CN109270934B - 基于领航者切换的多机器人编队续航方法 - Google Patents

基于领航者切换的多机器人编队续航方法 Download PDF

Info

Publication number
CN109270934B
CN109270934B CN201811298211.2A CN201811298211A CN109270934B CN 109270934 B CN109270934 B CN 109270934B CN 201811298211 A CN201811298211 A CN 201811298211A CN 109270934 B CN109270934 B CN 109270934B
Authority
CN
China
Prior art keywords
robot
follower
formation
navigator
performance function
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.)
Active
Application number
CN201811298211.2A
Other languages
English (en)
Other versions
CN109270934A (zh
Inventor
秦家虎
陈宇航
王帅
高炤
林奕爽
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN201811298211.2A priority Critical patent/CN109270934B/zh
Publication of CN109270934A publication Critical patent/CN109270934A/zh
Application granted granted Critical
Publication of CN109270934B publication Critical patent/CN109270934B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05D1/0295—Fleet control by at least one leading vehicle of the fleet
    • 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
    • G05D1/0293—Convoy travelling

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)

Abstract

本公开提供了一种基于领航者切换的多机器人编队续航方法，包括：多个机器人形成编队与地面基站建立通信；判断当前编队的领航者机器人的电量是否满足所要完成领航者切换任务的最低电量要求，如果不满足则结束编队任务，如果满足则继续执行；每个机器人基于当前的电量根据性能函数实时更新电量信息并传送至领航者机器人；领航者机器人选择性能函数中的最优信息，判断性能函数是否满足阈值条件，不满足阈值条件返回循环，满足阈值条件则选择提供最优信息的跟随者机器人作为待替换的领航者机器人；最后进行领航者机器人的替换。本公开充分利用编队中所有机器人的续航能力，提高了编队整体的续航时间。

Description

基于领航者切换的多机器人编队续航方法
技术领域
本公开涉及机器人编队续航领域，尤其涉及一种基于领航者切换的多机器人编队续航方法。
背景技术
现代社会仍有许多极限或危险环境不适宜人类活动，如台风地震过后的搜救，军事上的排雷及侦查等。在这些场合，如果能利用单个或多个机器人去代替人来完成任务，不仅能减少人员伤亡，也能有效提高效率。
多机器人的编队控制是多个移动机器人在到达目的过程中，能够收敛于某种期望的队形，保持相对位置同时适应周围环境的约束。近年来，随着越来越多研究的深入，许多编队控制算法被提出并应用到编队控制中，最典型的就是领航者-跟随者方法。领航者-跟随者方法的基本思想是在多个机器人系统中选择一个机器人作为领航者，其他机器人作为跟随者，其控制过程使跟随者以预期队形跟随领航者运动。
这种方法可以实现分布式编队控制，但同时也带来了一些新的问题，比如续航问题。领航者在运动过程中，对传感器的使用次数以及通信频率都比普通跟随者高，因此更容易出现续航问题，如何提高多机器人编队的续航问题也是当前的研究热点之一。现有的编队方法大多考虑达到一致性或提高系统的稳定性，电量管理调度问题较少涉及。在考虑领航者切换的问题时，也较少考虑到避免碰撞的情况。
发明内容
(一)要解决的技术问题
本公开提供了一种基于领航者切换的多机器人编队续航方法，以至少部分解决以上所提出的技术问题。
(二)技术方案
根据本公开的一个方面，提供了一种基于领航者切换的多机器人编队续航方法，包括：
步骤A：多个机器人形成编队并与地面基站建立通信，所述编队中包括一个领航者机器人和多个跟随者机器人；
步骤B：判断当前编队的领航者机器人的电量是否满足所要完成领航者切换任务的最低电量要求，如果不满足则结束编队任务，如果满足则继续执行；
步骤C：每个机器人基于当前的电量根据性能函数实时更新电量信息；
步骤D：每个跟随机器人将更新的性能函数传送至领航者机器人；
步骤E：领航者机器人自获得跟随者机器人传送的性能函数中选择最优信息，判断提供最优信息的跟随者机器人的性能函数是否满足阈值条件，不满足阈值条件返回步骤B，满足阈值条件则选择提供最优信息的跟随者机器人作为待替换的领航者机器人；
步骤F：进行领航者机器人的替换。
在本公开的一些实施例中，步骤A中形成编队的多个机器人，领航者机器人作为根节点，跟随者机器人依次作为领航者机器人的子节点，作为子节点的跟随者机器人同时还作为其相邻子节点的父节点；通信在相邻节点间进行。
在本公开的一些实施例中，所述步骤A中还包括：在编队移动过程中，每个机器人通过定位系统获取自己的位置信息，并通过通信获取相邻机器人的信息；进行一致性计算保证编队稳定，所述一致性计算如下：
ri＝(xi，yi，θi)
Figure BDA0001851314770000021
Figure BDA0001851314770000022
其中，ri为编队中机器人i的当前位置；
Figure BDA0001851314770000023
为编队中机器人i的当前速度；ri d为编队中机器人i相对于参考系的目标位置；
Figure BDA0001851314770000024
为编队中机器人i的期望速度；αi为比例系数；aij为邻接矩阵系数，当j-＞i时，aij＞0，否则aij＝0。
在本公开的一些实施例中，所述步骤C包括：
子步骤C1：计算领航者机器人的电量消耗为
Vol(0)＝Vol(0)-αt
其中，α为比例系数。
子步骤C2：根据子步骤C1提供的领航者机器人的电量消耗，计算跟随者机器人的电量消耗为
Vol(i)＝Vol(i)-αβt
其中0＜β＜1，代表跟随者机器人与领航者机器人的耗电比；
子步骤C3：基于子步骤C1和子步骤C2，根据性能函数更新电量信息，性能函数为：
Figure BDA0001851314770000031
其中，Vi表示第i个跟随者机器人的移动速度，dist(0，i)表示第i个跟随者机器人与当前领航者机器人的欧式距离，obst(0，i)是指从第i个跟随者机器人移动到领航者机器人所预估的避障代价；γ为比例系数。
在本公开的一些实施例中，所述步骤D包括：
子步骤D1：作为子节点的跟随者机器人将各自的性能函数数据传送至与其相邻的作为父节点的跟随者机器人；
子步骤D2：所述子步骤D1中作为父节点的跟随者机器人将收集到的性能函数数据和自身性能函数数据进行比较；
子步骤D3：根据执行目标定义最优值，记录最优值并顺次向相邻的父节点跟随者机器人传送，直至将数据传送至领航者机器人为止。
在本公开的一些实施例中，所述步骤E中的所述阈值条件为：
f(0)＜λ*max*(f(i))，i＝1，2，...，n
其中，f(0)为领航者机器人的性能函数；max*(f(i))为跟随者机器人中性能函数的最优值；λ为系数。
在本公开的一些实施例中，所述步骤F包括：
步骤F1：在领航者机器人的位置和用于替换领航者机器人的跟随者机器人的位置，创建一个虚拟领航者和虚拟跟随者；
步骤F2：虚拟领航者/虚拟跟随者按照被创建时领航者机器人/跟随者机器人的速度和姿态信息向相邻跟随者机器人发送信息，被替换领航者机器人运动目标为虚拟跟随者所在位置；
步骤F3：选择的下一领航者机器人的目标位置为虚拟领航者所在位置。
在本公开的一些实施例中，所述系数λ根据仿真实验定义。
在本公开的一些实施例中，所述步骤C中还包括：将实时更新的电量信息进行广播。
(三)有益效果
从上述技术方案可以看出，本公开基于领航者切换的多机器人编队续航方法至少具有以下有益效果其中之一或其中一部分：
(1)本公开充分利用编队中所有机器人的续航能力，提高了编队整体的续航时间。
(2)本公开在挑选下一领航者的过程中充分考虑了距离及避障因素，提高了切换领航者的效率和可行性。
(3)本公开在切换领航者过程中，通过创建虚拟领航者及虚拟跟随者的方法，保证了编队的稳定性。
附图说明
图1为本公开实施例多基于领航者切换的多机器人编队续航方法流程框图。
图2为本公开实施例多基于领航者切换的多机器人编队续航方法编队示例图。
图3为本公开实施例多基于领航者切换的多机器人编队续航方法领航者切换示意图。
图4为本公开实施例多基于领航者切换的多机器人编队续航方法实验结果对比图。
具体实施方式
本公开提供了一种基于领航者切换的多机器人编队续航方法，包括：多个机器人形成编队与地面基站建立通信；判断当前编队的领航者机器人的电量是否满足所要完成领航者切换任务的最低电量要求，如果不满足则结束编队任务，如果满足则继续执行；每个机器人基于当前的电量根据性能函数实时更新电量信息并传送至领航者机器人；领航者机器人选择性能函数中的最优信息，判断性能函数是否满足阈值条件，不满足阈值条件返回循环，满足阈值条件则选择提供最优信息的跟随者机器人作为待替换的领航者机器人；最后进行领航者机器人的替换。本公开充分利用编队中所有机器人的续航能力，提高了编队整体的续航时间。
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
本公开某些实施例于后方将参照所附附图做更全面性地描述，其中一些但并非全部的实施例将被示出。实际上，本公开的各种实施例可以许多不同形式实现，而不应被解释为限于此数所阐述的实施例；相对地，提供这些实施例使得本公开满足适用的法律要求。
在本公开的第一个示例性实施例中，提供了一种基于领航者切换的多机器人编队续航方法。图1为本公开实施例多基于领航者切换的多机器人编队续航方法流程框图。如图1所示，本公开图1为本公开实施例多基于领航者切换的多机器人编队续航方法，包括：
步骤A：多个机器人形成编队与地面基站建立通信，在所述编队移动过程中，所述编队中包括一个领航者机器人和多个跟随者机器人。
其中，步骤A中以生成树的形式建立通信。具体的，将领航者作为根节点，其余跟随者依次作为其子节点，子节点作为其子节点的父节点，以此类推。利用生成树的形式进行通信，除了领航者每个节点只需与邻居节点进行通信即可，而无需得知全局信息，减少了通信损耗。图2为本公开实施例多基于领航者切换的多机器人编队续航方法编队示例图。如图2所示，结合图2做进一步说明，领航者作为根节点，第一跟随者和第二跟随者作为领航者的子节点；第三跟随者和第四跟随者作为第一跟随者的子节点，相应地，第一跟随者为第三跟随者和第四跟随者的父节点；第五跟随者作为第二跟随者的子节点，相应地，第二跟随者为第五跟随者的父节点。
进一步地，所述步骤A中还包括：在编队移动过程中，每个机器人通过定位系统获取自己的位置信息，并通过通信获取相邻机器人的信息；进行一致性计算保证编队稳定，所述一致性计算如下：
ri＝(Xi，yi，θi)
Figure BDA0001851314770000061
Figure BDA0001851314770000062
其中，ri为编队中机器人i的当前位置；
Figure BDA0001851314770000063
为编队中机器人i的当前速度；ri d为编队中机器人i相对于参考系的目标位置，这里参考系需要在先确定，如地面参考系等；
Figure BDA0001851314770000064
为编队中机器人i的期望速度；αi为比例系数；aij为邻接矩阵系数，当j-＞i时，aij＞0，否则aii＝0。
步骤B：判断当前编队的领航者机器人的电量是否满足所要完成领航者切换任务的最低电量要求，如果不满足则结束编队任务，如果满足则继续执行。
步骤C：每个机器人基于当前的电量根据性能函数实时更新电量信息，并进行广播。具体的，步骤C包括：
子步骤C1：计算领航者机器人的电量消耗为：
Vol(0)＝Vol(0)-αt
其中，α为比例系数，对结构不同或任务需要不同的机器人需要根据实际情况进行调整。
子步骤C2：根据子步骤C1提供的领航者机器人的电量消耗，计算跟随者机器人的电量消耗为
Vol(i)＝Vol(i)-αβt
其中0＜β＜1，代表跟随者机器人与领航者机器人的耗电比；
子步骤C3：基于子步骤C1和子步骤C2，根据性能函数更新电量信息，性能函数为：
Figure BDA0001851314770000065
其中，Vi表示第i个跟随者机器人的移动速度，dist(0，i)表示第i个跟随者机器人与当前领航者机器人的欧式距离，obst(0，i)是指从第i个跟随者机器人移动到领航者机器人所预估的避障代价；γ为比例系数。
在实施例中，还可以将实时更新的电量信息进行广播。子步骤C3中通过启发式计算，同时利用系数γ平衡电量、距离和避障之间的权值。
步骤D：每个跟随机器人更新的性能函数，传送至领航者机器人。具体的，步骤D还包括：
子步骤D1：作为子节点的跟随者机器人将各自的性能函数数据传送至与其相邻的作为父节点的跟随者机器人；
子步骤D2：所述子步骤D1中作为父节点的跟随者机器人将收集到的性能函数数据和自身性能函数数据进行比较；
子步骤D3：记录最优值并顺次向相邻的父节点跟随者机器人传送，直至将数据传送至领航者机器人为止。这里最优值是根据执行目标进行定义的，如执行目标为续航时间最长，那么此时性能函数的最优值就可以定义为使预期剩余电量最多。
在一具体实施例中，图2为本公开实施例多基于领航者切换的多机器人编队续航方法编队示例图。如图2所示，第三跟随者机器人、第四跟随者机器人将各自的性能函数数据传送至第一跟随者机器人，第五跟随者机器人将性能函数数据传送至第二跟随者机器人；第一跟随者机器人和第二跟随者机器人将收集到的性能函数数据和自身性能函数数据进行比较；记录最优值并将数据传送至领航者机器人。采用由叶节点向根节点扩散的传播方式，使每个机器人在仅与邻居节点处的机器人通信的基础上，仍能得到所有节点的最优信息。
步骤E：领航者机器人自获得跟随者机器人传送的性能函数中选择最优信息，判断提供最优信息的跟随者机器人的性能函数是否满足阈值条件，不满足阈值条件返回步骤B，满足阈值条件则选择提供最优信息的跟随者机器人作为待替换的领航者机器人。
具体的，阈值条件为：
f(0)＜λ*max*(f(i))，i＝1，2，...，n
其中，f(0)为领航者机器人的性能函数；max*(f(i))为跟随者机器人中性能函数的最优值；λ为系数，系数λ通过实验定义。
步骤F：进行领航者机器人的替换。具体的，步骤F包括：
步骤F1：在领航者机器人的位置和用于替换领航者机器人的跟随者机器人的位置，创建一个虚拟领航者和虚拟跟随者；
步骤F2：虚拟领航者/虚拟跟随者按照被创建时领航者机器人/跟随者机器人的速度和姿态信息向相邻跟随者机器人发送信息，被替换领航者机器人运动目标为虚拟跟随者所在位置；
步骤F3：选择的下一领航者机器人的目标位置为虚拟领航者所在位置。
在具体实施例中，图3为本公开实施例多基于领航者切换的多机器人编队续航方法领航者切换示意图。如图3所示，虚拟领航者按照被创建时领航者机器人的速度和姿态信息向第一领航者机器人和第二领航者机器人发送信息，但运动目标为虚拟跟随者所在位置，代替换的领航者机器人的目标位置为虚拟领航者所在位置。
图4为本公开实施例多基于领航者切换的多机器人编队续航方法实验结果对比图。如图4所示，为基于图2所示的编队进行的仿真，当β＝0.5，λ＝0.9时的仿真结果。从图中可以看出，本公开采用的领航者切换的多机器人续航方法将原有的续航时间提升了近50％。
至此，已经结合附图对本公开实施例进行了详细描述。需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。
依据以上描述，本领域技术人员应当对本公开基于领航者切换的多机器人编队续航方法有了清楚的认识。
综上所述，本公开充分利用编队中所有机器人的续航能力，提高了编队整体的续航时间，并在挑选下一领航者的过程中充分考虑了距离及避障因素，提高了切换领航者的效率和可行性。
还需要说明的是，实施例中提到的方向用语，例如“上”、“下”、“前”、“后”、“左”、“右”等，仅是参考附图的方向，并非用来限制本公开的保护范围。贯穿附图，相同的元素由相同或相近的附图标记来表示。在可能导致对本公开的理解造成混淆时，将省略常规结构或构造。
除非有所知名为相反之意，本说明书及所附权利要求中的数值参数是近似值，能够根据通过本公开的内容所得的所需特性改变。具体而言，所有使用于说明书及权利要求中表示组成的含量、反应条件等等的数字，应理解为在所有情况中是受到「约」的用语所修饰。一般情况下，其表达的含义是指包含由特定数量在一些实施例中±10％的变化、在一些实施例中±5％的变化、在一些实施例中±1％的变化、在一些实施例中±0.5％的变化。
再者，单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词，以修饰相应的元件，其本身并不意味着该元件有任何的序数，也不代表某一元件与另一元件的顺序、或是制造方法上的顺序，该些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。
此外，除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的启示一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的内容，并且上面对特定语言所做的描述是为了披露本公开的最佳实施方式。
类似地，应当理解，为了精简本公开并帮助理解各个公开方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，公开方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。
以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (8)

1.一种基于领航者切换的多机器人编队续航方法，包括：
步骤A：多个机器人形成编队并与地面基站建立通信，所述编队中包括一个领航者机器人和多个跟随者机器人；
步骤B：判断当前编队的领航者机器人的电量是否满足所要完成领航者切换任务的最低电量要求，如果不满足则结束编队任务，如果满足则继续执行；
步骤C：每个机器人基于当前的电量根据性能函数实时更新电量信息；
步骤D：每个跟随机器人将更新的性能函数传送至领航者机器人；
步骤E：领航者机器人自获得跟随者机器人传送的性能函数中选择最优信息，判断提供最优信息的跟随者机器人的性能函数是否满足阈值条件，不满足阈值条件返回步骤B，满足阈值条件则选择提供最优信息的跟随者机器人作为待替换的领航者机器人；
步骤F：进行领航者机器人的替换；所述步骤F包括：
步骤F1：在领航者机器人的位置和用于替换领航者机器人的跟随者机器人的位置，创建一个虚拟领航者和虚拟跟随者；
步骤F2：虚拟领航者/虚拟跟随者按照被创建时领航者机器人/跟随者机器人的速度和姿态信息向相邻跟随者机器人发送信息，被替换领航者机器人运动目标为虚拟跟随者所在位置；
步骤F3：选择的下一领航者机器人的目标位置为虚拟领航者所在位置。
2.根据权利要求1所述的多机器人编队续航方法，其中，步骤A中形成编队的多个机器人，领航者机器人作为根节点，跟随者机器人依次作为领航者机器人的子节点，作为子节点的跟随者机器人同时还作为其相邻子节点的父节点；通信在相邻节点间进行。
3.根据权利要求1所述的多机器人编队续航方法，其中，所述步骤A中还包括：在编队移动过程中，每个机器人通过定位系统获取自己的位置信息，并通过通信获取相邻机器人的信息；进行一致性计算保证编队稳定，所述一致性计算如下：
ri＝(xi，yi，θi)
Figure FDA0002364808030000021
Figure FDA0002364808030000022
其中，ri为编队中机器人i的当前位置；
Figure FDA0002364808030000023
为编队中机器人i的当前速度；ri d为编队中机器人i相对于参考系的目标位置；
Figure FDA0002364808030000024
为编队中机器人i的期望速度；αi为比例系数；aij为邻接矩阵系数，当j-＞i时，aij＞0，否则aij＝0。
4.根据权利要求1所述的多机器人编队续航方法，其中，所述步骤C包括：
子步骤C1：计算领航者机器人的电量消耗为Vol(0)＝Vol(0)-αt
其中，α为比例系数；
子步骤C2：根据子步骤C1提供的领航者机器人的电量消耗，计算跟随者机器人的电量消耗为Vol(i)＝Vol(i)-αβt
其中0＜β＜1，代表跟随者机器人与领航者机器人的耗电比；
子步骤C3：基于子步骤C1和子步骤C2，根据性能函数更新电量信息，性能函数为：
Figure FDA0002364808030000025
其中，vi表示第i个跟随者机器人的移动速度，dist(0，i)表示第i个跟随者机器人与当前领航者机器人的欧式距离，obst(0，i)是指从第i个跟随者机器人移动到领航者机器人所预估的避障代价；γ为比例系数。
5.根据权利要求1所述的多机器人编队续航方法，其中，所述步骤D包括：
子步骤D1：作为子节点的跟随者机器人将各自的性能函数数据传送至与其相邻的作为父节点的跟随者机器人；
子步骤D2：所述子步骤D1中作为父节点的跟随者机器人将收集到的性能函数数据和自身性能函数数据进行比较；
子步骤D3：根据执行目标定义最优值，记录最优值并顺次向相邻的父节点跟随者机器人传送，直至将数据传送至领航者机器人为止。
6.根据权利要求1所述的多机器人编队续航方法，其中，所述步骤E中的所述阈值条件为：
f(0)＜λ*max*(f(i))，i＝1，2，...，n
其中，f(0)为领航者机器人的性能函数；max*(f(i))为跟随者机器人中性能函数的最优值；λ为系数。
7.根据权利要求6所述的多机器人编队续航方法，其中，所述系数λ根据仿真实验定义。
8.根据权利要求1所述的多机器人编队续航方法，其中，所述步骤C中还包括：将实时更新的电量信息进行广播。
CN201811298211.2A 2018-11-01 2018-11-01 基于领航者切换的多机器人编队续航方法 Active CN109270934B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811298211.2A CN109270934B (zh) 2018-11-01 2018-11-01 基于领航者切换的多机器人编队续航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811298211.2A CN109270934B (zh) 2018-11-01 2018-11-01 基于领航者切换的多机器人编队续航方法

Publications (2)

Publication Number Publication Date
CN109270934A CN109270934A (zh) 2019-01-25
CN109270934B true CN109270934B (zh) 2020-05-12

Family

ID=65191124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811298211.2A Active CN109270934B (zh) 2018-11-01 2018-11-01 基于领航者切换的多机器人编队续航方法

Country Status (1)

Country Link
CN (1) CN109270934B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109634310B (zh) * 2019-03-01 2021-08-20 郑州大学 一种基于自适应多机器人优化编队控制方法及系统
CN110470306B (zh) * 2019-08-27 2023-03-10 中山大学 一种可保证连通性约束的基于深度强化学习的多机器人编队导航方法
CN112000108B (zh) * 2020-09-08 2021-09-21 北京航空航天大学 一种多智能体集群分组时变编队跟踪控制方法及系统
CN112099505B (zh) * 2020-09-17 2021-09-28 湖南大学 一种低复杂度的移动机器人视觉伺服编队控制方法
CN112859596B (zh) * 2021-01-07 2022-01-04 浙江大学 一种考虑编队避障的非线性遥操作多边控制方法
CN114442661B (zh) * 2022-01-04 2023-09-22 中国人民解放军军事科学院国防科技创新研究院 基于分布式共识机制的无人机集群领航者选择方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104281052A (zh) * 2013-07-06 2015-01-14 哈尔滨点石仿真科技有限公司 一种基于行为的领航者-跟随者多智能体队形控制方法
CN106020230A (zh) * 2016-05-20 2016-10-12 武汉科技大学 一种能耗约束下的多无人机任务分配方法
CN106502250A (zh) * 2016-11-23 2017-03-15 北京邮电大学 三维空间内多机器人编队的路径规划算法
CN108594846A (zh) * 2018-03-23 2018-09-28 哈尔滨工程大学 一种障碍环境下多auv编队队形优化控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104281052A (zh) * 2013-07-06 2015-01-14 哈尔滨点石仿真科技有限公司 一种基于行为的领航者-跟随者多智能体队形控制方法
CN106020230A (zh) * 2016-05-20 2016-10-12 武汉科技大学 一种能耗约束下的多无人机任务分配方法
CN106502250A (zh) * 2016-11-23 2017-03-15 北京邮电大学 三维空间内多机器人编队的路径规划算法
CN108594846A (zh) * 2018-03-23 2018-09-28 哈尔滨工程大学 一种障碍环境下多auv编队队形优化控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Coordination for linear multiagent Systems with Dynamic Interaction Topology in the Leader-Following Framework;秦家虎;《IEEE Transaction on industrial electronic》;20140531;第61卷(第5期);2412-2421 *

Also Published As

Publication number Publication date
CN109270934A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN109270934B (zh) 基于领航者切换的多机器人编队续航方法
CN111552314B (zh) 多无人机自适应编队跟踪控制方法
CN110470306B (zh) 一种可保证连通性约束的基于深度强化学习的多机器人编队导航方法
JP2009199359A (ja) 自律型ロボット及び自律型ロボットを複数用いる協調作業システム
Bouhamed et al. A generic spatiotemporal scheduling for autonomous UAVs: A reinforcement learning-based approach
Spirin et al. Time preference for information in multi-agent exploration with limited communication
CN112000128B (zh) 一种用于抢险救灾的无人机集群任务协同方法及系统
CN111006669A (zh) 一种无人机系统任务协同及路径规划方法
CN113485409A (zh) 一种面向地理公平性的无人机路径规划分配方法及系统
Pravija Raj et al. EDGO: UAV-based effective data gathering scheme for wireless sensor networks with obstacles
Parvaresh et al. A continuous actor–critic deep Q-learning-enabled deployment of UAV base stations: Toward 6G small cells in the skies of smart cities
CN114142908A (zh) 一种面向覆盖侦察任务的多无人机通信资源分配方法
Eskandari et al. Deep-reinforcement-learning-based joint 3-D navigation and phase-shift control for mobile Internet of Vehicles assisted by RIS-equipped UAVs
Mohamadi et al. Efficient algorithms for decision making and coverage deployment of connected multi-low-altitude platforms
CN108759841A (zh) 一种复杂环境下的快速航路规划方法
Reddy et al. Minimizing the total completion time on a multi-machine FMS using flower pollination algorithm
Luo et al. Deep reinforcement learning for joint trajectory planning, transmission scheduling, and access control in UAV-assisted wireless sensor networks
CN110209203A (zh) 基于5g基站充电坪续航的无人机航迹规划方法
Giagkos et al. Comparing approaches for coordination of autonomous communications UAVs
Akin et al. Multiagent Q-learning based UAV trajectory planning for effective situationalawareness
CN116634391A (zh) 一种基于无人机辅助的数据收集方法
Poudel et al. Priority-aware task assignment and path planning for efficient and load-balanced multi-UAV operation
CN113919188B (zh) 一种基于上下文-mab的中继无人机路径规划方法
CN111830916A (zh) 一种面向多目标追踪的群机器人分布式竞争协同方法
Han et al. Hybrid Algorithm-Based Full Coverage Search Approach With Multiple AUVs to Unknown Environments in Internet of Underwater Things

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