CN108829113A - 一种多机器人编队自适应零空间行为融合方法 - Google Patents
一种多机器人编队自适应零空间行为融合方法 Download PDFInfo
- Publication number
- CN108829113A CN108829113A CN201811017293.9A CN201811017293A CN108829113A CN 108829113 A CN108829113 A CN 108829113A CN 201811017293 A CN201811017293 A CN 201811017293A CN 108829113 A CN108829113 A CN 108829113A
- Authority
- CN
- China
- Prior art keywords
- robot
- motion
- behavior
- kinds
- formation
- 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
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000009471 action Effects 0.000 title claims abstract description 29
- 238000005267 amalgamation Methods 0.000 title claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 19
- 230000006399 behavior Effects 0.000 claims abstract description 86
- 230000008569 process Effects 0.000 claims description 11
- 238000012067 mathematical method Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000592274 Polypodium vulgare Species 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Numerical Control (AREA)
- Manipulator (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及多机器人编队控制领域,具体涉及一种多机器人编队自适应零空间行为融合方法。根据机器人编队运动意图,将机器人运动过程分解,确定行为顺序步骤,然后建立运动模型步骤,结合3种运动行为的执行顺序进行求解,得到3种运动模型,之后根据机器人在运动过程中反馈得到的运动信息,解算得到增益系数,融合运动行为步骤,得到最终的速度和方向。相对于传统零空间行为融合方法,本发明使得求解出来的速度不受工况环境改变而改变,具有很好的自适应性,同时兼顾效率与性能,可以对速度进行有效控制,在运动规划上具有显著进步。
Description
技术领域
本发明涉及多机器人编队控制领域,具体涉及一种多机器人编队自适应零空间行为融合方法。
背景技术
机器人的应用已经越来越广泛,几乎渗透到了科学发展的各个领域,而多移动机器人系统的成本低、鲁棒性强、完成任务好的特点使得多移动机器人系统受到了越来越多的关注。近年来,多移动机器人系统的协调问题已成为一个新兴的研究热点。机器人编队控制,是指多个机器人在到达目的地的过程中,保持某种队形,同时又要适应环境约束(例如存在障碍物和空间的物理限制等)的控制技术。多机器人编队控制问题是一个典型性和通用性的多机器人协调问题,是多机器人协调问题的基础,是多机器人系统中最重要也是最基本的问题,值得深入细致的研究。
为解决多机器人编队问题,常采用2种思想:集中式编队控制、分布式编队控制。相比于集中式方法,分布式因其可靠性高、开放性强、灵活性强,而成为对机器人集群编队的研究热点。零空间行为融合为分布式编队控制的一种典型应用。
由于传统零空间行为融合方法中其增益系数为常量,基于一组常量系数求得的速度只能满足一组工况(给定起点和终点)下的机器人实际运行能力,而无法适应于其他工况;若想适应其他工况,每一个工况下都需要进行3个增益系数的离线调试,不利于工程实践应用。
目前,Filippo Arrichiello等人发表的论文《Formation Control ofUnderactuated Surface Vessels using the Null Space Based Behavioral Control》,将零空间行为融合方法用于欠驱动水面无人艇的编队控制,以模拟实现在有障碍和海流环境下的编队航行任务;邬林波发表的论文《基于NSB方法的多机器人编队控制》,采用了基于零空间行为融合的编队控制方法,将其应用到分布式的多足求机器人环境中来,从二维T(x,y)的空间推导到了三维T(x,y,θ)空间中,最后通过仿真实验,探讨了该方法在分布式环境中的应用。
上述方法是基于传统零空间行为融合方法进行编队控制,在应用中由于其增益系数是常量系数,又受到机器人运动因素(速度、起始点与终点)约束,导致在每一工况下其值都需要重新进行选择调试,缺乏自适应性,不利于工程应用。
发明内容
本发明的目的在于提供一种多机器人编队自适应零空间行为融合方法,以使得最终得到的速度不受工况环境改变而改变,具有很好的自适应性,同时兼顾效率与性能。
本发明实施例提供一种多机器人编队自适应零空间行为融合方法,包括:
步骤一:分解运动过程步骤,根据机器人编队运动从起始点到终点的运动过程中运动规划的不同意图,将机器人运动过程分解,得到奔向目标行为、避障行为和编队行为3种运动行为;
步骤二:确定行为顺序步骤,根据零空间运动规划理论以及机器人运动规划不同需求意图,将步骤一所述的3种运动行为进行排序,得到3种运动行为的执行顺序;
步骤三:建立运动模型步骤,根据初始得到的起点位置、终点位置、障碍物位置、编队期望队形等条件,对步骤一所述的3种运动行建立每一种行为的运动模型,结合步骤二所述的3种运动行为的执行顺序进行求解,得到3种运动模型;
步骤四:解算增益系数步骤,根据机器人在运动过程中反馈得到的运动信息,解算得到增益系数;
步骤五:融合运动行为步骤,根据零空间数学方法,结合步骤二所述的3种运动行为的执行顺序,对步骤三所述的3种运动模型进行耦合,得到最终的速度和方向;
步骤六:结束任务判断步骤,根据机器人实时位置点判断机器人是否到达终点,若是,则结束任务,否则,返回步骤三继续任务;
所述步骤二,包括:
确定行为顺序步骤,根据零空间运动规划理论以及机器人运动规划不同需求意图,将步骤一所述的3种运动行为进行排序,得到3种运动行为的执行顺序;
其中,所述3种运动行为的执行顺序为:优先级依次为避障行为、奔向目标行为、编队行为;
所述步骤三以及步骤四,包括:
建立运动模型步骤,根据初始得到的起点位置、终点位置、障碍物位置、编队期望队形等条件,对步骤一所述的3种运动行建立每一种行为的运动模型,结合步骤二所述的3种运动行为的执行顺序进行求解,得到3种运动模型;解算增益系数步骤,根据机器人在运动过程中反馈得到的运动信息,解算得到增益系数;
其中,所述建立运动模型的具体方法为:
设机器人在大地坐标系下的坐标为pi=[xi yi]T,机器人行驶的线速度为目标点在大地坐标系下的坐标为pt=[xt,yt]T,障碍物在大地坐标系下的坐标为pa=[xa,ya]T,δ为行为控制中的任务函数:
δ=f(p)
对上式两边求导得:
上式中,J(p)为δ的雅克比矩阵,得机器人的期望速度为:
上式中,v是对于机器人单行为的期望速度,若系统需要同时执行多个行为δ1,δ2,δ3...,根据制定的每个行为的优先级,用下标表示,得机器人多个行为的期望速度为v1,v2,v3....,用零空间方法求得最终的速度模型为:
上式中,其方向即为机器人规划运动方向;
其中,所述机器人在运动过程中反馈得到的运动信息包括:机器人在运动时能达到的最大速度vmax、机器人在运动时实时位置点pi=(xi,yi)T、机器人运动终点pt=(xt,yt)T;
其中,所述最终运动模型以及增益系数分别为:
(1)奔向目标行为的运动模型以及增益系数:
上式中,变量r表示为机器人距目标点距离为r时开始大幅降速;
(2)避障行为的运动模型以及增益系数:
上式中,Da0、Ja0为Da、Ja在避障初始时求得的值;
(3)编队行为的运动模型以及增益系数:
λf=I
上式中,δf为机器人当前位置点距离队形中心的实际横、纵坐标偏差,δf,d为机器人当前位置点距离队形中心的期望横、纵坐标偏差;
所述步骤五,包括:
融合运动行为步骤,根据零空间数学方法,结合步骤二所述的3种运动行为的执行顺序,对步骤三所述的3种运动模型进行耦合,得到最终的速度和方向;
其中,所述最终的速度和方向为:
v=v1+(I-J1 T(J1J1 T)-1J1)[(v2+(I-J2 T(J2J2 T)-1J2)v3];
本发明的有益效果在于:
1.在传统零空间行为融合方法基础上,引入具有实际意义的变量系数:机器人可达到最大速度、终点坐标和当前定位坐标,重新定义行为运动模型,使得求解出来的速度不受工况环境改变而改变,具有很好的自适应性,同时兼顾效率与性能;
2.本发明的方法是在传统的零空间行为融合方法基础上,对约束速度的增益系数进行重新定义,可以对速度进行有效控制,在运动规划上具有显著进步;
附图说明
图1为一种多机器人编队自适应零空间行为融合方法的流程图;
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明做进一步描述:
图1为一种多机器人编队自适应零空间行为融合方法的流程图。
本发明的技术方案是这样实现的:
(1)将运动过程分解:在多机器人编队运动过程中,可分解成3种运动行为,奔向目标点、避障、编队。
(2)确定行为优先级:确定3种运动行为的执行顺序,其优先级为避障、奔向目标点、编队。
(3)建立并求解每一行为的运动模型:已知起始点、终点、障碍物位置、编队期望队形等条件,建立每一行为的运动模型,并求解。
设定机器人在大地坐标系下的坐标为pi=[xi yi]T,行驶的线速度目标点pt=[xt,yt]T,障碍物坐标为pa=[xa,ya]T,δ为行为控制中的任务函数,其中:
δ=f(p) (1)
对(1)式两边求导:
J(p)为δ的雅克比矩阵,则机器人的期望速度为:
(3)中的v是对于单行为的期望速度,若系统需要同时执行多个行为δ1,δ2,δ3...,首先制定每个行为的优先级,用下标表示,可得多个行为的期望速度为v1,v2,v3....,用零空间方法可以求得最终的速度为:
(4)用机器人运动信息来解算增益系数:运动信息包括机器人在运动时能达到的最大速度vmax、实时位置点pi=(xi,yi)T、终点pt=(xt,yt)T等,增益系数用于对速度做约束。
奔向目标行为的运动模型为:
其中,变量r表示为机器人距目标点距离为r时开始大幅降速。
避障行为的运动模型为:
其中,Da0、Ja0为Da、Ja在避障初始时求得的值。
编队行为的运动模型为:
λf=I (11)
其中,δf为机器人当前位置点距离队形中心的实际横、纵坐标偏差,δf,d为机器人当前位置点距离队形中心的期望横、纵坐标偏差。
(5)行为融合:基于零空间数学概念进行3种运动模型的耦合,继而求出最终的速度和方向。
考虑3种行为的优先级顺序,可以得到最终的速度输出见式(12)。
v=v1+(I-J1 T(J1J1 T)-1J1)[(v2+(I-J2 T(J2J2 T)-1J2)v3] (12)
(6)判断机器人是否到达终点,若到达则该过程结束,若没有到达则返回步骤(3)。
本领域技术人员按照本发明提供的机器人编队的自适应零空间行为融合方法,能够实现多机器人编队在各种工况下的运动规划。
1、多机器人编队的自适应零空间行为融合方法,包括以下步骤:
(1)将运动过程分解:在机器人编队运动过程中,可分解成3种运动行为,奔向目标点、避障、编队。
(2)确定行为优先级:确定3种运动行为的执行顺序,其优先级为避障、奔向目标点、编队。
(3)建立并求解每一行为的运动模型:已知起始点、终点、障碍物位置、编队期望队形等条件,建立每一行为的运动模型,并求解。
(4)用机器人运动信息来解算增益系数:运动信息包括机器人在运动时能达到的最大速度、实时位置点、终点等,增益系数用于对速度做约束。
(5)行为融合:基于零空间数学方法进行3种运动模型的耦合,继而求出最终的速度和方向。
(6)判断机器人是否到达终点,若到达则该过程结束,若没有到达则返回步骤(3)。
2、如权利1所要求的多机器人编队的自适应零空间行为融合方法,其中第(1)步,将机器人运动过程分解,是指机器人从起始点到终点的运动过程中,其运动规划可以分解为三种意图,奔向目标行为、避障行为、编队行为。。
3、如权利1所要求的多机器人编队的自适应零空间行为融合方法,其中第(2)步,确定行为优先级的特点在于:运动过程分解的3种行为,在机器人执行时会有一定的先后顺序,优先级的确定需要根据零空间理论以及运动规划需求意图进行确定。第(1)步中分解的3种行为,其优先级为避障、奔向目标点、编队。
4、如权利1所要求的多机器人编队的自适应零空间行为融合方法,其中第(3)步,建立每一分解行为的运动模型的特征在于:δ(x,y)为可控的任务变量,将其对时间t求导,变换可以求得速度模型。由于速度是矢量,所以其方向即为机器人规划运动方向。
5、如权利1所要求的多机器人编队的自适应零空间行为融合方法,其中第(4)步,用机器人运动信息来解算增益系数的特征在于:此步的作用在于引入具有实际意义的变量系数(机器人可达到最大速度、终点坐标、当前定位坐标)来代替传统零空间方法中常量的增益系数,使得此种方法的运动规划具有自适应性,同时可以对速度进行把控。
6、如权利1所要求的多机器人编队的自适应零空间行为融合方法,其中第(5)步,行为融合的特征在于:基于第(2)步中确定的行为优先级,基于零空间数学概念进行3种运动模型的耦合,继而求出最终的速度和方向。
Claims (4)
1.一种多机器人编队自适应零空间行为融合方法,其特征在于,包括:
步骤一:分解运动过程步骤,根据机器人编队运动从起始点到终点的运动过程中运动规划的不同意图,将机器人运动过程分解,得到奔向目标行为、避障行为和编队行为3种运动行为;
步骤二:确定行为顺序步骤,根据零空间运动规划理论以及机器人运动规划不同需求意图,将步骤一所述的3种运动行为进行排序,得到3种运动行为的执行顺序;
步骤三:建立运动模型步骤,根据初始得到的起点位置、终点位置、障碍物位置、编队期望队形等条件,对步骤一所述的3种运动行建立每一种行为的运动模型,结合步骤二所述的3种运动行为的执行顺序进行求解,得到3种运动模型;
步骤四:解算增益系数步骤,根据机器人在运动过程中反馈得到的运动信息,解算得到增益系数;
步骤五:融合运动行为步骤,根据零空间数学方法,结合步骤二所述的3种运动行为的执行顺序,对步骤三所述的3种运动模型进行耦合,得到最终的速度和方向;
步骤六:结束任务判断步骤,根据机器人实时位置点判断机器人是否到达终点,若是,则结束任务,否则,返回步骤三继续任务。
2.根据权利要求1所述的一种多机器人编队自适应零空间行为融合方法,其特征在于,所述步骤二,包括:
确定行为顺序步骤,根据零空间运动规划理论以及机器人运动规划不同需求意图,将步骤一所述的3种运动行为进行排序,得到3种运动行为的执行顺序;
其中,所述3种运动行为的执行顺序为:优先级依次为避障行为、奔向目标行为、编队行为。
3.根据权利要求1所述的一种多机器人编队自适应零空间行为融合方法,其特征在于:所述步骤三以及步骤四,包括:
建立运动模型步骤,根据初始得到的起点位置、终点位置、障碍物位置、编队期望队形等条件,对步骤一所述的3种运动行建立每一种行为的运动模型,结合步骤二所述的3种运动行为的执行顺序进行求解,得到3种运动模型;解算增益系数步骤,根据机器人在运动过程中反馈得到的运动信息,解算得到增益系数;
其中,所述建立运动模型的具体方法为:
设机器人在大地坐标系下的坐标为pi=[xi yi]T,机器人行驶的线速度为目标点在大地坐标系下的坐标为pt=[xt,yt]T,障碍物在大地坐标系下的坐标为pa=[xa,ya]T,δ为行为控制中的任务函数:
δ=f(p)
对上式两边求导得:
上式中,J(p)为δ的雅克比矩阵,得机器人的期望速度为:
上式中,v是对于机器人单行为的期望速度,若系统需要同时执行多个行为δ1,δ2,δ3...,根据制定的每个行为的优先级,用下标表示,得机器人多个行为的期望速度为v1,v2,v3....,用零空间方法求得最终的速度模型为:
上式中,其方向即为机器人规划运动方向;
其中,所述机器人在运动过程中反馈得到的运动信息包括:机器人在运动时能达到的最大速度vmax、机器人在运动时实时位置点pi=(xi,yi)T、机器人运动终点pt=(xt,yt)T;
其中,所述最终运动模型以及增益系数分别为:
(1)奔向目标行为的运动模型以及增益系数:
上式中,变量r表示为机器人距目标点距离为r时开始大幅降速;
(2)避障行为的运动模型以及增益系数:
上式中,Da0、Ja0为Da、Ja在避障初始时求得的值;
(3)编队行为的运动模型以及增益系数:
λf=I
上式中,δf为机器人当前位置点距离队形中心的实际横、纵坐标偏差,δf,d为机器人当前位置点距离队形中心的期望横、纵坐标偏差。
4.根据权利要求1所述的一种多机器人编队自适应零空间行为融合方法,其特征在于:所述步骤五,包括:
融合运动行为步骤,根据零空间数学方法,结合步骤二所述的3种运动行为的执行顺序,对步骤三所述的3种运动模型进行耦合,得到最终的速度和方向;
其中,所述最终的速度和方向为:
v=v1+(I-J1 T(J1J1 T)-1J1)[(v2+(I-J2 T(J2J2 T)-1J2)v3]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811017293.9A CN108829113B (zh) | 2018-09-01 | 2018-09-01 | 一种多机器人编队自适应零空间行为融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811017293.9A CN108829113B (zh) | 2018-09-01 | 2018-09-01 | 一种多机器人编队自适应零空间行为融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108829113A true CN108829113A (zh) | 2018-11-16 |
CN108829113B CN108829113B (zh) | 2021-05-28 |
Family
ID=64150955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811017293.9A Active CN108829113B (zh) | 2018-09-01 | 2018-09-01 | 一种多机器人编队自适应零空间行为融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108829113B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162053A (zh) * | 2019-05-28 | 2019-08-23 | 哈尔滨工程大学 | 异构多无人艇编队的自适应行为融合方法 |
CN110209167A (zh) * | 2019-05-27 | 2019-09-06 | 西安电子科技大学 | 一种实时的完全分布式的多机器人系统编队的方法 |
CN110231821A (zh) * | 2019-06-03 | 2019-09-13 | 哈尔滨工程大学 | 多机器人编队的改进自适应零空间行为融合方法 |
CN110687917A (zh) * | 2019-09-06 | 2020-01-14 | 哈尔滨工程大学 | 多无人艇分布式队形重构编队控制方法 |
CN111522351A (zh) * | 2020-05-15 | 2020-08-11 | 中国海洋大学 | 水下机器人三维编队及避障方法 |
CN111596691A (zh) * | 2020-07-07 | 2020-08-28 | 福州大学 | 一种基于人在回路的多机器人系统的决策建模与协同控制方法及系统 |
CN111882184A (zh) * | 2020-07-14 | 2020-11-03 | 福州大学 | 一种多智能体系统零空间行为控制动态任务优先级规划方法 |
CN112965482A (zh) * | 2021-02-01 | 2021-06-15 | 广东省科学院智能制造研究所 | 一种多机器人运动避碰控制方法及系统 |
CN113296507A (zh) * | 2021-05-20 | 2021-08-24 | 哈尔滨工程大学 | 一种基于时空解耦的多动力定位船舶协同编队控制方法 |
CN116859736A (zh) * | 2023-07-07 | 2023-10-10 | 哈尔滨工程大学 | 面向无人艇编队护航任务的编队重构控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120078585A1 (en) * | 2010-06-29 | 2012-03-29 | University Of Connecticut | Method and system for constructing geometric skeletons and medial zones of rigid and non-rigid shapes |
CN106647771A (zh) * | 2017-01-24 | 2017-05-10 | 浙江工业大学 | 多移动机器人的最小步编队方法 |
US20170139423A1 (en) * | 2015-11-12 | 2017-05-18 | King Fahd University Of Petroleum And Minerals | Control system and method for multi-vehicle systems |
CN107168341A (zh) * | 2017-07-12 | 2017-09-15 | 哈尔滨工程大学 | 面向溢油围捕的柔性连接式双无人艇自主协同方法 |
CN107441709A (zh) * | 2017-06-02 | 2017-12-08 | 华南理工大学 | 基于模糊行为树的游戏智能体动作序列生成方法 |
CN108073175A (zh) * | 2018-01-23 | 2018-05-25 | 上海交通大学 | 基于虚拟艇自适应规划的欠驱动无人艇编队智能控制方法 |
CN108237532A (zh) * | 2016-12-23 | 2018-07-03 | 深圳光启合众科技有限公司 | 多足机器人的步态控制方法、装置和机器人 |
CN108415418A (zh) * | 2018-01-23 | 2018-08-17 | 上海交通大学 | 一种基于无向连通网络的同质无人艇集群编队方法 |
-
2018
- 2018-09-01 CN CN201811017293.9A patent/CN108829113B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120078585A1 (en) * | 2010-06-29 | 2012-03-29 | University Of Connecticut | Method and system for constructing geometric skeletons and medial zones of rigid and non-rigid shapes |
US20170139423A1 (en) * | 2015-11-12 | 2017-05-18 | King Fahd University Of Petroleum And Minerals | Control system and method for multi-vehicle systems |
CN108237532A (zh) * | 2016-12-23 | 2018-07-03 | 深圳光启合众科技有限公司 | 多足机器人的步态控制方法、装置和机器人 |
CN106647771A (zh) * | 2017-01-24 | 2017-05-10 | 浙江工业大学 | 多移动机器人的最小步编队方法 |
CN107441709A (zh) * | 2017-06-02 | 2017-12-08 | 华南理工大学 | 基于模糊行为树的游戏智能体动作序列生成方法 |
CN107168341A (zh) * | 2017-07-12 | 2017-09-15 | 哈尔滨工程大学 | 面向溢油围捕的柔性连接式双无人艇自主协同方法 |
CN108073175A (zh) * | 2018-01-23 | 2018-05-25 | 上海交通大学 | 基于虚拟艇自适应规划的欠驱动无人艇编队智能控制方法 |
CN108415418A (zh) * | 2018-01-23 | 2018-08-17 | 上海交通大学 | 一种基于无向连通网络的同质无人艇集群编队方法 |
Non-Patent Citations (2)
Title |
---|
DONG XU: "Adaptive particle swarm optimization with mutation", 《PROCEEDINGS OF THE 30TH CHINESE CONTROL CONFERENCE》 * |
董早鹏,等: "基于非对称模型的欠驱动USV路径跟踪控制", 《中国造船》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209167A (zh) * | 2019-05-27 | 2019-09-06 | 西安电子科技大学 | 一种实时的完全分布式的多机器人系统编队的方法 |
CN110162053A (zh) * | 2019-05-28 | 2019-08-23 | 哈尔滨工程大学 | 异构多无人艇编队的自适应行为融合方法 |
CN110231821A (zh) * | 2019-06-03 | 2019-09-13 | 哈尔滨工程大学 | 多机器人编队的改进自适应零空间行为融合方法 |
CN110687917A (zh) * | 2019-09-06 | 2020-01-14 | 哈尔滨工程大学 | 多无人艇分布式队形重构编队控制方法 |
CN111522351A (zh) * | 2020-05-15 | 2020-08-11 | 中国海洋大学 | 水下机器人三维编队及避障方法 |
CN111596691B (zh) * | 2020-07-07 | 2021-08-31 | 福州大学 | 一种基于人在回路的多机器人系统的决策建模与协同控制方法及系统 |
CN111596691A (zh) * | 2020-07-07 | 2020-08-28 | 福州大学 | 一种基于人在回路的多机器人系统的决策建模与协同控制方法及系统 |
CN111882184A (zh) * | 2020-07-14 | 2020-11-03 | 福州大学 | 一种多智能体系统零空间行为控制动态任务优先级规划方法 |
CN111882184B (zh) * | 2020-07-14 | 2022-10-14 | 福州大学 | 多智能体系统零空间行为控制动态任务优先级规划方法 |
CN112965482A (zh) * | 2021-02-01 | 2021-06-15 | 广东省科学院智能制造研究所 | 一种多机器人运动避碰控制方法及系统 |
CN112965482B (zh) * | 2021-02-01 | 2023-03-10 | 广东省科学院智能制造研究所 | 一种多机器人运动避碰控制方法及系统 |
CN113296507A (zh) * | 2021-05-20 | 2021-08-24 | 哈尔滨工程大学 | 一种基于时空解耦的多动力定位船舶协同编队控制方法 |
CN116859736A (zh) * | 2023-07-07 | 2023-10-10 | 哈尔滨工程大学 | 面向无人艇编队护航任务的编队重构控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108829113B (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108829113A (zh) | 一种多机器人编队自适应零空间行为融合方法 | |
CN109960880B (zh) | 一种基于机器学习的工业机器人避障路径规划方法 | |
Liu et al. | Coordinated motion planning for multiple mobile robots along designed paths with formation requirement | |
CN109240091B (zh) | 一种基于强化学习的水下机器人控制方法及其进行跟踪的控制方法 | |
CN109159151A (zh) | 一种机械臂空间轨迹跟踪动态补偿方法和系统 | |
CN109591014B (zh) | 一种双臂协作机器人的双臂协调搬运方法 | |
CN110231821A (zh) | 多机器人编队的改进自适应零空间行为融合方法 | |
CN106695797A (zh) | 基于双臂机器人协同操作的柔顺控制方法及系统 | |
CN110162053A (zh) | 异构多无人艇编队的自适应行为融合方法 | |
CN104062902A (zh) | Delta机器人时间最优轨迹规划方法 | |
CN113341956B (zh) | 基于改进人工势场法的多智能体主从式编队控制方法 | |
CN111070206A (zh) | 一种降低机器人运动能耗的工位布局方法 | |
CN108724188A (zh) | 一种多机器人协同运动控制方法 | |
JP2022187984A (ja) | モジュール化ニューラルネットワークを用いた把持学習 | |
CN116673963A (zh) | 面向无序断路器零件的双机械臂协作柔性装配系统及方法 | |
JP2022187983A (ja) | 高次元のロボット作業を学習するためのネットワークモジュール化 | |
Kowalczyk et al. | Artificial potential based control for a large scale formation of mobile robots | |
US20210323154A1 (en) | Disassembly based assembly planning | |
CN114055467A (zh) | 基于五自由度机器人的空间位姿在线仿真系统 | |
Backes et al. | Automated rover positioning and instrument placement | |
Tangpattanakul et al. | Optimal trajectory of robot manipulator using harmony search algorithms | |
CN116872212A (zh) | 一种基于A-Star算法和改进人工势场法的双机械臂避障规划方法 | |
CN107807534B (zh) | 一种多轮式机器人自适应协同控制算法及控制系统 | |
CN113084797B (zh) | 一种基于任务分解的双臂冗余机械臂动态协同控制方法 | |
CN114986501A (zh) | 一种机械臂路径规划方法、系统及机械臂 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |