CN113762565A - 路径规划方法、装置、计算设备和介质 - Google Patents
路径规划方法、装置、计算设备和介质 Download PDFInfo
- Publication number
- CN113762565A CN113762565A CN202010853961.2A CN202010853961A CN113762565A CN 113762565 A CN113762565 A CN 113762565A CN 202010853961 A CN202010853961 A CN 202010853961A CN 113762565 A CN113762565 A CN 113762565A
- Authority
- CN
- China
- Prior art keywords
- sub
- region
- current
- path
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000000007 visual effect Effects 0.000 claims abstract description 74
- 239000003999 initiator Substances 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 241000251468 Actinopterygii Species 0.000 description 50
- 230000006399 behavior Effects 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 235000013305 food Nutrition 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000019637 foraging behavior Effects 0.000 description 4
- 230000002431 foraging effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000032258 transport Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种路径规划方法,包括:将目标区域划分为多个子区域;确定多个子区域中的起始子区域和目标子区域;在起始子区域和目标子区域中的至少一个设置多个虚拟对象,并控制多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动,每次迭代生成从起始子区域到目标子区域的当前路径,当前视野域与当前迭代次数相关联,每个虚拟对象能够从各自的当前视野域中所包括的子区域中选择一个子区域作为下一步要到达的子区域;以及从多次迭代得到的多条当前路径中确定出目标路径,并将目标路径发送给移动设备,以便移动设备根据目标路径从起始子区域运动至目标子区域。本公开还提供了一种路径规划装置、计算设备以及计算机可读存储介质。
Description
技术领域
本公开涉及仓储物流领域,更具体地,涉及一种路径规划方法、一种路径规划装置、一种计算设备以及一种计算机可读存储介质。
背景技术
目前的库房中,通常由移动设备来运输货物,移动设备可以包括物流机器人。在移动设备运输货物时,通常需要对移动设备的路径进行规划,例如规划移动设备从起点到终点的路径,并将规划好的路径发送给移动设备,便于移动设备通过规划的路径进行货物的运输。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题,相关技术中路径规划的效率较低、计算过程缓慢、所规划的路径不是最优路径。
发明内容
有鉴于此,本公开提供了一种优化的路径规划方法、路径规划装置、计算设备和计算机可读存储介质。
本公开的一个方面提供了一种路径规划方法,包括:将目标区域划分为多个子区域,确定所述多个子区域中的起始子区域和目标子区域,在所述起始子区域和所述目标子区域中的至少一个设置多个虚拟对象,并控制所述多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动,其中,每次迭代生成从所述起始子区域到所述目标子区域的当前路径,所述当前视野域与当前迭代次数相关联,每个虚拟对象能够从各自的当前视野域中所包括的子区域中选择一个子区域作为下一步要到达的子区域,从多次迭代得到的多条当前路径中确定出目标路径,并将所述目标路径发送给移动设备,以便所述移动设备根据所述目标路径从所述起始子区域运动至所述目标子区域。
根据本公开实施例,上述当前视野域与当前迭代次数相关联包括:所述当前视野域的大小与当前迭代次数的大小成负相关关系。
根据本公开实施例,上述控制所述多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动包括:在当前迭代次数小于等于所述预设迭代次数的情况下,确定每个虚拟对象的当前视野域,控制每个虚拟对象从各自的当前视野域中所包括的子区域中选择一个子区域作为下一步要到达的子区域。
根据本公开实施例,上述确定每个虚拟对象的当前视野域包括:基于所述预设迭代次数和当前迭代次数,确定系数,基于所述系数和上一次迭代的视野域,确定每个虚拟对象的当前视野域。
根据本公开实施例,上述基于所述预设迭代次数和当前迭代次数,确定系数包括:基于上一次迭代的视野域和预设的最大视野域以及预设的最小视野域之间的关系,确定计算方程,利用所述计算方程处理所述预设迭代次数和当前迭代次数,得到所述系数。
根据本公开实施例,上述从多次迭代得到的多条当前路径中确定出目标路径包括:针对每次迭代得到的当前路径,将所述当前路径与公告牌中的路径进行比较,如果所述当前路径的长度小于所述公告牌中的路径的长度,将所述当前路径替换所述公告牌中的路径,在完成多次迭代之后,将所述公告牌中的路径作为目标目标路径。
根据本公开实施例,上述针对每次迭代得到的当前路径,将所述当前路径与公告牌中的路径进行比较包括:针对每次迭代得到的当前路径,对所述当前路径进行优化处理,以去除所述当前路径中的迂回路径部分,得到优化后的当前路径,将所述优化后的当前路径与公告牌中的路径进行比较。
根据本公开实施例,上述在所述起始子区域和所述目标子区域中的至少一个设置多个虚拟对象包括:在所述起始子区域设置第一组虚拟对象,在所述目标子区域设置第二组虚拟对象。控制所述多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动包括:控制所述第一组虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域,并以所述起始子区域为起点,以所述目标子区域为终点进行运动,控制所述第二组虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域,并以所述目标子区域为起点,以所述起始子区域为终点进行运动。
根据本公开实施例,上述每次迭代生成从所述起始子区域到所述目标子区域的当前路径包括:在所述第一组虚拟对象和所述第二组虚拟对象相遇后,将相遇的虚拟对象的所走过的路径组合作为所述当前路径。
根据本公开实施例,上述控制所述多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动包括:针对每个虚拟对象,在当前迭代次数小于等于所述预设迭代次数的情况下,确定所述虚拟对象的当前视野域中是否包括可行子区域,如果所述当前视野域中不包括可行子区域,将所述虚拟对象当前所处的子区域加入禁忌表中,以使得所述虚拟对象不再到达所述禁忌表中的子区域,控制所述虚拟对象从当前所处的子区域回退到之前所到达的子区域,直到基于所回退的子区域所确定的当前视野域包括可行子区域。
根据本公开实施例,上述每次迭代生成从所述起始子区域到所述目标子区域的当前路径中包括至少一个中间目的地子区域。
本公开的另一个方面提供了一种路径规划装置,包括:划分模块、确定模块、控制模块以及发送模块。其中,划分模块用于将目标区域划分为多个子区域。确定模块用于确定所述多个子区域中的起始子区域和目标子区域。控制模块用于在所述起始子区域和所述目标子区域中的至少一个设置多个虚拟对象,并控制所述多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动,其中,每次迭代生成从所述起始子区域到所述目标子区域的当前路径,所述当前视野域与当前迭代次数相关联,每个虚拟对象能够从各自的当前视野域中所包括的子区域中选择一个子区域作为下一步要到达的子区域。发送模块用于从多次迭代得到的多条当前路径中确定出目标路径,并将所述目标路径发送给移动设备,以便所述移动设备根据所述目标路径从所述起始子区域运动至所述目标子区域。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序,所述计算机程序包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例,利用上述路径规划方法或装置可以至少部分地解决相关技术中路径规划的效率较低、计算过程缓慢、所规划的路径不是最优路径的问题,并因此可以实现提高路径规划效率、快速找到最优路径的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的路径规划方法和装置的应用场景;
图2示意性示出了根据本公开实施例的路径规划方法的流程图;
图3示意性示出了根据本公开另一实施例的路径规划方法的流程图;
图4-图5示意性示出了根据本公开仿真实验比较的示意图。
图6示意性示出了根据本公开实施例的路径规划装置的框图;以及
图7示意性示出了根据本公开实施例的适于路径规划的计算机系统的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开的实施例提供了一种路径规划方法,包括:将目标区域划分为多个子区域,确定多个子区域中的起始子区域和目标子区域。在起始子区域和目标子区域中的至少一个设置多个虚拟对象,并控制多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动,其中,每次迭代生成从起始子区域到目标子区域的当前路径,当前视野域与当前迭代次数相关联,每个虚拟对象能够从各自的当前视野域中所包括的子区域中选择一个子区域作为下一步要到达的子区域。接下来,从多次迭代得到的多条当前路径中确定出目标路径,并将目标路径发送给移动设备,以便移动设备根据目标路径从起始子区域运动至目标子区域。
图1示意性示出了根据本公开实施例的路径规划方法和装置的应用场景。需要注意的是,图1所示仅为可以应用本公开实施例的应用场景的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的应用场景100可以目标区域110和移动设备120。
目标区域110例如可以是库房中存储货物的区域,移动设备120可以在目标区域110中运动来运输货物。移动设备120可以是物流机器人、移动叉车等等。
在本公开实施例中,例如以网格划分的方式将目标区域110划分为多个子区域111,为了图示清楚仅对其中一个子区域进行了标注。
为了从目标区域110中规划出路径,可以确定多个子区域中的起始子区域A作为路径的起点,确定目标子区域B作为路径的终点,规划得到目标路径130。然后,将目标路径130发送给移动设备120,便于移动设备120基于目标路径130从起点运动至终点。
例如,利用人工鱼群算法(Artificial Fish-swarm Algorithm,AFSA)进行路径规划来得到目标路径130。具体地,通过人工鱼群算法规划路径包括在起始子区域A和目标子区域B中的至少一个设置多个虚拟对象(人工鱼),每个虚拟对象均能够执行觅食行为、聚群行为、追尾行为、随机行为等。每个虚拟对象(人工鱼)按照“进步最快的原则”或者“进步即可的原则”在多个子区域中移动。虚拟对象进步表征该虚拟对象每次从当前子区域运动至下一个子区域后,下一个子区域至目标子区域B的距离小于当前子区域至目标子区域B的距离。
通过多个虚拟对象在目标区域110中进行移动可以得到多个路径,将多个路径中长度最小的路径作为目标路径130,并将目标路径130发送给移动设备120。
图2示意性示出了根据本公开实施例的路径规划方法的流程图。
如图2所示,该方法例如可以包括以下操作S210~操作S240。
在操作S210,将目标区域划分为多个子区域。
在操作S220,确定多个子区域中的起始子区域和目标子区域。
在操作S230,在起始子区域和目标子区域中的至少一个设置多个虚拟对象,并控制多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动,其中,每次迭代生成从起始子区域到目标子区域的当前路径,当前视野域与当前迭代次数相关联,每个虚拟对象能够从各自的当前视野域中所包括的子区域中选择一个子区域作为下一步要到达的子区域。
接下来,在操作S240,从多次迭代得到的多条当前路径中确定出目标路径,并将目标路径发送给移动设备,以便移动设备根据目标路径从起始子区域运动至目标子区域。
根据本公开的实施例,通过对传统的人工鱼群算法(Artificial Fish-swarmAlgorithm,AFSA)进行改进来进行路径优化。例如,在对传统人工鱼群算法进行改进。一种改进方式包括在虚拟对象(人工鱼)运动过程中实时调整虚拟对象的当前视野域大小,从而提高路径优化的速度。
具体地,首先将目标区域划分为多个子区域,并确定多个子区域中的起始子区域和目标子区域。起始子区域作为规划得到的路径的起点,目标子区域作为规划得到的路径的终点。
在确定起始子区域和目标子区域之后,在起始子区域和目标子区域中的一个或两个设置多个虚拟对象。例如可以仅在起始子区域设置多个虚拟对象,或者仅在目标子区域设置对个虚拟对象,又或者在起始子区域设置多个虚拟对象以及在目标子区域设置多个虚拟对象。
根据本公开实施例,预设迭代次数例如为预先设置的次数,预设迭代次数例如为5次、10次、15次等等。所有虚拟对象每次从各自所处的当前子区域运动至下一个子区域,在多个虚拟对象运动并形成至少一条从起始子区域(起点)到目标子区域(终点)的当前路径之后即完成一次迭代,每完成一次迭代均可以生成至少一个当前路径。然后,将所有虚拟对象进行复位,例如将所有虚拟对象重新设置在起始子区域和目标子区域中的一个或两个,并继续完成下一个迭代计算。当完成预设迭代次数的迭代计算后,可以从得到的多个当前路径中确定出长度最小的当前路径作为目标路径。
在每个虚拟对象从当前子区域运动至下一个子区域的过程中,以当前子区域为圆心,半径为r确定出的圆形区域为当前该虚拟对象的当前视野域。该当前视野域内包括多个子区域,虚拟对象可以从当前视野域内选择一个子区域作为下一步要到达的子区域。
在本公开实施例中,在每个虚拟对象运动过程中可以根据当前迭代次数来实时调整该虚拟对象的当前视野域大小,例如调整半径r的大小。根据当前迭代次数来实时调整该当前视野域大小可以提高路径优化的速度。
根据本公开实施例,当前视野域与当前迭代次数相关联包括:当前视野域的大小与当前迭代次数的大小成负相关关系。负相关关系表示随着当前迭代次数增大,当前视野域减小。
例如,在迭代初期(迭代次数较小),采用较大的视野域,增大搜索范围进行粗搜索。随着搜索的进行,在迭代后期(当前迭代次数较大),采用较小的视野域进行精细搜索,提高算法的收敛速度。
根据本公开实施例,上述操作S230中关于控制多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动包括:在当前迭代次数小于等于预设迭代次数的情况下,确定每个虚拟对象的当前视野域,控制每个虚拟对象从各自的当前视野域中所包括的子区域中选择一个子区域作为下一步要到达的子区域。
其中,确定每个虚拟对象的当前视野域包括:
首先,基于预设迭代次数和当前迭代次数,确定系数。
例如,基于上一次迭代的视野域和预设的最大视野域以及预设的最小视野域之间的关系,确定计算方程,利用计算方程处理预设迭代次数和当前迭代次数,得到系数μ(k)。具体过程如式(1)。
其中,k表示第k次迭代的次数,j表示预设迭代次数;Visual(k)表示第k次迭代时的视野域,Visualmin表示预设的最小视野域,Visualmax表示预设的最大视野域。
然后,基于系数μ(k)和上一次迭代的视野域,确定每个虚拟对象的当前视野域。具体过程如式(2)。
Visual(k+1)=μ(k)*Visual(k) (2)
其中,Visual(k)表示上一次迭代的视野域(例如可以是视野域的半径),Visual(k+1)表示当前视野域(例如可以是视野域的半径)。
由式(1)可知,在上一次迭代的视野域大小处于预设的最小视野域和预设的最大视野域的范围内时,随着当前迭代次数的增加,当前视野域的大小减小。在上一次迭代的视野域的小于最小视野域时,通过系数增大当前视野域,在上一次迭代的视野域的大于最大视野域时,通过系数减小当前视野域。
根据本公开实施例,上述操作S240中关于从多次迭代得到的多条当前路径中确定出目标路径包括:
首先,针对每次迭代得到的当前路径,将当前路径与公告牌中的路径进行比较。
然后,如果当前路径的长度小于公告牌中的路径的长度,将当前路径替换公告牌中的路径。
接下来,在完成多次迭代之后,将公告牌中的路径作为目标目标路径。
根据本公开实施例,公告牌中用于记录迭代开始至目前为止的最优路径(路径长度最短的路径)。例如,可以将第一次迭代得到的当前路径存储至公告牌中,如果第一次迭代得到多条完整路径,可以将多个完整路径中的最短路径存储至公告牌中。在第二次迭代时,可以将的得到的至少一条完整路径依次和公告牌中存储的路径进行对比,每次对比时,如果用于对比的当前路径的长度比公告牌中的路径长度小,则将当前路径替换公告牌中的路径。直到多次迭代完成之后,将告牌中的路径作为目标路径,该目标路径即为多次迭代得到的长度最小的路径。
在另一示例中,在将每次迭代得到的当前路径和公告牌中的路径进行比较之前,可以首先对当前路径进行优化处理。
具体地,针对每次迭代得到的当前路径,对当前路径进行优化处理,以去除当前路径中的迂回路径部分,得到优化后的当前路径。然后,将优化后的当前路径与公告牌中的路径进行比较。
例如,如果得到的当前路径中的一段路径包括子区域a、b、c、d,表示虚拟对象依次经过子区域a、b、c、d。如果虚拟对象可以经由子区域a、b、c、d到达子区域d,也可以直接经由子区域a、d直接到达子区域d,并且从a直接到d的路径比abcd短,此时可以删除当前路径中所途径的迂回路径部分,例如去除路径包括的子区域b、c,从而减小当前路径的长度,实现路径的优化。
根据本公开实施例,上述操作S230中关于在起始子区域和目标子区域中的至少一个设置多个虚拟对象包括:在起始子区域设置第一组虚拟对象,在目标子区域设置第二组虚拟对象。
其中,控制多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动包括:控制第一组虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域,并以起始子区域为起点,以目标子区域为终点进行运动。控制第二组虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域,并以目标子区域为起点,以起始子区域为终点进行运动。
然后,在第一组虚拟对象和第二组虚拟对象相遇后,将相遇的虚拟对象所走过的路径组合作为当前路径。
可以理解,本公开实施例为了提高虚拟对象的搜索能力和效率,可以同时采用多组虚拟对象同时搜索的策略。具体地,在起始子区域和目标子区域各设置一组虚拟对象,两组虚拟对象相互协作完成最优路径的搜索。两组虚拟对象每行走一步生成对应的两组路径,如果两组路径有相交的路径,则产生一条完整路径。通过两组虚拟对象相向搜索,使得搜索不易陷于停滞,从而提高搜索速度。
在另一实施例中,上述操作S230中关于控制多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动包括:
针对每个虚拟对象,在当前迭代次数小于等于预设迭代次数的情况下,确定虚拟对象的当前视野域中是否包括可行子区域。
如果当前视野域中不包括可行子区域,将虚拟对象当前所处的子区域加入禁忌表中,以使得该虚拟对象不再到达禁忌表中的子区域。
控制虚拟对象从当前所处的子区域回退到之前所到达的子区域,直到基于所回退的子区域所确定的当前视野域包括可行子区域。
可以理解,为了防止虚拟对象陷入“U”型区陷阱中,本公开实施例采用人工鱼(虚拟对象)回退策略。当虚拟对象落入陷阱时,若没有好的策略处理该情况,该虚拟对象将会处于“死亡”状态,整个算法将处于停滞状态。因此,本公开实施例的人工鱼回退策略指当虚拟对象的可行域为空时,控制虚拟对象倒退到已走路径的上一个子区域,然后将出现倒退现象的子区域加入禁忌表中,并且该虚拟对象本次迭代不再经过禁忌表中记录的子区域,虚拟对象回退直到虚拟对象的可行域不为空为止。
在本公开实施例中,在路径规划的过程中,除了设定起始子区域和目标子区域之外,还可以设定至少一个中间目标地子区域,使得所规划得到从起始子区域到目标子区域的过程中途径设定的中间目标地子区域。即,每次迭代生成从起始子区域到目标子区域的当前路径中包括至少一个中间目的地子区域。
例如,中间目的地可以是在整个路径中的一个个阶段性的目标点,且是有序的。可以理解为移动设备在执行某一项任务工作时,例如装箱操作,移动设备首先要去一个目的地去取箱子,取好箱子后就将此目的地作为起始位置,然后去下一个目的地装货,以此循环,最后将装好的货物送到最终的目的地。因此,每一个起始位置到终点位置都可以视作为一次路径规划寻优。
根据本公开实施例,每个虚拟对象具有觅食行为、聚群行为、追尾行为、随机行为。以下将介绍每个虚拟对象运行时执行的各种行为。为了便于理解,针对以起始子区域为起点的每个虚拟对象(第一组虚拟对象)来进行说明,以目标子区域为起点的每个虚拟对象(第二组虚拟对象)的运动过程与第一组虚拟对象的运动过程相同或类似,在此不再赘述。
针对以起始子区域为起点的每个虚拟对象(第一组虚拟对象),在当前迭代次数小于等于预设迭代次数的情况下,控制虚拟对象执行觅食行为。觅食行为表征虚拟对象在当前视野域中确定下一个要达到的子区域,下一个要到达的子区域与目标子区域之间的距离小于当前所处子区域与目标子区域之间的距离。
在执行觅食行为时,如果在当前视野域中找不到下一个要到达的子区域,则执行聚群行为。聚群行为表征虚拟对象在当前视野域中确定中心子区域并朝中心子区域的方向确定下一个要到达的子区域,中心子区域与目标子区域之间的距离小于当前视野域中除中心子区域外的其他子区域与目标子区域之间的距离。
在执行聚群行为时,如果在当前视野域中找不到下一个要到达的子区域,则执行追尾行为。追尾行为表征从当前视野域中确定出距离目标子区域最近的其他虚拟对象,并在当前视野域中朝其他虚拟对象的方向确定下一个要到达的子区域。
在执行追尾行为时,如果在当前视野域中找不到下一个要到达的子区域,则执行随机行为。随机行为表征从当前视野域中随机确定下一个要到达的子区域。
以下将结合图3来描述每个虚拟对象运行时执行的各种行为。
图3示意性示出了根据本公开另一实施例的路径规划方法的流程图。
如图3所示,该方法例如可以包括以下操作S301~操作S324。
在操作S301,设定初始视野域半径r,最大视野域半径rmax,最小视野域半径rmin,拥挤度因子delta,预设迭代次数generation_max以及迭代次数计数器n=0,人工鱼步数计数器s=0,禁忌表tabu_k,路径表path_k,设置公告牌中的初始最优路径长度len=∞。拥挤度因子delta用于限定人工鱼群之间的拥挤度,避免人工鱼群在某一局部过于拥挤导致算法陷入局部最优。
在操作S302,将Nmax条人工鱼放置在初始位置。例如将第一组人工鱼群放置在起始子区域,将第二组人工鱼群放置在目标子区域,第一组人工鱼和第二组人工鱼的数量为Nmax。将每条人工鱼的初始位置加入各自对应的路径表path_k(k=1,2,.....,Nmax),同时将每条人工鱼的初始位置加入各自对应的禁忌表tabu_k(k=1,2,.....,Nmax)。设置k=1,通过k遍历鱼群。
在操作S303,执行觅食行为。计算当前人工鱼的视野域,如果视野域为空,执行人工鱼回退策略,否则在视野域内随机选择一个食物浓度比当前子区域大的子区域作为下一步行走的子区域gn。
其中,对应人工鱼来说,一个子区域的食物浓度大于另一个子区域的食物浓度时,表示该子区域与目标子区域之间的距离小于另一个子区域与目标子区域之间的距离。即,人工鱼执行觅食行为时,要找食物浓度大的下一个子区域,即下一步要行走的子区域与目标子区域(终点)之间的距离小于当前子区域与目标子区域之间的距离。
以人工鱼所在子区域与终点的距离的倒数为食物浓度,即距离终点越近,食物浓度就越大。两个临近子区域的距离为步长,人工鱼每次行走时跨过一个子区域。例如,设某人工鱼当前所处子区域的坐标为P(xc,yc),终点的坐标为P(xg,yg),则人工鱼当前所处子区域的食物浓度:
在操作S304,判断gn是否为无穷,如果为无穷则表示达到最大选择次数仍未找到符合要求的gn,则执行S308的聚群行为。如果gn不是无穷,则表示找到了下一步行走的子区域,则执行操作S305。
在操作S305,将下一步行走的子区域gn加入路径表path_k和禁忌表tabu_k。
在操作S306,判断是否还有剩余的人工鱼没有行走。如果是,执行操作S307,如果否,执行操作S315。
在操作S307,确定下一条人工鱼,并返回操作S304以计算该下一条人工鱼下一步行走的子区域gn。
在操作S308,如果操作S304中gn为无穷,则执行聚群行为。例如通过上述式(1)和(2)计算视野域,并通过由式(3)计算出视野域内的中心子区域Pc。
其中,Pc代表当前视野域内的中心子区域,也是当前视野域内食物浓度最高的子区域,gj是当前人工鱼所处的子区域,Nf代表当前视野域内的人工鱼数目(Nf≥1),j代表视野域内的其他人工鱼。
在操作S309,根据中心子区域Pc计算出下一步行走的栅格gn。中心子区域Pc为当前人工鱼视野域内食物浓度最高的子区域,人工鱼会在当前视野域内朝着中心子区域Pc的方向移动,从而确定下一步走的栅格gn。
在操作S310,判断gn是否为无穷,如果为无穷则表示达到最大选择次数仍未找到符合要求的gn,则执行S311的追尾行为。如果gn不是无穷,则表示找到了下一步行走的子区域,则执行操作S305。
在操作S311,计算视野域,并在视野域内找到最优人工鱼。最优人工鱼是当前视野域内与终点的距离最小的人工鱼。
在操作S312,在当前视野域内朝向最优人工鱼的方向确定下一步行走的子区域gn。
在操作S313,判断gn是否为无穷,如果为无穷则表示达到最大选择次数仍未找到符合要求的gn,则执行S314的随机行为。如果gn不是无穷,则表示找到了下一步行走的子区域,则执行操作S305。
在操作S314,执行随机行为。即计算当前视野域,并在当前视野域内随机选一个子区域作为下一步行走的子区域。
在操作S315,如果全部人工鱼都走完一步(跨过一个子区域),则人工鱼步数计数器s加1。
在操作S316,判断第一组人工鱼与第二组人工鱼是否相遇。如果相遇则产生至少一条完整的当前路径。例如,如果一对(两条)人工鱼相遇,则产生一条完整的当前路径,如果多对人工鱼相遇,则产生多条完整的当前路径。
在操作S317,进行路径优化,例如去除路径中迂回的部分。
在操作S318,计算优化后路径的长度lenn。
在操作S319,将路径的长度lenn和公告牌中的路径的长度len进行对比。
在操作S320,如果路径的长度lenn小于公告牌中的路径的长度len,将公共牌中的路径长度len替换为当前路径的长度lenn,并将迭代次数n加1。
在操作S321,判断当前迭代次数是否大于预设迭代次数generation_max。如果是,则结束。如果否,则执行操作S322。
在操作S322,将步数计数器s设置为0,进行下一次迭代。
在操作S323,如果没有人工鱼相遇,则判断人工鱼已行走步数s是否小于最大步数smax。如果是,则执行操作S324。如果否,则返回到操作S302。
在操作S324,设置k=1,所有人工鱼走下一步。
图4-图5示意性示出了根据本公开仿真实验比较的示意图。
将本公开实施例的路径规划算法与MAFSA(Multi-objective Artificial Fish-swarm Algorithm)算法进行仿真实验比较,其比较结果如图4和图5所示。从图4和图5中可以看出本公开实施例的路径规划方法在路径寻优效率和收敛性上都是较优的,并且每次搜索到最优路径都优于MAFSA算法搜索到最优路径。
图4的横坐标是迭代次数,纵坐标是最优适应度。最优适应度即表示食物浓度,离终点越近,食物浓度越高。通过对比可看出本公开实施例的路径规划算法的寻优效率及收敛性都更佳。
图5的横坐标是运行次数,纵坐标是最优适应度。其中,本公开实施例路径规划算法和MAFSA算法和都会进行相同次数的迭代。多次运行是为了验证本公开实施例提出的路径规划算法是稳定可靠的,并非某一次偶现的情况。通过多次运行验证证明,每次运行本公开实施例的路径规划算法得到的最优适应度值(即食物浓度)都要优于MAFSA算法。
在仓储物流机器人路径规划的过程中,本公开实施例提供的基于改进人工鱼群算法的路径规划算法,通过引入自适应视野域策略、禁忌表和回退策略、双人工鱼群策略、路径优化策略等,可以得出一条耗时最少、路径长度最短的较佳路径。
图6示意性示出了根据本公开实施例的路径规划装置的框图。
如图6所示,路径规划装置600例如可以包括划分模块610、确定模块620、控制模块630以及发送模块640。
划分模块610可以用于将目标区域划分为多个子区域。根据本公开实施例,划分模块610例如可以执行上文参考图2描述的操作S210,在此不再赘述。
确定模块620可以用于确定多个子区域中的起始子区域和目标子区域。根据本公开实施例,确定模块620例如可以执行上文参考图2描述的操作S220,在此不再赘述。
控制模块630可以用于在起始子区域和目标子区域中的至少一个设置多个虚拟对象,并控制多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动,其中,每次迭代生成从起始子区域到目标子区域的当前路径,当前视野域与当前迭代次数相关联,每个虚拟对象能够从各自的当前视野域中所包括的子区域中选择一个子区域作为下一步要到达的子区域。根据本公开实施例,控制模块630例如可以执行上文参考图2描述的操作S230,在此不再赘述。
发送模块640可以用于从多次迭代得到的多条当前路径中确定出目标路径,并将目标路径发送给移动设备,以便移动设备根据目标路径从起始子区域运动至目标子区域。根据本公开实施例,发送模块640例如可以执行上文参考图2描述的操作S240,在此不再赘述。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,划分模块610、确定模块620、控制模块630以及发送模块640中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,划分模块610、确定模块620、控制模块630以及发送模块640中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,划分模块610、确定模块620、控制模块630以及发送模块640中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图7示意性示出了根据本公开实施例的适于路径规划的计算机系统的方框图。图7示出的计算机系统仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,根据本公开实施例的计算机系统700包括处理器701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分706加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 703中,存储有系统700操作所需的各种程序和数据。处理器701、ROM 702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,系统700还可以包括输入/输出(I/O)接口705,输入/输出(I/O)接口705也连接至总线704。系统700还可以包括连接至I/O接口705的以下部件中的一项或多项:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是计算机非易失性的计算机可读存储介质,例如可以可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (14)
1.一种路径规划方法,包括:
将目标区域划分为多个子区域;
确定所述多个子区域中的起始子区域和目标子区域;
在所述起始子区域和所述目标子区域中的至少一个设置多个虚拟对象,并控制所述多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动,其中,每次迭代生成从所述起始子区域到所述目标子区域的当前路径,所述当前视野域与当前迭代次数相关联,每个虚拟对象能够从各自的当前视野域中所包括的子区域中选择一个子区域作为下一步要到达的子区域;以及
从多次迭代得到的多条当前路径中确定出目标路径,并将所述目标路径发送给移动设备,以便所述移动设备根据所述目标路径从所述起始子区域运动至所述目标子区域。
2.根据权利要求1所述的方法,其中,所述当前视野域与当前迭代次数相关联包括:所述当前视野域的大小与当前迭代次数的大小成负相关关系。
3.根据权利要求1所述的方法,其中,所述控制所述多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动包括:
在当前迭代次数小于等于所述预设迭代次数的情况下,确定每个虚拟对象的当前视野域;以及
控制每个虚拟对象从各自的当前视野域中所包括的子区域中选择一个子区域作为下一步要到达的子区域。
4.根据权利要求3所述的方法,其中,所述确定每个虚拟对象的当前视野域包括:
基于所述预设迭代次数和当前迭代次数,确定系数;以及
基于所述系数和上一次迭代的视野域,确定每个虚拟对象的当前视野域。
5.根据权利要求4所述的方法,其中,所述基于所述预设迭代次数和当前迭代次数,确定系数包括:
基于上一次迭代的视野域和预设的最大视野域以及预设的最小视野域之间的关系,确定计算方程;以及
利用所述计算方程处理所述预设迭代次数和当前迭代次数,得到所述系数。
6.根据权利要求1所述的方法,其中,所述从多次迭代得到的多条当前路径中确定出目标路径包括:
针对每次迭代得到的当前路径,将所述当前路径与公告牌中的路径进行比较;
如果所述当前路径的长度小于所述公告牌中的路径的长度,将所述当前路径替换所述公告牌中的路径;以及
在完成多次迭代之后,将所述公告牌中的路径作为目标目标路径。
7.根据权利要求6所述的方法,其中,所述针对每次迭代得到的当前路径,将所述当前路径与公告牌中的路径进行比较包括:
针对每次迭代得到的当前路径,对所述当前路径进行优化处理,以去除所述当前路径中的迂回路径部分,得到优化后的当前路径;以及
将所述优化后的当前路径与公告牌中的路径进行比较。
8.根据权利要求1所述的方法,其中:
所述在所述起始子区域和所述目标子区域中的至少一个设置多个虚拟对象包括:
在所述起始子区域设置第一组虚拟对象;
在所述目标子区域设置第二组虚拟对象;
控制所述多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动包括:
控制所述第一组虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域,并以所述起始子区域为起点,以所述目标子区域为终点进行运动;
控制所述第二组虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域,并以所述目标子区域为起点,以所述起始子区域为终点进行运动。
9.根据权利要求8所述的方法,其中,所述每次迭代生成从所述起始子区域到所述目标子区域的当前路径包括:
在所述第一组虚拟对象和所述第二组虚拟对象相遇后,将相遇的虚拟对象的所走过的路径组合作为所述当前路径。
10.根据权利要求1所述的方法,其中,所述控制所述多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动包括:
针对每个虚拟对象,在当前迭代次数小于等于所述预设迭代次数的情况下,确定所述虚拟对象的当前视野域中是否包括可行子区域;
如果所述当前视野域中不包括可行子区域,将所述虚拟对象当前所处的子区域加入禁忌表中,以使得所述虚拟对象不再到达所述禁忌表中的子区域;以及
控制所述虚拟对象从当前所处的子区域回退到之前所到达的子区域,直到基于所回退的子区域所确定的当前视野域包括可行子区域。
11.根据权利要求1所述的方法,其中,所述每次迭代生成从所述起始子区域到所述目标子区域的当前路径中包括至少一个中间目的地子区域。
12.一种路径规划装置,包括:
划分模块,用于将目标区域划分为多个子区域;
确定模块,用于确定所述多个子区域中的起始子区域和目标子区域;
控制模块,用于在所述起始子区域和所述目标子区域中的至少一个设置多个虚拟对象,并控制所述多个虚拟对象中的每个虚拟对象基于预设迭代次数和当前视野域进行运动,其中,每次迭代生成从所述起始子区域到所述目标子区域的当前路径,所述当前视野域与当前迭代次数相关联,每个虚拟对象能够从各自的当前视野域中所包括的子区域中选择一个子区域作为下一步要到达的子区域;以及
发送模块,用于从多次迭代得到的多条当前路径中确定出目标路径,并将所述目标路径发送给移动设备,以便所述移动设备根据所述目标路径从所述起始子区域运动至所述目标子区域。
13.一种计算设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至11中任一项所述的方法。
14.一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现权利要求1至11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010853961.2A CN113762565A (zh) | 2020-08-21 | 2020-08-21 | 路径规划方法、装置、计算设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010853961.2A CN113762565A (zh) | 2020-08-21 | 2020-08-21 | 路径规划方法、装置、计算设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762565A true CN113762565A (zh) | 2021-12-07 |
Family
ID=78785617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010853961.2A Pending CN113762565A (zh) | 2020-08-21 | 2020-08-21 | 路径规划方法、装置、计算设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762565A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7801048B1 (en) * | 2004-06-23 | 2010-09-21 | Cisco Technology, Inc. | Concurrent path computation using virtual shortest path tree |
CN103336526A (zh) * | 2013-06-20 | 2013-10-02 | 苏州经贸职业技术学院 | 基于协同进化粒子群滚动优化的机器人路径规划方法 |
CN104392283A (zh) * | 2014-11-27 | 2015-03-04 | 上海电机学院 | 基于人工鱼群算法的交通路径搜索方法 |
CN105242669A (zh) * | 2015-10-20 | 2016-01-13 | 安徽工程大学 | 基于加权平均距离视觉鱼群算法的移动机器人路径规划方法 |
CN107171987A (zh) * | 2017-07-10 | 2017-09-15 | 东南大学 | 一种适用于时变稀疏信道的估计算法 |
CN108908330A (zh) * | 2018-06-28 | 2018-11-30 | 中国人民解放军国防科技大学 | 一种基于虚拟现实的机器人行为控制方法 |
CN110220519A (zh) * | 2019-07-23 | 2019-09-10 | 河北科技大学 | 一种机器人路径规划方法及机器人路径规划装置 |
CN110954124A (zh) * | 2019-12-13 | 2020-04-03 | 山东大学 | 一种基于a*-pso算法的自适应路径规划方法及系统 |
-
2020
- 2020-08-21 CN CN202010853961.2A patent/CN113762565A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7801048B1 (en) * | 2004-06-23 | 2010-09-21 | Cisco Technology, Inc. | Concurrent path computation using virtual shortest path tree |
CN103336526A (zh) * | 2013-06-20 | 2013-10-02 | 苏州经贸职业技术学院 | 基于协同进化粒子群滚动优化的机器人路径规划方法 |
CN104392283A (zh) * | 2014-11-27 | 2015-03-04 | 上海电机学院 | 基于人工鱼群算法的交通路径搜索方法 |
CN105242669A (zh) * | 2015-10-20 | 2016-01-13 | 安徽工程大学 | 基于加权平均距离视觉鱼群算法的移动机器人路径规划方法 |
CN107171987A (zh) * | 2017-07-10 | 2017-09-15 | 东南大学 | 一种适用于时变稀疏信道的估计算法 |
CN108908330A (zh) * | 2018-06-28 | 2018-11-30 | 中国人民解放军国防科技大学 | 一种基于虚拟现实的机器人行为控制方法 |
CN110220519A (zh) * | 2019-07-23 | 2019-09-10 | 河北科技大学 | 一种机器人路径规划方法及机器人路径规划装置 |
CN110954124A (zh) * | 2019-12-13 | 2020-04-03 | 山东大学 | 一种基于a*-pso算法的自适应路径规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110955242B (zh) | 机器人导航方法、系统、机器人及存储介质 | |
CN109690576A (zh) | 在多个机器学习任务上训练机器学习模型 | |
KR20180111959A (ko) | 비디오 이해를 위한 모션-기반 어텐션에 의한 순환 네트워크들 | |
CN107450563B (zh) | 基于多子群的自适应信息反馈粒子群机器人路径选择方法 | |
CN112650229A (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN113682318B (zh) | 车辆行驶控制方法及装置 | |
CN110488827B (zh) | 基于蚂蚁觅食行为的agv控制方法、终端设备及存储介质 | |
US20160125103A1 (en) | Accelerating particle-swarm algorithms | |
CN111308996A (zh) | 教练装置及其合作运作控制方法 | |
CN111055274B (zh) | 一种机器人路径的平滑方法及机器人 | |
CN114913386A (zh) | 一种多目标跟踪模型的训练方法以及多目标跟踪方法 | |
TWI783263B (zh) | 用於神經網路順序輸入之資料處理方法及非暫時性電腦程式產品 | |
CN114139637A (zh) | 多智能体信息融合方法、装置、电子设备及可读存储介质 | |
CN115380293A (zh) | 多任务强化学习中利用元梯度学习动作选择的选项 | |
Kapadia et al. | Dynamic search on the GPU | |
Tran et al. | Global path planning for autonomous robots using modified visibility-graph | |
CN110399972A (zh) | 数据处理方法、装置及电子设备 | |
CN114063612A (zh) | 一种路径规划方法、路径规划装置及电子设备 | |
CN113762565A (zh) | 路径规划方法、装置、计算设备和介质 | |
Rodriguez et al. | Toward realistic pursuit-evasion using a roadmap-based approach | |
CN110647162A (zh) | 一种导游无人机路径规划方法、终端设备及存储介质 | |
CN113358119B (zh) | 路径规划方法、装置、电子设备及存储介质 | |
CN113790729B (zh) | 一种基于强化学习算法的无人天车路径规划方法及装置 | |
CN113759915B (zh) | 一种agv小车路径规划方法、装置、设备及存储介质 | |
CN115373400A (zh) | 基于动态更新机制蚁群算法的机器人路径规划方法及系统 |
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 |