CN114543815A - 基于基因调控网络的多智能体导航控制方法、设备及介质 - Google Patents

基于基因调控网络的多智能体导航控制方法、设备及介质 Download PDF

Info

Publication number
CN114543815A
CN114543815A CN202210436264.6A CN202210436264A CN114543815A CN 114543815 A CN114543815 A CN 114543815A CN 202210436264 A CN202210436264 A CN 202210436264A CN 114543815 A CN114543815 A CN 114543815A
Authority
CN
China
Prior art keywords
grid
concentration
agent
state
map
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
Application number
CN202210436264.6A
Other languages
English (en)
Other versions
CN114543815B (zh
Inventor
范衠
王琛
罗伟成
谷敏强
施兆辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shantou University
Original Assignee
Shantou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shantou University filed Critical Shantou University
Priority to CN202210436264.6A priority Critical patent/CN114543815B/zh
Publication of CN114543815A publication Critical patent/CN114543815A/zh
Application granted granted Critical
Publication of CN114543815B publication Critical patent/CN114543815B/zh
Priority to PCT/CN2023/089865 priority patent/WO2023207803A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供一种基于基因调控网络的多智能体导航控制方法、设备及介质，涉及导航技术领域，该方法包括获取多个智能体所在的平面地图；将所述平面地图转换为栅格地图，确定所述栅格地图中的各个栅格对应的浓度信息；根据所述栅格地图中的各个栅格对应的浓度信息确定所述智能体从当前栅格到目标栅格的最优路径；在待导航的智能体沿最优路径前行过程中，将代价评估值最小的空置栅格作为待进入栅格；确定待进入栅格距离障碍物位置所在栅格的距离，基于所述距离和预先设置的安全距离的关系确定所述智能体的运行状态，根据所述智能体的运行状态控制所述智能体朝目标位置前行；本发明能够实时、自适应寻找最优导航路径。

Description

基于基因调控网络的多智能体导航控制方法、设备及介质
技术领域
本发明涉及但不限于导航技术领域，尤其涉及一种基于基因调控网络的多智能体导航控制方法、设备及介质。
背景技术
目前智能体导航系统所涉及到的路径规划任务应用较为广泛的是A*算法，A*算法的操作过程需要依次对地图上的所有栅格进行代价值计算，即需要对所有可能路线的移动代价进行计算，耗费的运算成本高。此外，当地图中的障碍物或者目标点位置发生变化时，障碍物或者目标点可能落在已经遍历过的点位上，A*算法将不再适用。
因此，有必要对现有的智能体导航系统进行改进，能够实时、自适应寻找最优导航路径。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本发明实施例提供了一种基于基因调控网络的多智能体导航控制方法、设备及介质，能够实时、自适应寻找最优导航路径。
第一方面，本发明实施例提供了一种基于基因调控网络的多智能体导航控制方法，包括：
步骤S100，获取多个智能体所在的平面地图；
步骤S200、将所述平面地图转换为栅格地图，确定所述栅格地图中的各个栅格对应的浓度信息；其中，所述浓度信息包含目标位置的浓度信息场和障碍物位置的浓度信息场；
步骤S300、确定待导航的智能体的当前栅格和目标栅格，根据所述栅格地图中的各个栅格对应的浓度信息确定所述智能体从当前栅格到目标栅格的最优路径；其中，所述当前栅格为所述智能体当前所在的栅格，所述目标栅格为目标位置在栅格地图中所在的栅格；
步骤S400、在所述智能体沿最优路径前行过程中，从与所述当前栅格相邻的8个邻域栅格中筛选出空置栅格，确定每个空置栅格的浓度评估值、第一距离评估值和第二距离评估值；其中，所述空置栅格为所述智能体可通行的栅格，所述浓度评估值为所述智能体当前时刻所在栅格和所述空置栅格的浓度信息之差，所述第一距离评估值为所述智能体的上一栅格和所述空置栅格之间的距离差值，所述第二距离评估值为所述空置栅格和所述目标栅格之间的距离差值；
步骤S500、根据所述浓度评估值、第一距离评估值和第二距离评估值确定每个空置栅格的代价评估值，将代价评估值最小的空置栅格作为待进入栅格；
步骤S600、确定待进入栅格距离障碍物位置所在栅格的障碍物距离，基于所述障碍物距离确定所述智能体的运行状态，根据所述智能体的运行状态控制所述智能体朝目标位置前行。
在一些实施例中，所述将所述平面地图转换为栅格地图，确定所述栅格地图中的各个栅格对应的浓度信息，包括：
确定所述栅格地图中目标位置所在栅格、障碍物位置所在栅格以及智能体的可移动范围边界；
将所述栅格地图导入基因调控网络模型中，生成目标浓度地图和障碍物浓度地图；其中，所述目标浓度地图中的各个栅格包含目标位置的浓度信息场，所述目标浓度地图中的各个栅格包含障碍物位置的浓度信息场；
将所述目标浓度地图和所述障碍物浓度地图按对应栅格进行耦合，得到所述栅格地图中各个栅格对应的浓度信息。
在一些实施例中，生成目标浓度地图所依赖的计算公式为：
Figure 690243DEST_PATH_IMAGE001
；
其中，p1为目标生成的浓度信息场，b1为影响目标浓度地图中的各个栅格浓度值的可调参数，v1为浓度扩散因子，用于调整距离参数与浓度参数之间映射关系，r1为目标浓度地图中的各个栅格中心离目标所在位置的相对距离；
生成障碍物浓度地图所依赖的计算公式为：
Figure 421439DEST_PATH_IMAGE002
；
其中，p2为障碍物生成的浓度信息场，b2为影响障碍物浓度地图中的各个栅格浓度值的可调参数，v2为浓度扩散因子，r2为目标浓度地图中的各个栅格中心离障碍物所在位置的相对距离；
所述栅格地图中各个栅格对应的浓度信息的计算公式为：
Figure DEST_PATH_IMAGE003
；
其中，g1为目标浓度地图所呈现的形态梯度空间,g2为障碍物浓度地图所呈现的形态梯度空间，g3为耦合目标位置的浓度信息场和障碍物位置的浓度信息场所呈现的形态梯度空间，θ1为影响目标浓度地图的浓度值范围的可调参量，k1为影响目标浓度地图的相邻栅格间浓度差值的可调参量，θ2为影响障碍物浓度地图的浓度值范围的可调参量，k2为影响障碍物浓度地图的相邻栅格间浓度差值的可调参量，θ3为影响栅格地图中栅格的浓度值范围的可调参量，k3为影响栅格地图中相邻栅格间浓度差值的可调参量。
在一些实施例中，所述代价评估值的计算公式为：
Figure 100002_DEST_PATH_IMAGE005
；
其中，Pe为评估所述待导航的智能体在下一时刻可到栅格的代价评估值，Ce为评估所述待导航的智能体在下一时刻可到栅格的浓度评估值，Dp为评估所述待导航的智能体在下一时刻可到栅格的第一距离评估值，Dt为评估所述待导航的智能体在下一时刻可到栅格的第二距离评估值，a、b、c均为权重参数，CN为评估所述待导航的智能体在下一时刻可到栅格的浓度值，CM为所述待导航的智能体当前时刻所在栅格的浓度值，Cmin为预设的可选栅格浓度最小值，Cmax为预设的可选栅格浓度最大值，Nx为评估所述待导航的智能体在下一时刻可到栅格的横坐标，Ny为评估所述待导航的智能体在下一时刻可到栅格的纵坐标，Px为所述待导航的智能体上一时刻所在栅格的横坐标，Py为所述待导航的智能体上一时刻所在栅格的纵坐标，Tx为目标所在位置的横坐标，Ty为目标所在位置的纵坐标。
在一些实施例中，所述确定待进入栅格距离障碍物位置所在栅格的障碍物距离，基于所述距离和预先设置的安全距离的关系确定所述智能体的运行状态，包括：
步骤S610，确定所述障碍物距离是否大于安全距离，若所述障碍物距离大于安全距离，则执行步骤S620，否则执行步骤S660；
步骤S620，控制所述智能体按第一状态朝目标位置前行；其中，所述第一状态为在避开障碍物的前提下前行；
步骤S630，在所述智能体按第一状态前行过程中，若检测到其他智能体标记的触发点，则将所述智能体的运行状态从第一状态转为第四状态，控制所述智能体按第四状态朝目标位置前行；其中，所述第四状态为沿近路前行；
步骤S640，在所述智能体从第一状态转为按第四状态前行过程中，若检测到其他智能体标记的终止点，则将所述智能体的运行状态从第四状态转为第一状态，控制所述智能体按第一状态朝目标位置前行；若检测到所述障碍物距离在安全距离范围内，则将所述智能体的运行状态从第四状态转为第二状态，控制所述智能体按第二状态朝目标位置前行；其中，所述第二状态为沿着障碍物的边缘前行；
步骤S650，在所述智能体从第四状态转为按第二状态前行过程中，若检测到所述障碍物距离大于安全距离，则将所述智能体的运行状态从第二状态转为第四状态，控制所述智能体按第四状态朝目标位置前行；
步骤S660，将所述智能体的运行状态从第一状态转为第二状态，控制所述智能体按第二状态朝目标位置前行；
步骤S670，在所述智能体从第一状态转为按第二状态前行过程中，若检测到所述障碍物距离大于安全距离，则将所述智能体的运行状态从第二状态转为第一状态，控制所述智能体按第一状态朝目标位置前行；若检测到所述障碍物距离小于场边界距离，则将检测到所述障碍物距离小于场边界距离所在位置标记为触发点后，将所述智能体的运行状态从第二状态转为第三状态，控制所述智能体按第三状态朝目标位置前行；其中，所述第三状态为从触发点沿原路返回。
在一些实施例中，所述方法还包括：
在所述智能体按第四状态前行过程中，若检测到触发点，则确定标记该触发点的智能体在当前的运行状态和之前的运行状态；
若标记该触发点的智能体在当前的运行状态和之前的运行状态中均未按第三状态前行，则执行步骤S500；
若标记该触发点的智能体在当前的运行状态为第三状态，则所述智能体按与当前前行路径相反的方向前行；
若标记该触发点的智能体在之前的运行状态为第三状态，且当前未按第三状态前行，则所述智能体跟随标记该触发点的智能体前行；
确定标记该触发点的智能体是否也标记过终止点，若标记该触发点的智能体也标记过终止点，则所述智能体跟随标记该触发点的智能体朝所述终止点前行。
第二方面，本发明实施例还提供了一种电子设备，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计算机程序时实现如第一方面所述的基于基因调控网络的多智能体导航控制方法。
第三方面，本发明实施例还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，所述计算机可执行指令用于执行如第一方面所述的基于基因调控网络的多智能体导航控制方法。
本发明实施例包括：获取多个智能体所在的平面地图；将所述平面地图转换为栅格地图，确定所述栅格地图中的各个栅格对应的浓度信息；其中，所述浓度信息包含目标位置的浓度信息场和障碍物位置的浓度信息场；确定待导航的智能体的当前栅格和目标栅格，根据所述栅格地图中的各个栅格对应的浓度信息确定所述智能体从当前栅格到目标栅格的最优路径；其中，所述当前栅格为所述智能体当前所在的栅格，所述目标栅格为目标位置在栅格地图中所在的栅格；在所述智能体沿最优路径前行过程中，从与所述当前栅格相邻的8个邻域栅格中筛选出空置栅格，确定每个空置栅格的浓度评估值、第一距离评估值和第二距离评估值；其中，所述空置栅格为所述智能体可通行的栅格，所述浓度评估值为所述智能体当前时刻所在栅格和所述空置栅格的浓度信息之差，所述第一距离评估值为所述智能体的上一栅格和所述空置栅格之间的距离差值，所述第二距离评估值为所述空置栅格和所述目标栅格之间的距离差值；根据所述浓度评估值、第一距离评估值和第二距离评估值确定每个空置栅格的代价评估值，将代价评估值最小的空置栅格作为待进入栅格；确定待进入栅格距离障碍物位置所在栅格的障碍物距离，基于所述障碍物距离确定所述智能体的运行状态，根据所述智能体的运行状态控制所述智能体朝目标位置前行。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1是本发明实施例中的一种基于基因调控网络的多智能体导航控制方法的流程示意图；
图2是本发明实施例应用在第一场景中的目标浓度地图的具体示意图；
图3是本发明实施例应用在第一场景中的障碍物浓度地图的具体示意图；
图4是本发明实施例应用在第一场景中的整体浓度地图的具体示意图；
图5是本发明实施例应用在第一场景中的多智能体导航的具体示意图；
图6是本发明实施例应用在第二场景中的目标浓度地图的具体示意图；
图7是本发明实施例应用在第二场景中的障碍物浓度地图的具体示意图；
图8是本发明实施例应用在第二场景中的整体浓度地图的具体示意图；
图9是本发明实施例应用在第二场景中的多智能体导航的具体示意图；
图10是本发明实施例应用在第三场景中的目标浓度地图的具体示意图；
图11是本发明实施例应用在第三场景中的障碍物浓度地图的具体示意图；
图12是本发明实施例应用在第三场景中的整体浓度地图的具体示意图；
图13是本发明实施例应用在第三场景中的多智能体导航的具体示意图；
图14是本发明实施例中的避障控制策略应用在第四场景中的单个智能体导航的具体示意图；
图15是本发明实施例中的避障控制策略应用在第五场景中的单个智能体导航的具体示意图；
图16是本发明实施例中的避障控制策略应用在第六场景中的多智能体导航的具体示意图；
图17是本发明实施例中的避障控制策略应用在第七场景中的多智能体导航的具体示意图；
图18是本发明另一个实施例提供的电子设备的结构图。
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用以解释本发明，并不用于限定本发明。
需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
下面结合附图，对本发明实施例作进一步阐述。
如图1所示，图1是本发明一个实施例提供的一种基于基因调控网络的多智能体导航控制方法的流程图，在该方法中，包括但不限于有以下步骤：
步骤S100，获取多个智能体所在的平面地图；
步骤S200、将所述平面地图转换为栅格地图，确定所述栅格地图中的各个栅格对应的浓度信息；其中，所述浓度信息包含目标位置的浓度信息场和障碍物位置的浓度信息场；
需要说明的是，所述栅格地图中的栅格为允许单个智能体自转一圈的最小正方形；
步骤S300、确定待导航的智能体的当前栅格和目标栅格，根据所述栅格地图中的各个栅格对应的浓度信息确定所述智能体从当前栅格到目标栅格的最优路径；其中，所述当前栅格为所述智能体当前所在的栅格，所述目标栅格为目标位置在栅格地图中所在的栅格；
步骤S400、在所述智能体沿最优路径前行过程中，从与所述当前栅格相邻的8个邻域栅格中筛选出空置栅格，确定每个空置栅格的浓度评估值、第一距离评估值和第二距离评估值；其中，所述空置栅格为所述智能体可通行的栅格，所述浓度评估值为所述智能体当前时刻所在栅格和所述空置栅格的浓度信息之差，所述第一距离评估值为所述智能体的上一栅格和所述空置栅格之间的距离差值，所述第二距离评估值为所述空置栅格和所述目标栅格之间的距离差值；
需要说明的是，在栅格地图中，以待导航的智能体所在栅格为中心，可以建立一个关联九宫格，所述智能体所在栅格存在8个相邻的栅格（邻域栅格）；再确认这8个邻域栅格是否被占用，即，所述空置栅格上不存在障碍物、其他智能体，将未被占用的领域栅格作为空置栅格，得到所述智能体可通行的栅格。所述智能体的上一栅格是指所述智能体在当前栅格之前刚经历的栅格。在一实施例中，基于多个智能体之间的相互通信关系，所述待导航的智能体可通过获取其他各个智能体在所述整体浓度地图中的当前位置信息与剩余8个栅格所在区域范围进行逐个比对，进而得到被其他智能体占领的栅格并对其进行剔除处理，由此可防止所述待导航的智能体与其他任何智能体发生碰撞。
此外，若发生所述待导航的智能体判断出剩余8个栅格均已被其他智能体占领时，所述待导航的智能体将当前栅格剔除过程视为异常事件，同时进入循环的位置查询与占位判断这一操作，以等待任意一个或者多个栅格内的智能体开始移动直至离开所述关联九宫格，再重新执行栅格剔除任务。
步骤S500、根据所述浓度评估值、第一距离评估值和第二距离评估值确定每个空置栅格的代价评估值，将代价评估值最小的空置栅格作为待进入栅格；
步骤S600、确定待进入栅格距离障碍物位置所在栅格的障碍物距离，基于所述障碍物距离确定所述智能体的运行状态，根据所述智能体的运行状态控制所述智能体朝目标位置前行。
本发明提供的实施例中，根据栅格地图中的浓度强度自适应生成智能体移动至目标的最优路径，不需要依次计算出地图上的所有可行路径来确定智能体的最优路径，由此可以减少运算成本，实施过程更为简便。智能体在移动过程中借助浓度信息和距离信息所决定的代价评价值来筛选拟定下一步的移动位置，具有较强的实时性。基于所述距离和预先设置的安全距离的关系确定所述智能体的运行状态，能够在复杂环境中快速导航到目标，解决了群体机器人之间的避碰、机器人与障碍物之间的避碰问题，以及自适应寻找最优导航路径等问题，适用于障碍物或者目标点位置发生变化的场景。
另外，在一实施例中，图1所示实施例中的步骤S200中，所述将所述平面地图转换为栅格地图，确定所述栅格地图中的各个栅格对应的浓度信息，包括：
步骤S210、确定所述栅格地图中目标位置所在栅格、障碍物位置所在栅格以及智能体的可移动范围边界；
步骤S220、将所述栅格地图导入基因调控网络模型中，生成目标浓度地图和障碍物浓度地图；其中，所述目标浓度地图中的各个栅格包含目标位置的浓度信息场，所述目标浓度地图中的各个栅格包含障碍物位置的浓度信息场；
步骤S230、将所述目标浓度地图和所述障碍物浓度地图按对应栅格进行耦合，得到所述栅格地图中各个栅格对应的浓度信息。
在一些实施例中，首先，构建基因调控网络，本实施例所采用的基因调控网络为公开号CN112684700A所公开的基因调控网络；通过获取基本元件库中的多个基本元件，根据所述多个基本元件组合得到的拓扑结构形成基因调控网络模型；接着，将所述栅格地图导入基因调控网络模型中，生成目标浓度地图和障碍物浓度地图；最后，将所述目标浓度地图和所述障碍物浓度地图按对应栅格进行耦合，耦合得到的栅格地图包含所述目标信息和所述障碍物信息。
具体的，在所述栅格地图中标记有围绕目标的多个点、围绕障碍物的多个点以及地图边界的多个点，围绕目标（即目标所在区域边缘）的N个点，计算每一个点在所述栅格地图中所占据栅格的蛋白质浓度，进而将N个点的蛋白质浓度进行叠加形成目标浓度地图；同理，在所述平面地图中获取围绕所有障碍物（即所有障碍物中的每一个障碍物所在区域边缘）的M个点以及所述可移动范围边界的K个点，计算其中每一个点在所述平面地图中所占据栅格的蛋白质浓度，进而将M+K个点的蛋白质浓度进行叠加形成障碍物浓度地图。
基于所述目标信息和所述障碍物信息是处于实时可变化的，当本发明实施例应用到不同变化场景下时可生成对应多组不同的浓度地图，分别如下：
在第一场景中生成如图2所示的目标浓度地图和如图3所示的障碍物浓度地图，进而耦合得到如图4所示的整体浓度地图，当本发明实施例应用到第一场景中实现多个智能体导航至目标所在位置时，得到如图5所示的导航示意图；
在第二场景中生成如图6所示的目标浓度地图和如图7所示的障碍物浓度地图，进而耦合得到如图8所示的整体浓度地图，当本发明实施例应用到第二场景中实现多个智能体导航至目标所在位置时，得到如图9所示的导航示意图；
在第三场景中生成如图10所示的目标浓度地图和如图11所示的障碍物浓度地图，进而耦合得到如图12所示的整体浓度地图，当本发明实施例应用到第三场景中实现多个智能体导航至目标所在位置时，得到如图13所示的导航示意图，由此可以验证本发明实施例的可行性。
在一实施例中，生成目标浓度地图所依赖的计算公式为：
Figure 477120DEST_PATH_IMAGE006
；
其中，p1为目标生成的浓度信息场，b1为影响目标浓度地图中的各个栅格浓度值的可调参数，v1为浓度扩散因子，用于调整距离参数与浓度参数之间映射关系，r1为目标浓度地图中的各个栅格中心离目标所在位置的相对距离；
生成障碍物浓度地图所依赖的计算公式为：
Figure 231449DEST_PATH_IMAGE007
；
其中，p2为障碍物生成的浓度信息场，b2为影响障碍物浓度地图中的各个栅格浓度值的可调参数，v2为浓度扩散因子，r2为目标浓度地图中的各个栅格中心离障碍物所在位置的相对距离；
所述栅格地图中各个栅格对应的浓度信息的计算公式为：
Figure 30778DEST_PATH_IMAGE008
；
其中，g1为目标浓度地图所呈现的形态梯度空间,g2为障碍物浓度地图所呈现的形 态梯度空间，g3为耦合目标位置的浓度信息场和障碍物位置的浓度信息场所呈现的形态梯 度空间，θ1为影响目标浓度地图的浓度值范围的可调参量，k1为影响目标浓度地图的相邻栅 格间浓度差值的可调参量，θ2为影响障碍物浓度地图的浓度值范围的可调参量，k2为影响障 碍物浓度地图的相邻栅格间浓度差值的可调参量，θ3为影响栅格地图中栅格的浓度值范围 的可调参量，k3为影响栅格地图中相邻栅格间浓度差值的可调参量。作为优选，本发明实施 例将参数
Figure 554163DEST_PATH_IMAGE010
取值为1，将参数
Figure 984007DEST_PATH_IMAGE012
取值为1.2，将参数v1、v2均取值为1，将参数θ1、θ2、θ3均取值为0， θ1、θ2和θ3的取值范围均为[0，1]，将参数k1、k2、k3均取值为1，k1、k2和k3的取值范围均为[0， 2]。
在一些实施例中，所述代价评估值的计算公式为：
Figure 287950DEST_PATH_IMAGE014
；
其中，Pe为评估所述待导航的智能体在下一时刻可到栅格的代价评估值，Ce为评估所述待导航的智能体在下一时刻可到栅格的浓度评估值，Dp为评估所述待导航的智能体在下一时刻可到栅格的第一距离评估值，Dt为评估所述待导航的智能体在下一时刻可到栅格的第二距离评估值，a、b、c均为权重参数，CN为评估所述待导航的智能体在下一时刻可到栅格的浓度值，CM为所述待导航的智能体当前时刻所在栅格的浓度值，Cmin为预设的可选栅格浓度最小值，Cmax为预设的可选栅格浓度最大值，Nx为评估所述待导航的智能体在下一时刻可到栅格的横坐标，Ny为评估所述待导航的智能体在下一时刻可到栅格的纵坐标，Px为所述待导航的智能体上一时刻所在栅格的横坐标，Py为所述待导航的智能体上一时刻所在栅格的纵坐标，Tx为目标所在位置的横坐标，Ty为目标所在位置的纵坐标。优选地，本发明实施例将参数a取值为0.3，将参数b取值为0.35，将参数c取值为0.35。
其中，本发明实施例选用浓度评估值的目的在于使得所述待导航的智能体可以顺浓度梯度移动，选用第一距离评估值的目的在于使得所述待导航的智能体尽可能的有效移动，即确保所述待导航的智能体下一时刻可到栅格距离上一时刻所在栅格更远，选用第二距离评估值的目的在于使得所述待导航的智能体可以朝向目标所在位置的方向移动。
以所述关联九宫格中仅存在栅格A、栅格B和栅格C未被任何智能体占领为例，对栅格筛选过程进行说明为：首先按照上述公式计算出栅格A与中间栅格之间的代价评估值为Pe,A、栅格B与中间栅格之间的代价评估值为Pe,B以及栅格C与中间栅格之间的代价评估值为Pe,C，若判断出Pe,A＜Pe,B＜Pe,C，则将栅格A的中心点指定为所述待导航的智能体的移动位置，若判断出Pe,A＝Pe,B＜Pe,C，则从栅格A和栅格B中随机选取一个栅格并将其中心点指定为所述待导航的智能体的移动位置。
另外，在一实施例中，图1所示实施例中的步骤S600中，所述确定待进入栅格距离障碍物位置所在栅格的障碍物距离，基于所述距离和预先设置的安全距离的关系确定所述智能体的运行状态，包括：
步骤S610，确定所述障碍物距离是否大于安全距离，若所述障碍物距离大于安全距离，则执行步骤S620，否则执行步骤S660；
步骤S620，控制所述智能体按第一状态朝目标位置前行；其中，所述第一状态为在避开障碍物的前提下前行；
步骤S630，在所述智能体按第一状态前行过程中，若检测到其他智能体标记的触发点，则将所述智能体的运行状态从第一状态转为第四状态，控制所述智能体按第四状态朝目标位置前行；其中，所述第四状态为沿近路前行；
步骤S640，在所述智能体从第一状态转为按第四状态前行过程中，若检测到其他智能体标记的终止点，则将所述智能体的运行状态从第四状态转为第一状态，控制所述智能体按第一状态朝目标位置前行；若检测到所述障碍物距离在安全距离范围内，则将所述智能体的运行状态从第四状态转为第二状态，控制所述智能体按第二状态朝目标位置前行；其中，所述第二状态为沿着障碍物的边缘前行；所述终止点为智能体的出口；
步骤S650，在所述智能体从第四状态转为按第二状态前行过程中，若检测到所述障碍物距离大于安全距离，则将所述智能体的运行状态从第二状态转为第四状态，控制所述智能体按第四状态朝目标位置前行；
步骤S660，将所述智能体的运行状态从第一状态转为第二状态，控制所述智能体按第二状态朝目标位置前行；
步骤S670，在所述智能体从第一状态转为按第二状态前行过程中，若检测到所述障碍物距离大于安全距离，则将所述智能体的运行状态从第二状态转为第一状态，控制所述智能体按第一状态朝目标位置前行；若检测到所述障碍物距离小于场边界距离，则将检测到所述障碍物距离小于场边界距离所在位置标记为触发点后，将所述智能体的运行状态从第二状态转为第三状态，控制所述智能体按第三状态朝目标位置前行；其中，所述第三状态为从触发点沿原路返回。
需要说明的是，障碍物距离通过实时检测得到，是一个变量；安全距离和场边界距离是预先设置的定量，安全距离大于场边界距离，通过结合障碍物距离、安全距离和场边界距离这三者的关系，用来决定智能体的运行状态，保证智能体的避障的前提下以最快效率抵达目标位置。
本实施例中，智能体有四种运行状态，当遇到不同的情况时，会在各种运行状态之间来回切换。在所有运行状态下，智能体在选择下一个位置时不能选择其他智能体所在栅格。如果选择的栅格中还有其他智能体，智能体放弃最优选择，选择最优栅格附近可行的栅格。智能体计算并选择代价评估值最大的空置栅格进行导航。智能体与障碍物之间设置有安全距离。设置智能体到边界距离的场边界距离，智能体传感器具有一定的检测范围，智能体只能在检测范围内探测到障碍物或边界。第一状态中智能体通过评估周围栅格的代价评估值实现基本导航，第二状态用于指示智能体沿障碍物边缘行走。当智能体进入这种状态时，它将在面临决定时留下一个“触发点”，随机选择可能的方向，沿着障碍物的边缘移动。如果智能体找到出口，智能体将设置“终止点”，提醒其他智能体可以直接向“终止点”移动；如果智能体没有找到出口，但检测到场边界，则意味着智能体在“触发点”没有选择最优方向。此时，当其他智能体在“触发点”附近时，智能体会直接与其他智能体进行通讯，告知其他智能体最优的方向，即一开始该智能体所选错误方向的相反方向，为其他智能体的前行提供可行性参考，节省其他智能体的路径选择时间。当其他智能体检测范围内存在“触发点”，但离开“触发点”的智能体不确定最佳方向时，其他智能体以一定概率自行随机选择方向，例如，在存在两个方向的情况下，两个方向被选择的概率各为0.5。当智能体到达“触发点”的时候，发现留下“触发点”的智能体进入过第三状态，并当前已经离开第三状态，说明智能体经进入了此时通过其自身经验得到的最佳方向，其他智能体可以直接跟随该智能体移动。在本发明实施例中，图14至图17示出所述避障控制策略在不同场景下的应用情况。
另外，在一实施例中，所述方法还包括：
在所述智能体按第四状态前行过程中，若检测到触发点，则确定标记该触发点的智能体在当前的运行状态和之前的运行状态；
若标记该触发点的智能体在当前的运行状态和之前的运行状态中均未按第三状态前行，则执行步骤S500；
也就是说，所述智能体检测到了触发点，但是标记该触发点的智能体在当前的运行状态和之前的运行状态中不存在第三状态，则执行步骤S500；即，标记该触发点的智能体既不知道场边界，也没探测到场边界，则需要所述智能体（按第四状态前行的智能体）自行根据所述浓度评估值、第一距离评估值和第二距离评估值确定每个空置栅格的代价评估值，将代价评估值最小的空置栅格作为待进入栅格。
若标记该触发点的智能体在当前的运行状态为第三状态，则所述智能体按与当前前行路径相反的方向前行；
也就是说，标记该触发点的智能体知道场边界，确定其前行的方向不通，则设置触发点的智能体选择与标记该触发点的智能体的相反方向前行，从而避开无法前行的路径。
若标记该触发点的智能体在之前的运行状态为第三状态，且当前未按第三状态前行，则所述智能体跟随标记该触发点的智能体前行；
也就是说，标记该触发点的智能体已找到正确的前行，则所述智能体直接遵循标记该触发点的智能体的路径前行。
确定标记该触发点的智能体是否也标记过终止点，若标记该触发点的智能体也标记过终止点，则所述智能体跟随标记该触发点的智能体朝所述终止点前行。
也就是说，标记该触发点的智能体已找到正确的前行，也找到出口，则所述智能体直接遵循标记该触发点的智能体的路径朝所述终止点前行。
另外，参照图18，本发明的一个实施例还提供了一种电子设备10，该电子设备10包括：存储器11、处理器12及存储在存储器11上并可在处理器12上运行的计算机程序。
处理器12和存储器11可以通过总线或者其他方式连接。
实现上述实施例的基于基因调控网络的多智能体导航控制方法所需的非暂态软件程序以及指令存储在存储器11中，当被处理器12执行时，执行上述实施例中的基于基因调控网络的多智能体导航控制方法。
此外，本发明的一个实施例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存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述电子设备实施例中的一个处理器执行，可使得上述处理器执行上述实施例中的基于基因调控网络的多智能体导航控制方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。

Claims (8)

1.一种基于基因调控网络的多智能体导航控制方法，其特征在于，包括：
步骤S100，获取多个智能体所在的平面地图；
步骤S200、将所述平面地图转换为栅格地图，确定所述栅格地图中的各个栅格对应的浓度信息；其中，所述浓度信息包含目标位置的浓度信息场和障碍物位置的浓度信息场；
步骤S300、确定待导航的智能体的当前栅格和目标栅格，根据所述栅格地图中的各个栅格对应的浓度信息确定所述智能体从当前栅格到目标栅格的最优路径；其中，所述当前栅格为所述智能体当前所在的栅格，所述目标栅格为目标位置在栅格地图中所在的栅格；
步骤S400、在所述智能体沿最优路径前行过程中，从与所述当前栅格相邻的8个邻域栅格中筛选出空置栅格，确定每个空置栅格的浓度评估值、第一距离评估值和第二距离评估值；其中，所述空置栅格为所述智能体可通行的栅格，所述浓度评估值为所述智能体当前时刻所在栅格和所述空置栅格的浓度信息之差，所述第一距离评估值为所述智能体的上一栅格和所述空置栅格之间的距离差值，所述第二距离评估值为所述空置栅格和所述目标栅格之间的距离差值；
步骤S500、根据所述浓度评估值、第一距离评估值和第二距离评估值确定每个空置栅格的代价评估值，将代价评估值最小的空置栅格作为待进入栅格；
步骤S600、确定待进入栅格距离障碍物位置所在栅格的障碍物距离，基于所述障碍物距离确定所述智能体的运行状态，根据所述智能体的运行状态控制所述智能体朝目标位置前行。
2.根据权利要求1所述的基于基因调控网络的多智能体导航控制方法，其特征在于，所述将所述平面地图转换为栅格地图，确定所述栅格地图中的各个栅格对应的浓度信息，包括：
步骤S210、确定所述栅格地图中目标位置所在栅格、障碍物位置所在栅格以及智能体的可移动范围边界；
步骤S220、将所述栅格地图导入基因调控网络模型中，生成目标浓度地图和障碍物浓度地图；其中，所述目标浓度地图中的各个栅格包含目标位置的浓度信息场，所述目标浓度地图中的各个栅格包含障碍物位置的浓度信息场；
步骤S230、将所述目标浓度地图和所述障碍物浓度地图按对应栅格进行耦合，得到所述栅格地图中各个栅格对应的浓度信息。
3.根据权利要求2所述的基于基因调控网络的多智能体导航控制方法，其特征在于，生成目标浓度地图所依赖的计算公式为：
Figure 47660DEST_PATH_IMAGE001
；
其中，p1为目标生成的浓度信息场，b1为影响目标浓度地图中的各个栅格浓度值的可调参数，v1为浓度扩散因子，用于调整距离参数与浓度参数之间映射关系，r1为目标浓度地图中的各个栅格中心离目标所在位置的相对距离；
生成障碍物浓度地图所依赖的计算公式为：
Figure 870123DEST_PATH_IMAGE002
；
其中，p2为障碍物生成的浓度信息场，b2为影响障碍物浓度地图中的各个栅格浓度值的可调参数，v2为浓度扩散因子，r2为目标浓度地图中的各个栅格中心离障碍物所在位置的相对距离；
所述栅格地图中各个栅格对应的浓度信息的计算公式为：
Figure 137156DEST_PATH_IMAGE003
；
其中，g1为目标浓度地图所呈现的形态梯度空间,g2为障碍物浓度地图所呈现的形态梯度空间，g3为耦合目标位置的浓度信息场和障碍物位置的浓度信息场所呈现的形态梯度空间，θ1为影响目标浓度地图的浓度值范围的可调参量，k1为影响目标浓度地图的相邻栅格间浓度差值的可调参量，θ2为影响障碍物浓度地图的浓度值范围的可调参量，k2为影响障碍物浓度地图的相邻栅格间浓度差值的可调参量，θ3为影响栅格地图中栅格的浓度值范围的可调参量，k3为影响栅格地图中相邻栅格间浓度差值的可调参量。
4.根据权利要求1所述的基于基因调控网络的多智能体导航控制方法，其特征在于，所述代价评估值的计算公式为：
Figure DEST_PATH_IMAGE005
；
其中，Pe为评估所述待导航的智能体在下一时刻可到栅格的代价评估值，Ce为评估所述待导航的智能体在下一时刻可到栅格的浓度评估值，Dp为评估所述待导航的智能体在下一时刻可到栅格的第一距离评估值，Dt为评估所述待导航的智能体在下一时刻可到栅格的第二距离评估值，a、b、c均为权重参数，CN为评估所述待导航的智能体在下一时刻可到栅格的浓度值，CM为所述待导航的智能体当前时刻所在栅格的浓度值，Cmin为预设的可选栅格浓度最小值，Cmax为预设的可选栅格浓度最大值，Nx为评估所述待导航的智能体在下一时刻可到栅格的横坐标，Ny为评估所述待导航的智能体在下一时刻可到栅格的纵坐标，Px为所述待导航的智能体上一时刻所在栅格的横坐标，Py为所述待导航的智能体上一时刻所在栅格的纵坐标，Tx为目标所在位置的横坐标，Ty为目标所在位置的纵坐标。
5.根据权利要求1所述的基于基因调控网络的多智能体导航控制方法，其特征在于，所述确定待进入栅格距离障碍物位置所在栅格的障碍物距离，基于所述距离和预先设置的安全距离的关系确定所述智能体的运行状态，包括：
步骤S610，确定所述障碍物距离是否大于安全距离，若所述障碍物距离大于安全距离，则执行步骤S620，否则执行步骤S660；
步骤S620，控制所述智能体按第一状态朝目标位置前行；其中，所述第一状态为在避开障碍物的前提下前行；
步骤S630，在所述智能体按第一状态前行过程中，若检测到其他智能体标记的触发点，则将所述智能体的运行状态从第一状态转为第四状态，控制所述智能体按第四状态朝目标位置前行；其中，所述第四状态为沿近路前行；
步骤S640，在所述智能体从第一状态转为按第四状态前行过程中，若检测到其他智能体标记的终止点，则将所述智能体的运行状态从第四状态转为第一状态，控制所述智能体按第一状态朝目标位置前行；若检测到所述障碍物距离在安全距离范围内，则将所述智能体的运行状态从第四状态转为第二状态，控制所述智能体按第二状态朝目标位置前行；其中，所述第二状态为沿着障碍物的边缘前行；
步骤S650，在所述智能体从第四状态转为按第二状态前行过程中，若检测到所述障碍物距离大于安全距离，则将所述智能体的运行状态从第二状态转为第四状态，控制所述智能体按第四状态朝目标位置前行；
步骤S660，将所述智能体的运行状态从第一状态转为第二状态，控制所述智能体按第二状态朝目标位置前行；
步骤S670，在所述智能体从第一状态转为按第二状态前行过程中，若检测到所述障碍物距离大于安全距离，则将所述智能体的运行状态从第二状态转为第一状态，控制所述智能体按第一状态朝目标位置前行；若检测到所述障碍物距离小于场边界距离，则将检测到所述障碍物距离小于场边界距离所在位置标记为触发点后，将所述智能体的运行状态从第二状态转为第三状态，控制所述智能体按第三状态朝目标位置前行；其中，所述第三状态为从触发点沿原路返回。
6.根据权利要求5所述的基于基因调控网络的多智能体导航控制方法，其特征在于，所述方法还包括：
在所述智能体按第四状态前行过程中，若检测到触发点，则确定标记该触发点的智能体在当前的运行状态和之前的运行状态；
若标记该触发点的智能体在当前的运行状态和之前的运行状态中均未按第三状态前行，则执行步骤S500；
若标记该触发点的智能体在当前的运行状态为第三状态，则所述智能体按与当前前行路径相反的方向前行；
若标记该触发点的智能体在之前的运行状态为第三状态，且当前未按第三状态前行，则所述智能体跟随标记该触发点的智能体前行；
确定标记该触发点的智能体是否也标记过终止点，若标记该触发点的智能体也标记过终止点，则所述智能体跟随标记该触发点的智能体朝所述终止点前行。
7.一种电子设备，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计算机程序时实现如权利要求1至6中任意一项所述的基于基因调控网络的多智能体导航控制方法。
8.一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行如权利要求1至6中任意一项所述的基于基因调控网络的多智能体导航控制方法。
CN202210436264.6A 2022-04-25 2022-04-25 基于基因调控网络的多智能体导航控制方法、设备及介质 Active CN114543815B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210436264.6A CN114543815B (zh) 2022-04-25 2022-04-25 基于基因调控网络的多智能体导航控制方法、设备及介质
PCT/CN2023/089865 WO2023207803A1 (zh) 2022-04-25 2023-04-21 基于基因调控网络的多智能体导航控制方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210436264.6A CN114543815B (zh) 2022-04-25 2022-04-25 基于基因调控网络的多智能体导航控制方法、设备及介质

Publications (2)

Publication Number Publication Date
CN114543815A true CN114543815A (zh) 2022-05-27
CN114543815B CN114543815B (zh) 2022-07-19

Family

ID=81667170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210436264.6A Active CN114543815B (zh) 2022-04-25 2022-04-25 基于基因调控网络的多智能体导航控制方法、设备及介质

Country Status (2)

Country Link
CN (1) CN114543815B (zh)
WO (1) WO2023207803A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115145289A (zh) * 2022-09-02 2022-10-04 汕头大学 多智能体协同围捕方法、系统、设备及存储介质
CN115390589A (zh) * 2022-10-27 2022-11-25 汕头大学 无人机集群控制方法、装置、电子设备及存储介质
CN116578092A (zh) * 2023-05-29 2023-08-11 汕头大学 一种基于基因调控网络的智能体集群运动控制方法及系统
WO2023207803A1 (zh) * 2022-04-25 2023-11-02 汕头大学 基于基因调控网络的多智能体导航控制方法、设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103439972A (zh) * 2013-08-06 2013-12-11 重庆邮电大学 一种动态复杂环境下的移动机器人路径规划方法
US9446512B1 (en) * 2014-03-26 2016-09-20 Stc.Unm iAnt swarm robotic platform and evolutionary algorithms
CN109164810A (zh) * 2018-09-28 2019-01-08 昆明理工大学 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法
CN111694364A (zh) * 2020-06-30 2020-09-22 山东交通学院 一种应用于智能车路径规划的基于改进蚁群算法与动态窗口法的混合算法
CN112612275A (zh) * 2020-12-23 2021-04-06 南京市晨枭软件技术有限公司 一种数据库机房复杂路径规划系统及其规划方法
US20210103286A1 (en) * 2019-10-04 2021-04-08 Hong Kong Applied Science And Technology Research Institute Co., Ltd. Systems and methods for adaptive path planning
CN112631294A (zh) * 2020-12-16 2021-04-09 上海应用技术大学 一种移动机器人智能路径规划方法
CN112947591A (zh) * 2021-03-19 2021-06-11 北京航空航天大学 基于改进蚁群算法的路径规划方法、装置、介质及无人机
CN113325839A (zh) * 2021-05-08 2021-08-31 江苏科技大学 一种基于改进蚁群算法的智能仓储机器人路径规划方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108415425B (zh) * 2018-02-08 2020-10-30 东华大学 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
US11530921B2 (en) * 2018-09-28 2022-12-20 Intel Corporation Method of generating a collision free path of travel and computing system
CN111006666B (zh) * 2019-11-21 2021-10-29 深圳市优必选科技股份有限公司 机器人路径规划方法、装置、存储介质和机器人
CN112684700B (zh) * 2020-11-30 2022-12-06 汕头大学 一种群体机器人的多目标搜索与围捕控制方法及系统
CN114543815B (zh) * 2022-04-25 2022-07-19 汕头大学 基于基因调控网络的多智能体导航控制方法、设备及介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103439972A (zh) * 2013-08-06 2013-12-11 重庆邮电大学 一种动态复杂环境下的移动机器人路径规划方法
US9446512B1 (en) * 2014-03-26 2016-09-20 Stc.Unm iAnt swarm robotic platform and evolutionary algorithms
CN109164810A (zh) * 2018-09-28 2019-01-08 昆明理工大学 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法
US20210103286A1 (en) * 2019-10-04 2021-04-08 Hong Kong Applied Science And Technology Research Institute Co., Ltd. Systems and methods for adaptive path planning
CN111694364A (zh) * 2020-06-30 2020-09-22 山东交通学院 一种应用于智能车路径规划的基于改进蚁群算法与动态窗口法的混合算法
CN112631294A (zh) * 2020-12-16 2021-04-09 上海应用技术大学 一种移动机器人智能路径规划方法
CN112612275A (zh) * 2020-12-23 2021-04-06 南京市晨枭软件技术有限公司 一种数据库机房复杂路径规划系统及其规划方法
CN112947591A (zh) * 2021-03-19 2021-06-11 北京航空航天大学 基于改进蚁群算法的路径规划方法、装置、介质及无人机
CN113325839A (zh) * 2021-05-08 2021-08-31 江苏科技大学 一种基于改进蚁群算法的智能仓储机器人路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
侯欣蕾等: "于改进蚁群算法的移动机器人路径规划", 《软件导刊》 *
刘琳琳: "基于栅格地图环境的机器人路径规划算法", 《机电信息》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023207803A1 (zh) * 2022-04-25 2023-11-02 汕头大学 基于基因调控网络的多智能体导航控制方法、设备及介质
CN115145289A (zh) * 2022-09-02 2022-10-04 汕头大学 多智能体协同围捕方法、系统、设备及存储介质
CN115390589A (zh) * 2022-10-27 2022-11-25 汕头大学 无人机集群控制方法、装置、电子设备及存储介质
CN115390589B (zh) * 2022-10-27 2023-02-28 汕头大学 无人机集群控制方法、装置、电子设备及存储介质
CN116578092A (zh) * 2023-05-29 2023-08-11 汕头大学 一种基于基因调控网络的智能体集群运动控制方法及系统
CN116578092B (zh) * 2023-05-29 2023-11-14 汕头大学 一种基于基因调控网络的智能体集群运动控制方法及系统

Also Published As

Publication number Publication date
CN114543815B (zh) 2022-07-19
WO2023207803A1 (zh) 2023-11-02

Similar Documents

Publication Publication Date Title
CN114543815B (zh) 基于基因调控网络的多智能体导航控制方法、设备及介质
CN111426326B (zh) 一种导航方法、装置、设备、系统及存储介质
CN109782763B (zh) 一种动态环境下的移动机器人路径规划方法
US10802492B2 (en) Vehicle path identification
CN110687539B (zh) 一种车位检测方法、装置、介质和设备
JP5402057B2 (ja) 移動ロボット制御システム、経路探索方法、経路探索プログラム
US11480967B2 (en) Pass route planning method and apparatus, device and readable storage medium
KR101096592B1 (ko) 장애물격자지도를 활용하는 무인차량의 자율주행성능 향상 장치 및 방법
US11055540B2 (en) Method for determining anchor boxes for training neural network object detection models for autonomous driving
JP7330142B2 (ja) 車両のｕターン経路を決定する方法、装置、デバイスおよび媒体
CN112595337A (zh) 避障路径规划方法、装置、电子装置、车辆及存储介质
CN112284393A (zh) 一种智能移动机器人全局路径规划方法和系统
CN110203192A (zh) 定位技术选择
CN114926809A (zh) 可通行区域检测方法及装置、移动工具、存储介质
KR101907268B1 (ko) 경로 선택에 기반한 자율 주행 방법 및 장치
CN112445218A (zh) 机器人路径规划方法、装置、服务器、存储介质及机器人
CN111445723A (zh) 车辆路径识别
CN114684113A (zh) 基于认知传感器的用于自主停车的路线搜索系统和方法
CN113741453A (zh) 一种非结构化环境的路径规划方法、装置、设备和介质
CN114594761A (zh) 机器人的路径规划方法、电子设备及计算机可读存储介质
CN114750782A (zh) 路径规划方法、装置、设备及车辆控制方法、装置、设备
CN115562296B (zh) 一种基于混合控制策略的机器人调度方法、系统及装置
CN111650934A (zh) 自动驾驶系统局部路径规划的方法
CN117734676B (zh) 一种自动泊车方法、装置、设备及存储介质
US20230280164A1 (en) Information processing device, information processing method, and program

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