CN110597067B - 一种多移动机器人的群集控制方法及系统 - Google Patents

一种多移动机器人的群集控制方法及系统 Download PDF

Info

Publication number
CN110597067B
CN110597067B CN201910965035.1A CN201910965035A CN110597067B CN 110597067 B CN110597067 B CN 110597067B CN 201910965035 A CN201910965035 A CN 201910965035A CN 110597067 B CN110597067 B CN 110597067B
Authority
CN
China
Prior art keywords
mobile robot
mobile
optimal
ith
robot
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
CN201910965035.1A
Other languages
English (en)
Other versions
CN110597067A (zh
Inventor
程金
徐元
赵钦君
王中华
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 Jinan
Original Assignee
University of Jinan
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 Jinan filed Critical University of Jinan
Priority to CN201910965035.1A priority Critical patent/CN110597067B/zh
Publication of CN110597067A publication Critical patent/CN110597067A/zh
Application granted granted Critical
Publication of CN110597067B publication Critical patent/CN110597067B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种多移动机器人的群集控制方法及系统，利用所设计的群集状态的评价函数，将群集控制问题转化为个体机器人的寻优求解问题，该方法能够实现移动机器人自主形成群集状态，该方法包括以下步骤：获取所有移动机器人的当前位置，构建每个移动机器人群集状态的评价函数；初始化模拟退火算法参数；利用模拟退火算法搜索每个移动机器人的最优期望位置；根据每个移动机器人的最优期望位置，计算每个移动机器人的期望运动方向和速度。

Description

一种多移动机器人的群集控制方法及系统
技术领域
本发明涉及移动机器人控制技术领域，具体涉及一种基于模拟退火算法的多移动机器人群集控制方法及系统。
背景技术
群集控制问题一直是多机器人控制的重要研究方向。随着机器人研究的不断深入，军事、安全、工业生产等应用领域的不断扩展，作为多机器人协作与协调的重要基础与研究方向之一，多机器人群集控制问题的实现具有越来越重要的作用。
1987年，Craig Reynolds做出了一个模仿鱼群和鸟群的动物协调运动的计算机模型-Boid群集模型。Boid群集模型中个体的运动需要依照以下三条简单的行为规律：
(1)分离性(Separation)：各成员之间避免与邻近的群成员发生碰撞。
(2)排列性(Alignment)：各成员沿着一个平均的方向共同运动。
(3)内聚性(Cohesion)：各成员朝着一个平均的位置进行聚合。
在1995年，Vicsek提出了一个类似于Boid模型的离散模型。2003年，Jadbabaie等人采用图论的知识对Vicsek模型进行了数学推理，并且将这个模型推广到了有领航者的模式，证实了个体的运动状态可以趋于领航者的运动状态。在Reynolds的模型和运动规则的基础上，Tanner等学者利用人工势能联合信息一致性的方式，设计了固定和动态拓扑条件下的群集控制律，并且成功的分析了系统的稳定性。几年后，Tanner改善了人工势场法并成功的解决了在有静态障碍物的空间环境中的群集策略。
在2007年，Cucker和Smale将Vicsek模型推广到了更加普遍的模式：群体中的每个Agent通过和相邻的Agent的速度差值来调节自身的速度，每个Agent通过邻接矩阵来影响其它的个体。
2010年，Cucker等人在更深层次研究了这个模型，不仅考虑群集中个体的相互吸引力还考虑了个体之间的排斥作用，证明了这种模式中群集系统的展现出来的一致性行为。S.Motsch对于改进模型中的没有考虑每个Agent的相对距离的群点，建立了更具有现实意义的新模型。两个Agent之间都是有相互作用的，距离近相互作用大，反之，距离远的相互作用小，并且与群体的个数也是有关系的。
国内也有许多专家学者也对机器人的群控制问题产生了浓厚的兴趣。俞辉、王永骥等利用了分散控制策略和图论的知识，在固定和动态拓扑的情况下研究了二次积分的群集行为。李维、汪小帆提出了自适应分布式模型，群集中每个个体的运动方向和角度的变化主要依靠每个Agent的方向一致性。在自适应分布式模型的基础上，提出了虚拟领航者来证明模型的稳定性。国内大量的学者还通过人工势场法对机器人的群控制问题的稳定性进行了研究。
发明人在研发过程中发现，上述技术方案一般以二阶微分方程描述系统的运动学模型，所得到的群集控制方法难以应用于机器人的实验装置。此外，由于移动机器人多属于轮式驱动，驱动能力有限，其转向速度和线速度难以满足理论研究中所提出的控制律的要求。
发明内容
针对轮式移动机器人实验装置的群集控制问题，本发明提出一种多移动机器人的群集控制方法及系统，利用所设计的群集状态的评价函数，将群集控制问题转化为个体机器人的寻优求解问题，进而基于模拟退火算法设计了一种个体机器人的群集行为的控制律，该方法能够实现移动机器人自主形成群集状态，适用于一般移动机器人，适于应用推广。
本发明一方面提供的一种多移动机器人的群集控制方法的技术方案是：
一种多移动机器人的群集控制方法，该方法包括以下步骤：
获取所有移动机器人的当前位置，构建每个移动机器人群集状态的评价函数；
初始化模拟退火算法参数；
利用模拟退火算法搜索每个移动机器人的最优期望位置；
根据每个移动机器人的最优期望位置，计算每个移动机器人的期望运动方向和速度。
本发明另一方面提供的一种多移动机器人的群集控制系统的技术方案是：
一种多移动机器人的群集控制系统，该系统包括：
机器人位置获取模块，用于获取所有移动机器人的当前位置，构建每个移动机器人群集状态的评价函数；
初始化模块，用于初始化模拟退火算法参数；
最优期望位置搜索模块，用于利用模拟退火算法搜索每个移动机器人的最优期望位置；
运动控制模块，用于根据每个移动机器人的最优期望位置，计算每个移动机器人的期望运动方向和速度。
本发明另一方面提供的一种计算机可读存储介质的技术方案是：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：
获取所有移动机器人的当前位置，构建每个移动机器人群集状态的评价函数；
初始化模拟退火算法参数；
利用模拟退火算法搜索每个移动机器人的最优期望位置；
根据每个移动机器人的最优期望位置，计算每个移动机器人的期望运动方向和速度。
本发明另一方面提供的一种处理装置的技术方案是：
一种处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下步骤：
获取所有移动机器人的当前位置，构建每个移动机器人群集状态的评价函数；
初始化模拟退火算法参数；
利用模拟退火算法搜索每个移动机器人的最优期望位置；
根据每个移动机器人的最优期望位置，计算每个移动机器人的期望运动方向和速度。
通过上述技术方案，本发明的有益效果是：
(1)本发明能够控制多台轮式移动机器人实现群集控制，在群集状态下机器人能够保持安全距离，避免相互碰撞，并表现出方向和速度的协同一致特征；
(2)本发明利用所设计的群集状态的评价函数，将群集控制问题转化为个体机器人的寻优求解问题，进而基于模拟退火算法设计了一种个体机器人的群集行为的控制律，该方法能够实现移动机器人自主形成群集状态，适用于一般移动机器人，适于应用推广；
(3)本发明采用模拟退火算法设计了机器人的群集行为，将机器人群集控制问题转换为最优期望位置的搜索问题，算法搜索速度快，适用于一般移动机器人。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本申请，并不构成对本发明的不当限定。
图1是实施例一多移动机器人的群集控制方法的流程图一；
图2是实施例一多移动机器人的群集控制方法的流程图二。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
图1是本实施例涉及的多移动机器人的群集控制方法。请参阅附图1，该方法包括以下步骤：
S101，获取所有移动机器人的当前位置，构建每个移动机器人群集状态的评价函数。
具体地，所述移动机器人的当前位置为ri＝[xi,yi]T,i＝1,2,…,n，其中，n是参与群集控制的移动机器人的总个数，xi和yi是移动机器人在二维平面空间坐标系中的位置坐标。
对于第i个移动机器人，构建其群集状态的评价函数Vi。所述第i个机器人群集状态的评价函数的具体构建方法为：
相邻两个移动机器人(第i和第j个)之间的相对位置可以表示为rij＝ri-rj，相对距离即为||rij||(|| ||为2-型范数)。
对于任意两个相邻机器人(第i和第j个)，构建评价函数Vij来评价两者之间的相对位置关系，其中，所述评价函数Vij为：
Figure BDA0002230208200000061
其中，d0>0是设计参数，用以调整移动机器人之间的期望距离。
构建Vi为第i个移动机器人群集状态的评价函数，其表达式为：
Figure BDA0002230208200000062
其中，A为除第i个移动机器人之外的所有其他移动机器人集合；Vij为相邻第i和第j个移动机器人的评价函数；||rij||为相邻第i和第j个移动机器人的相对距离。
S102，初始化模拟退火算法参数。
具体地，所述模拟退火算法参数包括系统的初始温度T、终止温度Tmin、迭代次数N和温度下降速度α。
S103，搜索模拟退火算法的最优解，寻找每个移动机器人的最优期望位置。
具体地，所述步骤103中，第i个移动机器人的最优期望位置的具体获取方法如下：
(1)对第i个移动机器人，定义模拟退火算法初始时当前机器人最优的期望位置为rbest＝ri，
Figure BDA0002230208200000071
为每次迭代搜索到的最优解，模拟退火算法初始时令
Figure BDA0002230208200000072
如果系统温度T<Tmin，则搜索寻求最优期望位置r*，否则转到步骤(9)。每次搜索迭代N次，初始化迭代次数计数器i＝1(步骤(8))，每次迭代执行步骤(2)→(3)→(4)→(5)→(8)。
(2)迭代次数计数加1。
(3)产生随机解
Figure BDA0002230208200000073
其中rnew为新的随机解，Neighbor(.)为随机解的产生函数。
在模拟退火算法中定义Neighbor(.)函数为
Figure BDA0002230208200000074
其中Rand()为随机数产生函数，|Rand()|<1；Step为搜索步长，Step参数应根据移动机器人的最大速度限制和采样周期来合理设置。
(4)计算系统内能的变化量。
在本实施例中，E为系统的内能，定义
Figure BDA0002230208200000075
如果ΔE<0，则转到步骤(5)；
如果ΔE≥0，则以一定概率接受随机解rnew，根据Metropolis准则，粒子在温度T时趋于平衡的概率为exp(-ΔE/(kT))，k为Boltzmann常数，在算法中设置k＝1。如果
Figure BDA0002230208200000081
则转到步骤(6)，否则转到步骤(2)，其中rand()为随机函数，0≤rand()≤1。
(5)更新
Figure BDA0002230208200000082
和rbest，令
Figure BDA0002230208200000083
转到步骤(2)，继续进行下一次迭代。
(6)更新
Figure BDA0002230208200000084
令
Figure BDA0002230208200000085
转到步骤(2)，继续进行下一次迭代。
如果迭代次数达到N次，停止迭代，转到步骤(7)。
(7)更新系统温度和当前最优解，令T＝αT，r*＝rbest，转到步骤(8)。
(8)初始化迭代次数计数器i＝1。
(9)结束算法，输出第i个移动机器人的最优期望位置r*，其中r*＝[x*,y*]T。
S104，根据每个移动机器人的最优期望位置，计算每个移动机器人的期望运动方向和速度。
具体地，所述移动机器人的期望运动方向的计算方法为：
Figure BDA0002230208200000086
其中，θdi是第i个机器人的期望运动方向；
Figure BDA0002230208200000087
为第i个机器人的最优期望位置；(xi,yi)为第i个机器人的当前位置。
所述移动机器人的期望运动速度的计算方法为：
vdi＝kv||ri *-ri||Vi+vr (4)
其中，vdi是第i个移动机器人的期望运动速度，kv>0是设计参数，vr是期望运动速度；ri *为第i个机器人的最优期望位置；ri为第i个机器人的当前位置。
下面以5台轮式移动机器人作为实验装置，对本实施例中提出的群集控制方法进行了实验验证。
本实施例的轮式移动机器人采用AmigoBot机器人，AmigoBot是一个两轮式差分驱动自主移动机器人，其中，一个万向轮，起保持平衡的作用，位于AmigoBot两侧的是动力轮，采用直流伺服电机和PWM驱动控制调速，通过调节左右轮速的差值，达到调节角度的作用。其长为28cm，宽为33cm，高为13cm，重量为3.6千克，可以载重30Kg，每秒最快速度1000mm。AmigoBot使用一种精度极高的光电编码器自主定位。
5台轮式移动机器人的初值位置分别设定为(0，2000)，(0，1000)，(0，0)，(0，-1000)，(0，-2000)(单位：mm)。请参阅附图2，5台轮式移动机器人的群集控制方法具体实现过程为：
S201：获取5台轮式移动机器人的当前位置。
对于每个轮式移动机器人个体，根据公式(1)和(2)计算Vi。例如对于第1台机器人计算V1＝V12+V13+V14+V15，其中
Figure BDA0002230208200000091
Figure BDA0002230208200000092
设计参数d0＝106mm。对于第2，3，4，5台机器人依次类推。其中rij＝ri-rj为相邻两个机器人(第i和第j个)之间的相对位置向量，||rij||(||·||为2-型范数)即为相对距离。
S202：初始化模拟退火算法参数T＝100，Tmin＝0.001，α＝0.5，N＝20，其中T为系统的初始温度，Tmin为终止温度，N为迭代次数，α为温度下降速度。
S203：对第i(i＝1，2，3，4，5)个移动机器人，定义模拟退火算法初始时当前机器人最优的期望位置为rbest＝ri，
Figure BDA0002230208200000093
为每次迭代搜索到的最优解，算法初始时令
Figure BDA0002230208200000094
如果系统温度T<Tmin，则搜索寻求最优期望位置r*，否则转到步骤S211。每次搜索迭代N次，初始化迭代次数计数器i＝1(步骤S210)，每次迭代执行步骤S204→S205→S206→S207(S208)。
S204：迭代次数计数加1。
S205：产生随机解
Figure BDA0002230208200000101
其中rnew为新的随机解，Neighbor(.)为随机解的产生函数，在算法中定义Neighbor(.)函数为
Figure BDA0002230208200000102
其中Rand()为随机数产生函数，|Rand()|<1。Step为搜索步长，在实验中设计Step＝100。
S206：计算系统内能的变化量。E为系统的内能，定义
Figure BDA0002230208200000103
如果ΔE<0，则转到步骤S207，否则转到判断节点J4。
S207：更新
Figure BDA0002230208200000104
和rbest，令
Figure BDA0002230208200000105
转到步骤S204，继续进行下一次迭代。
如果ΔE≥0，则以一定概率接受随机解rnew，根据Metropolis准则，粒子在温度T时趋于平衡的概率为exp(-ΔE/(kT))，k为Boltzmann常数，在算法中设置k＝1。如果
Figure BDA0002230208200000106
则转到步骤S208，否则转到步骤S204。rand()为随机函数，0≤rand()≤1。
S208：更新
Figure BDA0002230208200000107
令
Figure BDA0002230208200000108
转到步骤S204，继续进行下一次迭代，转到。
如果迭代次数达到N次，停止迭代，转到步骤S209。在实验中设计N＝20。
S209：更新系统温度和当前最优解。令T＝αT，r*＝rbest。转到步骤S210。
S210：初始化迭代次数计数器i＝1。
S211：结束算法，输出第i个机器人的最优期望位置r*，其中r*＝[x*,y*]T。
S212：机器人运动控制，根据公式(3)和公式(4)计算机器人的期望运动方向和速度。本实施例中设计kv＝0.003。
本实施例提出的多移动机器人的群集控制方法，克服了现有的方法难以用于实验机器人的缺陷，可以控制多台轮式移动机器人实现群集控制，在群集状态下移动机器人能够保持安全距离，避免相互碰撞，并表现出方向和速度的协同一致特征；采用模拟退火算法设计了机器人的群集行为，将机器人群集控制问题转换为最优期望位置的搜索问题，算法搜索速度快，适用于一般移动机器人。
实施例二
本实施例提供一种多移动机器人的群集控制系统，该系统包括：
机器人位置获取模块，用于获取所有移动机器人的当前位置，构建每个移动机器人群集状态的评价函数；
初始化模块，用于初始化模拟退火算法参数；
最优期望位置搜索模块，用于利用模拟退火算法搜索每个移动机器人的最优期望位置；
运动控制模块，用于根据每个移动机器人的最优期望位置，计算每个移动机器人的期望运动方向和速度。
具体地，所述机器人位置获取模块构建移动机器人群集状态的评价函数的方法为：
根据任意两个相邻移动机器人的当前位置，计算任意两个相邻移动机器人之间的相对位置，并对其取范数，得到任意两个相邻移动机器人之间的相对距离；
利用任意两个相邻移动机器人之间的相对距离，构建任意两个相邻机器人的评价函数；
计算每个移动机器人与其相邻的机器人的评价函数的和，得到每个移动机器人的评价函数。
上述移动机器人的评价函数为：
Figure BDA0002230208200000121
其中，Vi为第i个移动机器人群集状态的评价函数；A为除第i个移动机器人之外的所有其他移动机器人集合；Vij为相邻第i和第j个移动机器人的评价函数；||rij||为相邻第i和第j个移动机器人的相对距离。
具体地，所述模拟退火算法参数包括系统的初始温度、终止温度、迭代次数和温度下降速度。
具体地，所述最优期望位置搜索模块的具体实现方法为：
定义模拟退火算法初始时刻移动机器人最优期望位置和最优解；
判断系统的温度是否小于初始温度，若小于，则搜索寻求移动机器人的最优期望位置；否则，直接输出模拟退火算法初始时刻移动机器人最优期望位置作为移动机器人最优期望位置。
其中，所述搜索寻求移动机器人的最优期望位置的步骤包括：
定义模拟退火算法中随机解的产生函数；
利用随机解的产生函数，产生新的随机解；
计算系统内能的变化量；
判断系统内能的变化量是否小于零；
若系统内能的变化量小于零，则令模拟退火算法的最优解等于新的随机解，移动机器人最优期望位置等于模拟退火算法的最优解，若系统内能的变化量不小于零，将设定的温度趋于平衡的概率与随机函数相比，如果设定的温度趋于平衡的概率大于随机函数，则令模拟退火算法的最优解等于新的随机解；
重复上述步骤，直到达到设定迭代次数，更新系统温度和模拟退火算法当前最优解，利用模拟退火算法当前最优解，确定当前移动机器人的最优期望位置。
具体地，所述运动控制模块的具体实现方法为：
所述移动机器人的期望运动方向的计算方法为：
Figure BDA0002230208200000131
其中，θdi是第i个移动机器人的期望运动方向；
Figure BDA0002230208200000132
为第i个移动机器人的最优期望位置；(xi,yi)为第i个移动机器人的当前位置；
进一步的，所述移动机器人的期望运动速度的计算方法为：
vdi＝kv||ri *-ri||Vi+vr
其中，vdi是第i个移动机器人的期望运动速度，kv>0是设计参数，vr是期望运动速度；ri *为第i个机器人的最优期望位置；ri为第i个机器人的当前位置；Vi为第i个移动机器人群集状态的评价函数。
实施例三
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：
获取所有移动机器人的当前位置，构建每个移动机器人群集状态的评价函数；
初始化模拟退火算法参数；
利用模拟退火算法搜索每个移动机器人的最优期望位置；
根据每个移动机器人的最优期望位置，计算每个移动机器人的期望运动方向和速度。
实施例四
本实施例提供一种处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下步骤：
获取所有移动机器人的当前位置，构建每个移动机器人群集状态的评价函数；
初始化模拟退火算法参数；
利用模拟退火算法搜索每个移动机器人的最优期望位置；
根据每个移动机器人的最优期望位置，计算每个移动机器人的期望运动方向和速度。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种多移动机器人的群集控制方法，其特征是，包括以下步骤：
获取所有移动机器人的当前位置，构建每个移动机器人群集状态的评价函数；
初始化模拟退火算法参数；
利用模拟退火算法搜索每个移动机器人的最优期望位置；
根据每个移动机器人的最优期望位置，计算每个移动机器人的期望运动方向和速度；
所述移动机器人的期望运动方向的计算方法为：
Figure FDA0003522509000000011
其中，θdi是第i个移动机器人的期望运动方向；
Figure FDA0003522509000000012
为第i个移动机器人的最优期望位置；(xi,yi)为第i个移动机器人的当前位置；
所述移动机器人的期望运动速度的计算方法为：
vdi＝kv||ri *-ri||Vi+vr
其中，vdi是第i个移动机器人的期望运动速度，kv>0是设计参数，vr是期望运动速度；ri *为第i个机器人的最优期望位置；ri为第i个机器人的当前位置；Vi为第i个移动机器人群集状态的评价函数。
2.根据权利要求1所述的多移动机器人的群集控制方法，其特征是，所述移动机器人群集状态的评价函数的构建方法为：
根据任意两个相邻移动机器人的当前位置，计算任意两个相邻移动机器人之间的相对位置，并对其取范数，得到任意两个相邻移动机器人之间的相对距离；
利用任意两个相邻移动机器人之间的相对距离，构建任意两个相邻机器人的评价函数；
计算每个移动机器人与其相邻的机器人的评价函数的和，得到每个移动机器人的评价函数。
3.根据权利要求2所述的多移动机器人的群集控制方法，其特征是，所述移动机器人的评价函数为：
Figure FDA0003522509000000021
其中，Vi为第i个移动机器人群集状态的评价函数；A为除第i个移动机器人之外的所有其他移动机器人集合；Vij为相邻第i和第j个移动机器人的评价函数；||rij||为相邻第i和第j个移动机器人的相对距离。
4.根据权利要求1所述的多移动机器人的群集控制方法，其特征是，所述模拟退火算法参数包括系统的初始温度、终止温度、迭代次数和温度下降速度。
5.根据权利要求1所述的多移动机器人的群集控制方法，其特征是，所述移动机器人的最优期望位置的搜索方法为：
定义模拟退火算法初始时刻移动机器人最优期望位置和最优解；
判断系统的温度是否小于初始温度，若小于，则搜索寻求移动机器人的最优期望位置；否则，直接输出模拟退火算法初始时刻移动机器人最优期望位置作为移动机器人最优期望位置。
6.根据权利要求5所述的多移动机器人的群集控制方法，其特征是，所述搜索寻求移动机器人的最优期望位置的步骤包括：
定义模拟退火算法中随机解的产生函数；
利用随机解的产生函数，产生新的随机解；
计算系统内能的变化量；
判断系统内能的变化量是否小于零；
若系统内能的变化量小于零，则令模拟退火算法的最优解等于新的随机解，移动机器人最优期望位置等于模拟退火算法的最优解，若系统内能的变化量不小于零，将设定的温度趋于平衡的概率与随机函数相比，如果设定的温度趋于平衡的概率大于随机函数，则令模拟退火算法的最优解等于新的随机解；
重复上述步骤，直到达到设定迭代次数，更新系统温度和模拟退火算法当前最优解，利用模拟退火算法当前最优解，确定当前移动机器人的最优期望位置。
7.一种多移动机器人的群集控制系统，其特征是，包括：
机器人位置获取模块，用于获取所有移动机器人的当前位置，构建每个移动机器人群集状态的评价函数；
初始化模块，用于初始化模拟退火算法参数；
最优期望位置搜索模块，用于利用模拟退火算法搜索每个移动机器人的最优期望位置；
运动控制模块，用于根据每个移动机器人的最优期望位置，计算每个移动机器人的期望运动方向和速度；
所述移动机器人的期望运动方向的计算方法为：
Figure FDA0003522509000000031
其中，θdi是第i个移动机器人的期望运动方向；
Figure FDA0003522509000000032
为第i个移动机器人的最优期望位置；(xi,yi)为第i个移动机器人的当前位置；
所述移动机器人的期望运动速度的计算方法为：
vdi＝kv||ri *-ri||Vi+vr
其中，vdi是第i个移动机器人的期望运动速度，kv>0是设计参数，vr是期望运动速度；ri *为第i个机器人的最优期望位置；ri为第i个机器人的当前位置；Vi为第i个移动机器人群集状态的评价函数。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现如权利要求1-6中任一项所述的多移动机器人的群集控制方法中的步骤。
9.一种处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的多移动机器人的群集控制方法中的步骤。
CN201910965035.1A 2019-10-11 2019-10-11 一种多移动机器人的群集控制方法及系统 Active CN110597067B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910965035.1A CN110597067B (zh) 2019-10-11 2019-10-11 一种多移动机器人的群集控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910965035.1A CN110597067B (zh) 2019-10-11 2019-10-11 一种多移动机器人的群集控制方法及系统

Publications (2)

Publication Number Publication Date
CN110597067A CN110597067A (zh) 2019-12-20
CN110597067B true CN110597067B (zh) 2022-04-08

Family

ID=68866601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910965035.1A Active CN110597067B (zh) 2019-10-11 2019-10-11 一种多移动机器人的群集控制方法及系统

Country Status (1)

Country Link
CN (1) CN110597067B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113110101B (zh) * 2021-04-20 2022-06-21 济南大学 一种生产线移动机器人聚集式回收入库仿真方法及系统
CN113253728B (zh) * 2021-05-18 2022-08-26 兆边(上海)科技有限公司 管控响应式分布式车辆协同编队方法、装置及终端设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE1090723T1 (de) * 1999-10-08 2001-10-11 Dassault Systemes Werkzeug zum Optimieren der Positionierung von Robotern
CN107932505A (zh) * 2017-11-15 2018-04-20 广东工业大学 基于关节臂机器人的最优打磨任务路径规划方法和装置
CN109732591A (zh) * 2018-12-24 2019-05-10 济南大学 一种有障碍物环境下多机器人群集控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE1090723T1 (de) * 1999-10-08 2001-10-11 Dassault Systemes Werkzeug zum Optimieren der Positionierung von Robotern
US6526373B1 (en) * 1999-10-08 2003-02-25 Dassault Systemes Optimization tool for robot placement
CN107932505A (zh) * 2017-11-15 2018-04-20 广东工业大学 基于关节臂机器人的最优打磨任务路径规划方法和装置
CN109732591A (zh) * 2018-12-24 2019-05-10 济南大学 一种有障碍物环境下多机器人群集控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多智能体的机器人队形协调控制;陈艳燕;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20160615(第6期);第I140-194页 *

Also Published As

Publication number Publication date
CN110597067A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN111897328B (zh) 一种基于改进人工势场法的路径规划方法、装置及设备
CN113103236B (zh) 一种快速渐进最优的机械臂避障路径规划方法
CN109491389B (zh) 一种具有速度约束的机器人轨迹跟踪方法
Wong et al. PSO-based Motion Fuzzy Controller Design for Mobile Robots.
CN110597067B (zh) 一种多移动机器人的群集控制方法及系统
CN113190029B (zh) 基于深度强化学习的四足机器人适应性步态自主生成方法
CN106705975A (zh) 一种基于万有引力搜索的水面无人艇航路规划方法
Roy et al. Study of formation control and obstacle avoidance of swarm robots using evolutionary algorithms
Hu et al. Learning a faster locomotion gait for a quadruped robot with model-free deep reinforcement learning
Huang et al. Reward-adaptive reinforcement learning: Dynamic policy gradient optimization for bipedal locomotion
Su et al. Robot path planning based on random coding particle swarm optimization
Tutuko et al. Route optimization of non-holonomic leader-follower control using dynamic particle swarm optimization
Rasheed et al. Static and dynamic path planning algorithms design for a wheeled mobile robot based on a hybrid technique
CN111007848B (zh) 一种基于有界空间的多智能体协同作业控制方法
CN112684709B (zh) 一种集群跟踪运动学建模方法、设备及存储介质
Li et al. Robot path planning using improved artificial bee colony algorithm
Shukla et al. Multi robot path planning parameter analysis based on particle swarm optimization (PSO) in an intricate unknown environments
CN116430891A (zh) 一种面向多智能体路径规划环境的深度强化学习方法
Jin et al. WOA-AGA algorithm design for robot path planning
Yongqiang et al. Path‐Integral‐Based Reinforcement Learning Algorithm for Goal‐Directed Locomotion of Snake‐Shaped Robot
Shu et al. Research on optimal path sampling algorithm of manipulator based on potential function
Liu et al. A motion planning and control method of quadruped robot based on deep reinforcement learning
CN117193378B (zh) 基于改进ppo算法的多无人机路径规划方法
Wang Robot Path Planning Based on Artificial Intelligence Algorithm
CN114043475B (zh) 基于b-apf的多焊接机器人路径优化方法及系统

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