CN110703752A - 免疫遗传-人工势场法的无人艇双层路径规划方法 - Google Patents
免疫遗传-人工势场法的无人艇双层路径规划方法 Download PDFInfo
- Publication number
- CN110703752A CN110703752A CN201910976848.0A CN201910976848A CN110703752A CN 110703752 A CN110703752 A CN 110703752A CN 201910976848 A CN201910976848 A CN 201910976848A CN 110703752 A CN110703752 A CN 110703752A
- Authority
- CN
- China
- Prior art keywords
- path
- unmanned ship
- antibody
- path planning
- follows
- 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 76
- 230000002068 genetic effect Effects 0.000 claims abstract description 20
- 230000033001 locomotion Effects 0.000 claims abstract description 8
- 230000004888 barrier function Effects 0.000 claims description 18
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 abstract description 3
- 230000015556 catabolic process Effects 0.000 abstract description 2
- 238000006731 degradation reaction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002998 immunogenetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009401 outcrossing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了免疫遗传‑人工势场法的无人艇双层路径规划方法,属于无人艇双层路径规划方法技术领域。包括以下步骤:建立无人艇的数学运动模型以及无人艇的栅格工作环境模型;利用免疫遗传算法进行全局路径规划,为无人艇快速规划出一条初始全局最优路径;对全局最优路径进行分割,将全局最优路径上的转折点序列作为局部路径规划的子目标位置并利用人工势场法进行局部路径规划,直到当前子目标位置是最终的目标位置。本发明所述的免疫遗传算法在传统遗传算法的基础上添加了一个免疫算子,可以有效防止种群退化,提高算法效率;引进了分割操作,大幅度减小局部路径规划的复杂性,减少了无人艇陷入局部极小点位置和路径震荡的可能性。
Description
技术领域
本发明属于无人艇双层路径规划方法技术领域,具体涉及免疫遗传-人工势场法的无人艇双层路径规划方法。
背景技术
水面无人艇作为一种新型的海上无人智能平台,要有能够在复杂海况环境下实时避障的能力,才能在海洋资源的开发、监测和防御中发挥着重要作用。
免疫遗传算法在遗传算法的基础上添加了一个免疫算子,使种群处在不断进化状态,提高算法效率。
全局规划和局部规划结合的思想,不仅大幅度减小路径规划的复杂性,也减少了无人艇陷入局部极小点位置和路径震荡的可能性。
发明内容
本发明的目的在于提供获取更平滑,更短的实时避障路径的免疫遗传-人工势场法的无人艇双层路径规划方法。
本发明的目的通过以下技术方案来实现:
免疫遗传-人工势场法的无人艇双层路径规划方法,包括以下步骤:
步骤(1)建立无人艇的数学运动模型以及无人艇的栅格工作环境模型;
步骤(2)利用免疫遗传算法进行全局路径规划,为无人艇快速规划出一条初始全局最优路径;
步骤(3)对全局最优路径进行分割,将全局最优路径上的转折点序列作为局部路径规划的子目标位置并利用人工势场法进行局部路径规划,直到当前子目标位置是最终的目标位置。
所述的步骤(1)具体包括:
(1.1)根据无人艇的特点,定义了无人艇的速度矢量为v=[u v r]T,位置矢量为η=[x y ψ]T,简化得到无人艇的三自由度数学模型如下:
τ代表无人艇控制器的控制力和力矩,具体表达式由下面的公式给出:
τ=[τu 0 τr]
最终根据上面的描述,展开得到三自由度的无人艇运动学动力学数学模型如下:
(1.2)任选一随机位置的电子海图,将其转化为栅格地图,具体处理规则如下:障碍物规模小于一个栅格按一个处理,地图的边界一律当做障碍物处理,当无人艇不能在两实际障碍物间通过,需将障碍物连接当做整体栅格进行处理。
栅格工作环境的建模将序号法和坐标法结合,无人艇运动路径采用栅格序号法进行记录,对路径的价值函数进行衡量时,采用坐标形式,两法转换关系如下:
C=A+10B
其中C为序号法的栅格序号,A为坐标法的横坐标,B为坐标法的纵坐标。
步骤(2)中所述的免疫遗传算法具体为:
(2.1)对栅格图中每一个栅格进行编码,将栅格图中所有能形成一条从S到E的路径称为抗体,其中S为起始点,E为目标点;
(2.2)随机产生初始抗体群体,进行删除,插入操作,对初始抗体群体进行初步筛选,删除存在障碍物序号的抗体;
(2.3)计算抗体适应度,将适应度最大的抗体称为精英抗体并保存到一变量中;
(2.4)若群体退化将精英抗体添加到新的抗体群,若进化将最大适应度值的抗体添加到精英抗体变量中;
(2.5)计算当前情况下的抗体浓度和被选择概率;
(2.6)对被选择的抗体进行交叉变异操作,交叉是把两个被选择抗体的部分结构替换重组而生成新抗体的操作,对随机选取得两个抗体,判断重合点的个数,当重合点多于一个时,随机选择其一进行交叉,如果没有重合点则随机选择交叉点进行单点交叉,变异是随机生成小概率扰动,从个体中以自定的概率选择一个除目标点和起始点的序号作为目标进行变异操作;
(2.7)重复以上步骤直至满足条件算法结束。
所述的步骤(3)具体流程为:
(3.1)定义路径初始点为Start,路径终点为Goal,利用免疫遗传算法得到一条全局的初始路径Lgbest,定义转折点数量为n,得到的全局路径上的转折点集合为{Start,p1,p2...pn,Goal},则分割操作下形成n+1段子路径;
(3.2)将全局路径上的转折点集合{Start,p1,p2...pn,Goal}依次作为局部路径规划的子目标点{Start,g1,g2...gn,Goal};
(3.3)在n+1段子路径(Start,g1),(g1,g2)...(gn,Goal)上利用人工势场法进行局部路径规划;
(3.4)直至子目标位置为最终目标位置停止,将所有局部路径规划下的子路径连接得最终路径。
所述的相关概念定义如下:
(4.1)对双层进行如下定义:
第一层为无人艇的全局路径规划,利用已知路径上的静态障碍物作为避碰目标,采用免疫遗传算法规划出一条最短的全局避碰路线;第二层为无人艇的局部路径规划,将路径上未知的的动态障碍物作为避碰目标,在第一层的全局避碰路线上利用人工势场法进行局部避碰;
(4.2)对适应度函数如下定义:
式中L为抗体总长度,n为抗体中转折点的个数,θi为每个转折点的偏转角度,σ为碰撞频率,w1,w2和w3为相应的权重因子;
设定抗体种群规模为一固定值m,在其中选择2个抗体a和b,则其适应度函数为fa和fb,定义相似度函数如下:
(4.3)对抗体相似定义如下:
当抗体a,b相似度满足下列公式时,则称两者相似:
1-Ω≤Q(a,b)≤1+Ω
其中Ω为相似度因子;
(4.4)抗体a浓度定义如下:
其中Ψ为整个种群规模m中与抗体a相似的抗体个数;
(4.5)抗体种群每轮繁衍,抗体a被选择作为父代的概率定义如下:
其中T为浓度因子。
本发明的有益效果在于:
本发明引入的免疫遗传算法在传统遗传算法的基础上添加了一个免疫算子,可以有效防止种群退化,提高算法效率;在适应度函数中引入了偏转角度,考虑了实际无人艇航行过程中功耗的因素,得到的初步全局路径更节能。全局规划和局部规划结合的思想对实际环境进行简化,从源头上减少了人工势场法不足之处出现的概率。不仅大幅度减小路径规划的复杂性,也减少了无人艇陷入局部极小点位置和路径震荡的可能性。
附图说明
图1为本发明实施方式总体流程图;
图2为电子海图转栅格图示意图;
图3为本发明技术方案总体流程图;
图4为栅格路径规划示意图;
图5为免疫遗传算法原理图;
图6为本发明技术方案效果图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
如图1所示,本发明按以下步骤实现:
步骤1、建立无人艇的数学运动模型以及无人艇的栅格工作环境模型:
由于传统的船舶六自由度模式比较复杂。以便于我们的研究。传统的船舶六自由度模型需要简化。根据无人艇的特点,定义了无人艇的速度矢量为v=[u v r]T,位置矢量为η=[x y ψ]T。在描述无人艇的表面运动时,只需要用到纵荡、横荡和艏摇三个方向,简化得到无人艇的三自由度数学模型如下:
τ代表无人艇控制器的控制力和力矩,具体表达式由下面的公式给出:
τ=[τu 0 τr]
最终根据上面的描述,展开得到三自由度的无人艇运动学动力学数学模型如下:
如图2所示,任选一随机位置的电子海图,将其转化为栅格地图,具体处理规则如下:实际海洋环境复杂多变,障碍物的形状呈不规则特性,对此对障碍物进行简化,障碍物规模小于一个栅格按一个处理,地图的边界一律当做障碍物处理,当无人艇不能在两实际障碍物间通过,需将障碍物连接当做整体栅格进行处理。
如图4所示,现选取一简易栅格图进行路径规划解释说明,栅格工作环境的建模将序号法和坐标法结合,无人艇运动路径采用栅格序号法进行记录,因为序号法较直角坐标更易有直观的感受,表达更明确。对路径的价值函数进行衡量时,则采用坐标形式,因为坐标法明确显示了栅格之间的位置关系,路径的长短和可通过性也容易判断,两法转换关系如下:
C=A+10B
其中C为序号法的栅格序号,A为坐标法的横坐标,B为坐标法的纵坐标。在图4中S为起始点,E为目标点,黑色栅格为障碍物区域。白色栅格为自由区域。
步骤2、利用免疫遗传算法进行全局路径规划,为无人艇快速规划出一条初始全局最优路径:
如图5所示,免疫遗传算法流程如下:
(1)对栅格图中每一个栅格进行编码,将栅格图中所有能形成一条从S到E的路径称为抗体;
(2)随机产生初始抗体群体,进行删除,插入操作,对初始抗体群体进行初步筛选,删除存在障碍物序号的抗体,如图4中(0,11...),因为11为障碍物栅格,再删除序号不连续的抗体。如图4中(0,2,3...),因为0和2不连续,即使形成的抗体适应度很大也不能被采用;
(3)计算抗体适应度,将适应度最大的抗体称为精英抗体并保存到一变量中;
(4)若群体退化将精英抗体添加到新的抗体群,若进化将最大适应度值的抗体添加到精英抗体变量中;
(5)计算当前情况下的抗体浓度和被选择概率;
(6)对被选择的抗体进行交叉变异操作,交叉是把两个被选择抗体的部分结构替换重组而生成新抗体的操作,本设计采用重合点交叉,对随机选取得两个抗体,判断重合点的个数,当重合点多于一个时,随机选择其一进行交叉。如果没有重合点则随机选择交叉点进行单点交叉。变异是随机生成小概率扰动,可以从个体中以自定的概率选择一个除目标点和起始点的序号作为目标进行变异操作;
(7)重复以上步骤直至满足条件算法结束。
本设计为无人艇双层路径规划方法,现对双层进行如下定义:
第一层为无人艇的全局路径规划,利用已知路径上的静态障碍物作为避碰目标,采用免疫遗传算法规划出一条最短的全局避碰路线;第二层为无人艇的局部路径规划,将路径上未知的的动态障碍物作为避碰目标,在第一层的全局避碰路线上利用人工势场法进行局部避碰。相比于单一的全局或局部路径规划,双层路径规划综合了两者的优点,再保留了全局路径规划的最优特性的同时,亦能拥有局部路径规划的实时避障性。
在利用遗传算法进行无人艇路径规划过程中,本文所述方法在进行选择操作中有所改进,实际规划出的路径称为抗体,被选择的可能性采用适应度和浓度两个指标来评价,一般设置为抗体适应度越大,浓度越小,抗体被选择的概率越大;适应度越小,浓度越大,抗体被选择的概率越小。
对相关概念进行如下定义:
本文针对无人艇设置了栅格工作环境,将工作区域分为了自由区域和障碍区域,将障碍区域设置为不可达区域,故在适应度函数的设计中忽略碰撞的可能性。本设计定义适应度函数如下:
考虑到无人艇实际航行过程中,在进行大角度改变艏向时所耗功率基本与偏转角度成正比例关系,故将偏转角度加入到抗体(路径)的评价标准中。上式中L为抗体总长度,n为抗体中转折点的个数,θi为每个转折点的偏转角度,σ为碰撞频率,w1,w2和w3为相应的权重因子。
设定抗体种群规模为一固定值m,在其中选择2个抗体a和b,则其适应度函数为fa和fb,定义相似度函数如下:
当抗体a,b相似度满足下列公式时,则称两者相似。
1-Ω≤Q(a,b)≤1+Ω
其中Ω为相似度因子。
每个抗体都有对应的浓度值,抗体a浓度定义如下:
其中Ψ为整个种群规模m中与抗体a相似的抗体个数。
抗体种群每轮繁衍,抗体a被选择作为父代的概率定义如下:
其中T为浓度因子。
如图4所示得到的最终抗体为(0,10,20,31,42,53,63,64,75,86,96...99)。
步骤3、将全局最优路径上的转折点序列作为局部路径规划的子目标位置并利用人工势场法进行局部路径规划,直到当前子目标位置是最终的目标位置;
本设计思路如图3所示,技术方案效果图如图6所示。
人工势场法在USV局部路径规划方面的不足之处主要体现在容易陷入局部最小值和局部震荡。针对以上问题进行优化的方法很多,主要体现在对算法模型(引力函数,斥力函数,视距因子,速度因子等)的改进。本设计结合全局路径规划的最优性和局部路径规划的实时避障性,引进分割操作,现对分割操作进行定义:
将全局最优路径依转折点进行分割操作,在每一段上进行局部路径规划,再将每一段分割的局部路径规划路线连接便得到最终的曲线。相比于全局路径规划方法此法可以做到局部的实时避碰;相比于局部路径规划方法,此法的路径是在全局路径的指引下形成的,路径长度更短,更安全;通过对实际环境进行简化,分割操作情景下,每一段的起始点和目标都在障碍物之间,故无人艇陷入局部最小值和局部震荡的可能性降低,从源头上减少了以上问题出现的概率,具体方法如下:
定义路径初始点为Start,路径终点为Goal。
整个流程如下:
(1)利用免疫遗传算法得到一条全局的初始路径Lgbest,定义转折点数量为n,得到的全局路径上的转折点集合为{Start,p1,p2...pn,Goal},则分割操作下形成n+1段子路径;
(2)将全局路径上的转折点集合{Start,p1,p2...pn,Goal}依次作为局部路径规划的子目标点{Start,g1,g2...gn,Goal};
(3)在n+1段子路径(Start,g1),(g1,g2)...(gn,Goal)上利用人工势场法进行局部路径规划;
(4)直至子目标位置为最终目标位置停止,将所有局部路径规划下的子路径连接得最终路径。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、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.免疫遗传-人工势场法的无人艇双层路径规划方法,其特征在于,包括以下步骤:
步骤(1)建立无人艇的数学运动模型以及无人艇的栅格工作环境模型;
步骤(2)利用免疫遗传算法进行全局路径规划,为无人艇快速规划出一条初始全局最优路径;
步骤(3)对全局最优路径进行分割,将全局最优路径上的转折点序列作为局部路径规划的子目标位置并利用人工势场法进行局部路径规划,直到当前子目标位置是最终的目标位置。
2.根据权利要求1所述的免疫遗传-人工势场法的无人艇双层路径规划方法,其特征在于,所述的步骤(1)具体包括:
(1.1)根据无人艇的特点,定义了无人艇的速度矢量为v=[u v r]T,位置矢量为η=[xy ψ]T,简化得到无人艇的三自由度数学模型如下:
τ代表无人艇控制器的控制力和力矩,具体表达式由下面的公式给出:
τ=[τu 0 τr]
最终根据上面的描述,展开得到三自由度的无人艇运动学动力学数学模型如下:
(1.2)任选一随机位置的电子海图,将其转化为栅格地图,具体处理规则如下:障碍物规模小于一个栅格按一个处理,地图的边界一律当做障碍物处理,当无人艇不能在两实际障碍物间通过,需将障碍物连接当做整体栅格进行处理;
栅格工作环境的建模将序号法和坐标法结合,无人艇运动路径采用栅格序号法进行记录,对路径的价值函数进行衡量时,采用坐标形式,两法转换关系如下:
C=A+10B
其中C为序号法的栅格序号,A为坐标法的横坐标,B为坐标法的纵坐标。
3.根据权利要求1所述的免疫遗传-人工势场法的无人艇双层路径规划方法,其特征在于,步骤(2)中所述的免疫遗传算法具体为:
(2.1)对栅格图中每一个栅格进行编码,将栅格图中所有能形成一条从S到E的路径称为抗体,其中S为起始点,E为目标点;
(2.2)随机产生初始抗体群体,进行删除,插入操作,对初始抗体群体进行初步筛选,删除存在障碍物序号的抗体;
(2.3)计算抗体适应度,将适应度最大的抗体称为精英抗体并保存到一变量中;
(2.4)若群体退化将精英抗体添加到新的抗体群,若进化将最大适应度值的抗体添加到精英抗体变量中;
(2.5)计算当前情况下的抗体浓度和被选择概率;
(2.6)对被选择的抗体进行交叉变异操作,交叉是把两个被选择抗体的部分结构替换重组而生成新抗体的操作,对随机选取得两个抗体,判断重合点的个数,当重合点多于一个时,随机选择其一进行交叉,如果没有重合点则随机选择交叉点进行单点交叉,变异是随机生成小概率扰动,从个体中以自定的概率选择一个除目标点和起始点的序号作为目标进行变异操作;
(2.7)重复以上步骤直至满足条件算法结束。
4.根据权利要求1所述的免疫遗传-人工势场法的无人艇双层路径规划方法,其特征在于,所述的步骤(3)具体流程为:
(3.1)定义路径初始点为Start,路径终点为Goal,利用免疫遗传算法得到一条全局的初始路径Lgbest,定义转折点数量为n,得到的全局路径上的转折点集合为{Start,p1,p2...pn,Goal},则分割操作下形成n+1段子路径;
(3.2)将全局路径上的转折点集合{Start,p1,p2...pn,Goal}依次作为局部路径规划的子目标点{Start,g1,g2...gn,Goal};
(3.3)在n+1段子路径(Start,g1),(g1,g2)...(gn,Goal)上利用人工势场法进行局部路径规划;
(3.4)直至子目标位置为最终目标位置停止,将所有局部路径规划下的子路径连接得最终路径。
5.根据权利要求1所述的免疫遗传-人工势场法的无人艇双层路径规划方法,其特征在于,所述的相关概念定义如下:
(4.1)对双层进行如下定义:
第一层为无人艇的全局路径规划,利用已知路径上的静态障碍物作为避碰目标,采用免疫遗传算法规划出一条最短的全局避碰路线;第二层为无人艇的局部路径规划,将路径上未知的的动态障碍物作为避碰目标,在第一层的全局避碰路线上利用人工势场法进行局部避碰;
(4.2)对适应度函数如下定义:
式中L为抗体总长度,n为抗体中转折点的个数,θi为每个转折点的偏转角度,σ为碰撞频率,w1,w2和w3为相应的权重因子;
设定抗体种群规模为一固定值m,在其中选择2个抗体a和b,则其适应度函数为fa和fb,定义相似度函数如下:
(4.3)对抗体相似定义如下:
当抗体a,b相似度满足下列公式时,则称两者相似:
1-Ω≤Q(a,b)≤1+Ω
其中Ω为相似度因子;
(4.4)抗体a浓度定义如下:
其中Ψ为整个种群规模m中与抗体a相似的抗体个数;
(4.5)抗体种群每轮繁衍,抗体a被选择作为父代的概率定义如下:
其中T为浓度因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910976848.0A CN110703752B (zh) | 2019-10-15 | 2019-10-15 | 免疫遗传-人工势场法的无人艇双层路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910976848.0A CN110703752B (zh) | 2019-10-15 | 2019-10-15 | 免疫遗传-人工势场法的无人艇双层路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110703752A true CN110703752A (zh) | 2020-01-17 |
CN110703752B CN110703752B (zh) | 2023-01-03 |
Family
ID=69198756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910976848.0A Active CN110703752B (zh) | 2019-10-15 | 2019-10-15 | 免疫遗传-人工势场法的无人艇双层路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110703752B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111610788A (zh) * | 2020-06-13 | 2020-09-01 | 大连海事大学 | 一种分级模糊-人工势场路径规划的方法 |
CN111694357A (zh) * | 2020-06-19 | 2020-09-22 | 国网福建省电力有限公司福州供电公司 | 基于遗传算法和人工势场法的机器人行走路径规划方法 |
CN112099501A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨工程大学 | 一种基于势场参数优化的无人艇路径规划方法 |
CN112257952A (zh) * | 2020-11-03 | 2021-01-22 | 亿景智联(北京)科技有限公司 | 一种多条件约束下的智能路径规划算法 |
CN112327872A (zh) * | 2020-11-20 | 2021-02-05 | 哈尔滨工程大学 | 面向溢油围捕的双无人艇协同轨迹跟踪方法 |
CN112379672A (zh) * | 2020-11-24 | 2021-02-19 | 浙大宁波理工学院 | 一种基于改进人工势场的智能无人船路径规划方法 |
CN114296451A (zh) * | 2021-12-15 | 2022-04-08 | 珠海一微半导体股份有限公司 | 基于遗传算法的机器人墙面工作的路径规划方法 |
CN115310257A (zh) * | 2022-06-23 | 2022-11-08 | 中国人民解放军军事科学院国防科技创新研究院 | 基于人工势场的态势估计方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408772A (zh) * | 2008-11-21 | 2009-04-15 | 哈尔滨工程大学 | Auv智能避碰装置及避碰方法 |
CN101916312A (zh) * | 2010-08-09 | 2010-12-15 | 哈尔滨工程大学 | 基于人工免疫和蚁群算法结合的船舶航线智能生成方法 |
CN103412490A (zh) * | 2013-08-14 | 2013-11-27 | 山东大学 | 用于多机器人动态路径规划的多克隆人工免疫网络算法 |
US20160209849A1 (en) * | 2015-01-15 | 2016-07-21 | William Dale Arbogast | System and method for decentralized, multi-agent unmanned vehicle navigation and formation control |
CN107544500A (zh) * | 2017-09-18 | 2018-01-05 | 哈尔滨工程大学 | 一种考虑约束的无人艇靠泊行为轨迹规划方法 |
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 |
CN109933067A (zh) * | 2019-03-12 | 2019-06-25 | 哈尔滨工程大学 | 一种基于遗传算法和粒子群算法的无人艇避碰方法 |
-
2019
- 2019-10-15 CN CN201910976848.0A patent/CN110703752B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408772A (zh) * | 2008-11-21 | 2009-04-15 | 哈尔滨工程大学 | Auv智能避碰装置及避碰方法 |
CN101916312A (zh) * | 2010-08-09 | 2010-12-15 | 哈尔滨工程大学 | 基于人工免疫和蚁群算法结合的船舶航线智能生成方法 |
CN103412490A (zh) * | 2013-08-14 | 2013-11-27 | 山东大学 | 用于多机器人动态路径规划的多克隆人工免疫网络算法 |
US20160209849A1 (en) * | 2015-01-15 | 2016-07-21 | William Dale Arbogast | System and method for decentralized, multi-agent unmanned vehicle navigation and formation control |
CN107544500A (zh) * | 2017-09-18 | 2018-01-05 | 哈尔滨工程大学 | 一种考虑约束的无人艇靠泊行为轨迹规划方法 |
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 |
CN109933067A (zh) * | 2019-03-12 | 2019-06-25 | 哈尔滨工程大学 | 一种基于遗传算法和粒子群算法的无人艇避碰方法 |
Non-Patent Citations (9)
Title |
---|
XUANZI HU;CUNXI XIE;QINGUI XU: "Robot Path Planning Based on Artificial Immune Network", 《2007 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS (ROBIO)》 * |
孙晓界: "无人水面艇实时路径规划系统研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
张玉奎: "水面无人艇路径规划技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
杨帆: "自主式移动机器人路径规划研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
林晓杰: "基于改进势场法的受限水域中船舶自动避碰模型研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
洪露等: "基于"Stretching"技术的免疫遗传算法的研究", 《2006 CHINESE CONTROL CONFERENCE》 * |
王申广: "USV模糊免疫控制技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
续欣莹等: "基于人工免疫势场法的移动机器人路径规划", 《北京工业大学学报》 * |
赵亮博: "基于能耗最优的喷水推进无人艇路径规划方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111610788A (zh) * | 2020-06-13 | 2020-09-01 | 大连海事大学 | 一种分级模糊-人工势场路径规划的方法 |
CN111610788B (zh) * | 2020-06-13 | 2023-04-18 | 大连海事大学 | 一种分级模糊-人工势场路径规划的方法 |
CN111694357B (zh) * | 2020-06-19 | 2022-05-13 | 国网福建省电力有限公司福州供电公司 | 基于遗传算法和人工势场法的机器人行走路径规划方法 |
CN111694357A (zh) * | 2020-06-19 | 2020-09-22 | 国网福建省电力有限公司福州供电公司 | 基于遗传算法和人工势场法的机器人行走路径规划方法 |
CN112099501A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨工程大学 | 一种基于势场参数优化的无人艇路径规划方法 |
CN112099501B (zh) * | 2020-09-15 | 2022-10-28 | 哈尔滨工程大学 | 一种基于势场参数优化的无人艇路径规划方法 |
CN112257952A (zh) * | 2020-11-03 | 2021-01-22 | 亿景智联(北京)科技有限公司 | 一种多条件约束下的智能路径规划算法 |
CN112327872B (zh) * | 2020-11-20 | 2021-08-03 | 哈尔滨工程大学 | 面向溢油围捕的双无人艇协同轨迹跟踪方法 |
CN112327872A (zh) * | 2020-11-20 | 2021-02-05 | 哈尔滨工程大学 | 面向溢油围捕的双无人艇协同轨迹跟踪方法 |
CN112379672A (zh) * | 2020-11-24 | 2021-02-19 | 浙大宁波理工学院 | 一种基于改进人工势场的智能无人船路径规划方法 |
CN114296451A (zh) * | 2021-12-15 | 2022-04-08 | 珠海一微半导体股份有限公司 | 基于遗传算法的机器人墙面工作的路径规划方法 |
CN115310257A (zh) * | 2022-06-23 | 2022-11-08 | 中国人民解放军军事科学院国防科技创新研究院 | 基于人工势场的态势估计方法及装置 |
CN115310257B (zh) * | 2022-06-23 | 2023-03-28 | 中国人民解放军军事科学院国防科技创新研究院 | 基于人工势场的态势估计方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110703752B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110703752B (zh) | 免疫遗传-人工势场法的无人艇双层路径规划方法 | |
WO2021135554A1 (zh) | 一种无人车全局路径规划方法和装置 | |
CN110108284B (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 | |
CN111399506A (zh) | 一种基于动力学约束的全局-局部混合无人船路径规划方法 | |
CN108564202B (zh) | 一种基于环境预报信息的无人艇航线优化方法 | |
CN110956853B (zh) | 一种多船碰撞预测方法、系统和存储介质 | |
CN106444738A (zh) | 基于动态运动基元学习模型的移动机器人路径规划方法 | |
Wang et al. | Ship route planning based on double-cycling genetic algorithm considering ship maneuverability constraint | |
Wang et al. | Cooperative collision avoidance for unmanned surface vehicles based on improved genetic algorithm | |
CN111665846B (zh) | 一种基于快速扫描法的水面无人艇路径规划方法 | |
CN111880535A (zh) | 一种基于强化学习的无人艇混合感知自主避障方法及系统 | |
CN103390077A (zh) | 基于ogre的三维内河航行仿真中船舶碰撞检测方法 | |
CN113032896B (zh) | 一种基于船舶驾驶员偏好的避碰辅助决策方法 | |
CN116225066A (zh) | 一种基于混沌映射鹈鹕优化算法的无人机路径优化方法 | |
CN108445894A (zh) | 一种考虑无人艇运动性能的二次路径规划方法 | |
CN109556609A (zh) | 一种基于人工智能的避碰方法及装置 | |
Du et al. | An optimized path planning method for coastal ships based on improved DDPG and DP | |
CN113190026B (zh) | 一种基于再励机制粒子群算法的节能型水下路径规划方法 | |
Gao et al. | An Optimized Path Planning Method for Container Ships in Bohai Bay Based on Improved Deep Q-Learning | |
Zhang et al. | Research on Path Planning Method of Unmanned Boat Based on Improved Artificial Potential Field Method | |
Yang et al. | Research on autonomous navigation control of unmanned ship based on unity3d | |
Cheng et al. | Trajectory optimization for ship navigation safety using genetic annealing algorithm | |
CN115421522B (zh) | 一种基于并行自适应蚁群算法的无人机覆盖路径规划方法 | |
CN116952239A (zh) | 一种基于改进a*与dwa融合的无人艇路径规划方法 | |
Zhang et al. | Ship collision avoidance using constrained deep reinforcement learning |
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 |