基于对策论的群机器人追捕-逃跑问题研究

将群机器人追捕-逃跑问题看成具有两个局中人的离散动态对策问题,考虑了距离影响、走步影响、有效包围3个因素,构造出威胁评估函数,通过计算各种可能的策略下追捕者对逃跑者的威胁值得到追捕者的支付矩阵,求解该矩阵即可得到每次走步时对抗双方的最优走步策略.以此作为双方策略选择的数学模型,并在此基础上提出了实时策略选择算法.仿真试验结果验证了该模型和算法的可行性.

追捕逃逸型微分对策问题的识别域判别

研究了仿射非线性控制系统下的单目标两人追捕逃逸型微分对策问题,解决了该类控制系统在不等式约束区域上系统识别域的判别问题,给出了判别识别域的充分必要条件.首先利用生存理论及非光滑分析工具得到了仿射非线性控制系统的识别域判别定理,从而把对该非线性控制系统识别域的判别问题转化为求解凸不等式组的相容性问题.基于凸可行问题的求解方法给出了此问题的投影算法,并给出算法相应的收敛性定理.最后得到了仿射非线性系统下的两人追捕逃逸型微分对策问题的选择定理.

一种多机器人协作追捕-逃跑问题策略研究

提出一种多机器人协作追捕多个移动目标策略.基于主从式协作结构提出了分区主从式协作方法,在确定追捕目标点后通过引入追捕意向、追捕耗时、心智态度等三个指标概念选择最优合作追捕团队成员,并根据逃跑者状况以及协作效用判断追捕结果,评价追捕效率.仿真试验结果证明该策略的可行性及有效性.

多机器人追捕-逃跑问题对策模型的研究

在机器人的研究领域里,多机器人的协调与合作成为了一个非常重要的课题。在这其中,分布式多机器人系统中的机器人之间相互协调与合作的典型问题就是追捕-逃跑问题。基于对策论的原理,针对多机器人的追捕-逃跑问题展开了研究,并将追捕-逃跑问题按空间、时间离散化后转为一个对策模型。

未知环境下多机器人协作追捕算法

研究了在未知环境下一种多机器人协作追捕多个移动目标方法,将追捕过程分为环境地图创建、构建追捕团队,及团队成员协作快速捕获目标三部分.设计抽象传感器模型用于追捕者探索障碍物.综合考虑与捕获目标相关的各种因素建立属性关系样本数据集,提出了利用关联规则数据挖掘技术构建追捕团队的方法.通过对追捕目标位置预测,将追捕问题类比为多机器人协作路径规划问题,在环境地图基础上求解追捕团队到达目标位置的最优路径.仿真结果表明,多机器人能够高效地协作捕获移动目标,证明了所提方法在复杂动态环境下实现的可行性及有效性.

基于运动图式的多机器人合作追捕

为实现多个机器人合作追捕目标机器人,以基于运动图式的反应式控制结构为基础,设计追捕机器人的4种基本行为:奔向目标,避开障碍物,避让队友以及收缩包围,为避免机器人陷入死锁状态,引入随机漫游行为。通过基本行为的矢量合成和机器人之间的局部交互作用,实现多机器人的协作行为。仿真试验验证了该方法的有效性。

动态环境下多机器人合作追捕研究

主要研究了多个自主型移动机器人合作追捕多个运动猎物的追捕—逃避问题.从基于范例的推理缩小任务招标范围、引入辅助决策矩阵改善联盟决策两个方面对传统的合同网协议进行了改进,以减少任务协商过程中的通信开销,接着引入了联盟生命值、违约金等概念,在此基础上,实现了一种允许动态联盟的多机器人合作追捕算法.仿真实验证明了所提算法的可行性和有效性.

基于Fast Marching方法的多机器人追捕算法

多机器人系统的追捕-逃跑问题是人工智能领域一个非常重要的问题。本文为实现多追捕者协作追捕逃跑目标,提出了一种基于Fast Marching方法的多机器人协作追捕策略。追捕过程中,追捕者数量多于逃跑者的情况下,协助追捕者通过构造"活跃区域"与主追捕者的合作,实现一种压迫式的追捕策略。

自利Agent追捕联盟生成算法

多Agent合作追捕是多Agent系统研究的经典问题,在机器人等领域具有重要的应用前景。文章提出了面向任务的自利Agent联盟生成算法,该算法能同时处理多个不同类型的逃跑Agent的任务分配问题;因为追捕Agent和逃跑Agent速度相等,追捕联盟成员位置的分布十分关键,所以提出了基于贡献度的联盟成员选择策略;同时为了较好地体现追捕Agent的自利性,定义了需求度作为自利性的度量,解决了冲突协商且有利于资源的优化配置。通过与经典拍卖算法的比较表明,该算法显著提高了追捕成功率。

基于Metlab的多机器人围捕问题的研究

本文将追捕-逃跑问题按空间、时间离散化后转为一个对策模型,并利用Matlab软件,采用栅格建模的方法来模拟仿真环境,对四个追捕机器人追捕一个目标机器人的实例进行了仿真。通过仿真发现了该支付函数的缺陷。基于此原因,重新定义了局中人的支付函数,通过衰减因子μ,在追捕的不同阶段,根据追捕的具体情况灵活地调整距离影响系数和有效包围系数的权重,从而提高了追捕的效率。

一种基于案例推理的多agent强化学习方法研究

提出一种基于案例推理的多agent强化学习方法。构建了系统策略案例库,通过判断agent之间的协作关系选择相应案例库子集。利用模拟退火方法从中寻找最合适的可再用案例策略,agent按照案例指导执行动作选择。在没有可用案例的情况下,agent执行联合行为学习(JAL)。在学习结果的基础上实时更新系统策略案例库。追捕问题的仿真结果表明所提方法明显提高了学习速度与收敛性。

一种基于改进动态联盟算法的多机器人协作捕猎方法

多机器人协作捕猎,不仅需要解决目标搜索、追赶和避障等基本问题,还需要设计最优任务分配机制,构建高效追捕联盟,以便快速地捕获猎物。综合考虑机器人和目标之间的各种相关属性,定义量化标准,构造辅助决策矩阵,建立动态联盟。然后将基于生物刺激神经网络的追赶策略用于联盟形成后的追捕过程中。仿真实验表明该算法具有较高的围捕效率。

动态环境下多智能体协作学习方法的研究

将预测分析技术和强化学习技术有机结合,使多Agent系统中的各Agent,不仅具有了高度反应自适应性,而且拥有了高效而准确的预测分析能力;使Agent的行为更具有针对性,尽可能地减少错误,保证学习的正确方向,提高Agent间进行信息共享,融合单个Agent的Q值表。相当于相同情况下增加了学习次数,不仅尽可能地消除策略中的冗余动作,以高效的方式实现最终目标,而且提高多Agent系统执行效率和收敛速度及性能。本文提出了一种改进的多Agent间协作学习方法,适用于环境不完备的复杂情况。以追捕问题作为仿真实验。结果表明所提方法能够有效地促进多智能体系统中各Agent间协作学习能力。

多机器人运动目标搜索策略研究

针对未知环境下多机器人合作搜索运动目标的问题,引入了搜索期望值和搜索增益两个概念,在此基础上提出了局部最大搜索、全局最大搜索、分区局部最大搜索以及分区全局最大搜索4种启发式搜索策略.仿真结果表明,以平均捕获时间作为评价标准,提出的几种搜索策略均明显优于随机搜索策略.

多移动机器人动态联盟围捕策略

针对多移动机器人协作围捕中入侵者的位置和数量未知的问题,提出了一种基于改进合同网协议的动态联盟围捕策略。管理者通过分析入侵者的特征,与历史案例完成最佳匹配,并根据信誉度的高低,选出最为合适的承包商(即机器人小组)完成围捕任务。距离某入侵者较近的其他小组中的机器人,能够与围捕该入侵者的机器人小组形成联盟,并替换掉小组中较远的机器人,而领先完成任务的小组们可与规定时间内未完成任务的小组形成联盟,以更好地完成围捕任务,并且机器人可以随时退盟。对传统的人工势场方法进行改进,解决了"目标不可到达"和"死锁"问题。面对不同数量的入侵者分别进行了仿真实验,并与经典围捕算法对比,结果表明所提围捕策略能够缩短围捕时间,顺利完成围捕任务。

排除法在追捕—逃跑问题策略研究中的应用

在机器人的研究领域里，多机器人的协调与合作成为了一个非常重要的课题。在这其中，分布式多机器人系统中的机器人之间相互协调与合作的典型问题就是追捕一逃跑问题。基于对策论的原理，针对多机器人的追捕一逃跑问题展开了研究。将追捕一逃跑问题按空间、时间离散化后转为一个对策模型。由于两个局中人是相互对立的，所以构成了零和博弈。通过排除法求解出对策双方的最优走步策略。仿真实验验证了该算法的可行性。