CN113219981B - 一种基于蚁群算法的移动机器人路径规划方法 - Google Patents
一种基于蚁群算法的移动机器人路径规划方法 Download PDFInfo
- Publication number
- CN113219981B CN113219981B CN202110533757.7A CN202110533757A CN113219981B CN 113219981 B CN113219981 B CN 113219981B CN 202110533757 A CN202110533757 A CN 202110533757A CN 113219981 B CN113219981 B CN 113219981B
- Authority
- CN
- China
- Prior art keywords
- node
- ant colony
- ant
- colony algorithm
- algorithm
- 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 36
- 241000257303 Hymenoptera Species 0.000 claims abstract description 24
- 238000005452 bending Methods 0.000 claims abstract description 14
- 230000007704 transition Effects 0.000 claims abstract description 5
- 239000003016 pheromone Substances 0.000 claims description 29
- 230000001629 suppression Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000000638 stimulation Effects 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 3
- 230000002401 inhibitory effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 16
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method 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
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
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
本发明涉及一种基于蚁群算法的移动机器人路径规划方法。本发明包括:采用栅格法对机器人的工作环境进行建模;根据禁忌表,判断蚂蚁是否陷入了死锁状态;基于A*算法的启发式代价,考虑蚂蚁前一个节点到当前节点的线段与当前节点到下一节点的线段之间的夹角,构造启发信息函数,根据启发式信息,在轮盘赌法算法的基础上计算蚂蚁在当前节点选择下一个节点的状态转移概率;判断蚂蚁是否到达目标节点G;判断迭代次数N是否达到最大迭代数。本发明利用A*算法作为路径搜索的启发式信息,在启发式信息中加入弯曲抑制算子,减少弯曲次数和累计弯曲角度,提高了全局路径的平滑度。通过仿真表明改进的蚁群算法收敛速度更快,路径更加优化。
Description
技术领域
本发明涉及机器人自主导航技术领域,尤其是指一种基于蚁群算法的移动机器人路径规划方法。
背景技术
当前,智能体路径规划是最热门的研究之一,已广泛应用于多个领域中,如移动仓储机器人,自动导引车,自动驾驶等;尤其在智能工厂环境中,高效的路径规划可以极大地节约时间和降低成本。
蚁群算法(ACO)是一种通过模拟自然界中蚂蚁集体寻找路径行为而提取的一种群体算法,特点是蚂蚁在所走过的路径上会留下信息素,该物质会随时间逐渐挥发,同时吸引其他蚂蚁逐渐靠近该路径,从而形成一种正反馈机制。相比较遗传算法,粒子群算法等,蚁群算法拥有更稳定的搜索性能,更高的精确性。基于以上优点,蚁群算法引起了许多学者的关注,并提出了许多优化。
然而,蚁群算法还有初始收敛速度慢,初始信息素匮乏,需要较长的搜索时间,传统蚁群算法利用蚂蚁的当前位置与下一位置的欧式距离作为启发信息函数,这使得蚂蚁在搜索过程中易出现停滞,陷入局部最优解,“早熟”现象等许多不足的地方。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中蚁群算法的初始收敛速度慢、初始信息素匮乏、需要较长的搜索时间的问题。
为解决上述技术问题,本发明提供了一种基于蚁群算法的移动机器人路径规划方法,包括:
步骤一:采用栅格法对机器人的工作环境进行建模,设置机器人的初始节点S和目标节点G;
步骤二:初始化蚁群算法的基本参数;
步骤三:将蚂蚁放置在初始节点S上,并将初始节点S加入到禁忌表中;
步骤四:根据禁忌表,判断蚂蚁是否陷入了死锁状态,若蚂蚁处于死锁状态,则采用算法,使得蚂蚁逃离死锁区域,进行更新禁忌表,将蚂蚁死锁节点添加到禁忌表中;
步骤五:基于A*算法的启发式代价,考虑蚂蚁前一个节点到当前节点的线段与当前节点到下一节点的线段之间的夹角,构造启发信息函数,根据启发式信息,在轮盘赌法算法的基础上计算蚂蚁在当前节点选择下一个节点的状态转移概率,蚂蚁到达下一节点后,更新禁忌表,将当前节点加入禁忌表;
步骤六:判断蚂蚁是否到达目标节点G,若是,停止搜索,一次迭代结束,否则,继续按照步骤三到步骤五的方法搜索直到找到目标点;
步骤七:判断迭代次数N是否达到最大迭代数Nmax,若满足,则结束,输出最优路径,若不满足,则转到步骤三,直到N>Nmax,输出最优路径。
在本发明的一个实施例中,所述A*算法的启发式代价用估计函数表示,估计函数方程f(n)为:
f(n)=g(n)+h(n)
h(n)=((nx-gx)2+(ny-gy)2)1/2
g(n)=((nx-sx)2+(ny-sy)2)1/2
其中g(n)为从源节点到当前节点的最小代价,h(n)为从当前节点到目标节点的最小代价,nx和ny为当前节点n的坐标,gx和gy为目标节点g的坐标,sx和sy为初始节点s的坐标。
在本发明的一个实施例中,所述步骤五包括:在蚁群算法的启发式代价基础上加入弯曲抑制算子,以减少弯曲次数和较大的累积转角,来构造启发信息函数。
在本发明的一个实施例中,所述启发信息函数为:
其中Q2为一个大于1的常数;cost(bend)为弯曲抑制算子;turn是从前一个节点n-1到下一个节点n+1的回合数,thita为前一个节点n-1到当前节点n的线段与当前节点n到下一个节点n+1的线段之间的夹角;是将转弯次数转换为网格长度的系数;ψ是角到栅格长度的转换系数。
在本发明的一个实施例中,所述转移概率为:
其中,t为时刻,τij是当前节点i到下一节点j的信息素轨迹,ηij是当前节点i到下一节点j轨迹的启发式信息,α为决定了信息素轨迹相对影响的信息素浓度刺激因子,β为决定了启发式信息相对影响的可见性刺激因子,dij为当前节点i到下一节点j的距离,(xi,yi)和(xj,yj)为当前节点i和下一节点j的坐标,allowk为当蚂蚁到节点i时可以选择的节点集合。
在本发明的一个实施例中,所述采用栅格法对机器人的工作环境进行建模,其模型包括:白色栅格表示机器人的可行区域,黑色栅格表示障碍物,机器人无法通过,机器人行走时,障碍物处于静止状态且大小固定,机器人大小为单位栅格大小,在栅格环境中建立笛卡尔坐标系,对栅格从左至右,从上到下进行编码。
在本发明的一个实施例中,所述蚁群算法各基本参数包括:蚂蚁数量m,参数α,其决定信息素路径的相对影响,参数β,其决定启发式值,全局信息素挥发系数ρ,信息素强度Q1,迭代阈值R,设置最大迭代次数Nmax。
在本发明的一个实施例中,所述步骤四中,若蚂蚁处于死锁状态,则采用回收机制算法,直到蚂蚁逃离死锁区域。
在本发明的一个实施例中,所述机器人工作环境包括:隧道图、槽图或挡板图。
本发明所述方法还可以应用于无人机导航、无人驾驶领域。
本发明的上述技术方案相比现有技术具有以下优点:
本发明所述的一种基于蚁群算法的移动机器人路径规划方法,利用A*算法作为路径搜索的启发式信息,提高了算法的收敛速度,从而得到更好的路径。在启发式信息中加入弯曲抑制算子,减少弯曲次数和累计弯曲角度,提高了全局路径的平滑度。其次,引入了回收机制算法来解决死锁问题。然后将最大最小蚂蚁系统转化为局部扩散信息素,只在信息素更新中加入迭代试验得到的最佳解。同时有效地限制了信息素路径的强度,避免了搜索的过早收敛。这使得蚁群算法在复杂的隧道图、槽图和挡板图中得到了有效的改进和性能的提高。经过仿真结果表明,改进的蚁群算法收敛速度更快,路径更加优化。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1为改进蚁群算法实现过程的流程图。
图2为传统蚁群算法和改进蚁群算法在20*20栅格中运行轨迹图(虚线为传统蚁群算法,实线为改进蚁群算法)。
图3为传统蚁群算法和改进蚁群算法在20*20栅格中运行迭代次数。
图4为传统蚁群算法和改进蚁群算法在30*30栅格中运行轨迹图(虚线为传统蚁群算法,实线为改进蚁群算法)。
图5为传统蚁群算法和改进蚁群算法在30*30栅格中运行迭代次数。
图6为传统蚁群算法和改进蚁群算法在40*40栅格中运行轨迹图(虚线为传统蚁群算法,实线为改进蚁群算法)。
图7为传统蚁群算法和改进蚁群算法在40*40栅格中运行迭代次数。
图8为传统蚁群算法和改进蚁群算法在挡板图中运行轨迹图(虚线为传统蚁群算法,实线为改进蚁群算法)。
图9为传统蚁群算法和改进蚁群算法在挡板图中运行迭代次数。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
参照图1所示,本发明的一种基于蚁群算法的移动机器人路径规划方法,包括如下步骤:
步骤一:采用栅格法对机器人工作环境进行MATLAB建模,其中白色栅格表示机器人的可行区域,黑色栅格表示障碍物,机器人无法通过。机器人行走时,障碍物处于静止状态且大小固定。机器人大小为单位栅格大小,在栅格环境中建立笛卡尔坐标系,对栅格从左至右,从上到下进行编码。给出移动机器人的初始节点S和目标点G。
步骤二:初始化蚁群算法各基本参数,设蚂蚁数量为m,参数α决定信息素路径的相对影响,参数β决定启发式值,全局信息素挥发系数ρ,信息素强度Q1,迭代阈值R,设置最大迭代次数Nmax。
步骤三:更新禁忌表,将蚂蚁k(k=1,2,…,m)放置在初始节点S上,并将初始节点S加入到禁忌表(Tabu Table)中。
步骤四:进程死锁。根据禁忌表,判断蚂蚁是否陷入了死锁状态。如果蚂蚁处于死锁状态,则采用回收机制算法,直到蚂蚁逃离死锁区域,并将死锁节点添加到禁忌表中。如果蚂蚁未处于死锁状态,判断蚂蚁是否到达目标点,如果蚂蚁到达目标点,则转向步骤六,否则转向步骤五。
步骤五:选择下一个节点,计算启发式函数和概率函数,最后使用轮盘赌方法选择下一个可行节点,如果蚂蚁到达目标节点,它将转到步骤六,否则更新禁忌表,将当前节点加入到禁忌表中。
A*算法作为路径搜索的启发式信息,其启发式代价用估计函数表示,估计函数方程f(n)为:
f(n)=g(n)+h(n)
h(n)=((nx-gx)2+(ny-gy)2)1/2
g(n)=((nx-sx)2+(ny-sy)2)1/2
其中g(n)为从源节点到当前节点的最小代价,h(n)为从当前节点到目标节点的最小代价,nx和ny为当前节点n的坐标,gx和gy为目标节点g的坐标,sx和sy为初始节点s的坐标。
A*算法的估计函数在蚁群算法中被作为启发式信息来搜索全局最优路径,在蚁群算法的启发式值上加入弯曲抑制算子,以减少弯曲次数和较大的累积转角。改进的启发式信息公式如下:
Q2为一个大于1的常数,cost(bend)为弯曲抑制算子,turn是从节点n-1(前一个节点)到节点n+1(下一个节点)的回合数。thita为节点n-1到节点n(当前节点)的线段与节点n到节点n+1的线段之间的夹角。其中是将转弯次数转换为网格长度的系数。ψ是角到栅格长度的转换系数。
下一节点的概率选择采用轮盘赌的方式,概率函数算法如下:
其中,τij是栅格(节点)i到栅格j的信息素轨迹,ηij是栅格i到栅格j轨迹的启发式信息,α为决定了信息素轨迹相对影响的信息素浓度刺激因子,β为决定了启发式信息相对影响的可见性刺激因子,dij为节点i到节点j的距离,(xi,yi)和(xj,yj)为栅格i到栅格j的坐标,allowk为当蚂蚁到栅格i时可以选择的栅格集合。
步骤六:如果蚂蚁未到达目标节点G,则重复步骤三到步骤五,直到每只蚂蚁在其迭代过程中完成目标搜索,然后转到步骤七。
步骤七:更新信息素。每次迭代后,如果迭代次数满足不等式N≤Nmax,Nmax为最大迭代数,更新路径信息素,判断其是否满足收敛条件,如果满足收敛条件,则退出;如果它不满足,它将转到步骤三。如果迭代次数满足不等式N>Nmax,它将不再被计算。只要满足结束条件,就会输出最终结果。
通过对比图2、图4、图6和图8中仿真实验的机器人行动轨迹可以看出本发明通过利用A*算法作为路径搜索的启发式信息,提高了算法的收敛速度,找到了比传统蚁群算法更短,更合适的路径;通过对比图3、图5、图7和图9可以看出,本发明迭代次数相比于传统蚁群算法更少,效率更高。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种基于蚁群算法的移动机器人路径规划方法,其特征在于,包括如下步骤:
步骤一:采用栅格法对机器人的工作环境进行建模,设置机器人的初始节点S和目标节点G;
步骤二:初始化蚁群算法的基本参数;
步骤三:将蚂蚁放置在初始节点S上,并将初始节点S加入到禁忌表中;
步骤四:根据禁忌表,判断蚂蚁是否陷入了死锁状态,若蚂蚁处于死锁状态,则采用算法,使得蚂蚁逃离死锁区域,进行更新禁忌表,将死锁节点添加到禁忌表中;
步骤五:基于A*算法的启发式代价,考虑蚂蚁前一个节点到当前节点的线段与当前节点到下一节点的线段之间的夹角,构造启发信息函数,根据启发式信息,在轮盘赌法算法的基础上计算蚂蚁在当前节点选择下一个节点的状态转移概率,蚂蚁到达下一节点后,更新禁忌表,将当前节点加入禁忌表;
所述启发信息函数为:
其中Q2为一个大于1的常数;cost(bend)为弯曲抑制算子;turn是从前一个节点n-1到下一个节点n+1的回合数,thita为前一个节点n-1到当前节点n的线段与当前节点n到下一个节点n+1的线段之间的夹角;是将转弯次数转换为网格长度的系数;ψ是角到栅格长度的转换系数;
步骤六:判断蚂蚁是否到达目标节点G,若是,停止搜索,一次迭代结束,否则,继续按照步骤三到步骤五的方法搜索直到找到目标点;
步骤七:判断迭代次数N是否达到最大迭代数Nmax,若满足,则结束,输出最优路径,若不满足,则转到步骤三,直到N>Nmax,输出最优路径。
2.根据权利要求1所述的一种基于蚁群算法的移动机器人路径规划方法,其特征在于,所述A*算法的启发式代价用估计函数表示,估计函数方程f(n)为:
f(n)=g(n)+h(n)
h(n)=((nx-gx)2+(ny-gy)2)1/2
g(n)=((nx-sx)2+(ny-sy)2)1/2
其中g(n)为从源节点到当前节点的最小代价,h(n)为从当前节点到目标节点的最小代价,nx和ny为当前节点n的坐标,gx和gy为目标节点g的坐标,sx和sy为初始节点s的坐标。
3.根据权利要求1所述的一种基于蚁群算法的移动机器人路径规划方法,其特征在于,所述步骤五包括:在蚁群算法的启发式代价基础上加入弯曲抑制算子,以减少弯曲次数和较大的累积转角,来构造启发信息函数。
5.根据权利要求1所述的一种基于蚁群算法的移动机器人路径规划方法,其特征在于,所述采用栅格法对机器人的工作环境进行建模,其模型包括:白色栅格表示机器人的可行区域,黑色栅格表示障碍物,机器人无法通过,机器人行走时,障碍物处于静止状态且大小固定,机器人大小为单位栅格大小,在栅格环境中建立笛卡尔坐标系,对栅格从左至右,从上到下进行编码。
6.根据权利要求1所述的一种基于蚁群算法的移动机器人路径规划方法,其特征在于,所述蚁群算法各基本参数包括:蚂蚁数量m,参数α,其决定信息素路径的相对影响,参数β,其决定启发式值,全局信息素挥发系数ρ,信息素强度Q1,迭代阈值R,设置最大迭代次数Nmax。
7.根据权利要求1所述的一种基于蚁群算法的移动机器人路径规划方法,其特征在于,所述步骤四中,若蚂蚁处于死锁状态,则采用回收机制算法,直到蚂蚁逃离死锁区域。
8.根据权利要求1-7任一项所述的一种基于蚁群算法的移动机器人路径规划方法,其特征在于,所述机器人工作环境包括:隧道图、槽图或挡板图。
9.权利要求1-8任一项所述的一种基于蚁群算法的移动机器人路径规划方法,其特征在于,所述方法应用于无人机导航、无人驾驶领域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110533757.7A CN113219981B (zh) | 2021-05-14 | 2021-05-14 | 一种基于蚁群算法的移动机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110533757.7A CN113219981B (zh) | 2021-05-14 | 2021-05-14 | 一种基于蚁群算法的移动机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113219981A CN113219981A (zh) | 2021-08-06 |
CN113219981B true CN113219981B (zh) | 2022-08-30 |
Family
ID=77092377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110533757.7A Active CN113219981B (zh) | 2021-05-14 | 2021-05-14 | 一种基于蚁群算法的移动机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113219981B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114166228B (zh) * | 2021-12-07 | 2024-05-28 | 武汉科技大学 | 无人机持续监测路径规划方法 |
CN114879669B (zh) * | 2022-04-28 | 2024-05-28 | 贵州民族大学 | 基于多目标路径规划与智能拾取的机器人控制方法 |
CN115032997B (zh) * | 2022-06-22 | 2023-04-07 | 江南大学 | 一种基于蚁群算法的第四方物流运输路径规划方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472828A (zh) * | 2013-09-13 | 2013-12-25 | 桂林电子科技大学 | 基于改进蚁群粒子群算法的移动机器人路径规划方法 |
CN111982125A (zh) * | 2020-08-31 | 2020-11-24 | 长春工业大学 | 一种基于改进蚁群算法的路径规划方法 |
CN112000105B (zh) * | 2020-08-31 | 2021-07-06 | 大连理工大学 | 一种基于交流策略蚁群算法的移动机器人路径规划方法 |
CN112650229B (zh) * | 2020-12-15 | 2022-07-05 | 扬州大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
-
2021
- 2021-05-14 CN CN202110533757.7A patent/CN113219981B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113219981A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113219981B (zh) | 一种基于蚁群算法的移动机器人路径规划方法 | |
CN113110592B (zh) | 一种无人机避障与路径规划方法 | |
JP6869562B2 (ja) | トラッキングネットワークを含むcnnを使用して物体をトラッキングする方法、及びそれを利用した装置{method for tracking object by using convolutional neural network including tracking network and computing device using the same} | |
CN112888612A (zh) | 自动驾驶车辆规划 | |
CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
CN111610786A (zh) | 基于改进rrt算法的移动机器人路径规划方法 | |
CN112650229A (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN113867368A (zh) | 一种基于改进海鸥算法的机器人路径规划方法 | |
Goldhoorn et al. | Continuous real time POMCP to find-and-follow people by a humanoid service robot | |
CN114261400B (zh) | 一种自动驾驶决策方法、装置、设备和存储介质 | |
CN113778093A (zh) | 基于改进麻雀搜索算法的amr自主移动机器人路径规划方法 | |
US20230162539A1 (en) | Driving decision-making method and apparatus and chip | |
CN110954124A (zh) | 一种基于a*-pso算法的自适应路径规划方法及系统 | |
CN107024220B (zh) | 基于强化学习蟑螂算法的机器人路径规划方法 | |
CN112612267A (zh) | 自动驾驶的路径规划方法和装置 | |
CN114161419B (zh) | 一种情景记忆引导的机器人操作技能高效学习方法 | |
CN117055601B (zh) | 一种无人机送餐路径规划方法、装置、设备及存储介质 | |
CN115542912B (zh) | 一种基于改进Q-learning算法的移动机器人路径规划方法 | |
CN116839582A (zh) | 一种基于改进q学习的无人机航迹规划方法 | |
CN116523158A (zh) | 一种多无人机航迹规划方法、装置、设备及存储介质 | |
CN116027788A (zh) | 融合复杂网络理论和部分可观察马尔可夫决策过程的智能驾驶行为决策方法及设备 | |
CN115016499A (zh) | 一种基于sca-ql的路径规划方法 | |
CN118311969B (zh) | 基于混合元启发式算法的在线多机器人避障路径规划方法 | |
Tran et al. | Mobile robot planner with low-cost cameras using deep reinforcement learning | |
Neuman et al. | Anytime policy planning in large dynamic environments with interactive uncertainty |
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 |