CN117250992A - 一种广域无人机物流速运适配装置及其运行状态优化方法 - Google Patents
一种广域无人机物流速运适配装置及其运行状态优化方法 Download PDFInfo
- Publication number
- CN117250992A CN117250992A CN202311415283.1A CN202311415283A CN117250992A CN 117250992 A CN117250992 A CN 117250992A CN 202311415283 A CN202311415283 A CN 202311415283A CN 117250992 A CN117250992 A CN 117250992A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- logistics
- flight
- swan
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000006978 adaptation Effects 0.000 title claims abstract description 19
- 239000000463 material Substances 0.000 title claims abstract description 13
- 241000272778 Cygnus atratus Species 0.000 claims abstract description 75
- 238000012423 maintenance Methods 0.000 claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 210000001503 joint Anatomy 0.000 claims abstract description 21
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 14
- 238000003032 molecular docking Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 11
- 238000013439 planning Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 3
- 241000272780 Cygnus Species 0.000 claims 1
- 238000012384 transportation and delivery Methods 0.000 abstract description 4
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 241000251468 Actinopterygii Species 0.000 description 4
- 241000272194 Ciconiiformes Species 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种广域无人机物流速运适配装置及其运行状态优化方法,适配装置包括物流控制中心、通讯系统、飞行控制系统、物流站点、传感器系统、维护系统、算法优化系统和监测系统;本发明利用改进的数学模型和改进后的算法计算无人机与物流货车对接的位置与角度,从而保证无人机与物流货车对接的成功率,使得货物成功送入货车,提供大型的物流中心来保障无人机配送的后勤工作;监测系统与维护系统多模块配合工作使得无人机运输更为安全;采用黑天鹅优化算法,优化了维护系统的无人机与物流货车对接时的位置修正,提高了对接的成功率和效率。
Description
技术领域
本发明涉及大数据和改进的优化算法,尤其涉及一种广域无人机物流速运适配装置及其运行状态优化方法。
背景技术
目前,在无人机配送的推广问题上,仍然出现许多障碍。电池续航时间较短,动力系统是无人机的四大关键技术之一。在现有技术条件下,消费类无人机以钾电池为驱动系统,续航时间在20分钟左右,而随着无人机载重量的增加,无人机的续航能力也会相应下降,这极大限制了配送距离和品类。感知和避障能力有待提高。目前避障功能在军用无人机、高端商用无人机领城广泛的应用,而大众消费级无人机还少有能实现自动避障技术的厂家出现。因此在使用普通无人机进行快递配送的过程中,无人机容易受到外部环境的干扰,如何自动感知并躲避障碍物,考验无人机的感知和避障能力。
在有限的城市低空空域,3架以上的无人机的相撞极易发生。一些无人机的避障系统可以在识别障碍后,在几米范围内停下来,但很难实现自动绕飞。与现有技术相比,监测模块可以实时监测无人机的状况,飞行模块让无人机实现避险,物流控制中心可以有效的提前规划好无人机的路程避免出现无人机与无人机的碰撞和电力不足,无人机与物流货车的结合降低成本,效率更高,节省了货车路上拥堵的时间。目前现有技术中有无人机运输,但是无法做到无人机与物流货车完美对接,通过建模与改进的算法计算无人机与物流车的位置与角度,进而做到很好的对接,提高了对接的成功率。
发明内容
发明目的:针对现有技术中存在的问题,本发明提出一种广域无人机物流速运适配装置及其运行状态优化方法,利用改进的数学模型和改进后的算法计算无人机与物流货车对接的位置与角度,从而保证无人机与物流货车对接的成功率,使得货物成功送入货车,提供大型的物流中心来保障无人机配送的后勤工作;监测系统与维护系统多模块配合工作使得无人机运输更为安全;采用黑天鹅优化算法,优化了维护系统的无人机与物流货车对接时的位置修正,提高了对接的成功率和效率。
技术方案:本发明广域无人机物流速运适配装置包括物流控制中心、通讯系统、飞行控制系统、物流站点、传感器系统、维护系统、算法优化系统和监测系统。
物流控制中心负责管理货物和无人机;通讯系统通过导航模块和指令模块的共同作用向无人机及时更新下达指令;飞行控制系统通过路径规划模块、舱门控制模块和飞行模块的协同作用在传感器系统的帮助下,保证了无人机与物流货车的准确对接;维护系统和监测系统共同保障了无人机的正常的飞行状态。
物流控制中心主要负责无人机运输飞行前的检查,对第三方监管机构进行飞行报备,在维护系统和监测系统的作用下对无人机的飞行路线进行实时监控并规划更新,提高货物的运送效率和无人机的安全性,对无人机完成运输任务后的飞行后检查,准确的飞行航线同时还负责对无人机和货物的管理。
通讯系统包含导航模块和指令模块,导航模块负责对无人机运送货物的飞行路线进行自动规划,指令模块在维护系统的协助下让物流控制中心及时更新飞行位置重新下达飞行指令,以保证后续飞行控制系统的稳定运行。
飞行控制系统包含路径规划模块、舱门控制模块和飞行模块,路径规划模块根据通讯系统中导航模块自动规划的路线进行行驶,再结合实际路况信息和天气信息进行细微调整,避开风险路线;舱门控制模块结合传感器系统对物流货车舱门进行开关;飞行模块负责对无人机的飞行位置进行调整保证无人机与货车的安全对接,最终达到完成货物运输的飞行任务的目的。
维护系统负责位置修正和实时报警。维护系统在无人机与物流货车通过传感器进行对接时,位置出现偏差、出现舱门未成功打开及对接失败的情况进行实时报警。维护系统根据传感器进行位置修正传达给物流控制中心对无人机下达指令,实现无人机与物流货车的对接。
监测系统负责监测无人机的电力状态、货物状态、实时路况和飞行状态。监测系统将无人机在执行货物运输任务中飞行控制系统的情况实时监测并反馈到物流控制中心,同时将物流站点无人机与物流货车对接状况实时反馈到物流控制中心,做到对无人机运输作业的全程监控,保证了无人机能运输的稳定性与无人机自身的安全。
传感器系统将传感器安装在无人机与物流货车上,通过传感器的交互实施无人机与物流货车的对接。
本发明广域无人机物流速运适配装置的运行状态优化方法包括以下步骤:
(1)采用改进黑天鹅优化算法进行优化;
黑天鹅种群初始化数学描述如下:
xi,j=1j+rand·(uj-1j),i=1,2,...,N,j=1,2,...,m (1)
式中:xi,j为第i个黑天鹅的第j维的位置;N为黑天鹅的种群数量;m为求解问题的维度;rand是[0,1]范围内的随机数;uj是求解问题的第j维的上下边界,1j是求解问题的第j维的下边界;确定货物位置。
(2)在黑天鹅优化算法中,黑天鹅种群用以下种群矩阵表示:
式中:X为黑天鹅的种群矩阵;Xi为第i个黑天鹅的位置。
在黑天鹅优化算法中,求解问题的目标函数用来计算黑天鹅的目标函数值;黑天鹅种群的目标函数值用目标函数值向量表示:
式中:F为黑天鹅种群的目标函数向量;Fi第i个黑天鹅的位置。
(3)改进后的黑天鹅优化算法
对Sine映射种群初始化,混沌映射使种群在搜索空间中的分布更加均匀,扩大搜索货物的范围。其中,Sine映射的数学表达式为:
第一阶段:逼近猎物即勘探阶段
在第一阶段,黑天鹅确定猎物的位置,及无人机确定货物位置,然后向这个确定的区域移动。对黑天鹅逼近猎物策略进行建模,使得黑天鹅优化算法对搜索空间进行扫描,进而发挥黑天鹅优化算法在搜索空间中的不同区域的勘探能力。在黑天鹅优化算法中,猎物的位置在搜索空间中是随机生成的,进而增加了黑天鹅算法在解决精确搜索问题上的勘探能力。对上述概念和逼近猎物策略进行数学建模,如下:
式中:为基于第1阶段更新后第i个黑天鹅的第j维的位置;rand是[0,1]范围内的随机数;I为1或2的随机整数;pj为猎物的第j维的位置;Fp为猎物的目标函数值,无人机确定物流位置,能够精准的判断出货物所在位置。
(4)在黑天鹅优化算法中,如果目标函数值在该位置得到改善,则接受黑天鹅的新位置,即更新货物位置。这个过程如下公式描述:
式中:为第i个黑天鹅的新位置;/>为基于第一阶段更新后的第i个黑天鹅的新位置的目标函数值,更新货物的位置,再次确定新的位置。
(5)采用融合改进的正余弦策略,正余弦优化算法利用正余弦函数的周期性波动构造迭代方程,实现全局搜索和局部开发两个阶段的功能。具体的迭代方程分为以下两类正弦迭代或迭代余弦方程:
式中:t为当前迭代次数,表示第t次选代时第i个个体的第i维变量,r1和r3表示[0,1]之间的随机数,r2表示[0,2π]之间的随机数,Pbest(t)表示第t次迭代的最优解,全局和局部搜索货物位置。
(6)采用Levy飞行策略,在原始黑天鹅优化算法的探索阶段,容易陷入局部最优为了提高跳出局部最优的能力,可以使用莱维飞行策略进行货物位置更新使得这部分黑天鹅个体去到更广的搜索空间:
u~N(0,σ2),v~N(0,1)
(7)第二阶段:水面飞行即开发阶段
在第二阶段,当黑天鹅到达水面后,它们在水面上展开翅膀,将鱼向上移动,然后把猎物放在它们的喉咙袋里。黑天鹅水面飞行的这种策略使得它们在被攻击区域内捕获更多的鱼。对黑天鹅的这种行为过程建模,使得黑天鹅优化算法收敛到狩猎区域更好的货物位置。从数学的视角来看,该算法必须检查鹈鹕位置附近的位置,以便算法收敛到更好的位置。黑天鹅在狩猎过程中的这种行为在数学建模为:
式中:为基于第2阶段更新后第i个黑天鹅的第j维的位置;rand是[0,1]范围内的随机数;R为0或2的随机整数;t为当前迭代次数;T为最大迭代次数,最终确定货物位置。
有益效果:与现有技术相比,本发明具有以下优点:
(1)本发明的通讯系统由导航模块和指令模块协同作用向无人机及时下达并更新命令,保证无人机的正常行驶,提高运输效率;
(2)飞行控制系统和传感器系统在现有的技术上添加了多模块的共同工作,保证无人机与物流货车的稳定对接;
(3)监测系统和维护系统的协同作用在算法优化系统的加持下,使得物流控制中心实时监测无人机的运行状态并及时进行调整,保证货物的稳定送达,以及无人机在执行飞行任务中的安全。
(4)与现有技术相比,本发明的适配装置提高了无人机的运输效率,保证无人机的安全正常行驶,降低能源消耗和人工运输成本。
(5)本发明还利用黑天鹅优化算法改进寻优求解,降低了对接失误的风险,提高了对接成功率。
(6)本发明提高了运输效率,减少了运输时间与成本。
附图说明
图1为本发明广域无人机物流速运适配装置结构示意图;
图2为本发明广域无人机物流速运适配装置运行状态优化方法流程图。
具体实施方式
如图1、图2所示,本发明广域无人机物流速运适配装置包括物流控制中心、通讯系统、飞行控制系统、物流站点、传感器系统、维护系统、算法优化系统和监测系统。
物流控制中心负责管理货物和无人机;通讯系统通过导航模块和指令模块的共同作用向无人机及时更新下达指令;飞行控制系统通过路径规划模块、舱门控制模块和飞行模块的协同作用在传感器系统的帮助下,保证了无人机与物流货车的准确对接;维护系统和监测系统共同保障了无人机的正常的飞行状态。
物流控制中心负责无人机运输飞行前的检查,对第三方监管机构进行飞行报备,在维护系统和监测系统的作用下对无人机的飞行路线进行实时监控并规划更新,提高货物的运送效率和无人机的安全性,对无人机完成运输任务后的飞行后检查,准确的飞行航线同时还负责对无人机和货物的管理。
通讯系统包含了导航模块和指令模块,导航模块负责对无人机运送货物的飞行路线进行自动规划,指令模块在维护系统的协助下让物流控制中心及时更新飞行位置重新下达飞行指令,以保证后续飞行控制系统的稳定运行。
飞行控制系统包含了路径规划模块、舱门控制模块和飞行模块,路径规划模块根据通讯系统中导航模块自动规划的路线进行行驶,再结合实际路况信息和天气信息进行细微调整,合理避开风险路线;舱门控制模块结合传感器系统对物流货车舱门进行开关;飞行模块主要负责对无人机的飞行位置进行调整保证无人机与货车的安全对接,最终达到完成货物运输的飞行任务的目的。
维护系统主要负责位置修正和实时报警。维护系统在无人机与物流货车通过传感器进行对接时,位置出现偏差、出现舱门未成功打开等对接失败的情况进行实时报警。维护系统根据传感器进行位置修正传达给物流控制中心对无人机下达指令,实现无人机与物流货车的成功对接。
监测系统负责监测无人机的电力状态、货物状态、实时路况和飞行状态。监测系统将无人机在执行货物运输任务中飞行控制系统的情况实时监测并反馈到物流控制中心,同时将物流站点无人机与物流货车对接状况实时反馈到物流控制中心,做到对无人机运输作业的全程监控,保证了无人机能运输的稳定性与无人机自身的安全。
传感器系统的传感器安装在无人机与物流货车上,通过传感器的交互实施无人机与物流货车的对接。
算法优化系统采用改进黑天鹅优化算法,优化了维护系统中的无人机与物流货车对接时的位置修正,提高了对接的成功率和效率,具体如下:
改进黑天鹅优化算法
黑天鹅种群初始化数学描述如下:
xi,j=1j+rand·(uj-1j),i=1,2,...,N,j=1,2,...,m (1)
式中:xi,j为第i个黑天鹅的第j维的位置;N为黑天鹅的种群数量;m为求解问题的维度;rand是[0,1]范围内的随机数;uj和1j分别是求解问题的第j维的上下边界。
在黑天鹅优化算法中,黑天鹅种群用以下种群矩阵表示:
式中:X为黑天鹅的种群矩阵;Xi为第i个黑天鹅的位置。
在黑天鹅优化算法中,求解问题的目标函数用来计算黑天鹅的目标函数值;黑天鹅种群的目标函数值用目标函数值向量表示:
式中:F为黑天鹅种群的目标函数向量;Fi第i个黑天鹅的位置。
改进后的黑天鹅优化算法中,采用Sine映射种群初始化
混沌映射使种群在搜索空间中的分布更加均匀,因此被广泛使用。其中,Sine映射的数学表达式为:
第一阶段:逼近猎物阶段,即勘探阶段
在第一阶段,黑天鹅确定猎物的位置,然后向这个确定的区域移动。对黑天鹅逼近猎物策略进行建模,使得黑天鹅优化算法对搜索空间进行扫描,进而发挥黑天鹅优化算法在搜索空间中的不同区域的勘探能力。在黑天鹅优化算法中,猎物的位置在搜索空间中是随机生成的,这样增加了黑天鹅算法在解决精确搜索问题上的勘探能力。对上述概念和逼近猎物策略进行数学建模,如下:
式中:为基于第1阶段更新后第i个黑天鹅的第j维的位置;rand是[0,1]范围内的随机数;I为1或2的随机整数;pj为猎物的第j维的位置;Fp为猎物的目标函数值。
在黑天鹅优化算法中,如果目标函数值在该位置得到改善,则接受黑天鹅的新位置。在这种类型的更新中,也被称为有效更新,该算法不能移动到非最优区域。这个过程如下公式描述:
式中:为第i个黑天鹅的新位置;/>为基于第一阶段更新后的第i个黑天鹅的新位置的目标函数值。
融合改进的正余弦策略:正余弦优化算法利用正余弦函数的周期性波动构造迭代方程,实现全局搜索和局部开发两个阶段的功能。具体的迭代方程分为以下两类正弦迭代或迭代余弦方程:
式中:t为当前迭代次数,表示第t次选代时第i个个体的第i维变量,r1和r3表示[0,1]之间的随机数,r2表示[0,2π]之间的随机数,Pbest(t)表示第t次迭代的最优解。
Levy飞行策略
在原始黑天鹅优化算法的探索阶段,为了提高跳出局部最优的能力,使用莱维飞行策略进行位置更新使得这部分黑天鹅个体去到更广的搜索空间:
u~N(0,σ2),v~N(0,1)
第二阶段:水面飞行阶段,即开发阶段
在第二阶段,当黑天鹅到达水面后,它们在水面上展开翅膀,将鱼向上移动,然后把猎物放在它们的喉咙袋里。黑天鹅水面飞行的这种策略使得它们在被攻击区域内捕获更多的鱼。对黑天鹅的这种行为过程进行建模,使得黑天鹅优化算法收敛到狩猎区域更好的位置,这样增加了黑天鹅优化算法的局部搜索能力和开发能力。从数学的视角来看,该算法必须检查鹈鹕位置附近的位置,以便算法收敛到更好的位置。黑天鹅在狩猎过程中的这种行为在数学建模为:
式中:为基于第2阶段更新后第i个黑天鹅的第j维的位置;rand是[0,1]范围内的随机数;R为0或2的随机整数;t为当前迭代次数;T为最大迭代次数。
Claims (10)
1.一种广域无人机物流速运适配装置,其特征在于:包括物流控制中心、通讯系统、飞行控制系统、物流站点、传感器系统、维护系统、算法优化系统和监测系统;
所述物流控制中心负责管理货物和无人机;所述通讯系统通过导航模块和指令模块向无人机更新下达指令;所述飞行控制系统通过路径规划模块、舱门控制模块和飞行模块在传感器系统的协助下,将无人机与物流货车对接;所述维护系统和监测系统保障无人机的正常的飞行状态。
2.根据权利要求1所述的广域无人机物流速运适配装置,其特征在于:所述物流控制中心负责无人机运输飞行前的检查,对第三方监管机构进行飞行报备,在维护系统和监测系统的作用下对无人机的飞行路线进行实时监控并规划更新。
3.根据权利要求1所述的广域无人机物流速运适配装置,其特征在于:所述通讯系统包含导航模块和指令模块,所述导航模块负责对无人机运送货物的飞行路线进行自动规划,指令模块在维护系统的协助下使物流控制中心及时更新飞行位置重新下达飞行指令。
4.根据权利要求1所述的广域无人机物流速运适配装置,其特征在于:所述飞行控制系统包含路径规划模块、舱门控制模块和飞行模块,所述路径规划模块根据通讯系统中导航模块自动规划的路线行驶;舱门控制模块结合传感器系统对物流货车舱门进行开关;飞行模块对无人机的飞行位置调整保证无人机与货车的安全对接。
5.根据权利要求1所述的广域无人机物流速运适配装置,其特征在于:所述维护系统负责位置修正和实时报警,维护系统根据传感器进行位置修正传达给物流控制中心对无人机下达指令,实现无人机与物流货车的对接。
6.根据权利要求1所述的广域无人机物流速运适配装置,其特征在于:所述监测系统负责监测无人机的电力状态、货物状态、实时路况和飞行状态。
7.根据权利要求1所述的广域无人机物流速运适配装置,其特征在于:所述监测系统将无人机在执行货物运输任务中飞行控制系统的情况实时监测并反馈到物流控制中心,同时将物流站点无人机与物流货车对接状况实时反馈到物流控制中心,对无人机运输作业进行监控。
8.一种如权利要求1所述的广域无人机物流速运适配装置的运行状态优化方法,其特征在于:包括以下步骤:
(1)采用改进黑天鹅优化算法进行优化;
黑天鹅种群初始化数学表述如下:
xi,j=1j+rand·(uj-1j),i=1,2,...,N,j=1,2,...,m (1)
式中:xi,j为第i个黑天鹅的第j维的位置;N为黑天鹅的种群数量;m为求解问题的维度;rand是[0,1]范围内的随机数;uj是求解问题的第j维的上边界;1j是求解问题的第j维的下边界;
(2)黑天鹅种群的目标函数值用目标函数值向量表示:
式中:F为黑天鹅种群的目标函数向量;Fi第i个黑天鹅的位置;
(3)采用Sine映射使种群在搜索空间中的分布均匀,黑天鹅确定猎物的位置,然后向确定的区域移动;对上述概念和逼近猎物策略进行数学建模,如下:
式中:为基于第1阶段更新后第i个黑天鹅的第j维的位置;rand是[0,1]范围内的随机数;I为1或2的随机整数;pj为猎物的第j维的位置;Fp为猎物的目标函数值;
(4)在黑天鹅优化算法中,如果目标函数值在所述位置得到改善,则接受黑天鹅的新位置;这个过程的公式如下:
式中:为第i个黑天鹅的新位置;/>为基于第一阶段更新后的第i个黑天鹅的新位置的目标函数值;
(5)融合改进的正余弦策略
式中:t为当前迭代次数,表示第t次选代时第i个个体的第i维变量,r1和r3表示[0,1]之间的随机数,r2表示[0,2π]之间的随机数,Pbest(t)表示第t次迭代的最优解;
(6)使用莱维飞行策略进行位置更新使得这部分黑天鹅个体去到更广的搜索空间:
u~N(0,σ2),v~N(0,1)
(7)对黑天鹅的行为过程建模,使得黑天鹅优化算法收敛到狩猎区域;黑天鹅在狩猎过程中的这种行为在数学建模为:
式中:为基于第2阶段更新后第i个黑天鹅的第j维的位置;rand是[0,1]范围内的随机数;R为0或2的随机整数;t为当前迭代次数;T为最大迭代次数。
9.根据权利要求8所述的广域无人机物流速运适配装置的运行状态优化方法,其特征在于:步骤(1)中,在黑天鹅优化算法中,黑天鹅种群用以下种群矩阵表示:
式中:X为黑天鹅的种群矩阵;Xi为第i个黑天鹅的位置。
10.根据权利要求8所述的广域无人机物流速运适配装置的运行状态优化方法,其特征在于:步骤(1)中,采用Sine映射使种群在搜索空间中的分布均匀,数学表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311415283.1A CN117250992A (zh) | 2023-10-30 | 2023-10-30 | 一种广域无人机物流速运适配装置及其运行状态优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311415283.1A CN117250992A (zh) | 2023-10-30 | 2023-10-30 | 一种广域无人机物流速运适配装置及其运行状态优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117250992A true CN117250992A (zh) | 2023-12-19 |
Family
ID=89131396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311415283.1A Pending CN117250992A (zh) | 2023-10-30 | 2023-10-30 | 一种广域无人机物流速运适配装置及其运行状态优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117250992A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204965489U (zh) * | 2015-08-13 | 2016-01-13 | 杭州若联科技有限公司 | 一种智能快递系统 |
CN107600861A (zh) * | 2017-09-29 | 2018-01-19 | 北京京东尚科信息技术有限公司 | 物流传站车及其内部货物调动方法、系统 |
CN108520375A (zh) * | 2018-03-30 | 2018-09-11 | 陆英玮 | 一种基于基站的分布式物流系统和方法 |
CN108628346A (zh) * | 2018-06-08 | 2018-10-09 | 西安交通大学 | 一种智慧物流空地协同系统控制方法 |
CN109598457A (zh) * | 2017-09-30 | 2019-04-09 | 北京京东尚科信息技术有限公司 | 物流方法和系统、无人机、无人车、调度平台和交接方法 |
US20210132625A1 (en) * | 2018-05-31 | 2021-05-06 | Carla R Gillett | Modular delivery vehicle system |
CN214420302U (zh) * | 2021-03-25 | 2021-10-19 | 江苏工程职业技术学院 | 一种智能网联货车与无人机的联合物流配送系统 |
CN116225066A (zh) * | 2023-03-29 | 2023-06-06 | 淮阴工学院 | 一种基于混沌映射鹈鹕优化算法的无人机路径优化方法 |
-
2023
- 2023-10-30 CN CN202311415283.1A patent/CN117250992A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204965489U (zh) * | 2015-08-13 | 2016-01-13 | 杭州若联科技有限公司 | 一种智能快递系统 |
CN107600861A (zh) * | 2017-09-29 | 2018-01-19 | 北京京东尚科信息技术有限公司 | 物流传站车及其内部货物调动方法、系统 |
CN109598457A (zh) * | 2017-09-30 | 2019-04-09 | 北京京东尚科信息技术有限公司 | 物流方法和系统、无人机、无人车、调度平台和交接方法 |
CN108520375A (zh) * | 2018-03-30 | 2018-09-11 | 陆英玮 | 一种基于基站的分布式物流系统和方法 |
US20210132625A1 (en) * | 2018-05-31 | 2021-05-06 | Carla R Gillett | Modular delivery vehicle system |
CN108628346A (zh) * | 2018-06-08 | 2018-10-09 | 西安交通大学 | 一种智慧物流空地协同系统控制方法 |
CN214420302U (zh) * | 2021-03-25 | 2021-10-19 | 江苏工程职业技术学院 | 一种智能网联货车与无人机的联合物流配送系统 |
CN116225066A (zh) * | 2023-03-29 | 2023-06-06 | 淮阴工学院 | 一种基于混沌映射鹈鹕优化算法的无人机路径优化方法 |
Non-Patent Citations (2)
Title |
---|
JINGYI LIU 等: "An Improved Grey Wolf Optimization Algorithm and its Application in Path Planning", IEEE ACCESS, vol. 9, 31 December 2021 (2021-12-31) * |
杨文珍 等: "动态串行机制多元宇宙优化算法", 计算机应用研究, vol. 38, no. 12, 31 December 2021 (2021-12-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113486293B (zh) | 全自动化边装卸集装箱码头的智能水平运输系统及方法 | |
EP3867891B1 (en) | Formation flight of unmanned aerial vehicles | |
CN109164809B (zh) | 一种车辆编队自主跟随控制系统及方法 | |
US10061316B2 (en) | Control policy learning and vehicle control method based on reinforcement learning without active exploration | |
US9494937B2 (en) | Method and system for drone deliveries to vehicles in route | |
EP3759563B1 (en) | Centralized shared autonomous vehicle operational management | |
CN112389427A (zh) | 车辆轨迹优化方法、装置、电子设备和存储介质 | |
US20190220819A1 (en) | Systems, methods, and devices for automated vehicle and drone delivery | |
CN105551284A (zh) | 一种开放式自动驾驶系统 | |
US10836405B2 (en) | Continual planning and metareasoning for controlling an autonomous vehicle | |
CN111882474B (zh) | 一种用于自动驾驶车辆集群调度的fds功能设计方法 | |
Chen et al. | Delivery path planning of heterogeneous robot system under road network constraints | |
US20180204161A1 (en) | Worksite energy management system and method | |
CN113848927A (zh) | 一种自主规划路径的自动驾驶系统 | |
Cao et al. | Lidar-based object detection failure tolerated autonomous driving planning system | |
Shi et al. | Risk-aware uav-ugv rendezvous with chance-constrained markov decision process | |
CN110673610A (zh) | 一种基于ros的工厂agv路径规划方法 | |
Yan et al. | Joint optimisation of task abortions and routes of truck-and-drone systems under random attacks | |
CN117250992A (zh) | 一种广域无人机物流速运适配装置及其运行状态优化方法 | |
CN211592353U (zh) | 一种无人车与无人机协同快递投递系统 | |
US20210188297A1 (en) | Learning Safety and Human-Centered Constraints in Autonomous Vehicles | |
Haberfeld et al. | Risk-sensitive rendezvous algorithm for heterogeneous agents in urban environments | |
Kanai et al. | Cooperative motion generation using nonlinear model predictive control for heterogeneous agents in warehouse | |
Moore et al. | Implementation of an omnidirectional robotic inspection system (ODIS) | |
Bérard et al. | Risk-Aware Guidance of a Fixed-Wing UAV using Neural Network Model Predictive Control |
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 |