CN110231821A - 多机器人编队的改进自适应零空间行为融合方法 - Google Patents
多机器人编队的改进自适应零空间行为融合方法 Download PDFInfo
- Publication number
- CN110231821A CN110231821A CN201910474756.2A CN201910474756A CN110231821A CN 110231821 A CN110231821 A CN 110231821A CN 201910474756 A CN201910474756 A CN 201910474756A CN 110231821 A CN110231821 A CN 110231821A
- Authority
- CN
- China
- Prior art keywords
- robot
- formation
- behavior
- motion
- kinds
- 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 85
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000009471 action Effects 0.000 title claims abstract description 42
- 238000005267 amalgamation Methods 0.000 title claims abstract description 42
- 230000006872 improvement Effects 0.000 title claims abstract description 22
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 21
- 230000006399 behavior Effects 0.000 claims abstract description 106
- 230000004888 barrier function Effects 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000002265 prevention Effects 0.000 claims description 10
- 238000009795 derivation Methods 0.000 claims description 5
- 238000012067 mathematical method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005755 formation reaction Methods 0.000 description 61
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 241000592274 Polypodium vulgare Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 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
- 230000004927 fusion Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- 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
- G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
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)
- Feedback Control In General (AREA)
Abstract
本发明属于移动机器人编队运动规划领域,具体涉及一种多机器人编队的改进自适应零空间行为融合方法,包括以下步骤:将机器人的编队运动过程分解成3种运动行为:奔向目标点、避障、编队;确定3种运动行为的执行顺序,其优先级顺序为为避障、奔向目标点、编队;建立每一行为的运动模型;根据机器人运动信息求解行为运动模型;本发明的方法是在传统的零空间行为融合方法基础上,在避障行为中提出了一种逻辑优先的机器人间障碍物选定策略,有效避免了在两个机器人互为障碍物时,复选产生“越避越远”偏离任务路线的现象,提高了多机器人编队任务效率,有利于编队队形保持,在运动规划上具有显著进步。
Description
技术领域
本发明属于移动机器人编队运动规划领域,具体涉及一种多机器人编队的改进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,而多移动机器人的成本低、鲁棒性强、完成任务好的特点使得多移动机器人受到了越来越多的关注。近年来,多移动机器人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。多机器人编队问题是一个典型的多机器人协同控制问题,是多机器人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。零空间行为融合理论是解决分布式编队控制问题的一种典型方法。
姚红等人发表的论文《Null-Space-BasedCoordinated ControlofSpacecraftFormation》把零空间行为融合(Null-Space-Based,NSB)方法应用于航天器编队的协同控制,以解决整体移动、整体聚散,构形变换以及碰撞规避等问题。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。范佳佳等人公开的发明专利《一种多机器人编队的自适应零空间行为融合方法》,在传统零空间行为融合的方法上引入具有实际意义的变量以代替增益系数重新定义奔向目标和避障两种行为,使得运动规划具有自适应性。
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(无明确物理意义),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。而且在利用传统零空间行为融合编队控制方法时,因为在每一固定工况下增益系数为一常数,在规划过程中会产生“饱和规划”现象,即所规划出的期望速度高于机器人实际速度极限(超过其机动能力),任务误执行也会伴随着这种现象的产生而发生。
发明内容
本发明的目的在于提供一种多机器人编队的自适应零空间行为融合方法,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、当前定位坐标)来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,具有自适应性,可以同时兼顾效率与性能。
多机器人编队的改进自适应零空间行为融合方法,包括以下步骤:
(1)将机器人的编队运动过程分解成3种运动行为:奔向目标点、避障、编队;
(2)确定3种运动行为的执行顺序,其优先级顺序为为避障、奔向目标点、编队;
(3)建立每一行为的运动模型;
(4)根据机器人运动信息求解行为运动模型;
(5)根据逻辑优先避障策略选择障碍物;
(6)基于零空间数学方法对3种运动模型进行融合,继而求出最终的速度和方向;
(7)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)。
所述建立每一行为的运动模型,包括:
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)
其中,δ(x,y)为可控的任务变量;
对上式两边进行求导得:
其中,J(p)为δ的雅克比矩阵,则机器人的期望速度为:
其中,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,则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为:
所述根据机器人运动信息求解行为运动模型,包括:
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>0,奔向目标点行为增益系数λc满足|vc|<vmax;
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,且Da0<d;
编队行为的运动模型为:
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,(xf,yf)是当前时刻机器人的期望队形位置点,rf>0是队形阈值。
所述根据逻辑优先避障策略选择障碍物,包括:
将机器人进行编号,执行机器人在判断避碰的障碍物时会选择在避障范围内比自身小的序号进行优先避障。
所述基于零空间数学方法对3种运动模型进行融合,继而求出最终的速度和方向,包括:
考虑3种行为的优先级顺序,得到最终的速度为:
v=v1+(I-J1 T(J1J1 T)-1J1)[(v2+(I-J2 T(J2J2 T)-1J2)v3]
其中,v1、v2、v3分别表示三种运动行为的速度。
本发明的有益效果在于:
(1)本发明的方法是在传统零空间行为融合方法基础上,对三种分解行为进行重新定义,引入具有物理意义的变量系数(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,具有自适应性,可以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,在避障行为中提出了一种逻辑优先的机器人间障碍物选定策略,有效避免了在两个机器人互为障碍物时,复选产生“越避越远”偏离任务路线的现象,提高了多机器人编队任务效率,有利于编队队形保持,在运动规划上具有显著进步。
附图说明
图1是多机器人编队的改进自适应零空间行为融合方法流程图;
图2是逻辑优先机器人间避碰策略示意图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明公开一种多机器人编队的改进自适应零空间行为融合方法。零空间行为融合方法,应用于多机器人编队控制领域,此方法将机器人简化为质点,将运动过程分解成3种行为,奔向目标点、避障、编队,首先针对于每种行为建立运动模型,随后将行为按照预定的优先级,基于零空间方法、设定增益系数,进行运动模型耦合,最终求得机器人的期望运动速度和方向。然而,由于传统零空间行为融合方法在应用中由于其增益系数是常量系数(无明确物理意义),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。而且在利用传统零空间行为融合编队控制方法时,因为在每一固定工况下增益系数为一常数,在规划过程中会产生“饱和规划”现象,即所规划出的期望速度高于机器人实际速度极限(超过其机动能力),任务误执行也会伴随着这种现象的产生而出现。
本发明多机器人编队的改进自适应零空间行为融合方法解决了上述问题,从而增加了分布式编队控制方法的自适应性,并且有利于编队的保持。主要步骤:(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;(4)根据机器人运动信息求解行为运动模型: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;(5)逻辑优先避障策略选择障碍物:将机器人进行编号,执行机器人在判断避碰的障碍物时会选择在避障范围内比自身小的序号进行优先避障;(6)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;(7)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)。
与已有零空间方法相比,改进自适应零空间行为融合方法,在传统零空间运动规划基础上,通过引入具有物理意义的变量系数重新定义行为运动模型,使得在各个工况求解出来的最大速度在机器人机动范围内。然后,在避障行为中提出一种优先级机器人间避碰策略,以解决在两个机器人互为障碍物时,复选产生“越避越远”偏离任务路线的现象。改进自适应零空间方法可以同时兼顾效率与性能,在运动规划方面具有显著进步,而且由于行为分解的数学模型不受距离约束,所以在多机器人编队具有广泛应用。
多机器人编队的改进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。
(4)根据机器人运动信息求解行为运动模型: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。
(5)逻辑优先避障策略选择障碍物:将机器人进行编号,执行机器人在判断避碰的障碍物时会选择在避障范围内比自身小的序号进行优先避障。
(6)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。
(7)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)。
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。
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。
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。
其中第(4)步,根据机器人运动信息求解行为运动模型的特征在于:此步的作用在于引入具有物理意义的变量系数(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。
其中第(5)步逻辑优先避障策略选择障碍物的特征在于:此步用于解决机器人间避碰问题,将编队内的机器人进行编号,执行机器人在判断避碰的障碍物时会选择在避障范围内比自身小的序号进行优先避障。
其中第(6)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。
本发明属于水面机器人、陆地机器人等多移动机器人编队运动规划领域,具体涉及一种改进自适应零空间行为融合协同编队方法。
本发明的目的在于提供一种多机器人编队的自适应零空间行为融合方法,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、当前定位坐标)来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,具有自适应性,可以同时兼顾效率与性能。
本发明的目的是这样实现的:
包括如下步骤:
(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)
对两边求导:
J(p)为δ的雅克比矩阵,则机器人的期望速度为:
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:
根据机器人运动信息求解行为运动模型: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>0。对奔向目标点行为增益系数λc进行重新定义后,其规划速度|vc|<vmax。
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,且Da0<d。
编队行为的运动模型为:
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。(xf,yf)是当前时刻机器人的期望队形位置点,rf>0是队形阈值。
逻辑优先避障策略选择障碍物:将机器人进行编号,执行机器人在判断避碰的障碍物时会选择在避障范围内比自身小的序号进行优先避障。
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下式。
v=v1+(I-J1 T(J1J1 T)-1J1)[(v2+(I-J2 T(J2J2 T)-1J2)v3]
判断机器人是否到达终点。
本发明的方法是在传统零空间行为融合方法基础上,对三种分解行为进行重新定义,引入具有物理意义的变量系数(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,具有自适应性,可以同时兼顾效率与性能。
本发明的方法是在传统的零空间行为融合方法基础上,在避障行为中提出了一种逻辑优先的机器人间障碍物选定策略,有效避免了在两个机器人互为障碍物时,复选产生“越避越远”偏离任务路线的现象,提高了多机器人编队任务效率,有利于编队队形保持,在运动规划上具有显著进步。
下面结合附图举例对本发明做更详细地描述:
图1表述了本发明的改进自适应零空间行为融合方法流程图。图2表述了本发明中的逻辑优先机器人间避碰策略示意图。具体实现步骤如下:
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。
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。
建立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)
对两边求导:
J(p)为δ的雅克比矩阵,则机器人的期望速度为:
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:
根据机器人运动信息求解行为运动模型: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>0。对奔向目标点行为增益系数λc进行重新定义后,其规划速度|vc|<vmax。
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,且Da0<d。
编队行为的运动模型为:
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。(xf,yf)是当前时刻机器人的期望队形位置点,rf>0是队形阈值。
逻辑优先避障策略选择障碍物:将机器人进行编号,执行机器人在判断避碰的障碍物时会选择在避障范围内比自身小的序号进行优先避障。
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。
v=v1+(I-J1 T(J1J1 T)-1J1)[(v2+(I-J2 T(J2J2 T)-1J2)v3]
判断机器人是否到达终点。
本领域技术人员按照本发明提供的机器人编队的改进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。
本发明通过引入具有物理意义的变量系数(机器人可达到最大速度、终点坐标、当前定位坐标)来重新定义三种行为运动模型,使得求解出来的速度不受工况环境改变而变化,并且在避障行为中提出一种优先级机器人间避碰策略,以解决在两个机器人互为障碍物时,复选产生“越避越远”偏离任务路线的现象。与传统零空间行为融合方法相比,改进自适应零空间行为融合方法在应用时具有自适应性,且有利于编队队形保持,可以同时兼顾效率与性能,技术上具有显著进步。
Claims (5)
1.多机器人编队的改进自适应零空间行为融合方法,其特征在于,包括以下步骤:
(1)将机器人的编队运动过程分解成3种运动行为:奔向目标点、避障、编队;
(2)确定3种运动行为的执行顺序,其优先级顺序为为避障、奔向目标点、编队;
(3)建立每一行为的运动模型;
(4)根据机器人运动信息求解行为运动模型;
(5)根据逻辑优先避障策略选择障碍物;
(6)基于零空间数学方法对3种运动模型进行融合,继而求出最终的速度和方向;
(7)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.根据权利要求1所述的多机器人编队的改进自适应零空间行为融合方法,其特征在于,所述建立每一行为的运动模型,包括:
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)
其中,δ(x,y)为可控的任务变量;
对上式两边进行求导得:
其中,J(p)为δ的雅克比矩阵,则机器人的期望速度为:
其中,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,则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为:
3.根据权利要求1所述的多机器人编队的改进自适应零空间行为融合方法,其特征在于,所述根据机器人运动信息求解行为运动模型,包括:
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>0,奔向目标点行为增益系数λc满足|vc|<vmax;
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,且Da0<d;
编队行为的运动模型为:
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,(xf,yf)是当前时刻机器人的期望队形位置点,rf>0是队形阈值。
4.根据权利要求1所述的多机器人编队的改进自适应零空间行为融合方法,其特征在于,所述根据逻辑优先避障策略选择障碍物,包括:
将机器人进行编号,执行机器人在判断避碰的障碍物时会选择在避障范围内比自身小的序号进行优先避障。
5.根据权利要求1所述的多机器人编队的改进自适应零空间行为融合方法,其特征在于,所述基于零空间数学方法对3种运动模型进行融合,继而求出最终的速度和方向,包括:
考虑3种行为的优先级顺序,得到最终的速度为:
v=v1+(I-J1 T(J1J1 T)-1J1)[(v2+(I-J2 T(J2J2 T)-1J2)v3]
其中,v1、v2、v3分别表示三种运动行为的速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910474756.2A CN110231821B (zh) | 2019-06-03 | 2019-06-03 | 多机器人编队的改进自适应零空间行为融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910474756.2A CN110231821B (zh) | 2019-06-03 | 2019-06-03 | 多机器人编队的改进自适应零空间行为融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110231821A true CN110231821A (zh) | 2019-09-13 |
CN110231821B CN110231821B (zh) | 2022-05-31 |
Family
ID=67858974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910474756.2A Active CN110231821B (zh) | 2019-06-03 | 2019-06-03 | 多机器人编队的改进自适应零空间行为融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110231821B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111399522A (zh) * | 2020-05-12 | 2020-07-10 | 苏州求臻智能科技有限公司 | 一种基于行为协同的变电站巡检机器人编队巡检队形保持方法 |
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 |
CN112068576A (zh) * | 2020-07-21 | 2020-12-11 | 华中科技大学 | 一种基于任务分级时序优化的水下无人艇-双机械臂协同控制方法 |
CN112327872A (zh) * | 2020-11-20 | 2021-02-05 | 哈尔滨工程大学 | 面向溢油围捕的双无人艇协同轨迹跟踪方法 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107678424A (zh) * | 2017-08-22 | 2018-02-09 | 广东美的智能机器人有限公司 | 机器人避免路径冲突的方法及其装置 |
CN108347916A (zh) * | 2015-10-14 | 2018-07-31 | 先时迈纳米生物科技股份有限公司 | 一种减少冰晶形成的组合物及其方法 |
CN108829113A (zh) * | 2018-09-01 | 2018-11-16 | 哈尔滨工程大学 | 一种多机器人编队自适应零空间行为融合方法 |
CN109116849A (zh) * | 2018-09-01 | 2019-01-01 | 哈尔滨工程大学 | 一种考虑无人艇运动性能的零空间行为融合在线优化方法 |
CN109116847A (zh) * | 2018-08-29 | 2019-01-01 | 广州市君望机器人自动化有限公司 | 路径调度方法、装置、后台服务端及存储介质 |
-
2019
- 2019-06-03 CN CN201910474756.2A patent/CN110231821B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108347916A (zh) * | 2015-10-14 | 2018-07-31 | 先时迈纳米生物科技股份有限公司 | 一种减少冰晶形成的组合物及其方法 |
CN107678424A (zh) * | 2017-08-22 | 2018-02-09 | 广东美的智能机器人有限公司 | 机器人避免路径冲突的方法及其装置 |
CN109116847A (zh) * | 2018-08-29 | 2019-01-01 | 广州市君望机器人自动化有限公司 | 路径调度方法、装置、后台服务端及存储介质 |
CN108829113A (zh) * | 2018-09-01 | 2018-11-16 | 哈尔滨工程大学 | 一种多机器人编队自适应零空间行为融合方法 |
CN109116849A (zh) * | 2018-09-01 | 2019-01-01 | 哈尔滨工程大学 | 一种考虑无人艇运动性能的零空间行为融合在线优化方法 |
Non-Patent Citations (2)
Title |
---|
张大伟等: "多移动微小型机器人编队控制与协作避碰研究", 《仪器仪表学报》 * |
邬林波: "基于NSB方法的多机器人编队控制", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111399522A (zh) * | 2020-05-12 | 2020-07-10 | 苏州求臻智能科技有限公司 | 一种基于行为协同的变电站巡检机器人编队巡检队形保持方法 |
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 |
CN112068576A (zh) * | 2020-07-21 | 2020-12-11 | 华中科技大学 | 一种基于任务分级时序优化的水下无人艇-双机械臂协同控制方法 |
CN112327872A (zh) * | 2020-11-20 | 2021-02-05 | 哈尔滨工程大学 | 面向溢油围捕的双无人艇协同轨迹跟踪方法 |
CN112327872B (zh) * | 2020-11-20 | 2021-08-03 | 哈尔滨工程大学 | 面向溢油围捕的双无人艇协同轨迹跟踪方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110231821B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110231821A (zh) | 多机器人编队的改进自适应零空间行为融合方法 | |
CN108829113A (zh) | 一种多机器人编队自适应零空间行为融合方法 | |
CN108958285B (zh) | 一种基于分解思想的高效多无人机协同航迹规划方法 | |
CN109960880B (zh) | 一种基于机器学习的工业机器人避障路径规划方法 | |
CN107491086B (zh) | 时变网络拓扑下的无人机编队避障方法及系统 | |
Chaimowicz et al. | A paradigm for dynamic coordination of multiple robots | |
CN111780777A (zh) | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 | |
CN111811511B (zh) | 一种基于降维解耦机制的无人机集群实时航迹生成方法 | |
CN110162053A (zh) | 异构多无人艇编队的自适应行为融合方法 | |
CN109947120B (zh) | 仓储系统中的路径规划方法 | |
CN109189091B (zh) | 基于积分滑模与模型预测控制的多航天器协同控制方法 | |
CN111273664A (zh) | 一种空间桁架结构在轨装配的多机器人路径协同规划方法 | |
CN115639830B (zh) | 一种空地智能体协同编队控制系统及其编队控制方法 | |
CN113050640A (zh) | 一种基于生成对抗网络的工业机器人路径规划方法和系统 | |
CN104199292A (zh) | 一种基于蚁群算法的空间机械臂末端器避障路径规划的方法 | |
CN112711261B (zh) | 一种基于局部视野的多智能体编队规划方法 | |
CN112987732A (zh) | 基于人工势场法的多移动机器人编队避障控制方法 | |
CN109116849A (zh) | 一种考虑无人艇运动性能的零空间行为融合在线优化方法 | |
CN114296440A (zh) | 一种融合在线学习的agv实时调度方法 | |
CN116540656A (zh) | 一种基于数字孪生的制造车间多agv无冲突路径调度方法 | |
Ju et al. | A hybrid systems-based hierarchical control architecture for heterogeneous field robot teams | |
Vatamaniuk et al. | Convex shape generation by robotic swarm | |
Yao et al. | Curvature-bounded lengthening and shortening for restricted vehicle path planning | |
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 |
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 |