针对逃逸目标的多机协同围捕策略研究

针对多无人机对入侵飞行器的协同追踪围捕控制问题,将自然界中生物群落在捕捉猎物时展现的逃逸-围捕策略引入到多无人机协同作战研究中,设计了一种多无人机协同围捕逃逸目标策略。该策略由2个阶段组成,第1阶段使用基于动态反馈线性化的控制方法准确跟踪逃逸目标,第2阶段使用李雅普诺夫矢量场方法。该方法可以保障多无人机在围捕飞行中躲避敌方防空力量、雷达探测等危险区域。仿真结果验证了所设计的策略在多无人机围捕和阻止目标逃逸场景中的可行性与有效性。     

编者按

针对多无人机对入侵飞行器的协同追踪围捕控制问题,将自然界中生物群落在捕捉猎物时展现的逃逸-围捕策略引入到多无人机协同作战研究中,设计了一种多无人机协同围捕逃逸目标策略.该策略由2个阶段组成,第1阶段使用基于动态反馈线性化的控制方法准确跟踪逃逸目标,第2阶段使用李雅普诺夫矢量场方法.该方法可以保障多无人机在围捕飞行中躲避敌方防空力量、雷达探测等危险区域.仿真结果验证了所设计的策略在多无人机围捕和阻止目标逃逸场景中的可行性与有效性.     

一种多机器人围捕策略

以多机器人的围捕为研究对象,分析了成功围捕目标机器人的临界条件,即围捕机器人和目标机器人速度比的临界值,给出了该临界值的计算公式.设计了当围捕机器人的速度小于目标机器人的速度时多围捕机器人的伏击围捕方案:即先将目标机器人驱入最佳围捕区,然后再实施智能围捕策略完成围捕任务.采用Matlab的仿真结果验证了临界条件的正确性以及伏击围捕方案的有效性.     

基于模糊控制协调策略的多自主机器人围捕

为了降低多机器入围捕中的通信量,提高多机器人系统对未知环境的适应性,提出了一种基于模糊控制协调策略的多自主机器入围捕方法.围捕机器人根据感知范围内同伴和目标的分布,从L模糊控制器、R模糊控制器和M模糊控制器中选取合适的一个用以控制和最邻角同伴之间的夹角,进而实现多机器人之间的局部协调,结合基于局部感知的目标跟踪,在围捕...     

一种多移动机器人协作围捕策略

提出一种在连续未知环境中实现多移动机器人协作围捕移动目标的整体方案.围捕包括包围目标和靠近目标,包围目标行为由强化学习算法实现.用状态聚类减小状态空间,利用Q学习算法获得Q值表,根据学习后的Q值表选择动作.对各种行为的输出进行加权求和获得综合行为,实现对移动目标的围捕.仿真实验获得了在不同条件下的围捕结果.结果表明,环境、hunter与prey的速度关系以及prey的逃跑策略对围捕效果都有影响.     

面向多机协同的Att-MADDPG围捕控制方法设计

多无人机对动态目标的围捕是无人机集群作战中的重要问题.针对面向动态目标的集群围捕问题,通过分析基于MADDPG算法的围捕机制的不足,借鉴Google机器翻译团队使用的注意力机制,将注意力机制引入围捕过程,设计基于注意力机制的协同围捕策略,构建了相应的围捕算法.基于AC框架对MAD-DPG进行改进,首先,在Critic网络加入Attention模块,依据不同注意力权重对所有围捕无人机进行信息处理;然后,在Actor网络加入Attention模块,促使其他无人机进行协同围捕.仿真实验表明,Att-MAD-DPG算法较MADDPG算法的训练稳定性提高8.9％,任务完成耗时减少19.12％,经学习后的围捕无人机通过协作配合使集群涌现出更具智能化围捕行为.     

基于共识主动性的群体机器人目标搜索与围捕

群体机器人系统的目标搜索和围捕任务是智能机器人领域一个典型的复杂问题,大多数现有的解决这一问题的方法依赖于一些不现实的假设,如可靠的通信链接、全局坐标信息、已知的环境信息以及机器人之间的中央协调控制. 为此,本文提出了一种基于共识主动性的群体机器人目标搜索与围捕框架. 该框架对反蚁群算法进行了改进,加入了多种信息素来帮助群体机器人协作探索环境,并生成信息素地图. 同时,该框架把在前一阶段生成的信息素地图和分层基因调控网络(hierarchical gene regulatory network,H-GRN)模型相结合,完成了群体机器人在环境信息未知且通信受限的场景中对动态目标的搜索和围捕任务. 仿真实验表明,该方法相较于传统方法具有更好的性能表现.      

合作围捕移动机器人小队中机器人的反馈控制

本文介绍了一种反馈控制方法来协调多主体移动机器人围捕一个目标,并重点讨论了对机器人的反馈控制及稳定性.     

多机器人围捕的人工力矩方法

针对多机器人协作围捕问题,提出了一种基于人工力矩的自组织方法.给出了个体机器人的自由运动模型的数学描述和同盟、围捕曲线、吸引点的概念,并且围捕者根据局部信息对吸引点进行了适当的调整.同时设计了围捕者和入侵者的人工力矩运动控制器,使得围捕者在仅知道局部信息的情况下也能相互协调并最终形成理想的围捕队形.最后用Matlab仿真,结果表明,本文给出的自组织围捕方法是行之有效的.     

基于NEAT方法的多机器人追捕-逃跑问题

针对连续环境下的多机器人追捕-逃跑问题,提出一种基于人工神经网络的方法,利用增强拓扑神经演化(NEAT)方法自动生成并优化控制单个机器人行为的神经网络,并通过联合单个机器人之间的行为实现多机器人协调控制.该方法避免了传统的人工设计神经网络所存在的缺陷.仿真实验显示:迭代50代后即可实现有效的围捕行为,其结果证明了该方法...     

一种基于改进动态联盟算法的多机器人协作捕猎方法

多机器人协作捕猎,不仅需要解决目标搜索、追赶和避障等基本问题,还需要设计最优任务分配机制,构建高效追捕联盟,以便快速地捕获猎物。综合考虑机器人和目标之间的各种相关属性,定义量化标准,构造辅助决策矩阵,建立动态联盟。然后将基于生物刺激神经网络的追赶策略用于联盟形成后的追捕过程中。仿真实验表明该算法具有较高的围捕效率。     

动态障碍物环境下移动机器人路径规划

以机器人基本避障碍策略与启发式动态规划法相结合的方法，研究了在障碍物轨迹已知的动态环境中机器人的路径规划问题，根据机器人与单个障碍物可能的碰撞情况，分别提出了几种避障碍,伙子目标和相应的速度。根据这些策略，在机器人当前视窗内，将形成一个策略树，采用启发式动态规划算法，依据时间和路径费用最小原则，找出一个最优策略集，即最优子目标集，这种规划方法大大缩小于机器人子目标搜索空间。     

罪犯围捕中的数学方法

本文在图论的基础上建立了围捕犯罪嫌疑人的模型,该模型分为三个子模型：“封锁可行性模型”,“选窜分层模型”和“交巡警分配模型”。“封锁可行性模型”可以确定包围圈,但是会产生封锁盲点（巡警无法封锁的路口,形成包围圈的漏洞）和封锁重复点（多个巡警封锁同一个路口,造成警力浪费及其它不良影响）。“逃窜分层模型”可以消除封锁盲点,彻底封锁逃逸线路：“交巡警分配模型”可以消除封锁重复点,解决警力资源浪费等缺点。     

机器人部队运动多目标合作追捕算法

针对现有追捕问题只研究单个逃避者又附加了诸如逃避者的速度慢、视野小、只能随机逃避等使逃避者处于劣势或与追捕者轮流运动等额外条件的问题,研究了相同速度和视野范围的逃避者和追捕者同时智能运动时的机器人部队运动多目标的合作追捕算法．该算法根据入侵者的不同类型,机器人部队首先执行运动目标承诺生成算法,由不同数目的机器人协商动态组成追捕团队,追捕团队再按运动多目标合作追捕算法进行合作追捕．仿真结果表明,机器人部队能够高效地合作捕获智能逃避的入侵者,算法的低复杂性可以在复杂动态环境下实时实现．     

基于Fast Marching方法的多机器人追捕算法

多机器人系统的追捕-逃跑问题是人工智能领域一个非常重要的问题.本文为实现多追捕者协作追捕逃跑目标,提出了一种基于Fast Marching方法的多机器人协作追捕策略.追捕过程中,追捕者数量多于逃跑者的情况下,协助追捕者通过构造“活跃区域”与主追捕者的合作,实现一种压迫式的追捕策略.     

基于市场机制的多机器人救火任务分配策略

为解决多机器人系统领域中动态分布式任务分配的问题,对多机器人合作救火任务进行研究。建立了多机器人动态环境下合作救火任务的模型,并针对任务特点提出了一种基于市场机制的任务分配策略。在出价公式的构造上同时考虑了距离、火势、时间等因素,符合救火任务动态任务分配的要求。并在自主开发的仿真试验平台上进行了仿真验证,对试验结果进行了分析。实验结果表明,该分配策略在不同工况下均能高效地实现多机器人救火任务中的动态分布式任务分配问题。     

好奇心驱动的深度强化学习机器人路径规划算法

针对采用深度强化学习算法实现机器人路径规划任务中,训练前期随机性高导致奖励难获取问题,提出内在好奇心驱动的深度确定性策略梯度算法对连续型动作输出的端到端机器人路径规划进行研究。将环境获取的感知信息作为输入状态,输出机器人动作(线速度、角速度)的连续型控制量,在Gazebo仿真平台进行训练并验证。实验结果表明,基于内在好奇心驱动的深度确定性策略梯度路径规划算法可以较好地实现端到端的机器人路径规划,并且有利于解决训练前期奖励难获取问题,与离散型动作输出的深度Q学习网络模型进行了对比分析,结果表明本文算法决策控制效果更优越。在真实环境中进行了验证,在静态障碍和动态障碍的场景下,所提出算法可成功到达目标点。     

多模块式移动机器人系统的自组织协作行为

设计了一种新颖的、由4个基本功能模块组成的模块式移动机器人.针对多模块式移动机器人系统在复杂环境下的自组织协作行为,提出了目标趋向控制、多障碍物避障和自组织协调3种运动策略.分析了多机器人目标趋向运动的方向选择规则;描述了基于“感知 动作”的多障碍物避障控制策略,实现了多机器人连续避障并到达指定目标点;研究了多机器人的协调运动策略,通过多机器人协作完成了单机器人无法完成的搬重物、过台阶等任务.三维仿真结果表明了该控制策略对不同环境、多障碍物条件下多机器人协作行为的适应性.     

基于Pareto支配的两阶段多目标优化算法

针对二维和三维的多目标优化问题,提出了一种基于Pareto支配的两阶段多目标优化算法(MOEA-PT)。全局搜索阶段根据Pareto支配关系将种群进行排序,依据临界层子集的排序等级执行相应的选择策略;局部调整阶段对种群中的个体进行微调,将新产生的个体与距离其最近的个体进行支配关系、分布性、收敛性的对比,替换较差的个体。分析了两个阶段对算法性能的影响,同时对引入局部调整策略后的种群进行了对比,结果表明局部调整策略能有效增强算法性能。通过对标准测试函数的求解,并与其他经典的多目标算法进行对比,验证了本文算法在收敛性和分布性等方面具有一定的优越性。     

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。