【技术实现步骤摘要】
一种分布式完全覆盖的机器人编队覆盖方法
本专利技术涉及多移动机器人
，更具体地，涉及一种分布式完全覆盖的机器人编队覆盖方法。
技术介绍
多机器人编队覆盖在搜索、救援和区域监控等领域中有广泛的应用。已有的对于多机器人的编队覆盖的研究可以分为静态覆盖和动态覆盖。在动态覆盖中机器人会持续移动并扫过被覆盖区域，而与之相对静态覆盖会让机器人停留在某个地点持续覆盖，所以在覆盖精度方面静态覆盖会有显著的优势。实现对某个未知区域的完全覆盖的一个简单方法是先释放一个机器人探索被覆盖区域，使其变成已知区域，然后再规划机器人的位置实现完全覆盖。这种方法的缺点在于机器人群的总移动距离较高，这是由于被覆盖区域最终会被完全覆盖，探索时机器人走过的区域在最终实现完全覆盖时会被再走一遍的原因导致的。另一个方法则是结合探索与覆盖：逐个释放机器人的同时让已经被释放的机器人分布式地扩大总覆盖区域大小。目前有许多研究着眼于分布式地最大化总覆盖区域。其中主要的一类方法是基于梯度的方法，但这类方法有两个缺陷：一个是在遇到机器人的覆盖范围不统一的时候，比如...
【技术保护点】
1.一种分布式完全覆盖的机器人编队覆盖方法，其特征在于，首先将如何最大化被释放机器人的总覆盖区域的问题转化为分布式约束优化问题，然后使用梯度下降优化的连续最大和算法进行求解，并通过在变量节点和效用函数节点间互相发送信息来实现优化；其中，转化后的分布式约束优化问题形式包括以下部分：/n1)实体
【技术特征摘要】
1.一种分布式完全覆盖的机器人编队覆盖方法，其特征在于，首先将如何最大化被释放机器人的总覆盖区域的问题转化为分布式约束优化问题，然后使用梯度下降优化的连续最大和算法进行求解，并通过在变量节点和效用函数节点间互相发送信息来实现优化；其中，转化后的分布式约束优化问题形式包括以下部分：
1)实体表示各个机器人；
2)变量节点表示各个机器人的位置状态；
3)效用函数节点表示该机器人的分割后的覆盖区域的大小，由于二维空间的连续属性，使得效用函数节点U均为连续函数；效用函数节点会与能影响其取值的变量节点相连接；
4)变量节点的取值范围
5)优化问题的目标函数，即机器人群的总覆盖面积表示为：
式中，向量xj表示所有与Uj相连的变量节点集合。
2.根据权利要求1所述的分布式完全覆盖的机器人编队覆盖方法，其特征在于，每个机器人执行使用梯度下降优化的连续最大和算法的运算流程包括以下步骤：
S1.确定当前时刻处于通讯范围内的所有机器人，从这些机器人处收集信息q与信息r；
从变量节点i向效用函数节点j发送的信息q为：
式中，表示除j外所有与变量节点i相连的效用函数节点的下标集合，t表示当前信息的交换次数；
从效用函数节点j向变量节点i发送的信息r为：
式中，表示除i外所有与效用函数节点j相连的变量节点的下标集合，
S2.使用公式(2)分别计算发送给周围各个机器人的信息q；
S3.使用以下公式(4)计算周围所有机器人的理想位置x*：
S4.使用公式(3)分别计算发送给各个机器人的信息r，但直接使用公式(3)计算会导致运行时间过长，在此利用计算得到的理想位置x*并使用如下公式(5)进行计算：
S5.将计算得到的信息q与信息r分别存储并等待对应的机器人来向当前机器人请求；
S6.在信息交换的过程中，每个机器人使用以下公式(6)更新最优位置状态并移动至此状态：
。
3.根据权利要求2所述的分布式完全覆盖的机器人编队覆盖方法，其特征在于，机器人间发送的信息的具体形式是将信息处理成矩阵进行发送，算法部署时会先约定一个采样矩阵，矩阵中每个元素都是一个不同位置状态，采样时将每个位置状态输入信息中并得到返回值最终得到一个矩阵，机...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。