CN102288192A - 基于Ad Hoc网络的多机器人路径规划方法 - Google Patents

Abstract

本发明公开了一种基于Ad Hoc网络的多机器人路径规划方法，涉及一种可用于煤矿环境的基于Ad Hoc网络的多机器人路径规划方法，属于智能控制方法，本发明以蚁群算法为核心，对煤矿发生矿难后的复杂环境进行路径规划，寻找最优路径，达到救援的目的。并通过Ad Hoc网络实现通信，克服了蚁群算法通信缺乏、不能直接通信的问题；采用本发明的多机器人路径规划方法，可以使救援工作得到清楚的信息数据，使救援能够更好的完成。

Description

基于Ad Hoc网络的多机器人路径规划方法

技术领域

本发明涉及一种智能控制方法，特别涉及一种可用于煤矿矿井下的多机器人路径规划方法。 

背景技术

煤炭工业是我国的国民经济的基础产业，“煤炭在我国能源发展格局中的基础地位是稳固的，前景是开阔的”。建国60年来，煤炭作为我国的主要能源，在一次能源消耗结构中约占70％。我国以煤炭作为主要能源的格局在今后50年内不会有根本性的变化。随着我国国民经济快速增长，人民生活水平不断提高，国家对能源的需求将有较大幅度增加。根据煤炭工业发展研究咨询中心科学调查分析，预测全国煤炭需求2020年为20.5亿吨。可以预测，到2020年，随着我国经济总量翻两番，对煤炭这一基础的需求也将大幅度增长。煤矿是复杂、危险的工作环境，不稳定结构等危险因素太多，时常威胁到工人的生命安全。而且在发生安全事故后，常常会因为井下复杂危险的环境而阻碍救援人员深入井下开展工作，也时常威胁到救援队员的生命安全。 

机器人作为人类20世纪最伟大的发明之一，在短短40年内发生了日新月异的变化。随着通信、计算机、传感、电子、控制等技术以及人工智能技术的快速发展，集多种先进技术为一体的机器人技术在市场需求的牵引下已经取得了很大的发展。单个的移动机器人所能获得的信息有限，能够完成的任务以及对信息的搜集能力也是有限的。随着研究的深入，单个移动机器人在某些应用上，显得力不从心，为了解决这类问题，人们考虑在目前的机器人技术水平条件下，采用多个机器人相互协作以弥补单个机器人能力的不足，多机器人系统(multi-robot system)的研究在此需求下应运而生。随着机器人的研究和应用领域的不断扩大，应用的需求也对多机器人系统的研究提出了更高的要求，为了更好地完成任务，多个机器人协作完成任务也逐渐成为研究的热点。 

美国是开展煤矿救援机器人研究较早的国家之一，早在1998年11月Sandia智能系统及机器人研究中心就推出了机器人用于煤矿检测侦查，目前这种机器人已经广泛用于矿业救援、战场侦察、扫雷等领域。俄罗斯的机器人研究者目前正在致力于研究一种昆虫行走系统的小型仿生机器人，这种机器人也将应用到井下救援侦查等方面。日本、英国、韩国等国家 在侦查、救援机器人方面开展研究工作较多。英国科学家在2003年就根据达尔文的进化理论原理，设计出一种蛇形侦察机器人。我国搜救机器人水平与国外相关技术差距很大，主要是我国一直以来没有对搜救机器人研究与开发给予足够的重视，人力物力财力投入较少。 

发明内容

有鉴于此，为了解决上述问题，本发明提出一种在煤矿发生矿难，井下通信中断，情况复杂未知的状况下，通过多个机器人相互协作，搜索出一条救援的最优路径。利用机器人本身自带的传感装置，在搜索的过程中，对井下信息进行探定，搜集，达到救援的目的。 

本发明的目的是这样实现的： 

本发明提供的基于Ad Hoc网络的多机器人路径规划方法，包括以下步骤： 

步骤1：获取机器人所处环境的地理信息，初始化每个机器人的工作状态，设置机器人预设搜索路径； 

步骤2：机器人在前进搜索过程中，机器人通过传感器探测环境信息，测得周围障碍物的坐标位置，获取当前状态下的环境信息； 

步骤3：比较当前状态下的环境信息与预设搜索路径环境的地理信息，如果当前状态下的环境信息与预设搜索路径环境的地理信息不同，则该机器人发出区别信号； 

步骤4：同时在搜索过程中释放信息素； 

步骤5：将每个机器人作为网络节点，建立Ad Hoc网络系统； 

步骤6：机器人接收信息素，根据预设搜索路径、接收的信息素来确定机器人的最优路径。 

进一步，所述步骤2中利用探测到环境信息，建立局部地图，然后将局部地图中的局部坐标转换成整个环境的全局坐标，所述局部坐标与全局坐标通过以下公式进行： 

X_g＝r*cos(θ_r+θ)+X_r+u_g*cos(θ_r)-v_g*sin(θ_r)        (1) 

Y_g＝r*sin(θ_r+θ)+Y_r+u_g*sin(θ_r)+v_g*cos(θ_r)        (2) 

其中，(X_g，Y_g)为障碍物在全局坐标系中的坐标，(X_r，Y_r)为机器人在全局坐标系中的坐标，θ_r为机器人在全局坐标系角度，(u_g，v_g)为声纳在机器人上的局部坐标，θ为声纳在机器人上的局部坐标角度，r为声纳测距； 

进一步，所述步骤5中还包括为每个机器人设置数据结构禁忌表，所述禁忌表记录了t时刻机器人已经走过的网点，不允许该机器人在本次循环中再次经过这些网点，当本次循环 结束后，禁忌表显示出该机器人当前建立的解决方案，之后被清空；当机器人完成一次循环，各路径上的信息素量得到调整： 

τ_ij(t+1)＝ρ*τ_ij(t)+Δτ_ij(t，t+1)        (4) 

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}(t,t+1)=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^k(t,t+1)---\left(5\right)$

其中， 

表示第k个机器人在时刻(t，t+1)留在路径(i，j)上的信息素量，Δτ_ij(t，t+1)表示本次循环中路径(i，j)的信息素量的增量，ρ为信息素轨迹的衰减系数，L_ij为第k个机器人在本次循环中所走的路径长度，通过信息素的更新调整，机器人向着信息素浓度高的道路选择，即向着最优路径靠拢，Q为搜索路径的总信息素量； 

进一步，所述步骤5中还包括为每个机器人建立通信网络时采用的路由协议，所述路由协议为AODV路由协议，所述AODV路由协议包括路由查找和路由维护，所述路由查找为在源节点需要与其它节点通信但是又没有相应的路由信息时发起路由查找过程；源节点通过对邻节点广播路由请求RREQ来发起路由查找；AODV路由协议中的路由表包括目的节点、下一跳节点、距离目的节点的跳数、目的节点序列号、本路由的活跃邻节点和本路由的超期时长，随着节点移动，网络拓扑结构不断变化，迅速找到到达目地节点的路由，完成机器人之间的通信，实现信息的传递； 

进一步，所述步骤6中通过在t时刻机器人k在节点i选择节点j的转移概率 来确定机器人的最优路径，采用以下公式进行计算： 

$P_{\mathrm{ij}}^k\left(t\right)=\left\{\begin{array}{cc}\frac{{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{\α}}\left(t\right){\mathrm{\η}}_{\mathrm{ij}}^{\mathrm{\β}}\left(t\right)}{\underset{s\∈{\mathrm{allowed}}_k}{\mathrm{\Σ}}{\mathrm{\τ}}_{\mathrm{is}}^{\mathrm{\α}}\left(t\right){\mathrm{\η}}_{\mathrm{is}}^{\mathrm{\β}}\left(t\right)}& j\∈\mathrm{allowed}\\ 0& \mathrm{otherwise}\end{array}\right.$

其中，allowed_k＝{0，1，2，L，n-1}表示机器人k下一步允许选择的节点，η_ij表示边(i，j)的能见度，反应由节点i转移到节点j的启发程度，该量在蚂蚁系统中的运行中不改变，τ_ij表示边(i，j)上的信息素轨迹强度，α和β为两个参数，分别反应机器人在运动过程中所 积累的信息和启发信息在机器人选择路径中的相对重要性， 

表示在t时刻机器人从城市i到城市s路径上所累积的信息素信息， 

表示在t时刻机器人从城市i到城市s所累积的启发信息，s表示机器人能够选择的城市； 

进一步，所述机器人的传感器，包括声纳、摄像头、气体传感器、温度传感器、生命探测仪中一种或多种； 

进一步，所述机器人所处的环境为煤矿矿井。 

本发明的优点在于：本发明采用将蚁群算法和Ad Hoc网络结合来确定多机器人的路径规划，解决了蚁群算法中通信能力不强，不能更好的传递信息，达到信息共享的问题。而蚁群算法中的隐式通信(信息素)又对Ad Hoc网络进行补充，避免了时时通信造成的资源浪费，减轻了Ad Hoc网络的通信负担，使机器人能够更好的解决自身与团体的资源分配。使多机器人在煤矿矿难这种半未知的环境中，更好的达到路径规划，寻找最优路径的目的。 

本发明的其它优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其它优点可以通过下面的说明书，权利要求书，以及附图中所特别指出的结构来实现和获得。 

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中： 

图1为本发明中机器人局部坐标与全局坐标之间的转换示意图； 

图2为本发明在煤矿环境下基于蚁群算法和Ad Hoc网络结合的路径规划算法流程图； 

图3为本发明中Ad Hoc网络的AODV协议基本工作流程图。 

具体实施方式

以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。 

本发明提供的基于Ad Hoc网络的多机器人路径规划方法，包括以下步骤： 

步骤1：获取机器人所处环境的地理信息，初始化每个机器人的工作状态，设置机器人 预设搜索路径，所述机器人所处的环境为煤矿矿井； 

步骤2：机器人在前进搜索过程中，机器人通过传感器探测环境信息，测得周围障碍物的坐标位置，获取当前状态下的环境信息，所述机器人的传感器，包括声纳、摄像头、气体传感器、温度传感器、生命探测仪中一种或多种； 

步骤3：比较当前状态下的环境信息与预设搜索路径环境的地理信息，如果当前状态下的环境信息与预设搜索路径环境的地理信息不同，则该机器人发出区别信号； 

步骤4：每个机器人通过自身装置对井下情况进行搜索，同时在搜索过程中释放信息素；并通过信息素浓度的高低对道路进行概率选择，使机器人趋向于一条最优路径，达到路径规划的目的； 

步骤5：将每个机器人作为网络节点，建立Ad Hoc网络系统；煤矿发生矿难后，井下的通信设施已基本破坏，短期的时间内无法复原，这就需要一种能够自行建立通信网络的通信装置。针对井下通信困难，引入Ad Hoc网络，Ad Hoc网络是一种没有基础设施的对等无线通信网络，网络中没有中央控制设备，不需要固定设施，如基站的支持，每个机器人作为网络节点，各节点自由接入，自动组网，没有固定的网络拓扑，不仅具有普通移动终端所需的功能，而且具有报文转发功能，将隐式通信(信息素)和显式通信(Ad Hoc网络)相结合，加强机器人间的相互协作，使机器人能够更好的完成工作；且由于节点的移动性，拓扑结构处于动态变化中。网络移动节点通过多跳无线链路实现通信，网内每一个节点既是终端又是路由器，对于通信范围以外的可以通过中间机器人进行转发，达到通信的目的，解决了通信范围受限的问题。Ad Hoc网络可以单独组网，也可以通过网关或接口与其他网络相连，Ad Hoc网络由于其自身的特点成为多机器人系统通信首选。但Ad hoc网络本身因多跳而出现了隐终端和暴露终端问题，对此我们采用无线自组网按需平面距离矢量路由协议(AODV)，通过握手的方式使两个节点建立连接，而且节点既不依赖于任何维护的路由信息，也不依赖任何周期性更新的路由表信息来动态获取路由。 

步骤6：机器人接收信息素，根据预设搜索路径、接收的信息素来确定机器人的最优路径。 

图1为本发明中机器人局部坐标与全局坐标之间的转换示意图；如图所示，对于每个机器人，都可以通过传感器(如声纳，激光等)测得周围障碍物相对自身的局部坐标位置，建立局部地图。但是对于不同的机器人，不同的局部坐标，信息的传递、共享很难实现。对此，我们需要统一规范，建立统一的全局坐标，通过机器人的局部坐标与全局坐标转换，把环境信息建立在全局坐标下。 

作为上述实施例的进一步改进，所述步骤2中利用探测到环境信息，建立局部地图，然后将局部地图中的局部坐标转换成整个环境的全局坐标，所述局部坐标与全局坐标通过以下公式进行： 

X_g＝r*cos(θ_r+θ)+X_r+u_g*cos(θ_r)-v_g*sin(θ_r)      (1) 

Y_g＝r*sin(θ_r+θ)+Y_r+u_g*sin(θ_r)+v_g*cos(θ_r)       (2) 

其中，(X_g，Y_g)为障碍物在全局坐标系中的坐标，(X_r，Y_r)为机器人在全局坐标系中的坐标，θ_r为机器人在全局坐标系角度，(u_g，v_g)为声纳在机器人上的局部坐标，θ为声纳在机器人上的局部坐标角度，r为声纳测距。 

图2为本发明在煤矿环境下基于蚁群算法和Ad Hoc网络结合的路径规划算法流程示意图；如图所示，机器人初始化后输入煤矿原始信息，设定路径的交叉点为地图网络的网络节点，机器人在起始网络节点开始运行，并且在经过的路径上散播信息素，机器人通过信息素浓度选择路径。 

作为上述实施例的进一步改进，所述步骤5中还包括为每个机器人设置数据结构禁忌表，所述禁忌表记录了t时刻机器人已经走过的网点，不允许该机器人在本次循环中再次经过这些网点，当本次循环结束后，禁忌表显示出该机器人当前建立的解决方案，之后被清空；当机器人完成一次循环，各路径上的信息素量得到调整： 

τ_ij(t+1)＝ρ*τ_ij(t)+Δτ_ij(t，t+1)         (4) 

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}(t,t+1)=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^k(t,t+1)---\left(5\right)$

其中， 

表示第k个机器人在时刻(t，t+1)留在路径(i，j)上的信息素量，Δτ_ij(t，t+1)表示本次循环中路径(i，j)的信息素量的增量，ρ为信息素轨迹的衰减系数，L_ij为第k个机器人在本次循环中所走的路径长度，通过信息素的更新调整，机器人向着信息素浓度高的道路选择，即向着最优路径靠拢，Q为搜索路径的总信息素量。 

图3为本发明中Ad Hoc网络的AODV协议基本工作流程图示意图，如图所示，煤矿的信息是不完全正确的，在搜索的过程中，对于一些变动的信息，机器人应该及时的转发给别的 机器人，使其他机器人对信息及时的进行变更，避免对错误信息的重复搜索。但是蚁群算法主要通过信息素间接进行通信，并不能达到信息的传输，而且减少了机器人间的协调合作。Ad Hoc网络的加入，使得机器人在煤矿这种恶劣环境下能够及时的建立通信网络，但是对于多跳的无线链路通信方式，他的通信方式也是不同的。其中效果最好的路由协议为AODV路由协议。 

作为上述实施例的进一步改进，所述步骤5中还包括为每个机器人建立通信网络时采用的路由协议，所述路由协议为AODV路由协议，所述AODV路由协议包括路由查找和路由维护，所述路由查找为在源节点需要与其它节点通信但是又没有相应的路由信息时发起路由查找过程；源节点通过对邻节点广播路由请求RREQ来发起路由查找；AODV路由协议中的路由表包括目的节点、下一跳节点、距离目的节点的跳数、目的节点序列号、本路由的活跃邻节点和本路由的超期时长，随着节点移动，网络拓扑结构不断变化，迅速找到到达目地节点的路由，完成机器人之间的通信，实现信息的传递。 

作为上述实施例的进一步改进，所述步骤6中通过在t时刻机器人k在节点i选择节点j的转移概率 

来确定机器人的最优路径，采用以下公式进行计算： 

$P_{\mathrm{ij}}^k\left(t\right)=\left\{\begin{array}{cc}\frac{{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{\α}}\left(t\right){\mathrm{\η}}_{\mathrm{ij}}^{\mathrm{\β}}\left(t\right)}{\underset{s\∈{\mathrm{allowed}}_k}{\mathrm{\Σ}}{\mathrm{\τ}}_{\mathrm{is}}^{\mathrm{\α}}\left(t\right){\mathrm{\η}}_{\mathrm{is}}^{\mathrm{\β}}\left(t\right)}& j\∈\mathrm{allowed}\\ 0& \mathrm{otherwise}\end{array}\right.$

其中，allowed_k＝{0，1，2，L，n-1}表示机器人k下一步允许选择的节点，η_ij表示边(i，j)的能见度，反应由节点i转移到节点j的启发程度，该量在蚂蚁系统中的运行中不改变，τ_ij表示边(i，j)上的信息素轨迹强度，α和β为两个参数，分别反应机器人在运动过程中所积累的信息和启发信息在机器人选择路径中的相对重要性， 

表示在t时刻机器人从城市i到城市s路径上所累积的信息素信息， 

表示在t时刻机器人从城市i到城市s所累积的启发信息，s表示机器人能够选择的城市。 

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。 

Claims (7)

1.基于Ad Hoc网络的多机器人路径规划方法，其特征在于：包括以下步骤：

步骤1：获取机器人所处环境的地理信息，初始化每个机器人的工作状态，设置机器人预设搜索路径；

步骤2：机器人在前进搜索过程中，机器人通过传感器探测环境信息，测得周围障碍物的坐标位置，获取当前状态下的环境信息；

步骤3：比较当前状态下的环境信息与预设搜索路径环境的地理信息，如果当前状态下的环境信息与预设搜索路径环境的地理信息不同，则该机器人发出区别信号；

步骤4：同时在搜索过程中释放信息素；

步骤5：将每个机器人作为网络节点，建立Ad Hoc网络系统；

步骤6：机器人接收信息素，根据预设搜索路径、接收的信息素来确定机器人的最优路径。

2.根据权利要求1所述的基于Ad Hoc网络的多机器人路径规划方法，其特征在于：所述步骤2中利用探测到环境信息，建立局部地图，然后将局部地图中的局部坐标转换成整个环境的全局坐标，所述局部坐标与全局坐标通过以下公式进行：

X_g＝r*cos(θ_r+θ)+X_r+u_g*cos(θ_r)-v_g*sin(θ_r)      (1)

Y_g＝r*sin(θ_r+θ)+Y_r+u_g*sin(θ_r)+v_g*cos(θ_r)      (2)

其中，(X_g，Y_g)为障碍物在全局坐标系中的坐标，(X_r，Y_r)为机器人在全局坐标系中的坐标，θ_r为机器人在全局坐标系角度，(u_g，v_g)为声纳在机器人上的局部坐标，θ为声纳在机器人上的局部坐标角度，r为声纳测距。

3.根据权利要求1所述的基于Ad Hoc网络的多机器人路径规划方法，其特征在于：所述步骤5中还包括为每个机器人设置数据结构禁忌表，所述禁忌表记录了t时刻机器人已经走过的网点，不允许该机器人在本次循环中再次经过这些网点，当本次循环结束后，禁忌表显示出该机器人当前建立的解决方案，之后被清空；当机器人完成一次循环，各路径上的信息素量得到调整：

τ_ij(t+1)＝ρ*τ_ij(t)+Δτ_ij(t，t+1)              (4)

$\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}(t,t+1)=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}^k(t,t+1)---\left(5\right)$

其中，

表示第k个机器人在时刻(t，t+1)留在路径(i，j)上的信息素量，Δτ_ij(t，t+1)表示本次循环中路径(i，j)的信息素量的增量，ρ为信息素轨迹的衰减系数，L_ij为第k个机器人在本次循环中所走的路径长度，通过信息素的更新调整，机器人向着信息素浓度高的道路选择，即向着最优路径靠拢，Q为搜索路径的总信息素量。

4.根据权利要求3所述的基于Ad Hoc网络的多机器人路径规划方法，其特征在于：所述步骤5中还包括为每个机器人建立通信网络时采用的路由协议，所述路由协议为AODV路由协议，所述AODV路由协议包括路由查找和路由维护，所述路由查找为在源节点需要与其它节点通信但是又没有相应的路由信息时发起路由查找过程；源节点通过对邻节点广播路由请求RREQ来发起路由查找；AODV路由协议中的路由表包括目的节点、下一跳节点、距离目的节点的跳数、目的节点序列号、本路由的活跃邻节点和本路由的超期时长，随着节点移动，网络拓扑结构不断变化，迅速找到到达目地节点的路由，完成机器人之间的通信，实现信息的传递。

5.根据权利要求1所述的基于Ad Hoc网络的多机器人路径规划方法，其特征在于：所述步骤6中通过在t时刻机器人k在节点i选择节点j的转移概率

来确定机器人的最优路径，采用以下公式进行计算：

$P_{\mathrm{ij}}^k\left(t\right)=\left\{\begin{array}{cc}\frac{{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{\α}}\left(t\right){\mathrm{\η}}_{\mathrm{ij}}^{\mathrm{\β}}\left(t\right)}{\underset{s\∈{\mathrm{allowed}}_k}{\mathrm{\Σ}}{\mathrm{\τ}}_{\mathrm{is}}^{\mathrm{\α}}\left(t\right){\mathrm{\η}}_{\mathrm{is}}^{\mathrm{\β}}\left(t\right)}& j\∈\mathrm{allowed}\\ 0& \mathrm{otherwise}\end{array}\right.$

其中，allowed_k＝{0，1，2，L，n-1}表示机器人k下一步允许选择的节点，η_ij表示边(i，j)的能见度，反应由节点i转移到节点j的启发程度，该量在蚂蚁系统中的运行中不改变，τ_ij表示边(i，j)上的信息素轨迹强度，α和β为两个参数，分别反应机器人在运动过程中所积累的信息和启发信息在机器人选择路径中的相对重要性，

表示在t时刻机器人从城市i到城市s路径上所累积的信息素信息，

表示在t时刻机器人从城市i到城市s所累积的启发信息，s表示机器人能够选择的城市。

6.根据权利要求5所述的基于Ad Hoc网络的多机器人路径规划方法，其特征在于：所述机器人的传感器，包括声纳、摄像头、气体传感器、温度传感器、生命探测仪中一种或多种。

7.根据权利要求1-6任一项所述的基于Ad Hoc网络的多机器人路径规划方法，其特征在于：所述机器人所处的环境为煤矿矿井。

Images