买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉福州大学申请的专利一种融合SA-GAO与AW-DWA算法的自动驾驶车辆路径规划方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118999610B 。

龙图腾网通过国家知识产权局官网在2025-10-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411098542.7，技术领域涉及：G01C21/34；该发明授权一种融合SA-GAO与AW-DWA算法的自动驾驶车辆路径规划方法是由陈志勇;叶兴柱;王博设计研发完成，并于2024-08-12向国家知识产权局提交的专利申请。

本一种融合SA-GAO与AW-DWA算法的自动驾驶车辆路径规划方法在说明书摘要公布了：本发明提供一种融合SA‑GAO与AW‑DWA算法的自动驾驶车辆路径规划方法，利用模拟退火算法SA对巨型犰狳算法GAO进行改进，以改进后的SA‑GAO算法对车辆的全局路径进行规划；并采用自适应权重动态窗口AW‑DWA算法进行车辆局部路径规划；通过在全局路径上选取若干关键点作为动态窗口法的候选子目标点，实现车辆避开随机动态障碍物并返回至全局最优路径上。

本发明授权一种融合SA-GAO与AW-DWA算法的自动驾驶车辆路径规划方法在权利要求书中公布了：1.一种融合SA-GAO与AW-DWA算法的自动驾驶车辆路径规划方法，其特征在于：利用模拟退火算法SA对巨型犰狳算法GAO进行改进，以改进后的SA-GAO算法对车辆的全局路径进行规划；并采用自适应权重动态窗口AW-DWA算法进行车辆局部路径规划；通过在全局路径上选取若干关键点作为动态窗口法的候选子目标点，实现车辆避开随机动态障碍物并返回至全局最优路径上； AW-DWA算法以SA-GAO算法输出的E个全局路径关键点作为其子目标点，从车辆起始点QsXs,Ys向算法当前第一个子目标点进行局部规划，并记录下规划得到的各路径点信息；再从当前子目标点向算法下一个子目标点进行局部规划，并记录下规划得到的各路径点信息；重复使用AW-DWA算法对剩下的子目标点依次进行规划，直至到达设定的最终目标点QeXe,Ye，最后输出完整的路径信息； 采用所述SA-GAO算法对车辆的全局路径进行规划的具体方法包括： 首先对SA-GAO算法进行初始化； 设SA-GAO中的GAO算法种群中含有N个巨型犰狳，并对种群进行如下数学建模： 其中，分别为第N个GAO成员位置的横、纵坐标矢量，分别为第个GAO成员在其搜索空间第d，d＝1,2,…,m维的横、纵坐标，m为搜索空间的总维度； 以第个GAO成员在其搜索空间内的m个坐标点作为有效控制点，利用贝塞尔曲线生成原理在车辆起点QX,Y和终点QX,Y之间生成一条受搜索空间约束的拟合曲线，并提取曲线中等距横坐标及相应纵坐标组成的P个点，并将这些点视为第个GAO成员所对应的车辆中间路径点： GAO算法中每个GAO成员的位置代表问题的一个候选解种群中N个巨型犰狳成员的适应度函数值描述为： 其中，F表示适应度函数矢量，表示第N个GAO成员所对应的适应度函数值； 设GAO算法的最大迭代次数为Gmax且当前迭代数Gnow初始化为1，并随机初始化GAO算法中各种群成员在求解空间中的位置为： 其中，分别为搜索解空间中横坐标的上、下界矢量；分别为搜索解空间中纵坐标的上、下界矢量；r为在区间[0,1]中的随机数； 所述SA-GAO算法利用SA算法中的退火温度控制来使算法求解过程向最优值的优化方向进行，对于SA算法，初始化其退火温度T0为： 其中，Fmin为GAO算法种群中各成员初始适应度的最小值； 然后进行以下迭代计算： 在当前迭代代数Gnow下，计算GAO种群中各巨型犰狳成员的退火突跳概率，即： 将GAO算法种群中各巨型犰狳成员的位置集合认为是候选白蚁丘集合TM＝{TM1,TM2,…,TMN}，其中，表示第个巨型犰狳成员的位置；利用轮盘赌选择策略及退火突跳概率从候选白蚁丘集合TM中选出一个最先满足条件： 的白蚁丘作为GAO算法的全局最优位置去参与GAO种群的更新；其中，r为在区间[0,1]中选取的随机数；表示GAO种群中被轮盘赌策略选中的第个成员； 利用所述全局最优位置，计算当前迭代代数Gnow下GAO种群中各成员在搜索阶段的新位置： 其中，第个巨型犰狳在搜索阶段新位置的横、纵坐标矢量；分别表示白蚁丘的横、纵坐标矢量； 根据搜索阶段新位置与其原位置所对应的适应度函数值对比，对种群中各成员的位置进行实际更新： 其中，表示第个巨型犰狳在搜索阶段新位置所对应的适应度函数值； 基于巨型犰狳对白蚁丘的挖掘技能，计算在当前迭代代数Gnow下GAO种群中各成员在挖掘阶段的新位置： 其中，分别为第个巨型犰狳在挖掘阶段新位置的横、纵坐标矢量； 根据各成员在挖掘阶段新位置与其原位置所对应的适应度函数值对比，对种群中各成员的位置进行再次更新： 其中，表示第个巨型犰狳在挖掘阶段新位置所对应的适应度函数值； 再进行退火操作： T＝λT0 并将退火完后得到的温度T重新赋值给T0，即T0＝T；其中，λ0为退火系数； 判断GAO算法中的Gnow是否达到最大迭代代数Gmax，若未达到，则继续迭代计算进行优化，将上一轮迭代计算得到的GAO种群成员挖掘阶段新位置以及退火温度T0作为SA-GAO算法探索和挖掘阶段的初始解开始新的算法迭代，此时迭代代数Gnow在原有基础上加1；若达到，则算法结束，输出GAO成员的位置以及所插值拟合得到的一系列全局路径点； 在SA-GAO所规划的全局参考路径上选取E个关键点作为AW-DWA算法的候选子目标点，以保证AW-DWA算法能够使车辆有效避开随机动态障碍物的同时能够返回至全局最优路径上； 并设定当车辆距离子目标点一个车身的距离时，或其预测时域末时刻横坐标或纵坐标超过子目标点的横坐标或纵坐标时，即判定为车辆到达子目标点，并将车辆到达此子目标点时的终止状态作为其继续前往下一个子目标时的初始状态。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。