-
公开(公告)号：CN112486185B
公开(公告)日：2023-05-09
申请号：CN202011452945.9
申请日：2020-12-11
Applicant: 东南大学
IPC: G05D1/02
Abstract: 本发明公开了一种在未知环境下基于蚁群和VO算法的路径规划方法，从而实现智能体在未知环境中对动态障碍物和静态障碍物的规避。首先，通过将地图已知信息栅格化构建初始地图矩阵，采用蚁群算法构建已知环境下的全局路径，针对地图环境未知，可能存在其他静态障碍物和动态障碍物的问题，将路径规划策略具体分为两个部分。对于未知静态障碍物，当智能体在其运动过程中探测到静态障碍物信息，更新全局地图矩阵，并通过蚁群算法重新构建全局路径。对于动态障碍物，通过结合VO算法，设计相应的惩罚函数公式，从速度候选集合中挑选出最佳速度，达到规避动态障碍物和追踪路径的效果。实验结果表明，本发明提出的路径规划方法能够在未知环境下对动态障碍物和静态障碍物进行有效规避。
-
公开(公告)号：CN111275159A
公开(公告)日：2020-06-12
申请号：CN201911341295.8
申请日：2019-12-23
Applicant: 东南大学
Abstract: 本发明公开了一种基于多维标度法和copula函数的蚁群算法设计方法，从而实现提高算法精度，优化算法性能的优点。首先，利用多维标度法，将原有的数据映射至低维空间，从而降低解分量之间的冗余相关性，降低计算复杂度，构造优化的搜索算法。然后使用基于copula函数的分布估计算法，在低维空间中构造出新的解存档，具体分为两个部分，先通过正态copula函数构造出分量之间的相依关系，再通过高斯采样方法抽样得到一个新的解分量，利用联合分布和条件分布函数采样得到其他解分量。最后，将低维空间中获得的解存档作逆映射，得到高维空间中的解存档。实验结果表明，本发明提出的设计方法能够提高算法的性能。
-
公开(公告)号：CN111985522A
公开(公告)日：2020-11-24
申请号：CN202010531088.5
申请日：2020-06-11
Applicant: 东南大学
Abstract: 本发明涉及基于自适应反向学习和降维的蚁群算法设计方法，首先，初始化信息素浓度、解存档，设置蚂蚁数量、最大迭代次数等，再基于模糊理论构造出决策变量相关性矩阵D，并利用多维标度法，将原有的解映射至低维空间，然后使用高斯分布估计算法，在低维空间中搜索得到新解，并将低维空间中获得的新解作逆映射得到高维空间中的解，之后，运行余弦适应性机制，即每次迭代选取一个[0,1]间的随机值，若随机值大于余弦适应性因子则进行反向学习算法，若随机值小于余弦适应性因子，则不进行，以此避免陷入局部最优。最后，将所有新解原来的解存档空间中的解，按照目标函数值由小到大的顺序排序，选取前m个解，作为新解存档。该方案能够提高算法的性能。
-
公开(公告)号：CN112486185A
公开(公告)日：2021-03-12
申请号：CN202011452945.9
申请日：2020-12-11
Applicant: 东南大学
IPC: G05D1/02
Abstract: 本发明公开了一种在未知环境下基于蚁群和VO算法的路径规划方法，从而实现智能体在未知环境中对动态障碍物和静态障碍物的规避。首先，通过将地图已知信息栅格化构建初始地图矩阵，采用蚁群算法构建已知环境下的全局路径，针对地图环境未知，可能存在其他静态障碍物和动态障碍物的问题，将路径规划策略具体分为两个部分。对于未知静态障碍物，当智能体在其运动过程中探测到静态障碍物信息，更新全局地图矩阵，并通过蚁群算法重新构建全局路径。对于动态障碍物，通过结合VO算法，设计相应的惩罚函数公式，从速度候选集合中挑选出最佳速度，达到规避动态障碍物和追踪路径的效果。实验结果表明，本发明提出的路径规划方法能够在未知环境下对动态障碍物和静态障碍物进行有效规避。
-
-
-
Search Results
4
records
(took 0.04 seconds)
