[发明专利]一种基于群体机器人的目标围捕控制方法及系统

说明书

本发明涉及机器人技术领域，具体涉及一种基于群体机器人的目标围捕控制方法及系统，所述方法为：初始化环境地图中的信息素和机器人位置，对执行环境进行探测，以更新环境地图中的信息素，并根据更新后的信息素和反蚁群算法确定运动路径；当机器人探测到目标或跟随信息素时，通过检测信息素浓度的变化来计算该目标在过去一段时间内的位移变化，并基于跟踪算法自适应调整该机器人的运动速度和方向，以保持对目标的跟踪，通过信息素浓度生成特征点，根据所述特征点确定群体聚合形态，控制群体机器人到达生成的群体聚合形态上，以对至少一个目标进行围捕，本发明能够实现在未知环境和通信受限的情况下的目标搜索和围捕。

技术领域

本发明涉及机器人技术领域，具体涉及一种基于群体机器人的目标围捕控制方法及系统。

背景技术

近年来，未知环境下的目标搜索和围捕问题越来越受到学术界的关注。单个机器人对于复杂任务处理的能力通常被认为是有限的，而多机器人系统可以通过局部交互来协同完成复杂的任务。与单机器人系统相比，多机器人系统具有适应性强、扩展性强、可靠性高等优点。由于这些因素，基于群体机器人的目标搜索和围捕系统在现实世界中有很多应用，例如灾后搜索和营救幸存者，部署移动传感器网络，区域覆盖及协作，截留护送任务和小型飞行器编队飞行等。

Kong等人提出了一种分布式解决区域覆盖问题的方法。机器人在移动过程中逐渐建立一个环境地图，所有机器人都可以从这个地图中获得环境信息。因此，机器人可以知道哪些区域是未探索的，从而指导自己进行移动以覆盖剩余的未探索区域。

Zhang等人在已有规则的基础上使用插值隐函数(RBIF)来代替原有的非均匀有理b样条函数，从而实现了群体机器人分裂和群体聚合形态的合并。然而，在该工作中需要中心协调机器人才能生成特定的队形，这大大降低了该模型的适用性。Yuan等人根据领导跟随(1eader-fol lower)模型提出了名为TH-GRN(Tracking-based Hierarchical GeneRegulatory Network，基于跟踪的分层基因调控网络)的群体机器人行为模式，该方法将分层基因调控网络与领导跟随模型相结合。

现有技术中，目标搜索和目标围捕通常需要独立解决，被视为两个独立的分支。现有的群机器人目标搜索和围捕方法通常计算复杂，单体机器人的硬件性能难以满足软件的执行速度，从而降低执行效率，难以同时实现目标搜索和目标围捕这两种不同类型任务；许多方法基于一些不现实的假设，例如可靠的通信链路，精准的自定位系统，已知的环境信息，乃至有些方法需要存在中央协调控制器来统一控制群体机器人的运动。在一些无法提供可靠的通信链路和自定位的通信拒止的环境中，机器人会无法对目标完成搜索和围捕的工作。

发明内容

本发明提供一种基于群体机器人的目标围捕控制方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

为了实现上述目的，本发明提供以下技术方案：

一种基于群体机器人的目标围捕控制方法，所述方法包括：

初始化环境地图中的信息素和机器人位置，所述环境地图为执行环境的占据栅格地图；

机器人对执行环境进行探测，以更新环境地图中的信息素，并根据更新后的信息素和反蚁群算法确定运动路径；所述信息素包括障碍信息素和跟随信息素；

当机器人探测到目标或跟随信息素时，通过检测信息素浓度的变化来计算该目标在过去一段时间内的位移变化，并基于跟踪算法自适应调整该机器人的运动速度和方向，以保持对目标的跟踪；

当群体机器人的数量达到设定数量后，通过信息素浓度生成特征点，将所述特征点作为输入，通过基于信息素输入的插值隐函数得到群体聚合形态，根据基因调控网络模型的下层模型控制群体机器人到达生成的群体聚合形态上，以对至少一个目标进行围捕。

进一步，所述特征点包括内点、边界点和外点。