基于自组织结对行为的群集机器人分群控制方法

针对群集机器人的分群问题,以E-puck群集机器人系统为研究平台,从外部刺激信息在群集内有效传播的角度出发,提出了一种基于自组织结对行为的群集机器人分群控制方法。该方法利用机器人航向的变化表征其应激反应强度,并引入两两结对行为实现刺激信息在群集内部传播的最大化。在此基础上,结合传统的"分离/组队/聚合"规则对机器人的运动行为进行协调,实现了机器人群集在外部刺激下的自发分群行为。实验结果表明:该方法不仅能实现机器人群集的应激分群运动,而且分群后的子群仍具备良好的稳定性。

均分点蚁群算法在群集机器人任务规划中的应用与研究

提出了一种求解群集机器人协作任务规划问题的均分点蚁群算法(EDPACA)。通过多组蚂蚁群相互协作搜索,构架了一种新蚁群算法的解结构,并设计了更合理的评估函数,使其在评价时充分考虑均衡任务点探测,最后利用2-opt技术解决了各子周游路径的交叉问题,获得了总代价最优的解。该算法将蚁群技术首次应用于集群机器人的任务调度规划中,成功解决了中大规模任务规划问题。仿真实验结果表明,均分点蚁群算法能提高群集机器人执行任务的效率,同时也是解决多旅行商问题的另种新思路。

基于拟生灭过程的群集机器人任务分配宏观分析与预测

以预测由个体局部规则涌现的全局行为为目的,提出一种新的群集机器人任务分配宏观模型,提供了解系统性能与作为模型参数的群集规模之间关系的分析手段,尤其是该模型对于任务类型和群集规模都没有限制。通过拟生灭过程模型建立系统任务分配动态性的演化方程,首次引入矩阵分析法到群集机器人领域,求解了宏观模型的闭式稳态解,发现了系统任务分配在稳态服从的统计规律。进行了包含上百个机器人的仿真,其结果说明了模型预测与分析的正确性和可靠性。

基于选择性交互的群集机器人协同避险方法

群集机器人的协同避险,表征为机器人对外部威胁的集体应对行为。针对基于“平均一致性”规则的速度选择机制在群集机器人协同避险过程中效率低下的问题,提出一种将“速度平均”和“速度选择”相结合的选择性速度协同策略,实现外部威胁信息在群内的定向传播,达到群集机器人稳定高效避险的目的。仿真结果表明,所提出的基于选择性交互的协同避险算法能够实现群集机器人的避险运动,且避险效率优于基于“速度一致性”规则的群集机器人系统。

基于图卷积模仿学习的分布式群集控制

针对受限通信条件下机器人群集协同控制问题,提出基于图卷积模仿学习的分布式群集控制策略.该策略旨在实现群集内避障、速度一致性的基础上,提高群集鲁棒性,提升避免群集分裂的成功率.提出基于熵评价的群集鲁棒性量化评价指标,建立节点和链路重要性的均衡分布与群集鲁棒性的联系.提出重要度相关图卷积网络,用于实现受限通信条件下非欧氏数据的特征提取和加权聚合.采用图卷积模仿学习方法,根据提升群集鲁棒性的要求设计集中式专家策略,通过对集中式专家策略的模仿,得到分布式群集协同控制策略.设计仿真实验,证明所得的分布式策略基于受限通信条件实现了接近集中式的专家策略的控制效果.