CN111562786A - 多级优化的无人船舶路径规划方法及装置 - Google Patents
多级优化的无人船舶路径规划方法及装置 Download PDFInfo
- Publication number
- CN111562786A CN111562786A CN202010426696.XA CN202010426696A CN111562786A CN 111562786 A CN111562786 A CN 111562786A CN 202010426696 A CN202010426696 A CN 202010426696A CN 111562786 A CN111562786 A CN 111562786A
- Authority
- CN
- China
- Prior art keywords
- longicorn
- path planning
- temperature
- path
- current
- 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 50
- 241001481710 Cerambycidae Species 0.000 claims abstract description 258
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000002922 simulated annealing Methods 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000010845 search algorithm Methods 0.000 claims description 43
- 238000000137 annealing Methods 0.000 claims description 19
- 239000002245 particle Substances 0.000 claims description 7
- 241000254173 Coleoptera Species 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 2
- 241000254158 Lampyridae Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及多级优化的无人船舶路径规划方法,包括:基于目标船舶的自身信息、航行环境信息和航行任务信息,采用天牛算法进行路径规划,路径规划过程中,如果天牛下一步位置相对天牛当前位置的气味浓度增量大于零,计算天牛下一步位置的接受概率,若接受概率大于预设阈值,将天牛下一步位置作为天牛当前位置,否则舍弃天牛下一步位置,以及,如果当前迭代次数大于最大迭代次数,则降低模拟退火的温度,并在温度大于最低温度时继续搜索路径,在温度小于预设最低温度时输出规划好的路径;目标船舶根据规划好的路径控制船舶航行。运算量大大降低,避免了路径规划中天牛须算法陷入局部最优的问题。本发明还提出多级优化的无人船舶路径规划装置。
Description
技术领域
本发明涉及智能船舶路径规划技术领域,尤其涉及一种多级优化的无人船舶路径规划方法及装置。
背景技术
智能船舶路径规划是实现船舶自主航行的首要技术,具体为基于电子海图信息和船舶感知到的环境信息构建航行环境模型,然后基于航行环境模型和航行任务进行自主路径规划。基于智能船舶的实际运行情况,要求路径规划算法的执行效率高,且可以实现结果最优,最终得到一条既安全又经济的航行路线。
目前,常见的路径规划算法主要分为基于图搜索和基于智能优化算法两大类,其中基于智能优化算法的路径规划更适合应用于无人系统中。但是目前智能船舶路径规划中应用较广的智能优化算法,比如粒子群优化算法、蚁群算法、萤火虫算法等均属于基于群体优化的路径规划算法,由于算法个体多导致运算量大,不利于算法的执行效率。
天牛须搜索算法是一种高效的智能优化算法,模仿的是自然界中天牛根据食物气味浓度寻找食物的行为,如果天牛左边触须接收到的气味浓度比右边接收到的气味浓度大,则天牛下一步会往左边移动,否则下一步将往右边移动,在移动之后,天牛头的朝向是随机的,其中食物的气味浓度就相当于一个函数,天牛的目的就是寻找到函数的全局最优值。可见天牛须搜索算法只需要提出一个算法个体进行搜索,运算量大大降低,但是在实际过程中,天牛个体只在当前位置感知下一步位置的方向,容易陷入局部极值,很难应用于智能船舶的路径规划中。
发明内容
(一)要解决的技术问题
鉴于上述技术中存在的问题,本发明至少从一定程度上进行解决。为此,本发明的一个目的在于提出了一种多级优化的无人船舶路径规划方法,运算量大大降低,并且避免了路径规划中天牛须算法陷入局部最优的问题,从而能够快速规划出经济安全的航行路径。
本发明的第二个目的在于提出一种多级优化的无人船舶路径规划装置。
(二)技术方案
为达到上述目的,本发明一方面提供一种多级优化的无人船舶路径规划方法,包括以下步骤:
获取目标船舶的自身信息、航行环境信息和航行任务信息;
基于目标船舶的自身信息、航行环境信息和航行任务信息,采用天牛须搜索算法进行路径规划;
采用天牛须搜索算法进行路径规划,包括以下步骤:
如果搜索到的天牛下一步位置相对天牛当前位置的气味浓度增量大于零,则根据所述气味浓度增量和当前模拟退火的温度,以获得天牛下一步位置的接受概率,若天牛下一步位置的接受概率大于预设阈值,则将天牛下一步位置作为天牛当前位置,否则舍弃天牛下一步位置;
如果当前迭代次数大于最大迭代次数,则降低模拟退火的温度,并在温度大于预设最低温度时,继续搜索路径,在温度小于预设最低温度时,输出规划好的航行路径;
目标船舶根据规划好的航行路径,控制船舶航行。
本发明实施例提供的多级优化的无人船舶路径规划方法,首先获取目标船舶的自身信息、航行环境信息和航行任务信息,然后基于目标船舶的自身信息、航行环境信息和航行任务信息,采用天牛须搜索算法进行路径规划,其中采用天牛须搜索算法进行路径规划,包括以下步骤:如果搜索到的天牛下一步位置相对天牛当前位置的气味浓度增量大于零,则根据气味浓度增量和当前模拟退火的温度,以获得天牛下一步位置的接受概率,若天牛下一步位置的接受概率大于预设阈值,则将天牛下一步位置作为天牛当前位置,否则舍弃天牛下一步位置;以及,如果当前迭代次数大于最大迭代次数,则降低模拟退火的温度,并在温度大于预设最低温度时,继续搜索路径,在温度小于预设最低温度时,输出规划好的航行路径。因此,本发明提供的路径规划方法运算量大大降低,并且避免了路径规划中天牛须算法陷入局部最优的问题,由于天牛须搜索算法只需要提出一个算法个体进行搜索,相较其他智能优化算法运算量大大降低,而且通过将模拟退火算法的退火过程融入到天牛须搜索算法中,可以以一定的概率接受较差解,该概率随迭代次数的增加而降低,避免了天牛须搜索算法易陷入局部最优的问题,以及通过退温操作,加快收敛速度,更快的搜索到最优位置,从而能够快速规划出经济安全的航行路径。
可选地,采用天牛须搜索算法进行路径规划,还包括以下步骤:
根据目标船舶的自身信息确定天牛位置;
根据航行环境信息、航行任务信息、天牛位置和预设的天牛模型,计算天牛左右两须的气味浓度,以将气味浓度较大的须方向作为天牛下一步移动的方向;
根据天牛下一步移动的方向和天牛的移动步长,以获得天牛的下一步位置。
可选地,计算天牛左右两须的气味浓度,包括:
其中,i=l或r,l为左须,r为右须,K1,K2>0,(xo,yo)为距离天牛左须或右须最近的障碍物的坐标,(xg,yg)为目标点坐标,为当前天牛两须间质点的坐标;假设航行环境中共on个障碍物,当前天牛左须或右须方向感知到os个障碍物,为当前天牛左须或右须方向的障碍物的距离最小值。
可选地,根据天牛下一步移动的方向和天牛的移动步长,获得天牛的下一步位置,包括:
其中,xt+1为天牛的下一步位置;xt为天牛位置;St为天牛的移动步长;b为单位向量,表示天牛在空间中的朝向,取右须指向左须的方向为天牛的朝向;sign()为符号函数;为天牛左须方向的气味浓度;为天牛右须方向的气味浓度。
可选地,根据气味浓度增量和当前模拟退火的温度,获得天牛下一步位置的接受概率,包括:
p=exp[-Δf/T]
其中,p为接受概率,exp[]是以自然常数e为底的指数函数,Δf为气味浓度增量,T为当前模拟退火的温度。
可选地,降低模拟退火的温度,包括:
T=T0-αt
其中,T为模拟退火的温度,T0为模拟退火的初始温度,α为退火因子,取值0.7~0.99,t为迭代次数。
可选地,采用天牛须搜索算法进行路径规划,还包括以下步骤:
在将天牛下一步位置作为天牛当前位置或舍弃天牛下一步位置后,更新天牛的移动步长,计算公式如下:
St=0.95St-1
其中,S为移动步长,t为循环次数。
为达到上述目的,本发明另一方面提供的多级优化的无人船舶路径规划装置,包括:
获取模块,用于获取目标船舶的自身信息、航行环境信息和航行任务信息;
路径规划模块,用于基于目标船舶的自身信息、航行环境信息和航行任务信息,采用天牛须搜索算法进行路径规划;其中采用天牛须搜索算法进行路径规划的过程中,如果搜索到的天牛下一步位置相对天牛当前位置的气味浓度增量大于零,则根据气味浓度增量和当前模拟退火的温度,以获得天牛下一步位置的接受概率,若天牛下一步位置的接受概率大于预设阈值,则将天牛下一步位置作为天牛当前位置,否则舍弃天牛下一步位置;以及,如果当前迭代次数大于最大迭代次数,则降低模拟退火的温度,并在温度大于预设最低温度时,继续搜索路径,在温度小于预设最低温度时,输出规划好的航行路径;
执行模块,用于目标船舶根据规划好的航行路径,控制船舶航行。
本发明实施例提供的多级优化的无人船舶路径规划装置,通过获取模块获取目标船舶的自身信息、航行环境信息和航行任务信息,然后通过路径规划模块基于目标船舶的自身信息、航行环境信息和航行任务信息,采用天牛须搜索算法进行路径规划,其中采用天牛须搜索算法进行路径规划的过程中,如果搜索到的天牛下一步位置相对天牛当前位置的气味浓度增量大于零,则根据气味浓度增量和当前模拟退火的温度,以获得天牛下一步位置的接受概率,若天牛下一步位置的接受概率大于预设阈值,则将天牛下一步位置作为天牛当前位置,否则舍弃天牛下一步位置,以及,如果当前迭代次数大于最大迭代次数,则降低模拟退火的温度,并在温度大于预设最低温度时,继续搜索路径,在温度小于预设最低温度时,输出规划好的航行路径,最后通过执行模块使目标船舶根据规划好的航行路径,控制船舶航行。因此,本发明提供的路径规划装置运算量大大降低,并且避免了路径规划中天牛须算法陷入局部最优的问题,由于天牛须搜索算法只需要提出一个算法个体进行搜索,相较其他智能优化算法运算量大大降低,而且通过将模拟退火算法的退火过程融入到天牛须搜索算法中,可以以一定的概率接受较差解,该概率随迭代次数的增加而降低,避免了天牛须搜索算法易陷入局部最优的问题,以及通过退温操作,加快收敛速度,更快的搜索到最优位置,从而能够快速规划出经济安全的航行路径。
可选地,路径规划模块还用于,
根据目标船舶的自身信息确定天牛位置;根据航行环境信息、航行任务信息、天牛位置和预设的天牛模型,计算天牛左右两须的气味浓度,以将气味浓度较大的须方向作为天牛下一步移动的方向;根据天牛下一步移动的方向和天牛的移动步长,以获得天牛的下一步位置;其中计算天牛左右两须的气味浓度包括:
其中,i=l或r,l为左须,r为右须,K1,K2>0,(xo,yo)为距离天牛左须或右须最近的障碍物的坐标,(xg,yg)为目标点坐标,为当前天牛两须间质点的坐标;假设航行环境中共on个障碍物,当前天牛左须或右须方向感知到os个障碍物,为当前天牛左须或右须方向的障碍物的距离最小值。
(三)有益效果
本发明的有益效果是:
本发明提供的多级优化的无人船舶路径规划方法和装置,通过将模拟退火算法的退火过程融入到天牛须搜索算法来进行路径规划,不仅只需要提出一个算法个体进行搜索,相比其他智能优化算法运算量大大降低,而且可以以一定的概率接受较差解,该概率随迭代次数的增加而降低,避免了天牛须搜索算法易陷入局部最优的问题,并且天牛须搜索算法中构建的适应度函数能够保证全局寻优过程中始终以最优路径为依据,确保了最终路径的经济安全性,以及通过退温操作和移动步长逐步减少,加快了收敛速度,更快的搜索到最优位置,从而能够快速规划出经济安全的航行路径。
附图说明
本发明借助于以下附图进行描述:
图1为根据本发明一个实施例的多级优化的无人船舶路径规划方法的流程图;
图2为根据本发明一个实施例的采用天牛须搜索算法进行路径规划的流程示意图;
图3为根据本发明一个实施例的多级优化的无人船舶路径规划装置的方框示意图。
【附图标记说明】
1:获取模块;
2:路径规划模块;
3:执行模块。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
本发明实施例提出的多级优化的无人船舶路径规划方法和路径规划装置,通过将模拟退火算法的退火过程融入到天牛须搜索算法来进行路径规划,运算量大大降低,并且避免了路径规划中天牛须算法陷入局部最优的问题,从而能够规划出经济安全的航行路径。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更清楚、透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
下面就参照附图来描述根据本发明实施例提出的多级优化的无人船舶路径规划方法和路径规划装置。
图1为本发明一个实施例的多级优化的无人船舶路径规划方法的流程示意图。
如图1所示,该无人船舶路径规划方法包括以下步骤:
步骤11、获取目标船舶的自身信息、航行环境信息和航行任务信息。
步骤12、基于目标船舶的自身信息、航行环境信息和航行任务信息,采用天牛须搜索算法进行路径规划。
图2为本发明一个实施例的采用天牛须搜索算法进行路径规划的流程示意图。
如图2所示,采用天牛须搜索算法进行路径规划包括以下步骤:
121、根据目标船舶的自身信息确定天牛位置。
122、根据航行环境信息、航行任务信息、天牛位置和预设的天牛模型,计算天牛左右两须的气味浓度,以将气味浓度较大的须方向作为天牛下一步移动的方向。
具体地,作为一个实施例,预设的天牛模型包括:
其中,xl为天牛的左须空间坐标,xr为天牛的右须空间坐标,t为算法循环次数,d为两须距离,b为单位向量,表示天牛在空间中的朝向,取右须指向左须的方向为天牛的朝向。
天牛移动的依据主要是根据天牛左右两须的气味浓度,哪一侧气味浓度高,则向该侧移动一定的步长。在路径规划中,下一步的位置主要是根据与目标点和障碍物边界的距离来进行判定,若天牛左须方向离终点更近且离障碍物边界最远,则相当于天牛左须的气味浓度大,则下一步天牛向左须方向移动一定的步长,因此将避障行为和目标搜索行为组合成一个适应度函数来计算天牛两须的气味浓度。具体地,作为一个实施例,计算天牛左右两须的气味浓度,包括:
其中,i=l或r,l为左须,r为右须,K1,K2>0,(xo,yo)为距离天牛左须或右须最近的障碍物的坐标,(xg,yg)为目标点坐标,为当前天牛两须间质点的坐标;假设航行环境中共on个障碍物,当前天牛左须或右须方向感知到os个障碍物,为当前天牛左须或右须方向的障碍物的距离最小值。
123、根据天牛下一步移动的方向和天牛的移动步长,以获得天牛的下一步位置。
当天牛左须感知到的食物气味浓度大于右须时,天牛向左须方向移动相应的步长,即:
yo=yo+St*sign(yl-yr)
当天牛右须感知到的食物气味浓度大于左须时,天牛向右须方向移动相应的步长,即:
yo=yo-St*sign(yl-yr)
故在本发明的一个实施例中,根据天牛下一步移动的方向和天牛的移动步长,获得天牛的下一步位置,包括:
其中,xt+1为天牛的下一步位置;xt为天牛位置;St为天牛的移动步长;b为单位向量,表示天牛在空间中的朝向,取右须指向左须的方向为天牛的朝向;sign()为符号函数;为天牛左须方向的气味浓度;为天牛右须方向的气味浓度。
124、判断天牛下一步位置相对天牛当前位置的气味浓度增量是否大于零,若否,则将天牛下一步位置作为天牛当前位置,若是,则根据气味浓度增量和当前模拟退火的温度,以获得天牛下一步位置的接受概率,若天牛下一步位置的接受概率大于预设阈值,则将天牛下一步位置作为天牛当前位置,否则舍弃天牛下一步位置。
具体地,作为一个示例,天牛下一步位置相对天牛当前位置的气味浓度增量的计算,包括:
Δf=f(xt+1)-f(xt)
其中,f(xt+1)为天牛下一步位置中天牛某须的适应度函数值,f(xt)为天牛当前位置中天牛某须的适应度函数值。
具体地,作为一个实施例,根据气味浓度增量和当前模拟退火的温度,获得天牛下一步位置的接受概率,包括:
p=exp[-Δf/T]
其中,p为接受概率,exp[]是以自然常数e为底的指数函数,Δf为气味浓度增量,T为当前模拟退火的温度。
125、在将天牛下一步位置作为天牛当前位置或舍弃天牛下一步位置后,更新天牛的移动步长。
具体地,作为一个实施例,更新天牛的移动步长,包括:
St=0.95St-1
其中,S为移动步长,t为循环次数。
126、判断当前迭代次数是否大于最大迭代次数,若小于,返回步骤122继续搜索路径,若大于,则降低模拟退火的温度,并在温度大于预设最低温度时,返回步骤122继续搜索路径,在温度小于预设最低温度时,输出规划好的航行路径。
具体地,作为一个实施例,降低模拟退火的温度,包括:
T=T0-αt
其中,T为模拟退火的温度,T0为模拟退火的初始温度,α为退火因子,取值0.7~0.99,t为迭代次数。
步骤13、目标船舶根据规划好的航行路径,控制船舶航行。
综上所述,本发明实施例提供的多级优化的无人船舶路径规划方法将模拟退火算法的退火过程融入到天牛须搜索算法来进行路径规划,运算量大大降低,并且避免了路径规划中天牛须算法陷入局部最优的问题,从而能够规划出经济安全的航行路径。
根据本发明实施例提供的多级优化的无人船舶路径规划方法,首先获取目标船舶的自身信息、航行环境信息和航行任务信息,然后基于目标船舶的自身信息、航行环境信息和航行任务信息,采用天牛须搜索算法进行路径规划,其中采用天牛须搜索算法进行路径规划,包括以下步骤:如果搜索到的天牛下一步位置相对天牛当前位置的气味浓度增量大于零,则根据气味浓度增量和当前模拟退火的温度,以获得天牛下一步位置的接受概率,若天牛下一步位置的接受概率大于预设阈值,则将天牛下一步位置作为天牛当前位置,否则舍弃天牛下一步位置;以及,如果当前迭代次数大于最大迭代次数,则降低模拟退火的温度,并在温度大于预设最低温度时,继续搜索路径,在温度小于预设最低温度时,输出规划好的航行路径。因此,本发明提供的路径规划方法运算量大大降低,并且避免了路径规划中天牛须算法陷入局部最优的问题,由于天牛须搜索算法只需要提出一个算法个体进行搜索,相较其他智能优化算法运算量大大降低,而且通过将模拟退火算法的退火过程融入到天牛须搜索算法中,可以以一定的概率接受较差解,该概率随迭代次数的增加而降低,避免了天牛须搜索算法易陷入局部最优的问题,以及通过退温操作,加快收敛速度,更快的搜索到最优位置,从而能够快速规划出经济安全的航行路径。
图3为本发明一个实施例的多级优化的无人船舶路径规划装置的方框示意图。
如图3所示,该无人船舶路径规划装置包括获取模块1、路径规划模块2和执行模块3。
其中,获取模块1,用于获取目标船舶的自身信息、航行环境信息和航行任务信息;路径规划模块2,用于基于目标船舶的自身信息、航行环境信息和航行任务信息,采用天牛须搜索算法进行路径规划,其中采用天牛须搜索算法进行路径规划的过程中,如果搜索到的天牛下一步位置相对天牛当前位置的气味浓度增量大于零,则根据气味浓度增量和当前模拟退火的温度,以获得天牛下一步位置的接受概率,若天牛下一步位置的接受概率大于预设阈值,则将天牛下一步位置作为天牛当前位置,否则舍弃天牛下一步位置,以及,如果当前迭代次数大于最大迭代次数,则降低模拟退火的温度,并在温度大于预设最低温度时,继续搜索路径,在温度小于预设最低温度时,输出规划好的航行路径;执行模块3,用于目标船舶根据规划好的航行路径,控制船舶航行。
作为一个实施例,路径规划模块2,还用于根据目标船舶的自身信息确定天牛位置;根据航行环境信息、航行任务信息、天牛位置和预设的天牛模型,计算天牛左右两须的气味浓度,以将气味浓度较大的须方向作为天牛下一步移动的方向;根据天牛下一步移动的方向和天牛的移动步长,以获得天牛的下一步位置;其中计算天牛左右两须的气味浓度包括:
其中,i=l或r,l为左须,r为右须,K1,K2>0,(xo,yo)为距离天牛左须或右须最近的障碍物的坐标,(xg,yg)为目标点坐标,为当前天牛两须间质点的坐标;假设航行环境中共on个障碍物,当前天牛左须或右须方向感知到os个障碍物,为当前天牛左须或右须方向的障碍物的距离最小值。
需要说明的是,本实施例提供的多级优化的无人船舶路径规划装置中各模块的具体功能,及路径规划处理流程,可参照实施例1提供的多级优化的无人船舶路径规划方法的详细描述,此处不再赘述。
综上所述,本发明实施例提供的多级优化的无人船舶路径规划装置将模拟退火算法的退火过程融入到天牛须搜索算法来进行路径规划,运算量大大降低,并且避免了路径规划中天牛须算法陷入局部最优的问题,从而能够规划出经济安全的航行路径。
根据本发明实施例提供的多级优化的无人船舶路径规划装置,通过获取模块获取目标船舶的自身信息、航行环境信息和航行任务信息,然后通过路径规划模块基于目标船舶的自身信息、航行环境信息和航行任务信息,采用天牛须搜索算法进行路径规划,其中采用天牛须搜索算法进行路径规划的过程中,如果搜索到的天牛下一步位置相对天牛当前位置的气味浓度增量大于零,则根据气味浓度增量和当前模拟退火的温度,以获得天牛下一步位置的接受概率,若天牛下一步位置的接受概率大于预设阈值,则将天牛下一步位置作为天牛当前位置,否则舍弃天牛下一步位置,以及,如果当前迭代次数大于最大迭代次数,则降低模拟退火的温度,并在温度大于预设最低温度时,继续搜索路径,在温度小于预设最低温度时,输出规划好的航行路径,最后通过执行模块使目标船舶根据规划好的航行路径,控制船舶航行。因此,本发明提供的路径规划装置运算量大大降低,并且避免了路径规划中天牛须算法陷入局部最优的问题,由于天牛须搜索算法只需要提出一个算法个体进行搜索,相较其他智能优化算法运算量大大降低,而且通过将模拟退火算法的退火过程融入到天牛须搜索算法中,可以以一定的概率接受较差解,该概率随迭代次数的增加而降低,避免了天牛须搜索算法易陷入局部最优的问题,以及通过退温操作,加快收敛速度,更快的搜索到最优位置,从而能够快速规划出经济安全的航行路径。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中,这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
Claims (9)
1.一种多级优化的无人船舶路径规划方法,其特征在于,包括以下步骤:
获取目标船舶的自身信息、航行环境信息和航行任务信息;
基于目标船舶的自身信息、航行环境信息和航行任务信息,采用天牛须搜索算法进行路径规划;
采用天牛须搜索算法进行路径规划,包括以下步骤:
如果搜索到的天牛下一步位置相对天牛当前位置的气味浓度增量大于零,则根据所述气味浓度增量和当前模拟退火的温度,以获得天牛下一步位置的接受概率,若天牛下一步位置的接受概率大于预设阈值,则将天牛下一步位置作为天牛当前位置,否则舍弃天牛下一步位置;
如果当前迭代次数大于最大迭代次数,则降低模拟退火的温度,并在温度大于预设最低温度时,继续搜索路径,在温度小于预设最低温度时,输出规划好的航行路径;
目标船舶根据规划好的航行路径,控制船舶航行。
2.如权利要求1所述的多级优化的无人船舶路径规划方法,其特征在于,采用天牛须搜索算法进行路径规划,还包括以下步骤:
根据目标船舶的自身信息确定天牛位置;
根据航行环境信息、航行任务信息、天牛位置和预设的天牛模型,计算天牛左右两须的气味浓度,以将气味浓度较大的须方向作为天牛下一步移动的方向;
根据天牛下一步移动的方向和天牛的移动步长,以获得天牛的下一步位置。
5.如权利要求1所述的多级优化的无人船舶路径规划方法,其特征在于,根据气味浓度增量和当前模拟退火的温度,获得天牛下一步位置的接受概率,包括:
p=exp[-Δf/T]
其中,p为接受概率,exp[]是以自然常数e为底的指数函数,Δf为气味浓度增量,T为当前模拟退火的温度。
6.如权利要求1所述的多级优化的无人船舶路径规划方法,其特征在于,降低模拟退火的温度,包括:
T=T0-αt
其中,T为模拟退火的温度,T0为模拟退火的初始温度,α为退火因子,取值0.7~0.99,t为迭代次数。
7.如权利要求1所述的多级优化的无人船舶路径规划方法,其特征在于,采用天牛须搜索算法进行路径规划,还包括以下步骤:
在将天牛下一步位置作为天牛当前位置或舍弃天牛下一步位置后,更新天牛的移动步长,计算公式如下:
St=0.95St-1
其中,S为移动步长,t为循环次数。
8.一种多级优化的无人船舶路径规划装置,其特征在于,包括:
获取模块,用于获取目标船舶的自身信息、航行环境信息和航行任务信息;
路径规划模块,用于基于目标船舶的自身信息、航行环境信息和航行任务信息,采用天牛须搜索算法进行路径规划;其中采用天牛须搜索算法进行路径规划的过程中,如果搜索到的天牛下一步位置相对天牛当前位置的气味浓度增量大于零,则根据气味浓度增量和当前模拟退火的温度,以获得天牛下一步位置的接受概率,若天牛下一步位置的接受概率大于预设阈值,则将天牛下一步位置作为天牛当前位置,否则舍弃天牛下一步位置;以及,如果当前迭代次数大于最大迭代次数,则降低模拟退火的温度,并在温度大于预设最低温度时,继续搜索路径,在温度小于预设最低温度时,输出规划好的航行路径;
执行模块,用于目标船舶根据规划好的航行路径,控制船舶航行。
9.如权利要求8所述的多级优化的无人船舶路径规划装置,其特征在于,所述路径规划模块还用于,
根据目标船舶的自身信息确定天牛位置;根据航行环境信息、航行任务信息、天牛位置和预设的天牛模型,计算天牛左右两须的气味浓度,以将气味浓度较大的须方向作为天牛下一步移动的方向;根据天牛下一步移动的方向和天牛的移动步长,以获得天牛的下一步位置;其中计算天牛左右两须的气味浓度包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010426696.XA CN111562786B (zh) | 2020-05-19 | 2020-05-19 | 多级优化的无人船舶路径规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010426696.XA CN111562786B (zh) | 2020-05-19 | 2020-05-19 | 多级优化的无人船舶路径规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111562786A true CN111562786A (zh) | 2020-08-21 |
CN111562786B CN111562786B (zh) | 2023-03-28 |
Family
ID=72071103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010426696.XA Active CN111562786B (zh) | 2020-05-19 | 2020-05-19 | 多级优化的无人船舶路径规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111562786B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112817312A (zh) * | 2020-12-31 | 2021-05-18 | 浙江工业大学 | 一种基于双重搜索优化算法的路径规划方法 |
CN112965492A (zh) * | 2021-02-07 | 2021-06-15 | 武汉理工大学 | 一种船舶运动的控制方法、系统、装置及存储介质 |
CN113985922A (zh) * | 2021-11-10 | 2022-01-28 | 浙江建德通用航空研究院 | 一种多目标约束下的无人机分级式路径规划方法 |
CN114527744A (zh) * | 2022-01-11 | 2022-05-24 | 燕山大学 | 基于天牛须搜索优化的无人帆船路径跟踪制导方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215044A1 (zh) * | 2016-06-14 | 2017-12-21 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
US20190035286A1 (en) * | 2017-07-27 | 2019-01-31 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
CN109375625A (zh) * | 2018-11-12 | 2019-02-22 | 智慧航海(青岛)科技有限公司 | 一种基于快速搜索遗传算法的智能船舶路径规划方法 |
CN109613921A (zh) * | 2019-01-08 | 2019-04-12 | 智慧航海(青岛)科技有限公司 | 基于快速移动萤火虫算法的无人船舶局部路径规划方法 |
CN109740828A (zh) * | 2019-02-28 | 2019-05-10 | 广州中国科学院沈阳自动化研究所分所 | 船舶航行路径规划方法、系统、介质和设备 |
CN110986982A (zh) * | 2019-12-02 | 2020-04-10 | 浙江工业大学 | 基于改进天牛须算法的多机器人路径规划方法 |
-
2020
- 2020-05-19 CN CN202010426696.XA patent/CN111562786B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017215044A1 (zh) * | 2016-06-14 | 2017-12-21 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
US20190035286A1 (en) * | 2017-07-27 | 2019-01-31 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
CN109375625A (zh) * | 2018-11-12 | 2019-02-22 | 智慧航海(青岛)科技有限公司 | 一种基于快速搜索遗传算法的智能船舶路径规划方法 |
CN109613921A (zh) * | 2019-01-08 | 2019-04-12 | 智慧航海(青岛)科技有限公司 | 基于快速移动萤火虫算法的无人船舶局部路径规划方法 |
CN109740828A (zh) * | 2019-02-28 | 2019-05-10 | 广州中国科学院沈阳自动化研究所分所 | 船舶航行路径规划方法、系统、介质和设备 |
CN110986982A (zh) * | 2019-12-02 | 2020-04-10 | 浙江工业大学 | 基于改进天牛须算法的多机器人路径规划方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112817312A (zh) * | 2020-12-31 | 2021-05-18 | 浙江工业大学 | 一种基于双重搜索优化算法的路径规划方法 |
CN112965492A (zh) * | 2021-02-07 | 2021-06-15 | 武汉理工大学 | 一种船舶运动的控制方法、系统、装置及存储介质 |
CN113985922A (zh) * | 2021-11-10 | 2022-01-28 | 浙江建德通用航空研究院 | 一种多目标约束下的无人机分级式路径规划方法 |
CN113985922B (zh) * | 2021-11-10 | 2023-11-17 | 浙江建德通用航空研究院 | 一种多目标约束下的无人机分级式路径规划方法 |
CN114527744A (zh) * | 2022-01-11 | 2022-05-24 | 燕山大学 | 基于天牛须搜索优化的无人帆船路径跟踪制导方法 |
CN114527744B (zh) * | 2022-01-11 | 2024-04-02 | 燕山大学 | 基于天牛须搜索优化的无人帆船路径跟踪制导方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111562786B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111562786B (zh) | 多级优化的无人船舶路径规划方法及装置 | |
CN112650237B (zh) | 基于聚类处理和人工势场的船舶路径规划方法和装置 | |
CN112148008B (zh) | 一种基于深度强化学习的实时无人机路径预测方法 | |
CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
CN112904869B (zh) | 基于多树rrt的无人艇加权迭代路径规划方法及设备 | |
CN112099496A (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
CN111709571A (zh) | 一种船舶避碰路线确定方法、装置、设备及可存储介质 | |
CN112141098B (zh) | 一种智能驾驶汽车避障决策方法及装置 | |
Pouya et al. | Expandable-partially observable Markov decision-process framework for modeling and analysis of autonomous vehicle behavior | |
CN112000126A (zh) | 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法 | |
Zhang et al. | AUV path planning based on differential evolution with environment prediction | |
Abu et al. | A comprehensive overview of classical and modern route planning algorithms for self-driving mobile robots | |
CN113538973B (zh) | 一种基于改进粒子群算法的船舶自动避碰方法 | |
CN113778093A (zh) | 基于改进麻雀搜索算法的amr自主移动机器人路径规划方法 | |
Naghshvar et al. | Risk-averse behavior planning for autonomous driving under uncertainty | |
Jaafra et al. | Robust reinforcement learning for autonomous driving | |
Yi et al. | Data-driven situation awareness algorithm for vehicle lane change | |
CN116363867A (zh) | 路口对象的行为预测方法、装置、设备和介质 | |
Su et al. | Artificial potential field guided JPS algorithm for fast optimal path planning in cluttered environments | |
Ren et al. | Intelligent path planning and obstacle avoidance algorithms for autonomous vehicles based on enhanced rrt algorithm | |
Qin et al. | A path planning algorithm based on deep reinforcement learning for mobile robots in unknown environment | |
Xu | Context-based trajectory prediction with LSTM networks | |
Li et al. | An Improved grey wolf optimizer with weighting functions and its application to Unmanned Aerial Vehicles path planning | |
Abdouni et al. | A new sampling strategy to improve the performance of mobile robot path planning algorithms | |
Lin | Dijkstra and A* algorithms in automated vehicle driving |
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 |