【技术实现步骤摘要】
本专利技术涉及多智能体系统的合作规划技术，包括异构自主机器人团队的协同任务规划和运动控制，特别是在多智能体系统中的任务分配、运动规划以及它们的集成；具体涉及一种基于组合混合优化的多智能体合作规划方法及系统，是一种基于交错式动态稳定智能体联盟形成和多智能体协作行为混合优化，适用于多智能体多种合作任务和复杂障碍物场景的任务-行为协同规划技术。
技术介绍
1、在多智能体系统
，现有技术中，异构自主机器人团队可以通过协同工作来完成那些对于单个机器人来说非常具有挑战性的任务，如协作运输、动态拦截和监控等。允许机器人团队同时协同工作可以显著提高整个团队的综合性能和能力。然而，机器人团队的协作协调面临着复杂性和挑战。这涉及到两个核心方面：(1)一方面，对于给定的任务集合，不同的机器人子团队可以协同完成这些任务。然而，由于机器人数量和能力的差异，不同子团队的合作成本可能相差甚远。因此，适当的任务分配对于整体性能至关重要。但这通常具有与机器人数量和任务数量成指数关系的复杂度。(2)另一方面，给定一个任务分配方案后，每个机器人子团队的执行通常可以归结为一个最优控制问题，即如何协同机器人以最小化与任务相关的成本，同时满足动态和几何约束。由于整个协作机器人团队的联合状态-控制空间具有长时间跨度和高维度的特征，使得精确优化的复杂度非常高。
2、在多智能体系统中，任务规划将任务分解为子任务，然后将其分配给团队的过程。为了解决这个问题，可以选择不同的优化准则，如minsum，它最小化所有智能体成本之和，以及minmax，它最小化所有智能体成
3、多智能体系统的任务规划和运动规划一起形成了多智能体系统的任务和运动规划(task and motion planning, tamp)。该领域已有的工作侧重于自主装配、组装操作等，强调在协作操作中的物理稳定性和顺序可行性，但由于考虑的智能体数量较少，因此忽略了组合方面的问题。而在多智能体追逃博弈问题中，现有包括通过采用贪心的分配策略(greedyassignment)，如顺序选择最近目标或最大匹配对(maximum matching)，这些方案侧重于解决组合复杂度，而对运动规划进行简化处理。对于更加复杂的多智能体系统的任务和运动规划，目前尚缺乏能够同时处理任务分配和协作控制设计的有效技术方案。
技术实现思路
1、为了克服上述现有技术存在的不足，本专利技术提出了一种基于组合混合优化的多智能体合作规划方法及系统，通过将多智能体组合混合优化问题部分解耦成多智能体合作规划任务分配层次和混合优化层次，设计nash稳定任务分配算法(nscoal)和混合优化算法(hgghs)，具有更小的时间复杂度和更高效的优化，规划实时性高，特别适用于动态和复杂障碍物环境中具有复杂动力学约束的无人集群的实时规划。
2、本专利技术将组合混合优化问题部分解耦成多智能体合作规划任务分配层次和混合优化层次。在任务分配层次，本专利技术提出的nash稳定任务分配算法(nscoal)通过迭代进行的切换操作，使得解的质量随规划时间单调递增。nscoal的时间复杂度更小且适用于更加广泛的收益函数结构。对于事先未知的收益函数，nscoal有选择地调用混合优化层来进行收益函数的估计。在运动规划层次，本专利技术提出的混合优化算法(hgghs)以交替式的搜索和优化来进行混合计划的求解。hgghs算法在更低的维度进行搜索，并在局部将优化问题凸化，从而借助数值优化方法找到高维轨迹的局部最优解。本专利技术可以应用到如多机器人协同运输、多智能体协同抓捕等涉及到多智能体多模态协作的实际应用场景。本专利技术中的智能体包括：无人车、无人机等具有良好通讯能力和可靠控制器的移动机器人。
3、本专利技术提供的技术方案如下：
4、一种基于组合混合优化的多智能体合作规划方法，将多智能体协作系统任务的共享工作空间记为；系统状态；智能体通过多种参数化合作模式改变系统状态，表示为；参与模式的智能体子集即为子联盟；智能体团队（联盟）包括多个子联盟；系统状态的改变量等于各子联盟状态改变量之和；每个智能体只参与一个任务；定义联盟结构为：一个包括智能体团队、任务集合以及联盟的代价函数的数学结构；定义任务分配为在给定联盟结构下的有效解决方案；
5、本专利技术方法即包括如下步骤：
6、1）分析多智能体系统的总任务目标，将总任务拆解为多个子任务，记为：总任务；
7、2）分析得到多智能体系统的合作模式集合，表示为；
8、3）设计针对单个子任务和完成该任务的智能体子集的估计代价函数；
9、4）获取多智能体系统中所有智能体对象的状态信息，包括位置信息以及速度信息；
10、5）分析多智能体系统所满足的动力学约束和联盟组合约束条件（不同子联盟不能包含同一个智能体），将多智能体系统进行子联盟分解，分解为多个子联盟。
11、在本问题的假设条件下，在确定了t时刻的模式、t时刻的系统状态，参与该模式的子联盟以及所选择的模式参数的条件下，本专利技术将系统演化过程受到的动力学约束表示为：
12、
13、其中，为模式编号；是参与该模式的智能体子集（一个智能体子集合称为一个子联盟，一组两两不相交且并集包含全体智能体的子联盟构成完整的联盟分解方案）；是选择该模式的连续参数，具有维度；和分别表示在中的智能体执行带参数的模式一个时间步前后的系统状态；是任意的起始时间；表示时间；是执行模式所要求的最小持续时间。
14、联盟组合约束条件：在任意时刻，对多智能体系统的子联盟分解方案需要满足任意两个子联盟的没有共用同一个智能体，即：
15、
16、6）构建基于组合混合优化(cho)的多智能体合作规划模型；组合混合优化目标是在多智能体系统所有任务中最大代价和平均代价之间实现平衡的最小化代价；模型目标定义如下：
17、
18、其中，m为多智能体系统的任务序号；共项任务；是多智能体系统执行任务的混合计划，其被定义为一个决策序列；混合计划表示为：
19、其中，是一个阶段性决策；为合作模式；其中为合作模式的序号；是参与该模式的智能体子集即联盟；是模式的连续参数，为模式容许的参数集合；t为决策序列长度；
20、为多智能体系统执行混合计划的累计成本函数，具体定义如下：
21、
22、其中，为第t个时间段的控制成本函数；...
【技术保护点】
1.一种基于组合混合优化的多智能体合作规划方法，所述智能体为移动机器人；其特征是，通过设计Nash稳定任务分配算法NSCOAL和混合优化算法HGGHS，将多智能体组合混合优化部分解耦成多智能体合作规划任务分配层次和混合优化层次，并通过将混合优化层次计算得到的代价返回到任务分配层次并优化任务分配解，从而实现高质量的多智能体的合作规划；包括：
2.如权利要求1所述基于组合混合优化的多智能体合作规划方法，其特征是，进一步将得到的混合计划发送给智能体，并由模型预测控制器实现多智能体合作规划。
3.如权利要求1所述基于组合混合优化的多智能体合作规划方法，其特征是，步骤5）中，系统演化过程受到的动力学约束表示为：
4.如权利要求3所述基于组合混合优化的多智能体合作规划方法，其特征是，步骤6）中，组合混合优化CHO目标定义为：
5.如权利要求4所述基于组合混合优化的多智能体合作规划方法，其特征是，步骤8）Nash稳定任务分配算法具体包括如下过程：
6.如权利要求5所述基于组合混合优化的多智能体合作规划方法，其特征是，8.1）中具体是采
7.如权利要求5所述基于组合混合优化的多智能体合作规划方法，其特征是，步骤9）中的启发式梯度引导的混合搜索算法具体包括如下阶段：
8.如权利要求7所述基于组合混合优化的多智能体合作规划方法，其特征是，节点拓展阶段通过迭代优化寻找确定对于模式 和的一组候选参数集，具体包括如下两阶段过程：
9.如权利要求1所述基于组合混合优化的多智能体合作规划方法，其特征是，多智能体系统中每个智能体参与最多一个任务；多智能体系统状态的改变量等于各子联盟状态改变量之和，表示为：
10.一种采用权利要求1所述基于组合混合优化的多智能体合作规划方法的系统，包括：任务分配层、混合优化层、MPC控制器；其中，
...【技术特征摘要】
1.一种基于组合混合优化的多智能体合作规划方法，所述智能体为移动机器人；其特征是，通过设计nash稳定任务分配算法nscoal和混合优化算法hgghs，将多智能体组合混合优化部分解耦成多智能体合作规划任务分配层次和混合优化层次，并通过将混合优化层次计算得到的代价返回到任务分配层次并优化任务分配解，从而实现高质量的多智能体的合作规划；包括：
2.如权利要求1所述基于组合混合优化的多智能体合作规划方法，其特征是，进一步将得到的混合计划发送给智能体，并由模型预测控制器实现多智能体合作规划。
3.如权利要求1所述基于组合混合优化的多智能体合作规划方法，其特征是，步骤5）中，系统演化过程受到的动力学约束表示为：
4.如权利要求3所述基于组合混合优化的多智能体合作规划方法，其特征是，步骤6）中，组合混合优化cho目标定义为：
5.如权利要求4所述基于组合混合优化的多智能体合作规划方法，其特征是，步骤8...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。