CN116339351B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116339351B CN116339351B CN202310614358.2A CN202310614358A CN116339351B CN 116339351 B CN116339351 B CN 116339351B CN 202310614358 A CN202310614358 A CN 202310614358A CN 116339351 B CN116339351 B CN 116339351B
- Authority
- CN
- China
- Prior art keywords
- agent
- intelligent
- obstacles
- position information
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 53
- 230000033001 locomotion Effects 0.000 claims abstract description 58
- 230000000877 morphologic effect Effects 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 239000003795 chemical substances by application Substances 0.000 description 134
- 238000010586 diagram Methods 0.000 description 7
- 239000004973 liquid crystal related substance Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G05D1/0212—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 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
- G05D1/0212—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 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
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/08—Trunked mobile radio systems
-
- 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
本发明公开了一种基于基因调控网络的智能体集群区域覆盖方法、系统、设备及介质，涉及智能控制技术领域，所述基因调控网络包括上层网络和下层网络，其中所述方法包括：实时获取智能体的位置信息以及与其邻近的所有障碍物的位置信息；在上层网络中，根据智能体的位置信息和所有障碍物的位置信息，生成由智能体和所有障碍物形成的三维浓度地图，再将三维浓度地图映射到二维平面以获取智能体所处的影响区域；在下层网络中，根据影响区域的形态特征确定智能体在下一时刻的运动速度；控制智能体按照运动速度运行，以进行区域覆盖。本发明通过引入基因调控网络调整智能体的当前运行状态，使得智能体集群达到更好的区域覆盖效果。
Description
技术领域
本发明涉及智能控制技术领域，具体是涉及一种基于基因调控网络的智能体集群区域覆盖方法、系统、设备及介质。
背景技术
智能体因响应速度快、使用成本低等特点受到空前的关注并得到迅速发展。但是由于环境复杂性和任务多样性，单个智能体通常难以满足很多实际任务需求，考虑到执行任务的效率，智能体的协同控制技术得到广泛的研究。
智能体集群的区域覆盖问题是指控制每个智能体运动以使得智能体集群所形成的感知范围逐步覆盖整个区域，从而实现对该区域的高效侦察或监控，可广泛应用于大气监测、森林火灾探测、交通控制等领域。目前已有学者提出利用虚拟势场函数来构建出智能体运动控制模型以实现智能体集群的区域覆盖，但是由于虚拟势场函数的本质是调节智能体之间的引力和斥力，很容易造成智能体集群在运动过程中发生死锁问题，从而导致区域覆盖效果不佳。
发明内容
本发明提供一种基于基因调控网络的智能体集群区域覆盖方法、系统、设备及介质，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，提供一种基于基因调控网络的智能体集群区域覆盖方法，所述基因调控网络包括上层网络和下层网络，所述方法包括：
针对智能体集群中的每个智能体，实时获取所述智能体的位置信息以及与其邻近的所有障碍物的位置信息；
在所述上层网络中，根据所述智能体的位置信息和所述所有障碍物的位置信息，生成由所述智能体和所述所有障碍物形成的三维浓度地图，再将所述三维浓度地图映射到二维平面以获取所述智能体所处的影响区域；
在所述下层网络中，根据所述影响区域的形态特征确定所述智能体在下一时刻的运动速度；
控制所述智能体按照所述运动速度运行，以进行区域覆盖。
进一步地，所述所有障碍物为所述智能体集群中除所述智能体之外与所述智能体之间的距离落在给定探测范围内的所有智能体。
进一步地，所述根据所述智能体的位置信息和所述所有障碍物的位置信息，生成由所述智能体和所述所有障碍物形成的三维浓度地图包括：
根据所述智能体的位置信息，确定所述智能体产生的个体浓度场；
根据所述所有障碍物的位置信息，确定所述所有障碍物产生的综合浓度场；
将所述个体浓度场和所述综合浓度场进行融合，得到由所述智能体和所述所有障碍物形成的三维浓度地图。
进一步地，所述将所述个体浓度场和所述综合浓度场进行融合，相应的公式为：
其中，为所述基因调控网络中的一种基因以生成所述综合浓度场/>对应的综合浓度地图，/>为时间，/>为S型函数，/>和/>为给定调节参数，/>为所述基因调控网络中的另一种基因以生成所述三维浓度地图，/>为所述个体浓度场。
进一步地，所述根据所述影响区域的形态特征确定所述智能体在下一时刻的运动速度包括：
当识别所述影响区域为非圆形区域时，按照既定采样步长从所述影响区域的外边界线上获取若干个采样点；
获取所述智能体与每个采样点之间的距离，再结合所述智能体的当前运动速度和给定的智能体最小避碰距离，确定所述智能体在下一时刻的运动速度。
进一步地，所述智能体在下一时刻的运动速度的计算公式为：
其中，为所述智能体在下一时刻的运动速度，/>为所述若干个采样点的数量，/>指代S型函数，/>为所述智能体最小避碰距离，/>为所述智能体与第j个采样点之间的距离，/>为给定调控参数，/>为所述智能体的当前运动速度。
进一步地，所述根据所述影响区域的形态特征确定所述智能体在下一时刻的运动速度还包括：
当识别所述影响区域为圆形区域时，将所述智能体的当前运动速度作为所述智能体在下一时刻的运动速度。
第二方面，提供一种基于基因调控网络的智能体集群区域覆盖系统，所述基因调控网络包括上层网络和下层网络，所述系统包括：
获取模块，用于针对智能体集群中的每个智能体，实时获取所述智能体的位置信息以及与其邻近的所有障碍物的位置信息；
生成模块，用于运行所述上层网络，根据所述智能体的位置信息和所述所有障碍物的位置信息，生成由所述智能体和所述所有障碍物形成的三维浓度地图，再将所述三维浓度地图映射到二维平面以获取所述智能体所处的影响区域；
确定模块，用于运行所述下层网络，根据所述影响区域的形态特征确定所述智能体在下一时刻的运动速度；
控制模块，用于控制所述智能体按照所述运动速度运行，以进行区域覆盖。
第三方面，提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序以实现如第一方面所述的基于基因调控网络的智能体集群区域覆盖方法。
第四方面，提供一种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第一方面所述的基于基因调控网络的智能体集群区域覆盖方法。
本发明至少具有以下有益效果：利用基因调控网络内部所包含的上层网络对单个智能体所在的局部信息进行解析，可以获取到该智能体在当前时刻下所处的影响区域，再利用基因调控网络内部所包含的下层网络对该影响区域的形态特征进行解析，可以获取到该智能体在下一时刻的运动速度，以避开邻近智能体所覆盖的区域，通过以上两个解析过程对智能体集群中的每个智能体的运行状态进行实时调整，可以实现智能体集群的区域覆盖任务，克服现有技术中需要依赖虚拟势场函数所带来的智能体集群在运动过程中的死锁问题，达到更好的区域覆盖效果。
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是本发明实施例中的一种基于基因调控网络的智能体集群区域覆盖方法的流程示意图；
图2是本发明实施例中的三维浓度地图的示意图；
图3是本发明实施例中的三维浓度地图映射后的二维平面示意图；
图4是本发明实施例中的一种基于基因调控网络的智能体集群区域覆盖系统的组成示意图；
图5是本公开实施例中的计算机设备的硬件结构示意图。
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。本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”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，应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如包含了一系列步骤或单元的过程、方法、系统、产品或装置不必限定于清楚列出的那些步骤或单元，而是可以包含没有清楚列出的对于这些过程、方法、产品或装置固有的其他步骤或单元。
请参考图1，图1是本发明实施例提供的一种基于基因调控网络的智能体集群区域覆盖方法的流程示意图，所述方法主要应用到智能体集群在任一区域内执行分散覆盖任务这一场景下，所述基因调控网络是由上层网络和下层网络所组成的，所述方法包括如下：
步骤S110、针对智能体集群中的每个智能体，实时获取所述智能体的位置信息以及与其邻近的所有障碍物的位置信息；
步骤S120、在所述上层网络中，根据所述智能体的位置信息和所述所有障碍物的位置信息，生成由所述智能体和所述所有障碍物形成的三维浓度地图，再将所述三维浓度地图映射到二维平面以获取所述智能体所处的影响区域；
步骤S130、在所述下层网络中，根据所述影响区域的形态特征确定所述智能体在下一时刻的运动速度；
步骤S140、控制所述智能体按照所述运动速度运行，以进行区域覆盖。
在本发明实施例中，上述步骤S110中所提及到的所述所有障碍物实际为所述智能体集群中除所述智能体之外满足既定要求的所有关联智能体，所述既定要求为其中每个关联智能体与所述智能体之间的距离落在所述智能体所规定的允许探测范围内。
在本发明实施例中，所述智能体集群中的每个智能体的内部至少设置有位置传感器和无线通信设备，该位置传感器用于测量智能体本体在当前时刻下所处的位置信息，该无线通信设备用于将该位置传感器测量得到的智能体本体在当前时刻下所处的位置信息发送至搭载有所述基因调控网络的运行设备中。
在本发明实施例中，所述上层网络主要用于接收所述所有障碍物在当前时刻下所处的位置信息以及所述智能体在当前时刻下所处的位置信息并对其进行综合解析处理，以获取所述智能体在当前时刻下所处的影响区域，所述影响区域涵盖所述智能体的正常移动区域和所述智能体的允许探测区域；此处对上述步骤S120的具体实施过程进行展开说明如下：
步骤S121、利用所述智能体在当前时刻下所处的位置信息，生成所述智能体所对应的个体浓度场，并且这一生成过程所依赖的公式为：
式中，为所述智能体所对应的个体浓度场，/>为时间，/>为所述智能体在当前时刻下所处的位置信息，/>为拉普拉斯算子，/>定义为/>的二阶导数。
步骤S122、利用所述所有障碍物在当前时刻下所处的位置信息，生成所述所有障碍物所对应的综合浓度场，具体表现为：
首先，利用每个障碍物在当前时刻下所处的位置信息，生成每个障碍物所对应的个体浓度场，并且这一生成过程所依赖的公式为：
其次，将所述所有障碍物所对应的所有个体浓度场进行叠加，得到所述所有障碍物所对应的综合浓度场，并且这一叠加过程所依赖的公式为：
式中，为所述所有障碍物中的第k个障碍物所对应的个体浓度场，/>为所述所有障碍物中的第k个障碍物在当前时刻下所处的位置信息，/>为拉普拉斯算子，/>定义为/>的二阶导数，/>为所述所有障碍物所对应的综合浓度场，/>为所述所有障碍物的总数量。
步骤S123、将所述智能体所对应的个体浓度场以及所述所有障碍物所对应的综合浓度场执行融合操作，得到由所述所有障碍物和所述智能体共同形成的三维浓度地图，并且这一融合过程所依赖的公式为：
式中，为所述基因调控网络中所设置的一种基因，负责对所述所有障碍物所对应的所述综合浓度场/>进行处理以得到综合浓度地图，/>指代S型函数，又称为S型生长曲线，用于把变量映射到(0,1)区间内，/>为技术人员提前设置好的调节参数，/>为技术人员提前设置好的调节参数，/>为所述基因调控网络中所设置的另一种基因，负责对所述智能体所对应的个体浓度场/>以及所述综合浓度场/>所关联的综合浓度地图进行处理以得到由所述所有障碍物和所述智能体共同形成的所述三维浓度地图。
步骤S124、由于所述基因调控网络是通过Matlab软件平台进行搭建运行的，利用Matlab软件平台中的contour函数将所述三维浓度地图映射到二维平面上，使得所述二维平面可以显示出若干条闭合等高线；其中，所述若干条闭合等高线实际上可划分成两组闭合等高线，第一组闭合等高线以所述智能体为包围中心，第二组闭合等高线以所述所有障碍物为包围中心，并且任意两条闭合等高线互不相交，所述第一组闭合等高线中所包含的所有闭合等高线呈现出嵌套关系，所述第二组闭合等高线中所包含的所有闭合等高线呈现出嵌套关系。
步骤S125、从所述第一组闭合等高线中获取落在最外围的最大闭合等高线，所述最大闭合等高线在所述第一组闭合等高线中的数值最小，再将所述最大闭合等高线所形成的封闭区域定义为所述智能体在当前时刻下所处的影响区域。
此外，从所述第二组闭合等高线中获取落在最外围的最大闭合等高线并将其记为第一闭合等高线以作出区分描述，所述第一闭合等高线在所述第二组闭合等高线中的数值最小，再将所述第一闭合等高线所形成的封闭区域定义为所述所有障碍物在当前时刻下所处的共同运动区域，所述共同运动区域的变化可能会使得所述影响区域发生形变。
本发明实施例以四架智能体动态搭建的局部区域为例，对上述步骤S120的实施效果作出可视化说明；在本应用实例中，将智能体B、智能体C和智能体D作为与智能体A邻近的所有障碍物，在经过上述步骤S121至上述步骤S123的处理之后可得到如图2所示出的三维浓度地图，在该三维浓度地图中，智能体A所对应的个体浓度场是独立且向下凹陷的，智能体B所对应的个体浓度场是向上凸出的，智能体C所对应的个体浓度场是向上凸出的，智能体D所对应的个体浓度场是向上凸出的，并且智能体B、智能体C和智能体D所形成的综合浓度场是连通的；在将该三维浓度地图经过上述步骤S124至上述步骤S125的处理之后可得到如图3所示出的二维平面示意图，在该二维平面上仅显示出智能体A在当前时刻下所处的影响区域，以及智能体B、智能体C和智能体D在当前时刻下所处的共同运动区域（图3中未作标记），可见该共同运动区域使得该影响区域发生一定的形变，且对应的形变方向为图3中标记出的箭头所指示的方向。
在本发明实施例中，所述下层网络主要用于接收映射后的二维平面图并对其中标记出的所述智能体在当前时刻下所处的影响区域进行形态特征解析，以获取所述智能体在下一时刻的运动速度；此处对上述步骤S130的具体实施过程进行展开说明如下：
步骤S131、判断所述智能体在当前时刻下所处的影响区域是否为圆形区域；若是，则说明所述智能体在当前时刻下所覆盖的区域与所述所有障碍物在当前时刻下所覆盖的区域已分隔开来，此时将所述智能体在当前时刻下的运动速度直接当成是所述智能体在下一时刻的运动速度，即保持所述智能体的当前运行状态不变；若否，则说明所述智能体在当前时刻下所覆盖的区域可能与所述所有障碍物在当前时刻下所覆盖的区域发生部分重合，此时继续执行步骤S132。
步骤S132、根据技术人员提前设置好的采样步长，在所述影响区域的外边界线（即所述最大闭合等高线）上进行均匀采样，得到若干个采样点；其中，本发明优选设置所述采样步长为0.1米，但并不仅限于此。
步骤S133、获取所述若干个采样点中的每个采样点在所述二维平面图上所处的第一位置信息，以及所述智能体在所述二维平面图上所处的第二位置信息，进而计算出每个采样点与所述智能体之间的距离，相应的计算公式为：
式中，为第j个采样点与所述智能体之间的距离，/>为所述智能体在所述二维平面图上所处的第二位置信息，/>为第j个采样点在所述二维平面图上所处的第一位置信息。
步骤S134、根据所述智能体在当前时刻下的运动速度、所述若干个采样点所关联的若干个距离以及技术人员提前设置好的智能体最小避碰距离，计算出所述智能体在下一时刻的运动速度，相应的计算公式为：
式中，为所述智能体在下一时刻的运动速度，/>为所述若干个采样点的总数量，/>指代S型函数，又称为S型生长曲线，用于把变量映射到(0,1)区间内，/>为所述智能体最小避碰距离，/>为技术人员提前设置好的调控参数，/>为所述智能体在当前时刻下的运动速度；需要说明的是，/>和/>均指代矢量速度，同时限定速度大小和速度方向，拟定所述若干个采样点中的每个采样点均对应有一个矢量速度，/>又可称为所述若干个采样点所对应的若干个矢量速度之和，所述智能体在下一时刻的运动方向即为所述若干个采样点的合速度方向。
本发明实施例在对所述智能体在下一时刻的运动速度的求解过程中，通过引入所述智能体最小避碰距离作为参考依据，当所述智能体与邻近的任一障碍物之间的距离小于所述智能体最小避碰距离/>时，可有效提高所述智能体在下一时刻的运动速度，从而使得所述智能体快速远离以避免发生碰撞事件。
在本发明实施例中，针对上述步骤S131所提及到的判断所述智能体在当前时刻下所处的影响区域是否为圆形区域，设置但不仅限于以下三种判断方式：
第一种判断方式，首先计算出所述影响区域的面积A和周长C，再根据所述面积A和所述周长C计算出所述影响区域所对应的圆形度d，最后在判断所述圆形度d等于1时，认定所述影响区域为圆形区域；其中，关于所述圆形度d的计算公式为：。
第二种判断方式，首先需要执行上述步骤S132以获取到所述影响区域的外边界线上的若干个采样点，再将所述若干个采样点反向映射到所述三维浓度地图上以获取到所述若干个采样点所对应的若干个浓度值，最后在判断所述若干个浓度值均相等时，认定所述影响区域为圆形区域。
第三种判断方式，首先需要执行上述步骤S132至上述步骤S133以计算出所述影响区域的外边界线上的每个采样点与所述智能体之间的距离，再在判断计算得到的若干个距离均相等时，认定所述影响区域为圆形区域。
此外，针对上述步骤S123和上述步骤S134中所提及到的函数，其相应的表达式为：/>，/>、/>和/>均为/>函数所需要的参数。
需要说明的是，本发明实施例中所提及到的智能体可以但不仅限于是无人机或者其他智能机器人。
在本发明实施例中，利用基因调控网络内部所包含的上层网络对单个智能体所在的局部信息进行解析，可以获取到该智能体在当前时刻下所处的影响区域，再利用基因调控网络内部所包含的下层网络对该影响区域的形态特征进行解析，可以获取到该智能体在下一时刻的运动速度，以避开邻近智能体所覆盖的区域，通过以上两个解析过程对智能体集群中的每个智能体的运行状态进行实时调整，可以实现智能体集群的区域覆盖任务，克服现有技术中需要依赖虚拟势场函数所带来的智能体集群在运动过程中的死锁问题，达到更好的区域覆盖效果。
请参考图4，图4是本发明实施例提供的一种基于基因调控网络的智能体集群区域覆盖系统的组成示意图，所述系统主要应用到所述智能体集群在任一区域内执行分散覆盖任务这一场景下，所述基因调控网络是由上层网络和下层网络所组成的；所述系统包括顺次连接的获取模块210、生成模块220、确定模块230和控制模块240。
在本发明具体实施过程中，对于所述智能体集群中所包含的每个智能体，通过所述获取模块210对所述智能体在当前时刻下所处的位置信息进行实时获取，以及对与所述智能体邻近的所有障碍物在当前时刻下所处的位置信息进行实时获取；通过所述生成模块220启用所述基因调控网络中的所述上层网络，对所述智能体在当前时刻下所处的位置信息以及所述所有障碍物在当前时刻下所处的位置信息进行综合解析处理，得到由所述所有障碍物和所述智能体共同形成的三维浓度地图，随后将所述三维浓度地图映射到二维平面上以从中提取出所述智能体在当前时刻下所处的影响区域；通过所述确定模块230启用所述基因调控网络中的所述下层网络，对所述智能体在当前时刻下所处的影响区域进行形态特征解析，得到所述智能体在下一时刻的运动速度；通过所述控制模块240根据所述运动速度调整所述智能体的当前运行状态，以进行区域覆盖。
在本发明实施例中，所述所有障碍物实际为所述智能体集群中除所述智能体之外满足既定要求的所有关联智能体，所述既定要求为其中每个关联智能体与所述智能体之间的距离落在所述智能体所规定的允许探测范围内。
在本发明实施例中，所述智能体集群中的每个智能体的内部至少设置有位置传感器和无线通信设备，该位置传感器用于测量智能体本体在当前时刻下所处的位置信息，该无线通信设备用于将该位置传感器测量得到的智能体本体在当前时刻下所处的位置信息发送至搭载有所述基因调控网络的运行设备中。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所实现的功能与上述方法实施例相同，并且所达到的有益效果与上述方法实施例相同，在此不再赘述。
此外，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质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上述实施例中的基于基因调控网络的智能体集群区域覆盖方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘（包括软盘、硬盘、光盘、CD-ROM、和磁光盘）、ROM （Read-Only Memory，只读存储器）、RAM（Random AcceSS Memory，随即存储器）、EPROM（EraSable Programmable Read-OnlyMemory，可擦写可编程只读存储器）、EEPROM（Electrically EraSable ProgrammableRead-Only Memory，电可擦可编程只读存储器）、闪存、磁性卡片或光线卡片。也就是说，存储设备包括由设备（例如计算机、手机等）以可读的形式存储或传输信息的任何介质，可以是只读存储器、磁盘或光盘等。
此外，图5是本发明实施例提供的计算机设备的硬件结构示意图，所述计算机设备包括处理器320、存储器330、输入单元340和显示单元350等器件。本领域技术人员可以理解，图5示出的设备结构器件并不构成对所有设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件。存储器330可用于存储计算机程序310以及各功能模块，处理器320运行存储在存储器330的计算机程序 310，从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器，或者包括内存储器和外存储器。内存储器可以包括只读存储器(ROM)、可编程 ROM(PROM)、电可编程 ROM(EPROM)、电可擦写可编程 ROM(EEPROM)、快闪存储器或者随机存储器。外存储器可以包括硬盘、软盘、ZIP 盘、U 盘、磁带等。本发明实施例所公开的存储器330包括但不限于上述这些类型的存储器。本发明实施例所公开的存储器330只作为例子而非作为限定。
输入单元340用于接收信号的输入，以及接收用户输入的关键字。输入单元340可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作（比如用户利用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作），并根据预先设定的程序驱动相应的连接装置；其它输入设备可以包括但不限于物理键盘、功能键（比如播放控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。显示单元350可用于显示用户输入的信息或提供给用户的信息以及终端设备的各种菜单。显示单元350可采用液晶显示器、有机发光二极管等形式。处理器320是终端设备的控制中心，利用各种接口和线路连接整个设备的各个部分，通过运行或执行存储在存储器330内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。
作为一个实施例，所述计算机设备包括处理器320、存储器 330和计算机程序310，其中所述计算机程序310被存储在所述存储器 330中并被配置为由所述处理器320所执行，所述计算机程序310被配置用于执行上述实施例中的基于基因调控网络的智能体集群区域覆盖方法。
尽管本申请的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本申请的预定范围。此外，上文以发明人可预见的实施例对本申请进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本申请的非实质性改动仍可代表本申请的等效改动。
Claims (6)
1.一种基于基因调控网络的智能体集群区域覆盖方法，其特征在于，所述基因调控网络包括上层网络和下层网络，所述方法包括：
针对智能体集群中的每个智能体，实时获取所述智能体的位置信息以及与其邻近的所有障碍物的位置信息；
在所述上层网络中，根据所述智能体的位置信息和所述所有障碍物的位置信息，生成由所述智能体和所述所有障碍物形成的三维浓度地图，再将所述三维浓度地图映射到二维平面以获取所述智能体所处的影响区域；
在所述下层网络中，根据所述影响区域的形态特征确定所述智能体在下一时刻的运动速度；
控制所述智能体按照所述运动速度运行，以进行区域覆盖；
其中，所述根据所述影响区域的形态特征确定所述智能体在下一时刻的运动速度包括：
当识别所述影响区域为非圆形区域时，按照既定采样步长从所述影响区域的外边界线上获取若干个采样点；
获取所述智能体与每个采样点之间的距离，再结合所述智能体的当前运动速度和给定的智能体最小避碰距离，确定所述智能体在下一时刻的运动速度；
其中，所述智能体在下一时刻的运动速度的计算公式为：
式中，为所述智能体在下一时刻的运动速度，/>为所述若干个采样点的数量，指代S型函数，/>为所述智能体最小避碰距离，/>为所述智能体与第j个采样点之间的距离，/>为给定调控参数，/>为所述智能体的当前运动速度；
其中，所述根据所述智能体的位置信息和所述所有障碍物的位置信息，生成由所述智能体和所述所有障碍物形成的三维浓度地图包括：
根据所述智能体的位置信息，确定所述智能体产生的个体浓度场；
根据所述所有障碍物的位置信息，确定所述所有障碍物产生的综合浓度场；
将所述个体浓度场和所述综合浓度场进行融合，得到由所述智能体和所述所有障碍物形成的三维浓度地图；
其中，所述将所述个体浓度场和所述综合浓度场进行融合，相应的公式为：
式中，为所述基因调控网络中的一种基因以生成所述综合浓度场/>对应的综合浓度地图，/>为时间，/>为S型函数，/>和/>为给定调节参数，/>为所述基因调控网络中的另一种基因以生成所述三维浓度地图，/>为所述个体浓度场。
2.根据权利要求1所述的基于基因调控网络的智能体集群区域覆盖方法，其特征在于，所述所有障碍物为所述智能体集群中除所述智能体之外与所述智能体之间的距离落在给定探测范围内的所有智能体。
3.根据权利要求1所述的基于基因调控网络的智能体集群区域覆盖方法，其特征在于，所述根据所述影响区域的形态特征确定所述智能体在下一时刻的运动速度还包括：
当识别所述影响区域为圆形区域时，将所述智能体的当前运动速度作为所述智能体在下一时刻的运动速度。
4.一种基于基因调控网络的智能体集群区域覆盖系统，其特征在于，所述基因调控网络包括上层网络和下层网络，所述系统包括：
获取模块，用于针对智能体集群中的每个智能体，实时获取所述智能体的位置信息以及与其邻近的所有障碍物的位置信息；
生成模块，用于运行所述上层网络，根据所述智能体的位置信息和所述所有障碍物的位置信息，生成由所述智能体和所述所有障碍物形成的三维浓度地图，再将所述三维浓度地图映射到二维平面以获取所述智能体所处的影响区域；
确定模块，用于运行所述下层网络，根据所述影响区域的形态特征确定所述智能体在下一时刻的运动速度；
控制模块，用于控制所述智能体按照所述运动速度运行，以进行区域覆盖；
在所述确定模块中，所述根据所述影响区域的形态特征确定所述智能体在下一时刻的运动速度包括：
当识别所述影响区域为非圆形区域时，按照既定采样步长从所述影响区域的外边界线上获取若干个采样点；
获取所述智能体与每个采样点之间的距离，再结合所述智能体的当前运动速度和给定的智能体最小避碰距离，确定所述智能体在下一时刻的运动速度；
其中，所述智能体在下一时刻的运动速度的计算公式为：
式中，为所述智能体在下一时刻的运动速度，/>为所述若干个采样点的数量，指代S型函数，/>为所述智能体最小避碰距离，/>为所述智能体与第j个采样点之间的距离，/>为给定调控参数，/>为所述智能体的当前运动速度；
在所述生成模块中，所述根据所述智能体的位置信息和所述所有障碍物的位置信息，生成由所述智能体和所述所有障碍物形成的三维浓度地图包括：
根据所述智能体的位置信息，确定所述智能体产生的个体浓度场；
根据所述所有障碍物的位置信息，确定所述所有障碍物产生的综合浓度场；
将所述个体浓度场和所述综合浓度场进行融合，得到由所述智能体和所述所有障碍物形成的三维浓度地图；
其中，所述将所述个体浓度场和所述综合浓度场进行融合，相应的公式为：
式中，为所述基因调控网络中的一种基因以生成所述综合浓度场/>对应的综合浓度地图，/>为时间，/>为S型函数，/>和/>为给定调节参数，/>为所述基因调控网络中的另一种基因以生成所述三维浓度地图，/>为所述个体浓度场。
5.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如权利要求1至3任一项所述的基于基因调控网络的智能体集群区域覆盖方法。
6.一种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1至3中任一项所述的基于基因调控网络的智能体集群区域覆盖方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310614358.2A CN116339351B (zh) | 2023-05-29 | 2023-05-29 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310614358.2A CN116339351B (zh) | 2023-05-29 | 2023-05-29 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116339351A CN116339351A (zh) | 2023-06-27 |
| CN116339351B true CN116339351B (zh) | 2023-09-01 |
Family
ID=86884490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310614358.2A Active CN116339351B (zh) | 2023-05-29 | 2023-05-29 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116339351B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117406706B (zh) * | 2023-08-11 | 2024-04-09 | 汕头大学 | 结合因果模型和深度强化学习的多智能体避障方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108197432A (zh) * | 2017-11-29 | 2018-06-22 | 东北电力大学 | 一种基于基因表达数据的基因调控网络重构方法 |
| CN111476337A (zh) * | 2020-04-02 | 2020-07-31 | 中国人民解放军国防科技大学 | 多级可变基因调控网络的群体机器人模式生成与转换方法 |
| CN112684700A (zh) * | 2020-11-30 | 2021-04-20 | 汕头大学 | 一种群体机器人的多目标搜索与围捕控制方法及系统 |
| CN113485340A (zh) * | 2021-07-12 | 2021-10-08 | 汕头大学 | 群体机器人分布式围捕控制方法及系统 |
| CN114397887A (zh) * | 2021-12-21 | 2022-04-26 | 汕头大学 | 一种基于三层基因调控网络的群体机器人聚合控制方法 |
| CN114859904A (zh) * | 2022-04-24 | 2022-08-05 | 汕头大学 | 一种基于e-grn的集群围捕方法、执行装置和系统 |
| CN115150784A (zh) * | 2022-09-02 | 2022-10-04 | 汕头大学 | 基于基因调控网络的无人机集群区域覆盖方法及设备 |
-
2023
- 2023-05-29 CN CN202310614358.2A patent/CN116339351B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108197432A (zh) * | 2017-11-29 | 2018-06-22 | 东北电力大学 | 一种基于基因表达数据的基因调控网络重构方法 |
| CN111476337A (zh) * | 2020-04-02 | 2020-07-31 | 中国人民解放军国防科技大学 | 多级可变基因调控网络的群体机器人模式生成与转换方法 |
| CN112684700A (zh) * | 2020-11-30 | 2021-04-20 | 汕头大学 | 一种群体机器人的多目标搜索与围捕控制方法及系统 |
| CN113485340A (zh) * | 2021-07-12 | 2021-10-08 | 汕头大学 | 群体机器人分布式围捕控制方法及系统 |
| CN114397887A (zh) * | 2021-12-21 | 2022-04-26 | 汕头大学 | 一种基于三层基因调控网络的群体机器人聚合控制方法 |
| CN114859904A (zh) * | 2022-04-24 | 2022-08-05 | 汕头大学 | 一种基于e-grn的集群围捕方法、执行装置和系统 |
| CN115150784A (zh) * | 2022-09-02 | 2022-10-04 | 汕头大学 | 基于基因调控网络的无人机集群区域覆盖方法及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 范衠等.基于共识主动性的群体机器人目标搜索与围捕.北京理工大学学报.2022,第42卷(第2期),第158-167页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116339351A (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hauser | Recognition, prediction, and planning for assisted teleoperation of freeform tasks | |
| CN106125925B (zh) | 基于手势和语音控制的智能抓捕方法 | |
| EP3805981A1 (en) | Method and apparatus for planning operation in target region, storage medium, and processor | |
| Zhang et al. | Vision-based target-following guider for mobile robot | |
| EP3410246A1 (en) | Robot obstacle avoidance control system and method, robot, and storage medium | |
| Brook et al. | Collaborative grasp planning with multiple object representations | |
| CN109634287A (zh) | 割草机路径规划方法及系统 | |
| CN116339351B (zh) | 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 | |
| CN106378780A (zh) | 一种机器人系统、控制机器人的方法和服务器 | |
| Rong et al. | A peduncle detection method of tomato for autonomous harvesting | |
| CN110333720A (zh) | 一种基于粒子滤波的slam优化方法 | |
| CN111015656A (zh) | 一种机器人主动避障的控制方法、装置及存储介质 | |
| CN106408136A (zh) | 确定无人机航线的方法及装置 | |
| CN107479714A (zh) | 内容切换显示方法、装置及机器人 | |
| CN110244716A (zh) | 一种基于波前算法的机器人探索的方法 | |
| Bohg et al. | Strategies for multi-modal scene exploration | |
| Miao et al. | Efficient tomato harvesting robot based on image processing and deep learning | |
| CN113219506A (zh) | 一种多模融合无缝切换的定位方法 | |
| Zhang et al. | A quadratic traversal algorithm of shortest weeding path planning for agricultural mobile robots in cornfield | |
| CN113485340A (zh) | 群体机器人分布式围捕控制方法及系统 | |
| CN103177245B (zh) | 手势识别方法及装置 | |
| Bustamante et al. | An information based feedback control for audio-motor binaural localization | |
| Jain et al. | Comparative study of frontier based exploration methods | |
| Edan et al. | Intelligent control system simulation of an agricultural robot | |
| CN116539053A (zh) | 一种实时全局点云地图构建方法、系统、设备及存储介质 |
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 |