CN111596675A - 面向非广域目标搜索任务的水下机器人优化决策方法 - Google Patents
面向非广域目标搜索任务的水下机器人优化决策方法 Download PDFInfo
- Publication number
- CN111596675A CN111596675A CN202010411944.3A CN202010411944A CN111596675A CN 111596675 A CN111596675 A CN 111596675A CN 202010411944 A CN202010411944 A CN 202010411944A CN 111596675 A CN111596675 A CN 111596675A
- Authority
- CN
- China
- Prior art keywords
- wide area
- target
- robot
- underwater robot
- sub
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/04—Control of altitude or depth
- G05D1/06—Rate of change of altitude or depth
- G05D1/0692—Rate of change of altitude or depth specially adapted for under-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)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种面向非广域目标搜索任务的水下机器人优化决策方法,包括:将非广域抽象为一系列连续的二维直线或曲线,确定其一维表达形式;对先验离散数据集合进行扩展,估计非广域环境下的目标概率图;调整目标概率图,提取满足任务时间约束的高价值子区域;根据给定的评价指标,确定水下机器人对各高价值子区域的访问排序;利用修正Dubins场引导水下机器人到达各高价值子区域,然后机器人覆盖扫描各高价值子区域,直至完成目标搜索任务。本发明基于先验的离散数据集合,可较准确地估计出非广域环境下具有连续分布特征的目标概率图,保证了子区域提取的可行性;并提出了修正Dubins场方法,引导水下机器人安全快速地到达各子区域。
Description
技术领域
本发明属于水下机器人导航制导与控制技术领域,尤其涉及一种面向非广域目标搜索任务的水下机器人优化决策方法。
背景技术
近些年来,随着人类对海洋的开发利用不断深入拓展,利用水下机器人在复杂海域内搜索目标,逐渐成为海洋环境监控、管道巡检、海上救援等领域的研究热点。研究面向目标搜索任务的水下机器人优化决策方法,可为海洋目标搜索问题提供新的研究思路与解决方案,进一步提升水下机器人的自主航行能力与环境适应能力。
面向目标搜索任务的水下机器人优化决策问题,主要包括搜索图建模和运动规划两部分。首先,任务海域内的搜索图信息可用目标概率图、可信度图、信息密度图等来表示,进而可定义各类任务评价指标如累计探测回报、平均探测时间、信息收益、环境熵值等,其中目标概率图是应用最广泛的搜索图信息模型。然后,基于上述搜索图信息与相关指标,采取如平行线扫描法、螺旋线法的几何法、如布朗运动、Levy飞行模式的随机法、或者如模型预测控制、贪婪策略、生物启发神经网络的启发式方法等规划水下机器人的搜索路径或行为,引导机器人尽快发现目标。
目前,仅针对二维广泛海域环境内的目标搜索优化决策问题展开了大量研究,并提出了一系列高效方法,但针对水下输油管路、海岸线、岛礁线等特殊狭长的非广域环境内存在的目标,未展开深入研究。针对非广域环境的优化问题,现有技术方案大多为水下机器人沿着非广域进行全覆盖式搜索,或直接采取贪婪策略探测离散可疑点,缺乏相关的定量分析与优化策略指导。而相比于传统的广域环境,非广域环境地理条件将在一定程度上限制机器人运动,使大部分航向选择并无搜索价值,增加了问题复杂度。因此,有必要考虑非广域环境的特殊性以及搜索图信息的分布特征,提供一种面向非广域目标搜索任务的水下机器人优化决策。
发明内容
本发明针对非广域环境的目标优化问题,提供了一种面向非广域目标搜索任务的水下机器人优化决策方法,以实现非广域环境内的目标搜索优化。
为了实现上述目的,本发明提供了一种面向非广域目标搜索任务的水下机器人优化决策方法,包括以下步骤:
(S1)非广域建模:将非广域抽象为一系列连续的二维直线或曲线,确定其一维表达形式;
(S2)对先验离散数据集合进行扩展,估计非广域环境下的目标概率图;
(S3)调整目标概率图,提取满足任务时间约束的高价值子区域;
(S4)根据给定的评价指标,确定水下机器人对各高价值子区域的访问排序;
(S5)利用修正Dubins场引导水下机器人到达各高价值子区域,然后机器人覆盖扫描各高价值子区域,直至完成目标搜索任务。
优选的,步骤(S1)将非广域抽象为一系列连续的二维直线或曲线,确定其一维表达形式的方法为:
将非广域看作由一系列的常曲率弧线段依次连接组成,其中直线是曲率为0的特殊弧线;
从非广域的起始点开始,以前向距离s为自变量,给出非广域的一维表达形式。
优选的,步骤(S2)对先验离散数据集合进行扩展,估计非广域环境下的目标概率图的方法为:
获取先验离散数据集合,并根据先验离散数据集合S={Si(si,βi,λi)},i=1,...,N,定义一维高斯分布函数:
其中,N为定性数据数量,si表示目标所在位置,βi∈[0,1]表示该定性数据信息的可信程度,λi表示目标所在位置的精确度,si、1/λi分别为高斯函数的均值和标准差;
采用Parzen窗方法并引入一维高斯核函数,估计非广域环境下的目标概率图,得到初始目标概率图:
其中,p(s)为初始目标概率密度函数,sk、σ分别表示标准一维高斯核函数Gk(sk,σ)的均值和标准差,k=1,...,K;
优选的,各高斯核函数Gk(sk,σ)具有相同的标准差σ,即:
σ=0.9K-1/5min(σstd,IQR/1.34)
其中,σstd表示K个离散数据的标准差,IQR表示离散数据排序后75%所在位置与25%所在位置的差值。
优选的,根据非广域环境的历史发现目标信息、未经验证的疑似目标上报信息、管道老化分析信息,采集待搜索目标的定性数据信息,得到先验离散数据集合。
优选的,步骤(S3)调整目标概率图,提取满足任务时间约束的高价值子区域的方法为:
根据:
其中,Δp表示单次上升高度,n表示当前上升次数;
优选的,步骤(S4)根据给定的评价指标,确定水下机器人对各高价值子区域的访问排序的方法为:
根据子区域的转场时间、覆盖时间和覆盖回报定义各子区域的评价指标:
其中,转场时间Tn表示机器人在子区域边界点之间的最短航行时间,覆盖时间Tc表示机器人扫描子区域所需的航行时间;覆盖回报R表示子区域内所有位置的目标概率求和;
对当前剩余子区域的指标值E进行排序,从中选择具有最大值的子区域,作为下一步的访问区域,重复该步骤,直至完成所有子区域的优先级排序。
优选的,步骤(S5)利用修正Dubins场引导水下机器人到达各高价值子区域的方法为:
给定无障碍自由环境下各子区域间的最短路径为规划的Dubins路径,根据规划的Dubins路径定义初始Dubins场,在该场内的机器人期望速度为:
对初始Dubins场进行修正,以引导机器人躲避障碍物:假设非广域内有No个障碍物且各障碍物n∈{1,...,No}的表面方程为其中(xn,yn)表示障碍物中心、an,bn和qn,rn分别表示尺寸系数和形状系数,则各障碍物的权重系数表示为:
各障碍物的修正矩阵表示为:
则所有障碍物的综合修正矩阵为:
修正Dubins场内机器人期望速度为:
依次连接水下机器人在各子区域间的转场路径以及对各子区域的覆盖路径,得到规划路径。
与现有技术相比,本发明的优点和积极效果在于:
本发明提供了一种面向非广域目标搜索任务的水下机器人优化决策方法,通过将非广域环境抽象为一系列连续的二维直线或曲线,建立非广域模型;并基于先验的离散数据集合,可较准确地估计出非广域环境下具有连续分布特征的目标概率图,保证了子区域提取的可行性;同时,通过调整目标概率图可提取出若干个高价值的子区域,使得机器人航行满足任务时间约束;本发明同时提出了修正Dubins场方法,该向量场可引导水下机器人安全快速地到达各子区域。该方法简单可行,路径平滑、效率高,实现非广域环境内的目标搜索优化。
附图说明
图1为本发明的面向非广域目标搜索任务的水下机器人优化决策方法的流程图;
图2为非广域目标搜索任务的示意图(以水下输油管道巡检为例);
图3为扩展的离散数据的分布图;
图4为初始目标概率图;
其中:图4a表示一维形式,图4b表示二维形式;
图5为修正后的目标概率图;
图6为两个子区域间的Dubins路径示意图;
图7为机器人搜索非广域目标的运动规划结果。
具体实施方式
以下,结合附图对本发明的具体实施方式进行进一步的描述。
本发明以水下输油管道巡检为例,如图1所示,当水下机器人在输油管道上方航行时,机器人搭载的摄像头向下扫描管道以搜索泄漏点目标,由于摄像头视场宽度往往大于管道宽度,因此可将输油管道近似看作是一系列连续的二维直线或曲线。为了与传统的广阔区域加以区分,将如输油管道、海岸线、岛礁线等此类特殊的狭长区域称之为非广域。
许多情况下非广域环境可描述为直线或曲线集合,此时二维搜索图信息可进一步简化为一维搜索图,大大降低了问题求解难度。更重要的是,任务区域内的搜索图信息往往具有连续分布特性,因此如果能够准确定义非广域环境下的搜索图信息并提取出高价值子区域,可将问题进一步简化。因此,根据上述分析,本发明针对水下管道、海岸线、岛礁线等特殊狭长的非广域环境内存在的目标优化问题,提出了一种面向非广域目标搜索任务的水下机器人优化决策方法,方法流程如图2所示,具体包括以下几个步骤:
(1)非广域建模:将非广域抽象为一系列连续的二维直线或曲线,确定其一维表达形式。具体为:
将非广域看作由一系列的常曲率弧线段依次连接组成,其中直线是曲率为0的特殊弧线;
从非广域的起始点开始,以前向距离s为自变量,给出非广域的一维表达形式。
(2)对先验离散数据集合进行扩展,估计非广域环境下的目标概率图。具体为:
在执行目标搜索任务前,往往已知一些先验的离散数据集合,这些数据来源包括历史发现目标信息、未经验证的疑似目标上报信息、管道老化分析信息等,且每个定性数据均包括三种属性信息,即位置si、可靠度βi、准确度λi。其中,si表示目标所在位置,βi∈[0,1]表示该数据信息的可信程度,λi表示目标所在位置的精确度。仍以水下输油管道巡检为例,如果在管道上固定安装的传感器监测到石油泄露位置并上报,则该数据信息的可靠度和准确度均较高,而如果是由非专业人员(如渔民)上报的数据信息,则其可靠度和准确度较低。
①因此,可以预先根据非广域环境的历史发现目标信息、未经验证的疑似目标上报信息、管道老化分析信息等,采集待搜索目标的定性数据信息,得到先验离散数据集合。然后根据先验离散数据集合S={Si(si,βi,λi)},i=1,...,N,定义一维高斯分布函数:
其中,N为定性数据数量,si、1/λi分别为高斯函数的均值和标准差。
②很多情况下,先验离散数据集合的个体数量不够,无法直接用于生成目标概率图。因此需对先验离散数据集合进行扩展,即对各高斯分布函数Gi(si,1/λi)进行多次采样以获得多个位置信息,且采样数量Ki与可靠度βi成正比,Ki=βiKmax,i=1,...,N,将先验离散数据集合的数量扩展为Kmax表示最大采样数量。但需注意每个数据将只保留一种属性信息即位置sk,k=1,...,K,非广域内扩展的离散数据分布图如图3所示,其中虚线表示非广域。
③采用Parzen窗方法并引入一维高斯核函数,估计非广域环境下的目标概率图,得到初始目标概率图:
其中,p(s)为初始目标概率密度函数,sk、σ分别表示标准一维高斯核函数Gk(sk,σ)的均值和标准差,k=1,...,K;通常各高斯核函数Gk(sk,σ)具有相同的标准差σ,即:
σ=0.9K-1/5min(σstd,IQR/1.34) (3)
其中,σstd表示K个离散数据的标准差,IQR表示离散数据排序后75%所在位置与25%所在位置的差值。
(3)调整目标概率图,提取满足任务时间约束的高价值子区域。
具体为:
图4a、图4b分别表示以(62,25)m为非广域起点的一维形式和二维形式描述的目标概率图,显然目标概率连续分布且有几个局部峰值。借鉴“全球变暖”自然现象的启发,随着每次海平面的上升,目标概率可逐步减小,即:
然后,可提取目标概率大于0,且满足任务时间约束条件的区域作为高价值子区域,如图5所示。随着n逐渐增大,子区域逐渐缩小,则机器人覆盖该子区域所需时间也逐渐缩短。由于机器人往往需在规定时间内完成目标搜索任务,机器人航行时间包括在子区域间航行所需的时间与覆盖各子区域所需的时间,机器人航行时间即为任务时间,因此可从0开始逐步增大n直至满足上述约束条件。
(4)根据给定的评价指标,确定水下机器人对各高价值子区域的访问排序。具体为:
机器人在扫描完某个子区域后,需迅速航行到另一个子区域以执行覆盖扫描任务,因此转场时间Tn表示机器人在子区域边界点之间的最短航行时间,可以用直线来近似表示最短航线;覆盖时间Tc表示机器人扫描子区域所需的航行时间,可直接用子区域的前向长度计算;覆盖回报R表示子区域内所有位置的目标概率求和。因此,根据子区域的转场时间Tn、覆盖时间Tc和覆盖回报R定义各子区域的评价指标:
然后,对当前剩余子区域的指标值E进行排序,从中选择具有最大值的子区域,作为下一步的访问区域,重复该步骤,直至完成所有子区域的优先级排序。
(5)利用修正Dubins场引导水下机器人到达各高价值子区域,然后机器人覆盖扫描各高价值子区域,直至完成目标搜索任务。
①Dubins曲线是两个路径点间的最短路径,且该路径考虑了起点和终点的航向约束、机器人最小转弯半径约束等,图6表示两个子区域间的Dubins路径示意图。因此,可以将无障碍自由环境下各子区域间的最短路径设为规划的Dubins路径,根据规划的Dubins路径定义初始Dubins场,在该场内的机器人期望速度为:
其中,d表示机器人跟踪Dubins路径的横向误差,d0为定值,表示Dubins路径的切向量,表示垂直于Dubins路径的法向量,(x,y)表示机器人当前位置,φ表示Dubins路径。当机器人沿期望速度V航行时,能够快速跟踪Dubins路径。
②当航行环境内存在障碍物时,初始Dubins路径可能会与障碍物碰撞,因此还需对初始Dubins场进行修正,以引导机器人躲避障碍物。假设非广域内有No个障碍物且各障碍物n∈{1,...,No}的表面方程为其中(xn,yn)表示障碍物中心、an,bn和qn,rn分别表示尺寸系数和形状系数,则各障碍物的权重系数表示为:
各障碍物的修正矩阵表示为:
则所有障碍物的综合修正矩阵为:
因此,修正Dubins场内机器人期望速度为:
其中,v0表示水下机器人的航行速率。当机器人以速度航行时,即可在跟踪Dubins路径的同时安全躲避障碍物,保证机器人快速、安全地到达下一个子区域。最后,依次连接水下机器人在各子区域间的转场路径以及对各子区域的覆盖路径,得到规划的路径,机器人覆盖扫描各高价值子区域,直至完成目标搜索任务,如图7所示。
因此,综上可知,本发明提供的面向非广域目标搜索任务的水下机器人优化决策方法,通过将非广域环境抽象为一系列连续的二维直线或曲线,建立非广域模型;并基于先验的离散数据集合,可较准确地估计出非广域环境下具有连续分布特征的目标概率图,保证了子区域提取的可行性;同时,通过调整目标概率图可提取出若干个高价值的子区域,使得机器人航行满足任务时间约束;本发明同时提出了修正Dubins场方法,该向量场可引导水下机器人安全快速地到达各子区域。该方法简单可行,路径平滑、效率高,实现非广域环境内的目标搜索优化。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.一种面向非广域目标搜索任务的水下机器人优化决策方法,其特征在于,包括以下步骤:
(S1)非广域建模:将非广域抽象为一系列连续的二维直线或曲线,确定其一维表达形式;
(S2)对先验离散数据集合进行扩展,估计非广域环境下的目标概率图;
(S3)调整目标概率图,提取满足任务时间约束的高价值子区域;
(S4)根据给定的评价指标,确定水下机器人对各高价值子区域的访问排序;
(S5)利用修正Dubins场引导水下机器人到达各高价值子区域,然后机器人覆盖扫描各高价值子区域,直至完成目标搜索任务。
2.根据权利要求1所述的面向非广域目标搜索任务的水下机器人优化决策方法,其特征在于,步骤(S1)将非广域抽象为一系列连续的二维直线或曲线,确定其一维表达形式的方法为:
将非广域看作由一系列的常曲率弧线段依次连接组成,其中直线是曲率为0的特殊弧线;
从非广域的起始点开始,以前向距离s为自变量,给出非广域的一维表达形式。
3.根据权利要求2所述的面向非广域目标搜索任务的水下机器人优化决策方法,其特征在于,步骤(S2)对先验离散数据集合进行扩展,估计非广域环境下的目标概率图的方法为:
获取先验离散数据集合,并根据先验离散数据集合S={Si(si,βi,λi)},i=1,...,N,定义一维高斯分布函数:
其中,N为定性数据数量,si表示目标所在位置,βi∈[0,1]表示该定性数据信息的可信程度,λi表示目标所在位置的精确度,si、1/λi分别为高斯函数的均值和标准差;
采用Parzen窗方法并引入一维高斯核函数,估计非广域环境下的目标概率图,得到初始目标概率图:
其中,p(s)为初始目标概率密度函数,sk、σ分别表示标准一维高斯核函数Gk(sk,σ)的均值和标准差,k=1,...,K;
4.根据权利要求3所述的面向非广域目标搜索任务的水下机器人优化决策方法,其特征在于,各高斯核函数Gk(sk,σ)具有相同的标准差σ,即:
σ=0.9K-1/5min(σstd,IQR/1.34)
其中,σstd表示K个离散数据的标准差,IQR表示离散数据排序后75%所在位置与25%所在位置的差值。
5.根据权利要求3所述的面向非广域目标搜索任务的水下机器人优化决策方法,其特征在于,根据非广域环境的历史发现目标信息、未经验证的疑似目标上报信息、管道老化分析信息,采集待搜索目标的定性数据信息,得到先验离散数据集合。
8.根据权利要求7所述的面向非广域目标搜索任务的水下机器人优化决策方法,其特征在于,步骤(S5)利用修正Dubins场引导水下机器人到达各高价值子区域的方法为:
给定无障碍自由环境下各子区域间的最短路径为规划的Dubins路径,根据规划的Dubins路径定义初始Dubins场,在该场内的机器人期望速度为:
对初始Dubins场进行修正,以引导机器人躲避障碍物:假设非广域内有No个障碍物且各障碍物n∈{1,...,No}的表面方程为其中(xn,yn)表示障碍物中心、an,bn和qn,rn分别表示尺寸系数和形状系数,则各障碍物的权重系数表示为:
各障碍物的修正矩阵表示为:
则所有障碍物的综合修正矩阵为:
修正Dubins场内机器人期望速度为:
依次连接水下机器人在各子区域间的转场路径以及对各子区域的覆盖路径,得到规划路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010411944.3A CN111596675B (zh) | 2020-05-15 | 2020-05-15 | 面向非广域目标搜索任务的水下机器人优化决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010411944.3A CN111596675B (zh) | 2020-05-15 | 2020-05-15 | 面向非广域目标搜索任务的水下机器人优化决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111596675A true CN111596675A (zh) | 2020-08-28 |
CN111596675B CN111596675B (zh) | 2021-06-15 |
Family
ID=72189758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010411944.3A Active CN111596675B (zh) | 2020-05-15 | 2020-05-15 | 面向非广域目标搜索任务的水下机器人优化决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111596675B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199554A (zh) * | 2020-10-20 | 2021-01-08 | 重庆紫光华山智安科技有限公司 | 一种追踪目标检索方法、系统、介质及电子终端 |
CN112347136A (zh) * | 2020-11-20 | 2021-02-09 | 中国人民解放军海军潜艇学院 | 扩方法吊放声纳应召搜索阵型优化方法、存储介质和系统 |
CN113238232A (zh) * | 2021-05-06 | 2021-08-10 | 中国海洋大学 | 面向海洋静态目标的自主水下航行器系统目标搜索方法 |
CN113433969A (zh) * | 2021-06-24 | 2021-09-24 | 中国电子科技集团公司电子科学研究院 | 基于组合向量场法的无人机集群自主避障方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722177A (zh) * | 2012-06-27 | 2012-10-10 | 哈尔滨工程大学 | 具有pid反馈增益的自主水下航行器三维直线路径跟踪控制方法 |
CN104251381A (zh) * | 2014-09-19 | 2014-12-31 | 中国船舶重工集团公司第七一九研究所 | 基于水下无人航行器的海底输油管道泄漏检测系统和方法 |
US20170193830A1 (en) * | 2016-01-05 | 2017-07-06 | California Institute Of Technology | Controlling unmanned aerial vehicles to avoid obstacle collision |
CN108168558A (zh) * | 2017-12-22 | 2018-06-15 | 中国海洋大学 | 应用于河流目标搜索任务的无人机航迹规划算法 |
CN108958292A (zh) * | 2018-08-23 | 2018-12-07 | 北京理工大学 | 一种基于rrt*算法的飞行器突防轨迹规划方法 |
-
2020
- 2020-05-15 CN CN202010411944.3A patent/CN111596675B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722177A (zh) * | 2012-06-27 | 2012-10-10 | 哈尔滨工程大学 | 具有pid反馈增益的自主水下航行器三维直线路径跟踪控制方法 |
CN104251381A (zh) * | 2014-09-19 | 2014-12-31 | 中国船舶重工集团公司第七一九研究所 | 基于水下无人航行器的海底输油管道泄漏检测系统和方法 |
US20170193830A1 (en) * | 2016-01-05 | 2017-07-06 | California Institute Of Technology | Controlling unmanned aerial vehicles to avoid obstacle collision |
CN108168558A (zh) * | 2017-12-22 | 2018-06-15 | 中国海洋大学 | 应用于河流目标搜索任务的无人机航迹规划算法 |
CN108958292A (zh) * | 2018-08-23 | 2018-12-07 | 北京理工大学 | 一种基于rrt*算法的飞行器突防轨迹规划方法 |
Non-Patent Citations (9)
Title |
---|
ANDREA CAITI; VINCENZO CALABRÒ; FRANCESCO DI CORATO; DANIELE MEU: "Cooperative distributed algorithm for AUV teams- A minimum entropy approach", 《2013 MTS/IEEE OCEANS - BERGEN》 * |
BINGHUA SHI; YIXIN SU; CHEN WANG; LILI WAN; YUE QI: "Recovery Path Planning Algorithm Based on Dubins Curve for Autonomous Underwater Vehicle", 《2018 IEEE 8TH INTERNATIONAL CONFERENCE ON UNDERWATER SYSTEM TECHNOLOGY: THEORY AND APPLICATIONS (USYS)》 * |
DALEI SONG; PENG YAO: "Search for Static Target in Nonwide Area by AUV: A Prior Data-Driven Strategy", 《IEEE SYSTEMS JOURNAL》 * |
LANNY LIN, AND MICHAEL A.: "Hierarchical heuristic search using a Gaussian mixture model for UAV coverage planning", 《IEEE TRANSACTIONS ON CYBERNETICS》 * |
PENG YAO; QIAN ZHU; RUI ZHAO: "Gaussian Mixture Model and Self-Organizing Map Neural-Network-Based Coverage for Target Search in Curve-Shape Area", 《IEEE TRANSACTIONS ON CYBERNETICS》 * |
PENGYAOA, YANGGUANGCAI, QIANZHU: "Time-optimal trajectory generation for aerial coverage of urban building", 《AEROSPACE SCIENCE AND TECHNOLOGY》 * |
STEFANI VIĆ,ALEKSANDR ANDREJČUK,SINIŠA DRUŽETA: "Autonomous control for multi-agent non-uniform spraying", 《APPLIED SOFT COMPUTING》 * |
YUCONG LIN; SRIKANTH SARIPALLI: "Path planning using 3D Dubins Curve for Unmanned Aerial Vehicles", 《2014 INTERNATIONAL CONFERENCE ON UNMANNED AIRCRAFT SYSTEMS (ICUAS)》 * |
姚鹏,綦声波,黎明: "基于无人机/无人艇的最优动态覆盖观测技术", 《海洋科学》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199554A (zh) * | 2020-10-20 | 2021-01-08 | 重庆紫光华山智安科技有限公司 | 一种追踪目标检索方法、系统、介质及电子终端 |
CN112199554B (zh) * | 2020-10-20 | 2022-11-11 | 重庆紫光华山智安科技有限公司 | 一种追踪目标检索方法、系统、介质及电子终端 |
CN112347136A (zh) * | 2020-11-20 | 2021-02-09 | 中国人民解放军海军潜艇学院 | 扩方法吊放声纳应召搜索阵型优化方法、存储介质和系统 |
CN112347136B (zh) * | 2020-11-20 | 2022-12-02 | 中国人民解放军海军潜艇学院 | 扩方法吊放声纳应召搜索阵型优化方法、存储介质和系统 |
CN113238232A (zh) * | 2021-05-06 | 2021-08-10 | 中国海洋大学 | 面向海洋静态目标的自主水下航行器系统目标搜索方法 |
CN113238232B (zh) * | 2021-05-06 | 2022-03-25 | 中国海洋大学 | 面向海洋静态目标的自主水下航行器系统目标搜索方法 |
CN113433969A (zh) * | 2021-06-24 | 2021-09-24 | 中国电子科技集团公司电子科学研究院 | 基于组合向量场法的无人机集群自主避障方法及装置 |
CN113433969B (zh) * | 2021-06-24 | 2023-02-17 | 中国电子科技集团公司电子科学研究院 | 基于组合向量场法的无人机集群自主避障方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111596675B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596675B (zh) | 面向非广域目标搜索任务的水下机器人优化决策方法 | |
Ranganathan et al. | Bayesian inference in the space of topological maps | |
KR102031151B1 (ko) | 선박의 효율 운항을 위한 항로 안내 방법 | |
CN113110522B (zh) | 一种基于复合式边界检测的机器人自主探索方法 | |
CN111337930B (zh) | 一种auv目标搜索方法 | |
Zhou et al. | Sensor Planning for Mobile Robot Localization---A Hierarchical Approach Using a Bayesian Network and a Particle Filter | |
US6718261B2 (en) | Architecture for real-time maintenance of distributed mission plans | |
CN113238232B (zh) | 面向海洋静态目标的自主水下航行器系统目标搜索方法 | |
EP3074927B1 (en) | Method of construction of probabilistic graphical model from data that includes both normal and abnormal data | |
CN109656264A (zh) | 用于为飞行器生成到着陆地点的3d路径的计算机实施的方法和系统 | |
CN113848987B (zh) | 无人机群协同目标搜索中的动态路径规划方法及系统 | |
CN111562786B (zh) | 多级优化的无人船舶路径规划方法及装置 | |
KR102006925B1 (ko) | 선박 항로 및 속도 결정 장치, 선박 항로 및 속도 결정 방법, 기록 매체 | |
CN112000126B (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 | |
CN111609848A (zh) | 一种用于多机器人协作建图的智能优化方法及系统 | |
KR20160048530A (ko) | 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치 | |
CN116678422A (zh) | 基于多邻域规则格网的舰船最短时间航线自动规划方法 | |
CN110514224A (zh) | 一种无人驾驶汽车局部路径规划性能评价方法 | |
US20030158744A1 (en) | Real-time team coordination system for reconnaissance and surveillance missions | |
Luperto et al. | Exploration of indoor environments predicting the layout of partially observed rooms | |
CN111928853A (zh) | 复杂环境下空基平台快速航路规划方法 | |
KR101469136B1 (ko) | 의사결정트리에서 공간 예측을 위한 리프노드 등급 결정 방법 및 이를 기록한 기록매체 | |
KR20220089205A (ko) | 딥 러닝을 위한 이동 경로 임베딩 방법 및 이를 이용한 이동 경로 예측 방법 | |
Langley et al. | Case-based acquisition of place knowledge | |
Zhao et al. | Cost-Effective Decision Making in Weather Routing using Machine Learning-generated Simulation Data |
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 |