CN112327838A - 一种基于改进自映射算法的多无人水面艇多任务分配方法 - Google Patents
一种基于改进自映射算法的多无人水面艇多任务分配方法 Download PDFInfo
- Publication number
- CN112327838A CN112327838A CN202011176582.0A CN202011176582A CN112327838A CN 112327838 A CN112327838 A CN 112327838A CN 202011176582 A CN202011176582 A CN 202011176582A CN 112327838 A CN112327838 A CN 112327838A
- Authority
- CN
- China
- Prior art keywords
- unmanned surface
- surface vessel
- task
- path planning
- module
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 51
- 238000013507 mapping Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000006870 function Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000013461 design Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000002121 ultrasonic speckle velocimetry Methods 0.000 description 19
- 210000002569 neuron Anatomy 0.000 description 18
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- KTTCLOUATPWTNB-UHFFFAOYSA-N 2-[2-[4-(6,7-dimethoxy-3,4-dihydro-1h-isoquinolin-2-yl)butylcarbamoyl]-4-methylphenoxy]ethyl methanesulfonate Chemical compound C1C=2C=C(OC)C(OC)=CC=2CCN1CCCCNC(=O)C1=CC(C)=CC=C1OCCOS(C)(=O)=O KTTCLOUATPWTNB-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000005381 potential energy Methods 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种基于改进自映射算法的多无人水面艇多任务分配方法,包括导引系统、多任务分配模块、路径规划模块、控制系统、船舶执行机构、无人水面舰艇、传感器系统、数据处理系统;首先得到每艘无人水面舰艇需要完成的任务的集合;之后将每艘无人水面舰艇需要访问的任务节点传输到路径规划模块;其次为了实现对每艘无人水面舰艇得到的任务集进行访问,本发明的优势是使用改进自映射算法的多任务分配模块能够对多无人水面艇系统进行多任务分配,使用改进自映射算法和人工势量场函数的路径规划模块对多无人水面艇进行并行的路径规划设计,最终实现多无人水面艇的多任务分配和路径规划功能。
Description
技术领域
本发明的目的在于针对多无人水面艇的多任务分配和路径规划问题,提供一种能够解决问题的多任务分配算法和路径规划算法,特别是提供一种基于改进自映射算法的多无人水面舰艇多任务分配方法。
背景技术
随着国家对海洋的重视,有效的利用和开发海洋资源,进行海洋科研、海洋环境监测等,关乎人民的利益,更关乎国家的未来发展。在这种情况之下,无人水面艇可以作为一种良好的“替代品”。无人水面艇能够代替人们在危险海域活动,能够实现进行海洋测绘、水文信息采集、环境监测等功能。
但是,单艘无人水面艇仍然存在一定的局限性,如:监测或搜索范围小,机动性相对较差,无法实现系统的拓展等。为此,人们提出了“多无人水面艇”这一概念。多无人水面艇具有众多优势,能够很好的弥补单无人水面艇的种种不足。例如:能够监测更加广阔海域的水文信息,机动性更高等。因此,有必要加深对多任务分配和路径规划的多无人水面舰艇的研究。然而,国内相对来说,对多无人水面舰艇这方面的研究不多,大多数文献都在围绕单艘无人水面舰艇进行研究和控制算法的设计。
中国专利CN108684005A提出了一种基于自映射算法的水下传感器网络中多水下无人船高效数据收集方法。与该方法的不同是,其针对的研究对象是多水下无人船,提出的基于自映射算法的任务分配算法和改进蚁群算法都是针对多水下无人船,属于水下无人船领域。没有考虑多任务分配和路径规划相结合的控制方式,并且没有考虑到障碍物的存在。
发明内容
本发明的目的在于针对多无人水面艇的多任务分配和路径规划问题,提供一种能够解决问题的多任务分配算法和路径规划算法,特别是提供一种基于改进自映射算法的多无人水面舰艇多任务分配方法。
本发明的目的是通过下述技术方案实现的:
1、本发明提供的是一种基于改进自映射算法的多无人水面艇多任务分配方法。包括导引系统1、多任务分配模块2、路径规划模块3、控制系统4、船舶执行机构5、无人水面舰艇6、传感器系统8、数据处理系统9。
1)导引系统1通过给定的船舶位置包括船舶的位置和艏向和船舶的初始位置,计算出船舶各个时刻的位置及其关于时间的导数即船舶的速度,并将位置和速度信息传给多任务分配模块2;
2)传感器系统8将测量得到的无人水面艇实时的位置和速度信息,以及水面障碍物的位置信息传递给数据处理系统9。
3)数据处理系统9将传感器系统8采集到的无人水面艇的位置和速度信息,以及障碍物的位置信息等内容进行数据处理,并将其传递到多任务分配模块2。
4)多任务分配模块2将接收到的经过数据处理系统9和导引系统1的数据进行处理,是通过改进的自映射算法,结合无人水面舰艇的数量,对所有的任务进行分配,从而得到每艘无人水面舰艇需要执行的任务的集合,并将得到的分配结果传递到路径规划模块3。
5)路径规划模块3将多任务分配模块2传递的任务集信息进行处理,通过改进的自映射算法和人工势量场法进行路径设计,经过计算处理后,将结果传递到控制系统4。
6)控制系统4将路径规划模块3的信息进行处理,得到控制指令,并将该控制指令传递给执行机构5。
7)无人水面艇的执行机构5根据控制系统4计算的控制指令产生相应的推力,控制无人水面艇5运动,使其到达期望的位置。
所述多任务分配模块2能够根据无人水面艇的数量对任务区域内的所有任务进行分配,从而得到每艘无人水面艇需要完成的任务集合,并将每艘无人水面艇对应的任务集合传递给路径规划模块3;而路径规划模块3能够根据多任务分配模块2传递过来的信息即每艘无人水面艇需要完成的任务集合,设计出对应的路径,从而实现无人水面舰艇的航迹规划。最终实现多USV的多任务分配和路径规划的功能。
所述多任务分配模块2根据导引系统1和数据处理系统9的数据信息,对所有的任务点进行处理。通过采用改进自映射算法,结合无人水面艇的数量,对得到的所有任务点进行分组,从而得到每艘无人水面艇需要完成的任务集合,并将每艘无人水面艇对应的任务集合信息传递到路径规划模块3。
所述路径规划模块3对于多任务分配模块2传递的信息即每艘无人水面艇需要访问的任务集合,通过采用改进的自映射算法和人工势量场函数的方法,对数据进行处理,从而得到每艘无人水面艇完成任务集所需行驶的预设轨迹,并将其传递给无人水面艇的控制系统4。
与现有技术相比,本发明的有益效果是:
此发明的优势是使用改进自映射算法的多任务分配模块能够对多无人水面艇系统进行多任务分配,使用改进自映射算法和人工势量场函数的路径规划模块对多无人水面艇进行并行的路径规划设计,最终实现多无人水面艇的多任务分配和路径规划功能。
附图说明
图1基于改进自映射算法的多无人水面艇多任务分配方法的结构图;
图2任务海域内随机分布的任务task、无人水面艇USV和障碍物obstacle;
图3多任务分配和路径规划的多无人水面艇M=20,N=2的效果图;
图4多任务分配和路径规划的多无人水面艇M=15,N=4的效果图。
其中1—导引系统;2—多任务分配模块;3—路径规划模块;4—控制系统;5—执行机构;6—无人水面艇;7—环境干扰;8—传感器系统;9—数据处理系统。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
基于改进自映射算法的多无人水面艇多任务分配方法,其特征在于:导引系统1、多任务分配模块2、路径规划模块3、控制系统4、执行机构5、无人水面艇6、传感器系统8、数据处理系统9。
首先,介绍针对多无人水面艇的多任务分配问题进行设计的多任务分配模块。其中,主要采用改进自映射算法对多任务进行分配,从而得到每艘无人水面艇各自的任务集。其次,介绍针对多无人水面艇的路径规划问题进行设计的路径规划模块。其中,主要是采用改进自映射算法和人工势量场对每艘无人水面艇得到的任务集进行路径规划,从而得到每艘USV的航迹,并且实现USV的避障。最后,实现多无人水面艇的多任务分配和路径规划的功能。
1)导引系统1得到N艘无人水面艇所在海域的环境信息和任务信息。环境信息主要包括:障碍物的数量和障碍物的位置信息。其中,用M1表示障碍物的数量,用Ok1=(xk1,yk1)来表示第k1个障碍物的位置,其中k1=1,2,…,M1,而xk1为第k1个障碍物的横坐标,yk1为第k1个障碍物的纵坐标。任务信息主要包括:任务的数量和任务的位置信息。其中,用M2表示任务的数量,用Tk2=(xk2,yk2)来表示第k2个任务的位置,其中k2=1,2,…,M2,而xk2为第k2个任务的横坐标,yk2为第k2个任务的纵坐标。同时将这些信息传递给多任务分配系统2。
2)传感器系统8将测得无人水面艇的运动状态传递给数据处理系统9。
3)数据处理系统9将传感器系统8采集到的数据信息进行处理,得到N艘无人水面艇的信息。其中包括第j j=1,2,...,N艘无人水面艇实时的位置Xj=(xj,yj),xj为第j艘无人水面艇的横坐标,yj为第j艘无人水面艇的纵坐标。并将位置信息传递给多任务分配模块2。
4)多任务分配模块2将导引系统1和数据处理系统9的数据进行分析和处理,通过改进自映射算法,进行多任务的分配,从而得到每艘无人水面艇对应的任务集。具体过程如下:
自组织映射神经网络,本质上是一种只有输入层和竞争层的神经网络。该自组织映射网络假设在输入对象中存在一些拓扑结构,可以实现从输入层到输出层的映射,其映射具有拓扑特征保持性质。
自组织映射网络的第一层是输入层。它包含M个神经元,每个神经元的维度都是K维的在这里,神经元的数目与任务数目一致,因此,M=M2。同时,每个神经元的维数与任务的坐标维数一致,因此,K=2。所以,输入层每个神经元的表达方式和每个任务是一一对应的关系。例如,第i神经元的表达方式是Ti=(xi,yi),i=1,2,...,M,其中,xi为第i个神经元的横坐标,yi为第i个神经元的纵坐标。假设第k2个任务节点的位置与第i神经元的位置对应,那么此时,Ti=Tk2,i=k2。第二层是输出层,经过自组织映射算法对每个任务进行处理之后,会形成M3个聚类中心在这里,聚类中心的个数与无人水面艇的数目保持一致,因此,M3=N。对于每一个聚类中心而言,聚类中心内的所有神经元就是与之对应的USV的任务点集。
改进自组织映射算法的设计步骤如下。首先需要在输入神经元中选择获胜者,这就需要通过一个竞争选择机制:
其中,i=1,2,...,M;n=1,2,...,N;m=1,2,...,M.Wi表示第m个输入对象里面的第n组输出层中的第i个神经元获胜。Dinm表示Ti和Rnm的欧几里得距离,Dinm的表达式如下:
Dinm=||Ti-Rnm||
式中,Ti=(xi,yi)表示输入层的第i个获胜神经元节点的坐标,其中xi为第i个任务节点的横坐标,yi为第i个任务节点的纵坐标。Rnm=(wnm),n=1,2,...,N;m=1,2,...,M,i≠m,Rnm表示输出层里面的第n组中的第m个神经元节点。wnm表示连接所有神经元的权值。在w进行初始化时,为区间[0,1]上的随机值。该变量需要满足以下条件:
w=rand(N,M)
接下来,就是邻域选择函数。刚才提到连接所有神经元的权值w,而想要计算该权值,其中关键的就是确定邻域函数hji。
在文章中,我们选取下面的函数作为获胜神经元的领域函数,具体的表达形式如下:
初始化的邻域半径neighborredius(0)是一个非常大的数值。而邻域半径的定义如下:
式中,neighborredius(t)是一个单调递减函数。随着迭代次数的增多,邻域半径逐渐小。经过循环迭代之后,邻域半径会收敛到一个非常小的正常数。neighborpara表示邻域半径参数。
接下来是权值调整。学习率用来η(t)表示,它的定义如下:
式中,η0=η(0)是一个正常数,它的取值范围是(0,1]。learnpara表示学习率参数。
经过上述公式的计算,能够得到权值函数,其表达形式如下:
w(t+1)=w(t)+η(t)×hji(t)×(Ti-w(t))
由此可见,修正的权值不仅取决于获胜者和邻域目标节点的位置,还取决于邻域函数和学习率。
经过上述计算,能够得到N个聚类中心。我们对自组织映射算法的改进之处在于:增加存储和分组功能。第一步,采用改进自组织映射算法对所有的任务节点进行处理,同时将聚类后的结果进行存储。第二步,对存储的数据进行分组处理,将分组结果与无人水面艇进行一一对应。那么,第n n=1,2,...,N个聚类中心的神经元集合,也就是第n艘USV需要访问的目标节点的集合也就相当于一系列目标节点的集合。在这里,我们用T_group_n来表示第n个聚类中心的神经元集合,其中的元素为目标节点。但是,这个集合内元素的排列是无序的。
综上所述,多任务分配模块2的功能是:通过设计的改进自组织映射算法,对所有的任务进行处理,从而得到每艘无人水面艇对应的任务点集,并将该信息传递给路径规划模块3。
5)路径规划模块3接收到多任务分配模块2传输的数据,但是,由于每一艘USV对应的任务点的集合都是无序的。这种情况下,USV是没有办法根据任务集合里任务的坐标直接进行航行,需要进行路径规划的设计。因此,需要通过遗传算法再对任务节点进行排序,之后采用人工势量场进行避障处理。具体的过程如下:
首先,以USV航迹最短为代价函数,通过遗传算法对每一个任务节点集里面的任务进行计算,从而得到最短航迹下的有序的任务节点的集合。
其次,采用人工势量场对无人水面艇的路径规划。人工势能场的基本原理就是将无人水面艇假设成一个点,该点在一个虚拟力场中运动。斥力场是由所有的障碍物对无人水面艇的排斥力组成,引力场由任务节点对无人水面艇的吸引力产生。因此,人工势量场的势量函数Ftotal就等于斥力Fobstacle与引力Ftarget之和。USV的移动方向就是人工势量场的势场函数下降的方向。
其中,斥力Fobstacle的定义如下:
式中,Fobstacle,j表示第j艘USV受到的斥力。ω1为斥力增益,是一个常数值,令ω1=1。Xj=(xj,yj)表示第j j=1,2,...,N艘USV实时的位置,其中,xj为第j艘USV的横坐标,yj为第j艘USV的纵坐标。Ok1=(xk1,yk1)表示第k1个障碍物的位置,其中,k1=1,2,...,M1,xk1为第k1个障碍物的横坐标,yk1为第k1个障碍物的纵坐标。
其中,引力Ftarget的定义如下:
Ftarget,j=ω2×(Xj-Tii)T×(Xj-Tii)
式中,Ftarget,j表示第j艘USV受到的引力。ω2为引力增益,是一个非常小的常数值,令ω2=0.0001。Xj=(xj,yj)表示第j j=1,2,...,N艘USV实时的位置,其中,xj为第j艘USV的横坐标,yj为第j艘USV的纵坐标。Tii=(xii,yii)表示第ii个目标节点的坐标,其中xii为第ii个目标节点的横坐标,yii为第ii个目标节点的纵坐标。Tii为第j艘USV需要访问的目标节点的集合T_group_j中的任一节点位置坐标。假设T_group_j中元素任务节点的数量为M4M4≤M,那么,ii=1,2,...,M4。
人工势量场的势量函数Ftotal的表达方式为:
Ftotal=Ftarget+Fobstacle
综上所述,路径规划模块3接收到多任务分配模块2传输的数据,采用ISOM算法和人工势量场进行处理。经过计算处理后,将结果传递到控制系统4。
6控制系统4将路径规划模块3的信息进行处理,得到控制指令,并将该控制指令传递给执行机构5。
7无人水面艇的执行机构5根据控制系统4计算的控制指令产生相应的推力,控制无人水面艇6运动,使其到达期望的位置。
本发明对多无人水面艇多任务分配和路径规划进行仿真实验,不考虑船舶所受的外部环境干扰,在任务节点数目为20M=20,2艘USVN=2的情况下的仿真结果见附图3,在任务节点数目为15M=15,4艘USVN=4的情况下的仿真结果见附图4。
通过对仿真曲线的分析后可以得出,本发明所设计的一种基于改进自映射算法的多无人水面艇多任务分配方法,针对多任务分配和路径规划的多无人水面艇的多任务分配模块和路径规划模块能够实现既定目标。
综上所述:本发明提供的是一种基于改进自映射算法的多无人水面艇多任务分配方法。包括导引系统1、多任务分配模块2、路径规划模块3、控制系统4、船舶执行机构5、无人水面舰艇6、传感器系统8、数据处理系统9。本发明首先设计了一种基于改进自映射算法的多任务方法来对所有的任务进行分配,从而得到每艘无人水面舰艇需要完成的任务的集合。之后,将每艘无人水面舰艇需要访问的任务节点传输到路径规划模块3。其次,为了实现对每艘无人水面舰艇得到的任务集进行访问,本发明设计了一种基于改进自映射算法和人工势量场函数的路径规划模块3。
此发明的优势是使用改进自映射算法的多任务分配模块能够对多无人水面艇系统进行多任务分配,使用改进自映射算法和人工势量场函数的路径规划模块对多无人水面艇进行并行的路径规划设计,最终实现多无人水面艇的多任务分配和路径规划功能。
Claims (4)
1.一种基于改进自映射算法的多无人水面艇多任务分配方法,其特征在于,包括导引系统(1)、多任务分配模块(2)、路径规划模块(3)、控制系统(4)、船舶执行机构(5)、无人水面舰艇(6)、传感器系统(8)、数据处理系统(9);
1)导引系统(1)通过给定的船舶位置(包括船舶的位置和艏向)和船舶的初始位置,计算出船舶各个时刻的位置及其关于时间的导数(即船舶的速度),并将位置和速度信息传给多任务分配模块(2);
2)传感器系统(8)将测量得到的无人水面艇实时的位置和速度信息,以及水面障碍物的位置信息传递给数据处理系统(9);
3)数据处理系统(9)将传感器系统(8)采集到的无人水面艇的位置和速度信息,以及障碍物的位置信息等内容进行数据处理,并将其传递到多任务分配模块(2);
4)多任务分配模块(2)将接收到的经过数据处理系统(9)和导引系统(1)的数据进行处理,是通过改进的自映射算法,结合无人水面舰艇的数量,对所有的任务进行分配,从而得到每艘无人水面舰艇需要执行的任务的集合,并将得到的分配结果传递到路径规划模块(3);
5)路径规划模块(3)将多任务分配模块(2)传递的任务集信息进行处理,通过改进的自映射算法和人工势量场法进行路径设计,经过计算处理后,将结果传递到控制系统(4);
6)控制系统(4)将路径规划模块(3)的信息进行处理,得到控制指令,并将该控制指令传递给执行机构(5);
7)无人水面艇的执行机构(5)根据控制系统(4)计算的控制指令产生相应的推力,控制无人水面艇(5)运动,使其到达期望的位置。
2.根据权利要求1所述的基于改进自映射算法的多无人水面艇多任务分配方法,其特征在于:多任务分配模块(2)能够根据无人水面艇的数量对任务区域内的所有任务进行分配,从而得到每艘无人水面艇需要完成的任务集合,并将每艘无人水面艇对应的任务集合传递给路径规划模块(3);而路径规划模块(3)能够根据多任务分配模块(2)传递过来的信息(即每艘无人水面艇需要完成的任务集合),设计出对应的路径,从而实现无人水面舰艇的航迹规划;最终实现多无人水面艇多任务分配和路径规划的功能。
3.根据根据权利要求1所述的基于改进自映射算法的多无人水面艇多任务分配方法,其特征在于:多任务分配模块(2)根据导引系统(1)和数据处理系统(9)的数据信息,对所有的任务点进行处理;通过采用改进自映射算法,结合无人水面艇的数量,对得到的所有任务点进行分组,从而得到每艘无人水面艇需要完成的任务集合,并将每艘无人水面艇对应的任务集合信息传递到路径规划模块(3)。
4.根据根据权利要求1所述的基于改进自映射算法的多无人水面舰艇多任务分配方法,其特征在于:路径规划模块(3)对于多任务分配模块(2)传递的信息(即每艘无人水面艇需要访问的任务集合),通过采用改进的自映射算法和人工势量场函数的方法,对数据进行处理,从而得到每艘无人水面艇完成任务集所需行驶的预设轨迹,并将其传递给无人水面艇的控制系统(4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011176582.0A CN112327838B (zh) | 2020-10-29 | 2020-10-29 | 一种基于改进自映射算法的多无人水面艇多任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011176582.0A CN112327838B (zh) | 2020-10-29 | 2020-10-29 | 一种基于改进自映射算法的多无人水面艇多任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327838A true CN112327838A (zh) | 2021-02-05 |
CN112327838B CN112327838B (zh) | 2023-03-31 |
Family
ID=74296984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011176582.0A Active CN112327838B (zh) | 2020-10-29 | 2020-10-29 | 一种基于改进自映射算法的多无人水面艇多任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327838B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112987737A (zh) * | 2021-02-26 | 2021-06-18 | 华中科技大学 | 考虑转角约束的Bi-RRT无人艇多艇导航方法及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622348A (zh) * | 2017-09-18 | 2018-01-23 | 哈尔滨工程大学 | 一种任务顺序约束下的异构多auv系统任务协调方法 |
WO2018031678A1 (en) * | 2016-08-09 | 2018-02-15 | Nauto Global Limited | System and method for precision localization and mapping |
CN108684005A (zh) * | 2018-04-02 | 2018-10-19 | 河海大学常州校区 | 基于som的水下传感网中多auv高效数据收集方法 |
CN109839933A (zh) * | 2019-02-20 | 2019-06-04 | 哈尔滨工程大学 | 一种基于vdsom算法的多机器人任务分配方法 |
CN110034596A (zh) * | 2019-04-10 | 2019-07-19 | 河海大学常州校区 | WRSNs中基于SOM神经网络的多基站充电方法 |
CN110083166A (zh) * | 2019-05-30 | 2019-08-02 | 浙江远传信息技术股份有限公司 | 针对多机器人的协同调度方法、装置、设备及介质 |
-
2020
- 2020-10-29 CN CN202011176582.0A patent/CN112327838B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018031678A1 (en) * | 2016-08-09 | 2018-02-15 | Nauto Global Limited | System and method for precision localization and mapping |
CN107622348A (zh) * | 2017-09-18 | 2018-01-23 | 哈尔滨工程大学 | 一种任务顺序约束下的异构多auv系统任务协调方法 |
CN108684005A (zh) * | 2018-04-02 | 2018-10-19 | 河海大学常州校区 | 基于som的水下传感网中多auv高效数据收集方法 |
CN109839933A (zh) * | 2019-02-20 | 2019-06-04 | 哈尔滨工程大学 | 一种基于vdsom算法的多机器人任务分配方法 |
CN110034596A (zh) * | 2019-04-10 | 2019-07-19 | 河海大学常州校区 | WRSNs中基于SOM神经网络的多基站充电方法 |
CN110083166A (zh) * | 2019-05-30 | 2019-08-02 | 浙江远传信息技术股份有限公司 | 针对多机器人的协同调度方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
WEI SUN等: "An Improved Self-Organizing Map Method for Task Assignment and Path Planning of Multirobot in Obstacle Environment", 《2018 CHINESE AUTOMATION CONGRESS(CAC)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112987737A (zh) * | 2021-02-26 | 2021-06-18 | 华中科技大学 | 考虑转角约束的Bi-RRT无人艇多艇导航方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112327838B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | Path planning and obstacle avoidance for AUV: A review | |
Cao et al. | Target search control of AUV in underwater environment with deep reinforcement learning | |
Chen et al. | A workload balanced algorithm for task assignment and path planning of inhomogeneous autonomous underwater vehicle system | |
Liu et al. | Intelligent multi-task allocation and planning for multiple unmanned surface vehicles (USVs) using self-organising maps and fast marching method | |
Guo et al. | Research progress of path planning methods for autonomous underwater vehicle | |
CN114625151B (zh) | 一种基于强化学习的水下机器人避障路径规划方法 | |
Cao et al. | Toward optimal rendezvous of multiple underwater gliders: 3D path planning with combined sawtooth and spiral motion | |
Kyriakakis et al. | Moving peak drone search problem: An online multi-swarm intelligence approach for UAV search operations | |
Yao et al. | AUV path planning for coverage search of static target in ocean environment | |
Cheng et al. | Fuzzy categorical deep reinforcement learning of a defensive game for an unmanned surface vessel | |
Etemad et al. | Using deep reinforcement learning methods for autonomous vessels in 2d environments | |
Zhong et al. | Particle swarm optimization with orientation angle-based grouping for practical unmanned surface vehicle path planning | |
Zhao et al. | A review of path planning and cooperative control for MAUV systems | |
CN112327838B (zh) | 一种基于改进自映射算法的多无人水面艇多任务分配方法 | |
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 | |
CN113985893B (zh) | 面向复杂海洋环境的多无人艇系统协同路径规划方法 | |
Zhu et al. | Path planning algorithm for AUV based on a Fuzzy-PSO in dynamic environments | |
Chen et al. | A multirobot cooperative area coverage search algorithm based on bioinspired neural network in unknown environments | |
Gan et al. | Multi-usv cooperative chasing strategy based on obstacles assistance and deep reinforcement learning | |
Zang et al. | Research on Constraining Strategies of Underwater Glider's Trajectory Under the Influence of Ocean Currents Based on DQN Algorithm | |
Tuba et al. | Water cycle algorithm for robot path planning | |
Ding et al. | Advancements and challenges of information integration in swarm robotics | |
Sun et al. | Three dimensional AUV complete coverage path planning with Glasius bio-inspired neural network | |
Ebada | Intelligent techniques-based approach for ship manoeuvring simulations and analysis: artificial neural networks application | |
Huang et al. | Robotic organism targets regional coverage capture path planning for marine aquafarm based on value iteration network |
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 |