LU102400A1 - Path planning method and system for unmanned surface vehicle based on improved genetic algorithm - Google Patents
Path planning method and system for unmanned surface vehicle based on improved genetic algorithm Download PDFInfo
- Publication number
- LU102400A1 LU102400A1 LU102400A LU102400A LU102400A1 LU 102400 A1 LU102400 A1 LU 102400A1 LU 102400 A LU102400 A LU 102400A LU 102400 A LU102400 A LU 102400A LU 102400 A1 LU102400 A1 LU 102400A1
- Authority
- LU
- Luxembourg
- Prior art keywords
- unmanned surface
- surface vehicle
- genetic algorithm
- path planning
- population
- Prior art date
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 156
- 230000002068 genetic effect Effects 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 210000000349 chromosome Anatomy 0.000 claims description 59
- 230000035772 mutation Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 28
- 238000004364 calculation method Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 108090000623 proteins and genes Proteins 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000000342 Monte Carlo simulation Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 241000180579 Arca Species 0.000 description 2
- 108700003861 Dominant Genes Proteins 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 239000004106 carminic acid Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- Y02T70/00—Maritime or waterways transport
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Claims (10)
1. Procédé de planification de trajectoire pour un véhicule de surface sans pilote, basé sur un algorithme génétique amélioré, comprenant les étapes suivantes consistant à : acquérir des données de cap et de données de localisation du véhicule de surface sans pilote, et leur prétraitement ; recueillir des informations sur les vagues d'un environnement dans lequel se trouve le véhicule de surface sans pilote, et les convertir en facteurs de contrainte ; effectuer une planification de trajet en utilisant l'algorithme génétique amélioré selon les données de parcours et les données de localisation du véhicule de surface sans pilote, pour obtenir un classement de trajet opti- mal; et corriger, sur la base du classement optimal des trajectoires, le cap et la vitesse du véhicule de surface sans pilote en fonction des facteurs de con- trainte, pour compléter la planification de trajectoire.
2. Procédé de planification de trajectoire pour un véhicule de surface sans pilote basé sur un algorithme génétique amélioré selon la revendication 1, dans lequel les données de cap et les données de localisation du véhicule de surface sans pilote comprennent des données de coordonnées de lon- gitude et de latitude d'un point de navigation requis par le véhicule de sur- face sans pilote, et les coordonnées de latitude et de longitude du point de navigation étant converties en valeurs de coordonnées horizontales et ver- ticales dans un système de coordonnées rectangulaire.
3, Procédé de planification de trajectoire pour un véhicule de surface sans pilote basé sur un algorithme génétique amélioré selon la revendication 1, dans lequel les facteurs de contrainte sont : Fo =-0.0073V"hV; +0.0057V7 , My = Jah ; où, h est la hauteur des vagues, Vi est la vitesse des vagues et Ap est la longueur d'onde des ondes.
4. Procédé de planification de trajectoire pour un véhicule de surface sans pilote basé sur un algorithme génétique amélioré selon la revendication 1, dans lequel l‘aigorithme génétique amélioré comprend un algorithme génétique basé sur l'inversion à double domaine et un algorithme géné- tique basé sur l'inversion multi-domaine.
5. Procédé de planification de chemin pour un véhicule de surface sans pilote basé sur un algorithme génétique amélioré selon la revendication 4, dans lequel un procédé spécifique pour la planification de trajectoire basé sur l'algorithme génétique basé sur l'inversion à double domaine comprend les étapes suivantes consistant à : (1) initialiser des paramètres : définition d'une taille de population, d'un nombre maximal d'itérations, d'une probabilité de croisement initial et d'une probabilité de mutation initiale ; (2) initialiser une population : génération aléatoire d'une population ini- tiale en tant que parent dans le processus génétique ; (3) calculer les valeurs d'adaptation : calcul de la valeur d'adaptation de chaque chromosome, et classement de la population initiale en fonction des valeurs d’adaptations calculées ; (4) effectuer des opérations de sélection, de croisement et de mutation sur les chromosomes, calculer la valeur d'adaptation d'une nouvelle poputa- tion, et reclasser la population initiale en fonction de la valeur, pour obtenir la nouvelle population comme progéniture primaire ; (5) effectuer une opération d'inversion à double domaine : sélectionner au hasard quatre numéros de série comme points d'inversion du codage chro- mosomique, générer respectivement deux domaines entre les deux pre- miers points et les deux derniers points, inverser les fragments dans les deux domaines en même temps pour produire une nouvelle progéniture, comparer les valeurs de fitness des chromosomes de la progéniture et du chromosome parent, conserver les chromosomes avec des valeurs d’adap- tation pius élevées et mettre à jour la population ; (6) juger si une condition de fin d'itération est satisfaite ; si la condition de de fin n'est pas satisfaite, ajouter un au nombre d'itérations et exécuter l'étape (4) ; si la condition de fin est satisfaite, exécuter l'étape (7) ; et (7) sélectionner un individu optimal à partir des résultats de rétention des itérations comme solution optimale de l'algorithme génétique basé sur l'inversion de double domaine et le produire.
6. Procédé de planification de chemin pour un véhicule de surface sans pilote basé sur un algorithme génétique amélioré selon la revendication 3, dans lequel une méthode spécifique de planification de chemin basée sur l'algo- rithme génétique basé sur l'inversion multi-domaine comprend les étapes suivantes consistant a: (1) initialiser les paramètres : définition d'une taille de population, d'un nombre maximal d'itérations, d'une probabilité de croisement initial et d'une probabilité de mutation initiale ; (2) initialiser une population : génération aléatoire d'une population ini- tiale en tant que parent dans le processus génétique ; (3) calculer les valeurs d'adaptation : calcul de la valeur d'adaptation de chaque chromosome, et classement de la population initiale en fonction des valeurs d’adaptation calculées ; (4) effectuer des opérations de sélection, de croisement et de mutation sur les chromosomes, calculer la valeur d'adaptation d'une nouvelle popula- tion, et reclasser la population initiale en fonction de la valeur pour obtenir la nouvelle population comme progéniture primaire ; (5) effectuer une opération d'inversion multi-domaine : définir au hasard quatre points d'inversion dans une chaîne codée, générer six domaines entre deux points d'inversion quelconques, inverser des fragments respec- tifs dans les six domaines pour produire six nouveaux chromosomes des- cendants, générant respectivement deux domaines entre les deux pre- miers points et les deux derniers points, et inverser les fragments dans les deux domaines en même temps pour produire un nouveau chromosome descendant; comparer les valeurs d'adaptation des chromosomes descen- dants et du chromosome parent, conserver les chromosomes avec des va- leurs de fitness plus élevées et mettre a jour la population ; (6) juger si une condition de fin d'itération est satisfaite ; si la condition de de fin n'est pas satisfaite, ajouter un au nombre d'itérations et exécuter l'étape (4) ; si la condition de fin est satisfaite, exécuter l'étape (7) ; et (7) sélectionner un individu optimal à partir des résultats de rétention des itérations comme solution optimale de l'algorithme génétique basé sur l'inversion multi-domaine et le produire.
7. Procédé de planification de chemin pour un véhicule de surface sans pilote basé sur un algorithme génétique amélioré selon la revendication 1, dans lequel un procédé spécifique pour corriger le cap et la vitesse du véhicule de surface sans pilote en fonction des facteurs de contrainte, sur la base du classement optimal des trajectoires, comprend les étapes suivantes consistant à :
combiner le classement de chemin optimal prévu par l'algorithme géné- tique amélioré avec les coordonnées de longitude et de latitude collec- tées par un module de navigation GPS, dessiner une carte de chemin de système de coordonnées rectangulaires établie dans l'environnement marin réel et obtenir des informations sur la distance et l'angle de dévia- tion entre l'emplacement actuel de le véhicule de surface sans pilote et un point cible ; et effectuer un traitement de données sur les informations de distance et d'angle de déflexion entre l'emplacement actuel du véhicule de surface sans pilote et le point cible en fonction des facteurs de contrainte, pour obtenir un angle de déviation en temps réel et une distance relative entre l'emplacement actuel du véhicule de surface sans pilote et le point cible.
8. Système de planification de trajectoire pour un véhicule de surface sans pilote basé sur un algorithme génétique amélioré, comprenant : un module d'acquisition de données de navigation, configuré pour acqué- rir des données de parcours et des données de localisation du véhicule de surface sans pilote, et les prétraiter ; un module de détermination de facteur de contrainte, configuré pour col- lecter des informations d'onde d'un environnement dans lequel se trouve le véhicule de surface sans pilote, et les convertir en facteurs de con- trainte ; un module de planification de chemin optimal, configuré pour effectuer une planification de chemin en utilisant l'algorithme génétique amélioré selon les données de parcours et les données de localisation du véhicule de surface sans pilote, pour obtenir un classement de trajet optimal; et un module de correction de trajectoire, configuré pour corriger, sur la base du classement de trajectoire optimal, la trajectoire et la vitesse du véhicule de surface sans pilote en fonction du facteur de contrainte, pour terminer la planification de trajectoire.
9. Support de stockage lisible par ordinateur, stockant un programme infor- matique sur celui-ci, dans lequel, lorsque le programme est exécuté par un processeur, on met en œuvre les étapes du procédé de planification de trajectoire pour un véhicule de surface sans pilote basé sur un algo- rithme génétique amélioré selon l'une quelconque des revendications 1 à 7.
10. Dispositif de traitement, comprenant une mémoire, un processeur et un programme informatique stocké sur la mémoire et exécutable sur le pro- cesseur, dans lequel, lorsque le processeur exécute le programme, on met en oeuvre les étapes du procédé de planification de trajet pour un 5 véhicule de surface sans pilote basé sur un algorithme génétique amé- lioré selon l'une quelconque des revendications 1 à 7.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910721372.6A CN110442135B (zh) | 2019-08-06 | 2019-08-06 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
LU102400A1 true LU102400A1 (en) | 2021-02-09 |
LU102400B1 LU102400B1 (en) | 2021-04-27 |
Family
ID=68433459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
LU102400A LU102400B1 (en) | 2019-08-06 | 2019-09-20 | Path planning method and system for unmanned surface vehicle based on improved genetic algorithm |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN110442135B (fr) |
LU (1) | LU102400B1 (fr) |
WO (1) | WO2021022637A1 (fr) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113029150A (zh) * | 2021-03-10 | 2021-06-25 | 辽宁工程技术大学 | 一种多约束条件下的智能飞行器航迹规划方法 |
CN113570022A (zh) * | 2021-03-05 | 2021-10-29 | 福建工程学院 | 传感器网络中可充电移动小车路径规划方法及装置 |
CN113595774A (zh) * | 2021-07-19 | 2021-11-02 | 广西大学 | 一种基于iaga算法的高速列车车联网拓扑优化方法 |
CN113703463A (zh) * | 2021-09-23 | 2021-11-26 | 大连海事大学 | 一种基于精英多种群演化算法的船舶避碰路径规划方法 |
CN113762594A (zh) * | 2021-07-23 | 2021-12-07 | 合肥工业大学 | 车机协同配送灾后救援物资的路径规划方法和装置 |
CN113778128A (zh) * | 2021-09-18 | 2021-12-10 | 中国人民解放军国防科技大学 | 基于遗传算法的无人机侦察任务规划方法及装置 |
CN113780839A (zh) * | 2021-09-15 | 2021-12-10 | 湖南视比特机器人有限公司 | 基于深度强化学习的演化式分拣作业调度方法及系统 |
CN113819919A (zh) * | 2021-09-26 | 2021-12-21 | 陕西科技大学 | 一种基于布尔约束的机器人最优路径规划方法 |
CN114169828A (zh) * | 2021-12-08 | 2022-03-11 | 南通大学 | 一种多机型多物资类型无人机应急配送路径规划方法及其规划系统 |
CN114578708A (zh) * | 2022-01-26 | 2022-06-03 | 吉林大学 | 基于Matlab/Simulink飞行汽车工况识别系统 |
CN114610027A (zh) * | 2022-03-07 | 2022-06-10 | 吉林大学 | 一种船舶航海路径规划方法 |
CN114647541A (zh) * | 2022-03-18 | 2022-06-21 | 西安微电子技术研究所 | 一种基于改进演化硬件的电路自修复方法 |
CN114781863A (zh) * | 2022-04-21 | 2022-07-22 | 南京航空航天大学 | 多机器人协同加工效率与质量双目标优化任务规划方法 |
CN114924593A (zh) * | 2022-06-16 | 2022-08-19 | 华中科技大学 | 一种车辆与多无人机会合路线快速规划方法 |
CN115079704A (zh) * | 2022-08-01 | 2022-09-20 | 中国电信股份有限公司 | 路径规划方法、装置、存储介质及电子设备 |
CN115801665A (zh) * | 2022-11-22 | 2023-03-14 | 山西大学 | 一种基于转发图的域内路由保护方法 |
Families Citing this family (72)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145068B (zh) * | 2019-12-09 | 2023-09-26 | 南京航空航天大学 | 一种长距离高时效经济性巡航车速规划方法 |
CN111026135B (zh) * | 2020-01-18 | 2020-11-13 | 上海大学 | 一种无人艇高性能航行前馈控制系统及其控制方法 |
CN111610788B (zh) * | 2020-06-13 | 2023-04-18 | 大连海事大学 | 一种分级模糊-人工势场路径规划的方法 |
CN111664852B (zh) * | 2020-06-15 | 2023-07-04 | 天津大学 | 一种无人机路径规划方法及装置 |
CN112034865B (zh) * | 2020-08-12 | 2021-10-08 | 浙江大学 | 基于优化算法的全驱动水下航行器航迹跟踪控制方法 |
CN112381284B (zh) * | 2020-11-11 | 2023-12-01 | 成都信息工程大学 | 一种无人接驳车多站点路径优化的改进遗传算法 |
CN112529278B (zh) * | 2020-12-02 | 2021-08-31 | 中国人民解放军93209部队 | 基于联结矩阵寻优的航路网规划方法及装置 |
CN112818472B (zh) * | 2021-02-25 | 2023-04-18 | 西北工业大学 | 一种民用飞机飞行试验科目安排及优化方法 |
CN113175930B (zh) * | 2021-03-22 | 2024-04-30 | 西安理工大学 | 基于mmea的多无人机协同航迹规划方法 |
CN112947480B (zh) * | 2021-03-24 | 2022-11-15 | 武汉理工大学 | 一种移动机器人路径规划方法、存储介质及系统 |
CN113110424A (zh) * | 2021-03-26 | 2021-07-13 | 大连海事大学 | 一种基于海图信息的无人艇避碰方法 |
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 |
CN114578772B (zh) * | 2021-04-16 | 2023-08-11 | 青岛中车四方车辆物流有限公司 | 一种agv集群控制系统设计框架及方法 |
CN113159687B (zh) * | 2021-04-29 | 2023-08-29 | 长安大学 | 一种车间agv-uav协同的物料配送路径规划方法和系统 |
CN113188547A (zh) * | 2021-05-06 | 2021-07-30 | 国能朔黄铁路发展有限责任公司 | 无人机路径规划方法、装置、控制器及存储介质 |
CN113095733A (zh) * | 2021-05-10 | 2021-07-09 | 北京化工大学 | 一种基于改进遗传算法求解单机械臂转移作业车间调度方法 |
CN113177762B (zh) * | 2021-05-14 | 2024-01-05 | 大连海事大学 | 一种多中心电动车-无人机配送路径优化方法 |
CN113128788B (zh) * | 2021-05-17 | 2024-03-08 | 华北电力大学 | 一种电力应急物资输送路径优化方法、装置及存储介质 |
CN113361753B (zh) * | 2021-05-26 | 2023-07-04 | 中国电子技术标准化研究院 | 基于量子遗传算法的确定最优路径的方法、系统和介质 |
CN113222272B (zh) * | 2021-05-26 | 2022-09-20 | 合肥工业大学 | 基于双层遗传编码的应急物资运输与装载协同优化方法 |
CN114399043B (zh) * | 2021-06-16 | 2024-06-04 | 北京理工大学 | 一种基于非支配排序粒子群遗传算法的车辆位置路由方法 |
CN113592148B (zh) * | 2021-07-01 | 2024-03-15 | 合肥工业大学 | 改进车辆与无人机配送路线的优化方法及系统 |
CN113673922A (zh) * | 2021-07-09 | 2021-11-19 | 合肥工业大学 | 基于鱼骨型仓库布局的多车拣选路径问题优化方法及系统 |
CN113624235A (zh) * | 2021-07-31 | 2021-11-09 | 武夷科技信息(北京)有限公司 | 一种无人机实时动态调整导航路径的方法 |
CN113687657B (zh) * | 2021-08-26 | 2023-07-14 | 鲁东大学 | 用于多智能体编队动态路径规划的方法和存储介质 |
CN113887782A (zh) * | 2021-08-27 | 2022-01-04 | 西安电子科技大学 | 一种面向维修资源配送调度的遗传-烟花混合方法及系统 |
CN113821029B (zh) * | 2021-08-31 | 2022-05-10 | 南京天溯自动化控制系统有限公司 | 一种路径规划方法、装置、设备及存储介质 |
CN113885555A (zh) * | 2021-09-14 | 2022-01-04 | 安徽送变电工程有限公司 | 面向输电线路密集通道巡检的多机任务分配方法和系统 |
CN113741477B (zh) * | 2021-09-14 | 2022-10-21 | 中国船舶重工集团公司第七0七研究所九江分部 | 一种欠驱动船舶靠泊路径规划方法 |
CN113779885B (zh) * | 2021-09-16 | 2024-04-30 | 南京航空航天大学 | 一种基于遗传算法的容差优化方法 |
CN113778127B (zh) * | 2021-09-18 | 2023-02-28 | 中国人民解放军国防科技大学 | 基于遗传算法的无人机侦察路径规划方法及装置 |
CN113945796B (zh) * | 2021-09-29 | 2023-10-24 | 集美大学 | 一种配电网故障定位方法、终端设备及存储介质 |
CN113867358B (zh) * | 2021-10-13 | 2023-08-29 | 中国人民解放军陆军工程大学 | 多无人车协同遍历任务的智能路径规划方法 |
CN114049243B (zh) * | 2021-10-26 | 2023-09-29 | 中山大学 | 一种浒苔堆积量估算方法、系统及存储介质 |
CN114020022B (zh) * | 2021-11-04 | 2023-08-18 | 中国人民解放军陆军工程大学 | 异构无人机协同打击任务规划方法及装置 |
CN113885533B (zh) * | 2021-11-12 | 2022-08-09 | 江苏海洋大学 | 一种无人艇的无人驾驶方法及系统 |
CN114355895B (zh) * | 2021-12-14 | 2023-11-07 | 南京航空航天大学 | 一种车辆主动避撞路径规划方法 |
CN114281104B (zh) * | 2021-12-16 | 2024-02-20 | 成都戎星科技有限公司 | 一种基于改进蚁群算法的多无人机协同调控方法 |
CN114281108B (zh) * | 2021-12-28 | 2024-05-03 | 北京神星科技有限公司 | 基于分层改进遗传算法的投送任务规划方法 |
CN114265355B (zh) * | 2021-12-30 | 2024-02-20 | 上海大学 | 一种具有自主控制无人艇悬停功能的遥控器及其控制方法 |
CN114397896B (zh) * | 2022-01-10 | 2023-07-14 | 贵州大学 | 一种改进粒子群算法的动态路径规划方法 |
CN114608596B (zh) * | 2022-03-09 | 2024-04-12 | 大连大学 | 一种基于dssa算法的路径规划方法 |
CN114897246A (zh) * | 2022-05-16 | 2022-08-12 | 北京航空航天大学 | 基于遗传算法和贪心策略的飞艇多任务点航线规划方法 |
CN115079995B (zh) * | 2022-07-22 | 2022-11-11 | 中南大学 | 一种中子谱仪被测样品测点排序方法和系统 |
CN115421508B (zh) * | 2022-08-01 | 2024-06-18 | 西安工业大学 | 一种适用于多无人机多目标航迹规划的粒子群优化方法 |
CN115345549B (zh) * | 2022-08-11 | 2024-01-23 | 上海维祥信息技术有限公司 | 结合装载方案的车辆路径调整方法及系统 |
CN115357021B (zh) * | 2022-08-25 | 2023-10-10 | 齐齐哈尔大学 | 一种基于改进凌日搜索算法的水面无人艇路径规划方法 |
CN115438860A (zh) * | 2022-09-06 | 2022-12-06 | 西安电子科技大学广州研究院 | 一种基于进化算法的多智能体路径规划方法 |
CN115495859B (zh) * | 2022-09-19 | 2023-11-03 | 上海交通大学 | 一种基于遗传算法的仓网规划方法 |
CN115469671B (zh) * | 2022-10-21 | 2024-05-28 | 江苏海洋大学 | 一种基于聚集-置换策略的机器人路径规划方法 |
CN115562074A (zh) * | 2022-10-29 | 2023-01-03 | 福州大学 | 一种快速生成无人机最优规划路径的仿真系统及方法 |
CN115451974B (zh) * | 2022-11-09 | 2023-04-07 | 广东电网有限责任公司湛江供电局 | 一种电力设备巡检路径规划方法、系统、设备和介质 |
CN115879603B (zh) * | 2022-11-17 | 2024-05-14 | 武汉大学 | 一种面向多目标点的多无人机协同数据采集方法及装置 |
CN116047909B (zh) * | 2023-01-13 | 2023-09-05 | 大连海事大学 | 面向海事平行搜寻的无人机-船协同鲁棒自适应控制方法 |
CN115857516B (zh) * | 2023-03-02 | 2023-07-14 | 之江实验室 | 结合牛耕式运动与遗传算法的全覆盖路径规划方法和装置 |
CN115952942B (zh) * | 2023-03-13 | 2023-06-02 | 季华实验室 | 多目标巡检调度规划方法、装置、电子设备及存储介质 |
CN116090357A (zh) * | 2023-04-07 | 2023-05-09 | 中国人民解放军96901部队 | 多目标打击任务可行性快速评估方法 |
CN116088542B (zh) * | 2023-04-12 | 2023-08-18 | 中国水产科学研究院南海水产研究所 | 一种基于遥感技术的渔船作业安全预警方法及系统 |
CN116678409B (zh) * | 2023-04-24 | 2024-03-12 | 大连海事大学 | 一种基于改进灰狼算法的北极冰区船舶路径规划方法 |
CN116542468B (zh) * | 2023-05-06 | 2023-10-20 | 中国人民解放军32370部队 | 一种无人机集群任务规划方法 |
CN116954239B (zh) * | 2023-06-12 | 2024-03-19 | 成都丰千达科技有限公司 | 一种基于改进粒子群算法的无人机航迹规划方法及系统 |
CN117213484B (zh) * | 2023-06-21 | 2024-06-18 | 深圳大学 | 一种基于遗传算法的航点连线方法、装置及智能终端 |
CN116519003B (zh) * | 2023-06-28 | 2023-09-01 | 广汽埃安新能源汽车股份有限公司 | 一种路径规划方法、装置、电子设备及存储介质 |
CN116989797B (zh) * | 2023-09-26 | 2023-12-15 | 北京理工大学 | 无人机航迹优化方法、装置、电子设备及存储介质 |
CN117196271B (zh) * | 2023-11-08 | 2024-02-13 | 北京理工大学 | 一种柔性车间异构机器人双效调度方法 |
CN117742373A (zh) * | 2023-11-13 | 2024-03-22 | 广东工业大学 | 基于改进遗传算法的无人机路径规划方法 |
CN117494919B (zh) * | 2023-11-13 | 2024-04-19 | 广州力生机器人技术有限公司 | 一种基于多机器人协同码垛作业的路径规划方法及装置 |
CN117356546B (zh) * | 2023-12-01 | 2024-02-13 | 南京禄口国际机场空港科技有限公司 | 一种机场草坪用的喷雾车的控制方法、系统及存储介质 |
CN117419731B (zh) * | 2023-12-19 | 2024-03-12 | 青岛哈尔滨工程大学创新发展中心 | 基于多策略人工蜂群算法在海洋环境下的路径规划方法 |
CN117608200B (zh) * | 2024-01-23 | 2024-05-10 | 山东科技大学 | 一种海洋航行器路径规划方法 |
CN117601136B (zh) * | 2024-01-24 | 2024-04-02 | 济宁鲁鑫工程机械有限公司 | 一种自动焊接机器人路径规划方法及系统 |
CN117689677B (zh) * | 2024-02-01 | 2024-04-16 | 山东大学日照研究院 | 一种砂轮磨损状态识别方法、系统、设备及介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6629037B1 (en) * | 2000-06-26 | 2003-09-30 | Westerngeco, L.L.C. | Optimal paths for marine data collection |
CN102323820A (zh) * | 2011-04-19 | 2012-01-18 | 江苏科技大学 | 一种智能舵系统及其控制方法 |
CN102830707A (zh) * | 2012-09-21 | 2012-12-19 | 中国航空无线电电子研究所 | 航行器起降俯仰姿态控制系统 |
JP2014193706A (ja) * | 2013-02-27 | 2014-10-09 | Furuno Electric Co Ltd | 自動操舵装置、自動操舵方法及び自動操舵プログラム |
CN105867383A (zh) * | 2016-05-16 | 2016-08-17 | 哈尔滨工程大学 | 一种usv自主避碰控制的方法 |
EP3287862A1 (fr) * | 2016-08-25 | 2018-02-28 | Imotec Holding B.V. | Procédé de direction d'un navire sous-actionné |
CN107741744B (zh) * | 2017-11-15 | 2020-09-25 | 哈尔滨工程大学 | 一种海洋观测平台的最优艏向控制方法 |
CN108983774B (zh) * | 2018-07-16 | 2021-06-01 | 哈尔滨工程大学 | 一种基于模糊状态观测器的单喷泵推进无人水面艇自适应航向控制方法 |
CN108919675B (zh) * | 2018-09-10 | 2021-03-19 | 上海阜有海洋科技有限公司 | 一种多点系泊系统控制模型优化算法 |
CN109062058B (zh) * | 2018-09-26 | 2021-03-19 | 大连海事大学 | 基于自适应模糊最优控制的船舶航向轨迹跟踪设计方法 |
CN109828570B (zh) * | 2019-02-18 | 2021-10-01 | 哈尔滨工程大学 | 一种自适应边界层水面无人艇控制导引方法 |
-
2019
- 2019-08-06 CN CN201910721372.6A patent/CN110442135B/zh active Active
- 2019-09-20 LU LU102400A patent/LU102400B1/en active IP Right Grant
- 2019-09-20 WO PCT/CN2019/107109 patent/WO2021022637A1/fr active Application Filing
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570022A (zh) * | 2021-03-05 | 2021-10-29 | 福建工程学院 | 传感器网络中可充电移动小车路径规划方法及装置 |
CN113570022B (zh) * | 2021-03-05 | 2023-05-23 | 福建工程学院 | 传感器网络中可充电移动小车路径规划方法及装置 |
CN113029150B (zh) * | 2021-03-10 | 2023-09-08 | 辽宁工程技术大学 | 一种多约束条件下的智能飞行器航迹规划方法 |
CN113029150A (zh) * | 2021-03-10 | 2021-06-25 | 辽宁工程技术大学 | 一种多约束条件下的智能飞行器航迹规划方法 |
CN113595774A (zh) * | 2021-07-19 | 2021-11-02 | 广西大学 | 一种基于iaga算法的高速列车车联网拓扑优化方法 |
CN113595774B (zh) * | 2021-07-19 | 2023-08-01 | 广西大学 | 一种基于iaga算法的高速列车车联网拓扑优化方法 |
CN113762594B (zh) * | 2021-07-23 | 2023-07-07 | 合肥工业大学 | 车机协同配送灾后救援物资的路径规划方法和装置 |
CN113762594A (zh) * | 2021-07-23 | 2021-12-07 | 合肥工业大学 | 车机协同配送灾后救援物资的路径规划方法和装置 |
CN113780839A (zh) * | 2021-09-15 | 2021-12-10 | 湖南视比特机器人有限公司 | 基于深度强化学习的演化式分拣作业调度方法及系统 |
CN113780839B (zh) * | 2021-09-15 | 2023-08-22 | 湖南视比特机器人有限公司 | 基于深度强化学习的演化式分拣作业调度方法及系统 |
CN113778128A (zh) * | 2021-09-18 | 2021-12-10 | 中国人民解放军国防科技大学 | 基于遗传算法的无人机侦察任务规划方法及装置 |
CN113703463B (zh) * | 2021-09-23 | 2023-12-05 | 大连海事大学 | 一种基于精英多种群演化算法的船舶避碰路径规划方法 |
CN113703463A (zh) * | 2021-09-23 | 2021-11-26 | 大连海事大学 | 一种基于精英多种群演化算法的船舶避碰路径规划方法 |
CN113819919A (zh) * | 2021-09-26 | 2021-12-21 | 陕西科技大学 | 一种基于布尔约束的机器人最优路径规划方法 |
CN113819919B (zh) * | 2021-09-26 | 2022-07-01 | 陕西科技大学 | 一种基于布尔约束的机器人最优路径规划方法 |
CN114169828B (zh) * | 2021-12-08 | 2024-06-04 | 南通大学 | 一种多机型多物资类型无人机应急配送路径规划方法及其规划系统 |
CN114169828A (zh) * | 2021-12-08 | 2022-03-11 | 南通大学 | 一种多机型多物资类型无人机应急配送路径规划方法及其规划系统 |
CN114578708A (zh) * | 2022-01-26 | 2022-06-03 | 吉林大学 | 基于Matlab/Simulink飞行汽车工况识别系统 |
CN114610027A (zh) * | 2022-03-07 | 2022-06-10 | 吉林大学 | 一种船舶航海路径规划方法 |
CN114647541B (zh) * | 2022-03-18 | 2024-04-26 | 西安微电子技术研究所 | 一种基于改进演化硬件的电路自修复方法 |
CN114647541A (zh) * | 2022-03-18 | 2022-06-21 | 西安微电子技术研究所 | 一种基于改进演化硬件的电路自修复方法 |
CN114781863A (zh) * | 2022-04-21 | 2022-07-22 | 南京航空航天大学 | 多机器人协同加工效率与质量双目标优化任务规划方法 |
CN114781863B (zh) * | 2022-04-21 | 2024-06-07 | 南京航空航天大学 | 多机器人协同加工效率与质量双目标优化任务规划方法 |
CN114924593A (zh) * | 2022-06-16 | 2022-08-19 | 华中科技大学 | 一种车辆与多无人机会合路线快速规划方法 |
CN114924593B (zh) * | 2022-06-16 | 2024-04-26 | 华中科技大学 | 一种车辆与多无人机会合路线快速规划方法 |
CN115079704B (zh) * | 2022-08-01 | 2024-02-27 | 中国电信股份有限公司 | 路径规划方法、装置、存储介质及电子设备 |
CN115079704A (zh) * | 2022-08-01 | 2022-09-20 | 中国电信股份有限公司 | 路径规划方法、装置、存储介质及电子设备 |
CN115801665A (zh) * | 2022-11-22 | 2023-03-14 | 山西大学 | 一种基于转发图的域内路由保护方法 |
CN115801665B (zh) * | 2022-11-22 | 2024-05-24 | 山西大学 | 一种基于转发图的域内路由保护方法 |
Also Published As
Publication number | Publication date |
---|---|
LU102400B1 (en) | 2021-04-27 |
WO2021022637A1 (fr) | 2021-02-11 |
CN110442135A (zh) | 2019-11-12 |
CN110442135B (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
LU102400B1 (en) | Path planning method and system for unmanned surface vehicle based on improved genetic algorithm | |
CN111780777B (zh) | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 | |
Ai et al. | Coverage path planning for maritime search and rescue using reinforcement learning | |
CN108459503B (zh) | 一种基于量子蚁群算法的无人水面艇航迹规划方法 | |
Roberge et al. | Comparison of parallel genetic algorithm and particle swarm optimization for real-time UAV path planning | |
Tsou et al. | An Ant Colony Algorithm for efficient ship routing | |
CN113110520A (zh) | 一种多智能优化并行算法的机器人路径规划方法 | |
Lan et al. | Path planning for underwater gliders in time-varying ocean current using deep reinforcement learning | |
Du et al. | An optimized path planning method for coastal ships based on improved DDPG and DP | |
Dong et al. | Double ant colony algorithm based on dynamic feedback for energy-saving route planning for ships | |
Zeng et al. | Robotic global path-planning based modified genetic algorithm and A* algorithm | |
Bai et al. | USV path planning algorithm based on plant growth | |
Gao et al. | An optimized path planning method for container ships in Bohai bay based on improved deep Q-learning | |
Tang | Coverage path planning of unmanned surface vehicle based on improved biological inspired neural network | |
Tao et al. | A study on path planning of unmanned aerial vehicle based on improved genetic algorithm | |
Ma et al. | Solving heterogeneous USV scheduling problems by problem-specific knowledge based meta-heuristics with Q-learning | |
Tan et al. | Adaptive adjustable fast marching square method based path planning for the swarm of heterogeneous unmanned surface vehicles (USVs) | |
Zhao et al. | Global path planning of unmanned vehicle based on fusion of A∗ algorithm and Voronoi field | |
Li et al. | Dynamic route planning for a USV-UAV multi-robot system in the rendezvous task with obstacles | |
Cui et al. | Multi-strategy adaptable ant colony optimization algorithm and its application in robot path planning | |
Liu et al. | The path planning study of autonomous patrol robot based on modified Astar algorithm and genetic algorithm | |
Xi et al. | Power-aware path planning for vehicle-assisted multi-UAVs in mobile crowd sensing | |
Song et al. | A novel path planning algorithm for ships in dynamic current environments | |
CN114943168B (zh) | 一种水上浮桥组合方法及系统 | |
Shih et al. | A parallel genetic approach to path-planning with upstream-current avoidance for multi-AUG deployment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FG | Patent granted |
Effective date: 20210427 |