日韩成人黄色,透逼一级毛片,狠狠躁天天躁中文字幕,久久久久久亚洲精品不卡,在线看国产美女毛片2019,黄片www.www,一级黄色毛a视频直播

一種基于遺傳算法的水面路徑規(guī)劃方法

文檔序號:42026923發(fā)布日期:2025-05-30 17:10閱讀:4來源:國知局

本發(fā)明所屬領(lǐng)域為機器人路徑規(guī)劃,具體涉及一種基于遺傳算法的水面路徑規(guī)劃方法。


背景技術(shù):

1、在當今環(huán)境問題日益嚴峻的形勢下,水華、赤潮等水體災害頻繁爆發(fā),對生態(tài)環(huán)境、水資源利用以及人類健康都構(gòu)成了嚴重威脅。這些水體災害的核心原因是水體富營養(yǎng)化,氮、磷等元素濃度過高,導致微藻過量增殖。傳統(tǒng)的藻類清理主要依靠人工方式,專業(yè)人員駕駛船舶進行定點、定期作業(yè),然而這種傳統(tǒng)作業(yè)模式弊端明顯。隨著科技的不斷進步,水上清藻機器人應運而生,逐漸進入公眾視野。不過,相較于無人駕駛汽車等智能技術(shù)的蓬勃發(fā)展,水上機器人在路徑規(guī)劃領(lǐng)域的發(fā)展較為滯后。尤其是針對藻類清理的水上機器人,目前的研究尚處于起步階段。當藻類清理水上機器人檢測到藻類目標后,如何規(guī)劃出合理的作業(yè)路徑,高效抵達并全面覆蓋清理區(qū)域,成為亟待解決的關(guān)鍵問題。授權(quán)公告號為cn110347151b的中國發(fā)明涉及一種融合bezier優(yōu)化遺傳算法的機器人路徑規(guī)劃方法,該方法先采用bezier曲線,將遺傳算法初始解及交叉、變異過程中產(chǎn)生的路徑進行優(yōu)化,以消除尖峰拐點并減少冗余節(jié)點,從而提高路徑平滑性;再采用增加了安全距離與自適應懲罰因子的適應度函數(shù),對遺傳算法求得的路徑進行動態(tài)調(diào)節(jié),以提高規(guī)劃路徑的質(zhì)量。然而,該方法路徑規(guī)劃策略單一且在動態(tài)水域環(huán)境中的適應性和效率仍需進一步提升。


技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于,提供一種基于遺傳算法的水面路徑規(guī)劃方法。本發(fā)明能夠?qū)崿F(xiàn)機器人在復雜水域環(huán)境下精準且穩(wěn)定的路徑規(guī)劃,提高了路徑規(guī)劃的效率和適應性。

2、本發(fā)明的技術(shù)方案:一種基于遺傳算法的水面路徑規(guī)劃方法,具體包括以下步驟:

3、步驟一:獲取機器人位置信息并實時采集圖像數(shù)據(jù);

4、步驟二:基于深度學習的yolov8目標檢測模型對采集的圖像數(shù)據(jù)進行目標檢測;根據(jù)目標檢測結(jié)果,基于滑模思想確定目標數(shù)量并進行數(shù)量判斷,根據(jù)數(shù)量判斷結(jié)果將目標檢測結(jié)果進行坐標變換;

5、步驟三:根據(jù)機器人位置和坐標轉(zhuǎn)換得到的結(jié)果,采用遺傳算法生成初始路徑;綜合考慮路徑的經(jīng)濟性和安全性,通過適應度函數(shù)計算每條初始路徑的個體適應度值;采用精英選擇保留高個體適應度值的初始路徑,通過輪盤賭策略對剩余初始路徑進行選擇,以增加路徑種群的多樣性;動態(tài)調(diào)整遺傳算法的自適應交叉概率和自適應變異概率,優(yōu)化初始路徑搜索過程,得到最優(yōu)路徑;采用貝塞爾曲線對最優(yōu)路徑進行平滑處理,輸出全局規(guī)劃路徑;

6、步驟四:機器人按照全局規(guī)劃路徑行進過程中,針對動態(tài)環(huán)境變化,實時調(diào)整局部路徑規(guī)劃,確保機器人安全完成行進任務。

7、前述的基于遺傳算法的水面路徑規(guī)劃方法中,步驟二中,所述滑模思想用于處理目標重疊度和目標之間距離關(guān)系;

8、處理目標重疊度的過程為定義與目標重疊度相關(guān)的滑模面so=o-oth,其中,o是實際檢測到的目標重疊度,oth是設(shè)定的合理重疊度閾值;當so=0時,表示處于理想的滑動模態(tài),即目標重疊度處于合理狀態(tài);若o>oth,表示重疊度過高,存在多個目標被誤判為一個的情況,進行目標分割;若o<oth,則重疊度處于正常;

9、處理目標之間距離關(guān)系的過程為定義滑模面sd=d-dth,其中,d是目標之間實際距離,dth是根據(jù)目標分布特點設(shè)定的合理距離閾值,當檢測到的目標之間距離偏離dth時,根據(jù)偏離情況進行動態(tài)調(diào)整,以保證處于目標之間距離期望的運行狀態(tài)。

10、前述的基于遺傳算法的水面路徑規(guī)劃方法中,步驟三中,所述遺傳算法生成初始路徑的過程為:首先設(shè)定遺傳算法的關(guān)鍵參數(shù),包括種群規(guī)模、最大迭代次數(shù)、交叉概率、變異概率和自適應參數(shù),根據(jù)種群規(guī)模隨機生成初始路徑種群其中第i條初始路徑si=[ss,si1,si2,···se](i=1,2,···n),sij(j=1,2,···k)為初始路徑si所經(jīng)過的路徑點,ss和se分別為初始路徑的起點和終點。

11、前述的基于遺傳算法的水面路徑規(guī)劃方法中,所述適應度函數(shù)計算每條初始路徑的個體適應度值的公式為:

12、fs=af1(s)+bf2(s);

13、其中,fs表示初始路徑的個體適應度值,a和b為權(quán)重系數(shù),f1(s)和f2(s)分別表示初始路徑的經(jīng)濟性及安全性;

14、所述初始路徑的經(jīng)濟性計算公式為:

15、

16、其中,len(si)為初始路徑的長度;

17、所述初始路徑的安全性計算公式為:

18、

19、dan(si)=1/di;

20、其中,dan(si)為機器人在行駛時與障礙物之間的距離的倒數(shù)值;di表示機器人在行駛時與障礙物之間的最短距離。

21、前述的基于遺傳算法的水面路徑規(guī)劃方法中,所述精英選擇的過程為根據(jù)計算得到的初始路徑個體適應度值,按照從大到小依次排列選擇前n1位初始路徑加入新的路徑種群中;

22、所述輪盤賭策略對剩余初始路徑進行選擇的過程為:

23、(1)從第n1+1位初始路徑開始依次計算被選擇的概率:

24、

25、其中,是初始路徑si的個體適應度值;

26、(2)計算累計概率值qi:

27、

28、(3)產(chǎn)生一個隨機數(shù)r∈[0,1];

29、(4)若選擇第n1+1條路徑;否則,選擇sj滿足qj-1<r≤qj;

30、(5)重復(3)、(4)過程直到達到選擇群體數(shù)目n2,并將這個個體適應度值所對應的初始路徑加入到新的路徑種群中。

31、前述的基于遺傳算法的水面路徑規(guī)劃方法中,所述自適應交叉概率pc公式為:

32、

33、其中,fmax為表示當前路徑種群的最大適應度,favg表示當前路徑種群的平均個體適應度值,f為要交叉的兩個路徑中較大的個體適應度值,k1和k2分別是0到1之間的常數(shù);

34、所述自適應變異概率pe公式如下:

35、

36、其中,f'表示變異操作路徑的適應度;k3和k4分別是0到1之間的常數(shù)。

37、前述的基于遺傳算法的水面路徑規(guī)劃方法中,所述貝塞爾曲線的n階曲線公式如下:

38、

39、式中,p(t)為貝塞爾曲線的運動控制點,pi為位置點,p(0)和p(1)分別為起點和終點,bi,n(t)為伯恩斯坦基函數(shù),為二項式系數(shù),也稱為組合數(shù),表示從n個不同元素中取i個元素的組合數(shù),其中n為非0正整數(shù),i的取值范圍為0到n,t為在貝塞爾曲線上的插值,取值范圍在[0,1]之間。

40、前述的基于遺傳算法的水面路徑規(guī)劃方法中,步驟四中,所述局部路徑規(guī)劃過程包括建立機器人運動學模型,然后對機器人速度空間(v,ω)進行采樣,再基于機器人運動學模型模擬出在此速度空間(v,ω)下時間t內(nèi)的模擬軌跡,計算模擬軌跡的評價函數(shù),最后選取評價函數(shù)值最優(yōu)的軌跡,得到局部最優(yōu)路徑,以提升路徑規(guī)劃的準確性和高效性。

41、前述的基于遺傳算法的水面路徑規(guī)劃方法中,所述建立機器人運動學模型為

42、xt+δt=xt+vxδtcosθt-vyδtsinθt;

43、yt+δt=y(tǒng)t+vxδtsinθt+vyδtcosθt;

44、θt+δt=θt+ωtδt;

45、式中,xt+δt為機器人t+δt時刻的橫坐標,yt+δt為機器人t+δt時刻的縱坐標,xt為機器人t時刻的橫坐標,yt為機器人t時刻的縱坐標,vx和vy為機器人在底盤坐標系下t時刻沿x和y軸的線速度,θt是機器人t時刻與x軸的夾角,ωt是機器人t時刻的角速度,θt+δt為機器人t+δt時刻與x軸的夾角。

46、前述的基于遺傳算法的水面路徑規(guī)劃方法中,所述機器人速度采樣的過程是對窗口區(qū)域內(nèi)移動機器人速度空間進行采樣,速度空間中存在無窮多組速度對(v,ω),設(shè)定邊界限定條件:

47、vm={(v,ω)|v∈[vmin,vmax]∧ω∈[ωmin,ωmax]};

48、式中,vm為機器人最大速度、最小速度的限制范圍,vmax和vmin分別為機器人所能達到的最大線速度和最小線速度,ωmax和ωmin分別為機器人角速度所能達到的最大角速度和最小角速度;

49、進一步將約束速度空間vd:

50、

51、式中,vc為機器人當前線速度,為最大加速度,δt為時間間隔;為最大減速度;ωc為機器人當前角速度,為最大角加速度;為最大角減速度;

52、設(shè)定最大加速度限制的速度空間:

53、

54、式中,dist(v,ω)表示機器人與最近障礙物的路徑長度;

55、水上機器人前進周期一個δt內(nèi),有效的速度集合區(qū)間v為:

56、v=vm∩vd∩va;

57、所述評價函數(shù)的公式為:

58、g(v,ω)=σ(α·head(v,ω)+β·dist(v,ω)+γ·vel(v,ω)+δpre(v,ω));

59、其中,α,β,γ和δ是每一項的權(quán)重因子;σ表示歸一化;head(v,ω)為方位角評價函數(shù),表示在當前采樣速度下移動至局部規(guī)劃路徑的端點時,機器人行進方向與全局規(guī)劃路徑終點之間的方位角偏差;dist(v,ω)為安全系數(shù)評價函數(shù),表示機器人與最近障礙物的路徑長度;vel(v,ω)為當前速度大小評價函數(shù);pre(v,ω)為目標路徑距離評價子函數(shù),公式如下:

60、

61、其中,(xte,yte)為預測軌跡末端坐標,(xg,yg)為預測軌跡目標點坐標。

62、與現(xiàn)有技術(shù)相比,本發(fā)明具有以下有益效果:

63、本發(fā)明通過采用全局路徑規(guī)劃和局部路徑規(guī)劃相結(jié)合的策略,全局路徑規(guī)劃基于改進的遺傳算法,結(jié)合任務需求和環(huán)境約束生成最優(yōu)全局路徑;局部路徑規(guī)劃針對動態(tài)環(huán)境變化實時調(diào)整局部路徑,使機器人在復雜動態(tài)水域環(huán)境中既能規(guī)劃出整體合理路徑,又能靈活應對局部變化,具有較好的靈活性和適應性。此外,本發(fā)明通過構(gòu)建包含經(jīng)濟性和安全性的適應度函數(shù),將路徑長度和機器人與障礙物間的距離納入考量,使規(guī)劃出的路徑既經(jīng)濟又安全,在實際應用中,能有效減少機器人的行駛距離,同時降低與障礙物碰撞的風險,提高作業(yè)效率和安全性。本發(fā)明通過精英選擇與輪盤賭相結(jié)合的策略,保留高個體適應度值的路徑以傳遞優(yōu)良基因,對剩余路徑采用輪盤賭選擇增加多樣性,避免了算法陷入局部最優(yōu)解,有助于在復雜的水面環(huán)境中找到全局最優(yōu)路徑,確保機器人的路徑規(guī)劃更具科學性和合理性。本發(fā)明通過自適應交叉和變異概率根據(jù)路徑種群的進化狀態(tài)動態(tài)調(diào)整,初期提高變異概率,擴大搜索范圍,探索更多潛在路徑,后期降低概率,加快收斂速度,避免優(yōu)良基因被破壞,在保證搜索全面性的同時,提升了遺傳算法的收斂效率,更快地找到最優(yōu)路徑。本發(fā)明通過采用貝塞爾曲線對規(guī)劃路徑進行平滑處理,減少路徑中的尖銳拐點,使路徑更符合機器人運動學和動力學約束,不僅能降低機器人在行駛過程中的能耗,還能提高其運動穩(wěn)定性,延長機器人使用壽命,保障作業(yè)的連續(xù)性和高效性。本發(fā)明通過改進評價函數(shù),添加目標路徑距離評價子函數(shù),將全局路徑納入評價體系,使機器人在局部路徑規(guī)劃時,能朝著目標點迅速移動,同時綜合考慮與障礙物的距離、速度、方向偏差等因素,從多個維度評估軌跡,選擇出更優(yōu)的局部路徑,提升路徑規(guī)劃的準確性和高效性。

當前第1頁1 2 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1