CN111830995B - 基于混合式架构的群体智能协同方法和系统 - Google Patents

基于混合式架构的群体智能协同方法和系统 Download PDF

Info

Publication number
CN111830995B
CN111830995B CN202010782986.8A CN202010782986A CN111830995B CN 111830995 B CN111830995 B CN 111830995B CN 202010782986 A CN202010782986 A CN 202010782986A CN 111830995 B CN111830995 B CN 111830995B
Authority
CN
China
Prior art keywords
unmanned platform
task
unmanned
platform
group
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.)
Active
Application number
CN202010782986.8A
Other languages
English (en)
Other versions
CN111830995A (zh
Inventor
丘腾海
蒲志强
刘振
易建强
常红星
吴士广
康扬名
王乐乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202010782986.8A priority Critical patent/CN111830995B/zh
Publication of CN111830995A publication Critical patent/CN111830995A/zh
Application granted granted Critical
Publication of CN111830995B publication Critical patent/CN111830995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • 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
    • G05D1/60—Intended control result
    • G05D1/69—Coordinated control of the position or course of two or more vehicles
    • G05D1/698—Control allocation
    • G05D1/6987—Control allocation by centralised control off-board any of the vehicles
    • 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
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
    • 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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • 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
    • G05D1/0289—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 with means for avoiding collisions between vehicles
    • 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
    • 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
    • G05D1/20—Control system inputs
    • G05D1/22—Command input arrangements
    • G05D1/221—Remote-control arrangements
    • G05D1/225—Remote-control arrangements operated by off-board computers
    • 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
    • G05D1/60—Intended control result
    • G05D1/644—Optimisation of travel parameters, e.g. of energy consumption, journey time or distance
    • 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
    • G05D1/60—Intended control result
    • G05D1/69—Coordinated control of the position or course of two or more vehicles
    • G05D1/693—Coordinated control of the position or course of two or more vehicles for avoiding collisions between vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D2105/00—Specific applications of the controlled vehicles
    • G05D2105/20—Specific applications of the controlled vehicles for transportation
    • G05D2105/28—Specific applications of the controlled vehicles for transportation of freight
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D2107/00—Specific environments of the controlled vehicles
    • G05D2107/70—Industrial sites, e.g. warehouses or factories
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D2109/00—Types of controlled vehicles
    • G05D2109/20—Aircraft, e.g. drones

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Multimedia (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明属于群体智能协同技术领域，具体涉及了一种基于混合式架构的群体智能协同方法和系统，旨在解决现有的群体协同方法缺乏灵活性和自主性并且无人平台之间数据交互和协同不足的问题。本发明包括：先基于预设的群体任务生成个体无碰撞路径，无人平台执行个体无碰撞路径同时获取自身传感器数据，无人平台根据各传感器数据构建局部地图并生成再规划路径，无人平台执行再规划路径并将任务执行状态传输至控制中枢，控制中枢根据任务执行状态调整群体任务，本发明提高了群体智能协同的灵活性和自主性并加强了平台间的数据交互和协同。

Description

基于混合式架构的群体智能协同方法和系统
技术领域
本发明属于群体智能协同技术领域，具体涉及了一种基于混 合式架构的群体智能协同方法和系统。
背景技术
自主化、网络化和智能化已成为无人系统发展的必然趋 势。目前，多无人平台的应用逐步增多，比如多无人机集群表演、多无 人车仓储物流运输等，但大部分应用场景是通过预先规划各无人平台运 行轨迹脚本的方式，采用集中式通信网络，与控制中心进行少量的数据 交互，驱动各无人平台完成任务，缺乏灵活性、自主性，以及平台间的 数据交互和协同。
群体智能我国新一代人工智能重点发展的五大智能形态之 一，在推动我国新一代人工智能技术发展中占据重要地位，它更强调通 过相对简单的多无人平台的行为协作、任务协作等，形成高级的群体行 为能力，共同完成单个无人平台无法或难以完成的任务。国内外对群体 智能作用机理研究多数处在起步阶段，对于群体智能的探究具有极强的 战略意义和科研价值。群体智能中的多无人平台协同通常采用集中式或 分布式通信架构，相比于集中式架构的处理机制简单，存在单点失效的 可能，分布式架构的可扩展性、容错性较好，但存在规划信息冲突以及 更新的一致性问题。
发明内容
为了解决现有技术中的上述问题，即现有技术的无人平台控 制方法仅通过预先规划各无人平台运行轨迹脚本驱动各无人平台完成任 务，缺乏灵活性和自主性，以及平台间的数据交互和协同效果较差的问题， 本发明提供了一种基于混合式架构的群体智能协同方法；
所述群体智能协同方法包括：
步骤S100，控制中枢基于预设的群体任务生成群体中每个 无人平台的个体无碰撞路径；
步骤S200，所述无人平台执行对应的所述个体无碰撞路径， 基于获取的定位信息获取自身传感器数据；
所述传感器数据包括无人平台与障碍物的距离、与其他无人 平台的距离和无人平台的自身的速度、姿态、标识、位置、加速度、角速 度、偏航角、高度；
步骤S300，控制中枢基于各无人平台的所述传感数据构建局 部地图；
步骤S400，基于所述局部地图，各无人平台调整其对应的个 体无碰撞路径获得再规划路径，并执行所述再规划路径，将任务执行状态 传输至所述控制中枢；
步骤S500，所述控制中枢根据所述任务执行状态对所述群体 任务进行调整。
进一步地，所述生成群体任务包括设置群体任务的：任务类 型、群体个数、平台配置和任务目标信息；
所述任务类型包括搜索、运输、侦查、表演、打击和支援；
所述群体个数为预先估计的完成任务需要的无人平台40个 数；
所述平台配置为群体中每个无人平台的电量、最大机动速度、 最大通信范围、最大载重量和载荷类型；
所述任务目标信息为任务目标、目标区域、目标区域的环境 状况、安全系数和任务量。
进一步地，步骤S100包括：
步骤S110，基于所述群体任务选取无人平台，包括：
所述无人平台个数≥所述目标区域个数；
所述无人平台的电量≥所述无人平台到所述目标区域的最 大距离需要的电量；
所述无人平台最大载重量≥所述任务量；
步骤S120，基于所述任务量、安全系数和无人平台40到目标 区域的距离，通过匈牙利算法建立代价矩阵W：
Figure BDA0002620913970000031
其中，wij为第i个无人平台到第j个目标区域的综合代价：
wij＝α1·qij+α2·tij+α3·dij
其中，qij为第i个无人平台到第j个目标区域承担的任务，tij为第i个无人平台到第j个目标区域的安全系数，dij为第i个无人平台到第j 个目标区域的距离，α1表示第i个无人平台到第j个目标区域承担任务的因 素系数，α2表示第i个无人平台到第j个目标区域安全系数的因素系数，α3表示第i个无人平台到第j个目标区域距离的因素系数；
步骤S130，通过匈牙利算法计算所述代价矩阵W，获得各无 人平台与所述目标区域的映射关系；
步骤S140，基于所述映射关系，通过结合时间因素的改进A* 算法，计算出各无人平台到目标区域的无碰撞路径。
进一步地，步骤S140包括：
步骤S141，构建无人平台通过代价栅格地图，计算每个栅格 的通过代价r；
Figure BDA0002620913970000041
其中，L1为障碍物的威胁距离，L2为障碍物的安全距离， C＝0.5为当所述无人平台在障碍物致命区时的代价，μ为区域威胁系数；
步骤S142，结合时间因素和所述通过代价r改进所述A*算法；
改进的A*算法路径评价为F(t)：
F(t)＝G(t)+H(t)
其中，G(t)为所述无人平台从起始节点到当前节点的实际代 价，H(t)表示在所述无人平台从当前节点到目标节点的估计代价；
所述实际代价G(t)为：
G(t)＝G(t-1)+r1*|p(xt,yt,t)-p(xt-1,yt-1,t-1)|+T(t)
其中，p(xt,yt,t)为加入时间变量的当前节点坐标，T(t)为从 当前节点到下一节点的转弯代价；
步骤S143，基于所述改进的A*算法和所述映射关系，规划出 所述个体无碰撞路径。
进一步地，所述再规划路径，其生成方法包括：
所述无人平台基于所述共享数据和局部地图，群体智能规则 调整所述个体无碰撞路径生成再规划路径；
所述群体智能规则包括：约束规则、行为规则；
所述约束规则为：
判断单无人平台的任务量是否小于预设的最大承担任务量 Q，若单无人平台的任务量小于所述预设的最大承担任务量Q，则继续执 行任务；若单无人平台的任务量等于所述预设的等于预设的最大承担任 务量Q，则设定为完成任务并等待下一步指令；
所述行为规则为：
B100，判断无人平台是否有所述任务目标，若有，则调整 无人平台运动方向指向所述任务目标、前进并执行任务动作；
B200，判断无人平台运动方向上是否有障碍物或其他无人 平台，若有，则调整无人平台运动方向躲避对象；
B300，判断周围是否有无人平台聚集点，若有，则调整无 人平台运动方向指向所述无人平台聚集点。
进一步地，所述任务执行状态包括无人平台的速度、无人平 台的位置和所述传感器数据。
本发明的另一方面，提出了一种基于混合式架构的群体智能 协同系统，所述系统包括：群体任务生成单元0001、路径生成单元0002、 路径传输单元0003、平台传感单元0004、局部地图构建单元0005、自主执 行单元0006和综合调整单元0007；
所述群体任务生成单元0001，用于通过群体智能软件10生成 群体任务；
所述路径生成单元0002，用于通过群体智能软件10基于所述 群体任务生成个体无碰撞路径；
所述路径传输单元0003，用于通过通信系统20将所述个体无 碰撞路径传输至无人平台40；
所述平台传感单元0004，用于所述无人平台40的第一通信模 块408接收所述个体无碰撞路径；
用于所述无人平台40的动力模块404执行所述个体无碰撞路 径，并通过无人平台40的定位模块407接收定位系统30发送的定位信息， 基于所述定位信息通过传感器模块402获取传感器数据；
所述局部地图构建单元0005，用于基于所述无人平台40的第 二通信模块406建立信息共享网络，所述信息共享网络中的所有无人平台 40将所述传感器数据作为共享数据；所述无人平台40的规划决策处理模 块401基于所述信息共享数据构建局部地图；
所述自主执行单元0006，用于基于所述共享数据和局部地图， 对所述个体无碰撞路径进行调整生成再规划路径，所述无人平台40的动 力模块404执行所述再规划路径，并通过所述通信系统20将任务执行状态 和共享数据传输至所述群体智能软件；
进一步地所述基于所述无人平台40的第二通信模块406建立 信息共享网络包括：
根据所述第二通信模块406获取各无人平台40间的距离，基 于Mesh自组网技术，建立所述无人平台40与周围一定范围内其他所有无 人平台40连接，形成分布式通信网络。
进一步地，所述动力模块404执行所述个体无碰撞路径包 括：
所述无人平台40的规划决策模块401基于所述个体无碰撞路 径生成行动序列，控制处理模块405基于所述行动序列生成无人平台控制 信号并传输至动力模块404,动力模块404基于所述无人平台控制信号驱 动所述无人平台机动。
本发明的有益效果：
(1)本发明基于混合式架构的群体智能协同方法，通过混 合了集中式通信网络和建立多无人平台共享网络提高了群体协同智能控 制的灵活性和自主性；
(2)本发明基于混合式架构的群体智能协同方法，通过建 立多无人平台共享网络提高了各无人平台之间的数据交互和协同能力， 使多无人平台可适用更多的应用场景，避免了规划信息冲突和更新一致 性的问题，能够快速高效协同完成复杂环境下的群体任务；
(3)本发明基于混合式架构的群体智能协同方法，通过构 建局部地图对预先设定的群体任务进行调整，由各无人平台自主执行调 整后的任务，提高了协同控制的容错性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详 细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明实施例的基于混合式架构的群体智能协同方 法的流程示意图；
图2是本发明实施例的基于混合式架构的群体智能协同方 法的原理示意图；
图3是本发明实施例的基于混合式架构的无人平台结构示 意图；
图4是本发明实施例的基于混合式架构的群体智能协同方 法运行示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以 理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明 的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发 明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实 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 本申请。
如图1本发明本发明实施例的基于混合式架构的群体智能 协同方法的流程示意图所示，本发明提供一种基于混合式架构的群体智 能协同方法，本方法包括步骤S100-步骤S500，各步骤详述如下：
步骤S100,控制中枢基于预设的群体任务生成群体中每个 无人平台的个体无碰撞路径；
无人平台包括无人机、无人小车等；
生成群体任务包括设置群体任务的：任务类型、群体个数、 平台配置和任务目标信息；
所述任务类型包括搜索、运输、侦查、表演、打击和支 援；
所述群体个数为预先估计的完成任务需要的无人平台个 数；
所述平台配置为群体中每个无人平台的电量、最大机动速 度、最大通信范围、最大载重量和载荷类型；
所述任务目标信息为任务目标、目标区域、目标区域的环 境状况、安全系数和任务量。
以上举例仅用于解释相关发明，而非对本发明的限定。
在本实施例中，步骤S100包括：
步骤S110，基于所述群体任务选取无人平台，包括：
所述无人平台个数≥所述目标区域个数；
所述无人平台的电量≥所述无人平台到所述目标区域的最 大距离需要的电量；
所述无人平台最大载重量≥所述任务量；
步骤S120，基于所述任务量、安全系数和无人平台到目标 区域的距离，通过匈牙利算法建立代价矩阵W如式(1)所示：
Figure BDA0002620913970000091
其中，wij为第i个无人平台到第j个目标区域的综合代价， wij如式(2)所示：
wij＝α1·qij+α2·tij+α3·dij
(2)
其中，qij为第i个无人平台到第j个目标区域承担的任务，
tij为第i个无人平台到第j个目标区域的安全系数，dij为第i个无人平台到 第j个目标区域的距离，α1表示第i个无人平台到第j个目标区域承担任务 的因素系数，α2表示第i个无人平台到第j个目标区域安全系数的因素系 数，α3表示第i个无人平台到第j个目标区域距离的因素系数；
步骤S130，通过匈牙利算法计算所述代价矩阵W，获得各 无人平台与所述目标区域的映射关系；
步骤S140，基于所述映射关系，通过结合时间因素的改进 A*算法，计算出各无人平台到目标区域的无碰撞路径。
在本实施例中，步骤S140包括：
步骤S141，构建无人平台通过代价栅格地图，计算每个栅 格的通过代价r如式(3)所示；
Figure BDA0002620913970000101
其中，L1为障碍物的威胁距离，L2为障碍物的安全距离， C＝0.5为当所述无人平台在障碍物致命区时的代价，μ为区域威胁系数；
步骤S142，结合时间因素和所述通过代价r改进所述A*算 法；
改进的A*算法路径评价为F(t)如式(4)所示：
F(t)＝G(t)+H(t)
(4)
其中，G(t)为所述无人平台从起始节点到当前节点的实际 代价，H(t)表示在所述无人平台从当前节点到目标节点的估计代价；
所述实际代价G(t)如式(5)所示：
G(t)＝G(t-1)+r1*|p(xt,yt,t)-p(xt-1,yt-1,t-1)|+T(t)
(5)
其中，p(xt,yt,t)为加入时间变量的当前节点坐标，T(t)为 从当前节点到下一节点的转弯代价；
步骤S143，基于所述改进的A*算法和所述映射关系，规划 出所述个体无碰撞路径。
假定所述无人平台机动方向有前、后、左、右、左前、左后、 右前、右后共8个方向，当所述无人平台转动90度弯时，转弯代价为1， 转动45度弯道时，转弯代价为0.5，此举能够平滑路径，减小算法规划的 路径弯道个数。
步骤S200，所述无人平台执行对应的所述个体无碰撞路径， 基于获取的定位信息获取自身传感器数据；
所述传感器数据包括无人平台与障碍物的距离、与其他无人 平台的距离和无人平台的自身的速度、姿态、标识、位置、加速度、角速 度、偏航角、高度；
步骤S300，控制中枢基于各无人平台的所述传感数据构建 局部地图；
步骤S400，基于所述局部地图，各无人平台调整其对应的 个体无碰撞路径获得再规划路径，并执行所述再规划路径，将任务执行 状态传输至所述控制中枢；
所述再规划路径，其生成方法包括：
所述无人平台基于所述共享数据和局部地图，群体智能规 则调整所述个体无碰撞路径生成再规划路径；
所述群体智能规则包括：约束规则、行为规则；
所述约束规则为：
判断单无人平台的任务量是否小于预设的最大承担任务量 Q，若单无人平台的任务量小于所述预设的最大承担任务量Q，则继续执 行任务；若单无人平台的任务量等于所述预设的等于预设的最大承担任 务量Q，则设定为完成任务并等待下一步指令；
所述行为规则为：
B100，判断无人平台是否有所述任务目标，若有，则调整 无人平台运动方向指向所述任务目标、前进并执行任务动作；
B200，判断无人平台运动方向上是否有障碍物或其他无人 平台，若有，则调整无人平台运动方向躲避对象；
B300，判断周围是否有无人平台聚集点，若有，则调整无 人平台运动方向指向所述无人平台聚集点。
在一些优选的实施方式中，所述群体智能规则还包括推理 规则、决策规则和对抗规则；所述群体智能规则内容举例仅为更好地解 释本发明，不作为对群体智能规则的具体限定。
在本实施例中，所述任务执行状态包括无人平台的速度、无 人平台的位置和所述传感器数据。
步骤S500，所述控制中枢根据所述任务执行状态对所述群 体任务进行调整。
本发明的另一方面，如图2和图3所示，提供了一种基于混 合式架构的群体智能协同系统，该系统包括群体任务生成单元0001、路 径生成单元0002、路径传输单元0003、平台传感单元0004、局部地图构 建单元0005、自主执行单元0006和综合调整单元0007；
所述群体任务生成单元0001，用于通过群体智能软件10 生成群体任务；
在本实施例中，所述群体智能软件采用C#开发语言，基于 Visual Studio环境编译；如图4所示。所述群体任务的设置通过在界面 点击按钮，弹出dialog对话框，利用多个textbox控件配置参数，输入 CAS的队形使无人平台摆出CAS的队形。
所述路径生成单元0002，用于通过群体智能软件10基于 所述群体任务生成个体无碰撞路径；
所述路径传输单元0003，用于通过通信系统20将所述个 体无碰撞路径传输至无人平台40；
所述通信系统20通过构建集中式和分布式通信网络，支持 所述群体智能软件和所述多无人平台的间的实时数据交互。
通过4G/5G/WIFI等通信技术，组建集中式通信网络，利用 多线程机制分发数据；使用Mutex互斥锁，所述群体智能软件等待所有 线程执行完成任务之后，才再做操作。
所述通信系统20采用双频千兆WIFI路由器通信的方式， 为所述群体智能系统提供数据通信服务。
采用轮询方式检查所述多无人平台的编号，通过多次握手协 议，确定身份信息；采用轻量级开源通信协议MAVLink协议，通信内容 包含协议帧头、帧尾、长度、校验等，通过在所述无人平台设置不同编号 ID区分身份，利用不少于3次的握手通信方式，保证的安全可靠，具体 涉及检测数据丢包、损坏和数据包身份验证等方法。
将所述群体智能软件规划的所述目标分配、路径规划等结果 传输至所述多无人平台。
所述平台传感单元0004，用于所述无人平台40的第一通 信模块408接收所述个体无碰撞路径；
还用于所述无人平台40的动力模块404执行所述个体无碰 撞路径，并通过无人平台40的定位模块407接收定位系统30发送的定 位信息，基于所述定位信息通过传感器模块402获取传感器数据；
所述定位系统30采用光学三维动作捕捉系统，通过 安装8～16个红外摄像头，采集marker点所组成的刚体速度、 位置、姿态等数据。
利用传感器采集所述无人平台本身和周围对象的状态数 据，包括所述无人平台与障碍物、其他所述无人平台的距离、速度、姿 态等数据，以及其他标识和所述无人平台自身的加速度、角速度、偏航 角、高度等信息，通过DCM姿态解算算法和EKF滤波算法，对所述传 感器采集数据进行解算滤波融合，获取高精度的数据信息。所述传感器 包括激光雷达、声呐、摄像头、IMU、GPS、磁罗盘、气压计等。
所述局部地图构建单元0005，用于基于所述无人平台40 的第二通信模块406建立信息共享网络，所述信息共享网络中的所有无 人平台40将所述传感器数据作为共享数据；所述无人平台40的规划决 策处理模块401基于所述信息共享数据构建局部地图；
第一通信模块，用于组建所述群体智能软件与所述多无人 平台与的集中式通信网络；
第二通信模块，用于组建所述多无人平台间的分布式通信 网络，提供实时的数据交互；
本发明通过混合了集中式通信网络和分布式通信网络的架 构提高了多无人平台控制的实时性和可靠性，结合群体智能规则，可高 效快速协同完成复杂环境下的群体任务。
规划决策处理模块401，用于根据所述传感器数据、所述 群体任务和所述群体智能规则，识别定位周围环境对象，建立局部地 图，进行所述群体任务规划和决策，生成行动序列；
本实施例中，采用异步传输的方式，利用Socket消息传输 协议，建立信息共享网络；再根据所述传感器数据和所述分布式网络获 取的数据，采用人工势场理论，构建局部地图。
所述自主执行单元0006，用于基于所述共享数据和局部地 图，对所述个体无碰撞路径进行调整生成再规划路径，所述无人平台40 的动力模块404执行所述再规划路径，并通过所述通信系统20将任务 执行状态和共享数据传输至所述群体智能软件；
所述多无人平台通过所述集中式通信网络，将任务执行状 态传输至所述群体智能软件。具体地，所述集中式通信网络采用 MAVLink通信协议，所述任务执行状态包括所述多无人平台速度、位 置、所述目标区域状态等。
所述综合调整单元0007，用于所述群体智能软件根据所述 任务执行状态和共享数据对所述群体任务进行调整。
在本实施例中，所述基于所述无人平台40的第二通信模块406建立信息共享网络包括：根据所述第二通信模块406获取各无人平台 40间的距离，基于Mesh自组网技术，建立所述无人平台40与周围一定 范围内其他所有无人平台40连接，形成分布式通信网络。
在本实施例中，所述动力模块404执行所述个体无碰撞路径 包括：
所述无人平台40的规划决策模块401基于所述个体无碰撞 路径生成行动序列，控制处理模块405基于所述行动序列生成无人平台 控制信号并传输至动力模块404,动力模块404基于所述无人平台控制信 号驱动所述无人平台机动。
所述动力模块404包括电机、驱动板、电池等。
本实施例中，所述无人平台40还包括存储模块403，所述 存储模块403用于存储所述无人平台接收到的所述群体任务、所述群体 智能规则、所述目标特征、所述无人平台配置参数和算法程序等
所属技术领域的技术人员可以清楚地了解到，为描述的方便 和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法 实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于混合式架构的群体智 能协同系统，仅以上述各功能模块的划分进行举例说明，在实际应用中， 可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明 实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以 合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全 部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是 为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序， 所述程序适于由处理器加载并执行以实现上述的基于混合式架构的群体 智能协同方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置； 处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适 于由处理器加载并执行以实现上述的基于混合式架构的群体智能协同方 法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便 和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可 以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施 例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二 者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器 (RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、 寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形 式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说 明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟 以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约 束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现 所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不 是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包 含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包 括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、 方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技 术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不 局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术 人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后 的技术方案都将落入本发明的保护范围之内。

Claims (7)

1.一种基于混合式架构的群体智能协同方法，其特征在于，所述方法包括：
步骤S100，控制中枢基于预设的群体任务生成群体中每个无人平台的个体无碰撞路径；
步骤S100包括：
步骤S110，基于群体任务选取无人平台，包括：
无人平台个数≥目标区域个数；
无人平台的电量≥无人平台到所述目标区域的最大距离需要的电量；
无人平台最大载重量≥任务量；
步骤S120，基于所述任务量、安全系数和无人平台到目标区域的距离，通过匈牙利算法建立代价矩阵W：
Figure FDA0002981017780000011
其中，wij为第i个无人平台到第j个目标区域的综合代价：
wij＝α1·qij+α2·tij+α3·dij
其中，qij为第i个无人平台到第j个目标区域承担的任务，tij为第i个无人平台到第j个目标区域的安全系数，dij为第i个无人平台到第j个目标区域的距离，α1表示第i个无人平台到第j个目标区域承担任务的因素系数，α2表示第i个无人平台到第j个目标区域安全系数的因素系数，α3表示第i个无人平台到第j个目标区域距离的因素系数；
步骤S130，通过匈牙利算法计算所述代价矩阵W，获得各无人平台与所述目标区域的映射关系；
步骤S140，基于所述映射关系，通过结合时间因素的改进A*算法，计算出各无人平台到目标区域的无碰撞路径；其方法为：
步骤S141，构建无人平台通过代价栅格地图，计算每个栅格的通过代价r；
Figure FDA0002981017780000021
L1≤d＜L2
其中，L1为障碍物的威胁距离，L2为障碍物的安全距离，C＝0.5为当所述无人平台在障碍物致命区时的代价，μ为区域威胁系数，d为无人平台到目标的距离；
步骤S142，结合时间因素和所述通过代价r改进所述A*算法；
改进的A*算法路径评价为F(t)：
F(t)＝G(t)+H(t)
其中，G(t)为所述无人平台从起始节点到当前节点的实际代价，H(t)表示在所述无人平台从当前节点到目标节点的估计代价；
所述实际代价G(t)为：
G(t)＝G(t-1)+r*|p(xt，yt，t)-p(xt-1，yt-1，t-1)|+T(t)
其中，p(xt，yt，t)为加入时间变量的当前节点坐标，p(xt-1，yt-1，t-1)为加入时间变量的上一节点坐标，G(t-1)表示所述无人平台从起始节点到上一节点的实际代价，r表示每个栅格的通过代价，T(t)为从当前节点到下一节点的转弯代价；
步骤S143，基于所述改进的A*算法和所述映射关系，规划出所述个体无碰撞路径；
步骤S200，所述无人平台执行对应的所述个体无碰撞路径，基于获取的定位信息获取传感器数据；
所述传感器数据包括无人平台与障碍物的距离、与其他无人平台的距离和无人平台的自身的速度、姿态、标识、位置、加速度、角速度、偏航角、高度；
步骤S300，控制中枢基于各无人平台的所述传感器数据构建局部地图；
步骤S400，基于所述局部地图，各无人平台调整其对应的个体无碰撞路径获得再规划路径，并执行所述再规划路径，将任务执行状态传输至所述控制中枢；
步骤S500，所述控制中枢根据所述任务执行状态对所述群体任务进行调整。
2.根据权利要求1的基于混合式架构的群体智能协同方法，其特征在于，所述预设的群体任务包括设置群体任务的：任务类型、群体个数、平台配置和任务目标信息；
所述任务类型包括搜索、运输、侦查、表演、打击和支援；
所述群体个数为预先估计的完成任务需要的无人平台个数；
所述平台配置为群体中每个无人平台的电量、最大机动速度、最大通信范围、最大载重量和载荷类型；
所述任务目标信息为任务目标、目标区域、目标区域的环境状况、安全系数和任务量。
3.根据权利要求2所述的基于混合式架构的群体智能协同方法，其特征在于，所述再规划路径，其生成方法包括：
所述无人平台将所述传感器数据作为共享数据，基于所述共享数据和局部地图，群体智能规则调整所述个体无碰撞路径生成再规划路径；
所述群体智能规则包括：约束规则、行为规则；
所述约束规则为：
判断单无人平台的任务量是否小于预设的最大承担任务量Q，若单无人平台的任务量小于所述预设的最大承担任务量Q，则继续执行任务；若单无人平台的任务量等于预设的最大承担任务量Q，则设定为完成任务并等待下一步指令；
所述行为规则为：
B100，判断无人平台是否有所述任务目标，若有，则调整无人平台运动方向指向所述任务目标、前进并执行任务动作；
B200，判断无人平台运动方向上是否有障碍物或其他无人平台，若有，则调整无人平台运动方向躲避对象；
B300，判断周围是否有无人平台聚集点，若有，则调整无人平台运动方向指向所述无人平台聚集点。
4.根据权利要求2所述的基于混合式架构的群体智能协同方法，其特征在于，所述任务执行状态包括无人平台的速度、无人平台的位置和所述传感器数据。
5.一种基于混合式架构的群体智能协同系统，其特征在于，所述系统包括：群体任务生成单元、路径生成单元、路径传输单元、平台传感单元、局部地图构建单元、自主执行单元和综合调整单元；
所述群体任务生成单元，用于通过群体智能软件(10)生成群体任务；
所述路径生成单元，用于通过群体智能软件(10)基于所述群体任务生成个体无碰撞路径；
其方法包括：
基于群体任务选取无人平台，包括：
无人平台个数≥目标区域个数；
无人平台的电量≥无人平台到所述目标区域的最大距离需要的电量；
无人平台最大载重量≥任务量；
基于所述任务量、安全系数和无人平台到目标区域的距离，通过匈牙利算法建立代价矩阵W：
Figure FDA0002981017780000051
其中，wij为第i个无人平台到第j个目标区域的综合代价：
wij＝α1·qij+α2·tij+α3·dij
其中，qij为第i个无人平台到第j个目标区域承担的任务，tij为第i个无人平台到第j个目标区域的安全系数，dij为第i个无人平台到第j个目标区域的距离，α1表示第i个无人平台到第j个目标区域承担任务的因素系数，α2表示第i个无人平台到第j个目标区域安全系数的因素系数，α3表示第i个无人平台到第j个目标区域距离的因素系数；
通过匈牙利算法计算所述代价矩阵W，获得各无人平台与所述目标区域的映射关系；
基于所述映射关系，通过结合时间因素的改进A*算法，计算出各无人平台到目标区域的无碰撞路径；其方法为：
构建无人平台通过代价栅格地图，计算每个栅格的通过代价r；
Figure FDA0002981017780000052
其中，L1为障碍物的威胁距离，L2为障碍物的安全距离，C＝0.5为当所述无人平台在障碍物致命区时的代价，μ为区域威胁系数，d为无人平台到目标的距离；
结合时间因素和所述通过代价r改进所述A*算法；
改进的A*算法路径评价为F(t)：
F(t)＝G(t)+H(t)
其中，G(t)为所述无人平台从起始节点到当前节点的实际代价，H(t)表示在所述无人平台从当前节点到目标节点的估计代价；
所述实际代价G(t)为：
G(t)＝G(t-1)+r*|p(xt，yt，t)-p(xt-1，yt-1，t-1)|+T(t)
其中，p(xt，yt，t)为加入时间变量的当前节点坐标，p(xt-1，yt-1，t-1)为加入时间变量的上一节点坐标，G(t-1)表示所述无人平台从起始节点到上一节点的实际代价，r表示加入时间变量的每个栅格的通过代价，T(t)为从当前节点到下一节点的转弯代价；
基于所述改进的A*算法和所述映射关系，规划出所述个体无碰撞路径；
所述路径传输单元，用于通过通信系统(20)将所述个体无碰撞路径传输至无人平台(40)；
所述平台传感单元，用于所述无人平台(40)的第一通信模块(408)接收所述个体无碰撞路径；
还用于所述无人平台(40)的动力模块(404)执行所述个体无碰撞路径，并通过无人平台(40)的定位模块(407)接收定位系统(30)发送的定位信息，基于所述定位信息通过传感器模块(402)获取传感器数据；
所述局部地图构建单元，用于基于所述无人平台(40)的第二通信模块(406)建立信息共享网络，所述信息共享网络中的所有无人平台(40)将所述传感器数据作为共享数据；所述无人平台(40)的规划决策处理模块(401)基于所述信息共享数据构建局部地图；
所述自主执行单元，用于基于所述共享数据和局部地图，对所述个体无碰撞路径进行调整生成再规划路径，所述无人平台(40)的动力模块(404)执行所述再规划路径，并通过所述通信系统(20)将任务执行状态和共享数据传输至所述群体智能软件；
所述综合调整单元，用于所述群体智能软件根据所述任务执行状态和共享数据对所述群体任务进行调整。
6.根据权利要求5所述的基于混合式架构的群体智能协同系统，其特征在于，所述基于所述无人平台(40)的第二通信模块(406)建立信息共享网络包括：
根据所述第二通信模块(406)获取各无人平台(40)间的距离，基于Mesh自组网技术，建立所述无人平台(40)与周围一定范围内其他所有无人平台(40)连接，形成分布式通信网络。
7.根据权利要求5所述的所述的基于混合式架构的群体智能协同系统，其特征在于，所述动力模块(404)执行所述个体无碰撞路径包括：
所述无人平台(40)的规划决策模块(401)基于所述个体无碰撞路径生成行动序列，控制处理模块(405)基于所述行动序列生成无人平台控制信号并传输至动力模块(404)，动力模块(404)基于所述无人平台控制信号驱动所述无人平台机动。
CN202010782986.8A 2020-08-06 2020-08-06 基于混合式架构的群体智能协同方法和系统 Active CN111830995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010782986.8A CN111830995B (zh) 2020-08-06 2020-08-06 基于混合式架构的群体智能协同方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010782986.8A CN111830995B (zh) 2020-08-06 2020-08-06 基于混合式架构的群体智能协同方法和系统

Publications (2)

Publication Number Publication Date
CN111830995A CN111830995A (zh) 2020-10-27
CN111830995B true CN111830995B (zh) 2021-05-11

Family

ID=72919468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010782986.8A Active CN111830995B (zh) 2020-08-06 2020-08-06 基于混合式架构的群体智能协同方法和系统

Country Status (1)

Country Link
CN (1) CN111830995B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488506B (zh) * 2020-11-30 2024-07-12 哈尔滨工程大学 一种智能无人系统集群的可扩展分布式架构及自组织方法
CN114995500A (zh) * 2022-06-10 2022-09-02 中国航空工业集团公司沈阳飞机设计研究所 一种多机编队协同目标分配方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103176451A (zh) * 2013-02-04 2013-06-26 广州中国科学院工业技术研究院 一种舰船辅助航行及编队指挥的方法
CN104656663A (zh) * 2015-02-15 2015-05-27 西北工业大学 一种基于视觉的无人机编队感知与规避方法
CN107272742A (zh) * 2017-08-07 2017-10-20 深圳市华琥技术有限公司 一种无人机群协同作业的导航控制方法
CN109901580A (zh) * 2019-03-13 2019-06-18 华南理工大学 一种无人机与无人地面机器人协作循径避障系统及其方法
CN110209172A (zh) * 2019-06-27 2019-09-06 北京机械设备研究所 一种无人集群侦察系统及侦察方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103176451A (zh) * 2013-02-04 2013-06-26 广州中国科学院工业技术研究院 一种舰船辅助航行及编队指挥的方法
CN104656663A (zh) * 2015-02-15 2015-05-27 西北工业大学 一种基于视觉的无人机编队感知与规避方法
CN107272742A (zh) * 2017-08-07 2017-10-20 深圳市华琥技术有限公司 一种无人机群协同作业的导航控制方法
CN109901580A (zh) * 2019-03-13 2019-06-18 华南理工大学 一种无人机与无人地面机器人协作循径避障系统及其方法
CN110209172A (zh) * 2019-06-27 2019-09-06 北京机械设备研究所 一种无人集群侦察系统及侦察方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《一种基于路径代价的移动机器人目标分配方法》;白志刚等;《上海电气技术》;20090630;第2卷(第2期);第43-46页 *
《基于A* 算法的机器人路径规划》;武雅杰等;《电子科技》;20170615;第30卷(第6期);第124-127页 *
《基于典型栅格地图的代价地图改进方法》;赵健等;《机械与电子》;20181231;第36卷(第12期);第73-76,80页 *
《基于理论最短距离变权重Ａ＊算法的路径规划》;刘源等;《计算机测量与控制》;20181231;第26卷(第4期);第175-178页 *

Also Published As

Publication number Publication date
CN111830995A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN111103887B (zh) 一种基于多传感器的多移动机器人调度系统设计方法
CN111830995B (zh) 基于混合式架构的群体智能协同方法和系统
CN111679690A (zh) 一种巡检无人机机巢分布及信息交互方法
Yasin et al. Navigation of autonomous swarm of drones using translational coordinates
EP4020320A1 (en) Autonomous machine knowledge transfer
Das et al. A rapid situational awareness development framework for heterogeneous manned-unmanned teams
Almadhoun et al. Coverage path planning for complex structures inspection using unmanned aerial vehicle (UAV)
CN113885567A (zh) 一种基于冲突搜索的多无人机的协同路径规划方法
CN116540706A (zh) 一种无人机为地面无人车提供局部路径规划系统及方法
Hwang et al. On-line obstacle detection, avoidance, and mapping of an outdoor quadrotor using EKF-based fuzzy tracking incremental control
CN116774603B (zh) 多agv协同调度仿真平台及仿真方法
Marín et al. Event based distributed Kalman filter for limited resource multirobot cooperative localization
Vutetakis et al. An autonomous loop-closure approach for simultaneous exploration and coverage of unknown infrastructure using mavs
CN117270565A (zh) 一种基于视觉的机载自主感知及飞行系统
Zhang et al. Binocular pose estimation for UAV autonomous aerial refueling via brain storm optimization
SE2050258A1 (en) Machine learning based system, methods, and control arrangement for positioning of an agent
Lee et al. Cyber Physical Autonomous Mobile Robot (CPAMR) framework in the context of industry 4.0
CN111176324A (zh) 一种多无人机分布式协同编队规避动态障碍的方法
Lebedeva et al. Method for distributed mapping of terrain by a heterogeneous group of robots based on google cartographer
Vivaldini et al. Communication infrastructure in the centralized management system for intelligent warehouses
Prieto et al. Multiagent robotic systems and exploration algorithms: Applications for data collection in construction sites
US20210107151A1 (en) Autonomous machine collaboration
Hensel et al. Experimental Set-up for Evaluation of Algorithms for Simultaneous Localization and Mapping
CN112747752A (zh) 基于激光里程计的车辆定位方法、装置、设备和存储介质
Ahmed et al. Efficient Frontier Management for Collaborative Active SLAM

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