CN113219982A - 一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法 - Google Patents

一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法 Download PDF

Info

Publication number
CN113219982A
CN113219982A CN202110536012.6A CN202110536012A CN113219982A CN 113219982 A CN113219982 A CN 113219982A CN 202110536012 A CN202110536012 A CN 202110536012A CN 113219982 A CN113219982 A CN 113219982A
Authority
CN
China
Prior art keywords
particle
value
random
weight
particle swarm
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.)
Withdrawn
Application number
CN202110536012.6A
Other languages
English (en)
Inventor
刘子厚
姜媛媛
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.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
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 Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202110536012.6A priority Critical patent/CN113219982A/zh
Publication of CN113219982A publication Critical patent/CN113219982A/zh
Withdrawn legal-status Critical Current

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
    • G05D1/02—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)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法，UGV在煤矿井下巡检时的环境复杂，会受到各种地形的影响。因此需要UGV具备很高的自主性与智能化，其中最具挑战性的任务便是路径规划。本发明提出一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法，为实现有效路径规划，首先将需要巡检的矿井环境划分为D维空间，向其中投入一群规模为m的初始动量不一的粒子，在一代粒子产生次优解出现早熟收敛的基础上，采用随机冲量权重模型通过随机分布的方式获取冲量权重，更新粒子的初始位置与速度从而获得最优解。

Description

一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规 划方法
技术领域
本发明涉及自主移动机器人路径规划技术领域，特别地，涉及基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法。
背景技术
近些年来，无人系统受到了极为广泛的关注，尤其是在煤矿井下这种复杂、危险的环境中，巡检工作由无人系统执行减小了人员风险。地面无人车(UGV)是一种新型的智能化设备，它是在无人操控的情况下可以自主移动工作的无人地面平台，因而在军事与民生方面都得到了宽泛的应用。UGV在井下移动环境十分复杂，会受到各种地形的影响。因此需要UGV具备很高的自主性与智能化，其中最具挑战性的任务便是路径规划。
为此，本发明提出一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法，为实现有效路径规划，首先将需要巡检的矿井环境划分为D维空间，向其中投入一群规模为m的初始动量不一的粒子，在一代粒子产生次优解出现早熟收敛的基础上，采用随机冲量权重模型通过随机分布的方式获取冲量权重，更新粒子的初始位置与速度从而获得最优解。同时也为自主移动机器人路径规划提供了一种新思路。
发明内容
本发明的目的在于提供一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法，用于自主移动机器人路径规划，可以进一步提高路径规划算法的性能。
为了达成上述目的，本发明的解决方案是：
基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法，包括以下步骤(1)～(6)：
1、一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法，包括以下步骤：
步骤(1)：将需要巡检的矿井环境划分为D维空间，向其中投入一群规模为m的初始动量不一的粒子；
步骤(2)：逐一计算粒子的适应度值；
步骤(3)：将每个粒子的适应值与其自身经历过的最优位置(pbest)进行比较，若更好则将其作为当前的最优值；
步骤(4)：将每个粒子的适应值与整个粒子群的当前最优位置(gbest)进行计较，若更好则将其作为新的整个粒子群的最优值；
步骤(5)：采用随机冲量权重模型通过随机分布的方式获取冲量权重，更新粒子的初始位置与速度；
步骤(6)：以获得不同权重的粒子群为基础，更新早熟收敛粒子群状态下的最优解，完成到目标点的平滑路径规划。
2、如权利要求1所述的一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法，其特征在于，所述步骤(5)中所述的随机冲量权重模型具体建立步骤：
步骤2.1：首先，通过下式方程更新粒子的初始位置与速度：
Figure BDA0003069859380000021
其中xi、vi为第i个粒子的位置与速度，i＝1，2，....m，d＝1，2，....D，同时第i个粒子搜索到的最优值与整体的最优值分别记为pid、pgd；c1、c2为学习因子，通常取值为2；r1、r2为[0，1]间的随机数；
步骤2.2：通过引入粒子冲量权重参数构建新粒子群模型：
Figure BDA0003069859380000022
其中μmin是随机冲量权重的最小值；μmax是随机冲量权重的最大值；rand()为[0，1]均匀分布的随机数；σ(标准差)用来度量随机冲量权重w与其数学期望之间的偏离程度从而控制取值中的权重误差，使权重f更符合期望权重。
附图说明
图1为一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法流程图。
具体实施方式
下面结合附图对本发明的技术方案进行进一步说明：
本发明提供一种基于遗传与粒子群算法的混合路径规划算法，其总体思路为：
UGV在煤矿井下巡检时的环境复杂，会受到各种地形的影响。因此需要UGV具备很高的自主性与智能化，其中最具挑战性的任务便是路径规划。本发明提出一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法，为实现有效路径规划，首先将需要巡检的矿井环境划分为D维空间，向其中投入一群规模为m的初始动量不一的粒子，在一代粒子产生次优解出现早熟收敛的基础上，采用随机冲量权重模型通过随机分布的方式获取冲量权重，更新粒子的初始位置与速度从而获得最优解。
如图1所示，本发明的一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法，具体实施包括以下步骤(1)～(6)：
步骤(1)：将需要巡检的矿井环境划分为D维空间，向其中投入一群规模为m的初始动量不一的粒子；
步骤(2)：逐一计算粒子的适应度值；
步骤(3)：将每个粒子的适应值与其自身经历过的最优位置(pbest)进行比较，若更好则将其作为当前的最优值；
步骤(4)：将每个粒子的适应值与整个粒子群的当前最优位置(gbest)进行计较，若更好则将其作为新的整个粒子群的最优值；
步骤(5)：采用随机冲量权重模型通过随机分布的方式获取冲量权重，更新粒子的初始位置与速度；
步骤(6)：以获得不同权重的粒子群为基础，更新早熟收敛粒子群状态下的最优解，完成到目标点的平滑路径规划。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (2)

1.一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法，其特征在于，包括以下步骤：
步骤(1)：将需要巡检的矿井环境划分为D维空间，向其中投入一群规模为m的初始动量不一的粒子；
步骤(2)：逐一计算粒子的适应度值；
步骤(3)：将每个粒子的适应值与其自身经历过的最优位置(pbest)进行比较，若更好则将其作为当前的最优值；
步骤(4)：将每个粒子的适应值与整个粒子群的当前最优位置(gbest)进行计较，若更好则将其作为新的整个粒子群的最优值；
步骤(5)：采用随机冲量权重模型通过随机分布的方式获取冲量权重，更新粒子的初始位置与速度；
步骤(6)：以获得不同权重的粒子群为基础，更新早熟收敛粒子群状态下的最优解，完成到目标点的平滑路径规划。
2.如权利要求1所述的一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法，其特征在于，所述步骤(5)中所述的随机冲量权重模型具体建立步骤：
步骤2.1：首先，通过下式方程更新粒子的初始位置与速度：
Figure FDA0003069859370000011
其中xi、vi为第i个粒子的位置与速度，i＝1,2,…m，d＝1,2,…D，同时第i个粒子搜索到的最优值与整体的最优值分别记为pid、pgd；c1、c2为学习因子，通常取值为2；r1、r2为[0,1]间的随机数；
步骤2.2：通过引入粒子冲量权重参数构建新粒子群模型：
Figure FDA0003069859370000012
其中μmin是随机冲量权重的最小值；μmax是随机冲量权重的最大值；rand()为[0,1]均匀分布的随机数；σ(标准差)用来度量随机冲量权重w与其数学期望之间的偏离程度从而控制取值中的权重误差，使权重f更符合期望权重。
CN202110536012.6A 2021-05-17 2021-05-17 一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法 Withdrawn CN113219982A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110536012.6A CN113219982A (zh) 2021-05-17 2021-05-17 一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110536012.6A CN113219982A (zh) 2021-05-17 2021-05-17 一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法

Publications (1)

Publication Number Publication Date
CN113219982A true CN113219982A (zh) 2021-08-06

Family

ID=77092479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110536012.6A Withdrawn CN113219982A (zh) 2021-05-17 2021-05-17 一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法

Country Status (1)

Country Link
CN (1) CN113219982A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115237117A (zh) * 2022-04-28 2022-10-25 安徽理工大学 基于变异自适应粒子群算法的移动机器人路径规划方法
CN118410745A (zh) * 2024-07-04 2024-07-30 大连海事大学 船用二氧化碳灭火器喷雾模拟方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115237117A (zh) * 2022-04-28 2022-10-25 安徽理工大学 基于变异自适应粒子群算法的移动机器人路径规划方法
CN115237117B (zh) * 2022-04-28 2024-05-07 安徽理工大学 基于变异自适应粒子群算法的移动机器人路径规划方法
CN118410745A (zh) * 2024-07-04 2024-07-30 大连海事大学 船用二氧化碳灭火器喷雾模拟方法
CN118410745B (zh) * 2024-07-04 2024-08-27 大连海事大学 船用二氧化碳灭火器喷雾模拟方法

Similar Documents

Publication Publication Date Title
Yang et al. Path planning for single unmanned aerial vehicle by separately evolving waypoints
US10459437B2 (en) Air-ground heterogeneous robot system path planning method based on neighborhood constraint
CN102591358B (zh) 一种多无人机的动态编队控制方法
CN108958285A (zh) 一种基于分解思想的高效多无人机协同航迹规划方法
CN113219982A (zh) 一种基于随机冲量粒子群算法模型的矿井巡检机器人路径规划方法
CN109508035A (zh) 基于分布式控制的多区域分级式无人机编队路径规划方法
CN114330115B (zh) 一种基于粒子群搜索的神经网络空战机动决策方法
CN111813144B (zh) 一种基于改进羊群算法的多无人机协同航路规划方法
CN115454115B (zh) 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法
CN111273686A (zh) 一种三维环境下多无人机同时到达指定地的路径规划方法
Zhang et al. Research on autonomous maneuvering decision of UCAV based on deep reinforcement learning
CN115657730B (zh) 一种大规模多旋翼无人机鲁棒分簇编队控制方法
CN117806346A (zh) 一种基于自适应蜣螂优化器的无人机路径规划方法
CN116400737B (zh) 一种基于蚁群算法的安全路径规划系统
CN110986948B (zh) 一种基于奖励函数优化的多无人机分组协同判断方法
CN117367452A (zh) 一种考虑横纵向坡度的车辆三维路径规划方法
CN110716585B (zh) 基于分布式一致性与自组网的自主协同控制方法及系统
Lu et al. Distributed multi-UAV cooperation for path planning by an NTVPSO-ADE algorithm
CN116520883A (zh) 一种复杂空域环境下翼伞系统归航轨迹规划方法
CN106950833B (zh) 基于改进pio算法的卫星姿态动态规划方法
Chen et al. A Two‐Stage Method for UCAV TF/TA Path Planning Based on Approximate Dynamic Programming
Ma et al. A two-level memetic path planning algorithm for unmanned air/ground vehicle cooperative detection systems
CN115454145A (zh) 飞行速度不可控条件下高速飞行器协同制导方法及系统
CN115808933A (zh) 一种基于量子海鸥算法的无人机路径规划方法
CN112161626B (zh) 一种基于航路跟踪映射网络的高可飞性航路规划方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210806

WW01 Invention patent application withdrawn after publication