基于改进快速行进平方法的多移动机器人聚集路径规划与控制

针对多移动机器人聚集的路径规划与控制问题,本文提出了基于改进快速行进平方法的路径规划策略.首先,运用分段函数改进了速度图,实现了更安全、更高效的路径规划,可以将快速行进网格地图上的速度映射到真实机器人速度上,并且减少传统快速行进平方法在回溯路径过程中产生的冗余路径;接着,针对多移动机器人聚集过程总能耗最小、聚集点附近空间最大、聚集队形约束下的聚集过程总能耗最小三种任务需求,分析设计不同的目标函数,给出多移动机器人的聚集点和对应规划路径,展示本文方法的有效性以及在不同场景下的适用性.最后,在车辆动力学模型基础上,使用模型预测控制以改进后的快速行进网格地图上的速度作为机器人参考速度进行了轨迹跟踪仿真实验,实现结果显示跟踪误差减小,验证了本文改进速度场的有效性,可适用于真实环境下多移动机器人聚集路径规划与控制.     

基于多传感器的移动机器人路径规划

提出一种基于多传感器的移动机器人路径规划策略。利用声纳传感器和CCD摄像机对环境进行探测,得到关于障碍物的信息,通过一种简单、快速的数据融合算法计算出障碍物相对于机器人的位置坐标。采用切线法进行路径规划,实现了移动机器人在不确定环境下的路径规划,使机器人可以很好地避开障碍物,并以局部最优或次最优路径到达指定位置。实验结果验证了该路径规划算法的良好性能。     

基于多行为的移动机器人路径规划

机器人由当前点向目标点运动的过程中,所处环境经常为动态变化且未知的,这使得传统的路径规划算法对于移动机器人避障过程很难建立精确的数学模型.为此,针对环境信息完全未知的情况,为移动机器人设计一种基于模糊控制思想的多行为局部路径规划方法.该方法通过对各种行为之间进行适时合理的切换,以保证机器人安全迅速地躲避静态和动态障碍物,并利用改进的人工势场法实现对变速目标点的追踪.对于模糊避障中常见的U型陷阱问题,提出一种边界追踪的陷阱逃脱策略,使得机器人成功解除死锁状态.另外,设计一个速度模糊控制器,实现了机器人的智能行驶.最后,基于Matlab平台的仿真结果验证了所提出算法的有效性和实时性,与A*势场法的对比结果更突出了该算法的可行性.     

基于多目标蝗虫优化算法的移动机器人路径规划

在静态多障碍物环境下的移动机器人路径规划问题中，粒子群算法存在容易产生早熟收敛和局部寻优能力较差等缺点，导致机器人路径规划精度低。为此，提出一种多目标蝗虫优化算法（MOGOA）来解决这一问题。根据移动机器人路径规划要求将路径长度、平滑度和安全性作为路径优化的目标，建立相应的多目标优化问题的数学模型。在种群的搜索过程中，引入曲线自适应策略以提高算法收敛速度，并使用Pareto最优准则来解决三个目标之间的共存问题。实验结果表明：所提出的算法在解决上述问题中寻找到的路径更短，表现出更好的收敛性。该算法与多目标粒子群（MOPSO）算法相比路径长度减少了约2.01%，搜索到最小路径的迭代次数减少了约19.34%。     

基于自适应状态聚集Q学习的移动机器人动态规划方法

针对现有移动机器人路径规划方法存在的收敛速度慢和难以进行在线规划的问题,研究了一种基于状态聚集SOM网和带资格迹Q学习的移动机器人路径动态规划方法——SQ(λ);首先,设计了系统的总体闭环规划模型,将整个系统分为前端(状态聚集)和后端(路径规划);然后,在传统的SOM基础上增加输出层构建出三层的SOM网实现对移动机器人状态的聚集,并给出了三层SOM网的训练算法;最后,基于聚集的状态提出了一种基于带资格迹和探索因子自适应变化的改进Q学习算法实现最优策略的获取,并能根据改进Q学习算法的收敛速度自适应地控制前端SOM输出层神经元的增减,从而改进整体算法的收敛性能;仿真实验表明:文中设计的SQ(λ)能有效地实现移动机器人的路径规划,较其它算法相比,具有收敛速度快和寻优能力强的优点,具有较大的优越性。     

用遗传算法实现多移动机器人安全路径规划

针对动态环境中多移动机器人路径规划问题提出了一种遗传算法.该算法的适应值与间隙呈线性关系,计算简单,将协调路径适应值矩阵引入遗传算法,实现了多移动机器人安全路径规划.仿真结果验证了该算法在多移动机器人路径规划中的可行性和有效性.     

基于蚁群算法的多移动机器人避障路径规划方法

为提高多移动机器人避障路径的规划能力,提出基于蚁群算法的多移动机器人避障路径规划方法。结合小扰动解析方法构建多移动机器人运动学模型,根据运动学特征建立避障路径分布约束参数;通过自适应蒙特卡洛定位法进行故障定位;根据定位信息,结合蚁群算法进行多移动机器人避障路径规划寻优控制。仿真结果表明,采用该方法进行多移动机器人避障路径规划的自适应寻优能力较好,机器人定位精度较高,提高了多移动机器人避障能力。     

基于蚁群算法的移动机器人多目标路径规划

迫于工作空间的限制以及对绿色生产理念的追求,在智能制造等领域人们通常需要机器人并行地执行多个任务,因此研究机器人的多目标路径规划更加符合实际需求.针对栅格模型中四、八邻域搜索方向较少的问题,提出了改进的十六邻域搜索方法;同时通过删除冗余转折点对路径进行了平滑处理,改善了路径存在的锯齿效果;结合蚁群优化算法与Dijkstra路径搜索算法,提出了一种多目标路径规划方法.在几种障碍环境中进行了测试,结果表明,上述算法能较好地适应各种不同的地图,即使是复杂度较高的地图,所提算法也能有效地找到一条较优的路径.     

基于博弈论的Multi-homing负载均衡

针对移动网络的多主接入中的负载均衡问题,提出一种基于博弈论的解决方案。通过建立效用函数,量化用户对带宽的需求,根据用户对网络带宽的需求建立Bertrand博弈模型,求解出用户需求带宽的Nash均衡价格,并利用Nash均衡价格调整带宽资源的分配,从而最大化网络自身收益。仿真结果证明算法是有效的,该方案能够合理有效地利用带宽资源,实现了负载均衡。     

多目的地自主移动机器人的路径规划

针对移动机器人规划多个目的地路径效率低的问题,设计一种结合全局静态规划与局部动态规划的多目的地路径规划算法。基于改进的A*算法规划出两地点间的路径,计算各路径的距离;依据此距离大小采用模拟退火策略对多个目的地进行优化排序,规划出一条全局最优路径;依据最优路径动态设置当前的移动节点,改进动态窗口算法的选择指标。仿真结果表明,改进算法减少了规划路径的长度,运动速度更平稳;实时规划有效避开了障碍物,提高了移动机器人的安全性与准确性。     

一类有序化多移动机器人群集运动控制系统

群集运动控制(flocking control)是一种新型的多移动机器人运动协调控制, 目前的研究多集中于无leader模式下群集运动控制器的设计. 为此, 本文阐述了一类多移动机器人有序化群集运动系统控制方案及其性能评价方法. 首先, 在前人的研究基础上, 本文介绍了基于Agent的有序化编队控制机制; 然后, 运用非完整约束下移动机器人的动力学原理, 设计了由Agent到移动机器人的控制转化方法; 并进一步提出了基于“最小稳定时间”的群集运动分析法, 可对有序化群集运动系统进行分析; 最后, 运用仿真实例, 描述了多移动机器人有序化群集运动的控制及分析过程. 实验结果验证了此控制方案的有效性.     

Task apportionment in a rearrangement problem of multiple mobile robots

A rearrangement problem involving multiple mobile robots is addressed in this paper. In the problem, it is important to identify task decomposition, task allocation, and path planning applicable to distinct environments while rearrangement tasks are executed. We here define ‘task apportionment’ as an operation that sets up task decomposition and conducts task allocation based on that setup. We propose a method for task apportionment and path planning applicable to distinct environments. The method establishes the necessary intermediate configurations of objects as one way of task decomposition and determines task allocation and path planning as a semi-optimized solution by using simulated annealing. The proposed method is compared with a continuous transportation method and a territorial method through simulations and experiments. In the simulations, the proposed method is, on the average, 17 and 20% faster than the continuous transportation method and the territorial method, respectively. In the experiments, the proposed method is, on the average, 22 and 16% faster than the continuous transportation and the territorial method, respectively. These results show that the proposed method can realize an efficient rearrangement task by mobile robots in various working environments under feasible computation time, especially in environments with a mixture of wide and narrow areas and an uneven distribution of objects.     

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。     

异质多移动机器人协同技术研究的进展

随着移动机器人应用的领域和范围的不断扩展，多移动机器人由于其单个机器人无法比拟的优越性已经越来越受到重视．从体系结构、协作与协调、协作环境感知与定位、重构及机器学习几个重要课题对多移动机器人协同技术进行了综述，尤其侧重于各种技术如何处理和包容团队中的异质性，并分析了本领域中的研究难点问题，最后展望了异质多移动机器人研究的前景与发展趋势．     

多移动机器人系统运动协调研究综述

运动协调是多移动机器人系统领域的主要研究热点之一。在阐述多机器人合作与运动协调两者关系的基础上,给出了多机器人系统运动协调的问题描述及其分类;从主要研究方法的角度,归纳总结了多机器人系统运动协调的国内外研究动态。最后,对运动协调在多移动机器人系统领域的前景和研究方向作出了展望。     

移动P2P网络基于博弈论方法的协作激励机制

在移动P2P网络中,部分自私的移动节点只是大量地消耗已有网络资源而不提供自己的资源。考虑到移动P2P网络的资源有限性以及部分节点具有自私行为的特点,提出了一种基于博弈论的协作激励机制。该机制根据移动节点的不同贡献大小来提供不同网络服务质量,最大限度地鼓励了每个移动节点参与协作和共享。同时,详细描述和分析了协作激励机制中的网络资源分配策略,并且证明了该协作激励机制的博弈存在一个稳定的纳什（Nash）均衡。通过仿真实验发现,该激励机制有效地激发了移动节点间的协作,优化了整个网络的性能。同现有的协作激励策略相比,提高了数据包转发率等。     

双参考点切换的多移动机器人队形运动控制方法

为描述机器人队列的运动过程,从相对位姿的角度定义了多移动机器人的队形模型.在传统leader-following队形控制的基础上,引入切换控制思想,每对领路机器人与跟随机器人之间设计3个控制器,对应跟随机器人中轴线上两参考点分别设计两个运动子控制器,控制领路机器人与跟随机器人之间的相对位姿;切换控制器根据系统处于平衡状态时,跟随机器人线速度的符号切换运动控制器,从而保证队列收敛到目标队形.仿真实验结果表明,机器人队列表现出良好的整体一致性,队列运动更加平稳.     

一种引入通信的多移动机器人编队方法*

提出以视觉跟踪为基础并引入通信进行多机器人的编队控制方法,根据需要编写了一种新的通信协议,采用闭环l-Φ实现编队算法.这种多机器人编队控制避免了视觉系统的局限,能够更好地在复杂未知环境中协作完成任务,解决了编队控制的无反馈和实时性不高的问题,使得机器人能够准确迅速地进行跟踪和通信编队,一起顺利达到目标点.试验结果证明了该方法的有效性.     

云边环境下基于博弈论的两阶段任务迁移策略

移动边缘计算(MEC)为计算密集型应用和资源受限的移动设备之间的冲突提供了有效解决办法,但大多关于MEC迁移的研究仅考虑移动设备与MEC服务器之间的资源分配,忽略了云计算中心的巨大计算资源.为了充分利用云和MEC资源,提出一种云边协作的任务迁移策略.首先,将云边服务器的任务迁移问题转化为博弈问题;然后,证明该博弈中纳什...