CN109974708A - 一种无人船航迹规划方法、终端设备及存储介质 - Google Patents
一种无人船航迹规划方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN109974708A CN109974708A CN201910281542.3A CN201910281542A CN109974708A CN 109974708 A CN109974708 A CN 109974708A CN 201910281542 A CN201910281542 A CN 201910281542A CN 109974708 A CN109974708 A CN 109974708A
- Authority
- CN
- China
- Prior art keywords
- unmanned boat
- node
- ant
- ship
- navigation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 239000003016 pheromone Substances 0.000 claims abstract description 30
- 230000003068 static effect Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims abstract description 4
- 238000004590 computer program Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 240000007594 Oryza sativa Species 0.000 claims description 3
- 235000007164 Oryza sativa Nutrition 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims description 3
- 235000009566 rice Nutrition 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 238000013456 study Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000257303 Hymenoptera Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01C21/203—Specially adapted for sailing ships
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种无人船航迹规划方法、终端设备及存储介质,在该方法中,包括以下步骤:步骤一:根据障碍物分布情况,使用栅格法建立航行区域的二维静态环境模型;步骤二:设定无人船航行的总时间T的计算公式。步骤三:根据蚁群算法对无人船进行航迹规划,根据无人船航行的总时间对蚁群算法中的信息素进行更新。本发明根据转弯航行航速会小于直行航速,且转弯角度越大,其航速越小的情况,将蚁群算法中的信息素更新方式设定为根据总的时间来进行更新,而缩短航行时间对于无人船的救援任务顺利执行有重大意义,因此更贴近实际需求情况。
Description
技术领域
本发明涉及航迹规划技术领域,尤其涉及一种无人船航迹规划方法、终端设备及存储介质。
背景技术
众所周知,海洋面积约占地球总面积的70.8%,随着科学技术的发展,对海洋的研究已成为当今世界的热点之一,于是海上任务日益趋向多样化。海上环境与陆地环境一样,都会有许多不可预测的灾难发生,而相比陆地而言,海上发生灾难时,由于处在海水环境下,往往危险紧急系数比陆地上更高,难度更大。
无人船是将传统船舶技术与无人技术相结合的产物,是一种无人操作的水面船只。对于不适合有人船舶执行的危险任务而言,无人船舶发挥着重要的作用。近些年来,无人船逐渐成为海上智能交通领域的研究热点。随着科学技术的进步,将无人船代替有人船舶用于救援也已成为各国学者关注的焦点。航迹规划技术不仅反映了无人船智能化水平的高低,也是无人船关键技术领域的重要研究内容之一。对于用于海上救援的无人船而言,规划一条耗时最短的从出发点到等待救援点的航迹对于保障无人救生船高效顺利完成救援任务具有非常重要的意义。
对于航迹规划问题,国内外很多学者已经做了大量相关研究,将经典的规划算法如人工势场法、可视图法、滚动窗口法等用于解决路径规划问题,随着智能优化技术的发展,一些学者提出将智能算法运用于路径规划,其中包括遗传算法、模拟退火算法、粒子群算法、人工鱼群算法、及蚁群算法等,均取得了大量成果。如公开号为CN108563239A的中国发明专利提出了一种基于势场蚁群算法的无人机航迹规划,将蚁群算法全局搜索能力与人工势场算法局部搜素能力优势互补,提高蚂蚁在搜索时对环境的适应性与实时性,提高蚁群算法局部搜索能力。公开号为CN108459503A的中国发明专利提出了一种基于量子蚁群算法的无人船航迹规划方法,采用量子蚁群算法对无人船进行全局静态航迹规划,提高算法的计算速度,能够有效且快速地得到无人船在复杂海况下的最优航迹。公开号为CN109144062A的中国发明专利提出一种危险救援机器人路径规划方法。提出了一种改进蚁群算法,定义了新的转移规则和信息素更新策略,考虑了待救人员的生命强度,帮助算法避免陷入局部最优,提高了计算的求解质量和收敛速度。以上三个专利分别是在无人机、无人艇及机器人路径规划的运用,已有专利在路径规划研究上都未考虑由于航行过程中直行与转弯航行的航速变化问题,默认全程以匀速航行,均以路径最短作为评价标准。
发明内容
针对上述研究结果,本发明提供一种无人船航迹规划方法、终端设备及存储介质,在运用智能算法求解过程中,考虑转弯角度对速度的影响,更加贴近现实情况。
具体方案如下:
一种无人船航迹规划方法,包括以下步骤:
S1:根据障碍物分布情况,使用栅格法建立航行区域的二维静态环境模型;
S2:设定无人船的下一节点为其当前节点米字相邻的节点中的任一个,设定当前节点位置为i,则当前节点位置对应的坐标为(xi,yi);
S3:根据坐标计算节点位置i:
i=xi+(yi-1)×MM
其中,MM为二维静态环境模型中每行栅格的个数;
S4:设定每个节点对应的栅格的单位长度为a,当前节点位置与下一节点位置之间的距离Lij为:
S5:设定上一节点到当前节点航迹的后半段与当前节点到下一节点航迹的前半段的航速相同,则设定每个节点i对应航速在当前节点对应的栅格内所航行的距离di为:
其中,k为前一个节点位置,i为当前节点位置,j为下一个节点位置;
S6:设定上一个节点与当前节点之间形成的直线,与当前节点与下一节点之间形成的直线之间的夹角θkij为:
其中,夹角θkij的取值范围为[0,π);
S7:设定无人船的航速v为:
S8:设定无人船航行的总时间T的计算公式为:
T=∑ti=∑(di/vi)
其中,ti为每段航迹的航行时间;
S9:根据蚁群算法对无人船进行航迹规划,根据无人船航行的总时间对蚁群算法中的信息素进行更新。
进一步的,步骤S9中蚁群算法的信息素更新公式为:
其中,t为迭代的次数,τij(t+1)为路径ij上第t+1次迭代的信息素浓度,ρ为信息素挥发系数,其值越大信息素挥发得越快,M为蚂蚁总数,Δτk ij为第t次迭代中蚂蚁k留在路径ij上的信息素,Q为一常数,表示蚂蚁携带的信息素浓度因子,Tk为蚂蚁k完成路径搜索后使用的总时间,通过步骤S8中的公式进行计算。
一种无人船航迹规划终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案,使用改进的蚁群算法对无人船的航迹进行规划,使航迹朝着时间更短的方向进化,更加贴近现实情况,搜索到达等待救援地点耗费时间最短的航迹,为无人船顺利完成任务提供有利条件。
附图说明
图1所示为本发明实施例一中下一节点移动位置的示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
本发明提供了一种无人船航迹规划方法,包括以下步骤:
步骤一:根据地理信息数据库中的障碍物分布情况,使用栅格法建立航行区域的二维静态环境模型,具体为:
考虑到无人船的尺寸问题,以无人船的长度的一半为标准将障碍物边界向外扩充,故方可将在栅格环境下航行的无人船视为质点。若障碍物只占网格单元的部分,则认为其充满于整个网格单元。
步骤二:设定无人船航行的总时间T的计算公式。
设定无人船的当前节点位置为i,当前节点的对应坐标为(xi,yi),网格单元为米字相邻,则无人船的下一节点j有8个可选位置,如图1所示。
设定节点位置i的计算公式为:
i=xi+(yi-1)×MM
其中,MM为二维静态环境模型中每行栅格的个数。
即在二维静态环境模型中,节点位置为从左到右,从下到上依次增加,如表1所示:
表1
13 | 14 | 15 | 16 |
9 | 10 | 11 | 12 |
5 | 6 | 7 | 6 |
1 | 2 | 3 | 4 |
设定每个栅格的单位长度为a,则当前节点位置与下一节点位置之间的距离Lij为:
针对航行过程中速度变化问题,假定上一节点到当前节点航迹的后半段与当前节点到下一节点航迹的前半段的航速相同,则设定每个节点i对应航速在当前节点栅格内所航行的距离di为:
其中,k为前一个节点位置,i为当前节点位置,j为下一个节点位置。
上一个节点与当前节点之间形成的直线,与当前节点与下一节点之间形成的直线之间的夹角范围为[0,π),则两直线之间的夹角θkij为:
考虑到无人救生船实际行驶过程的复杂性,为简化计算过程,在无人船的航行过程中,该实施例中做如下假设:
(1)当无人船转弯时需要降低航速,设定无人船的航速v为:
(2)上一节点到当前节点航迹的后半段与当前节点到下一节点航迹的前半段的航速取决于当前节点位置无人船的转弯运动情况。
(3)起始节点到其下一节点航迹的前半段为直行航速,目的节点到其上一节点航迹的后半段为直行航速。
(4)无人船由直行状态航速转换为转弯状态航速或由转弯状态航速转换为直行状态航速时,不考虑加减速过程。
航行过程共分为三个阶段:
(1)起始节点到其下一节点航迹的前半段的直行阶段;
(2)直行航态与转弯航态的随机组合阶段;
(3)目的节点的上一节点到目的节点航迹的后半段的直行阶段。
无人救生船的航行过程由直行航态与三种不同转角的转弯航态组成。匀速航行过程的总时间T为:
T=∑ti=∑(di/vi)
其中,ti为每段航迹的航行时间。
步骤三:根据蚁群算法对无人船进行航迹规划,并对信息素更新方式进行改进。
在蚁群算法中,当所有蚂蚁完成一次迭代过程后,需要更新每条路径上的信息素浓度,信息素浓度更新包括旧信息素的挥发以及新增加的信息素。信息素更新方式如下式所示:
其中,t为迭代的次数,τij(t+1)为路径ij上第t+1次迭代的信息素浓度,ρ为信息素挥发系数,其值越大信息素挥发得越快,M为蚂蚁总数,Δτk ij为第t次迭代中蚂蚁k留在路径ij上的信息素,路径ij为从节点i移动至节点j。
该实施例中提出的改进算法是基于时间优化的无人救生船航迹规划问题。信息素更新方式是蚂蚁算法的核心环节,故实施例中就信息素更新对蚁群算法进行改进。传统信息素更新由路径总长度决定,改进后信息素更新由路径总时间决定。
其中,Q为一常数,表示蚂蚁携带的信息素浓度因子,Tk为蚂蚁k完成路径搜索后使用的总时间,通过步骤S8中的公式进行计算。
本实施例一考虑到转弯航行航速会小于直行航速,且转弯角度越大,其航速越小,更贴近实际情况。
本实施例一改进的信息素更新方式考虑的是总的耗费时间,而缩短航行时间对于无人船的救援任务顺利执行有重大意义。改进后的算法能得到时间更短的航迹。
实施例二:
本发明还提供一种无人船航迹规划终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地,作为一个可执行方案,所述无人船航迹规划终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述无人船航迹规划终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述无人船航迹规划终端设备的组成结构仅仅是无人船航迹规划终端设备的示例,并不构成对无人船航迹规划终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述无人船航迹规划终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述无人船航迹规划终端设备的控制中心,利用各种接口和线路连接整个无人船航迹规划终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述无人船航迹规划终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述无人船航迹规划终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (4)
1.一种无人船航迹规划方法,其特征在于:包括以下步骤:
S1:根据障碍物分布情况,使用栅格法建立航行区域的二维静态环境模型;
S2:设定无人船的下一节点为其当前节点米字相邻的节点中的任一个,设定当前节点位置为i,则当前节点位置对应的坐标为(xi,yi);
S3:根据坐标计算节点位置i:
i=xi+(yi-1)×MM
其中,MM为二维静态环境模型中每行栅格的个数;
S4:设定每个节点对应的栅格的单位长度为a,当前节点位置与下一节点位置之间的距离Lij为:
S5:设定上一节点到当前节点航迹的后半段与当前节点到下一节点航迹的前半段的航速相同,则设定每个节点i对应航速在当前节点对应的栅格内所航行的距离di为:
其中,k为前一个节点位置,i为当前节点位置,j为下一个节点位置;
S6:设定上一个节点与当前节点之间形成的直线,与当前节点与下一节点之间形成的直线之间的夹角θkij为:
其中,夹角θkij的取值范围为[0,π);
S7:设定无人船的航速v为:
S8:设定无人船航行的总时间T的计算公式为:
T=∑ti=∑(di/vi)
其中,ti为每段航迹的航行时间;
S9:根据蚁群算法对无人船进行航迹规划,根据无人船航行的总时间对蚁群算法中的信息素进行更新。
2.根据权利要求1所述的无人船航迹规划方法,其特征在于:步骤S9中蚁群算法的信息素更新公式为:
其中,t为迭代的次数,τij(t+1)为路径ij上第t+1次迭代的信息素浓度,ρ为信息素挥发系数,其值越大信息素挥发得越快,M为蚂蚁总数,Δτk ij为第t次迭代中蚂蚁k留在路径ij上的信息素,Q为一常数,表示蚂蚁携带的信息素浓度因子,Tk为蚂蚁k完成路径搜索后使用的总时间,通过步骤S8中的公式进行计算。
3.一种无人船航迹规划终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~2中任一所述方法的步骤。
4.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~2中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910281542.3A CN109974708B (zh) | 2019-04-09 | 2019-04-09 | 一种无人船航迹规划方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910281542.3A CN109974708B (zh) | 2019-04-09 | 2019-04-09 | 一种无人船航迹规划方法、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109974708A true CN109974708A (zh) | 2019-07-05 |
CN109974708B CN109974708B (zh) | 2021-02-26 |
Family
ID=67083713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910281542.3A Active CN109974708B (zh) | 2019-04-09 | 2019-04-09 | 一种无人船航迹规划方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109974708B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647162A (zh) * | 2019-10-16 | 2020-01-03 | 厦门理工学院 | 一种导游无人机路径规划方法、终端设备及存储介质 |
CN110758669A (zh) * | 2019-10-30 | 2020-02-07 | 青岛科技大学 | 一种开阔繁忙水域的双层相对领域获取方法 |
CN113917852A (zh) * | 2021-09-30 | 2022-01-11 | 北京星网宇达科技股份有限公司 | 一种靶机的模拟控制方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040143560A1 (en) * | 2003-01-20 | 2004-07-22 | Chun Bao Zhu | Path searching system using multiple groups of cooperating agents and method thereof |
CN102521391A (zh) * | 2011-12-22 | 2012-06-27 | 上海电机学院 | 交通路径搜索系统及方法 |
CN103279674A (zh) * | 2013-06-06 | 2013-09-04 | 宁波图腾物联科技有限公司 | 一种基于蚁群算法的船舶搜救方法 |
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
CN106052701A (zh) * | 2016-05-23 | 2016-10-26 | 山东大学 | 一种交通溢流状态下车辆路径选择的方法 |
CN108983789A (zh) * | 2018-08-20 | 2018-12-11 | 广东华中科技大学工业技术研究院 | 一种无人艇的路径规划和布放调度方法 |
-
2019
- 2019-04-09 CN CN201910281542.3A patent/CN109974708B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040143560A1 (en) * | 2003-01-20 | 2004-07-22 | Chun Bao Zhu | Path searching system using multiple groups of cooperating agents and method thereof |
US20070237152A1 (en) * | 2003-01-20 | 2007-10-11 | Nanyang Polytechnic | Path Searching System Using Multiple Groups Of Cooperating Agents And Method Thereof |
CN102521391A (zh) * | 2011-12-22 | 2012-06-27 | 上海电机学院 | 交通路径搜索系统及方法 |
CN103279674A (zh) * | 2013-06-06 | 2013-09-04 | 宁波图腾物联科技有限公司 | 一种基于蚁群算法的船舶搜救方法 |
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
CN106052701A (zh) * | 2016-05-23 | 2016-10-26 | 山东大学 | 一种交通溢流状态下车辆路径选择的方法 |
CN108983789A (zh) * | 2018-08-20 | 2018-12-11 | 广东华中科技大学工业技术研究院 | 一种无人艇的路径规划和布放调度方法 |
Non-Patent Citations (2)
Title |
---|
L. HONG等: "Real Vehicle Routing and Dispatching with Dynamic Fuzzy Travel Times", 《2008 SECOND INTERNATIONAL CONFERENCE ON GENETIC AND EVOLUTIONARY COMPUTING》 * |
邱晨等: "改进蚁群算法的无人救生船航迹规划", 《集美大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647162A (zh) * | 2019-10-16 | 2020-01-03 | 厦门理工学院 | 一种导游无人机路径规划方法、终端设备及存储介质 |
CN110647162B (zh) * | 2019-10-16 | 2022-10-14 | 厦门理工学院 | 一种导游无人机路径规划方法、终端设备及存储介质 |
CN110758669A (zh) * | 2019-10-30 | 2020-02-07 | 青岛科技大学 | 一种开阔繁忙水域的双层相对领域获取方法 |
CN110758669B (zh) * | 2019-10-30 | 2021-01-26 | 青岛科技大学 | 一种开阔繁忙水域的双层相对领域获取方法 |
CN113917852A (zh) * | 2021-09-30 | 2022-01-11 | 北京星网宇达科技股份有限公司 | 一种靶机的模拟控制方法、装置、设备及存储介质 |
CN113917852B (zh) * | 2021-09-30 | 2024-04-26 | 北京星网宇达科技股份有限公司 | 一种靶机的模拟控制方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109974708B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108444482B (zh) | 一种无人机自主寻路避障方法及系统 | |
Liu et al. | An autonomous path planning method for unmanned aerial vehicle based on a tangent intersection and target guidance strategy | |
Sheffi | Logistics clusters: delivering value and driving growth | |
CN112950645B (zh) | 一种基于多任务深度学习的图像语义分割方法 | |
US9068852B2 (en) | Vehicle fleet routing system | |
Kratzke et al. | Search and rescue optimal planning system | |
CN109541634A (zh) | 一种路径规划方法、装置和移动设备 | |
Tsou et al. | An Ant Colony Algorithm for efficient ship routing | |
CN109974708A (zh) | 一种无人船航迹规划方法、终端设备及存储介质 | |
CN110108284A (zh) | 一种顾及复杂环境约束的无人机三维航迹快速规划方法 | |
CN106546244B (zh) | 一种针对凸形障航物确定船舶航行局部最优路径的方法 | |
CN110220514A (zh) | 一种基于海图数据的动态航线生成方法 | |
CN108225358A (zh) | 交通工具导航 | |
CN112947485B (zh) | 路径规划方法及系统 | |
CN105913469B (zh) | 基于骨架图的tf/ta2航迹规划方法 | |
Tsou | Integration of a geographic information system and evolutionary computation for automatic routing in coastal navigation | |
CN107220724A (zh) | 客流量预测方法及装置 | |
CN112348867A (zh) | 基于LiDAR点云数据的城市高精度三维地形构建方法及系统 | |
Ren et al. | A novel high-dimensional trajectories construction network based on multi-clustering algorithm | |
CN104699791A (zh) | 一种用于有损浮动车轨迹的路径还原方法 | |
Pan et al. | Research on ship arrival law based on route matching and deep learning | |
CN108549649B (zh) | 一种基于季节特征和位置特征的乡村旅游推荐方法与系统 | |
Liu et al. | Clustering Theta* based segmented path planning method for vessels in inland waterways | |
WO2023129483A1 (en) | Optimizing placement of an asset array in a loading area | |
CN108731688A (zh) | 导航方法和装置 |
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 |