CN103533553A - 一种采用多机器人的传感器网络优化部署方法 - Google Patents
一种采用多机器人的传感器网络优化部署方法 Download PDFInfo
- Publication number
- CN103533553A CN103533553A CN201210222776.9A CN201210222776A CN103533553A CN 103533553 A CN103533553 A CN 103533553A CN 201210222776 A CN201210222776 A CN 201210222776A CN 103533553 A CN103533553 A CN 103533553A
- Authority
- CN
- China
- Prior art keywords
- city
- robot
- optimization
- group
- female
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明提出了一种采用多机器人的传感器网络优化部署方法,涉及机器人网络与传感器网络两个热点领域,根据特定的传感器网络部署和感知目标特点(如限制区域种类及分布,感兴趣区域分布)、感知性能指标需求(如覆盖与连通性、生存期、广义精度等),结合不同机器人以及网络节点在通信距离、感知距离、重量、承载能力和能量等方面的约束条件,由母机器人承载子机器以及网络节点进入待部署与需感知区域,经智能规划,分别由母机器人直接协同(此时,与传统体系结构相似)网络节点感知,或(和)通过分级拓展协同,由母机器人部署子机器人、进而由子机器人协同网络节点部署与感知。在传感器节点的部署中,通过针对机器人设计的距离优化(DO,Distance Optimization)、时间优化(TO,Time Optimization)和能量优化(EO,Energy Optimization)问题的启发式优化算法,以期达到网络部署与感知的整体优化目的。
Description
技术领域
本发明涉及机器人网络与传感器网络两个热点领域。根据特定的传感器网络部署和感知目标特点(如限制区域种类及分布,感兴趣区域分布)、感知性能指标需求(如覆盖与连通性、生存期、广义精度等),结合不同机器人以及网络节点在通信距离、感知距离、重量、承载能力和能量等方面的约束条件,由母机器人承载子机器以及网络节点进入待部署与需感知区域,经智能规划,分别由母机器人直接协同(此时,与传统体系结构相似)网络节点感知,或(和)通过分级拓展协同,由母机器人部署子机器人、进而由子机器人协同网络节点部署与感知。
背景技术
传感器网络随机部署是最简单的一种部署方式,但可能会带来感知性能与需求不匹配,以及资源浪费等问题。实际上,从传统网络的规划部署,到早期传感器网络节点的任意部署、随机部署,再到网络节点的整体规划部署与局部随机部署相结合的优化部署,是对于优化部署与感知问题研究的螺旋式上升的过程。高质量的部署有助于将智能从高端、远程向传感器网络自身、本地迁移,从而更好地实现和体现传感器网络的分布式智能。通过移动机器人协同,可以实现传感器网络及其节点的逐渐扩展式部署,这一优势在未知环境探索等情境下尤为重要。
一般而言,机器人协同的传感器网络部署与感知是综合性较强、复杂程度较高的一类问题;而针对复杂作业任务,往往需要多个(或多种)机器人构成多机器人协作系统才能完成。进一步地,实际环境对于机器人协同的节点部署与感知作业往往造成各种限制;而各种机器人自身往往又各具特点(包括优势和不足等)。
例如,仅从机器人和障碍物的几何尺度的角度分析,小机器人在较大障碍(如深沟等)或较高作业面(如高台阶)等情境下进行传感器网络协同部署与感知作业较为困难,而大机器人在较低、较窄空间环境(如办公桌下、货架间、管道中)等情境下进行传感器网络协同部署与感知作业较为困难。
各种机器人进行协同网络感知作业时有其自身的适应场合。而实际待部署与需感知环境往往是较为复杂的,单一类型机器人可能无法有效应对协同部署与感知作业全过程中多种环境限制,需要多种机器人配合完成感知的全过程。
另外,由传感器网络自身特点所决定,移动网络节点在能量、对环境的适应能力、对复杂环境的辨识能力与决策能力等方面必然存在较大的局限性,而且其复用性通常也非常有限。因此,机器人协同的传感器网络部署与感知传统体系结构存在多方面的局限性,需要有新的体系结构加以补充。
发明内容
本发明的目的提出一种采用多机器人的传感器网络优化部署方法。
具体的技术方案为:
(1)采用城市分组的变形旅行商问题(TTSPGC,Transfigured Travelling SalesmanProblem under Grouped Cities)模型作为描述基本感知作业(BDST,Basic Deploying andSensing Task)问题的简化模型。
在TTSPGC中,将各个感兴趣区域作为城市(ctij),并按其所处的限制区域(RA II1~RAIIM,RAII为第II类限制区域,子机器人可以作业,母机器人不可以作业,可以部署网络节点,可以通信)进行分组(城市组GC1~GCM),其中城市下标i和j分别代表城市所属的城市组编号和组内编号。
为解决母机器人与子机器人移动轨迹在限制区域边界的连续性问题,提出了虚拟城市(VC,Virtual City)的概念,其基本思想如下。
针对每个限制区域,母机器人部署子机器人,以及子机器人回归母机器人的位置设置一对虚拟城市。第i个限制区域的两个虚拟城市分别为cti0和(两个虚拟城市的下标j分别取0和限制区域内感兴趣区域总数加1,即把虚拟城市添加为限制区域的首“城市”和末“城市”)。需要说明的是,虚拟城市之间在位置上有可能互相重合。
(2)根据具体优化目标不同,协同部署与感知用机器人的优化问题(可以分为距离优化(DO,Distance Optimization)、时间优化(TO,Time Optimization)和能量优化(EO,EnergyOptimization)三类典型问题,即在完成网络节点分级异构拓展部署与感知作业过程中,针对协同部署与感知用母机器人和子机器人所经历的距离、所花费的时间或所消耗的能量的优化问题,并因此对于单母机器人和单子机器人系统建立距离优化、时间优化和能量优化目标函数。距离优化是基础,时间优化和能量优化在特定约束条件下可以转化为具有权重的距离优化问题。
(3)优化算法设计具体包括规划与作业两个层面,重点包括虚拟城市定位和轨迹规划两类问题,在设计中兼顾实现协同部署与感知用母机器人和子机器人的规划、控制的实时性与优化效果之间的均衡。
1)协同部署与感知规划优化流程
本发明采用两级嵌套(TLN,Two-Level Nesting)的算法结构分别完成母机器人轨迹规划(即,城市组次序以及城市组首虚拟城市、末虚拟城市位置的确定)和子机器人轨迹规划(即,从首虚拟城市经城市组内各城市到达末虚拟城市的次序和路径),规划的结果确定距离、时间和能量优化目标函数等各式中各城市组以及每个城市组内各城市的下标序号。
2)网络节点部署与作业流程
在确定虚拟城市位置后,母机器人与子机器人轨迹规划问题可以转化为以SP(既是起点也是终点)和各个城市的集合构成的城市分组的变形旅行商问题(TTSPGC)。具体进行子机器人轨迹规划时,采用自适应蚁群算法(ACA,Ant Colony Algorithm)解决该问题。
附图说明
图1基本感知作业下城市分组的变形旅行商模型的一个直观表现图。
图2TTSPGC模型下多机器人与传感器网络协同部署与感知规划流程图。
图3网络节点部署与作业流程步骤1示意图
图4网络节点部署与作业流程步骤2示意图
图5网络节点部署与作业流程步骤3示意图
图6网络节点部署与作业流程步骤5示意图
具体实施方法
为使本发明结构更加清晰完整,下面结合附图对本发明作进一步的说明。
参照图1,它是基本感知作业下城市分组的变形旅行商模型的一个直观表现图。
图中1是各个感兴趣区域(即为需要布置无线传感器的地方),在TTSPGC(城市分组的变形旅行商模型)中,将各个感兴趣区域作为城市ctij,,对应图中各个带阴影的圆形。
图中2是城市组,按各个感兴趣区域所处的限制区域(RAII1~RAIIM,RAII为第II类限制区域,子机器人可以作业,母机器人不可以作业,可以部署网络节点,可以通信)进行分组(城市组GC1~GCM),其中城市下标i和j分别代表城市所属的城市组编号和组内编号。
图中3是虚拟城市VC,为解决两类机器人移动轨迹在限制区域边界的连续性问题,提出了虚拟城市VC的概念,对应图中各个带阴影的菱形。针对每个限制区域,母机器人部署子机器人,以及子机器人回归母机器人的位置设置一对虚拟城市。第i个限制区域的两个虚拟城市分别为cti0和cti(Ni+1)(两个虚拟城市的下标j分别取0和限制区域内感兴趣区域总数加1,即把虚拟城市添加为限制区域的首“城市”和末“城市”)。需要说明的是,虚拟城市之间在位置上有可能互相重合。
图中4是母机器人的起点(SP),为了保持处理上的统一性,将母机器人的起点(SP)同时定义为GC0(即第0号城市组),ct00和ct0(N0+1)(即第0号城市组的首虚拟城市和末虚拟城市)。
图2为TTSPGC模型下多机器人与传感器网络协同部署与感知规划流程图。在此流程图中,首先初步规划母机器人的移动轨迹,进而规划子机器人的移动轨迹;通过子机器人在城市组内路径的优化,在必要时调整虚拟城市的位置,进而调整子机器人、母机器人的规划移动轨迹,从而达到针对特定目标函数优化的目的。需要强调的是,在实际规划过程中,母机器人与子机器人轨迹规划关系通常较为复杂;图中,步骤①~步骤⑧各环节之间通常并非简单的串行关系。
图3至图6为网络节点部署与作业流程示意图。在此示意图中,网络节点部署与作业流程的步骤为:
1)母机器人承载子机器人及网络节点按照规划路径到达一个城市组(如在图3中,从GC0出发,沿实线到达GC1中的虚拟城市ct10位置)并部署子机器人;
2)子机器人在某个城市组中按照规划路径移动并依次访问各个城市(如在图4中,子机器人从GC1的首虚拟城市ct10移动到第1个真实城市ct11......)进行网络节点协同部署(或信息感知)作业;
3)如图5所示,子机器人按照规划路径遍历某个城市组(即,在某个限制区域内完成所有感兴趣区域的网络节点协同部署/协同信息感知作业)后,按照规划路径(如,在图5中,沿着双点划线的方向,从GC1的最后一个真实城市移动到末虚拟城市)回归母机器人;
4)判断是否完成全部城市组的访问(即,全部限制区域的网络节点协同部署/协同信息感知作业)任务,若未完成,则返回1);
Claims (4)
1.一种采用多机器人的传感器网络优化部署方法,其特征在于,该方法包括:
采用城市分组的变形旅行商问题(TTSPGC,Transfigured Travelling Salesman Problem under Grouped Cities)模型作为描述基本感知作业(BDST,Basic Deploying and Sensing Task)问题的简化模型。
根据具体优化目标不同,协同部署与感知用机器人的优化问题可以分为距离优化(DO,Distance Optimization)、时间优化(TO,Time Optimization)和能量优化(EO,Energy Optimization)三类典型问题,即在完成网络节点分级异构拓展部署与感知作业过程中,针对协同部署与感知用母机器人和子机器人所经历的距离、所花费的时间或所消耗的能量的优化问题。距离优化是基础,时间优化和能量优化在特定约束条件下可以转化为具有权重的距离优化问题。
优化算法设计具体包括规划与作业两个层面,重点包括虚拟城市定位和轨迹规划两类问题,在设计中兼顾实现协同部署与感知用母机器人和子机器人的规划、控制的实时性与优化效果之间的均衡。
2.根据权利要求1所述的方法,其特征在于,所述采用城市分组的变形旅行商问题(TTSPGC,Transfigured Travelling Salesman Problem under Grouped Cities)模型作为描述基本感知作业(BDST,Basic Deploying and Sensing Task)问题的简化模型,此模型建立的过程为:
在TTSPGC中,将各个感兴趣区域作为城市(ctij),并按其所处的限制区域(RA II 1~RA II M,RA II为第II类限制区域,子机器人可以作业,母机器人不可以作业,可以部署网络节点,可以通信)进行分组(城市组GC1~GCM),其中城市下标i和j分别代表城市所属的城市组编号和组内编号。
为解决母机器人与子机器人移动轨迹在限制区域边界的连续性问题,提出了虚拟城市(VC,Virtual City)的概念,其基本思想如下。
3.根据权利要求1所述的方法,其特征在于,所述协同部署与感知用机器人的优化问题可以分为距离优化、时间优化和能量优化三类典型问题,对于此三类典型问题,所建立的优化数学模型为:
(1)距离优化数学模型。
单母机器人-单子机器人系统基本距离优化目标函数可以用式(1)描述。
其中,M代表城市组的总数(i从0开始是为了能够包括起点SP);
Ni代表第i号城市组内城市的个数(j从0开始是为了包括城市组的首虚拟城市);
代表母机器人从第i号城市组的末虚拟城市到第i+1号城市组的 首虚拟城市之间所经历的距离;
(2)时间优化数学模型。
单母机器人-单子机器人系统基本时间优化目标函数可以用式(2)描述。
其中,M代表城市组的总数(i从0开始是为了能够包括起点SP);
Ni代表第i号城市组内城市的个数(j从0开始是为了包括城市组的首虚拟城市);
假设母机器人与子机器人在网络节点部署作业过程中分别以匀速υMR和υCR运动,而且不考虑网络节点部署作业本身所花费的时间,则有如式(3)所示。
进一步地,若有υCR=υMR=υR,则有如式(4)所示
若同时满足上述两种情况的条件则有如式(5)所示
从而在特定条件下,将时间优化问题与某种特定的距离优化问题关联起来。
(3)能量优化数学模型。
能量优化(EO)问题的建模思路。进行网络节点部署与作业时,母机器人、子机器人移动所消耗的能量与多种因素有关,但可以简化为移动距离与单位移动距离能耗的乘积;其中,后者又与机器人的总重量(自重+承重)有关。
因此,合理规划母机器人在各个限制区域之间的子机器人部署顺序,以及在同一限制区内子机器人在各感兴趣区域之间的网络节点部署顺序等,将改善整个部署过程能耗状况。这一问题在需要部署的网络节点数量较大,以及需要部署的网络节点在各个限制区域或各感兴趣区域分布不均衡时,将较为明显。
单母机器人-单子机器人系统基本能量优化(EO)问题的基本目标函数可以用式(6)描述。
其中,M代表城市组的总数(i从0开始是为了能够包括起点SP);
代表母机器人从第i号城市组的末虚拟城市到第i+1号城市组的首虚拟城市之间所消耗的能量;
下面对式(6)作进一步分析和简化处理。
1)如果将机器人移动消耗的能量简化为单位移动距离能耗系数与移动距离的乘积,则,在仅考虑机器人移动能量消耗的情况下,可以得到式(7),从而将能量优化(EO)问题与某种具有权重的距离优化(DO)问题关联起来。
其中,KD和kd分别为母机器人与子机器人单位移动距离能耗系数(KD和kd上、下标的含义与对应的D和d上、下标的含义相同)。
2)假设单位移动距离能耗系数与机器人的总重量(FW,Full Weight)成 正比,可得式(8)。
kd=kwdfw
KD=KWDFW (8)
其中,kwd和KWD分别为子机器人和母机器人单位重量单位移动距离能耗系数(可能是动态变化的量,项目研究中首先按常量处理,进而研究其影响因素、变化规律等)。
fw和FW分别为子机器人和母机器人的总重量,由自重和载重决定;在母机器人的子机器人部署作业和(或)网络节点的部署作业,以及子机器人的网络节点部署作业过程上,fw和FW是动态变化的量。将式(8)代入式(7)可以得到式(9)。
其中,fw和FW上、下标的含义与对应的D和d上、下标的含义相同。
4.根据权利要求1所述的方法,其特征在于,优化算法设计具体包括规划与作业两个层面,重点包括虚拟城市定位和轨迹规划两类问题,在设计中兼顾实现协同部署与感知用母机器人和子机器人的规划、控制的实时性与优化效果之间的均衡。
协同部署与感知规划优化的基本步骤为:首先初步规划母机器人的移动轨迹,进而规划子机器人的移动轨迹;通过子机器人在城市组内路径的优化,在必要时调整虚拟城市的位置,进而调整子机器人、母机器人的规划移动轨迹,从而达到针对特定目标函数优化的目的。
网络节点部署与作业流程的步骤为:
1)母机器人承载子机器人及网络节点按照规划路径到达一个城市组并部署子机器人;
2)子机器人在某个城市组中按照规划路径移动并依次访问各个城市进行网络节点协同部署(或信息感知)作业;
3)子机器人按照规划路径遍历某个城市组(即,在某个限制区域内完成所有感兴趣区域的网络节点协同部署/协同信息感知作业)后,按照规划路径回归母机器人;
4)判断是否完成全部城市组的访问(即,全部限制区域的网络节点协同部署/协同信息感知作业)任务,若未完成,则返回1);
5)母机器人承载子机器人及剩余的网络节点按照规划路径回到SP。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210222776.9A CN103533553A (zh) | 2012-07-02 | 2012-07-02 | 一种采用多机器人的传感器网络优化部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210222776.9A CN103533553A (zh) | 2012-07-02 | 2012-07-02 | 一种采用多机器人的传感器网络优化部署方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103533553A true CN103533553A (zh) | 2014-01-22 |
Family
ID=49935145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210222776.9A Pending CN103533553A (zh) | 2012-07-02 | 2012-07-02 | 一种采用多机器人的传感器网络优化部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103533553A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069530A (zh) * | 2015-08-13 | 2015-11-18 | 肇庆学院 | 一种基于多目标优化的多机器人任务分配方法 |
CN106020178A (zh) * | 2016-08-01 | 2016-10-12 | 天津理工大学 | 一种自主式球形两栖多机器人通信系统及其工作方法 |
CN111049892A (zh) * | 2019-12-06 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 一种感知终端的数据处理方法及装置 |
WO2020238337A1 (zh) * | 2019-05-30 | 2020-12-03 | 南方科技大学 | 适用于非结构化环境的机器人网络结构及传感系统 |
-
2012
- 2012-07-02 CN CN201210222776.9A patent/CN103533553A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069530A (zh) * | 2015-08-13 | 2015-11-18 | 肇庆学院 | 一种基于多目标优化的多机器人任务分配方法 |
CN105069530B (zh) * | 2015-08-13 | 2019-02-26 | 肇庆学院 | 一种基于多目标优化的多机器人任务分配方法 |
CN106020178A (zh) * | 2016-08-01 | 2016-10-12 | 天津理工大学 | 一种自主式球形两栖多机器人通信系统及其工作方法 |
CN106020178B (zh) * | 2016-08-01 | 2023-04-18 | 天津理工大学 | 一种自主式球形两栖多机器人通信系统及其工作方法 |
WO2020238337A1 (zh) * | 2019-05-30 | 2020-12-03 | 南方科技大学 | 适用于非结构化环境的机器人网络结构及传感系统 |
US11467594B2 (en) | 2019-05-30 | 2022-10-11 | Southern University Of Science And Technology | Robotic network structure and sensing system suitable for unstructured environment |
CN111049892A (zh) * | 2019-12-06 | 2020-04-21 | 腾讯科技(深圳)有限公司 | 一种感知终端的数据处理方法及装置 |
CN111049892B (zh) * | 2019-12-06 | 2022-04-22 | 腾讯科技(深圳)有限公司 | 一种感知终端的数据处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11216009B2 (en) | Robot coordination in a shared workspace | |
Huang et al. | Multimodal transit network design in a hub-and-spoke network framework | |
Ruan et al. | Optimizing the intermodal transportation of emergency medical supplies using balanced fuzzy clustering | |
Haliem et al. | A distributed model-free ride-sharing approach for joint matching, pricing, and dispatching using deep reinforcement learning | |
Lei et al. | Solving a multi-objective dynamic stochastic districting and routing problem with a co-evolutionary algorithm | |
CN109117993B (zh) | 一种车辆路径优化的处理方法 | |
Qi et al. | A spatiotemporal partitioning approach for large-scale vehicle routing problems with time windows | |
Hamzadayi et al. | A simulated annealing algorithm based approach for balancing and sequencing of mixed-model U-lines | |
Guan et al. | A revised electromagnetism-like mechanism for layout design of reconfigurable manufacturing system | |
Geng et al. | Particle swarm optimization algorithm for the optimization of rescue task allocation with uncertain time constraints | |
Mahdavi et al. | Multi-objective cell formation and production planning in dynamic virtual cellular manufacturing systems | |
Shui et al. | A clonal selection algorithm for urban bus vehicle scheduling | |
CN109415089A (zh) | 控制车辆的控制器和方法以及非暂时性计算机可读存储器 | |
Xu et al. | Strategic robust mixed model assembly line balancing based on scenario planning | |
CN104077630B (zh) | 一种模拟人体细胞演化的复杂作业车间布局方法 | |
CN102542395A (zh) | 一种应急物资调度系统及计算方法 | |
CN103533553A (zh) | 一种采用多机器人的传感器网络优化部署方法 | |
Huang et al. | A novel hybrid discrete grey wolf optimizer algorithm for multi-UAV path planning | |
CN102968523A (zh) | 基于元胞机的造船企业分段车间空间调度模型的建模方法 | |
Moussa et al. | Master assembly network for alternative assembly sequences | |
CN102542411A (zh) | 基于aca模型的多品种多工艺制造企业车间调度控制方法 | |
CN109615260A (zh) | 确定充电桩的安装地址的方法 | |
Panzer et al. | Neural agent-based production planning and control: An architectural review | |
CN110375759A (zh) | 基于蚁群算法的多机器人路径规划方法 | |
CN113848970A (zh) | 一种车辆-无人机多目标协同路径规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140122 |