CN107992051A - 基于改进的多目标粒子群算法的无人车路径规划方法 - Google Patents
基于改进的多目标粒子群算法的无人车路径规划方法 Download PDFInfo
- Publication number
- CN107992051A CN107992051A CN201711427582.1A CN201711427582A CN107992051A CN 107992051 A CN107992051 A CN 107992051A CN 201711427582 A CN201711427582 A CN 201711427582A CN 107992051 A CN107992051 A CN 107992051A
- Authority
- CN
- China
- Prior art keywords
- particle
- particles
- unmanned vehicle
- sub
- path
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 267
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 55
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 51
- 125000004122 cyclic group Chemical group 0.000 claims description 16
- 230000035772 mutation Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004387 environmental modeling Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- NUFBIAUZAMHTSP-UHFFFAOYSA-N 3-(n-morpholino)-2-hydroxypropanesulfonic acid Chemical compound OS(=O)(=O)CC(O)CN1CCOCC1 NUFBIAUZAMHTSP-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect 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
- G05D1/0214—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
-
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于智能无人车与控制技术领域，尤其涉及一种基于改进的多目标粒子群算法的无人车路径规划方法。本发明步骤主要为：环境建模及目标函数构建、输入路径参数、初始化有效粒子的信息、目标空间分解、计算目标函数值以及粒子方向向量、利用新的适应值公式进行粒子分类更新、计算新粒子方向向量、利用全局最优和个体最优粒子的信息产生新一代粒子，接着进行循环，当达到最大迭代次数时跳出并根据最优解集规划出无人车最优路径。本发明能利用复杂环境下全局或局部位置的信息以及待定无人车的状态参数快速规划出适合此无人车行驶的最优路径。
Description
技术领域
本发明属于智能无人车与控制技术领域，尤其涉及一种基于改进的多目标粒子群算法的无人车路径规划方法。
背景技术
无人车技术在当前工业4.0时代备受关注，无论是在民用工业还是在国防军事都有着十分广泛的应用。同时随着人工智能的深入研究，无人车技术也在快速的发展与更新，随之路径规划问题在无人车技术中显得尤为重要，路径规划的主要任务是在复杂障碍物的环境下寻找一条从起点到终点的可行的、安全的路径。作为智能无人车行驶技术重要组成部分,路径规划结果的优劣直接决定着无人车的实用性及总体性能。
无人车的路径规划问题需要考虑因数众多，但在路径寻优的过程中主要涉及以下三个重要因素：首先的是路径长度，它是路径规划问题中最直接的问题；其次是路径的安全性，即与障碍物的碰撞情况；最后就是无人车驾驶路线的安全性，即路径的平滑度，如行驶中无人车转向时的角度非常大就会影响无人车的安全。虽然目前用于路径规划的环境建模方法很多，如可视图法、单元分解法、构造空间法、势力场法、栅格法等，优化方法也很多，例如：遗传算法、蚁群算法、神经网络、粒子群算法、模拟退火法等。很多方法给影响路径规划的因素分配一定的权重将其组成一个新的因素模型来作为路径规划的参考指标，但是这样不能很好的凸显每个因素的作用。由于这些因素之间充满着矛盾约束，为了能充分满足这些因素的约束，所以采用一种改进的多目标粒子群方法来解决路径优化问题具有十分重要的实际意义，而且有利于未来智能无人车控制系统的不断完善。
发明内容
本发明方法针对现有技术的不足，提出一种基于改进的多目标粒子群算法的无人车路径规划方法，实现本发明方法的技术关键是利用一种基于目标空间分解和连续变异的多目标粒子群优化方法(MOPSO/DC，Multi-objective Particle Swarm OptimizationBased on Decomposition and Continuous Mutation)来解决复杂环境下智能无人车路径规划问题，具体实现步骤包括如下：
(1)利用直角坐标系来对无人车的行驶环境进行二维空间模拟，现实环境中的障碍物用不同半径的圆形表示，无人车用点代替，将无人车整个路程的位置通过起止点用线连接起来，然后将该路程分成若干等分路段，规定无人车行驶过程中的位置点为相邻两路段的连接点，将这些点包括起始点连起来就可以得到一条路径。在本发明中，粒子x是由p1,p2,…pn组成的集合,pi为粒子x中的第i个位置点，p0和pn+1表示无人车运动的起点和终点位置，将粒子与起止位置组合成该粒子对应的路径，并将该路径表示为P＝[p0,p1,p2,…pn,pn+1]，|pipi+1|表示路段pipi+1的长度，n表示无人车行驶过程中运动点的个数；
(2)无人车最优路径的参考指标建模即目标函数的构建如下所示：
min F(x)＝(f1(x),f2(x),f3(x))
其中f1(x)就是这条路径上所有路段之和，即路径长度，f1(x)越小，表明无人车行驶路程越短；f2(x)中的θi表示粒子x对应的路径P在pi位置点处的两个相邻路段的夹角，f2(x)越小，表明相邻两个路段的夹角越大，路线越平滑；f3(x)指障碍物附近的路径上位置点集合Q中的点与障碍物圆心距离的倒数之和，值越小表明无人车与障碍物发生碰撞的可能性越小，其中无人车的行驶路径上距离第t个障碍物圆心Rt最近的位置点为q，以圆心Rt为起点，在Rtq两侧作两条射线与无人车路径相交，Rtq两侧的射线与其夹角都是两射线之间的路径上的点集合记为Q，当集合Q中的点的个数大于9时，保留离圆心最近的9个位置点，其余的从Q中删除,g为集合Q中位置点的个数，s为障碍物的个数，||Qk-Rt||指Q中第k个位置点Qk到第t个障碍物圆心Rt的距离；
(3)初始化2N个粒子的位置，这些粒子的位置集合记为POP，初始化N个速度，这些速度集合记为V，设目标函数的个数为m、当前迭代次数为t、障碍物的个数s，初始化最大迭代次数gmax、粒子位置在x轴方向约束的范围xmin和xmax、y轴方向的约束范围ymin和ymax、每个子区域容量Vol∈[1,3]、邻域个数T以及子区域数目M；
(4)进行目标空间分解操作：把目标空间Y分成M个子区域Y1,Y2,…,YM。令j∈{1,2…M}，对任一给定的第j个子区域，每个目标函数在所有目标函数中所占有的权重ai(i＝1,2…m，且)所组成的向量(a1,a2…am)定义为该子区域的中心向量Aj。当目标函数个数m＝2时，则第j子区域的中心向量Aj表示为当m＝3时，进行两层循环，令k1为第1层(外层)循环变量，k2为第2层(内层)循环变量，k1从0取到h，k2从0取到h-k1，每次循环其中h和M满足以下关系：h取满足时的最小值，则第u个子区域的中心向量为当m>3时，进行m-1层循环，k1为第一层循环变量(最外层)，依次由外向内，令ki为第i层循环变量，km-1为第m-1层(最内层)循环变量,k1从0取到h，k2从0取到h-k1，ki从0取到h-k1-k2-...-ki-1，最里层循环变量km-1从0取到h-k1-k2-...-km-2。每次循环令下标
其中参数h、m和子区数M满足以下关系：h取满足时的最小值，则第u个子区域的中心向量为当m≥3时，一共产生个中心向量，这些向量的下标为若则从下标u＝2开始，以为步长依次删除个下标对应的中心向量，然后将剩下的M个中心向量依次作为Aj，j＝1,2,…,M。通过每个子区域的中心向量找出该子区域的T个相邻的子区域,参考指标为两个中心向量的余弦值；
(5)计算粒子群POP中每个粒子目标函数值时，将每个粒子的位置和无人车起止点的位置组合,形成该粒子相对应的路径。计算该粒子对应路径的各目标函数值即各最优路径的参考指标，然后将其作为该粒子的目标函数值，接着确定参考点R，用于计算每个粒子的方向向量，本发明方法中令参考点为原点O；
(6)进行粒子的分类与更新操作，接着将当前所有子区域的粒子位置信息存入集合EPOP中，并计算新粒子的方向向量，清空POP备用；
(7)gbest的选择：产生[0,1]之间的随机数rd1,当rd1大于阈值0.8时，随机从EPOP集合中选择一个粒子作为当前粒子的gbest；否则，在该粒子所在区域的邻域内操作：首先计算该粒子邻域中每个子区域的中心向量和该子区域中粒子方向向量的余弦值，然后选出余弦值最大的子区域中的粒子作为当前粒子的gbest。由于过多的使用变异会让算法变得更加随机，降低了算法的效率，所以产生[0,1]之间的随机数rd2,当rd2小于阈值0.6时，对选出的引导粒子位置进行连续变异操作，否则，不对gbest进行变异操作；
(8)pbest的选择：产生[0,1]之间的随机数rd3，当rd3大于阈值0.8时，随机从EPOP集合中选择一个粒子；否则，从该粒子的所在区域的邻域中随机选择一个粒子。让当前粒子和这个随机选出的粒子进行比较，选出支配权优先的作为当前粒子的pbest；
(9)通过上述选出的gbest和pbest，根据粒子速度和位置更新公式产生下一代新的粒子群体，若新的粒子位置超出相应的约束范围，就令新粒子的该位置为边界值。所有新粒子的位置集合记为NPOP，下一代新的速度集合重新覆盖集合V，公式如下：
其中k指粒子群中第k个粒子，t为当前迭代次数，W为权衡局部搜索和全局搜索的参数，W∈[0.1,0.9]，C1和C2为学习因子，其大小都为2，R1和R2都是[0，1]之间的随机数，P指当前粒子最好位置pbest，G指引导粒子gbest的位置，指在第t次迭代中第k个粒子的速度，指在第t次迭代中第k个粒子的位置；
(10)如果t＞gmax，则循环结束，输出EPOP作为最优解集，否则把NPOP和EPOP合并放入POP中，然后跳转至步骤(5)继续循环；
(11)通过最优解中的粒子和起止点规划出无人车的行驶路径。
本发明具有以下优点：
(1)在给每个子区域分配粒子操作时，借鉴Pareto支配强度对适应值公式进行改进，在粒子分配的过程中增加了每个子区域粒子趋向真实Pareto前沿的能力。
(2)利用新的适应值公式对粒子进行分配操作时，对没有归属的劣质粒子进行删除，给缺少粒子的子区域重新分配新的粒子，这样起到了一定的择优的作用，也增加获得较优粒子的可能性，增加了多样性。
(3)利用差分变异、高斯变异和柯西变异对引导粒子gbest的位置进行连续变异，主要对引导粒子的引导力起到了加强的作用，其次也起到了一定信息交流的作用，增加了多样性。
(4)本发明方法同时考虑了影响无人车行驶的多个因素而不是对多个因素进行权重分配重新组合，这样更加充分凸显每个因素的作用，使最终得到的路径更加高效安全，并且本发明方法适合不同种环境，具有很好的通用性。
附图说明
图1是本发明的实现流程图；
图2是粒子的方向向量图；
图3是标准高斯分布和标准柯西分布对比图；
图4是障碍物附近位置点选取图；
图5是无人车在简单环境下路径规划图；
图6是无人车在障碍物较少的复杂环境下路径规划图；
图7是无人车在多个大小相同障碍物的环境下路径规划图；
图8是无人车在多种不同大小障碍物的环境下路径规划图。
具体实施方式
一、理论基础介绍
1.多目标优化问题
其中x＝(x1,x2,...xn)为n维决策变量，m为目标函数的个数，g(x)函数为目标函数的q个不等式约束，h(x)为目标函数的p个等式约束，所有这些满足条件的决策变量用集合Ω表示，Y＝{F(x)|x∈Ω}为目标空间。接下来是四个关于多目标问题的重要定义：
定义1.Pareto支配：解d,e∈Ω,d支配e，记为：满足下面的两个关系式：
定义2.Pareto最优：如果x是Pareto最优解，则在Ω中，使成立。
定义3.Pareto最优解集(PS)：
定义4.Pareto前沿(PF)：PF＝{F(x)│x∈PS}。
2.方向向量
令参考点为R(r1,…,rm)，其中ri＝min{fii(x)|x∈Ω},i＝1,2,…m，m为目标函数个数。例如，如图2所示，f1和f2表示两个目标函数，m＝2，则图中粒子C的方向向量为从点R(r1,r2)指向点C的向量X，X＝C-R。
3.粒子群优化
粒子群算法中每个粒子由速度和位置组成，更新公式如下：
其中k指粒子群中第k个粒子，t为当前迭代次数，W为权衡局部搜索和全局搜索的参数，W∈[0.1,0.9]，C1和C2为学习因子，其大小都为2，R1和R2都是[0，1]之间的随机数，P指当前粒子最好位置pbest，G指引导粒子gbest的位置，指在第t次迭代中第k个粒子的速度，指在第t次迭代中第k个粒子的位置。
二、基于改进的多目标粒子群算法的无人车路径规划方法详细说明
参照图1，本发明的方法具体实施过程包括以下步骤：
步骤1.利用直角坐标系来对无人车的行驶环境进行二维空间模拟，现实环境中的障碍用不同半径的圆形表示，无人车用点代替，将无人车整个路程的位置通过起止点用线连接起来，然后将该路程分成若干等分路段，规定无人车行驶过程中的位置点为相邻两路段的连接点，将这些点包括起始点连起来就可以得到一条路径。在本发明中，粒子x是由p1,p2,…pn组成的集合,pi为粒子x中的第i个位置点，p0和pn+1表示无人车运动的起点和终点位置，将粒子与起止位置组合成该粒子对应的路径，并将该路径表示为P＝[p0,p1,p2,…pn,pn+1]，|pipi+1|表示路段pipi+1的长度，n表示无人车行驶过程中运动点的个数；
步骤2.无人车最优路径的参考指标建模即目标函数的构建如下所示：
min F(x)＝(f1(x),f2(x),f3(x))
其中f1(x)就是这条路径上所有路段之和，即路径长度，f1(x)越小，表明无人车行驶路程越短；f2(x)中的θi表示粒子x对应的路径P在pi位置点处的两个相邻路段的夹角，f2(x)越小，表明相邻两个路段的夹角越大，路线越平滑；f3(x)指障碍物附近的路径上位置点集合Q中的点与障碍物圆心距离的倒数之和，值越小表明无人车与障碍物发生碰撞的可能性越小，其中无人车的行驶路径上距离第t个障碍物圆心Rt最近的位置点为q，以圆心Rt为起点，在Rtq两侧作两条射线与无人车路径相交，Rtq两侧的射线与其夹角都是两射线之间的路径上的点集合记为Q，当集合Q中的点的个数大于9时，保留离圆心最近的9个位置点，其余的从Q中删除,g为集合Q中位置点的个数，s为障碍物的个数，||Qk-Rt||指Q中第k个位置点Qk到第t个障碍物圆心Rt的距离。如图4所示，实线圆形为障碍物，q为离障碍物最近的点，曲线P为无人车行驶的路径，l1、l2为从障碍物圆心Rt发出的两条射线交路径P于pi、pj两点，pipj为两条射线间的路段，pipj路段上的位置点存储于集合Q中；
步骤3.初始化2N个粒子的位置，这些粒子的位置集合记为POP，初始化N个速度，这些速度集合记为V，设目标函数的个数为m、当前迭代次数为t、障碍物的个数s，初始化最大迭代次数gmax、粒子位置在x轴方向约束的范围xmin和xmax、y轴方向的约束范围ymin和ymax、每个子区域容量Vol∈[1,3]、邻域个数T以及子区域数目M；
步骤4.进行目标空间分解操作：把目标空间Y分成M个子区域Y1,Y2,…,YM。令j∈{1,2…M}，对任一给定的第j个子区域，每个目标函数在所有目标函数中所占有的权重ai(i＝1,2…m，且)所组成的向量(a1,a2…am)定义为该子区域的中心向量Aj。当目标函数个数m＝2时，则第j子区域的中心向量Aj表示为当m＝3时，进行两层循环，令k1为第1层(外层)循环变量，k2为第2层(内层)循环变量，k1从0取到h，k2从0取到h-k1，每次循环其中h和M满足以下关系：h取满足时的最小值，则第u个子区域的中心向量为当m>3时，进行m-1层循环，k1为第一层循环变量(最外层)，依次由外向内，令ki为第i层循环变量，km-1为第m-1层(最内层)循环变量,k1从0取到h，k2从0取到h-k1，ki从0取到h-k1-k2-...-ki-1，最里层循环变量km-1从0取到h-k1-k2-...-km-2。每次循环令下标
其中参数h、m和子区数M满足以下关系：h取满足时的最小值，则第u个子区域的中心向量为当m≥3时，一共产生个中心向量，这些向量的下标为若则从下标u＝2开始，以为步长依次删除个下标对应的中心向量，然后将剩下的M个中心向量依次作为Aj，j＝1,2,…,M。通过每个子区域的中心向量找出该子区域的T个相邻的子区域,参考指标为两个中心向量的余弦值；
步骤5.计算粒子群POP中每个粒子目标函数值时，将每个粒子的位置和无人车起止点的位置组合,形成该粒子相对应的路径，然后计算该粒子对应路径的各目标函数值即各最优路径的参考指标，然后将其作为该粒子的目标函数值，接着确定参考点R，用于计算每个粒子的方向向量，本发明方法中令参考点R为原点O，方向向量的计算参考图2；
步骤6.对粒子进行分类与更新操作，具体过程如下：
(6.1)比较粒子方向向量和所有子区域中心向量的余弦值，确定该粒子属于某个子区域；
(6.2)若有的子区域分配到的粒子数大于每个子区域的容量Vol时，则通过适应值进行取舍，适应值公式如下：
f＝a*Pi+CD
其中Pi是Pareto支配强度，其数值为当前粒子支配的粒子数，在适应值计算中加入了Pareto支配强度Pi，增强每个子区域粒子趋向真实PF的能力；参数a＝2/M，M指目标空间子区域数，该参数a表示支配强度对适应值的影响程度；CD为拥挤距离：通过每个目标函数值对粒子进行排序，序列两端粒子在当前目标函数中的拥挤距离设为5，其他粒子在当前目标函数中的拥挤距离为该粒子在序列中前后两粒子的目标函数值之差的绝对值，最后求当前粒子在每个目标函数中计算的拥挤距离之和作为当前该粒子的拥挤距离CD。计算该子区域包含的粒子的适应值，从大到小排序，选择序列中前30％的粒子，再从这些粒子中选择距离该子区域中心向量最近的Vol个粒子，多余的劣质粒子删除。
(6.3)若有的区域粒子数少于该子区域容量Vol或者没有分配到粒子时，由于情况(6.2)中已对剩下劣质的粒子进行删除，为了尽可能的保证整体的优越性，所以重新初始化该子区域所缺数目的粒子作为该区域的粒子，增加获得较优粒子的可能性，增加粒子多样性。通过新粒子和无人车起止点组成该新粒子对应的路径，然后计算该粒子对应路径目标函数值作为该粒子的目标函数值。
分类与更新操作之后，接着将当前所有子区域的粒子位置信息存入集合EPOP中，并计算新粒子的方向向量，清空POP备用；
步骤7.gbest的选择：产生[0,1]之间的随机数rd1,当rd1大于阈值0.8时，随机从EPOP集合中选择一个粒子作为当前粒子的gbest；否则，在该粒子所在区域的邻域内操作：首先计算该粒子邻域中每个子区域的中心向量和该子区域中粒子方向向量的余弦值，然后选出余弦值最大的子区域中的粒子作为当前粒子的gbest。由于过多的使用变异会让算法变得更加随机，降低了算法的效率，所以产生[0,1]之间的随机数rd2,当rd2小于阈值0.6时，对选出的引导粒子位置进行连续变异操作，操作步骤如下：
当只采用一种方法进行变异时，不能兼顾全局粒子和局部粒子的特性。本发明方法采用差分+柯西+高斯连续的变异策略。差分变异、柯西变异和高斯变异的公式分别如下：
Xdiff＝X+0.5(X1-X2)
其中X为当前引导粒子gbest的位置信息，X1和X2是从EPOP中随机选出的两个不同粒子的位置。这样在变异时可保留全局粒子的一部分性质，起到一定信息交流的作用，增加了多样性。t为当前迭代的次数，gmax为最大迭代次数，g(1)＝2,g(t+1)＝g(t)-1/gmax；c(1)＝1,c(t+1)＝c(t)-1/gmax；Xdiff、XCauchy和XGauss分别是对gbest粒子的位置进行变异操作之后产生的新粒子，然后计算该新粒子对应路径的目标函数值。每次变异后让产生的新粒子和当前的gbest进行比较，选择支配权优先的作为gbest，然后进行后续变异操作，直到三次变异结束，最终确定引导粒子gbest。
高斯变异步长较短，能很好的吸取局部粒子性质，柯西变异具有相对大的步长，能进行较大范围的变异，具有全局范围变异的特性，这样能产生全新的粒子。
下面对标准柯西分布yc和标准高斯分布yg进行对比分析，根据yc和yg的单调性和对称性，对其第一象限进行分析：
求“反函数”：求两“反函数”之差并用y同时替代yg和yc：对T进行求关于y的导数：T在上单减，在上单增；所以又因为所以T(0)>0；所以在yg和yc同时趋向于0时,即xc＞xg；所以柯西分布在X轴上覆盖的面积比高斯分布大。从图3中可直观地看出柯西分布具有较宽的变异范围，让粒子具有较大范围的变异。若rd2大于等于阈值0.6时，不对gbest进行连续变异操作；
步骤8.pbest的选择：产生[0,1]之间的随机数rd3，当rd3大于阈值0.8时，随机从EPOP集合中选择一个粒子；否则，从该粒子的所在区域的邻域中随机选择一个粒子。让当前粒子和这个随机选出的粒子进行比较，选出支配权优先的作为当前粒子的pbest；
步骤9.通过上述选出的gbest和pbest，根据粒子速度和位置更新公式产生下一代新的粒子群体，若新的粒子位置超出相应的约束范围，就令新粒子的该位置为边界值。所有新粒子的位置集合记为NPOP，下一代新的速度集合重新覆盖集合V，公式如下：
其中k指粒子群中第k个粒子，t为当前迭代次数，W为权衡局部搜索和全局搜索的参数，W∈[0.1,0.9]，C1和C2为学习因子，其大小都为2，R1和R2都是[0，1]之间的随机数，P指当前粒子最好位置pbest，G指引导粒子gbest的位置，指在第t次迭代中第k个粒子的速度，指在第t次迭代中第k个粒子的位置；
步骤10.如果t＞gmax，则循环结束，输出EPOP作为最优解集，否则把NPOP和EPOP合并放入POP中，然后跳转至步骤5继续循环；
步骤11.通过最优解中的粒子和起止点规划出无人车的行驶路径。
针对本发明，设计三种不同环境模型检验本发明的效果，如图5、图6、图7、图8所示三种环境下进行实例仿真。
实验基本参数设置：M＝1035，Vol＝1，N＝M*Vol，T＝[0.1*N]，最大循环次数gmax＝500，一共进行了20次试验。环境模型的搭建：无人车行驶过程中运动点的个数n＝100,路径上点pi的位置范围：xmin＝-1，xmax＝5，ymin＝-1，ymax＝7，图5-图8起点位置p0均为(0,0)，图5终点位置pn+1为(0,6),图6-图8终点位置pn+1为(4,6)。
图5-图8显示的是无人车在不同环境下的路径规划图，图中正方形为无人车的起点，五角星为无人车的终点。图5、6中描述的是无人车在障碍物较少环境下的路径规划，图中三个障碍物的x轴坐标依次为[1.5,4.0,1.2],y轴坐标依次为[4.5,3.0,1.5],三个障碍物的半径依次为[1.3，1.0，1.0]；图7描述的是无人车在多个大小相同障碍物的环境下路径规划图，图中障碍物x轴坐标依次为[0.0，0.0，1.0，1.5，2.5，2.5，3.0，4.0，4.0，1.2],y轴坐标依次为[2.2，4.0，3.0，4.5，3.2，1.8，4.5，3.0，1.0，1.5],所有的半径为0.5；图8描述的是无人车在多个大小不同障碍物的复杂环境下的路径规划图，图中障碍物x轴坐标依次为[0.0，1.5，2.3，3.0，4.0，4.2，4.5，1.2，5.5]，y轴坐标依次为[2.7，4.5，2.7，1.0，3.1，5.0，1.1，1.5，4.3]，障碍物的半径依次为[0.6，1.1，0.6，0.4，1.0，0.65，0.6，0.8，0.58]。
综上所述，本发明方法利用多目标粒子群优化的思想，平衡了多种因素之间的关系，使路径充分考虑了这些因素。最终无论是在简单环境还是复杂环境下，本发明都能够为无人车规划出安全、高效的行驶路径。
Claims (3)
1.基于改进的多目标粒子群算法的无人车路径规划方法，包括如下步骤：
(1)利用直角坐标系来对无人车的行驶环境进行二维空间模拟，现实环境中的障碍物用不同半径的圆形表示，无人车用点代替，将无人车整个路程的位置通过起止点用线连接起来，然后将该路程分成若干等分路段，规定无人车行驶过程中的位置点为相邻两路段的连接点，将这些点包括起止点连起来就可以得到一条路径；在本发明中，粒子x是由p1，p2，...pn组成的集合，pi(i∈[1..n])为粒子x中的第i个位置点，p0和pn+1表示无人车运动的起点和终点位置，将粒子与起止位置组合成该粒子对应的路径，并将该路径表示为P＝[p0，p1，p2，...pn，pn+1]，|pipi+1|表示路段pipi+1的长度，n表示无人车行驶过程中运动点的个数；
(2)无人车最优路径的参考指标建模即目标函数的构建如下所示：
min F(x)＝(f1(x)，f2(x)，f3(x))
<mrow>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>|</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>cos&theta;</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>s</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>g</mi>
</msubsup>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>Q</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mi>t</mi>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中f1(x)就是这条路径上所有路段之和，即路径长度，f1(x)越小，表明无人车行驶路程越短；f2(x)中的θi表示粒子x对应的路径P在pi位置点处的两个相邻路段的夹角，f2(x)越小，表明相邻两个路段的夹角越大，路线越平滑；f3(x)指障碍物附近的路径上位置点集合Q中的点与障碍物圆心距离的倒数之和，值越小表明无人车与障碍物发生碰撞的可能性越小，其中无人车的行驶路径上距离第t个障碍物圆心Rt最近的位置点为q，以圆心Rt为起点，在Rtq两侧作两条射线与无人车路径相交，Rtq两侧的射线与其夹角都是两射线之间的路径上的点集合记为Q，当集合Q中的点的个数大于9时，保留离圆心最近的9个位置点，其余的从Q中删除，g为集合Q中位置点的个数，s为障碍物的个数，||Qk-Rt||指Q中第k个位置点Qk到第t个障碍物圆心Rt的距离；
(3)初始化2N个粒子的位置，这些粒子的位置集合记为POP，初始化N个速度，这些速度集合记为V，设目标函数的个数为m、当前迭代次数为t、障碍物的个数s，初始化最大迭代次数gmax、粒子位置在x轴方向约束的范围xmin和xmax、y轴方向的约束范围ymin和ymax、每个子区域容量Vol∈[1，3]、邻域个数T以及子区域数目M；
(4)进行目标空间分解操作：把目标空间Y分成M个子区域Y1，Y2，...，YM，令j∈{1，2...M}，对任一给定的第j个子区域，每个目标函数在所有目标函数中所占有的权重 所组成的向量(a1，a2...am)定义为该子区域的中心向量Aj，当目标函数个数m＝2时，则第j子区域的中心向量Aj表示为当m＝3时，进行两层循环，令k1为第1层(外层)循环变量，k2为第2层(内层)循环变量，k1从0取到h，k2从0取到h-k1，每次循环其中h和M满足以下关系：h取满足时的最小值，则第u个子区域的中心向量为当m＞3时，进行m-1层循环，k1为第一层循环变量(最外层)，依次由外向内，令ki为第i层循环变量，km-1为第m-1层(最内层)循环变量，k1从0取到h，k2从0取到h-k1，ki从0取到h-k1-k2-...-ki-1，最里层循环变量km-1从0取到h-k1-k2-...-km-2，每次循环令下标
<mrow>
<mi>u</mi>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>h</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>h</mi>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
</mrow>
</msubsup>
<mn>...</mn>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>k</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>h</mi>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<mn>...</mn>
<msub>
<mi>k</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</msubsup>
<mn>...</mn>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>3</mn>
</mrow>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>h</mi>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<mn>...</mn>
<msub>
<mi>k</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>4</mn>
</mrow>
</msub>
</mrow>
</msubsup>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>k</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>h</mi>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<mn>...</mn>
<msub>
<mi>k</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>3</mn>
</mrow>
</msub>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mrow>
<mi>h</mi>
<mo>+</mo>
<mn>2</mn>
<mo>-</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msubsup>
<msub>
<mi>k</mi>
<mi>l</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>k</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mrow>
其中参数h、m和子区数M满足以下关系：h取满足时的最小值，则第u个子区域的中心向量为当m≥3时，一共产生个中心向量，这些向量的下标为若则从下标u＝2开始，以为步长依次删除个下标对应的中心向量，然后将剩下的M个中心向量依次作为Aj，j＝1，2，...，M，通过每个子区域的中心向量找出该子区域的T个相邻的子区域，参考指标为两个中心向量的余弦值；
(5)计算粒子群POP中每个粒子目标函数值时，将每个粒子的位置和无人车起止点的位置组合，形成该粒子相对应的路径，计算该粒子对应路径的各目标函数值即各最优路径的参考指标，然后将其作为该粒子的目标函数值，接着确定参考点R，用于计算每个粒子的方向向量，本发明方法中令参考点R为原点O；
(6)进行粒子的分类与更新操作，接着将当前所有子区域的粒子位置信息存入集合EPOP中，并计算新粒子的方向向量，清空POP备用；
(7)gbest的选择：产生[0，1]之间的随机数rd1，当rd1大于阈值0.8时，随机从EPOP集合中选择一个粒子作为当前粒子的gbest；否则，在该粒子所在区域的邻域内操作：首先计算该粒子邻域中每个子区域的中心向量和该子区域中粒子方向向量的余弦值，然后选出余弦值最大的子区域中的粒子作为当前粒子的gbest；由于过多的使用变异会让算法变得更加随机，降低了算法的效率，所以产生[0，1]之间的随机数rd2，当rd2小于阈值0.6时，对选出的引导粒子位置进行连续变异操作，否则，不对gbest进行变异操作；
(8)pbest的选择：产生[0，1]之间的随机数rd3，当rd3大于阈值0.8时，随机从EPOP集合中选择一个粒子；否则，从该粒子的所在区域的邻域中随机选择一个粒子，让当前粒子和这个随机选出的粒子进行比较，选出支配权优先的作为当前粒子的pbest；
(9)通过上述选出的gbest和pbest，根据粒子速度和位置更新公式产生下一代新的粒子群体，若新的粒子位置超出相应的约束范围，就令新粒子的该位置为边界值，所有新粒子的位置集合记为NPOP，下一代新的速度集合重新覆盖集合V，公式如下：
<mrow>
<msubsup>
<mi>V</mi>
<mi>k</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>WV</mi>
<mi>k</mi>
<mi>t</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
<msub>
<mi>R</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mi>k</mi>
<mi>t</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
<msub>
<mi>R</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>G</mi>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mi>k</mi>
<mi>t</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>X</mi>
<mi>k</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>V</mi>
<mi>k</mi>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>X</mi>
<mi>k</mi>
<mi>t</mi>
</msubsup>
</mrow>
其中k指粒子群中第k个粒子，t为当前迭代次数，W为权衡局部搜索和全局搜索的参数，W∈[0.1，0.9]，C1和C2为学习因子，其大小都为2，R1和R2都是[0，1]之间的随机数，P指当前粒子最好位置pbest，G指引导粒子gbest的位置，指在第t次迭代中第k个粒子的速度，指在第t次迭代中第k个粒子的位置；
(10)如果t＞gmax，则循环结束，输出EPOP作为最优解集，否则把EPOP和NPOP合并放入POP中，然后跳转至步骤(5)继续循环；
(11)通过最优解中的粒子和起止点规划出无人车的行驶路径。
2.根据权利要求书1所述的基于改进的多目标粒子群算法的无人车路径规划方法，其中步骤(6)所述的粒子分类与更新，按下述步骤操作：
(2.1)通过比较粒子方向向量和所有子区域中心向量的余弦值，确定该粒子属于某个子区域；
(2.2)若有的子区域分配到的粒子数大于每个子区域的容量Vol时，则通过适应值进行取舍，适应值公式如下：
f＝a*Pi+CD
其中Pi是Pareto支配强度，其数值为当前粒子支配的粒子数，在适应值计算中加入了Pareto支配强度Pi，增强每个子区域粒子趋向真实PF的能力；参数a＝2/M，M指目标空间子区域数，该参数a表示支配强度对适应值的影响程度；CD为拥挤距离：通过每个目标函数值对粒子进行排序，序列两端粒子在当前目标函数中的拥挤距离设为5，其他粒子在当前目标函数中的拥挤距离为该粒子在序列中前后两粒子的目标函数值之差的绝对值，最后求当前粒子在每个目标函数中计算的拥挤距离之和作为当前该粒子的拥挤距离CD；
计算该子区域包含的粒子的适应值，从大到小排序，选择序列中前30％的粒子，再从这些粒子中选择距离该子区域中心向量最近的Vol个粒子，多余的劣质粒子删除；
(2.3)若有的区域粒子数少于该子区域容量Vol或者没有分配到粒子时，由于情况(2.2)中已对剩下劣质的粒子进行删除，为了尽可能的保证整体的优越性，所以重新初始化该子区域所缺数目的粒子作为该区域的粒子，增加获得较优粒子的可能性，增加粒子多样性，通过新粒子和无人车起止点组成该新粒子对应的路径，然后计算该粒子对应路径目标函数值作为该粒子的目标函数值。
3.根据权利要求书1所述的基于改进的多目标粒子群算法的无人车路径规划方法，其中步骤(7)所述的连续变异，按下述步骤操作：
当只采用一种方法进行变异时，不能兼顾全局粒子和局部粒子的特性；本发明方法采用差分+柯西+高斯连续的变异策略，差分变异、柯西变异和高斯变异的公式分别如下：
Xdiff＝X+0.5(X1-X2)
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>C</mi>
<mi>a</mi>
<mi>u</mi>
<mi>c</mi>
<mi>h</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>c</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mi>&pi;</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>X</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>c</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>G</mi>
<mi>a</mi>
<mi>u</mi>
<mi>s</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
</mrow>
</mfrac>
<msup>
<mi>e</mi>
<mfrac>
<mrow>
<mo>-</mo>
<msup>
<mi>X</mi>
<mn>2</mn>
</msup>
</mrow>
<mn>2</mn>
</mfrac>
</msup>
</mrow>
其中X为当前引导粒子gbest的位置信息，X1和X2是从EPOP中随机选出的两个不同粒子的位置，这样在变异时可保留全局粒子的一部分性质，起到一定信息交流的作用，增加了多样性；t为当前迭代的次数，gmax为最大迭代次数，g(1)＝2，g(t+1)＝g(t)-1/gmax；c(1)＝1，c(t+1)＝c(t)-1/gmax；Xdiff、XCauchy和XGauss分别是对gbest粒子的位置进行变异操作之后产生的新粒子，然后计算该新粒子对应路径的目标函数值，每次变异后让产生的新粒子和当前的gbest进行比较，选择支配权优先的作为gbest，然后进行后续变异操作，直到三次变异结束，最终确定引导粒子gbest。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711427582.1A CN107992051B (zh) | 2017-12-26 | 2017-12-26 | 基于改进的多目标粒子群算法的无人车路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711427582.1A CN107992051B (zh) | 2017-12-26 | 2017-12-26 | 基于改进的多目标粒子群算法的无人车路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107992051A true CN107992051A (zh) | 2018-05-04 |
| CN107992051B CN107992051B (zh) | 2020-10-23 |
Family
ID=62041541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711427582.1A Active CN107992051B (zh) | 2017-12-26 | 2017-12-26 | 基于改进的多目标粒子群算法的无人车路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107992051B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108801261A (zh) * | 2018-05-25 | 2018-11-13 | 东南大学 | 一种基于蚁群算法的汽车试验场试验路径规划方法 |
| CN109204391A (zh) * | 2018-09-29 | 2019-01-15 | 交控科技股份有限公司 | 一种基于多目标决策的目标速度曲线确定方法 |
| CN109262612A (zh) * | 2018-10-09 | 2019-01-25 | 北京邮电大学 | 一种基于改进粒子群算法的欠驱动机械臂关节角寻优方法 |
| CN109683630A (zh) * | 2019-01-25 | 2019-04-26 | 南京邮电大学 | 基于粒子群和prm算法的无人机航迹规划方法 |
| CN109886493A (zh) * | 2019-02-26 | 2019-06-14 | 江南大学 | 一种基于改进多目标粒子群算法的物流系统设计方法 |
| CN110134006A (zh) * | 2019-05-16 | 2019-08-16 | 西安石油大学 | 基于改进的多目标粒子群算法的复杂井眼轨迹优化方法 |
| CN110597070A (zh) * | 2019-10-17 | 2019-12-20 | 上海电力大学 | 火电机组系统模型参数的辨识方法 |
| CN110928297A (zh) * | 2019-10-28 | 2020-03-27 | 中南大学 | 基于多目标动态粒子群优化的智能公交车辆路径规划方法 |
| CN111291856A (zh) * | 2020-01-21 | 2020-06-16 | 大连海事大学 | 一种地铁列车运行操纵多目标优化方法及系统 |
| CN111796588A (zh) * | 2019-03-22 | 2020-10-20 | 北京京东尚科信息技术有限公司 | 路径规划方法、路径规划装置及计算机可读存储介质 |
| US20200339153A1 (en) * | 2019-04-25 | 2020-10-29 | WeRide Corp. | Apparatus and method for controlling velocity of autonomous driving vehicle, and storage medium |
| CN112461247A (zh) * | 2020-12-16 | 2021-03-09 | 广州大学 | 一种基于自适应麻雀搜索算法的机器人路径规划方法 |
| CN112783207A (zh) * | 2020-12-31 | 2021-05-11 | 哈尔滨工程大学 | 一种基于多目标粒子群优化的无人机航迹规划方法 |
| CN113721620A (zh) * | 2021-08-30 | 2021-11-30 | 山东交通学院 | 基于粒子群-遗传混合算法的车辆横向pid控制方法 |
| CN114355895A (zh) * | 2021-12-14 | 2022-04-15 | 南京航空航天大学 | 一种车辆主动避撞路径规划方法 |
| CN115755919A (zh) * | 2022-11-29 | 2023-03-07 | 淮阴工学院 | 一种化工巡检车轨迹跟踪方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101436073A (zh) * | 2008-12-03 | 2009-05-20 | 江南大学 | 基于量子行为粒子群算法的轮式移动机器人轨迹跟踪方法 |
| KR20100108093A (ko) * | 2009-03-27 | 2010-10-06 | 국방과학연구소 | 방향별 주행성 속도지도를 활용한 무인차량의 지역경로계획장치 및 방법 |
| CN102999661A (zh) * | 2012-11-16 | 2013-03-27 | 上海电机学院 | 基于粒子群优化的并行碰撞检测系统及方法 |
| CN103593855A (zh) * | 2013-12-04 | 2014-02-19 | 西安电子科技大学 | 基于粒子群优化和空间距离测度聚类的图像分割方法 |
| CN105136469A (zh) * | 2015-07-23 | 2015-12-09 | 江苏大学 | 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法 |
| CN106022463A (zh) * | 2016-05-13 | 2016-10-12 | 安徽教育网络出版有限公司 | 基于改进粒子群算法的个性化学习路径优化方法 |
| US20160355252A1 (en) * | 2015-06-05 | 2016-12-08 | Jeremy Straub | Systems and methods for intelligent attitude determination and control |
| CN106408111A (zh) * | 2016-08-29 | 2017-02-15 | 方洋旺 | 一种新型多目标粒子群优化方法 |
| CN106843236A (zh) * | 2017-03-31 | 2017-06-13 | 深圳市靖洲科技有限公司 | 基于权重改进粒子群算法的无人自行车路径规划方法 |
| CN107045458A (zh) * | 2017-03-09 | 2017-08-15 | 西北工业大学 | 基于多目标量子粒子群算法的无人机协同任务分配方法 |
| CN107150341A (zh) * | 2017-06-13 | 2017-09-12 | 南京理工大学 | 一种基于离散粒子群算法的焊接机器人焊接路径规划方法 |
-
2017
- 2017-12-26 CN CN201711427582.1A patent/CN107992051B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101436073A (zh) * | 2008-12-03 | 2009-05-20 | 江南大学 | 基于量子行为粒子群算法的轮式移动机器人轨迹跟踪方法 |
| KR20100108093A (ko) * | 2009-03-27 | 2010-10-06 | 국방과학연구소 | 방향별 주행성 속도지도를 활용한 무인차량의 지역경로계획장치 및 방법 |
| CN102999661A (zh) * | 2012-11-16 | 2013-03-27 | 上海电机学院 | 基于粒子群优化的并行碰撞检测系统及方法 |
| CN103593855A (zh) * | 2013-12-04 | 2014-02-19 | 西安电子科技大学 | 基于粒子群优化和空间距离测度聚类的图像分割方法 |
| US20160355252A1 (en) * | 2015-06-05 | 2016-12-08 | Jeremy Straub | Systems and methods for intelligent attitude determination and control |
| CN105136469A (zh) * | 2015-07-23 | 2015-12-09 | 江苏大学 | 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法 |
| CN106022463A (zh) * | 2016-05-13 | 2016-10-12 | 安徽教育网络出版有限公司 | 基于改进粒子群算法的个性化学习路径优化方法 |
| CN106408111A (zh) * | 2016-08-29 | 2017-02-15 | 方洋旺 | 一种新型多目标粒子群优化方法 |
| CN107045458A (zh) * | 2017-03-09 | 2017-08-15 | 西北工业大学 | 基于多目标量子粒子群算法的无人机协同任务分配方法 |
| CN106843236A (zh) * | 2017-03-31 | 2017-06-13 | 深圳市靖洲科技有限公司 | 基于权重改进粒子群算法的无人自行车路径规划方法 |
| CN107150341A (zh) * | 2017-06-13 | 2017-09-12 | 南京理工大学 | 一种基于离散粒子群算法的焊接机器人焊接路径规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 胡成玉等: "基于多粒子群协同的动态多目标优化算法及应用", 《计算机研究与发展》 * |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108801261A (zh) * | 2018-05-25 | 2018-11-13 | 东南大学 | 一种基于蚁群算法的汽车试验场试验路径规划方法 |
| CN108801261B (zh) * | 2018-05-25 | 2021-05-11 | 东南大学 | 一种基于蚁群算法的汽车试验场试验路径规划方法 |
| CN109204391A (zh) * | 2018-09-29 | 2019-01-15 | 交控科技股份有限公司 | 一种基于多目标决策的目标速度曲线确定方法 |
| CN109262612A (zh) * | 2018-10-09 | 2019-01-25 | 北京邮电大学 | 一种基于改进粒子群算法的欠驱动机械臂关节角寻优方法 |
| CN109683630A (zh) * | 2019-01-25 | 2019-04-26 | 南京邮电大学 | 基于粒子群和prm算法的无人机航迹规划方法 |
| CN109683630B (zh) * | 2019-01-25 | 2021-11-09 | 南京邮电大学 | 基于粒子群和prm算法的无人机航迹规划方法 |
| CN109886493A (zh) * | 2019-02-26 | 2019-06-14 | 江南大学 | 一种基于改进多目标粒子群算法的物流系统设计方法 |
| CN109886493B (zh) * | 2019-02-26 | 2022-09-02 | 江南大学 | 一种基于改进多目标粒子群算法的物流系统设计方法 |
| CN111796588A (zh) * | 2019-03-22 | 2020-10-20 | 北京京东尚科信息技术有限公司 | 路径规划方法、路径规划装置及计算机可读存储介质 |
| US11572079B2 (en) * | 2019-04-25 | 2023-02-07 | WeRide Corp. | Apparatus and method for controlling velocity of autonomous driving vehicle, and storage medium |
| US20200339153A1 (en) * | 2019-04-25 | 2020-10-29 | WeRide Corp. | Apparatus and method for controlling velocity of autonomous driving vehicle, and storage medium |
| CN110134006A (zh) * | 2019-05-16 | 2019-08-16 | 西安石油大学 | 基于改进的多目标粒子群算法的复杂井眼轨迹优化方法 |
| CN110134006B (zh) * | 2019-05-16 | 2022-04-29 | 西安石油大学 | 基于改进的多目标粒子群算法的复杂井眼轨迹优化方法 |
| CN110597070A (zh) * | 2019-10-17 | 2019-12-20 | 上海电力大学 | 火电机组系统模型参数的辨识方法 |
| CN110597070B (zh) * | 2019-10-17 | 2022-06-17 | 上海电力大学 | 火电机组系统模型参数的辨识方法 |
| CN110928297A (zh) * | 2019-10-28 | 2020-03-27 | 中南大学 | 基于多目标动态粒子群优化的智能公交车辆路径规划方法 |
| CN111291856A (zh) * | 2020-01-21 | 2020-06-16 | 大连海事大学 | 一种地铁列车运行操纵多目标优化方法及系统 |
| CN111291856B (zh) * | 2020-01-21 | 2023-05-23 | 大连海事大学 | 一种地铁列车运行操纵多目标优化方法及系统 |
| CN112461247A (zh) * | 2020-12-16 | 2021-03-09 | 广州大学 | 一种基于自适应麻雀搜索算法的机器人路径规划方法 |
| CN112461247B (zh) * | 2020-12-16 | 2023-05-23 | 广州大学 | 一种基于自适应麻雀搜索算法的机器人路径规划方法 |
| CN112783207A (zh) * | 2020-12-31 | 2021-05-11 | 哈尔滨工程大学 | 一种基于多目标粒子群优化的无人机航迹规划方法 |
| CN112783207B (zh) * | 2020-12-31 | 2022-07-15 | 哈尔滨工程大学 | 一种基于多目标粒子群优化的无人机航迹规划方法 |
| CN113721620A (zh) * | 2021-08-30 | 2021-11-30 | 山东交通学院 | 基于粒子群-遗传混合算法的车辆横向pid控制方法 |
| CN114355895A (zh) * | 2021-12-14 | 2022-04-15 | 南京航空航天大学 | 一种车辆主动避撞路径规划方法 |
| CN114355895B (zh) * | 2021-12-14 | 2023-11-07 | 南京航空航天大学 | 一种车辆主动避撞路径规划方法 |
| CN115755919A (zh) * | 2022-11-29 | 2023-03-07 | 淮阴工学院 | 一种化工巡检车轨迹跟踪方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107992051B (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107992051B (zh) | 基于改进的多目标粒子群算法的无人车路径规划方法 | |
| CN110749333B (zh) | 基于多目标优化的无人驾驶车辆运动规划方法 | |
| Zhen et al. | Rotary unmanned aerial vehicles path planning in rough terrain based on multi-objective particle swarm optimization | |
| CN112904842B (zh) | 一种基于代价势场的移动机器人路径规划与优化方法 | |
| CN107807665B (zh) | 无人机编队探测任务协同分配方法及装置 | |
| CN109506655B (zh) | 基于非均匀建模的改进蚁群路径规划算法 | |
| CN110544296B (zh) | 一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法 | |
| CN108229719B (zh) | 无人机编队任务分配与航迹规划的多目标优化方法及装置 | |
| CN102880186A (zh) | 基于稀疏a*算法和遗传算法的航迹规划方法 | |
| CN113848919A (zh) | 一种基于蚁群算法的室内agv路径规划方法 | |
| CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
| Vashisth et al. | Existing path planning techniques in unmanned aerial vehicles (UAVs): A systematic review | |
| CN114610066A (zh) | 复杂未知环境下分布式集群无人机编队飞行轨迹生成方法 | |
| CN116954233A (zh) | 一种巡检任务与航线自动匹配方法 | |
| CN110986960A (zh) | 一种基于改进聚类算法的无人机航迹规划方法 | |
| CN116128095B (zh) | 一种地空无人平台作战效能评估方法 | |
| Wang et al. | UAV online path planning based on improved genetic algorithm | |
| CN114967701A (zh) | 一种动态环境下移动机器人自主导航方法 | |
| Yang et al. | Path planning and collision avoidance methods for distributed multi-robot systems in complex dynamic environments | |
| Wang et al. | Research on AGV task path planning based on improved A* algorithm | |
| Yang et al. | Multi-objective mobile robot path planning algorithm based on adaptive genetic algorithm | |
| CN115016508B (zh) | 基于区域分割的多目标粒子群优化算法的机器人路径规划方法 | |
| Wang et al. | UAV online path planning based on improved genetic algorithm with optimized search region | |
| CN116048126A (zh) | 一种基于abc快速收敛的无人机实时路径规划方法 | |
| Kumar et al. | Rapid A*: a robust path planning scheme for UAVs |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230109 Address after: No. 419, Floor 4, Building 13, Sun Park, Dazhongsi East Road, Haidian District, Beijing, 100089 (Dongsheng District) Patentee after: Beijing Aishang Intelligent Technology Co.,Ltd. Address before: 1800 No. 214122 Jiangsu city of Wuxi Province Li Lake Avenue Patentee before: Jiangnan University |
|
| TR01 | Transfer of patent right |