基于基因调控网络的多智能体导航控制方法、设备及介质技术

本发明专利技术提供一种基于基因调控网络的多智能体导航控制方法、设备及介质，涉及导航技术领域，该方法包括获取多个智能体所在的平面地图；将所述平面地图转换为栅格地图，确定所述栅格地图中的各个栅格对应的浓度信息；根据所述栅格地图中的各个栅格对应的浓度信息确定所述智能体从当前栅格到目标栅格的最优路径；在待导航的智能体沿最优路径前行过程中，将代价评估值最小的空置栅格作为待进入栅格；确定待进入栅格距离障碍物位置所在栅格的距离，基于所述距离和预先设置的安全距离的关系确定所述智能体的运行状态，根据所述智能体的运行状态控制所述智能体朝目标位置前行；本发明专利技术能够实时、自适应寻找最优导航路径。自适应寻找最优导航路径。自适应寻找最优导航路径。

【技术实现步骤摘要】
基于基因调控网络的多智能体导航控制方法、设备及介质


[0001]本专利技术涉及但不限于导航
，尤其涉及一种基于基因调控网络的多智能体导航控制方法、设备及介质。

技术介绍

[0002]目前智能体导航系统所涉及到的路径规划任务应用较为广泛的是A*算法，A*算法的操作过程需要依次对地图上的所有栅格进行代价值计算，即需要对所有可能路线的移动代价进行计算，耗费的运算成本高。此外，当地图中的障碍物或者目标点位置发生变化时，障碍物或者目标点可能落在已经遍历过的点位上，A*算法将不再适用。
[0003]因此，有必要对现有的智能体导航系统进行改进，能够实时、自适应寻找最优导航路径。

技术实现思路

[0004]以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
[0005]本专利技术实施例提供了一种基于基因调控网络的多智能体导航控制方法、设备及介质，能够实时、自适应寻找最优导航路径。
[0006]第一方面，本专利技术实施例提供了一种基于基因调控网络的多智能体导航控制方法，包括：步骤S100，获取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于基因调控网络的多智能体导航控制方法，其特征在于，包括：步骤S100，获取多个智能体所在的平面地图；步骤S200、将所述平面地图转换为栅格地图，确定所述栅格地图中的各个栅格对应的浓度信息；其中，所述浓度信息包含目标位置的浓度信息场和障碍物位置的浓度信息场；步骤S300、确定待导航的智能体的当前栅格和目标栅格，根据所述栅格地图中的各个栅格对应的浓度信息确定所述智能体从当前栅格到目标栅格的最优路径；其中，所述当前栅格为所述智能体当前所在的栅格，所述目标栅格为目标位置在栅格地图中所在的栅格；步骤S400、在所述智能体沿最优路径前行过程中，从与所述当前栅格相邻的8个邻域栅格中筛选出空置栅格，确定每个空置栅格的浓度评估值、第一距离评估值和第二距离评估值；其中，所述空置栅格为所述智能体可通行的栅格，所述浓度评估值为所述智能体当前时刻所在栅格和所述空置栅格的浓度信息之差，所述第一距离评估值为所述智能体的上一栅格和所述空置栅格之间的距离差值，所述第二距离评估值为所述空置栅格和所述目标栅格之间的距离差值；步骤S500、根据所述浓度评估值、第一距离评估值和第二距离评估值确定每个空置栅格的代价评估值，将代价评估值最小的空置栅格作为待进入栅格；步骤S600、确定待进入栅格距离障碍物位置所在栅格的障碍物距离，基于所述障碍物距离确定所述智能体的运行状态，根据所述智能体的运行状态控制所述智能体朝目标位置前行。2.根据权利要求1所述的基于基因调控网络的多智能体导航控制方法，其特征在于，所述将所述平面地图转换为栅格地图，确定所述栅格地图中的各个栅格对应的浓度信息，包括：步骤S210、确定所述栅格地图中目标位置所在栅格、障碍物位置所在栅格以及智能体的可移动范围边界；步骤S220、将所述栅格地图导入基因调控网络模型中，生成目标浓度地图和障碍物浓度地图；其中，所述目标浓度地图中的各个栅格包含目标位置的浓度信息场，所述目标浓度地图中的各个栅格包含障碍物位置的浓度信息场；步骤S230、将所述目标浓度地图和所述障碍物浓度地图按对应栅格进行耦合，得到所述栅格地图中各个栅格对应的浓度信息。3.根据权利要求2所述的基于基因调控网络的多智能体导航控制方法，其特征在于，生成目标浓度地图所依赖的计算公式为：；其中，p1为目标生成的浓度信息场，b1为影响目标浓度地图中的各个栅格浓度值的可调参数，v1为浓度扩散因子，用于调整距离参数与浓度参数之间映射关系，r1为目标浓度地图中的各个栅格中心离目标所在位置的相对距离；生成障碍物浓度地图所依赖的计算公式为：；其中，p2为障碍物生成的浓度信息场，b2为影响障碍物浓度地图中的各个栅格浓度值的
可调参数，v2为浓度扩散因子，r2为目标浓度地图中的各个栅格中心离障碍物所在位置的相对距离；所述栅格地图中各个栅格对应的浓度信息的计算公式为：；其中，g1为目标浓度地图所呈现的形态梯度空间,g2为障碍物浓度地图所呈现的形态梯度空间，g3为耦合目标位置的浓度信息场和障碍物位置的浓度信息场所呈现的形态梯度空间，θ1为影响目标浓度地图的浓度值范围的可调参量，k1为影响目标浓度地图的相邻栅格间浓度差值的可调参量，θ2为影响障碍物浓度地图的浓度值范围的可调参量，k2为影响障碍物浓度地图的相邻栅格间浓度差值的可调参量，θ3为影响栅格地图中栅格的浓度值范围的可调参量，k3为影响栅格地图中相邻栅格间浓度差值的可调参量。4.根据权利要求1所述的基于基因调控网络的多智能体导航控制方法，其特征在于，所述代价评估值的计算公式为：；其中，P
e
为评估所述待导航的智能体在下一时刻可到栅格的代价评估值，C
e
为评估所述待导航的智能体在下一时刻可到栅格的浓度评估值，D
p
为评估所述待导航的智能体在下一时刻可到栅格的第一距离评估值，D
t
为评估所述待导航的智能体在下一时刻可到栅格的第二距离评估值，a、b、c均为权重参数，C
N
为评估所述待导航...

【专利技术属性】
技术研发人员：范衠，王琛，罗伟成，谷敏强，施兆辉，
申请(专利权)人：汕头大学，
类型：发明
国别省市：