CN117629207A - 一种双层路径规划方法、装置、设备及存储介质 - Google Patents
一种双层路径规划方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117629207A CN117629207A CN202311407847.7A CN202311407847A CN117629207A CN 117629207 A CN117629207 A CN 117629207A CN 202311407847 A CN202311407847 A CN 202311407847A CN 117629207 A CN117629207 A CN 117629207A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- unmanned aerial
- aerial vehicle
- flight
- path
- 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 58
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000002068 genetic effect Effects 0.000 claims abstract description 24
- 239000010410 layer Substances 0.000 claims description 55
- 239000002355 dual-layer Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 210000000349 chromosome Anatomy 0.000 claims description 11
- 108090000623 proteins and genes Proteins 0.000 claims description 11
- 238000013459 approach Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 4
- 230000010076 replication Effects 0.000 claims description 3
- 230000002195 synergetic effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000004904 shortening Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000037361 pathway Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- Traffic Control Systems (AREA)
Abstract
本公开实施例公开了一种双层路径规划方法、装置、设备及存储介质，包括：首先确定车辆和无人机的任务区域的网格信息；根据所述网格信息，以所述车辆的行驶路径与所述无人机续航时长为约束条件，以所述车辆和所述无人机的任务完成时间最小化为目标函数，建立针对所述车辆和所述无人机的双层路径规划模型；采用遗传算法求解双层路径规划模型，得到所述车辆与所述无人机的协同路径。本公开实施例的技术方案通过遗传算法对构建的无人机双层路径规划模型进行求解从而得到车辆与无人机的协同路径。该方法，在缩短计算时间的条件下，求得了全任务完成时间最小的车辆‑无人机双层协同路径规划方案，为无人机在区域覆盖任务中的应用提供了指导。
Description
技术领域
本公开实施例涉及无人机技术领域，尤其涉及一种双层路径规划方法、装置、设备及存储介质。
背景技术
在许多情况下，需要整个地区的详细信息，如农业监测、地形测绘、矿产勘探等。遥感是覆盖一个地区收集信息的传统方法之一，例如，监测作物生长。然而，这种方法不仅成本高、风险大、时间效率低，而且还受到重访时间短和空间变化有限的严重限制。此外，载人机载平台也会被应用，而由于成本高、操作复杂和产品交付时间长而没有被广泛使用。这些问题促使许多研究人员寻找更有效的方法，其中近年来将无人机用于区域覆盖表现出极大的潜力。
然而，当无人机被用来覆盖多个不连续的区域或大面积区域时，由于其续航时间短，效率可能会下降。在不同区域之间的转换上浪费无人机太多的能量是不合适的。克服无人机有限的续航能力造成的障碍的一个潜在方法是采用搭载有充电/换电池功能的智能机场的地面车辆与无人机一起工作。
发明内容
本公开实施例提供了一种双层路径规划方法、装置、设备及存储介质，实现了对车辆-无人机的双层协同路径的路径规划。
第一方面，提供了一种双层路径规划方法,包括：
确定车辆和无人机的任务区域的网格信息；
根据所述网格信息，以所述车辆的行驶路径与所述无人机续航时长为约束条件，以所述车辆和所述无人机的任务完成时间最小化为目标函数，建立针对所述车辆和所述无人机的双层路径规划模型；
采用遗传算法求解双层路径规划模型，得到所述车辆与所述无人机的协同路径。
第二方面，提供了一种双层路径规划装置，包括：
信息确定模块，用于确定车辆和无人机的任务区域的网格信息；
建模模块，用于根据所述网格信息，以所述车辆的行驶路径与所述无人机续航时长为约束条件，以所述车辆和所述无人机的任务完成时间最小化为目标函数，建立针对所述车辆和所述无人机的双层路径规划模型；
求解模块，用于采用遗传算法求解双层路径规划模型，得到所述车辆与所述无人机的协同路径。
第三方面，提供了一种计算设备，所述计算设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开实施例任一实施例提供的双层路径规划方法。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使控制器执行时实现本公开实施例上述第一方面提供的双层路径规划方法。
本公开实施例提供的一种双层路径规划方法、装置、设备及存储介质，该方法，首先确定车辆和无人机的任务区域的网格信息；然后根据所述网格信息，以所述车辆的行驶路径与所述无人机续航时长为约束条件，以所述车辆和所述无人机的任务完成时间最小化为目标函数，建立针对所述车辆和所述无人机的双层路径规划模型；采用遗传算法求解双层路径规划模型，得到所述车辆与所述无人机的协同路径。本公开实施例的技术方案通过遗传算法对构建的无人机双层路径规划模型进行求解从而得到车辆与无人机的协同路径。现有技术中对于将无人机用于覆盖多个不连续的区域的研究还很有限。与现有技术相比，本技术方案解决了无人机被用来覆盖多个不连续的区域或大面积区域时，由于其续航时间短，效率可能会下降的问题，在缩短计算时间的条件下，求得了全任务完成时间最小的车辆-无人机双层协同路径规划方案，为无人机在区域覆盖任务中的应用提供了指导。
应当理解，本部分所描述的内容并非旨在标识本公开实施例的关键或重要特征，也不用于限制本公开实施例的范围。本公开实施例的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开实施例的一些实施例，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的附图。
图1是本公开实施例一提供的一种双层路径规划方法的流程图；
图2是本公开实施例一提供的实施场景的示意图；
图3是本公开实施例一提供的技术方案的实施过程的流程图；
图4为本公开实施例二提供的另一种双层路径规划方法的流程图；
图5为本公开实施例二提供的任务区域的示意图；
图6为本公开实施例二提供的车辆的行驶路径示意图；
图7为本公开实施例三提供的一种双层路径规划装置的结构示意图；
图8为本公开实施例四提供的一种计算设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开实施例的方案，下面将结合本公开实施例中的附图，对本公开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公开实施例一部分的实施例，而不是全部的实施例。基于本公开实施例中的实施例，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，都应当属于本公开实施例保护的范围。
需要说明的是，本开实施例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，以便这里描述的本开实施例的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本公开实施例一提供了一种双层路径规划方法的流程图，本实施例可适用于对车辆-无人机进行路径规划的情况，该方法可以由双层路径规划装置来执行，该双层路径规划装置可以采用硬件和/或软件的形式实现，该双层路径规划装置可配置于计算设备中。如图1所示，该方法包括：
S110、确定车辆和无人机的任务区域的网格信息。
在本实施例中，首先可以确定车辆和无人机的任务区域，当无人机执行区域覆盖任务时，可将其实时覆盖部分视为一个正方形，任务区域可以是无人机实时覆盖的部分。
接上述描述，任务区域确定后，可以以上述正方形为单位，将每一个任务区域均分解为网格，网格信息可以是在任务区域中对网格进行定位的信息，其中，所述网格信息可以包括对应于任务区域和网格的二维序号、网格边缘的顶点的二维序号、任意两个顶点之间的直线距离以及任意两个顶点之间的实际距离。
具体的，以网格中心为顶点，相邻网格中心间的连线为边，可将原任务区域表征为一个无向无环图。同时，定义每个区域的边缘部分，而车辆只能沿边缘部分上的实际道路行驶。
S120、根据网格信息，以车辆的行驶路径与无人机续航时长为约束条件，以车辆和无人机的任务完成时间最小化为目标函数，建立针对车辆和无人机的双层路径规划模型。
需要解释的是，将任务区域划分为网格后，可以得到网格信息。可以将车辆的行驶路径和无人机的续航时长作为约束条件，其中，车辆的行驶路径可以是车辆在实际行驶过程中的路径，无人机的续航时长可以是无人机的机载电池可以使无人机工作的时长，约束条件可以是对车辆的行驶路径和无人机的续航时长进行约束的条件。
其中，所述约束条件可以包括：所述车辆行驶途径的顶点数量的取值的约束条件；所述无人机的飞行次数的取值的约束条件；所述车辆在每个途径的顶点处的停靠时间的约束条件；所述无人机每次飞行覆盖的顶点数量的约束条件；所述无人机每次飞行的出发顶点的约束条件；所述无人机每次飞行的返回顶点的约束条件；所述车辆的出发顶点的约束条件；所述车辆的返回顶点的约束条件；所述无人机每次飞行的出发顶点与所述车辆所处的相应顶点一致的约束条件；所述无人机每次飞行的返回顶点与所述车辆所处的相应顶点一致的约束条件；
所述无人机每次飞行返回后的等待时间的约束条件；所述车辆行驶途径的顶点的约束条件；所述无人机每次飞行途径的顶点的约束条件；所述无人机每次飞行途径属于同一任务区域的两个相邻顶点的约束条件；所述无人机在同一次飞行中途径的顶点不重复的约束条件；所述无人机不同飞行中途径的顶点不重复的约束条件；任务区域集中的任务区域被完全覆盖的约束条件；所述无人机每次飞行的时长的约束条件；所述无人机出发时所述车辆处于停靠状态的约束条件；所述无人机返回时所述车辆处于停靠状态的约束条件。
具体的，在约束条件确定后，可以根据将车辆和无人机的任务完成时间最小化作为目标函数，其中，所述任务完成时间可以为所述车辆完成任务的时间与所述无人机完成任务的时间中的最大值：，其中，所述车辆完成任务的时间为所述车辆到达最后一个顶点的时间，即为：/>，所述无人机完成任务的时间为所述无人机最后一次飞行的返回时间与最后一次飞行返回后的等待时间之和，即为：/>。
接上述描述，根据任务区域的网格信息，在约束条件和目标函数确定后，可以构建针对车辆和无人机的双层路径规划模型，双层路径规划模型可以是利用混合整数非线性规划建模，满足车辆的行驶路径约束与无人机续航时长约束的、使得全任务完成时间最小化的车辆-无人机双层协同路径规划方案。
S130、采用遗传算法求解双层路径规划模型，得到车辆与无人机的协同路径。
在本实施例中，根据任务区域的网格信息、约束条件和目标函数可以构建出针对车辆和无人机的双层路径规划模型。模型构建完成后便可以采用遗传算法求解构建的针对车辆和无人机的双层路径规划模型，其中，遗传算法可以是可变分段可变长度二维遗传算法。
需要说明的是，通过对车辆行驶路径方案与无人机每次飞行路径方案进行分段编码，可以得到一个完整无人机多区域覆盖双层路径规划方案的编码，使用可变分段可变长度二维遗传算法求解最优编码，进而可以得到车辆与无人机的协同路径，其中，协同路径可以是使车辆与无人机共同完成任务所需时间最小的路径。
本实施例提供了一种双层路径规划方法,首先确定车辆和无人机的任务区域的网格信息；然后根据所述网格信息，以所述车辆的行驶路径与所述无人机续航时长为约束条件，以所述车辆和所述无人机的任务完成时间最小化为目标函数，建立针对所述车辆和所述无人机的双层路径规划模型；采用遗传算法求解双层路径规划模型，得到所述车辆与所述无人机的协同路径，利用该方法，在缩短计算时间的条件下，求得了全任务完成时间最小的车辆-无人机双层协同路径规划方案，为无人机在区域覆盖任务中的应用提供了指导。
图2为本公开实施例提供的实施场景的示意图。图3给出了本公开实施例的技术方案的实施过程。该方法针对使用可搭载和充电无人机的车载智能机场对多个任务区域进行覆盖的场景，考虑车辆的行驶路径约束与无人机续航时长约束，利用混合整数非线性规划建模上述问题，求解满足上述约束、使得全任务完成时间最小化的车辆-无人机双层协同路径规划方案。同时本公开实施例还公开了一种针对上述混合整数非线性规划模型的、基于可变分段可变长度二维遗传算法的双层协同路径规划算法。
本公开实施例的目的在于提供一种基于车载智能机场的无人机多区域覆盖双层路径规划方法，可以解决以下技术问题：
1)目前对将无人机用于覆盖多个不连续的区域的研究还很有限；
2)在多个不连续的区域覆盖场景下使用车载智能机场，需要解决车辆与无人机的路径协同问题。同时，车辆只能在区域的边缘沿实际道路行驶；
3)无人机多区域覆盖双层路径规划是一个多维度、高复杂性的整数规划问题，因此需要研究有针对性的求解算法，减少优化迭代的时间。
实施例二
图4为本公开实施例二提供的另一种双层路径规划方法的流程图。本公开实施例是基于上述实施例进一步的进行优化与扩展。如图4所示，该方法包括：
S210、确定车辆和无人机的任务区域的网格信息。
具体的，首先将任务区域排序后构成任务区域集，任务区域集可以为：
S＝{S1,...,Sn,...,SN}
其中，Sn表示第n个任务区域，S表示所有任务区域构成的集合，N为任务区域个数，示例性的，N＝3。可以将无人机的实时覆盖部分建模为边长为1的正方形，并以上述正方形为单位，将每一个任务区域均分解为网格，由网格中心可以构成任务顶点集Vn：
Vn＝{(n,1),(n,2),...,(n,m),...,(n,Mn)},1≤n≤N
其中，Vn为第n个任务区域所有顶点的集合，(n,m)表示第m个网格的中心的二维序号，Mn为顶点个数。在本实施例中，每个区域旁的数字表示该区域的序号，如：M1＝65，M2＝143，M3＝61。
接上述描述，可以将网格的边缘顶点定义为则有：
其中，为第n个任务区域的边缘顶点的二维序号集合，/>表示所有边缘顶点二维序号的集合，其中，边缘顶点可以是处于任务区域边缘的网格中心。示例性的，图5给出了任务区域的示意图，如图5所示，图5中带空心圆点的网格表示为边缘顶点。
需要解释的是，在得到任务区域内的任务顶点集Vn后，可以计算任意两个顶点间的直线距离：
其中，表示第n1个任务区域的第m1个顶点与第n2个任务区域的第m2个顶点的直线距离，/>和/>分别表示第n1个任务区域的第m1个顶点与第n2个任务区域的第m2个顶点的二维坐标；
接上述描述，在得到边缘顶点的集合后，可以计算边缘顶点间的实际距离：
其中，表示第n1个任务区域的第m1个边缘顶点与第n2个任务区域的第m2个边缘顶点的实际距离，dV为所有实际距离构成的集合；
在本实施例中，定义起点和终点的任务区域序号可以为0，顶点序号可以为0，如图5所示，在图5中，起点和终点由三角形表示。
S220、根据网格信息，以车辆的行驶路径与无人机续航时长为约束条件，以车辆和无人机的任务完成时间最小化为目标函数，建立针对车辆和无人机的双层路径规划模型。
在本实施例中，根据网格信息可以以车辆的行驶路径和无人机的续航时长作为约束条件，约束条件可以包括：对车辆行驶的途径任务顶点数决策变量的取值进行约束：其中，KV表示车辆行驶的途径任务顶点数，/>表示全体自然数的集合；对无人机的飞行次数决策变量的取值进行约束：/>其中，KU表示无人机的飞行次数，无人机从车载智能机场处起飞到其下一次降落记为一次飞行；车辆行驶路径矩阵决策变量可以定义为：
其中，X表示车辆行驶路径矩阵决策变量，Xi表示车辆行驶中的第i个途径顶点，xi,1表示第i个途径顶点所属的区域序号，xi,2表示第i个途径顶点的序号。
对车辆在每个途径顶点处的停靠时间决策变量的取值进行约束：其中，/>表示车辆在第i个途径顶点处的停靠时间；对无人机每次飞行的覆盖顶点数决策变量的取值进行约束：/>其中，/>表示无人机第i次飞行的覆盖顶点数；无人机每次飞行的途径顶点矩阵决策变量可以定义为：
其中，Yi表示无人机第i次飞行的途径顶点矩阵决策变量，其中，表示无人机第i次飞行的第j个途径顶点，/>表示第j个途径顶点所属的区域序号，/>表示第j个途径顶点的序号。
对无人机每次飞行的出发顶点决策变量的取值进行约束：
0≤ai≤KV+1,i＝1,2,...,KU
其中，ai表示无人机第i次飞行的出发顶点是车辆行驶中的第几个途径顶点；
对无人机每次飞行的返回顶点决策变量的取值进行约束：
0≤bi≤KV+1,i＝1,2,...,KU，
其中，bi表示无人机第i次飞行的返回顶点是车辆行驶中的第几个途径顶点；
车辆的出发顶点必须为起/终点约束：X0＝[00]；车辆的返回顶点必须为起/终点约束：无人机每次飞行的出发顶点一致性约束：/>无人机每次飞行的返回顶点一致性约束：/>对无人机每次飞行返回后的等待时间决策变量的取值进行约束：/>其中，/>表示无人机第i次飞行返回后的等待时间决策变量，t0表示无人机每次飞行后的检查、充电/换电池等必须步骤所总共消耗的时间，示例性的，t0＝1.5；
车辆行驶路径中相邻两个途径顶点间的实际距离可以定义为：
其中，表示车辆行驶路径中第i-1个途径顶点和第i个途径顶点间的实际距离。
车辆从每个途径顶点出发的时间可以为：
其中，表示车辆从第i个途径顶点出发的时间，/>
车辆到达每个途径顶点的时间可以为：
其中，表示车辆到达第i个途径顶点的时间，vV为车辆的行驶速度。示例性的，vV＝60；
无人机每次飞行中相邻两个途径顶点间的直线距离可以定义为：
其中，表示无人机第i次飞行中第j-1个途径顶点和第j个途径顶点间的直线距离；
无人机每次飞行所消耗的时间可以为：
其中，Ti U表示无人机第i次飞行所消耗的时间，vU为无人机的飞行速度。
在本例中，vU＝120；
无人机每次飞行的出发时间可以为：
其中，表示无人机第i次飞行的出发时间，其中，/>为决策变量；
无人机每次飞行的返回时间可以为：
其中，表示无人机第i次飞行的返回时间；
车辆行驶路径的途径任务顶点必须是边缘顶点约束：
无人机每次飞行的途径任务顶点必须网格顶点约束：
无人机每次飞行中属于同一区域的两个前后途径任务顶点必须相邻约束：
其中，I(·)为条件判断函数，条件满足时取1，不满足时取0；
无人机同一次飞行中途径任务顶点不重复约束：
无人机不同飞行中途径任务顶点不重复约束：
所有区域均被完全覆盖约束：
其中，对任意集合S，|S|表示其元素个数；
无人机每次飞行时长约束：
其中，为无人机的续航时长，示例性的，/>
无人机出发时车辆处于停靠状态约束：
无人机返回时车辆处于停靠状态约束：
最后，以全任务完成时间最小化设置目标函数：
将S220涉及到的公式汇总，可以得到车辆的行驶路径与无人机续航时长约束下的全任务完成时间最小化的无人机多区域覆盖双层路径规划模型。
S230、随机生成设定数量的分段编码，分段编码包括车辆的行驶路径的编码、无人机首次飞行路径的编码以及无人机非首次飞行路径的编码。
在本实施例中，双层路径规划模型生成后可以根据设定数量随机生成分段编码，其中，设定数量可以是预先设定的数量，分段编码可以包括车辆行驶路径的编码、无人机首次飞行的编码和无人机非首次飞行的编码。
车辆行驶路径的编码可以为：
其中，示例性的，Q1＝4；
无人机第1次飞行路径编码可以为：
其中，示例性的，Q2＝106；
无人机后几次飞行路径编码可以为：
其中，示例性的，Q3＝8。
S240、基于设定数量的分段编码，采用可变分段可变长度染色体的分段遗传算法求解最优编码求解双层路径规划模型，得到车辆与无人机的协同路径。
可以知道的是，双层路径规划模型生成后可以根据设定数量随机生成分段编码，基于生成的分段编码，可以采用可变分段可变长度染色体的分段遗传算法求解最优编码求解双层路径规划模型，进而得到车辆与无人机的协同路径。
可选的，基于所述设定数量的分段编码，采用可变分段可变长度染色体的分段遗传算法求解最优编码求解双层路径规划模型，得到所述车辆与所述无人机的协同路径，包括：
a1)在当前迭代中，基于指数排序选择法选择当前种群中的个体进行复制，其中，一个个体为一个分段编码，初始种群包括随机生成的设定数量的分段编码；
具体的，随机生成G个编码作为初始种群，示例性的，G可以为200。在当前的迭代中，使用指数排序选择法对当前种群的个体进行复制，一个个体对应着一个分段编码。
b1)将选择的个体与复制得到的个体进行随机配对，得到多组个体对；
在本实施例中，将选择得到的个体与复制的得到的个体进行随机配对，可以得到多组两两相配的个体对。
c1)分别对每组个体对中对应于车辆的行驶路径、无人机首次飞行路径、无人机非首次飞行路径的染色体片段执行切断与拼接处理，得到多个经过处理的个体；
接上述描述，在得到多组两两相配的个体对后，分别对随机配对的两个个体中对应车辆行驶、无人机第1次飞行、无人机后几次飞行的染色体片段进行切断与拼接操作，进而可以得到多个经过切断与拼接处理的个体。
其中，切断处理可以是以某一个预先指定的概率，随机选择一个位置，将该位置内的个体切断，使之成为两个个体，拼接处理可以是以某一预先指定的概率，将两个个体连接在一起，使他们合并为一个个体。
d1)对于经过处理的过剩指定的个体，最左侧的基因座与基因值的二元组进行解码；
可以知道的是，对多组两两配对的个体进行切断和拼接处理可以得到多个经过切断与拼接处理的个体。当出现过剩指定的个体时，规定取最左边的基因座与基因值的二元组进行解码，其中，基因座可以是编码所在的具体位置，基因值可以是位于基因座位置的具体的编码值，基因座与基因值的二元组可以是将编码串中的基因座位置与相应的基因值组成的数组，过剩指定可以是在将所有的个体及其数据进行二元组成后还存在多余出的个体及其数据。
e1)对于经过处理的缺省指定的个体，令缺省位置的基因值为-1；
其中，缺省指定可以是种群中包含的所有个体中只有部分的个体及其数据组成二元组。当出现缺省指定时，令缺省位置的基因值为-1。
f1)对各经过处理的个体执行变异操作以更新当前种群；
示例性的，以变异概率0.01对各经过处理的个体执行变异操作，以用来更新当前的种群。其中，变异操作可以是对个体内部的数据进行变动，从而形成新的个体的操作。
g1)计算当前种群中每个个体的适应度；
具体的，可以通过适应度函数计算当前种群中每个个体的适应度，适应度可以是用于对种群中每个个体环境适应性进行度量。
h1)若当前迭代未满足迭代次数要求，则进入下一次迭代；
示例性的，迭代次数要大于等于30，当前的迭代次数为15，未满足迭代次数的要求，可以进入下一次的迭代。
i1)若当前迭代满足迭代次数要求，则输出适应度最大的个体，并根据所述适应度最大的分段编码确定所述车辆与所述无人机的协同路径。
示例性的，当前迭代次数为30，满足迭代次数的要求，输出此时适应度最大的编码。将其解码后得到无人机多区域覆盖双层路径规划出的路径作为最优方案。在本实施例中，可解得全任务完成时间的最小值为163.51分钟。图6为车辆的行驶路径示意图，如图6所示：显示了车辆的行驶路径以及在每个停靠点处的停留时间，其中，箭头表示车辆的行驶方向，边缘网格处旁的数值表示停留时间。
可选的，计算当前种群中每个个体的适应度，包括：
对于任意一个个体，若所述个体对应的分段编码为可行解，则以所述任务完成时间的倒数作为适应度；否则，以负值作为适应度。
示例性的，对于任何一个个体对应的分段编码，若是可行解，则以作为适应度，若不是可行解，则负值作为适应度。
本实施例提供了一种双层路径规划方法，首先确定车辆和无人机的任务区域的网格信息，根据所述网格信息，以所述车辆的行驶路径与所述无人机续航时长为约束条件，以所述车辆和所述无人机的任务完成时间最小化为目标函数，建立针对所述车辆和所述无人机的双层路径规划模型，随机生成设定数量的分段编码，所述分段编码包括所述车辆的行驶路径的编码、所述无人机首次飞行路径的编码以及所述无人机非首次飞行路径的编码，基于所述设定数量的分段编码，采用可变分段可变长度染色体的分段遗传算法求解最优编码求解双层路径规划模型，得到所述车辆与所述无人机的协同路径。本实施例的技术方案研究了全任务完成时间最小化的车辆-无人机双层协同路径规划问题，能为无人机在区域覆盖任务中的应用提供进一步的指导，并在充分缩短计算时间的条件下，求得性能足够好的解决方案。
实施例三
图7为本公开实施例三提供的一种双层路径规划装置的结构示意图。如图7所示，该装置包括：信息确定模块310、建模模块320、求解模块330。
其中，信息确定模块310，用于确定车辆和无人机的任务区域的网格信息；
建模模块320，用于根据所述网格信息，以所述车辆的行驶路径与所述无人机续航时长为约束条件，以所述车辆和所述无人机的任务完成时间最小化为目标函数，建立针对所述车辆和所述无人机的双层路径规划模型；
求解模块330，用于采用遗传算法求解双层路径规划模型，得到所述车辆与所述无人机的协同路径。
本公开实施例三提供了一种双层路径规划装置，在缩短计算时间的条件下，求得了全任务完成时间最小的车辆-无人机双层协同路径规划方案，为无人机在区域覆盖任务中的应用提供了指导。
进一步的，所述网格信息包括对应于任务区域和网格的二维序号、网格边缘的顶点的二维序号、任意两个顶点之间的直线距离以及任意两个顶点之间的实际距离。
进一步的，所述约束条件包括：
所述车辆行驶途径的顶点数量的取值的约束条件；
所述无人机的飞行次数的取值的约束条件；
所述车辆在每个途径的顶点处的停靠时间的约束条件；
所述无人机每次飞行覆盖的顶点数量的约束条件；
所述无人机每次飞行的出发顶点的约束条件；
所述无人机每次飞行的返回顶点的约束条件；
所述车辆的出发顶点的约束条件；
所述车辆的返回顶点的约束条件；
所述无人机每次飞行的出发顶点与所述车辆所处的相应顶点一致的约束条件；
所述无人机每次飞行的返回顶点与所述车辆所处的相应顶点一致的约束条件；
所述无人机每次飞行返回后的等待时间的约束条件；
所述车辆行驶途径的顶点的约束条件；
所述无人机每次飞行途径的顶点的约束条件；
所述无人机每次飞行途径属于同一任务区域的两个相邻顶点的约束条件；
所述无人机在同一次飞行中途径的顶点不重复的约束条件；
所述无人机不同飞行中途径的顶点不重复的约束条件；
任务区域集中的任务区域被完全覆盖的约束条件；
所述无人机每次飞行的时长的约束条件；
所述无人机出发时所述车辆处于停靠状态的约束条件；
所述无人机返回时所述车辆处于停靠状态的约束条件。
进一步的，所述任务完成时间为所述车辆完成任务的时间与所述无人机完成任务的时间中的最大值；
所述车辆完成任务的时间为所述车辆到达最后一个顶点的时间；
所述无人机完成任务的时间为所述无人机最后一次飞行的返回时间与最后一次飞行返回后的等待时间之和。
进一步的，求解模块330还可以包括：
分段编码生成单元，用于随机生成设定数量的分段编码，所述分段编码包括所述车辆的行驶路径的编码、所述无人机首次飞行路径的编码以及所述无人机非首次飞行路径的编码；
模型生成单元，用于基于所述设定数量的分段编码，采用可变分段可变长度染色体的分段遗传算法求解最优编码求解双层路径规划模型，得到所述车辆与所述无人机的协同路径。
进一步的，模型生成单元还可以包括：
个体选择子单元，用于在当前迭代中，基于指数排序选择法选择当前种群中的个体进行复制，其中，一个个体为一个分段编码，初始种群包括随机生成的设定数量的分段编码；
个体对生成子单元，用于将选择的个体与复制得到的个体进行随机配对，得到多组个体对；
个体对处理子单元，用于分别对每组个体对中对应于车辆的行驶路径、无人机首次飞行路径、无人机非首次飞行路径的染色体片段执行切断与拼接处理，得到多个经过处理的个体；
解码子单元，用于对于经过处理的过剩指定的个体，最左侧的基因座与基因值的二元组进行解码；
缺省位置赋值子单元，用于对于经过处理的缺省指定的个体，令缺省位置的基因值为-1；
个体更新子单元，用于对各经过处理的个体执行变异操作以更新当前种群；
适应度计算子单元，用于计算当前种群中每个个体的适应度；
判断子单元，用于若当前迭代未满足迭代次数要求，则进入下一次迭代；
若当前迭代满足迭代次数要求，则输出适应度最大的个体，并根据所述适应度最大的分段编码确定所述车辆与所述无人机的协同路径。
可选的，适应度计算子单元具体还可以用于：
对于任意一个个体，若所述个体对应的分段编码为可行解，则以所述任务完成时间的倒数作为适应度；否则，以负值作为适应度。
本公开实施例所提供的双层路径规划装置可执行本公开实施例任意实施例所提供的双层路径规划方法，具备执行方法相应的功能模块和有益效果。
实施例四
图8示出了可以用来实施本公开实施例的实施例的计算设备10的结构示意图。计算设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开实施例的实现。
如图8所示，计算设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储计算设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
计算设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许计算设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微处理器等。处理器11执行上文所描述的各个方法和处理，例如双层路径规划方法。
在一些实施例中，双层路径规划方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到计算设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的双层路径规划方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行双层路径规划方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开实施例的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开实施例的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算设备上实施此处描述的系统和技术，该计算设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开实施例中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开实施例的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开实施例保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开实施例的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开实施例保护范围之内。
Claims (10)
1.一种双层路径规划方法，其特征在于，包括：
确定车辆和无人机的任务区域的网格信息；
根据所述网格信息，以所述车辆的行驶路径与所述无人机续航时长为约束条件，以所述车辆和所述无人机的任务完成时间最小化为目标函数，建立针对所述车辆和所述无人机的双层路径规划模型；
采用遗传算法求解双层路径规划模型，得到所述车辆与所述无人机的协同路径。
2.根据权利要求1所述的方法，其特征在于，所述网格信息包括对应于任务区域和网格的二维序号、网格边缘的顶点的二维序号、任意两个顶点之间的直线距离以及任意两个顶点之间的实际距离。
3.根据权利要求2所述的方法，其特征在于，所述约束条件包括：
所述车辆行驶途径的顶点数量的取值的约束条件；
所述无人机的飞行次数的取值的约束条件；
所述车辆在每个途径的顶点处的停靠时间的约束条件；
所述无人机每次飞行覆盖的顶点数量的约束条件；
所述无人机每次飞行的出发顶点的约束条件；
所述无人机每次飞行的返回顶点的约束条件；
所述车辆的出发顶点的约束条件；
所述车辆的返回顶点的约束条件；
所述无人机每次飞行的出发顶点与所述车辆所处的相应顶点一致的约束条件；
所述无人机每次飞行的返回顶点与所述车辆所处的相应顶点一致的约束条件；
所述无人机每次飞行返回后的等待时间的约束条件；
所述车辆行驶途径的顶点的约束条件；
所述无人机每次飞行途径的顶点的约束条件；
所述无人机每次飞行途径属于同一任务区域的两个相邻顶点的约束条件；
所述无人机在同一次飞行中途径的顶点不重复的约束条件；
所述无人机不同飞行中途径的顶点不重复的约束条件；
任务区域集中的任务区域被完全覆盖的约束条件；
所述无人机每次飞行的时长的约束条件；
所述无人机出发时所述车辆处于停靠状态的约束条件；
所述无人机返回时所述车辆处于停靠状态的约束条件。
4.根据权利要求1所述的方法，其特征在于，所述任务完成时间为所述车辆完成任务的时间与所述无人机完成任务的时间中的最大值；
所述车辆完成任务的时间为所述车辆到达最后一个顶点的时间；
所述无人机完成任务的时间为所述无人机最后一次飞行的返回时间与最后一次飞行返回后的等待时间之和。
5.根据权利要求1所述的方法，其特征在于，采用遗传算法求解双层路径规划模型，得到所述车辆与所述无人机的协同路径，包括：
随机生成设定数量的分段编码，所述分段编码包括所述车辆的行驶路径的编码、所述无人机首次飞行路径的编码以及所述无人机非首次飞行路径的编码；
基于所述设定数量的分段编码，采用可变分段可变长度染色体的分段遗传算法求解最优编码求解双层路径规划模型，得到所述车辆与所述无人机的协同路径。
6.根据权利要求5所述的方法，其特征在于，基于所述设定数量的分段编码，采用可变分段可变长度染色体的分段遗传算法求解最优编码求解双层路径规划模型，得到所述车辆与所述无人机的协同路径，包括：
在当前迭代中，基于指数排序选择法选择当前种群中的个体进行复制，其中，一个个体为一个分段编码，初始种群包括随机生成的设定数量的分段编码；
将选择的个体与复制得到的个体进行随机配对，得到多组个体对；
分别对每组个体对中对应于车辆的行驶路径、无人机首次飞行路径、无人机非首次飞行路径的染色体片段执行切断与拼接处理，得到多个经过处理的个体；
对于经过处理的过剩指定的个体，最左侧的基因座与基因值的二元组进行解码；
对于经过处理的缺省指定的个体，令缺省位置的基因值为-1；
对各经过处理的个体执行变异操作以更新当前种群；
计算当前种群中每个个体的适应度；
若当前迭代未满足迭代次数要求，则进入下一次迭代；
若当前迭代满足迭代次数要求，则输出适应度最大的个体，并根据所述适应度最大的分段编码确定所述车辆与所述无人机的协同路径。
7.根据权利要求6所述的方法，其特征在于，计算当前种群中每个个体的适应度，包括：
对于任意一个个体，若所述个体对应的分段编码为可行解，则以所述任务完成时间的倒数作为适应度；否则，以负值作为适应度。
8.一种双层路径规划装置，其特征在于，包括：
信息确定模块，用于确定车辆和无人机的任务区域的网格信息；
建模模块，用于根据所述网格信息，以所述车辆的行驶路径与所述无人机续航时长为约束条件，以所述车辆和所述无人机的任务完成时间最小化为目标函数，建立针对所述车辆和所述无人机的双层路径规划模型；
求解模块，用于采用遗传算法求解双层路径规划模型，得到所述车辆与所述无人机的协同路径。
9.一种计算设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-7中任一所述的双层路径规划方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的双层路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311407847.7A CN117629207A (zh) | 2023-10-26 | 2023-10-26 | 一种双层路径规划方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311407847.7A CN117629207A (zh) | 2023-10-26 | 2023-10-26 | 一种双层路径规划方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117629207A true CN117629207A (zh) | 2024-03-01 |
Family
ID=90031111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311407847.7A Pending CN117629207A (zh) | 2023-10-26 | 2023-10-26 | 一种双层路径规划方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117629207A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047086A (zh) * | 2019-09-18 | 2020-04-21 | 合肥工业大学 | 车辆路径规划与无人机任务分配联合优化方法和装置 |
| US20210287556A1 (en) * | 2020-03-13 | 2021-09-16 | Electronics And Telecommunications Research Institute | Method and apparatus for generating optimal path for an unmanned aerial vehicle |
| CN113485429A (zh) * | 2021-07-23 | 2021-10-08 | 安徽有云智能科技有限公司 | 空地协同交通巡检的路径优化方法和装置 |
| CN113807646A (zh) * | 2021-07-28 | 2021-12-17 | 合肥工业大学 | 无人机与车辆协同任务分配的智能优化方法和系统 |
| CN115130791A (zh) * | 2022-08-30 | 2022-09-30 | 广东翼景信息科技有限公司 | 面向车载智能机场的无人机与车辆协同调度方法及装置 |
| CN116720642A (zh) * | 2023-06-08 | 2023-09-08 | 合肥工业大学 | 车辆与无人机协同配送的路径优化方法和系统 |
-
2023
- 2023-10-26 CN CN202311407847.7A patent/CN117629207A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047086A (zh) * | 2019-09-18 | 2020-04-21 | 合肥工业大学 | 车辆路径规划与无人机任务分配联合优化方法和装置 |
| US20210287556A1 (en) * | 2020-03-13 | 2021-09-16 | Electronics And Telecommunications Research Institute | Method and apparatus for generating optimal path for an unmanned aerial vehicle |
| CN113485429A (zh) * | 2021-07-23 | 2021-10-08 | 安徽有云智能科技有限公司 | 空地协同交通巡检的路径优化方法和装置 |
| CN113807646A (zh) * | 2021-07-28 | 2021-12-17 | 合肥工业大学 | 无人机与车辆协同任务分配的智能优化方法和系统 |
| CN115130791A (zh) * | 2022-08-30 | 2022-09-30 | 广东翼景信息科技有限公司 | 面向车载智能机场的无人机与车辆协同调度方法及装置 |
| CN116720642A (zh) * | 2023-06-08 | 2023-09-08 | 合肥工业大学 | 车辆与无人机协同配送的路径优化方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| CHAYMAALAMINI等: "Genetic Algorithm Based Approach for Autonomous Mobile Robot Path Planning", THE FIRST INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING IN DATA SCIENCES, 31 December 2018 (2018-12-31) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107169608B (zh) | 多无人机执行多任务的分配方法及装置 | |
| CN102004922B (zh) | 基于骨架特征的高分辨率遥感影像飞机提取方法 | |
| CN108470174B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
| CN110378175B (zh) | 道路边沿的识别方法和装置 | |
| CN105225003A (zh) | 一种布谷鸟搜索算法解决uav多任务侦察决策问题的方法 | |
| CN110704560B (zh) | 一种基于道路级拓扑的车道线组结构化的方法及装置 | |
| CN101853485A (zh) | 一种基于近邻传播聚类的非均匀点云简化处理方法 | |
| CN111968414B (zh) | 基于大数据和ai的4d轨迹预测方法、装置及电子设备 | |
| CN110570693A (zh) | 一种基于可靠性的航班运行时间预测方法 | |
| CN116954233A (zh) | 一种巡检任务与航线自动匹配方法 | |
| CN113627440A (zh) | 一种基于轻量级神经网络的大规模点云语义分割方法 | |
| CN115147798A (zh) | 可行驶区域预测方法、模型、装置及车辆 | |
| CN116518979B (zh) | 一种无人机路径规划方法、系统、电子设备及介质 | |
| CN114137525A (zh) | 基于车载毫米波雷达的多目标检测方法和系统 | |
| CN117629207A (zh) | 一种双层路径规划方法、装置、设备及存储介质 | |
| CN109978211A (zh) | 航班进离港率的预测方法和装置 | |
| CN112562419A (zh) | 一种基于离线多目标跟踪的天气规避区划设方法 | |
| CN112070787A (zh) | 基于对立推理理论的航空三维点云平面分割方法 | |
| CN116307325A (zh) | 一种配电网的线路规划方法、装置、电子设备及存储介质 | |
| CN111080080A (zh) | 一种村镇地质灾害风险预估方法及系统 | |
| CN113625770B (zh) | 基于飞行无人机对光伏电站进行巡检的自主导航规划方法及装置 | |
| CN112595333B (zh) | 道路导航数据的处理方法、装置、电子设备及存储介质 | |
| CN114967748A (zh) | 基于空间变形的无人机路径规划方法 | |
| CN115687953B (zh) | 一种基于希尔伯特编码的目标聚类方法、介质及设备 | |
| CN115688004B (zh) | 一种基于希尔伯特编码的目标属性确定方法、介质及设备 |
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 |