[发明专利]一种基于自组织映射的机器人群体协同主动感知方法

说明书

本发明公开了一种基于自组织映射的多机器人协同主动感知方法。包括机器人群体按照推算的航迹并通过多旅行商问题模型进行首轮探测，分别形成一个闭环路径；选择到目标观测点的旅行预算时间与实际消耗时间比值最小的机器人作为获胜机器人，通过自组织映射网络算法对获胜机器人的路径点进行迭代计算，得到包含有目标观测点的闭环路径，获胜机器人按照该闭环路径利用深度相机和激光雷达进行当前目标点探测；遍历所有目标点，探测结束。本发明把信息量较大的场景中机器人群体协同感知问题转化为多目标路径规划的多旅行商数学模型，极大地简化了问题的复杂度；采用自组织映射神经网络算法进行机器人路径点的迭代处理，运算复杂度低。

技术领域

本发明属于人工智能领域，是机器学习算法和机器人环境目标探测技术相结合的应用，特别涉及一种基于自组织映射的机器人群体协同主动感知方法。

背景技术

现阶段智能体在环境中的目标感知技术主要是被动地进行环境探测、目标识别与跟踪、实时定位与地图构建等，所涉及的智能体数目多为单个。另一方面，机器人群体的研究领域较多的集中在机器人群体编队、机器人之间的通信机制、多机器人之间的任务分配等方面，在多机器人协同完成任务的方面较少有成果发现。随着人工智能技术的飞速发展，以机器学习为代表的智能算法越来越多地应用于机器人领域。然而，机器学习及当下较为热门的深度学习主要关注于文本、图像、视频等数据的处理；强化学习更多的是训练机器人让其通过不断的试错来进行与环境信息地交互，但这一过程耗时长，运算复杂度较大。当场景较大，机器人需要与环境交互的信息量较多的时候，机器人不能很好地通过强化学习的方法来进行主动目标感知。

路径规划在很多领域有着广泛的应用，因此其技术方法也较为成熟。传统的路径规划算法有模拟退火算法、人工势场法等；基于智能仿生学的蚁群算法、遗传算法等。神经网络算法是人工智能领域中的一种应用及其广泛算法，它主要模拟动物神经网络行为，进行分布式并行信息处理。但它在路径规划中的应用却并不成功，因为路径规划中复杂多变的环境很难用数学公式进行描述，如果用神经网络去预测学习样本分布空间以外的点，其效果难以达到预期。

自组织映射网络是一种神经网络算法，能够通过其输入变量学会检测其规律性和输入变量相互之间的关系，并且根据这些输入变量的信息自适应调整网络，使网络以后的响应与输入变量相适应，不但能学习输入变量的分布情况，还可以学习输入变量的拓扑结构。现阶段主要应用于文本、视频等数据的分类。在路径规划中虽然也有使用，但是针对的是单目标的路径规划。

发明内容

为了解决上述问题，本发明目的是提供一种运算复杂度低且能应用于大场景信息的多机器人协同主动感知方法。基于机器人群体在环境中主动探测，目的是最大限度地收集目标信息，观测点的选择影响最终的信息采集量，因此本发明将机器人群体协同主动感知的问题转化为多目标路径规划的数学模型，以实现机器人群体在最终生成的观测路径上获取到最多的环境信息量。

为了实现上述目的，本发明采用的技术方案是：

本发明提出的一种基于自组织映射的机器人群体协同主动感知方法，

所述机器人群体内各机器人的配置均相同，各机器人上分别搭载有激光雷达与深度相机，其特征在于，所述机器人群体协同主动感知方法包括以下步骤：

(1)参数设置，包括机器人群体的旅行预算时间阈值，自组织映射网络的迭代次数；根据待感知区域设置机器人群体的多个目标点；

(2)建立各机器人的运动学模型并利用该运动学模型进行相应机器人航迹上的所有路径点推算，各机器人的所有路径点构成相应机器人的路径点序列；