CN111882577B - 基于视场感知的群体避障与一致性行进方法和装置 - Google Patents

基于视场感知的群体避障与一致性行进方法和装置 Download PDF

Info

Publication number
CN111882577B
CN111882577B CN202010764679.7A CN202010764679A CN111882577B CN 111882577 B CN111882577 B CN 111882577B CN 202010764679 A CN202010764679 A CN 202010764679A CN 111882577 B CN111882577 B CN 111882577B
Authority
CN
China
Prior art keywords
item
current individual
repulsion
determining
attraction
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
CN202010764679.7A
Other languages
English (en)
Other versions
CN111882577A (zh
Inventor
肖延东
齐景涛
白亮
老松杨
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010764679.7A priority Critical patent/CN111882577B/zh
Publication of CN111882577A publication Critical patent/CN111882577A/zh
Application granted granted Critical
Publication of CN111882577B publication Critical patent/CN111882577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种基于视场感知的群体避障与一致性行进方法和装置。所述方法包括：获取种群中当前个体的环境图像信息；以当前个体为中心，设置排斥区域；根据环境信息图像，确定当前个体的视野遮挡信息，根据排斥区域和视野遮挡信息，设置当前个体的排斥感知函数和吸引感知函数；根据排斥感知函数确定排斥项，根据吸引感知函数确定吸引项，根据排斥项、吸引项以及预先获取的自驱项，确定当前时刻当前个体的速度变化项；根据速度变化项在行进方向和垂直行进方向上的分量，输出当前个体的速度变化量和角度变化量，根据速度变化量和角度变化量确定当前个体下一时刻的位置和速度。采用本方法能够提高种群在避障的一致性行进效果。

Description

基于视场感知的群体避障与一致性行进方法和装置
技术领域
本申请涉及图像视觉技术领域，特别是涉及一种基于视场感知的群体避障与一致性行进方法和装置。
背景技术
集体行为广泛存在于各类生物群体中，比如鱼群，蝗虫群，菌群，微管群，组织细胞群，车流和人群等。诸如此类协调有序的群体行为仅源于个体之间相对简单且局部的相互作用。通过这种交互方式，生物群体可以在各种情况下表现出单个体无法实现的分布，自适应，鲁棒性和等智能特性。生物群体可以表现出很多奇妙的运动模式，例如集群，避障，群体追捕和逃逸等。该领域的研究目的是在个体和群体层面上解释与上述模式相似的生物群体行为，并将生物群体的特性赋予人工集群系统。因此，作为一门交叉学科，群体行为建模和其内在机制研究极富挑战性。
在过去的几十年中，有多种模型被提出用来解决该类问题，例如，基于规则的模型，随机旋转模型和Boids模型。群体行为的经典模型往往基于以下行为规则：分离(避免碰撞)，校准(朝向邻居个体的平均速度方向)和聚集(朝向邻居的平均位置移动)。该类模型最初用于模拟鱼和鸟的集体行为。Aoki提出的随机旋转模型和Reynolds提出的Boids模型都属于这种类型的模型。物理学家提出了Vicesk模型，该模型考虑了个体之间的速度校准，探索了集体行为最简单的条件。后来，生物学家开发了Couzin模型，该模型在理论生物学中得到了广泛使用，并将其用于群体机器人的协调控制。
近年来，上述经典模型取得了长足的进步，但是从现象出发构建的模型与物理现实中个体的感知过程差距较大。此外，这些模型中的个体往往依赖邻居的位置和速度信息进行交互，且只关注到了群体行为的决策和驱动过程研究而忽略了感知过程，感知过程又恰恰是生物群体和人工集群系统之间的重要纽带。因此该类模型严重阻碍了我们对群体行为内在复杂性的理解。另一方面，神经科学对生物感知的过程的认识已较为清晰。Geisler等人使用描述性函数方法来研究了高等动物的初级视觉皮层的认知功能，并证明了在高等动物的视觉皮层中进行的是边缘检测。
从那时起，越来越多的研究人员以视觉投影为基础研究群体行为，这是解释各种生物中新兴群体行为的一个有希望的方向。以鱼群为例，Twomey等人以视觉感知信息作为输入来分析个体运动，发现视觉交互网络的结构特征与其拓扑结构不同。Rosenthal等人通过计算个体的视野研究鱼类中的相互作用网络，并揭示了社会传染的性质，他们充分证明了预测行为变化复杂级联的可行性。为研究鸟类，Pearce等人提出了最简单的混合投影并提除了密度控制的方法。对于人群，Moussaid等人提出了一种以视觉信息为指导的认知科学方法，以预测自组织现象并产生人群湍流现象。Lavergne等人通过个体根据视觉感知的运动性变化馋了生物群体的聚集模式，并将该原理应用于Janus粒子中加以实现。Schilling等人提出了一种基于卷积神经网络的数据驱动方法以研究基于视觉的群体行为，并实现了生物群体的一致性避障功能。这些模型假设个体的速度幅度不变，并且大多数现有模型都考虑了邻居速度信息依赖的速度校准以再现生物群的一致性，这给群体行为理论在人工集群系统中的应用带来了巨大挑战。
发明内容
基于此，有必要针对上述技术问题，提供一种能够解决人工集群系统一致性行进问题的一种基于群体避障的一致性行进方法、装置和计算机设备。
一种基于群体避障的一致性行进方法，所述方法包括：
获取种群中当前个体的环境图像信息；所述环境图像信息中包含种群中其他个体相对当前个体的位置信息；
以当前个体为中心，设置排斥区域；所述排斥区域定义为在所述排斥区域内的其他个体以及障碍物与当前个体产生排斥力，所述排斥区域外的其他个体与当前个体产生吸引力；
根据所述环境信息图像，确定当前个体的视野遮挡信息，根据所述排斥区域和所述视野遮挡信息，设置当前个体的排斥感知函数和吸引感知函数；所述排斥感知函数和所述吸引感知函数均是一维二值函数；
根据所述排斥感知函数确定排斥项，根据所述吸引感知函数确定吸引项，根据所述排斥项、所述吸引项以及预先获取的自驱项，确定当前时刻当前个体的速度变化项；
根据所述速度变化项在行进方向和垂直行进方向上的分量，输出当前个体的速度变化量和角度变化量，根据所述速度变化量和角度变化量确定当前个体下一时刻的位置和速度。
在其中一个实施例中，还包括：根据当前个体的正视方向构建参考坐标系；在参考坐标系中确定当前个体的速度信息为：
Figure BDA0002611996010000031
其中，
Figure BDA0002611996010000032
表示平行vi的单位向量，
Figure BDA0002611996010000033
表示垂直于vi的单位向量。
在其中一个实施例中，还包括：根据所述环境信息图像，确定当前个体的视野被遮挡的角度区间；将所述角度区间对应的值设置为1，将其他区间的值设置为0；根据角度区间和其他区间对应的值，得到当前个体的排斥感知函数和吸引感知函数。
在其中一个实施例中，还包括：根据所述排斥感知函数确定排斥项，根据所述吸引感知函数确定吸引项，根据所述排斥项、所述吸引项以及预先获取的自驱项，确定当前时刻当前个体的速度变化项为：
Figure BDA0002611996010000034
其中，Find(vi)表示自驱项，
Figure BDA0002611996010000035
表示排斥项，
Figure BDA0002611996010000036
表示吸引项，
Figure BDA0002611996010000037
表示排斥感知函数，
Figure BDA0002611996010000038
表示吸引感知函数，
Figure BDA0002611996010000039
表示速度变化项；
其中，
Figure BDA0002611996010000041
γ表示速度松弛率，vo表示预设的速度阈值，λ表示
Figure BDA0002611996010000042
与
Figure BDA0002611996010000043
的相对比值，Mi表示所述角度区间的个数，α表示速度控制率，β表示角度控制率。
在其中一个实施例中，还包括：根据所述速度变化项在行进方向和垂直行进方向上的分量，输出当前个体的速度变化量和角度变化量分别为：
Figure BDA0002611996010000044
其中，
Figure BDA0002611996010000045
表示速度变化量；
Figure BDA0002611996010000046
其中，
Figure BDA0002611996010000047
表示角度变化量。
在其中一个实施例中，还包括：构建当前个体的运动方程为：
Figure BDA00026119960100000413
其中，ri表示当前个体的位置信息；对所述运动方程离散化，得到当前个体下一时刻的位置和速度。
在其中一个实施例中，还包括：获取种群旋转运动的局部极角为：
Figure BDA0002611996010000048
其中，
Figure BDA0002611996010000049
和
Figure BDA00026119960100000410
为个体相对于场景中心的平均位置，而
Figure BDA00026119960100000411
和
Figure BDA00026119960100000412
为个体的平均速度。当ILAP为0时，该群体进行线性运动，而当ILAP为1和-1时，分别群体逆时针旋转和顺时针旋转；设置种群中个体一致性评价指标为：
Figure BDA0002611996010000051
Figure BDA0002611996010000052
其中，其中
Figure BDA0002611996010000053
为平行于vi(t)的单位向量，根据Ivel和
Figure BDA0002611996010000054
的值是否接近于1，判断一致性行进效果；根据个体与障碍物之间的最小距离，确定种群的避障效果；根据个体之间的最小距离和平均邻居距离，确定个体防碰撞效果。
一种基于群体避障的一致性行进装置，所述装置包括：
图像获取模块，用于获取种群中当前个体的环境图像信息；所述环境图像信息中包含种群中其他个体相对当前个体的位置信息；
区域设置模块，用于以当前个体为中心，设置排斥区域；所述排斥区域定义为在所述排斥区域内的其他个体以及障碍物与当前个体产生排斥力，所述排斥区域外的其他个体与当前个体产生吸引力；
感知函数构建模块，用于根据所述环境信息图像，确定当前个体的视野遮挡信息，根据所述排斥区域和所述视野遮挡信息，设置当前个体的排斥感知函数和吸引感知函数；所述排斥感知函数和所述吸引感知函数均是一维二值函数；
决策模块，用于根据所述排斥感知函数确定排斥项，根据所述吸引感知函数确定吸引项，根据所述排斥项、所述吸引项以及预先获取的自驱项，确定当前时刻当前个体的速度变化项；
输出模块，用于根据所述速度变化项在行进方向和垂直行进方向上的分量，输出当前个体的速度变化量和角度变化量，根据所述速度变化量和角度变化量确定当前个体下一时刻的位置和速度。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取种群中当前个体的环境图像信息；所述环境图像信息中包含种群中其他个体相对当前个体的位置信息；
以当前个体为中心，设置排斥区域；所述排斥区域定义为在所述排斥区域内的其他个体以及障碍物与当前个体产生排斥力，所述排斥区域外的其他个体与当前个体产生吸引力；
根据所述环境信息图像，确定当前个体的视野遮挡信息，根据所述排斥区域和所述视野遮挡信息，设置当前个体的排斥感知函数和吸引感知函数；所述排斥感知函数和所述吸引感知函数均是一维二值函数；
根据所述排斥感知函数确定排斥项，根据所述吸引感知函数确定吸引项，根据所述排斥项、所述吸引项以及预先获取的自驱项，确定当前时刻当前个体的速度变化项；
根据所述速度变化项在行进方向和垂直行进方向上的分量，输出当前个体的速度变化量和角度变化量，根据所述速度变化量和角度变化量确定当前个体下一时刻的位置和速度。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取种群中当前个体的环境图像信息；所述环境图像信息中包含种群中其他个体相对当前个体的位置信息；
以当前个体为中心，设置排斥区域；所述排斥区域定义为在所述排斥区域内的其他个体以及障碍物与当前个体产生排斥力，所述排斥区域外的其他个体与当前个体产生吸引力；
根据所述环境信息图像，确定当前个体的视野遮挡信息，根据所述排斥区域和所述视野遮挡信息，设置当前个体的排斥感知函数和吸引感知函数；所述排斥感知函数和所述吸引感知函数均是一维二值函数；
根据所述排斥感知函数确定排斥项，根据所述吸引感知函数确定吸引项，根据所述排斥项、所述吸引项以及预先获取的自驱项，确定当前时刻当前个体的速度变化项；
根据所述速度变化项在行进方向和垂直行进方向上的分量，输出当前个体的速度变化量和角度变化量，根据所述速度变化量和角度变化量确定当前个体下一时刻的位置和速度。
上述基于视场感知的群体避障与一致性行进方法和装置，以种群中个体为出发点，获取环境图像信息，环境图像信息中包含了其他个体的位置信息，然后以当前个体为中心，设置排斥区域，即排斥区域定义为在排斥区域内的其他个体以及障碍物与当前个体产生排斥力，排斥区域外的其他个体与当前个体产生吸引力。根据环境信息图像，确定当前个体的视野遮挡信息，根据排斥区域和视野遮挡信息，设置当前个体的排斥感知函数和吸引感知函数。根据排斥感知函数确定排斥项，根据吸引感知函数确定吸引项，根据排斥项、吸引项以及预先获取的自驱项，确定当前时刻当前个体的速度变化项，最终根据速度变化项在行进方向和垂直行进方向上的分量，输出当前个体的速度变化量和角度变化量，根据速度变化量和角度变化量确定当前个体下一时刻的位置和速度。本发明实施例中，基于视场感知，通过定义排斥力和吸引力，可以提高群体避障与一致性行进的效果。
附图说明
图1为一个实施例中基于视场感知的群体避障与一致性行进方法的示意性流程图；
图2为一个实施例中排斥区域的示意图；
图3为一个实施例中视野遮挡的示意图；
图4为一个实施例中基于视场感知的群体避障与一致性行进装置的结构图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，提供了一种基于群体避障的一致性行进方法，包括以下步骤：
步骤102，获取种群中当前个体的环境图像信息。
环境图像信息中包含种群中其他个体与障碍物相对当前个体的位置信息。
种群可以是多个无人机组成的种群，也可以是多个任务机器人组成的种群，在此不做具体限制，以无人机种群为例，无人机种群接收到任务时，可能需要一致性行进，在行进过程中也需要确保避障，以避免由于撞机产生的损耗。无人机上可以设置摄像头，用来获取环境图像信息，摄像头可以在各个自由度上旋转，从而可以获取到周围的环境信息，另外，摄像头可以是多个，分别负责确定视场内的环境图像，从而通过拼接得到360度的环境图像信息，因此，存在多种获取环境图像信息的方式，本实施例对环境图像信息获取的步骤不做具体限制。
具体在得到环境图像之后，可以对图像进行处理，确定出环境图像中的障碍物以及其他个体的位置信息，并进行标记，得到环境图像信息。
步骤104，以当前个体为中心，设置排斥区域。
排斥区域定义为在排斥区域内的其他个体以及障碍物与当前个体产生排斥力，排斥区域外的其他个体与当前个体产生吸引力。
具体的，排斥区域的形状自行设置，以设置为圆形为例，具体如图2所示，repulsion area指的是排斥区域，排斥区域外的区域是吸引区域，吸引区域在图示中为attraction area。
步骤106，根据环境信息图像，确定当前个体的视野遮挡信息，根据排斥区域和视野遮挡信息，设置当前个体的排斥感知函数和吸引感知函数。
排斥感知函数和吸引感知函数均是一维二值函数。
视野遮挡指的是被其他个体或者障碍物遮挡的角度，值得说明的是，若在视线角度上，存在多个其他个体获取障碍物，则将其叠加，形成相应的遮挡角度。然后通过遮挡信息，设置排斥感知函数和吸引感知函数。值得说明的是，通过角度的大小，可以确定排斥感知函数和吸引感知函数的值，例如，角度越大，可能的情况包括：障碍物或者其他个体离当前个体越近，或者，障碍物和其他个体越多。
步骤108，根据排斥感知函数确定排斥项，根据吸引感知函数确定吸引项，根据排斥项、吸引项以及预先获取的自驱项，确定当前时刻当前个体的速度变化项。
自驱项可以根据速度阈值、当前速度以及速度松弛率确定。由于排斥项和吸引项分别是根据排斥感知函数和吸引感知函数确定的，因此可以确定，遮挡信息中的角度越大，对排斥项的需求越高，遮挡信息中的角度越小，对吸引力项的需求就越大。
步骤110，根据速度变化项在行进方向和垂直行进方向上的分量，输出当前个体的速度变化量和角度变化量，根据速度变化量和角度变化量确定当前个体下一时刻的位置和速度。
上述基于视场感知的群体避障与一致性行进方法中，以种群中个体为出发点，获取环境图像信息，环境图像信息中包含了其他个体的位置信息，然后以当前个体为中心，设置排斥区域，即排斥区域定义为在排斥区域内的其他个体以及障碍物与当前个体产生排斥力，排斥区域外的其他个体与当前个体产生吸引力。根据环境信息图像，确定当前个体的视野遮挡信息，根据排斥区域和视野遮挡信息，设置当前个体的排斥感知函数和吸引感知函数。根据排斥感知函数确定排斥项，根据吸引感知函数确定吸引项，根据排斥项、吸引项以及预先获取的自驱项，确定当前时刻当前个体的速度变化项，最终根据速度变化项在行进方向和垂直行进方向上的分量，输出当前个体的速度变化量和角度变化量，根据速度变化量和角度变化量确定当前个体下一时刻的位置和速度。本发明实施例中，基于视场感知，通过定义排斥力和吸引力，可以提高群体避障与一致性行进的效果。
在其中一个实施例中，根据当前个体的正视方向构建参考坐标系；在参考坐标系中确定当前个体的速度信息为：
Figure BDA0002611996010000091
其中，
Figure BDA0002611996010000101
表示平行vi的单位向量，
Figure BDA0002611996010000102
表示垂直于vi的单位向量。通过确定参考坐标系，便于确定其他个体相对于当前个体的方位角，从而进一步确定遮挡的角度信息。
具体的，参考坐标系的坐标原点是当前个体，因此在设置排斥区域时，可以根据当前个体的半径范围内设置为排斥区域，其他区域设置的吸引区域。
在其中一个实施例中，根据环境信息图像，确定当前个体的视野被遮挡的角度区间；将角度区间对应的值设置为1，将其他区间的值设置为0；根据角度区间和其他区间对应的值，得到当前个体的排斥感知函数和吸引感知函数。
具体的，如图3所示，当前个体的视野是360度，其视觉感知由视野遮挡与否表示。视野遮挡方向的Vi(φi)的值为1(否则为0)。此外，障碍物只有在排斥区域是才会被考虑，即障碍仅对个体产生排斥力。通过这种方式，获得一维二值函数
Figure BDA0002611996010000103
和
Figure BDA0002611996010000104
其无法区分物体。视野的遮挡区域角度的下边界和上边界分别为φi,j,0和φi,j,1。因此，其具有以下定义：
Figure BDA0002611996010000105
Figure BDA0002611996010000106
该结果与生物学家在高等动物的视皮层神经中进行边缘检测的发现一致，由此可以说明上述定义的排斥感知函数和吸引感知函数的有效性。
在其中一个实施例中，根据排斥感知函数确定排斥项，根据吸引感知函数确定吸引项，根据排斥项、吸引项以及预先获取的自驱项，确定当前时刻当前个体的速度变化项为：
Figure BDA0002611996010000107
其中，Find(vi)表示自驱项，
Figure BDA0002611996010000108
表示排斥项，
Figure BDA0002611996010000109
表示吸引项，
Figure BDA00026119960100001010
表示排斥感知函数，
Figure BDA00026119960100001011
表示吸引感知函数，
Figure BDA00026119960100001012
表示速度变化项；
其中，
Figure BDA0002611996010000111
γ表示速度松弛率，vo表示预设的速度阈值，λ表示
Figure BDA0002611996010000112
与
Figure BDA0002611996010000113
的相对比值，Mi表示角度区间的个数，α表示速度控制率，β表示角度控制率。
在排斥项和吸引项的设置时，分别是以排斥感知函数和吸引感知函数作为输入的，视野遮挡区域的中心单位向量在
Figure BDA0002611996010000114
和
Figure BDA0002611996010000115
方向上的投影分别形成
Figure BDA0002611996010000116
和
Figure BDA0002611996010000117
的一个因子，以该方式，投影
Figure BDA0002611996010000118
和
Figure BDA0002611996010000119
分别表征相对方向对vi和ψi的影响，个体间的距离越近，视野的遮挡区域的角度越宽，对
Figure BDA00026119960100001110
的需求就越大。因此，将
Figure BDA00026119960100001111
设置为
Figure BDA00026119960100001112
其中一个因子。相反，通过将
Figure BDA00026119960100001113
设置为
Figure BDA00026119960100001114
的一个因子，以实现个体间的距离越远，视野的遮挡区域的角度越小，对
Figure BDA00026119960100001115
的需求就越大。因此，因子
Figure BDA00026119960100001116
和
Figure BDA00026119960100001117
用于表征相对距离对vi和ψi的影响。
以具体实施例进行说明，位于前方(后方)的另一个体与个体i距离小于R时，其产生排斥力以使其个体i减速(加速)。相反，位于前方(后方)的另一个体与个体i距离大于R时，其产生吸引力以使其个体i加速(减速)。同样的，位于左侧(右侧)的另一个体与个体i距离小于R时，其产生排斥力以使其个体i顺时针(逆时针)旋转。相反，位于左侧(右侧)的另一个体与个体i距离大于R时，其产生吸引力以使其个体i逆时针(顺时针)旋转。
在其中一个实施例中，根据速度变化项在行进方向和垂直行进方向上的分量，输出当前个体的速度变化量和角度变化量分别为：
Figure BDA00026119960100001118
Figure BDA0002611996010000121
其中，
Figure BDA0002611996010000122
表示速度变化量；
Figure BDA0002611996010000123
其中，
Figure BDA0002611996010000124
表示角度变化量。
在其中一个实施例中，构建当前个体的运动方程为：
Figure BDA0002611996010000125
其中，ri表示当前个体的位置信息；
对运动方程离散化，得到当前个体下一时刻的位置和速度。
具体的，对运动方程离散化为：
Figure BDA0002611996010000126
其中，Δt为时间变化量，将时间t的上限设置为tmax。
在其中一个实施例中，获取种群旋转运动的局部极角为：
Figure BDA0002611996010000127
其中，
Figure BDA00026119960100001212
和
Figure BDA00026119960100001213
为个体相对于场景中心的平均位置，而
Figure BDA0002611996010000128
和
Figure BDA0002611996010000129
为个体的平均速度。当ILAP为0时，该群体进行线性运动，而当ILAP为1和-1时，分别群体逆时针旋转和顺时针旋转；
设置种群中个体一致性评价指标为：
Figure BDA00026119960100001210
Figure BDA00026119960100001211
其中，其中
Figure BDA0002611996010000131
为平行于vi(t)的单位向量，根据Ivel和
Figure BDA0002611996010000132
的值是否接近于1，判断一致性行进效果；根据个体与障碍物之间的最小距离，确定种群的避障效果；根据个体之间的最小距离和平均邻居距离，确定个体防碰撞效果。
具体的，定义个体与障碍物之间的最小距离
Figure BDA0002611996010000133
以衡量群体的避障效果
Figure BDA0002611996010000134
其中
Figure BDA0002611996010000135
是个体i与障碍物之间的最小距离。当
Figure BDA0002611996010000136
时，个体与障碍物间发生碰撞，仿真停止。
为了评估个体间的避撞，我们定了了个体之间的最小距离
Figure BDA0002611996010000137
和平均最近邻居距离
Figure BDA00026119960100001311
Figure BDA0002611996010000139
Figure BDA00026119960100001310
其中dij(t)是个体i与j之间的距离。
应该理解的是，虽然流程图1中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图4所示，在一个实施例中，提供了一种基于视场感知的群体避障与一致性行进装置，包括：
图像获取模块402，用于获取种群中当前个体的环境图像信息；所述环境图像信息中包含种群中其他个体相对当前个体的位置信息；
区域设置模块404，用于以当前个体为中心，设置排斥区域；所述排斥区域定义为在所述排斥区域内的其他个体以及障碍物与当前个体产生排斥力，所述排斥区域外的其他个体与当前个体产生吸引力；
感知函数构建模块406，用于根据所述环境信息图像，确定当前个体的视野遮挡信息，根据所述排斥区域和所述视野遮挡信息，设置当前个体的排斥感知函数和吸引感知函数；所述排斥感知函数和所述吸引感知函数均是一维二值函数；
决策模块408，用于根据所述排斥感知函数确定排斥项，根据所述吸引感知函数确定吸引项，根据所述排斥项、所述吸引项以及预先获取的自驱项，确定当前时刻当前个体的速度变化项；
输出模块410，用于根据所述速度变化项在行进方向和垂直行进方向上的分量，输出当前个体的速度变化量和角度变化量，根据所述速度变化量和角度变化量确定当前个体下一时刻的位置和速度。
在其中一个实施例中，坐标构建模块，用于根据当前个体的正视方向构建参考坐标系；
在参考坐标系中确定当前个体的速度信息为：
Figure BDA0002611996010000141
其中，
Figure BDA0002611996010000142
表示平行vi的单位向量，
Figure BDA0002611996010000143
表示垂直于vi的单位向量。
在其中一个实施例中，感知函数构建模块406还用于根据所述环境信息图像，确定当前个体的视野被遮挡的角度区间；将所述角度区间对应的值设置为1，将其他区间的值设置为0；根据角度区间和其他区间对应的值，得到当前个体的排斥感知函数和吸引感知函数。
在其中一个实施例中，决策模块408还用于根据所述排斥感知函数确定排斥项，根据所述吸引感知函数确定吸引项，根据所述排斥项、所述吸引项以及预先获取的自驱项，确定当前时刻当前个体的速度变化项为：
Figure BDA0002611996010000144
其中，Find(vi)表示自驱项，
Figure BDA0002611996010000145
表示排斥项，
Figure BDA0002611996010000146
表示吸引项，
Figure BDA0002611996010000147
表示排斥感知函数，
Figure BDA0002611996010000148
表示吸引感知函数，
Figure BDA0002611996010000149
表示速度变化项；
其中，
Figure BDA0002611996010000151
γ表示速度松弛率，vo表示预设的速度阈值，λ表示
Figure BDA0002611996010000152
与
Figure BDA0002611996010000153
的相对比值，Mi表示所述角度区间的个数，α表示速度控制率，β表示角度控制率。
在其中一个实施例中，输出模块410还用于根据所述速度变化项在行进方向和垂直行进方向上的分量，输出当前个体的速度变化量和角度变化量分别为：
Figure BDA0002611996010000154
其中，
Figure BDA0002611996010000155
表示速度变化量；
Figure BDA0002611996010000156
其中，
Figure BDA0002611996010000157
表示角度变化量。
在其中一个实施例中，输出模块410还用于构建当前个体的运动方程为：
Figure BDA0002611996010000158
其中，ri表示当前个体的位置信息；对所述运动方程离散化，得到当前个体下一时刻的位置和速度。
在其中一个实施例中，还包括：评价模块，用于获取种群旋转运动的局部极角为：
Figure BDA0002611996010000159
其中，
Figure BDA0002611996010000161
和
Figure BDA0002611996010000162
为个体相对于场景中心的平均位置，而
Figure BDA0002611996010000163
和
Figure BDA0002611996010000164
为个体的平均速度。当ILAP为0时，该群体进行线性运动，而当ILAP为1和-1时，分别群体逆时针旋转和顺时针旋转；设置种群中个体一致性评价指标为：
Figure BDA0002611996010000165
Figure BDA0002611996010000166
其中，其中
Figure BDA0002611996010000167
为平行于vi(t)的单位向量，根据Ivel和
Figure BDA0002611996010000168
的值是否接近于1，判断一致性行进效果；根据个体与障碍物之间的最小距离，确定种群的避障效果；根据个体之间的最小距离和平均邻居距离，确定个体防碰撞效果。
关于基于视场感知的群体避障与一致性行进装置的具体限定可以参见上文中对于基于视场感知的群体避障与一致性行进方法的限定，在此不再赘述。上述基于视场感知的群体避障与一致性行进装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于群体避障的一致性行进方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于视场感知的群体避障与一致性行进方法，所述方法包括：
获取种群中当前个体的环境图像信息；所述环境图像信息中包含种群中其他个体与障碍物相对当前个体的位置信息；
以当前个体为中心，设置排斥区域；所述排斥区域定义为在所述排斥区域内的其他个体以及障碍物与当前个体产生排斥力，所述排斥区域外的其他个体与当前个体产生吸引力；
根据所述环境图像信息，确定当前个体的视野遮挡信息，根据所述排斥区域和所述视野遮挡信息，设置当前个体的排斥感知函数和吸引感知函数；所述排斥感知函数和所述吸引感知函数均是一维二值函数；
根据所述排斥感知函数确定排斥项，根据所述吸引感知函数确定吸引项，根据所述排斥项、所述吸引项以及预先获取的自驱项，确定当前时刻当前个体的速度变化项；
根据所述速度变化项在行进方向和垂直行进方向上的分量，输出当前个体的速度变化量和角度变化量，根据所述速度变化量和角度变化量确定当前个体下一时刻的位置和速度。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据当前个体的正视方向构建参考坐标系；
在参考坐标系中确定当前个体的速度信息为：
Figure FDA0002611994000000011
其中，
Figure FDA0002611994000000012
表示平行vi的单位向量，
Figure FDA0002611994000000013
表示垂直于vi的单位向量。
3.根据权利要求2所述的方法，其特征在于，根据所述环境信息图像，确定当前个体的视野遮挡信息，根据所述排斥区域和所述视野遮挡信息，设置当前个体的排斥感知函数和吸引感知函数，包括：
根据所述环境信息图像，确定当前个体的视野被遮挡的角度区间；
将所述角度区间对应的值设置为1，将其他区间的值设置为0；
根据角度区间和其他区间对应的值，得到当前个体的排斥感知函数和吸引感知函数。
4.根据权利要求3所述的方法，其特征在于，根据所述排斥感知函数确定排斥项，根据所述吸引感知函数确定吸引项，根据所述排斥项、所述吸引项以及预先获取的自驱项，确定当前时刻当前个体的速度变化项，包括：
根据所述排斥感知函数确定排斥项，根据所述吸引感知函数确定吸引项，根据所述排斥项、所述吸引项以及预先获取的自驱项，确定当前时刻当前个体的速度变化项为：
Figure FDA0002611994000000021
其中，Find(vi)表示自驱项，
Figure FDA0002611994000000022
表示排斥项，
Figure FDA0002611994000000023
表示吸引项，
Figure FDA0002611994000000024
表示排斥感知函数，
Figure FDA0002611994000000025
表示吸引感知函数，
Figure FDA0002611994000000026
表示速度变化项；
其中，
Figure FDA0002611994000000027
γ表示速度松弛率，vo表示预设的速度阈值，λ表示
Figure FDA0002611994000000028
与
Figure FDA0002611994000000029
的相对比值，Mi表示所述角度区间的个数，α表示速度控制率，β表示角度控制率。
5.根据权利要求4所述的方法，其特征在于，根据所述速度变化项在行进方向和垂直行进方向上的分量，输出当前个体的速度变化量和角度变化量，包括：
根据所述速度变化项在行进方向和垂直行进方向上的分量，输出当前个体的速度变化量和角度变化量分别为：
Figure FDA0002611994000000031
其中，
Figure FDA0002611994000000032
表示速度变化量；
Figure FDA0002611994000000033
其中，
Figure FDA0002611994000000034
表示角度变化量。
6.根据权利要求5所述的方法，其特征在于，所述根据所述速度变化量和角度变化量确定当前个体下一时刻的位置和速度，包括：
构建当前个体的运动方程为：
Figure FDA0002611994000000035
其中，ri表示当前个体的位置信息；
对所述运动方程离散化，得到当前个体下一时刻的位置和速度。
7.根据权利要求1至6任一项所述的方法，其特征在于，所述方法还包括：
获取种群旋转运动的局部极角为：
Figure FDA0002611994000000036
其中，
Figure FDA0002611994000000037
和
Figure FDA0002611994000000038
为个体相对于场景中心的平均位置，而
Figure FDA0002611994000000039
和
Figure FDA00026119940000000310
为个体的平均速度， 当ILAP为0时，该群体进行线性运动，而当ILAP为1和-1时，分别群体逆时针旋转和顺时针旋转；
设置种群中个体一致性评价指标为：
Figure FDA00026119940000000311
Figure FDA00026119940000000312
其中，其中
Figure FDA00026119940000000313
为平行于vi(t)的单位向量，根据Ivel和
Figure FDA00026119940000000314
的值是否接近于1，判断一致性行进效果；
根据个体与障碍物之间的最小距离，确定种群的避障效果；
根据个体之间的最小距离和平均邻居距离，确定个体防碰撞效果。
8.一种基于视场感知的群体避障与一致性行进装置，其特征在于，所述装置包括：
图像获取模块，用于获取种群中当前个体的环境图像信息；所述环境图像信息中包含种群中其他个体相对当前个体的位置信息；
区域设置模块，用于以当前个体为中心，设置排斥区域；所述排斥区域定义为在所述排斥区域内的其他个体以及障碍物与当前个体产生排斥力，所述排斥区域外的其他个体与当前个体产生吸引力；
感知函数构建模块，用于根据所述环境图像信息，确定当前个体的视野遮挡信息，根据所述排斥区域和所述视野遮挡信息，设置当前个体的排斥感知函数和吸引感知函数；所述排斥感知函数和所述吸引感知函数均是一维二值函数；
决策模块，用于根据所述排斥感知函数确定排斥项，根据所述吸引感知函数确定吸引项，根据所述排斥项、所述吸引项以及预先获取的自驱项，确定当前时刻当前个体的速度变化项；
输出模块，用于根据所述速度变化项在行进方向和垂直行进方向上的分量，输出当前个体的速度变化量和角度变化量，根据所述速度变化量和角度变化量确定当前个体下一时刻的位置和速度。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010764679.7A 2020-07-31 2020-07-31 基于视场感知的群体避障与一致性行进方法和装置 Active CN111882577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010764679.7A CN111882577B (zh) 2020-07-31 2020-07-31 基于视场感知的群体避障与一致性行进方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010764679.7A CN111882577B (zh) 2020-07-31 2020-07-31 基于视场感知的群体避障与一致性行进方法和装置

Publications (2)

Publication Number Publication Date
CN111882577A CN111882577A (zh) 2020-11-03
CN111882577B true CN111882577B (zh) 2022-09-09

Family

ID=73206170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010764679.7A Active CN111882577B (zh) 2020-07-31 2020-07-31 基于视场感知的群体避障与一致性行进方法和装置

Country Status (1)

Country Link
CN (1) CN111882577B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114518771B (zh) * 2022-02-23 2022-09-20 深圳大漠大智控技术有限公司 一种多无人机路径规划方法、装置及相关组件

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109270905A (zh) * 2018-10-22 2019-01-25 山东大学 一种基于神经网络的群机器人利用信息素通信实现协作觅食的方法
CN110244756A (zh) * 2019-04-29 2019-09-17 福州大学 无人机快速追踪协同避障方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109270905A (zh) * 2018-10-22 2019-01-25 山东大学 一种基于神经网络的群机器人利用信息素通信实现协作觅食的方法
CN110244756A (zh) * 2019-04-29 2019-09-17 福州大学 无人机快速追踪协同避障方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于感知范围的鱼群优化算法;冯春时等;《中国科学院研究生院学报》;20100115(第01期);全文 *
群体运动行为的建模与仿真实现;邱磊;《青海大学学报(自然科学版)》;20130620(第03期);全文 *
群集运动行为的模型构建与计算机仿真;邱磊;《海南大学学报(自然科学版)》;20130325(第01期);全文 *

Also Published As

Publication number Publication date
CN111882577A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
Lee et al. Crowd simulation by deep reinforcement learning
Jain et al. MVO-based path planning scheme with coordination of UAVs in 3-D environment
CN112001937B (zh) 基于视场感知的群体追逐与逃逸方法和装置
Wei et al. Learning motion rules from real data: Neural network for crowd simulation
Ljouad et al. A hybrid mobile object tracker based on the modified Cuckoo Search algorithm and the Kalman Filter
Koutras et al. Autonomous and cooperative design of the monitor positions for a team of uavs to maximize the quantity and quality of detected objects
Plebe et al. Occupancy grid mapping with cognitive plausibility for autonomous driving applications
CN111882577B (zh) 基于视场感知的群体避障与一致性行进方法和装置
CN114326747B (zh) 群体机器人多目标围捕控制方法、装置和计算机设备
Qamar et al. Autonomous drone swarm navigation and multitarget tracking with island policy-based optimization framework
Li et al. A novel Q-learning algorithm based on improved whale optimization algorithm for path planning
Rangel-Huerta et al. Kinetic theory of situated agents applied to pedestrian flow in a corridor
Pierre End-to-end deep learning for robotic following
Xiang et al. FASTSWARM: A data‐driven framework for real‐time flying insect swarm simulation
Espelosin et al. Path planning approach based on flock dynamics of moving particles
Amornbunchornvej et al. Framework for inferring following strategies from time series of movement data
Wang et al. Learning representations for multi-vehicle spatiotemporal interactions with semi-stochastic potential fields
Guzzi et al. Bioinspired obstacle avoidance algorithms for robot swarms
Pierre Spatio-temporal deep learning for robotic visuomotor control
Kent et al. Single-agent policies for the multi-agent persistent surveillance problem via artificial heterogeneity
da Silva Antonitsch et al. Towards a legion of virtual humans: Steering behaviors and organic visualization
Liang et al. The structure inference of flocking systems based on the trajectories
Shen et al. Spatio-temporal interactive graph convolution network for vehicle trajectory prediction
Singh et al. Automatic identification of the leader in a swarm using an optimized clustering and probabilistic approach
Marghi et al. A two level real-time path planning method inspired by cognitive map and predictive optimization in human brain

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