[发明专利]一种用于大型部件协作搬运的多机器人导航方法

权利要求书

1.一种用于大型部件协作搬运的多机器人导航方法，其特征在于，包括步骤：

S1、获取多机器人运动的起点位置s₀＝(p_x0,p_y0)、终点位置s_g＝(g_x,g_y)和运动场景中的障碍物信息s_o；所述障碍物信息s_o＝[(o_x1,o_y1),(o_x1,o_y1),…,(o_xN,o_yN)]；(o_xn,o_yn)表示障碍物边缘采样点坐标，1≤n≤N，N表示障碍物边缘采样点总数；

S2、根据所需搬运物体形状设计多机器人编队的队形，并获取各机器人之间的相对位置约束；

S3、建立深度神经网络，所述深度神经网络的输入为多机器人编队的状态，输出为多机器人编队的执行动作；

所述多机器人编队的状态S为：S＝[s_g,s_r,s_o]，其中s_r＝[(px,py),v_x,v_y,arc]为多机器人编队的运动参数，其中位置参数(p_x,p_y)为多机器人编队参考点的位置，速度参数v_x,v_y分别为多机器人编队参考点在x方向和y方向的速度，姿态参数arc为多机器人编队以参考点为中心的旋转弧度；所述多机器人编队参考点为多机器人编队的几何中心；

所述深度神经网络包括Actor网络和Critic网络，其中Actor网络的输入为多机器人编队的状态S，输出为多机器人编队的执行动作act；所述Critic网络的输入为多机器人编队的状态S和动作act，输出为评价值value；

S4、使用PPO算法对所述深度神经网络进行训练；

S5、将多机器人编队的状态输入训练好的Actor网络，得到每一步的执行动作，根据多机器人编队的当前运动参数和执行动作act计算下一时刻的运动参数，进而得到多机器人编队从起点到终点的导航路径。

2.根据权利要求1所述的多机器人导航方法，其特征在于，所述深度神经网络中，Actor网络包括4个隐含层和一个输出层，4个隐含层中的神经元个数分别为128，256，256，64，激活函数都为tanh函数，输出层包含6个输出节点，分别代表动作空间中不同动作的概率；选择其中概率值最大的作为执行动作act；

Critic网络包括4个隐含层和一个输出层，4个隐含层中的神经元个数分别为128，256，256，64，激活函数都为tanh函数，输出层包含1个输出节点，表示评价值value。

3.根据权利要求2所述的多机器人导航方法，其特征在于，所述动作空间包含六种动作，动作1代表多机器人编队向左运动，动作2代表多机器人编队向上运动，动作3代表多机器人编队向右运动，动作4代表多机器人编队向下运动，动作5代表多机器人编队左旋调整姿态，动作6代表多机器人编队右旋调整姿态。