CN109931943B - 无人船舶全局路径规划方法及电子设备 - Google Patents
无人船舶全局路径规划方法及电子设备 Download PDFInfo
- Publication number
- CN109931943B CN109931943B CN201910229359.9A CN201910229359A CN109931943B CN 109931943 B CN109931943 B CN 109931943B CN 201910229359 A CN201910229359 A CN 201910229359A CN 109931943 B CN109931943 B CN 109931943B
- Authority
- CN
- China
- Prior art keywords
- path
- new
- paths
- cluster
- coordinate system
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 12
- 238000005265 energy consumption Methods 0.000 claims description 11
- 239000000446 fuel Substances 0.000 claims description 7
- 238000012804 iterative process Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种无人船舶全局路径规划方法及电子设备,该方法包括:S1根据预先航海图中确定的起始点和终点,将起始点和终点的连线作为新的X坐标轴,建立新坐标系;S2在新坐标系下,生成多条获取多条用于无人船舶航行的初始路径;S3采用聚类算法将所有初始路径分成不同的簇,所述簇中心为该簇中所有路径中适应度值最小的路径;S4依据群体智能优化算法的迭代方式对所有簇中的路径进行迭代优化,直至达到终止条件,获取迭代后的与初始路径数量一致的新路径;S5获取迭代终止后所有新路径的适应度值,选择适应度值最小的一条新路径作为规划的路径。上述方法解决了现有技术中路径平滑和内存溢出的问题,提高了路径规划算法的时效性。
Description
技术领域
本发明属于路径规划技术,尤其涉及一种基于群体智能算法与数据分析相结合的无人船舶全局路径规划方法及电子设备。
背景技术
无人船舶全局路径规划就是根据已知的全局环境信息,建立环境模型,采用合适的全局路径规划算法,寻找一条从起始点到目标点的经济、安全、可行的路径,该路径应满足以下性能指标:最优性,规划出的路径应在某些测度上最优,如能耗最低,安全性最高,耗时最少等。其中,合理性表示规划出的路径应符合无人船的实际航行路径;实时性表示路径规划需在规定时间内完成。
无人船路径规划是无人船路径规划与导航方面需要研究的关键问题之一,直接关系着无人船在海上航行的安全性和经济性。
传统的路径规划算法,如A*算法,Dijkstra算法等,此类算法通常是基于栅格进行寻路的,因此规划出的路径通常是曲折的,存在转折点多、累计转折角大等问题,而无人船舶在航行过程中,存在反应迟缓、冲程大、转向角大等问题,通过上述传统算法规划出的路径,不能直接适用于无人船的航行中,还需要选取适当的平滑算法,对路径进行平滑处理。而且在广阔海域、复杂海况中,使用栅格进行环境建模时,会遇到内存溢出的问题。
为此,如何解决路径规划过程中的路径不平滑和内存溢出的问题,且能够提高路径规划算法的时效性成为当前需要解决的问题。
发明内容
针对现有技术中的问题,本发明提供一种无人船舶全局路径规划方法及电子设备,可以解决传统路径规划算法中路径不平滑和内存溢出的问题,同时提高了路径规划算法的时效性。
为了达到上述的目的,本发明采用的主要技术方案包括:
第一方面,本发明提供一种无人船舶全局路径规划方法,包括:
S1:根据预在先航海图中确定的起始点和终点,将起始点和终点的连线作为新的X坐标轴,建立新坐标系;
S2:在新坐标系下,基于障碍物位置信息进行起始点和终点之间的路径规划,生成多条获取多条用于无人船舶航行的初始路径,初始路径中的每一条路径均为起始点到终点的路径;
S3:采用聚类算法将所有初始路径分成不同的簇,所述簇中心为该簇中所有路径中适应度值最小的路径;
S4:依据群体智能优化算法的迭代方式对所有簇中的初始路径进行迭代优化,直至达到终止条件,获取迭代后的与初始路径数量一致的新路径;
S5:获取迭代终止后所有新路径的适应度值,选择适应度值最小的一条新路径作为规划的路径。
可选地,所述步骤S1包括:
新坐标系和原航海图的坐标系的关系如公式(1):
可选地,所述步骤S2包括:
S21:在新坐标系下,在起始点S和终点T之间添加n个路径点,将ST所在直线平均分成n+1份;
S22:基于障碍物位置信息,使n个路径点的横坐标不变,调整n各路径点的纵坐标,将调整后的路径点与起始点S、终点T一起组成完整路径PH,PH=(S,q1,q2,L,qn,T),获得多条获取多条用于无人船舶航行的初始路径;
其中,(q1,q2,L,qn)表示调整后的路径点。
可选地,针对每一条路径,依据公式(2)获取当前路径的适应度值F;
所述适应度值F为:F=λFfuel+(1-λ)Fthreat 公式(2);
λ表示能耗准则和安全性准则对路径的影响参数,Fthreat表示路径的安全性,Ffuel表示路径的总能耗。
可选地,所述步骤S3中的聚类算法包括:K-means算法、学习向量量化算法、高斯混合聚类算法或层次聚类算法。
可选地,所述步骤S4包括:
步骤41:设定最大迭代次数max_Iter,每次迭代数current_Iter=0,步骤3:current_Iter=current_Iter+1;
步骤42:使用聚类算法将所有的初始路径分为N簇,并在每个簇中选取适应度值最小的路径作为簇中心;
步骤43:在(0,1)之间生成一个随机数r1;
步骤44:如果r1<p1,随机选择一个簇中心,并随机生成一条路径,替换所选簇中心;p1表示预先定义的随机生成一条路径替换所选簇中心的概率;
步骤45:在(0,1)之间生成一个随机数r2;
步骤46:如果r2<p2,以概率p2i随机选择一个簇,p2i与对应簇的成员个数成比例,p2为预先定义的用来确定新路径是基于一个簇生成还是基于两个簇生成的概率,p2i表示在基于一个簇生成新路径的情况下,选取一个簇的概率;
步骤47:在(0,1)之间生成一个随机数r3,
步骤48:如果r3<p3,选择以概率p2i随机选择的簇的簇中心,否则选择当前簇中任一路径,生成一条新路径,并转至步骤51;p3表示在选定一个簇或两个簇的情况下,选取簇中心来生成新路径的概率;
步骤49:随机选择两个簇,在(0,1)之间生成一个随机数r4;
步骤50:如果r4<p3,选择两个簇的中心合成一条路径,否则,在两个簇中各随机选取一条路径合成一条路径,并基于合成的路径生成一条新路径;
步骤51:针对每一新路径,计算新路径的适应度值,并与新路径对应的原路径做比较,保留适应度值小的路径;
步骤52:重复步骤43-步骤51,直到生成n条新路径,完成一次迭代过程;且在current_Iter≥max_Iter,停止迭代,获得迭代后的n条新路径。
可选地,所述步骤S4包括:
所述步骤S44或步骤S48中依据公式(3)生成新路径;
公式(3):xnew=xselected+ξ(t)×N(μ,σ2);
xselected为选定路径,xnew为生成的新路径,N(μ,σ2)为基于正态分布的随机数,T为最大迭代次数,t为当前迭代次数,rand()为(0,1)之间的随机数,参数k用来控制ξ(t)的搜索步长,logsig()为传递函数。
第二方面,本发明还提供一种电子设备,所述电子设备位于无人船舶上,所述电子设备包括:存储器和处理器,所述存储器中存储有所述处理器可执行的程序,所述处理器所执行的程序包括上述第一方面任意所述的方法。
本发明的有益效果是:
本发明将现有的群体智能优化算法与数据分析相结合,应用于路径规划中,不但解决了路径平滑和内存溢出的问题,还提高了路径规划算法的时效性。
此外,路径规划过程中通过设定恰当适应度函数,来规划出一条安全、经济的平滑路径。由于本发明的方法是在数据分析的基础上来进行路径规划的,所以此算法还具有很好的时效性。
附图说明
图1为本发明中示出的坐标变换的示意图;
图2为在图1所示的新坐标下进行初始路径选择的示意图;
图3为本发明提供的无人船舶全局路径规划方法的流程示意图;
图4为本发明的方法的MATLAB的仿真结果示意图。
具体实施方式
为了更好地解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
近年来,新兴的群体智能优化算法,很好的解决了路径不平滑和内存溢出的问题。此类算法规划出的路径是一条安全、可行的平滑曲线,可直接用于无人船的航行中。此类算法仅需要知道障碍物的位置和大小,就可以进行路径规划,所以不会有内存溢出的问题。但此类算法运行效率较低,不能保证路径规划的时效性。
在本发明中,将现有的群体智能优化算法与数据分析相结合,应用于路径规划中,不但解决了路径平滑和内存溢出的问题,还提高了路径规划算法的时效性。
数学建模
在进行路径规划前,需要建立一个新的坐标系。以起始点S(Start)为原点,以起始点S和目标点T(Target)的连线为X’轴,建立新坐标系,如图1所示,图1中黑色圆圈区域表示障碍物。
在本申请中,新坐标系和原坐标系有如下关系:
其中,(x,y)为原始坐标系下的坐标,(x',y')为新坐标系下的坐标,
本实施例的方法就是在新坐标系下建模,然后进行路径规划的。
首先,需要在S(起始点Start)和T(终点Target)之间添加n个路径点,将ST平均分成n+1份,n取大于1的自然数,如图2所示。
这n个路径点的横坐标(新坐标系中)是固定不变的,通过改变它们的纵坐标,使得适应度函数值最优,即得最优路径。
如图2所示,图2中的(q1,q2,L,qn)表示n个路径点,每一个路径点具有纵坐标和横坐标,用以表示一个路径点/路径节点的位置;
每一个路径点分别在相应的各自的虚线上移动,直到适应度函数值最优。一条完整的路径,可以表示为:
PH=(S,q1,q2,L,qn,T)
其中,PH表示一条路径,qi表示从S到T所要经过的路径点。
下述的适应度函数,或称为目标函数,可以包含不同的准则,以满足不同的路径要求。而在本申请中适应度函数只考虑两个准则:能耗和安全性,以此为例,进行说明。
针对能耗:能耗是和路径长度成正比的。假设无人船匀速前进,则可以使用路径长度来代替能耗。路径的总能耗Ffuel,即路径的长度,可由下式来计算:
其中,n表示路径节点的个数,q0表示起始点,qn+1表示目标点,d(a,b)表示a和b两点之间的欧氏距离。i取0到n之间的自然数。
针对安全性:无人船路径的安全性,即为碰撞危险度。在本申请中,对障碍物做一定的膨胀处理,将障碍物近似看成具有不同半径的圆,则路径的安全性Fthreat可通过下式来计算:
其中,Li表示相邻两路径节点之间路径的长度,Nk为障碍物的个数,D(dk)为:
dk为路径上一点到第k个障碍物中心的距离,rk为第k个障碍物的半径,dmax是根据无人船的大小设定的最大安全距离,超过这个距离,障碍物对船的安全性将不再构成影响。k为障碍物的数量。
综上,基于能耗和安全性的准则,本申请的适应度函数为:
F=λFfuel+(1-λ)Fthreat
参数λ表示各准则对路径的影响大小,参数λ可根据实际情况取值,通常为0.5,本申请中不对其限定,根据实际需要调整。
本发明的方法描述
本发明中是将群体智能优化方法与数据分析的方法进行融合,以数据分析方法为基础去选择相对较好的路径。使用本发明的方法进行路径规划的基本思想为:通过聚类将初始路径分到不同的簇(可理解为集合)中,通过对簇中心或簇中其他路径进行变异来生成新路径,将新路径与原有路径(即生成新路径是选取的那条路径)进行比较,保留具有较好适应度值(即适应度函数值,下述简称适应度值)的路径,重复以上过程,达到一定的迭代次数,即可得最优或近似最优路径。
解集合聚类
使用本算法进行路径规划,首先需要对初始路径集合进行聚类分析,将初始路径集合分成N簇。聚类是将相似路径分到同组的过程,目的是将路径收敛到一个小的搜索区域内。
通常使用K-means算法进行聚类,也可以使用其他聚类算法,如:学习向量量化(Learning Vector Quantization,LVQ),高斯混合聚类(Mixture-of-Gaussian),层次聚类(hierarchical clustering)等。
完成分类后,需要在每个簇中选取适应度值最小的路径,作为簇中心。用参数p1来控制使用随机路径替换聚类中心的概率,这样可以防止算法过早收敛,有助于跳出局部极值。
生成新路径
本算法的迭代过程就是生成新路径的过程,该过程随机选择一个或两个簇来生成新路径。用参数p2来控制基于一个或两个簇来生成新路径的概率。
在基于一个簇生成新路径的情况下,以概率p2i来选择一个簇,p2i与对应的簇中路径的个数成比例。
选定簇后,以参数p3控制选择簇中心或簇中任一路径作为选定路径的概率。
在基于两个簇生成新路径的情况下,在概率p3下,选择两簇的中心合成一个路径作为选定路径(例如把两条路径每对对应路径节点(qi)的纵坐标相加,再除以2(即取它们的均值),获得新的路径节点,继而获得新路径),在概率1-p3下,在两簇中分别选择一个普通路径来合成一个路径作为选定路径。
确定好选定路径后,根据(1)式和(2)式生成新路径:
xnew=xselected+ξ(t)×N(μ,σ2), (1)
其中,xselected为选定路径,xnew为生成的新路径,N(μ,σ2)为基于正态分布的随机数,T为最大迭代次数,t为当前迭代次数,rand()为(0,1)之间的随机数,参数k用来控制ξ(t)的搜索步长,传递函数logsig()的定义如下:
生成新路径后,计算其适应度函数值,并与相应的路径(即用来生成新路径的选定路径xselected)比较,保留适应度值优的路径。
参数设定
p1:随机生成一条路径,替换所选簇中心的概率,取值0.2;
p2:用来确定新路径是基于一个簇生成还是基于两个簇生成,取值0.8;
p2i:在基于一个簇生成新路径的情况下,选取一个簇的概率,它与对应簇的成员个数成比例;
p3:在选定一个簇或两个簇的情况下,选取簇中心来生成新路径的概率,取值0.4;
使用本发明方法进行路径规划的具体步骤
结合图3所示,本发明实施例的方法包括如下步骤:
步骤1:随机生成n条路径,并依据F=λFfuel+(1-λ)Fthreat计算这n条路径的适应度值;
步骤2:设定最大迭代次数max_Iter,current_Iter=0,重复步骤3–步骤12,直到current_Iter≥max_Iter,停止迭代,转至步骤14;
步骤3:current_Iter=current_Iter+1;
步骤4:使用聚类算法将n条路径分为N簇,并在每个簇中选取适应度值最小的路径作为簇中心;N为根据实际需要确定。
步骤5:在(0,1)之间生成一个随机数r1;
步骤6:如果r1<p1,在所有的簇中随机选取一个簇,并选择簇中心,并随机生成一条路径,替换所选簇中心;
步骤7:在(0,1)之间生成一个随机数r2;
步骤8:如果r2<p2,以概率p2i随机选择一个簇,p2i与对应簇的成员个数成比例,可理解的是,P2i=对应簇中成员个数/路径总数;
然后在(0,1)之间生成一个随机数r3,继续下一步;否则,转至步骤10;
步骤9:如果r3<p3,选择步骤8中选出的簇的簇中心,否则选择簇中任一路径,然后根据公式(1)生成一条新路径,转至步骤12;
可理解的是,上述步骤6为对簇中心进行调整,步骤8是随机选取簇的过程。
步骤10:随机选择两个簇,在(0,1)之间生成一个随机数r4;
步骤11:如果r4<p3,选择两个簇的中心合成一条路径,否则,在两个簇中各随机选取一条路径合成一条路径,然后根据公式(1)生成一条新路径;
步骤12:计算新路径的适应度值,并与相应路径做比较,保留适应度值优的路径;
步骤13:重复步骤7-步骤12,直到生成n条新路径,完成一次迭代过程;
步骤14:重复上述的迭代过程,在current_Iter≥max_Iter,停止迭代,获得迭代后的n条新路径。
进而,选择迭代后的n条新路径中适应度值最小的路径作为最后规划输出的路径。
本发明将群体智能优化方法与数据分析的方法进行融合,以数据分析方法为基础去选择相对较好的路径。本发明所提算法的基本思想为,通过聚类将初始路径分到不同的簇中,通过对簇中心或簇中其他路径进行变异来生成新路径,将新路径与原有路径进行比较,保留具有较好适应度值的路径,重复以上过程,达到一定的迭代次数,即可得最优或近似最优路径。
本发明的MATLAB仿真如图4所示,图4中Start为起始点,Target为终点,黑色区域表示障碍物,起始点到终点的线为最终的路径。
需要理解的是,以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点,其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施,但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰,都应涵盖在本发明的保护范围内。
Claims (4)
1.一种无人船舶全局路径规划方法,其特征在于,包括:
S1:根据预在先航海图中确定的起始点和终点,将起始点和终点的连线作为新的X坐标轴,建立新坐标系;
S2:在新坐标系下,基于障碍物位置信息进行起始点和终点之间的路径规划,生成多条获取多条用于无人船舶航行的初始路径,初始路径中的每一条路径均为起始点到终点的路径;
S3:采用聚类算法将所有初始路径分成不同的簇,所述簇中心为该簇中所有路径中适应度值最小的路径;
S4:依据群体智能优化算法的迭代方式对所有簇中的路径进行迭代优化,直至达到终止条件,获取迭代后的与初始路径数量一致的新路径;
S5:获取迭代终止后所有新路径的适应度值,选择适应度值最小的一条新路径作为规划的路径;
其中,所述步骤S1包括:
新坐标系和原航海图的坐标系的关系如公式(1):
所述步骤S2包括:
S21:在新坐标系下,在起始点S和终点T之间添加n个路径点,将ST所在直线平均分成n+1份;
S22:基于障碍物位置信息,使n个路径点的横坐标不变,调整n各路径点的纵坐标,将调整后的路径点与起始点S、终点T一起组成完整路径PH,PH=(S,q1,q2,L,qn,T),获得多条获取多条用于无人船舶航行的初始路径;
其中,(q1,q2,L,qn)表示调整后的路径点;
针对每一条路径,依据公式(2)获取当前路径的适应度值F;
所述适应度值F为:F=λFfuel+(1-λ)Fthreat 公式(2);
λ表示能耗准则和安全性准则对路径的影响参数,Fthreat表示路径的安全性,Ffuel表示路径的总能耗;
所述步骤S4包括:
步骤41:设定最大迭代次数max_Iter,每次迭代数current_Iter=0,步骤3:current_Iter=current_Iter+1;
步骤42:使用聚类算法将所有的初始路径分为N簇,并在每个簇中选取适应度值最小的路径作为簇中心;
步骤43:在(0,1)之间生成一个随机数r1;
步骤44:如果r1<p1,随机选择一个簇中心,并随机生成一条路径,替换所选的簇中心的路径;p1表示预先定义的随机生成一条路径替换所选簇中心的概率;
步骤45:在(0,1)之间生成一个随机数r2;
步骤46:如果r2<p2,以概率p2i随机选择一个簇,p2i与对应簇的成员个数成比例,p2为预先定义的用来确定新路径是基于一个簇生成还是基于两个簇生成的概率,p2i表示在基于一个簇生成新路径的情况下,选取一个簇的概率;
步骤47:在(0,1)之间生成一个随机数r3,
步骤48:如果r3<p3,选择以概率p2i随机选择的簇的簇中心,否则选择当前簇中任一路径;生成一条新路径,并转至步骤51;p3表示在选定一个簇或两个簇的情况下,选取簇中心来生成新路径的概率;
步骤49:随机选择两个簇,在(0,1)之间生成一个随机数r4;
步骤50:如果r4<p3,选择两个簇的中心合成一条路径,否则,在两个簇中各随机选取一条路径合成一条路径,并基于合成的路径生成一条新路径;
步骤51:针对每一新路径,计算新路径的适应度值,并与新路径对应的原路径做比较,保留适应度值小的路径;
步骤52:重复步骤43-步骤51,直到生成n条新路径,完成一次迭代过程;且在current_Iter≥max_Iter,停止迭代,获得迭代后的n条新路径。
2.根据权利要求1所述的方法,其特征在于,所述步骤S3中的聚类算法包括:K-means算法、学习向量量化算法、高斯混合聚类算法或层次聚类算法。
4.一种电子设备,其特征在于,所述电子设备位于无人船舶上,所述电子设备包括:存储器和处理器,所述存储器中存储有所述处理器可执行的程序,所述处理器所执行的程序包括上述权利要求1至3任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910229359.9A CN109931943B (zh) | 2019-03-25 | 2019-03-25 | 无人船舶全局路径规划方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910229359.9A CN109931943B (zh) | 2019-03-25 | 2019-03-25 | 无人船舶全局路径规划方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109931943A CN109931943A (zh) | 2019-06-25 |
CN109931943B true CN109931943B (zh) | 2020-09-01 |
Family
ID=66988211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910229359.9A Active CN109931943B (zh) | 2019-03-25 | 2019-03-25 | 无人船舶全局路径规划方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109931943B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516857B (zh) * | 2019-08-12 | 2022-03-22 | 中国农业大学 | 一种死鱼捕捞路径规划方法、服务器及死鱼捕捞装置 |
CN111310919B (zh) * | 2020-02-08 | 2020-10-16 | 南栖仙策(南京)科技有限公司 | 基于场景切分和局部路径规划的驾驶控制策略训练方法 |
CN112650237B (zh) * | 2020-12-21 | 2021-12-28 | 武汉理工大学 | 基于聚类处理和人工势场的船舶路径规划方法和装置 |
CN112797999B (zh) * | 2020-12-24 | 2022-06-03 | 上海大学 | 一种多无人艇协同遍历路径规划方法及系统 |
CN116562598B (zh) * | 2023-07-07 | 2023-09-19 | 成都花娃网络科技有限公司 | 一种分销调度方法、装置及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102929286B (zh) * | 2012-11-26 | 2015-05-27 | 北京理工大学 | 一种行星表面全局路径快速规划方法 |
CN104702355B (zh) * | 2015-02-26 | 2017-04-26 | 西安电子科技大学 | 一种大小尺度衰落信道下宽带协作频谱感知方法 |
CN106705975A (zh) * | 2017-01-11 | 2017-05-24 | 江苏科技大学 | 一种基于万有引力搜索的水面无人艇航路规划方法 |
CN106845716B (zh) * | 2017-01-25 | 2020-09-08 | 东南大学 | 一种基于导航误差约束的水面无人艇局部分层路径规划方法 |
CN109164810B (zh) * | 2018-09-28 | 2021-08-10 | 昆明理工大学 | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 |
CN109299778B (zh) * | 2018-10-16 | 2022-06-14 | 南京邮电大学 | 一种基于布谷鸟搜索算法的rcrss救援地图分区的计算方法 |
-
2019
- 2019-03-25 CN CN201910229359.9A patent/CN109931943B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109931943A (zh) | 2019-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
CN109375625B (zh) | 一种基于快速搜索遗传算法的智能船舶路径规划方法 | |
CN110544296B (zh) | 一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法 | |
CN106525047B (zh) | 一种基于floyd算法的无人机路径规划方法 | |
Jin et al. | An efficient self-organizing map designed by genetic algorithms for the traveling salesman problem | |
CN111238521B (zh) | 一种无人驾驶车辆的路径规划方法及系统 | |
CN109885891A (zh) | 一种智能车gpu并行加速轨迹规划方法 | |
CN108388250B (zh) | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 | |
CN105512769A (zh) | 基于遗传规划的无人机航迹规划系统及方法 | |
CN107229287A (zh) | 一种基于遗传蚂蚁算法的无人机全局路径规划方法 | |
CN108489491A (zh) | 一种水下自主航行器的三维航迹智能规划方法 | |
CN112462803B (zh) | 一种基于改进nsga-ii的无人机路径规划方法 | |
CN111307153B (zh) | 基于六边形栅格地图的多auv任务分配与路径规划方法 | |
CN110095120A (zh) | 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 | |
CN109765890B (zh) | 一种基于遗传算法的多usv群体协同避碰规划方法 | |
CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
CN110906935A (zh) | 一种无人艇路径规划方法 | |
CN109556609B (zh) | 一种基于人工智能的避碰方法及装置 | |
CN113325867A (zh) | 一种无人航行器搜寻的路径规划方法、装置和无人航行器 | |
CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
CN116579372A (zh) | 一种基于深度强化学习的多智能体协同导航方法 | |
Tuba et al. | Water cycle algorithm for robot path planning | |
CN115951682A (zh) | 一种考虑洋流存在条件下的带约束四目标auv全局路径规划方法 | |
Zhang et al. | Research on complete coverage path planning for unmanned surface vessel | |
Wu et al. | Complete Coverage Path Planning Based on Improved Genetic Algorithm for Unmanned Surface Vehicle |
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 |