CN117236538A - 一种面向复杂多边形区域的多智能体协同覆盖探索规划模型及方法 - Google Patents
一种面向复杂多边形区域的多智能体协同覆盖探索规划模型及方法 Download PDFInfo
- Publication number
- CN117236538A CN117236538A CN202311193731.8A CN202311193731A CN117236538A CN 117236538 A CN117236538 A CN 117236538A CN 202311193731 A CN202311193731 A CN 202311193731A CN 117236538 A CN117236538 A CN 117236538A
- Authority
- CN
- China
- Prior art keywords
- agent
- coverage
- optimal
- exploration
- area
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000001788 irregular Effects 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种面向复杂多边形区域的多智能体协同覆盖探索规划模型及方法,改进设计了一个面向复杂不规则海域的多智能体协同区域覆盖模型及算法,使其能够提高在复杂海域情况下的探索成本和最优成本下的区域覆盖效率,并且及时规避突发威胁,针对复杂海域下多智能体协同探查技术需要根据探查工作的实际需求,对多个智能体进行协调控制与规划,兼顾探查的精度与探查的速度,为后期各类海洋工程提供精确的测量数据,最大化保障海洋工程的安全性与经济性。
Description
技术领域
本发明属于多智能体协同领域,具体地指一种面向复杂多边形区域的多智能体协同覆盖探索规划模型及方法。
背景技术
随着人工智能的发展,对于很多复杂的任务,单个智能体无法完成或完成时间成本很高,因此需要多个智能体协同来完成任务,从而使多智能体协同成为一大研究热门。
区域覆盖问题是多智能体协同完成任务的比较普遍的一种。为了在限定的条件下,协同多个智能体,来对目标区域实现全面覆盖,最终需要投入的智能体和时间成本都是最少,即总成本最低的情况下最有效的完成任务。
本发明主要针对多智能体协同,对复杂不规则海域进行覆盖的问题。因为当今海洋资源丰富,而人力探索较为危险,因此需要无人智能体来对复杂海域进行探索。探索的第一步就是利用多智能体进行区域覆盖。
国内外研究者们在基于多智能体协同的不规则海域区域覆盖问题上都取得了一定的研究成果。他们通过优化算法、改进协同机制和应用先进的通信技术,提高了海域区域覆盖的效率和准确性。然而,仍然存在一些挑战,例如海洋环境的复杂性、通信限制和路径规划的优化等问题,需要进一步的研究和探索。未来的工作可以聚焦于算法改进、系统优化和应用拓展,以提升基于多智能体协同的不规则海域区域覆盖的性能和应用范围。
发明内容
本发明针对上述问题,主要解决了多智能体协同复杂不规则海域区域覆盖中,路径规划过程中预设轨迹与轨迹交叉的问题。
针对目前大多数多智能体协同区域覆盖算法不适应复杂的不规则多边形海域,智能体重复遍历、轨迹交叉,算法收敛性交叉,无法避开突发危险,不能满足多智能体协同在复杂海域情况下的最优区域覆盖的问题。本发明基于混合粒子群算法,改进设计了一个面向复杂不规则海域的多智能体协同区域覆盖模型算法,使其能够提高在复杂海域情况下的探索成本和最优成本下的区域覆盖效率,并且及时规避突发威胁。本发明通过以下技术方案实现上述技术目的。
本发明提出了一种面向复杂不规则多边形海域的多智能体协同区域覆盖规划模型与算法,包括最优覆盖方向选定模块、最优预设轨迹生成模块、最优协同路径规划模块、威胁规避模块、最优路径动态求解算法;
所述最优覆盖方向选定模块:用于选取智能体覆盖复杂多边形海域的整体运动方向;
所述最优预设轨迹生成模块:用于生成智能体覆盖全部区域的最少转角预设轨迹;
所述最优协同路径规划模块:在智能体数确定的情况下,以最小覆盖成本为优化目标,建立优化数学模型;
威胁规避模块:在智能体探索到威胁目标后,及时重新对路径进行局部规划以规避危险。
所述最优路径动态求解算法:以上述最优协同路径规划模块为基础,在覆盖过程中遇到目标,动态修正规划路径,以保证在不进入威胁范围的情况,求取全局最优的多智能体协同区域覆盖路径。
进一步,所述最优覆盖方向选定模块,具体设计如下:
本发明假设智能体对需要覆盖的区域,在垂直于给定扫掠方向的预设轨迹中来回运动,如图2所示。
在沿着这些预设轨迹进行飞行时,智能体姿态保持稳定,摄像头垂直对准海平面。但在该轨迹的末尾,它会在该区域外形成一条曲线以返回到下一条预设轨迹。此外,圈数与给定区域的覆盖时间直接相关。因此,本发明的第一步是找到最佳覆盖方向,该方向垂直于不规则多边形区域的最小高度的方向。在这个方向上,该区域可以用最少的轨迹数覆盖,因此也可以用最少的曲线覆盖,正如图2所示。在考虑路径长度、时间和能量等成本的情况下,转弯较少的路径更有效。
为了找到给定多边形区域的最佳覆盖方向。如图3所示,使多边形在二维坐标系(所述二维坐标系是基于多边形区域形状所在屏幕的二维坐标系)上旋转,并测量其不同方向的高度,最佳扫描轨迹方向是高度最小的方向。
进一步,所述最优预设轨迹生成模块,即在找到最佳扫描方向后,就可以将预设轨迹分布在该区域上。两条轨迹之间的距离(m),为两条轨迹之间的距离被选择为机载相机在海平面上的覆盖面积的函数,已知智能体的扫描宽度为L,L为150m,可得覆盖预设轨迹数:
式中,Nl为预设轨迹的行数;hmin为不规则多边形海域的最小高度;L为智能体的扫描宽度;s∈(0,1),表示两个图像之间的重叠部分,这种重叠通常是连接图像以组成航拍图所必需的。而后可得两行预设轨迹之间的距离dl为:
假设表示区域的多边形以最佳覆盖方向平行于全局参考二维坐标系x轴的方式旋转,覆盖轨迹可以由具有相同y坐标的两个平面点(x,y)得出:
x坐标由纵坐标为yi的水平直线与待覆盖区域边界的交点取得。一旦点被计算出来,它们就会旋转回原来的方向。
覆盖轨迹的极值点,以及智能体起始位置的坐标(基地或仓库),为图G=(V,E)的点集V。图中的每个节点都已编号,因此第一架智能体的起始点编号为1,其他智能体的起始点编号以此类推,与第一行覆盖轨迹相关的节点的编号为2和3,与第二行相关的节点的编号为4和5,依此类推。最后,每行覆盖轨迹都与后续的偶数和奇数编号节点相关联。边集E由连接图的N个节点的所有线组成,从而形成一个完整的图,即为最优预设轨迹,如图4所示。
将图G表示为N×N成本矩阵C,其元素Cij由节点i和j空间坐标之间的欧式距离得出。其中,C对称,即其元素满足三角不等式,即
进一步,所述最优协同路径规划模块,在创建了与要覆盖的区域相关联的图以后,将最优协同路径规划问题视为VRP(Vehicle Routing Problem)问题。在这类问题中,一组智能体必须拜访一组客户。为了将最优协同路径规划问题转化为VRP,将每个智能体视作智能体,覆盖轨迹的每个极值点视为客户。此外,通过提出新的约束,可以强制智能体在它们的路径图中使用一些预先指定的边。因此,其中智能体肯定会跟随覆盖轨迹。最后,通过求解VRP,可以获得每个智能体必须执行的一组路线。具体地:
成本矩阵C中的元素Cij,表示节点i和j之间的边(i,j)的遍历成本。为了指示第k个智能体是否要从顶点i运动到顶点j,使用二进制变量其中,则表示第k个智能体要从顶点i运动到顶点j,反之则不。此外,设常数表示第k个智能体从顶点i运动到顶点j的飞行速度;常数为个体设置时间;Lk为第k个智能体的电池续航时间。设为任务设计的智能体数量;为可用智能体的总数;为智能体控制程序的数量;为图中节点的数量。最后,变量dk表示发射第k个智能体所需的额外时间,额外时间即发射一个智能体需要的准备时间。
根据上述定义的变量,可得第k个智能体遍历其路线所花费的时间Tk:
本发明的主要目标是尽量减少任务时间,这可以通过最小化所有智能体路径中最长路径的飞行时间来实现。因此,本发明要解决的问题实际上是一个想要最小化Tk最大值的最小—最大问题。为了将min-max问题转化为线性问题,本发明引入了一个额外的变量υ,它代表最长的智能体路线。可得优化模型:
min(υ)
其中,ts(min)为发射一个智能体所需的准备时间;O为每个出发点的最大可发射智能体数量。
由于智能体起飞的设置时间可以忽略,所以本发明后续对ts不做考虑。为了完成任务,并且在全图遍历的过程中,每架智能体不能重复访问图中的路径节点,可得如下约束:
上式中的约束强制每个节点,仅由一架智能体访问,并且保证到达给定节点的智能体与离开该节点的智能体相同。
为确保每个智能体路径从起始点开始,在全部遍历完结束,并保证路径没有内部循环,使用标准子巡回消除约束:
其中,为智能体运动到第i个顶点所经过的顶点数。
为了确保VRP的解能使智能体覆盖转化为图G的整个多边形海域,加入如下约束:
此约束强制每个智能体在访问覆盖轨迹的一个节点后,必须访问该行轨迹的另一个节点,也保证访问偶数节点的智能体也访问下一个奇数节点;此外,访问奇数节点的智能体必须访问前一个偶数节点。
为了避免智能体沿着不平行于覆盖范围的边缘穿过覆盖区域的预设轨迹,可以将两个可选约束添加到上文的优化模型中。
在实践中,上面两个约束可以避免智能体执行急转弯以及在不同方向拍摄照片。如果这些问题对于给定任务不重要,则可以忽略这两个约束,不会影响任务的执行。
最后,结合可用智能体的数量,可以建立如下约束:
其中,发明主要针对智能体数量固定的情况。因此,在固定智能体数量的情况下,本发明主要针对智能体的最大飞行路径长度进行最小化的优化。
基于多智能体协同的不规则海域区域覆盖算法设计
本设计主要使用前端的Yalmip工具箱和后端的Gurobi求解器来求解全图最优遍历模型。
首先根据任务范围,由findwaypoints函数求取合适的覆盖轨迹的航路点。输入不规则海域的图模型点集V与待遍历位置的点集X,以智能体的运动能力为基础,遍历所有需求位置为约束,迭代输出不规则海域覆盖轨迹的航路点。
表1-1findwaypoints函数
获得全图覆盖预设轨迹的航路点以后,可进一步使用Gurobi求解器,结合线性迭代算法,对最优路径进行求解。输入不规则海域的图模型点集V、智能体信息(运动速度、启动时间、最大飞行时间)、和Gurobi优化器配置参数h与O,根据计算的欧式距离选取合适的优化器配置,进行路径规划,输出规划的路径与智能体的分配。
表1-2lip函数
在全图遍历的过程中,还要完成所有静目标的探索工作。输入智能体的坐标与探测范围,在范围内进行搜寻,如果范围内存在静目标,则输出对应静目标的坐标。
表1-3searchtargets函数
本发明的有益效果:
1.本发明基于多智能体强化学习需要大量的场景来训练模型,并且对一些突发的复杂工况不能有效的处理,出于安全的考虑,本发明提出了一种基于规则的区域覆盖路径规划策略,在实现上更为容易、快捷,以解决多智能体协同在复杂区域探索方面的问题。
2.本发明基于混合粒子群算法,改进设计了一个面向复杂不规则海域的多智能体协同区域覆盖模型算法,使其能够提高在复杂海域情况下的探索成本和最优成本下的区域覆盖效率,并且及时规避突发威胁。
3.本发明针对复杂海域下多智能体协同探查技术需要根据探查工作的实际需求,对多个智能体进行协调控制与规划,兼顾探查的精度与探查的速度,为后期各类海洋工程提供精确的测量数据,最大化保障海洋工程的安全性与经济性。
附图说明
图1为本发明总体实施流程示意图;
图2为复杂多边形海域覆盖图;
图3为区域覆盖静目标探查;
图4为多智能体协同复杂不规则海域覆盖算法流程。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,本发明的具体实施如下:
步骤一:不规则多边形海域面积分解
本发明假设智能体对需要覆盖的区域,在垂直于给定扫掠方向的预设轨迹中来回运动,如图2所示;
在沿着这些预设轨迹进行飞行时,智能体姿态保持稳定,摄像头垂直对准海平面。但在该轨迹的末尾,它会在该区域外形成一条曲线以返回到下一条预设轨迹。此外,圈数与给定区域的覆盖时间直接相关。因此,本发明方法的第一步是找到最佳覆盖方向,该方向垂直于不规则多边形区域的最小高度。在这个方向上,该区域可以用最少的轨迹数覆盖,因此也可以用最少的曲线覆盖,如图2所示。在考虑路径长度、时间和能量等成本的情况下,转弯较少的路径更有效。
为了找到给定多边形区域的最佳覆盖方向,可以使用简单的搜索过程,如图3所示,使多边形在二维坐标系上旋转,并测量其不同方向的高度,最佳扫描轨迹方向是高度最小的方向。
进一步,所述最优预设轨迹生成模块,即在找到最佳扫描方向后,就可以将预设轨迹分布在该区域上。而两条轨迹之间的距离(m),为两条轨迹之间的距离被选择为机载相机在海平面上的覆盖面积的函数,已知智能体的扫描宽度为L=150m,可得覆盖预设轨迹数:
式中,Nl为预设轨迹的行数;hmin为不规则多边形海域的最小高度;L为智能体的扫描宽度;s∈(0,1),表示两个图像之间的重叠部分,这种重叠通常是连接图像以组成航拍图所必需的。而后可得两行预设轨迹之间的距离dl为:
假设表示区域的多边形以最佳覆盖方向平行于全局参考系x轴的方式旋转,覆盖轨迹可以由具有相同y坐标的两个平面点(x,y)得出:
x坐标由纵坐标为yi的水平直线与待覆盖区域边界的交点取得。一旦点被计算出来,它们就会旋转回原来的方向。
覆盖轨迹的极值点,以及智能体起始位置的坐标(基地或仓库),为图G=(V,E)的点集V。图中的每个节点都已编号,因此第一架智能体的起始点编号为1,其他智能体的起始点编号以此类推,与第一行覆盖轨迹相关的节点的编号为2和3,与第二行相关的节点的编号为4和5,依此类推。最后,每行覆盖轨迹都与后续的偶数和奇数节点相关联。边集E由连接图的N个节点的所有线组成,从而形成一个完整的图,如图4所示。
将图G表示为N×N成本矩阵C,其元素Cij由节点i和j空间坐标之间的欧式距离得出。其中,C对称,即其元素满足三角不等式,即
步骤二:智能体路径规划策略
进一步,所述最优协同路径规划模型,首先在创建了与要覆盖的区域相关联的图以后,将覆盖问题视为VRP问题。在这类问题中,一组智能体必须拜访一组客户。为了将前面的问题转化为VRP,将每个智能体视作执行车辆,覆盖轨迹的每个极值点视为客户。此外,通过提出新的约束,可以强制智能体在它们的路径图中使用一些预先指定的边。因此其中一架发射的智能体肯定会跟随覆盖轨迹进行运动。最后,通过求解VRP,可以获得每架智能体必须执行的一组路线。
成本矩阵C中的值Cij,表示节点i和j之间的边(i,j)的遍历成本。为了指示第k个智能体是否要从顶点i运动到顶点j,使用二进制变量此外,设常数表示第k个智能体从顶点i运动到顶点j的飞行速度;常数为个体设置时间;Lk为第k个智能体的电池续航时间。设为任务设计的智能体数量;为可用智能体的总数;为智能体控制程序的数量;为图中节点的数量。最后,变量dk表示发射第k个智能体所需的额外时间。
根据上述定义的变量,可得第k个智能体遍历其路线所花费的时间Tk:
本发明的主要目标是尽量减少任务时间,这可以通过最小化所有智能体路径中最长路径的飞行时间来实现。因此,本发明要解决的问题实际上是一个想要最小化Tk最大值的最小—最大问题。为了将min-max问题转化为线性问题,本发明引入了一个额外的变量υ,它代表最长的智能体路线。可得优化模型:
min(υ)
由于智能体起飞的设置时间可以忽略,所以本发明后续对ts不做考虑。为了完成任务,并且在全图遍历的过程中,每架智能体不能重复访问图中的路径节点,可得如下约束:
上式中的约束强制每个节点,仅由一架智能体访问,并且保证到达给定节点的智能体与离开该节点的智能体相同。
为确保每个智能体路径从起始点开始,在全部遍历完结束,并保证路径没有内部循环,使用标准子巡回消除约束:
其中,
为了确保VRP的解能使智能体覆盖转化为图G的整个多边形海域,也需加入如下约束:
此约束强制每个智能体在访问覆盖轨迹的一个节点后,必须访问该行轨迹的另一个节点,也保证访问偶数节点的智能体也访问下一个奇数节点;此外,访问奇数节点的智能体必须访问前一个偶数节点。
为了避免智能体沿着不平行于覆盖范围的边缘穿过覆盖区域的预设轨迹,可以将两个可选约束添加到本发明的优化模型中。
在实践中,上面两个约束可以避免智能体执行急转弯以及在不同方向拍摄照片。如果这些问题对于给定任务不重要,则可以忽略这两个约束,不会影响任务的执行。
最后,结合可用智能体的数量,可以建立如下约束:
其中,发明主要针对智能体数量固定的情况。因此,在固定智能体数量的情况下,本发明主要针对智能体的最大飞行路径长度进行最小化的优化。
步骤三:基于多智能体协同的不规则海域区域覆盖算法设计
本发明主要使用前端的Yalmip工具箱和后端的Gurobi求解器来求解全图最优遍历模型。
首先根据任务范围,由findwaypoints函数求取合适的覆盖轨迹的航路点。
表1-1 findwaypoints函数
获得全图覆盖预设轨迹的航路点以后,可进一步使用Gurobi求解器,结合线性迭代算法,对最优路径进行求解。
表1-2 lip函数
在全图遍历的过程中,还要完成所有静目标的探索工作,由如下算法实现。
表1-3searchtargets函数
综上所述,本发明针对目前大多数多智能体协同区域覆盖算法不适应复杂的不规则多边形海域,智能体重复遍历、轨迹交叉,算法收敛性交叉,无法避开突发危险,不能满足多智能体协同在复杂海域情况下的最优区域覆盖的问题。本发明基于混合粒子群算法,改进设计了一个面向复杂不规则海域的多智能体协同区域覆盖模型算法,使其能够提高在复杂海域情况下的探索成本和最优成本下的区域覆盖效率,并且及时规避突发威胁。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。
Claims (10)
1.一种面向复杂多边形区域的多智能体协同覆盖探索规划模型,其特征在于,包括:最优覆盖方向选定模块、最优预设轨迹生成模块、最优协同路径规划模块;
所述最优覆盖方向选定模块:用于选取智能体覆盖复杂多边形海域的整体运动方向;
所述最优预设轨迹生成模块:用于生成智能体覆盖全部区域的最少转角预设轨迹;
所述最优协同路径规划模块:在智能体数确定的情况下,以最小覆盖成本为优化目标,建立优化数学模型。
2.根据权利要求1所述的一种面向复杂多边形区域的多智能体协同覆盖探索规划模型,其特征在于,所述最优覆盖方向选定模块的整体运动方向垂直于不规则多边形区域的最小高度方向,具体地,使多边形区域在二维坐标系上旋转,测量其不同方向的高度,最佳扫描轨迹方向是高度最小的方向。
3.根据权利要求1所述的一种面向复杂多边形区域的多智能体协同覆盖探索规划模型,其特征在于,所述最优预设轨迹生成模块,具体如下:
已知智能体的扫描宽度为L,得覆盖预设轨迹数:
式中,Nl为预设轨迹的行数;hmin为不规则多边形海域的最小高度;L为智能体的扫描宽度;s∈(0,1),表示两个图像之间的重叠部分,这种重叠通常是连接图像以组成航拍图所必需的,而后可得两行预设轨迹之间的距离dl为:
假设表示区域的多边形以最佳覆盖方向平行于全局参考系x轴的方式旋转,覆盖轨迹可以由具有相同y坐标的两个平面点(x,y)得出:
x坐标由纵坐标为yi的水平直线与待覆盖区域边界的交点取得,一旦点被计算出来,它们就会旋转回原来的方向;
覆盖轨迹的极值点,以及智能体起始位置的坐标,为图G=(V,E)的点集V,图中的每个节点都已编号,第一架智能体的起始点编号为1,与第一行覆盖轨迹相关的节点的编号为2和3,与第二行相关的节点的编号为4和5,依此类推。最后,每行覆盖轨迹都与后续的偶数和奇数节点相关联,边集E由连接图的N个节点的所有线段组成,从而形成一个完整的图,即为最优预设轨迹。
4.根据权利要求3所述的一种面向复杂多边形区域的多智能体协同覆盖探索规划模型,其特征在于,还包括,将图G表示为N×N成本矩阵C,其元素Cij由节点i和j空间坐标之间的欧式距离得出,其中,矩阵C对称,即Cij=Cji,其元素满足三角不等式,即Cij+Cjk≥Cik,(j,k),(i,k)∈E。
5.根据权利要求1所述的一种面向复杂多边形区域的多智能体协同覆盖探索规划模型,其特征在于,所述最优协同路径规划模块,将最优协同路径规划问题转化为VRP问题,将每个智能体视作智能体,覆盖轨迹的每个极值点视为客户;通过提出新的约束,强制智能体在它们的路径图中使用一些预先指定的边;最后通过求解VRP,可以获得每个智能体执行的一组路径路线。
6.根据权利要求5所述的一种面向复杂多边形区域的多智能体协同覆盖探索规划模型,其特征在于,所述最优协同路径规划模块,具体如下:
将成本矩阵C中的元素Cij,表示为节点i和j之间的边(i,j)的遍历成本,为了指示第k个智能体是否要从顶点i运动到顶点j,使用二进制变量此外,设常数表示第k个智能体从顶点i运动到顶点j的飞行速度;常数为个体设置时间;Lk为第k个智能体的电池续航时间;设为任务设计的智能体数量的;为可用智能体的总数;为智能体控制程序的数量;为图中节点的数量;变量dk表示发射第k个智能体所需的额外时间;
根据上述定义的变量,可得第k个智能体遍历其路线所花费的时间Tk:
7.根据权利要求6所述的一种面向复杂多边形区域的多智能体协同覆盖探索规划模型,其特征在于,还包括:引入变量υ,代表最长的智能体路线;可得优化模型:
min(υ)
8.根据权利要求7所述的一种面向复杂多边形区域的多智能体协同覆盖探索规划模型,其特征在于,建立如下约束:
上式中的约束强制每个节点仅由一个智能体访问,并且保证到达给定节点的智能体与离开该节点的智能体相同。
9.根据权利要求8所述的一种面向复杂多边形区域的多智能体协同覆盖探索规划模型,其特征在于,还包括:为确保每个智能体路径从起始点开始,在全部遍历完结束,并保证路径没有内部循环,使用标准子巡回消除约束:
其中,
为确保VRP的解能使智能体覆盖转化为图G的整个多边形海域,加入如下约束:
此约束强制每个智能体在访问覆盖轨迹的一个节点后,必须访问该行轨迹的另一个节点,也保证访问偶数节点的智能体也访问下一个奇数节点;此外,访问奇数节点的智能体必须访问前一个偶数节点;
为了避免智能体沿着不平行于覆盖范围的边缘穿过覆盖区域的预设轨迹,将两个可选约束添加到上述的优化模型中;
最后,结合可用智能体的数量,可以建立如下约束:
10.一种权利要求1-9任一项所述面向复杂多边形区域的多智能体协同覆盖探索规划模型的覆盖轨迹规划方法,其特征在于,包括如下步骤:
S1、首先根据任务范围,由findwaypoints函数求取合适的覆盖轨迹的航路点,具体过程如下:
S11、输入不规则海域的边界与待遍历位置;
S12、以智能体运动能力与遍历所有需求目标为约束;
S13、求取不规则海域覆盖轨迹的航路点。
S2、获得全图覆盖预设轨迹的航路点以后,使用Gurobi求解器,结合线性迭代算法,对最优路径进行求解,具体过程如下:
S21、根据覆盖轨迹航路点之间的欧氏距离与智能体的速度构建成本矩阵;
S22、在智能体数量固定的情况下,以总成本最小为优化目标;
S23、以智能体的最大运动时间、同时只有一架智能体访问一个航路点、遍历全部航路点为约束;
S23、求取多智能体协同完成不规则海域覆盖的最优路线规划。
S3、在全图遍历的过程中,完成所有静目标的探索工作,具体过程如下:
S31、在智能体执行规划路线时,保持对周围以固定范围进行探查;
S32、当智能体探查范围内出未知静目标时,输出静目标的位置;
S33、当已知静目标的数量达到任务给定值时,完成所有静目标的探查工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311193731.8A CN117236538A (zh) | 2023-09-15 | 2023-09-15 | 一种面向复杂多边形区域的多智能体协同覆盖探索规划模型及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311193731.8A CN117236538A (zh) | 2023-09-15 | 2023-09-15 | 一种面向复杂多边形区域的多智能体协同覆盖探索规划模型及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117236538A true CN117236538A (zh) | 2023-12-15 |
Family
ID=89092382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311193731.8A Pending CN117236538A (zh) | 2023-09-15 | 2023-09-15 | 一种面向复杂多边形区域的多智能体协同覆盖探索规划模型及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236538A (zh) |
-
2023
- 2023-09-15 CN CN202311193731.8A patent/CN117236538A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qin et al. | Autonomous exploration and mapping system using heterogeneous UAVs and UGVs in GPS-denied environments | |
Aggarwal et al. | Path planning techniques for unmanned aerial vehicles: A review, solutions, and challenges | |
Lindhé et al. | Flocking with obstacle avoidance: A new distributed coordination algorithm based on voronoi partitions | |
CN108444482A (zh) | 一种无人机自主寻路避障方法及系统 | |
CN106054920A (zh) | 一种无人机飞行路径规划方法和装置 | |
Costante et al. | Exploiting photometric information for planning under uncertainty | |
CN112947594B (zh) | 一种面向无人机的航迹规划方法 | |
Kim et al. | UAV-UGV cooperative 3D environmental mapping | |
Matignon et al. | Distributed value functions for multi-robot exploration | |
CN108334080A (zh) | 一种针对机器人导航的虚拟墙自动生成方法 | |
CN106338736A (zh) | 一种基于激光雷达的全3d占据体元地形建模方法 | |
CN111024080A (zh) | 一种无人机群对多移动时敏目标侦察路径规划方法 | |
Sujit et al. | Self assessment-based decision making for multiagent cooperative search | |
CN114239305B (zh) | 一种战场态势场景仿真激励系统 | |
Zu et al. | Research on UAV path planning method based on improved HPO algorithm in multi-task environment | |
Yang et al. | Learning graph-enhanced commander-executor for multi-agent navigation | |
Singh et al. | Autonomous cross-country navigation using stereo vision | |
CN117236538A (zh) | 一种面向复杂多边形区域的多智能体协同覆盖探索规划模型及方法 | |
CN115167414A (zh) | 未知环境下无人船集群自主探索及环境重构方法 | |
CN111024081A (zh) | 一种无人机群对单移动时敏目标侦察路径规划方法 | |
Chu et al. | Track planning of multi-rotor unmanned aerial vehicle in the complex environment space | |
CN115525062A (zh) | 面向返回式航天器测量任务无人机实时在线航迹规划方法 | |
Wang et al. | Whole‐body motion planning and tracking of a mobile robot with a gimbal RGB‐D camera for outdoor 3D exploration | |
Zhang et al. | Route planning for unmanned air vehicles with multiple missions using an evolutionary algorithm | |
Stentz et al. | The CMU navigational architecture |
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 |