[发明专利]基于改进粒子群算法的多机器人区域覆盖方法

说明书

本发明提供一种基于改进粒子群算法的多机器人区域覆盖方法，通过对待覆盖区域建立坐标系，根据n台探测范围不同的机器人，各机器人i在全局坐标系中的位置构成向量，为迭代初始位置，然后利用改进粒子群算法求解点云，在粒子群算法的迭代过程中，考虑不同机器人的探测范围，进行速度和位置更新，直至获得最大程度覆盖目标区域的机器人的位置集合；该种基于改进粒子群算法的应用于多机器人区域覆盖方法，相对于现有方法，能够用于多种不同探测范围的机器人在已知区域内覆盖，有效提高实际覆盖区域和覆盖率，使得生成的目标点云更好的实现对区域的覆盖，能够生成最大程度覆盖区域的机器人位置集合。

技术领域

本发明涉及一种基于改进粒子群算法的多机器人区域覆盖方法，属于机器人技术领域。

背景技术

目前，相对多机器人其他方面的研究，多机器人覆盖的研究成果较少，但是，多机器人覆盖在许多领域具有重要的现实应用价值，如清扫、搜救、耕种等。此外，它还可看作是多机器人系统研究热点问题的集中平台，相关问题的解决具有普遍的意义。

粒子群算法(Particle Swarm Optimization，PSO)最早是由Eberhart和Kennedy于1995年提出，是一种仿生算法，源于对鸟群觅食行为的研究。一群鸟随机搜索食物，区域中只存在一块食物，所有鸟都不知道食物在哪，但是他们知道当前的位置离食物多远。用一种粒子来模拟上述的鸟类个体，每个粒子可视为N维搜索空间中的一个搜索个体，粒子的当前位置即为对应优化问题的一个候选解，粒子的飞行过程即为该个体的搜索过程.粒子的飞行速度可根据粒子历史最优位置和种群历史最优位置进行动态调整.粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子单独搜寻的最优解叫做个体极值，粒子群中最优的个体极值作为当前全局最优解。不断迭代，更新速度和位置。最终得到满足终止条件的最优解。

但是，现有的粒子群算法通常基于探测范围相同的情况下进行研究，未考虑到不同机器人的探测范围的不同，生成点云的覆盖范围一致，如图1所示，导致在使用多种不同机器人时，覆盖区域和覆盖率较低的问题。

上述问题是在多机器人区域覆盖过程中应当予以考虑并解决的问题。

发明内容

本发明的目的是提供一种基于改进粒子群算法的多机器人区域覆盖方法解决现有技术中存在的在使用多种不同机器人时，未考虑到不同机器人的探测范围的不同，使得覆盖区域和覆盖率较低问题。

本发明的技术解决方案是：

一种基于改进粒子群算法的多机器人区域覆盖方法，包括：

对待覆盖区域建立坐标系，根据n台探测范围不同的机器人，各机器人i在全局坐标系中的位置构成向量，为迭代初始位置，然后利用改进粒子群算法求解点云，在粒子群算法的迭代过程中，考虑不同机器人的探测范围，进行速度和位置更新，直至获得最大程度覆盖目标区域的机器人的位置集合。

进一步地，具体包括以下步骤，

S1、将形状和面积已知的区域作为待覆盖区域D，根据待覆盖区域D建立坐标系；

S2、根据n台探测范围不同的机器人，各机器人i在全局坐标系中的位置(x_i，y_i)构成向量：P＝{x₁，y，x₂，y₂，…，x_i，y_i，…，x_n，y_n}，为迭代初始位置；

S3、设定约束条件，各机器人的位置p_i(x_i，y_i)应在待覆盖区域D内，故其坐标范围在待覆盖区域D内，即：