CN109685286B - 未知静态障碍环境下usv基于改进蚁群优化的避碰规划方法 - Google Patents

未知静态障碍环境下usv基于改进蚁群优化的避碰规划方法 Download PDF

Info

Publication number
CN109685286B
CN109685286B CN201910032579.2A CN201910032579A CN109685286B CN 109685286 B CN109685286 B CN 109685286B CN 201910032579 A CN201910032579 A CN 201910032579A CN 109685286 B CN109685286 B CN 109685286B
Authority
CN
China
Prior art keywords
collision avoidance
usv
ant
coordinate system
avoidance planning
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
Application number
CN201910032579.2A
Other languages
English (en)
Other versions
CN109685286A (zh
Inventor
王宏健
郭峰
班喜程
练青坡
刘超伟
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201910032579.2A priority Critical patent/CN109685286B/zh
Publication of CN109685286A publication Critical patent/CN109685286A/zh
Application granted granted Critical
Publication of CN109685286B publication Critical patent/CN109685286B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Remote Sensing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

未知静态障碍环境下USV基于改进蚁群优化的避碰规划方法，属于水面无人艇避碰规划技术领域。本发明首先构建全局坐标系和局部坐标系，建立导航雷达仿真模型；设计用于实时避碰规划的滚动优化窗口；然后采用可视图法构建环境模型；设计用于实时避碰规划的改进蚁群优化方法；最后将导航雷达探测信息及目标点信息输入至基于改进蚁群优化方法的USV静态避碰规划器，获得USV下一时刻的转艏及速度的调整指令。本发明将滚动优化窗口法与改进蚁群优化方法相结合，提高了USV在线规划的实时性；针对于蚁群优化方法收敛速度慢，提出了改进的伪随机比例规则对蚂蚁状态转移进行选择；借鉴狼群分配原则和最大最小蚂蚁系统对全局信息素进行更新，避免搜索陷入局部最优。

Description

未知静态障碍环境下USV基于改进蚁群优化的避碰规划方法
技术领域
本发明属于水面无人艇避碰规划技术领域，具体涉及一种未知静态障碍环境下USV基于改进蚁群优化的避碰规划方法。
背景技术
随着当今科技的迅猛发展，海上智能交通已成为世界各国科技战略装备不可缺少的重要组成部分，对其智能化航行的深入研究具有重大的战略意义。USV作为智能化的海上航行器，由于其具有航速快、体积小、自动化和智能化程度高等特点而吸引了广泛研究，其避碰规划既是USV智能化的重要标志，又是USV自主航行的核心技术，所以USV顺利完成使命任务的重要前提是其能够自主避碰。常用的传统避碰规划方法包括蚁群优化算法、粒子群优化算法、人工免疫算法、遗传优化算法、A*优化算法、人工势场法、Dijkstra优化算法等。对于避碰规划问题，除了考虑安全性和避碰运动平滑性等，系统的实时性也是重要的指标，然而基于上述传统算法的避碰规划系统，存在避碰的实时性与避碰精度相互矛盾的问题。
发明内容
本发明的目的在于提供一种未知静态障碍环境下USV基于改进蚁群优化的避碰规划方法，解决USV在静态未知环境中避碰规划方法的搜索能力不足等问题。
本发明的目的是这样实现的：
未知静态障碍环境下USV基于改进蚁群优化的避碰规划方法，包括如下步骤：
步骤1：构建全局坐标系和局部坐标系，建立导航雷达仿真模型；
步骤2：设计用于实时避碰规划的滚动优化窗口；
步骤3：采用可视图法构建环境模型；
步骤4：设计用于实时避碰规划的改进蚁群优化方法；
步骤5：将导航雷达探测信息及目标点信息输入至基于改进蚁群优化方法的USV静态避碰规划器，获得USV下一时刻的转艏及速度的调整命令。
所述步骤1中全局坐标系采用北东坐标系，地图左上角为原点，正东方向为X轴，正北方向为Y轴；局部坐标系分为艇载坐标系和传感器坐标系，其中艇载坐标系是以USV为原点所建立的直角坐标系，传感器坐标系是以导航雷达为极点、USV前进方向作为极轴所建立的极坐标系。
所述步骤1中导航雷达仿真模型探测距离为50m～10km，探测范围为0°～360°，方位分辨率为5°，角度测量精度为1°。
所述步骤2中滚动优化窗口法为建立一个随USV一起运动的环境窗口，每隔固定时间对USV进行一次动态避碰规划，避碰规划时仅对当前滚动窗口中的障碍物进行建模，每次避碰规划，将所有已知障碍物信息纳入避碰规划中；避碰规划采用新的未知环境信息触发机制。
所述步骤3中可视图法包括可视图的膨胀方法和可视图的构建方法，其中膨胀方法采用矢量面积法判断凹凸性，构建方法采用相对位置检测法判断可视性。
所述步骤4中改进蚁群优化方法具体步骤为：
步骤4.1：使用基于相对位置检测的可视性判断方法来统计包括起点和终点在内的所有已经经过膨化的环境障碍物顶点的可视点，每一个顶点gi都定义一个allowedi链表存储其可视点集；
步骤4.2初始化τij(0)，历史最优保留代数计数器count＝0，进化代数计数器G_count＝0，设置历史最优最大保留代数Max和最大进化代数Generation，设置初始历史最优蚂蚁history_best的路径代价为∞，每代蚂蚁种群数为m；
步骤4.3：设置蚂蚁种群编号k＝1；
步骤4.4：若k＞m，转到步骤4.7，否则把蚂蚁k放置在起始位置gs上，转到步骤4.5；
步骤4.5：设此时蚂蚁当前位置为gi，若gi的可视点链表allowedi为空，则这只蚂蚁死亡，k＝k+1，转到步骤4.4；
步骤4.6：若蚂蚁当前位置为终点ge，则蚂蚁找到完整路径，k＝k+1，转到步骤4.4，否则，将本路径点从allowedi中删除，以防止蚂蚁向回搜索，并按照状态转移规则寻找下一路径点，转到步骤4.5；
步骤4.7：G_count＝G_count+1；若本代蚂蚁中的最优蚂蚁比历史最优蚂蚁找到的路径更优，更新history_best并且count＝0，否则count＝count+1；
步骤4.8：count＞Max或G_count≥Generation，优化方法停止；否则对蚁群信息素进行全局更新处理，转到步骤4.3。
本发明有益效果在于：
(1)本发明将滚动优化窗口法与改进蚁群优化方法相结合，提高了USV在线规划的实时性；
(2)本发明考虑到USV作业的环境特点，便于改进蚁群优化方法搜索到最优路径，提出了一种可视图法对局部环境模型进行构建；针对于蚁群优化方法收敛速度慢的问题，提出了改进的伪随机比例规则对蚂蚁状态转移进行选择；
(3)本发明借鉴狼群分配原则和最大—最小蚂蚁系统对全局信息素进行更新，避免了搜索陷入局部最优。
附图说明
图1为本发明的USV全局及局部坐标系示意图；
图2为本发明的仿真导航雷达示意图；
图3为本发明的USV避碰方法结构流程图；
图4为本发明的导航雷达对局部静态未知障碍探测示意图；
图5为本发明的USV工作空间模型示意图；
图6为本发明的多边形障碍物膨胀方法示意图；
图7为本发明的判断凹凸点的矢量面积法示意图；
图8为本发明的膨胀方法的原理示意图；
图9为本发明的基于相对位置检测方法判断可视性示意图；
图10为本发明的改进蚁群优化方法流程图；
图11为本发明的USV避碰规划结果对比图。
具体实施方式
下面结合附图对本发明做更进一步描述。
一种基于改进蚁群优化算法的USV动态避碰规划方法，包括以下步骤：
步骤1：构建全局坐标系和局部坐标系，建立导航雷达仿真模型；
全局坐标系采用北东坐标系，地图左上角为原点，正东方向为X轴，正北方向为Y轴。
局部坐标系分为艇载坐标系和传感器坐标系，其中艇载坐标系是以USV为原点所建立的直角坐标系，传感器坐标系是以导航雷达为极点、USV前进方向作为极轴所建立的极坐标系。
导航雷达仿真模型探测距离为50m～10km，探测范围为0°～360°，方位分辨率为5°，角度测量精度为1°。
步骤2：设计用于实时避碰规划的滚动优化窗口；
滚动优化窗口法，即以USV为中心，建立一个随USV一起运动的环境窗口，每隔固定时间对USV进行一次动态避碰规划，避碰规划时仅对当前滚动窗口中的障碍物进行建模，这样随着环境窗口不断的向前滚动，可对USV不断的进行动态避碰规划。
所设计的滚动优化窗口大小设定为导航雷达的实际探测范围。
所设计的滚动优化窗口有以下两个特点：
(1)每次避碰规划，将所有已知障碍物信息纳入避碰规划中而非仅针对滚动优化窗口中的环境信息，若对于未知环境中的静态障碍物而言，则避碰规划始终以终点作为目标点，这会为算法增加“记忆”功能，避免了USV陷入局部最优，使USV在陷阱中产生震荡的现象；
(2)避碰规划采用新的未知环境信息触发机制，而不是固定时间间隔触发，这不仅能够对新发现的未知障碍物做出快速、有效地响应，又能避免过于频繁地触发避碰规划造成不必要的浪费，因为在没有新的环境信息出现时，即使多次触发规划，USV的航行路径也不会明显改变。
步骤3：采用可视图法构建环境模型；
导航雷达通过发射电磁波并且接收障碍物反射回来的波对周围环境进行探测，即电磁波与障碍物的表面交汇处为反射点或障碍点，根据各反射点到导航雷达的距离和角度，可知各障碍顶点相对于导航雷达的位置信息，并将该位置信息通过坐标变换转化为相对USV质心的位置信息，从而完成对USV动态滚动窗口中的局部静态未知环境的探测，进而可采用可视图法对动态滚动窗口中的局部静态未知环境进行建模。
可视图法包括可视图的膨胀方法和可视图的构建方法，其中膨胀方法采用矢量面积法判断凹凸性，构建方法采用相对位置检测法判断可视性。
步骤4：设计用于实时避碰规划的改进蚁群优化算法；
蚁群优化算法的改进设计包括基于方向角权值的状态转移规则、基于狼群分配原则的全局信息素更新模型以及基于最大-最小蚂蚁系统的全局信息素更新模型。
步骤5：将导航雷达探测信息及目标点信息输入至基于改进蚁群优化算法的USV静态避碰规划器，获得USV下一时刻的转艏及速度的调整指令。
全局坐标系和局部坐标系：
如图1所示，USV所在位置的全局坐标为(xu,yu),αu是USV航行方向与正东方向XG的夹角，导航雷达安装于艇载坐标系XUOUYU下一点(xr,0)处，即USV在航行过程中，传感器坐标系P(di,θi)相对于艇载坐标系XUOUYU的位置是固定不变的，其中Qi为静态障碍与USV综合感知视域模型的交点(di,θi)。
USV工作空间模型：
如图5所示，USV的起点为北东坐标系下一点，整个二维空间模型大小为1500×1300(千米2)，其中黑色网格多边形代表USV未知航向危险区，其余均代表未知的暗礁和岛屿。
可视图的膨胀方法：
对于椭圆形障碍物而言，根据实际需要设定安全距离h，将其膨化成同一椭圆圆心且更长的长短半径的椭圆(更长的长短半径是指考虑了安全距离)，运用勾股定理得到膨化后的椭圆的外接矩形。
对于多边形障碍物而言，一般分为凸多边形和凹多边形障碍，传统方法采用凸多边形障碍的膨胀方式对凹边形障碍进行膨化，如图6(a)所示，可以看出这种膨胀方式可能会遗失避碰规划中的最优路径，所以本发明设计出一种同时适用于凸多边形和凹多边形障碍的膨胀方法，如图6(b)所示。
本发明的环境障碍物膨胀方法首先采用矢量面积法去判断一个多边形的顶点是凸点还是凹点。如图7所示，设有多边形ABCDEFG且按顺时针顺序形成矢量，该多边形的面积公式如下所示：
SABCDEFG＝SABba+SBCcb+SDEed-SCDdc-SEFfe-SGFfg-SAGga
其中，以梯形ABba面积公式为例，每个梯形面积公式如下所示。显然，当多边形各矢量方向按图7所示时，所得的SABCDEFG和SBCD均为正。
Figure BDA0001944757260000051
若多边形顶点为凹点，则其与邻点形成的与多边形具有相同矢量方向的矢量三角形面积与矢量多边形面积反向，例如SABCDEFG×SCDE＜0；若多边形顶点为凸点，则其与邻点形成的与多边形具有相同矢量方向的矢量三角形面积与矢量多边形面积同向。例如SABCDEFG×SBCD＞0。
其次，根据多边形顶点的凹凸性，设计出相对应的顶点膨胀方法。如图8(a)所示，多边形顶点A为凸点，以A为坐标原点建立直角坐标系，根据其相邻点F、B可求出其角平分线与X轴正方向的夹角α如下所示：
Figure BDA0001944757260000052
其中h为人工设置的安全距离，则膨化所得点即为∠BAF角平分线的反向延长线与在多边形ABCDE外侧且与AB(或AF)相距为h的平行线的交点如下所示：
Figure BDA0001944757260000053
Figure BDA0001944757260000054
同理，如图8(b)所示，多边形顶点F为凹点，亦可按上述方法求得，只是，所得的膨化点变成了∠AFE角平分线与在多边形ABCDE外侧且与AF(或FE)相距为h的平行线的交点,而不是角平分线的反向延长线。
可视图的构建方法：
可视图构建的关键为判断任意两个可视点的可视性，所谓可视性是指在避碰规划过程中，判断任意两个可视点所形成的路径是否与环境空间的障碍物相交，因此，本发明采用基于相对位置检测方法判别可视性。
基于相对位置检测的方法是首先求出端点P1与障碍物各个顶点的距离d1，d2，d3，d4，d5，并按照距离大小排序，从中选出距离路径点起点P1最近的两个障碍物边界顶点，并判断与P1最近的两个顶点为端点的障碍物的边界线是否相交，如图9所示，即判断P1P2与AE、AB和BC是否相交。显然，若相交则路径P1P2与障碍物产生冲突，若不相交则反之，所以，路径P1P2是否与环境空间障碍物相交问题转化为判断P1P2与AE、AB和BC是否相交。
其中，线段P1P2、AE、AB和BC都可以用直线公式表示，如下所示：
Ax+By+C＝0
根据点(x,y)到直线距离公式分别计算出点A、B到P1P2的距离为da和db，点P1、P2到AB的距离为dP1和dP2，公式如下所示，其中距离是带有正负号的。
Figure BDA0001944757260000061
如图9所示，规定若点位于线段P1P2的上方则距离d小于零，若点位于线段的下方则距离d大于零。所以按照上述规则，当da×db＜0且dP1×dP2＜0时，则障碍边界线AB与路径P1P2相交；当da×db＜0且dP1×dP2≥0时，则障碍边界线AB与路径P1P2不相交；当da×db＞0时，则AB与P1P2不相交；当da和db不同时为零时，说明障碍边界线顶点A或者顶点B在路径P1P2上，又由于路径P1P2与边界线AB只相交于一顶点，而障碍此时已经经过膨胀处理，从而可以认为AB与P1P2不相交；当da和db同时为零时，则说明障碍边界线AB与路径P1P2在同一直线上，则AB与P1P2也不相交。同理，可判断出路径P1P2与AE、BC是否相交，从而确定路径P1P2与该障碍是否起冲突。
改进蚁群优化算法：
1.基于方向角权值的状态转移规则：
在USV搜索路径的过程中，首先在其二维工作空间模型中定义一个初始方向角ω，初始方向角是起始点和目标点的连线与正东方向的夹角；蚂蚁开始移动后的方向角，即蚂蚁当前位置和目标点的连线与正东方向的夹角称为实时方向角ωe，因此方向角权值Fq如下所示：
Figure BDA0001944757260000062
基于方向角权值的状态转移规则如下所示：
Figure BDA0001944757260000063
Figure BDA0001944757260000071
式中，τ为信息素浓度函数；allowedk为蚂蚁k允许做状态转移的i点的可视点集合；η是启发式函数，取为待转移可视点到目标点距离的倒数；α为信息素的重要程度；β为启发函数的重要程度。
2.基于狼群分配原则的全局信息素更新模型：
研究发现狼群会将捕捉到的大部分猎物分给强壮的狼，尽管会饿死一些弱小的狼。这样能保证强壮的狼在下次捕捉到猎物，不至于使整个狼群饿死，所以能够提高狼群的生存能力。因此，本发明基于狼群分配原则的全局信息素更新模型如下：
τij(t+n)＝(1-α)τij(t)+Δτij(t)
Figure BDA0001944757260000072
式中，α为全局信息素挥发系数；LBEST为目前全局最优路径的长度。
τij(t+1)＝λ×τij(t+n)
Figure BDA0001944757260000073
式中，D为起点到终点的欧式距离。
3.基于最大-最小蚂蚁系统的全局信息素更新模型：
Figure BDA0001944757260000074
式中，τmin、τmax为自行设置的信息素浓度上下限。
改进蚁群优化算法具体步骤如下：
Step1:使用基于相对位置检测的可视性判断方法来统计包括起点和终点在内的所有已经经过膨化的环境障碍物顶点的可视点，每一个顶点gi都定义一个allowedi链表存储其可视点集；
Step2:初始化τij(0)，给它赋一个较小的正数,历史最优保留代数计数器count＝0，进化代数计数器G_count＝0，设置历史最优最大保留代数Max和最大进化代数Generation，设置初始历史最优蚂蚁history_best的路径代价为∞，每代蚂蚁种群数为m；
Step3:设置蚂蚁种群编号k＝1；
Step4：如果k＞m,转到Step7；否则，把蚂蚁k放置在起始位置gs上，转到Step5；
Step5:设此时蚂蚁当前位置为gi，若gi的可视点链表allowedi为空，则这只蚂蚁死亡，k＝k+1，转到Step4；
Step6:若蚂蚁当前位置为终点ge，则蚂蚁找到完整路径，k＝k+1，转到Step4；否则，将本路径点从allowedi中删除，以防止蚂蚁向回搜索，并按照状态转移规则寻找下一路径点，转到Step5；
Step7:G_count＝G_count+1；若本代蚂蚁中的最优蚂蚁比历史最优蚂蚁找到的路径更优，更新history_best并且count＝0，否则count＝count+1；
Step8:若count＞Max或G_count≥Generation，优化算法停止。否则对蚁群信息素进行全局更新处理，转到Step3。
静态未知环境中USV避碰规划对比仿真：
基于Qt平台对基本蚁群优化算法和改进蚁群优化算法进行对比仿真实验。其中PC内存为4G，CPU主频为3.4GHz。
根据USV的环境模型，各参数设置分别为：α＝1，β＝7，ρ＝0.3，Q＝300，m＝30，Nmax＝500，USV航速为50节，基本蚁群优化算法和改进蚁群优化算法避碰规划过程如图11所示，其中绿色和紫色实线分别代表基本蚁群优化算法和改进蚁群优化算法的规划结果。

Claims (2)

1.未知静态障碍环境下USV基于改进蚁群优化的避碰规划方法，其特征在于，包括：
(1)构建全局坐标系和局部坐标系，建立导航雷达仿真模型；
全局坐标系采用北东坐标系，地图左上角为原点，正东方向为X轴，正北方向为Y轴；局部坐标系分为艇载坐标系和传感器坐标系，其中艇载坐标系是以USV为原点所建立的直角坐标系，传感器坐标系是以导航雷达为极点、USV前进方向作为极轴所建立的极坐标系；
(2)设计用于实时避碰规划的滚动优化窗口；
滚动优化窗口法为建立一个随USV一起运动的环境窗口，每隔固定时间对USV进行一次动态避碰规划，避碰规划时仅对当前滚动窗口中的障碍物进行建模，每次避碰规划，将所有已知障碍物信息纳入避碰规划中；避碰规划采用新的未知环境信息触发机制；
(3)采用可视图法构建环境模型；
可视图法包括可视图的膨胀方法和可视图的构建方法，其中膨胀方法采用矢量面积法判断凹凸性，构建方法采用相对位置检测法判断可视性；
(4)设计用于实时避碰规划的改进蚁群优化方法；
改进蚁群优化方法具体步骤为：
(4.1)使用基于相对位置检测的可视性判断方法来统计包括起点和终点在内的所有已经经过膨化的环境障碍物顶点的可视点，每一个顶点gi都定义一个allowedi链表存储其可视点集；
(4.2)初始化τij(0)，历史最优保留代数计数器count＝0，进化代数计数器G_count＝0，设置历史最优最大保留代数Max和最大进化代数Generation，设置初始历史最优蚂蚁history_best的路径代价为∞，每代蚂蚁种群数为m；
(4.3)设置蚂蚁种群编号k＝1；
(4.4)若k＞m，转到步骤4.7，否则把蚂蚁k放置在起始位置gs上，转到步骤(4.5)；
(4.5)设此时蚂蚁当前位置为gi，若gi的可视点链表allowedi为空，则这只蚂蚁死亡，k＝k+1，转到步骤(4.4)；
(4.6)若蚂蚁当前位置为终点ge，则蚂蚁找到完整路径，k＝k+1，转到步骤(4.4)，否则，将本路径点从allowedi中删除，以防止蚂蚁向回搜索，并按照状态转移规则寻找下一路径点，转到步骤(4.5)；
(4.7)G_count＝G_count+1；若本代蚂蚁中的最优蚂蚁比历史最优蚂蚁找到的路径更优，更新history_best并且count＝0，否则count＝count+1；
(4.8)count＞Max或G_count≥Generation，优化方法停止；否则对蚁群信息素进行全局更新处理，转到步骤(4.3)；
(5)将导航雷达探测信息及目标点信息输入至基于改进蚁群优化方法的USV静态避碰规划器，获得USV下一时刻的转艏及速度的调整命令。
2.根据权利要求1所述的未知静态障碍环境下USV基于改进蚁群优化的避碰规划方法，其特征在于：所述步骤(1)中导航雷达仿真模型探测距离为50m～10km，探测范围为0°～360°，方位分辨率为5°，角度测量精度为1°。
CN201910032579.2A 2019-01-14 2019-01-14 未知静态障碍环境下usv基于改进蚁群优化的避碰规划方法 Active CN109685286B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910032579.2A CN109685286B (zh) 2019-01-14 2019-01-14 未知静态障碍环境下usv基于改进蚁群优化的避碰规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910032579.2A CN109685286B (zh) 2019-01-14 2019-01-14 未知静态障碍环境下usv基于改进蚁群优化的避碰规划方法

Publications (2)

Publication Number Publication Date
CN109685286A CN109685286A (zh) 2019-04-26
CN109685286B true CN109685286B (zh) 2022-08-02

Family

ID=66192283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910032579.2A Active CN109685286B (zh) 2019-01-14 2019-01-14 未知静态障碍环境下usv基于改进蚁群优化的避碰规划方法

Country Status (1)

Country Link
CN (1) CN109685286B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110435647B (zh) * 2019-07-26 2020-09-29 大连理工大学 一种基于滚动优化参数的ttc的车辆安全防撞控制方法
CN110533234B (zh) * 2019-08-20 2022-09-23 集美大学 结合避碰策略的agv优化控制方法、终端设备及存储介质
CN110750095A (zh) * 2019-09-04 2020-02-04 北京洛必德科技有限公司 一种基于5g通讯的机器人集群运动控制优化方法及系统
CN111273544B (zh) * 2020-04-01 2022-11-15 河海大学常州校区 基于预测rbf前馈补偿型模糊pid的雷达俯仰运动控制方法
CN112015181B (zh) * 2020-08-28 2021-08-10 上海高仙自动化科技发展有限公司 一种避障方法、装置、设备及计算机可读存储介质
CN112526988B (zh) * 2020-10-30 2022-04-22 西安交通大学 一种自主移动机器人及其路径导航和路径规划方法、系统
CN112650229B (zh) * 2020-12-15 2022-07-05 扬州大学 一种基于改进蚁群算法的移动机器人路径规划方法
CN112558615A (zh) * 2020-12-26 2021-03-26 北京理工大学 一种智能无人船实时仿真控制系统
CN113805597B (zh) * 2021-09-28 2023-04-11 福州大学 基于粒子群算法的障碍物自我保护人工势场法局部路径规划方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105549600A (zh) * 2016-02-05 2016-05-04 哈尔滨工程大学 一种基于虚拟膨化的运动障碍与uuv相向航行的规避方法
CN107037809A (zh) * 2016-11-02 2017-08-11 哈尔滨工程大学 一种基于改进蚁群算法的无人艇避碰方法
CN108776483A (zh) * 2018-08-16 2018-11-09 圆通速递有限公司 基于蚁群算法和多智能体q学习的agv路径规划方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105549600A (zh) * 2016-02-05 2016-05-04 哈尔滨工程大学 一种基于虚拟膨化的运动障碍与uuv相向航行的规避方法
CN107037809A (zh) * 2016-11-02 2017-08-11 哈尔滨工程大学 一种基于改进蚁群算法的无人艇避碰方法
CN108776483A (zh) * 2018-08-16 2018-11-09 圆通速递有限公司 基于蚁群算法和多智能体q学习的agv路径规划方法和系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
UUV自主航行路径规划方法;温志文等;《制造业自动化》;20161125(第11期);全文 *
动态环境下基于蚁群算法的机器人路径规划;谢园园等;《南京师范大学学报(工程技术版)》;20060920(第03期);全文 *
基于蚁群算法的机器人路径规划;李克东等;《微计算机信息》;20090205(第05期);全文 *
滚动窗口与蚁群算法结合的机器人路径规划;潘迁等;《机械制造》;20120920(第09期);全文 *

Also Published As

Publication number Publication date
CN109685286A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN109685286B (zh) 未知静态障碍环境下usv基于改进蚁群优化的避碰规划方法
Tang et al. Geometric A-star algorithm: An improved A-star algorithm for AGV path planning in a port environment
CN109828607B (zh) 一种面向不规则障碍物的无人机路径规划方法及系统
YongBo et al. Three-dimensional unmanned aerial vehicle path planning using modified wolf pack search algorithm
US8082102B2 (en) Computing flight plans for UAVs while routing around obstacles having spatial and temporal dimensions
CN109460045B (zh) 动态障碍在线感知下usv基于改进蚁群优化的避碰规划方法
Bai et al. UAV path planning based on improved A∗ and DWA algorithms
CN109542117A (zh) 基于改进rrt的水下航行器滚动规划算法
CN109933067A (zh) 一种基于遗传算法和粒子群算法的无人艇避碰方法
CN112327939B (zh) 一种城市街区环境下高层消防多无人机协同路径规划方法
Han An efficient approach to 3D path planning
CN110389587A (zh) 一种目标点动态变化的机器人路径规划新方法
CN114812564A (zh) 基于城市动态时空风险分析的多目标无人机路径规划方法
CN115903888A (zh) 一种基于天牛群算法的旋翼无人机自主路径规划方法
Chen et al. Risk-aware trajectory sampling for quadrotor obstacle avoidance in dynamic environments
Yang et al. Optimization of dynamic obstacle avoidance path of multirotor UAV based on ant colony algorithm
Wu et al. A non-rigid hierarchical discrete grid structure and its application to UAVs conflict detection and path planning
CN116661502B (zh) 一种智能农业无人机路径规划方法
Liang et al. Landing route planning method for micro drones based on hybrid optimization algorithm
Politi et al. Path planning and landing for unmanned aerial vehicles using ai
CN117389305A (zh) 一种无人机巡检路径规划方法、系统、设备及介质
CN117289301A (zh) 一种未知越野场景下空地无人平台协同路径规划方法
Han et al. Research on UAV indoor path planning algorithm based on global subdivision grids
CN115328147A (zh) 基于改进蚁群算法和改进人工势场法的usv避碰方法
Sun et al. A novel A* method fusing bio-inspired algorithm for mobile robot path planning

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