CN113110604A - 一种基于人工势场的路径动态规划方法 - Google Patents

一种基于人工势场的路径动态规划方法 Download PDF

Info

Publication number
CN113110604A
CN113110604A CN202110465806.8A CN202110465806A CN113110604A CN 113110604 A CN113110604 A CN 113110604A CN 202110465806 A CN202110465806 A CN 202110465806A CN 113110604 A CN113110604 A CN 113110604A
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
function
field
potential field
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
Application number
CN202110465806.8A
Other languages
English (en)
Other versions
CN113110604B (zh
Inventor
朱洁
周汝汝
黄郑
王红星
赖际舟
刘斌
周子寒
黄祥
顾徐
吕品
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Jiangsu Fangtian Power Technology Co Ltd
Original Assignee
Nanjing University of Aeronautics and Astronautics
Jiangsu Fangtian Power Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics, Jiangsu Fangtian Power Technology Co Ltd filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110465806.8A priority Critical patent/CN113110604B/zh
Publication of CN113110604A publication Critical patent/CN113110604A/zh
Application granted granted Critical
Publication of CN113110604B publication Critical patent/CN113110604B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/12—Target-seeking control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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)
  • Feedback Control In General (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开一种基于人工势场的路径动态规划方法，包括以下步骤，采集无人机在运动环境中的环境信息，构建运动环境模型；基于环境模型，采集无人机单位时间内运动距离，判断无人机路径规划状态是否处于局部最优状态；控制无人机脱离局部最优状态达到目标位置；通过本发明公开的方法，基于目标位置对模拟退火法的邻域函数进行优化，不仅可以实现人工势场环境下的无人机路径规划任务，解决了无人机陷入局部最优状态后导致路径规划任务失败的问题，而且提高了路径规划的整体运行效率与成功率，使得改进后的算法更具有实用性与高效性。

Description

一种基于人工势场的路径动态规划方法
技术领域
本发明涉及无人机路径规划领域，尤其是一种基于改进模拟退火法的人工势场路径规划方法。
背景技术
针对各种复杂环境中侦查打击、交通运输等任务，为了提高无人机系统的任务执行效率，需要为无人机规划出一条安全且最优的路径。人工势场法是一种常见的路径规划算法，该算法在无人机运动环境中引入虚拟力场的概念，使无人机在虚拟力场的作用完成障碍物躲避以及目标点路径探索的路径规划任务。然而，在传统人工势场算法中，无人机易由于势场受力平衡导致陷入局部最优状态。针对无人机在人工势场路径规划过程中易陷入局部最优状态的问题，本文引入模拟退火法进行全局最优状态的搜寻，使无人机脱离局部最优状态。
然而，传统的模拟退火法中存在一些问题与不足：传统模拟退火算法邻域函数生成下一位置过程完全随机，算法的迭代次数高，运行效率低下。因此，本发明针对传统模拟退火算法运行效率较差的问题，基于目标点位置信息对邻域函数进行改进，解决了传统模拟退火算法迭代次数过高的问题，提高了模拟退火法算法的运行效率。
发明内容
本发明所要解决的问题在于，针对人工势场环境下无人机路径规划过程中，经典改进算法模拟退火法运行效率低下的问题，提出一种基于目标位置优化邻域函数的模拟退火法改进方法，能够剔除远离目标位置的随机解，降低路径规划算法迭代次数，使改进算法更具有实用性与高效性。
本发明提出一种基于人工势场的路径动态规划方法，包括以下步骤：
采集无人机在运动环境中的环境信息，构建运动环境模型；
基于环境模型，采集无人机单位时间内运动距离，判断无人机路径规划状态是否处于局部最优状态；
控制无人机脱离局部最优状态达到目标位置。
优选地，采集无人机的初始位置信息作为坐标原点，构建路径规划坐标系；
采集目标位置信息、障碍物位置信息、障碍物尺寸信息作为路径规划坐标系的坐标值，其中，坐标值用来描述无人机运动环境中各个障碍物以及目标位置相对于无人机的相对位置关系；
基于路径规划坐标系和坐标值，构建运动环境模型。
优选地，基于运动环境模型，设置目标位置为引力场函数，设置障碍物为斥力场函数；
基于引力场函数和斥力场函数，构建势场函数模型。
优选地，势场函数模型的表达式为：
Figure BDA0003043277540000021
Figure BDA0003043277540000031
式中：Ugoal(x)为引力场函数，Uobs(x)为斥力场函数，ρ(x,xgoal)为x与xgoal两个位置之间的相对距离，x为无人机当前飞行位置，xgoal为目标位置，α为引力势场增益系数，β为斥力势场增益系数，ρ0为障碍物的斥力影响范围阈值，在阈值范围外，斥力场作用为零。
优选地，基于势场函数模型，获得引力场函数的第一负梯度和斥力场函数的第二负梯度；
基于第一负梯度和第二负梯度，获得无人机的运动方向；
基于运动方向，控制无人机达到目标位置。
优选地，设置无人机单位时间内运动距离阈值，比较无人机单位时间内运动距离与无人机单位时间内运动距离阈值的关系，根据关系控制无人机的运动状态，其中，关系包括第一关系和第二关系，第一关系为无人机单位时间内运动距离阈值小于无人机单位时间内运动距离，第二关系为无人机单位时间内运动距离阈值大于或等于无人机单位时间内运动距离。
优选地，关系为第二关系，运动状态为局部最优状态；
调用模拟退火算法，通过邻域函数在当前状态附近产生随机状态对当前状态进行扰动，并概率接受较差的状态，控制无人机脱离局部最优状态。
优选地，关系为第一关系，控制无人机按照规划路径进行运动。
优选地，采集无人机的当前位置与目标位置的夹角，基于夹角，对模拟退火算法进行改进，用于解决模拟退火法邻域函数迭代次数高，收敛速度慢的问题。
优选地，采集无人机在局部最优状态的第一势力场；
采集无人机在经过若干次模拟退火算法迭代运动后的第二势力场；
通过对比第一势力场和第二势力场的大小关系，判断无人机是否脱离局部最优状态。
本发明公开了以下技术效果：
本发明与现有技术相比，具有以下明显优势：通过本发明公开的方法，基于目标位置对模拟退火法的邻域函数进行优化，不仅可以实现人工势场环境下的无人机路径规划任务，解决了无人机陷入局部最优状态后导致路径规划任务失败的问题，而且提高了路径规划的整体运行效率与成功率，使得改进后的算法更具有实用性与高效性。
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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请所述的基本流程图；
图2是本申请所述的人工势场环境建模示意图；
图3是本申请所述的人工势场环境中模拟退火法路径示意图；
图4是本申请所述的模拟退火法邻域函数改进示意图；
图5是本申请所述的人工势场环境中改进模拟退火法路径示意图。
具体实施方式
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，所描述的实施例仅仅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做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。
人工势场环境下的无人机路径规划易陷入局部最优导致规划任务失败，而模拟退火法作为一种经典的搜寻全局最优解的算法，是解决此类局部最优问题的有效方法。然而，在应用过程中，模拟退火法存在迭代次数高，运行效率低下等问题。为此，基于目标位置对于模拟退火法的邻域函数进行优化，可以很好的解决这个问题，并且提高了改进算法的实用性与成功率。
为实现上述目的，本发明提供了如下方案：
如图1-5所示，本发明公开了一种基于人工势场的路径动态规划方法，包括以下步骤：
采集无人机在运动环境中的环境信息，构建运动环境模型；
基于环境模型，采集无人机单位时间内运动距离，判断无人机路径规划状态是否处于局部最优状态；
控制无人机脱离局部最优状态达到目标位置。
采集无人机的初始位置信息作为坐标原点，构建路径规划坐标系；采集目标位置信息、障碍物位置信息、障碍物尺寸信息作为路径规划坐标系的坐标值，其中，坐标值用来描述无人机运动环境中各个障碍物以及目标位置相对于无人机的相对位置关系；基于路径规划坐标系和坐标值，构建运动环境模型。
基于运动环境模型，设置目标位置为引力场函数，设置障碍物为斥力场函数；基于引力场函数和斥力场函数，构建势场函数模型。
势场函数模型的表达式为：
Figure BDA0003043277540000061
Figure BDA0003043277540000062
式中：Ugoal(x)为引力场函数，Uobs(x)为斥力场函数，ρ(x,xgoal)为x与xgoal两个位置之间的相对距离，x为无人机当前飞行位置，xgoal为目标位置，xobs为障碍物位置，α为引力势场增益系数，β为斥力势场增益系数，ρ0为障碍物的斥力影响范围阈值，在阈值范围外，斥力场作用为零。
基于势场函数模型，获得引力场函数的第一负梯度和斥力场函数的第二负梯度；基于第一负梯度和第二负梯度，获得无人机的运动方向；基于运动方向，控制无人机达到目标位置。
设置无人机单位时间内运动距离阈值，比较无人机单位时间内运动距离与无人机单位时间内运动距离阈值的关系，根据关系控制无人机的运动状态，其中，关系包括第一关系和第二关系，第一关系为无人机单位时间内运动距离阈值小于无人机单位时间内运动距离，第二关系为无人机单位时间内运动距离阈值大于或等于无人机单位时间内运动距离。
关系为第二关系，运动状态为局部最优状态；调用模拟退火算法，通过邻域函数在当前状态附近产生随机状态对当前状态进行扰动，并概率接受较差的状态，控制无人机脱离局部最优状态。
关系为第一关系，控制无人机按照规划路径进行运动。
采集无人机的当前位置与目标位置的夹角，基于夹角，对模拟退火算法进行改进，用于解决模拟退火法邻域函数迭代次数高，收敛速度慢的问题。
采集无人机在局部最优状态的第一势力场；采集无人机在经过若干次模拟退火算法迭代运动后的第二势力场；通过对比第一势力场和第二势力场的大小关系，判断无人机是否脱离局部最优状态。
实施例1：本实施例一种基于人工势场的路径动态规划方法，其实施步骤为：
步骤一：如图2所示，采用UWB室内定位技术对无人机运动环境内的初始位置、目标位置、障碍物位置以及障碍物尺寸等信息进行采集。以初始位置为坐标原点构建路径规划坐标系，利用坐标系内坐标值描述无人机运动环境中各个障碍物以及目标位置相对与无人机的相对位置关系，建立无人机运动环境模型。
1.1.建立势场函数
根据无人机运动环境模型，采用人工势场法建立势场函数。由目标点生成引力场函数，障碍物生成斥力场函数，函数表达式为：
Figure BDA0003043277540000081
Figure BDA0003043277540000082
式中：ρ(x,xgoal)为x与xgoal两个位置之间的相对距离，x为无人机当前飞行位置，xgoal为目标点位置；α为引力势场增益系数，β为斥力势场增益系数；ρ0为障碍物的斥力影响范围阈值，在阈值范围外，斥力场作用为零。
1.2.解算力场函数
分别对引力场函数与斥力场函数求取负梯度，解算得到无人机在人工势场中受到的引力与斥力函数，函数表达式为：
Figure BDA0003043277540000083
Figure BDA0003043277540000084
式中：Fgoal为无人机受到的来自目标点的引力，方向由无人机位置指向目标点位置；Fobs为无人机受到的来自障碍物的斥力，方向由障碍物位置指向无人机位置。
1.3.解算无人机运动方向
通常，无人机运动空间内会存在多个障碍物，因此无人机会在引力以及多个斥力的合力共同作用下选择运动方向，其中无人机受到合力表达式为：
Figure BDA0003043277540000091
式中，
Figure BDA0003043277540000092
为各斥力的合力，N为障碍物的数量。
步骤二：当无人机在人工势场环境下，受到的斥力合力与引力大小相等，方向相反时，无人机所受外力为零，极易陷入局部最优解的局面，无人机此时会停止运动或进入周期性抖动的运动模式，无法到达目标点。
根据无人机陷入局部最优状态时运动幅度较小的运动特性，通过比较单位时间内无人机的运动距离与设定的单位时间内运动距离阈值大小来判断无人机状态。阈值对比算法具体流程如下：
(1)若单位时间内运动距离大于设定阈值
判断无人机处于正常路径规划状态，此时无人机按照人工势场法的规划路径进行运动；
(2)若单位时间内运动距离小于或等于设定阈值
判断无人机处于局部最优状态，此时无人机屏蔽人工势力场作用，在模拟退火法的作用下进行运动。
步骤三：如图3所示，当判断无人机处于局部最优状态后，无人机系统屏蔽人工势场中的势场力作用，调用模拟退火算法对当前状态进行逃离。模拟退火法通过邻域函数在当前状态附近产生随机状态，对当前状态进行扰动，并概率接受较差的状态，最终使无人机逃离局部最优状态。
步骤四：如图4所示，针对传统模拟退火法邻域函数迭代次数高，收敛速度慢的问题，基于目标位置对领域函数进行改进，改进后模拟退火法的邻域函数随机点生成表达式为：
Figure BDA0003043277540000101
式中，θ为当前位置与目标位置之间的方位角，计算公式为：
Figure BDA0003043277540000102
式中(xk,yk)为无人机当前位置坐标，(xk+1,yk+1)为模拟退火法生成的随机点位置坐标，rand(1)为随机函数，生成一个[0,1]以内的随机数，δ为领域函数的半径即模拟退火算法下无人机的运动步长，(xgoal,ygoal)为目标点位置坐标。
步骤五：如图5所示，无人机按照模拟退火法生成的随机位置进行运动，并更新当前状态。经过一定次数的随机运动，无人机将会逃离局部最优状态。
根据模拟退火法原理分析，判断无人机脱离局部最优状态的条件应为U(Sk)≤U(S0)，其中S0为陷入局部最优状态时的位置，Sk为无人机在经过k次模拟退火算法迭代运动后的位置，U(S0)与U(Sk)分别为无人机处于相应位置时所受到的势力场。若无人机在模拟退火法作用下所到达的随机位置势力场小于无人机陷入局部最优解时位置势力场，则认为无人机脱离局部最优状态。
步骤六：当无人机逃离局部最优状态后，继续人工势场法对于无人机的路径规划引导，直至出现下一个局部最优状态重复上述改进模拟退火法算法，或者无人机到达目标点位置，路径规划任务完成。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于人工势场的路径动态规划方法，其特征在于，包括以下步骤：
采集无人机在运动环境中的环境信息，构建运动环境模型；
基于所述环境模型，采集无人机单位时间内运动距离，判断无人机路径规划状态是否处于局部最优状态；
控制无人机脱离所述局部最优状态达到目标位置。
2.根据权利要求1所述一种基于人工势场的路径动态规划方法，其特征在于：
采集所述无人机的初始位置信息作为坐标原点，构建路径规划坐标系；
采集目标位置信息、障碍物位置信息、障碍物尺寸信息作为所述路径规划坐标系的坐标值，其中，所述坐标值用来描述无人机运动环境中各个障碍物以及所述目标位置相对于所述无人机的相对位置关系；
基于所述路径规划坐标系和所述坐标值，构建所述运动环境模型。
3.根据权利要求2所述一种基于人工势场的路径动态规划方法，其特征在于：
基于所述运动环境模型，设置所述目标位置为引力场函数，设置所述障碍物为斥力场函数；
基于所述引力场函数和所述斥力场函数，构建势场函数模型。
4.根据权利要求3所述一种基于人工势场的路径动态规划方法，其特征在于：
所述势场函数模型的表达式为：
Figure FDA0003043277530000021
Figure FDA0003043277530000022
式中：Ugoal(x)为引力场函数，Uobs(x)为斥力场函数，ρ(x,xgoal)为x与xgoal两个位置之间的相对距离，x为无人机当前飞行位置，xgoal为目标位置，α为引力势场增益系数，β为斥力势场增益系数，ρ0为障碍物的斥力影响范围阈值，在阈值范围外，斥力场作用为零。
5.根据权利要求4所述一种基于人工势场的路径动态规划方法，其特征在于：
基于所述势场函数模型，获得所述引力场函数的第一负梯度和所述斥力场函数的第二负梯度；
基于所述第一负梯度和所述第二负梯度，获得所述无人机的运动方向；
基于所述运动方向，控制所述无人机达到所述目标位置。
6.根据权利要求1所述一种基于人工势场的路径动态规划方法，其特征在于：
设置所述无人机单位时间内运动距离阈值，比较所述无人机单位时间内运动距离与所述无人机单位时间内运动距离阈值的关系，根据所述关系控制所述无人机的运动状态，其中，所述关系包括第一关系和第二关系，所述第一关系为所述无人机单位时间内运动距离阈值小于所述无人机单位时间内运动距离，所述第二关系为所述无人机单位时间内运动距离阈值大于或等于所述无人机单位时间内运动距离。
7.根据权利要求6所述一种基于人工势场的路径动态规划方法，其特征在于：
所述关系为所述第二关系，所述运动状态为局部最优状态；
调用模拟退火算法，通过邻域函数在当前状态附近产生随机状态对当前状态进行扰动，并概率接受较差的状态，控制所述无人机脱离所述局部最优状态。
8.根据权利要求6所述一种基于人工势场的路径动态规划方法，其特征在于：
所述关系为所述第一关系，控制所述无人机按照规划路径进行运动。
9.根据权利要求7所述一种基于人工势场的路径动态规划方法，其特征在于：
采集所述无人机的当前位置与所述目标位置的夹角，基于所述夹角，对所述模拟退火算法进行改进，用于解决模拟退火法邻域函数迭代次数高，收敛速度慢的问题。
10.根据权利要求7所述一种基于人工势场的路径动态规划方法，其特征在于：
采集所述无人机在所述局部最优状态的第一势力场；
采集所述无人机在经过若干次模拟退火算法迭代运动后的第二势力场；
通过对比所述第一势力场和所述第二势力场的大小关系，判断所述无人机是否脱离所述局部最优状态。
CN202110465806.8A 2021-04-28 2021-04-28 一种基于人工势场的路径动态规划方法 Active CN113110604B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110465806.8A CN113110604B (zh) 2021-04-28 2021-04-28 一种基于人工势场的路径动态规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110465806.8A CN113110604B (zh) 2021-04-28 2021-04-28 一种基于人工势场的路径动态规划方法

Publications (2)

Publication Number Publication Date
CN113110604A true CN113110604A (zh) 2021-07-13
CN113110604B CN113110604B (zh) 2022-08-23

Family

ID=76720359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110465806.8A Active CN113110604B (zh) 2021-04-28 2021-04-28 一种基于人工势场的路径动态规划方法

Country Status (1)

Country Link
CN (1) CN113110604B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114020032A (zh) * 2021-11-25 2022-02-08 江苏科技大学 一种基于人工势场法和退火算法的无人机路径规划方法
CN114254722A (zh) * 2021-11-17 2022-03-29 中国人民解放军军事科学院国防科技创新研究院 一种面向博弈对抗的多智能模型融合方法
CN114610026A (zh) * 2022-03-04 2022-06-10 广东电网有限责任公司广州供电局 集中式汽车充电站接入配电网的线路规划方法、系统及介质
CN117270522A (zh) * 2023-08-04 2023-12-22 哈尔滨工程大学 一种基于人工势场的双艇协同系统避障方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108827312A (zh) * 2018-08-08 2018-11-16 清华大学 一种基于神经网络和人工势场的协同博弈路径规划方法
US20190361452A1 (en) * 2018-05-22 2019-11-28 King Fahd University Of Petroleum And Minerals Method and system for controlling a vehicle
CN111897328A (zh) * 2020-07-17 2020-11-06 武汉理工大学 一种基于改进人工势场法的路径规划方法、装置及设备
CN112684807A (zh) * 2019-10-18 2021-04-20 成都凯天电子股份有限公司 无人机集群三维编队方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190361452A1 (en) * 2018-05-22 2019-11-28 King Fahd University Of Petroleum And Minerals Method and system for controlling a vehicle
CN108827312A (zh) * 2018-08-08 2018-11-16 清华大学 一种基于神经网络和人工势场的协同博弈路径规划方法
CN112684807A (zh) * 2019-10-18 2021-04-20 成都凯天电子股份有限公司 无人机集群三维编队方法
CN111897328A (zh) * 2020-07-17 2020-11-06 武汉理工大学 一种基于改进人工势场法的路径规划方法、装置及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
S. S. GE 等: "New Potential Functions for Mobile Robot Path Planning", 《IEEE TRANSACTIONS ON ROBOTICS AND AUTOMATION》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114254722A (zh) * 2021-11-17 2022-03-29 中国人民解放军军事科学院国防科技创新研究院 一种面向博弈对抗的多智能模型融合方法
CN114254722B (zh) * 2021-11-17 2022-12-06 中国人民解放军军事科学院国防科技创新研究院 一种面向博弈对抗的多智能模型融合方法
CN114020032A (zh) * 2021-11-25 2022-02-08 江苏科技大学 一种基于人工势场法和退火算法的无人机路径规划方法
CN114610026A (zh) * 2022-03-04 2022-06-10 广东电网有限责任公司广州供电局 集中式汽车充电站接入配电网的线路规划方法、系统及介质
CN117270522A (zh) * 2023-08-04 2023-12-22 哈尔滨工程大学 一种基于人工势场的双艇协同系统避障方法

Also Published As

Publication number Publication date
CN113110604B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN113110604B (zh) 一种基于人工势场的路径动态规划方法
CN109917818B (zh) 基于地面机器人的协同搜索围堵方法
CN109798896B (zh) 一种室内机器人定位与建图方法及装置
CN110632931A (zh) 动态环境下基于深度强化学习的移动机器人避碰规划方法
CN113110592A (zh) 一种无人机避障与路径规划方法
CN111381600B (zh) 一种基于粒子群算法的uuv路径规划方法
CN113848974B (zh) 一种基于深度强化学习的飞行器轨迹规划方法及系统
Yafei et al. An improved UAV path planning method based on RRT-APF hybrid strategy
CN110162077B (zh) 一种基于飞鱼算法的无人机航迹规划方法
CN114840020A (zh) 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法
CN111123976A (zh) 基于人工势场的无人机集群路径规划处理方法、无人机
CN110530373B (zh) 一种机器人路径规划方法、控制器及系统
CN113220008B (zh) 多火星飞行器的协同动态路径规划方法
CN111027143A (zh) 一种基于深度强化学习的舰载机进近引导方法
CN113947636B (zh) 一种基于深度学习的激光slam定位系统及方法
CN116400737B (zh) 一种基于蚁群算法的安全路径规划系统
CN115435787B (zh) 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统
CN110362116A (zh) 基于改进蚁群算法的变压器微型仿生鱼全局路径规划方法
CN115808933A (zh) 一种基于量子海鸥算法的无人机路径规划方法
CN114815891A (zh) 一种基于per-idqn的多无人机围捕战术方法
CN117908565A (zh) 基于最大熵多智能体强化学习的无人机安全路径规划方法
CN117806346A (zh) 一种基于自适应蜣螂优化器的无人机路径规划方法
Sanders et al. Optimal offline path planning of a fixed wing unmanned aerial vehicle (UAV) using an evolutionary algorithm
CN115686075A (zh) 一种基于粒子群和人工势场结合的无人机集群多目标协同搜索算法
CN116400718A (zh) 无人机近距空战机动自主决策方法、系统、设备及终端

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