LU101832B1 - Route Planning Method and System for Unmanned Surface Vehicles Based on Improved Particle Swarm Optimization - Google Patents
Route Planning Method and System for Unmanned Surface Vehicles Based on Improved Particle Swarm Optimization Download PDFInfo
- Publication number
- LU101832B1 LU101832B1 LU101832A LU101832A LU101832B1 LU 101832 B1 LU101832 B1 LU 101832B1 LU 101832 A LU101832 A LU 101832A LU 101832 A LU101832 A LU 101832A LU 101832 B1 LU101832 B1 LU 101832B1
- Authority
- LU
- Luxembourg
- Prior art keywords
- optimization
- particle swarm
- optimal
- iterations
- usv
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Claims (10)
1. Procédé de planification d’un itinéraire pour des véhicules de surface sans pilote (USV), basé sur une optimisation améliorée par essaim de particules, le procédé comprenant les étapes suivantes consistant à : acquérir plusieurs positions devant être passées par l'USV ; acquérir une route de traversée optimale de l'USV par un calcul itératif de plusieurs positions devant être franchies par l'USV sur la base de l'optimi- sation améliorée par essaim de particules ; dans lequel, l'optimisation amé- liorée par essaim de particules est obtenue sur la base des stratégies d'op- timisation du poids d'inertie linéairement décroissant, du coefficient d'ac- célération de commande adaptative et de l'inversion de groupement aléa- toire ; contrôler l'USV pour un déplacement selon l'itinéraire de déplacement op- timal.
2. Procédé selon la revendication 1, dans lequel les étapes spécifiques de l'optimisation améliorée par essaim de particules comprennent : S201 : initialiser et électionner la taille de la population et du nombre maxi- mal d'itérations ; définissant la fonction d’aptitude ; fixer les coefficients d'accélération cı et cz sur la base de la stratégie d'op- timisation du coefficient d'accélération de commande adaptative ; fixer le poids d'inertie w sur la base de la stratégie d'optimisation de la di- minution linéaire du poids d'inertie ; S202 : évaluer la valeur d'adaptation initiale pour la vitesse d'initialisation et positionner chaque particule, et enregistrer la position optimale de l'individu initial et la position optimale par essaim de particules ; S203 : juger si le nombre maximal d'itérations est atteint ou si la valeur d'erreur est inférieure à la valeur d'erreur minimale définie ; si le nombre maximal d'itérations est atteint ou si la valeur d'erreur est inférieure à la valeur d'erreur minimale définie, elle sera achevée ; si le nombre maximal d'itérations n'est pas atteint ou si la valeur d'erreur est supérieure ou égale à la valeur d'erreur minimale définie, passer à S204; S204 : mettre à jour la vitesse individuelle et de la position individuelle pour chaque particule, et évaluation de nouvelles valeurs d’adaptation ; diviser la population en plusieurs sous-populations sur la base de la straté- gie d'optimisation de l'inversion de groupement aléatoire, et faire évoluer indépendamment chaque sous-population ;
lu101832 mettre à jour la position optimale de chaque particule et de la position op- timale par essaim de particules, et retour à S203.
3. Procédé selon la revendication 2, dans lequel les coefficients d'accélération c1 et c2 sont définis sur la base de la stratégie d'optimisation du coefficient d'accélération de commande adaptative ; les étapes spécifiques compren- nent : K = P/N (6) ¢1 = (Cimax = Cimin)K + Camin (7) C2 = (Camax — Comin) K + Comin (8) où P représente le nombre de particules ayant convergé avec succès dans l'itération primaire ; K fait référence au coefficient d'évaluation ; K est le rapport du nombre de particules ayant convergé avec succès à la taille ini- tiale de l’essaim lors de l'itération primaire ; N représente le nombre total de particules ; cı et ca sont des coefficients d'accélération; cimax est la va- leur maximale de C1 ; cimin fait référence au minimum de ca ; Camax fait réfé- rence au maximum de C2 ; Camin est la valeur minimale de ca.
4. Procédé selon la revendication 2, dans lequel le poids d'inertie w est établi sur la base de la stratégie d'optimisation du poids d'inertie à diminution linéaire ; les étapes spécifiques comprennent : ajuster dynamiquement la masse inertielle w sous la forme d'une diminu- tion linéaire du processus d'itération : W = Wmax 7 M X (Wmax = Wmin)/M (3) OÙ Wmax est la valeur maximale de la masse inertielle w ; Wmin est la valeur minimale de la masse inertielle w ; m est le nombre actuel d'itérations et M est le nombre maximal d'itérations.
5. Procédé selon la revendication 2, dans lequel une seule population est di- visée en plusieurs sous-populations sur la base d'une stratégie d'optimisa- tion d'inversion de groupe aléatoire ; les étapes spécifiques incluent : per- turber l'ordre de toutes les particules et les faire évoluer indépendamment avec quatre particules dans un groupe, et obtenir un nouvel essaim de par- ticules après que toutes les particules ont évolué.
6. Procédé selon la revendication 2, dans lequel la mise à jour de la position optimale individuelle de chaque particule et de la position optimale par essaim de particules comprennent les étapes spécifiques consistant à : VIE = wold + or PR — x) + ert (Pas — x) (1)
lu101832 Xis = xs vg (2) où, m et s représentent le nombre actuel d'itérations et la s®™ dimension, respectivement ; ri et r2 sont des nombres aléatoires uniformément répartis entre 0 et 1, et w est le paramètre de contrôle par optimisation par essaim de particules (PSO).
7. Système de planification d'itinéraire pour les USV basé sur l'optimisation améliorée par essaim de particules, le système comprenant : un module d'acquisition, qui est configuré pour l'acquisition de plusieurs positions à passer par l'USV ; un module d'acquisition de l'itinéraire de déplacement optimal, qui est configuré pour acquérir un itinéraire de déplacement optimal de l'USV par le calcul itératif de plusieurs positions devant être passées par l'USV sur la base de l'optimisation améliorée par essaim de particules ; dans lequel, l'optimisation améliorée par essaim de particules est obtenue sur la base des stratégies d'optimisation du poids d'inertie linéairement décroissant, du coefficient d'accélération de commande adaptative et de l'inversion de | groupement aléatoire; le module de contrôle, qui est configuré pour contrôler l'USV pour le | déplacer selon l'itinéraire de déplacement optimal. | 20 | 8. Système selon la revendication 7, dans lequel le module d'acquisition de { l'itinéraire de déplacement optimal comprend : une unité initialisée, qui est configurée pour une initialisation et une sélection de la taille de la population et du nombre maximal d'itérations ; définissant la fonction d’adaptation ; des coefficients d'accélération fixés ci et c; sur la base de la stratégie d'optimisation du coefficient d'accélération de commande adaptative ; un poids d'inertie fixé w sur la base de la stratégie d'optimisation de la diminution linéaire du poids d'inertie ; une unité d'évaluation 1, qui est configurée pour évaluer la valeur d'adaptation initiale pour la vitesse d'initialisation et positionner chaque particule, et enregistrer la position optimale de l'individu initial et la position optimale de l'essaim de particules ; une unité de décision, qui est configurée pour évaluer si le nombre maximal d'itérations est atteint ou si la valeur d'erreur est inférieure à la valeur d'erreur minimale définie ;
lu101832 si le nombre maximal d'itérations est atteint ou si la valeur d'erreur est inférieure à la valeur d'erreur minimale définie, elle sera terminée; | si le nombre maximal d'itérations n'est pas atteint ou si la valeur d'erreur est supérieure ou égale a la valeur d'erreur minimale définie, passer a la | 5 deuxiéme unité d'évaluation ; une unité d'évaluation 2, qui est configurée pour une mise a jour de la vitesse individuelle et de la position individuelle pour chaque particule, et | l'évaluation de nouvelles valeurs d’adaptation ; une division de la population en plusieurs sous-populations sur la base de la stratégie d'optimisation de l'inversion de groupement aléatoire, et faire évoluer indépendamment chaque sous-population; une mise à jour de la position optimale de chaque particule et la position optimale de l'essaim de particules, et revenir à l'unité de décision.
9. Dispositif électronique, comprenant une mémoire, un processeur et une instruction informatique stockée en mémoire et exécutée sur le processeur, qui est exécutée par le processeur, pour que l'une quelconque des méthodes définies dans les revendications 1 à 6 puis être réalisée.
10. Support de stockage lisible par ordinateur, lequel est utilisé pour stocker les instructions informatiques qui sont exécutées par le processeur, pour que l'une quelconque des méthodes définies dans les revendications 1 à 6 puissent être exécutée.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010170289.7A CN111174794A (zh) | 2020-03-12 | 2020-03-12 | 基于改进粒子群算法的无人艇路径规划方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| LU101832B1 true LU101832B1 (en) | 2020-10-05 |
Family
ID=70648534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| LU101832A LU101832B1 (en) | 2020-03-12 | 2020-06-05 | Route Planning Method and System for Unmanned Surface Vehicles Based on Improved Particle Swarm Optimization |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111174794A (fr) |
| LU (1) | LU101832B1 (fr) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113124873B (zh) * | 2021-04-09 | 2022-08-16 | 青岛哈船海智科技有限公司 | 基于海洋环境信息的uuv多指标约束三维航路规划方法 |
| CN114354870A (zh) * | 2021-12-30 | 2022-04-15 | 江苏大学 | 一种基于改进粒子群优化算法的无人船最短路径水质监测系统及方法 |
-
2020
- 2020-03-12 CN CN202010170289.7A patent/CN111174794A/zh not_active Withdrawn
- 2020-06-05 LU LU101832A patent/LU101832B1/en active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| CN111174794A (zh) | 2020-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| LU101833B1 (en) | Route Planning Method and System for Unmanned Surface Vehicles Using Particle Swarm Optimization Based on Greedy Mechanism | |
| CN111722643B (zh) | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 | |
| LU101832B1 (en) | Route Planning Method and System for Unmanned Surface Vehicles Based on Improved Particle Swarm Optimization | |
| Juang | Combination of online clustering and Q-value based GA for reinforcement fuzzy system design | |
| CN109933067A (zh) | 一种基于遗传算法和粒子群算法的无人艇避碰方法 | |
| Hao et al. | Dynamic path planning of a three-dimensional underwater AUV based on an adaptive genetic algorithm | |
| CN110095120A (zh) | 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法 | |
| CN110926477A (zh) | 一种无人机航路规划及避障方法 | |
| CN108563119A (zh) | 一种基于模糊支持向量机算法的无人艇运动控制方法 | |
| Huang et al. | Reinforcement learning for mobile robot obstacle avoidance under dynamic environments | |
| CN110906935A (zh) | 一种无人艇路径规划方法 | |
| Wang et al. | Monitoring trajectory optimization for unmanned surface vessel in sailboat race | |
| Wang et al. | 3M-RL: Multi-resolution, multi-agent, mean-field reinforcement learning for autonomous UAV routing | |
| US11941553B1 (en) | Methods, electronic devices and storage media for ship route optimization | |
| CN113391633A (zh) | 一种面向城市环境的移动机器人融合路径规划方法 | |
| Hill et al. | Autonomous situational awareness for UAS swarms | |
| Hu et al. | Super eagle optimization algorithm based three-dimensional ball security corridor planning method for fixed-wing UAVs | |
| CN111427368A (zh) | 一种改进的多目标无人智能车避碰行驶方法 | |
| CN110941263A (zh) | 一种自主水下航行器路径规划方法和装置 | |
| Papathanasopoulou et al. | Flexible car-following models incorporating information from adjacent lanes | |
| Keong et al. | Reinforcement learning for autonomous aircraft avoidance | |
| Xin et al. | Improved genetic algorithms based on data-driven operators for path planning of unmanned surface vehicle | |
| Zhou et al. | Global path planning of unmanned surface vessel based on multi-objective hybrid particle swarm algorithm | |
| Yu et al. | An intelligent robot motion planning method and application via lppo in unknown environment | |
| CN115774455B (zh) | 复杂障碍环境下避免死锁的分布式无人集群轨迹规划方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FG | Patent granted |
Effective date: 20201005 |