18 | 西北工业大学 | 一种快速高精度的网络区域动态覆盖轨迹生成方法 |
CN113496065A (zh) * | 2021-06-29 | 2021-10-12 | 西北工业大学 | 一种快速高精度的网络区域动态覆盖轨迹生成方法 |
CN114035605A (zh) * | 2021-10-25 | 2022-02-11 | 中国电子科技集团公司第二十研究所 | 一种基于比例导引的飞行器避障方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2018176595A1 (zh) | 2018-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106873599A (zh) | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 | |
CN106843235B (zh) | 一种面向无人自行车的人工势场路径规划法 | |
CN110887484B (zh) | 基于改进遗传算法的移动机器人路径规划方法及存储介质 | |
CN110703762B (zh) | 一种复杂环境下水面无人艇混合路径规划方法 | |
Macwan et al. | A multirobot path-planning strategy for autonomous wilderness search and rescue | |
CN110081894A (zh) | 一种基于道路结构权值融合的无人车轨迹实时规划方法 | |
CN102915465B (zh) | 一种基于移动生物刺激神经网络的多机器人联合编队方法 | |
CN106989748A (zh) | 一种基于云模型的农业移动机器人人机合作路径规划方法 | |
CN110333714A (zh) | 一种无人驾驶汽车路径规划方法和装置 | |
CN106843236A (zh) | 基于权重改进粒子群算法的无人自行车路径规划方法 | |
CN108762264A (zh) | 基于人工势场与滚动窗口的机器人的动态避障方法 | |
CN109863513A (zh) | 用于自主车辆控制的神经网络系统 | |
CN107037809A (zh) | 一种基于改进蚁群算法的无人艇避碰方法 | |
CN108279692A (zh) | 一种基于lstm-rnn的uuv动态规划方法 | |
CN106525047A (zh) | 一种基于floyd算法的无人机路径规划方法 | |
CN104406589B (zh) | 一种飞行器穿越雷达区的飞行方法 | |
Zhao et al. | A path planning method based on multi-objective cauchy mutation cat swarm optimization algorithm for navigation system of intelligent patrol car | |
CN109407097A (zh) | 一种车辆可行驶区域的检测方法及装置 | |
CN112344945A (zh) | 室内配送机器人路径规划方法、系统及室内配送机器人 | |
CN109947129A (zh) | 基于Dijkstra与改进粒子群算法的旋翼无人机路径规划方法 | |
CN116301014A (zh) | 一种无人直升机贴地飞行轨迹优化方法 | |
Sundarraj et al. | Route planning for an autonomous robotic vehicle employing a weight-controlled particle swarm-optimized Dijkstra algorithm | |
CN112327888B (zh) | 路径规划方法、装置、电子设备和存储介质 | |
CN111673729B (zh) | 路径决定方法 | |
CN111427368A (zh) | 一种改进的多目标无人智能车避碰行驶方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170620 |
|
WD01 | Invention patent application deemed withdrawn after publication |