CN110806691A - 带有自适应策略的滚动时域优化无人机航迹规划方法 - Google Patents
带有自适应策略的滚动时域优化无人机航迹规划方法 Download PDFInfo
- Publication number
- CN110806691A CN110806691A CN201810886902.8A CN201810886902A CN110806691A CN 110806691 A CN110806691 A CN 110806691A CN 201810886902 A CN201810886902 A CN 201810886902A CN 110806691 A CN110806691 A CN 110806691A
- Authority
- CN
- China
- Prior art keywords
- time domain
- aerial vehicle
- unmanned aerial
- module
- rolling time
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 claims description 26
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000013101 initial test Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 10
- 230000004888 barrier function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种带有自适应策略的滚动时域优化无人机航迹规划方法,通过引入滚动时域优化框架来缩减问题的规模,同时通过合理地选择时域,在节约成本的基础上减小计算时间,在滚动时域优化的框架可以自适应地计算下一次迭代的滚动时域,在满足时间要求的基础上减小成本。
Description
技术领域
本发明涉及的是一种无人机控制领域的技术,具体是一种带有自适应策略的滚动时域优化无人机航迹规划方法。
背景技术
路径规划是指基于特定的评价系统,寻找一条满足特定约束的从起始点到终止点的路径。路径规划可以广泛应用在机器人、无人机、水面舰艇等工具中。航迹规划是路径规划的一种,但由于航行器的自身特点和飞行环境的复杂性,其比路径规划要更为复杂。无人机航迹规划是指基于无人机的自身性能、任务时间、能源消耗、敌方信息、地形环境、气候条件等因素规划出一条或多条安全的飞行路线。
现有的无人机航迹规划问题通常被建模成混合整数线性规划问题,当变量数目增加时,计算时间会呈指数形式增长,因此,如何有效地约减或控制问题的规模就显得十分重要。
发明内容
本发明针对现有技术存在的上述不足,提出一种带有自适应策略的滚动时域优化无人机航迹规划方法,通过引入滚动时域优化框架来缩减问题的规模,同时通过合理地选择时域,在节约成本的基础上减小计算时间,在滚动时域优化的框架可以自适应地计算下一次迭代的滚动时域,在满足时间要求的基础上减小成本。
本发明是通过以下技术方案实现的:
本发明涉及一种带有自适应策略的滚动时域优化无人机航迹规划方法,包括以下步骤:
步骤一、根据无人机航迹规划问题的目标函数、系统方程、状态约束、控制约束、避障约束、始末段约束建立无人机航迹规划问题的线性最优控制模型,具体为:设定无人机的在第k步的状态变量为xk,在第k步的状态变量为uk,建立无人航迹规划问题的线性最优控制模型。
所述的无人航迹规划问题的线性最优控制模型具体为:
s.t.xi+1=Axi+Bui
xi∈X,i=1,...,N*
ui∈U,i=0,...,N*-1
x1=xini,u0=uini
u为控制输入,当前的时间步为k,当前时间步为i,末端时间步为N*,a,b,c为成本系数,xf为目标终点,A,B为常数矩阵用来描述系统方程,X是状态变量的可行域,U是控制输入的可行域,O为障碍物范围,xini,uini为当前时间步的初始条件。
步骤二、将线性最优控制模型中的状态变量和控制变量转化为参考预测形式,并将其引入滚动时域优化框架下,具体为:引入变量的参考预测形式:xk+i|k和uk+i|k,表示当前的时间步为k,滚动时域为i,时域内末端时间步为k+i,将上述形式引入到无人机航迹规划问题的线性最优控制模型中,形成无人机航迹规划问题的滚动时域优化模型。
所述的无人机航迹规划问题的滚动时域优化模型为:
xk+i|k∈X,i=1,...,N
uk+i|k∈U,i=0,...,N-1
xk|k=xk|ini,uk|k=uk|ini
变量,u为控制输入,当前的时间步为k,滚动时域为i,时域内末端时间步为k+i,时域大小为N,xk+i|k,xk+i+1|k和xk+N|k为参考预测形势下,第k个时域内,未来第i,i+1和N步的状态,同理uk+i|k为参考预测形势下,第k个时域内,未来第i步的控制输入,a,b,c为成本系数,xf为目标终点,A,B为常数矩阵用来描述系统方程,X是状态变量的可行域,U是控制输入的可行域,O为障碍物范围,xk|ini,uk|ini为当前时间步的初始条件。
步骤三、输入问题的初始条件,并将其赋值到步骤二中的无人机航规划规划问题的滚动时域优化模型中对应的变量上开始规划航迹;
所述的初试条件包括:无人机的起点位置x0、终点位置xf、无人机最大速度Vmax、最大加速度Amax、障碍物信息。
步骤四、根据自适应策略计算滚动时域,具体步骤包括:
4.1)计算当前覆盖距离dis(k)=||xk|k-xk+N|k||2,距离基数ρdis={dis(k)/dis}2;
4.2)统计当前区域内障碍物个数On(k),计算障碍物基数ρobs=On(k)/On;
4.3)计算滚动时域系数ωenv=ωdis·ρdis+ωobs·ρobs
4.4)计算时域N=ωN·ωenv·M*,其中:xk|k,xk+N|k分别为当前时域内起始步状态和末端步状态,On为问题中障碍物总个数,ωdis和ωobs为距离系数和障碍物系数,且ωdis,ωobs∈[0,1],ωdis+ωobs=1,ωN∈(0.5,1]为复杂度系数。
步骤五、根据滚动时域求解时域内的无人机航迹规划问题,当末端步状态为目标终点,则终止循环结合之前的计算输出所有航迹点,否则将更新一步序列,即当前时域内的第一步作为无人机的实际航迹,同时将其作为下一时域的起始点。
本发明涉及一种实现上述方法的系统,包括:建模模块、输入模块、解算模块以及输出模块,其中:输入模块与建模模块相连并传输输入信息,建模模块与解算模块相连并传输模型信息,解算模块与输出模块相连并传输求解信息,其中:对输入模块输入实际问题的各种条件和约束,输入模块将其规范化后传给建模模块,建模模块根据输入信息建立无人机航规划问题的滚动时域优化模型将其传给解算模块,解算模块根据模型信息根据步骤四中的自适应策略计算滚动时域,并求解问题的结果,将解算结果传给输出模块,输出模块将得到的解算信息规范化后输出。
技术效果
与现有技术相比,本发明利用了实时的环境信息,障碍物信息,已有路径信息自适应地解算滚动时域,不仅对已有信息进行有效利用,还合理地利用了预测信息,在大幅度缩减计算时间的基础上,减小了成本,防止问题陷入局部极小解。
附图说明
图1为本发明的实现流程示意图;
图2(a)为障碍物规模为6个时不同时域的航迹主视图;
图2(b)为障碍物规模为6个时不同时域的航迹俯视图;
图3(a)为障碍物规模为6个时滚动时域取5和8的航迹对比图;
图3(b)为障碍物规模为6个时自适应策略时域和滚动时域取8的航迹对比图;
图3(c)为障碍物规模为6个时自适应策略时域和滚动时域取10的航迹对比图;
图3(d)为障碍物规模为6个时自适应策略时域和滚动时域取11的航迹对比图;
图4为障碍物规模为6个时的仿真结果图;
图5(a)为障碍物规模为11个时不同时域的航迹主视图;
图5(b)为障碍物规模为11个时不同时域的航迹俯视图;
图6(a)为障碍物规模为11个时滚动时域取8和10的航迹对比图;
图6(b)为障碍物规模为11个时自适应策略时域和滚动时域取15的航迹对比图;
图6(c)为障碍物规模为11个时自适应策略时域和滚动时域取21的航迹对比图;
图6(d)为障碍物规模为11个时自适应策略时域和滚动时域取42的航迹对比图;
图7为障碍物规模为11个时的仿真结果图。
具体实施方式
如图1所示,为本实施例涉及的一种带有自适应策略的滚动时域优化无人机航迹规划方法。
本实施例考虑无人机在城市环境中进行航迹规划,不同尺寸大小的楼宇建模为长方体作为障碍物,具体实施两个尺寸大小不同,障碍物数目不同的地图环境场景,场景1地图尺寸大小为75×120×40m3,包含6个障碍物,始末点为x0=(65,-60,0)m,xf=(98,50,10)m,场景2地图尺寸大小为200×300×100m3,包含11个障碍物,始末点为x0=(0,0,0)m,xf=(200,300,50)m。
本实施例运行环境为:MATLAB2014a,CPU型号Intel Core i7,主频6.4GHz以及8GB内存。场景1设定初始速度和终端速度v0=vf=0(m/s),初始加速度和终端加速度a0=af=0(m/s2),目标函数系数a=c=1,b=0.01,距离系数ωdis=0.6,障碍物系数ωobs=0.4,复杂度系数ωN=0.88;场景2设定初始速度和终端速度v0=vf=0(m/s),a0=af=0(m/s2),初始加速度和终端加速度a=c=1,b=0.01,距离系数ωdis=0.6,障碍物系数ωobs=0.4,复杂度系数ωN=0.88。
本实施例具体流程如下:
上述操作中采用了不同的固定滚动时域与自适应策略生成的时域结果进行了对比,实验结果如表1和表2所示,实验生成的航迹对比图如图2-3,和图5-6所示。
表1场景1包含6个障碍物实验结果
N | 总时间 | 平均时间 | 成本 |
5 | 56.26 | 1.62 | 1499.49 |
8 | 40.45 | 2.31 | 987.23 |
10 | 29.2 | 3.48 | 882.28 |
14 | 16.04 | 5.58 | 865.57 |
自适应策略 | 15.95 | 1.97 | 843.55 |
19 | 8.55 | 8.55 | 843.55 |
表2场景2包含11个障碍物实验结果
N | 总时间 | 平均时间 | 成本 |
8 | 138.4 | 2.76 | 6127.46 |
10 | 208.65 | 4.06 | 5851.48 |
15 | 270.125 | 6.76 | 5691.56 |
21 | 248.29 | 10.67 | 5605.55 |
30 | 165.67 | 19.68 | 5601.2 |
自适应策略 | 141.39 | 3.81 | 5601.21 |
42 | 32.94 | 32.94 | 5536.79 |
如图2所示,为包含6个障碍物的场景1固定时域N=5,8,10,14,19和自适应策略时域的航迹的主视图和俯视图,图中所揭示出的技术信息为:自适应策略的航迹与不同固定时域的航迹对比,自适应策略的航迹和最优航迹明显优于其他时域的航迹。
如图3所示,为固定时域N=5与N=8,自适应策略与N=8,自适应策略与N=10,自适应策略与N=19的对比图,图中所揭示出的技术信息为:固定时域N=8的航迹优于固定时域N=5的航迹,自适应策略的航迹优于固定时域N=8的航迹,自适应策略的航迹优于固定时域N=10的航迹,自适应策略的航迹与固定时域N=19的航迹相差无几。
如图4所示,为包含6个障碍物的场景1实验结果的柱状图和折线图,图中所揭示出的技术信息为:采用不同固定时域和自适应策略下目标函数值和每一步的平均计算时间,之中N=5的每步平均计算时间最短,N=19和自适应策略的目标函数值最小,兼顾每步计算时间和目标函数的大小,自适应策略具有最大优势。
如图5所示,为包含11个障碍物的场景2固定时域N=8,10,15,21,30,42和自适应策略时域的航迹的主视图和俯视图,图中所揭示出的技术信息为:自适应策略的航迹与不同固定时域的航迹对比,自适应策略的航迹和最优航迹明显优于其他时域的航迹。
如图6所示,为固定时域N=8与N=10,自适应策略与N=15,自适应策略与N=21,自适应策略与N=42的对比图,图中所揭示出的技术信息为:固定时域N=10的航迹优于固定时域N=8的航迹,自适应策略的航迹优于固定时域N=15的航迹,自适应策略的航迹优于固定时域N=21的航迹,自适应策略的航迹与固定时域N=42的航迹相差无几。
如图7所示,为包含11个障碍物的场景2实验结果的柱状图和折线图,图中所揭示出的技术信息为:采用不同固定时域和自适应策略下目标函数值和每一步的平均计算时间,之中N=8的每步平均计算时间最短,N=42的目标函数值最小,兼顾每步计算时间和目标函数的大小,自适应策略具有最大优势。
从上述表格和图形的实验结果可以看出采用自适应策略时,当地图尺寸较小时,可以获得问题的最优成本同时极大地缩短计算时间;当地图尺寸较大时,问题的成本稍高于最优成本,但计算时间相对于固定时域具有极大优势,整体性能表现最好,满足了实时性的要求。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (5)
1.一种带有自适应策略的滚动时域优化无人机航迹规划方法,其特征在于,包括以下步骤:
步骤一、根据无人机航迹规划问题的目标函数、系统方程、状态约束、控制约束、避障约束、始末段约束建立无人机航迹规划问题的线性最优控制模型,具体为:设定无人机的在第k步的状态变量为xk,在第k步的状态变量为uk,建立无人航迹规划问题的线性最优控制模型;
步骤二、将线性最优控制模型中的状态变量和控制变量转化为参考预测形式,并将其引入滚动时域优化框架下,形成无人机航迹规划问题的滚动时域优化模型;
步骤三、输入问题的初始条件,并将其赋值到步骤二中的无人机航规划规划问题的滚动时域优化模型中对应的变量上开始规划航迹;
步骤四、根据自适应策略计算滚动时域;
步骤五、根据滚动时域求解时域内的无人机航迹规划问题,当末端步状态为目标终点,则终止循环结合之前的计算输出所有航迹点,否则将更新一步序列,即当前时域内的第一步作为无人机的实际航迹,同时将其作为下一时域的起始点;
所述的无人航迹规划问题的线性最优控制模型具体为:
s.t.xi+1=Axi+Bui
xi∈X,i=1,...,N*
ui∈U,i=0,...,N*-1
x1=xini,u0=uini
控制输入,当前的时间步为k,当前时间步为i,末端时间步为N*,a,b,c为成本系数,xf为目标终点,A,B为常数矩阵用来描述系统方程,X是状态变量的可行域,U是控制输入的可行域,O为障碍物范围,xini,uini为当前时间步的初始条件;
所述的无人机航迹规划问题的滚动时域优化模型为:
s.t.xk+i+1|k=Axk+i|k+Buk+i|k
xk+i|k∈X,i=1,...,N
uk+i|k∈U,i=0,...,N-1
xk|k=xk|ini,uk|k=uk|ini
为控制输入,当前的时间步为k,滚动时域为i,时域内末端时间步为k+i,时域大小为N,xk+i|k,xk+i+1|k和xk+N|k为参考预测形势下,第k个时域内,未来第i,i+1和N步的状态,同理uk+i|k为参考预测形势下,第k个时域内,未来第i步的控制输入,a,b,c为成本系数,xf为目标终点,A,B为常数矩阵用来描述系统方程,X是状态变量的可行域,U是控制输入的可行域,O为障碍物范围,xk|ini,uk|ini为当前时间步的初始条件。
2.根据权利要求1所述的方法,其特征是,所述的步骤二具体为:引入变量的参考预测形式:xk+i|k和uk+i|k,表示当前的时间步为k,滚动时域为i,时域内末端时间步为k+i,将上述形式引入到无人机航迹规划问题的线性最优控制模型中,形成无人机航迹规划问题的滚动时域优化模型。
3.根据权利要求1所述的方法,其特征是,所述的初试条件包括:无人机的起点位置x0、终点位置xf、无人机最大速度Vmax、最大加速度Amax、障碍物信息。
4.根据权利要求1所述的方法,其特征是,所述的计算滚动时域,具体步骤包括:
4.1)计算当前覆盖距离dis(k)=||xk|k-xk+N|k||2,距离基数ρdis={dis(k)/dis}2;
4.2)统计当前区域内障碍物个数On(k),计算障碍物基数ρobs=On(k)/On;
4.3)计算滚动时域系数ωenv=ωdis·ρdis+ωobs·ρobs;
4.4)计算时域N=ωN·ωenv·M*,其中:xk|k,xk+N|k分别为当前时域内起始步状态和末端步状态,On为问题中障碍物总个数,ωdis和ωobs为距离系数和障碍物系数,且ωdis,ωobs∈[0,1],ωdis+ωobs=1,ωN∈(0.5,1]为复杂度系数。
5.一种实现上述任一权利要求所述方法的系统,其特征在于,包括:建模模块、输入模块、解算模块以及输出模块,其中:输入模块与建模模块相连并传输输入信息,建模模块与解算模块相连并传输模型信息,解算模块与输出模块相连并传输求解信息,其中:对输入模块输入实际问题的各种条件和约束,输入模块将其规范化后传给建模模块,建模模块根据输入信息建立无人机航规划问题的滚动时域优化模型将其传给解算模块,解算模块根据模型信息根据步骤四中的自适应策略计算滚动时域,并求解问题的结果,将解算结果传给输出模块,输出模块将得到的解算信息规范化后输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810886902.8A CN110806691A (zh) | 2018-08-06 | 2018-08-06 | 带有自适应策略的滚动时域优化无人机航迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810886902.8A CN110806691A (zh) | 2018-08-06 | 2018-08-06 | 带有自适应策略的滚动时域优化无人机航迹规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110806691A true CN110806691A (zh) | 2020-02-18 |
Family
ID=69487313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810886902.8A Pending CN110806691A (zh) | 2018-08-06 | 2018-08-06 | 带有自适应策略的滚动时域优化无人机航迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110806691A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886788A (zh) * | 2015-12-11 | 2017-06-23 | 上海交通大学 | 基于多指标决策的单目标仿真航迹跟踪难度检测方法 |
WO2017125916A1 (en) * | 2016-01-19 | 2017-07-27 | Vision Cortex Ltd | Method and system for emulating modular agnostic control of commercial unmanned aerial vehicles (uavs) |
EP3270241A1 (en) * | 2016-07-11 | 2018-01-17 | General Electric Company | Model-based control system and method for tuning power production emissions |
CN108287472A (zh) * | 2017-12-20 | 2018-07-17 | 中国人民解放军海军大连舰艇学院 | 采用滚动时域框架的舰队防空决策与自动化调度系统与方法 |
CN108319132A (zh) * | 2018-01-11 | 2018-07-24 | 合肥工业大学 | 用于无人机空中对抗的决策系统及方法 |
-
2018
- 2018-08-06 CN CN201810886902.8A patent/CN110806691A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886788A (zh) * | 2015-12-11 | 2017-06-23 | 上海交通大学 | 基于多指标决策的单目标仿真航迹跟踪难度检测方法 |
WO2017125916A1 (en) * | 2016-01-19 | 2017-07-27 | Vision Cortex Ltd | Method and system for emulating modular agnostic control of commercial unmanned aerial vehicles (uavs) |
EP3270241A1 (en) * | 2016-07-11 | 2018-01-17 | General Electric Company | Model-based control system and method for tuning power production emissions |
CN108287472A (zh) * | 2017-12-20 | 2018-07-17 | 中国人民解放军海军大连舰艇学院 | 采用滚动时域框架的舰队防空决策与自动化调度系统与方法 |
CN108319132A (zh) * | 2018-01-11 | 2018-07-24 | 合肥工业大学 | 用于无人机空中对抗的决策系统及方法 |
Non-Patent Citations (1)
Title |
---|
ZHE ZHANG, JUN WANG, JIANXUN LI,XING WANG: "UAV Path Planning Based on Receding Horizon Control with Adaptive Strategy", 《2017 29TH CHINESE CONTROL AND DECISION CONFERENCE(CCDC)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549378B (zh) | 一种基于栅格地图的混合路径规划方法和系统 | |
Wang et al. | A multilayer path planner for a USV under complex marine environments | |
Eun et al. | Cooperative task assignment/path planning of multiple unmanned aerial vehicles using genetic algorithm | |
Lolla et al. | Time-optimal path planning in dynamic flows using level set equations: theory and schemes | |
WO2018176596A1 (zh) | 基于权重改进粒子群算法的无人自行车路径规划方法 | |
CN105700549A (zh) | 一种基于序列小生境粒子群算法的无人机多航迹规划方法 | |
CN104050390A (zh) | 一种基于可变维粒子群膜算法的移动机器人路径规划方法 | |
CN107883954B (zh) | 用于生成旨在供飞行器遵循的最佳飞行路径的方法和设备 | |
WO2009091431A1 (en) | Computing flight plans for uavs while routing around obstacles having spatial and temporal dimensions | |
CN110146087B (zh) | 一种基于动态规划思想的船舶路径规划方法 | |
Ding et al. | Trajectory replanning for quadrotors using kinodynamic search and elastic optimization | |
CN105806360A (zh) | 基于气象条件的导航辅助方法 | |
Dharmasiri et al. | Novel implementation of multiple automated ground vehicles traffic real time control algorithm for warehouse operations: djikstra approach | |
CN114791743A (zh) | 一种考虑通信时延的无人机集群协同航迹规划方法 | |
CN114967744A (zh) | 一种多无人机协同避障的规划方法 | |
Sànchez et al. | A darwinian swarm robotics strategy applied to underwater exploration | |
CN113139696B (zh) | 一种轨迹预测模型构建方法及轨迹预测方法、装置 | |
Ali et al. | Feature selection-based decision model for UAV path planning on rough terrains | |
Han et al. | Path regeneration decisions in a dynamic environment | |
CN110806690A (zh) | 无人机航迹规划的无损凸优化实现方法 | |
US11487301B2 (en) | Method and device for generating an optimum vertical trajectory intended to be followed by an aircraft | |
CN116880561A (zh) | 基于改进粒子群无人机路径规划安全增强的优化方法及系统 | |
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 | |
CN115061499B (zh) | 无人机控制方法及无人机控制装置 | |
CN110806691A (zh) | 带有自适应策略的滚动时域优化无人机航迹规划方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200218 |
|
RJ01 | Rejection of invention patent application after publication |