CN102566572B - 一种基于贝叶斯方法的多软件机器人演化定位方法 - Google Patents

Abstract

本发明公开了一种基于贝叶斯方法的多软件机器人演化定位方法。基于贝叶斯方法的多软件机器人演化定位算法是一种自动化的定位方法，包括以下步骤：1)定位机器人根据移动目标(移动机器人)的历史位置信息分析计算目标的移动规律；2)定位机器人根据移动规律使用贝叶斯方法构造建立移动目标的运动预测模型，估计移动规律；3)定位机器人根据移动目标的新的移动信息，使用贝叶斯演化模型对移动目标的预测模型进行更新，得到更准确的移动规律和目标位置。本发明方法能够保证移动目标始终处于捕获定位的可视范围之内，可以确保对移动目标的位置估计准确度。

Description

一种基于贝叶斯方法的多软件机器人演化定位方法

技术领域

本发明涉及一种方法，尤其是一种基于贝叶斯方法的多软件机器人演化定位方法。

背景技术

软件机器人之间的捕获定位问题主要研究如何控制一群机器人定位一个或几个其它机器人及相关问题的领域，典型的例子包括搜索与营救行动，追捕敌军任务等，也可以推广到其它领域，如通过用户留下的上网痕迹和记录，获取用户兴趣特征、机器人追赶移动的目标，抓捕网络入侵者等。移动目标跟踪也是软件机器人领域的一个重要且富有挑战性的研究方向，尤其是当移动目标的运动路径、方向、速度等参数未知的情况下，利用以概率估计为核心的贝叶斯方法是解决这一不确定问题的有效技术。同时由于移动目标的运动突变性和社会性，演化技术也是解决该问题的有用方法。进行基于贝叶斯方法的多机器人演化定位时必须考虑并完成两项关键任务：一是获取先验信息，建立移动目标的运动模型，预测移动目标将来的运动趋势；二是利用演化计算过程，迭代调整移动目标的精确运行模型。

发明内容

本发明的目的是为克服上述现有技术的不足，提供一种基于贝叶斯方法的多软件机器人演化定位方法，该方法使用移动目标的历史位置信息作为先验信息，利用贝叶斯方法预测移动目标的未来移动信息，建立了一种运动预测模型，并且在持续的移动过程中利用演化方法动态修正预测模型，以使得机器人能够更精确的捕捉定位到移动目标。

为实现上述目的，本发明采用下述技术方案：

一种基于贝叶斯方法的多软件机器人演化定位方法，首先根据移动目标的当前位置和历史位置信息，利用贝叶斯原理构造移动目标的运动预测模型，并利用此模型对移动目标的将来移动趋势进行预测，在连续的目标移动过程中，软件机器人自行计算移动目标的演化移动过程，运用设计的贝叶斯演化迭代运动模型对运动预测模型进行动态更新与调整，最后能够使得软件机器人准确地预测和捕获定位到移动目标；

包括以下具体步骤：

1)使用移动目标的当前位置信息和历史位置信息估计历史运动模型，根据贝叶斯预测模型(3)和(4)，计算下一步的出现位置概率，从而能够快速定位软件机器人的位置。本发明有两个重要特点，也是需要满足的两个条件：一是信息不对称，即事先无法确定软件机器人的实际运动模型，无法获取在任意时刻软件机器人的移动速度、转移角度、移动方向；二是软件机器人的运动具有目的性，是要去完成某一个任务的运动过程。定位软件机器人的主要作用就是跟踪其运动状态，获取软件机器人完成任务的相关信息。在上述两个条件下，利用贝叶斯预测过程，一是解决在信息不对称情况下的信息获取问题，二是使用移动目标的历史移动模型预测具有特定任务的移动软件机器人的运动控制模型；

定位机器人利用移动目标的历史位置信息作为先验信息，通过式(1)所示的贝叶斯基本原理来预测移动目标的下一步移动方向和移动曲线，当预测结果与移动目标的真实移动数据之间的Bhattacharyya平均距离值较大时，利用式(2)所示的贝叶斯迭代基本原理进行移动模型的更新；

T表示移动目标所经过的历史位置；

T_i表示第i个移动目标到达的位置；

j为正整数，表示移动目标的第j次移动；

θ_P表示定位机器人的移动方向，转移角度，移动速度等信息；

θ_E表示移动目标的移动方向，转移角度，移动速度等信息。

2)使用软件机器人之间的运动模型，利用已知软件机器人的运动函数模型与预测软件机器人的运动函数模型之间的Bhattacharyya距离判断预测模型的准确性，Bhattacharyya距离定义为

其中q(x)表示已知的软件机器人的运动函数模型，p(x)表示要求解的软件机器人的预测运动函数模型。令ρ越大，则D_B越小，两个模型p(x)和q(x)越相似。

3)利用式(4)的贝叶斯迭代过程，即利用软件机器人第1至k步的移动位置、移动方向、移动角度预测第k+1步移动位置、移动方向、移动角度，直至要求解的目标软件机器人的运动模型与已知的定位软件机器人的运动模型之间的Bhattacharyya距离在一个较小的阈值范围内时预测运行过程终止；

本发明方法根据移动目标的历史位置信息分析计算目标的移动规律，根据移动规律使用贝叶斯方法构造建立移动目标的运动预测模型，估计移动规律，根据移动目标的新的移动信息，使用贝叶斯演化模型对移动目标的预测模型进行更新，得到更准确的移动规律和目标位置。本发明方法能够保证移动目标始终处于捕获定位的可视范围之内，可以确保对移动目标的位置估计准确度。

附图说明

图1为本发明的算法的具体流程图；

图2为要预测的软件机器人在运动过程中下一步的运动信息；

图3为已知软件机器人的运动过程中预测要求解的软件机器人的运动模型；

图4为贝叶斯预测模型随软件机器人运动空间的增大而预测正确的时间；

图5为贝叶斯预测横型随软件机器人运动空间的增大而预测正确的次数；

图6为贝叶斯预测模型随软件机器人运动空间的增大而耗用的迭代次数。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

一种基于贝叶斯方法的多软件机器人演化定位方法，流程图如图1所示。首先构造基于移动目标当前位置信息和历史位置信息的历史运动模型，再根据贝叶斯迭代预测模型，计算下一步的出现位置概率，从而能够快速定位软件机器人的位置。把定位机器人P和移动机器人E的活动区域投影为一个二维坐标平面，P和E以软件智能体的形式在某一环境中移动。P和E的位置以坐标的形式表示。将坐标离散化为边长为ε(ε＞0)的正方形区域，P和E都在相邻按的区域间移动，把这种移动称为二维随机移动。在定位机器人定位移动机器人过程中，定位机器人的运动模型首先确定为目标函数F₀，通过移动机器人的运动轨迹确定其移动函数作为侯选函数F₁。设时间步长为T，即从时刻0开始，每间隔时间T就跟据移动机器人已经过的运动轨迹计算定位机器人与移动机器人的Bhattacharyya距离。若距离小于某个阈值，则追捕者调整追捕策略，向看Bhattacharyya距离值更小的分布函数调整。

在定位移动软件机器人过程中，定位机器人的移动函数首先确定为目标函数q₀，通过移动机器人的移动轨迹确定其移动模型作为候选函数p₀，如图2所示。设时间步长为T，即从时刻0开始，每间隔时间T定位机器人就根据移动机器人已存在的移动轨迹计算两者的Bhattacharyya距离D_B。若距离大于某个阈值，则定位机器人调整定位策略，如图3所示，向着D_B值更小的分布函数调整。

根据下述移动机器人移动方程，

f(X(T_i+1t))＝f(X(T_i-)+1)

f(X(T_nt))＝f(X(T_mt))+(n-m)

其中，移动机器人所经过的位置具有标记T，T＝<Token，t>，其中Token是标记符，t表示时间，称为时间戳，T_n.t＞T_s.t。将定位机器人P和移动机器人E的移动模型作为演化个体，令q是定位机器人的移动函数，f是移动机器人的移动函数，p_j(x)表示第j次迭代中移动函数相似的概率。D_B(q，f)表示移动函数q和f的巴氏距离。

假设每一次迭代的种群规模为n，取正整数ξ，从一代种群中选取所有D_j≤ξ的个体(设为m个)，按以下方案进行处理：

(1)如果m＝1，选符合条件的个体作为新的种群，并从此个体开始进行新的移动；

(2)当m＝2，如果是连续的两次移动，则取这两次连续轨迹为新的种群继续移动；否则，任取一个符合条件的个体按照第(1)步进行处理；

(3)当m＝3，如果是连续的三次移动，则取这三次连续轨迹为新的种群继续移动；否则，按照第(2)步进行处理；

(4)当m＝k，如果是连续的k次移动，则取这k次连续轨迹为新的种群继续移动；否则，按照第(k-1)步进行处理；

当进行第k+1次演化迭代时，利用式(4)的贝叶斯迭代过程，即利用移动软件机器人第1至k步的移动位置、移动方向、移动角度预测第k+1步移动位置、移动方向、移动角度，直至要求解的目标软件机器人的运动模型与已知的定位软件机器人的运动模型之间的Bhattacharyya距离在一个较小的阈值范围内时预测运行过程终止。

在上述过程中有几点需要说明，一是种群中最优个体分布概率的计算，利用公式(5)进行计算

其中，j∈{1，2，…，n}，t表示第t代种群。二是ξ具有动态变化性，当P_t(x)<P_t+1(x)，即第t+1代相似函数出现的概率大于第t代时，ξ值下降，下降的幅度根据D_B(q，f)的值确定。

基于贝叶斯方法的多软件机器人演化定位算法是一种自动化的定位方法，定位机器人通过获取移动机器人的移动轨迹，对移动机器人的移动规律进行建模。定位机器人根据移动机器人的历史移动轨迹所建立的模型，定位机器人自身依照这一模型进行运动，直至定位机器人与移动机器人的运动模型相等或者近似相等为止。

图4、图5和图6给出了定位空间在5000×5000空间中(横坐标)的定位算法性能情况。图4给出了定位机器人50次定位移动目标的成功定位次数。图5是随着定位空间的增加定位机器人准确定位移动目标所需的时间。图6是随着定位空间的增加定位机器人定位移动目标的演化迭代次数。从上述结果来看，本发明提出的方法能够稳定的运行，准确定位的次数较为平稳，定位时间随空间的变化呈线性变化，且演化迭代次数呈线性变化。因此本发明可以很好的实现多软件机器人的完全自动定位。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (2)

1.一种基于贝叶斯方法的多软件机器人演化定位方法，包括以下步骤：

1)定位机器人根据移动目标的历史位置信息分析计算移动目标的移动规律；

2)根据移动规律使用贝叶斯方法建立移动目标的运动预测模型，估计移动规律；

3)定位机器人根据移动目标的新的移动信息，使用贝叶斯演化模型对移动目标的预测模型进行更新，得到更准确的移动规律和移动目标位置；

定位机器人利用移动目标的历史位置信息作为先验信息，通过式(1)所示的贝叶斯基本原理来预测移动目标的下一步移动方向和移动曲线，当预测结果与移动目标的真实移动数据之间的Bhattacharyya大于某个阈值时，利用式(2)所示的贝叶斯迭代基本原理进行移动模型的更新；

$P\left({\mathrm{\&theta;}}_{-i}\right|{\mathrm{\&theta;}}_i)=\frac{P\left({\mathrm{\&theta;}}_i\right|{\mathrm{\&theta;}}_{-i})P\left({\mathrm{\&theta;}}_{-i}\right)}{P\left({\mathrm{\&theta;}}_i\right)}=\frac{P\left({\mathrm{\&theta;}}_i\right|{\mathrm{\&theta;}}_{-i})P\left({\mathrm{\&theta;}}_{-i}\right)}{\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}P\left({\mathrm{\&theta;}}_i^k\right)}---\left(1\right)$

$P^{(k+1)}\left({\mathrm{\&theta;}}_{-i}\right|{\mathrm{\&theta;}}_i)=\frac{P^{(k+1)}\left({\mathrm{\&theta;}}_i\right|{\mathrm{\&theta;}}_{-i})P^{\left(k\right)}\left({\mathrm{\&theta;}}_{-i}\right)}{P^{(k+1)}\left({\mathrm{\&theta;}}_i\right)},k=0,1,2,\mathrm{...}---\left(2\right).$

2.如权利要求1所述的方法，其特征在于：对软件机器人的运动过程定位策略是一种迭代过程，利用每一迭代步的移动方向D,转移角度A,移动速度V来计算在下一迭代步出现位置的概率，从而预测下一步的位置，定位机器人P和移动机器人E，

$\begin{array}{c}{P}_{T_i,j}^{(k+1)}\left({\mathrm{\&theta;}}_E\right|{\mathrm{\&theta;}}_P)=\frac{P_{T_i,j}^{(k+1)}\left({\mathrm{\&theta;}}_P\right|{\mathrm{\&theta;}}_E)P_{T_i,j}^{\left(k\right)}\left({\mathrm{\&theta;}}_E\right)}{P_{T_i,j}^{(k+1)}\left({\mathrm{\&theta;}}_P\right)}=\\ \frac{{P_{T_i,j}}^{(k+1)}(<D_P,A_P,V_P>|<D_E,A_E,V_E>){P_{T_i,j}}^{\left(k\right)}(<D_E,A_E,V_E>)}{{P_{T_i,j}}^{(k+1)}(<D_P,A_P,V_P>)}\end{array}---\left(3\right)$

$\begin{array}{c}{P}_{T_i,j}^{(k+1)}\left({\mathrm{\&theta;}}_P\right|{\mathrm{\&theta;}}_E)=\frac{P_{T_i,j}^{(k+1)}\left({\mathrm{\&theta;}}_E\right|{\mathrm{\&theta;}}_P)P_{T_i,j}^{\left(k\right)}\left({\mathrm{\&theta;}}_P\right)}{P_{T_i,j}^{(k+1)}\left({\mathrm{\&theta;}}_E\right)}=\\ \frac{{P_{T_i,j}}^{(k+1)}(<D_E,A_E,V_E>|<D_P,A_P,V_P>){P_{T_i,j}}^{\left(k\right)}(<D_P,A_P,V_P>)}{{P_{T_i,j}}^{(k+1)}(<D_E,A_E,V_E>)}\end{array}.---\left(4\right)$