CN111459161A - 一种多机器人系统人为干预控制方法 - Google Patents
一种多机器人系统人为干预控制方法 Download PDFInfo
- Publication number
- CN111459161A CN111459161A CN202010257562.XA CN202010257562A CN111459161A CN 111459161 A CN111459161 A CN 111459161A CN 202010257562 A CN202010257562 A CN 202010257562A CN 111459161 A CN111459161 A CN 111459161A
- Authority
- CN
- China
- Prior art keywords
- robot
- neighbor
- state
- control
- intervention
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims description 26
- 238000013461 design Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000004044 response Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 241000845077 Iare Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001902 propagating effect Effects 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
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
- G05D1/0295—Fleet control by at least one leading vehicle of the fleet
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)
- Feedback Control In General (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种多机器人系统人为干预控制方法,运动干预意图场网络可以快速传播操作员的干预意图,加快多机器人系统对操作员输入的响应速度;通过选取不同的意图场参数,控制操作员对多机器人系统的输入影响范围;利用分组控制意图场网络,操作员可以自由改变多机器人系统的编队分组,而且这一过程是完全分布式的,这是本方法相比现有方法的优势;利用意图场网络,每个机器人都可以获知与其对应的人为干预意控制量,并通过非线性权重函数,机器人可以动态计算编队控制与人为干预的加权系数,实现编队控制和人为干预之间的动态权衡。
Description
技术领域
本发明属于机器人控制技术领域,具体涉及一种多机器人系统人为干预控制方法。
背景技术
多机器人系统是指由多个机器人组成的、具有一定协作能力的系统。多机器人系统可以用于仓储物理、物品搬运、区域警戒、搜索搜救、灯光表演等各类场合。对于多机器人系统而言,实现机器人编队是一个基本的问题。目前国内外在编队算法的研究上已经有了很多的进展,如刚性编队、相对航向编队等。国内外现有的理论研究主要集中于多机器人自主控制方面,然而,实际环境中(如野外、灾区、战场等),由于环境、任务的复杂性,多机器人系统在任务进行、运动控制中,都需要操作员对其进行监管、控制,进而保证机器人的安全。在对多机器人系统进行人为干预方面,遥控是最基本的手段。这方面现有的技术手段包括:Antonio Franchi等人研究的多机器人双边遥控系统(Franchi A,Secchi C,Ryll M,等.Shared Control:Balancing Autonomy and Human Assistance with a Group ofQuadrotor UAVs[J].IEEE Robotics&Automation Magazine,2012,19(3):57–68)、Liu Y-C等人研究的基于矩控制的多机器人遥控系统(Liu Y-C.Task-space coordinationcontrol of bilateral human–swarm systems[J].Journal of the FranklinInstitute,2015,352(1):311–331)、Magnus Egerstedt等人研究的基于动态覆盖算法的多机器人遥控系统(Lee S G,Diaz-Mercado Y,Egerstedt M.Multirobot Control UsingTime-Varying Density Functions[J].IEEE Transactions on Robotics,2015,31(2):489–493)。然而,这些方法虽然各自有其特色之处,它们都不能同时兼顾快速响应、分布式控制、灵活队形干预这三个目标,这使得其在实际应用中有所局限。
发明内容
有鉴于此,本发明的目的是提供一种多机器人系统人为干预控制方法,操作员可以在机器人编队行进中对机器人进行实时干预,可以通过干预改变机器人的编队队形,也可以通过干预改变使机器人分成(或合并为)若干小组,可以保证多机器人系统在人为干预下也能保持稳定。
1、一种多机器人系统人为干预控制方法,其特征在于,包括:
步骤一、假设有n个机器人要完成一项编队任务,机器人分别编号为1,2,……,n;设机器人i的位置为qi∈R2;假设机器人之间可进行通讯,用无向图G(V,E)表示这个通讯拓扑,其中V={1,…,n}表示各机器人节点,(i,j)∈E表示机器人i和机器人j之间可以直接进行通讯;对于机器人i,若(i,j)∈E则称机器人j是机器人i的邻居,记机器人i的所有邻居的集合为Ni;设有一个或多个操作员对机器人进行管控,操作员可以向至少一个机器人发送运动干预信号和分组控制信号;在分组控制信号作用下,机器人之间将分成若干个小分组,用无向图GF(V,EF)描述这种分组,其中,若(i,j)∈EF,则说明机器人i和机器人j处于同一分组;设机器人的期望队形由偏移向量{di}i∈V决定,记机器人的编队误差为xi=qi-di,则当对任意的机器人i,j,满足xi-xj=0时,认为此时机器人完成了编队;
步骤二、更新运动干预意图场状态,具体为:
操作员向任意机器人i发送运动干预信号记作ul,i,运动干预信号将传入运动干预意图网络FL,机器人i在此网络中的状态记为hl,i;设每隔dT时间,各机器人即与其邻居机器人进行一次通讯,将自身的状态发送给其所有的邻居节点,同时接收其邻居的状态;记k次通讯前,机器人i的状态为hl,i(k),hl,i的更新过程如下:
1)在k=0时,hl,i(0)=0;
2)在k>0时:
2.1)向所有的邻居机器人j∈Ni,发送hl,i(k);
2.2)从各邻居机器人j接收状态hl,j(k);
2.3)按如下方式计算自身状态的增量dhl,i(k):
其中,a0>0,ac>0,at>0是设计参数;当且仅当机器人i收到了操作员发送了运动干预信号时,δi(k)=1;在机器人i没有收到运动干预信号时,δi(k)=0;φ∈是死区函数:
其中,∈>0是设计参数,用于调整操作员运动干预信号的影响范围,当∈越大,则干预信号ul,i(k)的影响越局限在机器人i的附近;
2.4)利用dhl,i(k)计算下一时刻的状态:
hl,i(k+1)=hl,i(k)+dhl,i(k)dT
其中dT是干预意图网络FL周期性进行通讯的时间间隔;
步骤三、更新分组控制意图场状态及分组拓扑:
操作员向任意机器人i发送分组控制信号,记作ug,i(k),收到分组控制信号的机器人称为领航者;分组控制信号将传入分组控制意图网络FG,机器人i在此网络中的状态由三元组(hg,i,rg,i,ng,i)表示,其分别表示机器人i所在分组的运动速度、机器人i对周围机器人的影响力、离机器人i最近的领航者机器人的编号;设每隔固定时间,各机器人即与其邻居机器人进行一次通讯,将自身在分组控制意图网络FG中状态发送给其所有的邻居节点,同时接收其邻居的状态;记k次通讯前,机器人i的状态为(hg,i(k),rg,i(k),ng,i(k)),其状态的更新过程如下:
1)在k=0时,初始化为:
hg,i(0)=0,rg,i(0)=0,ng,i(0)=0;
2)在k>0时:
2.1)向所有的邻居机器人j发送(hg,i(k),rg,i(k),ng,i(k)),其中,j∈Ni;
2.2)从各邻居机器人j处接收其状态(hg,j(k),rg,j(k),ng,j(k));
2.3)若机器人i此时收到了操作员的分组控制信号ug,i(k),则令:
hg,i(k+1)=ug,i(k),rg,i(k+1)=RM,ng,i(k+1)=i
其中,RM>0为设计参数,RM大于通讯拓扑图G的直径;
2.4)若机器人i此时未收到ug,i(k),则:
2.4.2)计算自己邻居范围内的最大影响力节点pi(k);
hg,i(k+1)=0,rg,i(k+1)=0,ng,i(k+1)=0
3)、针对任意机器人i,更新其所在分组拓扑:
在第k次,对于机器人i所在分组的每个邻居j,若ng,i(k)≠ng,j(k),且‖hg,i(k)-hg,j(k)‖≥δM,且‖rg,i(k)-rg,j(k)‖≤1,则将邻居j从该分组中去除;δM>0;
在第k次,若机器人j不在机器人i所在分组,且ng,i(k)=ng,j(k),则将机器人j加入机器人i所在分组;
其他情况下,k+1次维持k次的分组状态;
步骤四、设zi(t)是机器人i的积分器系统在t时刻的状态,在每一时刻t,机器人系统的期望速度ui(t)按如下方式计算:
1)、计算组内编队控制量us,i(t):
设Si为当前时刻与机器人i在同一小组内的机器人邻居集合;令kP>0,kI>0为设计参数,则us,i(t)的计算方法为:
xi(t)表示t时刻的编队误差;
其中,积分器zi的更新方法为:
2)、计算组间距离保持控制量{uij(t)}:
针对是机器人i的邻居,但不与机器人i在同一组的机器人j,j∈Ni\Si,组间距离保持控制量的计算方法为:
uij(t)=kP(xj(t)-xi(t))
3)、计算最终控制量:
1.1)利用加权函数λG(·,.)融合编队控制信号us,i(t)、{uij(t)}与分组控制信号hg,i(k),得到uG,i(t),其过程为:
1.11)利用零阶保持器,将离散时间信号hg,i(k)转为连续时间信号hg,i(t);
1.12)利用非线性加权函数λG(.,.),针对是机器人i的邻居,但不与机器人i在同一组的机器人j,计算加权系数λG,i,j(t):
λG,i,j(t)=λG(max{‖hg,i(t)‖,‖hg,j(t)‖},‖uij(t)‖)
1.13)计算uG,i(t):
1.2)利用加权函数λL(.,.)融合运动干预信号ul,i(t)与uG,i(t),得到uL,i(t),其过程为:
1.21)利用λL(.,.),计算加权系数λL,i(t):
λL,i(t)=λL(‖hl,i(t)‖,‖uG,i(t)‖)
1.22)利用λL,i(t)进行融合,计算uL,i(t):
uL,i(t)=(1-λL,i(t)/uG,i(t)+λL,i(t)vL,i(t)
最终机器人i的控制量即为ui(t)=uL,i(t)。
较佳的,λL和λG都可取为下列函数形式之一:
形式1、λ(u,x)=Ku/(Ku+x+∈),参数K>0,∈>0;
形式2、λ(u,x)=1-exp(-(Kup)/(xp+∈)),参数K>0,∈>0,p>0。
较佳的,所述步骤2.4.2)中,计算自己邻居范围内的最大影响力节点pi(k)的方法为:若机器人j∈Ni∪{i}满足那么令pi(k)=j,即令j是最大影响力节点;当有多个机器人同时满足时,选取其中编号最小的机器人为最大影响力节点。
相比于现有多机器人系统人机协同控制方法,本发明具有如下有益效果:
1、运动干预意图场网络可以快速传播操作员的干预意图,加快多机器人系统对操作员输入的响应速度;通过选取不同的意图场参数,控制操作员对多机器人系统的输入影响范围。前者使本系统比经典的领航-跟随者系统响应更快,后者对操作员影响范围的控制则是现有方法中所缺少的。
2、利用分组控制意图场网络,操作员可以自由改变多机器人系统的编队分组。而且这一过程是完全分布式的,这是本方法相比现有方法的优势。
3、利用意图场网络,每个机器人都可以获知与其对应的人为干预意控制量,并通过非线性权重函数,机器人可以动态计算编队控制与人为干预的加权系数,实现编队控制和人为干预之间的动态权衡。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
在说明各部分的构成前,先对要控制的多机器人系统做一定的说明。假设有n个机器人要完成一项编队任务,机器人分别编号为1,2,……,n。设机器人i的位置为qi∈R2,其满足简化的动力学方程:其中ui是待计算的控制量。假设机器人之间可利用无线网络等方式进行通讯。用无向图G(V,E)表示这个通讯拓扑,其中V={1,…,n}表示各机器人节点,(i,j)∈E表示机器人i和机器人j之间可以直接进行通讯。对于机器人i,若(i,j)∈E则称机器人j是机器人i的邻居,记机器人i的所有邻居的集合为Ni。设有一个或多个操作员对机器人进行管控,操作员可以通过手柄、触屏等交互设备向一个或少数几个机器人发送两种遥控信号:运动干预信号、分组控制信号。在分组控制信号作用下,机器人之间将分成若干个小分组。用图GF(V,EF)描述这种分组,其中,若(i,j)∈EF,则说明机器人i和机器人j处于同一分组。设机器人的期望队形由偏移向量{di}i∈V决定,按通行做法,记机器人的编队误差为xi=qi-di,则当对任意的i,j,满足xi-xj=0时,认为此时机器人完成了编队。
以下说明本发明控制器的各个部分:
一、用于传播、建模操作员控制意图的两个意图场网络
1.1运动干预意图网络FL
操作员可以通过交互设备向任意机器人i发送运动干预信号,记作ul,i∈R2。通过这一方式,操作员可以牵拉机器人i及其周围的机器人,使之暂时偏离期望的编队队形。运动干预信号将传入运动干预意图网络FL,机器人i在此网络中的状态记为hl,i∈R2。干预意图网络FL是周期性运行的网络,设每隔dT时间,各机器人即与其邻居机器人进行一次通讯,将自身的状态发送给其所有的邻居节点,同时接收其邻居的状态。记第k次进行通讯前,机器人i的状态为hl,i(k),以机器人i为例,hl,i∈R2的更新过程如下:
1)在k=0时,hl,i(0)=0。
2)在k>0时刻,
2.1)向所有的邻居机器人j∈Ni,发送hl,i(k)。
2.2)从各邻居机器人j∈Ni处接收hl,j(k)。
2.3)按如下方式计算自身状态的增量dhl,i(k):
其中,a0>0,ac>0,at>0是设计参数;δi(k)=1当且仅当机器人i收到了操作员发送了运动干预信号ul,i(k),在机器人i没有收到改信号时δi(k)=0;φ∈是如下定义的死区函数:
其中,‖·‖表示取模;∈>0是设计参数,用于调整操作员运动干预信号的影响范围,当∈越大,则干预信号ul,i(k)的影响越局限在机器人i的附近。
2.4)利用dhl,i(k)计算下一时刻的hl,i:hl,i(k+1)=hl,i(k)+dhl,i(k)dT,其中dT是干预意图网络FL周期性进行通讯的时间间隔。
1.2分组控制意图网络FG
操作员可以通过交互设备向任意机器人i发送分组控制信号,记作ug,i∈R2;收到分组控制信号的机器人称为领航者;通过这一方式,操作员可以将机器人分成若干个小组,并控制每一组的运动。分组控制信号将传入分组控制意图网络FG,机器人i在此网络中的状态由三元组(hg,i,rg,i,ng,i)∈R2×R×Z表示,hg,i表示机器人i所在分组的期望运动速度;rg,i表示机器人i的影响力;它影响邻居机器人j时的影响力是rg,i-dij,即影响力要随距离衰减(同样的,别人影响它时,影响力也随距离衰减);它影响自己时的影响力是rg,i-dii,即影响力要随时间衰减,一般而言,可令影响力随距离衰减的量dij=1,同时令dii=δr,δr>0是某个固定的参数。
ng,i表示离机器人i最近的领航者机器人的编号,ng,i=0表示机器人i当前无领航者。与运动干预意图网络FL类似,分组控制意图网络FG也是周期性运行的网络,设每隔固定时间,各机器人即与其邻居机器人进行一次通讯,将自身的状态发送给其所有的邻居节点,同时接收其邻居的状态。记第k次进行通讯前,机器人i的状态为(hg,i(k),rg,i(k),ng,i(k)),以机器人i为例,其状态的更新过程如下:
1)在k=0时,初始化为:
hg,i(0)=0,rg,i(0)=0,ng,i(0)=0
2)在k>0时:
2.1)向所有的邻居机器人j∈Ni,发送(hg,i(k),rg,i(k),ng,i(k))。
2.2)从各邻居机器人j∈Ni处接收(hg,j(k),rg,j(k),ng,j(k))。
2.3)若机器人i此时收到了操作员的分组控制信号ug,i(k),则令
hg,i(k+1)=ug,i(k),rg,i(k+1)=RM,ng,i(k+1)=i
其中,RM>0为设计参数,一般设计为大于图G直径的正数。
2.4)若机器人i此时未收到ug,i(k),则
2.4.2)计算自己邻居范围内的最大影响力节点pi(k):若机器人j∈Ni∪{i}满足那么机器人令pi(k)=j,即令j是最大影响力节点;当有多个机器人同时满足时,选取其中编号最小的机器人为最大影响力节点,用公式描述,即如下:
hg,i(k+1)=0,rg,i(k+1)=0,ng,i(k+1)=0
二、基于意图场网络的编队分组模块
利用意图场FL、FG传播、生成的操作员控制意图,分组编队模块计算并更新多机器人系统的编队拓扑GF(V,EF)。这一模块与分组控制意图网络FG同步运行,在更新完分组控制意图网络FG中的状态后,将更新当前时刻的GF(V,EF)。这一更新过程是分布式的,不需要某个中心节点进行协调。对于机器人i而言,其更新方式如下:
1)在k=0时,令EF(0)=E
2)在k>0时,针对每个邻居j∈Ni,按如下方法进行决策。
2.1)若(i,j)∈EF(k),且ng,i(k)≠ng,j(k),且‖hg,i(k)-hg,j(k)‖≥δM,且‖rg,i(k)-rg,j(k)‖≤1,则将边(i,j)从EF(k+1)中去除。δM>0是设计参数。
三、基于比例积分控制的编队控制模块
如前所述,机器人i的位置记作为qi,其在期望队形中所处的位置由di指定,xi=qi-di是机器人i的编队误差向量。设zi∈R2是机器人i的积分器系统,在每一时刻,编队控制模块计算如下的控制量:
1)组内编队控制量us,i(t)。设Si={j∈Ni:(i,j)∈EF}为当前时刻与机器人i在同一小组内的i的邻居集合。令kP>0,kI>0为设计参数,则us,i(t)的计算方法为:
其中,积分器zi的更新方法为:
2)组间距离保持控制量{uij(t)}。对于j∈Ni\Si,即所有是机器人i的邻居,但不与机器人i在同一组的机器人j,组间距离保持控制量的计算方法为:
uij(t)=kP(xj(t)-xi(t)),j∈Ni\S
四、基于非线性加权函数的共享控制模块
共享控制模块是本控制器最终的控制量计算模块。以机器人i为例,这一控制模块将融合组内编队控制量us,i(t)、组间距离保持控制量{uij(t)}、分组控制意图hg,i(k)、运动干预意图hl,i(k),并计算得到最终的控制量ui(t)。这一模块利用了非线性加权函数λL(·,·)、λG(·,·)对这些控制量进行融合。以下给出一些可选的加权函数形式,λL和λG都可取为下列函数形式之一:
形式1、λ(u,x)=Ku/(Ku+x+∈),参数K>0,∈>0。
形式2、λ(u,x)=1-exp(-(Kup)/(xp+∈)),参数K>0,∈>0,p>0。
以机器人i为例,共享控制模块的计算最终控制量的过程如下。
1)利用加权函数λG(·,·)融合编队控制信号us,i(t)、{uij(t)}与分组控制信号hg,i(k),得到uG,i(t),其过程为:
1.1)利用零阶保持器,将离散时间信号hg,i(k)转为连续时间信号hg,i(t)
1.2)利用λG(·,·),对每个j∈Ni\Si,计算加权系数λG,i,j(t):
λG,i,j(t)=λG(max{‖hg,i(t)‖,‖hg,j(t)‖},‖uij(t)‖)
1.3)利用{λG,i,j(t)}进行融合,计算uG,i(t):
2)利用加权函数λL(·,·)融合运动干预信号ul,i(t)与uG,i(t),得到uL,i(t),其过程为:
2.1)利用λL(·,·),计算加权系数λL,i(t):
λL,i(t)=λL(‖hl,i(t)‖,‖uG,i(t)‖)
2.2)利用λL,i(t)进行融合,计算uL,i(t):
uL,i(t)=(1-λL,i(t)/uG,i(t)+λL,i(t)vL,i(t)
3)最终机器人i的控制量即为ui(t)=uL,i(t)。
实施例:
步骤一、确定编队队形的偏移向量{di}。以一个由4个机器人组成的系统为例,如果4个机器人要形成的队形是边长为1的正方形,则可令{di}如下:
d1=[1,1]T,d2=[1,0]T,d3=[0,1]T,dr=[0,0]T
步骤二、确定通讯拓扑图G(V,E)。对于控制器实现而言,这一步是要确定每个机器人在网络中的邻居集合Ni。仍以4个机器人组成的系统为例,如果通讯拓扑是一个正方形,则可令机器人1到4的邻居集合为:
N1={2,3},N2={1,4},N3={1,4},N4={2,3}
注意,我们要求通讯拓扑图G(V,E)是对称的,即若i是j的邻居(i∈Nj),则也必然有j是i的邻居(j∈Ni)。
步骤三、按照通讯拓扑图G(V,E),建立机器人之间的通讯关系。同时,按需要,可以选择一个或几个机器人与操作员终端建立通讯关系,以便于接收操作员的遥控指令。
步骤四、确定运动干预意图场的参数:令a0=0.02,ac=1,at=2,∈=0.4。不同的死区大小∈会影响操作员通过运动干预意图影响的机器人的范围。
步骤五、确定分组控制意图场的参数:以通讯拓扑图G(V,E)是由4个机器人组成的正方形为例,该图的网络直径为2,故可令RM=3;同时令δr=0.2。
步骤六、确定编队分组模块的参数:令δM=0.2。δM越小,则越容易将机器人分成两组。
步骤七、确定编队控制模块的参数:令kP=1,kI=1。原则上只要kP、kI均为正数即可。
步骤八、确定共享控制模块参数:非线性权重函数可设计为:
同时,令v0=1,表明机器人在运动干预信号下应以1m/s速度前进。
步骤九、确定运动干预意图场的运行周期TL、分组控制意图场的运行周期TG、机器人控制环路的运行周期TC。可令
TL=0.1s,TG=0.1s,TC=0.1s
步骤十、根据上述确定的参数,按如下方式对机器人进行控制。以下以机器人i为例:
1)初始化:
zi←0,hl,i←0,hg,i←0,rg,i←0,ng,i←0,Si=Ni
2)每隔TL时间,更新运动干预意图场状态:
2.1)若当前收到了来自操作员的运动干预指令ul,i,则令δi=1。
2.2)按当前收到的来自邻居机器人的状态{hl,j},更新自己的状态
hl,i←hl,i+uh,l,iTL
2.3)向所有的邻居机器人j∈Ni发送现在自己的状态hl,i。
3)每隔TG时间,更新分组控制意图场状态及分组拓扑:
3.1)如果收到了来自操作员的分组控制指令ug,i,则令
hg,i←ug,i,rg,i←RM,ng,i←i
3.2)如果未收到操作员的分组控制指令ug,i,则按当前收到的来自邻居机器人的状态{hg,j,rg,j,ng,j},更新自己的状态
hg,i←0,rg,i←0,ng,i←0
3.3)向所有的邻居机器人j∈Ni发送现在自己的状态hg,i,rg,i,ng,i。
3.4)更新当前自己的编队分组拓扑。遍历每个邻居机器人j∈Ni:
3.4.1)若j∈Si,且ng,i≠ng,j,且‖hg,i-hg,j‖≥δM,且‖rg,i-rg,j‖≤1,则将j从同组邻居的集合Si中去除,即Si←Si\{j}。
4)每隔TC时间,计算机器人的控制量,更新积分器状态:
4.1)根据当前邻居机器人的位置、状态qj,zj计算编队控制量uS,i、uij:
uij←kP(qj-qi+di-dj),j∈Ni\Si
4.2)根据收到的邻居意图场状态hg,i,计算加权系数λG,i,j:
λG,i,j←λG(max{‖hg,i‖,‖hg,j‖},‖uij‖)
4.3)计算融合了分组控制意图的控制量uG:
4.4)计算加权系数λL,i:
λL,i←λL(‖hl,i‖,‖uG,i‖)
4.5)计算最终的机器人的控制量uL,i,计算积分器的更新值uz,i:
4.6)更新自己的积分器状态:
zi←zi+uZ,iTC
4.7)将速度控制量uL,i转换为机器人的期望线速度v、期望角速度w,并用将v,w发送给机器人的下层控制器。记uL,i=[ux,uy]T,则v,w可计算如下:
v←cos(θ)ux+sin(θ)uy
w←cos(θ)uy-sin(θ)ux
4.8)将自己的积分器状态zi、位置qi、编队偏移量di发给每一个邻居机器人j∈Ni。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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 (3)
1.一种多机器人系统人为干预控制方法,其特征在于,包括:
步骤一、假设有n个机器人要完成一项编队任务,机器人分别编号为1,2,……,n;设机器人i的位置为qi∈R2;假设机器人之间可进行通讯,用无向图G(V,E)表示这个通讯拓扑,其中V={1,…,n}表示各机器人节点,(i,j)∈E表示机器人i和机器人j之间可以直接进行通讯;对于机器人i,若(i,j)∈E则称机器人j是机器人i的邻居,记机器人i的所有邻居的集合为Ni;设有一个或多个操作员对机器人进行管控,操作员可以向至少一个机器人发送运动干预信号和分组控制信号;在分组控制信号作用下,机器人之间将分成若干个小分组,用无向图GF(V,EF)描述这种分组,其中,若(i,j)∈EF,则说明机器人i和机器人j处于同一分组;设机器人的期望队形由偏移向量{di}i∈V决定,记机器人的编队误差为xi=qi-di,则当对任意的机器人i,j,满足xi-xj=0时,认为此时机器人完成了编队;
步骤二、更新运动干预意图场状态,具体为:
操作员向任意机器人i发送运动干预信号记作ul,i,运动干预信号将传入运动干预意图网络FL,机器人i在此网络中的状态记为hl,i;设每隔dT时间,各机器人即与其邻居机器人进行一次通讯,将自身的状态发送给其所有的邻居节点,同时接收其邻居的状态;记k次通讯前,机器人i的状态为hl,i(k),hl,i的更新过程如下:
1)在k=0时,hl,i(0)=0;
2)在k>0时:
2.1)向所有的邻居机器人j∈Ni,发送hl,i(k);
2.2)从各邻居机器人j接收状态hl,j(k);
2.3)按如下方式计算自身状态的增量dhl,i(k):
其中,a0>0,ac>0,at>0是设计参数;当且仅当机器人i收到了操作员发送了运动干预信号时,δi(k)=1;在机器人i没有收到运动干预信号时,δi(k)=0;φ∈是死区函数:
其中,ε>0是设计参数,用于调整操作员运动干预信号的影响范围,当∈越大,则干预信号ul,i(k)的影响越局限在机器人i的附近;
2.4)利用dhl,i(k)计算下一时刻的状态:
hl,i(k+1)=hl,i(k)+dhl,i(k)dT
其中dT是干预意图网络FL周期性进行通讯的时间间隔;
步骤三、更新分组控制意图场状态及分组拓扑:
操作员向任意机器人i发送分组控制信号,记作ug,i(k),收到分组控制信号的机器人称为领航者;分组控制信号将传入分组控制意图网络FG,机器人i在此网络中的状态由三元组(hg,i,rg,i,ng,i)表示,其分别表示机器人i所在分组的运动速度、机器人i对周围机器人的影响力、离机器人i最近的领航者机器人的编号;设每隔固定时间,各机器人即与其邻居机器人进行一次通讯,将自身在分组控制意图网络FG中状态发送给其所有的邻居节点,同时接收其邻居的状态;记k次通讯前,机器人i的状态为(hg,i(k),rg,i(k),ng,i(k)),其状态的更新过程如下:
1)在k=0时,初始化为:
hg,i(0)=0,rg,i(0)=0,ng,i(0)=0;
2)在k>0时:
2.1)向所有的邻居机器人j发送(hg,i(k),rg,i(k),ng,i(k)),其中,j∈Ni;
2.2)从各邻居机器人j处接收其状态(hg,j(k),rg,j(k),ng,j(k));
2.3)若机器人i此时收到了操作员的分组控制信号ug,i(k),则令:
hg,i(k+1)=ug,i(k),rg,i(k+1)=RM,ng,i(k+1)=i
其中,RM>0为设计参数,RM大于通讯拓扑图G的直径;
2.4)若机器人i此时未收到ug,i(k),则:
2.4.2)计算自己邻居范围内的最大影响力节点pi(k);
hg,i(k+1)=0,rg,i(k+1)=0,ng,i(k+1)=0
3)、针对任意机器人i,更新其所在分组拓扑:
在第k次,对于机器人i所在分组的每个邻居j,若ng,i(k)≠ng,j(k),且‖hg,i(k)-hg,j(k)‖≥δM,且‖rg,i(k)-rg,j(k)‖≤1,则将邻居j从该分组中去除;δM>0;
在第k次,若机器人j不在机器人i所在分组,且ng,i(k)=ng,j(k),则将机器人j加入机器人i所在分组;
其他情况下,k+1次维持k次的分组状态;
步骤四、设zi(t)是机器人i的积分器系统在t时刻的状态,在每一时刻t,机器人系统的期望速度ui(t)按如下方式计算:
1)、计算组内编队控制量us,i(t):
设Si为当前时刻与机器人i在同一小组内的机器人邻居集合;令kP>0,kI>0为设计参数,则us,i(t)的计算方法为:
xi(t)表示t时刻的编队误差;
其中,积分器zi的更新方法为:
2)、计算组间距离保持控制量{uij(t)}:
针对是机器人i的邻居,但不与机器人i在同一组的机器人j,j∈Ni\Si,组间距离保持控制量的计算方法为:
uij(t)=kP(xj(t)-xi(t))
3)、计算最终控制量:
1.1)利用加权函数λG(·,·)融合编队控制信号us,i(t)、{uij(t)}与分组控制信号hg,i(k),得到uG,i(t),其过程为:
1.11)利用零阶保持器,将离散时间信号hg,i(k)转为连续时间信号hg,i(t);
1.12)利用非线性加权函数λG(·,·),针对是机器人i的邻居,但不与机器人i在同一组的机器人j,计算加权系数λG,i,j(t):
λG,i,j(t)=λG(max{‖hg,i(t)‖,‖hg,j(t)‖},‖uij(t)‖)
1.13)计算uG,i(t):
1.2)利用加权函数λL(·,·)融合运动干预信号ul,i(t)与uG,i(t),得到uL,i(t),其过程为:
1.21)利用λL(·,·),计算加权系数λL,i(t):
λL,i(t)=λL(‖hl,i(t)‖,‖uG,i(t)‖)
1.22)利用λL,i(t)进行融合,计算uL,i(t):
uL,i(t)=(1-λL,i(t))uG,i(t)+λL,i(t)vL,i(t)
最终机器人i的控制量即为ui(t)=uL,i(t)。
2.如权利要求1所述的一种多机器人系统人为干预控制方法,其特征在于,λL和λG都可取为下列函数形式之一:
形式1、λ(u,x)=Ku/(Ku+x+∈),参数K>0,∈>0;
形式2、λ(u,x)=1-exp(-(Kup)/(xp+∈)),参数K>0,∈>0,p>0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010257562.XA CN111459161B (zh) | 2020-04-03 | 2020-04-03 | 一种多机器人系统人为干预控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010257562.XA CN111459161B (zh) | 2020-04-03 | 2020-04-03 | 一种多机器人系统人为干预控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111459161A true CN111459161A (zh) | 2020-07-28 |
CN111459161B CN111459161B (zh) | 2021-07-06 |
Family
ID=71684397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010257562.XA Active CN111459161B (zh) | 2020-04-03 | 2020-04-03 | 一种多机器人系统人为干预控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111459161B (zh) |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382429A (zh) * | 2008-10-17 | 2009-03-11 | 北京航空航天大学 | 一种地空异构多机器人搜救系统 |
CN102096415A (zh) * | 2010-12-31 | 2011-06-15 | 重庆邮电大学 | 基于Ad-Hoc网络和leader-follower算法的多机器人编队方法 |
CN102215260A (zh) * | 2011-06-02 | 2011-10-12 | 北京理工大学 | 一种具有连通性保持的多智能体系统协同控制方法 |
US20120106375A1 (en) * | 2010-11-02 | 2012-05-03 | Woo Jooin | Method for determining a group owner in a wireless network |
CN102521505A (zh) * | 2011-12-08 | 2012-06-27 | 杭州电子科技大学 | 用于控制意图识别的脑电和眼电信号决策融合方法 |
EP2631733A1 (en) * | 2012-02-27 | 2013-08-28 | GE Aviation Systems LLC | Methods for formation flying aided by a relative navigation system |
US20150153738A1 (en) * | 2013-12-03 | 2015-06-04 | King Abdulaziz City For Science And Technology | Robotic leader-follower navigation and fleet management control method |
CN104865960A (zh) * | 2015-04-29 | 2015-08-26 | 山东师范大学 | 基于平面的一种多智能体队形控制方法 |
CN105589333A (zh) * | 2016-02-03 | 2016-05-18 | 电子科技大学 | 多智能体系统分组包围控制方法 |
CN106200679A (zh) * | 2016-09-21 | 2016-12-07 | 中国人民解放军国防科学技术大学 | 基于多模态自然交互的单操作员多无人机混合主动控制方法 |
US20170227968A1 (en) * | 2016-02-04 | 2017-08-10 | Proxy Technologies, Inc. | Unmanned or optionally manned vehicle, system and methods for determining positional information of unmanned or optionally manned vehicles |
CN107092271A (zh) * | 2017-04-11 | 2017-08-25 | 南京工程学院 | 基于共享控制的多旋翼飞行器环境监测系统及方法 |
WO2018076895A1 (zh) * | 2016-10-26 | 2018-05-03 | 杭州海康机器人技术有限公司 | 基于主无人机的从无人机飞行控制方法、装置及系统 |
CN108415460A (zh) * | 2018-03-29 | 2018-08-17 | 北京航空航天大学 | 一种组合分离式旋翼与足式移动操作机器人集中-分布式控制方法 |
CN108563240A (zh) * | 2018-07-26 | 2018-09-21 | 电子科技大学 | 一种大规模微型无人机的编队及控制方法 |
CN108663963A (zh) * | 2017-03-31 | 2018-10-16 | 戚峰 | 任务指挥机器人 |
CN108919835A (zh) * | 2018-09-25 | 2018-11-30 | 北京航空航天大学 | 无人飞行器编队的控制方法、装置及控制器 |
CN110096073A (zh) * | 2019-04-18 | 2019-08-06 | 北京航空航天大学 | 仿信鸽智能行为的超大规模无人机集群控制系统及方法 |
US20190302784A1 (en) * | 2018-03-29 | 2019-10-03 | Mitsubishi Electric Research Laboratories, Inc. | Robust Source Seeking and Formation Learning-based Controller |
CN110442134A (zh) * | 2019-08-01 | 2019-11-12 | 北京理工大学 | 一种基于双层网络的多智能体群集控制方法 |
CN110658821A (zh) * | 2019-10-10 | 2020-01-07 | 中国科学技术大学 | 一种多机器人抗干扰分组时变编队控制方法及系统 |
CN110673646A (zh) * | 2019-11-06 | 2020-01-10 | 中国人民解放军国防科技大学 | 一种无人机群的控制切换的方法及系统 |
CN110825076A (zh) * | 2019-09-26 | 2020-02-21 | 东南大学 | 基于视线和力反馈的移动机器人编队导航半自主控制方法 |
US10579926B2 (en) * | 2015-12-21 | 2020-03-03 | Disney Enterprises, Inc. | Method and device for multi-agent path planning |
-
2020
- 2020-04-03 CN CN202010257562.XA patent/CN111459161B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101382429A (zh) * | 2008-10-17 | 2009-03-11 | 北京航空航天大学 | 一种地空异构多机器人搜救系统 |
US20120106375A1 (en) * | 2010-11-02 | 2012-05-03 | Woo Jooin | Method for determining a group owner in a wireless network |
CN102096415A (zh) * | 2010-12-31 | 2011-06-15 | 重庆邮电大学 | 基于Ad-Hoc网络和leader-follower算法的多机器人编队方法 |
CN102215260A (zh) * | 2011-06-02 | 2011-10-12 | 北京理工大学 | 一种具有连通性保持的多智能体系统协同控制方法 |
CN102521505A (zh) * | 2011-12-08 | 2012-06-27 | 杭州电子科技大学 | 用于控制意图识别的脑电和眼电信号决策融合方法 |
EP2631733A1 (en) * | 2012-02-27 | 2013-08-28 | GE Aviation Systems LLC | Methods for formation flying aided by a relative navigation system |
US20150153738A1 (en) * | 2013-12-03 | 2015-06-04 | King Abdulaziz City For Science And Technology | Robotic leader-follower navigation and fleet management control method |
US9146561B2 (en) * | 2013-12-03 | 2015-09-29 | King Fahd University Of Petroleum And Minerals | Robotic leader-follower navigation and fleet management control method |
CN104865960A (zh) * | 2015-04-29 | 2015-08-26 | 山东师范大学 | 基于平面的一种多智能体队形控制方法 |
US10579926B2 (en) * | 2015-12-21 | 2020-03-03 | Disney Enterprises, Inc. | Method and device for multi-agent path planning |
CN105589333A (zh) * | 2016-02-03 | 2016-05-18 | 电子科技大学 | 多智能体系统分组包围控制方法 |
US20170227968A1 (en) * | 2016-02-04 | 2017-08-10 | Proxy Technologies, Inc. | Unmanned or optionally manned vehicle, system and methods for determining positional information of unmanned or optionally manned vehicles |
CN106200679A (zh) * | 2016-09-21 | 2016-12-07 | 中国人民解放军国防科学技术大学 | 基于多模态自然交互的单操作员多无人机混合主动控制方法 |
WO2018076895A1 (zh) * | 2016-10-26 | 2018-05-03 | 杭州海康机器人技术有限公司 | 基于主无人机的从无人机飞行控制方法、装置及系统 |
CN108663963A (zh) * | 2017-03-31 | 2018-10-16 | 戚峰 | 任务指挥机器人 |
CN107092271A (zh) * | 2017-04-11 | 2017-08-25 | 南京工程学院 | 基于共享控制的多旋翼飞行器环境监测系统及方法 |
US20190302784A1 (en) * | 2018-03-29 | 2019-10-03 | Mitsubishi Electric Research Laboratories, Inc. | Robust Source Seeking and Formation Learning-based Controller |
CN108415460A (zh) * | 2018-03-29 | 2018-08-17 | 北京航空航天大学 | 一种组合分离式旋翼与足式移动操作机器人集中-分布式控制方法 |
CN108563240A (zh) * | 2018-07-26 | 2018-09-21 | 电子科技大学 | 一种大规模微型无人机的编队及控制方法 |
CN108919835A (zh) * | 2018-09-25 | 2018-11-30 | 北京航空航天大学 | 无人飞行器编队的控制方法、装置及控制器 |
CN110096073A (zh) * | 2019-04-18 | 2019-08-06 | 北京航空航天大学 | 仿信鸽智能行为的超大规模无人机集群控制系统及方法 |
CN110442134A (zh) * | 2019-08-01 | 2019-11-12 | 北京理工大学 | 一种基于双层网络的多智能体群集控制方法 |
CN110825076A (zh) * | 2019-09-26 | 2020-02-21 | 东南大学 | 基于视线和力反馈的移动机器人编队导航半自主控制方法 |
CN110658821A (zh) * | 2019-10-10 | 2020-01-07 | 中国科学技术大学 | 一种多机器人抗干扰分组时变编队控制方法及系统 |
CN110673646A (zh) * | 2019-11-06 | 2020-01-10 | 中国人民解放军国防科技大学 | 一种无人机群的控制切换的方法及系统 |
Non-Patent Citations (6)
Title |
---|
CHENGSI SHANG,等: "Interacting with Multi-agent Systems through Intention Field based Shared Control Methods", 《2017 11TH ASIAN CONTROL CONFERENCE》 * |
HAITAO ZHAO,等: "Regular Topology Formation Based on Artificial Forces for Distributed Mobile Robotic Networks", 《IEEE TRANSACTIONS ON MOBILE COMPUTING》 * |
YUNHE MENG,等: "Maneuver Guidance and Formation Maintenance for Control of Leaderless Space-Robot Teams", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 * |
任鹏,等: "有限干预下的UAV低空突防航迹规划", 《系统工程与电子技术》 * |
闵泉,等: "基于三维程控的无人机协同编队飞行研究", 《测控技术》 * |
陈军,等: "有人/无人机混合编队有限干预式协同决策", 《航空学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111459161B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | Formation control with obstacle avoidance of second-order multi-agent systems under directed communication topology | |
Tong et al. | Adaptive fuzzy decentralized control fora class of large-scale nonlinear systems | |
CN104407619B (zh) | 不确定环境下的多无人机同时到达多个目标方法 | |
Zhang et al. | Collective behavior coordination with predictive mechanisms | |
CN109379125A (zh) | 一种多智能体编队控制方法及系统 | |
CN111651705B (zh) | 集群编队跟踪控制方法 | |
CN109557939A (zh) | 一种基于伪分布式无人机集群的快速队形控制方法 | |
CN112051734B (zh) | 一种基于确定学习的轮式移动机器人事件触发跟踪控制方法 | |
Zhang et al. | Event-triggered adaptive fault-tolerant synchronization tracking control for multiple 6-DOF fixed-wing UAVs | |
CN110780668A (zh) | 一种多无人艇的分布式编队合围跟踪控制方法及系统 | |
CN112462602B (zh) | 一种在DoS攻击下保持移动舞台车队安全间距的分布式控制方法 | |
CN112859915B (zh) | 基于饱和阈值事件触发的高层消防无人机编队控制方法及系统 | |
Conde et al. | Time-varying formation controllers for unmanned aerial vehicles using deep reinforcement learning | |
CN111814333A (zh) | 奇异Lur’e网络聚类同步的牵制节点选择方法 | |
CN110806758B (zh) | 一种基于情景模糊认知图的无人机群自主等级自适应调整方法 | |
CN114237247A (zh) | 基于预测的可变队形非完整移动机器人一致性控制方法 | |
Hu et al. | Formation tracking for nonlinear multi-agent systems with input and output quantization via adaptive output feedback control | |
Wang | Dynamic feedback for consensus of networked Lagrangian systems with switching topology | |
CN111459161B (zh) | 一种多机器人系统人为干预控制方法 | |
CN115981375B (zh) | 基于事件触发机制的多无人机时变编队控制器设计方法 | |
Alhassan et al. | Towards Congestion Control Approach Based on Weighted Random Early Detection and Type-2 Fuzzy Logic System | |
CN112799367B (zh) | 一种基于工业互联网云平台的智能控制系统及方法 | |
CN114637301B (zh) | 基于最优仿射队形变换的多机器人动态避障装置及方法 | |
CN114265315A (zh) | 异构线性集群系统时变输出编队跟踪控制方法及系统 | |
CN116442212B (zh) | 预置时间和精度下人在环多机械臂系统分群安全控制方法 |
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 |