WO2018176595A1 - 基于蚁群算法和极坐标变换的无人自行车路径规划方法 - Google Patents

基于蚁群算法和极坐标变换的无人自行车路径规划方法 Download PDF

Info

Publication number
WO2018176595A1
WO2018176595A1 PCT/CN2017/084509 CN2017084509W WO2018176595A1 WO 2018176595 A1 WO2018176595 A1 WO 2018176595A1 CN 2017084509 W CN2017084509 W CN 2017084509W WO 2018176595 A1 WO2018176595 A1 WO 2018176595A1
Authority
WO
WIPO (PCT)
Prior art keywords
pheromone
unmanned bicycle
value
obstacle
ant colony
Prior art date
Application number
PCT/CN2017/084509
Other languages
English (en)
French (fr)
Inventor
吴建国
Original Assignee
深圳市靖洲科技有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 深圳市靖洲科技有限公司 filed Critical 深圳市靖洲科技有限公司
Publication of WO2018176595A1 publication Critical patent/WO2018176595A1/zh

Links

Images

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
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • 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
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas

Definitions

  • the invention relates to an unmanned bicycle technology, in particular to a path planning method based on an ant colony algorithm and a polar coordinate transformation for an unmanned bicycle.
  • Baidu has announced the development of a complex artificial intelligence unmanned bicycle.
  • This product is an unmanned bicycle with complex artificial intelligence such as environmental awareness, planning and self-balancing control. It mainly integrates Baidu in artificial intelligence.
  • the achievements of deep learning, big data and cloud computing technologies however, there is no disclosure of technical details.
  • most of the sports intervention service systems with wide coverage, low cost and high specificity are adopted, and the intervention of the unmanned bicycles in accordance with the actual situation is expected to solve the problem of bicycle obstacle avoidance.
  • the obstacle avoidance path planning system determines how the vehicle reaches the target position under various constraints and path obstacle conditions, including environmental constraints embodied in safety, and systemic kinematic constraints embodying feasibility.
  • System dynamics constraints that reflect ride and stability, as well as specific optimization index constraints, such as the shortest time or shortest distance.
  • these constraints are concentrated in the global path planning.
  • the global path planning problem is equivalent to the problem of path generation between the starting point and the end point. Solving the global path planning problem generally requires a typical road to be learned in advance. And its digital storage method, that is, the environmental map, when the environmental changes or other factors lead to the planning results are not feasible, you need to restart the global plan to get a new feasible path to continue to exercise.
  • the existing path planning method algorithm is not well converged, and when the initial distribution is a normal distribution, the calculation time is relatively long, which is not conducive to rapid response to obstacles.
  • the object of the present invention is to provide a path planning method based on ant colony algorithm and polar coordinate transformation for an unmanned bicycle, comprising the following steps:
  • the grid method is used for environmental modeling
  • pheromone dimension D is determined by the following parameters: D ⁇ dis tan ce(path)bike_length, the maximum speed of the pheromone variable is:
  • V max 0.1 ( ⁇ max - ⁇ min ) / D;
  • the ant colony is initialized, and the pheromone position range and speed range in the location range of the environment map are set;
  • the determination of the size of the grid in step (1) is based on the size of the unmanned bicycle itself and the size of the obstacle.
  • three analog sensors are arranged in the forward direction of the unmanned bicycle to detect the distance from the obstacle to the front.
  • the pheromone constitutes a pheromone table
  • each element represents a pheromone intensity that moves along an angle at a certain distance
  • a matrix A is used to represent a pheromone table
  • the distance between the unmanned bicycle and the ground obstacle is at an initial distance and
  • the difference between the ground targets is 10 equal parts
  • the single-moving direction of the unmanned bicycle is selected from the angle of -90 degrees to 90 degrees on the angle of the obstacle connection, and 17 of them are selected as the search direction.
  • the 340 elements are determined as the elements of the pheromone table, and the difference between the initial distance of the unmanned bicycle and the ground station and the ground target is defined as M, and the connection angle of the unmanned bicycle and the obstacle target is set to ⁇ .
  • the determination algorithm ends.
  • the pheromone update process for releasing the pheromone by the unmanned bicycle is carried out in two stages, the first stage is the stage of tracking the ground obstacle by the unmanned bicycle, and the second stage is the unmanned stage.
  • the bicycle is at a stage of maintaining a safe distance from the ground obstacles.
  • the first stage of the pheromone updating method is: in each time slice, if the single forward direction is consecutive several times, the target distance between the unmanned bicycle and the ground obstacle is reduced in all directions. The direction that is the smallest, combined with the distance, finds the corresponding pheromone in the pheromone table, and updates and accumulates the operation.
  • the pheromone updating method of the second stage is to determine the distance from the ground obstacle in real time according to a certain time interval, and update all the position pheromos corresponding to the selected moving direction within a certain area.
  • a pheromone volatilization operation is performed to reduce the probability that the unmanned bicycle selects the path as the forward direction.
  • the unmanned bicycle determines the moving direction of the next step through the information table, first determines the distance between the unmanned bicycle and the obstacle, and correspondingly according to the distance in the pheromone table.
  • the line is searched, and the selection of the moving angle is selected according to the probability of occurrence of each angle according to the random number method, and the moving angle is reselected only when the distance of the unmanned bicycle crosses.
  • the bicycle can be driven strictly according to the planned path, and the vehicle speed is automatically adjusted according to the path curvature, and in the case of moving or fixing the obstacle, the obstacle avoidance path planning can be performed in advance.
  • FIG. 1 is a schematic diagram of a forward search direction according to an embodiment of the present invention.
  • FIG. 2 is a pheromone simulation iterative matrix diagram in accordance with an embodiment of the present invention
  • FIG. 3 is a flow chart of a method in accordance with an embodiment of the present invention.
  • the grid method is used for environment modeling.
  • the determination of the grid size is based on the size of the unmanned bicycle and the size of the obstacle.
  • the forward search direction is shown in the figure. 1;
  • pheromone dimension D is determined by the following parameters: D ⁇ dis tan ce(path)bike_length, the maximum speed of the pheromone variable is:
  • V max 0.1 ( ⁇ max - ⁇ min ) / D;
  • the ant colony is initialized, and the pheromone position range and speed range in the location range of the environment map are set;
  • the pheromone constitutes a pheromone table, each element represents a pheromone intensity that moves along an angle at a certain distance, and a matrix A is used to represent a pheromone table, and the distance between the unmanned bicycle and the ground obstacle is between the initial distance and the ground target.
  • the single-moving direction of the unmanned bicycle is selected from the angle of -90 degrees to 90 degrees on the angle of the obstacle connection, and 18 of them are selected as the search direction, thereby determining 340 elements as
  • the difference between the initial distance of the unmanned bicycle and the ground station and the ground target is defined as M
  • the connection angle of the unmanned bicycle and the obstacle target is set to ⁇ .
  • the pheromone update process for the release of pheromones from unmanned bicycles is carried out in two stages.
  • the first stage is the stage of the first stage of the patrol in the stage of unmanned bicycle tracking ground obstacles.
  • the update method is: in each time slice, if the single forward direction is several times in succession, the direction that minimizes the distance between the unmanned bicycle and the ground obstacle target in all directions, and the distance is found in the pheromone table.
  • the update is the accumulation operation;
  • the second stage is the stage where the unmanned bicycle is at a safe distance from the ground obstacle, and the second stage of the pheromone update method is to judge the ground obstacle in real time according to a certain time interval.
  • the distance of the object, and the position pheromone corresponding to the selected moving direction is all updated within a certain area.
  • the pheromone volatilization operation is performed to reduce the probability that the unmanned bicycle selects the path as the forward direction.
  • the unmanned bicycle determines the next moving direction through the information table. Firstly, the distance between the unmanned bicycle and the obstacle is determined, and the corresponding line is searched according to the distance in the pheromone table. The selection of the moving angle is based on random. The number method is selected according to the probability of occurrence of each angle, and the moving angle is reselected only when the distance of the unmanned bicycle crosses.
  • the first step initializing the pheromone table
  • Step 2 Initialize the drone and the ground target
  • the third step the unmanned bicycle is continuously adjusted according to the use of the pheromone table to change the direction of advancement, and the pheromone table is modified according to the update and volatilization criteria;
  • Step 4 If the unmanned bicycle is too close to the obstacle, perform the corresponding pheromone volatilization operation, and return to the second step. If the unmanned bicycle has successfully bypassed the obstacle, proceed to the fifth step;
  • Step 5 Determine whether it has reached the set obstacle safety distance range. If it reaches the set obstacle safety distance range, the algorithm ends. If it does not reach the set safety distance range, return to step 2.
  • the ground obstacle movement strategy during the simulation process is as far as possible from the unmanned bicycle along the direction along the unmanned bicycle when entering the dangerous range of the unmanned bicycle. After entering the dangerous distance range of the unmanned bicycle, it will quickly approach the unmanned bicycle.
  • the unmanned bicycle continues to select the simulation time slice and the choice of the safe distance range between the obstacle and the unmanned bicycle.
  • the selection of the time slice is based on the principle of random number generation, and iteratively obtains the specific pheromone matrix obtained after nearly a thousand times.
  • Figure 2 shows.
  • the simulation results show that the proposed method can solve the problem of fast obstacle avoidance and mobile obstacle avoidance, and achieves good results. Compared with the traditional proportional solution algorithm for path planning, the path is fast for fixed and moving obstacles. The plan has a very good effect.

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

基于蚁群算法和极坐标变换的无人自行车路径规划方法，包括如下步骤：（1）利用栅格法进行环境建模；（2）设置蚁群算法的详细参数；（3）设定极坐标的长度、探测最大角度和最小角度；（4）蚁群的初始化，并设定信息素位置范围和速度范围；（5）极坐标和直角坐标之间变换，判断信息素是否有效，直到保证所有信息素有效，检查信息素位置和障碍物位置；（6）计算每个信息素的适应度值并处理；（7）将信息素历史最优适应值数组中最小值与当前全局历史最优值比较并处理；（8）更新信息素的位置和速度信息；（9）将本次迭代的信息素最优值与之前结果比较并处理；（10）最大迭代次数后平滑处理，修改路径并显示结果。

Description

基于蚁群算法和极坐标变换的无人自行车路径规划方法 技术领域
本发明涉及无人自行车技术，特别是一种面向无人自行车的基于蚁群算法和极坐标变换的路径规划方法。
背景技术
自20世纪60年代移动机器人诞生以来，研究人员一直梦想研究无人智能交通工具，作为智能交通系统的重要组成部分，无人自行车排除了人为不确定因素的影响，不仅可以提高驾驶安全性，而且可以解决交通拥堵，提高能源利用率，百度曾宣布开发复杂人工智能无人自行车，该产品是具备环境感知、规划和自平衡控制等复杂人工智能的无人自行车，主要集合了百度在人工智能、深度学习、大数据和云计算技术的成就，然而对技术细节没有任何披露。目前大多采用采用覆盖面广、成本低，且针对性强的运动干预服务系统，对无人自行车的运动进行符合实际情况的干预，有望解决自行车避障等问题。
作为无人自行车的智能核心，避障路径规划系统决定车辆如何在多种约束条件和路径障碍物条件下到达目标位置，这些约束包括体现为安全性的环境约束，体现可行性的系统运动学约束，体现平顺性和稳定性的系统动力学约束以及特定的优化指标约束，如最短时间或最短距离等。在无人自行车应用中，这些约束集中在全局路径规划中得到满足，全局路径规划问题等同于起点和终点间路径生成的问题，解决全局路径规划问题一般要求提前获知完成的典型道路 及其数字化存储方式，也就是环境地图，当环境变化或其他因素导致规划结果不可行时，需要重启全局规划得到新的可行路径才能继续行使。
然而，现有的路径规划方法算法收敛性不够良好，并且初始分布是正态分布时，计算时间比较长，不利于快速响应障碍物。
发明内容
本发明的目的在于提供一种面向无人自行车的基于蚁群算法和极坐标变换的路径规划方法，包括如下步骤：
(1)根据无人自行车的工作环境，利用栅格法进行环境建模；
(2)设置蚁群算法的详细参数：信息素维度D、最大迭代次数M、信息素数N、信息素变量的最大速度Vmax、学习因子c1，c2和惯性权重W，这三个参数按照一般的蚁群算法选取，信息素维度则由以下参数决定：D≈dis tan ce(path)bike_length，信息素变量的最大速度为：
Vmax＝0.1(αmax-αmin)/D；
(3)设定极坐标的长度、探测最大角度和最小角度，探测最大角度和最小角度一般取0～π/2；
(4)根据均匀分布生成随机数的方法，进行蚁群的初始化，并设定环境地图位置范围内的信息素位置范围和速度范围；
(5)进行极坐标和直角坐标之间的变换，获得路径x，y坐标值，根据信息素的约束条件判断信息素是否有效，无效则重新初始化，直到保证所有信息素有效，检查信息素位置和障碍物位置；
(6)采用路径规划的适应度函数，计算每个信息素的适应度值，将信息素的个体历史最优值和当前信息素适应度值进行比较，若当前的适应度值比历史最优值小，则用当前的适应度值替换个体历史最优值；
(7)将信息素历史最优适应值数组中最小值与当前的全局历史最优值进行比较，若其值小于全局最优值，则用最小值替换全局最优值，否则不替换，根 据信息素上次取得的迭代历史最优值和当前迭代历史最优值，计算并保存两者之间的最优值；
(8)更新种群中信息素的位置和速度信息，若信息素搜索的位置超过了已设定的空间范围，则选取最大位置；
(9)将本次迭代的信息素最优值与之前连续迭代结果进行比较，若未发生变化则采用以前优化值，并检查是否达到最大迭代次数，若未达到则反复计算。
(10)到达最大迭代次数后，采用舒曼滤波法进行平滑处理，对算出的路径进行修改，显示计算结果与最优路径。
优选的，步骤(1)中栅格粒度大小的确定是根据无人自行车自身的尺寸大小以及障碍物的面积大小来设置。
优选的，所述无人自行车前进的方向上设置三个模拟传感器，以探测前方到障碍物的距离情况。
优选的，所述信息素构成信息素表，每个元素代表一定距离下选择沿一角度运动的信息素强度，采用矩阵A表示信息素表，将无人自行车与地面障碍物距离在初始距离与地面目标之差上10等分，而无人自行车单次移动方向选择相对于障碍物连线夹角的-90度-90度上角度18等分，并选择其中的17个作为搜索方向，从而确定340个元素作为信息素表的各个元素，将无人自行车与地面站该物初始距离与地面目标之差定义为M，无人自行车与障碍物目标连线角度设定为α。
优选的，在完成若干轮单次迭代后，若按每次新信息素表出发的无人自行车都能成功避开障碍物，则判定算法结束。
优选的，所述信息素更新用于无人自行车释放信息素的过程，分为两个阶段进行，第一个阶段是在无人自行车追踪地面障碍物的阶段，第二个阶段是在无人自行车在保持与地面障碍物安全距离的阶段。
优选的，所述第一个阶段的信息素更新方法是：在每个时间片内，如果单次前进方向连续若干次都是所有方向中使无人自行车与地面障碍物目标距离减 小最多的那个方向，结合其距离在信息素表中找到对应信息素，进行更新即累加操作。
优选的，所述第二个阶段的信息素更新方法是按照一定的时间间隔实时判断与地面障碍物的距离，并在一定区域范围内对选择的移动方向对应的位置信息素全部进行更新。
优选的，对于使无人自行车靠近地面障碍物的角度，进行信息素挥发操作，减小无人自行车选择该条路径作为前进方向的概率。
优选的，当无人自行车与障碍物处于一个实际的状态，无人自行车通过信息表决定下一步的移动方向，首先判断无人自行车与障碍物的距离，并根据距离在信息素表中相应的行去查找，移动角度的选择根据随机数方法按照每个角度的发生概率选择，仅在无人自行车的距离发生跨越时才重新选择移动角度。
采用本发明的避障局部路径规划方法，可使得自行车严格按照规划路径行驶，并且车速自动根据路径曲率调整，遇到移动或者固定障碍物的情况下，可以提前进行避障路径规划。
根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。本发明的目标及特征考虑到如下结合附图的描述将更加明显，附图中：
图1为根据本发明实施例的前进搜索方向示意图；
图2为根据本发明实施例的信息素仿真迭代矩阵图；
图3为根据本发明实施例的方法流程图。
具体实施方式
结合附图如下详细说明一种面向无人自行车的基于蚁群算法和极坐标变换的路径规划方法，如图3所示包括如下步骤：
(1)根据无人自行车的工作环境，利用栅格法进行环境建模，栅格粒度大小的确定是根据无人自行车自身的尺寸大小以及障碍物的面积大小来设置，其中前进搜索方向如图1所示；
(2)设置蚁群算法的详细参数：信息素维度D、最大迭代次数M、信息素数N、信息素变量的最大速度Vmax、学习因子c1，c2和惯性权重W，这三个参数按照一般的蚁群算法选取，信息素维度则由以下参数决定：D≈dis tan ce(path)bike_length，信息素变量的最大速度为：
Vmax＝0.1(αmax-αmin)/D；
(3)设定极坐标的长度、探测最大角度和最小角度，探测最大角度和最小角度一般取0～π/2；
(4)根据均匀分布生成随机数的方法，进行蚁群的初始化，并设定环境地图位置范围内的信息素位置范围和速度范围；
(5)进行极坐标和直角坐标之间的变换，获得路径x，y坐标值，根据信息素的约束条件判断信息素是否有效，无效则重新初始化，直到保证所有信息素有效，检查信息素位置和障碍物位置；
(6)采用路径规划的适应度函数，计算每个信息素的适应度值，将信息素的个体历史最优值和当前信息素适应度值进行比较，若当前的适应度值比历史最优值小，则用当前的适应度值替换个体历史最优值；
(7)将信息素历史最优适应值数组中最小值与当前的全局历史最优值进行比较，若其值小于全局最优值，则用最小值替换全局最优值，否则不替换，根据信息素上次取得的迭代历史最优值和当前迭代历史最优值，计算并保存两者 之间的最优值；
(8)更新种群中信息素的位置和速度信息，若信息素搜索的位置超过了已设定的空间范围，则选取最大位置；
(9)将本次迭代的信息素最优值与之前连续迭代结果进行比较，若未发生变化则采用以前优化值，并检查是否达到最大迭代次数，若未达到则反复计算。
(10)到达最大迭代次数后，采用舒曼滤波法进行平滑处理，对算出的路径进行修改，显示计算结果与最优路径。
在无人自行车前进的方向上设置三个模拟传感器，以探测前方到障碍物的距离情况。信息素构成信息素表，每个元素代表一定距离下选择沿一角度运动的信息素强度，采用矩阵A表示信息素表，将无人自行车与地面障碍物距离在初始距离与地面目标之差上10等分，而无人自行车单次移动方向选择相对于障碍物连线夹角的-90度-90度上角度18等分，并选择其中的17个作为搜索方向，从而确定340个元素作为信息素表的各个元素，将无人自行车与地面站该物初始距离与地面目标之差定义为M，无人自行车与障碍物目标连线角度设定为α。在完成若干轮单次迭代后，若按每次新信息素表出发的无人自行车都能成功避开障碍物，则判定算法结束。
在路径规划过程中，信息素更新用于无人自行车释放信息素的过程，分为两个阶段进行，第一个阶段是在无人自行车追踪地面障碍物的阶段，第一个阶段的信息素更新方法是：在每个时间片内，如果单次前进方向连续若干次都是所有方向中使无人自行车与地面障碍物目标距离减小最多的那个方向，结合其距离在信息素表中找到对应信息素，进行更新即累加操作；第二个阶段是在无人自行车在保持与地面障碍物安全距离的阶段，第二个阶段的信息素更新方法是按照一定的时间间隔实时判断与地面障碍物的距离，并在一定区域范围内对选择的移动方向对应的位置信息素全部进行更新。
对于使无人自行车靠近地面障碍物的角度，进行信息素挥发操作，减小无人自行车选择该条路径作为前进方向的概率。并且，当无人自行车与障碍物处 于一个实际的状态，无人自行车通过信息表决定下一步的移动方向，首先判断无人自行车与障碍物的距离，并根据距离在信息素表中相应的行去查找，移动角度的选择根据随机数方法按照每个角度的发生概率选择，仅在无人自行车的距离发生跨越时才重新选择移动角度。
针对无人自行车避障这个具体问题，算法操作步骤为：
第一步：初始化信息素表；
第二步：初始化无人机与地面目标；
第三步：无人自行车根据信息素表使用方法不断调整改变前进方向，其间依据更新和挥发准则对信息素表进行修改；
第四步：若无人自行车出现距离障碍物过近的情况，进行相应的信息素挥发操作，回到第二步，若无人自行车已经成功绕开障碍物，进入第五步；
第五步：判断是否已经到达设定障碍物安全距离范围内，如果到达设定障碍物安全距离范围内，算法结束，若未达到设定安全距离范围内，回到步骤二。
仿真过程中地面障碍物移动策略是在未进入无人自行车危险范围内时，沿着与无人自行车沿线方向尽可能远离无人自行车，进入无人自行车危险距离范围后，会快速靠近无人自行车，无人自行车持续进行仿真时间片的选择以及障碍物与无人自行车之间安全距离范围的选择，其中时间片的选择按照随机数生成原则，迭代了接近千次后得到的具体信息素矩阵如图2所示。算法仿真结果可以看到该方法可以解决快速避障和移动避障问题，取得了很好的效果，与传统解决路径规划的比例导引算法相比较，对于固定和移动障碍物情况下的路径快速规划有很好的效果。
虽然本发明已经参考特定的说明性实施例进行了描述，但是不会受到这些实施例的限定而仅仅受到附加权利要求的限定。本领域技术人员应当理解可以在不偏离本发明的保护范围和精神的情况下对本发明的实施例能够进行改动和修改。

Claims (10)

  1. 基于蚁群算法和极坐标变换的无人自行车路径规划方法
    ，其特征在于包括如下步骤：
    (1)根据无人自行车的工作环境，利用栅格法进行环境建模；
    (2)设置蚁群算法的详细参数：信息素维度D、最大迭代次数M、信息素数N、信息素变量的最大速度Vmax、学习因子c1，c2和惯性权重W，这三个参数按照一般的蚁群算法选取，信息素维度则由以下参数决定：D≈distance(path)bike_length，信息素变量的最大速度为：
    Vmax＝0.1(αmax-αmin)/D；
    (3)设定极坐标的长度、探测最大角度和最小角度，探测最大角度和最小角度一般取0～π/2；
    (4)根据均匀分布生成随机数的方法，进行蚁群的初始化，并设定环境地图位置范围内的信息素位置范围和速度范围；
    (5)进行极坐标和直角坐标之间的变换，获得路径x，y坐标值，根据信息素的约束条件判断信息素是否有效，无效则重新初始化，直到保证所有信息素有效，检查信息素位置和障碍物位置；
    (6)采用路径规划的适应度函数，计算每个信息素的适应度值，将信息素的个体历史最优值和当前信息素适应度值进行比较，若当前的适应度值比历史最优值小，则用当前的适应度值替换个体历史最优值；
    (7)将信息素历史最优适应值数组中最小值与当前的全局历史最优值进行比较，若其值小于全局最优值，则用最小值替换全局最优值，否则不替换，根据信息素上次取得的迭代历史最优值和当前迭代历史最优值，计算并保存两者之间的最优值；
    (8)更新种群中信息素的位置和速度信息，若信息素搜索的位置超过了已设定的空间范围，则选取最大位置；
    (9)将本次迭代的信息素最优值与之前连续迭代结果进行比较，若未发生变化则采用以前优化值，并检查是否达到最大迭代次数，若未达到则反复计算。
    (10)到达最大迭代次数后，采用舒曼滤波法进行平滑处理，对算出的路径进行修改，显示计算结果与最优路径。
  2. 根据权利要求1的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：步骤(1)中栅格粒度大小的确定是根据无人自行车自身的尺寸大小以及障碍物的面积大小来设置。
  3. 根据权利要求1的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：所述无人自行车前进的方向上设置三个模拟传感器，以探测前方到障碍物的距离情况。
  4. 根据权利要求1的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：所述信息素构成信息素表，每个元素代表一定距离下选择沿一角度运动的信息素强度，采用矩阵A表示信息素表，将无人自行车与地面障碍物距离在初始距离与地面目标之差上10等分，而无人自行车单次移动方向选择相对于障碍物连线夹角的-90度-90度上角度18等分，并选择其中的17个作为搜索方向，从而确定340个元素作为信息素表的各个元素，将无人自行车与地面站该物初始距离与地面目标之差定义为M，无人自行车与障碍物目标连线角度设定为α。
  5. 根据权利要求4的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：在完成若干轮单次迭代后，若按每次新信息素表出发的无人自行车都能成功避开障碍物，则判定算法结束。
  6. 根据权利要求1的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：所述信息素更新用于无人自行车释放信息素的过程，分为两个 阶段进行，第一个阶段是在无人自行车追踪地面障碍物的阶段，第二个阶段是在无人自行车在保持与地面障碍物安全距离的阶段。
  7. 根据权利要求6的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：所述第一个阶段的信息素更新方法是：在每个时间片内，如果单次前进方向连续若干次都是所有方向中使无人自行车与地面障碍物目标距离减小最多的那个方向，结合其距离在信息素表中找到对应信息素，进行更新即累加操作。
  8. 根据权利要求6的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：所述第二个阶段的信息素更新方法是按照一定的时间间隔实时判断与地面障碍物的距离，并在一定区域范围内对选择的移动方向对应的位置信息素全部进行更新。
  9. 根据权利要求1的一基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：对于使无人自行车靠近地面障碍物的角度，进行信息素挥发操作，减小无人自行车选择该条路径作为前进方向的概率。
  10. 根据权利要求1的基于蚁群算法和极坐标变换的无人自行车路径规划方法，其特征在于：当无人自行车与障碍物处于一个实际的状态，无人自行车通过信息表决定下一步的移动方向，首先判断无人自行车与障碍物的距离，并根据距离在信息素表中相应的行去查找，移动角度的选择根据随机数方法按照每个角度的发生概率选择，仅在无人自行车的距离发生跨越时才重新选择移动角度。
PCT/CN2017/084509 2017-03-31 2017-05-16 基于蚁群算法和极坐标变换的无人自行车路径规划方法 WO2018176595A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710210979.9A CN106873599A (zh) 2017-03-31 2017-03-31 基于蚁群算法和极坐标变换的无人自行车路径规划方法
CN201710210979.9 2017-03-31

Publications (1)

Publication Number Publication Date
WO2018176595A1 true WO2018176595A1 (zh) 2018-10-04

Family

ID=59159971

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/084509 WO2018176595A1 (zh) 2017-03-31 2017-05-16 基于蚁群算法和极坐标变换的无人自行车路径规划方法

Country Status (2)

Country Link
CN (1) CN106873599A (zh)
WO (1) WO2018176595A1 (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726852A (zh) * 2018-11-30 2019-05-07 平安科技（深圳）有限公司 基于改进蚁群算法的路线规划方法、装置、终端及介质
CN110320907A (zh) * 2019-06-03 2019-10-11 哈尔滨工程大学 一种基于改进蚁群算法和椭圆碰撞锥推演模型的无人水面艇双层避碰方法
CN110608740A (zh) * 2019-09-06 2019-12-24 遵义师范学院 一种无人船舰路径规划方法
CN111240326A (zh) * 2020-01-15 2020-06-05 重庆邮电大学 一种基于异构双种群蚁群算法的移动机器人路径规划方法
CN111738396A (zh) * 2020-06-01 2020-10-02 北京中安智能信息科技有限公司 一种应用于潜艇路径规划的自适应栅格颗粒度蚁群算法
CN113219993A (zh) * 2021-06-04 2021-08-06 深圳飞鼠动力科技有限公司 一种路径规划方法及清洁机器人
CN113869399A (zh) * 2021-09-26 2021-12-31 浙江大学 一种基于决策树和蚁群算法的电厂锅炉效率优化方法
CN114154394A (zh) * 2021-11-03 2022-03-08 河南科技大学 一种基于改进蚁群算法的并行时间窗车辆路径规划方法
CN114323019A (zh) * 2021-11-30 2022-04-12 潍坊中科晶上智能装备研究院有限公司 一种复杂环境下农用机械全覆盖路径规划方法
CN114444809A (zh) * 2022-02-10 2022-05-06 西安建筑科技大学 一种数据驱动下的多目标露天矿卡路径优化方法
CN114489120A (zh) * 2021-12-31 2022-05-13 杭州电子科技大学 一种面向移动网络的无人机部署与跟踪控制方法
CN114578845A (zh) * 2021-09-03 2022-06-03 长春工业大学 一种基于改进蚁群算法的无人机航迹规划方法
CN114610030A (zh) * 2022-03-08 2022-06-10 山东大学 基于组合智能算法的作业调配路径规划方法及系统
CN114815842A (zh) * 2022-05-09 2022-07-29 济南大学 一种移动机器人动态避障方法、系统和移动机器人
CN114840016A (zh) * 2022-03-30 2022-08-02 大连海事大学 基于规则启发式的多蚁群搜索潜艇目标协同路径优化方法
CN114967748A (zh) * 2022-06-14 2022-08-30 南京航空航天大学 基于空间变形的无人机路径规划方法
CN114995384A (zh) * 2022-04-27 2022-09-02 广东碧桂园职业学院 融合神经网络的改进hho算法agv路径规划
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
CN115494840A (zh) * 2022-08-20 2022-12-20 安徽工程大学 一种基于蒙特卡洛因子的mc-iaco的焊接机器人路径规划方法
CN115542892A (zh) * 2022-01-29 2022-12-30 安徽工程大学 一种基于多步长蚁群算法的移动机器人路径规划方法
CN116795108A (zh) * 2023-06-09 2023-09-22 西南交通大学 基于多源感知信号的智能无人车配送方法
CN117314283A (zh) * 2023-10-16 2023-12-29 暨南大学 混流装配车间的物料配送方法、装置、系统及存储介质
CN117474422A (zh) * 2023-09-28 2024-01-30 华中农业大学 一种智能山地果园运输系统
CN117516548A (zh) * 2023-12-29 2024-02-06 广东技术师范大学 一种自主移动机器人的路径规划方法
CN117556979A (zh) * 2024-01-11 2024-02-13 中国科学院工程热物理研究所 基于群体智能搜索的无人机平台与载荷一体化设计方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108303508B (zh) * 2018-02-06 2020-01-07 武汉理工大学 基于激光雷达和深度学习路径寻优的生态预警系统及方法
CN108413963B (zh) * 2018-02-12 2021-06-08 淮安信息职业技术学院 基于自学习蚁群算法的条形机器人路径规划方法
CN109062213B (zh) * 2018-08-16 2021-03-05 郑州轻工业学院 一种基于修正比例导引的智能车自动驾驶的方法
CN109324620A (zh) * 2018-09-25 2019-02-12 北京主线科技有限公司 基于车道线平行偏移进行避障及超车的动态轨迹规划方法
CN110160546B (zh) * 2019-05-10 2022-05-20 安徽工程大学 一种移动机器人路径规划方法
CN110245202B (zh) * 2019-06-03 2023-07-21 哈尔滨工程大学 一种基于迭代临近搜索的极坐标系目标栅格集合求解方法
CN110842912B (zh) * 2019-10-12 2021-11-02 广州大学 基于机器人的工件加工方法、装置和存储介质
CN113496065B (zh) * 2021-06-29 2023-04-18 西北工业大学 一种快速高精度的网络区域动态覆盖轨迹生成方法
CN114035605A (zh) * 2021-10-25 2022-02-11 中国电子科技集团公司第二十研究所 一种基于比例导引的飞行器避障方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090149990A1 (en) * 2007-12-11 2009-06-11 Samsung Electronics Co., Ltd. Method, medium, and apparatus for performing path planning of mobile robot
CN103336526A (zh) * 2013-06-20 2013-10-02 苏州经贸职业技术学院 基于协同进化粒子群滚动优化的机器人路径规划方法
CN103439972A (zh) * 2013-08-06 2013-12-11 重庆邮电大学 一种动态复杂环境下的移动机器人路径规划方法
CN103472828A (zh) * 2013-09-13 2013-12-25 桂林电子科技大学 基于改进蚁群粒子群算法的移动机器人路径规划方法
CN103823466A (zh) * 2013-05-23 2014-05-28 电子科技大学 一种动态环境下移动机器人路径规划方法
CN106200650A (zh) * 2016-09-22 2016-12-07 江苏理工学院 基于改进蚁群算法的移动机器人路径规划方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6648274B1 (en) * 2002-04-12 2003-11-18 David A. Bailey Virtual reaction wheel array
DE102005002760B4 (de) * 2004-01-20 2018-05-24 Volkswagen Ag Vorrichtung und Verfahren zur Unfallvermeidung bei Kraftfahrzeugen
CN101122974B (zh) * 2007-09-13 2010-06-09 北京航空航天大学 基于Voronoi图和蚁群优化算法的无人机航路规划方法
CN102288192B (zh) * 2011-07-01 2013-11-27 重庆邮电大学 基于Ad Hoc网络的多机器人路径规划方法
CN103295080A (zh) * 2013-06-14 2013-09-11 西安工业大学 基于高程图和蚁群寻食的三维路径规划方法
CN105589461A (zh) * 2015-11-18 2016-05-18 南通大学 一种基于改进蚁群算法的泊车系统路径规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090149990A1 (en) * 2007-12-11 2009-06-11 Samsung Electronics Co., Ltd. Method, medium, and apparatus for performing path planning of mobile robot
CN103823466A (zh) * 2013-05-23 2014-05-28 电子科技大学 一种动态环境下移动机器人路径规划方法
CN103336526A (zh) * 2013-06-20 2013-10-02 苏州经贸职业技术学院 基于协同进化粒子群滚动优化的机器人路径规划方法
CN103439972A (zh) * 2013-08-06 2013-12-11 重庆邮电大学 一种动态复杂环境下的移动机器人路径规划方法
CN103472828A (zh) * 2013-09-13 2013-12-25 桂林电子科技大学 基于改进蚁群粒子群算法的移动机器人路径规划方法
CN106200650A (zh) * 2016-09-22 2016-12-07 江苏理工学院 基于改进蚁群算法的移动机器人路径规划方法及系统

Cited By (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726852A (zh) * 2018-11-30 2019-05-07 平安科技（深圳）有限公司 基于改进蚁群算法的路线规划方法、装置、终端及介质
CN110320907A (zh) * 2019-06-03 2019-10-11 哈尔滨工程大学 一种基于改进蚁群算法和椭圆碰撞锥推演模型的无人水面艇双层避碰方法
CN110320907B (zh) * 2019-06-03 2022-07-15 哈尔滨工程大学 一种基于改进蚁群算法和椭圆碰撞锥推演模型的无人水面艇双层避碰方法
CN110608740A (zh) * 2019-09-06 2019-12-24 遵义师范学院 一种无人船舰路径规划方法
CN111240326A (zh) * 2020-01-15 2020-06-05 重庆邮电大学 一种基于异构双种群蚁群算法的移动机器人路径规划方法
CN111240326B (zh) * 2020-01-15 2023-05-16 重庆邮电大学 一种基于异构双种群蚁群算法的移动机器人路径规划方法
CN111738396B (zh) * 2020-06-01 2023-09-26 北京中安智能信息科技有限公司 一种应用于潜艇路径规划的自适应栅格颗粒度蚁群方法
CN111738396A (zh) * 2020-06-01 2020-10-02 北京中安智能信息科技有限公司 一种应用于潜艇路径规划的自适应栅格颗粒度蚁群算法
CN113219993B (zh) * 2021-06-04 2024-06-07 深圳飞鼠动力科技有限公司 一种路径规划方法及清洁机器人
CN113219993A (zh) * 2021-06-04 2021-08-06 深圳飞鼠动力科技有限公司 一种路径规划方法及清洁机器人
CN114578845B (zh) * 2021-09-03 2024-05-17 长春工业大学 一种基于改进蚁群算法的无人机航迹规划方法
CN114578845A (zh) * 2021-09-03 2022-06-03 长春工业大学 一种基于改进蚁群算法的无人机航迹规划方法
CN113869399A (zh) * 2021-09-26 2021-12-31 浙江大学 一种基于决策树和蚁群算法的电厂锅炉效率优化方法
CN114154394A (zh) * 2021-11-03 2022-03-08 河南科技大学 一种基于改进蚁群算法的并行时间窗车辆路径规划方法
CN114154394B (zh) * 2021-11-03 2024-02-20 河南科技大学 一种基于改进蚁群算法的并行时间窗车辆路径规划方法
CN114323019A (zh) * 2021-11-30 2022-04-12 潍坊中科晶上智能装备研究院有限公司 一种复杂环境下农用机械全覆盖路径规划方法
CN114489120A (zh) * 2021-12-31 2022-05-13 杭州电子科技大学 一种面向移动网络的无人机部署与跟踪控制方法
CN114489120B (zh) * 2021-12-31 2024-05-14 杭州电子科技大学 一种面向移动网络的无人机部署与跟踪控制方法
CN115542892A (zh) * 2022-01-29 2022-12-30 安徽工程大学 一种基于多步长蚁群算法的移动机器人路径规划方法
CN114444809A (zh) * 2022-02-10 2022-05-06 西安建筑科技大学 一种数据驱动下的多目标露天矿卡路径优化方法
CN114610030A (zh) * 2022-03-08 2022-06-10 山东大学 基于组合智能算法的作业调配路径规划方法及系统
CN114610030B (zh) * 2022-03-08 2024-05-28 山东大学 基于组合智能算法的作业调配路径规划方法及系统
CN114840016A (zh) * 2022-03-30 2022-08-02 大连海事大学 基于规则启发式的多蚁群搜索潜艇目标协同路径优化方法
CN114995384A (zh) * 2022-04-27 2022-09-02 广东碧桂园职业学院 融合神经网络的改进hho算法agv路径规划
CN114815842A (zh) * 2022-05-09 2022-07-29 济南大学 一种移动机器人动态避障方法、系统和移动机器人
CN114967748A (zh) * 2022-06-14 2022-08-30 南京航空航天大学 基于空间变形的无人机路径规划方法
CN115494840A (zh) * 2022-08-20 2022-12-20 安徽工程大学 一种基于蒙特卡洛因子的mc-iaco的焊接机器人路径规划方法
CN115494840B (zh) * 2022-08-20 2024-04-12 安徽工程大学 一种基于蒙特卡洛因子的mc-iaco的焊接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
CN116795108B (zh) * 2023-06-09 2023-12-01 西南交通大学 基于多源感知信号的智能无人车配送方法
CN116795108A (zh) * 2023-06-09 2023-09-22 西南交通大学 基于多源感知信号的智能无人车配送方法
CN117474422B (zh) * 2023-09-28 2024-04-09 华中农业大学 一种智能山地果园运输系统
CN117474422A (zh) * 2023-09-28 2024-01-30 华中农业大学 一种智能山地果园运输系统
CN117314283B (zh) * 2023-10-16 2024-04-19 暨南大学 混流装配车间的物料配送方法、装置、系统及存储介质
CN117314283A (zh) * 2023-10-16 2023-12-29 暨南大学 混流装配车间的物料配送方法、装置、系统及存储介质
CN117516548B (zh) * 2023-12-29 2024-04-12 广东技术师范大学 一种自主移动机器人的路径规划方法
CN117516548A (zh) * 2023-12-29 2024-02-06 广东技术师范大学 一种自主移动机器人的路径规划方法
CN117556979A (zh) * 2024-01-11 2024-02-13 中国科学院工程热物理研究所 基于群体智能搜索的无人机平台与载荷一体化设计方法
CN117556979B (zh) * 2024-01-11 2024-03-08 中国科学院工程热物理研究所 基于群体智能搜索的无人机平台与载荷一体化设计方法

Also Published As

Publication number Publication date
CN106873599A (zh) 2017-06-20

Similar Documents

Publication Publication Date Title
WO2018176595A1 (zh) 基于蚁群算法和极坐标变换的无人自行车路径规划方法
CN106843235B (zh) 一种面向无人自行车的人工势场路径规划法
CN109542117B (zh) 基于改进rrt的水下航行器滚动规划算法
Zhang et al. UAV path planning method based on ant colony optimization
JP6382515B2 (ja) 障害物の近くに車両を駐車させるための方法及びシステム
KR102696487B1 (ko) 기계 학습 기반의 로컬 모션 생성 방법 및 장치
CN111638725B (zh) 基于蚁群算法与人工势场法的无人机编队重构系统及方法
CN102207736B (zh) 基于贝塞尔曲线的机器人路径规划方法及装置
CN110887484A (zh) 基于改进遗传算法的移动机器人路径规划方法及存储介质
CN106989748A (zh) 一种基于云模型的农业移动机器人人机合作路径规划方法
Tian et al. Real-time dynamic track planning of multi-UAV formation based on improved artificial bee colony algorithm
CN112148008B (zh) 一种基于深度强化学习的实时无人机路径预测方法
CN111256681B (zh) 一种无人机群路径规划方法
Cheng et al. Path planning based on immune genetic algorithm for UAV
CN109657863A (zh) 一种基于萤火虫算法的无人船全局路径动态优化方法
CN116795108B (zh) 基于多源感知信号的智能无人车配送方法
CN112000126B (zh) 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法
CN109947129A (zh) 基于Dijkstra与改进粒子群算法的旋翼无人机路径规划方法
Zhongrui et al. Improved ant colony optimization algorithm for intelligent vehicle path planning
US20220371619A1 (en) Method and device for operating a self-driving car
Chen et al. Research on path planning for mobile robots based on improved ACO
CN117419716A (zh) 无人机三维路径规划方法、系统、存储介质和电子设备
CN117371895A (zh) 未知环境下多地面无人车路径规划方法、系统及介质
CN114740849B (zh) 基于行人步行决策规则的移动机器人自主导航方法及装置
CN108287565B (zh) 一种基于滚动窗口的无人机自动避撞方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17904115

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 20/01/2020)

122 Ep: pct application non-entry in european phase

Ref document number: 17904115

Country of ref document: EP

Kind code of ref document: A1