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。     

基于信息素的多机器人协作任务分配

针对多机器人系统未知环境下自主任务分配问题,提出了将虚拟吸引信息素和虚拟排斥信息素相结合的多机器人任务分配方法。在动态未知环境下,进行了多机器人协作搜集实验,实验结果表明所提方法既可以避免多个机器人集中在一个空间内造成冲突加剧的现象,又可以实现多机器人自主地进行任务分配目的。     

基于积极团队情感基调的情感机器人协作任务分配拍卖算法

多机器人系统(Multi Robot System,MRS)通过引入机器人个体情感因素,可以有效提高个体的自主协作能力、决策能力以及多机器人系统的整体智能化水平。然而,以往研究主要集中于个体情感状态(情绪、个性等),缺乏从团队情感层面来探索积极团队情感基调(Positive Group Affective Tone,PGAT)对团队协作能力和团队有效性的影响。为了发挥PGAT在任务分配中的积极作用,降低因为团队成员情绪衰减而导致团队解散的风险,并增加团队协作能力和团队有效性,提出了基于PGAT的情感机器人协作任务分配拍卖算法。仿真追捕对比实验表明,相对于基于焦虑情感模型的改进合同网协议多机器人任务分配算法和基于自主意识的分布式情感机器人任务分配算法,基于PGAT的情感机器人协作任务分配拍卖算法的追捕成功率分别提高了269.3%和6.5%,任务分配成功率分别提高了138.7%和5.1%,平均追捕时间分别缩短了14.5%和26.3%,并且在150场追捕对比实验中,追捕时间小于对比算法的场次占比分别达到87.3%和90.7%。     

基于效用函数的多机器人系统任务分配

目前所采用的多机器人系统任务分配方法大多都忽略了任务分配的解质量问题。从定量的角度出发,提出了一种基于效用函数的多机器人系统任务分配策略,在机器人能力向量和子任务要求的能力向量基础上,建立了效用函数的数学模型,根据效用函数大小进行任务分配。仿真实验在足球机器人仿真比赛平台上进行,结果表明该任务分配算法对异构多机器人系统合作具有很好的通用性,且算法快速简单,能够实现任务到机器人的最优映射。     

多机器人系统任务分配的研究进展

多机器人系统任务分配是机器人研究领域一个关键的研究课题。从多机器人任务分配分类及问题描述、多机器人任务分配的研究动态等方面对多机器人任务分配进行了综述,并根据近期文献探讨了多机器人系统任务分配需要解决的若干重要问题。     

基于博弈论的多机器人系统任务分配算法

对多机器人系统任务分配策略进行了形式化描述,为任务分配方案的求解提供了一种数学描述工具;针对多机器人系统中机器人决策之间的相互依存性,引入博弈论的思想分析了多机器人系统的任务分配问题,提出了一种基于博弈论的多机器人系统任务分配算法(GT-MRTA).实验结果表明,算法复杂度较低,计算量较小,鲁棒性较好,获得的任务分配方案质量较高.     

基于胸腺肽调节机制的多机器人免疫任务分配

针对多机器人系统协作中的任务分配问题,提出一种基于胸腺肽的免疫任务分配算法(TPITAA).借鉴独特型免疫网络假设,将机器人作为B细胞,机器人行为作为抗体,机器人任务作为抗原,通过抗原与抗体间的激励和抑制机理构建免疫分配模型.为进一步提高分配效率,根据胸腺肽的免疫调节机理,定义基于机器人运动方向的胸腺肽反馈函数,实现免疫分配中的抗体激励水平及浓度自调节.仿真实验表明,新算法能实现任务的自动分配,减少任务完成时间,提高系统执行效率,较好地解决多机器人系统中的协作搬运问题.     

基于机器人效用函数的多机器人系统任务分配

针对现有的多机器人系统任务分配方法只是采用算法进行寻优,而没有将任务分配结果加以量化的缺陷,提出了一种基于机器人效用函数的多机器人系统任务分配新方法。该方法首先定义机器人效用函数,并说明其可解;接着给出了最佳任务分配方案的定义,并证明其存在性和惟一性;最后通过实例对本方法的有效性进行了验证。     

格斗机器人竞赛中的多机器人协作技术研究

本文旨在通过多机器人系统的敌我识别、任务分配等关键技术的研究,实现多机器人竞赛项目中的有效协作功能,以提高机器人竞赛能力,论文采用理论推导、软件仿真、硬件设计与改造等相结合的方式来开展研究,以解决机器人何时协作、如何协作等棘手问题.     

一种多机器人任务规划算法及其系统实现

针对多机器人任务规划问题,提出了一种蚁群集中式规划方法,建立了任务分配和路由规划的蚁群算法描述模型,并利用局部搜索策略改进了蚁群算法分配效果,实现了多机器人集中任务规划系统.利用该系统平台,进行了大量的实验分析.结果表明,蚁群算法能有效解决多机器人任务规划问题,为多机器人协作机制提供了新思路.     

一个面向复杂任务的多机器人分布式协调系统

基于多智能体系统理论, 研究在非结构、不确定环境下面向复杂任务的多机器人分布式协调系统的实现原理、方法和技术. 提出的递阶混合式协调结构、基于网络的通讯模式和基于有限状态机的规划与控制集成方法, 充分考虑了复杂任务和真实自然环境的特点. 通过构建一个全实物的多移动机器人实验平台, 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, 使多机器人分布式协调技术的研究直接面向实际应用, 编队和物料搬运的演示实验结果展示了多机器人协调技术的广阔应用前景.     

基于多模式交互的多移动机器人分布式合作系统

本文研究合作型多移动机器人系统的分布式控制方法.为了保证多机器人间合作的实 时性和高效率,采用了一种分组策略,并提出了将局部感知和组内通信相集成的多模式机器人 间交互方法.考虑到任务的复杂性和真实环境的非结构化特点,构建了将递阶规划技术与基于 行为的反应式控制相结合的递阶混合式协调结构,并采用有限状态机模型实现了规划层与行为 层的协调机制.合作垃圾清运的实验结果证明了上述方法的有效性.     

大规模多移动机器人合作任务的分布自主协作系统

以大规模多移动机器人觅食任务为背景，探讨了在分布式协作体系结构下系统任务级的协作与行为级的协调问题．提出了一种动态任务分配机制，在缩短任务完成时间的基础上减少了系统通信量并解决了任务死锁问题．同时，设计了一种基于预测的冲突消解方法，使机器人能够对动态障碍物进行精确避障．最后，通过仿真实验验证了上述方法的有效性．     

基于市场法及能力分类的多机器人任务分配方法

针对多机器人系统研究中如何有效地实现复杂任务的分布式动态分配这个基础性问题，提出了一种对这类问题进行形式化描述的一般方法．该方法从能力分类的角度出发，提出了机器人及任务能力向量的概念，并对多机器人任务分配问题进行了形式化描述，讨论了单个及多个机器人合作完成任务的能力条件．基于这种形式化描述方法，提出了一种采用市场机制的完全分布式的多机器人任务分配方法．仿真实验结果表明该方法能够有效地实现多机器人复杂任务的动态分布式分配．     

Research on multi-robot open architecture of an intelligent CNC system based on parameter-driven technology

This paper presents a multi-robot open architecture of an intelligent computer numerical control (CNC) system based on parameter-driven technology that has been developed for flexible and high-efficiency manipulation. An open architecture control system capable of distributed processing of decision-making and extraction of task information provides a premise for intelligent control and flexible operation. Intelligent detection with database feedback based on real-time assignment of tasks is proposed to achieve dynamic modification of the processing trajectory. In the context of flexible task control, a multi-robot architecture with collision-free path planning and a novel programming approach based on parameter-driven technology are developed. The proposed CNC system has been successfully implemented and demonstrated on an H-beam steel-cutting task that requires flexible and accurate machining.     

A cooperative behavior learning control of multi-robot using trace information

The distributed autonomous robotic system has superiority of robustness and adaptability to dynamical environment, however, the system requires the cooperative behavior mutually for optimality of the system. The acquisition of action by reinforcement learning is known as one of the approaches when the multi-robot works with cooperation mutually for a complex task. This paper deals with the transporting problem of the multi-robot using Q-learning algorithm in the reinforcement learning. When a robot carries luggage, we regard it as that the robot leaves a trace to the own migrational path, which trace has feature of volatility, and then, the other robot can use the trace information to help the robot, which carries luggage. To solve these problems on multi-agent reinforcement learning, the learning control method using stress antibody allotment reward is used. Moreover, we propose the trace information of the robot to urge cooperative behavior of the multi-robot to carry luggage to a destination in this paper. The effectiveness of the proposed method is shown by simulation. This work was presented in part at the 13th International Symposium on Artificial Life and Robotics, Oita, Japan, January 31–February 2, 2008     

基于最大空闲时间的分布式巡逻机器人数量优化

针对多机器人巡逻问题,提出基于全局平均最大空闲时间的分布式巡逻算法,确保每个巡逻顶点在一定时间内被机器人访问.在算法执行过程中,每个机器人利用共享信息估算全局平均最大空闲时间.机器人在当前顶点收集的信息用于决策、选择下一个被机器人访问的顶点.再根据全局平均最大空闲时间的大小估算在巡逻任务过程中多机器人团队的表现,确定完成此巡逻任务所需的最优机器人数量.仿真实验表明文中算法的收敛速度较快,全局平均最大空闲时间值较小,多机器人巡逻任务完成效果较佳.     

仿真环境下的机器人足球决策系统

机器人足球系统是一类典型的多移动机器人合作的对抗系统．具有实时性要求高、环境高度动态、存在不可预测状态等特点．机器人足球系统是人工智能和智能控制领域的探究热点之一。主要研究在仿真环境下基于三层控制决策模型的机器人足球决策系统．为单个或多个足球机器人分配任务和执行任务。使机器人决策系统具有较好的应激性和协调性,实现有效攻防．探讨多智能机器人实时合作与对抗问题、以求验证和发展人工智能的有关理论和技术。