CN111443712B - 一种基于天牛群搜索算法的三维路径规划方法 - Google Patents
一种基于天牛群搜索算法的三维路径规划方法 Download PDFInfo
- Publication number
- CN111443712B CN111443712B CN202010241304.2A CN202010241304A CN111443712B CN 111443712 B CN111443712 B CN 111443712B CN 202010241304 A CN202010241304 A CN 202010241304A CN 111443712 B CN111443712 B CN 111443712B
- Authority
- CN
- China
- Prior art keywords
- path
- points
- dimensional
- point
- algorithm
- 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
- 241001481710 Cerambycidae Species 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000010845 search algorithm Methods 0.000 title claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 239000002245 particle Substances 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000013499 data model Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012958 reprocessing Methods 0.000 claims description 2
- 241000283690 Bos taurus Species 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000001968 nicotinic acid Nutrition 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
- G05D1/0251—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 extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于天牛群搜索算法的三维路径规划方法。本发明先读取地图数据,用均匀离散的空间点描述三维地图场景,并使用几何面片将这些点连接,形成一个模拟真实地形的三维平面,将三维地图场景点投影到二维,生成一个二维网格面,并将该网格面上的点进行编号,给予每个网格点独立的数字标示,并计算出每个网格点的附近点,将点进行随机连接,生成从终点到起点的不同路径,再将路径运用算法进行优化求解,计算路径长度代入海拔高度信息纵坐标,求解出最优的路径长度值所对应的路径,最后将路径结果传递给无人车,控制无人车进行三维平面上的导航移动。本发明通过优化起点到终点的路径点选取,使得无人车经过的路径长度最短最优化。
Description
技术领域
本发明设计三维路径规划以及智能优化算法领域,具体涉及一种基于BSO(BeetleSwarm Optimization)算法的三维地形平面的最优路径规划方法。
背景技术
路径规划是运动规划的主要研究内容之一。运动规划由路径规划和轨迹规划组成,连接起点位置和终点位置的序列点或曲线称之为路径,构成路径的策略称之为路径规划。在本发明中,路径规划的执行个体是一种能够在平面自由行驶的无人车。
规划出一条最短连接起点到终点的路径,也称为最短路径规划,是当下无人驾驶、物联网人工智能的研究热点之一。可以应用于未来的量产无人驾驶汽车,无人机搜救、无人机配送货物等领域。最短路径规划可以帮助交通工具节约时间,节约能源使用。
天牛群算法(BSO)是一种新型的智能仿真种群搜索算法,其仿生学原理在解决相关优化问题中具有较好的适用性、鲁棒性、准确性以及运行速度。其中应用的搜索原理和局部搜索特征具有较高的准确性,具有较快的运行速度。
使用传统求解方法求解所得的结果无法达到全局最优,求解结果的稳定度不足,这些缺点对三维平面路径规划的求解进度和求解速度有着较大的影响,会造成路径凌乱弯曲等缺陷,甚至会导致无人车的移动规划任务失败。
发明内容
本发明主要针对三维平面上路径规划算法技术缺陷,提出一种天牛群算法用以求解三维路径规划问题的算法模型。算法的种群特性以及莱维飞行特性有效地提升了三维路径规划的求解精度以及速度,能够规划出一条相对较好的从起点到终点的移动路径,更好地提升无人车的路径规划能力。
为实现上述目的,本发明采用一种基于天牛群搜索算法的三维路径规划方法,包括以下步骤:
步骤1):读取地图数据,使用几何面片连接均匀离散的地图信息数据点描述三维地图场景,生成并绘制模拟真实地形的三维平面;所读取的地图数据模型为三维散点数据,使用x坐标值,y坐标值,z坐标值描述该地图数据。
步骤2):将步骤1)中读取的三维地图场景点投影到二维网格面,并将该网格面上的点进行一维编号,给予每个网格点独立的数字标示,并计算保存每个网格点的邻接点;
步骤3):将步骤2)中的编号点进行邻接点连接,生成从终点到起点的不同路径;
步骤4):将步骤3)中的路径运用天牛群算法模型进行优化求解,计算路径长度时考虑高度信息,对不连续路径进行处理,将不连续的路径变成邻接点依次联通的连续路径,求解出最优的路径长度值所对应的路径,并使用plot函数在地形上进行路径图像绘制;
步骤5):将步骤4)的结果传递给无人车,控制无人车进行三维平面上的导航移动。
作为优选,在步骤1)中,使用三维面片连接各个散点绘制基本地图信息。
作为优选,在步骤2)中,以不同的一维编号值来描述三维地图信息,并使用该一维编号值规划描述无人车的三维行走线路;其具体编号方法为numi=(xi-1)*col+yi;其中numi代表该点的编号值。xi代表该点的x轴坐标,yi代表该点的y轴坐标,col表示地图二维矩阵的列数;
作为优选,在步骤3)中,一个点的邻接点为以该点为中心,东,南,西,北,东北,东南,西北,西南8个方向单位长度上的点,该8个点为下个路径的待选点,将该距离设置成无人车的每次可移动路径范围,将起点设为路径的第一个值,随后随机依次选取每个点的邻接点成为其前进方向的路径点。
作为优选,在步骤4)中,所述的建立算法模型具体方法为:
最小化:δ=δmin其中,δ的计算方式为:
约束条件:
xmin≤xi≤xmax
ymin≤yi≤ymax
zi=zmap
其中,δ为优化后的路径长度,δmin为总的运动长度,xi,yi,zi是优化后的各个路径点取值,i为每段时间间隔,δi表示在i时间间隔所经过的路径长度;不等式约束代表了路径的轨迹约束范围,其中xmin,xmax表示路径点的x轴取值范围,其中ymin,ymax表示路径点的y轴取值范围,其中zmap表示路径点的z轴取值。
作为优选,步骤4)中将不连续的路径变成邻接点依次联通的连续路径,具体为:运用BSO算法求解,并且在求解时进行不同的路径序列交换,判断路径是否是联通路径,如果联通计算该路径的路径长度,不连通则重新处理该条路径;经过一定次数的迭代后,选取一条最短路径。
作为优选,在BSO算法中,首先,位置更新时,按照PSO和BAS的方式各自更新后加权得到新的位置;也就是,利用了BAS的触须方向和步长,同时也利用了粒子的速度:
其中,表明粒子s在k+1次迭代时的位置;表明粒子每一只天牛的速度乘以权重;控制λ的大小即可控制在天牛群算法中,粒子群算法和天牛须算法影响的比重,为天牛沿速度方向位移的一个增量,来源于天牛须算法的思路;使用以下公式更新速度项:
其中c1与c2是学习因子常量,r1与r2是[0,1]之间的随机变量,Pis k代表个体最优位置,Pgs k代表全局最优位置;
每一次迭代位移的增量近一步表示为:
其中δk表示每一次的行进步长,f(·)表示适应度函数;
其中d表示天牛触须长度。
本发明通过将上述路径规划问题使用天牛群搜索算法进行求解,将路径的数据序列向量代入算法进行优化。进行一定次数的迭代后,输出求解出的路径,并在地图上绘制该路径。
附图说明
图1为本发明的流程图;
图2为本发明BSO算法的流程图;
图3为本发明三维地图最优路径示意图。
具体实施方式
如图1所示,一种基于天牛须优化策略的机械臂运动规划方法,具体方法为:
1)读取地图信息,根据地图信息提供的地图散点坐标点,绘制地图信息。
2)最小化:δ=δmin其中,δ的计算方式为:
约束条件:
xmin≤xi≤xmax
ymin≤yi≤ymax
zi=zmap
其中,δ为优化后的路径长度,δmin为总的运动长度,xi,yi,zi是优化后的各个路径点取值,i为每段时间间隔,δi表示在i时间间隔所经过的路径长度;不等式约束代表了路径的轨迹约束范围,其中xmin,xmax表示路径点的x轴取值范围,其中ymin,ymax表示路径点的y轴取值范围,其中zmap表示路径点的z轴取值。
3)将上述步骤3)提出的规划方案应用天牛群搜索算法来求解:
将三维地图信息投影到二维,并对二维网格地图信息进行编号,编号方法为numi=(xi-1)*col+yi。其中numi代表该点的编号值,xi代表该点的x轴坐标,yi代表该点的y轴坐标。计算每个点的邻接点,一个点的所有邻接点作为下个路径的待选点,将该距离设置成无人车的每次可移动路径范围,将起点设为路径的第一个值,随后随机依次选取每个点的邻接点成为其前进方向的路径点。为了保证路径连续性,本算法模型。
4)初始化种群信息,初始化算法参数,计算每个种群个体的路径长度适应度值,每个解向量由不同的连续路径组成。将其代入到天牛群算法中进行求解。如图2所示,
在BSO算法中,首先,位置更新时,按照PSO和BAS的方式各自更新后加权得到新的位置。也就是,利用了BAS的触须方向和步长,同时也利用了粒子(在BSO中就是天牛)的速度:
其中,表明粒子s在k+1次迭代时的位置。表明粒子每一只天牛的速度乘以权重。控制λ的大小即可控制在天牛群算法中,粒子群算法和天牛须算法影响的比重,为天牛沿速度方向位移的一个增量,来源于天牛须算法的思路。使用以下公式更新速度项:
其中c1与c2是学习因子常量,r1与r2是[0,1]之间的随机变量,Pis代表个体最优位置,Pgs代表全局最优位置。
每一次迭代位移的增量近一步表示为:
在使用天牛群算法对每个种群位置进行更新后,需要保证每个种群的路径连续性,使用如下方法进行处理:对每条种群路径进行迭代,对每条不连通路径进行处理,并将路径交换点将其变成联通路径,如图3所示。
以上所述的本发明的实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神原则之内所作出的修改、等同替换和改进等,均应包含在本发明的权利要求保护范围之内。
Claims (7)
1.一种基于天牛群搜索算法的三维路径规划方法,其特征在于,该方法包括如下步骤:
步骤1、读取地图数据,使用几何面片连接均匀离散的地图信息数据点描述三维地图场景,生成并绘制模拟真实地形的三维平面;
步骤2、将步骤1)中读取的三维地图场景点投影到二维网格面,并将该网格面上的点进行一维编号,给予每个网格点独立的数字标示,并计算保存每个网格点的邻接点;
步骤3、将步骤2)中的编号点进行邻接点连接,生成从终点到起点的不同路径;
步骤4、将步骤3)中的路径运用天牛群算法模型进行优化求解,计算路径长度时考虑高度信息,对不连续路径进行处理,将不连续的路径变成邻接点依次联通的连续路径,求解出最优的路径长度值所对应的路径,并使用plot函数在地形上进行路径图像绘制;
在BSO算法中,首先,位置更新时,按照PSO和BAS的方式各自更新后加权得到新的位置;也就是,利用了BAS的触须方向和步长,同时也利用了粒子的速度:
其中,表明粒子s在k+1次迭代时的位置;表明粒子每一只天牛的速度乘以权重;控制λ的大小即可控制在天牛群算法中,粒子群算法和天牛须算法影响的比重,为天牛沿速度方向位移的一个增量,来源于天牛须算法的思路;使用以下公式更新速度项:
其中c1与c2是学习因子常量,r1与r2是[0,1]之间的随机变量,Pis k代表个体最优位置,Pgs k代表全局最优位置;
每一次迭代位移的增量近一步表示为:
其中δk表示每一次的行进步长,f(·)表示适应度函数;
其中d表示天牛触须长度;
步骤5、将步骤4)的结果传递给无人车,控制无人车进行三维平面上的导航移动。
2.根据权利要求1所述的方法,其特征在于,在步骤1)中,所读取的地图数据模型为三维散点数据,使用x坐标值,y坐标值,z坐标值描述该地图数据。
3.根据权利要求1所述的方法,其特征在于,在步骤1)中,使用三维面片连接各个散点绘制基本地图信息。
4.根据权利要求1所述的方法,其特征在于,在步骤2)中,以不同的一维编号值来描述三维地图信息,并使用该一维编号值规划描述无人车的三维行走线路;其具体编号方法为numi=(xi-1)*col+yi;其中numi代表该点的编号值;xi代表该点的x轴坐标,yi代表该点的y轴坐标,col表示地图二维矩阵的列数。
5.根据权利要求1所述的方法,其特征在于,在步骤3)中,一个点的邻接点为以该点为中心,东,南,西,北,东北,东南,西北,西南8个方向单位长度上的点,该8个点为下个路径的待选点,将单位长度设置成无人车的每次可移动路径范围,将起点设为路径的第一个值,随后随机依次选取每个点的邻接点成为其前进方向的路径点。
7.根据权利要求1所述的方法,其特征在于:步骤4)中将不连续的路径变成邻接点依次联通的连续路径,具体为:运用BSO算法求解,并且在求解时进行不同的路径序列交换,判断路径是否是联通路径,如果联通计算该路径的路径长度,不联通则重新处理该条路径;经过一定次数的迭代后,选取一条最短路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010241304.2A CN111443712B (zh) | 2020-03-30 | 2020-03-30 | 一种基于天牛群搜索算法的三维路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010241304.2A CN111443712B (zh) | 2020-03-30 | 2020-03-30 | 一种基于天牛群搜索算法的三维路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111443712A CN111443712A (zh) | 2020-07-24 |
CN111443712B true CN111443712B (zh) | 2023-03-21 |
Family
ID=71650897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010241304.2A Active CN111443712B (zh) | 2020-03-30 | 2020-03-30 | 一种基于天牛群搜索算法的三维路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111443712B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113313674B (zh) * | 2021-05-12 | 2023-05-12 | 华南理工大学 | 一种基于虚拟数据平面的船体除锈方法 |
CN113985922B (zh) * | 2021-11-10 | 2023-11-17 | 浙江建德通用航空研究院 | 一种多目标约束下的无人机分级式路径规划方法 |
CN114167722B (zh) * | 2021-11-26 | 2024-03-29 | 杭州电子科技大学 | 一种基于超指数收敛神经网络的并联机器人跟踪控制方法 |
CN114637962B (zh) * | 2022-05-18 | 2022-08-30 | 自然资源部第一海洋研究所 | 海洋数值预报产品验证方法、***、电子设备及存储介质 |
CN115437400A (zh) * | 2022-09-22 | 2022-12-06 | 南京壮大智能科技研究院有限公司 | 基于两种优化算法的无人机路径规划方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5548773A (en) * | 1993-03-30 | 1996-08-20 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Digital parallel processor array for optimum path planning |
WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
CN109866222A (zh) * | 2019-02-26 | 2019-06-11 | 杭州电子科技大学 | 一种基于天牛须优化策略的机械臂运动规划方法 |
CN110181508A (zh) * | 2019-05-09 | 2019-08-30 | 中国农业大学 | 水下机器人三维航路规划方法及*** |
-
2020
- 2020-03-30 CN CN202010241304.2A patent/CN111443712B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5548773A (en) * | 1993-03-30 | 1996-08-20 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Digital parallel processor array for optimum path planning |
WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
CN109866222A (zh) * | 2019-02-26 | 2019-06-11 | 杭州电子科技大学 | 一种基于天牛须优化策略的机械臂运动规划方法 |
CN110181508A (zh) * | 2019-05-09 | 2019-08-30 | 中国农业大学 | 水下机器人三维航路规划方法及*** |
Non-Patent Citations (3)
Title |
---|
BSO算法在移动机器人三维路径规划中的应用;沈显庆等;《黑龙江科技大学学报》;20191130(第06期);117-121 * |
基于双粒子群算法的矿井搜救机器人路径规划;封硕等;《工矿自动化》;20200110(第01期);68-74 * |
基于改进A*算法与天牛须搜索算法的农业机器人路径规划方法;赵辉 等;《科学技术与工程》;20191108;第19卷(第31期);185-190 * |
Also Published As
Publication number | Publication date |
---|---|
CN111443712A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111443712B (zh) | 一种基于天牛群搜索算法的三维路径规划方法 | |
CN111324848B (zh) | 移动激光雷达测量***车载轨迹数据优化方法 | |
CN109254591B (zh) | 基于Anytime修复式稀疏A*与卡尔曼滤波的动态航迹规划方法 | |
CN107145161A (zh) | 无人机访问多目标点的航迹规划方法及装置 | |
CN112230678A (zh) | 基于粒子群算法的三维无人机路径规划方法及规划*** | |
CN108827311B (zh) | 一种制造车间无人搬运***路径规划方法 | |
CN112034887A (zh) | 无人机躲避柱状障碍物到达目标点的最优路径训练方法 | |
CN110849355B (zh) | 一种地磁多参量多目标快速收敛的仿生导航方法 | |
CN114355981B (zh) | 一种四旋翼无人机自主探索建图的方法和*** | |
CN113359768A (zh) | 一种基于改进的a*算法的路径规划方法 | |
CN113495566B (zh) | 一种基于曲率约束融合势场法的D*Lite无人车局部路径规划方法 | |
CN113268074A (zh) | 一种基于联合优化的无人机航迹规划方法 | |
CN113741503B (zh) | 一种自主定位式无人机及其室内路径自主规划方法 | |
CN109974739A (zh) | 基于高精度地图的全局导航***及导航信息生成方法 | |
CN115562357B (zh) | 一种面向无人机集群的智能路径规划方法 | |
Ma et al. | Adaptive path planning method for UAVs in complex environments | |
CN113804209A (zh) | 一种四角格网高精度长距离越野路径规划方法 | |
CN113391633A (zh) | 一种面向城市环境的移动机器人融合路径规划方法 | |
CN113220008B (zh) | 多火星飞行器的协同动态路径规划方法 | |
Váňa et al. | Surveillance planning with safe emergency landing guarantee for fixed-wing aircraft | |
CN114777789A (zh) | 一种基于球面矢量鸽群算法的三维避障航路规划方法 | |
CN117724524A (zh) | 一种基于改进球面向量粒子群算法的无人机航线规划方法 | |
Howlett et al. | Learning real-time A* path planner for unmanned air vehicle target sensing | |
Leung et al. | Development of a microscopic traffic simulator for inter-vehicle communication application research | |
CN114527759A (zh) | 一种基于分层强化学习的端到端驾驶方法 |
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 |