CN110703772A - 一种智能通用无人平台路径规划方法 - Google Patents
一种智能通用无人平台路径规划方法 Download PDFInfo
- Publication number
- CN110703772A CN110703772A CN201911107345.6A CN201911107345A CN110703772A CN 110703772 A CN110703772 A CN 110703772A CN 201911107345 A CN201911107345 A CN 201911107345A CN 110703772 A CN110703772 A CN 110703772A
- Authority
- CN
- China
- Prior art keywords
- platform
- path planning
- path
- current
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000013178 mathematical model Methods 0.000 claims abstract description 18
- 230000004888 barrier function Effects 0.000 claims abstract description 4
- 230000002068 genetic effect Effects 0.000 claims description 20
- 230000000739 chaotic effect Effects 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 12
- 238000005291 chaos (dynamical) Methods 0.000 claims description 11
- 238000005265 energy consumption Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 201000004569 Blindness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种智能通用无人平台路径规划方法,属于人工智能技术领域,包括以下步骤:S1、通过平台环境信息获取设备获取智能通用无人平台当前位置、目标点位置、障碍物、无法通行区域与当前平台速度;S2、根据步骤S1获取的信息,建立平台路径规划环境模型;S3、根据步骤S2平台路径规划环境模型,建立平台路径规划数学模型;S4、通过路径规划算法结合平台路径规划环境模型与平台路径规划数学模型,计算出最优化的路径。本发明能够实现快速、有效的最优路径规划。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种智能通用无人平台路径规划方法。
背景技术
随着人工智能技术、智能制造技术的不断发展,智能通用无人平台在军事领域、消防救援领域发挥的作用越来越大。在智能通用无人平台的研究中,路径规划技术无疑是其核心技术之一,可以帮助平台在复杂地形与多障碍物环境下,根据当前平台位置与目标点位置规划出一条安全可行使路径。路径规划的核心问题是算法问题,在智能通用无人平台行驶过程中根据预先设定的评价标准与约束条件,寻找从当前位置到目标位置的最优路径。目前路径规划方法主要分为三类:(1)传统算法:如模拟退火算法、禁忌搜索算法、模糊算法等。(2)图论法:如A*算法、贪心算法等。(3)智能算法:如粒子群算法、蚁群算法、遗传算法等。
综上所述,目前路径规划方法存在的问题如下:
(1)在面对复杂多地形复杂障碍物环境下时,单一的算法往往无法获得有效地路径,会陷入局部最优情况,伴随搜索空间的不断增加,计算量急剧增加路径规划速度会越来越慢。
(2)智能通用无人平台采用单一的算法无法实现已规划的路径的动态调整,每次变更平台的位置与目标位置,路径则会全部重新规划。
(3)智能通用无人平台在行驶过程中,并未考虑智能通用无人平台路径规划过程中的能耗问题。
(4)智能通用无人平台的路径规划,并未考虑平台在行驶时间问题。
(5)路径规划并未考虑复杂地形环境问题。
发明内容
本发明的目的在于:针对上述存在的不足,本发明提供了一种实现快速、有效的最优路径规划的智能通用无人平台路径规划方法。
为了实现上述目的,本发明采用如下技术方案:
一种智能通用无人平台路径规划方法,包括以下步骤:
S1、通过平台环境信息获取设备获取智能通用无人平台当前位置、目标点位置、障碍物、无法通行区域、与当前平台速度;
S2、根据步骤S1获取的信息,建立平台路径规划环境模型;
S3、根据步骤S2平台路径规划环境模型,建立平台路径规划数学模型;
S4、通过路径规划算法结合平台路径规划环境模型与平台路径规划数学模型,计算出最优化的路径。
进一步的,所述步骤S2中建立平台路径规划环境模型的具体步骤为:
(1)建立直角坐标系,以x轴y轴的正方向分别为水平向右与垂直向下的行驶方向的栅格空间,坐标轴上的单位长度定义为运动空间区间的大小,其空间坐标表示为:Zi=(xi,yi),其中Zi表示当前位置,i=1,2,…m;
定义在平台左上序号为0,从左至右,从上至下的序号依次递增;
(2)选取障碍物的顶点,以障碍物的顶点做连线,使不规则的障碍物连接成为规则的多边形图形。
进一步的,所述步骤S3中建立平台路径规划数学模型,包括以下步骤:
a、为了描述方便,给出符号定义如下:
L=规划的路径距离,由平台当前位置到目标点位置。
E=根据规划路径行驶所需能耗,由平台当前位置到目标点位置。
T=路径规划行驶的预估时间,由平台当前位置到目标点位置距离与所需速度确定。
F=路径规划数学模型,本模型为求最小值。
fitness=路径规划算法适应度函数值;
b、根据信息熵与层次分析法确定能耗与路径行驶的权重系数,层次分析法确定主观权重,如下:
通过信息熵对层次分析法求得的主观权重进行修正,如下:
通过信息熵求得的客观权重对主观权重进行修正,如下:
采用归一法,对求得的权重进行归一化处理,如下:
c、建立评价体系,根据评价体系建立平台路径规划数学模型公式如下:
F=min(L+E+T)
L,E,T≥0
式中,k表示路径规划过程中的障碍物状态,d表示路径中的两点距离,h表示路径规划过程中的运动空间的高度,m表示运动空间的长度,v表示当前智能无人平台速度;
进一步的,通过混沌理论与遗传算法结合平台当前位置与平台位置对行驶路径进行规划,具体如下:
(Ⅰ)随机产生路径种群,计算其适应度函数值,适应度函数公式如下:
s.t.L,E,T≥0;
其中,w1,w2,w3表示权重系数,通过层次分析法与信息熵理论求得,通过层次分析获取其主观权重,通过客观的信息熵法对主观权重进行修正。
(Ⅱ)通过遗传算法选择算子,将计算得到的路径规划方案适应度函数值按照从小至大顺序排列,保留当前最优路径规划方案,适应度函数值小者被保留,适应度函数值大者则会被淘汰,选取当前种群适应度函数值最小,完成当前路径方案的选择,具体如下:
if cbest<fn+1,then cbest=fn+1
else cbest不变
其中,fn+1表示计算的适应度函数值,cbest表示当前最优适应度值,若适应度函数值大于当前最优值,则当前最优被取代,否则当前最优不变;
(Ⅲ)通过遗传算法交叉算子,对当前行驶中的最优规划路径进行交叉变换,以产生新的路径,其中交叉概率公式如下:
(Ⅳ)通过改进的遗传算法变异算子,对当前行驶中的最优规划路径以Pm概率进行变异操作,其中变异概率公式如下:
(Ⅴ)发明采用混沌理论,对遗传算法得到的当前最优路径规划策略添加扰动,以避免陷入局部最优,实现全局收敛。
进一步的,所述步骤(Ⅴ)的混沌理论算法的具体公式如下:
xi=μ×ε×(1-ε)yi=a+(b-a)×xi
其中,μ表示混沌系数,ε表示混沌变量,a,b分别表示混沌映射空间的上下限。在路径规划过程中,每个混沌变量ε代表当前一个路径规划的运动空间方格坐标,a,b分别表示当前坐标的改变区间的上下限,通过混沌变量对当前路径方案进行扰动从而实现路径规划方案的全局搜索。
进一步的,所述步骤S1中的平台环境信息获取设备包括CCD相机、米波雷达、激光雷达、激光测距仪和GPS系统。
本发明的有益效果在于:
本发明中,在对智能通用无人平台路径规划时,充分的考虑地形的复杂,能耗、以及时间问题,根据当前目标位置与智能通用无人平台当前位置,结合构建的路径规划评价标准与数学模型,确定基于信息熵理论、层次分析法、遗传算法的适应度函数,采用多种算法相互集合的规划方法,实现快速、有效的最优路径规划。
附图说明
图1是本发明框架图;
图2是本发明构建的平台路径规划环境模型;
图3是本发明路径规划过程示意图;
图4遗传算法交叉操作示意图;
图5遗传算法变异操作示意图;
图6混沌理论操作示意图;
图7是本发明基于层次分析法、信息熵法、混沌理论与遗传算法路径规划流程图;
图8是本发明路径规划收敛图。
具体实施方式
下面进一步描述本发明的技术方案,但要求保护的范围并不局限于。
如图1所示,一种智能通用无人平台路径规划方法,包括以下步骤:
S1、通过平台环境信息获取设备获取智能通用无人平台当前位置、目标点位置、障碍物、无法通行区域、与当前平台速度;
S2、根据步骤S1获取的信息,建立平台路径规划环境模型;
S3、根据步骤S2平台路径规划环境模型,建立平台路径规划数学模型;
S4、通过路径规划算法结合平台路径规划环境模型与平台路径规划数学模型,计算出最优化的路径。
如图2所示,步骤S2中建立平台路径规划环境模型的具体步骤为:
(1)建立直角坐标系,以x轴y轴的正方向分别为水平向右与垂直向下的行驶方向的栅格空间,坐标轴上的单位长度定义为运动空间区间的大小,其空间坐标表示为:Zi=(xi,yi),其中Zi表示当前位置,i=1,2,…m;
定义在平台左上序号为0,从左至右,从上至下的序号依次递增;
(2)选取障碍物的顶点,以障碍物的顶点做连线,使不规则的障碍物连接成为规则的多边形图形。
如图3-8所示,步骤S3中建立平台路径规划数学模型,包括以下步骤:
a、为了描述方便,给出符号定义如下:
L=规划的路径距离,由平台当前位置到目标点位置。
E=根据规划路径行驶所需能耗,由平台当前位置到目标点位置。
T=路径规划行驶的预估时间,由平台当前位置到目标点位置距离与所需速度确定。
F=路径规划数学模型,本模型为求最小值。
fitness=路径规划算法适应度函数值;
b、根据信息熵与层次分析法确定能耗与路径行驶的权重系数,层次分析法确定主观权重,如下:
通过信息熵对层次分析法求得的主观权重进行修正,如下:
通过信息熵求得的客观权重对主观权重进行修正,如下:
采用归一法,对求得的权重进行归一化处理,如下:
c、建立评价体系,根据评价体系建立平台路径规划数学模型公式如下:
F=min(L+E+T)
L,E,T≥0
式中,k表示路径规划过程中的障碍物状态,d表示路径中的两点距离,h表示路径规划过程中的运动空间的高度,m表示运动空间的长度,v表示当前智能无人平台速度;
通过混沌理论与遗传算法结合平台当前位置与平台位置对行驶路径进行规划,具体如下:
(Ⅰ)随机产生路径种群,计算其适应度函数值,适应度函数公式如下:
s.t.L,E,T≥0;
其中,w1,w2,w3表示权重系数,通过层次分析法与信息熵理论求得,通过层次分析获取其主观权重,通过客观的信息熵法对主观权重进行修正。
(Ⅱ)通过遗传算法选择算子,将计算得到的路径规划方案适应度函数值按照从小至大顺序排列,保留当前最优路径规划方案,适应度函数值小者被保留,适应度函数值大者则会被淘汰,选取当前种群适应度函数值最小,完成当前路径方案的选择,具体如下:
if cbest<fn+1,then cbest=fn+1
else cbest不变
其中,fn+1表示计算的适应度函数值,cbest表示当前最优适应度值,若适应度函数值大于当前最优值,则当前最优被取代,否则当前最优不变;
(Ⅲ)通过遗传算法交叉算子,对当前行驶中的最优规划路径进行交叉变换,以产生新的路径,选择单点与重合点交叉操作,以交叉概率Pc随机选取两个个体,选择运动空间序号完全相同点进行交叉操作,重合点多于一个的情况,随机选择其一进行交叉,若无重合点则随机选择交叉点进行单点交叉,其中交叉概率公式如下:
(Ⅳ)通过改进的遗传算法变异算子,对当前行驶中的最优规划路径以Pm概率进行变异操作,保证变异后的节点在待变异节点相邻区域且在路径行驶前进方向中,避免了变异导致的路径劣化与盲目性,保障了变异后路径的合理性与路径的连通性,其中变异概率公式如下:
(Ⅴ)发明采用混沌理论,对遗传算法得到的当前最优路径规划策略添加扰动,以避免陷入局部最优,实现全局收敛。
步骤(Ⅴ)的混沌理论算法的具体公式如下:
xi=μ×ε×(1-ε) yi=a+(b-a)×xi;
其中,μ表示混沌系数,ε表示混沌变量,a,b分别表示混沌映射空间的上下限。在路径规划过程中,每个混沌变量ε代表当前一个路径规划的运动空间方格坐标,a,b分别表示当前坐标的改变区间的上下限,通过混沌变量对当前路径方案进行扰动从而实现路径规划方案的全局搜索。
步骤S1中的平台环境信息获取设备包括CCD相机、米波雷达、激光雷达、激光测距仪和GPS系统均可以获取到平台的相关的环境信息。
Claims (6)
1.一种智能通用无人平台路径规划方法,其特征在于:包括以下步骤:
S1、通过平台环境信息获取设备获取智能通用无人平台当前位置、目标点位置、障碍物、无法通行区域与当前平台速度;
S2、根据步骤S1获取的信息,建立平台路径规划环境模型;
S3、根据步骤S2平台路径规划环境模型,建立平台路径规划数学模型;
S4、通过路径规划算法结合平台路径规划环境模型与平台路径规划数学模型,计算出最优化的路径。
2.根据权利要求1所述的一种智能通用无人平台路径规划方法,其特征在于:所述步骤S2中建立平台路径规划环境模型的具体步骤为:
(1)建立直角坐标系,以x轴y轴的正方向分别为水平向右与垂直向下的行驶方向的栅格空间,坐标轴上的单位长度定义为运动空间区间的大小,其空间坐标表示为:Zi=(xi,yi),其中Zi表示当前位置,i=1,2,…m;
定义在平台左上序号为0,从左至右,从上至下的序号依次递增;
(2)选取障碍物的顶点,以障碍物的顶点做连线,使不规则的障碍物连接成为规则的多边形图形。
3.根据权利要求2所述的一种智能通用无人平台路径规划方法,其特征在于:所述步骤S3中建立平台路径规划数学模型,包括以下步骤:
a、为了描述方便,给出符号定义如下:
L=规划的路径距离,由平台当前位置到目标点位置。
E=根据规划路径行驶所需能耗,由平台当前位置到目标点位置。
T=路径规划行驶的预估时间,由平台当前位置到目标点位置距离与所需速度确定。
F=路径规划数学模型,本模型为求最小值。
fitness=路径规划算法适应度函数值;
b、根据信息熵与层次分析法确定能耗与路径行驶的权重系数,层次分析法确定主观权重,如下:
通过信息熵对层次分析法求得的主观权重进行修正,如下:
通过信息熵求得的客观权重对主观权重进行修正,如下:
采用归一法,对求得的权重进行归一化处理,如下:
c、建立评价体系,根据评价体系建立平台路径规划数学模型公式如下:
F=min(L+E+T)
L,E,T≥0
式中,k表示路径规划过程中的障碍物状态,d表示路径中的两点距离,h表示路径规划过程中的运动空间的高度,m表示运动空间的长度,v表示当前智能无人平台速度;
4.根据权利要求3所述的一种智能通用无人平台路径规划方法,其特征在于:通过混沌理论与遗传算法结合平台当前位置与平台位置对行驶路径进行规划,具体如下:
(Ⅰ)随机产生路径种群,计算其适应度函数值,适应度函数公式如下:
s.t.L,E,T≥0;
其中,w1,w2,w3表示权重系数,通过层次分析法与信息熵理论求得,通过层次分析获取其主观权重,通过客观的信息熵法对主观权重进行修正。
(Ⅱ)通过遗传算法选择算子,将计算得到的路径规划方案适应度函数值按照从小至大顺序排列,保留当前最优路径规划方案,适应度函数值小者被保留,适应度函数值大者则会被淘汰,选取当前种群适应度函数值最小,完成当前路径方案的选择,具体如下:
if cbest<fn+1,then cbest=fn+1
else cbest不变
其中,fn+1表示计算的适应度函数值,cbest表示当前最优适应度值,若适应度函数值大于当前最优值,则当前最优被取代,否则当前最优不变;
(Ⅲ)通过遗传算法交叉算子,对当前行驶中的最优规划路径进行交叉变换,以产生新的路径,其中交叉概率公式如下:
(Ⅳ)通过改进的遗传算法变异算子,对当前行驶中的最优规划路径以Pm概率进行变异操作,其中变异概率公式如下:
(Ⅴ)发明采用混沌理论,对遗传算法得到的当前最优路径规划策略添加扰动,以避免陷入局部最优,实现全局收敛。
5.根据权利要求4所述的一种智能通用无人平台路径规划方法,其特征在于:所述步骤(Ⅴ)的混沌理论算法的具体公式如下:
xi=μ×ε×(1-ε) yi=a+(b-a)×xi
其中,μ表示混沌系数,ε表示混沌变量,a,b分别表示混沌映射空间的上下限。
6.根据权利要求1所述的一种智能通用无人平台路径规划方法,其特征在于:所述步骤S1中的平台环境信息获取设备包括CCD相机、米波雷达、激光雷达、激光测距仪和GPS系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911107345.6A CN110703772A (zh) | 2019-11-13 | 2019-11-13 | 一种智能通用无人平台路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911107345.6A CN110703772A (zh) | 2019-11-13 | 2019-11-13 | 一种智能通用无人平台路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110703772A true CN110703772A (zh) | 2020-01-17 |
Family
ID=69205939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911107345.6A Pending CN110703772A (zh) | 2019-11-13 | 2019-11-13 | 一种智能通用无人平台路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110703772A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112180916A (zh) * | 2020-09-17 | 2021-01-05 | 北京理工大学 | 一种适应复杂环境的家庭服务机器人智能导航算法 |
CN112819212A (zh) * | 2021-01-22 | 2021-05-18 | 电子科技大学 | 一种基于等效路阻分析和考虑消防栓动态可用性的路径规划方法 |
CN117746556A (zh) * | 2023-11-28 | 2024-03-22 | 江苏中科朗润智能科技有限公司 | 一种基于红外技术的智能穿戴设备危险感知方法及系统 |
-
2019
- 2019-11-13 CN CN201911107345.6A patent/CN110703772A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112180916A (zh) * | 2020-09-17 | 2021-01-05 | 北京理工大学 | 一种适应复杂环境的家庭服务机器人智能导航算法 |
CN112819212A (zh) * | 2021-01-22 | 2021-05-18 | 电子科技大学 | 一种基于等效路阻分析和考虑消防栓动态可用性的路径规划方法 |
CN112819212B (zh) * | 2021-01-22 | 2023-05-02 | 电子科技大学 | 一种基于等效路阻分析和考虑消防栓动态可用性的路径规划方法 |
CN117746556A (zh) * | 2023-11-28 | 2024-03-22 | 江苏中科朗润智能科技有限公司 | 一种基于红外技术的智能穿戴设备危险感知方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Survey on computational-intelligence-based UAV path planning | |
CN110703772A (zh) | 一种智能通用无人平台路径规划方法 | |
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 | |
CN112835333B (zh) | 一种基于深度强化学习多agv避障与路径规划方法及系统 | |
Hidalgo-Paniagua et al. | Applying the MOVNS (multi-objective variable neighborhood search) algorithm to solve the path planning problem in mobile robotics | |
CN106647808B (zh) | 一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法 | |
CN114895707B (zh) | 基于变频蝙蝠算法的农业无人机路径规划方法及系统 | |
CN115729238A (zh) | 一种用于移动机器人自主避障的动态路径规划方法 | |
CN116048071A (zh) | 基于粒子群和差分进化算法的移动机器人路径规划方法 | |
Guo et al. | Research on multi-sensor information fusion and intelligent optimization algorithm and related topics of mobile robots | |
CN112415997A (zh) | 一种用于多机器人协作的路径规划方法及系统 | |
Qiming et al. | A review of intelligent optimization algorithm applied to unmanned aerial vehicle swarm search task | |
Zhu | Intelligent robot path planning and navigation based on reinforcement learning and adaptive control | |
CN118347503A (zh) | 一种基于大模型的多机器人协同路径规划方法及系统 | |
CN108227718B (zh) | 一种自适应切换的自动搬运小车路径规划方法 | |
CN115994891B (zh) | 基于狼群算法的无人载具混凝土坝表面缺陷动态检测方法 | |
Bai et al. | Research of environmental modeling method of coal mine rescue snake robot based on information fusion | |
Zhang et al. | Research on complete coverage path planning for unmanned surface vessel | |
Li et al. | Vision-based obstacle avoidance algorithm for mobile robot | |
CN116165893A (zh) | 基于椭圆鲁棒性控制的多机器人协同追捕方法及系统 | |
Su et al. | Path planning for mobile robots based on genetic algorithms | |
Chai et al. | Multi-robot path optimization and simulation for multi-route inspection in manufacturing | |
Guan et al. | Intelligent obstacle avoidance algorithm for mobile robots in uncertain environment | |
Zhu et al. | Improvement of Ant Colony Method Track Planning Based on Artificial Potential Field Method | |
Jin et al. | 3D Environment-based Multiobjective Path Planning for Unmanned Ground Vehicles |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |
|
RJ01 | Rejection of invention patent application after publication |