CN115437386A - 一种基于空地信息融合的无人车路径规划方法 - Google Patents
一种基于空地信息融合的无人车路径规划方法 Download PDFInfo
- Publication number
- CN115437386A CN115437386A CN202211365823.5A CN202211365823A CN115437386A CN 115437386 A CN115437386 A CN 115437386A CN 202211365823 A CN202211365823 A CN 202211365823A CN 115437386 A CN115437386 A CN 115437386A
- Authority
- CN
- China
- Prior art keywords
- wolf
- optimal
- gray
- grey
- unmanned vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 title claims abstract description 22
- 241000282461 Canis lupus Species 0.000 claims abstract description 158
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 230000001502 supplementing effect Effects 0.000 claims abstract description 3
- 150000001875 compounds Chemical class 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000000739 chaotic effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Navigation (AREA)
Abstract
本发明提供一种基于空地信息融合的无人车路径规划方法，包括以下步骤：基于无人机搭载的感知系统和定位导航系统建立地面环境的栅格地图，无人车获取无人机建立的栅格地图，并结合自身感知的环境信息修正补充栅格地图；根据修正补充后的栅格地图，建立无人车路径规划的目标函数；所述目标函数为移动路径最短，或耗时最短，或消耗能量最少；根据目标函数，通过改进型灰狼优化算法进行最优位置更新，确定最优灰狼位置；根据预设的最大迭代次数依次更新的最优灰狼位置，确定最优路径规划结果；该方法克服了灰狼算法存在的几点不足，能够显著提升基于空地信息融合的无人车路径规划的效果。
Description
技术领域
本发明涉及无人车技术领域，具体涉及一种基于空地信息融合的无人车路径规划方法。
背景技术
空中无人机与地面无人车组成的空地异构机器人系统是分布式人工智能技术研究的热点问题，无人机和无人车的有机协调、跨域协作等将引领未来机器人技术与应用的新模式。
无人车能够近距离精确定位地面目标，但在环境信息未知或部分可知情况下，车载传感器对
环境的感知能力存在较大局限，只能实现局部的路径规划。而无人机则具有更广阔的视野，可以在特定高度得到周围环境的全局信息，但由于高度原因也丢失了许多局部信息。通过二者协同，进行优势互补，可以实现无人车的全局路径规划。
基于空地信息融合的无人车路径规划是空地异构机器人系统的关键技术之一。首先，基于无人机搭载的感知系统和定位导航系统等建立地面环境的栅格地图；其次，无人车实时接收无人机栅格地图信息，结合自身感知的环境信息修正补充栅格地图，然后自行规划出一条从出发点至终点的无碰撞的最优移动路径，这条最优路径可以是满足移动路径最短，可以是满足耗时最短，还可以满足能量消耗最少等。
基于空地信息融合的无人车路径规划问题，实际上可以看成是一个带约束条件的复杂优化问题。因此，一些智能优化算法对于提高无人车路径规划的效果发挥了积极的作用，很多学者开展了大量的研究工作。例如，江鹏程等提出了基于蚁群算法的无人车路径规划方法（江鹏程,丛华,邱绵浩,张楠,冯辅周,张传清,刘西侠,张丽霞,何嘉武,张小明,王志荣,杨昌伟. 无人车混合路径规划算法[P]. 北京市：CN110609557A,2019-12-24.）；葛洪伟等提出了改进的多目标粒子群算法，并以此为优化方法进行了无人车的路径规划研究（葛洪伟,钱小宇,葛阳. 基于改进的多目标粒子群算法的无人车路径规划方法[P]. 江苏：CN107992051A,2018-05-04.）。根据目前的研究成果来看，智能优化算法是一种有效的路径规划方法。灰狼算法是一种模拟灰狼捕猎行为的新型智能优化算法，同样可以应用于路径规划问题。但是，灰狼优化算法仍然存在有一些缺陷，使得算法容易陷入局部最优和收敛精度不高，在进行路径规划时，往往达不到理想的路径规划效果。
发明内容
为解决上述问题，本发明提供一种基于空地信息融合的无人车路径规划方法，克服了灰狼算法存在的几点不足，能够显著提升基于空地信息融合的无人车路径规划的效果。
为实现上述目的，本发明提供了如下的技术方案。
一种基于空地信息融合的无人车路径规划方法，包括以下步骤：
基于无人机搭载的感知系统和定位导航系统建立地面环境的栅格地图，无人车获取无人机建立的栅格地图，并结合自身感知的环境信息修正补充栅格地图；
根据修正补充后的栅格地图，建立无人车路径规划的目标函数；所述目标函数为移动路径最短，或耗时最短，或消耗能量最少；
根据目标函数，通过改进型灰狼优化算法进行最优位置更新，确定最优灰狼位置；
根据预设的最大迭代次数依次更新的最优灰狼位置，确定最优路径规划结果；
其中，所述改进型灰狼优化算法引入Singer混沌映射初始化灰狼种群位置，并引入混沌博弈优化算法的位置更新机制替换原有的灰狼位置更新方式；所述改进型灰狼优化算法还包括，通过透镜反向学习进一步进行最优位置更新。
优选地，所述改进型灰狼优化算法引入Singer混沌映射初始化灰狼种群位置，包括以下步骤：
确定种群的大小N，灰狼寻优下边界LB和灰狼寻优上边界UB；
通过Singer映射产生随机数x t ：
式中，x t+1为下一个随机数；
利用产生的Singer随机数初始化灰狼位置：
优选地，所述引入混沌博弈优化算法的位置更新机制替换原有的灰狼位置更新方式，灰狼位置更新具体包括以下步骤：
进行灰狼全体狩猎：
通过α狼、β狼、δ狼和其他狼的初始化模拟灰狼实现对猎物的包围；初始化后默认α狼、β狼、δ狼实现了对最优解的包围，其他狼通过α狼、β狼、δ狼的引导实现位置更新，从而实现对最优解的围捕；
具体实现数学模式如下：
计算当前狼与最优解的距离D：
计算当前狼的下一个位置X(t+1)：
其中，
表示猎物的位置；
表示第t代时灰狼个体的位置；A和C为系数向量；A和C由下式得到：
式中，
和
为[0,1]的随机数，
的值随迭代次数由2线性递减到0；
其他狼根据α狼、β狼、δ狼位置X α 、X β 、X δ 进行位置更新：
式中，X 1 、X 2 、X 3 分别为当前狼在α狼、β狼、δ狼引导下的下一个位置，T为三个位置的平均值；
引入混沌博弈优化算法的位置更新机制来改进灰狼位置更新方式，改进后的灰狼位置更新公式如下：
其中：rand为[0,1]之间的随机数；
表示第t次迭代的灰狼最佳位置，即α狼的位置；
为[0,1]之间的随机数；
和
为0或1的随机整数；
表示第t次迭代的灰狼平均位置；
表示第t次迭代的第i个的灰狼位置；
计算适应度值：
式中，
为计算适应度值时的适应度函数；
记录当次迭代中最优灰狼。
优选地，所述通过透镜反向学习进一步进行最优位置更新，包括以下步骤：
对最优灰狼位置进行透镜反向学习，获取学习后的最优适应度值和最优灰狼位置X bs (t+1) '：
式中，n为缩放因子；
利用贪婪原则，将学习前后适应度值最优的灰狼位置，作为更新后的最优灰狼位置，即：
确定更新后的最优灰狼位置为X bs (t+1)。
本发明的有益效果：
本发明提出一种基于空地信息融合的无人车路径规划方法，该方法通过引入singer映射进行灰狼种群位置的初始化，可以提升种群位置分布的均匀性和多样性，进而算法的稳定性得以增强；该方法对灰狼的位置更新方式进行改进，引入混沌博弈优化算法的位置更新机制来改进灰狼位置更新方式，综合考虑了不同位置更新模式、本次迭代灰狼最优位置、灰狼种群平均位置等因素更新灰狼位置，实现了算法搜索范围的增大，算法的适应性得以增强；该方法对最优灰狼利用透镜反向学习进行更新，实现了算法在后期跳出局部最优解的能力。
附图说明
图1是本发明实施例的一种基于空地信息融合的无人车路径规划方法的流程图；
图2是本发明实施例的一种基于空地信息融合的无人车路径规划方法的路径规划结果；
图3是本发明实施例的一种基于空地信息融合的无人车路径规划方法的迭代过程曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
本发明的一种基于空地信息融合的无人车路径规划方法，针对GWO存在的几个问题，提出改进型灰狼优化算法（Improve grey wolf algorithm , IGWO）并用于基于空地信息融合的无人车路径规划，基于空地信息融合的无人车路径规划方法的流程如图1所示，具体步骤如下：
S1：基于无人机搭载的感知系统和定位导航系统等建立地面环境的栅格地图，无人车获取无人机建立的栅格地图，并结合自身感知的环境信息修正补充栅格地图。
S2：建立基于空地信息融合的无人车路径规划的目标函数funtion（可以根据实际需要设置为移动路径最短、耗时最短、消耗能量最少等），同时设置相应的约束条件以及路径的关键节点数D。
S3：进行参数设置，主要包括：灰狼种群的大小（即灰狼个体的数量）N；迭代的最大次数（即迭代停止的条件）Miter；灰狼寻优下边界LB；灰狼寻优上边界UB。
S4：确定种群的大小N，灰狼寻优下边界LB和灰狼寻优上边界UB；通过Singer映射产生随机数x t ：
式中，x t+1为下一个随机数；
利用产生的Singer随机数初始化灰狼位置：
S5：进行灰狼全体狩猎：
通过α狼、β狼、δ狼和其他狼的初始化模拟灰狼实现对猎物的包围；初始化后默认α狼、β狼、δ狼实现了对最优解的包围，其他狼通过α狼、β狼、δ狼的引导实现位置更新，从而实现对最优解的围捕；
具体实现数学模式如下：
计算当前狼与最优解的距离D：
计算当前狼的下一个位置X(t+1)：
其中，
表示猎物的位置；
表示第t代时灰狼个体的位置；A和C为系数向量；A和C由下式得到：
式中，
和
为[0,1]的随机数，
的值随迭代次数由2线性递减到0；
其他狼根据α狼、β狼、δ狼位置X α 、X β 、X δ 进行位置更新：
式中，X 1 、X 2 、X 3 分别为当前狼在α狼、β狼、δ狼引导下的下一个位置，T为三个位置的平均值；
原始灰狼算法中，只利用最优灰狼α狼、次优灰狼β狼、第三优灰狼δ狼的位置进行引导，来更新灰狼位置。为了更加有效的提高灰狼的全局搜索能力，引入混沌博弈优化算法的位置更新机制来改进灰狼位置更新方式，综合考虑了不同位置更新模式、本次迭代灰狼最优位置、灰狼种群平均位置等因素更新灰狼位置，避免每次迭代中出现局部最优，进而提高灰狼算法的全局搜索能力。
借鉴混沌博弈优化算法的位置更新机制，改进后的灰狼位置更新公式如下：
其中：rand为[0,1]之间的随机数；
表示第t次迭代的灰狼最佳位置，即α狼的位置；
为[0,1]之间的随机数；
和
为0或1的随机整数；
表示第t次迭代的灰狼平均位置；
表示第t次迭代的第i个的灰狼位置；
S6：计算适应度值。
式中，
为计算适应度值时的适应度函数。
S7：记录信息，记录当次迭代中最优灰狼。
S8：对最优灰狼位置进行透镜反向学习，获取学习后的最优适应度值和最优灰狼位置X bs (t+1) '：
式中，n为缩放因子；
利用贪婪原则，将学习前后适应度值最优的灰狼位置，作为更新后的最优灰狼位置，即：
确定更新后的最优灰狼位置为X bs (t+1)。
S9：记录信息，记录当次迭代中最优灰狼。
S10：重复执行步骤S5~S9，达到最大迭代次数Miter后，算法停止，输出最优路径结果。
本实施例中：
以MATLAB为仿真平台，假设经过无人机和无人车信息融合构建的20×20的栅格地图，以最短移动距离为目标，对GWO方法和IGWO方法进行分析。GWO算法中的参数为：N=50，Maxiter=200，LB = 1，UB=20；IGWO算法中的参数为：N=50，Maxiter=200，LB = 1，UB=20。仿真环境和两个方法分别得到的移动路径如图2所示，图3为迭代过程曲线。表1为两种算法的数据结果对比。
表1 算法路径结果比较
| 算法 | 路径长度 |
| GWO | 35.799 |
| IGWO | 32.7279 |
从图2中可以直观的发现GWO得到的移动路径比IGWO的要长，路径比较迂回，而IGWO得到的路径则比较合理。进一步分析图2和图3中的结果可知，采用GWO算法时，算法收敛速度较慢；采用IGWO算法时，收敛速度更快，能更快的找到更好的路径。可以看出，本发明所设计的IGWO算法具有更快的收敛速度和收敛精度，而GWO则出现了陷入局部最优的情况。仿真结果表明，在多种相同的环境下，IGWO算法搜索能力更强，获得了更优移动路径，验证了算法的有效性。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于空地信息融合的无人车路径规划方法，其特征在于，包括以下步骤：
基于无人机搭载的感知系统和定位导航系统建立地面环境的栅格地图，无人车获取无人机建立的栅格地图，并结合自身感知的环境信息修正补充栅格地图；
根据修正补充后的栅格地图，建立以移动路径最短，或耗时最短，或消耗能量最少为约束的目标函数；
根据目标函数，通过改进型灰狼优化算法进行最优位置更新，确定最优灰狼位置；
根据预设的最大迭代次数依次更新的最优灰狼位置，确定最优路径规划结果；
其中，所述改进型灰狼优化算法为：引入Singer混沌映射初始化灰狼种群位置，并引入混沌博弈优化算法的位置更新机制替换原有的灰狼位置更新方式；所述改进型灰狼优化算法还包括，通过透镜反向学习进一步进行最优位置更新。
2.根据权利要求1所述的一种基于空地信息融合的无人车路径规划方法，其特征在于，所述改进型灰狼优化算法引入Singer混沌映射初始化灰狼种群位置，包括以下步骤：
确定种群的大小N，灰狼寻优下边界LB和灰狼寻优上边界UB；
通过Singer映射产生随机数x t ：
式中，x t+1为下一个随机数；
利用产生的Singer随机数初始化灰狼位置：
3.根据权利要求1所述的一种基于空地信息融合的无人车路径规划方法，其特征在于，所述引入混沌博弈优化算法的位置更新机制替换原有的灰狼位置更新方式，灰狼位置更新具体包括以下步骤：
进行灰狼全体狩猎：
通过α狼、β狼、δ狼和其他狼的初始化模拟灰狼实现对猎物的包围；初始化后默认α狼、β狼、δ狼实现了对最优解的包围，其他狼通过α狼、β狼、δ狼的引导实现位置更新，从而实现对最优解的围捕；
具体实现数学模式如下：
计算当前狼与最优解的距离D：
计算当前狼的下一个位置X(t+1)：
其中，
表示猎物的位置；
表示第t代时灰狼个体的位置；A和C为系数向量；A和C由下式得到：
式中，
和
为[0,1]的随机数，
的值随迭代次数由2线性递减到0；
其他狼根据α狼、β狼、δ狼位置X α 、X β 、X δ 进行位置更新：
式中，X 1 、X 2 、X 3 分别为当前狼在α狼、β狼、δ狼引导下的下一个位置，T为三个位置的平均值；
引入混沌博弈优化算法的位置更新机制来改进灰狼位置更新方式，改进后的灰狼位置更新公式如下：
其中：rand为[0,1]之间的随机数；
表示第t次迭代的灰狼最佳位置，即α狼的位置；
为[0,1]之间的随机数；
和
为0或1的随机整数；
表示第t次迭代的灰狼平均位置；
表示第t次迭代的第i个的灰狼位置；
计算适应度值：
式中，
为计算适应度值时的适应度函数；
记录当次迭代中最优灰狼。
4.根据权利要求3所述的一种基于空地信息融合的无人车路径规划方法，其特征在于，所述通过透镜反向学习进一步进行最优位置更新，包括以下步骤：
对最优灰狼位置进行透镜反向学习，获取学习后的最优适应度值和最优灰狼位置X bs (t+1) '：
式中，n为缩放因子；
利用贪婪原则，将学习前后适应度值最优的灰狼位置，作为更新后的最优灰狼位置，即：
确定更新后的最优灰狼位置为X bs (t+1)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211365823.5A CN115437386B (zh) | 2022-11-03 | 2022-11-03 | 一种基于空地信息融合的无人车路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211365823.5A CN115437386B (zh) | 2022-11-03 | 2022-11-03 | 一种基于空地信息融合的无人车路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115437386A true CN115437386A (zh) | 2022-12-06 |
| CN115437386B CN115437386B (zh) | 2023-02-24 |
Family
ID=84253035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211365823.5A Active CN115437386B (zh) | 2022-11-03 | 2022-11-03 | 一种基于空地信息融合的无人车路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115437386B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115657694A (zh) * | 2022-12-29 | 2023-01-31 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息交互的无人车路径规划方法 |
| CN116012741A (zh) * | 2023-03-17 | 2023-04-25 | 国网湖北省电力有限公司经济技术研究院 | 高压输电线路水土流失监测系统 |
| CN116306234A (zh) * | 2023-02-08 | 2023-06-23 | 淮阴工学院 | 一种燃气轮机的氮氧化物预测排放检测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276437A (zh) * | 2019-06-21 | 2019-09-24 | 广西大学 | 基于Fuch映射的混合改进灰狼优化算法 |
| AU2020101065A4 (en) * | 2020-06-19 | 2020-07-23 | Hubei University Of Technology | Method for scheduling UAVs based on chaotic adaptive firefly algorithm |
| CN111457927A (zh) * | 2020-04-26 | 2020-07-28 | 北京工商大学 | 动态障碍物下的无人巡航船多目标路径规划方法 |
| US20200371520A1 (en) * | 2019-05-24 | 2020-11-26 | Hefei University Of Technology | Path planning method and system for self-driving of autonomous system |
| CN112381284A (zh) * | 2020-11-11 | 2021-02-19 | 成都信息工程大学 | 一种无人接驳车多站点路径优化的改进遗传算法 |
| CN113296520A (zh) * | 2021-05-26 | 2021-08-24 | 河北工业大学 | 融合a*与改进灰狼算法的巡检机器人路径规划方法 |
| CN114047770A (zh) * | 2022-01-13 | 2022-02-15 | 中国人民解放军陆军装甲兵学院 | 一种多内心搜寻改进灰狼算法的移动机器人路径规划方法 |
| CN114115289A (zh) * | 2021-12-07 | 2022-03-01 | 湖南大学 | 一种自主无人集群侦察系统 |
| CN114779758A (zh) * | 2022-03-18 | 2022-07-22 | 中国科学院合肥物质科学研究院 | 无人机与无人车异构协同系统的路径规划方法 |
| CN115113628A (zh) * | 2022-08-10 | 2022-09-27 | 天津城建大学 | 一种基于改进灰狼算法的巡检机器人路径规划方法 |
-
2022
- 2022-11-03 CN CN202211365823.5A patent/CN115437386B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200371520A1 (en) * | 2019-05-24 | 2020-11-26 | Hefei University Of Technology | Path planning method and system for self-driving of autonomous system |
| CN110276437A (zh) * | 2019-06-21 | 2019-09-24 | 广西大学 | 基于Fuch映射的混合改进灰狼优化算法 |
| CN111457927A (zh) * | 2020-04-26 | 2020-07-28 | 北京工商大学 | 动态障碍物下的无人巡航船多目标路径规划方法 |
| AU2020101065A4 (en) * | 2020-06-19 | 2020-07-23 | Hubei University Of Technology | Method for scheduling UAVs based on chaotic adaptive firefly algorithm |
| CN112381284A (zh) * | 2020-11-11 | 2021-02-19 | 成都信息工程大学 | 一种无人接驳车多站点路径优化的改进遗传算法 |
| CN113296520A (zh) * | 2021-05-26 | 2021-08-24 | 河北工业大学 | 融合a*与改进灰狼算法的巡检机器人路径规划方法 |
| CN114115289A (zh) * | 2021-12-07 | 2022-03-01 | 湖南大学 | 一种自主无人集群侦察系统 |
| CN114047770A (zh) * | 2022-01-13 | 2022-02-15 | 中国人民解放军陆军装甲兵学院 | 一种多内心搜寻改进灰狼算法的移动机器人路径规划方法 |
| CN114779758A (zh) * | 2022-03-18 | 2022-07-22 | 中国科学院合肥物质科学研究院 | 无人机与无人车异构协同系统的路径规划方法 |
| CN115113628A (zh) * | 2022-08-10 | 2022-09-27 | 天津城建大学 | 一种基于改进灰狼算法的巡检机器人路径规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| 心升明月: "基于混沌博弈优化算法的函数寻优算法", 《HTTPS://BLOG.CSDN.NET/WEIXIN_43821559/ARTICLE/DETAILS/123209143》 * |
| 戈阳: "融入等温过程的改进灰狼优化算法", 《现代电子技术》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115657694A (zh) * | 2022-12-29 | 2023-01-31 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息交互的无人车路径规划方法 |
| CN116306234A (zh) * | 2023-02-08 | 2023-06-23 | 淮阴工学院 | 一种燃气轮机的氮氧化物预测排放检测方法及系统 |
| CN116306234B (zh) * | 2023-02-08 | 2023-10-20 | 淮阴工学院 | 一种燃气轮机的氮氧化物预测排放检测方法及系统 |
| CN116012741A (zh) * | 2023-03-17 | 2023-04-25 | 国网湖北省电力有限公司经济技术研究院 | 高压输电线路水土流失监测系统 |
| CN116012741B (zh) * | 2023-03-17 | 2023-06-13 | 国网湖北省电力有限公司经济技术研究院 | 高压输电线路水土流失监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115437386B (zh) | 2023-02-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115437386B (zh) | 一种基于空地信息融合的无人车路径规划方法 | |
| CN106371445B (zh) | 一种基于拓扑地图的无人车规划控制方法 | |
| Wen et al. | Path planning for autonomous underwater vehicles under the influence of ocean currents based on a fusion heuristic algorithm | |
| CN107607120B (zh) | 基于改进修复式Anytime稀疏A*算法的无人机动态航迹规划方法 | |
| CN109945881B (zh) | 一种蚁群算法的移动机器人路径规划方法 | |
| CN115509239B (zh) | 一种基于空地信息共享的无人车路径规划方法 | |
| CN115407784B (zh) | 一种基于空地信息互补的无人车路径规划方法 | |
| CN112985408B (zh) | 一种路径规划优化方法及系统 | |
| CN116772880B (zh) | 一种基于无人机视觉的无人车路径规划方法 | |
| CN114047770B (zh) | 一种多内心搜寻改进灰狼算法的移动机器人路径规划方法 | |
| CN115657694B (zh) | 一种基于空地信息交互的无人车路径规划方法 | |
| CN110726408A (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
| CN113867368A (zh) | 一种基于改进海鸥算法的机器人路径规划方法 | |
| CN115113628A (zh) | 一种基于改进灰狼算法的巡检机器人路径规划方法 | |
| CN103267528A (zh) | 禁飞区限制下的多无人机协同区域搜索方法 | |
| CN113885536B (zh) | 一种基于全局海鸥算法的移动机器人路径规划方法 | |
| CN104850009A (zh) | 一种基于捕食逃逸鸽群优化的多无人飞行器编队协调控制方法 | |
| CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
| CN112327876B (zh) | 一种基于终距指数的机器人路径规划方法 | |
| CN113867369B (zh) | 一种基于交流学习的海鸥算法的机器人路径规划方法 | |
| Wang | Path planning of mobile robot based on a* algorithm | |
| CN115469673B (zh) | 一种基于空地信息协同的无人车路径规划方法 | |
| CN114611801A (zh) | 一种基于改进的鲸鱼优化算法的旅行商问题求解方法 | |
| CN112000126A (zh) | 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法 | |
| CN111381605A (zh) | 一种应用于多无人机大范围海域水下多目标协同搜索方法 |
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 |