CN117270546B - 一种智能多目标机器人路径规划方法 - Google Patents
一种智能多目标机器人路径规划方法 Download PDFInfo
- Publication number
- CN117270546B CN117270546B CN202311561402.4A CN202311561402A CN117270546B CN 117270546 B CN117270546 B CN 117270546B CN 202311561402 A CN202311561402 A CN 202311561402A CN 117270546 B CN117270546 B CN 117270546B
- Authority
- CN
- China
- Prior art keywords
- robot
- obstacle
- path
- vector
- formula
- 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 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 241000282461 Canis lupus Species 0.000 claims abstract description 30
- 239000002245 particle Substances 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008447 perception Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims 1
- 230000003068 static effect Effects 0.000 abstract description 3
- 241000282421 Canidae Species 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010001488 Aggression Diseases 0.000 description 1
- 230000016571 aggressive behavior Effects 0.000 description 1
- 208000012761 aggressive behavior Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及机器人路径规划技术领域，公开了一种智能多目标机器人路径规划方法，首先将灰狼优化算法GWO和粒子群优化算法PSO相结合，生成路径点;再利用本地搜索方法识别出次优的路径点，将非期望点转化为期望点;最后在机器人四周设置传感器，通过传感器进行检测障碍物，使用障碍物检测和回避算法，进行搜索优化，选择机器人可以躲避并到达目的地的最佳可用间隙的路线，并作为机器人运动最佳路径。本发明通过将灰狼优化算法和粒子群优化算法相结合，生成路径点，通过改进的搜索策略进行碰撞检测和避免，将非期望点转化为期望点，以实现在静态和动态障碍的条件下，确保最佳路径的平滑性和安全性。
Description
技术领域
本发明涉及机器人路径规划技术领域，具体为一种智能多目标机器人路径规划方法。
背景技术
路径规划和优化是过去十年中最热门的研究领域，路径规划的主要目标是利用计算上可行的技术为移动机器人构建一条有限路径以到达目的地点，其被使用在机器人、无人机、工业、安全等多个重要领域。因为仓库、工业和军事部门对此类将人类行为模仿成机器的设备，有着广泛的需求，以减少劳动，有助于执行任务，路径规划能在更短的时间内完成某些任务并最小化路径距离，所以对其进行研究是必要的。
机器人路径规划涉及三个方面，即收集周围信息，定位，以及执行任务所涉及的步骤。根据具体要求，最佳路径可能受到静态或动态约束，静态环境是指障碍物位置保持不变，或者其位置已知的情况，动态环境是指障碍物位置未知，或者障碍物在工作区域持续保持运动。例如申请号为“201810335071.5”的申请，经典方法框架下的单元分解、势场、数学规划、路线图等方法计算成本高且效率低，经常遇到局部极小值问题。目前启发式、神经网络、基于数值的技术和基于群体的方法等新技术，被用来克服经典方法中未解决的问题，以解决多目标约束的NP难题。
针对上述问题，所以需要一种智能多目标机器人路径规划方法。
发明内容
本发明的目的在于提供一种智能多目标机器人路径规划方法。本发明通过将灰狼优化算法和粒子群优化算法相结合，生成路径点，通过改进的搜索策略进行碰撞检测和避免，将非期望点转化为期望点，以实现在静态和动态障碍的条件下，确保最佳路径的平滑性和安全性。
本发明是这样实现的：本发明提供一种智能多目标机器人路径规划方法，具体按以下步骤执行：
S1：将灰狼优化算法GWO和粒子群优化算法PSO相结合，生成路径点;具体按以下步骤执行：
S1.1：用表示机器人瞬时位置；/>表示机器人的起始位置，用/>表示机器人的目标位置；
S1.2：利用灰狼优化算法GWO和粒子群优化算法PSO，进行确定到目的地的最短路线，和计算路径的平滑度；
灰狼优化算法GWO如式（1）：
式（1）；
其中，，，/>和/>分别为频率的最大值和最小值；/>表示当前解的位置；/>、/>、/>表示alpha、beta、delta的位置，其中alpha、beta、delta为灰狼优化算法GWO中具有最佳位置的狼；
粒子群优化算法PSO如式（2）-式（3）；
式（2）；
式（3） ；
其中，速度方程将粒子的速度与随机数耦合, />表示当前解的位置，c1、c2、c3为标量权重，位置方程在每次迭代/>时更新粒子位置，/>是从0到1的随机向量，C为探索过程的附加权重，范围为0-2。
S2：利用本地搜索方法识别出次优的路径点，将非期望点转化为期望点;具体按以下步骤执行
S2.1：通过灰狼优化算法GWO和粒子群优化算法PSO将机器人起始位置连接到所需的目标点，进行创建最佳路径；
S2.2：确定不可行的路径点执行本地搜索，通过查找节点并将其连接起来创建可行路径，以此来构建路径配置；
S2.3：在构建的路径配置中，判断移动机器人是否能到达目的地，是则将最佳值添加到P中，并将机器人的位置更新到中，再开始搜索下一个位置，直到机器人到达所需的目标点。构建的路径配置通过路径平滑度进行最小化建议点和目标点的差异，如式（4）；
式（4）；
其中，索引n代表第一个路径点，索引M代表最后一个路径点；
S3：在机器人四周设置传感器，通过传感器进行检测障碍物，使用障碍物检测和回避算法，进行搜索优化，选择机器人可以躲避并到达目的地的最佳可用间隙的路线，并作为机器人运动最佳路径，具体按以下步骤执行：
S3.1：机器人通过传感器实时探测障碍物的位置，并进行识别出自由路径和有障碍物占用的路径；
S3.2：将机器人检测障碍物的感知范围划分为R个区域，每个区域生成匹配大小和方向的感知向量；其中机器人探测的感知范围划分为R个区域，具体为将机器人周围以30°间隔划分12个区域。
S3.3：进行判断检测区域内是否有障碍物，没有则将其表示为活动单元格，检测障碍物时，向量值默认为0，障碍物进入感应范围，则向量值自动变为1，表示存在障碍物，进行构造一个感知向量，如式（5）；
式（5）；
其中，是二进制值，/>是描述感应范围内是否存在障碍物的向量，逻辑1值表示存在障碍物，逻辑0表示不存在障碍物；向量/>通过设置/>进行构造，当角度差位于角度范围Ri内时，使用逻辑1来表示障碍物的存在。
找出角度范围内，位于安全区域的障碍物，将切线延伸到障碍物外侧，以在机器人OP处一分为二，障碍物Q的中心位置设为OQ，斜边d与存在于特定范围Ri内的障碍物Q的切线之间角度设为/>和/>，如式（6）：
式（6）；
其中，表示机器人P和障碍物Q之间的角度，/>为机器人半径。
S3.4：检测到障碍物后，进行避免碰撞计算，通过采用FGM遵循间隙方法实现，首先将起始点与目标点之间的间隙定义为感知向量中存在两个相邻的零，其能生成一个二进制向量/>，以确定障碍物在具体检测到该障碍物的传感器范围内，定义逻辑0为自由间隙，逻辑1为无间隙，/>和/>的长度相等，/>通过或门函数与感知向量/>计算，生成/>向量后，移动机器人利用间隙进行躲避，再利用PSO-GWO算法选择机器人可以躲避并到达目的地的最佳可用间隙。
进一步，本发明提供一种计算机可读存储介质，存储介质存储有计算机程序，所述计算机程序被主控制器执行时实现如上述中的任一项所述的方法。
与现有技术相比，本发明的有益效果是：
1、本发明提出的框架结合了两种启发式技术，即粒子群优化（PSO）和灰狼算法（GWO），对即粒子群优化（PSO）和灰狼算法（GWO）参数A和C进行修改，不同于原始GWO算法中的常数，本发明被修改为一个统计频率相关函数，该函数能展示探索变化和执行速率，而不是使用恒定值来处理参数，加快灰狼的搜索过程，避免陷入局部极小值问题，在多目标环境中生成可行的路径点。之后，调用障碍物检测和回避算法，确保机器人运动到目标点的安全、无障碍路径。
2、将灰狼优化算法和粒子群优化算法相结合，生成路径点，并在GWO搜索算子中引入基于频率的函数，加快搜索过程并降低计算成本，利用本地搜索和避障算法，让机器人能稳定可靠的运动到达目标点。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明的方法流程图
图2是本发明的PSO-GWO算法示意图；
图3是本发明的方变异算子示意图；
图4是本发明的感知窗口的障碍物检测示意图；
图5是本发明的机器人和障碍物间角度测量示意图；
图6是本发明的二进制向量计算示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
本实施例中，请参阅图1-6，具体按以下步骤执行：
S1：将灰狼优化算法GWO和粒子群优化算法PSO相结合，生成路径点;具体按以下步骤执行：
S1.1：用表示机器人瞬时位置；/>表示机器人的起始位置，用/>表示机器人的目标位置；
S1.2：利用灰狼优化算法GWO和粒子群优化算法PSO，进行确定到目的地的最短路线，和计算路径的平滑度；
本实施例中，传统的灰狼优化算法GWO，GWO模拟狼集体寻找猎物的行为，阿尔法alpha、贝塔beta和德尔塔delta三只狼属于统治阶层，在决策中拥有最高优先权，omega狼是最低等级，不参与任何决策。只有领头狼才能识别猎物的位置，并引导omega狼向着目标进行空间探索。狼的群体行为被分类总结为包围猎物、狩猎、寻找猎物和攻击猎物。假设alpha、beta和delta狼具有最佳位置，它们会迫使omega狼获得它们之间的平均距离，如下公式（Ⅰ）-式（Ⅱ）：
式（Ⅰ）；
式（Ⅱ） ；
其中、/>、/>表示alpha、beta、delta的位置，/>，/>，/>表示确定向量，/>显示当前解的位置。
；
向量A模拟灰狼对猎物的攻击行为，如果|A<1|，狼会攻击猎物，如果|A>1|会转移到探索阶段并执行全局搜索。收敛因子从2线性减小到0，/>是从0到1的随机向量。向量C提供了探索过程的附加权重，范围从0到2。
本实施例中，粒子群算法有易陷入局部最优的缺点，一是由于粒子群算法在迭代后期会发生聚集造成群多样性下降，二是在算法迭代更新公式中只考虑了个体经验和最优粒子的引导作用，会导致算法出现多样性下降和早熟收敛的问题。为解决这个问题，引入灰狼算法的全局搜索策略，并对探索和执行操作进行了修改，以提高可搜索性，减少陷入局部最小值的可能性。对参数A和C进行修改，不同于原始GWO算法中的常数，这里被修改为一个统计频率相关函数，该函数能展示探索变化和执行速率，而不是使用恒定值来处理参数
本实施例中，如图2，本发明的灰狼优化算法GWO如式（1）：
式（1）；
其中，，，/>和/>分别为频率的最大值和最小值；/>表示当前解的位置；/>、/>、/>表示alpha、beta、delta的位置，其中alpha、beta、delta为灰狼优化算法GWO中具有最佳位置的狼；
粒子群优化算法PSO如式（2）-式（3）：
式（2）；
式（3）；
其中，表示示当前解的位置，c1、c2、c3为标量权重，位置方程在每次迭代/>时更新粒子位置，/>是从0到1的随机向量。
本实施例中，S2：利用本地搜索方法识别出次优的路径点，将非期望点转化为期望点;具体按以下步骤执行
S2.1：通过灰狼优化算法GWO和粒子群优化算法PSO将机器人起始位置连接到所需的目标点P，进行创建最佳路径；
S2.2：确定不可行的路径点执行本地搜索，通过查找节点并将其连接起来创建可行路径，以此来构建路径配置；
S2.3：在构建的路径配置中，判断移动机器人是否能到达目的地，是则将最佳值添加到P中，并将机器人的位置更新到中，再开始搜索下一个位置，直到机器人到达所需的目标点P。构建的路径配置通过路径平滑度进行最小化建议点和目标点P的差异，如式（4）：
式（4）；
其中，索引n代表第一个路径点，索引M代表最后一个路径点；PSO-GWO中引入了变异算子，以进一步平滑路径长度的偏差角度，能在本地搜索过程中排除机器人轨迹中不需要的点和路径。每条路径都使用四个变异算子生成一条新路径，算子分别是删除、平滑、更新和似然，功能如下，如图3。
删除：选择一个随机顶点，然后将其删除。
平滑：在路径中选择一个随机顶点，使用新选择的顶点连接旧线段中距离最近的顶点。
更新：选择任意随机顶点，并确定新的无碰撞顶点并取代原顶点。
似然：选择任意两个随机顶点，生成较长路径长度的顶点将被删除。
本实施例中，S3：在机器人四周设置传感器，通过传感器进行检测障碍物，使用障碍物检测和回避算法，进行搜索优化，选择机器人可以躲避并到达目的地的最佳可用间隙的路线，并作为机器人运动最佳路径，具体按以下步骤执行：
S3.1：机器人通过传感器实时探测障碍物的位置，并进行识别出自由路径和有障碍物占用的路径；
S3.2：如图4，将机器人检测障碍物的感知范围划分为R个区域，每个区域生成匹配大小和方向的感知向量；其中机器人探测的感知范围划分为R个区域，具体为将机器人周围以30°间隔划分12个区域。
S3.3：进行判断检测区域内是否有障碍物，没有则将其表示为活动单元格，检测障碍物时，向量值默认为0，障碍物进入感应范围，则向量值自动变为1，表示存在障碍物，进行构造一个感知向量，如式（5）：
式（5）；
其中，是二进制值，/>是描述感应范围内是否存在障碍物的向量，逻辑1值表示存在障碍物，逻辑0表示不存在障碍物；向量/>通过设置/>进行构造，当角度差位于角度范围Ri内时，使用逻辑1来表示障碍物的存在。
如图5，找出角度范围内，位于安全区域的障碍物，将切线延伸到障碍物外侧，以在机器人OP处一分为二，障碍物Q的中心位置设为OQ，斜边d与存在于特定范围Ri内的障碍物Q的切线之间角度设为/>和/>，如式（6）：
式（6）；
其中，表示机器人P和障碍物Q之间的角度，/>为机器人半径。
S3.4：如图6，检测到障碍物后，进行避免碰撞计算，通过采用FGM遵循间隙方法实现，首先将起始点与目标点之间的间隙定义为感知向量中存在两个相邻的零，其能生成一个二进制向量/>，以确定障碍物在具体检测到该障碍物的传感器范围内，定义逻辑0为自由间隙，逻辑1为无间隙，/>和/>的长度相等，/>通过或门函数与感知向量/>计算，生成/>向量后，移动机器人利用间隙进行躲避，再利用PSO-GWO算法选择机器人可以躲避并到达目的地的最佳可用间隙。
本实施例中，本发明提供一种计算机可读存储介质，存储介质存储有计算机程序，所述计算机程序被主控制器执行时实现如上述中的任一项所述的方法。
以上所述仅为本发明的优选实施方式而已，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 (7)
1.一种智能多目标机器人路径规划方法，其特征在于，具体按以下步骤执行：
S1：将灰狼优化算法GWO和粒子群优化算法PSO相结合，生成路径点;
S2：利用本地搜索方法识别出次优的路径点，将非期望点转化为期望点;
S3：在机器人四周设置传感器，通过传感器进行检测障碍物，使用障碍物检测和回避算法，进行搜索优化，选择机器人可以躲避并到达目的地的最佳可用间隙的路线，并作为机器人运动最佳路径；
在步骤S1中，具体按以下步骤执行：
S1.1：用表示机器人瞬时位置；/>表示机器人的起始位置，用/>表示机器人的目标位置；
S1.2：利用灰狼优化算法GWO和粒子群优化算法PSO，进行确定到目的地的最短路线，和计算路径的平滑度；
灰狼优化算法GWO如式（1）：
式（1）；
其中，，，/>和/>分别为频率的最大值和最小值；/>表示当前解的位置；/>、/>、/>表示alpha、beta、delta的位置，其中alpha、beta、delta为灰狼优化算法GWO中具有最佳位置的狼；
粒子群优化算法PSO如式（2）-式（3）：
式（2）；
式（3）；
其中，表示当前解的位置，c1、c2、c3为标量权重，位置方程在每次迭代/>时更新粒子位置，/>是从0到1的随机向量；
在步骤S3中，具体按以下步骤执行：
S3.1：机器人通过传感器实时探测障碍物的位置，并进行识别出自由路径和有障碍物占用的路径；
S3.2：将机器人检测障碍物的感知范围划分为R个区域，每个区域生成匹配大小和方向的感知向量；
S3.3：进行判断检测区域内是否有障碍物，没有则将其表示为活动单元格，检测障碍物时，向量值默认为0，障碍物进入感应范围，则向量值自动变为1，表示存在障碍物，进行构造一个感知向量，如式（5）：
式（5） ；
其中，是二进制值，/>是描述感知范围内是否存在障碍物的向量，逻辑1值表示存在障碍物，逻辑0表示不存在障碍物；
S3.4：检测到障碍物后，进行避免碰撞计算，通过采用FGM遵循间隙方法实现，首先将起始点与目标点之间的间隙定义为感知向量中存在两个相邻的零，其能生成一个二进制向量/>，以确定障碍物在具体检测到该障碍物的传感器范围内，定义逻辑0为自由间隙，逻辑1为无间隙，/>和/>的长度相等，/>通过或门函数与感知向量/>计算，生成/>向量后，移动机器人利用间隙进行躲避，再利用PSO-GWO算法选择机器人可以躲避并到达目的地的最佳可用间隙。
2.根据权利要求1所述的一种智能多目标机器人路径规划方法，其特征在于，在步骤S2中，具体按以下步骤执行；
S2.1：通过灰狼优化算法GWO和粒子群优化算法PSO将机器人起始位置连接到所需的目标点P，进行创建最佳路径；
S2.2：确定不可行的路径点执行本地搜索，通过查找节点并将其连接起来创建可行路径，以此来构建路径配置；
S2.3：在构建的路径配置中，判断移动机器人是否能到达目的地，是则将最佳值添加到P中，并将机器人的位置更新到中，再开始搜索下一个位置，直到机器人到达所需的目标点P。
3.根据权利要求2所述的一种智能多目标机器人路径规划方法，其特征在于，在步骤S2.3中，构建的路径配置通过路径平滑度进行最小化建议点和目标点P的差异，如式（4）：
式（4）；
其中，索引n代表第一个路径点，索引M代表最后一个路径点。
4.根据权利要求1所述的一种智能多目标机器人路径规划方法，其特征在于，其中机器人探测的感知范围划分为R个区域，具体为将机器人周围以30°间隔划分12个区域。
5.根据权利要求1所述的一种智能多目标机器人路径规划方法，其特征在于，在步骤S3.3中，找出角度范围内，位于安全区域的障碍物，将切线延伸到障碍物外侧，以在机器人OP处一分为二，障碍物Q的中心位置设为OQ，斜边d与存在于特定范围Ri内的障碍物Q的切线之间角度设为/>和/>，如式（6）：
式（6）；
其中，表示机器人P和障碍物Q之间的角度，/>为机器人半径。
6.根据权利要求1所述的一种智能多目标机器人路径规划方法，其特征在于，向量通过设置/>进行构造，当角度差位于角度范围Ri内时，使用逻辑1来表示障碍物的存在。
7.一种计算机可读存储介质，存储介质存储有计算机程序，其特征在于，所述计算机程序被主控制器执行时实现如上述权利要求1-6中的任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311561402.4A CN117270546B (zh) | 2023-11-22 | 2023-11-22 | 一种智能多目标机器人路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311561402.4A CN117270546B (zh) | 2023-11-22 | 2023-11-22 | 一种智能多目标机器人路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117270546A CN117270546A (zh) | 2023-12-22 |
| CN117270546B true CN117270546B (zh) | 2024-03-05 |
Family
ID=89201295
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311561402.4A Active CN117270546B (zh) | 2023-11-22 | 2023-11-22 | 一种智能多目标机器人路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117270546B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113467472A (zh) * | 2021-07-27 | 2021-10-01 | 山东科技大学 | 一种复杂环境下的机器人路径规划方法 |
| DE202022105010U1 (de) * | 2022-09-06 | 2022-09-23 | Hesham Alhumyani | Ein Differential Crossover- und Quanten-Partikelschwarm-Optimierungssystem |
| CN115113628A (zh) * | 2022-08-10 | 2022-09-27 | 天津城建大学 | 一种基于改进灰狼算法的巡检机器人路径规划方法 |
| CN115454115A (zh) * | 2022-09-29 | 2022-12-09 | 山东科技大学 | 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法 |
| CN115689237A (zh) * | 2022-11-11 | 2023-02-03 | 长安大学 | 基于多目标粒子群算法的电动汽车充电站双视角选址方法 |
| CN116481811A (zh) * | 2023-04-28 | 2023-07-25 | 重庆交通大学 | 一种基于gwo优化svmd的故障特征提取方法 |
| CN116559590A (zh) * | 2023-05-16 | 2023-08-08 | 华北电力大学（保定） | 一种基于粒子群混合灰狼算法的高渗透率分布式光伏配电网分层故障区段定位方法 |
-
2023
- 2023-11-22 CN CN202311561402.4A patent/CN117270546B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113467472A (zh) * | 2021-07-27 | 2021-10-01 | 山东科技大学 | 一种复杂环境下的机器人路径规划方法 |
| CN115113628A (zh) * | 2022-08-10 | 2022-09-27 | 天津城建大学 | 一种基于改进灰狼算法的巡检机器人路径规划方法 |
| DE202022105010U1 (de) * | 2022-09-06 | 2022-09-23 | Hesham Alhumyani | Ein Differential Crossover- und Quanten-Partikelschwarm-Optimierungssystem |
| CN115454115A (zh) * | 2022-09-29 | 2022-12-09 | 山东科技大学 | 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法 |
| CN115689237A (zh) * | 2022-11-11 | 2023-02-03 | 长安大学 | 基于多目标粒子群算法的电动汽车充电站双视角选址方法 |
| CN116481811A (zh) * | 2023-04-28 | 2023-07-25 | 重庆交通大学 | 一种基于gwo优化svmd的故障特征提取方法 |
| CN116559590A (zh) * | 2023-05-16 | 2023-08-08 | 华北电力大学（保定） | 一种基于粒子群混合灰狼算法的高渗透率分布式光伏配电网分层故障区段定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 改进灰狼算法在土壤墒情监测预测系统中的应用;李宁;李刚;邓中亮;;计算机应用;20170410(第04期);1202-1206 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117270546A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108241375B (zh) | 一种自适应蚁群算法在移动机器人路径规划中的应用方法 | |
| Mohanan et al. | A survey of robotic motion planning in dynamic environments | |
| Zhang et al. | Cooperative and geometric learning algorithm (CGLA) for path planning of UAVs with limited information | |
| CN110865642A (zh) | 一种基于移动机器人的路径规划方法 | |
| da Silva Lubanco et al. | A novel frontier-based exploration algorithm for mobile robots | |
| Geng et al. | UAV surveillance mission planning with gimbaled sensors | |
| Miller et al. | Optimal planning for target localization and coverage using range sensing | |
| Pendleton et al. | Numerical approach to reachability-guided sampling-based motion planning under differential constraints | |
| Sarmiento et al. | An efficient strategy for rapidly finding an object in a polygonal world | |
| Abdulsaheb et al. | Robot Path Planning in Unknown Environments with Multi-Objectives Using an Improved COOT Optimization Algorithm. | |
| Zhang et al. | Multi-objective optimal trajectory planning for manipulators in the presence of obstacles | |
| Heo et al. | Auto-splitting D* lite path planning for large disaster area | |
| Bouman et al. | Adaptive coverage path planning for efficient exploration of unknown environments | |
| Čikeš et al. | The path planning algorithms for a mobile robot based on the occupancy grid map of the environment—A comparative study | |
| CN117270546B (zh) | 一种智能多目标机器人路径规划方法 | |
| Yang et al. | Path planning and collision avoidance methods for distributed multi-robot systems in complex dynamic environments | |
| Yu et al. | SOF-RRT*: An improved path planning algorithm using spatial offset sampling | |
| Garip et al. | Path planning for multiple mobile robots in static environment using hybrid algorithm | |
| Yuhang et al. | An Adaptive evolutionary multi-objective estimation of distribution algorithm and its application to multi-UAV path planning | |
| EP4137997A1 (en) | Methods and system for goal-conditioned exploration for object goal navigation | |
| Jafarzadeh et al. | An exact geometry–based algorithm for path planning | |
| Xiao et al. | Multiobjective path optimization of an indoor AGV based on an improved ACO-DWA | |
| Mohammadzadeh et al. | A new path following scheme: safe distance from obstacles, smooth path, multi-robots | |
| Bigaj et al. | A memetic algorithm based procedure for a global path planning of a movement constrained mobile robot | |
| CN113296497A (zh) | 实时分布式多机器人编队控制方法及系统 |
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 |