CN113408949A - 一种机器人时序任务规划方法及装置、电子设备 - Google Patents

一种机器人时序任务规划方法及装置、电子设备 Download PDF

Info

Publication number
CN113408949A
CN113408949A CN202110802366.0A CN202110802366A CN113408949A CN 113408949 A CN113408949 A CN 113408949A CN 202110802366 A CN202110802366 A CN 202110802366A CN 113408949 A CN113408949 A CN 113408949A
Authority
CN
China
Prior art keywords
cooperative
robot
task
subtask
individual
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
CN202110802366.0A
Other languages
English (en)
Other versions
CN113408949B (zh
Inventor
郑荣濠
白若飞
刘妹琴
张森林
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110802366.0A priority Critical patent/CN113408949B/zh
Publication of CN113408949A publication Critical patent/CN113408949A/zh
Application granted granted Critical
Publication of CN113408949B publication Critical patent/CN113408949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Manipulator (AREA)

Abstract

本申请属于机器人任务规划领域，提供了一种机器人时序任务规划方法，包括：获取工作区域的环境信息并对工作区域进行离散化建模；获取机器人的个体时序任务要求以及协同时序任务要求；按照协同时序任务要求，搜索协同任务序列；按照协同任务序列，构建协同子任务分配模型，并求解协同子任务分配结果；将所述协同子任务分配结果发送给机器人，以使机器人个体计算任务执行计划。本申请能高效解决在个体与全局复杂时序任务约束下多机器人的规划问题，具有良好的可拓展性，并可以克服区域通信不稳定的限制；另外，本申请在分散计算负荷的同时可以有效保护个体机器人的隐私信息。

Description

一种机器人时序任务规划方法及装置、电子设备
技术领域
本申请涉及机器人任务规划技术领域，尤其涉及一种机器人时序任务规划方法及装置、电子设备。
背景技术
任务规划问题在社会生活中广泛存在，如数据采集、持续观测以及智慧物流等领域。近年来，越来越多的研究开始关注复杂时序约束下的机器人任务规划问题，用于解决现实生产中更为复杂的任务需求。基于模型检查理论的任务规划方法，可以借助形式化语言如线性时序逻辑(Linear Temporal Logic,LTL)语言，描述更为复杂的任务时序约束，如任务顺序约束、安全避障约束、响应约束等，因此受到了广泛的关注与研究。
现有方法难以有效处理以下技术问题：(1)难以有效解决机器人同时具有个体时序任务和全局协同时序任务的情况；(2)未考虑优化多机器人执行协同任务时由于到达时间不同而导致的不必要的等待时间；(3)现有方法大部分假设机器人的协同任务分配关系已知，并且没有考虑保护机器人个体时序任务隐私信息。
发明内容
本发明实施例的目的是提供一种机器人时序任务规划方法及装置、电子设备，以解决相关技术中存在的难以高效解决机器人同时具有个体时序任务和全局协同时序任务的问题，并考虑在任务规划过程中保护机器人个体时序任务隐私等技术问题。
根据本申请实施例的第一方面，提供一种方法，包括：获取机器人工作区域的环境信息；对所述工作区域进行离散化建模，获得环境图模型；发送所述环境图模型给所述机器人，以使得机器人根据所述环境图模型以及机器人在工作区域中的移动能力和任务执行能力，构建得到加权切换系统；获取机器人的个体时序任务以及全局协同时序任务；将所述个体时序任务发送给机器人；根据所述全局协同时序任务，计算满足所述全局协同时序任务的协同任务序列，所述协同任务序列由一个或多个协同子任务构成；根据所述协同任务序列，构建协同子任务分配模型；计算所述协同子任务分配模型，得到协同子任务分配结果；将所述协同子任务分配结果发送给机器人，以使得机器人按照所述个体时序任务和所述协同子任务分配结果，构建更新后的个体时序任务，再融合所述加权切换系统，最后机器人个体计算任务执行计划。
根据本申请实施例的第二方面，提供一种装置，包括：第一获取模块，用于获取机器人工作区域的环境信息；建模模块，用于对所述工作区域进行离散化建模，获得环境图模型；第一发送模块，用于发送所述环境图模型给所述机器人，以使得机器人根据所述环境图模型以及机器人在工作区域中的移动和任务执行能力，构建得到加权切换系统；第二获取模块，用于获取机器人的个体时序任务以及全局协同时序任务；第二发送模块，用于将所述个体时序任务发送给机器人；第一计算模块，用于根据所述全局协同时序任务，计算满足所述全局协同时序任务的协同任务序列，所述协同任务序列由一个或多个协同子任务构成；构建模块，用于根据所述协同任务序列，构建协同子任务分配模型；第二计算模块，用于计算所述协同子任务分配模型，得到协同子任务分配结果；第三发送模块，用于将所述协同子任务分配结果发送给机器人，以使得机器人按照所述个体时序任务和所述协同子任务分配结果，构建更新后的个体时序任务，再融合所述加权切换系统，最后机器人个体计算任务执行计划。
根据本申请实施例的第三方面，提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中任一所述机器人时序任务规划方法的步骤。
本申请的实施例提供的技术方案可以包括以下有益效果：
采用集中式和分布式结合的混合任务规划框架，弥补了现有方法难以有效处理机器人同时具有个体时序任务和协同时序任务的问题，拓展了多机器人的部署场景并提升了效率；提出一种基于自动机模型的任务执行计划调整策略，缩减了机器人实际执行协同时序任务时不必要的等待时间，提高了完成任务的时间效率；采用个体规划独立求解个体机器人的任务执行计划，克服了现有方法复杂度较高的限制，在分散计算量的同时有效保护了机器人的个体时序任务隐私信息。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的一种机器人时序任务规划方法的流程图。
图2为根据一示例性实施例示出的一次包含3个机器人的仿真实验中的时序任务规划的求解结果。
图3为根据一示例性实施例示出的在不同机器人数量与工作区域规模下所述任务执行计划进行调整过程的优化质量与求解时间对比。
图4为根据一示例性实施例示出的一次包含30个机器人的仿真实验中，任务执行计划调整过程对于每种协同子任务分配结果的优化效果，以及筛选策略对协同子任务分配结果的筛选效率。
图5根据一示例性实施例示出的一种机器人时序任务规划装置的示意图。
具体实施方式
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一
图1为本发明在实施例一种提供的机器人时序任务规划方法的流程图。参照图1，所述机器人时序任务规划方法可以包括以下步骤：
步骤S01：获取机器人工作区域的环境信息，并对所述工作区域进行离散化建模，获得环境图模型。
具体地，所述工作区域的环境信息包括机器人在工作区域中的初始位置、工作区域中需要完成的任务所在的位置等。本申请不限制所述环境信息的具体获取方式。需要注意的是，终端在开始规划之前，需要建立与机器人的通信连接。
具体地，所述环境图模型定义为
Figure BDA0003165164300000041
其中
Figure BDA0003165164300000042
是工作区域中的任务区域对应的节点集合；ε是包含
Figure BDA0003165164300000043
中所有节点之间连接关系的集合。机器人集合
Figure BDA0003165164300000044
在环境图模型
Figure BDA0003165164300000045
中自主工作，每个机器人
Figure BDA0003165164300000046
具备任务执行能力cj∈Cap，并可以在工作区域中提供相应的功能服务，其中Cap:＝*cj}j∈*1,...,|Cap|}是所有机器人任务执行能力的集合。将工作区域中分布的任务建模为一个元组
Figure BDA0003165164300000047
其中：πts是任务ts对应的独有的原子命题；
Figure BDA00031651643000000412
是任务ts所对应的环境区域；
Figure BDA0003165164300000048
表示为了完成任务ts(或使原子命题πts为真)，需要满足
Figure BDA0003165164300000049
至少有
Figure BDA00031651643000000410
个具有任务执行能力cj的机器人协同完成，这里
Figure BDA00031651643000000411
为完成任务ts所需的机器人任务执行能力的下标集合。所述任务执行能力可以包括但不限于如抓取、移动、操作等技术动作执行能力。
步骤S02：发送所述环境图模型给所述机器人，以使得机器人根据所述环境图模型以及机器人在工作区域中的移动和任务执行能力，构建得到加权切换系统。
具体地，所述任务执行能力包括但不限于如抓取、移动、操作等技术动作。机器人i的加权切换系统表示为
Figure BDA0003165164300000051
其中，
Figure BDA0003165164300000052
是一个节点集合，每个节点与工作区域中的任务区域相对应；
Figure BDA0003165164300000053
代表机器人i的初始位置；
Figure BDA0003165164300000054
是一个节点对集合，其中每个节点对所包含的两个节点之间都存在一条满足机器人运动学约束的可行路径；
Figure BDA0003165164300000055
是节点转移的权重函数；
Figure BDA0003165164300000056
是一个原子命题的集合，一个原子命题对应工作区域中的某项任务的完成；
Figure BDA0003165164300000057
是一个标签函数，节点的标签对应于机器人在该节点对应的任务区域具有的任务执行能力。
步骤S03：获取机器人的个体时序任务以及全局协同时序任务。
具体而言，按照用户任务需求，设定每个机器人
Figure BDA0003165164300000058
的个体时序任务LTL表达式为
Figure BDA0003165164300000059
其中
Figure BDA00031651643000000510
由个体时序任务对应的原子命题与时序逻辑运算符组成，
Figure BDA00031651643000000511
中包含的所有原子命题组成集合
Figure BDA00031651643000000512
|Its|＝1,
Figure BDA00031651643000000513
且机器人
Figure BDA00031651643000000514
这里
Figure BDA00031651643000000515
表示所有具有任务执行能力cj的机器人的集合；另外，设定所有机器人需要协作完成的全局协同时序任务LTL表达式为φ，φ中包含的所有原子命题组成集合
Figure BDA00031651643000000516
Figure BDA00031651643000000517
任务ct具有更大的任务量以及更复杂的功能要求，需要多种具备不同任务执行能力的机器人协同完成。例如，设定机器人的个体时序任务LTL表达式为
Figure BDA00031651643000000518
Figure BDA00031651643000000519
设定全局协同时序任务LTL表达式为
Figure BDA00031651643000000520
Figure BDA00031651643000000521
其中
Figure BDA00031651643000000522
和
Figure BDA00031651643000000523
分别表示个体时序任务ts1和协同时序任务ct1所对应的原子命题，其他原子命题定义与此同理。另外，其中协同时序任务ct1、ct2、ct3、ct4分别需要1、3、2、2个机器人参与完成。应当理解，本申请不限制所述机器人的个体时序任务以及全局协同时序任务的具体获取方式。
步骤S04：将所述个体时序任务发送给机器人。
本申请不限制将所述个体时序任务发送给机器人的具体发送方式。
步骤S05：根据所述全局协同时序任务，计算满足所述全局协同时序任务的协同任务序列，所述协同任务序列由一个或多个协同子任务构成。
在一个示例中，所述步骤S05，可以具体包括：
步骤S51：将所述全局协同时序任务LTL表达式φ转化为对应的非确定性有限自动机模型
Figure BDA0003165164300000061
(Nondeterministic Finite Automaton，NFA)，根据
Figure BDA0003165164300000062
中的节点转移条件，移除
Figure BDA0003165164300000063
中所有超出机器人集合
Figure BDA0003165164300000064
能力范围的边。具体而言，遍历考察
Figure BDA0003165164300000065
中的边上的转移条件，对每一个转移条件，提取满足该转移条件的最小正原子命题集合，判断现有的机器人集合能否同时使这个最小正原子命题集合中的原子命题为真，若是，则保留对应的边；否则将这条边从所述非确定性有限自动机模型
Figure BDA0003165164300000066
中移除。
步骤S52：搜索所述自动机模型
Figure BDA0003165164300000067
中的一条接收路径ρF，接收路径ρF满足从所述自动机模型
Figure BDA0003165164300000068
的一个初始节点
Figure BDA0003165164300000069
出发，并结束于一个接收节点
Figure BDA00031651643000000610
根据接收路径ρF中相邻节点的转移条件得到命题序列σ＝σ(1)σ(2)…σ(L-1)σ(L)，满足
Figure BDA00031651643000000611
即σ(i)是一个满足节点转移条件δ(ρF(i),ρF(i+1))的命题集合。命题序列σ即作为多机器人需要完成的协同任务序列。
另外，在具体实施中，可以根据接收路径ρF上的分解节点将对应的协同任务序列σ划分为S个独立的子任务序列σ＝σ1；σ2；…；σS。这些子任务序列的独立异步执行可以保证全局协同时序任务要求可以被满足，而无需按照协同任务序列σ中的顺序执行。其中，判断所述接收路径ρF上的节点是否为分解节点的方法是：调整被当前节点分割成的两个命题序列的执行顺序，检查调整执行顺序后的命题序列能否在
Figure BDA00031651643000000612
中产生一条接收路径(即开始于所述自动机模型
Figure BDA00031651643000000613
的初始节点，结束于所述自动机模型
Figure BDA00031651643000000614
的接收节点)，若是，则当前节点为分解节点；否则不是分解节点。
步骤S06：根据所述协同任务序列，构建协同子任务分配模型。
在一个示例中，所述步骤S06，可以具体包括：
步骤S61：定义
Figure BDA00031651643000000615
σk(m)为第k个子任务序列σk的第m个元素，其中
Figure BDA0003165164300000071
为σk(m)的第j个元素。对每个子任务
Figure BDA0003165164300000072
定义一个新符号
Figure BDA0003165164300000073
其中
Figure BDA0003165164300000074
Figure BDA0003165164300000075
定义
Figure BDA0003165164300000076
为机器人i的布尔变量集合，
Figure BDA0003165164300000077
为真，表明机器人i被分配执行协同子任务
Figure BDA0003165164300000078
步骤S62：基于所述布尔变量集合，构建基于SMT(Satisfibility ModuloTheories)的所述协同子任务分配模型，其中所述协同子任务分配模型满足以下约束：
(1)协同约束。每项子任务所要求的机器人数量和类型需要被满足。对每个σk，要求
Figure BDA0003165164300000079
被满足。其中1(·)是一个标号函数，1(true)＝1，1(false)＝0。
(2)时间约束。每个机器人不能同时参与到两个需要同时执行的任务中。即对每个σk，
Figure BDA00031651643000000710
被满足。
(3)通信约束。对于某些需要先后连续执行的相邻子任务，若子任务对应的环境区域相距较远使得通信链路无法建立，则通过以下约束可以克服这种通信限制。对每个σk，
Figure BDA00031651643000000711
需被满足，其中
Figure BDA00031651643000000712
步骤S07，计算所述协同子任务分配模型，得到协同子任务分配结果。
具体而言，利用z3 SMT求解器求解协同子任务分配结果
Figure BDA00031651643000000713
并发送给机器人。
在实际实施中，若求解时间充足，可以迭代遍历所有可行的协同子任务分配结果，并最终返回时间效率最高的分配结果。具体实施方式是，在每次调用z3求解器时，根据上次求解结果
Figure BDA00031651643000000714
定义表达式
Figure BDA00031651643000000715
并将f更新为
Figure BDA00031651643000000716
另外，在上述迭代遍历所有可行的协同子任务分配结果的过程中，可以利用以下筛选策略快速筛除非最优可行解，避免无效的计算：若
Figure BDA00031651643000000717
Figure BDA0003165164300000081
使得
Figure BDA0003165164300000082
则f可以直接更新为
Figure BDA0003165164300000083
而无需将当前可行解对应的协同子任务分配结果发送给机器人，上述
Figure BDA0003165164300000084
分别是第m次和第n次迭代计算时得到的可行解。这里
Figure BDA0003165164300000085
意味着
Figure BDA0003165164300000086
Figure BDA0003165164300000087
步骤S08，将所述协同子任务分配结果发送给机器人，以使得机器人按照所述个体时序任务和所述协同子任务分配结果，构建更新后的个体时序任务，再融合所述加权切换系统，最后机器人个体计算任务执行计划。
在一个示例中，所述步骤S08，可以具体包括：
步骤S81：所述机器人根据所述协同子任务分配结果，构建新的LTL表达式φi来表示分配给机器人i的协同子任务以及它们之间的时序约束。更新后的个体时序任务LTL表达式为
Figure BDA0003165164300000088
所述机器人建立集合
Figure BDA0003165164300000089
Figure BDA00031651643000000810
且
Figure BDA00031651643000000811
其中，
Figure BDA00031651643000000812
和
Figure BDA00031651643000000813
中的所有命题(对应于工作区域中的任务)按照上标k和l递增的顺序排序。具体而言，构建φi包括：
(1)建模每个子任务序列中的次序约束。对于每个
Figure BDA00031651643000000814
初始化
Figure BDA00031651643000000815
为
Figure BDA00031651643000000816
其中
Figure BDA00031651643000000817
为
Figure BDA00031651643000000818
中的第一个元素。然后用
Figure BDA00031651643000000819
来迭代替换
Figure BDA00031651643000000820
中的
Figure BDA00031651643000000821
其中
Figure BDA00031651643000000822
和
Figure BDA00031651643000000823
是
Figure BDA00031651643000000824
中两个相邻的元素，且lm<lm+1。
(2)限定子任务序列之间的执行顺序。为避免多个机器人执行不同子任务序列时由于执行顺序不同而导致的死锁问题，此处限定子任务序列之间的执行顺序按照原始协同任务序列σ中的顺序。对每个机器人i，将(1)中得到的
Figure BDA00031651643000000825
按照上标k的升序排列。从k＝1到S-1，用
Figure BDA00031651643000000826
来迭代替换
Figure BDA00031651643000000827
其中
Figure BDA00031651643000000828
是
Figure BDA00031651643000000829
中的最后一个元素。最终，
Figure BDA00031651643000000830
步骤S82：对于所有的机器人，根据每个所述机器人i的加权切换系统wTSi以及更新后的个体时序任务LTL表达式
Figure BDA00031651643000000831
定义个体乘积自动机为
Figure BDA00031651643000000832
其中
Figure BDA00031651643000000833
为
Figure BDA00031651643000000834
对应的NFA。
Figure BDA00031651643000000835
其中：
Figure BDA00031651643000000836
满足
Figure BDA00031651643000000837
(ΠiqP,Πiq′P)∈→i且
Figure BDA0003165164300000091
其中Πi和ΠF分别表示到wTSi和
Figure BDA0003165164300000092
的节点空间的映射；ωP(qP,q′P)＝ωi(ΠiqP,Πiq′P)；
Figure BDA0003165164300000093
步骤S83：所述机器人采用Dijkstra算法，在所述个体乘积自动机
Figure BDA0003165164300000094
上搜索一条最短的接收路径ρi，ρi可以同时满足LTL表达式
Figure BDA0003165164300000095
和机器人在工作区域中的移动能力和任务执行能力的限制(所述约束包含在所述wTSi中)。机器人i的任务执行计划可以由τi＝Πiρi得到。
另外，所述机器人可以进一步调整所述任务执行计划，降低机器人执行协同任务时不必要的等待时间(由于机器人到达协同任务对应区域的时间不一致而产生)，具体包括：
所述机器人搜索个体乘积自动机中的协同节点。对于
Figure BDA0003165164300000096
Figure BDA0003165164300000097
当且仅当：(1)
Figure BDA0003165164300000098
(2)
Figure BDA0003165164300000099
且
Figure BDA00031651643000000910
其中，
Figure BDA00031651643000000911
是自动机
Figure BDA00031651643000000912
中任务
Figure BDA00031651643000000913
所对应的所述协同节点的集合。
针对所述协同任务序列σ中的每个协同子任务，具体调整过程为：
(1)在所有参与到协同子任务
Figure BDA00031651643000000914
的机器人集合
Figure BDA00031651643000000915
中选择最晚到达
Figure BDA00031651643000000916
的机器人
Figure BDA00031651643000000917
在个体乘积自动机
Figure BDA00031651643000000918
中调整所述机器人
Figure BDA00031651643000000919
的接收路径，使得机器人
Figure BDA00031651643000000920
在更早的时刻到达所述协同子任务
Figure BDA00031651643000000921
对应的工作区域，从而降低集合
Figure BDA00031651643000000922
中其他机器人的等待时间。
(2)如果(1)的调整无法使总任务执行时间变短，则在
Figure BDA00031651643000000923
中寻找最早到达
Figure BDA0003165164300000101
的机器人
Figure BDA0003165164300000102
并在个体乘积自动机
Figure BDA0003165164300000103
中调整所述机器人
Figure BDA0003165164300000104
的接收路径，使得机器人
Figure BDA0003165164300000105
在更晚的时刻到达协同子任务
Figure BDA0003165164300000106
对应的工作区域，从而降低机器人
Figure BDA0003165164300000107
自身在执行任务
Figure BDA0003165164300000108
时的等待时间。
上述步骤(1)(2)中，所述调整机器人
Figure BDA0003165164300000109
的接收路径的方式具体为：所述机器人
Figure BDA00031651643000001010
随机遍历个体乘积自动机
Figure BDA00031651643000001011
中属于
Figure BDA00031651643000001012
的节点，对于每个待选节点
Figure BDA00031651643000001013
机器人保持
Figure BDA00031651643000001014
到
Figure BDA00031651643000001015
不变，从节点
Figure BDA00031651643000001016
开始，寻找经过节点q并到达
Figure BDA00031651643000001017
中接收节点的最短路径。其中，
Figure BDA00031651643000001018
表示接收路径
Figure BDA00031651643000001019
上，节点
Figure BDA00031651643000001020
的上一个协同节点，jprev为该协同节点在
Figure BDA00031651643000001021
中的下标，同理，
Figure BDA00031651643000001022
为协同子任务
Figure BDA00031651643000001023
的协同节点在
Figure BDA00031651643000001024
中的下标。对于每个待选节点
Figure BDA00031651643000001025
所对应的待选路径
Figure BDA00031651643000001026
考察其是否满足以下两个条件：(1)
Figure BDA00031651643000001027
是否减少了协同子任务
Figure BDA00031651643000001028
处的等待时间；(2)
Figure BDA00031651643000001029
是否减少了完成任务总时间。符合上述两个条件的待选路径
Figure BDA00031651643000001030
将被更新为新的
Figure BDA00031651643000001031
随后所述机器人继续对下一个协同子任务进行上述调整过程。
所述机器人遍历所有σ中的协同子任务并进行上述执行计划调整，检查完成任务的总时间是否减少。若无法减少，则所述调整过程结束；否则重复执行所述调整过程。
图2为根据一示例性实施例示出的一次包含3个机器人的仿真实验中的时序任务规划的求解结果，可以看出机器人的任务规划同时满足了个体时序任务和协同时序任务。另外，机器人通过所述调整过程，降低了在执行协同子任务时的等待时间，验证了本方法的正确性和有效性。
图3展示了不同的机器人数量以及环境规模下进行多次仿真实验，所述任务执行计划调整过程对求解效率与质量的影响，其中，图中每个数据点通过计算10次随机实验的均值和标准差得到，每次实验中保持其余参数不变，仅随机改变任务在工作区域中的区域分布。设定栅格地图工作区域为20×20、30×30、40×40三种规模，每种环境规模下考察多种机器人数量的情况，具体机器人数量包括{5,10,15,20,25,30}。设定机器人的个体时序任务LTL表达式如
Figure BDA0003165164300000111
机器人的全局协同时序任务LTL表达式如
Figure BDA0003165164300000112
Figure BDA0003165164300000113
由图3可以看出，所述任务执行计划调整过程消耗了约为初始求解时间45％～55％的时间(图3中的(a))，使得任务完成时间降低到未进行调整过程时的约70％～80％(图3中的(b))，有效提高了多机器人任务协同的效率。同时，上述结论在不同的机器人数量以及环境规模下也成立，验证了所述任务执行计划调整过程的适用性和有效性。
图4中的(a)是在一次包括30个机器人的实施例中，在不同的协同子任务分配结果下，所述机器人进行与不进行所述任务执行计划调整过程，任务完成时间的对比结果。可以看到，对于每种协同子任务分配结果，所述任务执行计划调整过程，可以有效降低任务执行计划的执行时间损耗，验证了所述任务执行计划调整过程的实际优化效果。图4中的(b)是所述快速筛除策略每一轮筛除的协同子任务分配结果个数、需要记录的协同子任务分配结果总数以及筛除的协同子任务分配结果总数，可以看出上述筛除策略可以有效过滤非最优的协同子任务分配结果，从而减少计算量。
实施例二
图5为本发明在实施例一中提供的机器人时序任务规划装置的示意图。本实施例提供的机器人时序任务规划装置与上述机器人时序任务规划方法属于同一发明构思，具体的，见图5，所述机器人时序任务规划装置200包括：第一获取模块201，用于获取机器人工作区域的环境信息；建模模块202，用于对所述工作区域进行离散化建模，获得环境图模型；第一发送模块203，用于发送所述环境图模型给所述机器人，以使得机器人根据所述环境图模型以及机器人在工作区域中的移动和任务执行能力，构建得到加权切换系统；第二获取模块204，用于获取机器人的个体时序任务以及全局协同时序任务；第二发送模块205，用于将所述个体时序任务发送给机器人；第一计算模块206，用于根据所述全局协同时序任务，计算满足所述全局协同时序任务的协同任务序列，所述协同任务序列由一个或多个协同子任务构成；构建模块207，用于根据所述协同任务序列，构建协同子任务分配模型；第二计算模块208，用于计算所述协同子任务分配模型，得到协同子任务分配结果；第三发送模块209，用于将所述协同子任务分配结果发送给机器人，以使得机器人按照所述个体时序任务和所述协同子任务分配结果，构建更新后的个体时序任务，再融合所述加权切换系统，在个体计算任务执行计划。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的机器人时序任务规划方法。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如上述的机器人时序任务规划方法。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种机器人时序任务规划方法，其特征在于，所述方法包括：
获取机器人工作区域的环境信息，对所述工作区域进行离散化建模，获得环境图模型；
发送所述环境图模型给所述机器人，以使得机器人根据所述环境图模型以及机器人在工作区域中的移动能力和任务执行能力，构建得到加权切换系统；
获取机器人的个体时序任务以及全局协同时序任务；
将所述个体时序任务发送给机器人；
根据所述全局协同时序任务，计算满足所述全局协同时序任务的协同任务序列，所述协同任务序列由一个或多个协同子任务构成；
根据所述协同任务序列，构建协同子任务分配模型；
计算所述协同子任务分配模型，得到协同子任务分配结果；
将所述协同子任务分配结果发送给机器人，以使得机器人按照所述个体时序任务和所述协同子任务分配结果，构建更新后的个体时序任务，再融合所述加权切换系统，最后机器人个体计算任务执行计划。
2.如权利要求1所述的方法，其特征在于，根据所述全局协同时序任务，计算满足所述全局协同时序任务的协同任务序列，包括：
将所述全局协同时序任务转化为对应的非确定性有限自动机模型
Figure FDA0003165164290000011
并移除
Figure FDA0003165164290000012
中所有超出机器人集合
Figure FDA0003165164290000013
任务执行能力的边；
移除后，搜索所述非确定性有限自动机模型
Figure FDA0003165164290000014
中的一条接收路径ρF，并提取接收路径ρF对应的命题序列σ，将其作为多机器人需要完成的协同任务序列。
3.如权利要求1所述的方法，其特征在于，根据所述协同任务序列，构建协同子任务分配模型，包括：
对每个机器人i建立一个布尔变量集合
Figure FDA0003165164290000015
集合
Figure FDA0003165164290000016
中的变量与所述协同任务序列中需要分配的协同子任务一一对应；
基于所述布尔变量集合
Figure FDA0003165164290000021
构建协同子任务分配模型；
其中所述协同子任务分配模型的约束如下：
(1)协同约束，每项所述协同任务序列中需要分配的协同子任务所要求的机器人数量和类型需要被满足；
(2)时间约束，每个机器人不能同时参与到两个同时执行的任务；
(3)通信约束，对于需要先后连续执行的相邻的协同子任务，若需要连续执行的相邻的协同子任务对应的环境区域相距较远，使得通信链路无法建立，则要求所述相邻的协同子任务被分配到的机器人集合交集非空。
4.如权利要求1所述的方法，其特征在于，机器人按照所述个体时序任务和所述协同子任务分配结果，构建更新后的个体时序任务，融合所述加权切换系统，并通过机器人个体计算任务执行计划，包括：
根据所述协同子任务分配结果，所述机器人构建新的个体协同任务，其中所述个体协同任务包括分配给机器人i的协同子任务以及所述协同子任务之间的时序约束；
将所述个体协同任务融合到所述个体时序任务中，得到更新后的个体时序任务；
将所述更新后的个体时序任务与所述加权切换系统相融合，构建得到个体乘积自动机；
根据所述个体乘积自动机，所述机器人在所述个体乘积自动机上搜索一条最短的接收路径，得到所述机器人的任务执行计划。
5.如权利要求1所述的方法，其特征在于，在个体计算任务执行计划后还包括：
(1)基于所述任务执行计划，所述机器人通过通信在所有参与到当前协同子任务的机器人中寻找最晚到达所述当前协同子任务的机器人
Figure FDA0003165164290000031
所述机器人
Figure FDA0003165164290000032
在所述个体乘积自动机中调整自身的接收路径，使所述机器人
Figure FDA0003165164290000033
在更早的时刻到达所述当前协同子任务对应的工作区域，从而降低其他机器人的等待时间；
(2)若(1)的调整无法使总任务执行时间变短，所述机器人通过通信在所有参与到当前协同子任务的机器人中，寻找最早到达所述当前协同子任务的机器人
Figure FDA0003165164290000034
所述机器人
Figure FDA0003165164290000035
在个体乘积自动机中调整自身的接收路径，使所述机器人
Figure FDA0003165164290000036
在更晚的时刻到达所述当前协同子任务对应的工作区域，从而降低所述机器人
Figure FDA0003165164290000037
自身在执行所述当前协同子任务时的等待时间，其中所述总任务执行时间包括所有机器人完成所有个体时序任务以及全局协同时序任务所花费的总时间；
(3)若所述机器人对所有所述协同子任务进行调整后，所述总任务执行时间无法减少，则调整结束；否则循环遍历所有的所述协同子任务，并进行(1)和(2)的调整过程。
6.根据权利要求5所述的方法，其特征在于，所述机器人
Figure FDA00031651642900000326
在个体乘积自动机中调整自身的接收路径，包括：
所述机器人
Figure FDA0003165164290000038
搜索所述个体乘积自动机
Figure FDA0003165164290000039
中的协同节点；
根据获取到的所述协同节点，对于每个当前协同子任务，所述机器人
Figure FDA00031651642900000310
随机遍历个体乘积自动机
Figure FDA00031651642900000311
中属于所述当前协同子任务的协同节点，对于每个待选节点q，机器人保持
Figure FDA00031651642900000312
到
Figure FDA00031651642900000313
不变，从节点
Figure FDA00031651642900000314
开始，寻找经过待选节点q并到达
Figure FDA00031651642900000315
中接收节点的最短路径，作为待选节点q所对应的待选路径
Figure FDA00031651642900000316
其中
Figure FDA00031651642900000317
表示所述个体乘积自动机上搜索的最短的接收路径，
Figure FDA00031651642900000318
表示
Figure FDA00031651642900000319
中所述当前协同子任务的前一个协同子任务对应的协同节点，
Figure FDA00031651642900000320
表示
Figure FDA00031651642900000321
的第一个节点；
对于每个所述待选节点q所对应的所述待选路径
Figure FDA00031651642900000322
所述机器人
Figure FDA00031651642900000323
考察其是否满足以下两个条件：(1)
Figure FDA00031651642900000324
是否减少所述协同子任务处的等待时间；(2)
Figure FDA00031651642900000325
是否减少总任务执行时间；符合上述两个条件的待选路径
Figure FDA0003165164290000041
将被更新为新的
Figure FDA0003165164290000042
7.如权利要求1所述的方法，其特征在于，在机器人个体计算任务执行计划后，还包括：
将所述协同子任务分配结果取反，加入所述协同子任务分配模型的约束中，求解得到下一个协同子任务分配结果；
再将所述下一个协同子任务分配结果发送给机器人，以使得机器人按照所述个体时序任务和所述下一个协同子任务分配结果，构建更新后的个体时序任务，再融合所述加权切换系统，由机器人个体计算任务执行计划。
8.如权利要求7所述的方法，其特征在于，在求解得到下一个协同子任务分配结果之后，还包括：
对所述下一个协同子任务分配结果进行筛选，将筛选后的下一个协同子任务分配结果发送给机器人；
其中所述筛选具体为：若
Figure FDA0003165164290000043
使得
Figure FDA0003165164290000044
则可以直接将当前协同子任务分配结果取反后，加入所述协同子任务分配模型的约束中，并计算下一个协同子任务分配结果；
其中上述
Figure FDA0003165164290000045
分别是第m次和第n次迭代计算时得到的协同子任务分配结果，这里
Figure FDA0003165164290000046
意味着
Figure FDA0003165164290000047
中每个元素的取值都大于
Figure FDA0003165164290000048
中对应的元素值。
9.一种机器人时序任务规划装置，其特征在于，所述方法包括：
第一获取模块，用于获取机器人工作区域的环境信息；
建模模块，用于对所述工作区域进行离散化建模，获得环境图模型；
第一发送模块，用于发送所述环境图模型给所述机器人，以使得机器人根据所述环境图模型以及机器人在工作区域中的移动和任务执行能力，构建得到加权切换系统；
第二获取模块，用于获取机器人的个体时序任务以及全局协同时序任务；
第二发送模块，用于将所述个体时序任务发送给机器人；
第一计算模块，用于根据所述全局协同时序任务，计算满足所述全局协同时序任务的协同任务序列，所述协同任务序列由一个或多个协同子任务构成；
构建模块，用于根据所述协同任务序列，构建协同子任务分配模型；
第二计算模块，用于计算所述协同子任务分配模型，得到协同子任务分配结果；
第三发送模块，用于将所述协同子任务分配结果发送给机器人，以使得机器人按照所述个体时序任务和所述协同子任务分配结果，构建更新后的个体时序任务，再融合所述加权切换系统，最后个体计算任务执行计划。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8任一项所述的方法。
CN202110802366.0A 2021-07-15 2021-07-15 一种机器人时序任务规划方法及装置、电子设备 Active CN113408949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110802366.0A CN113408949B (zh) 2021-07-15 2021-07-15 一种机器人时序任务规划方法及装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110802366.0A CN113408949B (zh) 2021-07-15 2021-07-15 一种机器人时序任务规划方法及装置、电子设备

Publications (2)

Publication Number Publication Date
CN113408949A true CN113408949A (zh) 2021-09-17
CN113408949B CN113408949B (zh) 2022-05-31

Family

ID=77686575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110802366.0A Active CN113408949B (zh) 2021-07-15 2021-07-15 一种机器人时序任务规划方法及装置、电子设备

Country Status (1)

Country Link
CN (1) CN113408949B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070882A (zh) * 2023-03-21 2023-05-05 深圳大学 时序约束下基于边际成本的多机器人协同任务分配方法
CN117742361A (zh) * 2023-12-07 2024-03-22 哈尔滨工业大学 基于smt的航天器多种轨道威胁自主规避机载任务规划方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834309A (zh) * 2015-04-10 2015-08-12 浙江工业大学 基于目标跟踪控制策略的单移动机器人最优巡回控制方法
CN107169591A (zh) * 2017-04-21 2017-09-15 浙江工业大学 基于线性时序逻辑的移动端快递派送路径规划方法
CN110209485A (zh) * 2019-06-05 2019-09-06 青岛海通胜行智能科技有限公司 一种协同作业时多机器人的动态避让方法
US20190281587A1 (en) * 2018-05-10 2019-09-12 Yushu Zhang User equipment (ue) downlink transmission configuration indication (tci)-state selection
CN111176334A (zh) * 2020-01-16 2020-05-19 浙江大学 一种多无人机协同目标搜索方法
US20200177403A1 (en) * 2018-12-03 2020-06-04 International Business Machines Corporation Collaboration synchronization

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834309A (zh) * 2015-04-10 2015-08-12 浙江工业大学 基于目标跟踪控制策略的单移动机器人最优巡回控制方法
CN107169591A (zh) * 2017-04-21 2017-09-15 浙江工业大学 基于线性时序逻辑的移动端快递派送路径规划方法
US20190281587A1 (en) * 2018-05-10 2019-09-12 Yushu Zhang User equipment (ue) downlink transmission configuration indication (tci)-state selection
US20200177403A1 (en) * 2018-12-03 2020-06-04 International Business Machines Corporation Collaboration synchronization
CN110209485A (zh) * 2019-06-05 2019-09-06 青岛海通胜行智能科技有限公司 一种协同作业时多机器人的动态避让方法
CN111176334A (zh) * 2020-01-16 2020-05-19 浙江大学 一种多无人机协同目标搜索方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070882A (zh) * 2023-03-21 2023-05-05 深圳大学 时序约束下基于边际成本的多机器人协同任务分配方法
CN117742361A (zh) * 2023-12-07 2024-03-22 哈尔滨工业大学 基于smt的航天器多种轨道威胁自主规避机载任务规划方法

Also Published As

Publication number Publication date
CN113408949B (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
CN113408949B (zh) 一种机器人时序任务规划方法及装置、电子设备
Etemadi et al. A cost-efficient auto-scaling mechanism for IoT applications in fog computing environment: a deep learning-based approach
CN108122032A (zh) 一种神经网络模型训练方法、装置、芯片和系统
Wang et al. Multivehicle task assignment based on collaborative neurodynamic optimization with discrete hopfield networks
Jin et al. A multi-objective memetic algorithm for integrated process planning and scheduling
CN110132282A (zh) 无人机路径规划方法及装置
Wang et al. A reinforcement learning approach for online service tree placement in edge computing
Rahili et al. Optimal routing for autonomous taxis using distributed reinforcement learning
Lima et al. A probabilistic cellular automata ant memory model for a swarm of foraging robots
CN109409746A (zh) 一种生产调度方法及装置
Qu et al. Dynamic scheduling in large-scale stochastic processing networks for demand-driven manufacturing using distributed reinforcement learning
Nam et al. Robots in the huddle: Upfront computation to reduce global communication at run time in multirobot task allocation
CN111340192A (zh) 网络路径分配模型训练方法、路径分配方法、以及装置
Babukarthik et al. Hybrid algorithm for job scheduling: Combining the benefits of aco and cuckoo search
Li et al. Decentralized Refinement Planning and Acting
El-Ghamrawy et al. An agent decision support module based on granular rough model
CN115759199B (zh) 基于层次化图神经网络的多机器人环境探索方法及系统
Turguner et al. Solving job shop scheduling problem with Ant Colony Optimization
CN115001978B (zh) 一种基于强化学习模型的云租户虚拟网络智能映射方法
Ometov et al. On applicability of imagery-based CNN to computational offloading location selection
Lima et al. Formal analysis in a cellular automata ant model using swarm intelligence in robotics foraging task
CN114237259A (zh) 一种基于浮动资源的多智能体路径规划方法、导航服务器及可读存储介质
CN114594790A (zh) 一种配电网多无人机巡线路径规划方法及系统
Hong et al. Deterministic policy gradient based formation control for multi-agent systems
Damanik et al. Solving delivery assignment in hybrid-transit network using multi-agent reinforcement learning

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