CN113608445A - 一种多智能体避障及避碰方法 - Google Patents
一种多智能体避障及避碰方法 Download PDFInfo
- Publication number
- CN113608445A CN113608445A CN202111007920.2A CN202111007920A CN113608445A CN 113608445 A CN113608445 A CN 113608445A CN 202111007920 A CN202111007920 A CN 202111007920A CN 113608445 A CN113608445 A CN 113608445A
- Authority
- CN
- China
- Prior art keywords
- agent
- state
- constraints
- constraint
- obstacle avoidance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000033001 locomotion Effects 0.000 claims abstract description 10
- 239000003795 chemical substances by application Substances 0.000 claims description 201
- 238000005457 optimization Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000009977 dual effect Effects 0.000 claims description 8
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000004888 barrier function Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000000338 in vitro Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种多智能体避障及避碰方法,在描述智能体状态信息的过程中,考虑外界扰动因素,使得多智能体系统具有很好地鲁棒性;考虑智能体的移动和形状,引入假定状态轨迹和假定输入轨迹,进而构造智能体的多面体外近似,解决三维和移动障碍物的避障和避碰问题,相较于传统的避障或避碰方法解决点质量模型障碍物,可以更好地获得智能体的最优路径。设计收紧的状态约束集,保证在外界扰动的条件下,系统的状态约束能够满足,引入相容性约束,用来限制实际轨迹与假定轨迹的偏差,保证避碰约束的准确性,很好地解决了全维、动态障碍物的避障和避碰问题。
Description
技术领域
本发明涉及多智能体分布式控制技术领域,具体涉及一种多智能体避障及避碰方法。
背景技术
随着计算机通信能力的大幅度提高以及分布式控制理论的不断发展,越来越多的学者注意到多智能体系统之间相互合作能以更少的成本完成复杂的工作任务,例如机器人足球锦标赛RoboCup中各个机器人互助合作共同完成比赛;在工业控制领域,多个智能机器人系统可以代替人类完成高危的工作;在军事应用方面还可以利用多无人机进行巡逻、侦查等等。分布式模型预测控制(Distributed Model Predictive Control,DMPC)结合了分布式控制和模型预测控制的优点,具有较高的可靠性和可拓展性。此外,分布式模型预测控制减少了传统集中式模型预测控制的计算负担,同时各个子系统的模型预测控制器存在信息交互,保证整个系统具有更好的控制性能。
在实际应用中,一方面在分布式控制过程中外界扰动不可忽略,系统需要具备一定的鲁棒性;另一方面,为了安全考虑,应该保证智能体具有避障和避碰的功能。传统的避障方式主要解决点质量模型障碍物,忽略了障碍物的形状和体积。然而在实际避障过程中,障碍物和智能体的形状和体积均不容忽视,全维障碍物避障(避碰)的避障方法有待研究。另外,在同步采样机制下,智能体之间的通讯受到限制,智能体之间的避碰受到智能体形状和难以获知的移动轨迹的限制。
现有的分布式控制及避障或避碰方法主要存在以下问题:(一)现有的分布式控制很少考虑外部环境中扰动带来的影响,导致在实际操作中系统缺乏鲁棒性的问题;(二)传统的避障或避碰方法主要解决点质量模型障碍物的避障问题,忽略障碍物的形状和体积,难以实现全维或是移动障碍物的避障问题;(三)同步采样机制下,智能体之间的通讯受限,智能体避障同时实现智能体之间避碰的难度很大。
发明内容
有鉴于此,本发明提供了一种多智能体避障及避碰方法,能够在考虑外界加性扰动因素的情况下,很好地解决解决三维、动态障碍物的避碰问题。
本发明采用的具体技术方案如下:
一种多智能体避障及避碰方法,智能体运动过程中受到智能体约束,包括智能体之间的避碰约束和智能体与障碍物之间的避障约束,
设计多智能体系统中的每个智能体的假定状态轨迹和假定输入轨迹;根据邻居智能体的假定状态轨迹构造邻居智能体的多面体外近似,对所述避碰约束进行转化;
根据每个智能体自身的预测状态轨迹,构造每个智能体的多面体外近似,对所述避障约束进行转化;
基于转化后的避碰约束和避障约束,构建智能体的分布式模型预测控制框架,并求解得到智能体的最优控制输入,控制智能体运动。
进一步地,所述假定状态轨迹具体为:从当前时刻t向前预测的步次为0至N-1时,以上一时刻的最优状态轨迹为假定状态轨迹;从当前时刻t向前预测的步次为N时,用以末端控制器和上一时刻的最优状态轨迹为输入的非线性函数表示假定状态轨迹;
所述假定输入轨迹具体为:从当前时刻t向前预测的步次为0至N-2时,以上一时刻的最优控制输入轨迹为假定输入轨迹;从当前时刻t向前预测的步次为N-1时,以末端控制器表示假定输入轨迹;
其中,N为预测时域;t为采样时刻,t=0,1,2,…。
进一步地,引入相容性约束,限制所述假定状态轨迹和实际状态轨迹之间的偏差,所述相容性约束为:
进一步地,所述转化后的避碰约束表示为:
其中,λij(k|t)≥0、μij(k|t)≥0为相应的优化变量,‖·‖*为对偶范数,j为智能体i的邻居智能体的编号;dmin≥0为安全距离,上标T表示转置;和gi(k|t)为构建智能体的多面体外近似时所需的约束矩阵;和为构建邻居智能体的多面体外近似时所需的约束矩阵;k为时间索引,t为采样时刻,t=0,1,2,…。
进一步地,所述转化后的避障约束表示为:
-gi(k|t)Tμi(k|t)-bm Tλi(k|t)≥dmin
‖Am Tλi(k|t)‖*≤1
其中,λi(k|t),μi(k|t)为相应的优化变量;Am和bm为障碍物多胞体内的已知矩阵,‖·‖*为对偶范数,dmin≥0为安全距离,上标T表示转置;和gi(k|t)为构建智能体的多面体外近似时所需的约束矩阵;和为构建邻居智能体的多面体外近似时所需的约束矩阵;k为时间索引;t为采样时刻,t=0,1,2,…。
进一步地,所述智能体约束还包括:初始状态约束、位置和输入约束、状态方程约束和末端约束。
进一步地,设计收紧的状态约束集,保证多智能体系统满足所述智能体约束,所述收紧的状态约束集表示为:
其中,k为时间索引,表示外界加性扰动积累量集合;Lf为轮式机器人系统的Lipschitz常数a为智能体驱动轮速度最大值,Τ为采样时间,为扰动约束上界,为包含当前所考虑智能体位置的紧集即原始位置约束集,表示庞特里亚金差运算。
进一步地,所述分布式模型预测控制框架由转化后的避碰约束和避障约束、初始状态约束、位置和输入约束、状态方程约束、末端约束以及相容性约束构成;所述分布式模型预测控制框架用公式表示为:
λi(k|t)≥0,μi(k|t)≥0,λij(k|t)≥0,μij(k|t)≥0
其中,为智能体控制输入的角速度和线速度的集合,Ωi为智能体头部末端位置的集合,dmin为安全距离,表示智能体i的初始状态,ξh,i(t)表示智能体i的在t时刻的状态,表示t时刻向前预测k步时智能体i的状态,表示t时刻向前预测k+1步的智能体i的状态,Τ表示采样时间,t∈Τ;fh(·,·)为头部标称模型中的非线性函数;表示t时刻向前预测N步时智能体i的头部位置;表示t时刻向前预测k步时智能体i的控制输入。
有益效果:
(1)本发明在描述智能体状态信息的过程中,考虑外界扰动因素,使得多智能体系统具有很好地鲁棒性;考虑智能体的移动和形状,引入假定状态轨迹和假定输入轨迹,克服智能体之间通讯受到限制无法获知智能体移动轨迹,进而构造智能体的多面体外近似,很好地解决全维和移动障碍物的避障和避碰问题,相较于传统的避障或避碰方法解决点质量模型障碍物,可以更好地获得智能体的最优路径。
(2)设计收紧的状态约束集,保证在外界扰动的条件下,系统的状态约束能够满足,从而利于求解轨迹优化问题,同时也使得系统的鲁棒性更好。
(3)引入相容性约束以限制假定状态轨迹与实际状态轨迹的偏差,从而保证了在偏差问题存在的情况下,避障和避碰问题的求解更加精确。
附图说明
图1为轮式机器人模型图;
图2为智能体的外近似集合示意图;
图3为所有智能体的运动轨迹示意图;
图4为智能体1与其他智能体之间的相对距离示意图;
图5为智能体1与障碍物四个顶点之间的距离示意图;
图6为所有智能体的控制输入示意图;
图7为所有智能体的控制输入约束满足情况示意图;
具体实施方式
本发明提供了一种多智能体避障及避碰方法。被控对象是由多个轮式机器人系统组成的多智能体系统,设计收紧的状态约束集,保证在有界加性扰动下多智能体系统的满足约束条件。另外,为了解决同步采样机制下智能体之间的信息传递问题,引入智能体的假定状态轨迹,每个智能体利用自身的预测轨迹状态和邻居的假定轨迹状态分别构造多边形外近似,进而利用对偶优化理论对避障和避碰约束进行转化重构。然后,建立相容性约束,用来限制实际轨迹状态即预测轨迹状态与假定轨迹状态之间的误差,保证避碰约束的准确性。最后,构建分布式模型预测控制框架,求解最终得到智能体的执行轨迹,本发明可以很好地解决全维、动态障碍物的避碰问题。
为了解决现有的多智能体避障和避碰的控制算法难以处理三维障碍物的避障和避碰问题,以及在分布式模型预测控制下很难实现闭环系统鲁棒性的问题,本发明公开了一种多智能体避障及避碰方法,智能体运动过中受到包括避碰约束和避障约束的智能体约束,设计多智能体系统中的每个智能体的假定状态轨迹和假定输入轨迹,并根据邻居智能体的假定状态轨迹构造邻居智能体的多面体外近似,对避碰约束进行转化;根据每个智能体自身的预测状态轨迹,构造每个智能体的多面体外近似,对避障约束进行转化;基于智能体约束,构建智能体的分布式模型预测控制框架,并求解得到智能体的最优控制输入,智能体获得执行轨迹并由初始位置运行至目标点。为了使得本发明的技术方案更加清楚,在描述的过程中记载了具体步骤,但步骤的设置并不是为了严格限制执行的逻辑顺序,比如避障约束和避碰约束是需要同时满足的,二者没有先后顺序。
本发明的具体方案包括以下步骤:
步骤一、以包含多个智能体的多智能体系统为被控对象,建立每个智能体的头部受扰模型并进行离散化处理,得到离散化的头部受扰模型;去除离散化的头部受扰模型中的有界加性扰动因素,得到智能体的标称模型。
(1)轮式机器人系统建模。
其中,为系统的中心状态,包括机器人的中心位置pi=[xi,yi]T以及姿态角θi。控制输入为包括机器人的线速度υi和角速度ωi。如图1所示,和分别为机器人左右轮的速度。机器人的线速度和角速度分别满足和其中ρ为机器人车身的半径。控制输入满足约束其中,b=a/ρ。
采用轮式机器人的头部姿态为被控对象,并考虑到外界扰动的影响,则关于智能体i的头部受扰模型可以表达为:
其中,为机器人的状态信息,ph,i=[xh,i,yh,i]T为机器人的头部位置,为控制输入,并满足约束条件非线性函数fh(·,·)定义为fh(ξh,i,uh,i)=[(P(θh,i)uh,i)T,ωh,i]T,其中, 表示外部扰动,其中
(2)轮式机器人系统离散化。
为了减少求解优化问题带来的计算负荷,设置采样时间为T,将上述系统离散化,则智能体i离散化的受扰头部模型为:
ξh,i(t+1)=ξh,i(t)+Tfh(ξh,i(t),uh,i(t))+Tdi(t)
步骤二、根据步骤一所述的离散化的头部受扰模型和标称模型,建立智能体的代价函数,并设置智能体约束;设计收紧的状态约束集,以保证多智能体系统满足所述智能体约束。
其中,智能体约束包括:初始状态约束、状态方程约束、位置和输入约束、避障约束、避碰约束和末端约束。
(1)根据控制目标初步构建每个智能体的优化问题:
S10、明确算法的控制目标是将所有智能体的头部位置ph,i镇定到各自的期望位置附近(终端集Ωi内)。同时,在镇定过程中各个智能体需要满足自身的物理约束,包括状态约束和输入约束。假设智能体的邻居集合为每个智能体可与其邻居进行信息交互。确定每个智能体与其邻居间的通信网络,通信网络由无向图G=(V,E)表示,其中V={1,2,...,Na}表示无向图的节点集,则表示边的集合。定义相应的邻接矩阵为若(i,j)∈E,则aij=1,否则aij=0。采集智能体在t时刻的状态ξh,i(t)作为起始状态。
S11、定义智能体i的代价函数为:
S12、设置每个智能体所受到的约束:
位置和输入约束:
(2)为了保证系统的鲁棒性以及优化问题有解,对智能体所受的部分约束进行处理:
S20、状态约束收紧处理。在外界扰动的条件下,为了保证系统的状态约束满足,设计收紧的状态约束集:
步骤三、考虑智能体的形状和移动轨迹,设计智能体的假定轨迹和假定输入,同时以相容性约束限制假定轨迹和实际轨迹的偏差;根据所述假定轨迹设计智能体的邻居智能体的多面体外近似,对步骤二中的避碰约束进行转化。
S21、非凸避碰约束转化。各智能体在达成各自的控制目标的过程中,除了需要满足避障约束,还需满足各个智能体之间的避碰约束。考虑该多智能体系统在同步采样机制下分别进行优化,那么为了实现智能体之间的避碰,在每个采样时刻需要获取邻居的位置信息。但是在同步采样机制下,智能体的真实预测状态尚未求解无法及时传输,故定义智能体的假定状态轨迹和假定输入轨迹如下:
其中,κi(·)为终端控制器。假定状态的引入保证了优化问题能够以分布式的方式求解。考虑到假定位置轨迹与实际位置轨迹之间的偏差会影响到优化问题解的精确性,需要引入相容性约束以限制假定位置轨迹与实际位置轨迹之间的偏差:
其中,λij(k|t)≥0、μij(k|t)≥0为相应的优化变量‖·‖*为对偶范数,j为智能体i的邻居智能体的编号;dmin≥0为安全距离,上标T表示转置;和gi(k|t)为构建智能体的多面体外近似时所需的约束矩阵;和为构建邻居智能体的多面体外近似时所需的约束矩阵;k为时间索引,N为预测时域;t为采样时刻,t=0,1,2,…。
步骤四、重新设计每个智能体的多面体外近似,对步骤二中避障约束进行转化。
在避障约束中,每个智能体的多面体外近似根据自身的预测状态轨迹即预测状态进行外近似。
S22、非凸避障约束转化。在智能体朝着各自目标点移动的过程中,需要躲避环境中的障碍物。然而,直接构建的避障约束显然是非凸的。这样的约束会使得优化问题难以求解,因此本发明提出一种非凸避障约束的转化方法,具体如下:
考虑具有以下多面体形式的固定障碍物:
其中,具有相应维度的Am和bm是已知的障碍物多胞体的约束矩阵。而每个智能体在地面所占据的空间可表示为
则下式可保证避障约束满足
如图2所示,智能体i的标称头部位置受到半径为gi(k)的外部扰动,方向角为由于扰动随着预测积累,因此向前预测k步时扰动的积累量为机器人的车体由半径为ρ的圆表示。为了构造外近似集合我们根据头部位置在扰动集合边界上的四个极限位置,确定了四个超平面s=1,2,3,4。为了确定s=1,2,3,4,首先分别在四个超平面上找到四个点s=1,2,3,4,如下所示:
-gi(k|t)Tμi(k|t)-bm Tλi(k|t)≥dmin
‖Am Tλi(k|t)‖*≤1
其中,λi(k|t),μi(k|t)为对应的优化变量,‖·‖*为对偶范数。
综上所述,本发明中对多面体外近似的求解以及表示是根据智能体的假定状态轨迹或者预测状态轨迹得到的,具体通过上述过程,可以得知,是通过状态轨迹可以获得极限位置点和超平面,进而获得多面体外近似,为了直观表示,本发明中选取了4个极限位置点和四个超平面,在具体实施过程中,计算时选取的极限位置点和超平面的数量不做限制,数量越多,结果会更加精确。同时,本发明用矩阵的形式对多面体外近似进行表达,在具体实施过程中,多面体外近似的表达形式不做限制。
本发明对于避碰约束和避障约束的转化,需要根据构造的多面体外近似进行。其中,多面体外近似包括根据智能体自身预测状态轨迹构建的智能体的多面体外近似、根据假定状态轨迹构建的邻居智能体的多面体外近似、以及障碍物的多面体外近似(即固定障碍物)。避碰约束的转化需要结合自身的多面体外近似和邻居智能体的多面体外近似进行。避障约束的转化需要结合自身的多面体外近似和障碍物的多面体外近似进行。
步骤五、结合收紧的状态约束集以及转化后的避碰约束和避障约束,构建智能体分布式模型预测控制框架,并求解得到智能体的最优控制输入。
结合收紧的状态约束集、转化后的避障和避碰约束,构建每个智能体的优化问题。
S30、每个智能体的优化目标为:
S31、每个智能体受到的约束为:
λi(k|t)≥0,μi(k|t)≥0,λij(k|t)≥0,μij(k|t)≥0
其中,为包含原点的闭集,Ωi为末端集,dmin为安全距离,表示智能体i的初始状态,ξh,i(t)表示智能体i的在t时刻的状态,表示t时刻向前预测k步时智能体i的状态,表示t时刻向前预测k+1步即下一步的智能体i的状态,Τ表示采样时间,t∈Τ;fh(·,·)为头部标称模型中的非线性函数;表示t时刻向前预测N步时智能体i的头部位置;表示t时刻向前预测k步时智能体i的控制输入。
注意:为了实现分布控制的目的,在每个时刻t要求系统的通信拓扑图G=(V,E)是连通的。
步骤六、将步骤五中的最优控制输入应用于智能体,智能体获得执行轨迹并由初始位置运行至目标点附近。
为了更好的展示本发明的有效性,将本发明中的基于鲁棒分布式模型预测控制的多智能体避障及避碰方法应用到包含四个轮式机器人的多智能体系统,并考虑环境中有两个障碍物。下面给出求解优化问题需要用到的一些参数。
轮式机器人车身半径ρ=0.0267m,a=0.13m/s,b=a/ρ=4.8598rad/s,则轮式机器人的输入约束集可以确定。选取采样时间T=0.6s,安全距离dmin=1×10-4m,并令其中εi=0.0184。τ=1×10-4,预测时域设置为N=12。代价函数中的权重矩阵分别选取为:和给定关联矩阵i,j=1,2,3,4,如下所示:
两个障碍物的初始位置可以表示为:
每个智能体的初始状态为:
其期望位置分别为:
四个智能体的轨迹如图3所示,图中黑色矩形代表障碍物,每个智能体的起点位置和终点位置分别用三角形、圆形、正方形和五角星来区分。从图3可以看出,在本发明所提优化算法的控制下,所有智能体最终均能到达期望位置的小邻域内。
以智能体1为例,图4表示智能体1和其他智能体中心位置之间的距离随时间的变化趋势,虚线位置标注了各个智能体之间的安全距离2ρ。显然,智能体1与其他各个智能体之间的距离始终大于安全距离。由此可见智能体1在向目标点趋近的过程中完成了避碰。图5表示智能体1与障碍物的四个顶点之间的距离随时间t的变化趋势,虚线位置标注了智能体1与障碍物的安全距离ρ。可以看出智能体1未与障碍物发生碰撞。图6和图7分别表示各个智能体的控制输入及其控制输入约束满足情况。在图6中,实线表示各个智能体的线速度,虚线表示各个智能体的角速度。可以看出每个智能体的控制输入最后都趋向于零。而图7则表明了各个智能体的控制输入在整个预测时域内都满足输入约束。
以上的具体实施例仅描述了本发明的设计原理,该描述中的部件形状,名称可以不同,不受限制。所以,本发明领域的技术人员可以对前述实施例记载的技术方案进行修改或等同替换;而这些修改和替换未脱离本发明创造宗旨和技术方案,均应属于本发明的保护范围。
Claims (8)
1.一种多智能体避障及避碰方法,智能体运动过程中受到智能体约束,包括智能体之间的避碰约束和智能体与障碍物之间的避障约束,其特征在于,
设计多智能体系统中的每个智能体的假定状态轨迹和假定输入轨迹;根据邻居智能体的假定状态轨迹构造邻居智能体的多面体外近似,对所述避碰约束进行转化;
根据每个智能体自身的预测状态轨迹,构造每个智能体的多面体外近似,对所述避障约束进行转化;
基于转化后的避碰约束和避障约束,构建智能体的分布式模型预测控制框架,并求解得到智能体的最优控制输入,控制智能体运动。
2.如权利要求1所述的避障及避碰方法,其特征在于,
所述假定状态轨迹具体为:从当前时刻t向前预测的步次为0至N-1时,以上一时刻的最优状态轨迹为假定状态轨迹;从当前时刻t向前预测的步次为N时,用以末端控制器和上一时刻的最优状态轨迹为输入的非线性函数表示假定状态轨迹;
所述假定输入轨迹具体为:从当前时刻t向前预测的步次为0至N-2时,以上一时刻的最优控制输入轨迹为假定输入轨迹;从当前时刻t向前预测的步次为N-1时,以末端控制器表示假定输入轨迹;
其中,N为预测时域;t为采样时刻,t=0,1,2,…。
6.如权利要求1所述的避障及避碰方法,其特征在于,所述智能体约束还包括:初始状态约束、位置和输入约束、状态方程约束和末端约束。
8.如权利要求1-7任一所述的避障及避碰方法,其特征在于,所述分布式模型预测控制框架由转化后的避碰约束和避障约束、初始状态约束、位置和输入约束、状态方程约束、末端约束以及相容性约束构成;所述分布式模型预测控制框架用公式表示为:
λi(k|t)≥0,μi(k|t)≥0,λij(k|t)≥0,μij(k|t)≥0
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111007920.2A CN113608445A (zh) | 2021-08-27 | 2021-08-27 | 一种多智能体避障及避碰方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111007920.2A CN113608445A (zh) | 2021-08-27 | 2021-08-27 | 一种多智能体避障及避碰方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113608445A true CN113608445A (zh) | 2021-11-05 |
Family
ID=78309726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111007920.2A Pending CN113608445A (zh) | 2021-08-27 | 2021-08-27 | 一种多智能体避障及避碰方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113608445A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114296473A (zh) * | 2021-11-30 | 2022-04-08 | 北京航空航天大学 | 一种避免碰撞和通信中断的多智能体自适应编队控制方法 |
CN115453872A (zh) * | 2022-09-13 | 2022-12-09 | 四川大学 | 一种基于分布式随机模型预测的多智能体编队及避障方法 |
CN116700012A (zh) * | 2023-07-19 | 2023-09-05 | 合肥工业大学 | 一种多智能体的避撞编队合围控制器的设计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130325306A1 (en) * | 2012-06-01 | 2013-12-05 | Toyota Motor Eng. & Mftg. N. America, Inc. (TEMA) | Cooperative driving and collision avoidance by distributed receding horizon control |
CN104898659A (zh) * | 2015-03-11 | 2015-09-09 | 北京理工大学 | 一种基于模型预测的人机协同控制方法 |
CN109986554A (zh) * | 2019-01-21 | 2019-07-09 | 中国船舶重工集团公司第七一六研究所 | 一种工业机器人路径规划的几何最优控制方法 |
CN110320809A (zh) * | 2019-08-19 | 2019-10-11 | 杭州电子科技大学 | 一种基于模型预测控制的agv轨迹修正方法 |
CN112684781A (zh) * | 2020-12-21 | 2021-04-20 | 湖南大学 | 一种多智能体分布式模型预测控制方法及系统 |
-
2021
- 2021-08-27 CN CN202111007920.2A patent/CN113608445A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130325306A1 (en) * | 2012-06-01 | 2013-12-05 | Toyota Motor Eng. & Mftg. N. America, Inc. (TEMA) | Cooperative driving and collision avoidance by distributed receding horizon control |
CN104898659A (zh) * | 2015-03-11 | 2015-09-09 | 北京理工大学 | 一种基于模型预测的人机协同控制方法 |
CN109986554A (zh) * | 2019-01-21 | 2019-07-09 | 中国船舶重工集团公司第七一六研究所 | 一种工业机器人路径规划的几何最优控制方法 |
CN110320809A (zh) * | 2019-08-19 | 2019-10-11 | 杭州电子科技大学 | 一种基于模型预测控制的agv轨迹修正方法 |
CN112684781A (zh) * | 2020-12-21 | 2021-04-20 | 湖南大学 | 一种多智能体分布式模型预测控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
LI DAI 等: "Distributed MPC for formation of multi-agent systems with collision avoidance and obstacle avoidance", JOURNAL OF THE FRANKLIN INSTITUTE, pages 1 - 10 * |
YANYE HAO 等: "Robust MPC for Nonholonomic Robots with Moving Obstacle Avoidance", 2020 IEEE 16TH INTERNATIONAL CONFERENCE ON CONTROL & AUTOMATION (ICCA), pages 1494 - 1499 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114296473A (zh) * | 2021-11-30 | 2022-04-08 | 北京航空航天大学 | 一种避免碰撞和通信中断的多智能体自适应编队控制方法 |
CN115453872A (zh) * | 2022-09-13 | 2022-12-09 | 四川大学 | 一种基于分布式随机模型预测的多智能体编队及避障方法 |
CN116700012A (zh) * | 2023-07-19 | 2023-09-05 | 合肥工业大学 | 一种多智能体的避撞编队合围控制器的设计方法 |
CN116700012B (zh) * | 2023-07-19 | 2024-03-01 | 合肥工业大学 | 一种多智能体的避撞编队合围控制器的设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113608445A (zh) | 一种多智能体避障及避碰方法 | |
Ailon et al. | Control strategies for driving a group of nonholonomic kinematic mobile robots in formation along a time-parameterized path | |
CN110989526A (zh) | 一种双agv协同运载控制系统及方法 | |
CN110398967B (zh) | 一种采用离散化方法的多机器人协同轨迹信息处理方法 | |
CN110162046B (zh) | 基于事件触发型模型预测控制的无人车路径跟随方法 | |
Vargas et al. | MPC-based distributed formation control of multiple quadcopters with obstacle avoidance and connectivity maintenance | |
Tanaka et al. | Modeling and control of head raising snake robots by using kinematic redundancy | |
Tsai et al. | Distributed consensus formation control with collision and obstacle avoidance for uncertain networked omnidirectional multi-robot systems using fuzzy wavelet neural networks | |
CN115033016B (zh) | 一种异构无人集群编队避障方法及系统 | |
CN109978272A (zh) | 一种基于多个全向移动机器人的路径规划系统及方法 | |
Lashkari et al. | Development of a novel robust control method for formation of heterogeneous multiple mobile robots with autonomous docking capability | |
CN112947575A (zh) | 基于深度强化学习的无人机集群多目标搜索方法及系统 | |
Qijie et al. | A path planning algorithm based on RRT and SARSA (λ) in unknown and complex conditions | |
Sun et al. | A GNN for repetitive motion generation of four-wheel omnidirectional mobile manipulator with nonconvex bound constraints | |
Al-Kamil et al. | Optimizing path planning in mobile robot systems using motion capture technology | |
Li et al. | A model predictive obstacle avoidance method based on dynamic motion primitives and a Kalman filter | |
Chen et al. | Maddpg algorithm for coordinated welding of multiple robots | |
Tiong et al. | Autonomous valet parking with asynchronous advantage actor-critic proximal policy optimization | |
Saska et al. | Roads sweeping by unmanned multi-vehicle formations | |
Yang et al. | Novel decentralised formation control for unmanned vehicles | |
CN117055556A (zh) | 多机器人编队路径规划方法、装置、电子设备及存储介质 | |
CN107807534B (zh) | 一种多轮式机器人自适应协同控制算法及控制系统 | |
Kanjanawanishkul | Coordinated path following for mobile robots using a virtual structure strategy with model predictive control | |
CN114637301A (zh) | 基于最优仿射队形变换的多机器人动态避障装置及方法 | |
Khoukhi | An intelligent multi-agent system for mobile robots navigation and parking |
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 |