基于粒子群聯盟的機器人多目標搜索路徑控制

吳 瓊,張紅強

(1. 廣東理工學院電氣與電子工程學院,廣東 肇慶 526100;2. 湖南科技大學信息與電氣工程學院,湖南 湘潭 411100)

1 引言

多機器人協調是當前機器人技術的一個重要發展方向。群機器人系統是一種典型的分布式智能群體,主要是由多個機器人組成,它們是功能相同且結構簡單的個體,具有個體感知和交互能力,系統在使用過程中可出現多種不同智能行為,例如學習以及協作等,被用來解決多種多樣的智能問題。群機器人多目標搜索目標的研究在資源勘探以及軍事反恐等方面均具有比較廣闊的發展前景。對機器人的環境適應性、環境感知、自主控制也提出了更高要求。群機器人目標搜索策略主要結合了機器人自動化以及最優搜索策略[1-2],隨著機器人智能化要求的不斷提升,有關群機器人協作搜索目標仍然是一個難點問題,所以研究群機器人多目標搜索路徑協同控制具有十分重要的研究意義。

宮金良等人[3]將機器人團體最優效能作為目標實行任務分配操作,確保不同機器人的工作量,結合實際環境構建對應的模型,設定搜索路徑規則,實現協同控制。何昕杰等人[4]優先構建改進響應閾值多目標任務分配模型,同時將二維拓展式微粒群的群機器人協調控制算法引入到三維群無人機上,將其和改進的三維擴展式微粒群算法相結合,完成群機器人并行式搜索。張方方等人[5]通過柵格地圖構建生物啟發神經網絡描述動態搜索環境,同時使用差分進化算法求解,完成多機器人目標搜索。但以上方法忽略了機器人群在搜索多個目標時的任務分工問題,雖然能夠完成目標協同搜索,但是其效率仍需進一步提升。

在上述幾種方法的基礎上,提出一種基于粒子群聯盟的機器人多目標搜索路徑控制方法。為提高機器人群體在搜索目標時的效率,構建粒子群聯盟,合理化任務分工。基于此,采用自適應動態窗口避障優化效果,最終輸出最為理想的實現多目標搜索路徑協同控制結果。經過詳細的實驗對比分析可知,所提方法可以更好完成多目標搜索路徑協同控制。

2 方法

2.1 群機器人多任務分工

在非結構動態化環境中,需要將多目標搜索劃分成多個子任務,并將其分配給不同的機器人,同時展開并優化處理,全面提升系統的綜合工作效率。

由于機器人自帶傳感器檢測能力具有一定的限制性,可以將任務激勵概念進一步拓展。不僅可以有效檢測目標外的信號,同時還可以完成鄰域通信處理,全面擴大自身認知范圍。由于搜索對象、主體和搜索環境全部呈動態化,所以對應的任務機也是呈現動態化變化。機器人對目標信號的直接檢測和間接感知示意圖如圖1所示。

圖1 機器人對目標信號的直接檢測和間接感知示意圖

通過圖1能夠準確檢測出對應的目標信號[6-7],得到目標的感知信息,將全部類型的任務集合合并,構建機器人的個性化任務集。任務集構建完成之后,采用元任務的類型和激勵信號共同完成降冪排序處理,對排序結果動態維護。在上述操作基礎上,在任務集中可以自動選取一個元任務,將任務對應的目標設定意向目標。個性化任務集為空集時,對應的機器人不能參與并處理后續的任務。只有轉換為漫游機器人,并對其展開協同搜索,最終實現目標的認知,實時更新自身任務集,使其處于非空狀態。

不同的機器人在分配任務時,結合自身需求設定任務,并且可以在備選目標中選擇最佳意向目標。利用降冪順序,可以將部分元任務選擇為備選任務。模型的輸入為激勵強度,經過計算得到響應概率。通過以上操作環節,可以全面提升評估效率,簡化評估環節。

機器人需要參加的任務數量是通過評估獲得的。當群機器人中的單一機器人確定各自的意向目標之后,需要搜索和目標意向相同的機器人,將其整合處理,構建子群聯盟,同時對其展開協同搜索[8-9],獲取最終的意向目標集合,如式(1)所示:

(1)

式中,R代表意向目標集合;rmn代表子集合。

通過群體智能方法的相關需求,在群機器人完成感知處理后,主要采用系統的交互功能選擇需要規定的任務。由于群機器人是隨機分布的,所以在多目標搜索的過程中,還需要額外完成目標的評估和定位等相關操作。在完成目標信號檢測之后,需要將其設定為適應值,并且通過適應值判斷機器人所在位置的好壞。

對任務實際分工處理的過程中,大部分機器人更加傾向于選擇優先權比較高,激勵強度比較大的目標,將其設定為意向目標,但是這樣會造成大量機器人被占用。為確保上述問題得到有效解決,需要在分工過程中加入閉環調節機制,有效避免空間配置資源失衡問題的產生。另外,還需要處理機器人的資源配置;評估不同類型資源的配置水平,將得到結果作為負反饋,同時展開退盟等相關操作,確保機器人可以自由在不同子群內動態遷移。

如果機器人非因子群聯盟的規模相對較大時,則說明此時存在擾動,需要將縮小被放棄的目標作為激勵強度,確保其在后續操作過程中可以有效屏蔽相關任務列表集,直至任務列表中排列第一的目標和剩余目標兩者之間差值較大,則說明擾動現象得到有效消除。采用式(2)給出激勵縮小算子:

Linwer=minwerhinwer

(2)

式中,Linwer代表完成縮小處理后獲取的激勵強度;minwer代表縮小因子;hinwer代表可縮小的激勵強度取值范圍。

當全部信號完成縮小處理后,會在固定的時間內對相同目標持續搜索。縮小處理后的激勵函數會變為灰度。當機器人離開檢測區域選擇目標時,擾動發生的概率會減少。信號恢復算子可以表示為式(3)的形式:

Lxyz=urLinwerexp(minwer-hinwer)

(3)

式中,Lxyz代表信號恢復階段的激勵強度;ur代表激勵強度縮小所用的總時長。

在研究范圍內,需要結合檢測目標設定群機器人的臨界檢測范圍。由于機器人在運動過程中是十分隨機的,所以獲取的目標信號會大概率丟失。所以在此需要引入目標痕跡機制,在同時對多個目標展開搜索時,根據上述任務分工結果構建組建多個子群聯盟U(t),如式(4)所示:

(4)

式中,u(t)mn代表子群聯盟子集。

利用已知的各個子群,對已經確定的目標協同搜索,并對全部任務展開動態分工處理,詳細的計算式為:

(5)

式中,Mk(t)代表任務動態分工處理結果;Nmax代表最大子群。

2.2 搜索路徑協同控制

為了有效避免機器人在應用SOM算法時出現振蕩或者懸停現象,引入一種包含鎖定機制的SOM神經網絡[10-11]。通過自適應動態窗口調整機器人的運行速度,對SOM中獲取的神經元以及相鄰神經元權重更新處理能夠有效避免機器人出現速度跳躍,及時躲避障礙物。對于給定的輸入神經元而言,在競爭神經元獲勝之后,需要計算其和輸入之間的歐式距離,詳細的計算式如下:

(6)

式中,F(i,j)代表第i個輸入神經元和第j個競爭元兩者之間的歐式距離;mi代表第i個神經元的坐標位置;nj代表第j競爭元的坐標位置。

在迭代的過程中,需要優先得到獲勝機器人以及鄰居權重,則獲勝者和鄰居兩者之間的鄰域函數可以表示為式(7)的形式:

(7)

式中,g(nj,α)代表鄰域函數;e代表常數。

在獲取機器人和對應鄰域神經元后,將其向輸入任務點所在坐標位置移動,其中對應的更新規則可以表示為以下形式:

(8)

如果群機器人的內部安裝測距傳感器,則機器人可以在固定范圍內獲取障礙物的準確坐標位置[12],設定機器人和障礙物兩者之間的安全距離為D(i,j),設定線速度的取值為自適應動態權重β(u,v),則有:

(9)

式中,βmax和βmin分別代表最大和最小權重值;dist(i,j)代表目標到障礙物的最小距離。

在自適應動態窗口法中,需要改進目標函數,如式(10)所示:

P(u,v)=β(u,v)(α·heading(u,v)+

(10)

式中,P(u,v)代表經過改進處理后得到的目標函數;α代表目標函數的分量值;heading(u,v)代表方位角評估函數。

通過式(11)給出目標函數最大速度取值S(u,v)：

S(u,v)=arg max{P(u,v)}

(11)

結合上述分析,復雜環境下群機器人多目標搜索[13]路徑協同控制操作流程圖如圖2所示。

圖2 群機器人多目標搜索路徑協同控制流程圖

通過采用自適應動態窗口[14-15]更新各個機器人自組織映射神經網絡競爭神經元的權重,有效躲避障礙物,對群機器人運動軌跡優化處理,最終完成協同控制G(u,v,z),具體的計算式如下所示:

(12)

3 仿真研究

為了驗證基于粒子群聯盟的機器人多目標搜索路徑控制方法的有效性,在matlab平臺上展開若干組實驗測試,在仿真過程中,需要設定實驗參數,如表1所示:

表1 實驗參數設定

在復雜環境下,需要充分考慮不同類型障礙物,設定障礙物數量,仿真目標搜索過程,如圖3所示。

圖3 研究方法下機器人多目標搜索結果

分析圖3(a)可知,全部機器人均位于測試區域的左下角。圖3(b)可知,機器人可以探測到目標信號1,并且可以

信息傳遞給所有機器人。由圖3(c)可知,機器人可以探測到目標信號1、2、4和5。由圖3(d)可知,機器人可以躲避各個類型的障礙物。由圖3(e)可知,在步數為250時,機器人可以準確感知全部目標,同時還能夠躲避障礙物,最終實現全部目標搜索,完成群機器人多目標搜索路徑協同控制。

4 結束語

研究一種基于粒子群聯盟的機器人多目標搜索路徑控制方法。根據所設計實驗驗證了所提方法可以感知全部目標信號,同時還能夠精準躲避障礙物,更好完成協同控制。在后續的工作,可以考慮在三維環境中展開動態目標搜索,對現有方法進一步完善。