CN112241173B - 一种基于人工势场的多智能体集结点的智能规划方法 - Google Patents

一种基于人工势场的多智能体集结点的智能规划方法 Download PDF

Info

Publication number
CN112241173B
CN112241173B CN202011200666.3A CN202011200666A CN112241173B CN 112241173 B CN112241173 B CN 112241173B CN 202011200666 A CN202011200666 A CN 202011200666A CN 112241173 B CN112241173 B CN 112241173B
Authority
CN
China
Prior art keywords
agent
intelligent
aggregation point
agents
distance
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
CN202011200666.3A
Other languages
English (en)
Other versions
CN112241173A (zh
Inventor
辛斌
鲁赛
丁玉隆
陈杰
张佳
王晴
王淼
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202011200666.3A priority Critical patent/CN112241173B/zh
Publication of CN112241173A publication Critical patent/CN112241173A/zh
Application granted granted Critical
Publication of CN112241173B publication Critical patent/CN112241173B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本公开的基于人工势场的多智能体集结点的智能规划方法，通过导入多智能体信息、障碍物信息、多智能体的目标集结点信息；根据计算的多智能体距离目标集结点的最大距离确定多智能体的初始虚拟集结点；根据初始虚拟集结点计算多智能体间的距离及多智能体与障碍物间的距离，当多智能体间的距离和智能体与障碍物间的距离小于预设距离时，根据人工势场模型计算智能体间的排斥力和智能体与障碍物间的排斥力，并确定智能体的移动方向和移动距离，得到移动后的智能体虚拟集结点；当智能体虚拟集结点不再发生变化时的虚拟集结点为智能体的目标集结点。以解决多智能体(陆用多机器人)在复杂障碍环境下的各智能体(各机器人)集结点的冲突问题。

Description

一种基于人工势场的多智能体集结点的智能规划方法
技术领域
本发明属于路径规划技术领域，具体涉及一种基于人工势场的多智能体集结点的智能规划方法。
背景技术
近年来，关于多智能体(例如陆用多机器人)集群协调与规划问题成为科研人员关注的焦点之一。目前也已经能够让多智能体系统实现多样复杂的任务，诸如集结、编队、围捕等。然而，科研人员通过交互界面调度多智能体完成集结任务时，会习惯性地命令多智能体向同一个理论集结点集结。然而，在实际工程应用中，多智能体因为无法视为质点，若其理论集结点相同或距离过近，则在理论集结点处将会出现大量的智能体碰撞问题。解决该问题的比较直接办法是科研人员对每个智能体逐一指派其理论集结点且理论集结点的距离不能过近，但这一方法仅限于智能体数量较少的情况下，一旦智能体数量较多，则会给科研人员带来较重的操作负担且实际中使用这种方法产生的集结效果也不理想。
人工势场法由于其简洁性和快速性，在机器人的路径规划中得到了广泛的应用。使用人工势场法规划得到的流畅的路径线条，能够更好地实现对机器人的平滑控制。使用人工势场法完成智能体的轨迹规划基本思想是通过设计目标点对其的吸引力以及环境中障碍物对其的排斥力，从而形成特定的势场环境。智能体在这种人为设计的势场环境中，迭代计算受力和执行移动动作，实现从初始点到目标点的移动。但人工势场法在路径规划实践中，其不足在于存在最优解，容易产生死锁现象。且使用人工势场法规划多智能体集结点的研究也不多。
发明内容
本发明克服了现有技术的不足之一提供了一种基于人工势场的多智能体集结点的智能规划方法，以解决多智能体(陆用多机器人)在复杂障碍环境下的各智能体(各机器人)集结点的冲突问题。
根据本公开的一方面，本发明提供一种基于人工势场的多智能体集结点的智能规划方法，所述方法包括：
导入多智能体信息、障碍物信息、多智能体的目标集结点信息；
计算多智能体距离目标集结点的距离，并根据多智能体距离目标集结点的最大距离计算多智能体的初始虚拟集结点位置坐标；
根据所述多智能体的初始虚拟集结点位置坐标计算多智能体之间的距离以及多智能体与障碍物之间的距离，当多智能体之间的距离或智能体与障碍物之间的距离小于预设距离时，根据人工势场模型计算所述智能体之间的排斥力和所述智能体与障碍物之间的排斥力；
根据所述智能体之间的排斥力和所述智能体与障碍物之间的排斥力，确定所述智能体的移动方向和计算所述智能体的移动距离，得到所述智能体移动后的虚拟集结点；
当所述智能体的虚拟集结点的位置坐标不再发生变化时，所述虚拟集结点位置为所述智能体的目标集结点。
在一种可能的实现方式中，所述多智能体信息包括智能体的总数N，智能体的位置坐标
Figure GDA0003124539530000021
Figure GDA0003124539530000022
智能体的半径R；
所述障碍物信息包括障碍物位置坐标
Figure GDA0003124539530000023
Figure GDA0003124539530000024
Q为障碍物个数，k和Q为正整数；
多智能体的目标集结点信息包括集结点总数M，目标集结点位置坐标
Figure GDA0003124539530000025
Figure GDA0003124539530000031
目标集结点编号j，j＝1，2，…，M；其中，M和N为正整数，且M≤N。
在一种可能的实现方式中，计算多智能体距离目标集结点的距离，并根据多智能体距离目标集结点的最大距离计算多智能体的初始虚拟集结点位置坐标，包括：
多智能体距离目标集结点的距离Di,j，
Figure GDA0003124539530000032
如果多智能体距离目标集结点的最大距离为Dmax，以多智能体距离目标集结点为中心，根据多智能体距离目标集结点的最大距离为Dmax计算得到多智能体初始虚拟集结点位置坐标
Figure GDA0003124539530000033
Figure GDA0003124539530000034
在一种可能的实现方式中，根据人工势场模型计算所述智能体之间的排斥力和所述智能体与障碍物之间的排斥力，包括：
Figure GDA0003124539530000035
Figure GDA0003124539530000036
Figure GDA0003124539530000037
其中，Di,n，Ai,n分别表示智能体之间的距离与排斥力，；Di,k，Ai,k分别表示智能体与障碍物之间的距离与排斥力，i，n分别是智能体编号，k是障碍物的编号，K为人工势场常数，r为地图栅格的半径，i，n，k为正整数。
在一种可能的实现方式中，根据所述智能体与与其他智能体的排斥力和所述智能体与障碍物的排斥力，计算所述智能体的移动方向和移动距离，包括：
对所述智能体之间的排斥力Ai,n和所述智能体与障碍物的排斥力Ai,k进行坐标分解分别为：
Figure GDA0003124539530000041
将依次计算所述智能体与其它智能体之间的排斥力，以及与所有障碍物的排斥力进行矢量合成所述智能体的初始虚拟智能点的排斥力的合力为：
Figure GDA0003124539530000042
其中，
Figure GDA0003124539530000043
分别表示智能体i分别在x,y方向所受排斥力的合力，
Figure GDA0003124539530000044
分别表示智能体i与障碍物k之间的排斥力在x，y方向的分力，
Figure GDA0003124539530000045
表示智能体i与智能体n之间的排斥力在x,y方向的分力；
根据所述智能体的初始虚拟智能点在x，y方向收到的排斥力的合力，计算所述智能体的移动距离为：
Figure GDA0003124539530000046
其中，
Figure GDA0003124539530000047
表示所述智能体此次分别在x,y方向移动的距离，L为排斥力力与所述智能体移动步距大小关系的常系数，所述智能体移动方向与所述智能体的初始虚拟智能点在x，y方向收到的排斥力的合力方向相同；
所述智能体在此次移动后的虚拟集结点位置坐标为：
Figure GDA0003124539530000048
在一种可能的实现方式中，所述预设距离为所述智能体半径的两倍。
本公开的基于人工势场的多智能体集结点的智能规划方法，通过导入多智能体信息、障碍物信息、多智能体的目标集结点信息；计算多智能体距离目标集结点的距离，并根据多智能体距离目标集结点的最大距离计算多智能体的初始虚拟集结点位置坐标；根据所述多智能体的初始虚拟集结点位置坐标计算多智能体之间的距离以及多智能体与障碍物之间的距离，当多智能体之间的距离或智能体与障碍物之间的距离小于预设距离时，根据人工势场模型计算所述智能体之间的排斥力和所述智能体与障碍物之间的排斥力；根据所述智能体之间的排斥力和所述智能体与障碍物之间的排斥力，确定所述智能体的移动方向和计算所述智能体的移动距离，得到所述智能体移动后的虚拟集结点；当所述智能体的虚拟集结点的位置坐标不再发生变化时，所述虚拟集结点位置为所述智能体的目标集结点。以解决多智能体(陆用多机器人)在复杂障碍环境下的各智能体(各机器人)集结点的冲突问题。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解，并且构成说明书的一部分。其中，表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案，但并不构成对本申请技术方案的限制。
图1示出了根据本公开一实施例的基于人工势场的多智能体集结点的智能规划方法的流程示意图；
图2示出了根据本公开一实施例的基于人工势场的多智能体初始虚拟集结点的示例图；
图3示出了根据本公开一实施例的基于人工势场的多智能体目标集结点的示例图；
图4示出了根据本公开另一实施例的基于人工势场的多智能体集结点的智能规划场景图；
图5示出了根据本公开另一实施例的基于人工势场的多智能体集结点的智能规划结果示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本发明的保护范围之内。
另外，附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本公开的基于人工势场的多智能体集结点的智能规划方法，根据人为指派得到的多智能体的理论集结点规划出各智能体的实际集结点。首先根据由人为指派的多智能体理论集结点，使用快捷的比例收缩方法，为各智能体规划出初始虚拟集结点；借鉴人工势场法的基本思想，设计合理的人工势场模型，计算各智能体与其他智能体及障碍物之间的排斥力，从而使各智能体沿着互不接触并远离障碍物的方向移动；当各智能体所受排斥力均为零，各智能体所在位置即为对应的实际集结点。
图1示出了本公开一实施例的基于人工势场的多智能体集结点的智能规划方法的流程示意图。该方法可以用于陆用多机器人在复杂障碍环境下基于人工势场的集结点规划系统，该方法可以包括：
步骤S1：导入多智能体信息、障碍物信息、多智能体的目标集结点信息。其中，多智能体信息可以包括智能体的总数N，智能体的位置坐标
Figure GDA0003124539530000061
Figure GDA0003124539530000062
智能体的半径R。
障碍物信息可以包括障碍物位置坐标
Figure GDA0003124539530000063
Figure GDA0003124539530000064
多智能体的目标集结点信息包括目标集结点总数M，目标集结点位置坐标
Figure GDA0003124539530000065
Figure GDA0003124539530000066
集结点编号j，j＝1，2，…，M；M和N为正整数，且M≤N。若地图的栅格半径为y，则r＜R，设以集结点j为目标集结点ai的智能体集合为Ωj，则
Figure GDA0003124539530000067
图2示出了根据本公开一实施例的基于人工势场的多智能体初始虚拟集结点的示例图。
如图2所示，智能体的总数N＝5，即智能体1、智能体2、智能体3、智能体4、智能体5。每个智能体的半径R＝0.5。目标集结点为2个，即目标集结点1和目标集结点2。则智能体、目标集结点、障碍物的位置坐标信息如表1所示，地图的栅格半径r＝0.5。
表1
Figure GDA0003124539530000071
每个目标集结点的位置信息与多智能体的对应关系如表2所示，表2中，“√”表示智能体与目标集结点之间存在任务关系；“-”表示智能体与目标集结点不存在任务关系。
表2
Figure GDA0003124539530000072
步骤S2：计算多智能体距离目标集结点的距离，并根据多智能体距离目标集结点的最大距离计算多智能体的初始虚拟集结点位置坐标。
假设智能体i的初始虚拟集结点为
Figure GDA0003124539530000073
i为正整数，初始虚拟集结点与智能体相对于目标集结点的相对方向一致。
根据点与点之间的距离公式计算每个智能体距离目标集结点的距离Di,j，
Figure GDA0003124539530000074
通过计算能够得到多智能体距离目标集结点的最大距离为Dmax，以多智能体距离目标集结点为中心，将每个智能体的位置坐标等比例缩小，直到以多智能体距离目标集结点为中心的半径r小于地图栅格的半径。
根据多智能体距离目标集结点的最大距离为Dmax计算得到多智能体初始虚拟集结点位置坐标
Figure GDA0003124539530000081
Figure GDA0003124539530000082
计算得到5个智能体的初始虚拟集结点坐标信息如表3所示：
表3多智能体的初始虚拟集结点坐标信息
Figure GDA0003124539530000083
步骤S3：根据所述多智能体的初始虚拟集结点位置坐标计算多智能体之间的距离以及多智能体与障碍物之间的距离，当多智能体之间的距离或智能体与障碍物之间的距离小于预设距离时，根据人工势场模型计算所述智能体之间的排斥力和所述智能体与障碍物之间的排斥力。
将每个智能体放置在初始虚拟集结点位置处，根据距离公式计算每个智能体与所有障碍物，每个智能体与其它智能体之间的距离。
以编号为i的智能体为例，智能体i与智能体n之间的距离为Di,n，则
Figure GDA0003124539530000084
智能体i与障碍物k之间的距离Di,k，则
Figure GDA0003124539530000085
借鉴人工势场算法的思想，设计合理的人工势场模型，当智能体与其他智能体或障碍间距离较近时，例如可以为当多智能体之间的距离或智能体与障碍物之间的距离小于智能体半径的两倍时将会受到一个排斥力，根据人工势场模型计算智能体之间的排斥力和智能体与障碍物之间的排斥力。计算方法如下：
Figure GDA0003124539530000091
Figure GDA0003124539530000092
其中，Di,n，Ai,n分别表示智能体之间的距离与排斥力，；Di,k，Ai,k分别表示智能体与障碍物之间的距离与排斥力，i，n分别是智能体编号，k是障碍物的编号，K为人工势场常数，r为地图栅格的半径，i，n，k为正整数。
步骤S4：根据所述智能体之间的排斥力和所述智能体与障碍物之间的排斥力，确定所述智能体的移动方向和计算所述智能体的移动距离，得到所述智能体移动后的虚拟集结点。
对所述智能体之间的排斥力Ai,n和所述智能体与障碍物的排斥力Ai,k进行坐标分解分别为：
Figure GDA0003124539530000093
依次计算智能体与其它智能体之间的排斥力，以及与所有障碍物的排斥力，将依次计算智能体与其它智能体之间的排斥力，以及与所有障碍物的排斥力进行矢量合成所述智能体的初始虚拟智能点的排斥力的合力为：
Figure GDA0003124539530000094
其中，
Figure GDA0003124539530000095
分别表示智能体i分别在x,y方向所受排斥力的合力，
Figure GDA0003124539530000096
分别表示智能体i与障碍物k之间的排斥力在x，y方向的分力，
Figure GDA0003124539530000097
表示智能体i与智能体n之间的排斥力在x,y方向的分力。
根据该排斥力合力公式，计算的5个智能体在初始虚拟集结点的排斥力合力如表4所示：
表4多智能体的初始虚拟集结点排斥力合力
Figure GDA0003124539530000101
根据上面势场力模型计算各智能体所受排斥力合力情况，结合智能体最大移动步距，确定智能体下一步移动方向及移动步距。智能体移动方向与所述智能体的初始虚拟智能点在x，y方向收到的排斥力的合力方向相同，智能体移动步距与智能体所受排斥力合力大小成正比。
根据智能体的初始虚拟智能点在x，y方向收到的排斥力的合力，计算所述智能体的移动距离为：
Figure GDA0003124539530000102
其中，
Figure GDA0003124539530000103
表示智能体此次分别在x,y方向移动的距离，L为排斥力力与所述智能体移动步距大小关系的常系数，所述智能体移动方向与所述智能体的初始虚拟智能点在x，y方向收到的排斥力的合力方向相同；
智能体在此次移动后的虚拟集结点位置坐标为：
Figure GDA0003124539530000104
步骤S5：当所述智能体的虚拟集结点的位置坐标不再发生变化时，所述虚拟集结点位置为所述智能体的目标集结点。
图3示出了根据本公开一实施例的基于人工势场的多智能体目标集结点的示例图。
不断重复上述步骤，使得智能体进行反复的移动，当智能体的虚拟集结点的位置坐标不再发生变化时，虚拟集结点的位置将是该智能体的实际集结点，则上述5个智能体的结果见表5，
表5
Figure GDA0003124539530000111
5个智能体的目标集结点如图3所示，可知，通过本公开的方法可以将各个智能体的目标集结点位置进行合理的规划，保证每个智能体与其它智能体和障碍物不发生碰撞冲突。
图4示出了根据本公开另一实施例的基于人工势场的多智能体集结点的智能规划场景图。图5示出了根据本公开另一实施例的基于人工势场的多智能体集结点的智能规划结果示意图。
如图4所示，在一个包含有四个智能履带机器人的多机器人系统中，所有智能履带车需要向左侧的高台完成集结任务。该测试环境中障碍物极其复杂且理论集结点位于障碍物之间的狭长的通道中。使用本公开的基于人工势场的多智能体集结点的智能规划方法，得到的各智能履带机器人的实际集结点的运算结果如图5所示。由图5可知，本公开的智能规划方法能够合理的分配给每个智能履带车的实际集结位置，保证每个智能履带车与其他智能履带车以及周围障碍物不发生碰撞，能够为智能履带车的集结任务提供算法保障，顺利完成集结任务。
本公开的基于人工势场的多智能体集结点的智能规划方法，通过导入多智能体信息、障碍物信息、多智能体的目标集结点信息；计算多智能体距离目标集结点的距离，并根据多智能体距离目标集结点的最大距离计算多智能体的初始虚拟集结点位置坐标；根据所述多智能体的初始虚拟集结点位置坐标计算多智能体之间的距离以及多智能体与障碍物之间的距离，当多智能体之间的距离或智能体与障碍物之间的距离小于预设距离时，根据人工势场模型计算所述智能体之间的排斥力和所述智能体与障碍物之间的排斥力；根据所述智能体之间的排斥力和所述智能体与障碍物之间的排斥力，确定所述智能体的移动方向和计算所述智能体的移动距离，得到所述智能体移动后的虚拟集结点；当所述智能体的虚拟集结点的位置坐标不再发生变化时，所述虚拟集结点位置为所述智能体的目标集结点。以解决多智能体(陆用多机器人)在复杂障碍环境下的各智能体(各机器人)集结点的冲突问题。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (3)

1.一种基于人工势场的多智能体集结点的智能规划方法，其特征在于，所述方法包括：
导入多智能体信息、障碍物信息、多智能体的目标集结点信息；
所述多智能体信息包括智能体的总数N，智能体的位置坐标
Figure FDA0003124539520000011
Figure FDA0003124539520000012
其中，i为智能体编号，i＝1,2,…,N，i和N为正整数；智能体的半径R；
所述障碍物信息包括障碍物位置坐标
Figure FDA0003124539520000013
Figure FDA0003124539520000014
Q为障碍物个数，k和Q为正整数；
多智能体的目标集结点信息包括集结点总数M，目标集结点位置坐标
Figure FDA0003124539520000015
Figure FDA0003124539520000016
其中，目标集结点编号j，j＝1，2，…，M；其中，M和N为正整数，且M≤N；
根据距离计算公式计算多智能体距离目标集结点的距离，并根据多智能体距离目标集结点的最大距离计算多智能体的初始虚拟集结点位置坐标，包括：
智能体i距离目标集结点j的距离Di,j，
Figure FDA0003124539520000017
如果多智能体距离目标集结点的最大距离为Dmax，以多智能体目标集结点为中心，根据多智能体距离目标集结点的最大距离为Dmax计算得到多智能体初始虚拟集结点位置坐标
Figure FDA0003124539520000018
Figure FDA0003124539520000019
根据所述多智能体的初始虚拟集结点位置坐标计算多智能体之间的距离以及多智能体与障碍物之间的距离，当多智能体之间的距离或智能体与障碍物之间的距离小于预设距离时，根据人工势场模型计算所述智能体之间的排斥力和所述智能体与障碍物之间的排斥力；
根据所述智能体之间的排斥力和所述智能体与障碍物之间的排斥力，确定所述智能体的移动方向和计算所述智能体的移动距离，得到所述智能体移动后的虚拟集结点，包括：
对所述智能体之间的排斥力和所述智能体与障碍物的排斥力进行坐标分解分别为：
Figure FDA0003124539520000021
其中，Ai,n为智能体之间的排斥力，Ai,k为智能体与障碍物的排斥力，Di,n表示智能体之间的距离，Di,k表示智能体与障碍物之间的距离；i，n分别是智能体编号，k是障碍物的编号，i，n，k为正整数；
Figure FDA0003124539520000022
分别表示智能体i与障碍物k之间的排斥力在x，y方向的分力，
Figure FDA0003124539520000023
表示智能体i与智能体n之间的排斥力在x，y方向的分力；
将依次计算所述智能体与其它智能体之间的排斥力，以及与所有障碍物的排斥力进行矢量合成所述智能体的初始虚拟集结点的排斥力的合力为：
Figure FDA0003124539520000024
其中，
Figure FDA0003124539520000025
分别表示智能体i分别在x,y方向所受排斥力的合力，
Figure FDA0003124539520000026
分别表示智能体i与障碍物k之间的排斥力在x，y方向的分力，
Figure FDA0003124539520000027
表示智能体i与智能体n之间的排斥力在x,y方向的分力；
根据所述智能体的初始虚拟集结点在x，y方向收到的排斥力的合力，计算所述智能体的移动距离为：
Figure FDA0003124539520000028
其中，
Figure FDA0003124539520000029
表示所述智能体此次分别在x,y方向移动的距离，L为排斥力与所述智能体移动步距大小关系的常系数，所述智能体移动方向与所述智能体的初始虚拟集结点在x，y方向受到的排斥力的合力方向相同；
所述智能体在此次移动后的虚拟集结点位置坐标为：
Figure FDA0003124539520000031
当所述智能体的虚拟集结点的位置坐标不再发生变化时，所述虚拟集结点位置为所述智能体的目标集结点。
2.根据权利要求1所述的智能规划方法，其特征在于，根据人工势场模型计算所述智能体之间的排斥力和所述智能体与障碍物之间的排斥力，包括：
Figure FDA0003124539520000032
Figure FDA0003124539520000033
Figure FDA0003124539520000034
其中，Di,n，Ai,n分别表示智能体之间的距离与排斥力；Di,k，Ai,k分别表示智能体与障碍物之间的距离与排斥力，i，n分别是智能体编号，k是障碍物的编号，K为人工势场常数，r为地图栅格的半径，i，n，k为正整数。
3.根据权利要求1所述的智能规划方法，其特征在于，所述预设距离为所述智能体半径的两倍。
CN202011200666.3A 2020-10-30 2020-10-30 一种基于人工势场的多智能体集结点的智能规划方法 Active CN112241173B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011200666.3A CN112241173B (zh) 2020-10-30 2020-10-30 一种基于人工势场的多智能体集结点的智能规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011200666.3A CN112241173B (zh) 2020-10-30 2020-10-30 一种基于人工势场的多智能体集结点的智能规划方法

Publications (2)

Publication Number Publication Date
CN112241173A CN112241173A (zh) 2021-01-19
CN112241173B true CN112241173B (zh) 2021-09-10

Family

ID=74169591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011200666.3A Active CN112241173B (zh) 2020-10-30 2020-10-30 一种基于人工势场的多智能体集结点的智能规划方法

Country Status (1)

Country Link
CN (1) CN112241173B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033756B (zh) * 2021-03-25 2022-09-16 重庆大学 基于目标导向的聚集策略的多智能体控制方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9436187B2 (en) * 2015-01-15 2016-09-06 The United States Of America As Represented By The Secretary Of The Navy System and method for decentralized, multi-agent unmanned vehicle navigation and formation control
CN105717929B (zh) * 2016-04-29 2018-06-15 中国人民解放军国防科学技术大学 一种多分辨率障碍物环境下移动机器人混合路径规划方法
CN107367944A (zh) * 2017-09-04 2017-11-21 贾永楠 一种面向多智能体系统的集群控制方法
CN110096073A (zh) * 2019-04-18 2019-08-06 北京航空航天大学 仿信鸽智能行为的超大规模无人机集群控制系统及方法
CN110442134B (zh) * 2019-08-01 2020-11-10 北京理工大学 一种基于双层网络的多智能体群集控制方法
CN111399539B (zh) * 2020-03-27 2022-06-24 西北工业大学 一种基于航路点的无人机编队避障和防撞控制方法

Also Published As

Publication number Publication date
CN112241173A (zh) 2021-01-19

Similar Documents

Publication Publication Date Title
CN107214701B (zh) 一种基于运动基元库的带电作业机械臂自主避障路径规划方法
Christodoulou et al. Automatic commercial aircraft-collision avoidance in free flight: the three-dimensional problem
Tan et al. Three dimensional collision avoidance for multi unmanned aerial vehicles using velocity obstacle
CN108829113A (zh) 一种多机器人编队自适应零空间行为融合方法
Gong et al. Pseudospectral motion planning for autonomous vehicles
CN112241173B (zh) 一种基于人工势场的多智能体集结点的智能规划方法
CN113031621B (zh) 一种桥式起重机安全避障路径规划方法及系统
Hou et al. Simulation research for mobile robot path planning based on improved artificial potential field method recommended by the AsiaSim
CN110561420A (zh) 臂型面约束柔性机器人轨迹规划方法及装置
Ma et al. Efficient reciprocal collision avoidance between heterogeneous agents using ctmat
Wakabayashi et al. Dynamic obstacle avoidance for Multi-rotor UAV using chance-constraints based on obstacle velocity
Friudenberg et al. Mobile robot rendezvous using potential fields combined with parallel navigation
Mao et al. Space partition for conflict resolution of intersecting flows of mobile agents
Berdonosov et al. Speed approach for UAV collision avoidance
Wang et al. An improved RRT based 3-D path planning algorithm for UAV
DE102018220581A1 (de) Verfahren und Vorrichtung zum Prüfen einer Trajektorie für ein Fahrzeug
Wilburn et al. Implementation of a 3-Dimensional dubins-based UAV path generation algorithm
Alonso-Mora Collaborative motion planning for multi-agent systems
Liu et al. Quasi-critical collision-avoidance strategy for autonomous vehicles in complex traffic scenarios based on exclusive area of relative velocity vector algorithm
Adriansyah et al. Optimization of circular robot size using behavior based architecture
Liu et al. Research on the dynamic path planning of manipulators based on a grid-local probability road map method
CN113419549B (zh) 一种空间目标抓捕试验系统的运动模拟器运动分配方法
PSHIKHOPOV et al. Movement planning of mobile vehicles group in the two-dimensional environment with obstacles1
Pshikhopov et al. Path planning for a group of vehicles in 2D obstructed environment
Chen et al. Research on Navigation of Multi-mobile Robot Formation Based on Leader-Follower Method

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