CN109657863B - 一种基于萤火虫算法的无人船全局路径动态优化方法 - Google Patents
一种基于萤火虫算法的无人船全局路径动态优化方法 Download PDFInfo
- Publication number
- CN109657863B CN109657863B CN201811565262.7A CN201811565262A CN109657863B CN 109657863 B CN109657863 B CN 109657863B CN 201811565262 A CN201811565262 A CN 201811565262A CN 109657863 B CN109657863 B CN 109657863B
- Authority
- CN
- China
- Prior art keywords
- firefly
- unmanned ship
- point
- target
- current position
- 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
- 241000254158 Lampyridae Species 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000004888 barrier function Effects 0.000 claims abstract description 5
- 230000003068 static effect Effects 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 3
- 241000131894 Lampyris noctiluca Species 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 description 4
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于萤火虫算法的无人船全局路径动态优化方法;包括以下步骤:S1、获取目标点和目标区域;S2、获取当前位置及当前航速,获取航行方向;S3、根据当前位置、当前航速和航行方向,确定预设时长后的无人船所能到达的位置并作为预测的下一路径点;S4、根据预先获取的外部环境信息和实时获取的检测信息判断预测的下一路径点是否属于目标区域和预测的下一路径点是否属于不可航行区域;S5、若遇到障碍物点则通过萤火虫算法避开障碍物,返回步骤S2直至无人船到达目标点;本发明无需建立环境模型,能在航行过程中实时检测并避开障碍物,路径规划用时短、效率高,适合处理无人船全局路径动态优化问题。
Description
技术领域
本发明涉及无人船路径规划技术领域,尤其涉及一种基于萤火虫算法的无人船全局路径动态优化方法。
背景技术
路径规划是实现无人船自主航行的前提和基础,在路径规划领域,仿生算法的出现极大促进了路径规划方法的发展。萤火虫算法最早被提出用于求解全局最优问题,随后被应用于路径规划领域。
现有的基于萤火虫算法的路径规划方法会先建立环境模型,然后综合考虑路径长度、路径平滑程度以及碰撞危险度等因素,通过萤火虫种群从起点到终点的运动最终得到多条路径,最后再从路径集中选取最优的路径。目前,所有相关方法均基于已知静态环境信息建模,然后进行路径规划,最后规划得到一条从起点到终点的无碰撞集合路径,实现的是基于静态环境信息的全局路径规划,无法实现对航线的动态优化。
发明内容
(一)要解决的技术问题
为了解决现有技术中路径规划算法需要对环境进行建模,规划的路径受模型限制,且避障算法复杂的技术问题,本发明提供一种基于萤火虫算法的无人船全局路径动态优化方法。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括以下步骤:
S1、获取无人船航行任务的目标点Pg(xg,yg),并生成目标点Pg(xg,yg)的目标区域S;
S2、获取当前位置Po(xo,yo)及当前航速Vc,将当前位置Po(xo,yo)与所述目标点Pg(xg,yg)的直线方向作为所述无人船的航行方向;
S3、根据所述当前位置Po(xo,yo)、所述当前航速Vc和所述航行方向,确定预设时长t后的无人船所能到达的位置,将无人船所能到达的位置作为预测的下一路径点Pf(xf,yf);
S4、根据预先获取的外部环境信息和实时获取的检测信息判断所述预测的下一路径点Pf(xf,yf)是否属于目标区域S和所述预测的下一路径点Pf(xf,yf)是否属于不可航行区域;
S5、若步骤S4中预测的下一路径点Pf(xf,yf)属于不可航行区域且不属于目标区域S,则利用萤火虫算法基于当前位置Po(xo,yo)、与当前位置Po(xo,yo)最近的障碍物点、目标点Pg(xg,yg)和目标函数值fi预测一个替代路径点Pf'(xf',yf'),并将所述替代路径点Pf'(xf',yf')作为预测的下一路径点Pf(xf,yf)返回步骤S4;
若步骤S4中预测的下一路径点Pf(xf,yf)不属于不可航行区域且不属于目标区域S,则无人船行驶至预测的下一路径点Pf(xf,yf),并返回步骤S2。
可选地,还包括初始化萤火虫算法的参数,获取初始化的萤火虫种群;
其中所述参数包括:萤火虫种群大小N,避碰系数K1、最短路径系数K2、预设最大迭代次数gen、步长参数α,最大吸引力β0和光强吸收率γ。
可选地,目标函数值fi通过公式一至公式三获得;
其中,K1和K2均为大于零常数,(X0,Y0)为与当前位置最近的障碍物坐标,(xg,yg)为目标点坐标,on表示静态障碍物,os表示动态障碍物,表示每个萤火虫个体感知到的障碍物的距离最小值,xfi为第i个萤火虫个体的横坐标,yfi为第i个萤火虫个体的纵坐标。
可选地,在步骤S5中利用萤火虫算法预测一个替代路径点Pf'(xf',yf')包括以下步骤:
S51、初始化包括N个萤火虫个体的种群;
S52、并根据无人船当前位置Po(xo,yo)、目标点Pg(xg,yg)计算每个萤火虫的目标函数值;
S53、根据每个萤火中的目标函数值决定N个萤火虫的移动方向,即每个萤火虫向目标函数最小的萤火虫所在的位置移动,更新N个萤火虫所在位置;
S54、重复步骤S52-S53直至迭代次数等于预设最大迭代次数gen,获取目标函数值最小的萤火中的位置作为替代路径点Pf'(xf',yf')。
可选地,在步骤S51中,随机初始化N个萤火虫位置的均值为零,初始化的萤火虫种群位置服从分布x~N(0,dis2)
其中,dis为无人船在预设时间内航行的直线距离。
可选地,在步骤S53中根据公式四更新路径点的位置;
其中,α是一个随机的参数,εi是一个服从高斯分布或均匀分布的随机数,xj是当前迭代过程中目标函数最优的萤火虫个***置信息,β0是最大吸引力,γ是光强吸收率,rij是萤火虫i和萤火虫j之间的欧式距离,xi是第i个萤火虫的位置信息。
可选地,在步骤S1中所述目标区域S为,以目标点Pg(xg,yg)为圆心,以预设时长t与当前航速Vc乘积为半径的圆形区域。
可选地,在步骤S4中预先获取的外部环境信息包括:
预先通过电子海图获取的全局范围内的静态障碍物位置坐标。
可选地,在步骤S4中实时获取的检测信息包括:
通过船舶自动识别***、雷达和海洋气象预报获取的动态障碍物位置坐标和禁行区域信息。
可选地,所述预设时长t为所述船舶自动识别***、雷达和海洋气象预报每次更新的时钟周期。
(三)有益效果
本发明的有益效果是:本发明方法无需建立复杂的环境模型,能够动态的规划全局路径,采用萤火虫算法进行障碍物规避,算法简便响应速度快,路径规划用时短、效率高,适合解决无人船全局路径动态优化问题。
附图说明
图1为本发明一实施例提供的一种基于萤火虫算法的无人船全局路径动态优化方法的流程示意图;
图2为本发明一实施例提供的采用Matlab仿真得到的路径规划结果;
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
实施例一
如图1所示,本实施例提供了一种基于萤火虫算法的无人船全局路径动态优化方法,具体包括以下步骤:
S1、获取无人船航行任务的目标点Pg(xg,yg),并生成目标点Pg(xg,yg)的目标区域S;
其中,所述目标区域S为,以目标点Pg(xg,yg)为圆心,以预设时长t与当前航速Vc乘积为半径的圆形区域;
S2、获取当前位置Po(xo,yo)及当前航速Vc,将当前位置Po(xo,yo)与所述目标点Pg(xg,yg)的直线方向作为所述无人船的航行方向;
假设当前位置与目标点之间没有障碍物,则最初航线即为连接当前位置与目标点的直线段,在无人船实际航行过程中,使用该直线段作为全局路径规划的结果。
具体地举例来说,无人船的当前航速Vc为12海里/小时,无人船在行驶的过程中航行速度大小基本不变;相应地所述目标区域即为以目标点Pg(xg,yg)为圆心,4海里为半径的圆形区域;
S3、根据所述当前位置Po(xo,yo)、所述当前航速Vc和所述航行方向,确定预设时长t后的无人船所能到达的位置,将无人船所能到达的位置作为预测的下一路径点Pf(xf,yf);
举例来说,在本实施例中预设时长t为20min,相应的会在距离当前位置4海里的位置且沿当前位置Po(xo,yo)与所述目标点Pg(xg,yg)的直线方向生成预测的下一路径点Pf(xf,yf);
预设时长t可为所述船舶自动识别***、雷达和海洋气象预报每次更新的时钟周期,上述举例预设时长t为20min仅用于举例说明,本发明并不对其取值进行限定,其取值依据具体航行需求设置。
S4、根据预先获取的外部环境信息和实时获取的检测信息判断所述预测的下一路径点Pf(xf,yf)是否属于目标区域S和所述预测的下一路径点Pf(xf,yf)是否属于不可航行区域;
具体地,其中预先获取的外部环境信息包括:预先通过电子海图获取的全局范围内的静态障碍物位置坐标;
实时获取的检测信息包括:通过船舶自动识别***、雷达和海洋气象预报获取的动态障碍物位置坐标和禁行区域信息;举例来说禁行区域信息为当前海域内正在进行军事演习的区域,和/或海洋气象预报不适宜行驶的区域。
S5、若步骤S4中预测的下一路径点Pf(xf,yf)是属于不可航行区域且不属于目标区域S,则利用萤火虫算法基于当前位置Po(xo,yo)、与当前位置Po(xo,yo)最近的障碍物点、目标点Pg(xg,yg)和目标函数值fi预测一个替代路径点Pf'(xf',yf'),并将所述替代路径点Pf'(xf',yf')作为预测的下一路径点Pf(xf,yf)返回步骤S4;
若步骤S4中预测的下一路径点Pf(xf,yf)不属于不可航行区域且不属于目标区域S,则无人船行驶至预测的下一路径点Pf(xf,yf),并返回步骤S2。
具体地,还包括初始化萤火虫算法的参数,获取初始化的萤火虫种群;
其中所述参数包括:萤火虫种群大小N,避碰系数K1、最短路径系数K2、预设最大迭代次数gen、步长参数α,最大吸引力β0和光强吸收率γ。
在被实施例中,目标函数值fi通过公式1至公式3获得;
其中,K1和K2均为大于零常数,(X0,Y0)为与当前位置最近的障碍物坐标,(xg,yg)为目标点坐标,on表示静态障碍物,os表示动态障碍物,表示每个萤火虫个体感知到的障碍物的距离最小值,xfi为第i个萤火虫个体的横坐标,yfi为第i个萤火虫个体的纵坐标。
举例来说,目标函数值最小的萤火虫是与障碍物距离最远,并且与目标点距离最近的点,即避障行为和目标搜索行为组合成一个目标函数。
具体地利用初始化的萤火虫算法预测一个替代路径点Pf'(xf',yf')包括以下步骤:
S51、初始化包括N个萤火虫个体的种群;
举例来说,随机初始化N个萤火虫的均值为零,初始化的萤火虫种群位置服从分布x~N(0,dis2),其中,dis为无人船在预设时间内航行的直线距离;
S52、并根据无人船当前位置Po(xo,yo)、目标点Pg(xg,yg)计算每个萤火虫的目标函数值;
S53、根据萤火虫的目标函数值决定N个萤火虫的移动方向,即每个萤火虫向目标函数最小的萤火虫所在的位置移动,并更新N个萤火虫所在的位置;
具体地,根据公式4更新路径点的位置;
其中,α是一个随机的参数,εi是一个服从高斯分布或均匀分布的随机数,xj是当前迭代过程中目标函数最优的萤火虫个***置信息,β0是最大吸引力,γ是光强吸收率,rij是萤火虫i和萤火虫j之间的欧式距离,xi是第i个萤火虫的位置信息。
S54、重复步骤S52-S53直至迭代次数等于预设最大迭代次数gen,获取目标函数值最小的萤火虫的位置作为替代路径点Pf'(xf',yf')。
在本实施例中,无人船从起始点向目标点运动,当遇到障碍物或不禁行区域时,则激活萤火虫算法,并将萤火虫算法中目标函数值最小的萤火虫的位置作为预测的下一路径点,并从最后一个路径点向目标点移动,如果没有检测到障碍物或禁行区域则沿当前位置点与目标点所在的直线运动。
仿真实验
本实施例采用Matlab仿真,预计从当前位置(0,0)至目标点(10,10)规划一条路径,其中在其中模拟了两处障碍物点,使用本发明方法进行仿真验证;
具体的,在本实施例中,设定萤火虫种群大小N等于50,避碰系数K1等于0.9、最短路径系数K2等于0.01、预设最大迭代次数gen等于50、步长参数α等于0.3,最大吸引力β0等于0.5和光强吸收率γ等于0.2;
如图2所示,从路径规划结果可以看出,本发明方法能够自动避开障碍物,并完成从当前位置到达目标点的航行任务。
本发明方法无需建立复杂的环境模型,能够动态的规划全局路径,采用萤火虫算法进行障碍物规避,算法简便响应速度快,路径规划用时短、效率高,适合解决无人船全局路径动态优化问题。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于萤火虫算法的无人船全局路径动态优化方法,其特征在于,包括以下步骤:
S1、获取无人船航行任务的目标点Pg(xg,yg),并生成目标点Pg(xg,yg)的目标区域S;
S2、获取当前位置Po(xo,yo)及当前航速Vc,将当前位置Po(xo,yo)与所述目标点Pg(xg,yg)的直线方向作为所述无人船的航行方向;
S3、根据所述当前位置Po(xo,yo)、所述当前航速Vc和所述航行方向,确定预设时长t后的无人船所能到达的位置,将无人船所能到达的位置作为预测的下一路径点Pf(xf,yf);
S4、根据预先获取的外部环境信息和实时获取的检测信息判断所述预测的下一路径点Pf(xf,yf)是否属于目标区域S和所述预测的下一路径点Pf(xf,yf)是否属于不可航行区域;
S5、若步骤S4中预测的下一路径点Pf(xf,yf)属于不可航行区域且不属于目标区域S,则利用萤火虫算法基于当前位置Po(xo,yo)、与当前位置Po(xo,yo)最近的障碍物点、目标点Pg(xg,yg)和目标函数值fi预测一个替代路径点Pf'(xf',yf'),并将所述替代路径点Pf'(xf',yf')作为预测的下一路径点Pf(xf,yf)返回步骤S4;所述目标函数值fi通过公式一至公式三获得;
其中,避碰系数K1、最短路径系数K2,K1和K2均为大于零常数,(X0,Y0)为与当前位置最近的障碍物坐标,(xg,yg)为目标点坐标,on表示预先通过电子海图获取的全局范围内的静态障碍物,os表示通过船舶自动识别***、雷达和海洋气象预报获取的动态障碍物,表示每个萤火虫个体感知到的障碍物的距离最小值,为第i个萤火虫个体的横坐标,为第i个萤火虫个体的纵坐标;
若步骤S4中预测的下一路径点Pf(xf,yf)不属于不可航行区域且不属于目标区域S,则无人船行驶至预测的下一路径点Pf(xf,yf),并返回步骤S2。
2.如权利要求1所述的方法,其特征在于,还包括初始化萤火虫算法的参数,获取初始化的萤火虫种群;
其中所述参数包括:萤火虫种群大小N,避碰系数K1、最短路径系数K2、预设最大迭代次数gen、步长参数α,最大吸引力β0和光强吸收率γ。
3.如权利要求1所述的方法,其特征在于,在步骤S5中利用萤火虫算法预测一个替代路径点Pf'(xf',yf')包括以下步骤:
S51、初始化包括N个萤火虫个体的种群;
S52、并根据无人船当前位置Po(xo,yo)、目标点Pg(xg,yg)计算每个萤火虫的目标函数值;
S53、根据每个萤火中的目标函数值决定N个萤火虫的移动方向,即每个萤火虫向目标函数最小的萤火虫所在的位置移动,更新N个萤火虫所在位置;
S54、重复步骤S52-S53直至迭代次数等于预设最大迭代次数gen,获取目标函数值最小的萤火中的位置作为替代路径点Pf'(xf',yf')。
4.如权利要求3所述的方法,其特征在于,在步骤S51中,随机初始化N个萤火虫位置的均值为零,初始化的萤火虫种群位置服从分布x~N(0,dis2)
其中,dis为无人船在预设时间内航行的直线距离。
5.如权利要求1所述的方法,其特征在于,在步骤S1中所述目标区域S为,以目标点Pg(xg,yg)为圆心,以预设时长t与当前航速Vc乘积为半径的圆形区域。
6.如权利要求5所述的方法,其特征在于,在步骤S4中预先获取的外部环境信息包括:
预先通过电子海图获取的全局范围内的静态障碍物位置坐标。
7.如权利要求6所述的方法,其特征在于,在步骤S4中实时获取的检测信息包括:
通过船舶自动识别***、雷达和海洋气象预报获取的动态障碍物位置坐标和禁行区域信息。
8.如权利要求7所述的方法,其特征在于,所述预设时长t为所述船舶自动识别***、雷达和海洋气象预报每次更新的时钟周期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811565262.7A CN109657863B (zh) | 2018-12-20 | 2018-12-20 | 一种基于萤火虫算法的无人船全局路径动态优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811565262.7A CN109657863B (zh) | 2018-12-20 | 2018-12-20 | 一种基于萤火虫算法的无人船全局路径动态优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657863A CN109657863A (zh) | 2019-04-19 |
CN109657863B true CN109657863B (zh) | 2021-06-25 |
Family
ID=66115242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811565262.7A Active CN109657863B (zh) | 2018-12-20 | 2018-12-20 | 一种基于萤火虫算法的无人船全局路径动态优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657863B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348560A (zh) * | 2019-07-02 | 2019-10-18 | 河北科技大学 | 一种基于改进萤火虫算法优化粒子滤波的轨迹预测的方法 |
CN110412982B (zh) * | 2019-07-31 | 2022-07-15 | 长沙理工大学 | 基于单目相机测距不确定的机器人路径稳健性规划方法 |
CN111061165B (zh) * | 2019-12-16 | 2022-08-23 | 青岛科技大学 | 一种船舶相对碰撞危险度模型的验证方法 |
CN112101655B (zh) * | 2020-09-11 | 2023-04-28 | 长沙理工大学 | 萤火虫算法在路径规划应用中的种群动态调节策略与实现 |
CN112731961B (zh) * | 2020-12-08 | 2024-06-25 | 深圳供电局有限公司 | 路径规划方法、装置、设备及存储介质 |
CN114089754A (zh) * | 2021-11-11 | 2022-02-25 | 中国船舶重工集团公司第七一九研究所 | 一种基于人工智能的自主路径规划方法和*** |
CN114396945B (zh) * | 2022-03-24 | 2022-07-12 | 陕西欧卡电子智能科技有限公司 | 无人船沿边清扫路径规划方法、装置、设备及存储介质 |
CN116700315B (zh) * | 2023-07-03 | 2024-02-06 | 苏州优世达智能科技有限公司 | 一种无人艇的航迹跟踪控制方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573812A (zh) * | 2014-07-07 | 2015-04-29 | 广西民族大学 | 一种基于粒子萤火虫群优化算法的无人机航路路径确定方法 |
CN107289939A (zh) * | 2017-06-09 | 2017-10-24 | 武汉理工大学 | 基于svm算法的无人船路径规划方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360214B (zh) * | 2011-09-02 | 2013-03-06 | 哈尔滨工程大学 | 一种基于萤火虫算法的舰船路径规划方法 |
CN103196449B (zh) * | 2013-03-28 | 2016-09-14 | 哈尔滨工程大学 | 基于潮流潮汐预报信息的船舶航路规划方法 |
JP2015203938A (ja) * | 2014-04-14 | 2015-11-16 | 株式会社Ihi | 自律航走体の異常時帰還用制御方法、及び、該異常時帰還用制御方法の実施に用いる自律航走体 |
CN106846916A (zh) * | 2014-12-30 | 2017-06-13 | 江苏理工学院 | 一种航海管制方法 |
CN108564202B (zh) * | 2018-03-18 | 2022-03-18 | 哈尔滨工程大学 | 一种基于环境预报信息的无人艇航线优化方法 |
CN108803313B (zh) * | 2018-06-08 | 2022-07-12 | 哈尔滨工程大学 | 一种基于海流预测模型的路径规划方法 |
CN108876065B (zh) * | 2018-08-31 | 2022-05-06 | 武汉理工大学 | 一种基于轨迹单元的无人艇运动规划方法 |
-
2018
- 2018-12-20 CN CN201811565262.7A patent/CN109657863B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573812A (zh) * | 2014-07-07 | 2015-04-29 | 广西民族大学 | 一种基于粒子萤火虫群优化算法的无人机航路路径确定方法 |
CN107289939A (zh) * | 2017-06-09 | 2017-10-24 | 武汉理工大学 | 基于svm算法的无人船路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109657863A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657863B (zh) | 一种基于萤火虫算法的无人船全局路径动态优化方法 | |
US11989952B2 (en) | Systems and methods for trajectory prediction | |
US11772654B2 (en) | Occupancy prediction neural networks | |
Niu et al. | Energy efficient path planning for unmanned surface vehicle in spatially-temporally variant environment | |
CN107272680B (zh) | 一种基于ros机器人操作***的机器人自动跟随方法 | |
CN108225358B (zh) | 交通工具导航 | |
CN109933067B (zh) | 一种基于遗传算法和粒子群算法的无人艇避碰方法 | |
US20190147610A1 (en) | End-to-End Tracking of Objects | |
Liu et al. | Predictive navigation of unmanned surface vehicles in a dynamic maritime environment when using the fast marching method | |
CN109491377A (zh) | 用于自动驾驶车辆的基于dp和qp的决策和规划 | |
CN109491376A (zh) | 用于自动驾驶车辆的基于动态规划和梯度下降的决策和规划 | |
CN109489675A (zh) | 用于自动驾驶车辆的基于成本的路径规划 | |
CN114830138A (zh) | 训练轨迹评分神经网络以准确分配分数 | |
US11967103B2 (en) | Multi-modal 3-D pose estimation | |
CN116263335A (zh) | 一种基于视觉与雷达信息融合与强化学习的室内导航方法 | |
US11727690B2 (en) | Behavior prediction of surrounding agents | |
Lin et al. | Maritime environment perception based on deep learning | |
KR20200043005A (ko) | 이미지 인식 모델을 트레이닝시키는 장치 및 방법과 이미지 인식 장치 및 방법 | |
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 | |
CN116679711A (zh) | 一种基于有模型与无模型强化学习的机器人避障方法 | |
Zhang et al. | AUV path planning based on differential evolution with environment prediction | |
Lin et al. | Research on UUV obstacle avoiding method based on recurrent neural networks | |
KR20190140491A (ko) | 대상체의 예측 경로 데이터를 생성하는 방법, 장치 및 무인 차량 | |
CN114846523A (zh) | 使用记忆注意力的多对象跟踪 | |
CN116679710A (zh) | 一种基于多任务学习的机器人避障策略训练与部署方法 |
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 |