基于仿生行为决策规则的协调运动行为

为解决多机器人系统不确知环境下的协调运动问题, 提出了一种基于仿人行为决策规则的多机器人协调运动方法. 该方法从仿生的角度入手, 给出了多机器人系统的一种实时的协调运动行为决策机制. 从仿真实验来看, 所提方法是可行的、合理的.     

编队多机器人类人探测方法

针对多机器人探测和处理多目标的控制任务,模仿人类探索未知环境的过程,提出了多机器人探测的边界、编队、目标吸引、重复探测、路径状况和探测扩张等6个类人探测规则.根据多机器人相互协调和高效探测的需要,通过规则的对应适值控制机器人的运动,使各个机器人沿优化路径共同完成多目标探测任务,解决了在全局未知环境下的多机器人路径规划问题.仿真结果表明,所提出的类人探测各种规则能有效地控制多机器人实现未知环境探测,具有可行性.     

复杂环境下多机器人觅食路径规划与控制

针对多机器人系统领域中复杂环境下的稳定协同觅食问题,利用粒子群优化算法规划出多机器人中心位置在相应目标下的最优光滑路径.在此基础上设计了相应的分布式控制策略,并对该控制策略下多机器人系统运动的稳定性和内聚性进行了分析,证明了群体内部平均动能能够收敛至给定值,进而保证了多机器人系统运动规模的可控性,且不发生碰撞.仿真试验结果表明,在该控制策略下,多机器人系统能够在复杂的环境下有效地实现稳定觅食行为.     

面向任务的多机器人协调运动控制

基于多智能体系统理论,研究在确定环境下,面向任务的多机器人协调控制系统的实现原理、方法和技术,以及控制集成方法。开发了机器人协调控制的实验平台,对规划、控制、传感、通讯、协调与合作的各关键技术进行了开发和集成,完成了地面2个机器人的实时跟踪,三机器人的协调运动控制。通过实验研究使多机器人分布式协调技术的研究能够直接面向实际应用。     

基于人工协调场的多移动机器人实时协调避碰规划

为克服传统人工势场在动态未知环境下机器人避碰规划中存在的缺陷,提出人工协调场法(ACF).将场函数与机器人的风险状态相结合,给出并讨论了人工协调场的基本设计.基于人工协调场,考虑机器人的运动约束,实现了多机器人之间以及机器人与环境间的实时协调避碰,提出了一个多移动机器人无死锁实时避碰规划算法.理论分析和仿真试验证明所提方法的有效性.     

基于评价选择策略的Internet多机器人协作控制研究

针对Internet多机器人系统中存在的操作指令延迟、工作效率低、协作能力差等问题,提出了多机器人神经元群网络控制模型。在学习过程中,来自不同功能区域的多类型神经元连接形成动态神经元群集,来描述各机器人的运动行为与外部条件、内部状态之间复杂的映射关系,通过对内部权值连接的评价选择,以实现最佳的多机器人运动行为协调。以互联网足球机器人系统为实验平台,给出了学习算法描述。仿真结果表明,己方机器人成功实现了配合射门的任务要求,所提模型和方法提高了多机器人的协作能力,并满足系统稳定性和实时性要求。     

基于混合结构的机器人Agent控制结构的研究

该文面向分布Agent多移动机器人系统,提出了一种适合于多移动机器人的机器人Agent分层式体系结构,包括状态监测层、决策规划层、协调控制层和行为控制层,其中状态监测层主要实现整个系统对外部环境的状态监测。决策规划层设定系统的全局目标和单个机器人的局部目标,合理快速地完成任务的分解和分配,实现机器人之间任务级之间的协作。协调控制层完成机器人之间的运动协调。行为控制器主要采用基于行为的方法实现具体的运动控制。该结构应用于RoboCup环境下的分布多机器人系统中,满足复杂的、动态的应用环境和系统要求。     

基于Motor Schema的多移动机器人队形优化控制

针对多移动机器人的队形优化控制任务,引入4种基本行为,即奔向目标行为、保持队形行为、避免与静态障碍物碰撞行为、避免与其它机器人碰撞行为.为了实现行为的决策,机器人采用基于MotorSchema的结构,并通过遗传算法优化行为合成所需的控制参数.仿真结果表明,所提出的方法是可行的.     

动态调整操作序列的多机器人无碰运动规划

针对共享工作空间的多台机器人,提出了一种协调无碰运动规划方法.作为离线规划的解耦法,该方法主要分为2个阶段.第1阶段,根据任务需求在不考虑机器人间相互冲突的情况下,通过概率路径地图(PRM)法规划出各机器人与静态环境的无碰路径;第2阶段,把机器人的路径描述成连续的位形序列后构造系统的状态空间,形象地把所需解决的问题转换成高维状态空间中的连续路径搜索问题.在此基础上,提出了多机器人的避碰策略、运动序列优先级的动态调整方法和改进的A*算法,实现了多机器人系统无碰协调运动规划.通过2个仿真案例验证了该方法的可行性及有效性.结果表明,所提方法能快速、有效地得到多机器人协调无碰运动路径.     

三维环境中多机器人动态目标主动协作观测方法

动态目标的多移动机器人主动协作观测方法是指以获取较优的观测结果为目的, 对携带同构/异构观测传感器的多个机器人系统的观测数据进行有效融合并同时对其行为进行协调优化的方法. 本文主要研究了三维环境中的多机器人动态目标主动协作观测的问题. 首先, 以扩展集员估计方法(Extended set-membership filter, ESMF)为基础, 将信息融合过程与算法本身存在的集合运算环节相结合, 提出了一种高精度的多机器人观测信息融合方法. 该方法在保证较高观测精度的同时, 并没有显著增加单机器人扩展集员估计算法的计算量, 因此具有较高的实时性. 此外, 利用最优观测角度的概念, 通过引入相对速度空间(Relative velocity coordinates, RVCs), 设计了多移动机器人协调行为优化方法, 该方法可以将多机器人协调行为优化问题转化为线性规划问题, 以实现具有较高实时性的多机器人三维动态目标主动协作观测. 最后, 为了验证所研究方法的可行性与有效性, 进行了三维空间动态目标协作观测仿真实验.     

一种新的多智能体强化学习算法及其在多机器人协作任务中的应用

在多机器人系统中，评价一个机器人行为的好坏常常依赖于其它机器人的行为，此 时必须采用组合动作以实现多机器人的协作，但采用组合动作的强化学习算法由于学习空间 异常庞大而收敛得极慢．本文提出的新方法通过预测各机器人执行动作的概率来降低学习空 间的维数，并应用于多机器人协作任务之中．实验结果表明，基于预测的加速强化学习算法 可以比原始算法更快地获得多机器人的协作策略．     

理性遗传算法及其在多机器人运动协调中的应用

面对传统遗传算法在解决一些复杂问题时所存在的收敛慢或早熟等困难,基于仿人理 性决策原则,提出一种具有更丰富进化含义的进化算法--理性遗传算法.其通过遗传信息的 反馈或理性规则的建立来指导遗传操作的进行,从而将种群内部知识与经验的继承和学习更有 效地结合在遗传算法之中.相对于传统遗传算法,较好地解决了多机器人确知环境下协调运动 规划问题.理论分析和仿真实验结果都是令人鼓舞的.     

Theory and Application of Multi-robot Service-oriented Architecture

In order to solve the problem of heterogeneity in multi-robot cooperation, a new service-oriented architecture is proposed for multi-robot cooperation. Service provision and energy consumption are the basic cooperative behaviors. A set of basic concepts of robot service are proposed. A layered multi-robot service-oriented architecture is designed. Finally, the experiments illustrate the superiority of the proposed architecture which makes robot's underlying functional components be transparently encapsulated and the services in upper layer be transparently invoked, which will effectively avoid the impact of heterogeneous characteristics in multi-robot cooperation and facilitate the system construction, expansion, restructuring and maintenance.      

应用遗传算法的多机器人协调动作学习

本文力图做出的系统是应用遗传算法使多机器人学习可以动作协调而总体实现最多的搬运。多机器人移动的环境采用图表表示，移动的规则是用遗传算法优化制订的，在两预定结点之间的往返次数取为适合度，用计算机构造环境并进行仿真，结果表明多机器人协调作学习时可视情况需要而互相让路。     

编队控制中的机器人行为与基于服务的运动行为结构设计

以基于位姿误差的虚拟目标跟踪为控制模式,提出了独立于编队控制与协作任务,但却适用于多移动机器人编队运动的基于服务的机器人运动行为结构,并对其基本运动行为与选择方法进行了设计.提出的基于服务的机器人行为结构借鉴了软件工程领域的面向服务的架构思想,具有可重用性.多机器人编队形成、改变等仿真与实验验证了本文所提方法的有效性.     

动作预测在多机器人强化学习协作中的应用

在多机器人系统中,协作环境探索的强化学习的空间规模是机器人个数的指数函数,学习空间非常庞大造成收敛速度极慢。为了解决这个问题,将基于动作预测的强化学习方法及动作选择策略应用于多机器人协作研究中,通过预测机器人可能执行动作的概率以加快学习算法的收敛速度。实验结果表明,基于动作预测的强化学习方法能够比原始算法更快速地获取多机器人的协作策略。     

基于协进化路标法的多机器人协作运动规划

针对多关节式机器人协作运动规划方面的难点，在随机路标法的启发下，提出了新颖的协进化路标规划法．这种方法充分利用了协进化算法在优化搜索方面的启发功能和遗传算法对约束条件的处理方法，解决了高维组合C空间的优化搜索问题、静态和动态约束问题和运动轨迹的时间优化问题．并且，通过实验验证了算法的有效性．     

基于传感器信息的多机器人任务分配研究

多机器人协作是当前机器人学和人工智能的研究热点之一。针对多机器人系统中的任务分配问题,提出一种基于集中式和分布式的混合式控制结构,在机器人得到传感器信息后,使用合同网协议来完成任务分配,最终实现多机器人协作。在player/stage仿真平台进行的实验表明:多机器人系统能够有效地进行任务分配与协作,提出的解决方案是行之有效的。     

面向多机器人动态任务分配的事件驱动免疫网络算法

为实现多机器人系统的动态任务分配与协作,提出了一种面向多机器人动态任务分配的事件驱动免疫网络算法。将生物免疫网络的工作机理应用到多机器人动态任务分配算法中,借鉴Jerne的独特型免疫网络假说和Farmer提出的抗体激励动态方程,设计了多机器人任务分配与自主协作模型;基于事件驱动机制,设计了多机器人动态任务分配算法,并引入焦躁模型来解决任务死锁问题。仿真和实际多机器人系统实验结果表明,基于本文算法的多机器人系统在动态任务场景中具有较强的适应性和自主规划协调能力。     

Experimental Verification of a Multi-robot Distributed Control Algorithm with Containment and Group Dispersion Behaviors: the Case of Dynamic Leaders

This paper studies the containment and group dispersion control for a multi-robot system in the presence of dynamic leaders. Each robot is represented by a doubleintegrator dynamic model and a distributed control algorithm is developed to drive the multi-robot system to follow a group of dynamic leaders with containment and group dispersion behaviors. The effectiveness of the algorithm is then verified on a multi-robot control platform.