复杂障碍物环境下基于制造技术

本发明专利技术公开了一种复杂障碍物环境下基于

【技术实现步骤摘要】
复杂障碍物环境下基于DIBNN的多机器人协同区域搜索方法


[0001]本专利技术属于机器人区域搜索
，特别是涉及一种复杂障碍物环境下基于
DIBNN
的多机器人协同区域搜索方法
。

技术介绍

[0002]多机器人系统是近年来机器人研究领域的一个热点，与单个机器人相比，多机器人系统在大规模环境探测
、
目标搜索等任务中具有协同性
、
并行性和鲁棒性等优点
。
例如，在一些时间敏感的情况下，如救援行动，多机器人系统可以帮助用户在有限的时间快速定位被困人员
。
此外，在非结构化环境中，少数机器人的损坏并不显著影响多机器人系统环境探测任务的完成
。
由于通信拓扑的连通性和充分的信息共享，多机器人系统可以有效地提高环境探测和目标搜索任务的效率
。
通常情况下，大多数环境探测和目标搜索任务需要机器人探索所有未搜索区域，这就提出了未知环境下的区域搜索问题
。
未知环境通常是指特定区域内的障碍物和目标信息部分未知或完全未知的情况
。
在多机器人协作区域搜索框架中，每个机器人首先对自身和其他机器人获得的环境信息进行整合，然后据此进行运动规划
。
在区域搜索过程中，基于实时环境信息确定机器人下一步运动位置的决策步骤十分关键
。
此外，由于未知环境的存在，每个机器人在决策过程中还必须考虑各种约束，如避障
、
避碰
、
减少重复搜索等
。
此外，很多非结构化环境通常具有复杂的障碍物
。
因此，未知环境下的多机器人区域搜索任务往往比已知环境下的传统区域搜索任务更具挑战性
。
[0003]目前虽然有部分研究对未知环境下多机器人区域搜索方法进行了探讨，但是主要针对简单障碍物环境
。
当多机器人系统在复杂障碍物环境下进行区域搜索任务时，机器人容易陷于局部死锁状态，即机器人长期停留在某一片区域，无法运动至剩余的未探索区域
。
对于多机器人系统而言，如何在复杂障碍物下保持高效的搜索效率仍然是当前区域搜索技术研究的一个难点
。
因此，针对多机器人系统在复杂障碍物环境下执行区域搜索任务容易陷入局部死锁，从而导致多机器人区域搜索效率下降的问题，我们提出了一种基于
DIBNN
的复杂障碍物环境下的多机器人协同区域搜索方法
。

技术实现思路

[0004]针对以上技术问题，本专利技术提供复杂障碍物环境下基于
DIBNN
的多机器人协同区域搜索方法
。
[0005]本专利技术解决其技术问题采用的技术方案是：
[0006]复杂障碍物环境下基于
DIBNN
的多机器人协同区域搜索方法，所述方法包括以下步骤：
[0007]S100
：使用栅格地图对机器人的搜索环境进行构建，将机器人的任务搜索区域划分为大小相同的
H1*H2个栅格；
[0008]S200
：构建双重改进的生物启发神经网络模型
DIBNN
，
DIBNN
模型包含第一层改进的生物启发神经网络
IBNN
和第二层改进的生物启发神经网络
IBNN
；
[0009]S300
：将第一层改进的生物启发神经网络
IBNN
与栅格地图进行结合，构建新的环境信息模型，以此定义第一层
IBNN
中神经元外部刺激信号；
[0010]S400
：将第二层
IBNN
与多机器人系统中当前最优机器人的当前位置信息结合，以此定义第二层
IBNN
中神经元外部刺激信号；
[0011]S500
：每个机器人根据第一层
IBNN
的神经元活性值决策出下一步运动位置，运动至新的位置并更新环境信息；在搜索过程中，若某个机器人陷入局部死锁状态，则启动第二层
IBNN
，指导该机器人跳出局部死锁状态，脱离局部死锁状态后继续由第一层
IBNN
的神经元活性值指导该机器人进行区域搜索，每个机器人不断重复上述过程，直至整个任务区域搜索完毕
。
[0012]优选地，
S100
具体为：
[0013]栅格的状态包括未搜索栅格
、
障碍物栅格以及自由的栅格，构建的栅格地图的状态表示如下所示：
[0014][0015]其中，
S{G(x,y)}
表示栅格
G(x,y)
的状态，
G(x,y)
表示位置为
(x,y)
的栅格，
x∈[1,H1]，
y∈[1,H2]；
K
u
表示
G(x,y)
是未搜索栅格，
K
o
表示
G(x,y)
是障碍物栅格，
K
c
表示
G(x,y)
是自由的栅格
。
[0016]优选地，
S200
中
IBNN
的神经元活性值特性如式
(2)
所示：
[0017][0018]其中，
I
i
表示神经元
i
接收的外部刺激信号，
[I
i
]+
＝
max(I
i
,0)
，
[I
i
]‑
＝
max(
‑
I
i
,0)
，表示激励输入，
[I
i
]‑
表示抑制输入，
φ
j
表示与神经元
i
相邻的神经元
j
的活性值，
A、B、D
均为正值常数，
M
r
表示神经元
i
相邻的神经元个数，
m
p
表示神经元
i
相邻的具备正活性值神经元的数目，
W
ij
表示第
i
个神经元与其相连的神经元的连接系数，如式
(3)
所示：
[0019][0020]其中
|e
i
‑
e
j
|
表示状态空间上的向量
e
i
和
e
j
之间的欧式距离，
α
和
r
均为正值常数
。
[0021]优选地，
S300
具体为：
[0022][0023]其中表示第一层
IBNN
在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
复杂障碍物环境下基于
DIBNN
的多机器人协同区域搜索方法，其特征在于，所述方法包括以下步骤：
S100
：使用栅格地图对机器人的搜索环境进行构建，将机器人的任务搜索区域划分为大小相同的
H1*H2个栅格；
S200
：构建双重改进的生物启发神经网络模型
DIBNN
，
DIBNN
模型包含第一层改进的生物启发神经网络
IBNN
和第二层改进的生物启发神经网络
IBNN
；
S300
：将第一层改进的生物启发神经网络
IBNN
与栅格地图进行结合，构建新的环境信息模型，以此定义第一层
IBNN
中神经元外部刺激信号；
S400
：将第二层
IBNN
与多机器人系统中当前最优机器人的当前位置信息结合，以此定义第二层
IBNN
中神经元外部刺激信号；
S500
：每个机器人根据第一层
IBNN
的神经元活性值决策出下一步运动位置，运动至新的位置并更新环境信息；在搜索过程中，若某个机器人陷入局部死锁状态，则启动第二层
IBNN
，指导该机器人跳出局部死锁状态，脱离局部死锁状态后继续由第一层
IBNN
的神经元活性值指导该机器人进行区域搜索，每个机器人不断重复上述过程，直至整个任务区域搜索完毕
。2.
根据权利要求1所述的方法，其特征在于，
S100
具体为：栅格的状态包括未搜索栅格
、
障碍物栅格以及自由的栅格，构建的栅格地图的状态表示如下所示：其中，
S{G(x
，
y)}
表示栅格
G(x
，
y)
的状态，
G(x
，
y)
表示位置为
(x
，
y)
的栅格，
x∈[1
，
H1]
，
y∈[1
，
H2]
；
K
u
表示
G(x
，
y)
是未搜索栅格，
K
o
表示
G(x
，
y)
是障碍物栅格，
K
c
表示
G(x
，
y)
是自由的栅格
。3.
根据权利要求2所述的方法，其特征在于，
S200
中
IBNN
的神经元活性值特性如式
(2)
所示：其中，
I
i
表示神经元
i
接收的外部刺激信号，
[I
i
]
+
＝
max(I
i
，
0)
，
[I
i
]
‑
＝
max(
‑
I
i
，
0)
，表示激励输入，
[I
i
]
‑
表示抑制输入，
φ
j
表示与神经元
i
相邻的神经元
j
的活性值，
A、B、D
均为正值常数，
M
r
表示神经元
i
相邻的神经元个数，
m
p
表示神经元
i
相邻的具备正活性值神经元的数目，
W
ij
表示第
i
个神经元与其相连的神经元的连接系数，如式
(3)
所示：
其中
|e
i
‑
e
j
|
表示状态空间上的向量
e
i
和
e
j
之间的欧式距离，
α
和
r
均为正值常数
。4.
根据权利要求3所述的方法，其特征在于，
S300
具体为：其中表示第一层
IBNN
在
(x
，
y)
位置第
i
个神经元的外部刺激信号，
K
是一个正实数，取值范围是
[3
，
6]。5.
根据权利要求4所述的方法，其特征在于，
S400
具体为：其中表示的是第二层
IBNN
在
(x
，
y)
位置第
i
个神经元的外部刺激信号，
E
为一个正实数，取值范围是
[2
，
6]
，<...

【专利技术属性】
技术研发人员：张辉，陈波，陈鑫杰，江一鸣，钟杭，李康，赵佳浩，许智文，黄长庆，
申请(专利权)人：湖南大学，
类型：发明
国别省市：