推荐星级：

栅格地图中多机器人协作搜索目标

更新时间：2019-12-30 09:34:46 大小：22M 上传用户：IC老兵查看TA发布的资源 标签：机器人 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

目标搜索是多机器人领域的一个挑战.本文针对栅格地图中多机器人目标搜索算法进行研究.首先,利用Dempster-Shafer证据理论将声纳传感器获取的环境信息进行融合,构建搜索环境的栅格地图.然后,基于栅格地图建立生物启发神经网络用于表示动态的环境.在生物启发神经网络中,目标通过神经元的活性值全局的吸引机器人.同时,障碍物通过神经元活性值局部的排斥机器人,避免与其相撞.最后,机器人根据梯度递减原则自动的规划出搜索路径.仿真和实验结果显示本文提及的算法能够实现栅格地图中静态目标和动态目标的搜索.与其他搜索算法比较,本文所提及的目标搜索算法有更高的效率和适用性.

部分文件列表

文件名	大小
1577669680栅格地图中多机器人协作搜索目标.pdf	22M

立即下载

【关注视频号领20积分】【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）

控制理论与应用

Control Theory & Applications

第 35 卷第 3 期

2018 年 3 月

Vol. 35 No. 3

Mar. 2018

DOI： 10.7641/CTA.2017.70242

栅格地图中多机器人协作搜索目标

曹翔^1,2†, 孙长银¹

(1. 东南大学自动化学院, 江苏南京 210096; 2. 淮阴师范学院物理与电子电气工程学院, 江苏淮安 223300)

摘要：目标搜索是多机器人领域的一个挑战. 本文针对栅格地图中多机器人目标搜索算法进行研究. 首先, 利用

Dempster-Shafer证据理论将声纳传感器获取的环境信息进行融合, 构建搜索环境的栅格地图. 然后,基于栅格地图

建立生物启发神经网络用于表示动态的环境. 在生物启发神经网络中, 目标通过神经元的活性值全局的吸引机器

人. 同时, 障碍物通过神经元活性值局部的排斥机器人, 避免与其相撞. 最后, 机器人根据梯度递减原则自动的规划

出搜索路径. 仿真和实验结果显示本文提及的算法能够实现栅格地图中静态目标和动态目标的搜索. 与其他搜索

算法比较, 本文所提及的目标搜索算法有更高的效率和适用性.

关键词：多机器人; 目标搜索; Dempster-Shafer理论; 生物启发神经网络

引用格式：曹翔, 孙长银. 栅格地图中多机器人协作搜索目标. 控制理论与应用, 2018, 35(3)： 273 ꢀ 282

中图分类号： TP273

文献标识码： A

Cooperative target search of multi-robot in grid map

CAO Xiang^1,2†, SUN Chang-yin¹

(1. School of Automation, Southeast University, Nanjing Jiangsu 210096, China;

2. School of Physics and Electronic Electrical Engineering, Huaiyin Normal University, Huai’an Jiangsu 223300, China)

Abstract: Target search is a challenge in multi-robot exploration. This paper focuses on an effective strategy for

multi-robot target search in grid map. First, the Dempster-Shafer theory of evidence is applied to extract information of

environment from the sonar data to build a grid map of the environments. Then, a topologically organized biologically

inspired neural network based on the grid map is constructed to represent the dynamic environment. The target globally

attracts the robots through the dynamic neural activity landscape of the model, while the obstacles locally push the robots

away to avoid collision. Finally, the robots plan their search path to the targets autonomously by a steepest gradient descent

rule. The proposed algorithm deals with various situations such as static targets search, dynamic targets search in the grid

map. The results of simulation and experiment show that the proposed algorithm is capable of guiding multi-robot to

achieve search task of multiple targets with higher efﬁciency and adaptability compared with other algorithms.

Key words: multi-robot; target search; Dempster-Shafer theory; biologically inspired neural network

Citation: CAO Xiang, SUN Changyin. Cooperative target search of multi-robot in grid map. Control Theory &

Applications, 2018, 35(3)： 273 ꢀ 282

1 引言(Introduction)

器人一些简单的行为集, 例如：沿着边界搜索、简单避

障等, 基于这些简单行为的分层组合可以完成简单环

境中的目标搜索任务. Balch等^[5]将基于行为和启发式

方法用于多机器人目标搜索任务中, 很好的解决了地

图覆盖问题. 但是算法并不能保证地图搜索的完全性,

也不能保证无重复, 使得搜索效率低下, 而且机器人

之间基本无协作, 违背了使用多机器人进行目标搜索

多机器人目标搜索是指多个机器人通过协作, 利

用自身携带的传感器对环境中的目标进行搜索. 目标

搜索是实现救援、侦查、防御等任务的重要环节, 是多

机器人研究的重要内容之一^[1ꢀ4]. 国内外许多专家学

者专注于多机器人协作搜索策略的研究, 并得出了大

批的研究成果.

的最初目的^[6ꢀ7]

为了增加多机器人之间的协作, Yamauchi^[8]提出

基于行为策略的目标搜索是早期研究中常见的方

法之一. 行为策略是一种启发式方法, 该算法赋予机

收稿日期： 2017-04-10; 录用日期： 2017-09-28.

^†通信作者. E-mail： ; Tel.： +86 18915120990.

本文责任编委：谭民.

国家自然科学基金项目(61520106009, 61773177), 江苏省博士后基金项目(1701076B)资助.

Supported by the National Natural Science Foundation of China (61520106009, 61773177) and the Postdoctoral Science Foundation of Jiangsu

Province (1701076B).

274

控制理论与应用

第 35 卷

了一种基于边界的分布式多机器人目标搜索策略. 该

算法将“边界”定义为已知开阔区域与未搜索区域之

间的分界线. 其使用栅格占有率的方法来表征所探索

的地图, 多机器人之间分享各自的感知信息, 维护独

立的全局地图. 处于搜索中的每个机器人不断地选择

最近的边界点对环境进行搜索, 直到所有可达的区域

都被搜索完毕继而完成任务^[9ꢀ10]. 由于这种策略各个

机器人之间协调信息很有限, 可能导致某些机器人驶

往同一边界重复搜索甚至造成碰撞, 从而搜索效率低

下.

纳信度分配值; 二是通过DꢀS(Dempster-Shafer)证据

理论信息融合更新栅格地图; 三是地图栅格状态判定.

2.1 声纳信度分配值(Certainty values of sonar)

机器人携带的声纳传感器单个探测领域的模型如

图1所示, 设声波辐射半径量程R, 辐射误差d, 辐射角

度α.

市场经济算法在多机器人目标搜索领域的应用,

提高了搜索效率^[11]. 如Berhault等^[12]提出一种基于组

合拍卖的多移动机器人协同搜索策略, 该策略考虑了

各目标之间的关系, 对多个目标进行组合拍卖, 明显

提高了搜索效率, 但由于组合的数量以目标数的指数

级增加, 所以出现了目标分配计算量大的缺点. 因此

市场经济策常用于静态已知环境下的小规模的多机

器人系统, 不适用于未知环境中大规模多机器人系统

的搜索任务.

图 1 声纳传感器模型

Fig. 1 Model of the sonar

对于未知环境中多机器人的目标协作搜索, Wag-

ner等^[13]提出了多机器人通过留下化学气味轨迹的方

式进行相互间的交流和协作机制. 该算法设定化学气

味能够随着时间变长而挥发, 并且在机器人到达某一

点后, 该点的化学气味会增强. Ferranti等在文献[14]

中提出一种基于多机器人自主搜索未知环境的方法,

通过单个机器人往其所在未知环境中加标签的方式

实现机器人节点的间接交流, 从而避免室内环境下无

线通信方式存在的不可靠、距离短等缺点. 在文献

[15ꢀ16]中提出了一种基于粒子群优化模型的分布式

自组织多机器人目标搜索算法, 其将粒子群优化算法

在抽象解空间中对最优解的搜索过程转化为在未知

地图中对未搜索区域的搜索过程, 以此来实现对未知

环境的目标搜索. 但是上述方法都需要很大的存储空

间, 不适合大范围大规模的目标搜索任务.

图中θ_o是声纳的探测角, 假设某一障碍物的惯性

坐标是(x^′_e, y_e^′), 机器人的惯性坐标是(x_r, y_r) , 则障碍

物相对于机器人的坐标为B = (x_e^′- x_r, y_e^′- y_r) , 同

时在声纳传感器的中心轴线上的某一点是A = (x_e^′-

x_r, 0), 于是可求得^[17ꢀ18]

OA · OB

θ_o= arccos

| OA | · | OB |

(x^′_e- x_r)(x_e^′- x_r) + 0 · (y_e^′- y_r)

√

(1)

(x_e^′- x_r)²· (x_e^′- x_r)²+ (y_e^′- y_r)²

对于区间I(R - d ≤ r ≤ R + d), 有声纳信度分配

值：

■

α- |θ_o|

d- |R- r_o|

ꢀ

(

) + (

)

ꢀ

ꢁ

m_O(i, j) =

对此, 本文在栅格地图的基础上引入生物启发神

经网络, 提出一种多机器人目标搜索策略. 该策略搜

索效率高、搜索路径重复率低, 使得机器人能够快速

的完成未知环境中的目标搜索任务. 算法包括3个部

分： 1) 根据机器人携带的声纳传感器获取的环境信

息, 通过DꢀS(Dempster-Shafer)证据理论进行信息融

合, 构建栅格地图; 2) 在栅格地图上引入生物启发神

经网络, 将神经元活性值赋给每一个栅格, 3) 机器人

根据周围栅格的神经元活性值规划搜索路径. 本文提

出的多机器人目标搜索算法能够实现栅格地图中的

静态和动态目标搜索, 与市场经济搜索算法和粒子群

优化搜索算法相比能够用更短的路径发现目标.

(2)

ꢀ

m (i, j) = 0,

ꢀ

ꢂ

(i, j) = 1.00 - m_O(i, j).

对于区间II(R_min≤ r_o≤ R - d), 有声纳信度分配

{OE}

值：

■

ꢀ

m_O(i, j) = 0,

ꢀ

ꢁ

α - |θ_o|

R - r_o- d

R - d

(

) + (

)

(3)

ꢀ

m_E(i, j) =

ꢀ

ꢂ

(i, j) = 1.00 - m_E(i, j),

{OE}

其中： m_O(i, j)是栅格为障碍物的声纳信度函数分配

值; 而m_E(i, j)为栅格非障碍物的声纳信度函数分配

值; 该栅格不确定状态模式的声纳信度函数分配值是

2 栅格地图构建(Grid map building)

构建栅格地图包括3个方面：一是机器人携带的声

纳采集的环境信息转换成栅格地图中每个栅格的声

(i, j). 机器人通过声纳模型返回的声纳信度函

{OE}

数分配值获取环境信息.

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

栅格地图中多机器人协作搜索目标

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页