CN114578827B - 一种分布式多智能体协同全覆盖路径规划方法 - Google Patents

一种分布式多智能体协同全覆盖路径规划方法 Download PDF

Info

Publication number
CN114578827B
CN114578827B CN202210288516.5A CN202210288516A CN114578827B CN 114578827 B CN114578827 B CN 114578827B CN 202210288516 A CN202210288516 A CN 202210288516A CN 114578827 B CN114578827 B CN 114578827B
Authority
CN
China
Prior art keywords
grid
agent
intelligent
intelligent agent
agents
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.)
Active
Application number
CN202210288516.5A
Other languages
English (en)
Other versions
CN114578827A (zh
Inventor
张佳
董启辰
辛斌
陈杰
曹志强
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202210288516.5A priority Critical patent/CN114578827B/zh
Publication of CN114578827A publication Critical patent/CN114578827A/zh
Application granted granted Critical
Publication of CN114578827B publication Critical patent/CN114578827B/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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • 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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • 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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供了一种分布式多智能体协同全覆盖路径规划方法，能够实现对包含障碍物的未知环境区域的完全覆盖，提高协同覆盖效果。本发明提供的方法针对水下探测、震后救援等未知环境情形，考虑智能体避障避碰、能量供给有限、通信范围受限等多种复杂约束条件，采用分布式多智能体组织架构，利用启发式运动规划策略，结合自身感知与相互通信两种途径所得到的信息进行运动路径规划，可以避免智能体间覆盖路径点相同时的冲突，实现高效协作，降低遍历重叠度，提高路径规划效率，具有良好的实时性、可拓展性和鲁棒性，为未知环境下多智能体协同完成全覆盖任务提供了有效的解决方法。

Description

一种分布式多智能体协同全覆盖路径规划方法
技术领域
本发明涉及多智能体路径规划技术领域，具体涉及一种分布式多智能体协同全覆盖路径规划方法。
背景技术
多智能体协同全覆盖路径规划问题是指在满足某些约束条件(如避障避碰)的前提下，多个智能体相互协作确定自身运动路径，通过物理接触或传感器感知等探测方式遍历目标环境区域，并尽可能地满足覆盖时间短、重复路径少等优化目标。
目前较为普遍的解决方案是采用分而治之的策略，通过元胞分解方法将待覆盖区域划分成精确或近似的网格单元(子区域)，再结合不同的协作策略利用遗传算法、神经网络、蚁群算法等路径规划方法进行求解。然而目前大多数研究都是针对已知环境、采用集中式方法作为解决方案，而对环境未知的情况考虑较少。但面向实际复杂情境时，环境通常是未知的，多智能体需要在满足能量供给有限、通信范围受限等约束条件的基础上，相互协作规划出各自最优的避障避碰的区域覆盖路径。同时，由于环境的不确定性及突发事件的偶然性，多智能体系统应支持智能体的随时加入或退出。这种情况下，集中式多智能体路径规划方法不再适用。
发明内容
有鉴于此，本发明提供了一种分布式多智能体协同全覆盖路径规划方法，能够实现对包含障碍物的未知环境区域的完全覆盖，提高协同覆盖效果。
为实现上述目的，本发明的一种分布式多智能体协同全覆盖路径规划方法，包括以下步骤：
步骤1、根据给定的目标区域地图与各个智能体及其传感器的参数配置信息，对地图进行栅格化处理并确定智能体的初始位置、运动能力、运行功率、感知能力以及通信范围，实现对目标区域地图、智能体及其传感器模型的初始化；
步骤2、各个智能体相互协作，通过通信机制交换信息，规划自身运动路径，对目标区域地图进行覆盖；其中，每个智能体路径规划过程的具体步骤如下：
步骤2.1、智能体发出通信请求，与自身可通信的邻居智能体交换信息并进行数据融合，更新自身状态信息并判断覆盖任务执行情况；
步骤2.2、智能体根据现有信息判断自身是否满足续航条件和避碰要求，并结合轨迹预测结果针对不同情形采用启发式策略进行运动规划，锁定与其他智能体路径无冲突且能量消耗最小的栅格为目标栅格；
步骤2.3、智能体根据运动规划结果预测自身下一时刻状态，再次进行运动规划并对目标栅格进行预订作为轨迹预测的结果；
步骤2.4、智能体执行运动规划结果，运动至目标栅格并更新状态信息；
步骤2.5、智能体重复执行步骤2.1至步骤2.4，直到目标区域地图被完全覆盖后，返回基站，结束自身覆盖任务；
步骤3、等待全部智能体完成自身覆盖任务并返回基站，判定多智能体对目标区域的协同全覆盖任务完成。
其中，所述步骤1中，目标区域环境为未知环境，智能体通过传感器感知周围环境，从而覆盖目标区域环境中所有的可达区域。
其中，所述步骤1中，每个智能体根据给定的技术参数，确定自身的初始位置、运动速度、电池容量、不同运动状态的运行功率及不同动作的能量消耗；栅格地图中智能体的运动规则根据栅格形状特点进行定义。
其中，所述步骤1中，每个智能体均配备有GPS定位传感器、激光雷达以及深度相机，确保自身定位的准确性并实现智能体对环境的探测和相互间的通信；激光雷达的扫描范围、深度相机的测量范围和智能体间的通信范围均是以自身为中心的圆形区域。
其中，所述步骤1中，以智能体深度相机的测量半径的
Figure BDA0003559234890000031
倍为边长对目标区域地图进行栅格化，并定义四种栅格的状态，分别为已覆盖的、未覆盖的、障碍物占据的和被其他智能体占用的；栅格化处理后的地图用环境状态矩阵进行表示。
其中，所述步骤2.1中，智能体可与其他处于通讯范围内的智能体或基站进行通信并更新自身的环境状态矩阵；通信内容包括环境状态矩阵以及智能体占用的栅格。
其中，所述栅格为正方形栅格，智能体能够向周围的八个方向运动或者停止于原地，所述八个方向是：上，下，左，右，左上，左下，右上，右下；所述步骤2.2的具体步骤如下：
根据自身剩余电量判断智能体是否满足续航条件；当且仅当智能体满足续航条件时，才能继续后续操作；否则紧急返回基站补充电量，并结束本次运动规划；
根据自身运动状况与周围智能体信息判断智能体是否满足避碰要求，若满足则继续后续操作，否则于原地停止运动并结束本次运动规划；
根据自身运动状况与上一时刻轨迹预测情况判断智能体轨迹预测是否准确，若准确则将轨迹预测结果作为本次运动规划结果；否则继续后续操作；
智能体对8个运动方向上的临近栅格按照距离大小进行分组，其中属于同一组的栅格由相同序号进行标识；序号越大表示距离越大；
智能体根据现有的知识，在最小序号对应的栅格集中寻找未被覆盖的、未被其他智能体占用的有效栅格，并将其存储至预选集；如果没有找到，则不断扩大寻找的栅格集序号，直至找到有效栅格为止；
判断预选集中的有效栅格与智能体的速度方向的关系；若存在与智能体当前速度方向相差在90°以内的有效栅格，则寻找其中能量消耗最小的栅格，利用A*算法进行路径规划，并锁定路径中与自身相邻的栅格为下一时刻的目标栅格；否则使栅格集序号增大，直到寻找到与目前智能体速度方向相差在90°以内的有效栅格并存储至预选集，再寻找其中能量消耗最小的栅格进行路径规划。若能量消耗最小的栅格不止一个，则锁定未知度较大方向上的栅格。
其中，所述步骤2.5中，智能体在返回基站的过程中，通知沿途遇到可通信的其他智能体目标区域地图已被完全覆盖，可进行返航。
有益效果
本发明在考虑避障避碰、能量供给有限、通信范围受限等约束条件的前提下，多个智能体根据协作策略及相应规则规划出能够快速遍历目标区域且重复率较低的路径，从而实现对包含障碍物的未知环境区域的完全覆盖，提高协同覆盖效果，贴合复杂情境中目标区域环境未知与智能体通信、避障、能量供给等多方面受限的真实情况，实用性强。
本发明采用分布式的多智能体组织架构实现多智能体协同，每个智能体独立决策规划各自覆盖路径，具有良好的实时性、可拓展性和鲁棒性；智能体间可在一定条件下相互通信交换信息，在运动规划阶段避免覆盖路径的重复与冲突，从而减少无效路径，提高覆盖效率。
本发明采用了启发式运动规划策略，智能体根据通信后的已知信息优先选择距离近、能量消耗小、没有被其他智能体占用的未探索区域进行覆盖，减少转弯次数的同时，实现智能体间相互避碰与高效协作，从而降低遍历重叠度，提升协同覆盖效果，提高路径规划效率。
附图说明
图1为本发明提供的分布式多智能体协同全覆盖路径规划方法流程图。
图2为本发明智能体传感器有效范围示意图。
图3为本发明智能体栅格地图中的运动方向示意图。
图4为本发明智能体划分不同栅格集合示意图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供了一种分布式多智能体协同全覆盖路径规划方法，在满足智能体避障避碰、能量供给有限、通信范围受限等条件下，采用多智能体协同的方式实现对目标区域的完全覆盖；目标区域环境为未知环境，即障碍物区域、覆盖过的区域、未覆盖的区域起初都是未知的；智能体利用传感器感知周围环境，并通过通讯设备与周围智能体进行数据交换，整合两部分信息来进行运动规划从而实现覆盖路径的优化。
如图1所示，本发明的一种分布式多智能体协同全覆盖路径规划方法，包括如下步骤：
步骤1、根据给定的目标区域地图与智能体及其传感器的参数配置信息，对地图进行栅格化处理并确定智能体的初始位置、运动能力、运行功率、感知能力和通信范围，实现模型初始化，具体包含以下内容：
智能体传感器初始化：每个智能体均配备有GPS定位传感器、深度相机、激光雷达等传感器设备，确保自身定位的准确性并实现智能体对环境的探测和相互间的通信；深度相机的测量范围、激光雷达的扫描范围和智能体间的通信范围均是以自身为中心的圆形区域，如图2所示；其中，激光雷达的扫描半径为Rs，深度相机的测量半径为Re，智能体的通信半径为Rc，三者的大小关系为Re<Rs<Rc。
栅格地图初始化：目标区域环境为未知环境，即静态障碍物、覆盖过的区域、未覆盖的区域起初都是未知的，智能体通过传感器感知周围环境，从而覆盖目标区域环境中所有的可达区域。以智能体深度相机的测量半径的
Figure BDA0003559234890000063
倍为边长对目标区域地图进行栅格化，并定义四种栅格的状态，分别为已覆盖的、未覆盖的、障碍物占据的和被其他智能体占用的；栅格化处理后的地图用环境状态矩阵Si表示，如式(1)所示。实施例中以正方形为例进行栅格化处理。
Figure BDA0003559234890000061
其中，
Figure BDA0003559234890000062
对于栅格(j,k)，当且仅当其完全位于智能体的扫描、测量或通信范围内时，才能认为该智能体可扫描、探测该栅格或与该栅格内的智能体通信；当障碍物有部分位于栅格(j,k)中，即可认为该栅格为建筑物占据。
智能体运动模型初始化：每个智能体将根据给定的技术参数，确定自身的初始位置、运动速度、电池容量、不同运动状态的运行功率及不同动作的能量消耗等信息。栅格地图中智能体的运动规则根据栅格形状特点进行定义；在该实施例中，每个智能体能够向周围的八个方向运动或者停止于原地，所述八个方向为上(U)、下(D)、左(L)、右(R)、左上(UL)、左下(DL)、右上(UR)和右下(DR)，如图3所示。
步骤2、各个智能体相互协作，通过通信机制交换信息，规划自身运动路径，对目标区域地图进行覆盖；其中，每个智能体路径规划过程的具体步骤如下：
步骤2.1、智能体发出通信请求，与自身可通信(处于通讯范围内)的邻居智能体交换信息并进行数据融合，更新自身状态信息并判断覆盖任务执行情况，如果环境状态矩阵中不存在为0的元素，则判定目标区域被全部覆盖，否则继续执行后续步骤。
智能体间的通信内容包括智能体的环境状态矩阵、当前位置和下一时刻运动状态等信息；智能体还可与基站进行通信，每次返航都会向基站报告自身的环境状态矩阵，并得到基站根据各智能体的信息多次整合后形成的最新全图状态矩阵S；由于智能体续航时间受电量Q的限制，基站在任意Q/Pmin时间间隔(Pmin为智能体最小运行功率)内一定会收到同一智能体的多次消息，否则视为智能体故障。通信内容包括环境状态矩阵、智能体占用的栅格等信息。
步骤2.2、智能体根据现有信息判断自身是否满足续航条件和避碰要求，并结合轨迹预测结果针对不同情形采用启发式策略进行运动规划，锁定与其他智能体路径无冲突且能量消耗最小的栅格为目标栅格，具体包含以下步骤：
步骤2.2.1，智能体根据自身剩余电量判断智能体是否满足续航条件(电量约束)；当且仅当智能体满足续航条件时，才能继续以下操作；否则紧急返回基站补充电量，并结束本次运动规划。
其中，续航条件是指智能体需在自身携带的电量Q耗尽前返回基站进行电池的更换，而后根据需要决定是否再次出航；覆盖过程中，智能体保持或改变运动状态都对应着一定的能量消耗，包括匀速运动、加速减速、改变方向、保持停止，因而在t时刻，当且仅当智能体所剩电量Qt大于返程预计所耗电量Wt与安全阈值电量Qs之和，才能继续执行后续步骤，具体如下：
Qt＞Wt+Qs
步骤2.2.2，智能体根据自身运动状况与周围智能体信息判断自身是否满足避碰要求，若满足则继续以下操作，否则于原地停止运动并结束本次运动规划。
其中，避障要求是指每个栅格允许存在多个智能体，但仅允许存在一个运动着的智能体(其余智能体需保持停止)；在覆盖过程中若出现多个智能体相遇于同一栅格的情况，则使后进入该栅格的智能体保持停止，先进入的智能体优先通过。
步骤2.2.3，智能体判断自身运动状态和已知环境信息与上一时刻轨迹预测的是否一致，若一致则将轨迹预测结果作为本次运动规划结果；否则继续以下操作；
步骤2.2.4，智能体对8个运动方向上的临近栅格按照距离大小进行分组，其中属于同一组的栅格由相同序号D进行标识；如D＝1的集合对应于与智能体当前所在位置直接相邻且距离最近的栅格，如图4所示；栅格集序号越大表示距离越大。
步骤2.2.5，智能体根据现有的知识，在序号D＝1对应的栅格集中寻找未被覆盖的、未被其他智能体占用的有效栅格，并将其存储至预选集；如果没有找到，则不断扩大寻找的栅格集序号，直至找到有效栅格为止；
步骤2.2.6，判断预选集中的有效栅格与智能体的速度方向的关系；若存在与智能体当前速度方向相差在90°以内的有效栅格(图4中白色区域内的栅格)，则寻找其中能量消耗最小的栅格，利用A*算法进行路径规划，并锁定路径中与自身相邻的栅格为下一时刻的目标栅格；否则使栅格集序号增大，直到寻找到与目前智能体速度方向相差在90°以内的有效栅格并存储至预选集，再寻找其中能量消耗最小的栅格进行路径规划。若能量消耗最小的栅格不止一个，则锁定未知度较大方向上的栅格。
步骤2.3、智能体根据运动规划结果预测自身运动到目标栅格后的状态，再次进行运动规划并对目标栅格进行预订；预订的栅格即为轨迹预测的结果。
步骤2.4、智能体执行运动规划结果，运动至目标栅格并更新状态信息；
步骤2.5、智能体重复执行步骤2.1至步骤2.4，直到步骤2.1中判定目标区域地图已被完全覆盖后，智能体利用A*算法进行返航路径规划，返回基站，结束自身覆盖任务；在返回基站的过程中，智能体会通知沿途遇到的(可通信的)其他智能体目标区域地图已被完全覆盖，可进行返航。
步骤3、等待全部智能体完成自身覆盖任务并返回基站，判定多智能体对目标区域的协同全覆盖任务完成。
本发明所提供的方法针对未知环境中的多智能体协同全覆盖任务，结合实际环境情形，考虑多种复杂约束条件，采用分布式的多智能体组织架构，利用启发式的运动规划策略，实现了多智能体间的冲突消解与高效协作，降低了遍历重叠度，提高了路径规划效率，具有良好的实时性、可拓展性和鲁棒性。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种分布式多智能体协同全覆盖路径规划方法，其特征在于，包括以下步骤：
步骤1、根据给定的目标区域地图与各个智能体及其传感器的参数配置信息，对地图进行栅格化处理并确定智能体的初始位置、运动能力、运行功率、感知能力以及通信范围，实现对目标区域地图、智能体及其传感器模型的初始化；
步骤2、各个智能体相互协作，通过通信机制交换信息，规划自身运动路径，对目标区域地图进行覆盖；其中，每个智能体路径规划过程的具体步骤如下：
步骤2.1、智能体发出通信请求，与自身可通信的邻居智能体交换信息并进行数据融合，更新自身状态信息并判断覆盖任务执行情况；
步骤2.2、智能体根据现有信息判断自身是否满足续航条件和避碰要求，并结合轨迹预测结果针对不同情形采用启发式策略进行运动规划，锁定与其他智能体路径无冲突且能量消耗最小的栅格为目标栅格；
步骤2.3、智能体根据运动规划结果预测自身下一时刻状态，再次进行运动规划并对目标栅格进行预订作为轨迹预测的结果；
步骤2.4、智能体执行运动规划结果，运动至目标栅格并更新状态信息；
步骤2.5、智能体重复执行步骤2.1至步骤2.4，直到目标区域地图被完全覆盖后，返回基站，结束自身覆盖任务；
步骤3、等待全部智能体完成自身覆盖任务并返回基站，判定多智能体对目标区域的协同全覆盖任务完成；
所述栅格为正方形栅格，智能体能够向周围的八个方向运动或者停止于原地，所述八个方向是：上，下，左，右，左上，左下，右上，右下；
所述步骤2.2的具体步骤如下：
根据自身剩余电量判断智能体是否满足续航条件；当且仅当智能体满足续航条件时，才能继续后续操作；否则紧急返回基站补充电量，并结束本次运动规划；
根据自身运动状况与周围智能体信息判断智能体是否满足避碰要求，若满足则继续后续操作，否则于原地停止运动并结束本次运动规划；
根据自身运动状况与上一时刻轨迹预测情况判断智能体轨迹预测是否准确，若准确则将轨迹预测结果作为本次运动规划结果；否则继续后续操作；
智能体对8个运动方向上的临近栅格按照距离大小进行分组，其中属于同一组的栅格由相同序号进行标识；序号越大表示距离越大；
智能体根据现有的知识，在最小序号对应的栅格集中寻找未被覆盖的、未被其他智能体占用的有效栅格，并将其存储至预选集；如果没有找到，则不断扩大寻找的栅格集序号，直至找到有效栅格为止；
判断预选集中的有效栅格与智能体的速度方向的关系；若存在与智能体当前速度方向相差在90°以内的有效栅格，则寻找其中能量消耗最小的栅格，利用A*算法进行路径规划，并锁定路径中与自身相邻的栅格为下一时刻的目标栅格；否则使栅格集序号增大，直到寻找到与目前智能体速度方向相差在90°以内的有效栅格并存储至预选集，再寻找其中能量消耗最小的栅格进行路径规划；若能量消耗最小的栅格不止一个，则锁定未知度较大方向上的栅格。
2.如权利要求1所述的方法，其特征在于，所述步骤1中，目标区域环境为未知环境，智能体通过传感器感知周围环境，从而覆盖目标区域环境中所有的可达区域。
3.如权利要求1所述的方法，所述步骤1中，每个智能体根据给定的技术参数，确定自身的初始位置、运动速度、电池容量、不同运动状态的运行功率及不同动作的能量消耗；栅格地图中智能体的运动规则根据栅格形状特点进行定义。
4.根据权利要求1所述的方法，其特征在于，所述步骤1中，每个智能体均配备有GPS定位传感器、激光雷达以及深度相机，确保自身定位的准确性并实现智能体对环境的探测和相互间的通信；激光雷达的扫描范围、深度相机的测量范围和智能体间的通信范围均是以自身为中心的圆形区域。
5.根据权利要求1所述的方法，其特征在于，所述步骤1中，以智能体深度相机的测量半径的
Figure FDA0003945692320000031
倍为边长对目标区域地图进行栅格化，并定义四种栅格的状态，分别为已覆盖的、未覆盖的、障碍物占据的和被其他智能体占用的；栅格化处理后的地图用环境状态矩阵进行表示。
6.根据权利要求1-5任意一项所述的方法，其特征在于，所述步骤2.1中，智能体可与其他处于通讯范围内的智能体或基站进行通信并更新自身的环境状态矩阵；通信内容包括环境状态矩阵以及智能体占用的栅格。
7.根据权利要求1-5中任意一项所述的方法，其特征在于，所述步骤2.5中，智能体在返回基站的过程中，通知沿途遇到可通信的其他智能体目标区域地图已被完全覆盖，可进行返航。
CN202210288516.5A 2022-03-22 2022-03-22 一种分布式多智能体协同全覆盖路径规划方法 Active CN114578827B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210288516.5A CN114578827B (zh) 2022-03-22 2022-03-22 一种分布式多智能体协同全覆盖路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210288516.5A CN114578827B (zh) 2022-03-22 2022-03-22 一种分布式多智能体协同全覆盖路径规划方法

Publications (2)

Publication Number Publication Date
CN114578827A CN114578827A (zh) 2022-06-03
CN114578827B true CN114578827B (zh) 2023-03-24

Family

ID=81782662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210288516.5A Active CN114578827B (zh) 2022-03-22 2022-03-22 一种分布式多智能体协同全覆盖路径规划方法

Country Status (1)

Country Link
CN (1) CN114578827B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115809751B (zh) * 2022-10-31 2023-06-27 山东大学 一种基于强化学习的两阶段多机器人环境覆盖方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113625716A (zh) * 2021-08-12 2021-11-09 西安电子科技大学 一种多智能体动态路径规划方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9216745B2 (en) * 2013-09-16 2015-12-22 Disney Enterprises, Inc. Shared control of semi-autonomous vehicles including collision avoidance in multi-agent scenarios
CN112235808B (zh) * 2020-10-12 2022-04-22 中国人民解放军海军航空大学 一种多智能体分布式协同动态覆盖方法及系统
CN112486185B (zh) * 2020-12-11 2023-05-09 东南大学 在未知环境下基于蚁群和vo算法的路径规划方法
CN112833905B (zh) * 2021-01-08 2022-09-27 北京大学 基于改进a*算法的分布式多agv无碰撞路径规划方法
CN113110517B (zh) * 2021-05-24 2022-11-29 郑州大学 未知环境下基于生物启发的多机器人协作搜索方法
CN113759900B (zh) * 2021-08-12 2023-05-02 中南大学 基于障碍区域预测的巡检机器人轨迹规划与实时避障方法及系统
CN113741444B (zh) * 2021-08-26 2023-10-20 北京理工大学 一种基于多智能体邻近交互与轨迹预测的路径规划方法
CN113759971B (zh) * 2021-08-30 2023-11-07 中国人民解放军国防科技大学 一种面向无人机协同侦察的路径规划方法
CN114115285A (zh) * 2021-11-29 2022-03-01 大连海事大学 一种多智能体搜索情感目标路径规划方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113625716A (zh) * 2021-08-12 2021-11-09 西安电子科技大学 一种多智能体动态路径规划方法

Also Published As

Publication number Publication date
CN114578827A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN108681321B (zh) 一种无人船协同编队的水下探测方法
Vidal et al. Pursuit-evasion games with unmanned ground and aerial vehicles
CN107883962A (zh) 一种多旋翼无人机在三维环境下的动态航路规划方法
CN110517538A (zh) 飞行器主动发现与协同防碰撞方法与系统
CN206411514U (zh) 一种基于二维码定位的智能仓储移动机器人系统
CN109269518B (zh) 一种基于智能体的可移动装置有限空间路径生成方法
CN115079705A (zh) 基于改进a星融合dwa优化算法的巡检机器人路径规划方法
CN114578827B (zh) 一种分布式多智能体协同全覆盖路径规划方法
Guo et al. An improved a-star algorithm for complete coverage path planning of unmanned ships
CN112947475A (zh) 一种激光导航叉车式agv车载系统及方法
Deng et al. Automatic collaborative water surface coverage and cleaning strategy of UAV and USVs
Lun et al. Target search in dynamic environments with multiple solar-powered UAVs
CN115344049B (zh) 一种旅客登机车自动路径规划及车辆控制方法及装置
Zhao et al. Temporal and spatial routing for large scale safe and connected uas traffic management in urban areas
Zhang et al. A herd-foraging-based approach to adaptive coverage path planning in dual environments
CN115220461A (zh) 室内复杂环境下机器人单体系统及多机器人交互协同方法
CN114911246A (zh) 基于园区环境的无人车智能驾驶系统
CN112650238B (zh) 一种利用可见性信息的实时路径规划方法
Tang et al. Towards coordinated multi-robot exploration under bandwidth-constrained conditions
CN114115363B (zh) 一种基于动态目标追踪的多无人机未知室内空间探索方法
Das et al. An algorithm for painting an area by swarm of mobile robots
Li et al. Conflict-free and energy-efficient path planning for multi-robots based on priority free ant colony optimization
Kiam et al. Fast Subset Path Planning/Replanning to Avoid Obstacles with Time-Varying Probabilistic Motion Patterns.
Wu et al. DRL-based path planning and obstacle avoidance of autonomous underwater vehicle
Khanal et al. Guided Sampling-Based Motion Planning with Dynamics in Unknown Environments

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