CN108958262A - 一种分布式多机器人的局部蜂拥控制方法 - Google Patents
一种分布式多机器人的局部蜂拥控制方法 Download PDFInfo
- Publication number
- CN108958262A CN108958262A CN201810873450.XA CN201810873450A CN108958262A CN 108958262 A CN108958262 A CN 108958262A CN 201810873450 A CN201810873450 A CN 201810873450A CN 108958262 A CN108958262 A CN 108958262A
- Authority
- CN
- China
- Prior art keywords
- robot
- intelligent robot
- intelligent
- target
- mobile
- 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
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000000007 visual effect Effects 0.000 claims abstract description 18
- 238000013461 design Methods 0.000 claims abstract description 10
- 230000000977 initiatory effect Effects 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 235000019688 fish Nutrition 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
- Feedback Control In General (AREA)
Abstract
一种分布式多机器人的局部蜂拥控制方法,包括初始化参数;依据智能机器人和移动目标机器人的间距与该目标机器人的变化可视范围关系,智能机器人进入不同的工作模式;在蜂拥追踪模式下,设计智能机器人的控制协议,实现对移动目标机器人的追踪;在反蜂拥搜索模式下,根据距离最近原则设计智能体机器人的控制协议,使智能机器人能够锁定移动目标机器人。本发明通过移动目标的变化可视范围和追踪其智能机器人的数量,能够自适应地选择不同模式,当一些智能机器人追踪各自移动目标机器人时,另外一些机器人搜索其他移动目标机器人,解决分布式多机器人的局部蜂拥问题,整个群体形成多个局部蜂拥团体完成所有目标的协同追踪任务。
Description
技术领域
本发明涉及智能机器人技术领域,具体来说涉及一种分布式的多机器人局部蜂拥控制方法。
背景技术
近年来,随着人工智能、认知科学、系统科学以及计算机技术和通信技术的迅猛发展,群体系统的协同控制已成为不同学科领域广泛关注和研究的热点。对于机器人群体系统而言,探讨其机制和规律不仅能够作为自然界中生物群体伴随着时间的演化模型,以便于准确地理解大多数生物群体的协调行为和自组织的复杂现象,而且具有显明的工程应用背景,也能为不断出现和发展的新兴技术、新产业及新应用提供必要的理论支撑。大规模机器人群体的协同控制在民事、工业和军事等国民经济发展的重要领域都具有广泛的应用前景。
蜂拥控制问题作为大规模机器人群体协同控制研究的一类问题,R.Olfati-Saber首次设计了智能群体系统的蜂拥控制算法(Flocking for multi-agent dynamicsystems:algorithms and theory.IEEE Transactions on Automatic Control,2006),基于有约束距离的网络拓扑结构,针对自由空间和存在障碍物情况时,提出了无领导者的蜂拥控制算法、具有一个领导者的蜂拥控制算法和有障碍物的蜂拥控制算法,并且给出了这三种控制算法的稳定性证明。蜂拥控制算法中Boid模型的分离和聚合规则的实现是采用人工势函数梯度项,并且采用速度一致性协议实现速度匹配规则,同时利用势函数的方法实现智能体与障碍物相碰撞。X.Luo,S.Li和X.Guan研究了基于蜂拥控制的目标追踪问题(Flocking algorithm with multi-target tracking for multi-agentsystems.Pattern Recognition Letters,2010),在目标追踪过程中通过智能体与目标之间的距离使得智能体能够选择不同目标进行追踪,但是存在死锁问题即当智能体与若干个目标距离相同时,如何选择自身所需要追踪的目标。Y.Jia和L.Wang研究了多机器鱼的领导-跟随蜂拥控制问题(Leader-follower flocking of multiple robotic fish.IEEETransactions on Mechatronics,2015),考虑机器鱼的实际通信情况,在仅有一个零外界输入领导者的引导下,结合一致性协议和吸引/排斥力函数提出了一种分布式蜂拥算法。根据LaSalle-Krasovskii不变性原则分析可知,系统初始交互网络是领导-跟随者连通图的条件下,所提出的算法能够使跟随者渐进追踪领导者的速度并且与它们的邻居接近平衡距离。然而,关于大规模机器人群体的蜂拥行为的大部分研究工作只是考虑了整个群体的蜂拥控制或者单目标的追踪问题。实际中,多目标的追踪和搜索显的及其重要,如地震和火灾中生命个体的搜救、军事演习汇总多目标的追踪等。对于多机器人系统完成多目标追踪任务而言,本质是多机器人系统的局部蜂拥控制问题。该问题具有两个显著特征,一是智能体蜂拥具有局部性,二是智能体的分布式控制。因此,为了解决大规模机器人群体局部蜂拥控制问题,需要着重解决每个智能机器人如何有效地选择和追踪移动目标机器人的问题。
发明内容
本发明的目的是提供一种分布式多机器人的局部蜂拥控制方法,有效选择和追踪移动目标机器人的局部蜂拥。
本发明是通过以下技术方案实现的。
本发明所述的一种分布式的多机器人局部蜂拥控制方法,其特征在于:机器人群体局部蜂拥控制中,提出依据智能机器人和移动目标机器人的间距与该目标机器人的变化可视范围关系,智能机器人自适应地选择进入不同的工作模式;当智能机器人在蜂拥追踪模式下,设计智能机器人的控制协议,实现对移动目标机器人的追踪;当智能机器人在反蜂拥搜索模式下,根据距离最近原则设计智能体机器人的控制协议,使得智能机器人能够锁定移动目标机器人。
具体地说,本发明所述的一种分布式多机器人的局部蜂拥控制方法,包括如下步骤:
(1)初始化参数:设置智能机器人的总数目、移动目标机器人的总数目和智能机器人的感知半径,以及智能机器人和目标机器人分别对应的初始位置和速度;
(2)依据智能机器人和移动目标机器人之间的距离与该目标机器人的变化可视范围关系,智能机器人选择进入不同的工作模式;
(3)当智能机器人在蜂拥追踪模式下,设计智能机器人的控制协议,实现对移动目标机器人的追踪;
(4)当智能机器人在反蜂拥搜索模式下,根据最近距离原则设计智能体机器人的控制协议,使得智能机器人能够锁定移动目标机器人;
(5)智能机器人在两种工作模式交互作用下,其形成多机器人局部蜂拥团体,完成移动目标机器人的协同追踪任务。
本发明所述的智能机器人和移动目标机器人之间的距离关系:
(1)利用矩阵论中范数公式||rtk-ri||确定智能机器人i和移动目标机器人k之间的距离,其中ri表示智能机器人的位置,rtk表示移动目标机器人k的位置;
(2)将智能机器人i和移动目标机器人k之间的距离与该目标移动机器人k的变化可视范围θk进行比较,这里λ∈R,其中ntk表示移动目标机器人k的追踪智能机器人的数量。
本发明所述的智能机器人蜂拥追踪模式下的控制协议:
当||rtk-ri||≤θk时,智能机器人处于蜂拥追踪模式,智能机器人控制协议的设计:
(1)智能机器人i和移动目标k的连续运动方程分别为:
i∈V={1,2,…,n},k∈W={1,2,…,m},其中ri,vi,ui分别表示智能机器人i的位置、速度和控制输入量,rtk,vtk,utk分别表示移动目标机器人k的位置、速度和控制输入量;
(2)智能机器人i的控制协议设计为其中第一项是位置梯度项以实现分离和聚合规则,第二项是速度一致项以实现智能机器人之间的速度匹配,第三项是引导反馈项取决于群集目标移动机器人,且为控制协议设计的关键所在。具体而言,其中Ni是智能机器人i的邻居集合,是作用力函数,其中aij是智能机器人i和邻居j连边的权重,则
(3)将定义即引导反馈项。计算
其中c12>0,c22>0,则引导反馈项
本发明所述的智能机器人反蜂拥搜索模式下的控制协议:
当||rtk-ri||>θk或者智能机器人i在若干个目标移动机器人的变化可视范围内且与这些目标的距离都相等,即时,智能机器人处于反蜂拥的搜索模式,智能机器人控制协议的设计:
(1)依据智能机器人i和目标移动机器人之间最近距离原则确定搜索新的移动目标机器人;
(2)类似地,智能机器人i的控制协议设计为将定义即引导反馈项。计算
其中c13>0,c23>0,ri,t min,vi,t min分别表示智能机器人i最近目标移动机器人的位置和速度。
本发明的优点和技术效果:
(1)本发明将复杂网络与机器人群体的控制相结合,利用网络拓扑图清晰地描述机器人位置之间的约束关系。
(2)本发明将目标移动机器人的变化可视范围与其追踪智能机器人数量关系通过单调递减的指数函数描述,有利于工程实践中理论数据分析。同时,提出的智能机器人和移动目标机器人之间的距离与该目标机器人变化可视范围关系,能够使得智能机器人自适应地选择工作模式。
(3)智能机器人处于蜂拥追踪模式时,所设计的智能控制协议能够实现对移动目标机器人的追踪。
(4)智能机器人处于反蜂拥搜索模式时,所设计的智能控制协议使得智能机器人能够锁定移动目标机器人。
(5)本发明将智能机器人处于两种工作模式交互作用下,也就是说通过移动目标机器人的变化可视范围和追踪其智能机器人的数量,智能机器人能够自适应地选择蜂拥追踪模式和反蜂拥的搜索模式,使得当一些智能机器人追踪各自的移动目标时,另外一些智能机器人依据距离最近原则搜索其他移动目标机器人,进而整个群体形成多个局部蜂拥团体完成所有目标的协同追踪任务。
附图说明
图1是本发明的流程框图。
图2是本发明智能机器人群体初始分布图,图中圆圈(○)表示智能机器人(agent),菱形(◆)表示移动目标机器人(target)。
图3是本发明作用力函数曲线图。
图4是t=5s时智能机器人群体的运动状态图。
图5是t=10s时智能机器人群体的运动状态图。
图6是t=16s时智能机器人群体的运动状态图。
图7是t=20s时智能机器人群体的最终状态图。
具体实施方式
下面结合附图,对本发明进行详细的阐述。
在二维欧几里得空间中,考虑一个多机器人系统由n个智能机器人和m个移动目标机器人组成。系统中所有智能机器人和目标机器人视为质点,忽略它们的外形尺寸。这里,ri,vi∈R2分别表示智能机器人i的位置和速度其中i∈V={1,2,…,n};rtk,vtk∈R2分别表示目标机器人k的位置和速度,其中k∈W={1,2,…,m};ui,utk分别表示智能机器人i和目标机器人k的控制输入;θk表示移动目标机器人k的可变化的视域范围,简称变化可视范围。如果n个智能机器人的可视范围相同(或交互范围),rc表示可视半径,那么智能机器人i的邻居集合可以定义为:
Ni={j∈V:||rj-ri||<rc}
多机器人系统中,每个智能机器人与其他智能机器人协调运动的过程中,都有着各自独立的控制输入u。智能机器人i的连续运动方程如式(1)所示:
此外,移动目标机器人k的连续动力学方程如式(2)所示:
如图2所示,智能机器人群体的初始位置符合高斯分布,初始通信拓扑图是不连通的。初始参数设置:n=150,m=3,d=8,rc=10,λ=20;vt1=vt2=vt3=[1,1];rt1=[-50,20],rt2=[0,-20],rt3=[40,40]。
下面介绍第二步,依据智能机器人和移动目标机器人之间的距离与该目标机器人的变化可视范围关系,智能机器人选择进入不同工作模式的具体实施过程。
若智能机器人i和移动目标机器人k之间的距离小于等于该目标机器人的变化可视范围,即||rtk-ri||≤θk,则智能机器人i进入蜂拥追踪模式。θk是移动目标机器人k变化的可视范围,它是以ntk>0,k∈(1,2,…,m)为自变量的单调递减的指数函数,
其中ntk表示目标移动机器人k的追踪智能体数量。
若智能机器人i和移动目标机器人k之间的距离大于该目标机器人的变化可视范围,即||rtk-ri||>θk,或者智能机器人i在若干个目标机器人的变化可视范围内并且与这些目标机器人的距离都相等,即智能机器人i处于死锁状态,在这两种情况下,智能机器人i进入反蜂拥的搜索模式。
下面介绍第三步,智能机器人进入蜂拥追踪工作模式时,控制协议的设计:
当智能机器人i处于蜂拥追踪模式时,对应的控制协议设计为;
其中fi g是位置梯度项,用于实现分离和聚合的规则;fi d是速度一致项,用于实现智能机器人之间的速度匹配;fi γ是引导反馈项,取决于群集目标。这里,
那么
式中是作用力函数,即
其中rα=||r||σ,dα=||rj-ri||σ,两者都是常数参数。作用力函数的曲线如图3所示,图中dα是ψ(x)全局最小值x=d的σ-范数。
这里,常用函数的描述如下所示:
向量x的σ-范数
冲击函数
不均匀的S型函数
其中0<a≤b且确保且式(5)中ε∈(0,1),aij是智能机器人群体加权邻接矩阵A中的元素。
将定义更新计算
其中ntk表示目标移动机器人k的追踪智能机器人数量,c12>0,c22>0。计算引导反馈项此时,在蜂拥追踪模式下,智能机器人的控制协议ui其表达式(5)改变为下面的表现形式:
下面介绍第四步,智能机器人进入反蜂拥搜索工作模式时,控制协议的设计:
当智能机器人i处于反蜂拥搜索模式时,智能机器人控制协议的设计:
类似地,智能机器人i的控制协议设计为
定义依据智能机器人i与目标机器人之间距离最近原则确定搜索新的移动目标机器人。随后,更新计算
其中c13>0,c23>0,ri,t min,vi,t min分别表示智能机器人i最近目标机器人的位置和速度。因此,在反蜂拥搜索模式下,智能机器人i的控制协议ui为:
智能机器人在上述两种工作模式交互作用下,其形成多机器人局部蜂拥团体,当全部移动目标被成功地追踪时,认为完成多移动目标机器人的协同追踪任务。
从图4至图7,我们可以清楚地观察150个智能机器人组成的群体追踪三个移动目标机器人的大致全过程。初始分布杂乱无章的智能机器人群体,通过局部信息的不断交互作用,逐渐以移动目标机器人为导向分成了若干个子群体。当整个机器人群体运动时间t=5s时,由图4观察可知,一些智能机器人已经锁定自身的目标并且实施追踪模式,智能机器人间信息的交互网也在持续扩张,整个机器人群体大体上分为三部分。随着运动时间的推移,当运动时间t=10s时,由图5观察,发现智能机器人群体已经呈现出局部多蜂拥的现象,其中有两个子机器人群体明显包围了移动目标机器人。当整个机器人群体运动时间t=16s时,具有相同移动目标机器人的智能机器人构成了有着稳定拓扑网络结构的子群体,这些子群体分别地包围各自的移动目标机器人如图6所示。图7清晰地表明了智能机器人群体的局部多蜂拥已经完全形成,通过150个智能机器人已分别将三个移动目标机器人包围。
从图4-图7这些运行结果中观察到的现象,进一步表明所提出的局部蜂拥控制方法能够使得规模可扩展的智能机器人群体形成局部多蜂拥追踪和包围多个移动目标。在本发明构思的基础上能够进行各种替换、变化和修改,这些替换、变化和修改不应排除在发明的保护范围之外。
Claims (4)
1.一种分布式多机器人的局部蜂拥控制方法,其特征是包括如下步骤:
(1)初始化参数:设置智能机器人的总数目、移动目标机器人的总数目和智能机器人的感知半径,以及智能机器人和目标机器人分别对应的初始位置和速度;
(2)依据智能机器人和移动目标机器人之间的距离与该目标机器人的变化可视范围关系,智能机器人选择进入不同的工作模式;
(3)当智能机器人在蜂拥追踪模式下,设计智能机器人的控制协议,实现对移动目标机器人的追踪;
(4)当智能机器人在反蜂拥搜索模式下,根据最近距离原则设计智能体机器人的控制协议,使得智能机器人能够锁定移动目标机器人;
(5)智能机器人在两种工作模式交互作用下,其形成多机器人局部蜂拥团体,完成移动目标机器人的协同追踪任务。
2.根据权利要求1所述的一种分布式多机器人的局部蜂拥控制方法,其特征是所述的智能机器人和移动目标机器人之间的距离关系:
(1)利用矩阵论中范数公式||rtk-ri||确定智能机器人i和移动目标机器人k之间的距离,其中ri表示智能机器人的位置,rtk表示移动目标机器人k的位置;
(2)将智能机器人i和移动目标机器人k之间的距离与该目标移动机器人k的变化可视范围θk进行比较,这里λ∈R,其中ntk表示移动目标机器人k的追踪智能机器人的数量。
3.根据权利要求1所述的一种分布式多机器人的局部蜂拥控制方法,其特征是本所述的智能机器人蜂拥追踪模式下的控制协议:
当||rtk-ri||≤θk时,智能机器人处于蜂拥追踪模式,智能机器人控制协议的设计:
(1)智能机器人i和移动目标k的连续运动方程分别为:
i∈V={1,2,…,n},k∈W={1,2,…,m},其中ri,vi,ui分别表示智能机器人i的位置、速度和控制输入量,rtk,vtk,utk分别表示移动目标机器人k的位置、速度和控制输入量;
(2)智能机器人i的控制协议设计为其中第一项是位置梯度项以实现分离和聚合规则,第二项是速度一致项以实现智能机器人之间的速度匹配,第三项是引导反馈项取决于群集目标移动机器人,且为控制协议设计的关键所在;具体而言,其中Ni是智能机器人i的邻居集合,是作用力函数,其中aij是智能机器人i和邻居j连边的权重,则
i∈V;
(3)将定义即引导反馈项;计算
其中c12>0,c22>0,则引导反馈项
4.根据权利要求1所述的一种分布式多机器人的局部蜂拥控制方法,其特征是所述的智能机器人反蜂拥搜索模式下的控制协议:
当||rtk-ri||>θk或者智能机器人i在若干个目标移动机器人的变化可视范围内且与这些目标的距离都相等,即时,智能机器人处于反蜂拥的搜索模式,智能机器人控制协议的设计:
(1)依据智能机器人i和目标移动机器人之间最近距离原则确定搜索新的移动目标机器人;
(2)类似地,智能机器人i的控制协议设计为将定义
即引导反馈项;计算其中c13>0,c23>0,ri,tmin,vi,tmin分别表示智能机器人i最近目标移动机器人的位置和速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810873450.XA CN108958262A (zh) | 2018-08-02 | 2018-08-02 | 一种分布式多机器人的局部蜂拥控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810873450.XA CN108958262A (zh) | 2018-08-02 | 2018-08-02 | 一种分布式多机器人的局部蜂拥控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108958262A true CN108958262A (zh) | 2018-12-07 |
Family
ID=64467141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810873450.XA Pending CN108958262A (zh) | 2018-08-02 | 2018-08-02 | 一种分布式多机器人的局部蜂拥控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108958262A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262523A (zh) * | 2019-07-31 | 2019-09-20 | 华东交通大学 | 一种分布式群体机器人的自主避障蜂拥控制方法 |
CN110750093A (zh) * | 2019-11-19 | 2020-02-04 | 中南大学 | 可扩展集群微粒机器人自组织协同跟踪控制方法 |
CN113885315A (zh) * | 2021-11-08 | 2022-01-04 | 南京邮电大学 | 一种线性时不变移动目标系统的分布式观测器设计方法 |
CN115328161A (zh) * | 2022-09-15 | 2022-11-11 | 安徽工程大学 | 一种基于k视界蚁群算法的焊接机器人路径规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901012A (zh) * | 2010-03-19 | 2010-12-01 | 华东交通大学 | 一种分布式的多机器人同步蜂拥控制方法 |
CN104898663A (zh) * | 2015-04-08 | 2015-09-09 | 华东交通大学 | 一种分布式的多机器人包含避碰控制方法 |
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 |
-
2018
- 2018-08-02 CN CN201810873450.XA patent/CN108958262A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901012A (zh) * | 2010-03-19 | 2010-12-01 | 华东交通大学 | 一种分布式的多机器人同步蜂拥控制方法 |
CN104898663A (zh) * | 2015-04-08 | 2015-09-09 | 华东交通大学 | 一种分布式的多机器人包含避碰控制方法 |
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 |
Non-Patent Citations (2)
Title |
---|
HUIQIN PEI 等: "A local flocking algorithm of multi-agent dynamic systems", 《INTERNATIONAL JOURNAL OF CONTROL》 * |
裴惠琴 等: "动态环境下可扩展移动机器人群体的围捕控制", 《信息与控制》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262523A (zh) * | 2019-07-31 | 2019-09-20 | 华东交通大学 | 一种分布式群体机器人的自主避障蜂拥控制方法 |
CN110262523B (zh) * | 2019-07-31 | 2022-05-27 | 华东交通大学 | 一种分布式群体机器人的自主避障蜂拥控制方法 |
CN110750093A (zh) * | 2019-11-19 | 2020-02-04 | 中南大学 | 可扩展集群微粒机器人自组织协同跟踪控制方法 |
CN113885315A (zh) * | 2021-11-08 | 2022-01-04 | 南京邮电大学 | 一种线性时不变移动目标系统的分布式观测器设计方法 |
CN113885315B (zh) * | 2021-11-08 | 2023-10-24 | 南京邮电大学 | 一种线性时不变移动目标系统的分布式观测器设计方法 |
CN115328161A (zh) * | 2022-09-15 | 2022-11-11 | 安徽工程大学 | 一种基于k视界蚁群算法的焊接机器人路径规划方法 |
CN115328161B (zh) * | 2022-09-15 | 2024-04-26 | 安徽工程大学 | 一种基于k视界蚁群算法的焊接机器人路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Survey on computational-intelligence-based UAV path planning | |
CN108958262A (zh) | 一种分布式多机器人的局部蜂拥控制方法 | |
He et al. | A novel hybrid particle swarm optimization for multi-UAV cooperate path planning | |
Borzi et al. | Modeling and control through leadership of a refined flocking system | |
CN106647771B (zh) | 多移动机器人的最小步编队方法 | |
Couceiro et al. | A fuzzified systematic adjustment of the robotic Darwinian PSO | |
Tang et al. | Swarm robots search for multiple targets based on an improved grouping strategy | |
Ren et al. | Overview of recent research in distributed multi-agent coordination | |
Son | Intelligent rule-based sequence planning algorithm with fuzzy optimization for robot manipulation tasks in partially dynamic environments | |
CN110262523A (zh) | 一种分布式群体机器人的自主避障蜂拥控制方法 | |
Liang et al. | Bio-inspired self-organized cooperative control consensus for crowded UUV swarm based on adaptive dynamic interaction topology | |
Chen et al. | Multi-AUV cooperative hunting control with improved Glasius bio-inspired neural network | |
Hanada et al. | Adaptive flocking of a swarm of robots based on local interactions | |
Zhan et al. | Flocking of discrete-time multi-agent systems with predictive mechanisms | |
Calvo et al. | Waves in isotropic totalistic cellular automata: Application to real-time robot navigation | |
Li et al. | Robot path planning using improved artificial bee colony algorithm | |
Vatamaniuk et al. | Convex shape generation by robotic swarm | |
CN113759935A (zh) | 基于模糊逻辑的智能群体编队移动控制方法 | |
Xu et al. | Algorithms and applications of intelligent swarm cooperative control: A comprehensive survey | |
Espelosin et al. | Path planning approach based on flock dynamics of moving particles | |
Xiao et al. | D-World: Decay small-world for optimizing swarm knowledge synchronization | |
Lee et al. | Adaptive flocking of robot swarms: Algorithms and properties | |
Ma et al. | Path planning and task assignment of the multi-AUVs system based on the hybrid bio-inspired SOM algorithm with neural wave structure | |
do Nascimento | Coordinated multi-robot formation control | |
Nishikawa et al. | Coordination control design of heterogeneous swarm robots by means of task-oriented optimization |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181207 |