CN106325284B - 面向人机协作搜索识别多目标任务的机器人运动规划方法 - Google Patents
面向人机协作搜索识别多目标任务的机器人运动规划方法 Download PDFInfo
- Publication number
- CN106325284B CN106325284B CN201610963236.4A CN201610963236A CN106325284B CN 106325284 B CN106325284 B CN 106325284B CN 201610963236 A CN201610963236 A CN 201610963236A CN 106325284 B CN106325284 B CN 106325284B
- Authority
- CN
- China
- Prior art keywords
- mobile robot
- task
- operator
- target
- time
- 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.)
- Active
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000007689 inspection Methods 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 4
- 230000000386 athletic effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种面向人机协作搜索识别多目标任务的机器人运动规划方法,在任务集合变化时,进行是否超过最大工作负荷的判断,而非采用一个固定的间隔时间,从而减少不必要的等待时间,提高效率;在判断是否超过最大工作负荷时,根据移动机器人自己规划的到达疑似目标观测点的时间,进行是否超工作负荷的判断,判断方式十分简单,有效;本发明在对移动机器人重新规划路径时,需要用到操作员完成目标识别的时间,然而操作员完成目标识别任务的时间是不确定的,故本发明将操作员的目标识别任务完成时间建立为随机模型,提前建立操作员的目标识别任务完成时间的概率分布函数,从而保证路径规划的合理性。
Description
技术领域
本发明属于多移动机器人路径规划技术领域,尤其涉及一种面向人机协作搜索识别多目标任务的机器人运动规划方法。
背景技术
在现代科学背景下,移动无人平台因其机动性能强、成本低、生存能力强、使用方便等优势,使移动无人平台在军事领域、民事领域都得到了广泛的应用。移动机器人在目标识别任务方面具有更加明显的优势,可以实现“非接触”式目标识别。
因人在复杂地形、伪装目标识别等方面的优势,移动无人平台通过安装在自身上的信息获取装置获取目标信息,通过信息传输装置将目标信息传输给操作员来进行目标识别,这种人机协作识别目标***可以更加准确高效完成区域内的目标识别任务。当移动机器人通过信息获取装置远距离探测到疑似目标时,移动机器人获取的关于疑似目标信息是模糊的、不准确的,移动机器人自主规划出到达目标观测点的路径。目标观测点是指靠近目标点,信息获取装置可以获取相对准确的目标信息的位置。当移动机器人到达目标观测点后,自动地将信息获取装置获取的近距离目标信息传输给操作员,操作员进行目标识别,如判断是敌方目标还是友方目标等。
但操作员目标识别任务的完成时间具有不确定性,这种不确定性往往会降低完成任务的效率、延长完成任务的时间。同时,受操作员的认知能力、操作能力的限制,多机器人协作完成目标识别任务时有可能产生目标漏检的情况,这种目标漏检情况的出现是因为一个时间段内集中出现多个目标识别任务,导致操作员需要同时处理目标识别任务的信息量大于操作员的最大工作负荷。所以本发明提出通过改变机器人运动轨迹的方法来改变移动机器人到达目标观测点的时刻,配合全局规划和调度管理的方法,避免因操作员处理能力限制而产生目标漏检的情况,同时提高人机***目标识别任务的可靠性与效率。
文献(Ortiz AE,Langbort C.Scheduling Multiple Uninhabited AerialVehicles for Target Classification by Single Human Operator[J].Journal ofAerospace Computing Information&Communication,2011,8(12):328-345.)提出了单操作员与多机器人协作执行目标识别任务下移动机器人速度规划的方法,用于避免因操作员同时处理信息大于操作员的最大工作负荷而出现的目标漏检情况。其设定了较大的固定时间间隔来满足操作员对移动机器人传输的信息进行目标识别,但实际上操作员根据移动机器人传输信息进行目标识别时间是不确定的,当操作员目标识别时间较短时,往往不能够获得很高的任务完成效率。此外,现实生活中操作员往往可以同一时间识别一个或者多个目标,执行目标识别任务的操作员的数量也不限定为一个。
文献(Ortiz A,Kingston D,Langbort C.Multi-UAV Velocity and TrajectoryScheduling Strategies for Target Classification by a Single Human Operator[J].Journal of Intelligent&Robotic Systems,2013,70(1-4):255-274.)提出了单操作员与多机器人协作执行目标识别任务下移动机器人运动规划的方法,用于避免因操作员同时处理信息大于操作员的最大工作负荷而出现的目标漏检情况。此文献同样设定了较大的固定时间间隔来满足操作员对机器人传输的信息进行目标识别,没有建立具有不确定因素的操作员执行目标识别任务完成时间的模型。
可见,现有技术在避免因操作员同时处理信息大于操作员的最大工作负荷而出现的目标漏检情况时,只是采用了简单的设置较大固定时间间隔的方式,没有根据实际情况区分处理,效率不高。
发明内容
有鉴于此,本发明提供了一种面向人机协作搜索识别多目标任务的机器人运动规划方法,在人机协作***受操作员最大工作负荷限制的情况下,通过多机器人运动规划方法来提高人机协作***完成任务的效率、缩短完成任务的时间,避免因操作员处理能力限制而产生目标漏检的情况。
为了解决上述技术问题,本发明是这样实现的:
一种面向人机协作搜索识别多目标任务的机器人运动规划方法,包括:
当移动机器人远距离探测到疑似目标时,将疑似目标的识别任务加入待处理任务集合;当操作员完成目标识别任务时,将完成的识别任务从待处理任务集合中删除;
当待处理任务集合发生变化时,控制中心根据移动机器人自己规划的到达疑似目标观测点的时间,判断在同一时间段内到达各自疑似目标观测点的移动机器人所采集的信息总量是否大于操作员的最大工作负荷,如果是,则认为可能发生漏检;其中,操作员的最大工作负荷是指一个或多个操作员在同一时间内最多可以处理的移动机器人所获得的信息量;
若不存在目标漏检的情况,则不对移动机器人的运动轨迹干预;若可能存在目标漏检,则对移动机器人重新执行运动规划,移动机器人按照控制中心规划的新运动轨迹运动。
优选地,所述判断在同一时间段内到达各自疑似目标观测点的移动机器人所采集的信息总量是否大于操作员的最大工作负荷的方式为:
针对待处理任务集合中的每个任务,提取该任务中记载的移动机器人预计到达疑似目标观测点的时间Tarrive;以Tarrive为起点,以Tarrive+Tmax为终点,构建时间片,Tmax是操作员完成一项目标识别任务的最长时间;将各个任务的时间片叠加,查找是否有某个时间段的叠加量超过操作员最大工作负荷,如果是,则判定因为最后一个任务的加入导致可能发生漏检。
优选地,所述对移动机器人重新执行运动规划的方式为:
对最后一个加入任务集合的移动机器人重新进行运动规划;具体为:设最后一个加入任务集合的移动机器人为P,找到与移动机器人P的达到时间冲突的上一个任务Q,获得任务Q的移动机器人到达疑似目标观测点的时间Tarrive_before;设操作员处理完成任务的时间长度Thuman_before符合概率分布F(x);构建规划路径后移动机器人P到达疑似目标观测点的时间T′arrive=Thuman_before+Tpenalty+Tarrive_before;Tpenalty是调度完成后,移动机器人P前往目标观测点的惩罚时间,使得求解T′arrive的优化问题等价转化为求解Tpenalty;
以移动机器人的最大速度、最小转弯半径、最大加速度为约束,以T′arrive条件下的期望、方差、鲁棒性、运动路径能量消耗为优化指标,求解运动路径。
优选地,所述任务集合中的每项识别任务均包括执行相应任务的移动机器人规划的路径、移动机器人预计达到疑似目标观测点的时间、移动机器人与疑似目标观测点的相对空间方位信息和地形信息。
优选地,所述任务集合中的每项任务进一步包括优先级信息;各项识别任务按照优先级进行排序。
有益效果:
(1)本方案在任务集合变化时,进行是否超过最大工作负荷的判断,而非采用一个固定的间隔时间,从而减少不必要的等待时间,提高效率。
(2)在判断是否超过最大工作负荷时,根据移动机器人自己规划的到达疑似目标观测点的时间,进行是否超工作负荷的判断,判断方式十分简单,有效。
(3)本发明在对移动机器人重新规划路径时,需要用到操作员完成目标识别的时间,然而操作员完成目标识别任务的时间是不确定的,故本发明将操作员的目标识别任务完成时间建立为随机模型,提前建立操作员的目标识别任务完成时间的概率分布函数,从而保证路径规划的合理性。
附图说明
图1为人机协作搜索识别多目标任务的***示意图。
图2为人机协作搜索识别多目标任务场景示意图。
图3为面向人机协作搜索识别多目标任务的机器人运动规划方法流程图。
图4为待处理任务集合的变化示意图。
图5为根据时间片判断是否超出操作员的最大工作负荷的示意图。
图6为仿真过程中移动机器人1发现疑似目标点的示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种面向人机协作搜索识别多目标任务的机器人运动规划方法,该方法的主要思想是:
当移动机器人远距离探测到疑似目标时,将疑似目标的识别任务加入待处理任务集合;当操作员完成目标识别任务时,将完成的识别任务从待处理任务集合中删除。
当待处理任务集合发生变化时,控制中心判断在同一时间段内到达各自疑似目标的移动机器人所采集的信息总量(通常是指移动机器人在观测点采集的图像所蕴含的信息量)是否大于操作员的最大工作负荷,如果是,则认为可能发生漏检;其中,操作员的最大工作负荷是指一个或多个操作员在同一时间内最多可以处理的移动机器人所获得的信息量。
若不存在目标漏检的情况,则不对移动机器人的运动轨迹干预;若可能存在目标漏检,则对移动机器人重新执行运动规划,移动机器人按照控制中心规划的新运动轨迹运动。
可见,本方案在任务集合变化时,进行是否超过最大工作负荷的判断,而非采用一个固定的间隔时间,从而减少不必要的等待时间,提高效率。
其次,在判断是否超过最大工作负荷时,根据移动机器人自己规划的到达疑似目标观测点的时间,判断在同一时间段内到达各自疑似目标的移动机器人所采集的信息总量是否大于操作员的最大工作负荷,据此来确定是否有超工作符合的问题。移动机器人自己规划的到达疑似目标观测点的时间基本能够反映实际情况,提高了判断结果的有效性,而且判断方式十分简单。
本发明有两个关键点,一是,本发明考虑到操作员的最大负荷,根据移动机器人自身的路径规划结果,主要是到达疑似目标观测点的时间,判断同一时间段内到达各自疑似目标的移动机器人所采集的信息总量是否大于操作员的最大工作负荷;另一个点是若存在漏检可能,则对移动机器人重新规划路径,在规划过程中,需要用到操作员完成目标识别的时间,然而操作员完成目标识别任务的时间是不确定的,故本发明将操作员的目标识别任务完成时间建立为随机模型,提前建立操作员的目标识别任务完成时间的概率分布函数。
下面对本发明的优选实施例进行详细描述。
图1为首先来介绍一下本发明涉及的人机协作***,该***包含控制中、操作员和多个移动机器人。
移动机器人可以指代移动无人机(UAV)、移动无人车(UGV)等。为了完成面向搜索识别多目标任务的人机协作***的移动机器人运动规划方法,每个机器人应配置完成任务所需要的信息获取装置、数据传输装置等主要装置。信息获取装置是用于获取关于目标信息的装置,例如RGB摄像机、红外摄像机、雷达等。如图2所示,每一个移动机器人会被提前分配到执行目标识别任务的区域,移动机器人拟采用“割草机”模型,从开始位置移动按照提前规划的路径运动到结束位置,执行一片区域的目标识别任务。当移动机器人在运动的过程中,通过信息获取装置远距离探测到疑似目标时,信息获取装置可以获取疑似目标的空间方位信息,但获取的目标信息不足以让操作员做出目标识别的判断,故移动机器人自主规划路径到达目标观测点近距离获取目标信息,以便操作员可以根据近距离目标信息完成目标识别任务,例如利用拍摄图片进行目标识别。
数据传输装置将移动机器人的运动姿态、距离疑似目标的空间方位信息、信息获取装置获取的目标信息、移动机器人自主规划的路径等信息传输给控制中心。
控制中心主要作用是对是否可能存在目标漏检情况的提前判断、对移动机器人的规划路径的修改、对移动机器人的调度管理。控制中心可以通过数据传输装置将控制信息、命令信息、运动规划信息传输给移动机器人。
操作员在目标识别任务中主要作用的是承担目标识别任务,如判断是友方目标或是敌方目标。
操作员完成目标识别任务后,移动机器人自主规划路径回到初始的运动轨迹上,继续执行区域内的目标识别任务。移动机器人到达指定的结束位置表示该机器人完成分配区域的目标识别任务,所有的移动机器人完成分配区域的目标识别任务表示人机协作***完成所有的目标识别任务。
本发明机器人运动规划方法的流程主要包括以下过程,如图3所示:
过程一、监测待处理任务集合的变化
当移动机器人远距离探测到疑似目标时,移动机器人自主规划到达疑似目标的路径以便近距离获取目标信息,移动机器人通过数据传输装置将自身的运动姿态、规划的路径(包括到达疑似目标观测点的时间)、疑似目标点空间方位信息通过数据传输装置传输给控制中心,控制中心将此疑似目标的识别任务存入待处理任务集合中。当操作员完成目标识别任务时,控制中心将完成的识别任务从待处理任务集合中删除。
移动机器人远距离探测到疑似目标和操作员完成目标识别任务都可以触发待处理任务集合发生变化。图4所示的是待处理任务集合的变化。
待处理任务集合中存放的任务信息应包括执行相应任务的移动机器人规划的路径、移动机器人预计到达目标观测点的时间、移动机器人与目标观测点的相对空间方位信息和地形信息,任务的优先级信息等。待处理任务集合存储的信息如下所示:
TASK{task(1),task(2),...task(n)}
task(n)=(Routen,timen,locationn,leveln...)
task(n)表示第n号任务。
Routen表示运动规划轨迹。
timen表示移动机器人预计到达疑似目标观测点的时间。
locationn表示移动机器人与疑似目标观测点的相对空间方位信息和地形信息。
leveln表示任务的优先级。
在移动机器人远距离探测到疑似目标后和操作员完成目标识别任务后,需对待处理任务集合中信息进行更新。
若目标识别任务的无优先级排序,可按照先入先出队列方式对目标识别任务进行优先级排序,当移动机器人远距离探测到疑似目标时,将此任务加入待处理任务集合的最后。
过程二、任务集合发生变化时的处理
当待处理任务集合发生变化时,控制中心根据移动机器人自己规划的到达疑似目标观测点的时间,判断在同一时间段内到达各自疑似目标观测点的移动机器人所采集的信息总量是否大于操作员的最大工作负荷;如果是,则认为可能发生漏检,则执行过程三;如果认为不存在目标漏检情况,则不对移动机器人的运动轨迹干预。
其中,操作员的最大工作负荷是指一个或者多个操作员在同一时间内最多可以处理的移动机器人采集的信息(主要是移动机器人获得的图像),最大工作负荷会随着具体任务的要求而发生变化,如在识别难度较大的目标识别任务中可能需要多个操作员配合执行,在识别难度较小的目标识别任务中可能一个操作员可以同一时间处理多个移动机器人采集的信息。一个或多个操作员可以控制、监督、观察多个机器人,同样,也存在一个或多个操作员同时只处理一个机器人获取的目标识别任务的情况。
本步骤中,控制中心进行漏检判断的具体方式为:
如图5所示,针对待处理任务集合中的每个任务A,提取该任务A中记载的移动机器人预计到达疑似目标观测点的时间Tarrive;以Tarrive为起点,以Tmax为终点,构建时间片,Tmax是操作员完成目标识别任务的最长时间;如果任务因为漏检被重新规划过,则任务集合记载的到达疑似目标观测点的时间Tarrive应该是路径重新规划后的到达时间T′arrive;将各个任务的时间片叠加,查找是否有某个时间段的叠加量超过操作员最大工作负荷,如果是,则判定因为最后一个任务的加入导致可能发生漏检。
过程三、对移动机器人重新执行运动规划,移动机器人按照控制中心规划的新运动轨迹运动。
因控制中心的操作员需要移动机器人近距离获取的目标信息来进行实时处理,对于同一时间段到达各自目标观测点的移动机器人过多的问题,本发明通过改变移动机器人运动规划路径的方法来改变移动机器人到达目标观测点的时间,避免目标漏检的情况。同时,新的运动轨迹也应该尽可能的提高移动机器人完成任务的效率。
在第二个过程中,判定出了因为最后一个任务的加入导致可能发生漏检。本过程就对最后一个加入任务集合的移动机器人重新进行运动规划。
在实际情况中,移动机器人的运动会存在实际条件的约束:如最大速度、最小转弯半径、最大加速度等。在新的运动轨迹选取的过程中,在避免目标漏检的同时,应以移动机器人的运动参数为约束,做出合理的运动轨迹规划。结合任务本身的属性,将期望、方差、鲁棒性、移动机器人运动路径的能量消耗等多个方面作为优化指标。运动轨迹和速度调节包括停止、环绕、盘旋、后退等多种模式,应根据具体的执行任务的环境状况和移动机器人的运动参数决定。最终移动机器人的运动规划过程输出移动机器人的运动规划轨迹和运动速度。因操作员执行目标识别任务的完成时间具有不确定性,运动规划过程最终规划的路径和运动速度是满足某种概率意义下相对较好的解,并不是针对操作员所有处理时间上的最优解。求解此路径规划问题时,可首先采用启发式规则将绝大多数不合理的运动规划路径排除,再采用合适的优化方法,对移动机器人的运动路径进行规划。
运动规划的方式具体为:
设最后一个加入任务集合的移动机器人为P,找到与移动机器人P的达到时间冲突的上一个任务Q,获得任务Q的移动机器人到达疑似目标观测点的时间Tarrive_before;设操作员处理完成任务的时间长度为Thuman_before,Thuman_before服从于F(t)的概率分布函数;构建规划路径后移动机器人P到达疑似目标观测点的时间T′arrive=Thuman_before+Tpenalty+Tarrive_before;Tpenalty是调度完成后,移动机器人P前往目标观测点的惩罚时间,使得求解T′arrive的优化问题等价转化为求解Tpenalty。
以移动机器人的最大速度、最小转弯半径、最大加速度为约束,以T′arrive条件下的期望、方差、鲁棒性、运动路径能量消耗为优化指标,求解运动路径。
上述优化过程的优化方程如下:
(x*,y*,v*,a*,r*)=arg min{g(E(T′arrive),V(T′arrive),R(T′arrive),C(T′arrive)……)}
subject to T′arrive=Thuman_before+Tpenalty+Tarrive_before
vmin<v*<vmax
amin<a*<amax
rmin<r*<rmax
Thuman_before~F(x)
(x*,y*,v*,a*,r*)表示控制中心辅助移动机器人规划的路径。(x*,y*)表示运动点迹,v*表示运动速度,a*表示运动加速度,r*表示转弯半径,Δ表示变化量。下角标max表示相应参数的最大值。
控制中心将规划出的新路径存储在相应任务中,待轮到该任务执行时,控制中心通过信息传输装置将相关运动路径信息传输给移动移动机器人,移动机器人按照新的运动路径运动。
无论是否进行运行轨迹干预,当操作员完成目标识别任务后,触发控制中心的调度过程。操作员完成目标识别任务不仅仅需将已经完成的任务信息从待处理任务集合中删除,还要根据已完成的目标识别任务对待处理集合中的剩余任务进行调度。调度的主要工作是按先入先出顺序或优先级调度移动机器人前往目标观测点。当调度工作完成后,对待处理任务集合中受到影响的任务状态进行更新。
下面给出软件仿真结果:
本实验的仿真环境基于MATLAB仿真软件。本实验中主要测试待处理任务集合的变化、控制中心对移动机器人的调度以及判断是否存在目标漏检、控制中心对移动机器人的运动规划三个方面。
该仿真实验中移动机器人的数量为2个,每一个移动机器人分别负责一块区域内的目标识别任务,每个区域内的目标识别任务点为2个,操作员同一时间内最多可以处理的目标识别任务个数为1个,1个操作员执行目标识别任务,既操作员的最大工作负荷Wmax为1。待处理任务集合采用优先级策略为先入先出队列策略。
如图6所示。当移动机器人1发现疑似目标点时,自主地规划出一条能够到达目标观测点的运动轨迹,并且将规划的路径、预计到达目标观测点的时间、自身与目标观测点的相对空间方位信息通过数据传输装置传输给控制中心,触发控制中心的判断过程,操作员的工作负荷函数Wt如下所示:
其中,Tarrive,1是移动机器人1按照规定路径运动到达目标观测点的时刻。Tmax是操作员完成目标识别任务的最长时间,t为时间。
上式表达了如下含义:
在t∈[Tarrive,1,Tarrive,1+Tmax]时间内操作员需要处理的目标识别任务个数为1。
在时间内,操作员需要处理的目标识别任务个数为0。
此时,Wmax>=Wt,即:
在任何一个时间段内,操作员处理目标识别的任务个数小于等于操作员的最大工作负荷。故不会存在目标漏检到达情况,不会调用控制中心的运动规划过程,移动机器人按照自主规划的路径运动。
当移动机器人2发现疑似目标点时,自主的规划出一条能够到达目标观测点的运动轨迹,并且将规划的路径、预计到达目标观测点的时间、自身与目标观测点的相对空间方位信息通过数据传输装置传输给控制中心,触发控制中心的判断过程,操作员的工作负荷函数如下所示:
其中,Tarrive,2是移动机器人2按照规定路径运动到达目标观测点的时刻。
上式表达了如下含义:
在t∈[Tarrive,1,Tarrive,2]或t∈[Tarrive,1+Tmax,Tarrive,2+Tmax]操作员可能需要处理的目标识别任务个数为1。
在t∈[Tarrive,2,Tarrive,1+Tmax]操作员可能需要处理的目标识别任务个数为2。
在其他时间段内,操作员可能需要处理的目标识别任务个数为0。
可见,在t∈[Tarrive,2,Tarrive,1+Tmax]时间范围内,有可能存在Wmax<Wt,故可能存在操作员处理的目标识别任务的个数大于操作员的最大工作负荷,有可能存在目标漏检的情况。控制中心调用运动规划过程对移动机器人2进行运动规划。
控制中心的运动规划过程如下。
可首先采用启发式规则将绝大多数的不合理运动路径排除,再采用优化求解的方式计算运动路径。优化方程如下所示。
(x*,y*,v*,a*,r*)=arg min{g(E(T′arrive,2),V(T′arrive,2),R(T′arrive,2),C(T′arrive,2)……)}
subject to T′arrive,2=Thuman+Tpenalty+Tarrive,1
vmin<v*<vmax
amin<a*<amax
rmin<r*<rmax
Thuman~F(x)
T′arrive,2为规划移动机器人2新的运动轨迹的到达时间,T′arrive,2是随机量,Thuman是操作员处理完成任务的时间长度,Thuman服从于F(t)的概率分布函数。
当操作员完成关于移动机器人1的目标识别任务时,待处理任务集合发生变化,控制中心调用运动规划调度过程,调度移动机器人2前往目标观测点,以获取目标信息,同时更新待处理信息集合信息。
操作员的工作负荷函数如下所示。
T″arrive,2是完成调度任务后更新的值。
在t∈[Tarrive,1,Tarrive,1+Thuman]或t∈[T″arrive,2,T″arrive,2+Tmax]时间范围内,操作员可能处理的目标识别任务个数为1。
在其他时间段内,操作员处理的目标识别任务个数为0。
Wmax>=Wt,
在任何一个时间段内,操作员处理目标识别的任务个数小于等于操作员的最大工作负荷。故不会存在目标漏检到达情况,不会调用控制中心的运动规划过程,移动机器人按照自主规划的路径运动。
重复上述过程,直至移动机器人1、2执行完所有的目标识别任务。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种面向人机协作搜索识别多目标任务的机器人运动规划方法,其特征在于,包括:
当移动机器人远距离探测到疑似目标时,将疑似目标的识别任务加入待处理任务集合;当操作员完成目标识别任务时,将完成的识别任务从待处理任务集合中删除;
当待处理任务集合发生变化时,控制中心根据移动机器人自己规划的到达疑似目标观测点的时间,判断在同一时间段内到达各自疑似目标观测点的移动机器人所采集的信息总量是否大于操作员的最大工作负荷,如果是,则认为可能发生漏检;其中,操作员的最大工作负荷是指一个或多个操作员在同一时间内最多可以处理的移动机器人所获得的信息量;
若不存在目标漏检的情况,则不对移动机器人的运动轨迹干预;若可能存在目标漏检,则对移动机器人重新执行运动规划,移动机器人按照控制中心规划的新运动轨迹运动;
所述对移动机器人重新执行运动规划的方式为:
对最后一个加入任务集合的移动机器人重新进行运动规划;具体为:设最后一个加入任务集合的移动机器人为P,找到与移动机器人P的达到时间冲突的上一个任务Q,获得任务Q的移动机器人到达疑似目标观测点的时间Tarrive_before;设操作员处理完成任务的时间长度Thuman_before符合概率分布F(x);构建规划路径后移动机器人P到达疑似目标观测点的时间T′arrive=Thuman_before+Tpenalty+Tarrive_before;Tpenalty是调度完成后,移动机器人P前往目标观测点的惩罚时间,使得求解T′arrive的优化问题等价转化为求解Tpenalty;
以移动机器人的最大速度、最小转弯半径、最大加速度为约束,以T′arrive条件下的期望、方差、鲁棒性、运动路径能量消耗为优化指标,求解运动路径。
2.如权利要求1所述的运动规划方法,其特征在于,所述判断在同一时间段内到达各自疑似目标观测点的移动机器人所采集的信息总量是否大于操作员的最大工作负荷的方式为:
针对待处理任务集合中的每个任务,提取该任务中记载的移动机器人预计到达疑似目标观测点的时间Tarrive;以Tarrive为起点,以Tarrive+Tmax为终点,构建时间片,Tmax是操作员完成一项目标识别任务的最长时间;将各个任务的时间片叠加,查找是否有某个时间段的叠加量超过操作员最大工作负荷,如果是,则判定因为最后一个任务的加入导致可能发生漏检。
3.如权利要求1所述的运动规划方法,其特征在于,所述任务集合中的每项识别任务均包括执行相应任务的移动机器人规划的路径、移动机器人预计达到疑似目标观测点的时间、移动机器人与疑似目标观测点的相对空间方位信息和地形信息。
4.如权利要求1所述的运动规划方法,其特征在于,所述任务集合中的每项任务进一步包括优先级信息;各项识别任务按照优先级进行排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610963236.4A CN106325284B (zh) | 2016-11-04 | 2016-11-04 | 面向人机协作搜索识别多目标任务的机器人运动规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610963236.4A CN106325284B (zh) | 2016-11-04 | 2016-11-04 | 面向人机协作搜索识别多目标任务的机器人运动规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106325284A CN106325284A (zh) | 2017-01-11 |
CN106325284B true CN106325284B (zh) | 2018-02-06 |
Family
ID=57815960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610963236.4A Active CN106325284B (zh) | 2016-11-04 | 2016-11-04 | 面向人机协作搜索识别多目标任务的机器人运动规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106325284B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106959700B (zh) * | 2017-03-21 | 2019-08-27 | 北京航空航天大学 | 一种基于上限置信区间算法的无人机群协同巡逻追踪轨迹规划方法 |
US11034348B2 (en) * | 2018-11-20 | 2021-06-15 | Waymo Llc | Agent prioritization for autonomous vehicles |
EP3738723A1 (de) * | 2019-05-17 | 2020-11-18 | Siemens Aktiengesellschaft | Verfahren, computer-programm-produkt und robotersteuerung zum kontaktbasierten lokalisieren von bei der manipulation durch roboter bewegbaren objekten sowie roboter |
CN110428111B (zh) * | 2019-08-08 | 2022-12-30 | 西安工业大学 | Uav/ugv协同长时多任务作业轨迹规划方法 |
CN111427341B (zh) * | 2019-11-05 | 2023-11-14 | 杭州电子科技大学 | 一种基于概率地图的机器人最短预期时间目标搜索方法 |
CN111413965A (zh) * | 2020-03-11 | 2020-07-14 | 西安工程大学 | 一种基于uav协同感知的ugv行驶路径规划方法 |
CN114489062B (zh) * | 2022-01-18 | 2023-03-21 | 北京理工大学 | 面向车间物流的多自动导引车分布式动态路径规划方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951918A (zh) * | 2015-06-11 | 2015-09-30 | 上海德马物流技术有限公司 | 一种时间窗路径规划方法 |
CN105150210A (zh) * | 2015-05-13 | 2015-12-16 | 西北工业大学 | 一种用于遥操作人机交互的虚拟管道动态避障控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140137826A (ko) * | 2013-05-24 | 2014-12-03 | 한국항공우주산업 주식회사 | 무인기의 지상통제 표준운용시스템 |
-
2016
- 2016-11-04 CN CN201610963236.4A patent/CN106325284B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105150210A (zh) * | 2015-05-13 | 2015-12-16 | 西北工业大学 | 一种用于遥操作人机交互的虚拟管道动态避障控制方法 |
CN104951918A (zh) * | 2015-06-11 | 2015-09-30 | 上海德马物流技术有限公司 | 一种时间窗路径规划方法 |
Non-Patent Citations (2)
Title |
---|
On Multi-UAV Scheduling for Human Operator Target Identification;Andres E. Ortiz等;《2011 American Control Conference on O"Farrell Street》;20110701;第1837-1842页 * |
Performance and Workload of Operators in a Human-Telerebot System;Zunjic A;《International Journal of Behavioral Research & Psychology》;20150824;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN106325284A (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106325284B (zh) | 面向人机协作搜索识别多目标任务的机器人运动规划方法 | |
US7765038B2 (en) | Mission planning system for vehicles with varying levels of autonomy | |
CN103472850B (zh) | 一种基于高斯分布预测的多无人机协同搜索方法 | |
CN103955221B (zh) | 带任务时效性的多平台协作路径规划***和方法 | |
Forsmo et al. | Optimal search mission with unmanned aerial vehicles using mixed integer linear programming | |
CN107589752A (zh) | 无人机与地面机器人协同编队实现方法及*** | |
CN101477169A (zh) | 巡检飞行机器人对电力线路的检测方法 | |
Shima et al. | UAV team decision and control using efficient collaborative estimation | |
CN107562066B (zh) | 一种航天器多目标启发式排序任务规划方法 | |
CN114169066B (zh) | 基于微纳星群抵近侦察的空间目标特性测量、侦察方法 | |
CN114679729B (zh) | 一种雷达通信一体化的无人机协同多目标探测方法 | |
Bryson et al. | Co-operative localisation and mapping for multiple UAVs in unknown environments | |
Kiam et al. | An ai-based planning framework for HAPS in a time-varying environment | |
Pereira et al. | The C3UV testbed for collaborative control and information acquisition using UAVs | |
Azeemi | Cooperative trajectory and launch power optimization of UAV deployed in cross-platform battlefields | |
Song et al. | Towards real time scheduling for persistent UAV service: A rolling horizon MILP approach, RHTA and the STAH heuristic | |
Zhang et al. | Search method of disaster inspection coordinated by multi-UAV | |
Rosalie et al. | UAV multilevel swarms for situation management | |
CN112396298A (zh) | 一种无人直升机多机协同任务规划方法 | |
Sujit et al. | Multiple UAV search using agent based negotiation scheme | |
Chen et al. | Provably safe and robust drone routing via sequential path planning: A case study in san francisco and the bay area | |
Tsiogkas et al. | Facilitating multi-AUV collaboration for marine archaeology | |
Gernert et al. | An interdisciplinary approach to autonomous team-based exploration in disaster scenarios | |
Cao et al. | Unmanned rescue vehicle navigation with fused DQN algorithm | |
Kopeikin et al. | Real-time dynamic planning to maintain network connectivity in a team of unmanned air vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |