CN115371685A - 工控场景下无人设备优势路径规划方法、装置及存储介质 - Google Patents

工控场景下无人设备优势路径规划方法、装置及存储介质 Download PDF

Info

Publication number
CN115371685A
CN115371685A CN202211299389.5A CN202211299389A CN115371685A CN 115371685 A CN115371685 A CN 115371685A CN 202211299389 A CN202211299389 A CN 202211299389A CN 115371685 A CN115371685 A CN 115371685A
Authority
CN
China
Prior art keywords
path
track point
population
paths
derivative
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
CN202211299389.5A
Other languages
English (en)
Other versions
CN115371685B (zh
Inventor
宋晶
戚建淮
杜玲禧
刁润
张莉
周杰
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.)
Chengdu Ether Node Technology Co ltd
Original Assignee
Chengdu Ether Node Technology Co ltd
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 Chengdu Ether Node Technology Co ltd filed Critical Chengdu Ether Node Technology Co ltd
Priority to CN202211299389.5A priority Critical patent/CN115371685B/zh
Publication of CN115371685A publication Critical patent/CN115371685A/zh
Application granted granted Critical
Publication of CN115371685B publication Critical patent/CN115371685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了工控场景下无人设备优势路径规划方法、装置及存储介质，方法包括基于初始路径生成若干条衍生路径，形成候选种群；对候选种群执行路径优化操作；包括计算各衍生路径的目标函数；计算各衍生路径的非支配度及拥挤度并进行排序；选取排序在前的若干条衍生路径进行锦标赛，形成父代种群；对父代种群中的衍生路径进行交叉变异，形成子代种群；将候选种群和子代种群结合得到新生种群并进行排序；选取排序在前的若干条衍生路径进行封闭支路剪枝，得到优化种群；以优化种群更新候选种群；从候选种群中选出一条衍生路径作为无人设备运动的优势路径。本发明使得路径规划能够快速收敛，基于随机的初始路径快速生成若干条优势路径。

Description

工控场景下无人设备优势路径规划方法、装置及存储介质
技术领域
本发明涉及路径规划领域，具体是一种工控场景下无人设备优势路径规划方法、装置及存储介质。
背景技术
随着工控技术及人工智能技术的发展，工控领域中无人智能设备逐渐增多，工控无人设备集机械、电子、控制、计算机、传感器、人工智能等多学科先进技术于一体，能够对环境状态快速反应和分析判断，又可长时间高精高速、高可靠性、不惧恶劣环境地持续工作。许多工控作业中，需要无人智能设备根据需求在工控场景下进行移动以完成规定的各种加工作业，例如在工厂车间及库房使用无人智能设备移动运输物料、物流车间使用无人智能设备移动分拣入库商品等。
在上述工控场景下，无人智能设备需要找到可行的优势路径进行移动作业，即在有障碍物的工控环境下找到一条从起点到终点无碰撞的优势路径，优势路径往往根据工控需求不同有着不同的性能指标，包括所需时间最短、路径最短、能耗最少等等。研究能够快速找到优势路径的无人设备路径规划方法，对于提升工控场景下无人智能设备移动作业的性能及安全十分重要。
发明内容
本发明的目的在于解决现有技术的上述问题，提供了一种工控场景下无人设备优势路径规划方法、装置及存储介质，本发明基于随机的初始路径快速生成若干条优势路径以供根据需求选择，使得路径规划能够快速收敛，所需的计算资源较小、计算时间较短。
第一方面，本发明提供了一种工控场景下无人设备优势路径规划方法，所述方法包括以下步骤：
S1，基于工控无人设备运动场景进行栅格图建模，在栅格图上生成无人设备可行的初始路径；
S2，基于初始路径生成若干条衍生路径，形成候选种群；
S3，对候选种群执行路径优化操作；
S4，判断候选种群执行路径优化操作的次数是否达到设定的迭代次数，若是，跳至S5，若否，跳至S3；
S5，从候选种群中按需选出一条衍生路径作为工控场景下无人设备运动的优势路径；
所述S3中的路径优化操作包括：
S31，计算候选种群中各衍生路径的目标函数，目标函数包括路径长度，以及平滑度和重复率中的至少一个；
S32，基于候选种群中衍生路径的目标函数值计算各衍生路径的非支配度及拥挤度，并基于非支配度及拥挤度进行排序；
S33，选取候选种群中排序在前的若干条衍生路径进行锦标赛，以挑选出若干条衍生路径，形成父代种群；
S34，对父代种群中的衍生路径进行交叉变异，生成若干条新的衍生路径，形成子代种群；
S35，将候选种群和子代种群结合得到新生种群，对新生种群中所有的衍生路径计算目标函数以计算非支配度及拥挤度，并基于非支配度及拥挤度进行排序；
S36，选取新生种群中排序在前的若干条衍生路径分别进行封闭支路剪枝，得到优化种群；
S37，以优化种群更新候选种群，然后清空父代种群、子代种群、新生种群、优化种群。
优选地，所述S1中栅格图中对应工控无人设备运动场景中非障碍物区域的栅格标识为空栅格，空栅格可作为无人设备运动的轨迹点；所述初始路径由若干个轨迹点顺序连接构成，初始路径上相邻两个轨迹点的距离不大于
Figure 719280DEST_PATH_IMAGE001
，d表示相邻两个栅格的距离。
优选地，所述S2中对初始路径执行若干次衍生操作，以生成若干条衍生路径；所述衍生操作包括：
S21，将初始路径作为基准路径；
S22，将基准路径的第一个轨迹点作为当前轨迹点；
S23，计算当前轨迹点周围的非轨迹点空栅格距当前轨迹点及下一个轨迹点的距离；
S24，将距当前轨迹点及下一个轨迹点距离均不大于
Figure 433159DEST_PATH_IMAGE001
的非轨迹点空栅格作为当前轨迹点的候选衍生点；
S25，判断当前轨迹点的候选衍生点数量是否大于0，若是，将当前轨迹点存入第一矩阵中，并将当前轨迹点对应的候选衍生点存为第一矩阵对应元胞数组中对应的元素，然后将基准路径下一个轨迹点作为当前轨迹点；若否，直接将基准路径下一个轨迹点作为当前轨迹点；
S26，判断当前轨迹点是否为基准路径最后一个轨迹点，若是，转至S27，若否，转至S23；
S27，从第一矩阵中任选一个轨迹点，在元胞数组对应所选轨迹点的元素中任选一个候选衍生点作为轨迹点插入基准路径中所选轨迹点与其下一个轨迹点之间；
S28，更新基准路径，并清空第一矩阵及元胞数组；
S29，判断基准路径更新次数是否达到设定更新次数，若是，将基准路径作为一条衍生路径，若否，转至S22。
优选地，所述S3中衍生路径非支配度的计算方法包括：
依次选取衍生路径；
设置所选衍生路径非支配度为0，将所选衍生路径与剩余的衍生路径分别单独进行目标函数值对比；
若所单独对比的衍生路径至少有一个目标函数值小于所选衍生路径对应的目标函数值，且所单独对比的衍生路径其余目标函数值均不大于所选衍生路径对应的目标函数值，则所选衍生路径的非支配度加1。
优选地，所述S3中衍生路径拥挤度的计算方法为：计算非支配度相同的各衍生路径在单个目标函数下的拥挤度；对单个衍生路径在各目标函数下的拥挤度求和，得到单个衍生路径的拥挤度。
优选地，非支配度相同的各衍生路径在单个目标函数下的拥挤度的计算方法包括：
将非支配度相同的各衍生路径按目标函数值从大到小的顺序进行排序；
将目标函数值最大和最小的衍生路径的拥挤度均记为inf，其余衍生路径的拥挤度为
Figure 760366DEST_PATH_IMAGE002
，g∈(1,2,……,Q)，t∈(1,2,……,Lg)，j∈(1,2,……,n)，Q表示非支配度数值种类的数量，Lg表示第g个非支配度下的衍生路径的数量，n表示目标函数的数量，
Figure 686733DEST_PATH_IMAGE003
表示第g个非支配度下第t条衍生路径
Figure 297843DEST_PATH_IMAGE004
在第j个目标函数下的拥挤度，
Figure 667776DEST_PATH_IMAGE005
表示
Figure 465968DEST_PATH_IMAGE004
的两个相邻衍生路径
Figure 461606DEST_PATH_IMAGE006
的第j个目标函数的值，
Figure 675025DEST_PATH_IMAGE007
表示第g个非支配度下按第j个目标函数值从大到小排序的第一个和最后一个衍生路径的第j个目标函数的值。
优选地，所述S34中对父代种群中的衍生路径进行交叉变异包括：
A，对父代种群中的衍生路径进行交叉，包括：
A1，随机选取父代种群中两条衍生路径作为第一路径和第二路径；
A2，在第一路径随机选择两个相邻轨迹点分别作为第一前轨迹点、第一后轨迹点，在第二路径随机选择两个相邻轨迹点分别作为第二前轨迹点、第二后轨迹点；
A3，将第一前轨迹点与第二后轨迹点可行的连接起来，将第二前轨迹点与第一后轨迹点可行的连接起来；可行的连接方法为：在需要连接起来的两个轨迹点之间插入不小于0个轨迹点，使得需要连接起来的两个轨迹点间相邻轨迹点的距离不大于
Figure 199547DEST_PATH_IMAGE001
；
A4，重复A1-A3若干次，得到若干条交叉后的衍生路径；
B，依次选取交叉后的衍生路径进行变异；选取交叉后的单条衍生路径进行变异的过程包括：
B1，选取所选衍生路径第二个轨迹点为当前轨迹点；
B2，判断当前轨迹点的相邻两个轨迹点之间的距离是否大于
Figure 485035DEST_PATH_IMAGE001
，若否，将当前轨迹点存入第二矩阵中，并选取所选衍生路径下一个轨迹点为当前轨迹点，若是，直接选取所选衍生路径下一个轨迹点为当前轨迹点；
B3，判断当前轨迹点是否为所选衍生路径最后一个轨迹点，若否，转至B2，若是，转至B4；
B4，从第二矩阵中随机选取一个轨迹点从所选衍生路径中删除，然后更新所选衍生路径，清空第二矩阵。
优选地，所述S36中选取新生种群中排序在前的若干条衍生路径分别进行封闭支路剪枝的方法包括：
C1，选取所选衍生路径第一个轨迹点为当前轨迹点；
C2，判断所选衍生路径上后续轨迹点中是否存在与当前轨迹点重复的轨迹点，若是，转至C3，若否，选取所选衍生路径上下一个轨迹点为当前轨迹点，然后转至C7；
C3，将所选衍生路径上与当前轨迹点重复的轨迹点依次存入第三矩阵中；
C4，选取第三矩阵中第一个轨迹点为界限轨迹点；
C5，将所选衍生路径上当前轨迹点与界限轨迹点之间的轨迹点及界限轨迹点删除；
C6，判断界限轨迹点是否为第三矩阵中最后一个轨迹点，若是，更新所选衍生路径，清空第三矩阵，选取所选衍生路径上下一个轨迹点为当前轨迹点，然后转至C7，若否，选取第三矩阵中下一个轨迹点为界限轨迹点，转至C5；
C7，判断当前轨迹点是否为所选衍生路径最后一个轨迹点，若是，结束，若否，转至C2。
第二方面，本发明提供了一种工控场景下无人设备优势路径规划装置，包括存储器及存储于其上的计算机程序、处理器，所述处理器执行所述计算机程序时实现上述的工控场景下无人设备优势路径规划方法。
第三方面，本发明提供了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现上述的工控场景下无人设备优势路径规划方法。
综上所述，本发明具有以下有益效果：本发明基于随机的初始路径生成多条衍生路径以扩展种群，将路径长度、平滑度及重复率均纳入路径规划考虑范围，基于上述三个目标函数计算衍生路径的非支配度及拥挤度以进行排序，从而能够挑选出较好的若干条衍生路径进行后续交叉变异操作；然后将交叉变异后的衍生路径与初始生成的多条衍生路径结合再进行非支配度及拥挤度排序，在保证种群多样性的同时以便于再挑选出排序靠前的若干条较好的衍生路径进行封闭支路剪枝，最终得到若干条优化路径。本发明能够基于随机的初始路径快速生成若干条优势路径以供根据需求进行选择，使得路径规划能够快速收敛，所需要的计算资源较小、计算时间较短，便于在实际的路径规划场景中进行实时路径计算，且便于结合工控需求进行灵活调整选择。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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它附图。
图1为本发明一个具体实施例的方法流程图。
图2为本发明一个具体实施例单次衍生操作的流程图。
图3为本发明一个具体实施例单条衍生路径变异的流程图。
图4为本发明一个具体实施例单条衍生路径进行封闭支路剪枝的流程图。
图5为本发明一个具体实施例路径优化操作的流程图。
图6为本发明方法仿真实验中初始生成的六条衍生路径图像。
图7为本发明方法仿真实验中执行路径优化操作50次后的六条衍生路径图像。
图8为本发明方法仿真实验中执行路径优化操作200次后的六条衍生路径图像。
具体实施方式
为了使本发明实施例公开的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明实施例，并不用于限定本发明实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请提供一种工控场景下无人设备优势路径规划方法，如图1所示，方法包括：
步骤S1，基于工控无人设备运动场景进行栅格图建模，在栅格图上生成无人设备可行的初始路径。
在本步骤中，栅格图中对应工控无人设备运动场景中非障碍物区域的栅格标识为空栅格，空栅格可作为无人设备运动的轨迹点。可行的初始路径由若干个轨迹点顺序连接构成，初始路径上相邻两个轨迹点的距离不大于
Figure 503937DEST_PATH_IMAGE001
，d表示相邻两个栅格的距离。
在本申请的一些实施例中，工控无人设备运动场景建模为y行z列的栅格图，每个栅格基于其行列数进行编号，针对第h|h∈(1,2,...,y)行第k|k∈(1,2,...,z)列的栅格编号为(h-1)*z+(k-1)。此外空栅格用白色标识，对应障碍物区域的栅格用黑色标识。
可行的初始路径的生成方法可为：确定好初始轨迹点和目标轨迹点后，在栅格图每行随机选择一个空栅格为轨迹点，得到一条包括初始轨迹点和目标轨迹点的路径
Figure 824060DEST_PATH_IMAGE008
，其中第c|c∈(1,2,...,e)个轨迹点
Figure 50642DEST_PATH_IMAGE009
取值对应其空栅格编号。判断该路径轨迹点
Figure 574159DEST_PATH_IMAGE009
与下一个轨迹点
Figure 380441DEST_PATH_IMAGE010
之间的距离，若距离大于
Figure 820649DEST_PATH_IMAGE001
，则从包围轨迹点
Figure 686974DEST_PATH_IMAGE009
的最多八个空栅格中随机选取一个作为轨迹点
Figure 963366DEST_PATH_IMAGE011
插入轨迹点
Figure 573339DEST_PATH_IMAGE009
与
Figure 868054DEST_PATH_IMAGE010
之间，路径变为
Figure 207679DEST_PATH_IMAGE012
。不断重复上述过程，直至任意两个相邻轨迹点之间的距离小于等于
Figure 689476DEST_PATH_IMAGE001
，然后将该条路径作为初始路径
Figure 368719DEST_PATH_IMAGE013
。
当然，为得到一条较短的初始路径，也可以通过人工画一条路径来作为初始路径
Figure 3093DEST_PATH_IMAGE013
。
如图1所示，本申请方法还包括步骤S2，基于初始路径生成若干条衍生路径，形成候选种群。在本步骤中，对初始路径执行若干次衍生操作，以生成若干条衍生路径。
在本申请的一些实施例中，对初始路径
Figure 476800DEST_PATH_IMAGE013
执行NP次衍生操作，生成NP条衍生路径，形成候选种群
Figure 711472DEST_PATH_IMAGE014
。如图2所示，所述衍生操作包括：
S21，将初始路径作为基准路径；
S22，将基准路径的第一个轨迹点作为当前轨迹点；
S23，计算当前轨迹点周围的非轨迹点空栅格距当前轨迹点及下一个轨迹点的距离；
S24，将距当前轨迹点及下一个轨迹点距离均不大于
Figure 413980DEST_PATH_IMAGE001
的非轨迹点空栅格作为当前轨迹点的候选衍生点；
S25，判断当前轨迹点的候选衍生点数量是否大于0，若是，将当前轨迹点存入第一矩阵中，并将当前轨迹点对应的候选衍生点存为第一矩阵对应元胞数组中对应的元素，然后将基准路径下一个轨迹点作为当前轨迹点；若否，直接将基准路径下一个轨迹点作为当前轨迹点；
S26，判断当前轨迹点是否为基准路径最后一个轨迹点，若是，转至S27，若否，转至S23；
S27，从第一矩阵中任选一个轨迹点，在元胞数组对应所选轨迹点的元素中任选一个候选衍生点作为轨迹点插入基准路径中所选轨迹点与其下一个轨迹点之间；
S28，更新基准路径，并清空第一矩阵及元胞数组；
S29，判断基准路径更新次数是否达到设定更新次数，若是，将基准路径作为一条衍生路径，若否，转至S22。
如图1所示，本申请方法还包括步骤S3，对候选种群执行路径优化操作。具体地，如图5所示，路径优化操作包括：
S31，计算候选种群中各衍生路径的目标函数，目标函数包括路径长度，以及平滑度和重复率中的至少一个。
在本申请的一些实施例中，目标函数包括路径长度、平滑度和重复率三个。第r|r∈(1,2,...,NP)条衍生路径
Figure 417708DEST_PATH_IMAGE015
的路径长度的计算方法为：将相邻两个轨迹点间的距离依次相加，得到整条衍生路径的长度，即对
Figure 327896DEST_PATH_IMAGE016
来说，
Figure 800596DEST_PATH_IMAGE017
，其中f(1)表示第一个目标函数即路径长度，rm表示
Figure 556063DEST_PATH_IMAGE016
轨迹点数量，
Figure 414297DEST_PATH_IMAGE018
表示轨迹点
Figure 229807DEST_PATH_IMAGE019
间的距离。
Figure 186874DEST_PATH_IMAGE015
平滑度的计算方法为：将每三个相邻轨迹点连接的轨迹看作一段子路径，将所有子路径的平滑度相加，得到整条衍生路径的平滑度。
Figure 746031DEST_PATH_IMAGE016
的三个相邻轨迹点
Figure 458772DEST_PATH_IMAGE020
形成的子路径的平滑度计算方法为，对三个相邻轨迹点连接的轨迹所呈的夹角求余弦值，根据夹角余弦值计算结果来确定子路径平滑度。结合S1在本实施例中，首先利用轨迹点对应空栅格的编号来计算轨迹点所处的行、列数，
Figure 195915DEST_PATH_IMAGE021
的行数为：
Figure 158055DEST_PATH_IMAGE022
，
Figure 271636DEST_PATH_IMAGE021
的列数：
Figure 370042DEST_PATH_IMAGE023
，
Figure 527353DEST_PATH_IMAGE021
节点的坐标可表示为：
Figure 461942DEST_PATH_IMAGE024
；同理，
Figure 362902DEST_PATH_IMAGE025
节点的行：
Figure 315815DEST_PATH_IMAGE026
，
Figure 657410DEST_PATH_IMAGE025
节点的列：
Figure 62984DEST_PATH_IMAGE027
，
Figure 767634DEST_PATH_IMAGE025
节点的坐标可表示为：
Figure 325786DEST_PATH_IMAGE028
；
Figure 90479DEST_PATH_IMAGE029
节点的行：
Figure 717770DEST_PATH_IMAGE030
，
Figure 976844DEST_PATH_IMAGE029
节点的列：
Figure 373190DEST_PATH_IMAGE031
，
Figure 308785DEST_PATH_IMAGE029
节点的坐标可表示为：
Figure 439683DEST_PATH_IMAGE032
。则向量
Figure 220558DEST_PATH_IMAGE034
，夹角的余弦值：
Figure 2569DEST_PATH_IMAGE035
，
Figure 856868DEST_PATH_IMAGE036
表示向量的模。
若
Figure 458751DEST_PATH_IMAGE037
与
Figure 43316DEST_PATH_IMAGE038
夹角余弦值为1，将对应子路径平滑度
Figure 430566DEST_PATH_IMAGE039
记为0；若夹角余弦值为
Figure 707963DEST_PATH_IMAGE040
，将对应子路径
Figure 531563DEST_PATH_IMAGE039
记为1；夹角余弦值为0，将对应子路径
Figure 936131DEST_PATH_IMAGE039
记为2,；若夹角余弦值为
Figure 240204DEST_PATH_IMAGE041
，将对应子路径
Figure 422924DEST_PATH_IMAGE039
记为3；若夹角余弦值为-1，将对应子路径
Figure 264978DEST_PATH_IMAGE039
记为4。对
Figure 345673DEST_PATH_IMAGE016
来说，第二个目标函数即平滑度
Figure 691204DEST_PATH_IMAGE042
。
Figure 575983DEST_PATH_IMAGE015
重复率的计算方法为，计算衍生路径中重复轨迹点的数量，对
Figure 124907DEST_PATH_IMAGE016
来说，第三个目标函数即重复率
Figure 120545DEST_PATH_IMAGE043
。
如图5所示，路径优化操作还包括S32，基于候选种群中衍生路径的目标函数值计算各衍生路径的非支配度及拥挤度，并基于非支配度及拥挤度进行排序。在本步骤中，基于非支配度及拥挤度进行排序的方法为：将候选种群中的衍生路径根据非支配度由小到大的顺序进行排序，对于非支配度相同的衍生路径，再根据拥挤度从大到小的顺序进行排序。对于同个非支配度下拥挤度相同的衍生路径，可随机进行排序。
在本申请的一些实施例中，非支配度的计算方法包括：
依次选取衍生路径；
设置所选衍生路径非支配度为0，将所选衍生路径与剩余的衍生路径分别单独进行目标函数值对比；
若所单独对比的衍生路径至少有一个目标函数值小于所选衍生路径对应的目标函数值，且所单独对比的衍生路径其余目标函数值均不大于所选衍生路径对应的目标函数值，则所选衍生路径的非支配度加1。
在本申请的一些实施例中，拥挤度的计算方法为：计算非支配度相同的各衍生路径在单个目标函数下的拥挤度；对单个衍生路径在各目标函数下的拥挤度求和，得到单个衍生路径的拥挤度。
非支配度相同的各衍生路径在单个目标函数下的拥挤度的计算方法包括：
将非支配度相同的各衍生路径按目标函数值从大到小的顺序进行排序；
将目标函数值最大和最小的衍生路径的拥挤度均记为inf，其余衍生路径的拥挤度为
Figure 55003DEST_PATH_IMAGE002
，g∈(1,2,……,Q)，t∈(1,2,……,Lg)，j∈(1,2,……,n)，Q表示非支配度数值种类的数量，Lg表示第g个非支配度下的衍生路径的数量，n表示目标函数的数量，结合S31，本实施例中n=3。
Figure 861416DEST_PATH_IMAGE003
表示第g个非支配度下第t条衍生路径
Figure 146904DEST_PATH_IMAGE004
在第j个目标函数下的拥挤度，
Figure 680653DEST_PATH_IMAGE005
表示
Figure 748579DEST_PATH_IMAGE004
的两个相邻衍生路径
Figure 709582DEST_PATH_IMAGE006
的第j个目标函数的值，
Figure 482366DEST_PATH_IMAGE007
表示第g个非支配度下按第j个目标函数值从大到小排序的第一个和最后一个衍生路径的第j个目标函数的值。
那么，对第g个非支配度下第t条衍生路径
Figure 304959DEST_PATH_IMAGE004
来说，其拥挤度
Figure 479589DEST_PATH_IMAGE044
。
如图5所示，路径优化操作还包括S33，选取候选种群中排序在前的若干条衍生路径进行锦标赛，以挑选出若干条衍生路径，形成父代种群；
在本申请的一些实施例中，经过非支配度及拥挤度排序后的候选种群
Figure DEST_PATH_IMAGE045
，选取候选种群中排序在前NP/2的衍生路径进行迭代次数为NP/2的二元锦标赛，挑选出NP/2条衍生路径形成父代种群。
具体地，每次从候选种群的前NP/2条衍生路径中随机挑选两条衍生路径参加锦标赛，比较所选两条路径的非支配度，将非支配度小的衍生路径存入父代种群，若非支配度相等，进一步比较拥挤度，将拥挤度大的衍生路径存入父代种群，若拥挤度相等，随机选一条衍生路径存入父代种群。重复上述过程NP/2次，最终得到拥有NP/2条衍生路径的父代种群。
如图5所示，路径优化操作还包括S34，对父代种群中的衍生路径进行交叉变异，生成若干条新的衍生路径，形成子代种群。
在本申请的一些实施例中，对父代种群中的衍生路径进行交叉变异包括：
A，对父代种群中的衍生路径进行交叉；B，依次选取交叉后的衍生路径进行变异。
具体地，交叉操作包括：
A1，随机选取父代种群中两条衍生路径作为第一路径和第二路径；
A2，在第一路径随机选择两个相邻轨迹点分别作为第一前轨迹点、第一后轨迹点，在第二路径随机选择两个相邻轨迹点分别作为第二前轨迹点、第二后轨迹点；
A3，将第一前轨迹点与第二后轨迹点可行的连接起来，将第二前轨迹点与第一后轨迹点可行的连接起来；可行的连接方法为：在需要连接起来的两个轨迹点之间插入不小于0个轨迹点，使得需要连接起来的两个轨迹点间相邻轨迹点的距离均不大于
Figure 142651DEST_PATH_IMAGE001
；
A4，重复A1-A3若干次，得到若干条交叉后的衍生路径；本实施例中将A1-A3重复NP/2次，得到NP条交叉后的衍生路径。
具体地，如图3所示，选取交叉后的单条衍生路径进行变异的过程包括：
B1，选取所选衍生路径第二个轨迹点为当前轨迹点；
B2，判断当前轨迹点的相邻两个轨迹点之间的距离是否大于
Figure 153464DEST_PATH_IMAGE001
，若否，将当前轨迹点存入第二矩阵中，并选取所选衍生路径下一个轨迹点为当前轨迹点，若是，直接选取所选衍生路径下一个轨迹点为当前轨迹点；
B3，判断当前轨迹点是否为所选衍生路径最后一个轨迹点，若否，转至B2，若是，转至B4；
B4，从第二矩阵中随机选取一个轨迹点从所选衍生路径中删除，然后更新所选衍生路径，清空第二矩阵。
如图5所示，路径优化操作还包括S35，将候选种群和子代种群结合得到新生种群，对新生种群中所有的衍生路径计算目标函数以计算非支配度及拥挤度，并基于非支配度及拥挤度进行排序。本步骤中计算目标函数、计算非支配度及拥挤度并进行排序的方法与前述步骤S31、S32中方法相同，在此不作详细描述。
如图5所示，路径优化操作还包括S36，选取新生种群中排序在前的若干条衍生路径分别进行封闭支路剪枝，得到优化种群。
在本申请的一些实施例中，候选种群和子代种群结合得到包含2NP条衍生路径的新生种群，进行非支配度及拥挤度排序后选取新生种群前NP条衍生路径分别进行封闭支路剪枝，得到优化种群。
在本申请的一些实施例中，如图4所示，选取单条衍生路径进行封闭支路剪枝的方法包括：
C1，选取所选衍生路径第一个轨迹点为当前轨迹点；
C2，判断所选衍生路径上后续轨迹点中是否存在与当前轨迹点重复的轨迹点，若是，转至C3，若否，选取所选衍生路径上下一个轨迹点为当前轨迹点，然后转至C7；
C3，将所选衍生路径上与当前轨迹点重复的轨迹点依次存入第三矩阵中；
C4，选取第三矩阵中第一个轨迹点为界限轨迹点；
C5，将所选衍生路径上当前轨迹点与界限轨迹点之间的轨迹点及界限轨迹点删除；
C6，判断界限轨迹点是否为第三矩阵中最后一个轨迹点，若是，更新所选衍生路径，清空第三矩阵，选取所选衍生路径上下一个轨迹点为当前轨迹点，然后转至C7，若否，选取第三矩阵中下一个轨迹点为界限轨迹点，转至C5；
C7，判断当前轨迹点是否为所选衍生路径最后一个轨迹点，若是，结束，若否，转至C2。
如图5所示，路径优化操作还包括S37，以优化种群更新候选种群，然后清空父代种群、子代种群、新生种群、优化种群。
如图1所示，本申请方法还包括步骤S4，判断候选种群执行路径优化操作的次数是否达到设定的迭代次数，若是，跳至S5，若否，跳至S3；
S5，从候选种群中按需选出一条衍生路径作为工控场景下无人设备运动的优势路径。
在本步骤中，可以按需选择候选种群中路径长度最短或平滑度最大或重复率最小的一条衍生路径作为工控场景下无人设备运动的优势路径。
图6至图8为本申请方法的仿真实验初始生成的衍生路径图像及执行路径优化操作50次和200次后的衍生路径图像，从图中可以看出，本申请方法仅进行路径优化操作50次已能获得较好的衍生路径，迭代至200次时，效果已非常好。在进行路径规划时收敛速度快，所需要的计算资源较小、计算时间较短。
本申请基于随机的初始路径生成多条衍生路径以扩展种群，将路径长度、平滑度及重复率均纳入路径规划考虑范围，基于上述三个目标函数计算衍生路径的非支配度及拥挤度以进行排序，从而能够挑选出较好的若干条衍生路径进行后续交叉变异操作；然后将交叉变异后的衍生路径与初始生成的多条衍生路径结合再进行非支配度及拥挤度排序，在保证种群多样性的同时以便于再挑选出排序靠前的若干条较好的衍生路径进行封闭支路剪枝，最终得到若干条优化路径。本申请能够基于随机的初始路径快速生成若干条优势路径以供根据需求进行选择，使得路径规划能够快速收敛，所需要的计算资源较小、计算时间较短，便于在实际的路径规划场景中进行实时路径计算，且便于结合工控需求进行动灵活调整选择。
本申请实施例还提供一种工控场景下无人设备优势路径规划装置，包括存储器、处理器，存储器和处理器可以通过总线或其它方式连接。存储器可用于存储软件程序、计算机程序及模块，如上述工控场景下无人设备优势路径规划方法对应的程序/模块；处理器通过执行存储器中的计算机程序及模块，实现上述的工控场景下无人设备优势路径规划方法。
处理器可以为中央处理器、数字信号处理器、专用集成电路、现场可编程门阵列等，存储器可以为高速随机存取存储器、非暂态存储器等。
本申请实施例还提供一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现上述工控场景下无人设备优势路径规划方法。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘等中的一种或多种的组合。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述，其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成。以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种工控场景下无人设备优势路径规划方法，其特征在于，所述方法包括以下步骤：
S1，基于工控无人设备运动场景进行栅格图建模，在栅格图上生成无人设备可行的初始路径；
S2，基于初始路径生成若干条衍生路径，形成候选种群；
S3，对候选种群执行路径优化操作；
S4，判断候选种群执行路径优化操作的次数是否达到设定的迭代次数，若是，跳至S5，若否，跳至S3；
S5，从候选种群中按需选出一条衍生路径作为工控场景下无人设备运动的优势路径；
所述S3中的路径优化操作包括：
S31，计算候选种群中各衍生路径的目标函数，目标函数包括路径长度，以及平滑度和重复率中的至少一个；
S32，基于候选种群中衍生路径的目标函数值计算各衍生路径的非支配度及拥挤度，并基于非支配度及拥挤度进行排序；
S33，选取候选种群中排序在前的若干条衍生路径进行锦标赛，以挑选出若干条衍生路径，形成父代种群；
S34，对父代种群中的衍生路径进行交叉变异，生成若干条新的衍生路径，形成子代种群；
S35，将候选种群和子代种群结合得到新生种群，对新生种群中所有的衍生路径计算目标函数以计算非支配度及拥挤度，并基于非支配度及拥挤度进行排序；
S36，选取新生种群中排序在前的若干条衍生路径分别进行封闭支路剪枝，得到优化种群；
S37，以优化种群更新候选种群，然后清空父代种群、子代种群、新生种群、优化种群。
2.根据权利要求1所述的一种工控场景下无人设备优势路径规划方法，其特征在于，所述S1中栅格图中对应工控无人设备运动场景中非障碍物区域的栅格标识为空栅格，空栅格可作为无人设备运动的轨迹点；所述初始路径由若干个轨迹点顺序连接构成，初始路径上相邻两个轨迹点的距离不大于
Figure 441322DEST_PATH_IMAGE001
，d表示相邻两个栅格的距离。
3.根据权利要求2所述的一种工控场景下无人设备优势路径规划方法，其特征在于，所述S2中对初始路径执行若干次衍生操作，以生成若干条衍生路径；所述衍生操作包括：
S21，将初始路径作为基准路径；
S22，将基准路径的第一个轨迹点作为当前轨迹点；
S23，计算当前轨迹点周围的非轨迹点空栅格距当前轨迹点及下一个轨迹点的距离；
S24，将距当前轨迹点及下一个轨迹点距离均不大于
Figure 695233DEST_PATH_IMAGE001
的非轨迹点空栅格作为当前轨迹点的候选衍生点；
S25，判断当前轨迹点的候选衍生点数量是否大于0，若是，将当前轨迹点存入第一矩阵中，并将当前轨迹点对应的候选衍生点存为第一矩阵对应元胞数组中对应的元素，然后将基准路径下一个轨迹点作为当前轨迹点；若否，直接将基准路径下一个轨迹点作为当前轨迹点；
S26，判断当前轨迹点是否为基准路径最后一个轨迹点，若是，转至S27，若否，转至S23；
S27，从第一矩阵中任选一个轨迹点，在元胞数组对应所选轨迹点的元素中任选一个候选衍生点作为轨迹点插入基准路径中所选轨迹点与其下一个轨迹点之间；
S28，更新基准路径，并清空第一矩阵及元胞数组；
S29，判断基准路径更新次数是否达到设定更新次数，若是，将基准路径作为一条衍生路径，若否，转至S22。
4.根据权利要求2或3所述的一种工控场景下无人设备优势路径规划方法，其特征在于，所述S3中衍生路径非支配度的计算方法包括：
依次选取衍生路径；
设置所选衍生路径非支配度为0，将所选衍生路径与剩余的衍生路径分别单独进行目标函数值对比；
若所单独对比的衍生路径至少有一个目标函数值小于所选衍生路径对应的目标函数值，且所单独对比的衍生路径其余目标函数值均不大于所选衍生路径对应的目标函数值，则所选衍生路径的非支配度加1。
5.根据权利要求2或3所述的一种工控场景下无人设备优势路径规划方法，其特征在于，所述S3中衍生路径拥挤度的计算方法为：计算非支配度相同的各衍生路径在单个目标函数下的拥挤度；对单个衍生路径在各目标函数下的拥挤度求和，得到单个衍生路径的拥挤度。
6.根据权利要求5所述的一种工控场景下无人设备优势路径规划方法，其特征在于，非支配度相同的各衍生路径在单个目标函数下的拥挤度的计算方法包括：
将非支配度相同的各衍生路径按目标函数值从大到小的顺序进行排序；
将目标函数值最大和最小的衍生路径的拥挤度均记为inf，其余衍生路径的拥挤度为
Figure DEST_PATH_IMAGE002
，g∈(1,2,……,Q)，t∈(1,2,……,Lg)，j∈(1,2,……,n)，Q表示非支配度数值种类的数量，Lg表示第g个非支配度下的衍生路径的数量，n表示目标函数的数量，
Figure DEST_PATH_IMAGE004
表示第g个非支配度下第t条衍生路径
Figure DEST_PATH_IMAGE005
在第j个目标函数下的拥挤度，
Figure DEST_PATH_IMAGE006
表示
Figure 222160DEST_PATH_IMAGE005
的两个相邻衍生路径
Figure DEST_PATH_IMAGE007
的第j个目标函数的值，
Figure DEST_PATH_IMAGE008
表示第g个非支配度下按第j个目标函数值从大到小排序的第一个和最后一个衍生路径的第j个目标函数的值。
7.根据权利要求2或3所述的一种工控场景下无人设备优势路径规划方法，其特征在于，所述S34中对父代种群中的衍生路径进行交叉变异包括：
A，对父代种群中的衍生路径进行交叉，包括：
A1，随机选取父代种群中两条衍生路径作为第一路径和第二路径；
A2，在第一路径随机选择两个相邻轨迹点分别作为第一前轨迹点、第一后轨迹点，在第二路径随机选择两个相邻轨迹点分别作为第二前轨迹点、第二后轨迹点；
A3，将第一前轨迹点与第二后轨迹点可行的连接起来，将第二前轨迹点与第一后轨迹点可行的连接起来；可行的连接方法为：在需要连接起来的两个轨迹点之间插入不小于0个轨迹点，使得需要连接起来的两个轨迹点间相邻轨迹点的距离不大于
Figure 139913DEST_PATH_IMAGE001
；
A4，重复A1-A3若干次，得到若干条交叉后的衍生路径；
B，依次选取交叉后的衍生路径进行变异；选取交叉后的单条衍生路径进行变异的过程包括：
B1，选取所选衍生路径第二个轨迹点为当前轨迹点；
B2，判断当前轨迹点的相邻两个轨迹点之间的距离是否大于
Figure 269543DEST_PATH_IMAGE001
，若否，将当前轨迹点存入第二矩阵中，并选取所选衍生路径下一个轨迹点为当前轨迹点，若是，直接选取所选衍生路径下一个轨迹点为当前轨迹点；
B3，判断当前轨迹点是否为所选衍生路径最后一个轨迹点，若否，转至B2，若是，转至B4；
B4，从第二矩阵中随机选取一个轨迹点从所选衍生路径中删除，然后更新所选衍生路径，清空第二矩阵。
8.根据权利要求2或3所述的一种工控场景下无人设备优势路径规划方法，其特征在于，所述S36中选取新生种群中排序在前的若干条衍生路径分别进行封闭支路剪枝的方法包括：
C1，选取所选衍生路径第一个轨迹点为当前轨迹点；
C2，判断所选衍生路径上后续轨迹点中是否存在与当前轨迹点重复的轨迹点，若是，转至C3，若否，选取所选衍生路径上下一个轨迹点为当前轨迹点，然后转至C7；
C3，将所选衍生路径上与当前轨迹点重复的轨迹点依次存入第三矩阵中；
C4，选取第三矩阵中第一个轨迹点为界限轨迹点；
C5，将所选衍生路径上当前轨迹点与界限轨迹点之间的轨迹点及界限轨迹点删除；
C6，判断界限轨迹点是否为第三矩阵中最后一个轨迹点，若是，更新所选衍生路径，清空第三矩阵，选取所选衍生路径上下一个轨迹点为当前轨迹点，然后转至C7，若否，选取第三矩阵中下一个轨迹点为界限轨迹点，转至C5；
C7，判断当前轨迹点是否为所选衍生路径最后一个轨迹点，若是，结束，若否，转至C2。
9.一种工控场景下无人设备优势路径规划装置，包括存储器及存储于其上的计算机程序、处理器，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1-8任一项所述的工控场景下无人设备优势路径规划方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1-8任一项所述的工控场景下无人设备优势路径规划方法。
CN202211299389.5A 2022-10-24 2022-10-24 工控场景下无人设备优势路径规划方法、装置及存储介质 Active CN115371685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211299389.5A CN115371685B (zh) 2022-10-24 2022-10-24 工控场景下无人设备优势路径规划方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211299389.5A CN115371685B (zh) 2022-10-24 2022-10-24 工控场景下无人设备优势路径规划方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN115371685A true CN115371685A (zh) 2022-11-22
CN115371685B CN115371685B (zh) 2023-03-24

Family

ID=84073743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211299389.5A Active CN115371685B (zh) 2022-10-24 2022-10-24 工控场景下无人设备优势路径规划方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115371685B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070087756A1 (en) * 2005-10-04 2007-04-19 Hoffberg Steven M Multifactorial optimization system and method
US20090083680A1 (en) * 2007-09-24 2009-03-26 Solido Design Automation Inc. Model-building optimization
CN103646278A (zh) * 2013-11-14 2014-03-19 扬州西岐自动化科技有限公司 基于自适应策略的粒子群算法在机器人路径规划中的应用
US20170068890A1 (en) * 2015-09-08 2017-03-09 The Aerospace Corporation Systems and Methods for Multi-Objective Optimizations with Live Updates
CN107886201A (zh) * 2017-11-29 2018-04-06 合肥工业大学 多无人机任务分配的多目标优化方法及装置
CN109577968A (zh) * 2018-12-03 2019-04-05 中国石油大学(华东) 一种水平井流入控制装置限流强度多目标优化方法
US20190197644A1 (en) * 2016-12-27 2019-06-27 Pusan National University Industry-University Cooperation Foundation System and method for planning yard crane work
CN109978245A (zh) * 2019-03-15 2019-07-05 中国科学技术大学 一种基于预估的以用时最短为指标的导弹车调度方法
CN110749333A (zh) * 2019-11-07 2020-02-04 中南大学 基于多目标优化的无人驾驶车辆运动规划方法
CN111783369A (zh) * 2020-07-22 2020-10-16 中国水利水电科学研究院 一种多闸群明渠调水工程的短期多目标优化调度方法
CN112462803A (zh) * 2020-11-27 2021-03-09 北京工商大学 一种基于改进nsga-ii的无人机路径规划方法
CN113919557A (zh) * 2021-09-26 2022-01-11 浙江工业大学 一种基于自适应nsgaii的物流路线优化方法和系统
CN114240091A (zh) * 2021-11-30 2022-03-25 上海电机学院 一种基于自适应分层策略的柔性作业车间调度方法
CN114859930A (zh) * 2022-05-19 2022-08-05 山东省海洋科学研究院(青岛国家海洋科学研究中心) 一种路径规划方法、无人艇集群的控制方法及系统
CN115115140A (zh) * 2022-08-02 2022-09-27 国联智慧能源交通技术创新中心(苏州)有限公司 电动汽车接入配电网充电策略的确定方法、系统、存储介质和充电站

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070087756A1 (en) * 2005-10-04 2007-04-19 Hoffberg Steven M Multifactorial optimization system and method
US20090083680A1 (en) * 2007-09-24 2009-03-26 Solido Design Automation Inc. Model-building optimization
CN103646278A (zh) * 2013-11-14 2014-03-19 扬州西岐自动化科技有限公司 基于自适应策略的粒子群算法在机器人路径规划中的应用
US20170068890A1 (en) * 2015-09-08 2017-03-09 The Aerospace Corporation Systems and Methods for Multi-Objective Optimizations with Live Updates
US20190197644A1 (en) * 2016-12-27 2019-06-27 Pusan National University Industry-University Cooperation Foundation System and method for planning yard crane work
CN107886201A (zh) * 2017-11-29 2018-04-06 合肥工业大学 多无人机任务分配的多目标优化方法及装置
CN109577968A (zh) * 2018-12-03 2019-04-05 中国石油大学(华东) 一种水平井流入控制装置限流强度多目标优化方法
CN109978245A (zh) * 2019-03-15 2019-07-05 中国科学技术大学 一种基于预估的以用时最短为指标的导弹车调度方法
CN110749333A (zh) * 2019-11-07 2020-02-04 中南大学 基于多目标优化的无人驾驶车辆运动规划方法
CN111783369A (zh) * 2020-07-22 2020-10-16 中国水利水电科学研究院 一种多闸群明渠调水工程的短期多目标优化调度方法
CN112462803A (zh) * 2020-11-27 2021-03-09 北京工商大学 一种基于改进nsga-ii的无人机路径规划方法
CN113919557A (zh) * 2021-09-26 2022-01-11 浙江工业大学 一种基于自适应nsgaii的物流路线优化方法和系统
CN114240091A (zh) * 2021-11-30 2022-03-25 上海电机学院 一种基于自适应分层策略的柔性作业车间调度方法
CN114859930A (zh) * 2022-05-19 2022-08-05 山东省海洋科学研究院(青岛国家海洋科学研究中心) 一种路径规划方法、无人艇集群的控制方法及系统
CN115115140A (zh) * 2022-08-02 2022-09-27 国联智慧能源交通技术创新中心(苏州)有限公司 电动汽车接入配电网充电策略的确定方法、系统、存储介质和充电站

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
万逸飞 等: "基于协同多目标算法的多机器人路径规划", 《信息与控制》 *
徐梦颖 等: "基于改进遗传算法的机器人路径规划", 《石河子大学学报》 *

Also Published As

Publication number Publication date
CN115371685B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
Yijing et al. Q learning algorithm based UAV path learning and obstacle avoidence approach
Edison et al. Integrated task assignment and path optimization for cooperating uninhabited aerial vehicles using genetic algorithms
CN110231824B (zh) 基于直线偏离度方法的智能体路径规划方法
CN112985408B (zh) 一种路径规划优化方法及系统
CN109163722B (zh) 一种仿人机器人路径规划方法及装置
CN111024080B (zh) 一种无人机群对多移动时敏目标侦察路径规划方法
CN112550314B (zh) 适用于无人驾驶的嵌入优化式控制方法及其驾驶控制模块和自动驾驶控制系统
CN110181508A (zh) 水下机器人三维航路规划方法及系统
CN109341698B (zh) 一种移动机器人的路径选择方法及装置
Macharet et al. Efficient target visiting path planning for multiple vehicles with bounded curvature
CN111664851B (zh) 基于序列优化的机器人状态规划方法、装置及存储介质
Wang et al. Research on dynamic path planning of wheeled robot based on deep reinforcement learning on the slope ground
Xue et al. Multi-agent deep reinforcement learning for UAVs navigation in unknown complex environment
CN114371711B (zh) 一种机器人编队避障路径规划方法
CN111024081B (zh) 一种无人机群对单移动时敏目标侦察路径规划方法
CN115371685B (zh) 工控场景下无人设备优势路径规划方法、装置及存储介质
Lu et al. An optimal frontier enhanced “next best view” planner for autonomous exploration
CN116360437A (zh) 智能机器人路径规划方法、装置、设备及存储介质
Yoshimura et al. Iterative transportation planning of multiple objects by cooperative mobile robots
Edelkamp et al. Monte-carlo search for prize-collecting robot motion planning with time windows, capacities, pickups, and deliveries
Fromreide et al. Predicting motion patterns using optimal paths
JP2022092189A (ja) 経路計画システム、経路計画方法、および関節を備えたロボットアームの経路計画システム
Huang et al. Path planning for UAV reconnoitring in complex environment based on improved visibility graph and genetic algorithm
CN113627646B (zh) 一种基于神经网络的路径规划方法、装置、设备及介质
Ha et al. Vehicle control with prediction model based Monte-Carlo tree search

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