基于多机器人协调的搜集与围捕问题的研究-控制理论与控制工程专业论文.docxVIP

摘要摘要 摘要 摘要 经过了半个世纪的发展，机器人技术从理论到应用都取得了很大的成就，其应 用领域涵盖了航空、农业、建筑业、制造业、服务业等各个方面。随着应用领域 的延伸，多机器人系统研究也越来越受到重视。与单机器人相比，多机器人系统 具有灵活、高效以及容错能力强等优势。但是系统维数的提高，也给多机器人研 究带来了许多新的问题和挑战，例如任务分配，通讯结构的确立，传感信息融合 等。本文将基于多机器人搜集、围捕两项任务，从任务分配、多样性研究以及增 强学习在多机器人系统中的应用等方面，对多机器人系统展开深入研究。具体内 容如下： 首先，本文对多机器人系统的研究状况进行综述，分析了多机器人系统的特点、 主要研究问题、系统参数以及性能评价指标，最后简要介绍了本文的选题背景和 研究内容。 其次，结合多机器人搜集任务，本文讨论了在动态环境中的分布式异构多机器 人系统的任务分配问题。针对搜集任务本身特点，我们将任务分解成‘搜索’和 ‘收集’两个子任务，并提出了基于有限状态自动机的三个搜集算法。通过在仿 真实验中，对采取不同任务分配方案的三种搜集算法进行比较，分析了环境变化、 机器人自身结构等因素对任务分配的影响。 第三，在前面提出的系统结构及搜集算法的基础上，研究了多样性等参数对多 机器人系统效率的影响。与以前研究该问题的学者不周，我们把研究范围拓展到 整个搜集任务，而不是仅限于任务执行过程中的一段时间，这样，我们发现在执 行搜集任务时，系统多样性与系统效率阃的关系是变化的，面不是简单的负相关。 此外，系统中机器人的数目，环境中被搜集物的密度等参数与多机器入系统性能 的关系，也在本文中进行了讨论。 第四，基于围捕任务，研究了增强学习在多机器人系统中的应用。结合任务本 身的特点，分别建立了状态集和行为集；并通过学习把两者匹配起来，使机器入 在任何状态下都能找到合适的行为。在文中，我们采用了Sarsa、Q-learn J ng和 改进的Sarsa算法，并通过一系列仿真实验，对学习算法进行了验证、分析。 本文最后对论文所取得的研究成果进行了总结，并阐述了下一步的研究工作。 关键字：多机器人，搜集，围捕，任务分配，多样性，增强学习 主里型兰堕鱼垫些里堡主兰翌堡苎Abstract 主里型兰堕鱼垫些里堡主兰翌堡苎 Abstract After the more than half century development，Robotics technology and research come into new age．The application field of robotics has covered manufacturing， aeronautics，military application，nuclear industry,and medical service etc．Along with the application field extension，the single robot’S limit emerges，and the Multi—Robot System(MRS)begins attracting more and more attention．Compared with single robot system，MRS has the advantage of flexibility,efficiency and robustness．However,the characteristics of MRS also bring unique challenges，such task assignment，communication structure，coordination and cooperation．Based foraging and pursuit game，the thesis will foells on the research of task allocation， system diversity’S influence and the application of reinforcement learning in the Multi—Robot System． First，the thesis wilt introduce the MRS’S characteristics，main research fields，and key evaluation parameters．tn addition，a briefintroduction On the thesis’S background and content will be presented， Secondly，based the ta