CN112099486A - 任意位置多机器人编队成形控制方法、系统、设备及应用 - Google Patents
任意位置多机器人编队成形控制方法、系统、设备及应用 Download PDFInfo
- Publication number
- CN112099486A CN112099486A CN202010771006.4A CN202010771006A CN112099486A CN 112099486 A CN112099486 A CN 112099486A CN 202010771006 A CN202010771006 A CN 202010771006A CN 112099486 A CN112099486 A CN 112099486A
- Authority
- CN
- China
- Prior art keywords
- formation
- robot
- robots
- determining
- potential field
- 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
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 267
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 230000009471 action Effects 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000007493 shaping process Methods 0.000 claims 1
- 238000005755 formation reaction Methods 0.000 abstract description 200
- 230000007547 defect Effects 0.000 abstract description 9
- 230000006399 behavior Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G05D1/0287—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
- G05D1/0291—Fleet control
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于协同控制系统技术领域,公开了一种任意位置多机器人编队成形控制方法、系统、设备及应用,多机器人属性初始化,计算多机器人编队队形形成所需力的最小点并确定理想队形位置坐标;设计多机器人编队队形,计算不同节点方位角所对应的理想队形位置坐标;定编队机器人所对应的目标点坐标位置,根据回溯算法确定机器人针对目标点的可能组合方案,找到机器人与期望目标点的最短距离和的最佳方案,确定各机器人对应的期望目标坐标位置;利用人工势场算法,结合编队机器人与对应期望目标点的位置差,在合力的作用下,实现多机器人的编队队形形成。完全可以避免Leader‑Follower中从机遇到障碍物而不能保持队形的缺陷。
Description
技术领域
本发明属于协同控制系统技术领域,尤其涉及一种任意位置多机器人编队成形控制方法、系统、设备及应用。
背景技术
近年来,随着科技的不断进步,机器人应用的领域和范围也在不断扩大。而单体机器人在获取信息的准确性、自身的鲁棒性以及控制设计等方面的能力都有所局限,并且社会化生产需求也在不断地提高,使得单个机器人将难以胜任一些复杂的、需要高效率处理的工作任务。因此,多机器人协作作为机器人新的应用方式引起广泛关注和研究。机器人编队是多机器人协作的基础,包括队形形成和队形控制两方面内容,其中多机器人编队控制初始过程也就是多机器人控制中的队形形成问题,成为了国内外学者研究的焦点。
多移动机器人的编队运动,要求多个移动机器人形成编队同时运动到目标区域,并在运动过程中始终保持给定队形,安全地避开可能出现的障碍物。编队运动问题已在很多领域得到应用,例如在工业领域,人们控制多个移动机器人以特定队形搬运大的物体;在军事上,多个自主式小车被用于编队巡逻或侦察;在警务领域,人们控制多个移动机器人组成弧形包围或捕获入侵者等等。
针对多机器人的队形形成,众多学者提出了多种实施方法,包括领航-跟随法、基于行为法、人工势场法等。领航-跟随法操作方便,多机器人系统的运动规划主要依赖于领航机器人,其他机器人只需获取领航机器人发送的行为指令。由于整个系统只有领航机器人进行探测和决策,该方法的跟踪误差反馈较差,当机器人系统比较庞大时该方法不适用。基于行为法将机器人执行的任务分解为多个行为的集合,通过给不同的行为配置不同的权值实现不同的任务,该方法可以获得实时的反馈,但是权值的选取难以确定。人工势场法将环境模拟为一个势场,存在斥力和引力,机器人与终点位置存在吸引力,与障碍物存在斥力,并且这些力的大小与距离远近有直接关系,机器人的运动是各种力的矢量之和,该方法不仅具有建模简单、计算量小、应对灵敏度好等优点,而且具有高性能特点。人工势场法作为机器人路径规划的常用方法可应用到多个机器人编队成形过程中,在本方案中,首先利用人工势场法确定单个机器人的运动模型,然后各机器人根据运动模型驱动机器人从起始位置到达其对应的目标位置。在此运动过程中采用分布式控制方式,各机器人独立决策、独立执行,当所有机器人到达其对应目标点位置时,多机器人便实现正n边形编队队形。
通过上述分析,现有技术存在的问题及缺陷为:
(1)目前机器人系统的运动规划主要依赖于领航机器人的跟踪误差反馈较差,当机器人系统比较庞大时该方法不适用。
(2)目前基于行为法将机器人执行的任务分解为多个行为的集合,通过给不同的行为配置不同的权值实现不同的任务,该方法可以获得实时的反馈,但是权值的选取难以确定。
解决以上问题及缺陷的难度为:针对领航-跟随法与基于行为法的缺陷问题,通常解决方法是将两种方法结合使用,或者与其他机器人集群控制方法结合使用,但仍会引入新的缺陷问题。若将领航-跟随法与基于行为法相结合,通过设计机器人行为并采用“leader更换”的方法实现机器人间的协调运动,解决机器人队形保持问题,但由于对机器人通讯延迟等问题考虑不足,使得该方法实际应用性不强。
解决以上问题及缺陷的意义为:考虑到领航-跟随法与基于行为法的缺陷问题,可选择其他成熟固有的方法来解决多机器人编队成形问题,提高方法的实际应用性以及方法的适用性。
发明内容
针对现有技术存在的问题,本发明提供了一种任意位置多机器人编队成形控制方法、系统、设备及应用。
本发明是这样实现的,一种任意位置多机器人编队成形控制方法,所述任意位置多机器人编队成形控制方法包括:
多机器人属性初始化,计算多机器人编队队形形成所需力的最小点并确定理想队形位置坐标;
设计多机器人编队队形,计算不同节点方位角所对应的理想队形位置坐标;
定编队机器人所对应的目标点坐标位置,根据回溯算法确定机器人针对目标点的可能组合方案,找到机器人与期望目标点的最短距离和的最佳方案,确定各机器人对应的期望目标坐标位置;
利用人工势场算法,结合编队机器人与对应期望目标点的位置差,在合力的作用下,实现多机器人的编队队形形成。
进一步,所述任意位置多机器人编队成形控制方法的多机器人属性初始化:根据n个机器人的起始位置坐标,利用数学规划算法计算多机器人编队队形形成所需力的最小点,该点满足的条件是,在任意多个机器人所构成的几何图形内部,并且使任意机器人以最短路径到达其对应的期望目标位置。
进一步,所述任意位置多机器人编队成形控制方法的设计多机器人编队队形:以定义的mechanical center为中心,根据编队队形需要,设置期望队形的边长d,并定义队形的第一个预定节点方位角确定正n边形的期望队形中各个节点Pi坐标,其表示为:
进一步,所述任意位置多机器人编队成形控制方法的确定编队机器人所对应的目标点坐标位置:由得到mechanical center及期望队形中各顶点坐标,计算每个机器人分别到各个顶点的距离,根据回溯算法确定n个机器人针对目标点的可能组合方案,通过比较每组机器人分别到期望队形各个顶点的距离和,判断得到距离和最短的方案,确定其为最佳方案,确定每个机器人所对应的期望目标点坐标位置。
进一步,所述利用人工势场算法,结合编队机器人与对应期望目标点的位置差,在合力的作用下,实现多机器人的编队队形形成包括:基于人工势场法的移动机器人局部路径实现方法设置编队机器人与期望目标点之间的势场函数、根据人工势场法模型计算机器人的受力,计算得到机器人的运动航向角θk、编队机器人动态响应。
进一步,所述基于人工势场法的移动机器人局部路径实现方法设置编队机器人与期望目标点之间的势场函数:采用人工势场法所定义的目标势场函数作为编队机器人与其对应的期望目标点之间的吸引势场函数。同时设置编队机器人与障碍物之间的排斥势场函数,根据经验确定机器人与障碍物间的斥力场函数的作用范围值,当编队过程中出现多个障碍物时,则可直接利用斥力场函数进行避障从而实现编队队形形成。
进一步,所述编队机器人动态响应:当机器人确定其对应的期望目标点后,各机器人根据运动模型驱动机器人从初始位置到达目标位置,在此运动过程中采用分布式的控制方式,各机器人独立决策、独立执行,当所有机器人到达目标点位置时多机器人编队控制的队形完成;
驱动机器人前进的模型采用人工势场模型,计算机器人的受力和机器人下一步的位置:
xk+1=xk+γ cos θk
yk+1=yk+γ sin θk;
机器人移动至(xk+1,yk+1),同时置k=k+1为当前点,xk=xk+1,yk=yk+1;并判断机器人是否到达目标点。
本发明的另一目的在于提供一种计算机设备,所述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,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
多机器人属性初始化,计算多机器人编队队形形成所需力的最小点并确定理想队形位置坐标;
设计多机器人编队队形,计算不同节点方位角所对应的理想队形位置坐标;
定编队机器人所对应的目标点坐标位置,根据回溯算法确定机器人针对目标点的可能组合方案,找到机器人与期望目标点的最短距离和的最佳方案,确定各机器人对应的期望目标坐标位置;
利用人工势场算法,结合编队机器人与对应期望目标点的位置差,在合力的作用下,实现多机器人的编队队形形成。
本发明的另一目的在于提供一种实施所述任意位置多机器人编队成形控制方法的任意位置多机器人编队成形控制系统,所述任意位置多机器人编队成形控制系统包括:
理想队形位置坐标计算模块,用于计算多机器人编队队形形成所需力的最小点并确定理想队形位置坐标;
设计多机器人编队队形模块,用于计算理想队形位置坐标;
期望目标坐标位置确定模块,用于根据回溯算法确定机器人针对目标点的可能组合方案,找到机器人与期望目标点的最短距离和的最佳方案,确定各机器人对应的期望目标坐标位置;
编队队形形成模块,用于利用人工势场算法,结合编队机器人与对应期望目标点的位置差,在合力的作用下,实现多机器人的编队队形形成。
本发明的另一目的在于提供一种机器人,所述机器人安装有所述的任意位置多机器人编队成形控制系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明计算多机器人编队队形形成所需力的最小点并确定理想队形位置坐标,然后利用人工势场算法的实现多机器人系统编队队形;根据回溯算法确定机器人针对目标点的可能组合方案,找到机器人与期望目标点的最短距离和的最佳方案,从而确定各机器人对应的期望目标坐标位置;最后,利用人工势场算法,结合编队机器人与对应期望目标点的位置差,在合力的作用下,实现多机器人的编队队形形成,并提升了机器人编队成形效率。
本发明的人工势场法的原理简单,运行高效,对于任意位置的多个机器人,在编队的设置中,确定mechanical center及期望目标点后,机器人以最短路径迅速到达期望位置实现编队队形形成,解决了人工势场法只能实现群体的聚集运动,不能完成规则队形的缺陷。
本发明与采用Leader-Follower方法相比该方法更具有普适性,本发明不设立主机和从机,每个机器人既是主机又是从机,完全可以避免Leader-Follower中从机遇到障碍物而不能保持队形的缺陷。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的任意位置多机器人编队成形控制方法流程图。
图2是本发明实施例提供的任意位置多机器人编队成形控制系统的结构示意图;
图2中:1、理想队形位置坐标计算模块;2、设计多机器人编队队形模块;3、期望目标坐标位置确定模块;4、编队队形形成模块。
图3是本发明实施例提供的任意位置多机器人编队成形控制方法实现流程图。
图4是本发明实施例提供的多机器人编队队形形成正n边形的期望队形示意图。
图8是本发明实施例提供的在无障碍的情况下,给定5个机器人坐标位置后机器人编队队形形成示意图。
图9是本发明实施例提供的在有障碍的情况下,给定3个机器人坐标位置后机器人编队队形形成示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种任意位置多机器人编队成形控制方法、系统、设备及应用,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的任意位置多机器人编队成形控制方法包括以下步骤:
S101:根据数学规划算法计算多机器人编队队形形成所需力的最小点
S102:设计多机器人编队队形,计算不同节点方位角所对应的理想队形位置坐标;
S103:根据回溯算法确定机器人针对目标点的可能组合方案,找到机器人与期望目标点的最短距离和的最佳方案,确定各机器人对应的期望目标坐标位置;
S104:利用人工势场算法,结合编队机器人与对应期望目标点的位置差,在合力的作用下,实现多机器人的编队队形形成。
本发明提供的任意位置多机器人编队成形控制方法业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的任意位置多机器人编队成形控制方法仅仅是一个具体实施例而已。
如图2所示,本发明提供的任意位置多机器人编队成形控制系统包括:
理想队形位置坐标计算模块1,用于计算多机器人编队队形形成所需力的最小点;
设计多机器人编队队形模块2,用于计算理想队形位置坐标;
期望目标坐标位置确定模块3,用于根据回溯算法确定机器人针对目标点的可能组合方案,找到机器人与期望目标点的最短距离和的最佳方案,确定各机器人对应的期望目标坐标位置;
编队队形形成模块4,用于利用人工势场算法,结合编队机器人与对应期望目标点的位置差,在合力的作用下,实现多机器人的编队队形形成。
下面结合附图对本发明的技术方案作进一步的描述。
如图3所示,本发明提供的任意位置多机器人编队成形控制方法包括以下步骤:
第一步,多机器人属性初始化,设置编队机器人的个数n,并初始化n个机器人的起始坐标。根据编队队形需求,利用数学规划算法计算多机器人编队所需力的最小点(mechanical center),该点满足:点在任意多个机器人所构成的几何图形内部,并且使任意多个机器人花费最短时间、以最短路径到达其对应的期望目标位置,形成规则的正n边形。若将n个机器人表示为Xi=(xi,yi),i=1,2...n,力的最小点(mechanical center)表示为X=(x,y),则mechanical center数学规划模型为:
s.t.k1·x1+b1-y1≤0
k2·x2+b2-y2≤0
…
kn·xn+bn-yn≤0;
根据数学公理:两点确定一条直线,可得直线方程y=kx+b,因此由任意两个机器人的初始坐标可确定一条直线,上述公式中的ki,bi分别表示由两点所确定直线的k(斜率)和b(截距)。
第三步,找到编队机器人所对应的各自期望目标点坐标位置,根据第一步计算得到的mechanicalcenter和第二步计算得到的期望队形中各目标点坐标,计算每个机器人分别到各个目标点Xfi=(xfi,yfi)i=1,2...n的距离分别为||X1-Xf1||,||X2-Xf2||,…,||Xn-Xfn||。根据回溯算法确定n个机器人相对目标点的可能组合方案,通过比较每个机器人分别到各个目标点的距离和,返回距离和最短的方案为最佳方案,从而确定编队机器人对应的期望目标点坐标位置。
算法1由一个主函数和多个子函数组成实现功能,主函数中根据机器人个数及编队要求来调用子函数,子函数通过递归调用不断判断,计算出符合条件的多个方案,并将方案放入一个全局数组里,最后计算每个方案中n个机器人分别到目标点1,2,3的距离和,找出方案中距离和的最小值即为最佳方案,返回最佳方案元素,确定每个机器人对应各自的期望目标点坐标位置。
其中,子函数Conflict(row,col,stack)保证每个机器人对应不同的目标点,防止多个机器人对应一个目标点发生冲突
子函数PrintQueen(N,stack)中,定义一个全局变量用来累计方法数,将机器人n!种组合方案依次放在arr[]数组中
子函数robotRoute(A,h,N)中,比较每个机器人到各个目标位置的距离,记录最小距离的行号,其对应的数组元素为机器人相对目标点1,2,3的最佳组合。
第四步,基于人工势场法的移动机器人局部路径实现方法设置编队机器人与对应的期望目标点之间的势场函数,采用人工势场法所定义的目标势场函数作为编队机器人与对应的期望目标点之间的吸引势场函数。同时设置编队机器人与障碍物之间的排斥势场函数,根据经验取机器人与障碍物间的斥力场函数的作用范围值,在编队过程中若出现多个障碍物时,在合力作用下,避障并实现编队队形形成。
吸引势场函数:
其中k为比例位置增益系数,(X-Xgoal)为当前位置与目标位置的相对距离,相应的吸引力为目标势场的负梯度,即:
斥力势场函数:
其中η为正比例位置增益系数,ρ(X,X0)为机器人位置与障碍物之间的最短距离,常数ρ0代表障碍物的影响距离。当机器人不在目标点,相应的斥力为:
其中:
模型中增加了调节因子ρ2(X,Xgoal),解决了在传统人工势场中,障碍物与目标点过于接近引起斥力增加和引力减小而出现的机器人目标不可达问题。
机器人所受到的合力为:
Fsum=Fatt+Frep;
这个力决定了机器人的运动。
第五步,编队机器人动态响应,机器人确定其对应的期望目标点后,结合编队机器人与对应期望目标点的位置差,各机器人根据运动模型驱动机器人从初始位置到达目标位置,当所有机器人到达目标点位置后多机器人编队队形完成。
上述算法中,驱动机器人前进的模型采用基于人工势场模型,机器人在势场中的受力分析如下:
机器人在运动空间中任意位置X=(x,y)T,目标点位于Xf=(Xf,Yf)T,定义机器人与目标点之间的夹角,即:
此时引力函数在x,y轴的分量为:
Fatt(x)=Fatt cos(α)
Fatt(y)=Fatt sin(α);
假设运动空间中有N个障碍物,其分布情况如下,N个障碍物空间坐标位置为:Xo1=[xo1,yo1]T,Xo2=[xo2,yo2]T,…,Xon=[xon,yon]T,则定义机器人与障碍物之间的夹角分别如下:
…
此时斥力函数的分量分别为:
在无障碍编队过程中,机器人与X轴之间的夹角为:
在编队过程中有多个障碍物时,机器人与X轴之间的夹角为:
根据己经建立的势场模型计算机器人的受力,并利用上式得到机器人的运动航向角θk,从而确定机器人下一步的位置:
xk+1=xk+γ cos θk
yk+1=yk+γ sin θk;
第六步,判断机器人是否到达目标点,即判断最后一个机器人是否到达期望目标点,如果到达目标点则终止编队过程;如果没有到达目标点,则判断前进步数是否到达规定步数,如果达到规定步数,则表明无法找到完整路径,需调整模型参数,否则就返回第二步继续执行。
结合附图对算法的执行做具体的说明:
如图5所示,任意三个机器人的初始位置分别为(2,2),(6,1),(5,6),基于数学规划算法根据机器人的初始位置计算得到机器人编队形成所需的力的最小点(4.2200,2.6708)及其期望目标点坐标。根据经验选取队形的第一个预定节点方位角当期望队形各顶点坐标为(5.95,2.67),(3.35,4.17),(3.35,1.17),根据回溯算法确定3个机器人针对目标点的可能组合方案,通过比较每组机器人分别到各个目标点的距离和,判断距离和最短的方案为其最佳方案,从而确定每个机器人对应的期望目标点坐标位置分别为(3.35,1.17),(5.95,2.67),(3.35,4.17),图5、图6、图7中各机器人所对应的期望坐标如表1所示。在无障碍环境中,根据人工势场算法中引力势场作用,结合编队机器人与对应期望目标点的位置差,实现多机器人的编队形成期望队形。
表1
如图8所示,任意五个机器人的初始位置分别为(3,8),(5,14),(11,4),(17,11),(14,13),基于数学规划算法根据机器人的初始位置计算得到机器人编队形成所需的力的最小点(7.9155,9.1408)及其期望目标点坐标。当方位角期望队形各顶点坐标分别为(9.62,12.09),(5.64,11.67),(4.81,7.76),(8.27,5.76),(11.24,8.43),根据回溯算法确定5个机器人针对目标点的可能组合方案,通过判断距离和最小得到最佳方案,从而确定每个机器人所对应的期望目标点坐标分别为(4.81,7.76),(5.64,11.67),(8.27,5.76),(11.24,8.43),(9.62,12.09)。在无障碍环境中,根据人工势场算法,结合编队机器人与对应期望目标点的位置差,在引力作用下实现多机器人的编队形成期望队形。
如图9所示,任意三个机器人的初始位置分别为(3,2),(4,9),(7,3),基于数学规划算法根据机器人的初始位置计算得到机器人编队形成所需的力的最小点(4.9912,3.7071)及其期望目标点坐标。在有障碍物的环境下,障碍物的坐标分别为(1,1.5),(3.5,2),(4.1,6),(6,2.5),(8,4),(7,6),利用回溯算法确定机器人针对目标点的可能组合方案,找到机器人与期望目标点的最短距离,确定各机器人对应的期望坐标位置。根据人工势场算法,结合编队机器人与对应期望目标点的位置差,在合力作用下实现多机器人的编队形成正n边形队形。
本发明设置仿真实验对本发明所提出的多机器人系统队形形成方法进行验证,实验中设计求多机器人编队形成所需力的最小点、理想队形位置坐标及确定编队机器人所对应的目标点坐标位置。从实验结果看,机器人可以根据任意坐标位置情况,在无障碍环境及有障碍环境下,实现多机器人系统的正n边形编队队形。另外,各机器人相互独立,符合完全分布式的特征,证明了本发明提出的实时分布式编队成形算法的有效性。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种任意位置多机器人编队成形控制方法,其特征在于,所述任意位置多机器人编队成形控制方法包括:
多机器人属性初始化,计算多机器人编队队形形成所需力的最小点并确定理想队形位置坐标;
设计多机器人编队队形,计算不同节点方位角所对应的理想队形位置坐标;
定编队机器人所对应的目标点坐标位置,根据回溯算法确定机器人针对目标点的可能组合方案,找到机器人与期望目标点的最短距离和的最佳方案,确定各机器人对应的期望目标坐标位置;
利用人工势场算法,结合编队机器人与对应期望目标点的位置差,在合力的作用下,实现多机器人的编队队形形成。
2.如权利要求1所述的任意位置多机器人编队成形控制方法,其特征在于,所述任意位置多机器人编队成形控制方法的多机器人属性初始化:根据n个机器人的起始位置坐标,利用数学规划算法计算多机器人编队队形形成所需力的最小点,该点满足的条件是,在任意多个机器人所构成的几何图形内部,并且使任意机器人以最短路径到达其对应的期望目标位置。
4.如权利要求1所述的任意位置多机器人编队成形控制方法,其特征在于,所述任意位置多机器人编队成形控制方法的确定编队机器人所对应的目标点坐标位置:由得到mechanical center及期望队形中各顶点坐标,计算每个机器人分别到各个顶点的距离,根据回溯算法确定n个机器人针对目标点的可能组合方案,通过比较每组机器人分别到期望队形各个顶点的距离和,判断得到距离和最短的方案,确定其为最佳方案,确定每个机器人所对应的期望目标点坐标位置。
5.如权利要求1所述的任意位置多机器人编队成形控制方法,其特征在于,所述利用人工势场算法,结合编队机器人与对应期望目标点的位置差,在合力的作用下,实现多机器人的编队队形形成包括:基于人工势场法的移动机器人局部路径实现方法设置编队机器人与期望目标点之间的势场函数、根据人工势场法模型计算机器人的受力,计算得到机器人的运动航向角θk、编队机器人动态响应。
6.如权利要求5所述的任意位置多机器人编队成形控制方法,其特征在于,所述基于人工势场法的移动机器人局部路径实现方法设置编队机器人与期望目标点之间的势场函数:采用人工势场法所定义的目标势场函数作为编队机器人与其对应的期望目标点之间的吸引势场函数;同时设置编队机器人与障碍物之间的排斥势场函数,根据经验确定机器人与障碍物间的斥力场函数的作用范围值,当编队过程中出现多个障碍物时,则可直接利用斥力场函数进行避障从而实现编队队形形成。
7.如权利要求5所述的任意位置多机器人编队成形控制方法,其特征在于,所述编队机器人动态响应:当机器人确定其对应的期望目标点后,各机器人根据运动模型驱动机器人从初始位置到达目标位置,在此运动过程中采用分布式的控制方式,各机器人独立决策、独立执行,当所有机器人到达目标点位置时多机器人编队控制的队形完成;
驱动机器人前进的模型采用人工势场模型,计算机器人的受力和机器人下一步的位置:
xk+1=xk+γcosθk
yk+1=yk+γsinθk;
机器人移动至(xk+1,yk+1),同时置k=k+1为当前点,xk=xk+1,yk=yk+1;并判断机器人是否到达目标点。
8.一种计算机设备,其特征在于,所述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,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
多机器人属性初始化,计算多机器人编队队形形成所需力的最小点并确定理想队形位置坐标;
设计多机器人编队队形,计算不同节点方位角所对应的理想队形位置坐标;
定编队机器人所对应的目标点坐标位置,根据回溯算法确定机器人针对目标点的可能组合方案,找到机器人与期望目标点的最短距离和的最佳方案,确定各机器人对应的期望目标坐标位置;
利用人工势场算法,结合编队机器人与对应期望目标点的位置差,在合力的作用下,实现多机器人的编队队形形成。
9.一种实施权利要求1~7任意一项所述任意位置多机器人编队成形控制方法的任意位置多机器人编队成形控制系统,其特征在于,所述任意位置多机器人编队成形控制系统包括:
理想队形位置坐标计算模块,用于计算多机器人编队队形形成所需力的最小点并确定理想队形位置坐标;
设计多机器人编队队形模块,用于计算理想队形位置坐标;
期望目标坐标位置确定模块,用于根据回溯算法确定机器人针对目标点的可能组合方案,找到机器人与期望目标点的最短距离和的最佳方案,确定各机器人对应的期望目标坐标位置;
编队队形形成模块,用于利用人工势场算法,结合编队机器人与对应期望目标点的位置差,在合力的作用下,实现多机器人的编队队形形成。
10.一种机器人,其特征在于,所述机器人安装有权利要求9所述的任意位置多机器人编队成形控制系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010771006.4A CN112099486A (zh) | 2020-08-04 | 2020-08-04 | 任意位置多机器人编队成形控制方法、系统、设备及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010771006.4A CN112099486A (zh) | 2020-08-04 | 2020-08-04 | 任意位置多机器人编队成形控制方法、系统、设备及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112099486A true CN112099486A (zh) | 2020-12-18 |
Family
ID=73749520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010771006.4A Pending CN112099486A (zh) | 2020-08-04 | 2020-08-04 | 任意位置多机器人编队成形控制方法、系统、设备及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112099486A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113552886A (zh) * | 2021-07-23 | 2021-10-26 | 南方科技大学 | 去中心化群体机器人编队控制方法、控制系统及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170241790A1 (en) * | 2016-02-24 | 2017-08-24 | Honda Motor Co., Ltd. | Path plan generating apparatus for mobile body |
CN108762264A (zh) * | 2018-05-22 | 2018-11-06 | 重庆邮电大学 | 基于人工势场与滚动窗口的机器人的动态避障方法 |
CN210835730U (zh) * | 2019-12-19 | 2020-06-23 | 郭凯诚 | 一种ros导盲机器人的控制装置 |
-
2020
- 2020-08-04 CN CN202010771006.4A patent/CN112099486A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170241790A1 (en) * | 2016-02-24 | 2017-08-24 | Honda Motor Co., Ltd. | Path plan generating apparatus for mobile body |
CN108762264A (zh) * | 2018-05-22 | 2018-11-06 | 重庆邮电大学 | 基于人工势场与滚动窗口的机器人的动态避障方法 |
CN210835730U (zh) * | 2019-12-19 | 2020-06-23 | 郭凯诚 | 一种ros导盲机器人的控制装置 |
Non-Patent Citations (2)
Title |
---|
杨娜: "基于改进人工势场法的服务机器人路径规划", 《导航与控制》 * |
芮可人: "多移动机器人系统编队协调与控制研究", 《中国优秀硕士学位论文全文数据库•信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113552886A (zh) * | 2021-07-23 | 2021-10-26 | 南方科技大学 | 去中心化群体机器人编队控制方法、控制系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Task assignment and path planning of a multi-AUV system based on a Glasius bio-inspired self-organising map algorithm | |
CN111381600B (zh) | 一种基于粒子群算法的uuv路径规划方法 | |
Sahu et al. | An approach to optimize the path of humanoids using adaptive ant colony optimization | |
CN112083727B (zh) | 基于速度障碍物的多自主体系统分布式避碰编队控制方法 | |
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 | |
Issa et al. | A survey of multi-mobile robot formation control | |
CN111880565A (zh) | 一种基于Q-Learning的集群协同对抗方法 | |
Wang et al. | Visibility-aware trajectory optimization with application to aerial tracking | |
Yoo et al. | Gaze control-based navigation architecture with a situation-specific preference approach for humanoid robots | |
Li et al. | A behavior-based mobile robot navigation method with deep reinforcement learning | |
Zhou et al. | Adaptive leader-follower formation control and obstacle avoidance via deep reinforcement learning | |
CN113341956A (zh) | 基于改进人工势场法的多智能体主从式编队控制方法 | |
Tavares et al. | Dynamic leader allocation in multi-robot systems based on nonlinear model predictive control | |
CN112099486A (zh) | 任意位置多机器人编队成形控制方法、系统、设备及应用 | |
Lei et al. | A fuzzy behaviours fusion algorithm for mobile robot real-time path planning in unknown environment | |
CN117387635A (zh) | 一种基于深度强化学习和pid控制器的无人机导航方法 | |
Smyrnakis et al. | Improving multi-robot coordination by game-theoretic learning algorithms | |
Chaudhary et al. | Obstacle avoidance of a point-mass robot using feedforward neural network | |
CN114721273B (zh) | 一种固定时间收敛零化神经网络的多智能体编队控制方法 | |
Toumieh | Decentralized multi-agent planning for multirotors: a fully online and communication latency robust approach | |
Deng et al. | Multi-robot dynamic formation path planning with improved polyclonal artificial immune algorithm | |
Zhang et al. | Visual navigation of mobile robots in complex environments based on distributed deep reinforcement learning | |
CN113485323A (zh) | 一种级联多移动机器人灵活编队方法 | |
Snape et al. | Goal velocity obstacles for spatial navigation of multiple autonomous robots or virtual agents | |
Waldy et al. | Design and Implementation System Automatic Guided Vehicle (AGV) Using RFID for Position Information |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201218 |
|
RJ01 | Rejection of invention patent application after publication |