动态环境下移动机器人的最优策略解决方法技术

动态环境下移动机器人的最优策略解决方法包括如下步骤：首先，根据机器人的运行环境，构建改进‑加权切换系统，根据任务需求，利用线性时序逻辑(LTL)将任务需求数学表达化，利用LTL2BA工具包将LTL任务公式转化为Büchi自动机；然后将2者进行笛卡尔乘积，得到Product自动机，包含了任务需求和环境信息；将可行性网络拓扑图上的无用点去除，再根据双标签和行为约束准则，进一步判断状态点的可用性，进而简化状态点的数量。将剩余的点构建成MDP模型，利用策略迭代的方法得出最优策略。本发明专利技术不仅解决了不存在DRA的情况，还使得可用点数量的减少，构建的MDP复杂度下降，可以更快速的得到最优策略。

Optimal Strategy Solution of Mobile Robot in Dynamic Environment

The optimal strategy solution of mobile robot in dynamic environment includes the following steps: Firstly, according to the operating environment of the robot, an improved weighted switching system is constructed. According to the task requirement, the task requirement is expressed mathematically by using linear temporal logic (LTL), and the LTL task formula is transformed into Byuchi automata by using LTL2BA toolkit; then Cartesian product is used to get P. Roduct automata contains task requirements and environmental information; it removes unnecessary points from the feasible network topology, and further judges the availability of state points according to the double label and behavior constraint criteria, thus simplifying the number of state points. The remaining points are constructed into MDP model, and the optimal strategy is obtained by strategy iteration method. The invention not only solves the situation that DRA does not exist, but also reduces the number of available points, reduces the complexity of MDP construction, and can get the optimal strategy more quickly.

【技术实现步骤摘要】
动态环境下移动机器人的最优策略解决方法
本专利技术涉及动态环境下移动机器人的最优策略生成方法。
技术介绍
近年来，随着科技的发展，人们生产、生活中对于智能化机器人的需求越来越大，对机器人智能化水平的要求也越来越高。智能机器人的应用必然涉及到机器人的运动，即机器人的路径规划，现行的路径规划方法如遗传算法、粒子群优化算、蚁群优化算法、模拟退火算法，都是根据给定的机器人运行环境规划出静态环境中的最优路径，而且对于路径的搜索都是在单步确定的情况下。而对于诸如人工神经网络算法、启发式搜索算法、基于采样的路径规划算法等，虽然能够适用于动态变化的环境，但是对于复杂任务和单步有多种选择的情况下，依旧无法很好的完成任务。基于线性时序逻辑(lineartemporallogic,LTL)理论的移动机器人路径规划方法采用线性时序任务公式描述实际应用中复杂的任务需求，并将环境信息与任务信息相融合以确保能够搜索出既符合环境信息，又满足任务需求的最优路径。但是对于单步有多种选择的情况，所需要并不是最优路径，而是能够满足任务需求的最优策略。为了解决上述的问题，传统的解决办法是LTL-DRA(确定性自动机)方法，用本文档来自技高网...

【技术保护点】
1.动态环境下移动机器人的最优策略解决方法，具体如下：步骤一：构建改进‑加权切换系统；将机器人所在的环境构建为一个改进‑加权切换系统，加权切换系统是对环境的模型化，其定义为一个元组T:＝(Q,q0,R,Π,L,wT)，其中Q为一个有限的状态集合，把环境中选中的节点作为状态集合；q0∈Q代表了初始状态，即机器人所在的初始状态，运行起点；R→2Q代表了切换关系，表明了各个状态之间(路径点之间)的连通关系；Π代表原子命题，即每个状态点应该完成的动作；L:Q→2Π代表了标识函数集；wT代表切换权重，将其作为衡量值，即另一个标签。原子命题在加权切换系统中的作用是代表了各个状态的属性，当且仅当状态q处原子...

【技术特征摘要】
1.动态环境下移动机器人的最优策略解决方法，具体如下：步骤一：构建改进-加权切换系统；将机器人所在的环境构建为一个改进-加权切换系统，加权切换系统是对环境的模型化，其定义为一个元组T:＝(Q,q0,R,Π,L,wT)，其中Q为一个有限的状态集合，把环境中选中的节点作为状态集合；q0∈Q代表了初始状态，即机器人所在的初始状态，运行起点；R→2Q代表了切换关系，表明了各个状态之间(路径点之间)的连通关系；Π代表原子命题，即每个状态点应该完成的动作；L:Q→2Π代表了标识函数集；wT代表切换权重，将其作为衡量值，即另一个标签。原子命题在加权切换系统中的作用是代表了各个状态的属性，当且仅当状态q处原子命题π为真时，π∈L(q)才成立，若q2∈R(q1)，则q2为q1的后续状态；加权切换系统中的任意一条轨迹rT是由T中的有限个状态组成，即rT＝q0q1q2...，其中对于任意的i≥0都有qi+1∈δ(qi)成立，轨迹rT包含了有限个标识函数o＝o1o2o3...，其中oi∈L(qi)；步骤二：复杂任务数学表达化；根据线性时序逻辑理论可以将复杂任务进行数学表达化，线性时序逻辑(LTL)是一种接近自然语言的高级语言，将时序逻辑算子G(始终)，F(最终)，X(接下来)，U(直到)和布尔算子(非)，∧(与)，∨(或)，→(蕴涵)，(等价于)组合起来可以准确的描述移动机器人的复杂任务；步骤三：生成Büchi自动机；为了使环境信息和任务信息相结合，需要通过LTL2BA工具包将线性时序任务公式φ转换为任务可行性图表的形式，即Büchi自动机。Büchi自动机是一个五元组B:＝(SB,SB0,ΣB,δB,FB)；其中，SB代表一个有限的状态集；SB0∈SB代表了初始状态；ΣB代表了输入的字符表；δB∈SB×ΣB×SB代表了切换函数；FB∈SB代表了最终状态集；...

【专利技术属性】
技术研发人员：欧林林，范振雍，禹鑫燚，陆文祥，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33