CN114722581A - 基于曼哈顿距离的移动状态监测方法、装置、计算机设备 - Google Patents
基于曼哈顿距离的移动状态监测方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN114722581A CN114722581A CN202210269006.3A CN202210269006A CN114722581A CN 114722581 A CN114722581 A CN 114722581A CN 202210269006 A CN202210269006 A CN 202210269006A CN 114722581 A CN114722581 A CN 114722581A
- Authority
- CN
- China
- Prior art keywords
- agent
- distance
- monitoring
- intelligent
- target 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012360 testing method Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012806 monitoring device Methods 0.000 claims description 5
- 230000000977 initiatory effect Effects 0.000 claims description 2
- 239000003795 chemical substances by application Substances 0.000 description 100
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种基于曼哈顿距离的移动状态监测方法、装置和计算机设备。方法包括:确定智能体在人工势场中的起始位置和目标点位置之间的曼哈顿距离;当智能体按照预设步长从起始位置移动的总步数超过按照曼哈顿距离移动的步数,且未到达目标点时,对智能体进行死锁状态监控,记录智能体每次移动后的位置信息;预设迭代次数后,获取智能体每次移动后,当前时刻的当前位置和T时刻前的位置的距离;若当前位置和之前位置的距离小于预设阈值,则判定智能体进入死锁状态。本发明基于曼哈顿距离确定触发开始死锁状态监控的开始时间,不需要全程进行死锁监控,减少了运算占用,可提高路径规划效率。
Description
技术领域
本申请涉及人工势场路径规划技术领域,特别是涉及一种基于曼哈顿距离的移动状态监测方法、装置、计算机设备和存储介质。
背景技术
人工势场法在实际规划应用中适应场景能力较强,能够显示出场景的拓扑模型,同时,能够解决全局规划计算量大、运算复杂的缺陷,且规划建模简洁、方法清晰,受到越来越多的关注和应用。
但通过人工势场法进行智能体的路径规划在实际应用场景中存在缺陷与约束,其中之一是局部最小值问题,即针对多个阻碍物问题,由于阻碍物的分布符合特定情况时,规划过程中会出现局部极值问题,智能体无法得到全局最优,进而始终在该局部区域移动徘徊。在通过人工势场法进行路径规划时,对于智能体是否陷入局部最小值区域的判断通常贯穿整个路径规划过程,需要消耗相当的计算。因此,现有技术存在效率不高的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高人工势场中智能体是否陷入局部最小值判定效率的基于曼哈顿距离的移动状态监测方法、装置、计算机设备和存储介质。
一种基于曼哈顿距离的移动状态监测方法,所述方法包括:
获取智能体在地图中的起始位置和目标点位置,并进一步确定所述起始位置和所述目标点位置的曼哈顿距离;
当所述智能体按照预设步长从所述起始位置移动的总步长超过按照原起点和目标点之间的曼哈顿距离,且未到达目标点时,对所述智能体进行死锁状态监控,记录所述智能体每次移动后的位置信息;
根据预先设置的智能体运动规则,设置预迭代次数ktest,当所述智能体从监控开始的移动次数达到预迭代次数ktest时,获取所述智能体每次移动后,当前时刻的位置X(k)和前T时刻的位置X(k-T),并进一步计算当前位置和之前位置的距离disT;所述智能体运动规则约定所述智能体以当前位置为圆心,在下一时刻只能到达以运动步长为半径的圆周上的T个等分点之一处;
若所述当前位置和所述之前位置的距离disT小于预设阈值时,则判定所述智能体进入死锁状态。
在其中一个实施例中,还包括:获取所述曼哈顿距离为a+b;其中,a、b分别为所述起始位置和所述目标点位置在横轴方向和纵轴方向的距离;
获取所述智能体的步长为d;
根据所述曼哈顿距离和所述步长,确定所述智能体按照曼哈顿距离前进到目标点所需的步数为:
根据所述智能体按照曼哈顿距离前进到目标点所需的步数,确定进入智能体死锁状态监测的开始时刻为:
在其中一个实施例中,还包括:根据预先设置的智能体运动规则,设置预迭代次数T;
当所述智能体从监控开始的移动次数达到预迭代次数T,即当前时刻k>ktest+T时,获取所述智能体每次移动后,当前时刻的位置和当前时刻前T时刻的位置,并进一步计算当前位置和之前位置的距离为:
disT=|X(k)-X(k-T)|
其中,X(k)表示当前时刻k所述智能体的位置,X(k-T)表示T时刻前所述智能体的位置,| |符号表示求两个位置的直线距离。
在其中一个实施例中,还包括:若所述当前位置和所述之前位置的距离满足:
disT≤nd·d
则判定当前状态为疑似死锁状态;其中,nd为步长影响因子,表示对死锁状态判定的严格程度。
一种基于曼哈顿距离的移动状态监测装置,所述装置包括:
曼哈顿距离确定模块,用于获取智能体在地图中的起始位置和目标点位置,并进一步确定所述起始位置和所述目标点位置的曼哈顿距离;
监控启动模块,用于当所述智能体按照预设步长从所述起始位置移动的总步长超过按照原起点和目标点之间的曼哈顿距离,且未到达目标点时,对所述智能体进行死锁状态监控,记录所述智能体每次移动后的位置信息;
监控模块,用于根据预先设置的智能体运动规则,设置预迭代次数ktest,当所述智能体从监控开始的移动次数达到预迭代次数ktest时,获取所述智能体每次移动后,当前时刻的位置X(k)和前T时刻的位置X(k-T),并进一步计算当前位置和之前位置的距离disT;所述智能体运动规则约定所述智能体以当前位置为圆心,在下一时刻只能到达以运动步长为半径的圆周上的T个等分点之一处;
状态判定模块,用于若所述当前位置和所述之前位置的距离disT小于预设阈值时,则判定所述智能体进入死锁状态。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取智能体在地图中的起始位置和目标点位置,并进一步确定所述起始位置和所述目标点位置的曼哈顿距离;
当所述智能体按照预设步长从所述起始位置移动的总步长超过按照原起点和目标点之间的曼哈顿距离,且未到达目标点时,对所述智能体进行死锁状态监控,记录所述智能体每次移动后的位置信息;
根据预先设置的智能体运动规则,设置预迭代次数ktest,当所述智能体从监控开始的移动次数达到预迭代次数ktest时,获取所述智能体每次移动后,当前时刻的位置X(k)和前T时刻的位置X(k-T),并进一步计算当前位置和之前位置的距离disT;所述智能体运动规则约定所述智能体以当前位置为圆心,在下一时刻只能到达以运动步长为半径的圆周上的T个等分点之一处;
若所述当前位置和所述之前位置的距离disT小于预设阈值时,则判定所述智能体进入死锁状态。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取智能体在地图中的起始位置和目标点位置,并进一步确定所述起始位置和所述目标点位置的曼哈顿距离;
当所述智能体按照预设步长从所述起始位置移动的总步长超过按照原起点和目标点之间的曼哈顿距离,且未到达目标点时,对所述智能体进行死锁状态监控,记录所述智能体每次移动后的位置信息;
根据预先设置的智能体运动规则,设置预迭代次数ktest,当所述智能体从监控开始的移动次数达到预迭代次数ktest时,获取所述智能体每次移动后,当前时刻的位置X(k)和前T时刻的位置X(k-T),并进一步计算当前位置和之前位置的距离disT;所述智能体运动规则约定所述智能体以当前位置为圆心,在下一时刻只能到达以运动步长为半径的圆周上的T个等分点之一处;
若所述当前位置和所述之前位置的距离disT小于预设阈值时,则判定所述智能体进入死锁状态。
上述基于曼哈顿距离的移动状态监测方法、装置、计算机设备和存储介质,确定智能体在人工势场中的起始位置和目标点位置之间的曼哈顿距离;当智能体按照预设步长从起始位置移动的总步数超过按照曼哈顿距离移动的步数,且未到达目标点时,对智能体进行死锁状态监控,记录智能体每次移动后的位置信息;到达预设迭代次数后,获取智能体每次移动后,当前时刻的位置和T时刻前的位置的欧式距离;若当前位置和之前位置的距离小于预设阈值,则判定智能体进入死锁状态。本发明基于曼哈顿距离确定触发开始死锁状态监控的开始时间,不需要全程进行死锁监控,减少了运算占用,可提高路径规划效率。
附图说明
图1为一个实施例中基于曼哈顿距离的移动状态监测方法的流程示意图;
图2为一个实施例中基于曼哈顿距离的移动状态监测装置的结构框图;
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于曼哈顿距离的移动状态监测方法,可以应用于如下应用环境中。人工势场法中,由于阻碍物的任意动态分布,存在某种情况,当智能体进入斥力引力影响相互平衡的区域,根据势场法的概念,智能体无法获得驱动力,从而始终在区域内徘徊无法抵达终端,即陷入局部最小值的死锁状态。本发明应用于基于人工势场法的路径规划问题中,提供一种基于曼哈顿距离的移动状态监测方法,用于高效判断智能体是否陷入死锁状态。
在一个实施例中,如图1所示,提供了一种基于曼哈顿距离的移动状态监测方法,包括以下步骤:
步骤102,获取智能体在地图中的起始位置和目标点位置,并进一步确定起始位置和目标点位置的曼哈顿距离。
人工势场中,当智能体受到的斥力和引力的合力达到平衡时,智能体局限于局部最小值区域,无法向其他区域拓展。
本发明对智能体是否陷入局部极小值的检测是基于曼哈顿距离进行的。曼哈顿距离就是欧几里得空间的固定直角坐标系上两点所形成的线段对轴产生的投影的距离总和。
步骤104,当智能体按照预设步长从起始位置移动的总步数超过按照曼哈顿距离移动的步数,且未到达目标点时,对智能体进行死锁状态监控,记录智能体每次移动后的位置信息。
曼哈顿距离其实是作为了从起始点到目标点的距离上限值。给与智能体曼哈顿距离所对应的步数为等待窗口,若智能体不是陷入局部最小值状态,理应在计算的步数范围内达到了目标点,若未达到,可以猜测智能体有陷入死锁的可能,但还需进一步验证。于是,从这时候起,开始记录智能体每次移动后的位置信息,用于在之后的时间段判断智能体是否确实陷入了死锁。
步骤106,根据预先设置的智能体运动规则,设置预迭代次数ktest,当智能体从监控开始的移动次数达到预迭代次数ktest时,获取智能体每次移动后,当前时刻的位置和前T时刻的位置,并进一步计算当前位置和之前位置的直线距离。
智能体运动规则约定智能体以当前位置为圆心,在下一时刻只能到达以运动步长为半径的圆周上的T个点之一处;T个点在圆周上均匀分布。
设置智能体运动规则相当于限制了智能体下个时刻到达点位的可能性,在路径规划数值模拟时,可以简化计算模型。而设置T个点在圆周上均匀分布则进一步可以简化计算模型。
智能体可能到达的点位越多,那么就需要更长的时间间隔来判断智能体是否陷入死锁,以保证状态判断的准确性。因此,本发明这里设置的时间间隔与路径规划时设置的智能体下一时刻可达点位的数目相关。
步骤108,若当前位置和之前位置的距离disT小于预设阈值时,则判定智能体进入死锁状态。
上述基于曼哈顿距离的移动状态监测方法中,确定智能体在人工势场中的起始位置和目标点位置之间的曼哈顿距离;当智能体按照预设步长从起始位置移动的总步数超过按照曼哈顿距离移动的步数,且未到达目标点时,对智能体进行死锁状态监控,记录智能体每次移动后的位置信息;预设迭代次数后,获取智能体每次移动后,当前时刻的当前位置和T时刻前的位置的距离;若当前位置和之前位置的距离小于预设阈值,则判定智能体进入死锁状态。本发明基于曼哈顿距离确定触发开始死锁状态监控的开始时间,不需要全程进行死锁监控,减少了运算占用,可提高路径规划效率。
在其中一个实施例中,还包括:获取曼哈顿距离为a+b;其中,a、b分别为起始位置和目标点位置在横轴方向和纵轴方向的距离;获取智能体的步长为d;根据曼哈顿距离和步长,确定智能体按照曼哈顿距离前进到目标点所需的步数为:
根据智能体按照曼哈顿距离前进到目标点所需的步数,确定进入智能体死锁状态监测的开始时刻为:
在其中一个实施例中,还包括:根据预先设置的智能体运动规则,设置预迭代次数T;
当智能体从监控开始的移动次数达到预迭代次数T,即当前时刻k>ktest+T时,获取智能体每次移动后,当前时刻的位置和当前时刻前T时刻的位置,并进一步计算当前位置和之前位置的距离为:
disT=|X(k)-X(k-T)|
其中,X(k)表示当前时刻k智能体的位置,X(k-T)表示T时刻前智能体的位置,| |符号表示求两个位置的直线距离。
在其中一个实施例中,还包括:若当前位置和之前位置的距离满足:
disT≤nd·d
则判定当前状态为疑似死锁状态;其中,nd为步长影响因子,表示对死锁状态判定的严格程度。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图2所示,提供了一种基于曼哈顿距离的移动状态监测装置,包括:曼哈顿距离确定模块202、监控启动模块204、监控模块206和状态判定模块208,其中:
曼哈顿距离确定模块202,用于获取智能体在地图中的起始位置和目标点位置,并进一步确定起始位置和目标点位置对应的曼哈顿距离;
监控启动模块204,用于当智能体按照预设步长从起始位置移动的总步数超过按照曼哈顿距离移动的步数,且未到达目标点时,对智能体进行死锁状态监控,记录智能体每次移动后的位置信息;
监控模块206,用于根据预先设置的智能体运动规则,设置预迭代次数T,当智能体从监控开始的移动次数达到预迭代次数T时,获取智能体每次移动后,当前时刻的位置和T时刻前的位置,并进一步计算当前位置和之前位置的距离;智能体运动规则约定智能体以当前位置为圆心,在下一时刻只能到达以运动步长为半径的圆周上的T个点之一处;T个点在圆周上均匀分布;
状态判定模块208,用于若当前位置和之前位置的距离小于预设阈值,则判定智能体进入死锁状态。
监控启动模块204还用于获取曼哈顿距离为a+b;其中,a、b分别为起始位置和目标点位置在横轴方向和纵轴方向的距离;kManhattan;
获取智能体的步长为d;
根据曼哈顿距离和步长,确定智能体按照曼哈顿距离前进到目标点所需的步数为:
根据智能体按照曼哈顿距离前进到目标点所需的步数,确定进入智能体死锁状态监测的开始时刻为:
监控模块206还用于根据预先设置的智能体运动规则,设置预迭代次数T;
当智能体从监控开始的移动次数达到预迭代次数T,即当前时刻k>ktest+T时,获取智能体每次移动后,当前时刻的位置和当前时刻前T时刻的位置,并进一步计算当前位置和之前位置的距离为:
disT=|X(k)-X(k-T)|
其中,X(k)表示当前时刻k智能体的位置,X(k-T)表示T时刻前智能体的位置,| |符号表示求两个位置的直线距离。
状态判定模块208还用于若当前位置和之前位置的距离满足:
disT≤nd·d
则判定当前状态为疑似死锁状态;其中,nd为步长影响因子,表示对死锁状态判定的严格程度。
关于基于曼哈顿距离的移动状态监测装置的具体限定可以参见上文中对于基于曼哈顿距离的移动状态监测方法的限定,在此不再赘述。上述基于曼哈顿距离的移动状态监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于曼哈顿距离的移动状态监测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于曼哈顿距离的移动状态监测方法,其特征在于,所述方法包括:
获取智能体在地图中的起始位置和目标点位置,并进一步确定所述起始位置和所述目标点位置的曼哈顿距离;
当所述智能体按照预设步长从所述起始位置移动的总步长超过按照原起点和目标点之间的曼哈顿距离,且未到达目标点时,对所述智能体进行死锁状态监控,记录所述智能体每次移动后的位置信息;
根据预先设置的智能体运动规则,设置预迭代次数ktest,当所述智能体从监控开始的移动次数达到预迭代次数ktest时,获取所述智能体每次移动后,当前时刻的位置X(k)和前T时刻的位置X(k-T),并进一步计算当前位置和之前位置的距离disT;所述智能体运动规则约定所述智能体以当前位置为圆心,在下一时刻只能到达以运动步长为半径的圆周上的T个等分点之一处;
若所述当前位置和所述之前位置的距离disT小于预设阈值时,则判定所述智能体进入死锁状态。
3.根据权利要求2所述的方法,其特征在于,根据预先设置的智能体运动规则,设置预迭代次数ktest,当所述智能体从监控开始的移动次数达到预迭代次数ktest时,获取所述智能体每次移动后,当前时刻的位置X(k)和前T时刻的位置X(k-T),并进一步计算当前位置和之前位置的距离disT,包括:
根据预先设置的智能体运动规则,设置预迭代次数ktest;
当所述智能体从监控开始的移动次数达到预迭代次数ktest,即当前时刻k>ktest+T时,获取所述智能体每次移动后,当前时刻的位置X(k)和前T时刻的位置X(k-T),并进一步计算当前位置和之前位置的距离为:
disT=|X(k)-X(k-T)|
其中,X(k)表示当前时刻k所述智能体的位置,X(k-T)表示前T时刻所述智能体的位置,| |符号表示求两个位置的欧几里得距离。
4.根据权利要求3所述的方法,其特征在于,若所述当前位置和所述之前位置的距离disT小于预设阈值时,则判定所述智能体进入死锁状态,包括:
若所述当前位置和所述之前位置的距离满足:
disT≤nd·d
则判定当前状态为疑似死锁状态;其中,nd为步长影响因子,表示对死锁状态判定的严格程度。
5.一种基于曼哈顿距离的移动状态监测装置,其特征在于,所述装置包括:
曼哈顿距离确定模块,用于获取智能体在地图中的起始位置和目标点位置,并进一步确定所述起始位置和所述目标点位置的曼哈顿距离;
监控启动模块,用于当所述智能体按照预设步长从所述起始位置移动的总步长超过按照原起点和目标点之间的曼哈顿距离,且未到达目标点时,对所述智能体进行死锁状态监控,记录所述智能体每次移动后的位置信息;
监控模块,用于根据预先设置的智能体运动规则,设置预迭代次数ktest,当所述智能体从监控开始的移动次数达到预迭代次数ktest时,获取所述智能体每次移动后,当前时刻的位置X(k)和前T时刻的位置X(k-T),并进一步计算当前位置和之前位置的距离disT;所述智能体运动规则约定所述智能体以当前位置为圆心,在下一时刻只能到达以运动步长为半径的圆周上的T个等分点之一处;
状态判定模块,用于若所述当前位置和所述之前位置的距离disT小于预设阈值时,则判定所述智能体进入死锁状态。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210269006.3A CN114722581A (zh) | 2022-03-18 | 2022-03-18 | 基于曼哈顿距离的移动状态监测方法、装置、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210269006.3A CN114722581A (zh) | 2022-03-18 | 2022-03-18 | 基于曼哈顿距离的移动状态监测方法、装置、计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114722581A true CN114722581A (zh) | 2022-07-08 |
Family
ID=82238732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210269006.3A Pending CN114722581A (zh) | 2022-03-18 | 2022-03-18 | 基于曼哈顿距离的移动状态监测方法、装置、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114722581A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883633A (zh) * | 2023-09-07 | 2023-10-13 | 之江实验室 | 一种基于gis模拟智能体移动及可调速的可视化方法和装置 |
-
2022
- 2022-03-18 CN CN202210269006.3A patent/CN114722581A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883633A (zh) * | 2023-09-07 | 2023-10-13 | 之江实验室 | 一种基于gis模拟智能体移动及可调速的可视化方法和装置 |
CN116883633B (zh) * | 2023-09-07 | 2023-12-12 | 之江实验室 | 一种基于gis模拟智能体移动及可调速的可视化方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110221600B (zh) | 路径规划方法、装置、计算机设备和存储介质 | |
CN110796093A (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
CN108830900B (zh) | 关键点的抖动处理方法和装置 | |
CN114722581A (zh) | 基于曼哈顿距离的移动状态监测方法、装置、计算机设备 | |
CN110990135A (zh) | 基于深度迁移学习的Spark作业时间预测方法和装置 | |
CN110866634A (zh) | 基于模型选择的地下电缆故障预警方法和装置 | |
CN113534669B (zh) | 基于数据驱动的无人车控制方法、装置和计算机设备 | |
CN112104981A (zh) | 终端定位轨迹生成方法、装置及电子设备 | |
CN113759724B (zh) | 基于数据驱动的机器人控制方法、装置和计算机设备 | |
CN112008732B (zh) | 机器人逆行方法、装置、终端和存储介质 | |
CN110824496B (zh) | 运动估计方法、装置、计算机设备和存储介质 | |
CN110704898B (zh) | 老虎窗模型与屋架梁模型之间连接节点放置方法和产品 | |
CN111008311A (zh) | 基于邻域弱连接的复杂网络节点重要性评估方法和装置 | |
CN111651904B (zh) | 基于机器学习的流场数据计算方法和装置 | |
CN113609947A (zh) | 运动轨迹预测方法、装置、计算机设备和存储介质 | |
CN114777794A (zh) | 一种航天器轨道机动逆向移动滑窗检测方法、装置和设备 | |
WO2022133775A1 (zh) | 轨迹数据处理方法、装置、计算机设备和存储介质 | |
WO2022099526A1 (zh) | 变道预测回归模型训练方法、变道预测方法和装置 | |
CN114536326A (zh) | 一种路标数据处理方法、装置及存储介质 | |
CN111310906B (zh) | 神经形态芯片中计算核的布局的方法、装置及设备 | |
CN113805587B (zh) | 多无人车分布式编队控制方法、装置和设备 | |
CN111125918A (zh) | 基于相似寿命模型和相似寿命的复杂产品可靠性评定方法 | |
CN111007553B (zh) | 被测对象的导航方法、装置、计算机设备和存储介质 | |
CN110750817B (zh) | 连接件放置方法、相邻关系确定方法、装置、设备和介质 | |
CN116612115B (zh) | 一种焊线点补偿方法、装置、计算机设备及存储介质 |
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 |