CN115167459B - 一种融合空洞修复和信息采集的水下机器人路径规划方法 - Google Patents
一种融合空洞修复和信息采集的水下机器人路径规划方法 Download PDFInfo
- Publication number
- CN115167459B CN115167459B CN202210938663.2A CN202210938663A CN115167459B CN 115167459 B CN115167459 B CN 115167459B CN 202210938663 A CN202210938663 A CN 202210938663A CN 115167459 B CN115167459 B CN 115167459B
- Authority
- CN
- China
- Prior art keywords
- path
- information acquisition
- points
- task
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000002245 particle Substances 0.000 claims abstract description 44
- 230000003068 static effect Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 239000003016 pheromone Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 241000257303 Hymenoptera Species 0.000 description 3
- 239000002243 precursor Substances 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101100289061 Drosophila melanogaster lili gene Proteins 0.000 description 1
- 208000033830 Hot Flashes Diseases 0.000 description 1
- 206010060800 Hot flush Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
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
本发明设计一种融合空洞修复和信息采集的水下机器人路径规划方法,其主要分为建模过程和求解过程。首先以覆盖率为目标,构建水下移动无线传感器网络的覆盖调度模型,以确定虚拟传感器节点的位置;其次,在水平巡航路线上选取信息采集点,以完整收集静态网络检测的信息;然后,基于虚拟传感器节点和信息采集点,构建水下机器人多任务两层路径规划模型;最后,设计基于蚁群算法+微粒群算法+A*算法的双层混合算法,规划一条途径虚拟传感器节点和信息采集点的最优路径。能够根据动态监测路况和实时进行规划更新,进而获得途径虚拟传感器节点和信息采集点的最优路径,将有效提高实际应用中水下机器人的效率与准确率。
Description
技术领域
本发明涉及一种融合空洞修复和信息采集的水下机器人路径规划方法,属于机器人路径规划技术领域。
背景技术
随着世界各国对海洋权益的日益重视、发展海洋经济热潮的兴起和陆地无线传感器网络研究的迅速发展,水下移动无线传感器网络成为新的研究热点,该网络由大量固定传感器和搭载传感器的水下机器人(Autonomous Underwater Vehicle,AUV)按照一定的结构形成,由于传感器自身携带能量有限、较难更换或补充电源、以及水下复杂环境干扰等问题,使得水下传感器网络会出现覆盖空洞,此时,搭载传感器的AUV将同时具有修复空洞以及采集无线传感器网络信息的功能,因此,有必要研究融合空洞修复和信息采集的AUV多任务路径规划问题。
关于无线传感器网络覆盖空洞的检测,胡楠等提出一种基于改进C-V(Chan-Vese)模型的覆盖空洞检测算法,首先,利用基于奈曼-皮尔逊探测模型构建节点的联合检测概率图;然后,利用C-V模型对该概率图进行处理,确定节点覆盖空洞的数量和大小。苟平章等提出一种基于改进遗传算法的覆盖空洞修复优化方法,首先,根据空洞类型采取不同的覆盖策略,确定虚拟修复节点的位置;然后,对节点序列进行初始化并优化覆盖目标函数;最后,通过改进遗传算法找到某空洞内待修补节点之间的一条最短传输路径,解决覆盖空洞问题。罗鑫基于感知半径、移动距离和剩余能量,提出了修复节点候选策略。Khalifa等提出一种分布空洞检测和修复方法,能够动态监测空洞,并以最小能耗代价调动邻近节点修复空洞。上述方法多以移动距离和待移动邻近节点的能量消耗为目标,确定虚拟传感器节点位置,然而本文空洞修复任务由搭载传感器的水下机器人完成,无需考虑邻近节点的移动,因此上述方法不适合解决本文考虑的覆盖空洞检测问题。
针对多机器人路径规划问题,熊昕霞和何利力提出一种基于改进粒子群蚁群融合算法的多机器人路径规划方法,建立以每个机器人路径最短、转弯角度最小以及与障碍物保持安全距离为约束的目标函数,采用引入蚁群算法中的信息素协同粒子群的融合算法优化求解。Zhu等研究多AUV任务分配和路径规划问题,利用AUVs与任务点的距离以及避障路径长度提高问题的求解性能。Yu等针对多个AUVs航行规划,建立了发射和回收AUV车辆的成本、路径成本,以及风险成本最优的路径规划模型。由上可见,AUV的路径规划多考虑单个机器人的避障路径或多个机器人的任务分配问题,构建的模型多为单目标或多目标优化模型,极少采用两层规划研究单个机器人的多任务路径规划问题。
发明内容
本发明所要解决的技术问题是提供一种融合空洞修复和信息采集的水下机器人路径规划方法,设计全新架构的调度模型和双层混合算法,能够高效、准确实现途径虚拟传感器节点和信息采集点的最优路径的获得。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种融合空洞修复和信息采集的水下机器人路径规划方法,主要分为建模过程和求解过程,其中建模过程为按如下步骤i至步骤iii,建立多任务两层路径规划模型;求解过程分为步骤A至步骤E,应用双层混合算法求解,获得任务点间综合距离与安全的最优避障路径。
建模过程:
步骤i.以覆盖率为目标,构建水下移动无线传感器网络的覆盖调度模型,确定虚拟传感器节点的位置。
步骤2-1:计算每一个目标点与其最近传感器的距离,若距离大于感知半径,则该目标点为未被覆盖点,进入步骤2-2;
步骤2-2:以固定传感器是否工作和虚拟传感器节点位置为决策变量构建无线传感器网络的覆盖优化模型,进入步骤2-3;
步骤2-3:利用微粒群算法确定最优虚拟传感器节点位置。
步骤ii.在水平巡航路线上选取信息采集点,完整收集静态网络检测的信息。
其中完整收集静态网络检测的信息的计算公式为:考虑AUV沿着长度方向水平移动采集信息,则为了能够采集全区域信息,采集点间的距离应不小于如图2所示。故信息采集点集合为:
其中:水下监测区域大小为A=L×W×H,[L,W,H]分别代表区域的[长,宽,高],AUV代表水下机器人,设b=max{W,H},RC代表AUV信息采集半径。
步骤iii.基于虚拟传感器节点和信息采集点,构建水下机器人多任务两层路径规划模型。多任务两层路径规划模型的上层规划是以任务点间总路径长度最短为目标的旅行商问题,下层规划是以相邻任务点间避障路径长度最短与安全值最大为目标的两目标路径规划问题。
假设m个任务点的访问顺序为Q={Q1,Q2,…,Qm},Qi∈{1,2,…,m},其中Q1为起点,Qm为终点,上层规划模型为:
假设任务点之间的路径点集为|qi|为Qi与Qi+1任务点之间路径点的数量(包含任务点),障碍物的集合为/>坐标点(x,y,z)下层规划模型为:
N=(z-1)·L·W+(x-1)·W+y+1
其中S表示路径点的安全值,其中,Di(i+1)表示任务点Qi与Qi+1的曼哈顿距离。
求解过程:
步骤A:初始化外层ACO算法的相关参数,然后进入步骤B;
步骤B:利用外层ACO算法确定任务点的访问次序,然后进入步骤C;
步骤C:对于相邻任务点,依次调用内层避障算法,该算法先采用PSO算法生成相邻任务点间的关键路径点,再利用A*算法生成基于关键路径点的相邻任务点的避障路径,然后进入步骤D;
步骤D:将连接任务点的路径总长度和安全值返回至外层ACO算法,并更新适应度值和信息素,然后进入步骤E;
步骤E:判断算法终止条件是否满足,如果是,即可输出一条遍历所有任务点并且无碰撞的最优路径;否则,转步骤B。
本发明所述一种融合空洞修复和信息采集的水下机器人路径规划方法,采用以上技术方案与现有技术相比,具有以下技术效果:
本发明所设计一种融合空洞修复和信息采集的水下机器人路径规划方法。在该方法中,搭载传感器节点的AUV具备修复网络空洞和收集静态网络监测信息的功能,首先以覆盖率为目标,构建水下移动无线传感器网络的覆盖调度模型,以确定虚拟传感器节点的位置;然后,在水平巡航路线上选取信息采集点,以完整收集静态网络检测的信息;最后,通过构建水下机器人多任务两层路径规划模型,设计基于蚁群算法+微粒群算法+A*算法的双层混合算法,规划一条途径虚拟传感器节点和信息采集点的最优路径。如此在水下机器人的实际工作应用中,能够生成更加精准的采集和检测传感器节点,将极大增强收集静态网络检测的信息完整性,真正做到对采集点的有效实时检测,同时运用多种路径模型混合建构,
将有效提高实际应用中最优路径规划的空洞修复修复率和效率。
附图说明
图1是本发明所设计融合空洞修复和信息采集的水下机器人路径规划方法中整体工作流程图;
图2是本发明所设计融合空洞修复和信息采集的水下机器人路径规划方法中信息采集点示意图;
图3是本发明所设计融合空洞修复和信息采集的水下机器人路径规划方法中双层混合算法求解流程图;
图4是本发明所设计融合空洞修复和信息采集的水下机器人路径规划方法中障碍物分区示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种融合空洞修复和信息采集的水下机器人路径规划方法,实际应用当中,按图1所示,具体执行步骤i至步骤iii,建立多任务两层路径规划模型。
步骤i.以覆盖率为目标,构建水下移动无线传感器网络的覆盖调度模型,确定虚拟传感器节点的位置。
实际应用中,作为本发明的一种具体实施案例,以混合微粒群优化算法作为覆盖率具体求解计算,其算法流程为:
步骤i-1:初始化,初始化算法相关参数Vmax,c1,c2,r1,r2,ωmin,ωmax,Tmax;更新次数t=1;
步骤i-2:编码,将个体按照传感器工作状态和虚拟传感器节点位置分成两部分,分别记为遗传个体和微粒个体,遗传个体采用0-1编码,微粒个体采用实数编码,设定粒子当前位置为其自身历史最优位置,种群发现的最优位置为其全局最优位置;
步骤i-3:个体更新,采用两点交叉和单点变异等遗传操作生成新的遗传个体,针对微粒个体,采用如下速度位置更新公式,产生新的微粒位置Xi(t+1):
Vi(t+1)=ωVi(t)+c1r1(pi(t)-Xi(t))+c2r2(gi(t)-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)
其中i=1,2,…,N4,Vi(t),pi(t)和gi(t)分别为第i微粒每次迭代的速度、局部最优个体和全局最优个体。ω为惯性权重,ω=ωmax-(ωmax-ωmin)t/Tmax;
步骤i-4:合并步骤i-2的遗传个体和微粒个体得到新个体,根据覆盖率计算其适应值;
步骤i-5:更新微粒个体的个体历史最优位置和全局最优位置;
步骤i-6:t=t+1;如果t<Tmax,则执行步骤i-3,否则算法结束,输出全局最优值。
利用本实施案例提出的混合微粒群算法,通过调度固定传感器网络,可以获得虚拟传感器节点的最优部署位置。
步骤ii.在水平巡航路线上选取信息采集点,完整收集静态网络检测的信息。
关于上述步骤ii中完整收集静态网络检测的信息的计算公式为:考虑AUV沿着长度方向水平移动采集信息,则为了能够采集全区域信息,采集点间的距离应不小于如图2所示。故信息采集点集合为:
其中:水下监测区域大小为A=L×W×H,[L,W,H]分别代表区域的[长,宽,高],AUV代表水下机器人,设b=max{W,H},RC代表AUV信息采集半径。
步骤iii.基于虚拟传感器节点和信息采集点,构建水下机器人多任务两层路径规划模型。多任务两层路径规划模型的上层规划是以任务点间总路径长度最短为目标的旅行商问题,下层规划是以相邻任务点间避障路径长度最短与安全值最大为目标的两目标路径规划问题。假设m个任务点的访问顺序为Q={Q1,Q2,…,Qm},Qi∈{1,2,…,m},其中Q1为起点,Qm为终点,假设任务点之间的路径点集为|qi|为Qi与Qi+1任务点之间路径点的数量(包含任务点),障碍物的集合为/>
上层规划模型为:
坐标点(x,y,z)下层规划模型为:
N=(z-1)·L·W+(x-1)·W+y+1
其中S表示路径点的安全值,其中,Di(i+1)表示任务点Qi与Qi+1的曼哈顿距离。作为本专利的一种特殊案例,具体建模样例如下:
将第j个障碍物外的空间划分为三个部分:(1)对应面即图4中A区;(2)对应边即图中B区;(3)对应角即图中C区,然后将所需计算的点归为其中一个区域,便可以得到它与第j个障碍物的距离daj。
记
若点落在区域A中,那么有:
若点落在区域B中,那么有:
若点落在区域C中,那么有:
点Na的安全性计算公式为:
在任务点Qi与Qi+1之间存在下层规划的路径点集合其中Qi与qi1位置相同,Qi+1与/>位置相同。此外,假设路径点集中的点之间的曼哈顿距离都为1。因此,下层规划的约束条件为:
按如下步骤A至步骤G,应用双层混合算法求解,获得任务点间综合距离与安全的最优避障路径。
步骤A:初始化外层ACO算法的相关参数,然后进入步骤B;
其中,作为本发明的一种具体实施案例,本发明给出一种基于最大最小蚂蚁系统的ACO算法,该算法具体实施流程为:
步骤A-1:初始化相关参数,将所有蚂蚁置于起点位置,并利用任务点之间距离生成初始路径;
步骤A-2:基于内层避障路径的长度和安全值,计算每个蚂蚁路径上的启发因子和状态转移概率,以选择下一个任务点;
步骤A-3:使用精英策略选择最优蚂蚁和路径,并判断是否达到终止条件,若未达到终止条件,则利用精英蚂蚁更新信息素蒸发系数,继续优化外层旅行路径;
步骤A-4:输出基于内层避障路径的外层任务点最优访问路径。
步骤B:利用外层ACO算法确定任务点的访问次序,然后进入步骤C;
步骤C:对于相邻任务点,依次调用内层避障算法,该算法先采用PSO算法生成相邻任务点间的关键路径点,再利用A*算法生成基于关键路径点的相邻任务点的避障路径,然后进入步骤D;
其中,作为本发明的一种具体实施案例,本发明给出一种PSO算法,该算法具体实施流程为:
步骤C-1-1:随机生成若干粒子组,若粒子组内有粒子落在障碍物内,则重新生成该粒子组;
步骤C-1-2:计算出每个粒子组所构成路径的长度与安全性;
首先,计算以此组粒子为关键点所构成路径的长度PL,PL代表以各个粒子为关键点所形成路径的总长度,其中两点间的距离为曼哈顿距离。其公式如下:
其中,Xid表示第i个粒子在第d维度的位置(坐标);粒子个数I为生成对应避障路径需选取关键点的个数;X0d,X(I+1)d分别表示该条路径的起点与终点在第d维度的位置;
然后,计算以此组粒子为关键点所构成路径的安全值PS:
PS=min(P0,P1,…,Pi),i=0,1,…,I+1
其中,n是障碍物的个数,PS表示以此组粒子为关键点所构成的避障路径的安全值;Pi表示此组粒子中第i个粒子的安全值;
步骤C-1-3:计算粒子组的适应度值,根据此组粒子所构成路径的长度PL与安全值PS,我们可以确定粒子组的适应度计算方式如下:
fit=a·PL+b/PS
其中,a,b分别表示路径长度与路径安全值的权重系数。
步骤C-1-4:根据适应度值记录每个粒子组的自身历史最优位置pbest和群体的全局最优位置gbest;
步骤C-1-5:更新粒子组内粒子的速度与位置,粒子组中粒子的速度和位置的更新如下所示:
Vid(t+1)=ωVid(t)+c1r1(pid(t)-Xid(t))+c2r2(gd(t)-Xid(t))
Xid(t+1)=Xid(t)+Vid(t+1)
其中i=0,1,…,I+1,d=1,2,3,t是迭代次数,Xid(t),Vid(t),pid(t)和gd(t)分别为第i个微粒每次迭代在第d维度的位置、速度、局部最优个体和粒子组的全局最优个体;Vij(t)∈[-Vmax,Vmax],Vmax为常数,用来限制粒子的速度;c1,c2是学习因子,r1,r2∈[0,1];ω为惯性权重,ω=ωmax-(ωmax-ωmin)t/Tmax,ωmin表示最小惯性权重,ωmax表示最大惯性权重,Tmax为最大进化代数;
步骤C-1-6:达到最大迭代次数时,所输出的最优粒子组即为构成最优避障路径的关键点。
其中,作为本发明的一种具体实施案例,本发明给出一种A*算法生成基于关键路径点的相邻任务点的避障路径,该算法具体实施流程为:
步骤C-2-1:初始化open列表和close列表,从起点开始,将其作为等待检查的路径节点,并加入open列表内;
步骤C-2-2:寻找起点周围可以到达的节点,将它们加入open列表内;
步骤C-2-3:把起点从open列表内删除,并加入close列表;
步骤C-2-4:根据估价函数Fk计算每个起点周围可到达的各个路径节点的估值F;
Fk=a·(Lk+Hk)+b/Sk
其中,是起点到当前点k的路径长度,prek代表点k的前驱节点;Hk是当前点k与任务点的曼哈顿距离;Sk是衡量当前点k的安全值。a,b表示路径长度与路径安全值的权重。
步骤C-2-5:从open列表选取估值F最小的路径节点pmin,将其从open内删除,放到close列表;
步骤C-2-6:检查所有与pmin邻近的路径节点,按照邻近状态转移规则进行open列表和close列表更新;邻近状态转移规则为:
(1)若其在close列表内,则不予考虑;
(2)若满足1)的剩余节点不在open列表内,则将其加入open列表,并计算其估值F,以及将其前驱节点pre设置为pmin;
(3)如果满足1)的某路径节点pc在open列表内,则计算由pmin到pc的路径估值与pc之前存储的估值/>作比较,若/>则令/>并更新路径节点pc的前驱节点pre为pmin。
步骤C-2-7:检查open列表,若open列表为空,则无法输出路径,若路径终点并未包含在open列表,则重复步骤C-2-4到步骤C-2-7,反正,生成任务点间综合距离与安全的最优避障路径。
步骤D:将连接任务点的路径总长度和安全值返回至外层ACO算法,并更新适应度值和信息素,然后进入步骤E;
步骤E:判断算法终止条件是否满足,如果是,即可输出一条遍历所有任务点并且无碰撞的最优路径;否则,转步骤B。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (6)
1.一种融合空洞修复和信息采集的水下机器人路径规划方法,其特征在于:包括按如下步骤i至步骤iii,建立多任务两层路径规划模型;以及按如下步骤A至步骤E,应用双层混合算法求解,获得任务点间综合距离与安全的最优避障路径;
步骤i.以覆盖率为目标,构建水下移动无线传感器网络的覆盖调度模型,确定虚拟传感器节点的位置,同时进行步骤ii;
步骤ii.在水平巡航路线上选取信息采集点,完整收集静态网络检测的信息,然后进入步骤iii;
步骤iii.基于虚拟传感器节点和信息采集点,构建水下机器人多任务两层路径规划模型;
步骤A:初始化外层ACO算法的相关参数,然后进入步骤B;
步骤B:利用外层ACO算法确定任务点的访问次序,然后进入步骤C;
步骤C:对于相邻任务点,依次调用内层避障算法,先采用PSO算法生成相邻任务点间的关键路径点,再利用A*算法生成基于关键路径点的相邻任务点的避障路径,然后进入步骤D;
步骤D:将连接任务点的路径总长度和安全值返回至外层ACO算法,并更新适应度值和信息素,然后进入步骤E;
步骤E:判断算法终止条件是否满足,如果是,即可输出一条遍历所有任务点并且无碰撞的最优路径;否则,转步骤B。
2.根据权利要求1所述一种融合空洞修复和信息采集的水下机器人路径规划方法,其特征在于:所述覆盖调度模型的构建方式为:
步骤2-1:计算每一个目标点与其最近传感器的距离,若距离大于感知半径,则该目标点为未被覆盖点,进入步骤2-2;
步骤2-2:以固定传感器是否工作和虚拟传感器节点位置为决策变量构建无线传感器网络的覆盖优化模型,进入步骤2-3;
步骤2-3:利用微粒群算法确定最优虚拟传感器节点位置。
3.根据权利要求1所述一种融合空洞修复和信息采集的水下机器人路径规划方法,其特征在于:信息采集点集合计算公式为:
其中:水下监测区域大小为A=L×W×H,[L,W,H]分别代表区域的[长,宽,高],AUV代表水下机器人,设b=max{W,H},RC代表AUV信息采集半径。
4.根据权利要求1所述一种融合空洞修复和信息采集的水下机器人路径规划方法,其特征在于:所述多任务两层路径规划模型的基本架构为:
多任务两层路径规划模型的上层规划是以任务点间总路径长度最短为目标的旅行商问题,下层规划是以相邻任务点间避障路径长度最短与安全值最大为目标的两目标路径规划问题。
5.根据权利要求4所述一种融合空洞修复和信息采集的水下机器人路径规划方法,其特征在于:所述上层规划的建模为:
假设m个任务点的访问顺序为Q={Q1,Q2,…,Qm},Qi∈{1,2,…,m},其中Q1为起点,Qm为终点,上层规划模型为:
其中,Di(i+1)表示任务点Qi与Qi+1的曼哈顿距离。
6.根据权利要求4所述一种融合空洞修复和信息采集的水下机器人路径规划方法,其特征在于:所述下层规划的建模为:
假设任务点之间的路径点集为|qi|为Qi与Qi+1任务点之间路径点的数量,该数量包含任务点,障碍物的集合为/>坐标点(x,y,z)下层规划模型为:
其中S()表示路径点的安全值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210938663.2A CN115167459B (zh) | 2022-08-05 | 2022-08-05 | 一种融合空洞修复和信息采集的水下机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210938663.2A CN115167459B (zh) | 2022-08-05 | 2022-08-05 | 一种融合空洞修复和信息采集的水下机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115167459A CN115167459A (zh) | 2022-10-11 |
CN115167459B true CN115167459B (zh) | 2024-05-07 |
Family
ID=83479762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210938663.2A Active CN115167459B (zh) | 2022-08-05 | 2022-08-05 | 一种融合空洞修复和信息采集的水下机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115167459B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115465125A (zh) * | 2022-10-27 | 2022-12-13 | 深圳技术大学 | 一种基于无线充电技术的auv集群水下能量救援方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2021213540A1 (zh) * | 2020-09-23 | 2021-10-28 | 中国民航大学 | 三维无人机安全航路规划方法 |
CN114089760A (zh) * | 2021-11-19 | 2022-02-25 | 合肥工业大学 | 一种基于混合蚁群算法的agv路径规划方法 |
-
2022
- 2022-08-05 CN CN202210938663.2A patent/CN115167459B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021213540A1 (zh) * | 2020-09-23 | 2021-10-28 | 中国民航大学 | 三维无人机安全航路规划方法 |
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 |
CN114089760A (zh) * | 2021-11-19 | 2022-02-25 | 合肥工业大学 | 一种基于混合蚁群算法的agv路径规划方法 |
Non-Patent Citations (1)
Title |
---|
自主学习在无人艇路径规划上的应用;朱武斌;周立;张一;;舰船科学技术;20200323(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115167459A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111780777B (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 | |
CN111240319B (zh) | 室外多机器人协同作业系统及其方法 | |
Luo et al. | Surface optimal path planning using an extended Dijkstra algorithm | |
CN111399506B (zh) | 一种基于动力学约束的全局-局部混合无人船路径规划方法 | |
CN109839110B (zh) | 一种基于快速随机搜索树的多目标点路径规划方法 | |
CN110471426B (zh) | 基于量子狼群算法的无人驾驶智能车自动避碰方法 | |
CN112925315A (zh) | 一种基于改进蚁群算法和a*算法的履带车路径规划方法 | |
CN110989352A (zh) | 一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法 | |
CN115167459B (zh) | 一种融合空洞修复和信息采集的水下机器人路径规划方法 | |
Zhang et al. | A survey of energy-efficient motion planning for wheeled mobile robots | |
Bai et al. | Design and Simulation of a Collision-free Path Planning Algorithm for Mobile Robots Based on Improved Ant Colony Optimization. | |
Balan et al. | Optimal trajectory planning for multiple waypoint path planning using tabu search | |
CN112947533B (zh) | 复杂小天体表面移动序列轨迹规划方法 | |
CN113110431A (zh) | 无人靶车野外试验路径实时规划方法 | |
CN111427368A (zh) | 一种改进的多目标无人智能车避碰行驶方法 | |
Liu et al. | Energy efficient path planning for indoor wheeled mobile robots | |
CN115903823A (zh) | 一种无人驾驶环卫车队的路径规划方法 | |
CN116243717A (zh) | 考虑海流不确定性的水下机器人时间最优路径规划方法 | |
Cui | Multi-target points path planning for fixed-wing unmanned aerial vehicle performing reconnaissance missions | |
Li et al. | Conflict-free and energy-efficient path planning for multi-robots based on priority free ant colony optimization | |
Deng et al. | Research on Parking Path Planing Based on A-Star Algorithm. | |
Benkhlifa et al. | Improved simplified swarm optimization for UAVs path planning | |
Ravishankar et al. | Optimal Path Planning Approach for Static and Dynamic Using Genetic Algorithm | |
Tian et al. | An Efficient Planning Framework for Ground Vehicles Navigating on Uneven Terrain | |
CN116974277A (zh) | 一种基于混合算法的自动引导叉车运动控制方法 |
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 |