CN111413965A - 一种基于uav协同感知的ugv行驶路径规划方法 - Google Patents
一种基于uav协同感知的ugv行驶路径规划方法 Download PDFInfo
- Publication number
- CN111413965A CN111413965A CN202010166692.2A CN202010166692A CN111413965A CN 111413965 A CN111413965 A CN 111413965A CN 202010166692 A CN202010166692 A CN 202010166692A CN 111413965 A CN111413965 A CN 111413965A
- Authority
- CN
- China
- Prior art keywords
- ugv
- uav
- path planning
- pheromone
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 241000700605 Viruses Species 0.000 title description 2
- 230000003993 interaction Effects 0.000 claims abstract description 10
- 239000003016 pheromone Substances 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 241000257303 Hymenoptera Species 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 239000005712 elicitor Substances 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 4
- 230000004044 response Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
-
- 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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于UAV协同感知的UGV行驶路径规划方法,首先进行环境建模与环境感知:建立实时信息交互环境,获取场景信息;将获取的场景信息转化为栅格场景地图,进行障碍物碰撞风险预测和回避;在得到的栅格场景地图中进行路径规划。在UAV协同方式下,有效识别出障碍物目标,实现UGV行驶路径的自动规划,为紧急事件响应、目标跟踪与救援等智能交通行业涉及的路径规划问题提供理论和技术支持,研究具有一定的前瞻性和迫切性。
Description
技术领域
本发明属于路径规划技术领域,涉及一种基于UAV协同感知的UGV行驶路径规划方法。
背景技术
路径规划是指在路径长度、消耗时间、危险度代价等一个或多个约束条件下,找到一条从起点到终点满足约束条件的最优路径,及时、合理的路径规划,可以为出行导航、安全驾驶、物流配送优化、紧急事件响应等提供极大的便利;
无人车(Unmanned Ground Vehicle,UGV)自动行驶路径规划一直是智能交通路径规划研究的热点问题。然而,由于感知环境和路径规划任务的复杂性,UGV自动行驶路径规划存在着视野局限、无法适应于动态环境变化等问题。感知环境中的障碍物多为动态运动对象,其运动轨迹具有很大的不确定性、不可控性,传统的路径规划方案难以有效完成碰撞风险预测和评估、自动防撞回避和实时高效的行驶路径规划;
近年来,无人机(Unmanned Aerial Vehicle,UAV)航拍数据,已成为人们获取地理信息数据的重要来源。UAV***以无人飞行器为载体,搭载高性能数码相机获取低空髙分辨率图像,通过无线网络将数据传送给地面控制平台。UAV具有视野广阔、数据实时传输、高危区域勘探、机动灵活等优点,可以与UGV在视野、感知、决策等方面形成良好的互补与配合;UAV与UGV协同作业的动态路径规划已成为当前研究的热点,受到了越来越广泛的关注。
发明内容
本发明的目的是提供一种基于UAV协同感知的UGV行驶路径规划方法,使UGV在UAV协同方式下,有效识别出障碍物目标,实现其行驶路径的自动规划。
本发明所采用的技术方案是,一种基于UAV协同感知的UGV行驶路径规划方法,具体按以下步骤实施:
步骤1,环境建模与环境感知:建立实时信息交互环境,获取场景信息,并将获取的场景信息转化为栅格场景地图;
步骤2,在经步骤1得到的栅格场景地图中采用基于启发函数约束规则的蚁群算法进行路径规划。
本发明的特点还在于:
其中步骤1中环境建模具体包括:建立UGV路径规划所使用的环境模型,实现UAV、UGV和地面工作平台三者间的信息交互;
其中环境模型具体为地面工作平台对UAV的和UGV的各项操作参数进行设定规划,然后利用机载微波收发设备,将UAV感知的场景数据再传到地面工作平台,实现三者的信息交互;
其中环境感知具体为:通过UAV获取场景信息,感知场景中的目标,然后采用改进的Niblack算法进行障碍物目标识别;
其中改进的Niblack算法具体为下式:
式中,σmin和σmax表示整个图像中所有窗口中的标准差的最小值和最大值,Rwlevel表示局部窗口的灰度级范围值;
其中步骤1中将获取的场景信息转化为栅格场景地图具体为:
图像栅格化,建立栅格场景的坐标,建立每个栅格与坐标的对应关系:
式中,X、Y分别为横轴和纵轴,r为栅格编号,mod与fix分别为求余运算和取整运算,采用下式判断栅格中是否存在障碍物:
其中步骤2中采用基于启发函数约束规则的蚁群算法进行路径规划具体包括以下步骤:
步骤2.1,参数初始化以及节点选择:蚂蚁根据概率转移函数选择下一个节点,即,蚂蚁k由当前节点i转移到下一个节点j时的转移概率为:
其中,allowk表示蚂蚁k可以选择的节点集合;τij(t)表示两个节点间的信息素浓度;α为信息素启发因子;ηij(t)为启发函数,ηij(t)=1/dij,dij为两个节点间的欧式距离;β为启发函数因子;
确定起点M、终点E的坐标,蚂蚁数量n,信息素增强系数Q,信息素启发因子α,启发函数因子β,迭代次数Kmax;根据式(4)进行下一节点的选择;
步骤2.2,进行障碍物碰撞风险预测,若有风险,返回步骤2.1重新规划行驶路径,若无风险,执行步骤2.3;
步骤2.3,计算出本次迭代的各个蚂蚁的路径长度,得到本次迭代最短路径,然后对全局信息素进行更新;
步骤2.4,判断迭代次数是否达到最大值,若没有返回步骤2.1,若已达到最大值,则输出路径信息,算法结束;
其中步骤2.2中障碍物碰撞风险预测具体包括:
通过增加启发函数约束规则,建立UGV行驶安全半径r,实现UGV障碍物碰撞风险预测。当r<dij≤R时,则视为安全区域,按原路径执行,当dij≤r是,则存在碰撞风险,舍弃j点重新规划;
其中步骤2.3中通过下式对全局信息素进行更新:
本发明的有益效果是:
本发明的一种基于UAV协同感知的UGV行驶路径规划方法在UAV协同方式下,有效识别出障碍物目标,实现UGV行驶路径的自动规划,为紧急事件响应、目标跟踪与救援等智能交通行业涉及的路径规划问题提供理论和技术支持,研究具有一定的前瞻性和迫切性。
附图说明
图1为本发明的一种基于UAV协同感知的UGV行驶路径规划方法中UAV协同感知的UGV行驶路径规划***的模拟场景;
图2本发明的一种基于UAV协同感知的UGV行驶路径规划方法中栅格环境地图;
图3本发明的一种基于UAV协同感知的UGV行驶路径规划方法中改进的蚁群算法路径规划示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供了一种基于UAV协同感知的UGV行驶路径规划方法,具体按以下步骤实施:
步骤1,环境建模与环境感知:建立实时信息交互环境,获取场景信息,并将获取的场景信息转化为栅格场景地图;
环境建模与环境感知:如图1所示,建立UGV路径规划所使用的环境模型,实现UAV、UGV、地面工作平台三者间的信息交互,环境模型具体如图1所示,地面工作平台对UAV的飞行路线、高度、速度和UGV的起点、终点、行驶速度、视觉半径进行设定,然后利用机载微波收发设备,将UAV感知的场景数据再传到地面工作平台,实现三者的信息交互;
其中通过UAV获取场景信息,感知场景中的目标,然后采用改进的Niblack算法进行障碍物目标识别,Niblack算法是一种局部阈值方法,其通过计算R×R区域内的像素灰度值的均值和标准差来得到一个阈值,再对对应像素点以该阈值为标准进行二值化操作。Niblack算法阈值计算公式为:
T(i,j)=m(i,j)+k*σ(i,j) (7)
(i,j)表示图像I(i,j)中的像素点,T(i,j)为该像素点的阈值,m(i,j)为该像素点在R×R区域内的像素灰度均值,σ(i,j)为该像素点在R×R区域内的像素灰度标准差,k为修正系数;
改进的Niblack算法具体为下式:
式中,σmin和σmax表示整个图像中所有窗口中的标准差的最小值和最大值,Rwlevel表示局部窗口的灰度级范围值;
将获取的场景信息转化为栅格场景地图:
图像栅格化,栅格化是指将图像信息转换为UGV可识别的栅格环境地图,不考虑场景信息中的高度信息,将UGV视为质点,忽略其自身尺寸的影响,图2为所创建的栅格地图,建立每个栅格与坐标的对应关系:
式中,X、Y分别为横轴和纵轴,r为栅格编号,mod与fix分别为求余运算和取整运算,采用下式判断栅格中是否存在障碍物:
步骤2,通过改进的蚁群算法实现UGA行驶路径在经步骤1.2得到的栅格场景地图中进行路径规划:
蚂蚁在觅食过程中会在经过的路径散发被相互感知的信息素,某路径上信息素浓度越大,两个节点间的距离越近。基于蚁群算法的路径规划过程可以理解为:蚂蚁从蚁穴(起始点)出发,逐一通过栅格中心点有效避开障碍物,并选择信息素浓度高的路径到达食物所在位置(终点)。
步骤2.1,参数初始化以及节点选择:蚂蚁根据概率转移函数选择下一个节点,即,蚂蚁k由当前节点i转移到下一个节点j时的转移概率为:
其中,allowk表示蚂蚁k可以选择的节点集合;τij(t)表示两个节点间的信息素浓度;α为信息素启发因子,用于表示轨迹的相对重要性;ηij(t)为启发函数,表示两个节点间能见度(nij(t)=1/dij,dij为两个节点间的欧式距离);β为启发函数因子;
确定起点M、终点E的坐标,蚂蚁数量n,信息素增强系数Q,信息素启发因子α,启发函数因子β,迭代次数Kmax,根据式(4)进行下一节点的选择;
步骤2.2,进行障碍物碰撞风险预测,若有风险,返回步骤2.1重新规划行驶路径,若无风险,执行步骤2.3:
传统的蚁群算法中启发函数采用两节点之间的欧氏距离为期望值,在路径搜索过程中容易出现穿过障碍物的情况;因此,本专利通过增加启发函数约束规则,建立UGV行驶安全半径r,实现UGV障碍物碰撞风险预测;当r<dij≤R时,则视为安全区域,按原路径执行,当dij≤r是,则存在碰撞风险,舍弃j点重新规划;
步骤2.3,计算出本次迭代的各个蚂蚁的路径长度,得到本次迭代最短路径,然后对全局信息素进行更新;
蚁群算法完成一次循环后,各个路径上的信息素更新为:
步骤2.4,判断迭代次数是否达到最大值,若没有返回步骤2.1,若已达到最大值,则输出路径信息,算法结束,如图3所示为本专利改进的蚁群算法路径规划示意图。
Claims (9)
1.一种基于UAV协同感知的UGV行驶路径规划方法,其特征在于,具体按以下步骤实施:
步骤1,环境建模与环境感知:建立实时信息交互环境,获取场景信息,并将获取的场景信息转化为栅格场景地图;
步骤2,在经步骤1得到的栅格场景地图中采用基于启发函数约束规则的蚁群算法进行路径规划。
2.根据权利要求1所述的一种基于UAV协同感知的UGV行驶路径规划方法,其特征在于,所述步骤1中环境建模具体包括:建立UGV路径规划所使用的环境模型,实现UAV、UGV和地面工作平台三者间的信息交互。
3.根据权利要求2所述的一种基于UAV协同感知的UGV行驶路径规划方法,其特征在于,所述环境模型具体为地面工作平台对UAV的和UGV的各项操作参数进行设定规划,然后利用机载微波收发设备,将UAV感知的场景数据再传到地面工作平台,实现三者的信息交互。
4.根据权利要求1所述的一种基于UAV协同感知的UGV行驶路径规划方法,其特征在于,所述环境感知具体为:通过UAV获取场景信息,感知场景中的目标,然后采用改进的Niblack算法进行障碍物目标识别。
7.根据权利要求1所述的一种基于UAV协同感知的UGV行驶路径规划方法,其特征在于,所述步骤2中采用基于启发函数约束规则的蚁群算法进行路径规划具体包括以下步骤:
步骤2.1,参数初始化以及节点选择:蚂蚁根据概率转移函数选择下一个节点,即,蚂蚁k由当前节点i转移到下一个节点j时的转移概率为:
其中,allowk表示蚂蚁k可以选择的节点集合;τij(t)表示两个节点间的信息素浓度;α为信息素启发因子;ηij(t)为启发函数,ηij(t)=1/dij,dij为两个节点间的欧式距离;β为启发函数因子;
确定起点M、终点E的坐标,蚂蚁数量n,信息素增强系数Q,信息素启发因子α,启发函数因子β,迭代次数Kmax;根据式(4)进行下一节点的选择;
步骤2.2,进行障碍物碰撞风险预测,若有风险,返回步骤2.1重新规划行驶路径,若无风险,执行步骤2.3;
步骤2.3,计算出本次迭代的各个蚂蚁的路径长度,得到本次迭代最短路径,然后对全局信息素进行更新;
步骤2.4,判断迭代次数是否达到最大值,若没有返回步骤2.1,若已达到最大值,则输出路径信息,算法结束。
8.根据权利要求7所述的一种基于UAV协同感知的UGV行驶路径规划方法,其特征在于,所述步骤2.2中障碍物碰撞风险预测具体包括:
通过增加启发函数约束规则,建立UGV行驶安全半径r,实现UGV障碍物碰撞风险预测。当r<dij≤R时,则视为安全区域,按原路径执行,当dij≤r是,则存在碰撞风险,舍弃j点重新规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010166692.2A CN111413965A (zh) | 2020-03-11 | 2020-03-11 | 一种基于uav协同感知的ugv行驶路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010166692.2A CN111413965A (zh) | 2020-03-11 | 2020-03-11 | 一种基于uav协同感知的ugv行驶路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111413965A true CN111413965A (zh) | 2020-07-14 |
Family
ID=71491115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010166692.2A Pending CN111413965A (zh) | 2020-03-11 | 2020-03-11 | 一种基于uav协同感知的ugv行驶路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111413965A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112146673A (zh) * | 2020-09-27 | 2020-12-29 | 浙江综合交通大数据中心有限公司 | 基于改进蚁群算法的高速公路多点协同救援路径规划方法 |
CN112731921A (zh) * | 2020-12-11 | 2021-04-30 | 北方信息控制研究院集团有限公司 | 一种基于平行仿真的军用路径规划支持*** |
CN113821033A (zh) * | 2021-09-18 | 2021-12-21 | 鹏城实验室 | 一种无人车路径规划方法、***及终端 |
CN113932813A (zh) * | 2021-09-30 | 2022-01-14 | 北航(四川)西部国际创新港科技有限公司 | 智能空地载具、其风险地图构建及航路规划方法与装置 |
CN114625150A (zh) * | 2022-05-17 | 2022-06-14 | 南京汇与信息科技有限公司 | 基于危险指数和距离函数的快速蚁群无人艇动态避障方法 |
CN114879721A (zh) * | 2022-04-22 | 2022-08-09 | 南京理工大学 | 一种复杂受灾环境下无人机全覆盖三维救援路径规划算法 |
CN115222905A (zh) * | 2022-07-05 | 2022-10-21 | 苏州大学 | 基于视觉特征的空地多机器人地图融合方法 |
CN116400737A (zh) * | 2023-06-02 | 2023-07-07 | 中国传媒大学 | 一种基于蚁群算法的安全路径规划*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160088636A (ko) * | 2015-01-16 | 2016-07-26 | 경북대학교 산학협력단 | 무인항공기 기반의 무인차량 주행 방법 및 무인차량 주행 시스템 |
CN106325284A (zh) * | 2016-11-04 | 2017-01-11 | 北京理工大学 | 面向人机协作搜索识别多目标任务的机器人运动规划方法 |
CN107479554A (zh) * | 2017-09-07 | 2017-12-15 | 苏州三体智能科技有限公司 | 机器人***及其户外建图导航方法 |
CN108776483A (zh) * | 2018-08-16 | 2018-11-09 | 圆通速递有限公司 | 基于蚁群算法和多智能体q学习的agv路径规划方法和*** |
CN110442128A (zh) * | 2019-07-20 | 2019-11-12 | 河北科技大学 | 基于特征点提取蚁群算法的agv路径规划方法 |
CN110609557A (zh) * | 2019-10-09 | 2019-12-24 | 中国人民解放军陆军装甲兵学院 | 无人车混合路径规划算法 |
-
2020
- 2020-03-11 CN CN202010166692.2A patent/CN111413965A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160088636A (ko) * | 2015-01-16 | 2016-07-26 | 경북대학교 산학협력단 | 무인항공기 기반의 무인차량 주행 방법 및 무인차량 주행 시스템 |
CN106325284A (zh) * | 2016-11-04 | 2017-01-11 | 北京理工大学 | 面向人机协作搜索识别多目标任务的机器人运动规划方法 |
CN107479554A (zh) * | 2017-09-07 | 2017-12-15 | 苏州三体智能科技有限公司 | 机器人***及其户外建图导航方法 |
CN108776483A (zh) * | 2018-08-16 | 2018-11-09 | 圆通速递有限公司 | 基于蚁群算法和多智能体q学习的agv路径规划方法和*** |
CN110442128A (zh) * | 2019-07-20 | 2019-11-12 | 河北科技大学 | 基于特征点提取蚁群算法的agv路径规划方法 |
CN110609557A (zh) * | 2019-10-09 | 2019-12-24 | 中国人民解放军陆军装甲兵学院 | 无人车混合路径规划算法 |
Non-Patent Citations (1)
Title |
---|
胡秋霞 等: "UAV-UGV协同***中智能小车的路径规划", 《计算机仿真》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112146673B (zh) * | 2020-09-27 | 2022-07-22 | 浙江综合交通大数据中心有限公司 | 基于改进蚁群算法的高速公路多点协同救援路径规划方法 |
CN112146673A (zh) * | 2020-09-27 | 2020-12-29 | 浙江综合交通大数据中心有限公司 | 基于改进蚁群算法的高速公路多点协同救援路径规划方法 |
CN112731921A (zh) * | 2020-12-11 | 2021-04-30 | 北方信息控制研究院集团有限公司 | 一种基于平行仿真的军用路径规划支持*** |
CN113821033A (zh) * | 2021-09-18 | 2021-12-21 | 鹏城实验室 | 一种无人车路径规划方法、***及终端 |
CN113932813A (zh) * | 2021-09-30 | 2022-01-14 | 北航(四川)西部国际创新港科技有限公司 | 智能空地载具、其风险地图构建及航路规划方法与装置 |
CN114879721A (zh) * | 2022-04-22 | 2022-08-09 | 南京理工大学 | 一种复杂受灾环境下无人机全覆盖三维救援路径规划算法 |
CN114625150A (zh) * | 2022-05-17 | 2022-06-14 | 南京汇与信息科技有限公司 | 基于危险指数和距离函数的快速蚁群无人艇动态避障方法 |
CN114625150B (zh) * | 2022-05-17 | 2022-08-19 | 南京汇与信息科技有限公司 | 基于危险系数和距离函数的快速蚁群无人艇动态避障方法 |
CN115222905A (zh) * | 2022-07-05 | 2022-10-21 | 苏州大学 | 基于视觉特征的空地多机器人地图融合方法 |
WO2024007485A1 (zh) * | 2022-07-05 | 2024-01-11 | 苏州大学 | 基于视觉特征的空地多机器人地图融合方法 |
CN115222905B (zh) * | 2022-07-05 | 2024-03-22 | 苏州大学 | 基于视觉特征的空地多机器人地图融合方法 |
CN116400737A (zh) * | 2023-06-02 | 2023-07-07 | 中国传媒大学 | 一种基于蚁群算法的安全路径规划*** |
CN116400737B (zh) * | 2023-06-02 | 2023-08-25 | 中国传媒大学 | 一种基于蚁群算法的安全路径规划*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111413965A (zh) | 一种基于uav协同感知的ugv行驶路径规划方法 | |
Aggarwal et al. | Path planning techniques for unmanned aerial vehicles: A review, solutions, and challenges | |
CN113821029B (zh) | 一种路径规划方法、装置、设备及存储介质 | |
CN110673637A (zh) | 一种基于深度强化学习的无人机伪路径规划的方法 | |
CN113654564A (zh) | 用于运载工具的方法 | |
JP7330142B2 (ja) | 車両のuターン経路を決定する方法、装置、デバイスおよび媒体 | |
AU2022204569B2 (en) | Method for multi-agent dynamic path planning | |
CN110531770A (zh) | 一种基于改进的rrt路径规划方法和*** | |
WO2020146447A1 (en) | Field theory based perception for autonomous vehicles | |
Lei et al. | A bat-pigeon algorithm to crack detection-enabled autonomous vehicle navigation and mapping | |
CN113552899B (zh) | 一种通信链路受限下的多无人机自主协同搜索方法 | |
CN112327939B (zh) | 一种城市街区环境下高层消防多无人机协同路径规划方法 | |
Chowdhury et al. | RGSO-UAV: Reverse Glowworm Swarm Optimization inspired UAV path-planning in a 3D dynamic environment | |
US11834077B2 (en) | Systems, methods, and media for occlusion-aware motion planning | |
KR20230004212A (ko) | 대상체 검출을 위한 교차 모달리티 능동 학습 | |
KR20220110069A (ko) | 샘플링 기반 기동 실현기 | |
US20230056589A1 (en) | Systems and methods for generating multilevel occupancy and occlusion grids for controlling navigation of vehicles | |
CN114926809A (zh) | 可通行区域检测方法及装置、移动工具、存储介质 | |
EP4160146A1 (en) | Quadtree based data structure for storing information relating to an environment of an autonomous vehicle and methods of use thereof | |
US11645775B1 (en) | Methods and apparatus for depth estimation on a non-flat road with stereo-assisted monocular camera in a vehicle | |
CN114967680B (zh) | 基于蚁群算法和卷积神经网络的移动机器人路径规划方法 | |
CN115755887A (zh) | 一种多agv协同感知方法 | |
CN116518974A (zh) | 一种基于空域网格的无冲突航路规划方法 | |
Kannan et al. | Autonomous drone delivery to your door and yard | |
Wu et al. | A non-rigid hierarchical discrete grid structure and its application to UAVs conflict detection and 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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200714 |