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。     

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．     

基于群体智能策略的编队控制

本文针对动态环境下多机器人形成动态目标队形的问题,提出一种基于粒子群算法的新方法作为多机器人快速编队的智能算法。该算法引入了贪婪机制,加快了收敛速度;同时为了防止贪婪机制陷入局部最小值,通过定义两个概率实现智能交换:一个概率表示“中心靠拢”,另一个表示“区域覆盖”。仿真结果表明,该算法能有效形成动态目标队形。而且该算法能够解决离散变量问题,具有广阔的应用领域。     

不确定环境下多机器人的动态编队控制

提出了一种不确定环境下多机器人的动态编队控制方法．通过队形参数矩阵确立多机器人之间的相对 位置关系,将全局队形控制问题转化为跟随机器人离轴点对虚机器人（与领航机器人运动方向一致,且对领航机器 人保持期望的相对距离和观测方位角）离轴点的跟踪．基于建立的跟随机器人和领航机器人之间的误差跟踪系统模 型设计相应控制律实现队形保持,并提出了防止机器人与障碍物及其它机器人碰撞的避障策略．仿真结果表明了所 提方法的可行性和有效性．     

基于动态目标点的行为分解编队算法

多机器人编队可以分解为队形形成和队形保持控制两部分.针对多机器人编队控制任务中的队形形成问题,提出了一种基于动态目标点的行为分解编队算法.此算法是一种改进的基于行为的编队控制方法,这种控制方法的思路为,首先要求各机器人在每一时刻确定一个运动目标点,此运动目标点是根据运动过程中机器人实时的位置运算出来的,是一个动态的目标点.根据此目标点进而产生一个运动需求.再将此运动需求按照有限状态机(FSM)原理分解为不同的子行为,然后给这些子行为分别赋予不同的权值,并求出一组控制变量,最终对这组控制变量加权平均产生一个综合控制变量.仿真实验表明,该方法能快速有效地实现多机器人的编队控制.此编队算法可以有效应用于军事搜索、围捕或机器搬运等多个领域.     

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。     

多机器人编队离散模型及队形控制稳定性分析

针对包含绕心运动情况下的多机器人编队进行离散建模,并利用该模型解决保持队形期望前端始终朝着编队前进方向的控制问题.以控制多机器人编队收敛到期望的队形并镇定到预设运动规律上为目标,定义了一类通信拓扑图,基于该类图提出了一种分布式协同控制算法.给出了该控制算法下编队系统渐进稳定的充分必要条件及反馈控制参数的收敛域.证明了在该充分必要条件下可实现编队收敛到期望的队形和预设运动规律上的目标.仿真实验表明,在该算法控制下多机器人编队较好地收敛到期望队形并按预设规律运动,且过程中始终保持队形期望前端朝着编队前进方向,进而验证了该算法的有效性和正确性.     

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。     

基于行为的机器人部队队形控制方案

提出了一种适用于实时动态环境下机器人力队的基于行为的分布式实时队形控制算法。研究了这种基于行为的方案在遇到大体积障碍物时行为,仿真过程表明该法既能使机器人动态分组、各自规划,又能机器人部队作为一个整体维持队形。该算法可使机器人形成和保持任意队形,同时集成了避障和导航的能力。最后指出了算法在控制机器人团队转向或避障运动时的问题出现的原因以及改进方法。     

Master-followed Multiple Robots Cooperation SLAM Adapted to Search and Rescue Environment

The master-followed multiple robots interactive cooperation simultaneous localization and mapping (SLAM) schemes were designed in this paper, which adapts to search and rescue (SAR) cluttered environments. In our multi-robots SLAM, the proposed algorithm estimates each of multiple robots’ current local sub-map, in this occasion, a particle represents each of moving multi-robots, and simultaneously, also represents the pose of a motion robot. The trajectory of the robot’s movement generated a local sub-map; the sub-maps can be looked on as the particles. Each robot efficiently forms a local sub-map; the global map integrates over these local sub-maps; identifying SAR objects of interest, in which, each of multi-robots acts as local-level features collector. Once the object of interest (OOI) is detected, the location in the global map could be determined by the SLAM. The designed multi-robot SLAM architecture consists of PC remote control center, a master robot, and multi-followed robots. Through mobileRobot platform, the master robot controls multi-robots team, the multiple robots exchange information with each other, and then performs SLAM tasks; the PC remote control center can monitor multi-robot SLAM process and provide directly control for multi-robots, which guarantee robots conducting safety in harsh SAR environments. This SLAM method has significantly improved the objects identification, area coverage rate and loop-closure, and the corresponding simulations and experiments validate the significant effects.     

改进萤火虫算法求解多机器人路径规划

为解决多机器人在静态环境中的路径规划问题,以路径长度为优化目标模型,并针对此模型设计了多机器人萤火虫算法(MR-FA)。首先,考虑到路径安全性对环境中的障碍物采取扩张操作,设计初始化规则以提高生成初始种群的效率;其次,根据算法的连续性原理及特点,设计个体等长策略将维度不一致的个体转变为等维度个体以便于萤火虫的移动更新,并对移动更新后的不可行解采取路径修正策略;然后对规划出的每个机器人的移动路径进行碰撞检测,同时针对机器人不同的碰撞情况设计相应的避碰策略,即暂停—回退策略(PFS)、局部路径重规划策略(LPRS);最后,为验证MR-FA的有效性,在三组环境中进行仿真实验并与其他三种算法进行对比,综合得出MR-FA在解决多机器人路径规划时更有优势。     

Multi-robot coalition formation

As the community strives towards autonomous multi-robot systems, there is a need for these systems to autonomously form coalitions to complete assigned missions. Numerous coalition formation algorithms have been proposed in the software agent literature. Algorithms exist that form agent coalitions in both super additive and non-super additive environments. The algorithmic techniques vary from negotiation-based protocols in multi-agent system (MAS) environments to those based on computation in distributed problem solving (DPS) environments. Coalition formation behaviors have also been discussed in relation to game theory. Despite the plethora of MAS coalition formation literature, to the best of our knowledge none of the proposed algorithms have been demonstrated with an actual multi-robot system. There exists a discrepancy between the multi-agent algorithms and their applicability to the multi-robot domain. This paper aims to bridge that discrepancy by unearthing the issues that arise while attempting to tailor these algorithms to the multi-robot domain. A well-known multi-agent coalition formation algorithm has been studied in order to identify the necessary modifications to facilitate its application to the multi-robot domain. This paper reports multi-robot coalition formation results based upon simulation and actual robot experiments. A multi-agent coalition formation algorithm has been demonstrated on an actual robot system.     

An improved PSO-based approach with dynamic parameter tuning for cooperative multi-robot target searching in complex unknown environments

Target searching in complex unknown environments is a challenging aspect of multi-robot cooperation. In this paper, an improved particle swarm optimisation (PSO) based approach is proposed for a team of mobile robots to cooperatively search for targets in complex unknown environments. The improved cooperation rules for a multi-robot system are applied in the potential field function, which acts as the fitness function of the PSO. The main improvements are the district-difference degree and dynamic parameter tuning. In the simulation studies, various complex situations are investigated and compared to the previous research results. The results demonstrate that the proposed approach can enable the multi-robot system to accomplish the target searching tasks in complex unknown environments.     

多机器人覆盖技术研究进展

系统地总结了当前覆盖问题的定义、分类和应用前景.对多机器人覆盖中关于通信、环境地图、路径规划算法及效果评价等方面的研究进展情况进行了阐述.分析并指出若干多机器人覆盖研究中的重点和难点问题:体系结构、通信技术、协商协作、地图表示、路径规划及效果评价,并对未来的研究发展方向进行了探讨.     

编队多机器人类人探测方法

针对多机器人探测和处理多目标的控制任务,模仿人类探索未知环境的过程,提出了多机器人探测的边界、编队、目标吸引、重复探测、路径状况和探测扩张等6个类人探测规则.根据多机器人相互协调和高效探测的需要,通过规则的对应适值控制机器人的运动,使各个机器人沿优化路径共同完成多目标探测任务,解决了在全局未知环境下的多机器人路径规划问题.仿真结果表明,所提出的类人探测各种规则能有效地控制多机器人实现未知环境探测,具有可行性.     

Contribution to the path planning of a multi-robot system: centralized architecture

The current study is set to investigate the problem of planning trajectories for a multi-robot system in a dynamic environment. The planning study is conducted in a “barrier-free” and “with obstacle” environment, based on the artificial potential field (APF) technique. This study seeks to improve the APF method in order to have good trajectory planning of a multi-robot system. Also, for multi-robot mobile systems, one of the main technical considerations is the technique used to coordinate the movements of different robots. In this paper, we proposed a centralized architecture for the trajectory planning of a multi-robot system.

     

基于快速扩展随机树—贪婪边界搜索的多机器人协同空间探索方法

传统多机协同探索算法存在鲁棒性较差、探索效率较低、环境障碍感知不完全等问题,为此本文提出一种基于快速扩展随机树－贪婪边界搜索（ RRT-GFE）的多机器人协同空间探索方法。首先,采用 Thiessen 多边形对环境进行建模与划分,利用 RRT 边界探索算法依次对所有 Thiessen 多边形进行探索;其次,在 RRT 边界探索算法的基础上,引入 GFE 算法进行细化搜索,并提取连续边界域的形心作为探索目标点;再次,利用划分所形成的多边形区域以及所提取出的边界点,采用基于改进市场机制的多机器人任务分配方法对探索目标点进行动态分配,并在探索过程中采用地图融合算法进行局部地图的实时融合;最后,基于机器人操作系统（ ROS）搭建仿真／样机测试平台并进行了一系列实验验证。结果表明,无论在仿真还是样机实验中,基于 RRT-GFE 的多机器人协同探索算法均能取得更加省时高效的探索效果。     

A self-learning and tuning fuzzy logic controller based on genetic algorithms and reinforcements

This article presents a new method for learning and tuning a fuzzy logic controller automatically. A reinforcement learning and a genetic algorithm are used in conjunction with a multilayer neural network model of a fuzzy logic controller, which can automatically generate the fuzzy control rules and refine the membership functions at the same time to optimize the final system's performance. In particular, the self-learning and tuning fuzzy logic controller based on genetic algorithms and reinforcement learning architecture, which is called a Stretched Genetic Reinforcement Fuzzy Logic Controller (SGRFLC), proposed here, can also learn fuzzy logic control rules even when only weak information, such as a binary target of “success” or “failure” signal, is available. We extend the AHC algorithm of Barto, Sutton, and Anderson to include the prior control knowledge of human operators. It is shown that the system can solve a fairly difficult control learning problem more concretely, the task is a cart–pole balancing system, in which a pole is hinged to a movable cart to which a continuously variable control force is applied. © 1997 John Wiley & Sons, Inc.