CN110675002A - 一种分布式完全覆盖的机器人编队覆盖方法 - Google Patents

一种分布式完全覆盖的机器人编队覆盖方法 Download PDF

Info

Publication number
CN110675002A
CN110675002A CN201910960265.9A CN201910960265A CN110675002A CN 110675002 A CN110675002 A CN 110675002A CN 201910960265 A CN201910960265 A CN 201910960265A CN 110675002 A CN110675002 A CN 110675002A
Authority
CN
China
Prior art keywords
robot
coverage
information
formula
robots
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
CN201910960265.9A
Other languages
English (en)
Other versions
CN110675002B (zh
Inventor
钟俊勋
成慧
何流
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201910960265.9A priority Critical patent/CN110675002B/zh
Publication of CN110675002A publication Critical patent/CN110675002A/zh
Application granted granted Critical
Publication of CN110675002B publication Critical patent/CN110675002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Manipulator (AREA)
  • Feedback Control In General (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及多移动机器人技术领域，更具体地，涉及一种分布式完全覆盖的机器人编队覆盖方法。本发明通过将问题转化为分布式约束优化问题，使得每个机器人在求解问题的过程能够将周围的机器人也引入，既在机器人间引入合作，使得最终得到的结果质量能显著优于现有的基于梯度的方法。并且在求解分布式约束优化问题时，本发明提出了使用梯度下降优化的连续最大和算法，此算法能够在保持非中心化和拥有多项式级的时间复杂度下，求出与传统的最大和算法相近的结果，从而能够成功地应用于解决对未知区域的完全覆盖问题，并且非中心化的性质使得算法的鲁棒性更高。

Description

一种分布式完全覆盖的机器人编队覆盖方法
技术领域
本发明涉及多移动机器人技术领域，更具体地，涉及一种分布式完全覆盖的机器人编队覆盖方法。
背景技术
多机器人编队覆盖在搜索、救援和区域监控等领域中有广泛的应用。已有的对于多机器人的编队覆盖的研究可以分为静态覆盖和动态覆盖。在动态覆盖中机器人会持续移动并扫过被覆盖区域，而与之相对静态覆盖会让机器人停留在某个地点持续覆盖，所以在覆盖精度方面静态覆盖会有显著的优势。
实现对某个未知区域的完全覆盖的一个简单方法是先释放一个机器人探索被覆盖区域，使其变成已知区域，然后再规划机器人的位置实现完全覆盖。这种方法的缺点在于机器人群的总移动距离较高，这是由于被覆盖区域最终会被完全覆盖，探索时机器人走过的区域在最终实现完全覆盖时会被再走一遍的原因导致的。另一个方法则是结合探索与覆盖：逐个释放机器人的同时让已经被释放的机器人分布式地扩大总覆盖区域大小。目前有许多研究着眼于分布式地最大化总覆盖区域。其中主要的一类方法是基于梯度的方法，但这类方法有两个缺陷：一个是在遇到机器人的覆盖范围不统一的时候，比如具有圆形感知范围的机器人和具有扇形感知范围的机器人合作，此时计算梯度的难度会加大；另一个缺点是基于梯度会导致最终的结果陷入一些效果较差的局部极小值处而导致实现完全覆盖时机器人的数量和总移动距离的上升。基于梯度的方法会导致求解困难和结果的质量较差的问题，而这些问题都是来自于梯度类算法的局部性，直观的说明就是机器人会只着眼于当前时刻自己的状态来规划下一步行动，缺乏机器人间的合作。
解决分布式约束优化问题的方法可以分为两类：一类是能求出精确解的算法，但这类算法的计算时间复杂度是指数级的，所以不能投入实际使用；另一类算法求出的是近似解，其中一种能求出比较好的近似解的分布式算法是最大和算法，但这个算法依然不能直接投入实际使用，这是由于算法需要考虑周围所有机器人的不同行动对总的覆盖效果的影响，所以该算法的时间复杂度是指数级的。
发明内容
本发明为克服上述现有技术中的缺陷，提供一种布式完全覆盖的机器人编队覆盖方法，能够在机器人间引入合作而提高结果的质量，同时能大幅降低算法的运算时间复杂度。
为解决上述技术问题，本发明采用的技术方案是：
由于解决此完全覆盖问题使用的方法是结合探索与覆盖的方法，所以被解决问题可以细化为以下两个问题：1.如何最大化被释放机器人的总覆盖区域；2.如何决策何时应释放一个新的机器人。在本发明中，其中问题1将被转化分布式约束优化问题以方便求解，并由本发明提出的使用梯度下降优化的连续最大和算法解决，问题2则由本发明提出的机器人释放规则解决。
一种分布式完全覆盖的机器人编队覆盖方法，首先将如何最大化被释放机器人的总覆盖区域的问题转化为分布式约束优化问题，然后使用梯度下降优化的连续最大和算法进行求解，并通过在变量节点和效用函数节点间互相发送信息来实现优化；
其中，转化后的分布式约束优化问题形式包括以下部分：
1)实体
Figure BDA0002228681420000022
表示各个机器人；
2)变量节点
Figure BDA0002228681420000023
表示各个机器人的位置状态；
3)效用函数节点
Figure BDA0002228681420000024
表示该机器人的分割后的覆盖区域的大小，由于二维空间的连续属性，使得效用函数节点U均为连续函数；效用函数节点会与能影响其取值的变量节点相连接；如机器人1的覆盖区域大小U1的是受机器人1和机器人2的位置状态决定的，所以U1与x1和x2相连；
4)变量节点的取值范围
Figure BDA0002228681420000025
5)优化问题的目标函数，即机器人群的总覆盖面积表示为：
Figure BDA0002228681420000021
式中，向量xj表示所有与Uj相连的变量节点集合。
进一步的，每个机器人执行使用梯度下降优化的连续最大和算法的运算流程包括以下步骤：
S1.确定当前时刻处于通讯范围内的所有机器人，从这些机器人处收集信息q与信息r；
从变量节点i向效用函数节点j发送的信息q为：
Figure BDA0002228681420000031
式中，
Figure BDA0002228681420000032
表示除j外所有与变量节点i相连的效用函数节点的下标集合，t表示当前信息的交换次数；
从效用函数节点j向变量节点i发送的信息r为：
Figure BDA0002228681420000033
式中，
Figure BDA0002228681420000034
表示除i外所有与效用函数节点j相连的变量节点的下标集合，
Figure BDA0002228681420000035
S2.使用公式(2)分别计算发送给周围各个机器人的信息q；
S3.使用以下公式(4)计算周围所有机器人的理想位置x*：
Figure BDA0002228681420000036
求解此公式时由于搜索空间大小与
Figure BDA0002228681420000037
的大小成指数关系，所以时间复杂度应为指数级，但由于效用函数U的连续属性，这里可以使用梯度下降算法进行求解，并且使用梯度下降算法求解时运算复杂度将被降为多项式级；
S4.使用公式(3)分别计算发送给各个机器人的信息r，但直接使用公式(3)计算会导致运行时间过长，在此利用计算得到的理想位置x*使用如下公式(5)进行计算：
Figure BDA0002228681420000038
S5.将计算得到的信息q与信息r分别存储并等待对应的机器人来向当前机器人请求；
S6.在信息交换的过程中，每个机器人使用以下公式(6)更新最优位置状态并移动至此状态：
Figure BDA0002228681420000039
进一步的，机器人间发送的信息的具体形式是将信息处理成矩阵进行发送，算法部署时会先约定一个采样矩阵，矩阵中每个元素都是一个不同位置状态，采样时将每个位置状态输入信息中并得到返回值最终得到一个矩阵，机器人将会发送此矩阵。由于机器人在求解最优位置状态时会在连续空间
Figure BDA0002228681420000041
内取值，故当选取的位置状态不是约定的采样状态时使用双线性插值来获得结果。
进一步的，所述的S4步骤中，计算发送给各个机器人的信息r的公式是通过如下步骤获得的：
S41.如果直接计算信息r，由于需要搜索的空间大小与
Figure BDA0002228681420000042
的大小成指数关系，所以时间复杂度为指数级，运行时间会过长而不利于部署，可以利用效用函数U的连续属性对其进行一阶泰勒展开，推导过程如下：
Figure BDA0002228681420000043
其中表示机器人当前的位置状态，
Figure BDA0002228681420000045
S42.假设使函数f取最大值的机器人的位置状态为
Figure BDA0002228681420000046
可以继续推导：
Figure BDA0002228681420000047
式中，
Figure BDA0002228681420000048
此时信息r可以使用如上公式快速计算，计算的时间复杂度与
Figure BDA0002228681420000049
的大小无关而只与机器人可取的位置状态空间的大小有关，既时间复杂度只有多项式级。
进一步的，计算周围所有机器人的理想位置x*使用的公式是通过如下步骤获得的：
进一步的，本发明提出一种机器人释放规则，每个机器人会从一个固定的地点被逐个释放；当以下任意一条或多条规则被满足时则释放一个新的机器人：
规则1：当机器人释放点保持不被任何一个已释放的机器人覆盖的状态超过所设定的时间；
规则2：当所有已释放机器人的位置状态保持稳定一段时间后，依然有机器人报告存在未被覆盖区域；
规则3：当最后释放的机器人已经行动了设定的次数后依然没有实现完全覆盖。
进一步的，所述的规则1至规则3可以使用非中心化的方式来实现：在机器人释放点让一个机器人进行待机，当此机器人被释放后则填补一个新的机器人继续待机，这三条规则的判断都将由这个待机的机器人来完成；其中，规则1让此待机机器人向通信范围内的机器人询问释放点是否不被覆盖，如果没有被覆盖或者通信范围内没有机器人，则内置的计数器开始增加，直到达到某个阈值则判定规则1被满足，否则将计数器清零；规则2和规则3则通过让已释放机器人向待机机器人发送两个变量分别表示该机器人的状态是否稳定及该机器人是否发现存在未被覆盖的区域来实现；机器人判断是否存在未被覆盖区域通过分割后的覆盖区域的边界判断，因为在实现完全覆盖后，机器人的覆盖区域边界一定会与整个被覆盖区域的边界或者其他机器人的覆盖区域边界相交，如果某个机器人的覆盖区域存在一段边界不满足上述情况，则存在未被覆盖区域。
进一步的，在计算总覆盖面积时，使用视觉加权分割将重叠的区域分割以防止重复计算。
与现有技术相比，有益效果是：本发明通过将问题转化为分布式约束优化问题，使得每个机器人在求解问题的过程能够将周围的机器人也引入，既在机器人间引入合作，使得最终得到的结果质量能显著优于现有的基于梯度的方法。并且在求解分布式约束优化问题时，本发明提出了使用梯度下降优化的连续最大和算法，此算法能够在保持非中心化和拥有多项式级的时间复杂度下，求出与传统的最大和算法相近的结果，从而能够成功地应用于解决对未知区域的完全覆盖问题，并且非中心化的性质使得算法的鲁棒性更高。
附图说明
图1是本发明实施例1中机器人的位置和覆盖范围示意图、机器人间关系的抽象图和最终转换得到的分布式约束优化问题的示意图。
图2是本发明实施例1中公式的符号意义说明与覆盖区域分割后的效果示例。
图3是本发明实施例2中使用本发明实现完全覆盖后的效果图。
具体实施方式
附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。
实施例1：
一种分布式完全覆盖的机器人编队覆盖方法，首先将如何最大化被释放机器人的总覆盖区域的问题转化为分布式约束优化问题，然后使用梯度下降优化的连续最大和算法进行求解，并通过在变量节点和效用函数节点间互相发送信息来实现优化；
其中，以如图1(a)所示的情况为例进行说明，图1(a)中的情况可以抽象为图1(b)，节点间的连线代表覆盖区域存在重叠。以此为基础可以得到转换为分布式约束优化问题形式，如图1(c)，转化后的分布式约束优化问题形式包括以下部分：
1)实体表示各个机器人；
2)变量节点
Figure BDA0002228681420000062
表示各个机器人的位置状态；
3)效用函数节点表示该机器人的分割后的覆盖区域的大小，由于二维空间的连续属性，使得效用函数节点U均为连续函数；效用函数节点会与能影响其取值的变量节点相连接；如机器人1的覆盖区域大小U1的是受机器人1和机器人2的位置状态决定的，所以U1与x1和x2相连；
4)变量节点的取值范围
Figure BDA0002228681420000072
5)优化问题的目标函数，即机器人群的总覆盖面积表示为：
Figure BDA0002228681420000073
式中，向量xj表示所有与Uj相连的变量节点集合。
具体的，每个机器人执行使用梯度下降优化的连续最大和算法的运算流程包括以下步骤：
S1.确定当前时刻处于通讯范围内的所有机器人，从这些机器人处收集信息q与信息r；
从变量节点i向效用函数节点j发送的信息q为：
式中，表示除j外所有与变量节点i相连的效用函数节点的下标集合，t表示当前信息的交换次数；
从效用函数节点j向变量节点i发送的信息r为：
Figure BDA0002228681420000076
式中，
Figure BDA0002228681420000077
表示除i外所有与效用函数节点j相连的变量节点的下标集合，
Figure BDA0002228681420000078
S2.使用公式(2)分别计算发送给周围各个机器人的信息q；
S3.使用以下公式计算周围所有机器人的理想位置x*：
求解此公式时由于搜索空间大小与
Figure BDA00022286814200000710
的大小成指数关系，所以时间复杂度应为指数级，但由于效用函数U的连续属性，这里可以使用梯度下降算法进行求解，并且使用梯度下降算法求解时运算复杂度将被降为多项式级；
S4.使用公式(3)分别计算发送给各个机器人的信息r，但直接使用公式(3)计算会导致运行时间过长，在此利用计算得到的理想位置x*使用如下公式(5)进行计算：
Figure BDA0002228681420000081
S5.将计算得到的信息q与信息r分别存储并等待对应的机器人来向当前机器人请求；
S6.在信息交换的过程中，每个机器人使用以下公式(6)更新最优位置状态并移动至此状态：
Figure BDA0002228681420000082
其中，所述的S4步骤中，计算发送给各个机器人的信息r具体包括以下步骤：
S41.如果直接计算信息r，由于需要搜索的空间大小与
Figure BDA0002228681420000083
的大小成指数关系，所以时间复杂度为指数级，运行时间会过长而不利于部署，可以利用效用函数U的连续属性对其进行一阶泰勒展开，推导过程如下：
Figure BDA0002228681420000084
其中
Figure BDA0002228681420000085
表示机器人当前的位置状态，S42.假设使函数f取最大值的机器人的位置状态为
Figure BDA0002228681420000087
可以继续推导：
式中，此时信息r可以使用如上公式快速计算，计算的时间复杂度与
Figure BDA0002228681420000092
的大小无关而只与机器人可取的位置状态空间的大小有关，既时间复杂度只有多项式级。
在本发明中，计算周围所有机器人的理想位置x*使用的公式是通过如下步骤获得的：
Figure BDA0002228681420000093
另外，本发明提出一种机器人释放规则，每个机器人会从一个固定的地点被逐个释放；当以下任意一条或多条规则被满足时则释放一个新的机器人：
规则1：当机器人释放点保持不被任何一个已释放的机器人覆盖的状态超过所设定的时间；
规则2：当所有已释放机器人的位置状态保持稳定一段时间后，依然有机器人报告存在未被覆盖区域；
规则3：当最后释放的机器人已经行动了设定的次数后依然没有实现完全覆盖。
规则1至规则3可以使用非中心化的方式来实现：在机器人释放点让一个机器人进行待机，当此机器人被释放后则填补一个新的机器人继续待机，这三条规则的判断都将由这个待机的机器人来完成；其中，规则1让此待机机器人向通信范围内的机器人询问释放点是否不被覆盖，如果没有被覆盖或者通信范围内没有机器人，则内置的计数器开始增加，直到达到某个阈值则判定规则1被满足，否则将计数器清零；规则2和规则3则通过让已释放机器人向待机机器人发送两个变量分别表示该机器人的状态是否稳定及该机器人是否发现存在未被覆盖的区域来实现；机器人判断是否存在未被覆盖区域通过分割后的覆盖区域的边界判断，因为在实现完全覆盖后，机器人的覆盖区域边界一定会与整个被覆盖区域的边界或者其他机器人的覆盖区域边界相交，如果某个机器人的覆盖区域存在一段边界不满足上述情况，则存在未被覆盖区域。
在本实施例中，在计算总覆盖面积时，使用视觉加权分割将重叠的区域分割以防止重复计算。如图2(a)所示，深灰色区域即为一个机器人的覆盖区域，公式表示为：
Figure BDA0002228681420000101
符号的意义如图2(a)所示，其中S为非障碍物空间，[q,ci]为端点为q和ci的线段，△φi(q)为机器人i的朝向与[q,ci]的夹角。
当两个机器人的覆盖区域重叠时，会将重叠区域按机器人的覆盖半径大小进行加权分割，如图2(b)所示，公式表示为：
Figure BDA0002228681420000102
其中d为：
实施例2
本实施例使用一个简单的例子来说明本发明的计算流程。被覆盖区域如图3所示，是个边长2m的正方形，星号表示机器人释放点。机器人的覆盖半径为0.71m，通信距离为1.44m。由于初始时没有释放机器人，所以规则1会被满足，释放一个机器人进入，此机器人会将信息q与信息r初始化为零矩阵。此时只有一个机器人，此机器人开始执行使用梯度下降优化的连续最大和算法：
步骤1.收集信息q和信息r，此时只能收集到自己的信息
Figure BDA0002228681420000104
和信息
Figure BDA0002228681420000105
步骤2.使用公式(2)计算将要发送给自己的新的信息
Figure BDA0002228681420000106
步骤3.使用公式(4)计算自己的理想位置状态
Figure BDA0002228681420000107
步骤4.利用计算得到的理想位置状态使用公式(3)计算发送给自己的新的信息
步骤5.更新自己的信息
Figure BDA0002228681420000109
和信息
Figure BDA00022286814200001010
步骤6.使用公式(6)计算新的最优位置状态
Figure BDA00022286814200001011
并移动至该状态。
至此完成一次算法迭代。
当第二个机器人被释放时，此机器人同样会将信息q与信息r初始化为零矩阵。此时有两个机器人，以机器人1为例说明如何执行使用梯度下降优化的连续最大和算法：
步骤1.收集信息q和信息r，此时检查机器人2是否在通信范围内，如果在通信范围内则能收到信息和信息
Figure BDA0002228681420000112
否则只能收集到自己的信息
Figure BDA0002228681420000113
和信息
Figure BDA0002228681420000114
计算过程将与只有一个机器人的情况相同，在此假设机器人2在通信范围内；
步骤2.使用公式(2)计算将要发送给自己和机器人2的两份新的信息
Figure BDA0002228681420000115
步骤3.使用公式(4)计算自己和机器人2的理想位置状态
Figure BDA0002228681420000116
步骤4.利用计算得到的理想位置状态使用公式(3)计算发送给自己和机器人2的两份新的信息
Figure BDA0002228681420000117
步骤5.更新自己的信息和信息
Figure BDA0002228681420000119
和将要发送给机器人2的信息
Figure BDA00022286814200001110
和信息
Figure BDA00022286814200001111
步骤6.使用公式(6)计算新的最优位置状态
Figure BDA00022286814200001112
并移动至该状态。
至此完成一次算法迭代。第三第四个机器人释放后的迭代过程与此类似。
算法重复进行位置状态调整并释放机器人，直至最终实现完全覆盖，即如图3所示的效果，四个黑点代表最终四个机器人的位置，四个机器人所处的多边形代表各自的分割后的覆盖区域。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种分布式完全覆盖的机器人编队覆盖方法，其特征在于，首先将如何最大化被释放机器人的总覆盖区域的问题转化为分布式约束优化问题，然后使用梯度下降优化的连续最大和算法进行求解，并通过在变量节点和效用函数节点间互相发送信息来实现优化；其中，转化后的分布式约束优化问题形式包括以下部分：
1)实体
Figure FDA0002228681410000011
表示各个机器人；
2)变量节点
Figure FDA0002228681410000012
表示各个机器人的位置状态；
3)效用函数节点
Figure FDA0002228681410000013
表示该机器人的分割后的覆盖区域的大小，由于二维空间的连续属性，使得效用函数节点U均为连续函数；效用函数节点会与能影响其取值的变量节点相连接；
4)变量节点的取值范围
Figure FDA0002228681410000014
5)优化问题的目标函数，即机器人群的总覆盖面积表示为：
Figure FDA0002228681410000015
式中，向量xj表示所有与Uj相连的变量节点集合。
2.根据权利要求1所述的分布式完全覆盖的机器人编队覆盖方法，其特征在于，每个机器人执行使用梯度下降优化的连续最大和算法的运算流程包括以下步骤：
S1.确定当前时刻处于通讯范围内的所有机器人，从这些机器人处收集信息q与信息r；
从变量节点i向效用函数节点j发送的信息q为：
Figure FDA0002228681410000016
式中，
Figure FDA0002228681410000017
表示除j外所有与变量节点i相连的效用函数节点的下标集合，t表示当前信息的交换次数；
从效用函数节点j向变量节点i发送的信息r为：
Figure FDA0002228681410000018
式中，
Figure FDA0002228681410000021
表示除i外所有与效用函数节点j相连的变量节点的下标集合，
Figure FDA0002228681410000022
S2.使用公式(2)分别计算发送给周围各个机器人的信息q；
S3.使用以下公式(4)计算周围所有机器人的理想位置x*：
Figure FDA0002228681410000023
S4.使用公式(3)分别计算发送给各个机器人的信息r，但直接使用公式(3)计算会导致运行时间过长，在此利用计算得到的理想位置x*并使用如下公式(5)进行计算：
Figure FDA0002228681410000024
S5.将计算得到的信息q与信息r分别存储并等待对应的机器人来向当前机器人请求；
S6.在信息交换的过程中，每个机器人使用以下公式(6)更新最优位置状态并移动至此状态：
Figure DEST_PATH_IMAGE002
。
3.根据权利要求2所述的分布式完全覆盖的机器人编队覆盖方法，其特征在于，机器人间发送的信息的具体形式是将信息处理成矩阵进行发送，算法部署时会先约定一个采样矩阵，矩阵中每个元素都是一个不同位置状态，采样时将每个位置状态输入信息中并得到返回值最终得到一个矩阵，机器人将会发送此矩阵，由于机器人在求解最优位置状态时会在连续空间
Figure FDA0002228681410000027
内取值，故当选取的位置状态不是约定的采样状态时使用双线性插值来获得结果。
4.根据权利要求2所述的分布式完全覆盖的机器人编队覆盖方法，其特征在于，所述的S4步骤中，计算发送给各个机器人的信息r的公式是通过如下步骤获得的：
S41.利用效用函数U的连续属性对公式(3)进行一阶泰勒展开，推导过程如下：
Figure FDA0002228681410000026
其中表示机器人当前的位置状态，
Figure FDA0002228681410000033
S42.假设使函数f取最大值的机器人的位置状态为
Figure FDA0002228681410000034
可以继续推导：
Figure FDA0002228681410000035
式中，
Figure FDA0002228681410000036
5.根据权利要求2所述的分布式完全覆盖的机器人编队覆盖方法，其特征在于，所述的S3步骤中，计算周围所有机器人的理想位置x*使用的公式是通过如下步骤获得的：
Figure FDA0002228681410000037
。
6.根据权利要求2所述的分布式完全覆盖的机器人编队覆盖方法，其特征在于，本发明提出一种机器人释放规则，每个机器人会从一个固定的地点被逐个释放；当以下任意一条或多条规则被满足时则释放一个新的机器人：
规则1：当机器人释放点保持不被任何一个已释放的机器人覆盖的状态超过所设定的时间；
规则2：当所有已释放机器人的位置状态保持稳定一段时间后，依然有机器人报告存在未被覆盖区域；
规则3：当最后释放的机器人已经行动了设定的次数后依然没有实现完全覆盖。
7.根据权利要求6所述的分布式完全覆盖的机器人编队覆盖方法，其特征在于，所述的规则1至规则3可以使用非中心化的方式来实现：在机器人释放点让一个机器人进行待机，当此机器人被释放后则填补一个新的机器人继续待机，这三条规则的判断都将由这个待机的机器人来完成；其中，规则1让此待机机器人向通信范围内的机器人询问释放点是否不被覆盖，如果没有被覆盖或者通信范围内没有机器人，则内置的计数器开始增加，直到达到某个阈值则判定规则1被满足，否则将计数器清零；规则2和规则3则通过让已释放机器人向待机机器人发送两个变量分别表示该机器人的状态是否稳定及该机器人是否发现存在未被覆盖的区域来实现；机器人判断是否存在未被覆盖区域通过分割后的覆盖区域的边界判断。
8.根据权利要求1至6任一项所述的分布式完全覆盖的机器人编队覆盖方法，其特征在于，在计算总覆盖面积时，使用视觉加权分割将重叠的区域分割以防止重复计算。
CN201910960265.9A 2019-10-10 2019-10-10 一种分布式完全覆盖的机器人编队覆盖方法 Active CN110675002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910960265.9A CN110675002B (zh) 2019-10-10 2019-10-10 一种分布式完全覆盖的机器人编队覆盖方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910960265.9A CN110675002B (zh) 2019-10-10 2019-10-10 一种分布式完全覆盖的机器人编队覆盖方法

Publications (2)

Publication Number Publication Date
CN110675002A true CN110675002A (zh) 2020-01-10
CN110675002B CN110675002B (zh) 2022-07-05

Family

ID=69081790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910960265.9A Active CN110675002B (zh) 2019-10-10 2019-10-10 一种分布式完全覆盖的机器人编队覆盖方法

Country Status (1)

Country Link
CN (1) CN110675002B (zh)

Citations (9)

* 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
US6687571B1 (en) * 2001-04-24 2004-02-03 Sandia Corporation Cooperating mobile robots
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
US20140035725A1 (en) * 2012-05-01 2014-02-06 5D Robotics, Inc. Distributed Positioning and Collaborative Behavior Determination
US20160375592A1 (en) * 2015-06-24 2016-12-29 Brain Corporation Apparatus and methods for safe navigation of robotic devices
CN108181928A (zh) * 2017-12-29 2018-06-19 中国石油大学(华东) 一种海面溢油的多机器人编队溯源控制方法
CN108469825A (zh) * 2018-04-19 2018-08-31 河南科技学院 一种基于车路协同的智能巡视系统及其构建方法
CN108958202A (zh) * 2018-07-27 2018-12-07 齐齐哈尔大学 一种多机器人协同探索的方法
US20190094870A1 (en) * 2014-12-16 2019-03-28 AI Incorporated Methods and systems for robotic surface coverage

Patent Citations (9)

* 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
US6687571B1 (en) * 2001-04-24 2004-02-03 Sandia Corporation Cooperating mobile robots
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
US20140035725A1 (en) * 2012-05-01 2014-02-06 5D Robotics, Inc. Distributed Positioning and Collaborative Behavior Determination
US20190094870A1 (en) * 2014-12-16 2019-03-28 AI Incorporated Methods and systems for robotic surface coverage
US20160375592A1 (en) * 2015-06-24 2016-12-29 Brain Corporation Apparatus and methods for safe navigation of robotic devices
CN108181928A (zh) * 2017-12-29 2018-06-19 中国石油大学(华东) 一种海面溢油的多机器人编队溯源控制方法
CN108469825A (zh) * 2018-04-19 2018-08-31 河南科技学院 一种基于车路协同的智能巡视系统及其构建方法
CN108958202A (zh) * 2018-07-27 2018-12-07 齐齐哈尔大学 一种多机器人协同探索的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张景鑫: "具有非完整约束的多移动机器人覆盖控制研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Also Published As

Publication number Publication date
CN110675002B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN106125764B (zh) 基于a*搜索的无人机路径动态规划方法
CN100533484C (zh) 基于自适应平坦度将无序点云转换为三角网格的系统及方法
CN103278170B (zh) 基于显著场景点检测的移动机器人级联地图创建方法
CN108896052A (zh) 一种基于动态复杂环境下的移动机器人平滑路径规划方法
Zhu et al. Wind speed behaviors feather analysis and its utilization on wind speed prediction using 3D-CNN
CN112561199B (zh) 天气参数预测模型训练方法、天气参数预测方法及装置
CN109931943B (zh) 无人船舶全局路径规划方法及电子设备
CN107066663B (zh) 一种基于满应力约束准则的桁架结构非概率可靠性拓扑优化方法
CN112947575B (zh) 基于深度强化学习的无人机集群多目标搜索方法及系统
CN108673513A (zh) 一种电力巡检机器人运行姿态的控制方法及装置
Xia et al. AI-driven and MEC-empowered confident information coverage hole recovery in 6G-enabled IoT
CN106211256A (zh) 一种基于数据关键性节点的无人机数据收集方法
CN106959666A (zh) 一种基于nurbs的空间自由曲线拟合方法
Zhu et al. Tri-HGNN: Learning triple policies fused hierarchical graph neural networks for pedestrian trajectory prediction
Peng et al. Sideknot: Revealing relation patterns for graph visualization
CN110675002B (zh) 一种分布式完全覆盖的机器人编队覆盖方法
CN105050097B (zh) 一种图像传感器网络优化部署方法
CN102612139B (zh) 一种基于网格的无线传感器网络模糊定位方法
CN110908384A (zh) 一种分布式多机器人协同过未知随机迷宫的编队导航方法
CN103313386A (zh) 基于信息一致性权值优化的无线传感网络目标跟踪方法
CN106709601A (zh) 基于元胞量子遗传算法与ph曲线相结合的无人机三维航迹规划方法
CN109151760B (zh) 基于平方根容积量测加权一致的分布式状态滤波方法
CN116758740A (zh) 一种基于数字孪生和信息树的智慧交通高效模拟方法
CN110112725A (zh) 一种信息驱动的电网静态稳定域边界的构建方法及装置
CN109362049A (zh) 基于混合信息加权一致的平方根容积滤波方法

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