[发明专利]基于模糊推理系统的多机器人角度控制围捕方法

摘要

基于模糊推理系统的多机器人角度控制围捕方法，该方法采用两层模糊推理来实现多机器人围捕策略；第一层模糊推理系统为决策层，用于对围捕任务状态进行识别，选择对应的多机器人策略；当围捕者处于搜索状态时，决策层模糊推理的输出Search，围捕者执行搜索策略；当围捕者处于接近状态时，决策层输出Approach，即接近策略；当围捕者处于围捕状态时，决策层输出Surround，围捕者进行围捕策略。使用仿真程序进行实验，仿真程序的环境依照实际环境中的参数按照比例缩减，机器人的运动均符合运动学模型约束。在不同初始条件下进行多次仿真实验，验证了算法的可行性，取得了较好的效果。

主权项

1.基于模糊推理系统的多机器人角度控制围捕方法，其特征在于：该方法采用两层模糊推理来实现多机器人围捕策略；第一层模糊推理系统为决策层，用于对围捕任务状态进行识别，选择对应的多机器人策略；当围捕者处于搜索状态时，决策层模糊推理的输出Search，围捕者执行搜索策略；当围捕者处于接近状态时，决策层输出Approach，即接近策略；当围捕者处于围捕状态时，决策层输出Surround，围捕者进行围捕策略；决策层模糊规则的设计以3个围捕者与目标的距离Lie作为输入；通过隶属度函数进行模糊化：隶属度函数将精确的输入值转化为对应的模糊集以及相应的隶属度；Lie的模糊集为距离区间上的{S,M,L}；再对规则库中的规则进行匹配；第i条规则Ri如下：其中L_ie表示第i号机器人距离逃跑者e的距离，为第i条规则的第n个输入的模糊集；S_i为规则的输出，表示决策选择的策略；根据每条规则的前件，利用梯形隶属度函数计算在对应模糊集上0～1的隶属度；3个输入变量经过隶属度函数模糊化得到的隶属度为μ1e，μ2e，μ3e，再对规则进行匹配，得到模糊规则的隶属度为输入变量隶属度中的最小值；最后将各条规则的输出按照模糊规则隶属度进行叠加，得到输出；输出的策略包括搜索策略，接近策略，围捕策略；基于角度控制的多机器人围捕策略：通过控制围捕者间角度，优先对角度线接近形成包围圈的围捕策略；首先根据首次采集到的逃跑者的运动信息，对逃跑者进行动态预测，再以逃跑者预测运动方向为标准，基于围捕者数量，均匀建立多条角度线；角度线建立后就与逃跑者位置绑定，不再与逃跑者运动方向相关，从而避免逃跑者的连续转动导致角度线的大幅度摆动，同时也降低了多机器人对于角度线频繁地重新分配而导致无法形成有效包围的可能；然后，围捕者优先对最近的角度线进行接近，以此保证围捕态势的形成与保持；随着围捕者依次均抵达角度线之后，包围态势逐渐形成；最后，各个围捕者在保持角度线上的同时，调整位姿不断接近逃跑者，缩小包围圈，实现最终围捕；模糊推理系统实现角度控制围捕策略：由于每个机器人的策略是一致的，即对优先抵达角度线再进行保持接近，因此每个机器人都由一套模糊推理系统完成，这样可以减少由于多机器人系统输入量过多导致模糊推理系统的规则库过于庞大；模糊推理系统的输入为：逃跑者与围捕者运动方向的夹角α，以及围捕者到逃跑者的连线与角度线的夹角β，根据逃跑者的预测位姿，建立角度线(虚线)；围捕者位置与角度线的夹角为α，通过调整α角度控制围捕态势的形成，围捕者运动方向与逃跑者运动方向的夹角为β，表现出在动态环境下的对围捕者以及逃跑者运动信息的考虑；以α和β为模糊推理系统的输入；输入变量通过梯形隶属度函数进行模糊化；α角度的模糊集为由‑30°到+30°上的{N,ZE,P}，β角度的模糊集为由0°到180°上的{S,M.L.T}；根据第i条规则R_i所示，当α为模糊集β为时，规则输入一组直行的左右轮速；当α较大时，根据当前围捕者与逃跑者间的运动信息，对其方向进行优先调整，使其对角度线进行接近；当围捕者抵达角度线附近，再调整机器人的运动，使其在保持相对角度位置的情况下对围捕者进行接近。