面向目標(biāo)搜索的群機器人協(xié)調(diào)控制及其仿真研究.pdf

1、群機器人是由數(shù)量眾多、結(jié)構(gòu)和功能相對簡單的自主移動機器人組成的人工群體系統(tǒng)。在自組織機制下,通過有限感知和局部交互涌現(xiàn)群體智能,協(xié)同完成超出單個機器人能力的規(guī)定任務(wù)。其分布式協(xié)調(diào)控制策略源于生物群體的啟發(fā),具有魯棒性強、柔性好、規(guī)模可伸縮等特點。本文針對目標(biāo)搜索任務(wù),通過建立反映生物群體特征的微粒群算法和目標(biāo)搜索問題之間的映射關(guān)系,將前者擴展為群機器人的系統(tǒng)建模和協(xié)調(diào)控制工具,然后圍繞定位、通信、避碰規(guī)劃、信號融合等切實影響類微粒群算法

2、發(fā)揮作用的主要環(huán)節(jié),進行控制策略及其仿真研究。圍繞這些內(nèi)容所進行的工作及其成果如下:
　　 (1)就機器人與微粒的特征異同以及目標(biāo)搜索與函數(shù)尋優(yōu)的作用機理相似性,提出了系統(tǒng)層面上的機器人通信鄰域結(jié)構(gòu)和個體層面上的時變特征群概念,建立了微粒群算法與群機器人目標(biāo)搜索問題之間的映射關(guān)系。在將機器人抽象為二維封閉空間中的運動微粒、將其動態(tài)特性抽象為一階慣性環(huán)節(jié)后,給出了群機器人的擴展微粒群算法模型。在理想條件下基于該模型所做的目標(biāo)搜索仿

3、真實驗,表明了該法的可行性,揭示了主要的算法參數(shù)與控制性能間的關(guān)系。
　　 (2)對于不便部署全局定位系統(tǒng)的搜索環(huán)境,提出了相對定位機制下擴展微粒群算法模型的形式化描述。首先由機器人的有限能力特性引入了短期記憶機制,根據(jù)機器人僅能記憶當(dāng)前時刻和上一時刻的位置及相應(yīng)信號的特點,確定了個體的最優(yōu)認知位置和特征群的最優(yōu)位置。由此,基于機器人的當(dāng)前位置與個體認知位置和特征群最優(yōu)位置間的相對觀測距離和方位,確定了下一時刻個體坐標(biāo)系下的期望

4、速度和位置。仿真結(jié)果表明了該法的可行性,但也發(fā)現(xiàn),系統(tǒng)的運行效率低于絕對定位機制下的目標(biāo)搜索。
　　 (3)針對機器人之間的通信交互對控制算法效率的影響,提出了將個體認知和特征群共享信息分別更新的異步通信原則。機器人在各時間步采樣后按擴展微粒群算法模型計算下一時刻的進化速度和位置,并隨時更新自身認知,但對所記憶的關(guān)于特征群共享信息的更新則只在自身發(fā)現(xiàn)了更佳的特征群位置或監(jiān)聽到鄰居機器人已對共享信息進行了更新時才進行。在此基礎(chǔ)上,

5、提出了基于通信周期和基于期望進化位置的異步通信策略。仿真結(jié)果表明,搜索算法中嵌入期望進化位置的異步通信策略后,系統(tǒng)具有較高的搜索效率。
　　 (4)針對機器人具有質(zhì)量和物理尺寸,并受非完整運動學(xué)特性約束,且非結(jié)構(gòu)化環(huán)境中存在障礙物和其他機器人的問題,提出了群機器人的避碰規(guī)劃問題。首先基于機器人的多傳感器結(jié)構(gòu),改進了人工勢場法,并與擴展微粒群算法模型進行了有效集成。將各個時刻計算得到的一系列期望位置分別作為臨時目標(biāo),對機器人產(chǎn)生吸

6、引力,而接近傳感器探測范圍內(nèi)的障礙物對其產(chǎn)生排斥力。合力決定了機器人的運動方向。而機器人在向臨時目標(biāo)移動過程中須服從自身的運動學(xué)特性約束。由此,確定了輸入機器人控制器的控制向量,直至無碰撞地接近目標(biāo)。仿真結(jié)果表明了該法的有效性。
　　 (5)針對位置評價以機器人對目標(biāo)信號的檢測為基礎(chǔ),且非結(jié)構(gòu)化環(huán)境中目標(biāo)信號具有多源異類等特點,故以一類典型的多源異類信號的傳播環(huán)境為背景,提出了機器人對間歇性呼救聲、周期性無線射頻電磁波和連續(xù)性擴

7、散瓦斯等實時性異類信號的融合框架。令目標(biāo)和機器人分別作為信源和信宿,用單個信源和多個信宿之間各自獨立的虛擬連續(xù)通信描述目標(biāo)信號的檢測過程。由此,給出了信源信號的三位二進制編碼表。再引入二值邏輯,基于檢測閾值提出了信宿側(cè)的感知事件概念。然后,利用不同種類信號所具有的統(tǒng)計分布特性、可能籍此進行目標(biāo)定位時的不同定位性質(zhì)及精度,基于信息熵準(zhǔn)則確定了不同種類信號對融合值的貢獻度(權(quán)向量),對檢測值進行歸一化處理后作為信號的區(qū)分度,以此將異類信號融