CN102901500A - 基于概率a星与智能体混合的飞行器最优路径确定方法 - Google Patents
基于概率a星与智能体混合的飞行器最优路径确定方法 Download PDFInfo
- Publication number
- CN102901500A CN102901500A CN 201210344462 CN201210344462A CN102901500A CN 102901500 A CN102901500 A CN 102901500A CN 201210344462 CN201210344462 CN 201210344462 CN 201210344462 A CN201210344462 A CN 201210344462A CN 102901500 A CN102901500 A CN 102901500A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- macrolattice
- barrier
- path
- father node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于概率A星与智能体混合的飞行器最优路径确定方法，主要解决路径长度过长以及障碍物对飞行器的威胁值过大的问题。其实现步骤为：(1)生成障碍物地形地图；(2)在障碍物地形地图中设置飞行器的起始点SP和终止点EP；(3)根据飞行器的起始点SP和终止点EP的位置，用概率A星算法对飞行器进行全局路径规划；(4)用智能体算法对所规划出的路径进行局部优化。本发明具有路径长度短，威胁值低的优点，可用于飞行器最优路径的确定。
Description
技术领域
本发明属于空间数据处理技术领域，特别涉及飞行器的路径优化，该方法可用于开展智能导航，无人驾驶等领域的路径规划。
背景技术
飞行器是依靠地形信息和敌情信息来进行路径规划，即在一定约束条件下，飞行器从起始点到终止点，搜寻能优先满足特定目的最优的飞行路径，其中飞行路径用一系列航迹点表示。
路径规划在寻找最优路径的过程中要平衡路径长度以及对飞行器的威胁值，所以路径规划在人工智能，统筹规划，机器学习和空间数据库技术中起着很重要的作用。
随着军事技术、实际战争需求的不断发展，飞行器的路径规划建模从简单单一的***发展到复杂多变的***。飞行器的路径规划问题呈现出实时性、多维性、不确定和非线性等复杂特征。建立在传统***下的模型，仍习惯于从障碍物地形信息已知且不会改变的角度出发，以静态、理想化为主的方式来研究飞行器路径规划的建模问题，忽视了从实际的角度来看待整个飞行过程。目前大多数路径规划方法对于复杂的贴近真实环境的障碍物地形场景效果较差。这是因为传统算法采用的是简单的静态的规划方法，即在实际飞行器在飞行之前根据障碍物地形场景来进行路径规划，在飞行过程中路径不可改变以及障碍物符合特定规律，这与真实场景的差距较大。显然这种规划方法将障碍物地形场景进行了理想化的处理，而实际上飞行场景的地形信息是无规律无规则的。
目前路径规划的主要有三类技术可以解决这个路径规划问题：1.传统算法，如栅格法，Voronoi图法；2.智能优化算法，如遗传算法；3.其他算法，如动态规划算法。
传统算法是根据经典的数学方程式进行计算，较一般地理想的障碍物地图用此类算法计算出的路径在全局上较优，但对障碍物的要求较为理想化，针对实际地形地图的规划效果很大程度受到算法本身和障碍物理想化程度的影响。一般来说，真实的地图场景信息内容较为复杂，包含大量的山脉，雷雨区域，以及防空阵地等诸多因素，此外雷雨区域是可移动的并且防空阵地可能会突然出现增减，这都对路径规划的实时性提出了很高的要求。对于规则形状的障碍物地形采用传统算法如Voronoi图法可以得到较为理想的结果，但如果出现不规则形状的障碍物地形，障碍物重叠或者动态地图的情况下，Voronoi图法便无法得到有效的路径。
智能优化算法，如遗传算法是在1975年由John Holland提出，是一类借鉴生物界的进化规律，即适者生存，优胜劣汰遗传机制演化而来的随机化搜索方法，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。在鲁棒性上较传统算法有了明显的提高，对障碍物理想化的依赖程度减低，但智能优化算法的计算时间普遍过长，由雷达方程得出的障碍物对飞行器的威胁值较大，并无法适应动的，可变的更接近真实情景的地图进行路径规划。
对于其他算法，如动态规划算法，由于算法自身限制，在局部路径上可以达到最优以及适应动态地图，但在全局规划上无法保证，可能会出现计算不出总体的路径，路径结果不稳定。
发明内容
本发明的目的在于针对上述已有技术的不足，提出一种基于概率A星与智能体混合的飞行器最优路径确定方法，以提高对于多种不同地图规划出的路径的正确度，同时提高对于同一幅地图进行多次路径规划的路线的稳定性，增强对不同地图路径规划的鲁棒性。
实现本发明目的的技术思路是：将所需的各类数据进行预处理，通过概率A星算法得出其全局路径规划的路径，对符合力学原理设置下的飞行器在飞行过程中，通过智能体算法对概率A星算法所规划出的路径进行局部优化，直到飞行器飞到终止点为止，从而完成障碍物地形地图中的路径规划的整个过程，其具体步骤包括如下：
1、一种基于概率A星与智能体混合的飞行器最优路径确定方法，包括如下步骤：
1)生成障碍物地形地图：
设pi，qi为飞行器需绕过的每一个障碍物的起点和终点的坐标，分别对pi点和qi点做垂直于X轴和Y轴的直线，四条直线围成一个矩形，表示障碍物区域Ti，其中i为障碍物区域个数；
2)在步骤(1)得到的障碍物地形地图中设置飞行器的起始点SP和终止点EP；
3)根据飞行器的起始点SP和终止点EP的位置，用概率A星算法对飞行器进行全局路径规划；
4)用智能体算法对步骤(3)所规划出的路径进行局部优化：
4a)初始化飞行器行为决策权重：
将飞行器向父节点Dj飞行的行为决策权重记作R1；将飞行器向右方飞行的行为决策权重记作R2；将飞行器向左方飞行的行为决策权重记作R3；将飞行器保持当前航向飞行的行为决策权重记作R4，并设定飞行器在SP点未开始飞行时的初值为：R1=0.5，R2=0.4，R3=0.4，R4=0.3；
4b)飞行器根据周围环境的变化进行相应的处理：
若飞行器的前方和左右两侧均无障碍物，则比较R1、R2和R3数值的大小，飞行器按照其中最大值所对应的方向飞行；
若飞行器前方和右侧无障碍物，左侧有障碍物，则比较R1和R2数值的大小，飞行器按照其中最大值所对应的方向飞行；
若飞行器前方和左侧无障碍物，右侧有障碍物，则比较R1和R3数值的大小，飞行器按照其中最大值所对应的方向飞行；
若飞行器前方无障碍物，两侧均有障碍物，则飞行器按照R4所对应的方向飞行；
若飞行器前方有障碍物，两侧均无障碍物，则比较R2和R3数值的大小，飞行器按照其中最大值所对应的方向飞行；
若飞行器前方和左侧有障碍物，则飞行器按照R2所对应的方向飞行；
若飞行器前方和右侧有障碍物，则飞行器按照R3所对应的行为飞行；
4c)修改飞行器行为决策权重：
将飞行器在步骤(4b)中选择的方向所对应的行为决策权重值加0.03，其他行为决策权重值减0.01，其中设定行为决策权重值的上限为0.7，下限为0.2；
4d)判断飞行器与终止点EP的距离是否小于2，若距离小于2，则停止局部路径优化，将局部优化过的路径作为飞行器的最优路径；否则返回步骤(4b)和(4c)继续进行局部路径优化。
本发明与现有的技术相比具有以下优点：
第一，本发明与传统算法相比，由于采用概率A星，对飞行器进行路径规划所得出的路径在长度上有所缩短；
第二，本发明与传统算法相比，飞行器在飞行过程中能够根据周围环境的变化，对已规划出的全局路径利用行为决策权重机制进行局部路径优化，缩短了路径长度，并在此过程中降低了障碍物对飞行器的威胁值；
第三，本发明相比其他算法，由于不对障碍物地形地图进行任何理想化处理，克服了对于不同障碍物地形地图所规划出的路径的鲁棒性不足的缺点。
附图说明
图1为本发明方法的流程图；
图2为本发明利用概率A星算法进行全局路径规划的子流程图；
图3为本发明对概率A星所规划出的路径进行局部优化的子流程图；
图4为本发明实验的障碍物地形地图；
图5为本发明与传统A星算法规划出的路径对比图。
具体实施方式
下面结合附图1对本发明的步骤作进一步的详细描述。
步骤1.生成障碍物地形地图：
设pi，qi为飞行器需绕过的每一个障碍物的起点和终点的坐标，分别对pi点和qi点做垂直于X轴和Y轴的直线，四条直线围成一个矩形，表示障碍物区域Ti，其中i为障碍物区域个数。
步骤2.在障碍物地形地图中设置飞行器的起始点SP和终止点EP。
步骤3.根据步骤2中飞行器的起始点SP和终止点EP的位置，利用概率A星算法进行全局路径规划。
参照图2，本步骤的具体实施如下：
3a)将障碍物地形地图划分为低精度网格地图：
3a1)生成含有100×100个小网格的高精度网格地图，其中每个小网格的边长为1，将障碍物所覆盖到的小网格的权重设为1，其他网格权重设为0；
3a2)从高精度网格地图的最左上角的网格算起，将每10×10个小网格合并为一个大网格，则该高精度网格地图简化为含有10×10个大网格的低精度网格地图，每个大网格的边长为10，计算每个大网格中权重为1的小网格个数W(i)，其中i为大网格的标号，1≤i≤100，计算每个大网格中权重为1的小网格所占的比例R(i)，其中R(i)＝W(i)/100；
3a3)设飞行器的起始点SP和终止点EP所在的大网格分别为SG和EG；
3b)根据飞行器的起始点和终止点所在的大网格SG和EG，用概率A星算法对低精度网格地图进行路径规划：
3b1)令飞行器的起始点SP所在的大网格SG为父节点Dj，设总计划移动距离为：Ej+1＝L+Ej，其中L为父节点Dj到与其相邻的大网格所需要走的路径长度，Ej为从SG到达父节点Dj所移动的距离，j为父节点的标号，设定父节点在SG时初值为：j＝0，L＝0，Ej＝0；
3b2)计算父节点Dj到与其相邻的每个大网格b所需要走的路径长度Lb，其中Lb为两个相邻网格中心连线的长度，b为相邻大网格的标号，1≤b≤8；
3b3)从相邻大网格b中选择一个大网格c，计算从该网格通过先水平后垂直平移和先垂直后水平平移到达EG所经过的两条路径中每条路径的预估算耗费为：H＝∑R(k)*10，将其中预估算耗费的最小值记为HM，k为平移过程中所经过的大网格标号，c为选择相邻大网格的标号，1≤c≤8；
3b4)对与父节点Dj相邻的每一个大网格重复步骤（3b2）和（3b3），得到各自的预估算耗费的最小值HMb；
3b5)计算与父节点Dj相邻的每个大网格b到终止点EP所在的大网格EG的总估计值F(b)：
F(b)＝G(b)+HMb；
其中G(b)为总移动耗费，G(b)＝Lb+Ej；
3b6)将总估计值F(b)中的最小值所对应的网格x作为新的父节点Dj+1，Ej+1＝Lx+Ej，则当前的计划移动路径为父节点Dj与新的父节点Dj+1所在的大网格中心的连线；
3b7)判断新的父节点Dj+1是否为终止点EP所在的大网格EG，若满足条件，则在低精度网格地图中飞行器的起始点SP所在的大网格SG到达终止点EP所在的大网格EG的路径，即为父节点Dt与Dt+1所在的大网格中心连线组成的线段，其中0≤t≤j，并执行步骤4，否则，返回步骤（3b2），直到满足新的父节点Dj+1为终止点EP所在的大网格EG地的条件。
步骤4.用智能体算法对步骤3所规划出的路径进行局部优化。
参照图3，本步骤的具体实施如下：
4a)初始化飞行器行为决策权重：
将飞行器向父节点Dj飞行的行为决策权重记作R1；将飞行器向右方飞行的行为决策权重记作R2；将飞行器向左方飞行的行为决策权重记作R3；将飞行器保持当前航向飞行的行为决策权重记作R4，并设定飞行器在SP点未开始飞行时的初值为：R1=0.5，R2=0.4，R3=0.4，R4=0.3；
4b)飞行器根据周围环境的变化进行相应的处理：
若飞行器的前方和左右两侧均无障碍物，则比较R1、R2和R3数值的大小，飞行器按照其中最大值所对应的方向飞行；
若飞行器前方和右侧无障碍物，左侧有障碍物，则比较R1和R2数值的大小，飞行器按照其中最大值所对应的方向飞行；
若飞行器前方和左侧无障碍物，右侧有障碍物，则比较R1和R3数值的大小，飞行器按照其中最大值所对应的方向飞行；
若飞行器前方无障碍物，两侧均有障碍物，则飞行器按照R4所对应的方向飞行；
若飞行器前方有障碍物，两侧均无障碍物，则比较R2和R3数值的大小，飞行器按照其中最大值所对应的方向飞行；
若飞行器前方和左侧有障碍物，则飞行器按照R2所对应的方向飞行；
若飞行器前方和右侧有障碍物，则飞行器按照R3所对应的行为飞行；
4c)修改飞行器行为决策权重：
将飞行器在步骤(4b)中选择的方向所对应的行为决策权重值加0.03，其他行为决策权重值减0.01，其中设定行为决策权重值的上限为0.7，下限为0.2；
4d)判断飞行器与终止点EP的距离是否小于2，若距离小于2，则停止局部路径优化，将智能体局部优化过的路径作为飞行器的最优路径；否则返回步骤(4b)和(4c)继续进行局部路径优化。
本发明的效果通过以下仿真进一步说明。
1.仿真条件：
硬件平台为：Intel Core2Duo CPU E65502.33GHZ、2GB RAM
软件平台为：VC++6.0
实验所使用的障碍物地形地图如图4所示，图4（a）~（f）分别为6种不同的障碍物地形地图，尺寸均为100×100，图中黑色区域为障碍物区域，图中右下角的圆环为飞行器的起始点SP，图中左上角的圆环为飞行器的终止点EP，其他区域为无障碍物区域。
2.仿真内容结果分析：
图5（a）~（f）是对图4（a）~（f）分别用本发明算法与传统A星算法进行仿真的实验结果图，图5（a）~（f）中从起始点SP至终止点EP的实线为传统A星算法所规划出的路径，虚线为本发明算法所规划出的路径。
表1为本发明算法与传统A星算法根据仿真结果图5（a）~（f）所规划出的路径长度和障碍物对飞行器的威胁值的比较，其中威胁值是障碍物区域对飞行器的威胁程度，威胁值D是根据雷达方程D＝1/d4计算得出，d为飞行器距离障碍物的最短直线距离。
表1
从表1可以看出，本发明的这两项指标均要优于传统A星算法。
综上，本发明提出的基于概率A星与智能体混合的飞行器最优路径确定方法，对障碍物地形地图所规划出的飞行器最优路径未在障碍物区域中飞行，并且从实验结果对比得出本发明无论是路径长度还是威胁值均优于传统A星算法。通过实验图像以及对性能指标的测试，对实验结果进行分析比较，充分的证明了本发明的优越性和鲁棒性。
Claims (2)
1.一种基于概率A星与智能体混合的飞行器最优路径确定方法，包括如下步骤：
1)生成障碍物地形地图：
设pi，qi为飞行器需绕过的每一个障碍物的起点和终点的坐标，分别对pi点和qi点做垂直于X轴和Y轴的直线，四条直线围成一个矩形，表示障碍物区域Ti，其中i为障碍物区域个数；
2)在步骤(1)得到的障碍物地形地图中设置飞行器的起始点SP和终止点EP；
3)根据飞行器的起始点SP和终止点EP的位置，用概率A星算法对飞行器进行全局路径规划；
4)用智能体算法对步骤(3)所规划出的路径进行局部优化：
4a)初始化飞行器行为决策权重：
将飞行器向父节点Dj飞行的行为决策权重记作R1；将飞行器向右方飞行的行为决策权重记作R2；将飞行器向左方飞行的行为决策权重记作R3；将飞行器保持当前航向飞行的行为决策权重记作R4，并设定飞行器在SP点未开始飞行时的初值为：R1=0.5，R2=0.4，R3=0.4，R4=0.3；
4b)飞行器根据周围环境的变化进行相应的处理：
若飞行器的前方和左右两侧均无障碍物，则比较R1、R2和R3数值的大小，飞行器按照其中最大值所对应的方向飞行；
若飞行器前方和右侧无障碍物，左侧有障碍物，则比较R1和R2数值的大小，飞行器按照其中最大值所对应的方向飞行；
若飞行器前方和左侧无障碍物，右侧有障碍物，则比较R1和R3数值的大小，飞行器按照其中最大值所对应的方向飞行；
若飞行器前方无障碍物，两侧均有障碍物，则飞行器按照R4所对应的方向飞行；
若飞行器前方有障碍物，两侧均无障碍物，则比较R2和R3数值的大小，飞行器按照其中最大值所对应的方向飞行；
若飞行器前方和左侧有障碍物，则飞行器按照R2所对应的方向飞行；
若飞行器前方和右侧有障碍物，则飞行器按照R3所对应的行为飞行；
4c)修改飞行器行为决策权重：
将飞行器在步骤(4b)中选择的方向所对应的行为决策权重值加0.03，其他行为决策权重值减0.01，其中设定行为决策权重值的上限为0.7，下限为0.2；
4d)判断飞行器与终止点EP的距离是否小于2，若距离小于2，则停止局部路径优化，将智能体局部优化过的路径作为飞行器的最优路径；否则返回步骤(4b)和(4c)继续进行局部路径优化。
2.根据权利要求1所述的方法，其中步骤(3)所述的根据飞行器的起始点SP和终止点EP的位置，用概率A星算法对飞行器进行全局路径规划，按如下步骤进行：
3a)将障碍物地形地图划分为网格地图：
3a1)生成含有100×100个小网格的高精度网格地图，其中每个小网格的边长为1，将障碍物所覆盖到的小网格的权重设为1，其他网格权重设为0；
3a2)从高精度网格地图的最左上角的网格算起，将每10×10个小网格合并为一个大网格，则该高精度网格地图简化为含有10×10个大网格的低精度网格地图，每个大网格的边长为10，计算每个大网格中权重为1的小网格个数W(i)，其中i为大网格的标号，1≤i≤100，计算每个大网格中权重为1的小网格所占的比例R(i)，其中R(i)=W(i)/100；
3a3)设飞行器的起始点SP和终止点EP所在的大网格分别为SG和EG；
3b)根据飞行器的起始点和终止点所在的大网格SG和EG，用所述的概率A星算法对低精度网格地图进行路径规划：
3b1)令飞行器的起始点SP所在的大网格SG为父节点Dj，设总计划移动距离为：Ej+1=L+Ej，其中L为父节点Dj到与其相邻的大网格所需要走的路径长度，Ej为从SG到达父节点Dj所移动的距离，j为父节点的标号，设定父节点在SG时初值为：j=0，L=0，Ej=0；
3b2)计算父节点Dj到与其相邻的每个大网格b所需要走的路径长度Lb，其中Lb为两个相邻网格中心连线的长度，b为相邻大网格的标号，1≤b≤8；
3b3)从相邻大网格b中选择一个大网格c，计算从该网格通过先水平后垂直平移和先垂直后水平平移到达EG所经过的两条路径中每条路径的预估算耗费为：H=∑R(k)*10，将其中预估算耗费的最小值记为HM，k为平移过程中所经过的大网格标号，c为选择相邻大网格的标号，1≤c≤8；
3b4)对与父节点Dj相邻的每一个大网格重复步骤(3b2)和(3b3)，得到各自的预估算耗费的最小值HMb；
3b5)计算与父节点Dj相邻的每个大网格b到终止点EP所在的大网格EG的总估计值F(b)：
F(b)=G(b)+HMb；
其中G(b)为总移动耗费，G(b)=Lb+Ej，
3b6)将F(b)中的最小值所对应的网格x作为新的父节点Dj+1，Ej+1=Lx+Ej，则当前的计划移动路径为父节点Dj与新的父节点Dj+1所在的大网格中心的连线；
3b7)判断新的父节点Dj+1是否为终止点EP所在的大网格EG，若满足条件，则在低精度网格地图中飞行器的起始点SP所在的大网格SG到达终止点EP所在的大网格EG的路径，即为父节点Dt与Dt+1所在的大网格中心连线组成的线段，其中0≤t≤j否则，返回步骤(3b2)，直到满足新的父节点Dj+1为终止点EP所在的大网格EG地的条件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201210344462 CN102901500A (zh) | 2012-09-17 | 2012-09-17 | 基于概率a星与智能体混合的飞行器最优路径确定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201210344462 CN102901500A (zh) | 2012-09-17 | 2012-09-17 | 基于概率a星与智能体混合的飞行器最优路径确定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102901500A true CN102901500A (zh) | 2013-01-30 |
Family
ID=47573866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201210344462 Pending CN102901500A (zh) | 2012-09-17 | 2012-09-17 | 基于概率a星与智能体混合的飞行器最优路径确定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102901500A (zh) |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103116356A (zh) * | 2013-03-06 | 2013-05-22 | 山东大学 | 一种迷宫搜索的方法 |
| CN103344248A (zh) * | 2013-07-16 | 2013-10-09 | 长春理工大学 | 一种车辆导航***的最佳路径计算方法 |
| CN103697895A (zh) * | 2014-01-09 | 2014-04-02 | 西安电子科技大学 | 基于自适应a星算法的飞行器最优路径确定方法 |
| CN104156459A (zh) * | 2014-08-20 | 2014-11-19 | 焦点科技股份有限公司 | 一种基于相同开销网格的高效寻路的方法及*** |
| CN105606113A (zh) * | 2016-01-28 | 2016-05-25 | 福州华鹰重工机械有限公司 | 快速规划最优路径方法及装置 |
| CN105629989A (zh) * | 2015-12-28 | 2016-06-01 | 电子科技大学 | 基于最小外包圆和最大内接圆的障碍区域划分方法 |
| CN105678054A (zh) * | 2015-12-30 | 2016-06-15 | 深圳大学 | 一种基于a星策略的最优多会合点路径搜索方法及装置 |
| CN105758410A (zh) * | 2015-11-14 | 2016-07-13 | 大连东软信息学院 | 基于A‐Star 算法的快速路径规划混合方法 |
| CN106096782A (zh) * | 2016-06-15 | 2016-11-09 | 苏州清研捷运信息科技有限公司 | 一种基于经验路线的车辆路径规划方法 |
| CN106289233A (zh) * | 2016-07-25 | 2017-01-04 | 中国船舶重工集团公司第七0九研究所 | 多形态障碍的无人机路径规划方法及*** |
| CN103679301B (zh) * | 2013-12-31 | 2017-01-11 | 西安理工大学 | 基于复杂地形的最优路径寻找方法 |
| CN106647769A (zh) * | 2017-01-19 | 2017-05-10 | 厦门大学 | 基于a*提取引导点的agv路径跟踪与避障协调方法 |
| CN106802668A (zh) * | 2017-02-16 | 2017-06-06 | 上海交通大学 | 基于双目与超声波融合的无人机三维避撞方法及*** |
| CN107883954A (zh) * | 2016-09-29 | 2018-04-06 | 空中客车运营简化股份公司 | 用于生成旨在供飞行器遵循的最佳飞行路径的方法和设备 |
| CN107970610A (zh) * | 2017-12-18 | 2018-05-01 | 苏州蜗牛数字科技股份有限公司 | 一种3d场景垂直空间飞行路线的规划方法和装置 |
| CN108459616A (zh) * | 2018-03-07 | 2018-08-28 | 西安电子科技大学 | 基于人工蜂群算法的无人机群协同覆盖航路规划方法 |
| CN110244750A (zh) * | 2019-04-25 | 2019-09-17 | 中国南方电网有限责任公司超高压输电公司昆明局 | 一种无人机巡视路径规划方法及装置 |
| CN110320933A (zh) * | 2019-07-29 | 2019-10-11 | 南京航空航天大学 | 一种巡航任务下无人机避障运动规划方法 |
| CN111024085A (zh) * | 2019-12-18 | 2020-04-17 | 四川大学 | 一种具有端点方向和时间约束的无人机航迹规划方法 |
| CN111102988A (zh) * | 2020-01-03 | 2020-05-05 | 北京汽车集团有限公司 | 基于地图的路径规划方法、服务器、车载终端、存储介质 |
| CN111426328A (zh) * | 2020-03-03 | 2020-07-17 | 青岛联合创智科技有限公司 | 一种静态场景的机器人路径规划方法 |
| CN111752305A (zh) * | 2020-06-30 | 2020-10-09 | 国电南瑞科技股份有限公司 | 一种山地型分布式光伏电站无人机巡检避障方法及*** |
| CN113082719A (zh) * | 2021-04-30 | 2021-07-09 | 腾讯科技（深圳）有限公司 | 三维虚拟场景的寻路方法、装置及电子设备 |
| CN115439510A (zh) * | 2022-11-08 | 2022-12-06 | 山东大学 | 一种基于专家策略指导的主动目标跟踪方法及*** |
-
2012
- 2012-09-17 CN CN 201210344462 patent/CN102901500A/zh active Pending
Cited By (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103116356A (zh) * | 2013-03-06 | 2013-05-22 | 山东大学 | 一种迷宫搜索的方法 |
| CN103116356B (zh) * | 2013-03-06 | 2015-07-22 | 山东大学 | 一种迷宫搜索的方法 |
| CN103344248A (zh) * | 2013-07-16 | 2013-10-09 | 长春理工大学 | 一种车辆导航***的最佳路径计算方法 |
| CN103344248B (zh) * | 2013-07-16 | 2015-07-08 | 长春理工大学 | 一种车辆导航***的最佳路径计算方法 |
| CN103679301B (zh) * | 2013-12-31 | 2017-01-11 | 西安理工大学 | 基于复杂地形的最优路径寻找方法 |
| CN103697895A (zh) * | 2014-01-09 | 2014-04-02 | 西安电子科技大学 | 基于自适应a星算法的飞行器最优路径确定方法 |
| CN104156459A (zh) * | 2014-08-20 | 2014-11-19 | 焦点科技股份有限公司 | 一种基于相同开销网格的高效寻路的方法及*** |
| CN105758410A (zh) * | 2015-11-14 | 2016-07-13 | 大连东软信息学院 | 基于A‐Star 算法的快速路径规划混合方法 |
| CN105758410B (zh) * | 2015-11-14 | 2018-12-25 | 大连东软信息学院 | 基于A‐Star算法的快速路径规划混合方法 |
| CN105629989B (zh) * | 2015-12-28 | 2018-04-17 | 电子科技大学 | 基于最小外包圆和最大内接圆的障碍区域划分方法 |
| CN105629989A (zh) * | 2015-12-28 | 2016-06-01 | 电子科技大学 | 基于最小外包圆和最大内接圆的障碍区域划分方法 |
| CN105678054A (zh) * | 2015-12-30 | 2016-06-15 | 深圳大学 | 一种基于a星策略的最优多会合点路径搜索方法及装置 |
| CN105606113A (zh) * | 2016-01-28 | 2016-05-25 | 福州华鹰重工机械有限公司 | 快速规划最优路径方法及装置 |
| CN106096782A (zh) * | 2016-06-15 | 2016-11-09 | 苏州清研捷运信息科技有限公司 | 一种基于经验路线的车辆路径规划方法 |
| CN106289233A (zh) * | 2016-07-25 | 2017-01-04 | 中国船舶重工集团公司第七0九研究所 | 多形态障碍的无人机路径规划方法及*** |
| CN106289233B (zh) * | 2016-07-25 | 2019-04-19 | 中国船舶重工集团公司第七0九研究所 | 多形态障碍的无人机路径规划方法及*** |
| CN107883954A (zh) * | 2016-09-29 | 2018-04-06 | 空中客车运营简化股份公司 | 用于生成旨在供飞行器遵循的最佳飞行路径的方法和设备 |
| CN107883954B (zh) * | 2016-09-29 | 2022-11-11 | 空中客车运营简化股份公司 | 用于生成旨在供飞行器遵循的最佳飞行路径的方法和设备 |
| CN106647769A (zh) * | 2017-01-19 | 2017-05-10 | 厦门大学 | 基于a*提取引导点的agv路径跟踪与避障协调方法 |
| CN106647769B (zh) * | 2017-01-19 | 2019-05-24 | 厦门大学 | 基于a*提取引导点的agv路径跟踪与避障协调方法 |
| CN106802668A (zh) * | 2017-02-16 | 2017-06-06 | 上海交通大学 | 基于双目与超声波融合的无人机三维避撞方法及*** |
| CN106802668B (zh) * | 2017-02-16 | 2020-11-17 | 上海交通大学 | 基于双目与超声波融合的无人机三维避撞方法及*** |
| CN107970610B (zh) * | 2017-12-18 | 2020-10-09 | 苏州蜗牛数字科技股份有限公司 | 一种3d场景垂直空间飞行路线的规划方法和装置 |
| CN107970610A (zh) * | 2017-12-18 | 2018-05-01 | 苏州蜗牛数字科技股份有限公司 | 一种3d场景垂直空间飞行路线的规划方法和装置 |
| CN108459616A (zh) * | 2018-03-07 | 2018-08-28 | 西安电子科技大学 | 基于人工蜂群算法的无人机群协同覆盖航路规划方法 |
| CN110244750A (zh) * | 2019-04-25 | 2019-09-17 | 中国南方电网有限责任公司超高压输电公司昆明局 | 一种无人机巡视路径规划方法及装置 |
| CN110244750B (zh) * | 2019-04-25 | 2023-09-05 | 中国南方电网有限责任公司超高压输电公司昆明局 | 一种无人机巡视路径规划方法及装置 |
| CN110320933A (zh) * | 2019-07-29 | 2019-10-11 | 南京航空航天大学 | 一种巡航任务下无人机避障运动规划方法 |
| CN110320933B (zh) * | 2019-07-29 | 2021-08-10 | 南京航空航天大学 | 一种巡航任务下无人机避障运动规划方法 |
| CN111024085A (zh) * | 2019-12-18 | 2020-04-17 | 四川大学 | 一种具有端点方向和时间约束的无人机航迹规划方法 |
| CN111024085B (zh) * | 2019-12-18 | 2020-10-16 | 四川大学 | 一种具有端点方向和时间约束的无人机航迹规划方法 |
| CN111102988A (zh) * | 2020-01-03 | 2020-05-05 | 北京汽车集团有限公司 | 基于地图的路径规划方法、服务器、车载终端、存储介质 |
| CN111426328B (zh) * | 2020-03-03 | 2023-03-28 | 青岛联合创智科技有限公司 | 一种静态场景的机器人路径规划方法 |
| CN111426328A (zh) * | 2020-03-03 | 2020-07-17 | 青岛联合创智科技有限公司 | 一种静态场景的机器人路径规划方法 |
| CN111752305A (zh) * | 2020-06-30 | 2020-10-09 | 国电南瑞科技股份有限公司 | 一种山地型分布式光伏电站无人机巡检避障方法及*** |
| CN113082719A (zh) * | 2021-04-30 | 2021-07-09 | 腾讯科技（深圳）有限公司 | 三维虚拟场景的寻路方法、装置及电子设备 |
| CN113082719B (zh) * | 2021-04-30 | 2022-07-29 | 腾讯科技（深圳）有限公司 | 三维虚拟场景的寻路方法、装置及电子设备 |
| CN115439510B (zh) * | 2022-11-08 | 2023-02-28 | 山东大学 | 一种基于专家策略指导的主动目标跟踪方法及*** |
| CN115439510A (zh) * | 2022-11-08 | 2022-12-06 | 山东大学 | 一种基于专家策略指导的主动目标跟踪方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102901500A (zh) | 基于概率a星与智能体混合的飞行器最优路径确定方法 | |
| CN109933086B (zh) | 基于深度q学习的无人机环境感知与自主避障方法 | |
| CN109631900B (zh) | 一种无人机三维航迹多目标粒子群全局规划方法 | |
| CN103697895A (zh) | 基于自适应a星算法的飞行器最优路径确定方法 | |
| CN106815443B (zh) | 面向变化环境的超低空飞行器三维多批多航迹规划方法 | |
| CN104406589B (zh) | 一种飞行器穿越雷达区的飞行方法 | |
| CN109144102A (zh) | 一种基于改进蝙蝠算法的无人机航路规划方法 | |
| CN107491070A (zh) | 一种移动机器人路径规划方法及装置 | |
| CN110108284A (zh) | 一种顾及复杂环境约束的无人机三维航迹快速规划方法 | |
| CN101118622A (zh) | 在城市环境下微型飞行器三维轨迹仿真方法 | |
| CN102324041B (zh) | 像素归类方法、关节体姿态识别方法及鼠标指令生成方法 | |
| CN110231824A (zh) | 基于直线偏离度方法的智能体路径规划方法 | |
| US9058570B2 (en) | Device and method for generating a targeted realistic motion of particles along shortest paths with respect to arbitrary distance weightings for simulations of flows of people and objects | |
| CN104992466B (zh) | 一种三维场景的即时寻径方法 | |
| CN105608276A (zh) | 输电线路路径自动选择方法及元胞自动机模型 | |
| CN103295080A (zh) | 基于高程图和蚁群寻食的三维路径规划方法 | |
| CN111767597A (zh) | 一种城市模型验证方法、装置、设备及存储介质 | |
| CN110297503A (zh) | 一种多无人***协同搜索危险源的方法 | |
| CN111813144B (zh) | 一种基于改进羊群算法的多无人机协同航路规划方法 | |
| Geng et al. | A kind of route planning method for UAV based on improved PSO algorithm | |
| CN116225066A (zh) | 一种基于混沌映射鹈鹕优化算法的无人机路径优化方法 | |
| CN109885082A (zh) | 一种基于任务驱动下的无人机航迹规划的方法 | |
| CN116880561A (zh) | 基于改进粒子群无人机路径规划安全增强的优化方法及*** | |
| Li et al. | An improved differential evolution based artificial fish swarm algorithm and its application to AGV path planning problems | |
| Gal et al. | Fast and efficient visible trajectories planning for the Dubins UAV model in 3D built-up environments |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C05 | Deemed withdrawal (patent law before 1993) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130130 |