[发明专利]RoboCup救援平台中基于聚类和凸包的地图划分方法

说明书

技术领域

本发明属于机器人仿真技术领域，具体涉及一种RoboCup救援平台中基于聚类和凸包的地图划分方法。

背景技术

多智能体协作一直是人工智能领域的研究热点，在机器人救援领域中救援机器人的协作面临着环境未知且动态变化、通信及资源受限等诸多挑战。RoboCup机器人救援智能体仿真平台中机器人的感知信息也具有局部性、相对性、不准确等特点。

作为救援智能体协作的基础，世界模型(World Model)是一个可以获取和保存所有客观对象信息的结构集合，包括各救援智能体的异构类型、位置、状态以及灾难环境中其它对象的相关状态信息。世界模型是整个多智能体协作的基石，是所有外部环境和内部自身状态的整合，是救援智能体进行所有推理和决策的前提，类似人脑的存储结构，体现了智能体对当前环境的认知能力。

因此针对RoboCup机器人救援智能体仿真平台中机器人的感知信息的不足，需要设计一种新的救援智能体的世界模型构建和信息更新模型，智能体在行动前和行动中使用该模型对地图信息进行认知，获得对动态变化对象的状态估计，从而使智能体对灾难环境的认知接近真实环境，为智能体的上层行为决策提供有力支持。

发明内容

本发明的目的是提供一种RoboCup救援平台中基于聚类和凸包的地图划分方法解决现有技术中存在的RoboCup机器人救援智能体仿真平台中机器人的感知信息也具有局部性、相对性、不准确的问题。

本发明解决其技术问题所采用的技术方案是：提出一种RoboCup救援平台中基于聚类和凸包的地图划分方法，智能体在行动前和行动中使用世界模型对地图信息进行认知，包括对地图建筑按距离进行聚类划分和对燃烧建筑群进行动态凸集识别，获得对动态变化对象的状态估计。

RoboCup救援平台中基于聚类和凸包的地图划分方法，所述方法包括以下步骤：

步骤A：对于地图建筑按距离进行聚类划分；

步骤B：对燃烧建筑群进行动态凸集识别。

进一步地，本发明的RoboCup救援平台中基于聚类和凸包的地图划分方法，所述的步骤A具体包括以下步骤：

步骤A1：将地图信息抽象化：设每个道路和建筑均抽象成一个个顶点，将地图抽象成无向图的数据结构G＜N,E＞，其中N表示顶点集合，E表示边集合，边是顶点的有序偶对，若两个顶点之间存在一条边，表示着两个顶点具有相邻关系；

步骤A2：进行基于K-means聚类方法的地图聚类：将整个地图上的各个节点基于距离采用迭代更新的方法分成多个簇；设二维数据集合X＝{x_i|x_i∈R²,i＝1,2,...,N}聚集成k个簇w₁,w₂,...,w_k，它们的中心依次为c₁,c₂,...,c_k，其中n_i是簇w_i中所有数据点的个数；N为数据集合X的大小，所述K-means聚类方法具体包括以下步骤：

步骤A21：从X中随机选择k个初始簇中心c₁,c₂,...,c_k；

步骤A22：将数据集合X按最小欧式距离原则分配到最近邻的聚类簇中：若满足d_ij(x_i,c_j)＜d_im(x_i,c_m)，则将x_i划分到c_j所在的簇中，m＝1,...,k；j＝1,...,k；j≠m；i＝1,...,N；其中，d_ij表示x_i到c_j的最小欧式距离；d_im表示x_i到c_m的最小欧式距离；

步骤A23：根据公式更新计算每个簇的质心

步骤A24：如果对于任意都成立，则算法结束，将作为新的质心；否则令c_i＝c_i^*，返回步骤A22继续执行。

进一步地，本发明的RoboCup救援平台中基于聚类和凸包的地图划分方法，所述的步骤A21中初始簇中心的确定通过Canopy初始聚类进行预处理以及距离最远原则保证各簇的中心分布均匀来确定，具体包括以下步骤：