CN117215317B - 一种无人船局部路径规划方法、设备及存储介质 - Google Patents
一种无人船局部路径规划方法、设备及存储介质 Download PDFInfo
- Publication number
- CN117215317B CN117215317B CN202311483141.9A CN202311483141A CN117215317B CN 117215317 B CN117215317 B CN 117215317B CN 202311483141 A CN202311483141 A CN 202311483141A CN 117215317 B CN117215317 B CN 117215317B
- Authority
- CN
- China
- Prior art keywords
- unmanned ship
- obstacle
- speed
- track
- sampling
- 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 62
- 238000005070 sampling Methods 0.000 claims abstract description 62
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 20
- 230000006399 behavior Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人船局部路径规划方法、设备及存储介质，属于路径规划技术领域，包括采集无人船起点、目标点、障碍物位置参数，构建无人船的航行地图；DWA算法生成速度采样窗口，并且根据无人船运动模型生成采样轨迹；引入障碍物预测轨迹，根据障碍物预测轨迹构建一个椭圆作为障碍物识别区域，在椭圆中反映障碍物的速度和航向；计算椭圆到采样轨迹最短距离，将其作为采样轨迹的距离评价项；计算改进后整体评价函数，选择评分最优的速度组合并执行。本发明避免了传统DWA算法在复杂海域时出现危险避障行为的状况，尤其是面对高速运动的障碍物，能够尽早开始避障行为，提高了无人船对动态障碍物的避障能力。
Description
技术领域
本发明涉及路径规划技术领域，特别涉及一种无人船局部路径规划方法、设备及存储介质。
背景技术
无人船(Unmanned Surface Vehicle, USV)，作为一种自主性较高的水面舰艇，由于其体积小、隐蔽性能好、反应快速灵敏、续航能力强等优势，在民用、军事和海洋环境的探索开发领域都有巨大的发展前景。无人船作为自主水上探测和海洋研究的重要工具，需要具备高效、精确的局部路径规划能力。局部路径规划是无人船自主导航系统中的关键环节，它决定了无人船如何避开障碍物、规避危险区域以及达到目标位置。
目前，动态窗口算法（Dynamic Window Approach，DWA）已成为无人船局部路径规划的常用算法之一。DWA算法是一种基于约束速度矢量空间的路径规划算法，它对无人船的线速度和角速度进行采样，并利用无人船的运动学方程生成多组待评价的轨迹。通过对这些轨迹进行评分，选择得分最高的最优轨迹，实现了无人船的局部路径规划。这种方法确保了所选取的速度指令的可行性和安全性，从而保证了无人船在动态环境中的导航效果。
但现有的利用DWA算法在复杂障碍物场景下的无人船避障存在一些局限性，在复杂障碍物环境中，障碍物以不同的速度和航向移动，而DWA算法只关注无人船自身的运动规划，这限制了算法在避免碰撞和实现安全导航方面的能力。此外，现有的利用DWA算法进行无人船避障时未考虑障碍物的速度和航向，无法充分预测障碍物的运动轨迹，尤其是在面对高速障碍物时，可能出现危险的避障行为，导致航行事故。
有鉴于此，实有必要提供一种新的技术方案以解决上述问题。
发明内容
为解决上述技术问题，本申请提供一种无人船局部路径规划方法、设备及存储介质，能够尽早开始避障行为，提高了无人船对动态障碍物的避障能力。
一种无人船局部路径规划方法，包括：
采集无人船起点、目标点和障碍物位置参数，构建无人船的航行地图；
利用DWA算法进行速度采样，根据无人船自身的运动特性以及环境中障碍物的影响形成速度约束，生成由无人船所有可行速度组成的速度采样窗口；
根据无人船的运动学模型，利用DWA算法对采样到的速度进行轨迹模拟，生成无人船的采样轨迹；
计算障碍物预测轨迹，将动态障碍物预测轨迹构建一个椭圆作为动态障碍物识别区域，在椭圆中反映障碍物的速度和航向；
计算动态障碍物识别区域到无人船采样轨迹的最短距离，将其作为采样轨迹的距离评价项；
通过整体评价函数对无人船的采样轨迹进行评价，选择评分最优的速度组合作为最优路径。
优选的，所述生成由无人船所有可行速度组成的速度采样窗口中，无人船的速度采样窗口集合为：
；
式中：V1为无人船最大速度和最小速度的边界限制；V2为无人船最大加速度和最大减速度的边界限制；V3为无人船当前状态能够安全制动范围内线速度和角速度的障碍边界限制；
其中，；
；
；
式中，为无人船的线速度；/>为无人船的角速度；/>为无人船的最大线加速度；/>为无人船的最大线减速度；/>为无人船的最大角加速度；/>为无人船的最大角减速度；/>表示采样间隔；/>为速度空间/>对应轨迹上离障碍物最近的距离，/>为速度空间/>对应轨迹上离障碍物最小的夹角。
优选的，所述无人船的运动学模型的数学表达式为：
；
式中，为t时刻无人船的x轴坐标，/>为t时刻无人船的y轴坐标,/>为t时刻无人船的航向角度，/>为t时刻无人船的线速度，/>为t时刻无人船的角速度，/>为下一采样时刻无人船的x轴坐标，/>为下一采样时刻无人船的y轴坐标,/>为下一采样时刻无人船的航向角度。
优选的，所述计算障碍物预测轨迹时，包括对障碍物的速度进行检测，将障碍物分为动态障碍物和静态障碍物。
优选的，所述根据动态障碍物预测轨迹构建一个椭圆作为动态障碍物识别区域时，所述动态障碍物识别区域为以动态障碍物当前时刻位置和预测轨迹终点为焦点，设置的安全距离为短轴构建的一个椭圆。
优选的，所述计算障碍物识别区域到无人船采样轨迹的最短距离，包括计算静态障碍物到预测轨迹上的最短距离和计算动态障碍物识别区域到预测轨迹上的最短距离。
优选的， 所述计算动态障碍物识别区域到无人船采样轨迹的最短距离，将其作为采样轨迹的距离评价项中，距离评价函数的表达式为：
；
式中，为距离评价函数值，/>为静态障碍物到预测轨迹上的最短距离，/>为动态障碍物识别区域到无人船预测轨迹的最短距离。
优选的，所述通过整体评价函数对无人船的采样轨迹进行评价，选择评分最优的速度组合作为最优路径中，整体评价函数的表达式为：
；
式中，为整体评价函数，/>表示速度组合/>对应的模拟轨迹末端的航向角得分，/>为障碍物与预测轨迹之间的最近距离得分，为各个预测轨迹的速度组合得分，/> 表示三项评价标准的权重，表示对三项评价因子的归一化处理参数。
根据本申请的另一方面，还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行所述的无人船局部路径规划方法。
根据本申请的另一方面，还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，当所述指令在计算机上运行时，使得计算机执行所述的无人船局部路径规划方法。
与现有技术相比，本申请至少具有以下有益效果：
1、本发明与传统的DWA算法相比，在面对高速运动障碍物时，能够尽早开始避障行为，提高了无人船对动态障碍物的避障能力。
2、本发明引入障碍物轨迹预测，改进了传统的距离评价函数，有效提高无人船的避障能力。
3、本发明对动态障碍物构建一个椭圆作为动态障碍物识别区域，有效提高动态障碍物的识别效果。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1为本发明一种无人船局部路径规划方法的整体流程示意图；
图2为本发明无人船的航行地图；
图3为本发明无人船运动模型示意图；
图4为本发明无人船预测轨迹示意图；
图5为本发明改进距离评价函数示意图；
图6-1为简单环境中传统DWA算法无人船路径规划轨迹示意图一；
图6-2为简单环境中传统DWA算法无人船路径规划轨迹示意图二；
图6-3为简单环境中传统DWA算法无人船路径规划轨迹示意图三；
图6-4为简单环境中传统DWA算法无人船路径规划轨迹示意图四；
图7-1为简单环境中采用本发明无人船局部路径规划方法的无人船路径规划轨迹示意图一；
图7-2为简单环境中采用本发明无人船局部路径规划方法的无人船路径规划轨迹示意图二；
图7-3为简单环境中采用本发明无人船局部路径规划方法的无人船路径规划轨迹示意图三；
图7-4为简单环境中采用本发明无人船局部路径规划方法的无人船路径规划轨迹示意图四；
图8为复杂环境中传统DWA算法无人船路径规划轨迹示意图；
图9-1为复杂环境中采用本发明无人船局部路径规划方法的无人船路径规划轨迹示意图一；
图9-2为复杂环境中采用本发明无人船局部路径规划方法的无人船路径规划轨迹示意图二；
图9-3为复杂环境中采用本发明无人船局部路径规划方法的无人船路径规划轨迹示意图三；
图9-4为复杂环境中采用本发明无人船局部路径规划方法的无人船路径规划轨迹示意图四。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
如图1所示，一种无人船局部路径规划方法，包括以下步骤：
步骤S1、采集无人船起点、目标点和障碍物位置参数，构建无人船的航行地图。
利用无人船身自带的定位及监测设备，采集无人船的起始位置，目标点，障碍物位置，构建无人船航行地图，如图2所示。将无人船置于平面直角坐标系中，横向为X轴，纵向为Y轴，图中黑色原点表示航行海域中的静态障碍物，长方形框为动态障碍物，星星表示目标点，叉号表示起点，黑色长方形为无人船，黑色实线为无人船航行路径。
步骤S2、利用DWA算法进行速度采样，根据无人船自身的运动特性以及环境中障碍物的影响形成速度约束，生成由无人船所有可行速度组成的速度采样窗口。
采集当前时刻无人船位置，速度，利用DWA算法根据无人船当前时刻速度及角速度，进行速度采样，计算出可行的速度采样空间V，将连续的速度采样空间V离散化。
具体的，生成由无人船所有可行速度组成的速度采样窗口中，无人船的速度采样窗口集合为：
；
式中：V1为无人船最大速度和最小速度的边界限制；V2为无人船最大加速度和最大减速度的边界限制；V3为无人船当前状态能够安全制动范围内线速度和角速度的障碍边界限制；
其中，；
；
；
式中，为无人船的线速度；/>为无人船的角速度；/>为无人船的最大线加速度；/>为无人船的最大线减速度；/>为无人船的最大角加速度；/>为无人船的最大角减速度；/>表示采样间隔；/>为速度空间/>对应轨迹上离障碍物最近的距离，/>为速度空间/>对应轨迹上离障碍物最小的夹角。
在速度采样窗口集合V中，根据线速度和角速度的采样点数量，可以将连续的速度矢量空间V离散化，得到离散的采样点。
步骤S3、根据无人船的运动学模型，利用DWA算法对采样到的速度进行轨迹模拟，生成无人船的采样轨迹。
根据无人船的运动学模型，利用DWA算法对步骤S2中离散的采样点进行轨迹模拟：
DWA算法要将位置控制转化为速度控制，故需要对无人船的运动模型进行分析，本发明无人船的运动学模型如图2所示。
因为假定的相邻的两个采样时刻的间隔很短，因此将相邻时刻运动轨迹当作匀速直线运动，无人船运动模型的数学表达式为：
；
式中，为t时刻无人船的x轴坐标，/>为t时刻无人船的y轴坐标,/>为t时刻无人船的航向角度，/>为t时刻无人船的线速度，/>为t时刻无人船的角速度，/>为下一采样时刻无人船的x轴坐标，/>为下一采样时刻无人船的y轴坐标,/>为下一采样时刻无人船的航向角度。
根据步骤2中得到的离散的采样点，作为无人船的运动状态，并预测在一定的仿真时间t内运动轨迹，得到的采样轨迹如图4所示。
步骤S4、计算障碍物预测轨迹，将动态障碍物预测轨迹构建一个椭圆作为动态障碍物识别区域，在椭圆中反映障碍物的速度和航向。
其中计算障碍物预测轨迹包括：计算静态障碍物到预测轨迹上的最短距离和计算动态障碍物识别区域到预测轨迹上的最短距离。
动态障碍物识别区域为以动态障碍物当前时刻位置和预测轨迹终点为焦点，设置的安全距离为短轴构建的一个椭圆。
步骤S5、计算动态障碍物识别区域到无人船采样轨迹的最短距离，将其作为采样轨迹的距离评价项。
具体的，计算障碍物识别区域到无人船采样轨迹的最短距离，包括计算静态障碍物到预测轨迹上的最短距离和计算动态障碍物识别区域到预测轨迹上的最短距离。
计算动态障碍物识别区域到无人船采样轨迹的最短距离，将其作为采样轨迹的距离评价项中，距离评价函数的表达式为：
；
式中，为距离评价函数值，/>为静态障碍物到预测轨迹上的最短距离，/>为动态障碍物识别区域到无人船预测轨迹的最短距离。
步骤S6、通过整体评价函数对无人船的采样轨迹进行评价，选择评分最优的速度组合作为最优路径。
通过整体评价函数对无人船的采样轨迹进行评价，选择评分最优的速度组合作为最优路径中，整体评价函数的表达式为：
；
式中，为整体评价函数，/>表示速度组合/>对应的模拟轨迹末端的航向角得分，/>为障碍物与预测轨迹之间的最近距离得分，为各个预测轨迹的速度组合得分，/> 表示三项评价标准的权重，表示对三项评价因子的归一化处理参数，即将各个评价项除以模拟周期内所有轨迹该评价项之和，如下：
其中，n为模拟周期内采样的轨迹数，i为参与评价函数的当前轨迹。
通过对三个子函数进行加权运算，将其作为评判标准来选择最优的局部路径。选取得分最高的路径即为当前移动平台的局部最优路径，将路径方向作为全新的考核标准，纳入局部路径规划流程中。
如果无人船到达目标点，完成无人船局部路径规划，否则重复执行步骤S2至步骤S5，直至无人船到达目标点。
为了验证本发明的有益效果，在本发明的实施例中对所提出的一种无人船局部路径规划方法进行仿真验证。
在进行仿真验证前，需要进行参数设置，无人船状态参数及评价函数权重如表1所示。
表1 仿真验证中无人船状态参数及评价函数权重表
如图6-1至图6-4所示，为简单环境传统DWA算法无人船路径规划轨迹示意图，具体表示为t＝5s、12s、20s、24s不同时刻的无人船状态。其中，起点坐标为(0,0)，以叉号表示，终点坐标为(10,10)，以黑色五角星表示，图中黑色圆点为航行海域中的静态障碍物，黑色圆点之间零散设置的长方形框为动态障碍物，黑色长方形为无人船，黑色虚线轨迹为动态障碍物轨迹，而实线轨迹为无人船的运动轨迹。
如图7-1至图7-4所示，为简单环境中采用本发明无人船局部路径规划方法的无人船路径规划轨迹示意图，具体表示为t＝5s、10s、15s、20s不同时刻的无人船状态。图中附图标记同图6-1至图6-4。
从图中可以看到，传统的DWA算法虽然可以避开动态障碍物，但是避障行为太晚，与动态障碍物距离过近，属于危险避障行为。采用本发明无人船局部路径规划方法后，无人船在t＝5s时刻，已经识别到冲突动态障碍物，在t＝10s时刻，无人船安全避开动态障碍物，与动态障碍物保持了一定安全距离，t=20s时到达目标点。与传统DWA算法相比，改进DWA算法从时间和安全角度明显更优。
如图8所示，为复杂环境传统DWA算法无人船路径规划轨迹示意图，图中附图标记同图6-1至图6-4，从图中可以看到在t=5s与动态障碍物发生碰撞。
如图9-1至图9-4所示，为复杂环境中采用本发明无人船局部路径规划方法的无人船路径规划轨迹示意图，具体表示为t＝5s、10s、20s、26s不同时刻的无人船状态，其中，图中附图标记同图6-1至图6-4，从图中可以看到无人船找到一条安全无碰撞路径。
基于上述，利用本发明无人船局部路径规划方法进行无人船的局部路径规划时，可以有效解决现有技术中DWA算法没有考虑动态障碍物速度和航向出现危险避障行为的情况。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、工作、器件、组件和/或它们的组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种无人船局部路径规划方法，其特征在于，包括：
采集无人船起点、目标点和障碍物位置参数，构建无人船的航行地图；
利用DWA算法进行速度采样，根据无人船自身的运动特性以及环境中障碍物的影响形成速度约束，生成由无人船所有可行速度组成的速度采样窗口；
根据无人船的运动学模型，利用DWA算法对采样到的速度进行轨迹模拟，生成无人船的采样轨迹；
计算障碍物预测轨迹，将动态障碍物预测轨迹构建一个椭圆作为动态障碍物识别区域，在椭圆中反映障碍物的速度和航向；
计算动态障碍物识别区域到无人船采样轨迹的最短距离，将其作为采样轨迹的距离评价项；
通过整体评价函数对无人船的采样轨迹进行评价，选择评分最优的速度组合作为最优路径；
所述计算动态障碍物识别区域到无人船采样轨迹的最短距离，将其作为采样轨迹的距离评价项中，距离评价函数的表达式为：
；
式中，为距离评价函数值，/>为静态障碍物到预测轨迹上的最短距离，/>为动态障碍物识别区域到无人船预测轨迹的最短距离。
2.如权利要求1所述的无人船局部路径规划方法，其特征在于，所述生成由无人船所有可行速度组成的速度采样窗口中，无人船的速度采样窗口集合为：
；
式中：V1为无人船最大速度和最小速度的边界限制；V2为无人船最大加速度和最大减速度的边界限制；V3为无人船当前状态能够安全制动范围内线速度和角速度的障碍边界限制；
其中，
；
；
；
式中，为无人船的线速度；/>为无人船的角速度；/>为无人船的最大线加速度；/>为无人船的最大线减速度；/>为无人船的最大角加速度；/>为无人船的最大角减速度；/>表示采样间隔；/>为速度空间/>对应轨迹上离障碍物最近的距离，/>为速度空间/>对应轨迹上离障碍物最小的夹角。
3.如权利要求2所述的无人船局部路径规划方法，其特征在于，所述无人船的运动学模型的数学表达式为：
；
式中，为t时刻无人船的x轴坐标，/>为t时刻无人船的y轴坐标,/>为t时刻无人船的航向角度，/>为t时刻无人船的线速度，/>为t时刻无人船的角速度，/>为下一采样时刻无人船的x轴坐标，/>为下一采样时刻无人船的y轴坐标,/>为下一采样时刻无人船的航向角度。
4.如权利要求1所述的无人船局部路径规划方法，其特征在于，所述计算障碍物预测轨迹时，包括对障碍物的速度进行检测，将障碍物分为动态障碍物和静态障碍物。
5.如权利要求4所述的无人船局部路径规划方法，其特征在于，所述将动态障碍物预测轨迹构建一个椭圆作为动态障碍物识别区域时，所述动态障碍物识别区域为以动态障碍物当前时刻位置和预测轨迹终点为焦点，设置的安全距离为短轴构建的一个椭圆。
6.如权利要求4所述的无人船局部路径规划方法，其特征在于，所述计算动态障碍物识别区域到无人船采样轨迹的最短距离，包括计算静态障碍物到预测轨迹上的最短距离和计算动态障碍物识别区域到预测轨迹上的最短距离。
7.如权利要求6所述的无人船局部路径规划方法，其特征在于，所述通过整体评价函数对无人船的采样轨迹进行评价，选择评分最优的速度组合作为最优路径中，整体评价函数的表达式为：
；
式中，为整体评价函数，/>表示速度组合/>对应的模拟轨迹末端的航向角得分，/>为障碍物与预测轨迹之间的最近距离得分，为各个预测轨迹的速度组合得分，/> 表示三项评价标准的权重，/>表示对三项评价因子的归一化处理参数。
8.一种计算设备，其特征在于，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如权利要求1至7任一项所述的无人船局部路径规划方法。
9.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至7任一项所述的无人船局部路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311483141.9A CN117215317B (zh) | 2023-11-09 | 2023-11-09 | 一种无人船局部路径规划方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311483141.9A CN117215317B (zh) | 2023-11-09 | 2023-11-09 | 一种无人船局部路径规划方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117215317A CN117215317A (zh) | 2023-12-12 |
| CN117215317B true CN117215317B (zh) | 2024-02-09 |
Family
ID=89049687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311483141.9A Active CN117215317B (zh) | 2023-11-09 | 2023-11-09 | 一种无人船局部路径规划方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117215317B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117472066B (zh) * | 2023-12-27 | 2024-03-26 | 成都流体动力创新中心 | 一种航向角速度局部最优的避障控制方法 |
| CN117826819A (zh) * | 2024-01-02 | 2024-04-05 | 中国矿业大学 | 一种基于自适应动态窗口法的uuv三维避障规划方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112327850A (zh) * | 2020-11-06 | 2021-02-05 | 大连海事大学 | 一种水面无人艇路径规划方法 |
| CN113050646A (zh) * | 2021-03-22 | 2021-06-29 | 西安工业大学 | 一种用于室内移动机器人动态环境路径规划方法 |
| CN115079705A (zh) * | 2022-08-08 | 2022-09-20 | 海相(江苏)科技有限公司 | 基于改进a星融合dwa优化算法的巡检机器人路径规划方法 |
| CN115309161A (zh) * | 2022-08-23 | 2022-11-08 | 南京信息工程大学 | 一种移动机器人路径规划方法、电子设备及存储介质 |
| CN115407780A (zh) * | 2022-09-05 | 2022-11-29 | 北京理工大学 | 一种基于三阶段避障策略的无人船局部路径规划方法 |
| WO2023073164A1 (en) * | 2021-10-28 | 2023-05-04 | Norwegian University Of Science And Technology | Collision avoidance for marine vessels |
| CN116643572A (zh) * | 2023-06-29 | 2023-08-25 | 同济大学 | 针对室内复杂环境的局部路径规划方法、电子设备及介质 |
-
2023
- 2023-11-09 CN CN202311483141.9A patent/CN117215317B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112327850A (zh) * | 2020-11-06 | 2021-02-05 | 大连海事大学 | 一种水面无人艇路径规划方法 |
| CN113050646A (zh) * | 2021-03-22 | 2021-06-29 | 西安工业大学 | 一种用于室内移动机器人动态环境路径规划方法 |
| WO2023073164A1 (en) * | 2021-10-28 | 2023-05-04 | Norwegian University Of Science And Technology | Collision avoidance for marine vessels |
| CN115079705A (zh) * | 2022-08-08 | 2022-09-20 | 海相(江苏)科技有限公司 | 基于改进a星融合dwa优化算法的巡检机器人路径规划方法 |
| CN115309161A (zh) * | 2022-08-23 | 2022-11-08 | 南京信息工程大学 | 一种移动机器人路径规划方法、电子设备及存储介质 |
| CN115407780A (zh) * | 2022-09-05 | 2022-11-29 | 北京理工大学 | 一种基于三阶段避障策略的无人船局部路径规划方法 |
| CN116643572A (zh) * | 2023-06-29 | 2023-08-25 | 同济大学 | 针对室内复杂环境的局部路径规划方法、电子设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 一种融合行人预测信息的局部路径规划算法;赵青;陈勇;罗斌;张良培;;武汉大学学报(信息科学版)(第05期);全文 * |
| 融合改进动态窗口法与速度障碍法的无人船局部路径规划;谭智坤 等;船舶力学;第27卷(第3期);第1节，第2.3节，及图4 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117215317A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117215317B (zh) | 一种无人船局部路径规划方法、设备及存储介质 | |
| CN110703762B (zh) | 一种复杂环境下水面无人艇混合路径规划方法 | |
| Chen et al. | A hybrid path planning algorithm for unmanned surface vehicles in complex environment with dynamic obstacles | |
| Cesari et al. | Scenario model predictive control for lane change assistance and autonomous driving on highways | |
| EP3623759B1 (en) | A computer-implemented method and a system for defining a path for a vehicle within an environment with obstacles | |
| Wang et al. | A COLREGs-based obstacle avoidance approach for unmanned surface vehicles | |
| Althoff et al. | Safety assessment of robot trajectories for navigation in uncertain and dynamic environments | |
| CN109241552A (zh) | 一种基于多约束目标的水下机器人运动规划方法 | |
| CN106164998A (zh) | 路径预测装置 | |
| Houénou et al. | Risk assessment for collision avoidance systems | |
| Lin et al. | The optimal route planning for inspection task of autonomous underwater vehicle composed of MOPSO-based dynamic routing algorithm in currents | |
| CN109229109B (zh) | 判断车辆行驶方向的方法、装置、设备和计算机存储介质 | |
| CN104820430B (zh) | 一种基于偶极势场的auv回坞导引系统及导引方法 | |
| CN114830138A (zh) | 训练轨迹评分神经网络以准确分配分数 | |
| Wang et al. | Cooperative collision avoidance for unmanned surface vehicles based on improved genetic algorithm | |
| CN109271857A (zh) | 一种伪车道线剔除方法及装置 | |
| Guan et al. | Autonomous collision avoidance of unmanned surface vehicles based on improved A-star and dynamic window approach algorithms | |
| Dias et al. | Predicting optimal trajectory of left-turning vehicle at signalized intersection | |
| CN113538973B (zh) | 一种基于改进粒子群算法的船舶自动避碰方法 | |
| CN114088094A (zh) | 一种无人艇的智能航路规划方法及系统 | |
| JP7107550B2 (ja) | 移動体の避航判断方法、避航判断装置及び避航判断プログラム | |
| Wen et al. | Online heuristically planning for relative optimal paths using a stochastic algorithm for USVs | |
| CN114167856B (zh) | 一种基于人工情感的服务机器人局部路径规划方法 | |
| Keong et al. | Reinforcement learning for autonomous aircraft avoidance | |
| AGD et al. | High-Level Path Planning for an Autonomous Sailboat Robot Using Q-Learning. |
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 |