移动机器人编队的运动控制策略
移动机器人的导航与运动控制算法研究

移动机器人的导航与运动控制算法研究随着科技的快速发展,移动机器人已经成为现实生活中的一部分。
移动机器人的导航与运动控制算法的研究,对于实现机器人智能化、自主化以及高效性具有重要意义。
本文将对移动机器人导航与运动控制算法的研究进行探讨,并介绍目前主流的几种算法。
移动机器人的导航算法主要包括路径规划、环境感知和定位。
路径规划是机器人从当前位置到目标位置的路径选择,环境感知则是机器人通过传感器获取周围环境信息,以便更好地进行路径规划和避障,而定位则是机器人获取自身位置信息的过程。
在路径规划方面,A*算法是一种常用的搜索算法,它通过建立搜索树来找到最短路径。
A*算法的核心思想是同时考虑启发式函数和实际代价函数,以选择最佳路径。
此外,Dijkstra算法和D*算法也常用于路径规划。
Dijkstra算法通过计算节点之间的最短距离来确定路径,而D*算法则是在遇到环境变化时,可以通过增量式的方式进行路径更新。
在环境感知方面,移动机器人通常会配备各种传感器,如摄像头、激光雷达和超声波传感器等。
这些传感器可以帮助机器人感知周围的障碍物、地图等环境信息。
通过对环境信息的获取和处理,机器人可以根据目标位置和现实环境进行综合考虑,以便找到最佳路径。
定位是移动机器人导航算法的重要一环。
目前常用的定位方法包括惯性导航系统(INS)、全局定位系统(GPS)和视觉定位等。
INS通过测量机器人的线性加速度和角速度来估计其位置和姿态,而GPS则是通过接收卫星信号来获取机器人的经纬度信息。
视觉定位则是利用摄像头获取环境图像,通过图像处理和特征匹配来确定机器人的位置。
在运动控制方面,控制算法的设计主要涉及机器人的轨迹跟踪和姿态控制。
轨迹跟踪是指机器人按照指定的路径进行运动,并通过不断调整控制参数,使机器人能够更好地跟踪预定轨迹。
姿态控制则是指机器人根据期望姿态和当前实际姿态之间的差距,通过控制器进行调整,以使机器人能够保持稳定。
常见的轨迹跟踪算法包括PID控制、模糊控制和神经网络控制等。
智能机器人系统的控制策略与路径规划技巧

智能机器人系统的控制策略与路径规划技巧智能机器人系统的控制策略与路径规划技巧是实现机器人自主运动和智能决策的关键。
随着科技的不断发展,智能机器人系统在各行各业的应用越来越广泛,因此控制策略和路径规划技巧的优化显得尤为重要。
本文将探讨一些常见的控制策略和路径规划技巧,并分析其优缺点。
一、控制策略1. 解耦控制策略解耦控制策略是指将机器人的不同自由度分开进行控制,以达到提高运动效果和增强控制精度的目的。
一种常见的解耦控制策略是基于PID(比例、积分、微分)控制的方法。
PID控制器根据目标位置和当前位置之间的差异进行调整,通过不断修正机器人的位置和姿态,实现精确控制。
2. 协调控制策略协调控制策略是指将机器人的多个自由度进行协同控制,以实现复杂任务的完成。
一种常见的协调控制策略是基于反馈控制的方法。
通过传感器获取环境信息和机器人状态,将其作为反馈信号,并根据特定的控制算法进行实时调整,从而使机器人能够适应复杂的环境和任务需求。
3. 强化学习控制策略强化学习控制策略是近年来兴起的一种基于智能算法的控制方法。
该方法通过让机器人与环境进行交互,根据不同动作的结果进行反馈优化,从而使机器人能够逐步学习并提高自己的控制能力。
强化学习控制策略在复杂任务和动态环境下表现出色,但也存在训练时间长、对初始状态敏感等问题。
二、路径规划技巧1. 规划算法选择路径规划是指在给定起点和终点的情况下,确定机器人在空间中的具体路径。
常见的路径规划算法包括A*算法、D*算法和遗传算法等。
在选择路径规划算法时,需要根据具体的任务需求和环境条件进行权衡。
如A*算法适用于静态环境下的最短路径规划,而D*算法适用于动态环境下的在线路径规划。
2. 环境建模和感知在路径规划过程中,准确的环境建模和感知是关键。
机器人需要通过传感器获取周围环境的信息,如障碍物的位置、形状和大小等。
然后将这些信息以合适的方式表示出来,建立环境地图。
基于环境地图,机器人可以进行路径规划,并避开障碍物,安全到达目标位置。
机器人的运动规划与控制

机器人的运动规划与控制机器人是一种能够自主工作的机械设备。
为了实现高效的工作任务和提高安全、保障功能的实现,机器人的设计与控制方面的技术也取得了显著的进展。
机器人的运动规划与控制是机器人行走的核心机制,是一项极为重要的技术。
本文将重点讨论机器人的运动规划及其应用。
一、机器人运动规划的概念及意义机器人运动规划是指机器人在对环境有所了解的情况下,通过某种算法或方法,自主计划机器人的运动轨迹和速度。
机器人运动规划是机器人控制的核心问题之一,其目的是要求机器人能够顺利地完成各种任务,使机器人能够实现更加稳定和柔性的行动能力,从而提高机器人的自主性和应用能力。
机器人运动规划在工业、医疗、安防、教育等领域中应用广泛,已成为现代工业趋势的重要组成部分,如机器人钢铁作业、精密装配工业、智能家居应用、空中和水下机器人等。
二、机器人运动规划的基本方法机器人运动规划的基本方法包括位姿规划和轨迹规划两种方式,其中位姿规划是指确定机器人位姿(包括位置和方向),轨迹规划是指确定机器人从当前位姿到达目标位姿的轨迹。
1、位姿规划位姿规划常用的方法有最小二乘法、插值法和三次B样条曲线等。
其中最小二乘法能够实现机器人的误差最小化,插值法能够保证机器人轨迹优化,而三次B样条曲线则能够平滑地调节机器人的运动方向和速度,使机器人能够更加快速和平滑地完成任务。
2、轨迹规划轨迹规划主要分为离线规划和在线规划。
离线规划是指机器人的运动规划在实际运行前就已经规划好,而在线规划是指机器人根据不断变化的环境信息进行即时规划。
常用的轨迹规划算法有基于逆向学习的马尔科夫决策过程算法、基于优化目标函数的算法、基于机器学习的算法等。
三、机器人运动控制的实现方法机器人运动控制是指在确定机器人轨迹和速度的基础上,根据机器人的控制策略,实现机器人的实时控制和调整。
机器人运动控制有许多实现方法,包括PID控制、模糊模型控制、神经网络控制、强化学习控制等。
其中,PID控制是应用最广泛的一种运动控制方法,其控制精度较高,但要求系统模型具有线性特性。
轮式移动机器人的运动控制算法研究

轮式移动机器人的运动控制算法研究一、引言随着科技的不断发展,移动机器人在工业、医疗、农业等领域的应用越来越广泛。
轮式移动机器人作为一种常见的移动机器人形式,其运动控制算法的研究对于机器人的稳定性和灵活性至关重要。
本文将分析和探讨轮式移动机器人的运动控制算法,旨在提高机器人的运动精度和效率。
二、轮式移动机器人的构成及运动模型轮式移动机器人通常由车身和多个轮子组成。
其中,车身是机器人的主要构成部分,承载着各种传感器和控制器。
轮子是机器人的运动装置,通过轮子的不同运动方式实现机器人的运动。
轮式移动机器人的运动可以通过综合考虑轮子之间的相对运动得到。
通常,可以使用正运动学和逆运动学模型来描述轮式移动机器人的运动。
正运动学模型是通过已知车体姿态和轮子转速来计算机器人的位姿。
逆运动学模型则是通过给定车体姿态和期望位姿来计算轮子转速。
根据机器人的结构和机械特性,可以选择不同的运动控制算法来实现轮式移动机器人的运动控制。
三、经典的轮式移动机器人运动控制算法1. 基于编码器的闭环控制算法基于编码器的闭环控制算法是一种常见的轮式移动机器人运动控制算法。
它通过测量轮子的转速,并结合期望速度,计算控制指令,控制轮子的转动。
该算法可以提高机器人的速度控制精度和跟踪性能。
2. PID控制算法PID控制算法是一种经典的控制算法,常用于轮式移动机器人的运动控制中。
它根据偏差信号的大小和变化率来调整控制指令,使机器人在运动过程中保持稳定。
PID控制算法具有简单、易理解和易实现等优点,但在一些复杂情况下可能需要进一步优化。
3. 最优控制算法最优控制算法是指在给定一组约束条件下,使机器人的目标函数最优化的控制算法。
在轮式移动机器人的运动控制中,最优控制算法可以通过解决优化问题,提高机器人的运动效率和能耗。
最优控制算法可以结合局部规划和全局规划来实现机器人的路径规划和运动控制。
四、轮式移动机器人运动控制算法的发展趋势随着机器人技术的不断发展和应用需求的不断提高,轮式移动机器人运动控制算法也在不断演进和改进。
移动机器人运动控制研究综述

移动机器人运动控制研究综述移动机器人运动控制是机器人领域中的重要研究方向,其目标是实现机器人在现实环境中灵活自如地运动和导航。
随着现代机器人技术的快速发展,移动机器人运动控制的研究也取得了许多重要进展。
本文将综述移动机器人运动控制的研究现状和主要方法。
首先,移动机器人运动控制的研究可以分为传统方法和学习方法两大类。
传统方法主要包括路径规划、定位与建图以及运动控制三个方面。
路径规划是指确定机器人在环境中的最佳运动路径,常用的方法有基于图的算法、基于模型的方法和基于概率的方法等。
定位与建图是指利用传感器信息获取机器人在环境中的位置和地图信息,主要包括SLAM (Simultaneous Localization and Mapping)算法和基于特征点识别的方法。
运动控制是指在确定路径和地图后,采取控制策略使机器人按照预定路径和目标进行运动。
学习方法是近年来移动机器人运动控制研究的新趋势,主要包括强化学习、深度学习和迁移学习等。
强化学习在移动机器人运动控制中的应用主要通过机器学习算法训练一个智能体(agent)来学习最优的运动策略。
深度学习则利用神经网络模型对传感器数据进行处理和特征提取,从而实现机器人的感知和决策能力。
迁移学习利用已有的知识和经验,将其迁移到新环境中的运动任务中,从而加快机器人运动控制的学习过程。
此外,移动机器人运动控制还面临一些挑战和问题。
首先是环境的不确定性和复杂性,包括动态障碍物、非结构化环境和不可预料的外部干扰等。
其次是路径规划和运动控制的实时性和效率要求,特别是在复杂环境中需要实时应对变化的情况。
最后是机器人与环境的交互问题,包括人机交互、多机器人协同和安全性等方面。
综上所述,移动机器人运动控制是一个复杂而关键的研究领域。
传统方法和学习方法都有各自的优势和局限性,未来的研究方向将是结合两者的优点,开发更加灵活、智能和高效的移动机器人运动控制方法,以满足实际应用需求。
同时,还需要进一步深入研究移动机器人与环境的交互问题,提高机器人的环境感知和适应能力,实现更加安全和可靠的移动机器人运动控制。
移动机器人编队的运动控制策略

关键词 : 移动机 器人 编队 ; 队形参数化 ; 动控 制 ; 运 虚结构
中图分类号 : P 4 . T'26 2 文献标志码 : A
M o in o t o t a e y f r m o ie r b tf r a in to c n r lsr t g o b l o o o m to
di1 .7 4 S ..0 72 1. 3 1 o:0 32 / P J1 8 .0 0 3 2 1
移 动 机 器 人 编 队 的运 动 控 制 策 略
梁 家 海
(. 1 北京工业大学 电子信息与控制工程学 院 , 北京 10 2 ; 2 钦州学院 数学与计算机科学学院 , 0 14 . 广西 钦州 5 5 0 ) 3 00
a d s l e h r b e o b t ce a d c l so v ia c rt e r b tfr t n t e c ed s n t n h a i fr t n n o v d t e p o l m fo sa l n ol i n a od n e f h o o ma i r a h t e t a i .T e b sc oቤተ መጻሕፍቲ ባይዱma i i o o o o h i o o w s a ay e n h d a o r t n p rmee iain wa r s n e .P rmer t e t a mo e se t bih d f rte a n lz d a d t e ie f omai a a t r t sp e e td f o z o aa ti mah mai l d l c c wa sa l e h s o
( zl @ 13 cr) qu h 6 .o j n
摘
要 : 实现 移动机器人编 队的 多样性 、 定性 和队形 变换连续性 , 为 稳 并解 决移动机 器人 编队运动 中的避 障 、 避
机器人运动规划与控制

机器人运动规划与控制近年来,随着机器人技术的不断发展,机器人在各方面应用越来越广泛。
然而,机器人的运动规划和控制一直是机器人技术中的瓶颈问题。
本文将重点探讨机器人运动规划与控制的相关知识。
一、机器人运动规划机器人运动规划是指规划机器人在空间中的运动轨迹,使其能够按照既定的路径完成任务。
机器人运动规划包括路径规划和轨迹生成两个方面。
1、路径规划路径规划是指根据机器人的运动要求和环境特点,在给定的场景中寻找一条合适的路径,使机器人能够从起点到达终点,并且避开障碍物和危险区域。
路径规划的主要目标是最短时间、最短距离、最小能耗、最小误差等。
路径规划方法主要包括全局搜索算法、局部搜索算法和随机搜索算法三种。
其中,全局搜索算法采用整个环境的信息进行搜索,局部搜索算法只考虑当前位置周围区域的信息,随机搜索算法则是根据机器人各关节的运动范围,在指定的区域中随机搜索路径。
2、轨迹生成轨迹生成是指根据规划出的路径和运动要求,通过数学模型计算机器人运动轨迹,产生机器人运动控制信息,使其沿着规划路径进行运动。
轨迹生成是机器人运动规划中的重点和难点。
在实际应用中,由于机器人关节自由度较高,路径规划产生的路径可能并不是由机器人运动的实际轨迹,需要设计合理的轨迹生成算法来解决这一问题。
二、机器人运动控制机器人运动控制是指控制机器人按照规划好的轨迹进行运动,使其能够完成既定任务。
机器人运动控制包括开环控制和闭环控制两种。
1、开环控制开环控制是指根据机器人运动规划产生的轨迹,直接执行控制命令,以使机器人按照规划好的路径进行运动。
开环控制方法简单、控制量容易计算,但由于没有反馈控制,所以对外部干扰容易敏感,控制精度不高。
2、闭环控制闭环控制是指通过传感器对机器人运动过程进行反馈控制,使其按照规划好的路径进行运动。
闭环控制方法通过测量机器人的实际运动状态,与期望运动状态进行比较,计算误差,并根据误差大小执行控制命令。
闭环控制方法对机器人运动过程中的干扰具有一定的抗干扰能力,表现出一定的控制精度和稳定性。
轮式移动机器人动力学建模与运动控制技术

WMR具有结构简单、控制方便、运动灵活、维护容易等优点,但也存在一些局限性,如对环境的适应性、运动稳定性、导航精度等方面的问题。
轮式移动机器人的定义与特点特点定义军事应用用于生产线上的物料运输、仓库管理等,也可用于执行一些危险或者高强度任务,如核辐射环境下的作业。
工业应用医疗应用第一代WMR第二代WMR第三代WMRLagrange方程控制理论牛顿-Euler方程动力学建模的基本原理车轮模型机器人模型控制系统模型030201轮式移动机器人的动力学模型仿真环境模型验证性能评估动力学模型的仿真与分析开环控制开环控制是指没有反馈环节的控制,通过输入控制信号直接驱动机器人运动。
反馈控制理论反馈控制理论是运动控制的基本原理,通过比较期望输出与实际输出之间的误差,调整控制输入以减小误差。
闭环控制闭环控制是指具有反馈环节的控制,通过比较实际输出与期望输出的误差,调整控制输入以减小误差。
运动控制的基本原理PID控制算法模糊控制算法神经网络控制算法轮式移动机器人的运动控制算法1 2 3硬件实现软件实现优化算法运动控制的实现与优化路径规划的基本原理路径规划的基本概念路径规划的分类路径规划的基本步骤轮式移动机器人的路径规划方法基于规则的路径规划方法基于规则的路径规划方法是一种常见的路径规划方法,它根据预先设定的规则来寻找路径。
其中比较常用的有A*算法和Dijkstra算法等。
这些算法都具有较高的效率和可靠性,但是需要预先设定规则,对于复杂的环境适应性较差。
基于学习的路径规划方法基于学习的路径规划方法是一种通过学习来寻找最优路径的方法。
它通过对大量的数据进行学习,从中提取出有用的特征,并利用这些特征来寻找最优的路径。
其中比较常用的有强化学习、深度学习等。
这些算法具有较高的自适应性,但是对于大规模的环境和复杂的环境适应性较差。
基于决策树的路径规划方法基于强化学习的路径规划方法决策算法在轮式移动机器人中的应用03姿态与平衡控制01传感器融合技术02障碍物识别与避障地图构建与定位通过SLAM(同时定位与地图构建)技术构建环境地图,实现精准定位。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
移动机器人编队的运动控制策略作者:梁家海来源:《计算机应用》2011年第12期摘要:为实现移动机器人编队的多样性、稳定性和队形变换连续性,并解决移动机器人编队运动中的避障、避碰、到达目标的问题,对基本队形进行分析,提出队形参数化的思路,建立基本队形虚结构的参数化数学模型,通过调整参数使队形在基本队形及其衍生的队形间进行变换;机器人在运行的过程中,利用行为融合方法、跟随领航者法、人工势场法和虚结构法对机器人进行运动控制,实现了机器人的避障、避碰、队形归建等目标。
对上述策略进行了仿真实验,实验结果表明,使用本策略既保留了虚结构法队形稳定、队形归建迅速的优点,又改进了其灵活性差的不足。
关键词:移动机器人编队;队形参数化;运动控制;虚结构中图分类号: TP242.6 文献标志码:AAbstract: This paper studied how to achieve the diversity, stability and continuity of formation change for mobile robots,and solved the problem of obstacle and collision avoidance for the robot formation to reach the destination. The basic formation was analyzed and the idea of formation parameterization was presented. Parametric mathematical model was established for the virtual structure of basic formation. Formation alternated between basic formation and derivative formation by adjusting the parameters. Robot motion can be controlled by using behavior fusion method, follow pilot method, artificial potential field method and virtual structure method. The simulation and experimental results show that this strategy not only retains the advantage of stability and rapid formation of virtual structure method but also improves flexibility.Key words: mobile robot formation; formation parametrization; motion control;virtual structure移动机器人编队是一个具有典型性和通用性的多机器人协调问题,是多机器人协调问题的基础。
所谓编队控制是指多个机器人在到达目的地的过程中,保持某种队形,同时又要适应环境约束(例如存在障碍物或者空间的物理限制)的控制技术。
通过研究开发及实用化,该技术在工农业生产、柔性制造、无人探险(海洋、太空、核环境),特别是在国防工业中的巨大应用前景逐步表现出来。
目前实现编队主要方法有产生式方法、行为融合方法、跟随领航者法、虚结构法等[1-3],这些方法都有着不同的优、缺点。
产生式方法的优点是反应速度很快,缺点是规则不容易制定。
行为融合方法的优点是每个机器人都可以兼顾到各种行为,完成各种行为的功能,同时控制意义明确利于实时控制;缺点是各子行为的融合具有不可知性,且融合的方法不容易确定,队形难以确定。
跟随领航者法优点是仅仅给定领航者的行为或轨迹就可以控制整个机器人群体的行为,缺点是保持队形困难。
虚结构法的优点是容易制定队列的策略并且在稳定性上有保证,缺点是队形缺乏灵活性[4-5]。
本文提出了一种融合了行为融合方法、跟随领航者法、虚结构法主要思想,并结合人工势场法的多机器人编队控制方法,能较好地克服上述方法存在的不足。
1 主要思想在军事上,美军机械化突击分队在战场上有四种标准队形,分别为一字形队形、单列纵队形、菱形队形和楔形队形[6],如图1所示。
这四种队形也被称为移动机器人编队的基本队形,移动机器人编队在工作过程中,常常需要根据执行的任务、环境等因素的变化而改变队形[7],许多的队形由这几种基本队形变形而来[8]。
通过对基本队形的分析,我们发现每个基本队形都可以用函数进行表示,而修改基本队形的函数的参数,可以使其变换到另一种基本队形或其衍生的队形。
基于这一特点,结合虚结构法建立基本队形的虚结构,将基本队形进行函数化,建立参数化的基本队形的虚结构数学模型,通过调整参数使队形在四个基本队形及其衍生的队形间进行连续的变换。
然后,建立每个机器人与队形顶点一一对应的关系,并设定一个领航机器人,领航机器人引领整个编队奔向最终目标点,其他机器人按照随领航者法奔向其对应的顶点。
机器人在运行的过程中,利用行为融合方法、人工势场法和队形变换法进行避障、避碰。
这样使对机器人编队的控制转换为对参数的调整,既提高了队形稳定性、多样性,实现避障、避碰、到达终点的功能,又克服了灵活性差的不足。
2 机器人编队数学模型及运动控制机器人编队数学模型是机器人编队几何图形中各顶点位置关系的抽象,通过机器人编队的数学模型可以计算出队形中各顶点的位置;利用人工势场法等方法建立机器人的运动控制模型,实现对机器人编队的运动控制。
2.1 机器人编队数学模型通过对基本队形的分析,我们将基本队形表示在同心圆上,为领航机器人,其坐标为,为第i个机器人,其坐标为,如图2所示。
依据图中所示的关系,建立各队形的数学模型。
1)一字形队形、单列纵队形。
一字形队形、单列纵队形用同一个数学模型来表示,定义如式(1)所示--其中:α为队形的倾角,改变α的值队形的方向随之变化,当时为一字形队形,α=90时为列纵队队形;γ为机器人间的距离,如图2(a)所示。
2)楔形队形。
楔形队形的数学模型如式(2)所示--1)-其中:α为队形的方向角,β为队形的夹角,γ为机器人间的距离,如图2(b)所示。
3)菱形。
菱形队形的数学模型如式(3)所示:-其中:β为队形的夹角,γ为菱形内切圆的半径,n为编队机器人的数量,如图2(c)所示。
对以上四个基本队形的数学模型进行综合,建立如下的基本队形通用数学模型:-M×γ+(--(-式(4)中,M、G、Q、K、P、H为队形的调速参数,其他参数意义同上。
通过对这些参数的修改不但可以实现四种基本队形间的变换,而且对每一种基本队进行变形,实现了队形的连续变化。
2.2 机器人编队运动控制虚结构法在队形保持方面具有良好的控制能力,但不能解决编队在避障和防撞的问题;跟随领航者法能较好解决编队奔向目标上的问题;行为融合方法解决了机器人编队在复杂环境中的避障和防撞问题。
本文将机器人编队的运动过程看做是以上三种控制方法共同作用的结果,每一种控制方法对编队的影响力通过人工势场来实现。
因此,通过建立每一种方法对编队中的机器人的人工势场,从而融合行为融合方法、跟随领航者法、虚结构法对机器人编队的控制能力,使这三种方法扬长避短。
具体的实现过程是:首先指定一个机器人作为编队的领航者(Leader),建立目标点对领航者的人工势场;然后以领航者用作为队形的参照点,利用编队的数学模型计算出队形的所有顶点作为虚结构法队形控制点,建立每个机器人与顶点一一对应的关系,建立顶点对除领航者外所有其他机器人的人工势场;再建立机器人之间的人工势场及障碍物对机器人的人工势场,最后根据行为融合的思想将机器人的运动分解为目标跟随运动、避障运动、机器人间的防撞运动,每一种运动都是受相关的势场力的作用的结果,如图3所示,合力的方向和强度决定了机器人最终运动的方向和速度。
1)目标跟随运动。
对于领航者而者,跟随运动的目标是整个编队的目标,对于其他机器人而言,跟随运动的目标是该机器人所对应的队形顶点。
目标对相关的机器人产引力势场,从而对该机器人产生引力,引力场函数如式(5)所示:其中是一个正的引力比例因子,K目标点吸引力强度,是机器人q和目标之间的距离。
相应的斥力函数可表示如下:-2)避障运动。
避障运动是由于障碍物对机器人所产生产斥力引起,避障运动的方向和速度取决于障碍物对机器人的斥力强度和方向,斥力如下式所示。
-其中:η是一个正的斥力比例因子为机器人到障碍物的距离为障碍物的影响距离,超出了这个距离,障碍物对机器人就没有斥力的作用。
3)机器人间的防撞运动。
为了防止机器人相互碰撞,设计了机器人间人工斥力势场,每个机器人对其他机器人所产生的势力的数学模型与障碍物斥力模型相同,如式(7)所示,每个机器人的所受的斥力为其他机器人对该机器的所施加的斥力合力,如式(8)所示。
机器人总受力为目标点的吸引力、所有障碍对其产生的斥力及所有机器人对其产生的斥力的合力,即:机器人的运动方向为合力的方向,机器人的运动速度与其所受有合力成正比,即:其中λ为合力、速度比例因子。
3 仿真实验及结果分析本研究的仿真程序设计采用Visual C# 2005进行开发,仿真显示在计算机的绘图空间内进行;机器人设计为智能体(Agent),机器人能感知自己的位置信息,并通过通信获知其他机器人的位置信息。
障碍物为4个圆形的二维障碍物,其位置和大小在一定的范围内随机生成,分别进行了队形变换的仿真实验和避障、避碰仿真实验。
1)队形变换仿真。
队形变换仿真测试了机器人编队四种队形变换的过程,队形的数学模型为式(4),定义t 为仿真过程的时间。
t=0时刻,随机产生5个机器人,仿真参数设为M=0,G=1,Q=0,K=1,P=0,H=1,β=0,α=90,γ=70,在t=39时刻,机器人列排成单列纵队,如图4(a)所示;在t=40时刻队形的倾角α设为45°,其他参数不变,编队经过41个单位时间,在t=81时刻,编队变换成45°的斜队形,如图4(b)所示。
在时刻队形参数设为:M=1,G=1,Q=0,K=2,P=1,H=(-,β=0,α=90,γ=70,在t=141时刻,编队变换成楔形队形,如图4(c)所示;在t=142时刻队形参数设为:M=1,G=1,Q=0,K=1,P=0,H=360/n,β=0,γ=70,在t=267时刻,编队变换成菱形队形,如图4(d)所示。
从仿真的过程中,可以看出机器人编队能随着参数的改变迅速改变队形,队形准确且稳定性好;在队形的变换过程中,机器人能避免互相碰撞。