优化路径分配的多作业机器人任务规划

提出一种优化路径分配的多机器人任务规划框架。对任务规划问题进行形式化描述,在此基础上,探讨实现优化路径分配的任务规划的关键技术,包括追索最短道路求解方法、多目标任务分配的随机化求解和概率框架的更新模型。实验结果表明,该理论框架具有可行性和实用性。     

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。     

基于整数规划的多UCAV任务分配问题研究

在深入分析多UCAV任务分配问题的特点的基础上，提出了求解多UCAV协同任务分配的整数规划方法．通过设计决策变量和灵活地对各种约束条件形式化，建立了多UCAV任务分配问题的形式化模型．并以典型的UCAV任务SEAD为想定，进行了仿真验证与分析．仿真结果表明该模型可以较好地解决多UCAV协同作战的任务分配问题．     

分布式约束满足问题及其在MAS任务分配中的应用*

针对多智能体系统(MAS)任务分配问题中多个任务与MAS两者的分布式特征,将任务分配问题形式化为分布式约束满足问题(DCSP)进行求解,分别建立了以任务为中心和以agent为中心两种MAS任务分配模型,基于改进的DCSP分布式并行求解算法,提出了基于DCSP的MAS任务分配问题求解框架。该方法适合求解agent间通信有随机延迟以及agent间存在多约束的问题,应用实例的求解表明了其实用性与有效性。     

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。     

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.     

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．     

一种用于作战任务分解的启发式算法研究

针对多CGF(Computer Generated Force,计算机生成兵力)协同仿真系统中面临的复杂作战任务描述和分解问题,首先对其进行了形式化描述,将任务分解问题转化为有约束条件下的最小开销问题,然后提出了一种启发式的任务分解算法,给出了算法的具体实现步骤.经过实际算例检验,该算法能较为有效地实现复杂任务的分解.     

基于资源拍卖的农业多机器人任务分配

针对农田环境中多机器人协同作业的问题,提出一种基于资源的任务分配算法,用于在具有机器人资源的再填充站的长期任务中高效地执行多个任务.针对多机器人任务分配问题,对多机器人任务进行建模,并分析任务相关模型及任务能量指标.在进行拍卖算法任务分配时,在考虑机器人数目约束、工作时间约束、距离约束的基础上,加入任务执行能力的约束,考虑机器人在长期任务执行期间资源量消耗问题,使各个农机有序地为农田地块服务,降低整个系统的执行代价,提高任务完成量.利用MATLAB平台进行仿真实验,生成多机器人多任务点的分配优化结果,并设置多组不同数量的机器人,对比该算法同其他三种算法的效果.仿真结果表明,该算法可以有效地提高作业效率,在相同条件下使资源消耗量及任务完成量达到最优,证明了其优越性,同时计算结果与实际作业完成量更接近,提高了结果的精准性.     

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。     

基于一种蚁群算法的多机器人动态感知任务分配

多机器人系统在具有任务聚集特征的动态感知任务环境下执行搜集任务时,存在着由于任务分配不当而引起的冲突加剧问题.针对这一问题,提出了一种基于排斥信息素型蚁群算法的多机器人任务自主分配方法.进行了未知非结构化环境下的多机器人协作搜集仿真实验.仿真结果表明,采用本文所提方法可以实现多机器人搜集任务的自主分配,有效减少机器人的空间冲突,尤其在机器人数量较多的情况下,更能显示出该方法的优势.     

改进布谷鸟搜索算法在多机器人任务分配及路径规划中的应用

针对多机器人任务分配及路径规划问题,提出一种改进布谷鸟搜索算法求解多机器人任务分配及路径规划方法。根据任务点的环境信息和在其中寻找最佳机器人位置建立数学模型,并使用改进布谷鸟搜索算法求解任务分配及路径规划。改进的策略中融合了遗传算子、2-opt、模拟退火算法的Metropolis准则和插入、交换、逆序方法。不同规模的仿真实验表明,该方法能有效实现多机器人任务分配及路径规划问题,并为多机器人的续航能量提供科学依据。     

From selfish auctioning to incentivized marketing

Auction and market-based mechanisms are among the most popular methods for distributed task allocation in multi-robot systems. Most of these mechanisms were designed in a heuristic way and analysis of the quality of the resulting assignment solution is rare. This paper presents a new market-based multi-robot task allocation algorithm that produces optimal assignments. Rather than adopting a buyer’s “selfish” bidding perspective as in previous auction/market-based approaches, the proposed method approaches auctioning from a merchant’s point of view, producing a pricing policy that responds to cliques of customers and their preferences. The algorithm uses price escalation to clear a market of all its items, producing a state of equilibrium that satisfies both the merchant and customers. This effectively assigns all robots to their tasks. The proposed method can be used as a general assignment algorithm as it has a time complexity ( \(O(n^3 \text {lg} n)\) ) close to the fastest state-of-the-art algorithms ( \(O(n^3)\) ) but is extremely easy to implement. As in previous research, the economic model reflects the distributed nature of markets inherently: in this paper it leads directly to a decentralized method ideally suited for distributed multi-robot systems.     

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。     

基于对策论的团队计算机生成角色任务分配方法

针对带有时间约束的、可以动态加入到环境中的复杂任务,建立了一种基于对策论的任务分配模型,并给出了一种任务分配方法。该方法中计算机生成角色(CGA)根据自身掌握的局部信息进行行为选择,并使用虚拟行动方法确保CGA快速学习到一个严格纯策略Nash平衡。仿真实验结果表明该方法是合理的,能够有效地解决动态任务的分配问题。     

Multi-Robot Task Allocation in Uncertain Environments

Multiple cooperating robots hold the promise of improved performance and increased fault tolerance for large-scale problems such as planetary survey and habitat construction. Multi-robot coordination, however, is a complex problem. We cast this problem in the framework of multi-robot dynamic task allocation under uncertainty. We then describe an empirical study that sought general guidelines for task allocation strategies in multi-robot systems. We identify four distinct task allocation strategies, and demonstrate them in two versions of the multi-robot emergency handling task. We describe an experimental setup to compare results obtained from a simulated grid world to those obtained from physical mobile robot experiments. Data resulting from eight hours of experiments with multiple mobile robots are compared to the trend identified in simulation. The data from the simulations show that there is no single strategy that produces best performance in all cases, and that the best task allocation strategy changes as a function of the noise in the system. This result is significant, and shows the need for further investigation of task allocation strategies and their application to planetary exploration.     

基于帕累托改进的多机器人动态任务分配算法

针对多机器人系统动态任务分配中存在的优化问题,在使用合同网初始任务分配的基础上提出了一种使用帕累托改进的任务二次分配算法。多机器人系统并行执行救火任务时,首先通过初始化任务分配将多机器人划分为若干子群;然后,每个子群承包某一救火任务,子群在执行任务的同时与就近子群进行帕累托改进确定需要迁移的机器人,实现两子群之间帕累托最优;最后,使用后序二叉树遍历对所有子群进行帕累托改进实现全局帕累托最优。理论分析和仿真结果表明,相较于强化学习算法和蚁群算法,所提算法的救火任务时间分别减少26.18%和37.04%;相较于传统合同网方法,所提算法在时间方面能够高效完成救火任务,在系统收益方面也具有明显优势。