CN114859904B - 一种基于e-grn的集群围捕方法、执行装置和系统 - Google Patents
一种基于e-grn的集群围捕方法、执行装置和系统 Download PDFInfo
- Publication number
- CN114859904B CN114859904B CN202210433969.2A CN202210433969A CN114859904B CN 114859904 B CN114859904 B CN 114859904B CN 202210433969 A CN202210433969 A CN 202210433969A CN 114859904 B CN114859904 B CN 114859904B
- Authority
- CN
- China
- Prior art keywords
- target
- agent
- enclosure
- concentration
- concentration field
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells
-
- 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
Abstract
Description
技术领域
本发明涉及无人机技术领域,具体是一种基于E-GRN的集群围捕方法、执行装置和系统。
背景技术
基因调控网络是基于细胞内或特定一个基因组内基因和基因之间的相互作用关系所形成,在众多相互作用关系之中,又特指基于基因调控所导致的基因间的作用。基因调控网络模拟的是生物体内控制基因表达的机制,其研究有广泛的生物学意义,近年来随着人工智能仿生研究的不断发展,基因调控网络在群体智能领域也有所应用。
受发育基因调控网络的调控和环境的影响,生物形态发生一般会经过细胞分裂、生长和分化,最终形成生物有机体成熟形态。GRN是基因的模型和基因产物在环境中的相互作用,描述了基因在环境中的动态表达。在之前的研究中,已经有利用GRN和形态梯度实现群机器人系统形态发生的概念。将生物形态发生中的基因表达机制应用于群体机器人控制的基本思想是在细胞和机器人之间建立一种隐喻。即每个细胞都可以看作是一个机器人,细胞中的基因生成蛋白质构建蛋白质浓度场最终反过来影响细胞的运动,映射到机器人建立目标与障碍物信息浓度场并通过自身所生成的浓度场反过来调节自身基因表达,进而调节细胞生命活动(机器人运动)。
在群体智能领域,YaochuJin等人提出了一种基于进化分层基因调控网络模型(EH-GRN)的群体智能体模式形成方法,提高了模式生成的灵活性和对各种任务的适应性。基因调控网络上层利用障碍物信息和围捕目标位置信息生成环境浓度信息,将浓度信息采样出pattern作为智能体的移动目标。基因调控网络下层基于该环境浓度信息避开障碍物移动向该目标pattern,在目标附近形成包围圈。Fan等人在此基础上,利用基因编程的方法实现了基因调控网络上层结构的自动生成。基因网络调控模型可以适用于群智能体的不同应用场景,即在复杂障碍物环境下实现对目标的围捕。但是目前基因调控网络模型中存在智能体围捕多个目标时分组数量不均匀,智能体针对每个目标形成的包围圈中智能体位置分布不均匀,智能体运动不稳定的问题。
发明内容
本发明提供一种基于E-GRN的集群围捕方法、执行装置和系统,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
第一方面,提供一种基于E-GRN的集群围捕方法,包括:
步骤1、获取围捕目标位置信息和障碍物位置信息;
步骤2、根据围捕目标位置信息通过GRN上层浓度公式生成关于围捕目标的浓度场,根据障碍物位置信息通过GRN上层浓度公式生成关于障碍物的浓度场;
步骤3、通过将浓度场和浓度场进行耦合,得到中间浓度场和中间浓度场,将中间浓度场和中间浓度场进行耦合得到最终浓度场M;
步骤4、在最终浓度场M中取样设定的浓度值得到围捕形态pattern;
步骤5、根据围捕形态pattern分配围捕点,直至所有的智能体均分配到唯一的围捕点;
步骤6、控制目标智能体运动至围捕点。
进一步,在步骤1中,获取围捕目标位置信息和障碍物信息具体包括:建立平面坐标系,通过所述平面坐标系对围捕目标的位置进行表示,得到围捕目标位置信息,通过所述平面坐标系对障碍物的位置进行表示,得到障碍物位置信息。
进一步,在步骤2中,根据围捕目标位置信息通过GRN上层浓度公式生成关于围捕目标的浓度场,根据障碍物位置信息通过GRN上层浓度公式生成关于障碍物的浓度场具体包括:
根据GRN上层浓度公式将围捕目标位置信息选其的Neuman边界条件映射成浓度场,浓度场的表达式如公式(3)所示:
(3);
其中,表示为围捕目标位置信息中的横坐标信息,表示为围捕目标位置信息中的纵坐标信息,表示浓度扩散因子,可以调整距离与浓度的映射关系;的范围为[0,1];
根据GRN上层浓度公式将障碍物位置信息选其的Neuman边界条件映射成浓度场具体包括:通sigmond函数将围捕目标位置信息映射成浓度场,浓度场的表达式如公式(4)所示:
(4);
其中,表示为障碍物位置信息中的横坐标信息,表示为障碍物位置信息中的纵坐标信息,表示浓度扩散因子,可以调整距离与浓度的映射关系,的范围为[0,1]。
进一步,在步骤3中,所述通过将浓度场和浓度场进行耦合,得到中间浓度场和中间浓度场,将中间浓度场和中间浓度场进行耦合得到最终浓度场M具体包括:将浓度场和浓度场分别代入公式(5)得到中间浓度场,将浓度场和浓度场分别代入公式(6)得到中间浓度场,将中间浓度场和中间浓度场分别代入公式(7)得到最终浓度场M;
具体为:
(5);
(6);
(7);
其中,,为可调参量,的范围为[0,1],为可调参量,的范围为[0-2],调节 可以调节整个浓度场的浓度值范围,调节可以整体调节浓度场内相邻栅格内浓度值的间隔。
进一步,在步骤5中,根据围捕形态pattern分配围捕点,直至所有的智能体均分配到唯一的围捕点具体包括:获取围捕形态pattern的数量,根据围捕形态pattern的数量将智能体进行分组,将围捕形态pattern的采样点以同一组的智能体的数量进行等间距分割,得到分割点,所述分割点作为一次分配围捕点;将所述一次分配围捕点进行均匀分配,其中,均匀分配具体包括:
步骤S1、对每个智能体和围捕点遍历,计算智能体与各个围捕点之间的距离并存储到智能体列表中;
步骤S2、智能体通过比较列表中自身与各个围捕点之间的距离,计算列表中距离的最小值,找到离得最近的围捕点,记该智能体离其最近的围捕点距离为,并将该智能体序列号存储到围捕点的列表中,如果围捕点列表中没有其他智能体,或者有其他智能体但其他智能体离围捕点的距离大于,则将该智能体与该围捕点配对,将作为的目标点;
如果围捕点列表中有其他智能体且智能体比智能体距离围捕点M更近,则将围捕点与配对,围捕点成为的目标点;
步骤S3,对每个智能体以及每个围捕点执行上述步骤,直至所有的智能体分配到相应的围捕点。
进一步,在步骤6中,所述控制目标智能体运动至围捕点具体包括:
计算目标智能体与围捕目标与其他智能体之间的避碰速度;
(8);
其中,表示为目标智能体与其他智能体之间的排斥速度;表示为目标智能体与围捕目标之间的排斥速度;
(9);
(10);
为设定的智能体之间的互相排斥的距离,当目标智能体与其他智能体之间的距离小于该距离时,则目标智能体会产生排斥速度,速度方向为远离其他智能体,为了方便描述,表示为智能体在坐标系中的绝对位置向量,表示为其他智能体在坐标系中的绝对位置向量,表示为目标智能体与其他智能体之间的距离,,为可调系数,可以线性调节该速度项的大小,范围在[0-10];为设定的距离,当目标智能体与围捕目标之间的距离小于该距离时,则目标智能体会产生排斥速度,速度方向为远离围捕目标,为了方便描述,表示为目标智能体相对于基准位置的距离向量,表示为围捕目标相对于基准位置的距离向量,表示为目标智能体与围捕目标之间的距离,,为可调参数,可以线性调节该速度项的大小,范围在[0-10];
计算目标智能体与障碍物之间的避障速度;
(11);
当目标智能体靠近障碍物时,在障碍物离目标智能体最近点处有一虚拟智能体绝对坐标位置为;该虚拟智能体产生一个垂直于障碍物边界、指向场地的虚拟速度,目标智能体计算自身与虚拟智能体之间的相对距离为;和为可调系数,的范围在[0-10],的范围在[0-20];该公式将智能体遇到障碍物的减速阶段分为两个过程,当智能体离障碍物的距离小于和时,分别利用对应的速度衰减函数进行减速;
为智能体遇到障碍物第二阶段减速函数中的可调参数,可以调整智能体所受到障碍物排斥随着两者距离变化的快慢,范围在[0-2];
为了使得目标智能体符合自然群体运动规律,目标智能体在接近围捕目标的过程中,随着目标智能体与围捕目标之间的距离减少,目标智能体的速度平滑的衰减,使得运动更加自然,其中:
(12);
(13);
为目标智能体与围捕目标之间的距离,为目标智能体群期望包围圈半径,为目标智能体追踪目标基础速度,是智能体的最大加速度;为可调系数,范围在[0-10],为可调系数,范围在[0-10];
将上述各个速度分量进行叠加,得到目标智能体的最终速度;(14);
最后,对智能体的速度加以限制,即为了满足实际应用需求,上述速度控制器所产生的速度需要加以限制,当智能体利用上述控制器所计算出的速度超过时候,智能体的速度幅值变成,但是速度方向保持不变;
表示可以允许的智能体最大速度,表示速度方向;的大小与硬件有关,;
;
控制目标智能体以最终速度运动至围捕点。
第二方面,提供一种基于E-GRN的集群围捕方法的执行装置,包括:
处理器;
存储器,用于存储计算机可读程序;
当所述计算机可读程序被所述处理器执行时,使得所述处理器实现如上述技术方案任一项所述的基于E-GRN的集群围捕方法。
第三方面,提供一种基于E-GRN的集群围捕方法的执行系统,包括:
获取模块,获取围捕目标位置信息和障碍物位置信息;
设计模块,通过基因编程设计GRN上层浓度公式;
浓度场形成模块,根据围捕目标位置信息通过GRN上层浓度公式生成关于围捕目标的浓度场,根据障碍物位置信息通过GRN上层浓度公式生成关于障碍物的浓度场,通过将浓度场和浓度场进行耦合,得到中间浓度场和中间浓度场,将中间浓度场和中间浓度场进行耦合得到最终浓度场M;
围捕形态形成模块,在最终浓度场M中取样设定的浓度值得到围捕形态pattern;
围捕点分配模块,根据围捕形态pattern分配围捕点,直至所有的智能体均分配到唯一的围捕点;
运动控制模块,控制目标智能体运动至围捕点。
本发明至少具有以下有益效果:本发明的方法能够在复杂环境下,利用GRN上层提供的浓度信息,自适应地完成对围捕目标的均匀围捕,运动过程中智能体自动避障,智能体之间自主避撞,存在多个围捕形态pattern时,智能体会自动均匀分组,整个运动过程平滑自然,符合动力学约束。执行装置和系统的有益效果与基于E-GRN的集群围捕方法类似,这里就不重复描述了。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1是基于E-GRN的集群围捕方法的步骤流程图;
图2是基于E-GRN的集群围捕方法的执行系统的模块连接结构示意图;
图3是基因调控网络映射目标位置信息生成的浓度场的示意图;
图4是基因调控网络映射障碍物位置信息生成的浓度场的示意图;
图5是目标位置信息与障碍物位置信息耦合浓度场的示意图;
图6是12个智能体围捕两个目标的围捕过程图;
图7是15个智能体围捕两个目标的围捕过程图;
图8是14个智能体围捕两个目标的围捕过程图;
图9是12个智能体在无障碍环境围捕两个圆周运动的目标的围捕过程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
需要说明的是,虽然在系统示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于系统中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
第一方面,参考图1,提供一种基于E-GRN的集群围捕方法,包括:
步骤1、获取围捕目标位置信息和障碍物位置信息;
步骤2、根据围捕目标位置信息通过GRN上层浓度公式生成关于围捕目标的浓度场,根据障碍物位置信息通过GRN上层浓度公式生成关于障碍物的浓度场;
步骤3、通过将浓度场和浓度场进行耦合,得到中间浓度场和中间浓度场,将中间浓度场和中间浓度场进行耦合得到最终浓度场M;
步骤4、在最终浓度场M中取样设定的浓度值得到围捕形态pattern;
步骤5、根据围捕形态pattern分配围捕点,直至所有的智能体均分配到唯一的围捕点;
步骤6、控制目标智能体运动至围捕点。
其中,在步骤1中,获取围捕目标位置信息和障碍物信息具体包括:建立平面坐标系,通过所述平面坐标系对围捕目标的位置进行表示,得到围捕目标位置信息,通过所述平面坐标系对障碍物的位置进行表示,得到障碍物位置信息。
通过基因编程自主设计GRN上层浓度公式,GRN上层生成关于目标和障碍物的浓度场,并将障碍物浓度场与目标浓度场进行耦合,使栅格地图为智能体提供远离障碍物靠近目标的浓度信息。
在步骤2中,根据围捕目标位置信息通过GRN上层浓度公式生成关于围捕目标的浓度场,根据障碍物位置信息通过GRN上层浓度公式生成关于障碍物的浓度场具体包括:
根据GRN上层浓度公式将围捕目标位置信息选其的Neuman边界条件映射成浓度场,浓度场的表达式如公式(3)所示:
(3);
其中,表示为围捕目标位置信息中的横坐标信息,表示为围捕目标位置信息中的纵坐标信息,表示浓度扩散因子,可以调整距离与浓度的映射关系,的范围为[0,1];本实施例中。
根据GRN上层浓度公式将障碍物位置信息选其的Neuman边界条件映射成浓度场具体包括:通过sigmond函数将围捕目标位置信息映射成浓度场,浓度场的表达式如公式(4)所示:
(4);
其中,表示为障碍物位置信息中的横坐标信息,表示为障碍物位置信息中的纵坐标信息,表示浓度扩散因子,可以调整距离与浓度的映射关系,的范围为[0,1]。本实施例中。
在步骤3中,所述通过将浓度场和浓度场进行耦合,得到中间浓度场(如图3所示)和中间浓度场(如图4所示),将中间浓度场和中间浓度场进行耦合得到最终浓度场M具体包括:将浓度场和浓度场分别代入公式(5)得到中间浓度场,将浓度场和浓度场分别代入公式(6)得到中间浓度场,将中间浓度场和中间浓度场分别代入公式(7)得到最终浓度场M(如图5所示)。
具体为:
(5);
(6);
(7);
其中,,为可调参量,的范围为[0,1],为可调参量,的范围为[0-20]。本实施例中,,,、、为0。调节可以调节整个浓度场的浓度值范围,调节可以整体调节浓度场内相邻栅格内浓度值的间隔。
在步骤5中,根据围捕形态pattern分配围捕点,直至所有的智能体均分配到唯一的围捕点具体包括:获取围捕形态pattern的数量,根据围捕形态pattern的数量将智能体进行分组,将围捕形态pattern的采样点以同一组的智能体的数量进行等间距分割,得到分割点,所述分割点作为一次分配围捕点;将所述一次分配围捕点进行均匀分配,其中,均匀分配具体包括:
步骤S1、对每个智能体和围捕点遍历,计算智能体与各个围捕点之间的距离并存储到智能体列表中;
步骤S2、智能体通过比较列表中自身与各个围捕点之间的距离,计算列表中距离的最小值,找到离得最近的围捕点,记该智能体离其最近的围捕点距离为,并将该智能体序列号存储到围捕点的列表中,如果围捕点列表中没有其他智能体,或者有其他智能体但其他智能体离围捕点的距离大于,则将该智能体与该围捕点配对,将作为的目标点;
如果围捕点列表中有其他智能体且智能体比智能体距离围捕点M更近,则将围捕点与配对,围捕点成为的目标点;
步骤S3,对每个智能体以及每个围捕点执行上述步骤,直至所有的智能体分配到相应的围捕点。
通过步骤S1至步骤S3,可以对每一个智能体进行围捕点的分配,从而使得每一个智能体均可以得到其对应的围捕点。为下一步智能体运动到围捕点做准备。
在步骤7中,在步骤7中,所述控制目标智能体运动至围捕点具体包括:
计算目标智能体与围捕目标与其他智能体之间的避碰速度;
(8);
其中,表示为目标智能体与其他智能体之间的排斥速度;表示为目标智能体与围捕目标之间的排斥速度;
(9);
(10);
为设定的智能体之间的互相排斥的距离,本实施例中,当目标智能体与其他智能体之间的距离小于该距离时,则目标智能体会产生排斥速度,速度方向为远离其他智能体,为了方便描述,表示为智能体在坐标系中的绝对位置向量,表示为其他智能体在坐标系中的绝对位置向量,表示为目标智能体与其他智能体之间的距离,,为可调系数,可以线性调节该速度项的大小,范围在[0-10],本实施例中。
为设定的距离,当目标智能体与围捕目标之间的距离小于该距离时,则目标智能体会产生排斥速度,速度方向为远离围捕目标,为了方便描述,表示为目标智能体相对于基准位置的距离向量,表示为围捕目标相对于基准位置的距离向量,表示为目标智能体与围捕目标之间的距离,,为可调参数,可以线性调节该速度项的大小,范围在[0-10],本实施例中。
计算目标智能体与障碍物之间的避障速度;
(11);
当目标智能体靠近障碍物时,在障碍物离目标智能体最近点处有一虚拟智能体绝对坐标位置为;该虚拟智能体产生一个垂直于障碍物边界、指向场地的虚拟速度,目标智能体计算自身与虚拟智能体之间的相对距离为;和为可调系数;可以线性的调节速度项的大小。范围在[0-10],本实施例中为。范围在[0-20],本实施例中为。该公式将智能体遇到障碍物的减速阶段分为两个过程,当智能体离障碍物的距离小于(期望的智能体第二减速阶段距离阈值,本实施例中为)和(期望的智能体第一减速阶段距离阈值,本实施例中为)时,分别利用对应的速度衰减函数进行减速。为智能体遇到障碍物第二阶段减速函数中的可调参数,可以调整智能体所受到障碍物排斥随着两者距离变化的快慢,范围在[0-2],本实施例中为,可以根据实际情况调整。
为了使得目标智能体符合自然群体运动规律,目标智能体在接近围捕目标的过程中,随着目标智能体与围捕目标之间的距离减少,目标智能体的速度平滑的衰减,使得运动更加自然,其中:
(12);
(13);
为目标智能体与围捕目标之间的距离,为目标智能体群期望包围圈半径,为目标智能体追踪目标基础速度,为可调参数,是智能体的最大加速度;可调系数,范围在[0-10];本实施例中或者,为大数值使制动曲线近似于恒加速度曲线,为小数值则会拉长制动的最后部分(在小速度下),加速减小,停止更平稳。为可调系数,可以线性调节该速度项的大小,范围在[0-10],本实施例中。
将上述各个速度分量进行叠加,得到目标智能体的最终速度;(14);
最后,对智能体的速度加以限制,即为了满足实际应用需求,上述速度控制器所产生的速度需要加以限制,当智能体利用上述控制器所计算出的速度超过时候,智能体的速度幅值变成,但是速度方向保持不变。下列公式中,表示可以允许的智能体最大速度,表示速度方向。的大小与硬件有关,本实施例。
;
控制目标智能体以最终速度运动至围捕点。
在控制目标智能体运动到围捕点的时候,本具体实施例考虑到了目标智能体与其他智能体之间的壁撞,同时也考虑目标智能体与围捕目标之间的壁撞,避免了目标智能体与围捕目标产生碰撞。为此引用入了速度。同时,还考虑了目标智能体与障碍物之间的关系,因此,引入了速度。还考虑了目标智能体在接近围捕目标的时候,存在的平滑过渡问题,引入了速度,使得目标智能体的速度平滑的衰减,使得运动更加自然。最终将引入的速度进行叠加,得到最终速度,并控制目标智能体以最终速度运动至围捕点,从而实现对围捕目标的围捕,而且在围捕过程中,避免了其他智能体的碰撞、围捕目标的碰撞和障碍物的碰撞。
为了更加直观的说明本围捕方法,将本方法进行仿真实验;其中,在图6中,将本方法仿真应用在12个智能体在有障碍环境围捕两个随机游走的目标的应用场景。从图6的左到右可以知道,12个智能体可以避开障碍物并对两个随机游走的目标进行围捕。在图7中,将本方法仿真应用在15个智能体在有障碍环境围捕两个目标的应用场景。从图7的左到右可以知道,15个智能体可以避开障碍物并对两个随机游走的目标进行围捕。在图8中,将本方法仿真应用在14个智能体在复杂障碍环境围捕两个目标的应用场景。从图8的左到右可以知道,14个智能体可以避开障碍物并对两个随机游走的目标进行围捕。在图9中,将本方法仿真应用在12个智能体在无障碍环境围捕两个圆周运动的目标的应用场景。从图9的左到右可以知道,12个智能体在无障碍环境可以围捕两个圆周运动的目标。
第二方面提供了一种基于E-GRN的集群围捕方法的执行装置,包括:处理器和存储器,所述存储器模块用于存储计算机可读程序,其中,当所述计算机可读程序被所述处理器执行时,使得所述处理器实现如上述具体实施例所述的基于E-GRN的集群围捕方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器模块技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储设备、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
第三方面,参考图2,提供一种基于E-GRN的集群围捕方法的执行系统,包括:获取模块、设计模块、浓度场形成模块、围捕形态形成模块、围捕点分配模块和运动控制模块。
所述获取模块用于获取围捕目标位置信息和障碍物位置信息;所述设计模块用于通过基因编程设计GRN上层浓度公式;所述浓度场形成模块用于根据围捕目标位置信息通过GRN上层浓度公式生成关于围捕目标的浓度场,根据障碍物位置信息通过GRN上层浓度公式生成关于障碍物的浓度场,通过将浓度场和浓度场进行耦合,得到中间浓度场和中间浓度场,将中间浓度场和中间浓度场进行耦合得到最终浓度场M;所述围捕形态形成模块用于在最终浓度场M中取样设定的浓度值得到围捕形态pattern;所述围捕点分配模块用于根据围捕形态pattern分配围捕点,直至所有的智能体均分配到唯一的围捕点;所述运动控制模块用于控制目标智能体运动至围捕点。
Claims (3)
1.一种基于E-GRN的集群围捕方法,其特征在于,包括:
步骤1、获取围捕目标位置信息和障碍物位置信息;
步骤2、根据围捕目标位置信息通过GRN上层浓度公式生成关于围捕目标的浓度场,根据障碍物位置信息通过GRN上层浓度公式生成关于障碍物的浓度场;
步骤3、通过将浓度场和浓度场进行耦合,得到中间浓度场和中间浓度场,将中间浓度场和中间浓度场进行耦合得到最终浓度场M;
步骤4、在最终浓度场M中取样设定的浓度值得到围捕形态pattern;
步骤5、根据围捕形态pattern分配围捕点,直至所有的智能体均分配到唯一的围捕点;
步骤6、控制目标智能体运动至围捕点;
在步骤1中,获取围捕目标位置信息和障碍物信息具体包括:建立平面坐标系,通过所述平面坐标系对围捕目标的位置进行表示,得到围捕目标位置信息,通过所述平面坐标系对障碍物的位置进行表示,得到障碍物位置信息;
在步骤2中,根据围捕目标位置信息通过GRN上层浓度公式生成关于围捕目标的浓度场,根据障碍物位置信息通过GRN上层浓度公式生成关于障碍物的浓度场具体包括:
根据GRN上层浓度公式将围捕目标位置信息选其的Neuman边界条件映射成浓度场,浓度场的表达式如公式(3)所示:
(3);
其中,表示为围捕目标位置信息中的横坐标信息,表示为围捕目标位置信息中的纵坐标信息,表示浓度扩散因子,可以调整距离与浓度的映射关系;的范围为[0,1];
根据GRN上层浓度公式将障碍物位置信息选其的Neuman边界条件映射成浓度场具体包括:通sigmond函数将围捕目标位置信息映射成浓度场,浓度场的表达式如公式(4)所示:
(4);
其中,表示为障碍物位置信息中的横坐标信息,表示为障碍物位置信息中的纵坐标信息,表示浓度扩散因子,可以调整距离与浓度的映射关系,的范围为[0,1];
在步骤3中,所述通过将浓度场和浓度场进行耦合,得到中间浓度场和中间浓度场,将中间浓度场和中间浓度场进行耦合得到最终浓度场M具体包括:将浓度场和浓度场分别代入公式(5)得到中间浓度场,将浓度场和浓度场分别代入公式(6)得到中间浓度场,将中间浓度场和中间浓度场分别代入公式(7)得到最终浓度场M;
具体为:
(5);
(6);
(7);
其中,,为可调参量,的范围为[0,1],为可调参量,的范围为[0,2],调节 可以调节整个浓度场的浓度值范围,调节可以整体调节浓度场内相邻栅格内浓度值的间隔;
在步骤5中,根据围捕形态pattern分配围捕点,直至所有的智能体均分配到唯一的围捕点具体包括:获取围捕形态pattern的数量,根据围捕形态pattern的数量将智能体进行分组,将围捕形态pattern的采样点以同一组的智能体的数量进行等间距分割,得到分割点,所述分割点作为一次分配围捕点;将所述一次分配围捕点进行均匀分配,其中,均匀分配具体包括:
步骤S1、对每个智能体和围捕点遍历,计算智能体与各个围捕点之间的距离并存储到智能体列表中;
步骤S2、智能体通过比较列表中自身与各个围捕点之间的距离,计算列表中距离的最小值,找到离得最近的围捕点,记该智能体离其最近的围捕点距离为,并将该智能体序列号存储到围捕点的列表中,如果围捕点列表中没有其他智能体,或者有其他智能体但其他智能体离围捕点的距离大于,则将该智能体与该围捕点配对,将作为的目标点;
如果围捕点列表中有其他智能体且智能体比智能体距离围捕点M更近,则将围捕点与配对,围捕点成为的目标点;
步骤S3,对每个智能体以及每个围捕点执行上述步骤,直至所有的智能体分配到相应的围捕点;
在步骤6中,所述控制目标智能体运动至围捕点具体包括:
计算目标智能体与围捕目标与其他智能体之间的避碰速度;
(8);
其中,表示为目标智能体与其他智能体之间的排斥速度;表示为目标智能体与围捕目标之间的排斥速度;
(9);
(10);
为设定的智能体之间的互相排斥的距离,当目标智能体与其他智能体之间的距离小于该距离时,则目标智能体会产生排斥速度,速度方向为远离其他智能体,为了方便描述,表示为智能体在坐标系中的绝对位置向量,表示为其他智能体在坐标系中的绝对位置向量,表示为目标智能体与其他智能体之间的距离,,为可调系数,可以线性调节该速度项的大小,范围在[0,10];为设定的距离,当目标智能体与围捕目标之间的距离小于该距离时,则目标智能体会产生排斥速度,速度方向为远离围捕目标,为了方便描述,表示为目标智能体相对于基准位置的距离向量,表示为围捕目标相对于基准位置的距离向量,表示为目标智能体与围捕目标之间的距离,,为可调参数,可以线性调节该速度项的大小,范围在[0,10];
计算目标智能体与障碍物之间的避障速度;
(11);
当目标智能体靠近障碍物时,在障碍物离目标智能体最近点处有一虚拟智能体绝对坐标位置为;该虚拟智能体产生一个垂直于障碍物边界、指向场地的虚拟速度,目标智能体计算自身与虚拟智能体之间的相对距离为;和为可调系数,的范围在[0,10],的范围在[0,20];该公式将智能体遇到障碍物的减速阶段分为两个过程,当智能体离障碍物的距离小于和时,分别利用对应的速度衰减函数进行减速;
为智能体遇到障碍物第二阶段减速函数中的可调参数,可以调整智能体所受到障碍物排斥随着两者距离变化的快慢,范围在[0,2];
为了使得目标智能体符合自然群体运动规律,目标智能体在接近围捕目标的过程中,随着目标智能体与围捕目标之间的距离减少,目标智能体的速度平滑的衰减,使得运动更加自然,其中:
(12);
(13);
为目标智能体与围捕目标之间的距离,为目标智能体群期望包围圈半径,为目标智能体追踪目标基础速度,是智能体的最大加速度;为可调系数,范围在[0,10],为可调系数,范围在[0,10];
将上述各个速度分量进行叠加,得到目标智能体的最终速度;(14);
最后,对智能体的速度加以限制,即为了满足实际应用需求,上述速度控制器所产生的速度需要加以限制,当智能体利用上述控制器所计算出的速度超过时候,智能体的速度幅值变成,但是速度方向保持不变;
表示可以允许的智能体最大速度,表示速度方向;的大小与硬件有关,;
;
控制目标智能体以最终速度运动至围捕点。
2.一种基于E-GRN的集群围捕方法的执行装置,其特征在于,包括:
处理器;
存储器,用于存储计算机可读程序;
当所述计算机可读程序被所述处理器执行时,使得所述处理器实现如权利要求1所述的基于E-GRN的集群围捕方法。
3.一种基于E-GRN的集群围捕方法的执行系统,其特征在于,包括:
获取模块,获取围捕目标位置信息和障碍物位置信息;
设计模块,通过基因编程设计GRN上层浓度公式;
浓度场形成模块,根据围捕目标位置信息通过GRN上层浓度公式生成关于围捕目标的浓度场,根据障碍物位置信息通过GRN上层浓度公式生成关于障碍物的浓度场,通过将浓度场和浓度场进行耦合,得到中间浓度场和中间浓度场,将中间浓度场和中间浓度场进行耦合得到最终浓度场M;
围捕形态形成模块,在最终浓度场M中取样设定的浓度值得到围捕形态pattern;
围捕点分配模块,根据围捕形态pattern分配围捕点,直至所有的智能体均分配到唯一的围捕点;
运动控制模块,控制目标智能体运动至围捕点;
获取围捕目标位置信息和障碍物信息具体包括:建立平面坐标系,通过所述平面坐标系对围捕目标的位置进行表示,得到围捕目标位置信息,通过所述平面坐标系对障碍物的位置进行表示,得到障碍物位置信息;
根据围捕目标位置信息通过GRN上层浓度公式生成关于围捕目标的浓度场,根据障碍物位置信息通过GRN上层浓度公式生成关于障碍物的浓度场具体包括:
根据GRN上层浓度公式将围捕目标位置信息选其的Neuman边界条件映射成浓度场,浓度场的表达式如公式(3)所示:
(3);
其中,表示为围捕目标位置信息中的横坐标信息,表示为围捕目标位置信息中的纵坐标信息,表示浓度扩散因子,可以调整距离与浓度的映射关系;的范围为[0,1];
根据GRN上层浓度公式将障碍物位置信息选其的Neuman边界条件映射成浓度场具体包括:通sigmond函数将围捕目标位置信息映射成浓度场,浓度场的表达式如公式(4)所示:
(4);
其中,表示为障碍物位置信息中的横坐标信息,表示为障碍物位置信息中的纵坐标信息,表示浓度扩散因子,可以调整距离与浓度的映射关系,的范围为[0,1];
所述通过将浓度场和浓度场进行耦合,得到中间浓度场和中间浓度场,将中间浓度场和中间浓度场进行耦合得到最终浓度场M具体包括:将浓度场和浓度场分别代入公式(5)得到中间浓度场,将浓度场和浓度场分别代入公式(6)得到中间浓度场,将中间浓度场和中间浓度场分别代入公式(7)得到最终浓度场M;
具体为:
(5);
(6);
(7);
其中,,为可调参量,的范围为[0,1],为可调参量,的范围为[0,2],调节 可以调节整个浓度场的浓度值范围,调节可以整体调节浓度场内相邻栅格内浓度值的间隔;
根据围捕形态pattern分配围捕点,直至所有的智能体均分配到唯一的围捕点具体包括:获取围捕形态pattern的数量,根据围捕形态pattern的数量将智能体进行分组,将围捕形态pattern的采样点以同一组的智能体的数量进行等间距分割,得到分割点,所述分割点作为一次分配围捕点;将所述一次分配围捕点进行均匀分配,其中,均匀分配具体包括:
步骤S1、对每个智能体和围捕点遍历,计算智能体与各个围捕点之间的距离并存储到智能体列表中;
步骤S2、智能体通过比较列表中自身与各个围捕点之间的距离,计算列表中距离的最小值,找到离得最近的围捕点,记该智能体离其最近的围捕点距离为,并将该智能体序列号存储到围捕点的列表中,如果围捕点列表中没有其他智能体,或者有其他智能体但其他智能体离围捕点的距离大于,则将该智能体与该围捕点配对,将作为的目标点;
如果围捕点列表中有其他智能体且智能体比智能体距离围捕点M更近,则将围捕点与配对,围捕点成为的目标点;
步骤S3,对每个智能体以及每个围捕点执行上述步骤,直至所有的智能体分配到相应的围捕点;
所述控制目标智能体运动至围捕点具体包括:
计算目标智能体与围捕目标与其他智能体之间的避碰速度;
(8);
其中,表示为目标智能体与其他智能体之间的排斥速度;表示为目标智能体与围捕目标之间的排斥速度;
(9);
(10);
为设定的智能体之间的互相排斥的距离,当目标智能体与其他智能体之间的距离小于该距离时,则目标智能体会产生排斥速度,速度方向为远离其他智能体,为了方便描述,表示为智能体在坐标系中的绝对位置向量,表示为其他智能体在坐标系中的绝对位置向量,表示为目标智能体与其他智能体之间的距离,,为可调系数,可以线性调节该速度项的大小,范围在[0,10];为设定的距离,当目标智能体与围捕目标之间的距离小于该距离时,则目标智能体会产生排斥速度,速度方向为远离围捕目标,为了方便描述,表示为目标智能体相对于基准位置的距离向量,表示为围捕目标相对于基准位置的距离向量,表示为目标智能体与围捕目标之间的距离,,为可调参数,可以线性调节该速度项的大小,范围在[0,10];
计算目标智能体与障碍物之间的避障速度;
(11);
当目标智能体靠近障碍物时,在障碍物离目标智能体最近点处有一虚拟智能体绝对坐标位置为;该虚拟智能体产生一个垂直于障碍物边界、指向场地的虚拟速度,目标智能体计算自身与虚拟智能体之间的相对距离为;和为可调系数,的范围在[0,10],的范围在[0,20];该公式将智能体遇到障碍物的减速阶段分为两个过程,当智能体离障碍物的距离小于和时,分别利用对应的速度衰减函数进行减速;
为智能体遇到障碍物第二阶段减速函数中的可调参数,可以调整智能体所受到障碍物排斥随着两者距离变化的快慢,范围在[0,2];
为了使得目标智能体符合自然群体运动规律,目标智能体在接近围捕目标的过程中,随着目标智能体与围捕目标之间的距离减少,目标智能体的速度平滑的衰减,使得运动更加自然,其中:
(12);
(13);
为目标智能体与围捕目标之间的距离,为目标智能体群期望包围圈半径,为目标智能体追踪目标基础速度,是智能体的最大加速度;为可调系数,范围在[0,10],为可调系数,范围在[0,10];
将上述各个速度分量进行叠加,得到目标智能体的最终速度;(14);
最后,对智能体的速度加以限制,即为了满足实际应用需求,上述速度控制器所产生的速度需要加以限制,当智能体利用上述控制器所计算出的速度超过时候,智能体的速度幅值变成,但是速度方向保持不变;
表示可以允许的智能体最大速度,表示速度方向;的大小与硬件有关,;
;
控制目标智能体以最终速度运动至围捕点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210433969.2A CN114859904B (zh) | 2022-04-24 | 2022-04-24 | 一种基于e-grn的集群围捕方法、执行装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210433969.2A CN114859904B (zh) | 2022-04-24 | 2022-04-24 | 一种基于e-grn的集群围捕方法、执行装置和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114859904A CN114859904A (zh) | 2022-08-05 |
CN114859904B true CN114859904B (zh) | 2023-04-07 |
Family
ID=82633311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210433969.2A Active CN114859904B (zh) | 2022-04-24 | 2022-04-24 | 一种基于e-grn的集群围捕方法、执行装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114859904B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115145289A (zh) * | 2022-09-02 | 2022-10-04 | 汕头大学 | 多智能体协同围捕方法、系统、设备及存储介质 |
CN116339351B (zh) * | 2023-05-29 | 2023-09-01 | 汕头大学 | 一种基于基因调控网络的智能体集群区域覆盖方法及系统 |
CN116578092B (zh) * | 2023-05-29 | 2023-11-14 | 汕头大学 | 一种基于基因调控网络的智能体集群运动控制方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688342B (zh) * | 2017-03-27 | 2019-05-10 | 平安科技(深圳)有限公司 | 机器人的避障控制系统及方法 |
CN110262566B (zh) * | 2019-06-24 | 2022-05-17 | 中国人民解放军国防科技大学 | 基于合作的基因调控方法和网络 |
US11292132B2 (en) * | 2020-05-26 | 2022-04-05 | Edda Technology, Inc. | Robot path planning method with static and dynamic collision avoidance in an uncertain environment |
WO2021242215A1 (en) * | 2020-05-26 | 2021-12-02 | Edda Technology, Inc. | A robot path planning method with static and dynamic collision avoidance in an uncertain environment |
CN112527012B (zh) * | 2020-11-30 | 2023-06-27 | 汕头大学 | 一种无中心机器人集群包围任务控制方法及系统 |
CN113885554B (zh) * | 2021-09-13 | 2023-07-25 | 汕头大学 | 一种无人机集群的分布式围捕控制方法及系统 |
-
2022
- 2022-04-24 CN CN202210433969.2A patent/CN114859904B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114859904A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114859904B (zh) | 一种基于e-grn的集群围捕方法、执行装置和系统 | |
CN113172626B (zh) | 一种基于三维基因调控网络的智能机器人群体控制方法 | |
CN108983823B (zh) | 一种植保无人机集群协同控制方法 | |
CN110561417B (zh) | 一种多智能体无碰撞轨迹规划方法 | |
Perrin et al. | Mean field games flock! the reinforcement learning way | |
CN109255302A (zh) | 目标物识别方法及终端、移动装置控制方法及终端 | |
CN111443728B (zh) | 一种基于混沌灰狼优化的无人机编队控制方法 | |
CN112068586B (zh) | 一种空间时间联合优化的四旋翼无人飞行器轨迹规划方法 | |
CN112462779A (zh) | 基于基因调控网络的群体机器人动态围捕控制方法及系统 | |
CN110633857B (zh) | 一种异构无人机群自主防御群集算法 | |
Panda et al. | Global path planning for multiple AUVs using GWO | |
CN113580129B (zh) | 一种基于机器人的多目标协同围捕方法、装置及介质 | |
CN112469050A (zh) | 一种基于改进灰狼优化器的wsn三维覆盖增强方法 | |
CN113359756B (zh) | 一种基于栅格法实现全向移动机器人避障路径实时规划的方法 | |
CN114397887B (zh) | 一种基于三层基因调控网络的群体机器人聚合控制方法 | |
CN113885554B (zh) | 一种无人机集群的分布式围捕控制方法及系统 | |
CN111833381A (zh) | 一种无人机目标跟踪轨迹生成方法、无人机及存储介质 | |
Liao et al. | Model predictive control for cooperative hunting in obstacle rich and dynamic environments | |
CN114154383A (zh) | 基于认知搜索策略的多机器人源搜索方案生成方法及系统 | |
Park | Guiding flows for controlling crowds | |
CN115993843B (zh) | 一种应用于群体智能系统的最优编队控制方法 | |
CN116520852A (zh) | 一种局部信息下的群机器人围捕多目标方法、装置及设备 | |
Wang et al. | AGENT: an adaptive grouping and entrapping method for flocking systems | |
CN112987713A (zh) | 自动驾驶设备的控制方法、装置及存储介质 | |
CN116225064A (zh) | 一种密集无人机避障与冲突消解方法及装置 |
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 |