WO2018170990A1 - 一种面向多机器人系统的完全遍历路径规划方法 - Google Patents

一种面向多机器人系统的完全遍历路径规划方法 Download PDF

Info

Publication number
WO2018170990A1
WO2018170990A1 PCT/CN2017/081451 CN2017081451W WO2018170990A1 WO 2018170990 A1 WO2018170990 A1 WO 2018170990A1 CN 2017081451 W CN2017081451 W CN 2017081451W WO 2018170990 A1 WO2018170990 A1 WO 2018170990A1
Authority
WO
WIPO (PCT)
Prior art keywords
robot
backtracking
node
deadlock
robots
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.)
Ceased
Application number
PCT/CN2017/081451
Other languages
English (en)
French (fr)
Inventor
刘宏
王芷
张国栋
宋章军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University Shenzhen Graduate School
Shenzhen Silver Star Intelligent Technology Co Ltd
Original Assignee
Peking University Shenzhen Graduate School
Shenzhen Silver Star Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University Shenzhen Graduate School, Shenzhen Silver Star Intelligent Technology Co Ltd filed Critical Peking University Shenzhen Graduate School
Publication of WO2018170990A1 publication Critical patent/WO2018170990A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations

Definitions

  • the invention belongs to the field of information technology and robot technology, and relates to a path planning method for a mobile robot, in particular to a full coverage path planning method for a multi-robot system.
  • Full coverage path planning requires the robot to go through every location in the workspace while also avoiding obstacles.
  • Single-robot and multi-robot full coverage path planning has been widely used, such as household cleaning robots, demining robots, lawn mowers and agricultural automatic harvesters.
  • a method based on a biologically stimulating neural network can solve single robot path planning in an unknown and variable environment. It generates a full coverage path based on the activity values of the neurons. However, when the next node is unable to walk (for example, in the event of a deadlock), the robot must wait in place until the activity value decays to a lower level than the surrounding nodes before it can come out. On the other hand, methods based on biologically excited neural networks cannot guarantee that the path to escape the deadlock region is optimal. Therefore, the effect of expanding in multiple robots is not Do your best.
  • the present invention proposes a multi-robot full traversal path planning method in an unknown and variable environment.
  • the invention utilizes the advantages of the biological excitation neural network model, combines a new backtracking mechanism, and rationally performs coordination and task assignment among multiple robots, thereby achieving an improvement in coverage efficiency.
  • the area that has not been accessed is covered according to the biological excitation neural network model; when the robot enters the deadlock area, it no longer waits for the activity value of the neuron.
  • Attenuation instead of directly calling the backtracking mechanism, select the appropriate backtracking node to escape the deadlock area and go to the next uncovered area for coverage.
  • the dynamic A star method is used to find the shortest and optimal path on the basis of ensuring avoidance of obstacles. This dynamic A-star approach updates environment information in real-time in a variable environment and updates path costs in real time, avoiding obstacles.
  • the present invention uses a bidding method based on a market mechanism when selecting a suitable backtracking node to escape the deadlock in the backtracking mechanism.
  • the bidding method considers both the length of the path and the conflict between the robots.
  • the framework of the present invention is shown in Figure 1.
  • the robot did not know the information of the environment, the dynamic or static obstacles in the environment, the areas that have been visited, the areas that have not been visited, etc. are unknown.
  • the robot gradually acquires local information through the sensor and covers those areas that can be reached.
  • each robot independently performs coverage based on a bio-stimulus neural network model. Then, when a robot reaches the deadlock point, he starts calling the backtracking mechanism, including:
  • the robot After escaping the deadlock, the robot will continue to cover based on the bio-stimulus neural network model.
  • the entire full traversal algorithm ends after the backtracking list is empty, that is, the full coverage of the entire region is completed.
  • the invention utilizes the advantages of the biological excitation neural network model, and combines a new backtracking mechanism to realize the coordination and task assignment among multiple robots, and achieves the improvement of coverage efficiency.
  • the invention can effectively cover all reachable areas in the environment, and the task assignment is also relatively balanced, and the coverage time can be effectively reduced when the multi-robot complete traversal path planning is performed;
  • the invention adopts a task allocation method based on market mechanism, each robot independently completes its own tasks, has few conflicts, and has good robustness and completeness.
  • 1 is a flow chart of a full traversal path planning method for a multi-robot system
  • FIG. 2 is a schematic diagram of a conventional definition of a backtracking node
  • FIG. 3 is a diagram showing an example of a selection method of a new backtracking node
  • Figure 4 is a flow chart of the bidding mechanism under the multi-robot system
  • Figure 5 is a road effect diagram of four robots completely traversing the environment.
  • the robot in the present invention operates in a variable environment, and the path planning problem in a two-dimensional environment is considered here.
  • the entire workspace is divided into small squares (grids) one by one.
  • the size of each grid (a neuron in a biologically excited neural network) is equal to the size of the robot's actuator.
  • the side length of the grid is equal to the diameter of the chassis of the sweeping robot and is known.
  • the dynamically changing environmental information is initially unknown, requiring the robot to gradually detect through the sensor during walking.
  • FIG. 1 is a flow chart of a full traversal path planning method for a multi-robot system of the present invention.
  • the workspace is treated as a raster map.
  • Each robot senses environmental information through sensors and knows which grids are covered by obstacles and which are free reachable areas. In order to minimize energy and time consumption, the robot will choose as short as possible and turn to a small path.
  • each robot is covered by its own bio-stimulus neural network model.
  • the choice of the next node is determined by the activity value of the neuron and the position of the robot at the previous moment.
  • Each robot can move in eight directions (up, down, left, right, top left, bottom left, top right, bottom right). These eight directions are relatively convenient for robot control.
  • the state of the deadlock is that the activity values of the surrounding eight neurons are lower than the activity values of the current node. For example, the surrounding eight neighbor nodes are either overwritten or occupied by obstacles.
  • the current previous node is called a deadlock point.
  • each robot first explores and covers the unknown area according to the bio-stimulus neural network model.
  • the backtracking mechanism can also be understood as the use of space for time, by maintaining a list of backtracking nodes, reducing the computation and waiting time of the robot in the deadlock region. Therefore, both computational complexity and time consumption are effectively reduced.
  • nodes that are not traditionally not fully accessed are added to the column.
  • the node's spatial location information is used to constrain certainly, reducing the number of valid nodes in the list.
  • the appropriate backtracking node is finally determined through the greedy criterion and the bidding process based on the market mechanism.
  • the dynamically updated A* algorithm is used to plan a shortest path that escapes from the deadlock point to the backtracking node.
  • the backtracking list when the robot enters a deadlock state, the backtracking list will be updated.
  • the backtracking list is the collection of nodes to be traced back. Unlike previous methods, the robot does not update the backtracking list during the exploration and coverage of unknown areas.
  • the traditional backtracking node is defined as shown in Figure 2.
  • the node is regarded as the node to be traced back. This means that it will be possible for this node to be completely covered in subsequent coverages (ie, all eight nodes around are covered or obstructed).
  • the black grid in Figure 2 is the current node X.
  • the gray nodes in the eight neighbor nodes around it represent the nodes occupied by the obstacle, and the white nodes (X3, X4, X5) represent the reachable nodes that are not covered. .
  • each robot performs an overlay task relatively independently.
  • the first is to choose the node as close as possible to yourself; the second is that the selected node is as far away as possible from other robots.
  • the robot does not have initial information about the environment, only the partial area information covering the area and its surroundings is covered.
  • the greedy criterion is more efficient than the global optimization method.
  • the first criterion is to iterate through all the nodes in the list and calculate the shortest path from the robot to each node.
  • the shortest path here can be obtained by depth-first search, Dijsktra search and other methods. This criterion seems to be very accurate, but in a dynamic environment, these shortest paths that are searched based on past information may not be valid in themselves. Therefore, this method of calculating the search path is complicated and time consuming, and may be occupied by an obstacle of motion and become invalid.
  • the second criterion is to calculate the Euclidean distance between each node and the robot. But this method is also affected by obstacles. If there is an obstacle between two points, it may lead to two points with very close European distance, and the real path is very far.
  • the third criterion is to select the nodes that have been recently added to the list in the backtracking list of the build.
  • the guidelines are very simple, with almost no computational effort, and in most cases the shortest path. Although there are some exceptions, the node is also relatively sub-optimal. In real-world robot systems, suboptimal solutions can be tolerated and accepted based on its low computational complexity.
  • the present invention selects a third greedy criterion: selecting the point that is most recently added to the backtracking list.
  • This greedy criterion can be directly used in the backtracking mechanism of a single robot.
  • the present invention is directed to a multi-robot system, and the nodes that are newly added to the list are also only candidate nodes. Because the optimal backtracking node to be selected should also consider whether it is far away from other robots, that is to say it will not be covered by other robots in a short time. A bidding process based on market mechanism is adopted here. First, assume that the robot R in the deadlock state selects the node p newly added to the backtracking list as the candidate backtracking node.
  • each robot calculates its own Euclidean distance from the candidate node p and uses this distance as the bid price. If the bid price of the deadlock robot R is smaller than other robots, that is, the distance is closest, then the robot R wins the bid, and the candidate node p is the best backtracking node. Conversely, if there are other robots that are smaller than the bid price of the deadlock robot R, that is, the point p is closer to some other robot, then p may soon be covered by other robots, that is, it cannot be selected as the best. node. At this time, the bidding mechanism will automatically select the next node q that is newly added to the backtracking list, and check if q can make the deadlock robot R win the bid.
  • the last important part of the backtracking mechanism is the point-to-point path planning from the deadlock area to the uncovered full backtracking node.
  • the A-star algorithm is a commonly used point-to-point path planning method in known environments. It can be guaranteed In the case of the shortest path, the search space is reduced as much as possible, and the speed of the solution is accelerated. But when the robot walks along the path of the solution and the environment changes, the path is likely to be invalid.
  • the dynamic A-star algorithm (A.Stentz, "The focussed D*algorithm for real-time replanning.” In Proc. IJCAI, vol. 95, pp. 1652-1659, 1995.) is required to update the path cost in real time. And re-planning in time when the path is occupied by obstacles, so as to reach the final target point.
  • Figure 5 is an effect achieved by the present invention in a multi-robot system.
  • the present invention distributes tasks to a plurality of robots in a balanced manner by the above-described algorithm, thereby effectively reducing the time required for the total complete traversal path planning.
  • it is important to avoid covering similar areas with other robots during task assignment.
  • the dynamic A-star algorithm and the coverage algorithm based on the bio-stimulus neural network model will effectively treat other robots as obstacles.
  • Figure 5 is a path result of four robots planning with the algorithm employed by the present invention.
  • the invention also has strong robustness.
  • One or several of the robots will not work and will not affect other normal robots. That is to say, as long as at least one robot can still work normally, a full traversal coverage task can be realized. Therefore, the present invention has good robustness and completeness.
  • the invention realizes the full coverage task of the multi-robot, and the backtracking method based on the bidding mechanism is combined with the biological excitation neural network coverage model.
  • This backtracking method can also be combined with a spiral algorithm (E. Gonzalez, O. Alvarez, Y. Diaz, C. Parra, and C. Bustacara, "BSA: A complete coverage algorithm," In Proc. ICRA, pp. 2040 - 2044, 2005), the combination of multiple robots can also achieve the goal of full coverage.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Manipulator (AREA)

Abstract

一种面向多机器人系统的完全遍历路径规划方法。本方法将生物激励神经网络模型和回溯机制相结合，在减少重复覆盖的路径的同时，缩短了全覆盖所需的时间。具体方法为：每一个机器人分别利用生物激励神经网络的模型对周围环境进行覆盖，直到机器人进入死锁状态，然后无需等待神经元活性值的衰减，机器人利用回溯机制，选择最佳的回溯结点，并利用动态A星算法规划出一条到达回溯结点的路径；运动到回溯结点后，机器人继续进入覆盖模式。当某个机器人死锁时，回溯机制依据市场机制选择最合适的回溯结点，市场机制中的投标过程同时考虑了机器人回溯时的路径长度，以及与其他机器人的冲突关系，可以大大减少覆盖完成的总时间。

Description

一种面向多机器人系统的完全遍历路径规划方法 技术领域
本发明属于信息技术、机器人技术领域，涉及一种移动机器人的路径规划方法，特别涉及一种面向多机器人系统的全覆盖路径规划方法。
背景技术
全覆盖路径规划需要机器人经过工作空间中的每一个位置，同时还需要躲避障碍物。单机器人和多机器人的全覆盖路径规划都有着广泛的应用，例如家用清洁机器人，排雷机器人,草坪割草机器人和农业自动收割机等等。
静态环境下的完全遍历路径规划方法已经有了很多的解决方案，这些方案也被视为已知环境的离线算法。然而，在真实的应用环境中，提前知道不发生变化的环境信息是不现实的。因此，利用传感器实时感应环境的在线算法更有实际意义。生成树覆盖的算法就是一种有效的在线算法，它可以逐步的生成一棵覆盖所有可达区域的树，并沿着树的生长方向覆盖所有自由空间。螺旋回溯算法也是在线算法，其提供了一种覆盖被障碍物占据的栅格的改进方法。Hoang等(参考文献：H.H.Viet,V.-H.Dang,M.N.U.Laskar,and T.Chung,“BA*:an online complete coverage algorithm for cleaning robots,”Applied intelligence,vol.39,no.2,pp.217–235,2013)提出了在线版本的牛耕算法，它将可达区域划分为一个一个的单元，并用A星算法将这些单元连接起来。
以上是一些单机器人的在线方法，基于这些方法也有衍生出一些多机器人的方法，例如多机器人生成树算法，多机器人森林算法，多机协同的螺旋算法，多机器人牛耕算法等等。这些方法将任务分配给多机器人，并减少了整体的覆盖时间。
尽管在线的完全遍历路径规划有很多实现方案，但是几乎没有方案解决了未知且可变的环境下的多机器人路径规划。基于生物激励神经网络的方法(参考文献：C.Luo and S.X.Yang,“A bioinspired neural network for realtime concurrent map building and complete coverage robot navigation in unknown environments,”IEEE Transactions on Neural Networks,vol.19,no.7,pp.1279–1298,2008)可以解决未知且可变环境下的单机器人路径规划。它根据神经元的活性值来生成全覆盖路径。然而，当下一个节点无法行走时(例如，遇到了死锁的情况)，机器人必须原地等待，直到活性值衰减到比周围节点低时，才能走出来。另一方面，基于生物激励神经网络的方法不能保证逃离死锁区域的路径是最优的。因此，在多机器人中拓展的效果也不 尽如人意。
发明内容
针对上述问题，本发明提出了一种在未知且可变的环境下的多机器人完全遍历路径规划方法。本发明利用了生物激励神经网络模型的优势，结合一种崭新的回溯机制，合理的进行多机器人之间的协同和任务分配，实现了覆盖效率的提升。
本发明中，对于每一个机器人个体来说，都是先根据生物激励神经网络模型，对没有访问过的区域进行覆盖；当机器人走入死锁区域的时候，它不再等待神经元活性值的衰减，而是直接调用回溯机制，选择合适的回溯节点，从而逃离死锁区域，去到下一个未覆盖的区域进行覆盖。在离开死锁区域去到新的回溯节点的过程，使用了动态A星的方法，在保证躲避障碍物的基础上，寻找最短最优的路径。这种动态A星的方法可以在可变环境中实时的更新环境信息，并实时更新路径代价，从而避开障碍物。对于多机器人系统来说，在回溯机制中选择合适的回溯节点逃离死锁时，本发明使用了基于市场机制的投标方法。该投标方法同时考虑了路径的长度和机器人之间的冲突问题。
本发明的框架如图1所示。起初，机器人并不知道环境的信息，环境中的动态或静态障碍物，已经访问过的区域，没有访问过的区域等都是未知的。机器人通过传感器逐渐的获取局部信息，并覆盖那些可以到达的区域。首先，每个机器人独立的开展基于生物激励神经网络模型的覆盖。随后，当某个机器人到达了死锁点，他开始调用回溯机制，包括：
更新回溯列表，并寻找到候选的回溯节点；
通过在多机器人系统中的投标机制，确定最终的合适的回溯节点；
规划一条从死锁点到回溯节点的最优路径，完成死锁区域逃离；
逃离死锁之后，机器人将继续基于生物激励神经网络模型的覆盖，整个完全遍历算法在回溯列表空后得以结束，即完成了整个区域的全覆盖。
本发明的有益效果是：
1)本发明利用了生物激励神经网络模型的优势，并结合一种崭新的回溯机制，实现了多机器人之间的协同和任务分配，实现了覆盖效率的提升。
2)本发明可以有效的覆盖环境中所有的可达区域，同时任务分配也相对均衡，进行多机器人的完全遍历路径规划时可以有效的减少覆盖的时间；
3)本发明采用了基于市场机制的任务分配方法，每个机器人独立的完成各自的任务，很少有冲突，具有良好的鲁棒性和完备性。
附图说明
图1是面向多机器人系统的完全遍历路径规划方法的流程图；
图2是传统的对待回溯节点的定义示意图；
图3是新的回溯节点的选择方式示例图；
图4是多机器人系统下的投标机制流程图；
图5是四个机器人对环境进行完全遍历的路径效果图。
具体实施方式
下面通过具体实施例和附图，对本发明做进一步详细说明。
本发明中的机器人工作在一个可变的环境中，这里考虑的是二维环境下的路径规划问题。整个工作空间被划分为一个一个的小正方形(栅格)。每一个栅格(生物激励神经网络中的神经元)的大小都等于机器人的执行机构的大小。对于扫地机器人来说，栅格的边长等于扫地机器人底盘的直径，为已知的。然而动态变化的环境信息在初始时是未知的，需要机器人在行走过程中通过传感器去逐步的探测。
图1是本发明的面向多机器人系统的完全遍历路径规划方法的流程图。这里将工作空间作为一个栅格地图来处理。每个机器人通过传感器感知环境信息，并得知周围哪些栅格是被障碍物覆盖的，哪些是自由的可达区域。为了尽可能减少能量和时间的消耗，机器人将尽可能的选择短且转向小的路径。当没有遇到死锁区域的时候，每个机器人按照自己的生物激励神经网络模型进行覆盖。下一节点的选择由神经元的活性值及前一时刻机器人的位置而共同决定。每个机器人能够向周围的八个方向运动(上，下，左，右，左上，左下，右上，右下)。这八个方向对于机器人的控制来说是相对方便的。死锁的状态即为周围八个神经元的活性值均比当前节点的活性值低。例如，周围的八个邻居节点，不是被覆盖过了，就是被障碍物占据了。当机器人运动到这种死锁的状态时，当前的上个节点被叫做死锁点。
对于多机器人系统来说，每一个机器人都先根据生物激励神经网络模型对未知区域进行边探索边覆盖。当任何一个机器人进入死锁区域时，就会跳到回溯机制。该机制也可以理解为是利用空间换时间，通过维护一个回溯节点的列表，减少机器人在死锁区域的计算和等待时间。因此，无论是计算复杂度还是时间消耗都会被有效的减少。
回溯机制中创新性主要体现在以下三个方面：
首先，当机器人在建立和更新回溯列表时，不是传统的没有完全访问的节点就被加入列 表中，而是利用节点的空间位置信息进行了一定的约束，减少了列表中有效节点的数量。
其次，在回溯列表中选择最合适的回溯节点时，通过贪心准则和基于市场机制的投标过程来最终决定合适的回溯节点。
最后，利用动态更新的A*算法来规划一条从死锁点逃离到回溯节点的最短路径。
1.更新回溯列表
本发明中，当机器人进入死锁状态时，将会更新回溯列表。回溯列表即为待回溯的节点的集合。不同于以往的方法，机器人在进行未知区域探索和覆盖的过程中，不会对回溯列表进行更新。
传统的回溯节点的定义方式如图2所示。当当前节点X周围的八个邻居节点中，有一个以上的可达节点没有被覆盖时，该节点就会被视为待回溯的节点。也就是说这个节点将有可能在后续的覆盖中被覆盖完全(即周围八个节点都被覆盖或者为障碍物)。图2中黑色的栅格即为当前节点X，它周围的八个邻居节点中灰色的节点表示被障碍物占据的节点，白色的节点(X3，X4，X5)表示未被覆盖的可达节点。根据传统的定义方式，大量的上图中类似的节点被加入到回溯列表中，然而最终只有很小的一部分节点会被选择成为最终的回溯节点。在实际的选择中，只有在未覆盖区域边界上的角点会被选择为回溯节点。边界中间的部分节点将不会被选择。因此，本发明中只选择未覆盖区域边缘两端的节点加入到回溯列表中，也就是说中间位置的点将会被删除。图3示意了新的回溯节点的选择方式。
在更新过程中，为了维护列表的有限性，不仅仅是向列表中添加满足条件的回溯节点，那些已经被逐渐的覆盖完全的节点同样会被删除。添加和删除都是在机器人进入到死锁点时进行的。
2.选择最佳回溯节点
在构建和更新回溯列表之后，要选择一个最佳的回溯节点，从而引导机器人走出死锁区域，进入下一次的覆盖中去。在单机器人系统中，机器人只需根据一定的贪心准则(如直线距离最近，时间最近等)选择最佳节点即可。但是对于多机器人系统来说，选择是更加复杂的，这可以被视为是一种多机系统的任务分配问题。市场机制被认为是任务分配问题中的一种有效的分布式机制，机器人可以相对独立的完成工作。所述“市场机制”是借用经济学的技术和理念来有效地求解系统的任务分配问题，它将系统中任务的发起者比作经济市场上的卖者，将系统中任务的完成者比作经济市场上的买者，从而将系统任务的分配问题等效成经济市场供需匹配问题。在本发明设计的基于市场机制的投标过程中，每个机器人相对独立的进行覆盖任务。当他们进入死锁状态，需要选择回溯节点的时候，会同时考虑以下两个方面： 第一是选择离自己尽可能近的节点；第二是所选节点离其他机器人要尽可能远。
因为机器人没有环境的初始信息，只有覆盖过区域及其周围的部分区域信息。相比于全局优化的方法，贪心准则是更为有效的。要想选择一个最佳的回溯节点，有多种准则可以遵循。在这里，我们讨论了三种准则(最短路径，最小欧式距离和最新被加入回溯列表)，并选择了针对本任务最优的一种。
第一种准则，会遍历列表中的所有节点，并计算该机器人到各个节点的最短路径。这里最短路径可有深度优先搜索，Dijsktra搜索等方法获得。这种准则看起来是非常准确的，但是在动态环境中，这些根据过去的信息搜索到的最短路径有可能本身就是无效的。故这种计算搜索路径的方法是复杂且耗时的，并且有可能被运动的障碍物所占据而变得无效。第二种准则，计算每个节点到机器人之间的欧氏距离。但该方法同样会受到障碍物的影响。两个点之间存在障碍物的话，可能导致欧式距离很近的两个点，其真实路径非常的远。第三种准则，在构建的回溯列表中选择最近被加入列表中的节点。该准则非常简单，几乎没有任何计算量，而且在大多数情况下是路径最短的。虽然会有一些例外的情况，但该节点也是相对次优的。在真实世界的机器人系统中，基于它的低计算复杂度，次优的解是可以被容忍和接受的。
本发明选择了第三种贪心准则：选择最新被加入回溯列表的点。该贪心准则可以直接用于单机器人的回溯机制中。但本发明针对多机器人系统，最新加入列表的节点也仅仅是候选节点。因为要选择的最优回溯节点还要考虑是否离其他机器人远，也就是说不会在很短的时间内被其他机器人所覆盖。这里采用了一种基于市场机制的投标环节。首先，假设处于死锁状态的机器人R选择了最新被加入回溯列表的节点p作为候选回溯节点。这时，每个机器人要计算自己与候选节点p的欧氏距离，并将这个距离作为投标价。如果死锁机器人R的投标价比其他机器人都小，也就是距离最近，那么机器人R中标，候选节点p就是最佳的回溯节点。相反地，如果有其他机器人比死锁机器人R的投标价还要小，也就是该点p离其他某个机器人更近，那么p可能很快会被其他机器人覆盖，即不能被选择为最佳节点。这时投标机制将自动选择下一个最新加入回溯列表的节点q，检查q是否能使死锁机器人R中标。如果还不能，就继续选择列表中的下一个节点，直到机器人R中标，就把该点作为最佳回溯节点。如果遍历了所有节点，都不能使机器人R中标，则直接选择第一个候选节点p进行回溯。具体的算法流程见图4。
3.点到点路径规划
在回溯机制中的最后一个重要的环节即为从死锁区域到未覆盖完全的回溯节点之间的点到点路径规划。A星算法是已知环境中的一种常用的点到点路径规划方法。它能在保证获得 最短路径的情况下尽可能的减少搜索空间，加快求解速度。但当机器人沿着求解的路径行走时，环境发生了变化，那么该路径很可能就无效了。这时就需要动态A星算法(A.Stentz,“The focussed D*algorithm for real-time replanning.”In Proc.IJCAI,vol.95,pp.1652–1659,1995.)，实时地更新路径代价，并且在路径被障碍物占据的时候及时进行重规划，从而到达最终的目标点。
图5是本发明在多机器人系统中实现的效果。本发明通过上述的算法将任务均衡地分配给多个机器人，因此有效的减少了总共的完全遍历路径规划所需的时间。在多机器人系统中，在任务分配时尽量避免和其他机器人共同覆盖相近的区域。当机器人无法避免的距离较近时，动态A星算法和基于生物激励神经网络模型的覆盖算法会将其他机器人视作障碍物而进行有效的避障。图5是四个机器人用本发明采用的算法进行规划的路径结果。其中乘号(×)，加号(+)，星号(*)和菱形(◇)的栅格节点分别由4个机器人所覆盖，圆点(●)表示回溯过程中被重复覆盖的节点。根据图5可以清楚的看出本发明的方法是完备的，可以有效的覆盖环境中所有的可达区域。与此同时，任务分配也是相对均衡的。统计可得每个机器人完成自己的覆盖任务的时间基本相同，且为单个机器人覆盖所有区域的时间的四分之一左右。因此，通过本发明的方法实现多机器人的完全遍历路径规划可以有效的减少覆盖的时间。由于采用了基于市场机制的任务分配方法，每个机器人独立的完成各自的任务很少有冲突。作为一种高度分布式的系统框架，本发明还具有很强的鲁棒性。其中一个或几个机器人不能工作了也不会对其他正常的机器人造成影响。也就是说只要有至少一个机器人还能正常工作，就可以实现完全遍历的覆盖任务。因此本发明具有良好的鲁棒性和完备性。
本发明实现了多机器人的全覆盖任务，利用的基于投标机制的回溯方法，结合的是生物激励神经网络覆盖模型。该回溯方法也可以和螺旋算法(E.Gonzalez,O.Alvarez,Y.Diaz,C.Parra,and C.Bustacara,“BSA:A complete coverage algorithm,”In Proc.ICRA,pp.2040–2044,2005)相结合，也可以达到多机器人协同全覆盖的目的。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求书所述为准。

Claims (10)

  1. 一种面向多机器人系统的完全遍历路径规划方法，包括以下步骤：
    1)将地图栅格化，机器人每次覆盖一个栅格；
    2)每个机器人用生物激励神经网络的方法，各自覆盖未覆盖过的栅格；
    3)当某个机器人陷入死锁状态时，开启回溯机制；
    4)更新回溯列表，并删除已覆盖完全的节点；
    5)死锁的机器人根据市场机制选择最佳回溯节点；
    6)死锁的机器人规划一条最短路径，使其从死锁点运动到最佳回溯节点；
    7)各个机器人继续覆盖，直到回溯列表为空。
  2. 如权利要求1所述的方法，其特征在于，机器人运动的环境为未知的可变环境，即静态或动态的障碍物、覆盖过的区域、未覆盖的区域起初都是未知的，机器人通过传感器感知周围环境，从而覆盖环境中所有的可达区域。
  3. 如权利要求1所述的方法，其特征在于，每个机器人能够向周围的八个方向运动，所述八个方向是：上，下，左，右，左上，左下，右上，右下；死锁的状态即为周围八个神经元的活性值均比当前节点的活性值低，当机器人运动到死锁的状态时，当前的上个节点被叫做死锁点。
  4. 如权利要求1所述的方法，其特征在于，每一个栅格即生物激励神经网络中的神经元的大小都等于机器人的执行机构的大小；对于扫地机器人来说，栅格的边长等于扫地机器人底盘的直径。
  5. 如权利要求1所述的方法，其特征在于，在栅格划分的过程中，部分被障碍物占据的栅格被视为障碍物栅格，并定义四种栅格的状态，分别为访问过的、未访问的、障碍物占据的和死锁的。
  6. 如权利要求1所述的方法，其特征在于，通过机器人之间可靠的通信机制保证他们能够共享各自的位置，并将除自己以外的机器人位置视为障碍物的位置。
  7. 如权利要求1所述的方法，其特征在于，将回溯节点定义为周围还有未覆盖区域的节点，这些节点将可能作为下一次覆盖路径的起点。
  8. 如权利要求1所述的方法，其特征在于，通过贪心机制选择最佳回溯节点，贪心机制的原则是优先选择最后被加入回溯列表的节点。
  9. 如权利要求8所述的方法，其特征在于，采用基于市场机制的投标过程选择出最佳回溯节点，其方法是：首先，假设处于死锁状态的机器人R选择了最新被加入回溯列表的节点p 作为候选回溯节点，这时每个机器人计算自己与候选节点p的欧氏距离，并将这个距离作为投标价；如果死锁机器人R的投标价比其他机器人都小，也就是距离最近，那么机器人R中标，候选节点p就是最佳的回溯节点；相反地，如果有其他机器人比死锁机器人R的投标价还要小，也就是该点p离其他某个机器人更近，那么p可能很快会被其他机器人覆盖，即不能被选择为最佳节点；这时自动选择下一个最新加入回溯列表的节点q，检查q是否能使死锁机器人R中标；如果还不能，就继续选择列表中的下一个节点，直到机器人R中标，就把该点作为最佳回溯节点；如果遍历了所有节点，都不能使机器人R中标，则直接选择第一个候选节点p进行回溯。
  10. 如权利要求1所述的方法，其特征在于，利用动态更新的A*算法来规划一条从死锁点逃离到最佳回溯节点的最短路径。
PCT/CN2017/081451 2017-03-24 2017-04-21 一种面向多机器人系统的完全遍历路径规划方法 Ceased WO2018170990A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710183583.X 2017-03-24
CN201710183583.XA CN106979785B (zh) 2017-03-24 2017-03-24 一种面向多机器人系统的完全遍历路径规划方法

Publications (1)

Publication Number Publication Date
WO2018170990A1 true WO2018170990A1 (zh) 2018-09-27

Family

ID=59339508

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/081451 Ceased WO2018170990A1 (zh) 2017-03-24 2017-04-21 一种面向多机器人系统的完全遍历路径规划方法

Country Status (2)

Country Link
CN (1) CN106979785B (zh)
WO (1) WO2018170990A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111879250A (zh) * 2020-08-04 2020-11-03 小狗电器互联网科技（北京）股份有限公司 一种墙面检测方法、装置、扫地机及存储介质
CN112327890A (zh) * 2020-11-10 2021-02-05 中国海洋大学 一种基于whca*算法的水下多机器人路径规划
CN113390412A (zh) * 2020-03-11 2021-09-14 宁波方太厨具有限公司 机器人的全覆盖路径规划方法、系统、电子设备及介质
CN115793644A (zh) * 2022-11-28 2023-03-14 浙江工业大学台州研究院 一种面向多变作业需求壁面维护机器人的路径调整方法
CN116225034A (zh) * 2022-12-02 2023-06-06 上海船舶电子设备研究所(中国船舶集团有限公司第七二六研究所) 基于Dijkstra算法的全覆盖路径规划方法及系统
US20230182299A1 (en) * 2021-12-14 2023-06-15 Fanuc Corporation Online auto-interlock strategy

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109426884B (zh) * 2017-08-28 2022-02-11 杭州海康机器人技术有限公司 分配方案确定方法、装置及计算机可读存储介质
CN107895225B (zh) * 2017-11-01 2021-10-01 北京邮电大学 一种多Agent无冲突的合作型任务分配方法
CN108008728B (zh) 2017-12-12 2020-01-17 深圳市银星智能科技股份有限公司 清洁机器人以及基于清洁机器人的最短路径规划方法
CN108241370B (zh) * 2017-12-20 2021-06-22 北京理工华汇智能科技有限公司 通过栅格地图获取避障路径的方法及装置
CN108268040A (zh) * 2018-01-19 2018-07-10 广东美的智能机器人有限公司 多移动机器人的冲突管理方法及系统
CN108287546A (zh) * 2018-01-19 2018-07-17 广东美的智能机器人有限公司 多移动机器人的冲突管理方法及系统
CN108469814A (zh) * 2018-02-08 2018-08-31 广东雷洋智能科技股份有限公司 应用于家庭服务机器人的路径巡航方法
CN108469264B (zh) * 2018-03-20 2020-04-24 杭州晶一智能科技有限公司 一种基于角度分析的自动吸尘机器人最优路径规划方法
CN108681321B (zh) * 2018-04-10 2021-05-14 华南理工大学 一种无人船协同编队的水下探测方法
CN108981710B (zh) * 2018-08-07 2019-10-11 北京邮电大学 一种移动机器人的全覆盖路径规划方法
CN109341698B (zh) * 2018-11-29 2019-12-27 深圳市银星智能科技股份有限公司 一种移动机器人的路径选择方法及装置
CN109839933B (zh) * 2019-02-20 2022-04-29 哈尔滨工程大学 一种基于vdsom算法的多机器人任务分配方法
CN110209153A (zh) * 2019-04-09 2019-09-06 丰疆智能科技股份有限公司 自动收割机的倒伏行驶规划系统及其方法
CN110361017B (zh) * 2019-07-19 2022-02-11 西南科技大学 一种基于栅格法的扫地机器人全遍历路径规划方法
CN110502006B (zh) * 2019-07-22 2021-12-24 中国矿业大学 一种矿区废弃地移动机器人全覆盖路径规划方法
CN110702120A (zh) * 2019-11-06 2020-01-17 小狗电器互联网科技（北京）股份有限公司 地图边界处理方法、系统、机器人和存储介质
CN112527010B (zh) * 2020-11-09 2022-04-01 福州大学 基于人工势场与粒子优化的室内变电站无人机多机协同巡检方法
CN112486182B (zh) * 2020-12-08 2022-12-02 南通大学 一种实现未知环境地图构建与路径规划的扫地机器人及其使用方法
CN113377105B (zh) * 2021-06-04 2023-12-12 武汉理工大学 基于Theta*回溯的单无人艇覆盖路径规划方法
CN113741416B (zh) * 2021-07-21 2023-12-26 浙江工业大学 基于改进捕食者猎物模型和dmpc的多机器人全覆盖路径规划方法
CN114326753B (zh) * 2022-03-07 2022-06-24 杭州蓝芯科技有限公司 一种调控区域内多机器人的死锁检测方法
CN115421496A (zh) * 2022-09-26 2022-12-02 上海电机学院 一种用于消毒机器人的全覆盖路径规划方法及设备
CN120252709B (zh) * 2025-02-21 2026-01-30 江苏科维达智能化设备有限公司 融合贪心策略和a星算法的无人机全覆盖路径规划方法
CN121660398A (zh) * 2026-02-05 2026-03-13 浙江华睿科技股份有限公司 机器人调度方法及相关系统、服务器和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915465A (zh) * 2012-10-24 2013-02-06 河海大学常州校区 一种基于移动生物刺激神经网络的多机器人联合编队方法
CN103338463A (zh) * 2013-06-24 2013-10-02 清华大学 基于零通信的无线传感器网络自动部署方法
CN105045260A (zh) * 2015-05-25 2015-11-11 湖南大学 一种未知动态环境下的移动机器人路径规划方法
CN105922267A (zh) * 2016-06-28 2016-09-07 山东理工大学 一种清扫机器人全覆盖遍历路径规划算法的设计方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101136081B (zh) * 2007-09-13 2010-06-02 北京航空航天大学 基于蚁群智能的无人作战飞机多机协同任务分配方法
CN101847011B (zh) * 2010-03-31 2012-06-13 深圳市银星智能科技股份有限公司 一种用于移动机器人的便携式区域定位覆盖方法
CN102929279B (zh) * 2012-11-07 2014-11-05 无锡普智联科高新技术有限公司 基于三维空间密集存储区域的多机器人路径规划方法
CN102968122A (zh) * 2012-12-12 2013-03-13 深圳市银星智能科技股份有限公司 一种用于移动平台在未知区域自建地图的覆盖方法
CN103064424A (zh) * 2012-12-24 2013-04-24 深圳市银星智能科技股份有限公司 一种用于移动平台在未知区域的覆盖方法
CN104050390B (zh) * 2014-06-30 2017-05-17 西南交通大学 一种基于可变维粒子群膜算法的移动机器人路径规划方法
US9746332B2 (en) * 2015-08-27 2017-08-29 Conduent Business Services, Llc Method and system for scheduling vehicles along routes in a transportation system
CN105302062B (zh) * 2015-10-15 2017-10-03 东南大学 一种基于任务解耦的多机器人协作焊接路径的生成方法
CN105652838B (zh) * 2016-01-29 2018-04-03 哈尔滨工大服务机器人有限公司 一种基于时间窗的多机器人路径规划方法
CN105929843B (zh) * 2016-04-22 2018-11-13 天津城建大学 一种基于改进蚁群算法的机器人路径规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915465A (zh) * 2012-10-24 2013-02-06 河海大学常州校区 一种基于移动生物刺激神经网络的多机器人联合编队方法
CN103338463A (zh) * 2013-06-24 2013-10-02 清华大学 基于零通信的无线传感器网络自动部署方法
CN105045260A (zh) * 2015-05-25 2015-11-11 湖南大学 一种未知动态环境下的移动机器人路径规划方法
CN105922267A (zh) * 2016-06-28 2016-09-07 山东理工大学 一种清扫机器人全覆盖遍历路径规划算法的设计方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113390412A (zh) * 2020-03-11 2021-09-14 宁波方太厨具有限公司 机器人的全覆盖路径规划方法、系统、电子设备及介质
CN111879250A (zh) * 2020-08-04 2020-11-03 小狗电器互联网科技（北京）股份有限公司 一种墙面检测方法、装置、扫地机及存储介质
CN112327890A (zh) * 2020-11-10 2021-02-05 中国海洋大学 一种基于whca*算法的水下多机器人路径规划
US20230182299A1 (en) * 2021-12-14 2023-06-15 Fanuc Corporation Online auto-interlock strategy
CN115793644A (zh) * 2022-11-28 2023-03-14 浙江工业大学台州研究院 一种面向多变作业需求壁面维护机器人的路径调整方法
CN116225034A (zh) * 2022-12-02 2023-06-06 上海船舶电子设备研究所(中国船舶集团有限公司第七二六研究所) 基于Dijkstra算法的全覆盖路径规划方法及系统

Also Published As

Publication number Publication date
CN106979785A (zh) 2017-07-25
CN106979785B (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN106979785B (zh) 一种面向多机器人系统的完全遍历路径规划方法
CN108981710B (zh) 一种移动机器人的全覆盖路径规划方法
CN113219992B (zh) 一种路径规划方法及清洁机器人
Viet et al. BoB: an online coverage approach for multi-robot systems
Holz et al. Evaluating the efficiency of frontier-based exploration strategies
Cheng et al. Graph theory-based approach to accomplish complete coverage path planning tasks for reconfigurable robots
Choset Coverage for robotics–a survey of recent results
CN113219993B (zh) 一种路径规划方法及清洁机器人
CN108362285B (zh) 一种植保无人机精准覆盖航迹规划方法及系统
Burgard et al. Collaborative exploration of unknown environments with teams of mobile robots
Zelinsky A mobile robot navigation exploration algorithm
Luo et al. Multi-agent collaborative exploration through graph-based deep reinforcement learning
Wang et al. Frontier-based multi-robot map exploration using particle swarm optimization
CN113199474A (zh) 一种机器人行走与作业智能协同的运动规划方法
CN112161627A (zh) 一种消防机器人智能路径规划方法
CN113994171A (zh) 路径规划方法、装置及系统
Plessen Path planning for spot spraying with uavs combining tsp and area coverages
Sood et al. Meta-heuristic techniques for path planning: recent trends and advancements
Sellers et al. Deep learning-based heterogeneous system for autonomous navigation
CN119642844B (zh) 一种基于空间记忆神经机制的局部路径规划方法及系统
CN116523155A (zh) 一种基于凸松弛的全覆盖路径规划方法
Giang et al. BWave framework for coverage path planning in complex environment with energy constraint
CN111580563A (zh) 一种基于种子搜索的无人机自主避障飞行方法
Zong et al. Dung beetle optimization algorithm with multi-strategy fusion for multi-UAV path planning
Ayman et al. Efficient Room Plan Navigation for Robot Vacuum Cleaner Using vSLAM Algorithms

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17901515

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17901515

Country of ref document: EP

Kind code of ref document: A1