CN111623780A - 一种基于优先级目标分配的多无人船协同路径规划方法 - Google Patents
一种基于优先级目标分配的多无人船协同路径规划方法 Download PDFInfo
- Publication number
- CN111623780A CN111623780A CN202010514331.2A CN202010514331A CN111623780A CN 111623780 A CN111623780 A CN 111623780A CN 202010514331 A CN202010514331 A CN 202010514331A CN 111623780 A CN111623780 A CN 111623780A
- Authority
- CN
- China
- Prior art keywords
- unmanned ship
- path
- target
- unmanned
- length
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/203—Specially adapted for sailing ships
-
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种基于优先级目标分配的多无人船协同路径规划方法,包括:采用基于GA的优先级目标分配方法将目标点分配给多个无人船,生成单个无人船的初级航行路线;依据运动限制范围在可航行区域规划单个无人船沿初级航行路线驶向下一个目标点的实际路径。本发明在上述海洋环境的基础上,根据快速行进法规划的路径,设计基于椭圆限制区域的单无人船路径规划方法,减小了路径的转弯率和USV的能源消耗,提高了USV航行的安全性和高效性。
Description
技术领域
本发明涉及多无人船协同路径规划领域,具体而言,尤其涉及一种基于优先级目标分配的多无人船协同路径规划方法。
背景技术
由于在海上应用的灵活性和多功能性,无人船(unmanned surface vehicle,USV)在军事/生产等各个方面都具有广泛的应用。协同路径规划需要检测当前海洋环境,获得使多无人船到达各个目标点的路径,提高无人船系统的安全性与高效性。A*算法、遗传算法(GA)、快速行进法(FMM)等方法广泛用于多无人船协同路径规划。其中遗传算法和快速行进法的效果最为显著,快速行进算法可以快速获得全局和局部的避碰路径,遗传算法可以根据包含路径长度等路径属性的适应度函数为每个无人船分配子目标。
但现有方法在无人船目标分配时缺乏对优先级特性特性的考虑。同时,路径规划受无人船运动限制,导致路径规划难以得到最优结果。
发明内容
根据上述提出无人船路径规划受无人船运动限制以及在无人船目标分配时缺乏考虑优先级特性的技术问题,而提供一种基于优先目标分配的协同路径规划方法。本发明建立无人船的运动限制模型,根据运动限制和能量优化的相关性,提出了基于能量优化的FMM以获得适合单无人船航行的低能耗路径。
本发明采用的技术手段如下:
一种基于优先级目标分配的多无人船协同路径规划方法,包括:
采用基于GA的优先级目标分配方法将目标点分配给多个无人船,生成单个无人船的初级航行路线;
依据运动限制范围在可航行区域规划单个无人船沿初级航行路线驶向下一个目标点的实际路径。
基于上述方案,进一步优选的,
采用基于GA的优先级目标分配方法将目标点分配给多个无人船,包括:
根据适应度函数对所有可能的目标点分配方案进行寻优,所述适应度函数根据以下计算获得:
fit=a1dsum+a2D+RW
其中,a1为第一长度因子,a2为第二长度因子,且a1+a2=1,dsum为各无人船行驶路径总长度,D为单个无人船行驶的最长路径长度,RW为优先奖励。
基于上述方案,进一步优选的,
所述方法还包括利用K均值聚类法对当前海洋环境分割为可航行区域和禁航区域。
基于上述方案,进一步优选的,
依据运动限制范围在可航行区域规划单个无人船沿初级航行路线驶向下一个目标点的实际路径,主要包括:
建立运动限制范围,所述运动限制模型能够使下一步路径的长度随着转角率的增加而变长;
基于FMM算法在极限转角率限制下,生成下一步路径的长度d,进而确定分段目标点,所述分段目标点为运动限制范围边界上,与无人船当前位置行进路径长度为d的点,所述极限转角是能够保证航行安全的最大转角率;
无人船将当前位置更新为分段目标位置,反复执行建立运动限制范围以及获取下一个分段目标点的步骤,直至无人船到达下一个目标点。
基于上述方案,进一步优选的,
所述运动限制范围为一椭圆形区域,该椭圆形区域以无人船当前位置为中心,当前船舶的航行方向为短轴方向,其短轴与长轴的长度比例在1:1~1:2。
与现有技术相比,本发明具有以下有益效果:
1、本发明提出一种海洋环境分割方法,采用参数平均的K均值聚类法,提高海洋环境认知的精准性。
2、本发明在海洋环境分割的基础上,根据快速行进法规划的路径,设计基于椭圆限制区域的单无人船路径规划方法,减小了路径的转弯率和USV的能源消耗,提高了USV航行的安全性和高效性。
3、本发明采用基于遗传算法的优先级目标分配法,并结合上述单无人船路径规划法,最终形成基于优先级目标分配的无人船协同路径规划方法,不仅能够提高USV的安全性和高效性,还可以满足高价值目标的优先被分配。
综上,应用本发明的技术方案解决了多无人船路径规划受无人船运动限制的问题,同时解决了在无人船目标分配时缺乏考虑优先级特性的问题。
基于上述理由本发明可在多无人船路径规划领域广泛推广。
附图说明
为了更清楚地说明本发明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做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法流程图。
图2为本发明技术路线图。
图3为本发明椭圆运动限制范围示意图。
图4为本发明FMM方法示意图。
图5为本发明初级航行路线变异方法示意图。
图6为实施例中海洋环境分割示意图,其中(a)为采集的原图像,(b)为分割结果。
图7为实施例中受椭圆运动限制的单无人船路径对比图,其中(a)为初始航向角为20°、最大转角为30°的路径,(b)为初始航向角为20°、最大转角为45°的路径,(c)无运动限制的路径。
图8为实施例中受运动限制的转角率对比图。
图9为实施例中基于适应度参数的多目标分配对比图,其中(a)为第一对比例目标点分配结果,(b)为第二对比例目标点分配结果,(c)为第三对比例目标点分配结果,(d)为第四对比例目标点分配结果。
图10实施例中基于不同运动限制模型的多无人船协同路径对比图。
图11为实施例中各无人船转角率特性示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,本发明提供了一种基于优先级目标分配的多无人船协同路径规划方法,包括:利用K均值聚类法将当前海洋环境分割为可航行区域和禁航区域。根据海洋环境中目标点位置,设置初始适应度函数,然后将优先级和无障碍的单无人船路径规划方法所得路径长度引入到GA中的适应度函数,提出基于GA的优先目标分配方法,对各无人船进行目标分配。将椭圆运动限制与FMM相结合,形成单无人船路径规划方法,结合优先目标分配结果和单无人船路径规划形成多无人船协同路径规划方案。本发明的技术路线如图2所示。
具体地,在海洋环境分割步骤,定义USV航行的海洋环境为E,其包括可航行区域E1和禁航区域E2,使用K均值聚类法对当前海洋环境进行分割,则海洋环境灰度数据W表示如下:
W(x,y)=h1R(x,y)+h2G(x,y)+h3B(x,y)
其中R(x,y),G(x,y)和B(x,y)是环境地图每个像素的红、绿和蓝度数,h1,h2和h3是这些颜色的权重。
其中g(x,y)是像素点的灰度值,则为了清晰区分E1和E2,我们重新设定E中的g(x,y),如下所示:
如图6所示,为实施例中采用上述方法分割的海洋环境示意图。
在各无人船进行目标分配步骤中,主要采用基于GA的优先级目标分配方法将目标点分配给多个无人船。
GA是一种优化目标分配序列的自适应启发式搜索方法。适应度函数的信息包括任意两个目标点之间的d和优先级特征。d的值由下式给出:
其中d(m,n)是目标点m和目标点n之前的距离。
无人船在具体执行任务时,在特殊情况下需要对各目标点的优先级进行设定,例如需要对遇险船舶进行紧急救援,或者无人船需要尽快补充能量时,必须优先到达某些目标点。此时,优先级特征主要有数值优先奖励(RW)表示,具体由下式给出:
其中T是目标集合,Tpri表示优先目标。
在给各无人船分配目标时,需要满足任意目标点只分配给一艘无人船,而任意无人船至少需要分配到一个目标点。具体的分配目标为所有无人船行驶路径总长度尽可能短,且单个无人船行驶的最长路径长度也尽快能短,以达到降低无人船能量消耗。目标分配的具体操作如下:
将n个目标点分配给M+1艘无人船,随机生成N组目标序列和M个断点。其中一组目标分配方案表示如下:
其中Ui是第i个USV,USV的数量是M+1。bj是第j艘无人船分配到的最后一个目标,且b1+b2+…+b(M+1)=n。通过比较各无人船行驶路径总长度dsum选择最佳序列,并将其作为一系列变异操作的父代。例如图5中所示的变异操作,包括目标序列I和断点位置II的两部分,该例子中具有12个目标T,还有2个小矩形,它们是II中的断点。本发明中采用八种变异方法:复制、交换、翻转、滑动、修改中断、交换-修改中断、翻转-修改中断和滑动-修改中断。在这些突变之后,通过迭代循环找到最终的目标分配序列。
结合单无人船路径规划,可以得到最小的dsum。然而,为了降低USV的能源成本En,最大距离D也应尽可能小。同时,高价值目标需要带着RW被优先分配。则基于GA的优先目标分配方法的适应度函数如下:
fit=a1dsum+a2D+RW
其中,a1为第一长度因子,a2为第二长度因子,且a1+a2=1,dsum为各无人船行驶路径总长度,D为单个无人船行驶的最长路径长度,RW为优先奖励。基于上述运算可以得到任意无人船的初级航行路线,所述初级航行路线包括目标点的位置以及目标点的到达顺序。
各无人船目标分配完成后,则分别进行单船的路径规划。为了保障无人船航行的安全性,本发明提出了运动限制与FMM相结合的单无人船路径规划方法,依据运动限制范围在可航行区域规划单个无人船沿初级航行路线驶向下一个目标点的实际路径,主要包括:
a.建立运动限制范围,所述运动限制模型能够使下一步路径的长度随着转角率的增加而变长。作为本发明较佳的实施方案,所述运动限制范围为一椭圆形区域,该椭圆形区域以无人船当前位置为中心,当前船舶的航行方向为短轴方向,其短轴与长轴的长度比例在1:1~1:2。
b.基于FMM算法在极限转角率限制下,生成下一步路径的长度d,进而确定分段目标点,所述分段目标点为运动限制范围边界上,与无人船当前位置行进路径长度为d的点。所述极限转角是能够保证航行安全的最大转角率。
c.无人船行驶至分段目标点后,反复执行建立运动限制范围以及获取下一个分段目标点的步骤,直至无人船到达下一个目标点。
具体来说,对于单个USV而言,其运动状态包括χ和υ:
其中Sx和Sy是USV当前位置坐标,φ指的是航向角,μ和ν是航行速度和偏移速度,γ是转角率。USV的运动状态可以被写作:
对于欠驱动的USV来说,ν相对于μ和γ是被动有界的。在这种情况下,为了便于导航,我们将设置μ为常量,并在路径规划期间使用对γ进行控制。
基于上述运动状态,出于航向安全的考虑,需要对USV的转角率进行限制。因此提出了一种椭圆运动限制,其目标是在可航行区域中建立椭圆内的偏航约束范围。该椭圆范围如图3所示,其中,d表示下一步路径的长度,θ是在该运动范围限制下的最大转角范围。椭圆范围可表示如下:
El=f(A,B,φ,θ)
其中f是椭圆范围函数,A和B分别是长轴和短轴,优选短轴与长轴的长度比例为1:2。为了得到下一步路径的方向,我们使用FMM,采用Eikonal方程模拟E中的传播。它的表示如下:
其中t(x,y)是到达某目标点的时间,v(x,y)代表传播速度。路径点的传播过程如图4所示,其中空白区域表示E,dx和dy分别是水平和垂直变化量,图中交点是相邻点。水平到达时间分量tx和垂直到达时间分量tx表示如下:
Eikonal方程的解为:
利用梯度下降法之后,由FMM和椭圆限制范围生成下一步路径的长度d。因此,USV通过下一步路径后的状态可以表示为:
其中ξt为位置状态,Sxt和Syt为USV下一步位置坐标,φt为航向角,γ为转角率。
本发明中由于椭圆范围的限制,会明显使得d随着γ增加而变长。能源成本En与USV每次转弯的γ和d有关:
其中c1和c2是能量权重,通常情况下,我们设置c1远大于c2。
通过椭圆运动限制将无人船的航行距离以及转角率有机的结合起来,在保证航行安全的前提下,能够有效控制能源成本。
下面通过具体的应用实例,对本发明的方案和效果进行进一步的说明。
实施例1
为了说明方法的有效性和可行性,本实施例在谷歌地图中大连某海域下进行Matlab仿真,对本发明提出的基于优先目标分配的路径规划方法进行验证。为了是颜色占比均匀,设置μ1=0和μ2=255,其中图6给出了该大连海域的地图和K均值聚类法的分割结果。
假设无人船的初始航向角φ0=20°,θ分别为30°和45°,dx=dy=1,图7中分别展示了两种椭圆运动限制的路线图和FMM的路线图。通过图8可发现两种椭圆运动限制的路径可以分别把γ限制在±θ的范围内,而使用FMM算法直接产生的路径会有较大γ,不能满足USV的运动限制,容易在转弯时造成侧翻危险。
设置第一长度因子a1和第二长度因子a2的参数分别为[1,0];[0.8,0.2];[0.6,0.4];[0.1,0.9],并设置RW=-72,该片海域一共有10个普通目标点,位置分别为(130,350),(60,301),(157,79),(100,300),(250,323),(340,320),(369,297),(350,193),(319,106)和(200,100)以及2个优先级目标点,位置分别为(199,280)和(265,250),起点和终点分别为(350,50)和(300,300)。结合图9与表1的比较结果可以看出第一种情况可以满足dsum较小,但是没有满足优先级;第二种情况满足了目标优先级,但是D较大;第四种情况既满足优先级,又满足D较小,但是dsum较大,只有第三种情况可以满足所有要求。
结合第三种情况和单无人船路径规划方法,形成两种USVs的协同路径,分别是A=6,B=6和A=6,B=12,且θ=45°从表2可以看出,三个USV在第二种情况下的能量消耗较小,同时图11中的γ本别被控制在±θ的范围内。最终可以得出结论:以上实验验证了所提出的算法方案的有效性和优越性。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于优先级目标分配的多无人船协同路径规划方法,其特征在于,包括:
采用基于GA的优先级目标分配方法将目标点分配给多个无人船,生成单个无人船的初级航行路线;
依据运动限制范围在可航行区域规划单个无人船沿初级航行路线驶向下一个目标点的实际路径。
2.根据权利要求1所述的多无人船协同路径规划方法,其特征在于,采用基于GA的优先级目标分配方法将目标点分配给多个无人船,包括:
根据适应度函数对所有可能的目标点分配方案进行寻优,所述适应度函数根据以下计算获得:
fit=a1dsum+a2D+RW
其中,a1为第一长度因子,a2为第二长度因子,且a1+a2=1,dsum为各无人船行驶路径总长度,D为单个无人船行驶的最长路径长度,RW为优先奖励。
3.根据权利要求1或2所述的多无人船协同路径规划方法,其特征在于,所述方法还包括利用K均值聚类法对当前海洋环境分割为可航行区域和禁航区域。
4.根据权利要求1所述的多无人船协同路径规划方法,其特征在于,依据运动限制范围在可航行区域规划单个无人船沿初级航行路线驶向下一个目标点的实际路径,主要包括:
建立运动限制范围,所述运动限制模型能够使下一步路径的长度随着转角率的增加而变长;
基于FMM算法在极限转角率限制下,生成下一步路径的长度d,进而确定分段目标点,所述分段目标点为运动限制范围边界上,与无人船当前位置行进路径长度为d的点,所述极限转角是能够保证航行安全的最大转角率;
无人船将当前位置更新为分段目标位置,反复执行建立运动限制范围以及获取下一个分段目标点的步骤,直至无人船到达下一个目标点。
5.根据权利要求4所述的多无人船协同路径规划方法,其特征在于,所述运动限制范围为一椭圆形区域,该椭圆形区域以无人船当前位置为中心,当前船舶的航行方向为短轴方向,其短轴与长轴的长度比例在1:1~1:2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010514331.2A CN111623780B (zh) | 2020-06-08 | 2020-06-08 | 一种基于优先级目标分配的多无人船协同路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010514331.2A CN111623780B (zh) | 2020-06-08 | 2020-06-08 | 一种基于优先级目标分配的多无人船协同路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111623780A true CN111623780A (zh) | 2020-09-04 |
CN111623780B CN111623780B (zh) | 2023-09-08 |
Family
ID=72270338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010514331.2A Active CN111623780B (zh) | 2020-06-08 | 2020-06-08 | 一种基于优先级目标分配的多无人船协同路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111623780B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731967A (zh) * | 2020-12-24 | 2021-04-30 | 中科院计算技术研究所大数据研究院 | 一种基于聚类和遗传算法的多无人机协同任务规划方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108897312A (zh) * | 2018-05-14 | 2018-11-27 | 南开大学 | 多无人飞行器对大规模环境的持续监控路径规划方法 |
CN108981716A (zh) * | 2018-08-22 | 2018-12-11 | 集美大学 | 一种适用于内陆和近海无人船的路径规划方法 |
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 |
CN109407680A (zh) * | 2018-12-28 | 2019-03-01 | 大连海事大学 | 无人船编队重构的分布式目标协同分配方法 |
CN110472790A (zh) * | 2019-08-16 | 2019-11-19 | 集美大学 | 一种多无人船路径规划方法、终端设备及存储介质 |
-
2020
- 2020-06-08 CN CN202010514331.2A patent/CN111623780B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108897312A (zh) * | 2018-05-14 | 2018-11-27 | 南开大学 | 多无人飞行器对大规模环境的持续监控路径规划方法 |
CN108981716A (zh) * | 2018-08-22 | 2018-12-11 | 集美大学 | 一种适用于内陆和近海无人船的路径规划方法 |
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 |
CN109407680A (zh) * | 2018-12-28 | 2019-03-01 | 大连海事大学 | 无人船编队重构的分布式目标协同分配方法 |
CN110472790A (zh) * | 2019-08-16 | 2019-11-19 | 集美大学 | 一种多无人船路径规划方法、终端设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
刘长吉;黄宴委;: "基于适应度函数的无人船遗传算法航径规划" * |
栾志玲;: "改进遗传算法的船舶航行路径规划方法" * |
王成才;商志刚;何宇帆;陈嘉真;井方才;王冬海;: "无人船信息融合与避障关键技术综述" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731967A (zh) * | 2020-12-24 | 2021-04-30 | 中科院计算技术研究所大数据研究院 | 一种基于聚类和遗传算法的多无人机协同任务规划方法 |
CN112731967B (zh) * | 2020-12-24 | 2021-11-19 | 中科院计算技术研究所大数据研究院 | 一种基于聚类和遗传算法的多无人机协同任务规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111623780B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110658829B (zh) | 一种基于深度强化学习的群无人艇智能避碰方法 | |
CN111694365B (zh) | 一种基于深度强化学习的无人船艇编队路径跟踪方法 | |
Wang et al. | A multilayer path planner for a USV under complex marine environments | |
Liu et al. | The angle guidance path planning algorithms for unmanned surface vehicle formations by using the fast marching method | |
CN107608347B (zh) | 一种分布式控制无人艇集群围追跟踪方法 | |
CN111258231B (zh) | 仿猛禽视觉导航的自主空中加油对接半物理系统及其方法 | |
CN109597417B (zh) | 一种基于避碰准则的多usv群体协同避碰规划方法 | |
CN107966153B (zh) | 水下航行器路径规划算法 | |
CN110069075B (zh) | 一种仿鸽群应急避障机制的集群超机动避障方法 | |
CN110554407A (zh) | 一种模拟船用激光雷达三维点云成像方法 | |
CN109657863B (zh) | 一种基于萤火虫算法的无人船全局路径动态优化方法 | |
CN111045453A (zh) | 一种基于无人艇与多水下机器人的协同控制系统及方法 | |
CN111861155B (zh) | 船舶碰撞风险检测方法、系统、计算机设备和存储介质 | |
CN111445086B (zh) | 一种基于pidvca预测复航时间的方法 | |
CN111400864A (zh) | 一种基于前景理论的船舶避碰决策优化方法 | |
CN112327872B (zh) | 面向溢油围捕的双无人艇协同轨迹跟踪方法 | |
CN111830983A (zh) | 动态环境下的多智能体群系统导航与避障方法及装置 | |
CN115167404A (zh) | 一种基于迁移强化学习的海上自主水面船舶避碰决策方法 | |
CN111623780B (zh) | 一种基于优先级目标分配的多无人船协同路径规划方法 | |
CN109974708B (zh) | 一种无人船航迹规划方法、终端设备及存储介质 | |
CN113538973B (zh) | 一种基于改进粒子群算法的船舶自动避碰方法 | |
Zheng et al. | An intelligent target detection method of UAV swarms based on improved KM algorithm | |
Bye | A receding horizon genetic algorithm for dynamic resource allocation: A case study on optimal positioning of tugs | |
CN110414042B (zh) | 一种冲突会遇局面下船舶集群态势分析方法 | |
Bai et al. | Research on obstacles avoidance technology for UAV based on improved PTAM algorithm |
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 |