CN109977455B - 一种适用于带地形障碍三维空间的蚁群优化路径构建方法 - Google Patents
一种适用于带地形障碍三维空间的蚁群优化路径构建方法 Download PDFInfo
- Publication number
- CN109977455B CN109977455B CN201910092295.2A CN201910092295A CN109977455B CN 109977455 B CN109977455 B CN 109977455B CN 201910092295 A CN201910092295 A CN 201910092295A CN 109977455 B CN109977455 B CN 109977455B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- path
- ants
- neighborhood
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种适用于带地形障碍三维空间的蚁群优化路径构建方法,包括下述步骤:步骤一,对地图空间进行建模;在三维空间中生成O‑XYZ坐标系,O为原点,X、Y、Z分别对应X、Y、Z轴,并对空间进行离散化处理,在该坐标系中生成size*size*size个空间点,其中size表示密度,每一个空间点代表一个位置点;本发明的机器人不断通过探测操作获取局部环境,之后使用蚁群算法对获得的局部环境进行处理,筛选出有效的地形信息进行计算,能降低运算的成本;蚁群算法中添加了路径纠正操作和拆分操作能对计算出来的路径进行局部优化,弥补了算法随机性带来的陷入路径局部最优的缺陷。
Description
技术领域
本发明涉及路径优化和智能计算技术领域,具体涉及一种适用于带地形障碍三维空间的蚁群优化路径构建方法。
背景技术
随着科学技术的发展,人类为了寻求更多的资源和拓宽生存空间,对自然界的认识越来越广阔,对自然界的探索也在不断扩大与深入。现阶段,人类开发出了各种功能的机器人,辅助人类的探索事业,其中,军事侦察、海底探索、航天航空和安全医疗等领域得到了广泛的应用。在军事侦查中,需要侦查行为具有隐蔽性和高效性;在海底和航空探索中,需要机器人的安全性和灵活性;而在医疗领域中,需要机器人的精确性等等;在这些领域中,机器人为人类的探索提供了便捷性和高效性,极大推动了对自然界探索的进程。
机器人在作业时,需要探测设备和计算设备为其提供信息的获取与处理的支持,用于海底导航、航空航道等等,其中,路径规划技术起着至关重要的作用,该技术主要分为空间建模和路径搜索两个阶段;对于带地形障碍的三维空间,机器人在空间中移动时,需要路径规划技术为其提供正确的路径信息,以避免碰撞到障碍物并快速到达终止点。如今,在空间建模阶段,构建三维空间的方法有栅格法、可视图法、切线图法、Voronoi图法等等,各有自身的优缺点,但只要能与路径搜索算法很好的结合即可得到良好的路径搜索效果。在路径搜索阶段,当今已研究出各种算法,主要是A*算法、Dijkstra算法、神经网络法、人工势场法、遗传算法、粒子群算法等等;其中的确定性算法能搜索出很好的结果,但是其时间复杂度过高;非确定性算法虽然不一定搜索出最优的结果,但是其时间耗费远远比确定性算法要少,而且非确定性算法中能对搜索出来的路径进行局部优化处理,以弥补算法本身随机性所带来的不确定性。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种适用于带地形障碍三维空间的蚁群优化路径构建方法,该方法使用蚁群算法对局部环境进行处理,筛选出有效的地形信息进行计算,能够降低运算成本,大大提高工作效率。
本发明的目的通过下述技术方案实现:
一种适用于带地形障碍三维空间的蚁群优化路径构建方法,包括下述步骤:
步骤一,对地图空间进行建模;在三维空间中生成O-XYZ坐标系, O为原点,X、Y、Z分别对应X、Y、Z轴,并对空间进行离散化处理,在该坐标系中生成size*size*size个空间点,其中size表示密度,每一个空间点代表一个位置点;
其中,对所述空间点划分为可行点和非可行点,0表示非可行点, 1表示可行点;对于非可行点,分析每一个障碍物,判断该障碍物是否覆盖某空间点,是则把该空间点标记为非可行点;对于可行点,若邻域里至少有一个是非可行点,则把该点定义为边缘点;对于已探测到的边缘点,如果该点邻域内存在不能与探测源点直连的边缘点,则把此点标记为潜力点;对于点与点之间的关系,划分为直连和不可直连;直连的含义是两点之间连接不触碰障碍物;反之,不可直连意味着两点之间的连线触碰到了障碍物;
步骤二,每一次迭代开始时,将所有蚂蚁放置于起始点;然后蚂蚁每进入下一个位置点之前先确保当前所在位置点已执行探测操作,再对探测得到的潜力点按概率进行贪心策略或轮盘赌的方式进行选择,并将选择的点作为蚂蚁的下一个路径点,直到所有蚂蚁构建完路径后迭代结束;
步骤三,蚂蚁每移动一步,算法对相应路段执行局部信息素更新;
步骤四,每一次迭代结束后,所有蚂蚁均构建完自身的路径,此时各自进行路径纠正操作,再筛选出当代最优蚂蚁并更新历代最优蚂蚁,若历代最优蚂蚁有更新,则对该蚂蚁执行局部搜索;
其中,所述局部搜索具体为:对路径上的位置点从前往后进行遍历,对遍历到的位置点拆分成邻域内的两个不重复的边缘点,若拆分后构成的路径长度有所缩减,则保留这种拆分,然后遍历下一个路径点并执行同样的操作,直到所有路径点遍历完成;
步骤五,依据历代最优蚂蚁进行全局信息素的更新,同时对路径点邻域之间的信息素进行更新;
其中,所述对路径点邻域之间的信息素进行更新具体为:对一条完整路径的路径点进行从前往后的遍历,对当前点邻域的所有点到下一个点邻域的所有点所构成的所有边进行信息素更新,且规定起始点没有邻域,以及终止点与前一个点的邻域所构成的边不进行信息素更新;
步骤六,若当前迭代次数未达到最大迭代次数,则返回步骤二,否则输出历代蚂蚁的路径信息,结束算法。
优选地,所述步骤二中的探测操作具体为:侦察器探测未知地图信息时,基于当前点通过声纳等物理技术探测地图上的潜力点,在数据结构上,这些潜力点是探测源点的孩子节点;而潜力点的定义是:对于已探测到的边缘点,如果该点邻域内存在不能与探测源点直连的边缘点,则把此点标记为潜力点。
优选地,所述步骤四中的路径纠正操作具体为:根据两点之间直线最短的原则,删减完整路径上的多余路径点,以使得路径长度进一步缩减的操作。
本发明与现有技术相比具有以下的有益效果:
(1)本发明的机器人不断通过探测操作获取局部环境,之后使用蚁群算法对获得的局部环境进行处理,筛选出有效的地形信息进行计算,能降低运算的成本;
(2)本发明的蚁群算法中添加了路径纠正操作和拆分操作能对计算出来的路径进行局部优化,弥补了算法随机性带来的陷入路径局部最优的缺陷;而且本发明能适用于未知空间和全局已知空间两种情况,具有适应性强的特点;
(3)本发明在运算中添加了邻域信息素更新,为蚂蚁的移动添加了局部随机性,能为对搜索得到的路径进行局部修正与优化,增强了最优蚂蚁的可靠性,从而更好地引导其他蚂蚁移动,使得算法从整体上得到性能的提升。
附图说明
图1为本发明的整体流程图;
图2为本发明长方体障碍物与边缘点的二维俯视图;
图3为本发明蚁群探测示意图;
图4为本发明路径纠正示意图;
图5为本发明拆分操作示意图;
图6为本发明邻域信息素更新示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
本发明首先对地图空间进行建模,然后将所有的蚂蚁初始化在航行器的起始点,之后每只蚂蚁在移动之前先确保基于当前位置点已用声纳探测过地形,即执行探测操作获取潜力点,再移动到下一个位置点,直到所有蚂蚁均移动到终止点为止。最后根据每只蚂蚁的路径信息输出最短路径。
具体来说,如图1~6所示,一种适用于带地形障碍三维空间的蚁群优化路径构建方法,包括下述步骤:
(1)对地图空间进行建模;在三维空间中生成O-XYZ坐标系, O为原点,X、Y、Z分别对应X、Y、Z轴,并对空间进行离散化处理,在这坐标系中生成size*size*size个空间点,其中size表示密度,每一个空间点代表一个位置点。
(2)每一次迭代开始时,将所有蚂蚁放置于起始点。然后蚂蚁每进入下一个位置点之前先确保当前所在位置点已作探测操作,再对探测得到的潜力点按概率进行贪心策略或轮盘赌的方式进行选择,并将选择的点作为蚂蚁的下一个路径点,直到所有蚂蚁构建完路径后迭代结束。
(3)蚂蚁每移动一步,算法对相应路段执行局部信息素更新。
(4)在所有蚂蚁均构建完自身的路径,各自进行路径纠正操作,再筛选出当代最优蚂蚁并更新历代最优蚂蚁,若历代最优蚂蚁有更新,则对该蚂蚁执行局部搜索。
(5)依据历代最优蚂蚁进行全局信息素的更新,另外对路径点邻域之间的信息素进行更新。
(6)若当前迭代次数未达到最大迭代次数,则返回步骤(2),否则输出历代蚂蚁的路径信息,结束算法。
对地图空间进行建模时,对空间点划分为可行点和非可行点,0 表示非可行点,1表示可行点。对于非可行点,分析每一个障碍物,判断该障碍物是否覆盖某空间点,是则把该空间点标记为非可行点。对于可行点,若邻域里至少有一个是非可行点,则把该点定义为边缘点;对于已探测到的边缘点,如果该点邻域内存在不能与探测源点直连的边缘点,则把此点标记为潜力点。对于点与点之间的关系,划分为直连和不可直连。直连的含义是两点之间连接不触碰障碍物;反之,不可直连意味着两点之间的连线触碰到了障碍物。
由于地图信息一开始是未知的,机器人需要逐步探测地图信息,而每一次探测被定义为算法中的探测操作,这是指侦察器探测未知地图信息时,基于当前点通过声纳等物理技术探测地图上的潜力点,在数据结构上,这些潜力点是探测源点的孩子节点。而潜力点的定义是:对于已探测到的边缘点,如果该点邻域内存在不能与探测源点直连的边缘点,则把此点标记为潜力点。
每只蚂蚁构建完路径后需要对路径进行纠正操作:根据两点之间直线最短的原则,删减完整路径上的多余路径点,以使得路径长度进一步缩减。
如果每次迭代完成以后,历史最优蚂蚁有更新,则执行局部搜索操作:对路径上的位置点从前往后进行遍历,对遍历到的位置点拆分成邻域内的两个不重复的边缘点,若拆分后构成的路径长度有所缩减,则保留这种拆分,然后遍历下一个路径点并执行同样的操作,直到所有路径点遍历完成。
进行全局信息素更新时,还需要对邻域的信息素进行更新:对一条完整路径的路径点进行从前往后的遍历,对当前点邻域的所有点到下一个点邻域的所有点所构成的所有边进行信息素更新,且规定起始点没有邻域,以及终止点与前一个点的邻域所构成的边不进行信息素更新。
下述为本发明的一个具体实施方式:
(1)地图空间建模;
对地图空间进行建模时,对空间点划分为可行点和非可行点,0 表示非可行点,1表示可行点。对于非可行点,分析每一个障碍物,判断该障碍物是否覆盖某空间点,是则把该空间点标记为非可行点。对于可行点,若邻域里至少有一个是非可行点,则把该点定义为边缘点;对于已探测到的边缘点,如果该点邻域内存在不能与探测源点直连的边缘点,则把此点标记为潜力点;其余为普通可行点。
如图2 所示,为长方体障碍物的二维俯视图,图中ABCD为长方形障碍物,对应的四个顶点A、B、C、D均是非可行点,周边的虚线圆点为边缘点,而实心圆点为不带任何属性的可行点。
地图构建完毕后,需要定义两点之间直连的标准。本发明将两点之间的关系划分为可连通和不可连通:若两点连线未触碰到障碍物则判定为可连通;反之,若两点连线触碰到障碍物则判定为不可连通。
(2)蚁群算法;
在每一次实验当中,首先初始化每一只蚂蚁的信息以及两两路径点所构成的边的信息素,然后进入迭代循环。
在每一次迭代开始时,先将所有蚂蚁放置于起始点。然后蚂蚁每进入下一个位置点之前先确保当前所在位置点已进行探测操作,再对探测得到的潜力点按概率进行贪心策略或轮盘赌的方式进行选择,并将选择的点作为蚂蚁的下一个路径点,直到所有蚂蚁构建完路径后迭代结束。
对于探测操作,其具体执行如下:首先标记当前探测源点已执行探测操作,然后判断探测源点是否能与终止点直连,若能则标记探测源点能与终止点直连,并退出函数;若不能,则遍历当前已获取的空间点,把满足潜力点条件的点加入到候选集。最后把候选集中未访问过的潜力点设为探测源点的孩子,并把探测源点设为自身的父亲。
如图3 所示,为机器人探测地图的过程,机器人欲从起始点S到达终止点E,首先在点S通过侦察发现∠ASB方向有障碍物,其中点 A和点B分别是基于点S探测得到的障碍物边缘的两个极端,同时也是潜力点,此时蚂蚁通过贪心策略或轮盘赌选择路径SA或SB。若有蚂蚁走到了点A,则蚂蚁再从点A进行探测,得到点C和点D;若有蚂蚁走到了点B,则蚂蚁再从点B进行探测,得到点C和点D。而由于点C和点D都可以直连终止点E,所以不再探测。最后根据每只蚂蚁所走路径的长度,判断哪只蚂蚁更好。
之后蚂蚁每移动一步,算法对相应路段执行局部信息素更新。
在所有蚂蚁均构建完自身的路径后,此时各自进行路径纠正操作:根据两点之间直线最短的原则,删减完整路径上的多余路径点,以使得路径长度进一步缩减。如图4 所示,蚂蚁搜索出来的路径为ABCD,经过路径纠正操作后,优化为AD。
路径纠正完后,筛选出当代最优蚂蚁并更新历代最优蚂蚁,若历代最优蚂蚁有更新,则对该蚂蚁执行局部搜索:对路径上的位置点从前往后进行遍历,对遍历到的位置点拆分成邻域内的两个不重复的边缘点,若拆分后构成的路径长度有所缩减,则保留这种拆分,然后遍历下一个路径点并执行同样的操作,直到所有路径点遍历完成。如图5 所示,原路径为OBE,拆分操作对点B拆分成邻域里的两个不重复的边缘点A和C,最后所构成路径OACE的长度明显比OBE要短,所以保留拆分结果。
之后,对历史最优蚂蚁进行全局信息素更新。同时还需执行邻域信息素更新:对一条完整路径的路径点进行从前往后的遍历,对当前点邻域的所有点到下一个点邻域的所有点所构成的所有边进行信息素更新,其信息素的增量为全局信息素更新的1/2,且规定起始点没有邻域,以及终止点与前一个点的邻域所构成的边不进行信息素更新。如图6 所示,AA’为全局信息素更新的目标边,点A邻域内的点 BCDEFGHI和点A‘邻域内的点B’C’D’E’F’G’H’I’均是边缘点,此处的邻域信息素更新是指:以点B为出发点的边BB’、BC’、BD’、BE’、BA’、BF’、BG’、BH’、BI’的信息素增量为AA‘的1/2,同理以点 CDEFGHI为出发点的边的信息增量也为1/2,除去AA’,共80条边需要更新信息素。
待达到最大迭代次数后,输出历代最优蚂蚁的路径信息,结束算法。
本算法的参数设置为:
机器人在带地形障碍的三维工作空间中要计算出最短路径,需要路径规划技术具有高效性和准确性。
本发明的机器人不断通过探测操作获取局部环境,之后使用蚁群算法对获得的局部环境进行处理,筛选出有效的地形信息进行计算,能降低运算的成本;蚁群算法中添加了路径纠正操作和拆分操作能对计算出来的路径进行局部优化,弥补了算法随机性带来的陷入路径局部最优的缺陷;而且本发明能适用于未知空间和全局已知空间两种情况,具有适应性强的特点;在运算中添加了邻域信息素更新,为蚂蚁的移动添加了局部随机性,能为对搜索得到的路径进行局部修正与优化,增强了最优蚂蚁的可靠性,从而更好地引导其他蚂蚁移动,使得算法从整体上得到性能的提升。
上述为本发明较佳的实施方式,但本发明的实施方式并不受上述内容的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (3)
1.一种适用于带地形障碍三维空间的蚁群优化路径构建方法,其特征在于,包括下述步骤:
步骤一,对地图空间进行建模;在三维空间中生成O-XYZ坐标系,O为原点,X、Y、Z分别对应X、Y、Z轴,并对空间进行离散化处理,在该坐标系中生成size*size*size个空间点,其中size表示密度,每一个空间点代表一个位置点;
其中,对所述空间点划分为可行点和非可行点,0表示非可行点,1表示可行点;对于非可行点,分析每一个障碍物,判断该障碍物是否覆盖某空间点,是则把该空间点标记为非可行点;对于可行点,若邻域里至少有一个是非可行点,则把该可行点定义为边缘点;对于已探测到的边缘点,如果邻域内存在不能与探测源点直连的边缘点,则把此已探测到的边缘点标记为潜力点;对于点与点之间的关系,划分为直连和不可直连;直连的含义是两点之间连接不触碰障碍物;反之,不可直连意味着两点之间的连线触碰到了障碍物;
步骤二,每一次迭代开始时,将所有蚂蚁放置于起始点;然后蚂蚁每进入下一个位置点之前先确保当前所在位置点已执行探测操作,再对探测得到的潜力点按概率进行贪心策略或轮盘赌的方式进行选择,并将选择的点作为蚂蚁的下一个路径点,直到所有蚂蚁构建完路径后迭代结束;
步骤三,蚂蚁每移动一步,算法对相应路段执行局部信息素更新;
步骤四,每一次迭代结束后,所有蚂蚁均构建完自身的路径,此时各自进行路径纠正操作,再筛选出当代最优蚂蚁并更新历代最优蚂蚁,若历代最优蚂蚁有更新,则对该蚂蚁执行局部搜索;
其中,所述局部搜索具体为:对路径上的位置点从前往后进行遍历,对遍历到的位置点拆分成邻域内的两个不重复的边缘点,若拆分后构成的路径长度有所缩减,则保留这种拆分,然后遍历下一个路径点并执行同样的操作,直到所有路径点遍历完成;
步骤五,依据历代最优蚂蚁进行全局信息素的更新,同时对路径点邻域之间的信息素进行更新;
其中,所述对路径点邻域之间的信息素进行更新具体为:对一条完整路径的路径点进行从前往后的遍历,对当前点邻域的所有点到下一个点邻域的所有点所构成的所有边进行信息素更新,且规定起始点没有邻域,以及终止点与前一个点的邻域所构成的边不进行信息素更新;
步骤六,若当前迭代次数未达到最大迭代次数,则返回步骤二,否则输出历代蚂蚁的路径信息,结束算法。
2.根据权利要求1所述的适用于带地形障碍三维空间的蚁群优化路径构建方法,其特征在于,所述步骤二中的探测操作具体为:侦察器探测未知地图信息时,基于当前点通过声纳物理技术探测地图上的潜力点,在数据结构上,这些潜力点是探测源点的孩子节点。
3.根据权利要求1所述的适用于带地形障碍三维空间的蚁群优化路径构建方法,其特征在于,所述步骤四中的路径纠正操作具体为:根据两点之间直线最短的原则,删减完整路径上的多余路径点,以使得路径长度进一步缩减的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910092295.2A CN109977455B (zh) | 2019-01-30 | 2019-01-30 | 一种适用于带地形障碍三维空间的蚁群优化路径构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910092295.2A CN109977455B (zh) | 2019-01-30 | 2019-01-30 | 一种适用于带地形障碍三维空间的蚁群优化路径构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977455A CN109977455A (zh) | 2019-07-05 |
CN109977455B true CN109977455B (zh) | 2022-05-13 |
Family
ID=67076803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910092295.2A Active CN109977455B (zh) | 2019-01-30 | 2019-01-30 | 一种适用于带地形障碍三维空间的蚁群优化路径构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977455B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112644738B (zh) * | 2021-01-19 | 2021-09-17 | 哈尔滨工业大学 | 一种行星着陆避障轨迹约束函数设计方法 |
CN115118724A (zh) * | 2022-06-23 | 2022-09-27 | 福州大学 | 基于蚁群算法的多无人机辅助边缘计算***部署优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2169352A1 (en) * | 2008-09-26 | 2010-03-31 | Research In Motion Limited | System and Method of Path Point Reduction |
CN105929843A (zh) * | 2016-04-22 | 2016-09-07 | 天津城建大学 | 一种基于改进蚁群算法的机器人路径规划方法 |
CN107272679A (zh) * | 2017-06-15 | 2017-10-20 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
CN107917711A (zh) * | 2017-11-14 | 2018-04-17 | 重庆邮电大学 | 一种基于优化混合蚁群算法的机器人路径规划算法 |
CN108036790A (zh) * | 2017-12-03 | 2018-05-15 | 景德镇陶瓷大学 | 一种障碍环境下基于蚁蜂算法的机器人路径规划方法及*** |
-
2019
- 2019-01-30 CN CN201910092295.2A patent/CN109977455B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2169352A1 (en) * | 2008-09-26 | 2010-03-31 | Research In Motion Limited | System and Method of Path Point Reduction |
CN105929843A (zh) * | 2016-04-22 | 2016-09-07 | 天津城建大学 | 一种基于改进蚁群算法的机器人路径规划方法 |
CN107272679A (zh) * | 2017-06-15 | 2017-10-20 | 东南大学 | 基于改进的蚁群算法的路径规划方法 |
CN107917711A (zh) * | 2017-11-14 | 2018-04-17 | 重庆邮电大学 | 一种基于优化混合蚁群算法的机器人路径规划算法 |
CN108036790A (zh) * | 2017-12-03 | 2018-05-15 | 景德镇陶瓷大学 | 一种障碍环境下基于蚁蜂算法的机器人路径规划方法及*** |
Non-Patent Citations (2)
Title |
---|
储罐探伤爬壁机器人全遍历路径规划方法;唐东林 等;《工程设计学报》;20180628;第25卷(第03期);第253-260页 * |
基于蚁群算法的WSNs节点有障环境中部署优化研究;樊宽刚 等;《传感器与微***》;20150520;第34卷(第05期);第29-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109977455A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106371445B (zh) | 一种基于拓扑地图的无人车规划控制方法 | |
Azpúrua et al. | Multi-robot coverage path planning using hexagonal segmentation for geophysical surveys | |
Zhu et al. | DSVP: Dual-stage viewpoint planner for rapid exploration by dynamic expansion | |
Sudhakara et al. | Trajectory planning of a mobile robot using enhanced A-star algorithm | |
CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
CN109163722B (zh) | 一种仿人机器人路径规划方法及装置 | |
CN112148008B (zh) | 一种基于深度强化学习的实时无人机路径预测方法 | |
CN110471426A (zh) | 基于量子狼群算法的无人驾驶智能车自动避碰方法 | |
CN109213169A (zh) | 移动机器人的路径规划方法 | |
Asgharivaskasi et al. | Active bayesian multi-class mapping from range and semantic segmentation observations | |
Sun et al. | Frontier detection and reachability analysis for efficient 2D graph-SLAM based active exploration | |
Li et al. | Mobile robot path planning based on improved genetic algorithm with A-star heuristic method | |
CN109977455B (zh) | 一种适用于带地形障碍三维空间的蚁群优化路径构建方法 | |
Singhal et al. | Dynamic bayes net approach to multimodal sensor fusion | |
Poncela et al. | Efficient integration of metric and topological maps for directed exploration of unknown environments | |
CN111830985A (zh) | 一种多机器人定位方法、***及集中式通信*** | |
Garrote et al. | 3D point cloud downsampling for 2D indoor scene modelling in mobile robotics | |
Gu et al. | Path planning for mobile robot in a 2.5‐dimensional grid‐based map | |
CN109798899B (zh) | 一种面向海底未知地形搜索的树扩散启发式路径规划方法 | |
Belavadi et al. | Frontier exploration technique for 3d autonomous slam using k-means based divisive clustering | |
CN112828883B (zh) | 一种未知环境下的机器人环境探索方法及*** | |
Soni et al. | Multi-robot unknown area exploration using frontier trees | |
CN117124335A (zh) | 一种基于路径标记回溯策略的改进式rrt路径规划方法 | |
Vonásek et al. | Searching multiple approximate solutions in configuration space to guide sampling-based motion planning | |
Jafarzadeh et al. | An exact geometry–based algorithm for path planning |
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 |