CN111857161A - 未知复杂凸环境下群机器人多目标搜索方法 - Google Patents

未知复杂凸环境下群机器人多目标搜索方法 Download PDF

Info

Publication number
CN111857161A
CN111857161A CN202010836774.3A CN202010836774A CN111857161A CN 111857161 A CN111857161 A CN 111857161A CN 202010836774 A CN202010836774 A CN 202010836774A CN 111857161 A CN111857161 A CN 111857161A
Authority
CN
China
Prior art keywords
robot
target
subgroup
robots
task
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010836774.3A
Other languages
English (en)
Inventor
周游
陈安华
张红强
张鑫
刘朝华
陈磊
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.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and Technology
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 Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN202010836774.3A priority Critical patent/CN111857161A/zh
Publication of CN111857161A publication Critical patent/CN111857161A/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
    • G05D1/02—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
    • G05D1/0212—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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)
  • Feedback Control In General (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种未知复杂凸环境下群机器人多目标搜索方法，包括以下步骤：构建未知复杂凸环境移动机器人运动学模型、各类对象的施力函数、多目标搜索任务模型；根据动态闭环自组织任务分工模型确定意向目标；将个体机器人划分处于漫游搜索状态和协同搜索状态，处于协同搜索状态的各机器人形成子群联盟；引入闭环调节策略，对于超出子群规模上限的子群联盟进行机器人资源配置水平评估，进行子群内部的资源配置，完成二次分配，形成新的子群联盟；建立个体机器人的控制输入策略，控制处于漫游搜索状态和协同搜索状态下的机器人搜索意向目标。本发明降低了计算的复杂性，减少了系统的各种碰撞冲突，从而提高了系统的搜索效率。

Description

未知复杂凸环境下群机器人多目标搜索方法
技术领域
本发明涉及一种未知复杂凸环境下群机器人多目标搜索方法。
背景技术
群机器人学受启发于蚂蚁、蜜蜂等社会性群居动物的自组织行为，其研究目的在于如何通过对一组简单智能体的协调控制，同时充分运用智能体彼此之间以及智能体与环境之间的交互，涌现出期望的智能行为并具有鲁棒性、灵活性和可伸缩性等优点，从而可用于完成较为复杂的任务。
经过多年以来的研究与发展，群机器人系统已经成功应用于完成诸多协作型任务，目标搜索类任务就包括在其中。根据目标数量的不同目标搜索问题可划分为单目标搜索和多目标搜索，就群机器人单目标搜索而言，有针对个体之间协同方法的研究，例如通过采用局部无线通信策略加强了个体机器人之间的交互；针对搜索空间的特点与限制，提出了一种自适应粒子群算法用于机器人的控制；针对群机器人围捕问题，抽象出了简化虚拟受力模型，并基于此模型设计了机器人运动学控制输入；也有针对参数优化与系统建模等方面的研究，譬如，将微粒群算法扩展之后用于群机器人系统的建模，并着重于算法参数优化的研究。不同于单目标搜索，群机器人在执行多目标搜索任务时须首先通过任务分工策略自主地划分为若干子群，然后机器人再根据各自的任务目标进行协同搜索。有根据机器人检测到的目标信号强度对其进行分组，子群联盟内部根据微粒群算法原则协同搜索，不存在子群规模调节机制；另外有围绕群机器人多目标搜索问题，提出了一种带闭环调节的动态任务分工策略，同时考虑到子群之间的协同，然而此任务分工策略在子群规模调节过程中往往剔除一些相对优势的成员个体，而且没有考虑到个体机器人的避碰、漫游等底层行为。
发明内容
为了解决上述技术问题，本发明提供一种算法简单、碰撞性能好的未知复杂凸环境下群机器人多目标搜索方法。
本发明解决上述问题的技术方案是：一种未知复杂凸环境下群机器人多目标搜索方法，包括以下步骤：
步骤一：构建未知复杂凸环境移动机器人运动学模型、各类对象的施力函数、多目标搜索任务模型；
步骤二：机器人检测目标信号，根据动态闭环自组织任务分工模型确定意向目标；
步骤三：将没有共同意向目标的个体机器人处于漫游搜索状态，将有共同意向目标的个体机器人处于协同搜索状态，处于协同搜索状态的各机器人形成子群联盟；
步骤四：在基于目标响应阈值与概率原则的任务分工模型的基础上引入闭环调节策略，对于超出子群规模上限的子群联盟进行机器人资源配置水平评估，并把评估后结果作为负反馈引入到任务分工模型之中，进行子群内部的资源配置，完成二次分配，形成新的子群联盟，对目标进行局部协同搜索，从而并行化执行搜索任务；
步骤五：基于机器人的简化虚拟受力分析模型和扩展微粒群算法，建立个体机器人的控制输入策略，控制处于漫游搜索状态和协同搜索状态下的机器人搜索意向目标。
上述未知复杂凸环境下群机器人多目标搜索方法，所述步骤一中，构建移动机器人运动学模型和各类对象的施力函数的过程如下：
考虑包含若干相同自主式移动机器人的群体系统，个体机器人R的运动学方程如下：
Figure BDA0002639967720000031
其中，
Figure BDA0002639967720000032
表示机器人的线速度往x轴方向的分速度；
Figure BDA0002639967720000033
表示机器人的线速度往y轴方向的分速度；
Figure BDA0002639967720000034
表示机器人的在t时刻的角速度，V(t)和ω(t)分别为机器人的线速度与角速度，且满足|V(t)|≤Vm，|ω(t)|≤ωm，Vm、ωm分别是最大线速度和最大角速度；线加速度
Figure BDA0002639967720000035
和角加速度
Figure BDA0002639967720000036
满足
Figure BDA0002639967720000037
am、ωam分别表示最大线加速度和最大角加速度；
定义1：
Figure BDA0002639967720000038
分别表示有向线lp，lq的方向角，定义由lp到lq的角度记为
Figure BDA0002639967720000039
表示为：
Figure BDA00026399677200000310
函数dvgl(·)的表达式如下
dvgl(x)＝x-2πsgn(x)·ψ(|x|-π) (3)
其中：
Figure BDA00026399677200000311
定义2：在搜索环境中，各类对象，即目标、机器人和障碍物的施力函数分别为
Figure BDA00026399677200000312
frr(d)＝c/[(d/cr)2] (6)
fro(d)＝c/[(d/cs)2] (7)
其中Vi ac表示第i个机器人Ri受到目标T的虚拟速度矢量，frr(d)表示机器人与机器人之间的避碰斥力，fro(d)表示机器人与静态障碍物之间的避障斥力，
Figure BDA0002639967720000041
表示机器人Ri受到目标T的吸引力；d表示两点之间的距离；cr和cs分别表示机器人和障碍物的势域半径，c为机器人避障参数。
上述未知复杂凸环境下群机器人多目标搜索方法，所述步骤一中，多目标搜索任务模型如下：
在未知复杂环境中，设三元集合组M＝{R,T,S}包括了搜索主体群机器人R＝{Ri,i＝1,2,…m}、待搜索目标T＝{Tj,j＝1,2,…n,n>1}、静态凸障碍物S＝{Sk,k＝1,2,…os}，m表示群机器人的总数量，n表示搜索目标总数量，os表示凸障碍物总数量；对象p的在全局坐标系XOY中位置坐标记为Op＝{(xp,yp)p∈M}；cr,cs,rdec,rcom分别表示个体机器人势域半径、障碍物的势域半径、最大感知距离及最大有效通信距离，取rcom>rdec>cr>cs；则机器人Ri需要避开的静态障碍物表示为
Figure BDA0002639967720000042
机器人Ri势域半径内其它个体机器人记为
Figure BDA0002639967720000043
机器人Ri通信范围内其它个体机器人记为
Figure BDA0002639967720000044
机器人Ri可感知目标记为
Figure BDA0002639967720000045
上述未知复杂凸环境下群机器人多目标搜索方法，所述步骤二具体步骤为：
2-1)将目标分为Ⅰ类目标和Ⅱ类目标；
其中个体机器人直接检测到的目标称为Ⅰ类目标，个体机器人通过与通信范围内的其他个体机器人交互获得目标信息的这一类目标称为Ⅱ类目标；
2-2)根据个体机器人所获取的目标信息以及自身所处的状态，构建个体信息名片；
个体信息名片包含机器人编号、任务目标、任务类型、任务激励、通信个体、与通信个体之间距离、意向目标、个体机器人的状态；
其中任务激励用于表示目标响应函数，在未知复杂环境下，假设目标在环境中持续发出具有某种特征的信号，这种信号被机器人所感知，在有效检测范围内，机器人检测出的目标响应强度因与目标之间的距离不同而有所差异，目标响应函数用于描述这种目标响应强度，被定义为：
Figure BDA0002639967720000051
其中，P是目标中心发出的恒定信号功率，Iij表示机器人Ri对目标Tj的响应强度，其大小与距离的平方成反比关系；d表示机器人与目标之间的距离，d0为机器人最大感知范围；m0表示目标信号在环境中传播时的衰减系数，m0的取值在0～1之间，η()表示环境中的扰动；
2-3)判断个体机器人是否有Ⅰ类目标，若有，则从Ⅰ类目标中选取任务目标，若没有，则从Ⅱ类目标中选取任务目标；
2-4)基于任务响应阈值从任务目标中选取意向目标。
上述未知复杂凸环境下群机器人多目标搜索方法，所述步骤2-4)的具体过程为：
群机器人在执行多目标搜索任务时，将一个搜索目标视为一个子任务，成员机器人自主选择自己参加完成的子任务，一个子任务允许多个机器人参加，但一个机器人每次只能选择一个子任务；设目标响应阈值为Imin，Imin＝I(d0)，当成员机器人Ri在环境中检测到的目标Tj的响应值为Iij(d)>Imin时，则Ri把目标Tj作为自己备选意向目标之一；P(i,j)表示机器人Ri选择目标Tj作为自己参加完成任务的概率，其计算公式为
Figure BDA0002639967720000061
Intentioni，i＝1,2,…,m为机器人Ri的备选意向目标的集合；设Randi为一取值0～1的随机数，当P(i,j)>Randi时，机器人Ri选择目标Tj作为自己的搜索目标；成员机器人基于同样的原则对所检测到目标响应给予评估，并自主确定一个意向目标。
上述未知复杂凸环境下群机器人多目标搜索方法，所述步骤四的具体步骤为：
4-1)在子群形成之后，为了方便子群内部信息的采集和子群之间的交互，定义子群信息名片；
子群信息名片包括子群编号、子群任务目标、子群Learder、成员机器人信息、子群规模、子群招募名额、子群最优记录信息；子群Learder作为子群的领导者和对外发言人是指子群中优势地位最高的个体即距离目标最近的机器人；另外，每个子群都持有各自的最优记录表，包括自身搜索目标的最优信息和搜索过程中子群所获取的其它I类目标最优信息；
4-2)进行机器人资源配置水平评估；
在对于超出子群规模上限的子群联盟进行评估时，对其内部成员进行优势地位排序，首先将子群内部成员机器人按照任务目标的类别进行排序，任务目标为I类目标的成员优于任务目标为II类目标的所有成员；然后在任务目标类别相同的情况下，再对成员机器人按照目标激励强度原则进行降幂排序；如果任务目标类型相同且目标激励强度相同时，则再按照到与其进行邻域通信个体机器人距离原则进行降幂排序；
4-3)根据排序结果，优势排名未进入子群规模上限的个体机器人退出该子群，并触发惩罚机制，即一定时间内不参与任务分工，惩罚结束后其通过二次加盟的方式继续加入有共同任务目标的子群联盟；进入子群规模上限内的其他个体机器人形成新的子群联盟，参与协同搜索；
4-4)新的子群联盟中的子群Learder进行广播和监听，判断子群Learder是否监听到其他子群的信息，若是，则子群之间协同搜索，此新的子群联盟更新子群信息名片，并在子群内部广播子群消息名片，然后进入步骤五；若否，则直接进入步骤五。
上述未知复杂凸环境下群机器人多目标搜索方法，所述步骤五中，简化虚拟受力分析模型如下：
在全局坐标系XOY中，假设机器人Ri通过传感器感知两近邻对象p1,p2的位置信息，p1,p2为个体机器人或静态凸障碍物，机器人t时刻位置坐标为Ri(xi,yi)，位置矢量dip1,dip2分别定义为：
Figure BDA0002639967720000071
机器人Ri下一时刻以速度Vif(t+1)向p0运动，p0表示虚拟目标点，其受到P0的引力作用和对象p1、p2的斥力作用分别记为fac、fre1和fre2；γfac为机器人受到的引力矢量fac到x轴正半轴的有向角，即机器人的期望运动方向，fre1和fre2到x轴正半轴的有向角分别为γfre1和γfre2；frem为机器人受到的斥力在与期望运动方向垂直方向上的合力，γfrem＝γfac-π/2为frem到x轴正半轴的方向角，fRi是Ri的整体受力；
用机器人Ri的t时刻所受的合力表示其实际需求速度，即
Figure BDA0002639967720000081
其中：frem＝(fre1(||dip1||)·cos(dvgl(γfrem-γfre1))+fre2(||dip2||)·cos(dvgl(γfrem-γfre2)))；fac是下一时刻位置p0对机器人Ri的施力函数，按式(5)计算，fre1(||dip1||)和fre2(||dip2||)分别为对象p1、p2对机器人Ri的施力函数，按式(6)和式(7)计算，dvgl(γfrem-γfre1)和dvgl(γfrem-γfre2)分别是两邻近对象斥力的偏角；如果将frem直接等效为Ri与下一时刻运动方向相垂直方向上的速度Vir(t+1)，则存在关系Vir(t+1)＝frem，Vif′(t+1)＝Vif(t+1)+Vir(t+1)。
上述未知复杂凸环境下群机器人多目标搜索方法，所述步骤五中，基于扩展微粒群算法的群机器人系统模型的数学表达式为：
Figure BDA0002639967720000082
Xif(t)和Vif(t)分别表示机器人Ri时刻t的速度和位置矢量，Vie(t+1)是机器人下一时刻的期望速度，c1和c2分别为机器人的认知系数和社会系数，r1和r2为区间(0,1)内的随机变量，ω是惯性权重，Xif *(t)表示截止时刻t机器人经历的最优位置，g(t)为种群截止时刻t遍历的最优位置；α是机器人的运动惯性因子，λ为步幅控制因子。
上述未知复杂凸环境下群机器人多目标搜索方法，所述步骤五中，个体机器人的控制输入策略如下：
V′if(t+1)和θ′if(t+1)分别表示Ri下一时刻实际需求速度和运动方向，da是Ri到最近对象的距离，cm表示机器人开始加强避碰的最大距离；机器人Ri在不同状态下的运动控制输入分别为：
如果Ri处于漫游状态下，
Figure BDA0002639967720000091
Vm为机器人最大运行速度；针对漫游状态下的个体机器人设计了以最大速行驶同时与两近邻运动方向不同且保证最大搜索面积原则的漫游策略；
如果Ri处于协同搜索状态下，
Figure BDA0002639967720000092
本发明的有益效果在于：
1、本发明首先在基于概率原则与目标响应阈值的任务分工基础上，引入了包括目标类型、目标激励强度以及到通信主体距离的闭环调节策略，合理地配置了机器人资源水平；对于未知复杂环境下机器人的避碰问题，本发明通过对复杂环境下群机器人多目标搜索行为的分解，抽象出了个体机器人的简化虚拟受力分析模型，并在子群联盟内部与漫游个体两个层面上引入该模型同时据此设计了机器人的运动控制输入策略。
2、针对机器人的漫游策略，本发明设计了根据与两近邻搜索方向不同且保证最大搜索面积原则的漫游搜索策略；在包含了各种形状的凸障碍物环境中的仿真实验表明，本发明所提出的基于简化虚拟受力模型的群机器人协同控制策略能够合理地配置机器人资源水平，有效地解决了搜索过程中系统内部成员之间以及系统与环境之间的碰撞冲突问题。
附图说明
图1为本发明算法的流程图。
图2为简化虚拟受力模型的示意图。
图3为群机器人搜索算法的流程图。
图4为本发明的方法与基于扩展微粒群算法完成搜索任务所耗平均时间对比图。
图5为本发明实施例中搜索过程的示意图。
图6为本发明实施例的搜索过程中两两成员之间距离偏差分析图。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明。
如图1所示，一种未知复杂凸环境下群机器人多目标搜索方法，其特征在于，包括以下步骤：
步骤一：构建未知复杂凸环境移动机器人运动学模型、各类对象的施力函数、多目标搜索任务模型。
构建移动机器人运动学模型和各类对象的施力函数的过程如下：
考虑包含若干相同自主式移动机器人的群体系统，个体机器人R的运动学方程如下：
Figure BDA0002639967720000101
其中，
Figure BDA0002639967720000102
表示机器人的线速度往x轴方向的分速度；
Figure BDA0002639967720000103
表示机器人的线速度往y轴方向的分速度；
Figure BDA0002639967720000104
表示机器人的在t时刻的角速度，V(t)和ω(t)分别为机器人的线速度与角速度，且满足|V(t)|≤Vm，|ω(t)|≤ωm，Vm、ωm分别是最大线速度和最大角速度；线加速度
Figure BDA0002639967720000105
和角加速度
Figure BDA0002639967720000106
满足
Figure BDA0002639967720000107
am、ωam分别表示最大线加速度和最大角加速度。
定义1：
Figure BDA0002639967720000111
分别表示有向线lp，lq的方向角，定义由lp到lq的角度记为
Figure BDA0002639967720000112
表示为：
Figure BDA0002639967720000113
函数dvgl(·)的表达式如下
dvgl(x)＝x-2πsgn(x)·ψ(|x|-π) (3)
其中：
Figure BDA0002639967720000114
定义2：在搜索环境中，各类对象，即目标、机器人和障碍物的施力函数分别为
Figure BDA0002639967720000115
frr(d)＝c/[(d/cr)2] (6)
fro(d)＝c/[(d/cs)2] (7)
其中Vi ac表示第i个机器人Ri受到目标T的虚拟速度矢量，frr(d)表示机器人与机器人之间的避碰斥力，fro(d)表示机器人与静态障碍物之间的避障斥力，
Figure BDA0002639967720000116
表示机器人Ri受到目标T的吸引力；d表示两点之间的距离；cr和cs分别表示机器人和障碍物的势域半径，c为机器人避障参数。
群机器人未知复杂环境下多目标搜索问题的研究主要包括自组织任务分工模型的构建和子群与个体层面上机器人的协调控制两方面主要问题，同时也包括了对个体机器人的避碰、协作搜索和漫游搜索策略等行为的规划。多目标搜索任务模型如下：
在未知复杂环境中，设三元集合组M＝{R,T,S}包括了搜索主体群机器人R＝{Ri,i＝1,2,…m}、待搜索目标T＝{Tj,j＝1,2,…n,n>1}、静态凸障碍物S＝{Sk,k＝1,2,…os}，m表示群机器人的总数量，n表示搜索目标总数量，os表示凸障碍物总数量；对象p的在全局坐标系XOY中位置坐标记为Op＝{(xp,yp)|p∈M}；cr,cs,rdec,rcom分别表示个体机器人势域半径、障碍物的势域半径、最大感知距离及最大有效通信距离，取rcom>rdec>cr>cs；则机器人Ri需要避开的静态障碍物表示为
Figure BDA0002639967720000121
机器人Ri势域半径内其它个体机器人记为
Figure BDA0002639967720000122
机器人Ri通信范围内其它个体机器人记为
Figure BDA0002639967720000123
机器人Ri可感知目标记为
Figure BDA0002639967720000124
步骤二：机器人检测目标信号，根据动态闭环自组织任务分工模型确定意向目标。步骤二具体步骤为：
2-1)将目标分为Ⅰ类目标和Ⅱ类目标；
在未知复杂环境中，个体机器人可以通过目标传感器直接检测目标信号，目标响应强度按式(8)计算，把这类能够直接检测到的目标称为I类目标。同时由于机器人之间可以通过局部通信的方式实现目标感知情况等信息的共享，从而扩大了个体的认知范围，因此机器人还可以通过与通信范围内的其它个体交互获取目标认知信息，这类目标称之为II类目标，显然I类目标的优先权高于II类目标。
2-2)根据个体机器人所获取的目标信息以及自身所处的状态，构建如表1所示的个体信息名片。
表1
Figure BDA0002639967720000131
如表1所示，机器人的信息名片主要包含了机器人编号、任务目标、任务类型、任务激励、通信个体、与通信个体之间距离、意向目标、个体机器人的状态几部分。由于机器人可能同时感知到多个目标信息或者能够与其它若干机器人进行局部通信等，因此个别机器人信息名片中的元素是以集合的形式体现的，如果机器人没有对其中某部分的认知，则对应的备注用φ表示。其中，个体状态信息是指机器人当前所处的搜索状态包括漫游状态(用0表示)和协同搜索状态(用1表示)。
其中任务激励用于表示目标响应函数。群机器人系统是由基于多传感器结构的个体机器人组成的，机器人通过自身配置的各种传感器可以感知周围环境和目标信号的变化。在未知复杂环境下，假设目标在环境中持续发出具有某种特征的信号，这种信号被机器人所感知，在有效检测范围内，机器人检测出的目标响应强度因与目标之间的距离不同而有所差异，目标响应函数用于描述这种目标响应强度，被定义为：
Figure BDA0002639967720000132
其中，P是目标中心发出的恒定信号功率，Iij表示机器人Ri对目标Tj的响应强度，其大小与距离的平方成反比关系；d表示机器人与目标之间的距离，d0为机器人最大感知范围；m0表示目标信号在环境中传播时的衰减系数，m0的取值在0～1之间，η()表示环境中的扰动；
2-3)判断个体机器人是否有Ⅰ类目标，若有，则从Ⅰ类目标中选取任务目标，若没有，则从Ⅱ类目标中选取任务目标；
2-4)基于任务响应阈值从任务目标中选取意向目标。
对于执行给定的多目标搜索任务来说，群机器人系统首先需要根据目标的检测情况自主地划分成若干子群，每个子群针对各自的搜索目标进行并行化协同搜索，从而极大地提高了系统的综合搜索效率。因此，构建合理有效的任务分工模型是解决多目标问题的首要任务。本发明在已有的基于目标响应阈值的任务分工策略的基础上，引入了结合目标类型、目标响应强度和到通信主体距离变量的子群内部降幂排序原则，提出了一种带闭环调节的多任务分工模型。
群机器人在执行多目标搜索任务时，将一个搜索目标视为一个子任务，成员机器人自主选择自己参加完成的子任务，一个子任务允许多个机器人参加，但一个机器人每次只能选择一个子任务；设目标响应阈值为Imin，Imin＝I(d0)，当成员机器人Ri在环境中检测到的目标Tj的响应值为Iij(d)>Imin时，则Ri把目标Tj作为自己备选意向目标之一；P(i,j)表示机器人Ri选择目标Tj作为自己参加完成任务的概率，其计算公式为
Figure BDA0002639967720000141
Intentioni，i＝1,2,…,m为机器人Ri的备选意向目标的集合；设Randi为一取值0～1的随机数，当P(i,j)>Randi时，机器人Ri选择目标Tj作为自己的搜索目标；成员机器人基于同样的原则对所检测到目标响应给予评估，并自主确定一个意向目标。
步骤三：将没有共同意向目标的个体机器人处于漫游搜索状态，将有共同意向目标的个体机器人处于协同搜索状态，处于协同搜索状态的各机器人形成子群联盟。
机器人在确定意向目标之后，系统会在个体层面上进行一次自组织任务分工，其目的在于使得具有相同意向目标的机器人以子群联盟的形式对目标进行局部协同搜索，从而系统能够并行化执行搜索任务。
步骤四：在基于目标响应阈值与概率原则的任务分工模型的基础上引入闭环调节策略，对于超出子群规模上限的子群联盟进行机器人资源配置水平评估，并把评估后结果作为负反馈引入到任务分工模型之中，进行子群内部的资源配置，完成二次分配，形成新的子群联盟，对目标进行局部协同搜索，从而并行化执行搜索任务。
步骤四的具体步骤为：
4-1)在子群形成之后，为了方便子群内部信息的采集和子群之间的交互，定义如表2所示的子群信息名片；
表2
Figure BDA0002639967720000151
子群的信息名片主要包括了子群编号、子群任务目标、子群Learder、成员机器人信息、子群规模、子群招募名额RecruitNumber以及子群最优记录等信息，对于子群或者成员个体没有认知的部分用φ表示。子群Learder作为子群的领导者和对外发言人是指子群中优势地位最高的个体即距离目标最近的机器人。本发明设置其群规模上限Nmax＝6，对于成员数量小于子群规模上限的子群可对外招募M＝Nmax-N个机器人。另外，每个子群都持有各自的最优记录表，包括自身搜索目标的最优信息和搜索过程中子群所获取的其它I类目标(称之为备选目标)最优信息，对于记录表中子群没有认知的部分用--表示。
4-2)进行机器人资源配置水平评估；
在基于目标响应阈值与概率原则的任务分工模型的基础上引入闭环调节策略，即一次任务分工结束后对于超出子群规模上限的子群联盟进行机器人资源配置水平评估，并把评估后结果作为负反馈引入到任务分工模型之中，从而调节了部分机器人在不同子群之间的迁移。该策略能够有效解决系统机器人资源配置严重失衡问题，使得群机器人系统资源得到合理有效地配置。机器人根据目标感知的方式可将搜索目标划分为I类目标和II类目标，其中，I类目标的优先权高于II类目标。
在对于超出子群规模上限的子群联盟进行评估时，对其内部成员进行优势地位排序，首先将子群内部成员机器人按照任务目标的类别进行排序，任务目标为I类目标的成员优于任务目标为II类目标的所有成员；然后在任务目标类别相同的情况下，再对成员机器人按照目标激励强度原则进行降幂排序；如果任务目标类型相同且目标激励强度相同时，则再按照到与其进行邻域通信个体机器人距离原则进行降幂排序；详见表3。
表3
Figure BDA0002639967720000171
4-3)根据排序结果，优势排名未进入子群规模上限的个体机器人退出该子群，并触发惩罚机制，即一定时间内不参与任务分工，惩罚结束后其通过二次加盟的方式继续加入有共同任务目标的子群联盟；进入子群规模上限内的其他个体机器人形成新的子群联盟，参与协同搜索。
由表3可知，R1、R5、R7、R8的目标任务类型为I类，R2、R3、R4、R6的目标任务类型为II类。按照上述排序规则，I类目标的个体的在子群中的优势地位高于II类目标，而且在相同任务目标类型的情况下，任务激励越强，其相应的优势地位越高，故R1在子群中的优势最大。在任务目标为II类目标且目标激励相同的个体中，到通信主体的距离越近其相应的优势地位则越高，故而R2的优势高于R3。由于本文子群规模的上限设置为6个机器人，因此优势排名未进入前6的R4和R6个体退出该子群，并触发惩罚机制，即一定时间内不参与任务分工。惩罚结束后其仍可通过二次加盟的方式继续加入有共同任务目标的子群联盟。通过建立这种机器人退盟和二次加盟的机制，实现了部分机器人在不同子群之间的动态迁移，从而使得机器人资源得到合理的配置。
4-4)新的子群联盟中的子群Learder进行广播和监听，判断子群Learder是否监听到其他子群的信息，若是，则子群之间协同搜索，此新的子群联盟更新子群信息名片，并在子群内部广播子群消息名片，然后进入步骤五；若否，则直接进入步骤五。
步骤五：基于机器人的简化虚拟受力分析模型和扩展微粒群算法，建立个体机器人的控制输入策略，控制处于漫游搜索状态和协同搜索状态下的机器人搜索意向目标。
如图2所示，简化虚拟受力分析模型如下：
在全局坐标系XOY中，假设机器人Ri通过传感器感知两近邻对象p1,p2的位置信息，p1,p2为个体机器人或静态凸障碍物，机器人t时刻位置坐标为Ri(xi,yi)，位置矢量
Figure BDA0002639967720000181
分别定义为：
Figure BDA0002639967720000182
机器人Ri下一时刻以速度Vif(t+1)向p0运动，p0表示虚拟目标点，其受到P0的引力作用和对象p1、p2的斥力作用分别记为fac、fre1和fre2；γfac为机器人受到的引力矢量fac到x轴正半轴的有向角，即机器人的期望运动方向，fre1和fre2到x轴正半轴的有向角分别为γfre1和γfre2；frem为机器人受到的斥力在与期望运动方向垂直方向上的合力，γfrem＝γfac-π/2为frem到x轴正半轴的方向角，fRi是Ri的整体受力；
用机器人Ri的t时刻所受的合力表示其实际需求速度，即
Figure BDA0002639967720000183
其中：frem＝(fre1(||dip1||)·cos(dvgl(γfrem-γfre1))+fre2(||dip2||)·cos(dvgl(γfrem-γfre2)))；fac是下一时刻位置p0对机器人Ri的施力函数，按式(5)计算，fre1(||dip1||)和fre2(||dip2||)分别为对象p1、p2对机器人Ri的施力函数，按式(6)和式(7)计算，dvgl(γfrem-γfre1)和dvgl(γfrem-γfre2)分别是两邻近对象斥力的偏角；如果将frem直接等效为Ri与下一时刻运动方向相垂直方向上的速度Vir(t+1)，则存在关系Vir(t+1)＝frem，Vif′(t+1)＝Vif(t+1)+Vir(t+1)。
基于扩展微粒群算法的群机器人系统模型的数学表达式为：
Figure BDA0002639967720000191
Xif(t)和Vif(t)分别表示机器人Ri时刻t的速度和位置矢量，Vie(t+1)是机器人下一时刻的期望速度，c1和c2分别为机器人的认知系数和社会系数，r1和r2为区间(0,1)内的随机变量，ω是惯性权重，Xif *(t)表示截止时刻t机器人经历的最优位置，g(t)为种群截止时刻t遍历的最优位置；α是机器人的运动惯性因子，λ为步幅控制因子。
个体机器人的控制输入策略如下：
V′if(t+1)和θ′if(t+1)分别表示Ri下一时刻实际需求速度和运动方向，da是Ri到最近对象的距离，cm表示机器人开始加强避碰的最大距离；机器人Ri在不同状态下的运动控制输入分别为：
如果Ri处于漫游状态下，
Figure BDA0002639967720000192
Vm为机器人最大运行速度；针对漫游状态下的个体机器人设计了以最大速行驶同时与两近邻运动方向不同且保证最大搜索面积原则的漫游策略；
如果Ri处于协同搜索状态下，
Figure BDA0002639967720000193
为了分析本文所提出未知复杂环境下群机器人多目标搜索方法的性能，设计了系统规模从30到80以10为梯级的群机器人系统在相同的搜索环境下对7个目标的搜索对比实验，同时记录了子群规模为30时群机器人搜索过程的运动轨迹，并对其避碰和搜索性能进行了分析。系统参数的设置见表4。
表4
Figure BDA0002639967720000201
仿真结果
鉴于算法的随机性，依次将不同规模的群机器人系统分别在本文所提出的未知复杂环境下群机器人搜索策略(SRSMT-SVF)与ZHANG等提出的基于扩展微粒群算法(EPSO)的搜索策略在相同的搜索环境中重复运行30次，图4为二者完成任务所耗平均时间比较。
为了分析本文提出算法的避碰与搜索性能，记录了种群规模为30的群机器人系统的仿真结果，如图4所示，黑色实线部分表示环境中各种形状的凸障碍物边缘；实心大圆表示环境中所有待搜索的目标；个体机器人用空心小圈表示，对应的数字为机器人编号，同时指明了当前时刻机器人的运动方向；搜素过程中缔结的子群联盟记为SubT(T表示子群搜索目标的编号)，并用直线把子群成员连接起来，而其它没有连接的个体则表示正处于漫游搜索状态。
如图5(a)所示，群机器人初始化在20～80unit的矩形区域内，搜索伊始，所有机器人均处于漫游状态。T＝69时，系统内部成员在子群层面上完成一次自组织任务分工后，编号为22、7、19、6、29、3的个体成功缔结子群Sub1，如图5(b)所示。子群成员的搜索状态相应地从漫游状态转变为协同状态，其它个体没有能够缔结子群，继续以漫游策略搜索。
子群Sub1在搜索目标1的过程中，其它漫游机器人仍然需要不断地根据目标检测情况完成自组织任务分工，具有共同意向目标的个体缔结成子群的形式对目标进行协同搜索，这样群机器人系统能够并行地对目标进行搜索，从而极大地提高了综合搜索效率。如图5(c)所示，T＝91时，编号为18、8、26、27、16、28的个体缔结成子群Sub3，与子群Sub1开始并行搜索。
在图5(d)中，T＝106时，子群Sub1成员声明目标搜索成功，子群解散，成
员机器人相应地变为漫游状态，其整个搜索过程如图所示，编号为19的成员机器人在搜索过程中能够成功避开环境中三角形状凸障碍物。
T＝135时，子群Sub3成功搜索到目标3，子群的整个搜索过程如图5(e)所示，由图可知，成员机器人在搜索过程中能够成功的避开环境中的多边形状凸障碍物。T＝338时，由编号为21、7、19、22、30组成的子群Sub5成功搜索到最后一个目标5，其搜索过程如图5(f)所示，至此环境中所有的目标均已搜索成功。
结果分析：
纵观群机器人系统的整个搜索过程，在基于概率响应原则的多任务分工模型的基础上引入了包括目标响应强度评估与到通信个体距离排序等闭环调节策略，从而使得机器人资源的配置水平得到进一步改善。在系统的整个工作过程中，子群的规模能够完全保证在文章所设置的规模上限之内，本文设置子群上限为6，由仿真结果可知，在搜索过程中系统形成的子群规模不大于6。通过引入基于简化虚拟受力分析模型的避碰策略，个体机器人在整个搜索过程中能够成功避开环境中的各种形状的凸障碍物，如图5(d)、(e)、(f)所示。为了分析机器人之间的避碰效果，本文以子群Sub3为例，分析其整个搜索过程中两两成员之间的距离，如图5所示。子群Sub3成员包括编号为18、8、26、27、16、28的个体，为了方便表示依次记为1、2、3、4、5、6号个体。记机器人m到机器人n的距离为dmn，譬如d12则表示编号18机器人到编号8机器人的距离。
由图6可知，子群Sub3的成员之间在子群整个协同搜索过程中能够保持在本文所设置的最大避碰距离(安全距离)20之上，当个体之间的距离小于最大避碰距离时，个体之间能够迅速调整到安全距离之外。如d46(编号为27到编号为28的个体之间的距离)的偏差分析所示，t＝23与t＝38时，当机器人之间距离小于或等于20，下一时刻二者之间的距离能够迅速调整到安全距离之外。仿真实验表明，基于简化虚拟受力模型的个体控制输入策略能使得机器人在工作过程中与环境中的其它对象(个体机器人或障碍物)严格保持在所设置的安全距离之外，同时系统也能够成功搜索到环境中所有的目标。
针对未知复杂环境下群机器人多目标搜索问题，本发明着重于对系统任务分工模型与个体机器人的避碰研究。在基于概率原则与目标响应阈值的任务分工基础上，引入了子群规模评估的闭环调节策略。子群联盟缔结成功之后，将成员个体依次按照目标类型、目标响应强度和到通信主体距离进行排序，优势地位较低的成员自主退出子群联盟，并通过二次加盟的方式参与到其它子群的搜索，从而实现了部分机器人在不同子群之间的迁移，使得系统机器人资源得道合理地配置。围绕机器人避碰问题，本发明在子群联盟内部与漫游状态下的个体两个层面上，引入了简化虚拟受力模型，并据此设计出机器人的运动控制方法。由于该模型下机器人只需考虑两近邻对象的信息就能够给出合理的运动输入，有效地避开环境中的各种形状的凸障碍物以及其它个体，因而在一定程度上降低了计算的复杂性，减少了系统的各种碰撞冲突，从而提高了系统的搜索效率。

Claims (9)

1.一种未知复杂凸环境下群机器人多目标搜索方法，其特征在于，包括以下步骤：
步骤一：构建未知复杂凸环境移动机器人运动学模型、各类对象的施力函数、多目标搜索任务模型；
步骤二：机器人检测目标信号，根据动态闭环自组织任务分工模型确定意向目标；
步骤三：将没有共同意向目标的个体机器人处于漫游搜索状态，将有共同意向目标的个体机器人处于协同搜索状态，处于协同搜索状态的各机器人形成子群联盟；
步骤四：在基于目标响应阈值与概率原则的任务分工模型的基础上引入闭环调节策略，对于超出子群规模上限的子群联盟进行机器人资源配置水平评估，并把评估后结果作为负反馈引入到任务分工模型之中，进行子群内部的资源配置，完成二次分配，形成新的子群联盟，对目标进行局部协同搜索，从而并行化执行搜索任务；
步骤五：基于机器人的简化虚拟受力分析模型和扩展微粒群算法，建立个体机器人的控制输入策略，控制处于漫游搜索状态和协同搜索状态下的机器人搜索意向目标。
2.根据权利要求1所述的未知复杂凸环境下群机器人多目标搜索方法，其特征在于，所述步骤一中，构建移动机器人运动学模型和各类对象的施力函数的过程如下：
考虑包含若干相同自主式移动机器人的群体系统，个体机器人R的运动学方程如下：
Figure FDA0002639967710000021
其中，
Figure FDA0002639967710000022
表示机器人的线速度往x轴方向的分速度；
Figure FDA0002639967710000023
表示机器人的线速度往y轴方向的分速度；
Figure FDA0002639967710000024
表示机器人的在t时刻的角速度，V(t)和ω(t)分别为机器人的线速度与角速度，且满足|V(t)|≤Vm，|ω(t)|≤ωm，Vm、ωm分别是最大线速度和最大角速度；线加速度
Figure FDA0002639967710000025
和角加速度
Figure FDA0002639967710000026
满足
Figure FDA0002639967710000027
am、ωam分别表示最大线加速度和最大角加速度；
定义1：
Figure FDA0002639967710000028
分别表示有向线lp，lq的方向角，定义由lp到lq的角度记为
Figure FDA0002639967710000029
表示为：
Figure FDA00026399677100000210
函数dvgl(·)的表达式如下
dvgl(x)＝x-2πsgn(x)·ψ(|x|-π) (3)
其中：
Figure FDA00026399677100000211
定义2：在搜索环境中，各类对象，即目标、机器人和障碍物的施力函数分别为
Figure FDA00026399677100000212
frr(d)＝c/[(d/cr)2] (6)
fro(d)＝c/[(d/cs)2] (7)
其中Vi ac表示第i个机器人Ri受到目标T的虚拟速度矢量，frr(d)表示机器人与机器人之间的避碰斥力，fro(d)表示机器人与静态障碍物之间的避障斥力，
Figure FDA00026399677100000213
表示机器人Ri受到目标T的吸引力；d表示两点之间的距离；cr和cs分别表示机器人和障碍物的势域半径，c为机器人避障参数。
3.根据权利要求2所述的未知复杂凸环境下群机器人多目标搜索方法，其特征在于，所述步骤一中，多目标搜索任务模型如下：
在未知复杂环境中，设三元集合组M＝{R,T,S}包括了搜索主体群机器人R＝{Ri,i＝1,2,…m}、待搜索目标T＝{Tj,j＝1,2,…n,n>1}、静态凸障碍物S＝{Sk,k＝1,2,…os}，m表示群机器人的总数量，n表示搜索目标总数量，os表示凸障碍物总数量；对象p的在全局坐标系XOY中位置坐标记为Op＝{(xp,yp)p∈M}；cr,cs,rdec,rcom分别表示个体机器人势域半径、障碍物的势域半径、最大感知距离及最大有效通信距离，取rcom>rdec>cr>cs；则机器人Ri需要避开的静态障碍物表示为
Figure FDA0002639967710000031
机器人Ri势域半径内其它个体机器人记为
Figure FDA0002639967710000032
机器人Ri通信范围内其它个体机器人记为
Figure FDA0002639967710000033
机器人Ri可感知目标记为
Figure FDA0002639967710000034
4.根据权利要求3所述的未知复杂凸环境下群机器人多目标搜索方法，其特征在于，所述步骤二具体步骤为：
2-1)将目标分为Ⅰ类目标和Ⅱ类目标；
其中个体机器人直接检测到的目标称为Ⅰ类目标，个体机器人通过与通信范围内的其他个体机器人交互获得目标信息的这一类目标称为Ⅱ类目标；
2-2)根据个体机器人所获取的目标信息以及自身所处的状态，构建个体信息名片；
个体信息名片包含机器人编号、任务目标、任务类型、任务激励、通信个体、与通信个体之间距离、意向目标、个体机器人的状态；
其中任务激励用于表示目标响应函数，在未知复杂环境下，假设目标在环境中持续发出具有某种特征的信号，这种信号被机器人所感知，在有效检测范围内，机器人检测出的目标响应强度因与目标之间的距离不同而有所差异，目标响应函数用于描述这种目标响应强度，被定义为：
Figure FDA0002639967710000041
其中，P是目标中心发出的恒定信号功率，Iij表示机器人Ri对目标Tj的响应强度，其大小与距离的平方成反比关系；d表示机器人与目标之间的距离，d0为机器人最大感知范围；m0表示目标信号在环境中传播时的衰减系数，m0的取值在0～1之间，η()表示环境中的扰动；
2-3)判断个体机器人是否有Ⅰ类目标，若有，则从Ⅰ类目标中选取任务目标，若没有，则从Ⅱ类目标中选取任务目标；
2-4)基于任务响应阈值从任务目标中选取意向目标。
5.根据权利要求4所述的未知复杂凸环境下群机器人多目标搜索方法，其特征在于，所述步骤2-4)的具体过程为：
群机器人在执行多目标搜索任务时，将一个搜索目标视为一个子任务，成员机器人自主选择自己参加完成的子任务，一个子任务允许多个机器人参加，但一个机器人每次只能选择一个子任务；设目标响应阈值为Imin，Imin＝I(d0)，当成员机器人Ri在环境中检测到的目标Tj的响应值为Iij(d)>Imin时，则Ri把目标Tj作为自己备选意向目标之一；P(i,j)表示机器人Ri选择目标Tj作为自己参加完成任务的概率，其计算公式为
Figure FDA0002639967710000051
Intentioni，i＝1,2,…,m为机器人Ri的备选意向目标的集合；设Randi为一取值0～1的随机数，当P(i,j)>Randi时，机器人Ri选择目标Tj作为自己的搜索目标；成员机器人基于同样的原则对所检测到目标响应给予评估，并自主确定一个意向目标。
6.根据权利要求5所述的未知复杂凸环境下群机器人多目标搜索方法，其特征在于，所述步骤四的具体步骤为：
4-1)在子群形成之后，为了方便子群内部信息的采集和子群之间的交互，定义子群信息名片；
子群信息名片包括子群编号、子群任务目标、子群Learder、成员机器人信息、子群规模、子群招募名额、子群最优记录信息；子群Learder作为子群的领导者和对外发言人是指子群中优势地位最高的个体即距离目标最近的机器人；另外，每个子群都持有各自的最优记录表，包括自身搜索目标的最优信息和搜索过程中子群所获取的其它I类目标最优信息；
4-2)进行机器人资源配置水平评估；
在对于超出子群规模上限的子群联盟进行评估时，对其内部成员进行优势地位排序，首先将子群内部成员机器人按照任务目标的类别进行排序，任务目标为I类目标的成员优于任务目标为II类目标的所有成员；然后在任务目标类别相同的情况下，再对成员机器人按照目标激励强度原则进行降幂排序；如果任务目标类型相同且目标激励强度相同时，则再按照到与其进行邻域通信个体机器人距离原则进行降幂排序；
4-3)根据排序结果，优势排名未进入子群规模上限的个体机器人退出该子群，并触发惩罚机制，即一定时间内不参与任务分工，惩罚结束后其通过二次加盟的方式继续加入有共同任务目标的子群联盟；进入子群规模上限内的其他个体机器人形成新的子群联盟，参与协同搜索；
4-4)新的子群联盟中的子群Learder进行广播和监听，判断子群Learder是否监听到其他子群的信息，若是，则子群之间协同搜索，此新的子群联盟更新子群信息名片，并在子群内部广播子群消息名片，然后进入步骤五；若否，则直接进入步骤五。
7.根据权利要求6所述的未知复杂凸环境下群机器人多目标搜索方法，其特征在于，所述步骤五中，简化虚拟受力分析模型如下：
在全局坐标系XOY中，假设机器人Ri通过传感器感知两近邻对象p1,p2的位置信息，p1,p2为个体机器人或静态凸障碍物，机器人t时刻位置坐标为Ri(xi,yi)，位置矢量
Figure FDA0002639967710000061
分别定义为：
Figure FDA0002639967710000062
机器人Ri下一时刻以速度Vif(t+1)向p0运动，p0表示虚拟目标点，其受到P0的引力作用和对象p1、p2的斥力作用分别记为fac、fre1和fre2；γfac为机器人受到的引力矢量fac到x轴正半轴的有向角，即机器人的期望运动方向，fre1和fre2到x轴正半轴的有向角分别为γfre1和γfre2；frem为机器人受到的斥力在与期望运动方向垂直方向上的合力，γfrem＝γfac-π/2为frem到x轴正半轴的方向角，fRi是Ri的整体受力；
用机器人Ri的t时刻所受的合力表示其实际需求速度，即
Figure FDA0002639967710000071
其中：frem＝(fre1(||dip1||)·cos(dvgl(γfrem-γfre1))+fre2(||dip2||)·cos(dvgl(γfrem-γfre2)))；fac是下一时刻位置p0对机器人Ri的施力函数，按式(5)计算，fre1(||dip1||)和fre2(||dip2||)分别为对象p1、p2对机器人Ri的施力函数，按式(6)和式(7)计算，dvgl(γfrem-γfre1)和dvgl(γfrem-γfre2)分别是两邻近对象斥力的偏角；如果将frem直接等效为Ri与下一时刻运动方向相垂直方向上的速度Vir(t+1)，则存在关系Vir(t+1)＝frem，V′if(t+1)＝Vif(t+1)+Vir(t+1)。
8.根据权利要求7所述的未知复杂凸环境下群机器人多目标搜索方法，其特征在于，所述步骤五中，基于扩展微粒群算法的群机器人系统模型的数学表达式为：
Figure FDA0002639967710000072
Xif(t)和Vif(t)分别表示机器人Ri时刻t的速度和位置矢量，Vie(t+1)是机器人下一时刻的期望速度，c1和c2分别为机器人的认知系数和社会系数，r1和r2为区间(0,1)内的随机变量，ω是惯性权重，
Figure FDA0002639967710000073
表示截止时刻t机器人经历的最优位置，g(t)为种群截止时刻t遍历的最优位置；α是机器人的运动惯性因子，λ为步幅控制因子。
9.根据权利要求8所述的未知复杂凸环境下群机器人多目标搜索方法，其特征在于，所述步骤五中，个体机器人的控制输入策略如下：
V′if(t+1)和θ′if(t+1)分别表示Ri下一时刻实际需求速度和运动方向，da是Ri到最近对象的距离，cm表示机器人开始加强避碰的最大距离；机器人Ri在不同状态下的运动控制输入分别为：
如果Ri处于漫游状态下，
Figure FDA0002639967710000081
Vm为机器人最大运行速度；针对漫游状态下的个体机器人设计了以最大速行驶同时与两近邻运动方向不同且保证最大搜索面积原则的漫游策略；
如果Ri处于协同搜索状态下，
Figure FDA0002639967710000082
CN202010836774.3A 2020-08-19 2020-08-19 未知复杂凸环境下群机器人多目标搜索方法 Pending CN111857161A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010836774.3A CN111857161A (zh) 2020-08-19 2020-08-19 未知复杂凸环境下群机器人多目标搜索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010836774.3A CN111857161A (zh) 2020-08-19 2020-08-19 未知复杂凸环境下群机器人多目标搜索方法

Publications (1)

Publication Number Publication Date
CN111857161A true CN111857161A (zh) 2020-10-30

Family

ID=72969363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010836774.3A Pending CN111857161A (zh) 2020-08-19 2020-08-19 未知复杂凸环境下群机器人多目标搜索方法

Country Status (1)

Country Link
CN (1) CN111857161A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112894811A (zh) * 2021-01-20 2021-06-04 西北工业大学 基于群智能mas的分布式多机器人的智能控制方法及装置
CN113033306A (zh) * 2021-02-20 2021-06-25 同济大学 一种信号源搜索方法
CN113110524A (zh) * 2021-05-28 2021-07-13 北京理工大学 一种多机器人自组织协同与集群方法
CN113342030A (zh) * 2021-04-27 2021-09-03 湖南科技大学 基于强化学习的多无人机协同自组织控制方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111487995A (zh) * 2020-04-30 2020-08-04 湖南科技大学 基于三维简化虚拟模型的群无人机多目标搜索协作方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111487995A (zh) * 2020-04-30 2020-08-04 湖南科技大学 基于三维简化虚拟模型的群无人机多目标搜索协作方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张鑫: "未知复杂环境下群机器人多目标搜索研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112894811A (zh) * 2021-01-20 2021-06-04 西北工业大学 基于群智能mas的分布式多机器人的智能控制方法及装置
CN112894811B (zh) * 2021-01-20 2022-09-20 西北工业大学 基于群智能mas的分布式多机器人的智能控制方法及装置
CN113033306A (zh) * 2021-02-20 2021-06-25 同济大学 一种信号源搜索方法
CN113342030A (zh) * 2021-04-27 2021-09-03 湖南科技大学 基于强化学习的多无人机协同自组织控制方法及系统
CN113110524A (zh) * 2021-05-28 2021-07-13 北京理工大学 一种多机器人自组织协同与集群方法

Similar Documents

Publication Publication Date Title
CN111857161A (zh) 未知复杂凸环境下群机器人多目标搜索方法
Orozco-Rosas et al. Hybrid path planning algorithm based on membrane pseudo-bacterial potential field for autonomous mobile robots
Das et al. A hybridization of an improved particle swarm optimization and gravitational search algorithm for multi-robot path planning
Sharma et al. Path planning for multiple targets interception by the swarm of UAVs based on swarm intelligence algorithms: A review
Li et al. A probabilistic finite state machine based strategy for multi-target search using swarm robotics
Zheng et al. Group explosion strategy for searching multiple targets using swarm robotic
Portugal et al. On the performance and scalability of multi-robot patrolling algorithms
Sahu et al. A modified cuckoo search algorithm implemented with SCA and PSO for multi-robot cooperation and path planning
CN112405547B (zh) 未知环境下的群机器人多目标搜索方法
CN114706422B (zh) 基于未知环境碰撞冲突预测的群机器人多目标搜索方法
Xue et al. Multi-agent deep reinforcement learning for UAVs navigation in unknown complex environment
CN113504798A (zh) 一种仿生物群体协商行为的无人机集群协同目标搜索方法
Sahu et al. Multi-robot cooperation and path planning for stick transporting using improved Q-learning and democratic robotics PSO
CN115237151A (zh) 一种基于信息素启发的群无人机多运动目标搜索方法
CN115420294A (zh) 一种基于改进人工蜂群算法的无人机路径规划方法及系统
Ammar et al. Hybrid metaheuristic approach for robot path planning in dynamic environment
Mısır et al. Fuzzy-based self organizing aggregation method for swarm robots
Zhang et al. PSO-based sparse source location in large-scale environments with a uav swarm
Parhi et al. Humanoid robot path planning using memory-based gravity search algorithm and enhanced differential evolution approach in a complex environment
Zhang et al. Automatic curriculum learning for large-scale cooperative multiagent systems
CN114679729A (zh) 一种雷达通信一体化的无人机协同多目标探测方法
Chen et al. Deep reinforcement learning-based robot exploration for constructing map of unknown environment
Kumar et al. A novel hybrid framework for single and multi-robot path planning in a complex industrial environment
Panda et al. Autonomous mobile robot path planning using hybridization of particle swarm optimization and Tabu search
Zhang et al. Deep reinforcement learning for UAV swarm rendezvous behavior

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

Application publication date: 20201030

WD01 Invention patent application deemed withdrawn after publication