CN115469673B - 一种基于空地信息协同的无人车路径规划方法 - Google Patents

一种基于空地信息协同的无人车路径规划方法 Download PDF

Info

Publication number
CN115469673B
CN115469673B CN202211363545.XA CN202211363545A CN115469673B CN 115469673 B CN115469673 B CN 115469673B CN 202211363545 A CN202211363545 A CN 202211363545A CN 115469673 B CN115469673 B CN 115469673B
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.)
Active
Application number
CN202211363545.XA
Other languages
English (en)
Other versions
CN115469673A (zh
Inventor
陈克伟
胡雪松
郭威
廖自力
尚颖辉
石海滨
张嘉曦
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.)
Academy of Armored Forces of PLA
Original Assignee
Academy of Armored Forces of PLA
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 Academy of Armored Forces of PLA filed Critical Academy of Armored Forces of PLA
Priority to CN202211363545.XA priority Critical patent/CN115469673B/zh
Publication of CN115469673A publication Critical patent/CN115469673A/zh
Application granted granted Critical
Publication of CN115469673B publication Critical patent/CN115469673B/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, 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
    • G05D1/0217—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
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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

本发明提供一种基于空地信息协同的无人车路径规划方法，包括以下步骤：获取无人车移动区域地图；根据无人车移动区域地图，建立基于空地信息协同的无人车路径规划的目标函数；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协同的无人车路径规划的效果。

Description

一种基于空地信息协同的无人车路径规划方法
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协同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。
基于空地信息协同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。
基于空地信息协同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，陈雪俊等对智能水滴算法进行了改进，提出了改进水滴算法的无人车避障路径规划方法（陈雪俊,贝绍轶. 一种基于改进智能水滴算法的无人车避障路径规划方法[P]. 江苏省：CN110703767A,2020-01-17.）；刘洪丹等提出了量子狼群算法并用于无人驾驶智能车的自动避障研究（刘胜,张兰勇,丁一轩,李冰,李芃,孙玥. 基于量子狼群算法的无人驾驶智能车自动避碰方法[P]. 黑龙江省：CN110471426A,2019-11-19.）。
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协同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协同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。
一种基于空地信息协同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，并引入瞬态搜索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 ：
Figure DEST_PATH_IMAGE001
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：
Figure 588178DEST_PATH_IMAGE002
。
优选地，所述引入瞬态搜索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：
Figure 880619DEST_PATH_IMAGE003
计算当前狼的下一个位置X(t+1)：
Figure 3296DEST_PATH_IMAGE004
其中，
Figure 245053DEST_PATH_IMAGE005
表示猎物的位置；
Figure 896614DEST_PATH_IMAGE006
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：
Figure 207509DEST_PATH_IMAGE007
Figure 399456DEST_PATH_IMAGE008
式中，
Figure DEST_PATH_IMAGE009
和
Figure 479408DEST_PATH_IMAGE010
为[0,1]的随机数，
Figure DEST_PATH_IMAGE011
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：
Figure 82296DEST_PATH_IMAGE012
Figure 880488DEST_PATH_IMAGE013
Figure 876126DEST_PATH_IMAGE014
Figure 76163DEST_PATH_IMAGE015
Figure 803948DEST_PATH_IMAGE016
Figure 105747DEST_PATH_IMAGE017
Figure 373917DEST_PATH_IMAGE018
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，Y为三个位置的平均值；
引入瞬态搜索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：
Figure 631723DEST_PATH_IMAGE019
其中：
Figure 858305DEST_PATH_IMAGE020
Figure 834352DEST_PATH_IMAGE021
Figure 640634DEST_PATH_IMAGE022
Figure 347688DEST_PATH_IMAGE023
式中，
Figure 417275DEST_PATH_IMAGE024
为更新后的第t+1次迭代的灰狼位置；
Figure 677355DEST_PATH_IMAGE025
表示第t次迭代的最佳位置，即α狼的位置；
Figure 552907DEST_PATH_IMAGE026
为当前第t次迭代的灰狼位置；
Figure 785305DEST_PATH_IMAGE027
和
Figure 353690DEST_PATH_IMAGE028
为[0,1]之间的随机数；Ct和
Figure 586219DEST_PATH_IMAGE029
为随机的热阻系数；
Figure 203146DEST_PATH_IMAGE030
为衰减系数，随着迭代次数从2逐渐减小为0；
Figure DEST_PATH_IMAGE031
为常数（k=0,1,2…)；
Figure 86788DEST_PATH_IMAGE032
、
Figure DEST_PATH_IMAGE033
和
Figure 357232DEST_PATH_IMAGE034
为[0,1]内的随机数；
Figure DEST_PATH_IMAGE035
、
Figure 310014DEST_PATH_IMAGE036
和
Figure DEST_PATH_IMAGE037
是表示第t次迭代时随机选择的三个灰狼个体，
Figure 261789DEST_PATH_IMAGE038
；
Figure 265517DEST_PATH_IMAGE039
是
Figure 175704DEST_PATH_IMAGE035
、
Figure 382826DEST_PATH_IMAGE036
和
Figure 341555DEST_PATH_IMAGE037
的平均值；Miter表示迭代次数；
计算适应度值：
Figure 199789DEST_PATH_IMAGE040
式中，
Figure 218561DEST_PATH_IMAGE041
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) '：
Figure 162246DEST_PATH_IMAGE042
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：
Figure 986983DEST_PATH_IMAGE043
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协同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，引入瞬态搜索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、种群内部的其他灰狼的平均位置等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协同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协同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协同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协同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协同的无人车路径规划，基于空地信息协同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：建立基于空地信息协同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 ：
Figure 902986DEST_PATH_IMAGE001
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：
Figure 873085DEST_PATH_IMAGE002
。
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：
Figure 569645DEST_PATH_IMAGE003
计算当前狼的下一个位置X(t+1)：
Figure 666914DEST_PATH_IMAGE004
其中，
Figure 703004DEST_PATH_IMAGE005
表示猎物的位置；
Figure 142206DEST_PATH_IMAGE006
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：
Figure 60484DEST_PATH_IMAGE007
Figure 164706DEST_PATH_IMAGE044
式中，
Figure 852039DEST_PATH_IMAGE009
和
Figure 383515DEST_PATH_IMAGE010
为[0,1]的随机数，
Figure 523509DEST_PATH_IMAGE011
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：
Figure 477427DEST_PATH_IMAGE012
Figure 284846DEST_PATH_IMAGE013
Figure 987223DEST_PATH_IMAGE014
Figure 880093DEST_PATH_IMAGE045
Figure 122855DEST_PATH_IMAGE016
Figure 722464DEST_PATH_IMAGE046
Figure 143212DEST_PATH_IMAGE047
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，Y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，引入瞬态搜索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、种群内部的其他灰狼的平均位置等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。
借鉴瞬态搜索优化算法，改进后的灰狼位置更新公式如下：
Figure 523378DEST_PATH_IMAGE019
其中：
Figure 507514DEST_PATH_IMAGE020
Figure 289526DEST_PATH_IMAGE048
Figure 130443DEST_PATH_IMAGE049
Figure 935588DEST_PATH_IMAGE050
式中，
Figure 775280DEST_PATH_IMAGE024
为更新后的第t+1次迭代的灰狼位置；
Figure 411797DEST_PATH_IMAGE025
表示第t次迭代的最佳位置，即α狼的位置；
Figure 626878DEST_PATH_IMAGE026
为当前第t次迭代的灰狼位置；
Figure 716057DEST_PATH_IMAGE027
和
Figure 104313DEST_PATH_IMAGE028
为[0,1]之间的随机数；
Figure 533020DEST_PATH_IMAGE051
和
Figure 732051DEST_PATH_IMAGE029
为随机的热阻系数；
Figure 511789DEST_PATH_IMAGE030
为衰减系数，随着迭代次数从2逐渐减小为0；
Figure 438156DEST_PATH_IMAGE031
为常数（k=0,1,2…)；
Figure 783687DEST_PATH_IMAGE032
、
Figure 402887DEST_PATH_IMAGE033
和
Figure 404341DEST_PATH_IMAGE034
为[0,1]内的随机数；
Figure 649247DEST_PATH_IMAGE035
、
Figure 583705DEST_PATH_IMAGE036
和
Figure 577068DEST_PATH_IMAGE037
是表示第t次迭代时随机选择的三个灰狼个体，
Figure 128136DEST_PATH_IMAGE038
；
Figure 599568DEST_PATH_IMAGE039
是
Figure 654112DEST_PATH_IMAGE035
、和
Figure 631426DEST_PATH_IMAGE037
的平均值；Miter表示迭代次数。
S6：计算适应度值。
Figure 138631DEST_PATH_IMAGE052
式中，
Figure 413754DEST_PATH_IMAGE041
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) '：
Figure 588384DEST_PATH_IMAGE042
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：
Figure 720288DEST_PATH_IMAGE043
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 37.799
IGWO 32.9706
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 (3)

1.一种基于空地信息协同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无人车路径规划的目标函数；
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，并引入瞬态搜索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；
所述引入瞬态搜索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：
D＝|C×Xp(t)-X(t)|
计算当前狼的下一个位置X(t+1)：
X(t+1)＝Xp(t)-A×D
其中，Xp(t)表示猎物的位置；X(t)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：
A＝2ar1-a
C＝2r2
式中，r1和r2为[0,1]的随机数，a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Xα、Xβ、Xδ进行位置更新：
Dα＝|C1×Xα-X(t)|
Dβ＝|C2×Xβ-X(t)|
Dδ＝|C3×Xδ-X(t)|
X1＝Xα-A1×Dα
X2＝Xβ-A2×Dβ
X3＝Xδ-A3×Dδ
Figure FDA0004053894380000031
式中，X1、X2、X3分别为当前狼在α狼、β狼、δ狼引导下的下一个位置，Y为三个位置的平均值；
引入瞬态搜索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：
Figure FDA0004053894380000032
其中：
Ct＝k·z·λ3+1
T＝2·z·λ2-z
Figure FDA0004053894380000033
Figure FDA0004053894380000034
式中，X(t+1)为更新后的第t+1次迭代的灰狼位置；Xbs(t)表示第t次迭代的最佳位置，即α狼的位置；X(t)为当前第t次迭代的灰狼位置；α和β为[0,1]之间的随机数；Ct和T为随机的热阻系数；z为衰减系数，随着迭代次数从2逐渐减小为0；k为常数；λ1、λ2和λ3为[0,1]内的随机数；Xr1(t)、Xr2(t)和Xr3(t)是表示第t次迭代时随机选择的三个灰狼个体，r1≠r2≠r3；Xavg(t)是Xr1(t)、Xr2(t)和Xr3(t)的平均值；Miter表示迭代次数；
计算适应度值：
fitness(t)＝Ff(X(t+1))
式中，Ff(·)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。
2.根据权利要求1所述的一种基于空地信息协同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xt：
Figure FDA0004053894380000041
式中，xt+1为下一个随机数；
利用产生的Singer随机数初始化灰狼位置：
X(t)＝(UB-LB)×xt-LB。
3.根据权利要求2所述的一种基于空地信息协同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Xbs(t+1)'：
Figure FDA0004053894380000051
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：
Figure FDA0004053894380000052
确定更新后的最优灰狼位置为Xbs(t+1)。
CN202211363545.XA 2022-11-02 2022-11-02 一种基于空地信息协同的无人车路径规划方法 Active CN115469673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211363545.XA CN115469673B (zh) 2022-11-02 2022-11-02 一种基于空地信息协同的无人车路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211363545.XA CN115469673B (zh) 2022-11-02 2022-11-02 一种基于空地信息协同的无人车路径规划方法

Publications (2)

Publication Number Publication Date
CN115469673A CN115469673A (zh) 2022-12-13
CN115469673B true CN115469673B (zh) 2023-03-14

Family

ID=84337741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211363545.XA Active CN115469673B (zh) 2022-11-02 2022-11-02 一种基于空地信息协同的无人车路径规划方法

Country Status (1)

Country Link
CN (1) CN115469673B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116678409B (zh) * 2023-04-24 2024-03-12 大连海事大学 一种基于改进灰狼算法的北极冰区船舶路径规划方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112082567A (zh) * 2020-09-05 2020-12-15 上海智驾汽车科技有限公司 基于改进Astar和灰狼算法结合的地图路径规划方法
CN113759915A (zh) * 2021-09-08 2021-12-07 广州杰赛科技股份有限公司 一种agv小车路径规划方法、装置、设备及存储介质
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110608743B (zh) * 2019-10-18 2020-11-06 南京航空航天大学 基于多种群混沌灰狼算法的多无人机协同航路规划方法
US20210287556A1 (en) * 2020-03-13 2021-09-16 Electronics And Telecommunications Research Institute Method and apparatus for generating optimal path for an unmanned aerial vehicle
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112082567A (zh) * 2020-09-05 2020-12-15 上海智驾汽车科技有限公司 基于改进Astar和灰狼算法结合的地图路径规划方法
CN113759915A (zh) * 2021-09-08 2021-12-07 广州杰赛科技股份有限公司 一种agv小车路径规划方法、装置、设备及存储介质
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
动态优化问题的瞬态自适应麻雀搜索算法求解;刘睿 等;《计算机应用研究》;20220728;第2-10页 *

Also Published As

Publication number Publication date
CN115469673A (zh) 2022-12-13

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
CN110083165B (zh) 一种机器人在复杂狭窄环境下路径规划方法
CN109945881B (zh) 一种蚁群算法的移动机器人路径规划方法
CN115407784B (zh) 一种基于空地信息互补的无人车路径规划方法
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
CN112985408B (zh) 一种路径规划优化方法及系统
CN111381600B (zh) 一种基于粒子群算法的uuv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
CN110726408A (zh) 一种基于改进蚁群算法的移动机器人路径规划方法
CN107607120A (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
Cheng et al. Path planning based on immune genetic algorithm for UAV
CN115469673B (zh) 一种基于空地信息协同的无人车路径规划方法
CN108413963A (zh) 基于自学习蚁群算法的条形机器人路径规划方法
CN107169557A (zh) 一种对布谷鸟优化算法进行改进的方法
CN115113628A (zh) 一种基于改进灰狼算法的巡检机器人路径规划方法
CN116772880B (zh) 一种基于无人机视觉的无人车路径规划方法
CN113867368A (zh) 一种基于改进海鸥算法的机器人路径规划方法
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
CN115657694A (zh) 一种基于空地信息交互的无人车路径规划方法
CN113220008B (zh) 多火星飞行器的协同动态路径规划方法
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
Wang Path planning of mobile robot based on a* algorithm
Wang et al. Research on dynamic path planning of wheeled robot based on deep reinforcement learning on the slope ground
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