多机器人协调技术研究

论文摘要

本文针对多机器人技术中的两个典型问题:多机器人避碰和多机器人编队,从理论的角度出发,研究和完善了基于行为的多机器人避碰和编队算法。对于多机器人避碰问题,把机器人的行为分为奔向目标行为、躲避静态障碍物行为、绕壁行为、躲避其他机器人行为、随机行为。分别通过传感器探测和机器人观察目标点得到机器人周围的局部信息与全局信息。决策层综合局部信息和全局信息的优缺点,结合两种方式做出决策,某一时刻采用行为切换的方式,输出某一种行为。躲避静态障碍物利用了人工势场法理论;在机器人相互间避碰时采用交通规则法;当狭小区域或机器人比较多而导致机器人不动时,随机行为可以给机器人施加一个随机扰动,大多数情况下使机器人继续前进;当随机扰动不起作用时,就启动绕壁行为使机器人摆脱死锁点。对于多机器人编队问题,先是把机器人的行为分解为奔向目标行为、保持队形行为、躲避障碍物行为、躲避机器人行为、随机扰动行为,然后由经验函数产生各行为的控制参数,对各行为进行加权合成最终的行为输出。和多机器人避碰一样,决策层综合局部信息和全局信息的优缺点,结合两种方式做出决策。使用领队-跟随者的方法控制队形,领队者主要任务是带领全队向目标点前进,跟随者把领队者当作参考点,及时校正自己的队形位置。为了更加有效的保持队形,决策层可以依据策略灵活更换领队者。同样也引入了随机行为和绕壁行为使机器人可以摆脱死锁点。机器人所面临的环境常常是不确定的,加上机器人状态的多样性,机器人可能有多种可选择的策略,光靠设计人员全面考虑的各种可能会出现的情况来设计机器人的行为是不太现实,而且效率极其低的。让机器人会自主学习,适应环境是一种发展趋势。遗传算法就是一种很有效的准优化求解方法,用遗传算法优化多机器人编队的各行为控制参数,并对各行为进行了合成。算法的验证离不开实验,选用matlab6.5为开发平台,对多机器人避碰和多机器人编队进行了仿真,证明了算法的可靠性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 机器人的发展史和多机器人系统的特点
• 1.2 研究目的
• 1.3 多机器人系统中的基本问题
• 1.3.1 多机器人协调系统的控制结构
• 1.3.2 感知
• 1.3.3 通信
• 1.3.4 学习
• 1.4 国内外发展状况
• 1.5 本文研究工作
• 第2章 多机器人避碰
• 2.1 概述
• 2.2 移动机器人的控制结构及其传感器模型
• 2.3 多机器人避碰实现
• obstacle行为设计'>2.3.1 avoid_obstacle行为设计
• wall行为设计'>2.3.2 fall_wall行为设计
• robot行为设计'>2.3.3 avoid_robot行为设计
• move行为设计'>2.3.4 rand_move行为设计
• 2.3.5 决策模块
• 2.4 多机器人避碰仿真
• 2.5 本章小结
• 第3章 多机器人编队
• 3.1 引言
• 3.2 多机器人队形问题
• 3.2.1 典型队形
• 3.2.2 队形控制问题
• 3.3 多机器人编队控制模型
• 3.4 多机器人编队行为实现
• 3.4.1 多机器人编队行为库
• 3.4.2 行为控制参数产生函数模块
• 3.4.3 决策模块
• 3.4.4 协调机制
• 3.5 多机器人编队仿真
• 3.6 本章小结
• 第4章 遗传算法优化多机器人编队行为控制参数
• 4.1 引言
• 4.2 遗传算法原理
• 4.2.1 遗传算法的产生与发展
• 4.2.2 遗传编码
• 4.2.3 适应度函数
• 4.2.4 遗传操作
• 4.2.5 遗传算法控制参数的选择和基本过程
• 4.3 多机器人编队行为控制参数遗传算法优化
• 4.4 遗传算法优化多机器人编队仿真
• 4.5 本章小结
• 第5章 仿真软件开发
• 5.1 引言
• 5.2 多机器人避碰仿真软件开发
• 5.2.1 多机器人避碰仿真软件功能
• 5.2.2 多机器人避碰流程
• 5.2.3 多机器人避碰仿真实例
• 5.3 多机器人编队仿真软件开发
• 5.3.1 多机器人编队仿真软件功能
• 5.3.2 多机器人编队流程
• 5.3.3 多机器人编队仿真实例
• 5.4 遗传算法优化多机器人编队仿真软件开发
• 5.4.1 遗传算法优化多机器人编队仿真软件功能
• 5.4.2 遗传算法优化多机器人编队流程
• 5.4.3 遗传算法优化多机器人编队仿真实例
• 5.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢