一种基于动态时间窗冲突搜索的多机器人路径规划方法技术

本发明专利技术涉及一种基于动态时间窗冲突搜索的多机器人路径规划方法，属于人工智能与机器人控制技术领域。本发明专利技术能够在任务即时进入多机器人系统时，通过动态时间窗和动态重新规划频率的方法为各机器人规划任务执行路径，同时当机器人数量巨大时，仍能够为多机器人系统规划出无碰撞的路径。动态窗口和规划频率的引入，大大提高了求解效率，并解决了任务即时进入系统的问题。本发明专利技术具备良好的鲁棒性和实际应用价值，实现了快速为巨大数量的多机器人系统规划无碰撞路径。本发明专利技术均具备很强的扩展性，适用于各种移动机器人的动态任务路径规划场景。

【技术实现步骤摘要】
一种基于动态时间窗冲突搜索的多机器人路径规划方法
本专利技术涉及一种机器人路径规划方法，具体涉及一种基于动态时间窗冲突搜索的多机器人路径规划方法，属于人工智能与机器人控制

技术介绍
双目标任务位置的多自主机器人系统，是指系统内每个机器人所执行的每个任务均有两个目标位置，即：提货地点和交货地点。机器人需要先移动到提货地点，然后再移动到交付地点，如港口自动运输机器人、物流分拣中心机器人、智能仓储机器人等。此类机器人系统的特点是：机器人以及承担得任务数量规模巨大，任务目标会即时进入系统，因此，其任务信息并非全部先验明确。针对上述机器人系统路径控制问题，目前应用较为广泛的方法是采用终生MAPF问题(LifelongMulti-AgentPathFinding)模型，具体如下：将机器人定义为Agent，Agent即表示机器人，各机器人具有自主性，不依赖人力遥控控制。(1)Agent行动空间：给定一个无向图空间G＝(V,E),V代表图中的顶点集，表示Agent可能停留的位置；E是连接图中各定点的边集，表示Agent可能经过的位置。(2)Agent：在该空间内，分布一定数量的Agent。假设有m个Agent，则用集合A＝{a1,a2,…,am}表示。(3)任务目标：对于每个Agentai∈A，都需要从一个起始点si∈V和任务目标点gi∈V，并且每个Agent都需要执行从起始点到一系列任务目标任务τi＝{si,gi}。(4)时间序列：时间被离散化为时间点后，使用T＝{0,1,…,t}表示时间序列。在时间T＝0时，所有Agent已经在起始位置si。(5)Agent行为：对于每个Agentai∈A，ai的路径pi表示T→V从时间序列T到图中顶点集合V的一个映射。对于pi(t)表示t时刻Agentai的位置，且任意时刻Agent可以选择停留在当前位置或者移动到相邻位置。(6)路径代价：对于每个Agentai∈A，cost(pi)示为路径pi的代价，且路径代价用距离来计算。所有Agent总路径代价d为：其中，dist(x,y)表示位置x和y的距离，j为任务序号。(7)顶点冲突：顶点冲突指在同一时刻，有两个Agent在同一位置，即代理ai和aj在t时刻占据相同的顶点v那么把(ai,aj,v,t)称为顶点冲突，如图1所示。因此，对于每个Agentai∈A,aj∈A要求如下：其中，pi(t)表示t时刻Agent的位置。(8)相向冲突：相向冲突指在同一时刻，任意两个Agent朝着对方方向运动。即代理ai和aj在t时刻遍历相同的边(u,v)，其中u表示pi(t)＝pj(t+1)，v表示pi(t+1)＝pj(t)，如图2所示。因此，对于每个Agentai∈A,aj∈A，要求如下：李娇阳等人提出了“一种基于时间窗口滑动冲突搜索的路径规划方法(Rolling-HorizonCollisionResolution，RHCR)”，用于解决终身MAPF问题。该方法改进了传统的基本的冲突搜索算法(Conflict-BasedSearch，CBS)，核心思想是通过在算法框架中提出两个人为可指定的参数，即时间范围w和重新规划频率h，时间范围w表示基于时间窗口滑动冲突搜索的方法必须解决w个时间步长范围内的冲突，重新规划频率h表示RHCR求解器必须每h个时间步长重新规划路径，为了避免发生冲突，窗口式终身MAPF求解器必须比每w时间步长更加频繁地重新规划路径，即要求w≥h。同时，RHCR的下层路径求解层泛化了多标签A*算法(Multi-labelA*)以适应终生MAPF问题中为每个Agent分配一系列目标任务的场景。其中，Multi-labelA*是Grenouilleau等人为了解决多Agent的物流分拣场景的取件和交付问题，提出了多标签A星算法(Multi-LabelA*)，该方法可以连续访问两个有序的目标位置，即系统指定的取货位置和交货位置。整体而言，RHCR将双目标任务位置的多自主机器人系统路径规划问题分为两层进行求解，高层级为窗口式冲突搜索层，低层级为路径规划求解器。在低层级上，使用Multi-labelA*为各个Agent规划路径，在高层级，对为各Agent规划的路径进行冲突搜索，并且将冲突搜索的范围限定在前w个时间步长范围内，搜索到冲突后，为各Agent根据其优先级来解决冲突，优先级的确定根据各自添加约束后的路径代价决定，然后再次调用下层路径规划求解器，根据各Agent优先级来为各Agent寻找一条最优路径，该路径可以避免其与较高优先级的Agent发生冲突。然后每隔h个时间步长重新规划路径，并且重复上述过程。RHCR主要有两方面的改进，一个是可以为每个Agent规划从起始位置到一系列目标任务位置的路径，另一个是在上层的冲突搜索阶段，仅需要关注搜索和解决前w个时间步长范围内的冲突。RHCR的框架确实给解决终身的MAPF的问题带来了不错的解决方案，它既保证了多Agent系统的吞吐量，同时最多可扩展到1000个Agent的系统中，可以适应目标任务被即时新增且不用先验的知道所有任务目标信息的场景，并且对Agent所处地图环境没有限制，大大推进了拓展了MAPF的在工业场景中的应用，例如终生MAPF可求解实际应用场景中物流仓库和分拣中心的问题。但是，RHCR并未给出如何确定在多Agent系统中时间范围w重新规划频率h的大小，目前时间范围w重新规划频率h大小由人为手动设置且恒定不变，这会带来诸多弊端。第一，时间范围w的作用是将冲突搜索和解决的范围限制在前w时间步长内，即仅需要发现并解决时间步长w内的冲突，并且基本RHCR框架要求在求解时间上Runtime≤60s，即必须在一分钟内找到冲突解决方案，否则定义为本次求解失败。然而，实际上机器人在地图中的密度会影响冲突发生的概率(即Agent密度)，当机器人较为密集时，发生冲突的概率变大，通常需要设置较小的时间窗w来搜索和解决冲突，否则当时间窗w较大时，此时需要解决的冲突较多，因而需要更多的计算时间来解决冲突，造成求解时间超过1分钟的概率变大，求解失败率将会提高。第二，RHCR如为保证系统能够实现1000个以上Agent的路径求解，通常需要设置较小的时间窗口w。但这样的做法存在较大弊端，当w较小时，要求w≥h，因此此时需要设置较小的h值，则重新规划频率变高，而事实上当机器人密度稀疏时，机器人发生冲突的概率变小，此时可以使用较大的时间窗口w去搜索和解决冲突，否则会耗费计算资源和运算时间。事实上，在实际的应用场景中，例如港口运输机器人机器人、物流分拣中心和智能仓储机器人系统等，系统内的Agent数量会随着任务的密集度动态变化，任务量大时需要较多的Agent工作，此时需要设置较小的时间窗口w和重新规划频率h，任务量小时需要较少的Agent工作，此时需要设置较大的时间窗口w和重新规划频率h，基本的RHCR方法中固定时间窗和频率一定会造成系统计算资源的浪费和计算效率的降低，从而影响系统整体的工作效本文档来自技高网...

【技术保护点】
1.一种基于动态时间窗冲突搜索的多机器人路径规划方法，其特征在于，包括以下步骤：/n步骤1：计算本次路径规划的动态时间窗口Dw和重新规划频率Dh；/n步骤1.1：计算系统的机器人Agent局部密度；/nAgent局部密度通过遍历整个作业地图中L*L大小的网格中Agent的数量确定，即，使用该区域内的Agent的数量除以网格面积，具体如下：/nDensity(m)＝Agent_Num

【技术特征摘要】
1.一种基于动态时间窗冲突搜索的多机器人路径规划方法，其特征在于，包括以下步骤：
步骤1：计算本次路径规划的动态时间窗口Dw和重新规划频率Dh；
步骤1.1：计算系统的机器人Agent局部密度；
Agent局部密度通过遍历整个作业地图中L*L大小的网格中Agent的数量确定，即，使用该区域内的Agent的数量除以网格面积，具体如下：
Density(m)＝Agent_Numm/L2(1)
其中，Density(m)表示Agent_numm为以m为中心、其周围L*L网格区域内Agent的数量，m∈V，V表示Agent所在空间地图的顶点集合；
步骤1.2：计算Agent局部密度的动态时间窗口Dw：
Dw＝γ+ε×max{Density(m)}(2)
其中，γ和ε均为可调整参数；
步骤1.3：根据动态时间窗口Dw，计算重新规划频率Dh：
Dh＝alpha*Dw(3)
其中，alpha表示动态时间窗和重新规划频率的倍数关系；
步骤2：利用动态时间窗冲突搜索算法，进行上层冲突搜索；
步骤2.1：输入各Agent起始位置si和目标任务序列gi，并初始化起始优先级顺序＜0＝φ和根节点路径Root.solution＝φ；其中，φ代表为空；
步骤2.2：调用UpdataPlan模块为每个Agent找到最优路径，并更新Root.cost和OPEN表，Root.cost表示根节点的路径代价；
步骤2.3：当OPEN表非空时，取最低成本节点N进行扩展，搜索节点N中的路径是否存在冲突，当路径中不存在冲突，返回N.solution为最终的路径解决方案，并根据上一次计算的重新规划频率执行Dh个时间步长，否则，执行步骤2.4；
步骤2.4：在N.solution中搜索动态时间窗口Dw范围内各Agent的顶点冲突和边缘冲突，若无冲突，则返回该路径为最终规划路径结果；若有冲突，则执行步骤2.5；
步骤2.5：对于每个发生冲突的机器人ai生成其子节点N′并继承其父节...

【专利技术属性】
技术研发人员：赵清杰，种领，张长春，方凯仁，陈涌泉，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11