基于全局环境预测的多自主体集中式区域覆盖方法与系统技术方案

本发明专利技术公开了一种基于全局环境预测的多自主体集中式区域覆盖方法与系统。本发明专利技术方法中，基站接收各自主体位置及环境数据，基于稀疏近似高斯过程回归方法预测全局环境密度函数，并给出全局预测方差；基站再基于全局预测方差设计自主体控制方案决策模型，通过决策模型对各自主体分配任务，针对决策指标为预测的自主体，基于全局预测方差设计有限步长预测优先控制器，针对决策指标为覆盖的自主体，基于最优区域覆盖Lloyd算法设计有限步长覆盖优先控制器；通过自主体和基站的持续交互，实现最优覆盖控制。本发明专利技术使基站

【技术实现步骤摘要】
X B,and Cai J F.When Gaussian process meets big data:Areview of scalable GPs[J].arXiv preprint arXiv:1807.01065,2018.)。
[0005]目前，尚未发现已有研究可以较好解决多自主体系统在未知环境下的任务区域覆盖问题。要解决此问题，需要多自主体系统在有限时间内迅速完成预测未知环境密度函数的任务和覆盖任务区域的任务，极具挑战性，还未见到有效方案。

技术实现思路

[0006]专利技术目的：针对目前多自主体系统在在未知环境下的任务区域覆盖控制方法空缺，本专利技术提出一种基于全局环境预测的多自主体集中式区域覆盖方法与系统，通过统计学习方法预测全局未知环境密度函数，基站
‑
多自主体系统可实现最优区域覆盖任务。多自主体采集环境数据并发送于基站，基站通过一种稀疏近似高斯过程回归方法快速获得环境密度函数预测模型，并基于此模型对多自主体做出下一步指示，该方法使基站
‑
多自主体系统自主捕获具有高准确度和高性能的环境密度函数模型，同时使多自主体在有限步长限制下快速实现理想的最优区域覆盖。
[0007]技术方案：为了实现上述目的，本专利技术提出的基于全局环境预测的多自主体集中式区域覆盖方法，包括以下步骤：
[0008]基站接收各自主体坐标及采集的环境数据，基于稀疏近似高斯过程回归方法预测全局环境密度函数，并计算全局预测方差；
[0009]基于全局预测方差设计自主体控制方案决策模型，当自主体对应单元的预测方差大于等于设定阈值时，决策指标为预测，当自主体对应单元的预测方差小于设定阈值时，决策指标为覆盖；
[0010]基站通过决策模型对各自主体分配任务，针对决策指标为预测的自主体，基于全局预测方差设计有限步长预测优先控制器，针对决策指标为覆盖的自主体，基于最优区域覆盖Lloyd算法设计有限步长覆盖优先控制器。
[0011]作为优选，基站接收的第i个自主体的坐标及采集的环境数据表示为(x
N(m
‑
1)+i
,y
N(m
‑
1)+i
)，其中，x
N(m
‑
1)+i
∈R
n
为第i个自主体第m次采集数据时的位置向量，N为自主体总数，n为任务区域D的维数，y
N(m
‑
1)+i
∈R为第i个自主体在当前位置采集到的环境值。
[0012]进一步地，所述稀疏近似高斯过程回归方法为基于幂期望传播PEP方法的稀疏高斯过程回归方法，基站通过基于PEP方法的稀疏高斯过程回归方法预测全局环境密度函数，并计算全局预测方差，具体为：
[0013]假设基站第m次接收各自主体数据{(x
N(m
‑
1)+i
，y
N(m
‑
1)+i
)，i＝1，2，...，N}并存储，基站当前存储的全部数据为{(x
i
，y
i
)，i＝1，2，...，mN}；假设环境密度函数服从先验高斯过程φ(x)～GP(0，k(x，x
′
))，其中0为均值函数，k(x，x
′
)为协方差函数，假设环境中的观测噪声为高斯白噪声i＝1，2，...，mN，其中σ
y
为噪声标准差；
[0014]采用幂期望传播收敛形式，通过迭代贝叶斯近似推断，后验分布结果为：
[0015][0016][0017]其中为后验均值函数即预测的环境密度函数，∑(x)为预测方差函数，设u＝{x
′
i
∈D，i＝1，2，...，M}为伪输入点集，M为伪输入点数量，引入K
xu
＝[k(x，x
′1)，k(x，x
′2)，...，k(x，x
′
M
)]，K
Xu
＝(k(x
i
，x
′
j
))
ij
，i＝1，2，...，mN，j＝1，2，...，M，K
XX
＝(k(x
i
，x
j
))
ij
，i，j＝1，2，...，mN，K
uu
＝(k(x
′
i
，x
′
j
))
ij
，i，j＝1，2，...，M为协方差向量、矩阵，k(x，x)为k(x，x
′
)代入x和x本身，V
XX
＝KXX
‑
Q
XX
，diag(V
XX
)为V
XX
取对角线构成的对角阵，α∈[0，1]为指数因子，y＝[y1，y2，...，y
mN
]T
为观测值向量，I为单位矩阵。
[0018]进一步地，用于超参数训练的对数边缘似然函数为：
[0019][0020]其中通过最大似然函数法训练超参数，将超参数视为自变量，使用共轭梯度法或BFGS法求解最大值，得到训练后的超参数，采取间隔训练的方式，当mmodm0＝0时，训练超参数，其中m0∈N
+
为间隔步数。
[0021]作为优选，基站基于全局预测方差设计自主体控制方案决策模型，具体为：
[0022]假设基站第m次进行决策，记第i个自主体当前位置为p
i
＝x
N(m
‑
1)+i
，i＝1，2，...，N，N为自主体总数，基站在区域D上进行维诺划分：
[0023][0024]其中||
·
||表示L2范数，每个自主体i都有与之对应的维诺单元V
i
，对区域D进行网格划分，网格化后的区域点集为记i＝1，2，...，N，基站在上进行预测得到预测环境值集合和预测方差集合通过和设定阈值∑
tol
∈(0，1)进行决策：
[0025]若针对自主体i的决策指标为预测；
[0026]若针对自主体i的决策指标为覆盖。
[0027]作为优选，基站基于全局预测方差设计有限步长预测优先控制器，具体为：
[0028]假设每次迭代自主体的运动时长均为S，运动最大步长均为H；
[0029]为中具有最大预测方差的点的位置；
[0030]有限步长预测优先控制器由如下表示：
[0031][0032]其中v
i
为第i个自主体速度向量，H/S为自主体的最大移动速率。
[0033]作为优选，基站基于最优区域覆盖Lloyd算法设计有限步长覆盖优先控制器，具体
为：
[0034]假设每次迭代自主体的运动时长均为S，运动最大步长均为H，最优覆盖任务指基于环境密度函数预测模型的覆盖函数的局部最小化，即
[0035][0036]其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于全局环境预测的多自主体集中式区域覆盖方法，其特征在于，该方法包括以下步骤：基站接收各自主体坐标及采集的环境数据，基于稀疏近似高斯过程回归方法预测全局环境密度函数，并计算全局预测方差；基于全局预测方差设计自主体控制方案决策模型，当自主体对应单元的预测方差大于等于设定阈值时，决策指标为预测，当自主体对应单元的预测方差小于设定阈值时，决策指标为覆盖；基站通过决策模型对各自主体分配任务，针对决策指标为预测的自主体，基于全局预测方差设计有限步长预测优先控制器，针对决策指标为覆盖的自主体，基于最优区域覆盖Lloyd算法设计有限步长覆盖优先控制器。2.根据权利要求1所述基于全局环境预测的多自主体集中式区域覆盖方法，其特征在于，基站接收的第i个自主体的坐标及采集的环境数据表示为(x
N(m
‑
1)+i
,y
N(m
‑
1)+i
)，其中，x
N(m
‑
1)+i
∈R
n
为第i个自主体第m次采集数据时的位置向量，N为自主体总数，n为任务区域D的维数，y
N(m
‑
1)+i
∈R为第i个自主体在当前位置采集到的环境值。3.根据权利要求1所述基于全局环境预测的多自主体集中式区域覆盖方法，其特征在于，所述稀疏近似高斯过程回归方法为基于幂期望传播PEP方法的稀疏高斯过程回归方法，基站通过基于PEP方法的稀疏高斯过程回归方法预测全局环境密度函数，并计算全局预测方差，具体为：假设基站第m次接收各自主体数据{(x
N(m
‑
1)+i
,y
N(m
‑
1)+i
),i＝1,2,...,N}并存储，基站当前存储的全部数据为{(x
i
,y
i
),i＝1,2,...,mN}；假设环境密度函数服从先验高斯过程φ(x)～GP(0,k(x,x
′
))，其中0为均值函数，k(x,x
′
)为协方差函数，假设环境中的观测噪声为高斯白噪声其中σ
y
为噪声标准差；采用幂期望传播收敛形式，通过迭代贝叶斯近似推断，后验分布结果为：采用幂期望传播收敛形式，通过迭代贝叶斯近似推断，后验分布结果为：其中为后验均值函数即预测的环境密度函数，∑(x)为预测方差函数，设u＝{x
′
i
∈D,i＝1,2,...,M}为伪输入点集，M为伪输入点数量，引入K
xu
＝[k(x,x
′1),k(x,x
′2),...,k(x,x
′
M
)]，K
Xu
＝(k(x
i
,x
′
j
))
ij
,i＝1,2,...,mN,j＝1,2,...,M，K
XX
＝(k(x
i
,x
j
))
ij
,i,j＝1,2,...,mN，K
uu
＝(k(x
′
i
,x
′
j
))
ij
,i,j＝1,2,...,M为协方差向量、矩阵，k(x,x)为k(x,x
′
)代入x和x本身，V
XX
＝K
XX
‑
Q
XX
，diag(V
XX
)为V
XX
取对角线构成的对角阵，α∈[0,1]为指数因子，y＝[y1,y2,...,y
mN
]
T
为观测值向量，I为单位矩阵。4.根据权利要求3所述基于全局环境预测的多自主体集中式区域覆盖方...

【专利技术属性】
技术研发人员：付俊杰，唐美祺，温广辉，
申请(专利权)人：东南大学，
类型：发明
国别省市：