[发明专利]一种多智能体系统的编队控制方法

说明书

本发明将shape theory和flocking算法相结合，研究了多智能体系统的编队控制问题。Shape theory是定义目标编队形状的一种新方法，它为一组智能体提供了与期望编队队形相似的一个可行的编队集合。如何从这个集合中选择一个距离多智能体系统初始位置最小的编队成为解决问题的关键。这样我们就将多智能体系统的编队控制问题转化为优化问题，并通过递归神经网络解决这个优化问题。上述求得的目标编队的位置与智能体有特殊的匹配关系，在考虑到电池能量的约束情况下，使用匈牙利算法重新计算智能体初始位置和目标位置之间的匹配关系，减少了能量消耗，大大提高了完成任务的可能性。

技术领域

本发明适用于多智能体编队领域，具体涉及了一种多智能体编队队形控制的方法。

背景技术

多智能体协同作业在环境探测感知、巡逻搜救、军事任务执行等方面的应用越来越广泛。近年来随着多智能体系统的发展，这一趋势也呈现指数增长的趋势。

Flocking算法是近年来提出来的用来解决多智能体协同作业的一类算法。它主要包括基本的flocking算法、anti-flocking算法和semi-flocking算法。基本的flocking算法是一种受到生物自主交互行为启发的算法，该算法中每个机器人通过一定的规则，并保持与邻居机器人之间的通信来模拟生物之间的交互行为。该算法能够实现单个集群机器人之间的避碰、集群避障和驶向目标的功能。

Anti-Flocking最早用于多移动机器人的搜救系统，它是由一些动物之间的孤立行为而启发的。一些动物会将自己从种群中分离出来，以提高自身的收益。这种算法适用于搜救任务，但不适用于目标的探测与跟踪。

Semi-flocking算法将anti-flocking算法与基本的flocking算法集合起来，实现了多目标的跟踪与探测。每个目标周围都会围绕一些机器人,这些机器人会对该目标进行探测，这组机器人被称为一个flock。但是，多智能体在执行军事任务给过程中往往需要构建多个flock，且每个flock都能形成一个期望的编队，但是基于flocking的一类算法还不能解决这个问题。另一个值得注意的问题——能否完成给定的任务很大程度上取决于机器人电池能量的使用程度，因此对机器人能量消耗的优化是急需解决的问题。

发明内容

为了克服上述现有技术的不足，本发明提出了一种改进的flocking算法。其目的1在于改进flocking算法，使每个flock都能形成一个期望的编队以便执行不同的任务；目的2在于减少机器人在形成编队时所消耗的能量，提高任务完成的可能性。

为实现上述目的，本发明所采用的技术方案是：

使用队形理论来描述每个flock的期望编队队形，以此获得与期望编队队形相似的编队集合。从这个集合中获得一个与多智能体初始位置距离最近的编队是一个做优化问题，因此将编队的队形控制问题转化为优化问题。通过使用递归神经网络来求解这个优化问题，得到期望编队的目标位置。值得注意的是，通过这种方法获得的期望编队的目标位置和智能体有一种固定的匹配关系(例如，第一个智能体对应第一个目标位置，其他智能体也有这种对应关系)，这种固定关系会导致所有智能体运动到目标点的总路径不是最优的。在考虑智能体能量约束的情况下，使用匈牙利算法重新计算智能体和目标位置之间的匹配关系，以此来优化智能体形成编队的总路径，减少智能体的能量消耗。

首先来处理flocking算法中的一个flock的编队控制问题。

形状理论为编队的定义提供了一种新颖的，简单的方法。形状理论是指把编队的大小，位置和旋转等变化去除后任然保留的几何信息。这个几何信息通常表示为S＝(s₁,...,s_m)^T(这个集合信息通常用坐标表示)，包含这个几何信息的集合为α为旋转量，d平移量，R为旋转矩阵。