基于相邻矩阵的多机器人编队容错控制

针对基于leader-follower模式的多机器人编队运动中可能出现的机械故障和网络故障,提出了一种基于相邻矩阵的容错控制方法,利用相邻矩阵表示编队中多机器人的相互位置关系,一旦在编队运动过程中出现故障,则利用调整队形搜索算法找到需要进行队形调整的机器人编号,根据相邻矩阵更新算法,这些编号所代表的机器人的相邻关系在相邻矩阵中得以调整,新的理想编队所对应的相邻矩阵产生,编队队形就可以依赖相邻矩阵重新得以恢复。从而实现多机器人编队的容错控制,仿真实验证明了该方案的有效性和可行性。     

大规模机器人群体的分层编队控制算法

提出一种分层拓扑结构作为机器人群体在动态期望区域内的编队队形,并在此基础上设计一种基于分层拓扑的群体编队及避障控制器,邻域内各层层间机器人之间的通信是双向的.多机器人通过虚拟领导者的引导向动态期望区域内运动,并在邻居个体间的局部交互下形成期望编队控制队形,机器人群体速度达到一致,个体间距离稳定,从而实现编队和避碰.控制器中形状调节力用于调整和保持机器人群体队形,解决编队中因可能出现局部极小值而导致某些机器人死锁的问题.仿真实验表明了该算法是有效性的.     

多机器人编队的人工势场法控制

针对多机器人编队控稍中的队形形成问题进行研究.利用控制算法中的人工势场法解决多机器人队形形成问题,结构简单、易于计算,方便对多机器人实时控制.首先,针对多机器人的队形位置用目标点搜索算法,寻找到正确的队形位置点,防止多机器人在空间内绕路,减少编队时间;然后,通过人工势场算法规划各机器人的路径,在机器人行进过程中,利用优先级蔽障方法避免与其他机器人碰撞;最后,对多机器人的队形形成进行仿真,实验证明队形形成的有效性,算法简单易于实现.     

基于MAPSO的混合式多机器人编队控制

为了解决目前编队控制中队形不稳及复杂环境适应性差等问题,针对全局环境中含有动/静态障碍物的复杂环境,提出一种将Leasder-Follower法及人工势场法改进结合的混合式多机器人编队控制新方法;同时,引入多智能体粒子群优化(MAPSO)算法对多机器人编队控制相关参数进行在线优化,能有效避免机器人陷入局部最优,增强其抗干扰能力.对该方法进行仿真分析,并和Leasder-Following法与基于行为法相结合的混合编队控制方法进行比较.结果表明:MAPSO的混合式多机器人编队控制方法能更好地完成多机器人在复杂环境下的编队控制任务,验证了其有效性和可行性.     

基于仿生鱼群优化方法的非完整机器人队形控制(英文)

利用人工鱼群优化(AFSO)方法研究了多机器人的队形控制问题。机器人编队可视为寻迹问题,而编队寻迹是不断减小机器人与其期望编队位置之间的平移和角度误差的优化过程。每一个机器人的控制指令可看做是人工鱼群,通过一系列的控制实现期望队形。队形控制策略中包含机器人间的冲突规避行为。利用Matlab中的多机器人仿真器MRsim工具进行了仿真,结果表明,提出的方法具有很高的有效性和效率,适用于各种形式的队形,可以被广泛应用在没有精确系统模型的无线传感器网络中。     

基于仿生鱼群优化方法的机器人队形控制

本文利用人工鱼群优化（AFSO）方法研究了多机器人的队形控制问题。机器人编队可视为寻迹问题,而编队寻迹是不断减小机器人与其期望编队位置之间的平移和角度误差的优化过程。每一个机器人的控制指令可看做是人工鱼群,通过一系列的控制实现期望队形。队形控制策略中包含机器人间的冲突规避行为。本文利用Matlab中的多机器人仿真器MRsim工具进行了仿真,结果表明本文提出的方法具有很高的有效性和效率,适用于各种形式的队形,可以被广泛应用在没有精确系统模型的无线传感器网络中。     

多智能体编队避障算法研究

利用势函数方法,研究了多智能体在障碍物环境下的追击编队控制.为解决单个智能体在势场中存在局部极小点与动态性能不好问题,引入速度势场建立新的势场函数.并研究了多智能体在不同环境下的编队控制,其中包括无障碍物环境,静态障碍物环境,以及静态障碍物和动态障碍物并存的复杂环境.通过选择与目标,障碍物和编队队形相关的势场函数,提出一种新的分布式编队避障控制算法.仿真结果表明所提算法能有效地解决多智能体编队避障问题.     

基于竞标机制的多移动机器人实时编队控制

研究了整体时间最优的多移动机器人实时编队控制问题。由于在多机器人编队围捕等一些任务中,存在任务时间或通信范围有限等约束,提出了基于竞标机制的时间最优控制策略。针对编队过程中机器人可能发生故障等问题,在实时编队控制策略中设置了监督机制,以保证任意时刻编队队形的完整。设计了与竞标和监督机制相适应的机器人编队及运动行为,使得移动机器人的运动时间最少。通过编队形成及编队改变等一系列实时编队仿真实验,结果表明:本文提出的编队控制策略灵活可行,且能满足编队控制中实时性的要求。     

复杂条件下多智能体系统编队一致性控制

针对噪声信号使多智能体系统难以形成一致的问题,综合运用代数图理论、矩阵论等知识,结合一致性形成条件和现有的一致性协议,提出一种改进的带有噪声的一致性控制算法。该算法能够使系统状态量与控制输入量收敛到一个很小的范围,从而大大弱化噪声对系统的影响。将这种改进算法应用到多智能体编队控制中并进行仿真,仿真结果表明,采用改进的一致性控制算法后,多智能体运动轨迹波动小,轨迹曲线平滑,各运动参数趋于一致,具有良好的编队一致性。     

一种基于局部感知的多机器人编队控制方法

针对未知环境下多机器人难以实现灵活、稳定的编队控制的情况,在分析领队-跟随法、基于行为方法以及虚拟结构法的编队控制方法基础上,提出了一种模拟人类社会中方队形成与变化的思想,将其应用在多机器人的编队中,进行多机器人的编队控制.机器人存储不同编队队形的相对位置信息,通过领航者发布队形控制信息,跟随者查找并匹配预先存储的队形...     

基于人工物理法的多智能体协同控制

 对多智能体的协同控制和队形重构技术进行研究,采用人工物理法完成多智能体的队形建立与队形保持。人工物理法是一种分布式的控制方法,对传感器信息和通信的依赖程度较低,并可以很好地移植到大规模系统中。人工物理法通过设定虚拟的物理力,完成机器人速度和方向信息的解算,并用这些信息进行实时控制。同时为保证在障碍物区域内的智能体避障,采用沿墙跟踪策略,设计双输入、单输出的模糊控制器实现智能体的避障。为克服多模态运动的转换瞬态,利用四点平滑抑制模态转换瞬态。通过传感器探测外界环境,获得相关环境信息并确定障碍物的位置,由此依据判决条件完成多智能体控制的模态转换,进行队形重构。通过复杂环境中的数学仿真及多智能体协同控制的实验验证,表明该系统具有良好的鲁棒性和适应性。     

基于行为的多机器人编队控制的仿真研究

多机器人的编队问题是多机器人协作中的一个典型问题,编队包括队形形成和编队控制。针对多机器人的编队控制问题,本文采用基于行为法和基于leader的协调策略相结合的方法。首先根据Motor Schema的反应式控制结构,设计了五种基本行为,即奔向目标行为（move-to-goal）,保持队形行为（keep-formation）,躲避静态障碍物行为（avoid-stastic-obstacle）,躲避机器人行为（avoid-robot）和随机行为（random）,对各行为进行加权形成局部控制器来控制机器人的局部行为。然后利用基于leader的协调策略来协调各个机器人的行为,形成全局控制器来控制机器人的最终的行为。通过仿真,验证了该方法的可行性和有效性。     

基于人工社会职位法自组织形成群机器人队形

针对群机器人自组织形成目标队形问题,借鉴人类在社会中求职的思想,提出一种自组织确定各机器人目标节点的方法——人工社会职位法;并结合该方法设计一种机器人自组织选择任务节点的调整算法。该算法可实时根据机器人探测到的信息,更换其下一时刻的目标节点,直至形成给定的几何队形为止。首先运用人工社会职位法的三个规则确定各机器人的下一个时刻对应的目标节点;然后人工力矩运动控制器驱动各机器人向自己的目标节点运动一步;下个时刻重复上述步骤,直到各机器人都到达一个不同于其他机器人的节点,从而形成目标队形。该方法不仅原理简单、计算量少;而且能较快速、合理的形成目标队形。Matlab仿真试验验证了该方法具有良好的可行性。     

基于人工社会职位法的群机器人自组织形成队形方法

针对群机器人自组织形成目标队形问题,借鉴人类在社会中求职的思想,提出一种自组织确定各机器人目标节点的方法——人工社会职位法,并结合该方法设计一种机器人自组织选择任务节点的调整算法。该算法可实时根据机器人探测到的信息更换其下一时刻的目标节点,直至形成给定的几何队形为止。首先运用人工社会职位法的三个规则确定各机器人的下一个时刻对应的目标节点;然后人工力矩运动控制器驱动各机器人向自己的目标节点运动一步;下个时刻重复上述步骤,直到各机器人都到达一个不同于其他机器人的节点,从而形成目标队形。该方法不仅原理简单、计算量少,而且能较快速、合理的形成目标队形。Matlab仿真试验验证了该方法具有良好的可行性。     

基于领导者的群体机器人编队及导航控制

介绍了基于领导者的群体机器人一致性方法,在此基础上提出一种群体机器人编队及导航控制方法。该方法采用分层控制策略,即控制系统分为目标层、领导层和跟随层。将目标层中目标点的位置信息发送给领导者,采用位置一致性算法使领导者朝目标运动;与此同时,领导者将其状态信息发送给跟随层中的跟随者,采用基于领导者的群体机器人编队控制方法,使跟随者与领导者保持一定的队形朝着目标运动。该方法可针对由多个子集构成的群体机器人系统进行导航。通过计算机仿真和群体机器人实验平台验证了所提方法的有效性。     

基于改进人工协调场的多机器人运动编队

针对多移动机器人编队形式单一、使用传统人工势场法易陷入局部极小的问题, 提出改进人工协调场法。该方法不仅可在不同时间内随机器人数量不同而不断变换队形,达到运动编队的效果,而且适合追踪动态目标点,使机器人的避障能力更加灵活。通过仿真实验验证了上述方法的有效性。     

基于PSO的多机器人编队控制

提出了一种新的编队算法。该算法针对不同的编队形状,根据机器人的位置信息,构造不同的函数,利用群体智能优化算法中的微粒群算法进行函数优化,优化过程中的最优解作为机器人的运动方向。最后利用该算法实现了线形、三角形、六边形和圆形编队,仿真结果表明了该算法的有效性。     

基于领航跟随法和星系动力学的多机器人编队控制

针对机器人常规编队控制方法编队精度低、机器人易掉队,且当队形进行大角度变换时跟随者不能快速适应的问题,提出了一种基于领航跟随和星系动力学(LF-GD)机器人编队控制方法.该方法结合了领航跟随法控制简单、编队快速和星系动力学法编队稳定和动态均衡的优点.实现了机器人快速编队和动态避障的性能要求,避免了队形大角度变换时机器人相互之间的碰撞和掉队问题,提高了整个编队系统的智能性和环境适应性.通过仿真验证了该方法的可行性和有效性.     

弱通信条件下多机器人编队控制及稳定性分析

为消除弱通信因素给多机器人编队控制系统带来的影响,基于一致性理论,提出了一种时延依赖的分布式编队控制算法.利用编队图描述机器人群体内部的网络拓扑结构,通过图的矩阵表示,基于矩阵论和控制理论研究具有通信时延的多机器人系统形成稳定的期望编队的条件.根据Lyapunov稳定性定理,得到了线性矩阵不等式(LMI)形式的时延独立和时延依赖的稳定条件,并在此基础上进一步证明采用的控制方法能够保证多机器人系统全局渐近地收敛至期望队形和期望速度.最后,通过一个多机器人编队实例对控制算法和结论进行验证.结果表明在满足系统稳定条件下,所采用的编队控制算法能够保证多机器人系统形成稳定的期望编队.     

多移动机器人保持队形路径规划

将多移动机器人的运动控制和路径规划有机结合,提出了多移动机器人的队形模型和保持队形的定义.在此基础上,以基于行为的导航算法为基础,将机器人队列的运动过程划分为正常运动、避障和恢复队形3个阶段.在避障阶段,引入虚拟机器人使队形保持部分完整;当队形被严重打乱时,规划机器人的局部目标位姿使队列快速恢复队形.仿真实验表明,该控制方法不仅使多移动机器人安全避障,而且队形保持较完好.