CN111476337A - 多级可变基因调控网络的群体机器人模式生成与转换方法 - Google Patents

Abstract

本发明提供了一种多级可变基因调控网络的群体机器人模式生成与转换方法，包括以下步骤：获取群体机器人工作场景信息，基于工作场景信息以及群体机器人的特征信息设计基因表达决策树；利用基因调控网络，根据基因表达决策树生成群体机器人的形态模式，形态功能包括群体机器人的模式生成和群体机器人的模式转换；采用分布式控制方法，利用反应扩散原理驱动群体机器人使群体机器人的形态模式趋于基因表达决策树生成群体机器人的形态模式。本发明能够在变化的环境中能够做出最优形态决策，并有效完成形态生成与转换。

Description

多级可变基因调控网络的群体机器人模式生成与转换方法

技术领域

本发明涉及群体机器人控制领域，具体公开了一种多级可变基因调控网络的群体机器人模式生成与转换方法。

背景技术

群体机器人技术是集体机器人技术的一种方法，它从社会动物的自组织行为中获取灵感。通过简单的规则和本地交互，群体机器人旨在设计稳健，可扩展和灵活的集体行为，以协调大量机器人。群体机器人系统的主要特征如下：机器人是自主的；机器人位于环境中，可以采取行动对其进行修改；机器人的传感和通信能力是具有限制的；机器人合作解决特定任务。近年来，随着5G通信、边缘云、人工智能等技术的飞速发展，机器人群已逐渐应用于真实场景中，如无人机集群表演、无人仓库、无人港口等。同时，世界各国大力支持LOCUST,OFFSET,GREMLINS,CODE等无人集群项目，重点解决集群协同作战、编队保持、功能转换等无人作战系统中的关键技术问题，而群体形态生成和转换机理是解决这些问题的关键。

利用基因调控网络来探索这一机理已经成为许多领域专家的选择。Jin等人引入了用于多机器人模式形成的两层GRN，以在动态环境中诱捕目标。oh和jin扩展了这种层次GRN结构，实现了区域覆盖而不是边界覆盖。机器人遵循蛋白质梯度来诱捕目标，在那里模式的形状与目标的位置相适应。此外，机器人自身也会扩散蛋白质，以便检测和跟踪彼此，避免碰撞。随后，Oh等人提出了一种改进的GRN框架，称为EH-GRN，障碍物作为环境输入源之一，与目标一起被引入，解决了H-GRN模式不能适应障碍物的弱点。孟和郭研究了一种进化的GRN，其中进化算法通过使用频繁重复的称为网络模体的调节模式来确定GRN的结构和系数。Yutong Yuan采用TH-GRN解决了在动态受限环境中的目标追踪问题，目标能够穿越障碍、但机器人不能穿越，验证了算法的有效性，Meng Wu采用CH-GRN加强智能体与周围伙伴、障碍的合作，并在网络下层添加自组织避障机制，缩短了围捕时间，提高了围捕质量。总而言之，群体机器人以不同的模式聚集能够产生不同的功能，适应不同的环境，完成不同的任务，而且形态的转换依赖于机器人与环境的局部交互，但当前研究并不能完全解决上述问题。尽管已知形态发生能够在生物中产生高度复杂的器官，但迄今为止，在形态发生机器人技术中可以实现的模式或多或少还是简单的。这就提出了以下问题：1)如何从使用形态发生的机器人群中产生更复杂的模式？2)在不断变化的环境中，多机器人系统如何在不同模式之间动态切换？3)群体如何在不失去其预定模式的情况下在环境中进行机动？为了回答这些问题，需要更先进的形态发生系统，其中许多形态发生相互作用，根据某些地方的相互作用规则和条例，基因之间的关系可以通过一个复杂的网络来表达，这个网络调节这些形态或基因关系。

发明内容

本发明目的在提供一种多级可变基因调控网络的群体机器人模式生成与转换方法，以解决现有技术中存在的技术缺陷。

为实现上述目的，本发明提供了一种多级可变基因调控网络的群体机器人模式生成与转换方法，包括以下步骤：

获取群体机器人工作场景信息，基于工作场景信息以及群体机器人的特征信息设计基因表达决策树；

利用基因调控网络，根据基因表达决策树生成群体机器人的形态模式，形态功能包括群体机器人的模式生成和群体机器人的模式转换；

采用分布式控制方法，利用反应扩散原理驱动群体机器人使群体机器人的形态模式趋于基因表达决策树生成群体机器人的形态模式。

进一步地，形态模式包括围捕模式、运输模式和搜索模式。

进一步地，生成或者转换为围捕模式的模型如下：

其中γ_j是目标j的位置，在一定范围内，机器人可以利用其板载传感器探测到目标位置或者接收到相邻机器人获取到的目标信息；p_j表示由第j个目标产生的环境输入(γ_j)产生的蛋白质浓度；p表示由j＝1到N_t的所有检测到的目标产生的当前机器人位置处的积分蛋白质浓度，其中N_t是检测到的目标的总数；

是拉普拉斯算子，它被定义为空间域中p_j的二阶导数，可以作为生物系统中的扩散过程；g₁₁，g₁₂，g₁₃和g₁₄是蛋白质浓度，g₁₃和g₁₄是定义不同目标模式的不同形态发生素梯度；在该模型中，g₁₃和g₁₄都受g₁₁和g₁₂调节，g₁₁，和g₁₂均受p_j调节；群体机器人系统可以轻松实现此设置，因为可以通过板载传感器检测目标；θ₁₁，θ₁₂，θ₁₃和θ₁₄是S形函数的阈值；整合的蛋白质浓度p将影响g₁₁和g₁₂至式(3)和式(4)的表达水平。

进一步地，生成或者转换为运输模式的模型如下：

其中δ是基地的位置；g₂₃是定义flocking模式的形态发生素的浓度，并受g₂₂，j的和与g₂₁调节；g₂₁受到q调节，g_22，j是由机器人检测到的障碍物生成的虚拟机器人j，其个数为n_tj。

进一步地，生成或者转换为搜索模式的模型如下：

其中，g₃₃是定义wandering模式的形态发生素的浓度，并受g_32，j与g₃₁调节。g₃₁受到q调节，g_32，j是由机器人检测到的障碍物生成的虚拟机器人j，其个数为n_tj。

进一步地，形态模式还包括群体机器人的个体移动速度，个体移动速度由行为蛋白驱动，模型如下：

S_i，x和S_i，y表示i-th机器人检测到目标的x和y位置，这两个位置对应于P_i，x和P_i，y细胞中两种S型蛋白质的浓度，这是机器人的两种内部状态；a、b、c、d和r是常数D_i可以看作是机器人系统中从细胞中扩散的蛋白质S的浓度，这是一个表示附近机器人和障碍物“密度”的术语，即附近机器人和障碍物的数量邻域的大小是预先定义的，小于感测范围；

其中N_i代表机器人i附近的机器人数量,

和

代表沿机器人i所接收的机器人j在x轴和y轴扩散的蛋白浓度，其定义为：

这里，f(a)和f(c)定义为如下sigmoid函数：

行为蛋白主要驱动个体形态变化，在外界形态蛋白浓度高的地方形体缩小，反之增大；同时受到障碍和友邻的蛋白影响，离障碍和友邻越近，则外界浓度越大，形态缩小，反之增大，具体行为蛋白驱动公式如下：

Δd＝d-r_i-r_j (27)

其中R_i是机器人i的半径；Δd是机器人i和机器人j轮廓之间的间距，d是机器人i和机器人j质心的距离；r_i和r_j分别表示机器人i和j的半径；M是机器人i周围的平均浓度；对于任何一个R_i，它都不能大到碰到其他个体，也不能小于最小半径；

R_i＝min{R_i，d-r_j} (31)

R_i＝max{R_i，R_min}。 (32)

进一步地，通过奖励函数对形态模式的参数进行优化，优化目标为：

进一步地，如果目标被包围5个时间步以上，则认为包围成功，每个机器人获得正奖励；围捕模式的奖励为：

其中

是全局间距平均值

和

是机器人i和周围个体之间距离最小的两个值，

是离目标距离在d₁到d₂之间的机器人数量。

进一步地，每个机器人成功将目标带回基地，补充基地能量并给予正回报，运输模式的回报为：

其中T是包围机器人转换为运输机器人之后成功带回目标的平均时间，A是flocking的聚集度，它代表每个机器人距离flocking质心的平均距离的大小，其中，

和

分别代表机器人j位置的横纵坐标，

和

分别代表flocking在时刻t的质心位置横纵坐标,N_A代表flocking中机器人的数量。

进一步地，目标出现在机器人的检测范围内，机器人将被视为发现目标并给予正奖励，搜索模式的奖励为：

本发明具有以下有益效果：

本发明一种多级可变的基因调控网络，使群体机器人在不断变化的环境中自适应地完成模式生成和转换。本发明所提出模型的第一级负责处理环境信息，利用行为树决策基因表达；第二级负责基因表达，利用基因调控网络生成形态；第三级负责分布式行动控制，利用反应扩散原理驱动机器人到合适状态。本发明的模型能够在变化的环境中能够做出最优形态决策，并有效完成形态生成与转换。

下面将参照附图，对本发明作进一步详细的说明。

附图说明

构成本申请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为本发明优选实施例提供的群体机器人工作场景概念图；

图2为本发明优选实施例提供的一种多级可变基因调控网络的群体机器人模式生成与转换方法流程图；

图3为本发明优选实施例提供的MLV-GRN结构图；

图4为本发明优选实施例提供的机器人基因表达与环境、任务的关系示意图；

图5为本发明优选实施例提供的基于行为树设计的信息融合决策逻辑示意图；

图6为本发明优选实施例提供的可行性验证实验结果示意图；

图7为本发明优选实施例提供的适应性验证实验结果示意图；

图8为本发明优选实施例提供的可扩展性验证实验结果示意图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

为了利用控制生物形态发生的遗传和细胞机制来进行多机器人模式的形成，有必要建立多细胞生物和MRSS之间的隐喻。生物体形态发育时，由受精卵通过分化、分裂、移动等细胞行为一步步发育成生物体，细胞群形成器官、组织，并最终形成复杂的完整个体。借鉴这个过程机理，每个机器人都是一个拥有完整遗传物质的细胞，称为“干机器人”，可通过基因选择性表达完成分化过程，形成具备特定功能的“组织机器人”。细胞中的蛋白质浓度与机器人的内部状态相对应，代表机器人状态信息的蛋白质可以从细胞中扩散出来，产生细胞与细胞的相互作用。借助“显式+隐式通信”形成“同质机器人簇”：借助“显示通信”可完成类似细胞分裂过程，状态信息可以从一个“组织机器人”完整复制到一个“干机器人”；借助“隐式通信”可完成多个“组织机器人”的自组织行为协作，例如，在MRSS系统中，这是一种基于距离的机制，可以改变机器人的运动动力学以避免碰撞。同时“同质机器人簇”之间有效协作，借助“显式通信”形成“异质机器人群”，进而形成“群体机器人系统”。最后，利用多细胞生物中的形态梯度来描述MRSS形成的目标模式。首先检测环境中目标的机器人称为组织机器人，负责建立目标模式。为了将MLV-GRN用于群体机器人形态生成，已经做出了一下假设：1)利用RTK、传感器和通信等多种手段融合，机器人可以准确定位自己、友邻、目标和障碍。2)机器人有多种功能形态，状态之间的切换有逻辑、触发条件和概率，受到任务、环境等信息的影响。3)有限的传感器感知范围，只能探测到感知范围内的目标、障碍和其他机器人。4)通信范围有限，任务、环境、位置、速度等信息可以在通信范围内的机器人之间相互传递。5)设置基站，且基站通信范围覆盖全场，但与机器人的通信可以被中断，这意味着群体机器人需要在局部信息条件下通过分布式协商达成一致性态势认知和决策。6)群体机器人的数量足够多，并分别来源于不同基站，可在基站进行补给，基站可以作为机器人信息交换中心。7)初始条件下每个机器人是有任务负载的，这意味着它们已经分好组并开始工作，可随环境改变而改变。

实施例1

本发明首先设计了群体机器人工作场景概念图，如图1所示，虚线椭圆框代表基地，无填充实线圆圈代表初始形态----“干细胞机器人”，图标含义如图所示。在概念场景中，“侦察组织机器人”形态小且采用游走形态对地图进行搜索，在遇到1型目标后，转变为形态小的“运输组织机器人”并将1型目标带回基地，在遇到2型目标后，转变为形态大的“攻击组织机器人”并呼叫支援，由中等形态的“通信组织机器人”将信息传回基地，基地在接到信息后全局广播2型目标，离目标最近的其他组织机器人响应任务，移动到目标附近并自动转变为“攻击组织机器人”，“攻击组织机器簇”形成包围形态，一段时间后目标死亡，转换为若干1型目标，同时这群机器人转变为“运输组织机器人”并以集群移动形态将目标带回基地。所有机器人一旦回到基地，便重新成为“侦察组织机器人”，以游走形态对基地附近地域进行侦察。

基于上述背景，本发明提供了一种多级可变基因调控网络的群体机器人模式生成与转换方法，参见图2，包括以下步骤：

S1：获取群体机器人工作场景信息，基于工作场景信息以及群体机器人的特征信息设计基因表达决策树。

为了适应这样的场景，本实施例将H-GRN(分层基因调控网络，Hierarchical generegulatory network)拓展为MLV-GRN(多级可变基因调控网络)，如图3所示。其中，行动基因控制机器人的运动方向、速度大小，形态基因控制机器人的大小，功能基因控制机器人的功能模块选择，在图1以机器人的颜色为例来显示。三种基因都会根据环境输入选择性表达，最终形成机器人的综合动作输出，以完成相应的任务。

群体移动场景，多出现在机器人需要集体去完成某件任务的途中，和完成任务返回基站的途中。集群围捕，2型目标在基站附近有危险，或者集体运输死亡2型目标时。协同搜索多出现在要日常需要机器人单独外出寻找1型目标并将其运送回基站。形态基因赋予机器人伸缩大小的能力，可以在遇到狭窄地形时收缩，在围捕Ⅱ型目标时放大。功能基因赋予机器人侦察、攻击、通信中继、运输等能力，分别用浅灰、深灰、黑、中灰等来表示，分别用于协同搜索侦察目标、围捕目标、扩大群体通信范围、协同运输目标等等。具体关系如图4所示。

当机器人初始化时，每个都是“干细胞机器人”，具备三种基因，但是仍未表达出具体功能，开始执行任务后，机器人会被转化为“组织细胞机器人”，并与同类“组织细胞机器人”相互协作，每一类基因会产生相应的蛋白质，并且扩散到环境中，可以认为是一种信息素，个体依据信息素的浓度来决定下一步的基因表达。我们提出分簇广播式通信模型，来说明“同质机器人簇”内部相互之间的通信机制。簇间协作则以基地中心协商方式，其通信模型为单向广播响应式。

S2：利用基因调控网络，根据基因表达决策树生成群体机器人的形态模式，形态功能包括群体机器人的模式生成和群体机器人的模式转换。

DNA：信息融合决策层是设计的核心部分，它是群体机器人的行为逻辑，也决定了各类基因该如何表达以在复杂环境中有序完成各项任务。FSM及其扩展方法PFSM、HFSM等曾经被广泛应用到多种机器人集体行为，例如聚合，链形成和任务分配。但是，该方法面向复杂智能逻辑及其扩展问题时表现欠佳，因此本实施例采用行为树的方法以提高模型可扩展性、模块重用性、降低定义难度和耦合度，更好完成群体机器人行为逻辑设计工作。

如图4所示，问号表示选择节点，箭头表示顺序选择节点，叶节点中的虚拟线圈表示条件节点，叶节点中的实际线圈表示动作节点。每个机器人都可以通过遍历行为树来生成和变换其形状。环境及其自身状态是决策的关键因素。

在RNA层本实施例每次需要同时考虑三种基因的转录，以应对不同的功能需求。在围捕任务中，需要行动基因转录为enclosing队形，形态基因转录为enclosing合适大小，功能基因表现恒定。在协同运输任务中，需要行动基因转录为flocking队形，形态基因依据周围个体和障碍位置转录为合适大小，功能表现恒定。在协同搜索任务中，需要行动基因转录为wandering队形，形态基因表现恒定，功能基因依据环境障碍位置转录为合适强弱。其中，围捕任务下的基因转录具体公式如下：

其中γ_j是目标j的位置，在一定范围内，机器人可以利用其板载传感器探测到目标位置或者接收到相邻机器人获取到的目标信息；p_j表示由第j个目标产生的环境输入(γ_j)产生的蛋白质浓度；p表示由j＝1到N_t的所有检测到的目标产生的当前机器人位置处的积分蛋白质浓度，其中N_t是检测到的目标的总数；

是拉普拉斯算子，它被定义为空间域中p_j的二阶导数，可以作为生物系统中的扩散过程；g₁₁，g₁₂，g₁₃和g₁₄是蛋白质浓度，g₁₃和g₁₄是定义不同目标模式的不同形态发生素梯度；在该模型中，g₁₃和g₁₄都受g₁₁和g₁₂调节，g₁₁，和g₁₂均受p_j调节；群体机器人系统可以轻松实现此设置，因为可以通过板载传感器检测目标；θ₁₁，θ₁₂，θ₁₃和θ₁₄是S形函数的阈值；整合的蛋白质浓度p将影响g₁₁和g₁₂至式(3)和式(4)的表达水平。

运输任务下的基因转录具体公式如下：

其中δ是基地的位置；g₂₃是定义flocking模式的形态发生素的浓度，并受g₂₂，j的和与g₂₁调节；g₂₁受到q调节，g_22，j是由机器人检测到的障碍物生成的虚拟机器人j，其个数为n_tj。

搜索任务下的基因转录具体公式如下：

其中，g₃₃是定义wandering模式的形态发生素的浓度，并受g_32，j与g₃₁调节。g₃₁受到q调节，g_32，j是由机器人检测到的障碍物生成的虚拟机器人j，其个数为n_tj。

S3：采用分布式控制方法，利用反应扩散原理驱动群体机器人使群体机器人的形态模式趋于基因表达决策树生成群体机器人的形态模式。

行动蛋白主要驱动个体移动，影响个体速度更新，主要考虑周围行动蛋白浓度、密度、目标蛋白等因素的影响，具体公式如下：

S_i，x和S_i，y表示i-th机器人检测到目标的x和y位置，这两个位置对应于P_i，x和P_i，y细胞中两种S型蛋白质的浓度，这是机器人的两种内部状态；a、b、c、d和r是常数D_i可以看作是机器人系统中从细胞中扩散的蛋白质S的浓度，这是一个表示附近机器人和障碍物“密度”的术语，即附近机器人和障碍物的数量邻域的大小是预先定义的，小于感测范围；

其中N_i代表机器人i附近的机器人数量,

和

代表沿机器人i所接收的机器人j在x轴和y轴扩散的蛋白浓度，其定义为：

这里，f(a)和f(c)定义为如下sigmoid函数：

行为蛋白主要驱动个体形态变化，在外界形态蛋白浓度高的地方形体缩小，反之增大；同时受到障碍和友邻的蛋白影响，离障碍和友邻越近，则外界浓度越大，形态缩小，反之增大，具体行为蛋白驱动公式如下：

Δd＝d-r_i-r_j (27)

其中R_i是机器人i的半径；Δd是机器人i和机器人j轮廓之间的间距，d是机器人i和机器人j质心的距离。r_i和r_j分别表示机器人i和j的半径；M是机器人i周围的平均浓度；对于任何一个R_i，它都不能大到碰到其他个体，也不能小于最小半径；

R_i＝min{R_i，d-r_j} (31)

R_i＝max{R_i，R_min}。 (32)

为不断提升模型性能，本实施例通过设计奖励函数，利用单目标优化方法对模型中的参数进行优化，全局优化目标是：

进一步地，包围奖励(包围2类目标成功奖励)：如果目标被包围5个时间步以上，则认为包围成功，每个机器人获得正奖励；围捕模式的奖励为：

其中

是全局间距平均值

和

是机器人i和周围个体之间距离最小的两个值，

是离目标距离在d₁到d₂之间的机器人数量。

进一步地，运输奖励(成功将1类目标带回基地)：每个智能体成功将1类目标(包括从死亡2类目标转化为1类目标)带回基地，补充基地能量并给予正回报：

其中T是包围机器人转换为运输机器人之后成功带回目标的平均时间，A是flocking的聚集度，它代表每个机器人距离flocking质心的平均距离的大小，其中，

和

分别代表机器人j位置的横纵坐标，

和

分别代表flocking在时刻t的质心位置横纵坐标,N_A代表flocking中机器人的数量。

进一步地，搜索奖励(这里只考虑1型目标)：一旦1型目标出现在智能体的检测范围内，智能体将被视为发现目标并给予正奖励：

采用CMA-ES来优化参数a、b、c、d，r，θ₁₁，θ₁₂，θ₁₃，θ₁₄，θ₂₁，θ₂₂，θ₂₃，θ₃₁，θ₃₂，θ₃₃,k₁₁，k₁₂，k₁₃，k₁₄，k₂₁，k₂₂，k，k₃₁，k₃₂，世代数最大设置为50，种群大小设置为100，MLV-GRN模型的最佳参数设置取决于环境设置，例如机器人数量、目标数量及其位置。因此，本实施例测试了100个独立且不同的环境设置，其具有不同数量和位置的目标以及不同数量的机器人，用于评估每个人的适合度(候选解决方案)。在100个独立测试中平均的平均适合度值被设定为个体的最终适合度以供选择。根据特定的环境设置，可能存在更好的参数组合。但是，针对不同的环境设置为系统分配不同的参数是不现实的，因为环境设置事先是未知的。

实施例2

本实施例通过仿真实验，验证MLV-GRN模型的可行性、可扩展性和适应性。仿真环境设置为25mх25m方形区域，基地位于正中位置，环境中布有包括凸多边形、凹多边形、不规则窄道等复杂环境，1型目标和2型目标随机静止分布在环境中，机器人从基地出发，一次完整实验的时间步长为300，通过实施例1设计的F₁，F₂，F₃及其总的适应度函数F，来分析群体性能表现，从而评价模型的性能。

关于可行性：

为了验证该模型的可行性，本实施例选取了10个机器人组成一组，2个2型和4个1型目标作为任务目标，5个不同的障碍物构成一个受限环境。机器人以2米/秒的恒定速度移动。如图6(a)所示，浅灰的小型机器人外出执行搜索任务，在找到2型目标后，变成中型大小的深灰机器人。对目标执行包围任务后，如图6(b)和图6(c)所示，深灰机器人变为黑，协同将目标运回基地。如图6(d)所示，在基地卸载目标后，机器人返回浅灰和最小尺寸，并开始从基地执行新的搜索任务。经过30个时间步，机器人群完成了6个目标的搜索任务。因此，仿真过程验证了模型的可行性。

关于适用性

为了验证模型的适应性，本实施例设计了几组比较实验。如图7(a)，(b)和(c)所示，设置环境中有5个不同的障碍物和由10个机器人组成的群体。在1、2、3个2型目标的3组实验中，1型目标的数目不断增加，并统计指定时间内的组机器人的F₁，F₂，F₃及其总的适应度函数F。从图中的结果可以看出，目标数目的增加对机器人的工作效率有着显著的影响。这四个适应度函数都非常稳定，且值很小，说明该群体机器人的性能很好。这证明了MLV-GRN模型对任务量的变化具有适应性。如图7(d)所示，机器人和目标的数量保持不变，环境中障碍物的数量也发生了变化。可以看出，随着障碍物数量的增加，适应度函数只略有增加，说明swarm的性能相对稳定，这证明MLV-GRN模型对环境也具有良好的适应性。

关于可扩展性

为了验证模型的可扩展性，本实施例在环境中设置了5个障碍物，2个2型和4个1型目标，并进行了26组实验。每组机器人增加了一个。如图8所示，当机器人数量太少时，群机器人的性能明显下降。不能满足任务要求。但当机器人数量达到5个以上时，群体的性能趋于稳定和良好。机器人群初始条件设置的随机性导致了数据的波动。证明了MLV-GRN的可扩展性。

其中，图7和图8横坐标为机器人数量，纵坐标为适应度函数。

综上所述，本发明提出了一种基于MLV-GRN的群体机器人模式生成与转换模型。该模型是以H-GRN、CH-GRN和TH-GRN为基础，基于群体机器人协作守卫基地这一场景，横向和纵向扩展原有框架，并且充分评估了机器人群的可行性、适应性、鲁棒性和可扩展性，从行动、形态和功能等多个方面提升群体机器人的能力。此外，在该框架基础上，可以继续拓展基因型、任务型、决策机制等，不断提升群体机器人能力。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)

1.一种多级可变基因调控网络的群体机器人模式生成与转换方法，其特征在于，包括以下步骤：

获取群体机器人工作场景信息，基于所述工作场景信息以及所述群体机器人的特征信息设计基因表达决策树；

利用基因调控网络，根据所述基因表达决策树生成所述群体机器人的形态模式，所述形态功能包括所述群体机器人的模式生成和群体机器人的模式转换；

采用分布式控制方法，利用反应扩散原理驱动所述群体机器人使所述群体机器人的形态模式趋于所述基因表达决策树生成所述群体机器人的形态模式。

2.根据权利要求1所述的多级可变基因调控网络的群体机器人模式生成与转换方法，其特征在于，所述形态模式包括围捕模式、运输模式和搜索模式。

3.根据权利要求2所述的多级可变基因调控网络的群体机器人模式生成与转换方法，其特征在于，生成或者转换为所述围捕模式的模型如下：

其中γ_j是目标j的位置，在一定范围内，机器人可以利用其板载传感器探测到目标位置或者接收到相邻机器人获取到的目标信息；p_j表示由第j个目标产生的环境输入(γ_j)产生的蛋白质浓度；p表示由j＝1到N_t的所有检测到的目标产生的当前机器人位置处的积分蛋白质浓度，其中N_t是检测到的目标的总数；

是拉普拉斯算子，它被定义为空间域中p_j的二阶导数，可以作为生物系统中的扩散过程；g₁₁，g₁₂，g₁₃和g₁₄是蛋白质浓度，g₁₃和g₁₄是定义不同目标模式的不同形态发生素梯度；在该模型中，g₁₃和g₁₄都受g₁₁和g₁₂调节，g₁₁和g₁₂均受p_j调节；群体机器人系统可以轻松实现此设置，因为可以通过板载传感器检测目标；θ₁₁，θ₁₂，θ₁₃和θ₁₄是S形函数的阈值；整合的蛋白质浓度p将影响g₁₁和g₁₂至式(3)和式(4)的表达水平。

4.根据权利要求2所述的多级可变基因调控网络的群体机器人模式生成与转换方法，其特征在于，生成或者转换为所述运输模式的模型如下：

其中δ是基地的位置；g₂₃是定义flocking模式的形态发生素的浓度，并受g₂₂，j的和与g₂₁调节；g₂₁受到q调节，g_22，j是由机器人检测到的障碍物生成的虚拟机器人j，其个数为n_tj。

5.根据权利要求2所述的多级可变基因调控网络的群体机器人模式生成与转换方法，其特征在于，生成或者转换为所述搜索模式的模型如下：

其中，g₃₃是定义wandering模式的形态发生素的浓度，并受g_32，j与g₃₁调节；g₃₁受到q调节，g_32，j是由机器人检测到的障碍物生成的虚拟机器人j，其个数为n_tj。

6.根据权利要求1所述的多级可变基因调控网络的群体机器人模式生成与转换方法，其特征在于，所述形态模式还包括所述群体机器人的个体移动速度，所述个体移动速度由行为蛋白驱动，模型如下：

S_i，x和S_i，y表示i-th机器人检测到目标的x和y位置，这两个位置对应于P_i，x和P_i，y细胞中两种S型蛋白质的浓度，这是机器人的两种内部状态；a、b、c、d和r是常数D_i可以看作是机器人系统中从细胞中扩散的蛋白质S的浓度，即附近机器人和障碍物的数量邻域的大小是预先定义的，小于感测范围；

其中N_i代表机器人i附近的机器人数量,

和

代表沿机器人i所接收的机器人j在x轴和y轴扩散的蛋白浓度，其定义为：

这里，f(a)和f(c)定义为如下sigmoid函数：

行为蛋白主要驱动个体形态变化，在外界形态蛋白浓度高的地方形体缩小，反之增大；同时受到障碍和友邻的蛋白影响，离障碍和友邻越近，则外界浓度越大，形态缩小，反之增大，具体行为蛋白驱动公式如下：

Δd＝d-r_i-r_j (27)

其中R_i是机器人i的半径；Δd是机器人i和机器人j轮廓之间的间距，d是机器人i和机器人j质心的距离；r_i和r_j分别表示机器人i和j的半径；M是机器人i周围的平均浓度；对于任何一个R_i，它都不能大到碰到其他个体，也不能小于最小半径；

R_i＝min{R_i，d-r_j} (31)

R_i＝max{R_i，R_min}。 (32)

7.根据权利要求2-5任一所述的多级可变基因调控网络的群体机器人模式生成与转换方法，其特征在于，通过奖励函数对形态模式的参数进行优化，优化目标为：

8.根据权利要求7所述的多级可变基因调控网络的群体机器人模式生成与转换方法，其特征在于，如果目标被包围5个时间步以上，则认为包围成功，每个机器人获得正奖励；所述围捕模式的奖励为：

其中是全局间距平均值

和

是机器人i和周围个体之间距离最小的两个值，

是离目标距离在d₁到d₂之间的机器人数量。

9.根据权利要求7所述的多级可变基因调控网络的群体机器人模式生成与转换方法，其特征在于，每个机器人成功将目标带回基地，补充基地能量并给予正回报，所述所述运输模式的回报为：

其中T是包围机器人转换为运输机器人之后成功带回目标的平均时间，A是flocking的聚集度，它代表每个机器人距离flocking质心的平均距离的大小，其中，

和

分别代表机器人j位置的横纵坐标，

和

分别代表flocking在时刻t的质心位置横纵坐标,N_A代表flocking中机器人的数量。

10.根据权利要求7所述的多级可变基因调控网络的群体机器人模式生成与转换方法，其特征在于，目标出现在机器人的检测范围内，机器人将被视为发现目标并给予正奖励，所述搜索模式的奖励为：

Images