CN113778090A - 基于蚁群优化和prm算法的移动机器人路径规划方法 - Google Patents
基于蚁群优化和prm算法的移动机器人路径规划方法 Download PDFInfo
- Publication number
- CN113778090A CN113778090A CN202111068024.7A CN202111068024A CN113778090A CN 113778090 A CN113778090 A CN 113778090A CN 202111068024 A CN202111068024 A CN 202111068024A CN 113778090 A CN113778090 A CN 113778090A
- Authority
- CN
- China
- Prior art keywords
- node
- path
- pheromone
- ant
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 23
- 239000003016 pheromone Substances 0.000 claims abstract description 65
- 238000005070 sampling Methods 0.000 claims description 29
- 241000257303 Hymenoptera Species 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 241000283153 Cetacea Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
Abstract
本发明提供一种基于蚁群优化和PRM算法的移动机器人路径规划方法,包括步骤:S1:初始化地图信息,设置起点、目标点和障碍物;S2:建立栅格地图模型;S3:通过蚁群优化算法寻找优先级较高的路径并记录所述优先级较高的路径的各节点的信息素浓度;S4:利用所述信息素浓度和PRM算法进行路径规划,获得最佳路径;S5:输出所述最佳路径。本发明的一种基于蚁群优化和PRM算法的移动机器人路径规划方法,能更加快速、有效地实现移动机器人全局路径的优化,得到最佳路径。
Description
技术领域
本发明涉及移动机器人路径规划领域,尤其涉及一种基于蚁群优化和PRM算法的移动机器人路径规划方法。
背景技术
近些年来由于人工智能的快速发展,智能机器人逐渐出现在大众视野之中,移动机器人更是被广泛应用于物流搬运、服务等领域。移动机器人(AGV)融合了环境感知、动态决策与规划、行为控制与执行等多方面功能。其中路径规划是移动机器人导航和控制的核心技术之一。其根据环境特点的不同,可划分为动态规划和静态规划,又可分为全局路径规划和局部路径规划。路径规划一般常用的算法有基于图搜索法,比如Dijkstra算法、A*算法等;有基于采样的快速扩展随机树搜索算法(RRT)、随机路标图算法(PRM)等;此外,蚁群算法、鲸鱼算法、灰狼算法等一系列智能优化算法也能够成功应用移动机器人的路径规划上。PRM算法用相对少的随机采样点对问题进行求解,多数情况下,相对少的采样点就可以对地图进行大概的描述,且找到的路径概率为1;蚁群算法(AG)是一种模拟蚂蚁觅食行为的模拟优化算法,它是由意大利学者Dorigo M等人于1991年首先提出,并首先使用在解决TSP(旅行商问题)上。蚁群算法在路径规划方面与其他启发式算法相比,在求解性能上,具有很强的鲁棒性和搜索较好解的能力。
PRM算法在采样点过少或者分布不够合理的情况下,那么对地图的描述就不那么准确,因而造成找不到路径的可能性,特别是当规划的路径需要通过密集的障碍物或者需要经过狭窄的通道时,PRM算法的效率变的低下;蚁群算法容易陷入局部最优、收敛速度慢以及搜索时间较长等情况,另外,该算法容易出现停滞现象,不好发现更优的解。
发明内容
针对上述现有技术中的不足,本发明提供一种基于蚁群优化和PRM算法的移动机器人路径规划方法,能更加快速、有效地实现移动机器人全局路径的优化,得到最佳路径。
为了实现上述目的,本发明提供一种基于蚁群优化和PRM算法的移动机器人路径规划方法,包括步骤:
S1:初始化地图信息,设置起点、目标点和障碍物;
S2:建立栅格地图模型;
S3:通过蚁群优化算法寻找优先级较高的路径并记录所述优先级较高的路径的各节点的信息素浓度;
S4:利用所述信息素浓度和PRM算法进行路径规划,获得一最佳路径;
S5:输出所述最佳路径。
优选地,所述S2步骤中:
所述栅格地图模型为一矩阵,所述矩阵包括0元素和1元素;所述0元素代表移动机器人可达到的安全空间;所述1元素代表障碍物,所述移动机器人不可行驶到的位置。
优选地,所述S3步骤进一步包括步骤:
S31:对蚁群算法的参数进行初始化,所述参数包括蚂蚁的初始位置和数量、初始种群和信息素浓度;
S32:设置所述起点和所述目标点的所述信息素浓度高于其他位置的所述信息素浓度;
S33:迭代次数数值加1;
S34:所述蚂蚁的数量加1;
S35:根据公式(1)选择下一个节点位置;
其中,表示蚂蚁k由城市i转移到城市j的概率;τ(i,j)为节点i和节点j之间的信息素浓度;为第一启发函数,表示蚂蚁由节点i行走至节点j的期望程度;dij为栅格节点i和节点j之间的距离;allowedk为下一步待访问节点的集合,α为信息素重要程度因子,B为启发函数重要程度因子;s表示节点s;Jk(i)表示蚂蚁k下一步允许选择的城市集合;τ(i,s)为栅格节点i和节点s之间的信息素浓度;为第二启发函数,表示蚂蚁由节点i行走至节点s的期望程度;dis为栅格节点i和节点s之间的距离;
S36:判断是否所有蚂蚁寻径结束;如是,继续后续步骤,否则返回步骤S34;
S37:根据公式(2)、公式(3)和公式(4)对全局地图进行信息素浓度的更新;
τij(t+n)=(1-ρ)·τij(t)+Δτij(t) (2)
其中,τij(t+n)表示更新后的信息素浓度;τij(t)表示边(i,j)上的信息素;Δτij(t)表示本次迭代边(i,j)上的信息素增量;m表示蚂蚁数量;k表示蚂蚁编号;表示第k只蚂蚁在本次迭代中留在边(i,j)上的信息素量;t表示时间;n表示城市数;为蚂蚁在节点i至节点j之间路径上的信息素浓度,p为信息素挥发系数,Q为信息素增加强度系数,LK为蚂蚁k从起点到目标点所行走的路径长度;
S38:判断是否满足预设结束条件,如是,输出所述优先级较高的路径并记录所述优先级较高的路径的各节点的信息素浓度;否则返回步骤S33。
优选地,所述S4步骤进一步包括步骤:
S41:在一给定地图信息内随机生成采样点;
S42:比较选取的两采样点的信息素浓度,舍弃信息素浓度较低的所述采样点;
S43:选取未被选择的两所述采样点并重复步骤S43,直至所有所述采样点筛选完毕;
S44:将留下的所述采样点与所述起点和所述目标点相连形成一无向网络;
S45:对所述无向网络进行路径规划,确定所述最佳路径。
本发明由于采用了以上技术方案,使其具有以下有益效果:
1、利用设定起点、目标点的信息素浓度高于其他位置,更加有利于蚂蚁对于最佳路径的搜索,加速求解的收敛速度。
2、采用蚁群优化算法和PRM算法相结合,将PRM生成的随机采样点通过比较信息素浓度进一步筛选有效的采样点,从而进行路径规划,可更加快速地寻找最佳路径。
附图说明
图1为本发明实施例的基于蚁群优化和PRM算法的移动机器人路径规划方法的流程图;
图2为本发明实施例的蚁群优化算法的流程图;
图3为本发明实施例的PRM生成随机采样点的示意图;
图4为本发明实施例的利用PRM路径规划形成最佳路径的示意图。
具体实施方式
下面根据附图图1~图4,给出本发明的较佳实施例,并予以详细描述,使能更好地理解本发明的功能、特点。
请参阅图1~图4,本发明实施例的一种基于蚁群优化和PRM算法的移动机器人路径规划方法,包括步骤:
S1:初始化地图信息,设置起点(xstart,ystart)、目标点(xgoal,ygoal)和障碍物;
S2:建立栅格地图模型;
栅格地图模型为一矩阵,矩阵包括0元素和1元素;0元素代表移动机器人可达到的安全空间;1元素代表障碍物,移动机器人不可行驶到的位置。
S3:通过蚁群优化算法寻找优先级较高的路径并记录优先级较高的路径的各节点的信息素浓度;
S3步骤进一步包括步骤:
S31:对蚁群算法的参数进行初始化,参数包括蚂蚁的初始位置和数量、初始种群和信息素浓度;
S32:设置起点和目标点的信息素浓度高于其他位置的信息素浓度;
S33:迭代次数数值加1;
S34:蚂蚁的数量加1;
S35:根据公式(1)选择下一个节点位置;
其中,表示蚂蚁k由城市i转移到城市j的概率(转移概率);τ(i,j)为节点i和节点j之间的信息素浓度;为第一启发函数,表示蚂蚁由节点i行走至节点j的期望程度;dij为栅格节点i和节点j之间的距离;allowedk为下一步待访问节点的集合,α为信息素重要程度因子,β为启发函数重要程度因子;s表示节点s;Jk(i)表示蚂蚁k下一步允许选择的城市集合;τ(i,s)为栅格节点i和节点s之间的信息素浓度;为第二启发函数,表示蚂蚁由节点i行走至节点s的期望程度;dis为栅格节点i和节点s之间的距离;
S36:判断是否所有蚂蚁寻径结束;如是,继续后续步骤,否则返回步骤S34;
S37:根据公式(2)、公式(3)和公式(4)对全局地图进行信息素浓度的更新;
τij(t+n)=(1-ρ)·τij(t)+Δτij(t) (2)
其中,τij(t+n)表示更新后的信息素浓度;τij(t)表示边(i,j)上的信息素;Δτij(t)表示本次迭代边(i,j)上的信息素增量;m表示蚂蚁数量;k表示蚂蚁编号;表示第k只蚂蚁在本次迭代中留在边(i,j)上的信息素量;t表示时间;n表示城市数;为蚂蚁在节点i至节点j之间路径上的信息素浓度,ρ为信息素挥发系数,Q为信息素增加强度系数,LK为蚂蚁k从起点到目标点所行走的路径长度;
S38:判断是否满足预设结束条件,如是,输出优先级较高的路径并记录优先级较高的路径的各节点的信息素浓度;否则返回步骤S33。
S4:利用信息素浓度和PRM算法进行路径规划,获得一最佳路径;
S4步骤进一步包括步骤:
S41:在一给定地图信息内随机生成采样点;
S42:比较选取的两采样点的信息素浓度,舍弃信息素浓度较低的采样点;
S43:选取未被选择的两采样点并重复步骤S43,直至所有采样点筛选完毕;
S44:将留下的采样点与起点和目标点相连形成一无向网络;
S45:对无向网络进行路径规划,确定最佳路径。
S5:输出最佳路径。
本发明实施例的一种基于蚁群优化和PRM算法的移动机器人路径规划方法,是一种基于蚁群和PRM算法的移动机器人路径规划方法。首先,将地图信息利用栅格法建立成栅格化地图模型,并初始化蚁群算法中的参数,将起始点、目标点的信息素浓度高于其他位置,这样利于增加最优路径对蚂蚁的吸引,加快求解的收敛速度。然后,通过蚁群优化算法寻找相对较优的路径,最后,利用PRM算法随机生成采样点,比较每个采样点周围的信息素浓度,舍去一些明显信息素浓度低的采样点,留下的采样点与起始点、目标点构成无向图进行路径规划,寻找一条最优路径。这样能够大大提高生成最优路径的搜索时间和效率。
本发明使用蚁群算法和PRM算法两者相结合来实现移动机器人寻找最优路径的方法,很好地解决了算法中存在的收敛速度过慢以及寻找最佳路径的时间长,效率不高的问题。
以上结合附图实施例对本发明进行了详细说明,本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而,实施例中的某些细节不应构成对本发明的限定,本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (4)
1.一种基于蚁群优化和PRM算法的移动机器人路径规划方法,包括步骤:
S1:初始化地图信息,设置起点、目标点和障碍物;
S2:建立栅格地图模型;
S3:通过蚁群优化算法寻找优先级较高的路径并记录所述优先级较高的路径的各节点的信息素浓度;
S4:利用所述信息素浓度和PRM算法进行路径规划,获得最佳路径;
S5:输出所述最佳路径。
2.根据权利要求1所述的基于蚁群优化和PRM算法的移动机器人路径规划方法,其特征在于,所述S2步骤中:
所述栅格地图模型为一矩阵,所述矩阵包括0元素和1元素;所述0元素代表移动机器人可达到的安全空间;所述1元素代表障碍物,所述移动机器人不可行驶到的位置。
3.根据权利要求1所述的基于蚁群优化和PRM算法的移动机器人路径规划方法,其特征在于,所述S3步骤进一步包括步骤:
S31:对蚁群算法的参数进行初始化,所述参数包括蚂蚁的初始位置和数量、初始种群和信息素浓度;
S32:设置所述起点和所述目标点的所述信息素浓度高于其他位置的所述信息素浓度;
S33:迭代次数数值加1;
S34:所述蚂蚁的数量加1;
S35:根据公式(1)选择下一个节点位置;
其中,表示蚂蚁k由城市i转移到城市j的概率;τ(i,j)为节点i和节点j之间的信息素浓度;为第一启发函数,表示蚂蚁由节点i行走至节点j的期望程度;dij为栅格节点i和节点j之间的距离;allowedk为下一步待访问节点的集合,α为信息素重要程度因子,β为启发函数重要程度因子;s表示节点s;Jk(i)表示蚂蚁k下一步允许选择的城市集合;τ(i,s)为栅格节点i和节点s之间的信息素浓度;为第二启发函数,表示蚂蚁由节点i行走至节点s的期望程度;dis为栅格节点i和节点s之间的距离;
S36:判断是否所有蚂蚁寻径结束;如是,继续后续步骤,否则返回步骤S34;
S37:根据公式(2)、公式(3)和公式(4)对全局地图进行信息素浓度的更新;
τij(t+n)=(1-ρ)·τij(t)+Δτij(t) (2)
其中,τij(t+n)表示更新后的信息素浓度;τij(t)表示边(i,j)上的信息素;Δτij(t)表示本次迭代边(i,j)上的信息素增量;m表示蚂蚁数量;k表示蚂蚁编号;表示第k只蚂蚁在本次迭代中留在边(i,j)上的信息素量;t表示时间;n表示城市数;为蚂蚁在节点i至节点j之间路径上的信息素浓度,ρ为信息素挥发系数,Q为信息素增加强度系数,LK为蚂蚁k从起点到目标点所行走的路径长度;
S38:判断是否满足预设结束条件,如是,输出所述优先级较高的路径并记录所述优先级较高的路径的各节点的信息素浓度;否则返回步骤S33。
4.根据权利要求1所述的基于蚁群优化和PRM算法的移动机器人路径规划方法,其特征在于,所述S4步骤进一步包括步骤:
S41:在一给定地图信息内随机生成采样点;
S42:比较选取的两采样点的信息素浓度,舍弃信息素浓度较低的所述采样点;
S43:选取未被选择的两所述采样点并重复步骤S43,直至所有所述采样点筛选完毕;
S44:将留下的所述采样点与所述起点和所述目标点相连形成一无向网络;
S45:对所述无向网络进行路径规划,确定所述最佳路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111068024.7A CN113778090A (zh) | 2021-09-13 | 2021-09-13 | 基于蚁群优化和prm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 |
---|---|---|---|
CN202111068024.7A CN113778090A (zh) | 2021-09-13 | 2021-09-13 | 基于蚁群优化和prm算法的移动机器人路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113778090A true CN113778090A (zh) | 2021-12-10 |
Family
ID=78843034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111068024.7A Pending CN113778090A (zh) | 2021-09-13 | 2021-09-13 | 基于蚁群优化和prm算法的移动机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113778090A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116147636A (zh) * | 2023-04-20 | 2023-05-23 | 甘肃省公安厅 | 基于地理空间的最佳距离自动寻路计算方法 |
CN116862063A (zh) * | 2023-07-12 | 2023-10-10 | 山东宜鑫致远信息科技有限公司 | 一种基于大数据的智慧城市规划优化方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106200650A (zh) * | 2016-09-22 | 2016-12-07 | 江苏理工学院 | 基于改进蚁群算法的移动机器人路径规划方法及系统 |
CN108413976A (zh) * | 2018-01-23 | 2018-08-17 | 大连理工大学 | 一种面向多工况的爬壁机器人智能路径规划方法及系统 |
CN109683630A (zh) * | 2019-01-25 | 2019-04-26 | 南京邮电大学 | 基于粒子群和prm算法的无人机航迹规划方法 |
CN109737967A (zh) * | 2019-02-28 | 2019-05-10 | 中国科学院深圳先进技术研究院 | 无人机路径规划方法、装置、存储介质及计算机设备 |
CN111323016A (zh) * | 2019-11-26 | 2020-06-23 | 广东工业大学 | 一种基于自适应蚁群算法的移动机器人路径规划方法 |
CN111347429A (zh) * | 2020-04-16 | 2020-06-30 | 淮阴工学院 | 一种基于改进蚁群算法的可碰撞检测机械臂路径规划方法 |
-
2021
- 2021-09-13 CN CN202111068024.7A patent/CN113778090A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106200650A (zh) * | 2016-09-22 | 2016-12-07 | 江苏理工学院 | 基于改进蚁群算法的移动机器人路径规划方法及系统 |
CN108413976A (zh) * | 2018-01-23 | 2018-08-17 | 大连理工大学 | 一种面向多工况的爬壁机器人智能路径规划方法及系统 |
CN109683630A (zh) * | 2019-01-25 | 2019-04-26 | 南京邮电大学 | 基于粒子群和prm算法的无人机航迹规划方法 |
CN109737967A (zh) * | 2019-02-28 | 2019-05-10 | 中国科学院深圳先进技术研究院 | 无人机路径规划方法、装置、存储介质及计算机设备 |
CN111323016A (zh) * | 2019-11-26 | 2020-06-23 | 广东工业大学 | 一种基于自适应蚁群算法的移动机器人路径规划方法 |
CN111347429A (zh) * | 2020-04-16 | 2020-06-30 | 淮阴工学院 | 一种基于改进蚁群算法的可碰撞检测机械臂路径规划方法 |
Non-Patent Citations (1)
Title |
---|
王秀芬等: "基于优化的元胞蚁群算法的无人飞行器动态路径规划方法", 《机械与电子》, pages 2 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116147636A (zh) * | 2023-04-20 | 2023-05-23 | 甘肃省公安厅 | 基于地理空间的最佳距离自动寻路计算方法 |
CN116862063A (zh) * | 2023-07-12 | 2023-10-10 | 山东宜鑫致远信息科技有限公司 | 一种基于大数据的智慧城市规划优化方法及系统 |
CN116862063B (zh) * | 2023-07-12 | 2024-04-19 | 甘肃飞天云科技信息有限公司 | 一种基于大数据的智慧城市规划优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107272679B (zh) | 基于改进的蚁群算法的路径规划方法 | |
CN109945881B (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
CN112650229B (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN110609557B (zh) | 无人车混合路径规划方法 | |
CN110530388B (zh) | 多agv的路径规划方法及系统 | |
CN109186619B (zh) | 一种基于实时路况的智能导航算法 | |
CN113778090A (zh) | 基于蚁群优化和prm算法的移动机器人路径规划方法 | |
CN111880561B (zh) | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 | |
CN111695668A (zh) | 一种基于反向学习的蚁群算法优化方法 | |
CN112462805B (zh) | 基于改进蚁群算法的5g网联无人机航迹规划方法 | |
CN114167865B (zh) | 一种基于对抗生成网络与蚁群算法的机器人路径规划方法 | |
CN114440916B (zh) | 一种导航方法、装置、设备及存储介质 | |
CN113985888B (zh) | 一种基于改进蚁群算法的叉车路径规划方法及系统 | |
CN112947591A (zh) | 基于改进蚁群算法的路径规划方法、装置、介质及无人机 | |
CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
CN113848911A (zh) | 基于Q-learning和RRT*的移动机器人全局路径规划方法 | |
CN113219991A (zh) | 一种基于改进acs算法的移动机器人路径规划方法 | |
CN113219994A (zh) | 一种包含交通信号灯的栅格地图最优路径规划方法 | |
CN115454070B (zh) | 一种K-Means蚁群算法多机器人路径规划方法 | |
CN116777091A (zh) | 一种基于2d卷积神经网络与改进蚁群算法的三七收获机卸粮过程的路径规划方法 | |
CN115933669A (zh) | 基于改进蝴蝶优化算法的移动机器人路径规划方法 | |
CN116225046A (zh) | 基于深度强化学习的未知环境下无人机自主路径规划方法 | |
CN114996278A (zh) | 一种基于强化学习的路网最短路径距离计算方法 | |
CN115344046A (zh) | 一种基于改进深度q网络算法的移动机器人路径规划 | |
CN114610045B (zh) | 一种基于改进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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211210 |