一种自组织的群体机器人聚集算法的研究

论文摘要

在自然界中,群体生物利用聚集行为来防止被捕食、保持中心温度或选择住所等。在受群体生物启发的群体智能和群体机器人系统中,群体机器人的聚集行为被认为是一种基本的群体行为,同时也是许多群体机器人系统应用的一个基础前提工作。然而,因为群体机器人系统中个体机器人的探测和通讯能力等都非常有限,在群体机器人的自组织聚集过程中,会产生局部聚集现象,即产生多个局部的小的机器人聚集体,却很难产生一个全局的大的机器人聚集体。为了解决群体机器人自组织聚集中存在的局部聚集现象,使所有的机器人能够最终聚集在一起,本文提出了一种基于线性计时的聚集算法。该算法是受自然界群体生物基于信号放大机制实现聚集的启发,算法的核心思想为:处于聚集体中的每一个个体机器人具有一个生命期,生命期的长短与所在聚集体的大小成线性正比(比例参数称为线性计时因子K),当生命期结束的时候,个体机器人离开所在聚集体,从而去寻找其他聚集体,这样,个体机器人会容易离开小的聚集体,却会长时间留在大的聚集体当中,随着时间的推移,所有机器人能够全部聚集在一起。本文通过仿真平台和真实机器人对基于线性计时的聚集算法进行实验验证。实验共包括三个部分:(1)在仿真平台上验证基于线性计时的聚集算法。仿真实验的结果表明基于线性计时的聚集算法具有收敛性和可扩展性,并且算法的性能受线性计时因子K的影响:在机器人密度比较低的情况下,增加K的值,会提高算法的性能;而在机器人密度比较高的情况下,减小K的值,能够提高算法的性能。(2)在真实的机器人上实现了基于线性计时的聚集算法。该实验说明基于线性计时的聚集算法能够应用在真实的机器人上;此外,因为硬件机器人的探测能力比仿真实验中使用的机器人模型的探测能力更具有局限性,所以该实验说明了基于线性计时的聚集算法的核心思想具有一定的普遍性,不受机器人模型的限制。(3)通过仿真实验对基于线性计时的聚集算法与基于Probabilistic Finite State Automata(PFSA)的聚集算法进行对比。对比实验选取无邻居反馈的PFSA聚集算法和有邻居反馈的PFSA聚集算法。实验结果表明基于线性计时的聚集算法与对比的两种基于PFSA的聚集算法相比,在机器人数量较多的情况下,在相同的时间内能够产生更大的聚集体。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 研究背景和意义
• 1.2.1 自然界群体生物的聚集
• 1.2.2 群体机器人的自组织聚集
• 1.2.3 研究难点与关键问题
• 1.2.4 背景补充：群体智能和群体机器人
• 1.3 国内外研究现状
• 1.3.1 群体机器人自组织聚集算法
• 1.3.2 机器人的相互感知机制
• 1.4 本文的主要贡献
• 1.5 本文的组织结构
• 1.6 本章小结
• 第二章 基于线性计时的聚集算法
• 2.1 引言
• 2.2 问题与目标
• 2.3 算法思想
• 2.4 算法设计
• 2.4.1 机器人的相互通讯和识别
• 2.4.2 机器人的行为状态
• 2.4.3 机器人行为状态的转换
• 2.4.4 系统层面算法流程
• 2.5 算法具体实现
• 2.5.1 算法初始态
• 2.5.2 机器人的通讯交互
• 2.5.3 机器人行为状态的实现
• 2.6 本章小结
• 第三章 算法的硬件实现
• 3.1 引言
• 3.2 硬件实现和算法调整
• 3.3 硬件实现的难点与解决方案
• 3.3.1 中断控制
• 3.3.2 碰撞开关失效
• 3.3.3 机器人运动控制
• 3.3.4 无线通讯距离
• 3.4 本章小结
• 第四章 与基于PFSA 的聚集算法比较
• 4.1 引言
• 4.2 基于PFSA 的聚集算法
• 4.3 基于PFSA 的聚集算法的实现
• 4.3.1 无邻居反馈的PFSA 聚集算法与实现
• 4.3.2 有邻居反馈的PFSA 聚集算法与实现
• 4.4 算法对比的评估标准
• 4.5 本章小结
• 第五章 实验与分析
• 5.1 引言
• 5.2 仿真实验平台
• 5.2.1 Player/Stage 仿真平台
• 5.2.2 Stage 层全仿真实现
• 5.3 算法仿真实验
• 5.3.1 实验参数设置
• 5.3.2 实验结果与分析
• 5.3.3 实验结论
• 5.4 硬件演示实验
• 5.4.1 实验参数设置
• 5.4.2 实现结果与说明
• 5.4.3 实验结论
• 5.5 与PFSA 聚集算法的对比实验
• 5.5.1 实验环境与设置
• 5.5.2 实验结果与分析
• 5.5.3 实验结论
• 5.6 本章小结
• 第六章 回顾与展望
• 6.1 全文总结
• 6.2 未来工作
• 参考文献
• 致谢
• 攻读硕士学位期间已发表或录用的学术论文目录