CN110297503A - 一种多无人系统协同搜索危险源的方法 - Google Patents

一种多无人系统协同搜索危险源的方法 Download PDF

Info

Publication number
CN110297503A
CN110297503A CN201910610872.2A CN201910610872A CN110297503A CN 110297503 A CN110297503 A CN 110297503A CN 201910610872 A CN201910610872 A CN 201910610872A CN 110297503 A CN110297503 A CN 110297503A
Authority
CN
China
Prior art keywords
robot
point
search
formula
neighborhood
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
Application number
CN201910610872.2A
Other languages
English (en)
Other versions
CN110297503B (zh
Inventor
张亚平
钟轶
廖开升
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.)
CETC 2 Research Institute
Southwest China Research Institute Electronic Equipment
Original Assignee
CETC 2 Research Institute
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 CETC 2 Research Institute filed Critical CETC 2 Research Institute
Priority to CN201910610872.2A priority Critical patent/CN110297503B/zh
Publication of CN110297503A publication Critical patent/CN110297503A/zh
Application granted granted Critical
Publication of CN110297503B publication Critical patent/CN110297503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/12Target-seeking control

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

本发明公开了多无人系统协同搜索危险源的方法,步骤一、栅格化步骤;步骤二、设计空间适应值函数,依靠高斯过程回归建立统一的危险源信号分布模型,根据空间适应值函数计算当前时刻空间中最优位置,并将当前时刻空间中最优位置作为各机器人共同的临时搜索目标;步骤三、以步骤二得到的临时搜索目标作为各机器人共同的临时目标点,根据邻域适应值函数选择邻域中最优位置作为各机器人的局部目标点,机器人步进移动并搜集当前位置的信号强度值更新训练集,直至某一机器人到达临时目标点,停止搜索;如果临时目标点满足危险源确认条件,搜索结束。本发明能实现对未知室内外环境的危险源目标搜索,提高了算法收敛速度,搜索效率高于单机器人搜索模式。

Description

一种多无人系统协同搜索危险源的方法
技术领域
本发明涉及一种多无人系统的目标搜寻方法,具体涉及一种多无人系统协同搜索危险源的方法。
背景技术
在军事作战领域,复杂的战场环境往往存在诸多非合作危险源,如有害气体源、生化放射源、电磁信号源以及爆炸装置等,此类危险源的存在给士兵的安全带来严重威胁。目前作战主要通过携带多传感器的无人系统来搜索目标,如“魔爪”、“Probot”、“赛兰诺”等地面无人车以及“瞬眼”、“渡鸦”以及大疆系列的小型无人机等。然而,这些无人系统缺乏自主性,需要士兵遥控来搜索目标,搜索效率低且无法应对信号被屏蔽的情况,因此,具有自主性的智能搜索技术将有力提高危险源搜索效率。
目前国内外针对危险源的智能搜索技术研究主要包括危险源信息分布模型估计和寻源算法研究。学者根据各类危险源信号扩散的特点,采用了不同的建模方法建立信息扩散模型。针对气体源,目前研究通常采用烟羽模型来模拟气体在空间环境中扩散浓度分布;对于放射源和电磁信号源,由于环境中障碍物阻隔导致分布模型复杂,只能通过贝叶斯网络、回归分析和高斯模型等机器学习算法来近似估计分布模型。然而,这些建模方法在解决未知环境危险源搜索问题中,均存在采样数据少、分布过于集中且有噪声的缺点,导致模型可信度较低。常用的寻源算法包括广度优先搜索法、深度优先搜索法、A*算法、群智能搜索算法等,这些算法以优化理论为基础,通过特定的约束函数来实现目标搜索,而约束函数依赖可靠的信息分布模型来判断解的优劣,因此在此类未知环境的危险源搜素问题中存在一定的局限性。
综上,如何能在弱训练集的情况下对未知环境的危险源建立实时有效的信息分布模型,并设计具有高效率、收敛性的搜索算法,将是未知环境中危险源搜索问题的重点研究内容。
发明内容
本发明的目的在于克服现有技术的不足,提供一种多无人系统协同搜索危险源的方法。
本发明的目的是通过以下技术方案来实现的:
一种多无人系统协同搜索危险源的方法,
步骤一、将二维搜索空间以栅格的形式离散化,采用边长为d的正方形九宫栅格将连续的搜索空间离散化,九宫栅格的中心为机器人所在的点,并以机器人所在位置周围的8个栅格点为搜索邻域,作为机器人移动的候选区域,机器人在九宫栅格中心点采集二维坐标信息和当前栅格的危险源信号强度;
步骤二、设计用于寻找空间中当前时刻最优位置的空间适应值函数,依靠高斯过程回归建立统一的危险源信号分布模型,根据空间适应值函数计算当前时刻空间中最优位置,并将当前时刻空间中最优位置作为各机器人共同的临时搜索目标;
步骤三、设计用于多无人系统寻找邻域中最优位置的邻域适应值函数,以步骤二得到的临时搜索目标作为各机器人共同的临时目标点,根据邻域适应值函数选择邻域中最优位置作为各机器人的局部目标点,机器人步进移动并搜集当前位置的信号强度值更新训练集,直至某一机器人到达临时目标点,停止搜索;如果临时目标点满足危险源确认条件,搜索结束,机器人完成危险源搜索任务;
步骤四、如果临时目标点不满足危险源确认条件,重复执行步骤二和步骤三,直至满足危险源确认条件。
作为优选方式,在步骤一中,设整个搜索区域为二维矩形空间,其长度和宽度分别为Lx和Ly;在搜索过程中,以邻域作为机器人下一步目标点的候选方向;邻域为与机器人所在栅格相接的八个栅格的中心点,以邻域中最优点作为机器人下一个位置点,从而形成轨迹。
作为优选方式,步骤二具体包含以下步骤:
(1)综合考虑空间中各点的辐射强度值和机器人经过此点的次数两个因素,设计用于评价空间各点优劣程度的空间适应值函数,如式(1)所示:
式中,fitness1(p)为点p的空间适应值;u(p)为点p的信号强度,通过高斯过程回归得到,辐射强度越大,适应值越高;n(p)为机器人经过点p的次数,经过次数越多,适应值越小,使得机器人在搜索过程中具有跳出局部最优的能力;寻找空间中最优位置的公式如式(2)所示:
(2)给定各机器人初始位置,令各机器人在其初始位置附近随机移动并采集途径栅格点位置坐标p=(px,py)及其对应信号强度值u,由此得到用于估计空间信号分布的初始训练集D={(pi,ui),i=1,...,N};
(3)利用高斯过程回归对空间辐射场强分布进行预测;对于如下含噪声回归模型:
y=f(x)+ε (3)
其中,x为输入量,观测值y受到高斯白噪声ε的影响,则有y的先验分布:
同时,观测值y和预测值f*的联合先验分布为:
式中,K=k(xi,xj)为n×n阶对称正定协方差矩阵,x*为预测点,K*=k(x,x*)为预测点与训练集输入x之间的协方差矩阵,K**=k(x*,x*)是预测点协方差,In是n维单位矩阵;
基于训练集数据的先验信息,依据贝叶斯理论,预测值f*的后验分布为:
式中,均值和方差分别为:
上述均值函数和协方差函数均为高斯过程的核函数;一般情况下,选取0作为均值函数;协方差函数的选取决定了回归结果的好坏,本发明采用平方指数协方差求解上式未知参数,则:
式中,为信号方差,M=diag(l2),l为方差尺度,参数集θ={σf,l}为超参数;
超参数的优化可以通过极大似然法求取实现,即:
式中,L(θ)为边际似然函数的对数,表达式如下:
式中,得到最优超参数后,结合式式(7)和式(8)便可对整个空间的预测点进行估计;
将高斯过程回归预测的各点信号强度值代入式(1),利用式(2)得到当前最优位置pbest,将其作为各机器人当前时刻各机器人共同的临时目标点。
作为优选方式,步骤三具体包含以下步骤:
(1)综合考虑邻域中各点信号强度值、与目标点距离大小、有无障碍以及途径次数四个因素,设计用于机器人寻找邻域中最优位置的邻域适应值函数,如式(12)所示:
式中,ω1和ω2为权重系数,d(p)为点p与临时目标点pbest之间的欧几里德距离,w(p)为判断点p有无障碍的函数,其表达式如下所示:
寻找邻域中最优位置的公式如式(14)所示:
(2)根据高斯过程回归建立的空间辐射场强分布模型计算u(p),根据式(12)~(14)求解各机器人邻域中最优位置pneighbor,作为各机器人下一步目标点;
(3)各机器人移动至下一目标点并记录位置坐标pnext和信号强度值unext=u(pnext),对训练集进行更新:D={D,(pnext,unext)},循环此步骤直至某一机器人到达临时目标点pbest,停止循环;
(4)判断临时目标点pbest是否满足危险源确认条件:若满足条件,搜索结束,机器人完成危险源搜索任务。
本发明的有益效果是:
该方法能实现对未知室内外环境的危险源目标搜索。首先,该方法采用高斯过程回归对危险源信号的空间分布场建模,该算法可基于少量数据建模,且随着搜索过程中移动机器人采集的数据增加,建模精度逐渐提高,保证了搜索过程的持续性和收敛性;通过基于内外环的多无人系统搜索策略,增加了空间探索范围以便获得更多的信息,提高了算法收敛速度,搜索效率高于单机器人搜索模式。
附图说明
图1为搜索流程图;
图2为离散化的栅格环境示意图;
图3为通过采样数据回归得到的环境辐射强度分布模拟图;
图4为仿真初始条件设置示意图;
图5a、5b、5c、5d为协同搜索过程中不同步数时回归得到的辐射强度分布图;
图6为多机器人协同搜索轨迹仿真结果图;
图7为单机器人从坐标(60,60)处搜索结果图;
图8为单机器人从坐标(900,100)处搜索结果图;
图9为单机器人从坐标(900,900)处搜索结果图;
图10为多机器人协同搜索和单机器人搜索中轨迹信号强度随迭代次数变化对比图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种多无人系统协同搜索危险源的方法:
步骤一、将二维搜索空间以栅格的形式离散化,采用边长为d的正方形九宫栅格将连续的搜索空间离散化(以栅格中心点处坐标(px,py)反映栅格的空间位置),九宫栅格的中心为机器人所在的点,并以机器人所在位置周围的8个栅格点为搜索邻域,作为机器人移动的候选区域,机器人在九宫栅格中心点采集二维坐标信息和当前栅格的危险源信号强度;
步骤二、设计用于寻找空间中当前时刻最优位置的空间适应值函数,依靠高斯过程回归建立统一的危险源信号分布模型,根据空间适应值函数计算当前时刻空间中最优位置,并将当前时刻空间中最优位置作为各机器人共同的临时搜索目标;
步骤三、设计用于多无人系统寻找邻域中最优位置的邻域适应值函数,以步骤二得到的临时搜索目标作为各机器人共同的临时目标点,根据邻域适应值函数选择邻域中最优位置作为各机器人的局部目标点,机器人步进移动并搜集当前位置的信号强度值更新训练集,直至某一机器人到达临时目标点,停止搜索;如果临时目标点满足危险源确认条件,搜索结束,机器人完成危险源搜索任务;
步骤四、如果临时目标点不满足危险源确认条件,重复执行步骤二和步骤三,直至满足危险源确认条件。
在一个优选实施例中,在步骤一中,设整个搜索区域为二维矩形空间,其长度和宽度分别为Lx和Ly;在搜索过程中,以邻域作为机器人下一步目标点的候选方向;邻域为与机器人所在栅格相接的八个栅格的中心点,以邻域中最优点作为机器人下一个位置点,从而形成轨迹。
在一个优选实施例中,步骤二具体包含以下步骤:
(1)综合考虑空间中各点的辐射强度值和机器人经过此点的次数两个因素,设计用于评价空间各点优劣程度的空间适应值函数,如式(1)所示:
式中,fitness1(p)为点p的空间适应值;u(p)为点p的信号强度,通过高斯过程回归得到,辐射强度越大,适应值越高;n(p)为机器人经过点p的次数,经过次数越多,适应值越小,使得机器人在搜索过程中具有跳出局部最优的能力;寻找空间中最优位置的公式如式(2)所示:
(2)给定各机器人初始位置,令各机器人在其初始位置附近随机移动并采集途径栅格点位置坐标p=(px,py)及其对应信号强度值u,由此得到用于估计空间信号分布的初始训练集D={(pi,ui),i=1,...,N};
(3)利用高斯过程回归对空间辐射场强分布进行预测;对于如下含噪声回归模型:
y=f(x)+ε (3)
其中,x为输入量,观测值y受到高斯白噪声ε的影响,则有y的先验分布:
同时,观测值y和预测值f*的联合先验分布为:
式中,K=k(xi,xj)为n×n阶对称正定协方差矩阵,x*为预测点,K*=k(x,x*)为预测点与训练集输入x之间的协方差矩阵,K**=k(x*,x*)是预测点协方差,In是n维单位矩阵;
基于训练集数据的先验信息,依据贝叶斯理论,预测值f*的后验分布为:
式中,均值和方差分别为:
上述均值函数和协方差函数均为高斯过程的核函数;一般情况下,选取0作为均值函数;协方差函数的选取决定了回归结果的好坏,本发明采用平方指数协方差求解上式未知参数,则:
式中,为信号方差,M=diag(l2),l为方差尺度,参数集θ={σf,l}为超参数;
超参数的优化可以通过极大似然法求取实现,即:
式中,L(θ)为边际似然函数的对数,表达式如下:
式中,得到最优超参数后,结合式(7)和式(8)便可对整个空间的预测点进行估计;
将高斯过程回归预测的各点信号强度值代入式(1),利用式(2)得到当前最优位置pbest,将其作为各机器人当前时刻各机器人共同的临时目标点。
在一个优选实施例中,步骤三具体包含以下步骤:
(1)综合考虑邻域中各点信号强度值、与目标点距离大小、有无障碍以及途径次数四个因素,设计用于机器人寻找邻域中最优位置的邻域适应值函数,如式(12)所示:
式中,ω1和ω2为权重系数,d(p)为点p与临时目标点pbest之间的欧几里德距离,w(p)为判断点p有无障碍的函数,其表达式如下所示:
寻找邻域中最优位置的公式如式(14)所示:
(2)根据高斯过程回归建立的空间辐射场强分布模型计算u(p),根据式(12)~(14)求解各机器人邻域中最优位置pneighbor,作为各机器人下一步目标点;
(3)各机器人移动至下一目标点并记录位置坐标pnext和信号强度值unext=u(pnext),对训练集进行更新:D={D,(pnext,unext)},循环此步骤直至某一机器人到达临时目标点pbest,停止循环;
(4)判断临时目标点pbest是否满足危险源确认条件:若满足条件,搜索结束,机器人完成危险源搜索任务。
在一个优选实施例中,一种基于高斯过程回归的多无人系统协同搜索危险源的方法,以三个机器人协同搜索γ射线放射源为例,具体实施步骤如下:
参数设置如表1所示。搜索区域长Lx=1000cm,宽Ly=1000cm,栅格边长d=20cm,环境中存在多堵墙壁,如图2所示。图中黑色栅格表示墙壁。机器人简化为一个点,栅格中心为机器人可到达点。图3为基于真实采样数据,通过高斯过程回归得到的环境辐射分布场,用于模拟真实的空间辐射场,图中黑点表示采样数据,回归结果与采样数据贴合度较高,满足模拟需求。图4为仿真环境中危险源(以γ射线为例)与无人系统初始设置示意图,为使机器人搜索过程中覆盖更多的未知区域,并验证该方法在复杂初始条件下的搜索能力,将各机器人布置在距离放射源最远的区域。
为验证多无人系统协同搜索算法相比于单机器人搜索的优越性,本实例采用3个机器人进行协同仿真实验,并与三次独立的单机器人仿真结果进行对比。设置辐射强度阈值th=28作为放射源确认条件。
表1.仿真实验参数设置
计算机仿真结果
图5a(第10步时估计的分布模型)、5b(第25步时估计的分布模型)、5c(第5步时估计的分布模型)、5d(第65步时估计的分布模型)分别为多机器人仿真不同步数时通过高斯过程回归得到的环境辐射强度分布图,可以看出,机器人在前进过程中扩充训练集数据,逐步提到高斯过程回归得到的分布模型,保证了搜索过程的收敛性;图6为多机器人协同搜索仿真结果,图7、8、9分别为单机器人搜索的仿真结果,图中折线图为机器人移动轨迹,从图中可以看出,该方法能够在未知环境下从不同位置搜索到放射源。
图10为多机器人和单机器人仿真最优轨迹上辐射强度值变化曲线,图中多机器人仿真结果为三个机器人取平均值。从图中可以看出,多机器人协同仿真结果中各机器人轨迹上辐射强度增加显著快于单机器人仿真结果,表明了多机器人协同搜索效率更高;表2列出了多机器人协同搜索和单机器人搜索最优轨迹的步数:
表2.最优路径长度对比
上表数据表明,多机器人协同搜索的最优轨迹步数显著少于单机器人仿真结果,由此可知,多机器人协同搜索效率明显优于单机器人搜索效率,验证了本发明提出的算法的有效性和优越性。
本发明提供一种能在未知环境中搜索危险源的多无人系统协同搜索方法,该方法基于高斯过程回归,利用少量的先验信息对危险源释放的信号分布场建模,且建模精度随着搜索的进行而增加,保证了算法的收敛性;同时,该方法还采用基于内外环策略的多无人系统协同搜索算法,有效改善移动机器人在搜索过程中的空间探索能力,提高搜索效率。
上面结合附图对本发明的实施例进行说明,但本发明还可有其它多种实施例,在不脱离本发明的精神和权利要求所保护的范围的情况下,本领域技术人员可在本发明的启示下作各种相应改变和变形,这些均属于本发明的保护之内。

Claims (4)

1.一种多无人系统协同搜索危险源的方法,其特征在于:
步骤一、将二维搜索空间以栅格的形式离散化,采用边长为d的正方形九宫栅格将连续的搜索空间离散化,九宫栅格的中心为机器人所在的点,并以机器人所在位置周围的8个栅格点为搜索邻域,作为机器人移动的候选区域,机器人在九宫栅格中心点采集二维坐标信息和当前栅格的危险源信号强度;
步骤二、设计用于寻找空间中当前时刻最优位置的空间适应值函数,依靠高斯过程回归建立统一的危险源信号分布模型,根据空间适应值函数计算当前时刻空间中最优位置,并将当前时刻空间中最优位置作为各机器人共同的临时搜索目标;
步骤三、设计用于多无人系统寻找邻域中最优位置的邻域适应值函数,以步骤二得到的临时搜索目标作为各机器人共同的临时目标点,根据邻域适应值函数选择邻域中最优位置作为各机器人的局部目标点,机器人步进移动并搜集当前位置的信号强度值更新训练集,直至某一机器人到达临时目标点,停止搜索;如果临时目标点满足危险源确认条件,搜索结束,机器人完成危险源搜索任务;
步骤四、如果临时目标点不满足危险源确认条件,重复执行步骤二和步骤三,直至满足危险源确认条件。
2.根据权利要求1所述的一种多无人系统协同搜索危险源的方法,其特征在于:在步骤一中,设整个搜索区域为二维矩形空间,其长度和宽度分别为Lx和Ly;在搜索过程中,以邻域作为机器人下一步目标点的候选方向;邻域为与机器人所在栅格相接的八个栅格的中心点,以邻域中最优点作为机器人下一个位置点,从而形成轨迹。
3.根据权利要求1所述的一种多无人系统协同搜索危险源的方法,其特征在于:步骤二具体包含以下步骤:
(1)综合考虑空间中各点的辐射强度值和机器人经过此点的次数两个因素,设计用于评价空间各点优劣程度的空间适应值函数,如式(1)所示:
式中,fitness1(p)为点p的空间适应值;u(p)为点p的信号强度,通过高斯过程回归得到,辐射强度越大,适应值越高;n(p)为机器人经过点p的次数,经过次数越多,适应值越小,使得机器人在搜索过程中具有跳出局部最优的能力;寻找空间中最优位置的公式如式(2)所示:
(2)给定各机器人初始位置,令各机器人在其初始位置附近随机移动并采集途径栅格点位置坐标p=(px,py)及其对应信号强度值u,由此得到用于估计空间信号分布的初始训练集D={(pi,ui),i=1,...,N};
(3)利用高斯过程回归对空间辐射场强分布进行预测;对于如下含噪声回归模型:
y=f(x)+ε (3)
其中,x为输入量,观测值y受到高斯白噪声ε的影响,则有y的先验分布:
同时,观测值y和预测值f*的联合先验分布为:
式中,K=k(xi,xj)为n×n阶对称正定协方差矩阵,x*为预测点,K*=k(x,x*)为预测点与训练集输入x之间的协方差矩阵,K**=k(x*,x*)是预测点协方差,In是n维单位矩阵;
基于训练集数据的先验信息,依据贝叶斯理论,预测值f*的后验分布为:
式中,均值和方差分别为:
上述均值函数和协方差函数均为高斯过程的核函数;一般情况下,选取0作为均值函数;协方差函数的选取决定了回归结果的好坏,本发明采用平方指数协方差求解上式未知参数,则:
式中,为信号方差,M=diag(l2),l为方差尺度,参数集θ={σf,l}为超参数;
超参数的优化可以通过极大似然法求取实现,即:
式中,L(θ)为边际似然函数的对数,表达式如下:
式中,得到最优超参数后,结合式式(7)和式(8)便可对整个空间的预测点进行估计;
将高斯过程回归预测的各点信号强度值代入式(1),利用式(2)得到当前最优位置pbest,将其作为各机器人当前时刻各机器人共同的临时目标点。
4.根据权利要求1所述的一种多无人系统协同搜索危险源的方法,其特征在于:步骤三具体包含以下步骤:
(1)综合考虑邻域中各点信号强度值、与目标点距离大小、有无障碍以及途径次数四个因素,设计用于机器人寻找邻域中最优位置的邻域适应值函数,如式(12)所示:
式中,ω1和ω2为权重系数,d(p)为点p与临时目标点pbest之间的欧几里德距离,w(p)为判断点p有无障碍的函数,其表达式如下所示:
寻找邻域中最优位置的公式如式(14)所示:
(2)根据高斯过程回归建立的空间辐射场强分布模型计算u(p),根据式(12)~(14)求解各机器人邻域中最优位置pneighbor,作为各机器人下一步目标点;
(3)各机器人移动至下一目标点并记录位置坐标pnext和信号强度值unext=u(pnext),对训练集进行更新:D={D,(pnext,unext)},循环此步骤直至某一机器人到达临时目标点pbest,停止循环;
(4)判断临时目标点pbest是否满足危险源确认条件:若满足条件,搜索结束,机器人完成危险源搜索任务。
CN201910610872.2A 2019-07-08 2019-07-08 一种多无人系统协同搜索危险源的方法 Active CN110297503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910610872.2A CN110297503B (zh) 2019-07-08 2019-07-08 一种多无人系统协同搜索危险源的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910610872.2A CN110297503B (zh) 2019-07-08 2019-07-08 一种多无人系统协同搜索危险源的方法

Publications (2)

Publication Number Publication Date
CN110297503A true CN110297503A (zh) 2019-10-01
CN110297503B CN110297503B (zh) 2022-03-08

Family

ID=68030655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910610872.2A Active CN110297503B (zh) 2019-07-08 2019-07-08 一种多无人系统协同搜索危险源的方法

Country Status (1)

Country Link
CN (1) CN110297503B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852171A (zh) * 2019-10-14 2020-02-28 清华大学深圳国际研究生院 在线训练的场景描述机器人系统及方法
CN111026163A (zh) * 2019-12-20 2020-04-17 华南理工大学 一种面向室内的失控放射源自主搜寻机器人及其搜寻方法
CN112799040A (zh) * 2021-01-25 2021-05-14 华中科技大学鄂州工业技术研究院 一种机器人搜寻目标的方法、机器人、终端及存储介质
CN113084807A (zh) * 2021-03-31 2021-07-09 中国科学技术大学 多机器人系统有毒气体泄露源头搜寻方法
CN113341951A (zh) * 2021-05-13 2021-09-03 杭州电子科技大学 一种基于多目标优化的救援机器人逃逸方法
CN113721613A (zh) * 2021-08-23 2021-11-30 南京航空航天大学 一种基于深度强化学习的机器人自主寻源方法及装置
CN116027673A (zh) * 2023-03-29 2023-04-28 中国电子科技集团公司第二十九研究所 一种基于模糊神经网络的装备控制自主决策方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6408226B1 (en) * 2001-04-24 2002-06-18 Sandia Corporation Cooperative system and method using mobile robots for testing a cooperative search controller
CN105425794A (zh) * 2015-11-25 2016-03-23 哈尔滨工业大学 一种移动机器人寻找放射源轨迹的方法
CN109633729A (zh) * 2018-12-29 2019-04-16 哈尔滨工业大学 一种移动机器人核环境下的放射源定位及强度估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6408226B1 (en) * 2001-04-24 2002-06-18 Sandia Corporation Cooperative system and method using mobile robots for testing a cooperative search controller
CN105425794A (zh) * 2015-11-25 2016-03-23 哈尔滨工业大学 一种移动机器人寻找放射源轨迹的方法
CN109633729A (zh) * 2018-12-29 2019-04-16 哈尔滨工业大学 一种移动机器人核环境下的放射源定位及强度估计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
倪诗翔等: "面向室外环境的单机器人辐射场寻源算法", 《机械与电子》 *
姜明明等: "搜寻放射源机器人系统的设计", 《自动化与仪表》 *
宋玉丽等: "面向多目标搜索的群机器人任务分配研究", 《太原科技大学学报》 *
谢丽萍等: "面向群机器人目标搜索的拟态物理学方法", 《模式识别与人工智能》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852171A (zh) * 2019-10-14 2020-02-28 清华大学深圳国际研究生院 在线训练的场景描述机器人系统及方法
CN111026163A (zh) * 2019-12-20 2020-04-17 华南理工大学 一种面向室内的失控放射源自主搜寻机器人及其搜寻方法
CN111026163B (zh) * 2019-12-20 2021-10-26 华南理工大学 一种面向室内的失控放射源自主搜寻机器人及其搜寻方法
CN112799040A (zh) * 2021-01-25 2021-05-14 华中科技大学鄂州工业技术研究院 一种机器人搜寻目标的方法、机器人、终端及存储介质
CN112799040B (zh) * 2021-01-25 2023-10-13 华中科技大学鄂州工业技术研究院 一种机器人搜寻目标的方法、机器人、终端及存储介质
CN113084807A (zh) * 2021-03-31 2021-07-09 中国科学技术大学 多机器人系统有毒气体泄露源头搜寻方法
CN113341951A (zh) * 2021-05-13 2021-09-03 杭州电子科技大学 一种基于多目标优化的救援机器人逃逸方法
CN113341951B (zh) * 2021-05-13 2022-03-15 杭州电子科技大学 一种基于多目标优化的救援机器人逃逸方法
CN113721613A (zh) * 2021-08-23 2021-11-30 南京航空航天大学 一种基于深度强化学习的机器人自主寻源方法及装置
CN113721613B (zh) * 2021-08-23 2023-05-23 南京航空航天大学 一种基于深度强化学习的机器人自主寻源方法及装置
CN116027673A (zh) * 2023-03-29 2023-04-28 中国电子科技集团公司第二十九研究所 一种基于模糊神经网络的装备控制自主决策方法
CN116027673B (zh) * 2023-03-29 2023-06-06 中国电子科技集团公司第二十九研究所 一种基于模糊神经网络的装备控制自主决策方法

Also Published As

Publication number Publication date
CN110297503B (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
CN110297503A (zh) 一种多无人系统协同搜索危险源的方法
Tian et al. Multi-robot path planning in wireless sensor networks based on jump mechanism PSO and safety gap obstacle avoidance
CN109960880B (zh) 一种基于机器学习的工业机器人避障路径规划方法
Domingo-Perez et al. Sensor placement determination for range-difference positioning using evolutionary multi-objective optimization
Dames et al. Autonomous localization of an unknown number of targets without data association using teams of mobile sensors
CN110244715B (zh) 一种基于超宽带技术的多移动机器人高精度协同跟踪方法
CN102901500A (zh) 基于概率a星与智能体混合的飞行器最优路径确定方法
CN107396322A (zh) 基于路径匹配与编码译码循环神经网络的室内定位方法
CN106959700B (zh) 一种基于上限置信区间算法的无人机群协同巡逻追踪轨迹规划方法
CN104406589B (zh) 一种飞行器穿越雷达区的飞行方法
CN102156992A (zh) 两站多目标无源定位与跟踪的智能仿生方法
CN105425794A (zh) 一种移动机器人寻找放射源轨迹的方法
Ma et al. Location of natural gas leakage sources on offshore platform by a multi-robot system using particle swarm optimization algorithm
Wang et al. An intelligent UAV path planning optimization method for monitoring the risk of unattended offshore oil platforms
Kojima et al. To learn or not to learn: Analyzing the role of learning for navigation in virtual environments
Li et al. An improved differential evolution based artificial fish swarm algorithm and its application to AGV path planning problems
Park et al. Source term estimation using deep reinforcement learning with Gaussian mixture model feature extraction for mobile sensors
CN107656250A (zh) 一种基于人工蜂群算法的智能雷达海上目标检测系统及方法
Liu et al. An efficient robot exploration method based on heuristics biased sampling
Bandera et al. An hierarchical approach to grid-based and topological maps integration for autonomous indoor navigation
Lv et al. A deep safe reinforcement learning approach for mapless navigation
CN107942300A (zh) 一种基于改进人工蜂群算法的智能雷达海上目标检测系统及方法
Li et al. An adaptive immune ant colony optimization for reducing energy consumption of automatic inspection path planning in industrial wireless sensor networks
Luber et al. Spatially grounded multi-hypothesis tracking of people
Wang et al. Path planning model of mobile robots in the context of crowds

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