多机器人路径规划研究方法.docVIP

多机器人路径规划研究方法 张亚鸣雷小宇杨胜跃樊晓平瞿志华贾占朝 摘要：在查阅大量文献的基础上对多机器人路径规划 的主要研究内容和研究现状进行了分析和总结，讨论了多 机器人路径规划方法的评判标准，并阐述了研究遇到的瓶 颈问题，展望了多机器人路径规划方法的发展趋势。 关键词：多机器人；路径规划；强化学习；评判准则 Abstract:Thispaperanalyzedandconcludedthemainme thodandcur rentresear chofthepat hplanningr esearchfor multidisc ussedthecr iterionofp esearchfor multi ro botbasedlaathplannin gresearchf ormulti rgeof， itex poundedthe bottleneck ofthepathp ro botbasedla robot， robot， forecasted K eywords:mu lti robot； pathplanni ng;reinfor cementlear ning;evalu atingcrite ria 近年来，分布式人工智能(D AI)成为人工智能研究的一 个重要分支。D AI研究大致可以分为DPS (distri butedprobl emsolving）和 MAS （multi agentsyst em） 两个方面。一些从事机器人学的研究人员受多智能体系统 研究的启发，将智能体概念应用于多机器人系统的研究中 将单个机器人视做一个能独立执行特定任务的智能体，并 把这种多机器人系统称为多智能体机器人系统（MARS）。因 此，本文中多机器人系统等同于多智能体机器人系统。目 前，多机器人系统已经成为学术界研宄的热点，而路径规划 研究又是其核心部分。 机器人路径规划问题可以建模为一个带约束的优化问 题，其包括地理环境信息建模、路径规划、定位和避障等 任务，它是移动机器人导航与控制的基础。单个移动机器 人路径规划研究一直是机器人研宄的重点，且已经有许多 成果［广3］，例如在静态环境中常见的有连接图法、可视 法、切线图法、Vorono i图法、自由空间法、栅格法、拓 朴法、链接图法、Dempste r Shafer证据理论建图等； 动态环境中常见的有粒子群算法、免疫算法、遗传算法、 神经网络、蚁群算法、模拟退火算法、人工势场法等。然 而，多机器人路径规划研究比单个机器人路径规划要复杂 得多，必须考虑多机器人系统中机器人之间的避碰机制、 机器人之间的相互协作机制、通信机制等问题。 1多机器人路径规划方法 单个机器人的路径规划是找出从起始点至终点的一条 最短无碰路径。多个机器人的路径规划侧重考虑整个系统 的最优路径，如系统的总耗时间最少路径或是系统总路径 最短等。从目前国内外的研究来看，在规划多机器人路径 时，更多考虑的是多机器人之间的协调和合作式的路径规 划。 目前国内外多机器人路径规划研宄方法分为传统方法、 智能优化方法和其他方法三大类。其中传统方法主要有基 于图论的方法（如可视图法、自由空间法、栅格法、 Voronoi图法以及人工势场方法等）；智能优化方法主要有 遗传算法、蚁群算法、免疫算法、神经网络、强化学习等; 其他方法主要有动态规划、最优控制算法、模糊控制等。 它们中的大部分都是从单个机器人路径规划方法扩展而来 的。 1）传统方法多机器人路径规划传统方法的特点主要体 现在基于图论的基础上。方法一般都是先将环境构建成一 个图，然后再从图中寻找最优的路径。其优点是比较简单， 比较容易实现；缺点是得到的路径有可能不是最优路径， 而是次优路径。薄喜柱等人［4］提出的一种新路径规划方法 的基本思想就是基于栅格类的环境表示和障碍地图的。而 人工势场方法的基本思想是将移动机器人在环境中的运动 视为一种虚拟人工受力场中的运动。障碍物对移动机器人 产生斥力，目标点产生引力，引力和斥力周围由一定的算 法产生相应的势，机器人在势场中受到抽象力作用，抽象力 使得机器人绕过障碍物。其优点是适合未知环境下的规划， 不会出现维数爆炸问题；但是人工势场法也容易陷入局部 最小，并且存在丢失解的部分有用信息的可能。顾国昌等 人［5］提出了引用总体势减小的动态调度技术的多机器人路 径规划，较好地解决了这个问题。 2）智能优化方法多机器人路径规划的智能优化方（算） 法是随着近年来智能计算发展而产生的一些新方法。其相 对于传统方法更加智能化，且日益成为国内外研究的重点。 遗传算法是近年来计算智能研宄的热点，作为一种基 于群体进化的概率优化方法，适用于处理传统搜索算法难 以解决的复杂和非线性问题，如多机器的路径规划问题。 在路径规划中，其基本思想是先