CN110181508B - 水下机器人三维航路规划方法及系统 - Google Patents
水下机器人三维航路规划方法及系统 Download PDFInfo
- Publication number
- CN110181508B CN110181508B CN201910385149.9A CN201910385149A CN110181508B CN 110181508 B CN110181508 B CN 110181508B CN 201910385149 A CN201910385149 A CN 201910385149A CN 110181508 B CN110181508 B CN 110181508B
- Authority
- CN
- China
- Prior art keywords
- longicorn
- individual
- attribute
- dimensional
- extreme value
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63C—LAUNCHING, HAULING-OUT, OR DRY-DOCKING OF VESSELS; LIFE-SAVING IN WATER; EQUIPMENT FOR DWELLING OR WORKING UNDER WATER; MEANS FOR SALVAGING OR SEARCHING FOR UNDERWATER OBJECTS
- B63C11/00—Equipment for dwelling or working underwater; Means for searching for underwater objects
- B63C11/52—Tools specially adapted for working underwater, not otherwise provided for
-
- 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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Robotics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Ocean & Marine Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明实施例提供一种水下机器人三维航路规划方法及系统,该方法包括:建立水下机器人的三维环境模型;在三维环境模型中初始化天牛群算法中的每个天牛个体的速度属性和位置属性,并根据速度属性和位置属性获得天牛群的全局极值;通过更新每个天牛个体的速度属性和位置属性对全局极值进行迭代更新,并在迭代完成后根据最终获得的目标全局极值获得目标规划航路。本发明实施例通过采用天牛群算法对水下机器人的三维航路进行规划,相对于传统的航路规划方法更加灵活,且对复杂的水下非结构化环境适应能力强;相对于基本的粒子群算法具有迭代收敛速度快的特点;能够降低陷入局部最优解的概率。
Description
技术领域
本发明涉及机器人技术领域,更具体地,涉及一种水下机器人三维航路规划方法及系统。
背景技术
水下机器人三维航路规划是实现水下机器人智能控制、自主巡航的关键技术之一。水下机器人三维航路规划是给定一个运动体和一个关于环境模型的描述,当环境建模完成之后,水下机器人航路规划任务需要满足在安全航行区域内,按照一定的优化准则(如航路最短、耗时最少等)搜索出一条从指定起点到目标点的最优路径。由于水下机器人工作在湖泊或海洋等大范围的非结构化三维空间环境中,这为航路规划方法的求解带来了极大的困难。传统的航路规划方法在解决水下机器人航路规划问题时,对水下动态非结构化环境适应能力差。
发明内容
为了解决上述问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的水下机器人三维航路规划方法及系统。
根据本发明实施例的第一方面,提供一种水下机器人三维航路规划方法,该方法包括:建立水下机器人的三维环境模型;在三维环境模型中初始化天牛群算法中的每个天牛个体的速度属性和位置属性,并根据速度属性和位置属性获得天牛群的全局极值;通过更新每个天牛个体的速度属性和位置属性对全局极值进行迭代更新,并在迭代完成后根据最终获得的目标全局极值获得目标规划航路。
其中,初始化天牛群算法中的每个天牛个体的速度属性和位置属性之前,还包括:初始化天牛群算法的基本参数,基本参数包括:步长和触角能探测的距离;其中,步长和触角能探测的距离随着迭代次数的增加逐渐减小。
其中,位置属性用于表示设定数量的控制点的位置信息,控制点用于确定天牛个体对应的一条规划航路。
其中,根据速度属性和位置属性获得天牛群的全局极值,包括:根据速度属性和位置属性计算每个天牛个体的适应度函数值,并将适应度函数值作为每个天牛个体的个体极值;将多个天牛个体的个体极值中最小的个体极值作为天牛群体的全局极值。
其中,通过更新每个天牛个体的速度属性和位置属性对全局极值进行迭代更新,包括:S1、更新每个天牛个体的速度属性和位置属性,并计算获得每个天牛个体的适应度函数值;S2、对于每个天牛个体,若适应度函数值小于天牛个体的当前的个体极值,则将适应度函数值作为天牛个体的个体极值;并对全局极值进行更新;S3、更新基本参数,重复S1至S3,直到更新次数达到设定次数。
其中,适应度函数为:
C=L+βV
式中,C为适应度函数,L为通过三次样条插值获得的天牛个体对应的三维规划航路的长度,V为惩罚函数,β为惩罚系数;其中,惩罚函数为三维规划航路中坐标点低于地面的平均程度值。
其中,根据最终获得的目标全局极值获得目标规划航路,包括:获取目标全局极值对应的目标天牛个体,并根据目标天牛个体的位置属性获得目标控制点;对目标控制点、起点和终点进行三次样条插值,获得目标规划航路。
根据本发明实施例第二方面,提供了一种水下机器人三维航路规划系统,该系统包括:建立模块,用于建立水下机器人的三维环境模型;初始化模块,用于在三维环境模型中初始化天牛群算法中的每个天牛个体的速度属性和位置属性,并根据速度属性和位置属性获得天牛群的全局极值;迭代模块,用于通过更新每个天牛个体的速度属性和位置属性对全局极值进行迭代更新,并在迭代完成后根据最终获得的目标全局极值获得目标规划航路。
根据本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的水下机器人三维航路规划方法。
根据本发明实施例的第四方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的水下机器人三维航路规划方法。
本发明实施例提供的水下机器人三维航路规划方法及系统,通过采用天牛群算法对水下机器人的三维航路进行规划,相对于传统的航路规划方法更加灵活,且对复杂的水下非结构化环境适应能力强;相对于基本的粒子群算法具有迭代收敛速度快的特点;能够降低陷入局部最优解的概率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1为本发明实施例提供的水下机器人三维航路规划方法的流程示意图;
图2为本发明另一实施例提供的水下机器人三维航路规划方法的流程示意图;
图3为本发明实施例提供的天牛群算法适应度函数的惩罚项中变量的含义示意图;
图4为本发明实施例提供的利用高程数据建立的水下机器人三维环境模型示意图;
图5为本发明实施例提供的水下机器人三维航路规划方法得到的三维航路轨迹效果图;
图6为现有技术提供的应用基于基本粒子群算法的三维航路规划方法得到的三维航路轨迹效果图;
图7为本发明实施例提供的应用水下机器人三维航路规划方法得到的最优解收敛曲线示意图;
图8为现有技术提供的应用基于基本粒子群算法的三维航路规划方法得到的最优解收敛曲线示意图;
图9为本发明实施例提供的水下机器人三维航路规划系统的结构示意图;
图10为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
与传统算法相比,近年来发展迅速的群智能优化算法,如粒子群算法、蚁群算法和人工蜂群算法等,能快速地逼近非线性解,具有自组织、自学习功能并且具有一定的容错能力。这些方法应用于航路规划能使水下航行器在非结构化环境中更灵活,更具智能化。
天牛群算法是将天牛觅食机制与群体优化算法相结合提出的一种优化算法。研究表明,天牛用两根触角对它周围的区域进行探索。当某一侧的触角探测到高浓度的食物气味时,天牛便会转向该侧触角的方向。根据这个简单的生物行为,现有技术提出了一种基于天牛觅食行为的元启发式优化算法。但是,基本的天牛须算法处理高维函数的性能不是很好,并且迭代过程的效率和有效性非常容易受到天牛初始位置的影响。受到群智能算法的启发,现有技术还将天牛须算法与粒子群算法结合,提出了天牛群优化算法。在天牛群算法的迭代过程中,位置的更新结合了天牛单体的搜索机制和借鉴于粒子群算法的更新策略。这两部分的结合能够加快种群的迭代速度、降低种群陷入局部最优解的概率。因此,相对于其他群智能优化算法而言,天牛群算法在解决许多优化问题时有一定的优势。
基于此,本发明实施例提供一种水下机器人三维航路规划方法,该方法是基于天牛群算法所构建的。参见图1,该方法包括但不限于如下步骤:
步骤101、建立水下机器人的三维环境模型。
具体地,可利用高程数据建立三维航路规划环境模型。其中,机器人在空间中的运动轨迹是连续的,而计算机只能处理离散化的数据。数字高程模型(Digital ElevationModel DEM),是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达),它是用一组有序数值阵列形式表示地面高程的一种实体地面模型,基于三维数字高程数据的结构化特点,以及matlab仿真环境中以矩阵形式处理数据的特点,采用常用的栅格法作为航路规划任务的环境建模方法。在建立完成三维环境模型后,可在模型中选取水下机器人的规划航路的起点和终点(即目标点)。
步骤102、在所述三维环境模型中初始化天牛群算法中的每个天牛个体的速度属性和位置属性,并根据速度属性和位置属性获得天牛群的全局极值。
其中,每个天牛个体可以理解为对应一条不同的航路。基于此,天牛群包括多个天牛个体,每个天牛个体有不同的速度属性、位置属性和个体极值;其中,个体极值是每个天牛个体对应的适应度函数值,而全局极值是全部的个体极值中最小的个体极值。
其中,用X=(X1,X2,…,Xn)表示一个S维搜索空间中种群规模为n的天牛群。这里,Xi=(xi1,xi2,…,xiS)T是一个S维向量,代表S维搜索空间中第i只天牛的位置属性,同时代表优化问题的一个潜在解(即可能是最优的三维规划航路)。Vi=(vi1,vi2,…,viS)T代表第i只天牛的速度属性。
步骤103、通过更新每个天牛个体的速度属性和位置属性对全局极值进行迭代更新,并在迭代完成后根据最终获得的目标全局极值获得目标规划航路。
具体地,通过更新速度属性和位置属性后,每个天牛个体的适应度函数值会发生变化,从而更新后的全局极值也可能会发生变化,因此通过多次迭代后可获得最终的一个全局极值,将最终更新完成的全局极值作为目标全局极值。并可进一步获得该目标全局极值对应的天牛个体,然后将该天牛个体所对应的规划航路作为目标规划航路。
本发明实施例提供的水下机器人三维航路规划方法,通过采用天牛群算法对水下机器人的三维航路进行规划,相对于传统的航路规划方法更加灵活,且对复杂的水下非结构化环境适应能力强;相对于基本的粒子群算法具有迭代收敛速度快的特点;能够降低陷入局部最优解的概率。
基于上述实施例的内容,作为一种可选实施例,在初始化天牛群算法中的每个天牛个体的速度属性和位置属性之前,还包括如下步骤:
初始化天牛群算法的基本参数,基本参数包括:步长和触角能探测的距离;其中,步长和触角能探测的距离随着迭代次数的增加逐渐减小。
具体地,在初始化天牛个体的速度属性和位置属性之前,需要先初始化天牛群算法的基本参数。首先初始化基本参数δk和d;其中,参数δk代表天牛搜索的步长,参数d代表触角能探测的距离。δk和d的初始值一般设置的较大,然后随着时间的推移(即迭代次数的增加)而逐渐减小。这样设置的目的是使优化过程前期的搜索范围能够覆盖较大的区域,并能够跳出局部极值。
另外,还可设定参数λ、ω、c1和c2;其中,参数λ是松弛因子,参数ω是惯性权重,参数c1和c2分别决定了个体极值和全局极值对天牛的影响程度。
基于上述实施例的内容,作为一种可选实施例,所述位置属性用于表示设定数量的控制点的位置信息,所述控制点用于确定所述天牛个体对应的一条规划航路。
其中,通常在使用粒子群算法进行路径规划的时候,一个粒子通常需要包含一条航路上所有离散点的坐标,考虑到计算量大,本发明实施例的水下机器人三维航路规划方法使用较少的控制点,然后再利用创建三次样条插值的数学方法,来构建平滑的路径。三次样条插值具有良好的收敛性与稳定性,并且具有二阶光滑度,这对于机器人运动的平稳性非常有利。
每个天牛个体所对应的目标航路轨迹使用较少的控制点,再利用创建三次样条插值的数学方法构建平滑的路径。经过三次样条插值得到航路由较多的坐标点构成,我们将这些三维空间中的坐标点描述为:(xi,yi,zi),i=0,1,…,m。
因此,对于每一个天牛个体,可在三维环境模型中随机选择一定数量(例如3个)的控制点,并可采用控制点的坐标来表示天牛个体的位置属性。可以理解的是,本发明实施例采用通过控制点、起点和终点进行三次样条插值获得的曲线来表示天牛个体对应的规划航路,从而使用较少的控制点来构建每个天牛个体所对应的航路。
基于上述实施例的内容,作为一种可选实施例,提供一种根据速度属性和位置属性获得天牛群的全局极值的方法,包括但不限于如下步骤:
根据速度属性和位置属性计算每个天牛个体的适应度函数值,并将适应度函数值作为每个天牛个体的个体极值;将多个天牛个体的个体极值中最小的个体极值作为天牛群体的全局极值。
基于上述实施例的内容,作为一种可选实施例,适应度函数为:
C=L+βV
式中,C为适应度函数,L为通过三次样条插值获得的天牛个体对应的三维规划航路的长度,V为惩罚函数,β为惩罚系数;其中,惩罚函数为三维规划航路中坐标点低于地面的平均程度值。
具体地,以航路长度作为天牛群算法的初始适应度函数。通过三次样条插值得到的航路的长度L:
然后可使用惩罚函数法,将所有坐标点低于地面的平均程度作为惩罚项加到适应度函数中,构造出带参数的增广目标函数(若所有坐标点均在地面之上,则惩罚函数项为零)。从而使用惩罚函数法处理起伏不平的地面障碍物问题,惩罚函数项的计算公式为:
V=mean(vi),i=1,2,…,m
其中,zc代表纵坐标为zi的点,在其竖直方向所对应的空间可达区域和地面及其以下不可达区域的临界纵坐标。图3直观地说明了zc和zi代表的含义。max{.}是取最大值函数。mean(.)是均值函数。
带有惩罚项的适应度函数最终形式:
C=L+βV
其中,β是惩罚系数。
计算每个天牛个体的适应度函数C,将当前的天牛个体记为个体极值,适应度函数值最小的天牛个体记为全局极值。
这里,个体极值用Pi=(pi1,pi2,…,piS)T代表,全局极值用Pg=(pg1,pg2,…,pgS)T来代表。
基于上述实施例的内容,作为一种可选实施例,提供一种通过更新每个天牛个体的速度属性和位置属性对全局极值进行迭代更新的方法,包括但不限于如下步骤:
S1、更新每个天牛个体的速度属性和位置属性,并计算获得每个天牛个体的适应度函数值。
其中,速度属性更新公式为:
这里,r1和r2是值域在0到1之间的随机函数。
其中,位置属性更新公式为:
其中:
式中,s=1,2,…,S;i=1,2,…,n;k是迭代次数。ξis代表由天牛触角探测到的信息强度决定的部分位移增量(另一部分位移增量由速度更新决定)。和分别表示左右两侧天牛触角探测的位置;而这两个位置食物气味的浓度分别表示为和也就是该优化算法的适应度函数值。sign(.)代表符号函数。
步骤2、对于每个天牛个体,若适应度函数值小于天牛个体的当前的个体极值,则将适应度函数值作为天牛个体的个体极值;并对全局极值进行更新。
其中,对每个天牛个体计算其适应度函数,更新个体极值Pi和全局极值Pg。具体地,计算每个天牛个体的适应度函数。对于每一个天牛个体,若适应度函数值小于当前的个体极值Pi,则更新Pi,将新获得的个体极值作为该天牛个体的个体极值。在对每个天牛个体的个体极值都更新完后,若某一个天牛个体的个体极值Pi小于当前的全局极值Pg,则更新全局极值Pg,将该天牛个体的个体极值作为新的全局极值Pg。
步骤3、更新基本参数,重复S1至S3,直到更新次数达到设定次数。
具体地,在进行每一次迭代更新前,还需要更新天牛群算法的参数δk和d。参数δk和d的更新公式为:
δt=0.95δt-1;dt=0.95dt-1+0.01
更新完成后进行迭代,直到达最大迭代次数时优化结束。
本发明实施例通过在天牛算法的迭代过程中,天牛单体位置的更新结合了天牛单体的搜索机制和借鉴于粒子群算法的更新策略。这两部分的结合能够加快种群的迭代速度、降低种群陷入局部最优解的概率。
基于上述实施例的内容,作为一种可选实施例,提供一种根据最终获得的目标全局极值获得目标规划航路的方法,包括但不限于如下步骤:获取目标全局极值对应的目标天牛个体,并根据目标天牛个体的位置属性获得目标控制点;对目标控制点、起点和终点进行三次样条插值,获得目标规划航路。
具体地,获得目标全局极值Pg对应的目标航路轨迹的控制点坐标,经过三次样条插值得到的最终结果,在三维环境模型中绘制出平滑的三维航路轨迹。
为了对上述实施例的内容进行说明,参见图2,本发明另一实施例还提供一种水下机器人三维航路规划方法,包括如下步骤:
步骤一:建立环境模型,选定起点和终点。具体地,利用高程数据建立三维航路规划环境模型。基于三维数字高程数据的结构化特点,以及matlab仿真环境中以矩阵形式处理数据的特点,采用常用的栅格法作为航路规划任务的环境建模方法。
步骤二:初始化天牛群算法的参数δk、d、λ、ω、c1和c2;随机初始化每个天牛个体的位置属性Xi和速度属性Vi,并计算每个天牛个体初始的适应度函数。
步骤三:更新每个天牛个体的速度属性和位置属性;对每个天牛个体计算其适应度函数,更新个体极值Pi和全局极值Pg。
步骤四:更新天牛群算法的参数δk和d;进行迭代,直到达最大迭代次数时优化结束。
步骤五:根据全局极值Pg对应目标航路轨迹的控制点坐标,经过三次样条插值得到的最终结果,在三维环境模型中绘制出平滑的三维航路轨迹。
另外,本发明实施例还提供一个具体的水下机器人三维航路规划实例:选取100乘100像素的高程数据构建水下机器人航路规划的环境模型,图4即为利用高程数据建立的三维航路规划环境模型。选定起点(40,25,6)和终点(95,95,5)。
初始化天牛群算法的参数δk=0.5、d=20、λ=0.5、ω=1、c1=c2=1.5;随机初始化每个天牛个体的位置属性Xi和速度属性Vi,并利用公式C=L+βV计算每个天牛个体初始的适应度函数,得到当前天牛个体的个体极值和全局极值。
迭代更新天牛个体速度和位置属性,以及个体极值和全局极值,直到达最大迭代次数时优化结束。这里可以将最大迭代次数设置为20。
图5是应用本发明的水下机器人三维航路规划方法得到的三维航路轨迹效果图;图6是应用基于基本粒子群算法的三维航路规划方法得到的三维航路轨迹效果图。
图7是应用本发明的水下机器人三维航路规划方法得到的最优解收敛曲线示意图;图8是应用基于基本粒子群算法的三维航路规划方法得到的最优解收敛曲线示意图。可以看到,本发明实施例的水下机器人三维航路规划方法收敛速度明显快于基本粒子群算法,且在相同迭代次数时,优化结果优于基本粒子群算法。
本发明方法的水下机器人三维航路规划方法,在算法的迭代过程中,天牛单体位置的更新结合了天牛单体的搜索机制和借鉴于粒子群算法的更新策略。这两部分的结合能够加快种群的迭代速度、降低种群陷入局部最优解的概率。实验表明本发明方法的收敛速度快,复杂环境适应能力强,适用于水下机器人三维航路规划。
基于上述实施例的内容,本发明实施例提供了一种水下机器人三维航路规划系统,该水下机器人三维航路规划系统用于执行上述方法实施例中的水下机器人三维航路规划方法。参见图9,该系统包括:建立模块301、初始化模块302和迭代模块303;其中,建立模块301,用于建立水下机器人的三维环境模型;初始化模块302,用于在三维环境模型中初始化天牛群算法中的每个天牛个体的速度属性和位置属性,并根据速度属性和位置属性获得天牛群的全局极值;迭代模块303,用于通过更新每个天牛个体的速度属性和位置属性对全局极值进行迭代更新,并在迭代完成后根据最终获得的目标全局极值获得目标规划航路。
具体地,建立模块301可利用高程数据建立三维航路规划环境模型,在建立完成三维环境模型后,建立模块301可在模型中选取水下机器人的规划航路的起点和终点(即目标点)。天牛群包括多个天牛个体,每个天牛个体有不同的速度属性、位置属性和个体极值;其中,个体极值是每个天牛个体对应的适应度函数值,而全局极值是全部的个体极值中最小的个体极值。迭代模块303通过更新速度属性和位置属性后,每个天牛个体的适应度函数值会发生变化,从而更新后的全局极值也可能会发生变化,因此通过多次迭代后可获得最终的一个全局极值,迭代模块303将最终更新完成的全局极值作为目标全局极值。并可进一步获得该目标全局极值对应的天牛个体,然后将该天牛个体所对应的规划航路作为目标规划航路。
本发明实施例提供的水下机器人三维航路规划系统,通过采用天牛群算法对水下机器人的三维航路进行规划,相对于传统的航路规划方法更加灵活,且对复杂的水下非结构化环境适应能力强;相对于基本的粒子群算法具有迭代收敛速度快的特点;能够降低陷入局部最优解的概率。
基于上述实施例的内容,该系统还包括:参数初始化模块,用于初始化天牛群算法的基本参数,基本参数包括:步长和触角能探测的距离;其中,步长和触角能探测的距离随着迭代次数的增加逐渐减小。其中,位置属性用于表示设定数量的控制点的位置信息,控制点用于确定天牛个体对应的一条规划航路。
基于上述实施例的内容,作为一种可选实施例,初始化模块具体用于:根据速度属性和位置属性计算每个天牛个体的适应度函数值,并将适应度函数值作为每个天牛个体的个体极值;将多个天牛个体的个体极值中最小的个体极值作为天牛群体的全局极值。
基于上述实施例的内容,作为一种可选实施例,迭代模块具体用于执行如下步骤:S1、更新每个天牛个体的速度属性和位置属性,并计算获得每个天牛个体的适应度函数值;S2、对于每个天牛个体,若适应度函数值小于天牛个体的当前的个体极值,则将适应度函数值作为天牛个体的个体极值;并对全局极值进行更新;S3、更新基本参数,重复S1至S3,直到更新次数达到设定次数。
其中,适应度函数为:
C=L+βV
式中,C为适应度函数,L为通过三次样条插值获得的天牛个体对应的三维规划航路的长度,V为惩罚函数,β为惩罚系数;其中,惩罚函数为三维规划航路中坐标点低于地面的平均程度值。
基于上述实施例的内容,作为一种可选实施例,迭代模块具体用于:获取目标全局极值对应的目标天牛个体,并根据目标天牛个体的位置属性获得目标控制点;对目标控制点、起点和终点进行三次样条插值,获得目标规划航路。
本发明实施例提供了一种电子设备,如图10所示,该设备包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503上并可在处理器501上运行的计算机程序,以执行上述各实施例提供的水下机器人三维航路规划方法,例如包括:建立水下机器人的三维环境模型;在三维环境模型中初始化天牛群算法中的每个天牛个体的速度属性和位置属性,并获得天牛群的全局极值;通过更新每个天牛个体的速度属性和位置属性对全局极值进行迭代更新,并在迭代完成后根据最终获得的目标全局极值获得目标规划航路。
此外,上述的存储器503中的逻辑指令可以通过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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的水下机器人三维航路规划方法,例如包括:建立水下机器人的三维环境模型;在三维环境模型中初始化天牛群算法中的每个天牛个体的速度属性和位置属性,并获得天牛群的全局极值;通过更新每个天牛个体的速度属性和位置属性对全局极值进行迭代更新,并在迭代完成后根据最终获得的目标全局极值获得目标规划航路。
以上所描述的电子设备等实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种水下机器人三维航路规划方法,其特征在于,包括:
建立水下机器人的三维环境模型;
在所述三维环境模型中初始化天牛群算法中的每个天牛个体的速度属性和位置属性,并根据所述速度属性和位置属性获得天牛群的全局极值;
通过更新每个天牛个体的所述速度属性和位置属性对所述全局极值进行迭代更新,并在迭代完成后根据最终获得的目标全局极值获得目标规划航路;
其中,在天牛群算法的迭代过程中,天牛单体位置的更新结合了天牛单体的搜索机制和粒子群算法的更新策略;
初始化天牛群算法中的每个天牛个体的速度属性和位置属性之前,还包括:
初始化所述天牛群算法的基本参数,所述基本参数包括:步长和触角能探测的距离;
其中,所述步长和所述触角能探测的距离随着迭代次数的增加逐渐减小。
2.根据权利要求1所述的水下机器人三维航路规划方法,其特征在于,
所述位置属性用于表示设定数量的控制点的位置信息,所述控制点用于确定所述天牛个体对应的一条规划航路。
3.根据权利要求1所述的水下机器人三维航路规划方法,其特征在于,所述根据所述速度属性和位置属性获得天牛群的全局极值,包括:
根据所述速度属性和位置属性计算每个所述天牛个体的适应度函数值,并将所述适应度函数值作为每个所述天牛个体的个体极值;
将多个所述天牛个体的所述个体极值中最小的所述个体极值作为天牛群体的全局极值。
4.根据权利要求3所述的水下机器人三维航路规划方法,其特征在于,所述通过更新每个天牛个体的所述速度属性和位置属性对所述全局极值进行迭代更新,包括:
S1、更新每个所述天牛个体的速度属性和位置属性,并计算获得每个所述天牛个体的适应度函数值;
S2、对于每个所述天牛个体,若所述适应度函数值小于所述天牛个体的当前的个体极值,则将所述适应度函数值作为所述天牛个体的个体极值;并对所述全局极值进行更新;
S3、更新所述基本参数,重复S1至S3,直到更新次数达到设定次数。
5.根据权利要求3或4所述的水下机器人三维航路规划方法,其特征在于,所述适应度函数为:
C=L+βV
式中,C为适应度函数,L为通过三次样条插值获得的所述天牛个体对应的三维规划航路的长度,V为惩罚函数,β为惩罚系数;其中,惩罚函数为三维规划航路中坐标点低于地面的平均程度值。
6.根据权利要求1所述的水下机器人三维航路规划方法,其特征在于,所述根据最终获得的目标全局极值获得目标规划航路,包括:
获取所述目标全局极值对应的目标天牛个体,并根据所述目标天牛个体的所述位置属性获得目标控制点;
对所述目标控制点、起点和终点进行三次样条插值,获得所述目标规划航路。
7.一种水下机器人三维航路规划系统,其特征在于,包括:
建立模块,用于建立水下机器人的三维环境模型;
初始化模块,用于在所述三维环境模型中初始化天牛群算法中的每个天牛个体的速度属性和位置属性,并根据所述速度属性和位置属性获得天牛群的全局极值;
迭代模块,用于通过更新每个天牛个体的所述速度属性和位置属性对所述全局极值进行迭代更新,并在迭代完成后根据最终获得的目标全局极值获得目标规划航路;
其中,在天牛群算法的迭代过程中,天牛单体位置的更新结合了天牛单体的搜索机制和粒子群算法的更新策略;
参数初始化模块,用于初始化天牛群算法的基本参数,基本参数包括:步长和触角能探测的距离;其中,步长和触角能探测的距离随着迭代次数的增加逐渐减小。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述水下机器人三维航路规划方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述水下机器人三维航路规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910385149.9A CN110181508B (zh) | 2019-05-09 | 2019-05-09 | 水下机器人三维航路规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910385149.9A CN110181508B (zh) | 2019-05-09 | 2019-05-09 | 水下机器人三维航路规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110181508A CN110181508A (zh) | 2019-08-30 |
CN110181508B true CN110181508B (zh) | 2021-01-12 |
Family
ID=67714380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910385149.9A Active CN110181508B (zh) | 2019-05-09 | 2019-05-09 | 水下机器人三维航路规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110181508B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110986982B (zh) * | 2019-12-02 | 2021-12-07 | 浙江工业大学 | 基于改进天牛须算法的多机器人路径规划方法 |
US11919170B2 (en) | 2019-12-13 | 2024-03-05 | Edda Technology, Inc. | Fast method for robot path planning with obstacle avoidance |
CN111290390B (zh) * | 2020-02-25 | 2023-06-30 | 智慧航海(青岛)科技有限公司 | 一种基于天牛须搜索的智能船舶路径规划方法 |
CN111307158B (zh) * | 2020-03-19 | 2022-11-18 | 哈尔滨工程大学 | 一种auv三维航路规划方法 |
CN111443712B (zh) * | 2020-03-30 | 2023-03-21 | 杭州电子科技大学 | 一种基于天牛群搜索算法的三维路径规划方法 |
CN112987728A (zh) * | 2021-02-07 | 2021-06-18 | 科益展智能装备有限公司 | 一种机器人的环境地图更新方法、系统、设备及存储介质 |
CN113124873B (zh) * | 2021-04-09 | 2022-08-16 | 青岛哈船海智科技有限公司 | 基于海洋环境信息的uuv多指标约束三维航路规划方法 |
CN113478489B (zh) * | 2021-07-29 | 2022-05-10 | 桂林电子科技大学 | 一种机械臂轨迹规划方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722749A (zh) * | 2012-06-01 | 2012-10-10 | 哈尔滨工程大学 | 一种基于粒子群算法的自适应三维空间路径规划方法 |
CN104020665A (zh) * | 2014-06-25 | 2014-09-03 | 北京邮电大学 | 基于多目标粒子群算法的机械臂最小跃度轨迹优化方法 |
CN107168309A (zh) * | 2017-05-02 | 2017-09-15 | 哈尔滨工程大学 | 一种基于行为的多水下机器人路径规划方法 |
CN107356254A (zh) * | 2017-06-07 | 2017-11-17 | 东南大学 | 适用于地磁辅助导航航迹规划的粒子群优化方法 |
CN108549388A (zh) * | 2018-05-24 | 2018-09-18 | 苏州智伟达机器人科技有限公司 | 一种基于改进a星策略的移动机器人路径规划方法 |
CN108563611A (zh) * | 2018-03-27 | 2018-09-21 | 天津大学 | 基于天牛须搜索算法的认知雷达波形优化方法 |
CN109631900A (zh) * | 2018-12-24 | 2019-04-16 | 中国矿业大学 | 一种无人机三维航迹多目标粒子群全局规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3002657B1 (fr) * | 2013-02-22 | 2015-03-06 | Thales Sa | Procede d elaboration d un profil vertical de trajectoire comprenant des niveaux d altitude multiples |
-
2019
- 2019-05-09 CN CN201910385149.9A patent/CN110181508B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722749A (zh) * | 2012-06-01 | 2012-10-10 | 哈尔滨工程大学 | 一种基于粒子群算法的自适应三维空间路径规划方法 |
CN104020665A (zh) * | 2014-06-25 | 2014-09-03 | 北京邮电大学 | 基于多目标粒子群算法的机械臂最小跃度轨迹优化方法 |
CN107168309A (zh) * | 2017-05-02 | 2017-09-15 | 哈尔滨工程大学 | 一种基于行为的多水下机器人路径规划方法 |
CN107356254A (zh) * | 2017-06-07 | 2017-11-17 | 东南大学 | 适用于地磁辅助导航航迹规划的粒子群优化方法 |
CN108563611A (zh) * | 2018-03-27 | 2018-09-21 | 天津大学 | 基于天牛须搜索算法的认知雷达波形优化方法 |
CN108549388A (zh) * | 2018-05-24 | 2018-09-18 | 苏州智伟达机器人科技有限公司 | 一种基于改进a星策略的移动机器人路径规划方法 |
CN109631900A (zh) * | 2018-12-24 | 2019-04-16 | 中国矿业大学 | 一种无人机三维航迹多目标粒子群全局规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110181508A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110181508B (zh) | 水下机器人三维航路规划方法及系统 | |
JP6929953B2 (ja) | 部屋レイアウト推定方法および技法 | |
CN109765893B (zh) | 基于鲸鱼优化算法的移动机器人路径规划方法 | |
CN110083165B (zh) | 一种机器人在复杂狭窄环境下路径规划方法 | |
CN111260026B (zh) | 一种基于元强化学习的导航迁移方法 | |
CN113110509A (zh) | 一种基于深度强化学习的仓储系统多机器人路径规划方法 | |
CN111240356B (zh) | 一种基于深度强化学习的无人机集群会合方法 | |
CN110132282B (zh) | 无人机路径规划方法及装置 | |
Cagnoni | Genetic and evolutionary computation for image processing and analysis | |
CN114237235B (zh) | 一种基于深度强化学习的移动机器人避障方法 | |
CN112161627A (zh) | 一种消防机器人智能路径规划方法 | |
Collins et al. | Towards the targeted environment-specific evolution of robot components | |
CN116700327A (zh) | 一种基于连续动作优势函数学习的无人机轨迹规划方法 | |
Ramon Soria et al. | Multi-view probabilistic segmentation of pome fruit with a low-cost RGB-D camera | |
Wang et al. | Research on dynamic path planning of wheeled robot based on deep reinforcement learning on the slope ground | |
Li et al. | A novel Q-learning algorithm based on improved whale optimization algorithm for path planning | |
CN111815684B (zh) | 基于统一残差模型的空间多元特征配准优化方法及装置 | |
CN116430891A (zh) | 一种面向多智能体路径规划环境的深度强化学习方法 | |
Shim et al. | Evolving flying creatures with path following behaviors | |
CN114118441A (zh) | 基于高效搜索策略在不确定性环境下的在线规划方法 | |
Rybak et al. | Development of an algorithm for managing a multi-robot system for cargo transportation based on reinforcement learning in a virtual environment | |
Mishra et al. | A distributed epigenetic shape formation and regeneration algorithm for a swarm of robots | |
Huang et al. | Path planning for UAV reconnoitring in complex environment based on improved visibility graph and genetic algorithm | |
CN110414662B (zh) | 数据处理方法及系统 | |
WO2023063020A1 (ja) | 経路計画システム、経路計画方法、ロードマップ構築装置、モデル生成装置、及びモデル生成方法 |
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 |