CN116558527B - 井下变电所巡检清扫机器人路径规划方法 - Google Patents
井下变电所巡检清扫机器人路径规划方法 Download PDFInfo
- Publication number
- CN116558527B CN116558527B CN202310839074.3A CN202310839074A CN116558527B CN 116558527 B CN116558527 B CN 116558527B CN 202310839074 A CN202310839074 A CN 202310839074A CN 116558527 B CN116558527 B CN 116558527B
- Authority
- CN
- China
- Prior art keywords
- path
- grid
- pheromone
- ants
- iteration
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000007689 inspection Methods 0.000 title claims abstract description 16
- 238000004140 cleaning Methods 0.000 title claims abstract description 12
- 239000003016 pheromone Substances 0.000 claims abstract description 43
- 241000257303 Hymenoptera Species 0.000 claims abstract description 22
- 238000013138 pruning Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 230000007704 transition Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 25
- 230000033001 locomotion Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 230000008685 targeting Effects 0.000 abstract description 2
- 230000009193 crawling Effects 0.000 description 4
- 201000004569 Blindness Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010408 sweeping Methods 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及机器人自主移动导航中的路径规划技术领域，具体涉及的是一种井下变电所巡检清扫机器人路径规划方法。该方法主要针对传统蚁群算法在进行路径规划时容易出现搜索时间增加、收敛速度慢和陷入局部最优解的问题，无法实现全局优化。因此本发明通过引入人工势场引力的方式提高启发函数在搜索过程中的搜索目标性，采用自适应信息素更新策略提高蚂蚁在路径选择时的多样性，采用三角剪枝法对搜索路径进行优化更新，使得改进后的蚁群算法规划出的运动路径更加平滑，长度更短，规划所需时间更短，从而提高机器人的运行效率。
Description
技术领域
本发明涉及机器人自主移动导航中的路径规划技术领域，具体涉及的是一种井下变电所巡检清扫机器人路径规划方法。
背景技术
井下变电所作为整个煤矿系统电能转换与传输的枢纽，其运行的安全可靠与否将直接影响着井下工作人员的生命安全和井下的生产活动。传统方式下对井下变电所的巡检一般采用人工巡检的方式，劳动强度大，巡检效率低。因此，针对上述问题，井下变电所巡检清扫机器人的出现为解决该问题提供了一个解决方案。
对于机器人来说，要完成日常的巡检清扫工作最为关键的一步就是要解决“我在哪”、“我将到何处去”和“我将如何去”的问题。而解决这三个问题的关键就在于机器人的导航技术。为了实现从起始点到目标点的移动，机器人导航技术中最重要的一环就是机器人的路径规划。
移动机器人的路径规划包括全局路径规划和局部路径规划。全局路径规划主要是利用自身所搭载的传感器感知周围环境信息，在保证不与周围障碍物发生碰撞的状态下，规划出一条从起始点到目标点的最佳路径。广义上的路径规划就是一种问题的求解策略，全局路径规划算法中的蚁群算法常常被用来求解经典的最优问题。
由于传统蚁群算法是基于启发式规则的概率计算，每只蚂蚁只能根据自己的经验和信息素浓度做出决策，因此在进行路径规划时容易出现搜索时间增加、收敛速度慢和陷入局部最优解的问题，无法实现全局优化。同时由于传统的蚁群算法是通过蚂蚁在搜索空间中的移动来寻找最优解，蚂蚁在空间中只能以1或者的步长距离朝8个方向来进行移动，当搜索空间较大时，需要更长的搜索时间才能找到最优解，整个算法的效率会大打折扣。
发明内容
本发明的目的在于克服传统蚁群算法存在的不足，提供一种井下变电所巡检清扫机器人路径规划方法，从而改善传统蚁群算法中路径搜索盲目性大，搜索效率低，搜索路径冗长等问题。
为了达到上述目的，本发明实施例所采用的技术方案是：一种井下变电所巡检清扫机器人路径规划方法，包括如下步骤：
步骤1：利用栅格法构建工作环境栅格地图；
步骤2：初始化相关参数，参数包括：最大迭代次数K、蚂蚁数量M、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发程度系数ρ；
步骤3：开始进行迭代，进行路径搜索，按照引入人工势场引力的改进型启发函数的转移概率公式选择下一路径点；
步骤4：选出本次迭代后的最佳路径，记录本次迭代的各路径长度和蚂蚁数量；
步骤5：判断是否达到最大迭代次数，若没有，采用自适应调整路径信息素更新策略进行路径信息素更新，并返回步骤3进行下一代蚂蚁的路径搜索；
步骤6：达到最大迭代次数，利用三角剪枝法进行路径优化更新；
步骤7：根据每次迭代的记录结果，生成全局最佳路径。
具体地，步骤1中利用栅格法构建工作环境栅格地图，包括：将环境划分成X*Y个单元格，将单元格按照是否存在障碍物进行分类：如果地图中的栅格处于被障碍物占据状态，栅格就赋值为1；如果栅格内不存在障碍物，栅格就赋值为0；栅格图Z由栅格Zij组成：
其中，Zij=S表示机器人的起始栅格，Zij=0表示栅格地图中自由栅格，Zij=1表示栅格地图中障碍物栅格，Zij=E表示栅格地图中目标栅格；
进一步地，步骤3中，所述的改进型启发函数的转移概率公式为：
其中，τij(t)表示节点i和节点j连接路径上的信息素浓度；α为信息素重要程度因子，在0-5之间进行取值，其值越大表示信息素浓度在当前路径选择中的影响程度越大；β为启发函数重要程度因子，也是取0-5之间的某个值，表征启发函数在当前路径选择中的影响程度；ηij(t)为启发函数，表示选择节点i，j之间路径的期望程度，为改进型启发函数；λ为0-1之间的某个常数；δ为人工势场引力系数；d(i,A)为当前节点i到目标点A的距离，dij为节点i和节点j之间的距离；
传统蚁群算法中转移概率公式的启发函数为：
所述步骤3中引入人工势场引力的改进型启发函数为：
其中，λ为0-1之间的某个常数；δ为人工势场引力系数；d(i,A)为当前节点i到目标点A的距离；
进一步地，所述步骤5中采用一种自适应的信息素调节方式，即将上一代最优路径上所有蚂蚁释放的信息素总和与最差路径上所有蚂蚁释放的信息素总和作差，将得到的差值作为一个动态变量加入到原始的信息素更新策略当中，自适应的调节信息素；改进后的信息素更新公式为：
其中，表示一次迭代后所有蚂蚁在节点i，j之间的路径上释放的信息素总量；/>表示最优路径上所有蚂蚁释放的信息素总和与最差路径上释放的信息素总和的差值；/>为第k只蚂蚁在节点i，j之间的路径上释放的信息素增量，x为最优路径上蚂蚁的数量，y为最差路径上蚂蚁的数量，Lmin表示最优路径长度，Lmax表示最差路径长度，Q为常数；
进一步地，步骤6中所述利用三角剪枝法进行路径优化更新，包括：把原路径相邻转弯节点进行连接，如果连接后路径不经过障碍物，则去除两点间冗余的转弯点和折线，对路径进行更新；设顺序集合φ为检查点的集合，P={P1,P2,…,Pn}为待优化路径转弯点的集合，R为检查点φi转弯点Pi连线上所有点的集合，T为障碍物的集合；将待优化转弯点Pi加入检查点集合，然后依次将P中的转弯点集合与集合φ中的第一个元素进行连线，并将连线上的点加入集合R；若T∩R=φ,则采用本次连线；若T∩R≠φ，则不采用本次连线；并将集合P中的元素依次加入集合φ的第一个位置进行验证，直到P中的元素全部加入集合φ，验证完成。
与传统蚁群算法技术手段相比，本发明实施例提供的技术方案带来的有益效果是：
由于传统蚁群算法中的路径选择节点启发性较低，导致整个路径搜索过程具有较大的盲目性，搜索效率较低；因此搜索出来的初代路径往往质量较差；因此基于这个问题，本申请通过在启发函数中引入人工势场引力的方式来提高启发函数在搜索过程中的搜索目标性，提高算法的搜索效率，减少搜索过程中的盲目性；由于正反馈的作用，在传统的蚁群算法中，迭代次数越多，路径上释放的信息素就越多，由于蚂蚁会优先选择浓度高的路径行走，这就导致后面的蚂蚁只会越来越多的选择信息素浓度最高的那条路径，这样就丧失了多样性，极易陷入局部最优解当中；因此针对这个问题，采用一种自适应的信息素调节方式，即将上一代最优路径上所有蚂蚁释放的信息素总和与最差路径上所有蚂蚁释放的信息素总和作差，将得到的差值作为一个动态变量加入到原始的信息素更新策略当中，自适应的调节信息素，整体样本更具普遍性；在传统蚁群算法下规划出来的路径会出现大量的转弯点，变相的增加了机器人的运动距离；因此为了尽可能的减少转弯点，使机器人的运动路径更加平滑，采用三角剪枝法来对路径进行优化；通过以上的改进，规划出的全局路径更加顺滑，所需的时间更短，效率更高。
附图说明
图1为本发明实施例中井下变电所巡检清扫机器人路径规划方法实现流程图。
图2为本发明实施例中的占据栅格示意图和运动方向示意图。
图3为本发明实施例中的基于改进蚁群算法的三角剪枝法示意图。
图4为传统蚁群算法下机器人路径规划轨迹图。
图5为本发明实施例中的改进蚁群算法下机器人路径规划轨迹图。
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用以解释本发明，并不用于限定本发明。
在本发明实施例的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电气连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提出一种井下变电所巡检清扫机器人路径规划方法，本实施例以井下变电所巡检清扫机器人为例，其实现的步骤包括：
步骤1：利用栅格法构建工作环境静态地图，如图2所示；在仿真软件中利用矩阵来生成栅格地图，将环境划分成X*Y个单元格，将单元格按照是否存在障碍物进行分类：如果地图中的栅格处于被障碍物占据状态，栅格就赋值为1，栅格为黑色；如果栅格内不存在障碍物，栅格就赋值为0，栅格为白色；
步骤2：初始化相关参数，本实例中参数设置为：最大迭代次数K=100、蚂蚁数量M=50、信息素重要程度因子α=1、启发函数重要程度因子β=2、信息素挥发程度系数ρ=0.8；
步骤3：开始进行迭代，进行路径搜索，按照引入人工势场引力的改进型启发函数的转移概率公式选择下一路径点：
步骤4：选出本次迭代后的最佳路径，记录本次迭代的各路径长度和蚂蚁数量。对每只蚂蚁每次转移走过的路径和每次蚂蚁本次迭代走过的路径长度进行记录，并对本次迭代起点到目标点各路径上的蚂蚁数量记录；
步骤5：判断是否达到最大迭代次数，若没有，采用自适应调整路径信息素策略进行路径信息素更新，并返回步骤3进行下一代蚂蚁的路径搜索；
自适应调整路径信息素更新策略为：
步骤6：达到最大迭代次数，利用三角剪枝法进行路径优化更新；图3中左侧的两点B、D之间冗余的转弯点C在图3中右侧被去除；
步骤7：根据每次迭代的记录结果，生成全局最佳路径。
为了验证本发明算法的可行性，将上述改进蚁群算法进行仿真验证，结合图4-图5，可以看出，在10*10的栅格环境下，和改进蚁群算法相比较，传统蚁群算法所规划出来的机器人运动轨迹，拐弯点多，路径距离长，而且从二者迭代后的蚂蚁爬行路线图中可以清晰地看到传统算法下的蚂蚁爬行路线分散性大，由于缺乏对目标点的导向作用，导致迭代后的爬行路线遍布整个环境地图。而改进算法的蚂蚁爬行路线出现一定的收敛效果，由于在启发函数中做了改进，蚂蚁在路径选择时具有一定的目标导向作用，因此在10*10的栅格地图中没有蚂蚁选择离目标点较远的左下方路径，这就很大程度上提高了路径搜索的效率，加快了路径规划的速度。仿真实验证明，改进蚁群算法在进行路径规划时，搜索效率高，收敛速度快，且规划出的路径长度短，拐点少，整个路径更加顺滑。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种井下变电所巡检清扫机器人路径规划方法，其特征在于，包括以下步骤：
步骤1：利用栅格法构建工作环境栅格地图；
步骤2：初始化相关参数，参数包括：最大迭代次数K、蚂蚁数量M、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发程度系数ρ；
步骤3：开始进行迭代，进行路径搜索，按照引入人工势场引力的改进型启发函数的转移概率公式选择下一路径点；
步骤4：选出本次迭代后的最佳路径，记录本次迭代的各路径长度和蚂蚁数量；
步骤5：判断是否达到最大迭代次数，若没有，采用自适应调整路径信息素更新策略进行路径信息素更新，并返回步骤3进行下一代蚂蚁的路径搜索；
步骤6：达到最大迭代次数，利用三角剪枝法进行路径优化更新；
步骤7：根据每次迭代的记录结果，生成全局最佳路径；
步骤1中利用栅格法构建工作环境栅格地图，包括：将环境划分成X*Y个单元格，将单元格按照是否存在障碍物进行分类：如果地图中的栅格处于被障碍物占据状态，栅格就赋值为1；如果栅格内不存在障碍物，栅格就赋值为0；栅格图Z由栅格Zij组成：
其中，Zij=S表示机器人的起始栅格，Zij=0表示栅格地图中自由栅格，Zij=1表示栅格地图中障碍物栅格，Zij=E表示栅格地图中目标栅格；
所述的改进型启发函数的转移概率公式为：
其中，/>表示节点i 和节点j连接路径上的信息素浓度；α为信息素重要程度因子，在0-5之间进行取值，其值越大表示信息素浓度在当前路径选择中的影响程度越大；β为启发函数重要程度因子，也是取0-5之间的某个值，表征启发函数在当前路径选择中的影响程度；/>为启发函数，表示选择节点i，j之间路径的期望程度，/>为改进型启发函数；λ为0-1之间的某个常数；δ为人工势场引力系数；d(i,A)为当前节点i到目标点A的距离，dij为节点i和节点j之间的距离；
步骤5中，所述的自适应调整路径信息素更新策略为：
其中，/>表示一次迭代后所有蚂蚁在节点i，j之间的路径上释放的信息素总量；/>表示最优路径上所有蚂蚁释放的信息素总和与最差路径上释放的信息素总和的差值；/>为第k只蚂蚁在节点i，j之间的路径上释放的信息素增量，x为最优路径上蚂蚁的数量，y为最差路径上蚂蚁的数量，Lmin表示最优路径长度，Lmax表示最差路径长度，Q为常数。
2.如权利要求1所述的井下变电所巡检清扫机器人路径规划方法，其特征在于，
步骤6中所述利用三角剪枝法进行路径优化更新，包括：把原路径相邻转弯节点进行连接，如果连接后路径不经过障碍物，则去除两点间冗余的转弯点和折线，对路径进行更新；设顺序集合φ为检查点的集合，P={P1,P2,…,Pn}为待优化路径转弯点的集合，R为检查点φi转弯点Pi连线上所有点的集合，T为障碍物的集合；将待优化转弯点Pi加入检查点集合，然后依次将P中的转弯点集合与集合φ中的第一个元素进行连线，并将连线上的点加入集合R；若T∩R=φ,则采用本次连线；若T∩R≠φ，则不采用本次连线；并将集合P中的元素依次加入集合φ的第一个位置进行验证，直到P中的元素全部加入集合φ，验证完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310839074.3A CN116558527B (zh) | 2023-07-10 | 2023-07-10 | 井下变电所巡检清扫机器人路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310839074.3A CN116558527B (zh) | 2023-07-10 | 2023-07-10 | 井下变电所巡检清扫机器人路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116558527A CN116558527A (zh) | 2023-08-08 |
| CN116558527B true CN116558527B (zh) | 2023-09-26 |
Family
ID=87500482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310839074.3A Active CN116558527B (zh) | 2023-07-10 | 2023-07-10 | 井下变电所巡检清扫机器人路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116558527B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117506901B (zh) * | 2023-11-14 | 2024-03-29 | 北京金诺珩科技发展有限公司 | 一种机房巡检机器人自动巡检方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110726408A (zh) * | 2019-03-29 | 2020-01-24 | 武汉科技大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
| CN114326735A (zh) * | 2021-12-29 | 2022-04-12 | 中国计量大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
| CN114756027A (zh) * | 2022-04-08 | 2022-07-15 | 重庆邮电大学 | 一种基于改进蚁群算法与贝塞尔曲线的移动机器人路径规划方法 |
| CN114995460A (zh) * | 2022-07-04 | 2022-09-02 | 东北大学秦皇岛分校 | 一种基于自适应改进蚁群算法的机器人路径规划方法 |
| CN115268456A (zh) * | 2022-08-10 | 2022-11-01 | 哈尔滨理工大学 | 一种动态变策略informed-RRT*的无人车路径规划方法 |
| CN115903816A (zh) * | 2022-11-23 | 2023-04-04 | 贵州大学 | 一种低能耗移动机器人路径规划方法 |
| CN116339318A (zh) * | 2023-02-22 | 2023-06-27 | 昆明理工大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
-
2023
- 2023-07-10 CN CN202310839074.3A patent/CN116558527B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110726408A (zh) * | 2019-03-29 | 2020-01-24 | 武汉科技大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
| CN114326735A (zh) * | 2021-12-29 | 2022-04-12 | 中国计量大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
| CN114756027A (zh) * | 2022-04-08 | 2022-07-15 | 重庆邮电大学 | 一种基于改进蚁群算法与贝塞尔曲线的移动机器人路径规划方法 |
| CN114995460A (zh) * | 2022-07-04 | 2022-09-02 | 东北大学秦皇岛分校 | 一种基于自适应改进蚁群算法的机器人路径规划方法 |
| CN115268456A (zh) * | 2022-08-10 | 2022-11-01 | 哈尔滨理工大学 | 一种动态变策略informed-RRT*的无人车路径规划方法 |
| CN115903816A (zh) * | 2022-11-23 | 2023-04-04 | 贵州大学 | 一种低能耗移动机器人路径规划方法 |
| CN116339318A (zh) * | 2023-02-22 | 2023-06-27 | 昆明理工大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于势场蚁群算法的移动机器人全局路径规划方法;刘建华;农业机械学报;第46卷(第9期);18-27 * |
| 基于改进多目标蚁群算法的无人机路径规划;王振华;章卫国;李广文;;计算机应用研究(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116558527A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111562785B (zh) | 一种群集机器人协同覆盖的路径规划方法及系统 | |
| CN110989612A (zh) | 一种基于蚁群算法的机器人路径规划方法及装置 | |
| CN116558527B (zh) | 井下变电所巡检清扫机器人路径规划方法 | |
| CN109059924A (zh) | 基于a*算法的伴随机器人增量路径规划方法及系统 | |
| CN111176286B (zh) | 一种基于改进D*lite算法的移动机器人路径规划方法及系统 | |
| CN109445444A (zh) | 一种障碍物集中环境下的机器人路径生成方法 | |
| CN113485429B (zh) | 空地协同交通巡检的路径优化方法和装置 | |
| CN112327876B (zh) | 一种基于终距指数的机器人路径规划方法 | |
| CN108444490A (zh) | 基于可视图和a*算法深度融合的机器人路径规划方法 | |
| CN108413963A (zh) | 基于自学习蚁群算法的条形机器人路径规划方法 | |
| CN112214031B (zh) | 基于遗传粒子群算法的多节点协同着陆位置规划方法 | |
| CN114167865A (zh) | 一种基于对抗生成网络与蚁群算法的机器人路径规划方法 | |
| García et al. | An efficient multi-robot path planning solution using A* and coevolutionary algorithms | |
| CN113985888A (zh) | 一种基于改进蚁群算法的叉车路径规划方法及系统 | |
| Zhou et al. | Enhanced ant colony optimization algorithm for global path planning of mobile robots | |
| CN113848911B (zh) | 基于Q-learning和RRT*的移动机器人全局路径规划方法 | |
| Yasear et al. | Fine-Tuning the Ant Colony System Algorithm Through Harris’s Hawk Optimizer for Travelling Salesman Problem. | |
| CN114326726B (zh) | 一种基于a*与改进人工势场法的编队路径规划控制方法 | |
| CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
| CN113778090A (zh) | 基于蚁群优化和prm算法的移动机器人路径规划方法 | |
| Yu et al. | AGV multi-objective path planning method based on improved cuckoo algorithm | |
| CN117075632A (zh) | 一种变电站无人机巡视航线规划方法、装置、设备和介质 | |
| Zafar et al. | Mine detection and route planning in military warfare using multi agent system | |
| CN109977455B (zh) | 一种适用于带地形障碍三维空间的蚁群优化路径构建方法 | |
| Li et al. | Path planning algorithm on large scale terrain data based on prm with non-uniform sampling strategy |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Path planning method for inspection and cleaning robots in underground substations Granted publication date: 20230926 Pledgee: Bank of China Co.,Ltd. Wuxi High tech Industrial Development Zone Branch Pledgor: WUXI JUNGONG INTELLIGENT ELECTRICAL Co.,Ltd. Registration number: Y2024980012638 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |