CN111273670B - 一种针对快速移动障碍物的无人艇避碰方法 - Google Patents
一种针对快速移动障碍物的无人艇避碰方法 Download PDFInfo
- Publication number
- CN111273670B CN111273670B CN202010139595.4A CN202010139595A CN111273670B CN 111273670 B CN111273670 B CN 111273670B CN 202010139595 A CN202010139595 A CN 202010139595A CN 111273670 B CN111273670 B CN 111273670B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- unmanned ship
- unmanned
- ship
- range
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000002265 prevention Effects 0.000 title claims abstract description 5
- 238000013459 approach Methods 0.000 claims abstract description 20
- 230000002787 reinforcement Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 230000005284 excitation Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
本发明公开了一种针对快速移动障碍物的无人艇避碰方法,包括以下步骤:获取障碍物的位置信息、几何形状信息以及无人艇的位置信息,规划无人艇能够躲避障碍物的安全避让行驶范围;根据无人艇的位置判断障碍物是否进入安全避让行驶范围内,如果障碍物进入该范围内,则根据深度强化学习法DQN进行避障,躲避快速移动的动态障碍物以及安全通过船舶通行口;如果障碍物不在该范围内,则根据人工势场法接近目标地,当安全达到最终目标地则结束。该方法利用人工势场法中的引力保证无人艇可以接近目标地,并引入DQN深度强化学习代替人工势场法中的斥力来躲避障碍物,避免现有技术中容易陷入局部最优的问题。
Description
技术领域
本发明涉及无人艇避障领域,尤其涉及一种DQN与人工势场法结合的快速躲避动态障碍物的水上无人艇避障算法。
背景技术
水上无人艇(USV)是一种无人操作的水面舰艇,主要用于执行危险以及不适于有人船只执行的任务。民用主要集中在石油行业、天然气行业、大学和实验室等研究领域,用于海岸测量测绘、海安环境监测、海洋气象预报、海洋生物研究、通信中继,海洋资源勘探与开发、领海监视等。在军事领域的运用集中在未来的战争中实现侦察、监视、探测、情报收集、阵地防护、武装打击、执行特殊任务等,是实现在战争中零伤亡的必要方式。军事专家们始终相信无人艇这个海上新概念,将会在未来的战争中协同无人飞行器、无人潜航器和无人车辆等,共同构筑成一个完整的无人化战场。
无人艇如果要实现上述的功能就必须要在目标海域正常安全的航行,能对出现的障碍物进行主动避让,这种避障属于路径规划领域,可以分为全局路径规划和局部路径规划。全局路径规划根据已知的环境信息规划出一条安全并且经济的路线,但实时性不好,当环境改变,如出现未知障碍物时,无人艇就不能及时做出反应。局部路径规划则偏向于无人艇当前的局部环境信息,利用这些信息,无人艇可以避开未知的障碍物。无人艇通过船载传感器探测当前的局部环境信息,获得障碍物的位置以及形状等信息,再运用避障算法对障碍物做出反应。对于未知动态障碍物的躲避是比较困难的,目前有一些可以实现的局部路径规划算法,比如人工势场法,动态窗口法,遗传算法和模糊逻辑算法等等。主要考虑人工势场法,其基本思想是将无人艇抽象成在一个人造引力场里运动,目标点提供“引力”,障碍物提供“斥力”,最后通过计算合力来决定无人艇的运动。这种算法的优点是规划出的路径比较平滑且安全,但这种方法存在局部最优的问题,比如在船舶通行口或者桥梁通航孔这种两边是障碍物的情况就会陷入局部最优,无法到达目标点。并且这种方法对障碍物的躲避是全局性的,在无人艇开始行驶时就已经开始了避障行为,对于现实情况中突然出现的快速移动障碍物就不具备避障能力了。
发明内容
根据现有技术存在的问题,本发明公开了一种针对快速移动障碍物的无人艇避碰方法,具体包括如下步骤:
获取障碍物的位置信息、几何形状信息以及无人艇的位置信息,规划无人艇能够躲避障碍物的安全避让行驶范围;
根据无人艇的位置判断障碍物是否进入安全避让行驶范围内,如果障碍物进入该范围内,则根据深度强化学习法DQN进行避障、从而躲避快速移动的动态障碍物以及安全通过船舶通行口;
如果障碍物不在该范围内,则根据人工势场法接近目标地,再判断无人艇是否到达临时目标地若到达临时目标地则根据人工势场法接近最终目标地,当安全达到最终目标地则结束。
进一步的,以障碍物的中心位置再加上障碍物的最大半径得到障碍物的圆形范围,根据无人艇的几何信息得到无人艇的圆形范围,将无人艇的圆形范围和障碍物的圆形范围相加得到无人艇安全躲避障碍物的距离,将该距离定义为安全避让行驶范围。
进一步的,根据深度强化学习法DQN进行避障时首先对神经网络进行训练:设定状态s包括无人艇当前时刻的位置信息、无人艇与未知动态障碍物的距离sa和无人艇距离目标点的距离so,动作a包括:向前、左舵、左满舵、右舵和右满舵信息,将状态s反复输入至神经网络中进行训练输出动作a,采用如下激励函数对神经网络的反馈奖励r进行优化:
其中r′为无人艇到达目标点或者与障碍物相撞后得到的激励,该激励函数表示当无人艇靠近障碍物时给予负激励、当无人艇远离障碍物时给予正激励。
进一步的,采用人工势场法接近目标地时只采用引力驱动无人艇不断接近目标点,计算引力的公式如下:
其中P是引力,dG是无人艇当前位置到目标点的距离,PS是引力系数,mP为预设的最小引力,aG是当前无人艇的朝向角度,计算转向角的公式如下:
St=arctan(Sp*sin(D)+P[0],Sp*cos(D)+P[1])-D
其中St为转向角,Sp为无人艇当前的速度,D为无人艇当前的角度,P[0]为上述计算出的引力水平分量,P[1]为垂直分量。最后通过加减360度将角度限制在正负180度之间。
由于采用了上述技术方案,本发明提供了一种针对快速移动障碍物的无人艇避碰方法,该方法利用人工势场法中的引力保证无人艇可以接近目标地,并引入DQN深度强化学习代替人工势场法中的斥力来躲避障碍物,避免现有技术中容易陷入局部最优的问题。同时本方法引入的DQN的学习过程是根据人的先验性行为进行的,相比较于传统方法中躲避障碍物的方式,其产生的避障行为更接近人的判断,采用本发明公开的方法可以对出现的未知动态障碍物迅速做出躲避反应,可以实现更好的避障效果。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明整体方法的流程图;
图2是DQN结构图;
图3是DQN算法流程图;
图4(a)是运用本发明算法躲避快速移动障碍物仿真图;
图4(b)是运用本发明算法躲避快速移动障碍物仿真图;
图4(c)是运用本发明算法躲避快速移动障碍物仿真图;
图4(d)是运用本发明算法躲避快速移动障碍物仿真图;
图4(e)是运用本发明算法躲避快速移动障碍物仿真图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面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的描述:
如图1所示的一种针对快速移动障碍物的无人艇避碰方法,包括如下步骤:
S1:从环境中获取障碍物的地理位置信息、无人艇的地理位置信息,采用传感器获取障碍物的位置信息以及几何形状信息,采用GPS或北斗定位方式获取无人艇的地理位置信息。其中以障碍物的中心位置再加上障碍物的最大半径,能够得到一个障碍物的圆形范围,根据无人艇的几何信息可以得到一个无人艇的圆形范围。
S2:以障碍物的中心位置再加上障碍物的最大半径能够得到一个障碍物的圆形范围,根据无人艇的几何信息可以得到一个无人艇的圆形范围。将两个圆形范围的半径做相加处理,就得到无人艇可以安全躲避障碍物的距离,然后把无人艇和障碍物作为一个点来处理,就认为上述的距离为安全避让行驶范围。若障碍物进入到这个范围,则进入S3;若没有进入这个范围,则进入S4。再根据无人艇的位置判断障碍物是否进入这个范围内,若障碍物进入这个范围,则根据DQN进行避障;若没有进入这个范围,则根据人工势场法接近目标。
S3:采用DQN深度强化学习进行避障,DQN是一种融合了神经网络和Qlearning的方法,根据机器学习的功能,经过一定次数的训练,使无人艇能够拥有躲避障碍物的能力,并在未知障碍物出现时对其进行躲避。
S4:采用人工势场法接近临时目标地,这里用到的人工势场法只采用引力概念,这样就避免了局部最优解的出现,这里的临时目标是为了使路线更平滑安全而设立的目标点。通过人工势场法中引力的作用,无人艇会接近这个临时目标点。
S5:判断无人艇是否到达临时目标地,通过无人艇的位置信息,可以知道无人艇是否已经安全到达临时目标地,如果无人艇与障碍物发生碰撞,则回到初始状态重新开始,如果无人挺顺利到达临时目标,则进入S6;
S6:这里与S4基本相同,只是目标变为最终目标地;
S7:判断无人艇是否到达最终目标。
进一步的,DQN深度强化学习进行避障。DQN是一种融合了神经网络和Qlearning的方法。其中神经网络的结构是,将状态s当成DQN的输入,然后经过神经网络的分析后得到动作a。而整个DQN的结构则如图2所示,是将状态s和进行下一步后获得的反馈奖励r作为输入,动作a作为输出的。状态s包括:无人艇当前时刻的位置信息,无人艇与未知动态障碍物的距离sa和无人艇距离目标点的距离so;动作a包括:向前,左舵,左满舵,右舵,右满舵;反馈奖励r是通过激励函数得到的。激励函数是这一部分最为关键的部分,可以间接的指定要解决的任务目标。本发明设计的激励函数如下:
其中r′为无人艇到达目标点或者与障碍物相撞后得到的激励。这个激励函数所表示的意义是当无人艇靠近障碍物时给予负激励,当无人艇远离障碍物时给予正激励。
需要神经网络输出可以躲避障碍物的动作a,那么就需要对整个神经网络进行训练,进而更新优化参数。每个动作a和状态s对应一个Q(s,a)值。对此,建立两个结构相同但参数不同的神经网络,预测Q估计的神经网络具备最新的参数,而预测Q现实的神经网络使用的参数则是很久以前的。这里提到的Q估计和Q现实就是用来更新神经网络参数的。
DQN会建立一个记忆库,它是一个10维的数组,包含当前状态s,动作a,下一时刻状态s′,激励反馈奖励r。这个记忆库用于学习之前的经历,所以每次DQN更新的时候,都可以随机抽取1000条之前的经历进行学习。假设预测s2状态下不同动作的Q值,通过新的神经网络预测出Q(s2,a1)和Q(s2,a2)的值,这就是Q估计,然后选取Q估计中最大值的动作来换取环境中的奖励r。而Q现实中也包含从神经网络分析出来的两个Q值,不过这个Q值是针对于下一步在s′的估计,计算Q现实的公式如下:
tq=b_r+γ*q_next
其中tq为Q现实,b_r为从环境获得的激励奖励,γ值的高低决定网络更加注重未来还是眼前,其值越高则越注重未来,q_next是根据老神经网络计算来的Q值。
神经网络的参数更新就是老的神经网络参数加学习率alpha乘以Q现实和Q估计的差距,公式如下:
新NN=老NN+a(Q现实-Q估计)
具体DQN的流程图见图3,其中上述提到的老神经网络就是目标值网络,新神经网络就是当前值网络,每隔20步将当前值网络的参数更新给目标值网络。上述提到的记忆库就是回放记忆单元,存入记忆单元的10维数组为(s,a,s′,r),其中s和s′是4维的,包括当前无人艇位置的横纵坐标值,无人艇与未知动态障碍物的距离sa和无人艇距离目标点的距离so。每次学习过程中,将从回放记忆单元中取出1000条(s,a,s′,r)这样的数组进行学习,通过上述的过程更新神经网络参数。当前值函数输出的公式:
argmaxaQ(s,a)
其中argmaxa的功能是只返回后面数组中最大值的索引,这个索引就是这个状态下最优的动作a。目标值函数输出的公式:
maxa′Q(s′,a′)
其中maxa′的功能是返回后面数组中最大值的索引以及最大值。图3中的DQN误差函数就是上述更新神经网络参数时用到的公式。
人工势场法接近目标,这里只用到人工势场法中的引力来驱动无人艇不断接近目标点,计算引力的公式如下:
其中P是引力,dG是无人艇当前位置到目标点的距离,PS是引力系数,mP为预设的最小引力,aG是当前无人艇的朝向角度。计算转向角的公式如下:
St=arctan(Sp*sin(D)+P[o],Sp*cos(D)+P[1])-D
其中St为转向角,Sp为无人艇当前的速度,D为无人艇当前的角度,P[0]为上述计算出的引力水平分量,P[1]为垂直分量。最后通过加减360度将角度限制在正负180度之间。
判断无人艇是否到达目标。计算无人艇距离目标点的距离公式如下:
其中goal[0]为目标点的横坐标,goal[1]为目标点的纵坐标。预设一个距离范围dT,判断当dG小于dT时则认为无人艇到达了目标点。
如图4所示,是训练了1000次后的仿真结果。将临时目标点设置在两个障碍物中间,比如船舶通行口或者桥梁通航孔这样的情况,可以使无人艇平滑且安全的通过,避免单独使用人工势场法而出现的局部最优的情况。
图4(a)所示为无人艇,障碍物以及目标点的初始位置。图4(b)为无人艇未行驶到障碍物范围内所行驶的轨迹。图4(c)为无人艇行驶到障碍物范围内并开始避障的轨迹。图4(d)为无人艇到达临时目标点的轨迹。图4(e)为无人艇到达最终目标点的轨迹。其中红色三角形为无人艇,黑色方形为快速移动的障碍物,黑色矩形为静态障碍物,模拟船舶通行口或者桥梁通航孔,黄色圆形为目标,虚线为无人艇的行驶轨迹。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (2)
1.一种针对快速移动障碍物的无人艇避碰方法,其特征在于包括以下步骤:
获取障碍物的位置信息、几何形状信息以及无人艇的位置信息,规划无人艇能够躲避障碍物的安全避让行驶范围;
根据无人艇的位置判断障碍物是否进入安全避让行驶范围内,如果障碍物进入该范围内,则根据深度强化学习法DQN进行避障、从而躲避快速移动的动态障碍物以及安全通过船舶通行口;
如果障碍物不在该范围内,则根据人工势场法接近目标地,再判断无人艇是否到达临时目标地,若到达临时目标地则根据人工势场法接近最终目标地,当安全达到最终目标地则结束;
根据深度强化学习法DQN进行避障时首先对神经网络进行训练:
设定状态s包括无人艇当前时刻的位置信息、无人艇与未知动态障碍物的距离sa和无人艇距离目标点的距离so,动作a包括:向前、左舵、左满舵、右舵和右满舵信息,将状态s反复输入至神经网络中进行训练输出动作a,采用如下激励函数对神经网络的反馈奖励r进行优化:
其中r′为无人艇到达目标点或者与障碍物相撞后得到的激励,该激励函数表示当无人艇靠近障碍物时给予负激励、当无人艇远离障碍物时给予正激励;
采用人工势场法接近目标地时只采用引力驱动无人艇不断接近目标点,计算引力的公式如下:
其中P是引力,dG是无人艇当前位置到目标点的距离,PS是引力系数,mP为预设的最小引力,aG是当前无人艇的朝向角度,计算转向角的公式如下:
St=arctan(Sp*sin(D)+P[0],Sp*cos(D)+P[1])-D
其中St为转向角,Sp为无人艇当前的速度,D为无人艇当前的角度,P[0]为上述计算出的引力水平分量,P[1]为垂直分量,最后通过加减360度将角度限制在正负180度之间。
2.根据权利要求1所述的一种针对快速移动障碍物的无人艇避碰方法,其特征还在于:以障碍物的中心位置再加上障碍物的最大半径得到障碍物的圆形范围,根据无人艇的几何信息得到无人艇的圆形范围,将无人艇的圆形范围和障碍物的圆形范围相加得到无人艇安全躲避障碍物的距离,将该距离定义为安全避让行驶范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010139595.4A CN111273670B (zh) | 2020-03-03 | 2020-03-03 | 一种针对快速移动障碍物的无人艇避碰方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010139595.4A CN111273670B (zh) | 2020-03-03 | 2020-03-03 | 一种针对快速移动障碍物的无人艇避碰方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111273670A CN111273670A (zh) | 2020-06-12 |
CN111273670B true CN111273670B (zh) | 2024-03-15 |
Family
ID=71002298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010139595.4A Active CN111273670B (zh) | 2020-03-03 | 2020-03-03 | 一种针对快速移动障碍物的无人艇避碰方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111273670B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111665846B (zh) * | 2020-06-24 | 2022-04-19 | 哈尔滨工程大学 | 一种基于快速扫描法的水面无人艇路径规划方法 |
CN111857142B (zh) * | 2020-07-17 | 2022-08-02 | 广州大学 | 一种基于强化学习的路径规划避障辅助方法 |
CN111984006B (zh) * | 2020-07-24 | 2021-07-06 | 哈尔滨工程大学 | 融合海流及尺度差异影响的无人艇多目标会遇避碰方法 |
CN112130562B (zh) * | 2020-09-04 | 2023-01-17 | 浙江嘉蓝海洋电子有限公司 | 基于多滚动窗口的人工势场无人水面艇避障方法 |
CN112766329B (zh) * | 2021-01-06 | 2022-03-22 | 上海大学 | 一种多无人艇协同拦截控制方法及系统 |
CN112904848B (zh) * | 2021-01-18 | 2022-08-12 | 长沙理工大学 | 一种基于深度强化学习的移动机器人路径规划方法 |
CN112965496B (zh) * | 2021-02-23 | 2022-04-22 | 武汉理工大学 | 基于人工势场算法的路径规划方法、装置及存储介质 |
CN113359773A (zh) * | 2021-07-07 | 2021-09-07 | 大连海事大学 | 一种无人船航行路径决策方法及系统 |
CN115268495B (zh) * | 2022-07-26 | 2024-04-26 | 江苏科技大学 | 基于引力指导的深度q网络无人机路径规划方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105083278A (zh) * | 2015-07-31 | 2015-11-25 | 奇瑞汽车股份有限公司 | 车辆控制方法及装置 |
WO2018120739A1 (zh) * | 2016-12-30 | 2018-07-05 | 深圳光启合众科技有限公司 | 路径规划方法、装置及机器人 |
CN109212973A (zh) * | 2018-11-05 | 2019-01-15 | 北京交通大学 | 一种基于强化学习的仿人智能控制的避障控制方法 |
CN109318890A (zh) * | 2018-06-29 | 2019-02-12 | 北京理工大学 | 一种基于动态窗口及障碍物势能场的无人车动态避障方法 |
CN109726866A (zh) * | 2018-12-27 | 2019-05-07 | 浙江农林大学 | 基于q学习神经网络的无人船路径规划方法 |
CN109784201A (zh) * | 2018-12-24 | 2019-05-21 | 中国海洋大学 | 基于四维风险评估的auv动态避障方法 |
CN110632931A (zh) * | 2019-10-09 | 2019-12-31 | 哈尔滨工程大学 | 动态环境下基于深度强化学习的移动机器人避碰规划方法 |
CN110794842A (zh) * | 2019-11-15 | 2020-02-14 | 北京邮电大学 | 基于势场的强化学习路径规划算法 |
-
2020
- 2020-03-03 CN CN202010139595.4A patent/CN111273670B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105083278A (zh) * | 2015-07-31 | 2015-11-25 | 奇瑞汽车股份有限公司 | 车辆控制方法及装置 |
WO2018120739A1 (zh) * | 2016-12-30 | 2018-07-05 | 深圳光启合众科技有限公司 | 路径规划方法、装置及机器人 |
CN109318890A (zh) * | 2018-06-29 | 2019-02-12 | 北京理工大学 | 一种基于动态窗口及障碍物势能场的无人车动态避障方法 |
CN109212973A (zh) * | 2018-11-05 | 2019-01-15 | 北京交通大学 | 一种基于强化学习的仿人智能控制的避障控制方法 |
CN109784201A (zh) * | 2018-12-24 | 2019-05-21 | 中国海洋大学 | 基于四维风险评估的auv动态避障方法 |
CN109726866A (zh) * | 2018-12-27 | 2019-05-07 | 浙江农林大学 | 基于q学习神经网络的无人船路径规划方法 |
CN110632931A (zh) * | 2019-10-09 | 2019-12-31 | 哈尔滨工程大学 | 动态环境下基于深度强化学习的移动机器人避碰规划方法 |
CN110794842A (zh) * | 2019-11-15 | 2020-02-14 | 北京邮电大学 | 基于势场的强化学习路径规划算法 |
Non-Patent Citations (1)
Title |
---|
顾幸方 等.移动机器人未知环境避障研究.传感器与微系统.2011,第30卷(第05期),16-20. * |
Also Published As
Publication number | Publication date |
---|---|
CN111273670A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111273670B (zh) | 一种针对快速移动障碍物的无人艇避碰方法 | |
Hagen et al. | MPC-based collision avoidance strategy for existing marine vessel guidance systems | |
CN109933067B (zh) | 一种基于遗传算法和粒子群算法的无人艇避碰方法 | |
Statheros et al. | Autonomous ship collision avoidance navigation concepts, technologies and techniques | |
CN109765929B (zh) | 一种基于改进rnn的uuv实时避障规划方法 | |
CN109782807B (zh) | 一种回形障碍物环境下的auv避障方法 | |
CN109597417B (zh) | 一种基于避碰准则的多usv群体协同避碰规划方法 | |
Wang et al. | Cooperative collision avoidance for unmanned surface vehicles based on improved genetic algorithm | |
CN108803313A (zh) | 一种基于海流预测模型的路径规划方法 | |
CN108445879A (zh) | 一种基于预测碰撞危险区域的无人艇避障方法 | |
Xue et al. | Automatic collision avoidance of ships | |
CN111880549A (zh) | 面向无人船路径规划的深度强化学习奖励函数优化方法 | |
CN112462786B (zh) | 一种基于模糊控制策略双窗口算法的无人艇避碰方法 | |
CN115809609B (zh) | 一种多水下自主航行器目标搜索方法及其系统 | |
Guan et al. | Autonomous collision avoidance of unmanned surface vehicles based on improved A-star and dynamic window approach algorithms | |
Wu et al. | Multi-vessels collision avoidance strategy for autonomous surface vehicles based on genetic algorithm in congested port environment | |
CN112947438B (zh) | 基于全振荡型入侵野草优化算法的auv在线路径规划方法 | |
Teitgen et al. | Dynamic trajectory planning for ships in dense environment using collision grid with deep reinforcement learning | |
CN117369441A (zh) | 一种考虑船舶运动学和CORLEGs的自适应智能船舶路径规划方法 | |
Henriksen | Automatic testing of maritime collision avoidance methods with sensor fusion | |
Yu et al. | Dynamic adaptive autonomous navigation decision-making method in traffic separation scheme waters: A case study for Chengshanjiao waters | |
CN115107948B (zh) | 一种高效强化学习自主船舶避碰方法 | |
CN116774712A (zh) | 一种欠驱动auv三维环境下的实时动态避障方法 | |
CN116300906A (zh) | 一种智能船的避障路径规划方法及系统 | |
CN112799414B (zh) | 一种auv松弛轨迹规划方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |