CN107422734B - 基于混沌反向花授粉算法的机器人路径规划方法 - Google Patents
基于混沌反向花授粉算法的机器人路径规划方法 Download PDFInfo
- Publication number
- CN107422734B CN107422734B CN201710627865.4A CN201710627865A CN107422734B CN 107422734 B CN107422734 B CN 107422734B CN 201710627865 A CN201710627865 A CN 201710627865A CN 107422734 B CN107422734 B CN 107422734B
- Authority
- CN
- China
- Prior art keywords
- path
- population
- robot
- map
- path planning
- 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
- 230000000739 chaotic effect Effects 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000010152 pollination Effects 0.000 title claims abstract description 18
- 230000010154 cross-pollination Effects 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000010153 self-pollination Effects 0.000 abstract description 2
- 230000002068 genetic effect Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 235000012055 fruits and vegetables Nutrition 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Images
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
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于混沌反向花授粉算法的机器人路径规划方法。本发明使用关键节点表示机器人的路径，利用混沌反向花授粉算法优化机器人路径的关键节点。在混沌反向花授粉算法中，引入具有Lorenz混沌权重的反向学习策略，并且将Lorenz混沌序列融入交叉授粉操作和自花授粉操作，增强花授粉算法的全局搜索能力，提高解的质量。本发明能够提高机器人路径规划的效率。
Description
技术领域
本发明涉及机器人路径规划领域，尤其是涉及一种基于混沌反向花授粉算法的机器人路径规划方法。
背景技术
随着科学技术的飞速发展，机器人已广泛应用于制造业，并且在建筑、搜救、安全、水下探索、医学、军事、交通、物流、服务等领域的应用也日益深入，比如水下机器人、排爆机器人、扫地机器人等等。相当多种类的机器人需要具备自主移动的能力，以便在工作环境中，独立完成任务，比如家用清洁机器人、战斗机器人、水下机器人等，不妨称其为自主移动机器人。自主移动机器人要在环境中完成任务，就必须具备路径规划能力，这是其自主行动的必要条件。换言之，路径规划是自主移动机器人的关键技术之一。
机器人路径规划是指机器人根据自身传感器对环境的感知，在满足一定的约束条件下，自行规划出一条从出发点到终止点的最优或次优路线。可以将路径规划视为带约束条件的复杂优化问题。现有的路径规划已有多种的确定性方法，比如自由空间法、图搜索法等。但是当机器人路径规划的场景比较复杂，或路径规划的范围比较大的时候，此类确定性方法耗费的时间较长，无法为机器人及时有效的规划路径。
演化算法作为智能仿生算法，在解决规模较大的优化问题时，与确定性方法相比有其独特优势，如适应性强，计算量可控，实时性好。因此，演化算法已被广泛应用于机器人路径规划问题。例如：蒲兴成等针对移动机器人遍历多个目标点的路径规划问题，利用具有快速收敛性的粒子群算法，提出了一种基于改进粒子群算法和蚁群算法相结合的路径规划新方法(蒲兴成,李俊杰,吴慧超,张毅.基于改进粒子群算法的移动机器人多目标点路径规划.智能系统学报,2017,12(6):1-8)；熊琼等人设计实现了果蔬采摘机器人，采用遗传算法规划路径，在复杂的采摘环境中测试成功(熊琼,葛蓁,刘志刚.基于遗传算法和EDA技术的果蔬采摘机器人设计.农机化研究,2016,(8):214-217,241)；陈瑶等人结合Dijkstra算法与模拟退火算法，为变电站智能巡检机器人规划路径，方法可行高效(陈瑶,陈阿莲,李向东,陈伟.变电站智能巡检机器人全局路径规划设计.山东科学,2015,28(1):114-119)；王锐等利用拓扑特征，简化地图，结合遗传算法，实现巡检机器人的路径规划(王锐等.基于遗传算法的变电站巡检机器人任务路径规划方法研究.计算机测量与控制,2017,25(4):153-153,166)；李晓静和余东满针对三维空间，改进蚁群算法，设计了用于煤炭勘探及救援机器人的路径规划方法(李晓静,余东满.煤炭勘探及救援机器人最优路径规划研究.工矿自动化,2017,43(3):24-29)。
基于当前研究成果，演化算法已经广泛应用于解决机器人路径规划问题。花授粉算法是一种模拟自然界中花授粉过程的新型演化算法，也可用于求解机器人路径规划问题。但传统花授粉算法在求解机器人路径规划问题时容易陷入局部最优，路径规划效率不高。
发明内容
本发明的目的是提供一种基于混沌反向花授粉算法的机器人路径规划方法，它克服了传统花授粉算法在求解机器人路径规划问题时容易陷入局部最优，路径规划效率不高的缺点，还能够提高机器人路径规划的效率。
本发明的技术方案：一种基于混沌反向花授粉算法的机器人路径规划方法，包括以下步骤：
步骤1，对机器人路径规划区域的环境进行建模，得到路径规划区域的地图，然后对地图进行栅格化；
步骤2，用户初始化参数，所述初始化参数包括路径的关键节点数量D，种群大小NP，交叉授粉率Pcr，反向学习率Pmu，缩放因子F；
步骤3，输入机器人路径规划的起始点坐标及终止点坐标；
步骤4，在[0,1]区间内随机产生三个实数ra，rb和rc；
步骤5，令Lorenz混沌映射变量LA＝ra，LB＝rb和LC＝rc；
步骤6，令当前演化代数t＝0；
步骤7，随机生成初始种群
其中，
是种群Pt中的第i个个体，其存储路径D个关键节点的横坐标及纵坐标，
表示的第j维，个体下标i＝1,2,...,NP，维度下标j＝1,2,...,2×D；
步骤8，计算种群Pt中每个个体的适应值；
步骤9，保存种群Pt中的最优个体Bestt；
步骤10，令计数器ki＝1，然后令候选种群PUt为空集；
步骤11，在[1,NP]区间内随机产生两个不等于ki的正整数rx及ry，且rx不等于ry；
步骤12，令计数器mj＝1；
步骤13，利用Lorenz混沌映射，按公式(1)计算波动量dA，dB和dC；
步骤14，按公式(2)计算搜索扰动算子A，权重扰动算子B和辅助变量C；
步骤15，随机产生服从Levy分布的一个实数L；
步骤16，在区间[0,1]内随机产生两个实数ε和Rse；
步骤17，按公式(3)计算候选个体
的第mj维
其中，w为反向学习策略的Lorenz混沌权重，sin为正弦函数，HF为反向学习项，HC为差分项；
步骤18，获取
对应的关键节点的坐标UPT，如果坐标UPT所在地图中的位置标记有障碍或者坐标UPT不在地图范围内，则随机产生的值，直到
的值对应的关键节点坐标在地图中且没有标记障碍物；
步骤19，令LA＝A，并令LB＝B，然后令LC＝C；
步骤20，令mj＝mj+1；
步骤21，如果mj大于2×D，则转至步骤22，否则转至步骤13；
步骤22，对候选个体
做局部搜索，具体步骤如下：
步骤22.1，将候选个体
解码成一条路径，然后在该路径中，随机选取一个非起始点、终止点的关键节点KP1，该点在该路径上的相邻两点记为KP0和KP2，取KP0和KP2的中点坐标，记为NewP；
步骤22.2，令计数器nl＝1；
步骤22.3，如果NewP在地图上标记为障碍，则转至步骤22.4，否则转至步骤22.5；
步骤22.4，在地图上随机产生一个坐标TempP，直到TempP在地图上对应位置不是障碍，然后令NewP＝TempP；
步骤22.5，如果从KP0经过NewP到KP2的路径比从KP0经过KP1到KP2的路径更优，则转至步骤22.6，否则转至步骤22.7；
步骤22.6，令KP1＝NewP，并更新个体
然后转至步骤23；
步骤22.7，令nl＝nl+1；
步骤22.8，如果nl大于300，则转至步骤23，否则转至步骤22.4；
步骤23，计算候选个体
的适应值；
步骤24，将候选个体加入到候选种群PUt中；
步骤25，令ki＝ki+1；
步骤26，如果ki大于NP则转至步骤27，否则转至步骤11；
步骤27，从当前种群Pt与候选种群PUt中选择出下一代种群Pt+1；
步骤28，保存种群Pt中的最优个体Bestt；
步骤29，令t＝t+1；
步骤30，如果算法运行满足终止条件，则转至步骤31，否则转至步骤10；
步骤31，将最优个体Bestt解码为D个关键节点坐标，得到机器人的规划路径。
本发明公开了一种基于混沌反向花授粉算法的机器人路径规划方法。本发明使用关键节点表示机器人的路径，利用混沌反向花授粉算法优化机器人路径的关键节点。在混沌反向花授粉算法中，引入具有Lorenz混沌权重的反向学习策略，并且将Lorenz混沌序列融入交叉授粉操作和自花授粉操作，增强花授粉算法的全局搜索能力，提高解的质量。本发明能够提高机器人路径规划的效率。
附图说明
图1为本发明的流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
步骤1，对机器人路径规划区域的环境进行建模，得到路径规划区域的地图，然后对地图进行栅格化；
步骤2，用户初始化参数，所述初始化参数包括路径的关键节点数量D＝8，种群大小NP＝30，杂交率Pcr＝0.3，变异率Pmu＝0.2，缩放因子F＝0.5；
步骤3，输入机器人路径规划的起始点坐标及终止点坐标；
步骤4，在[0,1]区间内随机产生三个实数ra，rb和rc；
步骤5，令Lorenz混沌映射变量LA＝ra，LB＝rb和LC＝rc；
步骤6，令当前演化代数t＝0；
步骤7，随机生成初始种群
其中，
是种群Pt中的第i个个体，其存储路径8个关键节点的横坐标及纵坐标，
表示
的第j维，个体下标i＝1,2,...,NP，维度下标j＝1,2,...,2×D；
步骤8，计算种群Pt中每个个体的适应值；
步骤9，保存种群Pt中的最优个体Bestt；
步骤10，令计数器ki＝1，然后令候选种群PUt为空集；
步骤11，在[1,NP]区间内随机产生两个不等于ki的正整数rx及ry，且rx不等于ry；
步骤12，令计数器mj＝1；
步骤13，利用Lorenz混沌映射，按公式(1)计算波动量dA，dB和dC；
步骤14，按公式(2)计算搜索扰动算子A，权重扰动算子B和辅助变量C；
步骤15，随机产生服从Levy分布的一个实数L；
步骤16，在区间[0,1]内随机产生两个实数ε和Rse；
步骤17，按公式(3)计算候选个体
的第mj维
其中，w为反向学习策略的Lorenz混沌权重，sin为正弦函数，HF为反向学习项，HC为差分项；
步骤18，获取
对应的关键节点的坐标UPT，如果坐标UPT所在地图中的位置标记有障碍或者坐标UPT不在地图范围内，则随机产生的值，直到
的值对应的关键节点坐标在地图中且没有标记障碍物；
步骤19，令LA＝A，并令LB＝B，然后令LC＝C；
步骤20，令mj＝mj+1；
步骤21，如果mj大于2×D，则转至步骤22，否则转至步骤13；
步骤22，对候选个体做局部搜索，具体步骤如下：
步骤22.1，将候选个体
解码成一条路径，然后在该路径中，随机选取一个非起始点、终止点的关键节点KP1，该点在该路径上的相邻两点记为KP0和KP2，取KP0和KP2的中点坐标，记为NewP；
步骤22.2，令计数器nl＝1；
步骤22.3，如果NewP在地图上标记为障碍，则转至步骤22.4，否则转至步骤22.5；
步骤22.4，在地图上随机产生一个坐标TempP，直到TempP在地图上对应位置不是障碍，然后令NewP＝TempP；
步骤22.5，如果从KP0经过NewP到KP2的路径比从KP0经过KP1到KP2的路径更优，则转至步骤22.6，否则转至步骤22.7；
步骤22.6，令KP1＝NewP，并更新个体
然后转至步骤23；
步骤22.7，令nl＝nl+1；
步骤22.8，如果nl大于300，则转至步骤23，否则转至步骤22.4；
步骤23，计算候选个体
的适应值；
步骤24，将候选个体
加入到候选种群PUt中；
步骤25，令ki＝ki+1；
步骤26，如果ki大于NP则转至步骤27，否则转至步骤11；
步骤27，从当前种群Pt与候选种群PUt中选择出下一代种群Pt+1；
步骤28，保存种群Pt中的最优个体Bestt；
步骤29，令t＝t+1；
步骤30，如果算法运行满足终止条件，则转至步骤31，否则转至步骤10；
步骤31，将最优个体Bestt解码为8个关键节点坐标，得到机器人的规划路径。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (1)
1.基于混沌反向花授粉算法的机器人路径规划方法，其特征在于，包括以下步骤：
步骤1，对机器人路径规划区域的环境进行建模，得到路径规划区域的地图，然后对地图进行栅格化；
步骤2，用户初始化参数，所述初始化参数包括路径的关键节点数量D，种群大小NP，交叉授粉率Pcr，反向学习率Pmu，缩放因子F；
步骤3，输入机器人路径规划的起始点坐标及终止点坐标；
步骤4，在[0,1]区间内随机产生三个实数ra，rb和rc；
步骤5，令Lorenz混沌映射变量LA＝ra，LB＝rb和LC＝rc；
步骤6，令当前演化代数t＝0；
步骤7，随机生成初始种群
其中，
是种群Pt中的第i个个体，其存储路径D个关键节点的横坐标及纵坐标，
表示的第j维，个体下标i＝1,2,...,NP，维度下标j＝1,2,...,2×D；
步骤8，计算种群Pt中每个个体的适应值；
步骤9，保存种群Pt中的最优个体Bestt；
步骤10，令计数器ki＝1，然后令候选种群PUt为空集；
步骤11，在[1,NP]区间内随机产生两个不等于ki的正整数rx及ry，且rx不等于ry；
步骤12，令计数器mj＝1；
步骤13，利用Lorenz混沌映射，按公式(1)计算波动量dA，dB和dC；
步骤14，按公式(2)计算搜索扰动算子A，权重扰动算子B和辅助变量C；
步骤15，随机产生服从Levy分布的一个实数L；
步骤16，在区间[0,1]内随机产生两个实数ε和Rse；
步骤17，按公式(3)计算候选个体
的第mj维
其中，w为反向学习策略的Lorenz混沌权重，sin为正弦函数，HF为反向学习项，HC为差分项；
步骤18，获取
对应的关键节点的坐标UPT，如果坐标UPT所在地图中的位置标记有障碍或者坐标UPT不在地图范围内，则随机产生
的值，直到
的值对应的关键节点坐标在地图中且没有标记障碍物；
步骤19，令LA＝A，并令LB＝B，然后令LC＝C；
步骤20，令mj＝mj+1；
步骤21，如果mj大于2×D，则转至步骤22，否则转至步骤13；
步骤22，对候选个体做局部搜索，具体步骤如下：
步骤22.1，将候选个体解码成一条路径，然后在该路径中，随机选取一个非起始点、终止点的关键节点KP1，该点在该路径上的相邻两点记为KP0和KP2，取KP0和KP2的中点坐标，记为NewP；
步骤22.2，令计数器nl＝1；
步骤22.3，如果NewP在地图上标记为障碍，则转至步骤22.4，否则转至步骤22.5；
步骤22.4，在地图上随机产生一个坐标TempP，直到TempP在地图上对应位置不是障碍，然后令NewP＝TempP；
步骤22.5，如果从KP0经过NewP到KP2的路径比从KP0经过KP1到KP2的路径更优，则转至步骤22.6，否则转至步骤22.7；
步骤22.6，令KP1＝NewP，并更新个体
然后转至步骤23；
步骤22.7，令nl＝nl+1；
步骤22.8，如果nl大于300，则转至步骤23，否则转至步骤22.4；
步骤23，计算候选个体
的适应值；
步骤24，将候选个体
加入到候选种群PUt中；
步骤25，令ki＝ki+1；
步骤26，如果ki大于NP则转至步骤27，否则转至步骤11；
步骤27，从当前种群Pt与候选种群PUt中选择出下一代种群Pt+1；
步骤28，保存种群Pt中的最优个体Bestt；
步骤29，令t＝t+1；
步骤30，如果算法运行满足终止条件，则转至步骤31，否则转至步骤10；
步骤31，将最优个体Bestt解码为D个关键节点坐标，得到机器人的规划路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710627865.4A CN107422734B (zh) | 2017-07-28 | 2017-07-28 | 基于混沌反向花授粉算法的机器人路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710627865.4A CN107422734B (zh) | 2017-07-28 | 2017-07-28 | 基于混沌反向花授粉算法的机器人路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107422734A CN107422734A (zh) | 2017-12-01 |
| CN107422734B true CN107422734B (zh) | 2020-01-10 |
Family
ID=60431448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710627865.4A Active CN107422734B (zh) | 2017-07-28 | 2017-07-28 | 基于混沌反向花授粉算法的机器人路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107422734B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109087312B (zh) * | 2018-07-25 | 2022-04-26 | 深圳高科新农技术有限公司 | 一种无人机航线自动规划方法和系统 |
| CN112000115B (zh) * | 2020-09-15 | 2022-11-01 | 湖南文理学院 | 一种自主式水下机器人的路径规划方法及相关设备 |
| CN112834985A (zh) * | 2020-12-30 | 2021-05-25 | 吉林化工学院 | 基于反向学习自适应花授粉的可见光定位方法及系统 |
| CN117901122B (zh) * | 2024-03-19 | 2024-05-17 | 成都信息工程大学 | 基于Logistic-Tent混沌映射Levenberg Marquardt的机器人定位方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485314A (zh) * | 2016-09-21 | 2017-03-08 | 常熟理工学院 | 一种基于自适应高斯变异的花朵授粉算法的优化方法 |
| CN106504030A (zh) * | 2016-11-10 | 2017-03-15 | 重庆医药数据信息科技有限公司 | 基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法 |
-
2017
- 2017-07-28 CN CN201710627865.4A patent/CN107422734B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107422734A (zh) | 2017-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tan et al. | A comprehensive review of coverage path planning in robotics using classical and heuristic algorithms | |
| CN107422734B (zh) | 基于混沌反向花授粉算法的机器人路径规划方法 | |
| Jun et al. | Multi-objective mobile robot path planning based on improved genetic algorithm | |
| CN102929286B (zh) | 一种行星表面全局路径快速规划方法 | |
| Mohanty et al. | A new efficient optimal path planner for mobile robot based on Invasive Weed Optimization algorithm | |
| Adeli et al. | Path planning for mobile robots using iterative artificial potential field method | |
| Lei et al. | Improved genetic algorithms based path planning of mobile robot under dynamic unknown environment | |
| CN103383569A (zh) | 基于线性时序逻辑的移动机器人最优巡回路径设定方法 | |
| Tsiogkas et al. | Efficient multi-AUV cooperation using semantic knowledge representation for underwater archaeology missions | |
| Ab Rashid | A hybrid Ant-Wolf Algorithm to optimize assembly sequence planning problem | |
| Zhang et al. | Path planning based quadtree representation for mobile robot using hybrid-simulated annealing and ant colony optimization algorithm | |
| Geetha et al. | Multi objective mobile robot path planning based on hybrid algorithm | |
| Pathak et al. | Traveling salesman problem using bee colony with SPV | |
| Zhao et al. | A fast robot path planning algorithm based on bidirectional associative learning | |
| Hawari et al. | Industry 4.0 with intelligent manufacturing 5G mobile robot based on genetic algorithm | |
| BAYGIN et al. | PSO based path planning approach for multi service robots in dynamic environments | |
| Garip et al. | Path planning for multiple mobile robots in static environment using hybrid algorithm | |
| Bai et al. | Research of environmental modeling method of coal mine rescue snake robot based on information fusion | |
| Han et al. | Path planning of mobile robot based on improved ant colony algorithm | |
| CN107390690A (zh) | 融合混沌和精英反向学习的机器人路径规划方法 | |
| Xu et al. | Trajectory planning of Unmanned Aerial Vehicle based on A* algorithm | |
| Sedhumadhavan et al. | An analysis of path planning for autonomous motorized robots | |
| Botao et al. | A expected-time optimal path planning method for robot target search in uncertain environments | |
| Xun et al. | Ant colony based on cat swarm optimization and application in picking robot path planning | |
| Mansfield et al. | Energy-Efficient Team Orienteering Problem in the Presence of Time-Varying Ocean Currents |
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 |