CN116483094A - 一种融合空地视角和多维信息的无人车路径规划方法 - Google Patents
一种融合空地视角和多维信息的无人车路径规划方法 Download PDFInfo
- Publication number
- CN116483094A CN116483094A CN202310670199.8A CN202310670199A CN116483094A CN 116483094 A CN116483094 A CN 116483094A CN 202310670199 A CN202310670199 A CN 202310670199A CN 116483094 A CN116483094 A CN 116483094A
- Authority
- CN
- China
- Prior art keywords
- wuyangull
- path planning
- optimal
- iteration
- updating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000013078 crystal Substances 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 241000272168 Laridae Species 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 7
- 241000272161 Charadriiformes Species 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 4
- 238000002050 diffraction method Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 230000008447 perception Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241000282461 Canis lupus Species 0.000 description 2
- 241001368940 Onychoprion fuscatus Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种融合空地视角和多维信息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；确定无人车路径规划的目标函数；根据目标函数，通过改进型乌燕鸥优化算法进行最优位置更新，确定最优乌燕鸥位置，其中，改进型乌燕鸥优化算法引入高斯映射初始化乌燕鸥种群位置，并引入晶体结构算法的位置更新机制改进乌燕鸥位置更新方式。根据预设的最大迭代次数依次更新的最优乌燕鸥位置，确定最优路径规划结果。该方法克服了现有的路径规划方法存在的几点不足，能够显著提升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，具体涉及一种融合空地视角和多维信息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。
融合空地视角和多维信息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。
融合空地视角和多维信息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.)；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。乌燕鸥优化算法(Sooty tern optimization algorithm，STOA)是一种模拟乌燕鸥觅食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，乌燕鸥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，本发明提供一种融合空地视角和多维信息的无人车路径规划方法，克服了现有的路径规划方法存在的几点不足，能够显著提升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。
一种融合空地视角和多维信息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，通过改进型乌燕鸥优化算法进行最优位置更新，确定最优乌燕鸥位置；
根据预设的最大迭代次数依次更新的最优乌燕鸥位置，确定最优路径规划结果；
其中，所述改进型乌燕鸥优化算法为：引入高斯映射初始化乌燕鸥种群位置，并引入晶体结构算法的位置更新机制改进乌燕鸥位置更新方式，综合考虑了不同位置更新模式、基于晶体结构的随机确定的主乌燕鸥、本次迭代乌燕鸥最优位置、种群内部的其他乌燕鸥位置的平均值的因素更新乌燕鸥位置；所述改进型乌燕鸥优化算法还包括，通过逐维度双向sine变异进一步进行最优位置更新。
优选地，所述引入高斯映射初始化乌燕鸥种群位置，包括以下步骤：
确定种群的大小N，乌燕鸥寻优下边界LB和乌燕鸥寻优上边界UB；
通过高斯映射产生随机数xt：
式中，mod(·)为求余函数，xt+1为下一个随机数；
利用产生的高斯随机数初始化乌燕鸥位置：
Ps(t)＝(UB-LB)×Xt+LB。
优选地，所述引入晶体结构算法的位置更新机制改进乌燕鸥位置更新方式，包括以下步骤：
冲突避免：模拟乌燕鸥的冲突避免行为过程，用如下公式表达：
Cs(t)＝SA×Ps(t)
式中：Ps(t)表示当前第t次迭代的乌燕鸥的位置；Cs(t)表示的是在不与其他乌燕鸥碰撞的情况下乌燕鸥的新位置；SA代表一个避免碰撞的变量因素，用来计算避免碰撞后的位置，它的约束条件公式如下：
SA＝Cf-(t×Cf/Miter)
式中：Cf为用来调整SA的控制变量；t表示当前迭代次数；SA随着迭代次数的增加，从Cf逐渐减小为0；如假设Cf为2，SA将从2逐渐减小为0；Miter为迭代次数；
聚集：聚集是指当前乌燕鸥在避免冲突的前提下向相邻乌燕鸥中最好的位置靠拢，也就是向最优位置靠拢，其数学表达式如下：
Ms(t)＝CB×(Pbs(t)-Ps(t))
式中：Pbs(t)是第t次迭代乌燕鸥的最优位置；Ms(t)表示在不同位置Ps(t)向最优位置Pbs(t)移动的过程；CB是一个使勘探更加全面的随机变量，按照以下公式变化：
CB＝0.5×rand
式中：rand为[0，1]范围内的随机数；
更新：更新是指当前乌燕鸥朝着最优位置的所在方向进行移动，更新位置，其数学表达式为：
Ds(t)＝Cs(t)+Ms(t)
式中：Ds(t)是乌燕鸥从当前位置向最优位置方向移动的距离；
攻击行为：在迁移过程中，乌燕鸥可以通过翅膀提高飞行高度，也可以调整自身的速度和攻击角度，在攻击猎物的时候，它们在空中的盘旋行为可定义为以下数学模型：
式中：r是每个螺旋的半径；θ是[0，2π]范围内的随机角度值；u和v是定义螺旋形状的相关常数，均可设定为1；e是自然对数的底数；
引入晶体结构算法的位置更新机制，改进后的乌燕鸥位置更新公式如下：
式中：Ps(t+1)为更新后的第t+1次迭代的乌燕鸥位置；Pbs(t)表示第t次迭代的最佳位置；α为[0，1]之间的随机数；Pmain(t)是第t次迭代后的主乌燕鸥，主乌燕鸥是基于结晶学中的“基”概念，角上的所有晶体都被视为主晶体，即主乌燕鸥，从初始的所有乌燕鸥中随机确定；Pc(t)是第t次迭代后的随机选择乌燕鸥的平均值；λ1、λ2和λ3为[0，1]范围内的随机数；rand为[0，1]之间的随机数；
计算适应度值：
fitness(t)＝Ff(Ps(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乌燕鸥。
优选地，所述通过逐维度双向sine变异进一步进行最优位置更新，包括以下步骤：
对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向：
sin Value＝sin(πx0)
式中，rand为0到1的随机数；x0为迭代序列值；
对最优位置进行变异扰动：
Pbs(j)(t+1)′＝Pbs(j)(t+1)+SinValue×Pbs(j)(t+1)
式中：Pbs(j)(t+1)表示第t+1次迭代的最优位置Pbs(t+1)的第j维；
贪婪更新：
每个维度都进行变异后，停止变异。
本发明的有益效果：
本发明通过引入高斯映射进行乌燕鸥种群位置的初始化，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，而算法的稳定性进一步的提高了路径规划的规划效果；本发明引入晶体结构算法的位置更新机制来改进乌燕鸥位置更新方式，综合考虑了不同位置更新模式、基于晶体结构的随机确定的主乌燕鸥、本次迭代乌燕鸥最优位置、种群内部的其他乌燕鸥位置的平均值等因素更新乌燕鸥位置，实现了算法搜索范围的增大，算法的适应性得以增强；本发明对最优乌燕鸥利用双向sine混沌映射变异，实现了算法在后期跳出局部最优解的能力，搜索能力更强，能够快速地获得更优的移动路径。
附图说明
图1是本发明实施例的一种融合空地视角和多维信息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融合空地视角和多维信息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融合空地视角和多维信息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
本发明的一种融合空地视角和多维信息的无人车路径规划方法，针对STOA存在的几个问题，提出改进型乌燕鸥优化算法(Improve Sooty tern optimization algorithm，ISTOA)并用于基于空地信息交互的无人车路径规划，融合空地视角和多维信息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：建立基于无人机视觉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：乌燕鸥种群的大小(即乌燕鸥个体的数量)N；迭代的最大次数(即迭代停止的条件)Miter；乌燕鸥寻优下边界LB；乌燕鸥寻优上边界UB。
S4：确定种群的大小N，乌燕鸥寻优下边界LB和乌燕鸥寻优上边界UB；引入高斯映射初始化乌燕鸥种群位置，包括以下步骤：
确定种群的大小N，乌燕鸥寻优下边界LB和乌燕鸥寻优上边界UB；
通过高斯映射产生随机数xt：
式中，mod(·)为求余函数，xt+1为下一个随机数；
利用产生的高斯随机数初始化乌燕鸥位置：
Ps(t)＝(UB-LB)×xt+LB。
S5：冲突避免：模拟乌燕鸥的冲突避免行为过程，用如下公式表达：
Cs(t)＝SA×Ps(t)
式中：Ps(t)表示当前第t次迭代的乌燕鸥的位置；Cs(t)表示的是在不与其他乌燕鸥碰撞的情况下乌燕鸥的新位置；SA代表一个避免碰撞的变量因素，用来计算避免碰撞后的位置，它的约束条件公式如下：
SA＝Cf-(t×Cf/Miter)
式中：Cf为用来调整SA的控制变量；t表示当前迭代次数；SA随着迭代次数的增加，从Cf逐渐减小为0；如假设Cf为2，SA将从2逐渐减小为0；Miter为迭代次数；
聚集：聚集是指当前乌燕鸥在避免冲突的前提下向相邻乌燕鸥中最好的位置靠拢，也就是向最优位置靠拢，其数学表达式如下：
Ms(t)＝CB×(Pbs(t)-Ps(t))
式中：Pbs(t)是第t次迭代乌燕鸥的最优位置；Ms(t)表示在不同位置Ps(t)向最优位置Pbs(t)移动的过程；CB是一个使勘探更加全面的随机变量，按照以下公式变化：
CB＝0.5×rand
式中：rand为[0，1]范围内的随机数；
更新：更新是指当前乌燕鸥朝着最优位置的所在方向进行移动，更新位置，其数学表达式为：
Ds(t)＝Cs(t)+Ms(t)
式中：Ds(t)是乌燕鸥从当前位置向最优位置方向移动的距离；
攻击行为：在迁移过程中，乌燕鸥可以通过翅膀提高飞行高度，也可以调整自身的速度和攻击角度，在攻击猎物的时候，它们在空中的盘旋行为可定义为以下数学模型：
式中：r是每个螺旋的半径；θ是[0，2π]范围内的随机角度值；u和v是定义螺旋形状的相关常数，均可设定为1；e是自然对数的底数；
原始乌燕鸥算法中，只利用最优乌燕鸥位置进行引导，来更新乌燕鸥位置，为了更加有效的提高乌燕鸥的全局搜索能力，引入晶体结构算法的位置更新机制来改进乌燕鸥位置更新方式，综合考虑了不同位置更新模式、基于晶体结构的随机确定的主乌燕鸥、本次迭代乌燕鸥最优位置、种群内部的其他乌燕鸥位置的平均值等因素更新乌燕鸥位置，避免每次迭代中出现局部最优，进而提高乌燕鸥算法的全局搜索能力。
引入晶体结构算法的位置更新机制，改进后的乌燕鸥位置更新公式如下：
式中：Ps(t+1)为更新后的第t+1次迭代的乌燕鸥位置；Pbs(t)表示第t次迭代的最佳位置；α为[0，1]之间的随机数；Pmain(t)是第t次迭代后的主乌燕鸥，主乌燕鸥是基于结晶学中的“基”概念，角上的所有晶体都被视为主晶体，即主乌燕鸥，从初始的所有乌燕鸥中随机确定；Pc(t)是第t次迭代后的随机选择乌燕鸥的平均值；λ1、λ2和λ3为[0，1]范围内的随机数；rand为[0，1]之间的随机数。
S6：计算适应度值。
fitness(t)＝Ff(Ps(t+1))
式中，Ff(·)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乌燕鸥。
S8：对最优乌燕鸥，进行逐维度双向sine变异。对于维度j。首先根据当前迭代次数计算sine混沌值。并等概率切换正负方向。
sin Value＝sin(πx0)
式中，rand为0到1的随机数；x0为迭代序列值；
对最优位置进行变异扰动：
Pbs(j)(t+1)′＝Pbs(j)(t+1)+SinValue×Pbs(j)(t+1)
式中：Pbs(j)(t+1)表示第t+1次迭代的最优位置Pbs(t+1)的第j维；
贪婪更新：
每个维度都进行变异后，停止变异。
S9：记录信息，记录当次迭代中最优乌燕鸥。
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，假设构建的20×20的栅格地图，以最短移动距离为目标，对STOA方法和ISTOA方法进行分析。STOA算法中的参数为：N＝50，Maxiter＝200，LB＝1，UB＝20；ISTOA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 |
| STOA | 42.6274 |
| ISTOA | 33.5563 |
从图2中可以直观的发现STOA得到的移动路径比ISTOA的要长，路径比较迂回，而ISTOA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STOA算法时，算法收敛速度较慢；采用ISTOA算法时，收敛速度更快，能更快的找到更好的路径。可以看出，本文所设计的ISTOA算法具有更快的收敛速度和收敛精度。仿真结果表明，在多种相同的环境下，ISTOA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)
1.一种融合空地视角和多维信息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，通过改进型乌燕鸥优化算法进行最优位置更新，确定最优乌燕鸥位置；
根据预设的最大迭代次数依次更新的最优乌燕鸥位置，确定最优路径规划结果；
其中，所述改进型乌燕鸥优化算法为：引入高斯映射初始化乌燕鸥种群位置，并引入晶体结构算法的位置更新机制改进乌燕鸥位置更新方式，综合考虑了不同位置更新模式、基于晶体结构的随机确定的主乌燕鸥、本次迭代乌燕鸥最优位置、种群内部的其他乌燕鸥位置的平均值的因素更新乌燕鸥位置；所述改进型乌燕鸥优化算法还包括，通过逐维度双向sine变异进一步进行最优位置更新。
2.根据权利要求1所述的一种融合空地视角和多维信息的无人车路径规划方法，其特征在于，所述引入高斯映射初始化乌燕鸥种群位置，包括以下步骤：
确定种群的大小N，乌燕鸥寻优下边界LB和乌燕鸥寻优上边界UB；
通过高斯映射产生随机数xt：
式中，mod(·)为求余函数，xt+1为下一个随机数；
利用产生的高斯随机数初始化乌燕鸥位置：
Ps(t)＝(UB-LB)×xt+LB。
3.根据权利要求1所述的一种融合空地视角和多维信息的无人车路径规划方法，其特征在于，所述引入晶体结构算法的位置更新机制改进乌燕鸥位置更新方式，包括以下步骤：
冲突避免：模拟乌燕鸥的冲突避免行为过程，用如下公式表达：
Cs(t)＝SA×Ps(t)
式中：Ps(t)表示当前第t次迭代的乌燕鸥的位置；Cs(t)表示的是在不与其他乌燕鸥碰撞的情况下乌燕鸥的新位置；SA代表一个避免碰撞的变量因素，用来计算避免碰撞后的位置，它的约束条件公式如下：
SA＝Cf-(t×Cf/Miter)
式中：Cf为用来调整SA的控制变量；t表示当前迭代次数；SA随着迭代次数的增加，从Cf逐渐减小为0；如假设Cf为2，SA将从2逐渐减小为0；Miter为迭代次数；
聚集：聚集是指当前乌燕鸥在避免冲突的前提下向相邻乌燕鸥中最好的位置靠拢，也就是向最优位置靠拢，其数学表达式如下：
Ms(t)＝CB×(Pbs(t)-Ps(t))
式中：Pbs(t)是第t次迭代乌燕鸥的最优位置；Ms(t)表示在不同位置Ps(t)向最优位置Pbs(t)移动的过程；CB是一个使勘探更加全面的随机变量，按照以下公式变化：
CB＝0.5×rand
式中：rand为[0，1]范围内的随机数；
更新：更新是指当前乌燕鸥朝着最优位置的所在方向进行移动，更新位置，其数学表达式为：
Ds(t)＝Cs(t)+Ms(t)
式中：Ds(t)是乌燕鸥从当前位置向最优位置方向移动的距离；
攻击行为：在迁移过程中，乌燕鸥可以通过翅膀提高飞行高度，也可以调整自身的速度和攻击角度，在攻击猎物的时候，它们在空中的盘旋行为可定义为以下数学模型：
式中：r是每个螺旋的半径；θ是[0，2π]范围内的随机角度值；u和v是定义螺旋形状的相关常数，均可设定为1；e是自然对数的底数；
引入晶体结构算法的位置更新机制，改进后的乌燕鸥位置更新公式如下：
式中：Ps(t+1)为更新后的第t+1次迭代的乌燕鸥位置；Pbs(t)表示第t次迭代的最佳位置；α为[0，1]之间的随机数；Pmain(t)是第t次迭代后的主乌燕鸥，主乌燕鸥是基于结晶学中的“基”概念，角上的所有晶体都被视为主晶体，即主乌燕鸥，从初始的所有乌燕鸥中随机确定；Pc(t)是第t次迭代后的随机选择乌燕鸥的平均值；λ1、λ2和λ3为[0，1]范围内的随机数；rand为[0，1]之间的随机数；
计算适应度值：
fitness(t)＝Ff(Ps(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乌燕鸥。
4.根据权利要求3所述的一种融合空地视角和多维信息的无人车路径规划方法，其特征在于，所述通过逐维度双向sine变异进一步进行最优位置更新，包括以下步骤：
对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向：
sin Value＝sin(πx0)
式中，rand为0到1的随机数；x0为迭代序列值；
对最优位置进行变异扰动：
Pbs(j)(t+1)′＝Pbs(j)(t+1)+SinValue×Pbs(j)(t+1)
式中：Pbs(j)(t+1)表示第t+1次迭代的最优位置Pbs(t+1)的第j维；
贪婪更新：
每个维度都进行变异后，停止变异。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310670199.8A CN116483094A (zh) | 2023-06-07 | 2023-06-07 | 一种融合空地视角和多维信息的无人车路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310670199.8A CN116483094A (zh) | 2023-06-07 | 2023-06-07 | 一种融合空地视角和多维信息的无人车路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116483094A true CN116483094A (zh) | 2023-07-25 |
Family
ID=87223514
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310670199.8A Pending CN116483094A (zh) | 2023-06-07 | 2023-06-07 | 一种融合空地视角和多维信息的无人车路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116483094A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422764A (zh) * | 2023-12-19 | 2024-01-19 | 深圳大学 | 空地视角图像协同的车载系统定位方法、终端及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115509239A (zh) * | 2022-11-19 | 2022-12-23 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息共享的无人车路径规划方法 |
| CN115545120A (zh) * | 2022-11-24 | 2022-12-30 | 北京电科智芯科技有限公司 | 车载网络故障诊断方法和诊断装置、存储介质、终端设备 |
-
2023
- 2023-06-07 CN CN202310670199.8A patent/CN116483094A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115509239A (zh) * | 2022-11-19 | 2022-12-23 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息共享的无人车路径规划方法 |
| CN115545120A (zh) * | 2022-11-24 | 2022-12-30 | 北京电科智芯科技有限公司 | 车载网络故障诊断方法和诊断装置、存储介质、终端设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117422764A (zh) * | 2023-12-19 | 2024-01-19 | 深圳大学 | 空地视角图像协同的车载系统定位方法、终端及存储介质 |
| CN117422764B (zh) * | 2023-12-19 | 2024-04-16 | 深圳大学 | 空地视角图像协同的车载系统定位方法、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116772880B (zh) | 一种基于无人机视觉的无人车路径规划方法 | |
| CN115509239B (zh) | 一种基于空地信息共享的无人车路径规划方法 | |
| CN115657694B (zh) | 一种基于空地信息交互的无人车路径规划方法 | |
| CN108388250B (zh) | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 | |
| CN112650229B (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
| CN113867368B (zh) | 一种基于改进海鸥算法的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 | |
| CN111474925B (zh) | 一种非规则形状移动机器人的路径规划方法 | |
| CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
| CN115113628A (zh) | 一种基于改进灰狼算法的巡检机器人路径规划方法 | |
| CN116483094A (zh) | 一种融合空地视角和多维信息的无人车路径规划方法 | |
| Wang | Path planning of mobile robot based on a* algorithm | |
| Geng et al. | A kind of route planning method for UAV based on improved PSO algorithm | |
| CN115729238A (zh) | 一种用于移动机器人自主避障的动态路径规划方法 | |
| CN115437386A (zh) | 一种基于空地信息融合的无人车路径规划方法 | |
| Tian | Research on robot optimal path planning method based on improved ant colony algorithm | |
| Wei et al. | Path planning of mobile robot based on improved genetic algorithm | |
| CN115469673B (zh) | 一种基于空地信息协同的无人车路径规划方法 | |
| CN106950833B (zh) | 基于改进pio算法的卫星姿态动态规划方法 | |
| Liu et al. | Energy efficient path planning for indoor wheeled mobile robots | |
| Zhang et al. | Research on complete coverage path planning for unmanned surface vessel | |
| CN117873090B (zh) | 一种自动驾驶车辆路径规划方法 | |
| Cheng et al. | Route planning of mixed ant colony algorithm based on Dubins path | |
| CN109976158A (zh) | 基于距离进化n-pso的auv能源优化路径搜寻方法 | |
| CN115713173A (zh) | 一种基于改进金鹰优化算法的多配送中心多无人机核酸样品配送路径规划方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230725 |