CN109324611A - 一种基于基本行为自组织的群体机器人快速编队方法 - Google Patents
一种基于基本行为自组织的群体机器人快速编队方法 Download PDFInfo
- Publication number
- CN109324611A CN109324611A CN201811063634.6A CN201811063634A CN109324611A CN 109324611 A CN109324611 A CN 109324611A CN 201811063634 A CN201811063634 A CN 201811063634A CN 109324611 A CN109324611 A CN 109324611A
- Authority
- CN
- China
- Prior art keywords
- robot
- group
- robots
- organizing
- self
- 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 62
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 24
- 238000013459 approach Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001338 self-assembly Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于基本行为自组织的群体机器人快速编队方法,其步骤为:S1:随机从机器人集群中选出几个机器人;S2:机器人把他们的邻居加入他们的小组;S3:每组中选择一个参考机器人;参考机器人是群的领导者,正常的机器人接近同一组中的参考机器人;S4:机器人在目标环境中的适当位置停止,当目标环境发生变化时,机器人完成自适应地定位,最终获得相对稳定的群体结构。本发明具有原理简单、可降低通信成本、提高编队速度等优点。
Description
技术领域
本发明主要涉及到机器人的控制领域,特指一种基于基本行为自组织的群体机器人快速编队方法。
背景技术
群体机器人系统本质上是一个自组织的多智能体系统,其中个体在行为上是自治的,并且整个系统在控制中是分散的。机器人的局部相互作用和它们的行为预计将自组织系统在空间中有序的行为。群机器人被用来研究如何由多个自主机器人(代理)组成的系统来完成集体任务,其中任务不能由每个机器人单独实现,或者由机器人作为组更有效地执行。群体机器人系统相对于传统的单机器人系统具有某些明显的优点,如鲁棒性、灵活性和对时空分布任务的适应性。群体机器人系统的实际应用包括:编队;搜索和救援;核、生化攻击检测;战场侦察;空间探索;目标追踪和探索等等。
群体机器人系统的一个共同任务是在空间中形成复杂的形状以完成给定的任务。有证据表明,群体机器人在执行任务时的成功取决于生成和保持合适的队形的能力。例如,具有正确队形的空战可以赋予优势,多角色群机器人的正确形成可以更有效地完成任务。群体机器人的空间结构形成旨在以规则和重复的方式部署机器人。机器人通常必须保持彼此之间的特定距离以产生所需的图案。在全球水平上,群可以收敛到其在环境中最优部署的状态。
单个机器人是否能够响应并适应环境的变化随着时间的推移是更有效地完成任务的一个重要因素。然而,单个机器人在群体中的能力是有限的,并且仅利用局部感知和局部通信形成空间结构。此外,获取每个个体机器人的全局位置是具有挑战性的,并且随着大规模群体机器人系统的机器人尺寸的增加,通信成本急剧增加。目前,大多数研究都针对动态障碍下的空间形成问题进行了研究。但是在动态环境中很少有研究集中于空间形成。在一个具体应用任务的例子中群机器人应立即部署在动态目标区域的边界上。群机器人在执行这样的任务时所面临的挑战包括:
A.在没有全局定位的情况下,在未知的目标环境中,群体机器人系统很难利用局部感知来进行空间结构的形成和自适应调整。
B.如果环境是动态变化的,那么群机器人系统应该随着时间的推移来调整空间结构以变得更健壮。
C.当群的大小通过局部交互增加时,空间形成的收敛时间和总通信成本急剧增加。
在现有的群体机器人系统自组织空间形成方法中,坐标系是全局的,环境是静态的,或者规模不是足够大的。如,Gilpin等描述了可编程物质系统的设计、制造和实验结果,该系统能够通过减法形成2D形状。然而,机器人的数量仅限于几十个。Rubenstein和Shen提出了一种可扩展的自组装和自修复群体机器人系统,该系统允许一组机器人在不事先知道机器人数量的情况下形成形状。然而,群有一个共享坐标系统,是众所周知的所有机器人。Cheah等人引入地层与局部相互作用,以避免碰撞或保持指定的相对距离约束。然而,目标形状由简单的闭合曲线组成,这可能不足以处理未知的环境变化。虽然大多数空间形成方法可以通过局部通信以分布式的方式形成复杂的形状,但是这些方法侧重于静态环境,而忽略了收敛速度和通信成本,这对于某些任务具有重要意义。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种。原理简单、可降低通信成本、提高编队速度的一种基于基本行为自组织的群体机器人快速编队方法。
为解决上述技术问题,本发明采用以下技术方案:
一种基于基本行为自组织的群体机器人快速编队方法,其步骤为:
S1:随机从机器人集群中选出几个机器人;
S2:机器人把他们的邻居加入他们的小组;
S3:每组中选择一个参考机器人;参考机器人是群的领导者,正常的机器人接近同一组中的参考机器人;
S4:机器人在目标环境中的适当位置停止,当目标环境发生变化时,机器人完成自适应地定位,最终获得相对稳定的群体结构。
作为本发明的进一步改进:当机器人在动态环境中找到合适的位置时,它会转向“停止”状态,“暂停”状态是随环境变化而调整的暂时稳定状态。
作为本发明的进一步改进:在上述步骤中,如果一个机器人加入了一个组,它就不能被添加到另一个组中;在没有附加机器人的情况下,成功地构建了群组;如果机器人不能加入任何组,则将其添加到其最近邻居所在的组中。
作为本发明的进一步改进:在上述步骤中,机器人之间的通信限于同一组,而不同的组独立地朝向目标形状收敛。
作为本发明的进一步改进:群机器人在区域中随机存在,通过局部通信选择位于机器人系统边缘的三个机器人,使用分组机制,建立了机器人组。
作为本发明的进一步改进:在上述步骤中,使用上三个基本行为的自组织形成,机器人状态是“正常”、“参考”和“停止”。
作为本发明的进一步改进:机器人首先评估距离,然后旋转行为和定位行为由机器人执行;所有机器人在它们成功定位时停止,并且它们将随着环境的改变而重新定位。
作为本发明的进一步改进:所有机器人A的状态最初是snrm,而不是分组;先将群分为K组,然后在每组中选择K机器人作为参考机器人gK.aref;参考机器人搜索距离小于δ的相邻机器人,δ为设定的距离阈值,加入该组的机器人不断地加入他们的邻居,直到所有的机器人进入一组。
作为本发明的进一步改进:每个机器人具有三种基本行为baph,brvlv,和bloc,它们用来实现群机器人空间形成自组织,并在动态变化的环境下进行地层自适应调整。
作为本发明的进一步改进:所述三种基本行为的具体算法为:
“Approach”行为:baph当机器人α处于正常状态,即α.s=snrm.时,执行行为baph;每个机器人α执行行为baph的算法;在baph下,机器人α首先移动朝向先前选择的参考机器人αref,然后开始围绕αrefF旋转,以保持α和αref之间的距离高于安全阈值dsafe;
“Revolve”行为:brvlv机器人必须保持与另一机器人的安全距离;当机器人在另一个机器人附近移动时,如果距离小于安全距离,机器人必须远离机器人;当机器人α处于正常状态,即α.s=snrm时,执行行为brvlv;行为brvlv算法需要两个机器人之间的安全距离dsafe以避免由机器人太近造成的碰撞;机器人将旋转另一个邻居机器人;虽然机器人不执行行为baph,但它确实执行行为组;
“Locate”行为:bloc如果当前点与轨道之间的距离在规定范围内,并且当前位置和停止点之间的距离在安全范围内,则机器人停止运动并停止;否则,机器人无法定位并继续旋转;每个机器人α执行行为brvlv的算法;X是定位到目标形状Pb的机器人;如果被定位的机器人的邻居机器人Anb是空的,则旋转机器人将被定位。
与现有技术相比,本发明的优点在于:
1、本发明的方法,基于局部通信的自动分组算法极大地提高了编队速度,降低了通信成本。
2、本发明的方法,自组网算法可以实现群机器人的组态;完全未知的动态环境。未来的工作将包括我们的理论证明和我们的算法在实群机器人上的实现。
附图说明
图1是本发明方法的流程示意图。
图2是本发明在具体应用实例中组划分机制的原理示意图。
图3是本发明在具体应用实例中分组算法的示意图。
图4是本发明在具体应用实例中三种基本行为的示意图。
图5是本发明在具体应用实例中每个机器人α执行行为baph的算法示意图。
图6是本发明在具体应用实例中每个机器人α执行行为brvlv的算法示意图。
图7是本发明在具体应用实例中每个机器人α执行行为brvlv的算法示意图。
图8是本发明在具体应用实例中动态目标环境的示意图。
图9是本发明在具体应用实例中用200个机器人并联显示动态目标形状覆盖的多组快照示意图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1所示,本发明的基于基本行为自组织的群体机器人快速编队方法,考虑集群内每两个机器人之间的距离,并且紧密地聚集的机器人可以尽可能地组成一个组,其步骤为:
S1:随机从机器人集群中选出几个机器人;
S2:机器人把他们的邻居加入他们的小组;
在该步骤中,如果一个机器人加入了一个组,它就不能被添加到另一个组中;在没有附加机器人的情况下,成功地构建了群组;如果机器人不能加入任何组,则可以将其添加到其最近邻居所在的组中;
在该步骤中,机器人之间的通信主要限于同一组,而不同的组可以独立地朝向目标形状收敛。
S3:每组中选择一个参考机器人;参考机器人是群的领导者,正常的机器人接近同一组中的参考机器人;
S4:机器人在目标环境中的适当位置停止,当目标环境发生变化时,机器人完成自适应地定位,最终获得相对稳定的群体结构;即,当机器人在动态环境中找到合适的位置时,它会转向“停止”状态。“暂停”状态是随环境变化而调整的暂时稳定状态。
在上述步骤中,本发明使用上三个基本行为的自组织形成,机器人状态是“正常”、“参考”和“停止”。群机器人首先被分成若干组。正常机器人接近同一组中的参考机器人。为了评估距离,旋转行为和定位行为由机器人执行。所有机器人在它们成功定位时停止,并且它们将随着环境的改变而重新定位。
在具体应用实例中,组划分机制如图2所示。最初,群机器人在区域中随机存在(如图2(a)所示)。随后,通过局部通信选择位于机器人系统边缘的三个机器人(填充不同图案)(如图2(b)所示)。使用上述的分组机制,建立了三个组(与一条线连接)。在组的中心选择三个参考机器人(由红十字表示)(如图2(c)所示)。
图3显示了分组算法。所有机器人A的状态最初是snrm((行2),而不是分组(行3)。将群分为K组,然后在每组中选择K机器人作为参考机器人(gK.aref)(行5-8)。参考机器人搜索距离小于δ的相邻机器人,加入该组的机器人不断地加入他们的邻居,直到所有的机器人进入一组(第10-18行)。
如图4所示,在具体应用实例中,本发明所提出的自组织形成方法的主要概念如下:每个机器人具有三种基本行为baph,brvlv,和bloc,它们可以实现群机器人空间形成自组织。该方法还可以在动态变化的环境下进行地层自适应调整。下面的描述详细描述了用于实现三种基本行为的算法。
“Approach”行为:baph当机器人α处于正常状态,即α.s=snrm.时,执行行为baph。图5示出了每个机器人α执行行为baph的算法。在baph下,机器人α首先移动(行3)朝向先前选择的参考机器人αref,然后开始围绕αrefF旋转(行5),以保持α和αref之间的距离高于安全阈值dsafe。
“Revolve”行为:brvlv机器人必须保持与另一机器人的安全距离。当机器人在另一个机器人附近移动时,如果距离小于安全距离,机器人必须远离机器人。当机器人α处于正常状态,即α.s=snrm时,执行行为brvlv。图6显示了行为brvlv算法。需要两个机器人之间的安全距离dsafe以避免由机器人太近造成的碰撞(第3行)。机器人将旋转另一个邻居机器人(第5行)。虽然机器人不执行行为baph,但它确实执行行为组(第7行)。
“Locate”行为:bloc如果当前点与轨道之间的距离在规定范围内,并且当前位置和停止点之间的距离在安全范围内,则机器人停止运动并停止。否则,机器人无法定位并继续旋转。图7示出了每个机器人α执行行为brvlv的算法。X是定位到目标形状Pb(行2)的机器人。如果被定位的机器人的邻居机器人Anb是空的,则旋转机器人将被定位(第7行)。
为了评估本发明所提出的方法的有效性,进行了几个实验。仿真和实验结果表明,该方法显著地提高了收敛速度,降低了通信成本,验证了所提出的自适应机制的有效性。在具体应用实例中,使用多智能体仿真软件ReScript进行实验。操作系统是Wi7,硬件资源包括4G内存和I5CPU。
在模拟结果之前,在模拟中陈述一些一般假设如下:
-机器人是同质的,具有相同的速度。
-只考虑机器人的质心运动,这意味着每个机器人都被视为运动点。
-机器人使用局部坐标定位来知道相邻机器人的位置。
-机器人的感测和通信范围是有限的。然而,信息可以通过网络通信来共享。
此外,在模拟中使用以下参数设置(如表1所示)。
表1:参数值
动态环境:在这个实验中,一系列随机生成的不同长度的矩形被交织和组合以形成一个动态的目标区域(如图8所示)。目标环境的边界由黑色中的粗实线表示。每个矩形的长度随时间动态变化。因此,机器人需要根据动态边界自适应调整。为了提高群体机器人系统对动态环境的响应能力,机器人必须尽快到达目标区域。假设所有机器人以相同的速度运动,关键是机器人能够快速且自适应地调整位置到动态边界。
展示了如何200机器人部署在动态目标形状的边界的自组织方法使用自动组划分机制。最初,200个机器人随机分布在2D环境中。群划分机制将群划分为三个组,每个组中选择一个参考机器人。图9示出了由200个自组织机器人构造的不规则目标形状的过程。
三个参考机器人带领他们的组移动到目标环境的三个不同区域。正常的机器人在同一组中接近他们的参考机器人。一旦机器人找到了没有被其他机器人占用的目标环境的边界,机器人停止其位置来执行任务。随着环境的不断变化,群体机器人系统应随着时间的推移自适应地调整位置。
接下来,本发明对实验结果进行了分析。首先,在实验中测量了机器人规模对收敛时间和通信成本的影响。其次,分析了群体数量对绩效指标的影响。第三,将本发明的方法与两种不同的方法进行比较。
根据现有的方法,群机器人系统在全球坐标系下运行,机器人必须在其中进行定位。大多数空间形成方法必须知道形状位置,并且随后难以适应未知的动态环境,并且许多方法更适合于小型机器人系统。实际上,在动态变化的环境中,大规模的群体机器人系统很难及时调整空间结构。在大规模群体机器人系统中,随着机器人规模的增加,通信费用急剧增加,收敛时间也相当可观。对于在动态变化的环境中没有全局信息的大规模复杂形状的形成,本发明的方法具有比现有的群体空间形成方法低的覆盖误差。
本发明基于分组的编队方法,可以适应动态变化的环境的群体机器人系统。在实验中,可以表明,群体机器人系统动态适应在未知环境中形成一个稳定的形状,并可以调整与环境的变化。与现有方法相比,本发明主要有以下两个方面的优势:1)基于局部通信的自动分组算法极大地提高了编队速度,降低了通信成本;2)
分组方法:本发明的方法动态地将一组机器人分成多个组,机器人之间的通信主要限于同一组,而不同的组可以独立地朝向目标形状收敛,从而减少收敛时间并确保及时的响应环境变化。基于局部通信的自动分组算法极大地提高了编队速度,降低了通信成本。
自适应机制:本发明的一种基于自组织的群体机器人系统在动态环境中的自适应形成方法,该方法不需要知道预定义的模式位置。群机器人系统可以自适应地为动态变化的目标环境创建合适的空间结构。即自组网方法可以实现群机器人的组态;完全未知的动态环境。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (10)
1.一种基于基本行为自组织的群体机器人快速编队方法,其特征在于,步骤为:
S1:随机从机器人集群中选出几个机器人;
S2:机器人把他们的邻居加入他们的小组;
S3:每组中选择一个参考机器人;参考机器人是群的领导者,正常的机器人接近同一组中的参考机器人;
S4:机器人在目标环境中的适当位置停止,当目标环境发生变化时,机器人完成自适应地定位,最终获得相对稳定的群体结构。
2.根据权利要求1所述的基于基本行为自组织的群体机器人快速编队方法,其特征在于,当机器人在动态环境中找到合适的位置时,它会转向“停止”状态,“暂停”状态是随环境变化而调整的暂时稳定状态。
3.根据权利要求1所述的基于基本行为自组织的群体机器人快速编队方法,其特征在于,在上述步骤中,如果一个机器人加入了一个组,它就不能被添加到另一个组中;在没有附加机器人的情况下,成功地构建了群组;如果机器人不能加入任何组,则将其添加到其最近邻居所在的组中。
4.根据权利要求1所述的基于基本行为自组织的群体机器人快速编队方法,其特征在于,在上述步骤中,机器人之间的通信限于同一组,而不同的组独立地朝向目标形状收敛。
5.根据权利要求4所述的基于基本行为自组织的群体机器人快速编队方法,其特征在于,群机器人在区域中随机存在,通过局部通信选择位于机器人系统边缘的三个机器人,使用分组机制,建立了机器人组。
6.根据权利要求1-5中任意一项所述的基于基本行为自组织的群体机器人快速编队方法,其特征在于,在上述步骤中,使用上三个基本行为的自组织形成,机器人状态是“正常”、“参考”和“停止”。
7.根据权利要求6所述的基于基本行为自组织的群体机器人快速编队方法,其特征在于,机器人首先评估距离,然后旋转行为和定位行为由机器人执行;所有机器人在它们成功定位时停止,并且它们将随着环境的改变而重新定位。
8.根据权利要求6所述的基于基本行为自组织的群体机器人快速编队方法,其特征在于,所有机器人A的状态最初是snrm,而不是分组;先将群分为K组,然后在每组中选择K机器人作为参考机器人gK.aref;参考机器人搜索距离小于δ的相邻机器人,δ为设定的距离阈值,加入该组的机器人不断地加入他们的邻居,直到所有的机器人进入一组。
9.根据权利要求8所述的基于基本行为自组织的群体机器人快速编队方法,其特征在于,每个机器人具有三种基本行为baph,brvlv,和bloc,它们用来实现群机器人空间形成自组织,并在动态变化的环境下进行地层自适应调整。
10.根据权利要求9所述的基于基本行为自组织的群体机器人快速编队方法,其特征在于,所述三种基本行为的具体算法为:
“Approach”行为:baph当机器人α处于正常状态,即α.s=snrm.时,执行行为baph;每个机器人α执行行为baph的算法;在baph下,机器人α首先移动朝向先前选择的参考机器人αref,然后开始围绕αref F旋转,以保持α和αref之间的距离高于安全阈值dsafe;
“Revolve”行为:brvlv机器人必须保持与另一机器人的安全距离;当机器人在另一个机器人附近移动时,如果距离小于安全距离,机器人必须远离机器人;当机器人α处于正常状态,即α.s=snrm时,执行行为brvlv;行为brvlv算法需要两个机器人之间的安全距离dsafe以避免由机器人太近造成的碰撞;机器人将旋转另一个邻居机器人;虽然机器人不执行行为baph,但它确实执行行为组;
“Locate”行为:bloc如果当前点与轨道之间的距离在规定范围内,并且当前位置和停止点之间的距离在安全范围内,则机器人停止运动并停止;否则,机器人无法定位并继续旋转;每个机器人α执行行为brvlv的算法;X是定位到目标形状Pb的机器人;如果被定位的机器人的邻居机器人Anb是空的,则旋转机器人将被定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811063634.6A CN109324611A (zh) | 2018-09-12 | 2018-09-12 | 一种基于基本行为自组织的群体机器人快速编队方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811063634.6A CN109324611A (zh) | 2018-09-12 | 2018-09-12 | 一种基于基本行为自组织的群体机器人快速编队方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109324611A true CN109324611A (zh) | 2019-02-12 |
Family
ID=65265696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811063634.6A Pending CN109324611A (zh) | 2018-09-12 | 2018-09-12 | 一种基于基本行为自组织的群体机器人快速编队方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109324611A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112148021A (zh) * | 2020-09-10 | 2020-12-29 | 北京理工大学 | 基于二叉树拓扑结构和特定规则的多智能体编队变换方法 |
CN114347041A (zh) * | 2022-02-21 | 2022-04-15 | 汕头市快畅机器人科技有限公司 | 群体机器人控制与图案生成方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101945492A (zh) * | 2010-08-09 | 2011-01-12 | 哈尔滨工程大学 | 基于分簇的多机器人任务分配方法 |
CN102915465A (zh) * | 2012-10-24 | 2013-02-06 | 河海大学常州校区 | 一种基于移动生物刺激神经网络的多机器人联合编队方法 |
CN106155057A (zh) * | 2016-08-05 | 2016-11-23 | 中南大学 | 一种基于自组织行为的集群机器人图形组建方法 |
CN107703966A (zh) * | 2017-07-06 | 2018-02-16 | 北京航空航天大学 | 一种基于雁群自组织飞行的无人机自主编队控制方法 |
CN109249393A (zh) * | 2018-09-12 | 2019-01-22 | 中国人民解放军国防科技大学 | 一种基于经验控制的多参数机器人实时行为校正方法 |
-
2018
- 2018-09-12 CN CN201811063634.6A patent/CN109324611A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101945492A (zh) * | 2010-08-09 | 2011-01-12 | 哈尔滨工程大学 | 基于分簇的多机器人任务分配方法 |
CN102915465A (zh) * | 2012-10-24 | 2013-02-06 | 河海大学常州校区 | 一种基于移动生物刺激神经网络的多机器人联合编队方法 |
CN106155057A (zh) * | 2016-08-05 | 2016-11-23 | 中南大学 | 一种基于自组织行为的集群机器人图形组建方法 |
CN107703966A (zh) * | 2017-07-06 | 2018-02-16 | 北京航空航天大学 | 一种基于雁群自组织飞行的无人机自主编队控制方法 |
CN109249393A (zh) * | 2018-09-12 | 2019-01-22 | 中国人民解放军国防科技大学 | 一种基于经验控制的多参数机器人实时行为校正方法 |
Non-Patent Citations (1)
Title |
---|
QIUZHEN WANG,等: "Grouping-based adaptive spatial formation of swarm robots in a dynamic environment", 《INTERNATIONAL JOURNAL OF ADVANCED ROBOTIC SYSTEMS》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112148021A (zh) * | 2020-09-10 | 2020-12-29 | 北京理工大学 | 基于二叉树拓扑结构和特定规则的多智能体编队变换方法 |
CN114347041A (zh) * | 2022-02-21 | 2022-04-15 | 汕头市快畅机器人科技有限公司 | 群体机器人控制与图案生成方法 |
CN114347041B (zh) * | 2022-02-21 | 2024-03-08 | 汕头市快畅机器人科技有限公司 | 群体机器人控制与图案生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106647744B (zh) | 一种机器人路径规划方法及装置 | |
JP6174523B2 (ja) | 行動制御システム、その方法及びプログラム | |
CN109324611A (zh) | 一种基于基本行为自组织的群体机器人快速编队方法 | |
Huang et al. | Coverage control of multiple unmanned aerial vehicles: A short review | |
CN108453746A (zh) | 自主与协商相结合的多机器人协同探索技术 | |
Özdemir et al. | Spatial coverage without computation | |
Pourghorban et al. | Target defense against periodically arriving intruders | |
Rakavi et al. | Grid based mobile sensor node deployment for improving area coverage in Wireless Sensor Networks | |
Barrameda et al. | Deployment of asynchronous robotic sensors in unknown orthogonal environments | |
Chang et al. | OFRD: obstacle-free robot deployment algorithms for wireless sensor networks | |
Liu et al. | A swarm intelligence based algorithm for distribute search and collective cleanup | |
Baranzadeh | A decentralized control algorithm for target search by a multi-robot team | |
Sharma et al. | Tight bounds on localized sensor self-deployment for focused coverage | |
CN110442138A (zh) | 一种机器人集群的控制及避障方法 | |
Savkin et al. | A method for decentralized self-deployment of a mobile sensor network with given regular geometric patterns | |
Yang | A decentralized algorithm for collision free navigation of multiple robots in search tasks | |
Lin et al. | Multi‐narrow type obstacle avoidance algorithm for UAV swarm based on game theory | |
CN110119151B (zh) | 一种机器人队形成形的目标点分配方法 | |
Yang et al. | A new approach to circle formation in multi-agent systems | |
Yang | Fast Distributed Self-Deployment of Multiple Mobile Robotic Sensors with Collision Avoidance for Blanket Coverage | |
Prabhu et al. | Hexagonal lattice formation in multi-robot systems | |
Rashid et al. | Polygon Shape Formation for Multi-Mobile Robots in a Global Knowledge Environment. | |
Ercan et al. | A regular tetrahedron formation strategy for swarm robots in three-dimensional environment | |
Gotzy et al. | Aerial surveillance system with cognitive swarm drones | |
Huang et al. | Distributed coordination with connectivity maintenance for nonholonomic robots |
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 |
Application publication date: 20190212 |
|
WD01 | Invention patent application deemed withdrawn after publication |