CN102169346A - 一种协调多机器人***的智能控制方法 - Google Patents

一种协调多机器人***的智能控制方法 Download PDF

Info

Publication number
CN102169346A
CN102169346A CN 201110040377 CN201110040377A CN102169346A CN 102169346 A CN102169346 A CN 102169346A CN 201110040377 CN201110040377 CN 201110040377 CN 201110040377 A CN201110040377 A CN 201110040377A CN 102169346 A CN102169346 A CN 102169346A
Authority
CN
China
Prior art keywords
robot
odor source
source position
odor
scent molecule
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN 201110040377
Other languages
English (en)
Other versions
CN102169346B (zh
Inventor
吕强
谢小高
罗平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Evolver New Material Co ltd
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN 201110040377 priority Critical patent/CN102169346B/zh
Publication of CN102169346A publication Critical patent/CN102169346A/zh
Application granted granted Critical
Publication of CN102169346B publication Critical patent/CN102169346B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Feedback Control In General (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及一种协调多机器人***的智能控制方法。现有的方法会使多机器人***消耗过多的能量。本发明根据气味源释放气味分子的运动学模型，建立机器人对于气味源位置的观测模型；然后在每一个采样周期内，如果检测到气味，则使用Kalman滤波理论和机器人对气味源位置的观测值，估计气味源的位置；基于群体中检测到最大气味浓度的机器人对气味源位置的估计值，更新各个机器人对气味源位置的估计值，并使用机器人对气味源位置的估计值作为计算机器人下一步位置的依据。本发明有效地提高气味源定位的精度，保证多机器人***能量的较小消耗，同时满足实际中要求快速定位的要求。

Description

一种协调多机器人***的智能控制方法
技术领域
本发明属于自动化技术领域，涉及一种协调多机器人***的智能控制方法。
背景技术
危险气味源定位对人类安全有着非常重要的意义，如定位污染物的源头和化学工厂中有毒气体泄漏的源头等等。因此，如何快速有效地定位危险气味源是一个极其重要的问题。然而，危险气味源定位问题在不同的环境下，呈现出不同的特点。通常，在没有气流的条件下，气味分子的扩散是一个主要力量，它能够驱动气味分子远离气味源。最大的浓度将会在气味源的附近出现。因此，我们可以使用梯度的方法来定位气味源。然而，在真实的世界里，气流是一种影响气味扩散的主要力量，它通过影响气味分子的运动，形成羽烟。在由高Reynolds数刻画的环境里，羽烟呈现出高度的不连续性和间歇性，这使得梯度方法变得不可行。此外，由于多机器人***的可扩展性和鲁棒性，使得多机器人***代替单机器人***成为危险气味源定位的主要工具。目前，协调多机器人***定位危险气味源的主要控制方法是群智能技术，但是，这种技术的定位成功率较低，也会使多机器人***消耗过多的能量，一个主要的原因是，该方法利用了浓度幅值信息，而浓度幅值信息的不稳定性，往往会使多机器人***局部收敛。另外，在我国对于多机器人***的合作控制方法的研究刚刚开始起步，仍然没有提出行之有效的方法。在这一背景下，本发明弥补了现有技术的不足。
发明内容
本发明的目标是针对现有技术的不足之处，提出了一种协调多机器人***的智能控制方法，该方法是以Kalman滤波理论为理论基础，设计一种有效的多机器人***协调控制方法,以能够快速并准确地定位危险气味源。该方法弥补了传统合作搜索方式的不足，保证多机器人***具有较高的定位精度和稳定性的同时，也保证形式简单并减少定位过程中多机器人***消耗的能量。
本发明方法由两个算法组成，两个算法并行运行，其中第一个算法负责估计气味源位置，并以消息的形式提供给第二个算法，第二个算法则根据当前机器人的状态和第一个算法提供的气味源位置，负责计算机器人的新位置；由于两个算法的采样周期不同，如果第二个算法没有获得第一个算法的最新气味源位置估计值，则以上一次获得的气味源位置估计值为基准，如果是第一次运行，则以初始气味源位置为基准。第一个算法是：首先，根据气味源释放气味分子的运动学模型，建立机器人对于气味源位置的观测模型；然后，在每一个采样周期内，如果检测到气味，则使用Kalman滤波理论和机器人对气味源位置的观测值，估计气味源的位置；最后，基于群体中检测到最大气味浓度的机器人对气味源位置的估计值，更新各个机器人对气味源位置的估计值，并使用机器人对气味源位置的估计值作为计算机器人下一步位置的依据。第二个算法是：首先，建立机器人运动的两个状态，即气味检测事件发生状态和气味检测事件不发生状态；然后，在每一个采样周期内，判断机器人所处的状态，并根据不同的状态和机器人对气味源位置的估计值，使用不同的方法，产生机器人下一步的位置；其次，设计这两个状态的持续时间和状态转换方式；最后，采用一致性算法驱动机器人从当前位置向机器人下一步位置移动。
本发明的技术方案是通过数据检测、在线优化、气味源位置概率分布评估等手段，确立了一种协调多机器人***的智能控制方法，利用该方法可有效提高危险气味源定位的精度。
本发明方法在第()个机器人上运行，其中第一个算法的采样周期为，具体步骤如下：
(1)利用气味分子的运动学模型，建立气味源位置的观测模型，具体方法是：
a.建立气味分子团的运动模型，得到气味分子团的位置：
气味分子团的运动模型为：
Figure 640691DEST_PATH_IMAGE006
其中,
Figure 870815DEST_PATH_IMAGE008
指气味分子团在时刻的位置；
Figure 297566DEST_PATH_IMAGE012
指气味分子团在时刻位置的微分；
Figure 368345DEST_PATH_IMAGE014
是在时刻的均值风速度；表示一个随机过程，该过程服从均值为零，方差为
Figure 711973DEST_PATH_IMAGE018
的高斯分布；
对气味分子团的运动模型在时间段[,]（）内进行积分，获得气味分子团在时刻被气味源释放，在当前时刻时的位置：
其中，[,]指积分的时间段，指气味源释放气味分子团的时间，指当前时间；指的是在当前时间气味分子团的位置；是在时刻气味源的位置；
b.确定气味分子团的离散运动模型：
通过定义
Figure DEST_PATH_IMAGE037
和，将气味分子团的位置离散化；其中离散时刻是气味源释放气味分子团时间的整数值；离散时刻是当前时间的整数值；
Figure DEST_PATH_IMAGE046
是指时间的微小变化；从而气味分子团的离散运动模型为：
Figure DEST_PATH_IMAGE048
其中，气味源位置在一定时间内是静止的，所以有；表示气味源在时刻释放气味分子团，在时刻的位置；表示在时间段[,]内风推动气味分子团的移动距离；表示随机过程，服从均值为零，方差的正态分布。
考虑到气味分子团释放时间的所有可能性，即
Figure 861663DEST_PATH_IMAGE061
Figure 15564DEST_PATH_IMAGE063
则气味分子团的离散运动模型进一步表示如下：
Figure 835752DEST_PATH_IMAGE065
其中，为时刻气味分子团的位置；为时刻气味源的位置；
Figure DEST_PATH_IMAGE071
为时刻风推动气味分子团移动的距离；
Figure 445594DEST_PATH_IMAGE073
是测量噪声，并且服从零均值，
Figure DEST_PATH_IMAGE075
方差的正态分布。
c.通过定义
Figure DEST_PATH_IMAGE077
，可以得到气味源位置的观测模型：
其中，是第i个机器人在时刻对气味源位置的测量值。
(2)使用气味源位置的观测模型，产生机器人对气味源位置的观测值，并使用Kalman滤波理论，获得气味源位置的估计值。具体方法是：
a.在获得机器人对气味源位置的观测值之前，获得气味源位置的先验估计值和先验协方差矩阵。
Figure 671225DEST_PATH_IMAGE086
Figure 895533DEST_PATH_IMAGE088
其中, 表示机器人对气味源位置在时刻的后验估计值；
Figure DEST_PATH_IMAGE094
是机器人对气味源位置在时刻的先验估计值；是关于气味源位置在时刻的后验协方差矩阵；关于气味源位置在时刻的先验协方差矩阵。
b.当机器人通过对气味源位置的观测模型，获得气味源位置的观测值时，更新上式气味源位置的先验估计值，计算出气味源位置的后验估计值，具体计算公式如下：
Figure DEST_PATH_IMAGE100
Figure 310934DEST_PATH_IMAGE102
Figure 430200DEST_PATH_IMAGE104
其中，是测量噪声协方差矩阵；是Kalman增益；
Figure DEST_PATH_IMAGE110
表示机器人对气味源位置在时刻的后验估计值；是关于气味源位置在时刻的后验协方差矩阵。
(3)使用检测到最大浓度幅度的机器人对气味源位置的估计值，更新当前机器人对气味源位置的估计值，即：
Figure DEST_PATH_IMAGE114
其中，和是调节参数；
Figure 974555DEST_PATH_IMAGE120
表示第
Figure DEST_PATH_IMAGE122
个机器人对气味源位置在时刻的估计值，此外第
Figure 512163DEST_PATH_IMAGE122
个机器人也是获得最大浓度幅度信息的机器人。
(4)从第(2)步重新开始执行并提供气味源位置的估计值
Figure 633703DEST_PATH_IMAGE110
。
该方法的第二个算法的采样周期为
Figure DEST_PATH_IMAGE124
（>
Figure 533581DEST_PATH_IMAGE124
），即该方法的两个算法的采样周期是不一致的，两个算法并行执行。在该方法第二个算法中，机器人具有两个状态，一个状态是：气味检测事件发生状态；另一个状态是：气味检测事件不发生状态。具体步骤如下：
І在采样周期
Figure 330635DEST_PATH_IMAGE125
内判断机器人的状态；如果机器人的状态是气味检测事件发生状态，执行步骤a；否则执行步骤b。
a.如果机器人的当前状态，即气味检测事件发生状态是刚从气味检测事件不发生状态转变过来，则执行步骤①；否则执行步骤②。
①基于气味源位置的最新估计值
Figure 877154DEST_PATH_IMAGE127
（该估计值和第一个算法提供的估计值关系是，当采样周期满足时，
Figure 733432DEST_PATH_IMAGE131
），则机器人下一步的位置为气味源位置的最新估计值，即
Figure DEST_PATH_IMAGE133
其中，是时刻第i个机器人的位置；是这一状态的持续时间；
Figure 381014DEST_PATH_IMAGE140
表示在时刻获得的机器人对气味源位置的估计值。
②采用一致性算法控制机器人继续移动，执行时间为秒。当该状态的持续时间超过秒后，机器人的状态自动转变为气味检测事件不发生状态。
b.如果机器人的当前状态，即气味检测事件不发生状态是刚从气味检测事件发生状态转变过来，则执行步骤①；否则执行步骤②。
①基于气味源位置的最新估计值
Figure 631102DEST_PATH_IMAGE127
和风的速度信息，计算机器人下一步的位置。
Figure 769959DEST_PATH_IMAGE144
Figure 25491DEST_PATH_IMAGE146
其中：
Figure DEST_PATH_IMAGE148
和
Figure DEST_PATH_IMAGE150
分别是风在
Figure DEST_PATH_IMAGE152
轴和轴方向的速度；
Figure 781187DEST_PATH_IMAGE156
是第i个机器人在时刻对于气味源位置最新估计值在轴方向的坐标；第i个机器人在
Figure 163178DEST_PATH_IMAGE160
时刻位置在
Figure 643838DEST_PATH_IMAGE152
轴方向的坐标；和第i个机器人在时刻位置在轴和
Figure DEST_PATH_IMAGE167
轴方向的坐标；
Figure 433809DEST_PATH_IMAGE169
是状态的持续时间。
②采用一致性算法控制机器人继续移动，执行时间为
Figure 766701DEST_PATH_IMAGE169
秒。在移动的过程中，如果机器人检测到气味浓度信息，则机器人的状态转变为气味检测事件发生状态；如果在时间
Figure 581073DEST_PATH_IMAGE169
秒后，没有检测到气味浓度，重新计算机器人下一步的位置。具体方法是：
Figure 608252DEST_PATH_IMAGE173
其中，
Figure 243371DEST_PATH_IMAGE175
和
Figure 849932DEST_PATH_IMAGE177
分别是控制
Figure 843296DEST_PATH_IMAGE152
轴和
Figure 535309DEST_PATH_IMAGE154
轴方向搜索范围的控制参数，在范围内产生一个均匀分布的随机数。
И从第І步重新开始执行，直到群体机器人中，某一个机器人检测到的气味浓度达到预先设定值，或通过视觉传感器判断出气味源，然后通过无线网络通知第i个机器人，或搜索时间超过事先规定的时间，则结束运行。
本发明提出的一种协调多机器人***的智能控制方法，该方法弥补了传统方法的不足，并有效地提高气味源定位的精度，保证多机器人***能量的较小消耗，同时满足实际中要求快速定位的要求。
本发明提出的智能控制方法，能够有效地估计气味源位置的概率分布，更好地让安全人员了解目前危险气味扩散的情况，进一步弥补传统方法的不足。此外，在任何时刻，都可以知道危险气味源的可能位置。
具体实施方式
以工业气体输送管道泄漏为例：
这里以工业气体输送管道泄漏为例子加以描述。在可能气体泄漏点建立2维局部坐标系，并为机器人安装风速计测量局部风速（每隔1秒，记录一次风速，共记录100个。一旦风速信息的数量超过了100个，则以新的风速信息代替旧的风速信息），和里程计计量机器人在局部坐标系中的位置，同时为机器人安装工业有毒气体检测装置。并设定机器人的最大线速度和角速度。对于第i个机器人，开始执行以下步骤：
1、搜索气味线索。
多机器人***首先沿和当前风速交叉的方向前进，来搜索气味线索，一旦检测到气味线索，则启动协调多机器人***的智能控制方法，并初始化机器人对气味源位置的估计值和协方差矩阵，以及机器人的当前状态为气味检测事件发生状态。开始执行第2步；否则继续执行第1步。
2、协调多机器人***的智能控制方法开始执行，即两个算法基于不同的采样周期并行执行。
对于第一个算法(采样周期为1秒)，执行以下步骤：
(1)计算气味分子团的运动距离。
Figure 452764DEST_PATH_IMAGE061
Figure DEST_PATH_IMAGE183
其中，
Figure DEST_PATH_IMAGE185
是i时刻的风速，。然后，计算测量噪声协方差矩阵。
Figure DEST_PATH_IMAGE189
其中，是测量噪声协方差矩阵；标准差
Figure DEST_PATH_IMAGE191
可以基于经验事先指定。
(2)基于Kalman滤波理论，获得机器人对气味源位置的估计值。
第一步，在获得机器人对气味源位置的观测值之前，获得气味源位置的先验估计值和先验协方差矩阵。
Figure 107923DEST_PATH_IMAGE086
Figure 648625DEST_PATH_IMAGE088
其中, 表示机器人对气味源位置在时刻的后验估计值；
Figure 965971DEST_PATH_IMAGE094
是机器人对气味源位置在时刻的先验估计值；是关于气味源位置在时刻的后验协方差矩阵；关于气味源位置在时刻的先验协方差矩阵。
第二步，当机器人通过对气味源位置的观测模型，获得气味源位置的观测值时，更新上式气味源位置的先验估计值，计算出气味源位置的后验估计值，具体计算公式如下：
Figure DEST_PATH_IMAGE193
Figure 123207DEST_PATH_IMAGE100
Figure 65755DEST_PATH_IMAGE102
Figure 503690DEST_PATH_IMAGE104
其中，是测量噪声协方差矩阵；是Kalman增益；
Figure 385692DEST_PATH_IMAGE110
表示机器人对气味源位置在时刻的后验估计值；是关于气味源位置在时刻的后验协方差矩阵。
(3)使用检测到最大浓度幅度的机器人对气味源位置的估计值，更新当前机器人对气味源位置的估计值，即：
Figure 818761DEST_PATH_IMAGE114
其中，和是调节参数；
Figure 611049DEST_PATH_IMAGE120
表示第
Figure 576731DEST_PATH_IMAGE122
个机器人对气味源位置在时刻的估计值，此外第
Figure 151249DEST_PATH_IMAGE122
个机器人也是获得最大浓度幅度信息的机器人。
(4)从第(1)步重新开始执行，并提供气味源位置的估计值。
对于第二个算法，执行以下步骤：
І在每一个采样周期（0.01秒）判断机器人的状态；如果机器人的状态是气味检测事件发生状态，执行步骤a；否则执行步骤b。
a.如果机器人的当前状态，即气味检测事件发生状态是刚从气味检测事件不发生状态转变过来，则执行步骤①；否则执行步骤②。
①给第一个算法发送请求消息，获取当前的气味源位置的最新估计值
Figure 351603DEST_PATH_IMAGE140
，计算机器人下一步的位置：
Figure 89490DEST_PATH_IMAGE133
其中，是时刻第i个机器人的位置；是这一状态的持续时间；
Figure 82350DEST_PATH_IMAGE140
表示在
Figure 176208DEST_PATH_IMAGE124
时刻获得的机器人对气味源位置的估计值。
②采用一致性算法控制机器人继续移动，执行时间为10秒。当该状态的持续时间超过10秒后，机器人的状态自动转变为气味检测事件不发生状态。
b.如果机器人的当前状态，即气味检测事件不发生状态是刚从气味检测事件发生状态转变过来，则执行步骤①；否则执行步骤②。
①给第一个算法发送请求消息，获得气味源位置的最新估计值
Figure 973263DEST_PATH_IMAGE127
，并根据风速传感器测量的风的速度信息，计算机器人下一步的位置。
Figure DEST_PATH_IMAGE202
其中：
Figure DEST_PATH_IMAGE204
和
Figure 801597DEST_PATH_IMAGE150
分别是风在
Figure 812278DEST_PATH_IMAGE152
轴和
Figure 717917DEST_PATH_IMAGE154
轴方向的速度；
Figure 814049DEST_PATH_IMAGE156
是第i个机器人在
Figure 961871DEST_PATH_IMAGE124
时刻对于气味源位置最新估计值在
Figure 827059DEST_PATH_IMAGE152
轴方向的坐标；第i个机器人在
Figure 487028DEST_PATH_IMAGE160
时刻位置在
Figure 2323DEST_PATH_IMAGE152
轴方向的坐标；和第i个机器人在时刻位置在轴和
Figure 461632DEST_PATH_IMAGE167
轴方向的坐标；是状态的持续时间。
②采用一致性算法控制机器人继续移动，执行时间为30秒。在移动的过程中，如果机器人检测到气味浓度信息，则机器人的状态转变为气味检测事件发生状态；如果在时间30秒后，没有检测到气味浓度，重新计算机器人下一步的位置。具体方法是：
Figure 239095DEST_PATH_IMAGE171
Figure 719755DEST_PATH_IMAGE208
其中，和分别是
Figure 875164DEST_PATH_IMAGE152
轴和轴方向搜索范围的控制参数，在
Figure 904934DEST_PATH_IMAGE181
范围内产生一个均匀分布的随机数。
И从第І步重新开始执行，直到群体机器人中，某一个机器人检测到的气味浓度达到预先设定值，或通过视觉传感器判断出气味源，然后通过无线网络通知第i个机器人，或搜索时间超过事先规定的时间，则停止执行步骤，结束。

Claims (1)

1.一种协调多机器人***的智能控制方法，其特征在于该方法包括两个步骤：首先在采样周期k1内计算得到气味源位置的估计值 ，然后在采样周期k2内基于估计值计算得到机器人的位置，其中k1> k2；
所述的气味源位置的估计值的具体计算方法如下：
(1)利用气味分子团的运动学模型，建立气味源位置的观测模型，具体方法是：
a.建立气味分子团的运动模型，得到气味分子团的位置：
气味分子团的运动模型为：
其中,r(t)指气味分子团在时刻的位置；
Figure 972296DEST_PATH_IMAGE004
指气味分子团在时刻位置的微分；u(t)是在时刻的均值风速度；
Figure 982474DEST_PATH_IMAGE005
表示一个随机过程，该过程服从均值为零，方差为
Figure 975838DEST_PATH_IMAGE006
的高斯分布；
对气味分子团的运动模型在时间段[,]（）内进行积分，获得气味分子团在时刻被气味源释放，在当前时刻时的位置：
Figure 806664DEST_PATH_IMAGE012
其中，[,]指积分的时间段，指气味源释放气味分子团的时间，指当前时间；指的是在当前时间气味分子团的位置；是在时刻气味源的位置；
b.确定气味分子团的离散运动模型：
通过定义
Figure 235241DEST_PATH_IMAGE017
和，将气味分子团的位置离散化；其中离散时刻是气味源释放气味分子团时间的整数值；离散时刻是当前时间的整数值；
Figure 796858DEST_PATH_IMAGE023
是指时间的微小变化；从而气味分子团的离散运动模型为：
Figure 332750DEST_PATH_IMAGE024
其中，气味源位置在一定时间内是静止的，所以有；表示气味源在时刻释放气味分子团，在时刻的位置；表示在时间段[,]内风推动气味分子团的移动距离；表示随机过程，服从均值为零，方差的正态分布；
考虑到气味分子团释放时间的所有可能性，即
Figure 210203DEST_PATH_IMAGE032
则气味分子团的离散运动模型进一步表示如下：
其中，为时刻气味分子团的位置；为时刻气味源的位置；
Figure 247615DEST_PATH_IMAGE036
为时刻风推动气味分子团移动的距离；
Figure 374020DEST_PATH_IMAGE037
是测量噪声，并且服从零均值，方差的正态分布；
c.通过定义
Figure 324713DEST_PATH_IMAGE039
，得到气味源位置的观测模型：
其中，是第i个机器人在时刻对气味源位置的测量值；
(2)使用气味源位置的观测模型，产生机器人对气味源位置的观测值，并使用Kalman滤波理论，获得气味源位置的估计值；具体方法是：
d.在获得机器人对气味源位置的观测值之前，获得气味源位置的先验估计值和先验协方差矩阵；
Figure 778697DEST_PATH_IMAGE043
Figure 849421DEST_PATH_IMAGE044
其中, 表示机器人对气味源位置在时刻的后验估计值；
Figure 98634DEST_PATH_IMAGE047
是机器人对气味源位置在时刻的先验估计值；是关于气味源位置在时刻的后验协方差矩阵；关于气味源位置在时刻的先验协方差矩阵；
e.当机器人通过对气味源位置的观测模型，获得气味源位置的观测值时，更新气味源位置的先验估计值，计算出气味源位置的后验估计值，具体计算公式如下：
Figure 476624DEST_PATH_IMAGE050
Figure 838466DEST_PATH_IMAGE051
Figure 988825DEST_PATH_IMAGE052
其中，是测量噪声协方差矩阵；是Kalman增益；
Figure 169642DEST_PATH_IMAGE055
表示机器人对气味源位置在时刻的后验估计值；是关于气味源位置在时刻的后验协方差矩阵；
(3)使用检测到最大浓度幅度的机器人对气味源位置的估计值，更新当前机器人对气味源位置的估计值，即：
Figure 318678DEST_PATH_IMAGE057
其中，和是调节参数；
Figure 639173DEST_PATH_IMAGE060
表示第
Figure 344960DEST_PATH_IMAGE061
个机器人对气味源位置在时刻的估计值，此外第
Figure 222098DEST_PATH_IMAGE061
个机器人也是获得最大浓度幅度信息的机器人；
(4)从第(2)步重新开始执行并提供气味源位置的估计值；
所述的机器人的位置的具体计算方法如下：
І在采样周期
Figure 861206DEST_PATH_IMAGE062
内判断机器人的状态；如果机器人的状态是气味检测事件发生状态，执行步骤a；否则执行步骤b；
a.如果机器人的当前状态，即气味检测事件发生状态是刚从气味检测事件不发生状态转变过来，则执行步骤①；否则执行步骤②；
①基于气味源位置的最新估计值
Figure 367274DEST_PATH_IMAGE063
，则机器人下一步的位置为气味源位置的最新估计值，即
Figure 895076DEST_PATH_IMAGE064
其中，是时刻第i个机器人的位置；是这一状态的持续时间；表示在
Figure 868849DEST_PATH_IMAGE069
时刻获得的机器人对气味源位置的估计值；
②采用一致性算法控制机器人继续移动，执行时间为秒；当该状态的持续时间超过秒后，机器人的状态自动转变为气味检测事件不发生状态；
b.如果机器人的当前状态，即气味检测事件不发生状态是刚从气味检测事件发生状态转变过来，则执行步骤③；否则执行步骤④；
③基于气味源位置的最新估计值
Figure 420244DEST_PATH_IMAGE063
和风的速度信息，计算机器人下一步的位置；
Figure 33945DEST_PATH_IMAGE071
其中：
Figure 131345DEST_PATH_IMAGE072
和分别是风在
Figure 368609DEST_PATH_IMAGE074
轴和
Figure 861776DEST_PATH_IMAGE075
轴方向的速度；是第i个机器人在
Figure 279168DEST_PATH_IMAGE069
时刻对于气味源位置最新估计值在
Figure 658328DEST_PATH_IMAGE074
轴方向的坐标；第i个机器人在时刻位置在
Figure 770006DEST_PATH_IMAGE074
轴方向的坐标；和第i个机器人在时刻位置在
Figure 810195DEST_PATH_IMAGE074
轴和
Figure 796737DEST_PATH_IMAGE082
轴方向的坐标；
Figure 807418DEST_PATH_IMAGE083
是状态的持续时间；
④采用一致性算法控制机器人继续移动，执行时间为
Figure 837691DEST_PATH_IMAGE083
秒；在移动的过程中，如果机器人检测到气味浓度信息，则机器人的状态转变为气味检测事件发生状态；如果在时间
Figure 933823DEST_PATH_IMAGE083
秒后，没有检测到气味浓度，重新计算机器人下一步的位置；具体方法是：
Figure 822199DEST_PATH_IMAGE085
其中，
Figure 23373DEST_PATH_IMAGE086
和
Figure 419851DEST_PATH_IMAGE087
分别是控制
Figure 669567DEST_PATH_IMAGE074
轴和
Figure 717157DEST_PATH_IMAGE075
轴方向搜索范围的控制参数，在
Figure 415084DEST_PATH_IMAGE089
范围内产生一个均匀分布的随机数；
И从第І步重新开始执行，直到群体机器人中，某一个机器人检测到的气味浓度达到预先设定值，或通过视觉传感器判断出气味源，然后通过无线网络通知第i个机器人，或搜索时间超过事先规定的时间时，则结束。
CN 201110040377 2011-02-18 2011-02-18 一种协调多机器人***的智能控制方法 Active CN102169346B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110040377 CN102169346B (zh) 2011-02-18 2011-02-18 一种协调多机器人***的智能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110040377 CN102169346B (zh) 2011-02-18 2011-02-18 一种协调多机器人***的智能控制方法

Publications (2)

Publication Number Publication Date
CN102169346A true CN102169346A (zh) 2011-08-31
CN102169346B CN102169346B (zh) 2013-07-17

Family

ID=44490535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110040377 Active CN102169346B (zh) 2011-02-18 2011-02-18 一种协调多机器人***的智能控制方法

Country Status (1)

Country Link
CN (1) CN102169346B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103090833A (zh) * 2011-10-31 2013-05-08 深圳光启高等理工研究院 基于rfid-sim卡的读卡距离探测***、方法及读卡器
CN103279029A (zh) * 2013-05-31 2013-09-04 北京航空航天大学 多机器人手臂***的自适应协调控制方法
CN103278151A (zh) * 2013-02-28 2013-09-04 中国矿业大学 一种动态烟羽环境下多机器人协作搜索气味源方法
CN104816305A (zh) * 2015-04-08 2015-08-05 杭州电子科技大学 一种基于事件驱动机制的有限时间多机器人合作控制方法
CN105425794A (zh) * 2015-11-25 2016-03-23 哈尔滨工业大学 一种移动机器人寻找放射源轨迹的方法
CN105466421A (zh) * 2015-12-16 2016-04-06 东南大学 面向可靠wifi连接的移动机器人自主巡航方法
CN107631238A (zh) * 2017-09-22 2018-01-26 武汉科技大学 一种仿萤火虫同步发光群体机器人及其同步发光方法
CN108898625A (zh) * 2018-06-26 2018-11-27 长安大学 一种智能混合群体优化滤波跟踪方法
CN109062200A (zh) * 2018-07-19 2018-12-21 杭州电子科技大学 一种定位传感器节点的移动机器人滚动时序控制方法
CN113768468A (zh) * 2021-09-23 2021-12-10 广州华视光学科技有限公司 一种多传感器、多功能的口腔问题定位设备和方法
CN115034335A (zh) * 2022-08-09 2022-09-09 北京东方通网信科技有限公司 一种基于决策树模型的机器人自主协同控制方法和***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100645818B1 (ko) * 2005-07-22 2006-11-23 엘지전자 주식회사 이동로봇 무선 제어 시스템 및 그 방법
CN101210817A (zh) * 2007-12-24 2008-07-02 河北工业大学 室内环境下机器人自主搜寻气味源的方法
CN101344513A (zh) * 2008-08-26 2009-01-14 天津大学 时变流场环境中机器人搜寻气味源方法
CN101493328A (zh) * 2009-02-09 2009-07-29 苏州科技学院 基于气味实测的机器人气味源搜索方法
WO2009102970A2 (en) * 2008-02-13 2009-08-20 Seegrid Corporation Distributed multi-robot system
CN101685309A (zh) * 2008-09-24 2010-03-31 中国科学院自动化研究所 多机器人协调队形控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100645818B1 (ko) * 2005-07-22 2006-11-23 엘지전자 주식회사 이동로봇 무선 제어 시스템 및 그 방법
CN101210817A (zh) * 2007-12-24 2008-07-02 河北工业大学 室内环境下机器人自主搜寻气味源的方法
WO2009102970A2 (en) * 2008-02-13 2009-08-20 Seegrid Corporation Distributed multi-robot system
CN101344513A (zh) * 2008-08-26 2009-01-14 天津大学 时变流场环境中机器人搜寻气味源方法
CN101685309A (zh) * 2008-09-24 2010-03-31 中国科学院自动化研究所 多机器人协调队形控制方法
CN101493328A (zh) * 2009-02-09 2009-07-29 苏州科技学院 基于气味实测的机器人气味源搜索方法

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103090833B (zh) * 2011-10-31 2016-12-28 国民技术股份有限公司 基于rfid‑sim卡的读卡距离探测***、方法
CN103090833A (zh) * 2011-10-31 2013-05-08 深圳光启高等理工研究院 基于rfid-sim卡的读卡距离探测***、方法及读卡器
CN103278151A (zh) * 2013-02-28 2013-09-04 中国矿业大学 一种动态烟羽环境下多机器人协作搜索气味源方法
CN103278151B (zh) * 2013-02-28 2015-11-11 中国矿业大学 一种动态烟羽环境下多机器人协作搜索气味源方法
CN103279029A (zh) * 2013-05-31 2013-09-04 北京航空航天大学 多机器人手臂***的自适应协调控制方法
CN103279029B (zh) * 2013-05-31 2015-08-19 北京航空航天大学 多机器人手臂***的自适应协调控制方法
CN104816305A (zh) * 2015-04-08 2015-08-05 杭州电子科技大学 一种基于事件驱动机制的有限时间多机器人合作控制方法
CN105425794A (zh) * 2015-11-25 2016-03-23 哈尔滨工业大学 一种移动机器人寻找放射源轨迹的方法
CN105466421B (zh) * 2015-12-16 2018-07-17 东南大学 面向可靠wifi连接的移动机器人自主巡航方法
CN105466421A (zh) * 2015-12-16 2016-04-06 东南大学 面向可靠wifi连接的移动机器人自主巡航方法
CN107631238A (zh) * 2017-09-22 2018-01-26 武汉科技大学 一种仿萤火虫同步发光群体机器人及其同步发光方法
CN107631238B (zh) * 2017-09-22 2019-06-25 武汉科技大学 一种仿萤火虫同步发光群体机器人及其同步发光方法
CN108898625A (zh) * 2018-06-26 2018-11-27 长安大学 一种智能混合群体优化滤波跟踪方法
CN108898625B (zh) * 2018-06-26 2021-01-08 长安大学 一种智能混合群体优化滤波跟踪方法
CN109062200A (zh) * 2018-07-19 2018-12-21 杭州电子科技大学 一种定位传感器节点的移动机器人滚动时序控制方法
CN109062200B (zh) * 2018-07-19 2021-06-29 杭州电子科技大学 一种定位传感器节点的移动机器人滚动时序控制方法
CN113768468A (zh) * 2021-09-23 2021-12-10 广州华视光学科技有限公司 一种多传感器、多功能的口腔问题定位设备和方法
CN113768468B (zh) * 2021-09-23 2023-12-19 广州华视光学科技有限公司 一种多传感器、多功能的口腔问题定位设备和方法
CN115034335A (zh) * 2022-08-09 2022-09-09 北京东方通网信科技有限公司 一种基于决策树模型的机器人自主协同控制方法和***
CN115034335B (zh) * 2022-08-09 2022-10-21 北京东方通网信科技有限公司 一种基于决策树模型的机器人自主协同控制方法和***

Also Published As

Publication number Publication date
CN102169346B (zh) 2013-07-17

Similar Documents

Publication Publication Date Title
CN102169346B (zh) 一种协调多机器人***的智能控制方法
CN102034030B (zh) 一种多机器人***合作定位危险气味源方法
CN111060135B (zh) 一种基于局部地图的地图修正方法及***
CN101644758B (zh) 一种目标定位跟踪***及方法
CN110244772A (zh) 移动机器人的领航跟随***和领航跟随控制方法
CN104613965B (zh) 一种基于双向滤波平滑技术的步进式行人导航方法
CN108896050A (zh) 一种基于激光传感器的移动机器人长期定位***及方法
CN109633664A (zh) 基于rgb-d与激光里程计的联合定位方法
CN103995984A (zh) 一种基于椭圆约束的机器人路径规划方法和装置
CN104197935B (zh) 一种基于移动智能终端的室内定位方法
CN103471586B (zh) 一种传感器辅助的终端组合定位方法及装置
CN106643724B (zh) 基于地图信息和位置自适应修正的粒子滤波室内定位方法
CN107677267A (zh) 基于mems‑imu的室内行人导航航向反馈修正方法
CN109141120A (zh) 一种基于北斗精准定位技术的简易火控狙击枪瞄具设计
CN110082776B (zh) 一种基于2d激光数据的机器人实时定位方法
CN111060099A (zh) 一种无人驾驶汽车实时定位方法
CN108592907A (zh) 一种基于双向滤波平滑技术的准实时步进式行人导航方法
CN107782304A (zh) 移动机器人的定位方法及装置、移动机器人及存储介质
CN102176119A (zh) 一种基于信息融合机制的多机器人危险气味源定位方法
CN110244002B (zh) 一种基于无人机***的大气污染源追踪方法
CN109282817B (zh) 一种多机器人协同定位与控制方法
CN113504558B (zh) 一种考虑道路几何约束的地面无人车辆定位方法
CN115767412A (zh) 融合超宽带和惯性测量单元的室内定位方法
CN103889053A (zh) 一种自生长式的指纹图自主建立方法
CN109752023A (zh) 一种目标运动状态快速估计方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
ASS Succession or assignment of patent right

Owner name: SHANDONG HAOBANGSHOU ROBOT CO., LTD.

Free format text: FORMER OWNER: HANGZHOU ELECTRONIC SCIENCE AND TECHNOLOGY UNIV

Effective date: 20150724

C41 Transfer of patent application or patent right or utility model
C53 Correction of patent of invention or patent application
CB03 Change of inventor or designer information

Inventor after: Yao Tao

Inventor before: Lv Qiang

Inventor before: Xie Xiaogao

Inventor before: Luo Ping

COR Change of bibliographic data

Free format text: CORRECT: INVENTOR; FROM: LV QIANG XIE XIAOGAO LUO PING TO: YAO TAO

TR01 Transfer of patent right

Effective date of registration: 20150724

Address after: 276599, Juxian Economic Development Zone, Shandong, Rizhao City, No. 888 North Chengyang Road, No. 8, Piston Corp Hospital of Jingang port

Patentee after: SHANDONG COAHENT ROBOT CO., LTD.

Address before: Hangzhou City, Zhejiang province 310018 Xiasha Higher Education Park No. 2 street

Patentee before: Hangzhou Electronic Science and Technology Univ

TR01 Transfer of patent right

Effective date of registration: 20201207

Address after: 276500 No. 888 North Chengyang Road, Juxian Economic Development Zone, Shandong, Rizhao City

Patentee after: SHANDONG EVOLVER NEW MATERIAL Co.,Ltd.

Address before: 276599, Juxian Economic Development Zone, Shandong, Rizhao City, No. 888 North Chengyang Road, No. 8, Piston Corp Hospital of Jingang port

Patentee before: SHANDONG COAGENT ROBOT Co.,Ltd.

TR01 Transfer of patent right