CN107289939B - 基于svm算法的无人船路径规划方法 - Google Patents

基于svm算法的无人船路径规划方法 Download PDF

Info

Publication number
CN107289939B
CN107289939B CN201710431960.7A CN201710431960A CN107289939B CN 107289939 B CN107289939 B CN 107289939B CN 201710431960 A CN201710431960 A CN 201710431960A CN 107289939 B CN107289939 B CN 107289939B
Authority
CN
China
Prior art keywords
unmanned ship
standard
sample
actual
obstacle
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
Application number
CN201710431960.7A
Other languages
English (en)
Other versions
CN107289939A (zh
Inventor
赵东明
柳欣
杨田田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201710431960.7A priority Critical patent/CN107289939B/zh
Publication of CN107289939A publication Critical patent/CN107289939A/zh
Application granted granted Critical
Publication of CN107289939B publication Critical patent/CN107289939B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G01C21/203—Specially adapted for sailing ships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于无人船路径规划领域，具体的说是一种基于SVM算法的无人船路径规划方法，包括：构建标准无人船，并将标准无人船放入典型海域中航行；搜集标准无人船在典型海域中遇到障碍物时的标准相关数据，并将标准相关数据存入数据库；根据数据库，利用最小二乘SVM算法，计算得到完成样本库；当标准无人船在实际海域中航行时，搜集标准无人船在典型海域中遇到障碍物的实际相关数据；将实际相关数据与完整样本库中数据进行对比，得到对应的实际样本类型；根据所述实际样本类型规划标准无人船路径。本发明其可以在样本数据有限的情况下，使规划结果精度高、误差小，并且所述方法的自主性好、稳定性强。

Description

基于SVM算法的无人船路径规划方法
技术领域
本发明属于无人船路径规划领域，具体的说是一种基于SVM算法的无人船路径规划方法。
随着人工智能地不断应用，无人船相关技术发展迅速，但国内无人船的发展目前尚处于起步阶段，主要应用于气象监测、环境保障等领域，对人们的生活和工作产生了一定的影响。由于国内无人船的环境感知能力及自主导航控制能力弱，并且有许多干扰因素，远远未达到实用化要求，以至于很有必要用多目标自主路径规划方法来突破无人船研究的瓶颈。
当前的大多数无人船只是使用人为遥控或者使用GPS导航系统加简单导航算法来展开研究的。然而在实际应用中并非总是如此，无人船会经常处于复杂的环境中，如大风、海浪、暗礁和复杂的岛屿等，这些场合下都是需要搜集各种信息并进行综合处理得出最优解，指导无人船的自主航行。
但是由于规划路径时所需处理的信息量过多，运算相当复杂，相关的路径规划算法技术的研究有待深入。目前已有部分文献对无人船路径规划的算法进行研究，如基于遗传算法的路径规划，基于人工势场法的路径规划，基于蚁群算法的路径规划等。但是如果控制成本，减少样本数量时，上述算法规划的路径误差会较大，运动精度得不到保证，而且海上干扰因子较多，会大大影响运动路径精度。所以暂无一种路径优化精度高，误差小，自主性好，稳定性强，样本数据少的无人船路径规划方法。
发明内容
本发明要解决的技术问题在于，克服现有技术的不足，提供一种基于SVM算法的无人船路径规划方法，其可以在样本数据有限的情况下，使规划结果精度高、误差小，并且所述方法的自主性好、稳定性强。
本发明所涉及的基于SVM算法的无人船路径规划方法，包括以下步骤：
构建标准无人船，并将标准无人船放入典型海域中航行；
搜集标准无人船在典型海域中遇到障碍物时的标准相关数据，并将标准相关数据存入数据库；
根据数据库，利用最小二乘SVM算法，计算得到完整样本库；
当标准无人船在实际海域中航行时，搜集标准无人船遇到障碍物的实际相关数据；
将实际相关数据与完整样本库中数据进行对比，得到对应的实际样本类型；
根据所述实际样本类型规划标准无人船路径。
进一步地，所述构建标准无人船，具体包括：
将光电/雷达系统安装在标准无人船上，所述光电/雷达系统用于识别所遇到障碍物与标准无人船的距离S和障碍物的体积D；
将北斗卫星导航系统安装在标准无人船上，所述北斗卫星导航系统用于识别标准无人船和障碍物的位置信息。
更进一步地，所述标准相关数据包括：无人船在典型海域中每次遇到障碍物时的位置信息、典型海域中所遇到的障碍物位置信息、对应的与典型海域中障碍物的距离Sa和典型海域中对应障碍物的体积Da；
所述实际相关数据包括：无人船在实际海域中每次遇到障碍物时的位置信息、实际海域中所遇到的障碍物位置信息、对应的与实际海域中障碍物的距离S1和实际海域中对应障碍物的体积D2。
再进一步地，所述根据数据库，利用最小二乘SVM算法，计算得到完整样本库，具体包括：
反复的在标准相关数据中，随机取出部分标准相关数据；
将每次取出部分标准相关数据代入最小二乘SVM算法，从而形成对应样本空间；
从专用数据库中读取每个样本空间中对应的数据；
利用最小二乘SVM算法对每个样本空间中对应的数据进行决策分类，得到每个样本空间对应的样本库；
所有的样本库构成完整样本库。
还进一步地，所述当标准无人船在实际海域中航行时，搜集标准无人船遇到障碍物的实际相关数据，具体包括：
当标准无人船在实际海域中航行时，根据北斗卫星导航系统规划出最短路程；
在最短路程中，当标准无人船遇到障碍物时，通过卫星导航系统和光电/雷达系统搜集实际相关数据；
所述根据实际样本类型规划标准无人船路径，具体包括：
根据实际样本类型，在标准无人船前方规定范围内设置动态多边形避障区域；
计算出避障区域内的障碍物临界碰撞速度或临界碰撞航向；
根据临界碰撞速度或临界碰撞航向，驱动标准无人船的执行程序；
所述执行程序发送信号至标准无人船的机泵桨，从而改变标准无人船的航速或航向。
又进一步地，所述利用最小二乘SVM算法对每个样本空间中对应的数据进行决策分类，得到每个样本空间对应的样本库，具体包括：
形成最小二乘SVM的约束条件；
用拉格朗日方法将原始问题转化为无约束优化问题，得到样本模型；
由样本模型构成样本库。
优选地，设定样本库M＝{(xi,yi)},i＝1,2,…,N,xi为输入数据，yi为输出数据；
所述形成最小二乘SVM的约束条件，通过以下计算公式实现：
Figure 440726DEST_PATH_IMAGE001
（1）
Figure 459497DEST_PATH_IMAGE002
（2）
其中：w为权系数向量，ei为误差变量，γ为正规则化参数，
Figure 403182DEST_PATH_IMAGE003
将原始权空间的向量映射到高维特征空间，b∈R为偏差量。
优选地，所述用拉格朗日方法将原始问题转化为无约束优化问题，具体包括：
Figure 854017DEST_PATH_IMAGE004
（3）
Figure 770021DEST_PATH_IMAGE005
（4）
其中，
Figure 490852DEST_PATH_IMAGE006
为拉格朗日因子，
Figure 62779DEST_PATH_IMAGE007
；
Figure 363310DEST_PATH_IMAGE008
（5）
Figure 461716DEST_PATH_IMAGE009
（6）
Figure 556711DEST_PATH_IMAGE010
（7）
其中，p和q分别为等式约束和不等式约束的数量；
当KKT条件满足后，可对上述算法进行优化：
Figure 865202DEST_PATH_IMAGE011
（8）
Figure 766162DEST_PATH_IMAGE012
（9）
Figure 391178DEST_PATH_IMAGE013
（10）
Figure 860337DEST_PATH_IMAGE014
（11）。
优选地，所述样本模型表达式为：
Figure 203593DEST_PATH_IMAGE015
（12）
Figure 908244DEST_PATH_IMAGE016
（13）。
本发明采用最小二乘SVM算法，所需的样本量较少，并且可结合样本得出最优解，解决了成本高和稳定性不高的问题；再次，基于光电/雷达系统的目标检测识别技术可以有效检测周围障碍物并减少海上的干扰因子；最后利用北斗卫星导航系统，解决了定位精度不够高的问题。符合无人船自主智能航行的发展趋势。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的方法示意图；
图2是本发明实施例中规划路径的流程图；
图3为本发明实施例中实现SVM算法的流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
如图1至图3所示，本发明所述的基于SVM算法的无人船路径规划方法，包括以下步骤：
101、构建标准无人船，并将标准无人船放入典型海域中航行；
将光电/雷达系统安装在标准无人船上，所述光电/雷达系统用于识别所遇到障碍物与标准无人船的距离S和障碍物的体积D；
将北斗卫星导航系统安装在标准无人船上，所述北斗卫星导航系统用于识别标准无人船和障碍物的位置信息。
102、搜集标准无人船在典型海域中遇到障碍物时的标准相关数据，并将标准相关数据存入数据库；
标准相关数据包括：无人船在典型海域中每次遇到障碍物时的位置信息、典型海域中所遇到的障碍物位置信息、对应的与典型海域中障碍物的距离Sa和典型海域中对应障碍物的体积Da。
103、根据数据库，利用最小二乘SVM算法，计算得到完整样本库；
反复的在标准相关数据中，随机取出部分标准相关数据；
将每次取出部分标准相关数据代入最小二乘SVM算法，从而形成对应样本空间；
从专用数据库中读取每个样本空间中对应的数据；
利用最小二乘SVM算法对每个样本空间中对应的数据进行决策分类，得到每个样本空间对应的样本库，包括：
形成最小二乘SVM的约束条件；
设定样本库M＝{(xi,yi)},i＝1,2,…,N,xi为输入数据，yi为输出数据；
所述形成最小二乘SVM的约束条件，通过以下计算公式实现：
Figure 338832DEST_PATH_IMAGE001
（1）
Figure 41209DEST_PATH_IMAGE002
（2）
其中：ω为权系数向量，ei为误差变量，γ为正规则化参数，
Figure 934079DEST_PATH_IMAGE003
将原始权空间的向量映射到高维特征空间，b∈R为偏差量。
用拉格朗日方法将原始问题转化为无约束优化问题，得到样本模型；
所述用拉格朗日方法将原始问题转化为无约束优化问题，具体包括：
Figure 380103DEST_PATH_IMAGE004
（3）
Figure 917395DEST_PATH_IMAGE005
（4）
其中，
Figure 587411DEST_PATH_IMAGE006
为拉格朗日因子，
Figure 905260DEST_PATH_IMAGE007
；
当满足下列式子时，可用KKT条件对算法进行优化：
Figure 76347DEST_PATH_IMAGE008
（5）
Figure 796041DEST_PATH_IMAGE009
（6）
Figure 902537DEST_PATH_IMAGE010
（7）
其中，p和q分别为等式约束和不等式约束的数量；
当KKT条件满足后，可对上述算法进行优化：
Figure 707682DEST_PATH_IMAGE011
（8）
Figure 167614DEST_PATH_IMAGE012
（9）
Figure 804131DEST_PATH_IMAGE013
（10）
Figure 19212DEST_PATH_IMAGE014
（11）
由样本模型构成样本库，所述样本模型表达式为：
Figure 734490DEST_PATH_IMAGE015
（12）
Figure 326008DEST_PATH_IMAGE016
（13）
所有的样本库构成完整样本库。
104、当标准无人船在实际海域中航行时，搜集标准无人船遇到障碍物的实际相关数据；
实际相关数据包括：无人船在实际海域中每次遇到障碍物时的位置信息、实际海域中所遇到的障碍物位置信息、对应的与实际海域中障碍物的距离S1和实际海域中对应障碍物的体积D2。
当标准无人船在实际海域中航行时，根据北斗卫星导航系统规划出最短路程；
在最短路程中，当标准无人船遇到障碍物时，通过卫星导航系统和光电/雷达系统搜集实际相关数据。
105、将实际相关数据与完整样本库中数据进行对比，得到对应的实际样本类型。
106、根据所述实际样本类型规划标准无人船路径；
根据实际样本类型，在标准无人船前方规定范围内设置动态多边形避障区域；
计算出避障区域内的障碍物临界碰撞速度或临界碰撞航向；
根据临界碰撞速度或临界碰撞航向，驱动标准无人船的执行程序；
所述执行程序发送信号至标准无人船的机泵桨，从而改变标准无人船的航速或航向。
本发明的有益效果在于：①首次将SVM算法应用于无人船的路径规划中，所需样本量小，实时环境样本与分类模型匹配成功率较高，且计算速度较快。②北斗卫星导航系统提供的坐标与算法结合可减小个别误差较大点对定位的影响力，也大大提高了定位的稳定性。③基于光电/雷达系统的目标检测识别技术可以有效检测周围障碍物并减少海上的干扰因子。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的实际技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (9)

1.一种基于SVM算法的无人船路径规划方法，其特征在于，包括以下步骤：
构建标准无人船，并将标准无人船放入典型海域中航行；
搜集标准无人船在典型海域中遇到障碍物时的标准相关数据，并将标准相关数据存入数据库；
根据数据库，利用最小二乘SVM算法，计算得到完整样本库；
当标准无人船在实际海域中航行时，搜集标准无人船遇到障碍物的实际相关数据；
将实际相关数据与完整样本库中数据进行对比，得到对应的实际样本类型；
根据所述实际样本类型规划标准无人船路径。
2.根据权利要求1所述的基于SVM算法的无人船路径规划方法，其特征在于，所述构建标准无人船，具体包括：
将光电/雷达系统安装在标准无人船上，所述光电/雷达系统用于识别所遇到障碍物与标准无人船的距离S和障碍物的体积D；
将北斗卫星导航系统安装在标准无人船上，所述北斗卫星导航系统用于识别标准无人船和障碍物的位置信息。
3.根据权利要求2所述的基于SVM算法的无人船路径规划方法，其特征在于，所述标准相关数据包括：无人船在典型海域中每次遇到障碍物时的位置信息、典型海域中所遇到的障碍物位置信息、对应的与典型海域中障碍物的距离Sa和典型海域中对应障碍物的体积Da；
所述实际相关数据包括：无人船在实际海域中每次遇到障碍物时的位置信息、实际海域中所遇到的障碍物位置信息、对应的与实际海域中障碍物的距离S1和实际海域中对应障碍物的体积D2。
4.根据权利要求3所述的基于SVM算法的无人船路径规划方法，其特征在于，所述根据数据库，利用最小二乘SVM算法，计算得到完整样本库， 具体包括：
反复的在标准相关数据中，随机取出部分标准相关数据；
将每次取出部分标准相关数据代入最小二乘SVM算法，从而形成对应样本空间；
从专用数据库中读取每个样本空间中对应的数据；
利用最小二乘SVM算法对每个样本空间中对应的数据进行决策分类，得到每个样本空间对应的样本库；
所有的样本库构成完整样本库。
5.根据权利要求4所述的基于SVM算法的无人船路径规划方法，其特征在于，所述当标准无人船在实际海域中航行时，搜集标准无人船遇到障碍物的实际相关数据，具体包括：
当标准无人船在实际海域中航行时，根据北斗卫星导航系统规划出最短路程；
在最短路程中，当标准无人船遇到障碍物时，通过卫星导航系统和光电/雷达系统搜集实际相关数据；
所述根据实际样本类型规划标准无人船路径，具体包括：
根据实际样本类型，在标准无人船前方规定范围内设置动态多边形避障区域；
计算出避障区域内的障碍物临界碰撞速度或临界碰撞航向；
根据临界碰撞速度或临界碰撞航向，驱动标准无人船的执行程序；
所述执行程序发送信号至标准无人船的机泵桨，从而改变标准无人船的航速或航向。
6.根据权利要求4所述的基于SVM算法的无人船路径规划方法，其特征在于，所述利用最小二乘SVM算法对每个样本空间中对应的数据进行决策分类，得到每个样本空间对应的样本库，具体包括：
形成最小二乘SVM的约束条件；
用拉格朗日方法将原始问题转化为无约束优化问题，得到样本模型；
由样本模型构成样本库。
7.根据权利要求6所述的基于SVM算法的无人船路径规划方法，其特征在于，设定样本库
Figure 104345DEST_PATH_IMAGE001
，i＝1,2,…,N，
Figure 338755DEST_PATH_IMAGE002
为输入数据，
Figure 6497DEST_PATH_IMAGE003
为输出数据；
所述形成最小二乘SVM的约束条件，通过以下计算公式实现：
Figure 409796DEST_PATH_IMAGE004
（1）
Figure 606423DEST_PATH_IMAGE005
（2）
其中：w为权系数向量，ei为误差变量，γ为正规则化参数，
Figure 95173DEST_PATH_IMAGE006
将原始权空间的向量映射到高维特征空间，b∈R为偏差量。
8.根据权利要求7所述的基于SVM算法的无人船路径规划方法，其特征在于，所述用拉格朗日方法将原始问题转化为无约束优化问题，具体包括：
Figure DEST_PATH_IMAGE007
（3）
Figure DEST_PATH_IMAGE008
（4）
其中，
Figure DEST_PATH_IMAGE009
为拉格朗日因子，
Figure DEST_PATH_IMAGE010
；
当满足下列式子时，可用KKT条件对算法进行优化：
Figure DEST_PATH_IMAGE011
（5）
Figure DEST_PATH_IMAGE012
（6）
Figure 674927DEST_PATH_IMAGE007
（7）
其中，p和q分别为等式约束和不等式约束的数量；
当KKT条件满足后，可对上述算法进行优化：
Figure DEST_PATH_IMAGE013
（8）
Figure DEST_PATH_IMAGE014
（9）
Figure DEST_PATH_IMAGE015
（10）
Figure DEST_PATH_IMAGE016
（11）。
9.根据权利要求8所述的基于SVM算法的无人船路径规划方法，其特征在于，所述样本模型表达式为：
Figure DEST_PATH_IMAGE017
（12）
Figure DEST_PATH_IMAGE018
（13）。
CN201710431960.7A 2017-06-09 2017-06-09 基于svm算法的无人船路径规划方法 Active CN107289939B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710431960.7A CN107289939B (zh) 2017-06-09 2017-06-09 基于svm算法的无人船路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710431960.7A CN107289939B (zh) 2017-06-09 2017-06-09 基于svm算法的无人船路径规划方法

Publications (2)

Publication Number Publication Date
CN107289939A CN107289939A (zh) 2017-10-24
CN107289939B true CN107289939B (zh) 2020-08-25

Family

ID=60096296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710431960.7A Active CN107289939B (zh) 2017-06-09 2017-06-09 基于svm算法的无人船路径规划方法

Country Status (1)

Country Link
CN (1) CN107289939B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108694482B (zh) * 2018-07-27 2022-01-14 西南石油大学 基于分形理论与改进的最小二乘支持向量机潮汐流速预测方法
CN108981716B (zh) * 2018-08-22 2020-06-16 集美大学 一种适用于内陆和近海无人船的路径规划方法
CN109374004B (zh) * 2018-11-12 2020-07-03 智慧航海（青岛）科技有限公司 一种基于ia*算法的智能无人船舶路径规划方法
CN109657863B (zh) * 2018-12-20 2021-06-25 智慧航海（青岛）科技有限公司 一种基于萤火虫算法的无人船全局路径动态优化方法
CN109799817B (zh) * 2019-01-15 2021-12-14 智慧航海（青岛）科技有限公司 一种基于光反射特性的无人船全局路径规划方法
CN110727278A (zh) * 2019-09-04 2020-01-24 云南电网有限责任公司曲靖供电局 巡检机器人路线控制方法、装置、存储介质及巡检机器人
CN111145595B (zh) * 2020-02-20 2021-06-25 智慧航海（青岛）科技有限公司 基于投影寻踪法的自主驾驶船舶重点避让船舶的确认方法
CN111693061A (zh) * 2020-06-18 2020-09-22 成都信息工程大学 一种动态路径规划中路径选择的方法
CN111829524B (zh) * 2020-07-16 2022-04-01 上海船舶研究设计院（中国船舶工业集团公司第六0四研究院） 航行任务规划方法、装置及电子设备
CN111985534A (zh) * 2020-07-17 2020-11-24 东南大学 基于字典学习与lssvm的电压暂降源辨识方法
CN112486186B (zh) * 2020-12-14 2022-09-16 浙江嘉蓝海洋电子有限公司 一种基于贝叶斯多特征融合的无人水面艇自主航行方法
CN112287468B (zh) * 2020-12-29 2021-03-26 北京海兰信数据科技股份有限公司 一种船舶碰撞危险度判别方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103744428A (zh) * 2014-01-17 2014-04-23 哈尔滨工程大学 一种基于邻域智能水滴算法的水面无人艇路径规划方法
CN104049639A (zh) * 2014-06-24 2014-09-17 上海大学 一种基于支持向量回归机的无人艇抗浪涌控制装置和方法
CN105676871A (zh) * 2016-01-19 2016-06-15 武汉理工大学 基于模型船的欠驱动无人船自主航行控制仿真系统及方法
CN106355194A (zh) * 2016-08-22 2017-01-25 广东华中科技大学工业技术研究院 一种基于激光成像雷达的无人艇水面目标处理方法
CN106705975A (zh) * 2017-01-11 2017-05-24 江苏科技大学 一种基于万有引力搜索的水面无人艇航路规划方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9436187B2 (en) * 2015-01-15 2016-09-06 The United States Of America As Represented By The Secretary Of The Navy System and method for decentralized, multi-agent unmanned vehicle navigation and formation control
US10019006B2 (en) * 2015-04-08 2018-07-10 University Of Maryland, College Park Surface vehicle trajectory planning systems, devices, and methods

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103744428A (zh) * 2014-01-17 2014-04-23 哈尔滨工程大学 一种基于邻域智能水滴算法的水面无人艇路径规划方法
CN104049639A (zh) * 2014-06-24 2014-09-17 上海大学 一种基于支持向量回归机的无人艇抗浪涌控制装置和方法
CN105676871A (zh) * 2016-01-19 2016-06-15 武汉理工大学 基于模型船的欠驱动无人船自主航行控制仿真系统及方法
CN106355194A (zh) * 2016-08-22 2017-01-25 广东华中科技大学工业技术研究院 一种基于激光成像雷达的无人艇水面目标处理方法
CN106705975A (zh) * 2017-01-11 2017-05-24 江苏科技大学 一种基于万有引力搜索的水面无人艇航路规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Path planning algorithm for unmanned surface vehicle formations in a practical maritime environment;Liu, Yuanchang,etc;《Ocean Engineering》;20150315;第97卷;第126-144页 *
The angle guidance path planning algorithms for unmanned surface vehicle formations by using the fast marching method;Liu, Yuanchang,etc;《Applied Ocean Research》;20160930;第59卷;第327-344页 *
无人水面艇路径规划;苏金涛;《指挥控制与仿真》;20151231;第37卷(第6期);第36-40页 *
水面无人艇路径规划研究综述;陈华，等;《世界海运》;20151115(第245期);第30-32页 *

Also Published As

Publication number Publication date
CN107289939A (zh) 2017-10-24

Similar Documents

Publication Publication Date Title
CN107289939B (zh) 基于svm算法的无人船路径规划方法
Chen et al. Path planning and obstacle avoiding of the USV based on improved ACO-APF hybrid algorithm with adaptive early-warning
Polvara et al. Obstacle avoidance approaches for autonomous navigation of unmanned surface vehicles
Suresh et al. Active SLAM using 3D submap saliency for underwater volumetric exploration
Guth et al. Underwater SLAM: Challenges, state of the art, algorithms and a new biologically-inspired approach
Tinchev et al. Learning to see the wood for the trees: Deep laser localization in urban and natural environments on a CPU
CN107037809A (zh) 一种基于改进蚁群算法的无人艇避碰方法
Lan et al. Improved RRT algorithms to solve path planning of multi-glider in time-varying ocean currents
KR20220129218A (ko) 장애물에 관한 비행 상황을 인지하여 무인 이동체의 속도 제어 방법 및 무인 이동체
Ji-Yong et al. Design and vision based autonomous capture of sea organism with absorptive type remotely operated vehicle
Alves et al. Localization and navigation of a mobile robot in an office-like environment
Ma et al. A review of terrain aided navigation for underwater vehicles
Fodrea et al. Obstacle avoidance control for the REMUS autonomous underwater vehicle
Choi et al. Hybrid map-based SLAM with Rao-Blackwellized particle filters
Wu et al. Infrastructure-free global localization in repetitive environments: An overview
Wang et al. Research on autonomous planning method based on improved quantum Particle Swarm Optimization for Autonomous Underwater Vehicle
Teng et al. Robust bathymetric SLAM algorithm considering invalid loop closures
McGuire et al. Optimal maneuvering for autonomous vehicle self-localization
Cao et al. An end-to-end localizer for long-term topological localization in large-scale changing environments
CN113703443B (zh) 一种不依赖gnss的无人车自主定位与环境探索方法
Wang et al. SRM: An efficient framework for autonomous robotic exploration in indoor environments
Tukan et al. Orbslam3-enhanced autonomous toy drones: Pioneering indoor exploration
Garberoglio et al. Coordinated asv-uav control for marine collision-free navigation
Gan et al. 3d path planning for a rotary wing uav using a gaussian process occupancy map
Taipalmaa et al. On automatic person-in-water detection for marine search and rescue operations

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
GR01 Patent grant
GR01 Patent grant