CN111273562A - 一种基于膜计算实现井下机器人路径优化方法 - Google Patents
一种基于膜计算实现井下机器人路径优化方法 Download PDFInfo
- Publication number
- CN111273562A CN111273562A CN202010043912.2A CN202010043912A CN111273562A CN 111273562 A CN111273562 A CN 111273562A CN 202010043912 A CN202010043912 A CN 202010043912A CN 111273562 A CN111273562 A CN 111273562A
- Authority
- CN
- China
- Prior art keywords
- robot
- membrane
- path
- calculation
- algorithm
- 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
- 239000012528 membrane Substances 0.000 title claims abstract description 77
- 238000004364 calculation method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 239000003245 coal Substances 0.000 claims abstract description 33
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 210000004027 cell Anatomy 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 10
- 238000005065 mining Methods 0.000 abstract description 8
- 238000002474 experimental method Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种基于膜计算实现井下机器人路径优化方法,路径优化方法包括如下步骤:煤矿井下机器人细胞型膜系统构建、构建膜控制器结构、膜算法设计、移动机器人仿真及实验结果分析。本发明机器人路径优化方法通过改变进化代数,机器人移动的速度误差相对较小,具备很好的收敛性,与传统的算法相比较,速度误差较小,膜算法在井下移动机器人速度解算上准确度更高;通过仿真及实验表明,所提膜算法具有快速收敛性和有效性,所设计的装置能够有效解决煤矿井下复杂环境下的巡检问题,以其高效的计算性能和快速的优化性能为煤矿未来精准开采提供了理论支撑和现实应用价值。
Description
技术领域
本发明涉及一种机器人路径优化方法,具体是一种基于膜计算实现井下机 器人路径优化方法。
背景技术
大数据和人工智能技术的快速发展,为煤炭精准开采打开新的局面。形成 智能、无人、安全高效的煤炭开采方法,是煤矿精准开采新形式,达到提升自 动化和智能化水平的同时做到无人下的煤炭安全高效精准开采的目标。利用通 信技术、智能控制技术,围绕煤矿井下复杂的环境,提高煤矿实时在线监测、 风险判识,解决传统灾害预警的不确定性问题,移动机器人是重要的载体。通 过机器人完成煤矿井下实时监控、巡检及搜救工作,让灾害精准预警判别更加 完善,深度融合煤矿智能精准开采的新趋势。然而,移动机器人由于自身的特 性,在煤矿井下复杂环境中,如何让移动机器人完成煤矿井下的巡检任务,进一步发挥移动机器人在煤矿井下应用价值具有重要研究意义。
发明内容
本发明的目的在于提供一种基于膜计算实现井下机器人路径优化方法,本 发明机器人路径优化方法通过膜计算引入到煤矿井下机器人的优化之中,提高 机器人在井下巡检工作效率和精度;通过改变进化代数,机器人移动的速度误 差相对较小,具备很好的收敛性,与传统的算法相比较,速度误差较小,膜算 法在井下移动机器人速度解算上准确度更高;通过仿真及实验表明,所提膜算 法具有快速收敛性和有效性,所设计的装置能够有效解决煤矿井下复杂环境下 的巡检问题,以其高效的计算性能和快速的优化性能为煤矿未来精准开采提供 了理论支撑和现实应用价值。
本发明的目的可以通过以下技术方案实现:
一种基于膜计算实现井下机器人路径优化方法,路径优化方法包括如下步 骤:
S1:煤矿井下机器人细胞型膜系统构建。
S1-1:细胞型膜系统中,规则在各自膜内运行,数据可以快速处理,结合 膜计算的并行、分布式特征,构建一个既相互独立有相互协作的数据处理膜系 统,采用细胞型膜系统对煤矿井下移动机器人建模原理及控制过程框架。
S1-2:构建机器人动力学模型。
S1-3:确定机器人的实时位置。
S2:构建膜控制器结构。
S3:膜算法设计
设定节点i和j之间的距离构成矩阵M,TSP就是求解一条通往所有节点且 每个节点经过一次的最短距离,算法以经过各个节点的顺序表述,路径长度为 目标函数,基于所有节点遍历下的约束条件进行种群初始化、交叉、和变异操 作。
S4:移动机器人仿真及实验结果分析
设定用密闭走廊代替煤矿井下巷道,设计了一个针对五个假想障碍物的仿 真环境,该环境中移动机器人的起点和目标点的位置是已知的,根据前期建立 的数学模型,对障碍点进行坐标变换,改进蚁群算法的参数初始化初始化为:M =20,最大迭代次数N=100;利用蚁群膜算法(ACMO)对所建立的可视环境模型进 行路径规划的仿真,为进一步验证构建的细胞型膜系统下的膜算法,取20个节 点标记,依据所设计的膜控制结构和算法,通过改变进化代数。
进一步的,所述S1-2,将机器人设定在二位平面内,其运动轨迹的描述即 路径。由平面坐标(x,y)及方位角θ组成,向量表示为(x,y,θ)T,路径和参与计 算的环境共同构成机器人运动状态Xi。
进一步的,所述机器人初始路径设定为xt-1=(x,y,θ)T,后继路径xt=(x′,y′,θ′)T,控制ut=(v,w)T,控制以Δt时间执行,由于运动模型误差参数噪声的干扰,真实 速度与测量速度是不同的,因此模型须考虑控制噪声,当Δt→0时,确定机器 人的模型为:
由公式(1)和(2)可得到移动机器人的最终模型为:
进一步的,所述S2,膜控制器开始执行的每个周期都接收机器人数据(x,y,θ)T,位置更新输出数据(x′,y′,θ′)T。根据膜计算的分布并行特征,建立度为m的如下膜 系统。
MembraneC=(m,μ,H,(vari,prii,vari(initial)),x,u) (4)。
进一步的,所述m代表膜的度,m={xij,yij,θij,Err:i,j∈[1,2]}。
进一步的,所述机器人路径优化步骤如下:
第一步:种群初始化
采用节点访问序列进行排列组合,路径染色体个体作为路径访问序列。序 列规则编码从1-n,即个体长度为n。
第2步:路径函数计算
取节点距离之和为适应度函数,进一步评价结果的优劣,将矩阵M中每一 行设为距离的最后一个元素的路径长度,即节点i和j之间的距离表示为:
通过样本的路径长度可进一步得到目标函数:
自适应度函数为目标函数的导数:
第3步:选择算子计算
按照种群适应度评价,从种群中选择优胜个体,利用种群中适应度大的个 体替换适应度小的。
第4步:交叉算子计算
将个体进行配对,以一定概率p将配对中的个体替换重新组成新的个体。
第5步:变异算子计算
以变异概率p对种群中的个体值作变动,如果变异后新的适应度值优越, 则保留新个体,否则,保留原个体。
本发明的有益效果:
1、本发明机器人路径优化方法通过膜计算引入到煤矿井下机器人的优化 之中,提高机器人在井下巡检工作效率和精度;
2、本发明通过改变进化代数,机器人移动的速度误差相对较小,具备很好 的收敛性,与传统的算法相比较,速度误差较小,膜算法在井下移动机器人速 度解算上准确度更高;
3、本发明通过仿真及实验表明,所提膜算法具有快速收敛性和有效性,所 设计的装置能够有效解决煤矿井下复杂环境下的巡检问题,以其高效的计算性 能和快速的优化性能为煤矿未来精准开采提供了理论支撑和现实应用价值。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明移动机器人路径优化控制系统框架示意图;
图2是本发明细胞型膜控制器设计结构示意图;
图3是本发明膜算法执行流程图;
图4是本发明移动机器人位姿表示示意图;
图5是本发明蚁群算法与ACMO路径优化算法的比较示意图;
图6是本发明20个障碍节点的优化示意图;
图7是本发明基于细胞型膜计算的机器人结构示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是 全部的实施例。
一种基于膜计算实现井下机器人路径优化方法,包括如下步骤:
S1:煤矿井下机器人细胞型膜系统构建
S1-1:细胞型膜系统中,规则在各自膜内运行,数据可以快速处理,结合 膜计算的并行、分布式特征,构建一个既相互独立有相互协作的数据处理膜系 统。采用细胞型膜系统对煤矿井下移动机器人建模原理及控制过程框架,如图1 所示。
S1-2:构建机器人动力学模型,由于煤矿井下环境的复杂性,将机器人设定 在二位平面内,其运动轨迹的描述即路径。如图4所示。由平面坐标(x,y)及 方位角θ组成,向量表示为(x,y,θ)T.路径和参与计算的环境共同构成机器人运动 状态Xi。
设定初始路径xt-1=(x,y,θ)T,后继路径xt=(x′,y′,θ′)T,控制ut=(v,w)T,其中v是 机器人平移速度,ω是角速度,控制以Δt时间执行。由于运动模型误差参数噪声 的干扰,真实速度与测量速度是不同的,因此模型须考虑控制噪声,当Δt较小 时,可确定机器人的模型为:
由公式(1)和(2)可得到移动机器人的最终模型为:
S1-3:确定机器人的实时位置,膜控制器开始执行的每个周期都接收机器 人数据(x,y,θ)T,位置更新输出数据(x′,y′,θ′)T。根据膜计算的分布并行特征,建立 度为m的如下膜系统。
MembraneC=(m,μ,H,(vari,prii,vari(initial)),x,u) (4)
其中:①m={xij,yij,θij,Err:i,j∈[1,2]};m代表膜的度。
②μ=[[]2···[]8]1,机器人细胞型膜系统膜结构。
③H代表膜的标记。
④vari代表膜i区域内的变量,vari(initial)为初始值。
⑤prii为膜i内的规则集。
⑥x为MembraneC的输入变量。
⑦u表示膜内变量计算的输出值。
S2:构建膜控制器结构
根据上述定义细胞型膜系统,适应煤矿井下移动机器人路径动态性变化的 P-lingua文件,文件框架如下所示。
S3:膜算法设计
设定节点i和j之间的距离构成矩阵M,TSP就是求解一条通往所有节点且 每个节点经过一次的最短距离,算法以经过各个节点的顺序表述,路径长度为 目标函数。基于所有节点遍历下的约束条件进行种群初始化、交叉、和变异操 作。具体路径优化步骤如下:
第一步:种群初始化
采用节点访问序列进行排列组合,路径染色体个体作为路径访问序列。序 列规则编码从1-n,即个体长度为n。
第2步:路径函数计算
取节点距离之和为适应度函数,进一步评价结果的优劣,将矩阵M中每一 行设为距离的最后一个元素的路径长度,即节点i和j之间的距离表示为:
通过样本的路径长度可进一步得到目标函数:
自适应度函数为目标函数的导数:
第3步:选择算子计算
按照种群适应度评价,从种群中选择优胜个体,利用种群中适应度大的个 体替换适应度小的。
第4步:交叉算子计算
将个体进行配对,以一定概率p将配对中的个体替换重新组成新的个体。
第5步:变异算子计算
以变异概率p对种群中的个体值作变动,如果变异后新的适应度值优越, 则保留新个体,否则,保留原个体。
膜算法执行过程如图3所示。
S4:移动机器人仿真及实验结果分析
一种基于膜计算实现井下移动机器人,移动机器人装置由底盘1、装置电源 2、AI计算机3、传感器4、惯性测量单元5、激光雷达6和双面深度相机7组 成,如图7所示,双面深度相机7位于机器人最顶端,激光雷达6、惯性测量单 元5及传感器4并列位于机器人前调节杆上,AI计算机3位于机器人中间位置, 装置电源2安装在底盘1上端,其中电源装置2、传感器4、惯性测量单元5激 光雷达6和双面深度相机7均与AI计算机3通过电性连接;
装置电源2起到供电的同时也具有配重作用,可进一步保障机器人行驶过 程中物理层面的稳定性;
底盘1优选采用履带式;
电源装置2包括装置电源及备用电源,其特性符合井下防爆标准;
AI计算机3,该模块在整个装置中占核心地位,巡检任务过程中产生的所 以数据都经过该计算机根据前述构建的膜计算模型及算法进行运算处理,根据 运算结果控制机器人自身及双面深度相机7的姿态变化,并未机器人巡检过程 中路径规划提供精准保障;
传感器4包括瓦斯浓度测量传感器和CO浓度测量传感器,测量值采集后实 时回传AI计算机3进行阈值研判,做到实时全工程一氧化碳瓦斯监测;
惯性测量单元5,具备动态补偿、正交补偿特性,RS485接口,具备井下防 爆特征,姿态角误差范围小于等于1o,陀螺仪量程500o/sec,噪声密度小于 0.005o;
激光雷达6,型号为:RPLIDARA2M8,尺寸(长:宽:高)8cm:8cm:5cm。 测量半径12米,频率8000次/秒,360o扫描测距,可通过PWM信号控制扫描 频率,用于后续煤矿井下3D环境构建及机器人自身定位。
双面深度相机7,型号:Intel RealSense D435i,尺寸(长:宽:高) 9cm:2.5cm:2.5cm具备深度传感器4模组,和IMU单元,结合视觉数据可实现 6DoF追踪功能。
使用时,双面深度相机7的支架具备全自由度自动调节,巡检过程中可针 对发现的问题完成精准拍摄,图像传回AI计算机3进行图像处理后可实时传回 地面站,并根据计算机处理结果执行预定操作,同时可与激光雷达6(位于深度 相机下方)融合,进一步满足煤矿井下复杂环境下后续路径优化工作;
进一步,电源装置2、传感器4、惯性测量单元5激光雷达6和双面深度相 机7均由AI计算机3完成控制,之间以有线通讯方式进行,保障通信效率的同 时又提高装置的整体计算性能。
设定用密闭走廊代替煤矿井下巷道,设计了一个针对五个假想障碍物的仿 真环境,该环境中移动机器人的起点和目标点的位置是已知的。根据前期建立 的数学模型,对障碍点进行坐标变换。改进蚁群算法的参数初始化初始化为:M =20,最大迭代次数N=100;利用蚁群膜算法(ACMO)对所建立的可视环境模型进 行路径规划的仿真结果如表1和图5所示。为进一步验证构建的细胞型膜系统 下的膜算法,取20个节点标记。依据所设计的膜控制结构和算法,通过改变进 化代数,得到的实验结果如图6所示。机器人移动的速度误差相对较小,具备 很好的收敛性,与传统的算法相比较,速度误差较小,膜算法在井下移动机器 人速度解算上准确度更高。
表1蚁群算法与ACMO路径优化比较
Numberofobstacles | 5 |
iterationtimes(ACO) | 77 |
iterationtimes(ACMO) | 56 |
pathlength | 76.3 |
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业 的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中 描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明 还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (7)
1.一种基于膜计算实现井下机器人路径优化方法,其特征在于,路径优化方法包括如下步骤:
S1:煤矿井下机器人细胞型膜系统构建;
S1-1:细胞型膜系统中,规则在各自膜内运行,数据可以快速处理,结合膜计算的并行、分布式特征,构建一个相互独立且相互协作的数据处理膜系统,采用细胞型膜系统对煤矿井下移动机器人建模原理及控制过程框架;
S1-2:构建机器人动力学模型;
S1-3:确定机器人的实时位置;
S2:构建膜控制器结构;
S3:膜算法设计
设定节点i和j之间的距离构成矩阵M,TSP为求解一条通往所有节点且每个节点经过一次的最短距离,算法以经过各个节点的顺序表述,路径长度为目标函数,基于所有节点遍历下的约束条件进行种群初始化、交叉、和变异操作;
S4:移动机器人仿真及实验结果分析
设定用密闭走廊代替煤矿井下巷道,设计了一个针对五个假想障碍物的仿真环境,该环境中移动机器人的起点和目标点的位置是已知的,根据前期建立的数学模型,对障碍点进行坐标变换,改进蚁群算法的参数初始化初始化为:M=20,最大迭代次数N=100;利用蚁群膜算法对所建立的可视环境模型进行路径规划的仿真,为进一步验证构建的细胞型膜系统下的膜算法,取20个节点标记,依据所设计的膜控制结构和算法,通过改变进化代数。
2.根据权利要求1所述的一种基于膜计算实现井下机器人路径优化方法,其特征在于,所述S1-2,将机器人设定在二位平面内,其运动轨迹的描述即路径。由平面坐标(x,y)及方位角θ组成,向量表示为(x,y,θ)T,路径和参与计算的环境共同构成机器人运动状态Xi。
5.根据权利要求1所述的一种基于膜计算实现井下机器人路径优化方法,其特征在于,所述S2,膜控制器开始执行的每个周期都接收机器人数据(x,y,θ)T,位置更新输出数据(x′,y′,θ′)T。根据膜计算的分布并行特征,建立度为m的如下膜系统;
MembraneC=(m,μ,H,(vari,prii,vari(initial)),x,u) (4)。
6.根据权利要求5所述的一种基于膜计算实现井下机器人路径优化方法,其特征在于,所述m代表膜的度,m={xij,yij,θij,Err:i,j∈[1,2]}。
7.根据权利要求1所述的一种基于膜计算实现井下机器人路径优化方法,其特征在于,所述机器人路径优化步骤如下:
第一步:种群初始化
采用节点访问序列进行排列组合,路径染色体个体作为路径访问序列。序列规则编码从1-n,即个体长度为n;
第2步:路径函数计算
取节点距离之和为适应度函数,进一步评价结果的优劣,将矩阵M中每一行设为距离的最后一个元素的路径长度,即节点i和j之间的距离表示为:
通过样本的路径长度可进一步得到目标函数:
自适应度函数为目标函数的导数:
第3步:选择算子计算
按照种群适应度评价,从种群中选择优胜个体;
第4步:交叉算子计算
将个体进行配对,以一定概率p将配对中的个体替换重新组成新的个体;
第5步:变异算子计算
以变异概率p对种群中的个体值作变动,如果变异后新的适应度值优越,则保留新个体,否则,保留原个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010043912.2A CN111273562A (zh) | 2020-01-15 | 2020-01-15 | 一种基于膜计算实现井下机器人路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010043912.2A CN111273562A (zh) | 2020-01-15 | 2020-01-15 | 一种基于膜计算实现井下机器人路径优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111273562A true CN111273562A (zh) | 2020-06-12 |
Family
ID=71001631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010043912.2A Pending CN111273562A (zh) | 2020-01-15 | 2020-01-15 | 一种基于膜计算实现井下机器人路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111273562A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111556549A (zh) * | 2020-06-21 | 2020-08-18 | 安徽理工大学 | 一种融合膜计算和蚁群算法的配电网WSNs路由方法 |
CN112379688A (zh) * | 2020-10-26 | 2021-02-19 | 武汉科技大学 | 一种基于膜计算的多机器人有限时间同步控制方法 |
CN113792794A (zh) * | 2021-09-15 | 2021-12-14 | 安徽理工大学 | 一种基于膜算法的特征选择方法 |
CN114089699A (zh) * | 2021-10-29 | 2022-02-25 | 成都博智云创科技有限公司 | 一种基于细胞型膜计算模型求解混合流水车间调度的方法 |
-
2020
- 2020-01-15 CN CN202010043912.2A patent/CN111273562A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111556549A (zh) * | 2020-06-21 | 2020-08-18 | 安徽理工大学 | 一种融合膜计算和蚁群算法的配电网WSNs路由方法 |
CN112379688A (zh) * | 2020-10-26 | 2021-02-19 | 武汉科技大学 | 一种基于膜计算的多机器人有限时间同步控制方法 |
CN112379688B (zh) * | 2020-10-26 | 2022-05-17 | 武汉科技大学 | 一种基于膜计算的多机器人有限时间同步控制方法 |
CN113792794A (zh) * | 2021-09-15 | 2021-12-14 | 安徽理工大学 | 一种基于膜算法的特征选择方法 |
CN113792794B (zh) * | 2021-09-15 | 2024-05-10 | 安徽理工大学 | 一种基于膜算法的特征选择方法 |
CN114089699A (zh) * | 2021-10-29 | 2022-02-25 | 成都博智云创科技有限公司 | 一种基于细胞型膜计算模型求解混合流水车间调度的方法 |
CN114089699B (zh) * | 2021-10-29 | 2024-05-28 | 成都博智云创科技有限公司 | 一种基于细胞型膜计算模型求解混合流水车间调度的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111273562A (zh) | 一种基于膜计算实现井下机器人路径优化方法 | |
WO2017028653A1 (zh) | 一种移动机器人室内自建地图的方法和系统 | |
Faria et al. | Applying frontier cells based exploration and Lazy Theta* path planning over single grid-based world representation for autonomous inspection of large 3D structures with an UAS | |
Wang et al. | A survey of underwater search for multi-target using Multi-AUV: Task allocation, path planning, and formation control | |
CN106647771A (zh) | 多移动机器人的最小步编队方法 | |
Zhao et al. | A path planning method based on multi-objective cauchy mutation cat swarm optimization algorithm for navigation system of intelligent patrol car | |
Delgado et al. | Robotics in construction: A critical review of the reinforcement learning and imitation learning paradigms | |
Fung et al. | Coordinating multi-robot systems through environment partitioning for adaptive informative sampling | |
CN109799829B (zh) | 一种基于自组织映射的机器人群体协同主动感知方法 | |
CN113128109A (zh) | 一种面向智能化综采机器人生产系统的测试与评估方法 | |
CN109828578A (zh) | 一种基于YOLOv3的仪表巡检机器人最优路线规划方法 | |
CN114859375A (zh) | 基于多机器人协作的自主探索建图系统及探索建图方法 | |
US20220019939A1 (en) | Method and system for predicting motion-outcome data of a robot moving between a given pair of robotic locations | |
CN110989350B (zh) | 一种基于膜计算实现井下移动机器人位姿优化方法及装置 | |
CN112857370A (zh) | 一种基于时序信息建模的机器人无地图导航方法 | |
Tian | Research on robot optimal path planning method based on improved ant colony algorithm | |
KR20240052808A (ko) | 그래프 신경망을 이용한 다중 로봇 조정 | |
NL2025034B1 (en) | Method for realizing underground robot path optimization based on membrane calculation | |
Zheng et al. | A hierarchical approach for mobile robot exploration in pedestrian crowd | |
CN114755373A (zh) | 一种基于多机器人编队的空气污染源预警定位方法 | |
Liu et al. | Intelligent robot motion trajectory planning based on machine vision | |
Bai et al. | Research of environmental modeling method of coal mine rescue snake robot based on information fusion | |
Wu et al. | Multi-objective reinforcement learning for autonomous drone navigation in urban areas with wind zones | |
Chen et al. | Velocity index and wading height based design method of trajectory parameters for a coupled parallelogram legged walking robot | |
Gao et al. | A novel local path planning method considering both robot posture and path smoothness |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200612 |
|
WD01 | Invention patent application deemed withdrawn after publication |