Path Planning Based on Combinaion of Improved A-STAR Algorithm and DWA Algorithm

Li, Xiaoxiao; Hu, Xiaoguang; Wang, Ziqiang; Du, Zhuoqun

doi:10.1109/aiam50918.2020.00025

Cited by 63 publications

(22 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…It considers the comprehensive cost in the process of power grid planning, and then the selection of microgrid nodes is analyzed from the perspective of economic indicators. The lower-level module is mainly to find the optimal solution for the path selection in the network [ 22 , 23 ].…”

Section: Bilevel Optimization Modelmentioning

confidence: 99%

A Bilevel Optimization Model Based on Edge Computing for Microgrid

Chen

Hayawi

Fan

et al. 2022

Sensors

View full text Add to dashboard Cite

With the continuous progress of renewable energy technology and the large-scale construction of microgrids, the architecture of power systems is becoming increasingly complex and huge. In order to achieve efficient and low-delay data processing and meet the needs of smart grid users, emerging smart energy systems are often deployed at the edge of the power grid, and edge computing modules are integrated into the microgrids system, so as to realize the cost-optimal control decision of the microgrids under the condition of load balancing. Therefore, this paper presents a bilevel optimization control model, which is divided into an upper-level optimal control module and a lower-level optimal control module. The purpose of the two-layer optimization modules is to optimize the cost of the power distribution of microgrids. The function of the upper-level optimal control module is to set decision variables for the lower-level module, while the function of the lower-level module is to find the optimal solution by mathematical methods on the basis of the upper-level and then feed back the optimal solution to the upper-layer. The upper-level and lower-level modules affect system decisions together. Finally, the feasibility of the bilevel optimization model is demonstrated by experiments.

show abstract

Section: Bilevel Optimization Modelmentioning

confidence: 99%

A Bilevel Optimization Model Based on Edge Computing for Microgrid

Chen

Hayawi

Fan

et al. 2022

Sensors

View full text Add to dashboard Cite

show abstract

“…On the other hand, for wheelchair users it tries to focus on identifying several obstacles as well as facilities such as crosswalks with traffic signs in order to reach the best paths to follow based on the surfaces he could face with. The use of Ant Colony Optimization algorithm is described in [12] where the authors try to solve computational problems involving path-finding in graphs. In computer science, a graph is an abstract data type which consists of a finite set of vertices and edges.…”

Section: A Algorithmsmentioning

confidence: 99%

Multi-Path Routing Algorithm for Inclusive Mobility in an Urban Environment

Machado

Paiva

Pereira

2022

2022 IEEE International Smart Cities Conference (ISC2)

View full text Add to dashboard Cite

The concept of smart city is frequently used nowadays to refer to the level of integration of cities with citizen services. Mobility and navigation are some examples. When considering disabled users, in a temporary or permanent way, the challenges to provide such services in an efficient way are even bigger. This paper is an extension of a previous work where a mobile application to recommend the most suitable route for citizens was implemented with both Dijkstra and A-Star algorithms. The presented work describes a multi-path approach considering the user might want to choose several destinations in the mobile application and obtain the most suitable route that goes through all of them. Results are presented using the Genetic and the Simulated Annealing Algorithms. Both were evaluated with 100 runs and 2, 4, 8 and 16 destinations. The average algorithm execution time, standard deviation, median value, maximum and minimum execution times were assessed. The Simulated Annealing Algorithm presented better results and always suggested the shorter, or equal, path when comparing to the Genetic Algorithm.

show abstract

“…Zur Erreichung des Ziels wird je nach der räumlichen und zeitlichen Dimension der Anwendungen und der Quelle der verfügbaren Verkehrsinformationen die Trajektorienplanung in zwei Teile, nämlich die globale und lokale Trajektorienplanung, unterteilt [3,4]. Die globale Trajektorienplanung, auch statische Trajektorienplanung genannt, bezieht sich hauptsächlich auf die Bestimmung der Trajektorie zur Beschreibung der Positionen eines Fahrzeugs in Raum für die gesamte Fahrt von einer gegebenen Startposition bis zu einer Zielposition mit Hilfe der A-priori-Informationen, die durch eine digitale Karte bereitgestellt werden.…”

Section: Introductionunclassified

“…Die globale Trajektorienplanung, auch statische Trajektorienplanung genannt, bezieht sich hauptsächlich auf die Bestimmung der Trajektorie zur Beschreibung der Positionen eines Fahrzeugs in Raum für die gesamte Fahrt von einer gegebenen Startposition bis zu einer Zielposition mit Hilfe der A-priori-Informationen, die durch eine digitale Karte bereitgestellt werden. Im Gegensatz dazu wird die lokale Trajektorieplanung, auch dynamische Trajektorienplanung genannt, als die Ermittlung des Übergangs der Fahrzeuge von einem Zustand in den nächsten in Echtzeit, basierend auf den über Mensch-Maschine-Interface (MMI) erfassten Komfortanforderungen und auf den Sensordaten oder verfügbaren Verkehrsinformationen durch V2X-Kommunikationstechnologie, der Fahrbahngrenzen, der Verkehrsregeln und der Hindernisse, insbesondere der dynamischen Hindernisse, welche in der globalen Trajektorienplanung mittels statischer Karte nicht vorhersehbar sind, definiert [3,4,5,6].…”

Section: Introductionunclassified

Entwicklung der adaptiven lokalen Trajektorienplanung zur Realisierung des kollisionsfreien Fahrens in vernetzter Verkehrsumgebung

Zhang¹,

Liu-Henke²,

Vietor³

2023

ASIM WS 2023 Proceedings Langbeiträge

View full text Add to dashboard Cite

Der folgende Beitrag beschreibt die adaptive lokale Trajektorienplanung, welche als ein Teil der Trajektorienplanung des autonomen Fährbetriebs zur Kompensation der Unfähigkeit der globalen Trajektorienplanung bei Hindernisvermeidung in der dynamischen Verkehrsumgebung dient. Durch Integration der globalen und lokalen Trajektorienplanung wird eine optimale Trajektorie je nach Fahrstrategie (z.B. energieoptimal, zeitoptimal, distanzoptimal) ohne Konflikte mit anderen Verkehrsteilnehmern durch stetige Anpassung an die sich ändernde Verkehrsumgebung generiert. Anhand einer Pilotanwendung mit fahrerlosen Transportfahrzeugen (FTF) zum Materialtransport in der Intralogistik wird die entwickelte Funktion mithilfe eines virtuellen Prüfstandes abgesichert und aufgezeigt.

show abstract

Path Planning Based on Combinaion of Improved A-STAR Algorithm and DWA Algorithm

Cited by 63 publications

References 8 publications

A Bilevel Optimization Model Based on Edge Computing for Microgrid

A Bilevel Optimization Model Based on Edge Computing for Microgrid

Multi-Path Routing Algorithm for Inclusive Mobility in an Urban Environment

Entwicklung der adaptiven lokalen Trajektorienplanung zur Realisierung des kollisionsfreien Fahrens in vernetzter Verkehrsumgebung

Contact Info

Product

Resources

About