[发明专利]一种基于集群控制的多智能体协同建图方法

说明书

本发明公开了一种基于集群控制的多智能体协同建图方法，S1：所有智能体共同探测环境，生成初始地图并根据候选目标点算法生成候选目标点并上传服务器；S2：服务器对所有返回的候选目标点做筛选与聚类，并根据候选目标点分配算法为每个智能体分配候选目标点；S3：智能体前往目标点；S4：智能体到达目标点后，对周围环境进行探测，获得局部地图与新的候选目标点；S5：服务器判断建图是否完成，如果没有完成就返回S2；本发明提升多智能体的建图效率；利用集中控制方式使得各个智能体之间相互协调配合，共同完成复杂场景下的定位建图需求的多智能体协同建图体系，提高多智能体协同建图系统的灵活性和鲁棒性。

技术领域

本发明涉及建图领域，具体为一种基于集群控制的多智能体协同建图方法。

背景技术

ROS(Robot Operating System，下文简称“ROS”)是一个适用于机器人的开源的元操作系统；它提供了操作系统应有的服务，包括硬件抽象，底层设备控制，常用函数的实现，进程间消息传递，以及包管理，它也提供用于获取、编译、编写、和跨计算机运行代码所需的工具和库函数；ROS的主要目标是为机器人研究和开发提供代码复用的支持。ROS是一个分布式的进程(也就是“节点”)框架，这些进程被封装在易于被分享和发布的程序包和功能包中。ROS也支持一种类似于代码储存库的联合系统，这个系统也可以实现工程的协作及发布。这个设计可以使一个工程的开发和实现从文件系统到用户接口完全独立决策(不受ROS限制)。同时，所有的工程都可以被ROS的基础工具整合在一起。

gmapping作为ROS的功能包之一，通过订阅机器人的深度信息、IMU信息和里程计信息，使用者只要完成一些必要参数的配置，即可创建并输出基于概率的二维栅格地图。gmapping功能包基于openslam社区的开源SLAM算法，集成了Rao-Blackwellized粒子滤波算法，为开发者隐去了复杂的内部实现。

传统的基于边缘格方法的多智能体协同建图任务分配算法在执行建图任务时，各个智能体首先将自身导航至最近的边缘栅格，其次探测环境信息并建立相应局部地图，然后通过全局通信方法，将环境信息也就是局部地图同步给其他智能体。在该方法下，多智能体系统完成未知环境下的建图任务是以分布式控制结构为基础的，因此各个智能体选择的目标点可能会与其他智能体选择的目标点相近甚至重复，导致整体建图效率损失。

Simmons则引入了贪婪竞标的策略；建图时，各个智能体向服务器发送其计算出的评价值；服务器根据收益最大化原则为每个任务分配评价值最高的智能体，但该方法依然会导致地图中某一段路径被多次探索，因为智能体在执行建图任务时，会对其他智能体行为产生影响；同时，没有及时返回环境信息也会导致这种情况的发生。

后来，在基于贪婪竞标的多智能体协同建图策略中，智能体首先计算其目标点的任务价格，同时，其他智能体通过发送自己的标的参与竞拍此目标点。该算法的不足之处为拍卖方式只是单项拍卖，探索效率不高。

随后，在组合拍卖的基础上进一步优化了的多智能体协同建图方法中，服务器依据算法中的打包策略，将不同的探索任务抽象后进行合并以减少总体任务数量。增加了任务合并这一步骤后，多智能体协同建图的效率被进一步提高了。但增加的这一步也增加了服务器的计算量，因为任务合并时需要遍历所有的合并可能。同时，多任务环境下，该算法存在的PN-hard问题难以解决。

近年来，在基于K-均值聚类的组合拍卖多智能体协同建图方法中，服务器将实时将所有候选目标点进行K-均值聚类，其中聚类个数等于智能体的数量；通过这种K-均值聚类的方式，智能体在整体建图任务开始时就能有效地分散到不同的建图子区域中，极大地减少相互之间的干扰，也因此大大减少了智能体之间的重复探索路径，提高了建图任务完成效率。但该方法在不同的环境下并不稳定，受初始状态影响大；并且，K-均值聚类虽然能将建图任务分割为互不连通的子区域，却难以保证不同子区域建图工作量的近似，如果各个子区域见图工作量差距较大，会导致智能体浪费过多时间在已知环境中导航。

发明内容