کلید واژه ها:
برنامه ریزی مسیر ؛ ستاره درخت تصادفی در حال کاوش سریع (RRT*) ؛ وسایل نقلیه هوایی بدون سرنشین (UAVs) ؛ الگوریتم های مبتنی بر نمونه برداری
۱٫ مقدمه
-
یک تابع هزینه پرواز شامل قدرت تهدید و طول مسیر برای بهبود ایمنی مسیر پهپاد در محیطهای پیچیده ایجاد شد. ایمنی مسیر یکی از مهمترین الزامات در برنامه ریزی مسیر پهپاد است. بنابراین، قضاوت در مورد مسیر تنها با استفاده از فاصله اقلیدسی اتخاذ نمی شود. با در نظر گرفتن این مشکل، یک تابع هزینه پرواز که شامل طول مسیر و قدرت تهدید است برای هدایت برنامه ریزی مسیر پهپاد پیشنهاد شده است. این امر پهپاد را قادر می سازد تا به طور موثر از تهدیدات جلوگیری کند و با به دست آوردن کوتاه ترین مسیر، ایمنی مسیر خود را بهبود بخشد.
-
این مقاله رویکردی را برای هدایت گسترش گرههای جدید با استفاده از اطلاعات اکتشافی پیشنهاد میکند. برای حل مشکل قدرت تهدید در برنامهریزی مسیر پهپاد از جلو، هم طول مسیر و هم هزینه استحکام تهدید و همچنین محدودیتهای پرواز باید در نظر گرفته شود که FC-RRT* توسعه گره جدید را انجام میدهد. بنابراین، ما رویکردی را پیشنهاد میکنیم که از تابع هزینه پرواز بهعنوان اطلاعات اکتشافی برای هدایت مستقیم گسترش گره در حالی که برای اولین بار محدودیتهای پرواز را به آن معرفی میکند، استفاده میکند. علاوه بر این، ساختار الگوریتم برای بهبود کارایی عملیات FC-RRT* بهینه شده است. با استفاده از این رویکرد، قدرت تهدید مسیر از گسترش اولیه گره جدید کاهش می یابد تا ایمنی مسیر پهپاد تضمین شود. علاوه بر این، FC-RRT* همچنین منجر به پراکندگی نمونه کمتر در فضای برنامه ریزی می شود.
-
این مقاله یک رویکرد جدید برای بهروزرسانی گره والد بهینه در منطقه همسایه پیشنهاد میکند. پس از اینکه گره جدید توسط تابع هزینه پرواز و محدودیت های پرواز هدایت شد، رویکردی برای معرفی تابع هزینه پرواز و محدودیت های پرواز برای به روز رسانی گره والد برای هدایت یافتن مسیر بهینه پیشنهاد شده است. این رویکرد گرههای والد را با کوتاهترین طول مسیر انتخاب میکند و میتواند به طور موثری از تهدیدات هنگام بهروزرسانی گره والد جلوگیری کند تا از کشف شدن توسط دشمن یا برخورد با موانع و اطمینان از ایمنی مسیر جلوگیری شود.
۲٫ شرح کار و مشکل مرتبط
۲٫۱٫ کار مرتبط
۲٫۲٫ شرح مشکل
تعریف ۱ (محیط پیچیده )
- ۱٫
-
محدودیت طول مسیر
طول مسیر برای نشان دادن فاصله پرواز پهپاد استفاده می شود. اجازه دهید Lحداکثرحداکثر فاصله پرواز پهپاد باشد. سپس، محدودیت طول مسیر به صورت محاسبه می شود
جایی که (ایکسمن،yمن،zمن)، i = ۱ ، ۲ ، … ، N، نشان دهنده مختصات است من-مین نقطه مسیر در محیط برنامه ریزی سه بعدی و نتعداد کل نقاط مسیر است.
- ۲٫
-
محدودیت زاویه چرخش
صافی مسیر را در نظر بگیرید، جایی که حداکثر زاویه چرخش است ϕحداکثربرای محدود کردن زاویه چرخش معرفی شده است. فرض کنید بردار آمنبرابر است با [ایکسمن–ایکسمن – ۱،yمن–yمن – ۱، ]تی، و | |آمن| |هنجار بردار است آمن. محدودیت زاویه چرخش پهپاد است
- ۳٫
-
محدودیت زاویه صعود/سرخوردن
مشابه زاویه چرخش، زاویه صعود/سرخوردن را می توان به صورت محاسبه کرد
جایی که γحداکثرحداکثر زاویه صعود است و –γحداکثرحداقل زاویه سر خوردن است.
- ۴٫
-
محدودیت بخش مسیر
پهپاد باید قبل از تغییر وضعیت پرواز یا بعد از چرخش فاصله مستقیم خود را حفظ کند. علاوه بر این، پهپادها معمولاً انتظار ندارند که به طور مکرر بچرخند تا خطاهای ناوبری را کاهش دهند. بنابراین، لازم است که قطعات مسیر بین نقاط مسیر مجاور، بزرگتر از طول قطعه کوتاهترین مسیر باشد. لدقیقه. محدودیت قطعه مسیر را می توان با بیان کرد
جایی که پمن + ۱است (ایکسمن + ۱،yمن + ۱،zمن + ۱)، و پمناست (ایکسمن،yمن،zمن). پمن + ۱و پمندو نقطه مسیر مجاور هستند.
- ۵٫
-
محدودیت زمین
برای محاسبه محدودیت های زمین، تکیه بر نقاط مسیر به تنهایی ممکن است باعث شود که بخش های مسیر مربوطه با زمین برخورد کنند، بنابراین محدودیت های بخش های مسیر نیز باید در نظر گرفته شود. از این رو، اجازه دهید پمن ، کهر نقطه مسیر در قطعه مسیر باشد (پمن،پمن + ۱); اچs a fهحداقل ارتفاع پرواز ایمن پهپاد است و zm a pمن ، جارتفاع زمین در نقطه مسیر است پمن ، ک. سپس، محدودیت زمین است
۳٫ الگوریتم FC-RRT*
بنابراین با توجه به ایمنی مسیر و محدودیت های پرواز پهپادها در محیط های پیچیده، الگوریتم جدیدی به نام FC-RRT* در این مقاله برای یافتن مسیر بهینه پهپاد پیشنهاد شده است. در مرحله اول، یک تابع هزینه پرواز با استفاده از قدرت تهدید و طول مسیر طراحی شده است. در مرحله دوم، تابع هزینه پرواز طراحی شده و محدودیت پرواز برای هدایت مستقیم گسترش گره های جدید استفاده می شود. در نهایت، تابع هزینه پرواز طراحی شده و محدودیت پرواز برای هدایت به روز رسانی گره های مادر در مناطق همسایه استفاده می شود. FC-RRT* قدرت تهدید و طول مسیر را همزمان در نظر می گیرد. هدف آن برنامه ریزی یک مسیر بهینه است که تا حد امکان کوتاه باشد و در عین حال به طور موثر از تهدید جلوگیری کند.
الگوریتم ۱: FC-RRT* |
۱ : N o t a t i o n : درخت T , محیط ξ ۲ : تی . V← {پs t a r t} ; E ← ∅ ;۳ : f o r i = ۱ تا n d o ۴ : تی← ( V، ای) ؛۵ : پr a n d← نمونه ( ξ) ؛۶ : پn e w← اکتشافی _ cos t ( T. V،پr a n d)7 : تی. V← تی. V∪ {پn e w} ;۸ : پn e a r← نزدیک (پn e w، تی. V،rمن) ؛۹ : f o r a l l پn e a r∈پn e a r d o10 : rewire _ ImpRRT * (پn e a r،پn e w) ؛۱۱ : f o r a l l پn e a r∈پn e a r d o12 : سیم کشی مجدد _ ImpRRT *(پn e w،پn e a r) ؛۱۳ : r e t u r n T= (V،E) |
۳٫۱٫ ارزیابی تابع هزینه پرواز
تابع هزینه پرواز شامل هزینه طول مسیر و هزینه قدرت تهدید است که به صورت تعریف شده است
جایی که fلهزینه طول قطعه مسیر است و fتیهزینه تهدید بخش مسیر است. λلو λتیعوامل وزنی هستند.
۳٫۱٫۱٫ تابع هزینه طول مسیر
برای محاسبه هزینه طول بخش مسیر، اجازه دهید هر جفت گره باشد پآ= (ایکسآ،yآ،zآ)و پب= (ایکسب،yب،zب). طول لاز بخش مسیر (پآ،پب)است
سپس، تابع هزینه طول flاز بخش مسیر (pa,pb)به عنوان … تعریف شده است
جایی که lmaxحداکثر فاصله بین تمام بخش های مسیر اختیاری است. به همین ترتیب، lminحداقل فاصله بین بخش های مسیر اختیاری است.
۳٫۱٫۲٫ تابع هزینه قدرت تهدید مسیر
برای یک بخش مسیر (pa,pb)، آن را به N0قطعات به صورت یکنواخت فرض کنید که jنقطه تقسیم در بخش مسیر (pa,pb)به عنوان مشخص می شود pab,j=(xab,j,yab,j,zab,j)، که به صورت محاسبه می شود
تعیین N0مقدار به حداقل شعاع تهدید و حداقل قطر تقریبی زمین تپه بستگی دارد. لازم است اطمینان حاصل شود که طول تمام بخش های تقسیم کننده کمتر از حداقل قطر رادار، اسلحه های ضد هوایی و سایر تهدیدات باشد. با این کار مشخص میشود که آیا بخش مسیر با تهدیدها در تضاد است یا خیر، و هیچ موقعیتی وجود نخواهد داشت که نقاط مسیر محدودیت را برآورده کنند، اما بخش مسیر چنین نیست. N0به عنوان محاسبه می شود
جایی که Nتعداد بخش های مسیر است و r1,…,rnحداقل شعاع است nتهدیدات یا زمین تپه ای fLطول کل مسیر است که تقریباً ۱٫۵ تا ۲ برابر فاصله شروع تا مقصد است. N0همچنین پس از برآورده شدن محدودیت مقدار حداقل، می توان با توجه به نیاز دقت افزایش داد. با این حال، باید توجه داشت که هر چه بزرگتر باشد N0است، پیچیدگی محاسباتی بالاتر خواهد بود.
برای یک بخش مسیر (pa,pb)که به طور مساوی تقسیم می شود N0بخشها، شدت تهدید را میتوان به صورت بیان کرد
از این رو، تابع هزینه تهدید است
با
جایی که Lthمحدوده تاثیر تهدیدات را نشان می دهد، k=1,2,…,Kرا نشان می دهد Kتهدیدات در محدوده تاثیر، tmaxو تیدقیقهبه ترتیب حداکثر قدرت تهدید و حداقل قدرت تهدید در بین تمام بخشهای مسیر اختیاری هستند. دj ، kکوتاه ترین فاصله بین کتهدید و نقطه تقسیم، آرکمرکز تهدید است و rکشعاع تهدید است. rکبرای تهدیدهای مختلف کمی متفاوت محاسبه می شود. بنابراین، ما باید نزدیکترین فاصله را برای مدل های مختلف تهدید موجود در این مقاله به طور جداگانه محاسبه کنیم.
۳٫۲٫ ارزیابی مسیر بر اساس تابع هزینه پرواز
تعریف ۲٫
برای هر گروه وزنه [λل،λتی] :λل+λتی= ۱هنگامی که هزینه کل پرواز A هر بخش مسیر کوچکترین باشد، مسیر برنامه ریزی شده به عنوان مسیر بهینه در نظر گرفته می شود، به عنوان مثال،
جایی که σo p t i m a l نشان دهنده مسیر بهینه است که از آن تشکیل شده است ن+ ۱ نقاط مسیر [پ۰،پ۱…پن].
-
نفوذ و فرار سریع. اگر پهپاد برای انجام کار مورد نیاز باشد، نشان می دهد که کاربر انتظار دارد مسیر کوتاه تری را برای رسیدن سریع به هدف به دست آورد. در این زمان، وزن طول مسیر موقعیت غالب را اشغال می کند و تاثیر تهدید مسیر را ضعیف می کند.
-
حمله سریع تحت این نوع کار، پهپاد باید توانایی خاصی برای اطمینان از ایمنی خود داشته باشد. در عین حال، با فرض خطر نسبتاً کوچک، پهپاد باید به سرعت به اهداف دشمن حمله کند. بنابراین لازم است مسیر برنامه ریزی شده عملکرد امنیتی خاصی را نشان دهد و مسیر را تا حد امکان کوتاه کند. به عبارت دیگر، الزامات خاصی برای تهدیدات و طول مسیر وجود دارد.
-
شناسایی و گشت زنی. از آنجایی که اجرای این نوع ماموریت نیاز به اطمینان از ایمنی مسیر پهپاد و همچنین عدم یافتن آن توسط دشمن در هنگام شناسایی دارد، تاثیر تهدید مسیر از اهمیت ویژه ای برخوردار است. بخش ۵ این مقاله به تجزیه و تحلیل برنامه ریزی مسیر تحت وظایف مختلف از طریق شبیه سازی می پردازد.
۳٫۳٫ پسوند نود جدید بر اساس اطلاعات اکتشافی
الگوریتم ۲: Heuristic_cost(T.V,prand) |
۱: for all pv∈T.V do2: if(lmin≤∥pv−prand∥≤δ)۳: pnew←prand4: elseif(∥pv−prand∥>δ)۵: pnew←pv+δprand−pv∥prand−pv∥۶: if(collision_free(pv,pnew)∧ UAV_free(pv,pnew))then6: c←λlfl( pv,prand)+λtft( pv,pnew)7: else8: continue9: pnew←argmin(c) |
۳٫۴٫ به روز رسانی گره والد بر اساس هزینه پرواز
رویکرد به روز رسانی گره والد در همسایگی FC-RRT* در الگوریتم ۳ نشان داده شده است، و تحلیل زیر اولین فراخوانی را انجام می دهد. rewire_ImpRRT*( )به عنوان مثال. RRT* استاندارد ابتدا تشخیص می دهد که آیا لبه (pnew,pnear)بدون برخورد است و اگر درست باشد، گره والد بر اساس معیار اقلیدسی به روز می شود [ ۲۱ ]. با این حال، برای پهپاد، اندازه گیری مسیر به تنهایی نمی تواند ایمنی مسیر را تضمین کند. علاوه بر این، گره منطقه همسایه pnearبا کمترین هزینه طول مسیر ممکن است محدودیت زاویه چرخش یا محدودیت زاویه صعود/سرخوردن را برآورده نکند. علاوه بر این، یک محدودیت حداکثر طول مسیر برای پهپاد وجود دارد. اگر طول مسیر برنامه ریزی شده از حد حداکثر برد بیشتر شود، پهپاد نمی تواند ماموریت را کامل کند.
الگوریتم ۳: rewire_ImpRRT*(x1,x2) |
۱: if(collision_free(x1,x2)∧ UAV_free(x1,x2))then2: c←fc(x1,x2)3: if(fc,T(x1)+c<fc,T(x2)∧ lenth_max(x1,x2))≤Lmaxthen4: T.parent(x2)←x1 |
بنابراین، لبه اتصال گره والد بالقوه و گره جدید شناسایی می شود تا مشخص شود که آیا محدودیت های عملکرد را برآورده می کند یا خیر (از طریق UAV_free( )، و اینکه آیا لبه در محیط پرواز بدون برخورد است (از طریق collision_free( )). سپس، بهروزرسانی بهینه گره والد را با معرفی تابع هزینه پرواز ارزیابی کردیم تا تضمین کنیم که پهپاد از تهدید دور نگه داشته میشود و در عین حال کوتاهترین مسیر را نیز به دست میآوریم. هزینه پرواز از نود شروع pstartاز طریق هر کدام pnearبه pnewجداگانه محاسبه می شود. علاوه بر این، پس از آن، pnearبا کمترین هزینه به عنوان گره والد انتخاب می شود. سرانجام، lenth_max( )برای تعیین اینکه آیا محدودیت طول مسیر حداکثر برآورده شده است یا خیر استفاده می شود. را lenth_max( )به عنوان محاسبه می شود
۴٫ تجزیه و تحلیل
۴٫۱٫ کامل بودن احتمالی
تعریف ۳ (کامل احتمالی ).
با توجه به گره شروع و مجموعه گره های هدف مورد نظر، اگر برای هر مشکل برنامه ریزی مسیر امکان پذیر قوی، معادله زیر برآورده شود، یعنی :
الگوریتم ALG احتمال کامل در نظر گرفته می شود .
قضیه ۱ ( کامل احتمالی FC-RRT*).
هنگامی که تعداد نمونه های داده شده بی نهایت باشد، احتمال FC-RRT* برای یافتن راه حل عملی برای هر مسئله برنامه ریزی مسیر امکان پذیر قوی یک است، یعنی:
اثبات قضیه ۱ .
-
درخت تصادفی تولید شده توسط FC-RRT* باید شامل باشد pstartبه عنوان یکی از رئوس آن در همین حال، گره هدف باید در مجموعه گره های هدف مورد نظر باشد Pgoal، یعنی σn,FC−RRT*(0)=pstart,σn,FC−RRT*(1)∈Pgoal، که همان RRT* است.
-
مشابه RRT *، درخت برنامه ریزی FC-RRT* متصل است (الگوریتم ۱ را ببینید). به عبارت دیگر، هر نمونه تصادفی را می توان به نزدیکترین راس در همسایه درخت متصل کرد.
-
FC-RRT* گره هدف را در مجموعه گره های هدف مورد نظر قرار می دهد. بنابراین، زمانی که نمونهگیری تصادفی بینهایت باشد، احتمال ایجاد درخت تصادفی FC-RRT* به ناحیه هدف نزدیک به یک است. □
۴٫۲٫ بهینه مجانبی
تعریف ۴ ( بهینه مجانبی ).
فرض ۱ ( افزایش هزینه) .
فرض ۲ ( تداوم هزینه ).
فرض ۳ (
قضیه ۲ ( بهینه مجانبی FC-RRT*).
فرضیات ۱، ۲ و ۳ را بگذارید. وقتی تعداد نمونه ها نامحدود است، احتمال همگرا شدن تدریجی FC-RRT* به حل بهینه مسئله برنامه ریزی مسیر داده شده است.
جایی که c∗ راه حل بهینه مسئله برنامه ریزی مسیر است .
اثبات قضیه ۲ .
فرض ۱ نشان می دهد که تابع هزینه الگوریتم باید افزایشی باشد و هزینه نمی تواند منفی باشد. هنگامی که الگوریتم فرآیندهای سیم کشی مجدد را اجرا می کند، بخش های مسیر متفاوتی برای مقایسه باید اضافه شوند (نگاه کنید به rewire_ImpRRT*( )). استاندارد RRT * فاصله اقلیدسی را به عنوان هزینه در نظر می گیرد که باید فرض ۱ را برآورده کند (یعنی fc(σ۱)=fl(σ۱)). تابع هزینه fc(⋅)FC-RRT* شامل هزینه طول مسیر است fl(⋅)و هزینه تهدید مسیر ft(⋅)، و ft(⋅)≥۰. برای هر ترکیب وزنی [λ۱,λ۲]( λ۱+λ۲=۱)
بنابراین، FC-RRT* نیز فرض ۱ را برآورده می کند. □
۴٫۳٫ پیچیدگی محاسباتی
قضیه ۳٫
یک A ثابت وجود دارد که،
جایی که SRRT*i و SFC−RRT*i تعداد مراحل درگیر در RRT* و FC-RRT* را به ترتیب در تکرار نشان می دهد.
۵٫ شبیه سازی و تجزیه و تحلیل
۵٫۱٫ شبیه سازی و تحلیل FC-RRT* در محیط پیچیده
۵٫۲٫ مقایسه و بحث
۵٫۳٫ بحث قبل از آماده سازی آزمایش پرواز واقعی
۶٫ نتیجه گیری
منابع
- پاپادوپولو، ای.-ای. واسیلاکوس، سی. زوروس، ن. Soulakellis، برنامهریزی پرواز پهپاد مبتنی بر DEM-N. برای نقشهبرداری سهبعدی ژئوسایتها: مورد پنجره تکتونیکی المپوس، لسبوس، یونان. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۵۳۵٫ [ Google Scholar ] [ CrossRef ]
- Patle، BK; بابو، ال جی; پاندی، ا. پرهی، DRK; Jagadeesh, A. A. A. A. A. A. در مورد استراتژی های برنامه ریزی مسیر برای ناوبری ربات متحرک. تعریف کنید. تکنولوژی ۲۰۱۹ ، ۱۵ ، ۵۸۲-۶۰۶٫ [ Google Scholar ] [ CrossRef ]
- فو، بی. چن، ال. ژو، ی. ژنگ، دی. وی، ز. دای، جی. Pan, H. یک الگوریتم A* بهبود یافته برای برنامه ریزی مسیر ربات صنعتی با میزان موفقیت بالا و طول کوتاه. ربات. Auton. سیستم ۲۰۱۸ ، ۱۰۶ ، ۲۶-۳۷٫ [ Google Scholar ] [ CrossRef ]
- ژائو، ال. یان، ال. هو، ایکس. یوان، جی. لیو، زی. کاوش خودکار و برنامهریزی مسیر با کیفیت و کارآمد مسیر پهپاد در یک محیط ناشناخته. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۶۳۱٫ [ Google Scholar ] [ CrossRef ]
- Phung، MD; Ha، QP برنامه ریزی مسیر پهپاد پیشرفته با ایمنی با بهینه سازی ازدحام ذرات کروی مبتنی بر برداری. Appl. محاسبات نرم. ۲۰۲۱ ، ۱۰۷ ، ۱۰۷۳۷۶٫ [ Google Scholar ] [ CrossRef ]
- لیائو، اس ال. زو، RM; وو، NQ; شیخ، TA; شرف، م. مصطفی، برنامه ریزی مسیر AM برای ردیابی هدف متحرک توسط پهپاد بال ثابت. تعریف کنید. تکنولوژی ۲۰۲۰ ، ۱۶ ، ۸۱۱-۸۲۴٫ [ Google Scholar ] [ CrossRef ]
- وو، جی. آتیلا، من. تحسین، ت. ترزیف، م. Wang, LC روش برنامه ریزی مسیر سفر طولانی بر اساس نمودار دید چند مقیاسی برای کشتی های خودمختار. مهندس اقیانوس ۲۰۲۱ , ۲۱۹ , ۱۰۸۲۴۲٫ [ Google Scholar ] [ CrossRef ]
- چی، دبلیو. دینگ، ز. وانگ، جی. چن، جی. Sun، L. یک روش برنامه ریزی مسیر ابتکاری کارآمد مبتنی بر نمودار ورونوی تعمیم یافته برای RRT ها در ربات های متحرک. IEEE Trans. الکترون صنعتی ۲۰۲۱ ، ۶۵ ، ۴۹۲۶-۴۹۳۷٫ [ Google Scholar ] [ CrossRef ]
- فینک، دبلیو. بیکر، VR؛ بروکس، AJW; فلامیا، م. Dohm, JM; Tarbell، MA برنامه ریزی بهینه تراورس مریخ نورد در سطح جهانی به صورت سه بعدی با استفاده از الگوریتم Dijkstra برای سناریوهای استقرار چند هدفه. سیاره. علوم فضایی ۲۰۱۹ ، ۱۷۹ ، ۱۰۴۷۰۷٫ [ Google Scholar ] [ CrossRef ]
- چن، ایکس. ژائو، ام. یین، ال. برنامه ریزی مسیر پویا پهپاد با اجتناب از موانع استاتیک و متحرک. جی. اینتل. ربات. سیستم تئوری کاربردی ۲۰۲۰ ، ۹۹ ، ۹۰۹-۹۳۱٫ [ Google Scholar ] [ CrossRef ]
- ماجومدر، اس. الگوریتم پراساد، MS سه بعدی D∗ برای برنامه ریزی مسیر افزایشی در محیط غیرهمکاری. در مجموعه مقالات سومین کنفرانس بین المللی پردازش سیگنال و شبکه های یکپارچه، SPIN، نویدا، هند، ۱۱–۱۲ فوریه ۲۰۱۶٫ دوره ۱۳۹۵، ص ۴۳۱–۴۳۵٫ [ Google Scholar ]
- بله، بی. تانگ، کیو. یائو، جی. Gao, W. برنامه ریزی مسیر بدون برخورد و بهینه سازی توالی تحویل در پرتودرمانی غیرهمسطح. IEEE Trans. سایبرن. ۲۰۱۹ ، ۴۹ ، ۴۲-۵۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- یوان، سی. لیو، جی. ژانگ، دبلیو. Pan, X. یک روش کش RRT کارآمد در محیط های پویا برای برنامه ریزی مسیر. غارت. Auton. سیستم ۲۰۲۰ , ۱۳۱ , ۱۰۳۵۹۵٫ [ Google Scholar ] [ CrossRef ]
- وو، ی. وو، اس. Hu, X. برنامهریزی مسیر مشارکتی پهپادهای UGV برای یک وظیفه نظارتی پایدار در محیطهای شهری. IEEE Internet Things J. ۲۰۲۱ , ۸ , ۴۹۰۶–۴۹۱۹٫ [ Google Scholar ] [ CrossRef ]
- یانگ، اچ. چی، جی. میائو، ی. سان، اچ. Li, J. الگوریتم ناوبری ربات جدید بر اساس الگوریتم مورچه دو لایه و بهینه سازی مسیر. IEEE Trans. الکترون صنعتی ۲۰۱۹ ، ۶۶ ، ۸۵۵۷–۸۵۶۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- راسخی پور، ی. خواجه پور، ع. چن، SK; لیتکوهی، ب. یک مدل بالقوه میدان محور برنامه ریزی مسیر پیش بینی کنترل کننده برای وسایل نقلیه جاده ای خودمختار. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۷ ، ۱۸ ، ۱۲۵۵-۱۲۶۷٫ [ Google Scholar ] [ CrossRef ]
- لیو، ایکس. ژانگ، دی. ژانگ، تی. ژانگ، جی. Wang, J. یک روش جدید طرح مسیر مبتنی بر الگوریتم ترکیبی یادگیری تقویتی و بهینهسازی ازدحام ذرات. مهندس محاسبه کنید. ۲۰۲۱; پیش از چاپ [ Google Scholar ] [ CrossRef ]
- وو، جی. وانگ، اچ. ژانگ، ام. Yu, Y. در مورد برنامه ریزی مسیر اجتناب از مانع در محیط های سه بعدی ناشناخته: یک چارچوب مبتنی بر سیال. ISA Trans. ۲۰۲۱ ، ۱۱۱ ، ۲۴۹-۲۶۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- رن، جی. ژانگ، جی. الگوریتم اجتناب از موانع خودمختار برای وسایل نقلیه سطحی بدون سرنشین بر اساس روش بهبود یافته مانع با سرعت. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۶۱۸٫ [ Google Scholar ] [ CrossRef ]
- آدیاتوف، او. Varol، HA یک الگوریتم جدید مبتنی بر RRT∗ برای برنامه ریزی حرکت در محیط های پویا. در مجموعه مقالات کنفرانس بین المللی IEEE 2017 در مکاترونیک و اتوماسیون، ICMA، تاکاماتسو، ژاپن، ۶ تا ۹ اوت ۲۰۱۷؛ جلد ۲۰۱۷، ص ۱۴۱۶–۱۴۲۱٫ [ Google Scholar ]
- گامل، جی دی. سرینیواسا، اس اس. درختان آگاه دسته ای Barfoot، TD (BIT∗): برنامه ریزی بهینه مبتنی بر نمونه برداری از طریق جستجوی اکتشافی هدایت شده نمودارهای هندسی تصادفی ضمنی. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد رباتیک و اتوماسیون، سیاتل، WA، ایالات متحده آمریکا، ۲۶-۳۰ مه ۲۰۱۵٫ جلد ۲۰۱۵، ص ۳۰۶۷–۳۰۷۴٫ [ Google Scholar ]
- باکدی، ع. هنتوت، ا. بوتامی، ح. مائودج، ع. هاچور، او. Bouzouia, B. برنامه ریزی و اجرای مسیر بهینه برای ربات های متحرک با استفاده از الگوریتم ژنتیک و کنترل منطق فازی تطبیقی. غارت. Auton. سیستم ۲۰۱۷ ، ۸۹ ، ۹۵-۱۰۹٫ [ Google Scholar ] [ CrossRef ]
- شیونگ، سی. چن، دی. لو، دی. زنگ، ز. لیان، ال. برنامهریزی مسیر چندین وسیله نقلیه دریایی مستقل برای نمونهبرداری تطبیقی با استفاده از بهینهسازی کلونی مورچهها مبتنی بر Voronoi. غارت. Auton. سیستم ۲۰۱۹ ، ۱۱۵ ، ۹۰-۱۰۳٫ [ Google Scholar ] [ CrossRef ]
- کارامان، س. Frazzoli، E. الگوریتم های مبتنی بر نمونه برداری برای برنامه ریزی حرکت بهینه. Proc. بین المللی ربات جی. Res. ۲۰۱۱ ، ۳۰ ، ۸۴۶-۸۹۴٫ [ Google Scholar ]
- اورمسون، سی. Simmons, R. رویکردهایی برای رشد RRT با سوگیری اکتشافی. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد ربات ها و سیستم های هوشمند، لاس وگاس، NV، ایالات متحده، ۲۷-۳۱ اکتبر ۲۰۰۳٫ جلد ۲، ص ۱۱۷۸–۱۱۸۳٫ [ Google Scholar ]
- فرگوسن، دی. Stentz، A. RRT های هر زمان. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد ربات ها و سیستم های هوشمند، پکن، چین، ۹ تا ۱۵ اکتبر ۲۰۰۶٫ صص ۵۳۶۹–۵۳۷۵٫ [ Google Scholar ]
- پالمیری، ال. کونیگ، اس. برنامه ریزی حرکت غیرهولونومیک مبتنی بر Arras، KO RRT با استفاده از بایاس مسیر هر زاویه. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد رباتیک و اتوماسیون، استکهلم، سوئد، ۱۶-۲۱ مه ۲۰۱۶؛ دوره ۱۳۹۵، صص ۲۷۷۵–۲۷۸۱٫ [ Google Scholar ]
- برونر، ام. بروژمن، بی. شولز، دی. سلسله مراتبی برنامه ریزی حرکت زمین ناهموار با استفاده از روش نمونه گیری بهینه. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد رباتیک و اتوماسیون، کارلسروهه، آلمان، ۶ تا ۱۰ مه ۲۰۱۳٫ صص ۵۵۳۹–۵۵۴۴٫ [ Google Scholar ]
- آکگون، بی. استیلمن، ام. نمونهبرداری اکتشافی برای برنامهریزی حرکت بهینه در ابعاد بالا. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد ربات ها و سیستم های هوشمند، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، ۲۵ تا ۳۰ سپتامبر ۲۰۱۱٫ صص ۲۶۴۰–۲۶۴۵٫ [ Google Scholar ]
- اوت، م. Correll, N. C-FOREST: برنامه ریزی موازی کوتاه ترین مسیر با سرعت فوق خطی. IEEE Trans. ربات. ۲۰۱۳ ، ۲۹ ، ۷۹۸-۸۰۶٫ [ Google Scholar ] [ CrossRef ]
- ریو، اچ. پارک، Y. RRT آگاهشده بهبود یافته* با استفاده از اسکلتسازی نقشه Gridmap برای برنامهریزی مسیر ربات موبایل. بین المللی جی. دقیق. مهندس Manuf. ۲۰۱۹ ، ۲۰ ، ۲۰۳۳–۲۰۳۹٫ [ Google Scholar ] [ CrossRef ]
- گامل، جی دی. Barfoot، TD; Srinivasa، SS Informed Sampling برای برنامه ریزی مسیر مجانبی بهینه. IEEE Trans. ربات. ۲۰۱۸ ، ۳۴ ، ۹۶۶-۹۸۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- سالزمن، او. Halperin، D. RRT مجانبی نزدیک به بهینه برای برنامه ریزی حرکت سریع و با کیفیت بالا. IEEE Trans. ربات. ۲۰۱۶ ، ۳۲ ، ۴۷۳-۴۸۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- نوریمبتوف، بی. آدیاتوف، او. Yeleu، S. برنامه ریزی حرکتی Varol، HA برای پهپادهای هیبریدی در محیط های شهری متراکم. در مجموعه مقالات کنفرانس بین المللی IEEE/ASME در زمینه مکاترونیک هوشمند پیشرفته، AIM، مونیخ، آلمان، ۳ تا ۷ ژوئیه ۲۰۱۷؛ صفحات ۱۶۲۷-۱۶۳۲٫ [ Google Scholar ]
- لی، ی. کوی، آر. لی، ز. Xu, D. تقریب شبکه عصبی مبتنی بر برنامه ریزی حرکتی نزدیک به بهینه با محدودیت های کینودینامیک با استفاده از RRT. IEEE Trans. الکترون صنعتی ۲۰۱۸ ، ۶۵ ، ۸۷۱۸–۸۷۲۹٫ [ Google Scholar ] [ CrossRef ]
- ژانگ، ز. تانگ، سی. Li, Y. برنامه ریزی مسیر نفوذ پهپاد پنهان بر اساس الگوریتم ستاره A پراکنده بهبود یافته. در مجموعه مقالات سومین کنفرانس بین المللی ICEICT 2020–IEEE در زمینه فناوری اطلاعات و ارتباطات الکترونیکی، شنژن، چین، ۱۳ تا ۱۵ نوامبر ۲۰۲۰؛ صص ۳۸۸-۳۹۲٫ [ Google Scholar ]
- بسادا پورتاس، ای. د لا توره، ال. د لا کروز، جی.ام. De Andrés-Toro، B. برنامه ریز مسیر تکاملی برای پهپادهای متعدد در سناریوهای واقعی. IEEE Trans. ربات. ۲۰۱۰ ، ۲۶ ، ۶۱۹-۶۳۴٫ [ Google Scholar ] [ CrossRef ]
- ژانگ، ایکس. Duan, H. یک الگوریتم تکامل دیفرانسیل محدود بهبود یافته برای برنامه ریزی مسیر جهانی وسایل نقلیه هوایی بدون سرنشین. Appl. محاسبات نرم. J. ۲۰۱۵ ، ۲۶ ، ۲۷۰-۲۸۴٫ [ Google Scholar ] [ CrossRef ]
- یانگ، پی. تانگ، ک. لوزانو، جی. کائو، X. برنامهریزی مسیر برای وسیله نقلیه هوایی بدون سرنشین بهوسیله نقاط راه به طور جداگانه در حال تکامل. IEEE Trans. ربات. ۲۰۱۵ ، ۳۱ ، ۱۱۳۰-۱۱۴۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- ون، ن. ژائو، ال. سو، ایکس. Ma, P. الگوریتم برنامه ریزی مسیر آنلاین پهپاد در یک محیط خطرناک ارتفاع کم. IEEE/CAA J. Autom. گناه ۲۰۱۵ ، ۲ ، ۱۷۳-۱۸۵٫ [ Google Scholar ] [ CrossRef ]
- لی، دی. آهنگ، اچ. برنامه ریزی مسیر بهینه شیم، DH بر اساس spline-RRT∗ برای پهپادهای بال ثابت که در محیط های سه بعدی کار می کنند. در مجموعه مقالات کنفرانس بین المللی کنترل، اتوماسیون و سیستم ها، Gyeonggi-do، کره، ۲۲-۲۵ اکتبر ۲۰۱۴٫ صص ۸۳۵-۸۳۹٫ [ Google Scholar ]
- وب، دی جی; ون دن برگ، جی. کینودینامیک RRT*: برنامه ریزی حرکت بهینه مجانبی برای روبات های با دینامیک خطی. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد رباتیک و اتوماسیون، کارلسروهه، آلمان، ۶ تا ۱۰ مه ۲۰۱۳٫ ص ۵۰۵۴–۵۰۶۱٫ [ Google Scholar ]
- آریا، س. کوه، DM; نتانیاهو، NS; سیلورمن، آر. Wu, AY یک الگوریتم بهینه برای جستجوی تقریبی نزدیکترین همسایه در ابعاد ثابت. J. ACM ۱۹۹۸ , ۴۵ , ۸۹۱-۹۲۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- ریش، RW; لاتون، جی. Hadaegh, FY معماری بازخوردی برای کنترل سازند. در مجموعه مقالات کنفرانس کنترل آمریکایی، شیکاگو، IL، ایالات متحده آمریکا، ۲۸-۳۰ ژوئن ۲۰۰۰٫ جلد ۶، ص ۴۰۸۷–۴۰۹۱٫ [ Google Scholar ]
بدون دیدگاه