CN105069217A - 一种基于道路动态分区模型的城市救援仿真方法 - Google Patents

Abstract

本发明公开了一种基于道路动态分区模型的城市救援仿真方法，具体包括如下步骤：步骤1，以道路和建筑物的物理特征建立底层世界模型；步骤2，利用道路的几何和周边环境特性建立道路分区模型；步骤3，引入步骤2建立的道路分区模型将底层世界模型进行动态分区；步骤4，在步骤3将底层世界模型进行动态分区的基础上，引入凸包和聚类算法对消防智能体进行信息整合分类，优化救援效率。

Description

一种基于道路动态分区模型的城市救援仿真方法

技术领域

本发明涉及一种多智能体系统的协作方法，尤其涉及一种基于道路动态分区模型的城市救援仿真方法，属于多智能体协作控制领域。

背景技术

多智能体系统(Multi-AgentSystem,MAS)是人工智能研究的重要领域。作为典型的分布式系统，多智能体系统需要处理的一个基本而且重要的问题是系统中个体间的有效协作体间的有效协作，可以使得系统呈现出整体上的有向性，推动系统高效地完成预定的目标。但是，在多智能体环境中，每个智能体是根据自身的感知信息做出自主决策的，系统无法直接地控制个体的具体行为，因此，协作往往难以形成，个体则倾向于争夺有利的资源来完成各自期望的任务，最终系统呈现出混乱的局面。同时，智能体的感知信息也总是存在不确定的延迟、误差甚至是错误，这也是MAS中协作所面临的困难。

RoboCupRescueAgent仿真竞赛的基本平台的仿真平台，智能体需要在指定的灾难环境下完成灭火、清障、救出伤员的任务。作为多智能体系统，RCRSS同样需要处理好系统中智能体间的相互协作。同时，由于RCRSS中存在多类异构智能体，这种协作的处理显得更为复杂。

目前，国际上对RCRSS中的多智能体协作问题进行了大量研究，各个队伍也将其研究成果应用于比赛中。这些成果中较为突出的有MRL的线性加权模型、Bam的模糊控制以及广泛使用的利用通讯形成的共享规划模型等，它们都表现出了良好的效果。特别是MRL的线性加权模型，通过合理选择影响因属以及采用BELBIC快速学习方法，使得其简单而有效。总体来说，大部分的研究成果表现为使用统一的评价模型或控制方法来完成所有智能体间的协作。

RoboCupRescueAgent仿真竞赛的基本平台，是典型的多智能体系统，它提供了地区性大规模灾难环境下救援行动仿真环境是整个智能体协作的基础，由于机器人无法感受到全局的环境的信息，所以单独执行任务会有局限性，相对性，不确定性。

发明内容

本发明所要解决的技术问题是针对背景技术的不足提供了一种基于道路分区模型的多智能体协作方法。

本发明为解决上述技术问题采用以下技术方案：

一种基于道路动态分区模型的城市救援仿真方法，具体包括如下步骤：

步骤1，以道路和建筑物的物理特征建立底层世界模型；

步骤2，利用道路的几何和周边环境特性建立道路分区模型；

步骤3，引入步骤2建立的道路分区模型将底层世界模型进行动态分区；

步骤4，在步骤3将底层世界模型进行动态分区的基础上，引入凸包和聚类算法对消防智能体进行信息整合分类，优化救援效率。

作为本发明一种基于道路动态分区模型的城市救援仿真方法的进一步优选方案，在步骤1中，所述底层世界模型包含底层的标准实体层、中间的抽象实体层和最高层的动态实体层。

作为本发明一种基于道路动态分区模型的城市救援仿真方法的进一步优选方案，在步骤1中，在步骤2的道路分区模型中，以阻塞系数来对道路的优先级进行分类，所述阻塞系数具体计算如下：

$passrate=\frac{nodewidth-blockadewidth-agentwidth}{nodewidth}\±0.5$

其中，passrate表示阻塞系数，nodewidth表示道路的宽度，blockadewidth表示路障的宽度，agentwidth表示智能体自身的宽度。

作为本发明一种基于道路动态分区模型的城市救援仿真方法的进一步优选方案，所述步骤3具体包含如下步骤，

步骤3.1根据地图形状、大小、以及智能体数量和地图中建筑物的数量，利用Rescue的分区算法完成地图的初始化分区，具体计算如下：

D＝MIN(P,B/C)

N＝MAX(D-(Dmod2),1)

其中，P是指在地图中警察智能体的个数，B是建筑物的个数，C是每个警察智能体在所在区域能够涉及到的建筑物数量，D是指最小所需分区数，N是指最大所需分区数；

步骤3.2，在获得初始化分区数目后，采用Rescue分区算法根据初始化分区数目，利用仿真环境中的地图长度和宽度，对整个救援环境进行区域划分，划分初始化分区后，综合道路和分区模型的特点，在分区的交接处设置集合点；

步骤3.3，完成世界模型的动态分区。

作为本发明一种基于道路动态分区模型的城市救援仿真方法的进一步优选方案，所述步骤4具体如下：

步骤4.1设坐标集合X＝x_i|x_i∈R²,其中，i＝1,2,...,N；可以聚集成为k个簇w₁,w₂,...,w_k，它们中心依次为c₁,c₂,...,c_k，其中n_i是簇w_i中所有点集；

步骤4.2，,从X中随机选取k个初始簇中心点c₁,c₂,...,c_k，然后按照最小欧式距离原则分配数据X到最近簇中：d_ij(x_i,c_j)<d_im(x_i,c_m)，m＝1,…,k；j≠m；

步骤4.3，根据公式重新计算每个簇的中心

步骤4.4，若对于任意都成立，则完成计算；

步骤4.5，根据凸多边形的顶点必须在该多边形的任何一个边的同一侧的原理，删除不属于凸包边界的点。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

一种基于道路分区模型的智能体协作方法，此方法利用道路的几何和周边环境特性，建立道路分区模型，对地图中的信息进行细化处理，首先将整个世界模型进行动态分区，然后利用凸包算法将各分区着火建筑物进行外围火点的构建，为消防智能体提供消防策略，最后通过聚类等算法将着火点集中处理，在静态分区的基础上，建立动态的道路模型，从而让智能体更好的了解环境信息，展开救援协作。

本发明建筑物定义，道路区分，地图建筑物按距离建立聚类，着火点建立聚类，使得智能体对救援环境信息有了更好的估计和预测，从而使得智能体能够准确地把握救援关键区域，提高救援效率，并通过多次对比试验，验证了道路分区模型对整个Rescue全局救援效率有着较大的提升。

附图说明

图1是本发明的方法流程图。

具体实施方式

以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

如图1所示，一种基于道路动态分区模型的城市救援仿真方法，具体包括如下步骤：

步骤1，以道路和建筑物的物理特征建立底层世界模型；

步骤2，利用道路的几何和周边环境特性建立道路分区模型；

步骤3，引入步骤2建立的道路分区模型将底层世界模型进行动态分区；

步骤4，在步骤3将底层世界模型进行动态分区的基础上，引入凸包和聚类算法对消防智能体进行信息整合分类，优化救援效率。

本发明设计一种基于道路动态分区模型的城市救援仿真方法，此方法利用道路的几何和周边环境特性，建立道路分区模型，对地图中的信息进行细化处理，首先将整个世界模型进行动态分区，然后利用凸包算法将各分区着火建筑物进行外围火点的构建，为消防智能体提供消防策略，最后通过聚类等算法将着火点集中处理，在静态分区的基础上，建立动态的道路模型，从而让智能体更好的了解环境信息，展开救援协作。

具体如下：

底层的世界模型是对环境状态中信息描述的数据结构，是每个智能体对所在救援环境形式和认知而建立起来的判断认知，都是每个Agent和Server信息交互后分析获得的。智能体与Server交互环境信息的流程，每周期从Server中获得信息后，自身对其解析，感知，判断，分析，然后更新自身的世界模型认知。

在救援仿真中，智能体通过观测周围环境数据，通过行为决策需要对周围或者全局环境形成静态认知，同时对场上动态变化的环境和智能体进行属性维护，这些表现成了城市救援仿真中的动态更新。

Rescue的世界模型分为三层：底层的标准实体层(StandardEntityLayer)、中间的抽象实体层(AbstractEntityLayer)、最高层的动态实体层(DynamicEntityLayer)，标准实体层包括GIS地理信息系统和感知模型解析到的基本对象，抽象实体层包括了构成整个系统的各个实体组成对象的数据结构，动态实体层是对抽象实体层的进一步处理，封装了道路分区、路径类型识别，智能体状态等具体的高级对象。

在RoboCupRescue的地图中，每张地图都是按照不同城市的特点创建的，因此每张地图都是由不同的图形以及许多多边形节点组成的道路构成的，在初始阶段，许多道路会被路障堵塞，对于智能体能否通过某一路径，我们设置了一个关于通过率的公式，判断智能体能否通过阻塞的道路。每一条路径，都是由许多多边形节点(Node)和连接点(AdjacentNode)组成。

根据阻塞系数判断智能体是否通过阻塞的道路，具体计算如下：

$passrate=\frac{nodewidth-blockadewidth-agentwidth}{nodewidth}\&PlusMinus;0.5$

其中，passrate表示阻塞系数，nodewidth表示道路的宽度，blockadewidth表示路障的宽度，agentwidth表示智能体自身的宽度。我们将0.5设置为误差系数，因为智能体穿过道路的路线是随机的，当passrate≥0.5，且道路由多个节点(Node)和连接点(AdjacentNode)组成，那么这条道路将被存储为到路径列表中，在地图道路模型中，一旦所有可行道路都被存储好，那么智能体的可行路径也将会被建立。

Rescue根据现实生活中，城市中有主干道，十字路口，小道，主路，辅路等各种道路形式，将RCRSS提供的仿真地图也建立各种形态的道路模型，在仿真环境中，根据道路宽度，周边救援环境等物理信息特点，区分道路模型，然后根据区分的优先级，分配智能体路径选择权重，权重越高的路径，优先被探索和处理。

一种基于环境信息和道路宽度信息的简单区分模型，基本原理如下：设定一个宽度阈值ρ，ρ值根据各智能体所感知的各自分区的道路宽度来综合决定，如果道路宽度w>ρ，那么该路径会被定义为主干道，否则定义为普通道路。其次，再根据路径中是否有十字路口或其他道路节点(AdjacentNode)以及分区节点等因素来进行再一次细分道路，最后每种类型的道路都会被赋予权值，便于智能体识别道路的重要程度。

根据RoboCup组委会提供的地图形状，大小，以及智能体数量，地图中建筑物的数量，利用Rescue的分区算法，将地图划分为一定数量的任务分区。

步骤3.1，根据地图形状、大小、以及智能体数量和地图中建筑物的数量，利用Rescue的分区算法完成地图的初始化分区，具体计算如下：

D＝MIN(P,B/C)

N＝MAX(D-(Dmod2),1)

其中，P是指在地图中警察智能体的个数，B是建筑物的个数，C是每个警察智能体在所在区域能够涉及到的建筑物数量，D是指最小所需分区数，N是指最大所需分区数；

步骤3.2，在获得初始化分区数目后，Rescue分区算法会根据初始化分区数目，利用仿真环境中的地图长度和宽度，对整个救援环境进行区域划分，划分初始化分区后，综合道路和分区模型的特点，在分区的交接处设置集合点；

步骤3.3，完成世界模型的动态分区。

在获得初始化分区数目后，Rescue分区算法会根据初始化分区数目，利用仿真环境中的地图长度和宽度，对整个救援环境进行区域划分，划分初始化分区后，综合道路和分区模型的特点，在某些分区的交接处设置了集合点(AssemblyPoint)，集合点的数目是由分区边界数目确定的，红色点就是集合点，图上的道路都利用了道路模型进行了加权处理，集合点一般设立在主干道或者权重较大的道路与几个分区的交接处。

在初始化分区完成后，Rescue分区算法，会设立分区融合时间参数T，以及分区融合参数β，可以选取从建立分区到分区之间的主干道(Mainroad)障碍物被警察智能体(PoliceForce)清理完毕的时间作为T。β＝E/S±0.05，E是智能体已经探索过的区域面积，S是智能体所在分区的分区面积，0.05是误差值，如果T>60或者β>0.8，分区开始融合，融合的方向指向上文所说的集合点(AssemblyPoint)方向。

在动态分区建立初期，各智能体基本遍历了各自分区，从而获得了整个世界模型较为完备的环境信息，Rescue将地图上的建筑物和道路等实体抽象成节点，利用地图信息自带的坐标系，将这些抽象节点进行标注，形成一个个坐标位置，可以直观的看出这些实体节点的位置和距离情况，基于K-means聚类算法，把各坐标点用距离来迭代更新从而形成多个簇。

所述步骤4具体如下：

步骤4.1设坐标集合X＝x_i|x_i∈R²,其中，i＝1,2,...,N；可以聚集成为k个簇w₁,w₂,...,w_k，它们中心依次为c₁,c₂,...,c_k，其中n_i是簇w_i中所有点集；

步骤4.2，,从X中随机选取k个初始簇中心点c₁,c₂,...,c_k，然后按照最小欧式距离原则分配数据X到最近簇中：d_ij(x_i,c_j)<d_im(x_i,c_m)，m＝1,…,k；j≠m；

步骤4.3，根据公式重新计算每个簇的中心若对于任意都成立，则完成计算；

步骤4.5，根据凸多边形的顶点必须在该多边形的任何一个边的同一侧的原理，删除不属于凸包边界的点。

在救援仿真环境中使用K-means算法需要注意两个问题：不同救援环境中聚类数目k的选择；初始簇中心点的选取。针对第一个问题，Rescue根据地图的面积大小确定k值大小，对于第二问题通过Canopy和“距离最远原则”确定：首先确定两个距离值D₁和D₂，是地图上各坐标点间平均距离，从所有节点集合S中随机移除一个点p，计算p点和其余点间距离，若距离小于D₁，则加入到P代表的Canopy簇中，若小于D₂，也加入Canopy簇中，并从原集合中删除，迭代选择，重复该步骤，最后生成M个Canopy簇，每个点可能属于多个M簇，随机选取某Canopy簇中心点c₁，然后选择离c₁最远的Canopy簇中心点c₂，依次类推得剩余中心点。

建立火势凸包：消防智能体灭火有三种方式：1.直接灭火2.建筑群外围火势控制3.建筑物预浇水，凸包便是针对建筑群外围火势控制，Rescue将各建筑物转为坐标节点，着火建筑的坐标集合设立火点信息，定义为S＝{P₁,P₂....P_n}，选择其中坐标最外围点，如果横坐标相同，那么选取其中纵坐标最大的点，简单地将外围点筛选出来。

选取P₁点作为基准点，将此点与其他店用线段连接，将这些线段和横坐标的之间的角度保存。将所有角度按照从大到小的顺序排列，如果角度相同，则比较点与点之间的长度。

假设点的排序为P₁,P₂....P_n，我们依次连接所有点从而获得多边形，显然点集P₁,P₂....P_n是凸包边界的点。根据“凸多边形的顶点必须在该多边形的任何一个边的同一侧”这一原理，删除不属于凸包边界的点。

在凸包建立完毕后，Rescue利用火势仿真模拟器提供的信息进行任务分区的融合，RCRSS提供了RoboRescue-V1.1火势仿真服务器来获得火势蔓延的速度。火势的蔓延速度和建筑物燃烧速度都会对消防队智能体(FireBridge)的灭火策略产生影响，根据分区模型，分析各个分区火势间的相互影响。

$V\left(s\right)=\frac{A_{unburn}\left(s\right)}{A_{total}\left(s\right)}\&CenterDot;{\mathrm{\&Sigma;}}_{i=1}^n{A}_{unburn}\left(s_i\right)$

A_unburn(s)是所在区域没有被烧毁的建筑物面积，A_total(s)是所在分区的总面积大小，A_unburn(s)是相邻分区的未被烧毁的建筑物面积，通过V(s)获得消防队优先清理的分区。

$V\left(B\right)=A_{unburn}\left(B\right)\&CenterDot;{\mathrm{\&Sigma;}}_{i=1}^n\frac{A_{unburn}\left(B_i\right)}{d_i}$

同上，A_unburn(B)是所有建筑面积，d_i是该建筑物离相邻建筑物的距离，在仿真初始阶段，分区和聚类都会被建立，火势信息会在每周期都进行一次更新一次。Rescue选择优先扑灭的建筑物和分区，V(B)和V(S)得分越高的建筑物和实体，优先级越高。

综上所述，本发明设计一种基于道路分区模型的智能体协作方法，此方法利用道路的几何和周边环境特性，建立道路分区模型，对地图中的信息进行细化处理，首先将整个世界模型进行动态分区，然后利用凸包算法将各分区着火建筑物进行外围火点的构建，为消防智能体提供消防策略，最后通过聚类等算法将着火点集中处理，在静态分区的基础上，建立动态的道路模型，从而让智能体更好的了解环境信息，展开救援协作。同时本发明详细介绍建筑物定义，道路区分，地图建筑物按距离建立聚类，着火点建立聚类，使得智能体对救援环境信息有了更好的估计和预测，从而使得智能体能够准确地把握救援关键区域，提高救援效率，并通过多次对比试验，验证了道路分区模型对整个Rescue全局救援效率有着较大的提升。

Claims (5)

1.一种基于道路动态分区模型的城市救援仿真方法，其特征在于，具体包括如下步骤：

步骤1，以道路和建筑物的物理特征建立底层世界模型；

步骤2，利用道路的几何和周边环境特性建立道路分区模型；

步骤3，引入步骤2建立的道路分区模型将底层世界模型进行动态分区；

步骤4，在步骤3将底层世界模型进行动态分区的基础上，引入凸包和聚类算法对消防智能体进行信息整合分类，优化救援效率。

2.根据权利要求1所述的一种基于道路动态分区模型的城市救援仿真方法，其特征在于：在步骤1中，所述底层世界模型包含底层的标准实体层、中间的抽象实体层和最高层的动态实体层。

3.根据权利要求1所述的一种基于道路动态分区模型的城市救援仿真方法，其特征在于：在步骤2的道路分区模型中，以阻塞系数来对道路的优先级进行分类，所述阻塞系数具体计算如下：

$passrate=\frac{nodewidth-blockadewidth-agentwidth}{nodewidth}\&PlusMinus;0.5$

其中，passrate表示阻塞系数，nodewidth表示道路的宽度，blockadewidth表示路障的宽度，agentwidth表示智能体自身的宽度。

4.根据权利要求1所述的一种基于道路动态分区模型的城市救援仿真方法，其特征在于：所述步骤3具体包含如下步骤，

步骤3.1根据地图形状、大小、以及智能体数量和地图中建筑物的数量，利用Rescue的分区算法完成地图的初始化分区，具体计算如下：

D＝MIN(P,B/C)

N＝MAX(D-(Dmod2),1)

其中，P是指在地图中警察智能体的个数，B是建筑物的个数，C是每个警察智能体在所在区域能够涉及到的建筑物数量，D是指最小所需分区数，N是指最大所需分区数；

步骤3.2，在获得初始化分区数目后，采用Rescue分区算法根据初始化分区数目，利用仿真环境中的地图长度和宽度，对整个救援环境进行区域划分，划分初始化分区后，综合道路和分区模型的特点，在分区的交接处设置集合点；

步骤3.3，完成世界模型的动态分区。

5.根据权利要求1所述的一种基于道路动态分区模型的城市救援仿真方法，其特征在于：所述步骤4具体如下：

步骤4.1设坐标集合X＝x_i|x_i∈R²,其中，i＝1,2,...,N；可以聚集成为k个簇w₁,w₂,...,w_k，它们中心依次为c₁,c₂,...,c_k，其中n_i是簇w_i中所有点集；

步骤4.2，,从X中随机选取k个初始簇中心点c₁,c₂,...,c_k，然后按照最小欧式距离原则分配数据X到最近簇中：d_ij(x_i,c_j)<d_im(x_i,c_m)，m＝1,…,k；j≠m；

步骤4.3，根据公式重新计算每个簇的中心

步骤4.4，若对于任意都成立，则完成计算；

步骤4.5，根据凸多边形的顶点必须在该多边形的任何一个边的同一侧的原理，删除不属于凸包边界的点。