基于几何图神经网络的多机器人未知环境路径规划方法技术

本发明专利技术提出了基于几何图神经网络的多机器人未知环境路径规划方法及系统，涉及人工智能技术领域,通过几何图神经网络的方法，实现机器人之间相对位置的有效编码，并根据位置编码对邻居机器人信息加权，采用深度强化学习的方法实现去中心化的分布控制方式，提高机器人对邻居机器人信息聚合的准确度，提升多机器人路径规划的成功率，具体方案包括：基于机器人当前时刻所在位置周围的地图感知信息，提取机器人地图感知特征；几何图神经网络将机器人地图感知特征和相对位置编码进行加权信息聚合，得到机器人完整状态表征；将机器人完整状态表征输入到长短期记忆力网络中，提取时序特征；计算行为决策，生成机器人当前时刻应执行的动作。作。作。

【技术实现步骤摘要】
基于几何图神经网络的多机器人未知环境路径规划方法


[0001]本专利技术属于人工智能
，尤其涉及基于几何图神经网络的多机器人未知环境路径规划方法及系统。

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]路径规划是指在移动机器人工作环境中，生成一条从起始位置到目标位置的最优无碰撞路径；机器人路径规划是实现机器人自动化的一个关键内容，一直是机器人研究领域的一个热点；随着机器人技术的发展和工业生产需求的提高，多机器人应用不断增多，多机器人路径规划算法的研究越来越重要；相较于单个移动机器人路径规划，多个机器人之间的动作会相互影响，造成机器人工作环境是非稳定的，单机器人路径规划算法不再适用；另外，机器人数量的增多引起系统状态空间和动作空间维度急剧增大，系统优化求解难度大，对部署设备计算能力和反应速度要求高。
[0004]现有基于深度强化学习方法的多机器人路径规划算法多采用图神经网络的方式实现机器人之间的交流；图数据主要由结点和边构成，在多机器人路径规划中，各个不同的机器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于几何图神经网络的多机器人未知环境路径规划方法，其特征在于，包括：基于获取到的机器人当前时刻所在位置周围的地图感知信息，提取机器人地图感知特征；对机器人之间的相对位置进行相对位置编码后，几何图神经网络将所述机器人地图感知特征和相对位置编码进行加权信息聚合，得到机器人完整状态表征；将所述机器人完整状态表征输入到长短期记忆力网络中，提取时序特征；基于提取的时序特征，计算行为决策，生成机器人当前时刻应执行的动作。2.如权利要求1所述的基于几何图神经网络的多机器人未知环境路径规划方法，其特征在于，采用全局目标指引和局部动态避障的双层决策方式：将利用A*算法计算出的通向目标点的完整路径，作为机器人在行进过程中的长期目标指引，为强化学习模型策略提供参考，同时强化学习模型根据环境的动态变化对机器人局部路径进行调整以完成避障。3.如权利要求1所述的基于几何图神经网络的多机器人未知环境路径规划方法，其特征在于，所述地图感知信息，包括障碍物分布情况和其他机器人的位置。4.如权利要求1所述的基于几何图神经网络的多机器人未知环境路径规划方法，其特征在于，所述相对位置编码，通过两个全连接神经网络实现，分别是相对位置权重编码网络和相对位置偏置编码网络。5.如权利要求4所述的基于几何图神经网络的多机器人未知环境路径规划方法，其特征在于，机器人与邻居机器人之间的相对位置输入到两个全连接神经网络，输出相对位置权重编码和相对位置偏置编码6.如权利要求1所述的基于几何图神经网络的多机器人未知环境路径规划方法，其特征在于，所述加权信息聚合，具体为：其中，是完整状态表征，N
i
表示机器人i所有邻...

【专利技术属性】
技术研发人员：程吉禹，丁俊锋，张伟，张浩，
申请(专利权)人：山东大学，
类型：发明
国别省市：