CN112799385A - 一种基于引导域人工势场的智能体路径规划方法 - Google Patents
一种基于引导域人工势场的智能体路径规划方法 Download PDFInfo
- Publication number
- CN112799385A CN112799385A CN201911020315.1A CN201911020315A CN112799385A CN 112799385 A CN112799385 A CN 112799385A CN 201911020315 A CN201911020315 A CN 201911020315A CN 112799385 A CN112799385 A CN 112799385A
- Authority
- CN
- China
- Prior art keywords
- potential field
- field
- domain
- path planning
- target point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000000977 initiatory effect Effects 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000005303 weighing 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
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
本发明公开了一种基于引导域人工势场的智能体路径规划方法,属于路径规划领域。首先,利用使用人工势场法构建地图。其次,在多目标的情况加入小范围强作用的自适应域势场。最后,在域势场基础上加入引导势场,实现复杂路况智能体的无碰路径规划。本发明改进人工势场方法,将多目标环境有效建模,减少局部稳定点的出现,使用引导势场对出现的局部稳定点情况进行改善,提高了路径规划的成功率。本发明对于路径规划具有更高的可靠性。
Description
技术领域
本发明属于路径规划领域,特别涉及一种基于人工势场的路径规划,利用自适应域场和域引导场方法。
背景技术
随着智能体和人工智能理论的不断发展,自主式移动智能体技术日益成熟,并且在工业、军事、医疗、服务等诸多领域得到广泛应用。与此同时,智能体所面临的任务也愈加复杂,所处环境由原来的单一智能体、确定性环境转变为多智能体、不确定环境。因此,近年来对复杂系统中智能体自主智能控制技术的研究得到了学术界和工业界的广泛关注,而路径规划及导航作为其中的关键性技术成为了目前智能体学的研究热点之一。
目前路径规划技术包括两大类:基于确定环境的全局规划和基于传感探测信息的局部规划。前者是在静态已知的环境中进行路径规划,又称静态路径规划方法,目前应用比较多的方法有:贪心算法,Dijkstra算法及A*算法;后者针对环境信息未知的情况,需要根据传感器输入的环境信息实时地进行路径规划,主流的方法有人工势场法,神经网络法,模糊逻辑法等。
人工势场法是一种虚拟力场法,其将智能体在环境中的运动虚拟为一种在人工力场的运动,目标点产生引力,障碍物产生斥力,引力和斥力的合力控制机器人的运动。机器人的运动同时受引力和斥力的控制。该算法因其数学分析简单、计算量小、路径光滑等优点被广泛应用在实时避障和路径规划领域。
发明内容
本发明提出域-人工势场法解决多目标点任务中局部稳定点问题。首先加入小范围强作用力的域势场,帮助机器人在陷入局部稳定点时通过域场逃离局部稳定点。其次为了域场范围难以确定的问题,进一步提出根据地图情况自动调整域场的大小的自适应域-人工势场法,解决不同地图情况局部稳定点的问题。最后加入域引导势场,对启发点进行域势场传递,解决复杂障碍下的局部稳定点问题。自适应域-人工势场法和域引导势场可以起到解决多目标点和复杂障碍物局部稳定点问题的作用,加强机器人工作效率。
本发明为实现上述目的所采用的技术方案是:
一种基于引导域人工势场的智能体路径规划方法,包括以下步骤:
步骤一:构建人工势场,人工势场由引力势场和斥力势场叠加而成;目标点对智能体提供引力,形成引力势场;障碍物对智能体提供斥力,形成斥力势场;
步骤二:在势场中加入自适应,使智能体在域场自适应中寻找目标点;
步骤三:针对障碍物的智能体算法优化,加入域引导势场,对智能体进行域势场传递,寻找目标点。
所述步骤一中势场的构建过程为:
1)根据障碍物与目标点的位置,分别构建障碍物和目标点的引力场,其中引力场如下:
其中Uatt(q)为目标点在位置q产生的引力场,katt为目标点的引力系数,引力系数越大说明目标点具有更强的吸引力,q为位置坐标,目标点所在坐标为qg,所以qg处势场为0;
2)构建障碍物的斥力场
其中Urep(q)为障碍物在位置q产生的斥力场,krep为障碍物的斥力系数,斥力系数越大说明障碍物周围具有更强的排斥力,q-q0为当前位置坐标与障碍物距离,障碍物的斥力场范围大小为p0,超过该范围则机器人感受不到该障碍物的排斥力。
还包括针对局部稳定点情况,构建域势场
其中Ustr(q)为域势场,kstr为强吸引力指数,该指数大于katt,q-qg为当前位置坐标与目标点距离,同时具有一个范围场ps,在该范围内能感受到该目标点的强吸引力。
所述步骤二中在势场中加入自适应,过程为:
1)设定初始域即范围场的范围值;
2)加大智能体的目标点域的范围值,直到智能体跳出局部稳定点;
3)当智能体达到某个预设的目标点后,重置所有目标点域的范围场。
所述步骤三的步骤为:
a)找到距离目标点最近的临近障碍物的位置p作为原始启发点,将p加入启发点列表L,记录p的域势场;
b)扫描p的邻域,找到所有未被扫描过的临近障碍物的位置加入到启发点列表中;
c)每次从启发点列表中取出一个启发点,通过步骤a)扫描该启发点,并将该启发点的位置加入引导势场,所述引导势场为衰减率与域势场的乘积,随着步骤a)的进行减小,最后将该点移出启发点列表;
d)迭代进行步骤b)和c),直到启发点列表中为空,返回势场;
e)智能体根据返回的势场向身边最小的势场所在位置移动。
针对局部稳定点情况,所述势场为引力场、斥力场、域势场的叠加。
所述障碍物为非凸障碍物。
本发明用于工业智能仓储机器人路径规划。
本发明具有以下有益效果及优点:
1.本发明自适应域场,在多目标点情况适应传统算法陷入局部最优的情况,自适应学习如何跳出局部稳定点;
2.在改进域场的情况下使用域引导场,帮助复杂情况的机器人跳出局部稳定点,寻找正确路径。
附图说明
图1是本发明方法的自适应域场流程框图。
具体实施方式
本发明提出域-人工势场法解决多目标点任务中局部稳定点问题。首先加入小范围强作用力的域势场,帮助机器人在陷入局部稳定点时通过域场逃离局部稳定点。其次为了域场范围难以确定的问题,进一步提出根据地图情况自动调整域场的大小的自适应域-人工势场法,解决不同地图情况局部稳定点的问题。最后加入域引导势场,对启发点进行域势场传递,解决复杂障碍下的局部稳定点问题。自适应域-人工势场法和域引导势场可以起到解决多目标点和复杂障碍物局部稳定点问题的作用,加强机器人工作效率。
实施例:
智能仓储机器人采用智能操作系统,通过系统指令,将所需货架移动到操作人员面前以供拣选,实现“货找人,货架找人”的新型模式:通过先进的自动称重拍照、多层传送、交叉式分拣等系统,可以实现生产力翻番。智能仓储机器人同时具有稳定、灵活、高效、智能的特点。依靠无线网络连接,设有雷达扫描,自动寻找、定位,自动充电,可以24小时不间断工作,利用大数据分析,智能适配各种仓储模式。
智能仓储机器人的使用有利于降低物流分拣搬运的成本,减少人员的投入,改善物流管理,降低货物搬运损伤的概率,可提高现代物流的分拣效率,促进物流行业的发展。加强智能仓储机器人面对不同障碍物时的鲁棒性很有价值。
接下来结合具体过程对本发明的实施步骤进行详细地阐述:
如图1所示,一种基于人工势场的智能仓储机器人路径规划方法,主要采用基于自适应域场与域引导势场的人工势场的路径规划方法,步骤如下:
步骤一:构建改进的人工势场,在环境中构建虚拟的势场,势场由两种势场叠加而成,目标点对智能仓储机器人提供引力,形成引力势场;障碍物则提供斥力,形成斥力势场。在势场合力的驱动下,智能仓储机器人沿无碰路径到达目标点。
步骤二:在势场中加入自适应,智能仓储机器人陷入局部稳定点保持静止后开始域场自适应,不断提高域场范围,寻找目标点。
步骤三:针对非凸障碍物的智能仓储机器人算法优化,加入域引导势场,对启发点进行域势场传递,解决复杂障碍下的局部稳定点问题。
步骤一所述的势场构建过程如下:
1)根据障碍物与目标点的位置,分别构建障碍物和目标点的引力场,其中引力场如下:
其中Uatt(q)为目标点在位置q产生的引力场,katt为目标点的引力系数,引力系数越大说明目标点具有更强的吸引力,q为位置坐标,目标点所在坐标为qg,所以qg处势场为0;
2)构建障碍物的斥力场
其中Urep(q)为障碍物在位置q产生的斥力场,krep为障碍物的斥力系数,斥力系数越大说明障碍物周围具有更强的排斥力,q-q0为当前位置坐标与障碍物距离,障碍物的斥力场范围大小为p0,超过该范围则机器人感受不到该障碍物的排斥力。
3)针对多目标点的局部稳定点情况,构建小范围强作用力的域势场
其中Ustr(q)为域势场,kstr为强吸引力指数,该指数大于katt,q-qg为当前位置坐标与目标点距离,同时具有一个范围场ps,在该范围内能感受到该目标点的强吸引力。
步骤二所述的域场自适应:
1)首先设定初始域的范围值
2)加大目标点域即当前时刻的下一时刻的域的范围值。直到机器人跳出局部稳定点为止。
3)为了防止域的范围值过大,当机器人达到某个目标点后,重置所有目标点域的范围值。
步骤三所述的针对非凸障碍物的智能仓储机器人算法优化:
a)找到距离目标点最近的临近障碍物(最接近障碍物的像素)的位置p作为原始启发点,将p加入启发点列表L,记录p的域势场。
b)扫描p周围位置,找到所有未被扫描过的临近障碍物的位置加入到启发点列表中。
c)每次从启发点列表中取出一个启发点,使用步骤a)扫描该启发点,并将该启发点的位置加入引导势场,所述引导势场为衰减率与域势场的乘积,随着算法的进行减小。最后将该点移出启发点列表。
d)迭代进行步骤b)和c),直到启发点列表中为空,返回势场。
e)机器人根据返回的势场不断移动向身边最小的势场所在位置移动。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,都落入本发明的保护范围。
Claims (8)
1.一种基于引导域人工势场的智能体路径规划方法,其特征在于,包括以下步骤:
步骤一:构建人工势场,人工势场由引力势场和斥力势场叠加而成;目标点对智能体提供引力,形成引力势场;障碍物对智能体提供斥力,形成斥力势场;
步骤二:在势场中加入自适应,使智能体在域场自适应中寻找目标点;
步骤三:针对障碍物的智能体算法优化,加入域引导势场,对智能体进行域势场传递,寻找目标点。
2.根据权利要求1所述的一种基于引导域人工势场的智能体路径规划方法,其特征在于,所述步骤一中势场的构建过程为:
1)根据障碍物与目标点的位置,分别构建障碍物和目标点的引力场,其中引力场如下:
其中Uatt(q)为目标点在位置q产生的引力场,katt为目标点的引力系数,引力系数越大说明目标点具有更强的吸引力,q为位置坐标,目标点所在坐标为qg,所以qg处势场为0;
2)构建障碍物的斥力场
其中Urep(q)为障碍物在位置q产生的斥力场,krep为障碍物的斥力系数,斥力系数越大说明障碍物周围具有更强的排斥力,q-q0为当前位置坐标与障碍物距离,障碍物的斥力场范围大小为p0,超过该范围则机器人感受不到该障碍物的排斥力。
4.根据权利要求1所述的一种基于引导域人工势场的智能体路径规划方法,其特征在于,所述步骤二中在势场中加入自适应,过程为:
1)设定初始域即范围场的范围值;
2)加大智能体的目标点域的范围值,直到智能体跳出局部稳定点;
3)当智能体达到某个预设的目标点后,重置所有目标点域的范围场。
5.根据权利要求1所述的一种基于引导域人工势场的智能体路径规划方法,其特征在于,所述步骤三的步骤为:
a)找到距离目标点最近的临近障碍物的位置p作为原始启发点,将p加入启发点列表L,记录p的域势场;
b)扫描p的邻域,找到所有未被扫描过的临近障碍物的位置加入到启发点列表中;
c)每次从启发点列表中取出一个启发点,通过步骤a)扫描该启发点,并将该启发点的位置加入引导势场,所述引导势场为衰减率与域势场的乘积,随着步骤a)的进行减小,最后将该点移出启发点列表;
d)迭代进行步骤b)和c),直到启发点列表中为空,返回势场;
e)智能体根据返回的势场向身边最小的势场所在位置移动。
6.根据权利要求1或3或5所述的一种基于引导域人工势场的智能体路径规划方法,其特征在于,针对局部稳定点情况,所述势场为引力场、斥力场、域势场的叠加。
7.根据权利要求1或5所述的一种基于引导域人工势场的智能体路径规划方法,其特征在于,所述障碍物为非凸障碍物。
8.根据权利要求1~7所述的一种基于引导域人工势场的智能体路径规划方法,其特征在于,用于工业智能仓储机器人路径规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911020315.1A CN112799385B (zh) | 2019-10-25 | 2019-10-25 | 一种基于引导域人工势场的智能体路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911020315.1A CN112799385B (zh) | 2019-10-25 | 2019-10-25 | 一种基于引导域人工势场的智能体路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112799385A true CN112799385A (zh) | 2021-05-14 |
CN112799385B CN112799385B (zh) | 2021-11-23 |
Family
ID=75802941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911020315.1A Active CN112799385B (zh) | 2019-10-25 | 2019-10-25 | 一种基于引导域人工势场的智能体路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112799385B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268893A (zh) * | 2021-07-19 | 2021-08-17 | 中国科学院自动化研究所 | 基于连通保持约束的群体围捕方法及装置 |
CN115351803A (zh) * | 2022-10-20 | 2022-11-18 | 湖北信通通信有限公司 | 仓储物流机器人的路径规划方法及装置 |
CN115599089A (zh) * | 2022-08-02 | 2023-01-13 | 北京理工大学(Cn) | 基于人工势场法的多智能体编队控制方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1883887A (zh) * | 2006-07-07 | 2006-12-27 | 中国科学院力学研究所 | 一种基于虚拟场景的机器人避障路径规划方法 |
CN105320133A (zh) * | 2015-10-26 | 2016-02-10 | 广东雷洋智能科技股份有限公司 | 一种应用于扫地机器人的改进势场栅格法 |
CN105629974A (zh) * | 2016-02-04 | 2016-06-01 | 重庆大学 | 一种基于改进型人工势场法的机器人路径规划方法及系统 |
CN107917711A (zh) * | 2017-11-14 | 2018-04-17 | 重庆邮电大学 | 一种基于优化混合蚁群算法的机器人路径规划算法 |
CN108287469A (zh) * | 2017-11-28 | 2018-07-17 | 上海师范大学 | 基于人工势场引力因子的机械臂最优避障控制方法及装置 |
CN108469828A (zh) * | 2018-03-23 | 2018-08-31 | 哈尔滨工程大学 | 一种改进人工势场优化算法的auv航路规划方法 |
CN108490939A (zh) * | 2018-03-27 | 2018-09-04 | 南京航空航天大学 | 在局部感知能力下的势流法的避障方法 |
CN108614561A (zh) * | 2018-05-31 | 2018-10-02 | 重庆大学 | 一种适用于全向轮移动机器人的人工势场避障方法 |
WO2018176594A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 一种面向无人自行车的人工势场路径规划法 |
CN108693879A (zh) * | 2018-04-28 | 2018-10-23 | 上海理工大学 | 基于改进人工势场法的移动机器人路径规划方法 |
WO2019153878A1 (zh) * | 2018-02-06 | 2019-08-15 | 华为技术有限公司 | 一种基于机器学习的数据处理方法以及相关设备 |
-
2019
- 2019-10-25 CN CN201911020315.1A patent/CN112799385B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1883887A (zh) * | 2006-07-07 | 2006-12-27 | 中国科学院力学研究所 | 一种基于虚拟场景的机器人避障路径规划方法 |
CN105320133A (zh) * | 2015-10-26 | 2016-02-10 | 广东雷洋智能科技股份有限公司 | 一种应用于扫地机器人的改进势场栅格法 |
CN105629974A (zh) * | 2016-02-04 | 2016-06-01 | 重庆大学 | 一种基于改进型人工势场法的机器人路径规划方法及系统 |
WO2018176594A1 (zh) * | 2017-03-31 | 2018-10-04 | 深圳市靖洲科技有限公司 | 一种面向无人自行车的人工势场路径规划法 |
CN107917711A (zh) * | 2017-11-14 | 2018-04-17 | 重庆邮电大学 | 一种基于优化混合蚁群算法的机器人路径规划算法 |
CN108287469A (zh) * | 2017-11-28 | 2018-07-17 | 上海师范大学 | 基于人工势场引力因子的机械臂最优避障控制方法及装置 |
WO2019153878A1 (zh) * | 2018-02-06 | 2019-08-15 | 华为技术有限公司 | 一种基于机器学习的数据处理方法以及相关设备 |
CN108469828A (zh) * | 2018-03-23 | 2018-08-31 | 哈尔滨工程大学 | 一种改进人工势场优化算法的auv航路规划方法 |
CN108490939A (zh) * | 2018-03-27 | 2018-09-04 | 南京航空航天大学 | 在局部感知能力下的势流法的避障方法 |
CN108693879A (zh) * | 2018-04-28 | 2018-10-23 | 上海理工大学 | 基于改进人工势场法的移动机器人路径规划方法 |
CN108614561A (zh) * | 2018-05-31 | 2018-10-02 | 重庆大学 | 一种适用于全向轮移动机器人的人工势场避障方法 |
Non-Patent Citations (3)
Title |
---|
OSCAR MONTIEL: "Optimal Path Planning Generation for Mobile Robots using Parallel Evolutionary Artificial Potential Field", 《JOURNAL OF INTELLIGENT & ROBOTIC SYSTEMS》 * |
赵东辉: "改进人工势场的机器人路径规划", 《机械设计与制造》 * |
陈金鑫: "改进人工势场法的移动机器人路径规划", 《指挥控制与仿真》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113268893A (zh) * | 2021-07-19 | 2021-08-17 | 中国科学院自动化研究所 | 基于连通保持约束的群体围捕方法及装置 |
CN115599089A (zh) * | 2022-08-02 | 2023-01-13 | 北京理工大学(Cn) | 基于人工势场法的多智能体编队控制方法 |
CN115351803A (zh) * | 2022-10-20 | 2022-11-18 | 湖北信通通信有限公司 | 仓储物流机器人的路径规划方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112799385B (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112799386B (zh) | 基于人工势场与强化学习的机器人路径规划方法 | |
Mohanan et al. | A survey of robotic motion planning in dynamic environments | |
CN112799385B (zh) | 一种基于引导域人工势场的智能体路径规划方法 | |
Stentz et al. | A complete navigation system for goal acquisition in unknown environments | |
Ardiyanto et al. | Real-time navigation using randomized kinodynamic planning with arrival time field | |
CN112344945B (zh) | 室内配送机器人路径规划方法、系统及室内配送机器人 | |
CN112859866A (zh) | 机器人滚动路径规划方法、系统、存储介质、设备及应用 | |
CN104154925A (zh) | 基于射频识别的制导导航方法 | |
CN117093009B (zh) | 一种基于机器视觉的物流agv小车导航控制方法及系统 | |
CN114815851A (zh) | 机器人跟随方法、装置、电子设备以及存储介质 | |
CN113391633A (zh) | 一种面向城市环境的移动机器人融合路径规划方法 | |
Aizat et al. | A survey on navigation approaches for automated guided vehicle robots in dynamic surrounding | |
CN117232517A (zh) | 用于电力行业仓储场景的多移动工业机器人路径规划方法 | |
Sasaki et al. | A3C based motion learning for an autonomous mobile robot in crowds | |
Mokhtari et al. | Safe deep q-network for autonomous vehicles at unsignalized intersection | |
Dai | Research on robot positioning and navigation algorithm based on SLAM | |
Abaee Shoushtary et al. | Team Robot Motion Planning in Dynamics Environments Using a New Hybrid Algorithm (Honey Bee Mating Optimization‐Tabu List) | |
Jun et al. | Probability map building of uncertain dynamic environments with indistinguishable obstacles | |
Doellinger et al. | Environment-aware multi-target tracking of pedestrians | |
CN115826586B (zh) | 一种融合全局算法和局部算法的路径规划方法及系统 | |
Xia et al. | Augmented reality and indoor positioning based mobile production monitoring system to support workers with human-in-the-loop | |
US20230048578A1 (en) | Real-time predictor of human movement in shared workspaces | |
CN111221318A (zh) | 一种基于模型预测控制算法的多机器人状态估计方法 | |
CN113934219B (zh) | 一种机器人自动避障方法、系统、设备及介质 | |
Pandey et al. | Trajectory Planning and Collision Control of a Mobile Robot: A Penalty‐Based PSO Approach |
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 |