基于深度强化学习的多机器人分层编队控制方法及系统技术方案

本发明专利技术提供了一种基于深度强化学习的多机器人分层编队控制方法及系统，属于非电变量的控制技术领域。所述的控制方法，包括：根据各机器人与机器人编队中的其他机器人的相对坐标以及基于LSTM的自编码器网络，得到各个机器人的障碍物信息的定长编码，以所述障碍物信息的定长编码以及各机器人的位置坐标信息、各机器人的运动速度、各机器人与当前时刻参考点的相对坐标作为多机器人分层控制模型的输入，得到机器人编队中各个机器人的行动策略；本发明专利技术能够快速学习并跟随目标点，有效的避免了机器人碰撞，在多机器人实时编队任务的控制中具有较强的泛化能力。

【技术实现步骤摘要】

本专利技术涉及非电变量的控制，具体涉及一种基于深度强化学习的多机器人分层编队控制方法及系统。

技术介绍

1、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
，并不必然构成现有技术。

2、近几年来，随着控制、通信和机器学习等领域的技术发展与交叉融合，受到生物学和人类社会学研究的启发，多机器人协同控制逐渐成为众多领域的研究重点和热点，并取得了阶段性的研究成果。相对于单一机器人系统，多机器人系统具有分布式的感知与执行能力、内在并行性、高容错性和高效率等诸多优点，可以更有效地完成复杂的任务。多机器人编队控制是指多个机器人组成的系统，借助每个机器人个体间的局部交互，在一定控制策略的作用下，调整每个机器人个体的行为，实现机器人的相互聚结并在保持一定的几何形态的同时进行整体性位移，同时又要适应如避障避撞等环境约束的控制问题。多机器人编队控制在工业、农业、军事、航空航天、地理测绘、搜索救援以及交通物流等多个领域都具有广泛的应用前景。因此，多机器人编队控制已经发展成为多机器人系统协同控制领域的重要研究方向。然而，多机器人系统内在的交联特性也给系统的分析带来了很本文档来自技高网...

【技术保护点】

1.一种基于深度强化学习的多机器人分层编队控制方法，其特征在于，包括以下过程：

2.如权利要求1所述的基于深度强化学习的多机器人分层编队控制方法，其特征在于，

3.如权利要求2所述的基于深度强化学习的多机器人分层编队控制方法，其特征在于，

4.如权利要求3所述的基于深度强化学习的多机器人分层编队控制方法，其特征在于，

5.如权利要求1所述的基于深度强化学习的多机器人分层编队控制方法，其特征在于，

6.如权利要求1所述的基于深度强化学习的多机器人分层编队控制方法，其特征在于，

7.一种基于深度强化学习的多机器人分层编队...

【技术特征摘要】

1.一种基于深度强化学习的多机器人分层编队控制方法，其特征在于，包括以下过程：

2.如权利要求1所述的基于深度强化学习的多机器人分层编队控制方法，其特征在于，

3.如权利要求2所述的基于深度强化学习的多机器人分层编队控制方法，其特征在于，

4.如权利要求3所述的基于深度强化学习的多机器人分层编队控制方法，其特征在于，

5.如权利要求1所述的基于深度强化学习的多机器人分层编队控制方法，其特征在于，

【专利技术属性】
技术研发人员：姜丽梅，杨国栋，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：