基于量子学习分类器的多机器人移动控制方法及装置制造方法及图纸

本申请实施例公开了一种基于量子学习分类器的多机器人移动控制方法、装置、设备及存储介质，属于路径规划技术领域，该方法包括:先从地图库中得到全局地图，协作规划模块规划出一条从起点到目标点的无碰安全路径，协调规划模块综合各机器人的传感器信息，产生整个多机器人系统的动态局部行为规划，行为控制模块根据行为规划产生动作，同时对上一次的规划行为给予反馈，通过学习分类器及时学习调整行为规划，再通过机器人传感器不断探测外部环境，反复执行上述过程，通过学习分类器系统最终实现多机器人系统在狭隘环境下的无碰路径规划，各机器人间通过学习分类器的广播操作实现各机器人间的通讯，使整个分层结构具有良好的实时性和动态性。性和动态性。性和动态性。

【技术实现步骤摘要】
基于量子学习分类器的多机器人移动控制方法及装置


[0001]本申请涉及路径规划
，尤其涉及一种基于量子学习分类器的多机器人移动控制方法、装置、设备及存储介质。

技术介绍

[0002]多机器人在狭隘环境下需要面对复杂任务要求，多机器人在运行过程中的避免碰撞问题是研究的重点问题，避免多机器人碰撞是实现机器人协调工作的基础，比较常见的方法有基于行为法，领航跟随法和虚拟结构法等，例如：在CN201310402941.3中公开了一种基于跟随领航者编队的多移动机器人控制系统，包括实验环境图像采集模块、上位机定位模块、车式移动机器人组、通信模块、控制算法模块。所述控制算法模块，基于领航跟随的编队算法协调和控制整个系统完成编队任务。但是该系统存在以下问题：
[0003]移动机器人在到达目标点过程中要找到最优的路径，传统的移动机器人路径规划是将移动机器人看作是一个质点来进行分析，而多机器人则是多个目标的行进；多机器人在运行过程中面对障碍物和突发状况时，需要在避障的同时保持躲避其他机器人，因此，现有技术中对多机器人进行的路径规划和行为控制，无法应对复杂环境和意外状况的问题。

技术实现思路

[0004]本申请实施例的目的在于提出一种基于量子学习分类器的多机器人移动控制方法、装置、设备及存储介质，以解决现有技术中多机器人进行的路径规划和行为控制，无法应对复杂环境和意外状况的问题。
[0005]为了解决上述技术问题，本申请实施例提供一种基于量子学习分类器的多机器人移动控制方法，采用了如下所述的技术方案：<br/>[0006]一种基于量子学习分类器的多机器人移动控制方法，包括：
[0007]步骤1
‑
1，从预设地图库中获取环境全局地图，作为第一地图；
[0008]步骤1
‑
2，将所述第一地图发送到协作规划层进行全局环境分析，并基于势场栅格算法对每一个机器人进行全局路径第一规划，获取第一规划路径。
[0009]步骤1
‑
3，将所述第一规划路径发送到协调规划层，获取所述机器人采集的实时环境传感信息，并基于预设量子学习分类器算法对所述每一个机器人分别进行局部路径规划。
[0010]步骤1
‑
4，将对所述每一个机器人分别进行的局部路径规划结果发送到行为控制层，并对所述局部路径依次进行任务分解、冲突消解，在所述冲突消解成功后，完成对每一个所述机器人的动作规划；
[0011]步骤1
‑
5，基于所述动作规划结果和行为控制层中预设DSP系统，控制每一个所述机器人进行动作执行，完成对多机器人的移动控制。
[0012]进一步的，所述将所述第一地图发送到协作规划层进行全局环境分析，并基于势场栅格算法对每一个机器人进行全局路径第一规划，获取第一规划路径，包括以下步骤：
[0013]步骤2
‑
1，基于预设固定大小的单元块，将所述第一地图划分为由若干个所述单元块组成的栅格地图，作为第二地图；基于预设标记法，对所述第二地图中每一个所述单元块进行障碍物单元标记和自由单元标记；将所述经过障碍物单元标记和自由单元标记后的栅格地图，作为第三地图；
[0014]步骤2
‑
2，获取所述机器人在所述第二地图中的实时位置信息作为第一位置，同时获取所述机器人将要在所述第二地图中移动的终点位置信息作为目标位置；基于所述第三地图，确定所述机器人从所述第一位置到目标位置经过的自由单元，以及与经过的自由单元相邻的障碍物单元；基于所述目标位置的引力场和与经过的自由单元相邻的障碍物单元周围的斥力场，构建基于多机器人的合势场算法公式；基于所述合势场算法，确定所述多机器人的全局路径第一规划结果，其中，若所述多机器人的全局路径第一规划失败，则重复执行步骤2
‑
1至步骤2
‑
2，直至所述多机器人的全局路径第一规划成功。
[0015]进一步的，所述基于所述目标位置的引力场和与经过的自由单元相邻的障碍物单元周围的斥力场，构建合势场算法公式，具体方式为：
[0016]定义所述第一位置到所述目标位置的引力势位为：
[0017]定义所述第一位置到所述目标位置时，经过的与自由单元相邻的障碍物单元周围的排斥势位为：
[0018]则当前机器人从所述第一位置到所述目标位置的势场为：U＝U
att
+U
rep
；
[0019]多机器人在所述第二地图中从所述第一位置向所述目标位置运动时的合势场为：
[0020]其中，i为所述多机器人的数量，对多机器人起区别标识作用，机器人相对每一个障碍物单元的距离为p
rl
，机器人相对所述终点的距离为p
rw
，机器人相对每一个障碍物单元的欧式距离为||p
rl
||，机器人相对所述终点的欧式距离为||p
rw
||，k3为机器人与障碍物特征点之间可容忍的最小距离，其大小由环境特征点的形状大小决定；k1为吸引势位的比例因子；k2为排斥势位的比例因子，k1和k2均大于0。
[0021]进一步的，所述重复执行步骤2
‑
1至步骤2
‑
2，直至所述多机器人的全局路径第一规划成功，在每一次重复执行步骤2
‑
1至步骤2
‑
1之前：
[0022]换用预设固定大小比前一次规划时更小的单元块，对所述第二地图进行栅格划分。
[0023]进一步的，所述基于预设量子学习分类器算法进行局部路径规划，具体包括：
[0024]基于当前所述机器人采集的实时环境传感信息和其他机器人规划的第一规划路径，对所述多机器人分别进行局部路径规划；
[0025]基于所述局部路径规划结果，采用信用分配系统和基于GA的规则发现系统，判断当前机器人与其他机器人发生冲突的可能性以及冲突的类型；
[0026]若所述当前机器人与其他机器人发生冲突的可能性大于预设阈值，且所述冲突的
类型属于无法解决，则重复执行步骤1
‑
2至步骤1
‑
3，对所述多机器人重新进行全局路径规划和局部路径规划；
[0027]若所述当前机器人与其他机器人发生冲突的可能性大于预设阈值，且所述冲突的类型属于可以解决，则重复执行步骤1
‑
3，对所述多机器人重新进行局部路径规划；
[0028]若所述当前机器人与其他机器人发生冲突的可能性小于预设阈值，则基于所述当前机器人的局部路径规划成功。
[0029]进一步的，所述基于预设量子学习分类器算法进行局部路径规划时，将每一次进行规划前的机器人的当前位置作为第一位置，将机器人每一次将要移动到的目标位置作为终点位置。
[0030]进一步的，所述冲突消解，具体包括：
[0031]对进行任务分解后的所述局部路径规划结果基于预设量子学习分类器算法进行二次局部路径规划本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于量子学习分类器的多机器人移动控制方法，其特征在于，包括下述步骤：步骤1
‑
1，从预设地图库中获取环境全局地图，作为第一地图；步骤1
‑
2，将所述第一地图发送到协作规划层进行全局环境分析，并基于势场栅格算法对每一个机器人进行全局路径第一规划，获取第一规划路径；步骤1
‑
3，将所述第一规划路径发送到协调规划层，获取所述机器人采集的实时环境传感信息，并基于预设量子学习分类器算法对所述每一个机器人分别进行局部路径规划；步骤1
‑
4，将对所述每一个机器人分别进行的局部路径规划结果发送到行为控制层，并对所述局部路径依次进行任务分解、冲突消解，在所述冲突消解成功后，完成对每一个所述机器人的动作规划；步骤1
‑
5，基于所述动作规划结果和行为控制层中预设DSP系统，控制每一个所述机器人进行动作执行，完成对多机器人的移动控制。2.根据权利要求1所述的基于量子学习分类器的多机器人移动控制方法，其特征在于，所述将所述第一地图发送到协作规划层进行全局环境分析，并基于势场栅格算法对每一个机器人进行全局路径第一规划，获取第一规划路径，包括以下步骤：步骤2
‑
1，基于预设固定大小的单元块，将所述第一地图划分为由若干个所述单元块组成的栅格地图，作为第二地图；基于预设标记法，对所述第二地图中每一个所述单元块进行障碍物单元标记和自由单元标记；将所述经过障碍物单元标记和自由单元标记后的栅格地图，作为第三地图；步骤2
‑
2，获取所述机器人在所述第二地图中的实时位置信息作为第一位置，同时获取所述机器人将要在所述第二地图中移动的终点位置信息作为目标位置；基于所述第三地图，确定所述机器人从所述第一位置到目标位置经过的自由单元，以及与经过的自由单元相邻的障碍物单元；基于所述目标位置的引力场和与经过的自由单元相邻的障碍物单元周围的斥力场，构建基于多机器人的合势场算法公式；基于所述合势场算法，确定所述多机器人的全局路径第一规划结果，其中，若所述多机器人的全局路径第一规划失败，则重复执行步骤2
‑
1至步骤2
‑
2，直至所述多机器人的全局路径第一规划成功。3.根据权利要求2所述的基于量子学习分类器的多机器人移动控制方法，其特征在于，所述基于所述目标位置的引力场和与经过的自由单元相邻的障碍物单元周围的斥力场，构建合势场算法公式，具体方式为：定义所述第一位置到所述目标位置的引力势位为：定义所述第一位置到所述目标位置时，经过的与自由单元相邻的障碍物单元周围的排斥势位为：则当前机器人从所述第一位置到所述目标位置的势场为：U＝U
att
+U
rep
；多机器人在所述第二地图中从所述第一位置向所述目标位置运动时的合势场为：
其中，i为所述多机器人的数量，对多机器人起区别标识作用，机器人相对每一个障碍物单元的距离为p
rl
，机器人相对所述终点的距离为p
rw
，机器人相对每一个障碍物单元的欧式距离为||p
rl
||，机器人相对所述终点的欧式距离为||p
rw
||，k3为机器人与障碍物特征点之间可容忍的最小距离，其大小由环境特征点的形状大小决定；k1为吸引势位的比例因子；k2为排斥势位的比例因子，k1和k2均大于0。4.根据权利要求2所述的基于量子学习分类器的多机器人移动控制方法，其特征在于，所述重复执行步骤2
‑
1至步骤2
‑
2，直至所述多机器人的全局路径第一规划成功，在每一次重复执行步骤2
‑
1至步骤2
‑
1之前：换用预设固定大小比前一次规划时更小的单元块，对所述第二地图进行栅格划分。5.根据权利要求1至4任一所述的基于量子学习分类器的多机器人移动控制方法，其特征在于，所述基于预设量子学习分类器算法进行局部路径规划，具体包括：基于当前所述机器人采集的实时环境传感信息和其他机器人规划的第一规划路径，对所述多机器人分别进行局部路径规划；基于所述局部路径规划结果，采用信用分配系统和基于GA的规则发现系统，判断当前机器人与其他机器人发生冲突的可能性以及冲突的类型；若所述当前机器人与其他机器人发生冲突的可能性大于预设阈值，且所述冲突的类型属于无法解决，则重复执行步骤1
‑
2至步骤1
‑
3，对所述多机器人重新进行全局路径规划和局部路径规划；若所述当前机器人与其他机器人发生冲突的可能性大于预设阈值，且所述冲突的类型属于可以解决，则重复执行步骤1
‑
3，对所述多机器人重新进行局部路径规划；若所述当前机器人与其他机器人发生冲突的可能性小于预设阈值，则基于所述当前机器人的局部路径规划成功。6.根据权利要求5所述的基于量子学习分类器的多机器人移动控制方法，其特征在于，所述基于预设量子学习分类器算法进行局部路径规划时，将每一次进行规划前的机器人的当前位置作为第一位置，将机器人每一次将要移动到的目标位置作为终点位置。7.根据权利要求6所述的基于量子学习分类器的多机器人移动控制方法，其特征在于，所述将对所述每一个机器人分别进行的局部路径规划结果发送到行为控制层，并对所述每一个机器人依次进行执行任务分解、冲突消解，在所述冲突消解成功后，完成对每一个所述机器人的动作规划，具体包括步骤：步骤3
‑
1，对所述每一个机器人依次进行执行任务分解，若所述执行任务不能被分解,则判断该执行任务只有一个执行状态；步骤3
‑
2，基于预设判断模块，判断执行任务是否出现异常，若出现异常,将异常情况反馈到协调规划层；步骤3
‑
3，若执行任务无异常，则基于预设环境参数、接收到的通讯信息及待执行命令设计恰当的行为集合，并选择恰当的行为综合策略进行基于学习分类器的实时运动规划,确定机器人的运动方向和运动速度；步骤3
‑
4，所述实时运动规划完成后,基于预设消息发布机制向其它机器人发布运动规划信息；步骤3
‑
5，基于接收到的其它机器人的规划信息和当前机器人待进行实时运动的规划
结果进行判断；步骤3
‑
6，若当前机器人与其他机器人可能出现冲突或死锁,采用预设的协调策略进行处理,若能够处理,则重复执行步骤3
‑
3至步骤3
‑
5,改变所述当前机器人的运动方向和运动速度，若不能处理,将信息反馈到协调规划层，重复执行步骤1
‑
3至步骤1

【专利技术属性】
技术研发人员：邵杰，
申请(专利权)人：黄淮学院，
类型：发明
国别省市：