一种用于多机器人多任务协作工作的智能优化方法和系统技术方案

本发明专利技术提供一种用于多机器人多任务协作工作的智能优化方法和系统。该智能优化方法融合任务时间窗的概念提出一种多机器人多任务的协作工作的智能优化方法。该智能优化方法可驱动多机器人按照最优的执行方案完成多项任务，方法率先设计一种任务时间和运动时间线性近似方法以解决机器人完成任务和路程所需时间不确定的问题，并结合任务时间窗的概念从而提高了方法的实用性。本发明专利技术的优点是模型简单、效率高，在复杂的环境下也能够较为高效地使多机器人快速决策最优的任务规划方案来完成多项任务。

An Intelligent Optimization Method and System for Multi-Robot Multi-Task Cooperative Work

【技术实现步骤摘要】
一种用于多机器人多任务协作工作的智能优化方法和系统
本专利技术涉及机器人协同优化
，尤其涉及一种用于多机器人多任务协作工作的智能优化方法。
技术介绍
随着社会经济的发展和科学技术的进步，智能机器人已经逐步实现多机器人执行多任务协调工作。让多机器人之间具备一定信息交互机制相互协同工作或者中央控制器协同控制多机器执行多个任务时需要建立一种用于多机器人多任务协作工作的智能优化方法。该方法在复杂的环境下也能够较为高效地使多机器人快速决策最优的任务规划方案来完成多项任务。该方法在目前的研究具备一定的创新性，目前如专利申请CN201811014007提供一种基于云平台下多机器人协作的方法及操作系统，专利申请CN201810211742基于UKF框架提高一种适应于时变串行通信拓扑的多机器人分布式协作定位方法，专利申请CN201811077944提供了一种基于强化学习的多组机器人协作控制方法及系统。目前研究缺少针对多机器人执行多任务的方案进行优化来提高工作的效率的方法，需要提供一种用于多机器人多任务协作工作的智能优化方法。因此为丰富相关领域的算法研究，以科学的方法解决市场中多机器人协作工作效率低、服务质量差的问题，设计了智能优化方法。
技术实现思路
有鉴于此，本申请提供一种用于多机器人多任务协作工作的智能优化方法和系统。本申请是通过如下技术方案实现的：一种用于多机器人多任务协作工作的智能优化方法，该方法应用于智能优化系统中，该方法包括如下步骤：步骤1，进行多机器人多任务协作工作环境的初始化；步骤2，设定工作环境区，以机器人充电位置处为机器人起始出发点和完成任务后的路径终点，设定需要完成的工作任务以及完成任务所在的环境位置，所有机器人均在一个起始出发点出发，去完成任务集合N∈{1，……，n}，其中n为大于1的正整数；步骤3，设定所有机器人的状态；步骤4，设定系统优化所需的基本参数；步骤5，输入运动环境信息；步骤6，确定能够完成所有工作任务的所需机器人的初始数量；步骤7，将机器人数量R、工作环境区涉及的信息参数、机器人状态信息参数、系统优化所需参数以及运动环境信息参数输入到所述智能优化系统中，所述智能优化系统根据优化模型获取任务规划方案，若获取的任务规划方案为最优，则执行步骤9，若获取的任务规划方案不是最优，则执行步骤8；步骤8，增加一个机器人，派遣R+1个机器人去执行上述多任务，返回执行步骤7，以获取最优的任务规划方案；步骤9，输出当前获取的任务规划方案，结束。进一步的，所述步骤2中还包括：所述任务集合中的每一项任务分别需在各个任务位置点完成，任务位置点集合I∈{1，…，i，…，X}；每一个所述任务位置点都具有对应的需求时间窗，设定在任务位置点i所需完成Di项工作任务(∑iDi＝n)，设定在任务位置点i完成工作所需的时间ti，该时间由之前完成任务所需的时间估算得到，在任务位置点i完成工作具有需求时间窗[qi,pi],在任务位置点i所需完成的工作任务是在时刻qi后开始执行，在时刻pi前要执行完任务。进一步的，其特征在于，在所述步骤3中，所述设定所有机器人的状态，具体包括：设定机器人的总数量为R，设定机器人的移动速度为v，设定使用每一个机器人的固定成本为G，设定机器人一次最多完成的任务数量为Q。进一步的，在所述步骤4中，设定系统优化所需的基本参数，具体包括：计算的时间惩罚成本，若机器人在工作任务需求时间窗提前到达了该任务位置所产生的惩罚成本系数为C1，同时若机器人在工作任务需求时间窗之后才到达了该任务位置产生的惩罚成本系数为C2，根据任务的性质及其重要性，设定合理的C1、C2；所以第r个机器人，其中r∈{1，……，R}，从起始出发点出发到达第i个任务位置点时的时间为L(i,r)，Mi(sir)表示产生的时间惩罚成本，通过如下公式计算：其中，Mi(sir)为第r个机器人从起始出发点出发到达第i个任务位置点时产生的时间惩罚成本，其中r∈{1，……，R}；C1为机器人提早到达产生的惩罚成本系数；C2为机器人迟到到达产生的惩罚成本系数；L(i,r)为第r个机器人从起始出发点到达任务位置点i的时间，qi为i任务位置点的任务的需求时间的起始时刻，pi为i任务位置点的任务的需求时间的结束时刻。进一步的，在步骤5中，所述输入运动环境信息，具体包括：设定完成任务所在的环境任务位置点i到另一个完成任务所在的环境任务位置点j的距离为S(i,j)，设定从任务位置点i到任务位置点j的运动时间为T(i,j)，该时间T(i,j)通过如下公式计算：其中v是机器设定的运动速度。进一步的，在所述步骤6中，所述初始数量通过如下公式计算：其中，R为机器人的初始数量，完成的任务总数量为n,设定机器人最多一次完成的任务数量为Q，int()为取整函数。进一步的，根据优化模型获取任务规划方案，具体包括：所述优化模型通过如下公式计算：其中，Z为所述优化模型的评价函数值，Z包括机器人在各个任务位置点间移动的运动时间成本，机器人去到各个任务位置点后产生的时间惩罚成本Mi(sir)以及使用机器人产生的固定成本G；ai,j,r用于指示是否需要第r个机器人从任务位置i运动到任务位置j的参数其中，当ai,j,r取值为1时，表示第r个机器人需要从任务位置i运动到任务位置j，当ai,j,r取值为0时，表示第r个机器人不需要从任务位置i运动到任务位置j。设定bi,r表示任务位置点i的任务是否由第r个机器人完成，其中，当bi,r取值为1时，表示任务位置点i的任务是由第r个机器人完成，当bi,r取值为0时，表示任务位置点i的任务不由第r个机器人完成；并且满足，其中，进一步的，根据优化模型获取任务规划方案还包括：初始出发点视为第一任务位置点，每个机器人都是从初始出发点出发，最后又回到初始出发点，即满足在工作时每个机器人最多到每个任务位置点1次，且在该任务位置点完成任务后就离开，即满足以及进一步的，根据优化模型获取任务规划方案还包括：确定在任务位置点i由机器人r完成的任务量，设定为fi,r，获取机器人一次最多完成的任务数量Q，确定的任务方案会保证所有任务点的任务都被完成，在任务位置点i所需完成Di项工作任务，其中∑iDi＝n，则机器人由任务位置点i到达任务位置点j的时间由下式确定：sjr＝ai,j,r×(sir+wi,r+T(i,j)+ti)；其中，sjr为第r个机器人到达任务位置点j的时间，ai,j,r为是否由第r个机器人到从任务位置点i到任务位置点j，sir为第r个机器人到达任务位置点i的时间，wi,r为机器人r满足任务位置点i的时间窗口约束而在任务位置点i等待的时间，T(i,j)为从位置i到位置j的运动时间。一种用于多机器人多任务协作工作的智能优化系统，该智能优化系统包括：处理器；以及存储指令的存储器，所述指令在由处理器执行时使处理器实现如权利要求1至9之一所述智能优化方法。与现有技术相比，本专利技术的优点在于：计算模型简单、效率高，在复杂的环境下也能够较为高效地使多机器人快速决策最优的任务规划方案来完成多项任务。本专利技术方法简单、科学且可靠。附图说明图1为本专利技术的优化方法的流程示意图；图2为本专利技术的场景应用示例图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下本文档来自技高网...

【技术保护点】
1.一种用于多机器人多任务协作工作的智能优化方法，该方法应用于智能优化系统中，其特征在于，该方法包括如下步骤：步骤1，进行多机器人多任务协作工作环境的初始化；步骤2，设定工作环境区，以机器人充电位置处为机器人起始出发点和完成任务后的路径终点，设定需要完成的工作任务以及完成任务所在的环境位置，所有机器人均在一个起始出发点出发，去完成任务集合N∈(1，……，n}，其中n为大于1的正整数；步骤3，设定所有机器人的状态；步骤4，设定系统优化所需的基本参数；步骤5，输入运动环境信息；步骤6，确定能够完成所有工作任务的所需机器人的初始数量；步骤7，将机器人数量R、工作环境区涉及的信息参数、机器人状态信息参数、系统优化所需参数以及运动环境信息参数输入到所述智能优化系统中，所述智能优化系统根据优化模型获取任务规划方案，若获取的任务规划方案为最优，则执行步骤9，若获取的任务规划方案不是最优，则执行步骤8；步骤8，增加一个机器人，派遣R+1个机器人去执行上述多任务，返回执行步骤7，以获取最优的任务规划方案；步骤9，输出当前获取的任务规划方案，结束。

【技术特征摘要】
1.一种用于多机器人多任务协作工作的智能优化方法，该方法应用于智能优化系统中，其特征在于，该方法包括如下步骤：步骤1，进行多机器人多任务协作工作环境的初始化；步骤2，设定工作环境区，以机器人充电位置处为机器人起始出发点和完成任务后的路径终点，设定需要完成的工作任务以及完成任务所在的环境位置，所有机器人均在一个起始出发点出发，去完成任务集合N∈(1，……，n}，其中n为大于1的正整数；步骤3，设定所有机器人的状态；步骤4，设定系统优化所需的基本参数；步骤5，输入运动环境信息；步骤6，确定能够完成所有工作任务的所需机器人的初始数量；步骤7，将机器人数量R、工作环境区涉及的信息参数、机器人状态信息参数、系统优化所需参数以及运动环境信息参数输入到所述智能优化系统中，所述智能优化系统根据优化模型获取任务规划方案，若获取的任务规划方案为最优，则执行步骤9，若获取的任务规划方案不是最优，则执行步骤8；步骤8，增加一个机器人，派遣R+1个机器人去执行上述多任务，返回执行步骤7，以获取最优的任务规划方案；步骤9，输出当前获取的任务规划方案，结束。2.根据权利要求1所述的智能优化方法，其特征在于，所述步骤2中还包括：所述任务集合中的每一项任务分别需在各个任务位置点完成，任务位置点集合I∈(1，…，i，…，X}；每一个所述任务位置点都具有对应的需求时间窗，设定在任务位置点i所需完成Di项工作任务(∑iDi＝n)，设定在任务位置点i完成工作所需的时间ti，该时间由之前完成任务所需的时间估算得到，在任务位置点i完成工作具有需求时间窗[qi，pi]，在任务位置点i所需完成的工作任务是在时刻qi后开始执行，在时刻pi前要执行完任务。3.根据权利要求1或2之一的所述智能优化方法，其特征在于，在所述步骤3中，所述设定所有机器人的状态，具体包括：设定机器人的总数量为R，设定机器人的移动速度为v，设定使用每一个机器人的固定成本为G，设定机器人一次最多完成的任务数量为Q。4.根据权利要求1或2之一的所述智能优化方法，其特征在于，在所述步骤4中，设定系统优化所需的基本参数，具体包括：计算的时间惩罚成本，若机器人在工作任务需求时间窗提前到达了该任务位置所产生的惩罚成本系数为C1，同时若机器人在工作任务需求时间窗之后才到达了该任务位置产生的惩罚成本系数为C2，根据任务的性质及其重要性，设定合理的C1、C2；所以第r个机器人，其中r∈{1，……，R}，从起始出发点出发到达第i个任务位置点时的时间为L(i，r)，Mi(sir)表示产生的时间惩罚成本，通过如下公式计算：其中，Mi(sir)为第r个机器人从起始出发点出发到达第i个任务位置点时产生的时间惩罚成本，其中r∈{1，……，R}；C1为机器人提早到达产生的惩罚成本系数；C2为机器人迟到到达产生的惩罚成本系数；L(i，r)为第r个机器人从起始出发点到达任务位置点i的时间，qi为i任务位置点的任务的需求时间的...

【专利技术属性】
技术研发人员：吴新开，霍向，马亚龙，宋涛，何山，
申请(专利权)人：北京洛必德科技有限公司，
类型：发明
国别省市：北京,11