CN111931384A - 基于触角模型的群体协同围捕方法和存储介质 - Google Patents
基于触角模型的群体协同围捕方法和存储介质 Download PDFInfo
- Publication number
- CN111931384A CN111931384A CN202010906089.3A CN202010906089A CN111931384A CN 111931384 A CN111931384 A CN 111931384A CN 202010906089 A CN202010906089 A CN 202010906089A CN 111931384 A CN111931384 A CN 111931384A
- Authority
- CN
- China
- Prior art keywords
- individual
- target
- antenna
- enclosure
- individuals
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Manipulator (AREA)
Abstract
本发明提供了一种基于触角模型的群体协同围捕方法和存储介质,所述群体协同围捕方法通过将群体中的各个个体构建成触角模型,并使得所述触角模型中的通信方式为局部通信,通过所述触角模型中的触角提前发现目标,有利于增加所述群体的感知范围且使得所述群体中的核心个体可快速的根据所述目标的位置设置围捕点,以指导各个所述群体中的个体朝着所述围捕点运动,以执行所述目标的围捕任务。
Description
技术领域
本发明属于群体协同围捕技术领域,具体是涉及到一种基于触角模型的群体协同围捕方法和存储介质。
背景技术
目前,研究人员针对群体机器人体系结构、资源分配、队形控制等问题进行了富有成效的研究。协作是群体机器人系统研究的重点,群体机器人只有通过协作才能充分发挥并行度高、容错性强、感知范围广、可扩展性好等优势。利用群体机器人协作围捕目标是一个重要的研究方向。对于如何在诸多变化的环境中成功捕获目标,采取何种围捕策略更是实现目的的首要前提,在不同情形下的围捕策略也是不尽相同。基于不同的任务模型,就会设计不同的策略以确保机器人产生合适的运动状态。
现有技术一采取的搜索策略是在整个系统中设定领导机器人,其它机器人跟随领导机器人形成一定的队列,并保持该队列进行规律性的搜索。现有技术二提出一种追捕机器人通过Q-学习算法可以选择自身的各种行为,在连续的未知环境中提供多围捕机器人协作围捕目标的具体方案,进而达到成功围捕目标的目的。现有技术三应用了强类型遗传规划算法STGP,目的是为了实现稳定收敛的控制策略,该算法生成的同时并进化了对抗双方的控制策略,但取得的策略由于没有任何的交流机制,仅仅使用了贪心法以控制追捕机器人,最终并未实现期望的理想效果。现有技术四提出了一种多机器人围捕方法,该方法基于模糊控制策略,其中围捕机器人根据自身个体感知范围内机器人的分布情况,在各自不同的模糊控制器中选取适当的控制器,以此控制与相邻同伴之间的夹角,结合感知的目标用以跟踪,实现多机器人间的局部协作,在追捕过程中保持合适的夹角并绕开障碍物,完成围捕入侵者的任务。通过分析不同队形对围捕利弊的影响。然而,现有提出的关于多机器人协同围捕大部分是在全局信息或未考虑通过局部通信提前发现目标下完成的,因而在应用于大规模群体机器人协同围捕很难取得较好的实际效果。
发明内容
有鉴于此,本发明提供了一种基于触角模型的群体协同围捕方法和存储介质,以解决现有技术基于全局通信而未考虑通过局部通信提前发现目标的围捕方法难以获得较好的围捕效果的问题。
一种基于触角模型的群体协同围捕方法,包括:
构建触角模型,在所述触角模型中,所述群体中的个体被划分为触角个体、与所述触角个体对应设置的节点个体、核心个体和普通个体,所述节点个体之间以及所述节点个体和所述核心个体之间能够进行通信连接,所述触角个体在对应的所述节点个体的感知范围内的部分区域内随机游走,以实时侦查围捕的目标是否出现,在所述触角个体未发现所述目标之前,所述普通个体在所述核心个体的感知范围区域随机游走,
当所述触角个体发现所述目标时,所述触角个体会向对应的所述节点个体发送所述目标的相关信息,所述节点个体再将所述目标的相关信息传递给所述核心个体,所述核心个体根据所述相关信息给所述群体中各个个体分配任务,以指导各个所述个体进行所述目标的围捕任务。
优选地,所述触角个体至少包括第一触角个体和第二触角个体,所述节点个体至少包括与所述第一触角对应的第一节点个体和与所述第二触角对应的第二节点个体,
所述触角模型的触角包括由所述第一节点个体和第一触角个体构成的第一触角以及由所述第二节点个体和所述第二触角个体构成的第二触角,
使所述第一触角个体通过所述第一节点个体与所述核心个体通信,所述第二触角个体通过所述第二节点个体与所述核心个体通信,
使所述第一触角个体在第一圆形区域内的第一部分区域内随机游走,所述第一圆形区域为以所述第一节点个体的位置为圆心,以所述第一节点个体的最大感知距离为半径的圆形区域,
所述第二触角个体在第二圆形区域内的第二部分区域内随机游走,所述第二圆形区域为以所述第二节点个体的位置为圆心,以所述第二节点个体的最大感知距离为半径的圆形区域。
优选地,在构建所述触角模型时,还包括设置极限点,
所述极限点中的第一极限点和第二极限点设置在所述第一圆形区域的圆周上,将所述第一极限点与所述第一圆形区域的圆心连线定义为第一连线,将所述第二极限点与所述第一圆形区域的圆心连线定义为第二连线,所述第一极限点和第二极限点之间的劣弧、所述第一连线和所述第二连线围城的区域为所述第一部分区域,
所述极限点中的第三极限点和第四极限点设置在所述第二圆形区域的圆周上,将所述第三极限点与所述第二圆形区域的圆心连线定义为第三连线,将所述第四极限点与所述第二圆形区域的圆心连线定义为第四连线,所述第三极限点和第四极限点之间的劣弧、所述第三连线和所述第四连线围城的区域为所述第二部分区域,
所述第一连线与所述第二连线垂直,所述第三连线与所述第四连线垂直,
所述第一圆形区域的圆心和第二圆形区域的圆心的圆心连线垂直所述第一连线,所述第三连线垂直所述圆心连线。
优选地,将所述普通个体分成多组,
然后按照轮岗机制每隔预设的时间由一组所述普通个体去查看所述触角,
当发现所述触角中的、个体存在性能不满足预设要求时,使所述普通个体中的个体替换所述触角中性能不满足预设要求的个体,以作为所述触角中的个体,而使所述触角中性能不满足预设要求的个体回到所述核心个体的感知范围区域,以作为所述普通个体中的个体,
所述普通个体和所述触角中的个体的运动由所述核心个体控制。
优选地,当所述第一触角个体发现目
标时,所述第一触角个体向所述第一节点个体发送包括所述第一触角个体与所述目标之间的距离以及所述目标的方向的目标相关信息,所述第一节点个体将所述目标相关信息传输给所述核心个体,
所述核心个体根据所接收的所述目标相关信息拟合计算所述目标的运行轨迹和所述目标的最大感知距离设置预围捕点,以及根据所述触角中的各个个体的位置关系给所述触角中的各个个体分配所述预围捕点,以控制所述触角中的个体运动至对应的所述预围捕点,从而对所述目标进行预包围,
在执行所述预包围任务过程中,所述第一触角个体和第一节点个体在第三连线的第一侧朝着所述目标的位置方向靠近,以分别到达所述第一预围捕点和第二预围捕点,
所述第二触角个体和第二节点个体在第三连线的第二侧朝着所述目标的位置方向靠近,以分别到达所述第三预围捕点和第四预围捕点,所述第三连线我所述核心个体与所述目标之间的连线,
所述预包围点位于以所述目标的位置为圆心且半径大于所述目标的最大感知距离的第一半圆形区区域的圆周上,
且所述核心个体控制执行所述预包围任务外的其它所述群体中的个体朝所述目标的位置方向运动至设定的围捕点,在判断各个执行所述围捕任务的个体均到达设定的围捕点后,使各个执行所述围捕任务的个体开始向所述目标所在的位置方向收缩队形,以围捕所述目标。
优选地,所述核心个体领导各个所述个体进行所述目标的围捕任务的过程包括:
所述核心个体根据所述目标的位置和运动方向确定目标安全区域,所述目标安全区域为以所述目标的位置为圆心且半径大于所述目标最大感知距离圆形区域,使执行所述围捕任务的各个个体未运动至所述核心个体设置好的围捕点之前不能进入所述目标安全区域,
在所述核心个体确定所述目标安全区域后,所述核心个体根据所述目标的位置、所述目标的最大感知距离和所述目标的运动方向和运动速度设置围捕点,
并将所述围捕点分配给各个执行所述围捕任务的个体,以控各个制执行所述围捕任务的个体运动运动至对应的所述围捕点,所述围捕点位于以所述目标的位置为圆心且半径大于所述目标的最大感知距离的第四圆形区域的圆周上,
在分配完所述围捕点后,所述核心个体控制各个执行所述围捕任务的个体按照规划的路径运动至对应的所述围捕点,
所述核心个体在判断完所有执行围捕任务的所述个体均到达所述围捕点后,控制各个执行所述围捕任务的各个个体开始向所述目标所在的位置方向收缩队形,直到捕捉到所述目标。优选地,所述的群体协同围捕方法还包括判断围捕是否成功,
当所述核心个体检测到各个执行所述围捕任务的个体与所述目标之间的距离均小于预设距离且各个执行所述围捕任务的个体均匀分布在所述目标周围时,判断当前围捕任务成功。
优选地,所述各个围捕点在所述第四圆形区域的圆周上均匀设置,
所述核心个体根据距离均衡原则的最佳围捕点协商分配原则分配所述围捕点,分配所述围捕点的步骤包括:
步骤1:初始化各个执行所述围捕任务的个体和各个所述围捕点的位置,
步骤3:针对所述个体pi,计算获得各个所述Dij的最小值Dis,并将所树最小值Dis对应的所述围捕点中的第s个所述围捕点ms分配给所述个体pi,并令Ms=Ms+1,
步骤4:判断Mj的值,若Mj=0,则说明所述围捕点mj未分配,若Mj=1,则说明所述围捕点mj预匹配成功,并记录下所述围捕点mj和所述围捕点mj匹配成功的执行所述围捕任务个体pi,并将所述个体pi和所述围捕点mj从集合P和M中移除,并令n=n-1,若Mj>1,则将所述围捕点mj分配给距离所述分配点mj最远的执行所述围捕任务的个体pi,并将所述pi与所述mj分别从所述集合P和所述集合M中移除,并令n=n-1,
步骤5:判断所述n是否满足n=0,若满足,则表明所有所述围捕点都分配成功,否则,转向步骤1继续分配,
其中,令Mj代表分配给第j个所述围捕点的执行所述所述围捕任务的个体的数目,初始化的Mj为0,P={p1,p2,…pn}代表执行所述围捕任务的各个个体的集合,其中,执行所述围捕任务的各个个体的集合中的第i个所述个体的位置坐标为(xi,yi),M={m1,m2,…mn}代表各个所述围捕点的集合,其中,第j个所述围捕点mj的位置坐标为(xmi,ymi)。
优选地,根据目标函数J(φ)规划所述路径,其中,
xi k+1=xi k+vmcosφi k+1,
yi k+1=yi k+vmsinφi k+1,
我们将所述目标在k时刻的位置定义为(xm k,ym y),与执行所述围捕任务的个体pi匹配的最佳所述围捕点为mj,所述i=1,2,…n,所述j=1,2,…n,(xi k+1,yi k+1)为k+1时刻执行所述围捕任务的个体pi的位置,aj为相连的两个执行所述围捕任务的个体分别与所述目标的连线之间的夹角,n为执行所述围捕任务的个体的个数,ω1,ω2分别为执行所述围捕任务的各个个体与所述目标的相对距离以及执行所述围捕任务的包围效果所占的权重,ω1+ω2=1,我们将执行所述围捕任务的个体pi的航向角定义为φi,则在所述k时刻,所述个体pi的航向角为在k+1时刻,所述个体pi的航向角为且设定φi k-φ0≤φi k+1≤φi k+φ0,以表示k+1时刻的所述航向角在k时的所述航向角顺时针或逆时针旋转的范围为设定的所述φ0,
在设计好所述目标函数后,求的所述目标函数最小化时对应当前时刻各个执行所述围捕任务的所述个体的最优所述航向角,
根据所述最优的所述航向角度控制所述各个执行所述围捕任务的个体的运动路径。
一种存储介质,其特征在于,所述存储介质为计算机的可读存储介质,所述可读存储介质上存储的计算机程序被处理器执行时实现如上述任意一项所述的群体协同围捕方法。
本发明的有益效果是:效果一为通过所述触角模型中的触角可以提前发现目标,以便快速的设置围捕点,效果二为在发现所述目标后,通过所述触角中的个体提前去进行预包围,在与其它执行围捕任务的个体一起包围所述目标,具有较高的围捕成功度,效果三为通过设定目标安全区域,有利于在围捕条件成熟之前,使所述目标不易发现所述执行围捕任务的个体,有利于增加围捕的成功度,效果四为通过优化所述执行围捕任务的个体的运动路径,有利于围捕任务的快速执行。
附图说明
图1为依据本发明实施例提供的触角模型的结构示意图;
图2为依据本发明实施例提供的触角模型进行围捕的过程示意图;
图3为判断是否围捕成功的执行个体角度示意图;
图4为依据本发明提供的具有三个触角的触角模型结构示意图;
图5为依据本发明提供的具有四个触角的触角模型结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所产生的所有其他实施例,都属于本发明保护的范围。此外需要说明的是,在具体实施方式这一项内容中“所述…”是仅指本发明的中的技术属于或特征。
本发明提供了一种基于触角模型的群体协同围捕方法,所述方法主要包括:构建触角模型,在所述触角模型中,所述群体中的个体被划分为触角个体、与所述触角个体对应设置的节点个体、核心个体、触角个体和普通个体,所述节点个体之间以及所述节点个体和所述核心个体之间能够进行通信连接,所述触角个体在对应的所述节点个体的感知范围内的部分区域内随机游走,以实时侦查围捕的目标是否出现,在所述触角个体未发现所述目标之前,所述普通个体在所述核心个体的感知范围区域随机游走,当所述触角个体发现所述目标时,所述触角个体会向对应的所述节点个体发送所述目标的相关信息,所述节点个体再将所述目标的相关信息传替给所述核心个体,所述核心个体根据所述相关信息给所述群体中各个个体分配任务,以领导各个所述个体进行所述目标的围捕任务。
具体的,如图1所示,在本发明实施例中,我们提供的所述触角模型包括两个触角结构,图2为图1所示的触角模型执行围捕任务的示意图,图3为判断是否围捕成功的执行个体角度示意图,下面我们将结合图1至图3具体阐述本发明提供的基于触角模型的群体协同围捕方法。所述群体中的各个个体在本发明实施例中为机器人。图1中所述群体包括了13个机器人,我们给需要执行任务的机器人进行1-12的编号,此外在所述群体中,我们还设置了一个备用机器人,如图1中的虚线圆所示,其可以在执行围捕任务的其它机器人出现故障时替换出现故障的机器人。在编号为1-12的12个机器人中,我们假设每个机器人的最大感知距离都一样,并将所述最大感知距离的距离定义为r。在图1中,机器人1为第一节点机器人、机器人2为第一触角机器人、机器人3为第二节点机器人、机器人4为第二触角机器人,机器人5为核心机器人,其能与所述第一节点机器人1和第二节点机器人3之间进行通信连接,所述第一节点机器人1和第二节点机器人3之间也能进行通信连接,以及所述第一触角机器人2与第一节点机器人1通信连接,且第一触角机器人2在所述第一节点机器人1的最大感知距离的范围内的第一部分区域内随机游走,所述第二触角机器人4与第二节点机器人3通信连接,且第二触角机器人4在所述第二节点机器人3的最大感知距离的范围内的第二部分区域内随机游走。核心机器人5既然作为所述群体的控制领导者又与所述第一节点机器人1和第二节点机器人3一起作为节点机器人,三者之间彼此进行通信连接,如图1所示,三者连接的形状为三角形,优选为等边三角型,因此,在本实施例中所述触角模型为三角触角模型。在所述触角模型中,所述节点机器人与节点机器人之间的距离以及所述节点机器人与所述核心机器人之间的距离r0不能大于两倍的最大感知距离r,例如r0可以为1.8倍至2倍的最大感知距离r。第一触角机器人2和第一节点机器人1构成触角模型中的第一触角,第二触角机器人4和第二节点机器人3构成触角模型中的第二触角。为了减小第一触角机器人2和第二触角机器人的感知范围的重合,以及使所述第一触角机器人2和第二触角机器人可以感知到最左端同时还能避免与核心机器人5的感知范围内的普通机器人6-12的感知区域有较大的重合,我们还需要设置所述第一触角机器人2和第二触角机器人4在所述第一节点机器人1和第二节点机器人3的感知范围内游走的极限点,以限定所述第一触角机器人2在所述第一节点机器人3的感知范围内的第一部分区域随机游走,以及所述第二触角机器人4在所述第二节点机器人3的感知范围内的第二部分区域内随机游走。
所述极限点中的第一极限点a和第二极限b点设置在所述第一圆形区域的圆周上,将所述第一极限点a与所述第一圆形区域的圆心连线定义为第一连线,将所述第二极限点b与所述第一圆形区域的圆心连线定义为第二连线,所述第一极限点a和第二极限点b之间的劣弧、所述第一连线和所述第二连线围城的区域为所述第一部分区域。所述极限点中的第三极限点c和第四极限点d设置在所述第二圆形区域的圆周上,将所述第三极限点c与所述第二圆形区域的圆心连线定义为第三连线,将所述第四极限点d与所述第二圆形区域的圆心连线定义为第四连线,所述第三极限点c和第四极限点d之间的劣弧、所述第三连线和所述第四连线围城的区域为所述第二部分区域。进一步的,我们可以使得所述第一连线与所述第二连线垂直,所述第三连线与所述第四连线垂直,所述第一圆形区域的圆心和第二圆形区域的圆心的圆心连线垂直所述第一连线,所述第三连线垂直所述圆心连线。
依据本发明提供的触角模型,具有触角可再生功能,为了实现这一功能,我们将所述普通机器人分成多组,然后按照轮岗机制每隔预设的时间由一组所述普通机器人去查看所述触角中的各个机器人,当发现所述触角中的某个机器人存在性能不满足预设要求时,便使所述普通个体中的一个机器人替换所述触角中性能不满足预设要求的机器人,以作为所述触角中的机器人,而使所述触角中性能不满足预设要求的机器人回到所述核心机器人5的感知范围区域范围内,以作为所述普通机器人中的一个机器人,其中所述普通机器人和所述触角中的机器人的运动均由所述核心个体控制。
例如,在本实施例中,普通机器人6-12号机器人按照轮岗机制以一定的时间间隔T0去查看1、2、3、4号机器人的状态(一个班次由两个机器人分别去查看两个所述触角),当1、2、3、4号机器人中有个体性能不佳时,由前去查岗的普通机器人代替其完成工作,被替换的机器人回到主体主体机器人群中,当1、2、3、4号机器人在查岗间隙中出现问题,可通过与5号核心机器人通信,由5号机器人派遣6-12号机器人中的机器人前去替换有问题的机器人。
此外,本发明提供的所述触角模型还具有提前发现目标或障碍的功能,例如1号和2号机器人,3号和4号机器人组成的两个触角,触角前端的2号、4号机器人在其运动区域随机游走,通过触角结构可以拓展所述群体的感知距离,有利于提前发现目标或障碍。
基于本发明提供的所述触角模型进行所述群体协同围捕的过程如图2所示,其过程主要过程为:当所述第一触角机器人2发现目标m时,所述第一触角机器人2向所述第一的节点机器人3发送包括所述第一触角机器人3与所述目标m之间的距离以及所述目标m的运动方向的目标相关信息,所述第一节点机器人3将所述目标相关信息传输给所述核心机器人5。所述核心机器人5根据所接收的所述目标相关信息拟合计算所述目标的运行轨迹和所述目标的最大感知距离R设置预围捕点,以及根据所述触角中的各个机器人的位置关系给所述触角中的各个机器人分配所述预围捕点,以控制所述触角中的机器人运动至对应的所述预围捕点,从而对所述目标进行预包围。在执行所述预包围任务过程中,所述第一触角机器人2和第一节点机器人1在第三连线的第一侧朝着所述目标m的位置方向靠近,以分别到达所述第一预围捕点和第二预围捕点,所述第二触角机器人4和第二节点机器人3在第三连线的第二侧朝着所述目标m的位置方向靠近,以分别到达所述第三预围捕点和第四预围捕点,其中,所述第三连线为所述核心机器人5和所述目标m的连线。如图2所示,所述预包围点位于以所述目标m的位置为圆心且半径大于所述目标的最大感知距离r的第一半圆形区区域的圆周上。在所述触角中的机器人进行所述预包围期间,所述核心机器人还会控制执行所述预包围任务外的其它所述群体中的机器人朝所述目标的位置方向运动至设定的围捕点,并在判断各个执行所述围捕任务的机器人均到达设定的围捕点后,使各个执行所述围捕任务的机器人开始向所述目标所在的位置方向收缩队形,以围捕所述目标。
具体的,在本发明实施例中,所述核心机器人5领导各个所述机器人进行所述目标m的围捕任务的过程如以下描述。
所述核心机器人5根据所述目标m的位置和运动方向确定目标安全区域,所述目标安全区域为以所述目标m的位置为圆心且半径大于所述目标最大感知距离R圆形区域,使执行所述围捕任务的各个机器人未运动至所述核心机器人设置好的围捕点之前不能进入所述目标安全区域,以避免所述目标m提前发现执行所述围捕任务的机器人而在围捕条件还未成熟之前提前逃脱。
在所述核心机器人5确定所述目标安全区域后,所述核心机器人根据所述目标m的位置、所述目标的最大感知距离R和所述目标的运动方向和运动速度设置围捕点,并将所述围捕点分配给各个执行所述围捕任务的机器人,即一个所述执行围捕任务的机器人分配一个所述围捕点,以控各个制执行所述围捕任务的机器人运动运动至对应的所述围捕点。所述围捕点位于以所述目标m的位置为圆心且半径大于所述目标的最大感知距离R的第四圆形区域的圆周上。为了使所述目标m在围捕的过程中从两个所述相邻的所述执行围捕任务的机器人之间溜走,我们在所述第四圆形区域的圆周上均匀的设置所述围捕点。在分配完所述围捕点后,所述核心机器人控制各个执行所述围捕任务的机器人按照规划的路径运动至对应的所述围捕点。所述核心机器人在判断完所有执行围捕任务的所述个体均到达所述围捕点后,说明此时围捕条件成熟,则控制各个执行所述围捕任务的各个机器人开始向所述目标m所在的位置方向收缩队形,直到捕捉到所述目标。所述核心机器人5还用于判断围捕是否成功,以判断当前的围捕任务是否需要结束。具体的,当所述核心机器人5检测到各个执行所述围捕任务的机器人与所述目标m之间的距离均小于预设距离且各个执行所述围捕任务的个体均匀分布在所述目标周围时,判断当前围捕任务成功,则可以结束所述围捕任务。
具体判断过程,如图3所示,当所有的参与围捕的机器人距离目标足够近,并且执行围捕任务的机器人均匀分布在目标周围且满足公式(1)的条件时,说明围捕成功。
公式(1)式中H为所有参与围捕任务的机器人的集合,H中有n个元素;hi为H中第i个元素;di为hi与目标m之间的距离,d为设定的常数;Ti为hi和其邻近机器人与目标间的夹角(图3中的ai和bi)中较大的那个角度,10°为Ti和围捕机器人完全均匀分布在目标周围时邻近两机器人与目标间的夹角差的上限,Ti示意图如图3所示。
所述核心机器人根据距离均衡原则的最佳围捕点协商分配原则分配所述围捕点,分配所述围捕点的步骤包括:
步骤1:初始化各个执行所述围捕任务的个体和各个所述围捕点的位置,
步骤3:针对所述个体pi,计算获得各个所述Dij的最小值Dis,并将所树最小值Dis对应的所述围捕点中的第s个所述围捕点ms分配给所述个体pi,并令Ms=Ms+1,
步骤4:判断Mj的值,若Mj=0,则说明所述围捕点mj未分配,若Mj=1,则说明所述围捕点mj预匹配成功,并记录下所述围捕点mj和所述围捕点mj匹配成功的执行所述围捕任务个体pi,并将所述个体pi和所述围捕点mj从集合P和M中移除,并令n=n-1,若Mj>1,则将所述围捕点mj分配给距离所述分配点mj最远的执行所述围捕任务的个体pi,并将所述pi与所述mj分别从所述集合P和所述集合M中移除,并令n=n-1,
步骤5:判断所述n是否满足n=0,若满足,则表明所有所述围捕点都分配成功,否则,转向步骤1继续分配,
其中,令Mj代表分配给第j个所述围捕点的执行所述所述围捕任务的个体的数目,初始化的Mj为0,P={p1,p2,…pn}代表执行所述围捕任务的各个个体的集合,其中,执行所述围捕任务的各个个体的集合中的第i个所述个体的位置坐标为(xi,yi),M={m1,m2,…mn}代表各个所述围捕点的集合,其中,第j个所述围捕点mj的位置坐标为(xmi,ymi)。
此外,在控制各个所述机器人进行围捕任务的过程中,我们还设计了目标函数J(φ),以根据目标函数J(φ)规划所述路径,其中所述目标函数的计算公式如图是(2)至公式(4)所示:
xi k+1=xi k+vmcosφi k+1 (3)
yi k+1=yi k+vmsinφi k+1 (4)
我们将所述目标在k时刻的位置定义为(xm k,ym y),与执行所述围捕任务的个体pi匹配的最佳所述围捕点为mj,所述i=1,2,…n,所述j=1,2,…n,(xi k+1,yi k+1)为k+1时刻执行所述围捕任务的个体pi的位置,aj为相连的两个执行所述围捕任务的个体分别与所述目标的连线之间的夹角,n为执行所述围捕任务的个体的个数,ω1,ω2分别为执行所述围捕任务的各个个体与所述目标的相对距离以及执行所述围捕任务的包围效果所占的权重,ω1+ω2=1,我们将执行所述围捕任务的个体pi的航向角定义为φi,则在所述k时刻,所述个体pi的航向角为在k+1时刻,所述个体pi的航向角为考虑到机器人的机动性约束,在固定时间内航向角的变化范围是有限的,我们设定φi k-φ0≤φi k+1≤φi k+φ0,以表示k+1时刻的所述航向角在k时的所述航向角顺时针或逆时针旋转的范围为设定的所述φ0,这样的限制条件既符合实际机器人系统的机动性要求,也有利于提高求解效率。因此,我们可以求解最小化所述目标函数,以获得机器人的最优航向角,从而得到围捕机器人的最优路径。
由上可见,本发明提供的基于触角模型进行所述群体协同围捕时在构建所述触角模型后执行的围捕步骤主要如下:
步骤a:采用随机游走策略,利用所述触角模型结构搜寻目标。
步骤b:根据探测到的目标位置,确定所述目标安全域。
步骤c:设置围捕点,根据协商分配法为围捕机器人分配最佳围捕点。
步骤d:根据设定的目标函数,得到围捕机器人的期望航向角。
步骤e:根据所述获得期望航向角控制机器人向分配的围捕点运动。
步骤f:判断围捕机器人与所述目标的距离和相邻的所述围捕机器人与所述目标之间的夹角是否满足设定值,若是,则说明围捕成功,使围捕任务结束,否则转向所述步骤a继续进行围捕。
上述实施例以两个触角为例,本发明提供的所述触角模型还适应于更多触角,如图4所示的三个触角模型,以及如图5所示的四个触角模型。
在本发明提供的触角模型中的通信方式为局部通信,即所述触角机器人不是直接与所述核心机器人通信,而是需要通过节点机器人进行通信。通过所述触角模型中触角提前发现目标,增加了所述群体的感知范围,且基于局部交互策略进行所述群体中的个体之间的通信,使得基于所述触角模型的群体协同围捕方法能够更快的提前发现目标,以及更快更好的完成围捕任务。
本发明还提供了一种存储介质,所述存储介质为计算机的可读存储介质,所述可读存储介质上存储的计算机程序被处理器执行时实现如本发明提供的任意一项所述的群体协同围捕方法。
在本申请中,我们设计了“触角”模型,结合预包围策略+目标安全域,用12个机器人作为一个围捕单元,以模拟仿真围捕目标的全过程,同时,与“无触角模型”围捕做了对比。此外,还设计了“触角”重生和“触角”转向功能。
在模拟仿真过程中我们设定:当目标位置处于搜寻状态下整体运动方向上时(容易探测到的目标)称为:“Ⅰ型”目标;当目标位置远离搜寻状态下整体运动方向时(不容易探测到的目标)称为:“Ⅱ型”目标。我们考虑一个50cmx50cm的环境,后方通信机器人周围有7个机器人在其周围随机运动,前方两个机器人作为触角,以各自的通信机器人为圆心做四分之一圆周运动。三个通信机器人相对位置保持不变,所有机器人以三个通信机器人(机器人1、3、5)的运动方向为基准,整体(即通信机器人速度)以0.35cm/s(横向速度0.25cm/s,纵向速度0.25cm/s)的速度沿右上方45°方向移动。进行围捕时每个机器人的移动速度约为0.22cm/s。无“触角”模型进行围捕的结果为:所有机器人以一个中心机器人的运动方向为基准,整体(即通信机器人速度)以0.35cm/s(横向速度0.25cm/s,纵向速度0.25cm/s)的速度沿右上方45°方向移动。其余9个机器人在中心机器人周围一定范围内随机运动。进行围捕时每个机器人的移动速度约为0.22cm/s。有“触角”围捕结果为:“Ⅰ型”目标在(40cm,40cm)处,围捕单元初始在(30cm,30cm)范围之内。当“Ⅰ型”目标出现在右侧触角机器人探测范围之内时,所有机器人根据预分配点移动至对应的位置,对目标完成围捕。“Ⅱ型”目标在(30cm,50cm)处,围捕单元初始在(30cm,30cm)范围之内。当“Ⅱ型”目标出现在左侧触角机器人探测范围之内时,所有机器人根据预分配点移动至对应的位置,对目标完成围捕。
对于无“触角”的围捕,“Ⅰ型”目标在(40cm,40cm)处,围捕单元初始在(20cm,20cm)范围之内。当目标出现在任意一个机器人探测范围之内时,所有机器人根据预分配点移动至对应的位置,对目标完成围捕。“Ⅱ型”目标在(30cm,50cm)处,围捕单元初始在(20cm,20cm)范围之内,当任意一个机器人无法探测到目标,则无法感知目标,从而无法围捕。
此外,我们还验证了本发明提供的触角模型的再生功能,以“Ⅰ型”目标为例,围捕单元初始在(30cm,30cm)范围之内。两个触角机器人每秒钟会随机增加0~1的损耗值,当损耗值累积到30时,会各自与后方五个候补机器人中离自己最近的一个机器人进行位置互换。80s时两触角机器人累积损耗值超过30,正在进行触角更新。当触角机器人退回到后方距离后面通信机器人2cm内时,该触角机器人变为候补机器人在后方“休整”,当被替换的候补机器人距离前面通信机器人4cm内且处于通信机器人前方位置时,该候补机器人变为触角机器人在前方进行“搜寻”工作,替换完成后重新计算损耗值,130s内“触角”再生完毕。
本发明提供的所述触角模型可以整体转向也可以重新生成转向。首选我们以整体转向的所述触角模型进行仿真,以“Ⅰ型”目标为例,目标在(20cm,60cm)处,围捕单元初始在(30cm,30cm)范围之内。当目标出现在左侧触角机器人探测范围之内时,计算此刻目标与整体机器人位置的夹角,三个通信机器人停止原有搜寻状态时的运动方式,前方两个通信机器人以后方的一个通信机器人为圆心,旋转计算得出的夹角,转向速度为1°/s。当两个触角正对目标时停止旋转,此时完成转向。而后整体机器人运动方向由目标位置所确定。50s时左侧触角机器人发现目标,80s时正在进行整体转向,100s时整体转向完毕,开始朝目标方向运动。
我们以还以重新生成转向的所述触角模型进行仿真,以“Ⅰ型”目标为例,目标在(20cm,60cm)处,围捕单元初始在(30cm,30cm)范围之内。当目标出现在左侧触角机器人探测范围之内时,50s时左侧触角机器人发现目标后就停止原有搜寻的运动状态,同时计算出此刻目标与整体机器人位置的夹角,然后根据夹角计算出旋转过后两个触角机器人和前方两个通信机器人所在的位置。首先前方四个机器人向后回缩,100s时前方四个机器人正在向后回缩。当触角机器人距离后方通信机器人5cm以内,前方通信机器人距离后方通信机器人3cm以内时,回缩过程完成。然后根据之前计算得出的旋转完成后的两个触角机器人和前方两个通信机器人所在的位置,在除去后方通信机器人以外的11个机器人中分别找出距离这四个位置最近的四个机器人。这四个机器人分别向最近的位置运动,到达后成为触角机器人或前方通信机器人,其余的7个机器人作为普通机器人分布在后方通信机器人四周。130s时正在进行重新生成的步骤。200s时,转向完毕,整体机器人运动方向由目标位置所确定。
此外,本申请还对依据本发明提供的所述触角模型的围捕效果及结果做了以下分析。
对于有触角模型的围捕,在50s内触角机器人已经发现“Ⅰ型”目标,在100s内已有两个前方机器人到达预围捕点的较远端,利于阻止目标向后方逃脱,之后所有机器人依次到达预定点位置,完成围捕。在100s内触角机器人已经发现“Ⅱ型”目标,之后所有机器人依次到达预定点位置,完成围捕。
对于无触角的围捕,在50s内还没有机器人发现“Ⅰ型”目标,继续保持原有搜索运动状态,在100s内已有一个机器人接近预围捕点,之后所有机器人依次到达预定点位置,完成围捕。直到200s,仍无一个机器人发现“Ⅱ型”目标,无法完成围捕。
由上仿真结果可见,有触角模型能充分利用触角机器人绕四分之一圆周运动时的探测范围,相较于无触角模型能更快发现目标,较早得出预围捕点位置。同时,触角机器人作为整体运动形态的前排,能提前到达目标的后方区域,有效阻止目标向后逃离。进行围捕状态时机器人移动速度比搜寻状态更慢;当目标位置处于搜寻状态下整体运动方向上时(“Ⅰ型”目标),无“触角”模型会更快完成围捕,因为两种模型发现目标的时间差不多,无触角模型整体更靠近目标,可以较快完成围捕。但当目标位置远离整体运动方向时(“Ⅱ型”目标),无触角模型可能无法探测到目标,从而需要花费更多时间在随机搜寻的过程中,甚至无法围捕目标。此外,当目标是运动的,没有触角可能就发现不了目标,于是无法围捕目标,而“触角”模型通过触角可以增大搜寻范围,可提前发现目标,有利于围捕目标。
依照本发明的实施例如上文所述,这些实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施例。根据以上描述,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地利用本发明以及在本发明基础上的修改使用。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于触角模型的群体协同围捕方法,其特征在于,包括:
构建触角模型,在所述触角模型中,所述群体中的个体被划分为触角个体、与所述触角个体对应设置的节点个体、核心个体和普通个体,所述节点个体之间以及所述节点个体和所述核心个体之间能够进行通信连接,所述触角个体在对应的所述节点个体的感知范围内的部分区域内随机游走,以实时侦查围捕的目标是否出现,在所述触角个体未发现所述目标之前,所述普通个体在所述核心个体的感知范围区域随机游走,
当所述触角个体发现所述目标时,所述触角个体会向对应的所述节点个体发送所述目标的相关信息,所述节点个体再将所述目标的相关信息传递给所述核心个体,所述核心个体根据所述相关信息给所述群体中各个个体分配任务,以指导各个所述个体进行所述目标的围捕任务。
2.根据权利要求1所述的群体协同围捕方法,其特征在于,所述触角个体至少包括第一触角个体和第二触角个体,所述节点个体至少包括与所述第一触角对应的第一节点个体和与所述第二触角对应的第二节点个体,
所述触角模型的触角包括由所述第一节点个体和第一触角个体构成的第一触角以及由所述第二节点个体和所述第二触角个体构成的第二触角,
使所述第一触角个体通过所述第一节点个体与所述核心个体通信,所述第二触角个体通过所述第二节点个体与所述核心个体通信,
使所述第一触角个体在第一圆形区域内的第一部分区域内随机游走,所述第一圆形区域为以所述第一节点个体的位置为圆心,以所述第一节点个体的最大感知距离为半径的圆形区域,
所述第二触角个体在第二圆形区域内的第二部分区域内随机游走,所述第二圆形区域为以所述第二节点个体的位置为圆心,以所述第二节点个体的最大感知距离为半径的圆形区域。
3.根据权利要求2所述的群体协同围捕方法,其特征在于,在构建所述触角模型时,还包括设置极限点,
所述极限点中的第一极限点和第二极限点设置在所述第一圆形区域的圆周上,将所述第一极限点与所述第一圆形区域的圆心连线定义为第一连线,将所述第二极限点与所述第一圆形区域的圆心连线定义为第二连线,所述第一极限点和第二极限点之间的劣弧、所述第一连线和所述第二连线围城的区域为所述第一部分区域,
所述极限点中的第三极限点和第四极限点设置在所述第二圆形区域的圆周上,将所述第三极限点与所述第二圆形区域的圆心连线定义为第三连线,将所述第四极限点与所述第二圆形区域的圆心连线定义为第四连线,所述第三极限点和第四极限点之间的劣弧、所述第三连线和所述第四连线围城的区域为所述第二部分区域,
所述第一连线与所述第二连线垂直,所述第三连线与所述第四连线垂直,
所述第一圆形区域的圆心和第二圆形区域的圆心的圆心连线垂直所述第一连线,所述第三连线垂直所述圆心连线。
4.根据权利要求2所述的群体协同围捕方法,其特征在于,将所述普通个体分成多组,然后按照轮岗机制每隔预设的时间由一组所述普通个体去查看所述触角,
当发现所述触角中的个体存在性能不满足预设要求时,使所述普通个体中的个体替换所述触角中性能不满足预设要求的个体,以作为所述触角中的个体,而使所述触角中性能不满足预设要求的个体回到所述核心个体的感知范围区域,以作为所述普通个体中的个体,
所述普通个体和所述触角中的个体的运动由所述核心个体控制。
5.根据权利要求2所述的群体协同围捕方法,其特征在于,当所述第一触角个体发现目标时,所述第一触角个体向所述第一节点个体发送包括所述第一触角个体与所述目标之间的距离以及所述目标的方向的目标相关信息,所述第一节点个体将所述目标相关信息传输给所述核心个体,
所述核心个体根据所接收的所述目标相关信息拟合计算所述目标的运行轨迹和以所述目标的最大感知距离设置预围捕点,以及根据所述触角中的各个个体的位置关系给所述触角中的各个个体分配所述预围捕点,以控制所述触角中的个体运动至对应的所述预围捕点,从而对所述目标进行预包围,
在执行所述预包围任务过程中,所述第一触角个体和第一节点个体在第三连线的第一侧朝着所述目标的位置方向靠近,以分别到达所述第一预围捕点和第二预围捕点,
所述第二触角个体和第二节点个体在第三连线的第二侧朝着所述目标的位置方向靠近,以分别到达所述第三预围捕点和第四预围捕点,所述第三连线所述核心个体与所述目标之间的连线,
所述预包围点位于以所述目标的位置为圆心且半径大于所述目标的最大感知距离的第一半圆形区区域的圆周上,
且所述核心个体控制执行所述预包围任务外的其它所述群体中的个体朝所述目标的位置方向运动至设定的围捕点,在判断各个执行所述围捕任务的个体均到达设定的围捕点后,使各个执行所述围捕任务的个体开始向所述目标所在的位置方向收缩队形,以围捕所述目标。
6.根据权利要求5所述的群体协同围捕方法,其特征在于,所述核心个体领导各个所述个体进行所述目标的围捕任务的过程包括:
所述核心个体根据所述目标的位置和运动方向确定目标安全区域,所述目标安全区域为以所述目标的位置为圆心且半径大于所述目标最大感知距离圆形区域,使执行所述围捕任务的各个个体未运动至所述核心个体设置好的围捕点之前不能进入所述目标安全区域,
在所述核心个体确定所述目标安全区域后,所述核心个体根据所述目标的位置、所述目标的最大感知距离和所述目标的运动方向和运动速度设置围捕点,
并将所述围捕点分配给各个执行所述围捕任务的个体,以控制各个执行所述围捕任务的个体运动至对应的所述围捕点,所述围捕点位于以所述目标所在的位置为圆心且半径大于所述目标的最大感知距离的第四圆形区域的圆周上,
在分配完所述围捕点后,所述核心个体控制各个执行所述围捕任务的个体按照规划的路径运动至对应的所述围捕点,
所述核心个体在判断完所有执行围捕任务的所述个体均到达所述围捕点后,控制各个执行所述围捕任务的各个个体开始向所述目标所在的位置方向收缩队形,直到捕捉到所述目标。
7.根据权利要求6所述的群体协同围捕方法,其特征在于,还包括判断围捕是否成功,
当所述核心个体检测到各个执行所述围捕任务的个体与所述目标之间的距离均小于预设距离且各个执行所述围捕任务的个体均匀分布在所述目标周围时,判断当前围捕任务成功。
8.根据权利要求6所述的群体协同围捕方法,其特征在于,所述各个围捕点在所述第四圆形区域的圆周上均匀设置,
所述核心个体根据距离均衡原则的最佳围捕点协商分配原则分配所述围捕点,分配所述围捕点的步骤包括:
步骤1:初始化各个执行所述围捕任务的个体和各个所述围捕点的位置,
步骤3:针对所述个体pi,计算获得各个所述Dij的最小值Dis,并将所树最小值Dis对应的所述围捕点中的第s个所述围捕点ms分配给所述个体pi,并令Ms=Ms+1,
步骤4:判断Mj的值,若Mj=0,则说明所述围捕点mj未分配,若Mj=1,则说明所述围捕点mj预匹配成功,并记录下所述围捕点mj和所述围捕点mj匹配成功的执行所述围捕任务个体pi,并将所述个体pi和所述围捕点mj从集合P和M中移除,并令n=n-1,若Mj>1,则将所述围捕点mj分配给距离所述分配点mj最远的执行所述围捕任务的个体pi,并将所述pi与所述mj分别从所述集合P和所述集合M中移除,并令n=n-1,
步骤5:判断所述n是否满足n=0,若满足,则表明所有所述围捕点都分配成功,否则,转向步骤1继续分配,
其中,令Mj代表分配给第j个所述围捕点的执行所述所述围捕任务的个体的数目,初始化的Mj为0,P={p1,p2,…pn}代表执行所述围捕任务的各个个体的集合,其中,执行所述围捕任务的各个个体的集合中的第i个所述个体的位置坐标为(xi,yi),M={m1,m2,…mn}代表各个所述围捕点的集合,其中,第j个所述围捕点mj的位置坐标为(xmi,ymi)。
9.根据权利要求8所述的群体协同围捕方法,其特征在于,根据目标函数J(φ)规划所述路径,其中,
xi k+1=xi k+vm cosφi k+1,
yi k+1=yi k+vm sinφi k+1,
我们将所述目标在k时刻的位置定义为(xm k,ym y),与执行所述围捕任务的个体pi匹配的最佳所述围捕点为mj,所述i=1,2,…n,所述j=1,2,…n,(xi k+1,yi k+1)为k+1时刻执行所述围捕任务的个体pi的位置,aj为相连的两个执行所述围捕任务的个体分别与所述目标的连线之间的夹角,n为执行所述围捕任务的个体的个数,ω1,ω2分别为执行所述围捕任务的各个个体与所述目标的相对距离以及执行所述围捕任务的包围效果所占的权重,ω1+ω2=1,我们将执行所述围捕任务的个体pi的航向角定义为φi,则在所述k时刻,所述个体pi的航向角为在k+1时刻,所述个体pi的航向角为且设定φi k-φ0≤φi k+1≤φi k+φ0,以表示k+1时刻的所述航向角在k时的所述航向角顺时针或逆时针旋转的范围为设定的所述φ0,
在设计好所述目标函数后,求得所述目标函数最小化时对应当前时刻各个执行所述围捕任务的所述个体的最优所述航向角,
根据所述最优的所述航向角度控制所述各个执行所述围捕任务的个体的运动路径。
10.一种存储介质,其特征在于,所述存储介质为计算机的可读存储介质,所述可读存储介质上存储的计算机程序被处理器执行时实现如权利要求1至9中任意一项所述的群体协同围捕方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010906089.3A CN111931384B (zh) | 2020-09-01 | 2020-09-01 | 基于触角模型的群体协同围捕方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010906089.3A CN111931384B (zh) | 2020-09-01 | 2020-09-01 | 基于触角模型的群体协同围捕方法和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931384A true CN111931384A (zh) | 2020-11-13 |
CN111931384B CN111931384B (zh) | 2021-05-14 |
Family
ID=73308457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010906089.3A Active CN111931384B (zh) | 2020-09-01 | 2020-09-01 | 基于触角模型的群体协同围捕方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931384B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113433828A (zh) * | 2021-08-25 | 2021-09-24 | 南京航空航天大学 | 一种多机器人动态目标跟踪协同控制方法 |
CN115113626A (zh) * | 2022-07-20 | 2022-09-27 | 威康(深圳)智能有限公司 | 一种机器人分布式控制系统及其方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1710987A (zh) * | 2005-06-10 | 2005-12-21 | 重庆邮电学院 | 基于手持中继的移动终端跟踪定位系统及定位方法 |
CN103869824A (zh) * | 2014-03-05 | 2014-06-18 | 河海大学常州校区 | 基于生物触角模型的多机器人水下目标搜寻方法及装置 |
CN105205253A (zh) * | 2015-09-18 | 2015-12-30 | 电子科技大学 | 一种稀布圆形天线阵列的优化方法 |
CN109782756A (zh) * | 2018-12-29 | 2019-05-21 | 国网安徽省电力有限公司检修分公司 | 具有自主绕障行走功能的变电站巡检机器人 |
CN109942354A (zh) * | 2019-04-16 | 2019-06-28 | 中国人民解放军国防科技大学 | 一种基于接触角数据和配方的pbt推进剂低温力学性能预估方法 |
-
2020
- 2020-09-01 CN CN202010906089.3A patent/CN111931384B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1710987A (zh) * | 2005-06-10 | 2005-12-21 | 重庆邮电学院 | 基于手持中继的移动终端跟踪定位系统及定位方法 |
CN103869824A (zh) * | 2014-03-05 | 2014-06-18 | 河海大学常州校区 | 基于生物触角模型的多机器人水下目标搜寻方法及装置 |
CN105205253A (zh) * | 2015-09-18 | 2015-12-30 | 电子科技大学 | 一种稀布圆形天线阵列的优化方法 |
CN109782756A (zh) * | 2018-12-29 | 2019-05-21 | 国网安徽省电力有限公司检修分公司 | 具有自主绕障行走功能的变电站巡检机器人 |
CN109942354A (zh) * | 2019-04-16 | 2019-06-28 | 中国人民解放军国防科技大学 | 一种基于接触角数据和配方的pbt推进剂低温力学性能预估方法 |
Non-Patent Citations (2)
Title |
---|
LI MA: ""O-Flocking: Optimized Flocking Model"", 《SPRINGER NATURE SWITZERLAND AG 2020》 * |
李瑞珍: ""基于动态围捕点的多机器人协同策略"", 《控制工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113433828A (zh) * | 2021-08-25 | 2021-09-24 | 南京航空航天大学 | 一种多机器人动态目标跟踪协同控制方法 |
CN115113626A (zh) * | 2022-07-20 | 2022-09-27 | 威康(深圳)智能有限公司 | 一种机器人分布式控制系统及其方法 |
CN115113626B (zh) * | 2022-07-20 | 2023-04-11 | 威康(深圳)智能有限公司 | 一种机器人分布式控制系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111931384B (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110308740B (zh) | 一种面向移动目标追踪的无人机群动态任务分配方法 | |
Chen et al. | A workload balanced algorithm for task assignment and path planning of inhomogeneous autonomous underwater vehicle system | |
CN111931384B (zh) | 基于触角模型的群体协同围捕方法和存储介质 | |
Ge et al. | Queues and artificial potential trenches for multirobot formations | |
Li et al. | Trajectory planning for UAV based on improved ACO algorithm | |
CN106873599A (zh) | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 | |
de Moraes et al. | Distributed control for groups of unmanned aerial vehicles performing surveillance missions and providing relay communication network services | |
Sujit et al. | Self assessment-based decision making for multiagent cooperative search | |
CN110989352A (zh) | 一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法 | |
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 | |
CN113342030B (zh) | 基于强化学习的多无人机协同自组织控制方法及系统 | |
CN112947480B (zh) | 一种移动机器人路径规划方法、存储介质及系统 | |
de Vargas et al. | Patrolling strategy for multiple UAVs with recharging stations in unknown environments | |
Stachniss et al. | Coordinated multi-robot exploration | |
Yuan et al. | Path-planning-enabled semiflocking control for multitarget monitoring in mobile sensor networks | |
CN113110517A (zh) | 未知环境下基于生物启发的多机器人协作搜索方法 | |
Ahmad | Distributed navigation of multi-robot systems for sensing coverage | |
Wang et al. | Research on multi-robots self-organizing cooperative pursuit algorithm based on Voronoi graph | |
CN113627646B (zh) | 一种基于神经网络的路径规划方法、装置、设备及介质 | |
CN115328167A (zh) | 一种基于三角锥的群机器人多目标搜索方法 | |
Frasheri et al. | Modeling the Willingness to Interact in Cooperative Multi-robot Systems. | |
CN114200960A (zh) | 基于禁忌表改进麻雀算法的无人机集群搜索控制优化方法 | |
Cheng et al. | Distributed area coverage using robot flocks | |
Yuan et al. | Method of robot episode cognition based on hippocampus mechanism | |
Díaz et al. | Cooperative indoor exploration on affordable robots |
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 |