CN113124873B - 基于海洋环境信息的uuv多指标约束三维航路规划方法 - Google Patents
基于海洋环境信息的uuv多指标约束三维航路规划方法 Download PDFInfo
- Publication number
- CN113124873B CN113124873B CN202110387253.9A CN202110387253A CN113124873B CN 113124873 B CN113124873 B CN 113124873B CN 202110387253 A CN202110387253 A CN 202110387253A CN 113124873 B CN113124873 B CN 113124873B
- Authority
- CN
- China
- Prior art keywords
- particle
- path
- uuv
- constraint
- initialization
- 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
- 239000002245 particle Substances 0.000 claims abstract description 126
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 18
- 230000004888 barrier function Effects 0.000 claims description 12
- 238000011423 initialization method Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水下无人潜行器三维航路规划领域,具体涉及基于海洋环境信息的UUV多指标约束三维航路规划方法。包括导入数据;路径起始、终止点约束判断;确定适应度函数;路径起始、终止点透明度判断;粒子群初始化;计算适应度值;设置pbest、gbest初始值;运行粒子群优化算法;重复运行粒子群优化算法,直至满足粒子优化终止条件;输出规划结果。本发明采用粒子群优化算法,根据不同的优化评价指标(安全性、隐蔽性、经济性),结合水深、海流或透明度数据,通过在适应度函数中增加惩罚的方式,满足UUV航行约束,自动躲避岛屿与人工障碍物,实现多种评价指标航路规划。本方法适用于多约束多指标场景下的UUV三维航路规划,可用度高,实用性强。
Description
技术领域
本发明涉及水下无人潜行器三维航路规划领域,具体涉及一种基于海洋环境信息的UUV多指标约束三维航路规划方法。
背景技术
探索认知海洋是开发利用、保护海洋的先决条件,水下无人航行器(UnmannedUnderwater Vehicle,UUV)为海洋环境探索、军事侦察等提供了重要支持。根据航行要求,从选定海域内规划一条三维航行路线,既能智能躲避航行区域存在岛屿、人工设置的障碍物,又能适应海底地形的崎岖,满足航行器的垂向安全距离,这些是UUV能否安全完成任务需要重点考虑的。此外,根据UUV工作内容,规划航行还需要将隐蔽性、经济性(节约耗能)纳入优化评价指标。
专利CN202010196626.X公开一种AUV三维航路规划方法,设置进入障碍物惩罚,考虑海流因素影响,但是没有考虑具体的障碍物建模以及海水透明度对路径规划的影响。文献“水下平台三维航路多约束多指标规划的蚁群策略研究”中,建立了路径最短、安全性、隐蔽性指标函数,但是没有具体考虑海流等因素。
为了解决现有技术存在的问题,本发明公开了一种采用了粒子群优化算法,可根据不同的优化评价指标,结合水深、海流或透明度数据,通过在适应度函数中增加惩罚的方式,满足UUV航行约束,自动躲避岛屿与人工障碍物的UUV多指标约束三维航路规划方法。
发明内容
为解决现有技术存在的不足,本发明提供了基于海洋环境信息的UUV多指标约束三维航路规划方法。
本发明的技术方案为:
本发明提供了基于海洋环境信息的UUV多指标约束三维航路规划方法,包括以下步骤:
S1.导入数据,导入规划航行区间内的网格数据、导入航路规划起始、终止点坐标及水深、导入人工障碍物数据,并获取约束参数;
S2.路径起始、终止点约束判断,判断起始、终止点处的水深是否满足UUV垂向安全距离、极限深度的要求;判断起始点处的海流流速是否小于UUV可承受最大抗流速度;判断起始、终止点是否陷入人工障碍物、岛屿;
S3.确定适应度函数,根据不同的优化评价指标,确定适应度函数,所述优化评价指标包括安全性、隐蔽性、经济性;
S4.路径起始、终止点透明度判断,当优化评价指标包含隐蔽性时,还需要判断起始、终止点处的水深是否大于网格内的水深透明度数据;
S5.粒子群初始化,设粒子群算法的解空间为L=[l1,l2,l3,...,lm],其中m为粒子群的种群个数,每个粒子代表一条规划路径,每条路径包括若干个路径节点,每个路径节点包括三个维度:经度、纬度、水深;粒子群初始化是指路径节点的经度、纬度、水深的初始化,所述粒子群初始化的方法包括完全随机初始化、非完全随机初始化,首先使用非完全随机初始化进行粒子群初始化;
S6.计算适应度值,检查各路径是否穿越岛屿、人工障碍物,是否满足约束参数;确定各粒子的惩罚系数,进而计算每个粒子的适应度值;
S7.设置pbest、gbest初始值,将适应度值最小的粒子位置作为pbest、gbest的初始化值,其中pbest、gbest分别为粒子局部、全局最优解;
S8.运行粒子群优化算法,更新粒子局部、全局最优解;
S9.输出规划结果,取得上述步骤最终求解的gbest,再次进行是否穿越岛屿、人工障碍物判断及是否满足约束参数判断,若无异常,则将此gbest作为最终结果输出;反之,首先使用完全随机初始化的方法进行粒子群初始化,然后进行S6~S9。
进一步,所述网格数据包括水深、海流、透明度;所述人工障碍物包括圆柱体、五角柱;所述约束参数包括抗流性、最大俯仰角、垂向安全距离。
进一步,所述适应度函数包括以下两种:
(1)当优化评价指标为安全性、安全性与隐蔽性时,适应度函数为:
S=min(C*D)
S为适应度值;
C为路径经过岛、人工障碍物、不满足约束参数的惩罚,C=δk;
D为规划路径欧式距离,
(2)当优化评价指标为安全性与经济性时,适应度函数为:
S=min(C*T)
T为UUV走完规划航行路径所花费的时间,
进一步,所述粒子群的种群个数为300个,所述路径包含7个路径节点。
进一步,所述完全随机初始化的初始化公式为:
其中,xi,yi,zi表示第i个路径节点的经度、纬度、水深坐标,xs,ys,zs为路径起始点坐标,rand()为随机数,Xmin,Xmax为规划范围最小、最大经度值,Ymin,Ymax为规划范围最小、最大纬度值,Zmin,Zmax为x,y坐标点处可选最小、最大水深;此外,粒子速度在三个方向上进行随机初始化。
进一步,所述非完全随机初始化的方法包括以下步骤:
S1.获取跨度大的维度,将一个粒子的起始点的经度与终止点的经度相减,再将起始点的纬度与终止点的纬度相减,比较两个差值的绝对值大小,获取差值大的维度;
S2.跨度大的维度初始化,粒子位置在差值大的维度上进行等分初始化;
S3.其余方向初始化,粒子位置在剩余的维度上进行随机初始化;
S4.粒子速度初始化,将节点速度在跨度大的维度上的分速度设置为0,其余方向上的分速度随机初始化。
进一步,所述粒子群优化算法具体包括以下步骤:
S1.更新粒子速度,即更新粒子的每个路径节点的速度,更新公式为:
S2.更新粒子位置,即更新粒子的每个路径节点的位置,更新公式为:
其中,vx,i,vy,i,vz,i分别代表第i个路径节点的速度在经度、纬度、深度上的分速度;
S3.计算适应度值,所有粒子的速度、位置均更新完毕后,检查各路径是否穿越岛屿、人工障碍物,是否满足约束参数;确定各粒子的惩罚系数,进而计算各粒子的适应度值;
S4.更新粒子局部、全局最优解,将适应度值最小的粒子位置设为局部最优值,比较当前pbest与gbest的大小,若pbest小于gbest,则将pbest赋值给gbest,反之,不更新gbest;
S5.重复运行S1~S4,直至满足粒子优化终止条件后,准备输出规划结果。
进一步,所述粒子优化终止条件包括以下三种:
(1)迭代超过300代后,全局最优粒子未更新;
(2)粒子适应度值改善程度小于某值;
(3)达到设置迭代次数最大值。
本发明所达到的有益效果为:
本发明采用了粒子群优化算法,根据不同的优化评价指标,包括安全性、经济性、隐蔽性,结合水深、海流或透明度数据,通过在适应度函数中增加惩罚的方式,满足UUV航行约束,自动躲避岛屿与人工障碍物,实现目标航路规划。本发明适用于多约束多指标场景下的UUV三维航路规划,可用度高,实用性强。
附图说明
图1是本方法流程图。
图2是粒子群优化算法流程图。
具体实施方式
为便于本领域的技术人员理解本发明,下面结合附图说明本发明的具体实施方式。
如图1~2所示,本发明提供了基于海洋环境信息的UUV多指标约束三维航路规划方法,包括以下步骤:
S1.导入数据,导入规划航行区间内的网格数据、导入航路规划起始点、终止点坐标及水深、导入人工障碍物数据,并获取约束参数;其中,所述网格数据包括水深、海流、透明度数据,所述网格数据是从以往绘制的海图中获取的;所述人工障碍物包括圆柱体、五角柱;所述约束参数包括抗流性、最大俯仰角、垂向安全距离。
S2.路径起始、终止点约束判断,判断起始、终止点处的水深是否满足UUV垂向安全距离、极限深度的要求;判断起始点处的海流流速是否小于UUV可承受最大抗流速度;判断起始、终止点是否陷入人工障碍物、岛屿;
S3.确定适应度函数,根据不同的优化评价指标(安全性、隐蔽性、经济性),确定适应度函数,所述适应度函数包括以下两种:
(1)当优化评价指标为安全性、安全性与隐蔽性时,适应度函数为:
S=min(C*D)
S为适应度值;
C为路径经过岛、人工障碍物、不满足约束参数的惩罚,C=δk;
D为规划路径欧式距离,
(2)当优化评价指标为安全性与经济性时,适应度函数为:
S=min(C*T)
T为UUV走完规划航行路径所花费的时间,
S4.路径起始、终止点透明度判断,当优化评价指标包含隐蔽性时,还需要判断起始、终止点处的水深是否大于网格内的水深透明度数据,只有水深达到一定程度时,才能保证UUV全程隐蔽航行,才能保证UUV不被发现;
S5.粒子群初始化,设粒子群算法的解空间为L=[l1,l2,l3,...,lm](L表示粒子群的解空间,l1、l2…lm表示第一、第二…第m个粒子的解),其中m为粒子群的种群个数,每个粒子代表一条规划路径,每条路径包括若干个路径节点。种群个数及路径节点数量的选择将极大的影响算法的执行效率,因此经过多次实验择优选取,所述粒子群的种群个数为300个,所述路径包含7个路径节点,起始点与终止点包括在7个路径节点内。
其中每个路径节点包括三个维度:经度、纬度、水深,粒子群初始化是指路径节点的经度、纬度、水深的初始化,当一个粒子的7个路径节点全部初始化后,这个粒子也就被初始化了。所述粒子群初始化的方法包括:
(1)完全随机初始化的初始化公式为:
其中,xi,yi,zi表示第i个路径节点的经度、纬度、水深坐标,xs,ys,zs为路径起始点坐标,rand()为随机数,Xmin,Xmax为规划范围最小、最大经度值,Ymin,Ymax为规划范围最小、最大纬度值,Zmin,Zmax为x,y坐标点处可选最小、最大水深;此外,粒子速度在三个方向上进行随机初始化。
粒子初始化时,首先要初始化粒子的位置,然后要初始化粒子的速度。所述粒子位置的初始化就是将一个路径中除初始、终止点外的5个路径节点采用上述公式逐一随机初始化,这样便完成了一个粒子位置初始化,之后不断循环这个过程,直至所有粒子位置均完成初始化。所述粒子速度初始化就是为一个粒子的每个路径节点在经度、纬度、水深三个方向上赋值一个极小值,不断重复这个过程,直至完成所有粒子速度的初始化。
(2)非完全随机初始化的方法包括以下步骤:
1)获取跨度大的维度,将一个粒子的起始点的经度与终止点的经度相减,再将起始点的纬度与终止点的纬度相减,比较两个差值的绝对值大小,获取差值大的维度;
2)跨度大的维度初始化,粒子位置在差值大的维度上进行等分初始化,即将一个粒子的7个路径节点按顺序在这个维度上进行排列,使相邻两个路径节点投影在跨度大的维度上的距离相等;
3)其余方向初始化,粒子位置在剩余的维度上进行随机初始化;
4)粒子速度初始化,将节点速度在跨度大的维度上的分速度设置为0,其余方向上的分速度随机初始化。
以上两种初始方法各有优缺点,完全随机初始化的解不均匀,粒子寻优速度慢,但是在路径中存在较大障碍物时,粒子群能寻到比较好的解。非完全随机初始化的解比较均匀,在中间无障碍物或障碍物比较容易绕开时,得到的解很好,但是在路径间存在较大的障碍物,会寻不到可行解。因此,本方法首先选用非完全随机初始化的方式进行初始化。
S6.计算适应度值,检查各路径是否穿越岛屿、人工障碍物,是否满足约束参数;从而根据不满足条件的数量确定k值,确定各粒子的惩罚系数,进而计算每个粒子的适应度值;
(1)检查是否穿越岛屿
检查路径节点间的线段是否穿越水深数据为0的网格,若存在,则路径穿越岛屿;反之,路径未穿越岛屿。
(2)检查是否穿越人工障碍物
检查穿越圆柱障碍物:
首先将圆柱体与路径节点线段投影在XY平面上,判断圆心到线段的距离,若大于圆柱体的半径,则未穿越障碍物。小于则进行下步判断:若圆柱体高度不小于圆心所在网格内水深,则穿越障碍物;反之,将圆柱体与路径节点线段投影在XZ平面上,检查线段与长方形是否相交,进而判断是否穿越障碍物。
检查是否穿越五边形障碍物:
首先将五角柱与路径节点线段投影在XY平面上,进行快速排斥实验和跨立实验确定线段和五边形是否有交点,若五条边均没有交点,则判为没有穿越障碍;反之,计算交点的Z轴坐标,并计算其与五角体上表面的竖直距离,判断是否穿越障碍物。
S7.设置pbest、gbest初始值,将适应度值最小的粒子位置作为pbest、gbest的初始化值,其中pbest、gbest分别为粒子局部、全局最优解;
S8.运行粒子群优化算法,更新粒子局部、全局最优解;所述粒子群优化算法具体包括以下步骤:
(1)更新粒子速度,即更新粒子的每个路径节点的速度,更新公式为:
(2)更新粒子位置,即更新粒子的每个路径节点的位置,更新公式为:
其中,vx,i,vy,i,vz,i分别代表第i个路径节点的速度在经度、纬度、深度上的分速度;
(3)计算适应度值,所有粒子的速度、位置均更新完毕后,检查各路径是否穿越岛屿、人工障碍物,是否满足约束参数;确定各粒子的惩罚系数,进而计算各粒子的适应度值;
(4)更新粒子局部、全局最优解,计算各粒子的适应度值,将适应度值最小的粒子位置设为局部最优值,比较当前pbest与gbest的大小,若pbest小于gbest,则将pbest赋值给gbest,反之,不更新gbest。
(5)重复运行步骤1~步骤4,直至满足粒子优化终止条件后,准备输出规划结果。其中,所述粒子优化终止条件包括以下三种:
1)迭代超过300代后,全局最优粒子未更新;
2)粒子适应度值改善程度小于某值;
3)达到设置迭代次数最大值。
S9.输出规划结果,取得上述步骤最终求解的gbest,再次进行是否穿越岛屿、人工障碍物判断及约束参数判断,若无异常,则将此gbest作为最终结果输出;若有异常,首先判断是否达到最大运行次数,达到便直接输出结果,结束本次流程,以便于节省时间;如果没达到最大运行次数,那么首先使用完全随机初始化的方法进行粒子群初始化,然后进行S6~S9。
以上所述的本发明实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明的权利要求保护范围之内。
Claims (7)
1.基于海洋环境信息的UUV多指标约束三维航路规划方法,其特征在于:包括以下步骤:
S1.导入数据,导入规划航行区间内的网格数据、导入航路规划起始点及终止点的三维坐标、导入人工障碍物数据,并获取约束参数;
S2.路径起始、终止点约束判断,判断起始点及终止点处的深度是否均满足UUV垂向安全距离和极限深度的要求;判断起始点处的海流流速是否小于UUV可承受最大抗流速度;判断起始、终止点是否陷入人工障碍物、岛屿;
S3.确定适应度函数,根据不同的优化评价指标,确定适应度函数,所述优化评价指标包括安全性、隐蔽性、经济性;所述适应度函数包括以下两种:
(1)当优化评价指标为安全性、安全性与隐蔽性时,适应度函数为:
S=min(C*D)
S为适应度值;
C为路径经过岛、人工障碍物、不满足约束参数的惩罚,C=δk;
D为规划路径欧式距离,
(2)当优化评价指标为安全性与经济性时,适应度函数为:
S=min(C*T)
T为UUV走完规划航行路径所花费的时间,
S4.路径起始、终止点透明度判断,当优化评价指标包含隐蔽性时,还需要判断起始、终止点处的深度是否大于网格内的水深透明度数据;
S5.粒子群初始化,设粒子群算法的解空间为L=[l1,l2,l3,...,lm],其中m为粒子群的种群个数,每个粒子代表一条规划路径,每条路径包括若干个路径节点,每个路径节点包括三个维度:经度、纬度和深度;粒子群初始化是指路径节点的经度、纬度、深度的初始化,所述粒子群初始化的方法包括完全随机初始化、非完全随机初始化,首先使用非完全随机初始化进行粒子群初始化;
S6.计算适应度值,检查各路径是否穿越岛屿、人工障碍物,是否满足约束参数;确定各粒子的惩罚系数,进而计算每个粒子的适应度值;
S7.设置pbest、gbest初始值,将适应度值最小的粒子位置作为pbest、gbest的初始化值,其中pbest、gbest分别为粒子局部、全局最优解;
S8.运行粒子群优化算法,更新粒子局部、全局最优解;
S9.输出规划结果,取得上述步骤最终求解的gbest,再次进行是否穿越岛屿、人工障碍物判断及是否满足约束参数判断,若无异常,则将此gbest作为最终结果输出;反之,首先使用完全随机初始化的方法进行粒子群初始化,然后进行S6~S9。
2.根据权利要求1所述的基于海洋环境信息的UUV多指标约束三维航路规划方法,其特征在于:所述网格数据包括水深、海流、透明度;所述人工障碍物包括圆柱体、五角柱;所述约束参数包括抗流性、最大俯仰角、垂向安全距离。
3.根据权利要求1所述的基于海洋环境信息的UUV多指标约束三维航路规划方法,其特征在于:所述粒子群的种群个数为300个,所述路径包含7个路径节点。
5.根据权利要求1所述的基于海洋环境信息的UUV多指标约束三维航路规划方法,其特征在于:所述非完全随机初始化的方法包括以下步骤:
S1.获取跨度大的维度,将一个粒子的起始点的经度与终止点的经度相减,再将起始点的纬度与终止点的纬度相减,比较两个差值的绝对值大小,获取差值大的维度;
S2.跨度大的维度初始化,粒子位置在差值大的维度上进行等分初始化;
S3.其余方向初始化,粒子位置在剩余的维度上进行随机初始化;
S4.粒子速度初始化,将节点速度在跨度大的维度上的分速度设置为0,其余方向上的分速度随机初始化。
6.根据权利要求1所述的基于海洋环境信息的UUV多指标约束三维航路规划方法,其特征在于:所述粒子群优化算法具体包括以下步骤:
S1.更新粒子速度,即更新粒子的每个路径节点的速度,更新公式为:
S2.更新粒子位置,即更新粒子的每个路径节点的位置,更新公式为:
其中,vx,i,vy,i,vz,i分别代表第i个路径节点的速度在经度、纬度、深度上的分速度;
S3.计算适应度值,所有粒子的速度、位置均更新完毕后,检查各路径是否穿越岛屿、人工障碍物,是否满足约束参数;确定各粒子的惩罚系数,进而计算各粒子的适应度值;
S4.更新粒子局部、全局最优解,将适应度值最小的粒子位置设为局部最优值,比较当前pbest与gbest的大小,若pbest小于gbest,则将pbest赋值给gbest,反之,不更新gbest;
S5.重复运行S1~S4,直至满足粒子优化终止条件后,准备输出规划结果。
7.根据权利要求6所述的基于海洋环境信息的UUV多指标约束三维航路规划方法,其特征在于:所述粒子优化终止条件包括以下三种:
(1)迭代超过300代后,全局最优粒子未更新;
(2)粒子适应度值改善程度小于某值;
(3)达到设置迭代次数最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110387253.9A CN113124873B (zh) | 2021-04-09 | 2021-04-09 | 基于海洋环境信息的uuv多指标约束三维航路规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110387253.9A CN113124873B (zh) | 2021-04-09 | 2021-04-09 | 基于海洋环境信息的uuv多指标约束三维航路规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113124873A CN113124873A (zh) | 2021-07-16 |
CN113124873B true CN113124873B (zh) | 2022-08-16 |
Family
ID=76775875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110387253.9A Active CN113124873B (zh) | 2021-04-09 | 2021-04-09 | 基于海洋环境信息的uuv多指标约束三维航路规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113124873B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117608200B (zh) * | 2024-01-23 | 2024-05-10 | 山东科技大学 | 一种海洋航行器路径规划方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
CN106441303A (zh) * | 2016-09-30 | 2017-02-22 | 哈尔滨工程大学 | 一种基于可搜索连续邻域a*算法的路径规划方法 |
CN107356254A (zh) * | 2017-06-07 | 2017-11-17 | 东南大学 | 适用于地磁辅助导航航迹规划的粒子群优化方法 |
CN109141438A (zh) * | 2018-10-18 | 2019-01-04 | 合肥工业大学 | 一种叉车全局路径规划方法 |
CN110181508A (zh) * | 2019-05-09 | 2019-08-30 | 中国农业大学 | 水下机器人三维航路规划方法及系统 |
CN111174794A (zh) * | 2020-03-12 | 2020-05-19 | 青岛蓝海未来海洋科技有限责任公司 | 基于改进粒子群算法的无人艇路径规划方法及系统 |
CN111307158A (zh) * | 2020-03-19 | 2020-06-19 | 哈尔滨工程大学 | 一种auv三维航路规划方法 |
CN111857140A (zh) * | 2020-07-07 | 2020-10-30 | 智慧航海(青岛)科技有限公司 | 一种基于航道信息的全局路径规划方法 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106970648B (zh) * | 2017-04-19 | 2019-05-14 | 北京航空航天大学 | 城市低空环境下无人机多目标路径规划联合搜索方法 |
-
2021
- 2021-04-09 CN CN202110387253.9A patent/CN113124873B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
CN106441303A (zh) * | 2016-09-30 | 2017-02-22 | 哈尔滨工程大学 | 一种基于可搜索连续邻域a*算法的路径规划方法 |
CN107356254A (zh) * | 2017-06-07 | 2017-11-17 | 东南大学 | 适用于地磁辅助导航航迹规划的粒子群优化方法 |
CN109141438A (zh) * | 2018-10-18 | 2019-01-04 | 合肥工业大学 | 一种叉车全局路径规划方法 |
CN110181508A (zh) * | 2019-05-09 | 2019-08-30 | 中国农业大学 | 水下机器人三维航路规划方法及系统 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
CN111174794A (zh) * | 2020-03-12 | 2020-05-19 | 青岛蓝海未来海洋科技有限责任公司 | 基于改进粒子群算法的无人艇路径规划方法及系统 |
CN111307158A (zh) * | 2020-03-19 | 2020-06-19 | 哈尔滨工程大学 | 一种auv三维航路规划方法 |
CN111857140A (zh) * | 2020-07-07 | 2020-10-30 | 智慧航海(青岛)科技有限公司 | 一种基于航道信息的全局路径规划方法 |
Non-Patent Citations (2)
Title |
---|
UUV Dynamic Path Planning and Trap Escape Strategies in Unknown Environment;ZHANG Xuelian;《Proceedings of the 35th Chinese Control Conference》;20160829;全文 * |
水下无人潜航器集群发展现状及关键技术综述;张伟,等;《哈尔滨工程大学学报》;20200228;第41卷(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113124873A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109375625B (zh) | 一种基于快速搜索遗传算法的智能船舶路径规划方法 | |
CN108564202B (zh) | 一种基于环境预报信息的无人艇航线优化方法 | |
CN108871351B (zh) | 一种auv海底地形匹配的动态路径规划方法 | |
CN112747736B (zh) | 一种基于视觉的室内无人机路径规划方法 | |
CN108334677B (zh) | 一种基于gru网络的uuv实时避碰规划方法 | |
CN111307158B (zh) | 一种auv三维航路规划方法 | |
CN111338350A (zh) | 基于贪婪机制粒子群算法的无人船路径规划方法及系统 | |
CN105913469B (zh) | 基于骨架图的tf/ta2航迹规划方法 | |
CN108489491A (zh) | 一种水下自主航行器的三维航迹智能规划方法 | |
CN110095120A (zh) | 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 | |
CN113342008B (zh) | 一种海空协同水下目标追踪的路径规划系统及方法 | |
CN111338356A (zh) | 改进分布式遗传算法的多目标无人船避碰路径规划方法 | |
CN109765890B (zh) | 一种基于遗传算法的多usv群体协同避碰规划方法 | |
CN111665846B (zh) | 一种基于快速扫描法的水面无人艇路径规划方法 | |
CN108762280A (zh) | 一种考虑海洋环流影响的uuv基于能量消耗优化的远程航海路径规划方法 | |
CN113124873B (zh) | 基于海洋环境信息的uuv多指标约束三维航路规划方法 | |
CN113610312A (zh) | 基于改进遗传算法的船舶航行实时最优航线规划方法 | |
CN113032896B (zh) | 一种基于船舶驾驶员偏好的避碰辅助决策方法 | |
CN112859864A (zh) | 一种面向无人船的几何路径规划方法 | |
KR20200094644A (ko) | V2x 정보 융합 기술을 통해 획득된, 각 객체에 대한 깊이 예측 정보 및 각 객체에 대한 클래스 정보를 이용해 3d 공간을 재구축함으로써 hd 맵을 업데이트하는 학습 방법 및 학습 장치, 그리고 이를 이용한 테스팅 방법 및 테스팅 장치 | |
CN115248591B (zh) | 基于混合初始化灰狼粒子群算法的uuv路径规划方法 | |
JP6810432B2 (ja) | 物体の条件に応じてモードを切り換えることができるcnn基盤で軍事目的、スマートフォン又は仮想走行に使用される疑似3dバウンディングボックスを検出する方法及びこれを利用した装置 | |
CN111412918B (zh) | 无人艇全局安全路径规划方法 | |
Shan | Study on submarine path planning based on modified ant colony optimization algorithm | |
CN115342821A (zh) | 一种复杂未知环境下的无人车导航代价地图构建方法 |
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 |