一种基于决策树模型的机器人自主协同控制方法和系统技术方案

本发明专利技术请求保护一种基于决策树模型的机器人自主协同控制方法和系统，目的是帮助网络找到更好的局部最小值，并且加快训练的过程。其主要方法是：获取多个机器人的待执行指令，对所述待执行指令进行预处理；对所述预处理后的待执行指令初始化，根据可控制性概率的计算方法确定每个机器人可控制的范围；在所述的范围内，对新机器人加入、机器人主动退出和机器人失效进行维护；基于多变量决策树模型的分布式大时序数据分类；基于聚类之后的待执行指令进行协同控制训练完成后将无障碍场景下训练的网络参数用于静态障碍物的场景，随后依次增加难度到动态障碍物和复杂场景下，使网络学到更加泛化的策略，且减少训练时间。且减少训练时间。且减少训练时间。

【技术实现步骤摘要】
一种基于决策树模型的机器人自主协同控制方法和系统


[0001]本专利技术属于机器人控制领域，具体的，涉及一种基于决策树模型的机器人自主协同控制方法和系统。

技术介绍

[0002]随着机器人技术的日渐成熟，多个自主移动机器人在较大范围内协同工作已成为可能。为了实现多机器人协同工作，必须对机器人进行协同控制，以使机器人不发生任务冲突，提高工作效率；并且为机器人提供定位信息，以使机器人能够在较大的范围内完成任务。
[0003]自动化的机器人系统在越来越多的领域发挥着重要的作用，比如工业机器人，家用机器人，服务机器人等等。因此，机器人在结构化环境中的自动导航一直是一个热门的研究领域。与传统的人力系统相比，机器人系统有着多方面的优势，比如经济，时间和安全性等。而相比于单机器人系统，多机器人系统协同执行任务具有更大的优势和更广泛的应用场景，比如危险环境中的探索，农业中的监测以及极端条件下的军事任务。同一复杂任务，多机器人系统可以比单机器人更高效，更低花销地完成，同时具有更好的容错性(其中一个机器人失效时不会影响整个系统的运行)，自适应和灵活性。因为多机器人系统具有这些优越性，并且当代处理器计算能力的不断增长，近年来多移动机器人系统吸引了越来越多国内外学者们的关注。从国内外研究情况看，多机器人协同控制系统较多，但都侧重于机器人任务分配方法的研究，很少涉及多机器人协同控制的研究。
[0004]现有技术中只能实现多机器人合作模式，不能真正意义上实现协同控制，机器人完成任务的效率较低，不能适应复杂任务的缺陷。
专利
技术实现思路

[0005]为了解决当前多个机器人控制不协调的问题，本专利技术请求保护一种基于决策树模型的机器人自主协同控制方法和系统。
[0006]首先，所述方法，其特征在于，包括：获取多个机器人的待执行指令，对所述待执行指令进行预处理；对所述预处理后的待执行指令初始化，根据可控制性概率的计算方法确定每个机器人可控制的范围；在所述的范围内，对新机器人加入、机器人主动退出和机器人失效进行维护；基于多变量决策树模型的分布式大时序数据分类；基于聚类之后的待执行指令进行协同控制。
[0007]进一步地，所述获取多个机器人的待执行指令，对所述待执行指令进行预处理，包括：将收集到时序数据标准化以形成标准化训练时序数据及标准化测试时序数据；将所述标准化训练时序数据及所述标准化测试时序数据存储在本地机器人；
通过所述标准化训练时序数据训练自动机器学习模型以生成训练完成的自动机器学习模型及模型参数；将训练完成的自动机器学习模型的表达式写入智能合约；通过智能合约将所述模型参数同步至区块链机器人；读取所述本地机器人的标准化测试时序数据；调用写入训练完成的自动机器学习模型的表达式的智能合约对所述标准化测试时序数据进行预处理。
[0008]进一步地，所述对所述预处理后的待执行指令初始化，根据可控制性概率的计算方法确定每个机器人可控制的范围，还包括：对于同类型结构可控制性概率的计算方法为：同类型结构可控制性概率：k为已知的半径即已知机器人中与当前机器人的最远距离，q为单个机器人失效的概率，n为同类型结构机器人总数，n为同类型结构机器人总数；对于异类型结构可控制性概率的计算方法为：k为已知的半径即已知机器人中与当前机器人的最远距离，q为单个机器人失效的概 率，n为异类型结构机器人总数。
[0009]进一步地，所述基于多变量决策树模型的分布式大时序数据分类，包括：局部机器人利用中心机器人共享的集成分类器对随机在线到达的未知分类标签样本进行分类并标记类别标签，并将已知类别标签且可信度超过预设阈值的样本存入时序数据集；当时序数据集的容量超过预设阈值时，将其发送给中心机器人，然后清空时序数据集；中心机器人合并局部机器人发送的时序数据集生成训练样本集，利用训练样本集训练基于几何轮廓相似度的多变量决策树模型；中心机器人将多变量决策树模型作为基分类器加入集成分类器，并定期更新集成分类器；中心机器人将集成分类器共享给局部机器人，局部机器人利用集成分类器对在线到达的流式大时序数据进行分类；所述利用训练样本集训练基于几何轮廓相似度的多变量决策树模型，具体包括：利用几何轮廓相似度函数把m维空间下的不同类别的样本点投影到一维空间的数轴上，不同类别的投影点集合的上下边界即不同类别样本时序数据的类别投影边界；利用类别投影边界对一维空间的数轴上的投影点进行排序、分组，得到一组有序投影点集合，将有序投影点集合划分为多个子集，将差集中的投影点标记为叶子机器人；将交集中的投影点标记为中间机器人；在最优基准向量的引导下，采用递归投影分裂方法，确定多变量决策树模型。
[0010]进一步地，所述基于聚类之后的待执行指令进行协同控制，包括：
检测机器人的识别指令以及在人体目标中选择的识别体型；确定与所述识别体型对应的人体目标体型；根据所述人体目标体型的属性更新与所述识别体型对应的用于机器人的小空间人体识别避让规则中的属性参数，并提示所述机器人确认识别；接收确认识别的指令，并将更新后的用于机器人的小空间人体识别避让规则对应的人体目标空间分布进行识别，指示所述机器人避让所述人体。
[0011]本专利技术还请求保护一种基于决策树模型的机器人自主协同控制系统，其特征包括：预处理模块，获取多个机器人的待执行指令，对所述待执行指令进行预处理；范围确定模块，对所述预处理后的待执行指令初始化，根据可控制性概率的计算方法确定每个机器人可控制的范围；维护模块，在所述的范围内，对新机器人加入、机器人主动退出和机器人失效进行维护；分类模块，基于多变量决策树模型的分布式大时序数据分类；协同控制模块，基于聚类之后的待执行指令进行协同控制。
[0012]进一步地，所述获取多个机器人的待执行指令，对所述待执行指令进行预处理，包括：将收集到时序数据标准化以形成标准化训练时序数据及标准化测试时序数据；将所述标准化训练时序数据及所述标准化测试时序数据存储在本地机器人；通过所述标准化训练时序数据训练自动机器学习模型以生成训练完成的自动机器学习模型及模型参数；将训练完成的自动机器学习模型的表达式写入智能合约；通过智能合约将所述模型参数同步至区块链机器人；读取所述本地机器人的标准化测试时序数据；调用写入训练完成的自动机器学习模型的表达式的智能合约对所述标准化测试时序数据进行预处理。
[0013]进一步地，所述对所述预处理后的待执行指令初始化，根据可控制性概率的计算方法确定每个机器人可控制的范围，还包括：对于同类型结构可控制性概率的计算方法为：同类型结构可控制性概率：k为已知的半径即已知机器人中与当前机器人的最远距离，q为单个机器人失效的概率，n为同类型结构机器人总数，n为同类型结构机器人总数；对于异类型结构可控制性概率的计算方法为：
k为已知的半径即已知机器人中与当前机器人的最远距离，q为单个机器人失效的概 率，n为异类型结构机器人总数。
[0014]进一步地，所述基于多变量决策树模型的分布式大时序数据分类，包括：局部机器人利用中心机器人共享的集成分类器对随机在线本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于决策树模型的机器人自主协同控制方法，其特征在于，包括：获取多个机器人的待执行指令，对所述待执行指令进行预处理；对所述预处理后的待执行指令初始化，根据可控制性概率的计算方法确定每个机器人可控制的范围；在所述的范围内，对新机器人加入、机器人主动退出和机器人失效进行维护；基于多变量决策树模型的分布式大时序数据分类；基于聚类之后的待执行指令进行协同控制。2.如权利要求1所述的一种基于决策树模型的机器人自主协同控制方法，其特征在于：所述获取多个机器人的待执行指令，对所述待执行指令进行预处理，包括：将收集到时序数据标准化以形成标准化训练时序数据及标准化测试时序数据；将所述标准化训练时序数据及所述标准化测试时序数据存储在本地机器人；通过所述标准化训练时序数据训练自动机器学习模型以生成训练完成的自动机器学习模型及模型参数；将训练完成的自动机器学习模型的表达式写入智能合约；通过智能合约将所述模型参数同步至区块链机器人；读取所述本地机器人的标准化测试时序数据；调用写入训练完成的自动机器学习模型的表达式的智能合约对所述标准化测试时序数据进行预处理。3.如权利要求1所述的一种基于决策树模型的机器人自主协同控制方法，其特征在于：所述对所述预处理后的待执行指令初始化，根据可控制性概率的计算方法确定每个机器人可控制的范围，还包括：对于同类型结构可控制性概率的计算方法为：同类型结构可控制性概率：k为已知的半径即已知机器人中与当前机器人的最远距离，q为单个机器人失效的概率，n为同类型结构机器人总数；对于异类型结构可控制性概率的计算方法为：k为已知的半径即已知机器人中与当前机器人的最远距离，q为单个机器人失效的概 率，n为异类型结构机器人总数。4.如权利要求1所述的一种基于决策树模型的机器人自主协同控制方法，其特征在于：所述基于多变量决策树模型的分布式大时序数据分类，包括：局部机器人利用中心机器人共享的集成分类器对随机在线到达的未知分类标签样本
进行分类并标记类别标签，并将已知类别标签且可信度超过预设阈值的样本存入时序数据集；当时序数据集的容量超过预设阈值时，将其发送给中心机器人，然后清空时序数据集；中心机器人合并局部机器人发送的时序数据集生成训练样本集，利用训练样本集训练基于几何轮廓相似度的多变量决策树模型；中心机器人将多变量决策树模型作为基分类器加入集成分类器，并定期更新集成分类器；中心机器人将集成分类器共享给局部机器人，局部机器人利用集成分类器对在线到达的流式大时序数据进行分类；所述利用训练样本集训练基于几何轮廓相似度的多变量决策树模型，具体包括：利用几何轮廓相似度函数把m维空间下的不同类别的样本点投影到一维空间的数轴上，不同类别的投影点集合的上下边界即不同类别样本时序数据的类别投影边界；利用类别投影边界对一维空间的数轴上的投影点进行排序、分组，得到一组有序投影点集合，将有序投影点集合划分为多个子集，将差集中的投影点标记为叶子机器人；将交集中的投影点标记为中间机器人；在最优基准向量的引导下，采用递归投影分裂方法，确定多变量决策树模型。5.如权利要求1所述的一种基于决策树模型的机器人自主协同控制方法，其特征在于：所述基于聚类之后的待执行指令进行协同控制，包括：检测机器人的识别指令以及在人体目标中选择的识别体型；确定与所述识别体型对应的人体目标体型；根据所述人体目标体型的属性更新与所述识别体型对应的用于机器人的小空间人体识别避让规则中的属性参数，并提示所述机器人确认识别；接收确认识别的指令，并将更新后的用于机器人的小空间人体识别避让规则对应的人体目标空间分布进行识别，指示所述机器人避让所述人体。6.一种基于决策树模型的机器人自主协同控制...

【专利技术属性】
技术研发人员：陈企华，黄永军，张春林，
申请(专利权)人：北京东方通网信科技有限公司，
类型：发明
国别省市：