CN114859891A - 多机器人持续监控方法和非临时性计算机可读存储介质 - Google Patents
多机器人持续监控方法和非临时性计算机可读存储介质 Download PDFInfo
- Publication number
- CN114859891A CN114859891A CN202210344304.4A CN202210344304A CN114859891A CN 114859891 A CN114859891 A CN 114859891A CN 202210344304 A CN202210344304 A CN 202210344304A CN 114859891 A CN114859891 A CN 114859891A
- Authority
- CN
- China
- Prior art keywords
- robot
- grid
- cell
- grids
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 230000004888 barrier function Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 abstract description 5
- 230000002093 peripheral effect Effects 0.000 description 12
- 230000000007 visual effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种多机器人持续监控方法和非临时性计算机可读存储介质。方法包括：S1，初始化；S2，计算每个机器人的导向值Value；S3，获取每个机器人的最大导向值Value对应的坐标并将其作为全局目标位置添加至集合opt_count中；S4，搜索每个机器人的当前位置car_pos的相邻网格并剔除其中被障碍物占用的网格；S5，计算相邻网格与对应的全局目标位置之间的距离，选取与目标位置之间距离最小的相邻网格作为机器人以速度Vel运动至的单步目标位置；S6，判断每个机器人是否到达步骤S5的单步目标位置，如果到达则更新机器人的当前位置car_pos并将其对应的网格的单元值置0、其余网格的单元值增Δt。根据本发明的多机器人持续监控方法，无需考虑分区，适应性较好。
Description
技术领域
本发明涉及多机器人持续监控技术领域，具体而言，涉及一种多机器人持续监控方法和实现所述多机器人持续监控方法的非临时性计算机可读存储介质。
背景技术
机器人自问世以来，在农业、工业、商业、服务业、医疗、救援、军事、空天等领域的应用使人类从繁重的任务中解放出来，甚至代替人类从事危险的工作。为使机器人能够完成更加复杂、多变的任务，多机器人系统逐渐成为机器人领域的研究热点。相对于单机器人系统，多机器人相互协作可以弥补个体能力的不足，在任务执行效率、鲁棒性、灵活性和容错性等方面具有优异表现。各种应用领域广泛存在着对某一环境或区域进行持续监控的任务，这类任务的完成通常需要耗费巨大的人力且在特定场合具有一定的危险性，因此已成为多机器人系统研究的基本问题之一。
针对有障碍环境中多机器人系统持续监控问题，相关技术中基于泰森多边形(Voronoi)和虚拟力方法构建了一种分布式监控算法，但Voronoi图重点研究如何对环境进行分区，并不能很好地适应环境的动态变化。而在无障碍环境中通常将目标空间进行网格划分，每个网格都有一个表示自上次观察到它以来所经过的时间的年龄，持续监测的目标是将长期观察到的所有网格的最大年龄降至最低，但没有研究这种半启发式方法在有障碍环境下的有效性，将其直接应用于有障碍环境不能完全避开障碍物。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种多机器人持续监控方法，所述多机器人持续监控方法具有访问频率高、一致性好等优点。
本发明还提出一种实现所述多机器人持续监控方法的非临时性计算机可读存储介质。
根据本发明第一方面实施例的多机器人持续监控方法，所述机器人为n个，待访问二维平面区域被均匀划分为l×m个网格，每个所述网格为边长为单位1的正方形，所述待访问二维平面区域设置有多个障碍物，每个所述障碍物占用一个所述网格，所述机器人位于单个所述网格的中心处且每时间步沿所述网格的边长方向移动至相邻所述网格的中心处，所述机器人的传感器的监测范围等于单个所述网格的面积，所述方法包括：
S1，建立xoy坐标系，所述网格的中心处的坐标为(i，j)，初始化所述机器人的当前位置car_pos、所述障碍物的位置obs_pos、每个所述网格的单元值Cell、每个所述机器人与每个所述网格之间的距离distance_all、每个所述机器人的移动速度Vel，Cell为l×m数组；
S2，根据以下公式计算每个所述机器人的导向值Value：
if(i，j)in obs_pos:
Vi,j＝-inf or Vi,j＝nan
else:
式中，Vi,j表示坐标为(i，j)的网格对应的导向值，Celli,j表示坐标为(i，j)的网格对应的单元值，ω0和ω1分别是加权系数，δkj是所述机器人与坐标为(i，j)的网格之间的距离，δnj是其余机器人与坐标为(i，j)的网格之间的距离；
S3，获取每个所述机器人的最大导向值Value对应的坐标并将其作为全局目标位置添加至opt_count中；
S4，搜索每个所述机器人的当前位置car_pos的相邻网格并剔除其中被所述障碍物占用的网格；
S5，计算所述相邻网格与对应的所述全局目标位置之间的距离，选取与所述全局目标位置之间距离最小的所述相邻网格作为所述机器人下一步以速度Vel运动至的单步目标位置；
S6，判断每个所述机器人是否到达步骤S5的所述单步目标位置，如果到达则更新所述机器人的当前位置car_pos，将其对应的网格的单元值置0、其余网格的单元值增Δt或根据以下公式更新其对应的网格的单元值Celli,j：
Celli,j＝ai,j-αbi,j
式中，ai,j表示坐标为(i，j)的网格更新前的单元值(首次计算即初始化值)，α为加权系数，bi,j为坐标为(i，j)的网格每被所述机器人访问一次的衰减值；
S7，判断是否满足结束条件，如果没有满足则执行步骤S2；或，
所述机器人为n个，待访问二维平面区域被均匀划分为l×m个网格，每个所述网格为边长为单位1的正方形，所述待访问二维平面区域设置有用于限定出通道和/或路口的多个围挡，所述通道或所述路口的最小宽度为r，每个所述围挡占用一个或多个所述网格的边，所述机器人位于所述网格的顶点且每时间步沿所述网格的边长移动至相邻所述网格的顶点处，所述机器人的传感器的监测范围在其前进方向上为以所述机器人所在顶点为圆心、半径为r的半圆，所述方法包括：
S1，建立xoy坐标系，分布在所述坐标系中的所述网格的顶点的坐标为(i，j)，初始化所述机器人的当前位置car_pos、所述围挡的位置obs_pos、每个所述网格的单元值Cell、每个所述机器人与每个所述网格之间的距离distance_all、每个所述机器人的移动速度Vel，Cell为l×m数组；
S2，根据以下公式计算每个所述机器人的导向值Value：
if(i，j)in obs_pos:
Vi,j＝-inf or Vi,j＝nan
else:
式中，Vi,j表示坐标点(i，j)对应的导向值，Ai,j表示坐标点(i，j)的信息值，所述信息值为以坐标点(i，j)为中心的num个所述网格的单元值的平均值，ω0和ω1分别是加权系数，δkj是所述机器人与坐标点(i，j)之间的距离，δnj是其余机器人与坐标点(i，j)之间的距离；
S3，获取每个所述机器人的最大导向值Value对应的坐标点并将其作为全局目标位置添加至opt_count中；
S4，搜索每个所述机器人的当前位置car_pos的相邻坐标点并剔除其中被所述围挡占用的坐标点；
S5，计算所述相邻坐标点与对应的所述全局目标位置之间的距离，选取与所述全局目标位置之间距离最小的所述相邻坐标点作为所述机器人下一步以速度Vel运动至的单步目标位置；
S6，判断每个所述机器人是否到达步骤S5的所述单步目标位置，如果到达则更新所述机器人的当前位置car_pos，将其对应的坐标点的num个所述网格的单元值置0、其余网格的单元值增Δt或根据以下公式更新其对应的坐标点的num个所述网格的单元值Cellx,y：
Cellx,y＝ax,y-αbx,y
式中，ax,y表示索引为(x，y)的网格更新前的单元值(首次计算即初始化值)，α为加权系数，bx,y表示索引为(x，y)的网格每被所述机器人访问一次的衰减值；
S7，判断是否满足结束条件，如果没有满足则执行步骤S2。
根据本发明实施例的多机器人持续监控方法，能够应用于有障碍环境(包括类迷宫环境)而无需考虑分区，适应性较好，并且利于提高所有无障碍网格被多次访问后的最小访问频率和访问频率倾向性，使得网格的访问频率与待访问二维平面区域的访问频率的一致性较好。
另外，根据本发明实施例的多机器人持续监控方法还具有如下附加的技术特征：
根据本发明的一些实施例，根据以下公式计算位于坐标为(x，y)的网格的所述机器人与坐标为(i，j)的网格之间的距离δkj：
和/或，根据以下公式计算坐标为(i，j)的所述相邻网格与对应的所述目标位置(i＇，j＇)之间的距离h：
根据本发明的一些实施例，若在同一次分配中多个所述机器人的目标位置相同，则为其中距离所述目标位置较远的机器人分配其次优目标位置，和/或，
若在同一次分配中多个所述机器人的单步目标位置相同，则为其中所述相邻网格的数量较多的机器人重新分配所述单步目标位置。
在本发明的一些实施例中，所述次优目标位置为所述机器人的第二大导向值Value对应的坐标。
在本发明的一些实施例中，重新分配所述单步目标位置的方法包括：
从所述相邻网格中删除原单步目标位置，随机选取当前所述相邻网格中的一个作为重新分配的所述单步目标位置。
根据本发明的一些实施例，所述机器人的全局目标位置为多个时剔除与所述机器人的当前位置相等的位置并选择与所述机器人的距离最小的位置。
根据本发明的一些实施例，若所述相邻网格为所述机器人前次访问的网格，则选取其余所述相邻网格。
根据本发明的一些实施例，若在所述机器人的前进方向上所述传感器的监测范围内没有所述围挡，则更新对应的2×r×r个所述网格的单元值；若在所述机器人的前进方向上所述传感器的监测范围内有所述围挡，则剔除被所述围挡挡住的网格后更新其余网格的单元值。
根据本发明的一些实施例，多个所述网格的单元值Cell的初始值和/或Δt不同，或，多个所述网格的单元值Cell的初始值和/或衰减值不同。
根据本发明第二方面实施例的非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的多机器人持续监控方法。
根据本发明实施例的非临时性计算机可读存储介质，能够应用于有障碍环境(包括类迷宫环境)而无需考虑分区，适应性较好，并且利于提高所有无障碍网格被多次访问后的最小访问频率和访问频率倾向性，使得网格的访问频率与待访问二维平面区域的访问频率的一致性较好。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1是根据本发明实施例的多机器人持续监控方法的待访问二维平面区域示意图；
图2是根据本发明实施例的多机器人持续监控方法的流程图；
图3是根据本发明实施例的多机器人持续监控方法的单元值更新流程图；
图4是根据本发明实施例的多机器人持续监控方法的单元值衰减示意图；
图5是根据本发明实施例的多机器人持续监控方法的迭代135次访问频率和所占百分比对比图；
图6是根据本发明实施例的多机器人持续监控方法的迭代150次访问频率和所占百分比对比图；
图7是根据本发明实施例的多机器人持续监控方法的多遍访问频率和所占百分比变化趋势图；
图8是根据本发明另一个实施例的多机器人持续监控方法的待访问二维平面区域示意图；
图9是根据本发明实施例的第一访问规则原理图；
图10是根据本发明实施例的第二访问规则原理图；
图11是根据本发明实施例的第三访问规则原理图；
图12是根据本发明实施例的第四访问规则原理图；
图13是根据本发明实施例的第五访问规则原理图；
图14是根据本发明实施例的第六访问规则原理图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述根据本发明实施例的多机器人持续监控方法。
如图1和图2所示，待访问二维平面区域(即目标空间)为采用网格分解法划分成10×10网格的正方形区域，每个网格以其中心处的坐标(i，j)为位置坐标，每个网格的边长为单位值1。目标空间中设置有占据一定数量网格的障碍物，空白网格表示障碍物所占据区域(数量为19)。目标空间中设置3个移动机器人。移动机器人处在网格的中心处，在每一次迭代中移动机器人k(k＝1,2,3)都有一个起始位置和一个目标位置。将时间离散化为时间点，在时间点移动机器人k位于其相应的位置上。规定移动机器人每次只移动一个网格或者静止在当前位置，在连续的时间点之间每个移动机器人只能从一个网格移动至与其相邻的网格或者移动机器人在当前网格保持空闲。任一无障碍网格在同一时间点最多只能被一个移动机器人占用。每个移动机器人的传感器监测范围等于单个网格面积。每个移动机器人沿平行于网格的边长方向移动。
实施例一
根据本发明实施例的多机器人持续监控方法，包括以下步骤：
S1，建立xoy坐标系，网格的中心处的坐标为(i，j)，初始化机器人的当前位置car_pos、障碍物的位置obs_pos、每个网格的单元值Cell、每个机器人与每个网格之间的距离distance_all、每个机器人的移动速度Vel、每个机器人所对应的导向值Value、每个机器人单次被分配的目标位置opt_count。例如，car_pos、obs_pos、opt_count均为坐标点集合，Cell为10×10的数组，distance_all和Value分别为3×10×10的数组，每层对应一个机器人的数据。
S2，根据以下公式计算每个机器人的导向值Value：
if(i，j)in obs_pos:
Vi,j＝-inf or Vi,j＝nan
else:
式中，Vi,j表示坐标为(i，j)的网格对应的导向值，Celli,j表示坐标为(i，j)的网格对应的单元值，ω0和ω1分别是加权系数，δkj是机器人与坐标为(i，j)的网格之间的距离，δnj是其余机器人与坐标为(i，j)的网格之间的距离。ω0＝-1/Vel，ω1＝-1/Vel。例如，根据以下公式计算位于坐标为(x，y)的网格的机器人与坐标为(i，j)的网格之间的距离δkj：
多个移动机器人之间的相对位置会影响对目标位置的选择，因此控制策略通过定义与每个网格关联的导向值Vi,j来表示，移动机器人与网格之间的距离以及其余移动机器人与网格之间的距离会影响网格的导向值。移动机器人计算网格的导向值并趋向具有最大值的网格。
S3，获取每个机器人的最大导向值Value对应的坐标并将其作为目标位置添加至集合opt_count中。若在同一次分配中多个机器人的目标位置相同，则为其中距离目标位置较远的机器人分配其次优目标位置。例如，次优目标位置为机器人的第二大导向值Value对应的坐标。
当环境中设置障碍物时令障碍物所占用网格的值Vi,j极小(赋值-10000或无穷小)。但仅改变有障碍网格的值Vi,j并不能使移动机器人完全避开有障碍网格。这是因为Vi,j用于计算移动机器人的目标位置，将Vi,j赋值-10000只能保证不会将该网格选作移动机器人的目标位置，移动机器人在朝着目标位置移动的过程中仍然可能经过该有障碍网格。因此有必要寻求一种避障方法。
S4，搜索每个机器人的当前位置car_pos的相邻网格并剔除其中被障碍物占用的网格。若相邻网格为机器人前次访问的网格，则选取其余相邻网格，即，在相邻网格中包括机器人刚刚访问过的网格时将其剔除。
S5，计算相邻网格与对应的目标位置之间的距离，选取与目标位置之间距离最小的相邻网格作为机器人下一步以速度Vel运动至的单步目标位置。
例如，根据以下公式计算坐标为(i，j)的相邻网格与对应的目标位置(i＇，j＇)之间的距离h：
若在同一次分配中多个机器人的单步目标位置相同，则为其中相邻网格的数量较多的机器人重新分配单步目标位置。重新分配单步目标位置的方法包括：
从相邻网格中删除原单步目标位置，随机选取当前相邻网格中的一个作为重新分配的单步目标位置。
S6，判断每个机器人是否到达步骤S5的单步目标位置，如果到达则更新机器人的当前位置car_pos并将其对应的网格的单元值置0、其余网格的单元值增Δt。Celli,j初始值为0，坐标为(i，j)的网格被访问前Celli,j每单位时间步增5(即Δt＝5)，一旦被访问Celli,j置为0。ω0＝-1，ω1＝-1。
其中多个网格的单元值Cell的初始值和/或Δt可以不同。这样，可以根据不同网格的重要程度控制对其访问次数，例如，重要区域需要多次访问，对其访问次数会多于其余区域。
S7，判断是否满足结束条件，如果没有满足则执行步骤S2。例如，结束条件为迭代200次。
实施例二
根据本发明另一个实施例的多机器人持续监控方法，包括以下步骤：
S1，建立xoy坐标系，网格的中心处的坐标为(i，j)，初始化机器人的当前位置car_pos、障碍物的位置obs_pos、每个网格的单元值Cell、每个机器人与每个网格之间的距离distance_all、每个机器人的移动速度Vel、每个机器人所对应的导向值Value、每个机器人单次被分配的目标位置opt_count。
S2，根据以下公式计算每个机器人的导向值Value：
if(i，j)in obs_pos:
Vi,j＝-inf or Vi,j＝nan
else:
式中，Vi,j表示坐标为(i，j)的网格对应的导向值，Celli,j表示坐标为(i，j)的网格对应的单元值，ω0和ω1分别是加权系数，δkj是机器人与坐标为(i，j)的网格之间的距离，δnj是其余机器人与坐标为(i，j)的网格之间的距离。
S3，获取每个机器人的最大导向值Value对应的坐标并将其作为目标位置添加至集合opt_count中。
S4，搜索每个机器人的当前位置car_pos的相邻网格并剔除其中被障碍物占用的网格。
S5，计算相邻网格与对应的目标位置之间的距离，选取与目标位置之间距离最小的相邻网格作为机器人下一步以速度Vel运动至的单步目标位置。
S6，判断每个机器人是否到达步骤S5的单步目标位置，如果到达则更新机器人的当前位置car_pos并根据以下公式更新其对应的网格的单元值Celli,j：
Celli,j＝ai,j-αbi,j
式中，ai,j表示坐标为(i，j)的网格更新前的单元值(首次计算即初始化值)，α为加权系数，bi,j为坐标为(i，j)的网格每被机器人访问一次的衰减值。单元值的更新流程如图3所示，图4示出了网格每被访问一次单元值便衰减一定值。ai,j初值为100，每个网格被访问一次则单元值减少5(bi,j＝5)，α＝1，ω0＝-1，ω1＝-1。其中多个网格的单元值Cell的初始值和/或衰减值可以不同。
S7，判断是否满足结束条件，如果没有满足则执行步骤S2。
如图5-图7所示，SGM表示实施例一的方法，PPIGM表示实施例二的方法。SGM在多遍访问目标空间情况下被访问2次的网格占比最多，以图7中曲线的峰值及其附近数值表征在多遍访问目标空间情况下对每个无障碍网格的访问次数的倾向性，PPIGM相对于SGM增大了最小访问次数，访问次数的倾向性沿图7的水平轴方向右移，较多的网格得到了较多的访问次数，对目标空间的访问频率与对网格的访问频率的一致性较好。根据本发明实施例的多机器人持续监控方法，不仅无需考虑分区、适应性较好，而且在多次迭代后完成对所有无障碍网格的访问，在对所有无障碍网格的多遍访问后提高最小访问频率和访问频率倾向性，使得网格的访问频率与目标空间的访问频率的一致性较好。
实施例三
如图8所示，移动机器人为3个，待访问二维平面区域被均匀划分为15×17个网格，每个网格为边长为单位1的正方形，待访问二维平面区域设置有用于限定出通道和/或路口的多个围挡，如此形成类迷宫环境。图中带点、三角形和方块的直线表示移动机器人的路径。通道或路口的最小宽度为2，每个围挡占用一个或多个网格的边，机器人位于网格的顶点且每时间步沿网格的边长移动至相邻网格的顶点处，机器人的传感器的监测范围在其前进方向上为以机器人所在顶点为圆心、半径为2的半圆，方法包括：
S1，建立xoy坐标系，分布在坐标系中的网格的顶点的坐标为(i，j)，初始化机器人的当前位置car_pos、围挡的位置obs_pos、每个网格的单元值Cell、每个机器人与每个网格之间的距离distance_all、每个机器人的移动速度Vel，Cell为15×17数组。由于目标空间的四个边均设置围挡，因此i∈(1，14)，j∈(1，16)。
S2，根据以下公式计算每个机器人的导向值Value：
if(i，j)in obs_pos:
Vi,j＝-inf or Vi,j＝nan
else:
式中，Vi,j表示坐标点(i，j)对应的导向值，Ai,j表示坐标点(i，j)的信息值，信息值为以坐标点(i，j)为中心的num个网格的单元值的平均值，ω0和ω1分别是加权系数，δkj是机器人与坐标点(i，j)之间的距离，δnj是其余机器人与坐标点(i，j)之间的距离。例如，Ai,j取以坐标点(i，j)为中心的四个网格的单元值的平均值，Ai,j＝(Cell[i-1][j-1]+Cell[i-1][j]+Cell[i][j-1]+Cell[i][j])/4。
S3，获取每个机器人的最大导向值Value对应的坐标点并将其作为全局目标位置添加至opt_count中。机器人的全局目标位置为多个时，剔除与机器人的当前位置重合的位置并选择与机器人的距离最小的位置。同理，当机器人的次优目标位置与机器人的当前位置重合时，选择其余位置作为次优目标位置。
S4，搜索每个机器人的当前位置car_pos的相邻坐标点并剔除其中被围挡占用的坐标点。
S5，计算相邻坐标点与对应的全局目标位置之间的距离，选取与全局目标位置之间距离最小的相邻坐标点作为机器人下一步以速度Vel运动至的单步目标位置。
S6，判断每个机器人是否到达步骤S5的单步目标位置，如果到达则更新机器人的当前位置car_pos，将其对应的坐标点的num个网格的单元值置0、其余网格的单元值增Δt或根据以下公式更新其对应的坐标点的num个网格的单元值Cellx,y：
Cellx,y＝ax,y-αbx,y
式中，ax,y表示索引为(x，y)的网格更新前的单元值(首次计算即初始化值)，α为加权系数，bx,y表示索引为(x，y)的网格每被机器人访问一次的衰减值。
S7，判断是否满足结束条件，如果没有满足则执行步骤S2。
对于二维目标空间，移动机器人具有上下左右四个行进方向。15×17的目标空间的最窄处为2、r＝2，若没有围挡遮挡移动机器人的视野，那么移动机器人的行进方向为上时，Cell[i-2][j+1]、Cell[i-2][j]、Cell[i-1][j]、Cell[i-1][j+1]、Cell[i][j]、Cell[i][j+1]、Cell[i+1][j+1]、Cell[i+1][j]的值均被更新；移动机器人的行进方向为下时，Cell[i-2][j-1]、Cell[i-2][j-2]、Cell[i-1][j-1]、Cell[i-1][j-2]、Cell[i][j-1]、Cell[i][j-2]、Cell[i+1][j-1]、Cell[i+1][j-2]的值均被更新；移动机器人的行进方向为左时，Cell[i-2][j+1]、Cell[i-2][j]、Cell[i-1][j]、Cell[i-1][j+1]、Cell[i-2][j-1]、Cell[i-2][j-2]、Cell[i-1][j-1]、Cell[i-1][j-2]的值均被更新；移动机器人的行进方向为右时，Cell[i][j]、Cell[i][j+1]、Cell[i+1][j+1]、Cell[i+1][j]、Cell[i][j-1]、Cell[i][j-2]、Cell[i+1][j-1]、Cell[i+1][j-2]。当i或j的取值邻近取值范围的上界或下界时，i-1、i-2或j-1、j-2的取值会超出取值范围，因此有必要先判断i或j的取值是否越界再更新Cell的值。
若移动机器人的视野范围内存在围挡，那么被围挡挡住的网格便不会更新Cell值。以移动机器人的行进方向为上为例，由于围挡在环境模型中以直线段的形式存在，因此被围挡占用的坐标点不可能单独存在，至少两个坐标点同时被围挡占用。如图9所示，将移动机器人(实心三角形表示)的视野视为带箭头的虚线表示的扫描线，在移动机器人的视野范围内，除移动机器人自身占用的坐标点外还有14个坐标点，对于处于最外围的坐标点(空心圆表示)而言每个坐标点最多有四条与其相连的直线段为围挡，只有与内围的坐标点(实心圆表示)相连的直线段为围挡时才构成实际意义上的视野遮挡。图中空心圆与实心圆之间的实线段表示围挡，分别穿过该空心圆和该实心圆的扫描线之间的阴影部分为视野盲区，这里简化为阴影部分所在的整个网格都为视野盲区，该网格的Cell值不更新。因此只需考虑内围的五个坐标点是否为围挡所占用。
若内围的五个坐标点中只有一个被围挡占用，则至少一个外围坐标点与其相连。如图10所示，移动机器人位于坐标点(i，j)，若该被占用内围坐标点为图中所示的坐标点(i+1，j+1)，则不管与其相连的外围坐标点是图10(a)中示出的(i+2，j+1)还是图10(b)中示出的(i+1，j+2)，亦或这两个外围坐标点都和坐标点(i+1，j+1)相连，处于视野盲区的网格坐标均为(i+1，j+1)。同理，若该被占用内围坐标点为(i-1，j+1)，则不管与其相连的外围坐标点是(i-2，j+1)还是(i-1，j+2)，亦或这两个外围坐标点都和坐标点(i-1，j+1)相连，处于视野盲区的网格坐标均为(i-2，j+1)。当被占用内围坐标点为(i-1，j)、(i，j+1)和(i+1，j)中的一个时，它们都只能与一个外围坐标点相连以构成围挡且并不影响移动机器人的视野。
若内围坐标点中有两个被围挡占用，排列组合可得共有10种情况。根据前述分析，由于被占用内围坐标点为(i-1，j)、(i，j+1)和(i+1，j)中的一个时，它们都只能与一个外围坐标点相连以构成围挡且并不影响移动机器人的视野，因此若这三个坐标点中的任两个(3种组合情况)被围挡占用，也依然不影响移动机器人的视野；由于目标空间的最窄处为2且被占用坐标点不单独存在，因此这三个坐标点中的任一个与其余两个内围坐标点中的任一个同时被围挡占用(6种组合情况)时，两内围坐标点一旦相邻必相连。如图11(a)所示，内围坐标点(i-1，j)与内围坐标点(i-1，j+1)相邻且相连，此时不管内围坐标点(i-1，j+1)是否与外围坐标点相连，移动机器人的视野盲区只有(i-2，j)和(i-2，j+1)这两个网格。如图11(b)所示，内围坐标点(i，j+1)与内围坐标点(i-1，j+1)相邻且相连，此时不管内围坐标点(i，j+1)或(i-1，j+1)是否与外围坐标点相连，移动机器人的视野盲区只有(i-1，j+1)和(i-2，j+1)这两个网格。如图11(c)所示，内围坐标点(i+1，j+1)和内围坐标点(i+1，j)相邻且相连，此时不管内围坐标点(i+1，j+1)是否与外围坐标点相连，移动机器人的视野盲区只有(i+1，j)和(i+1，j+1)这两个网格。如图11(d)所示，内围坐标点(i+1，j+1)和内围坐标点(i，j+1)相邻且相连，此时不管内围坐标点(i+1，j+1)是否与外围坐标点相连，移动机器人的视野盲区只有(i，j+1)和(i+1，j+1)这两个网格。
当内围坐标点(i-1，j+1)和内围坐标点(i+1，j)被占用时，内围坐标点(i+1，j)与外围坐标点的连接不影响移动机器人的视野，只有内围坐标点(i-1，j+1)被占用能够产生影响，这在前面已经分析过；当内围坐标点(i+1，j+1)和内围坐标点(i-1，j)被占用时，内围坐标点(i-1，j)与外围坐标点的连接不影响移动机器人的视野，只有内围坐标点(i+1，j+1)被占用能够产生影响，这在前面已经分析过。当内围坐标点(i-1，j+1)和内围坐标点(i+1，j+1)被占用时，这两个内围坐标点分别与外围坐标点相连，网格(i-2，j+1)和网格(i+1，j+1)为视野盲区。
若内围坐标点中有三个被围挡占用，排列组合可得共有10种情况。若被占用内围坐标点为(i-1，j)、(i，j+1)和(i+1，j)时，它们都只能与一个外围坐标点相连以构成围挡且并不影响移动机器人的视野。若被占用的三个内围坐标点相邻则彼此相连：如图12(a)所示，被占用内围坐标点为(i-1，j)、(i-1，j+1)和(i，j+1)，则网格(i-2，j)、(i-2，j+1)和(i-1，j+1)为视野盲区；如图12(b)所示，被占用内围坐标点为(i+1，j+1)、(i-1，j+1)和(i，j+1)，则网格(i，j+1)、(i+1，j+1)、(i-2，j+1)和(i-1，j+1)为视野盲区；如图12(c)所示，被占用内围坐标点为(i，j+1)、(i+1，j+1)和(i+1，j)，则网格(i，j+1)、(i+1，j+1)和(i+1，j)为视野盲区。
若被占用的三个内围坐标点中只有两个坐标点相邻：如图13(a)所示，被占用内围坐标点为(i-1，j)、(i-1，j+1)和(i+1，j+1)，则网格(i-2，j)、(i-2，j+1)和(i+1，j+1)为视野盲区；如图13(b)所示，被占用内围坐标点为(i-1，j)、(i-1，j+1)和(i+1，j)，则网格(i-2，j)和(i-2，j+1)为视野盲区；如图13(c)所示，被占用内围坐标点为(i-1，j+1)、(i，j+1)和(i+1，j)，则网格(i-2，j+1)和(i-1，j+1)为视野盲区；如图13d所示，被占用内围坐标点为(i，j+1)、(i+1，j+1)和(i-1，j)，则网格(i，j+1)和(i+1，j+1)为视野盲区；如图13e所示，被占用内围坐标点为(i+1，j+1)、(i+1，j)和(i-1，j+1)，则网格(i+1，j)、(i+1，j+1)和(i-2，j+1)为视野盲区；如图13f所示，被占用内围坐标点为(i+1，j+1)、(i+1，j)和(i-1，j)，则网格(i+1，j)和(i+1，j+1)为视野盲区。
若内围坐标点中有四个被围挡占用，排列组合可得共有5种情况。如图14(a)所示，被占用的内围坐标点为(i-1，j)、(i-1，j+1)、(i，j+1)和(i+1，j+1)，则网格(i-2，j)、(i-2，j+1)、(i-1，j+1)、(i，j+1)和(i+1，j+1)为视野盲区；如图14(b)所示，被占用的内围坐标点为(i+1，j)、(i-1，j+1)、(i，j+1)和(i+1，j+1)，则网格(i+1，j)、(i-2，j+1)、(i-1，j+1)、(i，j+1)和(i+1，j+1)为视野盲区；如图14(c)所示，被占用的内围坐标点为(i-1，j)、(i-1，j+1)、(i，j+1)和(i+1，j)，则网格(i-2，j)、(i-2，j+1)和(i-1，j+1)为视野盲区；如图14(d)所示，被占用的内围坐标点为(i+1，j)、(i，j+1)、(i-1，j)和(i+1，j+1)，则网格(i+1，j)、(i，j+1)和(i+1，j+1)为视野盲区；如图14(e)所示，被占用的内围坐标点为(i-1，j)、(i-1，j+1)、(i+1，j)和(i+1，j+1)，则网格(i-2，j)、(i-2，j+1)、(i+1，j)和(i+1，j+1)为视野盲区。
若内围的五个坐标点都被围挡占据，则网格若内围的五个坐标点均是自由坐标点，则(i-2，j)、(i-2，j+1)、(i-1，j+1)、(i，j+1)、(i+1，j+1)和(i+1，j)为视野盲区。若内围的五个坐标点均是自由坐标点，则移动机器人的视野没有被遮挡，相应的八个网格的Cell值都被更新。当移动机器人的行进方向为另外三个方向时，网格的访问情况依据前述规则确定。
根据本发明第二方面实施例的非临时性计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上所述的多机器人持续监控方法。
根据本发明实施例的非临时性计算机可读存储介质，能够应用于有障碍环境而无需考虑分区，适应性较好，并且利于提高所有无障碍网格被多次访问后的最小访问频率和访问频率倾向性，使得网格的访问频率与待访问二维平面区域的访问频率的一致性较好。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，“第一特征”、“第二特征”可以包括一个或者更多个该特征，第一特征在第二特征“之上”或“之下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“具体实施例”、“示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种多机器人持续监控方法，其特征在于，所述机器人为n个，待访问二维平面区域被均匀划分为l×m个网格，每个所述网格为边长为单位1的正方形，所述待访问二维平面区域设置有多个障碍物，每个所述障碍物占用一个所述网格，所述机器人位于单个所述网格的中心处且每时间步沿所述网格的边长方向移动至相邻所述网格的中心处，所述机器人的传感器的监测范围等于单个所述网格的面积，所述方法包括：
S1，建立xoy坐标系，所述网格的中心处的坐标为(i，j)，初始化所述机器人的当前位置car_pos、所述障碍物的位置obs_pos、每个所述网格的单元值Cell、每个所述机器人与每个所述网格之间的距离distance_all、每个所述机器人的移动速度Vel，Cell为l×m数组；
S2，根据以下公式计算每个所述机器人的导向值Value：
if(i，j)in obs_pos:
Vi,j＝-inf or Vi,j＝nan
else:
式中，Vi,j表示坐标为(i，j)的网格对应的导向值，Celli,j表示坐标为(i，j)的网格对应的单元值，ω0和ω1分别是加权系数，δkj是所述机器人与坐标为(i，j)的网格之间的距离，δnj是其余机器人与坐标为(i，j)的网格之间的距离；
S3，获取每个所述机器人的最大导向值Value对应的坐标并将其作为全局目标位置添加至opt_count中；
S4，搜索每个所述机器人的当前位置car_pos的相邻网格并剔除其中被所述障碍物占用的网格；
S5，计算所述相邻网格与对应的所述全局目标位置之间的距离，选取与所述全局目标位置之间距离最小的所述相邻网格作为所述机器人下一步以速度Vel运动至的单步目标位置；
S6，判断每个所述机器人是否到达步骤S5的所述单步目标位置，如果到达则更新所述机器人的当前位置car_pos，将其对应的网格的单元值置0、其余网格的单元值增Δt或根据以下公式更新其对应的网格的单元值Celli,j：
Celli,j＝ai,j-αbi,j
式中，ai,j表示坐标为(i，j)的网格更新前的单元值(首次计算即初始化值)，α为加权系数，bi,j为坐标为(i，j)的网格每被所述机器人访问一次的衰减值；
S7，判断是否满足结束条件，如果没有满足则执行步骤S2；或，
所述机器人为n个，待访问二维平面区域被均匀划分为l×m个网格，每个所述网格为边长为单位1的正方形，所述待访问二维平面区域设置有用于限定出通道和/或路口的多个围挡，所述通道或所述路口的最小宽度为r，每个所述围挡占用一个或多个所述网格的边，所述机器人位于所述网格的顶点且每时间步沿所述网格的边长移动至相邻所述网格的顶点处，所述机器人的传感器的监测范围在其前进方向上为以所述机器人所在顶点为圆心、半径为r的半圆，所述方法包括：
S1，建立xoy坐标系，分布在所述坐标系中的所述网格的顶点的坐标为(i，j)，初始化所述机器人的当前位置car_pos、所述围挡的位置obs_pos、每个所述网格的单元值Cell、每个所述机器人与每个所述网格之间的距离distance_all、每个所述机器人的移动速度Vel，Cell为l×m数组；
S2，根据以下公式计算每个所述机器人的导向值Value：
if(i，j)in obs_pos:
Vi,j＝-inf or Vi,j＝nan
else:
式中，Vi,j表示坐标点(i，j)对应的导向值，Ai,j表示坐标点(i，j)的信息值，所述信息值为以坐标点(i，j)为中心的num个所述网格的单元值的平均值，ω0和ω1分别是加权系数，δkj是所述机器人与坐标点(i，j)之间的距离，δnj是其余机器人与坐标点(i，j)之间的距离；
S3，获取每个所述机器人的最大导向值Value对应的坐标点并将其作为全局目标位置添加至opt_count中；
S4，搜索每个所述机器人的当前位置car_pos的相邻坐标点并剔除其中被所述围挡占用的坐标点；
S5，计算所述相邻坐标点与对应的所述全局目标位置之间的距离，选取与所述全局目标位置之间距离最小的所述相邻坐标点作为所述机器人下一步以速度Vel运动至的单步目标位置；
S6，判断每个所述机器人是否到达步骤S5的所述单步目标位置，如果到达则更新所述机器人的当前位置car_pos，将其对应的坐标点的num个所述网格的单元值置0、其余网格的单元值增Δt或根据以下公式更新其对应的坐标点的num个所述网格的单元值Cellx,y：
Cellx,y＝ax,y-αbx,y
式中，ax,y表示索引为(x，y)的网格更新前的单元值(首次计算即初始化值)，α为加权系数，bx,y表示索引为(x，y)的网格每被所述机器人访问一次的衰减值；
S7，判断是否满足结束条件，如果没有满足则执行步骤S2。
2.根据权利要求1所述的多机器人持续监控方法，其特征在于，根据以下公式计算位于坐标为(x，y)的网格的所述机器人与坐标为(i，j)的网格之间的距离δkj：
和/或，根据以下公式计算坐标为(i，j)的所述相邻网格与对应的所述目标位置(i＇，j＇)之间的距离h：
3.根据权利要求1所述的多机器人持续监控方法，其特征在于，若在同一次分配中多个所述机器人的全局目标位置相同，则为其中距离所述全局目标位置较远的机器人分配其次优目标位置，和/或，
若在同一次分配中多个所述机器人的单步目标位置相同，则为其中所述相邻网格的数量较多的机器人重新分配所述单步目标位置。
4.根据权利要求3所述的多机器人持续监控方法，其特征在于，所述次优目标位置为所述机器人的第二大导向值Value对应的坐标。
5.根据权利要求3所述的多机器人持续监控方法，其特征在于，重新分配所述单步目标位置的方法包括：
从所述相邻网格中删除原单步目标位置，随机选取当前所述相邻网格中的一个作为重新分配的所述单步目标位置。
6.根据权利要求1所述的多机器人持续监控方法，其特征在于，所述机器人的全局目标位置为多个时剔除与所述机器人的当前位置相等的位置并选择与所述机器人的距离最小的位置。
7.根据权利要求1所述的多机器人持续监控方法，其特征在于，若所述相邻网格为所述机器人前次访问的网格，则选取其余所述相邻网格。
8.根据权利要求1所述的多机器人持续监控方法，其特征在于，若在所述机器人的前进方向上所述传感器的监测范围内没有所述围挡，则更新对应的2×r×r个所述网格的单元值；若在所述机器人的前进方向上所述传感器的监测范围内有所述围挡，则剔除被所述围挡挡住的网格后更新其余网格的单元值。
9.根据权利要求1-8中任一项所述的多机器人持续监控方法，其特征在于，多个所述网格的单元值Cell的初始值和/或Δt不同，或，多个所述网格的单元值Cell的初始值和/或衰减值不同。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求中1-9中任一项所述的多机器人持续监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210344304.4A CN114859891B (zh) | 2022-04-02 | 2022-04-02 | 多机器人持续监控方法和非临时性计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210344304.4A CN114859891B (zh) | 2022-04-02 | 2022-04-02 | 多机器人持续监控方法和非临时性计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114859891A true CN114859891A (zh) | 2022-08-05 |
| CN114859891B CN114859891B (zh) | 2024-06-14 |
Family
ID=82630027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210344304.4A Active CN114859891B (zh) | 2022-04-02 | 2022-04-02 | 多机器人持续监控方法和非临时性计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114859891B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5687294A (en) * | 1994-06-07 | 1997-11-11 | Samsung Electronics Co., Ltd. | Running control system of robot and method thereof |
| CN104950883A (zh) * | 2015-05-14 | 2015-09-30 | 西安电子科技大学 | 一种基于距离网格地图的移动机器人路径规划方法 |
| CN105043396A (zh) * | 2015-08-14 | 2015-11-11 | 北京进化者机器人科技有限公司 | 一种移动机器人室内自建地图的方法和系统 |
| US20170199525A1 (en) * | 2016-01-08 | 2017-07-13 | King Fahd University Of Petroleum And Minerals | Apparatus and method for deploying sensors |
| CN110595482A (zh) * | 2019-10-28 | 2019-12-20 | 深圳市银星智能科技股份有限公司 | 一种带避障权重的路径规划方法、装置及电子设备 |
| CN110887484A (zh) * | 2019-10-14 | 2020-03-17 | 重庆邮电大学 | 基于改进遗传算法的移动机器人路径规划方法及存储介质 |
-
2022
- 2022-04-02 CN CN202210344304.4A patent/CN114859891B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5687294A (en) * | 1994-06-07 | 1997-11-11 | Samsung Electronics Co., Ltd. | Running control system of robot and method thereof |
| CN104950883A (zh) * | 2015-05-14 | 2015-09-30 | 西安电子科技大学 | 一种基于距离网格地图的移动机器人路径规划方法 |
| CN105043396A (zh) * | 2015-08-14 | 2015-11-11 | 北京进化者机器人科技有限公司 | 一种移动机器人室内自建地图的方法和系统 |
| US20170199525A1 (en) * | 2016-01-08 | 2017-07-13 | King Fahd University Of Petroleum And Minerals | Apparatus and method for deploying sensors |
| CN110887484A (zh) * | 2019-10-14 | 2020-03-17 | 重庆邮电大学 | 基于改进遗传算法的移动机器人路径规划方法及存储介质 |
| CN110595482A (zh) * | 2019-10-28 | 2019-12-20 | 深圳市银星智能科技股份有限公司 | 一种带避障权重的路径规划方法、装置及电子设备 |
Non-Patent Citations (4)
| Title |
|---|
| 李海婷;张鹏超;罗朝阳;刘亚恒;徐鹏飞;: "多移动机器人队形初始化目标点分配算法研究", 陕西理工大学学报(自然科学版), no. 03, 20 June 2020 (2020-06-20) * |
| 陈亚萍等: "Persistent Surveillance Method of Multiple Mobile Robots Baesd on Pheromone Positive Incentive Mechanism", 《2022 INTERNATIONAL SYMPOSIUM ON CONTROL ENGINEERING AND ROBOTICS》, 1 February 2022 (2022-02-01) * |
| 陈亚萍等: "面向区域监视任务的信息素正向激励栅格法", 兵工学报, 11 April 2023 (2023-04-11) * |
| 陈亚萍等: "面向多无人平台区域监视任务的信息素正向激励栅格方法", 《兵工学报》, 25 September 2023 (2023-09-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114859891B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110887484B (zh) | 基于改进遗传算法的移动机器人路径规划方法及存储介质 | |
| CN110361017B (zh) | 一种基于栅格法的扫地机器人全遍历路径规划方法 | |
| EP1844298B1 (en) | Point-to-point path planning | |
| Jin et al. | Optimal coverage path planning for arable farming on 2D surfaces | |
| Zhu et al. | DSVP: Dual-stage viewpoint planner for rapid exploration by dynamic expansion | |
| CN107289950A (zh) | 植保无人机作业航线规划方法及植保无人机 | |
| CN110766254A (zh) | 一种基于改进遗传算法的多无人机协同任务分配方法 | |
| CN111580514B (zh) | 基于联合编队的移动机器人最优路径覆盖方法 | |
| CN114967711B (zh) | 一种基于动态加权地图的多agv协同路径规划方法及系统 | |
| JP2023509406A (ja) | 障害物に対するロボットの回避のためのエッジ経路の選択方法、チップ及びロボット | |
| CN112965485A (zh) | 一种基于二次区域划分的机器人全覆盖路径规划方法 | |
| LU102942B1 (en) | Path planning method based on improved a* algorithm in off-road environment | |
| CN114764239A (zh) | 清扫机器人控制方法、装置、计算机设备及存储介质 | |
| CN114661046A (zh) | 军事对抗环境下的机器人自主导航算法、存储介质 | |
| Seder et al. | Hierarchical path planning of mobile robots in complex indoor environments | |
| CN113219990B (zh) | 基于自适应邻域与转向代价的机器人路径规划方法 | |
| Jeon et al. | An entry-exit path planner for an autonomous tractor in a paddy field | |
| CN114859891A (zh) | 多机器人持续监控方法和非临时性计算机可读存储介质 | |
| Sinriech et al. | Landmark configuration for absolute positioning of autonomous vehicles | |
| CN114255241A (zh) | 用于路径规划的区域分割方法、装置、设备及存储介质 | |
| Han et al. | A multiple surrounding point set approach using Theta* algorithm on eight-neighbor grid graphs | |
| Xu et al. | A cell potential and motion pattern driven multi-robot coverage path planning algorithm | |
| Lin et al. | Research on multi-usv cooperative search method | |
| CN114378828B (zh) | 一种核工业检测机器人的任务规划方法 | |
| CN118089733A (zh) | 一种基于改进强化学习的六足机器人路径规划方法 |
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 |