基于蚁群算法的多机器人协作策略

蚁群算法是一种通过对蚂蚁社会长期观察得来的优化算法．它建立在蚁群的一种叫“外激励”的联系方式上，对解决一些分布式控制问题和复杂的优化问题十分有效．将“外激励”这一概念引入多机器人系统中，设计了一种基于蚁群算法的多机器人协作策略．这一策略可以解决多机器人系统在未知环境工作时所面临的一项艰巨的任务：自主协作规划．定义了多机器人系统在未知环境中可能存在的一个问题：任务死锁；将衰减因子引入协作算法，以防止任务死锁的发生；通过仿真验证了算法的性能．     

基于KEBA控制器的双机器人协作焊接系统设计

基于多机器人协作运动中末端位姿的轨迹约束关系,提出一种新的基于KEBA控制器的双机器人协作焊接系统设计和构建方法。该方法首先简要分析了系统总体结构和协作过程中机器人末端位姿存在的约束关系方程式,其次分析了其同步控制策略以及协作过程中需要传递的数据内容,分别给出了主从机器人协作运动的流程图。最后搭建了基于KEBA控制器的双机器人协作半物理焊接系统并编写了相关协作指令,验证提出的方法的正确性。     

面向多机器人动态任务分配的事件驱动免疫网络算法

为实现多机器人系统的动态任务分配与协作,提出了一种面向多机器人动态任务分配的事件驱动免疫网络算法。将生物免疫网络的工作机理应用到多机器人动态任务分配算法中,借鉴Jerne的独特型免疫网络假说和Farmer提出的抗体激励动态方程,设计了多机器人任务分配与自主协作模型;基于事件驱动机制,设计了多机器人动态任务分配算法,并引入焦躁模型来解决任务死锁问题。仿真和实际多机器人系统实验结果表明,基于本文算法的多机器人系统在动态任务场景中具有较强的适应性和自主规划协调能力。     

双机器人协作管管焊接的运动规划

针对中小管径管管相贯的马鞍形曲线焊缝,以双机器人协作为基础,提出一种应用于双机器人协作的焊接过程中机器人运动规划的方法。该方法基于焊缝、焊枪的数学模型,充分利用双机器人系统的冗余特性,提出了融合机器人操作度、关节位置等的多指标目标函数,以机器人关节极限为规划约束条件,采用遗传算法规划出最优机器人运动路径。在三维仿真环境中进行的仿真结果初步验证了该方法的可行性和有效性。     

一种新的多智能体强化学习算法及其在多机器人协作任务中的应用

在多机器人系统中，评价一个机器人行为的好坏常常依赖于其它机器人的行为，此 时必须采用组合动作以实现多机器人的协作，但采用组合动作的强化学习算法由于学习空间 异常庞大而收敛得极慢．本文提出的新方法通过预测各机器人执行动作的概率来降低学习空 间的维数，并应用于多机器人协作任务之中．实验结果表明，基于预测的加速强化学习算法 可以比原始算法更快地获得多机器人的协作策略．     

起伏地形环境中多移动机器人协作运输策略

对多机器人协作运输时环境地形起伏不平,运输过程中机器人和物体发生滑动的问题,提出了起伏地形环境中的协作运输策略.将观测者—推动者模式的多机器人协作推箱子任务转换为多机器人编队任务,通过基于几何规划的虚拟目标序列跟踪方法实现被推动物体脱离运动方向时运输编队的重新形成.协作运输策略中的观测者机器人采用平缓地形优先(navigate plain first to destination,NPFD)导航策略指导编队运动.     

基于松散偏好规则的群体机器人系统自组织协作围捕

针对群体机器人协作围捕,提出了一种基于松散偏好规则的自组织方法.首 先给出了个体机器人的自由运动模型和围捕行为的数学描述.通过对围捕行为的分解,构造松散偏好 规则来使个体机器人在自组织运动过程中相互协调最终形成理想的围捕队形.在此基础上,设计了个体自组织运动控制器.最后运用Lyapunov稳定性定理证明系统的稳定性.仿真和实验结果表 明,本文给出的自组织方法对于群体机器人协作围捕是行之有效的.     

多智能主体协作规划理论及其在RoboCup中的应用

机器人足球赛是近年人工智能迅速发展起来的一个重要的研究领域。基于此平台，研究了将规划、竞争、约束、协调纳入一个协作规划框架之中的多智能体协作规划理论，并将其分为5个阶段①产生协作目标；②协作规划；③寻求协作伙伴；④选择协作方案；⑤实现所确定的目标。最后探讨了应用到机器人足球赛的一些技术问题。在比赛中，决策速度也较好。     

自重构机器人系统中任务规划策略研究

在自重构多机器人系统中，机器人控制需要解决的关键问题是系统的任务规划和多机器人的协调控制。其中，任务规划是高层的组织与决策机制问题，指如何组织多个机器人共同完成任务，实现机器人系统资源的优化配置。本文通过建立一种多机器人系统的模型，结合集中规划的决策方法，实现自重构机器人系统任务规划的优化问题。仿真结果表明，该方法是可行的。     

基于周期时间限制的多机器人自主委托协作模型

提出一种基于周期时间限制的多机器人自主委托协作模型,目的是解决传统算法在任务撤销、失效限 制方面的欠缺,并在灵活性和可控性之间寻求平衡．它可以有效地对委派任务的机器人进行控制,但又不会因为执 行过于严格的委托约束而造成策略定义和模型构造方面的困难．该多机器人协作模型解决了现有多机器人分工协作 模型中对时间限制缺少支持的问题,并给出了一个支持临时性限制、时序依赖限制和传播限制的委托协作模型．使 用周期时间、使用次数、有效期限来控制临时协同,用推导规则来控制协作间的时序依赖,用委托深度来限制委托 权限的传播．给出了模型的形式化描述．     

结合Winner-Take-All的足球机器人控制策略研究

在足球机器人运动过程中,足球机器人处于一个实时对抗的复杂环境中,这就需要机器人有较高的实时运动过程应对能力。需要对每个关键时刻,例如：多机器人抢球过程、单机器人控球过程等,做出合理的应对措施。许多策略的研究都只注重单机器人控球过程的路径规划,没有考虑到多机器人竞争的过程,导致足球机器人整个运动过程中的一些关键步骤的缺失,丧失了完整性,忽略了实时的对抗性。拟采用新的策略解决上述问题：第一步是将采用WTA（Winner Take All）竞争模型去有效的解决多机器人竞争问题;第二步将采用一种改进的APF（Artificial Potential Field）路径规划法来进行避障。解决了传统APF算法的弊端,提高了效率。通过仿真实验,验证了理论的正确性,也验证了所提理论的科学性和实用性,为以后在其他科学领域的实践奠定了基础。     

Architecting centralized coordination of soccer robots based on principle solution

Coordination strategy is a relevant topic in multi-robot systems, and robot soccer offers a suitable domain to conduct research in multi-robot coordination. Team strategy collects and uses environmental information to derive optimal team reactions, through cooperation among individual soccer robots. This paper presents a diagrammatic approach to architecting the coordination strategy of robot soccer teams by means of a principle solution. The proposed model focuses on robot soccer leagues that possess a central decision-making system, involving the dynamic selection of the roles and behaviors of the robot soccer players. The work sets out from the conceptual design phase, facilitating cross-domain development efforts, where different layers must be interconnected and coordinated to perform multiple tasks. The principle solution allows for intuitive design and the modeling of team strategies in a highly complex robot soccer environment with changing game conditions. Furthermore, such an approach enables systematic realization of collaborative behaviors among the teammates.     

Heterogeneous Robots Allocation and Selection in Robocup Environment

I. INTRODUCTION RoboCup is an international joint project to promote artificial intelligence (AI), robotics, and related fields [1]. It is an attempt to foster AI and intelligent robotics research by providing a standard problem for which a wide range of technologies can be integrated and examined. The RoboCup Soccer Server version 7 introduced the concept of heterogeneous players. A heterogeneous player is a robot who has different capabilities to other players. Soccer Server define…     

基于协助校正方法的多机器人主动同时定位与建图

协作策略是多机器人主动同时定位与建图(SLAM)的关键。文中提出一种多机器人相互校正的协作策略, 称为协助校正。 该方法通过优化机器人对陆标的观测来提高定位与建图的精度, 共包括弱协助校正和强协助校正两种模式。 前者是一种间接的协助模式, 可应用于所有机器人自身定位均不准确的情形。 后者是一种直接的协助模式, 由自身定位精度较高的机器人主动校正其它机器人及相应陆标。 文中将这两种协助校正模式利用状态机统一到多机器人主动SLAM应用中。在仿真实验中将协助校正与其它多机器人主动SLAM方法进行对比以验证其精度优势, 并与单机器人主动SLAM对比以验证其导航代价极低的优势。最后在两台Poineer3-DX移动机器人上进行真实环境实验,实验结果证实协助校正方法可在实际应用中有效提高多机器人主动SLAM的探索效率和精度。     

Relative observation for multi-robot collaborative localisation based on multi-source signals

This paper describes a synthesising method for multi-robot collaborative localisation. A distributed extended Kalman filter (EKF) based on robot odometry and external North Star signals for data fusion is first designed for the localisation of individuals in the robot group. Relying on relative observation by infrared sensors and gyroscopes mounted on robots, and the ‘uncertainty volume’ strategy, the positions estimated by EKFs are further corrected for precising the localisation process. The localisation accuracy based on different sensing regimes is tested. Sensor correlations and uncertainties are analysed for predicting error propagation and to accommodate sensing deviations. The multi-source signals are then synthesised for the collaborative localisation for a multi-robot system without introducing excessive computation. Finally, this work is verified by both simulation and experiments with real robots, i.e. the Festo Robotinos under different scenarios.     

Knowledge model-based heterogeneous multi-robot system implemented by a software platform

In order to build a heterogeneous multi-robot system that can be regarded as a primitive prototype of a future symbiotic autonomous human-robot system, this paper presents a knowledge model-based heterogeneous multi-robot system implemented by a software platform. With using frame-based knowledge representation, a knowledge model is constructed to describe the features of heterogeneous robots as well as their behaviors according to human requests. The required knowledge for constructing a heterogeneous multi-robot system can be therefore integrated in a single model and shared by robots and users. Based on the knowledge model, the heterogeneous multi-robot system is defined in the Software Platform for Agents and Knowledge Management (SPAK) by use of XML format. With the use of SPAK, the cooperative operation of heterogeneous multi-robot system can be flexibly carried out. The proposed system not only can integrate heterogeneous robots and various techniques for robots, but also can automatically perform human-robot interaction and plan robot behaviors taking into account different intelligence of robots corresponding to human requests. In this paper, an actual heterogeneous multi-robot system comprised by humanoid robots (Robovie, PINO), mobile robot (Scout) and entertainment robot dog (AIBO) is built and the effectiveness of the proposed system is verified by experiment.     

一种基于可传递置信模型的分布智能体决策融合方法*

在分析与研究对抗性多机器人系统决策问题的基础上,提出了一种基于可传递置信模型的多智能体决策融合方法;构建了决策融合体系架构,分别设计了基于证据推理的观测智能体模型,基于TBM的决策智能体模型以及决策融合中心模型,给出了相应的算法。通过在机器人足球中的应用及仿真实验,体现了本方法在对抗性多机器人系统中决策制定的良好性能及效果。     

编队控制中的机器人行为与基于服务的运动行为结构设计

以基于位姿误差的虚拟目标跟踪为控制模式,提出了独立于编队控制与协作任务,但却适用于多移动机器人编队运动的基于服务的机器人运动行为结构,并对其基本运动行为与选择方法进行了设计.提出的基于服务的机器人行为结构借鉴了软件工程领域的面向服务的架构思想,具有可重用性.多机器人编队形成、改变等仿真与实验验证了本文所提方法的有效性.     

基于主动风险防御机制的多机器人强化学习协同对抗策略

深度强化学习因其在多机器人系统中的高效表现,已经成为多机器人领域的研究热点.然而,当遭遇连续时变、风险未知的非结构场景时,传统方法暴露出风险防御能力差、系统安全性能脆弱的问题,未知风险将以对抗攻击的形式给多机器人的状态空间带来非线性入侵.针对这一问题,提出一种基于主动风险防御机制的多机器人强化学习方法(APMARL).首先,基于局部可观察马尔可夫博弈模型,建立多机记忆池共享的风险判别机制,通过构建风险状态指数提前预测当前行为的安全性,并根据风险预测结果自适应执行与之匹配的风险处理模式;特别地,针对有风险侵入的非安全状态,提出基于增强型注意力机制的Actor-Critic主动防御网络架构,实现对重点信息的分级增强和危险信息的有效防御.最后,通过广泛的多机协作对抗任务实验表明,具有主动风险防御机制的强化学习策略可以有效降低敌对信息的入侵风险,提高多机器人协同对抗任务的执行效率,增强策略的稳定性和安全性.     

未知环境下多机器人搜捕策略研究

针对在未知环境下多机器人围捕入侵者所存在的问题,提出了基于occupancy grid方法构造并合成环境地图指导单个机器人以分散搜索、抛物线模型预测并追踪入侵者、以及多机器人基于leader的可重构队形结构进行围捕的策略,使未知环境的地图构造和对入侵者追踪搜索过程得以同步完成,降低了机器人团队对环境的依赖,对未知环境具有较高的适应能力.最后通过仿真实验验证了该策略的正确性、有效性和鲁棒性.