基于博弈论的多机器人系统任务分配算法

对多机器人系统任务分配策略进行了形式化描述,为任务分配方案的求解提供了一种数学描述工具;针对多机器人系统中机器人决策之间的相互依存性,引入博弈论的思想分析了多机器人系统的任务分配问题,提出了一种基于博弈论的多机器人系统任务分配算法(GT-MRTA).实验结果表明,算法复杂度较低,计算量较小,鲁棒性较好,获得的任务分配方案质量较高.     

多机器人系统任务分配概率模型研究

建立系统的概率模型是描述和分析自组织多机器人系统的一条新思路。运用包括随机过程、矩阵论和线性代数等数学方法建立自组织多机器人系统的任务分配模型,克服了现存模型对任务类型数目无可扩展性的缺点。为了验证模型的一般性和有效性,以时间离散状态连续的马尔科夫链的极限分布作为任务分配的理论结果,优点是可以预测多机器人系统任务分配的长期稳定行为。任务分配的目的是保持执行任意一种任务的机器人数量占机器人总数的比例与该种任务所占总任务量的比例相等。仿真实验的结论也说明了任务分配模型可以达到理想的分配效果。     

多机器人系统任务分配的研究进展

多机器人系统任务分配是机器人研究领域一个关键的研究课题。从多机器人任务分配分类及问题描述、多机器人任务分配的研究动态等方面对多机器人任务分配进行了综述,并根据近期文献探讨了多机器人系统任务分配需要解决的若干重要问题。     

基于效用函数的多机器人系统任务分配

目前所采用的多机器人系统任务分配方法大多都忽略了任务分配的解质量问题。从定量的角度出发,提出了一种基于效用函数的多机器人系统任务分配策略,在机器人能力向量和子任务要求的能力向量基础上,建立了效用函数的数学模型,根据效用函数大小进行任务分配。仿真实验在足球机器人仿真比赛平台上进行,结果表明该任务分配算法对异构多机器人系统合作具有很好的通用性,且算法快速简单,能够实现任务到机器人的最优映射。     

基于机器人效用函数的多机器人系统任务分配

针对现有的多机器人系统任务分配方法只是采用算法进行寻优,而没有将任务分配结果加以量化的缺陷,提出了一种基于机器人效用函数的多机器人系统任务分配新方法。该方法首先定义机器人效用函数,并说明其可解;接着给出了最佳任务分配方案的定义,并证明其存在性和惟一性;最后通过实例对本方法的有效性进行了验证。     

基于信息素的多机器人协作任务分配

针对多机器人系统未知环境下自主任务分配问题,提出了将虚拟吸引信息素和虚拟排斥信息素相结合的多机器人任务分配方法。在动态未知环境下,进行了多机器人协作搜集实验,实验结果表明所提方法既可以避免多个机器人集中在一个空间内造成冲突加剧的现象,又可以实现多机器人自主地进行任务分配目的。     

基于改进蚁群算法的多机器人任务分配方法

研究了动态环境下多机器人对多目标点的探测;针对通常采用的是单物品拍卖的方法进行任务分配但是无法得到全局最优解的缺点,提出了用组合拍卖的方法来解决多机器人的任务分配问题;由于组合拍卖(WDP)本身是一个NP-hard的问题,所以文中通过对蚁群算法进行改进,成功地解决了此类任务分配问题;实验表明,该算法有效地缓解了容易出现的早熟停滞现象,达到较好的最优解,收敛速度快且求解质量稳定,满足了多机器人动态任务分配的要求。     

基于胸腺肽调节机制的多机器人免疫任务分配

针对多机器人系统协作中的任务分配问题,提出一种基于胸腺肽的免疫任务分配算法(TPITAA).借鉴独特型免疫网络假设,将机器人作为B细胞,机器人行为作为抗体,机器人任务作为抗原,通过抗原与抗体间的激励和抑制机理构建免疫分配模型.为进一步提高分配效率,根据胸腺肽的免疫调节机理,定义基于机器人运动方向的胸腺肽反馈函数,实现免疫分配中的抗体激励水平及浓度自调节.仿真实验表明,新算法能实现任务的自动分配,减少任务完成时间,提高系统执行效率,较好地解决多机器人系统中的协作搬运问题.     

一种基于近场子集划分的多机器人任务分配算法

针对医护人员重复、机械地配送医疗物资工作效率低的问题,使用了多机器人进行替代,并提出了一种基于任务地点近场子集划分的多机器人群体智能任务分配算法.首先采用蚁群算法对任务集进行有序排列,形成一条近场相关的任务链.然后根据任务完成的时间和机器人的路径成本设计目标优化函数,利用遗传算法对该任务链进行子集划分,再将任务子集分配给机器人个体.最后模拟了医院病房的应用场景,设计并搭建了一套多机器人医疗物资运输分配系统.用户在该系统的操作平台上,通过可视化界面能够实时发布新任务,查看已发布任务的分配情况,以及查看机器人的路径.基于该模拟实验平台,对3种不同的任务分配算法进行对比分析,结果是本文算法的分配结果最为合理,所有任务都在规定的时间内完成,机器人的行驶距离大幅缩短.所提出的多机器人任务分配算法可有效解决医疗环境中医疗物资的配送问题,提高了系统的工作效率.     

多机器人任务分配的研究与进展

从多机器人任务分配的类型、任务分配方法、任务的死锁与解除以及各种任务分配算法的对比等4个方面,对多机器人任务分配的最新研究进展进行了概述.分析了多机器人任务分配的发展趋势,指出动态环境和未知环境下大规模异构机器人任务分配问题的研究是必然趋势,在众多研究方法中,群体智能方法是解决该类问题的未来研究方向.     

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。     

基于传感器信息的多机器人任务分配研究

多机器人协作是当前机器人学和人工智能的研究热点之一。针对多机器人系统中的任务分配问题,提出一种基于集中式和分布式的混合式控制结构,在机器人得到传感器信息后,使用合同网协议来完成任务分配,最终实现多机器人协作。在player/stage仿真平台进行的实验表明:多机器人系统能够有效地进行任务分配与协作,提出的解决方案是行之有效的。     

Local interactions over global broadcasts for improved task allocation in self-organized multi-robot systems

We present a study of self-organized multi-robot task-allocation, examining performance under local and centralized communication strategies. The results extend our current understanding of the effects of communication by providing evidence that local strategies can improve system performance over centralized strategies, in terms of total task throughput as well as reduced communication overheads. The framework employed is the attractive field model, a generic model of self-organized division of labour derived from observations of ant, human and robot social systems. The framework provides sufficient abstraction to accommodate both communication strategies. Each of the studies used 16 e-puck robots in a simplified manufacturing environment where sensing and communication was realized using camera-based overhead tracking and centralized communication. In terms of task throughput, communication overhead and energy efficiency, the experimental results show that systems with restricted access to information perform better than systems with free flow of information. This suggests a potential paradigm shift where, for self-organizing systems, diminishing access to information renders a system more efficient.     

基于帕累托改进的多机器人动态任务分配算法

针对多机器人系统动态任务分配中存在的优化问题,在使用合同网初始任务分配的基础上提出了一种使用帕累托改进的任务二次分配算法。多机器人系统并行执行救火任务时,首先通过初始化任务分配将多机器人划分为若干子群;然后,每个子群承包某一救火任务,子群在执行任务的同时与就近子群进行帕累托改进确定需要迁移的机器人,实现两子群之间帕累托最优;最后,使用后序二叉树遍历对所有子群进行帕累托改进实现全局帕累托最优。理论分析和仿真结果表明,相较于强化学习算法和蚁群算法,所提算法的救火任务时间分别减少26.18%和37.04%;相较于传统合同网方法,所提算法在时间方面能够高效完成救火任务,在系统收益方面也具有明显优势。     

基于动态阈值的时空众包在线分配算法

为提升时空众包动态现实场景中任务分配总效用,提出一种基于在线随机森林的动态阈值算法（DTRF）。首先,根据众包平台中工人和任务的历史匹配数据初始化在线随机森林;然后,通过在线随机森林预测每位工人期望的任务回报率作为阈值,按阈值为每个工人选取候选匹配集;最后,从候选匹配集中选取当前效用总和最高的匹配,同时用分配结果更新在线随机森林。实验结果表明,所提算法在提升总效用的同时有效地提高了工人的平均收益。与贪心算法相比,所提算法的任务分配率提升了4.1%,总效用提升了18.2%,工人平均收益提升了11.2%。与随机阈值算法相比,所提算法在任务分配率、总效用、工人平均收益等方面都有较好的提升,且稳定性更好。