CN108256553A - 车辆搭载无人机双层路径的构造方法及装置 - Google Patents
车辆搭载无人机双层路径的构造方法及装置 Download PDFInfo
- Publication number
- CN108256553A CN108256553A CN201711381964.5A CN201711381964A CN108256553A CN 108256553 A CN108256553 A CN 108256553A CN 201711381964 A CN201711381964 A CN 201711381964A CN 108256553 A CN108256553 A CN 108256553A
- Authority
- CN
- China
- Prior art keywords
- point
- unmanned plane
- vehicle
- path
- road
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
Abstract
本发明实施例提供一种车辆搭载无人机双层路径的构造方法及装置,所述方法包括:根据无人机任务目标点空间的最小距离进行聚类分组,构建每个分组的符合无人机续航能力约束的汉密尔顿路;通过连接算法将上述每一组对应的汉密尔顿路进行合并调整,构造从基地点出发途经每条汉密尔顿路的起点和终点,再回到基地点的回路。所述方法快速构造车辆搭载无人机在协同收集目标信息的双层路径规划方案,保证车辆搭载无人机在规划区域内的路网上行驶一个回路,无人机完成所有任务目标点信息的收集工作,极大的提高了工作效率。
Description
技术领域
本发明涉及无人机采集信息的技术领域,尤其涉及一种车辆搭载无人机采集信息的双层路径构造方法及装置。
背景技术
随着无人机技术的发展,中小型无人机能够以洗车为发射和回收平台,进行起飞和降落。无人机和地面相结合带来了一种全新的工作模式,我们称为地面车辆与无人机协同工作模式,两者一起协同完成如野外搜救、电力巡线、情报侦查、地质测绘等工作,可以极大的缩短完成任务的时间。一方面,无人机可以快速飞到车辆不能或不易到达的目标点进行信息侦察与采集;另一方面,车辆作为无人机的移动基站,为无人机更换电池,并可以搭载无人机到达更远的区域,弥补中小型无人机续航能力小的不足。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:当前车辆和无人机路径的构造方法,都是各自构造车辆和无人机的路径,没有考虑车辆与无人机的协同配合。
发明内容
本发明实施例提供一种车辆搭载无人机在协同工作模式下的双层路径的构造方法及装置,快速构造车辆搭载无人机协同工作收集目标信息的双层路径规划方案,保证车辆搭载无人机在规化区域内的路网上行驶一个回路,使无人机完成所有目标点信息的收集工作。
一方面,本发明实施例提供了一种车辆搭载无人机双层路径的构造方法,所述方法包括:
根据无人机任务目标点空间的最小距离进行聚类分组,构建每个分组的符合无人机续航能力约束的汉密尔顿路;
通过连接算法将上述每一组对应的汉密尔顿路进行合并调整,构造从基地点出发途经每条汉密尔顿路的起点和终点,再回到基地点的回路。
另一方面,本发明实施例提供了一种车辆搭载无人机双层路径的构造装置,所述装置包括:
分组构建单元,用于根据无人机任务目标点空间上的最小距离进行聚类分组,构建每个分组的符合无人机续航能力约束的汉密尔顿路;
合并调整单元,用于通过连接算法将上述每一组对应的汉密尔顿路进行合并调整,构造从基地点出发途经每条汉密尔顿路的起点和终点,再回到基地点的回路。
上述技术方案具有如下有益效果:因为采用根据无人机任务目标点空间上的最小聚类分组的技术手段,也就是根据无人机任务目标点任意两点间的空间上的最小距离作为原始数据处理,达到了原始处理数据得以构造的技术效果;采用了分组构建符合无人机续航能力约束的汉密尔顿路的技术手段,保证了每个分组内的无人机依次通过任务目标点的时间最短,车辆沿汉密尔顿路的起点行驶至终点,将车辆搭载无人机的双层路径在分组范围内构建。通过特定的算法将多条汉密尔顿路合并调整,达到了构造从基地出发途经每条汉密尔顿路的起点和终点的,再回到基地点的回路,保证了车辆搭载无人机在规化区域内的路网上行驶一个回路,车辆从每条汉密尔顿的起点行驶到终点的过程中,无人机完成所述汉密尔顿路任务目标点信息的收集工作。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例车辆搭载无人机双层路径构造方法的流程图;
图2是本发明实施例分组构建汉密尔顿路的流程图;
图3是本发明实施例选择车辆停靠点的流程图;
图4是本发明实施例车辆搭载无人机双层路径构造装置的结构示意图;
图5是本发明实施例分组构建单元的结构示意图;
图6是车辆搭载无人机协同工作模式的示意图;
图7是冰柱示意图;
图8是基于队列连接算法的示意图;其中图8(a)是第一步示意图;图8(b)是过程示意图;图8(c)是结果示意图;
图9是基于最小生成树连接算法的示意图;其中图9(a)是第一步示意图;图9(b)是过程示意图;图9(c)是结果示意图;
图10是本发明实施例各节点示意图;
图11是本发明实施例聚类分组构建汉密尔顿路的示意图;
图12是本发明实施例基于队列连接算法构造的双层路径示意图;
图13是本发明实施例基于最小生成树连接算法构造的双层路径示意图
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图6,图6是车辆搭载无人机协同工作模式的示意图;
典型的车辆搭载无人机协同工作模式如图6所示,已知车辆和无人机所属场站或基地点的位置、可供车辆行驶的路网、路网上可用于放飞和回收无人机的车辆临时停靠点和需在无人机访问并完成信息收集的任务目标点。车辆搭载无人机从基地点出发,选择临时停靠点放飞无人机,然后继续行驶,无人机访问已知的任务目标点完成信息收集,由于无人机续航能力有限,车辆需要行驶至恰当的临时停靠点,使无人机能够在电量耗完之前回到车辆上并更换电池,然后重新起飞访问目标点。如此循环,车辆搭载无人机,作为无人机的移动平台,通过在目标区域内路网上行驶,使无人机能够不断起飞降落,完成较大区域内所有目标点的访问与信息收集。
由图6可知,车辆搭载无人机协同工作模式下双层路径的构造方法,主要是解决这样一个技术问题:车辆携带无人机从基地出发在地面路网上行驶巡游,由无人机访问所有的任务目标点,完成目标点信息的收集,再回到基地。无人机的续航能力是已知且有限的,不能一次完成所有任务目标点的访问;地面车辆的续航能力足以保证携带无人机完成所有目标的访问,因此不需要考虑车辆的续航能力的限制。解决这个技术问题的目标是最小化无人机访问所有的任务目标点并完成信息收集。
从上述车辆搭载无人机协同工作模式下的双层路径的构造方法可以看出,问题中包括三类节点:(1)车辆与无人机所属场站,是车辆的原始出发点,记为0点;(2)车辆可以停下来放飞或回收无人机的临时停靠点,一般是路或街道边较为开阔的区域,如露天停车场、休息站等,记为Vs={1,2,…,n};(3)无人机需要访问的目标点,记为Vt={n+1,n+2,…,m}.将所有点的集合记为V={0}∪Vs∪Vt,并且所有点的位置是已知的。问题中包括两类弧:(1)第一类弧表示可供地面车辆行驶的一段路,第一类弧的集合记为E1={(i,j)|i,j∈{0}∪Vs且i≠j},地面路网上任意一段弧(i,j)∈E1的长度是已知的;(2)第二类弧表示无人机飞行的一条路线,第二类弧的集合记为E2={(i,j)|i∈{0}∪Vs,j∈Vt;或者i,j∈Vt且i≠j},每段弧(i,j)∈E2的长度也是已知的。将所有弧的集合记为E=E1∪E2。
首先,我们来构建所述技术问题的数学模型:
在模型构建过程中用到的符号及其含义总结如下:
车载无人机双层路径规划问题可以表示在图G=(V,E)上。对每一个目标j∈Vt,有相应服务时间Cj来供无人机完成指定的信息收集任务。
E中任意一条边(i,j)的距离为dij。无人机的飞行平均速度为υ1,车辆的平均行驶速度为υ2。无人机续航能力的上限为θ,本文假设无人机的电量使用是均匀的,即单位时间的耗电量是一个固定的值。因此无人机的剩余电量可以直接转换为剩余时间。M为一个充分大的正数。
模型中的决策变量定义如下:
xij:0-1变量,i,j∈{0}∪{*}∪Vs当车辆从i到j的时为1,表示车辆的路由。
yij:0-1变量,i,j∈V当Vi当无人机从i到j的时为1,表示无人机的路由。
Sij:0-1变量,i∈Vt,j∈{0}∪{*}∪Vs表示目标点i在从j出发的航线上。
Qi:连续变量,i∈V表示离开i点时,无人机当前已经使用的电量(时间)。
Ti:整数变量,i∈{0}∪{*}∪Vs表示车辆停点的访问顺序。
ti:连续变量,i∈{0}∪{*}∪Vs表示车辆离开停点i的时间。
si:连续变量,i∈{0}∪Vs表示车辆在点i停留的时间。
模型如下:
约束(1)确保除了起点和终点以外,每一个车辆路径点最多只能访问一次,且入度和出度相等。约束(2)限制了起点的出度为1而终点的入度也为1,即整个任务是从起点处开始的,结束于终点处。约束(3)为车辆的路径进行了标号,当存在从i到j的路径时(xij=1),Ti-Tj的值必须为1,也就是说在访问顺序上i和j只差1,约束(19)表示起点处的标号为1,结合这两条约束,相当于给车辆的路径点用正整数进行了标号,而标号的大小表示了该点是第几个被访问的点。约束(4)限制每一个任务目标点的出度和入度均为1,即每一个任务目标点有且仅有一次访问。
约束(5)限定了无人机的起飞过程,当无人机从i点起飞前往j点时,j点属于从i点出发的航线上,且离开j点的已使用的时间等于从i到j的飞行时间加在j点执行任务的时间。约束(6)限定了无人机从一个任务点飞到另一个任务点的过程,如果无人机从i飞到j,那么这两点是属于同一个航线上的点,即属于从同一个车辆停点出发的航线(Sik=Sjk)。在满足这个约束的前提下,离开j点的时间等于从i点离开的时间加上无人机从i飞到j的时间加上在j点执行任务的时间。约束(7)限制无人机的降落过程,当无人机需要降落在j点时,从i点离开的时间加上从i到j的飞行时间应该小于无人机的续航能力的上限。约束(5)~(7)从无人机的角度确保了每一次航行过程的连续性,并且通过条件约束给Q进行了赋值,从而确保了每一次航行都能够符合续航能力。
约束(8)保证了无人机如果在某一个停点降落,那么这个停点必然是车辆路径会访问的点,这将决策变量xij与yij联系了起来。约束(9)要求车辆必须在无人机之前到达指定的降落点。约束(10)确保无人机不会在路网上进行飞行。约束(11)保证了车辆如果在某个停点起飞,那么这个停点必然是车辆路径会访问的点。约束(12)保证车辆如果访问一个点,那么这个点必然是无人机某次起飞或降落的点。约束(8)~(12)从车辆的角度确保了每一次航行过程的连续性,且对一般的飞行过程进行了描述,确保了车辆在无人机之前到达指定的降落点,以免出现无法回收的情景。
约束(13)则是对等待时间的计算,考虑的是无人机执行任务时车辆停留在原地的场景。如果yij的决策产生了这样的特殊情景,那么约束(13)将根据这个情景计算车辆需要在原地等待的时间sj。在计算了每一个停点的等待时间的前提下,约束(14)计算了车辆离开每一个停点的具体时间。约束(3)计算的Ti只表示了车辆停点的访问顺序,而约束(14)计算的tj则表示了离开某个访问点的具体时间。约束(15)是对上一条约束的补充,保证了离开访问点的时间和访问停点的顺序的一致性。
约束(16)使得所有没被访问的点的t均为0。约束(17)确保每一个无人机的任务目标点都分配在某一条航线中。约束(18)限制了无人机当前已经使用的电量对应的时间不得超过续航能力的上限。约束(19)在约束(3)处进行了说明。约束(20)确保了一种特殊的情景,即无人机需要从起点出发并降落在起点,车辆需要在起点等待无人机的情景。
通过对车载无人机协同任务想定的进一步分析、抽象,提出了车载无人机双层合作路由问题的数学模型。所述模型具有较强的适用性,数学模型作为一个纯线性的模型,可以通过商业软件进行直接求解。通过商业软件的求解,一方面验证了模型的正确性,另一方面,也说明了这个问题是一个极端复杂的问题,商业软件只适用于对极小规模的数据进行求解分析。通过数学模型的建立,为后续的求解算法的设计奠定了理论的基础。
请参考图1,图1是本发明实施例车辆搭载无人机双层路径构造方法的流程图:
101、根据无人机任务目标点空间的最小距离进行聚类分组,构建每个分组的符合无人机续航能力约束的汉密尔顿路;
102、通过特定的算法将上述每一组对应的汉密尔顿路进行合并调整,构造从基地点出发途经每条汉密尔顿路的起点和终点,再回到基地点的回路。
优选地,根据无人机任务目标点根据空间的最小距离进行聚类分组,构建每个分组的符合无人机续航能力约束的汉密尔顿路,具体包括:
请参考图2,图2是本发明实施例分组构建汉密尔顿路的流程图:
101.1、A、根据无人机任务目标点之间的空间距离系统聚类,得到冰柱图;
101.2、B、根据冰柱图,按聚类数量得到对应的簇的组成,初始聚类数量为最小聚类数量,根据特定的规则选择至少一个车辆停靠点,将所述每一个簇中的无人机任务目标点与所述车辆停靠点设为一个组;
101.3、C、通过汉密尔顿函数判断所述组能否构成符合无人机续航能力约束的汉密尔顿路;
101.4、D、若任意一组不能构成符合无人机续航能力约束的汉密尔顿路,则增大聚类数量;重复B和C,直到任意一组构成符合无人机续航能力约束的汉密尔顿路。
进一步优选地,所述根据特定规则选择至少一个车辆停靠点,具体包括:
请参考图3,图3是图3是本发明实施例选择车辆停靠点的流程图;
101.2.1、根据所述簇中任务目标点与全部车辆停靠点之间的距离构成的距离矩阵,选择数值最小的距离,所述距离对应的任务目标点为第一任务目标点,车辆停靠点为起点;
101.2.2、选择与第一任务目标点的距离最大的任务目标点的最后一个任务目标点选择与所述最后一个任务目标点,距离最小的车辆停靠点为终点。
优选地,所述符合无人机续航能力约束的汉密尔顿路包含一个车辆停靠点作为起点,一个车辆停靠点作为终点,至少一个无人机任务目标点,一条车辆从起点到终点的路径,一条无人机符合续航能力约束的经过且仅经过一次任务目标点的路径。
优选地,所述通过特定的算法将上述每一组对应的符合无人机续航能力约束的汉密尔顿路进行合并调整,包括:
基于队列连接算法将上述每一组对应的符合无人机续航能力约束的汉密尔顿路进行合并调整;
或者基于最小生成树连接算法将上述每一组对应的符合无人机续航能力约束的汉密尔顿路进行合并调整。
进一步优选地,所述基于队列连接算法将上述每一组对应的符合无人机续航能力约束的汉密尔顿路进行合并调整,具体包括:
将基地点加入到队列中,进入循环;
计算每条汉密尔顿路的起点、终点与队列两端的距离,将距离最短的汉密尔顿路起点到终点的路径加入到队列中,更新队列的头或尾;
重复上述循环,直到每条汉密尔顿路的起点到终点的路径加入到队列中,构成车辆搭载无人机的双层路径。
进一步优选地,所述基于最小生成树的算法将上述每一组对应的符合无人机续航能力约束的汉密尔顿路进行合并调整,具体包括:
构造每一条汉密尔顿路的起点和终点与基地构成的集合,对所述集合求最小生成树;
选择所述最小生成树的度为奇数的车辆停靠点,对所述车辆停靠点之间进行最小权的最大匹配,生成所述点的连接路径;
合并邻近的路径,构成车辆搭载无人机的双层路径。
请参考图4,图4是本发明实施例车辆搭载无人机双层路径构造装置的结构示意图;
分组构造单元21,用于根据无人机任务目标点根据空间的最小距离进行聚类分组,构建每个分组的符合无人机续航能力约束的汉密尔顿路;
合并调整单元22,用于通过特定的算法将上述每一组对应的汉密尔顿路进行合并调整,构造从基地点出发途经每条汉密尔顿路的起点和终点,再回到基地点的回路。
优选地,所述分组构建单元具体包括:
请参考图5,图5是本发明实施例分组构建单元的结构示意图;
聚类模块211,用于根据无人机任务目标点之间的空间距离系统聚类,得到冰柱图;
分组模块212,用于根据冰柱图,按聚类数量得到对应的簇的组成,初始聚类数量为最小聚类数量,根据特定的规则选择至少一个车辆停靠点,将所述每一个簇中的无人机任务目标点与所述车辆停靠点设为一个组;
判断模块213,用于通过汉密尔顿函数判断所述组能否构成符合无人机续航能力约束的汉密尔顿路;
循环模块214,用于若任意一组不能构成符合无人机续航能力约束的汉密尔顿路,则增大聚类数量;重复分组模块和判断模块,直到所述聚类数量对应的任意一组均构成符合无人机续航能力约束的汉密尔顿路。
进一步优选地,所述根据特定的规则选择至少一个车辆停靠点,具体包括,
起点设定子模块,用于根据所述簇中任务目标点与全部车辆停靠点之间的距离构成的距离矩阵,选择数值最小的距离,所述距离对应的任务目标点为第一任务目标点,车辆停靠点为起点;
终点设定子模块,用于选择与第一任务目标点的距离最大的任务目标点的最后一个任务目标点,选择与所述最后一个任务目标点距离最小的车辆停靠点为终点。
优选地,所述合并单元,包括:
第一模块,用于基于队列连接算法将上述每一组对应的汉密尔顿路进行合并调整;
或者第二模块,用于基于最小生成树连接算法将上述每一组对应的汉密尔顿路进行合并调整。
进一步优选地,所述第一模块,具体包括:
第一队列子模块,用于将基地点加入到队列中,进入循环;
计算更新子模块,用于计算每条汉密尔顿路的起点、终点与队列两端的距离,将距离最短的汉密尔顿路起点到终点的路径加入到队列中,更新队列的头或尾;
第一构造子模块,用于重复上述循环,直到每条汉密尔顿路的起点到终点的路径加入到队列中,构造车辆搭载无人机的双层路径;
进一步优选地,所述第二模块,具体包括:
集合子模块,用于构造每一条汉密尔顿路的起点和终点与基地构成的集合,对所述集合求最小生成树;
匹配子模块,用于选择所述最小生成树的度为奇数的车辆停靠点,对所述车辆停靠点之间进行最小权的最大匹配,生成所述点的连接路径;
第二构造子模块,用于合并邻近的路径,构造车辆搭载无人机的双层路径。
上述技术方案具有如下有益效果:根据无人机任务目标点的空间距离系统聚类,得到冰柱图;根据冰柱图,从最小的聚类数量开始,得到聚类数量对应的簇的组成;按特定的规则选择至少一个车辆停靠点构成一个组,从而保证了首次对任意两个无人机任务目标点的空间距离分组的原则是:分尽可能少的组。若任意一组不能构建汉密尔顿路,则将聚类数量增加,重新分组,重新构建各个分组的汉密尔顿路,直到每一个分组都能构成符合无人机续航能力约束的汉密尔顿路。这样的技术方案,保证了在已知所有的任务目标点和车辆停靠点的前提下,分最少组,且每个组的车辆路径为从汉密尔顿路的起点到终点,无人机经过且仅经过一次任务目标点,完成了每个组的车辆与无人机双层路径的匹配,也完成了无人机访问每个组中的任务目标点的路径构造。根据队列连接算法或最小生成树的连接算法将构建的多条汉密尔顿路连接成一条回路,从而构建了车辆在整个路网中的路径。本发明提供的技术方案可以快速构造出车辆搭载无人机协同工作模式下的双层路径,能够保证车辆携带无人机在规划区域内的路网上行驶一个回路,在车辆行驶的过程中,无人机完成所有任务目标点的信息收集工作。
以下结合应用实例对本发明实施例上述技术方案进行详细说明:
请参考图7,图7是冰柱示意图:
首先计算任意两个无人机任务目标的直线距离,得到任意两个无人机任务目标点的距离矩阵。在这个距离矩阵中将所有的目标点采用凝聚的方法进行系统聚类,依据凝聚的系统聚类过程,可以得到一个冰柱图。一个冰柱图绘制出了聚类数量从1到最大量的范围内,不同聚类数量对应的簇的组成。如图7所示,从a到j共10个点,其中白色部分表示分割簇的部分,而相邻的未分割的点表示在同一个簇中。当聚类数量为1时,a到j所有的点都在这个簇内。当聚类数量为2时,最高的冰柱(白色柱)分在了e和g中间,表示如果要分成两簇,那么就是e单独一个簇,而剩下的9个点分成另外一簇。再举一个例子,图中实线处表示聚类数量为5时的各个簇的组成情况:{e},{g},{c},{i,f},{b},{j,d,h,a},而虚线处表示聚类数量为6时各个簇的组成情况:{e},{g},{c},{i},{f},{b},{j,d,h,a}。由于聚类数量6对应的冰柱(白色柱)在i与f之间,因此从5个簇分成6个簇需要将i和f分开。
聚类分组算法的流程如下:
在数据预处理的阶段先进行所有目标点之间的系统聚类,得到一个冰柱图。本文事先设定一个最小聚类数量minClusterNumber,然后根据冰柱图,从最小聚类数量开始,通过HamiltonRoute(汉密尔顿路)函数考虑聚类的每一个簇是否能够构成一条汉密尔顿路。如果每一个簇都可以构成一个符合续航能力约束的汉密尔顿路,那么将所有的汉密尔顿路连接起来就构成了一个可行解;如果有任意一个簇不行,那么增大聚类数量,根据冰柱图重新判断每一个簇的组成。重复上述过程,直到每一个簇都能构成一个符合约束的汉密尔顿路。
所述汉密尔顿路包含一个车辆停靠点作为起点、至少一个无人机的任务目标点,以及一个车辆停靠点作为终点,还包含一系列的边。从起点到终点的边构成车辆的路径,在这个路径中,起点仅有出度、终点仅有入度。在特殊情况下,起点和终点可以是同一个车辆停靠点,这时,车辆在停靠点停留等待无人机访问任务目标点后返回。无人机的任务目标点既有入度又有出度,且入度和出度相等均为1。如果无人机在符合续航能力的约束下,按照这样一条路径访问其中所有的任务目标点,那么这样一条路径就是一条可行的符合续航能力约束的汉密尔顿路。
Heuristic 3:Clustered Assignment(聚类分组流程)
通过聚类分组的方法,本发明实施例得到了多个组,且每一个组都可以构成一条汉密尔顿路,但时,这样的多条汉密尔顿路可能并没有连接成一条大回路,是离散的。因此,还需要特定的算法将得到的多条汉密尔顿进行合并整合,本发明实施例提供了两种不同的连接算法:基于队列连接算法和基于最小生成树的连接算法。以聚类分组得到的结果为基础,运用任一个连接算法都可以实现从基地点出发,途经每一条汉密尔顿路的起点和终点再回到基地点的双层路径的构造。
请参考图8,图8是基于队列连接算法的示意图;其中图8(a)是第一步示意图;图8(b)是过程示意图;图8(c)是结果示意图;
在基于队列的连接算法中,首先将场站节点加入到队列中,进入循环,计算每条汉密尔顿路的起点、终点与队列两端的距离,将距离最短的汉密尔顿路的起点到终点的路径加入到队列中,更新队列的头或尾;重复上述循环,直到所有的汉密尔顿路的起点到终点的路径都加入到队列中,这样就构成了一条回路,构造了车辆搭载无人机的双层路径。
算法流程如下:
Algorithm 1:Queue-based Construct(队列连接算法)
请参考图8(a),设定基地点为A,路网上共有两条已经构建好的汉密尔顿路,起点和终点分别为B和C、D和E。为了图面简洁,便于理解,图中没有标明无人机任务目标点和无人机的路径,只标明了车辆的停靠点。各个点的分布如图8(a)所示。
请参考图8(b)和8(c),首先将基地点A加入到队列中,队列中只有A,计算B、C、D、E距离A点的距离,距离A最近的点是B,因此将路径BC加入到队列中,更新队列的尾端A为C,得到如图8(b)所示的结果。在新的队列中,计算剩余的路径DE的D、E到新的队列两端A、C的距离,因为CD<AE,因此将DE端从C的一端加入到队列中,得到如图8(c)所示的结果,最后,再将队列的头和尾相连,构成一条回路。
请参考图9,图9是基于最小生成树连接算法的示意图;其中图9(a)是第一步示意图;图9(b)是过程示意图;图9(c)是结果示意图:
在基于最小生成树连接算法中,借鉴了TSP(旅行商问题)问题求解时的基于最小生成树的求解算法。构造一个所有的汉密尔顿路的起点和终点与基地点构成的集合,对该集合求得得其最小生成树。然后将这个最小生成树的度为奇数的点选取出来,对这些点之间进行一个最小权的最大匹配。最后,再合并邻近的路径,构成一条回路。算法流程图如下:
Algorithm 2:MST-based Construct(最小生成树算法流程)
请参考图9(a),设定基地点为A,路网上共有三条构建好的汉密尔顿路,起点和终点分别为B和C、D和E、F和G。为了图面简洁,便于理解,图中没有标明无人机任务目标点和无人机的路径,只标明了车辆的停靠点。各个点的分布如图9(a)所示。
构建最小生成树时,将路径AC、AE和EF加入图中,此时,B、D、E、G四个点的度为奇数,在这四个点之间进行最小权的最大匹配,找到两条边将这四个点连接起来,保证每一个点的度为偶数,由此可得到如图9(b)的结果。最后考虑相邻路径能否合并,其中路径AE和ED可以合并成一条AD路径,因此合并该边从而得到最终如图9(c)所示。
请参考图10,图10是本发明实施例各节点示意图:
实施例以长沙市规化区域,选取长沙市内重要的26个路口,通过这26个路口建立路网,构成地面车辆行驶的路网。因为路口地段相对开阔,通常无障碍物,所以我们假定序号1雷锋立交桥为基地点,剩下的25个路口都可以作为车辆的停靠点。信息如表一所示:
表一 长沙市基地点与车辆停靠点信息
实施例的数据采自于百度地图坐标拾取系统,通过excel内的一个插件datdmap(数据地图),将百度地图中的地理位置的经纬度坐标点摘取下来,并通过百度地图自带的距离计算工具,计算坐标点之间的距离。
根据路网和百度地图的距离测算工具,我们可以得到初始的距离矩阵。然后,利用Floyd(插点)算法计算基于当前路网,任意两点之间的最短距离。这样得到最终的路网距离矩阵。
除路网以外,我们随机在长沙市内挑选了39个关键地标,作为无人机需要采集信息的任务目标点,任务目标点的名称与位置如表二所示:
表二 长沙市无人机任务目标点信息
图10中圆圈标记中上述39个地标、用方块标记25个车辆停靠点,用三角形标记设定的基地点位置(表一中第一个车辆停靠点)。
本发明实施例以雷锋立交桥(图10中三角形标记)作为基地点,车辆搭载无人机从基地点出发,由无人机检查长沙市内39处任务目标点的4G信号强度,最后回到位于雷锋立交桥的基地点。车辆只能在给定的主干道上行驶,无人机需要从地面车辆上起飞,访问任务目标点,并在任务目标点附近盘旋一段时间完成信号强度检测的工作,然后再访问下一个任务目标点,在电池电量耗完之前,回到车上更换电池再起飞。无人机平均飞行速度设定为80km/h,续航能力设定为25分钟。地面车辆在主干道的平均行驶速度为60km/h,在每一个任务目标点,假定无人机需要停留2~5分钟完成信号强度检测的工作,生成的任务完成所需时间见表二。任务目标点的坐标、与车辆停靠点之间的距离由百度地图的距离计算系统给出。实施例的构造目标是采用最短的时间完成对全长沙市所有39个任务目标点的遍历。
请参考图11,图11是本发明实施例聚类分组构建汉密尔顿路的示意图:
采用聚类分组算法得到的多条汉密尔顿路如图11所示。现在选取有代表性的汉密尔顿路具体说明构建过程。任务目标点4,6,10为系统聚类得到的一簇的组成,计算任务目标点4,6,10与所有车辆停靠点之间的距离,得到3×25个距离数值,构成一个距离矩阵,选择数值最小的距离,这个最小数值的一端:任务目标点4作为无人机的第一任务目标点,这个数值的另一端:车辆停靠点③为汉密尔顿路的起点。选择距离第一任务目标点4最远的任务目标点10为无人机的最后一个任务目标点,选择距离任务目标点10最近的车辆停靠点④为汉密尔顿路的终点。连接车辆停靠点③和车辆停靠点④构成这条汉密尔顿路的车辆路径。将任务目标点4,6,10依次连接构成一条无人机的飞行路径,任意交换无人机通过两个任务目标点的顺序,计算这个顺序下的无人机遍历任务目标点的总时间,如果总时间少于交换前的总时间,则采用更新后的顺序代替原来的顺序,否则,继续交换通过两个任务目标点的顺序,直到无人机遍历所有的任务目标点的总时间最短,按总时间最短的顺序确定无人机的路径,无人机遍历所有的任务目标点的总时间没有超过了无人的最长续航时间,车辆停靠点③和车辆停靠点④,任务目标点4,6,10构建了一条汉密尔顿路。
车辆停靠点③和任务目标点5是一条特殊的汉密尔顿路,车辆需要停留在车辆停靠点③等待无人机到任务目标点5停留4.04分完成任务,返回到车辆停靠点③。请参考图11中,车辆停靠点④和车辆停靠点⑤,任务目标点7、24构成的一条汉密尔顿路,车辆停靠点④既是上一条汉密尔顿的起点也是这条汉密尔顿的终点。
请参考图12,图12是本发明实施例基于队列连接算法构造的双层路径示意图;
请参考图13,图13是本发明实施例基于最小生成树连接算法构造的双层路径示意图。
图12中的车辆搭载无人机遍历39个任务目标点的总完成时间为257.8675分钟,图13中的车辆搭载无人机遍历39个任务目标点的总完成时间为267.3712分钟。由总时间可知,两种连接算法得到的总时间的长度差别不大,两种连接算法均可行。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车辆搭载无人机双层路径的构造方法,其特征在于,所述方法包括:
根据无人机任务目标点空间的最小距离进行聚类分组,构建每个分组的符合无人机续航能力约束的汉密尔顿路;
通过连接算法将上述每一组对应的汉密尔顿路进行合并调整,构造从基地点出发途经每条汉密尔顿路的起点和终点,再回到基地点的回路。
2.根据权利要求1所述的车辆搭载无人机双层路径的构造方法,其特征在于,所述根据无人机任务目标点空间的最小距离进行聚类分组,构建每个分组的符合无人机续航能力约束的汉密尔顿路,具体包括:
A、根据无人机任务目标点之间的空间距离系统聚类,得到冰柱图;
B、根据冰柱图,按聚类数量得到对应的簇的组成,初始聚类数量为最小聚类数量,根据特定的规则选择至少一个车辆停靠点,将所述每一个簇中的无人机任务目标点与所述车辆停靠点设为一个组;
C、通过汉密尔顿函数判断所述组能否构成符合无人机续航能力约束的汉密尔顿路;
D、若任意一组不能构成符合无人机续航能力约束的汉密尔顿路,则增大聚类数量;重复B和C,直到任意一组构成符合无人机续航能力约束的汉密尔顿路。
3.根据权利要求2所述的一种车辆搭载无人机双层路径的构造方法,其特征在于,所述根据特定的规则选择至少一个车辆停靠点,具体包括:
根据所述簇中任务目标点与全部车辆停靠点之间的距离构成的距离矩阵,选择数值最小的距离,所述距离的一端任务目标点为第一任务目标点,所述距离的另一端车辆停靠点为起点;
选择与第一任务目标点的距离最大的任务目标点的最后一个任务目标点,选择与所述最后一个任务目标点距离最小的车辆停靠点为终点。
4.根据权利要求1所述的车辆搭载无人机双层路径的构造方法,其特征在于,所述符合无人机续航能力约束的汉密尔顿路包含一个车辆停靠点作为起点,一个车辆停靠点作为终点,至少一个无人机任务目标点,一条车辆从起点到终点的路径,一条无人机符合续航能力约束的经过且仅经过一次任务目标点的路径;
所述通过连接算法将上述每一组对应的符合无人机续航能力约束的汉密尔顿路进行合并调整,包括:
基于队列连接算法将上述每一组对应的符合无人机续航能力约束的汉密尔顿路进行合并调整;
或者基于最小生成树连接算法将上述每一组对应的符合无人机续航能力约束的汉密尔顿路进行合并调整。
5.根据权利要求4所述的车辆搭载无人机双层路径的构造方法,其特征在于,所述基于队列连接算法将上述每一组对应的符合无人机续航能力约束的汉密尔顿路进行合并调整,具体包括:
将基地点加入到队列中,进入循环;
计算每条汉密尔顿路的起点、终点与队列两端的距离,将距离最短的汉密尔顿路起点到终点的路径加入到队列中,更新队列的头或尾;
重复上述循环,直到每条汉密尔顿路起点到终点的路径加入到队列中,构成车辆搭载无人机的双层路径;
所述基于最小生成树的算法将上述每一组对应的符合无人机续航能力约束的汉密尔顿路进行合并调整,具体包括:
构造每一条汉密尔顿路的起点和终点与基地构成的集合,对所述集合求最小生成树;
选择所述最小生成树的度为奇数的车辆停靠点,对所述车辆停靠点之间进行最小权的最大匹配,生成所述点的连接路径;
合并邻近的路径,构成车辆搭载无人机的双层路径。
6.一种车辆搭载无人机双层路径的构造装置,其特征在于,所述装置包括:
分组构建单元,用于根据无人机任务目标点空间的最小距离进行聚类分组,构建每个分组的符合无人机续航能力约束的汉密尔顿路;
合并调整单元,用于通过连接算法将上述每一组对应的汉密尔顿路进行合并调整,构造从基地点出发途经每条汉密尔顿路的起点和终点,再回到基地点的回路。
7.根据权利要求6所述的车辆搭载无人机双层路径的构造装置,其特征在于,所述分组构建单元具体包括:
聚类模块,用于根据无人机任务目标点之间的空间距离系统聚类,得到冰柱图;
分组模块,用于根据冰柱图,按聚类数量得到对应的簇的组成,初始聚类数量为最小聚类数量,根据特定的规则选择至少一个车辆停靠点,将所述每一个簇中的无人机任务目标点与所述车辆停靠点设为一个组;
判断模块,用于通过汉密尔顿函数判断所述组能否构成符合无人机续航能力约束的汉密尔顿路;
循环模块,用于若任意一组不能构成符合无人机续航能力约束的汉密尔顿路,则增大聚类数量;重复分组模块和判断模块,直到所述聚类数量对应的任意一组均构成符合无人机续航能力约束的汉密尔顿路。
8.根据权利要求7所述的车辆搭载无人机双层路径的构造装置,其特征在于,所述根据特定的规则选择至少一个车辆停靠点,具体包括:
起点设定子模块,用于根据所述簇中任务目标点与全部车辆停靠点之间的距离构成的距离矩阵,选择数值最小的距离,所述距离的一端:任务目标点为第一任务目标点,所述距离的另一端:车辆停靠点为起点;
终点设定子模块,用于选择与第一任务目标点的距离最大的任务目标点的最后一个任务目标点,选择与所述最后一个任务目标点距离最小的车辆停靠点为终点。
9.根据权利要求6所述的车辆搭载无人机双层路径的构造装置,其特征在于,所述汉密尔顿路包含一个车辆停靠点作为起点,一个车辆停靠点作为终点,至少一个无人机任务目标点,一条车辆从起点到终点的路径,一条无人机符合续航能力约束的经过且仅经过一次任务目标点的路径;
所述合并调整单元,包括:
第一模块,用于基于队列连接算法将上述每一组对应的汉密尔顿路进行合并调整;
或者第二模块,用于基于最小生成树连接算法将上述每一组对应的汉密尔顿路进行合并调整。
10.根据权利要求9所述的车辆搭载无人机双层路径的构造装置,其特征在于,所述第一模块,具体包括:
第一队列子模块,用于将基地点加入到队列中,进入循环;
计算更新子模块,用于计算每条汉密尔顿路的起点、终点与队列两端的距离,将距离最短的汉密尔顿路起点到终点的路径加入到队列中,更新队列的头或尾;
第一构造子模块,用于重复上述循环,直到每条汉密尔顿路的起点到终点的路径加入到队列中,构造车辆搭载无人机的双层路径;
所述第二模块,具体包括:
集合子模块,用于构造每一条汉密尔顿路的起点和终点与基地构成的集合,对所述集合求最小生成树;
匹配子模块,用于选择所述最小生成树的度为奇数的车辆停靠点,对所述车辆停靠点之间进行最小权的最大匹配,生成所述点的连接路径;
第二构造子模块,用于合并邻近的路径,构造车辆搭载无人机的双层路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711381964.5A CN108256553B (zh) | 2017-12-20 | 2017-12-20 | 车辆搭载无人机双层路径的构造方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711381964.5A CN108256553B (zh) | 2017-12-20 | 2017-12-20 | 车辆搭载无人机双层路径的构造方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256553A true CN108256553A (zh) | 2018-07-06 |
CN108256553B CN108256553B (zh) | 2020-03-27 |
Family
ID=62723468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711381964.5A Active CN108256553B (zh) | 2017-12-20 | 2017-12-20 | 车辆搭载无人机双层路径的构造方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256553B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109121139A (zh) * | 2018-09-14 | 2019-01-01 | 北京领云时代科技有限公司 | 一种无人机集群系统防入侵的方法 |
CN110263983A (zh) * | 2019-05-31 | 2019-09-20 | 中国人民解放军国防科技大学 | 一种车辆与无人机物流配送的双层路径规划方法及系统 |
CN110442143A (zh) * | 2019-07-05 | 2019-11-12 | 北京航空航天大学 | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 |
CN110730933A (zh) * | 2018-08-23 | 2020-01-24 | 深圳市大疆创新科技有限公司 | 一种无人机的返航控制方法、设备、及无人机 |
CN110825104A (zh) * | 2019-09-20 | 2020-02-21 | 合肥工业大学 | 移动平台路径规划与无人机任务分配的两阶段优化方法 |
CN110852470A (zh) * | 2019-09-20 | 2020-02-28 | 合肥工业大学 | 无人机与车辆协同下交通巡逻任务分配的优化方法 |
CN110852471A (zh) * | 2019-09-20 | 2020-02-28 | 合肥工业大学 | 车辆与无人机协同的交通巡逻方法及装置 |
CN110956337A (zh) * | 2019-12-16 | 2020-04-03 | 深圳中科保泰科技有限公司 | 无人机常态化智能作业前的勘探方法和装置 |
CN111121782A (zh) * | 2018-12-28 | 2020-05-08 | 中国人民解放军国防科技大学 | 车载无人机电力巡检的双层路径规划方法与装置 |
CN111121783A (zh) * | 2018-12-28 | 2020-05-08 | 中国人民解放军国防科技大学 | 一种车载无人机电力巡检的双层路径规划方法与装置 |
CN111811529A (zh) * | 2020-06-15 | 2020-10-23 | 中国人民解放军国防科技大学 | 一种多区域车机协同侦察路径规划方法及系统 |
CN112817333A (zh) * | 2021-01-06 | 2021-05-18 | 上海明略人工智能(集团)有限公司 | 巡检规划方法、装置、设备及计算机可读介质 |
CN113671986A (zh) * | 2021-07-28 | 2021-11-19 | 合肥工业大学 | 空地协同下无人机与车辆的任务分配方法和系统 |
CN114115120A (zh) * | 2022-01-25 | 2022-03-01 | 广州中望龙腾软件股份有限公司 | 一种智能排布的槽加工刀轨生成方法、系统、设备及介质 |
CN114440913A (zh) * | 2022-01-21 | 2022-05-06 | 东莞职业技术学院 | 实现最短哈密尔顿回路的路径规划方法、设备及存储介质 |
CN115344039A (zh) * | 2022-07-06 | 2022-11-15 | 中国船舶科学研究中心 | 一种基于自适应分离组合策略的无人艇集群避障方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2505715A (en) * | 2012-09-11 | 2014-03-12 | Thales Holdings Uk Plc | Sensor path optimisation method and system |
US20160300492A1 (en) * | 2014-05-20 | 2016-10-13 | Verizon Patent And Licensing Inc. | Utilization of third party networks and third party unmanned aerial vehicle platforms |
CN106813666A (zh) * | 2017-02-13 | 2017-06-09 | 中国人民解放军国防科学技术大学 | 车辆搭载无人机的双层路径构建方法及系统 |
CN106908065A (zh) * | 2017-02-13 | 2017-06-30 | 中国人民解放军国防科学技术大学 | 车辆搭载无人机的双层路径构建方法及系统 |
CN107300927A (zh) * | 2017-06-26 | 2017-10-27 | 中国人民解放军国防科学技术大学 | 一种无人机基站选址与巡逻路径优化方法及装置 |
-
2017
- 2017-12-20 CN CN201711381964.5A patent/CN108256553B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2505715A (en) * | 2012-09-11 | 2014-03-12 | Thales Holdings Uk Plc | Sensor path optimisation method and system |
US20160300492A1 (en) * | 2014-05-20 | 2016-10-13 | Verizon Patent And Licensing Inc. | Utilization of third party networks and third party unmanned aerial vehicle platforms |
CN106813666A (zh) * | 2017-02-13 | 2017-06-09 | 中国人民解放军国防科学技术大学 | 车辆搭载无人机的双层路径构建方法及系统 |
CN106908065A (zh) * | 2017-02-13 | 2017-06-30 | 中国人民解放军国防科学技术大学 | 车辆搭载无人机的双层路径构建方法及系统 |
CN107300927A (zh) * | 2017-06-26 | 2017-10-27 | 中国人民解放军国防科学技术大学 | 一种无人机基站选址与巡逻路径优化方法及装置 |
Non-Patent Citations (2)
Title |
---|
SATYANARAYANA G等: "Path Planning for Cooperative Routing of Air-Ground Vehicles", 《2016 AMERICAN CONTROL CONFERENCE(ACC)》 * |
ZHIHAO LUO等: "A Two-echelon Cooperated Routing Problem for a Ground Vehicle and Its Carried Unmanned Aerial Vehicle", 《SENSORS》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110730933A (zh) * | 2018-08-23 | 2020-01-24 | 深圳市大疆创新科技有限公司 | 一种无人机的返航控制方法、设备、及无人机 |
CN109121139B (zh) * | 2018-09-14 | 2020-10-02 | 北京领云时代科技有限公司 | 一种无人机集群系统防入侵的方法 |
CN109121139A (zh) * | 2018-09-14 | 2019-01-01 | 北京领云时代科技有限公司 | 一种无人机集群系统防入侵的方法 |
CN111121783B (zh) * | 2018-12-28 | 2023-09-19 | 中国人民解放军国防科技大学 | 一种车载无人机电力巡检的双层路径规划方法与装置 |
CN111121782B (zh) * | 2018-12-28 | 2023-07-04 | 中国人民解放军国防科技大学 | 车载无人机电力巡检的双层路径规划方法与装置 |
CN111121782A (zh) * | 2018-12-28 | 2020-05-08 | 中国人民解放军国防科技大学 | 车载无人机电力巡检的双层路径规划方法与装置 |
CN111121783A (zh) * | 2018-12-28 | 2020-05-08 | 中国人民解放军国防科技大学 | 一种车载无人机电力巡检的双层路径规划方法与装置 |
CN110263983A (zh) * | 2019-05-31 | 2019-09-20 | 中国人民解放军国防科技大学 | 一种车辆与无人机物流配送的双层路径规划方法及系统 |
CN110263983B (zh) * | 2019-05-31 | 2021-09-07 | 中国人民解放军国防科技大学 | 一种车辆与无人机物流配送的双层路径规划方法及系统 |
CN110442143A (zh) * | 2019-07-05 | 2019-11-12 | 北京航空航天大学 | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 |
CN110825104B (zh) * | 2019-09-20 | 2022-07-19 | 合肥工业大学 | 移动平台路径规划与无人机任务分配的两阶段优化方法 |
CN110852471B (zh) * | 2019-09-20 | 2022-12-09 | 合肥工业大学 | 车辆与无人机协同的交通巡逻方法及装置 |
CN110825104A (zh) * | 2019-09-20 | 2020-02-21 | 合肥工业大学 | 移动平台路径规划与无人机任务分配的两阶段优化方法 |
CN110852471A (zh) * | 2019-09-20 | 2020-02-28 | 合肥工业大学 | 车辆与无人机协同的交通巡逻方法及装置 |
CN110852470A (zh) * | 2019-09-20 | 2020-02-28 | 合肥工业大学 | 无人机与车辆协同下交通巡逻任务分配的优化方法 |
CN110956337A (zh) * | 2019-12-16 | 2020-04-03 | 深圳中科保泰科技有限公司 | 无人机常态化智能作业前的勘探方法和装置 |
CN110956337B (zh) * | 2019-12-16 | 2022-05-24 | 深圳中科保泰空天技术有限公司 | 无人机常态化智能作业前的勘探方法和装置 |
CN111811529A (zh) * | 2020-06-15 | 2020-10-23 | 中国人民解放军国防科技大学 | 一种多区域车机协同侦察路径规划方法及系统 |
CN112817333A (zh) * | 2021-01-06 | 2021-05-18 | 上海明略人工智能(集团)有限公司 | 巡检规划方法、装置、设备及计算机可读介质 |
CN112817333B (zh) * | 2021-01-06 | 2023-12-29 | 上海明略人工智能(集团)有限公司 | 巡检规划方法、装置、设备及计算机可读介质 |
CN113671986A (zh) * | 2021-07-28 | 2021-11-19 | 合肥工业大学 | 空地协同下无人机与车辆的任务分配方法和系统 |
CN113671986B (zh) * | 2021-07-28 | 2022-10-18 | 合肥工业大学 | 空地协同下无人机与车辆的任务分配方法和系统 |
CN114440913A (zh) * | 2022-01-21 | 2022-05-06 | 东莞职业技术学院 | 实现最短哈密尔顿回路的路径规划方法、设备及存储介质 |
CN114115120A (zh) * | 2022-01-25 | 2022-03-01 | 广州中望龙腾软件股份有限公司 | 一种智能排布的槽加工刀轨生成方法、系统、设备及介质 |
CN115344039A (zh) * | 2022-07-06 | 2022-11-15 | 中国船舶科学研究中心 | 一种基于自适应分离组合策略的无人艇集群避障方法 |
CN115344039B (zh) * | 2022-07-06 | 2023-08-18 | 中国船舶科学研究中心 | 一种基于自适应分离组合策略的无人艇集群避障方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108256553B (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256553A (zh) | 车辆搭载无人机双层路径的构造方法及装置 | |
Guériau et al. | Shared autonomous mobility on demand: A learning-based approach and its performance in the presence of traffic congestion | |
CN106813666B (zh) | 车辆搭载无人机的双层路径构建方法及系统 | |
CN106908065B (zh) | 车辆搭载无人机的双层路径构建方法及系统 | |
CN108592928A (zh) | 车辆搭载无人机双层路径的构造方法及装置 | |
CN108280463A (zh) | 车辆搭载无人机双层路径的优化方法及装置 | |
Cipriani et al. | A bus network design procedure with elastic demand for large urban areas | |
Calabrò et al. | Bridging the gap between weak-demand areas and public transport using an ant-colony simulation-based optimization | |
CN108549952A (zh) | 车辆搭载无人机双层路径的优化方法及装置 | |
CN111121783B (zh) | 一种车载无人机电力巡检的双层路径规划方法与装置 | |
CN112765753B (zh) | 一种公共交通超级网络构建方法 | |
Almasi et al. | Optimization of a transit services model with a feeder bus and rail system using metaheuristic algorithms | |
CN109724619A (zh) | 信息推送方法、装置及服务器 | |
CN115079701A (zh) | 一种无人车与无人机协同的路径规划方法 | |
Zheng et al. | Route design model of multiple feeder bus service based on existing bus lines | |
CN107071721A (zh) | 基于手机定位数据的停留点提取方法 | |
Hammadi et al. | Multimodal transport systems | |
Li et al. | A bibliometric analysis and review on reinforcement learning for transportation applications | |
CN110390144A (zh) | 导向标识布设信息的确定方法、装置、设备及存储介质 | |
CN112699202B (zh) | 禁行道路的识别方法、装置、电子设备及存储介质 | |
CN110753917A (zh) | 用于实现多跳拼车的数据处理方法 | |
CN114779758A (zh) | 无人机与无人车异构协同系统的路径规划方法 | |
Brodesser | Multi-modal route planning | |
Beltrami | The Path to the Playground | |
Almasi et al. | Validating an improved model for Feeder Bus network design using Genetic Algorithm (GA) and Particle swarm optimization (PSO) |
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 |