[发明专利]一种群机器人复杂环境区域覆盖下的导航脱困方法

说明书

本发明涉及一种群机器人复杂环境区域覆盖下的导航脱困方法，为了解决通信受限下群机器人在未知复杂环境中执行区域覆盖时陷入死锁导致覆盖效率低下的问题，本发明提出了一种适用于未知环境且计算量更小的导航脱困机制使机器人逃离死锁。当机器人在区域覆盖过程中陷入死锁时，通过引入元胞自动机机制找到机器人的最佳导航脱困点，通过改进BRRT*(双向快速扩展星)导航算法进行路径规划使机器人逃离死区，从而实现群机器人对复杂环境的高效覆盖。

技术领域

本发明属于群机器人控制领域，涉及一种群机器人复杂环境区域覆盖下的导航脱困方法。

背景技术

分布式群机器人区域覆盖是利用大规模机器人自主地对未知区域进行快速高效的探索，从而得到尽可能完善的地图信息或者实现某种特定的任务。目前国内外大多采用启发式算法来解决群机器人区域覆盖问题，这些方法相比于随机覆盖，其覆盖效率有了很大提高，然而在通信受限等情况下大多只能实现对简单环境的覆盖，对于障碍物分布复杂的环境，机器人在覆盖过程中常常陷入死锁，即机器人陷入某个狭窄区域无法逃离导致大量重复覆盖，使机器人无法正常工作，覆盖效率低下，需要采用相应的导航脱困技术使机器人逃离死锁。

传统的RRT*、BRRT*等导航方法通过路径规划能使机器人较好的逃离死锁。但是传统导航方法大多仅适用于已知覆盖环境和目标点位置的场景，且存在不稳定以及计算量大的问题，很难适用于实时性要求高、计算能力有限的群机器人以及复杂多变的实际环境。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种群机器人复杂环境区域覆盖下的导航脱困方法，解决通信受限下群机器人在未知复杂环境中执行区域覆盖时陷入死锁导致覆盖效率低下的问题。

技术方案

一种群机器人复杂环境区域覆盖下的导航脱困方法，其特征在于步骤如下：

步骤1：将复杂环境区域按照间隔ΔL栅格化为大小一样的正方形离散单元，得到一个栅格地图，其中每个栅格大小为一个机器人的覆盖范围，并将栅格地图赋予每个机器人；

步骤2：根据下式的生物激励神经网络模型对神经元网络图进行跟新

其中：h_c为栅格c中神经元的活性值即刺激量；I_c是栅格c的外部输入；l是栅格c邻域神经元数量；w_ck为连接权重；A、B和D为正的常数；

通过给定以下输入I_c：

得到未覆盖栅格的神经元的活性值接近于1，已覆盖栅格的神经元的活性值接近于0，障碍物栅格的神经元的活性值接近于-1；

步骤3：判断当前机器人是否陷入死锁状态，即判断机器人周围八个栅格神经元活性值是否都小于等于0，如机器人周围八个栅格神经元活性值都小于等于0，表明机器人周围邻居栅格全被探测过或者为障碍物，此时机器人陷入死锁，执行步骤6，否则执行步骤4；

步骤4：根据神经元活性值确定机器人下一步决策，即选择神经元活性值接近于1的栅格作为机器人向下一步的目标点；

步骤5：判断机器人是否达到覆盖要求，如达到给定的覆盖要求则结束覆盖，否则返回步骤2；

步骤6：采用元胞自动机算法得到机器人的最佳导航脱困点，元胞状态值表的跟新规则如下：

1、元胞状态值表的初始化：机器人当前栅格元胞状态值为1，障碍物栅格元胞状态值为-1，其余栅格元胞值为0；

2、元胞状态值表的演化规则：当中心元胞状态值为-1时其值不变，否则取中心元胞的8个邻居里大于等于1的元胞值的最小值加1更新中心元胞状态值；