CN114115341A - 一种智能体集群协同运动方法及系统 - Google Patents

Abstract

本发明公开了一种智能体集群协同运动控制方法及系统，包括：将目标的位置坐标输入到预先构建的人工势场引力场模型，计算得到智能体集群目标引力和智能体集群的前置形心引力；将智能体集群的形心位置坐标，目标的位置坐标，以及障碍物到智能体集群形心的距离，输入到预先构建的人工势场斥力场模型，计算得到智能体集群与障碍物的斥力；根据智能体集群、智能体集群的目标点位置和障碍物位置确定对应智能体所受合力大小；根据计算出的智能体集群所受合力大小，确定行动路线，根据行动路线，智能体集群跟随虚拟领航者向目标移动。优点：在势场内引入前置形心后，有效避免智能体集群陷入局部最小值，增强智能体集群的控制能力，可以更有效的追踪目标。

Description

一种智能体集群协同运动方法及系统

技术领域

本发明涉及一种智能体集群协同运动方法及系统，属于人工智能技术领域。

背景技术

随着人工智能等信息技术的快速发展，无人机群系统也得到了快速的发展，作为集群智能涌现载体的集群系统，这样的以队形控制为基础的多机器人系统在很多的军事和民用领域都得到了很广泛的应用。目前的机器人技术水平，单体机器人在信息的获取、处理及执行能力等方面都是有限的。对于复杂的工作任务及多变的工作环境，单体机器人的能力更显不足，于是我们考虑通过多机器人的协调与协作来完成单体机器人无法或难以完成的工作，多机器人协调系统比单体机器人具有更强的优越性。

人工势场算法的优点是原理和实现也是相对简单，缺点是在实现的时候，整个势场中有可能会有力的局部最小点，如果出现的话就会使得造成干扰使整个编队任务失败。另为，整个算法在设计势场的时候没有把其他机器人考虑进去，如果机器人之间容易发生碰撞的情况，也会导致编队任务失败。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种智能体集群协同运动方法及系统。

为解决上述技术问题，本发明提供一种智能体集群协同运动控制方法，包括：

获取智能体集群的形心位置坐标

目标的位置坐标(x₀,y₀)以及障碍物到智能体集群形心的距离C；

将目标的位置坐标(x₀,y₀)输入到预先构建的人工势场引力场模型，计算得到智能体集群目标引力和智能体集群的前置形心引力；所述前置形心引力，表示智能体集群形心位置向目标点方向固定步长的点，用于当目标引力和障碍物斥力相等时，作为另一引力源，打破智能体集群的受力平衡，避免陷入局部最优解；

将智能体集群的形心位置坐标

目标的位置坐标(x₀,y₀)，以及障碍物到智能体集群形心的距离C，输入到预先构建的人工势场斥力场模型，计算得到智能体集群与障碍物的斥力；

根据智能体集群目标引力、智能体集群的前置形心引力和智能体集群与障碍物的斥力之和确定对应智能体所受合力大小；

根据计算出的智能体集群所受合力大小，确定行动路线，根据行动路线，智能体集群跟随虚拟领航者向目标移动。

进一步的，所述人工势场引力场模型，表达如下：

智能体集群目标引力表示为：

式中，F_o表示智能体集群目标引力，

表示人工势场的引力场函数，k表示增益系数，k＞0，

表示智能体集群形心的坐标，x₀、y₀表示目标点的坐标；

人工势场的引力场函数的表达式为：

所述智能体集群的前置形心引力表示为：

式中，F_c表示智能体集群的前置形心引力，x_c、y_c表示前置形心的坐标。

进一步的，所述人工势场斥力场模型，表达式为：

式中，F_b表示智能体集群与障碍物的斥力，η表示斥力增益函数，f(x,y)表示智能体集群形心与障碍物之间的距离，C表示单位距离。

进一步的，所述智能体所受合力大小的表达式为：

F_s＝F_c+F_o+F_b

式中，F_o表示智能体集群目标引力，F_c表示智能体集群的前置形心引力，F_b表示智能体集群与障碍物的斥力。

一种智能体集群协同运动控制系统，包括：

获取模块，用于获取智能体集群的形心位置坐标

目标的位置坐标(x₀,y₀)以及障碍物到智能体集群形心的距离C；

第一计算模块，用于将目标的位置坐标(x₀,y₀)输入到预先构建的人工势场引力场模型，计算得到智能体集群目标引力和智能体集群的前置形心引力；所述前置形心引力，表示智能体集群形心位置向目标点方向固定步长的点，用于当目标引力和障碍物斥力相等时，作为另一引力源，打破智能体集群的受力平衡，避免陷入局部最优解；

第二计算模块，用于将智能体集群的形心位置坐标

目标的位置坐标(x₀,y₀)，以及障碍物到智能体集群形心的距离C，输入到预先构建的人工势场斥力场模型，计算得到智能体集群与障碍物的斥力；

第一确定模块，用于根据智能体集群目标引力、智能体集群的前置形心引力和智能体集群与障碍物的斥力之和确定对应智能体所受合力大小；

第二确定模块，用于根据计算出的智能体集群所受合力大小，确定行动路线，根据行动路线，智能体集群跟随虚拟领航者向目标移动。

进一步的，所述人工势场引力场模型，表达如下：

智能体集群目标引力表示为：

式中，F_o表示智能体集群目标引力，

表示人工势场的引力场函数，k表示增益系数，k＞0，

表示智能体集群形心的坐标，x₀、y₀表示目标点的坐标；

人工势场的引力场函数的表达式为：

所述智能体集群的前置形心引力表示为：

式中，F_c表示智能体集群的前置形心引力，x_c、y_c表示前置形心的坐标。

进一步的，所述人工势场斥力场模型，表达式为：

式中，F_b表示智能体集群与障碍物的斥力，η表示斥力增益函数，f(x,y)表示智能体集群形心与障碍物之间的距离，C表示单位距离。

进一步的，所述智能体所受合力大小的表达式为：

F_s＝F_c+F_o+F_b

式中，F_o表示智能体集群目标引力，F_c表示智能体集群的前置形心引力，F_b表示智能体集群与障碍物的斥力。

一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。

一种计算设备，其特征在于，包括，

一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。

本发明所达到的有益效果：

本发明在势场内引入前置形心后，有效避免智能体集群陷入局部最小值，增强智能体集群的控制能力，相比于传统的人工势场法，在整体移动和避障性能等方面都有很大的提升，可以更有效的追踪目标。

附图说明

图1是本发明的仿真流程示意图；

图2是人工势场法的简单示意图；

图3是前置形心的简单示意图；

图4是Matlab仿真实验结果。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种智能体集群协同运动方法，包括如下步骤：

1.搭建多智能体环境。

本实施例中智能体所处的环境为envs智能体的环境，环境中包含了N个智能体，N个智能体所采取的行为策略定义为集合π，π＝{π₁,π₂…π_N}，各个策略由神经网络表示。同样的，定义a＝{a₁,a₂…a_N}为智能体行为动作的集合，S＝{S₁,S₂…S_N}是智能体所处状态的集合，所有智能体的参数集合定义为θ＝{θ₁,θ₂…θ_N}。算法在以下约束条件下运行：

1)学习的策略在执行时只能使用本地信息，即它们自己的观察结果，与其他智能体的观察结果无关；

2)无需知道环境的可微分动力学模型，环境是未知的，自身的行为仅仅取决于策略；

3)忽略智能体之间的通信方法，不对智能体之间的可区分的通信渠道进行假设。

满足上述条件后，算法的通用性将大大提升，将适用于在含有确定的通信方式下的竞争、合作博弈。

2.确定人工势场算法以及引力源参数

如图3所示，设计一个新的势场函数，增设一个前置形心作为新的引力源。前置形心为机器人机群形心位置向目标点方向固定步长的点，在融合虚拟领航者方法，以虚拟领航者带领无人集群系统向目标点移动。目标点对该前置点的引力归一化后的方向作为前置形心前进的目标方向

前置函数为：

前置形心的计算公式为：

其中，P_f为前置形心向目标点前进的方向矢量，(x_c,y_c)为前置形心的坐标位置，

为机器人集群的形心坐标，L为固定步长。在机器人运动过程中，前置形心可以穿越障碍物，并且在障碍物中对机器人也有引力作用。

3.计算目标点的引力

如图2所示，人工势场的引力场函数为：

人工势场的引力为：

其中，k为增益系数，k＞0。

先通过机器人的参数，以机器人为例：将改进人工势能融合算法加载到机器人系统决策模块中，机器人通过摄像机、红外测距传感器、超声波传感器、激光器等机电元器件来获得障碍物和目标的的位置坐标、朝向角、速度、周围障碍物位置坐标、机器人所属队伍以及各自编号。由收集的数据算出智能体集群的形心坐标，进一步计算出引力势能大小，再根据梯度公式计算出引力大小。

4.计算前置形心引力源的引力

前置形心引力势能函数为：

前置形心引力为：

有上述计算出引力大小后，根据引力源距无人集群系统形心的固定距离算出前置形心的引力势能，再根据梯度公式计算出前置形心的引力大小。

5.计算障碍物及其他机器人间的斥力之和

人工势场的斥力场函数为：

其中，η为斥力增益函数。

人工势场的斥力为：

由上述计算出引力大小及前置形心引力大小后，首先判断无人集群系统与障碍物的距离是否在斥力的作用范围之内，若不在，则斥力为零；若在斥力的作用范围之内，则由收集的数据算出斥力势能大小，再根据梯度公式计算出斥力大小。

6.计算合力

人工势场函数为：

U_s(x)＝U_c(x)+U_o(x)+U_b(x)

机器人所受合力为：

F_s＝F_c+F_o+F_b

其中前置形心引力势能函数为U_c(x)，引力场势能函数为U_o(x)，斥力场势能函数为U_b(x)。

由上述计算出引力及前置形心引力、及斥力后，根据公式计算出无人集群系统收到的合力大小。

7.做出决策，确定路线

根据计算出的合力大小，智能体集群由虚拟领航者确定移动方向和移动速度，避开障碍物，使得智能体集群系统向目标点移动。

8.完成位移，到达目标点

当无人集群系统与目标点的距离误差在作用范围之内，则完成位移，到达目标点，任务完成。

相应的本发明还提供一种智能体集群协同运动控制系统，包括：

获取模块，用于获取智能体集群的形心位置坐标

目标的位置坐标(x₀,y₀)以及障碍物到智能体集群形心的距离C；

第一计算模块，用于将目标的位置坐标(x₀,y₀)输入到预先构建的人工势场引力场模型，计算得到智能体集群目标引力和智能体集群的前置形心引力；所述前置形心引力，表示智能体集群形心位置向目标点方向固定步长的点，用于当目标引力和障碍物斥力相等时，作为另一引力源，打破智能体集群的受力平衡，避免陷入局部最优解；

第二计算模块，用于将智能体集群的形心位置坐标

目标的位置坐标(x₀,y₀)，以及障碍物到智能体集群形心的距离C，输入到预先构建的人工势场斥力场模型，计算得到智能体集群与障碍物的斥力；

第一确定模块，用于根据智能体集群目标引力、智能体集群的前置形心引力和智能体集群与障碍物的斥力之和确定对应智能体所受合力大小；

第二确定模块，用于根据计算出的智能体集群所受合力大小，确定行动路线，根据行动路线，智能体集群跟随虚拟领航者向目标移动。

所述人工势场引力场模型，表达如下：

智能体集群目标引力表示为：

式中，F_o表示智能体集群目标引力，

表示人工势场的引力场函数，k表示增益系数，k＞0，

表示智能体集群形心的坐标，x₀、y₀表示目标点的坐标；

人工势场的引力场函数的表达式为：

所述智能体集群的前置形心引力表示为：

式中，F_c表示智能体集群的前置形心引力，x_c、y_c表示前置形心的坐标。

所述人工势场斥力场模型，表达式为：

式中，F_b表示智能体集群与障碍物的斥力，η表示斥力增益函数，f(x,y)表示智能体集群形心与障碍物之间的距离，C表示单位距离。

所述智能体所受合力大小的表达式为：

F_s＝F_c+F_o+F_b

式中，F_o表示智能体集群目标引力，F_c表示智能体集群的前置形心引力，F_b表示智能体集群与障碍物的斥力。

一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。

一种计算设备，包括，

一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。

仿真实验：

为了验证改进方法的可行性，在MATLAB上进行算法的仿真实验。实验设置如下：机器人10个，障碍物4个，终点1个。附图4为仿真结果，如附图4所示10个机器人组成集群从起点出发，使用本发明的方法能够规划出合适路径并成功躲避障碍物，到达终点。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种智能体集群协同运动控制方法，其特征在于，包括：

获取智能体集群的形心位置坐标

目标的位置坐标(x₀,y₀)以及障碍物到智能体集群形心的距离C；

将目标的位置坐标(x₀,y₀)输入到预先构建的人工势场引力场模型，计算得到智能体集群目标引力和智能体集群的前置形心引力；所述前置形心引力，表示智能体集群形心位置向目标点方向固定步长的点，用于当目标引力和障碍物斥力相等时，作为另一引力源，打破智能体集群的受力平衡，避免陷入局部最优解；

将智能体集群的形心位置坐标

目标的位置坐标(x₀,y₀)，以及障碍物到智能体集群形心的距离C，输入到预先构建的人工势场斥力场模型，计算得到智能体集群与障碍物的斥力；

根据智能体集群、智能体集群的目标点位置和障碍物位置确定对应智能体所受合力大小；

根据计算出的智能体集群所受合力大小，确定行动路线，根据行动路线，智能体集群跟随虚拟领航者向目标移动。

2.根据权利要求1所述的智能体集群协同运动控制方法，其特征在于，所述人工势场引力场模型，表达如下：

智能体集群目标引力表示为：

式中，F_o表示智能体集群目标引力，

表示人工势场的引力场函数，k表示增益系数，k＞0，

表示智能体集群形心的坐标，x₀、y₀表示目标点的坐标；

人工势场的引力场函数的表达式为：

所述智能体集群的前置形心引力表示为：

式中，F_c表示智能体集群的前置形心引力，x_c、y_c表示前置形心的坐标。

3.根据权利要求1所述的智能体集群协同运动控制方法，其特征在于，所述人工势场斥力场模型，表达式为：

式中，F_b表示智能体集群与障碍物的斥力，η表示斥力增益函数，f(x,y)表示智能体集群形心与障碍物之间的距离，C表示单位距离。

4.根据权利要求1所述的智能体集群协同运动控制方法，其特征在于，所述智能体所受合力大小的表达式为：

F_s＝F_c+F_o+F_b

式中，F_o表示智能体集群目标引力，F_c表示智能体集群的前置形心引力，F_b表示智能体集群与障碍物的斥力。

5.一种智能体集群协同运动控制系统，其特征在于，包括：

获取模块，用于获取智能体集群的形心位置坐标

目标的位置坐标(x₀,y₀)以及障碍物到智能体集群形心的距离C；

第一计算模块，用于将目标的位置坐标(x₀,y₀)输入到预先构建的人工势场引力场模型，计算得到智能体集群目标引力和智能体集群的前置形心引力；所述前置形心引力，表示智能体集群形心位置向目标点方向固定步长的点，用于当目标引力和障碍物斥力相等时，作为另一引力源，打破智能体集群的受力平衡，避免陷入局部最优解；

第二计算模块，用于将智能体集群的形心位置坐标

目标的位置坐标(x₀,y₀)，以及障碍物到智能体集群形心的距离C，输入到预先构建的人工势场斥力场模型，计算得到智能体集群与障碍物的斥力；

第一确定模块，用于根据智能体集群目标引力、智能体集群的前置形心引力和智能体集群与障碍物的斥力之和确定对应智能体所受合力大小；

第二确定模块，用于根据计算出的智能体集群所受合力大小，确定行动路线，根据行动路线，智能体集群跟随虚拟领航者向目标移动。

6.根据权利要求5所述的智能体集群协同运动控制系统，其特征在于，所述人工势场引力场模型，表达如下：

智能体集群目标引力表示为：

式中，F_o表示智能体集群目标引力，

表示人工势场的引力场函数，k表示增益系数，k＞0，

表示智能体集群形心的坐标，x₀、y₀表示目标点的坐标；

人工势场的引力场函数的表达式为：

所述智能体集群的前置形心引力表示为：

式中，F_c表示智能体集群的前置形心引力，x_c、y_c表示前置形心的坐标。

7.根据权利要求5所述的智能体集群协同运动控制系统，其特征在于，所述人工势场斥力场模型，表达式为：

式中，F_b表示智能体集群与障碍物的斥力，η表示斥力增益函数，f(x,y)表示智能体集群形心与障碍物之间的距离，C表示单位距离。

8.根据权利要求5所述的智能体集群协同运动控制系统，其特征在于，所述智能体所受合力大小的表达式为：

F_s＝F_c+F_o+F_b

式中，F_o表示智能体集群目标引力，F_c表示智能体集群的前置形心引力，F_b表示智能体集群与障碍物的斥力。

9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至4所述的方法中的任一方法。

10.一种计算设备，其特征在于，包括，

一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至4所述的方法中的任一方法的指令。

Images