一种用于群体机器人的分布式计算系统及方法技术方案

本发明专利技术提供了一种用于群体机器人的分布式计算系统及方法，所述方法包括：将第一类机器人的复杂决策任务进行模块化分解，分解成若干个子任务；将所述子任务分配给第二类协助机器人组成的分布式计算网络，经过匹配后将各第二类协助机器人的可用计算资源情况返回；通过若干个第二类协助机器人的分布式计算，得到子任务的结果并返回给所述第一类机器人。本发明专利技术通过运用计算效用带宽分配方法，可以将群体机器人的计算资源和通信资源进行匹配，从而最大化利用群体机器人中每一个体的计算资源和通信资源。信资源。信资源。

【技术实现步骤摘要】
一种用于群体机器人的分布式计算系统及方法


[0001]本专利技术涉及分布式计算
，具体地，涉及一种用于群体机器人的分布式计算系统及方法。

技术介绍

[0002]复杂环境下的特定任务，通常采用群体机器人来完成，若采用单个机器人完成该任务，则存在许多风险。为完成该任务，单个机器人需要集成多种传感器、运算能力较强的中央处理器、损害管理系统、备用电源等相关组件，组件数量上的增加必然导致整个系统的稳定性下降和造价高昂。而群体机器人则可较好地规避这一问题，部分损坏不影响整体，即稳定性高，群体机器人在鲁棒性方面相对单个机器人具有显著优势。
[0003]群体机器人中的个体通常遇到的信息处理所需运算量并不大，如集群运动和导航任务，这些任务仅需较少的计算资源便能完成，即通常情况下个体的计算资源有较大盈余。然而，在复杂环境下，群体机器人中的部分个体有着目标识别和追踪任务，这些任务通常需要进行大量的图像信息处理，从而对计算资源有较大的需求，个体的计算资源往往无法满足需要，为此需要借助群体中计算资源有较大盈余的个体的协助。简而言之，群体中部分个体承担了较为重要的任务，需要大量的计算资源，这个任务需要群体中任务较轻个体的协助，这一问题抽象成为群体机器人分布式计算问题。
[0004]复杂环境下群体机器人的分布式计算前提是：计算资源和通信资源相匹配，大部分群体机器人系统是异构的，即群体中部分个体与部分个体间结构和功能存在差异。同时，不同个体当前执行的任务具有不同的计算量，这导致每一个体的计算资源都不尽相同；此外，动态变化和有限的网络资源也会造成个体获得的传输速率不同，这将导致一个普遍的现象，具有较多空闲计算资源的个体仅有较少的通信资源；具有较少空闲计算资源的个体拥有较多的通信资源。这一现象将导致计算资源和通信资源的浪费，不利于群体机器人的分布式计算。现行的带宽分配方法主要有：轮询调度方法、最大信噪比方法和计算效用带宽分配方法，然而，现有的分布式计算方法主要集中于计算机层面，并未考虑到复杂情况下通信资源有限的情形，无法解决群体机器人在复杂环境中执行任务过程时的分布式计算问题。因此，需要一种统筹群体机器人计算资源和通信资源后进行分布式计算的方法。

技术实现思路

[0005]针对现有技术中的缺陷，本专利技术的目的在于提供一种用于群体机器人的分布式计算系统及方法，通过运用计算效用带宽分配方法，可以将群体机器人的计算资源和通信资源进行匹配，从而最大化利用群体机器人中每一个体的计算资源和通信资源。
[0006]为解决上述问题，本专利技术的技术方案为：
[0007]一种用于群体机器人的分布式计算系统，包括第一类机器人和第二类协助机器人，所述第一类机器人为执行复杂决策任务的机器人，所述第二类协助机器人为执行简单任务的机器人，将所述第二类协助机器人组成分布式计算网络，将所述第一类机器人的复
杂决策算法进行任务模块化分解，分解成若干个子任务，将分解后的子任务被分配给所述第二类协助机器人组成的分布式计算网络，经过匹配后将各第二类协助机器人的可用计算资源情况返回，再通过若干个第二类协助机器人的分布式计算，得到子任务的结果并返回给所述第一类机器人。
[0008]可选地，所述第一类机器人的复杂决策任务的分解算法为最小任务包络法，用于将复杂的决策任务分解为彼此间解耦的简单任务。
[0009]可选地，所述分解算法具体公式为：可选地，所述分解算法具体公式为：T是复杂决策任务，T
i
i∈{1,2,3,4,5,6}是划分的子任务，且T
i
所需计算量小于所述第二类协助机器人所能提供的计算量。
[0010]可选地，所述将分解后的子任务被分配给所述第二类协助机器人是依据所述第二类协助机器人组成的分布式计算网络进行最优匹配，所述最优匹配的核心是所述分布式计算网络中参与子任务计算的第二类协助机器人数量最少。
[0011]进一步地，本专利技术还提供一种用于群体机器人的分布式计算方法，所述群体机器人包括执行复杂决策任务的第一类机器人以及执行简单任务的第二类协助机器人，所述方法包括以下步骤：
[0012]将第一类机器人的复杂决策任务进行模块化分解，分解成若干个子任务；
[0013]将所述子任务分配给第二类协助机器人组成的分布式计算网络，经过匹配后将各第二类协助机器人的可用计算资源情况返回；
[0014]通过若干个第二类协助机器人的分布式计算，得到子任务的结果并返回给所述第一类机器人。
[0015]可选地，所述将第一类机器人的复杂决策任务进行模块化分解的算法为最小任务包络法，用于将复杂的决策任务分解为彼此间解耦的简单任务。
[0016]可选地，所述分解算法具体公式为：可选地，所述分解算法具体公式为：T是复杂决策任务，T
i
i∈{1,2,3,4,5,6}是划分的子任务，且T
i
所需计算量小于所述第二类协助机器人所能提供的计算量。
[0017]可选地，所述将所述子任务分配给第二类协助机器人组成的分布式计算网络的步骤中，是依据所述第二类协助机器人组成的分布式计算网络进行最优匹配，所述最优匹配的核心是所述分布式计算网络中参与子任务计算的第二类协助机器人数量最少。
[0018]与现有技术相比，本专利技术通过运用计算效用带宽分配方法，可以将群体机器人的计算资源和通信资源进行匹配，从而最大化利用群体机器人中每一个体的计算资源和通信资源，群体机器人中执行较为复杂决策算法的个体，可以将自身任务进行模块化分解成若干个子任务，将子任务分配给群体中的部分其余个体，进行分布式计算，有助于群体机器人在不升级硬件的情况下，充分利用自身硬件的性能，有效地提高群体机器人的鲁棒性和效率，不需要额外的云服务器和通信基础设施。
附图说明
[0019]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0020]图1为本专利技术实施例提供的用于群体机器人的分布式计算系统结构示意图；
[0021]图2为本专利技术实施例提供的用于群体机器人的分布式计算方法流程框图；
[0022]图3为本专利技术实施例提供的复杂决策任务分解匹配过程图；
[0023]图4为本专利技术实施例提供的第二类协助机器人收到的子任务信息格式图。
具体实施方式
[0024]下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变化和改进。这些都属于本专利技术的保护范围。
[0025]图1是本专利技术实施例提供的用于群体机器人的分布式计算系统结构示意图，如图1所示，所述群体机器人分布式计算系统包括第一类机器人1和第二类协助机器人2，其中，所述第一类机器人1是执行复杂决策任务的机器人，即执行计算量需求较大的任务，该类机器人需要较多的计算资源实现复杂决策任务。所述第二类协助机器人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于群体机器人的分布式计算系统，其特征在于，所述系统包括第一类机器人和第二类协助机器人，所述第一类机器人为执行复杂决策任务的机器人，所述第二类协助机器人为执行简单任务的机器人，将所述第二类协助机器人组成分布式计算网络，将所述第一类机器人的复杂决策算法进行任务模块化分解，分解成若干个子任务，将分解后的子任务被分配给所述第二类协助机器人组成的分布式计算网络，经过匹配后将各第二类协助机器人的可用计算资源情况返回，再通过若干个第二类协助机器人的分布式计算，得到子任务的结果并返回给所述第一类机器人。2.根据权利要求1所述的用于群体机器人的分布式计算系统，其特征在于，所述第一类机器人的复杂决策任务的分解算法为最小任务包络法，用于将复杂的决策任务分解为彼此间解耦的简单任务。3.根据权利要求2所述的用于群体机器人的分布式计算系统，其特征在于，所述分解算法具体公式为：T＝T1∪T2∪T3∪T4∪T5∪T6,T是复杂决策任务，T
i
i∈{1,2,3,4,5,6}是划分的子任务，且T
i
所需计算量小于所述第二类协助机器人所能提供的计算量。4.根据权利要求1所述的用于群体机器人的分布式计算系统，其特征在于，所述将分解后的子任务被分配给所述第二类协助机器人是依据所述第二类协助机器人组成的分布式计算网络进行最优匹配，所述最优匹配的核心是所述分布式计算网络中参与子任务计算...

【专利技术属性】
技术研发人员：汤奇荣，朱维，崔远哲，徐鹏杰，沈逸超，
申请(专利权)人：同济大学，
类型：发明
国别省市：