1.分布式多机器人集群的自适应编队控制与避障方法,其特征在于,包括:通过无线通信,获取邻居机器人和目标点的状态信息,包括当前位置、速度和方向;通过传感器,获取机器人自身的状态信息,包括当前位置、速度、方向和半径;获取环境中障碍物的位置和半径;
基于所获取的状态信息,建立描述距离偏差和速度偏差的误差函数,构建具有自适应能力的编队控制和避障方法;
利用RBF神经网络设计自适应控制器,根据邻居机器人状态信息和障碍物信息的变化,输出局部避障项和局部速度偏差项,其中RBF神经网络采用三维空间描述、三层结构,输入层包含三个神经元,隐含层设置六个神经元,输出层设置一个神经元;
将RBF神经网络的输出通过权重与邻居机器人的状态加权求和,生成完整控制策略,实现机器人集群在保持编队的同时避开障碍物;
所述建立描述距离偏差和速度偏差的误差函数具体包括:基于机器人与邻居机器人之间的相对速度,确定局部速度偏差项;
基于机器人与邻居机器人之间的实际距离与目标距离之间的差值,确定局部距离偏差项;
将所述局部速度偏差项和所述局部距离偏差项组合构成误差函数,用于反映机器人集群编队的稳定程度;
所述利用RBF神经网络设计自适应控制器具体包括:将邻居机器人的位置、速度及机器人自身的速度、方向作为输入;
通过RBF神经网络将局部信息从输入空间非线性地映射到高维空间;
基于隐含层神经元的输出和连接权值,计算输出层结果;
根据输出结果生成局部避障项和局部速度偏差项;
所述局部避障项的计算方式为:
定义机器人与障碍物之间的最小安全距离;
当机器人与障碍物之间的距离大于最小安全距离时,局部避障项为零;
当机器人与障碍物之间的距离小于最小安全距离时,局部避障项与机器人与障碍物之间的距离成反比;
局部避障项的方向指向远离障碍物的方向。
2.根据权利要求1所述的分布式多机器人集群的自适应编队控制与避障方法,其特征在于,所述通过RBF神经网络将局部信息从输入空间非线性地映射到高维空间具体包括:计算输入向量与各隐含层神经元中心之间的距离;
将所述距离代入径向基函数,获得隐含层各神经元的激活值;
基于所述激活值和权重参数,生成隐含层的输出表示。
3.根据权利要求1所述的分布式多机器人集群的自适应编队控制与避障方法,其特征在于,所述将RBF神经网络的输出通过权重与邻居机器人的状态加权求和具体包括:设置速度权重、方向权重和位置权重三类权重参数;
对局部速度偏差项、局部距离偏差项和局部避障项分别设置控制权值;
根据邻居机器人的速度、方向和位置信息,结合对应权重和控制权值,生成完整控制策略。
4.根据权利要求3所述的分布式多机器人集群的自适应编队控制与避障方法,其特征在于,所述控制权值通过以下方式动态调整:监测机器人与邻居机器人之间的相对状态变化;
在无障碍环境中,提高速度权重和距离权重的值,降低避障权重的值;
在接近障碍物时,提高避障权重的值,适当降低速度权重和距离权重的值;
当远离障碍物后,平滑过渡回正常权重配置。
5.根据权利要求1所述的分布式多机器人集群的自适应编队控制与避障方法,其特征在于,所述基于所获取的状态信息,建立描述距离偏差和速度偏差的误差函数还包括:对获取的状态信息进行噪声过滤和归一化处理;
基于时间窗口对状态信息进行平滑处理,减少传感器误差影响;
识别并剔除异常值,提高系统鲁棒性。
6.根据权利要求1所述的分布式多机器人集群的自适应编队控制与避障方法,其特征在于,所述将RBF神经网络的输出通过权重与邻居机器人的状态加权求和的方式为:完整控制策略=∑(速度权重×邻居速度)+∑(方向权重×邻居方向)+∑(位置权重×邻居位置)+控制权值1×局部速度偏差项+控制权值2×局部距离偏差项+控制权值3×局部避障项;
其中,控制权值1表示局部速度偏差项的权值,控制权值2表示局部距离偏差项的权值,控制权值3表示局部避障项的权值。
7.根据权利要求1所述的分布式多机器人集群的自适应编队控制与避障方法,其特征在于,还包括:监测完整控制策略执行效果;
基于执行效果,动态调整RBF神经网络的权重参数;
根据调整后的参数重新计算完整控制策略;
实现控制策略的自适应优化,提高系统对环境变化的适应性。