CN108460500A - 基于改进Flood-Fill算法的最优路径规划方法 - Google Patents
基于改进Flood-Fill算法的最优路径规划方法 Download PDFInfo
- Publication number
- CN108460500A CN108460500A CN201810421212.5A CN201810421212A CN108460500A CN 108460500 A CN108460500 A CN 108460500A CN 201810421212 A CN201810421212 A CN 201810421212A CN 108460500 A CN108460500 A CN 108460500A
- Authority
- CN
- China
- Prior art keywords
- grid
- labyrinth
- maze
- forward position
- algorithm
- 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.)
- Pending
Links
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进Flood‑Fill算法的最优路径规划方法,所述基于改进Flood‑Fill算法的最优路径规划方法基于迷宫搜索算法已获取到的迷宫墙壁信息,判断迷宫方格间的连通性,更新迷宫方格起点至终点的距离编码值,完成迷宫最优路径的求解;利用迷宫搜索算法已获取到的迷宫墙壁信息,判断迷宫方格间的连通性,更新迷宫方格起点至终点距离编码值,完成迷宫探索后最优路径的求解。仿真和实验测试结果表明,相对于传统经典的Flood‑Fill迷宫搜索算法,该算法不仅能够精准地寻找到搜索后的迷宫最优路径,而且算法执行速度提高20至50倍,平均运算时间节省10至500毫秒。
Description
技术领域
本发明属于智能机器人技术领域,尤其涉及一种基于改进Flood-Fill算法的最优路径规划方法。
背景技术
“电脑鼠”,英文名MicroMouse,是由嵌入式微处理器、传感器和电机组成的一种小型自动化轮式智能机器人。IEEE每年会举办一次国际性的电脑鼠走迷宫竞赛。根据国际电工和电子工程学会(IEEE)制定的电脑鼠迷宫竞赛规则,电脑鼠需要在由16×16个18cm×18cm大小的单元格组成的未知迷宫中自行行走、搜索迷宫内部信息并寻找迷宫起点到终点的路径,以最快的速度从起点到达迷宫的终点。在竞赛中电脑鼠需要完成迷宫路径的求解,具体包括未知迷宫的搜索和最短路径的求解两个任务,前者要求电脑鼠搜索并记忆迷宫的内部结构,寻找迷宫起点与终点之间存在的路径,后者要求电脑鼠根据搜索过程获得的迷宫墙壁信息寻找计算出迷宫从起点到终点的最短路径。目前研究拓扑学和图论的工程师已经探讨研究了较多的迷宫路径求解算法,包括沿壁法、向心深度优先算法、Dijkstra算法、Flood-Fill算法和遗传算法等。总体说来,迷宫算法经历了从非图论算法到图论算法的发展,从朴素的左右手法则、中左中右法则,发展到深度优先搜索(DFS)、泛洪填充算法(Flood-Fill)等。同时随着机器人路径规划方法的不断发展,A*、D*等启发式搜索算法也开始应用在竞赛中。泛洪填充算法(Flood-Fill),是目前深受欢迎的求解迷宫从起点到终点最优路径的算法。由于此算法可靠,实用性强,易于理解,在电脑鼠迷宫求解问题中得到了广泛而深入地实际应用。在实际的电脑鼠竞赛中,普遍采取的Flood-Fill迷宫搜索算法是将迷宫探索与最优路径求解同时进行。初始默认迷宫中方格均为“无墙”状态,电脑鼠向前行走。每当电脑鼠进入一个新的迷宫格就检测此方格有无墙壁的信息,并以迷宫终点方格为目标方格,电脑鼠当前所在方格为起点方格,执行一次Flood-Fill算法,电脑鼠在重新更新的最优路径指引下前进。当电脑鼠到达下一方格后,重复执行上述流程,直至到达迷宫终点。上述走迷宫的策略可以保证迷宫探测的方向性和目的性,更好地防止了电脑鼠反复的“绕圈子”和重复探测,可以较为有效地找到最优路径。然而,每进入一个方格就需要重新执行一次Flood-Fill算法,每一次都需要对256个迷宫方格距离值重新计算并更新。显而易见,尤其在迷宫探测初期,信息不全的情形下,会进行大量无意义的计算操作和数据搬移,浪费系统资源。目前国际电脑鼠走迷宫竞赛中常采用的Flood-Fill迷宫搜索算法存在硬件系统资源消耗较多和无法实现最短路径求解及判定等问题。
综上所述,目前的电脑鼠求解迷宫从起点到终点最优路径的算法存在进行大量无意义的计算操作和数据搬移,浪费系统资源,硬件系统资源消耗较多和无法实现最短路径求解及判定的缺陷。
发明内容
本发明的目的在于提供一种基于改进Flood-Fill算法的最优路径规划方法,旨在解决目前的电脑鼠求解迷宫从起点到终点最优路径的算法存在进行大量无意义的计算操作和数据搬移,浪费系统资源,硬件系统资源消耗较多和无法实现最短路径求解及判定的问题。
本发明是这样实现的,一种基于改进Flood-Fill算法的最优路径规划方法,所述基于改进Flood-Fill算法的最优路径规划方法基于迷宫搜索算法已获取到的迷宫墙壁信息,判断迷宫方格间的连通性,更新迷宫方格起点至终点的距离编码值,完成迷宫最优路径的求解。
进一步,所述基于改进Flood-Fill算法的最优路径规划方法利用迷宫搜索算法已获取到的迷宫墙壁信息,判断迷宫方格间的连通性,更新迷宫方格起点终点距离编码值,完成迷宫探索后最优路径的求解。
进一步,所述基于改进Flood-Fill算法的最优路径规划方法包括以下步骤:
步骤一,在电脑鼠进行搜索迷宫之前建立一个16×16的数组作为存储迷宫墙壁信息的表格;电脑鼠初始时认为迷宫中的方格均无墙壁;
步骤二,波前从目标方格开始向外扩展;通过对前沿方格与目标方格距离的计算,由近及远距离值依次加1,循环填充迷宫;
步骤三,当波前最终到达迷宫的起点方格时,完成一次泛洪填充算法;通过前沿方格不停的移动与距离值的更新,获得从目标方格到邻近方格中的距离值编码表;依据此表,将方格数值降序排序,即获得从起点方格到目标方格的最优路径。
进一步,所述目标方格和起点方格选择迷宫中的任一方格;
首先,标记与目标方格四周相邻并且连通的方格为前沿方格,并将此前沿方格入队列;
当队列非空时,数组中前沿方格对应的元素被替换为与目标方格的距离;
将被替换过的前沿方格的相邻方格作为新的前沿方格,同样地将此新的前沿方格入队列,进行相同的处理;
通过循环上述的操作,前沿方格不断接近起点方格;迷宫中的方格依次得到填充。
本发明的另一目的在于提供一种利用所述基于改进Flood-Fill算法的最优路径规划方法的电脑鼠。
本发明提供的基于改进Flood-Fill算法的最优路径规划方法,针对目前电脑鼠迷宫竞赛中常用的Flood-Fill迷宫搜索算法进行分析,对其应用在迷宫路径求解问题上存在的目前的电脑鼠求解迷宫从起点到终点最优路径的算法存在进行大量无意义的计算操作和数据搬移,浪费系统资源,硬件系统资源消耗较多和无法实现最短路径求解及判定的缺陷不足进行改进,然后构建更快的迷宫最优路径的求解方法。通过基于Microsoft VisualStudio开发的仿真平台软件和实际IEEE标准迷宫测试,对改进前后的算法进行比较、分析和验证,证明了本发明的优越性。
本发明基于Flood-Fill算法以及Flood-Fill迷宫搜索算法,将原先杂糅在一起的迷宫搜索算法和最优路径算法独立出来,提出了改进的最优路径求解算法。基于迷宫搜索算法已获取到的迷宫墙壁信息,判断迷宫方格间的连通性,更新迷宫方格起点至终点的距离编码值,完成迷宫最优路径的求解;具有时间复杂度小,便于代码实现等优点。
仿真和实验测试结果表明,相对于传统经典的Flood-Fill迷宫搜索算法,该算法不仅能够精准地寻找到搜索后的迷宫最优路径,而且算法执行速度提高20至50倍,平均运算时间节省10至500毫秒。本发明提出了改进的基于Flood-Fill的最优路径求解算法进行迷宫最优路径求解,充分利用迷宫搜索算法已获取到的迷宫墙壁信息,判断迷宫方格间的连通性,更新迷宫方格起点终点距离编码值,完成迷宫探索后最优路径的求解。可以有效地减少冗余编码值的更新,降低搜索过程中的系统资源消耗并提高算法执行速度。通过迷宫最优路径搜索仿真平台以及大量电脑鼠走迷宫竞赛地图的测试实验,证明了本发明提出的最优路径算法的有效性和优越性。
附图说明
图1是本发明实施例提供的基于改进Flood-Fill算法的最优路径规划方法流程图。
图2是本发明实施例提供的具体实施例的流程图。
图3是本发明实施例提供的标记前沿表格示意图。
图4是本发明实施例提供的替换目标方格示意图。
图5是本发明实施例提供的新的前沿方格示意图。
图6是本发明实施例提供的前沿方格示意图。
图7是本发明实施例提供的迷宫中剩余部分示意图。
图8是本发明实施例提供的仿真平台运行结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于改进Flood-Fill算法的最优路径规划方法包括以下步骤:
S101:在电脑鼠进行搜索迷宫之前建立一个16×16的数组作为存储迷宫墙壁信息的表格;电脑鼠初始时认为迷宫中的方格均无墙壁;
S102:波前(wavefront)从目标方格开始向外扩展;通过对前沿方格(front cell)与目标方格距离的计算,由近及远距离值依次加1,循环填充迷宫;
S103:当波前最终到达迷宫的起点方格时,就完成了一次泛洪填充算法;通过前沿方格不停的移动与距离值的更新,最终获得了从目标方格到邻近方格中的距离值编码表;依据此表,将方格数值降序排序,即可获得从起点方格到目标方格的最优路径。
下面结合具体实施例对本发明的应用原理作进一步的描述。
1、迷宫最优路径算法
1.1思想和原理
针对现有存在的问题,提出改进的基于Flood-Fill的最优路径求解算法。该算法需要在电脑鼠进行搜索迷宫之前建立一个16×16的数组作为存储迷宫墙壁信息的表格;电脑鼠初始时认为迷宫中的方格均无墙壁。
假设迷宫的目标起点方格(target cell)处有“水源”,随着迷宫中“洪水”的流动,波前(wavefront)从目标方格开始向外扩展。通过对前沿方格(front cell)与目标方格距离的计算,由近及远距离值依次加1,循环填充迷宫。当波前最终到达迷宫的起点方格时,就完成了一次泛洪填充算法。正是通过前沿方格不停的移动与距离值的更新,最终获得了从目标方格到邻近方格中的距离值编码表。依据此表,将方格数值降序排序,即可获得从起点方格到目标方格的最优路径。
1.2算法流程图,如图2。
1.3算法解析
本发明中,迷宫的目标方格和起点方格可以选择迷宫中的任一方格。此处将下列迷宫图中的左下角方格设为起点方格(S),右上角方格设为目标方格(G)。
首先,标记与目标方格四周相邻并且连通的方格为前沿方格,并将此前沿方格入队列,以进行下一步的处理;如图3所示。
当队列非空时,数组中前沿方格对应的元素被替换为与目标方格的距离;如图4所示。
将被替换过的前沿方格的相邻方格作为新的前沿方格,同样地将此新的前沿方格入队列,进行相同的处理;如图5所示。
通过循环上述的操作,前沿方格不断接近起点方格。迷宫中的方格依次得到填充;如图6所示。
接下来的迷宫图详细展示了迷宫中剩余部分的算法执行示意图,如图7所示。
下面结合仿真对本发明的应用效果作详细的描述。
为了验证本发明提出的更快的迷宫最优路径算法的有效性,基于此算法采用Microsoft Visual Studio设计开发了迷宫最优路径搜索仿真平台。以2012年天津地区电脑鼠走迷宫竞赛地图为案例,分析更快的迷宫最优路径算法的实际效果。图8为在开发的仿真平台上算法运行的结果。
除此之外,在仿真平台上进行了大量的测试实验。众多的实验表明,仿真最优路径的求解结果与实际最优路径完全吻合,此算法的求解结果的正确性得到验证。
下面结合对比对本发明的应用效果作进一步的描述。
为了比较经典的Flood-Fill迷宫最优路径算法和本发明提出的更快的迷宫最优路径算法的优劣,采用Microsoft Visual Studio设计开发了迷宫最优路径搜索仿真平台。通过仿真平台分别计算两种算法在一次求解最优路径过程中所需要的运算次数。以多个近年来国际和国内电脑鼠走迷宫竞赛采用的迷宫地图作为测试样本,对各迷宫图的测试统计数据表明,完成一次最优路径的求解,经典的Flood-Fill迷宫最优路径算法平均需要运算9416次,而更快的迷宫最优路径算法平均仅需要运算658次,更快的迷宫最优路径算法的求解效率有了显著地提高,减少了原先算法93%以上的运算次数,大大降低了求解过程中的电脑鼠系统资源消耗,有效缩短了算法执行时间,证明了本发明提出的更快的迷宫最优路径算法的优越性。测试结果如下表1所示。
表1不同算法基本操作执行次数统计表
由于参赛选手在竞赛过程中采取的迷宫探索策略,电脑鼠无法完整地探测到256个方格的信息。实验表明,即使电脑鼠获得的迷宫墙壁信息有限,此算法依然可以发挥强大的作用,从已知不完整的迷宫信息中,寻找到最优路径。
当电脑鼠在迷宫中遇到“死路”或者“兜圈子”时,可以调用此算法程序,快速地寻找到一条走出“困境”的路线。
Flood_Fill算法是电脑鼠走迷宫竞赛中一种使用广泛的最优路径求解算法。基于Flood_Fill的最优路径算法即以Flood_Fill为核心,进行从迷宫起点至终点的一次搜索。然而,该搜索算法每一次执行均需要耗费大量的时间和资源,尤其在迷宫信息不全的情形下,会进行大量无意义的计算操作和数据搬移,造成系统资源浪费。针对存在的问题,本发明提出了改进的基于Flood-Fill的最优路径求解算法进行迷宫最优路径求解,充分利用迷宫搜索算法已获取到的迷宫墙壁信息,判断迷宫方格间的连通性,更新迷宫方格起点终点距离编码值,完成迷宫探索后最优路径的求解。此算法可以有效地减少冗余编码值的更新,降低搜索过程中的系统资源消耗并提高算法执行速度。通过迷宫最优路径搜索仿真平台以及大量电脑鼠走迷宫竞赛地图的测试实验,证明了本发明提出的最优路径算法的有效性和优越性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于改进Flood-Fill算法的最优路径规划方法,其特征在于,所述基于改进Flood-Fill算法的最优路径规划方法基于迷宫搜索算法已获取到的迷宫墙壁信息,判断迷宫方格间的连通性,更新迷宫方格起点至终点的距离编码值,完成迷宫最优路径的求解。
2.如权利要求1所述的基于改进Flood-Fill算法的最优路径规划方法,其特征在于,所述基于改进Flood-Fill算法的最优路径规划方法利用迷宫搜索算法已获取到的迷宫墙壁信息,判断迷宫方格间的连通性,更新迷宫方格起点终点距离编码值,完成迷宫探索后最优路径的求解。
3.如权利要求1所述的基于改进Flood-Fill算法的最优路径规划方法,其特征在于,所述基于改进Flood-Fill算法的最优路径规划方法包括以下步骤:
步骤一,在电脑鼠进行搜索迷宫之前建立一个16×16的数组作为存储迷宫墙壁信息的表格;电脑鼠初始时认为迷宫中的方格均无墙壁;
步骤二,波前从目标方格开始向外扩展;通过对前沿方格与目标方格距离的计算,由近及远距离值依次加1,循环填充迷宫;
步骤三,当波前最终到达迷宫的起点方格时,完成一次泛洪填充算法;通过前沿方格不停的移动与距离值的更新,获得从目标方格到邻近方格中的距离值编码表;依据此表,将方格数值降序排序,获得从起点方格到目标方格的最优路径。
4.如权利要求3所述的基于改进Flood-Fill算法的最优路径规划方法,其特征在于,所述目标方格和起点方格选择迷宫中的任一方格;
首先,标记与目标方格四周相邻并且连通的方格为前沿方格,并将此前沿方格入队列;
当队列非空时,数组中前沿方格对应的元素被替换为与目标方格的距离;
将被替换过的前沿方格的相邻方格作为新的前沿方格,同样地将此新的前沿方格入队列,进行相同的处理;
通过循环上述的操作,前沿方格不断接近起点方格;迷宫中的方格依次得到填充。
5.一种利用权利要求1~4任意一项所述基于改进Flood-Fill算法的最优路径规划方法的电脑鼠。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810421212.5A CN108460500A (zh) | 2018-05-04 | 2018-05-04 | 基于改进Flood-Fill算法的最优路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810421212.5A CN108460500A (zh) | 2018-05-04 | 2018-05-04 | 基于改进Flood-Fill算法的最优路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108460500A true CN108460500A (zh) | 2018-08-28 |
Family
ID=63215062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810421212.5A Pending CN108460500A (zh) | 2018-05-04 | 2018-05-04 | 基于改进Flood-Fill算法的最优路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108460500A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103092207A (zh) * | 2013-02-27 | 2013-05-08 | 东华大学 | 一种机器人迷宫搜索方法 |
CN103985034A (zh) * | 2006-03-23 | 2014-08-13 | 特克斯图拉公司 | 具有文档跟踪特性的施工支付管理系统及方法 |
CN104142684A (zh) * | 2014-07-31 | 2014-11-12 | 哈尔滨工程大学 | 一种微型电脑鼠机器人迷宫搜索方法 |
CN104796339A (zh) * | 2014-01-17 | 2015-07-22 | 杭州华三通信技术有限公司 | 快速泛洪处理方法及装置 |
CN106873603A (zh) * | 2017-04-17 | 2017-06-20 | 成都信息工程大学 | 基于Zynq平台的电脑鼠智能车控制系统及控制方法 |
US20170249336A1 (en) * | 2014-09-10 | 2017-08-31 | Accuweather, Inc. | Customizable weather analysis system for user-defined queries |
-
2018
- 2018-05-04 CN CN201810421212.5A patent/CN108460500A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985034A (zh) * | 2006-03-23 | 2014-08-13 | 特克斯图拉公司 | 具有文档跟踪特性的施工支付管理系统及方法 |
CN103092207A (zh) * | 2013-02-27 | 2013-05-08 | 东华大学 | 一种机器人迷宫搜索方法 |
CN104796339A (zh) * | 2014-01-17 | 2015-07-22 | 杭州华三通信技术有限公司 | 快速泛洪处理方法及装置 |
CN104142684A (zh) * | 2014-07-31 | 2014-11-12 | 哈尔滨工程大学 | 一种微型电脑鼠机器人迷宫搜索方法 |
US20170249336A1 (en) * | 2014-09-10 | 2017-08-31 | Accuweather, Inc. | Customizable weather analysis system for user-defined queries |
CN106873603A (zh) * | 2017-04-17 | 2017-06-20 | 成都信息工程大学 | 基于Zynq平台的电脑鼠智能车控制系统及控制方法 |
Non-Patent Citations (3)
Title |
---|
T.H. FEIROZ KHAN: "Mobile collector aided energy reduced data collection in agricultural wireless sensor networks", 《2016 IEEE 6TH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTING (IACC)》 * |
王润民等: "基于FLOOD Fill算法的迷宫路径求解方法研究", 《计算机应用与软件》 * |
王磊: "基于IEEE电脑鼠走迷宫竞赛的迷宫算法分析与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bastani et al. | Roadtracer: Automatic extraction of road networks from aerial images | |
CN103198366B (zh) | 一种考虑目标节点时效性的多目标路径规划方法 | |
LaValle | Planning algorithms | |
CN106022463B (zh) | 基于改进粒子群算法的个性化学习路径优化方法 | |
CN104361178A (zh) | 一种基于势能驱动元胞蚁群算法的室内疏散仿真优化方法 | |
CN106529674A (zh) | 多无人机协同多目标分配方法 | |
CN104317293A (zh) | 一种改进蚁群算法的城市救援智能体动态路径规划方法 | |
CN110427360A (zh) | 轨迹数据的处理方法、处理装置、处理系统及计算机程序产品 | |
CN111298439B (zh) | 数据处理方法、装置、介质及电子设备 | |
Aqel et al. | Intelligent maze solving robot based on image processing and graph theory algorithms | |
CN102901500A (zh) | 基于概率a星与智能体混合的飞行器最优路径确定方法 | |
CN110096439A (zh) | 一种面向solidity语言的测试用例生成方法 | |
Carrie et al. | Graph theory and computer aided facilities design | |
CN107844415A (zh) | 一种基于插值的模型检测路径缩减方法、计算机 | |
Kong et al. | RNN-based default logic for route planning in urban environments | |
CN113432610A (zh) | 机器人通行规划方法、装置、机器人及存储介质 | |
Taghizadeh et al. | A novel graphical approach to automatic abstraction in reinforcement learning | |
CN108460500A (zh) | 基于改进Flood-Fill算法的最优路径规划方法 | |
Huang et al. | Optimal nonblocking directed control of discrete event systems | |
CN108629474A (zh) | 基于攻击图模型的流程安全评估方法 | |
CN104199649B (zh) | 一种用于父子进程间交互信息的路径剖析方法 | |
CN106157220A (zh) | 一种基于最小费用距离模型的城市生态网络构建方法 | |
Iqbal et al. | Design and Implementation of Pathfinding Algorithms in Unity 3D | |
Czyzowicz et al. | Optimal exploration of terrains with obstacles | |
Jia et al. | Planar waypoint generation and path finding in dynamic environment |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180828 |