机器人群体协作控制研究

机器人群体的协作控制研究主讲人：2015.04.171主要内容一、机器人群体系统若干行为研究现状二、群体系统的蜂拥控制三、多机器人围捕行为四、研究展望2第一部分

机器人群体系统若干行为研究现状蜂拥行为围捕行为编队控制3机器人群体系统机器人群体体统——由许多无差别的自治机器人组成的分布式系统，主要研究如何使能力有限的 机器人通过交互产生群体智能。大学的

C.R.Kube等人研制的

CollectiveRobotics系统——昆虫社会的一种人工模拟。目的是将许多简单的机器人组成成一个团体完成一些有意义的工作。4

USC大学的学者Maja.J.Mataric等采用自下而上的路线，基于行为的方式研究分析、设计机器人群体行为的突现，针对多移 器人协调、协作建立了实验系统The

NerdHerd5国内的多移

器人系统研究从二十世纪九十年代末开始发展，成为当前机器人学中最受重视的研究领域之一。沈阳自动化 （机器人学 ）：研制多移 器人装配系统MRCAS。为代表的 交通大学：多机器人系统平台研究多移

器人的自主编队、三维

重建以及动态环境中基于滚动窗口的路径规划。6自然界的蚂蚁、蜜蜂等昆虫群体， 能力有限，但它们协同合作（交互作用）呈现出智能行为—对于生态群体中 的生存是必要的。通过人工模拟自然界和人类社会群体有助于机器人群体系统的研究。7基于仿生学原理的机器人群体系统行为蜂拥行为自然界中鸟群、鱼群等集体运动行为，即蜂拥行为。生物学家、计算机学家和物理学家等试图理解鱼群、鸟群等动物群体在没有 控制与全局信息的情况下如何达到飞行或 方向的一致。89生物学系统的研究启发工程学群体系统（大规模机器人群体）研究，即受生物群体的协调性行为启发而研究工程智能群体行为。10围捕行为自然界中狼群对驯鹿的捕食。多机器人协作围捕移动目标是研究如何指导一群自主型移动机器人（追捕者）相互合作去捕捉其它 或者群体。各种 装备的智能化程度，应用前景：军事领域，可大幅度的提高提高无人装备的战斗力；工业控制领域，可以提高工厂自动化程度，降低产品成本，提高生产效率等；11编队控制多机器人编队控制（队形形成和队形保持）研究主要包括：如何形成队形；如何在行进过程中保持队形；如何在行进中避开 物；如何根据需要随时改变队形的形状；能否实现任意形状的队形。12编队飞行的微型机器人13早期的多机器人系统队形保持问题研究主要集中在如何形成队形和如何在行进过程中保持队形两个方面。近年来，多机器人系统队形保持问题的研究主要集中在如何在动态未知环境下保持队形，如何利用保持队形的多机器人系统来完成给定任务，以及如何在保持队形的同时避开环境中的各种 等方面。动物界群体的行为多种多样，其中所表现的群体智慧令人叹为观止。探讨群体行为的机制和规律对于理解自然和社会中的复杂现象及实际应用具有重要的意义。14群体方向的同步群 置的集结同步蜂拥控制算法蜂拥控制的仿真第二部分

群体系统的蜂拥控制15flocking（蜂拥）蜂拥：大量一起运动。自然界中大雁、鱼群的涌现、细菌群落、狼群对驯鹿捕食、蚁群和蜂群等都是蜂拥行为。

蜂拥行为，具有适应性、鲁棒性、分散性和自组织性。其特点：从简单的局部规则涌现出协调的全局行为。

1986年，Reynolds提出Boid模型：分离（separation）聚合(cohesion)速度匹配(alignment)16分离（separation）：与邻居聚合（cohesion）:

与邻居避免碰撞；保持紧凑；速度匹配（alignment）：与邻居速度保持一致。为满足Reynolds三条规则，基本的蜂拥控制算法可以采用下面的方式：ui

i

i是i采用速度一致算法，用于实现智能体之间的速度匹配（方向同步）；

用i于实现分离和聚合两条规则（群置集结）。17Anti-flocking（反蜂拥）反蜂拥：独自运动。自然界中一些动物是独居者喜欢单独行动寻觅食物，如：无脊椎的蜘蛛、章鱼，昆虫中的步甲、螳螂，鱼类中的斗鱼、大白鲨，鸟类中的金雕、褐马鸡等都是反蜂拥行为。Anti-flocking的三条规则：避免碰撞（Collision

avoidance）:与最近的

物 保持安全距离；离群De-centering：试图远离其邻居们（即邻居中心）；自我为中心（selfishness）：以上两种情况不发生的情况下，运动获得最大的收益。18Three

rules

ofanti-flocking19群体方向的同步同步，是指系统中初始位置分布杂乱无章的，其运动方向通过局部交互作用经过一段时间后，每个的方向最终趋于一致。多系统达到同步是指所有的角度满足i

it1,,2)(,3limNt的初始角度，注：最终的角度

，依赖于初始状态，如的初始位置，系统总数目N

，速度

及邻域半径r20同步Synchronization21邻居图和连通图邻居图，指N个的位置构成的图。连通图，指在邻居图当中所有 之间可以直接或间接地通过边连接起来所构成的图。The

neighbor

graphConnectivuty

graph2223的用数学语言描述为：对于群体内任意

i,

j

，总存在相应注：研究的同步问题就是需要保证邻居图自始至终都是连通的。集合s

{k,l,||

xm

xn

||

r,||

xnm,n},

使得||

xi

xk

||

r,||

xk

xl

||

r,

x

j

||

r皆成立，或者||

xi

x

j

||

r

成立。方向同步的建模Vicsek模型的线性化方程（即 角度更 律）：的位置更新方程：i

i

tNj

j

txi

(t

1)

xi

(t)

v

cosi

(t),i

i

i

y

(t

1)

y

(t)

v

sin

(t),i

1,2,324仿真结果图（c）（a）

（b）仿真参数和结果比值表251）

感知半径较大时，即保证了每个

都有一定数目的邻居，可观测到的范围较大。实现广义上的方向同步。2）速度增大，半径不变，由图（a）和图（b）仿真结果可知：运动速度的变化不会影响群体同步的方向角。3）速度不变，半径减小，影响同步方向角，且同步需要的时间延长。4）感知半径减小到一定程度，使得群体邻居图很难保证再连通。实现了方位的同步，但是群体已经分离成几个不同的部分。（d）（e）26群

置集结运动特性方程：g

xi

x

j

,i

1,

2

,

Nj

N

(i)ix

2y

c

g

y

y

a

b

e（N=30，r=60）（N=30，r=15）27即

x

j

jNi

t

ui

ve

i

g

xj

i同步蜂拥控制算法的表达形式：ui

i

ivi

ui同步蜂拥控制算法蜂拥控制实质是基于“分离、调整和 ”规则进行的。假设智能agenti

的运动方程：

ri

vi

28前提条件是初始状态的邻居图是连通的。否则，产生局部蜂拥现象，对于整个群体来说产生 现象。现象增强 之间的群体初始状态连通性能力。29情况下的处理

i朝着离它距离最远的邻居运动30蜂拥控制仿真结果初始分布最终分布运动轨迹图r

2531r

20r

20基于提出方法和特殊异常情况处理方案的仿真结果

0.3215t

150r

8t

2000t

10000t3212000初始位置分布成圆形状的群体仿真结果33第三部分多机器人围捕行为目标逃逸策略基于虚拟势点的围捕策略围捕队形控制围捕终止条件34围捕行为的建模目标逃逸策略围捕机器人未进入目标机器人感知范围时，目标机器人向目标点运动(x

xe

)

j(

y

ye

)y

(x

xe

)

j(

y

ye

)围捕机器人进入目标机器人感知范围时，分两种情况

围捕机器人对目标机器人没有形成包围的情况y

w1VNVt

Vi

/

dii1w1

w035未形成围捕

形成围捕围捕机器人对目标机器人形成包围的情况目标机器人选择相邻两个围捕机器人连线距离最大的中点进行突破。基于虚拟势点的围捕策略“夹角最小”选择动态虚拟势点原则只采用此策略会出现“死锁”情况3637围捕任务决策图围捕机器人“势点”选择示意图围捕“死锁”状态示意图“距离最近”选择动态势点原则~~d

j

min2

2

xi

x

j

yi

y

j

“切换式”围捕策略目标机器人运动时，选择夹角最小策略；目标机器人被迫停止时，选择距离最近策略。注：围捕机器人i阻挡j向目标机器人虚拟势点运动，导致无法完成任务。38围捕队形控制xi

wij

vij

0wij

w0围捕机器人队形控制势场函数“圆形”状队形智能

运动示意图邻居

位姿匹配示意图39围捕终止条件目标机器人被围捕示意图40目标机器人无论到哪两个相邻围捕机器人连线的中心的距离都不小于这两个围捕机器人中任一个到中心的距离。围捕行为仿真环境建模

某一时刻围捕示意图

围捕成功示意三种策略每种各运行三组每组运行100次所得结果如表所示图41编队队形是“圆形”状“链状”和“圆形状”围捕时间和成功率比较目标机器人与围捕机器人速度比率大于1时，仿真结果42为了进一步加快围捕任务的完成和提高围捕效率，对围捕机器人进行队形控制且保持编队队形向着目标机器人同步运动，最终实现围捕完成围捕任务。43研究展望1）群体动态行为的模型及其控制算法.2）群体的自适应性，即可变的环境里能选择和 新目标的性能.3）群体规模的可扩展性（由低阶的群体析构造期望的大规模群体的性能）.4）群体的优化性能.动态性能分5）群体的鲁棒性，即追寻目标的 能力.6）工程群体设计问题中：对于群体系统的研究最终目的是设计自适应、鲁棒的、可扩展的工程