CN114089754A - 一种基于人工智能的自主路径规划方法和系统 - Google Patents
一种基于人工智能的自主路径规划方法和系统 Download PDFInfo
- Publication number
- CN114089754A CN114089754A CN202111338366.6A CN202111338366A CN114089754A CN 114089754 A CN114089754 A CN 114089754A CN 202111338366 A CN202111338366 A CN 202111338366A CN 114089754 A CN114089754 A CN 114089754A
- Authority
- CN
- China
- Prior art keywords
- path
- unmanned ship
- unmanned
- new
- ship
- 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 77
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 52
- 230000006870 function Effects 0.000 claims description 95
- 230000015572 biosynthetic process Effects 0.000 claims description 55
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 230000004888 barrier function Effects 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 125000004432 carbon atom Chemical group C* 0.000 claims description 3
- 238000005253 cladding Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000002567 autonomic effect Effects 0.000 claims description 2
- 239000002245 particle Substances 0.000 description 20
- 238000011161 development Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000002922 simulated annealing Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001007 puffing effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
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)
Abstract
本发明实施例提供一种基于人工智能的自主路径规划方法和系统,以无人船当前规划路径中各路径点为基础,同时考虑多点约束和规避障碍物等自然条件约束,重新进行路径点划分,综合考虑路径长度、路径平滑度和路径安全性,实现路径长度、路径平滑度和路径安全性的多目标优化,从而规划出一条符合无人船航行实际的全局路径。
Description
技术领域
本发明实施例涉及无人船技术领域,尤其涉及一种基于人工智能的自主路径规划方法和系统。
背景技术
作为国家经济战略重要举措,无人船的研究和应用促进了海洋经济发展,有利于减少海洋运输成本以及人工成本,具体可应用于各类工程矿产、渔业运输、船舶和岛屿资源补给,以及海洋测绘与水文监测。随着海洋资源越来越受国家的重视,海上勘采、运输活动的不断频繁,以及科技的不断发展与进步,智能化、体系化和无人化的船舶体系成为新的发展方向。近几年来,通过船舶与先进的控制技术相结合,发展起来了一个新型的研究课题-水面无人船,无人船是一种通过自主感知规划、自主航行从而能够完成目标探测等任务的小型水面无人平台。无人船在各个领域都有着广阔和良好的发展前景,其技术也逐渐成为人们关注的焦点和研究的重点对象。
随着人工智能、深度学习的快速发展,无人化、智能化已经成为船舶发展的主要方向之一。无人船作为全自动的水面机器人,能够在复杂的海洋环境下自主航行从而代替人类完成重要任务。自主航行能力的实现依靠船舶对环境的精确感知,但是在复杂海况和高速航行时,现有无人船对周围航行环境的感知无法满足自主航行实时性和准确性的要求。
发明内容
本发明实施例提供一种基于人工智能的自主路径规划方法和系统,以解决在复杂海况和高速航行时,现有无人船对周围航行环境的感知无法满足自主航行实时性和准确性的要求的问题。
第一方面,本发明实施例提供一种基于人工智能的自主路径规划方法,包括:
步骤S1、基于链接图法对无人船自主航线环境建模,生成无人船的网络拓扑图;
步骤S2、基于所述网络拓扑图生成无人船的初始路径,所述初始路径包括若干段依次连接的路径段;基于所述初始路径重新选择若干新路径点,每个所述新路径点均位于一个路径段上;以所有路径段中各所述新路径点依次相连后形成路径长度最小为第一目标函数,以各新路径点处的平滑度平均值最小为第二目标函数,以各新路径点距离障碍物的距离平均值最小为第三目标函数,构建适应度函数,以求取所述适应度函数最小时每个所述链接线上的新路径点坐标;
步骤S3、以无人船的航向偏航度及无人船的线速度为优化目标,基于嘉权平均法将所述优化目标转换为单目标约束优化函数,以求取单目标约束优化函数的最优航向航速。
作为优选的,还包括:
步骤S4、若有多艘无人船以无人船编队形式航行时,则基于人工势场法为无人船编队的航行环境构建引力场和斥力场;其中,新路径点对无人船编队中的无人船产生引力,以引导无人船向新路径点运动,障碍物及无人船编队中除当前无人船的其余无人船产生斥力,以避免碰撞。
作为优选的,所述步骤S1具体包括:
步骤S11、对无人船的环境空间中的障碍物进行凸多边形包覆;
步骤S12、通过链接线连接各凸多边形间相邻的顶点,以及顶点与顶点在空间边界上的垂点;
步骤S13、确定各所述链接线的中点,以作为候选路径节点;
步骤S14、确定无人船的起始点和目标点并依次连接起始点和目标点间距离最近的候选路径节点,以形成网络拓扑图。
作为优选的,所述步骤S2中,基于所述网络拓扑图生成无人船的初始路径,所述初始路径包括若干段依次连接的路径段;基于所述初始路径重新选择若干新路径点,每个所述新路径点均位于一个路径段上,具体包括:
基于Dijkstra算法在链接图上搜索出的最优路径的路径点依次为P0,P1,P2,…,Pn,Pn+1.;其中,P0为起始点,Pn+1.为目标点;路径点的链接线依次为Li(i=1,2,…,n);
确定链接线Li所有点的表达式:
Pi(hi)=Pi (0)+(Pi (1)-Pi (0))×hi
作为优选的,所述步骤S2中,以所有路径段中各所述新路径点依次相连后形成路径长度最小为第一目标函数,以各新路径点处的平滑度平均值最小为第二目标函数,以各新路径点距离障碍物的距离平均值最小为第三目标函数,构建适应度函数,具体包括:
连接所有相邻链接线上新路径点后形成的路径长度为:
上式中,di表示链接线Li上的新路径点Pi与链接线Li+1上的新路径点Pi+1之间的路径段长度;(xi,yi)为新路径点Pi的坐标;
每个新路径点处的拐角为:
基于各新路径点处的拐角平均值确定路径平滑度为:
上式中,k为惩罚系数,k取αi中大于或等于π/2的个数;
新路径点与障碍物的最短距离为:
di=min{PiPi (0),PiPi (1)}
障碍物的距离平均值为:
所述路径安全性系数为:
上式中,λ为权重调整系数,k为与障碍物最短距离为0的新路径点的个数;所述适应度函数为:
FitV=ω1*f1+ω2*f2+ω3*f3
上式中,f1为所有相邻链接线上新路径点后形成的路径长度;f2为路径平滑度;f3为路径安全性系数;ω1、ω2、ω3分别为权重系数,ω1+ω2+ω3=1。
作为优选的,所述步骤S3具体包括:
步骤S31、确定无人船的线速度窗口VlineVelocity和艏向窗口VHeading;
步骤S32、对无人船行驶环境中的船舶进行碰撞检测,若碰撞,则跳转步骤S33,若不碰撞,则跳转步骤S37;
步骤S33、确定无人船规避范围内的动态船舶的规避可行向量VAvoid;
步骤S36、求解海事规则约束函数,获得无人船的最优规避行为向量(θA,Best,vA,Best);
步骤S37、将无人船的规避行为向量输入到无人船的运动控制模块中。
作为优选的,所述步骤S4具体包括:
步骤S41、各无人船组成无人船编队后,按步骤S1至S3中的方法规划全局避碰路径,并基于所述全局避碰路径向目标点航行;
步骤S42、基于人工势场法为无人船编队的航行环境构建引力场和斥力场;其中,新路径点对无人船编队中的无人船产生引力,以引导无人船向新路径点运动,障碍物及无人船编队中除当前无人船的其余无人船产生斥力;
步骤S43、判断无人船是否到达目标点,若到达则完成航行任务,若未到达则进入步骤S44;
步骤S44、计算每个无人船的受到的影响范围内的障碍物的斥力、目标对它的吸引力和无人船之间的相互作用力和回环力的合力矢量,并计算无人船的加速度矢量;
步骤S45、基于步骤S44中的加速度矢量计算每个无人船新的速度矢量,并基于所述速度矢量对无人船进行航行控制;
步骤S46、返回步骤S43。
第二方面,本发明实施例提供一种基于人工智能的自主路径规划系统,包括:
航行环境建模模块,基于链接图法对无人船自主航线环境建模,生成无人船的网络拓扑图;
全局路径规划模块,基于所述网络拓扑图生成无人船的初始路径,所述初始路径包括若干段依次连接的路径段;基于所述初始路径重新选择若干新路径点,每个所述新路径点均位于一个路径段上;以所有路径段中各所述新路径点依次相连后形成路径长度最小为第一目标函数,以各新路径点处的平滑度平均值最小为第二目标函数,以各新路径点距离障碍物的距离平均值最小为第三目标函数,构建适应度函数,以求取所述适应度函数最小时每个所述链接线上的新路径点坐标;
动态船舶避碰模块,以无人船的航向偏航度及无人船的线速度为优化目标,基于嘉权平均法将所述优化目标转换为单目标约束优化函数,以求取单目标约束优化函数的最优航向航速;
无人船编队避障模块,若有多艘无人船以无人船编队形式航行时,则基于人工势场法为无人船编队的航行环境构建引力场和斥力场;其中,新路径点对无人船编队中的无人船产生引力,以引导无人船向新路径点运动,障碍物及无人船编队中除当前无人船的其余无人船产生斥力,以避免碰撞。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明第一方面实施例所述基于人工智能的自主路径规划方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如本发明第一方面实施例所述基于人工智能的自主路径规划方法的步骤。
本发明实施例提供的一种基于人工智能的自主路径规划方法和系统,以无人船当前规划路径中各路径点为基础,同时考虑多点约束和规避障碍物等自然条件约束,重新进行路径点划分,综合考虑路径长度、路径平滑度和路径安全性,实现路径长度、路径平滑度和路径安全性的多目标优化,从而规划出一条符合无人船航行实际的全局路径。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的基于人工智能的自主路径规划方法流程框图;
图2为根据本发明实施例的拐角示意图;
图3为根据本发明实施例的路径点离障碍物最短距离示意图;
图4为根据本发明实施例的基于模拟退火的粒子群算法流程;
图5为根据本发明实施例的无人船航行环境模型示意图;
图6为根据本发明实施例的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本申请实施例中的术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元,而是可选地还包括没有列出的部件或单元,或可选地还包括对于这些产品或设备固有的其它部件或单元。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
随着人工智能、深度学习的快速发展,无人化、智能化已经成为船舶发展的主要方向之一。无人船作为全自动的水面机器人,能够在复杂的海洋环境下自主航行从而代替人类完成重要任务。自主航行能力的实现依靠船舶对环境的精确感知,但是在复杂海况和高速航行时,现有无人船对周围航行环境的感知无法满足自主航行实时性和准确性的要求。
因此,本发明实施例提供一种基于人工智能的自主路径规划方法和系统,以无人船当前规划路径中各路径点为基础,同时考虑多点约束和规避障碍物等自然条件约束,重新进行路径点划分,综合考虑路径长度、路径平滑度和路径安全性,实现路径长度、路径平滑度和路径安全性的多目标优化,从而规划出一条符合无人船航行实际的全局路径。以下将通过多个实施例进行展开说明和介绍。
图1为本发明实施例提供一种基于人工智能的自主路径规划方法,自主路径规划是无人船自主航行系统的核心功能,是无人船智能化水平的代表之一,是无人船安全自主航行的基本保障,但由于无人船在复杂海洋环境下的自主路径规划很难采用常规的解析数学方法来解决,因此,需要采用先进的人工智能算法为无人船规划最优的路径。自主路径规划主要包括单艇全局规划、局部规划和多艇编队路径规划,具体包括:
步骤S1、基于链接图法对无人船自主航线环境建模,生成无人船的网络拓扑图;
本发明实施例中,如图5中所示,根据电子海图中障碍物的分布和尺寸大小,定义相对应的凸多边形,并进行膨化处理,利用链接图法进行无人船自主航行环境建模,生成航行环境的网络拓扑图,为无人船的路径规划打下基础。
链接图法的实现流程如下:
步骤S11、对无人船的环境空间中的障碍物进行凸多边形包覆;
步骤S12、通过链接线连接各凸多边形间相邻的顶点,以及顶点与顶点在空间边界上的垂点(链接线不能与任何障碍物相交);
步骤S13、确定各所述链接线的中点,以作为候选路径节点;
步骤S14、确定无人船的起始点和目标点并依次连接起始点和目标点间距离最近的候选路径节点,以形成网络拓扑图。
步骤S2、基于所述网络拓扑图生成无人船的初始路径,所述初始路径包括若干段依次连接的路径段;基于所述初始路径重新选择若干新路径点,每个所述新路径点均位于一个路径段上;以所有路径段中各所述新路径点依次相连后形成路径长度最小为第一目标函数,以各新路径点处的平滑度平均值最小为第二目标函数,以各新路径点距离障碍物的距离平均值最小为第三目标函数,构建适应度函数,以求取所述适应度函数最小时每个所述链接线上的新路径点坐标;
全局路径规划拟在环境模型的链接图上,先利用Dijkstra算法规划一条初始最优路径,利用Dijkstra算法在链接图中搜索出一条从起始点到目标点的最优路径,为混合粒子群算法进行路径优化做准备;然后利用基于多目标优化的混合粒子群算法对初始路径进行优化,实现路径长度、路径平滑度和路径安全性的多目标优化,利用基于模拟退火的混合粒子群算法,在路径长度、路径平滑度和路径安全性的多目标优化约束条件下,对初始路径进行优化处理,以搜索到全局最优路径。最后再利用人工智能算法规划出的路径一般为多个路径点组成的折线,为提高航迹的可行性和无人船转弯时的安全性,需要对搜索到的最优路径进行平滑处理。
本实施例中,作为一种优选的实施方式,可以利用Dijkstra算法在链接图上搜索出的最优路径的路径点依次为P0,P1,P2,…,Pn,Pn+1.;其中,P0为起始点,Pn+1.为目标点;在除本发明实施例外的其他实施例中,还可以利用其他路径搜索算法;
路径点的链接线依次为Li(i=1,2,…,n)。
在每个所述链接线上任选一点作为新路径点,确定新路径点与障碍物的距离,连接所有相邻链接线上新路径点后形成的路径长度,以及每个新路径点处的拐角;
Pi(hi)=Pi (0)+(Pi (1)-Pi (0))×hi
上式中,hi为比例系数,hi∈[0,1];d为链接线条数。
由上式可知,通过Dijkstra算法得到最优路径经过的各链接线时,只要给定一组参数(h1,h2,…,hd),就可以得到一条从起始点到目标点的新路径。则优化问题的目标函数可定义为如下形式:
上式中,n表示路径中除起始点和目标点之外的路径点个数;length((Pi(hi),Pi+1(hi+1))表示新路径点Pi到新路径点Pi+1之间的直线距离,当i=0时,P0(h0)表示起始点S;当i=n时,Pn(hn)表示目标点T。混合粒子群算法的解可以表示为寻找最优参数(h1,h2,…,hd)使得式L具有最短距离。
此外,为使规划出的路径符合无人船的航行实际,而不仅仅是搜索到全局最短路径,本实施例进行了多目标的路径优化,具体的,优化目标包括路径长度优化、路径平滑优化和路径安全性优化。
以所有路径段中各所述新路径点依次相连后形成路径长度最小为第一目标函数f1,以各新路径点处的平滑度平均值最小为第二目标函数f2,以各新路径点距离障碍物的距离平均值最小为第三目标函数f3,构建适应度函数
本实施例中,设路径中有n个路径点,则该条路径对应由n-1条线段组成。假设每条路径形式为L=[P0,P1,P2,…,Pn,Pn+1];其中,n表示路径中除起始点和目标点之外的路径点个数;P0为起始点S,Pn+1表示目标点T。
路径长度是通过计算路径中各段路径的长度之和得到的。各段路径的长度计算公式如下:
其中,(xi,yi)为新路径点Pi的坐标。
因此,路径长度f1的计算公式为:
在算法优化路径时,路径长度f1越小越好。
由于无人船的尺寸大小等因素对其运动特性有一定影响,因此无人船的航行路径应尽量平滑和平缓,即每个路径点处的拐角值应尽可能小。路径点Pi出的拐角示意如图2所示,其计算公式如下:
上式中,k取αi中大于或等于π/2的个数,也叫惩罚系数,即当某一拐角大于或等于π/2时,对目标值进行惩罚。当n=0时,路径为起始点到目标点的连线f2分的值为0。
由以上公式可知,f2的值越小,表示拐角平均值越小,转弯平滑,则路径越平滑。因此,优化目标为f2的值越小越好。
为提高规划路径在实船上的实用性,本实施例需要考虑无人船自身形状和环境中风浪流对无人船航行的影响。因此,无人船在航行过程中,不仅要成功避开障碍物,还应尽量离障碍物远一些,以提高航行安全性。
di=min{PiPi (0),PiPi (1)}
n表示路径中除起始点和目标点之外的路径点个数,障碍物的距离平均值为:
所述路径安全性系数为:
上式中,λ为权重调整系数,用于解决对平均距离求倒数后值太小的问题;k为与障碍物最短距离为0的新路径点的个数,也叫惩罚系数。
基于障碍物的距离确定路径安全性系数,其中,障碍物距离越大,所述路径安全性系数越小;基于所述拐角确定路径平滑度,基于所述路径安全性系数、所述路径长度和所述路径平滑度构建适应度函数,确定所述适应度函数最小时每个所述链接线上的新路径点坐标。
本实施例中的算法在进行路径点搜索时,是使用适应度函数对路径点进行评价的,因此需要将上述的三个目标函数转化为算法的适应度函数。
本发明实施例拟采用权重系数法来解决多目标函数向算法适应度函数映射的问题。通过为每一个目标函数分配一个权重值,然后将各目标函数加权求和即可得到新的适应度函数,其所述适应度函数表示形式如下:
FitV=ω1*f1+ω2*f2+ω3*f3
上式中,f1为所有相邻链接线上新路径点后形成的路径长度;f2为路径平滑度;f3为路径安全性系数;ω1、ω2、ω3分别为权重系数,ω1+ω2+ω3=1。
以f1、f2、f3为目标函数,其中,取目标函数最小,即需要使适应度函数取值最小时的(h1,h2,…,hd),即可得到优化后的路径。
以所述适应度函数确定混合粒子算法中各粒子的适应值,并基于模拟退火算法对各粒子的适应值进行迭代更新,保存各粒子最优值和粒子群最优值,确定所述适应度函数最小时每个所述链接线上的新路径点坐标。
基于模拟退火算法的混合粒子群算法的流程如图4所示,具体步骤如下:
(1)初始化混合粒子群算法中的参数,并随机设置各个粒子的速度和位置;
(2)评价没个粒子的适应度,将粒子的位置和适应值保存在粒子的各自极值pbest中,并将所有pbest中的最优适应值的个体位置和适应值保存到全局极值gbest中;
(3)确定初始温度t0;
(4)根据所述适应度函数确定当前温度下粒子pi的适应值;
(5)基于轮盘赌法从所有pi中确定全局最优值pg的替代者p’g;
(6)更新各粒子的速度和位置;
(7)计算各粒子的适应值,并更新pbest和gbest,并进行退温操作;
(8)若判断达到预设停止条件,则停止搜索并输出粒子群最优值,否则返回步骤(4)。
步骤S3、以无人船的航向偏航度及无人船的线速度为优化目标,基于嘉权平均法将所述优化目标转换为单目标约束优化函数,以求取单目标约束优化函数的最优航向航速。
为确保船只的航行安全,在海洋环境中航行的船只都要遵守海上交通规则(COLREGS),无人船的自主航行也理应考虑海上交通规则。
针对无人船航行过程中的动态船舶避碰问题,本项目拟采用基于行为的动态避碰算法,将国际海事避碰规则考虑在内,以无人船航向偏航程度和无人船的线速度为优化目标,采用加权平均的方法将其转换为单目标优化问题,通过求解此单目标约束优化问题获得一组最优航向航速,以便运动控制系统依据该航速航向实现动态船舶的避碰,从而保障自身的航行安全。
基于行为的动态船舶避碰算法流程如下所示:
步骤S31、确定无人船的线速度窗口VlineVelocity和艏向窗口VHeading;
步骤S32、对无人船行驶环境中的船舶进行碰撞检测,若碰撞,则跳转步骤S33,若不碰撞,则跳转步骤S37;
步骤S33、确定无人船规避范围内的动态船舶的规避可行向量VAvoid;
步骤S36、求解海事规则约束函数,获得无人船的最优规避行为向量(θA,Best,vA,Best);
步骤S37、将无人船的规避行为向量输入到无人船的运动控制模块中。
步骤S4、若有多艘无人船以无人船编队形式航行时,则基于人工势场法为无人船编队的航行环境构建引力场和斥力场;其中,新路径点对无人船编队中的无人船产生引力,以引导无人船向新路径点运动,障碍物及无人船编队中除当前无人船的其余无人船产生斥力,以避免碰撞。
当多艘无人船以编队形式航行时,不仅要考虑无人船编队的全局路径规划和局部避碰路径规划,还需考虑无人船编队内部的避碰问题。因此,无人船编队避障比单无人船的路径规划要复杂的多。本项目拟采用基于改进人工势场法进行无人船编队避障。
人工势场法是一种虚拟力法,它将无人船在障碍物环境中的运动虚拟成在人工势场中的运动。人工势场包括引力场和斥力场,其中目标点对无人船产生引力,引导无人船朝向其运动;障碍物对无人船产生斥力,避免无人船与之发生碰撞。机器人在路径上每一点所受的合力等于这一点所有斥力和引力之和,并在该合力的作用下从起始点无碰撞地到达目标点。
无人船编队利用基于回转力的改进人工势场法实现编队避障的步骤如下:
步骤S41、各无人船组成无人船编队后,按步骤S1至S3中的方法规划全局避碰路径,并基于所述全局避碰路径向目标点航行;
步骤S42、基于人工势场法为无人船编队的航行环境构建引力场和斥力场;其中,新路径点对无人船编队中的无人船产生引力,以引导无人船向新路径点运动,障碍物及无人船编队中除当前无人船的其余无人船产生斥力;
步骤S43、判断无人船是否到达目标点,若到达则完成航行任务,若未到达则进入步骤S44;
步骤S44、计算每个无人船的受到的影响范围内的障碍物的斥力、目标对它的吸引力和无人船之间的相互作用力和回环力的合力矢量,并计算无人船的加速度矢量;
步骤S45、基于步骤S44中的加速度矢量计算每个无人船新的速度矢量,并基于所述速度矢量对无人船进行航行控制;
步骤S46、返回步骤S43。
本发明实施例还提供一种基于人工智能的自主路径规划系统,基于上述各实施例中的基于人工智能的自主路径规划方法,包括:
航行环境建模模块,基于链接图法对无人船自主航线环境建模,生成无人船的网络拓扑图;
全局路径规划模块,基于所述网络拓扑图生成无人船的初始路径,所述初始路径包括若干段依次连接的路径段;基于所述初始路径重新选择若干新路径点,每个所述新路径点均位于一个路径段上;以所有路径段中各所述新路径点依次相连后形成路径长度最小为第一目标函数,以各新路径点处的平滑度平均值最小为第二目标函数,以各新路径点距离障碍物的距离平均值最小为第三目标函数,构建适应度函数,以求取所述适应度函数最小时每个所述链接线上的新路径点坐标;
动态船舶避碰模块,以无人船的航向偏航度及无人船的线速度为优化目标,基于嘉权平均法将所述优化目标转换为单目标约束优化函数,以求取单目标约束优化函数的最优航向航速;
无人船编队避障模块,若有多艘无人船以无人船编队形式航行时,则基于人工势场法为无人船编队的航行环境构建引力场和斥力场;其中,新路径点对无人船编队中的无人船产生引力,以引导无人船向新路径点运动,障碍物及无人船编队中除当前无人船的其余无人船产生斥力,以避免碰撞。
基于相同的构思,本发明实施例还提供了一种实体结构示意图,如图6所示,该服务器可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行如上述各实施例所述基于人工智能的自主路径规划方法的步骤。例如包括:
步骤S1、基于链接图法对无人船自主航线环境建模,生成无人船的网络拓扑图;
步骤S2、基于所述网络拓扑图生成无人船的初始路径,所述初始路径包括若干段依次连接的路径段;基于所述初始路径重新选择若干新路径点,每个所述新路径点均位于一个路径段上;以所有路径段中各所述新路径点依次相连后形成路径长度最小为第一目标函数,以各新路径点处的平滑度平均值最小为第二目标函数,以各新路径点距离障碍物的距离平均值最小为第三目标函数,构建适应度函数,以求取所述适应度函数最小时每个所述链接线上的新路径点坐标;
步骤S3、以无人船的航向偏航度及无人船的线速度为优化目标,基于嘉权平均法将所述优化目标转换为单目标约束优化函数,以求取单目标约束优化函数的最优航向航速。
步骤S4、若有多艘无人船以无人船编队形式航行时,则基于人工势场法为无人船编队的航行环境构建引力场和斥力场;其中,新路径点对无人船编队中的无人船产生引力,以引导无人船向新路径点运动,障碍物及无人船编队中除当前无人船的其余无人船产生斥力,以避免碰撞。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
基于相同的构思,本发明实施例还提供一种非暂态计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包含至少一段代码,该至少一段代码可由主控设备执行,以控制主控设备用以实现如上述各实施例所述基于人工智能的自主路径规划方法的步骤。例如包括:
步骤S1、基于链接图法对无人船自主航线环境建模,生成无人船的网络拓扑图;
步骤S2、基于所述网络拓扑图生成无人船的初始路径,所述初始路径包括若干段依次连接的路径段;基于所述初始路径重新选择若干新路径点,每个所述新路径点均位于一个路径段上;以所有路径段中各所述新路径点依次相连后形成路径长度最小为第一目标函数,以各新路径点处的平滑度平均值最小为第二目标函数,以各新路径点距离障碍物的距离平均值最小为第三目标函数,构建适应度函数,以求取所述适应度函数最小时每个所述链接线上的新路径点坐标;
步骤S3、以无人船的航向偏航度及无人船的线速度为优化目标,基于嘉权平均法将所述优化目标转换为单目标约束优化函数,以求取单目标约束优化函数的最优航向航速。
步骤S4、若有多艘无人船以无人船编队形式航行时,则基于人工势场法为无人船编队的航行环境构建引力场和斥力场;其中,新路径点对无人船编队中的无人船产生引力,以引导无人船向新路径点运动,障碍物及无人船编队中除当前无人船的其余无人船产生斥力,以避免碰撞。
基于相同的技术构思,本申请实施例还提供一种计算机程序,当该计算机程序被主控设备执行时,用以实现上述方法实施例。
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上,也可以部分或者全部存储在不与处理器封装在一起的存储器上。
基于相同的技术构思,本申请实施例还提供一种处理器,该处理器用以实现上述方法实施例。上述处理器可以为芯片。
综上所述,本发明实施例提供的一种基于人工智能的自主路径规划方法和系统,以无人船当前规划路径中各路径点为基础,同时考虑多点约束和规避障碍物等自然条件约束,重新进行路径点划分,综合考虑路径长度、路径平滑度和路径安全性,实现路径长度、路径平滑度和路径安全性的多目标优化,从而规划出一条符合无人船航行实际的全局路径。
本发明的各实施方式可以任意进行组合,以实现不同的技术效果。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidStateDisk)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的自主路径规划方法,其特征在于,包括:
步骤S1、基于链接图法对无人船自主航线环境建模,生成无人船的网络拓扑图;
步骤S2、基于所述网络拓扑图生成无人船的初始路径,所述初始路径包括若干段依次连接的路径段;基于所述初始路径重新选择若干新路径点,每个所述新路径点均位于一个路径段上;以所有路径段中各所述新路径点依次相连后形成路径长度最小为第一目标函数,以各新路径点处的平滑度平均值最小为第二目标函数,以各新路径点距离障碍物的距离平均值最小为第三目标函数,构建适应度函数,以求取所述适应度函数最小时每个所述链接线上的新路径点坐标;
步骤S3、以无人船的航向偏航度及无人船的线速度为优化目标,基于嘉权平均法将所述优化目标转换为单目标约束优化函数,以求取单目标约束优化函数的最优航向航速。
2.根据权利要求1所述的基于人工智能的自主路径规划方法,其特征在于,还包括:
步骤S4、若有多艘无人船以无人船编队形式航行时,则基于人工势场法为无人船编队的航行环境构建引力场和斥力场;其中,新路径点对无人船编队中的无人船产生引力,以引导无人船向新路径点运动,障碍物及无人船编队中除当前无人船的其余无人船产生斥力,以避免碰撞。
3.根据权利要求2所述的基于人工智能的自主路径规划方法,其特征在于,所述步骤S1具体包括:
步骤S11、对无人船的环境空间中的障碍物进行凸多边形包覆;
步骤S12、通过链接线连接各凸多边形间相邻的顶点,以及顶点与顶点在空间边界上的垂点;
步骤S13、确定各所述链接线的中点,以作为候选路径节点;
步骤S14、确定无人船的起始点和目标点并依次连接起始点和目标点间距离最近的候选路径节点,以形成网络拓扑图。
4.根据权利要求1所述的基于人工智能的自主路径规划方法,其特征在于,所述步骤S2中,基于所述网络拓扑图生成无人船的初始路径,所述初始路径包括若干段依次连接的路径段;基于所述初始路径重新选择若干新路径点,每个所述新路径点均位于一个路径段上,具体包括:
基于Dijkstra算法在链接图上搜索出的最优路径的路径点依次为P0,P1,P2,…,Pn,Pn+1.;其中,P0为起始点,Pn+1.为目标点;路径点的链接线依次为Li(i=1,2,…,n);
确定链接线Li所有点的表达式:
Pi(hi)=Pi (0)+(Pi (1)-Pi (0))×hi
5.根据权利要求4所述的基于人工智能的自主路径规划方法,其特征在于,所述步骤S2中,以所有路径段中各所述新路径点依次相连后形成路径长度最小为第一目标函数,以各新路径点处的平滑度平均值最小为第二目标函数,以各新路径点距离障碍物的距离平均值最小为第三目标函数,构建适应度函数,具体包括:
连接所有相邻链接线上新路径点后形成的路径长度为:
上式中,di表示链接线Li上的新路径点Pi与链接线Li+1上的新路径点Pi+1之间的路径段长度;(xi,yi)为新路径点Pi的坐标;
每个新路径点处的拐角为:
基于各新路径点处的拐角平均值确定路径平滑度为:
上式中,k为惩罚系数,k取αi中大于或等于π/2的个数;
新路径点与障碍物的最短距离为:
di=min{PiPi (0),PiPi (1)}
障碍物的距离平均值为:
所述路径安全性系数为:
上式中,λ为权重调整系数,k为与障碍物最短距离为0的新路径点的个数;
所述适应度函数为:
FitV=ω1*f1+ω2*f2+ω3*f3
上式中,f1为所有相邻链接线上新路径点后形成的路径长度;f2为路径平滑度;f3为路径安全性系数;ω1、ω2、ω3分别为权重系数,ω1+ω2+ω3=1。
6.根据权利要求1所述的基于人工智能的自主路径规划方法,其特征在于,所述步骤S3具体包括:
步骤S31、确定无人船的线速度窗口VlineVelocity和艏向窗口VHeading;
步骤S32、对无人船行驶环境中的船舶进行碰撞检测,若碰撞,则跳转步骤S33,若不碰撞,则跳转步骤S37;
步骤S33、确定无人船规避范围内的动态船舶的规避可行向量VAvoid;
步骤S36、求解海事规则约束函数,获得无人船的最优规避行为向量(θA,Best,vA,Best);
步骤S37、将无人船的规避行为向量输入到无人船的运动控制模块中。
7.根据权利要求2所述的基于人工智能的自主路径规划方法,其特征在于,所述步骤S4具体包括:
步骤S41、各无人船组成无人船编队后,按步骤S1至S3中的方法规划全局避碰路径,并基于所述全局避碰路径向目标点航行;
步骤S42、基于人工势场法为无人船编队的航行环境构建引力场和斥力场;其中,新路径点对无人船编队中的无人船产生引力,以引导无人船向新路径点运动,障碍物及无人船编队中除当前无人船的其余无人船产生斥力;
步骤S43、判断无人船是否到达目标点,若到达则完成航行任务,若未到达则进入步骤S44;
步骤S44、计算每个无人船的受到的影响范围内的障碍物的斥力、目标对它的吸引力和无人船之间的相互作用力和回环力的合力矢量,并计算无人船的加速度矢量;
步骤S45、基于步骤S44中的加速度矢量计算每个无人船新的速度矢量,并基于所述速度矢量对无人船进行航行控制;
步骤S46、返回步骤S43。
8.一种基于人工智能的自主路径规划系统,其特征在于,包括:
航行环境建模模块,基于链接图法对无人船自主航线环境建模,生成无人船的网络拓扑图;
全局路径规划模块,基于所述网络拓扑图生成无人船的初始路径,所述初始路径包括若干段依次连接的路径段;基于所述初始路径重新选择若干新路径点,每个所述新路径点均位于一个路径段上;以所有路径段中各所述新路径点依次相连后形成路径长度最小为第一目标函数,以各新路径点处的平滑度平均值最小为第二目标函数,以各新路径点距离障碍物的距离平均值最小为第三目标函数,构建适应度函数,以求取所述适应度函数最小时每个所述链接线上的新路径点坐标;
动态船舶避碰模块,以无人船的航向偏航度及无人船的线速度为优化目标,基于嘉权平均法将所述优化目标转换为单目标约束优化函数,以求取单目标约束优化函数的最优航向航速;
无人船编队避障模块,若有多艘无人船以无人船编队形式航行时,则基于人工势场法为无人船编队的航行环境构建引力场和斥力场;其中,新路径点对无人船编队中的无人船产生引力,以引导无人船向新路径点运动,障碍物及无人船编队中除当前无人船的其余无人船产生斥力,以避免碰撞。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述基于人工智能的自主路径规划方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于人工智能的自主路径规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111338366.6A CN114089754A (zh) | 2021-11-11 | 2021-11-11 | 一种基于人工智能的自主路径规划方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111338366.6A CN114089754A (zh) | 2021-11-11 | 2021-11-11 | 一种基于人工智能的自主路径规划方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114089754A true CN114089754A (zh) | 2022-02-25 |
Family
ID=80300189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111338366.6A Pending CN114089754A (zh) | 2021-11-11 | 2021-11-11 | 一种基于人工智能的自主路径规划方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114089754A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114442642A (zh) * | 2022-04-02 | 2022-05-06 | 深圳市普渡科技有限公司 | 路径规划方法、装置、计算机设备和存储介质 |
CN116225032A (zh) * | 2023-05-09 | 2023-06-06 | 陕西欧卡电子智能科技有限公司 | 基于已知航迹的无人船集群协同避障规划方法 |
CN116429145A (zh) * | 2023-06-07 | 2023-07-14 | 福龙马城服机器人科技有限公司 | 一种复杂场景下无人车与垃圾桶自动对接导航方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436604A (zh) * | 2011-09-08 | 2012-05-02 | 哈尔滨工程大学 | 一种基于多目标进化方法的多弹协同航路计算方法 |
CN102768536A (zh) * | 2012-07-20 | 2012-11-07 | 哈尔滨工程大学 | 一种基于多目标萤火虫算法的路径规划方法 |
CN106292656A (zh) * | 2016-07-22 | 2017-01-04 | 北京智能管家科技有限公司 | 一种环境建模方法及装置 |
CN108594846A (zh) * | 2018-03-23 | 2018-09-28 | 哈尔滨工程大学 | 一种障碍环境下多auv编队队形优化控制方法 |
CN109657863A (zh) * | 2018-12-20 | 2019-04-19 | 智慧航海(青岛)科技有限公司 | 一种基于萤火虫算法的无人船全局路径动态优化方法 |
CN110045738A (zh) * | 2019-04-29 | 2019-07-23 | 天津大学 | 基于蚁群算法和Maklink图的机器人路径规划方法 |
CN110196598A (zh) * | 2019-06-25 | 2019-09-03 | 北京航天控制仪器研究所 | 一种无人艇的动态避碰方法 |
CN110362074A (zh) * | 2019-06-18 | 2019-10-22 | 华南理工大学 | 一种基于航迹重规划的水面无人艇动态避碰方法 |
CN110727274A (zh) * | 2019-11-19 | 2020-01-24 | 大连海事大学 | 一种基于无人船系统的带有避碰且保持连通性的编队控制方法 |
CN111026126A (zh) * | 2019-12-27 | 2020-04-17 | 哈尔滨工程大学 | 一种基于改进蚁群算法的无人艇全局路径多目标规划方法 |
CN111984006A (zh) * | 2020-07-24 | 2020-11-24 | 哈尔滨工程大学 | 融合海流及尺度差异影响的无人艇多目标会遇避碰方法 |
CN112684796A (zh) * | 2020-12-14 | 2021-04-20 | 大连海事大学 | 一种针对复杂海域usv航行的路径规划方法 |
CN112965477A (zh) * | 2021-01-22 | 2021-06-15 | 青岛科技大学 | 一种基于动态安全域和避碰规则的障碍物避碰方法 |
CN112985406A (zh) * | 2021-02-23 | 2021-06-18 | 武汉理工大学 | 船舶避障路径规划方法、装置及存储介质 |
CN113050652A (zh) * | 2021-03-25 | 2021-06-29 | 上海海事大学 | 一种用于智能船舶自动靠泊的轨迹规划方法 |
-
2021
- 2021-11-11 CN CN202111338366.6A patent/CN114089754A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436604A (zh) * | 2011-09-08 | 2012-05-02 | 哈尔滨工程大学 | 一种基于多目标进化方法的多弹协同航路计算方法 |
CN102768536A (zh) * | 2012-07-20 | 2012-11-07 | 哈尔滨工程大学 | 一种基于多目标萤火虫算法的路径规划方法 |
CN106292656A (zh) * | 2016-07-22 | 2017-01-04 | 北京智能管家科技有限公司 | 一种环境建模方法及装置 |
CN108594846A (zh) * | 2018-03-23 | 2018-09-28 | 哈尔滨工程大学 | 一种障碍环境下多auv编队队形优化控制方法 |
CN109657863A (zh) * | 2018-12-20 | 2019-04-19 | 智慧航海(青岛)科技有限公司 | 一种基于萤火虫算法的无人船全局路径动态优化方法 |
CN110045738A (zh) * | 2019-04-29 | 2019-07-23 | 天津大学 | 基于蚁群算法和Maklink图的机器人路径规划方法 |
CN110362074A (zh) * | 2019-06-18 | 2019-10-22 | 华南理工大学 | 一种基于航迹重规划的水面无人艇动态避碰方法 |
CN110196598A (zh) * | 2019-06-25 | 2019-09-03 | 北京航天控制仪器研究所 | 一种无人艇的动态避碰方法 |
CN110727274A (zh) * | 2019-11-19 | 2020-01-24 | 大连海事大学 | 一种基于无人船系统的带有避碰且保持连通性的编队控制方法 |
CN111026126A (zh) * | 2019-12-27 | 2020-04-17 | 哈尔滨工程大学 | 一种基于改进蚁群算法的无人艇全局路径多目标规划方法 |
CN111984006A (zh) * | 2020-07-24 | 2020-11-24 | 哈尔滨工程大学 | 融合海流及尺度差异影响的无人艇多目标会遇避碰方法 |
CN112684796A (zh) * | 2020-12-14 | 2021-04-20 | 大连海事大学 | 一种针对复杂海域usv航行的路径规划方法 |
CN112965477A (zh) * | 2021-01-22 | 2021-06-15 | 青岛科技大学 | 一种基于动态安全域和避碰规则的障碍物避碰方法 |
CN112985406A (zh) * | 2021-02-23 | 2021-06-18 | 武汉理工大学 | 船舶避障路径规划方法、装置及存储介质 |
CN113050652A (zh) * | 2021-03-25 | 2021-06-29 | 上海海事大学 | 一种用于智能船舶自动靠泊的轨迹规划方法 |
Non-Patent Citations (1)
Title |
---|
刘长吉,黄宴委: "基于适应度函数的无人船遗传算法航径规划", 计算机测量与控制, vol. 28, no. 5, pages 151 - 155 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114442642A (zh) * | 2022-04-02 | 2022-05-06 | 深圳市普渡科技有限公司 | 路径规划方法、装置、计算机设备和存储介质 |
CN116225032A (zh) * | 2023-05-09 | 2023-06-06 | 陕西欧卡电子智能科技有限公司 | 基于已知航迹的无人船集群协同避障规划方法 |
CN116429145A (zh) * | 2023-06-07 | 2023-07-14 | 福龙马城服机器人科技有限公司 | 一种复杂场景下无人车与垃圾桶自动对接导航方法及系统 |
CN116429145B (zh) * | 2023-06-07 | 2023-08-25 | 福龙马城服机器人科技有限公司 | 一种复杂场景下无人车与垃圾桶自动对接导航方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109782779B (zh) | 基于种群超启发式算法的洋流环境下auv路径规划方法 | |
CN114089754A (zh) | 一种基于人工智能的自主路径规划方法和系统 | |
Li et al. | Autonomous underwater vehicle optimal path planning method for seabed terrain matching navigation | |
Algfoor et al. | A comprehensive study on pathfinding techniques for robotics and video games | |
Zeng et al. | Shell space decomposition based path planning for AUVs operating in a variable environment | |
CN111780777A (zh) | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 | |
CN110471426A (zh) | 基于量子狼群算法的无人驾驶智能车自动避碰方法 | |
AU2005278160A1 (en) | System and method for adaptive path planning | |
CN114510057A (zh) | 一种室内环境中基于ros的移动机器人自主导航方法 | |
Li et al. | Three-dimensional path planning for AUVs in ocean currents environment based on an improved compression factor particle swarm optimization algorithm | |
CN112539750B (zh) | 一种智能运输车路径规划方法 | |
Azmandian et al. | Automated path prediction for redirected walking using navigation meshes | |
Xu et al. | Heuristic and random search algorithm in optimization of route planning for Robot’s geomagnetic navigation | |
Zhang et al. | A novel UAV path planning approach: Heuristic crossing search and rescue optimization algorithm | |
CN114077256A (zh) | 一种水上无人船路径规划方法 | |
Du et al. | An optimized path planning method for coastal ships based on improved DDPG and DP | |
Schoener et al. | An anytime Visibility–Voronoi graph-search algorithm for generating robust and feasible unmanned surface vehicle paths | |
McMahon et al. | Autonomous data collection with dynamic goals and communication constraints for marine vehicles | |
CN116466701A (zh) | 一种无人水面艇能耗最小轨迹规划方法 | |
CN115951682A (zh) | 一种考虑洋流存在条件下的带约束四目标auv全局路径规划方法 | |
CN112650238B (zh) | 一种利用可见性信息的实时路径规划方法 | |
Emad | Path-Planning Dynamic 3D Space Using Modified A* Algorithm | |
CN113917929A (zh) | 一种基于混合粒子群算法的无人船路径优化方法和系统 | |
CN114111824A (zh) | 一种基于多目标优化的无人船路径优化方法和系统 | |
Chen et al. | Real-time efficient trajectory planning for quadrotor based on hard constraints |
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 |