[发明专利]一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法

说明书

本发明公开了一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法，属于多智能体目标搜索技术领域。包括：根据地面移动机器人群体的目标监视区域设定目标位置；地面移动机器人轨迹规划作为二维轨迹规划问题解决，基于蒙特卡洛树搜索算法确定地面移动机器人协同搜索过程中可能的访问节点序列，利用概率下降法优化该机器人访问序列对应的概率分布；与其他地面机器人通信，更新地面机器人群体访问序列的联合概率分布，选择概率最高的访问序列中的第一个节点作为该机器人的下一个访问节点；结合地面机器人运动约束，利用分段平滑曲线实现地面移动机器人的平滑闭环轨迹规划，解决时间约束下地面移动机器人群体协同区域目标搜索的最优观测问题。

技术领域

本发明属于多智能体区域监视技术领域，特别涉及一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法。

背景技术

现阶段多智能体的环境感知技术主要是被动地完成环境探测、目标识别与跟踪、实时定位与地图构建等任务，所涉及的智能体数目大部分为单个。此外，地面移动机器人群体的研究领域大多集中在机器人群体集中式编队、机器人之间的通信机制、多机器人之间的任务资源分配等方面，在移动机器人群体的协同目标搜索方面鲜有研究。随着深度学习算法的飞速发展，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，但这一过程耗时长，运算复杂度较大，无法应用于实际的多机器人系统。在复杂大规模动态环境中，机器人需要与环境交互的信息量较多，机器人不能很好地通过深度学习的方法来进行主动目标感知。

现有文献的移动机器人目标搜索集中于已知的静态环境，大多借助将环境离散化，采用传统搜索算法，得到起点和终点之间的路径，这种路径在环境地图的分辨率下是绝对的最短路径；利用改进A*算法、粒子群算法进行机器人轨迹规划，但A*算法搜索速度慢，计算量大，很难在保证在多约束条件下找到机器人群体的最优轨迹；粒子群算法规划空间划分较粗糙、难以满足运动约束条件，不能在可选路径集之外的空间搜索，且粒子群算法精确度不够高，难以在复杂环境和多约束条件下找到最优轨迹；大部分移动机器人目标搜索研究集中于单个机器人应用，很少涉及群体机器人的协同搜索和感知。

蒙特卡罗树搜索算法是一种利用蒙特卡罗方法作为评估的博弈树搜索算法，毋需引入过多的领域知识，同时具有巨大的可扩展性。上限置信区间策略是求解多臂匪徒问题的一种方法。上限置信区间策略的基于UCT的蒙特卡罗树搜索算法被证明可以极大地提升计算机博弈引擎水平。目前该算法已应用于博弈类游戏开发，少数论文将蒙特卡罗算法应用于单个机器人在线轨迹规划，且多集中在二维空间。在机器人群体目标搜索领域，尚无专利利用该算法实现目标搜索任务。

发明内容

为了克服现有技术中的不足，本发明提供一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法，针对大规模且不完全已知的非结构化复杂环境，利用蒙特卡洛树搜索算法和分段Dubins规划解决多约束下群体机器人区域性协同快速轨迹规划和目标搜索问题。它为每个地面移动机器人规划出一条最有效的轨迹，以最小代价和最快速度搜索并观测到区域内的目标，实时最大化收集区域信息以达到有效地监视大规模区域的目的。

为了达到上述发明目的，解决其技术问题所采用的技术方案如下：

一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法，包括以下步骤：

步骤1：参数设置，包括地面移动机器人群体的旅行预算时间阈值，蒙特卡洛树搜索算法的迭代次数；根据地面移动机器人群体的目标监视区域，设定该地面移动机器人群体的n个目标位置；所述地面移动机器人群体包含N个独立运动的地面移动机器人；每台地面移动机器人上搭载有视觉传感器，根据各视觉传感器的感应距离，设定各地面移动机器人的监视半径，将该监视半径作为各目标位置的邻域；