CN112666948A - 一种基于信道建模的自主水下航行器路径规划方法 - Google Patents
一种基于信道建模的自主水下航行器路径规划方法 Download PDFInfo
- Publication number
- CN112666948A CN112666948A CN202011533775.7A CN202011533775A CN112666948A CN 112666948 A CN112666948 A CN 112666948A CN 202011533775 A CN202011533775 A CN 202011533775A CN 112666948 A CN112666948 A CN 112666948A
- Authority
- CN
- China
- Prior art keywords
- underwater vehicle
- autonomous underwater
- node
- path
- channel
- 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
Abstract
本发明公开了一种基于信道建模的自主水下航行器路径规划方法,涉及水声通信和自动控制技术领域;该方法包括:利用概率模型对自主水下航行器活动区域建立信道预估模型;基于所述信道预估模型估计监测区域内任意位置的信道质量;以所述信道质量以及路径长短作为启发式搜索算法的代价项,得到改进的启发式搜索算法;通过改进的启发式搜索算法对自主水下航行器的移动路径进行规划。本发明使自主水下航行器在向目标点移动过程中选择信道质量较好的路径,解决了自主水下航行器在移动过程中通信质量不佳的问题。
Description
技术领域
本发明涉及水声通信和自动控制技术领域,尤其涉及一种基于信道建模的自主水下航行器路径规划方法。
背景技术
21世纪是公认的海洋世纪,人类对海洋的研究和开发利用都达到了前所未有的高度。在对海洋进行探索时,位置固定的传感器节点已经渐渐不能满足人类的要求,更多的学者和科研人员将目光投向了作业更加灵活的自主水下航行器。自主水下航行器可以通过航行在更大的范围内采集海洋数据。但海洋通信环境相较陆地较差,自主水下航行器有时身处信道较差的区域以致无法及时将采集到的数据传回给数据收集节点。如何估计自主水下航行器活动区域内的信道情况以及如何为自主水下航行器规划利于通信的移动路径仍是一个具有挑战性的问题。
经对现有文献的检索发现,公开号为CN110941261A,名称为:一种自主式水下航行器多区域遍历路径规划方法。该发明通过局部区域遍历方法生成局部区域路径,并统计各局部区域所有可能的遍历起始点,采用L-SHADE优化方法分析出最优遍历顺序和各局部区域最佳的遍历起始点,根据这些信息生成最优的遍历路径。然而,这种方法基于遍历,执行步骤过于繁琐,计算量大,并不十分适用于自主水下航行器的寻路。
另外,公开号为CN110244759A,名称为:一种基于区间优化的水下机器人时间最优路径规划方法。该发明首先根据路径确定举行路径搜索区域并栅格化,然后利用蚁群系统算法搜索由起点至终点候选路径,进行矢量分析和建立候选路径评价函数,最后将评价函数值返回到蚁群系统算法,根据寻优机制搜索出最优路径。然而,这种方法的优化指标只有机器人的优化时间,即寻找最短路径,并没有考虑自主水下航行器通信质量的优化。
发明内容
本发明目的在于提供一种基于信道建模的自主水下航行器路径规划方法,路径长短与通信质量联合优化,以解决自主水下航行器在移动中选取的路线通信质量不佳,导致无法及时将采集到的数据传回给数据收集节点的问题。
为实现上述目的,本发明采用了如下技术方案:
一种基于信道建模的自主水下航行器路径规划方法,包括:
利用概率模型对自主水下航行器活动区域建立信道预估模型;
基于所述信道预估模型估计监测区域内任意位置的信道质量;
以所述信道质量以及路径长短作为启发式搜索算法的代价项,得到改进的启发式搜索算法;
通过改进的启发式搜索算法对自主水下航行器的移动路径进行规划。
进一步地,利用概率模型对自主水下航行器活动区域建立信道预估模型,包括:
在位置固定的数据收集节点pt以外的其他任意位置p,接收信号强度表示为:
Sr,dB=HdB-10δlg(||p-pt||)+μs;
其中,pt∈R3,Sr,dB代表接收信号强度,HdB代表发射功率,δ表示衰减系数;μs为零均值高斯随机变量,用来描述阴影效应;
选取样本位置,并进行样本测量;
通过所述样本测量值计算信道预估模型中的关键参数,所述关键参数包括:与路径损耗相关的参数HdB和δ、与样本间相关度有关的参数χ和γ,其中,γ为样本空间相关度,χ为阴影效应能量。
进一步地,通过所述样本测量值计算信道预估模型中的关键参数,包括:
利用最大似然法通过样本测量值计算信道预估模型中的关键参数。
进一步地,基于所述信道预估模型估计监测区域内任意位置的信道质量,包括:
令Φ(p)=10lgSr(p),可得:
其中,Φ(p)是其在对数域的表达,为对p处的接收信号强度进行估计的条件概率密度,N(.)代表高斯分布,服从高斯分布,为高斯分布的均值,这里即为利用模型估计出的接收信号强度,也就是p处的信道质量,为高斯分布的方差,v=[v1,v2…vn]代表n个样本测量值;K为样本的协方差矩阵,ki,j为第i个和第j个样本间的相关度,ki,j=χexp(||pi-pj||/γ);φ=[HdB δ]T;pi代表第i个样本的位置;m(p)和ψ(p)为计算过程中的中间式:m(p)=[1-10lg(||p-pt||)]T,ψ(p)=[exp(-||p-p1||/γ,...,exp(-||p-pn||/γ)]T。
进一步地,所述改进的启发式搜索算法包括:
改进的启发式搜索算法的代价公式为:
F=G+H+L;
其中,G代表自主水下航行器从起点移动到某一位置的代价,H代表自主水下航行器从当前位置移动到目标位置估算成本,F代表自主水下航行器从起点移动到目标位置的总代价; 和分别代表当前位置和下一个位置处的信道质量;λ是权重系数,表示信道质量的重要程度;|λ|越大,则代表自主水下航行器每次移动时信道质量的代价占比越大;|λ|越小,则代表自主水下航行器每次移动时更多考虑的是移动路径的长短。
进一步地,将自主水下航行器活动区域划分为一个个紧密相邻正方体网格,每个正方体的棱长为w,用每个正方体中心点的信道质量来代表该正方体区域内整体的信道质量,自主水下航行器能够从所处的正方体向相邻的正方体进行移动;
λ的取值公式如下:
进一步地,通过改进的启发式搜索算法对自主水下航行器的移动路径进行规划,包括:
S1、将起点放入open list中;
S2、遍历open list中所有元素,计算其总代价F,找到F最小的元素并将其作为当前要处理的节点;
S3、把当前要处理的节点移到close list中;
S4、对与当前要处理的节点所在正方体紧密相邻的每个正方体做如下操作:
检查当前要处理的节点是否在close list中,是则忽略,不是则检查当前要处理的节点是否在open list中,如果不在open list中,则将其移入open list,并把当前要处理的节点作为它的父节点,计算出当前要处理的节点的F、G、H和L值;如果已经在open list中,基于G+L的值检查这条路径是否更好,G+L的值越小越表明这条路径是更好的路径;如果是,把当前要处理的节点的父节点设置为当前节点,并重新计算当前要处理的节点的G值和F值;
S5、检查open list中所有元素,如果发现了目标节点在某元素的正方体内,说明已找到合适的路径,从目标点一直回溯到起点组成的路径,就是合适的路径;如果没有发现,重复S2-S5;
S6、保存路径;
其中,open list和close list是两个列表,前者存放所有可能经过的节点,后者存放所有不需要再关注的节点。
与现有技术相比,本发明具有如下优点:
1、本发明提出了一种简单实用的概率预测模型,在自主水下航行器活动区域内通过少量的样本测量来估计任意位置的信道质量,相当于为自主水下航行器的航行提供了一张信道地图。
2、通常的路径规划方法一般只考虑自主水下航行器航行路径的长短问题,本发明将常用的A*寻路算法扩充到了三维,并加入了信道质量的代价项,既考虑了路径的长短,又考虑了沿途的信道质量,可以让自主水下航行器在航行过程中既在不断地接近目标点,同时也会绕开一些信道质量不佳的地方,保证了自主水下航行器在运动过程中的通信质量。
附图说明
为了更清楚地说明本申请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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本发明实施例中一种基于信道建模的自主水下航行器路径规划方法的流程示意图;
图2为本发明实施例中构建信道预测模型示意图;
图3为本发明实施例中自主水下航行器运动方式示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
参见图1,其示出了本发明实施例中一种基于信道建模的自主水下航行器路径规划方法的流程示意图,该方法包括:
S101、利用概率模型对自主水下航行器活动区域建立信道预估模型;
在一种可能的实施方式中,按照如下步骤对自主水下航行器活动区域建立信道模型:
在数据收集节点pt(其位置固定,不会移动)以外的其他任意位置p,接收信号强度表示为:
Sr(p)=HdB-10δlg(||p-pt||)+μs (1)
其中,pt∈R3,Sr(p)代表接收信号强度,HdB代表发射功率,δ表示衰减系数;μs是一个零均值高斯随机变量,用来描述阴影效应。
接下来进行样本的测量,因为要用少量样本来估计模型的未知参数进而估计监测区域内任意位置的信道质量,故样本位置的选取要具有代表性。
令v=[v1,v2…vn]代表n个样本测量值,基于式(1)可得:
v=Mφ+μs (2)
其中,
pi代表第i个样本的位置;φ=[HdB δ]T包含了与路径损耗有关的参数HdB和δ,μs∈Rn。
样本的协方差矩阵表示为K:
其中,ki,j为第i个和第j个样本间的相关度,ki,j=χexp(||pi-pj||/γ)。
至此,便得到了信道预估模型中的四个关键参数:HdB、δ、χ和γ,只要估计出这四个参数的值,就能通过信道预估模型估算出监测区域内任意位置的信道质量。
可以利用概率论中的最大似然法来实现这一目标,具体地:
用P(v|φ,χ,γ)来表示v的条件概率密度,则:
|K|为K的行列式;
基于最大似然法进一步可得:
接下来可以得到:
将式(7)代入式(6),可得:
值得注意的是,当γ→0时,样本之间变得不相关,此时对φ和χ的估计将不再依赖于模型参数γ,可得:
至此,信道预估模型建立完毕,且信道预估模型中的关键参数也通过样本测量进行计算获取。可以凭借该信道预估模型估计监测区域内任意位置的信道质量。
S102、基于所述信道预估模型估计监测区域内任意位置的信道质量。
具体地,令Φ(p)=10lgSr(p),可得:
其中,Φ(p)是其在对数域的表达, 为对p处的接收信号强度进行估计的条件概率密度,N(.)代表高斯分布,服从高斯分布,为高斯分布的均值,这里即为利用模型估计出的接收信号强度,也就是p处的信道质量,为高斯分布的方差。m(p)和ψ(p)为计算过程中的中间式:
m(p)=[1-10lg(||p-pt||)]T
ψ(p)=[exp(-||p-p1||/γ,...,exp(-||p-pn||/γ)]T (11)
S103、以所述信道质量以及路径长短作为启发式搜索算法的代价项,得到改进的启发式搜索算法。
启发式搜索算法是A*(A-Star)算法的别称,A*算法是一种静态路网中求解最短路径最有效的直接搜索方法,也是解决许多搜索问题的有效算法,算法中的距离估算值与实际值越接近,最终搜索速度越快。A*算法仅以路径长短作为代价项,本发明中对A*算法进行改进,改进的A*算法的代价公式为:
F=G+H+L (12)
其中,G代表自主水下航行器从起点移动到某一位置的代价,H代表自主水下航行器从当前位置移动到目标位置估算成本,F代表自主水下航行器从起点移动到目标位置的总代价; 和分别代表当前位置和下一个位置处的信道质量;λ是权重系数,表示信道质量的重要程度;|λ|越大,则代表自主水下航行器每次移动时信道质量的代价占比越大;|λ|越小,则代表自主水下航行器每次移动时更多考虑的是移动路径的长短。
其中,将自主水下航行器活动区域划分为一个个紧密相邻正方体网格,每个正方体的棱长为w,用每个正方体中心点的信道质量来代表该正方体区域内整体的信道质量,自主水下航行器能够从所处的正方体向相邻的正方体进行移动;λ的取值公式如下:
其中,ζ代表一个判定自主水下航行器能否与数据收集节点正常通信的阈值,信道质量大于等于该阈值,则自主水下航行器能够与数据收集节点正常通信,反之则认为通信质量不佳或无法通信;Δ为的众数,表示信道质量的一般变化程度。λ的选取不是一个定值,而是一个区间,这是因为路径长短的变化是规律的,而沿途的信道变化是不规律的,这里给出一个λ选值的参考范围,解决了上文所说的在路径长短与沿路信道质量两个要素的均衡,通过人为赋值,可使自主水下航行器在不同的环境和条件下自由选取不同的侧重点。
S104、通过改进的启发式搜索算法对自主水下航行器的移动路径进行规划。
如图2所示,自主水下航行器的活动区域简化成一个长方体,自主水下航行器在长方体中运动,不会出界。将数据收集节点固定在坐标原点(其他位置也可),散布在长方体中的圆圈是随机选取的样本测量点,在这些位置接收数据收集节点发出的信号并测量其强度。这些不同位置的接收信号强度构成了样本测量值向量v=[v1,v2…vn]。将该向量代入建立好的信道预测模型中,就可以得到自主水下航行器活动区域内任意位置的信道质量预测值
如图3所示,将自主水下航行器活动区域划分为一个个紧密相邻正方体网格,用每个正方体中心点的信道质量来代表该正方体区域内整体的信道质量,自主水下航行器可以从所处的正方体向相邻的正方体进行移动,相邻的正方体通常有26个(自主水下航行器处于活动区域边界时相邻的正方体个数会减小)。
进一步的,每一个正方体都会有自身的G值、H值、L值和F值。自主水下航行器在移动过程中通过比较移动到不同正方体所付出的代价值大小,选择代价值最小的正方体作为下一步的移动方向。
通过改进的启发式搜索算法对自主水下航行器的移动路径进行规划,包括:
S1、将起点放入open list中;
S2、遍历open list中所有元素,计算其总代价F,找到F最小的元素并将其作为当前要处理的节点;
S3、把当前要处理的节点移到close list中;
S4、对与当前要处理的节点所在正方体紧密相邻的每个正方体做如下操作:
检查当前要处理的节点是否在close list中,是则忽略,不是则检查当前要处理的节点是否在open list中,如果不在open list中,则将其移入open list,并把当前要处理的节点作为它的父节点,计算出当前要处理的节点的F、G、H和L值;如果已经在open list中,基于G+L的值检查这条路径是否更好,G+L的值越小越表明这条路径是更好的路径;如果是,把当前要处理的节点的父节点设置为当前节点,并重新计算当前要处理的节点的G值和F值;
S5、检查open list中所有元素,如果发现了目标节点在某元素的正方体内,说明已找到合适的路径,从目标点一直回溯到起点组成的路径,就是合适的路径;如果没有发现,重复S2-S5;
S6、保存路径;
其中,open list和close list是两个列表,前者存放所有可能经过的节点,后者存放所有不需要再关注的节点。
本发明实施例中提出了一种简单实用的概率预测模型,在自主水下航行器活动区域内通过少量的样本测量来估计任意位置的信道质量,相当于为自主水下航行器的航行提供了一张信道地图。
通常的路径规划方法一般只考虑自主水下航行器航行路径的长短问题,本发明实施例中将常用的A*寻路算法扩充到了三维,并加入了信道质量的代价项,既考虑了路径的长短,又考虑了沿途的信道质量,可以让自主水下航行器在航行过程中既在不断地接近目标点,同时也会绕开一些信道质量不佳的地方,保证了自主水下航行器在运动过程中的通信质量。
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 (7)
1.一种基于信道建模的自主水下航行器路径规划方法,其特征在于,包括:
利用概率模型对自主水下航行器活动区域建立信道预估模型;
基于所述信道预估模型估计监测区域内任意位置的信道质量;
以所述信道质量以及路径长短作为启发式搜索算法的代价项,得到改进的启发式搜索算法;
通过改进的启发式搜索算法对自主水下航行器的移动路径进行规划。
2.根据权利要求1所述的基于信道建模的自主水下航行器路径规划方法,其特征在于,利用概率模型对自主水下航行器活动区域建立信道预估模型,包括:
在数据收集节点pt以外的其他任意位置p,接收信号强度表示为:
Sr,dB=HdB-10δlg(||p-pt||)+μs;
其中,pt∈R3,Sr,dB代表接收信号强度,HdB代表发射功率,δ表示衰减系数;μs为零均值高斯随机变量,用来描述阴影效应;
选取样本位置,并进行样本测量;
通过所述样本测量值计算信道预估模型中的关键参数,所述关键参数包括:与路径损耗相关的参数HdB和δ、与样本间相关度有关的参数χ和γ,其中,γ为样本空间相关度,χ为阴影效应能量。
3.根据权利要求1所述的基于信道建模的自主水下航行器路径规划方法,其特征在于,通过所述样本测量值计算信道预估模型中的关键参数,包括:
利用最大似然法通过样本测量值计算信道预估模型中的关键参数。
4.根据权利要求1所述的基于信道建模的自主水下航行器路径规划方法,其特征在于,基于所述信道预估模型估计监测区域内任意位置的信道质量,包括:
令χ(p)=10lgSr(p),可得:
7.根据权利要求6所述的基于信道建模的自主水下航行器路径规划方法,其特征在于,通过改进的启发式搜索算法对自主水下航行器的移动路径进行规划,包括:
S1、将起点放入open list中;
S2、遍历open list中所有元素,计算其总代价F,找到F最小的元素并将其作为当前要处理的节点;
S3、把当前要处理的节点移到close list中;
S4、对与当前要处理的节点所在正方体紧密相邻的每个正方体做如下操作:
检查当前要处理的节点是否在close list中,是则忽略,不是则检查当前要处理的节点是否在open list中,如果不在open list中,则将其移入open list,并把当前要处理的节点作为它的父节点,计算出当前要处理的节点的F、G、H和L值;如果已经在open list中,基于G+L的值检查这条路径是否更好,G+L的值越小越表明这条路径是更好的路径;如果是,把当前要处理的节点的父节点设置为当前节点,并重新计算当前要处理的节点的G值和F值;
S5、检查open list中所有元素,如果发现了目标节点在某元素的正方体内,说明已找到合适的路径,从目标点一直回溯到起点组成的路径,就是合适的路径;如果没有发现,重复S2-S5;
S6、保存路径;
其中,open list和close list是两个列表,前者存放所有可能经过的节点,后者存放所有不需要再关注的节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011533775.7A CN112666948B (zh) | 2020-12-21 | 2020-12-21 | 一种基于信道建模的自主水下航行器路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011533775.7A CN112666948B (zh) | 2020-12-21 | 2020-12-21 | 一种基于信道建模的自主水下航行器路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112666948A true CN112666948A (zh) | 2021-04-16 |
CN112666948B CN112666948B (zh) | 2022-07-01 |
Family
ID=75407861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011533775.7A Active CN112666948B (zh) | 2020-12-21 | 2020-12-21 | 一种基于信道建模的自主水下航行器路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112666948B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496547A (zh) * | 2021-06-22 | 2021-10-12 | 华南理工大学 | 实物保护系统的最薄弱路径识别方法、装置、设备和介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1737502A (zh) * | 2005-08-05 | 2006-02-22 | 北京工业大学 | 延误风险规避的车载导航系统准动态路线优化方法 |
US20150197010A1 (en) * | 2014-01-14 | 2015-07-16 | Qualcomm Incorporated | Connectivity maintenance using a quality of service-based robot path planning algorithm |
CN108508893A (zh) * | 2018-03-23 | 2018-09-07 | 西安电子科技大学 | 一种基于改进a算法的机器人能效最优路径规划方法 |
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 |
CN109239659A (zh) * | 2018-08-31 | 2019-01-18 | 平安科技(深圳)有限公司 | 室内导航方法、装置、计算机设备及存储介质 |
CN110958625A (zh) * | 2019-12-05 | 2020-04-03 | 湖南师范大学 | 一种基于移动边缘智能的实时多模态语言分析系统和方法 |
CN111522339A (zh) * | 2020-04-20 | 2020-08-11 | 北京农业信息技术研究中心 | 畜禽舍巡检机器人自动路径规划与定位方法及装置 |
-
2020
- 2020-12-21 CN CN202011533775.7A patent/CN112666948B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1737502A (zh) * | 2005-08-05 | 2006-02-22 | 北京工业大学 | 延误风险规避的车载导航系统准动态路线优化方法 |
US20150197010A1 (en) * | 2014-01-14 | 2015-07-16 | Qualcomm Incorporated | Connectivity maintenance using a quality of service-based robot path planning algorithm |
CN108508893A (zh) * | 2018-03-23 | 2018-09-07 | 西安电子科技大学 | 一种基于改进a算法的机器人能效最优路径规划方法 |
CN109239659A (zh) * | 2018-08-31 | 2019-01-18 | 平安科技(深圳)有限公司 | 室内导航方法、装置、计算机设备及存储介质 |
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 |
CN110958625A (zh) * | 2019-12-05 | 2020-04-03 | 湖南师范大学 | 一种基于移动边缘智能的实时多模态语言分析系统和方法 |
CN111522339A (zh) * | 2020-04-20 | 2020-08-11 | 北京农业信息技术研究中心 | 畜禽舍巡检机器人自动路径规划与定位方法及装置 |
Non-Patent Citations (8)
Title |
---|
FAN-HSUN TSENG: "A Star Search Algorithm for Civil UAV Path Planning with 3G Communication", 《2014 TENTH INTERNATIONAL CONFERENCE ON INTELLIGENT INFORMATION HIDING AND MULTIMEDIA SIGNAL PROCESSING》 * |
HA ANH MINH TRAN 等: "Implementation of vision-based autonomous mobile platform to control by A∗ algorithm", 《2018 2ND INTERNATIONAL CONFERENCE ON RECENT ADVANCES IN SIGNAL PROCESSING, TELECOMMUNICATIONS & COMPUTING (SIGTELCOM)》 * |
SANDIP ROY: "Route Planning for Automatic Indoor Driving of Smart Cars", 《2020 IEEE 7TH INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND APPLICATIONS》 * |
尹逊和: "存在信道噪声和随机丢包的多机器人协调控制", 《电机与控制学报》 * |
李志成: "基于信道预测的水下节点移动与中继部署策略研究", 《万方》 * |
柳煌等: "无人机航路规划", 《舰船电子工程》 * |
罗小元 等: "有向传感器网络分布式贪心覆盖增强改进算法", 《第25届中国过程控制会议》 * |
罗小元 等: "障碍物与多目标约束下主动传感器网络自组织运动规划", 《燕山大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113496547A (zh) * | 2021-06-22 | 2021-10-12 | 华南理工大学 | 实物保护系统的最薄弱路径识别方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112666948B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Popa et al. | Adaptive sampling algorithms for multiple autonomous underwater vehicles | |
US9244152B1 (en) | Determining device locations using movement, signal strength | |
WO2018018994A1 (zh) | 室内定位方法及定位系统 | |
Jones et al. | Planning energy-efficient trajectories in strong disturbances | |
Macwan et al. | Target-motion prediction for robotic search and rescue in wilderness environments | |
Chen et al. | Deep reinforced learning tree for spatiotemporal monitoring with mobile robotic wireless sensor networks | |
Shi et al. | Adaptive informative sampling with environment partitioning for heterogeneous multi-robot systems | |
Stankiewicz et al. | Adaptive sampling with an autonomous underwater vehicle in static marine environments | |
Davis et al. | Routing strategies for underwater gliders | |
Butzke et al. | Planning for multi-robot exploration with multiple objective utility functions | |
CN112666948B (zh) | 一种基于信道建模的自主水下航行器路径规划方法 | |
CN114199248A (zh) | 一种基于混合元启发算法优化anfis的auv协同定位方法 | |
Di Caro et al. | Multi-robot informative path planning using a leader-follower architecture | |
Sadhu et al. | Aerial-DeepSearch: Distributed multi-agent deep reinforcement learning for search missions | |
Ruiz et al. | A general algorithm for exploration with gaussian processes in complex, unknown environments | |
Choi et al. | Adaptive selection of informative path planning strategies via reinforcement learning | |
Troesch et al. | Autonomous control of marine floats in the presence of dynamic, uncertain ocean currents | |
CN112356031A (zh) | 一种基于Kernel采样策略在不确定性环境下的在线规划方法 | |
Alam et al. | An underactuated vehicle localization method in marine environments | |
Janapati et al. | Indoor localization of cooperative WSN using PSO assisted AKF with optimum references | |
Lawrance et al. | Fast marching adaptive sampling | |
Heyns et al. | Terrain visibility-dependent facility location through fast dynamic step-distance viewshed estimation within a raster environment | |
Ahmed et al. | Nakagami-m distribution of RSSI in shadowing pathloss model for indoor localization | |
CN114168971A (zh) | 一种基于强化学习的物联网覆盖漏洞修复方法 | |
Valada et al. | An intelligent approach to hysteresis compensation while sampling using a fleet of autonomous watercraft |
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 |