无标记复杂场景中的去中心化多智能体导航方法及系统技术方案

本发明专利技术属于机器人导航技术领域，提供了一种无标记复杂场景中的去中心化多智能体导航方法及系统。其中，该方法包括获取各个机器人、路由器和目标点位置，再基于图神经网络得到各个机器人对应的初始控制信号；获取各个机器人的传感器观测信息，再结合初始控制信号和各个机器人的位置，经局部规划器得到各个机器人的最终控制信号。最终控制信号。最终控制信号。

【技术实现步骤摘要】
无标记复杂场景中的去中心化多智能体导航方法及系统


[0001]本专利技术属于机器人导航
，尤其涉及一种无标记复杂场景中的去中心化多智能体导航方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]无标记多智能体导航问题即机器人可以在若干目标点中任意选择一个作为自身规划目标进行导航，其作为一项基本任务，在移动机器人领域中有众多应用，如搜救、仓库搬运和清洁等。相比于多智能体导航的中心化实现，去中心化实现具有易于部署、稳定性高等优势，因此在近年来被广泛应用，产生了很多去中心化的导航方法。由于深度学习和深度强化学习的蓬勃发展极大地提高了去中心化导航的实时性和可行性，一个很自然的想法就是利用神经网络进行机器人信息处理和决策。在这其中，大多数方法使用机器人自身对环境的观测作为神经网络的输入，经过处理后输出机器人的控制信号。使用这样的思路进行神经网络的构建，结合模仿学习或者深度强化学习，从而使机器人可以进行快速有效的决策。
[0004]专利技术人发现，仅仅基于机器人对环境的观测进行决策是具有很多局限性的，容易在局部配置中做出错误的决策。在实际的场景中，环境往往是复杂且多变的，如果仅仅依靠传感器的局部观测，就只能完成小范围的避障。在这种情况下，如果基于全局环境来看，机器人的避障策略可能是完全错误的，如在迷宫中为了避障走入了一条不通的路，这就会导致多智能体导航在障碍物复杂的场景中的规划成功率降低。有一些方法利用完整的环境信息和机器人位置信息，结合图搜索算法，为每个机器人计算最优的目标分配和路径，再将路径指令下发给每个机器人，然而这类中心化方法往往在实际中难以进行实现，且如果信息传递链路或中心控制器损坏，整个系统就会瘫痪。

技术实现思路

[0005]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种无标记复杂场景中的去中心化多智能体导航方法及系统，其通过对环境的几何分析设置路由器节点，然后利用机器人和路由器之间的多步信息传递和处理，使每个机器人可以了解到环境的全局信息和其他机器人状态，综合所有信息进行决策，从而取得了较高的导航成功率。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]本专利技术的第一个方面提供一种无标记复杂场景中的去中心化多智能体导航方法，其包括：
[0008]获取各个机器人、路由器和目标点位置，再基于图神经网络得到各个机器人对应的初始控制信号；
[0009]获取各个机器人的传感器观测信息，再结合初始控制信号和各个机器人的位置，
经局部规划器得到各个机器人的最终控制信号。
[0010]进一步地，所述路由器位置的计算过程为：
[0011]获取环境图像；
[0012]对环境图像进行中轴变换和Delaunay变换处理，计算路由器放置位置以及为每个环境构建路线网络。
[0013]进一步地，所述图神经网络使用模仿学习算法进行训练。
[0014]进一步地，所述图神经网络包含两类节点：机器人节点和路由器节点。
[0015]进一步地，所述图神经网络的训练数据集采用中心化的算法生成。
[0016]进一步地，所述局部规划器的训练数据集为局部避障数据集，使用障碍物规避算法生成。
[0017]进一步地，所述传感器观测信息包括：激光雷达传感器信息。
[0018]本专利技术的第二个方面提供一种无标记复杂场景中的去中心化多智能体导航系统，其包括：
[0019]初始控制信号生成模块，其用于获取各个机器人、路由器和目标点位置，再基于图神经网络得到各个机器人对应的初始控制信号；
[0020]最终控制信号生成模块，其用于获取各个机器人的传感器观测信息，再结合初始控制信号和各个机器人的位置，经局部规划器得到各个机器人的最终控制信号。
[0021]本专利技术的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的无标记复杂场景中的去中心化多智能体导航方法中的步骤。
[0022]本专利技术的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的无标记复杂场景中的去中心化多智能体导航方法中的步骤。
[0023]与现有技术相比，本专利技术的有益效果是：
[0024]本专利技术提供的去中心化多智能体导航方法，仅需对环境进行一次预处理获得路由器位置，之后不再需要全局信息，机器人依靠自身观测以及相互之间的信息传递进行各自的决策，易于部署。
[0025]本专利技术提供的去中心化多智能体导航方法，利用全局信息部署路由器，并通过机器人和路由器之间的多次信息传递使机器人了解更为全面的信息，基于全局特征进行动作选择和生成，从而避免了陷入局部特殊障碍物配置中的问题，显著提升在复杂障碍物场景中的规划成功率。
[0026]本专利技术提供的去中心化多智能体导航方法，旨在解决无标记问题，机器人在导航的过程中同时隐含地解决目标分配问题，在搜救、清洁、搬运等领域有更广泛的应用。
[0027]本专利技术提供的去中心化多智能体导航方法是一种完全基于学习的方法，在小规模机器人群体上进行一定程度的训练后，可以扩展到更大规模的机器人群体、其他复杂机器人动力学、新的复杂环境等情况进行应用，在多个重要方面具有良好的可扩展性。
[0028]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0029]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0030]图1为本专利技术实施例一提供的去中心化多智能体导航方法的流程示意图。
[0031]图2为本专利技术实施例一提供的环境预处理说明图。
[0032]图3为本专利技术实施例一提供的机器人信息交流示意图。
[0033]图4为本专利技术实施例一提供的局部避障神经网络结构图。
[0034]图5为本专利技术实施例一提供的仿真环境和现实场景规划结果图。
具体实施方式
[0035]下面结合附图与实施例对本专利技术作进一步说明。
[0036]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0037]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0038]实施例一
[0039]参照图1，本实施例提供了一种无标记复杂场景中的去中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无标记复杂场景中的去中心化多智能体导航方法，其特征在于，包括：获取各个机器人、路由器和目标点位置，再基于图神经网络得到各个机器人对应的初始控制信号；获取各个机器人的传感器观测信息，再结合初始控制信号和各个机器人的位置，经局部规划器得到各个机器人的最终控制信号。2.如权利要求1所述的无标记复杂场景中的去中心化多智能体导航方法，其特征在于，所述路由器位置的计算过程为：获取环境图像；对环境图像进行中轴变换和Delaunay变换处理，计算路由器放置位置以及为每个环境构建路线网络。3.如权利要求1所述的无标记复杂场景中的去中心化多智能体导航方法，其特征在于，所述图神经网络使用模仿学习算法进行训练。4.如权利要求1所述的无标记复杂场景中的去中心化多智能体导航方法，其特征在于，所述图神经网络包含两类节点：机器人节点和路由器节点。5.如权利要求1所述的无标记复杂场景中的去中心化多智能体导航方法，其特征在于，所述图神经网络的训练数据集采用中心化的算法生成。6.如权利要求1所述的无标记复杂场景中的去中心化多智能体导航方法，其特征在于，所述局部规划...

【专利技术属性】
技术研发人员：屠长河，吉学博，李贺，潘哲融，高希峰，
申请(专利权)人：山东大学，
类型：发明
国别省市：