CN116520852A - 一种局部信息下的群机器人围捕多目标方法、装置及设备 - Google Patents
一种局部信息下的群机器人围捕多目标方法、装置及设备 Download PDFInfo
- Publication number
- CN116520852A CN116520852A CN202310651389.5A CN202310651389A CN116520852A CN 116520852 A CN116520852 A CN 116520852A CN 202310651389 A CN202310651389 A CN 202310651389A CN 116520852 A CN116520852 A CN 116520852A
- Authority
- CN
- China
- Prior art keywords
- robot
- target
- robots
- coordinate system
- local coordinate
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 40
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 31
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 26
- 230000000694 effects Effects 0.000 claims abstract description 15
- 230000033001 locomotion Effects 0.000 claims description 34
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001066 destructive effect Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000005755 formation reaction Methods 0.000 description 22
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 229910003460 diamond Inorganic materials 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004034 genetic regulation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001960 triggered effect Effects 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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
-
- 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
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
- G05D1/0295—Fleet control by at least one leading vehicle of the fleet
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种局部信息下的群机器人围捕多目标方法、装置及设备,该方法包括:发现并确定待捕获的目标;以发现目标的第一机器人作为中心点,同时结合第一机器人的邻居机器人的位置创建局部坐标系;确定目标在局部坐标系中的位置;至少基于局部坐标系、邻居机器人在所述局部坐标系中的位置、目标在局部坐标系中的位置确定参与围捕所述目标的第二机器人,所述第一机器人与第二机器人构成围捕子群;基于局部坐标系,并通过模拟基因和蛋白质间的活动来配合创建对应所述围捕子群的围捕编队模式,所述围捕编队模式用于指导所述第一机器人、第二机器人运动以围捕所述目标。基于本实施例的方法可以使群机器人根据不同目标自动实现分组及目标围捕。
Description
技术领域
本发明实施例涉及机器人技术领域,特别涉及一种局部信息下的群机器人围捕多目标方法、装置及设备。
背景技术
对于在没有GPS引导和全局通信的恶劣或未知的室外环境中运动的群机器人,依赖全局信息的算法是不可行的。通常,传统的基因调控网络(gene regulatory networks,GRNs)在对目标形成围捕模式方面表现优异,需要精确的全局位置信息来指导群机器人。因此群机器人无法自行发现目标,并根据目标自行分组进行目标围捕,而且也无法根据目标及邻居机器人的局部信息实现目标围捕。
发明内容
本发明提供了一种局部信息下的群机器人围捕多目标方法,包括:
发现并确定待捕获的目标;
以发现所述目标的第一机器人作为中心点,同时结合所述第一机器人的邻居机器人的位置创建局部坐标系;
确定所述目标在所述局部坐标系中的位置;
至少基于所述局部坐标系、邻居机器人在所述局部坐标系中的位置、目标在所述局部坐标系中的位置确定参与围捕所述目标的第二机器人,所述第一机器人与第二机器人构成围捕子群;
基于所述局部坐标系,并通过模拟基因和蛋白质间的活动来配合创建对应所述围捕子群的围捕编队模式,所述围捕编队模式用于指导所述第一机器人、第二机器人运动以围捕所述目标。
作为一可选实施例,所述以发现所述目标的第一机器人作为中心点,同时结合所述第一机器人的邻居机器人的位置创建局部坐标系,包括:
根据与所述第一机器人距离最近的第一邻居机器人的位置确定X轴;
根据分别与所述第一邻居机器人及第一机器人间距离相等的第二邻居机器人的位置确定Y轴;
根据所述中心点、X轴、Y轴创建所述局部坐标系。
作为一可选实施例,还包括:
所述第一机器人、邻居机器人间均能够相互通信以确定各机器人及目标的位置;
所述至少基于所述局部坐标系、邻居机器人在所述局部坐标系中的位置、目标在所述局部坐标系中的位置确定参与围捕所述目标的第二机器人,包括:
基于所述各机器人及目标的位置计算确定所述邻居机器人及目标在所述局部坐标系中的位置;
基于所述邻居机器人及目标在所述局部坐标系中的位置至少确定满足位置条件的邻居机器人为所述第二机器人。
作为一可选实施例,所述通过模拟基因和蛋白质间的活动来配合创建对应所述围捕子群的围捕编队模式,包括:
基于下述动力方程产生所需的蛋白质浓度以创建对应所述围捕子群的围捕编队模式:
其中,γj是一个标量值,表示上述方程的环境输入,为拉普拉斯算子,pj表示所述第一机器人直接观察到的和从邻居机器人处间接接收的关于所述目标所在位置的综合蛋白质浓度,g1,g2和g3表示蛋白质浓度,g3由g1和g2共同调节,ρ,θ1,θ2,θ3为正的常数。
作为一可选实施例,还包括:
在每个所述机器人中设置控制器,以基于所述控制器对应控制处于所述围捕编队模式下的所述第一机器人、第二机器人的运动。
作为一可选实施例,所述控制器能够根据所述目标所在位置的预设半径内的其他目标数量、围捕子群内各机器人间的安全距离、围捕子群内各机器人所在位置的机器人密度以及各机器人移动范围内的障碍物而综合确定对应所述第一机器人、第二机器人在围捕所述目标时的运动参数,所述运动参数满足所述第一机器人、第二机器人在运动过程中无异常状态发生,所述异常状态至少包括碰撞、过度聚集、坐标漂移。
作为一可选实施例,所述运动参数包括基于所述控制器对应计算所述第一机器人、第二机器人在不同场景下的运动速度,所述不同场景包括躲避其他目标、机器人、障碍物以及减少机器人的破坏性聚集。
作为一可选实施例,所述控制器基于同一机器人在不同场景下的运动速度的矢量和控制该机器人运动,以实现对所述目标的围捕。
本发明另一实施例同时提供一种群机器人的多目标围捕装置,包括:
第一确定模块,用于发现并确定待捕获的目标;
第一创建模块,用于以发现所述目标的第一机器人作为中心点,同时结合所述第一机器人的邻居机器人的位置创建局部坐标系;
第二确定模块,用于确定所述目标在所述局部坐标系中的位置;
第三确定模块,用于至少根据所述局部坐标系、邻居机器人在所述局部坐标系中的位置、目标在所述局部坐标系中的位置确定参与围捕所述目标的第二机器人;
第二创建模块,用于根据所述局部坐标系,并通过模拟基因和蛋白质间的活动来配合创建对应所述第二机器人的围捕编队模式,所述围捕编队模式用于指导各个所述第二机器人运动以围捕所述目标。
本发明另一实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行以实现如上文中任一项实施例所述的局部信息下的群机器人围捕多目标方法。
基于上述实施例的公开可以获知,本发明实施例具备的有益效果包括能够实现机器人在发现目标时自动分组,并仅基于局部信息实现对目标的有效围捕,增强了受限环境下大规模群体的多目标围捕性能,消除了以往围捕过程对机器人及目标的全局信息的刚性需求,扩大了使用范围,同时提高了围捕精度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中的局部信息下的群机器人围捕多目标方法流程图。
图2为本发明实施例中的局部信息下的群机器人围捕多目标方法的应用过程图。
图3为本发明实施例中的局部信息下的群机器人围捕多目标装置的结构框图。
具体实施方式
下面,结合附图对本发明的具体实施例进行详细的描述,但不作为本发明的限定。
应理解的是,可以对此处公开的实施例做出各种修改。因此,下述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例,并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本发明的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本发明进行了描述,但本领域技术人员能够确定地实现本发明的很多其它等效形式,它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时,鉴于以下详细说明,本公开的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本公开的具体实施例;然而,应当理解,所公开的实施例仅仅是本公开的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此,本文所公开的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本公开的相同或不同实施例中的一个或多个。
下面,结合附图详细的说明本发明实施例。
如图1所示,本发明实施例提供一种局部信息下的群机器人围捕多目标方法,包括:
S101:发现并确定待捕获的目标;
S102:以发现目标的第一机器人作为中心点,同时结合第一机器人的邻居机器人的位置创建局部坐标系;
S103:确定目标在局部坐标系中的位置;
S104:至少基于局部坐标系、邻居机器人在局部坐标系中的位置、目标在局部坐标系中的位置确定参与围捕目标的第二机器人,第一机器人与第二机器人构成围捕子群;
S105:基于局部坐标系,并通过模拟基因和蛋白质间的活动来配合创建对应围捕子群的围捕编队模式,围捕编队模式用于指导第一机器人、第二机器人运动以围捕目标。
本实施例中的方法可以应用于复杂的环境中,群机器人中的任意一个机器人均可在发现新目标时激活新的机器人子群,也即围捕子群,以用于围捕不同目标。因此,本实施例的方法能够实现机器人在发现目标时自动分组,并仅基于局部信息实现对目标的有效围捕,增强了受限环境下大规模群体的多目标围捕性能,消除了以往围捕过程对机器人及目标的全局信息的刚性需求,扩大了使用范围,同时提高了围捕精度。
为了使机器人内的智能体能够在更实际的情况下发挥作用,实现及时且有效地创建围捕子群,同时能够确定目标位置以进行有效围捕,本实施例创建了具有关于机器人及目标的局部信息的基因调控网络,具体地,首先需要建立局部坐标系:
以发现目标的第一机器人作为中心点,同时结合第一机器人的邻居机器人的位置创建局部坐标系,包括:
S106:根据与第一机器人距离最近的第一邻居机器人的位置确定X轴;
S107:根据分别与第一邻居机器人及第一机器人间距离相等的第二邻居机器人的位置确定Y轴;
S108:根据中心点、X轴、Y轴创建局部坐标系。
例如,可以根据目标触发分层自组织分组算法,确定一阶组织者,也即发现并确定目标的第一机器人作为坐标系的中心,即一个中心bot(center-bot),因为它离目标最近。接着,第一机器人传播其最近邻居的ID。局部坐标系的x轴由该最近邻点确定,称为x–bot,相当于坐标系的X轴。一旦x-bot收到来自center-bot的消息并将自己标识为x-bot,其便将自己的位置设置为(dcx,0),其中dcx是x-bot和center-bot之间的距离。之后,x-bot改变其定位状态以确定并传播其位置。一旦这样做,第一机器人就可以从能够看到x-bot的邻居机器人中选择一个机器人作为h–bot,相当于坐标系的Y轴。h-bot应满足以下条件:h-bot、center-bot和x-bot之间尽可能保持等距离。也即:
其中dcx和dci分别是中心机器人到x-bot和机器人i的距离,dix是机器人i到x-bot的距离。在这一部分,机器人的运动可以消除坐标系可能存在的翻转歧义,并将其修正为右手性。因此,可以假设h-bot在x轴的顶端,相对位置可以计算为
其中dhx是h-bot和x-bot之间的距离,dhc是h-bot和center-bot之间的距离。两者均通过h-bot进行测量和计算。
进一步地,本实施例中的方法还包括:
S109:第一机器人、邻居机器人间均能够相互通信以确定各机器人及目标的位置;
至少基于局部坐标系、邻居机器人在局部坐标系中的位置、目标在局部坐标系中的位置确定参与围捕目标的第二机器人,包括:
S110:基于各机器人及目标的位置计算确定邻居机器人及目标在局部坐标系中的位置;
S111:基于邻居机器人及目标在局部坐标系中的位置至少确定满足位置条件的邻居机器人为第二机器人。
也就是,当三个机器人(center-bot、x-bot、h-bot)构成局部坐标系时,其他能够与这三个机器人通信的机器人可以计算它们的相对位置。每个机器人在计算其相对位置时,将其估计位置传播给其邻居,从而通过子群实现局部位置信息的全面传播。由于本实施例中的子群还具有局部交互的特性,即每个机器人的邻居子群中总有至少一个同伴,因此每个子群中的所有成员都可以接收到其邻居的相对位置信息。当获知了多个机器人在局部坐标系下的位置信息后,就可结合目标的位置而确定是否适宜参与该目标的围捕,如距离目标是否太远,向目标移动过程中是否有过多障碍物,用于围捕该目标的机器人是否已经足够等等,进而确定出用于围捕的多个第二机器人。
进一步地,根据目标的相对位置,群机器人可以通过调节蛋白质浓度形成特定的几何形状,并通过模拟基因和蛋白质之间的活动,建立目标和机器人之间的关系,也就是实现围捕编队模式的生成与形成,具体地:
通过模拟基因和蛋白质间的活动来配合创建对应围捕子群的围捕编队模式,包括:
S112:基于下述动力方程产生所需的蛋白质浓度以创建对应围捕子群的围捕编队模式:
在本实施例中,分组的有组织机器人均设有机载传感器,可以在检测范围内确定目标的相对位置,也可以从来自同一组的附近的组织机器人中学习。其中,γj是一个标量值,表示这些动态方程的环境输入,在目标所在的位置保持一个正的常数值。为一个拉普拉斯算子,可以被视为生物***中的扩散过程,在空间域中被描述为二阶导数,表示从目标的环境输入pj中产生的蛋白质浓度,pj表示有组织机器人直接观察到的和从同一子群内的邻居机器人间接接收的目标的综合蛋白质浓度。g1,g2和g3表示蛋白质浓度,g3由g1和g2共同调节,是定义最终目标模式的形态素梯度。sigmoid函数,也称为logistic函数,用于隐含层神经元的输出,取值范围为(0,1),它将一个实数映射到区间(0,1),ρ,θ1,θ2,θ3是一个正的常数。
进一步地,随着每个子群的移动,局部坐标系是不断更新的,因此,可能会发生潜在的坐标漂移,危及围捕编队的精度。漂移会引起目标附近浓度的跳跃。同时,制剂对自身周围的浓度梯度敏感。因此,一些机器人的智能体可能处于异常状态,例如使机器人在浓度变化跳跃的区域来回踱步。一些机器人可能在某处聚集在一起,而不是形成陷阱模式。因此,为了改善该种情况,使机器人能够高精度运动以围捕目标,本实施例的方法还包括:
在每个机器人中设置控制器,以基于控制器对应控制处于围捕编队模式下的第一机器人、第二机器人的运动。
该控制器能够根据目标所在位置的预设半径内的其他目标数量、围捕子群内各机器人间的安全距离、围捕子群内各机器人所在位置的机器人密度以及各机器人移动范围内的障碍物而综合确定对应第一机器人、第二机器人在围捕目标时的运动参数,运动参数满足第一机器人、第二机器人在运动过程中无异常状态发生,异常状态至少包括碰撞、过度聚集、坐标漂移。其中,运动参数包括基于控制器对应计算第一机器人、第二机器人在不同场景下的运动速度,不同场景包括躲避其他目标、机器人、障碍物以及减少机器人的破坏性聚集。当确定了上述各个运动参数后,控制器便可基于同一机器人在不同场景下的运动速度的矢量和控制该机器人运动,以实现对目标的围捕,具体围捕效果可参考图2所示,图中黑色圆点代表机器人,空心的菱形方框代表待围捕的目标,排列组合的多个实心菱形方框可表征机器人的移动方向。
具体地,本实施例中的控制器包含五个元素:目标(T)、邻居(N)、模式(P)、密度(D)和障碍(O),也即根据该五个元素综合控制机器人运动。
(1)目标:对于追随或排斥目标,一个具有最大安全距离的线性距离Rtarget依赖的速度项,在该速度项下,机器人开始追随与其分组状态相匹配的指定目标或击退其他目标。第gth个target表示子群元组标记的目标。在这里,群体无法获取和感知关于目标的全局信息,因此可以用群体中第一个组织者(即第一机器人)的唯一ID对g进行编号。机器人ith到目标jth的方向可以通过计算得到,其中/>和/>分别表示机器人ith的位置和目标jth的位置,Nt表示半径Rtarget内其他目标的个数。
(2)邻居:机器人与邻居机器人之间需要有合适的距离,因此,一个包含安全距离Rneighbor的邻居机器人的向量提供了机器人相互之间的有效碰撞避免。Nc表示安全距离Rneighbor内邻居的数量。
(3)编队模式:一个具体的指针引导着围捕编队模式中的围捕剂在其周围的最大浓度梯度,即机器人所在位置的浓度G′是一个集合,将机器人i周围的浓度限制在一个半径Rpattern范围内。式(b)中计算/>的最大浓度用于指导机器人向式(a)中期望的围捕模式前进最大梯度。
(4)密度:减少破坏性聚集的有效策略是构建自适应密度引导,当群体希望部署集体队形,特别是大规模队形时,自适应密度引导会带来广泛的群体形状。过多的聚集会使机器人之间产生不可避免的排斥,进而引发不同程度的碰撞或丢失。密度是引导机器人向邻居数量较少的方向移动,Nd表示观测半径dobs内的邻居机器人的数量。在本实施例中设计了邻居机器人之间的永久密度效应,并利用相对较小的权重pdensity1进行控制,而相对较大的权重pdensity2用于帮助机器人在接近期望目标时逃离相对坐标系造成的干扰。由于相对坐标正在更新,且坐标系的来源是移动的,相邻时刻目标相对坐标存在偏差。偏差很小,以至于蜂群仍然可以绕过它接近目标。然而,这种偏差可能导致目标的感知位置在其左右两侧反复弹跳,从而导致群体行为失调,例如,群体行为被卡住而不是被围捕到期望目标kg的一侧。相对较大的权重pdensity2可以使得群体能够避开困境,分散,围绕目标形成陷阱模式。因此,围捕子群是在目标的附近触发的。
(5)障碍物:障碍物的边界略微膨胀,膨胀后的物体形状与原始物体相似。机器人可以在识别到障碍物后配合生成对应的虚拟智能体,并将其被填充在提供群缓冲距离的膨胀区域中。这些虚拟智能体只有在机器人真正观察到它们的时候才与机器人进行交互。机器人i到最近虚拟智能体rnear的方向是当前时刻机器人与障碍物之间的初始期望无碰撞向量,其中虚拟智能体表示的基线向量vbase向内垂直于障碍物的多边形边缘。应用时可以比较两个矢量vobstacle和vbase之间的角度关系,选择正负偏置导引机器人到可能的无碰撞区域φ。上述避让过程的计算持续到机器人离开任意虚拟智能体半径Ravoid内的指定区域后结束。
当控制器计算得到了上述各个相互作用项后,也即各个不同的速度后,可以对其计算矢量和,以得到最终对机器人的运动速度的控制。
通过上述控制器的设置,以及前述方法的应用,可以使得群机器人根据不同目标及局部信息快速实现分组以及形成围捕编队,而且用于围捕的第一机器人与第二机器人能够顺畅运动,不会发生碰撞、过度聚集等影响围捕运动的情况发生,提升了目标围捕精度。另外,各个机器人的运动全程均自行控制,无需人为参与,灵活性强,适用范围广,不再过度依赖全通信环境,即使在环境受限的情况下依然可以较好地实施目标围捕行动。
如图3所示,本发明另一实施例同时提供一种群机器人的多目标围捕装置100,包括:
第一确定模块,用于发现并确定待捕获的目标;
第一创建模块,用于以发现所述目标的第一机器人作为中心点,同时结合所述第一机器人的邻居机器人的位置创建局部坐标系;
第二确定模块,用于确定所述目标在所述局部坐标系中的位置;
第三确定模块,用于至少根据所述局部坐标系、邻居机器人在所述局部坐标系中的位置、目标在所述局部坐标系中的位置确定参与围捕所述目标的第二机器人;
第二创建模块,用于根据所述局部坐标系,并通过模拟基因和蛋白质间的活动来配合创建对应所述第二机器人的围捕编队模式,所述围捕编队模式用于指导各个所述第二机器人运动以围捕所述目标。
作为一可选实施例,所述以发现所述目标的第一机器人作为中心点,同时结合所述第一机器人的邻居机器人的位置创建局部坐标系,包括:
根据与所述第一机器人距离最近的第一邻居机器人的位置确定X轴;
根据分别与所述第一邻居机器人及第一机器人间距离相等的第二邻居机器人的位置确定Y轴;
根据所述中心点、X轴、Y轴创建所述局部坐标系。
作为一可选实施例,还包括:
所述第一机器人、邻居机器人间均能够相互通信以确定各机器人及目标的位置;
所述至少基于所述局部坐标系、邻居机器人在所述局部坐标系中的位置、目标在所述局部坐标系中的位置确定参与围捕所述目标的第二机器人,包括:
基于所述各机器人及目标的位置计算确定所述邻居机器人及目标在所述局部坐标系中的位置;
基于所述邻居机器人及目标在所述局部坐标系中的位置至少确定满足位置条件的邻居机器人为所述第二机器人。
作为一可选实施例,所述通过模拟基因和蛋白质间的活动来配合创建对应所述围捕子群的围捕编队模式,包括:
基于下述动力方程产生所需的蛋白质浓度以创建对应所述围捕子群的围捕编队模式:
其中,γj是一个标量值,表示上述方程的环境输入,为拉普拉斯算子,pj表示所述第一机器人直接观察到的和从邻居机器人处间接接收的关于所述目标所在位置的综合蛋白质浓度,g1,g2和g3表示蛋白质浓度,g3由g1和g2共同调节,ρ,θ1,θ2,θ3为正的常数。
作为一可选实施例,还包括:
设置模块,用于在每个所述机器人中设置控制器,以基于所述控制器对应控制处于所述围捕编队模式下的所述第一机器人、第二机器人的运动。
作为一可选实施例,所述控制器能够根据所述目标所在位置的预设半径内的其他目标数量、围捕子群内各机器人间的安全距离、围捕子群内各机器人所在位置的机器人密度以及各机器人移动范围内的障碍物而综合确定对应所述第一机器人、第二机器人在围捕所述目标时的运动参数,所述运动参数满足所述第一机器人、第二机器人在运动过程中无异常状态发生,所述异常状态至少包括碰撞、过度聚集、坐标漂移。
作为一可选实施例,所述运动参数包括基于所述控制器对应计算所述第一机器人、第二机器人在不同场景下的运动速度,所述不同场景包括躲避其他目标、机器人、障碍物以及减少机器人的破坏性聚集。
作为一可选实施例,所述控制器基于同一机器人在不同场景下的运动速度的矢量和控制该机器人运动,以实现对所述目标的围捕。
本发明另一实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行以实现如上文中任一项实施例所述的局部信息下的群机器人围捕多目标方法。
进一步地,本发明一实施例还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的局部信息下的群机器人围捕多目标方法。应理解,本实施例中的各个方案具有上述方法实施例中对应的技术效果,此处不再赘述。
进一步地,本发明实施例还提供了一种计算机程序产品,所述计算机程序产品被有形地存储在计算机可读介质上并且包括计算机可读指令,所述计算机可执行指令在被执行时使至少一个处理器执行诸如上文所述实施例中的局部信息下的群机器人围捕多目标方法。
需要说明的是,本发明的计算机存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读介质例如可以但不限于是电、磁、光、电磁、红外线、或半导体的***、***或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储介质(RAM)、只读存储介质(ROM)、可擦式可编程只读存储介质(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储介质(CD-ROM)、光存储介质件、磁存储介质件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、***或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输配置为由指令执行***、***或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、天线、光缆、RF等等,或者上述的任意合适的组合。
另外,本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的***。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令***的制造品,该指令***实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.一种局部信息下的群机器人围捕多目标方法,其特征在于,包括:
发现并确定待捕获的目标;
以发现所述目标的第一机器人作为中心点,同时结合所述第一机器人的邻居机器人的位置创建局部坐标系;
确定所述目标在所述局部坐标系中的位置;
至少基于所述局部坐标系、邻居机器人在所述局部坐标系中的位置、目标在所述局部坐标系中的位置确定参与围捕所述目标的第二机器人,所述第一机器人与第二机器人构成围捕子群;
基于所述局部坐标系,并通过模拟基因和蛋白质间的活动来配合创建对应所述围捕子群的围捕编队模式,所述围捕编队模式用于指导所述第一机器人、第二机器人运动以围捕所述目标。
2.根据权利要求1所述的局部信息下的群机器人围捕多目标方法,其特征在于,所述以发现所述目标的第一机器人作为中心点,同时结合所述第一机器人的邻居机器人的位置创建局部坐标系,包括:
根据与所述第一机器人距离最近的第一邻居机器人的位置确定X轴;
根据分别与所述第一邻居机器人及第一机器人间距离相等的第二邻居机器人的位置确定Y轴;
根据所述中心点、X轴、Y轴创建所述局部坐标系。
3.根据权利要求1所述的局部信息下的群机器人围捕多目标方法,其特征在于,还包括:
所述第一机器人、邻居机器人间均能够相互通信以确定各机器人及目标的位置;
所述至少基于所述局部坐标系、邻居机器人在所述局部坐标系中的位置、目标在所述局部坐标系中的位置确定参与围捕所述目标的第二机器人,包括:
基于所述各机器人及目标的位置计算确定所述邻居机器人及目标在所述局部坐标系中的位置;
基于所述邻居机器人及目标在所述局部坐标系中的位置至少确定满足位置条件的邻居机器人为所述第二机器人。
4.根据权利要求1所述的局部信息下的群机器人围捕多目标方法,其特征在于,所述通过模拟基因和蛋白质间的活动来配合创建对应所述围捕子群的围捕编队模式,包括:
基于下述动力方程产生所需的蛋白质浓度以创建对应所述围捕子群的围捕编队模式:
其中,γj是一个标量值,表示上述方程的环境输入,▽2为拉普拉斯算子,pj表示所述第一机器人直接观察到的和从邻居机器人处间接接收的关于所述目标所在位置的综合蛋白质浓度,g1,g2和g3表示蛋白质浓度,g3由g1和g2共同调节,ρ,θ1,θ2,θ3为正的常数。
5.根据权利要求1所述的局部信息下的群机器人围捕多目标方法,其特征在于,还包括:
在每个所述机器人中设置控制器,以基于所述控制器对应控制处于所述围捕编队模式下的所述第一机器人、第二机器人的运动。
6.根据权利要求5所述的局部信息下的群机器人围捕多目标方法,其特征在于,所述控制器能够根据所述目标所在位置的预设半径内的其他目标数量、围捕子群内各机器人间的安全距离、围捕子群内各机器人所在位置的机器人密度以及各机器人移动范围内的障碍物而综合确定对应所述第一机器人、第二机器人在围捕所述目标时的运动参数,所述运动参数满足所述第一机器人、第二机器人在运动过程中无异常状态发生,所述异常状态至少包括碰撞、过度聚集、坐标漂移。
7.根据权利要求6所述的局部信息下的群机器人围捕多目标方法,其特征在于,所述运动参数包括基于所述控制器对应计算所述第一机器人、第二机器人在不同场景下的运动速度,所述不同场景包括躲避其他目标、机器人、障碍物以及减少机器人的破坏性聚集。
8.根据权利要求7所述的局部信息下的群机器人围捕多目标方法,其特征在于,所述控制器基于同一机器人在不同场景下的运动速度的矢量和控制该机器人运动,以实现对所述目标的围捕。
9.一种群机器人的多目标围捕装置,其特征在于,包括:
第一确定模块,用于发现并确定待捕获的目标;
第一创建模块,用于以发现所述目标的第一机器人作为中心点,同时结合所述第一机器人的邻居机器人的位置创建局部坐标系;
第二确定模块,用于确定所述目标在所述局部坐标系中的位置;
第三确定模块,用于至少根据所述局部坐标系、邻居机器人在所述局部坐标系中的位置、目标在所述局部坐标系中的位置确定参与围捕所述目标的第二机器人;
第二创建模块,用于根据所述局部坐标系,并通过模拟基因和蛋白质间的活动来配合创建对应所述第二机器人的围捕编队模式,所述围捕编队模式用于指导各个所述第二机器人运动以围捕所述目标。
10.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行以实现如权利要求1-8任一项所述的局部信息下的群机器人围捕多目标方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310651389.5A CN116520852A (zh) | 2023-06-02 | 2023-06-02 | 一种局部信息下的群机器人围捕多目标方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310651389.5A CN116520852A (zh) | 2023-06-02 | 2023-06-02 | 一种局部信息下的群机器人围捕多目标方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116520852A true CN116520852A (zh) | 2023-08-01 |
Family
ID=87403068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310651389.5A Pending CN116520852A (zh) | 2023-06-02 | 2023-06-02 | 一种局部信息下的群机器人围捕多目标方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116520852A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148730A (zh) * | 2023-11-01 | 2023-12-01 | 北京航空航天大学 | 一种时变分组编队跟踪控制方法、***及电子设备 |
-
2023
- 2023-06-02 CN CN202310651389.5A patent/CN116520852A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148730A (zh) * | 2023-11-01 | 2023-12-01 | 北京航空航天大学 | 一种时变分组编队跟踪控制方法、***及电子设备 |
CN117148730B (zh) * | 2023-11-01 | 2024-01-16 | 北京航空航天大学 | 一种时变分组编队跟踪控制方法、***及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | A Novel Improved Bat Algorithm in UAV Path Planning. | |
Gan et al. | Multi-UAV target search using explicit decentralized gradient-based negotiation | |
CN113172626B (zh) | 一种基于三维基因调控网络的智能机器人群体控制方法 | |
Petrlík et al. | Coverage optimization in the cooperative surveillance task using multiple micro aerial vehicles | |
CN116520852A (zh) | 一种局部信息下的群机器人围捕多目标方法、装置及设备 | |
CN113359859B (zh) | 一种组合导航避障方法、***、终端设备及存储介质 | |
CN114154383A (zh) | 基于认知搜索策略的多机器人源搜索方案生成方法及*** | |
Shukla et al. | Multi robot path planning parameter analysis based on particle swarm optimization (PSO) in an intricate unknown environments | |
Shvets | Stochastic Multi-Agent Patrolling Using Social Potential Fields. | |
CN111007848A (zh) | 一种基于有界空间的多智能体协同作业控制方法 | |
Tuba et al. | Water cycle algorithm for robot path planning | |
Abiyev et al. | Improved path-finding algorithm for robot soccers | |
Bilbeisi et al. | PSO-AG: A Multi-Robot Path Planning and obstacle avoidance algorithm | |
Masuzawa et al. | Observation planning for environment information summarization with deadlines | |
Farid et al. | Search and tracking in 3D space using a species based particle swarm optimizer | |
Wanasinghe et al. | A Jacobian free approach for multi-robot relative localization | |
Rashid et al. | Polygon Shape Formation for Multi-Mobile Robots in a Global Knowledge Environment. | |
Mishra et al. | A distributed epigenetic shape formation and regeneration algorithm for a swarm of robots | |
Chen et al. | The Convex Uncertain Voronoi Diagram for Safe Multi-Robot Multi-Target Tracking Under Localization Uncertainty | |
Rajan et al. | Optimizing multiagent area coverage using dynamic global potential fields | |
CN117762150B (zh) | 多智能体分布式区域覆盖控制方法、智能体和程序产品 | |
You et al. | Multi-AUV Static Target Search Based on Improved PSO | |
Cayirpunar et al. | Experimental study on the effects of communication range on cooperative robotic search in complex environments | |
Babovic et al. | Sliding Holt algorithm implementation in mobile robots collision detection with dynamic obstacles based on computer vision technologies | |
CN114043476B (zh) | 一种拒止环境下基于粒子群算法的群体机器人控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |