多机器人系统
基于ROS的多机器人协作控制系统设计与实现
基于ROS的多机器人协作控制系统设计与实现随着机器人技术的不断发展，多机器人协作系统在各种领域中得到了广泛的应用。
通过多台机器人之间的有效协作与协调，不仅可以提高工作效率，还能够完成一些单台机器人无法完成的复杂任务。
在实际应用中，如何设计和实现一个高效可靠的多机器人协作控制系统成为了研究的重点之一。
本文围绕展开研究，通过探讨多机器人系统的架构设计、通信协议、路径规划、协作控制策略等方面的内容，旨在为实际应用中的多机器人协作系统提供参考。
首先，多机器人协作系统的架构设计是整个系统设计的基础。
在设计多机器人协作系统时，需要考虑到各个机器人之间的通信、控制指令传递以及任务分配等方面。
一种常见的架构设计是通过控制器对所有机器人进行统一调度和协调，也可以采用分布式控制架构，让每个机器人具有一定的智能和自主决策能力。
其次，通信协议是多机器人协作系统中至关重要的一环。
ROS作为一种流行的机器人操作系统，提供了丰富的通信库和协议，可以方便地实现多机器人之间的通信和数据传输。
在设计多机器人协作系统时，需要选择适合的通信协议，并根据实际需求进行定制化开发，确保系统的稳定性和实时性。
路径规划是多机器人协作系统中的核心技术之一。
通过合理规划机器人的运动路径，可以避免碰撞和冲突，提高系统的效率和安全性。
常用的路径规划算法包括A*算法、D*算法、RRT算法等，可以根据实际场景选择合适的算法进行路径规划，并结合机器人的运动学约束进行优化和校正。
最后，协作控制策略是多机器人协作系统中的关键环节。
通过合理设计控制策略，可以实现多机器人之间的协同工作，提高系统的整体性能。
常见的协作控制策略包括分布式控制、集中式控制、混合式控制等，可以根据具体任务要求和系统性能需求进行选择和优化。
梳理一下本文的重点，我们可以发现，基于ROS的多机器人协作控制系统设计与实现是一个复杂而又具有挑战性的课题。
通过深入研究多机器人系统的架构设计、通信协议、路径规划、协作控制策略等方面的内容，可以为实际应用中的多机器人协作系统提供有益的参考和指导，促进多机器人技朧发展并推动智能制造领域的进步。
多机器人协作控制系统研究
多机器人协作控制系统研究多机器人系统已经成为了机器人领域的研究热点，而一个能够正确控制多个机器人的协作系统也成为了研究的重点。
多机器人协作是指一组机器人通过合作完成某项任务，这个任务可能是在不同的区域中搜索和拾取物体，或者是在生产线上协作完成某项任务。
多机器人协作系统中，机器人之间需要进行通信，传递信息，制定合适的控制策略。
多机器人协作系统的研究，涉及到多个方面的问题。
首先是任务分配问题。
如何将任务分配给不同的机器人，使得系统的效率和性能得到最大化，是一个十分关键的问题。
其次是协作策略的设计问题。
多个机器人之间的协作策略的有效性直接决定了整个系统的性能。
因此，研究对策略的合理设计和优化是十分必要的。
多机器人协作的控制问题也是研究的重点。
多机器人协作的控制是一种高度复杂的任务，需要考虑多个方面的因素。
例如，机器人对环境的感知能力、运动能力、通信能力等。
在实现多机器人协作的控制时，需要考虑这些因素，制定出一套高效的控制策略。
在多机器人协作系统中，机器人的运动控制包括路径规划、轨迹规划等等。
多机器人之间的协作也需要不同的控制策略。
例如，在领头机器人与从机器人之间的协作中，领头机器人需要提供一些信息，如路径规划、任务分配等。
与此同时，从机器人则需要根据这些信息，调整自己的控制策略，保证其与领头机器人之间的协作。
多机器人系统中的控制问题必须通过复杂的算法和控制技术来解决。
例如，需要设计出一套有效的协作算法来实现数据的传递和任务分配。
同时，还需要对多个机器人进行运动规划和控制，以保证其与其它机器人之间的协作质量以及系统的整体性能。
总之，在多机器人协作系统的研究中，控制问题是最核心和关键的问题。
多机器人之间的协作必须通过高效的控制策略来实现。
因此，多机器人系统的控制研究一直是机器人领域的一个热点和难点，需要不断地进行深入研究和探索。
《移动机器人原理与设计》第八章多机器人系统
習題：
1、多機器人比單機器人有什麼優勢？ 2、多機器人系統比單機器人系統複雜在哪些 方面？ 3、查閱資料，總結機器人編隊問題的解決方 法。 4、查閱資料，總結幾種新的定位方 5、查閱資料，總結幾種新的導航方法。
第八章 多機器人系統
• 多機器人協作 • 多機器人定機器人協作的方法
生物學啟發方法 (Bio-inspired Method) 心理學方法 經濟學方法 其他方法 多機器人控制結構問題 多機器人任務分配問題 多移動機器人衝突消解問題 多機器人協作方法的系統可擴展性問題 多移動機器人協作方法的適應性問題
多機器人協作的關鍵問題
8.2 多機器人定位與建圖
多機器人 交替定位建圖方法
三邊法測量原理
基於柵格地圖的複雜環境建圖
兩個機器人協作建圖方法
基於PF-EKF的相對觀測定位方法
綜合利用粒子濾波器和擴展卡爾曼濾波器來實現相對 的定位
基於免疫機理的多機器人建圖方法
人工免疫演算法把抗原與抗體的親和力作為目標函數與 解的匹配程度，抗體間的親和力保證求解的多樣性，通過 計算抗體的期望生存率促進優良抗體的遺傳和變異，用記 憶細胞保存擇優後的可行解並抑制相似解。
多机器人协作系统的任务分配策略
多机器人协作系统的任务分配策略在当今科技飞速发展的时代，多机器人协作系统在各个领域都发挥着越来越重要的作用，从工业生产到医疗救援，从太空探索到家庭服务，它们的身影无处不在。
而在多机器人协作系统中，任务分配策略无疑是关键的一环，它直接影响着整个系统的效率和性能。
想象一下，在一个繁忙的工厂车间里，有多个机器人共同工作。
如果任务分配不合理，可能会导致某些机器人过度劳累，而另一些则闲置无事，这不仅会降低生产效率，还可能增加设备的损耗和维修成本。
同样，在灾难救援现场，若机器人的任务分配不当，可能会延误救援时机，造成无法挽回的损失。
那么，什么是多机器人协作系统的任务分配策略呢？简单来说，就是如何将一系列的任务合理地分配给多个机器人，使得它们能够协同工作，以最高的效率和最好的质量完成任务。
这可不是一件简单的事情，需要考虑众多因素。
首先，要充分了解任务的特点和要求。
不同的任务可能具有不同的复杂度、紧急程度、时间限制等。
有些任务可能需要高精度的操作，而有些则更注重速度和力量。
比如在物流仓库中，搬运重物的任务可能更适合力量型机器人，而分拣小件物品的任务则需要精度较高的机器人来完成。
其次，要清楚每个机器人的能力和特点。
每个机器人都有其独特的性能参数，如运动速度、负载能力、操作精度、续航时间等。
只有了解了这些，才能将合适的任务分配给合适的机器人。
例如，一个续航时间较短的机器人就不适合被分配到距离充电点较远且耗时较长的任务。
接下来，考虑环境因素也至关重要。
工作环境的复杂性、障碍物的分布、空间的大小等都会影响机器人执行任务的效率和安全性。
在狭窄的空间中，大型机器人可能行动不便，而小型机器人则能更灵活地穿梭。
在实际的任务分配中，有几种常见的策略。
一种是集中式分配策略，即由一个中央控制器收集所有任务和机器人的信息，然后进行统一分配。
这种策略的优点是能够全局统筹，做出最优的分配决策，但缺点是对中央控制器的计算能力和通信能力要求较高，一旦中央控制器出现故障，整个系统可能会瘫痪。
自动化系统中的多机器人协作与协调
自动化系统中的多机器人协作与协调自动化系统中的多机器人协作与协调对于工业生产、医疗服务和军事作战等领域具有重要的意义。
随着技术的不断发展，多机器人系统已经成为实现高效、灵活和自主的任务执行的关键。
本文将探讨多机器人协作和协调的意义、方法和挑战。
一、多机器人协作的意义自动化系统中的多机器人协作可以极大地提高任务的效率和质量。
相比于单个机器人执行任务，多机器人系统可以同时处理多个任务，将工作负荷分散到多个机器人上，从而加快任务完成速度。
此外，多机器人协作还可以实现任务的并行执行，大大提高了系统的生产能力。
多机器人协作还可以使整个系统具备更高的灵活性。
当某个机器人出现故障或者需要维护时，其他机器人可以代替其执行任务，避免了任务的中断。
同时，多机器人协作还可以根据任务要求进行任务分配和资源调配，灵活地应对不同的工作场景和需求变化。
二、多机器人协作的方法在实现多机器人协作时，可以采用不同的方法来实现任务的分配、路径规划和目标达成。
首先，任务分配是多机器人协作的基础。
可以利用市场机制、拍卖算法或者协商机制来分配任务。
例如，采用拍卖算法来确定每个机器人执行任务的代价，再根据代价确定机器人的任务分配。
其次，路径规划是保证多机器人协作顺利进行的关键。
可以使用集中式规划或分布式规划的方法来实现路径规划。
集中式规划通过一个中央调度器来规划每个机器人的路径，分布式规划则是由每个机器人根据局部信息进行路径规划。
最后，目标达成是多机器人协作的最终目标。
可以利用协同控制算法来实现机器人之间的协同行为。
协同控制算法可以通过通信、合作或协调来实现机器人之间的目标达成。
三、多机器人协调的挑战多机器人协作与协调也面临着一些挑战。
首先，任务分配问题是一个复杂的优化问题。
需要平衡任务的紧急程度、机器人的能力和任务代价等因素，以最优的方式分配任务。
其次，路径规划问题需要解决机器人之间的碰撞避免和路径冲突等问题。
同时要考虑到机器人的动态性和环境的不确定性。
多机器人协作控制系统的设计与实现
多机器人协作控制系统的设计与实现一、概述现代制造业趋于高度自动化，多机器人协作控制系统可以提高生产效率和质量，同时降低了人工成本。
这种系统使用多台机器人完成单个任务，这可以在快速执行任务时节省时间和劳动力。
本文将探讨多机器人协作控制系统的设计与实现。
二、多机器人协作控制系统的优势1. 提高生产效率和质量：使用多台机器人协作可以实现高效率的生产流程，并且可以保证产品的一致性和质量。
2. 增加生产灵活性：多机器人协作系统可以根据需要容易地配置和重构，以满足不同的生产需求。
3. 减少人工成本：使用多台机器人可以减少雇用大量工人的成本，而且这些机器人可以在24小时内不断工作。
4. 提高工作安全性：在某些危险、重复或高精度的任务中，机器人可以为操作员提供更高的安全性，从而减少工伤事故的发生率。
三、多机器人协作系统的设计步骤多机器人协作系统的设计是一个复杂的过程，包括以下步骤：1.确定系统需求首先，需要明确定义要生产的产品类型以及所需的生产速度和质量。
这个分析阶段的目的是为了理清机器人需要执行的任务，从而为后续的机器人编程和系统设计提供指导。
2. 选择机器人品牌合适的机器人品牌可以确保准确地完成生产任务。
要考虑机器人的尺寸和灵活性，以及它们的操作和维护成本。
3. 机器人程序和编程机器人程序必须精确地执行任务，因此必须使用高级编程语言，例如Java和Python。
编码过程应该通过使用适当的工具来进行可视化编程。
4. 机器人设备和软件集成在开发控制器软件之前，必须确保所有机器人和设备都可以集成工作。
在集成工作时，必须考虑多台机器人并行工作，以确保系统的稳定性。
5. 开发控制器软件控制器软件是该系统的核心，负责管理所有活动，并确保系统的稳定性，高效率，和可靠性。
软件的程序应该通过良好的组件模块化来设计，以便在需要扩展系统时更容易地实现。
四、多机器人协作系统实施时需要注意的问题1. 合理的初始化：在启动前将所有机器人初始化，以确保系统的稳定性。
多机器人协同控制技术的研究
多机器人协同控制技术的研究
多机器人协同控制，也被称之为多机器人系统（MRS），是一系列独
立机器人的有序协同工作管理，通过在空间上控制机器人的行动，将它们
集结起来共同完成特定任务。
多机器人协同控制的最大挑战之一是实现机
器人之间的交互协调。
本文重点介绍多机器人协同控制的技术，包括分布
式协商技术、多代理系统技术、模型驱动技术等。
首先，分布式协商技术是指机器人之间通过信息交换来达成约定的方法，通过协商机制，实现机器人的共同行动。
在传统的分布式协商技术中，机器人的协调由中心节点负责，中心节点是机器人之间的控制单元，其负
责系统的调度、资源分配、任务分配等。
但由于机器人系统的功能、结构
和动态特性的不断变化，传统的分布式协商技术面临着协调过程的慢速和
低效率的困境，因此，研究者们开始探讨新的分布式协商技术，例如基于
自组织的反馈控制，它可以让机器人根据环境变化和目标变化，在多机器
人系统中自主协商共同行动的方式。
其次，多代理系统技术是实现机器人协同控制的一种有效方法，多代
理系统技术可以把多个机器人的行为压缩到一个“软件系统”中，使得每
个机器人都可以独立完成特定的工作。
多机器人协同自主控制系统设计与实现
多机器人协同自主控制系统设计与实现随着机器人技术的不断发展，多机器人系统在各个领域的应用越来越广泛。
多机器人协同自主控制系统是指通过多个机器人之间的协作与协调，实现对复杂任务的高效完成。
本文将对多机器人协同自主控制系统的设计与实现进行探讨。
首先，多机器人协同自主控制系统的设计需要考虑以下几个方面：任务分配与协作、路径规划与避障、通信与数据传输。
任务分配与协作是多机器人协同自主控制系统的核心问题之一。
在任务分配上，需要根据各个机器人的能力和任务要求，合理分配任务，使得每个机器人能够发挥自己的优势，同时保证任务的高效完成。
在任务协作上，需要机器人之间能够相互协同合作，共同解决问题。
例如，在一种搜索救援任务中，有些机器人负责搜索目标，有些机器人负责救援行动，它们之间需要通过通信与协调，实现任务的高效协同。
路径规划与避障是多机器人协同自主控制系统中的另一个重要问题。
路径规划是指为每个机器人规划一条合理的路径，使得它们能够快速有效地到达目标位置。
在路径规划中，需要考虑到机器人的动态特性、环境的动态变化以及其他机器人的运动情况。
避障是指在路径规划过程中，避免机器人与障碍物发生碰撞。
为了实现高效的避障，可以使用传感器技术，如激光雷达、红外传感器等，实时感知环境，避免与障碍物的碰撞。
通信与数据传输是多机器人协同自主控制系统中的基础保障。
机器人之间需要进行实时的信息交流与数据传输，以实现任务分配、路径规划、避障等功能。
为了实现可靠的通信与数据传输，可以采用无线通信技术，如Wi-Fi、蓝牙、RFID等，通过无线网络传输数据，并通过协议确保数据的安全和可靠性。
在多机器人协同自主控制系统的实现过程中，可以使用一些常见的软件和硬件平台，如ROS（机器人操作系统）、Gazebo仿真环境、Arduino开发板等。
ROS是一个开源的机器人操作系统，提供了一些常用的机器人功能包，如导航、感知、规划等，可以方便地实现多机器人协同自主控制系统的开发。
- 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)。
在本文中, 基于自组织映射(SOM)神经网络的任务分配方法被提出用于存在不确定因素的动态环境的多机器人系统。
它能够动态地控制一群移动机器人来实现在不同位置的多个任务以致于预期数量的机器人将从任意的初始位置到达每一个目标位置。
在此方法中，机器人运动与规划任务分配相结合，因此一旦给定全局任务机器人便开始运动。
机器人导航可以保证当存在一些不确定因素，比如一些机器人出故障的情况下动态调整使每个目标位置仍将有预期数量的机器人到达。
该方法能够应对不断变化的环境，其有效性通过仿真实验得到验证。
自1970年代以来多机器人系统在各种各样的任务中已经得到多方面研究。
在将总体任务分为几个子任务、将团队分为单个机器人并同时执行子任务时，移动机器人团队可以很快且高效的完成被分配的任务。
多机器人系统相比单个机器人有更加明显的优势，比如更快的操作，更高的效率和更好的可靠性。
关键的挑战是协调与合作这些机器人完成总体任务时实现令人满意的表现。
多机器人系统的任务分配是控制一群移动机器人使他们到达指定的目标位置, 使每个机器人之间进行协调与合作。
已经有一些有效控制一组机器人移动到目标位置的相关研究。
大多数算法在静态的环境中提出了对任务分配问题，例如，[1]图像匹配算法, [2]单纯的网络算法，[3]分布式拍卖算法, [4]遗传算法，[5]机器人的基本算法，和[6]动态禁忌搜索算法。
这些算法主要关注任务分配问题而不考虑机器人运动问题。
其结果是机器人不能移动直到他们的目的地被指定。
此外,这些方法不能处理移动目标。
分析师et al。
[7]提出了使用出于流体自发的模式形成的模式形成原则，流体加热和冷却从上面可以生成卷或六角模式的算法。
获取自我行为的模式构成原理的关键思想是构建一个合适的动态系统，在此系统中动态变化可以被识别的机器人系统。
该算法执行二维或三维空间中自治移动机器人到目标任务的分配。
然而，它不能用在复杂的情况下，例如多数机器人被分配到同一个目标位置。
此外，这种方法不能够处理移动目标的情况。
受到生物系统自组织导致许多复杂的模式出现在同质细胞现象的启发，沈，开发了称为“数字荷尔蒙模型”的模型，通过假设一个机器人作为一个细胞自组织形成一个全局多机器人系统。
它适用于一些掌握和监控给定区域或建筑物的任务；自主修复全局模式的漏洞; 通过绕道避免陷阱。
为了搜索和锁定目标任务该算法不能处理包含多个目标和动态目标的情况。
如果有两个目标和四个机器人，所有的机器人离一个目标近而远离另一个，结果将导致一个目标吸引所有的四个机器人而另一目标没有机器人到达。
该算法没有考虑机器人之间谈判与合作。
无人驾驶飞行器(无人机) 任务分配的研究有相似的问题，它分配一群无人机通过几个目标位置同时避免威胁。
无人机通常只处理静态环境。
胡，提出了一个解决合作控制方案，通过将全局问题分解成子问题，包括目标任务、路径规划、协调无人机截获、轨迹的生成与遵循。
首先，泰森多边形图法的方法形成一个全局地图，描述了飞机位置、目标位置、威胁点位置和可能减少这种威胁的路径。
基于泰森多边形图法，以每台飞机到每个目标距离中等、中等躲避威胁成本来计算最好的路径。
然后每台飞机被分配到一个目标，最小化了到目标的团队路径长度，最小限度地减少团队威胁曝光，到达目标飞机数量的最大化，最多数量的目标被访问。
在这之后，当目标拦截的时间协调性被考虑时，每辆车到其各自目标的路径将被规划好。
最后，这个路径用来控制每辆车的速度。
当其他一些动态威胁出现后，再重新规划车辆的路径，以避免动态威胁。
这是一个端到端解决方案，着重于几个不同的方面，比如通过泰森多边形图法构建地图、使用博弈论进行目标管理，拦截管理和轨迹生成。
这个解决方案不关注移动目标和动态威胁以及车辆动态性，比如添加新的车辆或一些车辆突然出故障。
由于森多边形图法的限制，此方案不适合动态环境。
其他的研究都集中在优先级控制的小群机器人，通常先将一项任务分成多个子任务，通过机器人之间的竞争以及少量的合作。
宫田康弘，提出了一种处理由一群机器人在一个未知的静态环境下将一个物体从一个地点运输到另一个地点运输问题的方法。
这种方法着重于如何优先的将运输任务分配成许多子任务和如何将子任务分配到不同的机器人。
子任务可能包括搜索工作区，识别需要被移动的对象，移走活动障碍，处理一个对象。
这个任务分配的定义侧重于不同的子任务和这些子任务优先级。
这个方法仅适合小群机器人在静态环境中。
Uchibe，提出了将任务分配给一群机器人的方法，这种方法提前为任务设计模型，然后动态的将模型分配给不同的机器人。
这种方法集中解决模型选择的冲突。
它适合于一个小群机器人有可以分为几个子任务的任务，如，由几个机器人运输物体等。
勃兰特，提出了另一个多机器人系统任务分配问题，并提出了一个解决该问题的算法。
它侧重于通过承包商进行不同任务的创建，以及不同的感兴趣并执行任务的招包者。
招包者与承包单位想要得到最大的好处应协商。
招包者之间更多的是竞争以及很少的合作。
有一些可用的方法来处理动态环境或机器人修改后出现故障。
然而，为了动态环境而更改算法，可能出现稳定问题或额外的计算成本。
虽然有提出了许多神经网络(NN)方法用于机器人系统，但他们中的大多数处理单一机器人或完全已知的环境。
本文中，一种新型的基于自组织映射(SOM)神经网络方法被开发用来解决多机器人系统任务分配问题，侧重于在静态或动态环境有大量的机器人和大量目标的自组织问题。
由于自组织性能，提出的新方法对不确定的动态环境是稳定的、健壮的、合适的。
在提出的方法中，机器人运动规划与任务分配相结合，因此一旦给定全局任务机器人便开始运动。
这群移动机器人可以自动安排整个任务，无论何时环境改变时，比如一些机器人抛锚，一些机器人和一些任务被添加或某些任务修改，动态的调整其运动。
本文组织如下，第二节中定义多机器人系统的任务分配问题。
第三节介绍了基于SOM 神经网络算法多机器人系统任务分配。
第四节中提供仿真任务结果。
简要讨论和一些结论给出建议的方法在分别部分V和VI给出。
在多机器人系统中，主要的挑战是在执行一个任务时多机器人的协调与合作。
在本文中，假设有一群自主移动机器人在有界区域随机的分布，而且一些目标点也随机的分配在这个工作区内。
每一目标需要一个特定数量的机器人在那个位置来完成一项任务。
目标是以最小或接近最小总成本动态分配一组机器人到每一目标附近。
对每个机器人，成本评估是其从初始位置到最终位置的距离。
总成本被定义为每一个机器人成本的总和。
当每个目标所需数量的时，这个任务便完成。
一个示例工作区域和最初的机器人和目标位置被显示在图1，点代表初始移动机器人的位置和方块代表目标位置。
此外，它假定了机器人是具有基本导航避障和位置识别功能的相同移动机人。
本文仅介绍了如何动态分配机器人目标和如何控制移动机器人的运动。
本文的多机器人系统任务分配不仅强调预期数量的机器人到每一个目标位置的分配，而且也减少总机器人旅行距离从他们的初始位置到目标位置，在那里这个目标可以是静态或活动。
受到中枢神经系统普遍存在的皮质地图的启发，Kohonen首先在1980年提出SOM算法，随后得到扩展。
它的理论基础是：在哺乳动物的大脑中存在一段有序的处理单元，每个部分用于特定的任务，每组神经元感应特定类型的输入信号。
术语“秩序”通常指空间排列。
这些单元由那些在某些产生有意义的组织过程中可变的参数来决定。
因为它的普遍适用性和易处理性，该算法很快就成为一个有价值的工具并且应用于许多现实世界的问题。
SOM神经网络方法基于结合竞争学习原理和拓扑神经元的结构，这样相邻神经元有类似权重向量的倾向。
他们有联系相类似的输入输出接近对方能力系，他们的输入更相似，输出地图上的节点越接近。
本文方法提出的动机来自于多机器人系统和SOM算法之间相似的特征和现象。
首先,一个多机器人系统可以被认为是一个当其自身或环境改变时可以改变其基本结构的自组织系统。
第二，SOM 算法的竞争性、合作性和自组织的特点吸引了多机器人系统。
因此，SOM 算法可以适应在动态环境中，控制移动机器人自动实现合作与竞争任务的一个多机器人系统。
该模型着重于在合理的计算时间内多机器人之间的协调，强调降低总成本和每台机器人工作量的平衡。
假设在一个工作区随机分布有K 台机器人和K 个目标。
给定的适用于多机器人系统SOM 神经网络模型在图2中给出。
这个模型有两个层次的神经元。
第一层是包括两个神经元(Xi,Yi)的输入层，这代表二维工作区第i 个目标点的笛卡尔坐标Ti 。
所有目标的坐标构成输入数据集。
第二层是包括KM 神经元(R11,…..RMM)的输出层，这代表K 个人机器人的坐标和计划路径。
在这里，对每台机器人M 个神经元形成一组。
每一个输出层的神经元是与输入层的神经元完全连接。
输出神经元与输入神经元的连接强度是由一个二维的权向量Rkm={Wkmx ，Wkmy}，k=1，2，….K ；m=1,2,…M ，给出的，每台机器人的M 个神经元权重向量随着机器人的初始坐标位置而初始化的。
引入K 组输出神经元的原因是在每台机器人工作量平衡的条件下记录K 台机器人的动态轨迹。
当完成任务分配的过程，M 个目标吸引来自KM 个输出神经元的M 个神经元为K 台机器人形成k 条路径。
每台机器人有自己的路径从初始位置通过几个目标。
所有的M 个目标将被访问。
K 组中M 个神经元序列是机器人路径规划的客观条件。
在自组织网络中，神经元有获得包含输入向量空间特性的权重向量的倾向。
在一开始，网络由权重向量{Wkmx ，Wkmy}，k=1，2，….K ；m=1,2,…M 初始化，这是机器人的初始位置。
目标坐标随着输入数据集在经过一次迭代后以随机顺序在网络中给出。
在每次迭代中， 所有的目标以一个随机的顺序给出，然后每个目标一个接一个的输入到网络，直到输入最后的目标。
这种数据集以随机顺序的输入策略影响该算法的鲁棒性，减少其对初始工作空间结构和输入数据集序列的依赖。
对于一个作为输入的给定目标，输出神经元根据指定的标准[Nk,Nm ]←min{Dikm ，i=1,2...M;k=1,2...K;m=1,2...M;and{k,m}∈⊙}竞争成为赢家，其中[Nk,Nm]表明从第k 组输出神经元而来的第m 个神经元是赢着，⊙是在一次迭代中还没有成为赢家的一系列神经元，加权距离Dikm=|Ti-Rkm|（1+P ），|Ti-Rkm|= 表示欧几里得距离，Rkm={Wkmx ，Wkmy}，k=1，2，….K ；m=1,2,…M ，从第k 组输出神经元而来的第m 个神经元的坐标，参数P 控制的每个机器人工作负载的公平分配，它被定义为p=（Lk-V ）/(1+V)，Lk 是第k 台机器人的路径长度，k=1，2，….K ；V 是机器人路径n 21()j i ij i d xw ==-∑的平均长度。