CN111830983A - 动态环境下的多智能体群系统导航与避障方法及装置 - Google Patents

动态环境下的多智能体群系统导航与避障方法及装置 Download PDF

Info

Publication number
CN111830983A
CN111830983A CN202010704668.XA CN202010704668A CN111830983A CN 111830983 A CN111830983 A CN 111830983A CN 202010704668 A CN202010704668 A CN 202010704668A CN 111830983 A CN111830983 A CN 111830983A
Authority
CN
China
Prior art keywords
convex
group system
formation
agent
obstacle
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
Application number
CN202010704668.XA
Other languages
English (en)
Inventor
李一鹏
陈华聪
戴琼海
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Publication of CN111830983A publication Critical patent/CN111830983A/zh
Pending legal-status Critical Current

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
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • 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
    • 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
    • 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
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种动态环境下的多智能体群系统导航与避障方法及装置，其中，方法包括：根据全局地图进行路径规划，生成全局路径；获取多智能体群系统的每个智能体和下一路标点的凸集；根据所述全局路径以所述凸集为路径导航至下一路标点。根据本发明实施例的方法，可以通过实时改变队形在各类动态障碍物环境中的智能体群系统导航、避障的功能，规避了人工势场法等传统群系统导航方法应用场景简单、算法鲁棒性差、容易陷入僵局等缺点，将大大拓展多无人机、无人车集群等多智能体群系统的应用场合，为其在复杂应用场景下的导航应用提供了鲁棒且高效的系统方法。

Description

动态环境下的多智能体群系统导航与避障方法及装置
技术领域
本发明涉及智能体导航技术领域，特别涉及一种动态环境下的多智能体群系统导航与避障方法及装置。
背景技术
随着计算机视觉、人工智能以及控制技术的快速发展，以无人机、无人车等为代表的智能体逐渐在国民经济建设和国家安全保障方面发挥巨大的作用。而多个智能体协同工作可以有效提高智能体作业半径，增加作业种类，进而大大拓宽应用场景，完成许多单个智能体无法完成的工作。但是，由于智能体数量上升时，系统需要处理的数据量将快速增长，同时仍需要让每个智能体在各自的位置上正常作业，并实现避障、避碰等必要功能，因此许多对单个智能体的控制策略无法直接应用于控制多个智能体组成的群系统。
相关技术中，已经有一些对智能群系统编队、导航等问题的相关讨论和研究。然而，现有的对智能体群系统导航、避障问题的大多数研究应用场景比较简单，在复杂环境下难以应用，且存在着收敛速度慢、容易陷入僵局等问题。如何利用每个智能体上有限的计算资源，构建能在有一定数量的静止障碍物与动态障碍物的复杂环境下正常工作的智能体群系统，是学术界和工业界非常关注的科学问题和工程难题。核心关键技术的突破将会极大拓展智能体群系统在复杂自然环境下、复杂应用场景下的应用模式，提高完成任务的可能性和效率。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种动态环境下的多智能体群系统导航与避障方法，该方法可以通过实时改变队形在各类动态障碍物环境中的智能体群系统导航、避障的功能。
本发明的另一个目的在于提出一种动态环境下的多智能体群系统导航与避障装置。
为达到上述目的，本发明一方面实施例提出了一种动态环境下的多智能体群系统导航与避障方法，包括以下步骤：根据全局地图进行路径规划，生成全局路径；获取多智能体群系统的每个智能体和下一路标点的凸集；根据所述全局路径以所述凸集为路径导航至下一路标点。
本发明实施例的动态环境下的多智能体群系统导航与避障方法，根据全局地图进行路径规划计算包含当前各智能体和下一路标点的较大凸集，从而以凸集为路径导航至下一路标点，实现了通过实时改变队形在各类动态障碍物环境中的智能体群系统导航、避障的功能，规避了人工势场法等传统群系统导航方法应用场景简单、算法鲁棒性差、容易陷入僵局等缺点，将大大拓展多无人机、无人车集群等多智能体群系统的应用场合，为其在复杂应用场景下的导航应用提供了鲁棒且高效的系统方法。
另外，根据本发明上述实施例的动态环境下的多智能体群系统导航与避障方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述根据全局地图进行路径规划，包括：获取全局地图以及相关静态障碍物信息、动态障碍物信息，并采取类似于随机路标图法进行全局路径规划，其中，每个路标点表示智能体群系统在对应路标点的队形状态，其包含智能体群系统中心的队形信息和队形相似变换的相关系数，且每两个相邻路标点间的边则对应其连接的两个顶点和一个凸集。
进一步地，在本发明的一个实施例中，所述获取多智能体群系统的每个智能体和下一路标点的凸集，包括：以预设点形成的凸包作为凸多面体的初始状态，在每次迭代中，通过求解凸优化问题，求解得到所述凸多面体与障碍物集合间的分隔平面以扩大凸多面体体积，并求解新凸多面体的内切椭球，直至满足预设条件的所述凸集，其可用其边界的多个平面表示。
可选地，在本发明的一个实施例中，从一个路标点对应的队形状态变换为其相邻路标点对应的队形状态，其中，所述队形状态的计算公式为：
Figure BDA0002594236310000021
Figure BDA0002594236310000022
Figure BDA0002594236310000023
其中，ws和wq为相关权重，cl为每一个队形预设的常数权值，t，s，q为队形相似变换的相关系数，f为预设的队形总数，r为智能体的模型的底面半径，且高为2h。
另外，在本发明的一个实施例中，还包括：在求解从一个路标点对应的队形状态变换为其相邻路标点对应的队形状态的相关控制参数时，如果当前群系统智能体与顶点序列中下一个顶点对应队形的中心组成的凸包中包含动态障碍物，则以所述当前状态下群系统中心和序列中下一个顶点对应的队形中心的连线作为椭球和凸多面体的初始值，求解所述凸集的算法逐步扩大椭球和凸多面体，得到一个包含当前群系统中心和序列中下一个顶点对应的队形中心的新凸集，并以所述新凸集为路径调用后续的实时控制算法接近序列中下一个顶点；在优化失败后，则群系统暂时停止行动，且当累计停止行动时间超出预设阈值时，将影响优化的障碍物暂时标记为静止障碍物，并重新进行全局路径规划。
为达到上述目的，本发明另一方面实施例提出了一种动态环境下的多智能体群系统导航与避障装置，包括：规划模块，用于根据全局地图进行路径规划，生成全局路径；获取模块，用于获取多智能体群系统的每个智能体和下一路标点的凸集；导航和避障模块，用于根据所述全局路径以所述凸集为路径导航至下一路标点。
本发明实施例的动态环境下的多智能体群系统导航与避障装置，根据全局地图进行路径规划计算包含当前各智能体和下一路标点的较大凸集，从而以凸集为路径导航至下一路标点，实现了通过实时改变队形在各类动态障碍物环境中的智能体群系统导航、避障的功能，规避了人工势场法等传统群系统导航方法应用场景简单、算法鲁棒性差、容易陷入僵局等缺点，将大大拓展多无人机、无人车集群等多智能体群系统的应用场合，为其在复杂应用场景下的导航应用提供了鲁棒且高效的系统方法。
另外，根据本发明上述实施例的动态环境下的多智能体群系统导航与避障装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述规划模块包括：获取单元，用于获取全局地图以及相关静态障碍物信息、动态障碍物信息，并采取类似于随机路标图法进行全局路径规划，其中，每个路标点表示智能体群系统在对应路标点的队形状态，其包含智能体群系统中心的队形信息和队形相似变换的相关系数，且每两个相邻路标点间的边则对应其连接的两个顶点和一个凸集。
进一步地，在本发明的一个实施例中，所述获取模块包括：求解单元，用于以预设点形成的凸包作为凸多面体的初始状态，在每次迭代中，通过求解凸优化问题，求解得到所述凸多面体与障碍物集合间的分隔平面以扩大凸多面体体积，并求解新凸多面体的内切椭球，直至满足预设条件的所述凸集，其可用其边界的多个平面表示。
可选地，在本发明的一个实施例中，从一个路标点对应的队形状态变换为其相邻路标点对应的队形状态，其中，所述队形状态的计算公式为：
Figure BDA0002594236310000031
Figure BDA0002594236310000032
Figure BDA0002594236310000033
其中，ws和wq为相关权重，cl为每一个队形预设的常数权值，t，s，q为队形相似变换的相关系数，f为预设的队形总数，r为智能体的模型的底面半径，且高为2h。
另外，在本发明的一个实施例中，还包括：优化模块，用于在求解从一个路标点对应的队形状态变换为其相邻路标点对应的队形状态的相关控制参数时，如果当前群系统智能体与顶点序列中下一个顶点对应队形的中心组成的凸包中包含动态障碍物，则以所述当前状态下群系统中心和序列中下一个顶点对应的队形中心的连线作为椭球和凸多面体的初始值，求解所述凸集的算法逐步扩大椭球和凸多面体，得到一个包含当前群系统中心和序列中下一个顶点对应的队形中心的新凸集，并以所述新凸集为路径调用后续的实时控制算法接近序列中下一个顶点；控制模块，用于在优化失败后，则群系统暂时停止行动，且当累计停止行动时间超出预设阈值时，将影响优化的障碍物暂时标记为静止障碍物，并重新进行全局路径规划。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的动态环境下的多智能体群系统导航与避障方法的流程图；
图2为根据本发明一个实施例的每个时间周期τ内算法的流程图；
图3为根据本发明实施例的动态环境下的多智能体群系统导航与避障装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的动态环境下的多智能体群系统导航与避障方法及装置，首先将参照附图描述根据本发明实施例提出的动态环境下的多智能体群系统导航与避障方法。
图1是本发明实施例的动态环境下的多智能体群系统导航与避障方法的流程图。
如图1所示，该动态环境下的多智能体群系统导航与避障方法包括以下步骤：
在步骤S101中，根据全局地图进行路径规划，生成全局路径。
可以理解的是，本发明实施例首先根据全局地图进行路径规划，其中，每个智能体的模型可以以几何中心为pi、底面半径为r、高为2h的圆柱为例。需要说明的是，智能体包括但不限于自动驾驶汽车、自动导引运输车(Automated Guided Vehicle，AGV)、自主式水下航行器(Autonomous Underwater Vehicle，AUV)和无人机(Unmanned Aerial Vehicle，UAV)等移动平台。
其中，对智能体群系统，事先已给定了一系列可能队形
Figure BDA0002594236310000051
其中f为事先给定的队形总数。每个给定的队形包含以队形中心为原点，每个智能体在编队中的坐标信息
Figure BDA0002594236310000052
队形凸包顶点的坐标信息
Figure BDA0002594236310000053
以及编队中两个智能体之间的最小距离
Figure BDA0002594236310000054
进一步地，在本发明的一个实施例中，根据全局地图进行路径规划，包括：获取全局地图以及相关静态障碍物信息、动态障碍物信息，并采取类似于随机路标图法进行全局路径规划，其中，每个路标点表示智能体群系统在对应路标点的队形状态，其包含智能体群系统中心的队形信息和队形相似变换的相关系数，且每两个相邻路标点间的边则对应其连接的两个顶点和一个凸集。
具体地，各智能体能实时得知全局地图以及相关静、动态障碍物信息，并采取类似于随机路标图法(Probabilistic Roadmaps，PRM)的方法进行全局路径规划。PRM产生的每个路标点表示智能体群系统在该路标点附近的队形状态，包含智能体群系统中心在该处附近时的队形信息
Figure BDA0002594236310000055
以及队形相似变换的相关系数t，s，q，其中
Figure BDA0002594236310000056
为平移系数，
Figure BDA0002594236310000057
为相似比例，q为表示旋转的单位四元数。对应地，每两个相邻路标点间的边则对应其连接的两个顶点和一个凸集
Figure BDA0002594236310000058
在步骤S102中，获取多智能体群系统的每个智能体和下一路标点的凸集。
也就是说，本发明实施例其次计算包含当前各智能体和下一路标点的较大凸集。
进一步地，在本发明的一个实施例中，获取多智能体群系统的每个智能体和下一路标点的凸集，包括：以预设点形成的凸包作为凸多面体的初始状态，在每次迭代中，通过求解凸优化问题，求解得到凸多面体与障碍物集合间的分隔平面以扩大凸多面体体积，并求解新凸多面体的内切椭球，直至满足预设条件的凸集，其可用其边界的多个平面表示。
可以理解的是，能够在必要时求解全局地图中包含一些给定点的较大凸集，并满足该凸集与障碍物交集为空。这个问题可以通过在每次迭代中依次不断扩大一个满足要求的凸多面体和其内部的一个椭球来解决。首先，以这些给定点形成的凸包作为凸多面体的初始状态，在每次迭代中，该方法通过求解一系列凸优化问题，求解得到凸多面体与障碍物集合间的分隔平面来扩大凸多面体体积，并求解新凸多面体的内切椭球，如此多次即可得到一个符合上述约束且体积较大的凸集，其可用其边界的若干平面表示。
在步骤S103中，根据全局路径以凸集为路径导航至下一路标点。
最后，本发明实施例以凸集为路径导航至下一路标点。
可选地，在本发明的一个实施例中，从一个路标点对应的队形状态变换为其相邻路标点对应的队形状态，其中，队形状态的计算公式为：
Figure BDA0002594236310000061
Figure BDA0002594236310000062
Figure BDA0002594236310000063
其中，ws和wq为相关权重，cl为每一个队形预设的常数权值，t，s，q为队形相似变换的相关系数，f为预设的队形总数，r为智能体的模型的底面半径，且高为2h。
具体而言，当需要进行一次新的全局路径规划时，初始化图G＝{V,E}与集合
Figure BDA00025942363100000624
为空，其中
Figure BDA0002594236310000064
为图G边集E中已经被选取的凸集的集合。随后的每次迭代中，都在无静态障碍物的空间中随机选取一个仍未在集合
Figure BDA00025942363100000625
中任何一个凸集中的点，并用前述算法求解一个体积尽量大、包含该点且不与任何障碍物相交的凸多面体
Figure BDA0002594236310000065
在求解出
Figure BDA0002594236310000066
后，将
Figure BDA0002594236310000067
加入集合
Figure BDA00025942363100000629
并考察
Figure BDA00025942363100000626
中每个与
Figure BDA0002594236310000068
相交的元素
Figure BDA00025942363100000628
试图求解一个队形状态
Figure BDA0002594236310000069
及其对应的t，s，q，使得该队形状态对应的所有智能体都在
Figure BDA00025942363100000610
内。给定一个期望的相似比例
Figure BDA00025942363100000627
和期望的编队朝向
Figure BDA00025942363100000611
则进行下列优化求解即可得到队形状态：
Figure BDA00025942363100000612
Figure BDA00025942363100000613
Figure BDA00025942363100000614
式中，ws和wq为相关权重，cl为每一个队形预设的常数权值。如果优化成功，则把优化结果作为一个新顶点v0加入图G中，同时对凸多面体
Figure BDA00025942363100000615
和
Figure BDA00025942363100000616
在边集E中已经连接的顶点的集合
Figure BDA00025942363100000617
和
Figure BDA00025942363100000618
将所有的边
Figure BDA00025942363100000619
和
Figure BDA00025942363100000620
加入边集E中，其中
Figure BDA00025942363100000621
边的权值为两顶点对应队形中心的欧氏距离。当向图中加入足够多的顶点和边后，应用Dijkstra算法等图的最短路径算法即可得到一条较优的全局路径。
进而，智能体群系统可以通过一定的控制算法无碰撞地从一个路标点对应的队形状态变换为其相邻路标点对应的队形状态。具体方法为：给定智能体群系统每个个体的当前状态和在目的地将要实现的编队状态，满足这些点形成的凸包中不包含任何静态障碍物，则通过以适当频率实时求解以下优化问题
Figure BDA00025942363100000622
Figure BDA00025942363100000623
Figure BDA0002594236310000071
‖ui‖≤vmax
可以求得智能体实时的最优参考速度ui，并在一个较短的时间区间0≤t≤τ内由智能体的相关控制器使智能体的运动状态趋向于最优参考速度对应的运动状态。式中，Ko为一预设权重，
Figure BDA0002594236310000072
为智能体群系统附近某障碍物，
Figure BDA0002594236310000073
为智能体的期望速度，
Figure BDA0002594236310000074
为智能体周边的障碍物和其他智能体作用于智能体控制器，产生的一个较小的反向速度。
其中，对最优参考速度相关优化求解时，需要对该问题前两个非凸的约束条件线性化为如下两种形式之一，将原问题化为一个凸优化问题：
nj·ui≤aij
或
nij·(ui-uj)≤bij
对两式中前式所表述的线性约束，取nj为智能体临近障碍物外切面Sj的法向量，并取
Figure BDA0002594236310000075
该式即可用于智能体与障碍物的避碰约束；对两式中后式所表述的线性约束，当两个智能体互相靠近时(即(pi-pj)·(vi-vj)<0)，取
Figure BDA0002594236310000076
bij则可以根据实际需要取适当的阈值，该式即可用于智能体之间的避碰约束；当两个智能体互相远离时，则无需任何约束条件。
如果最优参考速度相关优化问题优化求解失败，则各智能体将独立向目标点导航，在此状态下每个智能体将把其他所有智能体作为动态障碍物处理。其中，每个智能体相关的线性约束数量有上界KC，防止过度约束导致优化失败。
另外，在本发明的一个实施例中，还包括：在求解从一个路标点对应的队形状态变换为其相邻路标点对应的队形状态的相关控制参数时，如果当前群系统智能体与顶点序列中下一个顶点对应队形的中心组成的凸包中包含动态障碍物，则以当前状态下群系统中心和序列中下一个顶点对应的队形中心的连线作为椭球和凸多面体的初始值，求解凸集的算法逐步扩大椭球和凸多面体，得到一个包含当前群系统中心和序列中下一个顶点对应的队形中心的新凸集，并以新凸集为路径调用后续的实时控制算法接近序列中下一个顶点；在优化失败后，则群系统暂时停止行动，且当累计停止行动时间超出预设阈值时，将影响优化的障碍物暂时标记为静止障碍物，并重新进行全局路径规划。
可以理解的是，在求解从一个路标点对应的队形状态变换为其相邻路标点对应的队形状态的相关控制参数时，如果当前群系统智能体与顶点序列中下一个顶点对应队形的中心组成的凸包中包含动态障碍物，那么以当前状态下群系统中心和序列中下一个顶点对应的队形中心的连线作为椭球和凸多面体的初始值，应用前述求解较大凸集的算法逐步扩大椭球和凸多面体，得到一个包含当前群系统中心和序列中下一个顶点对应的队形中心的较大凸集，并以此凸集为路径调用后续的实时控制算法接近序列中下一个顶点。如果上述优化失败，则群系统暂时停止行动。当累计停止行动时间超出一定阈值时，系统将影响优化的障碍物暂时标记为静止障碍物，并重新进行全局路径规划。
下面结合图2所示以一个具体实施例对本发明实施例的方法进行详细描述。
步骤S1：系统根据全局地图进行路径规划。
在本发明的一个实施例中，各智能体能实时得知全局地图以及相关障碍物信息。采取类似于随机路标图法的方法进行全局路径规划。对智能体群系统，事先已给定了一系列可能队形
Figure BDA0002594236310000081
其中f为事先给定的队形总数。每个给定的队形包含以队形中心为原点，每个智能体的坐标信息
Figure BDA0002594236310000082
队形凸包顶点的坐标信息
Figure BDA0002594236310000083
以及编队中两个智能体之间的最小距离
Figure BDA0002594236310000084
随机路标图法产生的每个路标点表示智能体群系统在该路标点附近的队形状态，因此每个路标点应包含智能体群系统中心在该处附近时的队形信息
Figure BDA0002594236310000085
以及队形相似变换的相关系数t，s，q，其中
Figure BDA0002594236310000086
为平移系数，
Figure BDA0002594236310000087
为相似比例，q为表示旋转的单位四元数。对应地，每两个相邻路标点间的边则对应其连接的两个顶点和一个凸集
Figure BDA0002594236310000088
(实际为凸多面体)，使得在后续的步骤中智能体群系统能通过一定的控制算法无碰撞地从一个路标点对应的队形状态变换为其相邻路标点对应的队形状态。记这些凸集构成的集合为
Figure BDA00025942363100000810
在本发明的一个实施例中，每当要进行一次新的全局路径规划时，初始化图G＝{V,E}与集合
Figure BDA00025942363100000811
为空，其中
Figure BDA00025942363100000812
为图G边集E中已经被选取的凸集的集合。。随后，在无静态障碍物的空间中随机选取一个仍未在集合
Figure BDA00025942363100000813
中任何一个凸集中的点，并求解一个体积尽量大、包含该点且不与任何障碍物相交的凸多面体
Figure BDA0002594236310000089
对此凸多面体的求解，使用的是R.Deitsand R.Tedrake,“Computing large convex regions of obstacle free space throughsemidefinite programming,”Workshop on the Algorithmic Fundamentals ofRobotics,2014.中的方法，以该随机选取的点作为椭球和凸多面体的初始状态，在每次迭代中，该方法通过求解一系列凸优化问题，求解得到凸多面体与障碍物集合间的分隔平面来扩大凸多面体体积，并求解新凸多面体的内切椭球，如此多次即可得到一个符合上述约束且体积较大的凸多面体。由于篇幅原因，此处不对此方法做过多介绍。
在求解出
Figure BDA0002594236310000091
后，将
Figure BDA0002594236310000092
加入集合
Figure BDA00025942363100000922
若
Figure BDA0002594236310000093
与
Figure BDA00025942363100000923
的某个其他元素
Figure BDA0002594236310000094
相交，那么希望求解一个队形状态
Figure BDA0002594236310000095
及其对应的t，s，q，使得该队形状态对应的所有智能体都在
Figure BDA0002594236310000096
内。给定一个期望的相似比例
Figure BDA0002594236310000097
和期望的编队朝向
Figure BDA0002594236310000098
则进行下列优化即可得到队形状态：
Figure BDA0002594236310000099
Figure BDA00025942363100000910
Figure BDA00025942363100000911
其中，ws和wq为相关权重，cl为每一个队形预设的常数权值。第一个约束使每个智能体都在凸集
Figure BDA00025942363100000912
内，第二个约束使智能体不会互相碰撞(假定每个智能体的模型为几何中心为pi、底面半径为r、高为2h的圆柱，记为
Figure BDA00025942363100000913
)。如果优化成功，则我们把优化结果作为一个新顶点v0加入图G中，同时对凸多面体
Figure BDA00025942363100000914
和
Figure BDA00025942363100000915
在边集E中已经连接的顶点的集合
Figure BDA00025942363100000916
和
Figure BDA00025942363100000917
将所有的边
Figure BDA00025942363100000918
和
Figure BDA00025942363100000919
加入边集E中，其中
Figure BDA00025942363100000920
Figure BDA00025942363100000921
边的权值为两顶点对应队形中心的欧氏距离。
当向图中加入足够多的顶点和边后，选用Dijkstra算法等图的最短路径算法即可得到一条较优的全局路径。
步骤S2：计算包含当前各智能体和下一路标点的较大凸集。
完成步骤S1中的全局路径规划后，将得到一个由图的部分顶点构成的序列，接下来智能体群系统只需要沿着这些顶点、根据它们对应的编队状态行动即可到达目标地。但是，由于地图中存在着动态障碍物，因此一般不能直接用图的边指定的凸集作为路径，而需要每隔一段时间τ，就实时计算一次智能体群系统与序列中下一个顶点间的凸集路径。
此时，考虑当前状态下所有智能体与序列中下一个顶点对应的队形中心点形成的凸包。若该凸包内没有任何障碍物，直接以该凸包为路径调用步骤S3给出的控制算法接近序列中下一个顶点即可；否则，以当前状态下群系统中心和序列中下一个顶点对应的队形中心的连线作为椭球和凸多面体的初始值，应用步骤S1中提到的求解较大凸集的算法逐步扩大椭球和凸多面体，得到一个包含当前群系统中心和序列中下一个顶点对应的队形中心的较大凸集，并以此凸集为路径调用步骤S3给出的控制算法接近序列中下一个顶点。如果有动态障碍物使得上述优化失败(例如动态障碍物恰位于两点的连线上)，则群系统暂时停止行动。当累计停止行动时间超出一定阈值时，系统将该障碍物暂时标记为静止障碍物，并重新进行步骤S1中的全局路径规划。
步骤S3：以凸集为路径导航至下一路标点。
设序列中下一个顶点对应队形中，每个智能体坐标的集合为
Figure BDA0002594236310000101
其中m为智能体数量。为了使智能体导航至S1步骤中求得的路径序列中下一顶点并形成对应队形通过的总距离之和最短，求解以下问题：
Figure BDA0002594236310000102
其中
Figure BDA0002594236310000103
为编号为j的智能体的当前位置坐标。由此，规定每个智能体的期望速度
Figure BDA0002594236310000104
满足
Figure BDA0002594236310000105
其中
Figure BDA0002594236310000106
为期望速率，Ku为一距离系数，使得当编号为j的智能体离序列中下一顶点的对应队形位置的距离小于Ku时，其按比例减速，其余时刻则期望智能体保持期望速率。在完全无障碍的情况下，每个智能体都保持期望速度即能最高效地到达目的地完成编队。同时，为了加强避碰效果，引入“斥力”
Figure BDA0002594236310000107
与人工势场法类似，当智能体离障碍物(包括其他智能体)较近时，其控制器将产生一反方向的速度，但是在本发明的一个实施例中，该“斥力”的大小远小于传统人工势场法，并非影响智能体控制和算法效果的主要因素。
下面求解在实际复杂环境中智能体速度控制的一个较优解，即最优参考速度uj。假定在一个短时间区间0≤t≤τ内，每个智能体的速度保持为最优参考速度uj不变，则其在此时间区间内的坐标p0,j(t)＝pj+tuj。现对所有智能体的最优参考速度uj进行求解，期望每个智能体的最优参考速度接近
Figure BDA00025942363100001011
且鼓励每个智能体保持现有的实际速度vj，并使最优参考速度uj在时间区间0≤t≤τ满足实际约束条件，得到优化问题：
Figure BDA0002594236310000108
Figure BDA0002594236310000109
Figure BDA00025942363100001010
‖ui‖≤vmax
其中Ko为一预设权重，
Figure BDA0002594236310000111
为智能体群系统附近某障碍物(由于τ较小，所以可以把动态障碍物也看作静止障碍物)。第一个约束条件防止了智能体与障碍物相撞，第二个约束条件防止了智能体之间的相撞，第三个约束条件限制了每个智能体的最大速率。由于前两个约束条件并非凸约束条件，所以通过线性化的方式加强约束，使问题变为凸优化问题进而方便求解。对每一个智能体附近的障碍物或其他智能体，其避碰相关约束都可写成
nj·ui≤aij
或
nij·(ui-uj)≤bij
的两者之一。对前式所表述的线性约束，取nj为智能体临近障碍物外切面Sj的法向量，并取
Figure BDA0002594236310000112
该式即可用于智能体与障碍物的避碰约束；对后式所表述的线性约束，当两个智能体互相靠近时(即(pi-pj)·(vi-vj)<0)，取
Figure BDA0002594236310000113
bij则可以根据实际需要取适当的阈值，该式即可用于智能体之间的避碰约束；当两个智能体互相远离时，则无需任何约束条件。在实际应用中，每个智能体的相关线性约束数量应当设定一个上界KC，防止过度约束导致优化失败。
对改写后的优化问题求解，即可得到每个智能体在短时间区间0≤t≤τ内的最优参考速度uj，再结合智能体实际动力学性能由相关控制单元对智能体进行控制，实现智能体对最优参考轨迹的跟踪，进而实现多智能体群系统的导航与避障功能。如果优化失败，则各智能体将独立向目标点导航，在此状态下每个智能体将把其他所有智能体作为动态障碍物处理。
综上，本发明实施例的动态环境下的多智能体群系统导航与避障方法，根据全局地图进行路径规划计算包含当前各智能体和下一路标点的较大凸集，从而以凸集为路径导航至下一路标点，实现了通过实时改变队形在各类动态障碍物环境中的智能体群系统导航、避障的功能，规避了人工势场法等传统群系统导航方法应用场景简单、算法鲁棒性差、容易陷入僵局等缺点，将大大拓展多无人机、无人车集群等多智能体群系统的应用场合，为其在复杂应用场景下的导航应用提供了鲁棒且高效的系统方法。
其次参照附图描述根据本发明实施例提出的动态环境下的多智能体群系统导航与避障装置。
图3是本发明实施例的动态环境下的多智能体群系统导航与避障装置的方框示意图。
如图3所示，该动态环境下的多智能体群系统导航与避障10包括：规划模块100、获取模块200和导航和避障模块300。
其中，规划模块100用于根据全局地图进行路径规划，生成全局路径。
获取模块200用于获取多智能体群系统的每个智能体和下一路标点的凸集。
导航和避障模块300用于根据全局路径以凸集为路径导航至下一路标点。
进一步地，在本发明的一个实施例中，规划模块100包括：获取单元。
其中，获取单元用于获取全局地图以及相关静态障碍物信息、动态障碍物信息，并采取类似于随机路标图法进行全局路径规划，其中，每个路标点表示智能体群系统在对应路标点的队形状态，其包含智能体群系统中心的队形信息和队形相似变换的相关系数，且每两个相邻路标点间的边则对应其连接的两个顶点和一个凸集。
进一步地，在本发明的一个实施例中，获取模块200包括：求解单元。
其中，求解单元用于以预设点形成的凸包作为凸多面体的初始状态，在每次迭代中，通过求解凸优化问题，求解得到凸多面体与障碍物集合间的分隔平面以扩大凸多面体体积，并求解新凸多面体的内切椭球，直至满足预设条件的凸集，其可用其边界的多个平面表示。
可选地，在本发明的一个实施例中，从一个路标点对应的队形状态变换为其相邻路标点对应的队形状态，其中，队形状态的计算公式为：
Figure BDA0002594236310000123
Figure BDA0002594236310000121
Figure BDA0002594236310000122
其中，ws和wq为相关权重，cl为每一个队形预设的常数权值，t，s，q为队形相似变换的相关系数，f为预设的队形总数，r为智能体的模型的底面半径，且高为2h。
另外，在本发明的一个实施例中，本发明实施例的装置10还包括：优化模块和控制模块。
其中，优化模块用于在求解从一个路标点对应的队形状态变换为其相邻路标点对应的队形状态的相关控制参数时，如果当前群系统智能体与顶点序列中下一个顶点对应队形的中心组成的凸包中包含动态障碍物，则以当前状态下群系统中心和序列中下一个顶点对应的队形中心的连线作为椭球和凸多面体的初始值，求解凸集的算法逐步扩大椭球和凸多面体，得到一个包含当前群系统中心和序列中下一个顶点对应的队形中心的新凸集，并以新凸集为路径调用后续的实时控制算法接近序列中下一个顶点。
控制模块用于在优化失败后，则群系统暂时停止行动，且当累计停止行动时间超出预设阈值时，将影响优化的障碍物暂时标记为静止障碍物，并重新进行全局路径规划。
需要说明的是，前述对动态环境下的多智能体群系统导航与避障方法实施例的解释说明也适用于该实施例的动态环境下的多智能体群系统导航与避障装置，此处不再赘述。
根据本发明实施例的动态环境下的多智能体群系统导航与避障装置，根据全局地图进行路径规划计算包含当前各智能体和下一路标点的较大凸集，从而以凸集为路径导航至下一路标点，实现了通过实时改变队形在各类动态障碍物环境中的智能体群系统导航、避障的功能，规避了人工势场法等传统群系统导航方法应用场景简单、算法鲁棒性差、容易陷入僵局等缺点，将大大拓展多无人机、无人车集群等多智能体群系统的应用场合，为其在复杂应用场景下的导航应用提供了鲁棒且高效的系统方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种动态环境下的多智能体群系统导航与避障方法，其特征在于，包括以下步骤：
根据全局地图进行路径规划，生成全局路径；
获取多智能体群系统的每个智能体和下一路标点的凸集；以及
根据所述全局路径以所述凸集为路径导航至下一路标点。
2.根据权利要求1所述的方法，其特征在于，所述根据全局地图进行路径规划，包括：
获取全局地图以及相关静态障碍物信息、动态障碍物信息，并采取类似于随机路标图法进行全局路径规划，其中，每个路标点表示智能体群系统在对应路标点的队形状态，其包含智能体群系统中心的队形信息和队形相似变换的相关系数，且每两个相邻路标点间的边则对应其连接的两个顶点和一个凸集。
3.根据权利要求1所述的方法，其特征在于，所述获取多智能体群系统的每个智能体和下一路标点的凸集，包括：
以预设点形成的凸包作为凸多面体的初始状态，在每次迭代中，通过求解凸优化问题，求解得到所述凸多面体与障碍物集合间的分隔平面以扩大凸多面体体积，并求解新凸多面体的内切椭球，直至满足预设条件的所述凸集，其可用其边界的多个平面表示。
4.根据权利要求1所述的方法，其特征在于，从一个路标点对应的队形状态变换为其相邻路标点对应的队形状态，其中，所述队形状态的计算公式为：
Figure FDA0002594236300000011
Figure FDA0002594236300000012
Figure FDA0002594236300000013
其中，ws和wq为相关权重，cl为每一个队形预设的常数权值，t，s，q为队形相似变换的相关系数，f为预设的队形总数，r为智能体的模型的底面半径，且高为2h。
5.根据权利要求3所述的方法，其特征在于，还包括：
在求解从一个路标点对应的队形状态变换为其相邻路标点对应的队形状态的相关控制参数时，如果当前群系统智能体与顶点序列中下一个顶点对应队形的中心组成的凸包中包含动态障碍物，则以所述当前状态下群系统中心和序列中下一个顶点对应的队形中心的连线作为椭球和凸多面体的初始值，求解所述凸集的算法逐步扩大椭球和凸多面体，得到一个包含当前群系统中心和序列中下一个顶点对应的队形中心的新凸集，并以所述新凸集为路径调用后续的实时控制算法接近序列中下一个顶点；
在优化失败后，则群系统暂时停止行动，且当累计停止行动时间超出预设阈值时，将影响优化的障碍物暂时标记为静止障碍物，并重新进行全局路径规划。
6.一种动态环境下的多智能体群系统导航与避障装置，其特征在于，包括：
规划模块，用于根据全局地图进行路径规划，生成全局路径；
获取模块，用于获取多智能体群系统的每个智能体和下一路标点的凸集；以及
导航和避障模块，用于根据所述全局路径以所述凸集为路径导航至下一路标点。
7.根据权利要求6所述的装置，其特征在于，所述规划模块包括：
获取单元，用于获取全局地图以及相关静态障碍物信息、动态障碍物信息，并采取类似于随机路标图法进行全局路径规划，其中，每个路标点表示智能体群系统在对应路标点的队形状态，其包含智能体群系统中心的队形信息和队形相似变换的相关系数，且每两个相邻路标点间的边则对应其连接的两个顶点和一个凸集。
8.根据权利要求6所述的装置，其特征在于，所述获取模块包括：
求解单元，用于以预设点形成的凸包作为凸多面体的初始状态，在每次迭代中，通过求解凸优化问题，求解得到所述凸多面体与障碍物集合间的分隔平面以扩大凸多面体体积，并求解新凸多面体的内切椭球，直至满足预设条件的所述凸集，其可用其边界的多个平面表示。
9.根据权利要求6所述的装置，其特征在于，从一个路标点对应的队形状态变换为其相邻路标点对应的队形状态，其中，所述队形状态的计算公式为：
Figure FDA0002594236300000021
Figure FDA0002594236300000022
Figure FDA0002594236300000023
其中，ws和wq为相关权重，cl为每一个队形预设的常数权值，t，s，q为队形相似变换的相关系数，f为预设的队形总数，r为智能体的模型的底面半径，且高为2h。
10.根据权利要求8所述的装置，其特征在于，还包括：
优化模块，用于在求解从一个路标点对应的队形状态变换为其相邻路标点对应的队形状态的相关控制参数时，如果当前群系统智能体与顶点序列中下一个顶点对应队形的中心组成的凸包中包含动态障碍物，则以所述当前状态下群系统中心和序列中下一个顶点对应的队形中心的连线作为椭球和凸多面体的初始值，求解所述凸集的算法逐步扩大椭球和凸多面体，得到一个包含当前群系统中心和序列中下一个顶点对应的队形中心的新凸集，并以所述新凸集为路径调用后续的实时控制算法接近序列中下一个顶点；
控制模块，用于在优化失败后，则群系统暂时停止行动，且当累计停止行动时间超出预设阈值时，将影响优化的障碍物暂时标记为静止障碍物，并重新进行全局路径规划。
CN202010704668.XA 2019-08-06 2020-07-21 动态环境下的多智能体群系统导航与避障方法及装置 Pending CN111830983A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910722621.3A CN110456792A (zh) 2019-08-06 2019-08-06 动态环境下的多智能体群系统导航与避障方法及装置
CN2019107226213 2019-08-06

Publications (1)

Publication Number Publication Date
CN111830983A true CN111830983A (zh) 2020-10-27

Family

ID=68485138

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201910722621.3A Pending CN110456792A (zh) 2019-08-06 2019-08-06 动态环境下的多智能体群系统导航与避障方法及装置
CN202010704668.XA Pending CN111830983A (zh) 2019-08-06 2020-07-21 动态环境下的多智能体群系统导航与避障方法及装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201910722621.3A Pending CN110456792A (zh) 2019-08-06 2019-08-06 动态环境下的多智能体群系统导航与避障方法及装置

Country Status (1)

Country Link
CN (2) CN110456792A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112596549A (zh) * 2020-12-29 2021-04-02 中山大学 基于连续凸规则的多无人机编队控制方法、装置及介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111880191B (zh) * 2020-06-16 2023-03-28 北京大学 基于多智能体激光雷达和视觉信息融合的地图生成方法
CN111781949B (zh) * 2020-07-03 2022-11-18 江苏大学 一种无人机针对杆型障碍物的规避方法
CN113534819B (zh) * 2021-08-26 2024-03-15 鲁东大学 用于领航跟随型多智能体编队路径规划的方法和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102902269A (zh) * 2012-09-21 2013-01-30 北京邮电大学 预选择最小距离指标冗余机器人动态避障方法
US20140100768A1 (en) * 2012-07-12 2014-04-10 U.S. Army Research Laboratory Attn: Rdrl-Loc-I Methods for robotic self-righting
WO2014183042A1 (en) * 2013-05-10 2014-11-13 Cnh Industrial America Llc Control architecture for multi-robot system
CN104155974A (zh) * 2013-07-29 2014-11-19 深圳信息职业技术学院 一种用于机器人快速避碰的路径规划方法及设备
US20160334787A1 (en) * 2015-05-14 2016-11-17 King Fahd University Of Petroleum And Minerals Multi-agent deployment protocol method for coverage of cluttered spaces
CN107478231A (zh) * 2017-08-10 2017-12-15 千寻位置网络有限公司 基于多边形障碍检测的无人机路线规划算法
CN107491086A (zh) * 2017-08-03 2017-12-19 哈尔滨工业大学深圳研究生院 时变网络拓扑下的无人机编队避障方法及系统
CN108549407A (zh) * 2018-05-23 2018-09-18 哈尔滨工业大学（威海） 一种多无人机协同编队避障的控制算法
CN108582073A (zh) * 2018-05-02 2018-09-28 北京邮电大学 一种基于改进的随机路标地图法的机械臂快速避障方法
CN108776483A (zh) * 2018-08-16 2018-11-09 圆通速递有限公司 基于蚁群算法和多智能体q学习的agv路径规划方法和系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100749226B1 (ko) * 2005-07-26 2007-08-13 주식회사 현대오토넷 네비게이션 시스템의 주행방향 판단장치 및 판단방법
EP2503291A1 (en) * 2011-03-22 2012-09-26 Harman Becker Automotive Systems GmbH Signposts in digital maps
US10182303B1 (en) * 2017-07-12 2019-01-15 Google Llc Ambisonics sound field navigation using directional decomposition and path distance estimation
CN107679306B (zh) * 2017-09-26 2018-09-25 山东师范大学 视频驱动的人群疏散行为仿真方法及系统
CN108831146A (zh) * 2018-04-27 2018-11-16 厦门维斯云景信息科技有限公司 生成三维高清道路图交叉路口行车线的半自动点云方法
CN109443357B (zh) * 2018-08-31 2022-03-04 中国人民解放军海军大连舰艇学院 基于全凸包扩张算法的障碍物间最优路径解算方法
CN109579854B (zh) * 2019-02-01 2021-09-10 禾多科技（北京）有限公司 基于快速扩展随机树的无人车避障方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140100768A1 (en) * 2012-07-12 2014-04-10 U.S. Army Research Laboratory Attn: Rdrl-Loc-I Methods for robotic self-righting
CN102902269A (zh) * 2012-09-21 2013-01-30 北京邮电大学 预选择最小距离指标冗余机器人动态避障方法
WO2014183042A1 (en) * 2013-05-10 2014-11-13 Cnh Industrial America Llc Control architecture for multi-robot system
CN104155974A (zh) * 2013-07-29 2014-11-19 深圳信息职业技术学院 一种用于机器人快速避碰的路径规划方法及设备
US20160334787A1 (en) * 2015-05-14 2016-11-17 King Fahd University Of Petroleum And Minerals Multi-agent deployment protocol method for coverage of cluttered spaces
CN107491086A (zh) * 2017-08-03 2017-12-19 哈尔滨工业大学深圳研究生院 时变网络拓扑下的无人机编队避障方法及系统
CN107478231A (zh) * 2017-08-10 2017-12-15 千寻位置网络有限公司 基于多边形障碍检测的无人机路线规划算法
CN108582073A (zh) * 2018-05-02 2018-09-28 北京邮电大学 一种基于改进的随机路标地图法的机械臂快速避障方法
CN108549407A (zh) * 2018-05-23 2018-09-18 哈尔滨工业大学（威海） 一种多无人机协同编队避障的控制算法
CN108776483A (zh) * 2018-08-16 2018-11-09 圆通速递有限公司 基于蚁群算法和多智能体q学习的agv路径规划方法和系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ALI MARZOUGHI: "A decentralized position estimation switching algorithm to avoid a convex obstacle", 《2017 36TH CHINESE CONTROL CONFERENCE (CCC)》 *
JINWEI YU 等: "Neural network-based region reaching formation control for multi-robot systems in obstacle environment", 《NEUROCOMPUTING》 *
M.T.NGUYEN 等: "Optimization-based control for Multi-Agent deployment via dynamic Voronoi partition", 《IFAC-PAPERSONLINE》 *
MASON SUTORIUS 等: "Decentralized Hybrid Control for Multi-Agent Motion Planning and Coordination in Polygonal Environments*", 《IFAC-PAPERSONLINE》 *
ROBIN DEITS 等: "Computing Large Convex Regions of Obstacle-Free Space Through Semidefinite Programming", 《ALGORITHMIC FOUNDATIONS OF ROBOTICS XI》 *
刘振涛: "时变拓扑环境下的多无人机编队避障算法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112596549A (zh) * 2020-12-29 2021-04-02 中山大学 基于连续凸规则的多无人机编队控制方法、装置及介质
CN112596549B (zh) * 2020-12-29 2021-12-21 中山大学 基于连续凸规则的多无人机编队控制方法、装置及介质

Also Published As

Publication number Publication date
CN110456792A (zh) 2019-11-15

Similar Documents

Publication Publication Date Title
CN111830983A (zh) 动态环境下的多智能体群系统导航与避障方法及装置
US11970161B2 (en) Apparatus, method and article to facilitate motion planning of an autonomous vehicle in an environment having dynamic objects
Brock et al. High-speed navigation using the global dynamic window approach
Murali et al. Perception-aware trajectory generation for aggressive quadrotor flight using differential flatness
Choi et al. Path planning based on bézier curve for autonomous ground vehicles
JP2022540710A (ja) 非構造化車両の経路プランナー
JP2022500669A (ja) マップデータに関連付けられたマップ要素の変更
US10578453B2 (en) Render-based trajectory planning
Smith et al. Real-time egocentric navigation using 3d sensing
CN111045433B (zh) 一种机器人的避障方法、机器人及计算机可读存储介质
CN114088094A (zh) 一种无人艇的智能航路规划方法及系统
CN114488185B (zh) 基于多线激光雷达的机器人导航系统方法及系统
Li et al. Adaptive sampling-based motion planning with a non-conservatively defensive strategy for autonomous driving
Overbye et al. Fast local planning and mapping in unknown off-road terrain
CN117387635B (zh) 一种基于深度强化学习和pid控制器的无人机导航方法
Huy et al. A practical and optimal path planning for autonomous parking using fast marching algorithm and support vector machine
Muppirala et al. Optimal motion strategies based on critical events to maintain visibility of a moving target
Krasowski et al. Commonocean: Composable benchmarks for motion planning on oceans
Yoon et al. SLPA $^{\ast} $: Shape-Aware Lifelong Planning A $^{\ast} $ for Differential Wheeled Vehicles
Liu et al. Hybrid Map-Based Path Planning for Robot Navigation in Unstructured Environments
Gheneti Reconfigurable Autonomous Surface Vehicles: perception and trajectory optimization algorithms
CN112925321B (zh) 基于人工势场法的船舶路径规划方法、装置和存储介质
Piccinelli et al. Hybrid motion planner integrating global voronoi diagrams and local velocity obstacle method
EP4124995A1 (en) Training method for training an agent for controlling a controlled device, control method for controlling the controlled device, computer program(s), computer readable medium, training system and control system
Alagić et al. Design of mobile robot motion framework based on modified vector field histogram

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201027