CN107992040B - 基于地图栅格与qpso算法结合的机器人路径规划方法 - Google Patents
基于地图栅格与qpso算法结合的机器人路径规划方法 Download PDFInfo
- Publication number
- CN107992040B CN107992040B CN201711262658.XA CN201711262658A CN107992040B CN 107992040 B CN107992040 B CN 107992040B CN 201711262658 A CN201711262658 A CN 201711262658A CN 107992040 B CN107992040 B CN 107992040B
- Authority
- CN
- China
- Prior art keywords
- particle
- robot
- map
- grid
- path
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000002245 particle Substances 0.000 claims abstract description 95
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000010187 selection method Methods 0.000 claims abstract description 6
- 230000014509 gene expression Effects 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000254158 Lampyridae Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
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)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明请求保护一种基于QPSO(Quantum Behaved Particle Swarm Optimization,量子行为粒子群优化)算法的改进机器人路径规划方法,针对当前QPSO算法在大部分情况下在机器人路径规划中得到易陷入局部最优的情况,提出了一种基于地图栅格与QPSO算法结合的改进机器人路径规划方法:(1)根据移动机器人的工作环境的特点对机器人通过激光传感器获取的数据进行地图建模。(2)采用轮盘式选择法进行路径规划,并且初始化可行路径。(3)采用参数可变的QPSO算法对初始化的可行路径进行优化,并且得到最优路径。
Description
技术领域
本发明属于机器人路径规划领域,提出一种基于地图栅格与QPSO结合的机器人路径规划方法。
背景技术
移动机器人路径规划是寻找一条无碰撞的可行路径问题的方法。近些年,群智能优化算法逐渐成为移动机器人路径规划算法研究热点。应用于移动机器人路径规划的群智能优化算法包括蚁群优化算法、PSO(particle swarm optimization,粒子群优化)算法、萤火虫算法等。其中PSO算法是Eberhart博士和Kennedy博士在1995年所提出的群智能化算法。该算法来源于对鸟群和鱼群觅食行为的模拟。它较传统的进化算法具有易实现、较少的调整参数、收敛速度较快等特点,广泛应用在移动机器人路径规划。
而QPSO算法是一种在数学上被证明能以概率为1搜索到全局最优解的群智能算法。QPSO算法建立在δ势阱模型且具有量子运动的粒子群,由于粒子具有量子行为,所以满足聚集态的性质完全不同,因而粒子的轨迹就不是确定的,粒子就可以在整个可行解空间中进行搜索,所以QPSO算法的全局搜索性能优于标准PSO算法,QPSO算法较之PSO算法以其易于实现、参数较少等特点在路径规划中得到很多关注。但是QPSO算法仍会遇到陷入局部最优的问题,其主要原因是该算法在单点处建立的势阱会使粒子快速地聚集在一个较小的搜索区域内,导致种群多样性降低。因而在机器人路径规划中,对QPSO算法的改进是一个研究热点。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种使粒子位置更新公式在不同的搜索阶段有不同的表现,能够有效减少在路径规划中陷入局部最优的情况发生的基于地图栅格与QPSO算法结合的机器人路径规划方法。本发明的技术方案如下:
一种基于地图栅格与QPSO算法结合的机器人路径规划方法,其包括以下步骤:
步骤1:根据移动机器人的工作环境的特点对机器人通过2D激光传感器获取的数据进行地图建模,并且采用自适应蒙特卡罗定位算法对机器人位置进行定位;
步骤2:在创建好的地图中采用轮盘式选择法对可行路径进行初始化;
步骤3:采用参数可变的改进量子行为粒子群优化QPSO算法对初始化的可行路径进行优化,得到最优路径,其中改进QPSO算法的改进体现在:在QPSO算法中对引入聚集度因子,并且对压缩扩张因子进行改进,同时自定义两个控制参数用来划分搜索阶段,使粒子位置更新公式在不同的搜索阶段有不同的表现。
进一步的,所述步骤1进行地图建模前还包括步骤:
假设机器人扫描到的活动场地有限并且为矩形,首先采用栅格法,将机器人矩形场地平均划分成多个小矩形栅格,保证机器人可以在其中进行自由移动,采用直角坐标法确定起点、终点、障碍物与机器人的位置,在创建地图模型后,首先根据里程计模型给出机器人的初始位姿,然后通过激光传感器扫描出的局部地图与全局地图的对应关系,并用局部地图更新全局地图。
进一步的,所述步骤1采用自适应蒙特卡罗定位算法对机器人位置进行定位具体包括步骤:
步骤A:初始化粒子群;
步骤B:采用随机函数模拟粒子在栅格地图中的运动;
步骤C:根据计算传感器定位的障碍物与地图中障碍物的符合个数来计算粒子评分,选择得分最高的粒子作为机器人当前位置;
步骤D:粒子群重采样,将得分较低的粒子舍去,得分较高的粒子保留并且复制,保持粒子群数量基本不变;
步骤E:重复步骤B到步骤D,直到机器人完成构建地图时终止。
进一步的,所述步骤2采用栅格法对可行路径进行初始化具体步骤如下:
步骤A:通过栅格地图,确定目标点、障碍物和机器人自身所在栅格在全局地图中的坐标;
步骤B:将有障碍物的栅格标为1,将自由栅格标为0;
步骤C:采用轮盘式选择方法选择机器人所处栅格相邻的自由栅格,并且移动到选择的自由栅格;
步骤D:判断机器人是否到达目标点,未到达则转至步骤C;
步骤E:机器人到达目标点则初始化路径完成。
进一步的,所述步骤3采用参数可变的QPSO算法对初始化的可行路径进行优化,得到最优路径的具体步骤如下:
步骤A:初始化粒子群数量N和最大迭代次数MaxIter参数并且设立适应度函数,并且在第一次迭代时,每个粒子的初始位置为当前个体最好位置,计算每个粒子的适应度函数值,所有粒子的适应度值相比较后,找到一个具有最小适应度值的粒子,该粒子的轨迹就是全局最好位置;
步骤B:在可行路径上使用粒子位置更新公式进行粒子位置更新;
步骤C:判断更新后的粒子位置是否位于自由栅格,若是则移动到该自由栅格,否则转入步骤B;
步骤D:判断粒子位置是否到达目标点,若否则转到步骤B,若是则计算适应度函数的值,更新个体最好位置与全剧最好位置;
步骤E:重复步骤B~D,直到重复次数达到最大迭代次数时,选取一条适应度值最小的粒子的轨迹作为机器人的最优路径。
进一步的,所述步骤A中利用适应度函数来进行路径的选择,其适应度函数即路径长度为:其中Xi为第i个粒子,j代表粒子第j维,(xj,yj)代表粒子第j维在栅格地图的二维坐标,(xj+1,yj+1)代表粒子第j+1维在栅格地图的二维坐标,D代表粒子的维度数。
所述步骤B中利用粒子位置更新公式进行粒子维度位置的更新,其粒子位置更新公式为:其中Rid代表第i个变异粒子的第d维位置,而pid=φ*Pid+(1-φ)*Pgd,φ为[0,1]之间均匀分布的随机数,Pid与Pgd是第i个粒子的第d维位置的个体最好位置和第d维位置的全局最好位置;α为QPSO中的压缩扩张因子,表达式为m1与m2是[0,1]之间均匀分布的随机数;c是[0,1]之间服从高斯分布的随机数;β为聚集度因子,表达式为其中t为粒子群适应度函数值的期望;k1、k2与k3是[0,1]之间的随机数,且k1+k2+k3=1;f(Xi)为第i个粒子的适应度值;it与dev为自定义的两个控制参数,表达式分别为:dev=c2-β,c1和c2均为常数;MaxIter为最大迭达次数。mbestd为粒子群中第d维的平均最好位置,Xid为第i个粒子的第d维位置。u是[0,1]之间均匀分布的随机数,F为缩放因子,当it与dev均大于1时,缩放因子为0,其他情况,缩放因子均不为0。j和k是[1,N]之间两个互不相同的随机整数,且均不等于i的数。Xjd与Xkd为第j个粒子的第d位置和第k个粒子的第d维位置。
本发明的优点及有益效果如下:
本发明是针对机器人路径规划中使用QPSO算法,提出了一种基于地图栅格和QPSO结合的改进机器人路径规划方法,在QPSO算法中引入聚集度因子,并且对压缩扩张因子进行改进,在压缩扩张因子中引入两个自定义的控制参数,并且通过自定义的两个控制参数用来划分搜索阶段,通过搜索阶段控制缩放因子,使粒子位置更新公式在不同的搜索阶段有不同的表现,能够有效减少在路径规划中陷入局部最优的情况发生。
附图说明
图1是本发明提供优选实施例改进的QPSO算法流程部分。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
步骤1:假设机器人扫描到的活动场地有限并且为矩形。首先采用栅格法,将机器人矩形场地平均划分成多个小矩形栅格,保证机器人可以在其中进行自由移动。栅格法能够有效构建机器人所能理解的地图,并且易保存。采用直角坐标法可以方便确定起点、终点、障碍物与机器人的位置。在创建地图模型后,首先根据里程计模型给出机器人的初始位姿,然后通过激光传感器扫描出的局部地图与全局地图的对应关系,并用局部地图更新全局地图,然后通过自适应蒙特卡罗定位算法完成对机器人的当前定位。
步骤2:(1)通过栅格地图,确定目标点、障碍物和机器人自身所在栅格在全局地图中的坐标。(2)将有障碍物的栅格标为1,将自由栅格标为0。(3)采用轮盘赌选择方法选择机器人所处栅格相邻的自由栅格,保证自由栅格能够被等概率选择,并且移动到选择的自由栅格。(4)判断机器人是否到达目标点,未到达则转至(3)最后机器人到达目标点则初始化路径完成。
步骤3:(1)初始化粒子群数量N和最大迭代次数MaxIter等参数。(2)设立适应度函数即路径长度函数,其中Xi为第i个粒子,j代表粒子第j个维度。(xj,yj)代表粒子第j维在栅格地图的二维坐标。D代表粒子的维度数。(3)在可行路径上使用粒子位置更新公式进行粒子位置更新。其粒子位置更新公式为:其中Rid代表第i个变异粒子的第d维位置。而pid=φ*Pid+(1-φ)*Pgd,φ为[0,1]之间均匀分布的随机数,Pid与Pgd第i个粒子的第d维位置的个体最好位置和第d维位置的全局最好位置。α为QPSO中的压缩扩张因子,表达式为F为缩放因子,it与dev为自定义的两个控制参数,表达式分别为:dev=c2-β。c1和c2均为常数,通过这两个控制参数来划分搜索阶段,控制缩放因子。当it与dev均大于1时,缩放因子为0,其他情况,缩放因子均不为0。m1与m2是[0,1]之间均匀分布的随机数,c是[0,1]之间服从高斯分布的随机数。β为聚集度因子,表达式为其中t为粒子群适应度函数值的期望,k1、k2与k3是[0,1]之间的随机数,且k1+k2+k3=1。mbestd为粒子群中第d维的平均最好位置。u是[0,1]之间均匀分布的随机数。j和k是[1,N]之间两个互不相同的随机整数,且均不等于i的数。(4)判断更新后的粒子位置是否位于自由栅格,若是则移动到该自由栅格,否则转入(3)。(5)判断粒子位置是否到达目标点,若否则转到(3),若是则计算适应度函数的值,更新全局最好位置与个体最好位置。(6)重复步骤(3)~(5),直到重复次数达到最大迭代次数时,选取一条适应度值最小的粒子的轨迹作为机器人的最优路径。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (5)
1.一种基于地图栅格与QPSO算法结合的机器人路径规划方法,其特征在于,包括以下步骤:
步骤1:根据移动机器人的工作环境的特点对机器人通过2D激光传感器获取的数据进行地图建模,并且采用自适应蒙特卡罗定位算法对机器人位置进行定位;
步骤2:在创建好的地图中采用轮盘式选择法对可行路径进行初始化;
步骤3:采用参数可变的改进量子行为粒子群优化QPSO算法对初始化的可行路径进行优化,得到最优路径,其中改进QPSO算法的改进体现在:在QPSO算法中对引入聚集度因子,并且对压缩扩张因子进行改进,同时自定义两个控制参数用来划分搜索阶段,使粒子位置更新公式在不同的搜索阶段有不同的表现;
所述步骤3采用参数可变的QPSO算法对初始化的可行路径进行优化,得到最优路径的具体步骤如下:
步骤A:初始化粒子群数量N和最大迭代次数MaxIter参数并且设立适应度函数,并且在第一次迭代时,每个粒子的初始位置为当前个体最好位置,计算每个粒子的适应度函数值,所有粒子的适应度值相比较后,找到一个具有最小适应度值的粒子,该粒子的轨迹就是全局最好位置;
步骤B:在可行路径上使用粒子位置更新公式进行粒子位置更新;
步骤C:判断更新后的粒子位置是否位于自由栅格,若是则移动到该自由栅格,否则转入步骤B;
步骤D:判断粒子位置是否到达目标点,若否则转到步骤B,若是则计算适应度函数的值,更新个体最好位置与全局最好位置;
步骤E:重复步骤B~D,直到重复次数达到最大迭代次数时,选取一条适应度值最小的粒子的轨迹作为机器人的最优路径;
所述步骤B中利用粒子位置更新公式进行粒子维度位置的更新,其粒子位置更新公式为:其中Rid代表第i个变异粒子的第d维位置;而pid=φ*Pid+(1-φ)*Pgd,φ为[0,1]之间均匀分布的随机数;Pid与Pgd是第i个粒子的第d维位置的个体最好位置和第d维位置的全局最好位置;α为QPSO中的压缩扩张因子,表达式为m1与m2是[0,1]之间均匀分布的随机数;c是[0,1]之间服从高斯分布的随机数;β为聚集度因子,表达式为其中t为粒子群适应度函数值的期望;k1、k2与k3是[0,1]之间的随机数,且k1+k2+k3=1;f(Xi)为第i个粒子的适应度值;it与dev为自定义的两个控制参数,表达式分别为:dev=c2-β,c1和c2均为常数;MaxIter为最大迭达次数;mbestd为粒子群中第d维的平均最好位置,Xid为第i个粒子的第d维位置,u是[0,1]之间均匀分布的随机数,F为缩放因子,当it与dev均大于1时,缩放因子为0,其他情况,缩放因子均不为0,j和k是[1,N]之间两个互不相同的随机整数,且均不等于i的数,Xjd与Xkd为第j个粒子的第d维位置和第k个粒子的第d维位置。
2.根据权利要求1所述的基于地图栅格与QPSO算法结合的机器人路径规划方法,其特征在于,所述步骤1进行地图建模前还包括步骤:
假设机器人扫描到的活动场地有限并且为矩形,首先采用栅格法,将机器人矩形场地平均划分成多个小矩形栅格,保证机器人可以在其中进行自由移动,采用直角坐标法确定起点、终点、障碍物与机器人的位置,在创建地图模型后,首先根据里程计模型给出机器人的初始位姿,然后通过激光传感器扫描出的局部地图与全局地图的对应关系,并用局部地图更新全局地图。
3.根据权利要求2所述的基于地图栅格与QPSO算法结合的机器人路径规划方法,其特征在于,所述步骤1采用自适应蒙特卡罗定位算法对机器人位置进行定位具体步骤包括:
步骤A:初始化粒子群;
步骤B:采用随机函数模拟粒子在栅格地图中的运动;
步骤C:根据计算传感器定位的障碍物与地图中障碍物的符合个数来计算粒子评分,选择得分最高的粒子作为机器人当前位置;
步骤D:粒子群重采样,将得分较低的粒子舍去,得分较高的粒子保留并且复制,保持粒子群数量基本不变;
步骤E:重复步骤B到步骤D,直到机器人完成构建地图时终止。
4.根据权利要求1-3之一所述的基于地图栅格与QPSO算法结合的机器人路径规划方法,其特征在于,所述步骤2对可行路径进行初始化具体步骤如下:
步骤A:通过栅格地图,确定目标点、障碍物和机器人自身所在栅格在全局地图中的坐标;
步骤B:将有障碍物的栅格标为1,将自由栅格标为0;
步骤C:采用轮盘式选择方法选择机器人所处栅格相邻的自由栅格,并且移动到选择的自由栅格;
步骤D:判断机器人是否到达目标点,未到达则转至步骤C;
步骤E:机器人到达目标点则初始化路径完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711262658.XA CN107992040B (zh) | 2017-12-04 | 2017-12-04 | 基于地图栅格与qpso算法结合的机器人路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711262658.XA CN107992040B (zh) | 2017-12-04 | 2017-12-04 | 基于地图栅格与qpso算法结合的机器人路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107992040A CN107992040A (zh) | 2018-05-04 |
CN107992040B true CN107992040B (zh) | 2020-08-04 |
Family
ID=62035459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711262658.XA Active CN107992040B (zh) | 2017-12-04 | 2017-12-04 | 基于地图栅格与qpso算法结合的机器人路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107992040B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108628316A (zh) * | 2018-06-27 | 2018-10-09 | 杨扬 | 建立吸尘机器人栅格地图的方法 |
CN108983770B (zh) * | 2018-07-02 | 2019-07-05 | 四川大学 | 数据处理方法、装置、电子设备及存储介质 |
CN110263905B (zh) * | 2019-05-31 | 2021-03-02 | 上海电力学院 | 基于萤火虫优化粒子滤波的机器人定位与建图方法及装置 |
WO2021016920A1 (zh) * | 2019-07-31 | 2021-02-04 | 深圳市大疆创新科技有限公司 | 可通行性的识别方法、***、设备及计算机可读存储介质 |
CN111307158B (zh) * | 2020-03-19 | 2022-11-18 | 哈尔滨工程大学 | 一种auv三维航路规划方法 |
CN111473796B (zh) * | 2020-04-14 | 2023-09-26 | 重庆邮电大学 | 基于sps算法的机器人路径规划方法 |
CN112750161B (zh) * | 2020-12-22 | 2023-11-03 | 苏州大学 | 用于移动机器人的地图更新方法 |
CN115442743B (zh) * | 2022-11-07 | 2023-03-24 | 上海特金信息科技有限公司 | 基于rid信号数据融合的定位方法、装置、设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436073A (zh) * | 2008-12-03 | 2009-05-20 | 江南大学 | 基于量子行为粒子群算法的轮式移动机器人轨迹跟踪方法 |
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 |
CN104197941A (zh) * | 2014-09-16 | 2014-12-10 | 哈尔滨恒誉名翔科技有限公司 | 一种基于和声搜索算法的水下潜器路突防径规划方法 |
CN105509755A (zh) * | 2015-11-27 | 2016-04-20 | 重庆邮电大学 | 一种基于高斯分布的移动机器人同步定位与地图构建方法 |
CN107065876A (zh) * | 2017-04-28 | 2017-08-18 | 西北工业大学 | 基于改进粒子群优化的移动机器人路径规划方法 |
CN107203811A (zh) * | 2017-05-22 | 2017-09-26 | 成都理工大学 | 一种基于改进qpso算法的rbf神经网络优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129249B (zh) * | 2011-01-10 | 2013-03-13 | 中国矿业大学 | 一种危险源环境下的机器人全局路径规划方法 |
-
2017
- 2017-12-04 CN CN201711262658.XA patent/CN107992040B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436073A (zh) * | 2008-12-03 | 2009-05-20 | 江南大学 | 基于量子行为粒子群算法的轮式移动机器人轨迹跟踪方法 |
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 |
CN104197941A (zh) * | 2014-09-16 | 2014-12-10 | 哈尔滨恒誉名翔科技有限公司 | 一种基于和声搜索算法的水下潜器路突防径规划方法 |
CN105509755A (zh) * | 2015-11-27 | 2016-04-20 | 重庆邮电大学 | 一种基于高斯分布的移动机器人同步定位与地图构建方法 |
CN107065876A (zh) * | 2017-04-28 | 2017-08-18 | 西北工业大学 | 基于改进粒子群优化的移动机器人路径规划方法 |
CN107203811A (zh) * | 2017-05-22 | 2017-09-26 | 成都理工大学 | 一种基于改进qpso算法的rbf神经网络优化方法 |
Non-Patent Citations (5)
Title |
---|
A Novel Flexible Inertia Weight Particle Swarm Optimization Algorithm;Mohammad Javad Amoshahy等;《PLOS ONE》;20160825;第1-42页 * |
Particle Swam Optimization with Particles Having Quantum Behavior;Jun Sun等;《Congress on Evolutionary Computation》;20141231;第325-331页 * |
Robot path planning in uncertain environment using multi-objective particle swarm optimization;Yong Zhang等;《Neurocomputing》;20121023;第172-185页 * |
基于改进量子粒子群的视觉跟踪方法;孙波;《中国优秀硕士学位论文数据库 信息科技辑》;20170215(第02期);第1-68页 * |
改进QPSO和Morphin算法下移动机器人混合路径规划;伍永健等;《电子测量与仪器学报》;20170228;第31卷(第2期);第295-301页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107992040A (zh) | 2018-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992040B (zh) | 基于地图栅格与qpso算法结合的机器人路径规划方法 | |
CN109765893B (zh) | 基于鲸鱼优化算法的移动机器人路径规划方法 | |
CN110083165B (zh) | 一种机器人在复杂狭窄环境下路径规划方法 | |
Bloembergen et al. | Evolutionary dynamics of multi-agent learning: A survey | |
CN111982125A (zh) | 一种基于改进蚁群算法的路径规划方法 | |
CN107702723B (zh) | 一种机器人路径规划方法、存储介质及设备 | |
CN111857141B (zh) | 一种机器人路径规划方法、装置、设备及存储介质 | |
CN105511457B (zh) | 机器人静态路径规划方法 | |
CN110147099A (zh) | 一种基于改进鸽群优化的多无人机协同搜索方法 | |
CN107253195B (zh) | 一种运载机器人手臂操控自适应混合学习映射智能控制方法及*** | |
Huang et al. | Global path planning for autonomous robot navigation using hybrid metaheuristic GA-PSO algorithm | |
CN113885536B (zh) | 一种基于全局海鸥算法的移动机器人路径规划方法 | |
CN107563653B (zh) | 一种多机器人全覆盖任务分配方法 | |
CN111610786A (zh) | 基于改进rrt算法的移动机器人路径规划方法 | |
Rosman et al. | What good are actions? Accelerating learning using learned action priors | |
CN113359746A (zh) | 基于改进双向RRT和Dijkstra融合算法的路径规划方法和装置 | |
CN111310885A (zh) | 一种引入变异策略的混沌天牛群搜索算法 | |
CN113296520B (zh) | 融合a*与改进灰狼算法的巡检机器人路径规划方法 | |
CN110181508A (zh) | 水下机器人三维航路规划方法及*** | |
CN114020045A (zh) | 一种基于改进蚁群算法的无人机航迹规划方法 | |
Welle et al. | Optimization techniques for laser-based 3D particle filter SLAM | |
Abdolshah et al. | A new representation of successor features for transfer across dissimilar environments | |
CN112469050A (zh) | 一种基于改进灰狼优化器的wsn三维覆盖增强方法 | |
Bai et al. | Design and Simulation of a Collision-free Path Planning Algorithm for Mobile Robots Based on Improved Ant Colony Optimization. | |
Li et al. | Chaotic dung beetle optimization algorithm based on adaptive t-Distribution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |