CN108592928B - 车辆搭载无人机双层路径的构造方法及装置 - Google Patents
车辆搭载无人机双层路径的构造方法及装置 Download PDFInfo
- Publication number
- CN108592928B CN108592928B CN201810190247.2A CN201810190247A CN108592928B CN 108592928 B CN108592928 B CN 108592928B CN 201810190247 A CN201810190247 A CN 201810190247A CN 108592928 B CN108592928 B CN 108592928B
- Authority
- CN
- China
- Prior art keywords
- hamilton
- unmanned aerial
- aerial vehicle
- vehicle
- point
- 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
- 238000010276 construction Methods 0.000 title claims description 17
- 238000000034 method Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 33
- 239000010410 layer Substances 0.000 description 29
- 238000013178 mathematical model Methods 0.000 description 4
- 239000002355 dual-layer Substances 0.000 description 3
- 208000012322 Raynaud phenomenon Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3423—Multimodal routing, i.e. combining two or more modes of transportation, where the modes can be any of, e.g. driving, walking, cycling, public transport
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明实施例提供了一种车辆搭载无人机双层路径的构造方法及装置,所述方法包括:根据贪婪分组的规则将无人机任务目标点与车辆路径分组,构建符合无人机续航能力约束的汉密尔顿路;采用节约值合并算法合并汉密尔顿路,得到数量减少的汉密尔顿路;根据连接算法构造出从基地点出发,遍历每条汉密尔顿路再回到基地点的全回路,就是车辆搭载无人机双层路径的可行解;所述方法快速构造车辆搭载无人机在协同收集目标信息的双层路径规划方案,保证车辆搭载无人机在规划区域内的路网上行驶一个回路,无人机完成所有任务目标点信息的收集工作,极大的提高了工作效率。
Description
技术领域
本发明涉及无人机采集信息的技术领域,尤其涉及一种车辆搭载无人机采集信息的双层路径构造方法及装置。
背景技术
随着无人机技术的发展,中小型无人机能够以汽车为发射和回收平台,进行起飞和降落。无人机和地面相结合带来了一种全新的工作模式,我们称为地面车辆与无人机协同工作模式,两者一起协同完成如野外搜救、电力巡线、情报侦查、地质测绘等工作,可以极大的缩短完成任务的时间。一方面,无人机可以快速飞到车辆不能或不易到达的任务目标点进行信息侦察与采集;另一方面,车辆作为无人机的移动基站,为无人机更换电池,并可以搭载无人机到达更远的区域,弥补中小型无人机续航能力小的不足。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:当前车辆和无人机路径的构造方法,都是单独构造车辆路径和无人机的路径,没有考虑车辆与无人机的协同配合。
发明内容
本发明实施例提供了一种车辆搭载无人机协同工作模式下的双层路径的规划方法及装置,快速构造出车辆搭载无人机在规划区域内的路网上行驶一个回路,无人机完成所有无人机任务目标点信息的收集工作。
一方面,本发明实施例提供了一种车辆搭载无人机双层路径的构造方法,所述方法包括:
根据贪婪分组的规则将无人机任务目标点与车辆路径分组,构建符合无人机续航能力的m条汉密尔顿路(m≥1);
采用节约值合并算法合并m条汉密尔顿路,得到n条汉密尔顿路(m≥n);
根据连接算法构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路。
另一方面,本发明实施例提供了一种车辆搭载无人机双层路径的构造装置,所述装置包括:
贪婪分组单元,用于根据贪婪分组的规则将无人机任务目标点与车辆路径分组,构建符合无人机续航能力的m条汉密尔顿路(m≥1);
合并单元,用于采用节约值合并算法合并m条汉密尔顿路,得到n条汉密尔顿路(m≥n);
连接单元,用于根据连接算法构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路。
上述技术方案具有如下有益效果:因为采用贪婪分组的原则将无人机任务目标点与车辆路径分组的技术手段,所以达到了在分组时就充分考虑了车辆路径与无人机路径协同工作的技术效果;因为采用了节约值合并算法合并汉密尔顿路的技术手段,所以达到了在应用连接算法构造全回路之前减少汉密尔顿路的技术效果,从而快速构造出车辆搭载无人机的双层路径。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例车辆搭载无人机双层路径的构造方法的流程图;
图2是本发明实施例车辆搭载无人机双层路径的构造装置的结构示意图;
图3是本发明实施例车辆搭载无人机双层路径贪婪分组的子流程图;
图4是本发明实施例车辆搭载无人机双层路径贪婪分组单元的结构示意图;
图5是本发明实施例车辆搭载无人机双层路径节约值合并算法的子流程图;
图6是本发明实施例车辆搭载无人机双层路径合并单元的结构示意图;
图7是车辆搭载无人机协同工作模式的示意图;
图8是基于队列连接算法的示意图;其中图8(a)是第一步示意图;图8(b)是过程示意图;图8(c)是结果示意图;
图9是基于最小生成树连接算法的示意图;其中图9(a)是第一步示意图;图9(b)是过程示意图;图9(c)是结果示意图;
图10是本发明实施例各节点示意图;
图11是本发明实施例贪婪分组后构建m条汉密尔顿路的示意图;
图12是本发明实施例经节约值合并后得到n条汉密尔顿路的示意图;
图13是本发明实施例基于队列连接算法构造的双层路径的示意图;
图14是本发明实施例基于最小生成树连接算法构造的双层路径的示意图。
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图7,图7是车辆搭载无人机协同工作模式的示意图;
随着无人机技术的发展,中小型无人机能够以汽车为发射和回收平台,进行起飞和降落。无人机和地面车辆的结合带来了一种全新的工作模式,我们称为地面车辆与无人机协同工作模式,两者一起协同完成如野外搜救、电力巡线、情报侦察、地质测绘等工作,可以极大提高完成任务的效率。一方面无人机可以快速飞到车辆不能或不容易到达的无人机任务目标点进行信息侦察与采集;另一方面,地面车辆作为无人机的移动基站,为无人机及时更换电池,并可以携带无人机到达更远的区域,弥补中小型无人机续航能力小的不足。
典型车辆搭载无人机的协同工作模式如图7所示,已知车辆和无人机所属场站的位置、可供车辆行驶的路网、路网上可用于放飞和回收无人机的临时停靠点、以及需要无人机访问并完成信息收集的目标点,车辆搭载无人机从场站出发,选择临时停靠点放飞无人机,然后继续向前行驶,无人机访问已知任务目标点完成信息收集,由于无人机续航能力有限,车辆需要行驶到恰当的临时停靠点,使无人机能够在电量耗完之前回到车辆上,并更换电池,然后重新起飞访问任务目标点,如此循环,车辆搭载无人机,作为无人机的移动平台,通过在目标区域内路网上游走,使无人机能够不断起飞降落,完成较大区域内所有无人机任务目标点的访问与信息收集。
从上述车辆搭载无人机协同工作模式下的双层路径的构造方法可以看出,问题中包括三类节点:(1)车辆与无人机所属场站,是车辆的原始出发点,记为0点,车辆与无人机完成任务后回到的场站,是任务的终点,记为*点,所述车辆与无人机所属场站和车辆与无人机完成任务后回到的场站也可以是同一个,即*点和0点位置可以相同;(2)车辆可以停下来放飞或回收无人机的临时停靠点,一般是路或街道边较为开阔的区域,如露天停车场、休息站等,记为Vs={1,2,…,n};(3)无人机需要访问的任务目标点,记为Vt={n+1,n+2,…,m}.将所有点的集合记为V={0}UVs UVt,并且所有点的位置是已知的。问题中包括两类弧:(1)第一类弧表示可供地面车辆行驶的一段路,第一类弧的集合记为E1={(i,j)|i,j∈{0}UVs且i≠j},地面路网上任意一段弧(i,j)∈E1的长度是已知的;(2)第二类弧表示无人机飞行的一条路线,第二类弧的集合记为E2={(i,j)|i∈{0}UVs,j∈Vt;或者i,j∈Vt且i≠j},每段弧(i,j)∈E2的长度也是已知的。将所有弧的集合记为E=E1UE2。
首先,我们来构建所述技术问题的数学模型:
在模型构建过程中用到的符号及其含义总结如下:
车载无人机双层路径规划问题可以表示在图G=(V,E)上。对每一个目标j∈Vt,有相应服务时间Cj来供无人机完成指定的信息收集任务。
E中任意一条边(i,j)的距离为dij。无人机的飞行平均速度为v1,车辆的平均行驶速度为v2。无人机续航能力的上限为θ,本文假设无人机的电量使用是均匀的,即单位时间的耗电量是一个固定的值。因此无人机的剩余电量可以直接转换为剩余时间。M为一个充分大的正数。
模型中的决策变量定义如下:
xij:0-1变量,i,j∈{0}∪{*}∪Vs当车辆从i到j的时为1,表示车辆的路由。
yij:0-1变量,i,j∈V当Vi当无人机从i到j的时为1,表示无人机的路由。
Sij:0-1变量,i∈Vt,j∈{0}∪{*}∪Vs表示目标点i在从j出发的航线上。
Qi:连续变量,i∈V表示离开i点时,无人机当前已经使用的电量(时间)。
Ti:整数变量,i∈{0}∪{*}∪Vs表示车辆停点的访问顺序。
ti:连续变量,i∈{0}∪{*}∪Vs表示车辆离开停点i的时间。
si:连续变量,i∈{0}∪Vs表示车辆在点i停留的时间。
模型如下:
约束(1)确保除了起点和终点以外,每一个车辆路径点最多只能访问一次,且入度和出度相等。约束(2)限制了起点的出度为1而终点的入度也为1,即整个任务是从起点处开始的,结束于终点处。约束(3)为车辆的路径进行了标号,当存在从i到j的路径时(xij=1),Ti-Tj的值必须为1,也就是说在访问顺序上i和j只差1,约束(19)表示起点处的标号为1,结合这两条约束,相当于给车辆的路径点用正整数进行了标号,而标号的大小表示了该点是第几个被访问的点。约束(4)限制每一个任务目标点的出度和入度均为1,即每一个任务目标点有且仅有一次访问。
约束(5)限定了无人机的起飞过程,当无人机从i点起飞前往j点时,j点属于从i点出发的航线上,且离开j点的已使用的时间等于从i到j的飞行时间加在j点执行任务的时间。约束(6)限定了无人机从一个任务点飞到另一个任务点的过程,如果无人机从i飞到j,那么这两点是属于同一个航线上的点,即属于从同一个车辆停点出发的航线(Sik=Sjk)。在满足这个约束的前提下,离开j点的时间等于从i点离开的时间加上无人机从i飞到j的时间加上在j点执行任务的时间。约束(7)限制无人机的降落过程,当无人机需要降落在j点时,从i点离开的时间加上从i到j的飞行时间应该小于无人机的续航能力的上限。约束(5)~(7)从无人机的角度确保了每一次航行过程的连续性,并且通过条件约束给Q进行了赋值,从而确保了每一次航行都能够符合续航能力。
约束(8)保证了无人机如果在某一个停点降落,那么这个停点必然是车辆路径会访问的点,这将决策变量xij与yij联系了起来。约束(9)要求车辆必须在无人机之前到达指定的降落点。约束(10)确保无人机不会在路网上进行飞行。约束(11)保证了车辆如果在某个停点起飞,那么这个停点必然是车辆路径会访问的点。约束(12)保证车辆如果访问一个点,那么这个点必然是无人机某次起飞或降落的点。约束(8)~(12)从车辆的角度确保了每一次航行过程的连续性,且对一般的飞行过程进行了描述,确保了车辆在无人机之前到达指定的降落点,以免出现无法回收的情景。
约束(13)则是对等待时间的计算,考虑的是无人机执行任务时车辆停留在原地的场景。如果yij的决策产生了这样的特殊情景,那么约束(13)将根据这个情景计算车辆需要在原地等待的时间sj。在计算了每一个停点的等待时间的前提下,约束(14)计算了车辆离开每一个停点的具体时间。约束(3)计算的Ti只表示了车辆停点的访问顺序,而约束(14)计算的tj则表示了离开某个访问点的具体时间。约束(15)是对上一条约束的补充,保证了离开访问点的时间和访问停点的顺序的一致性。
约束(16)使得所有没被访问的点的t均为0。约束(17)确保每一个无人机的任务目标点都分配在某一条航线中。约束(18)限制了无人机当前已经使用的电量对应的时间不得超过续航能力的上限。约束(19)在约束(3)处进行了说明。约束(20)确保了一种特殊的情景,即无人机需要从起点出发并降落在起点,车辆需要在起点等待无人机的情景。
通过对车载无人机协同任务想定的进一步分析、抽象,提出了车载无人机双层协作路由问题的数学模型。所述模型具有较强的适用性,数学模型作为一个纯线性的模型,可以通过商业软件进行直接求解。通过商业软件的求解,一方面验证了模型的正确性,另一方面,也说明了这个问题是一个极端复杂的问题,商业软件只适用于对极小规模的数据进行求解分析。通过数学模型的建立,为后续的求解算法的设计奠定了理论的基础。
请参考图1,图1是发明实施例车辆搭载无人机双层路径的构造方法的流程图,
101、根据贪婪分组的规则将无人机任务目标点与车辆路径分组,构建符合无人机续航能力的m条汉密尔顿路(m≥1);
102、采用节约值合并算法合并m条汉密尔顿路,得到n条汉密尔顿路(m≥n);
103、根据连接算法构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路。
优选地,请参考图3,图3是本发明实施例车辆搭载无人机双层路径贪婪分组的子流程图;
101.1、计算每个无人机任务目标点到每条车辆路径的距离,所述无人机任务目标点到车辆路径的距离为无人机任务目标点到车辆路径起点和终点的距离和;
101.2、将每个无人机任务目标点与距离最近的车辆路径分为一组;
101.3、通过汉密尔顿函数构建每个组的汉密尔顿路,所述汉密尔顿路包括一个车辆停点作为起点,一个车辆停点作为终点,至少一个无人机任务目标点,一条从起点到终点的车辆路径,一条遍历无人机任务目标点的无人机路径;
101.4、若任一组的汉密尔顿路不符合无人机续航能力的约束,则将所述组中距离车辆路径最远的无人机任务目标点剔除,将被剔除的无人机任务目标点记录在Badnode坏点数组中;
101.5、重复步骤101.4,直到每一组的汉密尔顿路符合无人机续航能力的约束;
101.6、将所述Badnode数组中的无人机任务目标点加入到距离最近的汉密尔顿路中,所述无人机任务目标点到汉密尔顿路的距离为无人机任务目标点与所述汉密尔顿路中无人机任务目标点距离的最小值;
101.7、若所述汉密尔顿路加入所述特殊数组中的无人机任务目标点后,不符合无人机续航能力的约束,则用所述Badnode数组中的无人机任务目标点重新构建汉密尔顿路,
101.8、上述步骤共得到m条符合无人机续航能力的汉密尔顿路(m≥1)。
优选地,请参考图5,图5是本发明实施例车辆搭载无人机双层路径节约值合并算法的子流程图;
采用节约值合并算法合并m条汉密尔顿路,得到n条汉密尔顿路(m≥n),具体包括:
102.1、Step1:计算m条汉密尔顿路中任意两条汉密尔顿路之间的节约值S(i,j),排列成m×m的矩阵M;
102.2、Step2:查找矩阵M中数值最大的元素S(i,j),若S(i,j)>0,则删除矩阵第i、j两行和第i、j两列,生成矩阵M′;
102.3、Step3:将S(i,j)对应的i、j两条汉密尔顿路合并构成汉密尔顿路c,计算c与现有的汉密尔顿路之间的节约值,将计算结果并入矩阵M′中,生成矩阵M*;
102.4、Step4:若矩阵M*中的所有元素S(i,j)<0,得到n条汉密尔顿路;否则,令M=M*,转至Step2。
进一步优选地,计算任意两条汉密尔顿路之间的节约值S(i,j),具体包括:
任意选择两条汉密尔顿路i、j;
若所述两条汉密尔顿路i、j合并后生成的汉密尔顿路c符合无人机续航能力的约束,则:S(i,j)=li+lj-lc,式中,li为汉密尔顿路i的无人机路径的长度,lj为汉密尔顿路j的无人机路径的长度,lc为汉密尔顿路c的无人机路径的长度;
若所述两条汉密尔顿路i、j合并后生成的汉密尔顿路c不符合无人机续航能力的约束则,S(i,j)=-∞。
优选地,根据连接算法构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路,包括:基于队列的连接算法,构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路;
或者,
基于最小生成树的连接算法,构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路。
进一步优选地,基于队列的连接算法,构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路,具体包括:
将基地点加入到队列中;
分别计算队列的头、尾与n条汉密尔顿路起点、终点的距离,选择距离最小的汉密尔顿加入到队列中,并更新队列的头和尾;
重复上一步骤,直到n条汉密尔顿加入到队列中来,构造成车辆搭载无人机的全回路;
进一步优选地,基于最小生成树的连接算法,构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路,具体包括:
构造n条汉密尔顿路的起点和终点构成的集合,对所述集合求其最小生成树;
选择所述最小生成树的度为奇数的车辆停靠点,对所述车辆停靠点之间进行最小权的最大匹配,生成所述车辆停靠点的连接路径;
合并邻近的路径,构成车辆搭载无人机的全回路。
请参考图2,图2是本发明实施例车辆搭载无人机双层路径的构造装置的结构示意图;
贪婪分组单元21,用于根据贪婪分组的规则将无人机任务目标点与车辆路径分组,构建符合无人机续航能力的m条汉密尔顿路(m≥1);
合并单元22,用于采用节约值合并算法合并m条汉密尔顿路,得到n条汉密尔顿路(m≥n);
连接单元23,用于根据连接算法构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路。
请参考图4,图4是本发明实施例车辆搭载无人机双层路径的贪婪分组单元的结构示意图;
计算模块211,用于计算每个无人机任务目标点到每条车辆路径的距离,所述无人机任务目标点到车辆路径的距离为无人机任务目标点到车辆路径起点和终点的距离和;
分组模块212,用于将每个无人机任务目标点与距离最近的车辆路径分为一组;
构建模块213,用于通过汉密尔顿函数构建每个组的汉密尔顿路,所述汉密尔顿路包括一个车辆停点作为起点,一个车辆停点作为终点,至少一个无人机任务目标点,一条从起点到终点的车辆路径,一条遍历无人机任务目标点的无人机路径;
剔除模块214,用于若任一组的汉密尔顿路不符合无人机续航能力的约束,则将所述组中距离车辆路径最远的无人机任务目标点剔除,将被剔除的无人机任务目标点记录在Badnode数组中;
循环模块215,用于重复剔除模块,直到每一组的汉密尔顿路符合无人机续航能力的约束;
重构模块216,用于将所述Badnode数组中的无人机任务目标点加入到距离最近的汉密尔顿路中,所述无人机任务目标点到汉密尔顿路的距离为无人机任务目标点与所述汉密尔顿路中无人机任务目标点距离的最小值;
重建模块217,用于当所述汉密尔顿路加入所述Badnode数组中的无人机任务目标点后,不符合无人机续航能力的约束,则用所述Badnode数组中的无人机任务目标点重新构建汉密尔顿路;
统计模块218,用于记录上述模块得到的m条符合无人机续航能力的汉密尔顿路。
优选地,请参考图6,图6本发明实施例车辆搭载无人机双层路径合并单元的结构示意图;
第一矩阵模块221,用于计算m条汉密尔顿路中任意两条汉密尔顿路之间的节约值S(i,j),排列成m×m的矩阵M;
查找模块222,用于查找矩阵M中数值最大的元素S(i,j),若S(i,j)>0,则删除矩阵第i、j两行和第i、j两列,生成矩阵M′;
第二矩阵模块223,用于将S(i,j)对应的i、j两条汉密尔顿路合并构成汉密尔顿路C,计算C与现有的汉密尔顿路之间的节约值,将计算结果并入矩阵M′中,生成矩阵M*;
循环模块224,用于若矩阵M*中的所有元素S(i,j)<0,得到n条汉密尔顿路;否则,令M=M*,转至查找模块222。
进一步优选地,第一矩阵模块221中计算任意两条汉密尔顿路之间的节约值S(i,j),具体包括:
任意选择两条汉密尔顿路i、j;
若所述两条汉密尔顿路i、j合并后生成的汉密尔顿路c符合无人机续航能力的约束,则:S(i,j)=li+lj-lc,式中,li为汉密尔顿路i的无人机路径的长度,lj为汉密尔顿路j的无人机路径的长度,lc为汉密尔顿路c的无人机路径的长度;
若所述两条汉密尔顿路i、j合并后生成的汉密尔顿路c不符合无人机续航能力的约束则,S(i,j)=-∞。
优选地,所述连接单元,具体包括:
队列模块,用于基于队列的连接算法,构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路;
或者,
最小生成树模块,用于基于最小生成树的连接算法,构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路。
进一步优选地,所述队列模块,具体包括:
初始子模块,用于将基地点加入到队列中;
排除子模块,用于分别计算队列的头、尾与n条汉密尔顿路起点、终点的距离,选择距离最小的汉密尔顿加入到队列中,并更新队列的头和尾;
循环模块,用于重复上一步骤,直到n条汉密尔顿加入到队列中来,构造成车辆搭载无人机的全回路;
进一步优选地,所述最小生成树模块,具体包括:
构造子模块,用于构造n条汉密尔顿路的起点和终点构成的集合,对所述集合求其最小生成树;
生成树子模块,用于选择所述最小生成树的度为奇数的车辆停靠点,对所述车辆停靠点之间进行最小权的最大匹配,生成所述车辆停靠点的连接路径;
合并子模块,用于合并邻近的路径,构成车辆搭载无人机的全回路。
本发明实施例上述技术方案具有如下有益效果:通过计算所有的无人机任务目标点到已知的车辆路径的距离,将所有的无人机任务目标点分配到距离最近的车辆路径上,从而保证了在前期分组的步骤中,就充分考虑了车辆搭载无人机双层路径的相互协调;将构建的m条符合无人机续航能力的汉密乐顿路通过节约值合并算法,将m条符合无人机续航约束汉密尔顿合并成n条符合无人机续航能力的汉密尔顿路;从而保证了在构造车辆搭载无人机双层路径的全回路之前,就对构成全回路的汉密尔顿路进行了优化,减少了汉密尔顿路的数量;基于队列的连接算法和基于最小生成树的连接算法保证了车辆搭载无人机在规划区域内的路网上行驶了一个回路,与此同时,无人机完成所有任务目标点信息的收集工作。
以下结合应用实例对本发明实施例上述技术方案进行详细说明:
基于贪婪分组的车辆搭载无人机双层路径的构造方法的基本思路是:首先将所有的无人机任务目标点分配到距离最近的车辆路径上,构建每个分组的符合无人机续航能力约束的汉密尔顿路;然后,通过节约值合并算法,将构建的汉密尔顿路合并以减少汉密尔顿路的数量;最后,通过基于队列或基于最小生成树的连接算法,构造车辆搭载无人机双层路径的可行解。
通过贪婪分组的规则,构建m条符合无人机续航约束的汉密尔顿路的流程如下:
Heuristic 4:Greedy Assignment(贪婪分组算法流程图)
贪婪分组的规则:首先通过NearestUAVnode(距离最近的无人机任务目标点)函数将所有的无人机任务目标点按照贪婪的原则分配到距离最近的车辆路径上,其中无人机任务目标点到车辆路径的距离为无人机任务目标点到车辆路径起点和终点的距离和。然后,根据上述分配关系,对每一条车辆路径和被分配到这条车辆路径上的无人机任务目标点构建汉密尔顿路。如果,对于某一条车辆路径来说分配了太多的无人机任务目标点从而不能构建符合无人机续航约束的汉密尔顿路,那就从距离这条车辆路径最远的无人机任务目标点开始剔除掉无人机任务目标点,并将被剔除的无人机任务目标点记录在Badnode(坏点)这样一个数组中,重复剔除距离这条车辆路径最远的无人机任务目标点至Badnode数组中的步骤,直到这条路径与被分配的无人机任务目标点构建成符合无人机续航能力约束的汉密尔顿路。对于Badnode数组中的无人机任务目标点,采取重新寻找距离最近的汉密尔路的重构方法。无人机任务目标点与汉密尔顿路的距离的计算方法是:计算所述的无人机任务目标点与汉密尔顿路的无人机任务目标点的距离,取最小值定义为无人机任务目标点与汉密尔顿路的距离。如果已知的汉密尔顿路中加入所述的Badnode数组中的无人机任务目标点是符合无人机续航能力约束的,那么就将所述无人机任务目标点加入到已知的汉密尔顿路去;如果已知的汉密尔顿路中加入所述的Badnode数组中的无人机任务目标点后,不符合无人机续航能力约束,那么就用所述的Badnode数组中的无人机任务目标点在未分配到无人机任务目标点的车辆路径上构造另外的汉密尔顿路,将得到的汉密尔顿路并入已知的汉密尔顿路的集合中,共形成m条汉密尔顿路。
节约值合并算法的详述:
首先,定义两条汉密尔顿路节约值:假设存在i、j两条汉密尔顿路,长度分别为li和lj。将i、j两条路径合并之后,可以得到一条符合续航能力约束的路径c,长度为lc,则i、j之间的节约值S(i,j)=li+lj-lc,式中li、lj、lc为相应的汉密尔顿路中无人机路径的长度。如果i、j两条路径不能合并(合并后,无人机路径不符合无人机续航能力的约束,无人机飞行的路线长度超过续航能力限制),那么认为则i、j之间的节约值S(i,j)=-∞。需要补充说明的是,在得到c的过程中,对c内的点进行了2-OPT(随机交换两个无人机任务目标点)的邻域搜索,从而适当的改进了c的路径。所述2-OPT的邻域搜索,在得到汉密尔顿路c的过程中,将汉密尔顿路i和汉密尔顿路j中所有的无人机任务目标点随机交换,并计算交换后得到的无人机路径的长度,取无人机路径长度最短的为最终的无人机路径;同时,将两条汉密尔顿路中的两条车辆路径合并成一条,得到汉密尔顿路c。
S(i,j)的值越大,说明汉密尔顿路i和汉密尔顿路j连接在一起时总路程减少的越多,根据S(i,j)从大到小的顺序排列,优先将S(i,j)的值较大的两条汉密尔顿合并,直到所有的汉密尔顿路均不能再合并,得到数量为n的汉密尔顿路(m≥n),具体实现时可以在矩阵上进行操作,具体步骤如下:
Step1:计算m条汉密尔顿路中任意两条汉密尔顿路之间的节约值S(i,j),排列成m×m的矩阵M;
Step2:查找矩阵M中数值最大的元素S(i,j),若S(i,j)>0,则删除矩阵第i、j两行和第i、j两列,生成矩阵M′;
Step3:将S(i,j)对应的i、j两条汉密尔顿路合并构成汉密尔顿路c,计算c与现有的汉密尔顿路之间的节约值,将计算结果并入矩阵M′中,在M′最后加入新的一行和新的一列,填入上述节约值,生成矩阵M*;
Step4:若矩阵M*中的所有元素S(i,j)<0,表示已经合并了所有能够合并的汉密尔顿路,算法终止;否则,令M=M*,转至Step2。
通过连接算法构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路的详述:
通过贪婪分组的方法,得到了m条符合无人机续航能力约束的汉密尔顿路,这样的汉密尔顿路数量太多且散乱;通过节约值合并算法减少了汉密尔顿路的数量,但这样的n条汉密尔顿路并未构成一个可行解,也就是没有构成一条从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路,因此,需要连接算法将所有的汉密尔顿连接成一条全回路,本发明实施例提供了两种不同的连接算法:基于队列的连接算法和基于最小生成树的连接算法,以贪婪分组构建的汉密尔顿路为基础,运用任何一个连接算法都可以得到一个可行解。
请参考图8,图8是基于队列连接算法的示意图;其中图8(a)是第一步示意图;图8(b)是过程示意图;图8(c)是结果示意图;
在基于Queue队列的连接算法中,首先将场站节点(基地点)加入到队列中,进入循环,计算每条汉密尔顿路的起点、终点与队列两端的距离,将距离最短的汉密尔顿路的起点到终点的路径加入到队列中,更新队列的头或尾;重复上述循环,直到所有的汉密尔顿路的起点到终点的路径都加入到队列中,这样就构成了一条回路,构造了车辆搭载无人机的双层路径。
算法流程如下:
Algorithm 1:Queue-based Construct(队列连接算法)
请参考图8(a),设定基地点为A,路网上共有两条已经构建好的汉密尔顿路,起点和终点分别为B和C、D和E。为了图面简洁,便于理解,图中没有标明无人机任务目标点和无人机的路径,只标明了车辆的停靠点。各个点的分布如图8(a)所示。
请参考图8(b)和8(c),首先将基地点A加入到队列中,队列中只有A,计算B、C、D、E距离A点的距离,距离A最近的车辆停靠点是B,因此将路径BC加入到队列中,更新队列的尾端A为C,得到如图8(b)所示的结果。在新的队列中,计算剩余的路径DE的D、E到新的队列两端A、C的距离,因为CD<AE,因此将DE端从C的一端加入到队列中,得到如图8(c)所示的结果,最后,再将队列的头和尾相连,构成一条回路。
请参考图9,图9是基于最小生成树连接算法的示意图;其中图9(a)是第一步示意图;图9(b)是过程示意图;图9(c)是结果示意图:
在基于最小生成树连接算法中,借鉴了TSP(旅行商问题)问题求解时的基于最小生成树的求解算法。构造一个所有的汉密尔顿路的起点和终点与基地点构成的集合,对该集合求得得其最小生成树。然后将这个最小生成树的度为奇数的点选取出来,对这些点之间进行一个最小权的最大匹配。最后,再合并邻近的路径,构成一条回路。算法流程图如下:
Algorithm 2:MST-based Construct(最小生成树算法流程)
请参考图9(a),设定基地点为A,路网上共有三条构建好的汉密尔顿路,起点和终点分别为B和C、D和E、F和G。为了图面简洁,便于理解,图中没有标明无人机任务目标点和无人机的路径,只标明了车辆的停靠点。各个点的分布如图9(a)所示。
构建最小生成树时,将路径AC、AE和EF加入图中,此时,B、D、E、G四个车辆停靠点的度为奇数,在这四个车辆停靠点之间进行最小权的最大匹配,找到两条边将这四个车辆停靠点连接起来,保证每一个车辆停靠点的度为偶数,由此可得到如图9(b)的结果。最后考虑相邻路径能否合并,其中路径AE和ED可以合并成一条AD路径,因此合并该边从而得到最终如图9(c)所示。
请参考图10,图10是本发明实施例各节点示意图:
实施例以长沙市规化区域,选取长沙市内重要的26个路口,通过这26个路口建立路网,构成地面车辆行驶的路网。因为路口地段相对开阔,通常无障碍物,所以我们假定序号1雷锋立交桥为基地点,剩下的25个路口都可以作为车辆停靠点。信息如表一所示:
表一长沙市基地点与车辆停靠点信息
实施例的数据采自于百度地图坐标拾取***,通过excel内的一个插件datdmap(数据地图),将百度地图中的地理位置的经纬度坐标点摘取下来,并通过百度地图自带的距离计算工具,计算坐标点之间的距离。
根据路网和百度地图的距离测算工具,我们可以得到初始的距离矩阵。然后,利用Floyd(插点)算法计算基于当前路网,任意两点之间的最短距离。这样得到最终的路网距离矩阵。
除路网以外,我们随机在长沙市内挑选了39个关键地标,作为无人机需要采集信息的任务目标点,无人机任务目标点的名称与位置如表二所示:
表二 长沙市无人机任务目标点信息
图10中圆圈标记中上述39个地标、用方块标记25个车辆停靠点,用三角形标记设定的基地点位置(表一中第一个车辆停靠点)。
本发明实施例以雷锋立交桥(图10中三角形标记)作为基地点,车辆搭载无人机从基地点出发,由无人机检查长沙市内39处任务目标点的4G信号强度,最后回到位于雷锋立交桥的基地点。车辆只能在给定的主干道上行驶,无人机需要从地面车辆上起飞,访问无人机任务目标点,并在无人机任务目标点附近盘旋一段时间完成信号强度检测的工作,然后再访问下一个任务目标点,在电池电量耗完之前,回到车上更换电池再起飞。无人机平均飞行速度设定为80km/h,续航能力设定为25分钟。地面车辆在主干道的平均行驶速度为60km/h,在每一个任务目标点,假定无人机需要停留2~5分钟完成信号强度检测的工作,生成的任务完成所需时间见表二。无人机任务目标点的坐标、与车辆停靠点之间的距离由百度地图的距离计算***给出。实施例的构造目标是采用最短的时间完成对全长沙市所有39个无人机任务目标点的遍历。
请参考图11,图11是本发明实施例贪婪分组后构建m条汉密尔顿路的示意图;应用本发明实施例贪婪分组的规则,计算无人机任务目标点到车辆路径两端点的距离和,将无人机任务目标点分配给距离最近的车辆路径,通过汉密尔顿函数得到m条汉密尔顿路(m≥1)。
请参考图12,图12是本发明实施例经节约值合并后得到n条汉密尔顿路的示意图;在m条汉密尔顿路的基础上采用节约值算合并算法得到合并后n条汉密尔顿路(m≥n)。
请参考图13、图14,图13是本发明实施例基于队列连接算法构造的双层路径的示意图,图14是本发明实施例基于最小生成树连接算法构造的双层路径的示意图。
基于队列的连接算法得到车辆搭载无人机双层路径,车辆行驶一个回路,搭载无人机完成既定任务是总时间为250.10分钟;基于最小生成树的连接算法得到车辆搭载无人机双层路径,车辆行驶一个回路,搭载无人机完成既定任务是总时间为258.41分钟;由结果可知,这两种连接算法都可得到较好的可行解。
本发明实施例提供了一种车辆搭载无人机双层路径的构造装置,可以实现上述提供的方法实施例,具体功能实现请参见方法实施例中的说明,在此不再赘述。
Claims (8)
1.一种车辆搭载无人机双层路径的构造方法,其特征在于,所述方法包括:
根据贪婪分组的规则将无人机任务目标点与车辆路径分组,构建符合无人机续航能力的m条汉密尔顿路,m为正整数;
采用节约值合并算法合并m条汉密尔顿路,得到n条汉密尔顿路,n为正整数,且m≥n;
根据连接算法构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路;
其中,所述采用节约值合并算法合并m条汉密尔顿路,得到n条汉密尔顿路,n为正整数,且m≥n,具体包括:
Step1:计算m条汉密尔顿路中任意两条汉密尔顿路之间的节约值S(i,j),排列成m×m的矩阵M;
Step2:查找矩阵M中数值最大的元素S(i,j),若S(i,j)>0,则删除矩阵第i、j两行和第i、j两列,生成矩阵M′;
Step3:将S(i,j)对应的i、j两条汉密尔顿路合并构成汉密尔顿路c,计算c与现有的汉密尔顿路之间的节约值,将计算结果并入矩阵M′中,生成矩阵M*;
Step4:若矩阵M*中的所有元素S(i,j)<0,得到n条汉密尔顿路;否则,令M=M*,转至Step2。
2.根据权利要求1所述的车辆搭载无人机双层路径的构造方法,其特征在于,所述根据贪婪分组的规则将无人机任务目标点与车辆路径分组,构建每个组的符合无人机续航能力的m条汉密尔顿路,m为正整数,具体包括:
计算每个无人机任务目标点到每条车辆路径的距离,所述无人机任务目标点到车辆路径的距离为无人机任务目标点到车辆路径起点和终点的距离和;
将每个无人机任务目标点与距离最近的车辆路径分为一组;
通过汉密尔顿函数构建每个组的汉密尔顿路,所述汉密尔顿路包括一个车辆停点作为起点,一个车辆停点作为终点,至少一个无人机任务目标点,一条从起点到终点的车辆路径,一条遍历无人机任务目标点的无人机路径;
若任一组的汉密尔顿路不符合无人机续航能力的约束,则将所述组中距离车辆路径最远的无人机任务目标点剔除,将被剔除的无人机任务目标点记录在Badnode数组中;
重复上一步骤,直到每一组的汉密尔顿路符合无人机续航能力的约束;
将所述Badnode数组中的无人机任务目标点加入到距离最近的汉密尔顿路中,所述无人机任务目标点到汉密尔顿路的距离为无人机任务目标点与所述汉密尔顿路中无人机任务目标点距离的最小值;
若所述汉密尔顿路加入所述Badnode数组中的无人机任务目标点后,不符合无人机续航能力的约束,则用Badnode数组中的无人机任务目标点重新构建汉密尔顿路;
上述步骤共得到m条符合无人机续航能力的汉密尔顿路,m为正整数。
3.根据权利要求1所述的车辆搭载无人机双层路径的构造方法,其特征在于,所述计算任意两条汉密尔顿路之间的节约值S(i,j),具体包括:
任意选择两条汉密尔顿路i、j;
若所述两条汉密尔顿路i、j合并后生成的汉密尔顿路c符合无人机续航能力的约束,则:S(i,j)=li+lj-lc,式中,li为汉密尔顿路i的无人机路径的长度,lj为汉密尔顿路j的无人机路径的长度,lc为汉密尔顿路c的无人机路径的长度;
若所述两条汉密尔顿路i、j合并后生成的汉密尔顿路c不符合无人机续航能力的约束则,S(i,j)=-∞。
4.根据权利要求1所述的车辆搭载无人机双层路径的构造方法,其特征在于,所述根据连接算法构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路,包括:基于队列的连接算法,构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路;
或者,
基于最小生成树的连接算法,构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路;
所述基于队列的连接算法,构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路,具体包括:
将基地点加入到队列中;
分别计算队列的头、尾与n条汉密尔顿路起点、终点的距离,选择距离最小的汉密尔顿加入到队列中,并更新队列的头和尾;
重复上一步骤,直到n条汉密尔顿加入到队列中来,构造成车辆搭载无人机的全回路;
所述基于最小生成树的连接算法,构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路,具体包括:
构造n条汉密尔顿路的起点和终点构成的集合,对所述集合求其最小生成树;
选择所述最小生成树的度为奇数的车辆停靠点,对所述车辆停靠点之间进行最小权的最大匹配,生成所述车辆停靠点的连接路径;
合并邻近的路径,构成车辆搭载无人机的全回路。
5.一种车辆搭载无人机双层路径的构造装置,其特征在于,所述装置包括:
贪婪分组单元,用于根据贪婪分组的规则将无人机任务目标点与车辆路径分组,构建符合无人机续航能力的m条汉密尔顿路,m为正整数;
合并单元,用于采用节约值合并算法合并m条汉密尔顿路,得到n条汉密尔顿路,n为正整数,且m≥n;
连接单元,用于根据连接算法构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路;
其中,所述合并单元,具体包括:
第一矩阵模块,用于计算m条汉密尔顿路中任意两条汉密尔顿路之间的节约值S(i,j),排列成m×m的矩阵M;
查找模块,用于查找矩阵M中数值最大的元素S(i,j),若S(i,j)>0,则删除矩阵第i、j两行和第i、j两列,生成矩阵M′;
第二矩阵模块,用于将S(i,j)对应的i、j两条汉密尔顿路合并构成汉密尔顿路c,计算c与现有的汉密尔顿路之间的节约值,将计算结果并入矩阵M′中,生成矩阵M*;
循环模块,用于若矩阵M*中的所有元素S(i,j)<0,得到n条汉密尔顿路;否则,令M=M*,转至查找模块。
6.根据权利要求5所述的车辆搭载无人机双层路径的构造装置,所述贪婪分组单元,具体包括:
计算模块,用于计算每个无人机任务目标点到每条车辆路径的距离,所述无人机任务目标点到车辆路径的距离为无人机任务目标点到车辆路径起点和终点的距离和;
分组模块,用于将每个无人机任务目标点与距离最近的车辆路径分为一组;
构建模块,用于通过汉密尔顿函数构建每个组的汉密尔顿路,所述汉密尔顿路包括一个车辆停点作为起点,一个车辆停点作为终点,至少一个无人机任务目标点,一条从起点到终点的车辆路径,一条遍历无人机任务目标点的无人机路径;
剔除模块,用于若任一组的汉密尔顿路不符合无人机续航能力的约束,则将所述组中距离车辆路径最远的无人机任务目标点剔除,将被剔除的无人机任务目标点记录在Badnode数组中;
循环模块,用于重复剔除模块,直到每一组的汉密尔顿路符合无人机续航能力的约束;
重构模块,用于所述Badnode数组中的无人机任务目标点加入到距离最近的汉密尔顿路中,所述无人机任务目标点到汉密尔顿路的距离为无人机任务目标点与所述汉密尔顿路中无人机任务目标点距离的最小值;
重建模块,用于当所述汉密尔顿路加入所述Badnode数组中的无人机任务目标点后,不符合无人机续航能力的约束,则用所述Badnode数组中的无人机任务目标点重新构建汉密尔顿路;
统计模块,用于记录上述模块得到的m条符合无人机续航能力的汉密尔顿路。
7.根据权利要求5所述的车辆搭载无人机双层路径的构造装置,所述第一矩阵模块中计算任意两条汉密尔顿路之间的节约值S(i,j),具体包括:
任意选择两条汉密尔顿路i、j;
若所述两条汉密尔顿路i、j合并后生成的汉密尔顿路c符合无人机续航能力的约束,则:S(i,j)=li+lj-lc,式中,li为汉密尔顿路i的无人机路径的长度,lj为汉密尔顿路j的无人机路径的长度,lc为汉密尔顿路c的无人机路径的长度;
若所述两条汉密尔顿路i、j合并后生成的汉密尔顿路c不符合无人机续航能力的约束则,S(i,j)=-∞。
8.根据权利要求5所述的车辆搭载无人机双层路径的构造装置,所述连接单元,具体包括:
队列模块,用于基于队列的连接算法,构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路;
或者,
最小生成树模块,用于基于最小生成树的连接算法,构造从基地点出发,遍历n条汉密尔顿路再回到基地点的全回路;
所述队列模块,具体包括:
初始子模块,用于将基地点加入到队列中;
排除子模块,用于分别计算队列的头、尾与n条汉密尔顿路起点、终点的距离,选择距离最小的汉密尔顿加入到队列中,并更新队列的头和尾;
循环模块,用于重复上一步骤,直到n条汉密尔顿加入到队列中来,构造成车辆搭载无人机的全回路;
所述最小生成树模块,具体包括:
构造子模块,用于构造n条汉密尔顿路的起点和终点构成的集合,对所述集合求其最小生成树;
生成树子模块,用于选择所述最小生成树的度为奇数的车辆停靠点,对所述车辆停靠点之间进行最小权的最大匹配,生成所述车辆停靠点的连接路径;
合并子模块,用于合并邻近的路径,构成车辆搭载无人机的全回路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810190247.2A CN108592928B (zh) | 2018-03-08 | 2018-03-08 | 车辆搭载无人机双层路径的构造方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810190247.2A CN108592928B (zh) | 2018-03-08 | 2018-03-08 | 车辆搭载无人机双层路径的构造方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108592928A CN108592928A (zh) | 2018-09-28 |
CN108592928B true CN108592928B (zh) | 2020-10-13 |
Family
ID=63625895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810190247.2A Active CN108592928B (zh) | 2018-03-08 | 2018-03-08 | 车辆搭载无人机双层路径的构造方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108592928B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263983B (zh) * | 2019-05-31 | 2021-09-07 | 中国人民解放军国防科技大学 | 一种车辆与无人机物流配送的双层路径规划方法及*** |
CN111047086B (zh) * | 2019-09-18 | 2022-11-04 | 合肥工业大学 | 车辆路径规划与无人机任务分配联合优化方法和装置 |
CN111811529B (zh) * | 2020-06-15 | 2022-02-01 | 中国人民解放军国防科技大学 | 一种多区域车机协同侦察路径规划方法与*** |
CN112163455B (zh) * | 2020-08-27 | 2023-08-25 | 东风汽车集团有限公司 | 一种用于搜寻目标对象的方法及车云平台 |
CN112945255B (zh) * | 2021-01-29 | 2022-06-21 | 中国人民解放军国防科技大学 | 汽车搭载多架无人机协同多区域覆盖路径规划方法及*** |
CN114440913B (zh) * | 2022-01-21 | 2022-09-27 | 东莞职业技术学院 | 实现最短哈密尔顿回路的路径规划方法、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528649A (zh) * | 2015-11-30 | 2016-04-27 | 山东烟草研究院有限公司 | 一种基于聚类和节约算法的路线优化推荐方法 |
CN106813666A (zh) * | 2017-02-13 | 2017-06-09 | 中国人民解放军国防科学技术大学 | 车辆搭载无人机的双层路径构建方法及*** |
CN106908065A (zh) * | 2017-02-13 | 2017-06-30 | 中国人民解放军国防科学技术大学 | 车辆搭载无人机的双层路径构建方法及*** |
WO2017138922A1 (en) * | 2016-02-09 | 2017-08-17 | Ford Global Technologies, Llc | Taxi of unmanned aerial vehicles during package delivery |
CN107171385A (zh) * | 2017-06-01 | 2017-09-15 | 华南农业大学 | 一种定载荷电动力无人机的分段能耗评价方法 |
-
2018
- 2018-03-08 CN CN201810190247.2A patent/CN108592928B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528649A (zh) * | 2015-11-30 | 2016-04-27 | 山东烟草研究院有限公司 | 一种基于聚类和节约算法的路线优化推荐方法 |
WO2017138922A1 (en) * | 2016-02-09 | 2017-08-17 | Ford Global Technologies, Llc | Taxi of unmanned aerial vehicles during package delivery |
CN106813666A (zh) * | 2017-02-13 | 2017-06-09 | 中国人民解放军国防科学技术大学 | 车辆搭载无人机的双层路径构建方法及*** |
CN106908065A (zh) * | 2017-02-13 | 2017-06-30 | 中国人民解放军国防科学技术大学 | 车辆搭载无人机的双层路径构建方法及*** |
CN107171385A (zh) * | 2017-06-01 | 2017-09-15 | 华南农业大学 | 一种定载荷电动力无人机的分段能耗评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108592928A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256553B (zh) | 车辆搭载无人机双层路径的构造方法及装置 | |
CN108592928B (zh) | 车辆搭载无人机双层路径的构造方法及装置 | |
CN110580404B (zh) | 一种基于城市多模式交通网络的网络运能确定方法 | |
Yi et al. | Optimization models for placement of an energy-aware electric vehicle charging infrastructure | |
CN108549952B (zh) | 车辆搭载无人机双层路径的优化方法及装置 | |
CN107563028B (zh) | 一种基于空间网络的公交-地铁耦合网络构建方法 | |
CN102538806B (zh) | 一种路径规划方法以及相关设备 | |
CN108280463B (zh) | 车辆搭载无人机双层路径的优化方法及装置 | |
CN105844362B (zh) | 一种城市交通综合出行决策装置 | |
Edwards et al. | Comparing fixed-route and demand-responsive feeder transit systems in real-world settings | |
CN102052926B (zh) | 减少燃料消耗和成本的方法 | |
CN110222786B (zh) | 基于出行信息的动态拼车方法及*** | |
CN103177561A (zh) | 公交实时路况的生成方法及*** | |
CN111879329B (zh) | 基于a*算法的定制公交可通行最短路径计算方法 | |
CN105787586A (zh) | 一种最大化时空可达性的公交线路站点优化布设方法 | |
CN112347596B (zh) | 一种城市公交线网优化方法 | |
CN109472976A (zh) | 一种用于重载大型车辆的智能出行应用*** | |
CN115079701A (zh) | 一种无人车与无人机协同的路径规划方法 | |
CN115630988A (zh) | 陆路综合交通可达性测算方法和装置 | |
CN117553818A (zh) | 一种基于改进a*算法的路径规划方法及*** | |
Dahlmanns et al. | Optimizing the geometry of transportation networks in the presence of congestion | |
Agatz et al. | Autonomous car and ride sharing: flexible road trains: (vision paper) | |
CN116307580A (zh) | 运力调度方法、装置、电子设备及存储介质 | |
CN115423286A (zh) | 一种市域轨道交通郊区段车站吸引范围划分方法 | |
Liu et al. | Learning to route via theory-guided residual network |
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 |