CN112527020A - 一种基于群体机器人的目标围捕控制方法及系统 - Google Patents

一种基于群体机器人的目标围捕控制方法及系统 Download PDF

Info

Publication number
CN112527020A
CN112527020A CN202011376837.8A CN202011376837A CN112527020A CN 112527020 A CN112527020 A CN 112527020A CN 202011376837 A CN202011376837 A CN 202011376837A CN 112527020 A CN112527020 A CN 112527020A
Authority
CN
China
Prior art keywords
robot
target
pheromones
pheromone
grid
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
Application number
CN202011376837.8A
Other languages
English (en)
Other versions
CN112527020B (zh
Inventor
范衠
马培立
王诏君
石泽
蔡堉伟
李晓明
林培涵
李文姬
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.)
Shantou University
Original Assignee
Shantou University
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 Shantou University filed Critical Shantou University
Priority to CN202011376837.8A priority Critical patent/CN112527020B/zh
Publication of CN112527020A publication Critical patent/CN112527020A/zh
Application granted granted Critical
Publication of CN112527020B publication Critical patent/CN112527020B/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
    • G05D1/12—Target-seeking control
    • 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
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及机器人技术领域，具体涉及一种基于群体机器人的目标围捕控制方法及系统，所述方法为：初始化环境地图中的信息素和机器人位置，对执行环境进行探测，以更新环境地图中的信息素，并根据更新后的信息素和反蚁群算法确定运动路径；当机器人探测到目标或跟随信息素时，通过检测信息素浓度的变化来计算该目标在过去一段时间内的位移变化，并基于跟踪算法自适应调整该机器人的运动速度和方向，以保持对目标的跟踪，通过信息素浓度生成特征点，根据所述特征点确定群体聚合形态，控制群体机器人到达生成的群体聚合形态上，以对至少一个目标进行围捕，本发明能够实现在未知环境和通信受限的情况下的目标搜索和围捕。

Description

一种基于群体机器人的目标围捕控制方法及系统
技术领域
本发明涉及机器人技术领域，具体涉及一种基于群体机器人的目标围捕控制方法及系统。
背景技术
近年来，未知环境下的目标搜索和围捕问题越来越受到学术界的关注。单个机器人对于复杂任务处理的能力通常被认为是有限的，而多机器人系统可以通过局部交互来协同完成复杂的任务。与单机器人系统相比，多机器人系统具有适应性强、扩展性强、可靠性高等优点。由于这些因素，基于群体机器人的目标搜索和围捕系统在现实世界中有很多应用，例如灾后搜索和营救幸存者，部署移动传感器网络，区域覆盖及协作，截留护送任务和小型飞行器编队飞行等。
Kong等人提出了一种分布式解决区域覆盖问题的方法。机器人在移动过程中逐渐建立一个环境地图，所有机器人都可以从这个地图中获得环境信息。因此，机器人可以知道哪些区域是未探索的，从而指导自己进行移动以覆盖剩余的未探索区域。
Zhang等人在已有规则的基础上使用插值隐函数(RBIF)来代替原有的非均匀有理b样条函数，从而实现了群体机器人分裂和群体聚合形态的合并。然而，在该工作中需要中心协调机器人才能生成特定的队形，这大大降低了该模型的适用性。Yuan等人根据领导跟随(1eader-fol lower)模型提出了名为TH-GRN(Tracking-based Hierarchical GeneRegulatory Network，基于跟踪的分层基因调控网络)的群体机器人行为模式，该方法将分层基因调控网络与领导跟随模型相结合。
现有技术中，目标搜索和目标围捕通常需要独立解决，被视为两个独立的分支。现有的群机器人目标搜索和围捕方法通常计算复杂，单体机器人的硬件性能难以满足软件的执行速度，从而降低执行效率，难以同时实现目标搜索和目标围捕这两种不同类型任务；许多方法基于一些不现实的假设，例如可靠的通信链路，精准的自定位系统，已知的环境信息，乃至有些方法需要存在中央协调控制器来统一控制群体机器人的运动。在一些无法提供可靠的通信链路和自定位的通信拒止的环境中，机器人会无法对目标完成搜索和围捕的工作。
发明内容
本发明提供一种基于群体机器人的目标围捕控制方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，本发明提供以下技术方案：
一种基于群体机器人的目标围捕控制方法，所述方法包括：
初始化环境地图中的信息素和机器人位置，所述环境地图为执行环境的占据栅格地图；
机器人对执行环境进行探测，以更新环境地图中的信息素，并根据更新后的信息素和反蚁群算法确定运动路径；所述信息素包括障碍信息素和跟随信息素；
当机器人探测到目标或跟随信息素时，通过检测信息素浓度的变化来计算该目标在过去一段时间内的位移变化，并基于跟踪算法自适应调整该机器人的运动速度和方向，以保持对目标的跟踪；
当群体机器人的数量达到设定数量后，通过信息素浓度生成特征点，将所述特征点作为输入，通过基于信息素输入的插值隐函数得到群体聚合形态，根据基因调控网络模型的下层模型控制群体机器人到达生成的群体聚合形态上，以对至少一个目标进行围捕。
进一步，所述特征点包括内点、边界点和外点。
进一步，所述机器人对执行环境进行探测，以更新环境地图中的信息素，包括：
机器人使用其携带的单点激光雷达传感器和摄像头对周围环境进行探测，当机器人探测到障碍物时，在所述障碍物所处的网格释放障碍信息素；当机器人探测到目标时，在所述目标所处的网格释放跟随信息素。
进一步，所述根据更新后的信息素和反蚁群算法确定运动路径，包括：
机器人在执行环境中移动时读取环境地图中的信息素浓度，根据所述信息素浓度确定的转移概率选择转移的网格。
进一步，所述转移概率的计算公式为：
Figure BDA0002808414210000021
其中，i为机器人的编号，j为第i个机器人的转移概率，q为随机数，q0为预先设置的阈值，q和q0的取值范围均为[0，1]，τ0表示最大信息素浓度，s为第i个机器人当前所处的网格，allowedk代表第i个机器人当前允许转移的网格的集合，α为跟随信息素的权重，β为障碍信息素的权重，τ(i，s)表示网格s上的信息素浓度，τ(i，μ)代表网格μ上的信息素浓度，η(i，s)表示第i个机器人当前选择转移的网格为网格s，η(i，μ)表示第i个机器人当前选择转移的网格为网格μ。
进一步，所述基于跟踪算法自适应调整该机器人的运动速度和方向，从而保持对目标的跟踪，包括：
若目标静止，则该机器人围绕该目标做圆周运动。
一种基于群体机器人的目标围捕控制系统，所述系统包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一项所述的基于群体机器人的目标围捕控制方法。
本发明的有益效果是：本发明公开一种基于群体机器人的目标围捕控制方法及系统，本发明通过基于共识主动性机制进行多目标搜索和围捕，可以在未知和通信受限的环境下进行多目标搜索和围捕。在单体机器人性能有限的情况下，本发明将共识主动性机制用于群机器人协作任务，提高了机器人的集群能力和扩展性。受觅食过程中蚂蚁寻找最优路径行为的启发所提出的反蚁群算法可以使群体机器人能够探索未知区域和搜索目标。在找到目标后，机器人使用基于插值隐函数的分层基因调控网络来实现对目标的围捕。从而实现群体机器人对目标的搜索与围捕。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一种基于群体机器人的目标围捕控制方法的流程示意图；
图2是本发明实施例中对环境地图进行初始化的示意图；
图3是本发明实施例中PH-GRN模型的示意图；
图4(a)是本发明一个实施例中对单个静态目标进行搜索和围捕过程的第一幅示意图；
图4(b)是本发明一个实施例中对单个静态目标进行搜索和围捕过程的第二幅示意图；
图4(c)是本发明一个实施例中对单个静态目标进行搜索和围捕过程的第三幅示意图；
图4(d)是本发明一个实施例中对单个静态目标进行搜索和围捕过程的第四幅示意图；
图4(e)是本发明一个实施例中对单个静态目标进行搜索和围捕过程的第五幅示意图；
图5(a)是本发明另一个实施例中对单个动态目标进行搜索和围捕过程的第一幅示意图；
图5(b)是本发明另一个实施例中对单个动态目标进行搜索和围捕过程的第二幅示意图；
图5(c)是本发明另一个实施例中对单个动态目标进行搜索和围捕过程的第三幅示意图；
图5(d)是本发明另一个实施例中对单个动态目标进行搜索和围捕过程的第四幅示意图；
图5(e)是本发明另一个实施例中对单个动态目标进行搜索和围捕过程的第五幅示意图；
图5(f)是本发明另一个实施例中对单个动态目标进行搜索和围捕过程的第六幅示意图；
图6(a)是本发明另一个实施例中对多个动态目标进行搜索和围捕过程的第一幅示意图；
图6(b)是本发明另一个实施例中对多个动态目标进行搜索和围捕过程的第二幅示意图；
图6(c)是本发明另一个实施例中对多个动态目标进行搜索和围捕过程的第三幅示意图；
图6(d)是本发明另一个实施例中对多个动态目标进行搜索和围捕过程的第四幅示意图；
图6(e)是本发明另一个实施例中对多个动态目标进行搜索和围捕过程的第五幅示意图；
图6(f)是本发明另一个实施例中对多个动态目标进行搜索和围捕过程的第六幅示意图；
图7是本发明实施例中不同数量机器人的区域覆盖率随时间变化的曲线示意图；
图8是本发明实施例中不同情况下距目标的平均距离随时间变化的曲线示意图。
具体实施方式
以下将结合实施例和附图对本申请的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本申请的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
参考图1，如图1所示为本申请实施例提供的一种基于群体机器人的目标围捕控制方法，所述方法包括以下步骤：
步骤S100、初始化环境地图中的信息素和机器人位置；
其中，所述环境地图为执行环境的占据栅格地图，所述环境地图中的每个网格均具有信息素；初始化环境地图和机器人位置的效果如图2所示，在初始化之前，环境地图中的信息素指向目标；初始化之后，环境地图中的所有信息素都被覆盖；示例性的，可将环境地图中的坐标表示为(x，y，theta)，其中(x，y)表示环境地图的坐标位置，theta表示信息素的方向。
步骤S200、机器人对执行环境进行探测，以更新环境地图中的信息素，并根据更新后的信息素和反蚁群算法确定运动路径；
其中，所述信息素包括障碍信息素和跟随信息素；所述障碍信息素用于表示该网格存在障碍物，以指示群体机器人中其他的机器人绕开该障碍物；所述跟随信息素用于表示该网格存在目标，以指示群体机器人中其他的机器人识别该目标；
本实施例中，受觅食过程中蚂蚁寻找最优路径行为的启发所提出的反蚁群算法(Inverse Ant Colony System，IACS)可以使群体机器人能够探索未知区域并搜索目标。
在一个优选的实施例中，所述机器人对执行环境进行探测，以更新环境地图中的信息素，包括：
机器人使用其携带的单点激光雷达传感器和摄像头对周围环境进行探测，当机器人探测到障碍物时，在所述障碍物所处的网格释放障碍信息素；当机器人探测到目标时，在所述目标所处的网格释放跟随信息素。
在一个优选的实施例中，所述根据更新后的信息素和反蚁群算法确定运动路径，包括：
机器人在执行环境中移动时读取环境地图中的信息素浓度，根据所述信息素浓度确定的转移概率选择转移的网格。
所述转移概率的计算公式为：
Figure BDA0002808414210000051
其中，i为机器人的编号，j为第i个机器人的转移概率，q为随机数，q0为预先设置的阈值，q和q0的取值范围均为[0，1]，τ0表示最大信息素浓度，本实施例中，τ0＝1，s为第i个机器人当前所处的网格，allowedk代表第i个机器人当前允许转移的网格的集合，α为跟随信息素的权重，β为障碍信息素的权重，τ(i，s)表示网格s上的信息素浓度，τ(i，μ)代表网格μ上的信息素浓度，η(i，s)表示第i个机器人当前选择转移的网格为网格s，η(i，μ)表示第i个机器人当前选择转移的网格为网格μ。
具体地，当q≤q0时，转移概率为
Figure BDA0002808414210000052
当q＞q0时，采用轮盘赌方法来确定转移概率：
Figure BDA0002808414210000053
步骤S300、当机器人探测到目标或跟随信息素时，通过检测信息素浓度的变化来计算该目标在过去一段时间内的位移变化，并基于跟踪算法自适应调整该机器人的运动速度和方向，以保持对目标的跟踪；
在该步骤中，以信息素为媒介实现群体机器人之间的间接通信，实现群体机器人的聚集。所述过去一段时间的取值范围可预先设置，通过调整该时间段的大小，使得该机器人的运动速度和该目标的位移变化相适应，本领域技术人员可通过有限次试验计算得到该时间段的取值范围。
在一个优选的实施例中，所述基于跟踪算法自适应调整该机器人的运动速度和方向，从而保持对目标的跟踪，包括：
若目标静止，则该机器人围绕该目标做圆周运动。
步骤S400、当群体机器人的数量达到设定数量后，通过信息素浓度生成特征点，将该特征点作为输入，通过基于信息素输入的插值隐函数得到群体聚合形态，根据基因调控网络模型的下层模型控制群体机器人到达生成的群体聚合形态上，以对至少一个目标进行围捕；
其中，所述特征点包括内点、边界点和外点；内点表示被包围目标；边界点表示包围圈边界，即聚集在目标周围的群体机器人；外点为环境地图中的障碍物。
其中，所述设定数量预先设置，作为优选，所述设定数量为6个；
本实施例中，我们将基于信息素输入的插值隐函数嵌入到传统的H-GRN模型(Hierarch ical Gene Regulatory Network，分层基因调控网络)中对其进行改造，将改造后的H-GRN模型命名为PH-GRN模型。具体地，将基因调控网络模型的上层替换为基于信息素输入的插值隐函数(Radial Basis Implicit Function，RBIF)，以生成PH-GRN模型(Pheromone-based Hierarchical Gene Regulatory Network，基于信息素的分层基因调控网络)；所述基于信息素输入的插值隐函数为PH-GRN模型的上层模型，当群体机器人的数量达到设定数量后，通过信息素浓度生成特征点，将该特征点输入所述基于信息素输入的插值隐函数进行计算，得到群体聚合形态；本实施例针对未知环境下的目标围捕任务，提出了基于插值隐函数的PH-GRN模型；该方法能将插值隐函数所需的特征点通过信息素浓度地图自动生成，并生成合适的群体聚合形态。
本发明提供的实施例中，通过基于共识主动性机制进行多目标搜索和围捕，本发明考虑了现实世界中群体机器人的一些约束条件，非常适合通信受限、去中心化、全局环境未知和计算资源有限的场景。克服了现有技术中需要全局信息作为输入的问题。
参考图3，图3为PH-GRN模型的示意图，所述特征点分别为内点I、边界点B和外点E，其中，内点I表示被包围目标；边界点B为包围圈边界，即聚集在目标周围的群体机器人；外点E为环境地图中的障碍物。
参考图4(a)至图6(f)，图中展示了各个时刻抓取的快照，采用参数t代表快照对应的时刻，单位为s(秒)，其中，五角星表示目标，圆形表示机器人，矩形表示障碍物，环境地铁中每个正方形表示一个网格，图4(a)中t＝0s，图4(b)中t＝100s，图4(c)中t＝200s，图4(d)中t＝300s，图4(e)中t＝400s；图5(a)中t＝0s，图5(b)中t＝60s，图5(c)中t＝120s，图5(d)中t＝204s，图5(e)中t＝240s，图5(f)中t＝252s；图6(a)中t＝0s，图6(b)中t＝100s，图6(c)中t＝198s，图6(d)中t＝206s，图6(e)中t＝251s，图6(f)中t＝265s；
从图4(a)至图4(e)可以看出，本发明提供的技术方案可以对单个静态目标成功的进行搜索和围捕，以实现本发明的目的；从图5(a)至图5(f)可以看出，本发明提供的技术方案可以对单个动态目标成功的进行搜索和围捕，以实现本发明的目的；从图6(a)至图6(f)可以看出，本发明提供的技术方案可以对多个动态目标成功的进行搜索和围捕，以实现本发明的目的；总之，本发明提供的技术方案可以对一个或多个目标成功的进行搜索和围捕，以实现本发明的目的；
参考图7，从图7可以看出，在本发明提供的实施例中，当机器人数量越多时，对执行环境的覆盖率越高；
参考图8，从图8可以看出，在本发明提供的实施例中，在不同情况下，机器人和目标的距离随时间的变化趋于稳定；可以看出，本发明具有良好的适应性和稳定性。
与图1的方法相对应，本发明实施例还提供一种基于群体机器人的目标围捕控制系统，所述系统包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一实施例所述的基于群体机器人的目标围捕控制方法。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
所述处理器可以是中央处理单元(Central-Processing-Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor，DSP)、专用集成电路(Application-Specific-Integrated-Circuit，ASIC)、现场可编程门阵列(Field-Programmable-Gate-Arr ay，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于群体机器人的目标围捕控制系统的控制中心，利用各种接口和线路连接整个一种基于群体机器人的目标围捕控制系统可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于群体机器人的目标围捕控制系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart-Media-Card，SMC)，安全数字(Secur e-Digital，SD)卡，闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本申请的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本申请的预定范围。此外，上文以发明人可预见的实施例对本申请进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本申请的非实质性改动仍可代表本申请的等效改动。

Claims (7)

1.一种基于群体机器人的目标围捕控制方法，其特征在于，所述方法包括：
初始化环境地图中的信息素和机器人位置，所述环境地图为执行环境的占据栅格地图；
机器人对执行环境进行探测，以更新环境地图中的信息素，并根据更新后的信息素和反蚁群算法确定运动路径；所述信息素包括障碍信息素和跟随信息素；
当机器人探测到目标或跟随信息素时，通过检测信息素浓度的变化来计算该目标在过去一段时间内的位移变化，并基于跟踪算法自适应调整该机器人的运动速度和方向，以保持对目标的跟踪；
当群体机器人的数量达到设定数量后，通过信息素浓度生成特征点，将所述特征点作为输入，通过基于信息素输入的插值隐函数得到群体聚合形态，根据基因调控网络模型的下层模型控制群体机器人到达生成的群体聚合形态上，以对至少一个目标进行围捕。
2.根据权利要求1所述的一种基于群体机器人的目标围捕控制方法，其特征在于，所述特征点包括内点、边界点和外点。
3.根据权利要求2所述的一种基于群体机器人的目标围捕控制方法，其特征在于，所述机器人对执行环境进行探测，以更新环境地图中的信息素，包括：
机器人使用其携带的单点激光雷达传感器和摄像头对周围环境进行探测，当机器人探测到障碍物时，在所述障碍物所处的网格释放障碍信息素；当机器人探测到目标时，在所述目标所处的网格释放跟随信息素。
4.根据权利要求3所述的一种基于群体机器人的目标围捕控制方法，其特征在于，所述根据更新后的信息素和反蚁群算法确定运动路径，包括：
机器人在执行环境中移动时读取环境地图中的信息素浓度，根据所述信息素浓度确定的转移概率选择转移的网格。
5.根据权利要求4所述的一种基于群体机器人的目标围捕控制方法，其特征在于，所述转移概率的计算公式为：
Figure FDA0002808414200000011
其中，i为机器人的编号，j为第i个机器人的转移概率，q为随机数，q0为预先设置的阈值，q和q0的取值范围均为[0，1]，τ0表示最大信息素浓度，s为第i个机器人当前所处的网格，allowedk代表第i个机器人当前允许转移的网格的集合，α为跟随信息素的权重，β为障碍信息素的权重，τ(i，s)表示网格s上的信息素浓度，τ(i，μ)代表网格μ上的信息素浓度，η(i，s)表示第i个机器人当前选择转移的网格为网格s，η(i，μ)表示第i个机器人当前选择转移的网格为网格μ。
6.根据权利要求1所述的一种基于群体机器人的目标围捕控制方法，其特征在于，所述基于跟踪算法自适应调整该机器人的运动速度和方向，从而保持对目标的跟踪，包括：
若目标静止，则该机器人围绕该目标做圆周运动。
7.一种基于群体机器人的目标围捕控制系统，其特征在于，所述系统包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至6任一项所述的基于群体机器人的目标围捕控制方法。
CN202011376837.8A 2020-11-30 2020-11-30 一种基于群体机器人的目标围捕控制方法及系统 Active CN112527020B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011376837.8A CN112527020B (zh) 2020-11-30 2020-11-30 一种基于群体机器人的目标围捕控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011376837.8A CN112527020B (zh) 2020-11-30 2020-11-30 一种基于群体机器人的目标围捕控制方法及系统

Publications (2)

Publication Number Publication Date
CN112527020A true CN112527020A (zh) 2021-03-19
CN112527020B CN112527020B (zh) 2023-07-25

Family

ID=74995384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011376837.8A Active CN112527020B (zh) 2020-11-30 2020-11-30 一种基于群体机器人的目标围捕控制方法及系统

Country Status (1)

Country Link
CN (1) CN112527020B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113759973A (zh) * 2021-09-13 2021-12-07 汕头大学 一种无人机集群的目标搜索控制方法及系统
CN113885554A (zh) * 2021-09-13 2022-01-04 汕头大学 一种无人机集群的分布式围捕控制方法及系统
CN114326747A (zh) * 2022-01-06 2022-04-12 中国人民解放军国防科技大学 群体机器人多目标围捕控制方法、装置和计算机设备
CN115145289A (zh) * 2022-09-02 2022-10-04 汕头大学 多智能体协同围捕方法、系统、设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103941737A (zh) * 2014-05-09 2014-07-23 济南大学 一种复杂环境下拖挂式移动机器人的运动规划与控制方法
CN104881043A (zh) * 2015-04-30 2015-09-02 南京航空航天大学 一种针对多动态目标的多无人机智能协同察打方法
CN105740960A (zh) * 2014-12-06 2016-07-06 中国石油化工股份有限公司 一种工业加氢裂化反应条件的优化方法
CN108829140A (zh) * 2018-09-11 2018-11-16 河南大学 一种基于多群体蚁群算法的多无人机协同目标搜索方法
CN109164810A (zh) * 2018-09-28 2019-01-08 昆明理工大学 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法
US20190162714A1 (en) * 2016-07-07 2019-05-30 Cemvita Technologies LLC Cognitive cell with coded chemicals for generating outputs from environmental inputs and method of using same
US10311442B1 (en) * 2007-01-22 2019-06-04 Hydrojoule, LLC Business methods and systems for offering and obtaining research services
CN110243371A (zh) * 2019-06-11 2019-09-17 五邑大学 一种采用蚁群算法的螺丝锁付路径规划方法
CN110262566A (zh) * 2019-06-24 2019-09-20 中国人民解放军国防科技大学 基于合作的基因调控方法和网络
CN111742370A (zh) * 2017-05-12 2020-10-02 密歇根大学董事会 个体和队列药理学表型预测平台
CN111781883A (zh) * 2020-08-24 2020-10-16 深圳市必联电子有限公司 一种方便改装的无人机远距离无线模块控制电路

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10311442B1 (en) * 2007-01-22 2019-06-04 Hydrojoule, LLC Business methods and systems for offering and obtaining research services
CN103941737A (zh) * 2014-05-09 2014-07-23 济南大学 一种复杂环境下拖挂式移动机器人的运动规划与控制方法
CN105740960A (zh) * 2014-12-06 2016-07-06 中国石油化工股份有限公司 一种工业加氢裂化反应条件的优化方法
CN104881043A (zh) * 2015-04-30 2015-09-02 南京航空航天大学 一种针对多动态目标的多无人机智能协同察打方法
US20190162714A1 (en) * 2016-07-07 2019-05-30 Cemvita Technologies LLC Cognitive cell with coded chemicals for generating outputs from environmental inputs and method of using same
CN111742370A (zh) * 2017-05-12 2020-10-02 密歇根大学董事会 个体和队列药理学表型预测平台
CN108829140A (zh) * 2018-09-11 2018-11-16 河南大学 一种基于多群体蚁群算法的多无人机协同目标搜索方法
CN109164810A (zh) * 2018-09-28 2019-01-08 昆明理工大学 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法
CN110243371A (zh) * 2019-06-11 2019-09-17 五邑大学 一种采用蚁群算法的螺丝锁付路径规划方法
CN110262566A (zh) * 2019-06-24 2019-09-20 中国人民解放军国防科技大学 基于合作的基因调控方法和网络
CN111781883A (zh) * 2020-08-24 2020-10-16 深圳市必联电子有限公司 一种方便改装的无人机远距离无线模块控制电路

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
JANDERSON R. OLIVEIRA等: "Integration of virtual pheromones for mapping/exploration of environments by using multiple robots", 《5TH IEEE RAS/EMBS INTERNATIONAL CONFERENCE ON BIOMEDICAL ROBOTICS AND BIOMECHATRONICS》 *
NAOYUKI KAWABATA; HITOSHI IBA: "Evolving Humanoid Robot Motions Based on Gene Regulatory Network", 《2019 IEEE 4TH INTERNATIONAL CONFERENCE ON ADVANCED ROBOTICS AND MECHATRONICS (ICARM)》 *
SHINSAKU IZUMI等: "Multi-Robot Control Inspired by Bacterial Chemotaxis: Coverage and Rendezvous via Networking of Chemotaxis Controllers", 《IEEE ACCESS》, no. 8 *
XINGGUANG PENG等: "Pattern formation in constrained environments: A swarm robot target trapping method", 《2016 INTERNATIONAL CONFERENCE ON ADVANCED ROBOTICS AND MECHATRONICS (ICARM)》 *
YAXIONG CHI， JING LIU: "Reconstructing gene regulatory networks with a memetic-neural hybrid based on fuzzy cognitive maps", 《NATURAL COMPUTING 》 *
史晨豪;唐忠;魏敏捷;李征南;陈寒;: "基于数据驱动的配电网光伏双层优化调控策略", 电力建设, no. 03 *
宁静,等: "群智能优化算法及其在生物信息学问题中的应用", 三明学院学报, no. 04 *
李豆豆: "生存迁移算法及在重构基因调控网络中的应用", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
杨斌: "基于生物智能算法的群体机器人协同控制", 《中国博士学位论文全文数据库 (信息科技辑)》, no. 2 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113759973A (zh) * 2021-09-13 2021-12-07 汕头大学 一种无人机集群的目标搜索控制方法及系统
CN113885554A (zh) * 2021-09-13 2022-01-04 汕头大学 一种无人机集群的分布式围捕控制方法及系统
CN113759973B (zh) * 2021-09-13 2023-07-25 汕头大学 一种无人机集群的目标搜索控制方法及系统
CN113885554B (zh) * 2021-09-13 2023-07-25 汕头大学 一种无人机集群的分布式围捕控制方法及系统
CN114326747A (zh) * 2022-01-06 2022-04-12 中国人民解放军国防科技大学 群体机器人多目标围捕控制方法、装置和计算机设备
CN114326747B (zh) * 2022-01-06 2023-10-24 中国人民解放军国防科技大学 群体机器人多目标围捕控制方法、装置和计算机设备
CN115145289A (zh) * 2022-09-02 2022-10-04 汕头大学 多智能体协同围捕方法、系统、设备及存储介质

Also Published As

Publication number Publication date
CN112527020B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN112527020A (zh) 一种基于群体机器人的目标围捕控制方法及系统
CN113172626B (zh) 一种基于三维基因调控网络的智能机器人群体控制方法
CN113965879B (zh) 多传感器的感知信息融合方法及相关设备
CN113885554B (zh) 一种无人机集群的分布式围捕控制方法及系统
Zitar et al. Intensive review of drones detection and tracking: linear kalman filter versus nonlinear regression, an analysis case
CN114740846A (zh) 面向拓扑-栅格-度量混合地图的分层路径规划方法
CN112462779A (zh) 基于基因调控网络的群体机器人动态围捕控制方法及系统
CN108984741A (zh) 一种地图生成方法及装置、机器人和计算机可读存储介质
CN112527012A (zh) 一种无中心机器人集群包围任务控制方法及系统
CN110930429A (zh) 一种目标跟踪处理方法、装置及设备、可读介质
Potthast et al. Active multi-view object recognition and online feature selection
Zhicai et al. A cooperative search algorithm based on improved particle swarm optimization decision for UAV swarm
CN114757974A (zh) 一种多旋翼无人机的轨迹跟踪方法及系统
CN117214857B (zh) 一种三维场景下高斯多假设多扩展目标的跟踪方法
US7983878B1 (en) Two-stage dynamic track grouping
CN117269952A (zh) 一种4d成像毫米波雷达动目标点云半自动标注方法及装置
Burne et al. Self-organizing cooperative sensor network for remote surveillance: current results
CN113759973B (zh) 一种无人机集群的目标搜索控制方法及系统
US20210334649A1 (en) Apparatus and method for distributed reinforcement learning
WO2021130856A1 (ja) 物体識別装置、物体識別方法、学習装置、学習方法、及び、記録媒体
Shi et al. A cooperative gene regulatory network target entrapping in GNSS-denied environments
CN117697768B (zh) 一种目标抓取方法、机器人、电子设备和存储介质
CN115527034B (zh) 一种车端点云动静分割方法、装置及介质
CN115212575B (zh) 连续状态空间智能体构建方法
Almqvist et al. Pose classification of people using high resolution radar indoor

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