CN116107328A - 一种基于改进遗传算法的扑翼飞行器最优自动避障方法 - Google Patents
一种基于改进遗传算法的扑翼飞行器最优自动避障方法 Download PDFInfo
- Publication number
- CN116107328A CN116107328A CN202310092031.3A CN202310092031A CN116107328A CN 116107328 A CN116107328 A CN 116107328A CN 202310092031 A CN202310092031 A CN 202310092031A CN 116107328 A CN116107328 A CN 116107328A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- ornithopter
- obstacle avoidance
- genetic algorithm
- probability
- 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.)
- Pending
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
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
- G05D1/0816—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability
- G05D1/0825—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using mathematical models
-
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明公开了一种基于改进遗传算法的扑翼飞行器最优自动避障方法,包括以下步骤;步骤1:在扑翼飞行器上装载障碍物检测装置,用于检测障碍物;步骤2,扑翼飞行器上装载避障控制系统,用于控制扑翼飞行器避障;步骤3:通过总线实现避障传感器和扑翼飞行器避障控制系统的交互;步骤4:计算障碍物与扑翼飞行器的碰撞风险度,判断是否需要避障;步骤5:利用改进遗传算法求出扑翼飞行器安全避障的全局最优解;步骤6:输出最优控制变量给避障控制系统控制扑翼飞行器避障。本发明具有便捷、高效、节能的特点,能够达到使扑翼飞行器快速安全且稳准节能避障的目的。
Description
技术领域
本发明属于扑翼飞行器避障技术领域,具体涉及一种基于改进遗传算法的扑翼飞行器最优自动避障方法。
背景技术
扑翼飞行器是一种模仿自然界中鸟类模型的一种飞行器,它能够像鸟类一样在空中进行扑翼飞行、悬停、避障等飞行动作,因此扑翼飞行器在军用侦察和民用航拍领域中的应用也越来越广泛。由于扑翼飞行器广泛的应用,那么对扑翼飞行器的安全飞行方面有着很高要求,扑翼飞行器需要工作在某些恶劣的环境下,在飞行过程中,飞行航线上会遇到各种各样障碍物,如果不能及时避障,飞行器在飞行途中就有可能与障碍物发生碰撞,将会对扑翼飞行器造成一定的损伤破坏。因此对扑翼飞行器的最优自动避障控制系统研究对提高扑翼飞行器的安全飞行具有及其重要的价值。
现有扑翼飞行器通过在飞行器上装载激光传感器或者超声波传感器,检测周围障碍物,将检测信息通过串口通讯方式向飞行控制器发送信号,飞行控制器做出避障反应,改变飞行姿态或者飞行方向,从而实现避开障碍物的功能。现有的避障控制策略,所需的控制时间周期较长,如果是改变飞行方向,并不能以最优的飞行路径实现,这样也会大大增加扑翼飞行器能耗。
发明内容
为了克服以上技术问题,本发明的目的在于提供一种基于改进遗传算法的扑翼飞行器最优自动避障方法,具有便捷、高效、节能的特点,能够达到使扑翼飞行器快速安全且稳准节能避障的目的。
为了实现上述目的,本发明采用的技术方案是:
一种基于改进遗传算法的扑翼飞行器最优自动避障方法,包括以下步骤;
步骤1:在扑翼飞行器上装载障碍物检测装置,用于检测障碍物;
步骤2,扑翼飞行器上装载避障控制系统,用于控制扑翼飞行器避障;
步骤3:通过总线实现避障传感器和扑翼飞行器避障控制系统的交互;
步骤4:计算障碍物与扑翼飞行器的碰撞风险度,判断是否需要避障;
步骤5:利用改进遗传算法求出扑翼飞行器安全避障的全局最优解;
步骤6:输出最优控制变量给避障控制系统控制扑翼飞行器避障。
所述障碍物检测装置,负责数据采集,所述的障碍物检测装置通过激光雷达传感器实现,避障传感器将探测到的数据进行处理,获取障碍物和扑翼飞行器的相对位置信息;
避障控制系统,负责数据的分析、处理和对系统的实时控制;
避障传感器通过总线与扑翼飞行器避障控制系统实现交互,将避障传感器采集到的障碍物实时数据传输到避障控制系统。
所述步骤4中计算障碍物的与扑翼飞行器的相对位置关系,计算障碍物与扑翼飞行器的碰撞风险度,具体过程为:
S42,将扑翼飞行器与障碍物的碰撞危险度作为网络输出;
S43,通过专家数据的学习,得到各神经元的连接权值和阈值,输出扑翼飞行器与障碍物的碰撞危险度;
S44,若扑翼飞行器与障碍物目标的碰撞危险度小于0.2,则继续按照原飞行路径继续飞行;
S45,若扑翼飞行器与障碍物目标的碰撞危险度高于0.2,则将信号传输到避障控制系统;
S46,利用改进遗传算法求出扑翼飞行器安全避障的全局最优路径。
所述步骤5中执行改进遗传算法的运算,根据障碍物检测装置检测到的现场障碍物位置信息,利用算法求出扑翼飞行器避障的最优路径;
先利用遗传算法的快速性、全局收敛性和随机性求出结果,结果产生有关问题的初始信息素分布,同时也得到了扑翼飞行器避障的最初优化路径,遗传算法执行完再运用蚁群算法,在一定初始信息素分布的情况下,充分利用蚁群算法并行性、正反馈性、求解精度效率高的特点,蚁群算法执行完成后得到扑翼飞行器避障的最终优化路径;吸取两个算法的优点,优缺互补,克服两个算法的缺点,利用了遗传算法的快速时间效率,优于蚂蚁算法的时间效率,蚁群算法求解精度效率优于遗传算法,这样就提高了两个算法结合的算法时间效率和求解精度,从而使得扑翼飞行器避障控制更加准确快速。
其算法流程为:
S51,当扑翼飞行器与障碍物目标的碰撞危险度高于0.2时,通过避障控制系统接收到的信号,对检测到的障碍物目标采用浮点数编码生成初始种群;
S52,计算初始种群中个体的适应度,适应度为扑翼飞行器的避障路径;
S53,选择操作;将选择算子作用于群体,根据适应度计算得出每一个个体的适应度值,根据每一个个体的概率比例,使用基于概率的轮盘赌方法选择出一些个体优良的个体遗传到下一代群体,先计算各个个体的被选择概率P(xi),再计算累积概率Qi,最后转动轮盘选出优良个体;
各个个体的被选择概率P(xi)具体公式如下:
其中群体的规模为N,F(xi)表示第i个个体的适应值;
累积概率Qi具体公式如下:
S54,交叉操作;将交叉算子作用于群体,首先从第一个个体开始比较两个相邻个体的适应度值大小,然后保留其中适应度值较大的个体记录其适应度值为f′再随机选择两个交叉点,以某一概率Pc交换他们之间的部分染色体,产生新的染色体,选择“优秀的”个体进入下一代;
交叉概率Pc公式具体如下:
S55,变异操作;将变异算子作用于群体,首先从第一个个体开始比较两个相邻个体的适应度值大小,然后保留其中适应度值较大的个体记录其适应度值为f′再随机选择两个变异点,以某一概率Pm改变某一个或一些基因值为其他的等位基因,选择“优秀的”个体进入下一代;
变异概率Pm公式具体如下:
S56,循环操作,群体经过选择、交叉和变异运算之后得到下一代群体,计算其适应度值,并根据适应度值经行排序,准备下一次遗传操作;
S57,达到最大迭代次数后,停止迭代,输出遗传算法得到的当前最优解;当前最优解即为满足一定避障要求条件的新的安全避障路径。
S58,根据遗传算法得到的当前最优解,生成信息素初始分布,同时进行参数初始化;
S59,构建解空间,将m个蚂蚁随机放置在不同的出发地,对于每个蚂蚁,按照概率函数选择下一个要到达的节点,构建探索线程中经过的各节点次数,所述概率函数为:
其中,α表示信息启发因子,β表示期望启发因子,τ(i,j)表示t时刻点(i,j)的信息素,η(i,j)表示从当前点向(i,j)转移的期望程度,i、j分别表示每段路径的起点和终点,allowedk表示未访问过的节点的集合;
S510,更新信息素,计算各个蚂蚁经过的路径长度,记录当前迭代次数中的历史最优解,即最短路径;同时根据蚂蚁的坐标位置,判断是否保留上一坐标位置到现在所处位置行迹路径的信息素:
τij(t+n)=(1-ρ)·τij(t)+Δτij(t)
Δτ(i,s)表示本次迭代在点(i,s)上的信息素增量,其计算方法如下:
其中表示本次迭代第k只蚂蚁在点(i,s)处留下的信息素,其计算公式如下:
S511,判断是否达到终止条件,若完成n次迭代,则迭代完成,停止迭代,得到最佳路径,输出全局最优解。
一种基于改进遗传算法的扑翼飞行器最优自动避障系统,包括障碍物检测模块、传输模块和避障控制模块;
所述障碍物检测模块,在扑翼飞行器上装载激光雷达传感器,用于探测障碍物并确定障碍物和扑翼飞行器的相对位置信息;
所述传输模块,通过总线将障碍物检测模块与扑翼飞行器避障控制模块连接起来;
所述避障控制模块,当有障碍物出现时,根据计算得到的扑翼飞行器与障碍物的碰撞危险度,当碰撞危险度>0.2时,采用遗传算法和蚁群算法结合得出扑翼飞行器安全避障的最优解,实时控制扑翼飞行器以最优路径及时避障;当碰撞危险度<0.2时,扑翼飞行器按照原规划路径继续飞行。
本发明的有益效果:
1、本发明完成了扑翼飞行器通过采集并分析障碍物位置信息,到制定最优避路径,完成了对障碍物最优自动躲避的全过程,大幅度提升了扑翼飞行器避障的智能化。
2、本发明使用遗传算法和蚁群算法相结合对扑翼飞行器飞行路径进行规划,克服了传统遗传算法易于陷于局部最优解的问题,使得规划路径的质量有所提升。
3、本发明通过改进式遗传算法对扑翼飞行器路径进行规划,实现扑翼飞行器在执行勘察、航拍等任务时能够及时发现障碍物并以最优路径避障,提高扑翼飞行器飞行的安全性。
附图说明
图1为本发明基于改进遗传算法的扑翼飞行器最优自动避障控制系统的整体流程图。
图2为本发明改进遗传算法的算法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1、图2所示,本实施例公开的一种基于改进遗传算法的扑翼飞行器最优自动避障系统,包括如下步骤:
在扑翼飞行器上装载障碍物检测装置,负责数据采集;
这里所采用的障碍物检测装置通过避障传感器实现;
进一步,避障传感器将探测到的数据进行处理,获取障碍物和扑翼飞行器的相对位置信息;
扑翼飞行器上装载避障控制系统,用于控制扑翼飞行器避障;
通过总线实现避障传感器和扑翼飞行器避障控制系统的交互;
计算扑翼飞行器与障碍物碰撞风险度;
计算障碍物与扑翼飞行器的碰撞危险度,具体过程为;
将扑翼飞行器与障碍物的碰撞危险度作为网络输出;
通过BP神经网络,得到各神经元的连接权值和阈值,输出扑翼飞行器与障碍物的碰撞危险度,由于扑翼飞行器本身是一个惯量模型,所以认为,极短时间内,扑翼飞行器相对于障碍物目标做匀速直线运动。因此本系统的数据采集周期设定为1秒。即扑翼飞行器在飞行中,实时对周围空中其他障碍物目标进行检测,在每个1秒内,针对危险度较高的障碍物目标进行避障,从而实现扑翼飞行器的智能避碰;
若扑翼飞行器与障碍物目标的碰撞危险度小于0.2,则继续按照原飞行路径继续飞行;
若扑翼飞行器与障碍物目标的碰撞危险度高于0.2,则将信号传输到避障控制系统;
在扑翼飞行器与障碍物碰撞风险度的研究中,将扑翼飞行器与最近障碍物的水平距离D、扑翼飞行器与最近障碍的物高度差H、扑翼飞行器与距离最短障碍物中心点组成的向量与x轴的夹角扑翼飞行器的当前方位角是影响危险度的重要因素。为了使计算的速度快些,将D、H、的值作为BP神经网络的输入,将扑翼飞行器与障碍物碰撞风险度作为网络输出。通过对专家数据的学习,得到各神经元的连接权值和阈值。
利用改进遗传算法规划出扑翼飞行器安全避障的全局最优解;
输出最优控制变量给扑翼飞行器。
最重要的,改进遗传算法的具体流程为:
将障碍物目标作为种群并生成初始种群;
计算初始种群中个体的适应度,适应度为扑翼飞行器的避障路径;
选择操作;为了提高遗传算法的收敛速度,根据适应度值的大小进行排序,并设置不同的选择概率,适应度值最大的个体不进行交叉和变异操作,直接进入下一代;适应度值较大的个体设置较高的选择概率;适应度值较小的个体设置较低的选择概率,并设置罚函数,连续计算后两代个体的适应度值,若个体的适应度值持续偏低,则通过罚函数进一步降低选择概率,使用基于概率的轮盘赌方法选择出一些个体优良的个体遗传到下一代群体,先计算各个个体的被选择概率P(xi),再计算累积概率Qi,最后转动轮盘选出优良个体;
各个个体的被选择概率P(xi)具体公式如下:
其中群体的规模为N,F(xi)表示第i个个体的适应值;
累积概率Qi具体公式如下:
交叉操作;交叉概率为0.1~0.3,将交叉算子作用于群体,首先从第一个个体开始比较两个相邻个体的适应度值大小,然后保留其中适应度值较大的个体记录其适应度值为f′,再随机选择两个交叉点,以某一概率Pc交换他们之间的部分染色体,进行n次,n>2,随机交叉操作,产生新的染色体,选择n次交叉后“优秀的”个体进入下一代;交叉概率Pc公式具体如下:
其中fmax为整个迭代循环过程中的最大适应度值,是整个迭代循环过程中的平均适应度值,f′为此次交叉操作中的较大适应度值;
变异操作;变异概率为0.01~0.1,将变异算子作用于群体,首先从第一个个体开始比较两个相邻个体的适应度值大小,然后保留其中适应度值较大的个体记录其适应度值为f′,再随机选择两个变异点,以某一概率Pm改变某一个或一些基因值为其他的等位基因,进行n次,n>2,随机变异操作,选择“优秀的”个体进入下一代;变异概率Pm公式具体如下:
循环操作,群体经过选择、交叉和变异运算之后得到下一代群体,计算其适应度值,并根据适应度值经行排序,准备下一次遗传操作;
经过多次迭代后适应度值不再增加(迭代次数可以在100~200之间),则认为算法搜寻到了最优解,停止迭代。
根据遗传算法得到的当前最优解,生成信息素初始分布,同时进行参数初始化;
构建解空间,将m个蚂蚁随机放置在不同的出发地,对于每个蚂蚁,按照概率函数选择下一个要到达的节点,构建探索线程中经过的各节点次数,所述概率函数为:
α表示信息启发因子
β表示期望启发因子,
τ(i,s)表示t时刻点(i,s)的信息素,
η(i,s)表示从当前点向(i,s)转移的期望程度,
i、j分别表示每段路径的起点和终点,
allowedk表示未访问过的节点的集合。
更新信息素,计算各个蚂蚁经过的路径长度,记录当前迭代次数中的历史最优解,即最短路径;同时根据蚂蚁的坐标位置,判断是否保留上一坐标位置到现在所处位置行迹路径的信息素:
τij(t+n)=(1-ρ)·τij(t)+Δτij(t)
Δτ(i,s)表示本次迭代在点(i,s)上的信息素增量,其计算方法如下:
其中表示本次迭代第k只蚂蚁在点(i,s)处留下的信息素,其计算公式如下:
判断是否达到终止条件,若完成n次迭代(迭代次数可以在50~100之间),则迭代完成,停止迭代,得到最佳路径,输出全局最优解。
Claims (5)
1.一种基于改进遗传算法的扑翼飞行器最优自动避障方法,其特征在于,包括以下步骤;
步骤1:在扑翼飞行器上装载障碍物检测装置,用于检测障碍物;
步骤2,扑翼飞行器上装载避障控制系统,用于控制扑翼飞行器避障;
步骤3:通过总线实现避障传感器和扑翼飞行器避障控制系统的交互;
步骤4:计算障碍物与扑翼飞行器的碰撞风险度,判断是否需要避障;
步骤5:利用改进遗传算法求出扑翼飞行器安全避障的全局最优解;
步骤6:输出最优控制变量给避障控制系统控制扑翼飞行器避障。
2.根据权利要求1所述的一种基于改进遗传算法的扑翼飞行器最优自动避障方法,其特征在于,所述障碍物检测装置,负责数据采集,所述的障碍物检测装置通过激光雷达传感器实现,避障传感器将探测到的数据进行处理,获取障碍物和扑翼飞行器的相对位置信息;
避障控制系统,负责数据的分析、处理和对系统的实时控制;
避障传感器通过总线与扑翼飞行器避障控制系统实现交互,将避障传感器采集到的障碍物实时数据传输到避障控制系统。
3.根据权利要求1所述的一种基于改进遗传算法的扑翼飞行器最优自动避障方法,其特征在于,所述步骤4中计算障碍物的与扑翼飞行器的相对位置关系,计算障碍物与扑翼飞行器的碰撞风险度,具体过程为:
S42,将扑翼飞行器与障碍物的碰撞危险度作为网络输出;
S43,通过专家数据的学习,得到各神经元的连接权值和阈值,输出扑翼飞行器与障碍物的碰撞危险度;
S44,若扑翼飞行器与障碍物目标的碰撞危险度小于0.2,则继续按照原飞行路径继续飞行;
S45,若扑翼飞行器与障碍物目标的碰撞危险度高于0.2,则将信号传输到避障控制系统;
S46,利用改进遗传算法求出扑翼飞行器安全避障的全局最优路径。
4.根据权利要求1所述的一种基于改进遗传算法的扑翼飞行器最优自动避障方法,其特征在于,所述步骤5中执行改进遗传算法的运算,根据障碍物检测装置检测到的现场障碍物位置信息,利用算法求出扑翼飞行器避障的最优路径;
其算法流程为:
S51,当扑翼飞行器与障碍物目标的碰撞危险度高于0.2时,通过避障控制系统接收到的信号,对检测到的障碍物目标采用浮点数编码生成初始种群;
S52,计算初始种群中个体的适应度,适应度为扑翼飞行器的避障路径;
S53,选择操作;将选择算子作用于群体,根据适应度计算得出每一个个体的适应度值,根据每一个个体的概率比例,使用基于概率的轮盘赌方法选择出一些个体优良的个体遗传到下一代群体,先计算各个个体的被选择概率P(xi),再计算累积概率Qi,最后转动轮盘选出优良个体;
各个个体的被选择概率P(xi)具体公式如下:
其中群体的规模为N,F(xi)表示第i个个体的适应值;
累积概率Qi具体公式如下:
S54,交叉操作;将交叉算子作用于群体,首先从第一个个体开始比较两个相邻个体的适应度值大小,然后保留其中适应度值较大的个体记录其适应度值为f′再随机选择两个交叉点,以某一概率Pc交换他们之间的部分染色体,产生新的染色体,选择“优秀的”个体进入下一代;
交叉概率Pc公式具体如下:
S55,变异操作;将变异算子作用于群体,首先从第一个个体开始比较两个相邻个体的适应度值大小,然后保留其中适应度值较大的个体记录其适应度值为f′再随机选择两个变异点,以某一概率Pm改变某一个或一些基因值为其他的等位基因,选择“优秀的”个体进入下一代;
变异概率Pm公式具体如下:
S56,循环操作,群体经过选择、交叉和变异运算之后得到下一代群体,计算其适应度值,并根据适应度值经行排序,准备下一次遗传操作;
S57,达到最大迭代次数后,停止迭代,输出遗传算法得到的当前最优解;当前最优解即为满足一定避障要求条件的新的安全避障路径。
S58,根据遗传算法得到的当前最优解,生成信息素初始分布,同时进行参数初始化;
S59,构建解空间,将m个蚂蚁随机放置在不同的出发地,对于每个蚂蚁,按照概率函数选择下一个要到达的节点,构建探索线程中经过的各节点次数,所述概率函数为:
其中,α表示信息启发因子,β表示期望启发因子,τ(i,j)表示t时刻点(i,j)的信息素,η(i,j)表示从当前点向(i,j)转移的期望程度,i、j分别表示每段路径的起点和终点,allowedk表示未访问过的节点的集合;
S510,更新信息素,计算各个蚂蚁经过的路径长度,记录当前迭代次数中的历史最优解,即最短路径;同时根据蚂蚁的坐标位置,判断是否保留上一坐标位置到现在所处位置行迹路径的信息素:
τij(t+n)=(1-ρ)·τij(t)+Δτij(t)
Δτ(i,s)表示本次迭代在点(i,s)上的信息素增量,其计算方法如下:
其中表示本次迭代第k只蚂蚁在点(i,s)处留下的信息素,其计算公式如下:
S511,判断是否达到终止条件,若完成n次迭代,则迭代完成,停止迭代,得到最佳路径,输出全局最优解。
5.基于权利要求1-4任一项所述方法制备的一种基于改进遗传算法的扑翼飞行器最优自动避障系统,其特征在于,包括障碍物检测模块、传输模块和避障控制模块;
所述障碍物检测模块,在扑翼飞行器上装载激光雷达传感器,用于探测障碍物并确定障碍物和扑翼飞行器的相对位置信息;
所述传输模块,通过总线将障碍物检测模块与扑翼飞行器避障控制模块连接起来;
所述避障控制模块,当有障碍物出现时,根据计算得到的扑翼飞行器与障碍物的碰撞危险度,当碰撞危险度>0.2时,采用遗传算法和蚁群算法结合得出扑翼飞行器安全避障的最优解,实时控制扑翼飞行器以最优路径及时避障;当碰撞危险度<0.2时,扑翼飞行器按照原规划路径继续飞行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310092031.3A CN116107328A (zh) | 2023-02-09 | 2023-02-09 | 一种基于改进遗传算法的扑翼飞行器最优自动避障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310092031.3A CN116107328A (zh) | 2023-02-09 | 2023-02-09 | 一种基于改进遗传算法的扑翼飞行器最优自动避障方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116107328A true CN116107328A (zh) | 2023-05-12 |
Family
ID=86255807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310092031.3A Pending CN116107328A (zh) | 2023-02-09 | 2023-02-09 | 一种基于改进遗传算法的扑翼飞行器最优自动避障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116107328A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101943916A (zh) * | 2010-09-07 | 2011-01-12 | 陕西科技大学 | 一种基于卡尔曼滤波器预测的机器人避障方法 |
CN104408589A (zh) * | 2014-10-24 | 2015-03-11 | 陕西科技大学 | 基于混合粒子群算法的agv优化调度方法 |
CN104618982A (zh) * | 2015-01-08 | 2015-05-13 | 重庆邮电大学 | 基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法 |
US20150371135A1 (en) * | 2014-06-23 | 2015-12-24 | International Business Machines Corporation | Solving vehicle routing problems using evolutionary computing techniques |
CN107943045A (zh) * | 2017-12-08 | 2018-04-20 | 江苏商贸职业学院 | 一种基于蚁群遗传融合算法的移动机器人路径规划方法 |
CN109933067A (zh) * | 2019-03-12 | 2019-06-25 | 哈尔滨工程大学 | 一种基于遗传算法和粒子群算法的无人艇避碰方法 |
CN110610304A (zh) * | 2019-08-28 | 2019-12-24 | 广西电网有限责任公司电力科学研究院 | 基于混合遗传-蚁群算法的巡检机器人跨区域调度方法 |
CN111338356A (zh) * | 2020-04-07 | 2020-06-26 | 哈尔滨工程大学 | 改进分布式遗传算法的多目标无人船避碰路径规划方法 |
CN111427368A (zh) * | 2020-06-01 | 2020-07-17 | 广州鹄志信息咨询有限公司 | 一种改进的多目标无人智能车避碰行驶方法 |
CN113935452A (zh) * | 2020-07-14 | 2022-01-14 | 天津科技大学 | 一种基于蚁群算法和遗传算法融合的配送中心拣货路径规划方法 |
CN114995413A (zh) * | 2022-05-26 | 2022-09-02 | 南京航空航天大学 | 基于改进遗传算法的智能小车路径规划方法 |
CN115331486A (zh) * | 2022-08-12 | 2022-11-11 | 河海大学 | 一种船舶碰撞风险评估与预测方法及装置 |
CN115510737A (zh) * | 2022-08-29 | 2022-12-23 | 集美大学 | 一种计算船舶碰撞风险的方法、装置及存储介质 |
CN115562273A (zh) * | 2022-10-11 | 2023-01-03 | 河北工业大学 | 基于混合改进蚁群算法的移动机器人路径规划方法及系统 |
-
2023
- 2023-02-09 CN CN202310092031.3A patent/CN116107328A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101943916A (zh) * | 2010-09-07 | 2011-01-12 | 陕西科技大学 | 一种基于卡尔曼滤波器预测的机器人避障方法 |
US20150371135A1 (en) * | 2014-06-23 | 2015-12-24 | International Business Machines Corporation | Solving vehicle routing problems using evolutionary computing techniques |
CN104408589A (zh) * | 2014-10-24 | 2015-03-11 | 陕西科技大学 | 基于混合粒子群算法的agv优化调度方法 |
CN104618982A (zh) * | 2015-01-08 | 2015-05-13 | 重庆邮电大学 | 基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法 |
CN107943045A (zh) * | 2017-12-08 | 2018-04-20 | 江苏商贸职业学院 | 一种基于蚁群遗传融合算法的移动机器人路径规划方法 |
CN109933067A (zh) * | 2019-03-12 | 2019-06-25 | 哈尔滨工程大学 | 一种基于遗传算法和粒子群算法的无人艇避碰方法 |
CN110610304A (zh) * | 2019-08-28 | 2019-12-24 | 广西电网有限责任公司电力科学研究院 | 基于混合遗传-蚁群算法的巡检机器人跨区域调度方法 |
CN111338356A (zh) * | 2020-04-07 | 2020-06-26 | 哈尔滨工程大学 | 改进分布式遗传算法的多目标无人船避碰路径规划方法 |
CN111427368A (zh) * | 2020-06-01 | 2020-07-17 | 广州鹄志信息咨询有限公司 | 一种改进的多目标无人智能车避碰行驶方法 |
CN113935452A (zh) * | 2020-07-14 | 2022-01-14 | 天津科技大学 | 一种基于蚁群算法和遗传算法融合的配送中心拣货路径规划方法 |
CN114995413A (zh) * | 2022-05-26 | 2022-09-02 | 南京航空航天大学 | 基于改进遗传算法的智能小车路径规划方法 |
CN115331486A (zh) * | 2022-08-12 | 2022-11-11 | 河海大学 | 一种船舶碰撞风险评估与预测方法及装置 |
CN115510737A (zh) * | 2022-08-29 | 2022-12-23 | 集美大学 | 一种计算船舶碰撞风险的方法、装置及存储介质 |
CN115562273A (zh) * | 2022-10-11 | 2023-01-03 | 河北工业大学 | 基于混合改进蚁群算法的移动机器人路径规划方法及系统 |
Non-Patent Citations (1)
Title |
---|
王斯琪: "基于深度学习的船舶避碰研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 09, pages 036 - 13 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109992000B (zh) | 一种基于分层强化学习的多无人机路径协同规划方法及装置 | |
CN107886201B (zh) | 多无人机任务分配的多目标优化方法及装置 | |
WO2018176595A1 (zh) | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 | |
Tian et al. | Real-time dynamic track planning of multi-UAV formation based on improved artificial bee colony algorithm | |
CN111256681B (zh) | 一种无人机群路径规划方法 | |
AU2022204569B2 (en) | Method for multi-agent dynamic path planning | |
Liu et al. | Study on UAV parallel planning system for transmission line project acceptance under the background of industry 5.0 | |
CN112817327B (zh) | 一种通信约束下的多无人机协同搜索方法 | |
CN115047910A (zh) | 一种基于雁形阵的无人机编队巡航控制方法 | |
CN116679719A (zh) | 基于动态窗口法与近端策略的无人车自适应路径规划方法 | |
CN115826601A (zh) | 基于逆向强化学习的无人机路径规划方法 | |
CN114037050B (zh) | 一种基于脉冲神经网络内在可塑性的机器人退化环境避障方法 | |
CN115903888A (zh) | 一种基于天牛群算法的旋翼无人机自主路径规划方法 | |
CN114089776A (zh) | 一种基于深度强化学习的无人机避障方法 | |
CN112484732B (zh) | 一种基于ib-abc算法的无人机飞行路径规划方法 | |
CN116107328A (zh) | 一种基于改进遗传算法的扑翼飞行器最优自动避障方法 | |
Cui et al. | UAV path planning method for data collection of fixed-point equipment in complex forest environment | |
CN112648999A (zh) | 一种基于多尺度网格细胞路径积分的类脑导航方法 | |
CN111427368A (zh) | 一种改进的多目标无人智能车避碰行驶方法 | |
CN116126023A (zh) | 一种多机协同动态障碍穿越方法及系统 | |
CN115729238A (zh) | 一种用于移动机器人自主避障的动态路径规划方法 | |
Zhang et al. | A multi-goal global dynamic path planning method for indoor mobile robot | |
CN114740873A (zh) | 一种基于多目标改进粒子群算法的自主式水下机器人的路径规划方法 | |
Chen et al. | UAV path planning based on the fusion algorithm of genetic and improved ant colony | |
Zhao et al. | Stochastic Heuristic Algorithms for Multi-UAV Cooperative Path Planning |
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 |