CN111240333A - 一种复杂非凸环境下群机器人协同作业的多目标围捕方法 - Google Patents
一种复杂非凸环境下群机器人协同作业的多目标围捕方法 Download PDFInfo
- Publication number
- CN111240333A CN111240333A CN202010056178.3A CN202010056178A CN111240333A CN 111240333 A CN111240333 A CN 111240333A CN 202010056178 A CN202010056178 A CN 202010056178A CN 111240333 A CN111240333 A CN 111240333A
- Authority
- CN
- China
- Prior art keywords
- target
- robot
- obstacle
- robots
- task
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000008569 process Effects 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 23
- 230000003068 static effect Effects 0.000 claims description 17
- 230000004888 barrier function Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 239000011664 nicotinic acid Substances 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 3
- 238000005314 correlation function Methods 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001926 trapping method Methods 0.000 description 1
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
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
本发明公开了一种复杂非凸环境下群机器人协同作业的多目标围捕方法，首先设计了复杂非凸环境下多目标和动态障碍物的运动模型，然后通过对复杂环境下围捕行为的研究，构建了多目标简化虚拟受力模型，基于此受力模型,提出了动态多目标自组织任务分配方法和协同自组织动态多目标围捕的具体过程，上述过程多目标任务自组织分配方法仅仅基于两最近邻任务信息可以为每一个机器人分配一个目标，接着，在复杂非凸环境下，基于机器人与障碍物距离的多目标循障算法可以使每一个机器人避开各种各样的障碍物，计算简单高效，易于实现，且整个方法过程具有良好的避障性能、鲁棒性、可扩展性和灵活性。
Description
技术领域
本发明涉及追逐及围捕技术领域，特别是涉及一种复杂非凸环境下群机器人协同作业的多目标围捕方法。
背景技术
群机器人系统是一种移动的分布式系统,具有高密度特点并具有鲁棒性、可扩展性和灵活性。这些重要特征使得群机器人系统相较于单个机器人或多机器人系统更有希望完成大规模任务。
群机器人在未知动态复杂非凸障碍环境下实现动态多目标围捕面临着诸多挑战：首先，当动态多目标分散时，每个机器人必须使用自组织来实现任务分配；其次，任务分配方法应尽可能简单，任务分配时间应非常短；三是避免碰撞并且尽量减少分配给不同围捕目标的机器人的移动距离；第四，群机器人要保持多目标围捕队形，在未知复杂环境下成功地实现非凸障碍物的避障；此外，每个机器人只能根据被围捕目标和两个最近邻的位置信息来实现自组织运动。
发明内容
有鉴于此，本发明提出一种复杂非凸环境下群机器人协同作业的多目标围捕方法，通过多目标任务自组织分配过程、多目标循障过程和自组织多目标围捕过程，即可实现多目标围捕，具有良好的避障性能、鲁棒性、可扩展性和灵活性，且方法具有简单高效，易于实现的优点。
一方面，本发明提供了一种复杂非凸环境下群机器人协同作业的多目标围捕方法，包括如下步骤：
S100、构建群机器人运动模型及相关函数，其中，群机器人由m个完全相同的非完整移动轮式机器人hj组成，j＝1,2,…,m，该步骤中相关函数包括机器人hj的运动学方程，围捕过程中机器人、静态或动态障碍物以及非机器人hj围捕的目标和对象施力函数，和对于不满足循障条件的非凸障碍物的智能仿生避障映射函数；
S200、通过围捕环境、动态多目标和动态障碍物模型构建多目标围捕任务模型及相关函数，该步骤中相关函数包括给定复杂障碍物环境下动态障碍物的运动方程；
S300、构建多目标简化虚拟受力模型；
S400、在复杂非凸环境下，基于机器人hj与障碍物距离的多目标循障算法使每一个机器人hj避开各种各样的障碍物；
S500、基于多目标简化虚拟受力模型及循障算法，确定在未知复杂非凸动态障碍物环境下，群机器人协同进行动态多目标围捕的具体过程。
进一步地，步骤S100中机器人hj的运动学方程如下所示：
式中，vj(t)和ωj(t)分别是机器人hj的线速度和角速度，且
分别是最大线速度和最大角速度，
为机器人hj在x轴方向的线速度，
为机器人hj在y轴方向的线速度，
为机器人hj的角速度；
所述施力函数分别为：
式(2)和(3)中，fswitch(x,a)表示关于x取值大小的开关函数，
表示目标tp对围捕的机器人hj的施力大小，fo(d)表示近邻对象O对围捕的机器人hj的施力大小，d表示两点之间的距离,c1、d1和
用于优化机器人hj的运动路径，cr、c2和
分别为有效围捕半径、追捕接近参数和开始加强避碰或避障的距离,i＝1,2,3,4分别表示对象是机器人hj、静态、动态障碍物和非机器人hj围捕的目标时所用的具体参数，nc、l、dsp分别表示当前围捕步数、开始向有效围捕圆周上运动的步数和开始向有效围捕圆周上运动时机器人与目标的距离，其中，所述有效围捕圆周以目标为圆心,cr为半径形成的圆周；
所述智能仿生避障映射函数：
式中，σ是一个实数,(0≤σ≤1),(-1≤σ＜0)为判断条件,满足时为1,否则为0。
进一步地，所述动态多目标和动态障碍物模型通过如下过程建立：
1)在全局坐标系XOY中,设定机器人和障碍物的位置信息为OK＝(xK,yK),K∈{T,H,S,U}，包含了目标T＝{tp:p＝0,1,…,e}、围捕机器人H＝{hj:j＝1,2,…,m}、静态障碍物S＝{sj:j＝1,2,…,α}和动态障碍物U＝{uj:j＝1,2,…,β}；
2)确定目标势域内
所有机器人的集合为：
其中，
为目标的势域半径，
为目标tp的横坐标，
为目标tp的纵坐标，xj为机器人hj的横坐标，yj为机器人hj的纵坐标；
3)需要避开的静态障碍物分别为
和
为静态障碍物sj的横坐标，
为静态障碍物sj的纵坐标，
为动态障碍物ui的横坐标，
为动态障碍物ui的纵坐标，
是目标开始加强避开静态障碍物的距离。
进一步地，所述步骤S300中多目标简化虚拟受力模型具体通过如下过程建立：
在全局坐标系XOY中，机器人hj可以得到目标tp和两最近邻对象Oaj,Obj以及本身的位置信息，其中，(p＝1,…,e)，在以机器人hj为原点的相对坐标系x’O’y’中,机器人hj受到目标tp的引力或斥力作用和两最近邻对象Oaj,Obj的斥力作用,分别记为
faj和fbj，当
目标tp产生引力，当
目标tp产生斥力，hj的整体受力fx'y'j是由y’轴的分量
和x’轴的分量fabj组成，且fabj是faj和fbj分别在x’轴上的投影faj(||paj||)·φ(cos(γfajx'))和fbj(||pbj||)·φ(cos(γfbjx'))之和，其中，γfajx'和γfbjx'分别机器人hj的两最近邻对象Oaj,Obj的斥力偏角，paj,pbj分别为两最近邻对象Oaj,Obj的位置矢量。
进一步地，所述机器人hj通过以下步骤进行多目标循障：
S401、判断机器人hj是否处于循障状态：若是，则进入步骤S401A，反之，则进入步骤S401B；
S401A、判断cos(γfajx')是否大于0，若是，则计数1次，反之，则进入步骤S402A；
S402A、判断是否符合循障结束条件，若是，则进入步骤S403A；反之，则步骤S404A；
S403A、清除循障状态，并计数置零，然后结束；
S404A、此时，期望速度矢量
其中，
为机器人hj的最大线速度；
S405A、判断左方是否处于循障状态，若是则进入步骤S406A，反之则进入步骤S406A’；
S406A、判断||Paj||-fdis是否小于0，若是，则θje＝γfaj-17π/36并结束，其中，fdis表示机器人hj循障时和最近邻aj之间的距离，
表示paj到x轴正半轴的有向角，反之，则进入步骤S407A；
S407A、判断||Paj||-fdis是否大于0，若是，则θje＝γfaj-19π/36并结束，反之，则θje＝γfaj-π/2并结束；
S406A’、判断||Paj||-fdis是否小于0，若是，则θje＝γfaj+17π/36并结束，反之，则进入步骤S407A’；
S407A’、判断||Paj||-fdis是否大于0，若是，则θje＝γfaj+19π/36并结束，反之，则θje＝γfaj+π/2并结束；
S401B、判断是否符合循障条件，若是，则进入步骤S402B；反之，则结束；
S402B、此时，期望速度矢量
S403B、判断cos(γy')是否大于等于0，其中，γy'表示y’轴正半轴到x轴正半轴的有向角，若是，则处于右方循障状态并进入步骤S406A’，反之则处于左方循障状态并进入步骤S406A。
进一步地，所述步骤S500中群机器人协同进行动态多目标围捕的具体过程如下：
S501、设定轨迹控制及避障参数,初始化群机器人；
S502、判断机器人hj是否可以获得所有目标位置信息，若是，则进入步骤S503,反之，则机器人hj待在原地不动，并进入步骤S510；
S503、基于机器人hj面对多目标中心方向180°范围内的两最近邻进行任务分配；
S504、判断机器人hj是否完成任务分配，若是，则进入步骤S505，反之，则进入步骤S506A；
S505、判断机器人hj是否可以获得被围捕目标位置信息，若是，则进入步骤S506B,反之，则机器人hj待在原地不动，并进入步骤S510；
S506A、以多目标中心为围捕目标；
S506B、交换围捕目标；
S507、根据多目标简化虚拟受力模型计算相应参数；
S508、计算期望速度矢量vje，期望运动方向θje，机器人hj转至期望运动方向θje所需时间tntj，实际可达速度vjf以及按期望速度矢量vje进行了补偿的速度vjc；
S509、运动一个时间步长：
S510、重复步骤S502至S509，直至j＝m；
S511、判断所有个体是否满足以下条件：
和|||paj||-||pbj|||＜ε2，其中，
表示围捕机器人hj到目标tp的距离，paj表示近邻Oaj到围捕的机器人hj的距离，pbj表示近邻Obj到围捕的机器人hj的距离，ε1表示设定的围捕的机器人hj到以目标tp为圆心、cr为半径的有效围捕圆周上的距离误差大小，ε2表示设定的围捕的机器人hj到两最近邻Oaj和Obj距离之差的误差大小，若是，则结束；反之，则返回步骤S502。
进一步地，步骤S502中机器人hj通过如下过程获得所有目标位置信息：
S5021、检测机器人hj与所有目标距离是否小于感知半径，若是，则获得所有目标位置信息，反之，则进入步骤S5022；
S5022、没有检测到所有目标位置信息；
S5023、检测机器人hj与其他机器人的距离是否小于通讯半径，若是，则进入步骤S5024，反之，则没有通过通讯收到所有目标位置信息并结束；
S5024、判断机器人hj中是否有感知到所有目标位置信息的，若有，则通过通讯收到所有目标位置信息，反之，则进入步骤S5025；
S5025、判断机器人hj中是否有通过通讯得到所有目标位置信息的，若有，则通过通讯收到所有目标位置信息，反之，则没有通过通讯收到所有目标位置信息并结束；
S5026、广播所有目标位置信息并结束。
进一步地，S503具体包括如下步骤：
S5030、判断机器人hj任务是否已经分配，若是，则进入步骤S5039；反之，则进入步骤S5031；
S5031、计算机器人hj面对多目标中心方向180°范围内近邻的个数fn；
S5032、判断fn是否为0，若是，则任务1为机器人hj的围捕任务并进入步骤S5049，反之，则进入步骤S5033；
S5033、判断fn是否为1并且该近邻的任务没有分配，若是，则机器人hj的围捕任务暂不分配，设置为0，并进入步骤S5039，反之，则进入步骤S5034；
S5034、判断fn是否为1并且该近邻的任务已经分配，若是，则判断该近邻任务的数字表示是否等于总目标数，反之，则进入步骤S5035；
S5035、判断fn是否大于等于2并且两最近邻的任务没有分配，若是，则机器人hj的围捕任务暂不分配，设置为0，并进入步骤S5039，反之，则进入步骤S5036；
S5036、判断fn是否大于等于2并且两最近邻分配了相同任务，若是，则判断该任务的数字表示是否等于总目标数，反之，则进入步骤S5037；
S5037、判断两最近邻的任务数字表示最大值是否等于总目标数，若是，则任务1为机器人hj的围捕任务，并进入步骤S5039，反之，则进入步骤S5038；
S5038、两最近邻的任务数字表示最大值加1为机器人hj的围捕任务；
S5039、结束。
进一步地，步骤S5034和S5036中判断该任务的数字表示是否等于总目标数，若是，则任务1为机器人hj的围捕任务，并进入步骤S5039，反之，则机器人hj的围捕任务为该任务数字加1，并进入步骤S5039。
进一步地，步骤S506B具体包括如下步骤：
S506B0、设置开始交换目标标志位；
S506B1、判断开始交换目标标志位是否为1，若是，则进入步骤S506B2，反之，则进入步骤S506B7；
S506B2、判断机器人hj是否已经分配围捕任务，若是，则进入步骤S506B3，反之，则进入步骤S506B7；
S506B3、判断机器人hj面向多目标中心方向180°范围内近邻的个数fn是否大于等于1，若是，则进入步骤S506B4，反之，则进入步骤S506B7；
S506B4、判断机器人hj前面的最近邻是否已经分配任务，若是，则进入步骤S506B5，反之，则进入步骤S506B7；
S506B5、判断交换后到各自目标距离之和是否小于交换前的，若是，则进入步骤S506B6，反之，则进入步骤S506B7；
S506B6、机器人hj与前面最近邻交换围捕目标；
S506B7、结束。
本发明提供的一种复杂非凸环境下群机器人协同作业的多目标围捕方法，首先设计了复杂非凸环境下多目标和动态障碍物的运动模型，然后通过对复杂环境下围捕行为的研究，构建了多目标简化虚拟受力模型，基于此受力模型,提出了动态多目标自组织任务分配方法和协同自组织动态多目标围捕的具体过程，上述过程多目标任务自组织分配方法仅仅基于两最近邻任务信息可以为每一个机器人分配一个目标，接着，在复杂非凸环境下，基于机器人与障碍物距离的多目标循障算法可以使每一个机器人避开各种各样的障碍物，计算简单高效，易于实现，且整个方法过程具有良好的避障性能、鲁棒性、可扩展性和灵活性。
附图说明
构成本发明的一部分的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发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例提供的一种复杂非凸环境下群机器人协同作业的多目标围捕方法的流程图；
图2a为一种情形下多目标简化虚拟受力模型图；
图2b为另一种情形下多目标简化虚拟受力模型图；
图3为机器人多目标循障算法的流程图
图4为群机器人自组织协同动态多目标围捕方法的流程图；
图5为机器人hj获得所有目标位置信息的循障算法流程图；
图6为机器人hj任务分配流程图；
图7为机器人hj获得被围捕目标位置信息的流程图；
图8为交换围捕目标流程图；
图9为设置开始交换目标标志位流程图。
具体实施方式
需要说明的是，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。下面将参考附图并结合实施例来详细说明本发明。
图1是根据本发明实施例提供的一种复杂非凸环境下群机器人协同作业的多目标围捕方法的流程图。如图1所示，一种复杂非凸环境下群机器人协同作业的多目标围捕方法，包括如下步骤：
S100、构建群机器人运动模型及相关函数，其中，群机器人由m个完全相同的非完整移动轮式机器人hj组成，j＝1,2,…,m，该步骤中相关函数包括机器人hj的运动学方程，围捕过程中机器人、静态或动态障碍物以及非机器人hj围捕的目标和对象施力函数，和对于不满足循障条件的非凸障碍物的智能仿生避障映射函数；
优选地，上述机器人hj的运动学方程如下所示：
式中，vj(t)和ωj(t)分别是机器人hj的线速度和角速度，且
分别是最大线速度和最大角速度，
为机器人hj在x轴方向的线速度，
为机器人hj在y轴方向的线速度，
为机器人hj的角速度；
所述施力函数分别为：
式(2)和(3)中，fswitch(x,a)表示关于x取值大小的开关函数，
表示目标tp对围捕的机器人hj的施力大小，fo(d)表示近邻对象O对围捕的机器人hj的施力大小，d表示两点之间的距离,c1、d1和
用于优化机器人hj的运动路径，cr、c2和
分别为有效围捕半径、追捕接近参数和开始加强避碰或避障的距离,i＝1,2,3,4分别表示对象是机器人hj、静态、动态障碍物和非机器人hj围捕的目标时所用的具体参数，nc、l、dsp分别表示当前围捕步数、开始向有效围捕圆周上运动的步数和开始向有效围捕圆周上运动时机器人与目标的距离，其中，所述有效围捕圆周以目标为圆心,cr为半径形成的圆周；需要说明的是，这里用两个条件来判断何时向有效围捕圆周上运动，条件(d＞sp)用来保护围捕机器人不要太靠近目标，防止受损：当(d＞sp)失效即机器人的速度有时很难接近目标在一定距离范围时，(nc＜l)条件则强制停止快速追击目标，开始向有效围捕圆周上运动，tp则根据p值的不同指向不同的目标；
所述智能仿生避障映射函数：
式中，σ是一个实数,(0≤σ≤1),(-1≤σ＜0)为判断条件,满足时为1,否则为0；
S200、通过围捕环境、动态多目标和动态障碍物模型构建多目标围捕任务模型及相关函数，该步骤中相关函数包括给定复杂障碍物环境下动态障碍物环境下动态障碍物的运动方程；具体地，前述运动方程为：
式中，
表示目标的加速度，
分别是目标的漫步速度和最大速度，
是目标的速度，
表示目标tp的势的大小，
表示目标tp感知显势之和，
是目标的初始漫步方向角，
表示目标tp的运动方向角,
表示目标tp的势角,其正向表示猎物感知到捕食群体、静态和动态障碍物之势最弱的方向,称为逃离方向，其反向称为对抗方向,表示猎物感知之势最强的方向；
S300、构建多目标简化虚拟受力模型，具体地，该模型通过如下步骤建立：
在全局坐标系XOY中,机器人hj可以得到目标tp和两最近邻对象(可以是机器人,静态或动态障碍物)Oaj,Obj以及本身的位置信息，其中，(p＝1,…,e)，在以机器人hj为原点的相对坐标系x’O’y’中,机器人hj受到目标tp的引力或斥力作用和两最近邻对象Oaj,Obj的斥力作用,分别记为
faj和fbj，当
目标tp产生引力，具体参见图2a,当
目标tp产生斥力，具体参见图2；hj的整体受力fx'y'j是由y’轴的分量
和x’轴的分量fabj组成，且fabj是faj和分别在x’轴上的投影faj(||paj||)·φ(cos(γfajx'))和fbj(||pbj||)·φ(cos(γfbjx'))之和，其中，γfajx'和γfbjx'分别机器人hj的两最近邻对象Oaj,Obj的斥力偏角，机器人hj在相对坐标系x’O’y’中的位置矢量
paj,pbj分别为两最近邻对象Oaj,Obj的位置矢量，其中：
paj＝(xj-xaj)+i(yj-yaj) (7)
pbj＝(xj-xbj)+i(yj-ybj) (8)
式中，
为目标tp的横坐标，
为目标tp的纵坐标，xj为机器人hj的横坐标，yj为机器人hj的纵坐标，xaj为最近邻对象Oaj的横坐标，yaj为最近邻对象Oaj的纵坐标，xbj为最近邻对象Obj的横坐标，ybj为最近邻对象Obj的纵坐标。
S400、在复杂非凸环境下，基于机器人hj与障碍物距离的多目标循障过程，使每一个机器人hj避开各种各样的障碍物；优选地，如图3所示，机器人hj通过以下步骤进行多目标循障：
S401、判断机器人hj是否处于循障状态：若是，则进入步骤S401A，反之，则进入步骤S401B；
S401A、判断cos(γfajx')是否大于0，若是，则计数1次，反之，则进入步骤S402A；
S402A、判断是否符合循障结束条件，若是，则进入步骤S403A；反之，则步骤S404A；
S403A、清除循障状态，并计数置零，然后结束；
S404A、此时，期望速度矢量
其中，
为机器人hj的最大线速度；
S405A、判断左方是否处于循障状态，若是则进入步骤S406A，反之则进入步骤S406A’；
S406A、判断||Paj||-fdis是否小于0，若是，则θje＝γfaj-17π/36并结束，其中，fdis表示机器人hj循障时和最近邻aj之间的距离，
表示paj到x轴正半轴的有向角，反之，则进入步骤S407A；
S407A、判断||Paj||-fdis是否大于0，若是，则θje＝γfaj-19π/36并结束，反之，则θje＝γfaj-π/2并结束；
S406A’、判断||Paj||-fdis是否小于0，若是，则θje＝γfaj+17π/36并结束,反之，则进入步骤S407A’；
S407A’、判断||Paj||-fdis是否大于0，若是，则θje＝γfaj+19π/36并结束，反之，则θje＝γfaj+π/2并结束；
S401B、判断是否符合循障条件，若是，则进入步骤S402B；反之，则结束；
S402B、此时，期望速度矢量
S403B、判断cos(γy')是否大于等于0，其中，γy'表示y’轴正半轴到x轴正半轴的有向角，若是，则处于右方循障状态并进入步骤S406A’，反之则处于左方循障状态并进入步骤S406A。
S500、基于多目标简化虚拟受力模型及循障算法，确定在未知复杂非凸动态障碍物环境下，群机器人协同进行动态多目标围捕的具体过程。
作为本发明的优先实施例，步骤S200中动态多目标和动态障碍物模型通过如下过程建立：
1)在全局坐标系XOY中,设定机器人和障碍物的位置信息为OK＝(xK,yK),K∈{T,H,S,U}，包含了目标T＝{tp:p＝0,1,…,e}、围捕机器人H＝{hj:j＝1,2,…,m}、静态障碍物S＝{sj:j＝1,2,…,α}和动态障碍物U＝{uj:j＝1,2,…,β}；
2)确定目标势域内
所有机器人的集合为：
其中，
为目标的势域半径，
为目标tp的横坐标，
为目标tp的纵坐标，xj为机器人hj的横坐标，yj为机器人hj的纵坐标；
3)需要避开的静态障碍物分别为
和
为静态障碍物sj的横坐标，
为静态障碍物sj的纵坐标，
为动态障碍物ui的横坐标，
为动态障碍物ui的纵坐标，
是目标开始加强避开静态障碍物的距离。
同时，如图4所示，本发明步骤S500中群机器人协同进行动态多目标围捕的具体过程如下：
S501、设定轨迹控制及避障参数,初始化群机器人；
S502、判断机器人hj是否可以获得所有目标位置信息，若是，则进入步骤S503，反之，则机器人hj待在原地不动，并进入步骤S510；优选地，如图5所示，该步骤机器人hj通过如下过程获得所有目标位置信息：
S5021、检测机器人hj与所有目标距离是否小于感知半径，若是，则获得所有目标位置信息，反之，则进入步骤S5022；
S5022、没有检测到所有目标位置信息；
S5023、检测机器人hj与其他机器人的距离是否小于通讯半径，若是，则进入步骤S5024，反之，则没有通过通讯收到所有目标位置信息并结束；
S5024、判断机器人hj中是否有感知到所有目标位置信息的，若有，则通过通讯收到所有目标位置信息，反之，则进入步骤S5025；
S5025、判断机器人hj中是否有通过通讯得到所有目标位置信息的，若有，则通过通讯收到所有目标位置信息，反之，则没有通过通讯收到所有目标位置信息并结束；
S5026、广播所有目标位置信息并结束。
S503、基于机器人hj面对多目标中心方向180°范围内的两最近邻进行任务分配；优选地，如图6所示，该步骤具体包括如下步骤：
S5030、判断机器人hj任务是否已经分配，若是，则进入步骤S5039；反之，则进入步骤S5031；
S5031、计算机器人hj面对多目标中心方向180°范围内近邻的个数fn；
S5032、判断fn是否为0，若是，则任务1为机器人hj的围捕任务并进入步骤S5039，反之，则进入步骤S5033；
S5033、判断fn是否为1并且该近邻的任务没有分配，若是，则机器人hj的围捕任务暂不分配，设置为0,并进入步骤S5039，反之，则进入步骤S5034；
S5034、判断fn是否为1并且该近邻的任务已经分配，若是，则判断该近邻任务的数字表示是否等于总目标数，反之，则进入步骤S5035；
S5035、判断fn是否大于等于2并且两最近邻的任务没有分配，若是，则机器人hj的围捕任务暂不分配，设置为0，并进入步骤S5039，反之，则进入步骤S5036；
S5036、判断fn是否大于等于2并且两最近邻分配了相同任务，若是，则判断该任务的数字表示是否等于总目标数，反之，则进入步骤S5037；
S5037、判断两最近邻的任务数字表示最大值是否等于总目标数，若是，则任务1为机器人hj的围捕任务并进入步骤S5039，反之，则进入步骤S5038；
S5038、两最近邻的任务数字表示最大值加1为机器人hj的围捕任务；
S5039、结束。
需要说明的是，步骤S5034和S5036中判断该任务的数字表示是否等于总目标数，若是，则任务1为机器人hj的围捕任务并进入步骤S5039，反之，则机器人hj的围捕任务为该任务数字加1并进入步骤S5039。
S504、判断机器人hj是否完成任务分配，若是，则进入步骤S505，反之，则进入步骤S506A；
S505、判断机器人hj是否可以获得被围捕目标位置信息，若是，则进入步骤S506B，反之，则机器人hj待在原地不动并进入步骤S510；需要说明的是，如图7所示，本步骤中机器人hj通过以下过程获得被围捕目标位置信息：
S5050、判断通过检测或通信能否得到所有目标信息，若是，则获得所围捕目标位置信息并进入步骤S5056，反之，则进入步骤S5051；
S5051、检测机器人hj与所围捕目标距离是否小于感知半径，若是，则通过感知获得所围捕目标位置信息，且已经检测到所围捕目标位置信息，并进入步骤S5056，反之，则进入步骤S5052；
S5052、没有检测到所围捕目标位置信息；
S5053、检测机器人hj与其他机器人的距离是否小于通讯半径，若是，则进入步骤S5054，反之，则没有通过通讯收到所围捕目标位置信息；
S5054、判断与机器人hj距离小于通讯半径的机器人中是否有感知到hj所围捕目标位置信息的，若有，则通过通讯收到所围捕目标位置信息，反之，则进入步骤S5055；
S5055、判断与机器人hj距离小于通讯半径的机器人中是否有通过通讯得到hj所围捕目标位置信息的，若有，则通过通讯收到所围捕目标位置信息，反之，则没有通过通讯收到所围捕目标位置信息；
S5056、广播所围捕目标位置信息；
S506A、以多目标中心为围捕目标；
S506B、交换围捕目标；
S507、根据多目标简化虚拟受力模型计算相应参数；
S508、计算期望速度矢量vje，期望运动方向θje，机器人hj转至期望运动方向θje所需时间tntj，实际可达速度vjf以及按期望速度矢量vje进行了补偿的速度vjc；具体地，上述参数可通过图5所示的机器人hj获得所有目标位置信息的循障算法或如下公式进行求解：
式中，vx,y,j表示当目标静止时hj的需求速度矢量，
表示机器人hj感知目标的速度矢量,Γ是运行周期,θje和θjbef分别是下一步期望的运动方向和上一步的运动方向,tntj是计算按
和
进行转向所需时间，tntj1是按
加速至
所需时间，tntj2是由达到
后至转向θje所需时间，
是个体感知目标的速度矢量,
是个体感知多目标中心的速度矢量，vjc是按期望速度矢量vje进行了补偿的速度；
S509、运动一个时间步长，具体地，通过如下公式(10)或(11)实现：
当Γ≤tntj时,
即机器人只进行转向；
当Γ＞tntj时,
此时,机器人的运动策略是先转至期望运动方向θje再根据实际可达速度vjf运动；
需要说明的是，公式(10)和(11)中不含有时间的函数均是指kΓ时刻的计算量且在[kΓ,(k+1)Γ)上保持不变,
S510、重复步骤S502至S509，直至j＝m；
S511、判断所有个体是否满足以下条件：
和|||paj||-||pbj|||＜ε2，其中，
表示围捕机器人hj到目标tp的距离，paj表示近邻Oaj到围捕的机器人hj的距离，pbj表示近邻Obj到围捕的机器人hj的距离，ε1表示设定的围捕的机器人hj到以目标tp为圆心、cr为半径的有效围捕圆周上的距离误差大小，ε2表示设定的围捕的机器人hj到两最近邻Oaj和Obj距离之差的误差大小，若是，则结束；反之，则返回步骤S502。
此外，需要提及的是，如图8所示，步骤S506B具体包括如下步骤：
S506B0、设置开始交换目标标志位，具体地，如图9所示，该步骤通过以下过程实现：
(1)判断开始交换目标标志位是否为0，若是，则进入步骤(2)，反之，则进入步骤(5)；
(2)判断机器人hj面对多目标中心方向的背面180°范围内是否有围捕机器人，若是，则进入步骤(5)，反之，则进入步骤(3)；
(3)判断机器人hj的任务是否已经分配，若是，则进入步骤(4)，反之，则进入步骤(5)；
(4)设置开始交换目标标志位为1；
(5)结束；
S506B1、判断开始交换目标标志位是否为1，若是，则进入步骤S506B2，反之，则进入步骤S506B7；
S506B2、判断机器人hj是否已经分配围捕任务，若是，则进入步骤S506B3，反之，则进入步骤S506B7；
S506B3、判断机器人hj面向多目标中心方向180°范围内近邻的个数fn是否大于等于1，若是，则进入步骤S506B4，反之，则进入步骤S506B7；
S506B4、判断机器人hj前面的最近邻是否已经分配任务，若是，则进入步骤S506B5，反之，则进入步骤S506B7；
S506B5、判断交换后到各自目标距离之和是否小于交换前的，若是，则进入步骤S506B6，反之，则进入步骤S506B7；
S506B6、机器人hj与前面最近邻交换围捕目标；
S506B7、结束。
通过上述设置，本发明首先设计了复杂非凸环境下多目标和动态障碍物的运动模型，然后通过对复杂环境下围捕行为的研究，构建了多目标简化虚拟受力模型，基于此受力模型,提出了动态多目标自组织任务分配方法和协同自组织动态多目标围捕的具体过程，上述过程多目标任务自组织分配方法仅仅基于两最近邻任务信息可以为每一个机器人分配一个目标，接着，在复杂非凸环境下，基于机器人与障碍物距离的多目标循障算法可以使每一个机器人避开各种各样的障碍物，计算简单高效，易于实现，且整个方法过程具有良好的避障性能、鲁棒性、可扩展性和灵活性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种复杂非凸环境下群机器人协同作业的多目标围捕方法，其特征在于，包括如下步骤：
S100、构建群机器人运动模型及相关函数，其中，群机器人由m个完全相同的非完整移动轮式机器人hj组成，j＝1,2,…,m，该步骤中相关函数包括机器人hj的运动学方程，围捕过程中机器人、静态或动态障碍物以及非机器人hj围捕的目标和对象施力函数，和对于不满足循障条件的非凸障碍物的智能仿生避障映射函数；
S200、通过围捕环境、动态多目标和动态障碍物模型构建多目标围捕任务模型及相关函数，该步骤中相关函数包括给定复杂障碍物环境下动态障碍物的运动方程；
S300、构建多目标简化虚拟受力模型；
S400、在复杂非凸环境下，基于机器人hj与障碍物距离的多目标循障算法使每一个机器人hj避开各种各样的障碍物；
S500、基于多目标简化虚拟受力模型及循障算法，确定在未知复杂非凸动态障碍物环境下，群机器人协同进行动态多目标围捕的具体过程。
2.根据权利要求1所述的复杂非凸环境下群机器人协同作业的多目标围捕方法，其特征在于，步骤S100中机器人hj的运动学方程如下所示：
式中，vj(t)和ωj(t)分别是机器人hj的线速度和角速度，且
分别是最大线速度和最大角速度，
为机器人hj在x轴方向的线速度，
为机器人hj在y轴方向的线速度，
为机器人hj的角速度：
式(2)和(3)中，fswitch(x,a)表示关于x取值大小的开关函数，
表示目标tp对围捕的机器人hj的施力大小，fo(d)表示近邻对象O对围捕的机器人hj的施力大小，d表示两点之间的距离,c1、d1和
用于优化机器人hj的运动路径，cr、c2和
分别为有效围捕半径、追捕接近参数和开始加强避碰或避障的距离,i＝1,2,3,4分别表示对象是机器人hj、静态、动态障碍物和非机器人hj围捕的目标时所用的具体参数，nc、l、dsp分别表示当前围捕步数、开始向有效围捕圆周上运动的步数和开始向有效围捕圆周上运动时机器人与目标的距离，其中，所述有效围捕圆周以目标为圆心,cr为半径形成的圆周；
所述智能仿生避障映射函数：
式中，σ是一个实数,(0≤σ≤1),(-1≤σ＜0)为判断条件,满足时为1,否则为0。
3.根据权利要求2所述的复杂非凸环境下群机器人协同作业的多目标围捕方法，其特征在于，所述动态多目标和动态障碍物模型通过如下过程建立：
1)在全局坐标系XOY中,设定机器人和障碍物的位置信息为OK＝(xK,yK),K∈{T,H,S,U}，包含了目标T＝{tp:p＝0,1,…,e}、围捕机器人H＝{hj:j＝1,2,…,m}、静态障碍物S＝{sj:j＝1,2,…,α}和动态障碍物U＝{uj:j＝1,2,…,β}；
2)确定目标势域内
所有机器人的集合为：
其中，
为目标的势域半径，
为目标tp的横坐标，
为目标tp的纵坐标，xj为机器人hj的横坐标，yj为机器人hj的纵坐标；
3)需要避开的静态障碍物分别为
和
为静态障碍物sj的横坐标，
为静态障碍物sj的纵坐标，
为动态障碍物ui的横坐标，
为动态障碍物ui的纵坐标，
是目标开始加强避开静态障碍物的距离。
4.根据权利要求3所述的复杂非凸环境下群机器人协同作业的多目标围捕方法，其特征在于，所述步骤S300中多目标简化虚拟受力模型具体通过如下过程建立：
在全局坐标系XOY中，机器人hj可以得到目标tp和两最近邻对象Oaj,Obj以及本身的位置信息，其中，(p＝1,…,e)，在以机器人hj为原点的相对坐标系x’O’y’中,机器人hj受到目标tp的引力或斥力作用和两最近邻对象Oaj,Obj的斥力作用,分别记为
faj和fbj，当
目标tp产生引力，当
目标tp产生斥力，hj的整体受力fx'y'j是由y’轴的分量
和x’轴的分量fabj组成，且fabj是faj和fbj分别在x’轴上的投影faj(||paj||)·φ(cos(γfajx'))和fbj(||pbj||)·φ(cos(γfbjx'))之和，其中，γfajx'和γfbjx'分别机器人hj的两最近邻对象Oaj,Obj的斥力偏角，paj,pbj分别为两最近邻对象Oaj,Obj的位置矢量。
5.根据权利要求4所述的复杂非凸环境下群机器人协同作业的多目标围捕方法，其特征在于，所述机器人hj通过以下步骤进行多目标循障：
S401、判断机器人hj是否处于循障状态：若是，则进入步骤S401A，反之，则进入步骤S401B；
S401A、判断cos(γfajx')是否大于0，若是，则计数1次，反之，则进入步骤S402A；
S402A、判断是否符合循障结束条件，若是，则进入步骤S403A；反之，则步骤S404A；
S403A、清除循障状态，并计数置零，然后结束；
S404A、此时，期望速度矢量
其中，
为机器人hj的最大线速度；
S405A、判断左方是否处于循障状态，若是则进入步骤S406A，反之则进入步骤S406A’；
S406A、判断||Paj||-fdis是否小于0，若是，则θje＝γfaj-17π/36并结束，其中，fdis表示机器人hj循障时和最近邻aj之间的距离，
表示paj到x轴正半轴的有向角，反之，则进入步骤S407A；
S407A、判断||Paj||-fdis是否大于0，若是，则θje＝γfaj-19π/36并结束，反之，则θje＝γfaj-π/2并结束；
S406A’、判断||Paj||-fdis是否小于0，若是，则θje＝γfaj+17π/36并结束，反之，则进入步骤S407A’；
S407A’、判断||Paj||-fdis是否大于0，若是，则θje＝γfaj+19π/36并结束，反之，则θje＝γfaj+π/2并结束；
S401B、判断是否符合循障条件，若是，则进入步骤S402B；反之，则结束；
S402B、此时，期望速度矢量
S403B、判断cos(γy')是否大于等于0，其中，γy'表示y’轴正半轴到x轴正半轴的有向角，若是，则处于右方循障状态并进入步骤S406A’，反之则处于左方循障状态并进入步骤S406A。
6.根据权利要求5所述的复杂非凸环境下群机器人协同作业的多目标围捕方法，其特征在于，所述步骤S500中群机器人协同进行动态多目标围捕的具体过程如下：
S501、设定轨迹控制及避障参数,初始化群机器人；
S502、判断机器人hj是否可以获得所有目标位置信息，若是，则进入步骤S503，反之，则机器人hj待在原地不动，并进入步骤S510；
S503、基于机器人hj面对多目标中心方向180o范围内的两最近邻进行任务分配；
S504、判断机器人hj是否完成任务分配，若是，则进入步骤S505，反之，则进入步骤S506A；
S505、判断机器人hj是否可以获得被围捕目标位置信息，若是，则进入步骤S506B，反之，则机器人hj待在原地不动并进入步骤S510；
S506A、以多目标中心为围捕目标；
S506B、交换围捕目标；
S507、根据多目标简化虚拟受力模型计算相应参数；
S508、计算期望速度矢量vje，期望运动方向θje，机器人hj转至期望运动方向θje所需时间tntj，实际可达速度vjf以及按期望速度矢量vje进行了补偿的速度vjc；
S509、运动一个时间步长：
S510、重复步骤S502至S509，直至j＝m；
S511、判断所有个体是否满足以下条件：
和|||paj||-||pbj|||＜ε2，其中，
表示围捕机器人hj到目标tp的距离，paj表示近邻Oaj到围捕的机器人hj的距离，pbj表示近邻Obj到围捕的机器人hj的距离，ε1表示设定的围捕的机器人hj到以目标tp为圆心、cr为半径的有效围捕圆周上的距离误差大小，ε2表示设定的围捕的机器人hj到两最近邻Oaj和Obj距离之差的误差大小，若是，则结束；反之，则返回步骤S502。
7.根据权利要求6所述的复杂非凸环境下群机器人协同作业的多目标围捕方法，其特征在于，步骤S502中机器人hj通过如下过程获得所有目标位置信息：
S5021、检测机器人hj与所有目标距离是否小于感知半径，若是，则获得所有目标位置信息，反之，则进入步骤S5022；
S5022、没有检测到所有目标位置信息；
S5023、检测机器人hj与其他机器人的距离是否小于通讯半径，若是，则进入步骤S5024，反之，则没有通过通讯收到所有目标位置信息并结束；
S5024、判断机器人hj中是否有感知到所有目标位置信息的，若有，则通过通讯收到所有目标位置信息，反之，则进入步骤S5025；
S5025、判断机器人hj中是否有通过通讯得到所有目标位置信息的，若有，则通过通讯收到所有目标位置信息，反之，则没有通过通讯收到所有目标位置信息并结束；
S5026、广播所有目标位置信息并结束。
8.根据权利要求6所述的复杂非凸环境下群机器人协同作业的多目标围捕方法，其特征在于，所述步骤S503具体包括如下步骤：
S5030、判断机器人hj任务是否已经分配，若是，则进入步骤S5039；反之，则进入步骤S5031；
S5031、计算机器人hj面对多目标中心方向180°范围内近邻的个数fn；
S5032、判断fn是否为0，若是，则任务1为机器人hj的围捕任务并进入步骤S5039，反之，则进入步骤S5033；
S5033、判断fn是否为1并且该近邻的任务没有分配，若是，则机器人hj的围捕任务暂不分配，设置为0，并进入步骤S5039，反之，则进入步骤S5034；
S5034、判断fn是否为1并且该近邻的任务已经分配，若是，则判断该近邻任务的数字表示是否等于总目标数，反之，则进入步骤S5035；
S5035、判断fn是否大于等于2并且两最近邻的任务没有分配，若是，则机器人hj的围捕任务暂不分配，设置为0，并进入步骤S5039，反之，则进入步骤S5036；
S5036、判断fn是否大于等于2并且两最近邻分配了相同任务，若是，则判断该任务的数字表示是否等于总目标数，反之，则进入步骤S5037；
S5037、判断两最近邻的任务数字表示最大值是否等于总目标数，若是，则任务1为机器人hj的围捕任务并进入步骤S5039，反之，则进入步骤S5038；
S5038、两最近邻的任务数字表示最大值加1为机器人hj的围捕任务；
S5039、结束。
9.根据权利要求8所述的复杂非凸环境下群机器人协同作业的多目标围捕方法，其特征在于，步骤S5034和S5036中判断该任务的数字表示是否等于总目标数，若是，则任务1为机器人hj的围捕任务，并进入步骤S5039，反之，则机器人hj的围捕任务为该任务数字加1，并进入步骤S5039。
10.根据权利要求6所述的复杂非凸环境下群机器人协同作业的多目标围捕方法，其特征在于，步骤S506B具体包括如下步骤：
S506B0、设置开始交换目标标志位；
S506B1、判断开始交换目标标志位是否为1，若是，则进入步骤S506B2，反之，则进入步骤S506B7；
S506B2、判断机器人hj是否已经分配围捕任务，若是，则进入步骤S506B3，反之，则进入步骤S506B7；
S506B3、判断机器人hj面向多目标中心方向180°范围内近邻的个数fn是否大于等于1，若是，则进入步骤S506B4，反之，则进入步骤S506B7；
S506B4、判断机器人hj前面的最近邻是否已经分配任务，若是，则进入步骤S506B5，反之，则进入步骤S506B7；
S506B5、判断交换后到各自目标距离之和是否小于交换前的，若是，则进入步骤S506B6，反之，则进入步骤S506B7；
S506B6、机器人hj与前面最近邻交换围捕目标；
S506B7、结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010056178.3A CN111240333A (zh) | 2020-01-18 | 2020-01-18 | 一种复杂非凸环境下群机器人协同作业的多目标围捕方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010056178.3A CN111240333A (zh) | 2020-01-18 | 2020-01-18 | 一种复杂非凸环境下群机器人协同作业的多目标围捕方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111240333A true CN111240333A (zh) | 2020-06-05 |
Family
ID=70872806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010056178.3A Pending CN111240333A (zh) | 2020-01-18 | 2020-01-18 | 一种复杂非凸环境下群机器人协同作业的多目标围捕方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111240333A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112405547A (zh) * | 2020-11-30 | 2021-02-26 | 湖南科技大学 | 未知环境下的群机器人多目标搜索方法 |
| CN113253738A (zh) * | 2021-06-22 | 2021-08-13 | 中国科学院自动化研究所 | 多机器人协作围捕方法、装置、电子设备及存储介质 |
| CN113485340A (zh) * | 2021-07-12 | 2021-10-08 | 汕头大学 | 群体机器人分布式围捕控制方法及系统 |
| CN113552886A (zh) * | 2021-07-23 | 2021-10-26 | 南方科技大学 | 去中心化群体机器人编队控制方法、控制系统及电子设备 |
| CN113580129A (zh) * | 2021-07-19 | 2021-11-02 | 中山大学 | 一种基于机器人的多目标协同围捕方法、装置及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS62287301A (ja) * | 1986-06-06 | 1987-12-14 | Katsuhisa Furuta | ロボツトの仮想内部モデルに基づく制御方法 |
| CN104942807A (zh) * | 2015-04-16 | 2015-09-30 | 上海大学 | 基于扩展式合作博弈的多机器人围捕目标方法 |
| CN105182973A (zh) * | 2015-09-08 | 2015-12-23 | 郑州大学 | 多机器人追捕者围捕单移动目标的自适应围捕装置与方法 |
| WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
| CN110377059A (zh) * | 2019-08-29 | 2019-10-25 | 哈尔滨工程大学 | 一种基于狮群算法的多auv围捕者协同控制方法 |
-
2020
- 2020-01-18 CN CN202010056178.3A patent/CN111240333A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS62287301A (ja) * | 1986-06-06 | 1987-12-14 | Katsuhisa Furuta | ロボツトの仮想内部モデルに基づく制御方法 |
| WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
| CN104942807A (zh) * | 2015-04-16 | 2015-09-30 | 上海大学 | 基于扩展式合作博弈的多机器人围捕目标方法 |
| CN105182973A (zh) * | 2015-09-08 | 2015-12-23 | 郑州大学 | 多机器人追捕者围捕单移动目标的自适应围捕装置与方法 |
| CN110377059A (zh) * | 2019-08-29 | 2019-10-25 | 哈尔滨工程大学 | 一种基于狮群算法的多auv围捕者协同控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张红强: "基于简体虚拟受力模型的群机器人自组织协同围捕研究" * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112405547A (zh) * | 2020-11-30 | 2021-02-26 | 湖南科技大学 | 未知环境下的群机器人多目标搜索方法 |
| CN113253738A (zh) * | 2021-06-22 | 2021-08-13 | 中国科学院自动化研究所 | 多机器人协作围捕方法、装置、电子设备及存储介质 |
| CN113485340A (zh) * | 2021-07-12 | 2021-10-08 | 汕头大学 | 群体机器人分布式围捕控制方法及系统 |
| CN113580129A (zh) * | 2021-07-19 | 2021-11-02 | 中山大学 | 一种基于机器人的多目标协同围捕方法、装置及介质 |
| CN113580129B (zh) * | 2021-07-19 | 2024-01-16 | 中山大学 | 一种基于机器人的多目标协同围捕方法、装置及介质 |
| CN113552886A (zh) * | 2021-07-23 | 2021-10-26 | 南方科技大学 | 去中心化群体机器人编队控制方法、控制系统及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111240333A (zh) | 一种复杂非凸环境下群机器人协同作业的多目标围捕方法 | |
| CN111240332A (zh) | 一种复杂凸环境下群机器人协同作业的多目标围捕方法 | |
| Clark et al. | Mobile robotic sensors for perimeter detection and tracking | |
| Nguyen et al. | Formation control and obstacle avoidance of multiple rectangular agents with limited communication ranges | |
| Clark et al. | Cooperative hybrid control of robotic sensors for perimeter detection and tracking | |
| CN111381600B (zh) | 一种基于粒子群算法的uuv路径规划方法 | |
| Shiltagh et al. | Optimal path planning for intelligent mobile robot navigation using modified particle swarm optimization | |
| Deepak et al. | PSO based path planner of an autonomous mobile robot | |
| Anvaripour et al. | A novel approach to reliable sensor selection and target tracking in sensor networks | |
| CN113359756B (zh) | 一种基于栅格法实现全向移动机器人避障路径实时规划的方法 | |
| Bandyopadhyay et al. | Motion planning for 3-D target tracking among obstacles | |
| Chen et al. | An improved artificial potential field based path planning algorithm for unmanned aerial vehicle in dynamic environments | |
| Schneider et al. | Motion coordination in formations of multiple mobile robots using a potential field approach | |
| Jang et al. | Hindsight intermediate targets for mapless navigation with deep reinforcement learning | |
| Sasaki et al. | A3C based motion learning for an autonomous mobile robot in crowds | |
| Shen et al. | Multi-robot cooperative hunting | |
| Ganapathy et al. | Fuzzy and neural controllers for acute obstacle avoidance in mobile robot navigation | |
| Jia et al. | A Bayesian-based controller for snake robot locomotion in unstructured environments | |
| Shukla et al. | Multi robot path planning parameter analysis based on particle swarm optimization (PSO) in an intricate unknown environments | |
| CN111007848A (zh) | 一种基于有界空间的多智能体协同作业控制方法 | |
| Jain et al. | A hybridization of gravitational search algorithm and particle swarm optimization for odor source localization | |
| Zhao et al. | Research on motion planning for an indoor spray arm based on an improved potential field method | |
| Hendzel et al. | Robotic swarm self-organisation control | |
| Tsukamoto et al. | Virtual impedance model for obstacle avoidance in a limb mechanism robot | |
| CN114563011A (zh) | 一种用于无地图导航的主动听觉定位方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200605 |