CN113867368A - 一种基于改进海鸥算法的机器人路径规划方法 - Google Patents
一种基于改进海鸥算法的机器人路径规划方法 Download PDFInfo
- Publication number
- CN113867368A CN113867368A CN202111460730.6A CN202111460730A CN113867368A CN 113867368 A CN113867368 A CN 113867368A CN 202111460730 A CN202111460730 A CN 202111460730A CN 113867368 A CN113867368 A CN 113867368A
- Authority
- CN
- China
- Prior art keywords
- gull
- optimal
- algorithm
- path planning
- variation
- 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.)
- Granted
Links
- 241000272168 Laridae Species 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 35
- 241001673102 Jaya Species 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 241000272161 Charadriiformes Species 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 7
- 241000364019 Theisoa Species 0.000 description 6
- 230000000739 chaotic effect Effects 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241000282461 Canis lupus Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G05D1/0212—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, 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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于改进海鸥算法的机器人路径规划方法，包括：建立环境模型，获取移动区域地图，并进行格栅化处理；建立路径规划的目标函数；通过高斯映射初始化海鸥种群位置，并根据目标函数计算适应度值，记录最优海鸥位置；引入jaya算法更新海鸥位置，参考最差位置，以远离最差位置进行位置更新，确定当次迭代后的最优适应度值和最优海鸥位置；对最优海鸥位置进行逐维度双向sine变异，获取变异后的最优适应度值和最优海鸥位置；确定当次迭代中变异前后适应度值较优的海鸥位置，作为更新后的最优海鸥位置；达到预设的最大迭代次数后，输出最优路径规划结果。该方法克服了海鸥算法存在的不足，能够显著提升路径规划的效果。
Description
技术领域
本发明涉及机器人学技术领域，具体涉及基于融合jaya算法与逐维双向sine混沌变异的改进型海鸥算法的机器人路径规划方法。
背景技术
移动机器人的路径规划是移动机器人技术中的一个关键技术。路径规划技术是使移动机器人根据周围环境信息，自动寻找一条从起始点到目标点的无碰撞的轨迹。其中移动机器人的路径规划算法是移动机器人路径规划的核心。移动机器人的路径规划是指其在对周围环境进行感知后，能够自行规划出一条从出发点至终点的最优移动路径，这条最优路径可以是满足移动路径最短，可以是满足耗时最短，还可以满足能量消耗最少等。
路径规划问题，实际上可以看成是一个带约束条件的复杂优化问题。因此，一些智能优化算法对于提高路径规划的效果发挥了积极的作用，很多学者开展了大量的研究工作。例如，陈雪俊等对智能水滴算法进行了改进，提出了改进水滴算法的无人车避障路径规划方法（陈雪俊,贝绍轶.一种基于改进智能水滴算法的无人车避障路径规划方法[P].CN110703767A）；刘洪丹等提出了量子狼群算法并用于无人驾驶智能车的自动避障研究（刘胜,张兰勇,丁一轩,李冰,李芃,孙玥. 基于量子狼群算法的无人驾驶智能车自动避碰方法[P].CN110471426A）。
根据目前的研究成果来看，智能优化算法是一种有效的路径规划方法。其中，海鸥算法是一种模拟海鸥觅食行为的新型智能优化算法，同样可以应用于路径规划问题。但是，海鸥优化算法存仍然存在有一些缺陷，使得算法容易陷入局部最优和收敛精度不高，在进行移动机器人路径规划时，往往达不到理想的路径规划效果。
为此，本发明提出了一种新的基于融合jaya算法与逐维双向sine混沌变异的改进型海鸥算法的机器人路径规划方法。
发明内容
为解决上述问题，本发明提出了一种基于融合jaya算法与逐维双向sine混沌变异的改进型海鸥算法的机器人路径规划方法，克服了海鸥算法存在的不足，能够显著提升路径规划的效果。
为实现上述目的，本发明提供了如下的技术方案。
一种基于改进海鸥算法的机器人路径规划方法，包括以下步骤：
获取机器人移动区域地图；
根据机器人移动区域地图，建立移动区域地图路径规划的目标函数；
基于海鸥算法，通过高斯映射初始化海鸥种群位置；并根据目标函数，计算最优适应度值和最优海鸥位置；
引入jaya算法更新海鸥位置，以远离最差位置的方式进行位置更新，确定最优适应度值和最优海鸥位置；
对最优海鸥位置进行逐维度双向sine变异，获取变异后的最优适应度值和最优海鸥位置；并将变异前后适应度值最优的海鸥位置，作为更新后的最优海鸥位置；
根据依次更新的最优海鸥位置，确定最优路径规划结果。
优选地，所述依次更新的最优海鸥位置，具体包括：根据预设的最大迭代次数进行迭代更新，最终确定输出最优路径规划结果。
优选地，所述获取机器人移动区域地图，具体包括：通过建立移动机器人环境模型获取移动区域地图，并对移动区域地图进行格栅化处理。
优选地，所述目标函数funtion为移动路径最短、耗时最短、消耗能量最少的路径，并根据目标函数确定相应的约束条件和路径的关键节点数。
优选地，所述高斯映射初始化海鸥种群位置，具体包括：
确定海鸥种群大小以及寻优的上下边界；
通过高斯映射随机数x t产生：
式中：x t+1为下一个随机数；
利用产生的高斯随机数x t初始化海鸥位置P s (t)为：
式中：LB为海鸥寻优下边界；UB为海鸥寻优上边界。
优选地，所述引入jaya算法更新海鸥位置，具体包括：通过海鸥迁徙行为和海鸥全局攻击行为进行海鸥位置更新。
优选地，所述海鸥迁徙行为包括：
采用附加变量A计算海鸥的新位置，来避免与其他海鸥碰撞：
式中：C s (t)为不与其他海鸥存在位置冲突的新位置；P s (t)为海鸥当前位置；t为当前迭代次数；A为海鸥在给定搜索空间中的运动行为；f s 为控制系数，取值从2降到0；Miter为迭代的最大次数；
向最佳位置所在的方向移动：
式中：M s (t)为最佳位置所在的方向；P gs (t)为最佳位置；B为负责平衡全局和局部搜索的随机数；r d 为[0,1]范围内的随机数；
到达新的位置：
式中：D s (t)是海鸥的向新位置移动的距离。
优选地，所述海鸥全局攻击行为包括：
通过螺旋运动不断改变攻击角度和速度，螺旋运动行为表示为：
式中：r为每个螺旋的半径，θ为[0，2π]范围内的随机角度值；u和v为螺旋形状的相关常数；e为自然对数的底数；
引入jaya算法，参考最差位置，并远离最差位置进行更新：
式中：P gs (t)为本次迭代最佳位置；P worst (t)表示本次迭代最差位置；rand为[0,1]之间的随机数；D s1 (t)为本次迭代距离最差位置的距离，W s (t)为向最差位置移动的方向，具体计算如下:
计算适应度值：
优选地，所述对最优海鸥位置进行逐维度双向sine变异，具体包括：
根据当前迭代次数计算sine混沌值，并等概率切换正负方向：
对最优位置进行变异扰动：
式中，j为纬度；每个纬度都进行变异后，停止变异，获得变异后的最优海鸥位置P gs (t)′。
优选地，所述将变异前后适应度值最优的海鸥位置，作为更新后的最优海鸥位置，具体包括：
判断变异前后的适应度值，即：
确定更新后的最优海鸥位置为P gs (t)。
本发明有益效果：
（1）该方法通过引入高斯映射进行海鸥种群位置的初始化，可以提升种群位置分布的均匀性和多样性，进而算法的稳定性得以增强。
（2）该方法对海鸥的位置更新方式进行了改进，引入jaya算法思想，向最优位置靠近的同时参考最差位置，远离最差位置，实现了算法搜索范围的增大，算法的适应性得以增强。
（3）该方法对最优海鸥利用双向sine混沌映射变异，实现了算法在后期跳出局部最优解的能力。
附图说明
图1是本发明实施例的方法流程图；
图2是本发明实施例的案例1的路径规划结果示意图；
图3是本发明实施例的案例2的路径规划结果示意图；
图4是本发明实施例的案例3的路径规划结果示意图；
图5是本发明实施例的案例1的迭代过程曲线图；
图6是本发明实施例的案例2的迭代过程曲线图；
图7是本发明实施例的案例3的迭代过程曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
如图1所示，本发明的一种基于改进海鸥算法的机器人路径规划方法，具体包括以下步骤：
S1：建立移动机器人环境模型，获取移动区域地图，并对移动区域地图进行格栅化处理；
S2：建立移动区域地图路径规划的目标函数funtion，可以为移动路径最短、耗时最短或消耗能量最少。
S3：确定相应的约束条件和路径的关键节点数；进行参数设置，主要包括：海鸥种群的大小（即海鸥个体的数量）Popsize；迭代的最大次数（即迭代停止的条件）Miter；海鸥寻优下边界LB；海鸥寻优上边界UB。
S4：基于海鸥算法，通过高斯映射初始化海鸥种群位置，具体包括：
确定海鸥种群大小以及寻优的上下边界；
通过高斯映射随机数x t产生：
利用产生的高斯随机数x t初始化海鸥位置P s (t)为：
式中：LB为海鸥寻优下边界；UB为海鸥寻优上边界。
S4：根据目标函数计算适应度值，记录最优海鸥位置。
S5：引入jaya算法更新海鸥位置，参考最差位置，以远离最差位置进行位置更新，确定当次迭代后的最优适应度值和最优海鸥位置，具体包括：
S5.1：海鸥迁徙行为：
采用附加变量A计算海鸥的新位置，来避免与其他海鸥碰撞：
式中：C s (t)为不与其他海鸥存在位置冲突的新位置；P s (t)为海鸥当前位置；t为当前迭代次数；A为海鸥在给定搜索空间中的运动行为；f s 为控制系数，取值从2降到0；
向最佳位置所在的方向移动：
式中：M s (t)为最佳位置所在的方向；P gs (t)为最佳位置；B为负责平衡全局和局部搜索的随机数；r d 为[0,1]范围内的随机数；
到达新的位置：
式中：D s (t)是海鸥的向新位置移动的距离。
：海鸥全局攻击行为：
通过螺旋运动不断改变攻击角度和速度，螺旋运动行为表示为：
式中：r为每个螺旋的半径，θ为[0，2π]范围内的随机角度值；u和v为螺旋形状的相关常数；e为自然对数的底数；
引入jaya算法，参考最差位置，并远离最差位置进行更新：
式中：P gs (t)为本次迭代最佳位置；P worst (t)表示本次迭代最差位置；rand为[0,1]之间的随机数；D s1 (t)为本次迭代距离最差位置的距离，具体计算如下:
计算适应度值：
S6：对最优海鸥位置进行逐维度双向sine变异，获取变异后的最优适应度值和最优海鸥位置，具体包括：
根据当前迭代次数计算sine混沌值，并等概率切换正负方向：
对最优位置进行变异扰动：
式中，j为纬度；每个纬度都进行变异后，停止变异，获得变异后的最优海鸥位置P gs (t)′。
S7：确定当次迭代中变异前后适应度值较优的海鸥位置，作为更新后的最优海鸥位置，具体包括：
判断变异前后的适应度值，即：
确定更新后的最优海鸥位置为P gs (t)。
S8：进行迭代，达到预设的最大迭代次数后，停止迭代，输出最优路径规划结果。
本实施例中：
以MATLAB为仿真平台，建立三种移动机器人的256×256的格栅地图，以最短移动距离为目标，对海鸥算法SOA方法和改进型海鸥算法ISOA方法进行分析。
SOA算法中的参数为：Popsize=50，Maxiter=200，LB = 1，UB=255；ISOA算法中的参数为：Popsize=50，Maxiter=200，LB = 1，UB=255。仿真环境和两个方法分别得到的三个案例的移动路径如图2~4所示，图5~7为迭代过程曲线。表1为两种算法的数据结果对比。
表1.算法路径结果比较
| 算法 | 案例1 | 案例2 | 案例3 |
| OA（路径长度） | 392.1318 | 445.0255 | 377.3899 |
| ISOA（路径长度） | 380.3079 | 358.629 | 358.8164 |
从图2~4中可以直观的发现SOA得到的移动路径比ISOA的要长，路径比较迂回，而ISOA得到的路径则比较合理。进一步分析图4~7中的结果可知，采用SOA算法时，算法收敛速度较慢；采用ISOA算法时，收敛速度更快，能更快的找到更好的路径。可以看出，本发明所设计的ISOA算法具有更快的收敛速度和收敛精度，而SOA则出现了陷入局部最优的情况。仿真结果表明，在多种相同的环境下，ISOA算法搜索能力更强，获得了更优移动路径，验证了算法的有效性。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于改进海鸥算法的机器人路径规划方法，其特征在于，包括以下步骤：
获取机器人移动区域地图；
根据机器人移动区域地图，建立移动区域地图路径规划的目标函数；
基于海鸥算法，通过高斯映射初始化海鸥种群位置；并根据目标函数，计算最优适应度值和最优海鸥位置；
引入jaya算法更新海鸥位置，以远离最差位置的方式进行位置更新，确定最优适应度值和最优海鸥位置；
对最优海鸥位置进行逐维度双向sine变异，获取变异后的最优适应度值和最优海鸥位置；并将变异前后适应度值最优的海鸥位置，作为更新后的最优海鸥位置；
根据依次更新的最优海鸥位置，确定最优路径规划结果。
2.根据权利要求1所述的基于改进海鸥算法的机器人路径规划方法，其特征在于，所述依次更新的最优海鸥位置，具体包括：根据预设的最大迭代次数进行迭代更新，最终确定输出最优路径规划结果。
3.根据权利要求1所述的基于改进海鸥算法的机器人路径规划方法，其特征在于，所述获取机器人移动区域地图，具体包括：通过建立移动机器人环境模型获取移动区域地图，并对移动区域地图进行格栅化处理。
4.根据权利要求1所述的基于改进海鸥算法的机器人路径规划方法，其特征在于，所述目标函数funtion为移动路径最短、耗时最短、消耗能量最少的路径，并根据目标函数确定相应的约束条件和路径的关键节点数。
5.根据权利要求1所述的基于改进海鸥算法的机器人路径规划方法，其特征在于，所述高斯映射初始化海鸥种群位置，具体包括：
确定海鸥种群大小以及寻优的上下边界；
通过高斯映射随机数x t产生：
式中：x t+1为下一个随机数；
利用产生的高斯随机数x t初始化海鸥位置P s (t)为：
式中：LB为海鸥寻优下边界；UB为海鸥寻优上边界。
6.根据权利要求5所述的基于改进海鸥算法的机器人路径规划方法，其特征在于，所述引入jaya算法更新海鸥位置，具体包括：通过海鸥迁徙行为和海鸥全局攻击行为进行海鸥位置更新。
7.根据权利要求6所述的基于改进海鸥算法的机器人路径规划方法，其特征在于，所述海鸥迁徙行为包括：
采用附加变量A计算海鸥的新位置，来避免与其他海鸥碰撞：
式中：C s (t)为不与其他海鸥存在位置冲突的新位置；P s (t)为海鸥当前位置；t为当前迭代次数；A为海鸥在给定搜索空间中的运动行为；f c 为控制系数，取值从2降到0；Miter为迭代的最大次数；
向最佳位置所在的方向移动：
式中：M s (t)为最佳位置所在的方向；P gs (t)为最佳位置；B为负责平衡全局和局部搜索的随机数；r d 为[0,1]范围内的随机数；
到达新的位置：
式中：D s (t)是海鸥的向新位置移动的距离。
8.根据权利要求7所述的基于改进海鸥算法的机器人路径规划方法，其特征在于，所述海鸥全局攻击行为包括：
通过螺旋运动不断改变攻击角度和速度，螺旋运动行为表示为：
式中：r为每个螺旋的半径，θ为[0，2π]范围内的随机角度值；u和v为螺旋形状的相关常数；e为自然对数的底数；
引入jaya算法，参考最差位置，并远离最差位置进行更新：
式中：P gs (t)为本次迭代最佳位置；P worst (t)表示本次迭代最差位置；rand为[0,1]之间的随机数；D s1 (t)为本次迭代距离最差位置的距离，W s (t)为向最差位置移动的方向，具体计算如下:
计算适应度值：
9.根据权利要求1所述的基于改进海鸥算法的机器人路径规划方法，其特征在于，所述对最优海鸥位置进行逐维度双向sine变异，具体包括：
根据当前迭代次数计算sine混沌值，并等概率切换正负方向：
对最优位置进行变异扰动：
式中，j为纬度；每个纬度都进行变异后，停止变异，获得变异后的最优海鸥位置P gs (t)′。
10.根据权利要求1所述的基于改进海鸥算法的机器人路径规划方法，其特征在于，所述将变异前后适应度值最优的海鸥位置，作为更新后的最优海鸥位置，具体包括：
判断变异前后的适应度值，即：
确定更新后的最优海鸥位置为P gs (t)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111460730.6A CN113867368B (zh) | 2021-12-03 | 2021-12-03 | 一种基于改进海鸥算法的机器人路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111460730.6A CN113867368B (zh) | 2021-12-03 | 2021-12-03 | 一种基于改进海鸥算法的机器人路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113867368A true CN113867368A (zh) | 2021-12-31 |
| CN113867368B CN113867368B (zh) | 2022-02-25 |
Family
ID=78985629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111460730.6A Active CN113867368B (zh) | 2021-12-03 | 2021-12-03 | 一种基于改进海鸥算法的机器人路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113867368B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115407784A (zh) * | 2022-11-01 | 2022-11-29 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息互补的无人车路径规划方法 |
| CN115509239A (zh) * | 2022-11-19 | 2022-12-23 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息共享的无人车路径规划方法 |
| CN115545120A (zh) * | 2022-11-24 | 2022-12-30 | 北京电科智芯科技有限公司 | 车载网络故障诊断方法和诊断装置、存储介质、终端设备 |
| CN115660024A (zh) * | 2022-09-07 | 2023-01-31 | 中国人民解放军陆军装甲兵学院 | 基于智能优化算法和机器学习的车载网络故障诊断方法 |
| CN115700593A (zh) * | 2022-09-07 | 2023-02-07 | 中国人民解放军陆军装甲兵学院 | 一种基于机器学习的车载网络故障诊断方法 |
| CN115756925A (zh) * | 2022-11-19 | 2023-03-07 | 中国人民解放军陆军装甲兵学院 | 一种基于智能优化算法的车载网络故障诊断方法 |
| CN116128330A (zh) * | 2022-11-18 | 2023-05-16 | 中国人民解放军陆军装甲兵学院 | 一种基于机器学习的空地无人系统作战效能评估方法 |
| CN116667524A (zh) * | 2023-04-20 | 2023-08-29 | 淮阴工学院 | 一种智能物联网路径优化的安全巡检设备及系统 |
| CN116772880A (zh) * | 2023-06-07 | 2023-09-19 | 中国人民解放军陆军装甲兵学院 | 一种基于无人机视觉的无人车路径规划方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108919641A (zh) * | 2018-06-21 | 2018-11-30 | 山东科技大学 | 一种基于改进樽海鞘算法的无人机航迹规划方法 |
| US20190035286A1 (en) * | 2017-07-27 | 2019-01-31 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
| CN112149830A (zh) * | 2020-08-22 | 2020-12-29 | 中车长春轨道客车股份有限公司 | 一种基于小波变异的ijayaga算法 |
| US20210020051A1 (en) * | 2017-07-27 | 2021-01-21 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
| CN113110490A (zh) * | 2021-05-07 | 2021-07-13 | 金陵科技学院 | 基于改进的樽海鞘群算法的机器人多目标路径规划 |
| CN113239628A (zh) * | 2021-06-02 | 2021-08-10 | 哈尔滨工程大学 | 基于量子海鸥演化机制加权Myriad滤波器设计方法 |
| US20210261226A1 (en) * | 2017-06-16 | 2021-08-26 | FLIR Belgium BVBA | Polar mapping for autonomous and assisted docking systems and methods |
-
2021
- 2021-12-03 CN CN202111460730.6A patent/CN113867368B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210261226A1 (en) * | 2017-06-16 | 2021-08-26 | FLIR Belgium BVBA | Polar mapping for autonomous and assisted docking systems and methods |
| US20190035286A1 (en) * | 2017-07-27 | 2019-01-31 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
| US20210020051A1 (en) * | 2017-07-27 | 2021-01-21 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
| CN108919641A (zh) * | 2018-06-21 | 2018-11-30 | 山东科技大学 | 一种基于改进樽海鞘算法的无人机航迹规划方法 |
| CN112149830A (zh) * | 2020-08-22 | 2020-12-29 | 中车长春轨道客车股份有限公司 | 一种基于小波变异的ijayaga算法 |
| CN113110490A (zh) * | 2021-05-07 | 2021-07-13 | 金陵科技学院 | 基于改进的樽海鞘群算法的机器人多目标路径规划 |
| CN113239628A (zh) * | 2021-06-02 | 2021-08-10 | 哈尔滨工程大学 | 基于量子海鸥演化机制加权Myriad滤波器设计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 施振稳 等: "基于海鸥优化改进采样过程的RBPF-SLAM算法", 《兵器装备工程学报》 * |
| 林杰 等: "融合正弦余弦和变异选择的蝗虫优化算法", 《小型微型计算机系统》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115660024B (zh) * | 2022-09-07 | 2024-01-19 | 中国人民解放军陆军装甲兵学院 | 基于智能优化算法和机器学习的车载网络故障诊断方法 |
| CN115660024A (zh) * | 2022-09-07 | 2023-01-31 | 中国人民解放军陆军装甲兵学院 | 基于智能优化算法和机器学习的车载网络故障诊断方法 |
| CN115700593B (zh) * | 2022-09-07 | 2024-01-16 | 中国人民解放军陆军装甲兵学院 | 一种基于机器学习的车载网络故障诊断方法 |
| CN115700593A (zh) * | 2022-09-07 | 2023-02-07 | 中国人民解放军陆军装甲兵学院 | 一种基于机器学习的车载网络故障诊断方法 |
| CN115407784A (zh) * | 2022-11-01 | 2022-11-29 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息互补的无人车路径规划方法 |
| CN115407784B (zh) * | 2022-11-01 | 2023-01-24 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息互补的无人车路径规划方法 |
| CN116128330B (zh) * | 2022-11-18 | 2024-04-26 | 中国人民解放军陆军装甲兵学院 | 一种基于机器学习的空地无人系统作战效能评估方法 |
| CN116128330A (zh) * | 2022-11-18 | 2023-05-16 | 中国人民解放军陆军装甲兵学院 | 一种基于机器学习的空地无人系统作战效能评估方法 |
| CN115509239A (zh) * | 2022-11-19 | 2022-12-23 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息共享的无人车路径规划方法 |
| CN115756925A (zh) * | 2022-11-19 | 2023-03-07 | 中国人民解放军陆军装甲兵学院 | 一种基于智能优化算法的车载网络故障诊断方法 |
| CN115756925B (zh) * | 2022-11-19 | 2024-01-19 | 中国人民解放军陆军装甲兵学院 | 一种基于智能优化算法的车载网络故障诊断方法 |
| CN115509239B (zh) * | 2022-11-19 | 2023-02-28 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息共享的无人车路径规划方法 |
| CN115545120A (zh) * | 2022-11-24 | 2022-12-30 | 北京电科智芯科技有限公司 | 车载网络故障诊断方法和诊断装置、存储介质、终端设备 |
| CN116667524A (zh) * | 2023-04-20 | 2023-08-29 | 淮阴工学院 | 一种智能物联网路径优化的安全巡检设备及系统 |
| CN116667524B (zh) * | 2023-04-20 | 2024-04-19 | 淮阴工学院 | 一种智能物联网路径优化的安全巡检设备及系统 |
| CN116772880A (zh) * | 2023-06-07 | 2023-09-19 | 中国人民解放军陆军装甲兵学院 | 一种基于无人机视觉的无人车路径规划方法 |
| CN116772880B (zh) * | 2023-06-07 | 2024-01-23 | 中国人民解放军陆军装甲兵学院 | 一种基于无人机视觉的无人车路径规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113867368B (zh) | 2022-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113867368B (zh) | 一种基于改进海鸥算法的机器人路径规划方法 | |
| CN113885536B (zh) | 一种基于全局海鸥算法的移动机器人路径规划方法 | |
| Zhao et al. | An improved ant colony algorithm for solving the path planning problem of the omnidirectional mobile vehicle | |
| CN113867369B (zh) | 一种基于交流学习的海鸥算法的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 | |
| CN110083165A (zh) | 一种机器人在复杂狭窄环境下路径规划方法 | |
| CN115509239B (zh) | 一种基于空地信息共享的无人车路径规划方法 | |
| CN112985408B (zh) | 一种路径规划优化方法及系统 | |
| CN107607120A (zh) | 基于改进修复式Anytime稀疏A*算法的无人机动态航迹规划方法 | |
| CN112327876B (zh) | 一种基于终距指数的机器人路径规划方法 | |
| CN114047770B (zh) | 一种多内心搜寻改进灰狼算法的移动机器人路径规划方法 | |
| CN111610786A (zh) | 基于改进rrt算法的移动机器人路径规划方法 | |
| CN115407784B (zh) | 一种基于空地信息互补的无人车路径规划方法 | |
| CN115657694B (zh) | 一种基于空地信息交互的无人车路径规划方法 | |
| CN113359718A (zh) | 移动机器人全局路径规划与局部路径规划融合方法及设备 | |
| CN113703450B (zh) | 基于平滑因素改进蚁群算法的移动机器人路径规划方法 | |
| Wang | Path planning of mobile robot based on a* algorithm | |
| Zhang et al. | A-star algorithm for expanding the number of search directions in path planning | |
| CN116203965A (zh) | 一种基于agv的改进蚁群算法的路径规划算法 | |
| CN116772880B (zh) | 一种基于无人机视觉的无人车路径规划方法 | |
| Li et al. | A mixing algorithm of ACO and ABC for solving path planning of mobile robot | |
| Garip et al. | Path planning for multiple mobile robots in static environment using hybrid algorithm | |
| CN116483094A (zh) | 一种融合空地视角和多维信息的无人车路径规划方法 | |
| Ma et al. | Robot path planning using fusion algorithm of ant colony optimization and genetic algorithm | |
| Tang et al. | On the use of ant colony algorithm with weighted penalty strategy to optimize path searching |
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 |