CN109459026B - 一种多运动体协同全覆盖路径规划方法 - Google Patents
一种多运动体协同全覆盖路径规划方法 Download PDFInfo
- Publication number
- CN109459026B CN109459026B CN201811324766.XA CN201811324766A CN109459026B CN 109459026 B CN109459026 B CN 109459026B CN 201811324766 A CN201811324766 A CN 201811324766A CN 109459026 B CN109459026 B CN 109459026B
- Authority
- CN
- China
- Prior art keywords
- grid
- moving
- moving body
- potential energy
- motion
- 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
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种多运动体协同全覆盖路径规划方法,包括如下步骤:输入路径规划信息;对目标区域地图进行栅格化;随机生成初始种群:初始种群包含多个个体,每一个体由多个运动体的运动优先级、运动模式以及各运动模式下对应的行走步数共同确定,其中,运动体的不同运动模式是指其邻域的不同优先级排列顺序;设定运动体下一个路点采用双层选择策略:第一选择策略为栅格势能,第二选择策略为运动体的运动模式;设定评价指标为完成区域全覆盖任务的总时间;利用粒子群算法优化初始种群,并从中选择最优个体。本发明为多个运动体规划出能够快速遍历目标区域并保证较低的重复率的路径。
Description
技术领域
本发明属于多运动体协同全覆盖路径规划研究技术领域,具体涉及一种多运动体协同全覆盖路径规划方法,用于实现避碰约束条件下多运动体协同覆盖目标区域的路径规划。
背景技术
运动体的全覆盖路径规划问题是指在满足某些约束条件(避开障碍物和威胁源、多运动体间避碰)的前提下,通过优化某些性能指标,规划出一条传感器探测区域遍历待覆盖区域的最优路线的问题;全覆盖路径规划算法的覆盖效率取决于总覆盖率,完全覆盖所需的总时间,覆盖路径所需的总路径长度和能耗等;运动体协同全覆盖路径规划任务是指,多个运动体协同合作,确定各自运动轨迹来达到覆盖同一个复杂环境,同时避开障碍物和威胁源并避免多运动体间碰撞的任务;这种全覆盖路径规划技术应用广泛,实用性强,在目标搜索、安全巡逻、区域监控、农业耕种和地形测绘等领域均有广阔的应用空间。
现有全覆盖路径规划问题已有多种覆盖算法,包括遗传算法、神经网络、元胞分解、生成树等;其中,元胞分解方法通过将复杂目标区域分解为均匀单元,这种方法支持在存储器中轻松表示环境,从而在覆盖任务期间轻松地进行运动体的定位和映射。
传统的全覆盖路径规划方法往往存在着建模难、或者搜索能力不足等问题。
发明内容
有鉴于此,为了有效覆盖包含障碍物的目标区域,提高协同效率,本发明提供了一种多运动体协同全覆盖路径规划方法,该方法是在二维空间内考虑障碍物避碰,多运动体之间避碰约束的前提下,为多个运动体规划出能够快速遍历目标区域并保证较低的重复率的路径。
实现本发明的技术方案如下:
一种多运动体协同全覆盖路径规划方法,包括如下步骤:
步骤1、输入路径规划信息,具体包括:目标区域地图、多个运动体的初始位置、运动体的探测半径以及运动体的运动速度;
对目标区域地图进行栅格化,运动体的探测范围恰好覆盖一栅格,设定障碍物对应的栅格势能为无穷大,运动体初始位置多对应栅格势能为1,其余栅格势能为0,获得栅格势能矩阵;且设定栅格势能随着此栅格被运动体探测的次数的变化而变化,每被探测一次,栅格势能加1;
步骤2、随机生成初始种群:初始种群包含多个个体,每一个体由多个运动体的运动优先级、运动模式以及各运动模式下对应的行走步数共同确定,其中,运动体的不同运动模式是指其邻域的不同优先级排列顺序;
设定运动体下一个路点采用双层选择策略:第一选择策略为栅格势能,第二选择策略为运动体的运动模式;
步骤3、设定评价指标为完成区域全覆盖任务的总时间;
步骤4、利用粒子群算法优化初始种群,并从中选择最优个体。
进一步地,本发明所述步骤4的过程为:
首先,对初始种群进行交叉、变异操作产生新的种群,其中,交叉和变异操作仅作用于运动模式和该运动模式对应的运动步数这两个参数;
然后,利用设定的评价指标,在新的种群和原始种群中进行个体选择,选择出最大任务完成时间较小的个体组成下一次迭代的原始种群;
再次,对当前原始种群继续进行交叉、变异和选择操作并得到新的种群和最优个体,直到种群进化代数达到给定的最大进化代数时,终止循环过程,输出当前最优个体,完成全覆盖路径规划。
进一步地,本发明双层选择策略具体为:首先,从运动体邻域栅格中选择势能最小的栅格,当势能最小的栅格存在不止一个时,根据运动模式选择优先级高的领域栅格作为下一个路点。
进一步地,本发明当两个或者多个运动体在相同时刻选择的下一运动栅格相同时,根据预先给定的运动体的优先级,确定优先级高的运动体有优先选择权。
进一步地,本发明当运动体的邻域栅格的栅格势能都大于等于1时,采用A*算法跳出已探测区域。
有益效果:
第一、本发明提供了一种多运动体协同全覆盖路径规划方法,采用多运动体协同的方式对目标区域进行快速、低重复性的全覆盖探测,实用性强,且可以保证在障碍物避碰和运动体之间避碰的同时,达到100%覆盖的效果,有效无死角地覆盖目标区域。
第二、本发明采用栅格的表示方式进行地图的构建,通过给障碍物栅格赋予无穷大的栅格势能,给待探测栅格赋予初始为0的栅格势能的方法,不仅简单有效的区分了障碍物和待探测栅格,同时也方便运动体根据栅格势能的大小快速做出下一时刻路点选择的决策。
第三、本发明采用栅格势能驱动的路点确定方式,通过比较栅格势能的大小即可有效避开障碍物区域,不必添加额外的障碍物避碰策略,同时预先给定了运动体的优先级,在两个或多个运动体在相同时刻选择相同路点时,可通过优先级进行快速确认该路点对应的具有优先行走权的运动体,有效避免了多运动体之间的避碰,并减少了算法的复杂性,有利于提高路径规划的效率。
第四、本发明采用多运动体协同的路径规划方式,效率高,可大大加快任务完成的速率,节省时间成本,即使在作业范围大,障碍物分布复杂的情况下,仍可以通过多运动体协同的方式规划出可行的探测路径。
附图说明
图1为栅格势能驱动的运动体协同全覆盖路径规划流程图;
图2为多种目标区域示意图;
图3为多种目标区域栅格示意图;
图4为运动模式与栅格势能说明示意图;
图5为A*算法跳出已探测区域原理说明示意图;
图6为遗传算法初始种群示意图;
图7为遗传算法交叉操作示意图;
图8为遗传算法变异操作示意图;
图9为仿真实验多运动体协同覆盖路径规划结果图1;
图10为仿真实验多运动体协同覆盖路径规划结果图2;
图11为仿真实验遗传算法收敛结果图;
图12为仿真实验运动体数量与完成覆盖任务所用时间关系结果图。
具体实施方式
下面结合附图和实施例对本发明作详细说明;
本发明提供了一种多运动体协同全覆盖路径规划方法;该方法是在考虑障碍物避碰约束、多运动体间避碰约束并且保证覆盖率达到100%的前提下,通过优化多运动体协同完成任务的最大任务完成时间,为运动体规划出一条探测范围遍历待覆盖区域的二维空间的最优路径。本发明中的路径规划问题采用遗传算法作为栅格势能和运动模式驱动的多运动体协同全覆盖路径规划的优化求解算法。
如图1所示,所述一种多运动体协同全覆盖路径规划方法,具体步骤如下:
步骤1、输入路径规划信息,具体包括:目标区域地图、多个运动体的初始位置、运动体的探测半径以及运动体的运动速度,运动体的探测范围用圆形区域表示。
目标区域地图初始化:首先根据运动体的探测范围来确定栅格的大小,即运动体的探测范围恰好覆盖一个栅格,对目标区域地图进行栅格化处理,由此得到目标区域地图的栅格势能矩阵;矩阵中对应障碍物栅格区域的栅格势能设置为无穷大,对应无障碍物栅格区域的栅格势能初始化为0,并且在整个路径规划过程中此栅格势能随着此栅格被运动体探测的次数的变化而变化,每被探测一次,该栅格的栅格势能加1;多个运动体在地图中的初始位置不同,且各自对应矩阵中的栅格势能初始化为1,表示此栅格已被运动体探测过一次;运动体每走一个栅格的运动时间由栅格的边长除以运动体的运动速度确定。
步骤2、随机生成初始种群:种群包含有多个个体,每一个体由多个运动体的运动优先级、多种运动模式以及各运动模式下对应的行走步数共同确定,其中,运动体的不同运动模式是指其邻域的不同优先级排列顺序,例如当运动体有四个邻域,沿顺时针分别为上、右、下、左栅格,当设定顺时针排列的四个邻域的优先级为(1,2,3,4)时,表示运动体优先选择运动到其上方栅格,其次为右方栅格,再次为下方栅格,最后为左方栅格,当设定顺时针排列的四个邻域的优先级为(1,4,3,2)时,表示运动体优先选择运动到其上方栅格,其次为左方栅格,再次为下方栅格,最后为右方栅格;四个领域可选择模式种类有种;运动体在执行整个全覆盖任务过程中可变换运动模式的次数由运动体行走的步数决定,考虑到计算复杂度的问题,本发明以可变换运动模式的次数等于1为例,即在整个全覆盖任务过程中每个运动体可以切换一次运动模式。
其中,一个个体的具体确定方式采用栅格势能和运动模式驱动的双层选择策略:栅格势能作为第一选择策略,表示栅格地图中每个栅格对应的数值大小,取值范围为0到无穷大,运动模式作为第二选择策略,表示运动体的邻域栅格的不同优先级顺序,运动体的下一时刻路点只能从邻域栅格中选择,运动模式的取值从运动体的邻域栅格数量的全排列中确定,运动体的邻域栅格数量根据不同的环境可以有不同的取值;本发明以四个邻域栅格为例;运动体首先比较当前所在栅格的邻域栅格的栅格势能大小,选择其中栅格势能最小的栅格的中心位置作为运动体下一时刻的路点位置;当存在多个栅格势能最小的栅格时,通过运动模式驱动的第二选择策略在栅格势能最小的两个或多个栅格中确定唯一的运动体下一时刻的路点。同时本发明包含两种针对特殊情况的策略,第一种策略为预先给定运动体的优先级,即当两个或者多个运动体在相同时刻选择的下一运动栅格相同时,优先级高的运动体有优先选择权,优先级低的运动体将优先级高的运动体视为障碍,继续通过上述方式再次规划下一时刻的路点。本发明通过这种给定运动体的优先级的策略,可以有效地避免多运动体之间的碰撞;第二种策略为A*算法跳出已探测区域,A*算法是一种求解最短路径最有效的直接搜索方法,也是解决许多搜索问题的有效算法,A*能用启发式函数引导它自己;本发明中,当运动体的邻域栅格的栅格势能都大于等于1时,为了更快的跳出已探测区域,继续探测未被探测过的区域,采用A*算法跳出已探测区域的策略确定下一时刻的路点,即先通过比较当前栅格与所有未被探测过的栅格的距离,选出距离最小的栅格作为A*寻路算法的终点栅格,A*算法的起点栅格即为运动体当前时刻的所在栅格,确定了起点栅格和终点栅格后可通过A*算法确定下一时刻的路点。
如图4所示,当前时刻t,运动体i位于当前栅格中心位置时,其四个邻域栅格对应各自的栅格势能 且在当前所选运动模式下(四个邻域栅格共种排列组合,所以共24种可选择运动模式),其四个邻域栅格遵循图4的优先级顺序;在当前情形下,运动体首先以第一选择策略(栅格势能)为驱动优先选择其中栅格势能并列最小的两个未被探测过的栅格,然后运动体以第二选择策略(运动模式)为驱动,优先选择这两个栅格中优先级更高的栅格作为下一时刻运动体的路点。
如图5所示,当运动体的四个邻域栅格的 栅格势能都大于等于1时,为了更快的跳出已探测区域,继续探测未被探测过的区域,采用A*算法跳出已探测区域的策略确定下一时刻的路点,即先通过比较当前栅格与所有未被探测过的栅格的距离,选出距离最小的栅格的中心位置作为A*寻路算法的终点位置,距离的计算公式为其中j表示当前时刻t未被探测过的第j个栅格,i则表示当前时刻t的第i个运动体,A*算法的起点位置即为运动体当前时刻所在栅格的中心位置,确定了起点位置和终点位置之后即可通过A*算法确定下一时刻的路点;
如图6所示,取初始种群中一个个体为例,该个体采用五行四列的编码方式,该编码矩阵中列的数量由预先设定的运动体的数量确定,行的数量则由每个运动体在任务执行过程中可改变运动模式的次数决定;每一列表示一个运动体的一条路径,以第二列的运动体2为例,第一行的数值3表示运动体2在4个运动体重的优先级为有第二选择权,第二行的数值12表示从24种可选择运动模式中选择的运动体2的当前运动模式,第三行的数值130表示在当前选择的运动模式12的情况下,相应的行走步数,第二行和第三行为对应的一组数据,第四行和第五行为对应的一组数据,以此类推,预先设定的运动体在任务执行过程中可改变运动模式的次数为num时,该编码矩阵即有2*num+1行,预先给定运动体的数量为Rob_num时,一个个体的编码矩阵的大小即为(2*num+1,Rob_num),本实例以可切换运动模式次数等于1为例。
步骤3、评价个体;评价指标即完成区域全覆盖任务的总时间;在整个任务中,单个运动体的路径长度是指按照顺序依次连接起点、每一时刻的中间路点以及当任务结束时运动体所在的终点所形成的全部路径长度;所述路径长度是指连接相邻路点的直线距离;单个运动体完成全覆盖任务的运动时间是指该运动体完成其整个任务过程中行走的路径长度所需的时间;所述最大任务完成时间是指在多个运动体协同的情况下,其中最晚停止运动的运动体的运动时间。
步骤4、优化选择最优个体;上述问题可采用各种优化方法进行求解,本发明以遗传算法为例进行求解说明;首先通过遗传算法对步骤2产生的初始种群进行交叉、变异操作产生新的种群,其中,交叉和变异操作仅作用于运动模式和该运动模式对应的运动步数这两个参数,运动体的优先级在交叉、变异操作过程中不发生变化,以免在交叉、变异过程中使两个或者多个运动体的优先级变为相同的情况,即运动体的优先级在初始化分配后不随遗传算法的进行而变化;所述交叉操作是指从初始种群中随机选择两个个体,并随机选择指定位置,进行两个个体的指定位置的内容交换;所述变异操作是指,对进行过交叉操作后的每个个体随机选择指定位置对其进行重新初始化。
如图7所示,当随机概率小于交叉因子时,随机选择初始种群中的两个个体进行交叉操作,交叉操作进行的位置通过随机函数确定,该例中,选择两个个体中的第二列的2到5行进行交叉操作,即交换两个个体中的第二列的2到5行的数值,生成两个新的子代替换对应的初始种群中的父代,生成新的种群用于后续的变异操作。
如图8所示,当随机概率小于变异因子时,选择交叉后新种群中的一个个体进行变异操作,变异操作进行的位置通过随机函数确定,该例中,选择该个体的第二列的2到5行进行变异操作,变异过程中的运动模式和运动步数的数值通过初始化时相同的方式进行确定,生成的子代替换对应的交叉后新种群中的父代,生成新的种群用于后续的选择操作。
然后,通过步骤3的个体评价机制,在新的种群和原始种群中进行个体选择,选择出最大任务完成时间较小的个体组成下一次迭代的原始种群;然后对当前原始种群,继续进行交叉、变异和选择操作并得到新的种群和最优个体,直到种群进化代数达到给定的最大进化代数时,终止循环过程,输出当前最优个体,完成全覆盖路径规划。
该方法建模简单,复杂度低,且经初步验证能够达到较好的搜索效果。
下面结合仿真实验结果对一种多运动体协同全覆盖路径规划方法进行说明。
如图9所示,目标区域地图为图2(b),地图尺寸为600×600m2,运动体的探测半径为运动体的运动速度为20m/s;栅格后地图为图3(b),大小为30×30,障碍物在环境中杂乱分布,共有障碍物98个,共有运动体四个,初始位置坐标分别为(0,0)、(0,29)、(29,0)、(29,29),遗传算法种群规模为Np=50,最大迭代次数为Gm=50,交叉因子为CR=0.65,变异因子为MR=0.05;由仿真实验结果可知,遗传算法最终优化出四条连续路径,每个运动体都成功避开了障碍物区域和其他运动体,四个运动体协同合作完成除障碍物区域外的待覆盖区域覆盖耗时为202s;由于此问题为NP-hard问题,所以无法确定理论最优解,但是可确定最低界限是200.5s,最低界限确定方式为“除障碍物外的待覆盖栅格数量Env÷运动体数量Rob_num”;优化效果较好,可达到多个运动体协同合作快速完成目标区域覆盖的任务。
如图10所示,目标区域地图为图2(c),地图尺寸为600×600m2,运动体的探测半径为运动体的运动速度为20m/s;栅格地图为图3(c),大小为30×30,障碍物在环境中杂乱分布,共有障碍物215个,共有运动体四个,初始位置坐标分别为(0,0)、(29,0)、(0,29)、(29,29),遗传算法种群规模为Np=100,最大迭代次数为Gm=100,交叉因子为CR=0.65,变异因子为MR=0.05;由仿真实验结果可知,遗传算法最终优化出四条连续路径,每个运动体都成功避开了障碍物区域和其他运动体,四个运动体协同合作完成除障碍物区域外的待覆盖区域覆盖耗时为205s;由于此问题为NP-hard问题,所以无法确定理论最优解,但是可确定最低界限是171.25s;优化效果较好,可达到多个运动体协同合作快速完成目标区域覆盖的任务。
如图11所示,针对图10所示目标环境,和相关实验参数,由仿真实验结果可知,遗传算法的100次迭代收敛曲线使运动体协同覆盖任务的完成时间从最开始的210s收敛到205s,由此可见,通过增加种群数量和迭代的次数,可达到较好的收敛效果。
如图12所示,目标区域地图为图2(a),地图尺寸为800×800m2,运动体的探测半径为运动体的运动速度为20m/s;栅格后地图(图3(a))大小为40×40的无障碍物目标区域,随着运动体数量从2增大到8,多运动体协同合作完成目标区域覆盖任务的时间从800s缩短到了200s,由仿真实验结果可见,运动体的数量越多,多运动体协同合作完成区域覆盖的时间越短,但是相应的运动体成本也就越高。
以上公开的实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于所述的实施例;通过以上所述可知,本发明中的许多内容可作修改和替换,本实施例固定了某些取值只是为了更好地说明本发明的原理和应用,从而更易理解和运用;凡在本发明的技术方案的基础上所做的局部改动、等同替换、改进等均应包含在本发明的保护范围之内。
Claims (5)
1.一种多运动体协同全覆盖路径规划方法,其特征在于,包括如下步骤:
步骤1、输入路径规划信息,具体包括:目标区域地图、多个运动体的初始位置、运动体的探测半径以及运动体的运动速度;
对目标区域地图进行栅格化,运动体的探测范围恰好覆盖一个栅格,设定障碍物对应的栅格的势能为无穷大,运动体初始位置对应的栅格的势能为1,其余栅格的势能为0,获得栅格势能矩阵;且设定栅格的势能随着此栅格被运动体探测的次数的变化而变化,每被探测一次,栅格的势能加1;
步骤2、随机生成初始种群:初始种群包含多个个体,每一个体由多个运动体的运动优先级、运动模式以及各运动模式下对应的运动步数共同确定,其中,运动体的不同运动模式是指运动体邻域栅格的不同优先级排列顺序;
采用双层选择策略设定运动体下一个路点,具体为:首先,从运动体邻域栅格中选择势能最小的栅格,当势能最小的栅格存在不止一个时,根据运动模式选择优先级高的领域栅格作为下一个路点;
步骤3、设定评价指标为完成区域全覆盖任务的总时间;
步骤4、利用粒子群算法优化初始种群,并从中选择最优个体,完成全覆盖路径规划。
2.根据权利要求1所述多运动体协同全覆盖路径规划方法,其特征在于,所述步骤4的过程为:
首先,对初始种群进行交叉、变异操作产生新的种群,其中,交叉和变异操作仅作用于运动模式和该运动模式对应的运动步数这两个参数;
然后,利用设定的评价指标,在新的种群和原始种群中进行个体选择,选择出最大任务完成时间较小的个体组成下一次迭代的原始种群;其中,所述最大任务完成时间是指在多个运动体协同的情况下,其中最晚停止运动的运动体的运动时间;
再次,对当前原始种群继续进行交叉、变异和选择操作并得到新的种群和最优个体,直到种群进化代数达到给定的最大进化代数时,终止循环过程,输出当前最优个体,完成全覆盖路径规划。
3.根据权利要求1所述多运动体协同全覆盖路径规划方法,其特征在于,所述双层选择策略具体为:首先,从运动体邻域栅格中选择势能最小的栅格,当势能最小的栅格存在不止一个时,根据运动模式选择优先级高的领域栅格作为下一个路点。
4.根据权利要求1所述多运动体协同全覆盖路径规划方法,其特征在于,当两个以上运动体在相同时刻选择的下一运动栅格相同时,根据预先给定的运动体的优先级,确定优先级高的运动体有优先选择权。
5.根据权利要求1所述多运动体协同全覆盖路径规划方法,其特征在于,当运动体的邻域栅格的势能都大于等于1时,采用A*算法跳出已探测区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811324766.XA CN109459026B (zh) | 2018-11-08 | 2018-11-08 | 一种多运动体协同全覆盖路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811324766.XA CN109459026B (zh) | 2018-11-08 | 2018-11-08 | 一种多运动体协同全覆盖路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109459026A CN109459026A (zh) | 2019-03-12 |
CN109459026B true CN109459026B (zh) | 2021-01-01 |
Family
ID=65609920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811324766.XA Active CN109459026B (zh) | 2018-11-08 | 2018-11-08 | 一种多运动体协同全覆盖路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109459026B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110160525B (zh) * | 2019-04-10 | 2022-02-11 | 中国电子科技集团公司第二十八研究所 | 一种基于离散势能场的危险天气下大量航班改航路径并行化计算方法 |
CN110598957B (zh) * | 2019-09-30 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 路径规划方法、装置、计算机设备及存储介质 |
WO2021068150A1 (en) * | 2019-10-10 | 2021-04-15 | Huawei Technologies Co., Ltd. | Controlling method of mobile apparatus and computer program thereof |
CN112700025A (zh) * | 2019-10-22 | 2021-04-23 | 北京京东振世信息技术有限公司 | 覆盖区域的分配方法及装置、存储介质、电子设备 |
CN110645991B (zh) * | 2019-10-30 | 2020-09-22 | 深圳市银星智能科技股份有限公司 | 一种基于节点调节的路径规划方法、装置及服务器 |
CN111238521B (zh) * | 2020-02-11 | 2021-10-26 | 北京理工大学 | 一种无人驾驶车辆的路径规划方法及系统 |
CN111442783B (zh) * | 2020-04-30 | 2023-06-30 | 福州吉诺网络科技有限公司 | 一种优化路径规划的方法及终端 |
CN112130587A (zh) * | 2020-09-30 | 2020-12-25 | 北京理工大学 | 一种针对机动目标的多无人机协同跟踪方法 |
CN112817309B (zh) * | 2020-12-30 | 2021-12-03 | 东南大学 | 一种几何折叠式机器人全覆盖路径及其生成方法 |
CN113311864B (zh) * | 2021-05-26 | 2022-09-02 | 中国电子科技集团公司第五十四研究所 | 一种栅格尺度自适应的多无人机协同搜索方法 |
CN113741444B (zh) * | 2021-08-26 | 2023-10-20 | 北京理工大学 | 一种基于多智能体邻近交互与轨迹预测的路径规划方法 |
CN116989797B (zh) * | 2023-09-26 | 2023-12-15 | 北京理工大学 | 无人机航迹优化方法、装置、电子设备及存储介质 |
CN117724487A (zh) * | 2023-12-14 | 2024-03-19 | 南开大学 | 基于自适应通信策略的未知环境多目标搜索方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105511457A (zh) * | 2014-09-25 | 2016-04-20 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
CN107092255A (zh) * | 2017-05-19 | 2017-08-25 | 安徽工程大学 | 一种基于改进遗传算法的多移动机器人路径规划方法 |
CN107357293A (zh) * | 2017-07-31 | 2017-11-17 | 上海应用技术大学 | 移动机器人路径规划方法和系统 |
KR20170143133A (ko) * | 2016-06-20 | 2017-12-29 | 서울대학교산학협력단 | 장애물 회피 경로 생성 및 제어에 의한 협업 비행 운송 시스템 및 방법 |
CN107992036A (zh) * | 2017-11-20 | 2018-05-04 | 汕头大学 | 一种智能停车库中存取车路径规划方法、装置及存储介质 |
CN108508900A (zh) * | 2018-05-10 | 2018-09-07 | 同济大学 | 一种壁面移动机器人墙壁检测路径自主规划方法 |
CN108549378A (zh) * | 2018-05-02 | 2018-09-18 | 长沙学院 | 一种基于栅格地图的混合路径规划方法和系统 |
-
2018
- 2018-11-08 CN CN201811324766.XA patent/CN109459026B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105511457A (zh) * | 2014-09-25 | 2016-04-20 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
KR20170143133A (ko) * | 2016-06-20 | 2017-12-29 | 서울대학교산학협력단 | 장애물 회피 경로 생성 및 제어에 의한 협업 비행 운송 시스템 및 방법 |
CN107092255A (zh) * | 2017-05-19 | 2017-08-25 | 安徽工程大学 | 一种基于改进遗传算法的多移动机器人路径规划方法 |
CN107357293A (zh) * | 2017-07-31 | 2017-11-17 | 上海应用技术大学 | 移动机器人路径规划方法和系统 |
CN107992036A (zh) * | 2017-11-20 | 2018-05-04 | 汕头大学 | 一种智能停车库中存取车路径规划方法、装置及存储介质 |
CN108549378A (zh) * | 2018-05-02 | 2018-09-18 | 长沙学院 | 一种基于栅格地图的混合路径规划方法和系统 |
CN108508900A (zh) * | 2018-05-10 | 2018-09-07 | 同济大学 | 一种壁面移动机器人墙壁检测路径自主规划方法 |
Non-Patent Citations (3)
Title |
---|
"Coordinated motion planning of multiple robots in multi-point dynamic aggregation task";Bin Xin 等,;《12th IEEE International Conference on Control & Automation (ICCA)》;20160603;933-938页 * |
"基于分层强化学习及人工势场的多Agent路径规划方法";郑延斌 等,;《计算机应用》;20151210;第35卷(第12期);3491-3496页 * |
"多机器人编队系统体系结构的设计与性能分析";王醒策 等,;《哈尔滨工程大学学报》;20050630;第26卷(第3期);311-315页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109459026A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109459026B (zh) | 一种多运动体协同全覆盖路径规划方法 | |
CN110887484B (zh) | 基于改进遗传算法的移动机器人路径规划方法及存储介质 | |
Costa et al. | A survey on path planning algorithms for mobile robots | |
CN104503464B (zh) | 基于计算机的凸多边形农田无人机喷洒作业航迹规划方法 | |
CN113110520B (zh) | 一种多智能优化并行算法的机器人路径规划方法 | |
US10365110B2 (en) | Method and system for determining a path of an object for moving from a starting state to an end state set avoiding one or more obstacles | |
CN107037827B (zh) | 无人机航空作业任务分配与航迹规划联合优化方法及装置 | |
Alajlan et al. | Global path planning for mobile robots in large-scale grid environments using genetic algorithms | |
CN110766254A (zh) | 一种基于改进遗传算法的多无人机协同任务分配方法 | |
CN110442135A (zh) | 一种基于改进遗传算法的无人艇路径规划方法及系统 | |
CN107229287A (zh) | 一种基于遗传蚂蚁算法的无人机全局路径规划方法 | |
Fernandes et al. | Trajectory planning of autonomous mobile robots applying a particle swarm optimization algorithm with peaks of diversity | |
CN106525047A (zh) | 一种基于floyd算法的无人机路径规划方法 | |
CN108413963B (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
Li et al. | Efficient path planning method based on genetic algorithm combining path network | |
CN112327923A (zh) | 一种多无人机协同路径规划方法 | |
CN102855387B (zh) | 一种基于小生境粒子群的二维空间多路径规划方法 | |
Cheng et al. | Path planning based on immune genetic algorithm for UAV | |
CN115014362B (zh) | 一种基于合成单元的牛耕式全覆盖路径规划方法和装置 | |
Liu et al. | An improved heuristic mechanism ant colony optimization algorithm for solving path planning | |
CN112947480B (zh) | 一种移动机器人路径规划方法、存储介质及系统 | |
Saffari et al. | Bee colony algorithm for real-time optimal path planning of mobile robots | |
Li et al. | A knowledge-based initialization technique of genetic algorithm for the travelling salesman problem | |
Reynolds et al. | The role of culture in the emergence of decision‐making roles: An example using cultural algorithms | |
Xu et al. | A cell potential and motion pattern driven multi-robot coverage path planning algorithm |
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 |