CN117742323A - 一种多智能体无人艇的目标分配和航线规划方法 - Google Patents
一种多智能体无人艇的目标分配和航线规划方法 Download PDFInfo
- Publication number
- CN117742323A CN117742323A CN202311663486.2A CN202311663486A CN117742323A CN 117742323 A CN117742323 A CN 117742323A CN 202311663486 A CN202311663486 A CN 202311663486A CN 117742323 A CN117742323 A CN 117742323A
- Authority
- CN
- China
- Prior art keywords
- target
- unmanned
- unmanned ship
- point
- route
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 24
- 239000003795 chemical substances by application Substances 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种多智能体无人艇的目标分配和航线规划方法,将任务信息发送给任务分配器,筛选出未分配的目标和无人艇,根据目标与无人艇之间考虑航行距离和转向惩罚后的综合距离,给每个无人艇分配一个目标;航线规划器为匹配的无人艇和目标生成平滑导航点序列,作为导航航路;在航行过程中,航行控制器根据协同避障和海域约束需求,构建速度优化模型,实时控制无人艇沿航路点序列航行。本发明实现了多智能体无人艇和多目标的高效匹配,生成满足约束条件的平滑导航航路,在满足协同避障要求和海域约束条件下进行智能航行控制。
Description
技术领域
本发明涉及无人艇目标分配技术领域,尤其涉及一种多智能体无人艇的目标分配和航线规划方法。
背景技术
近年来,随着人工智能技术和机器人技术的迅速发展,无人舰艇在海洋操作领域得到了广泛的应用。特别是在执行复杂任务时,多智能体无人舰艇的任务协作成为研究的焦点。
目标分配算法是无人平台协同的关键技术之一。为了有效地分配任务并规划航线,许多研究者提出了不同的算法和方法,例如,一些研究采用了粒子群优化和遗传算法等来解决多任务分配和航线规划问题,这些方法在无人航空器领域内取得了成功。
然而,目前的研究没有充分考虑到无人舰艇相对于其他无人平台的特殊机动性质,例如较弱的转向能力和容易受到水动力干扰的特点,以及海域中存在的约束条件,如禁航区和任务边界区。此外,多智能体无人艇和目标之间的协同避障需求也需要更好地考虑。因此,开发一种能够考虑无人舰艇自身姿态和方向,以及能够规划有约束的海域航线的任务分配和航线规划系统变得非常必要。
发明内容
有鉴于此,本发明提供了一种多智能体无人艇的目标分配和航线规划方法,目的在于提高无人舰艇的协作效率和任务成功率。
本发明是通过以下技术手段实现上述技术目的的。
一种多智能体无人艇的目标分配和航线规划方法:
(1)任务分配器接收任务信息,所述任务信息包括任务区域、禁航区、目标的参数和状态量、无人艇的参数和状态量;
通过目标、无人艇的参数和状态量筛选出没有被分配的目标集合Tun和没有分配任务的无人艇集合Uun;
(2)给每个无人艇分配相应的目标,包括:计算每个目标j到无人艇i的调整距离d′ij:
d′ij=dij+Δdij+Ωdij
其中,dij为第i个无人艇到第j个目标的欧几里得距离,Δdij为考虑无人艇性能参数对距离的调整项,Ωdij为每个目标j到无人艇i绕过禁航区的惩罚项;
由所述d'ij构建无人艇-目标间的调整距离矩阵Dm×n,定义子矩阵D′,D′∈Dm×n,D′包含未被分配的无人艇ui和目标tj对应的行和列,基于所述D′中最小元素将未被分配的无人艇ui和目标tj进行匹配;其中无人艇ui属于没有分配任务的无人艇集合Uun,目标tj属于没有被分配的目标集合Tun;
(3)对于匹配的无人艇以及对应的目标,计算得到无人艇ui到目标tj绕过禁航区的航路点序列Pij,对Pij进行插值,生成新的航路点序列P'ij;以序列P'ij作为无人艇ui到目标tj的导航航路点序列,发送并存储在对应无人艇的导航系统中;
(4)将无人艇ui的参数和状态量、障碍集合Obsi、禁航区Fm、任务区域L以及无人艇ui到其下一个航路点Pi∈P'ij的期望速度矢量vdes输入到优化器,求解得到速度控制量;
使用速度控制量驱动无人艇ui向目标航路点Pi行驶,到达航路点之后将Pi从航路点序列P'ij中删除,直到到达航路点序列P'ij中的最后一个航路点,即到达目标tj任务区域,执行完任务后将无人艇ui再加入Uun,重新开始执行(2),直到所有任务全部完成。
进一步的技术方案,所述每个目标j到无人艇i绕过禁航区的惩罚项的获取过程为:
1)将无人艇i到目标j的直线路径平分为N段,每段段长为l,每段线段的端点记为采样点P0…Pk…PN;
2)判断连线PkPk+1与禁航区Fm的边界是否相交,如相交,记第一个交点和最后一个交点分别为ak、bk,并删除ak、bk之间的采样点;
3)在Fm边界上找到与ak最近的点nk;
4)计算nk沿法向量方向距离Fm中心点cm向外延伸距离d后的点an,k;
5)从an,k开始,顺、逆时针分别遍历Fm边界点向外延伸距离d后的点an,k+i,直到an,k+i与bk的连线与Fm不相交,分别记录顺时针和逆时针的路径长度Lcw、Lccw;
6)选择Lcw和Lccw中的较小值,记为Lk;
7)将绕过Fm的路径点,即Lk中的点加入采样点ak、bk之间,重复2)至6)处理后续的禁航区Fm+i;
8)最终获得采样点序列P为绕过所有Fm的路径,其长度为Ωd′ij;
9)对采样点序列P,计算每个相邻采样线段PkPk+1到Pk+1Pk+2之间的转向角度θk;
10)计算路径转向惩罚项:ωk是转向惩罚参数;
11)每个目标j到无人艇i绕过禁航区的惩罚项Ωdij为:Ωdij=Ωdij′+Ωω。
进一步的技术方案,所述考虑无人艇性能参数对距离的调整项根据如下公式计算:
其中,vi为第i个无人艇的速度矢量,θi为速度矢量方向,Vi为最大航速,ωi为最大转向速度,θij为第i个无人艇指向第j个目标的方位角,ω1、ω2为权重系数。
进一步的技术方案,所述对Pij进行插值,生成新的航路点序列P′ij,具体采用如下方法:
1)将Pij作为控制点序列构建三次B样条曲线C(u);
2)定义转向能量函数表示转向能量;
3)定义航线长度函数表示航线长度;
4)构建目标函数E=w1Eb+w2El,其中w1、w2为权重系数;
5)通过调整w1、w2值最小化目标函数,得到平滑曲线C*(u);
6)对C*(u)曲线进行采样,生成新航点序列Ptij;
7)删除新航点序列Ptij中在禁航区内或在任务区域的点,获得序列P′ij。
进一步的技术方案,所述优化器的目标函数为:
(v)=|vdes-v|2+cpenalty(v)
其中,v为优化变量,cpenalty为惩罚项。
更进一步的技术方案,所述优化器构建的约束条件为:
c1:|v|≤Vi,确保速度小于最大航速Vi;
c2:确保未来位置不在禁航区Fm内;
c3:pnext∈L,确保未来位置在任务区域L内;
其中,pnext=Pi+v·dt是根据速度控制量v推算的下一时刻位置。
更进一步的技术方案,求解最小化目标函数J(v)的速度控制量v*:
将求解所得v*作为速度控制量。
更进一步的技术方案,在优化器求解的每一个时间步长dt内,对于每个无人艇ui,检查搜索半径内是否有其他无人艇uj或目标tk,如果有,则将其他无人艇uj或目标tk加入障碍集合Obsi。
进一步的技术方案,所述无人艇的参数和状态量,包括唯一标识符、最大航速、转向速度、搜索半径、是否已经分配任务、当前位置和当前速度矢量;所述目标的参数和状态量,包括唯一标识符、是否已经被分配、作业区域半径和当前位置。
进一步的技术方案,所述任务区域是由若干个满足WSG84标准的二维坐标所定义的凸多边形;所述禁航区是由若干个满足WSG84标准的二维坐标所定义的凸多边形。
本发明的有益效果为:
(1)高效的任务分配策略:本发明采用了基于调整距离矩阵的任务分配算法,不仅考虑了直线距离,还结合无人艇的性能参数和绕禁航区的惩罚项对距离进行调整。
(2)细致的航线规划:通过考虑无人艇与目标间的直线路径、禁航区的绕行、航线的平滑处理等细节,本发明确保了生成的航路点既满足实际导航需要,又能避免不必要的绕行和转弯。
(3)动态协同避障:在航行中,本发明的航行控制器能够实时检测并调整无人艇的航行姿态以满足协同避障和海域约束,确保多个无人艇之间不会发生冲突,同时也确保与其他目标之间的安全距离。
(4)灵活性和扩展性:本发明的系统设计考虑了不同数量、不同性能的无人艇协同工作的情况,具有很好的灵活性和扩展性,能够根据实际任务需要调整参数和策略。
(5)自适应性:无人艇的速度、转向速度等参数以及目标的数量、位置等因素都可能在实际应用中发生变化,而本发明的系统可以根据这些参数实时调整任务分配和航线规划,确保系统的实时性和自适应性。
附图说明
为了可以很好地理解本申请,现在将参照附图描述作为示例给出的其各种形式,其中:
图1为本发明所述多智能体无人艇的目标分配和航线规划流程图;
图2为本发明所述目标j到无人艇i绕过禁航区的惩罚项获取示意图;
图3为本发明所述方法实机运行界面图。
所述附图仅用于说明的目的,并不意图以任何方式或形式限制本申请所保护的范围。
具体实施方式
以下将结合附图所示的各实施方式对本发明进行详细描述。但这些实施方式并不限制本发明,本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
如图1所示,本发明一种多智能体无人艇的目标分配和航线规划方法,其包含以下步骤:
步骤(1),上层指挥控制器将任务信息发送到任务分配器,其中任务信息包括任务区域、禁航区、目标的相关参数和无人艇的相关参数;任务分配器对接收的任务信息进行如下处理:
S11,设定一个不规则海域L(即任务区域),其是由na个满足WSG84标准的二维坐标所定义的凸多边形;
S12,设定nf个不规则禁航区每个禁航区是由/>个满足WSG84标准的二维坐标所定义的凸多边形;
S13,设定nu个无人艇的参数和状态量,包括唯一标识符idi、最大航速Vi、转向速度ωi、搜索半径ri、是否已经分配任务bassign,i、当前位置pi、当前速度矢量vi,作为结构体并储存在任务分配器中,与连接的无人艇实机一一对应;
S14,设定mt个待完成目标的参数和状态量,包括唯一标识符idj、是否已经被分配btarget,j、作业区域半径rj、当前位置qj,作为结构体并储存在任务分配器中,与目标一一对应;目标可以动态地添加或者删除;
S15,通过目标和无人艇的状态量,筛选出没有被分配的目标Tun和没有分配任务的无人艇Uun,作为每次分配任务的初始输入。
步骤(2),任务分配器给每个无人艇分配相应的目标,具体包括:
S21,计算每个目标j到无人艇i的调整距离d′ij,由以下公式给出:
d′ij=dij+Δdij+Ωdij
其中,dij为第i个无人艇到第j个目标的欧几里得距离;Δdij为考虑无人艇性能参数对距离的调整项,由以下公式给出:
其中,vi为第i个无人艇的速度矢量,θi为速度矢量方向,Vi为最大航速,ωi为最大转向速度,θij为第i个无人艇指向第j个目标的方位角,ω1、ω2为权重系数,具体数值按照不同的无人艇型号进行设定,本实施例分别设置为0.7、0.3;参见图2,每个目标j到无人艇i绕过禁航区的惩罚项Ωdij的计算具体步骤如下:
1)将无人艇i到目标j的直线路径平分为N段,每段段长为l,每段线段的端点记为采样点P0…Pk…PN,无人艇作为采样点P0;
2)对于k的取值从0到N-1,判断连线PkPk+1与禁航区Fm的边界是否相交,如相交,记第一个交点和最后一个交点分别为ak、bk,并删除ak、bk之间的采样点;
3)在Fm边界点上找到与ak最近的点nk;
4)计算nk沿法向量方向距离Fm中心点cm向外延伸距离d(根据禁航区域的范围大小进行设定)后的点an,k;
5)从an,k开始,顺时针和逆时针遍历Fm边界点向外延伸距离d后的点an,k+i,直到an,k+i与bk的连线与Fm不相交,分别记录顺时针和逆时针路径长度Lcw、Lccw;
6)选择Lcw和Lccw中的较小值,记为Lk;
7)将绕过Fm的路径点,即Lk中的点加入采样点ak、bk之间,重复2)至6)处理后续的禁航区Fm+i;
8)最终获得采样点序列P为绕过所有Fm的路径,即采样点序列P由Np个航路点组成,其长度为Ωd′ij;
9)对采样点序列P,计算每个相邻采样线段PkPk+1到Pk+1Pk+2之间的转向角度θk;
10)计算路径转向惩罚项:ωk是转向惩罚参数;
11)最终每个目标j到无人艇i绕过禁航区的惩罚项Ωdij是航行距离和转向惩罚的和:Ωdij=Ωdij′+Ωω。
S22,任务分配器给每个无人艇ui分配目标tj,无人艇ui属于没有分配任务的无人艇Uun,目标tj属于没有被分配的目标Tun;具体包括:
1)定义无人艇集合Uun={u1,u2,...,ui,...,um},目标集合Tun={t1,t2,...,tj,...tn},其中m和n分别为待分配无人艇的数量和待分配目标的数量,作为每次分配任务的初始输入;
2)由d'ij构建无人艇-目标间的调整距离矩阵Dm×n;
3)初始化每个无人艇ui的分配结果为null,即match(ui)=null;
4)定义子矩阵D′,D′∈Dm×n,D′包含尚未被分配的无人艇和目标对应的行和列;
5)在子矩阵D′中找到最小元素d′ij,由最小元素的行和列确定给无人艇ui分配的目标tj;
6)如果目标tj尚未被分配,则将ui分配给tj,设定match(ui)=tj;
7)从D′中删除第i行和第j列,表示对应无人艇和目标已匹配;
8)重复步骤5)至7),直至所有待分配的无人艇和目标均已匹配。
S23,将匹配结果match(ui)内的无人艇和目标标记为已被分配的,具体为:
1)对于匹配结果match(ui)中的每个无人艇ui,将其bassign,i标记为True;
2)对于匹配结果match(ui)中的每个目标tj,将其btarget,j标记为True;
将标记为v分配的无人舰艇从Uun中移除,标记为v分配的目标从Tun中移除。
步骤(3),航线规划器(设置在无人艇上)为每个无人艇设定从自身到目标的航路点,具体包括:
S31,对于匹配的无人艇以及对应的目标,参考S21中计算的无人艇ui到目标ti绕过禁航区的航路点序列Pij;
S32,使用三次B样条插值算法对Pij进行插值,生成新的航路点序列P'ij,具体步骤如下:
1)将Pij作为控制点序列构建三次B样条曲线C(u);
2)定义转向能量函数表示转向能量;
3)定义航线长度函数表示航线长度;
4)构建目标函数E=w1Eb+w2El,其中w1、w2为权重系数;
5)通过调整w1、w2值最小化目标函数,得到平滑曲线C*(u);
6)对C*(u)曲线进行采样,采样点之间的距离为l′,生成新的航路点序列Ptij;
7)删除新航点序列Ptij中在禁航区内或在任务区域的点,获得序列P'ij。
S33,以序列P'ij作为无人艇ui到目标tj的导航航路点序列,发送并存储在对应无人艇的导航系统中。
步骤(4),无人艇实机上的航行控制器在航行中不断调整无人艇航行姿态满足协同避障和海域约束需求,具体包括:
S41,在优化器求解的每一个时间步长dt内,对于每个无人艇ui,检查搜索半径ri内是否有其他无人艇uj(i≠j)或目标tk,如果有,则将其他无人艇uj(i≠j)或目标tk加入障碍集合Obsi;
计算无人艇ui到其下一个航路点Pi∈P'ij的期望速度矢量vdes,方向为从ui到Pi的单位向量,大小为最大航速Vi;
S42,将无人艇ui的参数和状态量、障碍集合Obsi、禁航区Fm、任务区域L以及期望速度矢量vdes输入到优化器,进行求解运算,具体步骤如下:
1)优化器构建目标函数:
(v)=|vdes-v|2+cpenalty(v)
其中,v为优化变量,表示无人艇的速度控制矢量;cpenakty为惩罚项,防止无人艇陷入局部最优后运行静止,当v小于max(0.8*vdes,0.8*Vi)时,cpenalty为100,否则为0。
2)优化器构建约束条件:
c1:|v|≤Vi,确保速度小于最大航速;
c2:确保未来位置不在禁航区内;
c3:pnext∈L,确保未来位置在任务区域内。
其中,pnext=Pi+v·dt是根据速度控制量v推算的下一时刻位置。
3)使用SLSQP算法求解最小化目标函数J(v)的速度控制量v*:
将求解所得v*作为速度控制量输出。
S43,使用速度控制量v*驱动无人艇ui向目标航路点Pi行驶,到达航路点之后将Pi从航路点序列P′ij中删除,直到到达航路点序列P′ij中的最后一个航路点,即到达目标tj任务区域,执行完任务后将无人艇ui再加入Uun,重新开始执行步骤2,直到所有任务全部完成。
图3为本申请所述的一种多智能体无人艇协同的目标分配和航线规划方法实机运行界面图。首先应该明确的是,图3仅作为示例图存在,并不能限制本申请的范围。
以上实施例仅用于说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行同等替换;而这些修改或替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种多智能体无人艇的目标分配和航线规划方法,其特征在于:
(1)任务分配器接收任务信息,所述任务信息包括任务区域、禁航区、目标的参数和状态量、无人艇的参数和状态量;
通过目标、无人艇的参数和状态量筛选出没有被分配的目标集合Tun和没有分配任务的无人艇集合Uun;
(2)给每个无人艇分配相应的目标,包括:计算每个目标j到无人艇i的调整距离d′ij:
d′ij=dij+Δdij+Ωdij
其中,dij为第i个无人艇到第j个目标的欧几里得距离,Δdij为考虑无人艇性能参数对距离的调整项,Ωdij为每个目标j到无人艇i绕过禁航区的惩罚项;
由所述d′ij构建无人艇-目标间的调整距离矩阵Dm×n,定义子矩阵D′,D′∈Dm×n,D′包含未被分配的无人艇ui和目标tj对应的行和列,基于所述D′中最小元素将未被分配的无人艇ui和目标tj进行匹配;其中无人艇ui属于没有分配任务的无人艇集合Uun,目标tj属于没有被分配的目标集合Tun;
(3)对于匹配的无人艇以及对应的目标,计算得到无人艇ui到目标tj绕过禁航区的航路点序列Pij,对Pij进行插值,生成新的航路点序列P′ij;以序列P′ij作为无人艇ui到目标tj的导航航路点序列,发送并存储在对应无人艇的导航系统中;
(4)将无人艇ui的参数和状态量、障碍集合Obsi、禁航区Fm、任务区域L以及无人艇ui到其下一个航路点Pi∈P′ij的期望速度矢量vdes输入到优化器,求解得到速度控制量;
使用速度控制量驱动无人艇ui向目标航路点Pi行驶,到达航路点之后将Pi从航路点序列P′ij中删除,直到到达航路点序列P′ij中的最后一个航路点,即到达目标tj任务区域,执行完任务后将无人艇ui再加入Uun,重新开始执行(2),直到所有任务全部完成。
2.根据权利要求1所述的多智能体无人艇的目标分配和航线规划方法,其特征在于,所述每个目标j到无人艇i绕过禁航区的惩罚项的获取过程为:
1)将无人艇i到目标j的直线路径平分为N段,每段段长为l,每段线段的端点记为采样点P0…Pk…PN;
2)判断连线PkPk+1与禁航区Fm的边界是否相交,如相交,记第一个交点和最后一个交点分别为ak、bk,并删除ak、bk之间的采样点;
3)在Fm边界上找到与ak最近的点nk;
4)计算nk沿法向量方向距离Fm中心点cm向外延伸距离d后的点an,k;
5)从an,k开始,顺、逆时针分别遍历Fm边界点向外延伸距离d后的点an,k+i,直到an,k+i与bk的连线与Fm不相交,分别记录顺时针和逆时针的路径长度Lcw、Lccw;
6)选择Lcw和Lccw中的较小值,记为Lk;
7)将绕过Fm的路径点,即Lk中的点加入采样点ak、bk之间,重复2)至6)处理后续的禁航区Fm+i;
8)最终获得采样点序列P为绕过所有Fm的路径,其长度为Ωdi ′ j;
9)对采样点序列P,计算每个相邻采样线段PkPk+1到Pk+1Pk+2之间的转向角度θk;
10)计算路径转向惩罚项:ωk是转向惩罚参数;
11)每个目标j到无人艇i绕过禁航区的惩罚项Ωdij为:Ωdij=Ωdij′+Ωω。
3.根据权利要求1所述的多智能体无人艇的目标分配和航线规划方法,其特征在于,所述考虑无人艇性能参数对距离的调整项根据如下公式计算:
其中,vi为第i个无人艇的速度矢量,θi为速度矢量方向,Vi为最大航速,ωi为最大转向速度,θij为第i个无人艇指向第j个目标的方位角,ω1、ω2为权重系数。
4.根据权利要求1所述的多智能体无人艇的目标分配和航线规划方法,其特征在于,所述对Pij进行插值,生成新的航路点序列P′ij,具体采用如下方法:
1)将Pij作为控制点序列构建三次B样条曲线C(u);
2)定义转向能量函数表示转向能量;
3)定义航线长度函数表示航线长度;
4)构建目标函数E=w1Eb+w2El,其中w1、w2为权重系数;
5)通过调整w1、w2值最小化目标函数,得到平滑曲线C*(u);
6)对C*(u)曲线进行采样,生成新航点序列Ptij;
7)删除新航点序列Ptij中在禁航区内或在任务区域的点,获得序列P′ij。
5.根据权利要求1所述的多智能体无人艇的目标分配和航线规划方法,其特征在于,所述优化器的目标函数为:
(v)=|vdes-v|2+cpenalty(v)
其中,v为优化变量,cpenalty为惩罚项。
6.根据权利要求5所述的多智能体无人艇的目标分配和航线规划方法,其特征在于,所述优化器构建的约束条件为:
c1:|v|≤Vi,确保速度小于最大航速Vi;
确保未来位置不在禁航区Fm内;
c3:pnext∈L,确保未来位置在任务区域L内;
其中,pnext=Pi+v·dt是根据速度控制量v推算的下一时刻位置。
7.根据权利要求6所述的多智能体无人艇的目标分配和航线规划方法,其特征在于,求解最小化目标函数J(v)的速度控制量v*:
将求解所得v*作为速度控制量。
8.根据权利要求7所述的多智能体无人艇的目标分配和航线规划方法,其特征在于,在优化器求解的每一个时间步长dt内,对于每个无人艇ui,检查搜索半径内是否有其他无人艇uj或目标tk,如果有,则将其他无人艇uj或目标tk加入障碍集合Obsi。
9.根据权利要求1所述的多智能体无人艇的目标分配和航线规划方法,其特征在于,所述无人艇的参数和状态量,包括唯一标识符、最大航速、转向速度、搜索半径、是否已经分配任务、当前位置和当前速度矢量;所述目标的参数和状态量,包括唯一标识符、是否已经被分配、作业区域半径和当前位置。
10.根据权利要求1所述的多智能体无人艇的目标分配和航线规划方法,其特征在于,所述任务区域是由若干个满足WSG84标准的二维坐标所定义的凸多边形;所述禁航区是由若干个满足WSG84标准的二维坐标所定义的凸多边形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311663486.2A CN117742323B (zh) | 2023-12-06 | 一种多智能体无人艇的目标分配和航线规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311663486.2A CN117742323B (zh) | 2023-12-06 | 一种多智能体无人艇的目标分配和航线规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117742323A true CN117742323A (zh) | 2024-03-22 |
CN117742323B CN117742323B (zh) | 2024-07-12 |
Family
ID=
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6354235B1 (en) * | 1999-07-30 | 2002-03-12 | Robert C. Davies | Convoy of towed ocean going cargo vessels and method for shipping across an ocean |
JP2002316697A (ja) * | 2001-04-20 | 2002-10-29 | Tech Res & Dev Inst Of Japan Def Agency | 船舶の航路保持制御方法及び装置並びに船舶 |
CN109933067A (zh) * | 2019-03-12 | 2019-06-25 | 哈尔滨工程大学 | 一种基于遗传算法和粒子群算法的无人艇避碰方法 |
CN113985893A (zh) * | 2021-11-19 | 2022-01-28 | 中国海洋大学 | 面向复杂海洋环境的多无人艇系统协同路径规划方法 |
CN114019983A (zh) * | 2021-12-09 | 2022-02-08 | 中国海洋大学 | 面向多任务点的无人艇协同路径规划方法 |
CN114088094A (zh) * | 2021-09-27 | 2022-02-25 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种无人艇的智能航路规划方法及系统 |
CN115599093A (zh) * | 2022-09-26 | 2023-01-13 | 重庆邮电大学(Cn) | 一种基于模糊集和深度强化学习的自适应无人艇路径规划方法 |
CN116257067A (zh) * | 2023-04-14 | 2023-06-13 | 上海交通大学 | 无人艇集群的协同编队多层次规划控制方法 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6354235B1 (en) * | 1999-07-30 | 2002-03-12 | Robert C. Davies | Convoy of towed ocean going cargo vessels and method for shipping across an ocean |
JP2002316697A (ja) * | 2001-04-20 | 2002-10-29 | Tech Res & Dev Inst Of Japan Def Agency | 船舶の航路保持制御方法及び装置並びに船舶 |
CN109933067A (zh) * | 2019-03-12 | 2019-06-25 | 哈尔滨工程大学 | 一种基于遗传算法和粒子群算法的无人艇避碰方法 |
CN114088094A (zh) * | 2021-09-27 | 2022-02-25 | 华中光电技术研究所(中国船舶重工集团公司第七一七研究所) | 一种无人艇的智能航路规划方法及系统 |
CN113985893A (zh) * | 2021-11-19 | 2022-01-28 | 中国海洋大学 | 面向复杂海洋环境的多无人艇系统协同路径规划方法 |
CN114019983A (zh) * | 2021-12-09 | 2022-02-08 | 中国海洋大学 | 面向多任务点的无人艇协同路径规划方法 |
CN115599093A (zh) * | 2022-09-26 | 2023-01-13 | 重庆邮电大学(Cn) | 一种基于模糊集和深度强化学习的自适应无人艇路径规划方法 |
CN116257067A (zh) * | 2023-04-14 | 2023-06-13 | 上海交通大学 | 无人艇集群的协同编队多层次规划控制方法 |
Non-Patent Citations (2)
Title |
---|
范文帅: "基于改进型APF算法的无人船避障及水质监测系统设计", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 5, 15 May 2022 (2022-05-15), pages 027 - 1308 * |
赵冬梅等: "改进离散粒子群算法的多无人艇任务分配研究", 《舰船电子工程》, no. 8, 20 August 2023 (2023-08-20), pages 43 - 48 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110262492B (zh) | 一种无人艇的实时避碰和目标跟踪方法 | |
Zhou et al. | The review unmanned surface vehicle path planning: Based on multi-modality constraint | |
Statheros et al. | Autonomous ship collision avoidance navigation concepts, technologies and techniques | |
CN109725650B (zh) | 一种密集障碍物环境下的auv避障方法 | |
CN109597417B (zh) | 一种基于避碰准则的多usv群体协同避碰规划方法 | |
CN109283842B (zh) | 一种无人艇航迹跟踪智能学习控制方法 | |
CN112130566B (zh) | 一种基于模糊逻辑和滑模控制策略的无人艇、无人机混合编队控制方法及其控制系统 | |
CN111045453A (zh) | 一种基于无人艇与多水下机器人的协同控制系统及方法 | |
Lazarowska | A discrete artificial potential field for ship trajectory planning | |
CN109917817B (zh) | 多水下机器人协同路径规划方法 | |
CN112130582B (zh) | 一种多智能体编队形成方法 | |
CN111307153B (zh) | 基于六边形栅格地图的多auv任务分配与路径规划方法 | |
Li et al. | Toward time-optimal trajectory planning for autonomous ship maneuvering in close-range encounters | |
CN112327872B (zh) | 面向溢油围捕的双无人艇协同轨迹跟踪方法 | |
Yao et al. | Path planning for multiple unmanned surface vehicles using Glasius bio-inspired neural network with Hungarian algorithm | |
CN113325856B (zh) | 基于逆流逼近策略的uuv最优作业路径规划方法 | |
CN112947438B (zh) | 基于全振荡型入侵野草优化算法的auv在线路径规划方法 | |
CN117742323B (zh) | 一种多智能体无人艇的目标分配和航线规划方法 | |
CN113960994B (zh) | 一种多无人艇协同航行的s面自适应控制算法 | |
CN113985893A (zh) | 面向复杂海洋环境的多无人艇系统协同路径规划方法 | |
CN117742323A (zh) | 一种多智能体无人艇的目标分配和航线规划方法 | |
Gao et al. | Constrained path-planning control of unmanned surface vessels via ant-colony optimization | |
Wilson et al. | Novel motion models for time-optimal risk-aware motion planning for variable-speed AUVs | |
Kanakakis et al. | Evolutionary path planning and navigation of autonomous underwater vehicles | |
CN110928278A (zh) | 一种用于无人艇的自主安全航行方法和无人艇 |
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 |