CN108519737B - 一种考虑能源补给的无人设备路径规划方法 - Google Patents

一种考虑能源补给的无人设备路径规划方法 Download PDF

Info

Publication number
CN108519737B
CN108519737B CN201810321379.4A CN201810321379A CN108519737B CN 108519737 B CN108519737 B CN 108519737B CN 201810321379 A CN201810321379 A CN 201810321379A CN 108519737 B CN108519737 B CN 108519737B
Authority
CN
China
Prior art keywords
node
task
nodes
energy supply
unmanned equipment
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.)
Expired - Fee Related
Application number
CN201810321379.4A
Other languages
English (en)
Other versions
CN108519737A (zh
Inventor
李龙江
梁昊阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201810321379.4A priority Critical patent/CN108519737B/zh
Publication of CN108519737A publication Critical patent/CN108519737A/zh
Application granted granted Critical
Publication of CN108519737B publication Critical patent/CN108519737B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/0005—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot with arrangements to save energy

Abstract

本发明公开一种考虑能源补给的无人设备路径规划方法，应用于无人设备领域，在一个无人设备的移动任务为多个目标节点，且各个目标节点间存在多个能源补给站点的场景中；本发明通过为无人设备建立一个任务更新的滑动窗口，将待选能源补给节点添加到路径规划拓扑中，并通过滑动窗口和迭代地计算路径的方式，使得无人设备的移动路径在满足能源约束的前提下，尽可能降低路径代价和计算开销。

Description

一种考虑能源补给的无人设备路径规划方法
技术领域
本发明属于无人设备领域，特别涉及一种无人设备执行任务时移动路径的规划技术。
背景技术
无人设备移动路径规划是无人设备任务规划的一部分，即当无人设备在执行任务期间，在多种约束条件的限制下，找到从任务起始节点，到任务终止节点的移动路径。而寻找到的路径又需要满足一定的任务要求，或者满足某种既定的指标。无人设备路径规划是实现无人设备移动任务的基础。比如，在军事侦查中，考虑到隐蔽性以及实时性等需求，通常需要无人设备在给定的多个搜索目标点之间移动，以获取搜索区域的信息并实时传递给控制台。同时，在无人设备集群任务中，单一无人设备的移动路径也需要在考虑无人设备集群的整体约束下进行规划。因此，无人设备路径规划极其重要，人们也基于最优化算法以及启发式算法对无人设备路径规划问题做了部分研究。
经过现有技术文献的检索发现，在“无人机输电线路巡检路径规划算法”(详见CuiJ,Zhang Y,Ma S,et al.Path planning algorithms for power transmission lineinspection using unmanned aerial vehicles[C]//Control And Decision Conference(CCDC),2017 29th Chinese.IEEE,2017:2304-2309.)中，他们提出了一种针对多个搜索目标点的无人机路径规划算法。其中通过先采用遗传算法(GA)设计合理的检测路径，然后建立道路规划数学模型和目标函数，并通过使用遗传算法和模拟退火(GSA)算法来检测路径的有效性。由于该方法主要通过启发式算法和最优化数学模型进行无人机路径的规划，在搜索目标点较多时，移动路径数量会成指数倍增长，所建立的数学模型复杂度高，算法收敛速度较慢，很难满足实时性的是否已需求。而且，大部分路径规划算法在应用于无人设备路径规划时很少考虑无人设备的能源补给问题，能源的有限性往往制约着无人设备持续执行移动任务的能力，无法满足长时间无人值守、自动持续工作的需求。此外，传统的路径规划算法还存在需要对全局路径进行大规模数学建模规划所带来的算法复杂度高的缺点。
发明内容
为解决上述技术问题，本发明提出一种考虑能源补给的无人设备路径规划方法，支持面向在线任务调度的持续路径规划需求，在满足能源约束的前提下，尽可能降低无人设备的能源消耗，简化无人设备相关应用的部署难度。
本发明采用的技术方案为：一种考虑能源补给的无人设备路径规划方法，包括：
S1、根据需要到达的任务节点数量建立一个有序任务窗口；
S2、构建能源补给约束下的拓扑图；
S3、根据拓扑图从任务窗口末端向首端迭代地计算相邻任务节点之间的最短路径，得到规划路径。
进一步地，所述步骤S1还包括：当任务窗口内任务节点数量已满，则将新的任务节点加入一条任务队列中，否则加入该任务窗口。
进一步地，所述步骤S2具体为：
S21、计算无人设备到达某任务节点时至少需要的可移动距离；
S22、各任务节点及各能源补给节点作为构建拓扑图的节点集，节点集中的各节点通过获取邻居节点分布信息确定拓扑图的边集。
进一步地，步骤S21所述计算无人设备到达某任务节点时至少需要的可移动距离，计算式为：
dN(i)＝min{d(Ni,P1)，d(Ni,P2),……,d(Ni,Pm)}
其中，dN(i)表示无人设备到达任务节点Ni时至少需要的可移动距离，d(Ni,Pt)表示任务节点Ni与能源补给节点Pt之间的距离，m表示能源补给节点的个数，t表示第t个能源补给节点，t＝1,2,3,…，m。
更进一步地，步骤S22所述边集确定过程为：
设定无人设备满能源时可移动距离为dfull，
对于各任务节点，在所有能源补给节点中，若某能源补给节点Pt与任务节点Ni之间的距离小于dfull，则将该能源补给节点Pt视为任务节点Ni的邻居节点，并将Pt与Ni连成的边加入边集E，边的权重为任务节点Ni与该能源补给节点之间的距离；
对于各能源补给节点，若能源补给节点Pt与节点集中某节点间的距离小于dfull，则可将该节点视为能源补给节点Pt的邻居节点，并将Pt与该节点连成的边加入边集E，边的权重为能源补给节点Pt到该节点的距离。
进一步地，步骤S3具体包括以下分步骤：
A1、根据拓扑图，采用最短路径算法计算得到某两个相邻任务节点之间的最短路径；根据该最短路径所经过的各节点按顺序得到一个最短路径节点集合，两个相邻任务节点中起始的任务节点为该最短路径节点集合的第一个节点，另一个任务节点为该最短路径节点集合的最后一个节点；该最短路径节点集合中的剩余节点为该最短路径上顺序经过的能源补给节点；
A2、若第一子节点集合中末端两个节点之间的距离与无人设备到达最后一个节点时至少需要的可移动距离之和大于dfull，则将以该两个节点为端点组成的边从拓扑图中删除；并返回步骤A1；否则执行步骤A3；
A3、若第一节点集合中首端两个节点之间的距离与无人设备到达第一个节点时至少需要的可移动距离之和大于dfull，则将以该两个节点为端点组成的边从拓扑图中删除；并返回步骤A1；否则得到当前两个相邻任务节点之间的最短路径，并更新无人设备到达在前任务节点时至少需要的可移动距离等于在当前的第一节点集合中首端两个节点之间的距离。
更进一步地，步骤A1还包括：设定无人设备每一次经过能源补给节点均可加满能源。
更进一步地，步骤S3还包括：当无人设备到达当前任务节点，判断任务队列是否为空，若是，则无人设备按照步骤计算的路径移动至下一个任务节点；否则从任务窗口中删除当前任务节点，并按顺序从任务队列中去取出一个新的任务节点加到任务窗口尾端，更新步骤A1至步骤A3，得到新的规划路径。
本发明的有益效果：本发明通过建立一个固定任务数量的有序任务窗口并获取任务节点与能量补给节点的地理位置信息构建网络拓扑图，在满足任务窗口中任务节点的能量约束条件的情况下，迭代地计算无人设备在任务节点间移动的最短路径，并动态地滑动更新任务窗口与网络拓扑图；从而将全局的路径规划问题转换成依据有序的任务窗口动态地计算路径的问题，实现了在任务量连续到达的时候无人设备可以在场景中持续地遍历到各个节点；本发明的方法，通过自动调整任务规划路径，使其满足能源补给约束的同时，尽可能优化路径开销；简化了在线任务调度时对能源补给的考虑；能避免现有启发式算法和最优化数学模型进行无人设备路径的规划时所建立的数学模型复杂度过高，算法收敛速度较慢的问题。
附图说明
图1为本发明实施例提供的考虑能源补给的无人设备可持续移动路径规划流程图；
图2为本发明实施例提供的考虑能源补给的无人设备可持续移动路径规划应用场景示意图；
图3为本发明实施例提供的考虑能源补给的无人设备可持续移动路径规划过程示意图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
如图2所示，本发明的一种考虑能源补给的无人设备路径规划方法，在一个无人设备的移动任务为多个目标节点且各个目标节点间存在多个能源补给站点的场景中；本发明通过考虑能源补给的无人设备可持续移动路径规划方法确定无人设备持续获得移动任务时具体移动路径；基本思想是，为无人设备建立一个任务更新的滑动窗口，将待选能源补给节点填加到路径规划拓扑中，并通过滑动窗口和迭代地计算路径的方式，使得无人设备的移动路径在满足能源约束的前提下，尽可能降低路径代价和计算开销。
如图1所示为本发明的方案流程图，本发明的一种考虑能源补给的五人设备路径规划方法，包括以下步骤：
S1、根据需要到达的任务节点数量建立一个有序任务窗口；
当任务窗口内任务数量已满，则将新的任务节点加入一条任务队列中，否则加入该任务窗口；
S2、构建能源补给约束下的拓扑图；
S3、根据拓扑图从任务窗口末端向首端迭代地计算相邻任务节点之间的最短路径，得到规划路径。
步骤S1具体为：为无人设备建立任务更新滑动窗口：无人设备根据实际情况需要，建立一个具有L个需要到达的任务节点的有序任务窗口T，其中T＝{N1，N2，……，NL}，Ni表示任务节点，i表示任务节点序号，i＝1,2,3,……，N，无人设备在获得新任务时，首先检查任务窗口内任务数量是否已满L，若未满，则将新获得任务加入窗口，否则，将新任务加入一条任务存储队列中。
步骤S2具体为：首先计算各任务节点的能源约束条件，然后各任务节点及能源补给节点分别获取邻居节点分布信息并确定拓扑图的节点集与边集，最后构建出完整的拓扑图，具体包括以下分步骤：
S21、计算各任务节点的能源约束条件：无人设备到达某任务节点时至少需要的可移动距离，具体过程为：
对于任一任务节点Ni，考虑其邻居集合{P1，P2，……Pm}，为保证无人设备到达该任务节点时，可以通过补给能源的方式到达下一个任务节点，因此，在到达该任务节点时，无人设备至少需要保留能够移动到距离此任务节点最近的能源补给节点的能源，即当无人设备到达该任务节点时，其剩余能源所能移动的距离dremain应满足dremain≥min{d(Ni,P1)，d(Ni,P2),……,d(Ni,Pm)}，由此当等号成立时，得到无人设备到达任务节点Ni时至少需要保证的可移动距离dremain。
S22、确定拓扑图节点集与边集：各任务节点及各能源补给节点作为构建拓扑图的节点集，节点集中的各节点通过获取邻居节点分布信息确定拓扑图的边集；具体过程为：
在本步骤中，各任务节点及各能源补给节点构成所需构建拓扑图G(V,E)的节点集V，节点集中的节点通过分别获取邻居节点分布信息确定拓扑图的边集E，边集E确定方式如下：
设定无人设备满能源时可移动距离为dfull，任务节点的邻居节点表示在所有能源补给节点中，若能源补给节点Pt与任务节点Ni之间的距离d(Ni,Pt)<dfull，则可将该能源补给节点Pt视为任务节点Ni的邻居节点，并将Pt与Ni连成的边加入边集E，边的权重为d(Ni,Pt)；能源补给节点的邻居节点表示在所有节点中，若能源补给节点Pt与任一节点(Ni或Ps)之间的距离d(Ni,Pt)<dfull或d(Pt,Ps)<dfull，则可将该节点视为能源补给节点Pt的邻居节点，并将Pt与Nj连成的边加入边集E，边的权重为d(Ni,Pt)或d(Pt,Ps)。
根据步骤S21、S22即可获得能源补给约束下的拓扑图G(V,E)，且无人设备执行任务前将获得拓扑图G(V,E)的全部信息。
步骤S3具体为：无人设备根据能源约束条件迭代地计算移动路径，包括以下步骤：
设无人设备每一次经过能源补给节点均可加满能源。对于任务窗口T中的最后一个任务节点NL，设其根据步骤S21计算得到的需要剩余的最少能源为dN(L)，则在保证无人设备移动到NL后最少仍可移动dN(L)的情况下，计算其与任务节点NL-1的最短路径，计算方式如下：
A1、设无人设备满能源时可移动最大距离为dfull，首先对于通过步骤S2获得的拓扑图G(V,E)，使用最短路径算法(比如：Dijkstra算法)计算得到NL和NL-1的最短路径经过的节点集合{NL-1，P1,P2……Pk，NL}；k表示NL和NL-1的最短路径经过的能源补给节点个数。
A2、若(d(Pk，NL)+dN(L))>dfull，则在G中删除以Pk和NL为端点组成的边，并根据新的拓扑图重新计算NL和NL-1的最短路径直到最终得到的节点集合{NL-1，P1,P2……Pk’，NL}满足(d(Pk’，NL)+dN(L))≤dfull；k’表示更新后的NL和NL-1的最短路径经过的能源补给节点个数。
A3、若(d(NL-1，P1)+dN(L-1))>dfull，则在G中删除以NL-1和P1为端点组成的边，并根据新的拓扑图重新计算NL和NL-1的最短路径直到最终得到的节点集合{NL-1，P1’,P2……Pk’，NL}满足(d(NL-1，P1’)+dN(L-1))≤dfull；由此便得到NL和NL-1的最短路径，并更新节点NL-1的节点能源约束条件为dN(L-1)＝d(NL-1，P1’)。
通过从任务窗口末端向首端迭代地计算最短路径，得到规划路径：窗口中的NL-2节点根据由步骤3.1更新的节点NL-1的能源约束条件按同样的方法计算其与NL-1的最短路径并更新能源约束条件。对于任务窗口中的后续任务节点均以此方式迭代地获得相邻节点间的最短路径，最终得到一条按序遍历完任务窗口中所有节点的路径。
本发明的方法还包括：动态地滑动更新任务窗口与网络拓扑图，当无人设备到达当前任务节点，判断任务队列是否为空，若是，则无人设备按照步骤计算的路径移动至下一个任务节点；否则从任务窗口中删除当前任务节点，并按顺序从任务队列中去取出一个新的任务节点加到任务窗口尾端，更新步骤A1至步骤A3，得到新的规划路径。
如图3所示，以下通过具体案例对本发明的内容做进一步地的说明：
假设各能源补给节点按栅格分布，即对于图示的栅格网络中每一个小正方形的四个顶点均有能源补给站，且小正方形边长为1个单位长度，表示同一条边两个端点的能源补给站节点距离为1个单位长度。无人设备需要从N1满能量出发，经过N2，N3最终到达N4，另假设无人设备的有序任务窗口恒为3个任务，且无人设备满能量时可以移动的距离dfull为1.6个单位长度。
由于任务窗口长度恒为3，因此，无人设备从N1出发时，任务窗口为{N1，N2，N3}，且N1的邻居节点为{P19，P20，P24}，N2位于小正方形中心，其邻居节点为{P6，P7，P11，P12，P13，P16，P17，P18，P21，P22}，能量约束为dN2＝0.707，N3位于P13和P8连线中点处，其邻居节点为{P2，P7，P8，P9，P12，P13，P14，P18}，能量约束dN3＝0.5。因此，在满足N3能源约束的情况下，用Dijkstra算法找到从N2到N3的最短路径{N2——P12——N3}，再以N2的能源约束为条件用Dijkstra算法计算得到从N1到N3的最短路径{N1——P19——P18——N2}，此时发现，对于最后一段路径P18——N2，其距离d(P18,N2)＝1.58，而dN2＝0.5，d(P18,N2)+dN2＝2.08>dfull，因此需要从图中暂时删去以P18和N2为顶点的边，重新用用Dijkstra算法得到新的路径{N1——P19——P18——P17——N2}，此时就得到了从N1到N3的一条考虑能源补给的路径，当无人设备从N1按此路径移动到N2后，任务窗口从{N1，N2，N3}变为{N2，N3，N4}，且N4的能源约束dN4＝0.5，因此在满足N4能源约束的条件下，按上述过程计算N2到N4的路径{N2——P12——N3——P9——N4}，当无人设备到达N3后，若后续有新出现的任务节点例如N5，N6……，则只需依照上述同样的过程计算任务窗口中最后一个节点的能源约束，并迭代地计算出最短路径。每移动到一个节点，就更新一次任务窗口，由此便可以持续地遍历所有的任务节点。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (4)

1.一种考虑能源补给的无人设备路径规划方法，其特征在于，包括：
S1、根据需要到达的任务节点数量建立一个有序任务窗口；
S2、构建能源补给约束下的拓扑图；步骤S2具体为：
S21、计算无人设备到达某任务节点时至少需要的可移动距离；步骤S21所述计算无人设备到达某任务节点时至少需要的可移动距离，计算式为：
dN(i)＝min{d(Ni,P1)，d(Ni,P2),……,d(Ni,Pm)}
其中，dN(i)表示无人设备到达任务节点Ni时至少需要的可移动距离，d(Ni,Pt)表示任务节点Ni与能源补给节点Pt之间的距离，m表示能源补给节点的个数，t表示第t个能源补给节点，t＝1,2,3,…，m；
S22、各任务节点及各能源补给节点作为构建拓扑图的节点集，节点集中的各节点通过获取邻居节点分布信息确定拓扑图的边集；步骤S22所述边集确定过程为：
设定无人设备满能源时可移动距离为dfull；
对于各任务节点，在所有能源补给节点中，若某能源补给节点Pt与任务节点Ni之间的距离小于dfull，则将该能源补给节点Pt视为任务节点Ni的邻居节点，并将Pt与Ni连成的边加入边集E，边的权重为任务节点Ni与该能源补给节点之间的距离；
对于各能源补给节点，若能源补给节点Pt与节点集中某节点间的距离小于dfull，则可将该节点视为能源补给节点Pt的邻居节点，并将Pt与该节点连成的边加入边集E，边的权重为能源补给节点Pt到该节点的距离；
S3、根据拓扑图从任务窗口末端向首端迭代地计算相邻任务节点之间的最短路径，得到规划路径；步骤S3具体包括以下分步骤：
A1、根据拓扑图，采用最短路径算法计算得到某两个相邻任务节点之间的最短路径；根据该最短路径所经过的各节点按顺序得到一个最短路径节点集合，两个相邻任务节点中起始的任务节点为该最短路径节点集合的第一个节点，另一个任务节点为该最短路径节点集合的最后一个节点；该最短路径节点集合中的剩余节点为该最短路径上顺序经过的能源补给节点；
A2、若该最短路径节点集合中末端两个节点之间的距离与无人设备到达最后一个节点时至少需要的可移动距离之和大于dfull，则将以末端两个节点为端点组成的边从拓扑图中删除；并返回步骤A1；否则执行步骤A3；
A3、若该最短路径节点集合中首端两个节点之间的距离与无人设备到达第一个节点时至少需要的可移动距离之和大于dfull，则将首端两个节点为端点组成的边从拓扑图中删除；并返回步骤A1；否则得到当前两个相邻任务节点之间的最短路径，并更新无人设备到达在前任务节点时至少需要的可移动距离等于在当前的该点集合中首端两个节点之间的距离。
2.根据权利要求1所述的一种考虑能源补给的无人设备路径规划方法，其特征在于，所述步骤S1还包括：当任务窗口内任务节点数量已满，则将新的任务节点加入一条任务队列中，否则加入该任务窗口。
3.根据权利要求2所述的一种考虑能源补给的无人设备路径规划方法，其特征在于，步骤A1还包括：设定无人设备每一次经过能源补给节点均可加满能源。
4.根据权利要求3所述的一种考虑能源补给的无人设备路径规划方法，其特征在于，步骤S3还包括：当无人设备到达当前任务节点，判断任务队列是否为空，若是，则无人设备按照步骤计算的路径移动至下一个任务节点；否则从任务窗口中删除当前任务节点，并按顺序从任务队列中去取出一个新的任务节点加到任务窗口尾端，更新步骤A1至步骤A3，得到新的规划路径。
CN201810321379.4A 2018-04-11 2018-04-11 一种考虑能源补给的无人设备路径规划方法 Expired - Fee Related CN108519737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810321379.4A CN108519737B (zh) 2018-04-11 2018-04-11 一种考虑能源补给的无人设备路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810321379.4A CN108519737B (zh) 2018-04-11 2018-04-11 一种考虑能源补给的无人设备路径规划方法

Publications (2)

Publication Number Publication Date
CN108519737A CN108519737A (zh) 2018-09-11
CN108519737B true CN108519737B (zh) 2020-06-09

Family

ID=63432091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810321379.4A Expired - Fee Related CN108519737B (zh) 2018-04-11 2018-04-11 一种考虑能源补给的无人设备路径规划方法

Country Status (1)

Country Link
CN (1) CN108519737B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110221608B (zh) * 2019-05-23 2021-10-01 中国银联股份有限公司 一种巡检设备的方法及装置
CN110119160B (zh) * 2019-06-04 2020-05-08 中国人民解放军国防科技大学 面向察打一体无人机的快速实时动态任务规划方法
CN110146103B (zh) * 2019-06-14 2021-03-02 电子科技大学 考虑目标走向与能源补给的无人设备路径规划方法
CN112506216B (zh) * 2020-11-18 2022-12-30 天津(滨海)人工智能军民融合创新中心 一种无人机的飞行路径规划方法及装置
CN114489065B (zh) * 2022-01-20 2023-08-25 华中科技大学同济医学院附属同济医院 手术室医疗物资配送多机器人协同路径规划方法及其应用
CN116225074B (zh) * 2023-05-10 2023-07-21 广东电网有限责任公司佛山供电局 一种输电线路无人机巢巡检航线规划方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236918A (zh) * 2010-04-26 2011-11-09 鸿富锦精密工业（深圳）有限公司 无人飞行载具及利用其进行数据采集的方法
WO2014020596A1 (en) * 2012-08-02 2014-02-06 Israel Aerospace Industries Ltd. An unmanned aerial vehicle
CN104714553A (zh) * 2015-01-14 2015-06-17 西北工业大学 基于几何规划的滑翔飞行器末端能量管理轨迹规划方法
CN105606088A (zh) * 2016-02-01 2016-05-25 北京理工大学 一种基于动态环境的路径规划方法
CN106203697A (zh) * 2016-07-08 2016-12-07 西北大学 一种无人机数据收集过程中的路径规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10104699B2 (en) * 2015-02-10 2018-10-16 Sphero, Inc. Signal strength representation and automatic connection and control upon a self-propelled device

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102236918A (zh) * 2010-04-26 2011-11-09 鸿富锦精密工业（深圳）有限公司 无人飞行载具及利用其进行数据采集的方法
WO2014020596A1 (en) * 2012-08-02 2014-02-06 Israel Aerospace Industries Ltd. An unmanned aerial vehicle
CN104714553A (zh) * 2015-01-14 2015-06-17 西北工业大学 基于几何规划的滑翔飞行器末端能量管理轨迹规划方法
CN105606088A (zh) * 2016-02-01 2016-05-25 北京理工大学 一种基于动态环境的路径规划方法
CN106203697A (zh) * 2016-07-08 2016-12-07 西北大学 一种无人机数据收集过程中的路径规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Event-Based Energy Optimum Route Planning in the Context of Unmanned Aerial Vehicles for Multi-Objective Exploration Missions;Georgios P. Kladis, John T. Economou，Antonios Tsourdos;《Proceedings of the European Control Conference 2009》;20090826;第1281-1286页 *
一种无人机路径规划算法研究;符小卫，高晓光;《系统仿真学报》;20040131;第16卷(第1期);第20-21页，第34页 *
基于概率地图方法的无人机路径规划研究;孙汉昌，朱华勇;《系统仿真学报》;20061130;第18卷(第11期);第3050-3054页 *

Also Published As

Publication number Publication date
CN108519737A (zh) 2018-09-11

Similar Documents

Publication Publication Date Title
CN108519737B (zh) 一种考虑能源补给的无人设备路径规划方法
You et al. Hybrid offline-online design for UAV-enabled data harvesting in probabilistic LoS channels
Wei et al. UAV-assisted data collection for internet of things: A survey
Liu et al. Novel best path selection approach based on hybrid improved A* algorithm and reinforcement learning
CN108827335B (zh) 一种基于单向搜索模型的最短路径规划方法
CN113821029B (zh) 一种路径规划方法、装置、设备及存储介质
Xu et al. A brief review of the intelligent algorithm for traveling salesman problem in UAV route planning
WO2020221049A1 (zh) 基于时空域联合处理的分布式协作定位系统和方法
CN109511123B (zh) 一种基于时间信息的软件定义车辆网络自适应路由方法
KR102142402B1 (ko) 드론 네트워크에서 효율적인 배터리 충전을 위한 클라우드 기반 드론 내비게이션 방법
CN110320919B (zh) 一种未知地理环境中的巡回机器人路径优化方法
CN111130853A (zh) 一种基于时间信息的软件定义车辆网络的未来路由预测方法
CN114499648A (zh) 基于多智能体协作的无人机集群网络智能多跳路由方法
García et al. An efficient multi-robot path planning solution using A* and coevolutionary algorithms
Rahili et al. Optimal routing for autonomous taxis using distributed reinforcement learning
CN109211242A (zh) 一种融合rrt与蚁群算法的三维空间多目标路径规划方法
CN115079701A (zh) 一种无人车与无人机协同的路径规划方法
Qiao et al. Dynamic self-organizing leader-follower control in a swarm mobile robots system under limited communication
CN115729231A (zh) 多机器人路线规划
Yang et al. Multi-base multi-UAV cooperative patrol route planning novel method
CN117249842A (zh) 一种基于轨迹平滑优化的无人车混合轨迹规划方法
Mpitziopoulos et al. Deriving efficient mobile agent routes in wireless sensor networks with NOID algorithm
CN116939761A (zh) 一种基于强化学习的空地协同路由方法
He et al. Exploring public transport transfer opportunities for pareto search of multicriteria journeys
Zeng et al. An efficient path planning algorithm for mobile robots

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200609

CF01 Termination of patent right due to non-payment of annual fee