CN113485338B - 基于人群交互行为的机器人集群运动控制方法 - Google Patents
基于人群交互行为的机器人集群运动控制方法 Download PDFInfo
- Publication number
- CN113485338B CN113485338B CN202110776113.0A CN202110776113A CN113485338B CN 113485338 B CN113485338 B CN 113485338B CN 202110776113 A CN202110776113 A CN 202110776113A CN 113485338 B CN113485338 B CN 113485338B
- Authority
- CN
- China
- Prior art keywords
- individual
- force
- cluster
- social
- interaction
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000006399 behavior Effects 0.000 title claims abstract description 13
- 230000000007 visual effect Effects 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 230000003938 response to stress Effects 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 39
- 230000009471 action Effects 0.000 claims description 12
- 230000004438 eyesight Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 239000000523 sample Substances 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000016776 visual perception Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 5
- 230000035772 mutation Effects 0.000 description 3
- 230000009834 selective interaction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 210000001726 chromosome structure Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004938 stress stimulation Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提出一种基于人群交互行为的机器人集群运动控制方法，首先，基于社会力模型，在社会力模型中引入视觉引导算法提高集群系统在复杂环境下的组群能力；然后，在社会里模型中引入与视觉选择注意机制提高集群系统在复杂环境下的活动灵活性；随后，对模型中的运动关联参数采用遗传算法进行全局并行优化，获得集群运动效率提升的最优参数组合。本发明解决了局部最小问题导致的群内个体丢失，集群群组能力不足和协调一致性下降的问题，提高了群集系统在复杂环境下的组群能力；而且通过差异交互项区分了个体对视野域内外邻居的强弱交互，速度应激项增强了个体对视野域内运动特征突出的邻居的速度应激反应，提高了群集系统在复杂环境下的运动灵活性。
Description
技术领域
本发明属于机器人运动控制领域，具体涉及一种基于人群交互行为的机器人集群运动控制方法。
背景技术
人群是群集的典型代表，由于人具备高度的自主性与智能性，人群在运动过程中，往往展现出区别于其他生物的高度智能化的行为。从人群交互行为的角度研究群集运动，有利于挖掘人群交互中的智能化行为，更好地刻画群集的运动特征。
社会力主要包括三种形式的力，即个体自驱力、个体间作用力以及个体与障碍物间的作用力，个体在这些力的共同作用下，产生朝着目标点运动的加速度。但传统的社会力模型采用的是人工势场法的建模思想，会导致局部最小问题，局部最小问题使得群内个体丢失，导致群集组群能力不足，群集的协调一致性下降。其次，传统社会力模型中，个体的速度受到周围交互邻居的共同影响而导致越发“平均化”。这不仅与人的视觉选择注意的特点相违背，而且越发“平均化”的建模思路，使得群体的灵活性大大下降，难以反映生物群集的运动特征。
发明内容
针对现有技术存在的问题，本发明从人群交互行为出发，在揭示其内在交互规则的基础上，基于社会力模型构建群集运动模型，并针对基于社会力模型的群集系统在复杂环境下的运动控制问题进行研究，从而提出一种基于人群交互行为的机器人集群运动控制方法。
其基本原理是：首先，基于社会力模型，在社会力模型中引入视觉引导算法提高集群系统在复杂环境下的组群能力；然后，在社会力模型中引入与视觉选择注意机制提高集群系统在复杂环境下的活动灵活性；随后，对模型中的运动关联参数采用遗传算法进行全局并行优化，获得集群运动效率提升的最优参数组合。
本发明的技术方案为：
所述一种基于人群交互行为的机器人集群运动控制方法，包括以下步骤：
步骤1：建立传统社会力模型，社会力主要包括三种形式的力，即个体自驱力、个体间作用力以及个体与障碍物间的作用力；
社会力的表达模型为：
其中mi为个体i的质量；
为个体i在t时刻的速度；
为个体i在t时刻受到的自驱力；
为个体i在t时刻受到感知域内邻居的作用力的总和；
为个体i在t时刻受到感知域内障碍物的作用力的总和；
为个体i在t时刻受到个体j的社会距离力；
为个体i在t时刻受到个体j的物理力；
为个体i在t时刻受到障碍物w的社会距离力；
为个体i在t时刻受到障碍物w的物理力。
(2)加入视觉引导算法，增强个体对障碍物的感知和规避能力，避免个体由于陷入局部最小而导致群内个体丢失，进而提升群集整体的组群能力。算法主要分为以下三步骤：视觉建立、障碍物探测、导航点选择。
视觉建立：根据社会力模型中个体的受力特征，以所受的合力方向为基准，建立个体视觉感知区域，由于人探知区域约为左右各90°，90°，所以每隔45°在外围圆弧区域设立探测点，共5个。这些视野探测点将作为视觉前沿探测点，用来探测障碍物的位置。
障碍物探测：个体在运动过程中，位于视野前沿的5个探测点实时更新，判断某探测点是否落入障碍物的交互区域。若落入了障碍物的交互区域，则该探测点失效，否则探测点继续探测。
导航点选择：单次探测结束后，从剩余的探测点中选择临时导航点。临时导航点选择的策略是计算剩余的每个探测点的导航风险因子g，选择风险系数最小的点为临时导航点。某探测点i的导航风险因子gi的计算式为：
其中(px,py)为目的地的坐标，
为探测点坐标。
(3)在社会力模型中引入了视觉选择注意机制，主要表现为引入了差异交互项和速度应激项，表征个体与视野内运动特征突出邻居的选择性交互，增大群体的灵活性。
引入差异交互项：
ωi＝eλcosα(t) (5)
其中λ为视觉因子，控制个体与邻居进行强交互的区域大小，一般取值范围为[0,10]；α(t)为个体i在t时刻的运动方向与个体j的运动方向的夹角；
则修正的社会距离力的表达式为：
修正个体作用范围Bi，合理的引入速度应激反映：
其中ci为常数，表示当个体i、j的速度差为0时，个体i和j的理想交互距离；ε为速度应激因子，用于控制个体i的速度应急反映程度。
修正后的社会距离力的表达式为：
(4)利用遗传算法对个体间作用强度Ai，视觉因子λ，速度应激因子ε进行优化，获得集群运动效率提升的最优参数组合。参数对应的种群的产生方式为：
chorm＝lb+(ub-lb)*r (9)
lb为各参量取值的下限，ub为各参量取值的上限，r为0到1的随机数。
适应度函数为：
其中，N为群集的规模，
为个体i在t时刻的期望运动方向，vi(t)为个体i的实际速率，vd为个体i的期望速率，efficiency(t)为集群在t时刻的运动效率，Ψ表示集群在仿真时间内的平均运动速率。
有益效果
1、本发明中加入了视觉引导算法，解决了局部最小问题导致的群内个体丢失，集群群组能力不足和协调一致性下降的问题。提高了群集系统在复杂环境下的组群能力。
2、本发明中引入了视觉选择注意机制，表征了个体与视野内运动特征，突出邻居的选择性交互。差异交互项区分了个体对视野域内外邻居的强弱交互，速度应激项则增强了个体对视野域内运动特征突出的邻居的速度应激反应。提高了群集系统在复杂环境下的运动灵活性。
3、本发明中引入遗传算法进行参数优化，加大了集群运动的效率。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1：个体受力示意图；
图2：个体视野域示意图；
图3：障碍物探测示意图；
图4：视觉导引算法流程；
图5：群机器人运动控制示意t＝0s；
图6：群机器人运动控制示意t＝8s；
图7：群机器人运动控制示意t＝15s；
图8：群机器人运动控制示意t＝23s。
具体实施方式
下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
步骤1：建立传统社会力模型。
步骤1-1：如图1个体受力示意图所示，社会力主要包括三种形式的力，即个体自驱力、个体间作用力以及个体与障碍物间的作用力。个体在这些力的共同作用下，产生朝着目标点运动的加速度。
社会力的表达模型为：
其中mi为个体i的质量，单位kg；
为个体i在t时刻的速度，单位m/s；
为个体i在t时刻受到的自驱力；
为个体i在t时刻受到感知域内邻居的作用力的总和；
为个体i在t时刻受到感知域内障碍物的作用力的总和；
为个体i在t时刻受到个体j的社会距离力；
为个体i在t时刻受到个体j的物理力；
为个体i在t时刻受到障碍物w的社会距离力；
为个体i在t时刻受到障碍物w的物理力。
步骤2：基于视觉的形成机理，设计视觉导引算法，用以增强个体对障碍物的感知和规避能力，避免个体由于陷入局部最小而导致群内个体丢失，进而提升群集整体的组群能力。算法主要分为以下三步骤：视觉建立、障碍物探测、导航点选择。
步骤2-1：视觉建立：根据社会力模型中个体的受力特征，以所受的合力方向为基准，建立个体视觉感知区域，由于人探知区域约为左右各90°，90°，所以每隔45°在外围圆弧区域设立探测点，共5个。这些视野探测点将作为视觉前沿探测点，用来探测障碍物的位置。
如图2所示的个体视野域示意图，令个体i在t时刻的位置为[xi(t),yi(t)]，视野感知距离为Reye，运动的偏航角ρ，由此可以得到5个探测点的动态坐标表达式。
步骤2-2：障碍物探测：如图3障碍物探测示意，个体在运动过程中，位于视野前沿的5个探测点实时更新，判断某探测点是否落入障碍物的交互区域。若落入了障碍物的交互区域，则该探测点失效，否则探测点继续探测。
步骤2-3：导航点选择：单次探测结束后，从剩余的探测点中选择临时导航点。临时导航点选择的策略是计算剩余的每个探测点的导航风险因子g，选择风险系数最小的点为临时导航点。某探测点i的导航风险因子gi的计算式为：
其中(px,py)为目的地的坐标，
为探测点坐标。
综上所述，算法的流程图如图4所示。
步骤3：在社会力模型中引入了视觉选择注意机制，主要表现为引入了差异交互项和速度应激项，用以表征个体与视野内运动特征突出邻居的选择性交互，增大群体的灵活性。差异交互项区分了个体对视野域内外邻居的强弱交互，速度应激项则增强了个体对视野域内运动特征突出的邻居的速度应激反应。
步骤3-1：加入差异交互项。传统的社会力模型，社会距离力的大小只与交互距离有关，而根据人的视觉选择注意的特点，个体对视野域内的邻居的运动特征应该更为敏感，即对于视野内的邻居，个体受到的社会距离力应该较大，对于视野之外的其他个体，其受到的社会距离力应该较小。因此对社会距离力函数做进一步的修正，引入差异交互项：
ωi＝eλcosα(t) (3-1)
其中λ为视觉因子，控制个体与邻居进行强交互的区域大小，一般取值范围为[0,10]；α(t)为个体i在t时刻的运动方向与个体j的运动方向的夹角。
则修正的社会距离力的表达式为：
步骤3-2，加入速度应激项。考虑到行人对视野内邻居的加速、减速、转向等运动状态的突变十分敏感的特点。引入速度应激项，用来反映其对邻居速度的突然变化，表现出的强烈的受力刺激。个体间距离是随运动过程动态变化的，修正个体作用范围Bi，只有通过修正个体作用范围Bi，才能合理的引入速度应激反映：
其中ci为常数，表示当个体i、j的速度差为0时，个体i和j的理想交互距离；ε为速度应激因子，用于控制个体i的速度应急反映程度。
差异交互项和速度应激项结合，使得个体的交互具备了人视觉选择注意的特点，个体的运动不在趋于“平均化”，激发了群集系统的灵活性。经过上述修正后的社会距离力的表达式为：
步骤4：利用遗传算法进行参数优化。本发明在社会力模型中引入了视觉导引算法和视觉选择注意机制，其涉及的模型参数较多，这些参数按照对群集运动的影响机理，可以分为运动关联参数和非运动关联参数。运动关联参数影响着群集运动的一致性与协调性，进而影响群集运动效率，所以本发明将利用遗传算法对个体间作用强度Ai，视觉因子λ，速度应激因子ε进行优化，获得集群运动效率提升的最优参数组合。参数对应的种群的产生方式为：
chorm＝lb+(ub-lb)*r (9)
lb为各参量取值的下限，ub为各参量取值的上限，r为0到1的随机数。
适应度函数为：
其中，N为群集的规模，
为个体i在t时刻的期望运动方向，vi(t)为个体i的实际速率，vd为个体i的期望速率，efficiency(t)为集群在t时刻的运动效率，Ψ表示集群在仿真时间内的平均运动速率。
遗传算法的流程如下：
Step1：根据问题确定染色体，生成初始种群，该步其实是一个初始化的过程，在该步中只要设置一些参数就行了。
Step2：计算种群中各个个体的适应度，适应度函数一般是要以目标函数来确定的。
Step3：选择操作，选择操作就是建立在对个体的适应度进行评价的基础上。
Step4：交叉操作，在整个遗传算法中，交叉操作是最主要的一步，交叉算子的设计要与个体编码的设计统一考虑。
Step5：变异操作，变异操作首先必须在群集中选择一个个体，对于选中的这个个体以变异概率随机改变染色体结构数据中的某个串的值。
Step6：终止条件判断，若进化代数与最大进化代数相等的话，则整个算法就结束，否则进化代数的次数加，然后转到进行循环操作。
如图5、图6、图7和图8对算法进行实验验证。
当t＝0s时，整个群集处于初始化状态，15个机器人根据预定的目标点向前运动，激光雷达实时探测邻居和障碍物相对位置。
当t＝8s时，群机器人遇到了障碍物。此时，群机器人在视觉导引算法的帮助下，提前探测到了障碍物的位置，并选择了合理的临时导航点规避了障碍物。从图中来看，群机器人在此处并未发生滞留，而是进行了协调有序的分群避障运动。
当t＝15s时，群机器人遇到了收窄的通道，相比于上一个障碍物，此处遇到了障碍物环境更为复杂。群机器人原本分群的运动逐渐形成组群运动，整个队伍开始合拢，从图中来看，机器人也未发生滞留现象，精准有序的进入收窄通道。
当t＝23s时，群机器人到达指定目标位置，实验结束。
本发明提出的视觉导引算法能够有效提高社会里模型集群系统在复杂环境下的避障效率以及组群能力；视觉交互项区分了个体对视野内外区域邻居的强弱交互，速度应激项则增强了个体对视野内运动特征突出的邻居的速度应激反应，社会力模型中引入的视觉选择注意机制能够有效提高集群运动的灵活性以及运动的效率；用遗传算法对模型的运动关联参数进行全局并行优化，能够有效提高集群的运动效率。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (2)
1.一种基于人群交互行为的机器人集群运动控制方法，其特征在于：包括以下步骤：
步骤1：建立传统社会力模型，社会力包括三种形式的力：个体自驱力、个体间作用力以及个体与障碍物间的作用力；机器人集群中的个体在这些力的共同作用下，产生朝着目标点运动的加速度；
步骤2：基于社会力模型，在社会力模型中引入视觉引导方法提高集群系统在复杂环境下的组群能力；
步骤2-1：视觉建立：根据社会力模型中个体的受力特征，以所受的合力方向为基准，建立个体视觉感知区域，并在感知区域的外围圆弧上每隔45°设立探测点，共5个探测点；
步骤2-2：障碍物探测：个体在运动过程中，位于视野前沿的探测点实时更新，并且判断某探测点是否落入障碍物的交互区域，若落入了障碍物的交互区域，则该探测点失效，否则探测点继续探测；
步骤2-3：导航点选择：单次探测结束后，从剩余的探测点中选择临时导航点；临时导航点选择的策略是计算剩余的每个探测点的导航风险因子g，选择风险系数最小的点为临时导航点；某探测点i的导航风险因子gi的计算式为：
其中(px,py)为目的地的坐标，
为探测点坐标；
步骤3：在社会力模型中引入视觉选择注意机制提高集群系统在复杂环境下的活动灵活性；在社会力模型中引入视觉选择注意机制表现为引入了差异交互项和速度应激项，其中差异交互项区分了个体对视野域内外邻居的强弱交互，速度应激项则增强了个体对视野域内运动特征突出的邻居的速度应激反应；
所述差异交互项为
ωi＝eλcosα(t)
其中λ为视觉因子，控制个体与邻居进行强交互的区域大小；α(t)为个体i在t时刻的运动方向与个体j的运动方向的夹角；
利用差异交互项修正的社会距离力的表达式为：
通过修正个体作用范围Bi：
引入速度应激反映，其中Ai为个体间作用强度，ci为常数，表示当个体i、j的速度差为0时，个体i和j的理想交互距离；ε为速度应激因子，用于控制个体i的速度应急反映程度；
利用差异交互项和速度应激项结合修正的社会距离力的表达式为：
步骤4：对社会力模型中的运动关联参数采用遗传算法进行全局并行优化，获得集群运动效率提升的最优参数组合；具体为利用遗传算法对个体间作用强度Ai，视觉因子λ，速度应激因子ε进行优化，获得集群运动效率提升的最优参数组合。
2.根据权利要求1所述一种基于人群交互行为的机器人集群运动控制方法，其特征在于：
社会力的表达模型为：
其中mi为个体i的质量，单位kg；
为个体i在t时刻的速度，单位m/s；
为个体i在t时刻受到的自驱力；
为个体i在t时刻受到感知域内邻居的作用力的总和；
为个体i在t时刻受到感知域内障碍物的作用力的总和；
为个体i在t时刻受到个体j的社会距离力；
为个体i在t时刻受到个体j的物理力；
为个体i在t时刻受到障碍物w的社会距离力；
为个体i在t时刻受到障碍物w的物理力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110776113.0A CN113485338B (zh) | 2021-07-09 | 2021-07-09 | 基于人群交互行为的机器人集群运动控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110776113.0A CN113485338B (zh) | 2021-07-09 | 2021-07-09 | 基于人群交互行为的机器人集群运动控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113485338A CN113485338A (zh) | 2021-10-08 |
| CN113485338B true CN113485338B (zh) | 2022-11-22 |
Family
ID=77938254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110776113.0A Active CN113485338B (zh) | 2021-07-09 | 2021-07-09 | 基于人群交互行为的机器人集群运动控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113485338B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114088096B (zh) * | 2021-11-12 | 2023-06-30 | 西北工业大学 | 一种基于邻域选择性交互的群机器人协同导航方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013090910A2 (en) * | 2011-12-15 | 2013-06-20 | Northeastern University | Real-time anomaly detection of crowd behavior using multi-sensor information |
| CN104680559A (zh) * | 2015-03-20 | 2015-06-03 | 青岛科技大学 | 基于运动行为模式的多视角室内行人跟踪方法 |
| CN106127749A (zh) * | 2016-06-16 | 2016-11-16 | 华南理工大学 | 基于视觉注意机制的目标零件识别方法 |
| CN107480320A (zh) * | 2017-06-20 | 2017-12-15 | 山东师范大学 | 一种基于拓扑地图与视觉影响的人群疏散仿真方法及系统 |
| CN108680063A (zh) * | 2018-05-23 | 2018-10-19 | 南京航空航天大学 | 一种针对大规模无人机集群动态对抗的决策方法 |
| CN111046562A (zh) * | 2019-12-16 | 2020-04-21 | 湖北工业大学 | 基于蜂群算法的多目标引导人员疏散仿真方法及仿真系统 |
| CN111736142A (zh) * | 2019-03-25 | 2020-10-02 | 通用汽车环球科技运作有限责任公司 | 用于雷达交叉交通跟踪和操纵风险评估的系统和方法 |
| CN112034882A (zh) * | 2020-08-05 | 2020-12-04 | 北京航空航天大学 | 一种仿寒鸦配对交互机制的无人机集群控制方法 |
| CN112965507A (zh) * | 2021-02-03 | 2021-06-15 | 南京航空航天大学 | 一种基于智能优化的集群无人机协同工作系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112257258A (zh) * | 2020-10-20 | 2021-01-22 | 杭州电子科技大学 | 基于Boids集群运动模型的人群运动仿真方法 |
-
2021
- 2021-07-09 CN CN202110776113.0A patent/CN113485338B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013090910A2 (en) * | 2011-12-15 | 2013-06-20 | Northeastern University | Real-time anomaly detection of crowd behavior using multi-sensor information |
| CN104680559A (zh) * | 2015-03-20 | 2015-06-03 | 青岛科技大学 | 基于运动行为模式的多视角室内行人跟踪方法 |
| CN106127749A (zh) * | 2016-06-16 | 2016-11-16 | 华南理工大学 | 基于视觉注意机制的目标零件识别方法 |
| CN107480320A (zh) * | 2017-06-20 | 2017-12-15 | 山东师范大学 | 一种基于拓扑地图与视觉影响的人群疏散仿真方法及系统 |
| CN108680063A (zh) * | 2018-05-23 | 2018-10-19 | 南京航空航天大学 | 一种针对大规模无人机集群动态对抗的决策方法 |
| CN111736142A (zh) * | 2019-03-25 | 2020-10-02 | 通用汽车环球科技运作有限责任公司 | 用于雷达交叉交通跟踪和操纵风险评估的系统和方法 |
| CN111046562A (zh) * | 2019-12-16 | 2020-04-21 | 湖北工业大学 | 基于蜂群算法的多目标引导人员疏散仿真方法及仿真系统 |
| CN112034882A (zh) * | 2020-08-05 | 2020-12-04 | 北京航空航天大学 | 一种仿寒鸦配对交互机制的无人机集群控制方法 |
| CN112965507A (zh) * | 2021-02-03 | 2021-06-15 | 南京航空航天大学 | 一种基于智能优化的集群无人机协同工作系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| Research on Formation Behavior of Flock with Visual Guidance Algorithm;YangYang 等;《Proceedings of the 2018 IEEE International Conference on Robotics and Biomimetics》;20181215;全文 * |
| 基于社会力模型的机场旅客排队模型;张天炫;《系统工程与电子技术》;20200831;第42卷(第8期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113485338A (zh) | 2021-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108415425B (zh) | 一种基于改进基因调控网络的分布式群机器人协同集群算法 | |
| CN112461247B (zh) | 一种基于自适应麻雀搜索算法的机器人路径规划方法 | |
| CN107168324B (zh) | 一种基于anfis模糊神经网络的机器人路径规划方法 | |
| CN110442135A (zh) | 一种基于改进遗传算法的无人艇路径规划方法及系统 | |
| CN110196061A (zh) | 基于改进蚁群算法的移动机器人全局路径规划方法 | |
| CN106873599A (zh) | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 | |
| CN112462803B (zh) | 一种基于改进nsga-ii的无人机路径规划方法 | |
| CN113485338B (zh) | 基于人群交互行为的机器人集群运动控制方法 | |
| CN113848919A (zh) | 一种基于蚁群算法的室内agv路径规划方法 | |
| CN109542117A (zh) | 基于改进rrt的水下航行器滚动规划算法 | |
| CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
| CN112465127B (zh) | 一种基于改进的生物启发神经网络的多智能体协同目标搜索方法 | |
| CN114077256A (zh) | 一种水上无人船路径规划方法 | |
| CN112214031B (zh) | 基于遗传粒子群算法的多节点协同着陆位置规划方法 | |
| CN109947129A (zh) | 基于Dijkstra与改进粒子群算法的旋翼无人机路径规划方法 | |
| CN113391633A (zh) | 一种面向城市环境的移动机器人融合路径规划方法 | |
| CN116859903A (zh) | 基于改进哈里斯鹰优化算法的机器人平滑路径规划方法 | |
| CN115454062A (zh) | 一种基于贝兹曲线的机器人动态路径规划方法及系统 | |
| CN112665592B (zh) | 一种基于多智能体的时空路径规划方法 | |
| CN115729238A (zh) | 一种用于移动机器人自主避障的动态路径规划方法 | |
| CN115079693A (zh) | 基于改进遗传算法和b样条拟合的无人车路径规划方法 | |
| Santos et al. | A hybrid approach for path planning and execution for autonomous mobile robots | |
| CN113204248A (zh) | 基于决策变量与自适应算法的多无人机航迹协同方法 | |
| Das et al. | Improved real time A*-fuzzy controller for improving multi-robot navigation and its performance analysis | |
| He et al. | Optimal Path Planning for Underwater Robots Based on Improved Ant Colony Algorithm |
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 |