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。     

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.     

多移动机器人的领航-跟随编队避障控制

针对多移动机器人的编队控制问题,提出了一种结合Polar Histogram避障法的领航-跟随协调编队控制算法。该算法在领航-跟随l-φ编队控制结构的基础上引入虚拟跟随机器人,将编队控制转化为跟随机器人对虚拟跟随机器人的轨迹跟踪控制。结合移动机器人自身传感器技术,在简单甚至复杂的环境下为机器人提供相应的路径运动策略,实现实时导航的目的。以两轮差动Qbot移动机器人为研究对象,搭建半实物仿真平台,进行仿真实验。仿真结果表明:该方法可以有效地实现多移动机器人协调编队和避障控制。     

复杂环境中多无人智能车协同控制

该文对多无人智能车以领航-跟随法在复杂环境下运动的编队控制问题进行了探讨,通过采用闭环控制律设计了一种编队控制器和编队控制方案,该编队控制器的优点在于其主要考虑智能车之间的距离和角度,同时参考领航者与相邻跟随者之间的信息实现精准控制。基于所搭建的模拟测试环境,测试改进的控制方法与传统编队方法。实验结果显示,该文所提出的方法在复杂环境下具有更好的运动控制效果。     

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。     

基于图与势场法的多车道编队控制

多车协同驾驶能显著提高交通安全和效率,是未来5G网联自动驾驶技术的重要应用场景之一.传统上,多车协同驾驶的主要形式为单一车道上的无人车队列,其队列稳定性受队列长度、通信距离及延迟的限制.本文提出一种无人车编队方法,将单车道队列扩展为多车道护航编队.针对不同场景下的需求设计多车道编队调整策略,结合基于图的分布式控制,完成任意预定义的编队结构;同时,利用势场法对行车环境建立势场模型,实现无人车的避障轨迹规划,提高编队的避障能力;最后,结合纵横向控制器,实现无人车多车道护航编队控制.仿真实验表明,本文提出的无人车多车道护航编队方法,能适应不同交通场景,如道路变化、障碍车运动等,完成自动变换编队结构,实现安全、高效通行.     

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。     

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。     

一种基于应力矩阵的无人机集群队形变换控制方法

针对复杂环境下无人机集群队形变换与编队控制问题,提出一种可抑制外部干扰的无人机集群队形变换策略,设计基于滑模的编队控制方法.首先,考虑无人机集群中存在多个领导者,提出一种“双层领导者-跟随者”无人机集群协同队形变换控制策略,实现障碍环境下的编队队形变换;然后,基于图论、一致性理论和滑模控制理论设计针对无人机集群存在外部干扰条件下的从机时变编队控制律,能够实现无人机编队按几何参数和几何图案连续变化;其次,通过构造Lyapunov函数证明在扰动条件下多领导者无人机集群系统队形变换的稳定性;最后,利用数值仿真验证所提出队形变换控制方法的有效性.     

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.     

基于固定时间扰动观测器的水面无人艇精确编队控制

在水面无人艇(USV)编队控制中,控制效果易受系统初始状态和内外部扰动的影响.为此,研究一类具有复杂干扰下的USV编队控制问题,结合固定时间扰动观测器提出一种领航-跟随编队控制方法.首先,提出一种基于固定时间滑模的跟踪控制(FTSM-TC)策略,在固定时间内保证领航艇快速跟踪期望轨迹;然后,为处理内外部未知干扰设计固定时间扰动观测器(FTDO),从而保证在固定时间内对编队系统中的未建模动态和外部复杂干扰进行精确辨识.所提出的基于FTDO的编队控制(FTDO-FC)策略,使编队控制系统在固定时间内收敛并保持稳定的期望队形,仿真结果表明,所设计控制方法能够有效解决存在复杂未知扰动情况下的USV编队控制问题,且收敛时间与系统初始状态无关.     

非结构化环境中基于拓扑约束的地面无人驾驶路径规划算法

针对非结构化环境地面无人驾驶路径规划过程中路径避障以及多车路径冲突的难题,通过同调以及de Rham上同调对环境中障碍物拓扑信息的精确描述,提出一种拓扑约束下基于A*算法且用时更短的路径规划算法.该算法可实现非结构化环境中多无人车全局路径的拓扑分类,从而为多车的协同规划提供一种新的研究思路.此外,结合C-空间动态广义Voronoi图(GVD)的路径拓扑分离特性,提出一种拓扑约束下可用于多无人车全局路径规划的高效算法-----C-空间-GVD-${h_S     

一种简便的无人直升机多机编队飞行仿真系统设计与实现

基于X-Plane仿真环境设计并实现一种简便的无人直升机多机编队飞行仿真系统.针对使用真实无人机进行编队协同实验的成本和风险较高等问题,利用X-Plane自带的直升机模型和飞行环境设计并实现一个可同时多无人直升机在线仿真的系统,可以接收每架无人直升机的飞行数据以及对其进行控制.仿真结果表明,该系统可以实现对真实无人直升机编队飞行进行模拟以及对编队算法进行验证等功能.     

基于双移动信标的多机器人编队控制算法

针对多机器人在未知环境下的编队控制问题,提出了一种基于双移动信标的多机器人编队算法.该方法在以两个移动信标机器人为领航机器人的基础之上,设计了基于超宽带测距技术的多机器人定位模型,通过摔制从机器人的位姿状态,实现多机器人编队控制,并且设计了多传感器数据融合算法,有效提高多机器人编队的精度.该方法解决了多机器人在未知环境中的编队控制问题,提高了多机器人编队控制的精度.仿真结果表明了该方法的可行性和有效性.     

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.     

多无人机航迹规划的自适应B样条算法

无人机集群能更高效地完成复杂和具有挑战性的任务,航迹规划和编队控制是无人机集群的研究重点。针对复杂环境下的无人机编队控制问题,提出了一种结合分段自适应B样条（Piecewise Adaptive B-Spline,PABS）方法的领航-跟随策略。采用滚动时域控制及快速粒子群优化算法为领航者无人机生成一条安全的参考航迹,并根据跟随者与领航者保持的几何关系为跟随者无人机生成参考航迹。针对生成的跟随者航迹不平滑以及可能与障碍物发生碰撞的问题,使用PABS方法对跟随者航迹进行平滑和避障处理。实验表明,使用滚动时域控制及快速粒子群优化算法及PABS方法能为领航-跟随策略下的无人机编队生成安全平滑的航迹,相比于圆弧插补技术,PABS方法能使航迹更光滑。     

分数阶多机器人的领航–跟随型环形编队控制

针对多机器人系统的环形编队控制复杂问题,提出一种基于分数阶多机器人的环形编队控制方法,应用领航–跟随编队方法来控制多机器人系统的环形编队和目标包围,通过设计状态估测器,实现对多机器人的状态估计.由领航者获取系统中目标状态的信息,跟随者监测到领航者的状态信息并完成包围环绕编队控制,使多机器人系统形成对动态目标的目标跟踪....     

无人机反应式扰动流体路径规划

针对复杂三维障碍环境,提出一种基于深度强化学习的无人机(Unmanned aerial vehicles, UAV)反应式扰动流体路径规划架构.该架构以一种受约束扰动流体动态系统算法作为路径规划的基本方法,根据无人机与各障碍的相对状态以及障碍物类型,通过经深度确定性策略梯度算法训练得到的动作网络在线生成对应障碍的反应系数和方向系数,继而可计算相应的总和扰动矩阵并以此修正无人机的飞行路径,实现反应式避障.此外,还研究了与所提路径规划方法相适配的深度强化学习训练环境规范性建模方法.仿真结果表明,在路径质量大致相同的情况下,该方法在实时性方面明显优于基于预测控制的在线路径规划方法.     

基于人工势场法的多智能体编队避障方法

编队避障问题是多智能体编队研究的关键问题之一。针对动态环境中多智能体编队避障问题,提出了一种基于人工势场法（APF）与布谷鸟搜索算法（CS）相结合的编队避障方法。首先,在动态队形变换策略的异构模式下,利用APF为多智能体编队中每个智能体规划避障;然后,针对APF在引力增量系数和斥力增量系数设置的局限性,利用CS中的莱维飞行机制思想,来随机搜索得到适应环境的增量系数。Matlab仿真实验结果表明,所提方法能够有效地解决复杂环境下多智能体编队避障问题,使用效率函数对实验数据进行评价及分析,验证了所优化方法的合理性和有效性。     

基于自适应粒子群算法的多无人机混合编队技术

为了解决无人机群体在复杂战场环境下的编队、避障、避碰问题,提出了一种将基于行为法和虚拟领航者法相结合的混合编队技术;为无人机编队设计了奔向目标、队形保持、避碰及避障共4种基本行为,通过对编队无人机的行为权重参数进行调整控制无人机编队的机动,编队无人机的行为权重参数通过自适应粒子群算法进行优化,然后对编队无人机的基本行为进行矢量合成,归一化处理后控制无人机的机动;仿真实验测试证明了该方法能使无人机群体保持期望的队形,实现了编队避障和内部避碰,进而更有效地完成编队任务,提高了多无人机编队的机动性能,促进了多无人机混合技术的发展。