CN104460345A - 一种智能集群自组织控制仿真系统及方法 - Google Patents

一种智能集群自组织控制仿真系统及方法 Download PDF

Info

Publication number
CN104460345A
CN104460345A CN201410641060.1A CN201410641060A CN104460345A CN 104460345 A CN104460345 A CN 104460345A CN 201410641060 A CN201410641060 A CN 201410641060A CN 104460345 A CN104460345 A CN 104460345A
Authority
CN
China
Prior art keywords
individual
intelligence
intelligent
coded
directed
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.)
Granted
Application number
CN201410641060.1A
Other languages
English (en)
Other versions
CN104460345B (zh
Inventor
张育林
王兆魁
安梅岩
范丽
蒋超
党朝辉
张斌斌
王训
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201410641060.1A priority Critical patent/CN104460345B/zh
Publication of CN104460345A publication Critical patent/CN104460345A/zh
Application granted granted Critical
Publication of CN104460345B publication Critical patent/CN104460345B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本发明提供一种智能集群自组织控制仿真系统及方法,系统包括:演示场地、若干个位于所述演示场地的智能个体、布置于所述演示场地正上方的图像采集设备以及控制计算机;所述控制计算机分别与所述图像采集设备和各个所述智能个体通讯;每个所述智能个体的顶部均设置唯一的合作标识,基于所述合作标识,所述控制计算机对所述智能个体进行身份与位姿的识别。优点为:明显降低智能集群仿真系统中每个智能个体的设计难度,可灵活地实现多种自组织规则下的智能集群仿真,提高智能集群系统的适用性,降低成本。通过对合作标识的设计,明显提高了智能个体身份与位姿识别的速度与精确度;进而提高了仿真可信度。

Description

一种智能集群自组织控制仿真系统及方法
技术领域
本发明属于智能集群仿真技术领域,具体涉及一种智能集群自组织控制仿真系统及方法。
背景技术
随着移动智能个体学及其应用的不断发展,单个智能个体的有限能力已经不能满足完成日益复杂的自动化任务的要求,因此,由多个智能个体构成的智能集群的研究已经成为目前研究热点。
智能集群是由大量相对简单的智能个体共同构成的群体,各个智能个体通过自组织规则实现智能个体之间的协作,从而完成复杂任务。智能集群借鉴生物集群的“自组织模式”,智能个体通过环境实现个体之间的间接信息交互。智能集群中的每个智能个体由感知单元、分析单元、控制单元、执行单元等组成。感知单元用于从环境中获取信息;分析单元用于对感知单元获取的信息进行处理,得到处理结果;控制单元用于根据分析单元得到的处理结果制定相应的控制策略;执行单元用于将控制单元得到的控制策略转化为具体的控制指令,这些控制指令的执行将引起环境的变化。例如,由多个可移动机器人构成的智能探测集群,每个机器人根据其周围机器人的位置而确定自身的位置,从而形成均匀的探测构型。在其自组织过程中,每个机器人感知其它机器人的位置,然后将这些机器人的位置信息综合,控制单元根据综合结果决定每个机器人的下一位置,执行单元则将机器人移动到此位置。在这个例子中,所有机器人的位置信息就构成了智能集群的环境。
近年来,智能集群技术在理论研究上得到了长足的发展。针对需要完成的各种复杂任务,需要设计对应的自组织规则,为验证所设计的自组织规则的有效性,需要首先通过仿真对自组织规则的应用效果进行仔细研究。目前,主要为单纯的数字仿真,具有仿真可信度低的问题,无法有效的为智能集群的各种应用提供解决方案。
发明内容
针对现有技术存在的缺陷,本发明提供一种智能集群自组织控制仿真系统及方法,为一种半实物仿真系统,从而可提高仿真可信度,有效验证所设计的自组织规则的有效性。
本发明采用的技术方案如下:
本发明还提供一种智能集群自组织控制仿真系统,包括:演示场地、若干个位于所述演示场地的智能个体、布置于所述演示场地正上方的图像采集设备以及控制计算机;所述控制计算机分别与所述图像采集设备和各个所述智能个体通讯;
每个所述智能个体的顶部均设置唯一的合作标识,基于所述合作标识,所述控制计算机对所述智能个体进行身份与位姿的识别;
其中,所述合作标识包括背景区域和布置于所述背景区域的定位图形、定向起点图形、定向终点图形和编码图形;其中,所述定位图形、所述定向起点图形、所述定向终点图形和所述编码图形均为同一种中心对称图形;
所述定位图形的中心点与被标识物体的中心点重合,并且,所述定位图形的对称轴长度大于所述定向起点图形、所述定向终点图形和所述编码图形的对称轴长度;
所述定向起点图形和所述定向终点图形分别位于所述定位图形的左右两侧,并且,所述定向起点图形的中心点、所述定位图形的中心点至所述定向终点图形的中心点之间的连线为直线K,直线K称为定向直线;所述定向起点图形的中心点到所述定位图形的中心点之间的距离与所述定向终点图形的中心点到所述定位图形的中心点之间的距离相等,均为R;
以所述定位图形的中心点为圆心,以R为半径画圆,在所述直线K的同一侧的半圆上,均匀设置x个编码位,其中,所述x个编码位按由低到高的编码位顺序顺时针排列在所述半圆上,并且,低编码位为靠近所述定向起点图形的位置,高编码位为靠近所述定向终点图形的位置;每一个所述编码位对应两种可选的编码码字,分别为第1种编码码字和第2种编码码字;如果某一个编码位采用所述第1种编码码字,则该编码位为空;如果某一个编码位采用所述第2种编码码字,则在该编码位布置所述编码图形;其中,x为自然数;并且,x个 编码位中至少存在1个布置所述编码图形的编码位。
优选的,所述中心对称图形为正方形、正六边形或圆形。
优选的,所述编码码字为数字或字母。
优选的,所述定向起点图形、所述定向终点图形和所述编码图形的对称轴长度均相同,为D1;所述定位图形的对称轴长度为D2;则:D2>1.5D1;和/或
所述定位图形、所述定向起点图形、所述定向终点图形和所述编码图形的成像像素均大于20个成像像素;和/或
任意两个相邻图形之间的间距大于4个成像像素;和/或
所述定位图形、所述定向起点图形、所述定向终点图形和所述编码图形的图形颜色均相同,该图形颜色与所述背景区域的背景颜色的差异度超过设定颜色阈值。
优选的,所述定位图形、所述定向起点图形、所述定向终点图形和所述编码图形的图形颜色均为白色;所述背景区域的背景颜色为黑色。
本发明还提供一种基于上述的智能集群自组织控制仿真系统的仿真方法,包括以下步骤:
S1,在演示场地的正上方安装图像采集设备,该图像采集设备能够采集完整的演示场地的场景情况;该图像采集设备连接到控制计算机;
对于演示场地上的每个智能个体,其顶部均设置唯一的合作标识,保证所述合作标识的定位图形的中心点与所述智能个体的中心点重合;并且,所述合作标识的定向起点图形中心点到定向终点图形中心点的矢量线段与所述智能个体的正向前进方向之间的夹角б2为固定值,该夹角б2与智能个体身份编码的对应关系预先存储到所述控制计算机;所述控制计算机还存储以下参数:
定向起点图形中心点、定向终点图形中心点和编码图形中心点分别到定位图形中心点的距离R;
每个智能个体的编码总位数x;
此外,所述演示场地的颜色与所述合作标识的背景颜色之间的差异度在设定范围内;以及,所述智能个体的颜色与所述合作标识的背景颜色之间的差异 度在设定范围内;
所述控制器还预存储需要仿真验证的自组织规则;
S2,所述控制计算机存储初始参数值,所述初始参数值包括图像采集时间间隔T;
S3,初始时刻t0,所述控制计算机向图像采集设备发送图像采集指令;
所述图像采集设备接收到所述图像采集指令后,采集演示场地在当前时刻的原始图像,并将所述原始图像传输到所述控制计算机;
S4,所述控制计算机对接收到的所述原始图像进行分析处理,获得每个所述智能个体的身份ID以及当前位姿信息;然后根据所述自组织规则解算出每个所述智能个体的下一时刻目标位姿信息;
然后,所述控制计算机通过比较每个所述智能个体的当前位姿信息以及下一时刻目标位姿信息,生成对所述智能个体的本次控制指令,并将所述本次控制指令发送给对应的所述智能个体;所述智能个体根据接收到的所述本次控制指令调整自身运动方向,并按调整后的运动方向在演示场地运动;
S5,当经过图像采集时间间隔T,达到下一时间t1时,重复执行S3-S4;由此不断循环,直到达到预设定的终止条件时,退出循环过程,仿真过程结束;
其中,S4中,所述控制计算机通过以下方法获得每个所述智能个体的身份ID以及当前位姿信息:
S4.1,所述控制计算机对所述原始图像进行预处理,得到预处理后的图像;
S4.2,所述控制计算机在所述预处理后的图像中,提取并标记出所有的目标图形,其中,所述目标图形包括定位图形、定向起点图形、定向终点图形和编码图形,由此得到目标图形集合;
在所述目标图形集合中,计算出每个目标图形的面积以及中心点图像坐标值;
然后,查找到面积最大的若干个目标图形,其中,面积最大的目标图形的数量即为演示场地上智能个体的数量;每个面积最大的目标图形对应唯一一个合作标识,并且,面积最大的目标图形即为定位图形;
S4.3,对于所定位到的每个定位图形,均采用以下分析过程:
S4.3.1,查找到与该定位图形中心点距离为R±ε的所有目标图形,得到与所述定位图形属于同一合作标识的所有目标图形;其中,ε为允许的误差;
S4.3.2,以定位图形中心点为起点,分别以S5.1得到的各个目标图形中心点为终点,得到多条矢量线段,分别计算每条矢量线段与图像坐标系的X轴负方向的夹角,得到夹角相差为180度的两条矢量线段,分别记为第1矢量线段和第2矢量线段,将第1矢量线段的终点所在的目标图形记为目标图形E1,将第2矢量线段的终点所在的目标图形记为目标图形E2;则S5.1查找到的除目标图形E1和目标图形E2之外的目标图形均为编码图形;
S4.3.3,以定位图形中心点为圆心,以R±Ε为半径,从目标图形E1中心点开始沿顺时针方向向目标图形E2中心点画半圆,判断S5.2确定的编码图形是否位于所画出的半圆上,如果位于,则目标图形E1即为定向起点图形,目标图形E2即为定向终点图形;否则目标图形E2即为定向起点图形,目标图形E1即为定向终点图形;由此确定定向起点图形和定向终点图形;
S4.3.4,对于S4.3.2确定的每个编码图形,将定位图形中心点到编码图形中心点之间的矢量线段记为第3矢量线段,将定位图形中心点到定向起点图形中心点之间的矢量线段记为第4矢量线段,计算第3矢量线段和第4矢量线段之间的夹角δ1;再结合编码总位数x,可确定出第2种编码码字在智能个体身份编码中的位置,智能个体身份编码的其余位置即为第1种编码码字;由此得出智能个体身份编码;
S4.3.5,将所定位到的定位图形的中心点图像坐标值转换为世界坐标值,即为该智能个体在当前时刻的位置值,由此得到定位信息;
计算定向起点图形中心点到定向终点图形中心点的矢量方向值,将所述矢量方向值与夹角б2进行运算,得到该智能个体在当前时刻的方向值,由此得到定向信息。
优选的,S4.2中,采用边缘检测算法,提取并标记出所有的目标图形。
优选的,S4.2中,采用亚像素定位算法,计算出每个目标图形的中心点图像坐标值。
优选的,S4.3.4具体为:
由编码总位数x,计算得到相邻两个编码位与定位图形中心点连线的夹角δ3=180/(x+1);
δ1/δ3的商值四舍五入所得到整数值,即为第2种编码码字在智能个体身份编码中的位置值。
S4中,所述控制计算机对接收到的所述原始图像进行分析处理,获得每个所述智能个体的身份ID以及当前位姿信息;然后根据所述自组织规则解算出每个所述智能个体的下一时刻目标位姿信息;,并生成对所述智能个体的本次控制指令,通过以下方法实现:
所述控制计算机配置有总控模块和若干个分控模块;所述总控模块与各个所述分控模块分别连接;
所述总控模块用于对接收到的所述原始图像进行分析处理,获得每个所述智能个体的身份ID以及当前位姿信息,并将当前时刻每个所述智能个体的身份ID以及当前位姿信息存储到配置表中;
每个所述分控模块与唯一的一个智能个体对应,用于预存储与所述智能个体对应的运动控制策略模型;所述运动控制策略模型具有已设置的输入参数;然后,每当所述配置表被更新时,所述分控模块立即从所述配置表中读取所设置的输入参数的具体值,然后,通过运行所述运动控制策略模型,解算出所述智能个体的下一时刻目标位姿信息,并最终生成对所述智能个体的本次控制指令。
本发明提供的智能集群自组织控制仿真系统及方法,具有以下优点:
(1)明显降低智能集群仿真系统中每个智能个体的设计难度,可灵活地实现多种自组织规则下的智能集群仿真,提高智能集群系统的适用性,降低成本。
(2)在控制计算机进行图像处理过程中,还提供了一种基于合作标识进行智能个体身份与位姿识别的方法,通过对合作标识的设计,明显提高了智能个体身份与位姿识别的速度与精确度;进而提高了仿真速度和仿真可信度。
附图说明
图1为本发明提供的智能集群自组织控制仿真的系统结构示意图;
图2为本发明提供的一种具体的合作标识的示意图;
图3为共设置3个编码位时表示第1种身份编码的合作标识的示意图;
图4为共设置3个编码位时表示第2种身份编码的合作标识的示意图;
图5为共设置3个编码位时表示第3种身份编码的合作标识的示意图;
图6为共设置3个编码位时表示第4种身份编码的合作标识的示意图;
图7为共设置3个编码位时表示第5种身份编码的合作标识的示意图;
图8为共设置3个编码位时表示第6种身份编码的合作标识的示意图;
图9为共设置3个编码位时表示第7种身份编码的合作标识的示意图;
图10为用于确定定向起点图形和定向终点图形的示意图;
图11为本发明提供的g(γ)的变化曲线图;
图12为本发明提供的仿真演示结果图。
具体实施方式
以下结合附图对本发明进行详细说明:
本发明提供一种智能集群自组织控制仿真系统,如图1所示,包括:演示场地1、若干个位于所述演示场地的智能个体2、布置于所述演示场地正上方的图像采集设备以及控制计算机;所述控制计算机分别与所述图像采集设备和各个所述智能个体通讯;
每个所述智能个体的顶部均设置唯一的合作标识,基于所述合作标识,所述控制计算机对所述智能个体进行身份与位姿的识别;
其中,合作标识包括:背景区域和布置于背景区域的定位图形、定向起点图形、定向终点图形和编码图形;其中,定位图形、定向起点图形、定向终点图形和编码图形均为同一种中心对称图形;例如,正方形、正六边形或圆形等,凡是中心对称图形,均可应用于本发明提供的合作标识中,在本发明附图中,均以圆形为例示出。如图2所示,即为一种具体的合作标识,图2的阴影区域即为背景区域,1号圆为定位图形,2号圆为定向起点图形,3号圆为定向终点图形,4号圆、5号圆和6号圆均为编码图形。
此外,为满足光学成像的要求,达到基于合作标识进行身份与位姿精确快速识别的效果,还可以优选设置以下规则:
(1)定位图形和其它图形的面积差别需要能够明显区分,一般情况下,定 位图形的对称轴长度大于定向起点图形、定向终点图形和编码图形的对称轴长度;具体的,定向起点图形、定向终点图形和编码图形的对称轴长度均相同,为D1;定位图形的对称轴长度为D2;则:D2>1.5D1;
参考图2,1号圆的直径最大。
(2)定位图形、定向起点图形、定向终点图形和编码图形的成像像素不能过少,优选为均大于20个成像像素;
(3)任意两个相邻图形之间的间距需要足够大,一般间距需大于4个成像像素的长度,以便在图像处理时,不会将两个相邻的图形视为一体。
(4)定位图形、定向起点图形、定向终点图形和编码图形的图形颜色均相同,该图形颜色与背景区域的背景颜色的差异度超过设定颜色阈值。例如,定向起点图形、定向终点图形和编码图形的图形颜色均为白色;背景区域的背景颜色为黑色。当然,也可以将图形颜色与背景区域的背景颜色设置为其他的颜色,只要两者之间的差异度足够大,从而方便后续图像处理即可。
在将合作标识布置于被标识物体时,例如,智能机智人、智能Agent等,需要使定位图形的中心点与被标识物体的中心点重合,因此,当获得定位图形的中心点像素坐标时,即可快速转换为被标识物体在空间坐标系下的空间位置值,达到对被标识物体定位的目的。具体过程参见后续的方法流程。此处,本发明中,为防止合作标识被遮挡,而导致图像采集设备无法采集完整的图像标识,需要使合作标识安装于被标识物体的顶部,如果被标识物体的顶部为光滑平面,可直接将合作标识印刷于该光滑平面上;如果被标识物体的顶部不为光滑平面,可将本发明提供的合作标识制作为标识牌,材质为木质或铁质等,然后,将标识牌水平安装于被标识物体顶部,方便进行后续图像采集与处理。
定向起点图形和定向终点图形分别位于定位图形的左右两侧,并且,定向起点图形的中心点、定位图形的中心点至定向终点图形的中心点之间的连线为直线K,直线K称为定向直线;定向起点图形的中心点到定位图形的中心点之间的距离与定向终点图形的中心点到定位图形的中心点之间的距离相等,均为R;
以定位图形的中心点为圆心,以R为半径画圆,在直线K的同一侧的半圆上,均匀设置x个编码位,其中,x个编码位按由低到高的编码位顺序顺时针排 列在半圆上,并且,低编码位为靠近定向起点图形的位置,高编码位为靠近定向终点图形的位置;每一个编码位对应两种可选的编码码字,分别为第1种编码码字和第2种编码码字;如果某一个编码位采用第1种编码码字,则该编码位为空;如果某一个编码位采用第2种编码码字,则在该编码位布置编码图形;其中,x为自然数;并且,x个编码位中至少存在1个布置编码图形的编码位。
本发明中,当设置x个编码位时,最多可获得的身份编码数量为2x-1个,如,当x=4时,最多可表示15个身份编码;当x=3时,最多可表示7个身份编码。此外,本发明对编码码字采用的具体类型并不限制,可以为数字或字母。(1)当采用字母时,例如,用a和b的排列组合构成不同的身份编码,如,当共设置3个编码位时,如果某一个编码位为空,即代表该编码位为a;如果某一个编码位布置有编码图形,则代表该编码位为b;参见图3-图9,分别代表x=3时,共得到的7个合作标识,分别代表的身份编码为:aab,aba,baa,abb,bab,bba,bbb;(2)当采用字母时,例如,用0和1的排列组合构成不同的身份编码,如,当共设置3个编码位时,如果某一个编码位为空,即代表该编码位为0;如果某一个编码位布置有编码图形,则代表该编码位为1;参见图3-图9,分别代表x=3时,共得到的7个合作标识,分别代表的身份编码为:0001,010,100,011,101,110,111。
另外,需要强调的是,x个编码位等间隔布置在定向起点图形到定向终点图形之间的半圆弧上;从而方便后续基于角度进行定向;此外,在x个编码位中,需满足至少存在1个编码位设置编码图形,也就是说,当采用上述0和1的编码组合时,不能编制身份编码为000的编码,因此,当采用000的身份编码时,无法区分定向起点图形和定向终点图形。
基于上述智能集群自组织控制仿真系统,本发明还提供一种仿真方法,具体包括以下步骤:
S1,在演示场地的正上方安装图像采集设备,该图像采集设备能够采集完整的演示场地的场景情况;该图像采集设备连接到控制计算机;
对于演示场地上的每个智能个体,其顶部均设置唯一的合作标识,保证合作标识的定位图形的中心点与智能个体的中心点重合;并且,合作标识的定向起点图形中心点到定向终点图形中心点的矢量线段与智能个体的正向前进方向 之间的夹角б2为固定值,该夹角б2与智能个体身份编码的对应关系预先存储到控制计算机;控制计算机还存储以下参数:
定向起点图形中心点、定向终点图形中心点和编码图形中心点分别到定位图形中心点的距离R;
每个智能个体的编码总位数x;控制器还预存储需要仿真验证的自组织规则;
此外,演示场地的颜色与合作标识的背景颜色之间的差异度在设定范围内;以及,智能个体的颜色与合作标识的背景颜色之间的差异度在设定范围内;例如,演示场地的颜色、合作标识的背景颜色以及智能个体的颜色均为黑色,而合作标识上设计的起标志作用的图形为白色,此处,图形为白色,是指:图形的轮廓和图形的填充区域均为白色。通过上述颜色设置,在图像采集设备采集到的原始图像中,只具有两种颜色,即:黑色和白色,从而简化了后续图像处理与识别的复杂度,可有效提高图像处理与识别的速度和精度。
S2,所述控制计算机存储初始参数值,所述初始参数值包括图像采集时间间隔T;
S3,初始时刻t0,所述控制计算机向图像采集设备发送图像采集指令;
所述图像采集设备接收到所述图像采集指令后,采集演示场地在当前时刻的原始图像,并将所述原始图像传输到所述控制计算机;
S4,所述控制计算机对接收到的所述原始图像进行分析处理,获得每个所述智能个体的身份ID以及当前位姿信息;然后根据所述自组织规则解算出每个所述智能个体的下一时刻目标位姿信息;
然后,所述控制计算机通过比较每个所述智能个体的当前位姿信息以及下一时刻目标位姿信息,生成对所述智能个体的本次控制指令,并将所述本次控制指令发送给对应的所述智能个体;所述智能个体根据接收到的所述本次控制指令调整自身运动方向,并按调整后的运动方向在演示场地运动;
本步骤中,在具体实现上,为加快控制计算机快速生成对各个智能个体的本次控制指令,同时,也为了提高控制计算机的可扩展性,方便改变智能个体数量,实现多种情形下的智能集群仿真,控制计算机可采用模块化设计方案,即:控制计算机配置有总控模块和若干个分控模块;所述总控模块与各个所述 分控模块分别连接;
所述总控模块用于对接收到的所述原始图像进行分析处理,获得每个所述智能个体的身份ID以及当前位姿信息,并将当前时刻每个所述智能个体的身份ID以及当前位姿信息存储到配置表中;
每个所述分控模块与唯一的一个智能个体对应,例如,如果当前共有4个智能个体,则需配置4个分控模块,每个分控模块用于预存储与所述智能个体对应的运动控制策略模型;所述运动控制策略模型具有已设置的输入参数;然后,每当所述配置表被更新时,表明总控模块向配置表中存储了最新的智能个体的身份ID以及当前位姿,因此,各个分控模块立即从所述配置表中读取所设置的输入参数的具体值,然后,通过运行所述运动控制策略模型,解算出所述智能个体的下一时刻目标位姿信息,并最终生成对所述智能个体的本次控制指令。其中,由于各个分控模块采用并行执行的设计方式,因此,既使对数量众多的智能个体进行仿真演示,也不会降低对智能个体控制指令的生成速度。此处,运动控制策略模型的输入参数的具体类型,为根据每个智能个体的角色而设计的,例如,对于智能集群A,其共由4个智能个体组成,分别为智能个体a、智能个体b、智能个体c和智能个体d;则,对于与智能个体a对应的分控模块a,其输入参数可以仅为智能个体a在当前时刻的位姿信息;也可以为智能个体a和智能个体b分别在当前时刻的位姿信息;也可以为智能个体a、智能个体b、智能个体c和智能个体d这4个智能个体分别在当前时刻的位姿信息。
S5,当经过图像采集时间间隔T,达到下一时间t1时,重复执行S3-S4;由此不断循环,直到达到预设定的终止条件时,退出循环过程,仿真过程结束;
其中,S4中,所述控制计算机通过以下方法获得每个所述智能个体的身份ID以及当前位姿信息:
S4.1,控制计算机对原始图像进行预处理,得到预处理后的图像;例如,进行图形降噪处理等。
S4.2,控制计算机在预处理后的图像中,提取并标记出所有的目标图形,其中,目标图形包括定位图形、定向起点图形、定向终点图形和编码图形,由此得到目标图形集合;此处,仅能从背景区域中识别出不同的图形,但还无法得 出各个图形的具体类型。
另外,可采用多种算法,从背景区域提取并标记出所有的目标图形,例如,边缘检测算法或灰度阈值分割算法等,本发明对此并不限制。
在目标图形集合中,计算出每个目标图形的面积以及中心点图像坐标值;此处,可采用亚像素定位算法,计算出每个目标图形的中心点图像坐标值。其中,亚像素定位算法又称为质心法、灰度重心法,即将特定区域内的所有像素的坐标按照权重相加后再除以总像素数,从而得到此特定区域的中心位置坐标。
然后,查找到面积最大的若干个目标图形,其中,面积最大的目标图形的数量即为演示场地上智能个体的数量;每个面积最大的目标图形对应唯一一个合作标识,并且,面积最大的目标图形即为定位图形;例如,如果整个演示场地共存在10个智能个体,则可得到10个定位图形。由于本发明中,对于每个合作标识,定位图形的对称轴长度明显大于其他图形的对称轴长度,因此,可迅速精确的查找到各个定位图形,从而简化了识别算法的复杂度。
S4.3,对于所定位到的每个定位图形,均采用以下分析过程:
S4.3.1,查找到与该定位图形中心点距离为R±ε的所有目标图形,得到与定位图形属于同一合作标识的所有目标图形;考虑到实际应用中图像获取时会受到视场角度、背景噪声以及定位误差等因素的影响,因此本步骤中,在R的基础上增加一个容许范围,即增加允许的误差ε,ε具体值可根据实际精度需要灵活设置。
S4.3.2,以定位图形中心点为起点,分别以S5.1得到的各个目标图形中心点为终点,得到多条矢量线段,分别计算每条矢量线段与图像坐标系的X轴负方向的夹角,得到夹角相差为180度的两条矢量线段,分别记为第1矢量线段和第2矢量线段,将第1矢量线段的终点所在的目标图形记为目标图形E1,将第2矢量线段的终点所在的目标图形记为目标图形E2;则S5.1查找到的除目标图形E1和目标图形E2之外的目标图形均为编码图形;
S4.3.3,以定位图形中心点为圆心,以R±Ε为半径,从目标图形E1中心点开始沿顺时针方向向目标图形E2中心点画半圆,判断S5.2确定的编码图形是否位于所画出的半圆上,如果位于,则目标图形E1即为定向起点图形,目标图形 E2即为定向终点图形;否则目标图形E2即为定向起点图形,目标图形E1即为定向终点图形;由此确定定向起点图形和定向终点图形;
参见图10,为确定定向起点图形和定向终点图形的示意图;在图10中,在定位图形周围,共定位到5个目标图形,分别记为目标图形T1、目标图形T2、目标图形T3、目标图形T4和目标图形T5,这5个目标图形与定位图形属于同一合作标识;然后,分别获得定位图形的中心点到这5个目标图形的中心点的5条矢量线段,分别为矢量线段V1、矢量线段V2、矢量线段V3、矢量线段V4、矢量线段V5;并分别计算每个矢量线段与图像坐标系的X轴负方向的夹角,即与图10中X方向的反方向的夹角,例如,对于矢量线段V1,其与X反方向的夹角为θ1;对于矢量线段V2,其与X反方向的夹角为θ2;以θ1为例,其通过以下公式计算得到:假设定位图形的中心点坐标为(x0,y0),矢量线段V1终点所属目标图形的中心点坐标为(x1,y1),则有:tan(θ1)=(x0-x1)/(y0-y1)。因此,获得夹角相差为180度的两条矢量线段,即矢量线段V1和矢量线段V5;此时,可以确定,目标图形T1和目标图形T5中,一个为定向起点图形,另一个为定向终点图形,但未确定具体的对应关系;此处,还可确定目标图形T2、目标图形T3和目标图形T4为编码图形;
由于本发明中,至少存在一个编码图形,并且,编码图形位于定向起点图形至定向终点图形的顺时针弧线上,因此,沿顺时针方向由目标图形T1向目标图形T5画半圆,如果在画半圆的路径过程中,经过编码图形中心点,则可证明目标图形T1为定向起点图形,目标图形T5为定向终点图形;反之,如果不经过,则目标图形T5为定向起点图形,标图形T1为定向终点图形。
S4.3.4,对于S4.3.2确定的每个编码图形,将定位图形中心点到编码图形中心点之间的矢量线段记为第3矢量线段,将定位图形中心点到定向起点图形中心点之间的矢量线段记为第4矢量线段,计算第3矢量线段和第4矢量线段之间的夹角δ1;再结合编码总位数x,可确定出第2种编码码字在智能个体身份编码中的位置,智能个体身份编码的其余位置即为第1种编码码字;由此得出智能个体身份编码;
本步骤具体为:
由编码总位数x,计算得到相邻两个编码位与定位图形中心点连线的夹角δ3=180/(x+1);
δ1/δ3的商值四舍五入所得到整数值,即为第2种编码码字在智能个体身份编码中的位置值。
例如,如果编码总位数x=3,则δ3=45度;如果被识别的合作标识为图4,则计算出δ1=95度或88度,δ1/δ3的商值四舍五入,为整数2,则可得出在三位的身份编码中,第2位置具有第2种编码码字。
S4.3.5,将所定位到的定位图形的中心点图像坐标值转换为世界坐标值,即为该智能个体在当前时刻的位置值,由此得到定位信息;
计算定向起点图形中心点到定向终点图形中心点的矢量方向值,将矢量方向值与夹角б2进行运算,得到该智能个体在当前时刻的方向值,由此得到定向信息。
由此,即识别出某一智能个体的身份编码、定位信息和定向信息,其中,定位信息和定向信息统称为位姿信息,即实现对智能个体身份与位姿的识别。
现有技术中,智能集群中每个智能个体由感知单元、分析单元、控制单元和执行单元等组成。感知单元用于从环境中获取信息,例如,其周围智能个体的位姿信息等;分析单元用于对感知单元获得的信息进行处理;控制单元用于根据自组织规则,对分析单元的信息处理结果制定控制策略,执行单元则将控制策略转化为具体的控制指令,这些控制指令的执行将引起环境的变化。例如,由多个可移动的机器人构成的智能探测集群,每个机器人根据其周围机器人的位置而确定自己的位置,从而形成均匀的探测构型。其自组织过程中,每个机器人感知其它机器人的位置,然后将周围机器人的位置信息综合,控制单元根据综合结果决定机器人的下一位置,执行单元则将机器人移动到此位置。在这个例子中,所有机器人的位置信息就构成了这个智能集群的环境。
由此可以看出,在现有的智能集群中,每个智能个体的配置非常复杂,需要配置独立的感知单元、分析单元、控制单元和执行单元;如果完全依照现有智能集群中每个智能个体的结构进行仿真,具有仿真成本高的问题。
而本发明中,智能个体可用两轮epuck小机器人模拟,在演示场地上按照设 定的自组织规则运动。控制计算机通过光学相机获得整个演示场地的图像,通过图像处理解算出各个机器人的位置和方位信息,即位姿信息;然后根据需要仿真的智能系统的自组织规则而确定每个机器人的下一步目的位置;利用机器人的运动控制算法解算出机器人的运动控制指令,并分发给每个机器人。机器人执行运动控制指令到达指定的目的位置。在此过程中,仿真对象的智能集群系统自组织规则可以根据要求进行灵活地修改,因此整个智能集群仿真系统能够灵活地实现对多种自组织规则下的智能集群进行仿真演示。
由此可以看出,本发明中,每个智能个体并不配置独立的感知单元、分析单元和控制单元;而是由控制计算机通过图像分析过程,即可快速获知演示场地中所有智能个体的位姿,再通过对演示场地中所有智能个体的位姿进行综合分析,获得针对每个智能个体的控制指令,因此,智能个体只需配置执行单元,通过执行控制计算机下发的控制指令,而调整自身运动方向。
因此,本发明中,明显降低智能集群仿真系统中每个智能个体的设计难度,可灵活地实现多种自组织规则下的智能集群仿真,提高智能集群系统的适用性,降低成本。此外,在控制计算机进行图像处理过程中,本发明还提供了一种基于合作标识进行智能个体身份与位姿识别的方法,通过对合作标识的设计,明显提高了智能个体身份与位姿识别的速度与精确度,降低图像处理算法的复杂度,具体优点为:
(1)合作标识只具有两种颜色,分别为背景颜色和图形颜色,因此,所涉及的颜色种类少,防止相近颜色间的互相干扰,简化了对合作标识进行识别的算法,减少了图像处理的耗时,增加了控制计算机对各个智能个体进行身份与位姿识别的实时性;
(2)整个合作标识在保证仅具有两种颜色的前提下,通过改变编码位数量,即可实现对多个智能个体进行身份编码,因此,在保证识别复杂度低以及识别速度快的前提下,还提高了合作标识的应用范围,可适应多种身份编码的需要。
以下介绍一种应用本发明提供的智能集群自组织控制仿真系统及方法的具体示例,本示例的主要目的在于:在本发明仿真系统的控制计算机中运行一种已知的自组织规则,在演示场地布置4个智能个体,通过本发明提供的智能集群 自组织控制方法,对4个智能个体的运行进行控制,经过非常短的时间,4个智能个体即形成了与预期相同的构形,从而证明本发明提供的仿真系统和方法,能够对各类自组织规则进行快速验证,具有验证准确度高以及验证速度快的优点:
(1)需要被仿真的机动自组织探测系统组成
再入飞行器的落点探测与着陆过程监测,对于再入飞行器技术性能分析和效能评估有着重要意义,同时也对着陆场探测系统提出了诸多要求。由于再入飞行器的落点会在一定范围内分布,无法预知准确落点,在大范围内布置大量固定探测设备的方案不仅建造成本高昂,更存在被撞击而损毁的可能。而且,采用长焦距固定监测设备远距离进行监测时,获得的图像的分辨率较低,难以提取详细的落点数据;并且,在气象条件不好的情况下,如雾霾、沙尘等恶劣天气下,会严重影响监测结果,甚至根本无法获取到所需数据。因此,需要建立机动自组织着陆场探测系统。
机动自组织着陆场探测系统由多个自主移动平台共同组成,自主移动平台包括地面移动小车和旋翼式空中飞行器,自主移动平台携带光学监测设备,根据预报落点快速自主移动到落点附近,近距离监测再入飞行器的着陆过程。
机动自组织着陆场探测系统的运行过程如下:地面站收到指挥控制中心下发的落点预报信息,并将此信息广播给所有的自主移动平台;各个自主移动平台利用GPS获取定位信息,并将自己的位置信息广播给其它移动平台;各个移动平台根据接收到的落点预报信息和其它移动平台的位置信息,协同机动到落点的附近区域,形成对落点的多角度监测构型;各个自主移动平台对着陆过程进行监测,并将监测数据通过地面站发送给指挥控制中心,完成整个监测任务。
(2)机动自组织着陆场探测系统仿真机动模型,即,已知的一种有效的自组织规则:
自主移动平台的协同机动控制技术是机动自组织着陆场探测系统的关键技术,是实现多角度、近距离监测的核心。为了简化问题,可将机动自组织着陆场探测系统视为由自主移动平台作为智能个体的智能集群,利用集群的相关理论构建机动自组织着陆场探测系统机动模型。
在m维欧氏空间中,由N个智能个体共同组成集群x,集群x中的第i个智能个体的空间位置可表示为xi,xi∈RM。将时间等间隔地离散化为一系列时间段,每个时间段作为一个时间单位,所有智能个体在每个单位时间内改变位置,每个智能个体的位置由上一个时间单位结束时刻时所有智能个体的位置确定,如下式所示。
xi(k+1)=xi(k)+ui(x1(k),x2(k),…,xN(k)) i=1,2,…,N    (1) 
其中,xi(k)为第k个时间单位时第i个智能个体的空间位置,k=0,1,2…。ui(·)为第i个智能个体从第k个时间单位到第k+1个时间单位时的位置变化,是各智能个体空间位置的函数。
在这种集群模型中,智能个体的运动速度、加速度都没有具体的控制要求,只要求每个智能个体在一个时间单位内完成所要求的位置变化,即到达指定的位置,而这期间智能个体的运动轨迹、方式都没有要求。
(3)机动自组织着陆场探测系统总体约束
为了获得有效的监测数据,机动自组织着陆场探测系统的机动模型需要满足以下条件:
1.动目标点: 
预报的落点位置由指挥控制中心根据再入飞行器的飞行状态计算所得,其位置和精度在再入飞行器飞行过程中会有变化。预报落点位置为集群X所有智能个体的目标位置的平均值,即所有智能个体的目标位置的中心。
2.抵近要求。每个智能个体均要尽量靠近预报落点位置,即每个智能个体与集群的中心位置的距离要小于最大监测距离,D为常数。
3.安全性要求。智能个体间不能发生碰撞,即||xi-xj||≥d1,d1为常数。每个智能个体不能过于靠近集群的中心位置,即d2为常数。
4.移动平台机动能力限制:移动平台的移动速度有一定限制,因此集群X的个体在每个单位时间内的移动距离不能超过最大移动距离S,即||xi(k+1)-xi(k)||≤S。
(4)机动自组织着陆场探测系统自组织规则设计
基于虚拟势场设计个体的自组织规则,每个智能个体的虚拟势场由智能个体间虚拟势场和落点的环境势场两部分组成。
(4.1)智能个体间虚拟势场
智能个体间虚拟势函数如下式所示:
f i ( x 1 ( k ) , x 2 ( k ) , . . . , x N ( k ) ) = Σ j = 1 , j ≠ i N g ( x i - x j ) , i = 1,2 , . . . , N - - - ( 3 )
其中,g(·)表示个体xi和个体xj之间的作用函数,其形式如下式:
g ( y ) = - y * ( a - b * exp ( - | | y | | 2 c ) ) - - - ( 4 )
式4中,a,b,c都是常数,并且满足b>a>0,c>0。||y||为y的欧式范数,g(y)包括吸引和排斥两部分,-ay为线性吸引函数,使得两个智能个体有靠近的趋势,为排斥函数,使得两个智能个体有远离的趋势。当两个智能个体的距离满足时,两者之间的吸引作用和排斥作用相抵,整体作用为零。以a=0.3679,b=1,c=100为例,g(y)的变化见图11,当y=0,±10时,g(y)=0。
(4.2)落点的环境虚拟势场在上述离散集群模型和人工势能函数控制下,集群的中心位置满足:  x ( k + 1 ) ‾ = 1 N Σ i = 1 N x i ( k + 1 ) = 1 N Σ i = 1 N x i ( k ) + 1 N Σ i = 1 N Σ j = 1 , j ≠ i N g ( x i - x j ) = 1 N Σ i = 1 N x i ( k ) = x ( k ) ‾ - - - ( 5 )
由此可知,在集群的运行过程中,集群的中心位置始终保持不动。集群最终将形成围绕集群中心点的紧密集群构型。由于集群的中心点位置始终保持不动,因此,最终的紧密集群构型的中心位置是确定的,这不满足机动自组织着陆场探测系统的动目标点要求,需要增加落点的虚拟势场,才能实现最终的紧密集群构型的中心位置为落点。
利用环境势场函数,能够实现所有个体向同一个地点的聚集。仿照这种方法,可以利用环境势场函数来控制集群构型在空间中的位置。环境势场函数可采用二次型的形式,如下所示:
V ( y ) = d 2 ( y - y c ) 2 - - - ( 6 )
式6中,d为常数,且d>0。公式(6)给出了二维情况下的二次型类型的环境势场函数分布图,从中可以看出,环境势场函数V(y)在y=yc处取得最小值。因此,在二次型环境势场函数作用下,各个个体都有向y=yc处靠近的趋势。
在式1表示的集群运动方程中,二次型环境势场函数对第i个体的作用可以表示为:
ei(xi(k))=-d(xi(k)-xc) i=1,2,…,N    (7) 
其中,xc为集群构型要到达的中心位置。相应地,式2的个体控制函数更改为:
u i ( x 1 ( k ) , x 2 ( k ) , . . . , x N ( k ) ) = - d * ( x i ( k ) - x c ) + 1 N Σ j = 1 , j ≠ i N g ( x i - x j ) i = 1,2 , . . . , N - - - ( 8 )
(4.3)仿真演示系统以及仿真结果
仿真演示系统由演示场地、4个智能个体、合作标识、图像采集摄像头、控制计算机共同组成,其中,演示场地作为智能集群仿真演示系统的智能个体的运动区域,为一个2m×2m的平面,表面颜色为黑色,与智能个体的合作标识的背景颜色一致。智能个体用于模拟智能集群仿真演示系统的可移动平台,采用epuck两轮机器,可以按需要执行指令,改变自身的运动方向和位置。合作标识固定在智能个体顶部,是每个智能个体的识别标识。图像采集摄像头安装在演示场的正上方约2m处,每隔一定的时间获取一张演示场地的图像并将图像传递给控制计算机。控制计算机对获得的演示场图像进行图像处理,从而获得每个智能个体的身份编码、定位和定向信息,然后按照设定的自组织规则解算出每个智能个体的下一步目标位置,最后将目标位置转化为每个智能个体的控制指令,并通过无线网络分发给每个智能个体。智能个体根据执行收到的控制指令在演示场上运动。
经2分钟,即得到如图12所示的仿真演示结果图,4个智能个体的初始位置为给定值,并且构成了一个正方形。图中的带圈的曲线为4个智能个体的中心位 置,其余曲线为各个智能个体的位置变化。仿真结果表明,4个智能个体在移动过程中保持了正方形构型,并且每个智能个体到中心位置的距离满足抵近要求和安全要求,与所设定的自组织规则完全相符。从而证明本发明提供的仿真系统和方法,能够对各类自组织规则进行快速验证,具有验证准确度高以及验证速度快的优点。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。

Claims (10)

1.一种智能集群自组织控制仿真系统,其特征在于,包括:演示场地、若干个位于所述演示场地的智能个体、布置于所述演示场地正上方的图像采集设备以及控制计算机;所述控制计算机分别与所述图像采集设备和各个所述智能个体通讯;
每个所述智能个体的顶部均设置唯一的合作标识,基于所述合作标识,所述控制计算机对所述智能个体进行身份与位姿的识别;
其中,所述合作标识包括背景区域和布置于所述背景区域的定位图形、定向起点图形、定向终点图形和编码图形;其中,所述定位图形、所述定向起点图形、所述定向终点图形和所述编码图形均为同一种中心对称图形;
所述定位图形的中心点与被标识物体的中心点重合,并且,所述定位图形的对称轴长度大于所述定向起点图形、所述定向终点图形和所述编码图形的对称轴长度;
所述定向起点图形和所述定向终点图形分别位于所述定位图形的左右两侧,并且,所述定向起点图形的中心点、所述定位图形的中心点至所述定向终点图形的中心点之间的连线为直线K,直线K称为定向直线;所述定向起点图形的中心点到所述定位图形的中心点之间的距离与所述定向终点图形的中心点到所述定位图形的中心点之间的距离相等,均为R;
以所述定位图形的中心点为圆心,以R为半径画圆,在所述直线K的同一侧的半圆上,均匀设置x个编码位,其中,所述x个编码位按由低到高的编码位顺序顺时针排列在所述半圆上,并且,低编码位为靠近所述定向起点图形的位置,高编码位为靠近所述定向终点图形的位置;每一个所述编码位对应两种可选的编码码字,分别为第1种编码码字和第2种编码码字;如果某一个编码位采用所述第1种编码码字,则该编码位为空;如果某一个编码位采用所述第2种编码码字,则在该编码位布置所述编码图形;其中,x为自然数;并且,x个编码位中至少存在1个布置所述编码图形的编码位。
2.根据权利要求1所述的智能集群自组织控制仿真系统,其特征在于,所述中心对称图形为正方形、正六边形或圆形。
3.根据权利要求1所述的智能集群自组织控制仿真系统,其特征在于,所述编码码字为数字或字母。
4.根据权利要求1所述的智能集群自组织控制仿真系统,其特征在于,所述定向起点图形、所述定向终点图形和所述编码图形的对称轴长度均相同,为D1;所述定位图形的对称轴长度为D2;则:D2>1.5D1;和/或
所述定位图形、所述定向起点图形、所述定向终点图形和所述编码图形的成像像素均大于20个成像像素;和/或
任意两个相邻图形之间的间距大于4个成像像素;和/或
所述定位图形、所述定向起点图形、所述定向终点图形和所述编码图形的图形颜色均相同,该图形颜色与所述背景区域的背景颜色的差异度超过设定颜色阈值。
5.根据权利要求4所述的智能集群自组织控制仿真系统,其特征在于,所述定位图形、所述定向起点图形、所述定向终点图形和所述编码图形的图形颜色均为白色;所述背景区域的背景颜色为黑色。
6.一种基于权利要求1-5任一项所述智能集群自组织控制仿真系统的仿真方法,其特征在于,包括以下步骤:
S1,在演示场地的正上方安装图像采集设备,该图像采集设备能够采集完整的演示场地的场景情况;该图像采集设备连接到控制计算机;
对于演示场地上的每个智能个体,其顶部均设置唯一的合作标识,保证所述合作标识的定位图形的中心点与所述智能个体的中心点重合;并且,所述合作标识的定向起点图形中心点到定向终点图形中心点的矢量线段与所述智能个体的正向前进方向之间的夹角б2为固定值,该夹角б2与智能个体身份编码的对应关系预先存储到所述控制计算机;所述控制计算机还存储以下参数:
定向起点图形中心点、定向终点图形中心点和编码图形中心点分别到定位图形中心点的距离R;
每个智能个体的编码总位数x;
此外,所述演示场地的颜色与所述合作标识的背景颜色之间的差异度在设定范围内;以及,所述智能个体的颜色与所述合作标识的背景颜色之间的差异度在设定范围内;
所述控制器还预存储需要仿真验证的自组织规则;
S2,所述控制计算机存储初始参数值,所述初始参数值包括图像采集时间间隔T;
S3,初始时刻t0,所述控制计算机向图像采集设备发送图像采集指令;
所述图像采集设备接收到所述图像采集指令后,采集演示场地在当前时刻的原始图像,并将所述原始图像传输到所述控制计算机;
S4,所述控制计算机对接收到的所述原始图像进行分析处理,获得每个所述智能个体的身份ID以及当前位姿信息;然后根据所述自组织规则解算出每个所述智能个体的下一时刻目标位姿信息;
然后,所述控制计算机通过比较每个所述智能个体的当前位姿信息以及下一时刻目标位姿信息,生成对所述智能个体的本次控制指令,并将所述本次控制指令发送给对应的所述智能个体;所述智能个体根据接收到的所述本次控制指令调整自身运动方向,并按调整后的运动方向在演示场地运动;
S5,当经过图像采集时间间隔T,达到下一时间t1时,重复执行S3-S4;由此不断循环,直到达到预设定的终止条件时,退出循环过程,仿真过程结束;
其中,S4中,所述控制计算机通过以下方法获得每个所述智能个体的身份ID以及当前位姿信息:
S4.1,所述控制计算机对所述原始图像进行预处理,得到预处理后的图像;
S4.2,所述控制计算机在所述预处理后的图像中,提取并标记出所有的目标图形,其中,所述目标图形包括定位图形、定向起点图形、定向终点图形和编码图形,由此得到目标图形集合;
在所述目标图形集合中,计算出每个目标图形的面积以及中心点图像坐标值;
然后,查找到面积最大的若干个目标图形,其中,面积最大的目标图形的数量即为演示场地上智能个体的数量;每个面积最大的目标图形对应唯一一个合作标识,并且,面积最大的目标图形即为定位图形;
S4.3,对于所定位到的每个定位图形,均采用以下分析过程:
S4.3.1,查找到与该定位图形中心点距离为R±ε的所有目标图形,得到与所述定位图形属于同一合作标识的所有目标图形;其中,ε为允许的误差;
S4.3.2,以定位图形中心点为起点,分别以S5.1得到的各个目标图形中心点为终点,得到多条矢量线段,分别计算每条矢量线段与图像坐标系的X轴负方向的夹角,得到夹角相差为180度的两条矢量线段,分别记为第1矢量线段和第2矢量线段,将第1矢量线段的终点所在的目标图形记为目标图形E1,将第2矢量线段的终点所在的目标图形记为目标图形E2;则S5.1查找到的除目标图形E1和目标图形E2之外的目标图形均为编码图形;
S4.3.3,以定位图形中心点为圆心,以R±Ε为半径,从目标图形E1中心点开始沿顺时针方向向目标图形E2中心点画半圆,判断S5.2确定的编码图形是否位于所画出的半圆上,如果位于,则目标图形E1即为定向起点图形,目标图形E2即为定向终点图形;否则目标图形E2即为定向起点图形,目标图形E1即为定向终点图形;由此确定定向起点图形和定向终点图形;
S4.3.4,对于S4.3.2确定的每个编码图形,将定位图形中心点到编码图形中心点之间的矢量线段记为第3矢量线段,将定位图形中心点到定向起点图形中心点之间的矢量线段记为第4矢量线段,计算第3矢量线段和第4矢量线段之间的夹角δ1;再结合编码总位数x,可确定出第2种编码码字在智能个体身份编码中的位置,智能个体身份编码的其余位置即为第1种编码码字;由此得出智能个体身份编码;
S4.3.5,将所定位到的定位图形的中心点图像坐标值转换为世界坐标值,即为该智能个体在当前时刻的位置值,由此得到定位信息;
计算定向起点图形中心点到定向终点图形中心点的矢量方向值,将所述矢量方向值与夹角б2进行运算,得到该智能个体在当前时刻的方向值,由此得到定向信息。
7.根据权利要求6所述的仿真方法,其特征在于,S4.2中,采用边缘检测算法,提取并标记出所有的目标图形。
8.根据权利要求6所述的仿真方法,其特征在于,S4.2中,采用亚像素定位算法,计算出每个目标图形的中心点图像坐标值。
9.根据权利要求6所述的仿真方法,其特征在于,S4.3.4具体为:
由编码总位数x,计算得到相邻两个编码位与定位图形中心点连线的夹角δ3=180/(x+1);
δ1/δ3的商值四舍五入所得到整数值,即为第2种编码码字在智能个体身份编码中的位置值。
10.根据权利要求6所述的仿真方法,其特征在于,S4中,所述控制计算机对接收到的所述原始图像进行分析处理,获得每个所述智能个体的身份ID以及当前位姿信息;然后根据所述自组织规则解算出每个所述智能个体的下一时刻目标位姿信息;,并生成对所述智能个体的本次控制指令,通过以下方法实现:
所述控制计算机配置有总控模块和若干个分控模块;所述总控模块与各个所述分控模块分别连接;
所述总控模块用于对接收到的所述原始图像进行分析处理,获得每个所述智能个体的身份ID以及当前位姿信息,并将当前时刻每个所述智能个体的身份ID以及当前位姿信息存储到配置表中;
每个所述分控模块与唯一的一个智能个体对应,用于预存储与所述智能个体对应的运动控制策略模型;所述运动控制策略模型具有已设置的输入参数;然后,每当所述配置表被更新时,所述分控模块立即从所述配置表中读取所设置的输入参数的具体值,然后,通过运行所述运动控制策略模型,解算出所述智能个体的下一时刻目标位姿信息,并最终生成对所述智能个体的本次控制指令。
CN201410641060.1A 2014-11-13 2014-11-13 一种智能集群自组织控制仿真系统及方法 Expired - Fee Related CN104460345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410641060.1A CN104460345B (zh) 2014-11-13 2014-11-13 一种智能集群自组织控制仿真系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410641060.1A CN104460345B (zh) 2014-11-13 2014-11-13 一种智能集群自组织控制仿真系统及方法

Publications (2)

Publication Number Publication Date
CN104460345A true CN104460345A (zh) 2015-03-25
CN104460345B CN104460345B (zh) 2015-11-18

Family

ID=52906586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410641060.1A Expired - Fee Related CN104460345B (zh) 2014-11-13 2014-11-13 一种智能集群自组织控制仿真系统及方法

Country Status (1)

Country Link
CN (1) CN104460345B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105955288A (zh) * 2016-07-15 2016-09-21 零度智控(北京)智能科技有限公司 飞行器定位及控制方法及系统
CN105955067A (zh) * 2016-06-03 2016-09-21 哈尔滨工业大学 基于四旋翼无人机的多星智能集群控制仿真系统及采用该系统实现的仿真方法
CN107367944A (zh) * 2017-09-04 2017-11-21 贾永楠 一种面向多智能体系统的集群控制方法
CN111683387A (zh) * 2020-04-29 2020-09-18 西南电子技术研究所(中国电子科技集团公司第十研究所) 面向软件定义机载自组织网络的仿真方法
CN114510181A (zh) * 2022-01-27 2022-05-17 国科温州研究院(温州生物材料与工程研究所) 虚拟环境平台

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101499052A (zh) * 2008-01-31 2009-08-05 中国科学院过程工程研究所 一种面向粒子模型的多层直连集群并行计算系统中的节点
CN103792851A (zh) * 2012-10-30 2014-05-14 清华大学 基于无线自组织网络的集群航天器半实物仿真系统及方法
CN104331689A (zh) * 2014-11-13 2015-02-04 清华大学 一种合作标识及多智能个体身份与位姿的识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101499052A (zh) * 2008-01-31 2009-08-05 中国科学院过程工程研究所 一种面向粒子模型的多层直连集群并行计算系统中的节点
CN103792851A (zh) * 2012-10-30 2014-05-14 清华大学 基于无线自组织网络的集群航天器半实物仿真系统及方法
CN104331689A (zh) * 2014-11-13 2015-02-04 清华大学 一种合作标识及多智能个体身份与位姿的识别方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105955067A (zh) * 2016-06-03 2016-09-21 哈尔滨工业大学 基于四旋翼无人机的多星智能集群控制仿真系统及采用该系统实现的仿真方法
CN105955288A (zh) * 2016-07-15 2016-09-21 零度智控(北京)智能科技有限公司 飞行器定位及控制方法及系统
CN107367944A (zh) * 2017-09-04 2017-11-21 贾永楠 一种面向多智能体系统的集群控制方法
CN111683387A (zh) * 2020-04-29 2020-09-18 西南电子技术研究所(中国电子科技集团公司第十研究所) 面向软件定义机载自组织网络的仿真方法
CN111683387B (zh) * 2020-04-29 2022-07-08 西南电子技术研究所(中国电子科技集团公司第十研究所) 面向软件定义机载自组织网络的仿真方法
CN114510181A (zh) * 2022-01-27 2022-05-17 国科温州研究院(温州生物材料与工程研究所) 虚拟环境平台

Also Published As

Publication number Publication date
CN104460345B (zh) 2015-11-18

Similar Documents

Publication Publication Date Title
CN104460345B (zh) 一种智能集群自组织控制仿真系统及方法
CN103472850B (zh) 一种基于高斯分布预测的多无人机协同搜索方法
CN105740909B (zh) 一种基于空间变换的自然场景下文本识别方法
CN104978580B (zh) 一种用于无人机巡检输电线路的绝缘子识别方法
CN105405165B (zh) 一种通用型无人机飞行中地貌分析及迫降区域提取仿真系统
Lebedev et al. Accurate autonomous uav landing using vision-based detection of aruco-marker
CN106200679A (zh) 基于多模态自然交互的单操作员多无人机混合主动控制方法
CN111142562B (zh) 基于应力矩阵的混合条件约束下的编队变换控制方法
CN104331689B (zh) 一种合作标识及多智能个体身份与位姿的识别方法
CN104181926A (zh) 机器人的导航控制方法
CN102853830A (zh) 一种基于一般物体识别的机器人视觉导航方法
CN105425820A (zh) 一种针对具有感知能力的运动目标的多无人机协同搜索方法
CN109283937A (zh) 一种基于无人机的植保喷施作业的方法及系统
CN105205453A (zh) 基于深度自编码器的人眼检测和定位方法
CN107818333A (zh) 基于深度信念网络的机器人避障行为学习和目标搜索方法
CN104729500A (zh) 一种激光导航agv的全局定位方法
US20180233061A1 (en) Unmanned vehicle simulator
CN110553650B (zh) 一种基于小样本学习的移动机器人重定位方法
Fan et al. Vision algorithms for fixed-wing unmanned aerial vehicle landing system
Li et al. Intelligent mobile drone system based on real-time object detection
CN107703936A (zh) 基于卷积神经网络的自动导航小车系统及小车定位方法
CN111862200B (zh) 一种煤棚内无人机定位方法
Martínez et al. Towards autonomous air-to-air refuelling for UAVs using visual information
CN107463871A (zh) 一种基于角特征加权的点云匹配方法
Zhang et al. EFP: Efficient Frontier-based Autonomous UAV Exploration Strategy for Unknown Environments

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20151118

Termination date: 20191113