CN115752473B 分布式多机器人导航方法、系统、存储介质及设备 （山东大学）

本发明涉及分布式多机器人导航方法、系在指定时刻的RGB图像、激光雷达数据以及运动矢量数据，基于视觉编码器提取RGB图像和激光雷达数据中的特征，并将RGB图像的特征转换为信范围内所有邻居机器人的传感器级别特征向接的传感器级别的特征向量和智能体级别的邻域感知向量作为行为者网络和批评者网络的输2将视觉特征隐向量和激光雷达特征通过传感器融合网络进行融合将连接的传感器级别的特征向量和智能体级别的邻域感知向量作为行为者网络和批2.如权利要求1所述的分布式多机器人导航方法，其特i表示机器人i的邻居集合。第一轮机器人i聚合的领域消息b'通过投影所有M3少两个顺序全连接层和至少两个分支的输出层，其中一个输出平移速度afr,另一个输出层次化感知融合模块，被配置为：将视觉特征隐向量和激光策略学习模块，被配置为：将连接的传感器级别的特征向量和智能体9.一种计算机可读存储介质，其上存储有计算机程上述权利要求1_7任一项所述的分布式多机器人导算机程序，所述处理器执行所述程序时实现如权利要求1_7任一项所述的分布式多机器人4[0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技[0006]为了解决上述背景技术中存在的技术问题，本发明提供分布式多机器人导航方5[0012]将连接的传感器级别的特征向量和智能体级别的邻域感知向量作为行为者网络[0013]视觉编码器将RGB图像中的潜在表示投影到语义分割图和深度估计图上，得到表平移速度afw,另一个输出旋转速度afr:批评者网络根据神经元的输出层生成状态值6[0038]图1是本发明一个或多个实施例提供的基于层次化感知融合的分布式多机器人导[0039]图2为本发明一个或多个实施例提供的使用语义分割和深度估计任务训练视觉编7[0044]图7(a)_(c)为本发明一个或多个实施例提供的扩展性实验过程的各指标评估结[0050]本实施例所提出的基于层次化感知融合的分布式多机器人导航方法的模型架构[0053]本实施例将多机器人运动规划问题表述为团队中的每个机器人计划在指定的时到的消息集af,通过策略m:(of,af)生成其动作af。为了找到最优策略，本实施例的目标是8其中视觉观测of,是由机器人具有90度视野的正面RGB相机拍摄的像素为128*128的RGB彩动测量矢量ofz=[ofw,ofrof,,of,ofo],其中ofw和ofm分别表示第i个机器人当前的平移速度和旋转速度，of,和ofn分别表示机器人i的目标gi(摄像机或激光雷达都无[0062]视觉特征编码器是将高维RGB图像of,转换为有效的潜在表示啡,它应该对场景[0064]通过双任务监督学习，共享编码器产生的潜在表示包含对语义和几何信息的理ReLU滤波器非线性的1×1卷积层将潜在表示卷积成一个大小为128×4×4的特征映射，然9[0072]其中af和af是通过连接两个特征向量并分别应用具有128和2个单元的两个连续人i及其邻居机器人j的重要性得分计算如跃连接来增强单个特征，然后将连接的特征[bf,If,通过128个LeakyReLU单元的一个全连[0103]本实施例在配备IntelI7_9800XCPU(3.80GHz)和NVIDIAGTX2080TiGPU的工作站上进行实验，并在PyBullet的3D模拟器中构建训练和测试环境。本实施例选择[0112]SelComm：这是一种先进的基于激光雷达的方法，每个机器人都需要进行全局通数机器人的策略是否对大型机器人团队仍然有效。本实施例构建了大小为8×8米的场景1本实施例为位置交换任务设计了六个不同大小的机器人团队：场景1有12、16和20个机器理器执行时实现如上述实施例一所述的分布式多机器人导航方法中承载用于由处理器执行的指令集并使处理器执行本发明