CN117572876A - 一种基于依赖关系的多智能体避碰控制方法 - Google Patents
一种基于依赖关系的多智能体避碰控制方法 Download PDFInfo
- Publication number
- CN117572876A CN117572876A CN202410054097.8A CN202410054097A CN117572876A CN 117572876 A CN117572876 A CN 117572876A CN 202410054097 A CN202410054097 A CN 202410054097A CN 117572876 A CN117572876 A CN 117572876A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- path
- agent
- information
- simulation platform
- 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 18
- 230000002265 prevention Effects 0.000 title claims description 5
- 238000004088 simulation Methods 0.000 claims abstract description 51
- 239000000284 extract Substances 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Abstract
本发明涉及多智能体系统技术领域,具体为一种基于依赖关系的多智能体避碰控制方法,包括:1、搭建多智能体系统总体框架;2、初始化模块对地图、任务信息和机器人信息进行初始化;3、生成离散环境下的多车辆的无碰撞路径;4、构建多车辆之间的依赖关系,利用依赖关系生成可执行路径;5、车辆控制算法将可执行路径传输到多智能体仿真平台中,多智能体仿真平台对多车辆进行实时模拟,并将多车辆的状态信息通过车辆控制算法发送到路径规划算法内,初始化可执行路径,循环3至5,对可执行路径进行实时更新,直至多车辆均达到目的地。本发明提供的多智能体避碰控制方法有助于确保车辆之间不会发生碰撞,同时提高了车辆任务执行的效率。
Description
技术领域
本发明涉及多智能体系统技术领域,特别涉及一种基于依赖关系的多智能体避碰控制方法。
背景技术
多智能体路径规划(Multi-Agent Path Finding,MAPF)是一个关键领域,用于规划多个机器人或智能体之间的路径,以避免碰撞。然而,在实际应用中,存在许多复杂因素,这些因素在传统MAPF框架中常常被忽视。
离散MAPF:首先,离散MAPF问题通常基于一个关键假设:机器人可以同步行动,每个时间步只执行一个动作。然而,在实际应用中,特别是在仓库自动化等场景中,机器人受到更复杂的动态约束的制约,而不仅仅是简单的一步一动作。这可能包括机器人需要加速和减速以避免碰撞,以及不同机器人的执行速度可能不同。其次,离散MAPF问题通常忽略了现实世界中的不确定性因素。例如,机器人可能会遇到不可预测的机械减速、控制不准确性以及突然出现的障碍物。这些不确定因素会使得在实际执行中按照精确的路径规划变得不切实际。
连续MAPF:传统的连续时间MAPF算法能够解决机器人同步运动问题,但在实际应用中,机器人通常会受到大量不确定性因素的影响,这导致无法仅依赖预先规划的时间路径来精确控制机器人,从而增加了碰撞的风险。
发明内容
本发明提供了一种基于依赖关系的多智能体避碰控制方法,以解决现有多智能体控制方法控制准确性不高,碰撞的风险大的技术问题。
为达到上述目的,本发明的技术方案是这样实现的:
本发明提供了一种基于依赖关系的多智能体避碰控制方法,包括如下步骤:
S1、搭建多智能体系统总体框架,多智能体系统总体框架包括多智能体仿真平台、初始化模块、路径规划算法和车辆控制算法;
S2、多智能体仿真平台将任务发送到初始化模块内,初始化模块对地图、任务信息和机器人信息进行初始化;
S3、路径规划算法对多智能体路径进行搜索,生成离散环境下的多车辆的无碰撞路径;
S4、车辆控制算法根据离散环境下的多车辆的无碰撞路径构建现实动态环境下不发生碰撞的多车辆之间的依赖关系,利用依赖关系生成可执行路径;
S5、车辆控制算法将可执行路径传输到多智能体仿真平台中,多智能体仿真平台对多车辆进行实时模拟,并将多车辆的位置信息通过车辆控制算法发送到路径规划算法内,初始化可执行路径,循环S3至S5,对可执行路径进行实时更新,并利用多智能体仿真平台对多车辆进行实时模拟,直至多车辆均达到目的地。
进一步地,所述S1中的多智能体仿真平台的作用包括发起任务和多车辆实时模拟;
初始化模块用于对地图、任务信息和机器人信息进行初始化;
路径规划算法用于对离散环境下的多车辆的路径进行搜索,生成离散环境下的多车辆的无碰撞路径;
车辆控制算法用于根据依赖关系生成可执行路径。
进一步地,所述路径规划算法选用MAPF算法。
进一步地,所述S2中的机器人信息包括车辆的数量以及每个车辆的起始位置。
进一步地,所述S4具体包括如下步骤:
S41、利用车辆控制算法遍历第i辆车的第k个路径点,对于车辆j,计算满足时间关系的位置,分别从/>向前面的路径点遍历直到初始位置;其中/>表示第j辆车在第l个路径点的时刻,/>表示第i辆车在第k个路径点的时刻;
S42、判断是否满足,其中/>表示车辆i此刻所处的位置,/>车辆j此刻所处的位置;
若不满足,继续遍历前面的所有路径点;
若满足,为车辆i的第k个路径点添加依赖关系,其中/>表示为车辆i在执行路径点/>时需满足车辆j已经经过位置/>共k次,/>表示路径点/>的后面的一个位置,k表示已发送给仿真平台但未执行第j辆车的路径中/>出现的次数与新规划第j辆车的路径中/>出现的次数总和;
S43、如果第j辆车路径点中没有与第i辆车冲突的位置,则遍历已发送给多智能体仿真平台但未执行第j辆车的路径中与第i辆车冲突的位置,若存在冲突,同样增加依赖关系;
S44、如果车辆i的第k个路径点与其余车辆没有依赖关系存在,则车辆i满足所有依赖关系,否则车辆i不满足所有依赖关系;
S45、车辆控制算法利用依赖关系为车辆i和车辆j生成可执行路径,如果状态信息为true,即已经满足所有依赖关系,则将该位置加入到可执行路径队列中。
进一步地,所述路径点包含位置信息、依赖信息、状态信息和发布信息;
位置信息,表示为时空关系,即车辆在t秒到达位置/>;
依赖信息,即依赖关系,表示为,即执行位置path需要确保依赖车辆id经过位置/>共k次;
状态信息,表示该路径点已经满足/未满足所有依赖关系;
发布信息,表示该路径点是否已经发送给多智能体仿真平台,初始发布信息全部为false,如果已发送至多智能体仿真平台,发布信息改为true。
进一步地,所述S5中的车辆控制算法将可执行路径传输到多智能体仿真平台,具体实现方式为:
设置每次向多智能体仿真平台发送路径点的个数n,并设置发送时间间隔t;
每隔一段时间t每辆车将从可执行路径中提取前n个动作,发送至多智能体仿真平台以便多智能体仿真平台实时模拟车辆执行,发布信息转换为true。
进一步地,所述S5中的对可执行路径进行实时更新,具体包括如下步骤:
S51、根据构建的依赖关系更新可执行路径,状态信息为true,即若车辆满足依赖关系时,将该路径信息添加至可执行路径中;
S52、多智能体仿真平台实时反馈车辆位置,若满足某辆车的依赖关系,那么将依赖关系删除;如果依赖关系为空,那么将状态信息设置为true,即该路径点已经满足所有依赖关系。
本发明的有益效果:
本发明提供一种基于依赖关系的多智能体避碰控制方法,首先,使用了单次MAPF规划器(即MAPF算法)来计算多个机器人(车辆)的路径,并构建相应的依赖关系。这确保了在实际运行中,车辆可以按照规划的路径移动。然后,我们采用车辆控制算法,车辆控制算法动态地更新车辆的可执行路径的队列,允许车辆根据实际情况进行运动执行,例如加速、减速、转弯等,而不需要强制同步执行。这一方法有助于确保车辆之间不会发生碰撞,同时提高了车辆任务执行的效率。
附图说明
图1为本发明的总体框架图;
图2为本发明实施例的运行图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳的实施例。但是,本发明可以通过许多其他不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
参照图1,本申请实施例提供了一种基于依赖关系的多智能体避碰控制方法,包括如下步骤:
S1、搭建多智能体系统总体框架,多智能体系统总体框架包括多智能体仿真平台、初始化模块、路径规划算法和车辆控制算法;
S2、多智能体仿真平台将任务发送到初始化模块内,初始化模块对地图、任务信息和机器人信息进行初始化;
S3、路径规划算法对多智能体路径进行搜索,生成离散环境下的多车辆的无碰撞路径;
S4、车辆控制算法根据离散环境下的多车辆的无碰撞路径构建现实动态环境下不发生碰撞的多车辆之间的依赖关系,利用依赖关系生成可执行路径;
S5、车辆控制算法将可执行路径传输到多智能体仿真平台中,多智能体仿真平台对多车辆进行实时模拟,并将多车辆的位置信息通过车辆控制算法发送到路径规划算法内,初始化可执行路径,循环S3至S5,对可执行路径进行实时更新,并利用多智能体仿真平台对多车辆进行实时模拟,直至多车辆均达到目的地。
在一些实施例中,所述S1中的多智能体仿真平台的作用包括发起任务和多车辆实时模拟;
初始化模块用于对地图、任务信息和机器人信息进行初始化;
路径规划算法用于对离散环境下的多车辆的路径进行搜索,生成离散环境下的多车辆的无碰撞路径;
车辆控制算法用于根据依赖关系生成可执行路径。
在一些实施例中,所述路径规划算法选用MAPF算法。
在一些实施例中,所述S2中的机器人信息包括车辆的数量以及每个车辆的起始位置。
在一些实施例中,所述S4具体包括如下步骤:
S41、利用车辆控制算法遍历第i辆车的第k个路径点,对于车辆j,计算满足时间关系的位置,分别从/>向前面的路径点遍历直到初始位置;其中/>表示第j辆车在第l个路径点的时刻,/>表示第i辆车在第k个路径点的时刻;
S42、判断是否满足,其中/>表示车辆i此刻所处的位置,/>车辆j此刻所处的位置;
若不满足,继续遍历前面的所有路径点;
若满足,为车辆i的第k个路径点添加依赖关系,其中/>表示为车辆i在执行路径点/>时需满足车辆j已经经过位置/>共k次,/>表示路径点/>的后面的一个位置,k表示已发送给仿真平台但未执行第j辆车的路径中/>出现的次数与新规划第j辆车的路径中/>出现的次数总和;
S43、如果第j辆车路径点中没有与第i辆车冲突的位置,则遍历已发送给多智能体仿真平台但未执行第j辆车的路径中与第i辆车冲突的位置,若存在冲突,同样增加依赖关系;
S44、如果车辆i的第k个路径点与其余车辆没有依赖关系存在,则车辆i满足所有依赖关系,否则车辆i不满足所有依赖关系;
S45、车辆控制算法利用依赖关系为车辆i和车辆j生成可执行路径,如果状态信息为true,即已经满足所有依赖关系,则将该位置加入到可执行路径队列中。
在一些实施例中,所述路径点包含位置信息Path、依赖信息Dependency、状态信息state和发布信息Publish;
位置信息Path,表示为时空关系,即车辆在t秒到达位置/>;
依赖信息Dependency,即依赖关系,表示为,即执行位置path需要确保依赖车辆id经过位置/>共k次;
状态信息state,表示该路径点已经满足/未满足所有依赖关系;
发布信息Publish,表示该路径点是否已经发送给多智能体仿真平台,初始发布信息全部为false,如果已发送至多智能体仿真平台,发布信息改为true。
在一些实施例中,所述S5中的车辆控制算法将可执行路径传输到多智能体仿真平台,具体实现方式为:
设置每次向多智能体仿真平台发送路径点的个数n,并设置发送时间间隔t;
每隔一段时间t每辆车将从可执行路径中提取前n个动作,发送至多智能体仿真平台以便多智能体仿真平台实时模拟车辆执行,发布信息转换为true。
在一些实施例中,所述S5中的对可执行路径进行实时更新,具体包括如下步骤:
S51、根据构建的依赖关系更新可执行路径,状态信息为true,即若车辆满足依赖关系时,将该路径信息添加至可执行路径中;
S52、多智能体仿真平台实时反馈车辆位置,若满足某辆车的依赖关系,那么将依赖关系删除;如果依赖关系为空,那么将状态信息Publish设置为true,即该路径点已经满足所有依赖关系。
本发明提供一种基于依赖关系的多智能体避碰控制方法,首先,使用了单次MAPF规划器(即MAPF算法)来计算多个机器人(车辆)的路径,并构建相应的依赖关系。这确保了在实际运行中,车辆可以按照规划的路径移动。然后,我们采用车辆控制算法,车辆控制算法动态地更新车辆的可执行路径的队列,允许车辆根据实际情况进行运动执行,例如加速、减速、转弯等,而不需要强制同步执行。这一方法有助于确保车辆之间不会发生碰撞,同时提高了车辆任务执行的效率。
如图2所示为本发明的一个实施例的运行图,要求是车辆A要从位置A执行至位置I,车辆H要从位置执行至位置G;
首先根据MAPF计算出来的路径为A:{A,B,C,D,E,F,I},H:{H,H,H,H,H,H,F,E,D,C,B,G},然后依赖关系构建中车辆A没有依赖关系,而车辆H存在依赖关系,即需要确保车辆A到达I时才能开始执行位置F,依赖关系为(A,I,1),即车辆A到达位置I共一次,车辆H可以开始执行到F。
根据上面的依赖关系可以看出车辆A中的所有路径状态信息state为true,因为没有依赖关系,而车辆H执行F存在依赖关系,状态信息state为false。此时更新可执行路径A:{A,B,C,D,E,F,I},H:{H },将该路径发送至仿真平台,当仿真平台模拟车辆运行后,车辆更新位置I时,车辆H中的依赖关系满足,并将状态信息state设置为true,此时可执行路径更新为A:{ I},H:{ H,F,E,D,C,B,G},车辆H执行路径至终点G。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。并且,本发明各个实施方式之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于依赖关系的多智能体避碰控制方法,其特征在于,包括如下步骤:
S1、搭建多智能体系统总体框架,多智能体系统总体框架包括多智能体仿真平台、初始化模块、路径规划算法和车辆控制算法;
S2、多智能体仿真平台将任务发送到初始化模块内,初始化模块对地图、任务信息和机器人信息进行初始化;
S3、路径规划算法对多智能体路径进行搜索,生成离散环境下的多车辆的无碰撞路径;
S4、车辆控制算法根据离散环境下的多车辆的无碰撞路径构建现实动态环境下不发生碰撞的多车辆之间的依赖关系,利用依赖关系生成可执行路径;
所述S4具体包括如下步骤:
S41、利用车辆控制算法遍历第i辆车的第k个路径点,对于车辆j,计算满足时间关系的位置,分别从/>向前面的路径点遍历直到初始位置;其中/>表示第j辆车在第l个路径点的时刻,/>表示第i辆车在第k个路径点的时刻;
S42、判断是否满足,其中/>表示车辆i此刻所处的位置,/>车辆j此刻所处的位置;
若不满足,继续遍历前面的所有路径点;
若满足,为车辆i的第k个路径点添加依赖关系,其中/>表示为车辆i在执行路径点/>时需满足车辆j已经经过位置/>共k次,/>表示路径点/>的后面的一个位置,k表示已发送给仿真平台但未执行第j辆车的路径中/>出现的次数与新规划第j辆车的路径中/>出现的次数总和;
S43、如果第j辆车路径点中没有与第i辆车冲突的位置,则遍历已发送给多智能体仿真平台但未执行第j辆车的路径中与第i辆车冲突的位置,若存在冲突,同样增加依赖关系;
S44、如果车辆i的第k个路径点与其余车辆没有依赖关系存在,则车辆i满足所有依赖关系,否则车辆i不满足所有依赖关系;
S45、车辆控制算法利用依赖关系为车辆i和车辆j生成可执行路径,如果状态信息为true,即已经满足所有依赖关系,则将该位置加入到可执行路径队列中;
S5、车辆控制算法将可执行路径传输到多智能体仿真平台中,多智能体仿真平台对多车辆进行实时模拟,并将多车辆的位置信息通过车辆控制算法发送到路径规划算法内,初始化可执行路径,循环S3至S5,对可执行路径进行实时更新,并利用多智能体仿真平台对多车辆进行实时模拟,直至多车辆均达到目的地。
2.根据权利要求1所述的多智能体避碰控制方法,其特征在于,所述S1中的多智能体仿真平台的作用包括发起任务和多车辆实时模拟;
初始化模块用于对地图、任务信息和机器人信息进行初始化;
路径规划算法用于对离散环境下的多车辆的路径进行搜索,生成离散环境下的多车辆的无碰撞路径;
车辆控制算法用于根据依赖关系生成可执行路径。
3.根据权利要求1所述的多智能体避碰控制方法,其特征在于,所述路径规划算法选用MAPF算法。
4.根据权利要求1所述的多智能体避碰控制方法,其特征在于,所述S2中的机器人信息包括车辆的数量以及每个车辆的起始位置。
5.根据权利要求1所述的多智能体避碰控制方法,其特征在于,所述路径点包含位置信息、依赖信息、状态信息和发布信息;
位置信息,表示为时空关系,即车辆在t秒到达位置/>;
依赖信息,即依赖关系,表示为,即执行位置需要确保依赖车辆id经过位置/>共k次;
状态信息,表示该路径点已经满足/未满足所有依赖关系;
发布信息,表示该路径点是否已经发送给多智能体仿真平台,初始发布信息全部为false,如果已发送至多智能体仿真平台,发布信息改为true。
6.根据权利要求5所述的多智能体避碰控制方法,其特征在于,所述S5中的车辆控制算法将可执行路径传输到多智能体仿真平台,具体实现方式为:
设置每次向多智能体仿真平台发送路径点的个数n,并设置发送时间间隔t;
每隔一段时间t每辆车将从可执行路径中提取前n个动作,发送至多智能体仿真平台以便多智能体仿真平台实时模拟车辆执行,发布信息转换为true。
7.根据权利要求6所述的多智能体避碰控制方法,其特征在于,所述S5中的对可执行路径进行实时更新,具体包括如下步骤:
S51、根据构建的依赖关系更新可执行路径,状态信息为true,即若车辆满足依赖关系时,将该路径信息添加至可执行路径中;
S52、多智能体仿真平台实时反馈车辆位置,若满足某辆车的依赖关系,那么将依赖关系删除;如果依赖关系为空,那么将状态信息设置为true,即该路径点已经满足所有依赖关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410054097.8A CN117572876B (zh) | 2024-01-15 | 2024-01-15 | 一种基于依赖关系的多智能体避碰控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410054097.8A CN117572876B (zh) | 2024-01-15 | 2024-01-15 | 一种基于依赖关系的多智能体避碰控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117572876A true CN117572876A (zh) | 2024-02-20 |
CN117572876B CN117572876B (zh) | 2024-04-12 |
Family
ID=89862780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410054097.8A Active CN117572876B (zh) | 2024-01-15 | 2024-01-15 | 一种基于依赖关系的多智能体避碰控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117572876B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190361452A1 (en) * | 2018-05-22 | 2019-11-28 | King Fahd University Of Petroleum And Minerals | Method and system for controlling a vehicle |
CN112130582A (zh) * | 2020-09-10 | 2020-12-25 | 北京理工大学 | 一种多智能体编队形成方法 |
CN113204236A (zh) * | 2021-04-14 | 2021-08-03 | 华中科技大学 | 一种智能体路径跟踪控制方法 |
CN113961001A (zh) * | 2021-08-27 | 2022-01-21 | 中国人民解放军军事科学院战争研究院 | 一种基于rvo策略和最优控制算法的混合型多智能体协同路径规划方法 |
CN114545971A (zh) * | 2022-02-23 | 2022-05-27 | 西安交通大学 | 一种通讯约束下多智能体分布式可飞路径规划方法、系统、计算机设备及介质 |
GB202209423D0 (en) * | 2021-08-12 | 2022-08-10 | Univ Xidian | Method for multi-agent dynamic path planning |
KR20220141646A (ko) * | 2021-04-13 | 2022-10-20 | 한국전자통신연구원 | 강화학습을 이용한 다중 에이전트 agv 스케줄링 방법, 서버 및 agv |
CN116620264A (zh) * | 2023-05-10 | 2023-08-22 | 北京理工大学 | 基于多智能体强化学习的泊车任务分配与轨迹规划系统 |
CN116820093A (zh) * | 2023-06-02 | 2023-09-29 | 北京理工大学 | 基于多智能体强化学习的多车协同侦测系统轨迹规划方法 |
-
2024
- 2024-01-15 CN CN202410054097.8A patent/CN117572876B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190361452A1 (en) * | 2018-05-22 | 2019-11-28 | King Fahd University Of Petroleum And Minerals | Method and system for controlling a vehicle |
CN112130582A (zh) * | 2020-09-10 | 2020-12-25 | 北京理工大学 | 一种多智能体编队形成方法 |
KR20220141646A (ko) * | 2021-04-13 | 2022-10-20 | 한국전자통신연구원 | 강화학습을 이용한 다중 에이전트 agv 스케줄링 방법, 서버 및 agv |
CN113204236A (zh) * | 2021-04-14 | 2021-08-03 | 华中科技大学 | 一种智能体路径跟踪控制方法 |
GB202209423D0 (en) * | 2021-08-12 | 2022-08-10 | Univ Xidian | Method for multi-agent dynamic path planning |
CN113961001A (zh) * | 2021-08-27 | 2022-01-21 | 中国人民解放军军事科学院战争研究院 | 一种基于rvo策略和最优控制算法的混合型多智能体协同路径规划方法 |
CN114545971A (zh) * | 2022-02-23 | 2022-05-27 | 西安交通大学 | 一种通讯约束下多智能体分布式可飞路径规划方法、系统、计算机设备及介质 |
CN116620264A (zh) * | 2023-05-10 | 2023-08-22 | 北京理工大学 | 基于多智能体强化学习的泊车任务分配与轨迹规划系统 |
CN116820093A (zh) * | 2023-06-02 | 2023-09-29 | 北京理工大学 | 基于多智能体强化学习的多车协同侦测系统轨迹规划方法 |
Non-Patent Citations (1)
Title |
---|
任治国;盖文静;金嘉磊;王章野;彭群生;: "面向动态场景视频的虚拟行人路径规划", 计算机辅助设计与图形学学报, no. 04, 15 April 2013 (2013-04-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117572876B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hönig et al. | Persistent and robust execution of MAPF schedules in warehouses | |
Blackmore et al. | A probabilistic approach to optimal robust path planning with obstacles | |
US20190286145A1 (en) | Method and Apparatus for Dynamic Obstacle Avoidance by Mobile Robots | |
CN111638717B (zh) | 一种分布式自主机器人交通协调机制的设计方法 | |
Chen et al. | Robust sequential trajectory planning under disturbances and adversarial intruder | |
Wagner et al. | Path planning for multiple agents under uncertainty | |
US11860621B2 (en) | Travel control device, travel control method, travel control system and computer program | |
Purwin et al. | Theory and implementation of path planning by negotiation for decentralized agents | |
Buchholz et al. | Handling occlusions in automated driving using a multiaccess edge computing server-based environment model from infrastructure sensors | |
Schouwenaars et al. | Safe receding horizon path planning for autonomous vehicles | |
Yang et al. | Multi-agent autonomous on-demand free flight operations in urban air mobility | |
EP0960413A1 (en) | Cooperative resolution of air traffic conflicts | |
Liu | A progressive motion-planning algorithm and traffic flow analysis for high-density 2D traffic | |
CN117572876B (zh) | 一种基于依赖关系的多智能体避碰控制方法 | |
Kondo et al. | Robust mader: Decentralized multiagent trajectory planner robust to communication delay in dynamic environments | |
CN113701742A (zh) | 一种基于云端与边端融合计算的移动机器人slam方法 | |
CN111221318B (zh) | 一种基于模型预测控制算法的多机器人状态估计方法 | |
Herman et al. | Overview of the multiple autonomous underwater vehicles (MAUV) project | |
Wang et al. | A novel teleoperation paradigm for human-robot interaction | |
Gravell et al. | Centralized collision-free polynomial trajectories and goal assignment for aerial swarms | |
Patel et al. | Collaborative collision avoidance for cavs in unpredictable scenarios | |
Patel et al. | Cooperative collision avoidance for coalitions of connected and autonomous vehicles | |
Sato et al. | Markov Decision Process-Based Collision Avoidance Method for Multirotor Small Unmanned Aircraft System | |
Hu et al. | Decentralized velocity-aware motion planning for multi-agent coordination | |
Ahmed et al. | Towards cooperative bayesian human-robot perception: Theory, experiments, opportunities |
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 |