CN116734856A - 一种考虑洋流影响的水下机器人路径规划方法 - Google Patents
一种考虑洋流影响的水下机器人路径规划方法 Download PDFInfo
- Publication number
- CN116734856A CN116734856A CN202310718578.XA CN202310718578A CN116734856A CN 116734856 A CN116734856 A CN 116734856A CN 202310718578 A CN202310718578 A CN 202310718578A CN 116734856 A CN116734856 A CN 116734856A
- Authority
- CN
- China
- Prior art keywords
- ocean
- current
- path
- ocean current
- energy consumption
- 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 45
- 238000005265 energy consumption Methods 0.000 claims abstract description 68
- 230000006870 function Effects 0.000 claims abstract description 41
- 230000004888 barrier function Effects 0.000 claims abstract description 4
- 238000013178 mathematical model Methods 0.000 claims abstract description 4
- 230000008447 perception Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012876 topography Methods 0.000 claims description 6
- 238000007670 refining Methods 0.000 claims description 5
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G01C21/203—Specially adapted for sailing ships
-
- 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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种考虑洋流影响的水下机器人路径规划方法，步骤如下：使用栅格地图与八叉树地图融合建模，构建地形障碍，融合洋流语义地图，附加洋流语义，对海洋环境进行建模与管理；拓展传统A*算法感知范围，将传统A*算法的使用场景从二维环境拓展至三维环境；对密集三维环境信息降采样，提升三维环境下A*算法运行效率；建立海洋洋流方向、流速与水下机器人航行路径方向关系的数学模型，量化洋流导致的水下机器人航行过程中的额外能耗；设计代价函数，改进A*算法最优方向选取，规划综合代价最优的路径。本发明提出的考虑洋流影响的水下机器人路径规划方法复杂度低，路径搜索效率高、效果理想、易于实现。
Description
技术领域
本发明涉及路径规划领域，尤其涉及一种考虑洋流影响的水下机器人路径规划方法。
背景技术
海洋水下环境不同于其他三维环境，存在不可忽视的海洋洋流流场的干扰，使得海洋水下环境更为复杂。在进行AUV路径规划的过程中，不仅需要关注航行距离，更需要依据水下环境中普遍存在的洋流流场对路径进行修正，以达到节能或避险的目的。
发明内容
为解决上述技术问题，本发明提出一种考虑洋流影响的水下机器人路径规划方法，方法复杂度低、计算效率高、易于实现。为了达到上述目的，本发明采用以下技术方案：
本发明公开了一种考虑洋流影响的水下机器人路径规划方法，包括如下步骤：
S1：将栅格地图与八叉树地图融合建模，构建地形障碍，融合洋流语义地图，附加洋流语义，实现地图管理器，对海洋地形障碍与洋流干扰进行建模与管理；
S2：针对传统A*算法进行感知范围拓展，实现传统A*算法单点搜索范围的立体化，将传统A*算法的使用场景从二维环境拓展至三维环境；
S3：针对三维环境模型信息密集问题进行降采样，提升三维环境下A*算法运行效率；
S4：建立海洋洋流方向、海洋洋流流速与水下机器人航行路径方向关系的数学模型，量化洋流导致的水下机器人航行过程中的额外能耗；
S5：设计代价函数，改进传统A*算法启发式函数，改进传统A*算法最优方向选取，将洋流影响下的能耗因素和距离因素统一融合，规划综合代价最优的路径。
优选地，步骤S1具体包括：
S11：将传统的以栅格点为邻居变为以等比距离为邻居；
S12：基于栅格尺寸的地形生成函数，设计模拟地形障碍物，生成不同的地形；基于栅格尺寸的地形生成函数如式(1)所示：
其中，X、Y分别为栅格化的X、Y数据轴；Z为构造出的地形障碍物垂直方向坐标，与XY数据轴构成了完整的地形障碍物，hi为构造地形障碍物当前节点的高度的辅助参数，xi为构造地形障碍物当前节点的顶部横坐标位置辅助参数，yi为构造地形障碍物当前节点的顶部纵坐标位置辅助参数，xsi为构造地形障碍物当前节点的底部横坐标位置辅助参数，ysi为构造地形障碍物当前节点的底部纵坐标位置辅助参数。
S13：采用传统栅格地图背景，融合八叉树地图的数据处理方法，优化模型数据结构，融合洋流语义地图，附加洋流语义，完善海洋模型搭建，贴合实际环境。
优选地，步骤S4具体包括：
S41：针对海洋洋流的特点，考虑水下机器人规划路径的某一点处航行方向与洋流方向向量的关系，将整条路径上的洋流影响离散化为各个点处的向量关系，采用拆分细化方法，将整条路径的能源消耗计算拆分细化为单个节点的能源消耗计算，具体为：将所规划路径某点处的航行方向与洋流方向的夹角作为能源消耗或节省的指标体现，将洋流向量的模长作为能源消耗或节省的程度体现，实现将能源消耗程度映射为0°-180°的夹角角度与向量模长关系；
S42：构建映射函数对洋流与航行夹角的影响进行数值映射，将线性的角度映射到[0,1]区间，映射函数如式(2)所示：
其中，θ为所规划路径某点处的航行方向与洋流方向的夹角，ang代表角度所映射得到的具体数值，其范围在0到1内；
ang数值越大，单位速度洋流对当前航行方向的阻碍效果越明显；
S43：拆分细化洋流大小与方向，考虑当前航行路径点处的洋流大小以及洋流与航行方向夹角，设计在某一航行路径点处的洋流影响下的能耗代价函数如式(3)所示：
其中，i表示当前节点的洋流，|Vi|表示当前节点洋流流速，θi表示当前节点洋流与航行方向的夹角，oci的数值表示第i个航行路径点处的洋流造成的额外能耗量，oci数值越大，该航行路径点额外的能耗越大；
该路径累计的洋流影响下的能耗代价则如式(4)所示：
其中，oc的数值表示该路径累计的由洋流造成的额外能耗；
oc数值越大，该路径额外的能耗越大。
优选地，步骤S5具体包括：
S51：采用欧几里得距离公式量化水下机器人移动过程中的距离因素，欧几里得距离计算公式如式(5)所示：
其中，S(xs,ys,zs)与E(xe,ye,ze)分别为三维空间中的两点，欧几里得距离d表示S与E两点的欧几里得距离；
若d数值越大，则表示当前目标节点至上一节点的距离越远；若d数值越小，则表示当前目标节点至上一目标节点的距离越近；以d的数值越小方向为算法最优搜索方向；S52：引入S43中所设计的能耗代价函数，求在某一节点处的洋流影响下的能耗代价则，如式(6)所示：
其中，i表示当前节点的洋流，|Vi|表示当前节点洋流流速，θi表示当前节点洋流与航行方向的夹角，oci的数值表示第i个航行路径点处的洋流造成的额外能耗量；
若oci数值越大，则表示当前目标节点所需抵抗的洋流强度越大，抵抗洋流所需消耗的能耗越多；若oci数值越小，则表示当前目标节点所需抵抗的洋流强度越小，抵抗洋流所需消耗的能耗越少；以oci数值最小的方向作为算法最优搜索方向；
S53：将距离因素与能耗代价结合，构造综合代价函数，改进传统A*算法启发式函数，优先搜索距离较短且洋流影响小的无碰路径，求出综合考虑路径距离与能耗代价的综合代价函数公式如式(7)所示：
其中，S(xs,ys,zs)与E(xe,ye,ze)分别为三维空间中的两点，i表示当前节点的洋流，|Vi|表示当前节点洋流流速，θi表示当前节点洋流与航行方向的夹角；
通过式(7)计算当前节点S至下一节点E的综合代价消耗，通过比较不同节点的代价函数值大小，选取数值小的为下一移动节点，hE数值最小的路径即为最优路径。
S54：使用贝塞尔平滑，对S52中所规划得到的最优路径进行平滑处理，得到折角光滑的最优路径。
与现有技术相比，本发明的有益效果在于：本发明公开的考虑洋流影响的水下机器人路径规划方法，硬件方面无需提升水下机器人硬件算力，防止因方法复杂度过高造成的硬件算力不足问题。算法方面，算法路径搜索效率高，规划路径速度快，实时性强，更契合水下机器人工作环境特点。
进一步地，目前大部分路径规划方法在水下环境使用时，没有考虑洋流流场对水下机器人路径行驶过程中的影响，仍以起始点与目标点间的最优距离作为路径搜索方向，导致水下机器人在沿该最优路径行驶时消耗大量能耗抵抗洋流干扰。本发明公开的考虑洋流影响的水下机器人路径规划方法设计了考虑洋流影响的代价函数，可以改进算法最优路径搜索方向。
附图说明
图1是本发明考虑洋流影响的水下机器人路径规划过程示意图；
图2是本发明生成的模拟海洋环境示意图；
图3是本发明在模拟海洋环境内考虑洋流影响所规划的路径示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
如图1所示，本发明公开了一种考虑洋流影响的水下机器人路径规划方法，包括如下步骤：
S1：将栅格地图与八叉树地图融合建模，构建地形障碍，融合洋流语义地图，附加洋流语义，实现地图管理器，对海洋地形障碍与洋流干扰进行建模与管理；
S2：针对传统A*算法进行感知范围拓展，实现传统A*算法单点搜索范围的立体化，将传统A*算法的使用场景从二维环境拓展至三维环境；
S3：针对三维环境模型信息密集问题进行降采样，提升三维环境下A*算法运行效率；S4：建立海洋洋流方向、海洋洋流流速与水下机器人航行路径方向关系的数学模型，量化洋流导致的水下机器人航行过程中的额外能耗；
S5：设计代价函数，改进传统A*算法启发式函数，改进传统A*算法最优方向选取，将洋流影响下的能耗因素和距离因素统一融合，规划综合代价最优的路径。
优选地，步骤S1具体包括：
S11：将传统的以栅格点为邻居变为以等比距离为邻居；
S12：基于栅格尺寸的地形生成函数，设计模拟地形障碍物，生成不同的地形；基于栅格尺寸的地形生成函数如式(1)所示：
其中，X、Y分别为栅格化的X、Y数据轴；Z为构造出的地形障碍物垂直方向坐标，与XY数据轴构成了完整的地形障碍物，hi为构造地形障碍物当前节点的高度的辅助参数，xi为构造地形障碍物当前节点的顶部横坐标位置辅助参数，yi为构造地形障碍物当前节点的顶部纵坐标位置辅助参数，xsi为构造地形障碍物当前节点的底部横坐标位置辅助参数，ysi为构造地形障碍物当前节点的底部纵坐标位置辅助参数。所构造模拟海洋环境模型如图2所示。
S13：采用传统栅格地图背景，融合八叉树地图的数据处理方法，优化模型数据结构，融合洋流语义地图，附加洋流语义，完善海洋模型搭建，贴合实际环境。
优选地，步骤S4具体包括：
S41：将整条路径上的洋流影响离散化为各个点处的向量关系，采用拆分细化方法，将整条路径的能源消耗计算拆分细化为单个节点的能源消耗计算，具体为：将所规划路径某点处的航行方向与洋流方向的夹角作为能源消耗或节省的指标体现，将洋流向量的模长作为能源消耗或节省的程度体现，实现将能源消耗程度映射为0°-180°的夹角角度与向量模长关系；
S42：构建映射函数对洋流与航行夹角的影响进行数值映射，将线性的角度映射到[0,1]区间，映射函数如式(2)所示：
其中，θ为所规划路径某点处的航行方向与洋流方向的夹角，ang代表角度所映射得到的具体数值，其范围在0到1内；
ang数值越大，单位速度洋流对当前航行方向的阻碍效果越明显；
S43：拆分细化洋流大小与方向，考虑当前航行路径点处的洋流大小以及洋流与航行方向夹角，设计在某一航行路径点处的洋流影响下的能耗代价函数如式(3)所示：
其中，i表示当前节点的洋流，|Vi|表示当前节点洋流流速，θi表示当前节点洋流与航行方向的夹角，oci的数值表示第i个航行路径点处的洋流造成的额外能耗量，oci数值越大，该航行路径点额外的能耗越大；
该路径累计的洋流影响下的能耗代价则如式(4)所示：
其中，oc的数值表示该路径累计的由洋流造成的额外能耗；
oc数值越大，该路径额外的能耗越大。
优选地，步骤S5具体包括：
S51：采用欧几里得距离公式量化水下机器人移动过程中的距离因素，欧几里得距离计算公式如式(5)所示：
其中，S(xs,ys,zs)与E(xe,ye,ze)分别为三维空间中的两点，欧几里得距离d表示S与E两点的欧几里得距离；
若d数值越大，则表示当前目标节点至上一节点的距离越远；若d数值越小，则表示当前目标节点至上一目标节点的距离越近；以d的数值越小方向为算法最优搜索方向；S52：引入S43中所设计的能耗代价函数，求在某一节点处的洋流影响下的能耗代价则，如式(6)所示：
其中，i表示当前节点的洋流，|Vi|表示当前节点洋流流速，θi表示当前节点洋流与航行方向的夹角，oci的数值表示第i个航行路径点处的洋流造成的额外能耗量；
若oci数值越大，则表示当前目标节点所需抵抗的洋流强度越大，抵抗洋流所需消耗的能耗越多；若oci数值越小，则表示当前目标节点所需抵抗的洋流强度越小，抵抗洋流所需消耗的能耗越少；以oci数值最小的方向作为算法最优搜索方向；
S53：将距离因素与能耗代价结合，构造综合代价函数，改进传统A*算法启发式函数，优先搜索距离较短且洋流影响小的无碰路径，求出综合考虑路径距离与能耗代价的综合代价函数公式如式(7)所示：
其中，S(xs,ys,zs)与E(xe,ye,ze)分别为三维空间中的两点，i表示当前节点的洋流，|Vi|表示当前节点洋流流速，θi表示当前节点洋流与航行方向的夹角；
通过式(7)计算当前节点S至下一节点E的综合代价消耗，通过比较不同节点的代价函数值大小，选取数值小的为下一移动节点，hE数值最小的路径即为最优路径。
S54：使用贝塞尔平滑，对S52中所规划得到的最优路径进行平滑处理，得到折角光滑的最优路径，如图3所示。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。
Claims (4)
1.一种考虑洋流影响的水下机器人路径规划方法，其特征在于包括如下步骤：
S1：将栅格地图与八叉树地图融合建模，构建地形障碍，融合洋流语义地图，附加洋流语义，实现地图管理器，对海洋地形障碍与洋流干扰进行建模与管理；
S2：针对传统A*算法进行感知范围拓展，实现传统A*算法单点搜索范围的立体化，将传统A*算法的使用场景从二维环境拓展至三维环境；
S3：针对三维环境模型信息密集问题进行降采样，提升三维环境下A*算法运行效率；
S4：建立海洋洋流方向、海洋洋流流速与水下机器人航行路径方向关系的数学模型，量化洋流导致的水下机器人航行过程中的额外能耗；
S5：设计代价函数，改进传统A*算法启发式函数，改进传统A*算法最优方向选取，将洋流影响下的能耗因素和距离因素统一融合，规划综合代价最优的路径。
2.根据权利要求1所述的一种考虑洋流影响的水下机器人路径规划方法，其特征在于，步骤S1具体包括：
S11：将传统的以栅格点为邻居变为以等比距离为邻居；
S12：基于栅格尺寸的地形生成函数，设计模拟地形障碍物，生成不同的地形；基于栅格尺寸的地形生成函数如式(1)所示：
其中，X、Y分别为栅格化的X、Y数据轴；Z为构造出的地形障碍物垂直方向坐标，与XY数据轴构成了完整的地形障碍物，hi为构造地形障碍物当前节点的高度的辅助参数，xi为构造地形障碍物当前节点的顶部横坐标位置辅助参数，yi为构造地形障碍物当前节点的顶部纵坐标位置辅助参数，xsi为构造地形障碍物当前节点的底部横坐标位置辅助参数，ysi为构造地形障碍物当前节点的底部纵坐标位置辅助参数；
S13：采用传统栅格地图背景，融合八叉树地图的数据处理方法，优化模型数据结构，融合洋流语义地图，附加洋流语义，完善海洋模型搭建，贴合实际环境。
3.根据权利要求1所述的一种考虑洋流影响的水下机器人路径规划方法，其特征在于，步骤S4具体包括：
S41：将整条路径上的洋流影响离散化为各个点处的向量关系，采用拆分细化方法，将整条路径的能源消耗计算拆分细化为单个节点的能源消耗计算，具体为：将所规划路径某点处的航行方向与洋流方向的夹角作为能源消耗或节省的指标体现，将洋流向量的模长作为能源消耗或节省的程度体现，实现将能源消耗程度映射为0°-180°的夹角角度与向量模长关系；
S42：构建映射函数对洋流与航行夹角的影响进行数值映射，将线性的角度映射到[0,1]区间，映射函数如式(2)所示：
其中，θ为所规划路径某点处的航行方向与洋流方向的夹角，ang代表角度所映射得到的具体数值，其范围在0到1内；
ang数值越大，单位速度洋流对当前航行方向的阻碍效果越明显；
S43：拆分细化洋流大小与方向，考虑当前航行路径点处的洋流大小以及洋流与航行方向夹角，设计在某一航行路径点处的洋流影响下的能耗代价函数如式(3)所示：
其中，i表示当前节点的洋流，|Vi|表示当前节点洋流流速，θi表示当前节点洋流与航行方向的夹角，oci的数值表示第i个航行路径点处的洋流造成的额外能耗量，oci数值越大，该航行路径点额外的能耗越大；
该路径累计的洋流影响下的能耗代价则如式(4)所示：
其中，oc的数值表示该路径累计的由洋流造成的额外能耗；
oc数值越大，该路径额外的能耗越大。
4.根据权利要求3所述的一种考虑洋流影响的水下机器人路径规划方法，其特征在于，步骤S5具体包括：
S51：采用欧几里得距离公式量化水下机器人移动过程中的距离因素，欧几里得距离计算公式如式(5)所示：
其中，S(xs,ys,zs)与E(xe,ye,ze)分别为三维空间中的两点，欧几里得距离d表示S与E两点的欧几里得距离；
若d数值越大，则表示当前目标节点至上一节点的距离越远；若d数值越小，则表示当前目标节点至上一目标节点的距离越近；以d的数值越小方向为算法最优搜索方向；
S52：引入S43中所设计的能耗代价函数，求在某一节点处的洋流影响下的能耗代价则，如式(6)所示：
其中，i表示当前节点的洋流，|Vi|表示当前节点洋流流速，θi表示当前节点洋流与航行方向的夹角，oci的数值表示第i个航行路径点处的洋流造成的额外能耗量；
若oci数值越大，则表示当前目标节点所需抵抗的洋流强度越大，抵抗洋流所需消耗的能耗越多；若oci数值越小，则表示当前目标节点所需抵抗的洋流强度越小，抵抗洋流所需消耗的能耗越少；以oci数值最小的方向作为算法最优搜索方向；
S53：将距离因素与能耗代价结合，构造综合代价函数，改进传统A*算法启发式函数，优先搜索距离较短且洋流影响小的无碰路径，求出综合考虑路径距离与能耗代价的综合代价函数公式如式(7)所示：
其中，S(xs,ys,zs)与E(xe,ye,ze)分别为三维空间中的两点，i表示当前节点的洋流，|Vi|表示当前节点洋流流速，θi表示当前节点洋流与航行方向的夹角；
通过式(7)计算当前节点S至下一节点E的综合代价消耗，通过比较不同节点的代价函数值大小，选取数值小的为下一移动节点，hE数值最小的路径即为最优路径。
S54：使用贝塞尔平滑，对S52中所规划得到的最优路径进行平滑处理，得到折角光滑的最优路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310718578.XA CN116734856A (zh) | 2023-06-16 | 2023-06-16 | 一种考虑洋流影响的水下机器人路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310718578.XA CN116734856A (zh) | 2023-06-16 | 2023-06-16 | 一种考虑洋流影响的水下机器人路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116734856A true CN116734856A (zh) | 2023-09-12 |
Family
ID=87909354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310718578.XA Pending CN116734856A (zh) | 2023-06-16 | 2023-06-16 | 一种考虑洋流影响的水下机器人路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116734856A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117055591A (zh) * | 2023-10-11 | 2023-11-14 | 青岛哈尔滨工程大学创新发展中心 | 综合洋流影响和机动性约束的auv全局路径规划方法 |
| CN117079118A (zh) * | 2023-10-16 | 2023-11-17 | 广州华夏汇海科技有限公司 | 基于视觉检测的水下行走检测方法及系统 |
| CN117148842A (zh) * | 2023-09-21 | 2023-12-01 | 哈尔滨工程大学 | 基于环境预报的风能驱动机器人省时全局路径规划方法 |
| CN117419731A (zh) * | 2023-12-19 | 2024-01-19 | 青岛哈尔滨工程大学创新发展中心 | 基于多策略人工蜂群算法在海洋环境下的路径规划方法 |
-
2023
- 2023-06-16 CN CN202310718578.XA patent/CN116734856A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117148842A (zh) * | 2023-09-21 | 2023-12-01 | 哈尔滨工程大学 | 基于环境预报的风能驱动机器人省时全局路径规划方法 |
| CN117055591A (zh) * | 2023-10-11 | 2023-11-14 | 青岛哈尔滨工程大学创新发展中心 | 综合洋流影响和机动性约束的auv全局路径规划方法 |
| CN117055591B (zh) * | 2023-10-11 | 2024-03-15 | 青岛哈尔滨工程大学创新发展中心 | 综合洋流影响和机动性约束的auv全局路径规划方法 |
| CN117079118A (zh) * | 2023-10-16 | 2023-11-17 | 广州华夏汇海科技有限公司 | 基于视觉检测的水下行走检测方法及系统 |
| CN117079118B (zh) * | 2023-10-16 | 2024-01-16 | 广州华夏汇海科技有限公司 | 基于视觉检测的水下行走检测方法及系统 |
| CN117419731A (zh) * | 2023-12-19 | 2024-01-19 | 青岛哈尔滨工程大学创新发展中心 | 基于多策略人工蜂群算法在海洋环境下的路径规划方法 |
| CN117419731B (zh) * | 2023-12-19 | 2024-03-12 | 青岛哈尔滨工程大学创新发展中心 | 基于多策略人工蜂群算法在海洋环境下的路径规划方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116734856A (zh) | 一种考虑洋流影响的水下机器人路径规划方法 | |
| Han et al. | Ant-colony-based complete-coverage path-planning algorithm for underwater gliders in ocean areas with thermoclines | |
| Yang et al. | A new robot navigation algorithm based on a double-layer ant algorithm and trajectory optimization | |
| Lai et al. | Enhanced center constraint weighted A* algorithm for path planning of petrochemical inspection robot | |
| CN108489491A (zh) | 一种水下自主航行器的三维航迹智能规划方法 | |
| CN113589809B (zh) | 可避障的挖掘机工作装置作业轨迹规划方法及装置 | |
| CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
| Zhu et al. | A* algorithm of global path planning based on the grid map and V-graph environmental model for the mobile robot | |
| CN113124875A (zh) | 一种路径导航方法 | |
| Pan et al. | An automatic route design algorithm for intelligent ships based on a novel environment modeling method | |
| CN114545921B (zh) | 一种基于改进rrt算法的无人汽车路径规划算法 | |
| Zhang et al. | Intelligent path planning by an improved RRT algorithm with dual grid map | |
| CN109798899A (zh) | 一种面向海底未知地形搜索的树扩散启发式路径规划方法 | |
| Liu et al. | Clustering Theta* based segmented path planning method for vessels in inland waterways | |
| CN115855226B (zh) | 基于dqn和矩阵补全的多auv协同水下数据采集方法 | |
| Guo et al. | Path planning for autonomous underwater vehicles based on an improved artificial jellyfish search algorithm in multi-obstacle ocean current environment | |
| CN115454061B (zh) | 一种基于3d技术的机器人路径避障方法及系统 | |
| CN116466701A (zh) | 一种无人水面艇能耗最小轨迹规划方法 | |
| CN115951682A (zh) | 一种考虑洋流存在条件下的带约束四目标auv全局路径规划方法 | |
| CN114995384A (zh) | 融合神经网络的改进hho算法agv路径规划 | |
| CN110021041A (zh) | 基于双目相机的无人驾驶场景增量式网格化结构重建方法 | |
| CN108731688A (zh) | 导航方法和装置 | |
| Yu | The Impact of Path Planning Model Based on Improved Ant Colony Optimization Algorithm on Green Traffic Management. | |
| Li | Robot Trajectory Planning Based on the Energy Management Strategy | |
| Han et al. | Underwater Multi-Target Node Path Planning in Hybrid Action Space: A Deep Reinforcement Learning Approach |
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 |