考虑障碍环境下的多机器人编队控制研究

编队和避障控制是机器人路径规划设计中的典型问题,文中提出了将leader—following法和人工势场法相结合的方法,来更好地完成多机器人在未知环境下的编队和避障控制。之前的研究只将leader—following算法用于多机器人的编队控制,而文中提出此方法也可以用于多机器人系统的避障控制。基于leader—following法,多机器人能自动编队并保持队形;而结合人工势场法,多机器人可以保持队形行进,在遇到障碍物的情况下变换队形避障,在避障后恢复原队形,最终到达目标。通过仿真实验证明,该算法实现了多机器人在未知环境下的自动编队和避障,从而证明了leader—following算法可以用于机器人的避障控制。     

动态环境下的多机器人编队控制方法的研究

多机器人编队控制是研究机器人协调合作问题的基础.在诸多的编队方法中,传统人工势场法以其算法简单,易于实现等特点被广泛应用于机器人避障.但上述方法无法适应动态未知环境,并且存在着局部极小问题,为解决上述问题,提出一种改进的人工协调场方法,即在排斥力的垂直方向增加一个协调力,从而消除零势能点,克服局部极小.同时与领航—跟随法结合,将编队信息预先存储在领航机器人中,通过队伍行进中领航者所发出的位置信息,跟随者保持队形,不仅可以达到灵活躲避动态障碍物,同时可以保持队形稳定.最终在TEAMBOTS平台上进行了仿真,结果证明了改进方法的有效性,实现了动态环境中的多机器人编队的灵活控制.     

基于模糊人工势场法的多智能体编队控制及避障方法

针对动态环境中多智能体编队控制及避障问题,提出了一种基于模糊人工势场法的编队方法。首先,在领航跟随法的框架下控制编队队形,在动态队形变换策略的异构模式下,使用人工势场法为多智能体编队中每个智能体规划避障路径;其次,利用模糊控制器控制跟随智能体追踪领航智能体,同时保持跟随智能体之间与领航智能体的相对距离,遇到未知障碍物时,及时保持多智能体编队之间的队形并避免碰撞障碍物。针对人工势场法在引力增量系数和斥力增量系数设置的局限性,利用模糊控制器选择出适应环境的增量系数。Matlab仿真实验结果表明,该方法能够有效地解决复杂环境下多智能体编队控制及避障问题,使用效率函数对实验数据进行分析,验证了所优化方法的合理性和有效性。     

未知环境下基于改进DWA的多机器人编队控制

针对多机器人系统在未知环境下难以有效避障和保持队形的问题,在改进动态窗口法(DWA)的基础上,提出一种领航-跟随法与行为法相结合的多机器人编队控制算法.首先,通过修正速度窗口和3个现有评价函数,并添加两个新的评价函数改进DWA算法,增加速度的采样范围,提高优秀轨迹的评分,并增强机器人朝目标导航和未知环境下的全局搜索能力;然后,对周围环境和编队状态实时检测,为各机器人设计不同的行为(包括导航,避障,跟踪和等待)及其选择方式,兼顾编队避障及队形保持;接着,基于改进DWA和社会力模型(SFM)设计行为控制策略,在未知环境下使领航者能够规划适合整体编队运行的路径,跟随者能够根据编队的不同状态自适应地切换跟随方式;最后,基于Matlab和V-REP进行一系列仿真,结果表明在未知环境下,所提出的改进DWA能够显著提高机器人的通行效率和全局搜索能力,编队控制算法能够实现队形稳定保持、灵活避障与变换.     

基于全向移动平台的多机器人编队控制研究

针对多机器人编队控制中的队形控制和协同避障问题,提出了基于麦克纳姆轮的全向移动多机器人编队的基于领航-跟随型编队控制算法.首先建立多机器人运动学模型,得到车体运动控制参数,并针对传统领航跟随法进行改进,设计一种虚拟结构领航-跟随法,并将改进的人工势场法引入领航机器人的在线局部路径规划中,通过添加虚拟斥力旋转势场,解决了局部极小值问题,实现了多机器人编队在静态障碍环境中无碰撞路径规划.最后通过Python仿真验证了该算法结合的有效性.     

基于改进人工势场和一致性协议的协同避障算法

协同避障是无人机（UAV）系统的关键技术之一，而UAV集群避障期间存在队形丢失、任务失效和能源消耗增加等问题。为解决这些问题，提出了一种基于改进人工势场和一致性协议的协同避障算法。首先，根据多旋翼UAV的控制律来设计保持速度、位置一致的控制协议，并采用归一化和高阶指数缩放变换人工势场力，从而解决势场力变化幅度过大导致的振荡失效问题；然后，引入人工势场力调整一致性协议期望编队，从而解决人工势场法与一致性协议组合算法的控制冲突问题。在复杂障碍环境下，所提算法与编队划分避障算法、动态窗口避障算法进行对比仿真的结果表明，所提算法的队形平均损失程度分别下降82.60%、64.38%，任务平均失效程度分别下降98.66%、86.01%，飞行路径总长度分别下降9.95%、17.63%。可见，所提算法适用于多障碍复杂飞行环境。     

多移动机器人避障编队控制

研究多移动机器人避障优化设计,针对多移动机器人在障碍物环境下的编队控制问题,为了保持整体合理避障和控制系统的稳定性和安全性,提出一种多机器人避障编队控制策略.首先获得多移动机器人编队的队形结构模型,结合多机器人完成避障编队任务的问题描述;在此基础上引入导航函数采用一种避障编队控制算法,使移动机器人能以设定的队形运动到目标点,可保证编队运动过程中未与障碍物发生碰撞.进行仿真的结果证明,所提算法解决了多机器人编队与避障问题,并保证了闭环系统的稳定性与安全性,验证了设计方法的有效性.     

非完整移动机器人的复合编队控制

主要研究了非完整自主机器人之间的队形保持和避障问题,提出了一种新的复合编队控制方法,该方法根据机器人的期望位置在其运动约束区域内外的不同,分别以一种灵活的反馈线性化算法和最优近似目标算法来建立控制规则,并提出了编队环境中存在静态障碍物时的队形控制策略,从而实现多机器人的稳定编队控制．该方法降低了传统线性反馈控制对编队初始误差范围的要求,并且解决了非完整机器人编队的避障问题．实验结果表明了该编队控制方法的可行性和有效性．     

未知环境下多AUV协同避障方法研究

针对多AUV（autonomous underwater vehicle）系统在未知环境中进行路径规划时难以兼顾避障与编队的问题,提出了一种基于领航—跟随者与行为的多AUV协同避障方法。首先,通过构造碰撞危险度及偏离目标评价函数,设计了AUV局部路径规划方法;在此基础上,结合编队控制方法,分别为领航者和跟随者设计不同的行为以及行为选择模式。半物理仿真实验结果表明,该算法能够实现多AUV系统在未知环境中的协同避障,且队形偏离度与恢复队形时间优于传统多机器人避障算法。实验结果证明了该算法的可行性与有效性。     

基于人工势场和模糊规则的多水下机器人队形控制方法

人工势场法是常用机器人队形控制方法之一,它的基本原理是将机器人看做质点,通过势场作用于质点的力来规划机器人的运动;基于人工势场的队形控制方法大都是针对这种质点模型提出的,不能直接应用于多水下机器人系统,由此,提出一种人工势场和模糊规则相结合的多水下机器人队形控制算法;首先定义一组势函数,然后根据水下机器人的运动特性,设计一个模糊控制器,将势场力映射为水下机器人的期望速度和航向角;以三个水下机器人组成三角形队形为例,进行了仿真实验;实验中,初始位置散乱的水下机器人较快地形成队形,并稳定地保持队形行进,证明了该算法的可行性和有效性。     

人工势场法在多机器人运动中的研究

多机器人运动主要包括避障避碰、群集运动、队形控制三个模块.人工势场法在这三方面的理论基础已比较成熟,但在具体应用上还有一些值得改进的地方,如局部最小问题的解决、多机器人运动存在的特殊碰撞问题、复杂环境下的运动以及队形控制算法的探讨等.针对这些问题,分析了势场法在多机器人运动规划中的研究方法和现状,并对势场法在该研究领域的前景和研究方向做出了展望.     

移动机器人编队的运动控制策略

为实现移动机器人编队的多样性、稳定性和队形变换连续性,并解决移动机器人编队运动中的避障、避碰、到达目标的问题,对基本队形进行分析,提出队形参数化的思路,建立基本队形虚结构的参数化数学模型,通过调整参数使队形在基本队形及其衍生的队形间进行变换;机器人在运行的过程中,利用行为融合方法、跟随领航者法、人工势场法和虚结构法对机器人进行运动控制,实现了机器人的避障、避碰、队形归建等目标。对上述策略进行了仿真实验,实验结果表明,使用本策略既保留了虚结构法队形稳定、队形归建迅速的优点,又改进了其灵活性差的不足。     

基于行为的多机器人任意队形的控制

针对多机器人队形优化控制任务,提出一种快速收敛的机器人任意队形的控制算法。各机器人在奔向目标的过程中以队形的几何中心为参考点,自主地确定队形向量。在保持队形的过程中,采用动态死区法,通过对各个区域大小的控制达到对机器人速度的控制,维持规定队形。采用反向避碰、切线避障,根据各机器人间的位置,引入整体队形向量约束机器人的方向,达到机器人整体队形的方向与机器人运动方向一致。实验结果表明该算法可以快速、有效地完成各种编队任务。     

全向移动机器人编队分布式控制研究

简单介绍了NuBot机器人的两个主要组成部分：全向视觉和全向运动系统，并给出了运动学分析．基于该机器人平台，提出了D-A和D-D控制两种跟踪算法．通过机器人之间的相对定位和局部通信，实现了多机器人编队的分布式控制，同时，该算法可对机器人朝向进行独立控制．针对不同情况下的编队避障问题，提出了编队变形和编队变换两种方法．仿真和实际机器人实验表明，D-A控制方法能够实现平滑的编队变换；编队变形方法能够在尽量保持原始队形的情况下保证编队顺利避障．     

基于群集行为的分布式多无人机编队动态避障控制

针对无人机编队保持和动态障碍物规避控制问题,本文提出了一种新的基于群集行为的分布式多无人机编队控制和避障控制算法.首先考虑了由机间气流等因素带来的干扰,基于吸引/排斥势场和一致性方法,设计了分布式无人机编队的队形保持控制算法,对编队内无人机之间的距离进行控制.进一步考虑外部移动障碍对无人机编队的影响,引入了排斥势场产生...     

移动机器人的队形控制及其主动避障

在这篇论文中, 我们利用一个统一的算法框架来解决移动机器人的队形控制和主动避障问题, 使得编队中的从机器人在避开障碍物的同时, 能够与被跟踪的主机器人保持期望的相对距离或相对方位. 在现有的关于主—从跟踪编队控制的文献中, 为了实现对主机器人快速准确的跟踪, 从机器人在跟踪控制时需要主机器人在惯性坐标系下的绝对运动速度作为队形跟踪控制器的输入. 然而, 在一些环境中, 主机器人的绝对运动状态很难获得. 这里, 我们将利用主—从机器人之间的相对速度来建立机器人编队系统的运动学模型. 基于这个模型的编队控制方法将不再需要测量主机器人的绝对运动速度. 进一步地, 上述的建模和控制方法被扩展为一个移动机器人的动态避障方法, 该方法利用机器人与障碍物之间相对运动状态作为避障控制器的信息输入. 利用由三个非完整移动机器人组成的多机器人系统, 验证了所提出编队控制方法的有效性.     

基于生物刺激神经网络的多机器人编队方法

多机器人编队控制是多机器人协作领域的重要研究内容之一,如何实现多机器人朝同一目标移动的同时保持队形是多机器人编队的一个热点和难点问题。针对这一问题,提出一种新的基于生物刺激神经网络的多机器人动态编队方法,采用基于leader-referenced编队模型实时计算各机器人的虚拟目标位置,利用生物刺激神经网络进行机器人导航。最后进行仿真实验,实验结果表明该方法在实现多机器人实时避障并保持队形的同时,朝同一目标移动,而且可以很快实现队形变换,具有较好的实时性和灵活性。     

移动机器人队形控制关键技术及其进展

在明确了多机器人队形控制国内外发展现状的基础上,以地面移动机器人为研究对象,从系统结构、机器人模型、队形形状表示方法、参考框架及编队控制策略等方面,对多机器人编队控制的研究成果进行了概述.同时,对队形形状生成、编队跟踪与协调、队形变换与重组以及编队避障等队形控制子问题的国内外研究近况进行了总结和分析.最终指出:研究统一有效的编队控制框架、障碍环境下的队形优化变换、降低系统对通讯能力的要求以及编队控制在实际物理环境下的应用是移动机器人队形控制领域未来可能的研究主题.     

基于动态人工势场法移动机器人路径规划研究

考虑机器人与目标点的相对位置以及相对速度因素构建引力势场和引力函数,考虑机器人与障碍物之间的相对位置、相对速度以及相对加速度因素构建斥力势场和斥力函数。基于位置的“分而治之”策略,将机器人所处的环境分解成不同的情景,通过传感器获得周围环境信息,制定并执行情景-运动规则。建立复杂动态机器人仿真环境,验证改进后的算法在动态环境中机器人自动避障的可行性。以IN-RE机器人为实验平台,做动态环境下机器人自动避障路径规划实验,验证本文提出的动态人工势场法在动态环境中的可行性。     

不确定环境下多机器人编队控制研究

针对多机器人在不确定环境下难以保持某种队形到达预定目标等问题,提出了一种无须全局坐标的多机器人编队控制算法。该算法通过Reynolds类鸟群模拟方法设计了“分离”“对齐”“队形”三规则的控制器来实现多机器人任意队形保持控制,并增加切换规则来实现多机器人队形变换。在不同场景及复杂环境下进行仿真实验,验证了提出方法的优越性。该算法能够使多机器人在不确定环境下保持队形到达目标,对于救援、救灾下多机器人的运用具有重要意义。