CN116481546A - 一种无人机航标巡检的路径规划方法 - Google Patents
一种无人机航标巡检的路径规划方法 Download PDFInfo
- Publication number
- CN116481546A CN116481546A CN202310462893.0A CN202310462893A CN116481546A CN 116481546 A CN116481546 A CN 116481546A CN 202310462893 A CN202310462893 A CN 202310462893A CN 116481546 A CN116481546 A CN 116481546A
- Authority
- CN
- China
- Prior art keywords
- navigation mark
- cluster
- navigation
- distance
- aerial 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
- 238000007689 inspection Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000003064 k means clustering Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 27
- 239000003016 pheromone Substances 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 241000257303 Hymenoptera Species 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 101100001669 Emericella variicolor andD gene Proteins 0.000 claims description 3
- 230000028327 secretion Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01C21/22—Plotting boards
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人机航标巡检的路径规划方法,包括收集目标区域内的航标经纬度,将航标经纬度经过转化为笛卡尔直角坐标;根据笛卡尔直角坐标计算航标的轮廓系数,并根据航标的轮廓系数确定初始聚类簇的数量K;通过K‑means聚类算法对初始聚类簇进行聚类获取优化聚类簇;根据优化聚类簇内的航标选择无人机的起飞点;根据优化聚类簇内无人机的起飞点与其他航标之间的距离进行再次优化聚类簇;通过蚁群算法对再次优化的聚类簇内的航标,进行巡检路径规划。解决了现有无人机的路径规划的方法仅考虑起点与终点间基于避让障碍点后的最优路线,且并没有与航标巡检的实际情况相结合的问题,保证了在无人机电量充足与信号有效距离内,规划出最优巡检路径。
Description
技术领域
本发明涉及航标巡检技术领域,尤其涉及一种无人机航标巡检的路径规划方法。
背景技术
在航标巡检领域中,传统的方式是通过人工巡检的方式进行航标巡检。随着航运业向高速化和智能化发展,为了近一步完善航标巡检,无人机逐渐应用于航标巡检领域。虽然无人机有自主路径规划的功能,但需要人工选择每一个路径点,操作较为麻烦,同时人工选择的路径可能并不是最短路径,实用性较差。
目前,现有技术在无人机的路径规划方面进行了大量的研究工作,无人机航标巡检的路径规划问题本质是一个大型旅行商(TSP)问题,然而,现有无人机的路径规划的方法更多的是考虑起点与终点间基于避让障碍点后的最优路线,并没有与航标巡检的实际情况相结合。无人机航标巡检的路径规划主要考虑的核心问题是多个航标的综合最优路径,而不是两个航标之间的路径。同时,在港口区域,无人机所处的空中领域几乎无阻碍。巡检无人机航标巡检的路径规划属于一个大型TSP问题,在遍历每个航标和回到出发点两个条件下寻找出最短路径。由于无人机的电量有限,操作端信号距离有限等约束条件,还要考虑总路程、最远距离等影响因素,现有的无人机的路径规划并未考虑上述影响因素。
发明内容
本发明提供一种无人机航标巡检的路径规划方法,以克服上述技术问题。
为了实现上述目的,本发明的技术方案是:
一种无人机航标巡检的路径规划方法,包括以下步骤:
步骤S1:收集目标区域内的所有航标的经纬度,并将所述航标的经纬度经过转化为笛卡尔直角坐标作为航标的位置坐标数据集;
步骤S2:根据所述航标的位置坐标数据集计算所述航标的轮廓系数,并根据所述航标的轮廓系数确定初始聚类簇的数量K;
步骤S3:通过K-means聚类算法对所述初始聚类簇进行聚类分析,获取优化聚类簇;
步骤S4:根据所述优化聚类簇内的航标的位置坐标选择无人机的起飞点;
步骤S5:根据所述优化聚类簇内无人机的起飞点与其他航标之间的距离进行再次优化聚类簇;
步骤S6:通过蚁群算法对所述再次优化的聚类簇内的航标,进行巡检路径规划。
进一步的,步骤S1中获取所述航标的位置坐标具体为
步骤S1.1:通过电子海图系统获取目标区域内的所有航标的经纬度;
步骤S1.2:假设航标X(x0,y0),将航标X从度.分.秒格式换算成度格式,换算公式为:
式中:x0表示航标X的经度;y0表示航标X的纬度;x1表示换算后度格式的经度;y1表示换算后度格式的纬度;
步骤S1.3:将换算后的航标X(x1,y1)从度数转换为弧度,计算公式为:
式中:x2表示航标度格式的经度转换后的弧度;y2表示航标度格式的纬度转换后的弧度;
步骤S1.4:对航标纬度进行米勒投影转换获得地球的平面投影,计算公式所示:
式中:表示经过米勒投影转换的航标纬度;lg表示以10为底的log函数;
设定地球为标准圆球体,地球周长为L,赤道为x轴,本初子午线为y轴,将航标的弧度转换为笛卡尔坐标,计算公式为:
式中:W表示x轴长度,且W=L;xd表示笛卡尔坐标的x0;H表示y轴长度,且yd表示笛卡尔坐标的y0;M表示米勒投影常数;
根据航标的经纬度对笛卡尔坐标(xd,yd)进行符号赋值,对于xd东经赋+,西经赋-;对于yd南纬赋+,北纬赋-。
进一步的,步骤S2中所述确定初始聚类簇的数量K,具体为
步骤S2.1:根据所述航标的位置坐标数据集,随机设定若干待聚类簇的数量;
步骤S2.2:计算各所述待聚类簇中航标的总轮廓系数,计算公式为
式中:Si表示航标i的轮廓系数;ai表示航标i与所在待聚类簇中其他航标的平均距离;bi表示第i个航标与其他待聚类簇中航标的平均距离的最小值,且D(xi,Ck)表示第i个航标与待聚类簇Ck中其他航标之间的平均距离;xi表示第i个航标;n表示当前待聚类簇中航标的个数;Sk表示当前待聚类簇数量的总轮廓系数,Sk∈[-1,1];
步骤S2.3:选取所述总轮廓系数Sk最大值对应的当前待聚类簇数量,作为初始聚类簇的数量K。
进一步的,步骤S3中所述获取优化聚类簇具体为
步骤S3.1:根据初始聚类簇的数量K,随机在各初始聚类簇内选取对应的航标作为初始聚类簇的质心;
所述初始聚类簇的质心表示为
步骤S3.2:计算所述初始聚类簇中航标至各所述质心的欧式距离并进行分簇,将所述航标划分到距离所述质心欧式距离平方和最小的初始聚类簇中,获得最新聚类簇;
所述航标至各所述质心的欧式距离的平方和S的计算公式为
式中:即为第i个航标到本簇质心的欧氏距离平方和;t表示迭代次数;S(t)表示在第t次循环时的S;/>表示求参数集合的函数,即当S(t)为最小值时的/>表示在第t次循环时簇的质心;/>表示第t次循环时的簇;
步骤S3.3:通过计算各所述最新聚类簇内航标间距离的平均值,作为所述最新聚类簇的质心,计算公式为
式中:表示最新聚类簇的质心;/>表示/>中航标的个数,/>表示第t次循环时的簇;xi表示第i个航标;
步骤S3.4:根据得到的所述最新聚类簇与最新聚类簇的质心,重复执行步骤S3.2至步骤S3.3,直至当前所述欧式距离的平方和S的最小值,与上一次迭代获取的欧式距离的平方和S的最小值相同,则停止迭代,获取优化聚类簇。
进一步的,步骤S4中所述选择无人机的起飞点的选取规则为
判断最终聚类簇内是否存在陆地航标;
若存在陆地航标,则选择陆地上的航标作为无人机起飞点;所述陆地上的航标包括灯塔或灯桩;
若不存在所述陆地航标,则选取所述最终聚类簇中的海上航标,并根据各海上航标距离陆地的最短距离与设定的距离阈值进行比较大小;若所述海上航标距离陆地的最短距离小于设定的距离阈值,则定义所述海上目标为近岸航标;若所述海上航标距离陆地的最短距离大于设定的距离阈值,则定义所述海上目标为远岸航标;
判断所述最终聚类簇中是否存在近岸航标;若存在,则选取距离所述近岸航标最短距离的陆地点作为起飞点;
若不存在,则选择所述远岸航标作为起飞点。
进一步的,步骤S5中所述再次优化聚类簇具体为
步骤S5.1:计算无人机在本次巡检路径中待飞行的最远距离Lk,计算公式为
Lk=max||xf-xl||,l≠f
式中:xf表示起飞点;xl表示最终聚类簇内非起飞点的其他航标;Lk表示第k簇内起飞点与距离起飞点最远的航标之间的距离;
步骤S5.2:根据无人机飞行限制距离与操作信号端对无人机的信号控制限制获取待巡检的无人机自身的最远飞行距离Lmax,并比较所述无人机自身的最远飞行距离Lmax与所述待飞行的最远距离Lk之间的大小;
若所述无人机自身的最远飞行距离Lmax大于所述待飞行的最远距离Lk,则无需对所述最终聚类簇继续优化;
若所述无人机自身的最远飞行距离Lmax小于所述待飞行的最远距离Lk,则将此所述最终聚类簇中航标的所在区域作为新的目标区域,重复步骤S1至步骤S4进行继续优化,直至优化后的最终聚类簇中的无人机自身的最远飞行距离Lmax大于所述待飞行的最远距离Lk。
进一步的,步骤S6中所述进行巡检路径规划具体为
步骤S6.1:假设有n个航标需要巡检;设定蚁群算法中的蚂蚁数量m与最大迭代次数NC_MAX,并将各蚂蚁置于起飞点位置,表示在第t次循环蚂蚁个体A从第i个航标移动到第j个航标的概率,计算公式为:
式中:tabuA(A=1,2,…,m)称为禁忌表;τij(t)表示在第t次循环第i个航标与第j个航标之间路径的信息素浓度;ηij(t)表示在第t次循环每一个蚂蚁从第i个航标移动到第j个航标的期望启发式,取dij表示第i个航标与第j个航标之间的距离,即蚂蚁的实际分泌物数量;τir(t)表示在第t次迭代第i个航标i与第r个航标之间距离的信息素浓度;ηir(t)表示在第t次迭代每一个蚂蚁从第i个航标移动到第r个航标的期望启发式,取/>dir表示第i个航标与第r个航标之间的距离;α表示信息素重要程度因子;β表示启发信息重要程度因子;
步骤S6.2:当蚂蚁遍历完最终聚类簇中所有的航标完成一次迭代后,则更新第i个航标与第j个航标之间路径的信息素浓度,更新规则公式为:
τij(t+1)=(1-ρ)τij(t)+Δτij
式中:τij(t+1)表示在t+1次循环第i个航标与第j个航标之间距离的信息素数量;τij(t)表示在第t次循环第i个航标与第j个航标之间路径的信息素数量,ρ∈(0,1),表示信息量的衰减程度;Δτij表示信息量增加量;
所述信息量增加量的公式为:
式中:表示蚂蚁A在本次循环中在第i个航标与第j个航标之间距离所留下的信息量,且用公式表示为:
式中:Q表示常系数;LA表示蚂蚁A在本次循环中所经过路径的总长度,初始值τij(0)=C,C为常数。
步骤S6.3:根据所述更新规则,迭代进行所述蚁群算法获取最优航标巡检路径dk;
步骤S6.4:比较所述最优航标巡检路径dk与待巡检的无人机自身的最远飞行距离Lmax的大小;
若所述最优航标巡检路径dk的距离小于等于待巡检的无人机自身的最远飞行距离Lmax,则所述最优航标巡检路径dk即为最终航标巡检路径;
若所述最优航标巡检路径dk的距离大于待巡检的无人机自身的最远飞行距离Lmax,则将此所述最终聚类簇中航标的所在区域作为新的目标区域,重复步骤S1至步骤S5。
有益效果:本发明提供了一种无人机航标巡检的路径规划方法,首先收集目标区域内的所有航标的经纬度,并将其转化为笛卡尔直角坐标,通过K-means聚类算法对航标的位置进行聚类分析获得最终聚类簇,并确认无人机的起飞点,根据最终聚类簇内无人机的起飞点与其他航标之间的距离进行再次优化聚类簇,基于蚁群算法对所述再次优化的聚类簇内的航标,在保证无人机电量充足,在信号有效距离内,规划出最优巡检路径。
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种无人机航标巡检的路径规划方法的流程图;
图2为本发明一种无人机航标巡检的路径规划方法的逻辑框图;
图3为本实施例中的广西防城港东部的东湾-云约江地区海图;
图4为本实施例中的轮廓系数图;
图5为本实施例中的K-means聚类效果图;
图6为本实施例中的第一目标区域海图;
图7为本实施例中的第二目标区域海图;
图8为本实施例中的第三目标区域海图;
图9为本实施例中的第四目标区域海图;
图10为本实施例中的第一目标区域海图的聚类效果卫星图;
图11为本实施例中的第二目标区域海图的聚类效果卫星图;
图12为本实施例中的第三目标区域海图的聚类效果卫星图;
图13为本实施例中的第四目标区域海图的聚类效果卫星图;
图14为本实施例中的第一聚类区域最远航标距离示意图;
图15为本实施例中的第二聚类区域最远航标距离示意图
图16为本实施例中的第三聚类区域最远航标距离示意图
图17为本实施例中的第四聚类区域最远航标距离示意图
图18为本实施例中的第一目标区域海图的最终航标巡检的最优路径图;
图19为本实施例中的第一目标区域海图最优路径的适应度进化曲线图;
图20为本实施例中的第二目标区域海图的最终航标巡检的最优路径图;
图21为本实施例中的第二目标区域海图最优路径的适应度进化曲线图;
图22为本实施例中的第三目标区域海图的最终航标巡检的最优路径图;
图23为本实施例中的第三目标区域海图最优路径的适应度进化曲线图;
图24为本实施例中的第四目标区域海图的最终航标巡检的最优路径图;
图25为本实施例中的第四目标区域海图最优路径的适应度进化曲线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供了一种无人机航标巡检的路径规划方法,如图1至图2所示,包括以下步骤:
步骤S1:收集目标区域内的所有航标的经纬度,并将所述航标的经纬度经过转化为笛卡尔直角坐标作为航标的位置坐标数据集;
步骤S2:根据所述航标的位置坐标数据集计算所述航标的轮廓系数,并根据所述航标的轮廓系数确定初始聚类簇的数量K;
步骤S3:通过K-means聚类算法对所述初始聚类簇进行聚类分析,获取优化聚类簇;
步骤S4:根据所述优化聚类簇内的航标的位置坐标选择无人机的起飞点;
步骤S5:根据所述优化聚类簇内无人机的起飞点与其他航标之间的距离进行再次优化聚类簇;
步骤S6:通过蚁群算法对所述再次优化的聚类簇内的航标,进行巡检路径规划。
首先通过电子海图系统获取目标区域,并收集目标区域内的所有航标的经纬度,并将其转化为笛卡尔直角坐标,通过K-means聚类算法对航标的位置进行聚类分析获得最终聚类簇,并确认无人机的起飞点,根据最终聚类簇内无人机的起飞点与其他航标之间的距离进行再次优化聚类簇,基于蚁群算法对所述再次优化的聚类簇内的航标,在保证无人机电量充足,在信号有效距离内,规划出最优巡检路径。本发明可以通过直接输入航标点,自动进行计算给出最优巡检路径,并将结果以图像和数字的方式显示,操作简单、快捷,显示直观,可作为航海保障中心规划航标巡检路径的参考依据。
在具体实施例中,步骤S1中获取所述航标的位置坐标具体为
步骤S1.1:通过电子海图系统获取目标区域内的所有航标的经纬度;
步骤S1.2:假设航标X(x0,y0),将航标X从度.分.秒格式换算成度格式,换算公式为:
式中:x0表示航标X的经度;y0表示航标X的纬度;x1表示换算后度格式的经度;y1表示换算后度格式的纬度;且x0与y0以“度.分.秒”格式进行计算,且“分”位若为个位数则补0,例如108°2'14.00"输入108.0214;
步骤S1.3:将换算后的航标X(x1,y1)从度数转换为弧度,计算公式为:
式中:x2表示航标度格式的经度转换后的弧度;y2表示航标度格式的纬度转换后的弧度;
步骤S1.4:对航标纬度进行米勒投影转换获得地球的平面投影,计算公式所示:
式中:表示经过米勒投影转换的航标纬度;lg表示以10为底的log函数;
设定地球为标准圆球体,地球周长为L,赤道为x轴,本初子午线为y轴,将航标的弧度转换为笛卡尔坐标,计算公式为:
式中:W表示x轴长度,且W=L;xd表示笛卡尔坐标的x0;H表示y轴长度,且yd表示笛卡尔坐标的y0;M表示米勒投影常数;
根据航标的经纬度对笛卡尔坐标(xd,yd)进行符号赋值,对于xd东经赋+,西经赋-;对于yd南纬赋+,北纬赋-。
在具体实施例中,步骤S2中所述确定初始聚类簇的数量K,具体为
步骤S2.1:K-means算法作为一个无监督的知识发现算法,需要人为事先确定聚类数K。因此,在对数据进行聚类之前,要对不同的聚类个数K进行有效性分析,根据所述航标的位置坐标数据集,随机设定若干待聚类簇的数量;
步骤S2.2:计算各所述待聚类簇中航标的总轮廓系数,计算公式为
式中:Si表示航标i的轮廓系数;ai表示航标i与所在待聚类簇中其他航标的平均距离;bi表示第i个航标与其他待聚类簇中航标的平均距离的最小值,且D(xi,Ck)表示第i个航标与待聚类簇Ck中其他航标之间的平均距离;xi表示第i个航标;n表示当前待聚类簇中航标的个数;Sk表示当前待聚类簇数量的总轮廓系数,Sk∈[-1,1];
步骤S2.3:选取所述总轮廓系数Sk最大值对应的当前待聚类簇数量,作为初始聚类簇的数量K。
在具体实施例中,步骤S3中所述获取优化聚类簇具体为
步骤S3.1:输入转换的航标坐标作为初始数据,选取Sk最大值的K作为初始簇的数量,并根据初始聚类簇的数量K,随机在各初始聚类簇内选取对应的航标作为初始聚类簇的质心;
所述初始聚类簇的质心表示为
步骤S3.2:计算所述初始聚类簇中航标至各所述质心的欧式距离并进行分簇,将所述航标划分到距离所述质心欧式距离平方和最小的初始聚类簇中,获得最新聚类簇;
所述航标至各所述质心的欧式距离的平方和S的计算公式为
式中:即为第i个航标到本簇质心的欧氏距离平方和;t表示迭代次数;S(t)表示在第t次循环时的S;/>表示求参数集合的函数,即当S(t)为最小值时的/>表示在第t次循环时簇的质心;/>表示第t次循环时的簇;
步骤S3.3:通过计算各所述最新聚类簇内航标间距离的平均值,作为所述最新聚类簇的质心,计算公式为
式中:表示最新聚类簇的质心;/>表示/>中航标的个数,Ck (t)表示第t次循环时的簇;xi表示第i个航标;
步骤S3.4:根据得到的所述最新聚类簇与最新聚类簇的质心,重复执行步骤S3.2至步骤S3.3,直至当前所述欧式距离的平方和S的最小值,与上一次迭代获取的欧式距离的平方和S的最小值相同,则停止迭代,获取优化聚类簇。且此时聚类完成后,每个聚类簇和聚类簇的质心不会在变化,将一个整体目标区域拆成了K个区域分别进行路径规划。
在具体实施例中,步骤S4中所述选择无人机的起飞点的选取规则为
判断最终聚类簇内是否存在陆地航标;
若存在陆地航标,则根据“就近原则”选择陆地上的航标作为无人机起飞点;所述“就近原则”为优先选择距离岸边最近的航标;所述陆地上的航标包括灯塔或灯桩;
若不存在所述陆地航标,则选取所述最终聚类簇中的海上航标,并根据各海上航标距离陆地的最短距离与设定的距离阈值进行比较大小;若所述海上航标距离陆地的最短距离小于设定的距离阈值,则定义所述海上目标为近岸航标;若所述海上航标距离陆地的最短距离大于设定的距离阈值,则定义所述海上目标为远岸航标;
判断所述最终聚类簇中是否存在近岸航标;若存在,则选取距离所述近岸航标最短距离的陆地点作为起飞点;
若不存在,则选择所述远岸航标作为起飞点。
在具体实施例中,步骤S5中所述再次优化聚类簇具体为
步骤S5.1:计算无人机在本次巡检路径中待飞行的最远距离Lk,计算公式为
Lk=max||xf-xl||,l≠f
式中:xf表示起飞点;xl表示最终聚类簇内非起飞点的其他航标;Lk表示第k簇内起飞点与距离起飞点最远的航标之间的距离;
步骤S5.2:根据无人机飞行限制距离与操作信号端对无人机的信号控制限制,获取待巡检的无人机自身的最远飞行距离Lmax,并比较所述无人机自身的最远飞行距离Lmax与所述待飞行的最远距离Lk之间的大小;
若所述无人机自身的最远飞行距离Lmax大于所述待飞行的最远距离Lk,则无需对所述最终聚类簇继续优化;
若所述无人机自身的最远飞行距离Lmax小于所述待飞行的最远距离Lk,则将此所述最终聚类簇中航标的所在区域作为新的目标区域,重复步骤S1至步骤S4进行继续优化,直至优化后的最终聚类簇中的无人机自身的最远飞行距离Lmax大于所述待飞行的最远距离Lk。
由于无人机与操作端受信号接受等限制因素,受限于最远飞行距离Lmax,需要保证簇内起飞点与距离起飞点最远的航标之间的距离要小于等于Lmax,即Lk≤Lmax,否则将此簇的坐标作为初始坐标重新进行聚类计算。
在具体实施例中,步骤S6中所述进行巡检路径规划具体为
步骤S6.1:假设有n个航标需要巡检;设定蚁群算法中的蚂蚁数量m与最大迭代次数NC_MAX,并将各蚂蚁置于起飞点位置,表示在第t次循环蚂蚁个体A从第i个航标移动到第j个航标的概率,计算公式为:
式中:tabuA(A=1,2,…,m)称为禁忌表,用以记录蚂蚁A当前已到达过的航标,即第j个航标为还没遍历过的航标;τij(t)表示在第t次循环第i个航标与第j个航标之间路径的信息素浓度;ηij(t)表示在第t次循环每一个蚂蚁从第i个航标移动到第j个航标的期望启发式,取dij表示第i个航标与第j个航标之间的距离,即蚂蚁的实际分泌物数量;τir(t)表示在第t次迭代第i个航标i与第r个航标之间距离的信息素浓度;ηir(t)表示在第t次迭代每一个蚂蚁从第i个航标移动到第r个航标的期望启发式,取/>dir表示第i个航标与第r个航标之间的距离;α表示信息素重要程度因子;当该值越大时,后续的蚂蚁就越有可能选择前面蚂蚁经过的路径,减少了蚂蚁路径选择的随机性;当该值越小时,蚂蚁选择路径的随机性越高,增强了搜索的随机性,但算法的收敛速度会变慢;β表示启发信息重要程度因子;当该值越大时,算法的随机性越弱,容易陷入局部最优解;当该值越小时,算法的随机性越强,但寻优难度也越高;
步骤S6.2:当蚂蚁遍历完最终聚类簇中所有的航标完成一次迭代后,每一只蚂蚁所经过的路径都是其中一个解,但不一定是最短路径的最优解,所以要对路径的信息素数量进行更新,则更新第i个航标与第j个航标之间路径的信息素浓度,更新规则公式为:
τij(t+1)=(1-ρ)τij(t)+Δτij
式中:τij(t+1)表示在t+1次循环第i个航标与第j个航标之间距离的信息素数量;τij(t)表示在第t次循环第i个航标与第j个航标之间路径的信息素数量,ρ∈(0,1),表示信息量的衰减程度;Δτij表示信息量增加量;
所述信息量增加量的公式为:
式中:表示蚂蚁A在本次循环中在第i个航标与第j个航标之间距离所留下的信息量,且用公式表示为:
式中:Q表示常系数;LA表示蚂蚁A在本次循环中所经过路径的总长度,初始值τij(0)=C,C为常数。
步骤S6.3:根据所述更新规则进行信息素数量更新之后,迭代进行所述蚁群算法获取最优航标巡检路径dk;且迭代次数人为设定,通常是该簇内航标数的1.5倍到2倍;
步骤S6.4:比较所述最优航标巡检路径dk与待巡检的无人机自身的最远飞行距离Lmax的大小;
若所述最优航标巡检路径dk的距离小于等于待巡检的无人机自身的最远飞行距离Lmax,则所述最优航标巡检路径dk即为最终航标巡检路径;
若所述最优航标巡检路径dk的距离大于待巡检的无人机自身的最远飞行距离Lmax,则将此所述最终聚类簇中航标的所在区域作为新的目标区域,重复步骤S1至步骤S5。
由于无人机受电量等因素的影响,无人机在单次飞行的总距离受到限制,为保证无人机可在单次飞行中巡检完簇内的航标,通过蚁群算法计算出来的最优路径dk要小于等于无人机最大飞行航程Lmax,即dk≤Lmax,否则将将此簇的坐标作为初始坐标重新进行聚类计算。
为了验证该算法的有效性,本发明使用MATLAB R2022a软件编写了计算软件,并选取了较为典型的港口区域进行验证,并显示算法结果。
如图3所示为广西防城港东部的东湾-云约江地区海图,本次实验选取此地区进行无人机航标巡检的路径规划;且实验中的无人机选择消费级多旋翼无人机,理论在无风环境下飞行时间为25分钟,最远飞行距离7公里,航程30公里。
首先收集航标的经纬度数据并转换为笛卡尔坐标输入,再进行K-means聚类处理。本此实验对K取2到10依次进行迭代,选取总体平均轮廓系数Sk最大值的K作为聚类个数,轮廓系数图如图4所示:当K=4时轮廓系数值为最大值0.74161,聚类效果最佳,故取K=4对选取地区进行K-means聚类。聚类效果如图5所示:根据K-means聚类的结果,将防城港东部地区的航标分成四个区域,如图6至图9所示:
由于四个区域均离码头岸边较近,故选择考近航标的岸边陆地作为无人机航标巡检的起飞点,根据实际卫星图选择起飞点:由图10至图11可知目标区域由于航标均无法通过汽车抵达,所以分别取陆地点(21°36'20.4"N,108°21'56.4"E)、(21°36'3.70"N,108°23'34.4"E)作为无人机起飞点;由图12至图13可知目标区域由于存在可驾驶汽车到达的岸边灯桩,所以分别选取东湾航道E号灯桩(21°35'17.20"N,108°21'33.60"E)、东湾航道LB1灯桩(21°35'39.20"N,108°23'0.08"E)作为无人机起飞点;
无人机的理论信号接受距离可达7公里,但实际操纵时受到码头其他电子设备的无线电干扰影响,在大于2公里时可能会出现信号较差现象,容易导致操纵不良、坠机等后果,为保证无人机能安全完成航标巡检任务,故对聚类区域最远的航标进行测距,结果如图14至图17所示,各聚类目标区域经测试均可保证无人机在航标巡检的信号接受情况良好,其中所述测试的手段为现有公知机技术,并非本申请的发明点,在催不再赘述:
之后根据K-means聚类后的区域进行蚁群算法,蚁群算法的相关参数设置如表1所示:
表1.蚁群算法参数设置表
参数 | 值 |
NC_MAX | 30 |
m | 50 |
α | 1 |
β | 5 |
ρ | 0.1 |
Q | 20 |
其中,NC_MAX表示最大迭代次数;α表示信息素重要程度因子;β表示启发式因子重要程度因子;ρ为信息素蒸发系数;Q为常系数。
本次实验按照表1的参数进行编程,对K-means聚类后的四个区域进行运算30次,如图18至图25所示为最终的优化最短路径及最优路径的适应度进化曲线,从图中可知,基于K-means聚类思想的蚁群算法可规划出无人机航标巡检的最优路径,进化速度较快,迭代次数较少,且能保证无人机有足够的电量完成每次巡检,在路径规划上具有较好的效果与实用性。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种无人机航标巡检的路径规划方法,其特征在于,包括以下步骤:
步骤S1:收集目标区域内的所有航标的经纬度,并将所述航标的经纬度经过转化为笛卡尔直角坐标作为航标的位置坐标数据集;
步骤S2:根据所述航标的位置坐标数据集计算所述航标的轮廓系数,并根据所述航标的轮廓系数确定初始聚类簇的数量K;
步骤S3:通过K-means聚类算法对所述初始聚类簇进行聚类分析,获取优化聚类簇;
步骤S4:根据所述优化聚类簇内的航标的位置坐标选择无人机的起飞点;
步骤S5:根据所述优化聚类簇内无人机的起飞点与其他航标之间的距离进行再次优化聚类簇;
步骤S6:通过蚁群算法对所述再次优化的聚类簇内的航标,进行巡检路径规划。
2.根据权利要求1所述的一种无人机航标巡检的路径规划方法,其特征在于,步骤S1中获取所述航标的位置坐标具体为
步骤S1.1:通过电子海图系统获取目标区域内的所有航标的经纬度;
步骤S1.2:假设航标X(x0,y0),将航标X从度.分.秒格式换算成度格式,换算公式为:
式中:x0表示航标X的经度;y0表示航标X的纬度;x1表示换算后度格式的经度;y1表示换算后度格式的纬度;
步骤S1.3:将换算后的航标X(x1,y1)从度数转换为弧度,计算公式为:
式中:x2表示航标度格式的经度转换后的弧度;y2表示航标度格式的纬度转换后的弧度;
步骤S1.4:对航标纬度进行米勒投影转换获得地球的平面投影,计算公式所示:
式中:表示经过米勒投影转换的航标纬度;lg表示以10为底的log函数;
设定地球为标准圆球体,地球周长为L,赤道为x轴,本初子午线为y轴,将航标的弧度转换为笛卡尔坐标,计算公式为:
式中:W表示x轴长度,且W=L;xd表示笛卡尔坐标的x0;H表示y轴长度,且yd表示笛卡尔坐标的y0;M表示米勒投影常数;
根据航标的经纬度对笛卡尔坐标(xd,yd)进行符号赋值,对于xd东经赋+,西经赋-;对于yd南纬赋+,北纬赋-。
3.根据权利要求1所述的一种无人机航标巡检的路径规划方法,其特征在于,步骤S2中所述确定初始聚类簇的数量K,具体为
步骤S2.1:根据所述航标的位置坐标数据集,随机设定若干待聚类簇的数量;
步骤S2.2:计算各所述待聚类簇中航标的总轮廓系数,计算公式为
式中:Si表示航标i的轮廓系数;ai表示航标i与所在待聚类簇中其他航标的平均距离;bi表示第i个航标与其他待聚类簇中航标的平均距离的最小值,且D(xi,Ck)表示第i个航标与待聚类簇Ck中其他航标之间的平均距离;xi表示第i个航标;n表示当前待聚类簇中航标的个数;Sk表示当前待聚类簇数量的总轮廓系数,Sk∈[-1,1];
步骤S2.3:选取所述总轮廓系数Sk最大值对应的当前待聚类簇数量,作为初始聚类簇的数量K。
4.根据权利要求1所述的一种无人机航标巡检的路径规划方法,其特征在于,步骤S3中所述获取优化聚类簇具体为
步骤S3.1:根据初始聚类簇的数量K,随机在各初始聚类簇内选取对应的航标作为初始聚类簇的质心;
所述初始聚类簇的质心表示为
步骤S3.2:计算所述初始聚类簇中航标至各所述质心的欧式距离并进行分簇,将所述航标划分到距离所述质心欧式距离平方和最小的初始聚类簇中,获得最新聚类簇;
所述航标至各所述质心的欧式距离的平方和S的计算公式为
式中:即为第i个航标到本簇质心的欧氏距离平方和;t表示迭代次数;S(t)表示在第t次循环时的S;/>表示求参数集合的函数,即当S(t)为最小值时的/> 表示在第t次循环时簇的质心;/>表示第t次循环时的簇;
步骤S3.3:通过计算各所述最新聚类簇内航标间距离的平均值,作为所述最新聚类簇的质心,计算公式为
式中:表示最新聚类簇的质心;/>表示/>中航标的个数,/>表示第t次循环时的簇;xi表示第i个航标;
步骤S3.4:根据得到的所述最新聚类簇与最新聚类簇的质心,重复执行步骤S3.2至步骤S3.3,直至当前所述欧式距离的平方和S的最小值,与上一次迭代获取的欧式距离的平方和S的最小值相同,则停止迭代,获取优化聚类簇。
5.根据权利要求1所述的一种无人机航标巡检的路径规划方法,其特征在于,步骤S4中所述选择无人机的起飞点的选取规则为
判断最终聚类簇内是否存在陆地航标;
若存在陆地航标,则选择陆地上的航标作为无人机起飞点;所述陆地上的航标包括灯塔或灯桩;
若不存在所述陆地航标,则选取所述最终聚类簇中的海上航标,并根据各海上航标距离陆地的最短距离与设定的距离阈值进行比较大小;若所述海上航标距离陆地的最短距离小于设定的距离阈值,则定义所述海上目标为近岸航标;若所述海上航标距离陆地的最短距离大于设定的距离阈值,则定义所述海上目标为远岸航标;
判断所述最终聚类簇中是否存在近岸航标;若存在,则选取距离所述近岸航标最短距离的陆地点作为起飞点;
若不存在,则选择所述远岸航标作为起飞点。
6.根据权利要求1所述的一种无人机航标巡检的路径规划方法,其特征在于,步骤S5中所述再次优化聚类簇具体为
步骤S5.1:计算无人机在本次巡检路径中待飞行的最远距离Lk,计算公式为
Lk=max||xf-xl||,l≠f
式中:xf表示起飞点;xl表示最终聚类簇内非起飞点的其他航标;Lk表示第k簇内起飞点与距离起飞点最远的航标之间的距离;
步骤S5.2:根据无人机飞行限制距离与操作信号端对无人机的信号控制限制,获取待巡检的无人机自身的最远飞行距离Lmax,并比较所述无人机自身的最远飞行距离Lmax与所述待飞行的最远距离Lk之间的大小;
若所述无人机自身的最远飞行距离Lmax大于所述待飞行的最远距离Lk,则无需对所述最终聚类簇继续优化;
若所述无人机自身的最远飞行距离Lmax小于所述待飞行的最远距离Lk,则将此所述最终聚类簇中航标的所在区域作为新的目标区域,重复步骤S1至步骤S4进行继续优化,直至优化后的最终聚类簇中的无人机自身的最远飞行距离Lmax大于所述待飞行的最远距离Lk。
7.根据权利要求1所述的一种无人机航标巡检的路径规划方法,其特征在于,步骤S6中所述进行巡检路径规划具体为
步骤S6.1:假设有n个航标需要巡检;设定蚁群算法中的蚂蚁数量m与最大迭代次数NC_MAX,并将各蚂蚁置于起飞点位置,表示在第t次循环蚂蚁个体A从第i个航标移动到第j个航标的概率,计算公式为:
式中:tabuA(A=1,2,…,m)称为禁忌表;τij(t)表示在第t次循环第i个航标与第j个航标之间路径的信息素浓度;ηij(t)表示在第t次循环每一个蚂蚁从第i个航标移动到第j个航标的期望启发式,取dij表示第i个航标与第j个航标之间的距离,即蚂蚁的实际分泌物数量;τir(t)表示在第t次迭代第i个航标i与第r个航标之间距离的信息素浓度;ηir(t)表示在第t次迭代每一个蚂蚁从第i个航标移动到第r个航标的期望启发式,取/>dir表示第i个航标与第r个航标之间的距离;α表示信息素重要程度因子;β表示启发信息重要程度因子;
步骤S6.2:当蚂蚁遍历完最终聚类簇中所有的航标完成一次迭代后,则更新第i个航标与第j个航标之间路径的信息素浓度,更新规则公式为:
τij(t+1)=(1-ρ)τij(t)+Δτij
式中:τij(t+1)表示在t+1次循环第i个航标与第j个航标之间距离的信息素数量;τij(t)表示在第t次循环第i个航标与第j个航标之间路径的信息素数量,ρ∈(0,1),表示信息量的衰减程度;Δτij表示信息量增加量;
所述信息量增加量的公式为:
式中:表示蚂蚁A在本次循环中在第i个航标与第j个航标之间距离所留下的信息量,且用公式表示为:
式中:Q表示常系数;LA表示蚂蚁A在本次循环中所经过路径的总长度,初始值τij(0)=C,C为常数。
步骤S6.3:根据所述更新规则,迭代进行所述蚁群算法获取最优航标巡检路径dk;
步骤S6.4:比较所述最优航标巡检路径dk与待巡检的无人机自身的最远飞行距离Lmax的大小;
若所述最优航标巡检路径dk的距离小于等于待巡检的无人机自身的最远飞行距离Lmax,则所述最优航标巡检路径dk即为最终航标巡检路径;
若所述最优航标巡检路径dk的距离大于待巡检的无人机自身的最远飞行距离Lmax,则将此所述最终聚类簇中航标的所在区域作为新的目标区域,重复步骤S1至步骤S5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310462893.0A CN116481546B (zh) | 2023-04-26 | 2023-04-26 | 一种无人机航标巡检的路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310462893.0A CN116481546B (zh) | 2023-04-26 | 2023-04-26 | 一种无人机航标巡检的路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116481546A true CN116481546A (zh) | 2023-07-25 |
CN116481546B CN116481546B (zh) | 2024-02-23 |
Family
ID=87217459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310462893.0A Active CN116481546B (zh) | 2023-04-26 | 2023-04-26 | 一种无人机航标巡检的路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116481546B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080133131A1 (en) * | 2006-11-30 | 2008-06-05 | Raytheon Company | Route-planning interactive navigation system and method |
CN107562072A (zh) * | 2017-10-11 | 2018-01-09 | 湖北工业大学 | 一种基于自适应蚁群算法的无人机最优路径规划方法 |
CN109164810A (zh) * | 2018-09-28 | 2019-01-08 | 昆明理工大学 | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 |
CN111240355A (zh) * | 2020-01-10 | 2020-06-05 | 哈尔滨工业大学 | 基于二次聚类的多目标通信无人机的巡航编队规划系统 |
CN113204245A (zh) * | 2021-05-19 | 2021-08-03 | 广州海事科技有限公司 | 基于无人机的航标巡查方法、系统、设备及存储介质 |
WO2021189720A1 (zh) * | 2020-03-23 | 2021-09-30 | 南京理工大学 | 基于改进蚁群算法的泊车agv路径规划方法 |
KR20220006319A (ko) * | 2020-07-08 | 2022-01-17 | 한국항로표지기술원 | 가상 항로표지 제공 시스템 |
CN115237152A (zh) * | 2022-05-18 | 2022-10-25 | 大连海事大学 | 一种面向海洋环境监测的无人机快速轨迹规划方法 |
CN115468565A (zh) * | 2022-09-14 | 2022-12-13 | 中国船舶重工集团公司第七0七研究所 | 一种航道路径确定方法、装置、设备及存储介质 |
CN115755954A (zh) * | 2022-10-28 | 2023-03-07 | 佳源科技股份有限公司 | 巡检路径规划方法、系统、计算机设备及存储介质 |
CN115933633A (zh) * | 2022-10-07 | 2023-04-07 | 哈尔滨工程大学 | 基于量子绸鱼优化机制的机船协同任务分配方法 |
-
2023
- 2023-04-26 CN CN202310462893.0A patent/CN116481546B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080133131A1 (en) * | 2006-11-30 | 2008-06-05 | Raytheon Company | Route-planning interactive navigation system and method |
CN107562072A (zh) * | 2017-10-11 | 2018-01-09 | 湖北工业大学 | 一种基于自适应蚁群算法的无人机最优路径规划方法 |
CN109164810A (zh) * | 2018-09-28 | 2019-01-08 | 昆明理工大学 | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 |
CN111240355A (zh) * | 2020-01-10 | 2020-06-05 | 哈尔滨工业大学 | 基于二次聚类的多目标通信无人机的巡航编队规划系统 |
WO2021189720A1 (zh) * | 2020-03-23 | 2021-09-30 | 南京理工大学 | 基于改进蚁群算法的泊车agv路径规划方法 |
KR20220006319A (ko) * | 2020-07-08 | 2022-01-17 | 한국항로표지기술원 | 가상 항로표지 제공 시스템 |
CN113204245A (zh) * | 2021-05-19 | 2021-08-03 | 广州海事科技有限公司 | 基于无人机的航标巡查方法、系统、设备及存储介质 |
CN115237152A (zh) * | 2022-05-18 | 2022-10-25 | 大连海事大学 | 一种面向海洋环境监测的无人机快速轨迹规划方法 |
CN115468565A (zh) * | 2022-09-14 | 2022-12-13 | 中国船舶重工集团公司第七0七研究所 | 一种航道路径确定方法、装置、设备及存储介质 |
CN115933633A (zh) * | 2022-10-07 | 2023-04-07 | 哈尔滨工程大学 | 基于量子绸鱼优化机制的机船协同任务分配方法 |
CN115755954A (zh) * | 2022-10-28 | 2023-03-07 | 佳源科技股份有限公司 | 巡检路径规划方法、系统、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
桑凌志;耿丹阳;张诚;曹德胜;严新平;: "基于船舶行为特征的武汉大桥水域航线优化", 中国航海, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN116481546B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108061889B (zh) | Ais与雷达角度系统偏差的关联方法 | |
CN111024092A (zh) | 一种多约束条件下智能飞行器航迹快速规划方法 | |
CN112906830A (zh) | 一种基于ais大数据的船舶最优航线自动生成方法 | |
CN111402616B (zh) | 智能停车控制方法、系统、存储介质、终端 | |
CN111142116B (zh) | 一种基于三维激光的道路检测与建模方法 | |
CN110926477A (zh) | 一种无人机航路规划及避障方法 | |
CN114115354B (zh) | 一种异质平台协同路径规划方法 | |
CN113325867B (zh) | 一种无人航行器搜寻的路径规划方法、装置和无人航行器 | |
CN111650673B (zh) | 一种利用风场资料订正低涡中心位置的方法 | |
CN114051628A (zh) | 一种确定目标对象点云集的方法及装置 | |
CN114879716B (zh) | 反制低空空域飞行器的执法无人机路径规划方法 | |
CN115061499B (zh) | 无人机控制方法及无人机控制装置 | |
CN114740898B (zh) | 一种基于自由空间与a*算法的三维航迹规划方法 | |
CN110441760A (zh) | 一种基于先验地形图的大范围海底地形图拓展构图方法 | |
CN113515111B (zh) | 一种车辆避障路径规划方法及装置 | |
CN114186112B (zh) | 一种基于贝叶斯优化多重信息增益探索策略的机器人导航方法 | |
Chen et al. | Local path searching based map matching algorithm for floating car data | |
CN113554705B (zh) | 一种变化场景下的激光雷达鲁棒定位方法 | |
CN116481546B (zh) | 一种无人机航标巡检的路径规划方法 | |
CN111178419A (zh) | 一种基于任务聚类的敏捷遥感卫星多目标任务规划方法 | |
CN113624241A (zh) | 一种面向进港运动船舶的无人机查证路线规划方法 | |
CN114138005A (zh) | 基于改进a*算法的城区批量物流无人机航迹规划方法及装置 | |
CN117647995A (zh) | 基于深度强化学习的物流无人机轨迹设计方法及系统 | |
CN111208820B (zh) | 人工智能大数据下粒子化无人车组、控制方法及介质 | |
CN115718905B (zh) | 一种面向vts系统的多传感器信息融合方法 |
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 |