基于生物启发神经网络和DMPC的多机器人协同搜索算法

针对多机器人在未知区域的覆盖搜索问题,提出一种基于生物启发神经网络和分布式模型预测控制(DMPC)的多机器人协同搜索算法.利用栅格地图表示未知区域,基于栅格地图建立生物启发神经网络来表示动态搜索环境,生物启发神经网络中未搜索栅格的神经元活性值大于已搜索栅格和障碍物栅格.在此基础上,为了平衡机器人覆盖搜索过程中的短期收益和长期收益,避免后期陷入局部最优,引入DMPC作为决策方法.选择预测周期内机器人所覆盖栅格的神经元活性值增量作为主要激励函数,引导机器人向未覆盖区域搜索,并采用差分进化算法(DE)进行优化求解,得到最优解.最后通过设计仿真实验验证了所提出方法的有效性和优越性.     

基于生物启发模型的AUV三维自主路径规划与安全避障算法

针对自治水下机器人(AUV)的路径规划问题,在三维栅格地图的基础上,给出一种基于生物启发模型的三维路径规划和安全避障算法. 首先建立三维生物启发神经网络模型,利用此模型表示AUV的三维工作环境,神经网络中的每一个神经元与栅格地图中的位置单元一一对应;然后,根据神经网络中神经元的活性输出值分布情况自主规划AUV的运动路径.静态环境与动态环境下仿真实验结果表明了生物启发模型在AUV三维水下环境中路径规划和安全避障上的有效性.     

海流环境下多AUV多目标生物启发任务分配与路径规划算法

针对多障碍物海流环境下多自治水下机器人(AUV)目标任务分配与路径规划问题, 本文在栅格地图构建的 基础上给出了一种基于生物启发神经网络(BINN)模型的新型自主任务分配与路径规划算法, 并考虑海流对路径规 划的影响. 首先建立BINN模型, 利用此模型表示AUV的工作环境, 神经网络中的每一个神经元与栅格地图中的位 置单元一一对应; 接着, 比较每个目标物在BINN地图中所有AUV的活性值, 并选取活性值最大的AUV作为它的获 胜AUV, 实现多AUV任务分配; 最后, 考虑常值海流影响, 根据矢量合成算法确定AUV实际的航行方向, 实现AUV路 径规划与安全避障. 海流环境下仿真实验结果表明了生物启发模型在多AUV水下任务分配与路径规划中的有效性.     

自治水下机器人的自主启发式生物启发神经网络路径规划算法

针对复杂海流环境下自治水下机器人(autonomous underwater vehicle, AUV)的路径规划问题,本文在栅格地图的基础上给出了一种基于离散的生物启发神经网络(Glasius bio-inspired neural networks, GBNN)模型的新型自主启发式路径规划和安全避障算法,并考虑海流对路径规划的影响.首先建立GBNN模型,利用此模型表示AUV的工作环境,神经网络中的每一个神经元与栅格地图中的位置单元一一对应;其次,根据神经网络中神经元的活性输出值分布情况并结合方向信度算法实现自主规划AUV的运动路径;最后根据矢量合成算法确定AUV实际的航行方向.障碍物环境和海流环境下仿真实验结果表明了生物启发模型在AUV水下环境中路径规划的有效性.     

移动机器人全覆盖信度函数路径规划算法

针对移动机器人全覆盖路径规划问题,给出一种基于栅格信度函数的全覆盖路径规划算法。目的是为了控制移动机器人能够遍历工作区域中所有的可到达点,同时保证能够自动避开障碍物。首先,根据环境的信息对栅格地图进行赋值,使用不同的函数值表示障碍物、已覆盖栅格和未覆盖栅格;其次,判断机器人是否陷入死区引入不同方向信度函数,对栅格函数值进行调整;最后,机器人根据栅格信度函数值规划覆盖路径。本文所提及的算法不仅能够引导移动机器人实现工作区域的全覆盖而且能够快速逃离死区,实现覆盖路径的低重复率。仿真实验中,通过与生物启发神经网络算法的比较,证明本文提及算法有更高的覆盖效率。     

基于改进生物启发神经网络的机器人目标搜索方法

针对未知环境下机器人目标搜索的问题,按照机器人能力不同对搜索区域进行划分,目标点在自己运动的过程中会在局部范围内留下信息素并且这些信息素会随着时间的流失而减少,机器人可以探测到这些信息素的多少进而影响机器人下一个搜索位置的选择。本文采用改进生物启发神经网络选取机器人探索范围内活性值最大的点作为下一个搜索位置。为了防止在连续的时间段内多次选择相同的点,引入禁忌搜索,把多次选择相同的点放入禁忌表中,可以有效防止陷入局部最优点。与随机搜索方式和原始的生物启发神经网络进行对比,验证了该方法对动态目标的搜索具有良好的效果。     

多个水下机器人动态任务分配和路径规划的信度自组织算法

针对多个水下机器人(autonomous underwater vehicles,AUVs)动态任务分配和路径规划速度跳变问题,引入栅格信度函数概念,给出一种改进的栅格信度自组织(belief function self-organizing map,BFSOM)算法.目的是控制一组AUV有效地到达所有指定的目标位置,同时保证AUV能够自动的避开障碍物.首先,自组织神经网络(self-organizing map,SOM)算法对多AUV系统进行任务分配,使得每个目标位置都有一个AUV去访问.整个分配过程包括定义SOM神经网络的初始权值、获胜者选择、邻域函数的计算3个步骤;其次,根据栅格信度函数和环境信息更新SOM获胜神经元的权值,使得每个AUV在访问对应目标的过程中能够自动避障并且克服速度跳变,实现AUV自动有效路径规划.最后,通过仿真实验证明了本文提及算法的有效性.     

基于新型栅格启发式算法的矿井机器人路径规划

在传统正方形栅格地图中,存在机器人遇到障碍物时沿对角线方向移动易与障碍物碰撞,其绕障和平稳性等方面的能力较差且实时探测过程中每步消耗的时间无法唯一确定等问题。针对上述问题,提出了以正六边形栅格化的工作环境为基础,采用改进的启发式路径搜索算法对多个并行移动的矿井机器人进行路径优化的方法。从绕障转角、绕障能力及最优路径3个方面,对单个机器人在正方形和正六边形栅格建模环境中的运动性能进行比较分析,结果表明:就单个机器人来说,正六边形栅格地图下的路径长度代价小于正方形栅格地图的路径长度代价;从单个机器人的路径规划来看,正六边形栅格地图更有利于获得最短路径,从而得出正六边形栅格比传统正方形栅格更适合于机器人工作环境的建模。针对多个协同操作的机器人并行移动的路径规划问题,在正六边形栅格化的工作空间建模基础上,采用改进的启发式路径搜索算法对多个机器人的路径进行优化:采用改进的启发式估计函数规划多个协同操作的机器人路径,该函数决定了当前机器人所在位置周围所有相邻栅格中哪一个即将被机器人遍历。依据机器人已经遍历的栅格数和候选栅格与该机器人目标栅格之间的变形曼哈顿距离,该启发式估计函数可评估出相邻栅格的适应度值。仿真结果表明:正六边形栅格地图在路径总长及算法运行时间上均比正方形栅格地图减少了10%以上,且有效避免了机器人与静态障碍物之间及机器人之间发生碰撞,提高了机器人的安全性;随着机器人数量的增多,改进的启发式路径搜索算法对正六边形栅格地图的机器人路径和算法运行时间的优化作用更加明显。     

自反馈生物激励神经网络机器人路径规划

针对传统神经网络机器人路径规划中存在需要学习,对运动目标追踪速度较慢的问题,提出了一种带自反馈的生物激励神经网络机器人路径规划方法。该机器人路径规划算法的路径生成过程是由神经网络组成的动态变化的神经元活性值状态路线图来实现的。通过神经元活性值的传播,机器人被目标点全局吸引,同时障碍物使自己处在活性值最低点,起到推开机器人以避免碰撞的目的,为了增强算法对运动目标的追踪能力引入了新的权值函数求取方法。仿真结果表明该方法生成的路径是连续的、平滑的,比原方法产生的路径更优,并且算法能对快速变化的动态环境作出迅速反应。     

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.     

A Coordinated Navigation Strategy for Multi-Robots to Capture a Target Moving with Unknown Speed

The paper proposes an algorithm for multi-robot coordination and navigation in order to intercept a target at a long distance. For this purpose, a limit cycle based algorithm using a neural oscillator with phase differences is proposed. The state of target is unknown, under the assumption that it is stationary or in motion with constant unknown speed along a straight line. Using the proposed algorithm, a group of robots is intended to move towards the target in such a way that the robots surround it. While moving to the target, self-collision between the robots is avoided. Moreover, a collision avoidance with static obstacles as well as dynamic target is realized. The robots reach the target at a desired distance, keeping uniformly distributed angles around the target. The algorithm is further extended so that a static interception point for the target can be estimated in place of pursuing a dynamic target, which is referred to as a virtual target in this paper. In other words, the robots move towards the virtual target instead of the actual target. The robots ultimately encircle the actual target when they arrive at the virtual target. The effectiveness of the proposed method is verified through simulation results.     

未知环境下多机器人搜捕策略研究

针对在未知环境下多机器人围捕入侵者所存在的问题,提出了基于occupancy grid方法构造并合成环境地图指导单个机器人以分散搜索、抛物线模型预测并追踪入侵者、以及多机器人基于leader的可重构队形结构进行围捕的策略,使未知环境的地图构造和对入侵者追踪搜索过程得以同步完成,降低了机器人团队对环境的依赖,对未知环境具有较高的适应能力.最后通过仿真实验验证了该策略的正确性、有效性和鲁棒性.     

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.     

Dynamic Frontier-Led Swarming: Multi-Robot Repeated Coverage in Dynamic Environments

A common assumption of coverage path planning research is a static environment.Such environments require only a single visit to each area to achieve coverage.However,some real-world environments are characterised by the presence of unexpected,dynamic obstacles.They require areas to be revisited periodically to maintain an accurate coverage map,as well as reactive obstacle avoidance.This paper proposes a novel swarmbased control algorithm for multi-robot exploration and repeated coverage in envir...     

基于滚动优化和分散捕食者猎物模型的全覆盖路径规划算法

针对多机器人执行全覆盖任务效果差的问题,提出一种基于滚动优化和分散捕食者猎物模型的多机器人全覆盖路径规划算法.首先,利用栅格地图表示作业的环境空间,并基于栅格地图修正捕食者猎物算法中的避开捕食者奖励,添加移动代价奖励和死区回溯机制构建分散捕食者猎物模型;然后,引入滚动优化方法,避免机器人陷入局部最优,预测周期内机器人覆盖栅格的累计奖励值作为适应度函数,并使用鲸鱼优化算法(WOA)求解最优移动序列;最后,在不同环境下进行仿真实验,得到的平均路径长度与生物激励神经网络算法(BINN)和牛耕式A*算法(BA*)相比分别减少了16.69%sim17.33%、10.32%sim20.03%,验证了所提出算法在多机器人全覆盖路径规划中的可行性和有效性.     

基于改进的AIA优化ANN的多移动机器人追捕研究

建立了一个包含多个捕猎机器人和单个猎物机器人的动态空间模型,并构建了捕猎机器人的AIAE-ANN行为决策系统。人工神经网络(ANN)所有的连接权值采用改进型人工免疫算法(AIAE)进行优化,使神经网络的性能不断得到进化,最终可生成一个性能优良的行为决策系统,从而完成捕猎机器人的围捕。仿真实验表明:用AIAE训练,能有效地应用于追捕系统的多移动机器人研究。     

基于自适应机制改进蚁群算法的移动机器人全局路径规划

针对基本蚁群算法在二维静态栅格地图下进行移动机器人路径规划时出现的搜索效率低下、收敛速度缓慢、局部最优解等问题,提出一种自适应机制改进蚁群算法,用于移动机器人在二维栅格地图下的路径规划.首先采用伪随机状态转移规则进行路径选择,定义一种动态选择因子以自适应更新选择比例,引入距离参数计算转移概率,提高算法的全局搜索能力以及搜索效率;然后基于最大最小蚂蚁模型和精英蚂蚁模型,提出一种奖励惩罚机制更新信息素增量,提高算法收敛速度;最后定义一种信息素自适应挥发因子,限制信息素浓度的上下限,提高算法全局性的同时提高算法的收敛速度.在不同规格的二维静态栅格地图下进行移动机器人全局路径规划对比实验,实验结果表明自适应机制改进蚁群算法具有较快的收敛速度,搜索效率明显提高且具有较好的全局搜索能力,验证了所提算法的实用性和优越性.     

A robust extended H∞ filtering approach to multi-robot cooperative localization in dynamic indoor environments

Multi-robot cooperative localization serves as an essential task for a team of mobile robots to work within an unknown environment. Based on the real-time laser scanning data interaction, a robust approach is proposed to obtain optimal multi-robot relative observations using the Metric-based Iterative Closest Point (MbICP) algorithm, which makes it possible to utilize the surrounding environment information directly instead of placing a localization-mark on the robots. To meet the demand of dealing with the inherent non-linearities existing in the multi-robot kinematic models and the relative observations, a robust extended $H_{\infty }$ filtering (REHF) approach is developed for the multi-robot cooperative localization system, which could handle non-Gaussian process and measurement noises with respect to robot navigation in unknown dynamic scenes. Compared with the conventional multi-robot localization system using extended Kalman filtering (EKF) approach, the proposed filtering algorithm is capable of providing superior performance in a dynamic indoor environment with outlier disturbances. Both numerical experiments and experiments conducted for the Pioneer3-DX robots show that the proposed localization scheme is effective in improving both the accuracy and reliability of the performance within a complex environment.     

基于视觉显著性的移动机器人动态环境建模

本文采用视觉显著性提出了一种移动机器人动态环境建模方法.该方法利用提出的视觉显著性模型,对连续的2帧图像中匹配的加速稳健特征点(SURF)利用其位置关系并采用多重随机抽样一致(multi-RANSAC)算法实现了环境中动态物体显著性检测.采用投影方法和快速均值漂移算法构建了动态环境的栅格模型,利用得到的动态显著性物体的位置更新环境地图中的栅格占据值以及动态物体的影响区域.动态环境显著图构建实验和动态环境的栅格模型构建实验的结果证明了上述方法是可行的.