CN112036537B - 用于平地机导航的三维路径规划方法及系统 - Google Patents
用于平地机导航的三维路径规划方法及系统 Download PDFInfo
- Publication number
- CN112036537B CN112036537B CN202010773312.1A CN202010773312A CN112036537B CN 112036537 B CN112036537 B CN 112036537B CN 202010773312 A CN202010773312 A CN 202010773312A CN 112036537 B CN112036537 B CN 112036537B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- farmland
- path
- grid
- path planning
- 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 64
- 238000012876 topography Methods 0.000 claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 239000002689 soil Substances 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 42
- 238000009412 basement excavation Methods 0.000 claims description 27
- 239000003016 pheromone Substances 0.000 claims description 26
- 230000008020 evaporation Effects 0.000 claims description 22
- 238000001704 evaporation Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 14
- 241000257303 Hymenoptera Species 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Automation & Control Theory (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operation Control Of Excavators (AREA)
Abstract
本发明实施例提供一种用于平地机导航的三维路径规划方法及系统,该方法包括:根据目标农田的农田地势信息,构建所述目标农田的农田三维地势模型,其中,所述农田三维地势模型中设置有规格相同的路径规划单位栅格;根据所述农田三维地势模型,获取平地铲在路径行驶过程的负载土方量和每个路径规划单位栅格的栅格挖填土方量;根据所述负载土方量和所述栅格挖填土方量,基于改进的蚁群算法,对所述目标农田进行农田三维路径搜索,若搜索结果满足预设条件,得到最优三维路径,以使得平地机根据所述最优三维路径对所述目标农田进行平地作业。本发明实施例为平地机提供快速准确地局部最优路径,促进了自动导航技术在农田平地机上的应用。
Description
技术领域
本发明涉及农业技术领域,尤其涉及一种用于平地机导航的三维路径规划方法及系统。
背景技术
平地机自动导航技术可以科学的指导农田平地机进行土地平整作业,通过自动控制系统实现平地机的自动驾驶和平地铲的自动升降,从而大大减少人力操作,提高平地工作效率。其中,平地路径规划是辅助平地机导航的重要组成部分,平地机可以通过判断自身与规划路径之间的距离误差和航向误差调整行驶状态,从而对农田土方进行合理运卸,实现农田平整的目的。
通常将平地路径规划分为全局路径规划和局部路径规划,全局路径规划主要改变农田整体地势的变化趋势,指导平地机将地势较高区域的土方运送至地势较低区域,全局规划的路径较长,对田地覆盖全面,多是不同路径的叠加组合;而局部路径规划是可调整的,根据不同的起始点规划出一条较短的土方运送路线,不仅可以作为优化路径组成新的全局规划路径,还可独立用于二次土地平整作业,从而提高农田的平整度。
农田平整的任务是运卸土方和平整土地,这就不仅需要一条最短路径,还需要根据平地铲负载的土方量设计路径经过合适的区域。然而,现有平地机的路径规划方法适应性较低,规划的路径合理性较差,不能快速准确地为平地机提供土地平整作业指导。因此,现在亟需一种用于平地机导航的三维路径规划方法及系统来解决上述问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种用于平地机导航的三维路径规划方法及系统。
第一方面,本发明实施例提供了一种用于平地机导航的三维路径规划方法,包括:
根据目标农田的农田地势信息,构建所述目标农田的农田三维地势模型,其中,所述农田三维地势模型中设置有规格相同的路径规划单位栅格;
根据所述农田三维地势模型,获取平地铲在路径行驶过程的负载土方量和每个路径规划单位栅格的栅格挖填土方量;
根据所述负载土方量和所述栅格挖填土方量,基于改进的蚁群算法,对所述目标农田进行农田三维路径搜索,若搜索结果满足预设条件,得到最优三维路径,以使得平地机根据所述最优三维路径对所述目标农田进行平地作业。
进一步地,所述根据所述负载土方量和所述栅格挖填土方量,基于改进的蚁群算法,对所述目标农田进行农田三维路径搜索,包括:
获取挖填土方量和负载土方量之间的比值,将所述比值小于0的栅格设置为蚁群算法中蚂蚁的下一个前进节点,将所述比值大于等于0的栅格舍弃,并放入下一只蚂蚁行驶路径的禁忌表中;其中,所述挖填土方量中的挖方土方量设置为正值,所述挖填土方量中的填方土方量设置为负值。
进一步地,所述根据目标农田的农田地势信息,构建所述目标农田的农田三维地势模型,包括:
根据所述农田地势信息的坐标点,对高程值进行插值处理,得到用于描述农田地势变化的农田三维地势模型。
进一步地,所述根据所述农田三维地势模型,获取平地铲在路径行驶过程的负载土方量和每个路径规划单位栅格的栅格挖填土方量,包括:
根据拖拉机和平地铲连接处的拉力传感器,获取路径行驶过程中平地铲内的负载土方量Vt:
Vt=γWL(Hk-Hav)+bt;
其中,γ表示拉力传感器的电流-负载转换比例系数,W表示平地铲的长度,L表示平地铲的宽度,bt表示转换常数,Hk表示平地铲所处的高程值;Hav表示平均高程值,平均高程值Hav公式为:
其中,n表示高程值的最大行数,m表示高程值的最大列数,H(i,j)表示农田的高程数据,i表示插值横坐标个数,j表示插值纵坐标个数;
根据单位栅格挖填土方量Vi公式,获取每个路径规划单位栅格的栅格挖填土方量,所述单位栅格挖填土方量Vi公式为:
其中,l表示路径规划单位栅格的长度,H表示当前路径规划单位栅格内的实际高程值,h(i,j)表示路径规划单位栅格的z坐标方向和基准高程之间的高度间距,h(i,j)=H(i,j)-Hav。
进一步地,所述改进的蚁群算法包括:
构建用于农田平整的信息素蒸发系数和启发函数,得到改进的蚁群算法,所述信息素蒸发系数的公式为:
其中,ρ(t)表示t时刻的信息素蒸发系数,ρ(t-1)表示前一时刻的信息素蒸发系数,(1+at3)表示收敛函数,a表示平地路径收敛系数,b表示平地作业时三维路径规划的信息素蒸发因子,a、b∈(0,1);
根据前进距离函数与土方负载函数的乘积,构建所述启发函数,所述前进距离函数为:
所述土方负载函数为:
其中,D(x,y,z)表示前进距离函数,(xt,yt,zt)表示当前时刻的三维坐标,(xt+1,yt+1,zt+1)表示下一时刻的三维坐标,(xend,yend,zend)表示路径规划终点坐标,λ表示土方系数,K表示比例常数;M(x,y,z)表示土方负载函数,Vi表示当前时刻平地铲的负载量,Vi+1表示下一时刻平地铲的负载量,ct表示负载常数。
进一步地,在所述根据所述负载土方量和所述栅格挖填土方量,基于改进的蚁群算法,对所述目标农田进行农田三维路径搜索,若搜索结果满足预设条件,得到最优三维路径之后,所述方法还包括:
通过优化约束条件,对所述最优三维路径进行平滑优化处理,以使得平地机根据优化处理后的最优三维路径进行平地作业;
所述优化约束条件为:
其中,Rmin表示最小转弯半径,表示拖拉机和平地铲之间的夹角,k表示最优路径上各点对应的曲率值,LF表示平地铲后车轮轴中心与平地铲牵引连接处的距离。
进一步地,所述方法还包括:
构建三维路径规划的评价指标P,公式为:
其中,∑Vfill表示平地机在最优三维路径经过的栅格中,填方土方量的总和;∑Vdig表示平地机在最优三维路径经过的栅格中,挖方土方量的总和;Vt表示平地机根据最优三维路径行驶过程中,平地铲的负载。
第二方面,本发明实施例提供了一种用于平地机导航的三维路径规划系统,包括:
三维地势模型构建模块,用于根据目标农田的农田地势信息,构建所述目标农田的农田三维地势模型,其中,所述农田三维地势模型中设置有规格相同的路径规划单位栅格;
土方量计算模块,用于根据所述农田三维地势模型,获取平地铲在路径行驶过程的负载土方量和每个路径规划单位栅格的栅格挖填土方量;
三维路径规划模块,用于根据所述负载土方量和所述栅格挖填土方量,基于改进的蚁群算法,对所述目标农田进行农田三维路径搜索,若搜索结果满足预设条件,得到最优三维路径,以使得平地机根据所述最优三维路径对所述目标农田进行平地作业。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种用于平地机导航的三维路径规划方法及系统,通过获取农田地势信息,对任意地块大小的农田进行三维地势建模,并基于三维地势模型,以平地作业土方量的运卸为任务,使用改进的蚁群算法进行路径规划,使得生成的规划路径更为合理,从而为平地机提供快速准确地局部最优路径,进一步促进了自动导航技术在农田平地机上的应用。
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作一简单地介绍,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为本发明实施例提供的用于平地机导航的三维路径规划方法的流程示意图;
图2为本发明实施例提供的农田三维地势模型示意图;
图3为本发明实施例提供的单位栅格土方量的计算示意图;
图4为本发明实施例提供的改进蚁群算法的平地三维路径规划的流程示意图;
图5为本发明实施例提供的基于改进前后的蚁群算法构建农田三维地势模型的规划路径示意图;
图6为本发明实施例提供的农田平地机路径的追踪示意图;
图7为本发明实施例提供的用于平地机导航的三维路径规划系统的结构示意图;
图8为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
通过平地机对农田进行平整时,需要考虑高程的变化,因此将平地机的行驶路径放入三维空间进行规划,可以更好的指导平地作业。目前,人工势场法、A*(A-Star)算法和蚁群算法是高维空间常用的路径规划方法,相比于前两种方法,蚁群算法具有更强的适应性,其本质是一种并行的正反馈算法,具有较强的全局搜索能力。然而,农田平整的任务是运卸土方和平整土地,这就不只需要一条最短路径,还需要根据平地铲负载的土方量,设计平地机行驶路径经过合适的区域。因此,根据农田的地势变化,对蚁群算法的路径搜索节点进行改进,从而通过改进的蚁群算法完成局部路径规划,对辅助平地机自动导航实现快速地平地作业具有重要意义。本发明实施例提供的用于平地机导航的三维路径规划方法,基于农田三维地势模型中各个单位栅格中的挖、填土方量,以平地作业土方运载为决策方向建立新的路径搜索节点;进一步地,根据平地机作业时平地铲运载土方量和经过栅格计算所需挖填土方量,设置用于农田平整的信息素更新规则和启发函数,从而通过改进的蚁群算法进行三维路径规划,获取可实现土方运载任务的最优三维路径;并且,基于平地机的运动学模型,设置农田平地机的转向约束条件,根据该约束条件对最优三维路径进行平滑优化,并建立三维路径规划的效果评价标准。本发明实施例提供的方法,用于在农田三维地势模型上进行局部路径规划,为自动农田平地机提供合适的、平滑的路径,快速地、有效地指导完成土地平整作业。
图1为本发明实施例提供的用于平地机导航的三维路径规划方法的流程示意图,如图1所示,本发明实施例提供了一种用于平地机导航的三维路径规划方法,包括:
步骤101,根据目标农田的农田地势信息,构建所述目标农田的农田三维地势模型,其中,所述农田三维地势模型中设置有规格相同的路径规划单位栅格;
步骤102,根据所述农田三维地势模型,获取平地铲在路径行驶过程的负载土方量和每个路径规划单位栅格的栅格挖填土方量;
步骤103,根据所述负载土方量和所述栅格挖填土方量,基于改进的蚁群算法,对所述目标农田进行农田三维路径搜索,若搜索结果满足预设条件,得到最优三维路径,以使得平地机根据所述最优三维路径对所述目标农田进行平地作业。
本发明实施例提供的用于平地机导航的三维路径规划方法,通过获取农田地势信息,对任意地块大小的农田进行三维地势建模,并基于三维地势模型,以平地作业土方量的运卸为任务,使用改进的蚁群算法进行路径规划,使得生成的规划路径更为合理,从而为平地机提供快速准确地局部最优路径,进一步促进了自动导航技术在农田平地机上的应用。
在上述实施例的基础上,所述根据所述负载土方量和所述栅格挖填土方量,基于改进的蚁群算法,对所述目标农田进行农田三维路径搜索,包括:
获取挖填土方量和负载土方量之间的比值,将所述比值小于0的栅格设置为蚁群算法中蚂蚁的下一个前进节点,将所述比值大于等于0的栅格舍弃,并放入下一只蚂蚁行驶路径的禁忌表中;其中,所述挖填土方量中的挖方土方量设置为正值,所述挖填土方量中的填方土方量设置为负值。
在本发明实施例中,基于农田三维地势模型,对蚁群算法的蚂蚁搜索概率进行改进,具体地,设定该模型中的路径规划单位栅格的长度为l,规定蚂蚁在该三维空间内的搜索路线:在单位栅格的X轴单向前进,Y轴正负双向行进,以及H(高程,即Z轴)轴正负双向行进,每次行进的距离不超过2l。当蚂蚁从起始点向终止点行进时,每行驶至下一节点栅格时,将计算出的单位栅格的挖方土方量设置为正值,填方土方量设置为负值,并计算单位栅格土方量与平地铲负载土方量之间的比值,优先选取比值小于0的单位栅格为蚂蚁的下一个前进节点。将舍弃的搜索栅格(即比值大于等于0的单位栅格)放入下一只蚂蚁行驶路径的禁忌表中,使得全部蚂蚁按照改进的搜索概率完成起始点路径的周游。最后,记录本次循环的最佳路线,使用自适应的方法更新每次的信息素蒸发系数,并按照平地作业土方运载任务改进启发函数,从而在每次循环结束获得新的禁忌表与信息表。
在上述实施例的基础上,所述根据目标农田的农田地势信息,构建所述目标农田的农田三维地势模型,包括:
根据所述农田地势信息的坐标点,对高程值进行插值处理,得到用于描述农田地势变化的农田三维地势模型。
在本发明实施例中,遍历整块目标农田,通过实时动态载波相位差分(Real-timekinematic,简称RTK)-全球导航卫星系统(Global Navigation Satellite System,简称GNSS)技术,获取目标农田内部地势点的三维位置数据(xn,yn,zn),n为数据个数;然后,分别提取横坐标x的极值点{minx,maxx},纵坐标y的极值点{miny,maxy};进一步地,设定路径规划单位栅格的长度为l,以l为取样间隔,分别在极值区间(minx,maxx)采样得到插值横坐标XDEM,极值区间(miny,maxy)采样得到插值纵坐标YDEM,从而构建数据集合{xn,yn,zn,XDEM,YDEM};
对数据集合{xn,yn,zn,XDEM,YDEM}进行插值处理,插值处理计算公式为:
其中,p为权重值,d为插值坐标与获取坐标的距离。进一步地,获取目标农田的高程数据H(i,j),根据三维位置信息(XDEM,YDEM,H(i,j))构建描述农田地势变化的农田三维地势模型,其中,i为插值横坐标个数,j为插值纵坐标个数。图2为本发明实施例提供的农田三维地势模型示意图,该模型为中国农业大学上庄试验站采集的数据,通过插值生成的三维地势模型。为适应蚁群在三维空间内的路径搜索,本发明实施例设定插值栅格边长为1m,i×j=49×25。
在上述实施例的基础上,所述根据所述农田三维地势模型,获取平地铲在路径行驶过程的负载土方量和每个路径规划单位栅格的栅格挖填土方量,包括:
根据拖拉机和平地铲连接处的拉力传感器,获取路径行驶过程中平地铲内的负载土方量Vt:
Vt=γWL(Hk-Hav)+bt;
其中,γ表示拉力传感器的电流-负载转换比例系数,W表示平地铲的长度,L表示平地铲的宽度,bt表示转换常数,Hk表示平地铲所处的高程值;Hav表示平均高程值,平均高程值Hav公式为:
其中,n表示高程值的最大行数,m表示高程值的最大列数,H(i,j)表示农田的高程数据,i表示插值横坐标个数,j表示插值纵坐标个数;
根据单位栅格挖填土方量Vi公式,获取每个路径规划单位栅格的栅格挖填土方量,所述单位栅格挖填土方量Vi公式为:
其中,l表示路径规划单位栅格的长度,H表示当前路径规划单位栅格内的实际高程值,h(i,j)表示路径规划单位栅格的z坐标方向和基准高程之间的高度间距,h(i,j)=H(i,j)-Hav。
在本发明实施例中,基于改进的蚁群算法,在蚁群的三维路径搜索过程中,蚂蚁以栅格为单位向前搜索路径,图3为本发明实施例提供的单位栅格土方量的计算示意图,可参考图3所示,单位栅格内的土方量有三种计算情况,具体地,当单位栅格4条高程值(即图3单位栅格中h(i,j),h(i+1,j),h(i,j+1),h(i+1,j+1)四个端点处的实际高程值)都大于平均高程值时,该单位栅格为挖方土方量,以及当单位栅格的4条高程值都小于平均高程值时,此单位栅格为填方土方量,此时使用单位栅格挖填土方量Vi公式的:
(H<Hav或H>Hav)
计算单位栅格挖填土方量;当单位栅格有2条高程值大于平均高程值,2条高程小值于平均高程值时,使用单位栅格挖填土方量Vi公式的:
并由此定义,高程计算值大于0时为挖方土方量,小于0时为填方土方量;当单位栅格有1条高程小于平均高程时,使用单位栅格挖填土方量Vi公式:
(若H(i+1,j)<Hav)。
进一步地,在上述实施例的基础上,图4为本发明实施例提供的改进蚁群算法的平地三维路径规划的流程示意图,可参考图4所示,根据上述实施例的挖(填)土方量计算方法,选择三维搜索路径的起始点,基于改进的蚁群算法进行农田三维路径规划,具体流程为:
步骤S1,遍历搜索整块目标农田,以挖方土方量值最大栅格的1个顶点为路径起始点,记为(xstart,ystart,zstart);以填方土方量值最小栅格的1个顶点为路径终止点,记为(xend,yend,zend)。
步骤S2,初始路径搜索参数,设置蚂蚁数目m和搜索循环次数N,栅格的初始化信息量τij(t)=c,其中c为常数,且初始时刻Δτij(0)=c。设置蚂蚁在三维空间内的搜索路线:在单位栅格的X轴单向前进,Y轴正负双向行进,H(高程)轴正负双向行进,每次行进的距离不超过2l。
步骤S3,路径搜索每循环一次,更新循环次数N=N+1,路径搜索禁忌表索引kk=kk+1和蚂蚁数目k=k+1。
步骤S4,蚂蚁从起始点向终止点行进时,改进状态转移搜索概率pk ij(t):
其中,ηij(t)为t时刻栅格节点的启发值,α为信息素重要指数,β为启发式因子的重要指数。
在本发明实施例中,蚂蚁每行驶至下一节点栅格时,将计算出的单位栅格的挖方土方量设置为正值,填方土方量设置为负值,计算栅格土方量与平地铲负载土方量之间的比值,优先选取比值小于0的单位栅格为蚂蚁的下一个前进节点,并将舍弃的搜索栅格放入下一只蚂蚁行驶路径的禁忌表中,令全部蚂蚁按照改进的搜索概率完成起始点路径的周游。需要说明的是,在本发明实施例中,针对前进概率的一种特殊情况进行说明:当平地铲无负载(土方量为0)时,优先选择挖方土方量的单位栅格为下一前进节点;当前进栅格都为填方或者挖方土方量时(此时平地铲负载不为0),优先选取值最小的栅格为下一前进节点。
步骤S5,记录本次循环的最佳路线,根据搜索路径的收敛次数以及搜索平地作业路径的收敛次数,设置收敛函数(1+at3),设置蚁群算法的信息素蒸发系数随着每次路径搜索循环自适应变化,从而得到改进的蚁群算法,具体地,在上述实施例的基础上,所述改进的蚁群算法包括:
构建用于农田平整的信息素蒸发系数和启发函数,得到改进的蚁群算法,所述信息素蒸发系数的公式为:
其中,ρ(t)表示t时刻的信息素蒸发系数,ρ(t-1)表示前一时刻的信息素蒸发系数,(1+at3)表示收敛函数,a表示平地路径收敛系数,b表示平地作业时三维路径规划的信息素蒸发因子,a、b∈(0,1)。
进一步地,当所有蚂蚁完成一次周游,各路径上的信息素进行更新:
τij(t+n)=(1-ρ)·τij(t)+Δτij;
其中,Δτij表示本次迭代中信息素的增量,Δτk ij表示第k只蚂蚁在本次迭代时遗留下的信息素量,可以表示为:
其中,dij表示第k只蚂蚁在本次周游中所走过的路径长度。
进一步地,本发明实施例通过加入土方负载函数,改进三维空间下蚁群的前进距离函数,即根据前进距离函数与土方负载函数的乘积,构建所述启发函数,并按照改进的蚁群算法更新禁忌表和信息表,所述前进距离函数为:
所述土方负载函数为:
其中,D(x,y,z)表示前进距离函数,(xt,yt,zt)表示当前时刻的三维坐标,(xt+1,yt+1,zt+1)表示下一时刻的三维坐标,(xend,yend,zend)表示路径规划终点坐标,λ表示土方系数,K表示比例常数;M(x,y,z)表示土方负载函数,Vi表示当前时刻平地铲的负载量,Vi+1表示下一时刻平地铲的负载量,ct表示负载常数。
步骤S6,判断是否满足农田三维路径搜索的结束条件,若搜索循环次数达到,则结束路径搜索输出最优结果,否则跳回步骤S3。
在上述实施例的基础上,图5为本发明实施例提供的基于改进前后的蚁群算法构建农田三维地势模型的规划路径示意图,可参考图5所示,路径的起始点为(31.03,-17.72,28.34)m,终止点为(-0.965,-6.718,28.15)m。由图5可知,改进后的蚁群规划算法,从地势较高点(挖方栅格)出发后优先选择地势较低(填方栅格)点进行路径规划,符合农田平地机的平地任务目标,具体可参考表1的路径规划数据:
表1
算法类型 | 最短路径长度/m | 计算时间/s | 效果评价P |
原始蚁群算法 | 176.34 | 152.12 | -0.359 |
改进的蚁群算法 | 153.91 | 113.67 | -0.128 |
结合表1的路径规划数据可知,经过改进后的蚁群算法生成的路径更短、时间更快,可以更好的实现土方平整任务。
在上述实施例的基础上,在所述根据所述负载土方量和所述栅格挖填土方量,基于改进的蚁群算法,对所述目标农田进行农田三维路径搜索,若搜索结果满足预设条件,得到最优三维路径之后,所述方法还包括:
通过优化约束条件,对所述最优三维路径进行平滑优化处理,以使得平地机根据优化处理后的最优三维路径进行平地作业;
所述优化约束条件为:
其中,Rmin表示最小转弯半径,表示拖拉机和平地铲之间的夹角,k表示最优路径上各点对应的曲率值,LF表示平地铲后车轮轴中心与平地铲牵引连接处的距离。
在本发明实施例中,基于改进的蚁群算法进行农田三维路径规划,生成最优三维路径,然后,根据平地机运动学模型设置最佳三维路径的优化约束条件,从而进行带有约束条件的B-spline平滑优化。具体地,图6为本发明实施例提供的农田平地机路径的追踪示意图,可参考图6所示,牵引式农田平地机在进行路径跟踪时,通过自动导航控制系统引导拖拉机和平地铲最终驶入规划路径。考虑拖拉机驱动轮(后轮)与平地铲行驶轮在一条路径行驶时,所处位置对应的曲率半径在极限情况下相交于一个旋转中心OICR上,那么拖拉机的转向半径R应该满足自身的最小转弯半径Rmin,由此根据几何和运动学关系,可以得到以下的约束条件:
其中,(xg,yg)为三维路径规划生成路径的坐标点。对改进的蚁群算法得到的最优路径进行B-spline平滑优化:
其中,ui为节点,Ni,k(u)为k次B样条基函数,最终可生成适应农田平地机运动模型的平滑路径,更加适合平地机导航的路径追踪。
在上述实施例的基础上,所述方法还包括:
构建三维路径规划的评价指标P,公式为:
其中,∑Vfill表示平地机在最优三维路径经过的栅格中,填方土方量的总和;∑Vdig表示平地机在最优三维路径经过的栅格中,挖方土方量的总和;Vt表示平地机根据最优三维路径行驶过程中,平地铲的负载。
在本发明实施例中,基于约束优化后平滑的最优三维路径,以平地机追踪规划路径时经过栅格的挖、填土方量为参考,建立路径规划的效果评价标准。具体地,当平地机根据三维路径从挖方土方量栅格出发至填方栅格,所经过填方土方量的总和等于挖方土方量的总和时,P=0,此时为完成平地任务的最优规划路径;当所经过填方土方量的总和大于挖方土方量的总和时,P>0,此时平地铲的负载土方可提前运送完成,此时的路径适用于二次平整作业(挖方土方量区域较少);当所经过填方土方量的总和小于挖方土方量的总和时,P<0,说明此路径无法完成土地平整任务或路径经过地势较高,需要再次规划路径完成平地作业。
图7为本发明实施例提供的用于平地机导航的三维路径规划系统的结构示意图,如图7所示,本发明实施例提供了一种用于平地机导航的三维路径规划系统,包括三维地势模型构建模块701、土方量计算模块702和三维路径规划模块703,其中,三维地势模型构建模块701用于根据目标农田的农田地势信息,构建所述目标农田的农田三维地势模型,其中,所述农田三维地势模型中设置有规格相同的路径规划单位栅格;土方量计算模块702用于根据所述农田三维地势模型,获取平地铲在路径行驶过程的负载土方量和每个路径规划单位栅格的栅格挖填土方量;三维路径规划模块703用于根据所述负载土方量和所述栅格挖填土方量,基于改进的蚁群算法,对所述目标农田进行农田三维路径搜索,若搜索结果满足预设条件,得到最优三维路径,以使得平地机根据所述最优三维路径对所述目标农田进行平地作业。
本发明实施例提供的一种用于平地机导航的三维路径规划系统,通过获取农田地势信息,对任意地块大小的农田进行三维地势建模,并基于三维地势模型,以平地作业土方量的运卸为任务,使用改进的蚁群算法进行路径规划,使得生成的规划路径更为合理,从而为平地机提供快速准确地局部最优路径,进一步促进了自动导航技术在农田平地机上的应用。
本发明实施例提供的系统是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图8为本发明实施例提供的电子设备结构示意图,参照图8,该电子设备可以包括:处理器(processor)801、通信接口(Communications Interface)802、存储器(memory)803和通信总线804,其中,处理器801,通信接口802,存储器803通过通信总线804完成相互间的通信。处理器801可以调用存储器803中的逻辑指令,以执行如下方法:根据目标农田的农田地势信息,构建所述目标农田的农田三维地势模型,其中,所述农田三维地势模型中设置有规格相同的路径规划单位栅格;根据所述农田三维地势模型,获取平地铲在路径行驶过程的负载土方量和每个路径规划单位栅格的栅格挖填土方量;根据所述负载土方量和所述栅格挖填土方量,基于改进的蚁群算法,对所述目标农田进行农田三维路径搜索,若搜索结果满足预设条件,得到最优三维路径,以使得平地机根据所述最优三维路径对所述目标农田进行平地作业。
此外,上述的存储器803中的逻辑指令可以通过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(可以是个人计算机,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、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的用于平地机导航的三维路径规划方法,例如包括:根据目标农田的农田地势信息,构建所述目标农田的农田三维地势模型,其中,所述农田三维地势模型中设置有规格相同的路径规划单位栅格;根据所述农田三维地势模型,获取平地铲在路径行驶过程的负载土方量和每个路径规划单位栅格的栅格挖填土方量;根据所述负载土方量和所述栅格挖填土方量,基于改进的蚁群算法,对所述目标农田进行农田三维路径搜索,若搜索结果满足预设条件,得到最优三维路径,以使得平地机根据所述最优三维路径对所述目标农田进行平地作业。
以上所描述的装置实施例仅仅是示意性的,其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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精神和范围。
Claims (7)
1.一种用于平地机导航的三维路径规划方法,其特征在于,包括:
根据目标农田的农田地势信息,构建所述目标农田的农田三维地势模型,其中,所述农田三维地势模型中设置有规格相同的路径规划单位栅格;
根据所述农田三维地势模型,获取平地铲在路径行驶过程的负载土方量和每个路径规划单位栅格的栅格挖填土方量;
根据所述负载土方量和所述栅格挖填土方量,基于改进的蚁群算法,对所述目标农田进行农田三维路径搜索,若搜索结果满足预设条件,得到最优三维路径,以使得平地机根据所述最优三维路径对所述目标农田进行平地作业;
所述根据所述负载土方量和所述栅格挖填土方量,基于改进的蚁群算法,对所述目标农田进行农田三维路径搜索,包括:
获取挖填土方量和负载土方量之间的比值,将所述比值小于0的栅格设置为蚁群算法中蚂蚁的下一个前进节点,将所述比值大于等于0的栅格舍弃,并放入下一只蚂蚁行驶路径的禁忌表中;其中,所述挖填土方量中的挖方土方量设置为正值,所述挖填土方量中的填方土方量设置为负值;
所述根据所述农田三维地势模型,获取平地铲在路径行驶过程的负载土方量和每个路径规划单位栅格的栅格挖填土方量,包括:
根据拖拉机和平地铲连接处的拉力传感器,获取路径行驶过程中平地铲内的负载土方量Vt:
Vt=γWL(Hk-Hav)+bt;
其中,γ表示拉力传感器的电流-负载转换比例系数,W表示平地铲的长度,L表示平地铲的宽度,bt表示转换常数,Hk表示平地铲所处的高程值;Hav表示平均高程值,平均高程值Hav公式为:
其中,n表示高程值的最大行数,m表示高程值的最大列数,H(i,j)表示农田的高程数据,i表示插值横坐标个数,j表示插值纵坐标个数;
根据单位栅格挖填土方量Vi公式,获取每个路径规划单位栅格的栅格挖填土方量,所述单位栅格挖填土方量Vi公式为:
其中,l表示路径规划单位栅格的长度,H表示当前路径规划单位栅格内的实际高程值,h(i,j)表示路径规划单位栅格的z坐标方向和基准高程之间的高度间距,h(i,j)=H(i,j)-Hav;
所述改进的蚁群算法包括:
构建用于农田平整的信息素蒸发系数和启发函数,得到改进的蚁群算法,所述信息素蒸发系数的公式为:
其中,ρ(t)表示t时刻的信息素蒸发系数,ρ(t-1)表示前一时刻的信息素蒸发系数,(1+at3)表示收敛函数,a表示平地路径收敛系数,b表示平地作业时三维路径规划的信息素蒸发因子,a、b∈(0,1);
根据前进距离函数与土方负载函数的乘积,构建所述启发函数,所述前进距离函数为:
所述土方负载函数为:
其中,D(x,y,z)表示前进距离函数,(xt,yt,zt)表示当前时刻的三维坐标,(xt+1,yt+1,zt+1)表示下一时刻的三维坐标,(xend,yend,zend)表示路径规划终点坐标,λ表示土方系数,K表示比例常数;M(x,y,z)表示土方负载函数,Vi表示当前时刻平地铲的负载量,Vi+1表示下一时刻平地铲的负载量,ct表示负载常数。
2.根据权利要求1所述的用于平地机导航的三维路径规划方法,其特征在于,所述根据目标农田的农田地势信息,构建所述目标农田的农田三维地势模型,包括:
根据所述农田地势信息的坐标点,对高程值进行插值处理,得到用于描述农田地势变化的农田三维地势模型。
3.根据权利要求1所述的用于平地机导航的三维路径规划方法,其特征在于,在所述根据所述负载土方量和所述栅格挖填土方量,基于改进的蚁群算法,对所述目标农田进行农田三维路径搜索,若搜索结果满足预设条件,得到最优三维路径之后,所述方法还包括:
通过优化约束条件,对所述最优三维路径进行平滑优化处理,以使得平地机根据优化处理后的最优三维路径进行平地作业;
所述优化约束条件为:
其中,Rmin表示最小转弯半径,表示拖拉机和平地铲之间的夹角,k表示最优路径上各点对应的曲率值,LF表示平地铲后车轮轴中心与平地铲牵引连接处的距离。
4.根据权利要求3所述的用于平地机导航的三维路径规划方法,其特征在于,所述方法还包括:
构建三维路径规划的评价指标P,公式为:
其中,∑Vfill表示平地机在最优三维路径经过的栅格中,填方土方量的总和;∑Vdig表示平地机在最优三维路径经过的栅格中,挖方土方量的总和;Vt表示平地机根据最优三维路径行驶过程中,平地铲的负载。
5.一种用于平地机导航的三维路径规划系统,其特征在于,包括:
三维地势模型构建模块,用于根据目标农田的农田地势信息,构建所述目标农田的农田三维地势模型,其中,所述农田三维地势模型中设置有规格相同的路径规划单位栅格;
土方量计算模块,用于根据所述农田三维地势模型,获取平地铲在路径行驶过程的负载土方量和每个路径规划单位栅格的栅格挖填土方量;
三维路径规划模块,用于根据所述负载土方量和所述栅格挖填土方量,基于改进的蚁群算法,对所述目标农田进行农田三维路径搜索,若搜索结果满足预设条件,得到最优三维路径,以使得平地机根据所述最优三维路径对所述目标农田进行平地作业;
所述三维路径规划模块具体用于:
获取挖填土方量和负载土方量之间的比值,将所述比值小于0的栅格设置为蚁群算法中蚂蚁的下一个前进节点,将所述比值大于等于0的栅格舍弃,并放入下一只蚂蚁行驶路径的禁忌表中;其中,所述挖填土方量中的挖方土方量设置为正值,所述挖填土方量中的填方土方量设置为负值;
所述土方量计算模块具体用于:
根据拖拉机和平地铲连接处的拉力传感器,获取路径行驶过程中平地铲内的负载土方量Vt:
Vt=γWL(Hk-Hav)+bt;
其中,γ表示拉力传感器的电流-负载转换比例系数,W表示平地铲的长度,L表示平地铲的宽度,bt表示转换常数,Hk表示平地铲所处的高程值;Hav表示平均高程值,平均高程值Hav公式为:
其中,n表示高程值的最大行数,m表示高程值的最大列数,H(i,j)表示农田的高程数据,i表示插值横坐标个数,j表示插值纵坐标个数;
根据单位栅格挖填土方量Vi公式,获取每个路径规划单位栅格的栅格挖填土方量,所述单位栅格挖填土方量Vi公式为:
其中,l表示路径规划单位栅格的长度,H表示当前路径规划单位栅格内的实际高程值,h(i,j)表示路径规划单位栅格的z坐标方向和基准高程之间的高度间距,h(i,j)=H(i,j)-Hav;
所述改进的蚁群算法包括:
构建用于农田平整的信息素蒸发系数和启发函数,得到改进的蚁群算法,所述信息素蒸发系数的公式为:
其中,ρ(t)表示t时刻的信息素蒸发系数,ρ(t-1)表示前一时刻的信息素蒸发系数,(1+at3)表示收敛函数,a表示平地路径收敛系数,b表示平地作业时三维路径规划的信息素蒸发因子,a、b∈(0,1);
根据前进距离函数与土方负载函数的乘积,构建所述启发函数,所述前进距离函数为:
所述土方负载函数为:
其中,D(x,y,z)表示前进距离函数,(xt,yt,zt)表示当前时刻的三维坐标,(xt+1,yt+1,zt+1)表示下一时刻的三维坐标,(xend,yend,zend)表示路径规划终点坐标,λ表示土方系数,K表示比例常数;M(x,y,z)表示土方负载函数,Vi表示当前时刻平地铲的负载量,Vi+1表示下一时刻平地铲的负载量,ct表示负载常数。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述用于平地机导航的三维路径规划方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述用于平地机导航的三维路径规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010773312.1A CN112036537B (zh) | 2020-08-04 | 2020-08-04 | 用于平地机导航的三维路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010773312.1A CN112036537B (zh) | 2020-08-04 | 2020-08-04 | 用于平地机导航的三维路径规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112036537A CN112036537A (zh) | 2020-12-04 |
CN112036537B true CN112036537B (zh) | 2023-12-26 |
Family
ID=73582201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010773312.1A Active CN112036537B (zh) | 2020-08-04 | 2020-08-04 | 用于平地机导航的三维路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036537B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505414A (zh) * | 2021-06-08 | 2021-10-15 | 广州地铁设计研究院股份有限公司 | 地铁线路纵断面设计方法、系统、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA1091441A (en) * | 1979-07-04 | 1980-12-16 | James B. Mccullough | Land levelling device |
CN102982384A (zh) * | 2006-01-30 | 2013-03-20 | 蓝山分析公司 | 计算机实现的土地规划系统和方法 |
CN103196403A (zh) * | 2013-03-21 | 2013-07-10 | 中国农业大学 | 一种基于gps控制平地系统的土方量测量方法 |
CN103955753A (zh) * | 2014-04-14 | 2014-07-30 | 浙江大学 | 一种基于人工蚁群的穴盘苗自动化移栽路径优化方法 |
CN104019815A (zh) * | 2014-06-04 | 2014-09-03 | 中国农业大学 | 基于铲车载荷监测的gnss平地作业路径动态规划与导航方法 |
CN106909986A (zh) * | 2017-01-18 | 2017-06-30 | 李红旮 | 一种使用蚁群多目标布局优化模型的土地再开发规划方法 |
CN108012608A (zh) * | 2017-11-20 | 2018-05-11 | 中国农业大学 | 一种基于gnss的土地平整方法 |
CN109582024A (zh) * | 2018-12-27 | 2019-04-05 | 济南大学 | 一种智能铲运机的路径规划方法 |
CN109933057A (zh) * | 2017-12-18 | 2019-06-25 | 中国农业机械化科学研究院 | 拖拉机自动驾驶系统的局部引导轨迹规划方法及装置 |
CN111026126A (zh) * | 2019-12-27 | 2020-04-17 | 哈尔滨工程大学 | 一种基于改进蚁群算法的无人艇全局路径多目标规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
PL3518647T3 (pl) * | 2016-09-29 | 2021-07-05 | Agro Intelligence Aps | System i sposób ustalania trajektorii którą ma podążać rolniczy pojazd roboczy |
-
2020
- 2020-08-04 CN CN202010773312.1A patent/CN112036537B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA1091441A (en) * | 1979-07-04 | 1980-12-16 | James B. Mccullough | Land levelling device |
CN102982384A (zh) * | 2006-01-30 | 2013-03-20 | 蓝山分析公司 | 计算机实现的土地规划系统和方法 |
CN103196403A (zh) * | 2013-03-21 | 2013-07-10 | 中国农业大学 | 一种基于gps控制平地系统的土方量测量方法 |
CN103955753A (zh) * | 2014-04-14 | 2014-07-30 | 浙江大学 | 一种基于人工蚁群的穴盘苗自动化移栽路径优化方法 |
CN104019815A (zh) * | 2014-06-04 | 2014-09-03 | 中国农业大学 | 基于铲车载荷监测的gnss平地作业路径动态规划与导航方法 |
CN106909986A (zh) * | 2017-01-18 | 2017-06-30 | 李红旮 | 一种使用蚁群多目标布局优化模型的土地再开发规划方法 |
CN108012608A (zh) * | 2017-11-20 | 2018-05-11 | 中国农业大学 | 一种基于gnss的土地平整方法 |
CN109933057A (zh) * | 2017-12-18 | 2019-06-25 | 中国农业机械化科学研究院 | 拖拉机自动驾驶系统的局部引导轨迹规划方法及装置 |
CN109582024A (zh) * | 2018-12-27 | 2019-04-05 | 济南大学 | 一种智能铲运机的路径规划方法 |
CN111026126A (zh) * | 2019-12-27 | 2020-04-17 | 哈尔滨工程大学 | 一种基于改进蚁群算法的无人艇全局路径多目标规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112036537A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20140012404A1 (en) | Methods and systems for machine cut planning | |
CN112036537B (zh) | 用于平地机导航的三维路径规划方法及系统 | |
CN108053060B (zh) | 一种基于风电场场内道路自动选线的升压站选址系统及选址方法 | |
Oksanen et al. | Path planning algorithms for agricultural machines | |
CN113129262B (zh) | 排土位自动化检测补充方法、装置、存储介质和电子设备 | |
JP6926172B2 (ja) | 目標掘削点を選択するための方法と装置 | |
CN112686424A (zh) | 平地路径范围确定方法、平地路径规划方法及相关装置 | |
CN113684885B (zh) | 作业机械控制方法、装置及作业机械 | |
CN111664851A (zh) | 基于序列优化的机器人状态规划方法、装置及存储介质 | |
CN113792933A (zh) | 一种车间布局优化方法、装置、电子设备及存储介质 | |
CN108062438B (zh) | 一种用于风电场运行道路的选线系统及选线方法 | |
JP5993784B2 (ja) | 経路修正装置 | |
Gwak et al. | Stochastic optimal haul-route searching method based on genetic algorithm and simulation | |
CN113759915B (zh) | 一种agv小车路径规划方法、装置、设备及存储介质 | |
CN110728398A (zh) | 一种基于支持向量机的铰接工程车辆路径规划方法 | |
AU2022442100A1 (en) | Method and apparatus for generating dumping positions, electronic device and storage medium | |
US20220381007A1 (en) | Selectively causing remote processing of data for an autonomous digging operation | |
CN114676901A (zh) | 平地机作业路径全局优化方法 | |
JP2019183421A (ja) | 推定装置、及び推定方法 | |
CN114352290A (zh) | 一种隧道施工引导方法、平台、系统及作业方法 | |
CN113932812A (zh) | 路径规划方法、装置、电子设备和存储介质 | |
CN113790729A (zh) | 一种基于强化学习算法的无人天车路径规划方法及装置 | |
CN116222547B (zh) | 适用于等高种植的农机导航方法、装置及电子设备 | |
CN117387628B (zh) | 一种基于有向质点蚁群的水下机器人路径规划方法及设备 | |
CN117553804B (zh) | 路径规划方法、装置、计算机设备和存储介质 |
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 |