1.一种基于改进捕食者猎物模型和DMPC的多机器人全覆盖路径规划方法,其特征在于,所述方法包括下列步骤:
步骤1:输入地图空间,多机器人的初始位置,机器人的探测半径和机器人的运动速度,机器人运动的优先级;
步骤2:对地图空间栅格化,使得机器人能刚好覆盖一个栅格,并对每个栅格赋予不同的状态属性,将多机器人系统划分为多个子系统,栅格的状态属性I(x,y)和机器人覆盖的任务空间WS分别为:WS={(x,y)|I(x,y)=1,0<x<x_l,0<y<y_l} (2)式中x_l,y_l分别为地图空间离散后x轴的长度和y轴的长度;
步骤3:随机生成初始参数种群 种群数量为pop;
步骤4:机器人根据传感器检测到的信息,确定周围栅格的状态属性,从而判断机器人是否陷入死区,确定机器人的运动模型,若陷入死区跳转至步骤5,若为陷入死区跳转至步骤7;
步骤5:从回溯列表中剔除其他回溯点半径r内的栅格坐标,得到搜索列表Lsearch为:Lsearch=Lreturn/Lback,r (3)式中Lreturn代表回溯列表,Lback,r代表回溯点半径r内的点的集合;
步骤6:从搜索列表中找到距离当前机器人最近的自由栅格坐标,使用A*算法脱离死区,得到机器人的移动序列后跳转至步骤10,机器人的移动序列Apath为:Apath={A1,A2,…Ai,…Preturn} (4)式中Ai为A*算法规划出的路径点坐标,Preturn为回溯点坐标;
步骤7:根据改进后的捕食者猎物模型计算机器人临近点未覆盖栅格的各激励值大小,计算避开竞争者激励Ecompete为:式中D代表两栅格之间的欧式距离,Okt,j代表机器人k在t时刻的临近点j的位置,H代表机器人k通讯范围Hmax内其他机器人的个数,Rk,i,Rk,m分别代表通讯范围内的第i,m个机器人位置;
步骤8:计算移动方向激励Edirection为:∠Ok,t‑1Ok,tOkt,j=|a tan 2(yk,j‑yk,t,xk,j‑xk,t)‑a tan 2(yk,t‑yk,t‑1,xk,t‑xk,t‑1)| (7)式中∠Ok,t‑1Ok,tOkt,j为机器人当前移动方向于下一步移动方向之间的夹角,(xk,t‑1,yk,t‑1),(xk,t,yk,t),(xk,j,yk,j)分别为机器人k前一时刻,当前时刻和下一时刻的坐标位置;
步骤9:计算边界激励Eb为:
N
n (Okt,j)代表在机器人k的临近点j处未覆盖的栅格数量, 代表允许的临近点最大个数;
步骤10:计算栅格总激励值E为:
E(Okt,j)=ωcEcompete(Okt,j)+ωsEdirection(Okt,j)+Eb(Okt,j) (9)式中ωc,ωs为权重因子;
步骤11:机器人根据最大激励或者脱离死区序列决定机器人下一步移动坐标,当多个机器人在相同时刻选择同一栅格时,优先级高的机器人优先运动,机器人下一步移动坐标为stepk,t*:步骤12:引入DMPC方法,根据步骤4‑11预测机器人T步路径序列,以覆盖自由栅格数和(T)路径长度为指标,设立评价函数,预测序列yk(t)和评价函数分别J 为:yk(t)=[yk(t+1|t),yk(t+2|t),…yk(t+T|t)] (11)式中Ncover代表机器人覆盖的栅格数,L代表路径长度,α,β表示权重系数;
步骤13:通过WOA优化ωs,迭代次数WOAiter,以机器人T步的评价函数作为适应度函数,得到机器人未来T步的最佳移动序列LT:LT={Stepk,t+1,…Stepk,t+i,…Stepk,t+T} (13)其中Stepk,t+i代表机器人k在t+i时刻的位置,i=1,2…T;
步骤14:机器人选择移动序列中最靠前的序列并移动,同时更新栅格地图状态和机器人位置,并将未覆盖的栅格信息加入回溯列表中,删除已覆盖的栅格点;
步骤15:当前迭代次数iter达到最大迭代次数itermax或 时,执行步骤16;否则,iter=iter+1,返回步骤3;
步骤16:输出路径,结束。