多机器人系统自主协作控制与强化学习研究

论文摘要

本文研究了复杂动态环境下多机器人系统的协作机制以及如何通过强化学习实现机器人的自主规划。提出了适用于组织大规模机器人群体的体系结构,实现了多机器人系统任务级的协作与运动级的协调。对于任务级的协作,首先针对静态任务分配问题提出了一种解决小规模任务分配问题的方法,并将匈牙利方法应用于多机器人系统解决了中等规模任务分配问题;其次,针对动态任务分配问题设计了一种适用于多机器人系统的分布式任务分配机制。对于运动级的协调,首先在采用了“全局规划—局部修正”的路径规划结构基础上,设计了一种基于预测的冲突消解策略作为了局部规划方法;其次,基于强化学习理论提出了一种分层学习方法实现了机器人的自主规划。为了验证所提算法的有效性,开发了一个通用的分布式多机器人仿真环境,并进行了大量的仿真实验研究。实验结果表明,任务分配方法能够满足静态任务分配的实时性与最优性要求,以及动态任务分配的自主性与鲁棒性要求,冲突消解方法具有较高的协调性,基于强化学习的避碰策略能够有效地实现机器人的自主规划并提高了其对环境的适应能力。

论文目录

• 提要
• 第1章 绪论
• 1.1 多机器人系统的发展
• 1.2 与多机器人系统相关的研究领域
• 1.3 多机器人系统关键技术
• 1.4 多机器人系统应用领域
• 1.5 多机器人系统研究现状及存在的问题
• 1.6 本论文主要研究内容
• 第2章 多机器人系统协作任务分配算法
• 2.1 引言
• 2.2 集中式静态任务分配算法设计
• 2.3 分布式动态任务分配算法设计
• 2.4 本章小结
• 第3章 动态环境下多移动机器人路径规划
• 3.1 引言
• 3.2 路径规划方法概述
• 3.3 运动规划结构设计
• 3.4 局部路径规划策略
• 3.5 仿真实验
• 3.6 本章小结
• 第4章 强化学习基本理论及主要算法
• 4.1 引言
• 4.2 强化学习理论
• 4.3 强化学习主要算法
• 4.4 本章小结
• 第5章 基于分层强化学习的移动机器人避障
• 5.1 引言
• 5.2 基于强化学习的机器人避碰策略
• 5.3 仿真实验及其结果
• 5.4 多机器人协作学习
• 5.5 本章小结
• 第6章 多机器人仿真系统开发
• 6.1 多机器人仿真系统应实现的基本功能
• 6.2 仿真系统的构成
• 6.3 仿真系统的分析与设计方法
• 6.4 仿真系统的地图生成方法
• 6.5 仿真实验实例
• 6.6 本章小结
• 第7章 全文总结
• 7.1 本文的研究背景与研究目标
• 7.2 本文完成的主要工作及结论
• 7.3 需要进一步研究的问题
• 参考文献
• 攻读博士学位期间发表的论文
• 攻读博士学位期间参加的科研项目
• 致谢
• 摘要
• ABSTRACT