CN104298858A - RoboCup救援平台中基于聚类和凸包的地图划分方法 - Google Patents

Abstract

本发明公开了一种RoboCup救援平台中基于聚类和凸包的地图划分方法，属于机器人仿真技术领域，针对RoboCup机器人救援智能体仿真平台中机器人的感知信息具有局部性、相对性、不准确特点，详细阐述了智能体行动前和行动中对地图信息的认知方法，包括对地图建筑按距离采用K均值进行聚类划分和对燃烧建筑群进行动态凸集识别，获得对动态变化对象的状态估计，从而使智能体对灾难环境的认知接近真实环境，为智能体的上层行为决策提供有力支持。

Description

RoboCup救援平台中基于聚类和凸包的地图划分方法

技术领域

本发明属于机器人仿真技术领域，具体涉及一种RoboCup救援平台中基于聚类和凸包的地图划分方法。

背景技术

多智能体协作一直是人工智能领域的研究热点，在机器人救援领域中救援机器人的协作面临着环境未知且动态变化、通信及资源受限等诸多挑战。RoboCup机器人救援智能体仿真平台中机器人的感知信息也具有局部性、相对性、不准确等特点。

作为救援智能体协作的基础，世界模型(World Model)是一个可以获取和保存所有客观对象信息的结构集合，包括各救援智能体的异构类型、位置、状态以及灾难环境中其它对象的相关状态信息。世界模型是整个多智能体协作的基石，是所有外部环境和内部自身状态的整合，是救援智能体进行所有推理和决策的前提，类似人脑的存储结构，体现了智能体对当前环境的认知能力。

因此针对RoboCup机器人救援智能体仿真平台中机器人的感知信息的不足，需要设计一种新的救援智能体的世界模型构建和信息更新模型，智能体在行动前和行动中使用该模型对地图信息进行认知，获得对动态变化对象的状态估计，从而使智能体对灾难环境的认知接近真实环境，为智能体的上层行为决策提供有力支持。

发明内容

本发明的目的是提供一种RoboCup救援平台中基于聚类和凸包的地图划分方法解决现有技术中存在的RoboCup机器人救援智能体仿真平台中机器人的感知信息也具有局部性、相对性、不准确的问题。

本发明解决其技术问题所采用的技术方案是：提出一种RoboCup救援平台中基于聚类和凸包的地图划分方法，智能体在行动前和行动中使用世界模型对地图信息进行认知，包括对地图建筑按距离进行聚类划分和对燃烧建筑群进行动态凸集识别，获得对动态变化对象的状态估计。

RoboCup救援平台中基于聚类和凸包的地图划分方法，所述方法包括以下步骤：

步骤A：对于地图建筑按距离进行聚类划分；

步骤B：对燃烧建筑群进行动态凸集识别。

进一步地，本发明的RoboCup救援平台中基于聚类和凸包的地图划分方法，所述的步骤A具体包括以下步骤：

步骤A1：将地图信息抽象化：设每个道路和建筑均抽象成一个个顶点，将地图抽象成无向图的数据结构G＜N,E＞，其中N表示顶点集合，E表示边集合，边是顶点的有序偶对，若两个顶点之间存在一条边，表示着两个顶点具有相邻关系；

步骤A2：进行基于K-means聚类方法的地图聚类：将整个地图上的各个节点基于距离采用迭代更新的方法分成多个簇；设二维数据集合X＝{x_i|x_i∈R²,i＝1,2,...,N}聚集成k个簇w₁,w₂,...,w_k，它们的中心依次为c₁,c₂,...,c_k，其中n_i是簇w_i中所有数据点的个数；N为数据集合X的大小，所述K-means聚类方法具体包括以下步骤：

步骤A21：从X中随机选择k个初始簇中心c₁,c₂,...,c_k；

步骤A22：将数据集合X按最小欧式距离原则分配到最近邻的聚类簇中：若满足d_ij(x_i,c_j)＜d_im(x_i,c_m)，则将x_i划分到c_j所在的簇中，m＝1,...,k；j＝1,...,k；j≠m；i＝1,...,N；其中，d_ij表示x_i到c_j的最小欧式距离；d_im表示x_i到c_m的最小欧式距离；

步骤A23：根据公式更新计算每个簇的质心

步骤A24：如果对于任意都成立，则算法结束，将作为新的质心；否则令c_i＝c_i ^*，返回步骤A22继续执行。

进一步地，本发明的RoboCup救援平台中基于聚类和凸包的地图划分方法，所述的步骤A21中初始簇中心的确定通过Canopy初始聚类进行预处理以及距离最远原则保证各簇的中心分布均匀来确定，具体包括以下步骤：

步骤A211：确定两个距离D₁、D₂，其中D₁＞D₂，为地图上节点之间的平均距离，Δd是一个先验值；

步骤A212：设S为所有节点的集合，从集合S中随机移除一个节点P，对于S中的所有其它节点分别计算与P点的距离：若该节点与P点的距离小于D₁，则将该节点加入到P所代表的Canopy簇中；若该节点与P点的距离小于D₂，则将该节点加入到P所代表的Canopy簇中，并从集合S中将该节点移除；迭代一次后，重新从S中选择新的P点，重复本步骤，直至S集合中的所有节点都遍历；

步骤A213：从S集合中扫描结束后，生成M个Canopy簇，进行操作如下：首先随机选择一个Canopy簇，设该簇中心为c₁；然后选择离c₁最远的Canopy簇，设该簇中心为c₂；其次选择距离c₁、c₂最远的Canopy簇，设该簇中心为c₃；以此类推，最终从M个Canopy簇中选择k个簇中心，即得到K-means初始簇中心c₁,c₂,...,c_k。

进一步地，本发明的RoboCup救援平台中基于聚类和凸包的地图划分方法，所述的步骤B对燃烧建筑群进行动态凸集识别是通过：运用Graham算法对燃烧建筑组成的点集合进行动态扫描，创建凸包，随着点的不断增加和减少，动态对着火建筑群维护一个凸集集合，为救援智能体的火势控制决策提供支持。

进一步地，本发明的RoboCup救援平台中基于聚类和凸包的地图划分方法，所述的步骤B具体包括以下步骤：

步骤B1：进行点集排序：找到最左下角的点O设为参考点，对平面上所有的点相对于点O进行极角排序；

步骤B2：进行Graham栈扫描：扫描过程中维护一个栈，保存当前的凸包集合，按照步骤B1排好的顺序，依次加入新点到新的边，如果和上一条边成左转关系就压栈继续，如果与上一条边成右转关系则出栈，这样保证时刻站内都是一个凸壳，扫描完毕就得到一个凸包。

本发明采用的技术方案与现有技术相比，具有以下技术效果：

本发明提出了一种RoboCup救援平台中基于聚类和凸包的地图划分方法，智能体在行动前和行动中使用世界模型对地图信息进行认知，包括对地图建筑按距离进行聚类划分，对燃烧建筑群进行动态凸集识别，获得对动态变化对象的状态估计。从而使智能体对灾难环境的认知接近真实环境，为智能体的上层行为决策提供有力支持。

附图说明

图1为RoboCup救援平台中Apollo救援智能体的信息处理流程。

图2为RoboCup救援平台中Apollo救援智能体世界模型结构。

图3为凸包创建示意图。其中(a)是初始点集，(b)是点集排序，(c)是Graham栈扫描结果。

具体实施方式

为使本发明的RoboCup救援平台中基于聚类和凸包的地图划分方法要解决的技术问题、技术方案和技术效果更加清楚，下面将结合附图和具体实施方式对本发明作进一步详细说明。

RoboCup救援智能体世界模型可以看成是对环境中状态信息描述的数据结构，每个智能体都有自己的世界模型，是每个智能体根据自己的认知对于场上形势的描述与判断，每个智能体的世界模型中包含的信息都是由救援智能体自身与Server交互所获得并进行建模分析获得的。救援智能体每周期从Server获取感知信息，智能体对这些信息进行解析，形成自身观测信息，这些观察信息用于更新智能体维护的世界模型。在救援仿真场景中，救援智能体维护自身的世界模型，主要包含智能体通过观测数据，根据决策需要形成对静态地图的认知，以及对场上动态变化的对象的状态属性维护，表现城市救援环境中灾难的变迁。

如图1所示的是设计的RoboCup救援平台中Apollo救援智能体的信息处理流程，智能体在行动前和行动中使用世界模型对地图信息进行认知，包括对地图建筑按距离进行聚类划分，对燃烧建筑群进行动态凸集识别，获得对动态变化对象的状态估计。

如图2所示，RoboCup救援平台中Apollo救援智能体的世界模型主要有三层：标准实体层(Standard Entity Layer)、抽象实体层(Abstract Entity Layer)、动态实体层(Dynamic EntityLayer)，标准实体层封装了通过地理信息系统GIS和感知模型解析得到的基本对象，抽象实体层封装了根据Apollo救援队伍上层决策需求对各个基本对象设计了不同的数据结构，动态实体层根据对象类型，对不同抽象对象进行处理，封装了包括建筑分区、路径类型识别、智能体状态属性等高级对象。

RoboCup救援平台中基于聚类和凸包的地图划分方法，具体包括以下步骤：

步骤A：地图建筑按距离进行聚类划分。

步骤A1：地图信息抽象化：

对于城市救援环境，世界模型中将地图中的道路和建筑物抽象成一个个节点，根据其连接特性，运用图论知识将整个地图抽象成无向图的数据结构G＜N,E＞，N表示顶点集合，每个道路和建筑抽象成一个个顶点，E表示边集合，边是顶点的有序偶对，若两个顶点之间存在一条边，表示着两个顶点具有相邻关系。

步骤A2：基于K-means方法的地图聚类：

在救援智能体探索过程中，涉及到智能体的覆盖控制问题，位置分布的救援智能体需要在有限时间内通过对地图不同区域的遍历获取接近全局的世界模型信息，在Apollo救援中通过K-means方法对地图进行聚类分区，为每个智能体分配相应的所属分区，有限时间内智能体能够覆盖整个地图，从而世界模型存储较为完备的环境信息。

将地图上的建筑和道路抽象成节点，用图的数据结构组织起来，对智能体的决策的作用仍有限，在发生自然灾害的城市环境中，由于各个节点表现出来的密集、聚集现象，往往要将考察对象从单个节点扩展到相邻的多个节点，即一个个坐标位置邻近的簇，在救援行动之前，世界模型中通过读取GIS地理信息系统的初始数据，对地图上各节点按距离进行聚类分析，聚类获得的信息将辅助救援智能体的决策。

本发明运用一种典型K-means的聚类算法，将整个地图上的各个节点基于距离采用迭代更新的方法分成多个簇，K-means算法适用于大数据量、可伸缩性好。

设二维数据集合X＝{x_i|x_i∈R²,i＝1,2,...,N}聚集成k个簇w₁,w₂,...,w_k，它们的中心依次为c₁,c₂,...,c_k，其中n_i是簇w_i中所有数据点的个数，K-means聚类算法流程：

步骤A21：从X中随机选择k个初始簇中心c₁,c₂,...,c_k；

步骤A22：将数据集X按最小欧式距离原则分配到最近邻的聚类簇中：

d_ij(x_i,c_j)＜d_im(x_i,c_m),m＝1,...,k；j＝1,...,k；j≠m；i＝1,...,N,N为数据集X的大小，则x_i划分到簇c_j中；

步骤A23：根据公式更新计算每个簇的质心

步骤A24：如果对于任意都成立，则算法结束，为新的质心；否则令c_i＝c_i ^*，返回步骤2继续执行。

将K-means算法应用于机器人救援仿真时，有两个关键问题需要解决：不同地图中簇数量k的确定以及初始簇中心的确定。簇的数量k由救援机器人的数量以及城市地图总面积决定；而初始簇中心的确定通过Canopy初始聚类以及“距离最远原则”确定，即首先对数据运用Canopy算法进行预处理，然后按距离原则保证各簇的中心分布均匀，具体步骤如下：

步骤A211：确定两个距离D₁、D₂，D₁＞D₂，其中为地图上节点之间的平均距离；

步骤A212：S为所有节点的集合，从集合S中随机移除一个节点P，对于S中的所有点计算与P点的距离，若距离小于D₁，则加入到P所代表的Canopy簇中，若距离小于D₂，加入到P所代表的Canopy簇中，并从集合S中移除，迭代一次后，重新从S中选择新的P点，重复该步骤；

步骤A213：从S集合中扫描结束后，生成M个Canopy簇，每个点可能属于多个Canopy簇，随机选择一个Canopy簇，该簇中心为c₁，然后选择离c₁最远的Canopy簇，即为c₂，然后选择距离c₁、c₂最远的Canopy簇即为c₃，以此类推，最终从M个Canopy簇中选择k个簇中心即得到K-means初始簇中心c₁,c₂,...,c_k。

当救援智能体与Server连接，读取地理信息系统初始化信息时，智能体进行预计算，对整个地图上的节点进行基于K-means算法分区。

步骤B：对燃烧建筑群进行动态凸集识别；

基于Graham算法燃烧建筑建模：在建筑燃烧过程中，由于热传递物理模型，火势会从着火点逐渐蔓延，救援智能体在考察建筑物燃烧的时候，通过对单个燃烧建筑的状态进行分析决策的效率是很低的，在机器人灭火过程中，需要从着火建筑群外围进行灭火动作，阻止火势向周围建筑扩散，因此本文考虑对燃烧中的建筑群进行动态分析，考察对象由单个燃烧建筑物扩展为燃烧建筑群的边缘。

在世界模型中，着火建筑群看作点的集合，如图3所示，其中(a)是初始点集，(b)是点集排序，(c)是Graham栈扫描结果。需要将点集中属于外围的点筛选出来，本文运用Graham算法对燃烧建筑组成的点集合进行动态扫描，创建凸包，随着点的不断增加和减少，动态对着火建筑群维护一个凸集集合，为救援智能体的火势控制决策提供支持。

Graham扫描算法维护一个凸集，通过不断在凸集中加入新的点并删除影响凸性的点，形成凸包，该算法主要分成两部分：排序和扫描。

步骤B1：点集排序

找到最左下角的点O设为参考点，对平面上所有的点相对于点O进行极角排序(逆时针)；

步骤B2：Graham栈扫描

扫描过程中维护一个栈，保存当前的凸包集合，按照上一步骤排好的顺序，依次加入新点到新的边，如果和上一条边成左转关系就压栈继续，如果与上一条边成右转关系则出栈，这样保证时刻站内都是一个凸壳，扫描完毕就得到一个凸包。

在城市地图中，针对燃烧建筑群，运用凸包理论将建筑群辨识为一个整体对象，消防智能体从凸包边集上的燃烧建筑进行灭火动作，可有效控制火势的扩散，为救援智能体的决策提供支持。

实施例：市民及燃烧建筑的模型。

在救援仿真平台的城市灾难环境中，救援智能体的作用对象是市民、建筑以及道路中的路障等，这些对象实体的状态变化时根据一定的模型通过相应子模拟器递推计算仿真的，这是一个离散的过程，本实施例将主要阐述受伤市民和燃烧建筑动态变化的模拟机理。

市民受伤模型

救援智能体需要在有限时间内，探索受伤市民，并且救出被掩埋受伤的市民，市民主要有两个属性生命值Hp和受伤值dmg，救援智能体需要在市民死亡(生命值降为0)之前，救出市民至避难所。救援仿真平台模拟市民受伤过程时，生命值的变化受三类影响因素，由建筑倒塌(Collapse)、建筑燃烧(Fire)、掩埋(Bury)综合影响造成市民生命值的变化，其中三种因素导致市民生命值的下降速率不同。

$\mathrm{dmg}(t+1)=\underset{i\∈E}{\mathrm{\Σ}}{\mathrm{dmg}}^i\left(t\right)+k^i\mathrm{dmg}{\left(t\right)}^2+l^i+n---\left(1\right)$

Hp(t+1)＝Hp(t)-dmg(t)    (2)

式中生命值Hp(t)和受伤值dmg(t)表示智能体在t时刻的生命值和受伤值，kⁱ、lⁱ为在不同受伤场景因素下不同的比例因子，n为高斯噪声。

燃烧建筑能量更新模型

建筑物温度的更新过程包括建筑物燃料更新、水量更新、能量辐射等。

(1)燃料更新

建筑在燃烧过程中燃料的燃烧会增加建筑的能量。

CF(i)＝IF×f(i)    (3)

上式中，CF(i)为第i周期消耗的燃料值，IF是初始燃料值，f(i)是消耗系数,f(i)的计算公式如下：

$f\left(i\right)=\frac{T\left(i\right)}{1000}\×\frac{F\left(i\right)}{\mathrm{IF}}\×\mathrm{rand}---\left(4\right)$

其中rand为高斯噪声。

房屋能量的更新涉及到建筑燃料的减少和建筑能量的增加，其更新过程如下：

$E(i+1)=E\left(i\right)+\mathrm{CF}\left(i\right)=E\left(i\right)+\frac{T\left(i\right)}{1000}\×\frac{F\left(i\right)}{\mathrm{IF}}\×\mathrm{rand}---\left(5\right)$

F(i)＝F(i)-CF(i)    (6)

(2)水量更新

建筑中水的作用效果与该建筑拥有的能量相关，定义effect为水产生的作用效果，若水蒸发产生的热量小于建筑能量差ΔE(与建筑初始状态能量的差值)，则水会全部蒸发，若水的作用小于建筑物的能量差，则水的作用效果和能量将乘以系数pc进行计算。

ΔE＝(T(i)-T(0))×Γ    (7)

式中T(0)为常量，建筑的初始温度Γ为不同建筑材质的比热容。

$\mathrm{effect}\left(i\right)=1-\frac{\mathrm{effect}\left(i\right)-\mathrm{dE}}{\mathrm{effect}\left(i\right)}\·\mathrm{effect}\left(i\right)---\left(8\right)$

水量更新导致热能变化公式：

$\mathrm{WQ}\left(i\right)=\mathrm{WQ}\left(i\right)\·\frac{\mathrm{effect}\left(i\right)-\mathrm{dE}}{\mathrm{effect}\left(i\right)}---\left(9\right)$

E(i)＝E(i)-effect(i)    (10)

(3)建筑热辐射更新

建筑燃烧辐射出的能量根据斯特番-玻尔兹曼定律得到：

T_rad＝σ×(T(i)+273)⁴×S    (11)

其中σ为玻尔兹曼常数，S为当前建筑墙壁的面积。

因此燃烧建筑队其他燃烧建筑的温度作用为：

$T_j(t+1)=T_j\left(t\right)+(-\mathrm{radiation}\left(j\right)+\underset{i\∈B,i\∉j}{\mathrm{\Σ}}{p}_{\mathrm{ij}}\·\mathrm{radiation}\left(i\right))\·\frac{\mathrm{\ΔT}}{{\mathrm{\Γ}}_j}---\left(12\right)$

式中T_j(t)为建筑j的温度，p_ij是建筑i对建筑j作用的百分比，Γ_j是建筑j的热容，ΔT为仿真时间步长。

燃烧建筑最终的温度更新是由以上三部分综合影响，以及空气温度、风向等随机因素导致温度的变化。

将采用本申请专利算法的救援队伍(Apollo2012)在不同的城市地图(不同的救援智能体属性配置、不同的通信条件、不同的灾难环境)中进行仿真实验，与没有采用地图信息处理方法的队伍Apollo2011的救援智能体进行比较，仿真结果如下表所示：

表1.各城市地图系统仿真成绩比较

表2.各城市救出智能体数量

表1中所示为救援队伍在不同地图中进行多次试验获得的平均成绩，表2为不同城市地图中救护智能体救出的受伤被掩埋的智能体数量，通过这两组数据比较可知：本申请专利提出的地图信息处理算法提高了系统的整体效用，能够在有限时间内营救更多的智能体，改进了救援智能体整体救援效果。

显然，本领域技术人员应当理解，对上述本发明所公开的RoboCup救援平台中基于聚类和凸包的地图划分方法，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。

Claims (5)

1.RoboCup救援平台中基于聚类和凸包的地图划分方法，其特征在于：所述方法包括以下步骤：

步骤A：对于地图建筑按距离进行聚类划分；

步骤B：对燃烧建筑群进行动态凸集识别。

2.根据权利要求1所述的RoboCup救援平台中基于聚类和凸包的地图划分方法，其特征在于：所述的步骤A具体包括以下步骤：

步骤A1：将地图信息抽象化：设每个道路和建筑均抽象成一个个顶点，将地图抽象成无向图的数据结构G＜N,E＞，其中N表示顶点集合，E表示边集合，边是顶点的有序偶对，若两个顶点之间存在一条边，表示着两个顶点具有相邻关系；

步骤A2：进行基于K-means聚类方法的地图聚类：将整个地图上的各个节点基于距离采用迭代更新的方法分成多个簇；设二维数据集合X＝{x_i|x_i∈R²,i＝1,2,...,N}聚集成k个簇w₁,w₂,...,w_k，它们的中心依次为c₁,c₂,...,c_k，其中n_i是簇w_i中所有数据点的个数；N为数据集合X的大小，所述K-means聚类方法具体包括以下步骤：

步骤A21：从X中随机选择k个初始簇中心c₁,c₂,...,c_k；

步骤A22：将数据集合X按最小欧式距离原则分配到最近邻的聚类簇中：若满足d_ij(x_i,c_j)＜d_im(x_i,c_m)，则将x_i划分到c_j所在的簇中，m＝1,...,k；j＝1,...,k；j≠m；i＝1,...,N；其中，d_ij表示x_i到c_j的最小欧式距离；d_im表示x_i到c_m的最小欧式距离；

步骤A23：根据公式更新计算每个簇的质心

步骤A24：如果对于任意都成立，则算法结束，将作为新的质心；否则令c_i＝c_i ^*，返回步骤A22继续执行。

3.根据权利要求2所述的RoboCup救援平台中基于聚类和凸包的地图划分方法，其特征在于：所述的步骤A21中初始簇中心的确定通过Canopy初始聚类进行预处理以及距离最远原则保证各簇的中心分布均匀来确定，具体包括以下步骤：

步骤A211：确定两个距离D₁、D₂，其中D₁＞D₂，为地图上节点之间的平均距离，Δd是一个先验值；

步骤A212：设S为所有节点的集合，从集合S中随机移除一个节点P，对于S中的所有其它节点分别计算与P点的距离：若该节点与P点的距离小于D₁，则将该节点加入到P所代表的Canopy簇中；若该节点与P点的距离小于D₂，则将该节点加入到P所代表的Canopy簇中，并从集合S中将该节点移除；迭代一次后，重新从S中选择新的P点，重复本步骤，直至S集合中的所有节点都遍历；

步骤A213：从S集合中扫描结束后，生成M个Canopy簇，进行操作如下：首先随机选择一个Canopy簇，设该簇中心为c₁；然后选择离c₁最远的Canopy簇，设该簇中心为c₂；其次选择距离c₁、c₂最远的Canopy簇，设该簇中心为c₃；以此类推，最终从M个Canopy簇中选择k个簇中心，即得到K-means初始簇中心c₁,c₂,...,c_k。

4.根据权利要求1所述的RoboCup救援平台中基于聚类和凸包的地图划分方法，其特征在于：所述的步骤B对燃烧建筑群进行动态凸集识别是通过：运用Graham算法对燃烧建筑组成的点集合进行动态扫描，创建凸包，随着点的不断增加和减少，动态对着火建筑群维护一个凸集集合，为救援智能体的火势控制决策提供支持。

5.根据权利要求4所述的RoboCup救援平台中基于聚类和凸包的地图划分方法，其特征在于：所述的步骤B具体包括以下步骤：

步骤B1：进行点集排序：找到最左下角的点O设为参考点，对平面上所有的点相对于点O进行极角排序；

步骤B2：进行Graham栈扫描：扫描过程中维护一个栈，保存当前的凸包集合，按照步骤B1排好的顺序，依次加入新点到新的边，如果和上一条边成左转关系就压栈继续，如果与上一条边成右转关系则出栈，这样保证时刻站内都是一个凸壳，扫描完毕就得到一个凸包。