CN111123944A - 一种状态受限的多机器人系统协同控制方法及系统 - Google Patents

一种状态受限的多机器人系统协同控制方法及系统 Download PDF

Info

Publication number
CN111123944A
CN111123944A CN201911398560.6A CN201911398560A CN111123944A CN 111123944 A CN111123944 A CN 111123944A CN 201911398560 A CN201911398560 A CN 201911398560A CN 111123944 A CN111123944 A CN 111123944A
Authority
CN
China
Prior art keywords
robot
state
robots
limited
leaders
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
CN201911398560.6A
Other languages
English (en)
Other versions
CN111123944B (zh
Inventor
马争光
朱琳
张艳芳
刘广亮
郑江花
赵永国
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.)
Institute of Automation Shandong Academy of Sciences
Original Assignee
Institute of Automation Shandong Academy of Sciences
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 Institute of Automation Shandong Academy of Sciences filed Critical Institute of Automation Shandong Academy of Sciences
Priority to CN201911398560.6A priority Critical patent/CN111123944B/zh
Publication of CN111123944A publication Critical patent/CN111123944A/zh
Application granted granted Critical
Publication of CN111123944B publication Critical patent/CN111123944B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

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)

Abstract

本发明公开了一种状态受限的多机器人系统协同控制方法及系统，包括：确定多机器人系统运动模型，以及机器人状态约束条件；设置m个虚拟领导者机器人，并将m个领导者的状态与机器人状态受限的条件相关联；设计机器人控制律，控制剩余机器人进入到由m个领导者组成的凸包内，实现所有实体机器人的状态约束。本发明通过设置虚拟领导者的形式简化了状态受限条件下多机器人系统协同控制问题，分别讨论了状态受限的多机器人系统协同控制的充分必要条件，为状态受限的多机器人系统协同控制问题提供了一个有效的控制算法。

Description

一种状态受限的多机器人系统协同控制方法及系统
技术领域
本发明涉及平面内多机器人系统的协同控制技术领域，尤其涉及一种状态受限的多机器人系统协同控制方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
多机器人系统是近年来发展起来的新兴复杂系统科学，多机器人系统的协同控制问题涉及物理学、社会科学、计算机科学和控制工程等的综合性交叉学科，而且由于其潜在应用领域的广泛性，多机器人系统的群体协同控制问题吸引了众多科研工作者的关注。
由于多机器人系统的功能和优势，系统中多机器人的协同合作能够完成以往单个个体所不能完成的任务，并且对于单个个体所能够完成的任务起到“1+1>2”的作用。多机器人系统群体运动行为中个体间的协同使得整个系统完成单个个体所不能完成的复杂任务，以及具备单个个体所不具备的优势。在军事领域，多无人机编队飞行、多导弹集群饱和打击的应用，可以有效提高打击目标效率，降低人员伤亡，提高军事作战智能化水平；在工业领域，多机械臂协同作业可大幅提升工业生产效率，同时也提高了产品质量及减少生产成本；在智能交通领域，多自主移动小车协同运动可以模拟现实路况，为自动驾驶汽车提供更逼真的自动驾驶测试环境。
而对于部分应用场景，机器人的状态并不是任意的，而是受到环境的约束。例如在自动驾驶领域，多自主移动小车可以为自动驾驶汽车提供仿真的测试环境，但是，现实中的行驶道路并非是开阔的场地，汽车在与行驶方向垂直的方向上是有状态约束的，这使得没有状态约束的自主移动小车并不能完全满足自动驾驶测试环境的要求，因此，所有状态或部分状态有受限条件的多机器人协同控制问题成为了多机器人协同控制问题中非常重要的一部分，状态受限的多机器人系统的协同控制问题理论的研究也更贴近于实际应用。
发明内容
为了解决上述问题，本发明提出了一种状态受限的多机器人系统协同控制方法及系统，能够兼顾机器人状态受限和机器人运动协同运动，使系统在运行过程中始终保持机器人状态满足约束同时达到预期的控制目标。
在一些实施方式中，采用如下技术方案：
一种状态受限的多机器人系统协同控制方法，包括：
确定多机器人系统运动模型，以及机器人状态约束条件；
设置m个虚拟领导者机器人，并将m个领导者的状态与机器人状态受限的条件相关联；
设计机器人控制律，控制剩余机器人进入到由m个领导者组成的凸包内，实现所有实体机器人的状态约束。
在另一些实施方式中，采用如下技术方案：
一种状态受限的多机器人系统协同控制系统，包括：
用于确定多机器人系统运动模型，以及机器人状态约束条件的装置；
用于设置m个虚拟领导者机器人，并将m个领导者的状态与机器人状态受限的条件相关联的装置；
用于设计机器人控制律，控制剩余机器人进入到由m个领导者组成的凸包内，实现所有实体机器人的状态约束的装置。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的状态受限的多机器人系统协同控制方法。
与现有技术相比，本发明的有益效果是：
本发明通过设置虚拟领导者的形式简化了状态受限条件下多机器人系统协同控制问题，分别讨论了状态受限的多机器人系统协同控制的充分必要条件，为状态受限的多机器人系统协同控制问题提供了一个有效的控制算法。
附图说明
图1是本发明实施例一中状态受限的多机器人系统协同控制方法流程图；
图2是本发明实施例一中多机器人系统通信拓扑图；
图3是本发明实施例一中静态状态约束仿真结果；
图4是本发明实施例一中动态状态约束仿真结果。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。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申请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。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
在一个或多个实施方式中，公开了一种状态受限的多机器人系统协同控制方法，参照图1，包括如下步骤：
确定多机器人系统运动模型，以及机器人状态约束条件；
设置m个虚拟领导者机器人，并将m个领导者的状态与机器人状态受限的条件相关联；
设计机器人控制律，控制剩余机器人进入到由m个领导者组成的凸包内，实现所有实体机器人的状态约束。
具体地，本实施例方法是这样实现的：
考虑状态受限的一阶多机器人系统的协同控制，机器人模型一般为小车模型，运动学模型为：
Figure BDA0002346954980000041
其中，(xi,yi,θi)是第i个机器人的位置和方向信息，vi和wi分别是第i个机器人两轮中心的线速度和角速度。
但是为了理论分析方便起见，暂时采用一阶质点模型，考虑质点模型为一阶连续系统，为了满足机器人状态受限的约束，我们设置m个虚拟领导者机器人，并将m个领导者的状态与机器人状态受限的条件相关联，然后通过控制其余n-m个机器人进入到由m个领导者组成的凸包内，实现所有实体机器人的状态约束，所有机器人(包括虚拟领导者)的系统模型为：
Figure BDA0002346954980000051
其中，pi(t)∈R2为二维空间下第i个机器人的位置信息，ui(t)为二维空间下第i个机器人的控制输入。
根据二维空间中机器人的状态受限情况，可以分为两个部分来分析，一种是机器人所有状态都受限，一种是部分状态受限。实体机器人之间的通信是双向信息交互，且由实体机器人构成的通信拓扑为连通图，实体机器人能够完全获取到所有或部分虚拟领导者的状态信息，但对于每一个虚拟领导者，至少有一个实体机器人能够获取到它的状态信息，虚拟领导者则完全不会受到实体机器人的影响。
1)所有状态受限
当二维空间中机器人的所有状态受限时，即二维空间中的x和y状态都是受限的，因此，设置m个虚拟领导者，虚拟领导者的位置根据状态受限的情况设置，例如，机器人状态约束为
Figure BDA0002346954980000052
则可以设置四个虚拟领导者，虚拟领导者的位置分别为
Figure BDA0002346954980000053
然后设计实体机器人的控制律，使得实体机器人全部进入由虚拟领导者构成的凸包内。
假设在这n个机器人中有m个(m<n)静态领导者，他们的控制律是：
Figure BDA0002346954980000054
因为在二维空间中所有状态都受限的情况下，虚拟领导者的状态是静止的。由m个虚拟领导者和n－m个实体机器人构成的系统通信拓扑图可以用有向图G来表示，其中n-m个实体机器人构成的信息拓扑图用无向图
Figure BDA0002346954980000055
表示，拓扑图所对应的Laplacian矩阵为L,
Figure BDA0002346954980000061
其中
Figure BDA0002346954980000062
为n-m阶方阵，
Figure BDA0002346954980000063
为(n-m)×m阶矩阵。由于n-m个实体机器人彼此之间能够双向通信，而且n-m个实体机器人能够完全获取到虚拟领导者的状态信息，因此，矩阵
Figure BDA0002346954980000064
为正定矩阵，
Figure BDA0002346954980000065
是行和为1的非负矩阵，
Figure BDA0002346954980000066
是由
Figure BDA0002346954980000067
围成的凸包。
根据稳定性理论，当剩余n-m个实体机器人的控制律设置为：
Figure BDA0002346954980000068
其中，aij(t)是邻接矩阵A的元素，
Figure BDA0002346954980000069
是常数，pi(t)表示第i个机器人的位置信息，cj表示机器人之间相对位置约束关系，需要根据机器人受限状态设置，所有的实体机器人状态
Figure BDA00023469549800000610
能够进入由m个虚拟领导者构成的凸包
Figure BDA00023469549800000611
内，实现多机器人状态受限条件下的协同控制。系统模型可以改写为：
Figure BDA00023469549800000612
其中，p(t)＝[p1(t)，...，pm(t)，pm+1(t)，...，pn(t)]T，C＝[c1，...，cn]。
2)部分状态受限
当二维空间中机器人的部分状态受限时，即二维空间中的x或y状态受限，以y状态受限为例，机器人的y方向状态约束为
Figure BDA00023469549800000613
而机器人的x状态不受限制，则可以设置四个虚拟领导者，虚拟领导者的起始位置为
Figure BDA00023469549800000614
虚拟领导者以设定的速度vi沿x轴运动，而速度vi可以是常数，也可以是变量。以m个虚拟领导者的运动速度是常数为例，他们的控制律是：
Figure BDA0002346954980000071
因为二维空间下机器人的y状态是受限的，所以设置的虚拟领导者是以c的速度沿x轴做匀速运动，以y状态受限为例，二维空间中
Figure BDA0002346954980000072
即虚拟领导者以cx的速度沿x轴做匀速运动。系统的通信拓扑图与全部状态受限相同，即：
Figure BDA0002346954980000073
根据稳定性理论，n-m个实体机器人的控制律设计为：
Figure BDA0002346954980000074
其中，pi(t)是第i个机器人的位置信息，pj(t)是第j个机器人或虚拟领导者的位置信息，cj表示机器人之间相对位置约束关系，cj的取值需要根据机器人受限状态设置，β是一个正常数，且β>γl,γl＝supi＝1,…,m|vi(t)|，aij(t)是邻接矩阵A的元素，sgn(·)是符号函数。根据所设计的控制律，所有的实体机器人能够进入由虚拟领导者构成的凸包内，实现状态受限条件下的机器人协同运动，系统的模型总结起来可改写为：
Figure BDA0002346954980000075
其中，p(t)＝[p1(t),…,pm(t),pm+1(t),…,pn(t)]T，β为正常数，且β>γl,,γl＝supi＝1,…,m|vi(t)|，V(t)＝[v1,…,vm,0m+1,…,0n]。
本实施例是以质点作为机器人模型，为了实现理论的现实应用，我们需要将质点模型转换为小车模型，然而，两轮中心的点是没有切向速度的，因此，取两轮轴线外的一点αi＝(pi；qi)作为机器人的参考中心，机器人的运动参考中心到机器人轮轴中心距离为di，那么机器人的控制律可以转换为：
Figure BDA0002346954980000081
其中θi为机器人的方向信息，uxi、uyi分别表示机器人的控制量在x、y轴上的控制分量；实现质点模型到机器人模型的转换。
下面通过一个仿真实例验证理论的有效性，图2为仿真实例的系统通信拓扑图，对应系统的Laplacian矩阵L为：
Figure BDA0002346954980000082
在仿真实例中模拟实体机器人全部状态受约束和部分状受约束两种情况，在两种情况下虚拟领导者的状态可以分别设置为：
全部状态受约束时，虚拟领导者的状态可以设置为：
Figure BDA0002346954980000083
其中，
Figure BDA0002346954980000084
部分状态受约束时，虚拟领导者的状态可以设置为：
Figure BDA0002346954980000085
其中，x状态不受约束，
Figure BDA0002346954980000086
仿真结果说明：
图3的仿真结果显示所有的实体机器人(1,2,3)全部都进入到由虚拟领导者所组成的凸包内，且机器人之间的状态差值符合变量cj所定义的相对位置约束关系。
图4的仿真结果显示所有的实体机器人(1,2,3)全部都进入到由动态虚拟领导者所组成的凸包内，机器人之间的状态差值符合变量cj所定义的相对位置约束关系，而且随着动态虚拟领导者的运动，实际机器人稳定在由动态虚拟领导者所组成的凸包内。
仿真结果说明了所设计状态受限条件下多机器人协同控制方法的有效性。
实施例二
在一个或多个实施方式中，公开了一种状态受限的多机器人系统协同控制系统，包括：
用于确定多机器人系统运动模型，以及机器人状态约束条件的装置；
用于设置m个虚拟领导者机器人，并将m个领导者的状态与机器人状态受限的条件相关联的装置；
用于设计机器人控制律，控制剩余机器人进入到由m个领导者组成的凸包内，实现所有实体机器人的状态约束的装置。
需要说明的是，上述装置的具体工作方法与实施例一中公开的方法相同，不再赘述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、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实施例一中的状态受限的多机器人系统协同控制方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的状态受限的多机器人系统协同控制方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
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 (10)

1.一种状态受限的多机器人系统协同控制方法，其特征在于，包括：
确定多机器人系统运动模型，以及机器人状态约束条件；
设置m个虚拟领导者机器人，并将m个领导者的状态与机器人状态受限的条件相关联；
设计机器人控制律，控制剩余机器人进入到由m个领导者组成的凸包内，实现所有实体机器人的状态约束。
2.如权利要求1所述的一种状态受限的多机器人系统协同控制方法，其特征在于，当二维空间中机器人所有状态都受限时，假设在这n个机器人中有m个静态领导者，m＜n，他们的控制律是：
Figure FDA0002346954970000019
3.如权利要求2所述的一种状态受限的多机器人系统协同控制方法，其特征在于，由m个虚拟领导者和n-m个实体机器人构成的系统通信拓扑图用有向图G来表示，其中n-m个实体机器人构成的信息拓扑图用无向图
Figure FDA00023469549700000110
表示，拓扑图所对应的Laplacian矩阵L为：
Figure FDA0002346954970000011
其中，
Figure FDA0002346954970000012
为n-m阶方阵，
Figure FDA0002346954970000013
为(n-m)×m阶矩阵，
Figure FDA0002346954970000014
是由
Figure FDA0002346954970000015
围成的凸包。
4.如权利要求2所述的一种状态受限的多机器人系统协同控制方法，其特征在于，当剩余n-m个实体机器人的控制律设置为：
Figure FDA0002346954970000016
时，
所有的实体机器人状态
Figure FDA0002346954970000017
能够进入由m个虚拟领导者构成的凸包
Figure FDA0002346954970000018
内，实现多机器人状态受限条件下的协同控制；
其中，aij(t)是邻接矩阵A的元素，pi(t)表示第i个机器人的位置信息，
Figure FDA0002346954970000021
是常数，cj表示机器人之间相对位置约束关系，cj的取值需要根据机器人受限状态设置。
5.如权利要求1所述的一种状态受限的多机器人系统协同控制方法，其特征在于，当二维空间中机器人部分状态受限时，设置m个虚拟领导者，他们的控制率为：
Figure FDA0002346954970000022
其中，虚拟领导者以设定的速度vi沿不受限制的方向运动。
6.如权利要求5所述的一种状态受限的多机器人系统协同控制方法，其特征在于，由m个虚拟领导者和n-m个实体机器人构成的系统通信拓扑图用有向图G来表示，其中n-m个实体机器人构成的信息拓扑图用无向图
Figure FDA0002346954970000023
表示，拓扑图所对应的Laplacian矩阵L为：
Figure FDA0002346954970000024
其中，
Figure FDA0002346954970000025
为n-m阶方阵，
Figure FDA0002346954970000026
为(n-m)×m阶矩阵，
Figure FDA0002346954970000027
是由
Figure FDA0002346954970000028
围成的凸包。
7.如权利要求5所述的一种状态受限的多机器人系统协同控制方法，其特征在于，当n-m个实体机器人的控制律设计为：
Figure FDA0002346954970000029
时，所有的实体机器人能够进入由虚拟领导者构成的凸包内，实现状态受限条件下的机器人协同运动；
其中，pi(t)是第i个机器人的位置信息，pj(t)是第j个机器人或虚拟领导者的位置信息，cj表示机器人之间相对位置约束关系，cj的取值需要根据机器人受限状态设置，β是一个正常数，且β＞γl，γl＝supi＝1，...，m|vi(t)|，aij(t)是邻接矩阵A的元素，sgn(·)是符号函数。
8.如权利要求1所述的一种状态受限的多机器人系统协同控制方法，其特征在于，设计机器人控制律后，还包括：
将多机器人系统运动模型由质点模型转换为小车模型，取两轮轴线外的一点αi＝(pi；qi)作为机器人的参考中心，机器人的运动参考中心到机器人轮轴中心距离为di，将机器人的控制律转换为：
Figure FDA0002346954970000031
实现质点模型到机器人模型的转换，其中θi为机器人的方向信息，uxi、uyi分别表示机器人的控制量在x、y轴上的控制分量。
9.一种状态受限的多机器人系统协同控制系统，其特征在于，包括：
用于确定多机器人系统运动模型，以及机器人状态约束条件的装置；
用于设置m个虚拟领导者机器人，并将m个领导者的状态与机器人状态受限的条件相关联的装置；
用于设计机器人控制律，控制剩余机器人进入到由m个领导者组成的凸包内，实现所有实体机器人的状态约束的装置。
10.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-8任一项所述的状态受限的多机器人系统协同控制方法。
CN201911398560.6A 2019-12-30 2019-12-30 一种状态受限的多机器人系统协同控制方法及系统 Active CN111123944B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911398560.6A CN111123944B (zh) 2019-12-30 2019-12-30 一种状态受限的多机器人系统协同控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911398560.6A CN111123944B (zh) 2019-12-30 2019-12-30 一种状态受限的多机器人系统协同控制方法及系统

Publications (2)

Publication Number Publication Date
CN111123944A true CN111123944A (zh) 2020-05-08
CN111123944B CN111123944B (zh) 2023-09-08

Family

ID=70505429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911398560.6A Active CN111123944B (zh) 2019-12-30 2019-12-30 一种状态受限的多机器人系统协同控制方法及系统

Country Status (1)

Country Link
CN (1) CN111123944B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110196599A (zh) * 2019-06-26 2019-09-03 华南理工大学 一种避碰与连接保持约束下的无人艇分布式编队控制方法
CN110362095A (zh) * 2019-08-09 2019-10-22 大连海事大学 一种有限时间收敛无人船协同控制器的设计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110196599A (zh) * 2019-06-26 2019-09-03 华南理工大学 一种避碰与连接保持约束下的无人艇分布式编队控制方法
CN110362095A (zh) * 2019-08-09 2019-10-22 大连海事大学 一种有限时间收敛无人船协同控制器的设计方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
LU MINMIN,ET AL.: "Multi-agent formation control with obstacle avoidance based on receding horizon strategy" *
刘伟: "多无人艇包含控制问题研究" *
王冬梅;方华京;: "全局未知环境下智能群体群集运动与避障控制" *
王钦钊;程金勇;李小龙;: "基于多虚拟领航者的多机器人编队控制方法" *
窦立谦;杨闯;王丹丹;陈涛;秦新立;: "基于状态观测器的多无人机编队跟踪控制" *

Also Published As

Publication number Publication date
CN111123944B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
Zhu et al. Multi-UAV reconnaissance task allocation for heterogeneous targets using an opposition-based genetic algorithm with double-chromosome encoding
CN108803349B (zh) 非线性多智能体系统的最优一致性控制方法及系统
Kuefler et al. Imitating driver behavior with generative adversarial networks
US9008840B1 (en) Apparatus and methods for reinforcement-guided supervised learning
Dumitrescu et al. Fuzzy logic for intelligent control system using soft computing applications
Yan et al. Collision-avoiding flocking with multiple fixed-wing UAVs in obstacle-cluttered environments: a task-specific curriculum-based MADRL approach
US11281232B2 (en) Systems and methods for multi-agent system control using consensus and saturation constraints
Dong et al. Consensus based formation control laws for systems on Lie groups
Yang et al. A learning control method of automated vehicle platoon at straight path with ddpg-based pid
Behjat et al. Learning reciprocal actions for cooperative collision avoidance in quadrotor unmanned aerial vehicles
Wei et al. A centroidal Voronoi tessellation based intelligent control algorithm for the self-assembly path planning of swarm robots
CN108496188A (zh) 神经网络训练的方法、装置、计算机系统和可移动设备
Ahmed et al. Design and implementation control system for a self-balancing robot based on internet of things by using Arduino microcontroller
Villarreal-Cervantes et al. Stabilization of a (3, 0) mobile robot by means of an event-triggered control
CN109491381B (zh) 基于观测器的多移动机器人自适应编队跟踪控制方法
Khanum et al. Involvement of deep learning for vision sensor-based autonomous driving control: a review
Cui et al. An enhanced safe and reliable autonomous driving platform using ROS2
Kowalczyk Formation control and distributed goal assignment for multi-agent non-holonomic systems
Garlick et al. Real-time optimal trajectory planning for autonomous vehicles and lap time simulation using machine learning
Andreevich et al. Designing algorithms for service robots on the basis of mivar approach
Young et al. Enabling Artificial Intelligence Studies in Off-Road Mobility Through Physics-Based Simulation of Multiagent Scenarios
CN109752952A (zh) 一种获取多维随机分布及强化控制器的方法和装置
Chen et al. When shall i be empathetic? the utility of empathetic parameter estimation in multi-agent interactions
CN111123944B (zh) 一种状态受限的多机器人系统协同控制方法及系统
Schmidt et al. Reinforcement learning methods based on GPU accelerated industrial control hardware

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