多移动机器人编队控制
对队形控制的思考
第20卷第6期V o l .20N o.6 控 制 与 决 策 Con trol and D ecision 2005年6月 June 2005 收稿日期:2004206204;修回日期:2004208230. 作者简介:任德华(1976—),男,四川眉山人,博士生,从事智能机器人、多机器人系统等研究;卢桂章(1938—),男,广东广州人,教授,博士生导师,从事智能机器人、信息自动化系统等研究. 文章编号:100120920(2005)0620601206对队形控制的思考任德华,卢桂章(南开大学机器人及信息自动化研究所,天津300071)摘 要:首先指出多机器人队形控制研究要解决的主要问题,并较为完整地阐述了当前国内外相关研究的状况.然后总结了队形控制的各种研究方法,并指出当前队形控制研究中存在的一些问题以及在实际设计队形控制系统时应考虑的问题.最后指出了今后的研究方向.关键词:多机器人系统;队形控制;合作控制中图分类号:T P 24 文献标识码:ATh i nk i ng i n formation con trolR EN D e 2hua ,L U Gu i 2z hang(Institute of Robo tics andInfo r m ati on A utom atic System ,N ankai U niversity ,T ianjin 300071,Ch ina .Co rrespondent :R EN D e 2hua ,E 2m ail :rdh @m ail.nankai .edu .cn )Abstract :A n introducti on in the field of m ulti 2robo t fo r m ati on contro l is p rovided w ith a focus on the vari ous m ethods that have been put fo r w ard by researchers.T he w o rk s had been done in the field are review ed .T he vari ous m ethods are described and compared .T he som eth ing that is m issing in current research and the facto rs that m ust be considered in designing a m ulti 2robo t fo r m ati on system are po inted out .A t last ,the directi ons of further research are p ropo sed .Key words :m ulti 2robo t system ;fo r m ati on contro l ;cooperative contro l1 引 言 队形控制的思想起源于人们从生物界观察到的现象:处于弱势的一方围成一定的队形将老弱者保护起来,并抵抗另一方的攻击;捕食者组成一定的队形协助捕食猎物.这种队形是动物合作的一种方式,以利于自身生存.对于机器人系统而言,多机器人之间保持一定的队形具有以下优点:1)能充分获取当前的环境信息,对于实现侦察、搜寻、排雷、安全巡逻等有利.单个机器人的传感器获取信息的能力总是有限的,如果每个机器人保持一定的队形,分工合作获取自己周围的环境信息,再进行信息融合,便可迅速准确地感知整个群体所在区域环境信息.2)在对抗性环境中能增强多机器人系统抵抗外界进攻的能力.3)在一些具体任务中,保持恰当的队形能加快任务的完成,提高工作效率.4)能提高系统的鲁棒性.另外从某种意义上,飞行器或卫星等也可以看作机器人,因此研究多机器人的队形控制问题,对于飞行器或卫星等的编队也有指导意义.基于队形控制的多机器人系统在军事、娱乐、生产等各个领域具有广阔的应用前景,自1990年以来受到众多研究者的广泛关注.特别是随着网络技术、通信技术、计算机科学等信息技术领域的长足进步,使得单个机器人的处理能力、感知能力、通信能力大大增加,并从实验室走向开放的自然环境,这为多机器人队形控制的研究提供了一个良好的平台.美国研究机构对队形控制的研究比较早,Geo rgia T ech M ob ile Robo t L ab 结合DA R PA 的U GV (unm anned ground veh icle )D em o 研究了基于行为的队形控制方法[1].U n iversity of Sou thern Califo rn ia 的Robo tics R esearch L ab 利用局部传感信息和交互进行队形控制[2].B righam YoungU n iversity的M A G I CC实验室在A ir Fo rce O ffice of Scien tific R esearch的协助下,对UAV (unm anned aerial veh icle)的队形作了深入研究[3,4].美国航空航天局NA SA采用Enhanced fo r m ati on flying(EFF)技术控制多个卫星,使得航天编队飞行及空间虚拟探测成为可能[5].总之,队形控制技术的研究是一个具有实用性和战略性的研究课题.本文讨论将着重于具有一定自主能力的地面移动机器人在2维平面内的队形控制问题.其中有些方法同样适用于3维空间的队形控制.2 队形控制研究的问题 队形控制问题属多机器人系统的几何问题,是指多个移动机器人在前进过程中,整个机器人团队建立并保持预先决定的几何形态(即队形),同时又要适应环境约束的控制技术.队形控制中一般考虑空间位置的协调,但在实际环境中还需考虑时间上的协调.队形控制问题是一个典型的通用的多机器人协调问题,也是机器人合作控制的重要内容.该研究涉及机器人和多机器人体系结构、多机器人的协调与合作、多机器人路径规划、单个机器人以及多机器人学习、传感信息处理等方面的内容.其中要解决的主要问题是:1)队形的生成问题:如何形成指定队形;2)移动中队形保持问题:在运动过程中如何保持队形不变,即队形的稳定性问题;3)队形的伸缩、旋转控制问题:如何在保持队形几何形状不变的条件下实现队形的扩张、收缩以及旋转控制;4)队形的切换问题:如何顺利地在各种基本队形中进行切换,即从一种队形变换到另一种队形;5)队形的鲁棒性问题:即增加、减少机器人时队形的保持与变换问题;6)队形可实现性的判断问题:在环境约束以及机器人本身能力约束条件下哪些队形是可实现的;7)遇障碍时队形的拆分、重建、保持、切换问题:在运动中遇见障碍物(静态或动态)时队形的控制问题,如何根据不同障碍进行不同的处理,以及如何实现各种处理方法;8)如何自适应地实现队形切换问题:队形在何时改变,如何改变以适应环境及任务的改变.针对以上提出的问题,国内外学者进行了大量研究,下面就当前的研究现状和主要研究方法进行概述.3 机器人队形控制的研究现状及主要方法 本节依据解决队形控制问题的不同思路,总结并分析了6种队形控制研究的主要方法.3.1 leader-follower方法及其改进leader2fo llow er方法首先在文献[6]中提出并用于移动机器人的队形控制.在leader2fo llow er中,指定队形中的某一机器人作为leader,其他的机器人作为fo llow ers.其基本思想是,将队形控制问题转化为fo llow ers跟踪leader的位置和方向的问题.这样就可用标准的控制理论知识加以分析并稳定跟踪误差.leader2fo llow er有多种形式,如:队形中可有多个leader;或者形成一个跟踪链,即第i个机器人跟踪第i-1个机器人;或者leader与fo llow er构成树状结构等.文献[7]利用反馈线性化得到非完整约束机器人的轨迹跟踪控制法则.[8]利用平滑时变反馈控制法则构成一个开环链式的队形.[9]使用比例(P)算法和比例2积分2微分(P I D)算法分别实现leader2 fo llow er方法.[10]中引入了合作的leader2fo llow er 方法,即fo llow er的运动不仅由其leader决定,还受其他机器人(如自身的fo llow ers)的影响.[11～13]也采用了leader2fo llow er方法.总之,leader2fo llow er方法是将队形中的机器人划分为两个互补的角色leader和fo llow er,从而控制fo llow er跟踪leader的轨迹以实现队形控制.优点是队形的运动完全由leader的轨迹确定,控制简单;不足之处在于leader与fo llow er相对独立, leader不容易得到fo llow er的跟踪误差反馈.3.2 基于行为的队形控制基于行为的控制器则是由一系列行为组成.每个行为有自己的目标或任务,其输入可以是机器人的传感信息,也可以是系统中其他行为的输出;其输出或送到机器人的效应器以控制机器人的运动,或作为其他行为的输入,从而构成了互相交互的行为网络.此外,每个行为允许有自己的内部状态.设计基于行为的系统的主要问题是设计各种基本行为以及有效的行为协调机制[14](即行为选择问题).文献[15]中的“bo id”采用3个局部行为Co llisi on A vo idance,V elocity M atch ing和F lock Cen tering仿真实现了整体的聚集行为.Jadbabaie 等[16]对此类行为进行了更加深入的分析和形式化,提出了最近邻协调思想.[17]基于[16]中的思想,使一组具有非完整约束的车辆呈现出类似于“bo id”的聚集行为.A rk in等[1]设计了机器人的基本行为,采用3种位置参考点对4种基本队形进行了对比研究.在此基础上,B alch和H yb inette[18]借用分子形成晶体的方法确定机器人在队形中的目标位置,从而影响行为的选择.[19]采用3层(社会层、逻辑层和反602控 制 与 决 策第20卷应层)基于行为的控制体系结构,应用social ro les 来代表机器人在队形中的位置,并动态分配给机器人以形成和保持队形,用局部通信来提高性能,从而支持各种队形及其切换.[2,13,20,21]也采用了基于行为的方法.总之,基于行为的控制方法主要是通过对机器人基本行为以及局部控制规则的设计使得机器人群体产生所需的整体行为.优点是并行性、分布性和实时性好;缺点是难以明确设计出能合成指定队形的局部基本行为和局部控制规划,另外队形控制的稳定性得不到保证.3.3 v irtua l structure文献[22]提出了基于“virtual structu re ”即虚拟结构的方法,其基本思想是将机器人团队的队形看作是一个刚体的虚拟结构,每个机器人是虚拟结构上相对位置固定的一点.当队形移动时,机器人跟踪对应刚体固定点的运动即可.基本算法是:采用双向控制,首先用虚拟结构尽量匹配各机器人的位置,然后根据局部或全局生成的轨迹,微调虚拟结构的位置和方向,最后机器人确定各自的轨迹并调整速度以跟踪虚拟结构上的目标位置点.如此循环往复.文献[3,4,23]提出了加入队形反馈的虚拟结构(见图1).图1 带队形反馈的虚拟结构图1中,R i 为队形中的第i 个机器人;K i 为R i 的局部控制器;u i 和y i 分别为R i 的输入和输出;F 为队形控制器,输出队形协调变量;G 为离散事件监控器,输出ΝG 用于操纵队形.这种结构能包容leader 2fo llow er 和基于行为的方法,并且允许集中式或分布式的实现,有明显的队形反馈机制(Fo r m ati on Feedback ).[23]中引入此结构对移动机器人队形控制进行了研究,[4]将此种结构用于U AV 的控制,都取得了良好的效果,提高了系统性能,并保证了系统的稳定性.总之,虚拟结构方法是用刚体的虚拟结构与结构中的固定位置点双向互动,实现队形控制.优点是可以容易地指定机器人群体的行为(虚拟结构的行为),并可以进行队形反馈,取得较高精度的轨迹跟踪效果.缺点是当前采用集中式实现,要求队形按一个虚拟结构运动,缺乏灵活性和适应性.3.4 基于图论的队形控制该方法首先利用图上的节点表示机器人的动力学或运动学特性,节点之间的边表示机器人相互之间的约束;然后再用图论和控制理论知识对以图形表示的队形进行稳定性分析,进而得到控制策略.此方面研究一般是将图论、控制理论及动态系统理论结合起来研究队形控制方法和稳定性.文献[24]用一个有向无环的控制图表示各机器人之间的依赖关系以及每一个机器人的控制策略.通过表达和枚举所有可能的控制图实现了多机器人在两个队形之间的切换.[25]提出一种控制图指派算法,并结合一个4层模块化体系结构来实现队形控制.[26]定义队形为有权图G =(V ,E ,W ),其中:V 为点的集合,每个顶点i 代表一个机器人;E 为边;W 为权值,指定了每条边在队形中的理想距离.采用com b inato rial graph rigidity 的概念设计得到边的权值总和最小的图,从而唯一确定一个队形.[27]将队形表示为互连无向图,采用从理想队形的结构约束获得的势场函数对队形进行分析,并设计了保证队形稳定的队形控制器.[28]证明了采用图表示的队形的稳定性.A lexander 和R ichard [29～31]应用图论将队形的稳定性与通信网络的拓扑结构联系起来,指出如果机器人局部控制器稳定,则队形的稳定性就取决于信息流的稳定性.Yohnnes 和Gary [32]分析了机器人信息流的更新率以及确切消息对队形稳定性的影响.总之,基于图论的方法是将队形的结构以各种图的结构来表示,并以图为基础进行分析和控制.优点是利用图能表示任意队形,且有图论成熟的形式化理论作为基础;缺点是主要限于仿真研究,实现比较复杂.3.5 人工势场法Khatib[33]首先提出了人工势能,其基本思想是借鉴物理学方面的概念,环境中的障碍物对机器人产生排斥力,目标点对机器人产生吸引力,在合力的作用下机器人沿最小化势能的方向运动.文献[17]引入了“social po ten tial ”的概念进行队形控制.[34]依据在一定范围内吸引远处的邻居并排斥离得太近的邻居的原则,使用势场法,通过“virtual leader ”调整队形或控制队形的运动.[35]利用人工势场和virtual leader 作为内在的协调框架,提出了控制队形运动的稳定策略.在[10]中每个机器人采用基于势场法的控制器,并根据队形中其第6期任德华等:对队形控制的思考603他机器人的约束在线调节这些控制器.[27]将理想队形的约束表示为势场函数,研究了队形的稳定性及控制器的设计.[36]将环境的信息如邻居、障碍、威胁和目标等编码为一个势场函数,分析了队形的稳定即匀衡,并仿真实现了利用多个机器人覆盖某一目标区域的任务.总之,人工势场法主要是通过设计人工势场和势场函数来表示环境以及队形中各机器人之间的约束关系,并以此为基础进行分析和控制;优点是计算简单,便于实现实时控制;缺点是存在局部极值点,势场函数的设计比较困难.3.6 模型预测控制(M PC)方法传统控制方法主要用于具有明确模型和确定性环境的控制,而在现实中环境一般都是动态变化的,而且具有不确定性.模型预测控制顾及了动态环境的变化和过程的不确定性,用反复进行的有限优化代替了一次全局优化的结果,使预测控制在过程中实现了优化与反馈的理想结合以及对信息的充分利用,通过在线滚动优化并结合实时信息的反馈校正,使每一时刻的优化均建立在实际过程的基础上.预测模型、滚动优化以及反馈校正使得预测控制满足了许多实际需要,取得了很大成功.W illiam[37]分析并设计了将模型预测控制用于多机器人队形控制的理论框架,同时研究了系统的稳定性、鲁棒性以及实时实现等问题.M PC方法具有较强的理论基础,但计算量较大,在实时计算、可扩展以及分布实现等方面还有待进一步的研究.上面每种方法都有各自的特点,在研究中往往将各种方法相互结合,取长补短.如一般情况下,基于行为的方法通常与基于势场的方法相结合,基于图论的方法常与leader2fo llow er方法相结合等.目前国内的研究主要以基于行为的方法和leader2 fo llow er方法为主,如[13,21,38],涉及机器人队形保持、避障以及队形生成[39]等问题.尽管研究有待进一步深入,但本文提到的各种控制方法对国内的研究有很好的借鉴和启发意义.4 当前研究存在的问题 1)没有统一有效的队形表示框架和队形控制算法,这使得灵活的队形控制难以实现.队形表示框架要求能统一表示各种队形,队形控制本身的算法的实现要求具有以下性质:通用性、鲁棒性、稳定性以及扩展性.目前的方法还不能满足这两个要求,需要进一步探索.2)在多机器人系统中,队形控制是手段,而完成指定的任务是目的,因此队形控制往往是机器人系统中的一个子任务系统.目前的队形控制研究通常是将队形控制作为一个系统来设计,而不是作为整个系统的一个模块或子任务,不便于与已有的体系相结合.将队形控制作为一个模块与现有的体系结构或控制系统中其他子任务系统有机结合起来,是值得研究的问题.3)移动机器人队形控制的一般需求偏重于野外环境,这种环境往往呈现动态和不确定的性质,因此要求队形控制要有处理动态和不确定性的能力.基于局部感知和通信的分布式控制方法在这方面具有一定的优势.4)自适应队形控制和层次性队形控制的研究较少.如何根据任务、机器人约束及环境等因素自动进行队形控制,这一研究基本上还没有.层次性是解决大规模队形控制的一种有效组织方式,对此方面的研究也不多.5 具体实现队形控制系统时要考虑的问题 1)整个系统采用何种控制结构.群体的体系结构是系统中机器人之间逻辑上和物理上的信息关系和控制关系,以及问题求解能力的分布模式.它是多移动机器人协作行为的基础,决定了系统的整体行为能力和运行效率.多机器人的体系结构总体上分为集中式和分散式,而分散式结构又分为层次式和分布式.2)机器人采用何种控制策略和方法.机器人只依靠当前的感知信息、或依靠过去和现在的信息进行控制决策;基于行为的还是混合式的控制策略;以及队形控制算法如何在单个机器人上实现.3)系统中各机器人的感知能力、通信能力及计算能力如何.感知能力是指机器人所具有何种传感器以及传感信息处理能力,能否识别周围的环境(其他机器人和障碍物).有无通信能力,若有,是局部有效的还是全局有效的.能否独立完成所需的运算.在队形控制中机器人需要得到自身以及其他机器人的信息,可以通过感知邻近机器人的位置来确定自己的位置,也可以通过全局定位系统或感知自己与一个已知landm ark的相对位置再利用通信来确定自己的位置并得到其他机器人的信息.具有局部感知能力以及通信能力的多机器人系统有利于实现分布控制,具有良好的适应性和扩展性[2,19].4)要求队形有何特性(如可实现的队形类型、要求队形是刚性的还是灵活的).队形的类型很多,如圆形、横队、纵队、菱形、尖三角形、三角形、箭头形、四方形、点阵形或任意类型的队形等.能实现多少?在移动或避障时是否要求严604控 制 与 决 策第20卷格保持队形,这与所要实现的任务有关.如搬运物体时要求严格保持队形位置,而在搜索任务时则不需要严格同步.5)机器人如何确定自己当前以及未来时刻在队形中的位置.机器人采用相对坐标还是绝对坐标确定位置,能否得到全局的位置信息以及其他机器人位置信息.机器人在队形中的位置参考点可以采用队形中心位置、团队中的leader或virtual structu re中的虚拟点,以及相邻机器人的位置.6 队形控制研究的发展方向 队形控制具有广阔的应用范围,特别是在军事应用及航空航天等领域.作为一个具有实用性和战略性的研究课题,在国内外得到了广泛的研究,但国内研究尚处起步阶段.本文对目前队形控制研究采用的方法及思路作了概括总结,并对国内外的研究情况作了全面的介绍.在目前研究工作的基础上,今后队形控制研究的方向主要有以下几个方面:1)机器人队形控制是依赖于单个机器人控制之上的,所以与单个机器人能力相关.如与传感信息处理、定位方法研究、导航方法、控制结构、通信等方面的研究密切相关.这涉及到单个机器人的体系结构,多机器人的体系结构,以及各功能模块的实现问题.2)如何用简单有效的方法实现队形控制,以及用较少的代价实现大量机器人队形控制是一个研究方向.3)机器人之间高效的协调方法的研究以及加入人后的机器人队形控制也是值得关注的问题.4)自适应的队形控制研究:即如何根据任务、环境和约束自适应地进行队形控制;如何将机器人自身处理问题的能力与群体处理问题的能力互为补充.5)机器人队形控制主要应用于搜索、防卫、围捕等军事用途,以及合作搬运、航空航天中的虚拟探测等.在以上研究中,多数是以实现队形控制的操作为目的.对队形控制的研究工作应与实际应用相结合,两者相互促进才能获得理想结果.参考文献(References)[1]T ucker Balch,Ronald C A rk in.Behavi o r2basedfo r m ati on contro l fo r m ulti2robo t team s[J].IE E E T rans on R obotics and A u to m ation,1998,14(6):9262 939.[2]F redslund J,M atari′c M J.A general,local algo rithmfo r robo t fo r m ati ons[J].IE E E T rans on R obotics andA u to m ation,2002,18(5):8372846.[3]R andal W Beard,Jonathan L aw ton,F red Y H adaegh.A coo rdinati on arch itecture fo r spacecraft fo r m ati oncontro l[J].IE E E T rans on Control S y ste m s T echnology,2001,9(6):7772790.[4]W ei R en,R andalW Beard.Fo r m ati on feedback contro lfo r m ulti p le spacecraft via virtual structures[J].IE E P roc Control T heory and A pp lications,2004,15(3): 3572368.[5]Bauer F,B ristow J,Fo lta D,et al.Satellite fo r m ati onflying using an innovative autonomous contro l system environm ent[A].P roc of the A IA A GN C Conf[C].N ew O rleans,1997.[6]W ang P K C.N avigati on strategies fo r m ulti p leautonomous mobile robo ts moving in fo r m ati on[J].J of R obotic S y ste m s,1991,8(2):1772195.[7]Jaydev P D esai,J i m O strow sk i,V ijay Kum ar.Contro lling fo r m ati ons of m ulti p le mobile robo ts[A].IE E E Int Conf on R obotics and A u to m ation[C].Belgium,1998:286422869.[8]H iroack i Yam aguch i,Joel W Burdick.A symp to ticstabilizati on of m ulti p le nonho lonom ic mobile robo ts fo r m ing group fo r m ati ons[A].IE E E Int Conf on R obotics and A u to m ation[C].Belgium,1998:35732 3580.[9]Hogg R W,R ank in A L,Roum eli o tis S I,et al.A lgo rithm s and senso rs fo r s m all robo t path fo llow ing[A].P roc2002IE E E Int Conf on R obotics andA u to m ation[C].W ash ington D C,2002:385023857.[10]Pereira G A S,D as A K,Kum ar V,et al.Fo r m ati oncontro l w ith configurati on space constraints[A].P roc of the IE E E R J S Int Conf on Intellig ent R obots and S y ste m s[C].L as V egas,2003:275522760.[11]D avid J N affin,Gaurav S.Sukhatm e.N ego tiatedfo r m ati ons[A].Int Conf on Intellig ent A u tono m ous S y ste m s[C].Am sterdam,2004:1812190.[12]D as A K,F ierro R,Kum ar V,et al.A visi on basedfo r m ati on contro l fram ew o rk[J].IE E E T rans on R obotics and A u to m ation,2002,18(5):8132825. [13]曹志强.未知环境下多机器人协调与控制的队形问题研究[D].北京:中国科学院自动化研究所,2002. [14]Pao lo P irjanian.Behavi o r coo rdinati on m echanis m s2state2of2the2art[R].LA:U niversity of Southern Califo rnia,1999.[15]C raig W R eyno lds.F lock s,herds,and schoo ls:Adistributed behavi o ral model[J].Co m p u ter G rap h ics,1987,21(4):25234.[16]Jadbabaie A,L in J,M o rse A S.Coo rdinati on ofgroup s of mobile autonomous agents using nearest neighbo r rules[J].IE E E T rans on A u to m atic Control,2003,48(6):98821001.[17]H erbert G T anner,Jadbabaie A,Geo rge J Pappas.第6期任德华等:对队形控制的思考605Coo rdinati on of m ulti p le autonomous veh icles[A].11th M ed iterranean Conf on Control and A u to m ation[C].R hodes,2003.[18]Balch T,H ybinette M.Social po tentials fo r scalablem ulti2robo t fo r m ati ons[A].P roc IE E E Int Conf on R obotics and A u to m ation[C].San F ransisco,2000,1:73280.[19]Ko stelnik P,Sam ulka M,Jano sik M.Scalable m ulti2robo t fo r m ati ons using local sensing and comm unicati on[A].P roc of the3rd Int W orkshop on R obot M otion and Control[C].Poznan,2002:3192 324.[20]Jonathan L aw ton,B rett Young,R andal Beard.Adecentralized app roach to elem entary fo r m ati on m aneuvers[A].IE E E Int Conf on R obotics andA u to m ation[C].San F ransico,2000,3:272822733.[21]董胜龙,陈卫东,席裕庚.多移动机器人编队的分布式控制系统[J].机器人,2000,22(6):4332438.(Dong S L,Chen W D,X i Y G.T he distributed contro l system of m ulti mobile robo ts′fo r m ati on Contro l[J].R obot,2000,22(6):4332438.)[22]A nthony L ew is M,T an K H.H igh p recisi onfo r m ati on contro l of mobile robo ts using virtual structures autonomous[J].A u tono m uous R obots,1997,4:3872403.[23]B rett J Young,R andal W Beard,Jed M Kelsey.Acontro l schem e fo r i m p roving m ulti2veh icle fo r m ati on m aneuvers[A].A m erican Control Conf[C].A rlington,2001:7042709.[24]D esai J P.A graph theo retic app roach fo r modelingmobile robo t team fo r m ati ons[J].J of R obotic S y ste m s,2002,19(11):5112525.[25]F ierro R,D as A K.A modular arch itecture fo rfo r m ati on contro l[A].P roc of the3rd Int W orkshop on R obot M otion and Control[C].Poznan,2002:2852 290.[26]O lfati2Saber R,M urray R M.Graph rigidity anddistributed fo r m ati on stabilizati on of m ulti2veh icle system s[A].41st Conf on D ecision and Control[C].L as V egas,2002,3:296522971.[27]O lfati2Saber R,M urray R M.D istributed cooperativecontro l of m ulti p le veh icle fo r m ati ons using structural po tential functi ons[A].P roc of the15th IFA C W orld Cong ress[C].Barcelona,2002.[28]H erbert G T anner,Geo rge J Pappas,V ijay Kum ar.L eader to fo r m ati on stability[J].IE E E T rans onR obotics and A u to m ation,2004,20(3):4432455. [29]A lexander Fax J,R ichard M M urray.Graphlap lacians and stabilizati on of veh icle fo r m ati ons[A].P roc of15th IFA C Conf[C].Barcelona,2002. [30]A lexander Fax J,R ichard M M r m ati onflow and cooperative contro l of veh icle fo r m ati ons[A].P roc of15th IFA C Conf[C].Barcelona,2002. [31]A lexander Fax J,R ichard M M r m ati onflow and cooperative contro l of veh icle fo r m ati ons[J].IE E E T ran on A u to m atic Control,2004,49(9):14652 1476.[32]Yohnnes Ketem a,Gary Balas.Fo r m ati on stabilityw ith li m ited info r m ati on exchange betw een veh icles[A].P roc of the A m erican Control Conf[C].Penver,2003,1:2902295.[33]Khatib.R eal2ti m e obstacle avo idance fo r m ai pulato rsand mobile robo ts[J].Int J of R obotics R esearch,1986,5(1):90298.[34]N aom i Eh rich L eonard,Edw ard F i o relli.V irtualleaders,artificial po tentials and coo rdinated contro l of group s[A].P roc of the40th IE E E Int Conf onD ecision and Control[C].O rlando,2001,3:296822973.[35]O gren P,F i o relli E,L eonard N E.Fo r m ati ons w ith am issi on:Stable coo rdinati on of veh icle group m aneuvers[A].P roc of the15th Int S ym p osium on M athe m atical T heory of N et w orks and S y ste m s[C].N o tre D am e,2002.[36]John S Baras,T an X B,Pedram Hovaresh ti.D ecentralized contro l of autonomous veh icles[A].P roc of the42nd IE E E Conf on D ecision and Control[C].H aw aii,2003:153221537.[37]W illiam B D unbar.M odel p redictive contro l:Extensi on to coo rdinated m ulti2veh icle fo r m ati ons and real2ti m e i m p lem entati on[R].Pasadena:Califo rniaInstitute of T echno logy,2001.[38]苏治宝,陆际联.基于行为法队形保持中的队形反馈[J].机床与液压,2003,(3):1672169.(Su Z B,L u J L.Fo r m ati on feedback in behavi o r2 based m ethod used fo r keep ing fo r m ati on[J].M ach ine T ool and H y d rau lic P ressu re,2003.(3):1672169.)[39]韩学东,洪炳熔,孟伟.多机器人任意队形分布式控制研究[J].机器人,2003,25(1):66272.(H an X D,Hong B R,M eng W.D istributed contro lfo r generating arbitrary fo r m ati on of m ulti p le robo ts[J].R obot,2003,25(1):66272.)606控 制 与 决 策第20卷。
移动机器人队形控制关键技术及其进展
ｗ ｉ ｔ ｈ ｇ ｒ ｏ ｕ ｎ ｄ ｍ ｏ ｂ ｉ ｌ ｅ ｒ ｏ ｂ ｏ ｔ ｓ ａ ｓ ｔ ｈ ｅ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｏ ｂ ｊ ｅ ｃ ｔ ， ｔ ｈ ｅ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ａ ｃ ｈ ｉ ｅ ｖ ｅ ｍｅ ｎ ｔ ｓ ｏ ｎ ｔ ｈ ｅ ｍｕ ｌ ｔ ｉ — ｒ ｏ ｂ ｏ ｔ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ａ ｒ ｅ
ｄ ｅ ｓ ｃ ｒ ｉ ｂ ｅ ｄ ｉ ｎ ａ ｓ ｐ ｅ ｃ ｔ ｓ ｏ ｆ ｓ ｙ ｓ ｔ ｅ ｍ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ，ｒ ｏ ｂ ｏ ｔ ｍｏ ｄｅ ｌ ，ｔ ｈ ｅ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｓ ｈａ ｐ ｅ ｒ ｅ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｍｅ ｔ ｈ ｏ ｄ，ｒ ｅ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｆ ｒ ａ ｍｅ ａ ｎ ｄ ｆ ｏ ｍ ａ ｒ ｔ ｉ ｏ ｎ ｃ ｏ ｎｔ ｒ ｏ ｌ ｓ ｔ ｒ ａ ｔ ｅ ｇ ｙ ．Ｉ ｎ ａ ｄ ｄ ｉ ｔ ｉ ｏ ｎ，ｔ ｈ ｅ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｄ ｏ ｍｅ ｓ ｔ ｉ ｃ ａ ｎｄ ｆ ｏ ｒ ｅ ｉ ｇ ｎ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｅ ｓ ｏ ｎ ｓ ｕ ｃ ｈ ｓ ｕｂ — ｐ ｒ ｏ ｂ ｌ ｅ ｍｓ ｏ ｆ ｆ ｏ ｒ — ｍａ ｉｏ ｒ ｎ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ａ ｓ ｔ ｈ ｅ ｇ ｅ ｎ ｅ ｒ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｆ ｏ ｍ ａ ｒ ｔ ｉ ｏ ｎ ｓ ｈａ ｐ ｅ，ｆ ｏ ｍ ａ ｒ ｔ ｉ ｏ ｎ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ａ ｎｄ ｃ ｏ ｏ ｒ ｄ ｉ ｎａ ｔ ｉ ｏ ｎ，ｆ ｏ ｍ ａ ｒ ｔ ｉ ｏ ｎ ｃ ｈ ａ ｎ ｇ ｅ，ｒ ｅ ｃ ｏ ｍ・
Ａｂ ｓ ｔ ｒ ａｃ ｔ ： Ｏｎ ｔ ｈ ｅ ｂａ ｓ ｉ ｓ Ｏ ±ｄ ｅ ｉｎｉ ｆ ｎｇ ｔ ｈｅ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｄ ｅ ｖ ｅ ｌ ｏ ｐ ｍｅ ｎ ｔ ｏ ｆ ｍｕ ｌ ｔ ｉ ‘ ｒ ｏ ｂｏ ｔ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｃ ｏ ｎ ｔ ｒ ｏ ｌ ａ ｔ ｈ ｏ ｍｅ ａ ｎ ｄ ａ ｂ ｒ ｏ ａ ｄ．
递阶式虚拟结构非完整机器人的编队控制
Ｍ ａ ０１ ｙ２ ０
汕 头大 学 学报 （ 自然科 学版 ）
Ｊ ｕ ｎ ｌｏ ｈ ｎｏ ｎｖｒｉ Ｎａｕ ａ ｃ ｎ ｅ ｏ ｒ ａ ｆＳ ａ ｔｕ Ｕ ｉｅｓｔ ｙ（ ｔｒｌＳ ｉ ｃ ） ｅ
第２ ５卷
第 ２期
Ｖ０ ．５ ＮＯ ２ １ ２ ．
２６ １） ６ ０ ６
摘
要 ：提 出一 种 递 阶 虚拟 结 构 编 队控 制 方法 ，将 机器 人 编 队 按空 间分 布划 分 为 簇 ，并定 义
某 段 时 间 内该 簇 （ 拟 结 构 ） 虚 的参 考轨 迹 ，将虚 拟 结构 的运 动 转 化 为 各机 器 人 的期 望 轨 迹 ，然 后 基 于 反 步 思 想 ，并 通 过 设 计 移 动 机 器 人 误 差 跟 踪 系 统 的 Ｌａ ｕ ｏ ｙｐ ｎｖ函数 来 设 计 动 态 反馈 控 制 器 ，实现 了对 参 考 轨 迹 的全 局 渐 近 跟踪 ． 最 后 通 过对 给定 直线 和 圆 轨 迹 的 编 队 跟 踪 试 验 ， 验证 了该 控 制 策 略 的有 效 性 ． 关 键词 ：移 动 机 器 人 ；编 队控 制 ；递 阶 式 虚拟 结 构 ；跟踪 控 制
４ ３
求 的 编队控 制 ． 文献 ［２ 对 非完整 移 动机 器人 系统 轨迹 跟 踪 控制 采 Ｉ ２］ ＲＴ￣ 步控 制方 法 ， ．
对 满足一 定条 件 的参考 轨迹 实现 全局指 数跟 踪 ，此法要 求 参考 平 移速 度不 趋 于零 ，或参 考 平移 速度趋 于零 但参 考角 速度 不趋 于零．
收 稿 日期 ：２Ｘ９ １ — ８ （） — Ｉ Ｉ
作 者简 介 ：袁健 （９ ０ ） １８ － ，男 ，山东 荣 成人 ，博 士． 研 究方 向 ：计 算 机 控 制及 仿 真 技术 ．
基于模糊逻辑的多移动机器人自适应协作围捕
收 稿 日期 ：０ ００ —３ ２ １－８ １． 基 金 项 目 ： 家 自然 科 学 基 金 资 助 项 目（ ０ ００ １ ； 器 人 技 术 与 系 国 ６ ７５ ３ ） 机 统 国 家重 点 实 验 室 （ 尔 滨 工 业 大 学 ） 放 基 金 资 助 项 目 哈 开 （ Ｋ Ｒ －０ ０Ｚ －３ ； Ｓ Ｌ Ｓ２ １ 一Ｄ０ ） 中央 高 校基 本 科 研 业 务 费 专 项 资 金 资 助 项 目（ ００ １ ０ ） Ｎ ９４ Ｍ０ ７ ． 通信作者 ： 王斐 ． — ａｌｗ ｎｆｉ ｓ．ｉ ． ｄ ．ｎ Ｅ ｍ ｉ ａｇｅ＠ｉ １ｕ ｅｕ ｅ ． ： ｅ ｅ
Ａｄ ｐ ｉ ｅ ｃ ｏ ｅ ａ ｉ ｅ ｈ ｔ ｇ ｆ ｒ ｍ ｕ ｔｐ ｅ ｍ ｏ ｉ ｏ ｏ ｓ ａ ｔｖ ｏ ｐ ｒ ｔｖ ｕｎ ｉ ｏ ｎ ｌｉ ｌ ｂ ｌ ｒ ｂ ｔ ｅ
ｂ ｓ ｄ ｏ ｕ ｚ ｏ ｉ ａ ｅ ｎ ｆ ｚ ｙ ｌｇ ｃ
Ｗ ＡＮＧ ｉ Ｆｅ ，Ｗ ＥＮ ｈ ｇ ａ ｇ，Ｗ Ｕ ｅ ｇ ｏ ｇ，Ｗ ＥＩＷ ｅ Ｓ ｉｕ ｎ Ｃｈ ｎ ｄ ｎ ｉ
静止 ， 一旦 感 知 到 围捕 机器 人侵 入 逃避 区域 时 ， 它则
根据 势场 法计 算 出逃 逸 矢 量 来 进 行 躲 避． 真 中将 仿 围捕 机器人 与 抓捕 目标 的最 高 速 度设 定 为相 同 ， 这 样 就 可 以保 证 １ 围捕 机器 人无 法单 独完 成 对动态 个
图 １ ２个 围捕 机 器人合 围 １ 动态 目标 过程 为 个 中的位 置关 系 图． 当合 围 区 域 （ 两 围捕 机 器 人 重 以 心连 线 为直径 形 成 的 圆形 区域 ） 径小 于３ｉ时 ， 半 ｎ 围 捕机 器人 则各 自采用 圆 弧运 动来 完成对 抓 捕 目标 的
多AUV编队控制
ＡＵＶ 期望位置ꎬ设计时间限定的跟踪控制律ꎬ确保各 ＡＵＶ
限时内成队ꎮ 本文使用 ５ 个 ＡＵＶ 的通信拓扑结构进行编
队仿真ꎬ验证本文控制策略的可行性ꎮ
１ 多 ＡＵＶ 系统的一致性算法 ｌ －φ
在多机器人系统中ꎬ将单体 ＡＵＶ 的动态概述为
ＡＵＶ 间的邻接影响权重ꎬ构成邻接权重 Ｋꎬ得式( １) 的控
出分布式投标方案ꎮ
制输入:
制探讨多 ＡＵＶ 的协调控制ꎻ许彦营
[５]
对多 ＡＵＶ 的协作提
本文主要研究多 ＡＵＶ 基于一致性算法和虚拟领航结
构的编队控制ꎬ采用一致性算法 [６－７] 解决位置和姿态的一
致性问题ꎬ以虚拟领航结构实现预设队形ꎮ 首先ꎬＡＵＶ 收
集拓扑结构中虚拟领航者信息ꎬ得到各类误差值ꎬ用一致
图 １ 编队控制
定义Ｐ ｉ ( ｔ ｋ ) 为 ＡＵＶ( ｉ) 在 ｘ ｗ Ｏ ｗ ｙ ｗ 坐 标 系 的 实 际 位
置ꎬ定义Ｐ ｄｉ ( ｔ ｋ ) 为 ＡＵＶ( ｉ) 在 ｘ ｗ Ｏ ｗ ｙ ｗ 坐标系下相对领航
该式表示机器人 ＡＵＶ( ｉ) 从 ｘ ａ Ｏ ａ ｙ ａ 坐标系到 ｘ ｗ Ｏ ｗ ｙ ｗ
ｙ ｉ( ｔ ｋ ) 、θ ｉ( ｔ ｋ ) 表示ｔ ｋ 时刻时 ＡＵＶ 在世界坐标系下的位置
和偏 航 角ꎻ ｕ ｉ ( ｔ ｋ ) 代 表 ｔ ｋ 时 刻 对 ＡＵＶ 系 统 的 输 入ꎻ Ｎ ＝
和最重要的研究课题ꎮ 美国海军研究生院用多 ＡＵＶ 协调
令Ｎ ｔｉ ｋ 为ｔ ｋ 时刻 ＡＵＶ 的邻居集ꎻＡ ｉｊ 为多 ＡＵＶｓ 网络拓
现今ꎬ自主式水下航行器( ＡＵＶ) 是对神秘海洋探索
多智能体系统的包含控制研究
电子技术与软件工程Electronic Technology & Software Engineering网络通信技术Network Communication Technology多智能体系统的包含控制研究王雅（成都工业学院 教务处 四川省成都市 611730 ）摘 要：本文简要介绍了符号网络下多智能体包含控制研究的理论基础，综述了国内外有关多智能体系统的包含控制问题的研究进展,并分析预测了该领域的发展趋势，最后对未来的工作进行了展望。
关键词：多智能体系统；包含控制；符号网络1引言多智能体系统（multi-agent systems ）的思想源自对生物群集自 然现象的模拟，研究学者通过对该类自然现象的仿生研究提出了多智能体系统的概念，并从社会学、拓扑学以及控制理论等领域进行了深入探讨。
由于多智能体系统采用分布式协同控制，因此与传统 的集中式控制系统相比，多智能体系统具有功能更强大、鲁棒性能更好、设计更简单以及价格更便宜等优点。
目前，多智能体系统的研究在切换通信拓扑、动态模型以及分布式包含控制协议等方面均取得了不错的研究成果。
多智能体系统已在多个领域有了实际应用，例如传感器网络2】、移动智能机器人编队控制无人机部署⑸、 多机器人协作等。
近年来，随着通信、计算机学科以及人工智能等领域的迅猛发展，多智能体系统协同控制逐步发展为一门新兴的控制科学，激发了来自应用数学、智能控制、计算机应用等众多领域研究者们的兴趣。
对于多智能体系统的协同控制，最初是对简单的一阶多智能体系统I 切进行研究，提出了相应的控制算法并实现了智能体的位置 同步，紧接着进一步研究了二阶多智能体系统的协同控制（8'9'，0,o目前，关于多智能体系统的研究主要涉及一致性问题⑴一⑸、包含控制问题皿⑺、编队控制问题皿⑼、蜂拥控制问题oof 、覆盖控制问题122创等，其中，关于一致性问题的研究是多智能体系统协同控制 中各类问题研究的重要理论基础。
基于领航跟随的通信延迟编队控制
基于领航跟随的通信延迟编队控制基于领航跟随的通信延迟编队控制是指在编队控制中，采用领航跟随的策略，同时考虑通信延迟的影响，对编队进行控制的方法。
这种控制方法主要用于无人机、无人车、水下机器人等自主移动机器人的编队控制，以提高编队的协同性和稳定性。
基于领航跟随的通信延迟编队控制主要涉及以下几个方面：1.领航者与跟随者的协调：领航者负责规划编队的前进路径和速度，并通过通信手段将相关信息传递给跟随者。
跟随者根据接收到的信息调整自己的状态，以保持与领航者的协同。
为了减少通信延迟对编队稳定性的影响，需要合理选择通信方式和频率，并优化信息传递的流程。
2.通信延迟的补偿：由于通信延迟的存在，跟随者接收到的信息会存在一定的时间延迟。
为了减小这种延迟对编队控制的影响，需要进行适当的补偿。
常用的补偿方法包括提前预测、数据滤波和误差补偿等，根据具体情况选择合适的补偿策略。
3.编队队形保持：在编队行进过程中，需要保持队形的稳定性和一致性。
这可以通过控制各个机器人的速度和方向来实现。
同时，需要考虑动态环境的影响，如障碍物、气流等因素，根据实际情况调整队形以保持稳定。
4.异常处理与故障恢复：在实际应用中，可能会出现通信中断、传感器故障等问题。
为了提高编队的可靠性和鲁棒性，需要设计相应的异常处理和故障恢复机制。
例如，通过备用通信手段、故障检测与隔离等技术手段来提高编队的稳定性。
总结来说，基于领航跟随的通信延迟编队控制是一种综合考虑领航跟随策略和通信延迟影响的编队控制方法。
通过优化通信机制、补偿通信延迟、保持队形稳定和设计异常处理机制，可以提高编队的协同性和稳定性，为实际应用中的无人机、无人车等自主移动机器人提供有效的控制手段。
基于人工势场法的多智能体编队避障方法
基于人工势场法的多智能体编队避障方法郑延斌;席鹏雪;王林林;樊文鑫;韩梦云【摘要】编队避障问题是多智能体编队研究的关键问题之一.针对动态环境中多智能体编队避障问题,提出了一种基于人工势场法(APF)与布谷鸟搜索算法(CS)相结合的编队避障方法.首先,在动态队形变换策略的异构模式下,利用APF为多智能体编队中每个智能体规划避障;然后,针对APF在引力增量系数和斥力增量系数设置的局限性,利用CS中的莱维飞行机制思想,来随机搜索得到适应环境的增量系数.Matlab 仿真实验结果表明,所提方法能够有效地解决复杂环境下多智能体编队避障问题,使用效率函数对实验数据进行评价及分析,验证了所优化方法的合理性和有效性.【期刊名称】《计算机应用》【年(卷),期】2018(038)012【总页数】6页(P3380-3384,3413)【关键词】多智能体编队;人工势场法;布谷鸟搜索算法;莱维飞行机制;随机搜索【作者】郑延斌;席鹏雪;王林林;樊文鑫;韩梦云【作者单位】河南师范大学计算机与信息工程学院,河南新乡453007;智慧商务与物联网技术河南省工程实验室,河南新乡453007;河南师范大学计算机与信息工程学院,河南新乡453007;河南师范大学计算机与信息工程学院,河南新乡453007;河南师范大学计算机与信息工程学院,河南新乡453007;河南师范大学计算机与信息工程学院,河南新乡453007【正文语种】中文【中图分类】TP2420 引言多智能体编队问题是指多智能体在执行任务的过程中相互之间保持某种几何形状不变。
编队问题是多智能体系统研究的热点问题之一，在许多领域都有很好的应用，如军用、民用、游戏等。
受环境因素的制约，多智能体编队在执行任务的过程中，不可避免地会遇到环境中的静态障碍(如环境中的山川、河流、房屋、树木等)和动态障碍(如环境中其他移动的智能体)，如何合理地避开这些障碍物，又能最大限度地保持编队队形，是多智能体编队研究的关键问题之一，目前研究者提出了许多解决的方法。
西安市科学技术局关于2024年创新挑战常态化企业技术需求公告（第一批）
西安市科学技术局关于2024年创新挑战常态化企业技术需求公告（第一批）文章属性•【制定机关】西安市科学技术局•【公布日期】2024.07.25•【字号】•【施行日期】2024.07.25•【效力等级】地方规范性文件•【时效性】现行有效•【主题分类】企业技术进步与高新技术产业化正文西安市科学技术局关于2024年创新挑战常态化企业技术需求公告（第一批）为深入实施创新驱动发展战略，强化企业创新主体地位，推动科技创新与产业创新融合发展，现面向全市重点行业常态化挖掘与遴选企业技术需求，鼓励企业出题并配置优质深度服务，定向解决制约我市重点产业发展的关键核心技术，开展共性技术、关键核心技术攻关，提升产业链发展水平，推进四链深度融合。
本次发布2024年度首批100项企业技术需求，公开“悬赏”解决方案，择优撮合转化服务，用更多科创资源滋养产业、企业发展。
现将有关事项公告如下：一、需求清单二、挑战须知（一）挑战资格凡遵守我国相关法律法规，具有一定研发能力的高等院校、研究机构、企业、自然人均可报名挑战。
（二）挑战报名请通过西安市科学技术局官网（）、创新西安微信公众号、西安生产力促进中心微信公众号查询下载相关报名资料，于2024年8月31日前将挑战声明（附件1）和创新挑战报名表（附件2）电子版发送至****************，逾期不再受理。
三、奖励与配套政策1. 为技术需求提供方提供专题项目组织、研发体系优化和匹配对接管家式服务。
2. 设立优秀解决方案奖金池，对遴选出的最佳解决方案和优秀解决方案颁发荣誉证书和奖金。
3. 对技术需求方按实际产生技术交易额，纳入市级科技计划项目，按技术合同登记额度的实际支出比例给予奖励。
4. 对合作成功的成果转化项目，采取科技交易信用贷等多种形式给予金融支持。
联系电话：杨振82401791、82401793吴娜86786492附件：1.挑战声明.docx2.创新挑战报名表.docx3.创新挑战常态化企业技术需求详表（第一批）.rar西安市科学技术局2024年7月25日。
基于领航-跟随法和人工势场法的巡检机器人编队
基于领航-跟随法和人工势场法的巡检机器人编队
吴金霆;王琢;张子超;王乃宇
【期刊名称】《国外电子测量技术》
【年(卷),期】2024(43)1
【摘要】机器人编队技术正不断发展并逐步投入应用,为了提升巡检机器人的工作效率,提出了一种基于领航-跟随法和人工势场法的编队控制方法,保留了两方法的优点,使机器人编队在躲避障碍物的同时尽可能保持队形,通过施加随机扰动的方法改善人工势场法中容易出现的局部最小值问题。
实验结果表明,提出的方法完成任务消耗的时间相较于领航-跟随法和基于行为法分别下降了28.5%和41.4%,在执行特定任务如协同围捕和依次排开时采用该方法的编队也能优秀完成。
通过
ROS(robot operating system)平台进行模拟环境仿真,进一步验证了方法的可行性。
【总页数】7页(P182-188)
【作者】吴金霆;王琢;张子超;王乃宇
【作者单位】东北林业大学计算机与控制工程学院;东北林业大学机电工程学院【正文语种】中文
【中图分类】TP242;S776
【相关文献】
1.基于人工势场法和Ad-hoc网络的多机器人编队控制
2.基于人工势场法的多机器人编队与避障
3.人工势场法改进领航跟随法的控制算法实现
4.基于领航-跟随法的移动机器人编队控制分析
5.基于改进人工势场法的多机器人编队避障
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
基于Multi-Agent的多机器人编队控制 摘要：多移动机器人协调是当前机器人技术的一个重要发展方向。多移动机器人之间的协调与合作将大大提高机器人行为的智能化程度，完成由单个机器人难以完成的更加复杂的作业。多移动机器人协调技术的研究对提高机器人的智能化水平及加快机器人的实用化进程具有重要的理论研究意义和实用价值。本文结合多智能体技术对多机器人编队控制进行了研究，同时根据具体的多机器人系统，进行了仿真实验。验证了多智能体技术在机器人编队控制系统中的应用，完成了小规模的编队控制。 关键词：多智能体；多机器人；编队控制；协调控制；模糊控制
Multi-robot Formation Control Based on Multi - Agent Abstract : The problem of multi-robot cooperation and coordination is central to mobile robotics. Cooperation and coordination will improve the intelligent performance of robots and can complete lots of impossible missions for single robot.The research on multi-robot cooperation and coordination is of great academic and applied significance. The multi-robot formation is developed combined with the multi-agent technology in this dissertation, and the simulation is done with the multi-robot system. The application of multi-agent is verified in the multi-robot formation control through a small system adopt the fomation control. Key words: Multi-agent ;Multi-robot ;Formation control; Coordination control; Fuzzy control
1. 国内外机器人系统发展现状 自80年代末以来，基于多智能体系统理论研究多机器人协作受到了普遍的关注，从军事领域到工业与民用领域，从星际探险到海底考察，从比赛到教学，都取得了不同程度的进步。近年来，在IEEE R&A,IROS等著名的国际机器人学术会议上，几乎每次会议都有多智能体协作机器人系统的专题。一些机器人学术刊物出版了有关多智能体机器人的研究专辑。一些研究项目，如ACTRESS,CEBOT,GOFER,SWARM等，已进行了多年[1]。 目前，国内关于群体机器人系统的研究刚刚起步，基本上还处于基础技术的研究阶段，这方面的研究成果报道比较少。中科院沈阳自动化所机器人开放研究实验室是国内研究多机器人技术较早也较全面的科研单位。 (1)CEBOT(Cellular Robotic System) CEBOT是一种自重构机器人系统(Self-Reconfigurable Robotic System)，它的研究是受生物细胞结构的启发，将系统中众多的具有相同和不同功能的机器人视为细胞元，这些细胞元可以移动，寻找和组合。 根据任务或环境的变化，细胞元机器人可以自组织成器官化机器人，多个器官化机器人可以进一步自组织，形成更加复杂的机器人系统。细胞结构机器人系统强调是单元体的组合如何根据任务和环境的要求动态重构。因此，系统具有多变的构型，可以具有学习和适应的系统智能(Group Intelligence)，并具有分布式的体系结构[3]。 (2)ALLANCE/L-ALLANCE系统 ALLIANCE是由美国学者Parker提出的用于研究异质、中小规模、独立性强的、疏松配合关系的机器人协调的一种结构。通过传感器信息和精确的广播(Broadcast式通讯)来感知自身的行动效应和其他机器人的行动。每个机器人是基于行为控制的。L-ALLIANCE是该结构的扩展，通过再励学习来调整行为控制器的参数[4]。 (3)Cooperative Robotics实验系统 美国Oak Ridge国家实验室的Lynne E.Parker博士在多Agent协作、自主Agent体系结构、多Agent通讯等方面做了许多工作[11~17]。例如人机协作，移动机器人协作，多Agent协作，智能Agent体系等。他们研究的协作机器人是集成了感知、推理动作的智能系统，着重研究在环境未知且在任务执行过程中环境动态变化的情况下，机器人如何协作完成任务。 (4)Socially Mobile和The Nerd Herd实验系统 美国USC大学的学者如M.J.Mataric等在基于行为的多机器人协作方面做了许多工作。他们采用自下而上的路线，基于行为的方式研究分析、设计机器人群行为的表现，在多机器人学习、群体行为、协调与协作等方面展开工作[3] 。 (5)中科院沈阳自动化所机器人开放研究实验室 主要面向发展具有感知、思维和动作能力的先进机器人系统，研究机器人学基础理论方法、关键技术、机器人系统集成技术和机器人应用技术。我国机器人学领域著名科学家蒋新松院士曾任实验室主任。实验室现任主任为沈阳自动化研究所所长王越超研究员。
图1.1 CEBOT(Cellular Robotic System) 图1.2Cooperative Robotics实验系统的CESAR Emperor
图1.3沈阳自动化所多机器人系统 2.多智能体系统的分类 Agent作为智能计算实体，能自主完成一定任务。但是，实际中所有的系统都是分布式的，个体的知识、能力都是有限的，面对一些复杂的问题，如具有分布式数据或知识，或要求分布式控制的系统，不得不采用多个Agent协作系统。通过适当的体系结构将个体组织起来，不仅能够弥补个体的不足，而且能使整个系统的能力超过任何单个个体的能力，这样的系统称为多智能体系统(Multi-Agent System，MAS) [1]。 多智能体系统的体系结构主要研究如何将多个单智能体组织为一个群体并使各个智能体有效地进行协调合作，从而产生总体解决问题的能力。多智能体系统是由大量具有环境观察、任务规划和操作功能的智能体组成。为了把这些智能体组织成一个复杂的系统，来有效的完成某些预定任务，需要一个合适的控制结构。多智能体系统的体系结构可从不同的角度来划分。 2.1 根据系统中智能体之间的相对关系来划分 按照系统中多智能体之间的相对关系，通常多智能体系统可以分为如下几种结构： （1）完全型网络结构 通信对等和信息的局部化是该类型结构的主要特点。该结构体系要求各智能体均具有通信和控制功能模块，并且要保存系统内所有智能体成员的信息和知识，还要求保持所有智能体之间的通讯链路。对于解决复杂的问题、或结构复杂的系统来说，完全型网络结构体系的效率会大大降低，并呈现出一种无组织的状态[2]。 （2）层次型网络结构 在该类型系统结构中，智能体被分为不同的层次，在同一层上的智能体彼此不能够直接进行通信，而需要经过其上一层智能体来完成。上一层智能体负责其下一层智能体的决策和控制。该结构中智能体不需要保存系统内所有的智能体信息，只需要保存下一层智能体的相关信息和知识，该结构尽管在通信上不如完全网络型简略，但结构层次分明，管理方便[2]。 （3）联盟型网络结构 系统内的智能体按照某种方式（通常按照距离远近、智能体功能等）来划分为不同的智能体联盟。在各联盟内部都存在一个协助智能体，它负责不同联盟之间的通信。不同联盟之间处于对等的关系，类似于完全网络型各智能体之间的关系[2]。
图2.1完全型网络结构 图2.2 层次型网络结构
图2.3联盟型网络结构 2.2从多智能体协调系统的体系结构来划分 多智能体协调系统的体系结构是整个系统执行协调合作任务的基础，决定了系统的能力和局限性。多智能体协调系统的体系结构分为集中式(Centralized)、分散式(Decentralized)和分布式(Distributed)三种。协调(Coordination)是指智能体对自己的局部行为进行推理，并估计其他智能体的行为，以保证协作行为以连贯的方式进行的一个过程。 (1) 集中式(Centralized)控制结构 系统由一个智能体集中控制整个系统，它是一种规划与决策的自上而下Top-Down式的层次控制结构，其层的数量和复杂性决定了系统响应所需的时间和行为决策的质量。系统的协调性较好，但实时性、动态性较差，对环境变化响应能力差，集中式系统由一个核心智能体和多个与之在结构上分散的、独立的协作智能体构成。核心智能体负责任务的动态分配与资源的动态调度，协调各协作智能体间的竞争与合作。该类系统较易实现系统的管理、控制和调度。 (2)分散式(Decentralized)控制结构系统 各智能体具有高度智能自治能力，各智能体自行处理信息、自行规划与决策、自行执行自己的任务，与其它智能体相互通讯来协调各自行为而没有任何集中控制单元.这种结构有较好的容错能力和可扩展性，但对通讯要求较高(多边通信)，且多边协商效率较低（各有各的算法，思路不统一），无法保证全局目标的实现。 (3)分布式(Distributed)控制结构系统 其介于上述两者之间，是一种全局上各智能体等同的智能分布一分层式结构而局部集中的结构方式。这种结构方式是分散式的水平交互与集中式的垂直控制相结合的产物，其由彼此独立、完全平等、无逻辑上的主从关系的、能够自律的一组智能体构成。各智能体按预先规定的协议，根据系统的目标、状态与自身的状态、能力、资源和知识，利用通信网络相互间协商与谈判，确定各自的任务，协调各自的行为活动，实现资源、知识、信息和功能的共享，协作完成共同的任务以达到整体目标。在该类系统中，各智能体在结构和功能上彼此独立，都以同样的方式通过网络通信相互发生关系，具有良好的封装性，因此使系统具有很好的容错性、开放性和扩展性。既提高了协调效率，又不影响系统的实时性、动态性、容错性和扩展性[5]。
图2.4 集中式、分散式、分布式控制系统结构 3.多机器人控制系统模型 系统控制结构明确了系统中具有不同职能的个体相互间的控制关系。与MAS体系结构相同，多移动机器人系统的控制结构也分为集中和分散两种类型，其中分散式又可分为分层式和分布式。为了实现多移动机器人系统动态和灵活的控制，借鉴MAS体系结构的研究，这里设计了一种多移动机器人协调控制系统模型。