基于SOM神经网络多机器人任务分配问题.docxVIP

多机器人任务分解与分配问题研究绪论移动机器人是国际机器人学术界研究和关注的热点问题，随着机器人应用领域的不断拓广，单个机器人在各个方面很难满足人们的需求，研究和使用多个机器人组成一个系统，通过协商和合作完成某些复杂任务，成为一种新的趋势，并日益引起国内外研究学者的关注。特别是近二十年来，随着计算机技术、机器人技术、人工智能理论以及相关领域技术的不断成熟和发展，使得多机器人系统领域的研究从理论到实践都取得了丰富的成果。基于多机器人系统的诸多优点，其在军事、工农业生产、空间搜索、医学、交通控制、服务行业等领域具有良好的应用前景，并且已经得到一定的实际应用。如在航天领域中，利用机器人群体进行卫星和空间站的内外维护以及星球搜索；在医学领域，利用大量微机器人进入肠道、胃、血管等人体狭窄部位进行检查、发现和修补病变；在工业领域中，多机器人系统在一些危险、恶劣环境下代替人自主地完成一些复杂作业；在军事领域，无人侦察机甚至无人作战飞机、无人潜艇、无人战车、排雷机器人、巡航导弹等智能武器已经开始在战场上出现，甚至发挥着重要作用。多机器人系统任务分配作为移动机器人的研究一个重要领域，其任务是在具有障碍物的环境中，按照一定的评价标准，寻找一条从起始点到达目标点的安全、高效的免碰撞的运行路径。本文通过对移动机器人最优路径的研究与规划，实现以最短的路径或时间对给定区域的侦察与扫描，使我军在作战方面拥有更多的主动权是本课程设计最主要的目的。因此，本课程的研究和实现在今后的作战方面具有很强的适用性。本课题的研究对象选为多机器人协作执行搜索任务，该任务是由多个机器人协作完成任务的，在这个工作进行过程中，可以涉及到多机器人在任务级的合作与协调、多机器人简单的编队及多机器人分布式控制系统的设计等典型问题，具有很重要的理论研究价值。而且，此背景中的规则不像机器人足球中的约束性那么强，比较容易建立模型，也有利于研究工作的进行。在实际应用中，世界各国的战争方式正趋于多样化。随着高科技的应用，在战场上越来越多的机器人得到了应用，无人驾驶飞机、坦克等已经在实际中被使用。利用多机器人合作与协调进行海上巡逻、目标追踪及环境侦察，具有重要的现实和长远意义。由于多机器人系统受到越来越多的关注，近几年已经有相关算法可以有效通过其内部对目标位置进行划分，然后控制使机器人以最短路径移动到目标位置。但大多数算法是在静态的环境中对任务进行分解和分配，例如，图像匹配算法，单纯的网络算法，分布式拍卖算法，蚁群算法，机器人的基本算法，和动态禁忌搜索算法。这些算法主要关注任务的分解和分配而不考虑机器人的移动问题。其结果导致机器人只能在其目标点给定后开始移动，不能达到动态的效果。此外，这些方法不适用于移动目标点。Starke等提出了使用流体自发形成模式原则，流体加热和冷却在其表面可以生成卷或六角模式的算法。获取自我行为的模式构成原理其关键思想是构建一个合适的动态系统，在此系统中被识别的机器人系统可以动态变化。该算法可执行二维或三维空间中自主移动机器人到目标任务的分配。然而，它不适用于复杂情况，例如多数机器人被分配到同一个目标位置以及一个机器人需连续到达多个目标。此外，该方法不能够用于处理可移动目标。受到生物系统自发引起许多复杂模式在同质细胞中出现的启发，Shen等提出了称为“数字荷尔蒙模型”的模型，通过将一个机器人假设为一个细胞，自发组织形成一个全局多机器人系统。它适用于一些搜索或监控给定区域和建筑物的任务，自主修复全局模式的漏洞，通过绕道避免陷阱。为了搜索和锁定目标任务，该算法不能处理包含多个目标和动态目标的情况，如果有两个目标和四个机器人，所有的机器人靠近一个目标，而远离另一个，结果将导致一个目标吸引所有的四个机器人到达而另一目标没有机器人到达。因此，该算法没有充分考虑机器人之间的竞争与合作。无人驾驶飞行器(无人机)任务分配的研究中也有相似的问题，它要求分配一群无人机到几个目标位置同时要躲避威胁。无人机通常只侦察或搜索静态区域。Beard等提出了一个解决合作与竞争的方法，通过将全局问题分解成子问题，包括目标任务、路径规划、协调无人机截获、轨迹的生成与遵循。首先，通过泰森多边形图法的方法形成一个全局地图，描述了飞机位置、目标位置、威胁点位置和可能减少这种威胁的路径。基于泰森多边形图法，以每台飞机到每个目标距离中等、所遇威胁中等等成本来计算最好的路径。然后每台飞机被分配到一个目标，将目标的团队路径长度最小化了，最小限度地减少团队的曝光威胁，实现了到达目标位置飞机数量的最大化，被访问目标的最多化，之后，再考虑目标被拦截时的协调时间，每辆飞机到其各自目标的路径将被规划好。最后，再用这个路径来控制每辆飞机的速度。当其它一些动态威胁出现后，再重新规划飞机的路径，以避免动态威胁。这是一个端到端的解决方案，着重