多机器人系统.doc

在本文中, 基于自组织映射(SOM)神经网络的任务分配方法提出不确定动态环境系统。它能够动态地控制一群移动机器人来实现在不同位置多个任务数量的机器人将从任意的初始位置到达每一个目标位置。在方法机器人运动规划任务分配结合因此一旦给任务机器人开始。机器人导航可以保证在不确定如一些机器人动态调整每个目标位置数量的机器人。该方法能够应对不断变化的环境有效性通过仿真实验。 自1970年代系统在各种各样的任务多研究。总体任务分为几个子任务、机器人同时执行子任务移动机器人团队可以完成。系统有明显的优势比如更快的操作更高的效率和更好的可靠性。关键的挑战是协调与合作这些机器人总体任务实现令人满意任务分配是控制一群移动机器人他们指定的目标位置, 每个机器人协调合作。 已经有一些有效控制一组机器人移动到目标位置研究。大多数算法在静态的环境中提出了对任务分配问题[1]图匹配算法, []单纯网络算法[3]分布式拍卖算法, []遗传算法[5]机器人的基本算法和[6]动态禁忌搜索算法。这些算法主要关注分配问题而不考虑机器人问题。其结果是机器人不能移动到他们的目的地。此外,这些方法不能处理目标。分析师et al。[7]提出了使用出于流体自发模式形成模式形成原则流体加热和冷却从上面可以生成卷或六角模式算法。获取自我行为模式原理关键构建一个合适的动态系统动态变可以被的机器人系统。该算法执行二维或三维空间自治移动机器人目标任务的然而它不能用在复杂的情况如机器人被分配到一个目标位置。此外这种方法不能够处理动目标情况。受到生物系统自组织许多复杂的模式在细胞现象沈开发了称为“数字荷尔蒙模型”通过假设一个机器人作为一细胞自组织形成一个全。它适用于一些和监控给定区域或建筑物任务修复模式; 通过绕道避免陷阱。搜索和目标任务算法不能处理多个目标和动态目标情况。如果有两个目标和四个机器人所有的机器人一个目标近远离另一个结果一个目标吸引所有的四个机器人而目标。该算法没有考虑机器人之间谈判与合作。 无人驾驶飞行器(无人机) 任务分配研究相似的问题它分配一群通过几个目标位置同时避免威胁。无人机通常只处理静态环境。胡提出了一个解决合作控制方案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生成遵循。首先泰森多边形图法的方法一个全地图描述了位置、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到每个目标中威胁成本计算最好的路径。然后每分配一个目标最小化了到目标路径长度最限度地减少威胁曝光目标数量最大化数量的目标访问。在这之后目标拦截的时间协调考虑每辆车其各自目标。最后控制每辆车。当其他一些动态威胁车辆的路径以避免动态威胁。这是一个端到端解决方案着重于几个不同的方面比如泰森多边形图法构建地图、使用博弈论目标管理拦截管理和轨迹生成。这个解决方案不关注动目标和动威胁车辆动态如添加或一些车辆突然。由于森多边形图法限制方案不适动态环境。 其他的研究都集中在优先级控制的小群机器人通常一项任务分成子任务竞争的合作。宫田康弘提出了一种处理由一群机器人在一个未知的静态环境一个物体从一个运输到另一个地点问题这种方法着重于如何运输任务分配许多子任务和如何子任务分配不同的机器人。子任务可能包括搜索工作区需要活动障碍处理一个对象。这个任务分配定义侧重于不同的子任务和这些子任务优先级。这个方法适合小群机器人在静态环境。Uchibe提出任务分配给一群机器人方法为任务模型然后动态模型不同的机器人。这种方法集中解决模型选择的冲突。它适合于一个小群机器人可以分为几个子任务如由几个机器人运输。勃兰特了另一个任务分配问题并提出了一个算法它侧重于承包商不同任务创建不同的感兴趣执行任务的。与承包单位想要得到最大的好处应协商。有一些可用方法来处理动态环境或机器人修改后故障。然而动态环境可能出现稳定问题或额外的计算成本。虽然有提出了许多神经网络(NN)方法机器人系统他们中的大多数处理单一机器人或完全已知的环境。 一种新型的基于自组织映射(SOM)神经网络方法开发来解决任务分配问题侧重于静态或动态环境大量的机器人和大量目标的自组织问题。由于自组织提出的新方法对不确定动态环境是稳定的、健壮的、合适的。在的方法机器人运动规划任务因此一旦给定任务机器人开始。这群移动机器人可以自动安排整个任务环境改变时比如一些机器人一些机器人和一些任务被添加或某些任务修改动态调整其运动本文组织如下第二节中定义的任务分配问题。第三节介绍了基于SOM神经网络算法系统任务分配第四节中提供仿真任务结果。简要讨论和一些结论给出建议的方法在分别部分V和VI。 系统主要的挑战是在执行一个任务机器人协调与合作。在本文中假设有一群自主移动机器人在有界区域随机的分布而且每一目标需要一个特定数量的机器人在那个位置来完成一项任务。目标是最小或接近最小总成本动态分