CN108196451B - 一种仿生鱼群避障行为控制方法 - Google Patents
一种仿生鱼群避障行为控制方法 Download PDFInfo
- Publication number
- CN108196451B CN108196451B CN201711498122.8A CN201711498122A CN108196451B CN 108196451 B CN108196451 B CN 108196451B CN 201711498122 A CN201711498122 A CN 201711498122A CN 108196451 B CN108196451 B CN 108196451B
- Authority
- CN
- China
- Prior art keywords
- fish
- robot
- robotic
- obstacle
- backbone
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 281
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 21
- 238000012163 sequencing technique Methods 0.000 claims abstract description 3
- 238000001514 detection method Methods 0.000 claims description 17
- 210000003275 diaphysis Anatomy 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 208000036526 difference of sexual differentiation Diseases 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 230000003592 biomimetic effect Effects 0.000 claims 1
- 238000012913 prioritisation Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009182 swimming Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 241000894007 species Species 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
- G05D1/10—Simultaneous control of position or course in three dimensions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明提出一种仿生鱼群避障行为控制方法,包括:S1:对机器鱼进行初始化设置;S2:所述机器鱼读取传感器信息;S3:所述机器鱼判断是否发现障碍物,若探测到障碍物,则对虚拟领航者的位置进行确认,若未探测到障碍物,则进入优先级排序,其中,虚拟领航者的位置表示机器鱼避障策略中的最优到达位置;S4:对所述机器鱼进行优先级排序;S5:所述机器鱼判断自身是否为骨干机器鱼,并分别执行控制协议;在机器鱼执行控制协议后,若到达目标位置,则流程结束,若未到达目标位置,则重复所述步骤S1至S5。本发明提出的控制方法具有一定的鲁棒性,在避开障碍物的过程中始终保持连通性,增强了机器鱼群对于环境和任务变化的灵活性。
Description
技术领域
本发明属于自主控制、群体智能技术领域,具体涉及一种仿生鱼群避障行为控制方法。
背景技术
仿生机器鱼作为一种结合鱼类推进模式和机器人技术的新型水下机器人,具备隐蔽性强、流体性能优良、推进效率高、机动性能好等特点,在仿生鱼群执行任务过程中,不可避免地会遭遇到一些静态/动态的、已知/未知的障碍(如沉船、石油钻井平台、暗礁、真实鱼群等),这就需要各仿生机器鱼通过自身携带的传感器对障碍物进行有效探测,自主控制游动方向与速度,实时躲避障碍,并保持仿生鱼群整体构型的渐近稳定。
在现有技术中,由于水下环境的复杂性与不确定性,测距声呐等传感器所获取的信息往往伴有一定的噪声干扰,机器鱼的避障控制通常会使用模糊算法,由短基线系统得到目标的位置信息,由多个测距声呐实时测得的与障碍物的距离信息,经过信息融合计算后所得到的距离,以及障碍物与机器鱼、目标点的夹角,同时作为模糊控制器的输入。输入量经过模糊控制器进行模糊推理,最终得到机器鱼的偏转角,指导机器鱼以新的方向进行运动。而现有技术中的机器鱼群集体避障控制人工势场法,机器鱼群在虚拟力场中移动,并在移动中受到目标位置对其的引力以及障碍物和邻居智能体对其的斥力,通过计算势函数下降的方向来寻找避障路径。
基于模糊算法的避障控制技术可以用于单机器鱼的避障问题,然而一旦机器鱼的数量增多,简单的规则指引无法保证机器鱼群的集体避障。因为此时对于机器鱼群来说,不仅需要有效避开障碍物的阻挡,还要避免机器鱼之间的碰撞,甚至要求机器鱼在避障之后还能保持一定的拓扑连通性;而模糊算法没有协调机制,所提供的规则很容易导致机器鱼群的连通性混乱甚至彼此发生碰撞。现有技术中采用的人工势场法处理机器鱼群时,在避障后无法确保拓扑连通性,同时,由于传统或改进的人工势场法需要知道障碍物的位置信息,但是在实际环境中,机器鱼只能得到自身与障碍物边缘的相对距离,无法知道全局的障碍物信息,因此人工势场法对于未知环境中的机器鱼群体避障问题有很大的局限性;人工势场法通常会将智能体看成一个质点,通过控制质点的运动速度、加速度或转向等变量实现对某一尺寸的障碍物的避让,然而仿生机器鱼不同于一般的无人平台(例如无人机、无人车、水下潜航器等),它是柔性结构,依靠鱼鳍或尾部的摆动实现游动。机器鱼在水中所遇到的障碍物种类很多,既有静态的也有动态的,既有大尺寸的也有小尺寸的,因此机器鱼的尺寸、尾鳍摆动的幅度和瞬时运动的惯性等因素不能被忽略。
发明内容
针对上述问题,本发明实施例提出一种仿生鱼群避障行为控制方法,旨在解决机器鱼的尺寸、尾鳍摆动的幅度和瞬时运动的惯性对避障控制的影响、未知环境下对动态/静态障碍物的避障、机器鱼集体避障与各机器鱼之间的避碰以及机器鱼群体避障后的拓扑连通性保持的问题。
为实现上述目的,本发明提出了一种仿生鱼群避障行为控制方法,包括:
S1:进行初始化设置,包括n条机器鱼的初始位置、初始速度、通信半径、已连通的初始拓扑结构、目标位置信息、最大水平探测角度和最大探测距离,其中,n至少是1;
S2:所述机器鱼读取传感器信息;
S3:所述机器鱼判断是否发现障碍物,若探测到障碍物,则对虚拟领航者的位置进行确认,若未探测到障碍物,则进入优先级排序,其中,虚拟领航者的位置表示机器鱼避障策略中的最优到达位置;
S4:对所述机器鱼进行优先级排序,获取机器鱼位置信息,在优先级排序阶段,机器鱼使用启发式优先级排序算法,分布式地提取机器鱼群拓扑网络的骨干子网络;
S5:所述机器鱼判断自身是否为骨干机器鱼,若是,则要确定其邻居骨干机器鱼与虚拟领航者的位置,并执行骨干机器鱼的控制协议,若不是,则要确定其所属的骨干机器鱼与邻居机器鱼的位置,并执行非骨干机器鱼的控制协议;
在机器鱼执行控制协议后,若到达目标位置,则流程结束,若未到达目标位置,则重复所述步骤S1至S5。
具体的,所述虚拟领航者是机器鱼避障策略中的最优到达位置。
进一步的,所述机器鱼群拓扑网络用无向图G=(v,ε)表示,其中v={1,2,...,n}表示顶点集,ε=v×v构成边的集合,其中每个节点标记为vi∈v,每一边用(i,j)表示,对于i≠j,在t时刻,令eij(t)表示边(i,j)的连接度,若(i,j)∈ε,则eij(t)>0,否则eij(t)=0;考虑n条机器鱼,用qi∈R2、pi∈R2和ui∈R2分别表示机器鱼i的位置、速度和控制输入,其运动满足双积分器模型:
具体的,所述障碍物包括其他机器鱼或者其他障碍物,安全区域为不存在障碍物的区域,即在二维平面内,以机器鱼位置为圆心,半径为Rsafe的圆形区域为机器鱼的安全区域。Rsafe也即机器鱼与障碍物不发生碰撞的安全距离。
所述安全距离与机器鱼的机动性能、鱼体长度和尾鳍摆动幅度、障碍物运动速度相关。
所述优先级排序算法用于提取出原始网络的通信骨干子网,所述机器鱼的优先级权重以机器鱼的身份、节点度数、通信质量、机器鱼与障碍物的远近程度来定义。
本发明提出的一种仿生鱼群避障行为控制方法,针对机器鱼的尺寸、尾鳍摆动的幅度和瞬时运动的惯性对避障控制的影响,本发明设置了机器鱼的安全区域,确保机器鱼能够有足够的时间余量来应对各种复杂状况,设计的避障策略可应用于未知环境中的实时避障,具有一定的鲁棒性,在避开障碍物的过程中始终保持连通性,同时提出骨干机器鱼的解决方案,增强了机器鱼群对于环境和任务变化的灵活性。
附图说明
本发明的示例性实施例将从下文中给出的详细说明和本发明不同实施例的附图中被更完全地理解,然而这不应该被视为将本发明限制于具体的实施例,而应该只是为了解释和理解。遍及附图并且在后面的详细说明中将使用相同的附图标记来指出相同或类似的部分。
图1仿生鱼群避障行为控制方法流程图;
图2为机器鱼的安全区域示意图;
图3为障碍物在机器鱼前视方向的侧边相对位置示意图;
图4为障碍物在机器鱼前视方向上的相对位置示意图;
图5为机器鱼与狭长障碍物的相对位置示意图。
具体实施方式
本发明提出一种仿生鱼群避障行为控制方法,图1仿生鱼群避障行为控制方法流程图,如图1所示,方法包括:
S1:进行初始化设置,包括n条机器鱼的初始位置、初始速度、通信半径、已连通的初始拓扑结构、目标位置信息、最大水平探测角度和最大探测距离,其中,n至少是1;
具体的,所述机器鱼群拓扑网络用无向图G=(v,ε)表示,其中v={1,2,...,n}表示顶点集,ε=v×v构成边的集合,其中每个节点标记为vi∈v,每一边用(i,j)表示,对于i≠j,在t时刻,令eij(t)表示边(i,j)的连接度,若(i,j)∈ε,则eij(t)>0,否则eij(t)=0;考虑n条机器鱼,用qi∈R2、pi∈R2和ui∈R2分别表示机器鱼i的位置、速度和控制输入,其运动满足的双积分器模型:
S2:所述机器鱼读取传感器信息;
S3:所述机器鱼判断是否发现障碍物,若探测到障碍物,则对虚拟领航者的位置进行确认,若未探测到障碍物,则进入优先级排序;
具体的,所述障碍物包括其他机器鱼或者其他障碍物,所述安全区域为不存在障碍物的区域,即在二维平面内,以机器鱼位置为圆心,半径为Rsafe的圆形区域为机器鱼的安全区域,安全区域中规避机动的安全的分离距离为安全距离,图2为机器鱼的安全区域示意图。
所述安全距离与机器鱼的机动性能、鱼体长度和尾鳍摆动幅度、障碍物运动速度相关。
具体的,如图2所示,对于静态障碍物,安全距离的取值一方面与机器鱼的机动性能相关,另一方面也与机器鱼的鱼体长度和尾鳍摆动幅度相关,在实际操作中通常设为鱼体长度L的σ倍,即Rsafe=σL;而对于动态障碍物,安全距离的取值还受障碍物运动速度的影响,假设机器鱼探测到障碍物的运动速度为vobstacle,则有Rsafe(ΔT)=σL+vobstacle·ΔT,其中ΔT为采样时间。
具体的,所述虚拟领航者是机器鱼避障策略中的最优到达位置,具体为:
设机器鱼i的初始位置为(xi,yi),其前视航向的角度为0°,航向左侧角度为正,航向右侧角度为负,最大水平探测角度为2φmax,最大探测距离为dmax,对于非狭长障碍物,设障碍物两侧偏离机器鱼航向的角度分别为和切线距离分别为和则探测范围内障碍物的最远探测点A的坐标为:
此外,虚拟领航者B点的坐标(xi′,yi′)如下:
其中,
本发明的另一个实施例给出了单机器鱼在不同障碍物下具体的避障策略,图3为障碍物在机器鱼前视方向的侧边相对位置示意图,如图3所示,机器鱼要想避开障碍物,往左运动将是更佳的选择,此时可以选择以切点A为圆心,机器鱼的安全距离Rsafe为半径的圆上的切点B为目标点;图4为障碍物在机器鱼前视方向上的相对位置示意图,如图4所示,此时机器鱼的避障策略显然是要从改变航向幅度更小的方位中选择合适的目标点,如图4中的右侧,|φ2|<|φ1|。
当机器鱼距离障碍物足够远时,无需做出改变航向的策略,只有当其与障碍物的最短距离小于或等于其安全距离Rsafe时,才需要选择新的目标点。此外,机器鱼选择的目标点在其每次扫描探测过后会得到更新,以确保机器鱼与障碍物的距离始终不小于Rsafe。在前面两种情形的保证下,若出现第三种情形,障碍物不仅在机器鱼的前视方向上,更因其狭长的形状使得机器鱼在达到最大探测角度时仍未测出它的边缘,图5为机器鱼与障碍物狭长的相对位置示意图。此时,如图5所示,无论机器鱼与障碍物的距离是否大于Rsafe,机器鱼都需要立即改变航向,将以最远的探测点A为圆心,Rsafe为半径的圆上的切点B作为目标点。
S4:对所述机器鱼进行优先级排序,获取机器鱼位置信息,在优先级排序阶段,机器鱼使用启发式优先级排序算法,分布式地提取机器鱼群拓扑网络的骨干子网络;
本发明实施例中,选择构建系统的极小连通支配集,以引入一定数目的冗余顶点为代价,通过寻求问题的次优解来取代最优解,可在最大限度保持结果精度的同时显著降低算法的计算复杂度。
所述步骤S4中的优先级排序算法用于提取出原始网络的通信骨干子网,所述机器鱼的优先级权重以机器鱼的身份、节点度数、通信质量、机器鱼与障碍物的远近程度来定义,具体为:
令P(i)表示机器鱼i的优先级,有
其中,表示位串联操作;POB(i)表示机器鱼i与障碍物的邻近程度;PND(i)表示机器鱼i的邻居个数;PCQ(i)表征机器鱼i与其邻居机器鱼的通信质量;PNM(i)由邻居机器鱼之间的相对运动来度量;PI(i)为与机器鱼身份相关的优先级指标,来保证网络中机器鱼优先级的互异性和唯一性。
由于POB占据了优先级P的高比特位,意味着更高的POB总是对应着更高的优先级;
使用本发明的实施例中优先级定义方式,任意一个机器鱼利用其两跳通信邻域内的信息来确定自身是否成为主导机器鱼,拥有较高优先级的机器鱼可以支配优先级较低的邻居机器鱼。因此,如果机器鱼探测到障碍物存在,则其优先级要高于其所有未探测到障碍物的邻居机器鱼的优先级,因而更容易被选为主导骨干机器鱼。
具体的,在每一采样时刻,若有机器鱼探测到障碍物,则其会成为骨干节点,根据单机器鱼的避障策略,可将目标点B视为虚拟领航者,用以引导骨干节点及其邻居绕开障碍物从而实现集体避障;若机器鱼i同时探测到多个障碍物,它将选择与其距离最近的目标点作为虚拟领航者。
S5:所述机器鱼判断自身是否为骨干机器鱼,若是,则要确定其邻居骨干机器鱼与虚拟领航者的位置,并执行骨干机器鱼的控制协议,若不是,则要确定其所属的骨干机器鱼与邻居机器鱼的位置,并执行非骨干机器鱼的控制协议;
具体的,所述骨干机器鱼的控制协议为:
其中,为骨干网络中骨干机器鱼i的邻居集合,eij(t)为骨干机器鱼i与中机器鱼j之间的连接度,w1为标量控制增益,和为骨干机器鱼i与其对应虚拟领航者li之间的相对位置和相对速度向量,为机器鱼i与其虚拟领航者li之间的吸引势函数,为机器鱼i与机器鱼j间的吸引势函数。
骨干机器鱼的控制协议具体设计过程为:
首先为每个骨干机器鱼设计相应的交互人工势函数来同时保证骨干网络原有的邻居骨干机器鱼彼此避免碰撞以及在游动过程中的拓扑连通性得到保持,其具体形式为:
其中,Pk(||qij||)=ak||qij||2+bk||qij||+ck,k=1,2,该二项式的系数为保证在区间(0,R)上二阶可导而适当选取的参数,qij为机器鱼i与机器鱼j之间的相对位置,Rsafe为机器鱼的安全距离,R为通信半径,δ为加边迟滞常量。
因此,为骨干机器鱼设计如下的控制协议:
进一步的,所述非骨干机器鱼的控制协议为:
其中,w2为标量控制增益,和为非骨干机器鱼i与其附属的骨干机器鱼ci之间的相对位置和相对速度向量,为非骨干机器鱼i和其骨干机器鱼ci之间的拓扑连通性的吸引势函数,为骨干机器鱼i与其邻居机器鱼j之间碰撞规避的排斥势函数。
非骨干机器鱼的控制协议具体设计过程为:
对于任一非骨干机器鱼,将与其自身在同一簇内所附属的骨干机器鱼视为领航者,且机器鱼之间要满足拓扑连通性约束,同时还需要彼此避免碰撞。定义用于保持非骨干机器鱼i和其骨干机器鱼ci之间的拓扑连通性的吸引势函数如下:
其中,rc为预先设定的用以实现连通性保持的阈值
进一步定义用以实现非骨干机器鱼i与其邻居机器鱼j之间碰撞规避的排斥势函数如下:
综上,为每个非骨干机器鱼i设计复合势函数如下
其中,Ni为机器鱼i的邻居集合。
注意,如果对于某个非骨干机器鱼,其邻域内存在多于一个的邻居骨干机器鱼,则要选择一个拥有最高优先级的骨干机器鱼作为其唯一的领航机器鱼;或者是选择一个与其距离最近的骨干机器鱼作为领航者。
为每个非骨干机器鱼i设计控制率如下:
在机器鱼执行控制协议后,若到达目标位置,则流程结束,若未到达目标位置,则重复所述步骤S1至S5。
本发明实施例提出的一种仿生鱼群避障行为控制方法,也可应用于其他智能机器人、无人机/无人船集群控制、传感器网络动态部署领域。
尽管已经示出并描述了本发明的特殊实施例,然而在不背离本发明的示例性实施例及其更宽广方面的前提下,本领域技术人员显然可以基于此处的教学做出变化和修改。因此,所附的权利要求意在将所有这类不背离本发明的示例性实施例的真实精神和范围的变化和更改包含在其范围之内。
Claims (8)
1.一种仿生鱼群避障行为控制方法,包括:
S1:进行初始化设置,包括n条机器鱼的初始位置、初始速度、通信半径、已连通的初始拓扑结构、目标位置信息、最大水平探测角度和最大探测距离,其中,n至少是1;
S2:所述机器鱼读取传感器信息;
S3:所述机器鱼判断是否发现障碍物,若探测到障碍物,则对虚拟领航者的位置进行确认,若未探测到障碍物,则进入优先级排序,其中,虚拟领航者的位置表示机器鱼避障策略中的最优到达位置;
S4:对所述机器鱼进行优先级排序,获取机器鱼位置信息,在优先级排序阶段,机器鱼使用启发式优先级排序算法,分布式地提取机器鱼群拓扑网络的骨干子网络;
S5:所述机器鱼判断自身是否为骨干机器鱼,若是,则要确定其邻居骨干机器鱼与虚拟领航者的位置,并执行骨干机器鱼的控制协议,若不是,则要确定其所属的骨干机器鱼与邻居机器鱼的位置,并执行非骨干机器鱼的控制协议;
在机器鱼执行控制协议后,若到达目标位置,则流程结束,若未到达目标位置,则重复所述步骤S1至S5。
4.如权利要求1所述的仿生鱼群避障行为控制方法,所述障碍物包括其他机器鱼或者其他障碍物,安全区域为不存在障碍物的区域,即在二维平面内,以机器鱼位置为圆心,半径为Rsafe的圆形区域为机器鱼的安全区域,Rsafe也即机器鱼与障碍物不发生碰撞的安全距离。
5.如权利要求4所述的仿生鱼群避障行为控制方法,所述安全距离与机器鱼的机动性能、鱼体长度和尾鳍摆动幅度、障碍物运动速度相关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711498122.8A CN108196451B (zh) | 2017-12-29 | 2017-12-29 | 一种仿生鱼群避障行为控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711498122.8A CN108196451B (zh) | 2017-12-29 | 2017-12-29 | 一种仿生鱼群避障行为控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108196451A CN108196451A (zh) | 2018-06-22 |
CN108196451B true CN108196451B (zh) | 2021-01-22 |
Family
ID=62587669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711498122.8A Active CN108196451B (zh) | 2017-12-29 | 2017-12-29 | 一种仿生鱼群避障行为控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108196451B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020037524A1 (zh) * | 2018-08-22 | 2020-02-27 | 深圳市大疆创新科技有限公司 | 可移动平台的控制方法、可移动平台及可读存储介质 |
CN109960262B (zh) * | 2019-03-25 | 2020-05-19 | 华中科技大学 | 一种基于几何法的无人艇动态避障方法和系统 |
CN111290429B (zh) * | 2019-12-16 | 2023-04-21 | 南京信息工程大学 | 一种基于一致性算法和人工势场方法的无人机编队及其避障控制方法 |
CN111681319B (zh) * | 2020-06-09 | 2024-02-13 | 福州市极化律网络科技有限公司 | 基于鱼群算法的多用户虚拟世界探索方法及存储介质 |
CN113059576B (zh) * | 2021-03-31 | 2022-07-26 | 上海应用技术大学 | 一种基于鱼群效应的医疗运输机器人及自适应巡航跟随方法 |
CN113885507A (zh) * | 2021-10-20 | 2022-01-04 | 北京京东乾石科技有限公司 | 障碍物确定方法和装置 |
CN117540587B (zh) * | 2024-01-10 | 2024-03-26 | 青岛国实科技集团有限公司 | 基于改进虚拟力算法的声呐布放优化方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013987A (zh) * | 2007-02-05 | 2007-08-08 | 南京邮电大学 | 一种高效的无线传感器网络拓扑控制方法 |
CN101059700A (zh) * | 2007-03-23 | 2007-10-24 | 北京大学 | 一种水下仿生机器人协作运输方法 |
CN101916071A (zh) * | 2010-08-04 | 2010-12-15 | 中国科学院自动化研究所 | 仿生机器鱼运动的cpg反馈控制方法 |
WO2014205119A1 (en) * | 2013-06-18 | 2014-12-24 | The Regents Of The University Of Colorado, A Body Corporate | Software-defined energy communication networks |
CN105634596A (zh) * | 2016-01-25 | 2016-06-01 | 中国人民解放军信息工程大学 | 一种水下可见光通信系统及方法 |
CN106022274A (zh) * | 2016-05-24 | 2016-10-12 | 零度智控(北京)智能科技有限公司 | 一种避障方法、避障装置及无人驾驶机器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200827957A (en) * | 2006-12-21 | 2008-07-01 | Ind Tech Res Inst | Method for information transmission with backbone network and a position monitoring system for multiple robotic devices |
-
2017
- 2017-12-29 CN CN201711498122.8A patent/CN108196451B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013987A (zh) * | 2007-02-05 | 2007-08-08 | 南京邮电大学 | 一种高效的无线传感器网络拓扑控制方法 |
CN101059700A (zh) * | 2007-03-23 | 2007-10-24 | 北京大学 | 一种水下仿生机器人协作运输方法 |
CN101916071A (zh) * | 2010-08-04 | 2010-12-15 | 中国科学院自动化研究所 | 仿生机器鱼运动的cpg反馈控制方法 |
WO2014205119A1 (en) * | 2013-06-18 | 2014-12-24 | The Regents Of The University Of Colorado, A Body Corporate | Software-defined energy communication networks |
CN105634596A (zh) * | 2016-01-25 | 2016-06-01 | 中国人民解放军信息工程大学 | 一种水下可见光通信系统及方法 |
CN106022274A (zh) * | 2016-05-24 | 2016-10-12 | 零度智控(北京)智能科技有限公司 | 一种避障方法、避障装置及无人驾驶机器 |
Non-Patent Citations (4)
Title |
---|
A Bionic Neural Network for Fish-Robot Locomotion;Dai-bing Zhang 等;《Science Direct》;20061231;第187-194页 * |
基于红外传感器的仿生机器鱼自主避障控制;桑海泉 等;《系统仿真学报》;20050620;第1400-1404页 * |
水下移动无线传感器网络研究综述;吕超 等;《控制与决策》;20090615;第801-808页 * |
骨干网拓扑发现中目标地址优化方法研究;潘轶菁 等;《网络与通信》;20080225;第151-153页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108196451A (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108196451B (zh) | 一种仿生鱼群避障行为控制方法 | |
CN112379672B (zh) | 一种基于改进人工势场的智能无人船路径规划方法 | |
CN109241552B (zh) | 一种基于多约束目标的水下机器人运动规划方法 | |
Padhy et al. | Deep neural network for autonomous uav navigation in indoor corridor environments | |
CN107329477B (zh) | 一种无人船导航和自动驾驶设备及其方法 | |
Xue et al. | Automatic simulation of ship navigation | |
CN109871031B (zh) | 一种固定翼无人机的轨迹规划方法 | |
Wang et al. | Improved quantum particle swarm optimization algorithm for offline path planning in AUVs | |
CN111381600B (zh) | 一种基于粒子群算法的uuv路径规划方法 | |
KR101278708B1 (ko) | 수중로봇과 그 제어방법 | |
CN111142533A (zh) | 多个无人水面艇的多势场避障方法及复杂环境下多usv多模式编队避障控制方法 | |
Galvez et al. | Obstacle avoidance algorithm for swarm of quadrotor unmanned aerial vehicle using artificial potential fields | |
Chen et al. | Collision-free UAV navigation with a monocular camera using deep reinforcement learning | |
CN111881580A (zh) | 一种无人船规避障碍物的运动规划方法 | |
Chen et al. | A review of autonomous obstacle avoidance technology for multi-rotor UAVs | |
Zhang et al. | Collision Avoidance of Fixed-Wing UAVs in Dynamic Environments Based on Spline-RRT and Velocity Obstacle | |
Li et al. | Real time path planning of underwater robots in unknown environment | |
Lin et al. | An online path planning method based on hybrid quantum ant colony optimization for AUV | |
Kyzyrkanov et al. | Coordination of movement of multiagent robotic systems | |
Yang et al. | Path planning and collision avoidance methods for distributed multi-robot systems in complex dynamic environments | |
Hong et al. | A balance-artificial potential field method for autonomous surface vessel navigation in unstructured riverine environment | |
Baranzadeh et al. | A decentralized formation building algorithm with obstacle avoidance for multi-robot systems | |
CN115617068A (zh) | 基于人工势场法的固定翼无人机集群避障方法及系统 | |
Wu et al. | Path planning for underwater gliders with motion constraints | |
Mei et al. | A smart navigation and collision avoidance approach for autonomous surface vehicle |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220607 Address after: No. 200, Xiaolingwei street, Xuanwu District, Nanjing City, Jiangsu Province Patentee after: NANJING University OF SCIENCE AND TECHNOLOGY Patentee after: Information Science Research Institute of China Electronics Technology Corporation Address before: Building 4, yard 36, sidaokou North Street, Haidian District, Beijing Patentee before: INFORMATION SCIENCE Research Institute OF CETC |