CN112612290B - 一种考虑洋流的水下航行器三维多任务路径规划方法 - Google Patents
一种考虑洋流的水下航行器三维多任务路径规划方法 Download PDFInfo
- Publication number
- CN112612290B CN112612290B CN202011418512.1A CN202011418512A CN112612290B CN 112612290 B CN112612290 B CN 112612290B CN 202011418512 A CN202011418512 A CN 202011418512A CN 112612290 B CN112612290 B CN 112612290B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- coordinate system
- path planning
- ocean
- population
- 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 31
- 230000013011 mating Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 10
- 230000002068 genetic effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000003786 synthesis reaction 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
- G05D1/04—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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种考虑洋流的水下航行器三维多任务路径规划方法。首先建立三维海洋空间模型,再建立指定深度下的二维洋流场,再利用插值方法模拟三维空间的洋流,然后使用多因子进化算法,在所建立的三维环境中规划出合理的路径点,经过个体交叉变异,计算因子代价和种群合并,最终经过环境选择,输出水下航行器多任务优化的最优解。本发明能够在考虑障碍物、洋流等影响因素下,使多个水下航行器适应复杂的海洋环境,安全地到达目标点。
Description
技术领域
本发明属于水下航行器控制技术领域,具体涉及一种多任务路径规划方法。
背景技术
自主水下航行器(Autonomous Underwater Vehicle,以下简称AUV)是一种重要的工具,常用于海洋资源的勘探与研究。海洋环境复杂多变,为了确保AUV的安全导航,其路径规划技术非常重要。目前,AUV路径规划的主要方法是人工势场法,A*算法,粒子群优化算法和遗传算法等。人工势场法比较成熟和高效,但会存在局部极小点和不可达点。A*算法原理简单,但对于三维路径规划,算法的启发函数难以设置,若不能保证启发函数值小于真实值,难以规划最优路径。粒子种群算法和遗传算法都是通过随机搜索来更新种群和搜索最优点,但不能保证全局最优。
AUV的自主控制技术主要包括以下三个方面:运动控制技术,传感器数据感知技术和自主路径规划与避障技术。其中,AUV路径规划是指AUV在复杂的三维海洋环境中,从起始点安全地到达目标点。随着海洋勘探任务的发展,单个AUV的能力已不能满足任务要求。为了提高工作效率,多个AUV的协同工作已成为研究热点。实现多个AUV在海洋环境中协同路径规划是近年来AUV领域的发展趋势之一,路径规划技术是提高航行安全的关键技术。多因子进化算法(Multi-Factor Evolutionary Algorithm,简称MFEA)受到多因子遗传模型的启发,进化出一个单一的个体种群,能够有效地同时处理多个优化任务。MFEA算法结构简单,效率高,鲁棒性好。基于MFEA算法知识传递的原理,该方法对原有算法进行了改进,考虑了将个体估计最优解与任务的估计最优解之间的差值作为额外的知识传递。改进后的算法收敛速度更快,收敛性能更好。
AUV的运行环境是一个三维空间,由于三维空间的复杂性,许多研究人员不断改进算法并构建新的三维空间模型。MFEA算法是一种多任务优化算法,搜索维度会直接影响算法的收敛性能。若搜索维度过大,算法收敛速度会变慢,同时收敛性能会变差。因此需要构造一个合理的三维空间模型,降低算法搜索维度,避免维度灾难问题。AUV运行的环境复杂多变,存在水下障碍物、动态洋流等干扰因素,同时还要兼顾路径的可行性、最优性、环境约束等问题,因此AUV在复杂环境中的路径规划能力仍有很大的提升空间。
发明内容
为了克服现有技术的不足,本发明提供了一种考虑洋流的水下航行器三维多任务路径规划方法。首先建立三维海洋空间模型,再建立指定深度下的二维洋流场,再利用插值方法模拟三维空间的洋流,然后使用多因子进化算法,在所建立的三维环境中规划出合理的路径点,经过个体交叉变异,计算因子代价和种群合并,最终经过环境选择,输出水下航行器多任务优化的最优解。本发明能够在考虑障碍物、洋流等影响因素下,使多个水下航行器适应复杂的海洋环境,安全地到达目标点。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1:建立三维海洋空间模型,将水下障碍物视为长方体;
建立任意坐标系x0y0z0,确定路径规划任务的起点Pst和终点Pgo;然后将坐标系x0y0z0平移变换到坐标系x1y1z1,使Pst位于坐标系x1y1z1的原点;再将坐标系x1y1z1旋转变换到坐标系x2y2z2,使坐标系x2y2z2的x轴方向指向路径规划任务的终点Pgo;坐标系x0y0z0中的点P的坐标转换到坐标系x2y2z2中的关系式为:
其中,α为坐标系x0y0z0的x0轴与坐标系x1y0z1的x1轴的夹角,β为坐标系x1y0z1的x1轴与坐标系x2y1z1的x2轴的夹角,(xst,yst,zst)是路径规划任务的起点Pst坐标,(x′P,y′P,z′P)是点P在坐标系x0y0z0中的坐标,(xP,yP,zP)是点P在坐标系x2y2z2中的坐标;
步骤2:采用分层思想进行三维洋流环境建模,先建立指定深度下的二维洋流场,再利用插值方法模拟海洋三维空间的洋流速度;
二维平面涡流场函数为:
其中,S0=(x0,y0)是涡流场的中心,η是涡流的半径,ζ是涡流的强度,S=(x,y)代表在二维平面的任意位置;uc(S)和vc(S)分别为洋流在地球纬度方向和经度方向的分量;
指定多个海洋深度Z1,...,Zi,...,Zm,i=1,...,m;使用二维平面涡流场函数计算平面上任意位置S在深度Zi投影点的二维洋流速度,得到任意位置S在每个指定深度的投影点的二维洋流速度;再通过插值法计算任意两个指定深度之间的二维洋流速度,由此得到海洋三维空间中任意一点的洋流速度;
步骤3:使用多因子进化算法,先进行种群初始化,生成初始个体种群并将其存储在parent_pop中;假设同时执行K个路径规划任务,定义统一空间Y编码整个种群;Y的维度D=max{D1,D2,...,DK},每一维约束范围为[0,1];
步骤4:计算初始化种群的因素等级以及技能因素;
对于给定的路径规划任务T,因子代价C=Ctime+CPenalty;
Ctime为目标函数值,将水下航行器航线的时间代价当成多任务路径规划的目标:
当水下航行器在规划的路径中碰到障碍物时,增加惩罚值CPenalty=Nobs×Llong;其中,Nobs为水下航行器穿过障碍物的路径数量,Llong为水下航行器工作空间的最长边;
步骤5:计算个体梯度;
第j个路径规划任务的最优估计:
计算个体梯度:
individual_gradq=shifting_rate×(EstiOptimalj-Xq) (6)
其中,shifting_rate为转移率,EstiOptimalj为个体估计最优解,Xq为路径规划任务的估计最优解;
步骤6:对个体交叉变异,以比例选择算法从种群中选出2个个体,若随机值rand(0,1)小于设定的随机交配概率rmp,对2个个体执行交叉操作;若rand(0,1)大于等于随机交配概率rmp,对2个个体执行变异操作;
然后计算因子代价,即个体对所有任务的评估值;
最后将种群合并,将2个新的个体加入到种群中;
步骤8:采用精英保留策略,将每一代中的最优解原封不动的复制到下一代中,选出每个路径规划任务Tj的最优个体。
由于采用了本发明提出的一种考虑洋流的水下航行器三维多任务路径规划方法,带来了如下有益效果:
1、本发明能够解决多任务优化问题,同时对算法进行了改进,将个体的估计最优解和任务的估计最优解之间的方向距离作为额外的知识迁移,提高了算法的收敛性;
2、针对三维空间计算复杂度问题,建立了一种新的三维空间模型,提高了算法运算效率;
3、考虑到洋流因素对路径规划的影响,采用分层思想建立了三维洋流环境,规划的路径具有一定的抗洋流干扰能力。
附图说明
图1为本发明方法三维坐标旋转变换图。
图2为本发明方法中采用分层思想建立三维洋流图。
图3为本发明方法水下航行器速度合成图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
为克服各种复杂多变的海洋环境,本发明提出了一种考虑洋流的水下航行器三维多任务路径方法。在整个算法的实现过程中,需要构建一个三维空间模型。该空间模型包含模拟的水下障碍物和三维洋流。目的在于考虑障碍物、洋流等影响因素,使多个水下航行器能够适应复杂的海洋环境,安全地到达目标点。
本发明提供一种考虑洋流的水下航行器三维多任务路径规划方法,包括以下步骤:
步骤1:建立三维海洋空间模型,将水下障碍物视为长方体;
建立任意坐标系x0y0z0,确定路径规划任务的起点Pst和终点Pgo;然后将坐标系x0y0z0平移变换到坐标系x1y1z1,使Pst位于坐标系x1y1z1的原点;再将坐标系x1y1z1旋转变换到坐标系x2y2z2,使坐标系x2y2z2的x轴方向指向路径规划任务的终点Pgo;坐标系x0y0z0中的点P的坐标转换到坐标系x2y2z2中的关系式为:
其中,α为坐标系x0y0z0的x0轴与坐标系x1y0z1的x1轴的夹角,β为坐标系x1y0z1的x1轴与坐标系x2y1z1的x2轴的夹角,(xst,yst,zst)是路径规划任务的起点Pst坐标,(x′P,y′P,z′P)是点P在坐标系x0y0z0中的坐标,(xP,yP,zP)是点P在坐标系x2y2z2中的坐标;
步骤2:采用分层思想进行三维洋流环境建模,先建立指定深度下的二维洋流场,再利用插值方法模拟海洋三维空间的洋流速度;
二维平面涡流场函数为:
其中,S0=(x0,y0)是涡流场的中心,η是涡流的半径,ζ是涡流的强度,S=(x,y)代表在二维平面的任意位置;uc(S)和vc(S)分别为洋流在地球纬度方向和经度方向的分量;
指定多个海洋深度Z1,...,Zi,...,Zm,i=1,...,m;使用二维平面涡流场函数计算平面上任意位置S在深度Zi投影点的二维洋流速度,得到任意位置S在每个指定深度的投影点的二维洋流速度;再通过插值法计算任意两个指定深度之间的二维洋流速度,由此得到海洋三维空间中任意一点的洋流速度;
步骤3:使用多因子进化算法,先进行种群初始化,生成初始个体种群并将其存储在parent_pop中;假设同时执行K个路径规划任务,定义统一空间Y编码整个种群;Y的维度D=max{D1,D2,...,DK},每一维约束范围为[0,1];
步骤4:计算初始化种群的因素等级以及技能因素;
对于给定的路径规划任务T,因子代价C=Ctime+CPenalty;
Ctime为目标函数值,将水下航行器航线的时间代价当成多任务路径规划的目标:
当水下航行器在规划的路径中碰到障碍物时,增加惩罚值CPenalty=Nobs×Llong;其中,Nobs为水下航行器穿过障碍物的路径数量,Llong为水下航行器工作空间的最长边;
步骤5:计算个体梯度;
第j个路径规划任务的最优估计:
计算个体梯度:
individual_gradq=shifting_rate×(EstiOptimalj-Xq) (6)
其中,shifting_rate为转移率,EstiOptimalj为个体估计最优解,Xq为路径规划任务的估计最优解;
步骤6:对个体交叉变异,以比例选择算法从种群中选出2个个体,若随机值rand(0,1)小于设定的随机交配概率rmp,对2个个体执行交叉操作;若rand(0,1)大于等于随机交配概率rmp,对2个个体执行变异操作;
然后计算因子代价,即个体对所有任务的评估值;
最后将种群合并,将2个新的个体加入到种群中;
步骤8:采用精英保留策略,将每一代中的最优解原封不动的复制到下一代中,选出每个路径规划任务Tj的最优个体。
具体实施例:
本发明实施例以2个不同的AUV分别到达其各自的目标点为例,对考虑洋流的水下航行器三维多任务路径规划算法进行了验证:
1、建立三维空间模型,进行三维坐标系旋转变换。如图1,Pst为起始点,Pgo为目标点。α为坐标系x0y0z0的x0轴与坐标系x1y0z1的x1轴的夹角,β为坐标系x1y0z1的x1轴与坐标系x2y1z1的x2轴的夹角。在进行坐标系转换过程中,首先固定y0轴不动,坐标系x0y0z0绕y0轴旋转α角至坐标系x1y0z1。然后固定z1轴不动,坐标系x1y0z1绕z1轴旋转β角至坐标系x2y1z1。
2、采用分层思想进行三维洋流环境建模,先建立某几层深度下的二维洋流场,再利用插值方法模拟三维空间的洋流。如图2所示,指定多个海洋深度Z1,...,Zi,...,Zm,i=1,...,m;使用二维平面涡流场函数计算平面上任意位置S在深度Zi投影点的二维洋流速度,得到任意位置S在每个指定深度的投影点的二维洋流速度;再通过插值法计算任意两个指定深度之间的二维洋流速度,由此得到海洋三维空间中任意一点的洋流速度。
3、使用多因子进化算法,在所建立的三维环境中规划出合理的路径点。算法将时间代价设为多任务优化的目标,AUV航行的时间代价为:
CPenalty=Nobs×Llong
总的时间代价为:
C=Ctime+CPenaltv
4、多因子进化算法以步骤3中的时间代价Ctime作为优化目标,设置种群的大小,随机交配概率rmp,迭代次数N。在优化过程中,经过N次迭代,算法输出水下航行器多任务优化的最优解。
Claims (1)
1.一种考虑洋流的水下航行器三维多任务路径规划方法,其特征在于,包括以下步骤:
步骤1:建立三维海洋空间模型,将水下障碍物视为长方体;
建立任意坐标系x0y0z0,确定路径规划任务的起点Pst和终点Pgo;然后将坐标系x0y0z0平移变换到坐标系x1y1z1,使Pst位于坐标系x1y1z1的原点;再将坐标系x1y1z1旋转变换到坐标系x2y2z2,使坐标系x2y2z2的x轴方向指向路径规划任务的终点Pgo;坐标系x0y0z0中的点P的坐标转换到坐标系x2y2z2中的关系式为:
其中,α为坐标系x0y0z0的x0轴与坐标系x1y0z1的x1轴的夹角,β为坐标系x1y0z1的x1轴与坐标系x2y1z1的x2轴的夹角,(xst,yst,zst)是路径规划任务的起点Pst坐标,(x′P,y′P,z′P)是点P在坐标系x0y0z0中的坐标,(xP,yP,zP)是点P在坐标系x2y2z2中的坐标;
步骤2:采用分层思想进行三维洋流环境建模,先建立指定深度下的二维洋流场,再利用插值方法模拟海洋三维空间的洋流速度;
二维平面涡流场函数为:
其中,S0=(x0,y0)是涡流场的中心,η是涡流的半径,ζ是涡流的强度,S=(x,y)代表在二维平面的任意位置;uc(S)和vc(S)分别为洋流在地球纬度方向和经度方向的分量;
指定多个海洋深度Z1,...,Zi,...,Zm,i=1,...,m;使用二维平面涡流场函数计算平面上任意位置S在深度Zi投影点的二维洋流速度,得到任意位置S在每个指定深度的投影点的二维洋流速度;再通过插值法计算任意两个指定深度之间的二维洋流速度,由此得到海洋三维空间中任意一点的洋流速度;
步骤3:使用多因子进化算法,先进行种群初始化,生成初始个体种群并将其存储在parent_pop中;假设同时执行K个路径规划任务,定义统一空间Y编码整个种群;Y的维度D=max{D1,D2,...,DK},每一维约束范围为[0,1];
步骤4:计算初始化种群的因素等级以及技能因素;
对于给定的路径规划任务T,因子代价C=Ctime+CPenalty;
Ctime为目标函数值,将水下航行器航线的时间代价当成多任务路径规划的目标:
当水下航行器在规划的路径中碰到障碍物时,增加惩罚值CPenalty=Nobs×Llong;其中,Nobs为水下航行器穿过障碍物的路径数量,Llong为水下航行器工作空间的最长边;
步骤5:计算个体梯度;
第j个路径规划任务的最优估计:
计算个体梯度:
individual_gradq=shifting_rate×(EstiOptimalj-Xq) (6)
其中,shifting_rate为转移率,EstiOptimalj为个体估计最优解,Xq为路径规划任务的估计最优解;
步骤6:对个体交叉变异,以比例选择算法从种群中选出2个个体,若随机值rand(0,1)小于设定的随机交配概率rmp,对2个个体执行交叉操作;若rand(0,1)大于等于随机交配概率rmp,对2个个体执行变异操作;
然后计算因子代价,即个体对所有任务的评估值;
最后将种群合并,将2个新的个体加入到种群中;
步骤8:采用精英保留策略,将每一代中的最优解原封不动的复制到下一代中,选出每个路径规划任务Tj的最优个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011418512.1A CN112612290B (zh) | 2020-12-06 | 2020-12-06 | 一种考虑洋流的水下航行器三维多任务路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011418512.1A CN112612290B (zh) | 2020-12-06 | 2020-12-06 | 一种考虑洋流的水下航行器三维多任务路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112612290A CN112612290A (zh) | 2021-04-06 |
CN112612290B true CN112612290B (zh) | 2023-03-07 |
Family
ID=75229489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011418512.1A Active CN112612290B (zh) | 2020-12-06 | 2020-12-06 | 一种考虑洋流的水下航行器三维多任务路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112612290B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109976158B (zh) * | 2019-03-28 | 2021-10-15 | 沈阳航空航天大学 | 基于距离进化n-pso的auv能源优化路径搜寻方法 |
CN113848959B (zh) * | 2021-09-13 | 2024-02-02 | 西北工业大学 | 一种周期更新估计洋流速度的水下滑翔机航向修正方法 |
CN113879495B (zh) * | 2021-10-26 | 2024-04-19 | 西北工业大学 | 一种基于海流预测的水下滑翔机动态运动规划方法 |
CN117055591B (zh) * | 2023-10-11 | 2024-03-15 | 青岛哈尔滨工程大学创新发展中心 | 综合洋流影响和机动性约束的auv全局路径规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109164815A (zh) * | 2018-09-06 | 2019-01-08 | 中国计量大学 | 一种基于改进蚁群算法的自主水下航行器路径规划方法 |
CN109782779A (zh) * | 2019-03-19 | 2019-05-21 | 电子科技大学 | 基于种群超启发式算法的洋流环境下auv路径规划方法 |
CN110095120A (zh) * | 2019-04-03 | 2019-08-06 | 河海大学 | 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10071791B2 (en) * | 2013-11-12 | 2018-09-11 | Ion Geophysical Corporation | Comparative ice drift and tow model analysis for target marine structure |
-
2020
- 2020-12-06 CN CN202011418512.1A patent/CN112612290B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109164815A (zh) * | 2018-09-06 | 2019-01-08 | 中国计量大学 | 一种基于改进蚁群算法的自主水下航行器路径规划方法 |
CN109782779A (zh) * | 2019-03-19 | 2019-05-21 | 电子科技大学 | 基于种群超启发式算法的洋流环境下auv路径规划方法 |
CN110095120A (zh) * | 2019-04-03 | 2019-08-06 | 河海大学 | 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 |
Non-Patent Citations (1)
Title |
---|
A Multi-Task Algorithm for Autonomous Underwater Vehicles 3D path planning;Hu Hao;《2020 3rd International Conference on Unmanned Systems (ICUS)》;20201128;第972-977页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112612290A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112612290B (zh) | 一种考虑洋流的水下航行器三维多任务路径规划方法 | |
Li et al. | Path planning technologies for autonomous underwater vehicles-a review | |
Mansouri et al. | Cooperative coverage path planning for visual inspection | |
CN111240319B (zh) | 室外多机器人协同作业系统及其方法 | |
Song et al. | Online inspection path planning for autonomous 3D modeling using a micro-aerial vehicle | |
CN108279692B (zh) | 一种基于lstm-rnn的uuv动态规划方法 | |
Cao et al. | Target search control of AUV in underwater environment with deep reinforcement learning | |
CN110471426A (zh) | 基于量子狼群算法的无人驾驶智能车自动避碰方法 | |
MahmoudZadeh et al. | Uninterrupted path planning system for Multi-USV sampling mission in a cluttered ocean environment | |
CN103968841B (zh) | 一种基于改进萤火虫算法的auv三维航路规划方法 | |
Guo et al. | Research progress of path planning methods for autonomous underwater vehicle | |
Cao et al. | Toward optimal rendezvous of multiple underwater gliders: 3D path planning with combined sawtooth and spiral motion | |
Xu et al. | Heuristic and random search algorithm in optimization of route planning for Robot’s geomagnetic navigation | |
Li et al. | Three-dimensional path planning for AUVs in ocean currents environment based on an improved compression factor particle swarm optimization algorithm | |
Ma et al. | An optimal control-based path planning method for unmanned surface vehicles in complex environments | |
Fairfield et al. | Towards particle filter SLAM with three dimensional evidence grids in a flooded subterranean environment | |
Lin et al. | Smart underwater pollution detection based on graph-based multi-agent reinforcement learning towards AUV-based network ITS | |
Yang et al. | An efficient spatial representation for path planning of ground robots in 3D environments | |
Hou et al. | Bounded cost path planning for underwater vehicles assisted by a time-invariant partitioned flow field model | |
CN114596360A (zh) | 一种基于图拓扑的双阶段主动即时定位与建图算法 | |
Li et al. | Ship Formation Algorithm Based on the Leader–Follower Method | |
Yiğit | Path planning methods for autonomous underwater vehicles | |
CN113110530B (zh) | 一种针对三维环境下的水下机器人路径规划方法 | |
Li et al. | Energy-efficient space–air–ground–ocean-integrated network based on intelligent autonomous underwater glider | |
Teixeira et al. | Cooperative multiple formation control of autonomous marine vehicles |
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 |