基于简化虚拟受力模型的群机器人自组织协同围捕研究

摘要

群机器人系统研究是最近兴起的一个热点，它受启发于复杂的自然系统，比如社会性昆虫（蚂蚁、蜜蜂等）或者有协作的动物群体，群机器人系统的全局行为涌现自个体机器人层面上实施的局部规则。群机器人围捕系统是群机器人系统研究的一个非常典型的任务平台，具有重要研究价值，有利于实现包围、搜救、群体对抗、队形保持、协作搬运、目标保卫以及领导护卫等，可广泛用于反恐、军事、安全保卫与警戒等方面。然而目前的群机器人围捕系统理论尚不完备，所涉及的围捕环境相对简单，围捕系统的可扩展性不强，多目标围捕算法复杂。针对上述问题，本文研究基于人工物理方法的复杂环境下群机器人围捕系统，主要研究内容如下:
　　(1)未知动态凸障碍环境中非完整移动群机器人围捕。不同于基于松散偏好规则的围捕算法，而是从人工物理角度出发，提出了基于简化虚拟受力模型的围捕理论和算法，该算法只需要两最近邻和目标的位置信息，算法简单高效;简化虚拟受力模型中简单的受力函数实现了参数较易设置的围捕系统;设计的仿生智能避障函数，实现了未知动态凸障碍物环境下的良好避障。在理论上分析了围捕系统的稳定性，研究了Leader涌现的规律。Leader涌现的判断条件是受力出现一个较大值后逐步近似单调衰减，这与基于松散偏好规则围捕时Leader涌现的判断条件正好相反，其原因是简化虚拟受力模型中机器人个体感知两最近邻的施力建模为斥力，Leader距离两最近邻越远斥力越小，这样会使得Leader涌现过程中Leader本身的振荡较小。
　　(2)未知非凸障碍物环境中非完整移动群机器人围捕。提出了基于简化虚拟受力模型的非凸静态障碍物循障算法，该循障算法同样只需要两最近邻和目标的位置信息即可，所设定的与障碍物之间的运动角度加大了与障碍物平行方向上的运动速度，保证了避障的同时快速循障。在理论上分析了系统的稳定性，并给出了成功循障非凸静态障碍物的条件。
　　(3)未知动态变形障碍物环境中群机器人围捕问题。基于简化虚拟受力模型设计了动态变形障碍物循障算法，该算法同样只需要两最近邻和目标的位置信息即可实现，所设定的与障碍物之间的运动角度兼顾了与障碍物垂直方向的速度大小和与障碍物平行方向上的速度大小，可以做到快速循障的同时与动态变形障碍物保持合适的距离，该循障算法还可适用于对机器人、非凸动态非变形障碍物、非凸静态障碍物以及动态或静态凸障碍物的循障。在理论上分析了系统的稳定性，并给出了成功循障动态变形障碍物的条件和机器人数量扩展时围捕队形的特点。
　　(4)未知动态复杂非凸障碍物环境中群机器人协同多层围捕。将原来的简化虚拟受力模型中机器人个体只能计算单层围捕圆周上的受力扩展至可以计算任意层围捕圆周上的受力，机器人在层与层之间的移动由其内层或同层两最近邻的位置信息来确定，基于以上设计的多层围捕算法实现了复杂环境下群机器人围捕系统的高可扩展性、高可靠性和强避障能力。在理论上分析了多层围捕系统的稳定性。
　　(5)未知动态凸障碍物环境中群机器人协同多目标围捕。将原来的简化虚拟受力模型中机器人个体对单个目标的受力分析扩展至对多目标中任意一个目标的受力分析，每个机器人的围捕目标由动态多目标任务分配算法来确定，该算法只需要面向多目标中心方向180°范围内的两最近邻任务信息来实现即需要的信息量少，算法本身是分布式的并且简单高效。在理论上分析了多目标围捕系统的稳定性，并给出了多目标任务分配时对机器人群体内数量的要求。
　　(6)自行设计了物理围捕试验平台SRfH（Swarm Robots for Hunting，围捕群机器人），验证了所提基本围捕理论与算法的正确性和有效性。采用LINK UWB定位系统，开展了基于简化虚拟受力模型的围捕理论与算法在无障碍物环境下和凸障碍物环境下的围捕试验。不同环境和不同数目的SRfH围捕试验说明了所提出的围捕理论与算法具有较好的鲁棒性、可扩展性以及灵活性。Leader涌现的规律进一步在实践中得到检验，由于通信环境的复杂性，再加上定位系统本身的定位误差导致机器人个体关于两最近邻的受力分析难度进一步加大，除了有时候通过做滤波处理可以进行判断外，其它情况下则需要将Leader的判断条件更改为有一段受力序列是来自机器人个体左边的两最近邻或右边的两最近邻即可，不再需要单调衰减的限制，即实际情况中常出现单调但不一定衰减的情形，这是实践与理想仿真中的不同之处。

目录

声明

摘要

插图索引

附表索引

第1章 绪论

1．1 群机器人学研究概况

1．1．1 群机器人学

1．1．2 群机器人实现的主要任务以及研究的关键问题

1．2 围捕研究概况

1．2．1 多机器人围捕研究现状

1．2．2 群机器人围捕研究意义及现状

1．3 本文的主要内容与安排

第2章 未知动态凸障碍物环境下非完整移动群机器人协作自组织围捕

2．1 引言

2．2 模型构建

2．2．1 群机器人运动模型及相关函数

2．2．2 围捕任务模型

2．3 围捕算法

2．3．1 简化虚拟受力模型

2．3．2 基于简化虚拟受力模型的个体控制输入设计

2．3．3 围捕算法步骤

2．4 稳定性分析

2．4．1 无障碍物环境下稳定性分析

2．4．2 凸障碍物环境下稳定性分析

2．5 无障碍物环境下仿真与分析

2．5．1 仿真结果

2．5．2 偏差收敛分析

2．6 未知动态凸障碍物环境下仿真与分析

2．7 SVF-Model与LP-Rule的比较分析

2．8 本章小结

第3章 未知动态非凸障碍物环境下群机器人协作自组织围捕

3．1 引言

3．2 模型构建

3．2．1 群机器人运动模型及相关函数

3．2．2 围捕任务模型

3．3 围捕算法

3．3．1 简化虚拟受力模型

3．3．2 基于简化虚拟受力模型的个体控制输入设计

3．3．3 围捕算法步骤

3．4 稳定性分析

3．5 无障碍物环境下仿真与分析

3．5．1 仿真结果

3．5．2 偏差收敛分析

3．6 未知动态非凸障碍物环境下仿真与分析

3．7 本章基于SVF-Model的围捕算法与其它算法的比较分析

3．8 本章小结

第4章 未知动态变形障碍物环境下群机器人自组织协作围捕

4．1 引言

4．2 模型构建

4．2．1 群机器人运动模型及相关函数

4．2．2 围捕任务模型

4．3 围捕算法

4．3．1 简化虚拟受力模型

4．3．2 基于简化虚拟受力模型的个体控制输入设计

4．3．3 围捕算法流程图

4．4 稳定性分析

4．4．1 基本定理

4．4．2 特殊情况1

4．4．3 特殊情况2

4．4．4 特殊情况3

4．5 无障碍物环境下仿真与分析

4．5．1 仿真结果

4．5．2 偏差收敛分析

4．6 未知动态变形障碍物环境下仿真与分析

4．7 本章基于SVF-Model的围捕算法与其它算法的比较分析

4．8 本章小结

第5章 未知动态复杂障碍物环境卞群机器人自组织协同多层围捕

5．1 引言

5．2 模型构建

5．2．1 群机器人运动模型及相关函数

5．2．2 围捕任务模型

5．3 围捕算法

5．3．1 简化虚拟受力模型

5．3．2 基于简化虚拟受力模型的个体控制输入设计

5．3．3 多层围捕算法流程图

5．4 稳定性分析

5．4．1 层与层之间移动稳定性分析

5．4．2 基本定理

5．4．3 特殊情况

5．5 无障碍物环境下仿真与分析

5．5．1 仿真结果

5．5．2 偏差收敛分析

5．6 未知动态变形障碍物环境下仿真与分析

5．6．1 含“Z”形障碍物环境下仿真与分析

5．6．2 含“米”形障碍物环境下仿真与分析

5．7 本章基于SVF-Model的围捕算法与其它算法的比较分析

5．8 本章小结

第6章 未知动态凸障碍物环境下群机器人协同多目标围捕

6．1 引言

6．2 模型构建

6．2．1 群机器人运动模型及相关函数

6．2．2 围捕任务模型

6．3 围捕算法

6．3．1 简化虚拟受力模型

6．3．2 基于简化虚拟受力模型的个体控制输入设计

6．3．3 围捕算法步骤

6．4 稳定性分析

6．4．1 任务分配算法的稳定性分析

6．4．2 无障碍物环境下稳定性分析

6．4．3 未知动态凸障碍物环境下稳定性分析

6．5 无障碍物环境下仿真与分析

6．5．1 仿真结果

6．5．2 偏差收敛分析

6．6 未知动态凸障碍物环境下仿真与分析

6．7 本章基于SVF-Model的围捕算法与其它算法的比较分析

6．8 本章小结

第7章 群机器人围捕物理试验

7．1 引言

7．2 群机器人试验平台

7．2．1 围捕群机器人

7．2．2 通信模块

7．3 传感器与UWB室内定位系统

7．3．1 光电编码器

7．3．2 陀螺仪和电子罗盘

7．3．3 UWB定位系统

7．4 目标静止时的围捕试验

7．4．1 无障碍物环境下围捕试验

7．4．2 凸障碍物环境下围捕试验

7．5 动态目标围捕试验

7．5．1 无障碍物环境下围捕试验

7．5．2 凸障碍物环境下围捕试验

7．6 本章小结

结论

参考文献

致谢

附录A 攻读学位期间完成的学术论文目录

附录B 攻读学位期间参与的科研项目目录

附录C 攻读学位期间获得的科研奖励