CN113341956A - 基于改进人工势场法的多智能体主从式编队控制方法 - Google Patents
基于改进人工势场法的多智能体主从式编队控制方法 Download PDFInfo
- Publication number
- CN113341956A CN113341956A CN202110549561.7A CN202110549561A CN113341956A CN 113341956 A CN113341956 A CN 113341956A CN 202110549561 A CN202110549561 A CN 202110549561A CN 113341956 A CN113341956 A CN 113341956A
- Authority
- CN
- China
- Prior art keywords
- robot
- piloting
- following
- obstacle
- 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.)
- Granted
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005381 potential energy Methods 0.000 claims description 21
- 230000004888 barrier function Effects 0.000 claims description 11
- 230000005484 gravity Effects 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 5
- 238000012946 outsourcing Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
-
- 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)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于改进人工势场法的多智能体主从式编队控制方法,包括以下步骤:首先基于实际应用场景建立障碍物及机器人物理模型,建立机器人动力学模型;其次,建立目标点对领航机器人的引力势场、障碍物对领航机器人的斥力势场、领航机器人对跟随机器人的引力势场、障碍物对跟随机器人的斥力势场以及跟随机器人之间的斥力势场,基于上述势场对领航机器人和跟随机器人进行受力分析;最后,设置机器人作为领航机器人的优先级,建立跟随机器人队形保持控制器,通过使跟踪误差趋向于0来控制期望队形。采用本方法可实现多机器人编队的智能追踪控制,保证稳定的协作性,在面对复杂应用场景时具有更高的工作效率和更优的工作质量。
Description
技术领域
本申请涉及机器人控制领域,尤其涉及一种基于改进人工势场法的多智能体主从式编队控制方法。
背景技术
近年来,随着传感器网络、机器人理论、控制科学和网络通信技术的不断发展,机器人技术也日趋成熟。由于机器人的运行不受时间空间的限制,且能够代替人类完成各种复杂任务,机器人逐渐被广泛应用于各行各业。从流水线工业机械臂到无人送货小车、从家庭服务机器人到无人驾驶技术,机器人的应用领域正在以极高的速度不断扩大。
应用场景的广泛化与任务的复杂化对移动机器人的性能提出了更高的要求,单个机器人越来越难以满足复杂多变的环境与应用需求。多移动机器人相较于单个机器人而言,能够完成更为复杂的任务,对环境的适应性更高。在执行复杂的任务时,多机器人可以通过相互协作的方式提高系统的工作效率。然而,多机器人控制方法并不是单个机器人控制方法的简单叠加,为避免多机器人系统之间的相互干扰,需对多机器人系统制定合适的控制准则,使多个机器人协同工作。编队作为多机器人协作控制技术中的一种基本控制方法,是指多机器人在满足应用场景环境约束的条件下,保持期望的空间队形,共同完成指定任务。对多移动机器人进行适当的编队,能够在完成某些复杂危险任务(如目标搜寻、环境探查等)时具有更强的信息获取能力与更高的效率。
目前,多机器人编队跟踪控制研究中主要采用主从式编队方法,基于行为的编队方法以及虚拟结构的编队方法等。基于行为的控制方法核心是将多机器人的运动分解为一系列的行为,从而实现类人的决策控制。其缺点在于难以对群体行为进行定量的数学分析,从而无法确定控制系统的稳定性。虚拟结构法是将多个机器人的编队方式看作一个虚拟的刚体,每个个体在虚拟刚体中的位置固定。其控制简单,信息传输量少,但是由于其结构固定,缺乏对环境的适应性,在动态环境中无法进行队形调整,无法保障系统的安全避障。主从式方法是确定一个领航者和多个跟随者,领航者按照传统的单机器人路径规划方法进行控制,跟随着根据与领航者之间的相对位置进行编队控制,可实现灵活避障并根据外部环境改变队形,但是其对系统的领航者依赖性较强,当领航者出现故障时,系统的稳定性无法得到保证,系统无法正常运转。
因此,在上述三种编队跟踪控制方法的基础上,提出一种系统稳定性高、环境适应性强且避障性能良好的编队控制算法具有非常重要的意义。
发明内容
针对目前技术存在的不足,本发明提出一种基于改进人工势场法的多智能体主从式编队控制方法。该方法从单机器人人工势场路径规划方法出发,结合多机器人跟踪控制的主从式编队方法,能够快速、高效地完成多机器人协同追踪控制,降低了系统对领航者的依赖性,提高了机器人的避障性能以及系统的稳定性,为多移动机器人在复杂环境下对目标进行编队跟踪奠定了基础。
实现本发明目的的技术方案为:
一种基于改进人工势场法的多智能体主从式编队控制方法,包括以下步骤:
步骤1:建立障碍物以及机器人的物理模型:应用场景中障碍物的形状通常并非规则形状,在保障系统安全运行的前提下对障碍物进行外包圆建模;将障碍物表面所有点任意两两连接,取其中最长的线作为外包圆的直径,中点为圆心画圆,即能覆盖障碍物的最小圆;障碍物的数量为m,则第i个障碍物圆心为Xbi,i=1,2,3,…,m,半径为Rbi,i=1,2,3,…,m;移动机器人的体积同样也不能忽略,按照上述方法同理得到机器人的外包圆,圆心为Xri,i=1,2,3,…,n,半径为Rri,i=1,2,3,…,n,其中n表示机器人的数量;
步骤3:建立目标点对领航机器人的引力势场以及障碍物对领航机器人的斥力势场,基于上述势场对领航机器人进行受力分析;领航机器人i受到目标点的引力,其引力势场为Xd为目标点的矢量坐标,k1为目标点对领航者的引力增益系数,k1>0;引力为F1i(X)=-grad(U1i(x))=-k1(Xi-Xd);引力的大小和目标点与机器人的距离相关,势能随着距离的增大而增高,引力随之增大;领航机器人i受到障碍物j的斥力,其斥力势场为: p1为障碍物对领航机器人的斥力增益系数,f1(x)=||Xi-Xj||2-Rri-Rbj表示障碍物与领航机器人之间的影响距离,S为设定的斥力影响范围临界值;对应的斥力为 因此领航机器人i的势能函数为所受到的合力为其中:U1i表示领航机器人受目标点的引力势能,U2ij表示领航机器人i受到障碍物j的斥力势能,F1i表示领航机器人i受目标点的引力,F2ij表示领航机器人i受到障碍物j的斥力;
步骤4:建立领航者对跟随机器人的引力势场、障碍物对跟随机器人的斥力势场以及跟随机器人之间的斥力势场,基于上述势场对跟随机器人进行受力分析;跟随机器人i受到领航机器人j的引力,其引力势场为k2为领航机器人对跟随机器人的引力增益系数,k2>0;引力为F3i(X)=-grad(U3i(x))=-k2(Xi-Xj);跟随机器人i受到障碍物j的斥力,其斥力势场为:p2为障碍物对跟随机器人的斥力增益系数,f2(x)=||Xi-Xj||2-Rri-Rbj表示障碍物与跟随机器人之间的影响距离;对应的斥力为跟随机器人i同样受到来自其余同伴j的斥力,其斥力势场为: p3为跟随机器人之间的斥力增益系数,f3(x)=||Xi-Xj||2-Rri-Rrj;对应的斥力为 因此跟随机器人i的势能函数为所受到的合力为 U3i表示跟随机器人i受到领航机器人j的引力势能,U4ij表示跟随机器人i受到障碍物j的斥力势能,U5ij表示跟随机器人i受到来自其余同伴j的斥力势能;F3i表示跟随机器人i受到领航机器人j的引力,F4ij表示跟随机器人i受到障碍物j的斥力,F5ij表示跟随机器人i受到来自其余同伴j的斥力;
步骤5:设置机器人作为领航机器人的优先级:人为地将所有机器人进行编号,编号数字越小,则作为领航机器人的优先级越高;当前领航机器人出现故障后,将故障信息发送至下一个领航继承机器人,当领航继承机器人收到消息后,正式成为领航机器人;因此每一个机器人都有可能成为领航机器人;根据步骤3中领航机器人的受力分析以及步骤4中跟随机器人的受力分析对机器人总体受力分析进行推广;定义 因此第i个机器人的势能函数为 受到的合力为
步骤6:建立跟随机器人队形保持控制器:跟随机器人i与领航机器人j之间的期望位置差为两者之间实际位置差为Δx=Xi-Xj,因此队形误差为Ei=Δx-Δx*;通过使跟踪误差Ei趋向于0,可使队形趋向于期望的队形,选择如下控制器对编队进行控制根据目标点的运动规律建立相应坐标系,得到其位置坐标,将其输入至控制器中,即可实现多机器人的编队追踪控制。
和现有技术相比较,本发明具备如下优点:
本发明综合利用主从式编队控制和人工势场算法实现移动机器人在复杂环境下跟踪特定目标,降低了传统主从式控制方法对领航机器人的依赖性,增强了控制系统的鲁棒性与稳定性,从而为移动机器人在复杂环境下对目标进行跟踪奠定基础。
本发明所述的多机器人路径规划方法可应用在以Nvidia Jetson TK1处理器为核心芯片的移动机器人上,结合加速度传感器、位姿传感器等传感器,实现多机器人路径规划的编队跟踪控制。
附图说明
图1为本发明提出的特征选择方法流程图。
图2为本发明中所选实例实际的特征选择过程。
图3为本发明中所选实例实际的多机器人编队跟踪误差变化。
图4为本发明中所选实例实际的领航机器人发生故障时的多机器人编队跟踪误差变化。
具体实施方式
为了更加清晰的阐述本发明的目的、技术方案及其优点,以下结合多个移动机器人在某处任务场景的编队跟踪控制的实例对本发明进行更详细的说明。
步骤1:建立障碍物、移动机器人的物理模型,如图1所示。采用外包圆建模方法对障碍物、机器人进行建模。本实例中,障碍物的数量为1,则第i个障碍物圆心为Xbi(i=1),半径为Rbi(i=1);移动机器人的数量为4,圆心为Xri(i=1,2,3,4),半径为Rri(i=1,2,3,4)。本实例中,Rbi=35cm(i=1),Rri=25cm(i=1,2,3,4),所采用移动机器人平台参数信息如下表所示。
表1:移动机器人平台参数
参数名称 | 字符表示 | 标称值 |
机器人质量 | m | 3.4kg |
轮子半径 | R<sub>w</sub> | 8.8cm |
外包圆半径 | R<sub>ri</sub> | 25cm |
电机等效电阻 | R | 2.312Ω |
电机电感 | L | 0.0075H |
步骤2:通过在移动机器人上安装位姿传感器、速度传感器和加速度传感器,获取其运动数据。第i个机器人的当前位置表示为Xi=(xi,yi),当前速度表示为Vi=(vix,viy),控制量的输入为Ti=(ti1,ti2)。基于此构建出单个移动机器人的动力学模型,
步骤3:基于人工势场对领航机器人进行受力分析,受力分析图如图2所示,依据矢量合成法则对各个受力进行合成。领航机器人i仅受到目标点的引力和障碍物的斥力,为此建立目标点对领航机器人的引力势场以及障碍物对领航机器人的斥力势场。目标点对领航机器人的引力势场为Xd为目标点的矢量坐标,k1为目标点对领航机器人的引力增益系数,k1>0,对应的引力为F1i(X)=-grad(U1i(x))=-k1(Xi-Xd)。障碍物j(j=1)对领航机器人的斥力势场为:p1为障碍物对领航机器人的斥力增益系数,f1(x)=||Xi-Xj||2-Rri-Rbj表示障碍物与领航机器人之间的影响距离,S为设定的斥力影响范围临界值。对应的斥力为因此领航机器人i的势能函数为所受到的合力为 本实例中,引力增益系数k1=2,斥力增益系数p1=1.5,障碍物与领航机器人之间的影响距离f1(x)=‖Xi-Xj‖2-Rri-Rbj=||Xi-Xj||2-60,斥力影响范围临界值S=35cm。
步骤4:基于人工势场对跟随机器人进行受力分析,受力分析图如图2所示,依据矢量合成法则对各个受力进行合成。跟随机器人受到领航机器人的引力以及障碍物和其他跟随机器人的斥力,为此建立领航机器人对跟随机器人的引力势场、障碍物对跟随机器人的斥力势场以及跟随机器人之间的斥力势场。跟随机器人i受到领航机器人j的引力,其引力势场为k2为领航机器人对跟随机器人的引力增益系数,k2>0。引力为F3i(X)=-grad(U3i(x))=-k2(Xi-Xj)。跟随机器人i受到障碍物j(j=1,2,3,…,m)的斥力,其斥力势场为:p2为障碍物对跟随机器人的斥力增益系数,f2(x)=||Xi-Xj||2-Rri-Rbj表示障碍物与跟随机器人之间的影响距离。对应的斥力为跟随机器人i同样受到来自其余同伴j(j=1,2,3,…,n-1)的斥力,其斥力势场为:p3为跟随机器人之间的斥力增益系数,f3(x)=||Xi-Xj||2-Rri-Rrj表示跟随机器人之间的影响距离。对应的斥力为因此跟随机器人i的势能函数为所受到的合力为本实例中,引力增益系数k2=2,障碍物对跟随机器人的斥力增益系数p2=1.5,跟随机器人之间的斥力增益系数p3=1.5,障碍物与跟随机器人之间的影响距离为f2(x)=||Xi-Xj||2-Rri-Rbj=||Xi-jj||2-60,跟随机器人之间的影响距离f3(x)=||Xi-Xj||2-Rri-Rrj=||Xi-Xj||2-50,斥力影响范围临界值S=35cm。
步骤5:设置机器人作为领航机器人的优先级。将所有机器人进行编号,编号数字越小,则作为领航机器人的优先级越高,本实例设置编号如表1所示。
表2:机器人优先级编号
当前领航机器人出现故障后,将故障信息发送至下一个领航继承机器人,当领航继承机器人收到消息后,正式成为领航机器人。在此基础上,根据步骤3中领航机器人的受力分析以及步骤4中跟随机器人的受力分析对机器人总体受力分析进行推广。定义 因此第i个机器人的势能函数为 受到的合力为
步骤6:建立跟随机器人队形保持控制器。跟随机器人i与领航机器人j之间的期望位置差为两者之间实际位置差为Δx=Xi-Xj,因此队形误差为Ei=Δx-Δx*。通过使跟踪误差Ei趋向于0,可使队形趋向于期望的队形,选择如下控制器对编队进行控制本实例中ai=7,bi=2。以目标点所在的初始位置作为坐标原点,构建坐标系,本实例中目标点的运动规律为领航机器人与跟随机器人实时获取目标点的位置,并将其输入控制器之中,通过使跟踪误差逐渐趋于0,即可实现多机器人编队跟踪控制。当未发生故障时,跟踪误差如图3所示,开始运行后,跟踪误差迅速下降,随后机器人编队遇到障碍物,为了避开障碍物,跟踪误差有所增加,避障后,跟踪误差逐渐趋于0。特别的当领航机器人发生故障时,编号最低的跟随机器人会迅速继承领航机器人的职务与功能,并再次向着目标点运动,跟踪误差如图4所示,由于领航机器人的从机器人1切换至机器人2,机器人2的跟踪目标从原领航机器人变为目标点,跟踪误差突然增大,在避障后,带领剩余机器人向目标点移动,跟踪误差逐渐趋于0。
Claims (1)
1.基于改进人工势场法的多智能体主从式编队控制方法,其特征在于:包括如下步骤:
步骤1:建立障碍物以及机器人的物理模型:应用场景中障碍物的形状通常并非规则形状,在保障系统安全运行的前提下对障碍物进行外包圆建模;将障碍物表面所有点任意两两连接,取其中最长的线作为外包圆的直径,中点为圆心画圆,即能覆盖障碍物的最小圆;障碍物的数量为m,则第i个障碍物圆心为Xbi,i=1,2,3,…,m,半径为Rbi,i=1,2,3,…,m;移动机器人的体积同样也不能忽略,按照上述方法同理得到机器人的外包圆,圆心为Xri,i=1,2,3,…,n,半径为Rri,i=1,2,3,…,n,其中n表示机器人的数量;
步骤3:建立目标点对领航机器人的引力势场以及障碍物对领航机器人的斥力势场,基于上述势场对领航机器人进行受力分析;领航机器人i受到目标点的引力,其引力势场为Xd为目标点的矢量坐标,k1为目标点对领航机器人的引力增益系数,k1>0;引力为F1i(X)=-grad(U1i(x))=-k1(Xi-Xd);引力的大小和目标点与机器人的距离相关,势能随着距离的增大而增高,引力随之增大;领航机器人i受到障碍物j的斥力,其斥力势场为:p1为障碍物对领航机器人的斥力增益系数,f1(x)=||Xi-Xj||2-Rri-Rbj表示障碍物与领航机器人之间的影响距离,S为设定的斥力影响范围临界值;对应的斥力为 因此领航机器人i的势能函数为所受到的合力为其中:U1i表示领航机器人受目标点的引力势能,U2ij表示领航机器人i受到障碍物j的斥力势能,F1i表示领航机器人i受目标点的引力,F2ij表示领航机器人i受到障碍物j的斥力;
步骤4:建立领航机器人对跟随机器人的引力势场、障碍物对跟随机器人的斥力势场以及跟随机器人之间的斥力势场,基于上述势场对跟随机器人进行受力分析;跟随机器人i受到领航机器人j的引力,其引力势场为k2为领航机器人对跟随机器人的引力增益系数,k2>0;引力为F3i(X)=-grad(U3i(x))=-k2(Xi-Xj);跟随机器人i受到障碍物j的斥力,其斥力势场为:p2为障碍物对跟随机器人的斥力增益系数,f2(x)=||Xi-Xj||2-Rri-Rbj表示障碍物与跟随机器人之间的影响距离;对应的斥力为跟随机器人i同样受到来自其余同伴j的斥力,其斥力势场为: p3为跟随机器人之间的斥力增益系数,f3(x)=||Xi-Xj||2-Rri-Rrj;对应的斥力为 因此跟随机器人i的势能函数为所受到的合力为 U3i表示跟随机器人i受到领航机器人j的引力势能,U4ij表示跟随机器人i受到障碍物j的斥力势能,U5ij表示跟随机器人i受到来自其余同伴j的斥力势能;F3i表示跟随机器人i受到领航机器人j的引力,F4ij表示跟随机器人i受到障碍物j的斥力,F5ij表示跟随机器人i受到来自其余同伴j的斥力;
步骤5:设置机器人作为领航机器人的优先级:人为地将所有机器人进行编号,编号数字越小,则作为领航机器人的优先级越高;当前领航机器人出现故障后,将故障信息发送至下一个领航继承机器人,当领航继承机器人收到消息后,正式成为领航机器人;因此每一个机器人都有可能成为领航机器人;根据步骤3中领航机器人的受力分析以及步骤4中跟随机器人的受力分析对机器人总体受力分析进行推广;定义 因此第i个机器人的势能函数为 受到的合力为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110549561.7A CN113341956B (zh) | 2021-05-20 | 2021-05-20 | 基于改进人工势场法的多智能体主从式编队控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110549561.7A CN113341956B (zh) | 2021-05-20 | 2021-05-20 | 基于改进人工势场法的多智能体主从式编队控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113341956A true CN113341956A (zh) | 2021-09-03 |
CN113341956B CN113341956B (zh) | 2022-10-28 |
Family
ID=77469875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110549561.7A Active CN113341956B (zh) | 2021-05-20 | 2021-05-20 | 基于改进人工势场法的多智能体主从式编队控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113341956B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113759935A (zh) * | 2021-09-30 | 2021-12-07 | 西安邮电大学 | 基于模糊逻辑的智能群体编队移动控制方法 |
CN114115341A (zh) * | 2021-11-18 | 2022-03-01 | 中国人民解放军陆军工程大学 | 一种智能体集群协同运动方法及系统 |
CN114217605A (zh) * | 2021-11-12 | 2022-03-22 | 江苏大学 | 基于虚拟结构法和人工势场法的编队控制方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060229804A1 (en) * | 2005-03-31 | 2006-10-12 | Schmidt Mark A | Method and system for following a lead vehicle |
US7272472B1 (en) * | 2004-07-15 | 2007-09-18 | Rockwell Collins, Inc. | System and method for improving aircraft formation flying accuracy and integrity |
US20100168937A1 (en) * | 2005-08-09 | 2010-07-01 | Eads Deutschland Gmbh | Method for Flight Control of a Plurality of Aircraft Flying in Formation |
CN102096415A (zh) * | 2010-12-31 | 2011-06-15 | 重庆邮电大学 | 基于Ad-Hoc网络和leader-follower算法的多机器人编队方法 |
CN104238552A (zh) * | 2014-09-19 | 2014-12-24 | 南京理工大学 | 一种有冗余的多机器人编队系统 |
US20150153738A1 (en) * | 2013-12-03 | 2015-06-04 | King Abdulaziz City For Science And Technology | Robotic leader-follower navigation and fleet management control method |
CN105629989A (zh) * | 2015-12-28 | 2016-06-01 | 电子科技大学 | 基于最小外包圆和最大内接圆的障碍区域划分方法 |
US20160209849A1 (en) * | 2015-01-15 | 2016-07-21 | William Dale Arbogast | System and method for decentralized, multi-agent unmanned vehicle navigation and formation control |
US20180210461A1 (en) * | 2017-01-23 | 2018-07-26 | Bendix Commercial Vehicle Systems Llc | Apparatus and method for controlling vehicles in a platoon |
CN108459612A (zh) * | 2017-02-21 | 2018-08-28 | 北京航空航天大学 | 基于人工势场法的无人机编队控制方法及装置 |
CN108490947A (zh) * | 2018-04-17 | 2018-09-04 | 西安交通大学 | 一种自动跟随避障方法及其装置 |
CN110825113A (zh) * | 2019-11-22 | 2020-02-21 | 南京航空航天大学 | 一种适用于四旋翼无人机集群飞行的队形保持方法 |
CN111077887A (zh) * | 2019-12-12 | 2020-04-28 | 南京理工大学 | 一种采用领航跟随法的多机器人综合避障方法 |
CN111650961A (zh) * | 2020-05-29 | 2020-09-11 | 西安理工大学 | 基于改进人工势场的5g网联无人机编队防碰撞方法 |
WO2021083628A1 (de) * | 2019-10-29 | 2021-05-06 | Ims Gear Se & Co. Kgaa | Fahrerlose transportvorrichtung und fahrerloses transportsystem zum transportieren von gegenständen sowie verfahren zum betreiben einer fahrerlosen transportvorrichtung und eines fahrerlosen transportsystems zum transportieren von gegenständen |
-
2021
- 2021-05-20 CN CN202110549561.7A patent/CN113341956B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7272472B1 (en) * | 2004-07-15 | 2007-09-18 | Rockwell Collins, Inc. | System and method for improving aircraft formation flying accuracy and integrity |
US20060229804A1 (en) * | 2005-03-31 | 2006-10-12 | Schmidt Mark A | Method and system for following a lead vehicle |
US20100168937A1 (en) * | 2005-08-09 | 2010-07-01 | Eads Deutschland Gmbh | Method for Flight Control of a Plurality of Aircraft Flying in Formation |
CN102096415A (zh) * | 2010-12-31 | 2011-06-15 | 重庆邮电大学 | 基于Ad-Hoc网络和leader-follower算法的多机器人编队方法 |
US20150153738A1 (en) * | 2013-12-03 | 2015-06-04 | King Abdulaziz City For Science And Technology | Robotic leader-follower navigation and fleet management control method |
CN104238552A (zh) * | 2014-09-19 | 2014-12-24 | 南京理工大学 | 一种有冗余的多机器人编队系统 |
US20160209849A1 (en) * | 2015-01-15 | 2016-07-21 | William Dale Arbogast | System and method for decentralized, multi-agent unmanned vehicle navigation and formation control |
CN105629989A (zh) * | 2015-12-28 | 2016-06-01 | 电子科技大学 | 基于最小外包圆和最大内接圆的障碍区域划分方法 |
US20180210461A1 (en) * | 2017-01-23 | 2018-07-26 | Bendix Commercial Vehicle Systems Llc | Apparatus and method for controlling vehicles in a platoon |
CN108459612A (zh) * | 2017-02-21 | 2018-08-28 | 北京航空航天大学 | 基于人工势场法的无人机编队控制方法及装置 |
CN108490947A (zh) * | 2018-04-17 | 2018-09-04 | 西安交通大学 | 一种自动跟随避障方法及其装置 |
WO2021083628A1 (de) * | 2019-10-29 | 2021-05-06 | Ims Gear Se & Co. Kgaa | Fahrerlose transportvorrichtung und fahrerloses transportsystem zum transportieren von gegenständen sowie verfahren zum betreiben einer fahrerlosen transportvorrichtung und eines fahrerlosen transportsystems zum transportieren von gegenständen |
CN110825113A (zh) * | 2019-11-22 | 2020-02-21 | 南京航空航天大学 | 一种适用于四旋翼无人机集群飞行的队形保持方法 |
CN111077887A (zh) * | 2019-12-12 | 2020-04-28 | 南京理工大学 | 一种采用领航跟随法的多机器人综合避障方法 |
CN111650961A (zh) * | 2020-05-29 | 2020-09-11 | 西安理工大学 | 基于改进人工势场的5g网联无人机编队防碰撞方法 |
Non-Patent Citations (4)
Title |
---|
张凤等: "基于Leader-follower与人工势场的多移动机器人编队控制", 《沈阳建筑大学学报(自然科学版)》 * |
王帅,等: "多移动机器人编队领航跟随方法研究进展", 《无人系统技术》 * |
王钦钊等: "基于多虚拟领航者的多机器人编队控制方法", 《装甲兵工程学院学报》 * |
郑延斌,等: "基于模糊人工势场法的多智能体编队控制及避障方法", 《计算机工程与科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113759935A (zh) * | 2021-09-30 | 2021-12-07 | 西安邮电大学 | 基于模糊逻辑的智能群体编队移动控制方法 |
CN113759935B (zh) * | 2021-09-30 | 2023-10-27 | 西安邮电大学 | 基于模糊逻辑的智能群体编队移动控制方法 |
CN114217605A (zh) * | 2021-11-12 | 2022-03-22 | 江苏大学 | 基于虚拟结构法和人工势场法的编队控制方法 |
CN114217605B (zh) * | 2021-11-12 | 2024-05-14 | 江苏大学 | 基于虚拟结构法和人工势场法的编队控制方法 |
CN114115341A (zh) * | 2021-11-18 | 2022-03-01 | 中国人民解放军陆军工程大学 | 一种智能体集群协同运动方法及系统 |
CN114115341B (zh) * | 2021-11-18 | 2022-11-01 | 中国人民解放军陆军工程大学 | 一种智能体集群协同运动方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113341956B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113341956B (zh) | 基于改进人工势场法的多智能体主从式编队控制方法 | |
Wen et al. | Elman fuzzy adaptive control for obstacle avoidance of mobile robots using hybrid force/position incorporation | |
Fierro et al. | Cooperative control of robot formations | |
Saradagi et al. | Formation control and trajectory tracking of nonholonomic mobile robots | |
Dantec et al. | Whole body model predictive control with a memory of motion: Experiments on a torque-controlled talos | |
CN111273664B (zh) | 一种空间桁架结构在轨装配的多机器人路径协同规划方法 | |
Lei et al. | Improved genetic algorithms based path planning of mobile robot under dynamic unknown environment | |
Stilwell et al. | Redundant manipulator techniques for partially decentralized path planning and control of a platoon of autonomous vehicles | |
Galvez et al. | Obstacle avoidance algorithm for swarm of quadrotor unmanned aerial vehicle using artificial potential fields | |
Zhang et al. | Hybrid path planning model for multiple robots considering obstacle avoidance | |
CN115033016A (zh) | 一种异构无人集群编队避障方法及系统 | |
Lee et al. | Three dimensional deployment of robot swarms | |
Nagarajan et al. | Integrated motion planning and control for graceful balancing mobile robots | |
Shukla et al. | Multi robot path planning parameter analysis based on particle swarm optimization (PSO) in an intricate unknown environments | |
Turanli et al. | Multi-robot energy-efficient coverage control with hopfield networks | |
Nazarzehi et al. | Decentralized three dimensional formation building algorithms for a team of nonholonomic mobile agents | |
Deng et al. | Multi-robot dynamic formation path planning with improved polyclonal artificial immune algorithm | |
CN111007848A (zh) | 一种基于有界空间的多智能体协同作业控制方法 | |
CN115469548A (zh) | 具有输入饱和的未知非线性多智能体有限时间分群一致性控制方法 | |
Nurmaini et al. | Enhancement of the fuzzy control response with particle swarm optimization in mobile robot system | |
Akbarimajd et al. | Autonomously implemented versatile path planning for mobile robots based on cellular automata and ant colony | |
Wu et al. | UAV formation control based on consistency | |
CN114721273A (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 | |
Salhi et al. | Fuzzy-PID hybrid controller for mobile robot using point cloud and low cost depth sensor | |
Vazquez-Santacruz et al. | Autonomous navigation for multiple mobile robots under time delay in communication |
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 |